科研成果 | 一种基于密集观测并考虑地表异质性的混合土壤水分尺度扩展方法

土壤水分（Soil Moisture，SM）作为陆气系统中水热耦合的关键参数，直接影响陆表蒸散发、径流、植被生长及区域气候-生态过程的相互作用等，是旱情监测、水资源管理与气候变化研究等领域的基础性变量。尽管卫星遥感、模式模拟与地面观测为获取不同尺度的土壤水分信息提供了多种数据源，但尺度不匹配问题长期制约着土壤水分产品的精准验证与业务化应用，尤其在地形复杂、地表异质性强的区域更为显著。传统依赖稀疏站点的算术平均、简单的统计插值或单一机器学习模型的尺度扩展方法，往往无法充分刻画土壤水分的空间变异特征，导致像元尺度“相对真值”可靠性不足并引入显著不确定性，从而削弱了遥感产品真实性检验结论的可信度与应用效果。为应对该挑战，需依托密集土壤水分传感器网络以减少采样误差，同时发展能识别并适应不同地表异质性程度的差异化建模策略。本文基于密集观测构建一种能够“辨识地表异质性差异、适配最优方法”的混合尺度扩展框架，不仅有重要的理论价值，也在提升遥感产品真实性检验可靠性、支撑复杂场景下应用等方面具有较大意义。

本文以青海湖流域天峻高密度土壤水分传感器网络（QLB-NET）覆盖区域为研究区，基于QLB-NET 2019–2022 年非冻结期的5 cm土壤水分数据，构建并系统验证了一种基于地表异质性分区的混合土壤水分尺度扩展方法。本研究首先通过计算复合地形复杂度指标（CTCI）对研究区按照“均匀/中度非均匀/高度非均匀” 进行地表异质性分区。针对各类异质性下垫面，本文通过直接检验（在均匀/中度非均匀下垫面以节点算术均值作为“相对真值”）和间接检验（Three-Cornered Hat交叉检验、时空分布合理性分析）系统评估了四种尺度扩展方法——自动机器学习堆叠集成（AML）、梯度提升机（GBM）、分布式随机森林（DRF）和贝叶斯线性回归（BLR），并基于各类区域的性能选取最优方法，最终构建混合策略（均匀/中度非均匀下垫面的AML与高度非均匀下垫面的DRF组合）。验证结果表明：混合尺度扩展方法能较好地反映土壤水分的时空变化特征，相比单一方法将均方根误差降低了20.32%–42.04%；节点随机抽取实验揭示了随着节点/网格数的减少和地表异质性的增加，土壤水分尺度扩展结果的不确定性（ΔSM）增大，混合方法始终表现稳定、较低的不确定性（ΔSM处于0.0005–0.0199 m³/m³），显著低于算术平均法的 0.0032–0.1006 m³/m³；此外，与青藏高原其他土壤水分传感器网络对SMAP L3（36 km）产品的真实性检验结果相比，使用混合尺度扩展方法的检验结果在地形较为复杂的天峻地区有着更高的精度。

该项成果以"A Hybrid Approach for Soil Moisture Upscaling Based on Dense Monitoring with Consideration of Heterogeneity"为题，发表在IEEE Transactions on Geoscience and Remote Sensing期刊（2025，63，4509217）上。

QLB-NET（北纬37.24°–37.58°，东经98.97°–99.32°；海拔3249–4335米）位于青海湖西北约70公里的天峻县，属典型的高原大陆性气候。该区域气温较低，年均气温仅0.3℃，年降水量约418毫米，主要集中在生长季（5-9月）。地形特征差异显著：北部为高山峡谷，中部呈丘陵起伏，南部则是相对平坦的高寒草甸。研究区内的主要土地覆盖类型为高寒草甸，其余为灌木、水体、湿地和建设用地等。QLB-NET在36 × 40 km的范围内共布设82个节点（图1），其中在大尺度网络有60个、两个1 × 1 km小尺度网络各有11个，每30分钟记录一次5 cm、10 cm、30 cm 深度的土壤水分、土壤温度与电导率等，并以环刀取样-烘干法校准观测值，确保数据质量。研究区典型异质性地表特征导致土壤水分时空分异明显，再加上密集观测的支持，使得QLB-NET区域成为发展考虑地表异质性的尺度扩展方法的理想研究区。

图1 （a）QLB-NET在青藏高原的地理位置，（b-d）分别为QLB-NET大尺度网络与两个小尺度网络的节点分布

本研究所使用土壤水分数据为2019-2022年非冻结期QLB-NET 5 cm深的日平均值，同时基于多源遥感数据得到用于尺度扩展模型构建的辅助变量（数字高程模型DEM、归一化植被指数NDVI、增强植被指数EVI、地表温度LST、表观热惯量ATI、温度植被干旱指数TVDI、儒略日DOY、经纬度等），通过“先分区、后优选”的混合策略实现1 km分辨率逐日土壤水分估算。图2为混合尺度扩展方法框架：首先用复合地形复杂度指标（CTCI）对区域进行地表异质性划分；其次在每类区域内部评估多种尺度扩展方法的性能；最后将每种异质性区域的最优方法集成为整体的混合方案。

图2 考虑异质性的混合尺度扩展方法框架

研究区内地形起伏较大，导致土壤水分空间分异特征明显。基于DEM构建的复合地形复杂度指标（CTCI）在1 km网格尺度上对研究区进行量化并经聚类分级，结果显示：南部以相对平坦的高寒草甸为主、CTCI 最低；中部为起伏丘陵、CTCI 中等；北部为高山峡谷与深切河谷，CTCI 值最高（图3）。CTCI 与地貌、植被分布和水系走向高度一致，可作为研究区地表异质性分区（均匀/中度非均匀/高度非均匀）的可靠依据。

图3 研究区（a）复合地形复杂度（CTCI）分布以及（b）地表异质性分级

以直接检验为主、间接检验为辅的尺度扩展方法比较可以全面系统地评估各种方法的性能。在直接检验中，以均匀、中度非均匀下垫面上的观测节点算术平均值作为“相对真值”来量化各方法的精度（图4）。结果表明：在均匀、中度非均匀下垫面，自动机器学习堆叠集成法（AML）具有最优的总体表现（如，均匀区 RMSE ≈ 0.0179 m³/m³，R ≈ 0.9705；中度非均匀区 RMSE ≈ 0.0182 m³/m³，R ≈ 0.9609），梯度提升机法（GBM） 次之，而贝叶斯线性回归法（BLR）在捕捉强非线性和极端值方面存在系统偏差。在高度非均匀区，由于观测节点的空间代表性下降，直接以算术平均作为评价参考的可靠性受限，因此辅以间接检验（用Three-Cornered Hat方法的相对不确定度估计，结合时空分布合理性分析）来评估各类方法的精度（图5）与物理一致性（图6）。间接检验结果进一步表明，在高度非均匀下垫面分布式随机森林法（DRF）更具鲁棒性，从而为不同地表异质性区域的方法优选提供了相互补充且相互佐证的依据。

图4 （a-c）AML、（d-f）GBM、（g-i）DRF和（j-l）BLR四种方法尺度扩展结果与节点算术平均值的比较。第1至3列依次表示在均匀、中度非均匀和高度非均匀下垫面的结果

图5 基于Three-Cornered Hat的土壤水分尺度扩展结果相对不确定性的空间分布。（a-d）分别对应AML、GBM、DRF和BLR方法

图6 QLB-NET区域像元尺度土壤水分及主要影响因子（LST、NDVI和DEM）的时空变化特征。蓝色椭圆部分表示两处湿润地区，紫色椭圆部分表示布哈河和城镇区域

本研究构建的混合尺度扩展方法在精度与稳健性上均体现出显著优势。该方法利用了AML在均匀/中度非均匀下垫面的高精度与DRF在高度非均匀下垫面的稳健性，因而能够在异质性地表保持优良性能。图7显示了各种尺度扩展结果的比较，与若干单一方法相比，混合方案可将总体误差降低约 20.3%–42.0%，且能更好地反映土壤水分的实际波动情况。

图7 2019-2022年非冻结期混合尺度扩展方法与四种单一方法的对比。（a）各尺度扩展结果与节点观测均值的变化，（b）各尺度扩展结果与节点观测的比较，（c）各尺度扩展结果的评估指标

本研究还通过土壤水分产品真实性检验对比和随机抽取实验揭示了密集观测的优越性。基于QLB-NET的高密度观测，我们不仅在像元尺度上生成了“相对真值”，还将其用于主流卫星产品SMAP L3（36 km）的真实性检验中，并与青藏高原其他土壤水分传感器网络的验证结果进行对比（图8）。尽管QLB-NET区域的地表异质性程度最大，但在密集网络支持下，SMAP L3在本区的验证表现优异（升轨RMSE = 0.0446 m³/m³，降轨RMSE = 0.0536 m³/m³），与较为均匀但节点稀疏的阿里（Ngari）、五道梁（SMN-WDL）等区域相当，优于其他网络的验证结果，这表明密集而合理布局的传感器网络在提高像元尺度“相对真值”可靠性方面具有关键作用。

图8 基于青藏高原土壤水分传感器网络的SMAP L3（a）升轨、（b）降轨产品真实性检验的研究结果对比。纵轴表示网络名称、节点数量、地表异质性程度和验证精度

通过大规模的bootstrapping随机抽样实验（图9），我们进一步量化了QLB-NET区域节点数量与地表异质性程度对尺度扩展不确定性的影响：随着节点数的增加和异质性的降低，尺度扩展的不确定性显著下降；当节点数量超过30个或地表异质性程度（CTCI）低于0.191时，不确定性降低速度趋于稳定。在此过程中，基于混合方法得到的尺度扩展结果不确定性（ΔSM处于0.0005–0.0199 m³/m³）显著低于算术平均法的 0.0032–0.1006 m³/m³。

图9 QLB-NET区域土壤水分尺度扩展结果不确定性（ΔSM）与节点数量、地表异质性程度的关系。（a）和（b）分别是基于尺度扩展和节点观测进行bootstrapping 随机抽样的结果

本研究构建的基于密集观测与地表异质性分区的混合尺度扩展方法，为地形复杂、地表异质性强区域的像元尺度土壤水分获取提供了新的途径。通过“地表异质性分区—模型方法优选—集成应用”的设计，有效解决了传统尺度扩展方法在异质性区域精度不足的问题，显著提升了像元尺度“相对真值”的可靠性。该框架不仅为复杂地表下获得高精度、时空连续的土壤水分尺度扩展数据提供了方法指导，也为土壤水分产品的真实性检验与算法改进提供了更可靠的地面基准，在应对气候变化、实现水资源精准管理与生态系统保护与修复等方面具有广阔的应用前景。

北京师范大学地理科学学部博士研究生郭仕侗为论文第一作者，北京师范大学刘绍民教授和柴琳娜副教授为共同通讯作者。共同作者包括来自北京师范大学地理科学学部、中国科学院空天信息创新研究院的研究人员。研究得到了国家自然科学基金（42171319）、中国科学院A类战略性先导科技专项（XDA20100101）和地表过程与水土风沙灾害风险防控全国重点实验室自主研究课题（2024-TS-01）的支持。

文章链接：

https://doi.org/10.1109/TGRS.2025.3621225

相关文章：

1. Chai, L., Zhu, Z., Liu, S., Xu, Z., Jin, R., Li, X., Kang, J., Che, T., Zhang, Y., Zhang, J., Cui, H., Gao, T., Xu, T., Zhao, S., Pan, X., Guo, G., 2024. QLB-NET: A Dense Soil Moisture and Freeze–Thaw Monitoring Network in the Qinghai Lake Basin on the Qinghai–Tibetan Plateau. Bulletin of the American Meteorological Society, 105(3), E584-E604. https://doi.org/10.1175/BAMS-D-23-0186.1

2. Liu, J., Chai, L., Dong, J., Zheng, D., Wigneron, J. P., Liu, S., Zhou, J., Xu, T., Yang, S., Song,Y., Qu, Y., Lu, Z., 2021. Uncertainty Analysis of Eleven Multisource Soil Moisture Products in the Third Pole Environment Based on the Three-Corned Hat Method. Remote Sensing of Environment, 255, 112225. https://doi.org/10.1016/j.rse.2020.112225

天峻土壤水分传感器网络数据链接：

刘绍民, 朱忠礼, 徐自为, 晋锐, 柴琳娜. 青海湖流域天峻高密度土壤水分和冻融监测传感器网络（QLB-NET）数据集（2019-2023）. 国家青藏高原数据中心. https://doi.org/10.11888/Cryos.tpdc.301253

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。