基于随机森林的西辽河流域CCI土壤湿度降尺度研究_曹煜.pdf

引用格式：曹煜,方秀琴,杨露露,等.基于随机森林的西辽河流域CCI土壤湿度降尺度研究J.地球科学信息学报,2023,25(8):1669-1681.Cao Y,Fang X Q,Yang L L,et al.Downscaling of CCI soil moisture in the Xiliaohe Basin based on random forestJ.Journal of Geo-informa-tion Science,2023,25(8):1669-1681.DOI:10.12082/dqxxkx.2023.221013基于随机森林的西辽河流域CCI土壤湿度降尺度研究曹煜，方秀琴*，杨露露，蒋心远，廖美玉，任立良河海大学水文水资源学院，南京 210098Downscaling of CCI Soil Moisture in the Xiliaohe River Basin based on Random ForestCAO Yu,FANG Xiuqin*,YANG Lulu,JIANG Xinyuan,LIAO Meiyu,REN LiliangCollege of Hydrology and Water Resources,Hohai University,Nanjing 210098,ChinaAbstract:Soil moisture is a key factor in the climate system and has important application in agriculturalmanagement,water resource management,and ecosystem monitoring and assessment.Although remote sensing-derived soil moisture products can provide soil moisture distribution on a large scale,they usually have coarsespatial resolution,making it difficult to meet the requirements of practical applications.Thus,downscaling ofremote sensing-derived soil moisture products has become one of the hot topics recently.In this paper,the ESACCI daily soil moisture at 0.25resolution is used as the main data source,combined with the MODIS underlyingsurface data,topographic data,meteorological data,and other environmental factors at 1 km resolution.Arandom forest downscaling model is constructed to generate downscaled CCI daily soil moisture products at 1km resolution in the Xiliaohe River Basin of China from 2013 to 2020.Results show that:(1)The analysis of theimportance score of environmental factors shows that relative humidity and daytime surface temperature are thetwo most important factors influencing soil moisture,followed by topography and location factors;(2)Theperformance of the random forest downscaling model is verified by using the measured data of 22 stations withinthe study area,and the results show that the downscaled results considering multiple environmental factors(underlying surface,topography,and meteorology)are more accurate than that considering only surfaceelements.The RMSE of each site is below 0.048 8 m3/m3,the average correlation coefficient is 0.497 3,theabsolute value of BIAS is 0.003 00.033 3 m3/m3,and the R2of soil moisture after downscaling is 0.520.84compared with the original CCI remote sensing soil moisture;(3)The downscaled soil moisture has similartemporal trends with the site-level measured soil moisture with less fluctuation in values.The downscalingmethod proposed in this study improves the spatial resolution of remote sensing-derived soil moisture data whilepreserving the spatial pattern of the original data set,which can meet the demand for high-resolution soil收稿日期：2022-12-29；修回日期：2023-03-21.基金项目：国家自然科学基金项目（42071040、U2243203）；国家重点研发计划项目（2019YFC1510601）。Foundationitems:National Natural Science Foundation of China,No.42071040,U2243203;National Key Research andDevel opment Program of China,No.2019YFC1510601.作者简介：曹煜（1998），女，山东济南人，硕士生，研究方向为地表参数遥感反演。E-mail:*通讯作者：方秀琴（1978），女，安徽池州人，教授，研究方向为地表参数遥感反演、分布式水文模型及山洪灾害防治。E-mail:Vol.25,No.8Aug.,2023第25卷 第8期2023年8月地 球 信 息 科 学 学 报2023年moisture data in practical applications and provide a reference for the selection of environmental factors in soilmoisture downscaling studies.Key words:remote sensing;soil moisture;ESA CCI;downscaling;random forest;machine learning;XiliaoheRiver Basin;environmental factors*Corresponding author:FANG Xiuqin,E-mail:摘要：土壤湿度是气候系统中的关键因子，对农业管理、水资源管理和生态系统监测与评估等具有重要应用价值。遥感土壤湿度产品虽能提供大尺度范围的土壤湿度分布，但受限于较低的空间分辨率，难以满足实际应用的要求，对遥感土壤湿度产品的降尺度研究成为当前的热点之一。本文以0.25分辨率的欧空局ESA CCI日土壤湿度为主要数据源，结合1 km分辨率的MODIS下垫面数据、地形数据、气象数据等环境因子，构建随机森林降尺度模型，对我国西辽河流域20132020年CCI日土壤湿度产品进行降尺度，得到1 km分辨率的土壤湿度时空分布数据。研究发现：环境因子重要性分析表明，相对湿度和白天地表温度是影响土壤湿度变化最重要的2个因素，地形与位置因子的影响次之；利用研究区内22个站点的实测数据序列对随机森林降尺度模型性能进行验证，结果表明考虑多种环境因子（地表、地形和气象）的降尺度结果比仅考虑地表参数的降尺度结果的精度要高，每个站点的RMSE都在0.048 8 m3/m3以下，平均相关系数为0.497 3，BIAS绝对值在0.003 00.033 3 m3/m3，降尺度后的土壤湿度与原始CCI遥感土壤湿度的R2是0.520.84；降尺度后的土壤湿度比站点实测土壤湿度时间序列的数值波动小，但二者有着相近的时间变化趋势。本研究构建的降尺度方法在提高遥感土壤数据空间分辨率的同时保留了原数据集的空间分布特征，能够满足实际应用对高分辨率土壤水分数据的需求，并为土壤湿度降尺度研究的环境因子选取提供参考。关键词：遥感；土壤湿度；ESACCI；降尺度；随机森林；机器学习；西辽河流域；环境因子1 引言土壤湿度将大气过程与地表状态联系起来是衡量陆地干湿状况的重要指标1，土壤湿度的时空动态对于农业管理、洪水和干旱预测、水资源管理和自然保护均具有重要的应用价值2-4。传统站点观测土壤湿度精度较高，但站点空间分布不均且数量有限，观测耗时耗资，致使不能高效获取大范围数据。卫星遥感成为获取大尺度土壤湿度信息的主要途径。欧空局(European Space Agency，ESA)对现有的主动和被动微波土壤湿度产品进行融合，最新的融合产品（CCI_SM v04.7）从1978至今有40余年的记录，是对于水文和气象研究来说非常有价值的数据。尽管ESA CCI_SM是日尺度上的多卫星融合的长时间序列数据产品，能满足高时间分辨率应用的需求，但其0.25的空间分辨率较低，不能充分满足水文及干旱监测等研究的需求。因此，对其进行降尺度研究以获取高空间分辨率的土壤湿度数据，对于改善水文、气象等领域的科学研究和灾害监测等实践业务具有重要意义。土壤水分降尺度研究是当前土壤水分研究的一个热点方向，国内外学者对遥感土壤湿度数据的降尺度研究开展了广泛的探索。研究的关键点在于应用适宜的降尺度方法和合理选取环境变量。降尺度方法主要可以归纳为空间插值法、统计回归法、物理模型法、权重分解法以及数据同化法这几类5-6。Kim等7基于空间分形插值方法将土壤湿度数据从10 km降尺度至1 km；Ray等8构建了土壤湿度与植被指数、地表温度、地表反照率的回归模型，获取 1 km 空间分辨率的土壤湿度数据；Merlin9-10基于陆表-大气交互模型，输入气象参数、光学和热红外遥感数据估算得土壤温度，进而获取到被动微波像元内1 km空间分辨率的土壤湿度信息；Bindlish11利用后向散射系数对亮温进行权重分解，确定像元内土壤水分的干湿分布，进行土壤水分的反演，实现降尺度。Pellenq等12将低分辨率的遥感数据同化到水分模型中，计算流域尺度上的水热平衡方程，再利用降雨、地形和土壤深度信息将低分辨率的土壤水分分解到高分辨率下。在这几类方法中，统计回归法操作简单，但缺少物理基础，简单的经验性关系模型不能准确表达降