近日，中国科学院空天信息创新研究院遥感科学国家重点实验室联合法国农业科学院等科研人员，首次在全球尺度，利用SMAP卫星被动辐射计L波段数据与目前唯一在轨运行的大尺度观测的ASCAT卫星主动散射计C波段数据，实现表层土壤水分的高精度反演（图1）。
图1 基于被动SMAP和主动ASCAT的主被动微波联合土壤水分反演流程图
土壤水分作为影响全球水、碳、能量循环的重要参量，与植被含水量一起被认为是能够识别陆地生态系统主要变化的两个核心变量。获取高精度土壤水分信息对于粮食安全、水资源优化与管理、生态环境保护等至关重要。
全天时、全天候工作的主动和被动微波遥感被认为是目前大尺度监测土壤水分最有效的手段，但单一的主动或被动微波观测反演的土壤水分在精度、时间或空间分辨率上均会受到不同程度的限制。而主被动微波联合反演土壤水分的研究，尤其是基于机器学习的相关研究，往往缺乏对微波辐射传输过程中影响土壤水分的误差源的系统考虑。
另一方面，作为目前全球最新的L波段SMAP卫星，设计初衷是进行主被动联合反演土壤水分，但SMAP卫星的主动传感器在发射后就停止工作。虽然后期采用C波段的Sentinel-1数据替代，依旧面临不同卫星观测平台时空覆盖不一致、数据组织方式不一致、精度提升受限等一系列问题。
ASCAT卫星作为目前和SMAP观测尺度较接近的C波段主动微波散射计，能提供精度较高的后向散射数据，二者具有匹配能力，但目前联合两者进行土壤水分反演的研究还相当匮乏。
基于此，研究团队利用SMAP卫星被动辐射计L波段数据与ASCAT卫星主动散射计C波段数据，实现表层土壤水分的反演。研究团队首先利用多种策略保证联合反演的准确性和可靠性：
其一，基于研究团队以往开展的土壤水分算法误差溯源工作，在模型训练过程中充分考虑辐射传输过程中涉及的可能误差源如地表粗糙度、土壤温度、植被、土壤属性及地表类型空间异质性等变量，同时考虑了土壤水分的主要来源如降水等，以及卫星信号的时空信息，引入多种机器学习模型，开展建模能力对比研究；
其二，基于国际土壤水分观测网ISMN和美国农业部CVS的全球地面密集观测网对结果展开验证和分析，最大程度缓解地面观测和微波像元观测的空间不匹配问题；同时针对数据驱动的验证问题，分别设计时间和空间独立的评估策略来保证建模和验证的可信度；
其三，开展多产品多模式对比研究，充分挖掘研究设计的主被动联合反演相对于数据驱动的主动、被动单独反演，以及与已有的主动ASCAT、被动SMAP和主被动融合ESA CCI等国际官方产品的优势；
其四，深入分析建模过程中的参数敏感性以及主被动联合对于土壤水分产品时间分辨率提高的优势。
之后，研究团队通过开展时间和空间独立性验证，证明主被动联合反演算法可提供全球尺度更高精度的土壤水分遥感产品：
首先，根据时间独立性验证策略，基于全球地面密集网的观测数据，对比包括随机森林（RF）、长短期记忆网络（LSTM）、支持向量机（SVM）和级联神经网络（CNN）四种数据驱动模型对于开展主被动联合反演的效果（图2）。随机森林RF获得了更高的时间相关系数R和更小的ubRMSE，作为后续主被动联合反演的主要工具。
图2 四种数据驱动模型进行主被动联合土壤水分反演效果对比
图3 研究提出的主被动联合反演的土壤水分（Integration）、被动SMAP、主动ASCAT以及主被动融合ESA CCI产品与地面实测土壤水分的时序对比
图4 四种土壤水分产品月均值的空间分布对比（以2018年6月为例）
图5 主被动联合反演的土壤水分与被动SMAP、主动ASCAT的时空覆盖率对比（以2018年为例）
其次，基于空间独立性验证策略，利用地面实测数据，将主被动联合反演的土壤水分产品与已有产品进行对比（图3）。结果表明：研究提出的主被动联合算法反演的土壤水分精度优于官方的被动SMAP、主动ASCAT和主被动融合的ESA CCI产品；主被动联合反演结果可以获得更为合理的土壤水分空间分布（图4），且在时空覆盖率上相比单一的被动SMAP和主动ASCAT产品有明显提高（图5）。
另外，基于相似的反演框架（即使用的辅助数据一致），通过对比单独被动、单独主动和主被动观测同时使用的反演效果，也进一步证实主被动联合反演土壤水分相较于单一主、被动反演结果的优势。
研究成果近期发表于中国科学院一区Top期刊Remote Sensing of Environment。法国农业科学院博士后马宏亮为第一作者，空天院副研究员曾江源为通讯作者。合作单位还包括中国地质大学（武汉），德国亥姆霍兹环境研究中心和美国农业部等。研究工作得到国家自然科学基金、中国科学院青年创新促进会优秀会员等项目资助。
论文链接：https://www.sciencedirect.com/science/article/pii/S0034425724002153?via%3Dihub
动态新闻