水文模型的LAI优化与单网格土壤湿度同化

利用可变下渗能力水文(VIC)模型和MODIS反演的月叶面积指数(LAI)分析了模拟土壤湿度对LAI的敏感性,以及年际动态变化的LAI对VIC模型土壤湿度模拟能力的影响;并利用集合卡尔曼滤波同化法将CCI土壤湿度数据同化进增加了LAI年际变化能力的VIC模型中。敏感性分析表明,模拟土壤湿度全年对LAI敏感,且夏天高于冬天。站点数据的验证结果表明,年际动态变化的LAI能提高模拟土壤湿度的精度,无偏均方根差异(ubRMSD)减少了2.2%,相关系数提高了9.3%;土壤湿度经过同化后能使均方根误差(RMSE)降低4.5%,平均偏差(MBE)降低5.3%。     

一种遥感土壤湿度误差空间协方差的估算方法

针对遥感反演土壤湿度空间相关的误差协方差难以估计的问题，提出了一种遥感反演数据误差空间协方差估算方法——3类数据集成分析误差协方差（triple collocation covariance，TC_Cov），将土壤湿度场的每个单元（像元）看作一个空间随机变量，用两个随机变量表示的土壤湿度值的时间序列作为样本进行空间协方差估计，由任何两个随机变量的协方差形成多个随机变量（随机场）的协方差矩阵。利用先进散射计（ad-vanced scatterometer，ASCAT）和热带降雨测量卫星（tropical rainfall measuring mission，TRMM）的遥感土壤湿度数据以及ERA-Interim土壤湿度再分析数据作为TC_Cov方法的输入数据，分别估算了ERA-Interim、AS-CAT和TRMM在澳大利亚Murrumbidgee流域的土壤湿度误差协方差矩阵，验证了估算方法的合理性和可行性。     

基于Triple Collocation方法的土壤湿度误差分析

土壤湿度作为水循环中重要的驱动参数之一,对天气变化有着显著影响。遥感技术的发展促使土壤湿度的大范围动态性观测变为可能,但对其误差的准确估计仍需进一步的研究。利用ASCAT散射计、AMSR-E辐射计反演得到的2种卫星遥感土壤湿度数据以及ERA-Interim土壤湿度再分析资料,通过三重组合(Triple Collocation,TC)方法得到了研究区域(15°N~55°N,73°E~135°E) 3种土壤湿度数据的误差方差和信噪比估计,并结合MODIS土地覆盖类型数据分析了3种土壤湿度数据的误差特征。结果表明:植被覆盖会影响遥感土壤湿度的TC误差方差估计;从TC误差方差估计值来看,ERA土壤湿度精度最高,AMSR-E精度次之,ASCAT精度最低;从信噪比来看,ASCAT土壤湿度信噪比最高,ERA的信噪比低于ASCAT高于AMSR-E,AMSR-E信噪比最低;通过研究区MODIS土地覆盖类型数据与TC结果的分析可知TC结果多分布在草原、农田和裸地,TC结果比较符合客观实际情况。