在不同的气候条件下使用遥感数据改善SMAP土壤湿度的空间分辨率
Fatemeh Imanpour1, Maryam Dehghani2, Mehran Yazdi3
1Department of Civil and Environmental Engineering, School of Engineering, Shiraz University, Shiraz, 7134851156, Iran.
Environmental monitoring and assessment
|November 15, 2023
概括
这项研究使用回归和人工神经网络 (ANN) 方法将土壤湿度主动被动 (SMAP) 数据缩小到1公里分辨率. 这两种方法在同质气候中都显示出更高的准确性,回归方法增加了更多的空间细节.
科学领域:
- 水文学的水文学
- 遥感 遥感 遥感 遥感
- 环境科学 环境科学
背景情况:
- 土壤湿度 (SM) 是影响水文应用的关键环境参数.
- 准确的SM数据对于理解陆地与大气相互作用至关重要.
- 现有的SM数据往往需要缩小到更精细的分辨率以进行详细分析.
研究的目的:
- 从3公里到1公里空间分辨率下调土壤湿度主动被动 (SMAP) 卫星数据.
- 为了评估回归和人工神经网络 (ANN) 基于缩放方法的性能.
- 在美国和伊朗的不同气候和土地覆盖条件下评估这些方法.
主要方法:
- 使用回归和ANN模型缩小SMAPSM数据的规模.
- 使用的输入特征:陆地表面温度 (LST),NDVI,亮度温度 (TBH,TBV),SWIR,以及DEM.
- 在四个案例研究中应用了方法:犹他州 (美国),法尔斯,雅兹德和戈勒斯坦 (伊朗).
主要成果:
- 无论是回归方法还是ANN方法,都产生了一致的下调SM结果.
- 与ANN相比,回归方法提供了增强的空间细节.
- 在同质气候区域 (雅兹德和戈勒斯坦) 中,缩小规模的表现优于同质气候区域 (雅兹德和戈勒斯坦).
- 数字海拔模型 (DEM) 和短波红外线 (SWIR) 在缩小规模方面显示出有限的效用.
- 在赤裸的土壤和平坦的地区实现了最佳准确性,在密集的植被和高海拔地区有偏差.
结论:
- 这两种缩放技术都是有效的,回归提供了更好的空间细节.
- 同质的气候条件有利于更高的缩小精度.
- 未来的缩小规模的努力应该考虑植被和高海拔地区的局限性.
