Assessment of bias correction techniques for satellite soil moisture data assimilation in the dry season of Southeastern South America
Fabricio Matías Obregón · Lucini Magdalena · Omar Vicente Müller 等 5 人
评估南美干旱季卫星土壤湿度同化中的偏差校正方法，提出基于均质土壤纹理和滑动窗口的改进CDF匹配。
Noah-MP模型与集合卡尔曼滤波同化框架，对比标准CDF匹配和正态偏差缩放。
改进CDF匹配在干旱期对土壤湿度估计更准确，与实测数据吻合更好，但需土壤纹理分类一致。
可探索不同气候区与土壤类型下偏差校正的普适性，并耦合作物模型提升干旱监测能力。
面向干旱区卫星土壤水分同化的偏差校正方法研究，方法有新意但属区域尺度学术成果，对国内农业遥感墒情监测有参考价值。
摘要 地表土壤水分（SSM）估算对于水文监测和农业管理至关重要，尤其是在阿根廷中东北部等干旱易发地区。数据同化通过将陆面模型与遥感数据相结合，为估算SSM提供了一种稳健的方法。SMAP和SMOS等卫星任务可提供全球SSM产品；然而，这些观测往往因仪器噪声、间接测量以及时空异质性而存在系统性偏差。由于标准数据同化技术假设观测无偏，因此需要进行偏差校正以确保最优同化。本研究在基于Noah-MP陆面模型和集合卡尔曼滤波的陆面数据同化框架内，评估了离线观测偏差校正方法，重点关注内流潘帕斯地区2022年旱季。在干旱条件下，同一分箱内不同土壤质地的SSM概率密度函数存在显著差异。为解决累积分布函数（CDF）匹配中的采样误差问题，我们提出了一种方法：利用均质土壤质地像元计算气候统计量，并应用45天滑动时间窗口以平滑CDF演变。将所提方法与标准CDF匹配和正态偏差缩放进行了比较。结果表明，CDF匹配中改进的统计采样对SSM估算产生了可测量的影响，尤其是在干旱时期。与原位站点和模型网格单元土壤质地分类一致的前提下，该方法与原位土壤实测数据的吻合程度优于标准CDF匹配。