• 所以我们试图把被动微波遥感的土壤水分
产品(25km)与从光学遥感信息中提取的土
壤水分指数相结合，从而生成可靠的中分
辨率(1km)土壤水分产品。
AMSR-E像元
0.2 0.3
Downscaling 0.25
0.3 0.15 1km
25km
8
25km
二 研究方案和技术路线1：TVDI
9
TVDI
• 将由可见光和近红外数据 所得的NDVI和由热红外数 据所得的LST做成散点图， 就可以得到一个三角形 （Carlson et al 1994）或 者梯形（Moran et al 1994）。这个散点图被称 作Ts-NDVI space，它与 地表土壤水分，地表蒸发 等有着密切的关系。
4
土壤水分的三种获取方式ຫໍສະໝຸດ • 地面实地定点观测（包括台站和便携仪器）
– 可以给出时间上的变化 – 难以描述空间变化，受条件限制多，花费成本高
• 模型模拟(土壤水动力学等)
– 能给出空间和时间上的变化 – 对输入参数要求高，不确定性较高
• 遥感
– 可以获取大范围的数据；速度快，周期短； – 地表信息,瞬时值
... tvdii ...
AMSRE f (TVDI1,TVDI 2 ,DIi...) a b AMSRE f (TVDI1,TVDI 2 ,DIi...) a b AMSRE f (TVDI1,TVDI 2 ,DIi...) a b ............
12
NDVI TVDI
LST
13
TVDI研究进展
• TVDI与水分之间的线性关系 • TVDI更准确地计算 • TVDI时间序列相关性问题
14
TVDI与水分（ 1km pixel ）之间的线性关系
15
TVDI更准确地计算
1 两条边的选取标准 2 LST/NDVI指标的替换 3 逐日数据的替换
X TVDI ( space (1, 2), --- )
“TVDI 在空间上 可以…但在时间 上…”
TVDI (--- , DOY 200 ) TVDI (--- , DOY 201 ) TVDI (--- , DOY 202 ) TVDI (--- , DOY 203 )
?
18
三 研究方案和技术路线2：降尺度方法
第一届中国科学院陆面/水文数据同化学术研讨会
基于MODIS和AMSR-E遥感数据的 土壤水分降尺度研究
Downscaling of AMSR-E soil moisture using MODIS derived Temperature Vegetation Dryness Index
导师：李新 晋锐
a, b
20
DATA
NDVI TVDI
LST AMSR-E In situ soil moisture
tvdi1 tvdi2 tvdi3 ... tvdi1 tvdi2 tvdi3 ...
• 在Ts-NDVI space中，像 点在散点图中的位置表征 了其土壤水分或蒸发情况。
10
TVDI的计算
Sandholt et al (Sandholt et al 2002) 基于Ts-NDVI space 定义了一个指数，叫做 Temperature Vegetation Dryness Index (TVDI)。
TVDI Ts(i) Tsmin Tsmax(i) Tsmin
Tsmax(i) a bNDVIi
Tsmin(i) c dNDVIi
11
TVDI的计算流程
LST
NDVI
QC
TVDI=(Ts-Tsmin)/(Tsmax-Tsmin) Tsmin=c+dNDVI Tsmax=a+bNDVI
19
1 2 3 ... ... i ...
Downscaling
AMSRE f (1,2 ,...i...)
AMSRE
TVDI a b tvdi1 tvdi2 tvdi3 ... AMSRE f (TVDI1,TVDI2 ,DIi...) a b
AMSRE
............ ............
16
TVDI在时间序列上不相关
2008-6-24 2008-7-10
17
TIME Y
TVDI (space (x, y) , time)
TVDI ( space (0, 1), --- ) TVDI ( space (0, 2), --- ) TVDI ( space (1, 1), --- )
报告人：曹永攀
2011-01-14
1
提纲
一 背景介绍 二 研究方案和技术路线1：TVDI 三 研究方案和技术路线2：降尺度方法 四 总结
2
引言
• 经典的牛顿力学只适用于宏观世界而不适 用于微观世界便是一个典型的尺度问题。
• 80年代后期，用AVHRR估算中国耕地面积 24亿亩（当时统计数据为15亿亩），成为 “笑柄”，其实这也是一个典型的尺度问 题。
5
基于遥感的土壤水分观测
• 光学遥感
– 热惯量 – NDVI-Ts space
• 微波遥感
– 被动 • 亮温-介电-水分，物理关系更直接，时间分辨率高，其发展也 更成熟，应用更广泛，SMOS就是专门针对土壤水分设计的 • 但是空间分辨率粗
– 主动 • 空间分辨率高，但时间分辨率低 • 其后向散射信息对地表土壤水分估计的误差较大，尤其是在植 被作物覆盖地区
• 地理学、生态学、水文学、气象学、物理 学、天文学和信息学等众多学科和领域都 存在尺度问题。
3
一 背景介绍
土壤水分的重要性 • 地表土壤水分作为一个非常重要的水文参数影响
着陆气相互作用过程，强烈控制着显热和潜热通 量之间的能量再分配。 • 土壤水分是气候模型，陆面过程模型，水文模型 里的一个重要变量。 • 全球气候模型的模拟显示提高对土壤水分的估计 有助于提高天气和气候的预报的准确性。 • 对于土壤水分时空动态过程的了解和认识对于水 文，生态，农业都至关重要。
6
为什么要降尺度？
• 被动微波方法做土壤水分有着天然的优越性 • 但是其空间分辨率粗，所以只能用来做大尺度上
的观测。 • 而包括气象，水文，水资源管理和气候学在内的
一系列流域尺度上的研究都要求中高分辨率的土 壤水分观测据 • 流域尺度同化系统的需要
所以对土壤水分降尺度的研究很有必要
7
研究目标和内容