日本語AIでPubMedを検索
SMAP 観測から土壌水分情報を抽出するためのデータ同化手法の検討
Data Assimilation to extract Soil Moisture Information from SMAP Observations.
PMID: 32655902 PMCID: PMC7351107. DOI: 10.3390/rs9111179.
抄録
本研究では、土壌水分アクティブパッシブ(SMAP)観測データの同化を通じて土壌水分情報を抽出するための様々な手法を比較した。ニューラルネットワーク(NN)と物理ベースのSMAPの土壌水分検索は、2015年4月から2017年3月までの米国全域のNASA Catchmentモデルに同化された。構造上、NN検索値はキャッチメントモデルの土壌水分の全球気候学と一致している。さらにバイアス補正を行わずにNN検索結果を同化することで、14のSMAPコアバリデーションサイト(CVS)からの原位置測定値に対する地表面と根圏の相関がモデルのみの場合よりもそれぞれ0.12と0.16改善され、地表面と根圏のubRMSEがそれぞれ0.005 m mと0.001 m減少した。同化により、CVS測定値に対する平均絶対表面バイアスは0.009 m m減少しましたが、根域バイアスは0.014 m m増加しました。局所的なバイアス補正後にNN検索を同化すると、表面相関とubRMSEはわずかに低下しましたが、一般的にはスキルの差は小さくなりました。また、物理的に計算されたSMAP Level-2のパッシブな土壌水分検索結果をグローバルバイアス補正を用いて同化した場合も、SMAP Level-4の土壌水分アルゴリズムの中で局所的にバイアス補正されたSMAPの輝度温度を直接同化した場合と同様に、同様の改善が得られた。この結果は、グローバルバイアス補正法は局所的なバイアス補正法と比較して、より独立した情報をSMAP観測から抽出できる可能性があることを示しているが、正確な品質管理と観測誤差の特徴付けを行わなければ、検索入力とアルゴリズムの不確実性に関連した検索誤差による悪影響をより受けやすいことを示している。さらに、陸域モデルプロセスの再校正を同時に行わずに大域的なバイアス補正手法を使用すると、他の地表面変数のスキル低下につながることが示された。
This study compares different methods to extract soil moisture information through the assimilation of Soil Moisture Active Passive (SMAP) observations. Neural Network (NN) and physically-based SMAP soil moisture retrievals were assimilated into the NASA Catchment model over the contiguous United States for April 2015 to March 2017. By construction, the NN retrievals are consistent with the global climatology of the Catchment model soil moisture. Assimilating the NN retrievals without further bias correction improved the surface and root zone correlations against in situ measurements from 14 SMAP core validation sites (CVS) by 0.12 and 0.16, respectively, over the model-only skill and reduced the surface and root zone ubRMSE by 0.005 m m and 0.001 m m, respectively. The assimilation reduced the average absolute surface bias against the CVS measurements by 0.009 m m, but increased the root zone bias by 0.014 m m. Assimilating the NN retrievals after a localized bias correction yielded slightly lower surface correlation and ubRMSE improvements, but generally the skill differences were small. The assimilation of the physically-based SMAP Level-2 passive soil moisture retrievals using a global bias correction yielded similar skill improvements, as did the direct assimilation of locally bias-corrected SMAP brightness temperatures within the SMAP Level-4 soil moisture algorithm. The results show that global bias correction methods may be able to extract more independent information from SMAP observations compared to local bias correction methods, but without accurate quality control and observation error characterization they are also more vulnerable to adverse effects from retrieval errors related to uncertainties in the retrieval inputs and algorithm. Furthermore, the results show that using global bias correction approaches without a simultaneous re-calibration of the land model processes can lead to a skill degradation in other land surface variables.