Soil moisture is a pivotal hydrological variable that links the terrestrial water, energy, and carbon cycles. In this article, a new soil moisture (SM) index (SMI), which aims to capture the temporal variability of SM, irrespective of cloud cover and solar illumination, was developed by using the L-band SM active passive (SMAP) radiometer observations. The SMI was proposed on the basis of two key foundations: 1) vegetation and roughness have similar effects on “depolarization” of microwave emission, while SM enhances polarization differences and 2) vegetation and roughness generally impose positive effects on surface emissivity, while SM and emissivity are negatively correlated. Based on the two physical principles, it is possible to decouple the effects of SM and those of vegetation and surface roughness in a 2-D space independent of vegetation type and roughness condition. The proposed SMI was then validated by in situ measurements from five dense SM networks covering different vegetation and climatic conditions and also compared with SMAP passive and European space agency climate change initiative (ESA CCI) SM products at a coarse resolution of 36 km, and SMAP-enhanced passive and Japan Aerospace Exploration Agency (JAXA) advanced microwave scanning radiometer (AMSR2) SM products at a medium resolution of 9 km. The results show that the new SMI is able to well reproduce the temporal dynamic of SM with a favorable averaged correlation coefficient value of 0.87 and 0.84 at 36 and 9 km, respectively, higher than that of SMAP passive (0.80), SMAP-enhanced passive (0.77), ESA CCI (0.69), and JAXA AMSR2 (0.53). After removing the systematic differences between satellite and site-specific SM data by using the cumulative distribution function (CDF) matching technique, the SMI can achieve an average root mean squared error (RMSE) of 0.031 and 0.036 m3m−3 at 36 and 9 km during the validation period, respectively, lower than that of the satellite SM products. In addition to surface temperature, the SMI does not need any further information from other sensors [e.g., the optical normalized difference vegetation index (NDVI) or leaf area index (LAI) data] to guarantee an all-weather monitoring. Therefore, it has great potential to estimate SM variability on a global scale.

中文翻译：

---

来自被动微波亮度温度的基于物理的土壤水分指数，用于土壤水分变化监测

土壤水分是连​​接陆地水、能源和碳循环的关键水文变量。在本文中，通过使用 L 波段 SM 主动被动 (SMAP) 辐射计观测，开发了一种新的土壤水分 (SM) 指数 (SMI)，旨在捕捉 SM 的时间变化，而不受云量和太阳光照的影响。 . SMI 的提出基于两个关键基础：1) 植被和粗糙度对微波发射的“去极化”具有相似的影响，而 SM 增强了极化差异；2) 植被和粗糙度通常对地表发射率产生积极影响，而 SM 和发射率呈负相关。根据两个物理原理，可以在与植被类型和粗糙度条件无关的二维空间中将 SM 的影响与植被和表面粗糙度的影响解耦。然后通过覆盖不同植被和气候条件的五个密集 SM 网络的原位测量来验证提议的 SMI，并与 SMAP 被动和欧洲航天局气候变化倡议 (ESA CCI) SM 产品在 36 公里的粗分辨率下进行比较，以及 SMAP - 增强型无源和日本宇宙航空研究开发机构 (JAXA) 先进微波扫描辐射计 (AMSR2) SM 产品，中等分辨率为 9 公里。结果表明，新的 SMI 能够很好地再现 SM 的时间动态，在 36 km 和 9 km 处的平均相关系数值分别为 0.87 和 0.84，高于 SMAP 被动（0.80），SMAP 增强型无源 (0.77)、ESA CCI (0.69) 和 JAXA AMSR2 (0.53)。通过使用累积分布函数 (CDF) 匹配技术去除卫星和特定站点 SM 数据之间的系统差异后，SMI 可以在 36 和 9 公里处实现 0.031 和 0.036 m3m-3 的平均均方根误差 (RMSE)在验证期内，分别低于卫星SM产品。除了表面温度，SMI 不需要来自其他传感器的任何进一步信息[例如，光学归一化植被指数 (NDVI) 或叶面积指数 (LAI) 数据] 来保证全天候监测。因此，它具有在全球范围内估计 SM 变异性的巨大潜力。通过使用累积分布函数 (CDF) 匹配技术去除卫星和特定站点 SM 数据之间的系统差异后，SMI 可以在 36 和 9 公里处实现 0.031 和 0.036 m3m-3 的平均均方根误差 (RMSE)在验证期内，分别低于卫星SM产品。除了表面温度，SMI 不需要来自其他传感器的任何进一步信息[例如，光学归一化植被指数 (NDVI) 或叶面积指数 (LAI) 数据] 来保证全天候监测。因此，它具有在全球范围内估计 SM 变异性的巨大潜力。通过使用累积分布函数 (CDF) 匹配技术去除卫星和特定站点 SM 数据之间的系统差异后，SMI 可以在 36 和 9 公里处实现 0.031 和 0.036 m3m-3 的平均均方根误差 (RMSE)在验证期内，分别低于卫星SM产品。除了表面温度，SMI 不需要来自其他传感器的任何进一步信息[例如，光学归一化植被指数 (NDVI) 或叶面积指数 (LAI) 数据] 来保证全天候监测。因此，它具有在全球范围内估计 SM 变异性的巨大潜力。验证期内 36 公里和 9 公里处分别为 036 m3m−3，低于卫星 SM 产品。除了表面温度，SMI 不需要来自其他传感器的任何进一步信息[例如，光学归一化植被指数 (NDVI) 或叶面积指数 (LAI) 数据] 来保证全天候监测。因此，它具有在全球范围内估计 SM 变异性的巨大潜力。验证期内 36 公里和 9 公里处分别为 036 m3m−3，低于卫星 SM 产品。除了表面温度，SMI 不需要来自其他传感器的任何进一步信息[例如，光学归一化植被指数 (NDVI) 或叶面积指数 (LAI) 数据] 来保证全天候监测。因此，它具有在全球范围内估计 SM 变异性的巨大潜力。