ABSTRACT Surface soil moisture (SSM) is an important parameter for many applications. Soil Moisture Active Passive (SMAP) satellite mission provides an SSM map at global scale. But its spatial resolution (36 km) is a big restriction for agricultural and hydrological studies at the catchment scale. Therefore, the present study was conducted to disaggregate the passive SMAP soil moisture data using the retrieved Soil Evaporative Efficiency (SEE) at 1-km spatial and daily temporal resolution from Moderate Resolution Imaging Spectroradiometer (MODIS) data and to assess the effectiveness of the method for generating data for different land covers. For this purpose, SMAP data were disaggregated using the SEE retrieved from daily MODIS data located at the southwest part of the United States. The accuracy of spatial and temporal variability of the disaggregated SMAP data was evaluated against the recorded in-situ soil moisture data in 202 stations of the Soil Climate Analysis Network (SCAN) for a period of 1 year. Results indicate that the disaggregated SMAP data have a moderate correlation with in-situ soil moisture data, but it is strongly affected by land cover. The highest accuracy was observed in the pasture/hay land cover class with Correlation Coefficient (R) value of 0.683 and 0.632, Mean Difference (MD) of −0.004 and −0.001, Root-Mean Square Error (RMSE) of 0.049 and 0.056, and unbiased Root-Mean Square Error (ubRMSE) of 0.039 and 0.045 for the disaggregated and original SSM data with the unit of , respectively. The lowest accuracy was found in the barren land (rock/sand/clay) for the disaggregated and original SSM data with R of 0.0278 and 0.155, MD of −0:081 and −0.052, RMSE of 0.134 and 0.116, and ubRMSE of 0.106 and 0.103, respectively. Results indicate that in overall disaggregation of SMAP data using Disaggregation based on Physical And Theoretical scale Change (DisPATCh) algorithm and MODIS products has a good potential for generating high spatial and temporal resolution of SSM at the catchment scale. But it is strongly affected by the land cover class type, because the calculation of the SEE is based on the Normalized Difference Vegetation Index (NDVI). Therefore, it can be recommended to retrieve the SEE with the attention to land cover class type and employ the other vegetation indices or methods.

中文翻译：

---

通过分解 SMAP 产品及其在不同土地覆盖情况下的评估来生成高时空土壤水分数据

摘要 表层土壤水分 (SSM) 是许多应用的重要参数。土壤水分主动被动 (SMAP) 卫星任务提供了全球范围内的 SSM 地图。但其空间分辨率（36 公里）是流域尺度农业和水文研究的一大限制。因此，本研究的目的是使用从中分辨率成像光谱仪 (MODIS) 数据中检索到的 1 公里空间和日时间分辨率的土壤蒸发效率 (SEE) 来分解被动 SMAP 土壤水分数据，并评估该方法的有效性用于生成不同土地覆盖的数据。为此，使用从位于美国西南部的每日 MODIS 数据中检索到的 SEE 对 SMAP 数据进行了分解。根据土壤气候分析网络 (SCAN) 的 202 个站点 1 年期间记录的原位土壤水分数据，评估了分解 SMAP 数据的时空变异性的准确性。结果表明，分解后的 SMAP 数据与原位土壤水分数据具有中等相关性，但受土地覆盖的影响很大。在牧场/干草土地覆盖类别中观察到最高准确度，相关系数 (R) 值为 0.683 和 0.632，平均差 (MD) 为 -0.004 和 -0.001，均方根误差 (RMSE) 为 0.049 和 0.056，和无偏均方根误差 (ubRMSE) 分别为 0.039 和 0.045，用于分解和原始 SSM 数据，单位分别为 。在贫瘠土地（岩石/沙子/粘土）中发现了最低精度的分解和原始 SSM 数据，R 为 0.0278 和 0.155，MD 为 -0:081 和 -0.052，RMSE 为 0.134 和 0.116，ubRMSE 为 0.106和 0.103，分别。结果表明，在使用基于物理和理论尺度变化的分解（DisPATCH）算法和 MODIS 产品对 SMAP 数据进行整体分解时，具有在流域尺度上生成高空间和时间分辨率的 SSM 的良好潜力。但它受土地覆盖类别类型的影响很大，因为 SEE 的计算基于归一化差异植被指数 (NDVI)。因此，建议在关注土地覆盖类型类型的情况下检索 SEE，并采用其他植被指数或方法。RMSE 分别为 0.134 和 0.116，ubRMSE 分别为 0.106 和 0.103。结果表明，在使用基于物理和理论尺度变化的分解（DisPATCH）算法和 MODIS 产品对 SMAP 数据进行整体分解时，具有在流域尺度上生成高空间和时间分辨率的 SSM 的良好潜力。但它受土地覆盖类别类型的影响很大，因为 SEE 的计算基于归一化差异植被指数 (NDVI)。因此，建议在关注土地覆盖类型类型的情况下检索 SEE，并采用其他植被指数或方法。RMSE 分别为 0.134 和 0.116，ubRMSE 分别为 0.106 和 0.103。结果表明，在使用基于物理和理论尺度变化的分解（DisPATCH）算法和 MODIS 产品对 SMAP 数据进行整体分解时，具有在流域尺度上生成高空间和时间分辨率的 SSM 的良好潜力。但它受土地覆盖类别类型的影响很大，因为 SEE 的计算基于归一化差异植被指数 (NDVI)。因此，建议在关注土地覆盖类型类型的情况下检索 SEE，并采用其他植被指数或方法。结果表明，在使用基于物理和理论尺度变化的分解（DisPATCH）算法和 MODIS 产品对 SMAP 数据进行整体分解时，具有在流域尺度上生成 SSM 高时空分辨率的良好潜力。但它受土地覆盖类别类型的影响很大，因为 SEE 的计算基于归一化差异植被指数 (NDVI)。因此，建议在关注土地覆盖类型类型的情况下检索 SEE，并采用其他植被指数或方法。结果表明，在使用基于物理和理论尺度变化的分解（DisPATCH）算法和 MODIS 产品对 SMAP 数据进行整体分解时，具有在流域尺度上生成高空间和时间分辨率的 SSM 的良好潜力。但它受土地覆盖类别类型的影响很大，因为 SEE 的计算基于归一化差异植被指数 (NDVI)。因此，建议在关注土地覆盖类型类型的情况下检索 SEE，并采用其他植被指数或方法。因为 SEE 的计算基于归一化差异植被指数 (NDVI)。因此，建议在关注土地覆盖类型类型的情况下检索 SEE，并采用其他植被指数或方法。因为 SEE 的计算基于归一化差异植被指数 (NDVI)。因此，建议在关注土地覆盖类型类型的情况下检索 SEE，并采用其他植被指数或方法。