Multi-scale soil moisture retrieval from satellite radars in a novel data cube architecture

Abstract

Die satellitengestützte Fernerkundung hat in den letzten Jahrzehnten bedeutend vom technologischen Fortschritt profitiert und befindet sich nun in der Big-Data Ära. Durch die Zunahme an zivilen Datenanbietern und durch das Europäische Erdbeobachtungsprogramm Copernicus mit seiner Flotte an Sentinel-Satelliten stehen uns heute Daten zu geophysikalischen Variablen in hoher Qualität und in nie dagewesener Menge zu Verfügung. Diese Daten ermöglichen nicht nur neue wissenschaftliche Erkenntnisse, sondern unterstützen auch verschiedene öffentliche und private Unternehmungen. Die von den Satellitensensoren erzeugten hohen Datenraten von mehreren Terabytes pro Tag stellen eine neue Herausforderung an die technische Infrastruktur der Rechenzentren und Datenspeicher dar. Eine effiziente Handhabung von Geodaten ist damit unabdingbar um Datenprodukte für den gesamten Globus zu erstellen. Solch ein Anspruch verlangt ein effizientes und kostensparendes System für die Georeferenzierung von Fernerkundungsdaten. Für hochauflösende Satellitenbilder sind reguläre, durch Kartenprojektionen definierte Rastergrids besonders geeignet, trotz der auftretenden Verzerrungen und erhöhtem Speicherbedarf. Das neu entwickelte Maß namens „Grid Oversampling Factor“ (GOF) schätzt die Redundanz in projizierten Satellitenrasterdaten. Mit diesem Maß wurde ein optimiertes Gridsystem gefunden, das die Verzerrungen und Daten-Überbestimmung minimiert. Das „Equi7Grid“ hat eine durchschnittliche Überbestimmung über den Landflächen der Erde von 2%, während die oft verwendete Plate Carree Weltkarte hier den Wert von 35% aufweist. Das Equi7Grid besteht aus 7 kontinentalen Subgrids, jeweils definiert durch ein metrisches Koordinatenund Kachelsystem mit einer äquidistanten Azimuthalprojektion als Grundlage. Diese Wahl ist im Widerspruch zu bisherigen Studien, welche flächentreue Projektionen vorschlagen. Hier wird gezeigt, dass diese jedoch aufgrund von nicht vernachlässigbarer Form-Verzerrungen für Raster-Geodaten ungeeignet sind. Eine Anwendung der Satellitenfernerkundung ist die Bestimmung von Bodenfeuchte (BF; Soil Moisture). BF ist eine Variable von zentraler Bedeutung in den globalen und lokalen Wasser-, Energieund Kohlenstoff-Kreisläufen, und Kenntnis über BF-Zustände ist von hohem Interesse für beispielsweise Landwirte, Meteorologen und Zivilschutzeinrichtungen. Diese Studie präsentiert eine Methode zur Schätzung von Oberflächen-BF (Surface Soil Moisture, SSM) von Sentinel-1 Radarsatelliten, welche ein C-Band Synthetic Aperture Radar (S-1 CSAR) betreiben. Dieser Sensor erzeugt die mit bisher höchster Auflösung frei verfügbaren SAR Aufnahmen, bei unerreichter Genauigkeit und Messfrequenz. Die hier vorgestellte SSM Methode ist eine Adaption etablierter Verfahren basierend auf dem „Change-Detection“ Prinzip und stellt das erste global anwendbare SSM Produkt mit 1km Auflösung dar. Der zugrundeliegende Algorithmus ist geeignet für die Anwendung in Hochleistungscomputern und in Data-Cube-Umgebungen wie dem Equi7Grid. Der Algorithmus beinhaltet Neuerungen wie das „Dynamic Gaussian Upscaling“ (DGU) für die effiziente Skalierung von SAR-Bildern von 20m auf 1km Auflösung. Die DGU Methode nutzt den hohen Informationsgrad der SAR-Rohbilder und reduziert gleichzeitig die Komplexität des SAR-Signals im 20m Skalenbereich. Weiters wurde eine neue Methode zur Bestimmung der „Radar Slope“ definiert, welche das Radarsignal in Abhängigkeit des Aufnahmewinkels beschreibt. Diese Neuerung erlaubt die erfolgreiche Schätzung der Radar Slope trotz der inhomogenen Abdeckung der Erdfläche durch die Sentinel-1 Satelliten. Ein einzelnes Satellitensystem ist stets der Einschränkung unterworfen, dass es nicht sowohl eine hohe räumliche als auch eine hohe zeitliche Auflösung bieten kann. Dies hat zur Folge, dass entweder räumliche Details oder kurzfristige Prozesse erfasst werden können, aber nie beides (die „Scale Gap“ in der Fernerkundung). Aufbauend auf dem Equi7Grid wurde ein Data-Cube geschaffen, der einen skalierbaren und einheitlichen Raumund Zeitbezug ermöglicht und mit welchem nun durch Datenfusion zweier sich ergänzender Datensätze die Scale Gap für die BF geschlossen werden kann. Mittels eines zeitlichen Filters, angewandt auf das gemeinsame BF-Signal, kann nun ein täglich verfügbares BF-Produkt mit 1km Auflösung generiert werden, welches „Scatterometer-SAR Soil Water Index“ (SCATSAR-SWI) genannt wurde. Dieser Datensatz beschreibt die sogenannte Profil-BF, also den Wassergehalt im Boden entlang der Tiefe bis zu ca. 1m. Mit der 25km SSM von Metop ASCAT und der oben vorgestellten 1km Sentinel-1 SSM als Input erreicht dieses Datenfusions-Produkt eine vollständige und tägliche Abdeckung über Zielgebieten weltweit. Im Zuge der Evaluierung der Sentinel-1 SSM und des SCATSAR-SWI wurde jeweils ein drei Jahre überstreckender Data-Cube für den Großraum Italien generiert und diese Daten dann mit BF-Boden-messungen, ASCAT SSM Referenzdaten, einem 1km BF-Modell und Niederschlagsmessungen verglichen. Die Experimente für die Sentinel-1 SSM lieferten einen konsistenten Satz an Parametern und Maskierungen, der inhomogenen Sentinel-1-Abdeckung zum Trotz. Die SSM Daten selbst zeigen eine hohe Übereinstimmung über flachem Gelände und landwirtschaftlichen Flächen, aber geringe Performance über Wald und Gebirge. Während der Sommermonate weist die Sentinel-1 SSM eine Tendenz für zu hohe BF Schätzungen auf. Allerdings können klein-skalige hydrologische Prozesse wie konvektive Regenfälle oder landwirtschaftliche Bewässerung erfolgreich detektiert werden. Der SCATSAR-SWI zeigt in allen Bereichen eine hohe Übereinstimmung mit den Referenzdaten. Obwohl der Sentinel-1 Signalanteil nur gering zu Geltung kommt, scheint das ASCAT Signal stark von der Parametrisierung durch die Sentinel-1 Daten zu profitieren. Schlussendlich zeigt der SCATSAR-SWI ausgezeichnete Ergebnisse in den Experimenten zur Schätzung von Niederschlagssummen über Italien. Abschließend kann festgehalten werden, dass die in dieser Studie gewonnenen Erkenntnisse zur Realisierung einer optimierten Data-Cube Architektur geführt haben, die zur erfolgreichen Produktion eines neuartigen BF-Datensatzes genutzt werden konnte. Der hier vorgestellte SCATSAR-SWI-Algorithmus verbindet durch Datenfusion die Signale zweier komplementärer Satellitensensoren zu einem hochauflösenden und hochfrequentem BF-Datensatz. Gemeinsam mit dem Equi7Grid und dem Sentinel-1 SSM Algorithmus bildet er die theoretische Grundlage für die Sentinel-1 SSM und SCATSAR-SWI Produkte, welche über das Copernicus Global Land Services (CGLS) frei zugänglich gemacht werden.

Spaceborne remote sensing has been profiting from technological advances in numerous fields and has entered the era of Big Data. The growing sector of civilian data providers and the European Copernicus Earth observation programme with its Sentinel satellite constellation provide an unprecedented rich source of geophysical data. While fuelling science as well as public and private endeavours, the produced data volumes of some Terabytes per day constitute a major challenge and place high demands on processingand storagefacilities. When aiming for global data processing, an efficient handling of remote sensing data is of vital importance, demanding a well-suited definition of spatial grids for the data's storage and manipulation. For high-resolution image data, regular grids defined by map projections have been identified as practicable, cognisant of their drawbacks due to geometric distortions and data inflation. The here newly defined metric named grid oversampling factor (GOF) estimates local data oversampling appearing during projection of generic satellite images to a regular raster grid. With this, an optimised grid system named Equi7Grid is defined that minimises image distortions and data oversampling, with a global mean oversampling of 2% (compared to 35% for the widely used global Plate Carree projection). The Equi7Grid consists of 7 continental subgrids featuring a coordinate and tiling system, based on Equidistant Azimuthal projections. This choice is opposed to previous studies that suggested equal-area projections, which were found to be disadvantageous due to critical raster image distortions in the course of this study. One application of satellite remote sensing is to provide data on Soil Moisture (SM). SM is a key environmental variable, important to e.g. farmers, meteorologists, and disaster management units. In climatology, knowledge on SM is essential for the assessment of the global water-, energy-, and carboncycles. This study presents a method able to retrieve Surface Soil Moisture (SSM) from the Sentinel-1 satellites, which carry C-band Synthetic Aperture Radar (S-1 CSAR) sensors that provide the richest freely available SAR data source so far, unprecedented in accuracy and coverage. The SSM retrieval method, which adapts well-established change detection algorithms, builds the first globally deployable soil moisture observation dataset with 1km resolution and is suitable to be operated in data cube architectures like the Equi7Grid and High Performance Computing (HPC) environments. It includes the novel Dynamic Gaussian Upscaling (DGU) method for spatial upscaling of SAR imagery, harnessing its field-scale information and successfully mitigating effects from the SAR's high signal complexity. Also, a new regression-based approach for estimating the radar slope is defined, coping with Sentinel-1's inhomogeneity in spatial coverage. For a single remote sensing system, there always exists a trade-off between spatial and temporal resolution of the observations, leading to missed dynamics either in the spatial or temporal domain. Harnessing the Equi7Grid data cube's features of a common data space and the inherent possibility to access directly both space and time domain, this scale gap in remote sensing of SM is closed with a novel data fusion approach. Through temporal filtering of the joint signal of spatio-temporally complementary radar sensors, a kilometre-scale, daily soil water content product is obtained, named SCATSAR-SWI. With 25 km MetopASCAT SSM and 1km Sentinel-1 SSM serving as input, the SCATSAR-SWI is globally applicable and achieves daily full coverage over operated areas. For evaluation, both the S-1 SSM retrieval algorithm as well as the SCATSAR-SWI data fusion algorithm, are employed on a 3 year data cube over Italy, and SM data is thereby compared against in-situ measurements, reference data from ASCAT SSM, a 1km soil moisture model, and rainfall observations. The experiments for the Sentinel-1 SSM yield a consistent set of model parameters and product masks, unperturbed by coverage discontinuities. The SSM shows high agreement over plains and agricultural areas and low agreement over forests and strong topography. While positive biases during the growing season are detected, excellent capability to capture small-scale soil moisture changes as such from rainfall or irrigation is evident. For the SCATSAR-SWI, the experiments yield comprehensively high agreement with all reference datasets. However, while the Sentinel-1 signal appears to be attenuated, the ASCATs signal dynamics are fully transferred to the SCATSAR-SWI and benefit from the Sentinel-1 parametrisation. Finally, the SCATSAR-SWI shows excellent capability to reproduce rainfall observations over Italy. In the end, the insights gained during the conducted experiments and investigations has lead to the realisation of an optimised data cube architecture, and to the successful production of a soil moisture product ingesting satellite measurements observed at complementary spatio-temporal scales. The here defined grid and algorithms build the basis for the upcoming operational Sentinel-1 SSM and SCATSAR-SWI production in the frame of the Copernicus Global Land Services (CGLS).