Advances in soil moisture retrieval from synthetic aperture radar and hydrological applications
3
2013
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
... ［1，3，5］. ...
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
微波遥感地表参数反演进展
1
2012
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
微波遥感地表参数反演进展
1
2012
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
利用多时相Sentinel-1 SAR数据反演农田地表土壤水分
3
2016
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
... ，3，5］. ...
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
利用多时相Sentinel-1 SAR数据反演农田地表土壤水分
3
2016
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
... ，3，5］. ...
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
基于Sentinel-1及Landsat 8数据的黑河中游农田土壤水分估算
3
2020
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
基于Sentinel-1及Landsat 8数据的黑河中游农田土壤水分估算
3
2020
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
The added value of the VH/VV polarization-ratio for global soil moisture estimations from scatterometer data
2
2018
... 土壤水分是地球科学研究中不可或缺的状态变量，也是水文模型、生态模型以及陆面过程模型的关键输入参数，在全球和区域水循环中发挥着重要作用［1-2］.同时，土壤水分也是农作物生长发育的基本条件，是监测作物生长和产量评估的重要因子，因而对农业应用研究具有重要的现实意义［3-4］.主动微波遥感对土壤水分高度敏感，且能全天时全天候观测，因而广泛应用于区域和全球土壤水分产品反演研究［1，3，5］. ...
... 随着搭载SAR传感器卫星的不断发射以及SAR数据的不断积累，其中Sentinel-1卫星已积累了6 a的连续观测数据［33］，那么如何有效利用SAR数据的多极化信息，进而消除在表征植被散射贡献时对光学植被参数的过度依赖，已成为现阶段土壤水分反演研究的热点与难点.Greifeneder等［5］利用Scatterometer数据提供的VH极化与VV极化的比值反演了全球土壤水分.Li和Wang［34］尝试利用HV交叉极化和雷达植被指数（Radar Vegetation Index， RVI）模拟植被的散射贡献，结果表明HV的效果较好.Dabrowska-Zielinska等［35］利用VV同极化和VH交叉极化的比值和差值来表征植被的散射贡献. ...
基于多波段多极化SAR数据的草原地表土壤水分反演方法研究
2
2017
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
基于多波段多极化SAR数据的草原地表土壤水分反演方法研究
2
2017
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
基于Sentinel-1数据的黑河中游土壤水分反演
1
2020
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
基于Sentinel-1数据的黑河中游土壤水分反演
1
2020
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
An empirical model and an inversion technique for radar scattering from bare soil surface
1
1992
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
Measuring soil moisture with imaging radar
1
1995
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
Estimating of bare surface soil moisture and surface roughness parameters using L-band SAR images data
1
1997
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
1
1994
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
A transition model for the reflection coefficient in surface scattering
2
2001
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
... AIEM模型是基于电磁辐射传输理论建立的地表散射模型［12-13］，可较好地模拟裸露地表的同极化后向散射系数，模型的输入参数可以概念化表达为： ...
Emission of rough surfaces calculated by the integral equation method with comparison to Three-Dimensional moment method simulation
2
2003
... 合成孔径雷达（Synthetic Aperture Radar，SAR）是生产高分辨率土壤水分产品的重要数据源，但雷达后向散射系数受多种因素影响，如土壤介电常数、地表粗糙度和植被等［3-4，6-7］.在裸露地表和稀疏植被覆盖区域，地表散射模型如半经验的Oh模型［8］、Dubois模型［9］和Shi模型［10］和以及基于微波散射机理构建的积分方程模型（Integral Equation Model，IEM）模型［11］和高级积分方程模型（advanced IEM， AIEM）模型［12-13］，可较好地模拟地表的后向散射系数.同半经验模型相比，AIEM模型可模拟更广泛真实地表的后向散射［1］.因此，在裸露地表或稀疏植被覆盖区域，往往采用AIEM模型模拟地表的后向散射并进行土壤水分反演研究. ...
... AIEM模型是基于电磁辐射传输理论建立的地表散射模型［12-13］，可较好地模拟裸露地表的同极化后向散射系数，模型的输入参数可以概念化表达为： ...
Quantifying the relative contributions of vegetation and soil moisture conditions to polarimetric C-band SAR response in a temperate peatland
1
2018
... 在植被覆盖区域，植被的存在通常会降低微波信号对土壤水分的敏感性，产生更为复杂的体散射，使地表散射模型难以实现植被覆盖区域土壤水分的精确反演.因而，植被散射贡献的准确量化对植被覆盖区域土壤水分的高精度反演显得至关重要，但现有基于地表散射的模型较难以对植被的散射贡献与土壤的散射贡献进行有效区分［14］.通常采用半经验植被散射模型，如水云模型（Water Cloud Model，WCM）［15］和比值植被模型［16-17］，以及理论模型，如MIMICS模型［18］和Tor Vergata模型［19-20］等更加复杂的模型，对植被散射贡献进行模拟.理论模型虽然可较好地刻画微波辐射传输过程，但由于模型复杂且所需要输入地表参数较多，在实际应用中对土壤水分反演较为困难.比如Tor Vergata模型［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
Vegetation modeled as a water cloud
1
1978
... 在植被覆盖区域，植被的存在通常会降低微波信号对土壤水分的敏感性，产生更为复杂的体散射，使地表散射模型难以实现植被覆盖区域土壤水分的精确反演.因而，植被散射贡献的准确量化对植被覆盖区域土壤水分的高精度反演显得至关重要，但现有基于地表散射的模型较难以对植被的散射贡献与土壤的散射贡献进行有效区分［14］.通常采用半经验植被散射模型，如水云模型（Water Cloud Model，WCM）［15］和比值植被模型［16-17］，以及理论模型，如MIMICS模型［18］和Tor Vergata模型［19-20］等更加复杂的模型，对植被散射贡献进行模拟.理论模型虽然可较好地刻画微波辐射传输过程，但由于模型复杂且所需要输入地表参数较多，在实际应用中对土壤水分反演较为困难.比如Tor Vergata模型［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
Soil moisture retrieval during a corn growth cycle using L-band （1.6 GHz） Radar observations
3
2008
... 在植被覆盖区域，植被的存在通常会降低微波信号对土壤水分的敏感性，产生更为复杂的体散射，使地表散射模型难以实现植被覆盖区域土壤水分的精确反演.因而，植被散射贡献的准确量化对植被覆盖区域土壤水分的高精度反演显得至关重要，但现有基于地表散射的模型较难以对植被的散射贡献与土壤的散射贡献进行有效区分［14］.通常采用半经验植被散射模型，如水云模型（Water Cloud Model，WCM）［15］和比值植被模型［16-17］，以及理论模型，如MIMICS模型［18］和Tor Vergata模型［19-20］等更加复杂的模型，对植被散射贡献进行模拟.理论模型虽然可较好地刻画微波辐射传输过程，但由于模型复杂且所需要输入地表参数较多，在实际应用中对土壤水分反演较为困难.比如Tor Vergata模型［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
... 本研究采用半经验比值植被模型［16-17］以消除植被对土壤水分反演的影响，该模型假设当卫星传感器系统配置参数确定时，裸露地表的后向散射系数与总后向散射系数的比值只与植被的生长变化有关： ...
... 其中：a和b表示模型的待拟合系数，上述植被散射贡献的表达式，已被成功地应用于以玉米为主的农业区，且土壤水分反演取得了较好的反演效果［16-17］.为了分析植被散射贡献参数化对土壤水分反演的影响，选择4种光学植被参数NDVI、EVI、LAI和FPAR对公式（4）中的VI进行参数化，同时选择VH交叉极化后向散射系数进行参数化，进而分析双极化Sentinel-1数据反演农田地表土壤水分的可行性与有效性. ...
Effect of corn on C- and L-band radar backscatter： a correction method for soil moisture retrieval
3
2010
... 在植被覆盖区域，植被的存在通常会降低微波信号对土壤水分的敏感性，产生更为复杂的体散射，使地表散射模型难以实现植被覆盖区域土壤水分的精确反演.因而，植被散射贡献的准确量化对植被覆盖区域土壤水分的高精度反演显得至关重要，但现有基于地表散射的模型较难以对植被的散射贡献与土壤的散射贡献进行有效区分［14］.通常采用半经验植被散射模型，如水云模型（Water Cloud Model，WCM）［15］和比值植被模型［16-17］，以及理论模型，如MIMICS模型［18］和Tor Vergata模型［19-20］等更加复杂的模型，对植被散射贡献进行模拟.理论模型虽然可较好地刻画微波辐射传输过程，但由于模型复杂且所需要输入地表参数较多，在实际应用中对土壤水分反演较为困难.比如Tor Vergata模型［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
... 本研究采用半经验比值植被模型［16-17］以消除植被对土壤水分反演的影响，该模型假设当卫星传感器系统配置参数确定时，裸露地表的后向散射系数与总后向散射系数的比值只与植被的生长变化有关： ...
... 其中：a和b表示模型的待拟合系数，上述植被散射贡献的表达式，已被成功地应用于以玉米为主的农业区，且土壤水分反演取得了较好的反演效果［16-17］.为了分析植被散射贡献参数化对土壤水分反演的影响，选择4种光学植被参数NDVI、EVI、LAI和FPAR对公式（4）中的VI进行参数化，同时选择VH交叉极化后向散射系数进行参数化，进而分析双极化Sentinel-1数据反演农田地表土壤水分的可行性与有效性. ...
A synergistic methodology for soil moisture estimation in an Alpine Prairie using radar and optical satellite data
1
2014
... 在植被覆盖区域，植被的存在通常会降低微波信号对土壤水分的敏感性，产生更为复杂的体散射，使地表散射模型难以实现植被覆盖区域土壤水分的精确反演.因而，植被散射贡献的准确量化对植被覆盖区域土壤水分的高精度反演显得至关重要，但现有基于地表散射的模型较难以对植被的散射贡献与土壤的散射贡献进行有效区分［14］.通常采用半经验植被散射模型，如水云模型（Water Cloud Model，WCM）［15］和比值植被模型［16-17］，以及理论模型，如MIMICS模型［18］和Tor Vergata模型［19-20］等更加复杂的模型，对植被散射贡献进行模拟.理论模型虽然可较好地刻画微波辐射传输过程，但由于模型复杂且所需要输入地表参数较多，在实际应用中对土壤水分反演较为困难.比如Tor Vergata模型［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
A fully polarimetric multiple scattering model for crops
2
1995
... 在植被覆盖区域，植被的存在通常会降低微波信号对土壤水分的敏感性，产生更为复杂的体散射，使地表散射模型难以实现植被覆盖区域土壤水分的精确反演.因而，植被散射贡献的准确量化对植被覆盖区域土壤水分的高精度反演显得至关重要，但现有基于地表散射的模型较难以对植被的散射贡献与土壤的散射贡献进行有效区分［14］.通常采用半经验植被散射模型，如水云模型（Water Cloud Model，WCM）［15］和比值植被模型［16-17］，以及理论模型，如MIMICS模型［18］和Tor Vergata模型［19-20］等更加复杂的模型，对植被散射贡献进行模拟.理论模型虽然可较好地刻画微波辐射传输过程，但由于模型复杂且所需要输入地表参数较多，在实际应用中对土壤水分反演较为困难.比如Tor Vergata模型［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
... ［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
Parameter optimization of a discrete scattering model by integration of global sensitivity analysis using SMAP active and passive observations
3
2019
... 在植被覆盖区域，植被的存在通常会降低微波信号对土壤水分的敏感性，产生更为复杂的体散射，使地表散射模型难以实现植被覆盖区域土壤水分的精确反演.因而，植被散射贡献的准确量化对植被覆盖区域土壤水分的高精度反演显得至关重要，但现有基于地表散射的模型较难以对植被的散射贡献与土壤的散射贡献进行有效区分［14］.通常采用半经验植被散射模型，如水云模型（Water Cloud Model，WCM）［15］和比值植被模型［16-17］，以及理论模型，如MIMICS模型［18］和Tor Vergata模型［19-20］等更加复杂的模型，对植被散射贡献进行模拟.理论模型虽然可较好地刻画微波辐射传输过程，但由于模型复杂且所需要输入地表参数较多，在实际应用中对土壤水分反演较为困难.比如Tor Vergata模型［19-20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
... -20］，在应用于土壤水分反演时需同时参数化土壤、植被冠层、枝叶、枯枝落叶层等10多个参数［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
... ［20］.因此，在实际土壤水分反演时，经常采用半经验模型来模拟植被的散射贡献.当前，大部分土壤水分反演方法通过耦合裸露地表散射模型和植被散射模型，来消除植被对土壤水分反演的影响. ...
Optimum surface roughness to parameterize advanced integral equation model for soil moisture retrieval in Prairie area using Radarsat-2 data
2
2016
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
... 其中：表示Sentinel-1卫星观测到的后向散射系数（dB）；表示耦合模型模拟的后向散射系数（dB）；n表示观测样本数.通过调整耦合模型中的未知系数，使上述的代价函数C取到最小值，得到的模型系数作为耦合模型的标定系数， AIEM模型中的地表粗糙度参数作为耦合模型的有效粗糙度参数.本研究采用查找表方法反演土壤水分，具体耦合模型标定方法和土壤水分反演方法参考文献［21］和［40］. ...
Effect of vegetation index choice on soil moisture retrieval via the synergistic use of Synthetic Aperture Radar and optical remote Sensing
2
2019
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
... ［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Potential of dubois model for soil moisture retrieval in Prairie areas using SAR and optical data
1
2015
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Method for soil moisture retrieval in arid prairie using TerraSAR-X data
1
2015
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
On the retrieval of soil moisture in wheat fields from L-band SAR based on water cloud modeling， the IEM， and effective roughness parameters
3
2011
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
... ［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
... ［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Assessment of different vegetation parameters for parameterizing the coupled water cloud model and advanced integral equation model for soil moisture retrieval using time series Sentinel-1A data
2
2019
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
... ［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model
1
2018
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Retrieval of high resolution soil moisture through combination of Sentinel-1 and Sentinel-2 data
1
2020
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Assessment of the dual polarimetric Sentinel-1A data for forest fuel moisture content estimation
1
2019
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Retrieval surface soil moisture over wheat and soybean fields during growing season using modified water cloud model from Radarsat-2 SAR data
1
2019
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
Retrieval of soil moisture by integrating Sentinel-1A and MODIS data over agricultural fields
2
2020
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
... 表2和图2表明，耦合模型模拟的后向散射系数与Sentinel-1观测值较为接近，这说明标定后的耦合模型可较好地模拟植被覆盖区域的后向散射系数；然而耦合模型在某些观测点上效果欠理想，但在时间序列上基本上能与Sentinel-1观测值保持较好的一致性.当VH表征植被散射贡献时，统计结果与其他4个植被参数结果相近，但在LasBodegas站点稍差.一方面是因为VH极化对植被较敏感，另一方面是因为VH极化与VV极化之间的相关性要优于VV极化与植被参数间的相关性.在LasBodegas站点，VH与VV极化的相关系数为0.68，而与其他4个植被参数NDVI、EVI、LAI和FPAR的相关系数几乎为零.在LasVacas站点，VH极化与VV极化的相关系数为0.72，而与NDVI和EVI的相关系数为0.26和0.28，而与LAI和FPAR的相关系数几乎为零.在Zamarron站点，VH极化与VV极化的相关系数为0.65，与NDVI和EVI的相关系数为0.23和0.18，而与LAI和FPAR的相关系数几乎为零.4个植被参数的统计结果非常相接，这主要是由于4个植被参数之间存在高度相关性，该现象与Han等［31］研究发现保持一致.比如在LasBodegas站点，NDVI与EVI的相关系数为0.97，当二者分别参数化植被散射贡献时的模型标定统计指标几乎相等；LAI与FPAR的相关系数为0.91，当二者分别参数化植被散射贡献时的模型标定统计指标相近. ...
Theoretical dvaluation of sater cloud model vegetation parameters
1
2019
... 无论是半经验植被散射模型还是理论模型，在应用于土壤水分反演时，均需要对植被的散射贡献进行参数化，现阶段常用光学植被参数进行植被散射贡献参数化，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［21-22］、增强植被指数（Enhanced Vegetation Index，EVI）［23-24］、叶面积指数（Leaf Area Index，LAI）［25］、光合有效辐射（Fraction of Photosynthetically Active Radiation，FPAR）［26］、植被含水量（Vegetation Water Content，VWC）［4，27-28］、叶片水面积指数（Leaf Water Area Index，LWAI）［25］、可燃物含水量（Fuel Moisture Content，FMC）［29］、植被面积指数（Plant Area Index，PAI）［30］等.例如，Bai等［6］利用4种植被参数NDVI、EVI、LAI和VWC对不同区域的植被散射贡献进行表征，结果表明不同区域最优表征植被参数不同，且与植被类型、植被稀疏程度等因素密切相关.Qiu等［22］利用MODIS和Landsat数据分别获取NDVI、EVI和LAI并用于WCM模型中植被参数化，结果表明不同卫星的植被参数的选择对土壤水分反演影响不大.He等［26］利用不同的植被参数NDVI、EVI、LAI和FPAR分别对植被的散射和衰减特性进行表征，结果表明植被散射和衰减特性采用不同植被参数表征有助于土壤水分反演精度的提高.Lievens 和Verhoest［25］利用LAI、VWC和LWAI分别表征植被的散射和衰减特性，结果发现利用LAI进行植被散射特性表征时，土壤水分的反演结果最好.Han等［31］基于Sentinel-1A数据和MODIS数据研究发现LAI可以较好地表征植被的散射特性.从理论分析的角度，Park等［32］研究发现VWC可较好地表征植被散射特性.综上可知，植被参数，如NDVI、EVI、LAI、FPAR和VWC等，已普遍被应用于植被散射和衰减特性的表征，尤其是LAI和VWC在实际土壤水分反演应用中较多. ...
ESA Copernicus Open Access Hub：
1
... 随着搭载SAR传感器卫星的不断发射以及SAR数据的不断积累，其中Sentinel-1卫星已积累了6 a的连续观测数据［33］，那么如何有效利用SAR数据的多极化信息，进而消除在表征植被散射贡献时对光学植被参数的过度依赖，已成为现阶段土壤水分反演研究的热点与难点.Greifeneder等［5］利用Scatterometer数据提供的VH极化与VV极化的比值反演了全球土壤水分.Li和Wang［34］尝试利用HV交叉极化和雷达植被指数（Radar Vegetation Index， RVI）模拟植被的散射贡献，结果表明HV的效果较好.Dabrowska-Zielinska等［35］利用VV同极化和VH交叉极化的比值和差值来表征植被的散射贡献. ...
Using SAR-derived vegetation descriptors in a water cloud model to improve soil moisture retrieval
1
2018
... 随着搭载SAR传感器卫星的不断发射以及SAR数据的不断积累，其中Sentinel-1卫星已积累了6 a的连续观测数据［33］，那么如何有效利用SAR数据的多极化信息，进而消除在表征植被散射贡献时对光学植被参数的过度依赖，已成为现阶段土壤水分反演研究的热点与难点.Greifeneder等［5］利用Scatterometer数据提供的VH极化与VV极化的比值反演了全球土壤水分.Li和Wang［34］尝试利用HV交叉极化和雷达植被指数（Radar Vegetation Index， RVI）模拟植被的散射贡献，结果表明HV的效果较好.Dabrowska-Zielinska等［35］利用VV同极化和VH交叉极化的比值和差值来表征植被的散射贡献. ...
Soil moisture in the Biebrza wetlands retrieved from Sentinel-1 imagery
1
2018
... 随着搭载SAR传感器卫星的不断发射以及SAR数据的不断积累，其中Sentinel-1卫星已积累了6 a的连续观测数据［33］，那么如何有效利用SAR数据的多极化信息，进而消除在表征植被散射贡献时对光学植被参数的过度依赖，已成为现阶段土壤水分反演研究的热点与难点.Greifeneder等［5］利用Scatterometer数据提供的VH极化与VV极化的比值反演了全球土壤水分.Li和Wang［34］尝试利用HV交叉极化和雷达植被指数（Radar Vegetation Index， RVI）模拟植被的散射贡献，结果表明HV的效果较好.Dabrowska-Zielinska等［35］利用VV同极化和VH交叉极化的比值和差值来表征植被的散射贡献. ...
Validation of SMOS L2 soil moisture data in the REMEDHUS Network （Spain）
1
2012
... 以西班牙杜罗盆地中部的REMEDHUS土壤水分和地表温度地面监测网络（41.1º~41.5º N，5.1º~5.7º W）覆盖范围为研究区（1 300 km2）［36］，该地区地势平坦，海拔高度位于700~900 m之间，为大陆性半干旱性地中海式气候，多年平均降雨量为385 mm，平均温度为12 ℃，平均潜在蒸发量为908 mm，最大月平均降雨量发生在5月份（约为47 mm），最小月平均降雨量发生在8月份（约为11 mm）.该地区主要植被覆盖类型为冬季和春季的雨养谷物（78%），夏季的灌溉农作物（5%）和葡萄园（3%），还有一些零星分布的林地和牧场（13%）.雨养谷物的生长周期包括秋季的播种期，春季的发育期和初夏的成熟期. ...
International Soil Moisture Network：
1
... REMEDHUS作为国际土壤水分网站（International Soil Moisture Network， ISMN）的重要组成部分，自1999年至2009年，其地面监测网已经布设了23个地面监测站点（图1）.监测参数为土壤水分和土壤温度数据，土壤水分的监测仪器为Stevens Hydra Probe，监测深度为0~5 cm，采样间隔为1 h.本研究REMEDHUS的地表实测土壤水分数据来自ISMN网站［37］. ...
Microwve dielectric behavior of wet soil part II： dielectric mixing models
1
1985
... 土壤介电常数与地表土壤水分之间的关系采用Dobson模型［38］进行计算，参见式（2）： ...
Remote sensing of soil moisture using EMAC/ESAR data
1
1997
... 实验采用有效粗糙度参数［39］对AIEM模型的粗糙度参数均方根高度和相关长度进行参数化，其中均方根高度的变化范围为0.5~2.0 cm，相关长度的变化范围为5~20 cm，增量分别为0.1 cm和1.0 cm.根据对地面实测土壤水分分析，将土壤水分的变化范围设置为0.01~0.40 m3/m3，以保证地表土壤水分变化范围全部被覆盖.根据Sentinel-1卫星传感器参数和研究区地表参数，利用AIEM模型进行前向模拟，建立C波段雷达系统在VV极化的后向散射系数数据库. ...
First assessment of Sentinel-1A data for surface soil moisture estimation using a coupled water cloud model and advanced integral equation model over the Tibetan Plateau
0
2017
