遥感技术与应用, 2022, 37(6): 1404-1413 doi: 10.11873/j.issn.1004-0323.2022.6.1404

土壤水分专栏

Sentinel-1和Sentinel-2协同反演地表土壤水分

杜绍杰,1,2, 赵天杰,1, 施建成3, 马春锋4, 邹德富4, 王振5, 姚盼盼1, 彭志晴1, 郑景耀6

1.中国科学院空天信息创新研究院 遥感科学国家重点实验室，北京 100101

2.中国科学院大学，北京 100049

3.中国科学院国家空间科学中心，北京 100190

4.中国科学院西北生态环境资源研究院，甘肃 兰州 730000

5.国家基础地理信息中心，北京 100830

6.河海大学 水文水资源学院，江苏 南京 210024

Sentinel-1 and Sentinel-2 Synergistic Retrieval of Surface Soil Moisture

Du Shaojie,1,2, Zhao Tianjie,1, Shi Jiancheng3, Ma Chunfeng4, Zou Defu4, Wang Zhen5, Yao Panpan1, Peng Zhiqing1, Zheng Jingyao6

1.State Key Laboratory of Remote Sensing Science，Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing 100101，China

2.University of Chinese Academy of Sciences，Beijing 100049，China

3.National Space Science Center，Chinese Academy of Sciences，Beijing 100190，China

4.Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

5.National Basic Geographic Information Center，Beijing 100830，China

6.School of Hydrology and Water Resources，Hohai University，Nanjing 210024，China

通讯作者: 赵天杰（1985-），男，河南周口人，副研究员，主要从事微波遥感研究。E⁃mail:zhaotj@aircas.ac.cn

收稿日期: 2022-05-22   修回日期: 2022-10-26  

基金资助: 第二次青藏高原综合科学考察研究专题“亚洲水塔区水循环动态监测与模拟”.  2019QZKK0206

Received: 2022-05-22   Revised: 2022-10-26  

作者简介 About authors

杜绍杰（1992-），男，河南开封人，硕士研究生，主要从事主动微波土壤水分反演研究E⁃mail:dushaojie19@mails.ucas.ac.cn , E-mail：dushaojie19@mails.ucas.ac.cn

摘要

土壤水分是水文循环、生态环境、气候变化等研究中的关键参数，获取高分辨率长时间序列的土壤水分信息对农业管理、作物生长监测等具有重要的意义，同时也是研究的难点。基于时间序列（2019年至2020年）的Sentinel-1雷达数据和Sentinel-2光学数据，构建了地表土壤水分的雷达与光学数据协同反演模型，即裸土条件下地表土壤水分的变化检测方法，并利用归一化植被指数对植被影响进行校正，实现了青藏高原多年冻土区（五道梁）100 m空间分辨率的土壤水分反演。与地面实际观测的土壤水分进行对比验证，结果表明土壤水分反演结果与地面实测数据的相关系数介于0.672与0.941之间，无偏均方根误差介于0.031 m3/m3与0.073 m3/m3之间，土壤水分变化与区域降水事件和特征密切相关，验证了本文提出的考虑植被物候的变化检测方法在地势平坦、植被稀疏的青藏高原地区具有极高的适用性。

关键词： 土壤水分 ; 变化检测 ; 多年冻土 ; 青藏高原 ; Sentinel-1/2

Abstract

Soil moisture is a key parameter in the study of hydrological cycle， ecological environment， climate change， etc.， The acquisition of high-resolution long time series soil moisture information is of great significance for agricultural management and crop growth monitoring， and remote sensing monitoring is also a difficult problem in research. Based on the Sentinel-1 radar data and Sentinel-2 optical data of the time series（2019—2020）， this paper constructs a synergistic retrieval model of surface soil moisture， that is， a method for detecting changes in surface soil moisture under bare soil conditions， And the normalized vegetation index was used to correct the vegetation impact. The proposed method has achieved soil moisture mapping with a spatial resolution of 100 meters in the permafrost region （Wudaoliang） of the Qinghai-Tibet Plateau. The comparison and validation with the in-situ measured soil moisture observed show that the correlation coefficient between the soil moisture estimates and the ground measurements is 0.672≤R≤0.941， and the unbiased root mean square error （ubRMSE） is between 0.031 m3/m3 and 0.073 m3/m3. Soil moisture changes are closely related to regional precipitation events and characteristics， verifying that the change detection method proposed in this study has high applicability in the flat terrain and sparse vegetation areas on the Qinghai-Tibet Plateau.

Keywords： Soil moisture ; Change detection ; Permafrost ; Qinghai-Tibet Plateau ; Sentinel-1/2

PDF (3585KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

杜绍杰, 赵天杰, 施建成, 马春锋, 邹德富, 王振, 姚盼盼, 彭志晴, 郑景耀. Sentinel-1和Sentinel-2协同反演地表土壤水分. 遥感技术与应用[J], 2022, 37(6): 1404-1413 doi:10.11873/j.issn.1004-0323.2022.6.1404

Du Shaojie, Zhao Tianjie, Shi Jiancheng, Ma Chunfeng, Zou Defu, Wang Zhen, Yao Panpan, Peng Zhiqing, Zheng Jingyao. Sentinel-1 and Sentinel-2 Synergistic Retrieval of Surface Soil Moisture. Remote Sensing Technology and Application[J], 2022, 37(6): 1404-1413 doi:10.11873/j.issn.1004-0323.2022.6.1404

1 引 言

土壤水分是影响陆地表层水循环、能量循环、碳循环中的重要参数［1-2］，是研究陆表—大气之间能量和物质交换的关键变量［3-4］。表层土壤水分既受到气候变化的影响［5］，又对气候变化具有反馈作用［6］。土壤水分在空间上具有高度异质性［7］，目前主流的基于被动微波遥感影像获取的土壤水分产品，如SMOS（Soil Moisture Ocean Salinity）、SMAP（Soil Moisture Active Passive）等在小区域尺度不足以表征土壤水分的空间异质性，无法满足生态环境监测［8］、农作物评估［9］、洪水预警［10，11］等领域的应用需求，因此发展高分辨率的土壤水分反演方法具有重要意义。

合成孔径雷达是一种主动微波遥感方式，在土壤水分反演中具有空间分辨率高的优势［12］，然而，影响雷达后向散射的因素不仅包括土壤水分，还包括土壤粗糙度、植被（含水量与植被结构）、雷达入射角等其他参数［13］，并且土壤水分往往不是主导后向散射特征的最敏感参数，使得基于雷达的土壤水分反演较为困难。

针对裸地，研究者们已经建立了理论模型、经验模型以及半经验模型描述微波信号和土壤（随机粗糙面）的相互作用关系。传统的理论模型包括基尔霍夫近似模型（物理光学模型和几何光学模型是基尔霍夫近似在不同假设条件下的特例）、小扰动模型等，这些模型在实际应用中因适用粗糙度范围较窄而受到限制。以积分方程模型（Integral Equation Model， IEM）为代表的随机粗糙面散射模型因具有更大的粗糙度适用范围而获得了广泛的应用［14］，其改进模型AIEM［15］（Advanced Integral Equation Model， AIEM）更是在密度谱函数和光谱反射系数泛化方面具有独特的优势［16］。常见的经验模型有Oh模型［17-19］、Dubois模型［20］以及Shi等［21］利用IEM模型发展的半经验模型。

由于植被的影响，以上模型不能直接应用于植被覆盖地表的土壤水分反演。为描述植被与微波信号的相互作用，Ulaby等［22］提出的密歇根微波植被散射模型（Michigan Microwave Canopy Scattering， MIMICS），较完整地描述了森林冠层的散射特性，但该模型对植被冠层刻画较为复杂，模型参数较多难以在实际反演中进行应用。Attema和Ulaby提出考虑植被单次散射的水云模型（Water Cloud Model， WCM），由于模型较为简单，且能保证模拟精度，该模型广泛适用于农作物等低矮植被覆盖下土壤水分的反演［23］。随着植被增加，其对后向散射的贡献逐渐占据主导地位，土壤水分反演的难度与误差增大。

消除地表粗糙度和植被对雷达后向散射的影响是雷达土壤水分反演算法的关键［24-25］。学者们发展了查找表方法、多极化数据反演方法、迭代方法、基于神经网络的方法等一系列土壤水分反演方法［26］，查找表法借助于微波散射模型建立不同地表参数下后向散射系数的表格，反演过程中根据实测后向散射系数查找对应的土壤水分信息。查找表法简单高效［27］，但反演精度受限于所使用模型对地表后向散射描述的精度。基于多极化数据的方法可以利用不同极化雷达数据分离植被和粗糙度对后向散射的贡献［28-30］，赵天杰等［31］将同极化与交叉极化结合进行地表粗糙度的估计以分离粗糙度对后向散射的影响，提升了土壤水分的反演精度。迭代方法构建代价函数并利用遗传算法、支持向量机、模拟退火等优化方法反演土壤水分［32］。近年来，学者利用神经网络在土壤水分反演中也取得了较好的效果，神经网络算法首先利用物理模型生成训练数据和验证数据，并建立后向散射系数与土壤水分之间的复杂非线性关系来反演土壤水分［33-34］。利用物理模型和神经网络算法大都需要精确的地表参数作为输入数据，但地表参数的空间异质性以及模型的欠精确性使得神经网络方法在获取大范围、高鲁棒性的反演结果仍然较为困难［35］。

以多时相观测数据为基础的变化检测等方法为解决土壤水分反演中的欠定问题提供了方案。地表粗糙度的变化相对于土壤水分的变化是缓慢的，因此假定在短观测周期内粗糙度不变，利用雷达多次观测数据，可以认为后向散射系数的变化是由土壤水分的变化引起［36］。Wagner等［37］基于ERS散射计建立后向散射系数和土壤水分之间的关系反演土壤水分，证明了变化检测法在土壤水分反演中的巨大潜力。对于植被覆盖地表，需要将植被对后向散射的影响从总的后向散射中剥离［38-39］。姜灵海等［40］利用水云模型校正植被覆盖下的后向散射系数进而利用变化检测法反演土壤水分，Zribi等［41］基于散射计数据通过建立归一化植被指数（Normalized Differential Vegetation Index， NDVI）和后向散射系数差之间的经验关系，有效消除了植被带来的影响。Gao等［42］提出两种消除植被影响的方法，一种基于观测周期内后向散射减去最干燥土壤对应的后向散射的差，另一种基于连续两个日期观测到的后向散射系数之间的差，并发现后者具有更好的反演效果。

为了建立简单、有效且合理的函数表征植被对后向散射影响的关系，本文将后向散射差表示为任一时刻观测与该观测周期内最小后向散射的差，同时最小后向散射系数对应于该周期内最小土壤水分。因植被覆盖地表下得到的后向散射最大差值不总是对应着裸土条件下的后向散射最大差值，故利用NDVI对后向散射差值的植被影响进行校正，得到裸土表面的后向散射最大差值。在五道梁地区与土壤水分地面观测数据对比评估该模型的适用性。

2 研究区与数据源

2.1　研究区概况

研究区位于青藏高原腹地的多年冻土区（图1），经度范围为92°59′14.3″—93°21′39.6″ E，纬度范围为34°59′28.2″—34°59′28.2″ N，该地区属于高原大陆性气候，年平均气温为-5.2 °C，冻土活动层冻结期从9月至下一年4月，研究区年平均潜在蒸发量为1 316.9 mm［43］。年均降水量为290.9 mm，降水主要分布在6至8月，该时期降水量占年总降雨量的80%以上。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区概况

Fig.1   Overview of the study area


研究区内部地形地貌较为复杂，如图1（b），研究区域海拔在4 523—5 119 m。北部呈线状分布的低海拔条带为楚玛尔河河谷，河谷两岸地形较为平坦，主要为裸露和稀疏植被地表，土壤质地主要以含有砂粒较多的砂土为主。中南部为山丘，夏季山丘土壤融化，为山谷以及两侧提供了大量水源，南北两侧平坦地带分布有大量的热熔湖河，山丘两侧较为平坦，海拔相近，但地表覆盖差异明显，山丘北部植被发育程度高，主要地表覆盖类型为高原草甸，在靠近山丘的数公里内为高原沼泽草甸，土壤类型主要为粘土。南部植被发育较低，主要以裸地及高原荒漠为主。

研究区为长宽36 km×36 km的方形区域，如图1（c），红色三角形标志为五道梁温湿度观测网络下的10个土壤水分观测站点，10个站点涵盖了研究区内典型的地表覆盖类型。

2.2　数据源

2.2.1　地面测量数据

五道梁土壤温湿度观测网络建立于2019年9月，观测站涵盖10个土壤湿度监测站点，观测仪器每30 min获取不同土壤深度的土壤水分数据。利用基于烘干法测量的土壤水分数据对观测仪器获取的数据进行校准。

土壤水分地面观测数据的时间覆盖范围为2019年9月至2020年10月。考虑Sentinel-1雷达卫星的过境时间以及C波段雷达的穿透特性，本文选取上午7：30和8：00两次5 cm深度的土壤水分观测平均值作为验证数据。

2.2.2　Sentinel-1

Sentinel系列卫星由欧空局（European Space Agency， ESA）为实施“哥白尼”计划而开发，目前已发展了涵盖雷达和光学卫星的4个系列卫星（Sentinel-1/2/3/5），在陆地和海洋监测、气候变化以及空气质量等研究中具有重要作用。

Sentinel-1是基于C波段的雷达成像系统，由两颗极轨卫星A星和B星组成。其双星系统在部分地区的重访周期可由12 d缩短到6 d。Sentinel-1提供4种极化产品且具有4种工作模式，分别为条带模式（Stripmap Model， SM）、干涉宽幅模式（Interferometric Wide Swath， IW）、超宽幅模式（Extra-Wide Swath，EW）和波模式（Wave Mode，WM）。本研究使用IW模式下的GRD产品。

为了避免不同传感器和不同轨道带来的误差，本文选取覆盖研究区的A星共60景降轨数据，极化方式为VV极化。数据起始范围为2019年1月至2020年12月，空间分辨率为5 m × 20 m、重访周期为12 d。GEE已经对来源于欧空局的原始数据进行如下处理：①热噪声去除；②辐射校正；③基于SRTM（Shuttle Radar Topography Mission， SRTM）30 m分辨率数据的地形校正。在GEE处理的基础上，本文对研究区60景影像依次进行：

（1）基于Refined­Lee滤波去除相干斑噪声；

（2）局地入射角归一化：

地表的雷达后向散射对入射角度敏感。考虑到研究区地形地貌较为复杂，基于Sentinel-1的轨道参数结合SRTM 30 m分辨率数字高程模型计算了每一个像元的局地入射角。为了后续在同一个角度下与SMAP产品进行分析，根据公式（1）［44］将所有像元的后向散射系数归一化到40°。

σθref=σθcos2θrefcos2θ

基中：θ为局地入射角；θref为归一化的参考入射角，在本研究中设置为40°；σθ为Sentinel-1观测的后向散射数据；σθref为参考入射角下的后向散射系数。

（3）雷达图像升尺度至100 m分辨率

将100 m分辨率下的每个像元的值设定为对应的100个10 m分辨率像元的平均值，后向散射平均到100 m分辨率可以减弱像元内的散斑效应，并降低异常值的影响，增加数据的稳定性。最后将处理后的后向散射系数转换为dB单位。

2.2.3　Sentinel-2

Sentinel-2高分辨率多光谱成像卫星系统由运行在近极地轨道上的A、B两颗卫星组成。双星联合观测可以达到5 d的重访周期。其携带的多光谱成像仪（MSI）覆盖了13个波段，提供10 m分辨率的可见光和10/20 m分辨率的近红外数据。研究采用GEE云平台提供的Sentinel­2 L2A产品，L2A产品由L1C数据经大气校正转换为大气底部反射率生成。数据时间从2019年1月至2020年12月共288景数据。

未经去云的像元使后续计算出现偏差，波段“QA60”是一个包含云掩码信息的波段，用于去除被云覆盖的区域，因此对每一景预处理后的数据去除云像元并计算NDVI。NDVI的计算公式如下：

NDVI =NIR ­ RedNIR + Red

其中：Red（Band-4）和NIR（Band-8）分别为红光和近红外波段的反射率。

去除云像元后的数据计算出来的NDVI仍然含有异常值，表现为某像元的NDVI值在时间序列上相比前一次观测明显升高随后在下次观测又明显降低，经过分析这些异常NDVI值对应于云层在地表投射的阴影，为了降低云阴影带来的误差，根据像元的NDVI时间序列信息，检索在时间序列上异常变化的像元并将其判定为云阴影去除。

将NDVI小于0的像元认为主要为水体，通过与光学数据验证对比，该方法可以较好的去除楚玛尔河河床和热熔湖对应的像元。为了与Sentinel-1雷达数据对应，研究选取了与Sentinel-1获取时间相差3 d内的NDVI数据，并将10 m分辨率的NDVI数据重采样到100 m分辨率。

原始NDVI数据在去除云及云阴影之后含有大量空值像元。NDVI代表植被的生长状况与覆盖度，因此在短时间内变化较小，本文选取NDVI空缺的日期前后两次观测的平均值进行空值填充。

3 反演方法

3.1　裸土条件下的变化检测法

裸露土壤的后向散射主要受土壤水分和土壤表面粗糙度的影响，当裸土粗糙度变化较小的时候，可以认为其对后向散射的贡献保持稳定。因此利用雷达对同一区域进行连续观测，可以忽略粗糙度对后向散射变化的影响，此时认为观测到的地表后向散射变化主要由土壤水分变化引起。因此建立后向散射变化对土壤水分变化的响应关系可以实现对土壤水分的反演。

假设裸土条件下雷达极化后向散射与土壤水分之间存在线性响应关系，有如下公式：

σsoil=p∙SM+q

其中：σsoil为雷达极化后向散射系数；SM为体积土壤水分含量（m3/m3）；p表示雷达信号对土壤水分的敏感性；q主要受土壤粗糙度、雷达波长、入射角等参数的影响［45］，对于时间序列雷达数据，因为在观测周期内利用同一传感器进行观测，因此在公式（3）中将q视为常数。

在重复观测周期内，当土壤湿度达到最大值SMmax的时候，后向散射取得最大值σmaxsoil。此时有：

σmaxsoil=p∙SMmax+q 

同样当土壤湿度达到最小值SMmin时，后向散射取得最小值σminsoil。有：

σminsoil=p∙SMmin+q 

观测周期内土壤水分分最大变化量SMmax-SMmin=∆SMmax，根据公式（4）和（5），此时观测周期内后向散射系数的最大变化量可以表示为：

∆σmaxsoil=σmaxsoil-σminsoil=p∙∆SMmax

其中：∆σmaxsoil为后向散射在观测周期内的最大变化量。

对于观测周期内第t天的土壤水分SMt以及对应的后向散射系数σtsoil，第t天土壤水分相对于最小土壤水分的变化量∆SMt=SMt-SMmin，此时有：

∆σtsoil=σtsoil-σminsoil=p∙∆SMt

其中：∆σtsoil为第t天的后向散射系数相对于观测周期内最小后向散射σminsoil的变化量。因此根据公式（6）和（7），有如下表达式：

∆σtsoil∆σmaxsoil=∆SMt∆SMmax=SMt-SMminSMmax-SMmin

根据后向散射的变化量可以获得土壤水分的变化量。

3.2　考虑植被对后向散射的影响

对于植被覆盖地表，后向散射的变化不仅受到土壤水分变化的影响，也受到地表植被覆盖的影响。假设将总的后向散射变化量表示为裸土下后向散射的变化量与植被影响的和：

∆σt=a∙NDVI+∆σtsoil

其中：∆σt表示观测周期内第t天相对最干燥时刻的后向散射系数变化量；NDVI表示植被因素；a为植被对后向散射变化量的影响系数。∆σtsoil为相对于裸土条件下的后向散射变化量。

如图2，结合观测到的植被覆盖地表后向散射系数变化量及对应的植被指数，即可求得相对于裸土条件下的后向散射系数变化量。观测到的植被覆盖地表后向散射系数变化量可由Sentinel-1观测数据计算得出，NDVI由Sentinel-2计算得出。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   NDVI对后向散射系数变化量的影响关系

Fig.2   The influence of NDVI on the variation of backscattering coefficient


因此对于给定的NDVI下的后向散射变化量，通过公式（9）将其转化为裸土条件下（即NDVI=0）的后向散射变化量。根据NDVI对后向散射影响的经验关系，计算得到每一个像元相对于裸土下的后向散射系数变化量，根据公式（8）即可求出每次观测的土壤水分相对含量。

当t取观测周期内后向散射变化最大值时，植被对后向散射最大变化量的影响关系可以用如下公式表示：

∆σmax=a∙NDVI+∆σsoil

其中：∆σmax为观测周期内后向散射的最大变化量；∆σsoil为对应的地表土壤的后向散射的变化量。

图3展示了研究区域不同NDVI下后向散射的变化趋势。在计算时去除NDVI小于0.1的像元和NDVI大于0.75的像元，并以0.015作为间隔将NDVI划分为连续的小区间，在每一个小区间取后向散射最大的部分作为该区间后向散射变化的最大值，最后得到NDVI在0.1—0.75之间的最大值部分（图3紫色点），对这些最大值点进行线性拟合，确定植被对后向散射最大变化量的影响系数a=-3.93。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   研究区域不同NDVI下后向散射变化量的趋势

Fig.3   The trend of backscattering variation under different NDVI in the study area


4 结果与分析

4.1　与地面站点观测数据对比

利用以上发展的变化检测方法进行土壤水分反演，为了得到土壤水分，从五道梁地面温湿度观测网络的土壤水分实测数据中得到需要的土壤水分最小值和最大值。并将10个观测站点对应的100 m分辨率土壤水分反演结果和地面观测数据进行对比。如图4所示，本文中提出的变化检测法表现出了良好的性能，反演值与实测值相关系数达到0.904，反演结果相对实测含水量较大，均方根误差为0.062 m3/m3。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   土壤水分反演值与地面观测值对比

Fig.4   Comparison of soil moisture inversion values and ground observations


4.2　站点时间序列对比分析

图5为研究区内10个站点土壤水分观测值与反演值在观测周期内的变化趋势。从图中可知，研究区内观测站点的土壤水分在一年中季节性波动明显，同一时期不同的站点之间土壤水分差异较大，体现了土壤水分空间分布的异质性，这种差异与植被覆盖等相关［46］。同时说明发展植被校正下的高空间分辨率土壤水分算法和产品具有重要的意义。冬季研究区表层土壤未冻水分变化较为平稳，本文反演的为冻土中的未冻水，10个站点的最大土壤水分均不超过0.1 m3/m3。5月份随着气温上升，冻土融化［47］，10个观测站点的土壤水分均开始增加，其中站点7和站点8在观测周期内土壤水分最大可达到0.5 m3/m3以上。其他站点夏季最大土壤水分在0.25 m3/m3附近。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   10个站点土壤水分反演值与地面观测值的时间序列验证

Fig.5   Time series verification of soil moisture inversion values and ground observations at 10 sites


变化检测法反演的土壤水分在10个站点均能表达出土壤水分在一年中的变化趋势，表1展示了10个点的反演值与地面观测值之间的验证指标。10个站点反演的土壤水分值均与地面观测值相关性较好。2号站点在10个站点中的相关系数最小（R=0.692），其他9个地面观测站点相关系数都达到或接近0.8，特别是站点7和站点8相关系数分别为R=0.915和R=0.944，站点7和站点8位于研究区中部的高原草甸，这两个站点在观测周期内土壤水分最大分别达到0.60 m3/m3和0.50 m3/m3，表明变化检测算法在高土壤水分区间仍具有良好的适用性。

表1   10个站点土壤水分反演值与地面观测值的验证指标

Table 1  Validation indicators of soil moisture inversion values and ground observations at 10 sites

站点12345678910
R0.8060.6920.8490.7850.8110.7720.9150.9440.8560.876
RMSE/(m3/m3)0.0320.0490.0200.0820.0320.0780.1100.0820.0270.038
ubRMSE/(m3/m3)0.0310.0490.0170.0470.0290.0520.0720.0500.0270.036

新窗口打开| 下载CSV


变化检测法在冬季反演的土壤水分相对地面观测数据均出现了不同程度的高估，且土壤水分反演值出现较为明显的波动。五道梁地区属于多年冻土区，冬季土壤冻结，土壤水分主要以冰的形式存储在土壤中，本文反演的土壤水分为未冻水。冬季10个地面观测站点记录的数值（约为未冻水）均低于0.1 m3/m3，此时地表粗糙度对后向散射系数的影响可能大于土壤水分的影响［24］。五道梁地区年均风速4.1 m/s，最大风速可达40 m/s［47］，且冬季土壤干燥，土壤表面在风力、冻结的作用下产生变化，造成土壤粗糙度有别于夏季。然而本文方法忽略了地表粗糙度的时间变化，这是冬季的土壤水分反演值波动较大并存在高估的可能原因。

夏季，土壤水分对后向散射的影响占据主导因素，不同的站点的最大土壤水分值差异较大，站点1最大土壤水分为0.18 m3/m3，站点7的土壤水分最大值则可以达到0.60 m3/m3，不同站点的反演值均能很好的表达土壤水分的变化趋势，根据地面实测数据，站点4属于砂粒土质，站点5位于研究区的一处沙丘旁，两个站点土壤持水能力较弱，其土壤水分的变化主要由降雨引起，且其夏季土壤水分表现出明显的波动，其中站点4土壤水分观测数据在几天之内从0.3 m3/m3下降到0.1 m3/m3，本文的反演算法可以很好的捕捉到地面土壤水分的变化。整个观测周期内两个站点的相关系数分别达到R=0.785和R=0.811，均方根误差RMSE=0.082 m3/m3和RMSE=0.032 m3/m3。

4.3　研究区平均土壤水分变化分析

为了进一步评估变化检测法的反演结果，将2019年10月至2020年10月研究区域内10个站点的土壤水分反演数据和地面观测数据求平均值进行分析。如图6蓝色点为10个站点土壤水分反演值的平均值，黑色曲线为对应时期10个地面观测站点记录的土壤水分平均值，从时间序列上分析，反演数据在冬季表现出对土壤水分的高估，反演数据在夏季与地面观测数据相关性较好，整个观测周期内二者相关系数达到0.939，均方根误差为0.044 m3/m3，进一步验证了变化检测法进行土壤水分估算的潜力。图中绿色线段为国家气象局五道梁气象站的降雨量数据，数据来自于国家气象科学数据中心（http：∥data.cma.cn/）。在整个研究区，土壤水分的变化明显受降雨驱动，冬季降雨较少，土壤水分整体平稳且在0.05 m3/m3附近，4—5月份随着降雨增加，土壤逐渐变湿，降雨集中在6月至8月份，降雨量最大接近20 mm，土壤水分在此期间达到最大值0.287 m3/m3。这与土壤水分地面观测数据和雷达反演数据的趋势吻合。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   研究区平均土壤水分对比

Fig.6   Comparison of average soil moisture in the study area


5 结 论

雷达遥感是获取高分辨率土壤水分的重要方式，本研究针对传统变化检测方法对植被影响考虑的不足之处进行改进，将雷达后向散射的变化表示为植被变化与裸土后向散射变化的函数关系，并认为年内观测到的后向散射变化的最大差值并不对应与裸土条件下后向散射变化的最大差值，提出了一种改进的土壤水分变化检测方法。

在青藏高原五道梁地面观测站对改进后的变化检测法进行验证，该方法在10个地面观测站点均具有较高的相关性，可以敏锐的捕捉到短时间内降雨带来的土壤水分的变化。在冬季土壤水分反演值出现高估，可能与冬季土壤冻结程度差异导致土壤介电常数变化以及粗糙度受冻结形变的影响发生改变有关。

研究提出的变化检测法假设了在观测周期内土壤粗糙度不变，但是在实际的应用中，土壤粗糙度往往不是稳定不变的。未来的研究中若可以将土壤粗糙度对后向散射系数的改变纳入考虑，将会进一步改善变化检测算法的反演精度。同时，本文在植被校正中基于NDVI建立经验函数、不同植被指数的选择影响植被校正的结果［48］，同时该经验函数依赖于特定研究区，在其他地区是否适用需要进一步的分析。基于实测站点数据进行干湿参考值的确定，未来可考虑利用被动土壤水分产品获得区域干湿参考值以实现区域土壤水分的反演。

参考文献

Seneviratne S I， Corti T， Davin E L， et al.

Investigating soil moisture–climate interactions in a changing climate： A review

［J］. Earth-Science Reviews， 2010， 99（3-4）： 125-161.

[本文引用: 1]

Zhao Tianjie.

Recent advances of L-band application in the passive microwave remote sensing of soil moisture and its prospects

［J］.Progress in Geography， 2018，37（2）：198-213.

[本文引用: 1]

赵天杰.

被动微波反演土壤水分的L波段新发展及未来展望

［J］.地理科学进展，2018，37（2）：198-213.

[本文引用: 1]

Zhao T， Hu L， Shi J，et al.

Soil moisture retrievals using L-band radiometry from variable angular ground-based and airborne observations

［J］. Remote Sensing of Environment，2020，248： 111958. DOI:10.1016/j.rse.2020.111958 .

[本文引用: 1]

Zhang K， Wang Q， Chao L， et al.

Ground observation-based analysis of soil moisture spatiotemporal variability across a humid to semi-humid transitional zone in China

［J］. Journal of Hydrology， 2019， 574： 903-914.

[本文引用: 1]

Legates D R， Mahmood R， Levia D F， et al.

Soil moisture： A central and unifying theme in physical geography

［J］. Progress in Physical Geography， 2011， 35（1）： 65-86.

[本文引用: 1]

Seneviratne S I， Wilhelm M， Stanelle T， et al.

Impact of soil moisture‐climate feedbacks on CMIP5 projections： First results from the GLACE‐CMIP5 experiment

［J］. Geophysical Research Letters， 2013， 40（19）： 5212-5217.

[本文引用: 1]

Vereecken H， Huisman J A， Pachepsky Y， et al.

On the spatio-temporal dynamics of soil moisture at the field scale

［J］. Journal of Hydrology， 2014， 516： 76-96.

[本文引用: 1]

Robinson D A， Campbell C S， Hopmans J W， et al.

Soil moisture measurement for ecological and hydrological watershed-scale observatories： A review

［J］. Vadose Zone Journal， 2008， 7（1）： 358-389.

[本文引用: 1]

Ines A V M， Das N N， Hansen J W， et al.

Assimilation of remotely sensed soil moisture and vegetation with a crop simulation model for maize yield prediction

［J］. Remote Sensing of Environment， 2013， 138： 149-164.

[本文引用: 1]

Kim S， Paik K， Johnson F M， et al.

Building a flood-warning framework for ungauged locations using low resolution， open-access remotely sensed surface soil moisture， precipitation， soil， and topographic information

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018， 11（2）： 375-387.

[本文引用: 1]

Laiolo P， Gabellani S， Campo L， et al.

Impact of different satellite soil moisture products on the predictions of a continuous distributed hydrological model

［J］. International Journal of Applied Earth Observation and Geoinformation， 2016， 48： 131-145.

[本文引用: 1]

Ma C， Li X， McCabe M F.

Retrieval of high-resolution soil moisture through combination of Sentinel-1 and Sentinel-2 data

［J］. Remote Sensing，2020，12（14）：2303. DOI：10.3390/rs 12142303 .

[本文引用: 1]

Shi Jiancheng， Du Yang， Du Jinyang， et al.

Progress in inversion of surface parameters from microwave remote sensing

［J］. Chinese Science： Earth Science，2012，42（6）：814-842.

[本文引用: 1]

施建成， 杜阳， 杜今阳，等.

微波遥感地表参数反演进展

［J］. 中国科学：地球科学，2012，42（6）：814-842.

[本文引用: 1]

Qin Xiangdong， Pang Zhiguo， Jiang Wei， et al.

Progress and development trend of soil moisture microwave remote sensing retrieval me-thod

［J］. Journal of Geo-information Science，2021，23（10）：1728-1742.

[本文引用: 1]

覃湘栋， 庞治国， 江威，等.

土壤水分微波反演方法进展和发展趋势

［J］. 地球信息科学学报， 2021， 23（10）：1728-1742.

[本文引用: 1]

Fung A K， Li Z， Chen K S.

Backscattering from a randomly rough dielectric surface

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1992， 30（2）： 356-369.

[本文引用: 1]

Chen K S， Wu T D，

The emissionof rough surfaces calculated by the integral equation method with a comparison to a Three-dimensional moment method simulations

［J］. IEEE Transactions on Geoscience and Remote Sensing，2003,41(1):90-101.

[本文引用: 1]

Wu T D， Chen K S， Shi J， et al.

A transition model for the reflection coefficient in surface scattering

［J］. IEEE Transactions on Geoscience and Remote Sensing，2001，39（9）：2040-2050.

[本文引用: 1]

Oh Y， Sarabandi K， Ulaby F T.

An empirical model and an inversion technique for radar scattering from bare soil surfaces

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1992， 30（2）： 370-381.

Oh Y， Sarabandi K， Ulaby F T.

Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40（6）： 1348-1355.

[本文引用: 1]

Oh Y.

Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2004， 42（3）： 596-601.

[本文引用: 1]

Dubois P C， Van Zyl J， Engman T.

Measuring soil moisture with imaging radars

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1995， 33（4）： 915-926.

[本文引用: 1]

Shi J， Wang J， Hsu A Y， et al.

Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1997， 35（5）： 1254-1266.

[本文引用: 1]

Ulaby F T， Sarabandi K， Mcdonald K， et al.

Michigan microwave canopy scattering model

［J］. International Journal of Remote Sensing， 1990， 11（7）： 1223-1253.

[本文引用: 1]

Attema E P W， Ulaby F T.

Vegetation modeled as a water cloud

［J］. Radio Science， 1978， 13（2）： 357-364.

[本文引用: 2]

Zhao T， Shi J， Lv L， et al.

Soil moisture experiment in the Luan River supporting new satellite mission opportunities

［J］. Remote Sensing of Environment， 2020， 240： 111680.DOI:10.1016/j.rse.2020.111680 .

[本文引用: 1]

Satalino G， Mattia F， Davidson M W J， et al.

On current limits of soil moisture retrieval from ERS-SAR data

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40（11）： 2438-2447.

[本文引用: 1]

Merzouki A， McNairn H， Pacheco A.

Mapping soil moisture using Radarsat-2 data and local autocorrelation statistics

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2011， 4（1）： 128-137.

[本文引用: 1]

Shi J， Chen K S.

Estimation of bare surface soil moisture with L-band multi-polarization radar measurements

［C］∥ Proceedings. 2005 IEEE International Geoscience and Remote Sensing Symposium， 2005. IGARSS'05. IEEE， 2005， 3： 2191-2194.

[本文引用: 1]

Bai X， He B， Xu D.

Potential use of Radarsat-2 polarimetric parameters for estimating soil moisture in prairie areas

［C］∥ 2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. IEEE， 2016： 3043-3046.

Fan D， Zhao T， Jiang X， et al.

Soil moisture retrieval from Sentinel-1 time-series data over croplands of Northeastern Thailand

［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 19： 1-5.

[本文引用: 1]

Zhao Tianjie， Zhang Lixin， Jiang Lingmei， et al.

Join inversion of soil moisture using active and passive microwave data

［J］. Advances in Earth Science,2009，24（7）：769-775.

[本文引用: 1]

赵天杰，张立新，蒋玲梅，等.

利用主被动微波数据联合反演土壤水分

［J］.地球科学进展，2009，24（7）：769-775.

[本文引用: 1]

Tabatabaeenejad A， Burgin M， Moghaddam M.

Potential of L-band radar for retrieval of canopy and subcanopy parameters of boreal forests

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2011， 50（6）： 2150-2160.

[本文引用: 1]

Weimann A， Von Schonermark M， Schumann A， et al.

Soil moisture estimation with ERS-1 SAR data in the East-German Loess soil area

［J］. International Journal of Remote Sensing， 1998， 19（2）： 237-243.

[本文引用: 1]

Paloscia S， Pettinato S， Santi E， et al.

Soil moisture mapping using Sentinel-1 images： Algorithm and preliminary validation

［J］. Remote Sensing of Environment， 2013， 134： 234-248.

[本文引用: 1]

Wang Z， Zhao T， Qiu J， et al.

Microwave-based vegetation descriptors in the parameterization of water cloud model at L-band for soil moisture retrieval over croplands

［J］. GIScience & Remote Sensing， 2021， 58（1）： 48-67.

[本文引用: 1]

Barrett B W， Dwyer E， Whelan P.

Soil moisture retrieval from active spaceborne microwave observations： An evaluation of current techniques

［J］. Remote Sensing， 2009， 1（3）： 210-242. DOI： 10.3390/rs1030210 .

[本文引用: 1]

Wagner W， Lemoine G， Rott H.

A method for estimating soil moisture from ERS scatterometer and soil data

［J］. Remote Sensing of Environment， 1999， 70（2）： 191-207.

[本文引用: 1]

Attema E P W， Ulaby F T.

Vegetation modeled as a water cloud

［J］. Radio Science,1978,13(2):357-364.

[本文引用: 1]

Bhogapurapu N， Dey S， Mandal D， et al.

Soil moisture retrieval over croplands using dual-pol L-band GRD SAR data

［J］. Remote Sensing of Environment， 2022， 271： 112900. DOI:10.1016/j.rse.2010.07.001 .

[本文引用: 1]

Jiang Linghai.

An improved change detection method for soil moisture retrieval using Sentinel-1 and SAMP data

［C］∥ IEEE International Geoscience and Remote Sensing Symposium，2020.

[本文引用: 1]

Zribi M， André C， Decharme B.

A method for soil moisture estimation in Western Africa based on the ERS scatterometer

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（2）： 438-448.

[本文引用: 1]

Gao Q， Zribi M， Escorihuela M J， et al.

Synergetic use of Sentinel-1 and Sentinel-2 data for soil moisture mapping at 100 m resolution

［J］. Sensors，2017，17（9）：1966. DOI：10. 3390/s 17091966 .

[本文引用: 1]

Wang Y B， Wu Q B， Niu F J.

The impact of thermo⁃karst lake formation on soil environment of alpine meadow in permafrost regions in the Beiluhe basin of the Tibetan Plateau

［J］. Journal of Glaciology and Geocryology，2011，33（3）：659-667.

[本文引用: 1]

Ulaby F T， Moore R K， Fung A K. Microwave Remote Sensing： Active and Passive， Volume II： Radar Remote Sensing and Surface Scattering and Emission Theory［M］. Artech House Publishers： Norwood， MA， USA， 1986.

[本文引用: 1]

Baghdadi N， Aubert M， Cerdan O， et al.

Operational mapping of soil moisture using synthetic aperture radar data：Application to the Touch basin （France）

［J］. Sensors， 2007， 7（10）： 2458-2483. DOI： 10.3390/s7102458 .

[本文引用: 1]

Li H， Liu F， Zhang S， et al.

Drying-Wetting changes of surface soil moisture and the influencing factors in permafrost regions of the Qinghai-Tibet Plateau，China

［J］. Remote Sensing，2022，14（12）：2915. DOI：10.3390/rs14122915 .

[本文引用: 1]

Wen Jing， Wang Yibo， Gao Zeyong， et al.

Soil hydrological characteristics of the degrading meadow in permafrost regions in the Beilu River basin

［J］. Journal of Glaciology and Geocryology， 2013， 35（4）：929-937.

[本文引用: 2]

文晶， 王一博， 高泽永，等.

北麓河流域多年冻土区退化草甸的土壤水文特征分析

［J］. 冰川冻土， 2013， 35（4）：929-937.

[本文引用: 2]

Wang Yu， Yang Liping， Ren Jie， et al.

Integration study on oasis soil moisture inversion using ALOS-2 and Landsat-8

［J］. Geomatics and Information Science of Wuhan University，2022.

DOI:10.13203/j.whugis20220008      [本文引用: 1]

DOI: 10.13203/j.whugis20220008.王宇，杨丽萍，任杰，等.

联合ALOS-2和Landsat-8的绿洲土壤水分反演模型研究

［J］.武汉大学学报（信息科学版），2022（网络首发）. DOI：10.13203/j.whugis20220008 .

[本文引用: 1]

/

〈 〉