土壤水分遙感監測及關鍵技術

田國珍，武永利

（山西省氣候中心，山西太原030006）

土壤水分作為農業干旱的重要指標，對于農業干旱監測預警具有重要的指示作用。農田土壤水分的傳統獲取方法存在費時、費力、效率低下、破壞地表、測點不具有代表性等缺點，無法實現土壤水分的宏觀動態監測。而遙感技術的出現且技術不斷成熟，給土壤水分的宏觀、實時、動態監測提供了新的思路，在一定程度上彌補了土壤水分傳統監測方法的不足。土壤水分的遙感估測方法是通過測量地表發射或反射的電磁能量，研究地表遙感數據與土壤濕度間的關系，建立土壤濕度與遙感數據間的關系模型，從而反演出土壤水分。其時效性快、動態對比性強，為大面積地表水、熱的實時準確監測提供了新的手段。由于受到土壤類型、土壤水分含量、衛星過境時條件等的影響，使土壤水分遙感反演異常困難，區域土壤水分遙感反演成為當前國際上公認的難題。

自20世紀70年代以來，國內外對遙感監測土壤水分的方法進行了大量的研究，取得了許多成果，相對成熟且應用較廣的方法有：熱慣量法、熱紅外法、距平植被指數法、植被供水指數法、作物缺水指數法、綠度指數法等。

筆者回顧了基于遙感的土壤水分監測方法的發展歷程，分析了各方法的適用范圍和優缺點，并在此基礎之上，分析了當前土壤水分遙感監測的關鍵技術，主要包括數據源的選取、參數反演、模型選擇和精度驗證4個方面。根據國內外的研究現狀，對制約遙感方法應用于區域土壤水分監測的這些關鍵技術進行了深入的分析，旨在提高遙感方法在區域土壤水分的估算精度，使定量遙感研究上一個新臺階。

1 土壤水分監測方法

國內外用遙感技術監測土壤水分的方法很多，目前，該領域的研究主要分為光學遙感（即可見光-近紅外、熱紅外遙感）和微波遙感兩大類。光學遙感又可分為土壤熱慣量法、基于溫度和植被指數的方法以及基于蒸散的方法。微波遙感又分為主動微波遙感和被動微波遙感2種。

1.1 基于光學遙感的方法

1.1.1 土壤熱慣量法 熱慣量是表征土壤熱特性的物理量，與比熱容和體積等相關，由土壤的熱力學特性可知，土壤含水量越高，其熱容量也越大。對于單位體積土壤，濕度大的土壤晝夜溫差小，濕度小的土壤晝夜溫差大。因此，可以通過反演不同時間段的土壤熱慣量來推算土壤水分。Watson等[1]最先提出一個簡單的熱慣量模型；其后Price[2]引入綜合參數B，將地表熱通量簡化為土壤溫度的線性函數，但是這種方法仍涉及大量的非遙感參數，在實際應用中存在計算復雜等困難；Price[3]提出表觀熱慣量（ATI），由于表觀熱慣量模型簡單易求，只涉及到晝夜地表溫差和地表反照率2個參量，因而得到廣泛應用。國內學者在土壤熱慣量模型反演土壤水分方面也進行了不少探討和研究，劉良明等[4]用熱慣量模型對湖北省進行干旱監測，精度均達到80%以上；劉振華等[5]對熱慣量模型進行簡化，但因忽略了參數間的物理關系，從而影響了反演精度。大部分熱慣量模型只考慮土壤水分對熱慣量的影響，實際上地表溫度變化還受地形地貌、土壤類型、植被類型等因素的影響，相同的土壤濕度其地表溫度日較差也可能不同。因此，有學者從動力學機制出發，引入輔助因素推算土壤濕度。張仁華等[6]將熱慣量模型、熱量平衡模型和幾何光學模型結合起來反演土壤水分和作物缺水指數，提高了熱慣量法的精度。

熱慣量法從土壤的熱特性出發，將土壤和植被作為一個整體來考慮熱量平衡，因此，要求獲取純土壤的遙感信息，當地表有植被覆蓋時精度將降低，熱慣量法主要適用于裸土條件下。

1.1.2 基于溫度和植被指數的方法 在過去30多年里，國內外研究發展了多種植被指數用于監測土壤水分，主要分為2類：一類是基于植被指數變化的方法，包括距平植被指數法、標準植被指數、植被狀態指數、植被供水指數；另一類是基于溫度變化的方法，典型代表有溫度植被指數法、條件溫度植被指數法。

1.1.2.1 基于植被指數變化的方法 當地面被植被覆蓋時，無法直接監測到土壤的水分，但可以通過植被生長狀況間接地反映出植被下面的土壤含水量，當光照、溫度等氣象條件變化不大時，水分成為植被生長的主要限制因子[7]，因此，可以通過植被生長狀況來表征土壤含水量。

距平植被指數（AVI）通過某個時期植被指數（NDVI）與多年平均值的差值來判斷作物長勢，進而通過作物受旱程度判斷土壤含水量[8]。標準植被指數（SVI）是對距平植被指數的延伸，表示某個時期植被指數偏離多年平均值的程度。這2種算法簡單、操作性強，但是和土壤水分之間沒有建立穩定的定量關系，只適用于大尺度的土壤水分監測，對于中、小尺度土壤水分動態變化不能進行有效監測。1990年Kogan[9]提出了植被狀態指數（VCI），定義為：VCI＝（INDVi-INDVmin）/（INDVmax-INDVmin），其中，INDVmin和INDVmax分別為最小、最大NDVI 值。VCI監測土壤水分動態變化效果比AVI，SVI更有效、更實用，尤其在地形起伏大的區域[10]，同時VCI也能反映氣候對植被的長期作用，但是最大和最小NDVI值的確定比較困難，需要長時間序列的數據積累。而植被供水指數法（VSWI＝B×NDVI/Ts）雖然在植被指數的基礎上，還考慮了溫度的作用，但主要還是受植被指數的影響較大，無法反映植被稀疏或無植被區的土壤水分狀況。

植被指數法的優點是簡單、易行，適用于大范圍土壤含水量監測，缺點是植被指數反映的土壤水分狀況多是相對于多年NDVI的均值或極值，而多年NDVI的均值或極值本身是一個不確定的值；其次，植被指數法過分依賴于植被的長勢，當地表無植被覆蓋時，就無法反映其土壤水分狀況。

1.1.2.2 基于溫度變化的方法 由于植被指數法對土壤水分的反映具有局限性，而由蒸發引起的土壤、植被冠層溫度的升高對水分脅迫的反映更具有時效性。所以，就有研究將植被指數和溫度綜合起來構造土壤水分監測指標。Price[11]研究發現，當研究區域的植被和土壤水分條件變化較大時，該區域每個像元的Ts和NDVI構造的散點呈三角型；Moran等[12]發現，若一個區域地表覆蓋類型從裸土到高密度植被，土壤濕度由干旱到濕潤，則該區域每個像元的Ts和NDVI組成的散點圖呈梯形。2002年Sandholt等[13]利用簡化的NDVI-Ts特征空間提出溫度植被干旱指數（TVDI），在該簡化的特征空間，濕邊為與NDVI軸平行的直線，干邊與NDVI成線性關系。齊述華等[14]利用TVDI模型，計算了中國不同時間、不同氣候各像元的TVDI，反演了中國2000年3月和5月各旬土壤水分。楊鶴松等[15]構造條件植被溫度指數，對華北平原進行土壤水分監測研究。由于TVDI是一種較接近實時的干旱監測模型，因而得到了廣泛的應用，其缺點是對研究區域的要求較高，必須滿足土壤含水量從萎蔫含水量到田間持水量。

基于溫度和植被指數的方法優點是兼顧了土壤和植被對土壤水分的反映，缺點是土壤和植被對土壤水分的反映不同步，所以有必要進一步研究土壤和植被對土壤水分反演的時效性。

1.1.3 基于蒸散模型的方法 蒸散模型是建立以能量平衡為基礎，從植被蒸騰角度去間接推算土壤含水量的方法。蒸散法的理論基礎來源于彭曼公式[16]，研究表明，當土壤水分供給充足時，蒸散作用較強，冠層溫度較低；反之，蒸散作用較弱，冠層溫度較高。

作物缺水指數最初由Idso等[17]根據熱量平衡原理提出，Jackson等[18]對Idso的冠層空氣溫差上下限方程進行了理論解釋，在此基礎之上提出了作物水分脅迫指數（CWSI＝1－ET/ETp），其中：ET為實際蒸散，ETp為潛在蒸散。CWSI雖然不需要NDVI值，但前提是土壤完全被植被覆蓋，當背景中有土壤的像元時，會導致干旱的假象。再者，CWSI的確定依賴于冠層溫度、氣溫和水汽壓差的測定，為了克服這種局限性，1994年Moran等[12]利用植被指數和溫度的梯形空間提出了水分虧缺指數（WDI），其4個頂點分別代表4種極端情況：水分充足條件下的植被完全覆蓋，水分脅迫下的植被完全覆蓋，飽和水分條件下的裸土和干旱條件下的裸土。但是梯形特征空間的4個頂點是從蒸散和能量平衡的角度推導出來的，屬于物理模型，需要結合氣象數據才能實現土壤水分監測，計算過程較為復雜。為此，辛曉洲等[19]研究提出，將輻射表面溫度簡化為各組分溫度的線性組合，空氣動力學溫度簡化為冠層溫度，從而來簡化顯熱通量的計算；隋洪智等[20]利用植被覆蓋率對空氣動力學阻抗進行了修正和簡化。

基于蒸散模型的土壤水分監測方法兼顧了能量平衡原理、氣象學原理和植物生理學原理[21]，科學性較強。但模型涉及大量非遙感參數，且各種阻抗有一定的地域性，經驗參數較多，它們的確定往往依賴于經驗，使其難以推廣應用到業務工作中。

1.2 基于微波遙感的方法

利用微波遙感測定土壤水分的理論基礎是土壤介電常數對土壤含水量十分敏感，濕潤土壤的介電常數大約為80，而干土僅為3，它們之間存在巨大的差異，土壤的介電常數隨土壤濕度的變化而變化，表現在遙感圖像上則是亮溫的變化。利用微波遙感測定土壤水分包括主動式微波遙感和被動式微波遙感2種。

被動微波遙感研究歷史長，反演算法比較成熟，是今后區域乃至全球土壤水分監測的重要手段。被動微波遙感主要采用統計分析方法分析土壤水分與地表亮溫的關系。20世紀70年代，美國的Schmugge等[22]根據NASA觀測數據首次建立了地表亮溫與土壤水分的線性關系模型。Schmugge等[23]后來引入田間持水量進一步完善了反演模型。有學者引入前期降雨量（API）和微波極化差值（MPDI）等土壤水分指示因子，建立地表亮溫與API，MPDI之間的線性關系，這些算法均為經驗算法或統計算法[24-25]。Njoku等[26]基于輻射傳輸方程建立的地表亮溫與Mv等參數的非線性方程逐步成為微波遙感土壤水分算法的主流。張鐘軍[27]基于輻射傳輸方程的離散模型來研究植被的發射率、傳輸率，能更準確地通過植被反映下墊面狀況。被動微波遙感具有空間分辨率低、影響因素多等缺點。

主動式微波遙感大多采用統計方法，通過相關分析，建立土壤水分和地表亮溫與后向散射系數之間的經驗函數。Ulaby等[28]通過試驗研究得出，土壤濕度對裸土的敏感度是0.15 dB，對有植被的土壤的敏感度是0.13 dB。Sabburg[29]利用經驗散射模型對澳大利亞的農田進行了土壤水分反演，結果發現，表層土壤含水量誤差可控制在10%以內。田國良等[30]利用機載合成孔徑雷達水平極化（HH）圖像進行農田土壤水分監測。李杏朝[31]用X波段散射計測量土壤后向散射系數，對比同步獲取的X波段HH極化的機載圖像，得出微波遙感監測土壤水分的相對誤差為12%。李震等[32]綜合主動和被動微波遙感數據，建立了一個半經驗公式模型，估算土壤水分的變化，消除了植被覆蓋的影響。周鵬等[33]聯合雷達數據和光學遙感影像建立“水-云模型”，去除植被影響，建立了土壤后向散射系數與土壤水分的關系。主動式微波遙感具有發射功率大、空間分辨率高的特點。

微波遙感具有全天時、全天候的優點，并具有一定穿透能力，突破了傳統方法測點少、費時費力和光學遙感精度低、受天氣影響的缺點。

2 土壤水分遙感監測的關鍵技術分析

土壤水分遙感監測是在地表溫度、植被指數等地表參數遙感反演的基礎上，結合其他地表特征，根據土壤特性、能量平衡原理、作物生理特性等估算地表土壤水分。由于土壤水分是影響作物產量的重要因素之一，長期以來得到了廣泛研究，隨著土壤水分監測的區域性、時效性的提出，使得農田土壤水分及干旱監測方法更加復雜，同時也使監測研究更為迫切與重要。當前土壤水分遙感監測中還存在一些關鍵技術制約著區域土壤水分遙感監測的精度，主要包括數據源、模型方法等方面的因素。

2.1 數據源的選取

干旱作為一種緩變的現象，其嚴重程度也是逐漸積累的結果，暫時的土壤水分虧缺不會造成作物旱情的發生，只有長時間的持續缺水才會造成作物干旱，因而，農田旱情需要進行長時間序列的土壤水分監測。當前，用于區域土壤水分業務監測的衛星數據大多是NOAA/AVHRR，EOS/MODIS，FY-3A/3B等中、低分辨率的數據，重訪周期在1/2 d左右，加上天氣條件、設備故障等因素造成的數據缺失、質量低下等問題，衛星遙感數據獲取周期平均為4 d左右，南方地區數據獲取周期還要更長些。單一的衛星遙感數據無法滿足土壤水分遙感業務監測的需求，綜合多源衛星遙感數據的優勢，發展多源衛星數據尺度轉換、融合和標準化技術，在研究數據缺失的情況下，多源遙感信息相互替代是解決這類問題比較有效的手段之一。

另外，由于傳感器的空間分辨率限制以及地表覆蓋類型的復雜多樣性，圖像中每個像元往往包含不同的地物類型，混合像元普遍存在于遙感圖像中，致使傳統像元級精度難以達到業務需求。在保證必要的時間分辨率的同時，必然會犧牲空間分辨率的精度，而應用低分辨率進行大區域監測很難找到“純凈”像元。為了提高遙感應用精度，必須進行混合像元分解，多年來國內外學者提出了多種混合像元的分解模型（如線性、概率、幾何光學、隨機幾何、模糊模型等），每種模型都有其適用條件，其中，線性模型簡單且易于處理，被認為是最簡單和應用最廣泛的模型。

2.2 地表參數的反演

2.2.1 植被指數（NDVI）的反演 土壤水分遙感反演的過程中，NDVI是必不可少的因子之一，NDVI是單位像元內的植被類型、覆蓋形態、生長狀況等的綜合反映，其大小取決于植被覆蓋度和葉面積指數等要素；NDVI對植被覆蓋度的檢測幅度較寬，有較好的時間和空間適應性，但研究發現，在低植被覆蓋的區域，NDVI受土壤背景的影響較大，在高植被覆蓋的區域，NDVI值會出現飽和現象，NDVI飽和后，如果地表蒸散繼續增加，NDVI也無法反映地表干濕狀況，此時RVI值增加的速度高于NDVI增加速度，即RVI對高植被區具有較高的靈敏度，可以有效去除土壤背景的影響，同時也增強了在高植被覆蓋區域的敏感性，因此，可以考慮在適當情況下用RVI代替NDVI。許國鵬[34]提出了改進的植被指數（MTVDI），MTVDI可以增加植被信息的動態范圍，較好地降低土壤背景對植被指數的影響，有利于更客觀地進行對土壤水分的監測與評估。Jakson等[35]研究發現，只有水分脅迫嚴重阻礙作物生長時，才會引起植被指數的明顯變化；崔林麗等[36]研究發現，中國東部植被指數對土壤水分變化的響應大約滯后3旬左右。由于不同的植被類型造成了植被指數的內部差異，相同的NDVI還需要結合土壤類型以及不同作物、不同生育期進行區別對待。

2.2.2 地表溫度的反演 從遙感方法監測區域土壤水分的方法中可以看到，地表溫度除了作為一個主要參數外，同時其他許多參數都可以轉化為地表溫度的函數，因此，遙感監測土壤水分的精度很大程度上取決于地表溫度的反演精度。目前，遙感用于海洋表面溫度的反演已經取得了成功，用于陸地表面溫度的反演研究也很多[37]。從20世紀60年代初期到現在，出現的表面溫度反演算法可以歸納為4種：單通道法、多通道法、單通道多角度法和多通道多角度算法。目前，基于劈窗技術的多通道算法應用最廣[38]，其精度在1～2 K之間。另外，目前用于地表溫度反演的算法還是建立在同溫均勻像元的假設基礎之上，將混合像元作為整體來反演的地表溫度也只是缺少物理意義的平均溫度，而真正具有物理意義的混合像元組分溫度才是遙感所要反演的。隨著熱紅外遙感數據反演方法的進一步改進和完善，地表溫度的反演精度有望得到進一步提高。同時，以地表溫度為水分脅迫指標的監測方法雖然具有較高的時效性，但最高和最低溫度獲取有一定的困難，且獲取的溫度信息必然受植被覆蓋的影響，如何消除植被對溫度的影響仍需進一步深入研究。

2.3 監測模型的選擇

對于不同的傳感器、不同的區域、不同作物物候期，其土壤水分反演的模型和參數是不同的。在現有監測方法中，基于土壤熱慣量的土壤水分監測方法，由于受到植被影響，通常在裸土或低植被覆蓋地區具有較好的應用；基于植被指數的土壤水分監測方法，在中、高植被覆蓋度區域具有相對較好的應用效果，可從植被長勢和冠層含水量2個方面進行土壤水分監測，同時還需綜合其他環境因素的影響；基于蒸散模型的土壤水分監測方法具有較強的理論基礎，但是由于模型中的地表熱力學參數通常利用經驗獲取，限制了其應用。其中，前2類模型本質上都是機理性的，由于需要建立土壤水分與模型結果的相關關系，而不是直接反映土壤水分，因此，與蒸散模型相比，機理性相對弱些，同時蒸散模型理論上適合于從作物發育早期到作物發育后期的不同作物生育期。微波遙感以其高精度被認為是最終解決土壤水分監測的方法，但由于其受微波成像機理等因素所限，目前微波遙感數據在時間分辨率上還達不到光學遙感數據的精度，且微波遙感成本高、業務推廣還存在一定困難。

不同地區的土壤熱慣量、溫度植被指數、蒸散強度差別很大，所代表的土壤濕度可比性較差，甚至沒有可比性。因而，不同氣候、不同土壤、不同作物情況下的土壤水分監測模型及參數也不盡相同，為提高遙感土壤水分監測的準確性，一方面可以根據作物不同生育期、關鍵需水期進行植被分區，以作物類型、土層含水量、相對土壤濕度、降水蒸發量、土壤質地和田間持水量等指標建立分區指標集，并在此基礎上，建立全國土壤水分遙感監測分區；另一方面，針對不同的土壤水分遙感分區，篩選滿足不同作物發育期的監測方案，建立土壤墑情分級標準，從而保證區域旱情監測的精度。

2.4 精度驗證

目前，傳統的土壤水分遙感監測方法很難在像元級進行有效的驗證，國內外土壤水分反演精度評估主要是利用土壤墑情觀測站的單點實測數據與同期的遙感反演結果進行比較來驗證遙感監測數據的準確性，且遙感反演方法均是以假設下墊面均勻條件為前提，如果氣象因子和研究區下墊面非均一，點上的數據就不具備區域尺度的代表性。另外，多尺度、多時相、多源數據的不確定性研究和精度評價的研究比較少見，也較少涉及區域尺度的不同驗證體系方面的精度評價研究。顯然，一方面完善不同作物區域的地面土壤墑情觀測站點的設置，提高單點驗證方式的精度；另一方面，建立地面“點”數據與遙感“面”數據尺度轉換及精度驗證的技術方法體系，是目前提高土壤水分遙感監測檢驗精度的主要發展方向。

3 研究展望

在過去的30多年間，土壤水分遙感監測發展了許多理論和模型，但這些模型和方法要么太復雜，不適合業務化運行和推廣；要么與實測數據還有較大的差距，還不能完全滿足農業生產的需求。長期以來制約遙感方法在區域土壤水分估算中深入廣泛應用的關鍵技術主要有：（1）利用NDVI作為水分指示指標一方面是容易飽和，另一方面是對環境變化的反映表現出一定的滯后性；不同的植被類型造成了植被指數的內部差異，且完全植被覆蓋度的界定不清楚，不適合全生育期的監測，有一定的局限性。（2）基于蒸散土壤水分監測方法模型復雜、且大量參數的確定沒有確切的辦法，使其很難推廣到業務實踐中。另一方面，隨著非遙感參數的大量引入，應加大部門間的數據共享力度。（3）對于微波遙感的土壤水分監測，雖然在裸土條件下微波遙感測定土壤表層的土壤含水量已有較高精度，但其仍然存在如何消除植被影響以及如何估算土壤剖面含水量的問題。綜合利用主動和被動微波遙感，可以提高微波遙感監測土壤水分的精度。

［1］Watson K，Pohn H A.Thermal inertia mapping from satellites discrimination of geologic unitsin oman[J].Journal of Research Geology Surving，1974，2（2）：147-158.

［2］Price JC.Thermal inertiamapping：anew view of the Earth[J].Journal of Geophysical Research，1982，87：2582-2590.

［3］Price JC.On the analysis of thermal infrared imagery：the Limited utility of apparent thermal inertia[J].Remote Sensing of Environment，1985，18（1）：59-73.

［4］劉良明，李德仁.基于輔助數據的遙感干旱分析[J].武漢測繪科技大學學報，1999，24（4）：300-305.

［5］劉振華，趙英時.一種改進的遙感熱慣量模型初探[J].中國科學院研究生院學報，2005，22（3）：380-385.

［6］張仁華，孫曉敏，朱治林.以微分熱慣量為基礎的地表蒸發全遙感信息模型及在甘肅沙坡頭地區的驗證[J].中國科學：D輯，2002，21（5）：599-607.

［7］武玉葉，李德全.土壤水分脅迫對冬小麥葉片滲透調節及葉綠體超微結構的影響[J].華北農學報，2001，16（2）：87-93.

［8］肖乾廣，陳維英，盛永偉.用氣象衛星監測土壤水分的試驗研究[J].應用氣象學報，1994，5（3）：312-317.

［9］ Kogon F N.Remote sensing of weather impacts on vegetation in non-homogeneous areas[J].International Journal of Remote Sensing，1990，11（8）：1405-1420.

［10］Kogan F N.Application of vegetation index and brightnesstemperature for drought detection[J].Advances in Space Research，1995，15（11）：91-100.

［11］Price J C.Using spatial context in satellite data to infer regional scaleevapotranspiration[J].IEEETransactionson Geoscienceand Remote Sensing，1990，28：940-948.

［12］ Moran M S，Clarke T R，Inoue Y，et al.Estimating crop water deficit using the relation between surface air temperature and spectral vegetation index[J].Remote Sensing of Environment，1994，49：246-263.

［13］Sandholt L，Rasmussen K，Andersen J.A simple interpretation of the surface temperature vegetation index space for assessment of surface moisture status[J].Remote Sensing of Enviromrent，2002，79：213-224.

［14］齊述華，王長耀，牛錚.利用溫度植被旱情指數（TVDI）進行全國旱情監測研究[J].遙感學報，2003，7（5）：420-428.

［15］楊鶴松，王鵬新，孫威.條件植被溫度指數在華北平原干旱監測中的應用[J].北京師范大學學報：自然科學版，2007，43（3）：314-318.

［16］趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003：445-456.

［17］Idso SB，Jackson R D，Pinter PJJr，et al.Normalizing the stress degreeday for environmental variability[J].Agricultural Meteorology，1981，24：45-55.

［18］Jackson RD，Idso SB，Reginato RJ.Canopy temperatureas acrop water stress indicator[J].Water Resource Research，1981，17：1133-1138.

［19］辛曉洲，田國良，柳欽火.地表蒸散定量遙感的研究進展[J].遙感學報，2003，7（3）：233-240.

［20］隋洪智，田國良，李付琴.農田蒸散雙層模型及其在干旱遙感監測中的應用[J].遙感學報，1994，1（3）：220-224.

［21］ 劉永忠，李齊霞，孫萬榮，等.氣候干旱與作物干旱指標體系[J].山西農業科學，2005，33（3）：50-53.

［22］Schmugge T J，Gloersen P，Wilheit T，et al.Remote sensing of soil moisture with microwave radiometers[J].J G R，1974，79（2）：317-323.

［23］Schmugge TJ.Remotesensingof surfacesoil moisture[J].Journal of Applied Meteorology，1978，17：1549-1557.

［24］TengWL，Wang JR，Doraiswamy PC.Relationship between satellitemicrowaveradiometric data，antecedent precipitation index，and regional soil-moisture[J].International Journal of Remote Sensing，1993，14：2483-2500.

［25］Ahmed NU.Estimating soil moisture from 6.6 GHz dual polarization，and/or satellite derived vegetation index[J].International Journal of Remote Sensing，1995，16（4）：687-708.

［26］Njoku EG，Li L.Retrieval of land surfaceparameters usingpassive microwave measurements at 6-18 GHz[J].IEEE Trans Geosci Remote Sensing，1999，37（1）：79-93.

［27］張鐘軍.用離散的植被模型分析地物的微波輻射[J].遙感信息，2003（3）：12-14.

［28］肖國杰，李國春.遙感方法進行土壤水分監測的現狀與進展[J].西北農業學報，2006，15（1）：121-126.

［29］Sabburg JM.Evaluation of an Australian ERS-1 SARscenepertaining to soilmoisture measurement[J].Proc Int Geosciences and Remote Sensing Symp，1994，3：1424-1426.

［30］田國良.土壤水分的遙感監測方法[J].環境遙感，1991，6（2）：89-98.

［31］李杏朝.微波遙感監測土壤水分的研究初探[J].遙感技術與應用，1995，10（4）：1-8.

［32］李震，郭華東，施建成.綜合主動和被動微波數據監測土壤水分變化[J].遙感學報，2002，6（6）：481-484.

［33］周鵬，丁建麗，王飛，等.植被覆蓋地表土壤水分遙感反演[J].遙感學報，2010，14（5）：959-973.

［34］許國鵬，李仁東，梁守真，等.基于改進型溫度植被干旱指數的旱情監測研究[J].世界科技研究與發展，2006，28（6）：51-55.

［35］Jackson R D，Slaler PN，Pinter PJ.Discrimination of growth and water stress in wheat by various vegetation indices through clear and turbid atmosphere[J].Remote Sensing of Environment，1983（13）：187-208.

［36］崔林麗，史軍，楊引明，等.中國東部植被NDVI對氣溫和降水的旬響應特征[J].地理學報，2009，64（7）：850-860.

［37］Herr Y H，Lagouarde JP，Imbermon J.Accurateland surfacetemperature retrieval from AVHRR data with use of an improved splitwindows algorithm [J].Remote Sensing of Environment，1992，41：197-209.

［38］孟鵬，胡勇，鞏彩蘭.用劈窗算法反演地表溫度的通道問題討論[J].國土資源遙感，2012（4）：16-20.