利用被動微波遙感提高土壤濕度分辨率

柴莉華　魯夢華　米嘉瑩

【摘 要】土壤濕度對于河水監測預報、水文模型的建立、氣象模型等至關重要，被動微波遙感憑借范圍廣、對土壤濕度敏感、周期快等優點，在反演土壤濕度方面越來越普遍。但其分辨率較低，提高其分辨率成為廣大學者研究的重點。本文對國內外提高其分辨率的方法進行總結研究并提出建議。

【關鍵詞】被動微波遙感；土壤濕度；分辨率

0 背景

在進行河水監測預報、水文模型的建立、氣象模型等都需要大尺度的土壤濕度數據；為了應用于不同尺度的模型，不同分辨率的土壤濕度數據的需求越來越大。但如此重要的物理量在目前的方法中卻沒有得到廣泛的應用，其主要原因是土壤濕度時間和空間的變化率非常大，使得大范圍的觀測極其困難。

微波遙感憑借其范圍廣、周期短等優勢，同時對目標具有一定的穿透能力，不受云、雨、霧的限制，所監測到的數據很少受到土壤表面低矮植被覆蓋的影響，在空間、時間大尺度上反演的土壤濕度就更具連續性和準確性。

在過去的幾十年中，已經發展了很多從雷達后向散射、微波遙感亮度溫度等數據中獲得近地表土壤水分的方法。這些方法的主要依賴于以下兩點：（1）微波遙感數據和土壤水分含量的物理聯系較強（特別是低頻波段，如L波段）；（2）不同傳感器獲得的觀測值的空間/時間分辨率不同。微波數據比熱紅外數據與土壤濕度的關系更直接[1]。

雖然微波數據對土壤濕度的敏感性很高，但受成像原理、被動微波遙感器件的限制，其空間分辨率較低，約為幾十公里（SMOS MIRAS數據為40km，AMSR-E數據為25km，FY數據為25km），為了使被動微波土壤濕度數據能更廣泛的應用于各種需要高空間分辨率土壤濕度的學科，提高空間分辨率就成為急迫解決的問題之一。

國內外已經發展了很多提高被動遙感分辨率的方法。這里主要介紹儀器改進方法和數據結合改進方法。

1 儀器法

尺寸天線是監測表面土壤濕度輻射計在空間展開的重要因素，針對真實孔徑輻射計，主要通過加大天線的尺度得到較高的空間分辨率。即使在低地球軌道上，21cm長波條件下，到達10km空間分辨率也需要20m×20m數量級的天線，這樣的天線在實際情況下是不可能實現的。

在高分辨率對地微波遙感中，綜合孔徑輻射計作為一新型微波遙感儀器，避免了傳統全功率輻射計大口徑天線設計及機械掃描帶來的困難，成為國際上的研究熱點。

2 數據結合法

2.1 主被動微波數據相結合

Chauhan[2]在1997就提出了用主被動數據相結合的方法計算有植被覆蓋的土壤濕度。Narayan等[3]的被動反演使用了迭代算法，不能很好地反映物理量之間的相互影響關系，并且需要輸入大量的輔助數據。黃興忠等提出利用基爾霍夫標量近似下的雙尺度模型，利用互易性原理得到熱發射率，從而將主被動遙感數據結合起來估算土壤濕度，真實值和估算值之差0.04vol/vol[4]。趙天杰等[5]通過建立相關模型，反演土壤水分，地面同步測量數據的驗證結果表明，該方法充分發揮了主被動微波數據各自的優勢，同時避免了主被動協同過程中的尺度問題，為流域尺度的土壤水分監測提供了一種新的有效途徑。

雖然主被動結合計算得到得效果較好，但是主動微波數據一般都比較昂貴，在大面積和大的時間尺度上應用仍然有一定的困難。

2.2 光學數據與被動微波數據相結合

Chauhan[6]在2003年提出利用近紅外數據、可見光將被動微波數據的分辨率提高；這種方法使用的參數較多，且只適用于特定的區域。Merlin[7]中利用植被覆蓋度、土壤蒸散率和泰勒展開式的線性成分將SMOS土壤濕度數據（40km）和MODIS數據（1km）結合，得到了10km分辨率的土壤濕度（反演得到的土壤濕度與真實值的均方根誤差為1.7vol/vol%，相關系數為0.84）。Merlin[8]在此基礎上，使用三種植被覆蓋度、三種土壤蒸散率和四種降尺度關系共36種組合算法，得到了4km分辨率的土壤濕度，結果發現：混合二維導數的降尺度方法和指數模型的土壤蒸散量相結合的方法反演得到的土壤濕度與真實值的均方根誤差為0.012vol/vol%，相關系數為0.90。王安琪等[9]在北京市延慶縣使用相同的降尺度方法將被動微波土壤濕度25km的分辨率提高為1km，結果表明反演得到的土壤水分含量與TVDI的趨勢一致。

3 總結與建議

（1）目前，雖然綜合孔徑輻射計是提高被動微波遙感土壤濕度的主要方法，但此技術在短期內仍不能解決；

（2）光學數據和微波數據相結合得到的土壤濕度數據雖然沒有主被動結合數據得到的精確度高，但是光學數據和微波數據都是可以免費獲取的，這使得這種方法在大面積大時間尺度上應用更為便利；

（3）學者們已經將被動微波遙感的分辨率從25km提高到10km、4km、1km，其分辨率是否能無限提高，這是一個值得繼續研究的問題。

【參考文獻】

[1]Kerr， Y. H.，Waldteufel，P.， Wigeneron，J.p. et al. Soil moisture from space： where are we？[J]. Hydrogeology Journal， 2007，15：117-120.

[2]Chauhan N S. Soil moisture estimation under a vegetation cover： Combined active passive microwave remote sensing approach[J]. International Journal of Remote Sensing， 1997，18（5）：1079-1097.

[3]Narayan U， Lakshmi V， Jackson T J. High-resolution change estimation of soil moisture using L-band radiometer and rada observations made during the SMEX02 experiments[J]. IEEETransactions on Geoscience and Remote Sensing， 2006， 44（6）：1545-155.

[4]黃興忠，金亞秋.利用主被動遙感數據估算土壤濕度和粗糙度的新方法[J].電波科學學報，1996，11（1）：27-32.

[5]趙天杰，張立新，蔣玲梅.利用主被動微波數據聯合反演土壤水分[J].地球科學進展，2009，24（7）：769-775.

[6]Chauhan， N. S.， Miller， S.， & Ardanuy， P. . Spaceborne soil moisture estimation at high resolution： A microwave–optical/IR synergistic approach[J]. International Journal of Remote Sensing， 2003，24（22）：4599-4622.

[7]Merlin O， Walker J P， Chehbouni A et al. Towards deterministic downscaling of SMOS soil moisture using MODIS derived soil evaporative efficiency[J]. Remote Sensing of Environment， 2008，112：3935-3946.

[8]Merlin O， Bitar A， Walker J， et al. An improved algorithm for disaggregating microwave-derived soil moisture based on red， near-infrared and thermal-in-frared data[J]. Remote Sensing of Enviroment，2010，114：2305-2316.

[9]王安琪，施建成，阿多等.光學信息分解被動微波土壤濕度方法[J].地球信息科學學報，2012，5（14）：652-657.

[責任編輯：湯靜]