一種基于AMSR-E和ASAR數據的土壤水分協同反演方法

李新 曾琪明 王心逸 黃江輝 焦健

?

一種基于AMSR-E和ASAR數據的土壤水分協同反演方法

李新 曾琪明?王心逸 黃江輝 焦健

北京大學地球與空間科學學院遙感與地理信息系統研究所, 北京 100871; ? 通信作者, E-mail: qmzeng@pku.edu.cn

在缺乏衛星過境時地面同步觀測數據的情況下, 大范圍高時空分辨率的土壤水分監測存在一定的困難。針對這一問題, 提出一種不依賴地面土壤水分同步觀測數據的主、被動微波協同反演逐日高空間分辨率的土壤水分觀測新方法。該方法將補償后的 AMSR-E 土壤水分作為“高時間分辨率土壤水分觀測控制值”, 以此計算逐日土壤水分變化量, 并結合 ASAR 交替極化模式數據, 反演高空間分辨率的土壤水分基準日期值, 然后基于兩者建立土壤水分協同反演模型。該模型適用于地勢比較平坦、地表粗糙度較小且無植被覆蓋或植被覆蓋度較低的區域。在陜西省渭北臺塬西部地區的試驗結果表明: 該方法參數擬合的決定系數約為0.81; 反演得到的土壤水分與鳳翔縣農業氣象站地面實測土壤濕度數據對比, 兩者的決定系數為 0.92, 土壤體積含水量的均方根誤差為0.025。反演結果可用于水分限制條件下作物生長模擬。

土壤水分; AMSR-E; ASAR; 作物生長模擬模型; AIEM

近年來, 在全球氣候變化的大背景下, 世界各地水資源嚴重短缺, 干旱、洪澇等極端事件發生頻繁, 水分限制條件下的大范圍作物生長動態模擬研究成為作物生長研究的熱點之一。傳統的作物生長動態模擬主要通過作物生長模擬模型實現。作物生長模擬模型是對作物生長發育及產量形成過程中一系列生理生化過程的數學描述, 是對實際生長情況的模擬。然而, 氣候條件的變化以及模型的初始值及作物和土壤參數不確定性的存在, 往往導致模擬結果出現較大偏差[1]。

Wiegand等[2]在20世紀70年代指出, 遙感信息可以用來改進作物生長模型的模擬精度。此后, 人們開展了一系列將遙感信息(如植被指數、后向散射系數等)應用于作物生長模擬模型的研究[2-9](表 1), 但由于逐日高分辨率的土壤水分數據難以獲得, 大多數研究都沒有考慮土壤水分對作物生長模擬模型的影響。Ines等[9]將AMSR-E土壤濕度產品以及葉面積指數LAI (leaf area index)同時同化到DSSAT (decision support system for agrotechnology transfer)作物生長模擬模型, 在 Iowa 州 Story 郡的實驗結果表明, 該方法的相關系數=0.8, 最終產量模擬的均方根誤差為 1400 kg/ha。由于使用的AMSR-E 土壤濕度產品空間分辨率低, 模擬精度有待于進一步提高。

表1 遙感信息與作物生長模型耦合研究概略

土壤水分指土壤滲流層的水分含量, 是陸地和大氣能量交換過程中的關鍵因子, 影響植被的蒸散發及光合作用, 在降水、徑流、下滲和蒸散發水文過程中發揮著至關重要的作用[10]。目前, 遙感手段已成為監測大區域范圍內土壤水分時空分布和變化的主要方法[11]。

基于遙感技術對土壤水分時空分布的大范圍監測, 按遙感測量手段的不同, 可分為光學遙感、主動微波和被動微波三類[12]。由于單一手段無法獲得逐日高空間分辨率的土壤水分信息, 因此人們開展了許多利用多種傳感器進行土壤水分聯合反演的研究。張顯峰等[13]用MODIS的光學與熱紅外波段反演土壤水分的基準值, 利用AMSR-E傳感器的X波段反演土壤水分的日變化量, 然后集成二者建立土壤水分協同反演模型, 得到具有較高時空分辨率的土壤水分反演結果。該方法仍然需要地面土壤水分觀測數據, 且空間分辨率為1 km。

為獲取高時空分辨率的土壤水分數據, 本研究探討利用 AMSR-E (advanced microwave scanning radiometer for EOS)土壤濕度產品和 ASAR (advanced synthetic aperture radar)后向散射系數數據, 基于高級積分方程模型AIEM (advanced integral equation model), 在不依賴地面土壤水分觀測數據的情況下, 發展適合大區域尺度的土壤水分反演方法。最后, 以陜西省渭北臺塬為研究區, 對本文方法進行驗證。

1 主、被動微波土壤水分協同反演方法

主動微波數據不受云層的影響, 空間分辨率高, 但由于其重訪周期長, 反演結果在時間上不連續。被動微波遙感雖然具有較好的時間連續性, 但其空間分辨率較低, 受地表粗糙度和植被覆蓋等的影響較大。針對兩者的優點與不足, 本文提出一種主被動微波高時空分辨率土壤水分協同反演方法。本方法包括兩步, 技術路線如圖1所示。

第 1 步, 利用不依賴地面觀測數據的土壤水分基準日期值反演方法獲得高分辨率土壤水分基準日期值: 用補償后的 AMSR-E 土壤濕度產品作為“實測土壤水分”, 并將 ASAR 后向散射系數匹配到與AMSR-E 相同的空間分辨率, 最后基于 AIEM 模型進行數據擬合, 得到土壤水分的表達式, 并應用到日期的 30 m 分辨率的 ASAR 數據中, 獲得 ASAR一個重訪周期內土壤水分的基本情況。

第2步, 依據逐日土壤水協同反演方法獲得逐日高分辨率的土壤水分: 在第一步獲得的基準日期值的基礎上, 利用補償后的AMSR-E土壤濕度產品計算日期與基準日期的土壤水分的變化量, 并將其重采樣到與ASAR數據相同大小的像元, 最后將基準日期值與日變化量相加即可得到該重訪周期內任意日期的高分辨率土壤水分。

1.1 不依賴地面數據的土壤水分基準日期值反演方法

1.1.1 AMSR-E土壤濕度產品補償

研究表明, AMSR-E土壤濕度產品雖然能夠提供全球粗分辨率的土壤水分數據, 但其值相對地面實測的土壤水分偏小[14-15]。為使 AMSR-E 土壤濕度產品更好地與地面實測數據保持一致, 本研究對AMSR-E 土壤濕度產品進行補償。陳潔[14]對 2006—2008 年我國西北陜西(包含本文研究區域)、新疆、甘肅等5省148個農氣站0~10 cm的土壤水分觀測數據與 AMSR-E 土壤濕度產品進行了對比分析, 結果表明, 2006—2008年AMSR-E反演的西北地區土壤濕度數據整體變化不大, 但相比地面實測數據要小40%左右。本文研究區域內只有一個農業氣象站, 無法進行統計分析, 因此采用上述研究結論對AMSR-E土壤水分進行補償, 用v表示補償后的土壤水分,v0表示AMSR-E土壤濕度產品的值, 兩者的關系式為

v=1.67×v0。 (1)

1.1.2 ASAR與AMSR-E數據匹配

ASAR數據的像元大小為30 m, 而AMSR-E數據的像元大小為25 km。為得到與AMSR-E土壤濕度產品對應的后向散射系數, 需要將ASAR數據與AMSR-E數據匹配到相同的空間尺度, 本文采取的方法是將ASAR數據分辨率重采樣至與AMSR-E相同的分辨率。由于重采樣后的一個像元內包含ASAR數據原始像元眾多, 地物類型多樣, 而AIEM 模型對建筑、水體和高大植被區域反演效果較差, 因此在重采樣前, 采用該區域同一時期的Landsat真彩色合成影像, 在目視判讀的基礎上, 對原始ASAR數據進行粗分類, 將ASAR地物分為建筑、裸地農田和水體山林三類, 然后將建筑與水體山林區域進行掩膜, 剔除模型不適用的地物覆蓋區域。掩膜處理后, 對 ASAR 數據進行重采樣, 相當于僅對裸地農田區域的后向散射系數取均值作為重采樣后 ASAR 像元的后向散射系數。這樣不僅可以保證模型的可靠性和適用性, 而且能大幅度減少參與運算的原始ASAR像元數。

1.1.3 簡化AIEM模型參數擬合與反演

在主動微波土壤水分反演中, 積分方程模型(integrated equation model, IEM)能在一個很寬的地表粗糙度范圍內再現真實地表后向散射情況, 已廣泛應用于微波地表散射、輻射的模擬和分析[16]。近年來, IEM 模型經過不斷改進和完善, 發展成為高級積分方程模型 AIEM, 使模型模擬結果和精度得到不斷提高。已有的研究表明, 裸露地表的后向散射系數主要受地表粗糙度、地表含水量和入射角的影響, AIEM模型可簡化[17]為

pq(dB)=pq()×log10(v)+pq()×log10(s)+pq()。(2)

本文采用的數據為HH/VV的雙極化組合。渭北臺塬地勢相對平坦, 地表粗糙度變化不明顯, 因此可以利用兩種極化組合消去s, 從而得到針對ASAR 雙極化數據的土壤水分反演模型:

log10(v)=()×HH+()×vv+(), (3)

式中,v(%)表示補償后的 AMSR-E 土壤體積含水量,HH和vv分別表示重采樣到相同空間分辨率后ASAR 水平極化和垂直極化的后向散射系數,(),()和()是待擬合的參數。對式(3)進行參數擬合, 將擬合得到的模型應用于 30 m 分辨率的 ASAR后向散射系數中, 即可獲得高空間分辨率的土壤水分反演基準日期值。

1.2 逐日土壤水協同反演方法

根據張顯峰等[13]提出的陸表土壤水分協同反演策略, 陸地表面土壤水分的變化可以分解為兩部分: 基準值和變化量。本文借鑒其協同思想, 將陸地表面土壤水分的變化分為基準日期值和日變化量兩部分, 表達式如下:

sm,j()=m,j()+Δm,j(), (4)

式中,m,j()為一定時間尺度內, 遙感影像的第列第像元的土壤水分基準日期值, Δm,j()為時間尺度內,時刻第列第像元土壤水分與基準日期值的差異變化量, sm,j()為該像元通過遙感反演得到的高分辨率土壤水分。

對于同一區域, 如果時間尺度較小, 植被和地表粗糙度沒有顯著變化, 那么估算日期地表土壤水分對基準日期土壤水分的變化量, 就只需計算補償后的日期與日期的AMSR-E土壤水分的差值。因此, 本文利用日期的ASAR數據反演土壤水分的基準日期值, 利用補償后的日期的AMSR-E土壤水分與補償后的日期的土壤水分差值作為土壤水分的變化量Δ(圖1), 并將后者重采樣至前者的像元大小, 最后利用式(4)即可得到日期高分辨率的土壤水分。

2 研究區域概況與數據預處理

2.1 研究區概況

渭北臺塬地處陜西省中部, 涵蓋寶雞、咸陽、西安等市。本文研究區為渭北臺塬西部地區, 主要包括千陽縣、寶雞市轄區、鳳翔縣、岐山縣、眉縣和扶風縣等六縣區(圖 2)。渭北臺塬西部農作物以冬小麥、玉米等為主, 根據聯合國糧農組織(FAO)和維也納國際應用系統研究所(IIASA)構建的世界土壤數據庫 HWSD (Harmonized World Soil Data-base version 1.1), 其土壤類型以土婁土和雛形土為主, 在渭河及其支流周圍形成小面積的沖擊土。渭北臺塬屬于溫帶大陸性季風氣候區, 年降水量為550~700 mm, 年日照時數為2300~2500小時, 年均溫為 7.0~12.8oC, 晝夜溫差可達 10oC, 全年無霜期170 天以上[18]。然而, 降水量在空間, 尤其是時間上存在明顯的波動性, 往往是旱澇災害的多發區, 因此獲取較高精度的大范圍連續時間的土壤水分分布數據, 對該區水分限制條件下的作物長勢動態監測具有重要意義。

2.2 數據獲取及預處理

ASAR是ENVISAT上搭載的合成孔徑成像雷達系統, 工作在C 波段, 過境赤道的時間約為當地時間11:30 (降軌)和23:30 (升軌)。本實驗的ENVISAT ASAR數據是HH, VV交替極化模式的ASA_APP_1P 數據, 像元大小為 30 m, 時間為 2005年 12 月 12 日和 2006 年 1 月 16日, 共計兩景數據。該數據的產品級別為 L1B 級, 記錄的是 DN值, 需要進行輻射定標、幾何校正以及濾波等操作后方可使用。本文采用歐洲空間局(European Space Agency, ESA)提供的 NEST (Next ESA SAR Tool-box)軟件包進行輻射校正, 主要步驟為: 原始數據提取, 由幅度圖像得到能量圖像, 輻射定標得到后向散射系數圖像。由于渭北臺塬西部地勢相對平坦, 因此直接使用 NEST 軟件包中的 Geometry/ Terrain Correction 進行地形校正。

斑點噪聲會降低圖像的空間分辨率和信噪比, 嚴重影響圖像的可解譯性, 甚至可能導致地物特征的消失[19]。為減少 SAR 斑點噪聲對圖像準確度的影響, 本實驗利用 Gamma 濾波器對圖像進行濾波處理, 選取3×3, 7×7, 10×10的濾波窗口。由于濾波后要對ASAR數據進行尺度匹配, 最終不同大小的窗口得到尺度匹配后的 ASAR 數據像元的后向散射系數差異均在 0.02 dB 以內, 對簡化的 AIEM 參數擬合的決定系數影響不明顯, 因此最終選取處理速度較快的3×3的濾波窗口。

AMSR-E傳感器于2002年由美國NASA發射的Aqua衛星搭載升空。AMSR-E的赤道過境時間約為當地時間下午13:30 (升軌)和凌晨01:30 (降軌)。本文中 AMSR-E 土壤水分值來自美國冰雪數據中 NSIDC (National Snow and Ice Data Center) 的 AMSR-E-L3-DailyLand-V06 數據集中的重采樣結果。

在地面觀測資料方面, 本文從國家氣象局氣象數據共享平臺獲取土壤水分數據集中0~10 cm的土壤水分相對濕度, 對反演結果進行驗證。由于AMSR-E土壤濕度數據是體積含水量, 國家氣象局土壤水分數據集測定的是每旬第8天的相對土壤濕度, 因此在進行驗證前, 需要將相對濕度數據轉換成體積含水量, 公式為

v=r××c, (5)

式中,v(%)表示土壤體積含水量;r(%)表示土壤相對濕度;(g/cm3)表示土壤容重;c(m3/m3)表示田間持水量。其中, 田間持水量和土壤容重與土壤類型有關。

由于本文采用的鳳翔縣農業氣象站數據僅用作驗證, 且鳳翔縣土壤類型單一, 因此, 根據王春 娟[20]關于鳳翔縣 0~10 cm 土壤水文特征的數據資料, 土壤容重取 1.08 g/cm3, 田間持水量取 0.263 m3/m3。

3 結果與討論

3.1 土壤水分基準日期值反演結果與分析

本文獲得渭北臺塬西部地區 2005 年 12 月 12日和2006年1月16日的兩景ASAR數據, 數據獲取時間均為北京時間23:30左右, AMSR-E數據則分別選取2005年12月13日01:30和2006年1月17日01:30的數據, 對應日期的兩種數據分別相差兩個小時左右。本文假設土壤水分在這兩個小時內基本上無變化。按照本文提出的不依賴地面數據的土壤水分基準日期值反演方法, 將ASAR數據匹配到 AMSR-E 相同的像元大小。由于覆蓋研究區域的AMSR-E數據像元數為9個, 其中2個像元沒有有效值, 予以剔除, 因此得到7組2005年12月12日、2006年1月16日ASAR數據匹配后的后向散射系數和補償后的AMSR-E土壤濕度, 詳見表2。

表2 簡化的AIEM擬合輸入參數

利用兩天的數據, 式(3)的參數擬合結果分別為

log10(v)=0.0292×HH+0.0343×vv+3.0883, (6)

log10(v)=0.0397×HH+0.0158×vv+2.9915, (7)

其中, 式(6)為 2005 年 12 月 12 日的擬合結果, 擬合的決定系數2=0.82; 式(7)為2006年1月16日的擬合結果, 擬合的決定系數為2=0.81。

將擬合得到的模型進行變換, 得到土壤水分基準日期值的表達式分別為

, (9)

其中, 式(8)是2005年12月土壤水分的表達式, 式(9)是2006年1月土壤水分的表達式。

將上述公式分別應用到對應的 30 m 分辨率的ASAR 后向散射系數中, 得到高空間分辨率的土壤水分基準日期值反演結果(圖3)。

對像元進行統計, 發現反演得出的土壤體積含水量在 170‰~286‰之間, 約占總數的 80%。2005年12月12日的平均土壤水分值為 233‰, 方差為0.054; 2006年1月16日的平均土壤水分值為244‰, 方差為0.049。可以看出, 2006年1月16日土壤體積含水量更高、更集中。從空間分布上看, 兩者均呈現南高北低的整體態勢, 這可能與渭河穿過研究區域南部有關。土壤水分基準日期值反演結果與 AMSR-E土壤水分的分布基本上一致。

3.2 逐日土壤水分協同反演與驗證

鳳翔縣農業氣象站(簡稱鳳翔站)是研究區域內唯一的農業氣象站。2005年12月, 鳳翔站有3次(3, 18和28日)地面觀測土壤水分值, 2006年1月只有一次觀測。在反演出的2005年12月12日土壤水分基準日期值的基礎上, 利用前面提到的逐日土壤水分協同反演方法, 反演了2005年12月有地面農業氣象站觀測資料的3, 18和28日共3天的土壤體積含水量(圖4)。從圖4可以看出, 12月3日的土壤含水量整體上高于其他3天, 渭河流域的土壤水分明顯高于其他區域。圖4中綠色三角形表示鳳翔站的位置, 其地面觀測相對濕度與協同反演的土壤體積含水量見表3。

表3 鳳翔站驗證數據

利用式(5), 將鳳翔站0~10 cm的土壤相對濕度觀測值轉換成土壤體積含水量, 并與土壤體積含水量反演值進行對比, 結果如圖 5 所示, 兩者的決定系數2=0.92, 均方根誤差為 0.025, 說明反演結果與地面觀測值較為接近, 具有較高的可信度。

3.3 討論

本文采用 AMSR-E 土壤濕度產品代替地面實測土壤水分, 利用 ASAR 和 AMSR-E 協同反演的方法, 反演出 30 m 分辨率的逐日土壤水分, 解決了地面土壤水分同步數據難于獲取的問題, 提高了土壤水分反演的空間分辨率, 取得較好的模擬效果。但是, 由于真實土壤水分的不確定性, 難免有一定的偏差。

首先, 鑒于AMSR-E土壤濕度產品數值整體上偏小, 本文采用前人包含該區域同時期的 148 個農業氣象站資料, 對AMSR-E土壤水分標定的結果進行補償, 以使其更接近真實值, 但結果仍然存在誤差。其次, 在反演建模時, 進行粗分類去除模型不適用的區域, 盡量使參與建模的地物適用于模型, 但仍然可能會有模型不適用的地物混雜其中, 增加了建模的不確定性。最后, 在計算土壤水分變化量時, 采用AMSR-E土壤水分變化量的方法估算日期土壤水分與日期土壤水分基準日期值的差值, 這也具有一定的不確定性。上述不確定性的存在, 使反演結果與真實值之間存在一定誤差, 但經過處理后, 建模和反演結果的誤差在可接受的范圍內, 實例驗證結果也證明了結果的可靠性。

特別地, 2006年1月8—19日的最高氣溫均高于零度, 12—15日的最高氣溫高于最低氣溫的絕對值, 屬于凍融交替狀態, 此外, 研究區渭河流域之外的區域土壤水分普遍偏低。在土壤含水量較低時, 大部分水分以吸附水的形式存在, 一般不會凍結, 只有少量的自由水會凍結, 從而影響土壤含水量估計。根據曹梅盛等[21]與張立新等[22]對凍融土壤的微波輻射的研究, 野外土壤, 尤其是農田表層會有一層很薄的干土, 即使干土下濕土含水量較大, 土壤凍結后總體的發射率、比輻射率和亮溫等也不會有很大變化。因此, 在反演土壤水分時, 不考慮土壤凍融對土壤水分的影響, 在一定程度上會增加模型的不確定性, 但是影響較小。根據晉銳等[23]對凍土土壤水分的研究, 同化 SSM/I 19 GHz 亮溫后可以使土壤水分的均方根誤差減小 0.018。后續研究中, 可以考慮采用這種同化策略, 進一步減小不確定性。

4 結論

本文利用主被動微波遙感結合的方式, 在缺乏土壤水分地面觀測數據的條件下, 估算渭北臺塬地區30 m分辨率的逐日土壤水分, 是不依賴地面觀測數據反演土壤水分的一種有益嘗試。主動微波穿透能力強, 土壤的介電常數和土壤含水量具有很強的相關性, 因此利用主動微波數據反演表層土壤水分具有較高的機理性和可信度。實驗結果也表明, 本文提出的主被動微波協同反演土壤水分基準日期值的方法有較高的相關性。同時, 利用被動微波時間分辨率高、主動微波微空間分辨率高的特性, 在充分借鑒前人方法的基礎上, 提出一套主被動微波結合反演高空間分辨率日土壤水分的方法, 具有一定的實用性。鳳翔縣農業氣象站的土壤水分觀測數據驗證結果表明, 土壤水分反演值與地面觀測值之間有很高的一致性。

本文提出的方法在一定程度上可以監測逐日高分辨率土壤水分的真實狀況, 有利于逐日模擬作物生長模型以及土壤水分耦合的研究, 為實現水分限制條件下大范圍作物生長模擬奠定了良好的基礎。后續研究將通過土壤水分與作物生長模型的結合, 實現對區域尺度高分辨率作物生長發育情況的實時監測。

致謝 感謝歐洲太空局提供的ENVISAT影像以及中國氣象資料共享中心的地面實測數據支持。

參考文獻

[1]張黎, 王石立, 馬玉平. 遙感信息應用于區域尺度水分限制條件下作物生長模擬的研究進展. 應用生態學報, 2005, 16(6): 1156?1162

[2]Wiegand C L, Richardson A J, Kanemasu E T, et al. Leaf area index estimates for wheat from LANDSAT and their implications for evapotranspiration and crop modeling. Agronomy Journal, 1979, 71: 336?342

[3]Maas S J. Use of remotely sensed information in agricultural crop growth models. Ecological Mode-lling, 1988, 41(3): 247?268

[4]Bouman B A M. Linking physical remote sensing models with crop growth simulation models, applied for sugar beet. International Journal of Remote Sen-sing, 1992, 13: 2565?2581

[5]Delecolle R, Maas S J, Guerif M, et al. Remote sensing and crop production models: present trends. ISPRS Journal of Photogrammetry & Remote Sensing, 1992, 47: 145?161

[6]Doraiswamy P C, Hatfield J L, Jackson T J, et al. Crop condition and yield simulation using Landsat and MODIS. Remote Sensing of Environment, 2004, 92: 548?559

[7]馬玉平, 王石立, 張黎, 等. 基于遙感信息的華北冬小麥區域生長模型及模擬研究. 氣象學報, 2005, 63(2): 204?215

[8]陳勁松, 黃健熙, 林琿, 等. 基于遙感信息和作物生長模型同化的水稻估產方法研究. 中國科學: 信息科學, 2010, 40(增刊1): 173?183

[9]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. Remote Sensing of Environment, 2013, 138(6): 149–164

[10]Seneviratne S I, Corti T, Davin E L, et al. Investigating soil moisture-climate interactions in a changing climate: a review. Earth-Science Reviews, 2010, 99:125?161

[11]楊濤, 宮輝力, 李小娟, 等. 土壤水分遙感監測研究進展. 生態學報, 2010, 30(22): 6264?6277

[12]陳書林, 劉元波, 溫作民. 衛星遙感反演土壤水分研究綜述. 地球科學進展, 2012, 27(11): 1192?1203

[13]張顯峰, 趙杰鵬, 包慧漪, 等. 基于AMSR-E與MODIS數據的新疆土壤水分協同反演與驗證. 土壤學報, 2012, 49(2): 205?212

[14]陳潔. AMSR-E土壤濕度產品在我國西北地區的精度驗證[D]. 北京: 中國氣象科學研究院, 2010

[15]李昂, 陸其峰, 楊曉峰, 等. AMSR-E衛星反演土壤濕度與ECWMF、NECP再分析土壤濕度比較分析. 遙感技術與應用, 2013, 28(4): 666?673

[16]武勝利, 王建明, 劉偉, 等. AIEM模型在積雪散射模擬中的應用. 國土資源遙感, 2006(1): 40?42

[17]李震, 陳權, 任鑫. Envisat-1雙極化雷達數據建模及應用. 遙感學報, 2006, 10(5): 777?782

[18]張揚, 吳發啟, 張進, 等. 陜西省優質蘋果園表層土壤水分特征. 西北農業學報, 2010, 19(10): 91?95

[19]杜培軍. RADARSAT圖像濾波的研究. 中國礦業大學學報, 2002, 31(2): 25?30

[20]王春娟. 鳳翔縣旱地土壤水分變化規律. 陜西氣象, 1998(5): 29?31

[21]曹梅盛, 張鐵鈞. 青海高原春秋季地表土凍融的微波遙感監測. 遙感學報, 1997, 1(2): 139?144

[22]張立新, 趙少杰, 蔣玲梅. 凍融交替季節黑河上游代表性地物類型的微波輻射時序特征. 冰川凍土, 2009, 31(2): 198?206

[23]晉銳, 李新. 同化站點觀測和SSM/I亮溫改善凍土活動層狀態變量的模擬精度. 中國科學: 地球科學, 2009, 39(9): 1220?1231

A Soil Moisture Co-retrieval Approach Based on AMSR-E and ASAR Data

LI Xin, ZENG Qiming?, WANG Xinyi, HUANG Jianghui, JIAO Jian

Institute of Remote Sensing and Geographical Information System, School of Earth and Space Sciences, Peking University, Beijing 100871; ? Corresponding author, E-mail: qmzeng@pku.edu.cn

It is difficult to monitor land surface soil moisture in high temporal and spatial resolution within a wide range for lack of ground observation data when the satellite is passing over. To solve this problem, a new integrated approach termed as “soil moisture retrieval with combined active and passive microwave remote sensing observation” was proposed. AMSR-E soil moisture product is compensated as “high temporal resolution observation control data” and soil moisture benchmark is retrieved together with ASAR alternating polarization mode data. Then both of them are integrated to build up a co-inversion model for soil moisture retrieval. This approach applies to areas where the land surface roughness is small and vegetation index (NDVI) is low. The approach is evaluated in Weibei Upland of Shaanxi Province. According to the regression analysis based on AIEM (advanced integrated equation model), the correlation coefficient between compensated AMSR-E soil moisture and downscaled ASAR backscattering coefficient was approximately 0.81. Verification analysis with the-data of Fengxiang County in the study area shows that the soil moisture retrieved with combined active and passive microwave remote sensing observation displays a correlation coefficient of 0.92, and the root mean square errors (RMSE) of the soil volumetric moisture is 0.025. It indicates that the approach is credible and the soil moisture retrieval results could be used in simulating regional crop growth under water-limited environments.

soil moisture; AMSR-E; ASAR; crop growth simulation model; AIEM

10.13209/j.0479-8023.2015.142

P237; TP79

2015-04-03;

2015-05-18; 網絡出版日期: 2016-03-22

國家科技支撐計劃(2012BAH29B03)資助