土壤水分反演中的主動微波散射模型

李俐， 王荻， 潘彩霞， 牛煥娜

(中國農業大學信息與電氣工程學院，北京 100083)

?

土壤水分反演中的主動微波散射模型

李俐， 王荻， 潘彩霞， 牛煥娜

(中國農業大學信息與電氣工程學院，北京 100083)

作為地表水循環的重要組成部分，土壤水分含量的監測已經成為農業、水文、氣象和生態環境等領域的研究熱點之一，尤其對現代農業中的精確灌溉、旱情監測和產量估計具有深刻的現實意義。微波后向散射強度與土壤水分之間密切的相關關系使主動微波遙感技術成為高空間分辨率的土壤水分監測中最有效的方法之一。高性能微波散射模型的缺乏是限制土壤水分反演應用的主要因素。分別針對裸露地表和植被覆蓋地表，首先分析了常用的微波散射模型，然后對影響土壤水分監測的因素進行探討； 并在實際應用舉例中，對常用的主要影響因素校正方法進行分析總結。

土壤水分反演； 主動微波散射模型； 裸露地表； 植被覆蓋地表

0 引言

土壤水分直接影響著陸地和大氣間的物質和能量交換，在農作物旱情監測和產量估計、水資源管理、自然與生態問題等研究領域受到廣泛關注，因此，大面積土壤水分含量監測具有非常重要的意義[1,2]。隨著農業信息化的不斷發展，主動微波遙感憑借全天時、全天候、穿透能力強的特點及其后向散射系數與土壤含水量之間直接的相關關系，成為監測土壤水分的主要手段之一[3,4]。

微波后向散射系數受到雷達參數、土壤水分、土壤粗糙度、地形、植被覆蓋度、植被結構等眾多因素的影響，因此如何建立合理的散射模型、搭建土壤水分與散射系數間明確的數學關系是當前主動微波遙感用于監測土壤水分要考慮的一個重要問題[5,6]。目前，國內外學者圍繞著土壤水分和微波后向散射系數之間的關系進行了大量研究。然而，模型的局限性、模型參數的獲取難度、模型模擬值和地面實測值的差異等問題依然制約著主動微波的土壤水分監測應用。

本文分別針對裸露地表和植被覆蓋地表常用的微波散射模型進行總結，分析模型的局限性和適用范圍，并對影響反演精度的主要因素進行討論； 在此基礎上，通過列舉目前主動微波遙感土壤水分反演模型的應用實例，分析主要影響因素的校正方法，為今后的相關研究提供技術支持。

1 裸露地表微波散射模型及其應用

含水量不同的土壤，其介電特性存在巨大差異，而土壤的介電特性與微波后向散射系數之間有直接的相關關系，這是基于主動微波遙感進行土壤水分監測的理論基礎[7]。因此，建立微波散射模型、確立微波散射系數與土壤水分的關系是估算土壤水分的前提。近幾十年來國內外學者分別對裸露和植被覆蓋兩種隨機粗糙地表場景進行了大量的研究，建立了一系列的理論模型及經驗/半經驗模型。

1.1 散射模型

1.1.1 理論模型

裸露或者植被稀疏地表的理論模型是由地表電磁波理論發展起來的。早期的隨機粗糙面散射理論模型為基爾霍夫模型(Kirchhoff approximation，KA)，是一種嘗試通過求解麥克斯韋方程組得到的標準后向散射理論模型，一般要求地表平均曲率半徑大于電磁波波長[8]。典型的基爾霍夫模型包括適用于非常粗糙表面的幾何光學模型(geometrical optics model，GOM)和向中級粗糙表面推進的物理光學模型(physical optics model，POM)。結合GOM和POM發展起來的小擾動模型(small perturbation model，SPM)則適用于低頻率入射、相關長度較小的較為光滑表面[9]。這些地表散射模型都未考慮體積散射的影響。Song[10]等人通過改進SPM模型，提出了多層土壤模型，并且引入體積散射的因子，提高了土壤水分監測的精度。

上述的傳統理論模型為土壤水分檢測提供了可用模型，但分別適用于不同土壤粗糙度地表，其粗糙度范圍不連續，而自然地表的土壤粗糙度一般比較連續，因此直接用這些模型反演土壤水分比較困難。近年來拓寬土壤粗糙度適用范圍的隨機粗糙面散射模型成為微波遙感領域的常用模型，包括相位擾動理論(phase perturbation theory, PPT)[11]、全波方法(full wave method, FWM)[12]、小斜坡近似(small-slope approximation, SSA)[13]、算子展開方法(operator expansion method, OEM)[14]和積分方程模型(integral equation model, IEM)等。其中，IEM模型是由Fung[15]等人結合KA模型和SPM模型提出的，是適用于不同粗糙程度表面的常用物理模型。該模型省略了局部入射角的菲涅耳反射系數，用入射角度或者鏡面角度來替代； 并在交叉極化時，將計算基爾霍夫場的反射系數近似為水平極化和垂直極化反射系數差的1/2； 忽略邊緣衍射項； 通過簡化的表面格林函數和相位項的梯度，近似計算補充場系數。由此得到的IEM模型后向散射由單散射項和多次散射項2部分組成。大多數自然隨機地表具有較小的隨機表面坡度，在后向散射系數中主要為單散射項，多次散射可以忽略不計。因此，在小到中等粗糙度的IEM模型中，后向散射系數用單散射項來近似，即

(1)

(2)

由于如前所述的菲涅爾反射系數計算簡化及與粗糙度相關參數難以確定的問題，IEM模型理論模擬值與地表實測后向散射值之間存在不一致性。針對這些問題，許多學者不斷改進IEM模型，如改進的IEM(improved IEM,IEMM)、二階多重散射積分方程模型(IEM for second-order multiple scattering,IEM2M)、改進的高級積分方程模型(advanced IEM,AIEM)和擴展先進積分方程模型(extended advanced IEM,EAIEM)等，試圖提高后向散射系數的模擬準確度[16]。在IEMM中，Hsieh[17]等人保留了格林函數中Weyl譜中的相位絕對值項。而IEM2M則是在格林函數中Weyl譜中的相位絕對值項基礎上，保留了出現在格林函數的梯度矢量中的符號項，同時將隨機粗糙面上方和下方介質的格林函數及其梯度對區別對待[18]。然而，該模型由于其區分隨機粗糙面上方和下方介質的格林函數譜的做法在隨機粗糙面下方介質為損耗介質時可能會產生的振蕩而受到了質疑[19]。在AIEM中，改進了粗糙面上方和下方介質的格林函數及其梯度對的拆分，用精確的補償場振幅和相位值代替近似假設[20]，解決了IEM模型的不完善之處，可以更加真實地模擬出自然狀態下的隨機地表散射特征。但是由于補充散射分量非相干功率計算不精確、忽略誤差函數等問題，該模型依然有待改進。作為IEM2M和AIEM的擴展，EAIEM[21]在非相干功率表達式中的交叉及補充散射系數中引入了誤差函數，提高了模型的有效性。

1.1.2 經驗-半經驗模型

考慮到理論模型表達式比較復雜、有的參數難于獲取問題，一些研究者借助實測數據發展了適用于一定區域范圍的經驗/半經驗模型。

經驗模型通過分析研究特定地點大量的實測數據建立起后向散射系數與土壤水分之間的關系表達式。常見的經驗模型有線性模型[22]、Oh經驗模型[23]和Dubois模型[24]。線性模型根據實測值建立后向散射系數和特定環境中土壤含水量之間的線性回歸關系。而Oh經驗模型和Dubois模型則是分別利用車載散射計和地面散射計獲取不同地表粗糙環境中的散射數據來建立的非線性模型，其適用范圍受到入射角、均方根高度和介電常數的限制。通常經驗模型只在特定的地表粗糙度狀況、微波頻率、入射角和土壤含水量范圍內適用。

半經驗模型綜合了理論模型和經驗模型的優勢，借助實測數據簡化理論模型，得到不受實驗地點局限的關系模型。近年來廣泛應用于裸露或稀疏植被土壤表面的半經驗模型有Chen模型、Oh模型和Shi模型等。Chen模型[25]基于IEM模型建立，用指數相關方程來表示地表粗糙度，經過多重線性回歸利用HH和VV的后向散射系數比值來描述地表的后向散射特征。Oh半經驗模型[26,27]在SPM模型和KA模型的基礎上，結合大量車載散射計數據和機載SAR數據等實驗數據對Oh經驗模型進行了擴展和修正，研究了不同極化方式下后向散射系數同土壤含水量、地表粗糙度等參數間的關系式。Shi模型[28]利用IEM模型模擬不同表面粗糙度和土壤含水量條件下后向散射特性，建立了L波段的地表散射模型。相比之前的兩個半經驗模型，它加入了理論模型中的地表功率粗糙度譜和極化幅度等參數，模型的實際應用效果比較好。但是Shi模型只適用于同極化方式，而且還需進一步的研究能否適用于除L波段外的其他波段數據。針對常用的C波段數據，Loew和Mauser[16]基于IEM模型提出了一種僅僅使用一個參數來描述土壤表面粗糙度特性的半經驗模型，該模型應用廣義冪律譜的方法來提高模型精度。

1.1.3 數值模型

離散求解麥克斯韋方程組產生的數值化后向散射模型是近幾年隨著計算機技術的發展出現的一類新模型，稱為數值模型。矩量法(method of moments,MOM)模型借助一個表面網格求解電磁方程，由于其所用的計算資源較少成為被廣泛應用的一種數值模型[29]。為解決新出現的3D問題，3D數值麥克斯韋模型(numerical maxwell model in 3D,NMM3D)模型利用MoM模型求解麥克斯韋方程組的三維數值解[30]，是MoM模型模擬高斯隨機粗糙土壤表面的后向散射系數的三維應用。基于MoM的模型只適用于小范圍均勻表面。用體網格代替面網格得到的有限元法(finite element method,FEM)[31]和時域有限差分(finite difference time domain,FDTD)[32]模型不僅能用于表面不均勻的環境，而且可用于諸如森林的多層介質。數值模型充分利用現代計算機技術，是一種更有潛力的后向散射系數建模方法，但其大面積應用依然受限于算法速度和計算設備。

1.2 主要影響因素

由式(1)可以看出，IEM模型中除了包含與土壤水分信息密切相關的土壤的介電常數外，還包含了2類參數： 土壤表面粗糙度參數，如地表均方根高度(root mean square height，RMS)、地表面功率譜的粗糙度相關函數及相關長度等； 微波傳感器參數，如頻率(或波長)、視角(入射角)等。

推而廣之，裸露地表的微波后向散射系數(σo)，都包含這3個方面的信息[33]，即

σ0=f(λ,θ,p,Mv,Sr) ，

(3)

式中：λ,θ,p為雷達系統參數，分別為波長、入射角、極化狀態；Mv和Sr為地表參數，分別對應土壤水分以及土壤粗糙度。可見，土壤水分并不是決定微波后向散射系數的唯一因素。因此，根據后向散射系數進行裸露土壤水分反演時，雷達系統參數和土壤粗糙度成為影響反演精度的重要因素。

波長、入射角、極化方式等雷達系統參數會影響雷達后向散射系數對土壤水分的敏感性，因此在估算土壤水分時需要合理選擇雷達參數。在波長的選擇上，有研究發現在各種地表粗糙條件下L波段雷達后向散射系數對土壤水分的敏感性都要高于C波段、X波段，更適合監測土壤水分[34]。但作為目前SAR衛星常用的波段，C波段信號憑借其對植被敏感而易于去除植被影響的優勢[35,36]，在土壤水分監測中也廣為應用。在入射角的選擇上，一般認為低角度(10°～20°)入射可以得到最佳的土壤水分估計值[37,38]。然而，實際應用中通常選擇較大的雷達入射角來保證良好的地面覆蓋[39]。理解入射角的作用對在對地表粗糙度不敏感的小入射角與大覆蓋面的大入射角之間尋找一個較好的折中有重要意義。然而，量化入射角在反演土壤水分過程中的影響仍具有一定難度[40]，這主要因為現有的后向散射模型之間存在一定差異，同時缺乏大面積的地面觀測數據。在極化方式的選擇上，理論分析和實驗驗證均表明，HH極化方式比交叉極化方式對土壤水分更加敏感[41]。因此，在裸土或稀疏植被覆蓋地表的土壤反演中，建議選擇小入射角、L/C波段、HH極化的微波數據。這種情況下，微波后向散射系數可以近似認為僅是土壤水分的函數，可以忽略地表粗糙度變化的影響。

作為一個重要地表參數，土壤粗糙度是影響雷達后向散射特征的一個決定性因素[42-44]，進而成為影響土壤水分反演精度的重要因素。研究表明，當入射角大于10°時，隨著土壤粗糙度的增加，雷達的后向散射系數也會相應的增大[45]，即使采用了最佳的入射角，地表粗糙度依然是后向散射系數變化的重要因素[46]。以TerraSAR-X雷達數據為例，在小入射角情況下(入射角為26°～28°)光滑地表和粗糙地表間存在2～4 dB的雷達后向散射系數差，在大入射角狀態下這種差異更為明顯，提高到3.5～5.5 dB[47-49]。常被描述為隨機粗糙表面的地表，其復雜程度導致了雷達入射波與地表的相互作用發生的散射現象也十分的復雜，全面、高精度地量化隨機地表土壤粗糙度對土壤水分反演的影響還需要開展更深入的研究。

1.3 應用實例

選擇適合的散射模型對于反映真實的區域情況至關重要，決定著反演結果的準確性和可靠性。目前，理論模型中應用較多的是IEM及其改進模型。很多研究者結合研究區的實際情況與獲得的主動微波遙感數據，將人工神經網絡算法、優化算法、查找表算法等方法運用到IEM及其改進模型，成功估算了裸露地表的土壤水分含量。例如，針對微波散射計數據，Notarnicola[50]、Joseph[51]、王麗巍[52]使用IEM模型，分別基于前饋多層感知器網絡、優化算法、查找表等方法估算土壤水分，有效地提高了土壤水分的反演精度。在反演過程中，他們都采用了一定策略來減弱土壤粗糙度的影響： 例如，Notarnicola利用不同入射角和極化方式數據的冗余性來去除粗糙度影響； Joseph以后向散射系數的IEM模型預測值和觀測值之差作為代價函數，直接搜索代價函數最小的土壤粗糙度和土壤水分值。針對SAR數據， Bryant[53]利用IEM模型生成不同雷達參數情況下的后向散射系數并建立相應的查找表，利用查找表方法獲得對應的土壤粗糙度信息和土壤水分信息，通過這種方法直接分離出了土壤粗糙度的影響。陳晶[54]則利用IEM的改進模型AIEM，對Radarsat數據進行了土壤水分反演，其中考慮到均方根高度S和相關長度L的影響，提出了新的土壤粗糙度參數RS=S3/L2,為有效去除土壤粗糙度影響提供了新的思路。

經驗模型和半經驗模型憑借其形式簡單、參數易于獲取的優勢在裸露地表的土壤水分估算研究中也被廣為采用。例如，針對微波散射計數據，Oh[23]和Dubois[24]分別采用Oh模型和Dubois模型估算了裸露土壤表面的粗糙度信息和土壤水分含量。針對SAR數據，將Oh模型或結合Dubois模型與Oh模型成功應用到了ERS-1數據[55]、多極化SIR-C的L波段雷達數據[56]、多極化C波段的RADARSAT-2[57]等數據中，證明了經驗/半經驗模型基于SAR數據實現土壤水分反演的適用性。

理論模型與經驗/半經驗模型的聯合使用也是土壤水分反演應用中常見的一個現象。例如， Pauwels[58]以IEM和OH模型之間的差別為代價函數來估計土壤水分。而Oh模型交叉極化的信息也常用于彌補AIEM只能模擬同極化后向散射數據的缺點。Paloscia[59]等利用AIEM模型和Oh模型分別模擬同極化和交叉極化的訓練數據，基于Sentinel-1多極化和多入射角的觀測數據，應用前饋多層感知器網絡估算土壤水分，取得了較為理想的結果。蔣金豹[60]等則以ALOS/PLASAR的數據為基礎，利用AIEM模型和Oh模型建立后向散射系數之差與粗糙度的關系，并用后向散射系數之差代替粗糙度的影響，同時構建BP神經網絡反演裸土土壤水分，結果表明土壤水分含量估測值與實測值其均方根誤差為0.035 m3/m3，相對誤差為13.9%。

隨著超級計算機和快速算法的不斷發展，數值化的后向散射模型憑借精度高和速度快的特點在估算土壤水分方面逐漸得到應用。FDTD模型[61]、NMM3D模型[30]都被成功地用于估計土壤水分值。

2 植被覆蓋地表微波散射模型及其應用

2.1 散射模型

2.1.1 理論模型

植被覆蓋地表的散射模型不僅要考慮地表散射，還要考慮植被層對雷達后向散射系數的影響。典型的植被散射理論模型有密歇根微波植被散射模型(michigan microwave canopy scattering model，MIMICS)模型、一階草類離散相干散射模型(the coherent polarimetric microwave scattering model for grassland，GIMICS)模型及基于MIMICS模型簡化后提出的Roo模型等。

MIMICS模型[62]以輻射傳輸方程(radiative transfer equation, RTE)為基礎，根據微波散射特性和植被結構特點將植被層分為3部分： 植被冠層(包括不同大小、朝向、形狀的枝條和葉片)、植被莖桿部分(用介電圓柱體表示)和植被底層粗糙地表(用土壤介電特性和隨機地表粗糙度表示)，并分別考慮每一部分對微波后向散射的影響，得到RTE方程的一階解，將植被覆蓋地表微波后向散射系數表示為

(4)

式中： 左端表示來自植被覆蓋地表任意qp極化總的雷達后向散射系數； 右端各項代表植被地表各部分相應的雷達后向散射機制。

MIMICS模型通過計算植被各部分引起的后向散射成分，能夠很好地校正植被微波散射影響[63]。其改進模型Bi-MIMICS，根據雙站雷達設置，引入散射天頂角和方位角，實現了可用于雙站情況的森林冠層散射模型[64]。

這類MIMICS模型對植被結構刻畫的較為詳細，考慮了土壤粗糙度、植被等因素的影響，通過計算植被各部分引起的后向散射成分，得到了全極化的散射結果，很好地刻畫了植被對微波散射影響[64]。但該模型的輸入參數復雜繁多。模型中明確的3層結構適用于高大植被覆蓋地表，對低矮植被覆蓋的農田區域并不適用。隨后，MIMICS II模型[65]和Roo模型[66]分別在MIMICS模型的基礎上通過添加覆蓋率、空隙率等參數和去掉地表-莖稈之間的散射項，將其適用范圍推廣到農田環境。

GIMICS模型[63，67]基于散射體的散射場理論，考慮植被葉片形狀、植被空間分布等因素，對低矮植被覆蓋地表總的后向散射值進行了描述，將其分解為每個植株的單散射值、植株之間相互作用的多次散射值及經植被層衰減后的地表直接散射值。考慮農作物的行播特性，在計算單行作物散射的基礎上計算多行作物散射，給出了適用于小麥、大麥、燕麥及毛牛草等多行作物的散射模型。

針對多品種、多層次結構復雜的植被組成情況，廣義雷達模型[68]和三維森林雷達后向散射模型[69]分析了多層次森林空間結構對雷達后向散射的影響，預測了三維森林場景中的雷達后向散射系數。為提高模型的交叉極化預測精度，Ni[70]等人還引入matrix-doubling方法改進了三維森林雷達后向散射模型。這類模型主要應用于森林等高大植被覆蓋地表，在農田環境還未見使用。

2.1.2 經驗-半經驗模型

水-云模型(water cloud model, WCM)是以農作物為研究對象給出的一個估算農作物覆蓋地表土壤水分的半經驗模型[71]。它以輻射傳輸模型為基礎，假設植物層為一個各項均質散射體，簡化了植物覆蓋層的散射機制，得到由冠層的體散射和地表的直接散射2部分構成的總后向散射模型，模型的參數是由實測數據決定的。引入植被相關長度改進的水-云模型[72]，消除了植被層對下墊面地表的影響。而Saradjian和Hosseini[73]給出的改進水-云模型則充分考慮了土壤表面粗糙度的影響。

2.2 主要影響因素

植被覆蓋下的觀測地面后向散射系數(σ0)[33]可以表示為

σ0=f(λ,θ,p,Mv,Sr,Veg) ，

(5)

式中Veg為植被參數。

在植被覆蓋地表，植被層對微波后向散射貢獻的大小是影響地表土壤水分敏感性的重要因素，其次才是土壤粗糙度等地表參數。并且前5項因素如前所述，因此，這里重點分析植被影響。大量研究證明，對于較多植被的地表，微波信號有相當一部分被吸收和散射，從而降低了對土壤水分的敏感度。植被層的存在改變了土壤濕度信息和微波信號之間的近似線性關系，增加了土壤水分信息提取的難度。植被對土壤水分反演的影響可以通過植物含水量、植被類型、行向和間距、郁閉度[74]及植被冠層的形狀、大小和分布等[75]參數來體現。

2.3 應用實例

在實際應用中，選擇合理的植被覆蓋地表微波散射模型，消除植被及地表參數對微波信號的影響至關重要。

MIMICS模型是廣泛用于估算植被覆蓋地表條件下地表土壤水分的一種理論模型。例如，利用同極化方式下MIMICS模型能較好地描述玉米后向散射特性的優勢，趙天杰[76]等基于ASAR數據有效估算出玉米覆蓋地表的土壤水分。夏米西努爾[77]則利用多極化(HH/HV)的簡化MIMICS模型，結合葉面積指數從Radarsat-2雷達數據總的后向散射中去除植被的影響，實現了干旱區作物葉片含水量和土壤水分信息的提取。

水-云模型則是應用最廣、影響力最大的一種經驗模型，在估算農作物覆蓋區相關信息中被經常使用。利用地面實測數據或結合光學數據消除植被影響，并使用水-云模型估算土壤水分能獲得不錯的結果。例如，何媛[78]等利用ENVISAT搭載的ASAR，根據區域實際情況確定合理的土壤粗糙度參數，并結合歸一化植被指數NDVI計算的植被含水量，應用水-云模型估算出瑪曲地區土壤水分，反演值與地面實測值之間的均方根誤差小于0.05 m3/m3。利用多波段、多極化、多角度、多時相的微波數據來消除植被的影響也是水-云模型土壤水分反演中常用的方法。劉偉[33]、Gherboudj[79]等分別使用多極化AirSAR雷達數據和Radarsat-2數據，采用輔助數據或多極化數據間比值等消除地表粗糙度和植被覆蓋層的影響，有效地估算了農作物覆蓋區的地表土壤水分。Moran[80]等利用旱季、濕潤季節多時相ERS-2雷達后向散射系數對地表粗糙度和葉面積指數值的敏感性不同，結合校正的水-云模型消除地表粗糙度和植被覆蓋的影響，達到了利用雷達后向散射系數反演土壤水分的目的。

這些應用，通過各種方法去除植被和土壤粗糙度應用，提高了反演地表土壤水分的精度。但是總體來說，目前植被覆蓋地表土壤水分反演的算法仍不夠成熟，還不能夠完全利用微波數據去除植被和地表粗糙度的影響而得到精確的土壤水分信息。因此，植被覆蓋地表的土壤水分反演研究依然為當前微波技術研究領域的熱點和難點問題之一。

3 結論

地表土壤水分含量及其分布在農業生產方面舉足輕重。遙感技術為快速高效地獲取大面積土壤土壤濕度信息提供了有效途徑。相對于被動微波遙感、可見光/熱紅外遙感而言,主動微波遙感憑借其自身優勢，在監測裸露地表或者低植被覆蓋地表下的土壤水分信息具有廣闊的應用前景。

土壤水分與微波后向散射系數間關系的不確定性制約了主動微波土壤水分反演的精度。因此，建立和使用理想的以土壤水分為自變量的微波散射模型至關重要。建立理想模型需要解決2個問題： ①建立微波后向散射系數與土壤介電常數及其它影響因子之間的數學關系； ②建立土壤水分與土壤介電常數關系模型，改變通用理論模型缺乏的現狀。使用這些模型進行土壤水分反演同樣需要解決2個問題： ①選用合適的模型、設置合理參數，使之符合具體研究區域的植被覆蓋和土壤粗糙度范圍特點； ②在這些模型應用中，借助實測數據、多源數據融合等手段去除土壤粗糙度、植被覆蓋等的影響。

幸運的是，隨著計算機技術和傳感器技術的發展，數值模型、三維模型等新模型不斷涌現，光學、熱紅外遙感、被動微波遙感及多時相、多極化、多入射角的主動微波數據越來越豐富，這些將有力地推動土壤水分反演中的主動微波散射模型精度的提高及其應用。

[1] Beck H E,de Jeu Richard A M,Schellekens J,et al.Improving curve number based storm runoff estimates using soil moisture proxies[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2009,2(4):250-259.

[2] Bolten J D,Crow W T,Zhan X W,et al.Evaluating the utility of remotely sensed soil moisture retrievals for operational agricultural drought monitoring[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2010,3(1):57-66.

[3] 田國良.土壤水分的遙感監測方法[J].環境遙感,1991,6(2):89-98. Tian G L.Methods for monitoring soil moisture using remote sensing technique[J].Journal of Remote Sensing,1991,6(2):89-98.

[4] 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.

[5] 焦俏,王飛,李銳,等.ERS衛星反演數據在黃土高原近地表土壤水分中的應用研究[J].土壤學報,2014,51(6):1388-1397. Jiao Q,Wang F,Li R,et al.Application of inversion of European remote sensing satellites date to investigation of near-surface soil moisture in Loess Plateau[J].Acta Pedologica Sinica,2014,51(6):1388-1397.

[6] Kornelsen K C,Coulibaly P.Advances in soil moisture retrieval from synthetic aperture radar and hydrological applications[J].Journal of Hydrology,2013,476:460-489.

[7] Dobson M C,Ulaby F T,Hallikainen M T,et al.Microwave dielectric behavior of wet soil-Part II:Dielectric mixing models[J].IEEE Transactions on Geoscience and Remote Sensing,1985,GE-23(1):35-46.

[8] Ulaby F T,Batlivala P P,Dobson M C.Microwave backscatter dependence on surface roughness,soil moisture,and soil texture:Part I-bare soil[J].IEEE Transactions on Geoscience Electronics,1978,16(4):286-295.

[9] Engman E T,Chauhan N.Status of microwave soil moisture measurements with remote sensing[J].Remote Sensing of Environment,1995,51(1):189-198.

[10]Song K J,Zhou X B,Fan Y.Empirically adopted IEM for retrieval of soil moisture from radar backscattering coefficients[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(6):1662-1672.

[11]Shen J,Maradudin A A.Multiple scattering of waves from random rough surfaces[J].Physical Review B,1980,22(9):4234-4240.

[12]Bahar E.Full-wave solutions for the depolarization of the scattered radiation fields by rough surfaces of arbitrary slope[J].IEEE Transactions on Antennas and Propagation,1981,29(3):443-454.

[13]Voronovich A G.Small-slope approximation in wave scattering by rough surfaces[J].Soviet Physics JETP,1985,62(1):65-70.

[14]Milder D M.An improved formalism for wave scattering from rough surfaces[J].The Journal of the Acoustical Society of America,1991,89(2):529-541.

[15]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.

[16]Loew A,Mauser W.A semiempirical surface backscattering model for bare soil surfaces based on a generalized power law spectrum approach[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(4):1022-1035.

[17]Hsieh C Y,Fung A K,Nesti G,et al.A further study of the IEM surface scattering model[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(4):901-909.

[18]Alvarez-Pérez J L.An extension of the IEM/IEMM surface scattering model[J].Waves in Random Media,2001,11(3):307-329.

[19]Fung A K,Liu W Y,Chen K S.A comparison between IEM-based surface bistatic scattering models[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Toronto,Ontario,Canada:IEEE,2002,1:441-443.

[20]Wu T D,Chen K S.A reappraisal of the validity of IEM model for backscattering from rough surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(4):743-753.

[21]Du Y.A new bistatic model for electromagnetic scattering from randomly rough surfaces[J].Waves in Random and Complex Media,2008,18(1):109-128.

[22]Bruckler L,Witono H,Stengel P.Near surface soil moisture estimation from microwave measurements[J].Remote Sensing of Environment,1988,26(2):101-121.

[23]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.

[24]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.

[25]Chen K S,Yen S K,Huang W P.A simple model for retrieving bare soil moisture from radar-scattering coefficients[J].Remote Sensing of Environment,1995,54(2):121-126.

[26]Oh Y,Sarabandi K,Ulaby F T.An inversion algorithm for retrieving soil moisture and surface roughness from polarimetric radar observation[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Pasadena,CA:IEEE,1994,3:1582-1584.

[27]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.

[28]Shi J C,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.

[29]Warnick K F,Chew W C.Numerical simulation methods for rough surface scattering[J].Waves in Random Media,2001,11(1):R1-R30.

[30]Huang S W,Tsang L.Electromagnetic scattering of randomly rough soil surfaces based on numerical solutions of maxwell Equations in three-dimensional simulations using a hybrid UV/PBTG/SMCG method[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):4025-4035.

[31]Zienkiewicz O C,Taylor R L.The Finite Element Method[M].New York:McGraw-Hill,2000.

[32]Yee K S.Numerical solution of initial boundary value problems involving Maxwell’s equations in isotropic media[J].IEEE Transactions on Antennas and Propagation,1966,14(3):302-307.

[33]劉偉.植被覆蓋地表極化雷達土壤水分反演與應用研究[D].北京:中國科學院遙感應用研究所,2005. Liu W.Study on soil moisture inversion and application with polarization radar in vegetated area[D].Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences,2005.

[34]楊虎,郭華東,李新武,等.主動微波遙感土壤水分觀測中的最優雷達參數選擇[J].高技術通訊,2003(9):21-24. Yang H,Guo H D,Li X W,et al.Optimum radar parameters for mapping soil moisture[J].High Technology Letters,2003,13(9)：21-24.

[35]Romshoo S A,Koike M,Onaka S,et al.Influence of surface and vegetation characteristics on C-band radar measurements for soil moisture content[J].Journal of the Indian Society of Remote Sensing,2002,30(4):229-244.

[36]Notarnicola C,Angiulli M,Posa F.Use of radar and optical remotely sensed data for soil moisture retrieval over vegetated areas[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(4):925-935.

[37]Champagne C,Berg A,Belanger J,et al.Evaluation of soil moisture derived from passive microwave remote sensing over agricultural sites in Canada using ground-based soil moisture monitoring networks[J].International Journal of Remote Sensing,2010,31(14):3669-3690.

[38]Gherboudj I,Magagi R,Berg A A,et al.Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular RADARSAT-2 SAR data[J].Remote Sensing of Environment,2011,115(1):33-43.

[39]Baghdadi N,Zribi M,Loumagne C,et al.Analysis of TerraSAR-X data and their sensitivity to soil surface parameters over bare agricultural fields[J].Remote Sensing of Environment,2008,112(12):4370-4379.

[40]Crow W T,Wagner W,Naeimi V.The impact of radar incidence angle on soil-moisture-retrieval skill[J].IEEE Geoscience and Remote Sensing Letters,2010,7(3):501-505.

[41]Holah N,Baghdadi N,Zribi M,et al.Potential of ASAR/ENVISAT for the characterization of soil surface parameters over bare agricultural fields[J].Remote Sensing of Environment,2005,96(1):78-86.

[42]Altese E,Bolognani O,Mancini M,et al.Retrieving soil moisture over bare soil from ERS 1 synthetic aperture radar data:Sensitivity analysis based on a theoretical surface scattering model and field data[J].Water Resources Research,1996,32(3):653-661.

[43]Anguela T P,Zribi M,Baghdadi N,et al.Analysis of local variation of soil surface parameters with TerraSAR-X Radar data over bare agricultural fields[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(2):874-881.

[44]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.

[45]Ulaby F T,Batlivala P P.Optimum radar parameters for mapping soil moisture[J].IEEE Transactions on Geoscience Electronics,1976,14(2):81-93.

[46]Singh D.A simplistic incidence angle approach to retrieve the soil moisture and surface roughness at X-band[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(11):2606-2611.

[47]Baghdadi N,King C,Bourguignon A,et al.Potential of ERS and RADARSAT data for surface roughness monitoring over bare agricultural fields:Application to catchments in Northern France[J].International Journal of Remote Sensing,2002,23(17):3427-3442.

[48]Fung A K,Chen K S.An update on the IEM surface backscattering model[J].IEEE Geoscience and Remote Sensing Letters,2004,1(2):75-77.

[49]Zribi M,Dechambre M.A new empirical model to inverse soil moisture and roughness using two radar configurations[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Toronto,Ontario,Canada:IEEE,2002,4:2223-2225.

[50]Notarnicola C,Angiulli M,Posa F.Soil moisture retrieval from remotely sensed data:Neural network approach versus Bayesian method[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(2):547-557.

[51]Joseph A T,van der Velde R,O’Neill P E,et al.Effects of corn on C- and L-band radar backscatter:A correction method for soil moisture retrieval[J].Remote Sensing of Environment,2010,114(11):2417-2430.

[52]王麗巍,吳季,張瑋,等.FM-CW制式陸基微波散射計與IEM模型聯合反演地表土壤濕度研究[J].電子學報,2002,30(3):404-406. Wang L W,Wu J,Zhang W,et al.Study on soil moisture with ground-based scatterometer and IEM model[J].Acta Electronica Sinica,2002,30(3):404-406.

[53]Bryant R,Moran M S,Thoma D P,et al.Measuring surface roughness height to parameterize radar backscatter models for retrieval of surface soil moisture[J].IEEE Geoscience and Remote Sensing Letters,2007,4(1):137-141.

[54]陳晶,賈毅,余凡.雙極化雷達反演裸露地表土壤水分[J].農業工程學報,2013,29(10):109-115. Chen J,Jia Y,Yu F.Soil moisture inversion by radar with dual-polarization[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(10):109-115.

[55]Sabburg J M.Evaluation of an Australian ERS-1 SAR scene pertaining to soil moisture measurement[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.,Pasadena,CA:IEEE,1994,3:1424-1426.

[56]D'Urso G,Minacapilli M.A semi-empirical approach for surface soil water content estimation from radar data without a-priori information on surface roughness[J].Journal of Hydrology,2005,321(1/4):297-310.

[57]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.

[58]Pauwels V R N,Hoeben R,Verhoest N E C,et al.Improvement of TOPLATS-based discharge predictions through assimilation of ERS-based remotely sensed soil moisture values[J].Hydrological Processes,2002,16(5):995-1013.

[59]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.

[60]蔣金豹,張玲,崔希民,等.基于L波段的裸土區土壤水分微波遙感反演研究[J].土壤,2014,46(2):361-365. Jiang J B,Zhang L,Cui X M,et al.Soil moisture inversion research in bare region based on L-band radar data[J].Soils,2014,46(2):361-365.

[61]Rabus B,Wehn H,Nolan M.The importance of soil moisture and soil structure for InSAR phase and backscatter,as determined by FDTD modeling[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(5):2421-2429.

[62]Ulaby F T,Sarabandi K M,McDonald K,et al.Michigan microwave canopy scattering model[J].International Journal of Remote Sensing,1990,11(7):1223-1253.

[63]毛克彪,王建明,張孟陽,等.GNSS-R信號反演土壤水分研究分析[J].遙感信息,2009(3):92-97. Mao K B,Wang J M,Zhang M Y,et al.Research on soil moisture inversion by GNSS-R signal[J].Remote Sensing Information,2009(3):92-97.

[64]Liang P,Pierce L E,Moghaddam M.Radiative transfer model for microwave bistatic scattering from forest canopies[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(11):2470-2483.

[65]McDonald K C,Ulaby F T.Mimics II:Radiative transfer modeling of discontinuous tree canopies at microwave frequencies[C]//Proceedings of the IEEE 10th Annual International Geoscience and Remote Sensing Symposium.College Park,MD,USA:IEEE,1990:141.

[66]de Roo R D,Du Y,Ulaby F T,et al.A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(4):864-872.

[67]Stiles J M,Sarabandi K.Electromagnetic scattering from grassland.I.A fully phase-coherent scattering model[J].IEEE Transactions on Geoscience and Remote Sensing,2000,38(1):339-348.

[68]Burgin M,Clewley D,Lucas R M,et al.A generalized radar backscattering model based on wave theory for multilayer multispecies vegetation[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(12):4832-4845.

[69]Sun G Q,Ranson K J.A three-dimensional radar backscatter model of forest canopies[J].IEEE Transactions on Geoscience and Remote Sensing,1995,33(2):372-382.

[70]Ni W J,Guo Z F,Sun G Q.Improvement of a 3D radar backscattering model using matrix-doubling method[J].Science China Earth Sciences,2010,53(7):1029-1035.

[71]Attema E P W,Ulaby F T.Vegetation modeled as a water cloud[J].Radio Science,1978,13(2):357-364.

[72]Bindlish R,Barros A P.Including vegetation scattering effects in a radar based soil moisture estimation model[M]//Owe M,Brubaker K,Ritchie J,et al.Remote Sensing and Hydrology 2000.Santa Fe,New Mexico:IAHS Publication,2001,267:354-360.

[73]Saradjian M R,Hosseini M.Soil moisture estimation by using multipolarization SAR image[J].Advances in Space Research,2011,48(2):278-286.

[74]戈建軍,王超,張衛國.土壤濕度微波遙感中的植被散射模型進展[J].遙感技術與應用,2002,17(4):209-214. Ge J J,Wang C,Zhang W G.Review of vegetation scattering model in soil moisture microwave remote sensing[J].Remote Sensing Technology and Application,2002,17(4):209-214.

[75]Bindlish R,Barros A P.Parameterization of vegetation backscatter in radar-based,soil moisture estimation[J].Remote Sensing of Environment,2001,76(1):130-137.

[76]趙天杰,張立新,蔣玲梅,等.雙頻極化SAR反演玉米種植區土壤水分[C]//2008海峽兩岸遙感大會論文集.北京:中國科學院遙感應用研究所,2008:1-7. Zhao T J,Zhang L X,Jiang L M,et al.Soil moisture retrieval by dual-frequency polarimetric SAR date in the core growing regions[C].Remote Sensing Symposium across Taiwan Strait.Beijing:Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences,2008:1-7.

[77]夏米西努爾·馬遜江,侯君英.基于NDVI估算植被體散射的土壤水分反演研究[J].安徽農業科學,2013,41(29):11652-11653,11657. Xiamixinuer M X J,Hou J Y.Inversion study of estimation of soil moisture of vegetation scattering based on NDVI[J].Journal of Anhui Agri.Sci.,2013,41(29):11652-11653,11657.

[78]何媛,文軍,張堂堂,等.衛星微波遙感結合可見光遙感估算黃河源區土壤濕度研究[J].遙感技術與應用,2013,28(2):300-308. He Y,Wen J,Zhang T T,et al.A study on estimating soil moisture using microwave remote sensing combined with optical over the source region of the Yellow River[J].Remote Sensing Technology and Application,2013,28(2):300-308.

[79]Gherboudj I,Magagi R,Berg A,Toth B.Use of radarsat-2 images to develop a scaling method of soil moisture over an agricultural area[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium,2009,3:III-510-III-513.

[80]Moran M S,Vidal A,Troufleau D,et al. Ku- and C-band SAR for discriminating agricultural crop and soil conditions[J].IEEE Transactions on Geoscience and Remote Sensing,1998,36(1):265-272.

(責任編輯： 李瑜)

Active microwave scattering models used in soil moisture retrieval

LI Li, WANG Di, PAN Caixia, NIU Huanna

(CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China)

As an important component of the surface water cycle, soil moisture content monitoring has become one of the research hotspot in such fields as hydrology, meteorology, agriculture and ecological environment. In precision irrigation, drought monitoring and crop estimations, soil moisture content monitoring has shown especially significant practical significance. The close relationship between microwave scattering intensity and soil moisture makes the active microwave remote sensing technology one of the most effective methods for monitoring soil moisture with high spatial resolution. The lack of high performance microwave scattering models is a main factor restricting the application of soil moisture retrieval. For the bare soil surface and vegetation cover surface, microwave scattering models are analyzed firstly. Then the influence factors of soil moisture retrieval are discussed. And when the application examples are shown, the calibration methods for main influence factors are analyzed and summarized.

soil moisture retrieval; active microwave remote sensing; bare soil; vegetation cover

10.6046/gtzyyg.2016.04.01

李俐，王荻，潘彩霞,等.土壤水分反演中的主動微波散射模型[J].國土資源遙感,2016,28(4):1-9.(Li L,Wang D,Pan C X,et al.Active microwave scattering models used in soil moisture retrieval[J].Remote Sensing for Land and Resources,2016,28(4):1-9.)

2015-05-11；

2015-10-21

國家自然科學基金項目“基于極化分解的冬小麥全生育期土壤水分反演算法研究”(編號： 41201340)資助。

TP 79

A

1001-070X(2016)04-0001-09

李俐(1976-)，女，博士，副教授，主要從事微波遙感方面研究。 Email： lilixch@163.com。