遙感監測土壤水分研究進展

馬春芽，王景雷，黃修橋

(1.中國農業科學院農田灌溉研究所節水農業重點實驗室，河南 新鄉 453003；2.中國農業科學院研究生院，北京 100081；3.中國農業科學院農田灌溉研究所農業部作物需水與調控重點開放實驗室，河南 新鄉 453003)

0 引 言

土壤水分是指地面以下，潛水面以上土層中的水[1]，主要來源于降水和灌溉水，是維持植被生長發育、生態環境良性循環的最重要水源，同時也是土壤、植物和周圍環境進行物質和能量交換的媒介[2]。因此土壤水分是農作物產量的限制因子。傳統土壤水分監測方法，如烘干法、負壓計法、土壤濕度計法、中子水分儀探測法等，盡管具有操作簡單，精度高等優點，但多基于單點監測，難于實現實時、大范圍、動態墑情監測的需要[3]。同時，土壤水分受土壤理化特性、地下水位、植被類型、氣候條件等多種要素影響，存在著很大的空間變異性[4]。目前，對土壤水分空間變異性的研究主要集中在小尺度或者田間尺度[5,6]。這主要是因為土壤水分的傳統監測方法主要為手工或者半自動，獲取的多為單點土壤水分信息，對區域的土壤水分監測存在較大的難度[7]。

遙感是應用各種傳感器獲取地表反射或輻射信息，從而反映地表綜合特征。遙感的優點是可以頻繁地提供地表特征的區域信息，彌補了以稀少的采樣點為基礎進行對地觀測時由于采樣點稀疏不能代表區域特征的缺點[8]。因此遙感技術在一定程度上彌補了傳統土壤水分監測方法的不足。國外利用遙感方法監測土壤水分的可行性研究始于20世紀60年代末，而應用研究是在1970年后逐步開展的。國內進行土壤水分遙感監測研究大約比國外晚10 a以上，從20世紀80年代中期開始起步。國內剛起步時遙感監測的研究工作與國外早期研究相似，首先對土壤參數的遙感測定進行研究。常用的遙感波段有可見光波段、近紅外波段以及熱紅外波段，除此之外遙感波段還有中紅外波段和L波段、C波段、X波段等微波遙感波段。根據遙感反演所用波段不同，目前遙感可分為可見光-近紅外遙感、熱紅外遙感、微波遙感以及高光譜遙感。其中高光譜遙感監測土壤水分的原理和可見光-近紅外遙感中的反射率法相同。因此本文主要探討前3種遙感數據反演土壤水分的進展、現狀與發展趨勢。

1 常見遙感監測土壤水分方法

1.1 可見光-近紅外遙感

可見光-近紅外遙感利用土壤和植物的反射光譜信息，實現土壤水分的快速測定。利用光學遙感進行土壤水分監測的方法主要有反射率和植被指數。植被信息絕大部分被包含在紅和近紅波段，因此研究將2波段進行不同組合組成植被指數反映土壤水分情況。植被指數的變化與植被生長過程中的土壤水分存在密切的關系。距平植被指數(AVI)和植被條件指數(VCI)是常見的監測土壤水分的植被指數。

AVI是以平均的多年某一時間段歸一化植被指數(NDVI)為背景值，利用當年的同一時間段NDVI值減去背景值得到植被指數的距平。AVI可用如下公式表示：

(1)

若AVI>0，則表示植被生長比一般年份好，稱為正距平；若AVI<0，則表示植被生長比一般年份差，稱為負距平。

VCI是Kogan[9]在研究多年NOAA/AVHRR遙感數據的基礎上提出的，可以用下式表示：

(2)

式中：VCI為條件植被指數；NDVIi為某一時段經平滑處理的歸一化植被指數；NDVImax和NDVImin分別為多年同一時段經平滑處理的最大、最小的歸一化植被指數。

在對區域干旱進行估算時，VCI比其他動態監測方法(如NDVI和降水量)更為有效和真實[10]。

1.2 熱紅外遙感

熱紅外遙感技術測定土壤水分，是利用不同土壤水分含量下土壤自身發射率(比輻射率)的差異，記錄其熱紅外信息，對地表參數進行反演，進而計算土壤水分含量。土壤熱慣量、水分虧缺指數、作物水分脅迫指數、溫度植被干旱指數和條件植被溫度指數是常見的應用熱紅外遙感監測土壤水分的方法。

(1)作物水分脅迫指數。作物水分脅迫指數(Crop Water Stress Index,CWSI)通過利用熱紅外遙感并輔以氣象資料反演作物覆蓋條件下的土壤水分。在植被覆蓋條件下，土壤水分盈虧直接影響植被蒸騰作用，引起冠層溫度發生變化。CWSI是Idso于1981年提出的，他認為作物在潛在蒸發條件下冠層溫度和空氣溫度的差與空氣飽和水汽壓差具有線性關系[11]。之后，Jackson在Idso基礎上提出了作物缺水指數理論模式[12]。CWSI可用下式表示：

(3)

式中：Tc是冠層溫度，℃；Ta是空氣溫度，℃。

(2)水分虧缺指數。為了克服CWSI在植被稀疏時反演效果不理想的情形，Moran 等提出水分虧缺指數(Water Deficit Index,WDI)[13]，即在考慮植被指數的基礎上，將其與土壤-植被的混合溫度結合起來，利用能量平衡雙層模型將CWSI擴展到植被覆蓋狀況下。WDI以植被指數作為縱坐標，以地面溫度和空氣溫度2者的差作為橫坐標，構筑具有梯形特征空間的散點圖，據此來估算土壤相對含水量。其WDI定義為：

(4)

式中：Ts為地面溫度，℃；Ta為空氣溫度，℃。

(3)土壤熱慣量。土壤熱容量、熱導率和熱擴散率是主要的土壤熱性質，是土壤溫度變化的內在因素。而土壤熱慣量(P)是基于土壤熱容量和熱傳導率提出的一種計算土壤熱特性的模型。該模型的物理基礎是水分具有較大的熱傳導率和熱容量，因此水分較高的土壤具有較大的熱慣量。光學遙感影像可以監測地表溫度日變化，從而可以計算出土壤熱慣量，通過熱慣量這一中間變量將土壤水分和地表溫度聯系起來是土壤熱慣量法監測土壤水分的機理。P由下式計算：

(5)

式中：P為土壤熱慣量；λ為土壤熱傳導率，J/(cm·s·K)；ρ為土壤密度，g/cm3；C為比熱容，J/(g·K)。

(4)溫度植被干旱指數。溫度植被干旱指數(Temperature Vegetation Drought Index,TVDI)是 Sandholt 等利用簡化的地表溫度(LST)、歸一化植被指數(NDVI)構建特征空間提出的水分脅迫指標[14]。地表溫度和歸一化植被指數2者的比值最初被很多學者用來計算區域蒸散，如應用比較廣泛的溫度植被指數(Temperature Vegetation Index,TVI)[15]和地表供水指數(Vegetation Supply Water Index,VSWI)[16]就是在此基礎上發展而來。之后對植被指數進行了深入研究，除了歸一化植被指數NDVI外，其他植被指數(Vegetation Index,VI)如增強植被指數EVI、土壤修正調節植被指數MSAVI等也被用來進行干旱監測，同時對地表溫度和不同植被指數之間的關系進行了進一步的拓展。地表溫度和不同植被指數之間的特征空間的方法由此而生。由LST和VI構建的特征空間可以分為2類：①一類是三角形特征空間，即以LST和VI構建的三角形特征空間為基礎估計作物水分脅迫狀況；②一類是梯形特征空間，即認為LST和VI2者的散點構成梯形特征空間[17]，并以此為基礎建立土壤水分反演模型。應用廣泛的溫度植被干旱指數(Temperature Vegetation Drought Index,TVDI)就是基于第一類特征空間，即三角形特征空間，提出的土壤水分反演模型[14]。TVDI可用下式表示：

(6)

LSTmin=amin+bminVI

(7)

LSTmax=amin+bmaxVI

(8)

式中：LST是由遙感影像獲得的每個像素地表溫度；LSTmin和LSTmax分別是對于一個特定的VI值最小和最大的地表溫度；amin,bmin,amax和bmax是擬合濕邊和擬合干邊的參數。

1.3 微波遙感

20世紀 70年代，國外逐步開始微波遙感反演土壤水分的相關研究。20世紀80年代在執行“農業和資源航天遙感調查”計劃時，相關研究人員對微波遙感反演土壤水分作了全面系統研究。美國農業部以及宇航局為了驗證大尺度衛星微波遙感反演土壤水分和土壤濕度航空微波遙感制圖，開展了一系列關于土壤水分觀測實驗的研究[18]。

利用微波遙感反演土壤水分是通過土壤介電特性這一物理變量實現的，即土壤介電特性受土壤水分影響，同時土壤介電特性又影響土壤的微波輻射或反射，因此通過微波遙感建立土壤介電常數與土壤微波輻射的關系，然后利用介電常數模型即可獲得土壤水分含量[19]。主動微波遙感、被動微波遙感以及將主動微波和被動微波進行融合是目前微波遙感反演土壤水分的主要方式。

目前主動微波遙感的傳感器主要為雷達，其原理是通過建立微波的后向散射系數與土壤水分的關系，從而獲得土壤水分含量。與主動微波遙感相比，被動微波遙感監測土壤水分的算法更為成熟，研究的歷史也更長。微波輻射計可以監測到土壤本身發射的微波或亮度溫度，因此被動微波遙感據此監測土壤水分。

主動微波遙感和被動微波遙感聯合反演土壤水分將有利于提高土壤水分的空間分辨率以及反演精度，因此，將2者結合起來聯合反演土壤水分含量是目前研究的熱點。土壤水分通過主被動微波遙感進行反演概括起來有以下2種。第1種是利用相關模型或算法將2種遙感數據融合在一起進行地表參數的反演。該方法是將主動微波數據看作被動微波數據的一個新的通道進行地表參數的反演，這一處理方式，雖然可以提高對地表參數的反演精度，但放棄了主動微波遙感高空間分辨率的優點，同時也忽略了2種微波遙感數據在空間尺度上的巨大差異。第2種是利用主動微波遙感數據改善由被動微波數據反演的低空間分辨率地表土壤水分，從而達到提高土壤水分空間分辨率的結果。

2 研究進展分析

2.1 可見光-近紅外遙感

反射率法和植被指數是可見光-近紅外遙感反演土壤水分的主要方法，早期研究土壤水分對光譜反射率的影響是在室內進行。研究表明，在760、970、1 190、1 450、1 940和2 950 nm等水分吸收波段可以作為土壤反射光譜的水分含量指標，并且隨水分增加土壤光譜反射率在整個波長范圍內降低[20]。Liu 等的研究表明，土壤光譜反射率與土壤濕度存在一定關系，即在一定的土壤水分臨界值之下土壤光譜反射率與土壤濕度呈負相關；但當超過臨界值后，則呈正相關。這個臨界值一般不小于田間持水量[21]。在此基礎上，研究人員利用遙感數據的光譜反射率監測土壤水分。郭廣猛和趙冰茹采用MODIS數據，根據水的吸收率曲線提出使用中紅外波段監測土壤濕度，通過實地調查以及回歸分析表明土壤水分與MODIS第7波段的反射率之間存在較好的相關關系[22]。劉培君等用分解復合像元法分別考慮植被和土壤對土壤水分光譜信息的影響，排除植被干擾，提取土壤水分光譜信息，采用土壤水分光譜法并利用回歸分析建立土壤水分遙感的TM模型和AVHRR數據模型[23]。晏明和張磊運用距平植被指數跟蹤監測吉林省旱情發展和影響范圍[24]。杜靈通和李國旗采用距平植被指數干旱監測方法，利用SPOT遙感數據準確監測干旱發生的范圍和相應的干旱程度[25]。

同理，目前發展的高光譜遙感反演土壤水分的原理與可見光-近紅外遙感相同，即通過反射率與土壤水分的相關關系實現土壤水分的估計。高光譜遙感反演土壤水分主要有2種方式：成像方式和非成像方式。成像方式即通過對高光譜影像進行分析，建立土壤反射率與土壤含水量之間的關系，實現對土壤含水量監測[26]。非成像方式主要在實驗室內或野外利用高光譜儀獲取土壤的光譜信息，從而建立土壤光譜信息與土壤含水量之間的關系，反演土壤水分[27]。對于成像方式，常用的機載或星載高光譜數據源主要有AVIRIS[26]、Hymap[28]、Hyperion[29]。

可見光-近紅外遙感與高光譜遙感主要基于光譜反射率以及各種植被指數與土壤水分的關系反演土壤水分，操作方法簡便快捷。但易受周圍環境、地形、地貌以及土壤類型影響。因此對于地形平坦、作物類型單一以及土壤類型相似的地區比較適用。

2.2 熱紅外遙感

熱紅外遙感與可見光-近紅外遙感在監測土壤水分方面敏感性更好，因為熱紅外遙感利用遙感影像中的熱紅外波段，將溫度變化作為一個估計土壤水分的參數，克服了單純利用反射率或植被指數監測土壤水分滯后性的缺點。

作物水分脅迫指數CWSI的物理基礎是熱量平衡原理，在區域旱情監測方面具有明顯優勢，尤其在植被覆蓋區域土壤水分反演精度高于土壤熱慣量法。然而，由于CWSI模型是以冠層能量平衡為基礎的單層模型，因此在作物生長的早期植被稀疏時反演效果較差。 同時計算CWSI所需的資料較多、計算比較復雜；模型中使用的氣象數據主要來自地面氣象站，氣象數據實時性以及外推的方法和精度對CWSI的反演精度都會產生影響[30]。因此，CWSI在應用上存在一定的弊端。

水分虧缺指數WDI與作物水分脅迫指數相比，其最大的優勢是克服了作物水分脅迫指數在低植被覆蓋時反演效果不理想的情況，水分虧缺指數試用各種植被覆蓋狀態。但水分虧缺指數也有其不足之處，由于水分虧缺指數需要借助氣象數據估測土壤水分，因此其模型的反演精度受地表狀態的差異性以及氣象站點位置與數量限制[30]。

通過遙感影像獲取地表溫度數據是應用熱慣量法監測土壤水分的核心，地表溫度一般通過求解熱傳導方程或者地表能量平衡方程實現。Watson 等人通過熱紅外遙感影像插值計算得到地表溫度日較差，從而獲得土壤熱慣量[31]；Price對土壤熱慣量進行了多年的研究，分別在1977年和1985年提出計算真實熱慣量模型以及表觀熱慣量(Apparent Thermal Inertia,ATI)概念，對熱慣量方法和熱慣量的遙感成像原理進行了系統闡述[32,33]。在國外研究的基礎上，國內對土壤熱慣量也開展了許多改進型的研究。余濤和田國良對地表能量平衡方程進行化簡，從遙感影像中獲得地表真實熱慣量值，并由此獲得土壤水分含量分布[34]。楊樹聰[35]、吳黎[36]等對Price提出的表觀熱慣量進行了改進，通過實測的模型參數和遙感數據反演研究區土壤水分含量。

由于計算真實熱慣量模型中僅僅通過遙感影像獲取所需參數具有一定的難度，因此提出了模型相對簡單的表觀熱慣量，其模型中的參數可以由遙感數據完全提供。表觀熱慣量模型提出后，在干旱監測以及土壤水分反演中具有廣泛應用。對于熱慣量監測土壤水分的研究中，熱慣量的解析方程和表觀熱慣量與土壤水分關系2方面的研究成為研究的重點和難點[35]。

LST/VI特征空間是TVDI計算的基礎，土壤表層水分含量介于萎蔫含水量和田間持水量之間是計算TVDI的限定條件。Holzma等認為TVDI獲得的土壤水分影響雨養作物產量，他們利用中分辨率成像光譜儀(MODIS)計算得到的TVDI估計區域作物產量[37]。Liang等利用2001-2010年的MODIS 中國地區數據構建TVDI分析了干旱時空變異性[38]。Cao等利用2000-2012年MODIS數據構建LST-NDVI特征空間，估計內蒙古高原土壤水分。關于TVDI的研究，很多都集中在MODIS數據[39-41]，對于其他遙感數據的研究還不是很多。

熱紅外遙感利用下墊面的溫度間接反演土壤水分含量。熱慣量法是常見的利用熱紅外遙感監測土壤水分的方法。但熱慣量法對于天氣以及云層比較敏感，同時對植被覆蓋區反演效果較差。因此，提出將植被指數與溫度結合構建特征空間，既可以消除植被指數滯后性又可以提高對不同植被覆蓋狀況下土壤水分反演精度。

2.3 微波遙感

在主動微波遙感領域，利用合成孔徑雷達(SAR)反演土壤水分的研究越來越多。在消除植被與地表粗糙度方面，目前主要是通過多頻率、多極化或多入射角雷達數據等綜合處理的方法，從而獲取準確的土壤水分信息[42]。對于植被覆蓋度小的區域，Dobson[43]、Oh[44]、Shi[45]先后利用后向散射系數提出了3個經驗半經驗模型。但是這些經驗半經驗模型針對植被覆蓋度高的區域反演效果較差。因此針對植被對微波信號的影響，相關研究人員提出了MIMICS 模型[46]、水云模型[47]、Karam[48]等基于輻射傳輸方程的物理微波輻射模型。MIMICS 模型和水云模型是目前干旱區常用的模型。

在被動微波遙感反演土壤水分方法中AMSR-E是應用最廣泛的遙感數據。目前在植被覆蓋度低的地表微波遙感反演土壤水分的模型主要有Q/H 模型、H/P 模型[49]、Q/P 模型[50]。在有植被覆蓋的條件下“ω—τ”模型[51]應用比較廣泛。其中Q/P 模型和“ω—τ”模型在干旱區應用較多。萬幼川等采用METOP(meteorological operational satellite)和 ERS(european remote sensing satellites)衛星搭載的微波散射計，以1999年Wolfgang 提出的經典TU-WIEN 算法為基礎，改進了其中人為定義經驗函數的描述模型參數季節性變化規律的不足，從而對研究區土壤含水量進行觀測[52]。Hong 等利用菲涅爾方程自由度的減少提出了一個獨特的土壤水分反演算法，并采用地球觀測系統的高級微波掃描輻射計(AMSR-E)獲得了全球表層土壤水分[53]。

對于將主動微波和被動微波融合共同監測土壤水分的研究，Lee和Anagnotou 結合TRMM(Tropic Rainfall Measurements Mission)衛星上被動的TMI和主動的PR(Precipitation Radar)數據，基于幾何光學模型和水云模型研究了美國俄克拉荷馬州的近表層土壤濕度，結果和實測值相符[54]。Narayan[55]等假設如果土壤表面的植被覆蓋狀況保持不變，那么后向散射系數的變化隨土壤水分變化的關系是穩定的，與地表粗糙度無關。具體方法是，將同時期主被動遙感數據計算得到的后向散射系數進行比較，獲得2者之間的相關關系，然后利用此相關關系調整由被動微波遙感數據獲得的低空間分辨率的土壤水分反演結果，最終獲得高空間分辨率的土壤水分數據。

微波遙感與其他遙感手段相比，微波遙感具有全天候、全天時的優勢，對地物有一定穿透能力，受天氣狀況影響較弱。然而，微波遙感接收的微波信號不僅受土壤微波輻射的影響，植被自身的微波輻射和地表粗糙度對微波信號也有影響，因此微波遙感在實際中的應用仍然受到一些因素的限制。目前在微波反演土壤水分的研究中如何去除植被和地表粗糙度對微波輻射的影響是微波遙感反演土壤水分研究中的重點和難點。

3 研究展望

土壤水分是制約社會經濟和環境可持續發展的重要因素，隨著遙感技術以及相關模型的不斷完善，通過遙感數據反演土壤水分進行墑情監測具有廣闊前景。但是，由于植物-土壤-水分傳輸系統的復雜性，以及模型參數地域性限制，遙感監測土壤水分研究的難度依然存在。

(1)時間分辨率和空間分辨率是遙感數據不可兼得的2個參數，如何通過信息互補以及數據融合提高時間分辨率或空間分辨率是遙感應用的研究趨勢，并且隨著機載平臺的發展，無人機遙感為星載遙感提供了新的數據源，可以克服星載遙感時間和空間分辨率的限制，獲得更為靈活、便捷的遙感信息。

(2)目前對土壤水分的反演研究主要是基于遙感參數與實測數據之間的關系獲得區域土壤水分數據，因此如何擺脫實測數據等非遙感的支持，僅依靠遙感數據獲得土壤水分數據是遙感反演土壤水分研究的一個重點和難點。

(3)目前遙感對表層土壤水分數據的反演具有較好的精度，但表層土壤水分的深度沒有統一的結論。因此，對于這一問題需要進行深入研究。

(4)區域表層土壤水分在氣候、水文以及生態領域具有重要作用，但同時區域深層以及根區土壤水分也是必不可少的一個參量，尤其在農業領域中，區域深層以及根區土壤水分對作物生長以及灌溉制度制定等具有決定性作用。因此，如何通過遙感數據獲得區域深層以及根區土壤水分也是今后研究的一個熱點和難點。

：

[1] 李佩成. 地下水動力學：水資源、農水等專業用[M]. 北京：農業出版社，1993.

[2] 張蔚榛，沈榮開. 地下水文與地下水調控[M]. 北京：中國水利水電出版社，1998.

[3] 伍漫春，丁建麗，王高峰. 基于地表溫度-植被指數特征空間的區域土壤水分反演[J]. 中國沙漠，2012，32(1)：148-154.

[4] 劉 昭，周艷蓮，居為民，等. 基于BEPS生態模型模擬農田土壤水分動態[J]. 農業工程學報，2011，27(3)：67-72.

[5] 張 泉，劉詠梅，楊勤科，等. 祁連山退化高寒草甸土壤水分空間變異特征分析[J]. 冰川凍土，2014,36(1)：88-94.

[6] BROCCA L, MELONE F, MORAMARCO T, et al. Spatial-temporal variability of soil moisture and its estimation across scales [J]. Water Resources Research，2010,46：W02156.

[7] 汝博文，繳錫云，王耀飛，等. 基于MODIS數據的土壤水分空間變異規律[J]. 中國農村水利水電，2016，(4)：38-42.

[8] 王鵬新，龔健雅，李小文，等. 基于植被指數和土地表面溫度的干旱監測模型[J]. 地球科學進展，2003，18(4)：527-533.

[9] Kogan F N. Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing，1990, 11(8)：1 405-1 419.

[10] Liu W T, Kogan F N. Monitoring regional drought using the vegetation condition index[J]. International Journal of Remote Sensing，1996, 17(14)：2 761-2 782.

[11] I dso S B, Jackson R D, Jr P J P, et al. Normalizing the stress-degree-day parameter for environmental variability[J]. Agricultural Meteorology, 1981,24(1)：45-55.

[12] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research，1981, 17(4)：1 133-1 138.

[13] 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 Sens Environ，1994,(49)：246-263.

[14] Sandholt I, Rasmussen K, Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment，2002,79(2-3)：213-224.

[15] Mcvicar T R, Bierwirth P N. Rapidly assessing the 1997 drought in Papua New Guinea using composite AVHRR imagery[J]. International Journal of Remote Sensing，2001,22(11)：2 109-2 128.

[16] Carlson T N, Gillies R R, Perry E M. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews，1994,9(1-2)：161-173.

[17] Yang X, Zhou Q, Melville M. Estimating local sugarcane evapotranspiration using Landsat TM image and a VITT concept[J]. International Journal of Remote Sensing，1997,18(2)：452-459.

[18] Jackson T J, Le Vine D M, Hsu A Y, et al. Soil moisture mapping at regional scales using microwave radiometry：the southern great plains hydrology experiment[J]. IEEE Transactions on Geoscience and Remote Sensing，1999,37(5)：2 136-2 151.

[19] 郭 英，沈彥俊，趙 超. 主被動微波遙感在農區土壤水分監測中的應用初探[J]. 中國生態農業學報，2011，19(5)：1 162-1 167.

[20] Stoner E R, Baumgardner M F. Characteristic variations in reflectance of surface soils [J]. Soil Science Society of America Journal，1982，45 (6)：1 161-1 165.

[21] LIU Wei-dong, BARET F, GU Xing-fa, et al. Relating soil surface moisture to reflectance[J]. Remote Sens Environ，2002, 81：238-246.

[22] 郭廣猛，趙冰茹. 使用MODIS數據監測土壤濕度[J]. 土壤，2004，36(2)：219-221.

[23] 劉培君，張 琳，艾里西爾·庫爾班，等. 衛星遙感估測土壤水分的一種方法[J]. 遙感學報，1997，1(2)：135-138.

[24] 晏 明，張 磊. 距平植被指數在吉林省農作物干旱監測中的應用[J]. 現代農業科技，2010，(11)：15-16.

[25] 杜靈通，李國旗. 利用SPOT數據進行干旱監測的應用研究[J]. 水土保持通報，2008，28(2)：153-156.

[26] Galv?o L S, Formaggio A R, Couto E G, et al. Relationships between the mineralogical and chemical composition of tropical soils and topography from hyperspectral remote sensing data [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2008,63(2)：259-271.

[27] 劉 影，姚艷敏. 土壤含水量高光譜遙感定量反演研究進展[J]. 中國農學通報，2016，32(7)： 127-134.

[28] Selige T, B?hner J, Schmidhalter U. High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures[J]. Geoderma，2006,136(1-2)：235-244.

[29] Gomez C, Viscarra Rossel R A, McBratney A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy：an Australian case study[J]. Geoderma，2008,146(3-4)：403-411.

[30] 楊 濤，宮輝力，李小娟，等. 土壤水分遙感監測研究進展[J]. 生態學報，2010,30(22)：6 264-6 277.

[31] Watson K, Rownen L C, Officeld T W. Application of thermal modeling in the geologic interpretation of IR images [J]. Remote Sensing of Environment，1971,(3)：2 017-2 041.

[32] Price J C. Thermal inertia mapping：a new view of the earth [J]. Journal of Geophysical Research，1977,82(18)：2 582-2 590.

[33] Price J C. On the analysis of thermal infrared imagery：the limited utility of apparent thermal inertia [J]. Remote Sensing of Environment，1985，(18)：59-73.

[34] 余 濤，田國良. 熱慣量法在監測土壤表層水分變化中的研究[J]. 遙感學報，1997，1(1)：24-31.

[35] 楊樹聰，沈彥俊，郭 英，等. 基于表觀熱慣量的土壤水分監測[J]. 中國生態農業學報，2011，19(5)：1 157-1 161.

[36] 吳 黎，張有智，解文歡，等. 改進的表觀熱慣量法反演土壤含水量[J]. 國土資源遙感，2013，25(1)：44-49.

[37] Holzman M E, Rivas R, Piccolo M C. Estimating soil moisture and the relationship with crop yield using surface temperature and vegetation index [J]. International Journal of Applied Earth Observation and Geoinformation，2014，(28)：181-192.

[38] Liang L, Zhao S, Qin Z, et al. Drought change trend using MODIS TVDI and its relationship with climate factors in China from 2001 to 2010[J]. Journal of Integrative Agriculture，2014,13(7)：1 501-1 508.

[39] Zormand S, Jafari R, Koupaei S S. Assessment of PDI, MPDI and TVDI drought indices derived from MODIS Aqua/Terra level 1B data in natural lands[J]. Natural Hazards，2016，86(2)：757-777.

[40] Wang J, Ling Z, Wang Y, et al. Improving spatial representation of soil moisture by integration of microwave observations and the temperature-vegetation-drought index derived from MODIS products [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2016,113：144-154.

[41] Dhorde A G, Patel N R. Spatio-temporal variation in terminal drought over western India using dryness index derived from long-term MODIS data [J]. Ecological Informatics，2016,32：28-38.

[42] 胡 猛，馮 起，席海洋. 遙感技術監測干旱區土壤水分研究進展[J]. 土壤通報，2013，44(5)：1 270-1 275.

[43] Dobson M C, Ulaby F T. Active microwave soil moisture research[J]. IEEE Transactions on Geoscience and Remote Sensing，1986,GE-24(1)：23-36.

[44] Oh Y, Sarabandi K, Ulaby F T. An empirical model and an inversion technique for radar scattering from bare soil surfaces[J]. IEEE Transaciton on Geoscience and Remote Sensing，1992,30(2)：370-381.

[45] 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)：1 254-1 266.

[46] Ulaby F T, Sarabandi K, Donald K M, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing，1990,11(7)：1 223-1 253.

[47] 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.

[48] Karam M A. A physical model for microwave radiometry of vegetation[J]. IEEE Transactions on Geoscience and Remote Sensing，1997, 35(4)：1 045-1 058.

[49] Wigneron J, Laguerre L, Kerr Y H. A simple parameterization of the L-Band microwave emission from rough agricultural soils[J]. IEEE Transactions on Geoscience and Remote Sensing，2001,39(8)：1 697-1 707.

[50] Wang J R, Choudhury B J. Remote sensing of soil moisture content, over bare field at 1.4 GHz frequency[J]. Journal of Geophysical Research Oceans，1981,86(C6)：5 277-5 282.

[51] Mo T, Choudhury B J, Schmugge T J, et al. A model for microwave emission from vegetation-covered fields[J]. Journal of Geophysical Research，1982,87(C13)：11 229-11 237.

[52] 萬幼川，陳 晶，余 凡，等. 利用星載散射計反演地表土壤水分[J]. 農業工程學報，2014，30(3)：70-77.

[53] Hong S, Shin I. A physically-based inversion algorithm for retrieving soil moisture in passive microwave remote sensing[J]. Journal of Hydrology，2011,405(1-2)：24-30.

[54] Lee K. A combined passive/active microwave remote sensing approach for surface variable retrieval using tropical rainfall measuring mission observations[J]. Remote Sensing of Environment，2004,92(1)：112-125.

[55] Narayan U, Lakshmi V, Jackson T J. High-resolution change estimation of soil moisture using L-band radiometer and radar observations made during the SMEX02 experiments[J]. IEEE Transactions on Geoscience and Remote Sensing. 2006,44(6)：1 545-1 554.