考慮地表粗糙度改進水云模型反演西班牙農(nóng)田地表土壤含水率

馬 騰，韓 玲，劉全明

考慮地表粗糙度改進水云模型反演西班牙農(nóng)田地表土壤含水率

馬 騰1,2,3，韓 玲1,3※，劉全明2

（1. 長安大學地球科學與資源學院，西安 710054；2. 內(nèi)蒙古農(nóng)業(yè)大學水利與土木建筑工程學院，呼和浩特 010018；3. 陜西省土地整治重點實驗室，西安 710054）

土壤含水率是農(nóng)業(yè)、環(huán)境、氣象等領(lǐng)域進行建模的重要參數(shù)。該研究將微波遙感與光學遙感相結(jié)合，利用Sentinel-1數(shù)據(jù)交叉極化比及變換土壤調(diào)節(jié)植被指數(shù)對地表粗糙度進行估計，構(gòu)建了一種改進的水云模型（modified water cloud model, MWCM）。分析將NDVI、NDWI和NDWI1725,2200等植被指數(shù)作為植被冠層含水率時，水云模型（water cloud model, WCM）及MWCM農(nóng)田地表土壤含水率的反演精度。結(jié)果表明：從總體精度上來看，MWCM的反演精度優(yōu)于WCM。在不同植被覆蓋度情況下：當植被覆蓋度為中、低程度（NDVI＜0.5），MWCM具有較高的反演精度；在較高的植被覆蓋度情況下（NDVI≥0.5），WCM與MWCM的反演精度較為接近。MWCM可有效的建立微波后向散射系數(shù)與地表土壤水分的關(guān)系，提高土壤含水率反演精度，為各種地表覆蓋類型的土壤含水率反演提供研究思路及理論支持。

土壤；水分；模型；地表粗糙度；水云模型；冠層含水率；反演精度

0 引 言

土壤表層含水率是指地表0～5 cm土壤的水分含量，在農(nóng)業(yè)、生態(tài)、氣象等領(lǐng)域有著廣泛的應(yīng)用[1-5]。農(nóng)田表層土壤含水率是作物估產(chǎn)、灌水定額確定、作物病蟲害防治和土壤改良的重要指標。精確的獲取該參數(shù)對中國國民經(jīng)濟的發(fā)展有著重要的意義[6-8]。

遙感是大范圍表層土壤含水率反演的主要方法，按照采用電磁波波長不同可分為光學和微波遙感兩類[9]。常用的光學遙感波段包含熱紅外波段、近紅外波段及可見光波段。熱紅外反演是利用地表溫度或熱慣量構(gòu)建理論或經(jīng)驗?zāi)Ｐ停瑢⑼寥篮首鳛槟Ｐ椭械膮?shù)進行求解[10-11]。可見光及近紅外波段反演土壤含水率需計算各類土壤或植被指數(shù)，之后建立單個指數(shù)或不同指數(shù)的組合與土壤含水率間的函數(shù)關(guān)系。光學遙感容易受到地面植被、氣候、季節(jié)等因素干擾，進而導致模型或指數(shù)適用性降低，因此反演的含水率難以達到較高的精度。微波遙感受季節(jié)干擾小，不同的極化方式獲取的觀測量物理機制明確，在進行土壤含水率反演方面具有光學遙感不具備的優(yōu)勢[12]。

水云模型（water cloud model，WCM）是植被覆蓋區(qū)域土壤含水率及生物量反演的常用模型，是基于微波遙感理論提出的半經(jīng)驗?zāi)Ｐ蚚13]。在進行土壤含水率反演時，模型中的植被冠層參數(shù)可利用光學遙感中的植被指數(shù)估計，因此它綜合了微波遙感與光學遙感的優(yōu)點，可在一定程度上提高含水率反演的精度[14-19]。Gherboudj等[20]利用全極化多角度Radarsat-2數(shù)據(jù)進行了2個農(nóng)田區(qū)域土壤含水率反演，均方根誤差（root mean squared error，RMSE）達到了0.059 和0.066 m3/m3。Baghdadi等[21]利用WCM，將NDVI（normalized difference vegetation index）作為地面植被描述參數(shù)，結(jié)合Sentinel-1數(shù)據(jù)進行了農(nóng)田及草地表層土壤含水率反演，結(jié)果表明在NDVI處于0～0.8；土壤體積含水率處于5%～35%時，VV極化對于土壤信息更加敏感。Hosseini等[22]利用WCM及全極化C、L波段數(shù)據(jù)，進行了小麥地生物量及土壤含水率反演，結(jié)果表明L波段土壤含水率反演精度（0.064 m3/m3）優(yōu)于C波段反演精度（0.078 m3/m3）。Katarzyna等[23]利用WCM及Sentinel-1數(shù)據(jù)進行了濕地土壤含水率反演，結(jié)果表明僅使用Sentinel-1數(shù)據(jù)作為模型輸入反演精度可達到0.100 m3/m3左右。然而，此類研究通常是將微波傳感器接收到的后向散射能量視為植被后向散射部分及土壤后向散射部分之和，將地表粗糙度作為常數(shù)。而土壤后向散射能量與表面粗糙度及土壤含水率密切相關(guān)[24-29]，忽略地表粗糙度在時空上的變化必然導致模型精度下降。另外，目前在選取各種光學遙感植被指數(shù)作為植被冠層含水率時，也較少考慮背景土壤對其影響。這些問題導致了模型土壤含水率反演精度的降低。

本研究將地表粗糙度作為變量引入WCM中，利用Sentinel-2數(shù)據(jù)計算不同的植被指數(shù)作為植被冠層含水率估計值，結(jié)合Sentinel-1數(shù)據(jù)對研究區(qū)土壤含水率進行反演，并對反演精度進行分析，以期提高土壤含水率的反演精度。

1 研究區(qū)概況及數(shù)據(jù)來源

1.1 研究區(qū)概況

研究區(qū)位于西班牙Duero盆地中部（41°06′N～41°32′N，5°01′W～5°45′W），面積1 300km2。該地區(qū)氣候?qū)儆诖箨懶园敫珊档刂泻夂颍昶骄邓?85 mm，地形平坦，年平均氣溫12 ℃。土地主要用途為農(nóng)業(yè)，主要田間作物有大麥、小麥、玉米、棉花、水稻和葡萄。該地區(qū)配備了23個自動監(jiān)測站點，可按照1 h間隔監(jiān)測土壤表層5 cm土壤體積含水率。研究區(qū)位置示意圖如圖 1所示。

圖1 研究區(qū)示意圖

1.2 數(shù)據(jù)獲取及預(yù)處理

西班牙Duero盆地土壤水分自動監(jiān)測站點屬于REMEDHUS土壤含水率監(jiān)測網(wǎng)絡(luò)（http://campus.usal.es/~ hidrus/），為ISMN（https://ismn.geo.tuwien.ac.at/en/）的子網(wǎng)絡(luò)。從ISMN網(wǎng)站獲取了研究區(qū)19個采樣點的自2018年1月至2018年12月0～5 cm土壤含水率監(jiān)測數(shù)據(jù)，所測數(shù)據(jù)采用了經(jīng)標定的Stevens Hydra Probe土壤傳感器[30-31]。各站點名稱及位置如表1所示。

從哥白尼開放存取中心（https://scihub.copernicus.eu）獲取了研究區(qū)2018年1月16日、4月16日、6月15日、8月8日和11月6日的每日各兩景不同入射角的 VV+VH極化GRD格式Sentinel-1影像以及2018年1月17日、4月17日、6月16日、8月5日和11月3日Sentinel-2影像。影像具體信息以及研究區(qū)各時期平均植被覆蓋情況如表2所示。

對Sentinel-1影像進行軌道校正、輻射校正，利用3×3 Lee sigma濾波器壓縮相干斑噪聲，最后進行地理編碼。對Sentinel-2影像進行輻射校正，鑲嵌處理，5×5均值濾波。在預(yù)處理后影像中獲取各采樣點Sentinel-1后向散射系數(shù)及Sentinel-2大氣底部反射率。

表1 土壤水分監(jiān)測點位置

表2 研究區(qū)Sentinel-1, 2影像基本信息及植被覆蓋情況

2 研究方法

2.1 水云模型

水云模型（water cloud model，WCM）由Attema和Ulaby提出。模型中的地表植被葉片被看作影響微波介電常數(shù)的水滴，無數(shù)的植被葉片組成水云[32-37]。模型如下式所示

利用麥克勞林級數(shù)將公式（3）展開為

當以植被含水率描述植被冠層時，可認為冠層是由尺寸一致的、均質(zhì)的水云組成，則1=1，2=veg[13,35,37]。取公式前兩項并考慮地表粗糙度，簡化后的WCM可表示為

式中為反映地表粗糙度、極化方式、頻率、入射角的參數(shù)；veg為植被冠層含水率；為土壤含水率。土壤水分反演模型為

2.2 植被冠層含水率

在WCM中，植被冠層含水率veg是影響后向散射系數(shù)的重要參數(shù)。目前，多采用植被指數(shù)估算植被冠層含水率veg，這些參數(shù)主要包含反映地表植被覆蓋情況的歸一化植被指數(shù)NDVI（normalized difference vegetation index），反映植被葉面含水率的歸一化水分指數(shù)NDWI（normalized different water index）[38]，計算公式如式（7）和（8）所示

式中NIR為近紅外波段反射率，RED為紅色波段反射率。bandx為Sentinel-2第波段反射率。

式中MIR為短波紅外波段反射率。

為避免地表土壤對植被指數(shù)的影響，Zhang等[39]提出了利用短波紅外波段計算的歸一化水分指數(shù)NDWI1725,2200，計算公式如下

式中1725 nm為波長1 725 nm波段反射率，2200 nm為波長2 200 nm波段反射率。

2.3 地表粗糙度

式中為常數(shù)。TSAVI（transformed soil adjusted vegetation index）為變換土壤調(diào)節(jié)植被指數(shù)，該指數(shù)與NDVI意義相近，但在一定程度上消除了土壤背景導致的噪聲，其計算公式[40-42]如下

式中為土壤線截距，為土壤線斜率。為調(diào)整系數(shù)，取值為0.08。

3 結(jié)果及分析

以2018年1月16日、4月16日、6月15日、8月8日和11月6日Carretoro、ConcejodelMonte、ElTomillar、Guarrati、LasArenas、LasBrozas、LasTresRayas、LasVictorias和Paredinas 9個監(jiān)測點共90個數(shù)據(jù)作為已知樣本用于模型參數(shù)計算。模型精度利用其余10個監(jiān)測點共100個數(shù)據(jù)進行驗證。以監(jiān)測點觀測日期的24 h平均值作為土壤含水率。模型參數(shù)采用最小二乘法求解。

3.1 不同植被指數(shù)對反演精度的影響

利用Sentinel-2計算NDVI、NDWI和NDWI1725,2200，代入簡化的水云模型進行土壤含水率反演，反演結(jié)果如表3所示。

由表3可知，3個模型的植被反射參數(shù)估計值均為0，說明在C波段VV極化植被后向散射分量可以忽略，這與Prévot等[35,37]獲取的C波段HH極化結(jié)果一致。3個模型當中，以NDVI作為植被冠層含水率的WCM反演精度最高，其均方根誤差（root mean squared error，RMSE）為0.106 m3/m3；以NDWI為植被冠層含水率的WCM精度最低，RMSE為0.118 m3/m3。以上結(jié)果表明，以NDVI、NDWI和NDWI1725,2200反映植被冠層含水率的精度較為接近，但由于3個參數(shù)不同程度受到土壤背景的影響，導致了WCM反演土壤含水率精度具有一定差異。另外，WCM中以常數(shù)表示地表粗糙度，未能充分考慮農(nóng)田地表在不同時期的變化，因此整體的反演精度較低。

表3 水云模型（WCM）參數(shù)估計及反演精度

注：為植被反射率；為衰減因子；為反映地表粗糙度、極化方式、頻率、入射角的參數(shù)。

Note：is the reflectance of vegetation;is the attenuation factor;is the parameters reflecting surface roughness, polarization mode, frequency and incidence angle.

3.2 修正的WCM

土壤水分反演模型為

3.3 MWCM反演土壤水分含量

將NDVI、NDWI和NDWI1725,2200作為植被冠層含水率代入MWCM進行土壤含水率反演，結(jié)果列于表4。其中，以NDWI1725,2200作為植被冠層含水率計算得到的土壤含水率精度最高，RMSE達到了0.077 m3/m3。以NDVI及NDWI作為植被冠層含水率進行土壤含水率反演精度低于NDWI1725,2200，RMSE分別為0.082 和0.094 m3/m3。計算NDVI及NDWI用到的近紅外波段對于植被含水率的變化敏感性較差，兩個參數(shù)并不能精確的反映植被冠層含水率。NDWI1725,2200使用了受土壤含水率影響較小但對于葉面含水率較為敏感的短波紅外波段，當?shù)孛嬷脖惠^為稀疏時，可以有效地避免土壤對植被冠層含水率的干擾。因此，以NDWI1725,2200作為植被冠層含水率的MWCM能夠避免植被含水率誤差的引入，具有較高的土壤含水率反演精度。當植被冠層含水率確定的情況下，MWCM土壤含水率反演精度要優(yōu)于WCM。WCM假定地表粗糙度在整個區(qū)域內(nèi)是相同的，其值以常數(shù)表示。但微波后向散射系數(shù)受地表粗糙度影響較大。特別是在農(nóng)田區(qū)域，隨著土地翻耕、灌溉、作物收割等人為活動干擾，地表均方根高度變化可達數(shù)厘米，C波段后向散射系數(shù)隨之發(fā)生的變化可達數(shù)分貝。忽略地表粗糙度時空差異，必然導致模型精度降低。由于MWCM考慮了地表粗糙度的時空變化，因而獲得了較高的反演精度。

表4 修正的水云模型（MWCM）參數(shù)估計值及反演精度

注：1'-6'為常數(shù)。

Note：1'-6' are constants.

圖2為利用MWCM反演的驗證點土壤含水率散點圖。結(jié)果表明反演值與實測值符合較好，但在含水率較高時反演值存在低估的情況，這可能與采用的最小二乘算法在評定精度時是以殘差平方和最小為指標有關(guān)。

圖2 實測及反演土壤含水率散點圖

3.4 不同植被覆蓋度條件下的反演精度

為分析比較WCM和MWCM在不同地表植被覆蓋度情況下的反演精度，對不同NDVI條件下土壤含水率反演精度進行了統(tǒng)計，結(jié)果如表5所示。結(jié)果表明，以NDVI、NDWI和NDWI1725,2200為植被冠層含水率估計值的MWCM土壤含水率反演精度隨著地表植被覆蓋度的增大而總體呈增加趨勢。在中低地表植被覆蓋度下（NDVI＜0.5），植被冠層只能遮蓋部分地表，且植被生物量較小，微波穿透深度較大。此時，后向散射系數(shù)反映的地表信息多，在引入地表粗糙度參數(shù)后的MWCM相比WCM能夠較大程度的提高土壤含水率反演精度。在較高植被覆蓋度情況下（0.5≤NDVI＜0.7），地面大部分被植被覆蓋，植被生物量大，微波穿透深度減小，MWCM地表粗糙度參數(shù)對于提高模型精度的貢獻較小，因此MWCM與WCM具有較為接近的反演精度。

表5 不同植被覆蓋條件下WCM和MWCM反演土壤含水率RMSE對比

注：WCM-NDVI/NDWI/ NDWI1725,2200表示以NDVI、NDWI或NDWI1725,2200作為植被含水率的WCM。MWCM-NDVI/NDWI/ NDWI1725,2200為以NDVI、NDWI或NDWI1725,2200作為植被含水率的MWCM。

Note: WCM-NDVI/ NDWI/ NDWI1725,2200is the water cloud model with NDVI, NDWI or NDWI1725,2200as the water content of the vegetation. The MWCM-NDVI, NDWI or NDWI1725,2200is the modified water cloud model with NDVI/ NDWI/ NDWI1725,2200as the water content of the vegetation.

相比以NDVI和NDWI1725,2200作為植被冠層含水率的MWCM，以NDWI作為植被冠層含水率的MWCM除在0.4≤NDVI＜0.5情況下土壤含水率反演精度較為接近外，在其余植被覆蓋條件下反演精度最低。表明在不同植被覆蓋情況下，NDWI受到土壤信息影響較大，且在反映植被冠層含水率方面精度不高。

以NDVI和NDWI1725,2200為植被冠層含水率的MWCM反演精度較為接近，其精度要優(yōu)于以NDWI為植被冠層含水率的MWCM反演精度。在0≤NDVI＜0.2和0.5≤NDVI＜0.7條件下，以NDWI1725,2200為植被冠層含水率的MWCM反演精度優(yōu)于NDVI。對于WCM也可以得到較為相近的規(guī)律。表明在較低及較高植被覆蓋條件下，NDWI1725,2200對植被含水率較為敏感。而在中等植被覆蓋條件下，NDVI對于植被含水率敏感性更高。

4 結(jié) 論

本研究對水云模型WCM進行了地表粗糙度改進，建立了改進的水云模型MWCM。將NDWI、NDVI、NDWI1725,2200作為WCM及MWCM中植被冠層含水率，結(jié)合Sentinel-1、Sentinel-2及地面含水率數(shù)據(jù)反演了不同植被覆蓋度情況下農(nóng)田地表土壤含水率。結(jié)果表明，在采用NDWI、NDVI和NDWI1725,2200作為植被冠層含水率時的MWCM土壤含水率反演精度要優(yōu)于WCM。相比NDWI和NDVI，以NDWI1725,2200作為植被冠層含水率的MWCM土壤含水率反演精度最優(yōu)，其RMSE可達到0.077 m3/m3。以NDVI作為植被冠層含水率的MWCM在中等植被覆蓋條件下（0.2≤NDVI＜0.5）具有較高的土壤含水率反演精度。以NDWI1725,2200作為植被冠層含水率的MWCM在低、高植被覆蓋度條件下（0≤NDVI＜0.2，0.5≤NDVI＜0.7）具有較為較高的土壤含水率反演精度。由此可知，MWCM可以有效反映后向散射系數(shù)與地表作物、粗糙度及土壤含水率間的關(guān)系，適用于不同覆蓋度條件下的農(nóng)田地表土壤含水率反演。本研究中，未對不同作物種類覆蓋情況下的MWCM模型精度進行分析。今后的工作中，將對此進行進一步分析研究，以改進、完善MWCM。

[1]張學禮，胡振琪，初士立. 土壤含水率測定方法研究進展[J]. 土壤通報，2005，36(1)：118－123. Zhang Xueli, Hu Zhenqi, Chu Shili. Methods for measuring soil water content: A review[J]. Chinese Journal of Soil Science, 2005, 36(1): 118－123. (in Chinese with English abstract)

[2]馮舒，趙文武，陳利頂，等. 2010年來黃土高原景觀生態(tài)研究進展[J]. 生態(tài)學報，2017，37(12)：3957－3966. Feng Shu, Zhao Wenwu, Chen Liding, et al. Advances in landscape ecology in the Loess Plateau since 2010 in China[J]. Acta Ecologica Sinica, 2017, 37(12): 3957－3966. (in Chinese with English abstract)

[3]鄭丹，李衛(wèi)紅，陳亞鵬，等. 干旱區(qū)地下水與天然植被關(guān)系研究綜述[J]. 資源科學，2005，27(4)：160－167. Zheng Dan, Li Weihong, Chen Yapeng, et al. Relations between groundwater and natural vegetation in the arid zone[J]. Resources Science, 2005, 27(4): 160－167. (in Chinese with English abstract)

[4]趙君，張曉民. 改進的TOPKAPI模型及其在洪水預(yù)報中的應(yīng)用[J]. 河海大學學報：自然科學版，2011，39(2)：131－136. Zhao Jun, Zhang Xiaomin. Application of improved TOKAPI model to flood forecast[J]. Journal of Hohai University (Natural Sciences), 2011, 39(2): 131－136. (in Chinese with English abstract)

[5]Liu Z, Todini. E. Towards a comprehensive physically-based rainfall-runoff model[J]. Hydrology and Earth System Sciences Discussions, European Geosciences Union, 2002, 6(5): 859－881.

[6]李柏貞，周廣勝. 干旱指標研究進展[J]. 生態(tài)學報，2014，34(5)：1043－1052. Li Bozheng, Zhou Gaosheng. Advance in the study on drought index[J]. Acta Ecologica Sinica, 2014, 34(5): 1043－1052. (in Chinese with English abstract)

[7]張強，鄧振鏞，趙映東，等. 全球氣候變化對我國西北地區(qū)農(nóng)業(yè)的影響[J]. 生態(tài)學報，2008，28(3)：1210－1218. Zhang Qiang, Deng Zhengyong, Zhao Yingdong, et al. The impacts of global climatic change on the agriculture in northwest China[J]. Acta Ecologica Sinica, 2008, 28(3): 1210－1218. (in Chinese with English abstract)

[8]潘英華，雷廷武，張晴雯，等. 土壤結(jié)構(gòu)改良劑影響下的土壤水分有效性研究[J]. 灌溉排水學報，2007, 26(5)：63－67. Pan Yinghua, Lei Tingwu, Zhang Qinwen, et al. Investigation of soil water availability influenced by soil conditioner[J]. Journal of Irrigation and Drainage, 2007, 26(5): 63－67. (in Chinese with English abstract)

[9]潘寧，王帥，劉焱序，等. 土壤水分遙感反演進展[J]. 生態(tài)學報，2019，39(13)：1－11. Pan Ning, Wang Shuai, Liu Yanxu, et al. Advancing soil moisture retrieval from remote sensing[J]. Acta Ecologica Sinica, 2019, 39(13): 1－11. (in Chinese with English abstract)

[10]楊永民，邱建秀，蘇紅波，等. 基于熱紅外的四種土壤含水率估算方法對比[J]. 紅外與毫米波學報，2018，37(4)：459－467，476. Yang Yongmin, Qiu Jianxiu, Su Hongbo, et al. Estimation of surface soil moisture based on thermal remote sensing: Intercomparison of four methods[J]. Journal of Infrared and Millimeter Waves, 2018, 37(4): 459－467, 476. (in Chinese with English abstract)

[11]Schmugge T J, Kustas W P, Ritchie J C, et al. Remote sensing in hydrology[J]. Advances In Water Resources, 2002, 25(8/9/10/11/12): 1367－1385.

[12]Adams J R, Berg A A, McNairn H, et al. Sensitivity of C-band SAR polarimetric variables to unvegetated agricultural fields[J]. Canadian Journal of Remote Sensing, 2013, 39(1): 1－16.

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

[14]蔡慶空，李二俊，陶亮亮，等. PROSAIL 模型和水云模型耦合反演農(nóng)田土壤水分[J]. 農(nóng)業(yè)工程學報，2018，34(20)：117－123. Cai Qingkong, Li Erjun, Tao Liangliang, et al. Farmland soil moisture retrieval using PROSAIL and water cloud model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(20): 117－123. (in Chinese with English abstract)

[15]Bai Xiaojing, He Binbin. Potential of Dubois model for soil moisture retrieval in prairie areas using SAR and optical data[J]. International Journal of Remote Sensing, 2015, 36(22): 5737－5753.

[16]Bao Yansong, Lin Libin, Wu Shanyu, et al. Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 76－85.

[17]Han Dong, Yang Hao, Qiu Chunxia, et al. Estimating wheat biomass from GF-3 data and a polarized water cloudmodel[J]. Remote Sensing Letters, 2018, 10(3): 234－243.

[18]Zribi M, Kotti F, Amri R, et al. Soil moisture mapping in a semiarid region, based on ASAR/Wide Swath satellite data[J]. Water Resources Research, 2014, 50(2): 1－13.

[19]Kseneman M, Gleich D. Soil-moisture estimation from X-band data using Tikhonov regularization and neural net[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7): 3885－3898.

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

[21]Baghdadi N, Hajj M E, Zribi M, et al. Calibration of the water cloud model at C-band for winter crop fields and grasslands[J]. Remote Sensing, 2017, 9(969): 13.

[22]Hosseini M, McNairn H. Using multi-polarization C- and L-band synthetic aperture radar to estimate biomass and soil moisture of wheat fields[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 58: 50－64.

[23]Dabrowska-Zielinska K, Musial J, Malinska A, et al. Soil moisture in the Biebrza wetlands retrieved from sentinel-1 imagery[J]. Remote Sensing, 2018, 12(10): 1979.

[24]Oh Y. Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3): 596－601.

[25]Palanisamy T, Vidhya R. Derivation of soil moisture using modified Dubois model with field assisted surface roughness on RISAT-1 data[J]. Earth Sciences Research Journal, 2018, 22(1): 13－18.

[26]Periasamy S. Significance of dual polarimetric synthetic aperture radar in biomass retrieval: An attempt on Sentinel-1[J]. Remote Sensing of Environment, 2018, 217: 537－549.

[27]Srivastava H S, Patel P, Manchanda M L, et al. Use of multiincidence angle RADARSAT-1 SAR data to incorporate the effect of surface roughness in soil moisture estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(7): 1638－1640.

[28]Srivastava H S, Patel P, Navalgund R R, et al. Retrieval of surface roughness using multi-polarized Envisat-1 ASAR data[J]. Geocarto International, 2008, 23(1): 67－77.

[29]Oh Y, Kay Y C. Condition for precise measurement of soil surface roughness[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(2): 691－695

[30]Dorigo W A, Wagner W, Hohensinn R, et al. The international soil moisture network: A data hosting facility for global in situ soil moisture measurements[J]. Hydrology and Earth System Science, 2011, 15(5): 1675－1698.

[31]Dorigo W A, Xaver A, Vreugdenhil M, et al. Global automated quality control of in situ soil moisture data from the international soil moisture network[J]. Vadose Zone Journal, 2013, 12(3): 1－21.

[32]Ulaby F T, Allen C T, EGER III G. Relating the microwave backscattering coefficient to leaf area index[J]. Remote Sensing of Environment, 1984, 14(1): 113－133.

[33]Paris J. The effect of leaf size on the microwave backscattering by corn[J]. Remote Sensing of Environment, 1986, 19(1): 81－95.

[34]Ulaby F T, Wilson E A. Microwave attenuation properties of vegetation canopies[J]. IEEE Transactions on Geoscience and Remote Sensing, 1985, GE-23(5): 746－753.

[35]Prévot L, Dechambre M, Taconet O, et al. Estimating the characteristics of vegetation canopies with airborne radar measurements[J]. International Journal of Remote Sensing, 1993, 14(15): 2803－2818.

[36]Fung A K, Ulaby F T. A scatter model for leafy vegetation[J]. IEEE Transactions on Geoscience and Remote Sensing, 1978, GE-16(4): 281－286.

[37]Prévot L, Champion I, Guyot G. Estimating surface soil moisture and leaf area index of a wheat canopy using a dual-frequency (C and X Bands) scatterometer[J]. Remote Sensing of Environment, 1993, 46(3): 331－339.

[38]Gao B C. A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3): 257－266.

[39]Zhang Ziyang, Tang Bohui, Li Zhaoliang. Retrieval of leaf water content from remotely sensed data using a vegetation index model constructed with shortwave infrared reflectance[J]. International Journal of Remote Sensing, 2018, 40(5/6): 2313－2323.

[40]Baret F, Guyot G, Major D. TSAVI: A vegetation index which minimizes soil brightness effects on LAI and APAR estimation[C]. Canada: IEEE, 1989: 1355－1358.

[41]Mróz M, Sobieraj-??obińska A. Comparison of several vegetation indices calculated on the basis of a seasonal SPOT XS time series, and their suitability for land cover and agricultural crop identification[J]. Technical Sciences, 2004, 7(7): 39－66.

[42]Chehbouni J Q, Huete A R, Kerr Y H, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119－126.

Inversion of surface soil moisture content of Spanish farmland using modified water cloud model

Ma Teng1,2,3, Han Ling1,3※, Liu Quanming2

(1.,,710054,; 2.,,010018,; 3.,710054,)

soil; moisture; models; surface roughness; water cloud model; vegetation canopy water content; inversion accuracy

馬 騰，韓 玲，劉全明. 考慮地表粗糙度改進水云模型反演西班牙農(nóng)田地表土壤含水率[J]. 農(nóng)業(yè)工程學報，2019，35(24)：129－135. doi：10.11975/j.issn.1002-6819.2019.24.016 http://www.tcsae.org

Ma Teng, Han Ling, Liu Quanming. Inversion of surface soil moisture content of Spanish farmland using modified water cloud model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(24): 129－135. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.24.016 http://www.tcsae.org

2019-07-25

2019-12-05

陜西省土地整治重點實驗室開放基金項目“水鹽耦合環(huán)境下地表粗糙度多源遙感波譜特性分析”（項目編號：300102279506）；國家重點研發(fā)計劃“黃土丘陵溝壑區(qū)溝道及坡面治理工程的生態(tài)安全保障技術(shù)與示范”（項目編號：2017YFC0504700）；國家自然科學基金項目“寒旱灌區(qū)土壤水鹽多源遙感協(xié)同反演及尺度轉(zhuǎn)換研究”（項目編號：51569018）；內(nèi)蒙古農(nóng)業(yè)大學“雙一流”學科創(chuàng)新團隊建設(shè)人才培育項目（項目編號：NDSC2018-10）

馬 騰，博士研究生，講師，主要從事生態(tài)環(huán)境遙感研究。Email：mt19822005@163.com

韓 玲，博士，教授，主要從事資源與環(huán)境遙感研究。Email：hanling@chd.edu.cn

10.11975/j.issn.1002-6819.2019.24.016

S127

A

1002-6819(2019)-24-0129-07