地表土壤水分的衛星遙感反演方法研究進展

徐嘉昕 李璇 朱永超 房世波 吳東 武英潔

（1 中國氣象科學研究院生態環境與農業氣象研究所，北京 100081；2 中國氣象局蘭州干旱氣象研究所，蘭州 730000）

0 引言

在地球生態系統中，地表土壤水分是連接地表水和地下水的紐帶，也是氣候、水文和農業等研究領域衡量土壤干旱程度的重要指標[1-3]。同時可以通過其變化來改變地表反射率、地表蒸發量、土壤熱容量和植被生長狀況等地表參數，從而影響地表水熱過程[4-5]，在農業生產中，農田地表土壤水分是農作物生長發育的基本條件，也是作物干旱災害的預警信息[6]，在作物灌溉前，土壤水分是干旱監測的重要指標、判斷作物需水量的重要依據和作物長勢監測、估產的重要參數；作物灌溉后，土壤水分的變化情況是評價灌溉效果的重要依據。因此獲取精確可靠的土壤水分信息對準確實施農田灌溉具有重要的指導意義。

近年來，國內外對土壤水分的反演做了大量研究，現有反演方法已相對成熟，主要有以下三類：傳統的基于點尺度土壤水分物理監測方法、基于物理模型和數學計算方法的土壤水分模擬技術和基于空間遙感技術的土壤水分反演方法[3,7-9]。傳統的基于點尺度土壤水分物理監測方法主要有取樣稱重法（烘土法）[10]、張力計法（負壓計法）[11]、電阻法、中子儀法[12]、駐波比法、時域反射儀法（TDR法）[13-14]和土壤濕度計法等。上述方法具有測定的土層多、深度大、精度高等特點，同時，大氣和植被等要素對其影響很小。由于取樣稱重法在測量精度上具有其他方法不可比擬的優勢，因此它作為一種實驗室測量方法并用于其他方法的標定將長期存在。但是，由于土壤水分在空間、時間尺度上的變化都較大，因此基于點尺度的土壤水分監測方法最大的不足則是取樣代表性難以保證，不僅會消耗大量人力財力，而且無法在規定時間內取得大范圍的地表土壤濕度信息，數據實時性差。基于數學模型的土壤水分模擬計算方法主要有數理統計模型（統計回歸模型、人工神經網絡模型等）[15]、概念性機理模型、物理機理模型等。對于較小空間尺度來說，一般利用確定性的土壤水動力模型或者基于隨機理論的數理統計模型都可對土壤水分變化進行研究。其中，數理統計模型與概念型模型這類模型的優勢是參數要求不高，計算量較小，缺點是模擬精度有限；而物理機理模型雖然模擬精度較高，但對土壤參數要求較為復雜，所需氣象數據較多，不適用于大尺度農田地表土壤水分監測[16-18]。

而隨著空間遙感技術的發展，以上反演土壤水分方法的缺點可以逐漸被克服，其時效快、區域廣等特點使得遙感技術成為反演農田地表土壤水分變化的主要方法。從原理上可分為兩大類：一類基于土壤水分的變化引起土壤光譜反射率的變化。另一類基于干旱引起植物生理過程的變化，從而改變葉片的光譜屬性，并顯著地影響植物冠層的光譜反射率[19]。

1 土壤水分遙感反演方法發展與現狀

1.1 可見光和近紅外遙感

該方法主要利用土壤及土壤上所覆蓋植被的光譜反射特性來估算土壤水分。當土壤含水量較高時，各個波段的光譜反射率下降，反之上升，因此光譜反射率在一定程度上可以反映土壤表面的干濕狀況。20年代60世紀初期，基于遙感技術進行土壤水分反演的理論研究已經開始了[20]，到70年代中期，日本學者以5種土壤的反射率為基礎，建立了綠波段和藍波段的膠片密度和土壤水分含量的多元回歸線性方程[21]。Henricksen等[22]利用1983年和1984年兩個時期Ethiopia的四景AVHRR影像，比較了同地區不同時期的干旱狀況。80年代起我國學者也開始了此方面的研究，李建龍等利用TM 2～4波段數據，建立了農田土壤水分遙感監測模型，采用反演模型與地面實踐相結合的方法，建立土壤水分遙感動態監測系統[23]。徐彬彬等[24-26]通過野外觀測不同水分情況下的稻田光譜反射曲線，發現水體在藍綠波段（0.4～0.6 μm）反射率較高，紅波段開始下降，紅外波段明顯吸收；水中含有較多泥沙時，光譜反射率明顯增高，濕土的光譜反射率明顯下降。進一步表明特別是在紅外波段，土壤含水量的增加會降低光譜反射率。但是當田間持水量超過最大值時，土壤的光譜反射率又再次增加，這是因為土壤水表層的鏡面反射引起的。郭廣猛等基于水的吸收率曲線，利用MODIS數據的中紅外波段來反演土壤濕度，通過野外調查驗證和回歸分析，表明土壤水分與MODIS第7波段的反射率之間具有良好的相關性[27]。但虞獻平等[28]指出，利用土壤反射率的差異來反演土壤水分，會因為土壤類型不同，使得土壤水分反演誤差較大。

1.2 熱紅外遙感

該方法的理論基礎是不同水分含量土壤的熱力學特征明顯不同，即土壤水分的變化會導致土壤的熱傳導系數、密度以及比熱容都發生變化，從而使得土壤溫度發生變化。熱紅外遙感主要是利用土壤表面溫度變化幅度、土壤植被冠層和冠層空氣溫差、表觀熱慣量、蒸散比等來監測土壤含水量[29]。Myers等[30]指出，無植被或者植被覆蓋較少的土壤其水分含量可由土壤表面溫度變化測定，最深可到50 cm。Watson等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]。Jackson[32-34]等利用NDVI監測干旱發現只有水分脅迫嚴重時，植被指數才會發生明顯的變化。Kogan[35]在20世紀90年代初提出了植被狀態指數（Vegeration Condition Index ， VCI），Price用植被指數、地表溫度來監測研究區蒸散發量。章立玲等[36]通過實驗發現，土壤水分含量越大，土壤溫度變化越慢，潮濕土壤熱容量大，溫度不易升高，干燥土壤熱容量低，溫度易升高。羅秀陵[37]和李杏朝[38]利用AVHRR4波段的數據，分別結合密度分割法、日夜溫差法和地面氣象、農情等資料進行旱情監測。目前有較多植被、水文、土壤水分等指數應用于微波遙感法，如表1所示[39]。

1.3 微波遙感

微波遙感反演土壤水分的理論基礎是土壤的介電特性與土壤水分含量有密切的相關性，表現在遙感影像上是灰度值及亮度溫度的變化[40-41]。液態水的介電常數大概在80，干土的為3，隨著土壤中水分含量的不斷增加，土壤介電常數隨之增大，導致后向散射系數同樣增大[42-44]。李俐等[45]總結出用于建立土壤水分與后向散射系數之間關系的常用算法，主要有變化檢測法[46-47]、回歸分析法[48-49]、人工神經網絡法[50-52]、優化方法[53]、查找表反演法[54-55]、多極化數據反演方法[56-57]。主要分為主動微波遙感、被動微波遙感和主被動結合微波遙感。

表1 常用指數名稱、類型總結Table 1 Summary of common index type

1.3.1 主動微波遙感

土壤含水量不同，其雷達回波信號也不同，據此可建立土壤水分與后向散射系數的關系。目前大多數研究多采用統計方法，通過實驗數據的相關分析建立土壤水分與后向散射系數之間的經驗函數關系[21]，其中以線性關系的應用最為普遍。國內李杏朝[58]利用這種方法，在植被較少、地形較平坦的區域用X波段散射計測量了土壤后向散射系數，并與同步獲取的X波段、HH極化的機載SAR影像反演出的土壤水分相比較，得出兩種方法所測出的土壤水分精度相似。田國良等[59]利用11月中旬在河南取得的波段機載合成孔徑雷達影像進行小麥區土壤水分監測，將測量的結果分成8個不同水分等級。曾旭靜等[60]以哨兵1號雙極化合成孔徑雷達遙感影像為基礎，結合同時段光學遙感數據Landsat 8，對北安—黑河高速沿線地區不同植被覆蓋程度下復雜地表土壤水分進行反演研究，探討不同極化組合方式在不同土地利用方式下的土壤水分含量反演結果。結果表明：VH等極化方式反演的整體效果不佳，VV極化和雙極化VV/VH組合在裸地和低植被覆蓋區的效果更好，而VV與輔助變量NDVI組合方式在中等植被覆蓋地區土壤含水量反演精度最高，同時也說明了哨兵1號C波段合成孔徑雷達在土壤水分研究中的高效性和精確性。李新武[61]等提出了一個針對重復軌道SIR-C數據的極化干涉SAR植被覆蓋地表土壤水分反演方法，同時，探討和分析了極化干涉SAR最大似然反演分解模型在植被覆蓋區土壤水分反演中的潛力和有效性。試驗結果表明：基于極化干涉SAR最大似然反演分解模型的植被覆蓋區土壤水分反演方法得到的結果具有足夠高的反演精度。

1.3.2 被動微波遙感

隨著土壤水分的變化，由輻射計觀測到的亮溫也在隨之變化。針對裸露的土壤表面而言，土壤水分的增加將會導致亮度溫度減小。國內外專家圍繞兩者的關系做了大量的野外試驗和理論研究，與主動微波遙感相比，被動微波遙感土壤水分研究開展較早，技術和算法相對也更加成熟一些。20世紀70年代，Schmugge等[62]對試驗數據進行了分析，發現亮度溫度與土壤水分具有較好的線性相關。在植被覆蓋的地區，由于植被中含有水分，使得同一地區土壤水分的反演出現了較大誤差，因此需建立土壤水分與植被之間的聯系[63-64]。Chirstian等通過對大麥5個波段的微波亮度進行野外測量，得出了被動微波輻射信息包含土壤水分和植被含水量信息，并且植被水分對低頻波段產生了強烈的反應，而作物生育過程對高頻波段的發展變化更加敏感。毛克彪等[65]總結出針對于裸露無植被覆蓋的地表而言，典型的微波模型有幾何光學模型（GOM）、物理光學模型（POM）、積分模型（IEM）、改進的積分模型（AIEM）、小擾動模型（SPM）、Q/H及Q/P模型；若地表有植被覆蓋，代表模型有水云模型、農作物模型、MMICS模型。其中，由于被動微波受植被水分的影響很大[66]，因此裸露地表的輻射信號相對簡單，所以針對其的模型也更成熟。

1.3.3 主被動微波結合遙感

主被動微波遙感結合對在反演土壤水分可以提高土壤水分的反演精度，而且相對于單一使用主動或被動微波遙感，可提高空間分辨率[67-68]。當前的方法主要分為兩類：一是將二者融合，共同反演土壤水分；二是先采用高分辨率的主動微波遙感測定植被和粗糙度參數，然后輔助以低分辨率被動微波遙感測定的亮溫值來估算土壤濕度或者以高分辨率的主動微波下推被動法獲得的土壤濕度[69-71]。李震等[72]為消除植被覆蓋的影響，建立了一個半經驗公式模型，用來計算體散射項，綜合時間序列的主被動微波遙感數據，進而監測地表土壤水分的變化狀況。趙天杰等[73]針對ALOS/PALSAR數據，通過對大量后向散射模擬數據的分析，建立裸露地表粗糙度計算模型；利用模擬數據分析地表輻射亮溫隨土壤水分和粗糙度的變化規律，在此基礎上構建NN模型結合粗糙度計算結果和輻射計飛行數據反演研究區域的土壤水分。衛煒[74]利用主被動微波遙感的特點，提出了基于PALS系統的主被動微波遙感聯合監測土壤水分方法，使得不用大量獲取植被含水量和地表溫度等輔助數據就可以實現對農田土壤水分的反演以及動態變化監測。孫亞勇[75]開展C波段主動微波雷達數據和L波段被動微波輻射計亮溫數據協同反演表層土壤水分研究。

紅外-近紅外遙感、熱紅外遙感和微波遙感這幾種不同波段反演土壤水分的優缺點歸納如表2。

表2 不同遙感波段反演土壤水分的優缺點歸納Table 2 Advantages and limitations of different spectral bands in monitoring the soil moisture

2 農田地表土壤水分主要反演方法

2.1 變化檢測法

變化監測法是通過建立兩景不同時期影像的土壤水分與后向散射系數差值間的簡單關系模型來進行土壤水分的反演。張祥等[76]基于改進的變化檢測模型，利用不同時期Sentinel-1A數據反演農田土壤水分變化信息。首先利用積分方程模型（Integral Equation Model，IEM）模擬數據分析雷達后向散射系數變化與土壤水分變化之間的關系，在作物生育期內，土壤表面粗糙度沒有發生變化的情況下，以上兩者具有極高關聯性，驗證了IEM模型用于反演土壤水分變化的合理性。在此基礎上，利用研究區時序Sentinel-1A 合成孔徑雷達數據和研究區實測數據構建土壤水分變化檢測模型，從而利用雷達后向散射系數變化估算土壤水分變化信息。由此驗證了時序Sentinel-1A數據用于監測農田土壤水分變化的實用性。

何連等[77]基于變化檢測法的Alpha近似模型，結合哨兵1號衛星C波段SAR數據，實現了農田地表土壤水分的反演。首先利用微波輻射傳輸模型驗證了Alpha近似模型（1）在土壤水分反演中的可行性。驗證結果發現，對于土壤散射起主要作用的實驗區域，Alpha近似模型可以有效地消除地表粗糙度和植被對雷達后向散射系數的影響。

式中σo表示雷達后向散射系數；θ為雷達入射角度；εs為土壤相對介電常數；T1和T2表示雷達數據獲取的時間；αPP為極化幅度，是雷達入射角度和土壤介電常數的函數；PP表示極化方式，為HH或者VV[77]。

在此基礎上，結合研究區多個時間段內哨兵1號合成孔徑雷達數據，利用Alpha近似模型構建了農田植被覆蓋較多時土壤水分觀測方程組，最終得到了農田地表土壤水分并且反演精度較好。

2.2 植被指數法

植被指數法是植被反射波段的紅外和近紅外兩種波段的組合[78]。蘇永榮等[79]基于能量平衡方程和TVDI，提出一種定量干濕邊選取方法和改進的TVDI模型——定量溫度植被指數（Temperature Vegetation Quantitative Index，TVQI），以MODIS遙感數據為基礎，實現了陜西省關中平原中6個縣的真實土壤水分的遙感估算。汪倩倩等[80]利用GF-3和Landsat8等遙感數據在土壤水分監測中的優勢，通過水云模型消除植被對雷達后向散射系數的影響，獲取土壤直接后散射系數，然后結合入射角、PDI等指數共同作為模型輸入參數分別建立了HH和HV不同極化方式下的土壤水分反演模型，實現了大范圍農田土壤水分的反演，證實建立一種耦合微波和光學遙感數據的土壤水分反演方法具有實際應用價值。

2.3 熱慣量法

土壤的熱慣量與土壤水分有密切的關系，同時也控制著土壤溫度日較差的大小[81]，由于土壤溫度日較差可以由遙感影像資料進行獲取，由此可間接得到土壤水分的含量大小。土壤熱慣量的函數是土壤對其熱容量變化的響應，其模型如下：

式中，p為熱慣量，k為土壤熱導率，ρ為土壤密度，c為土壤的比熱容。

3 總結與展望

1）紅外-近紅外遙感雖然空間或時間分辨率較高，數據來源也較廣，但因為其受天氣的影響較為嚴重，而且難以穿透覆蓋在地表上的植被，適用于無植被或植被覆蓋較少的農田土壤水分測量。在現階段的微波遙感技術下，無植被覆蓋或者植被覆蓋較少的農田地表土壤水分的監測大多以微波遙感數據為基礎，引入函數模型反演出研究區域的土壤含水量值。

2）變化監測法在一般情況下獲取的是兩個不同時期影像之間的土壤水分相對值，不是一定值，另外這種方法對于時段內土壤粗糙度或者植被覆蓋度發生明顯變化的區域并不適用。植被指數法是結合植被的水量信息來監測土壤的含水量，不足之處在于植被含水量信息一般都難以實時取得，利用當地多年、多平均的EVI或者其他植被指數值，可代表當時的狀況。熱慣量法只適合裸地或者作物出苗期，結合植被和土壤表面熱信息的方法在植被覆蓋較低時效果不錯[82]，此外，由于土壤屬性對于作物干旱災害反演結果影響較大，尤其土壤保持水分的能力是重要的影響因子，Fang等[83]重新定義和遙感反演了土壤持水力指數，可以很好反映不同屬性土壤的持水力差異，因此加強改進模型方法研究是遙感反演土壤水分方面一個有益的探索。

3）目前在反演農田土壤水分時，多以無植被或者植被覆蓋較少的區域做野外實驗研究，但在作物生長季后期植被覆蓋率將會提高，主被動微波遙感的結合對于進一步消除植被的影響起到了很大的作用，而農田地表土壤水分的反演利用遙感數據進行空間高分辨率與時間高分辨率的相互結合，不僅使得作物區的土壤水分信息在空間分布上達到精確，更能快速掌握土壤墑情，為各項農耕活動做好充分的準備，這也是今后土壤水分數據研究的重點和難點。