基于神經網絡算法的Sentinel-1和Sentinel-2遙感數據聯合反演土壤濕度研究

吳善玉 鮑艷松 李葉飛 吳瑩

摘要 以西班牙薩拉曼卡地區為研究區域，聯合Sentinel-1后向散射系數和入射角信息、Sentinel-2光學數據提取的植被指數以及地面實測數據，構建了BP神經網絡土壤濕度反演模型，并將該模型應用于試驗區土壤濕度反演。結果表明：1）基于Sentinel-1衛星VV和VH極化雷達后向散射系數、雷達入射角和Sentinel-2植被指數數據構建的BP神經網絡土壤濕度反演模型，能夠實現對該地區土壤濕度高精度反演;2）在光學與微波數據聯合反演植被覆蓋區土壤濕度中，Sentinel-2的NDVI、NDWI1和NDWI2指數都可以用于削弱植被對土壤濕度反演的影響，但基于SWRI1波段的NDWI1能夠獲得更高精度的土壤濕度反演結果（RMSE為0.049 cm3/cm3，ubRMSE為0.048 cm3/cm3，Bias為0.008 cm3/cm3，r為0.681）;3）相比于Sentinel-1 VH極化模式，Sentinel-1 VV極化模式在土壤濕度中表現出更大優勢，說明Sentinel-1 VV極化模式更適用于土壤濕度反演。

關鍵詞 土壤水分; Sentinel-1; Sentinel-2; BP神經網絡

土壤水分無論在氣候、水文模型還是在農業應用中都是一個重要的參數，它在全球水和能量循環中發揮著重要作用，尤其在氣候變化、干旱監測等方面都具有重要意義（Petropoulos et al.，2015;王國杰等，2018a;宋耀明，2019;余波，2020）。因此，土壤水分時空變化的準確估算對于生態環境研究極其重要。

傳統的土壤水分觀測方法成本高，耗費人力物力，且只適用于采集小范圍樣點的土壤水分信息，很難建立大尺度的土壤水分觀測網絡（Lu et al.，2014;王靜，2018）。而遙感監測方法，尤其是微波遙感因其全天時、全天候、高分辨率、穿透性強及對土壤水分變化敏感的優勢，成為土壤水分觀測的主要發展方向（趙少華等，2010）。在過去的幾十年間，許多搭載主被動微波傳感器的衛星相繼發射升空，為獲取更高時空分辨率的土壤水分產品提供了數據支撐，其中包括多波段微波輻射計SMMR（Owe et al.，2001）、高級微波輻射計AMSR-E（Zeng et al.，2015）及其后續AMSR2（魏寶成等，2016）、風云三號衛星（王國杰，2018b）、TRMM衛星（郭英等，2011）、先進合成孔徑雷達ASAR（王軍戰等，2010）、土壤濕度和海洋鹽度觀測計劃衛星SMOS（Kedzior and Zawadzki，2016）、土壤濕度主-被動觀測計劃SMAP（馬紅章等，2016）等。2014年，歐洲航天局開展全球環境與安全監測系統項目（Global Monitoring for Environment and Security，GMES），Sentinel系列衛星是GMES項目的重要組成部分，目前在軌運行的衛星共有7顆（S1A/B、S2A/B、S3A/B、S5P）。其中，Sentinel-1衛星是載有C波段合成孔徑雷達的成像系統，可以實現全天時、全天候對陸地和海洋的監測（Paloscia et al.，2013;Gao et al.，2017）;Sentinel-2衛星搭載的多光譜成像儀（Multispectral Imager，MSI），包含有可見光、近紅外和短波紅外波段，可提供植被覆蓋、土壤及海岸區域的圖像用于陸地監測（Martimort et al.，2007;Delegido et al.，2011）。Sentinel-1 SAR數據和Sentinel-2光學數據為監測全球土壤水分、植被和陸地信息提供了新途徑。

張祥等（2017）應用積分方程模型IEM，分析了土壤濕度變化與雷達后向散射系數變化之間的關系，基于時序Sentinel-1A雷達后向散射系數差，估算土壤水分變化信息。Dabrowska-Zielinska et al.（2016）利用Sentinel-1 IW模式下不同極化的數據，確定濕地生態系統中CO2通量和土壤濕度，證明了Sentinel-1數據計算土壤濕度的能力以及在頻繁的濕地監測中具有的重要優勢。曾旭婧等（2017）將Sentinel-1A數據與Landsat 8光學數據結合，對不同植被覆蓋程度下的土壤含水量進行反演研究，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。Alexakis et al.（2017）將Sentinel-1 SAR數據的后向散射系數、入射角信息，與基于Landsat 8數據提取的NDVI（Normalized Difference Vegetation Index）、熱紅外溫度信息作為人工神經網絡模型的輸入參數，輸出為土壤水分含量，并將反演得到的土壤水分含量用于后續的水文模型。Sibanda et al.（2016）、Clevers et al.（2017）利用Sentinel-2 MSI多光譜數據提取草地及農作物等植被信息，并取得了較好結果，表明Sentinel-2數據在植被覆蓋區具有較好的應用性前景。

鑒于以上前人的研究，本文以歐洲西班牙的薩拉曼卡地區為研究區域，開展植被覆蓋期地表土壤濕度反演研究。研究中利用BP神經網絡，基于Sentinel-1不同極化雷達后向散射系數、雷達入射角、Sentinel-2植被指數信息，建立土壤濕度反演模型，并用地面實測土壤濕度數據檢驗模型反演結果，并評價模型反演精度。

1 研究區概況及數據

1.1 研究區域及地面觀測數據

本文試驗區是位于西班牙西部卡斯蒂利亞-萊昂自治區的薩拉曼卡地區（圖1），本文所用到的地面觀測站點數據來自國際土壤水分觀測網（International Soil Moisture Network，ISMN）。位于歐洲地區的西班牙薩拉曼卡試驗區晴天較多，Sentinel系列衛星在此地區重返周期較短，對于研究Sentinel-1和Sentinel-2的聯合反演土壤濕度具有很大的地理優勢。

西班牙薩拉曼卡試驗區在國際土壤水分觀測網上的站點分布在巴利亞多利德（Province of Valladolid）和薩莫拉（Zamora）兩個省，經緯度范圍為5°12′～5°33′W、41°09′～41°27′N，目前可用的地面觀測站點共有20個。本文所使用的西班牙地面實測數據可在國際土壤水分觀測網（https：//ismn.geo.tuwien.ac.at/ismn/）下載，下載數據的時間為2015年1月1日—2017年12月30日，時間分辨率為1 h，選用的土壤水分數據為0～5 cm深度層的土壤體積含水量。

1.2 遙感數據的獲取及預處理

1.2.1 Sentinel-1數據的獲取及預處理

選取的Sentinel-1由兩顆衛星組成，即Sentinel-1A和Sentinel-1B，它們共用同一個軌道平面。Sentinel-1A于2014年4月發射，Sentinel-1B于2016年4月發射，單顆衛星運行的重訪周期為12 d，2顆衛星組網之后，重訪周期可以達到6 d。Sentinel-1A和Sentinel-1B均搭載有C波段合成孔徑雷達儀器，工作頻率為5.4 GHz，可全天時、全天候提供雷達系列數據。

所用Sentinel-1數據為L1級斜距單視負數（Single Look Complex，SLC）產品，獲取模式為干涉寬幅（interferometric wide swath，IW）模式，空間分辨率為5 m×20 m，極化方式為VV和VH，該數據來源于Sentinel衛星數據服務中心（https：//scihub.copernicus.eu/）。對于西班牙薩拉曼卡試驗區，綜合考慮Sentinel-2光學數據，選擇與Sentinel-2晴天數據日期一致的Sentinel-1數據。獲取了2015年7月13日—2017年10月12日共26景Sentinel-1影像;利用ENVI5.3軟件中的SARscape5.2.1工具對L1級數據進行信息提取與預處理。

1.2.2 Sentinel-2數據的獲取及預處理

選取的Sentinel-2分為2A和2B兩顆衛星。Sentinel-2A衛星于2015年6月23日發射，Sentinel-2B衛星于2017年3月7日發射。Sentinel-2A與Sentinel-2B衛星為同一組，是高分辨率多光譜成像衛星，可提供有關陸地植被生長、土壤覆蓋狀況、內河和沿海區域環境等信息。兩顆衛星同時運行后，在赤道地區的重訪周期為5 d，對于緯度較高的歐洲地區，周

期為3 d。

Sentinel-2A與Sentinel-2B攜帶的多光譜成像儀（MSI），高度為786 km，覆蓋13個光譜波段，幅寬達290 km。本文所用數據為Level-1C級數據，來自Sentinel衛星數據服務中心（https：//scihub.copernicus.eu/）。由于Sentinel-2圖像是光學數據，反射率受云影響較大，所以本文選擇西班牙試驗區域少云或無云的圖像用于后續研究，獲取2015年7月12日—2017年10月14日共26景Sentinel-2影像。并使用ENVI5.3軟件及哨兵系列衛星數據處理平臺（Sentinal application platform，SNAP）對L1C級數據進行預處理得到L2A級反射率數據。

2 反演模型與結果

2.1 反演模型構建

2.1.1 BP神經網絡模型

人工神經網絡（Artificial Neural Network，ANN）通過模擬人腦神經元的工作方式，對各種數據進行處理，建立不同的網絡模型，人工神經網絡提供了傳統數值模擬技術的替代方案（Hornic，1989;Shi et al.，2017）。神經網絡的學習規則是一種關于修正權值的算法，其中，誤差修正型規則是一種監督學習方法，根據實際輸出和預期輸出的誤差校正網絡的連接權值，最終達到網絡誤差小于預期精度的結果（Banerjee，2016），BP學習規則就屬于誤差修正型規則。

BP（Back Propagation）神經網絡是一種多層前饋神經網絡，它的基本原理是：在BP網絡的前向傳輸中，處理操作是向前執行的，從輸入層經過隱含層，最終到輸出層;神經網絡的訓練操作采用一種反向傳播算法，即根據預測誤差調整網絡各層的權值和閾值，最終使BP網絡的預測輸出不斷接近期望輸出（Hassan et al.，2015）。BP神經網絡能夠模擬人腦學習，并建立多元非線性關系，因此，被廣泛應用于遙感反演估算地表參數。

2.1.2 基于不同極化數據的BP神經網絡參數化方案

SAR得到的地表后向散射系數與地表介電常數有直接關系外，還與植被覆蓋、地表粗糙度、雷達入射角等多種因素有關。由于薩拉曼卡植被覆蓋的地表空間一致性較好，因此本文忽略地表粗糙度的影響。對于此區域，將Sentinel-1 VV和VH極化雷達后向散射系數、雷達入射角、由Sentinel-2光學數據提取的植被指數數據，作為BP神經網絡的輸入變量，土壤水分站點實測數據作為BP神經網絡的輸出變量。本文使用的植被指數包括歸一化植被指數（Normalized Difference Vegetation Index，NDVI）和歸一化水分指數（Normalized Difference Water Index，NDWI），兩種植被指數的計算公式如下：

INDV=RNIR-RREDRNIR+RRED;（1）

INDW=RNIR-RSWIRRNIR+RSWIR。（2）

式中：RNIR為近紅外波段反射率;RRED為紅光波段反射率;RSWIR為短波紅外波段反射率;由于Sentinel-2光學數據有兩個短波紅外波段：SWIR1（中心波段1.61 μm）和SWIR2（中心波段2.22 μm），試驗中分別使用這兩個短波紅外波段建立兩個歸一化水分指數NDWI1和NDWI2，并測試它們在土壤濕度反演中的效果。

綜上，針對研究區設計了VV、VH每種極化模式下4個BP神經網絡構建方案。

方案一：在BP神經網絡中，將VV或VH極化雷達后向散射系數、雷達入射角作為輸入變量，土壤水分站點實測數據作為輸出變量，訓練網絡模型，反演土壤濕度。

方案二：在BP神經網絡中，將VV或VH極化雷達后向散射系數、雷達入射角、NDVI作為輸入變量，土壤水分觀測站實測數據作為輸出變量，訓練網絡模型，反演土壤濕度。

方案三：在BP神經網絡中，將VV或VH極化雷達后向散射系數、雷達入射角、NDWI1作為輸入變量，土壤水分觀測站實測數據作為輸出變量，訓練網絡模型，反演土壤濕度。

方案四：在BP神經網絡中，將VV或VH極化雷達后向散射系數、雷達入射角、NDWI2作為輸入變量，土壤水分觀測站實測數據作為輸出變量，訓練網絡模型，反演土壤濕度。

方案五：在BP神經網絡中，同時將Sentinel-1 VV和VH極化雷達后向散射系數、雷達入射角、Sentinel-2提取的NDVI和NDWI1作為輸入變量，土壤水分觀測站實測數據作為輸出變量，訓練網絡模型，反演土壤濕度。不同方案的參數設置情況如表1所示。

研究中，共提取薩拉曼卡地區數據的樣本數為426，各個方案的BP神經網絡基本設定為：訓練樣本400，測試樣本26，隱含層節點數為5，傳輸函數采用正切S型傳遞函數tansig，最大迭代次數1 000，目標0.00 005。

2.2 反演結果與分析

本文使用相關系數（r）、均方根誤差（RMSE）、無偏均方根誤差（ubRMSE）和偏差（Bias）四個指標，評價BP人工神經網絡土壤濕度反演模型精度。一般情況下，r值越大，RMSE、ubRMSE和Bias值越小，說明反演效果越好，結果精度越高。

2.2.1 基于VV極化模式數據的土壤濕度反演結果與分析

VV極化后向散射數據與不同植被指數組合方案的各項精度評價指標總結如表2所示，VV極化后向散射數據與不同植被指數組合方案的反演和實測土壤濕度散點圖如圖2a—2d所示。

通過與其他方案的結果對比可以看出，VV極化模式方案一（圖2a）反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE、ubRMSE、Bias偏高，但r達到了0.001水平的相關性檢驗。說明對于薩拉曼卡研究區，在BP神經網絡中，將VV極化雷達后向散射系數、雷達入射角作為輸入變量訓練模型，反演土壤濕度是可行的。

從VV極化模式方案二（圖2b）與方案一的結果相比，反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE和ubRMSE有所降低、r值略有增加，說明加入NDVI參數能削弱植被影響，提高土壤濕度反演精度。

從VV極化模式方案三（圖2c）與方案二的結果相比，方案三反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE和ubRMSE有所降低、相關系數r明顯增加，說明方案三結果的總體誤差較方案二小;與方案一的結果對比，方案三結果精度較方案一有很大提高。說明歸一化水分指數NDWI1比NDVI更能準確表達植被信息，對土壤濕度反演結果精度改進更大。

從VV極化模式方案四（圖2d）與方案三的結果相比，反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE、ubRMSE和Bias均有提高，相關系數r有所降低;與方案一的結果對比，方案四的結果整體精度較方案一有所改進。說明歸一化水分指數NDWI2可以表達植被信息，但NDWI1在土壤濕度反演中有更好的表現。

2.2.2 基于VH極化模式數據的土壤濕度反演結果與分析

VH極化后向散射數據與不同植被指數組合方案的各項精度評價指標總結如表3所示，VH極化后向散射數據與不同植被指數組合方案的反演和實測土壤濕度散點圖如圖3a—3d所示。

根據VH極化模式方案一（圖3a）、方案二（圖3b、方案三（圖3c）、方案四（圖3d）的反演結果，可以得出與VV極化模式各方案結果的相似結論。即：① 對于薩拉曼卡研究區，在BP神經網絡中，將VH極化雷達后向散射系數、雷達入射角作為輸入變量訓練模型，反演土壤濕度也是可行的;② 植被指數可以削弱植被影響，提高土壤濕度反演精度，且NDWI1較NDVI、NDWI2在土壤濕度反演中表現更好，更能表達植被信息。

同時，橫向對比VV極化模式與VH極化模式的各方案結果也可以看出，Sentinel-1 VV極化模式下得到的土壤濕度反演結果精度更高，說明VV極化包含更多的土壤后向散射信息，更適合用于土壤濕度反演研究。

2.2.3 基于Sentinel-1和Sentinel-2多參數的土壤濕度反演結果與分析

在方案五中，將Sentinel-1 VV和VH極化雷達后向散射系數、雷達入射角、Sentinel-2提取的NDVI和NDWI1作為BP神經網絡輸入變量，訓練網絡模型，反演土壤濕度，得到結果如圖4所示。反演的土壤體積含水量與觀測的土壤體積含水量之間的均方根誤差RMSE為0.045 cm3/cm3、ubRMSE為0.044 cm3/cm3、偏差Bias為0.011 cm3/cm3，相關系數r為0.576，達到了0.001信度的相關性水平檢驗。與上述結果精度最好的VV極化模式方案三相比，反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE、ubRMSE和r均有降低，Bias有所增加。總結來說，方案五結果的誤差精度表現較好，相關性水平表現一般，但結果的整體精度較高。說明將VV后向散射系數、VH極化后向散射系數、雷達入射角、NDVI和NDWI1作為神經網絡輸入變量，能夠更好地描述土壤后向散射特性和植被覆蓋情況，可以適當彌補一種極化數據和單一植被指數在土壤濕度反演中造成的信息缺失，有利于土壤濕度的高精度反演。

3 結論

通過多源遙感數據聯合反演地表土壤水分可以充分利用它們各自的特點和優勢，在使用盡量少的輔助數據的情況下消除植被覆蓋的影響，從而實現對植被覆蓋地表土壤水分的有效監測。本文以西班牙薩拉曼卡地區為研究區域，聯合Sentinel-1 SAR和Sentinel-2光學數據，利用BP神經網絡，建立土壤濕度反演模型，并用地面實測土壤濕度數據，檢驗模型反演結果，評價模型反演精度。得到以下結論：

1）BP神經網絡是有效的土壤濕度反演模型，基于Sentinel-1衛星VV和VH極化雷達后向散射系數、雷達入射角和Sentinel-2提取的植被指數數據構建的BP神經網絡土壤濕度反演模型，能夠實現土壤濕度高精度反演。

2）在光學與微波數據聯合反演植被覆蓋地區土壤濕度中，Sentinel-2光學數據計算的NDVI、NDWI1和NDWI2指數都可以表達植被信息，但基于SWRI1波段的NDWI1能夠得到更高精度的土壤濕度反演結果（RMSE為0.049 cm3/cm3，ubRMSE為0.048 cm3/cm3，Bias為0.008 cm3/cm3，r為0.681）。

3）比較VV極化和VH極化模式的對應參數化方案結果可知：Sentinel-1 VV極化得到的土壤濕度反演結果精度更高，在土壤濕度中表現出更大的優勢，說明Sentinel-1 VV極化包含更多的土壤后向散射信息，較VH極化更適合用于土壤濕度反演研究。

本文使用的BP人工神經網絡方法輸入參數少、操作簡單，但由于衛星數據及站點數據的時間限制，此次參與建模和反演的樣本較少，在此后的研究中還需要增加更多樣本，得到更好的訓練模型用于土壤濕度反演。

致謝：本文的數值計算得到了南京信息工程大學高性能計算中心的計算支持和幫助。

參考文獻（References）

Alexakis D D，Mexis F K，Vozinaki A K，et al.，2017.Soil moisture content estimation based on sentinel-1 and auxiliary earth observation products.A hydrological approach[J].Sensors（Basel），17（6）：E1455.doi：10.3390/s17061455.

Banerjee A，2016.Learning precise spike train-to-spike train transformations in multilayer feedforward neuronal networks[J].Neural Comput，28（5）：826-848.doi：10.1162/NECO_a_00829.

Clevers J，Kooistra L，van den Brande M，2017.Using sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop[J].Remote Sens，9（5）：405.doi：10.3390/rs9050405.

Dabrowska-Zielinska K，Budzynska M，Tomaszewska M，et al.，2016.Assessment of carbon flux and soil moisture in wetlands applying sentinel-1 data[J].Remote Sens，8（9）：756.doi：10.3390/rs8090756.

Delegido J，Verrelst J，Alonso L，et al.，2011.Evaluation of Sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content[J].Sensors（Basel），11（7）：7063-7081.doi：10.3390/s110707063.

Gao Q，Zribi M，Escorihuela M，et al.，2017.Synergetic use of sentinel-1 and sentinel-2 data for soil moisture mapping at 100 m resolution[J].Sensors，17（9）：1966.doi：10.3390/s17091966.

郭英，沈彥俊，趙超，2011.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，19（5）：1162-1167. Guo Y，Shen Y J，Zhao C，2011.Soil moisture monitoring in agricultural lands via active-passive microwave remote sensing[J].Chin J Eco-Agric，19（5）：1162-1167.doi：10.3724/SP.J.1011.2011.01162.（in Chinese）.

Hassan-Esfahani L，Torres-Rua A，Jensen A，et al.，2015.Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks[J].Remote Sens，7（3）：2627-2646.doi：10.3390/rs70302627.

Hornik K，Stinchcombe M，White H，1989.Multilayer feedforward networks are universal approximators[J].Neural Networks，2（5）：359-366.doi：10.1016/0893-6080（89）90020-8.

Kdzior M，Zawadzki J，2016.Comparative study of soil moisture estimations from SMOS satellite mission，GLDAS database，and cosmic-ray neutrons measurements at COSMOS station in Eastern Poland[J].Geoderma，283：21-31.doi：10.1016/j.geoderma.2016.07.023.

Lu L，Luo G P，Wang J Y，2014.Development of an ATI-NDVI method for estimation of soil moisture from MODIS data[J].Int J Remote Sens，35（10）：3797-3815.doi：10.1080/01431161.2014.919677.

馬紅章，劉素美，彭愛華，等，2016.L波段主被動微波協同反演裸土土壤水分[J].32（19）：133-138. Ma H Z，Liu S M，Peng A H，et al.，2016.Active and passive cooperative algorithm at L-Band for bare soil moisture inversion[J].Trans Chin Soc Agric Eng，32（19）：133-138.doi：10.11975/j.issn.1002-6819.2016.19.019.（in Chinese）.

Martimort P，Arino O，Berger M，et al.，2007.Sentinel-2 optical high resolution mission for GMES operational services[C]//2007 IEEE Int Geosci Remote Sens Symp：2677-2680.doi：10.1109/IGARSS.2007.4423394.

Owe M，de Jeu R，Walker J，2001.A methodology for surface soil moisture and vegetation optical depth retrieval using the microwave polarization difference index[J].IEEE Trans Geosci Remote Sens，39（8）：1643-1654.doi：10.1109/36.942542.

Paloscia S，Pettinato S，Santi E，et al.，2013.Soil moisture mapping using Sentinel-1 images：algorithm and preliminary validation[J].Remote Sens Environ，134：234-248.doi：10.1016/j.rse.2013.02.027.

Petropoulos G P，Ireland G，Srivastava P K，2015.Evaluation of the soil moisture operational estimates from SMOS in Europe：results over diverse ecosystems[J].IEEE Sensor J，15（9）：5243-5251.doi：10.1109/JSEN.2015.2427657.

Shi C，Cui J Y，Liu X C，et al.，2017.Application of artificial neural network to predict the change of inosine monophosphate for lightly salted silver carp （hypophthalmichthys molitrix） during thermal treatment and storage[J].J Food Process Preserv，41（6）：e13246.doi：10.1111/jfpp.13246.

Sibanda M，Mutanga O，Rouget M，2016.Discriminating rangeland management practices using simulated HyspIRI，landsat 8 OLI，sentinel 2 MSI，and VENμS spectral data[J].IEEE J Sel Top Appl Earth Obs Remote Sens，9（9）：3957-3969.doi：10.1109/JSTARS.2016.2574360.

宋耀明，鄒永成，王志福，2019.前期土壤濕度、海表面溫度對中國夏季極端氣溫的預測能力評估[J].大氣科學學報，42（5）：790-800. Song Y M，Zou Y C，Wang Z F，2019.Assessment of the summer extreme temperature predicting abilities in China for the previous soil moisture and sea surface temperature[J].Trans Atmos Sci，42（5）：790-800.doi：10.13878/j.cnki.dqkxxb.20160101010.（in Chinese）.

王國杰，婁丹，譚龔，等，2018a.長江中下游地區1988—2010年遙感土壤濕度的時空變化[J].大氣科學學報，41（2）：228-238. Wang G J，Lou D，Tan G，et al.，2018.Spatio-temporal variations of remote sensing soil moisture during the period of 1988—2010 in the middle and lower researches of the Yangtze River Basin[J].Trans Atmos Sci，41（2）：228-238.doi：10.13878/j.cnki.dqkxxb.20150901002.（in Chinese）.

王國杰，薛峰，齊道日娜，等，2018b.基于風云三號衛星微波資料反演我國地表土壤濕度及其對比[J].大氣科學學報，41（1）：113-125. Wang G J，Xue F，Chyi D，et al.，2018.Soil moisture retrievals from FY-3B satellite microwave brightness and comparative analyses over China[J].Trans Atmos Sci，41（1）：113-125.doi：10.13878/j.cnki.dqkxxb.20150901003.（in Chinese）.

王靜，何金海，祁莉，等，2018.青藏高原土壤濕度的變化特征及其對中國東部降水影響的研究進展[J].大氣科學學報，41（1）：1-11. Wang J，He J H，Qi L，et al.，2018.The variation characteristics of soil moisture in Tibet Plateau and its influences on the precipitation in Eastern China：recent progress[J].Trans Atmos Sci，41（1）：1-11.doi：10.13878/j.cnki.dqkxxb.20170806001.（in Chinese）.

王軍戰，鮑艷松，張友靜，等，2010.多極化多角度ASAR數據反演裸露和小麥地表土壤濕度[J].農業工程學報，26（6）：205-210. Wang J Z，Bao Y S，Zhang Y J，et al.，2010.Soil moisture inversion using multi-polarization and multi-angle ENVISAT ASAR data in surface soils of bare area and wheat-covered area[J].Trans Chin Soc Agric Eng，26（6）：205-210.doi：10.3969/j.issn.1002-6819.2010.06.036.（in Chinese）.

魏寶成，玉山，賈旭，等，2016.基于AMSR-2蒙古高原土壤水分反演及對氣象因子響應分析[J].中國生態農業學報，24（6）：837-845. Wei B C，Yu S，Jia X，et al.，2016.Analysis of soil moisture retrieval and response to meteorological factors using AMSR-2[J].Chin J Eco-Agric，24（6）：837-845.doi：10.13930/j.cnki.cjea.151289.（in Chinese）.

余波，陳海山，孫悅，2020.東亞中緯度夏季陸面增暖與土壤濕度異常的聯系[J].大氣科學學報，43（1）：201-211. Yu B，Chen H S，Sun Y，2020.Linkage between summer land surface warming in mid-latitude of East Asia and soil moisture anomalies[J].Trans Atmos Sci，43（1）：201-211.doi：10.13878/j.cnki.dqkxxb.20190407001.（in Chinese）.

Zeng J Y，Li Z，Chen Q，et al.，2015.Method for soil moisture and surface temperature estimation in the Tibetan Plateau using spaceborne radiometer observations[J].IEEE Geosci Remote Sens Lett，12（1）：97-101.doi：10.1109/LGRS.2014.2326890.

曾旭婧，邢艷秋，單煒，等，2017.基于Sentinel-1A與Landsat 8數據的北黑高速沿線地表土壤水分遙感反演方法研究[J].中國生態農業學報，25（1）：118-126. Zeng X J，Xing Y Q，Shan W，et al.，2017.Soil water content retrieval based on Sentinel-1A and Landsat 8 image for Beian-Heihe Expressway[J].Chin J Eco-Agric，25（1）：118-126.doi：10.13930/j.cnki.cjea.160657.（in Chinese）.

張祥，陳報章，趙慧，等，2017.基于時序Sentinel-1A數據的農田土壤水分變化檢測分析[J].遙感技術與應用，32（2）：338-345. Zhang X，Chen B Z，Zhao H，et al.，2017.Soil moisture change detection over bare agricultural area by means of time-series sentinel-1A SAR data[J].Remote Sens Technol Appl，32（2）：338-345.doi：10.11873/j.issn.1004-0323.2017.2.0338.（in Chinese）.

趙少華，秦其明，沈心一，等，2010.微波遙感技術監測土壤濕度的研究[J].微波學報，26（2）：90-96. Zhao S H，Qin Q M，Shen X Y，et al.，2010.Review of microwave remote sensing on soil moisture monitoring[J].J Microwaves，26（2）：90-96.doi：10.14183/j.cnki.1005-6122.2010.02.023.（in Chinese）.

Joint retrieval of soil moisture from Sentinel-1 and Sentinel-2 remote sensing data based on neural network algorithm

WU Shanyu1，BAO Yansong1，LI Yefei2，WU Ying1

1Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration/School of Atmospheric Physics，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Shanghai Institute of Satellite Engineering，Shanghai 200240，China

Soil moisture is an important parameter of ecological environment and an important part of water cycle.The retrieval of surface soil moisture based on multi-source remote sensing data is a hotspot and trend in recent years.As a new generation of Sentinel satellites，the Sentinel-1 SAR data combined with the Sentinel-2 optical data have broad application prospects.Taking Salamanca，Spain as the research area，a BP neural network soil moisture retrieval model is constructed by combining the Sentinel-1 backscatter coefficient and incidence angle information，the vegetation index extracted from the Sentinel-2 optical data，and the ground observation data，and the model is applied to retrieve the soil moisture in the area.Finally，the model retrieval results are tested and evaluated.Results show that：（1）Based on the Sentinel-1 satellite VV and VH polarization radar backscatter coefficients and radar incidence angles and the Sentinel-2 vegetation index data，the BP neural network soil moisture retrieval model can realize high-precision retrieval of soil moisture in Salamanca area;（2）In the joint retrieval of soil moisture of optical and microwave data in vegetation coveragearea，the NDVI，NDWI1 and NDWI2 indices from the Sentinel-2 can be used to weaken the influence of vegetation on soil moisture retrieval，but the NDWI1 based on SWRI1 band can obtain more accurate soil moisture retrieval results （RMSE=0.049 cm3/cm3，ubRMSE=0.048 cm3/cm3，Bias=0.008 cm3/cm3，r=0.681）;（3）Comparing with the Sentinel-1 VH polarization model，the Sentinel-1 VV polarization model shows greater advantages in soil moisture，indicating that the Sentinel-1 VV polarization model is more suitable for soil moisture retrieval.

soil moisture;Sentinel-1;Sentinel-2;BP neural network

doi：10.13878/j.cnki.dqkxxb.20190419001

（責任編輯：張福穎）