基于遙感監測技術的表層土壤含水量測量方法

毛玉龍

（福建省國土資源勘測規劃院，福建 福州 350003）

0.引言

作為干旱的重要指標，表層土壤含水量在大氣和地表之間的能量與水分交換中起到的作用十分重大。對于旱情監測而言，表層土壤含水量對于防止干旱、提高植被覆蓋率以及防止土地沙化等都是重要的決定因素，是監測旱情中的基礎[1]。對于農業生產而言，表層土壤含水量對于植物的發育、生長、發芽等都是基礎條件。并且土壤含水量對于土壤的蒸發與侵蝕也有重大影響，是農作物生長過程中的模擬、水文、氣候等模型構建中的基礎參數，對于農作物在生長中的態勢表現也有很大影響[2]。對表層土壤含水量進行測量，能夠對植物與土壤之間水分方面的供需關系進行深入分析，從而對旱情的發生以及發展態勢等問題進行分析。在測量表層土壤含水量時，既可以對其質量含水量進行測量，也可以對其體積含水量進行測量，并且二者能夠相互轉化。

對于測量表層土壤含水量方面的研究，國外主要應用時域反射技術、中子法、人工神經網絡等方法對表層土壤含水量進行測量，其中，基于時域反射技術的表層土壤含水量測量方法的應用比較廣泛，主要是通過電磁波在多種介質中呈現出的傳播速度差異對表層土壤含水量進行測定，這種方法安全、準確、迅速，但在實際應用中可能受到鹽分的影響。國內則主要應用雙針法、熱慣量法、積分球法、圖像法等方法對表層土壤含水量進行測量，其中，基于圖像法的表層土壤含水量測量方法的應用比較廣泛，主要是利用不同顏色和質地的土壤擁有不同的反射率，然后通過數字相機圖像對表層土壤含水量進行測量，該方法具備自動化、成本低、無損、快速、實際的特點。然而以上方法雖然針對性較強，但由于測量表層土壤含水量時下墊面的表面往往呈現非均質狀態，因此很難在大面積的范圍內運用這些方法。基于此提出一種基于遙感監測技術的表層土壤含水量測量方法，利用遙感監測技術對表層土壤含水量進行測量。

1.設計基于遙感監測技術的表層土壤含水量測量方法

1.1 數據收集

基于遙感監測技術獲取表層土壤的遙感數據，具體包括GLDAS數據、SMAP數據、CMPA數據、VIRRS數據，并獲取實地觀測的表層土壤含水量數據。

在獲取GLDAS數據時，主要是獲取GLDAS遙感衛星中的表層土壤逐日含水量數據，土壤深度為0cm-10cm。該衛星的分辨率為25km[3]。

在獲取SMAP數據時，主要是獲取SMAP遙感衛星中的表層土壤逐日含水量數據，該衛星是專門測量表層土壤含水量的遙感監測衛星，測量方式為被動微波與主動雷達相結合，測量的土壤深度為0mm-5mm，測量時的時間分辨率在1到3天左右，空間分辨率可達3km。

獲取CMPA數據時主要是獲取CMPA遙感衛星的降水數據[4]。選取不同時間段對降水數據進行獲取并求出均值。

在獲取VIRRS數據時使用的傳感器為VIRRS，在衛星Suomi NPP上搭載該傳感器。該衛星的發射時間是2011年，是氣象領域的二代衛星，具體波段信息（如表1所示）：

表1 具體波段信息

該衛星各波段的噪聲與信噪比等效溫差以及波長范圍信息具體（如表2所示）[5]：

表2 各波段的噪聲與信噪比等效溫以及波長范圍信息

選用熱紅外、近紅外、可見光的空間分辨率均為750m、分辨率為中的波段，通過大氣窗口對信噪比高且透過率低的M9波段進行過濾，并排除用于海表溫度反演的M14波段與M13波段，最終保留熱紅外波段2個、近紅外波段4個、可見光波段6個。

實地觀測的表層土壤含水量數據主要來自地面土壤含水量觀測站點。

1.2 構建表層土壤含水量計算模型

構建表層土壤含水量計算模型，構建的模型為多波段表層土壤含水量經驗計算模型[6]。由于后向散射系數和粗糙度、土壤濕度參數呈現對數關系，根據其對數函數對VV和HH極化下表達后向散射系數的對應函數式進行構建。其中，后向散射系數和粗糙度、土壤濕度參數之間的對數函數具體如式（1）所示：

式（1）中，σ為后向散射系數；Zs為組合粗糙度；Mv表示表層土壤對應的體積含水量；c、a表示經驗常數，計算方法為線性最小二乘擬合法。

構建的VV和HH極化下表達后向散射系數的對應函數式具體如式（2）所示：

式（2）中，σhh0為HH極化下對應的后向散射系數；σvv0為VV極化下對應的后向散射系數；Ahh、Bhh、Chh為HH極化下雷達入射角的對應經驗常數；Avv、Bvv、Cvv為VV極化下雷達入射角的對應經驗常數。

對式（2）進行聯立，能夠構建多波段表層土壤含水量經驗計算模型，具體如式（3）所示：

式（3）中，θ代表雷達入射角。

1.3 確立模型系數

接著確立模型水平極化系數與模型垂直極化系數。其中，模型水平極化系數的確立方法為通過AIEM模型對HH極化下的后向散射系數進行模擬，具體參數選擇（如表3所示）：

表3 模擬輸入參數

通過最小二乘法擬合模擬值，獲取HH極化下Ahh、Bhh、Chh在隨機入射角條件下的值，具體值（如表4所示）：

表4 HH極化下模型經驗系數

通過獲取數據實施非線性回歸，得到入射角與系數的關系式，獲取HH極化下入射角與系數的擬合曲線。

模型垂直極化系數的確立方法為通過AIEM模型對VV極化下的后向散射系數進行模擬，選擇表3參數。通過最小二乘法擬合模擬值，獲取VV極化下Ahh、Bhh、Chh在隨機入射角條件下的值，具體值（如表5所示）：

表5 VV極化下模型經驗系數

通過獲取數據實施非線性回歸，得到入射角與系數的關系式，獲取VV極化下入射角與系數的擬合曲線。

2.方法驗證與應用

搭建私有云實驗環境，搭建環境共由九個節點構成，在每個節點上都安裝Spark與Hadoop YARN，具體配置（如表6所示）：

表6 私有云實驗環境具體配置

2.1 實驗環境搭建

2.2 測區選擇與實驗方法

測區選擇福建省某塊耕地，該耕地的面積約為1200m2左右，利用設計的基于遙感監測技術的表層土壤含水量測量方法對該耕地實施表層土壤含水量測量實驗。對設計方法在大范圍下的測量精度進行測試，并對設計方法在空間尺度與時間尺度下的測量精度進行測試。

2.3 方法驗證結果

2.3.1 大范圍下的測量精度測試結果

對設計的基于遙感監測技術的表層土壤含水量測量方法在大范圍下的測量精度進行測試。在該測試中將現有的兩種方法作為對比方法共同進行測試。這兩種方法分別為基于時域反射技術、基于圖像法的表層土壤含水量測量方法。獲取這三種實驗方法在大范圍下的測量精度，具體測試結果（如表7所示）：

表7中，大范圍下的測量精度測試結果表明：設計的基于遙感監測技術的表層土壤含水量測量方法在測量范圍較大的情況測量精度整體高于基于時域反射技術、基于圖像法的表層土壤含水量測量方法。并且設計的基于遙感監測技術的表層土壤含水量測量方法在測量范圍逐漸擴大的情況下，仍然保持著較高的測量精度。而基于時域反射技術、基于圖像法的表層土壤含水量測量方法在測量范圍逐漸擴大的情況下，測量精度大幅降低。

表7 大范圍下的測量精度測試結果

2.3.2 空間尺度與時間尺度下的測量精度

測試設計的基于遙感監測技術的表層土壤含水量測量方法在空間尺度與時間尺度下的測量精度。首先測量該方法在空間尺度下的測量精度。通過比較該方法空間尺度下的測量值與實際實測值，獲取空間尺度下該方法的測量精度實驗數據，具體（如圖1所示）：

圖1 空間尺度下測量值與實測值的比較結果

根據圖1測量值與實測值的比較結果，設計的基于遙感監測技術的表層土壤含水量測量方法空間尺度下的測量值與實測值呈現極顯著關系。二者極顯著關系的檢驗精度達到0.806，說明基于遙感監測技術的表層土壤含水量測量方法在空間尺度下的測量精度很高。

接著測試設計的基于遙感監測技術的表層土壤含水量測量方法在時間尺度下的測量精度。同樣比較該方法時間尺度下的測量值與實際實測值，獲取時間尺度下該方法的測量精度實驗數據，具體（如圖2所示）：

圖2 時間尺度下測量值與實測值的比較結果

根據圖2時間尺度下測量值與實測值的比較結果，設計的基于遙感監測技術的表層土壤含水量測量方法時間尺度下的測量值與實測值呈現顯著關系。二者顯著關系的檢驗精度達到0.725，說明基于遙感監測技術的表層土壤含水量測量方法在時間尺度下的測量精度較高。

3.結束語

在對表層土壤含水量測量方法進行研究的過程中，應用了遙感監測技術，實現了測量范圍的擴大，并在空間尺度與時間尺度下均達到了很高的測量精度，研究內容對于表層土壤含水量的精確測量有著很大的意義。