光學與SAR 遙感協同反演植被覆蓋區土壤含水量

楊晶晶，鄧清海，李 莎，張麗萍，陳 橋，孫桂宗，孫振洲

（1.山東科技大學 地球科學與工程學院，山東 青島 266590；2.山東省地質礦產勘查開發局 第七地質大隊，山東 臨沂 276000）

旱情監測是農作物產品估值研究等的基礎［1］。近幾十年來，多源遙感對地監測技術迅速發展，突破了傳統土壤含水量監測的局限性，使得大面積連續土壤含水量監測成為可能［2］。微波遙感技術可以穿透地表植被覆蓋對地進行監測，并利用微波信號與土壤物理性質之間的高度相關性，靈敏地探測土壤含水量的動態變化［3］。基于此，有學者利用可見光、短紅外、近紅外圖像結合微波探測技術，研究得出了一系列反演土壤含水量模型，如常用的水云模型（WCM）、Dubois模型以及高級積分方程模型（AIEM）［4］等，其中WCM模型被廣泛應用于植被覆蓋區土壤含水量反演、AIEM模型可以去除地表粗糙度對土壤含水量反演效果的影響。傳統模型反演土壤含水量受多種干擾因素影響，使用一種模型很難保證反演精度，且模型反演參數在不同氣候條件下受干擾程度不同，逐一剔除干擾因素提高反演精度的難度較大。因此，可根據光學遙感影像采集植被層信息，選擇合適的植被光譜指數修正水云模型中的植被含水量，并耦合高級積分方程模型，去除基于雷達后向散射系數計算的地表粗糙度的影響，從而準確獲取土壤含水量情況［5］，最后結合光學遙感連續對地觀測優勢，驗證修正后的水云模型耦合AIEM 模型反演土壤水分的普適性。

黃河下游地區是我國糧食生產核心區［6］，近年來城市擴張給當地生態系統造成了巨大影響［7］。土壤含水量直接影響地區生態環境和農作物生長，實時監測土壤含水量分布，對保護黃河下游地區生態系統以及農業發展具有重要意義［8－9］。因此，本文以黃河下游山東省東營市為研究對象，基于遙感技術探究植被覆蓋區土壤含水量，以期為其生態環境保護和農業發展規劃編制提供參考。

1 數據預處理

山東省東營市位于黃河入海口，屬雨熱同季的暖溫帶大陸性季風氣候區。年降水量550～600 mm，降水集中在7—8 月。該地區地形起伏不大，地勢沿黃河自西南向東北傾斜。黃河自西南向東北貫穿全市，在墾利區東北注入渤海。

1.1 LandSat8 光學遙感數據

LandSat8 屬于光學遙感衛星，搭載陸地成像儀（OLI）和熱紅外傳感器（TIRS），其中OLI 對波段重新調整，排除了0.825 μm 處水汽吸收特征，具有豐富的波段信息。山東省東營市1—3 月降水量少，因此選擇該地區2018 年3 月23 日、2019 年1 月17 日、2020 年3 月24 日三景Landsat8＿OLI 影像解譯東營市植被覆蓋情況。原始數據使用ENVI 軟件進行圖像融合、影像裁剪、輻射定標和大氣校正等預處理，以增強波段特征，其空間分辨率為15 m×15 m。

1.2 SAR 影像數據

本文采用的SAR 影像數據為來自歐洲太空局（ESA）的Sentinel－1 地距影像（GRD）數據，其空間分辨率為5 m×5 m。對照Landsat8＿OLI 數據的日期進行下載，使用哨兵數據應用SNAP 對原始數據進行預處理，并計算雷達后向散射系數。預處理后的SAR 影像的雷達后向散射特征更為明顯，能提供基礎計算參數，其中雷達入射角為27°。

1.3 實測數據

研究區實測地表含水量信息從ESA CCI 土壤濕度數據集中獲取。該數據集通過同化地表土壤濕度、植被葉面積指數和植被光學深度信息，使用國際土壤水分觀測網和現有各區土壤濕度數據集對生產目標范圍內的數據。此次下載使用的實測土壤水分數據為CII－Soil Moisture－fv06.1 版本，數據空間分辨率為0.25 m×0.25 m。

2 研究方法

2.1 植被含水量反演模型

通過對比分析，選擇合適的植被光譜指數構建植被含水量反演模型。基于光學遙感的多光譜信息，常用植被持水度（VWC）、葉片含水量（FMC）和相對含水量（RWC）模擬植被含水量，其中VWC 與植被含水量相關性最強，常用于構建相關函數、反演植被含水量［10］，因此選用VWC 修正水云模型中的植被含水量。

現階段，根據光學遙感數據的波段特征，計算集中在紅外、近紅外波段的植被光譜指數，是基于光學遙感數據表達植被含水量的較為成熟的方法［11］。本文選擇的植被光譜指數有增強植被指數（EVI）、歸一化植被指數（NDVI）、歸一化水體指數（NDWI）、比值植被指數（SR）、紅邊葉綠素指數（Cre）和歸一化差值水分指數（NDMI），各指數反演公式見表1（其中RB、RG、RR為Landsat8 衛星的可見光波段反射率，對應波長分別為0.45～0.51、0.53～0.59、0.64～0.67 μm；RNIR為近紅外波段反射率，其波長為0.85～0.88 μm；RSWIR1、RSWIR2為短波紅外波段反射率，對應波長分別為1.57～1.65、2.11～2.29 μm）。

表1 植被光譜指數及其反演公式

初步構建植被光譜指數與植被含水量之間的關系時，發現基于植被光譜指數的二次多項式反演的植被含水量與實測植被含水量相關性最強，因此植被含水量反演模型最高次數為二次。

2.2 AIEM 模型

高級積分方程模型可以準確捕獲地表輻射的雷達后向散射系數信息，相較于其他模型能夠更真實地模擬較廣范圍的地表粗糙度［12］。由于獲取建立AIEM模型的完整參數比較困難，因此通過模擬數據建立土壤含水量和雷達后向散射系數之間的半經驗關系［13］，進而使用查找法確定AIEM 模型中地表粗糙度系數。

2.3 耦合模型

采用植被光譜指數表達植被含水量修正水云模型，從而剔除植被含水量對土壤含水量反演結果的影響，再耦合AIEM 模型進一步剔除地表粗糙度的影響，最終得出反演該地區土壤含水量的耦合模型。本文使用的SAR 數據為一級Sentinel－1 GRD 數據，包括VV、VH 兩種極化方式，雷達入射角為27°。使用AIEM 模型反演地表粗糙度，將模擬波段和地表粗糙度等相關參數輸入模型［14］，根據研究區實際情況選擇參數并修正模型，得到關于地表粗糙度的雷達后向散射系數：

式中：σVV和σVH分別為Sentinel－1 GRD 數據的VV、VH 極化參數。

水云模型將雷達后向散射系數定義為植被后向散射系數和受植被遮擋的后向散射系數兩部分。本文采用東營市1—3 月植被覆蓋度普遍較低時的遙感數據，根據Bindlish 等于2011 年提出的經驗參數，即令水云模型中的植被參數A＝0.001 2、B＝0.091，修正水云模型。使用V表達植被含水量，并與AIEM 模型耦合反演得到土壤含水量σsoil：

3 結果與討論

3.1 植被含水量影響分析

為了確保修正的水云模型中植被含水量滿足隨機驗證精度，將2018 年的樣本數據分為10 組，每組21個樣本點，進行植被含水量初步計算，并與實測數據進行對比，驗證不同植被光譜指數表達植被含水量的精度和穩定性，進而確定修正的水云模型中植被含水量的計算公式。本文采用計算數據擬合的均方根誤差（RMSE）和決定系數（R2）評價耦合模型的反演精度、反演結果的代表性和穩定性，并據此評價模型參數的適用性［15－16］，計算結果見表2（N表示植被光譜指數）。

由表2 可知，除了EVI 外，使用二次多項式反演植被含水量的決定系數最大，其中由Cre 反演植被含水量的決定系數最大，但均方根誤差也較大，說明基于Cre 構建的二次多項式反演植被含水量精度高，但穩定性差，普適性不強；由SR 構建二次多項式反演植被含水量的決定系數較大，同時均方根誤差最小，說明該二次多項式能夠在保證反演精度的前提下，確保模型的穩定性和普適性。因此基于SR 的二次多項式表達植被含水量修正水云模型，并耦合AIEM 模型反演土壤含水量，即將V代入式（2）求得土壤含水量。

3.2 驗證模型精度

根據耦合模型反演2018 年3 月山東省東營市土壤含水量，并與實測土壤含水量數據進行對比，驗證耦合模型精度。為突出模型修正方法的適用性，對樣本點進行均勻分區，每一區的樣本點都能包含東營市所有的植被覆蓋特征，并適當調整耦合模型中植被含水量表達式的系數，共進行10 組試驗，耦合模型中植被含水量計算公式以及土壤含水量反演精度見表3（土壤含水量公式略）。該耦合模型反演的土壤含水量較穩定，決定系數均大于0.6，并且均方根誤差僅為0.004～0.438，說明模型具有較強普適性。

表3 耦合模型反演2018 年東營市10 個樣本點土壤含水量結果統計

3.3 耦合模型的應用

根據耦合模型，選取2018 年典型植被覆蓋區內一組樣本點反演土壤含水量（以土壤體積含水量表示），見圖1。其中，耦合模型植被含水量修正公式為V＝西北部沿海種植區土壤含水量最大，為0.670～0.825 m3／m3；受黃河水補給與灌溉影響，黃河沿岸水稻種植區土壤含水量較大，為0.517～0.663 m3／m3；南部內陸地區地形起伏較明顯，受地表徑流、距海距離遠等因素影響，土壤含水量最小，僅為0.364～0.515 m3／m3。西部內陸地區部分土壤含水量反演值與實測值相比偏高。原因是，下載的土壤含水量實測數據與遙感數據的分辨率不一致，且研究區周遭城市土壤含水量實測值對該區域實測數據的裁剪和收集產生了一定影響，但反演結果整體較好，說明模型適用性強。

圖1 東營市2018 年隨機樣本反演精度驗證與空間分布

為了避免驗證結果的偶然性，對植被覆蓋區選取的所有樣本點進行逐年統計，通過對比最終反演結果的空間分布，選取最具代表性的21 個樣本點展示該地區土壤含水量空間分布情況，進行土壤含水量空間變化分析。利用該耦合模型反演2019 年和2020 年土壤含水量，對耦合模型中植被含水量參數進行調整以確保反演結果的精度和可靠性，反演結果見圖2、圖3。其中，2019 年、2020 年反演土壤含水量的耦合模型中，植被含水量計算公式分別為

圖3 東營市2020 年隨機樣本反演精度驗證與空間分布

用該耦合模型反演2019 年和2020 年土壤含水量，決定系數大于0.5，精度較高，但較2018 年的反演精度有所降低，且均方根誤差增大。結合整體土壤含水量反演結果的空間分布情況得知，2019—2020 年東營市北部地區土壤干旱情況加重，其中土壤含水量普遍較高（0.625～0.634 m3／m3）的地區，土壤含水量以7.2%／a 的速率降低，在整體空間范圍內變化最為突出。此外，經過土壤含水量反演發現，2018—2020 年東營市南部土壤干旱情況持續北移，表明該地區土壤含水量對黃河水補給的依賴加重。

對土壤含水量反演結果進行分析發現，2019 年和2020 年的反演誤差與2018 年相比有所增大。原因是，采用的Landsat8 影像分辨率為15 m×15 m，Sentinel－1 GRD 數據的分辨率為5 m×5 m，數據差異較大且分辨率不高。綜上分析，以后應基于更高分辨率的數據進行研究，以增強半經驗模型的普適性。此外，對比不同年份土壤含水量反演結果，發現使用該耦合模型時決定系數不低于0.5，說明反演值與實測值之間相關性較強。對2018—2020 年土壤含水量空間分布情況進行對比發現，土壤含水量在空間上呈現連續性變化，與實際情況相符，說明該耦合模型可以反映該地區土壤含水量的實際情況。基于耦合模型反演的土壤含水量具有實際應用價值，能夠在一定程度上為農業播種、澆灌等提供依據。

4 結論

以山東省東營市為研究區，基于光學遙感數據與SAR 協同反演植被覆蓋區土壤含水量。首先利用光學遙感數據的波段特征修正水云模型中的植被含水量，然后根據SAR 的雷達后向散射系數和雷達入射角，引入AIEM 模型消除地表粗糙度對土壤含水量反演精度的影響，最終耦合修正后的水云模型和AIEM模型，達到提高傳統遙感反演土壤含水量模型精度的目的，并通過連續年份反演討論了耦合模型的精度和適用性。耦合模型反演土壤含水量與實測值之間的關系表明：使用植被光譜指數表達植被含水量時，基于SR 的二次函數表達植被含水量的效果最好；修正的水云模型與AIEM 模型構建的耦合模型反演土壤含水量精度較高，且效果穩定，其決定系數在0.5 以上，RMSE小于等于2.290，該耦合模型具有較強普適性。