基于Sentinel多源遙感數(shù)據(jù)的農(nóng)田地表土壤水分反演

DOI：10.3969/j.issn.2095-1191.2025.01.008

摘要：【目的】通過(guò)多源遙感數(shù)據(jù)協(xié)同作用分析滇中地區(qū)姚安灌區(qū)的農(nóng)田地表土壤含水率，為后續(xù)對(duì)滇中高原地區(qū)的地表土壤水分研究提供參考。【方法】選擇Landsat 8、Sentinel遙感數(shù)據(jù)為數(shù)據(jù)源，構(gòu)建土壤水分與特征參數(shù)關(guān)系式，比較線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、粒子群優(yōu)化（PSO）的BP（PSO-BP）神經(jīng)網(wǎng)絡(luò)模型、隨機(jī)森林（RF）算法預(yù)測(cè)土壤含水率的精度，選擇最佳方法反演姚安灌區(qū)農(nóng)田地表土壤含水率。【結(jié)果】協(xié)同Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)，水云模型作用下VV后向散射系數(shù)減少0.1～0.4 dB、VH后向散射系數(shù)減少0～0.05 dB；加入特征參數(shù)，對(duì)比線性回歸模型，BP神經(jīng)網(wǎng)絡(luò)模型的決定系數(shù)（R2）提高0.4589、PSO-BP神經(jīng)網(wǎng)絡(luò)模型的R2提高0.3811、RF算法的R2提高0.4544，其中，BP神經(jīng)網(wǎng)絡(luò)模型的R2和均方根誤差（RMSE）較優(yōu)。依據(jù)BP神經(jīng)網(wǎng)絡(luò)模型反演的土壤含水率與監(jiān)督分類的土地利用分類進(jìn)行疊加分析，可知姚安灌區(qū)土壤含水率集中在20%～30%，位置主要集中在姚安灌區(qū)中部，土壤含水率10%～20%區(qū)域主要集中在姚安灌區(qū)北部，而土壤含水率30%～40%區(qū)域覆蓋面積少且分散。姚安灌區(qū)的土壤類型根據(jù)土壤墑情的劃分標(biāo)準(zhǔn)主要屬于褐墑（合墑）和黑墑（飽墑）。【建議】?jī)?yōu)化模型及算法，增加土壤含水率實(shí)測(cè)數(shù)據(jù)量，提高反演精度；針對(duì)水資源分布不均的問(wèn)題，融合無(wú)人機(jī)遙感數(shù)據(jù)，對(duì)土壤含水分進(jìn)行實(shí)時(shí)監(jiān)測(cè)，動(dòng)態(tài)分配水資源，形成土壤水分評(píng)價(jià)機(jī)制與監(jiān)測(cè)機(jī)制，實(shí)現(xiàn)水資源的合理分配。

關(guān)鍵詞：水云模型；Sentinel數(shù)據(jù)；線性回歸模型；BP神經(jīng)網(wǎng)絡(luò)模型；土壤水分反演

中圖分類號(hào)：S152.7文獻(xiàn)標(biāo)志碼：A文章編號(hào)：2095-1191（2025）01-0087-10

Surface soil moisture inversion of farmland based on Sentinel multi-source remote sensing data

LI Wan-tao1，2，YANG Ming-long1，2*，TANG Xiu-juan3，XIA Yong-hua1，2，YANG Zhen1，2，YAN Zheng-fei1，2

（1School of Land Resources Engineering，Kunming University of Science and Technology，Kunming，Yunnan 650093，China；2Application Engineering Research Center of Spatial Information Surveying and Mapping Technology in Plateauand Mountainous Areas Set by Universities in Yunnan，Kunming，Yunnan 650093，China；3Kunming Institute ofSurveying and Mapping，Kunming，Yunnan 650091，China）

Abstract：【Objective】The synergistic effect of multi-source remote sensing data was used to analyze the surface soil moisture rate of farmland in Yao’an irrigation area in central Yunnan，which could provide reference for surface soil mois-ture research in central Yunnan Plateau.【Method】Landsat 8 data，Sentinel microwave data were selected as data sourcesto construct the relationship between soil moisture and feature parameters，and the accuracy of linear regression model，BP neural network model and particle swarm optimization（PSO）BP（PSO-BP）neural network model and random forest（RF）algorithm in predicting soil moisture content was compared，the best method was selected to analyze the surface soil moisture content of farmland in Yao’an irrigation area.【Result】Combined with Sentinel-1 microwave data and Sentinel-2 optical data，the VV backscatter coefficient was reduced by 0.1-0.4 dB and VH backscatter coefficient was reduced by 0-0.05 dB under the action of water cloud model.Adding feature parameters，compared with the linear regression model，the coefficient of determination（R2）of the BP neural network model was increased by 0.4589，R2 of PSO-BP neural network model was increased by 0.3811，and R2 of RF algorithm was improved by 0.4544，among which the root mean square error（RMSE）of the BP neural network model was better.According to the superposition analysis of soil moisture content andland use classification of supervised classification inverted by BP neural network model，it could be found that the soil moisture content in Yao’an irrigation area was concentrated in 20%-30%，and the location was mainly concentrated in the middle of Yao’an irrigation area，the area with soil moisture content of 10%-20%was mainly concentrated in the northern part of Yao’an irrigation area，and the area with soil moisture content of 30%-40%covered a small and scattered area.Ac-cording to the classification criteria of soil moisture，the soil types in Yao’an irrigation area mainly belonged to brown moisture（combined moisture）and black moisture（full moisture）.【Suggestion】Optimize the model and algorithm，in-crease the amount of measured data of soil moisture content，improve the accuracy of inversion；and integrate unmanned aerial vehicle（UAV）remote sensing data to monitor soil water rate in realtime and dynamically allocate water resourcesin view of the problem of uneven distribution of water resources，so as to form a soil moisture evaluation mechanism and monitoring mechanism to achieve reasonable allocation of water resources.

Key words：water cloud model；Sentinel data；linear regression model；BP neural network；soil moisture inversion

Foundation items：National Natural Science Foundation of China（62266026）

0引言

【研究意義】提高作物對(duì)水分的高效利用是解決我國(guó)農(nóng)業(yè)水資源短缺的根本出路。滇中地區(qū)姚安灌區(qū)作為一個(gè)重要的農(nóng)業(yè)區(qū)域，其水資源的高效利用顯得尤為重要。姚安灌區(qū)屬于滇中高原地區(qū)，灌區(qū)內(nèi)不同地域的地理環(huán)境存在差異，通過(guò)多源遙感數(shù)據(jù)融合的方法，解決土壤水分在時(shí)間和空間上的異質(zhì)性（Legates et al.，2011）問(wèn)題，選取模型算法，結(jié)合土壤水分的影響因素，可以提高土壤水分反演精度，優(yōu)化灌溉方式，提高水資源的利用效率，提升灌區(qū)管理水平，對(duì)研究姚安灌區(qū)的土壤水分具有指導(dǎo)意義。【前人研究進(jìn)展】基于監(jiān)測(cè)站點(diǎn)進(jìn)行土壤水分觀測(cè)和烘干稱重法屬于傳統(tǒng)測(cè)量土壤水分方法，優(yōu)點(diǎn)是可以得到高精度的土壤水分信息，但具有小范圍和不能時(shí)序監(jiān)測(cè)的缺點(diǎn)（余凡等，2016）。在遙感技術(shù)的快速發(fā)展下，大規(guī)模并快速地測(cè)得土壤水分成為現(xiàn)實(shí)。利用遙感反演土壤水分的途徑主要有光學(xué)遙感和微波遙感2種，光學(xué)遙感容易受到云、雨等不良天氣的影響，并且只能獲取表層土壤墑情；微波遙感因具有全天候、全天時(shí)、穿透力強(qiáng)的優(yōu)點(diǎn)而廣泛應(yīng)用于土壤水分反演研究（Karthikeyan et al.，2017）。因植被覆蓋程度的不同，在利用微波遙感對(duì)土壤水分的反演研究中，對(duì)植被覆蓋區(qū)和裸露地表區(qū)所使用的模型和算法存在明顯差異（郭二旺等，2019）。基于植被散射理論的密歇根微波冠層散射模型（MIMICS）和Karam模型（Karam etal.，1992）可解決植被覆蓋的研究區(qū)域。Oh模型（Oh et al.，1992）、Dubois模型（Dubois et al.，1995）和Shi模型（Shi et al.，1995）等經(jīng)驗(yàn)與半經(jīng)驗(yàn)?zāi)Ｐ蛣t解決地表裸露的研究區(qū)域。目前，具備高分辨率、全天候及可變工作模式等優(yōu)點(diǎn)的合成孔徑雷達(dá)（SAR）是監(jiān)測(cè)土壤水分變化的主要途徑（郭玉娣等，2023）。近年來(lái)，隨著雷達(dá)傳感器的發(fā)展，土壤水分反演精度得到極大提升，與此同時(shí)，在土壤水分反演算法和模型的研究上也越來(lái)越受到人們的關(guān)注與重視，廣泛應(yīng)用到土壤水分反演的算法和模型包括遺傳BP神經(jīng)網(wǎng)絡(luò)（GA-BP）模型（余凡等，2012）、支持向量機(jī)（SVM）模型（楊貴軍等，2016）、深度學(xué)習(xí)（Song et al.，2016）和人工神經(jīng)網(wǎng)絡(luò)（郭交等，2019）等。在植被覆蓋地表的情況下，當(dāng)雷達(dá)微波接觸到植被時(shí)，微波會(huì)產(chǎn)生復(fù)雜的體散射，此時(shí)雷達(dá)接收到的回波不僅包含土壤介電常數(shù)和地表粗糙度信息，還有植被層信息，如使用裸土模型反演土壤水分會(huì)導(dǎo)致反演的土壤水分含量降低（李艷等，2019）。在植被覆蓋區(qū)進(jìn)行土壤水分反演時(shí)，必須去除植被層對(duì)裸土后向散射系數(shù)的影響。目前去除植被層影響效果最好的2個(gè)模型分別是水云模型（Water-Cloud Model）和MIMICS模型。對(duì)植被層影響效果的統(tǒng)計(jì)，水云模型的效果更好、使用更為廣泛。李伯祥和陳曉勇（2020）、劉正春等（2020）利用水云模型和改進(jìn)水云模型，分別以2018年河北省景縣和山西省聞喜縣冬小麥種植區(qū)為研究區(qū)，得到的結(jié)果為決定系數(shù)（R2）有所提高、均方根誤差（RMSE）有所減少，土壤水分反演精度得到提升。【本研究切入點(diǎn)】目前，引入算法和模型對(duì)滇中高原地區(qū)的土壤水分研究較少，加入氣象數(shù)據(jù)和DEM數(shù)據(jù)預(yù)測(cè)滇中高原地區(qū)的土壤水分研究鮮見報(bào)道。【擬解決的關(guān)鍵問(wèn)題】以滇中地區(qū)姚安灌區(qū)為研究區(qū)域，選擇Landsat 8數(shù)據(jù)、Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)為數(shù)據(jù)源，構(gòu)建土壤水分與特征參數(shù)之間的關(guān)系式，比較線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、粒子群優(yōu)化（PSO）的BP（PSO-BP）神經(jīng)網(wǎng)絡(luò)模型、隨機(jī)森林（RF）算法預(yù)測(cè)土壤含水率的精度，對(duì)所用模型及方法進(jìn)行精度評(píng)定，并選擇最佳方法反演姚安灌區(qū)農(nóng)田地表土壤含水率，為后續(xù)對(duì)滇中高原地區(qū)的地表土壤水分研究提供參考。

1數(shù)據(jù)來(lái)源與研究方法

1.1研究區(qū)概況

姚安灌區(qū)（圖1）位于云南省楚雄彝族自治州（25°27′N～25°39′N，100°9′E～101°18′E），灌區(qū)平均海拔2141 m，最低海拔1518 m、最高海拔2846 m，年平均高溫24°C，年平均低溫11°C，年平均降水量767.5 mm。姚安灌區(qū)屬于北亞熱帶季風(fēng)氣候區(qū)，其總體趨勢(shì)表現(xiàn)為冬春干旱、夏秋多雨，這種氣候條件有利于作物生長(zhǎng)，同時(shí)該地區(qū)全年光照充足，年溫差較小，因而四季氣候溫和。數(shù)據(jù)采集時(shí)間為2023年7月中旬，農(nóng)作物葉片可覆蓋地表，在衛(wèi)星影像中特征明顯。

1.2數(shù)據(jù)來(lái)源

1.2.1影像數(shù)據(jù)本研究所用數(shù)據(jù)包括Sentinel數(shù)據(jù)和Landsat 8數(shù)據(jù)，其中Sentinel數(shù)據(jù)采用Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)。Sentinel-1微波數(shù)據(jù)時(shí)間分辨率為12 d，極化方式為VV和VH（Torres et al.，2012）。為避免云層對(duì)影像數(shù)據(jù)的影響，最終選擇2023年7月11日的Sentinel-1微波數(shù)據(jù)。此外，Sentinel-2衛(wèi)星的時(shí)間分辨率為5 d，因2023年6月28日—7月13日間15 d內(nèi)的氣候基本一致，且15 d內(nèi)的植被類型基本保持一致，能滿足植被指數(shù)提取的要求。從歐洲航天局獲取2023年6月28日Senti-nel-2數(shù)據(jù)。Landsat 8是美國(guó)陸地衛(wèi)星計(jì)劃（Land-sat）的第8顆衛(wèi)星，Landsat 8衛(wèi)星在705km的近極軌道上以98.2°的角度繞地球運(yùn)行，衛(wèi)星每99min繞地球一周，每16 d運(yùn)行1次，其主要荷載是熱紅外傳感器和陸地成像儀。本研究采用的是陸地成像儀，光譜范圍0.43～12.51μm，分辨率為30 m（張義崢等，2021；石瑩等，2022）。

1.2.2實(shí)測(cè)數(shù)據(jù)為確保數(shù)據(jù)的真實(shí)性，考慮到實(shí)測(cè)與影像數(shù)據(jù)獲取時(shí)間差異可能影響土壤水分反演精度，本研究選定2023年7月13日進(jìn)行實(shí)測(cè)數(shù)據(jù)采集，實(shí)測(cè)采樣點(diǎn)31個(gè)（圖1），其中采樣點(diǎn)的種植類型分為玉米、烤煙、石榴和水稻，地理坐標(biāo)采用奧維地圖紀(jì)錄，獲取采樣點(diǎn)的經(jīng)緯度。由圖1可知，姚安灌區(qū)西南部集中大范圍的建筑區(qū)域，研究區(qū)南部和西部分別設(shè)立5個(gè)采樣點(diǎn)，其余21個(gè)采樣點(diǎn)均勻分布在姚安灌區(qū)的北、中、東3個(gè)區(qū)域。每個(gè)采樣點(diǎn)采集的土壤深度為0～10 cm，土壤采集后密封帶回實(shí)驗(yàn)室送檢，取部分鮮土放入鋁盒內(nèi)稱重，置于105℃的烘箱內(nèi)烘干至恒重后稱重。土壤質(zhì)量含水量通過(guò)烘干稱重法計(jì)算所得，根據(jù)姚安灌區(qū)實(shí)地采集的土壤，結(jié)合姚安灌區(qū)的土壤容重，將土壤質(zhì)量含水率換算為土壤體積含水率（Menget al.，2016）。由表1和圖2對(duì)31個(gè)采樣點(diǎn)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析可得，土壤含水率實(shí)測(cè)值的均值為23.77%，方差為0.0026，表明數(shù)據(jù)點(diǎn)之間的差異較小，均值的代表性好；變異系數(shù)為0.2153，意味著數(shù)據(jù)集的穩(wěn)定性較好，表明采集的土壤含水率實(shí)測(cè)值具有較高的一致性和可靠性。

1.3研究方法

本研究使用水云模型去除植被層的影響，構(gòu)建線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型和RF算法對(duì)多源遙感數(shù)據(jù)實(shí)現(xiàn)土壤水分反演。技術(shù)路線如圖3所示，其中，BP代表BP神經(jīng)網(wǎng)絡(luò)，PSO-BP代表PSO-BP神經(jīng)網(wǎng)絡(luò)，RF代表RF算法，VV和VH代表Sentinel-1數(shù)據(jù)的2種極化方式，NDMI為歸一化差值水分指數(shù)。

1.3.1水云模型根據(jù)研究確定水云模型A、B值，再由歸一化植被指數(shù)（NDVI）、歸一化水汽指數(shù)（NDWI）和NDMI計(jì)算3種指數(shù)的植被含水量作為水云模型的重要參數(shù)，并進(jìn)行去植被效果評(píng)價(jià)。研究區(qū)內(nèi)主要的地表覆蓋類型為烤煙、水稻、玉米等，基本屬于低矮植被。因此，本研究依據(jù)前人提出的水云模型中不同地表覆蓋形式參數(shù)，分析姚安灌區(qū)內(nèi)作物覆蓋密度，最終以A=0.0012、B=0.091為水云模型系數(shù)。模型公式：

式中，σC為地表總后向散射；σV為植被層后向散射；σS為下墊面土壤后向散射；Cvw為植被含水率；T2為雷達(dá)波穿過(guò)植被層的雙程衰減因子；θ為雷達(dá)波入射角；τ為植被光學(xué)厚度。

1.3.2基于GEE的土地利用分類地表粗糙度決定了回波的振幅和相位的變化，影響雷達(dá)后向散射系數(shù)。研究區(qū)包含大量的建筑物，地表粗糙度較大，影響雷達(dá)后向散射系數(shù)，進(jìn)一步影響反演結(jié)果。本研究基于GEE平臺(tái)，通過(guò)RF的分類對(duì)研究區(qū)進(jìn)行土地分類。

1.3.3線性回歸模型水云模型去除植被覆蓋的土壤后向散射系數(shù)，構(gòu)建極化后向散射數(shù)據(jù)和實(shí)測(cè)土壤水分的土壤水分反演模型，反演姚安灌區(qū)的土壤水分。通過(guò)裸土后向散射系數(shù)與土壤體積含水率間的關(guān)系建立線性回歸模型。

Y=a X+b

式中，X為后向散射系數(shù)；a、b為與雷達(dá)參數(shù)有關(guān)的系數(shù)。

1.3.4神經(jīng)網(wǎng)絡(luò)模型引入建模集數(shù)據(jù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)模型的建立，以NDMI、海拔、坡度、溫度、VV和VH極化差、VV和VH后向散射系數(shù)、雷達(dá)波入射角作為輸入因子，地面實(shí)測(cè)數(shù)據(jù)作為輸出因子。在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，利用PSO算法對(duì)其進(jìn)行尋優(yōu)，提高預(yù)測(cè)精度和泛化能力，驗(yàn)證能否用于本研究區(qū)土壤水分監(jiān)測(cè)。建立神經(jīng)網(wǎng)絡(luò)模型時(shí)，迭代次數(shù)設(shè)置為1000，誤差閾值為e-6，學(xué)習(xí)率為0.01。

1.3.5模型評(píng)價(jià)標(biāo)準(zhǔn)后向散射系數(shù)、土壤含水率反演模型的精度主要通過(guò)R2和RMSE作為評(píng)定標(biāo)準(zhǔn)進(jìn)行評(píng)定。其中，在土壤含水率反演模型的選擇上，模擬值與土壤含水率實(shí)測(cè)值之間的擬合優(yōu)度用R2表示，其值的取值范圍為（0，1），越接近1，表示模型的擬合優(yōu)度越好；而模擬值與實(shí)測(cè)值間的偏離程度則通過(guò)RMSE反映，其值越小，模型精度越高（蘇偉等，2018），最終模型的選擇通過(guò)該2個(gè)指標(biāo)進(jìn)行綜合評(píng)定。

式中，Qi為實(shí)測(cè)值，Pi為反演值，N為實(shí)測(cè)樣本的數(shù)量。

2基于多源遙感數(shù)據(jù)的農(nóng)田地表土壤水分分析

2.1土地利用分類

本研究中，利用GEE平臺(tái)獲取2023年的Land-sat 8影像數(shù)據(jù)，通過(guò)云層處理、特征選擇、樣本采集、分類器訓(xùn)練、分類執(zhí)行及精度評(píng)定流程實(shí)現(xiàn)姚安灌區(qū)的土地利用分類。其中，根據(jù)《土地利用現(xiàn)狀分類》國(guó)家標(biāo)準(zhǔn)和姚安灌區(qū)實(shí)際情況將樣本主要分為裸土、低矮作物、建筑用地和水體4個(gè)類別，選擇RF算法作為分類器，分類結(jié)果表現(xiàn)出色，整體精度達(dá)0.9355，Kappa系數(shù)為0.8768。利用Landsat 8影像數(shù)據(jù)得到分類圖4，姚安灌區(qū)的建筑區(qū)域呈現(xiàn)較集中的分布特征，裸土和水體在整個(gè)研究區(qū)域占比小。然而，鑒于本研究的主要研究對(duì)象為農(nóng)田，且建筑區(qū)域的雷達(dá)后向散射系數(shù)通常高于農(nóng)作物區(qū)域，可能會(huì)對(duì)土壤水分的反演精度造成影響，因此，綜合考慮決定從分析中排除建筑區(qū)域，以提高對(duì)姚安灌區(qū)地表土壤水分綜合分析的準(zhǔn)確性。

2.2地表土壤水分特征提取

本研究選擇NDMI、海拔、坡度、溫度、VV和VH極化差、VV和VH后向散射系數(shù)、雷達(dá)波入射角為特征參數(shù)。NDMI不僅可以代表干旱監(jiān)測(cè)指標(biāo)，在本研究中還可以反映植被覆蓋區(qū)域的植被水分含量。VV和VH極化差、VV和VH后向散射系數(shù)是本研究重點(diǎn)，雷達(dá)后向散射系數(shù)稱為歸一化雷達(dá)后向散射截面，表征目標(biāo)物的微波后向散射強(qiáng)弱。根據(jù)Senti-nel-1微波數(shù)據(jù)預(yù)處理，得到姚安灌區(qū)VV、VH極化的地表總后向散射系數(shù)，得雷達(dá)后向散射系數(shù)（圖5）。根據(jù)實(shí)測(cè)點(diǎn)的經(jīng)緯度坐標(biāo)，提取姚安灌區(qū)實(shí)測(cè)點(diǎn)的后向系數(shù)，雷達(dá)波入射角隨著成像距離的變化而變化，本研究中通過(guò)GEE獲取姚安灌區(qū)的雷達(dá)波入射角。在土壤水分的遙感反演方面，溫度作為一個(gè)重要的特征參數(shù)，有助于提高反演模型的準(zhǔn)確性。研究表明，土壤溫度的變化會(huì)顯著影響土壤水分特征曲線，本研究基于GEE，利用Sentinel-3數(shù)據(jù)獲取姚 安灌區(qū)的溫度圖，土壤水分特征提取見表2。

2.3基于水云模型的土壤直接后向散射系數(shù)分析

VV和VH后向散射系數(shù)是研究地表土壤水分的主要特征參數(shù)，2.1得到的為基于遙感技術(shù)獲取的地表總后向散射系數(shù)，因此，本研究選擇VV和VH的數(shù)據(jù)來(lái)評(píng)估水云模型，在此基礎(chǔ)上，通過(guò)水云模型獲取植被后向散射，通過(guò)遙感技術(shù)得到總后向散射值，再在其中分離出植被散射和吸收的貢獻(xiàn)后，最終得到土壤直接后向散射值，即本研究對(duì)土壤水分進(jìn)行分析的數(shù)據(jù)。利用前期工作獲取的31個(gè)采樣點(diǎn)經(jīng)緯度坐標(biāo)，在影像中得到各個(gè)對(duì)應(yīng)點(diǎn)植被去除前的后向散射系數(shù)和水云模型作用下植被去除后的后向散射系數(shù)。去除植被影響前后的后向散射系數(shù)關(guān)系如圖6所示，結(jié)果顯示，通過(guò)水云模型削弱植被對(duì)散射系數(shù)的作用，去除植被層對(duì)后向散射系數(shù)的影響，能不同程度地衰減VV和VH后向散射系數(shù)。為更明顯反映水云模型對(duì)2種極化方式的影響程度，去除異常點(diǎn)，最后得到VV和VH在水云模型去除植被影響后的變化值。如圖7所示，VV后向散射系數(shù)減少0.1～0.4 dB、VH后向散射系數(shù)減少0～0.05 dB；此外，植被覆蓋度和原始后向散射系數(shù)對(duì)減少值有著不同程度的影響，如VH極化的原始后向散射系數(shù)在0.03～0.10 dB。

2.4農(nóng)田地表土壤水分反演模型分析

將線性回歸模型和訓(xùn)練所得的BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型、RF算法用于預(yù)測(cè)土壤體積含水率。利用NDMI、海拔、坡度、溫度、VV和VH極化差、VV和VH后向散射系數(shù)、雷達(dá)波入射角為特征參數(shù)，在Matlab中對(duì)BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型、RF算法進(jìn)行實(shí)現(xiàn)，線性回歸模型通過(guò)SPSS 27.0進(jìn)行分析，按照本研究參照的R2和RMSE評(píng)價(jià)體系對(duì)模型進(jìn)行評(píng)價(jià)，其中線性回歸模型的R2=0.1000、RMSE=0.0331，BP模型的R2=0.5589、RMSE=0.0304，PSO-BP模型的R2=0.4811、RMSE=0.0394，RF算法的R2=0.5544、RMSE=0.0253（表3），說(shuō)明在此次預(yù)測(cè)土壤體積含水率中，BP神經(jīng)網(wǎng)絡(luò)模型的各項(xiàng)精度均較好，可以做到針對(duì)土壤含水量進(jìn)行監(jiān)測(cè)，適用于姚安灌區(qū)土壤的監(jiān)測(cè)應(yīng)用，而PSO-BP神經(jīng)網(wǎng)絡(luò)模型是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行尋優(yōu)，有利于提高預(yù)測(cè)精度和泛化能力，但在本次試驗(yàn)中未體現(xiàn)其優(yōu)化，線性回歸模型只考慮VV和VH后向散射系數(shù)與實(shí)測(cè)土壤水分間的關(guān)系，未加入NDMI、海拔、坡度、溫度、雷達(dá)波入射角作為特征參數(shù)，因此精度不高，經(jīng)驗(yàn)證，加入特征參數(shù)可提高地表土壤水分的反演精度，加入特征參數(shù)后BP神經(jīng)網(wǎng)絡(luò)模型的R2提高0.4589、PSO-BP神經(jīng)網(wǎng)絡(luò)模型的R2提高0.3811、RF算法的R2提高0.4544。

2.5農(nóng)田地表土壤水分分析

基于Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)，采用水云模型、線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型、RF算法以及野外實(shí)地考察獲取的實(shí)測(cè)數(shù)據(jù)，建立姚安灌區(qū)土壤后向散射系數(shù)與實(shí)測(cè)土壤含水率之間的線性關(guān)系式，并在此基礎(chǔ)上對(duì)建立的模型進(jìn)行驗(yàn)證與分析，從而實(shí)現(xiàn)多源遙感數(shù)據(jù)協(xié)同反演植被覆蓋區(qū)農(nóng)田土壤水分，在只考慮VV和VH后向散射系數(shù)作為土壤水分的影響因子時(shí)，姚安灌區(qū)土壤水分的整體精度低，而在加入NDMI、海拔、坡度、溫度、VV和VH極化差、VV和VH后向散射系數(shù)、雷達(dá)波入射角作為輸入因子時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型的R2和RMSE均高于RF算法，BP神經(jīng)網(wǎng)絡(luò)模型和PSO-BP神經(jīng)網(wǎng)絡(luò)模型的RMSE僅相差0.0090，BP神經(jīng)網(wǎng)絡(luò)模型的R2較PSO-BP神經(jīng)網(wǎng)絡(luò)模型高0.0778，最終本研究選擇BP神經(jīng)網(wǎng)絡(luò)模型對(duì)姚安灌區(qū)進(jìn)行研究分析。將31個(gè)實(shí)測(cè)數(shù)據(jù)根據(jù)訓(xùn)練集∶測(cè)試集=0.7∶0.3進(jìn)行試驗(yàn)，發(fā)現(xiàn)其精度和反演能力較好，可以做到針對(duì)地表土壤含水率進(jìn)行監(jiān)測(cè)，適用于對(duì)姚安灌區(qū)土壤水分的監(jiān)測(cè)，并根據(jù)土地利用分類圖提取出建筑用地，通過(guò)監(jiān)督分類對(duì)姚安灌區(qū)進(jìn)行土地分類的整體精度為0.9355、Kappa系數(shù)為0.8768，精度較優(yōu)，把BP神經(jīng)網(wǎng)絡(luò)模型反演的姚安灌區(qū)土壤含水率與姚安灌區(qū)土地利用分類圖進(jìn)行疊加分析，最終得到不含建筑區(qū)的姚安灌區(qū)土壤含水率圖。

圖8為研究區(qū)采樣點(diǎn)位置的作物類別。種植玉米的采樣點(diǎn)包括17個(gè)處于穗期階段或花粒期階段、1個(gè)處于苗期階段，從地理位置分析，玉米種植覆蓋整個(gè)姚安灌區(qū)，根本原因是當(dāng)?shù)刈匀毁Y源優(yōu)越、土壤條件良好，以及姚安縣一系列政策措施的實(shí)施；此外，玉米種植區(qū)土壤含水率集中在20%～30%，有利于玉米廣泛種植。烤煙種植分布較均勻，從地理位置分析，采樣點(diǎn)靠近建筑區(qū)域，科學(xué)施肥、合理灌溉以及病蟲害預(yù)防均影響烤煙的生長(zhǎng)。在石榴樹生長(zhǎng)過(guò)程中，光照、水分和溫度是3個(gè)不可或缺的環(huán)境因素，采集時(shí)正值夏季，姚安灌區(qū)氣溫在16～27℃，光照充足，且土壤含水率在20%～30%，適宜石榴生長(zhǎng)。受水稻種植條件制約，種植水稻的土壤含水率要求較高，而本研究種植水稻的土壤含水率在20%～30%，制約水稻生長(zhǎng)，為保證產(chǎn)量，需要人工干預(yù)。

姚安灌區(qū)土壤含水率圖反演結(jié)果見圖9。由圖9可知，姚安灌區(qū)土壤含水率30%～40%區(qū)域覆蓋面積少且分散；其土壤含水率集中在20%～30%，位置主要集中于中部，覆蓋面積較大，研究區(qū)為典型的滇中高原灌區(qū)，農(nóng)作物集中，其高程及溫度較平原地區(qū)有所差異，其中姚安灌區(qū)的海拔在1800～2000 m，年平均高溫24°C，年平均低溫11°C；圖中空白部分含水率為0，其主要組成部分為土壤水分反演異常值區(qū)域和人工建設(shè)地塊，其中人工建設(shè)地塊包括有城鎮(zhèn)建設(shè)用地、公路等，而地理位置主要集中在姚安灌區(qū)的西南部，人工建設(shè)地塊周圍的土壤含水率多數(shù)為20%～30%，也適合農(nóng)作物生長(zhǎng)，從運(yùn)輸成本看，減少了在其運(yùn)輸上的成本；此外，土壤含水率10%～20%區(qū)域集中在研究區(qū)的北部。根據(jù)土壤含水率分布進(jìn)行水資源的合理調(diào)配，可保證農(nóng)作物產(chǎn)量。

姚安灌區(qū)的土壤類型主要為黃棕壤和紅壤，根據(jù)張景略（1980）對(duì)土壤墑情的劃分標(biāo)準(zhǔn)，干土的土壤含水率在5%以下、灰墑的土壤含水率在8%～15%、黃墑的土壤含水率在15%～20%；褐墑（又名合墑）的土壤含水率在20%～26%；黑墑（也叫飽墑）的土壤含水率在26%～32%。通過(guò)多源遙感數(shù)據(jù)得到姚安灌區(qū)土壤含水率主要集中在20%～30%，說(shuō)明姚安灌區(qū)的土壤類型根據(jù)土壤墑情的劃分標(biāo)準(zhǔn)主要屬于褐墑（合墑）和黑墑（飽墑）；此外，姚安灌區(qū)夏秋陰雨，實(shí)測(cè)數(shù)據(jù)采集在7月，正處于雨季，土壤含水量較充足，有助于農(nóng)作物生長(zhǎng)。姚安灌區(qū)相對(duì)于平原地區(qū)地形起伏較大，是典型的小盆地類型，四周高山，中間為低洼壩子，耕地及建設(shè)用地集中在壩子，耕地布局較分散，其中姚安灌區(qū)北部有部分區(qū)域含水率在10%～20%，綜合考慮農(nóng)作物的分布情況，在該區(qū)域需要人工干預(yù)，定期、定量開展灌溉作業(yè)，保證該區(qū)域農(nóng)作物的良好生長(zhǎng)和收成，友善解決農(nóng)作物收成因水資源分布不均所導(dǎo)致的不均衡。

3討論

在已有試驗(yàn)和研究背景基礎(chǔ)上充分發(fā)揮微波全天候、全天時(shí)、穿透力強(qiáng)的優(yōu)點(diǎn)與光學(xué)遙感獲取表層土壤墑情的特點(diǎn)，本研究通過(guò)對(duì)姚安灌區(qū)的土壤水分田間調(diào)查和影像數(shù)據(jù)處理，驗(yàn)證Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)協(xié)同作用下對(duì)植被覆蓋區(qū)的農(nóng)田地表土壤水分含量精度分析與評(píng)定的影響，結(jié)果表明，在利用水云模型消除植被層影響后，地表VV和VH后向散射系數(shù)均有所衰減，VV后向散射系數(shù)減少0.1～0.4 dB，VH后向散射系數(shù)減少0～0.05 dB。劉正春等（2020）對(duì)山西省聞喜縣冬小麥種植區(qū)的研究發(fā)現(xiàn)，在水云模型作用下，VV和VH后向散射系數(shù)分別減少0.5～5.0 dB和0.5～12.0 dB，VH后向散射系數(shù)減少值范圍大于VV后向散射系數(shù)，通過(guò)對(duì)其原始數(shù)據(jù)的分析對(duì)比，發(fā)現(xiàn)VH后向散射系數(shù)原始值集中在-12.5 dB、VV后向散射系數(shù)原始值集中在-20 dB，而本研究中的VH后向散射系數(shù)原始值集中在0.03 dB，VV后向散射系數(shù)原始值集中在0.4 dB；此外，本研究的主要農(nóng)作物為玉米、水稻、烤煙，劉正春等（2020）研究的主要農(nóng)作物為冬小麥，驗(yàn)證發(fā)現(xiàn)減少值取決于原始后向散射系數(shù)值并且與植被覆蓋度存在聯(lián)系。

BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型和RF算法在只考慮土壤水分與后向散射系數(shù)的相關(guān)性時(shí)加入特征參數(shù)，精度在原基礎(chǔ)上均有所提高。余凡等（2012）提出GA-BP算法反演地表土壤水分的研究方法，主要是考慮權(quán)重和不同極化對(duì)土壤水分的分析。在前人研究基礎(chǔ)上，以NDMI、海拔、坡度、溫度、VV和VH極化差、VV和VH后向散射系數(shù)、雷達(dá)波入射角作為特征參數(shù)，本研究選擇BP神經(jīng)網(wǎng)絡(luò)模型對(duì)姚安灌區(qū)進(jìn)行研究分析，如果可以加入地形因素、人為因素、氣象因素等眾多因素，對(duì)姚安灌區(qū)地表土壤水分的研究分析將更加全面、詳細(xì)。目前還缺少對(duì)滇中高原地區(qū)的研究，微波遙感影像和光學(xué)遙感影像在數(shù)據(jù)處理過(guò)程中存在自身配準(zhǔn)和校正方面的誤差；此外，2種影像數(shù)據(jù)在空間分辨率上可能也存在匹配誤差，3種誤差（包括地形異質(zhì)性、空間分辨率不匹配、植被覆蓋及土壤粗糙度）可能共同作用于土壤水分分析上。

多源遙感數(shù)據(jù)協(xié)同作用對(duì)姚安灌區(qū)地表土壤水分進(jìn)行分析研究的效果較佳，但本研究還存在不足之處：（1）Sentinel-1微波數(shù)據(jù)的重復(fù)過(guò)境時(shí)間為6 d、Sentinel-2光學(xué)數(shù)據(jù)的重復(fù)過(guò)境時(shí)間為5d，如選擇同一天的微波數(shù)據(jù)和光學(xué)數(shù)據(jù)進(jìn)行研究較麻煩，對(duì)農(nóng)田地表土壤水分反演的實(shí)時(shí)性研究較困難；（2）Sen-tinel-1微波數(shù)據(jù)雙極化方式只包含VH和VV極化，本研究重點(diǎn)也是分析該2種極化方式對(duì)地表土壤水分的影響，全極化SAR影像數(shù)據(jù)具有多極化的優(yōu)點(diǎn)，也可分析不同極化組合方式對(duì)地表土壤水分反演的影響程度。

4建議

4.1提高反演精度

今后對(duì)土壤水分反演研究在以下方面有提升空間：優(yōu)化模型和算法、增加土壤含水率實(shí)測(cè)數(shù)據(jù)量。對(duì)于模型和算法，可增加對(duì)土壤含水率有影響的因子，本研究主要以NDMI、海拔、坡度、溫度、VV和VH極化差、VV和VH后向散射系數(shù)、雷達(dá)波入射角為研究的影響因子；此外，增加土壤含水率實(shí)測(cè)數(shù)據(jù)也可以進(jìn)一步提高模型和算法的訓(xùn)練精度。

4.2完善反演體系，實(shí)現(xiàn)動(dòng)態(tài)及時(shí)監(jiān)測(cè)

本研究使用的數(shù)據(jù)來(lái)源主要是Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)，Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)協(xié)同作用，可對(duì)大面積的研究區(qū)域進(jìn)行分析，但其缺點(diǎn)是存在延時(shí)性，并且對(duì)時(shí)間和空間的分辨率仍需提高。在未來(lái)的研究中，加入不同觀測(cè)模式的數(shù)據(jù)和不同類型的衛(wèi)星數(shù)據(jù)，對(duì)土壤地表水分研究分析將有很大幫助；同時(shí)，隨著無(wú)人機(jī)的快速發(fā)展，融合無(wú)人機(jī)遙感數(shù)據(jù)，有利于實(shí)現(xiàn)區(qū)域高精度、高分辨率、實(shí)時(shí)土壤水分的動(dòng)態(tài)監(jiān)測(cè)。

4.3實(shí)時(shí)監(jiān)測(cè)，資源合理分配

在實(shí)現(xiàn)區(qū)域高精度、高分辨率、實(shí)時(shí)土壤水分動(dòng)態(tài)監(jiān)測(cè)的同時(shí)，資源的合理分配是迫切需要解決的問(wèn)題。隨著全球氣候變暖，水資源的合理分配問(wèn)題至關(guān)重要，政府相關(guān)部門可結(jié)合土壤水分分布、農(nóng)作物種植類型實(shí)現(xiàn)水資源的合理分配，指導(dǎo)農(nóng)業(yè)工作者實(shí)現(xiàn)水資源的最大利用。

參考文獻(xiàn)（References）：

郭二旺，郭乙霏，羅蔚然，王文婷.2019.基于Landsat 8和Sen-tinel-1A數(shù)據(jù)的焦作廣利灌區(qū)夏玉米土壤墑情監(jiān)測(cè)方法研究［J］.中國(guó)農(nóng)村水利水電，（7）：22-25.［Guo E W，Guo Y F，Luo W R，Wang W T.2019.Soil moisture retrieval ofsummer maize in the irrigation area based on Sentinel-1A［J］.China Rural Water and Hydropower，（7）：22-25.］doi：10.3969/j.issn.1007-2284.2019.07.005.

郭交，劉健，寧紀(jì)鋒，韓文霆.2019.基于Sentinel多源數(shù)據(jù)的農(nóng)田地表土壤水分反演模型構(gòu)建與驗(yàn)證［J］.農(nóng)業(yè)工程學(xué)報(bào)，35（14）：71-78.［Guo J，Liu J，Ning J F，Han W T.2019.Construction and validation of soil moisture retrieval model in farmland based on Sentinel multi-source data［J］.Transactions of the Chinese Society of Agricultural Engi-neering，35（14）：71-78.］doi：10.11975/j.issn.1002-6819.2019.14.009.

郭玉娣，李根，李春，梁冬坡.2023.基于多時(shí)相合成孔徑雷達(dá)數(shù)據(jù)的水稻種植面積監(jiān)測(cè)［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，39（5）：1179-1188.［Guo Y D，Li G，Li C，Liang D P.2023.Rice planting area monitoring based on multi-temporal syn-thetic aperture radar（SAR）data［J］.Jiangsu Journal of Agricultural Sciences，39（5）：1179-1188.］doi：10.3969/j.issn.1000-4440.2023.05.010.

李伯祥，陳曉勇.2020.基于Sentinel多源遙感數(shù)據(jù)的河北省景縣農(nóng)田土壤水分協(xié)同反演［J］.生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)，36（6）：752-761.［Li B X，Chen X Y.2020.Synergic use of Sentinel-1 and Sentinel-2 images for soil moisture retrieval in vegetation covered agricultural areas of Jingxian County of Heibei Province［J］.Journal of Ecology and Rural Envi-ronment，36（6）：752-761.］doi：10.19741/j.issn.1673-4831.2019.0944.

李艷，張成才，羅蔚然.2019.利用改進(jìn)的水云模型反演夏玉米拔節(jié)期土壤墑情方法研究［J］.水利水電技術(shù)，50（3）：212-218.［Li Y，Zhang C C，Luo W R.2019.Study on inverting soil moisture of summer corn jointing stage with improved water cloud model［J］.Water Resources and Hy-dropower Engineering，50（3）：212-218.］doi：10.13928/j.cnki.wrahe.2019.03.029.

劉正春，馮美臣，徐立帥，荊耀棟，畢如田.2020.基于Sentinel多源數(shù)據(jù)的晉南農(nóng)田地表土壤水分反演［J］.中國(guó)農(nóng)學(xué)通報(bào)，36（20）：51-58.［Liu Z C，F(xiàn)eng M C，Xu L S，Jing Y D，Bi R T.2020.Soil moisture retrieval of farmland in Southern Shanxi：Based on Sentinel multi-source data［J］.Chinese Agricultural Science Bulletin，36（20）：51-58.］

石瑩，穆岑，田艷君，黃月如，郭潤(rùn)瀟，孫曉雪.2022.基于Landsat-8數(shù)據(jù)對(duì)甘肅省金塔縣主要農(nóng)作物分類［J］.測(cè)繪與空間地理信息，45（2）：74-78.［Shi Y，Mu C，Tian Y J，Huang Y R，Guo R X，Sun X X.2022.Classification of main cropsin Jinta County，Gansu Province based on Lan-dsat-8 data［J］.Geomaticsamp;Spatial Information Techno-logy，45（2）：74-78.］doi：10.3969/j.issn.1672-5867.2022.02.020.

蘇偉，侯寧，李琪，張明政，趙曉鳳，蔣坤萍.2018.基于Senti-nel-2遙感影像的玉米冠層葉面積指數(shù)反演［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，49（1）：151-156.［Su W，Hou N，Li Q，Zhang M Z，Zhao X F，Jiang K P.2018.Retrieving leaf area indexof corn canopy based on Sentinel-2 remote sensing image［J］.Transactions of the Chinese Society for Agricultural Ma-chinery，49（1）：151-156.］doi：10.6041/j.issn.1000-1298.2018.01.019.

余凡，翟亮，張承明.2016.主被動(dòng)遙感協(xié)同反演地表土壤水分方法［M］.北京：測(cè)繪出版社.［Yu F，Zhai L，Zhang C M.2016.Methods on land surface soil moisture retrieval based on intergrating active and passive remote sensing data［M］.Beijing：Sino Maps Press.］

余凡，趙英時(shí)，李海濤.2012.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的主被動(dòng)遙感協(xié)同反演土壤水分［J］.紅外與毫米波學(xué)報(bào)，31（3）：283-288.［Yu F，Zhao Y S，Li H T.2012.Soil moisture retrieval based on GA-BP neural networks algorithm［J］.Journal of Infrared and Millimeter Waves，31（3）：283-288.］doi：10.3724/SP.J.1010.2012.00283.

楊貴軍，岳繼博，李長(zhǎng)春，馮海寬，楊浩，蘭玉彬.2016.基于改進(jìn)水云模型和Radarsat-2數(shù)據(jù)的農(nóng)田土壤含水量估算［J］.農(nóng)業(yè)工程學(xué)報(bào)，32（22）：146-153.［Yang G J，Yue J B，Li C C，F(xiàn)eng H K，Yang H，Lan Y B.2016.Estimation of soil moisture in farmland using improved water cloud model and Radarsat-2 data［J］.Transactions of the Chinese Society of Agricultural Engineering，32（22）：146-153.］doi：10.11975/j.issn.1002-6819.2016.22.020.

張景略.1980.黃泛平原的土壤墑情［J］.河南農(nóng)林科技，（10）：6-8.［Zhang J L.1980.Soil moisture of the Yellow River flood plain［J］.Henan Agriculture and Forestry Science and Technology，（10）：6-8.］

張義崢，吳鵬海，段四波，楊輝，殷志祥.2021.Landsat 8地表溫度產(chǎn)品降尺度深度學(xué)習(xí)方法研究［J］.遙感學(xué)報(bào)，25（8）：1767-1777.［Zhang Y Z，Wu P H，Duan S B，Yang H，Yin Z X.2021.Downscaling of Landsat 8 land surface temperature products based on deep learning［J］.National Remote Sensing Bulletin，25（8）：1767-1777.］

Dubois P C，van Zyl J，Engman T.1995.Measuring soil mois-ture with imaging radars［J］.IEEE Transactions on Geo-science and Remote Sensing，33（4）：915-926.doi：10.1109/36.406677.

Karthikeyan L，Pan M，Wanders N，Kumar D N，Wood E F.2017.Four decades of microwave satellite soil moisture observations：Part 1.A review of retrieval algorithms［J］.Advances in Water Resources，109：106-120.doi：10.1016/j.advwatres.2017.09.006.

Karam M A，F(xiàn)ung A K，Lang R H，Chauhan N S.1992.A microwave scattering model for layered vegetation［J］.IEEE Transactions on Geoscience and Remote Sensing，30（4）：767-784.doi：10.1109/36.158872.

Legates D R，Mahmood R，Levia D F，DeLiberty T L，Quiring S M，Houser C，Nelson F E.2011.Soil moisture：A central and unifying theme in physical geography［J］.Progress in Physical Geography，35（1）：65-86.doi：10.1177/03091333 10386514.

Meng Q Y，Xie Q X，Wang C M，Ma J X，Sun Y X，Zhang L L.2016.A fusion approach of the improved Dubois model and best canopy water retrieval models to retrieve soil moisture through all maize growth stages from Radarsat-2 and Landsat-8 data［J］.Environmental Earth Sciences，75（20）：1377.doi：10.1007/s 12665-016-6182-4.

Oh Y，Sarabandi K，Ulaby F T.1992.An empirical model and an inversion technique for radar scattering from bare soil surfaces［J］.IEEE Transactions Geoscience and Remote Sensing，30（2）：370-381.doi：10.1109/36.134086.

Shi J C，Wang J，Hsu A Y，O’Neill P E，Engman E T.1995.Estimation of bare soil moisture and surface roughness parameters using L-band SAR image data［J］.IEEE Tran-sactions on Geoscience and Remote Sensing，33（5）：1254-1266.doi：10.1109/36.628792.

Song X D，Zhang G L，Liu F，Li D C，Zhao Y G，Yang J L.2016.Modeling spatio-temporal distribution of soil mois-ture by deep learning-based cellular automata model［J］.Journal of Arid Land，8（5）：734-748.doi：10.1007/s40333-016-0049-0.

Torres R，Snoeij P，Geudtner D，Bibby D，Davidson M，Attema E，Potin P，Rommen B，F(xiàn)loury N，Brown M.2012.GMES Sentinel-1 mission［J］.Remote Sensing of Environment，120（6）：9-24.doi：10.1016/j.rse.2011.05.028.

（責(zé)任編輯：麻小燕）