光学与SAR遥感协同反演土壤水分研究进展

艾 璐， 孙淑怡， 李书光， 马红章

(中国石油大学(华东)理学院，青岛 266580)

0 引言

土壤水分在农业用水管理、农作物估产、旱情监测和精准灌溉中起着非常重要的作用，因此快速精准地监测土壤水分空间变化具有重要意义[1-5]。通过探针法或重量法来测定土壤水分的传统方法，虽然精度高，但不能满足大范围土壤水分监测的需求。遥感技术具有覆盖广、时效强的特点，是目前大尺度土壤水分监测的主要手段[2,6-8]。

光学遥感能提供高光谱分辨率、高空间分辨率的数据，基于光学遥感的土壤水分监测技术主要适用于裸露地表，在植被覆盖区由于无法直接获取土壤的光谱信息，导致其土壤水分监测能力有限。热红外遥感可基于地表温度的变化来估算土壤水分，在低植被覆盖区，热惯量法[9]是最常用的反演方法，因为土壤热惯量随着土壤水分含量的增加而增大，导致地表昼夜温差降低； 在中高植被覆盖区，温度植被干旱指数法(temperature vegetation dryness index，TVDI)是联合光学与热红外遥感进行土壤水分反演或土壤干旱程度监测的常用方法。光学和热红外遥感容易受到云、雾等大气条件的影响，土壤水分监测的连续性难以得到保证[10-13]。合成孔径雷达(synthetic aperture Radar,SAR)对大气的穿透能力强，具有在各种气象条件下的全天候对地观测能力，且SAR回波强度对土壤水分变化有较高的灵敏性。目前基于星载SAR后向散射系数与土壤水分的相关性[14]，进行区域土壤水分反演的遥感技术方法已得到普遍应用。

在植被覆盖区，由于植被层对微波的强烈散射作用，造成SAR后向散射系数对土壤水分变化的敏感性下降，降低了土壤水分的反演精度[15-19]。光学遥感可有效提取植被冠层的信息，因此光学与SAR遥感协同反演土壤水分能够结合二者优点，提高土壤水分的反演精度[20]。本文简要总结了光学与SAR遥感协同反演土壤水分研究中相关模型与算法的进展情况和存在的主要问题，并对农田区土壤水分反演研究的前景进行展望。

1 常用模型

大部分陆地地表均有植被覆盖，植被的存在使得利用微波遥感反演土壤水分的难度大大增加。在植被覆盖区，微波遥感会受到地表粗糙度和植被的双重影响，因此基于微波遥感技术的土壤水分反演研究中如何去除土壤粗糙度和植被的影响尤为重要。国内外学者研究发现，不同波段对于土壤水分和冠层参数的响应度不同[21]，每个波段都有自身敏感的对象，比如，光学遥感数据对植被信息较敏感，而SAR遥感数据对土壤水分信息更敏感[22]，因此，将光学遥感与SAR两者相结合来消除植被层对土壤水分反演的影响受到了学者们的普遍关注。目前，综合运用光学和SAR遥感技术进行土壤水分的监测研究，已取得了一系列突破，发展了众多土壤水分反演的相关算法和模型。

1.1 土壤微波散射模型

(1)

式中：Wn为表面相关函数的幂次傅里叶变换；Re为表面反射率； *表示共轭；k为波数；s为土壤表面均方根高度；θ为雷达入射角；fpq为基尔霍夫系数；Fpq为补偿场系数；pq表示极化状态。

由于IEM模型对不同粗糙度条件下的地表微波散射模拟精度存在差异。Wu等[24]和Chen等[25]通过修正菲涅尔反射系数的计算方法和粗糙度功率谱函数，使模型模拟精度得到进一步提高，改进后模型被称为AIEM模型。相关研究表明，相比IEM模型，AIEM模型不仅有更宽的粗糙度适用范围，而且具有更强的模拟宽波段和大角度观测数据的能力[26-28]。

为消除地表粗糙度影响，提高土壤水分反演精度，国内外学者基于观测数据或理论模型模拟数据，发展了土壤粗糙度半经验模型，如Dubois模型[29]和Oh模型[30]。

Dubois模型是计算SAR同极化后向散射系数的半经验模型，适用于当1.5 GHz≤f≤11 GHz，30°≤θ≤65°和0.3 cm≤ks≤3.0 cm，mv≤0.35 cm3/cm3和NDVI≤0.4的地表，其中f为频率；mv为土壤水分；NDVI为归一化植被指数，具体可表达为：

(2)

(3)

式中：εr为介电常数的实部；λ为波长。

Oh模型是基于实测数据发展而来的半经验模型，可从多极化雷达观测结果中获取土壤水分和表面均方根高度，在0.1 cm≤ks≤6 cm，10°≤θ≤70°，0.09 cm3/cm3≤mv≤0.31 cm3/cm3等条件下较为适用，经验方程为：

(4)

(5)

(6)

式中Γ0为土壤菲涅尔反射系数。

1.2 PROSAIL模型

PROSAIL模型是由PROSPECT叶片光谱模型和SAIL模型耦合得到的[31]。PROSPECT模型是由Allen等[32]于1969年提出的平板模型改进而来。输入叶片的微观结构参数及生化参数，模型可模拟从可见光—中红外波段范围内的叶片反射与透射光谱。SAIL模型是适用于农田冠层的最具代表性的辐射传输模型之一，是Verhoef[33]在SUIT模型[34]的基础上发展而来的。SAIL模型考虑了影响冠层辐射传输的叶倾角、叶片光谱、土壤光谱、叶面积指数(leaf area index,LAI)、热点大小等参数，可以准确的模拟冠层光谱。Jacquemoud[35]首先证明了PROSPECT模型和SAIL模型在理论上耦合的可行性，之后PROSAIL模型被广泛用于植被生物量、冠层含水量mveg和LAI等方面的研究。

1.3 水云模型

水云模型是Ulaby等[36]在1984年提出，该模型将植被层假定为一个各向同性散射体，把地表后向散射描述为植被直接散射与经过植被双程衰减的土壤散射之和。水云模型一般表示为：

(7)

(8)

τ2(θ)=exp(-2BVIsecθ)

(9)

实际应用中关于VI的确定，Lievens等[37]选取LAI，VWC和NDVI作为植被指标初始化水云模型，得到土壤水分，结果显示，该研究区利用LAI推导土壤水分的精度远远高于其他2种植被指数。2015年，Kweon等[38]利用植被含水量影响雷达穿透深度的特点对水云模型进行了修正，回归了经验系数A和B。

1.4 比值模型

比值模型由Joseph等[39]在2008年提出，模型假设对特定为雷达系统土壤后向散射系数与雷达总后向散射系数的比值仅与冠层参数有关。模型可表示为：

(10)

式中v为冠层参数。

为去除植被影响，Joseph等[40]用植被指数的平方和e指数的线性组合来表达F，即

aVI2+exp(-bVI)+C=F(v) ，

(11)

式中a,b,c均为模型经验系数。

2012年，Prakash等[41]单独使用植被指数的二次多项式作为F的表达式，即

aVI2+bVI+c=F(v)

(12)

2018年，Bai等[42]用植被指数的线性函数和幂指数函数的组合来表示F，即

aVI+bVIc=F(v)

(13)

在实际应用中，一般由光学遥感数据提取的植被指数，通过合适的函数形式来表示土壤后向散射系数与地表总后向散射系数的比值，同时借助理论模型模拟数据或实测数据进行函数式的定标，从而实现土壤后向散射系数的计算。

1.5 MIMICS模型

MIMICS(michigan microwave canopy scattering model)模型是Ulaby等[43]于1990年基于辐射传输理论提出的描述连续森林植被冠层一阶微波散射模型，该模型将森林植被分为树冠层、树干层和土壤层[44]。冠层叶片被抽象为圆形且有一定厚度的介电圆盘，各级树枝以及树干均被抽象为一定尺度大小的介电圆柱体。对低矮植被或农作物覆盖的地表，MIMICS可简化为：

(14)

(15)

(16)

(17)

(18)

式中：Γp为地表反射率；h为植被冠层高度；σpqs为土壤层雷达后向散射截面；σpq1为单位体积冠层的雷达后向散射截面；σpq2为单位体积冠层的雷达双向散射截面；kp为冠层消光系数；Tp为冠层单程透过率。

基于MIMICS的模拟，利用回归的方法可建立模型参数σpq1，σpq2，kp和Tp与冠层植被指数(或冠层含水量或冠层LAI)的关系，实现模型的参数化和地表各散射分量的分离计算。

2 基于模型的协同反演方法

国内外学者主要基于光学遥感数据对植被冠层较敏感，SAR数据对土壤水分较敏感的特征，构建光学+SAR遥感土壤水分的协同反演方法。联合使用光学和SAR数据进行土壤水分反演的技术路线如图1所示。关键步骤包括： ①光学遥感数据与SAR 数据的辐射校正与配准等预处理； ②基于植被冠层的地面实测数据或PROSAIL模拟数据构建光学遥感数据与冠层参数的关系，并利用光学遥感数据提取微波模型所需的冠层参数； ③利用定标后的水云模型、参数化的MIMICS模型或比值模型等微波模型去除植被影响，得到土壤后向散射系数； ④基于土壤散射模型消除土壤粗糙度影响后得到土壤水分反演结果。

图1 土壤水分反演技术路线Fig.1 Roadmap for soil moisture retrieval technology

2.1 植被影响消除方法

1)光学+水云模型法。利用PROSAIL模型与水云模型相结合的方法进行土壤水分的反演中，学者们利用PROSAIL模型，建立冠层参数(如冠层含水量或LAI)与冠层植被指数(如比值植被指数(ratio vegetation index，RVI)、NDVI或归一化水分指数(normalized difference water index,NDWI)等)的关系[45-46]，基于水云模型实现植被层影响的消除。

孔金玲等[11]利用TM数据分别选取NDVI和NDWI指数对植被冠层含水量进行反演，通过水云模型消除植被层对土壤后向散射系数的影响，联合RADARSAT-2数据反演了旱区不同植被覆盖下地表土壤水分，结果表明NDVI适合去除该地表条件下稀疏植被覆盖产生的影响； 韩玲等[47]采用多种植被指数反演植被含水量，发现将RVI引入水云模型，剔除植被层对雷达后向散射系数影响的效果更好，VV极化比VH极化更适合于低矮植被覆盖地表的土壤水分反演； 马腾等[45]采用不同的植被指数分别与冠层含水量建立关系，联合水云模型去除植被影响，结果表明不同植被覆盖率下存在各自最优的植被指数，土壤水分反演中，不同植被覆盖率地表应采用不同的植被指数； Yadav等[48]综合Landsat8数据和Sentinel-1A数据，将植被覆盖度与水云模型结合，进行土壤水分的反演； 周鹏等[1]使用Landsat5光学遥感数据获取改进型归一化差分水分指数(normalized difference moisture index，NDMI)，建立NDMI与冠层含水量间的关系，通过水云模型消除植被覆盖影响，实现了土壤水分的反演； Park等[49]通过研究理论散射模型与水云模型植被参数间的关系，对水云模型原始表达式和改进表达式进行了评价，指出冠层含水量为水云模型中最佳植被描述符； Wang等[50]利用多时序MODIS数据提取NDVI,增强植被指数(enhanced vegetation index，EVI),LAI和光合有效辐射分量(fraction of photosynthetically active radiation，FPAR)参数，并进行不同组合代入水云模型消除植被影响，结果表明使用NDVI和LAI组合时效果最好。

2)光学+比值模型法。利用比值模型方法进行土壤水分的反演中，学者们利用不同的植被指数和函数形式来表示裸土后向散射系数与总后向散射系数间的比值关系。

2008年，Joseph等[39]利用冠层参数对土壤散射进行植被校正，并构建了比值模型，反演了玉米整个生长周期的土壤水分; 2010年，Joseph等[40]将植被指数的二次方引入比值模型，基于冠层含水量去除植被效应，利用3个角度的极化数据对沙壤土地表进行了土壤水分反演; 2012年，Mattar等[51]选择NDVI去除植被效应，得到了较好的结果; 2015年，Bai等[42]选择了4种植被参数(LAI，VWC，NDVI和EVI)来参数化比值模型，结果表明比值模型和水云模型的有效性与研究区域高度相关，且从土壤水分反演的准确性来看，比值模型优于水云模型。

3)光学+MIMICS模型法。利用光学与MIMICS模型相结合的方法进行土壤水分的反演中，学者们利用光学数据提取冠层含水量，再基于参数化的MIMICS实现地表组分散射分量的分离计算，实现植被影响的去除。

De Roo等[6]基于MIMICS模型的模拟确定冠层植被指数与冠层的消光系数、散射系数的关系，实现了MIMICS模型的参数化，利用L波段与C波段联合Oh半经验模型反演了大豆覆盖地表农田的土壤水分； 鲍艳松等[52]利用MIMICS模型分析了植被微波散射与NDVI间的关系，建立了反演土壤水分的半经验模型； 雷志斌等[53]联合高分三号和Landsat8遥感数据，首先利用PROSAIL模型和实测植被数据进行冠层最优植被指数的筛选后构建植被含水量反演模型，然后利用简化的MIMICS模型进行土壤水分反演； 余凡等[10]联合PROSAIL模型和MIMICS模型，提出MIMICS模型的参数化方法，通过引入植被均方根高度对由冠层重叠造成的雷达阴影进行校正，对甘肃张掖地区农业灌溉区进行了土壤水分估算。

2.2 土壤粗糙度消除与土壤水分计算

微波遥感中常用均方根高度s和相关长度l这2个参数来表示土壤的粗糙程度。

1)模型参数化法。Zribi等[54]基于IEM模拟数据的分析发现，在保持其他参数不变的情况下，2个不同入射角的后向散射差(Δσ0)仅与s2/l比值表示的粗糙度成正比； Rahman等[55]假定在2次图像采集的时间内，只有土壤水分发生变化，而植被和土壤粗糙度保持不变。利用IEM和干燥土壤条件下的SAR图像，反演粗糙度s和l参数，并将所得到的粗糙度用于参数化IEM，从而在不需要辅助数据的情况下实现SAR图像的土壤水分的反演； Zhu等[56]进一步使用无监督的变化检测方法，将时间序列数据分为多个子序列，在较大程度上消除了由于粗糙度变化而造成的多时相土壤水分反演的误差。

2)查找表法。除了非常粗糙的表面，SAR后向散射系数对土壤水分的敏感性受相关长度的影响较均方根高度弱，因此基于IEM模型或AIEM模型建立查找表时可通过固定相关长度只改变均方根高度来简化粗糙度参数个数。Han等[46]首先基于查找表利用采样点的土壤水分来获取土壤有效粗糙度，并建立有效粗糙度与后向散射系数间的经验函数，最后通过查找表反演土壤水分； Zhu等[56]将裸露土壤水分的先验信息整合到基于查找表的遗传算法(genetic algorithm，GA)反演中，使用时序性多角度L波段SAR进行土壤水分反演，后又将此方法扩展到C波段和X波段上，联合使用多波段SAR数据来提高土壤水分反演结果的空间分辨率。

3 基于机器学习的反演方法

4 总结与展望

利用光学和SAR数据协同反演土壤水分比利用单一数据源更具优势。光学遥感对地表植被信息敏感性高，为协同反演提供植被先验信息支持。微波具有一定的穿透性，可穿透农作物等低矮植被冠层探测到植被覆盖下的土壤信息，这为协同反演提供了物理基础。在综合利用光学和SAR遥感技术进行土壤水分反演研究方面，尽管经过多年的研究发展取得了一系列的研究成果，但土壤水分产品精度还不能满足实际应用需求，依然面临重重困难，但挑战与机遇并存，主要体现在以下几个方面：

1)提高算法模型对地表空间异质性变化的适应性。由于地表类型复杂，不仅土壤质地结构和粗糙度有空间变化，还有植被类型、植被形态和植被浓密程度的不同所带来的影响。尽管目前发展了众多的光学和SAR协同的土壤水分反演模型和算法，但算法在不同地表条件下的适用性不同，土壤水分产品精度还有巨大的提升空间，发展能适应地表空间异质性变化的土壤粗糙度与植被影响的去除算法和持续改进相关模型的模拟精度仍然是该研究领域的重点和难点。

2)土壤水分时效性强，多星组网提升卫星的时间分辨率。土壤水分具有较强的时效性，而目前高空间分辨率光学和SAR卫星的重访周期长，地表土壤水分变化的时间序列信息还无法得到有效利用。未来多颗卫星的组网观测，可以有效缩短重访观测的时间，高时间分辨率的SAR土壤水分观测将促进土壤水分时序信息的挖掘与应用，对提高土壤水分的反演精度有重要的推动作用。

3)光学与SAR遥感机理差异大，深度挖掘光学与SAR遥感的协同机理。光学和SAR遥感对冠层信息的遥感机理不同，光学遥感主要提供冠层的叶片信息，而冠层的叶片、枝和杆等组分对SAR的后向散射均有影响，因此，进行光学遥感信息与微波遥感信息的机理研究和两者之间的内在联系与转化机理研究是提高光学和SAR协同的土壤水分反演精度的基础。

4)多频段多角度光学和SAR遥感数据的综合运用。不同频段微波对地物的穿透程度不同，高频微波对植被更敏感，而低频微波具有更强的穿透性，对土壤参数更为敏感。多频段SAR遥感数据富含从冠层到土壤层的垂直分布信息。多角度遥感从不同方向探测地物，可提供地物立体信息，富含植被冠层垂直信息和介质层粗糙度信息，因此多频段多角度的光学与SAR遥感数据的综合运用在消除植被冠层对微波散射影响以及土壤粗糙度影响方面有巨大潜力。同时，机器学习方法能够智能挖掘不同类型传感器、不同地表的遥感数据的深层次内在关系，机器学习方法的运用对提高土壤水分反演精度有重要的推动作用。

尽管目前光学和SAR协同的土壤水分反演面临很多有待解决的问题，但随着光学卫星和SAR技术的深入发展，多角度、多波段和多时相光学与微波遥感数据的丰富，遥感模型的普适性和准确性的提高，基于机器学习的光学与微波协同作用的深度挖掘，土壤粗糙度与植被冠层影响去除方法的完善，光学和SAR协同反演土壤水分的应用一定有着光明的发展前景。