EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 10: 1728 - 1742

DOI: https://doi.org/10.12082/dqxxkx.2021.210104

综述

土壤水分微波反演方法进展和发展趋势

  • 覃湘栋 , 1 ,
  • 庞治国 , 1, 2, * ,
  • 江威 1, 2, 3 ,
  • 冯天时 1 ,
  • 付俊娥 1, 2
展开
  • 1.中国水利水电科学研究院,北京 100038
  • 2.水利部防洪抗旱减灾工程技术研究中心,北京 100038
  • 3.中国再保险（集团）股份有限公司博士后工作站,北京 100033
* 庞治国（1975— ）,男,博士,教授级高级工程师,主要从事遥感技术应用研究。E-mail:

覃湘栋（1996— ）,男,硕士生,主要从事土壤水分微波反演方面研究。E-mail:

收稿日期: 2021-03-03

  要求修回日期: 2021-05-10

  网络出版日期: 2021-12-25

基金资助

国家自然科学基金项目(51779269)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Progress and Development Trend of Soil Moisture Microwave Remote Sensing Retrieval Method

  • QIN Xiangdong , 1 ,
  • PANG Zhiguo , 1, 2, * ,
  • JIANG Wei 1, 2, 3 ,
  • FENG Tianshi 1 ,
  • FU Jun'e 1, 2
Expand
  • 1. China Institute of Water Resources and Hydropower Research, Beijing 100038, China
  • 2. Research Center on Flood and Drought Reduction of the Ministry of Water Resources,Beijing 100038, China
  • 3. Postdoctoral workstation of China Reinsurance (Group) Corporation, Beijing 100033, China
* PANG Zhiguo, E-mail:

Received date: 2021-03-03

  Request revised date: 2021-05-10

  Online published: 2021-12-25

Supported by

National Natural Science Foundation of China(51779269)

Copyright

Copyright reserved © 2021
Fold

摘要

土壤水分是连接地表水循环和能量循环的关键参量,精确获取该参量对于理解气候变化、地表水文过程、地气间能量交换机理等具有重要意义。微波遥感由于其较为合适的探测深度和坚实的理论基础在观测地表浅层土壤水分上具有很大优势,结合反演方法可以获取空间连续的土壤水分含量,有助于更加客观认知土壤水分的时空演变机理。随着微波遥感数据的不断丰富,多种微波遥感土壤水分反演方法相继涌现,为了更好地了解其发展和趋势,本文总结了当前土壤水分微波反演常用的卫星遥感数据并分析其发展趋势,后从主动微波反演、被动微波反演和多源协同反演3个方面梳理了各类土壤水分微波反演方法的原理、发展和优缺点,最终总结出目前微波遥感土壤水分反演方法的发展趋势：即土壤水分微波反演方法的时空普适性逐渐增强、面向高时空分辨率的土壤水分微波协同反演方法快速发展以及土壤水分微波反演方法的智能化水平不断提高。

关键词： 土壤水分; 微波遥感; 遥感数据; 反演模型; 辐射传输; 协同反演; 降尺度; 人工智能算法

本文引用格式

覃湘栋 , 庞治国 , 江威 , 冯天时 , 付俊娥 . 土壤水分微波反演方法进展和发展趋势[J]. 地球信息科学学报, 2021 , 23(10) : 1728 -1742 . DOI: 10.12082/dqxxkx.2021.210104

Abstract

Soil moisture is a key parameter to connect the land surface water cycle and the land surface energy cycle. Accurate soil moisture is great important to understand the climate change process, the land surface hydrological process, the mechanism of energy exchange between the earth and the atmosphere and so on. Due to its relatively suitable detection depth and strong theoretical foundation, microwave remote sensing has great advantage in observing land surface soil moisture. Combined with retrieval method, microwave remote sensing can obtain spatial continuous land surface soil moisture information easily, which is helpful to comprehend the spatiotemporal evolution mechanism of soil moisture more objectively. With the gradual enrichment of microwave remote sensing data, various soil moisture microwave remote sensing retrieval methods have been proposed one after another. In order to better investigate these soil moisture microwave retrieval methods, this paper summarizes the current satellite microwave remote sensing data which is commonly used in soil moisture retrieval research and analysis the development of these data source at first. Then the principles, development process, advantages and disadvantages of various soil moisture inversion methods are sorted out systematically from the three aspects of active microwave soil moisture retrieval, passive microwave soil moisture retrieval and multi-source collaboration soil moisture retrieval. Finally, three development trends of soil moisture microwave remote sensing retrieval method are summarized as follow. First, the space-time universality of soil moisture microwave remote sensing inversion method is gradually increasing. Second, soil moisture microwave cooperative retrieval methods for high spatial and temporal resolution are developing rapidly. Third, the intelligent level of soil moisture microwave inversion method is improving continuously.

Key words： soil moisture; microwave remote sensing; remote sensing data; retrieval model; radiation transmission; collaborative inversion; downscaling; artificial intelligence algorithm

1 引言

土壤水分亦称土壤含水量,是指土壤包气带中的水分含量,该参数向上通过蒸发直接影响地表向大气输送的水气和能量,进而影响气候变化;向下通过调节降雨对径流和入渗的分配影响着地表水体的聚集;其本身也是植被生长的重要影响因素,因此,土壤水分连接全球水循环和能量循环的关键状态变量。关于土壤水分的研究对于气候变化[1]、区域水循环[2]、洪水预警[3]、干旱监测[4]、农作物估产[5]等方面都有着极其重要的意义。
目前,土壤水分主要监测手段有站点观测和卫星遥感反演。站点观测主要有烘干称重法[6]、时频域反射仪法[7]、宇宙射线中子法[8]以及探地雷达[9]等,虽然观测时间频率高且连续,但观测结果的空间代表性有限,应用于大范围监测成本高昂。与站点观测相比,卫星遥感反演因观测结果空间连续、观测范围较广和成本低廉等优势,已成为目前土壤水分观测的最佳手段。而微波遥感反演相较于光学反演,数据源受大气影响更小、探测深度更深以及遥感信息与土壤水分的物理关系更加直接,研究者基于此开展了大量的土壤水分微波反演研究[10,11]。目前,土壤水分微波反演方法研究主要以0~5 cm深度的土壤水分作为反演的目标,并认为植被状态和地表粗糙度是土壤水分微波反演精度的主要影响因素,如多数反演方法在高密度植被覆盖区反演精度较低,所以研究针对不同下垫面条件开发了不同的反演方法,部分反演方法经实测结果验证精度高于0.04 m3/m3,已经被投入到全球业务化监测应用中[12,13]。
在中国知网和Web of science核心库中分别采用“微波土壤水分反演”主题词和“Microwave soil moisture retrieval”主题词对进行文献检索（检索时间为2021年2月28日）,如图1所示,可以明显看出近20年国内外有关微波土壤水分反演的论文发表量呈现逐年上升的趋势,虽然国内土壤水分微波反演研究启动较晚但是发展迅速并在近年来趋于稳定。目前,根据遥感数据成像类型综述土壤水分遥感反演的论文居多,如被动微波土壤水分反演综述[14,15]、微波土壤水分反演综述[16]、光学土壤水分反演综述[17,18],也有部分学者开展多源协同土壤水分反演综述[19],总体上,目前在反演综述中对于土壤水分光学反演方法的分类体系较为清晰,而微波及协同反演方法的分类体系则相对模糊。
图1 2001—2020年微波土壤水分反演论文发表量年际变化

Fig. 1 Inter-annual changes in the amount of published microwave soil moisture retrieval papers from 2001 to 2020

随着卫星遥感步入大数据时代,针对微波数据源开展大量土壤水分反演研究,土壤水分微波反演方法大量涌现,目前尚缺乏分类清晰且涵盖最新进展的土壤水分微波遥感反演方法的综述文章。为使相关学者了解微波土壤水分反演方法的研究进展和趋势,本文首先对目前主要使用的微波遥感数据进行归纳,然后按照使用数据类型对土壤水分微波反演方法进行详细的分类综述,总结土壤水分微波反演方法未来的发展趋势并提出相应的建议。

2 土壤水分反演微波遥感数据

2.1 土壤水分反演微波遥感数据概况

土壤水分反演微波遥感数据根据传感器不同可分为被动微波数据和主动微波数据,图2展示了土壤水分微波遥感反演常用的微波数据传感器来源和搭载平台的在轨成像时间,结合文献发表年际变化做出分析有以下3点发现：① 微波土壤水分反演方法的发展与微波遥感数据的丰富程度密切相关。遥感大数据的蓬勃发展为微波土壤水分遥感反演方法提供了坚实的数据基础,有力推进了土壤水分遥感反演方法的多元化发展;② 结合数据的时空分辨率特点（表1和表2）分析,微波遥感数据逐渐从低分辨率走向高分辨率,微波土壤水分反演方法也从大尺度走向区域尺度研究;③ 适用于协同反演的微波数据逐渐出现,如土壤水分主被动任务（SMAP）提供的主被动微波数据集等,极大地促进了多源协同土壤水分反演方法的发展。下面将分别对主被动微波数据的数据特点和在土壤水分反演中的应用情况进行总结。
图2 常用于土壤水分反演的微波遥感数据来源

Fig. 2 Common microwave remote sensing data sources for soil moisture retrieval

表1 被动微波遥感荷载主要参数

Tab. 1 Main parameters of passive microwave remote sensing load

传感器 卫星 发射时间 覆盖波段 空间分辨率/km 时间分辨/d 特征
SMMR Nimbus-7 1978-10-24 Ka、K、Ku、C 18×27~95×148 6 多波段
SSM/I DMSP F8-F15 1987—1999 W、Ka、K 13×15~43×69 2~3 多波段
AMSR-E Aqua 2002-05-04 W、Ka、K、X、C 4×6~43×75 2 多波段
AMSR-2 GCOM W1 2012-05-17 W、Ka、K、X、C 3×5~35×62 2 多波段
MWRI FY 3A-3D 2008—2017 W、Ka、K、X 9×15~51×85 2~3 多波段
SMOS SMOS 2009-11-02 L 10 3 单波段、多角度
SMAP SMAP 2015-01-31 L 40 3 单波段、主被动
表2 主动微波遥感荷载主要参数

Tab. 2 Main parameters of active microwave remote sensing load

传感器 卫星 发射时间 所用波段 最高空间分辨率 时间分辨率/d 极化特征
AMI ERS-1 1991-07-17 C 30 m 35 单极化
ERS-2 1995-04-21
PR TRMM 1997-11-27 Ku 5 km - 单极化
SAR Radarsat-1 1995-11-04 C 9 m 24 单极化
Radarsat-2 2007-12-14 9 m 24 全极化
ASAR Envisat 2002-03-01 C 28 m 30 多极化
ASCAT MetOp-A 2006-10-19 C 25 km - 单极化
MetOp-B 2012-09-17
MetOp-C 2018-11-07
C-SAR Sentinel-1A 2014-04-03 C 5 m 12 多极化
Sentinel-1B 2016-04-25

2.2 土壤水分反演被动微波遥感数据

提供被动微波遥感数据的传感器设备是微波辐射计,成像机理决定了其具有低空间分辨率和高时间分辨率的特点。表1展示了图1中各被动微波遥感数据源的主要参数,研究者多以该类数据开展数十千米级别土壤水分反演方法研究[20],有助于揭示全球尺度土壤水分时空演变特征,但限制着其在小流域水文过程模型中的应用。纵观被动微波数据的发展,可以发现其呈现出从多波段到单波段的变化趋势,观测波长也逐渐增长,这是由于长波可以更大程度穿透植被层获取表层土壤的湿度信息。目前已有研究表明,考虑其他波段的信号干扰和传感器设计,L波段是土壤水分反演的最佳观测波段[21]。

2.3 土壤水分反演主动微波遥感数据

提供主动微波数据的传感器设备有合成孔径雷达和散射计。目前土壤水分微波反演研究主要使用的是合成孔径雷达数据,其空间分辨率较高,能达到数米级别,但由于扫描幅宽限制时间分辨率较低;而散射计数据的空间分辨率较低,在数十千米级别,与被动微波数据相近。表2总结了图1中各主动微波遥感数据源的主要参数,目前研究者主要以该类数据开展特定下垫面条件下较小区域尺度的土壤水分反演方法研究[22,23],而针对全球尺度反演方法的研究则相对较少。纵观主动微波数据的发展,可以发现主动微波数据呈现单极化向多极化发展的趋势,并且时空分辨率不断提高,为高分辨率土壤水分微波反演方法研究奠定了良好的数据基础。

3 微波遥感数据土壤水分反演

微波遥感传感器的接收信号主要包括辐射计的亮温信息和雷达的后向散射信息,这二者的决定因素都是浅层地表（一般为0~5 cm）的综合介电常数,而土壤固体颗粒和水分的介电常数差异使得土壤水分成为表层土壤介电常数变化的关键参数,这也是微波遥感土壤水分反演的理论基础。根据微波成像模式,本文将从被动微波、主动微波和基于微波反演机理的多源协同反演（简称多源协同反演）3个部分进行综述,其中各部分反演方法如图3所示。
图3 微波土壤水分反演分类示意

Fig. 3 Schematic diagram of microwave soil moisture inversion classification

3.1 被动微波土壤水分反演

3.1.1 被动微波土壤水分反演方法概述
土壤水分控制着土壤介电常数进而影响土壤的发射率,被动微波反演主要使用辐射计观测的辐射亮温结合土壤物理温度计算土壤的发射率,进而反演土壤含水量。而基于遥感信号与土壤水分的转换机理可以将反演方法划分为统计拟合法、基于辐射传输过程的机理模拟法（以下简称机理模拟法）和人工智能法,方法对比如表3所示。在3类方法中,由于机理模拟法反演过程清晰,反演精度最佳,是目前土壤水分被动微波反演的主流手段,已经投入到全球土壤水分产品的生产中[24,25];统计拟合法简单易行,但其空间普适性较差;人工智能法的计算效率较高,与机理模拟法相结合的应用研究较多[26]。
表3 被动微波土壤水分反演方法对比

Tab. 3 Passive microwave soil moisture retrieval method

方法 原理 思路 优势 劣势 参考文献
统计拟合法 统计学数值拟合 根据统计关系设定经验方程拟合经验参数 计算简单;局部应用价值较高 精度提升困难、缺乏机理分析、缺乏普适性 [27-29]
机理模拟法 基于辐射传输过程模拟确定土壤水分与亮温的函数关系 基于该函数关系通过迭代或直接分析计算等方式计算土壤含水量 理论模拟较为成熟;改进方向较为明确;反演精度较高;普适性较强 辐射传输过程模拟包含较多理想性假设;需要一定的辅助数据;多数方法涉及迭代运算,需要先验条件且较为费时 [30-47]
人工智能法 智能算法训练 实地测量地表参数与观测亮温建立训练样本,经算法训练后应用于全局 较之机理模拟,计算效率高、费时少;较之统计拟合法,拟合效果更好和反演精度较高 物理基础薄弱、反演效果依赖训练样本选取但良好训练样本获取较为困难 [48-53]
3.1.2 统计拟合法
统计拟合法主要是根据亮温或地表发射率与土壤水分的统计关系完成土壤水分反演。最初,研究者发现裸土区湿润与干燥土壤的地表发射率差异并开发了土壤水分与地表发射率的线性经验模型[27];而后研究者发现该线性关系缺乏鲁棒性,于是引入植被等因子对该线性关系的斜率与截距进行修正[28],经验关系逐渐由线性像非线性发展;随着多极化、多角度亮温数据的丰富,研究者尝试引入多个极化指数建立多元线性模型反演土壤水分[29],提高经验关系的鲁棒性。当前,统计拟合法的发展趋势是经验方程的复杂化和输入参数的多元化,虽然反演过程较为简单,但是反演精度由于方法由于缺乏机理支撑,在地表异质性较大的区域精度较低,增强这种经验关系的鲁棒性仍然是反演研究的难题。
3.1.3 机理模拟法
在被动微波观测中,粗糙地表的微波辐射经过植被、大气等介质后传到传感器被接收,这整个辐射传输过程是可以将环境因素参数化后使用建模的方式来模拟的。机理模拟法就是通过这种建模的方式来确定土壤水分与亮温转换关系进而通过迭代或分析计算等方式完成土壤水分反演,这种模拟如图4所示。
图4 被动微波辐射传输过程模拟示意

Fig. 4 Schematic diagram of passive microwave radiation transmission process simulation

机理模拟主要包括植被、粗糙度和介电混合 3个效应分析过程,这3个效应分析方法的发展如 图5所示。而方法开发初期仅是结合植被和粗糙度效应分析构建了模拟的基本框架[30],而后研究者引入介电混合模型完善模拟的完整性并采用地表温度一致性假设简化了植被效应分析开发了单通道反演法[31],该反演方法具有较高的反演精度但对微波数据的利用度不足且需要大量的辅助数据,为此Njoku和Li[32]基于该模拟框架开发多频亮温迭代反演法同时反演土壤水分、植被含水量和地表有效温度,这种方法的主要优势充分利用多极化、多频率亮温数据,通过迭代方式同时反演多个地表参数。而后多种多通道反演方法被相继研发,主要有地表参数反演模型[33]、归一化极化差异法[12]、L波段微波发射模型[34]、双通道法[35]和多通道协同算法[36],上述反演方法的区别如表4所示。
图5 效应分析模型时间分布示意

注：蓝色字表示粗粒度效应分析模型;绿色字表示植被效应分析模型;红色字表示介点混合分析模型。

Fig. 5 Schematic diagram of the time distribution of the effect analysis model

表4 被动微波机理模拟法区别对比

Tab. 4 Differences and comparison of passive microwave mechanism inversion method

方法 植被效应 粗糙度效应 介电混合 计算方法 基本假设 参考文献
单通道法(SCA) 改进τ-ω模型 Hp模型 Dobson模型 分析计算 土壤、植被有效温度相同;
根据土地利用类型给出固定的植被和粗糙度参数		 [31]、[37]
多频亮温迭代法 τ-ω模型 Q/H模型 Dobson模型 迭代求解 土壤、植被有效温度相同;
忽略不同极化植被参数的差异		 [32]、[37]
地表参数反演模型(LPRM) 改进τ-ω模型 Hp模型 Wang和Schmugge模型 迭代求解 土壤、植被有效温度相同;
忽略不同极化植被参数的差异		 [33]、[37]
归一化极化差异法(NPD) 改进τ-ω模型 Q/H模型 Dobson模型 回归拟合 土壤、植被有效温度相同;
植被单次散照度为0;忽略不同极化植被参数的差异		 [12]、[37]
L波段微波发射模型(L-MEB) 改进τ-ω模型 Hp模型 Dobson模型 迭代求解 土壤、植被有效温度不相同;不同极化植被参数误差不可忽略 [34]、[37]
双通道算法(DCA) 改进τ-ω模型 Q/H模型 Mironov模型 迭代求解 土壤、植被有效温度相同;
忽略不同极化植被参数的差异		 [35]、[37]
多通道协同算法(MCCA) 改进τ-ω模型（加入植被覆盖度考虑） Qp模型 Dobson模型 分析计算 土壤、植被有效温度相同;
植被单次散照度为0;忽略不同极化植被参数的差异		 [36]、[37]
机理模拟法有2个发展趋势：① 效应分析不断完善,建模精度更高;② 算法的输入参数逐渐通过遥感数据反演得到,降低了对于辅助数据的依赖,同时不断提升了模型的空间适用性。
3.1.4 人工智能法
人工智能法是通过人工智能算法基于训练样本构建非线性转换,实现土壤水分反演的方法。早期研究尝试利用人工神经网络算法对由单频亮温与土壤水分组成的训练样本进行训练建模,发现模型具有较好的反演精度[47];所以后续研究逐渐尝试构建包含观测亮温与多个实测地表参数的后向神经元网络模型[48];而后模型研究致力于替换不同智能算法如卷积神经元网络[49]、支持向量机[50]、随机森林[51]等,或增加训练样本参数如植被指数[52]提升反演的稳定性与精度。目前,智能算法一方面正逐渐机理模型融合,通过考虑多类型地表参数提升算法的稳定性和精度,另一方面智能算法自身的快速发展也加深了其在土壤水分遥感反演中的应用深度。

3.2 主动微波土壤水分反演

3.2.1 主动微波土壤水分反演方法概述
主动微波主要使用雷达观测的后向散射系数,其主要描述土壤后向散射能力。而土壤水分控制着土壤的介电常数,是土壤后向散射能力的重要影响参数,主动微波反演就是通过构建后向散射系数与土壤水分的转化关系,实现土壤水分空间连续反演。反演方法大致可分为经验法、理论建模法、半经验法、变化检测法和人工智能法,表5总结了各方法的主要思路及其优缺点。总体而言,目前区域性的主动微波土壤水分反演方法研究较多[53,54],但全球范围的主动微波反演方法研究较少且普遍精度不高,这也造成了主动微波高分辨率土壤水分全球化产品的空缺,目前仍然缺乏一种全球范围适用且高精度的主动微波土壤水分反演方法。
表5 主动微波土壤水分反演方法

Tab. 5 Active microwave soil moisture retrieval method

方法 原理 思路 优点 缺点 参考文献
经验法 统计学数值拟合 观测变量间的变化趋势,确定经验函数进行数值拟合 反演过程简单;辅助数据需求较少;局部区域应用价值高 精确度较低;理论机理薄弱造成的普适性较差 [55-57]
理论建模法 电磁波散射分析理论 根据散射机理引入相关环境参数建立等式进行反演参数计算 输入参数具有很强的逻辑性,反演机理明确;适用性较强 输入参数较多,部分参数很难获取,可行性差;机理模拟本身存在理想假设,与实际观测数据存在差异 [58-65]
半经验法 理论建模和数值拟合 根据理论模型等式特征建立经验函数进行数值拟合或者物理建模与经验拟合相衔接 一定的物理机制;输入参数相对较少;参数经数据拟合构建的关系较为稳定,反演精度较高 拟合参数缺乏时空普适性,需要根据研究区变化再次拟合 [66-70]
变化检测法 控制变量和数值拟合 假设相同环境下散射系数的变化是由于土壤水分变化所引起的,通过控制变量去除其他影响 控制变量的形式简单,可行性较强,具有一定的反演精度 反演具有一定的滞后性;对数据的校准精度、去噪和时间分辨率要求较高 [71-75]
人工智能法 智能算法训练 多参数测量构成训练样本集,后经算法训练确定转换关系后应用全局 可行性较强兼具一定的反演精度;计算效率高 对于训练样本要求较高、物理机理薄弱 [76-80]
3.2.2 经验法
经验法是基于后向散射系数与实测土壤水分的统计关系实现土壤水分反演。在主动微波传感器搭载于卫星平台之前,就有研究者根据机载雷达观测数据与实测土壤水分建立了简单的线性经验模型[55],而后研究者尝试将该线性关系应用于ERS卫星数据完成土壤水分反演[56],但是线性关系会因为不同下垫面条件发生较大的变化,于是研究者尝试在线性关系的基础上增加地表粗糙度[57]等修正因子以提高模型在地表异质性较强区域的反演精度。目前,随着遥感信息的不断丰富,经验法引入的修正参数正逐渐增多,但仅通过拟合确定的这种经验关系在大范围反演时仍存在较大的不确定性,反演精度很难得到保证。
3.2.3 理论建模法
理论建模法基于电磁波随机表面散射分析理论将后向散射系数表示为土壤水分、地表粗糙度、入射角等参数的函数,并根据此函数关系反演土壤水分。该反演方法的主要基础理论是基尔霍夫近似和微扰理论,分别适用于粗糙和光滑两种极端表面。而基于这2种分析理论,研究者在裸土区依次建立了小扰动模型、几何光学模型、物理光学模型、小坡度近似模型、积分方程模型和改进积分方程模型,各模型的粗糙度适用范围等对比如表6所示。Ulaby等[64]基于裸土区散射理论结合离散型植被效应分析模型提出了MIMICS模型,扩展了理论模型在植被覆盖区域的应用。近年来,新理论模型开发研究较少,多数研究致力于结合裸土区的理论模型和植被效应分析模型完成区域性土壤水分反演[22,65]。
表6 裸土区理论模型对比

Tab. 6 Comparison of theoretical models suitable for bare soil areas

模型 原理 粗糙度适用范围 参考文献
小扰动模型 微扰理论 轻微粗糙表面 [58]
几何光学模型 基尔霍夫近似（驻留相位近似） 粗糙表面 [59]
物理光学模型 基尔霍夫近似（标量近似） 粗糙表面 [60]
小坡度模型 微扰理论和基尔霍夫近似 中等粗糙至粗糙表面 [61]
积分方程模型 基尔霍夫切面场上引入补偿场 轻微粗糙至粗糙表面 [62]
改进积分方程模型 基尔霍夫切面场上引入补偿场 轻微粗糙至粗糙表面 [63]
3.2.4 半经验法
半经验法是理论模拟与经验拟合相结合的产物,这种反演方法能够兼具一定的可行性和反演精度,主要的半经验模型有Oh模型、Dubois模型[65]和水云模型[67],3种半经验模型的对比如表7所示。其中,Oh模型为代表性模型,最初是基于地基遥感数据拟合地表粗糙度、土壤介电常数和雷达入射角与散射系数极化比的经验关系建立的模型[68],但模型应用需要多极化数据且适用范围有限,所以引入散射系数相位拓展了模型在单极化数据中的应 用[69],进一步地,模型将介电常数替换为土壤水分并为提升反演精度考虑去除相关长度的使用[70],至此Oh模型才成为目前常见的形式。半经验法发展主要体现在理论模拟和经验拟合的结合程度逐渐提高,使得反演方法的普适性和反演精度不断提升。
表7 半经验模型对比

Tab. 7 Comparison of semi-empirical models

模型 原理 适用下垫面条件 模型适用范围 参考文献
Oh模型 散射理论建立经验公式和实测数据拟合确定拟合参数 裸土区 10<入射角<70;轻微至粗糙地表 [68-70]
Dubois模型 散射理论建立经验公式和实测数据拟合确定拟合参数 裸土区 30<入射角<65;轻微粗糙地表 [66]
水云模型 线性经验模型基础上结合均一型植被效应分析模型 低矮植被覆盖区 轻微粗糙地表 [67]
3.2.5 变化检测法
不同于上述反演方法,变化检测法使用多时相数据,主要分析多时相散射系数之差与土壤水分变化量之间的关系。其基本假设是相近两时相的后向散射系数之差主要源于两时相之间的土壤水分变化[71]。研究源于学者提出使用散射系数在时段内的变化区间上的相对位置来表征土壤的相对含水量[72],开发了多时相数据的使用。而随着多时相数据使用时段的逐渐增长,研究发现使用长时序数据时,植被变化的影响不可忽略并开始尝试引入植被指数对其进行修正[73],也有研究考虑入射角影响对入射角进行归一化处理后进行土壤水分反演[74],但多数相关反演研究致力于植被效应的修正,如使用散射系数差与植被指数的特征空间分布来进行植被效应的修正[75,76],如图6所示。
图6 散射系数差与植被指数特征空间分布示意[75]

Fig. 6 Schematic diagram of spatial distribution of scattering coefficient difference and vegetation index characteristics

3.2.6 人工智能法
土壤水分与散射系数是存在某种非线性关系的,人工智能法就是以智能算法作为工具建立这种非线性关系的反演方法。研究初期仅使用单一极化散射系数与土壤水分作为训练样本参数使用神经元网络算法训练[77],而后逐渐引入植被指数[78]、多极化后向散射系数[79]构建训练样本,也有学者尝试不同的人工智能算法如遗传算法[80]、支持向量机[81]等进行训练样本的训练。综上,人工智能法的发展趋势：① 由于数据源逐渐丰富,反演建立的训练样本参数正呈现多元化;② 智能算法自身的发展也使得应用于模型建立使用的智能算法呈现多样化的趋势。

3.3 基于微波反演机理的多源数据协同反演

3.3.1 基于微波反演机理的多源数据协同反演方法 概述
由于单源数据反演中,存在着如输入参数未知、源数据时空分辨率较粗等原因,致使反演结果精度较低,严重限制着反演结果的使用。为得到更高时空分辨率土壤水分产品,基于微波反演机理的多源协同反演逐渐兴起。本文将基于数据组合的不同将其划分为主被动微波协同、主动微波与光学协同和被动微波与光学协同3部分进行综述。3种协同反演的流程图如图7所示。
图7 基于微波反演机理的多源协同土壤水分反演流程

Fig. 7 Flow chart of multi-source cooperative soil moisture retrieval based on microwave retrieval mechanism

3.3.2 主被动微波协同土壤水分反演
被动微波数据具有高时间分辨率和低空间分辨率,主动微波则与之相反,主被动遥感协同反演能够实现二者数据优势互补。主被动协同反演方法主要分为2类：① 主被动单源反演相结合的参数互补法;② 基于主动微波数据的被动微波降尺度法。2类方法的优缺点如表8所示。目前,主被动协同反演方法研究以后者为主,由于其较高的可行性和良好的反演精度,已经被投入到实际土壤水分产品的生产中,如SMAP任务。
表8 主被动协同土壤水分反演方法

Tab. 8 Active and passive cooperative soil moisture retrieval method

方法 思路 优点 缺点 参考文献
参数互补法 从单源反演模型提取另一者需要的输入参数 主被动模型结合具有很强的逻辑性;相较于单源反演精细化了输入参数 对主被动反演参数尺度转换误差考虑不充分;主动微波的高分辨率信息没有得到充分利用 [82-85]
被动微波降尺度 基于主动微波数据空间分布对被动微波进行降尺度 土壤水分计算仅在精度较高的被动微波反演中进行,理论上避免参数尺度转化带来的不确定性;主动微波高分辨率信息利用度较高 降尺度方式缺乏机理支撑,大部分基于统计关系进行 [86-91]
针对第一种方法,由于被动微波信号对土壤水分更加敏感而主动微波则对植被和地表粗糙度参数的敏感性更高,所以研究者最初尝试从主动微波中获取被动微波反演所需要的输入参数。部分研究将主动微波提取的高分辨率植被参数[82]和粗糙度参数[83]直接代入被动微波土壤水分反演提高反演的空间分辨率,但针对植被参数与粗糙度参数的提取较为复杂,辅助参数需求也较多;所以一些研究在被动微波正向模型中增加对后向散射系数的正向模拟,建立包含散射系数与亮温的代价函数通过迭代法获取高分辨率土壤水分[84]。除此之外,也有研究尝试将被动微波土壤水分反演结果代入主动微波土壤水分反演模型获取地表粗糙度参数,服务于后续时相的主动微波土壤水分反演[85]。综上,参数互补法主要呈现为主被动单源反演的结合,研究发展的趋势为主被动单源反演机理的结合更加紧密,结合方式也愈加多样化。
被动微波降尺度则是利用主动微波数据在被动微波像元尺度的空间分布对其进行降尺度,从而提高土壤水分反演的空间分辨率。研究初期使用的主被动数据空间分辨率差异较小,降尺度是基于后向散射系数与土壤水分的线性统计关系进行,开发了插值法[86]、回归统计法[87]、累积分布函数降尺度[88]和平滑滤波强度降尺度[89]等,但是这种线性关系受到植被与粗糙度影响,在空间上呈现极大的异质性,降尺度具有极大的不确定性。为此,许多学者开始基于亮温与散射系数的机理转换,分析发射率与后向散射系数的负线性关系的空间变异性,通过引入多极化雷达数据结合植被与粗糙度效应分析模型对这种负线性关系进行修正,增强降尺度关系的稳定性[90,91]。综上所述,目前被动微波降尺度研究正逐渐寻求机理支撑,不断增强降尺度转换关系的稳定性,提高降尺度结果的精度。
3.3.3 主动微波与光学协同土壤水分反演
主动微波与光学协同反演的主要形式是利用光学数据提取的植被信息对主动微波土壤水分反演进行植被效应的修正,多数协同反演方法是在主动微波反演方法的基础上改进而来。相关改进研究主要可以分为3类：① 改进主动微波植被效应分析模型;② 改进主动微波变化检测法;③ 改进智能算法模型。3种改进研究对比如表9所示。
表9 3类改进研究对比

Tab. 9 Comparison of three improve research

改进研究 改进思路 优势 劣势 参考文献
改进主动微波植被效应分析模型 基于植被指数计算植被含水量或增加植被参数 植被间后向散射模拟过程明确;输入参数间逻辑关系清晰;反演精度较高 反演需要实测植被含水量数据辅助;计算较为复杂 [92-93]
改进变化检测法 基于后向散射与植被指数的特征空间分布的统计关系进行植被效应修正 计算简单,辅助数据需求较少 基于单一植被指数线性修正植被效应不确定性较大;反演滞后;对数据的校准和去噪要求较高 [75-76]
改进智能算法模型 将植被指数作为训练样本的输入参数代入智能算法进行训练 实时反演;计算效率较高 良好的训练样本构建困难 [94]
整体而言,主动微波与光学协同反演方法研究以第一种形式为主,第二种改进研究相对较少,第3种改进研究正逐渐增多。总结3种改进形式的发展趋势,目前方法研究正不断从光学数据提取更多植被信息,同时注重多个植被指数反演结果的对比,不断寻求与主动微波土壤水分反演相结合的最优植被指数。
3.3.4 被动微波与光学协同土壤水分反演
被动微波与光学协同反演方法的基本思路是利用光学数据提取高分辨率的、土壤水分相关的辅助指标,基于经验或半经验的转换关系对被动微波反演的低分辨率土壤水分进行降尺度。主要的降尺度方法有多元统计回归法[95]、权重分解 法[96]、基于物理模型降尺度法[97]等,各种降尺度的对比如表10所示。
表10 主要降尺度方法对比

Tab. 10 Comparison of main downscaling methods

降尺度方法 降尺度思路 优势 劣势 参考文献
多元统计回归法 低空间分辨率下辅助参数间的多元统计关系应用高分辨率数据 计算相对简单,适用性较强 没有物理基础 [95]、[98]
权重分解法 高、低分辨率辅助参数计算权重因子 计算简单 适用性差 [96]、[98]
基于物理模型降尺度法 基于物理模型计算的环境参数,如蒸散效率,与土壤水分建立降尺度转化关系 有物理模型基础为支撑,降尺度精度较高 降尺度计算较为复杂;辅助数据需求较多,获取难度大 [97]、[98]
研究者基于上述降尺度方法开展了许多反演研究,但仍然面临着土壤水分与辅助参数的降尺度关系转换存在较大不确定性、降尺度辅助数据的空间完整性不足等问题,严重影响协同反演的精度与空间适用性。为此,目前研究通过插值法[99]等完善辅助数据逐渐实现降尺度的时空连续性,其次也通过提取强相关降尺度辅助参数和增设降尺度转换关系残差分析[100]等改进降尺度方法不断提升降尺度结果的准确性。

4 微波土壤水分反演方法的发展趋势 及展望

总结上述微波遥感土壤水分反演方法研究的发展历程,主要呈现出3种较为明显的趋势：① 土壤水分微波反演方法的时空普适性逐渐增强;② 面向高时空分辨率的土壤水分微波协同反演方法快速发展;③ 土壤水分微波反演方法的智能化水平不断提升。下面将基于3种趋势给出一些建议。
首先,土壤水分微波反演方法的时空普适性逐渐增强。由于多数反演方法最初是针对特定研究区构建,包含诸多假设条件,如下垫面均一、忽略植被散照度等,导致反演方法仅在局部区域适用。针对该情况,目前研究通过细化参数计算[34]、引入更多相关参数,如粗糙度参数[57]、植被覆盖度[93]、季节性参数[101]等,并结合辐射传输机理来拓展反演方法的适用范围,增强反演方法的普适性。综上,今后的研究应该开展土壤水分遥感机理过程精细模拟研究,精确提取并优化各输入参数,提高模型的时空普适性。
其次,面向高时空分辨率的土壤水分微波协同反演方法快速发展。目前微波协同反演主要可以总结为光学雷达协同和被动微波降尺度两个方面。对于前者,主要是基于光学数据提取的植被信息对微波数据进行植被效应校正,由于目前该协同反演研究对于光学数据多提取植被信息,还需要充分挖掘其他土壤水分相关信息,以提高反演精度。对于后者,主要是基于高分辨率数据对低分辨率的被动微波数据进行降尺度,由于目前方法仍然存在降尺度转换关系具有不确定性、降尺度结果空间不完整等问题,今后应进一步结合多源遥感信息开展土壤水分降尺度方法研究,推动高时空分辨率的土壤水分微波协同反演方法的发展。
最后,土壤水分微波反演方法的智能化水平不断提升。由于人工智能算法能较好的拟合参数间的非线性关系,挖掘各模拟参数内在关联特征,并具有较高的计算效率和精度,目前较多研究已经开始结合人工智能算法,如后向神经元网络[48]、支持向量机[71]、随机森林[51]等,开展土壤水分反演方法研究。但未来仍需要在高质量土壤水分微波反演样本集构建、智能算法参数的优化以及空间适用性上开展研究,不断提高土壤水分微波反演的精度和智能化水平。

5 结语

土壤水分的研究地位日益重要,相较于传统的土壤水分测量,微波遥感在观测土壤水分上具有明显的优势,受到了诸多研究的重视。而随着微波遥感数据的不断丰富,土壤水分微波反演方法日益增多。本文为梳理微波反演方法,基于使用数据将其划分为主动、被动和协同3类,并较为系统地总结了各类反演方法的原理、发展及优缺点,最终总结出土壤水分微波反演方法的3种趋势并针对其给出了相应的建议。希望本文能够辅助相关领域的研究学者更加系统的了解土壤水分微波反演方法的研究进展,推动高质量的土壤水分产品的生产。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Douville H, Chauvin F. Relevance of soil moisture for seasonal climate predictions: A preliminary study[J]. Climate Dynamics, 2000, 16(10-11):719-736.

DOI

[2]
Purdy A J, Fisher J B, Goulden M L, et al. SMAP soil moisture improves global evapotranspiration. [J]. Remote Sensing of Environment, 2018, 219:1-14.

DOI

[3]
Kim S, Paik K, Johnson F M, et al. Building a flood-warning framework for ungauged locations using low resolution, open-access remotely sensed surface soil moisture, precipitation, soil, and topographic information[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(2):375-387.

DOI

[4]
Wu H, Wilhite D A. An operational agricultural drought risk assessment model for Nebraska, USA[J]. Natural Hazards, 2004, 33(1):1-21.

DOI

[5]
Mladenova I E, Bolten J D, Crow W, et al. Enhancing the USDA FAS crop forecasting system using SMAP L3 soil moisture observations[C]. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018:5375-5377.

[6]
成林, 杨光仙, 陈海波 等. 烘干称重法测定土壤水分取样误差分析[J]. 气象与环境科学, 2009, 32(2):33-36.

[ Cheng L, Yang G X, Chen H B, et al. Analysis of sampling error for soil water measured by drying and weighing method[J]. Meteorological and Environmental Sciences, 2009, 32(2):33-36. ]

[7]
徐玲玲, 高彩虹, 王佳铭, 等. 时域反射仪(TDR)测定土壤含水量标定曲线评价与方案推荐[J]. 冰川冻土, 2020, 42(1):265-275.

[ Xu L L, Gao C H, Wang J M, et al. Evaluation and analysis of TDR calibration curves for soil water content measurement[J]. Journal of Glaciology and Geocryology, 2020, 42(1):265-275. ]

[8]
赵纯, 袁国富, 刘晓, 等. 宇宙射线土壤水分观测方法在黄土高原草地植被的应用[J]. 土壤学报, 2015, 52(6):1438-1444.

[ Zhao C, Yuan G F, Liu X, et al. Application of cosmic-ray method to soil moisture measurement of grasssland in the plateau. [J]. Acta Pedologica Sinica, 2015, 52(6):1438-1444. ]

[9]
Iwasaki K, Tamura M, Sato H, et al. Application of ground-penetrating radar and a combined penetrometer-moisture probe for evaluating spatial distribution of soil moisture and soil hardness in coastal and inland windbreaks[J]. Geosciences, 2020, 10(6):238.

DOI

[10]
Chaubell M J, Yueh S H, Dunbar R S, et al. Improved SMAP dual-channel algorithm for the retrieval of soil moisture[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(6):3894-3905.

DOI

[11]
Gao L, Sadeghi M, Ebtehaj A. Microwave retrievals of soil moisture and vegetation optical depth with improved resolution using a combined constrained inversion algorithm: application for SMAP satellite[J]. Remote Sensing of Environment, 2020, 239:111662.

DOI

[12]
Njoku E G, Chan S K. Vegetation and surface roughness effects on AMSR-E land observations[J]. Remote Sensing of Environment, 2006, 100(2):190-199.

DOI

[13]
Bitar A A, Mialon A, Kerr Y H, et al. The global SMOS Level 3 daily soil moisture and brightness temperature maps[J]. Earth System Science Data, 2017, 9(1):293-315.

DOI

[14]
钟若飞, 郭华东, 王为民. 被动微波遥感反演土壤水分进展研究[J]. 遥感技术与应用, 2005, 20(1):49-57.

[ Zhong R F, Guo H D, Wang W M. Overview of soil moisture retrieval from passive microwave remote sensing[J]. Remote Sensing Technology and Application, 2005, 20(1):49-57. ]

[15]
毛克彪, 唐华俊, 周清波 等. 被动微波遥感土壤水分反演研究综述[J]. 遥感技术与应用, 2007, 22(3):466-470.

[ Mao K B, Tang J H, Zhou Q B, et al. A survey of soil moisture retrieval by passive microwave remote sensing[J]. Remote Sensing Technology and Application, 2007, 22(3):466-470. ]

[16]
Karthikeyan L, Pan M, Wanders N, et al. Four decades of microwave satellite soil moisture observations: part 1. a review of retrieval algorithms[J]. Advances in Water Resources, 2017, 109:106-120.

DOI

[17]
潘宁, 王帅, 刘焱序 等. 土壤水分遥感反演研究进展[J]. 生态学报, 2019, 39(13):4615-4626.

[ Pan N, Wang S, Liu T X, et al. Advances in soil moisture retrieval from remote sensing[J]. Acta Ecologica Sinica, 2019, 39(13):4615-4626. ]

[18]
李占杰, 陈基培, 刘艳民 等. 土壤水分遥感反演研究进展[J]. 北京师范大学学报(自然科学版), 2020, 56(3):474-481.

[ Li Z J, Chen J P, Liu Y M, et al. Soil moisture retrieval from remote sensing[J]. Journal of Beijing Normal University(Natural Science), 2020, 56(3):474-481. ]

[19]
陈书林, 刘元波, 温作民. 卫星遥感反演土壤水分研究综述[J]. 地球科学进展, 2012, 27(11):1192-1203.

[ Chen S L, Liu Y B, Wen Z M. Satellite retrieval of soil moisture: an overview[J]. Advances in Earth Science, 2012, 27(11):1192-1203. ]

[20]
Karthikeyan L, Pan M, Konings A G, et al. Simultaneous retrieval of global scale Vegetation Optical Depth, surface roughness, and soil moisture using X-band AMSR-E observations[J]. Remote Sensing of Environment, 2019, 234:111473.

DOI

[21]
Wigneron J P, Jackson T J, O'neill P, et al. Modelling the passive microwave signature from land surfaces: A review of recent results and application to the L-band SMOS & SMAP soil moisture retrieval algorithms[J]. Remote Sensing of Environment, 2017, 192:238-262.

DOI

[22]
Kong J, Yang J, Zhen P, et al. A coupling model for soil moisture retrieval in sparse vegetation covered areas based on microwave and optical remote sensing data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(12):7162-7173.

DOI

[23]
Huang S, Ding J, Liu B, et al. The capability of integrating optical and microwave data for detecting soil moisture in an oasis region[J]. Remote Sensing, 2020, 12(9):1358.

DOI

[24]
HolDemes Jeu R A M, Holmes T R H, Parinussa R M, et al. A spatially coherent global soil moisture product with improved temporal resolution[J]. Journal of Hydrology, 2014, 516:284-296.

DOI

[25]
Kang C S, Zhao T, Shi J, et al. Global soil moisture retrievals from the Chinese FY-3D microwave radiation imager[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 99:1-15.

[26]
Santi E, Pettinato S, Paloscia S, et al. An algorithm for generating soil moisture and snow depth maps from microwave spaceborne radiometers: HydroAlgo[J]. Hydrology and Earth System Sciences, 2012, 16(10):3659-3676.

DOI

[27]
Poe G A, Edgerton A T. Determination of soil moisture content with airborne microwave radiometry[J]. Calif., Microwave Division, Aerojet-General Corp, 1971.

[28]
Wang J R, McMurtrey J E, Engman E T, et al. Radiometric measurements over bare and vegetated fields at 1.4-GHz and 5-GHz frequencies[J]. Remote Sensing of Environment, 1982, 12(4):295-311.

DOI

[29]
Al-Yaari A, Wigneron J P, Kerr Y, et al. First application of regression analysis to retrieve soil moisture from SMAP brightness temperature observations consistent with SMOS[C]. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 2016.

[30]
Mo T, Choudhury B J, Schmugge T J, et al. A model for microwave emission from vegetation-covered fields[J]. Journal of Geophysical Research, 1982, 87(C13):11229-11237.

DOI

[31]
Jackson T J, Le Vine D M, Swift C T, et al. Large area mapping of soil moisture using the ESTAR passive microwave radiometer in Washita'92[J]. Remote Sensing of Environment, 1995, 54(1):27-37.

DOI

[32]
Njoku E G, Li L. Retrieval of land surface parameters using passive microwave measurements at 6-18 GHz[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(1):79-93.

DOI

[33]
Owe M, De Jeu R, Walker J. A methodology for surface soil moisture and vegetation optical depth retrieval using the microwave polarization difference index[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(8):1643-1654.

DOI

[34]
Wigneron J P, Kerr Y, Waldteufel P, et al. L-band Microwave Emission of the Biosphere (L-MEB) model: description and calibration against experimental data sets over crop fields[J]. Remote Sensing of Environment, 2007, 107(4):639-655.

DOI

[35]
O'Neill P, Bindlish R, Chan S, et al. Algorithm Theoretical Basis Document. Level 2 & 3 Soil Moisture (Passive) Data Products. Pasadena, CA: Jet Propulsion Laboratory, 2018.

[36]
Zhao T J, Zhang L X, Shi J C, et al. A physically based statistical methodology for surface soil moisture retrieval in the Tibet Plateau using microwave vegetation indices[J]. Journal of Geophysical Research: Atmospheres, 2011, 116:D08116.

[37]
Zhao T, Shi J, Entekhabi D, et al. Retrievals of soil moisture and vegetation optical depth using a multi-channel collaborative algorithm[J]. Remote Sensing of Environment, 2021, 257:112321.

DOI

[38]
Choudhury B J, Schmugge T J, Chang A, et al. Effect of surface roughness on the microwave emission from soils[J]. Journal of Geophysical Research, 1979, 84(C9):5699-5706.

DOI

[39]
Wang J R, Choudhury B J. Remote sensing of soil moisture content over bare fields at 1.4GHz frequency[J]. Journal of Geophysical Research, 1981, 86:5277-5282.

DOI

[40]
Shi J, Jiang L, Zhang L, Chen K S, et al. A parameterized multifrequency-polarization surface emission model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(12):2831-2841.

DOI

[41]
Dobson M C, Ulaby F T. Active microwave soil moisture research[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986, 1:23-36.

[42]
Ferrazzoli P, Guerriero L. Passive microwave remote sensing of forests: A model investigation[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2):433-443.

DOI

[43]
Wang J R, Schmugge T J. An empirical model for the complex dielectric permittivity of soils as a function of water content[J]. IEEE Transactions on Geoscience and Remote Sensing, 1980, 18(4):288-295.

[44]
Dobson M C, Ulaby F T, Hallikainen M T, et al. Microwave dielectric behavior of wet soil-part II: Dielectric mixing models[J]. IEEE Transactions on Geoscience and Remote Sensing, 1985,GE- 23(1):35-46.

[45]
Hallikainen M T, Ulaby F T, Dobson M C, et al. Microwave dielectric behavior of wet soil-part 1: Empirical models and experimental observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 1985,GE- 23(1):25-34.

[46]
Mironov V L, Kosolapova L G, Fomin S V. Physically and mineralogically based spectroscopic dielectric model for moist soils[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(7):2059-2070.

DOI

[47]
Liou Y A, Liu S F, Wang W J. Retrieving soil moisture from simulated brightness temperatures by a neural network. IEEE Transaction on Geoscience and Remote Sensing, 2001, 39(8):1662-1672.

DOI

[48]
Liu S F, Liou Y A, Wang W J, et al. Retrieval of crop biomass and soil moisture from measured 1.4 and 10.65 GHz brightness temperatures[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(6):1260-1268.

DOI

[49]
Hu Z, Xu L, Yu B. Soil moisture retrieval using convolutional neural networks: application to passive microwave remote sensing[J]. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2018, 42(3):583-586.

[50]
Tong C, Wang H, Magagi R, et al. Soil moisture retrievals by combining passive microwave and optical data[J]. Remote Sensing, 2020, 12(19):3173.

DOI

[51]
Zhao W, Sánchez N, Lu H, et al. A spatial downscaling approach for the SMAP passive surface soil moisture product using random forest regression[J]. Journal of Hydrology, 2018, 563:1009-1024.

DOI

[52]
Rodriguez-Fernandez N, Richaume P, Aires F, et al. Soil moisture retrieval from SMOS observations using neural networks[C]. 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec City, Canada, 2014.

[53]
王龙, 宫辉力, 潘云 等. 基于Sentinel-1 SAR数据的锡林浩特市典型草原土壤水分反演[J]. 干旱气象, 2019, 37(6):979-986.

[ Wang L, Gong H L, Pan Y, et al. Retrieval of soil moisture in typical steppe of Xilinhot based on Sentinel-1 SAR Data[J]. Journal of Arid Meteorology, 2019, 37(6):979-986. ]

[54]
雷志斌. 基于高分三号雷达数据的作物覆盖区土壤水分反演研究[D]. 北京:中国地质大学, 2020.

[ Lei Z B. Research on soil moisture retrieval of crop covering area based on Gaofen3 radar data[D]. Beijing: China University of Geosciences, 2020. ]

[55]
Dobson M C, Ulaby F T. Preliminaly evaluation of the SIR-B response to soil moisture, surface roughness, and crop canopy cover[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986,GE- 24(4):517-526.

[56]
Cognard A L, Loumagne C, Normand M, et al. Evaluation of the ERS-1/synthetic aperture radar capacity to estimate surface soil moisture: two-year results over the Naizin watershed[J]. Water Resources Research, 1995, 31(4):975-982.

DOI

[57]
Zribi M, Dechambre M. A new empirical model to retrieve soil moisture and roughness from C-band radar data. Remote Sensing of Environment, 2003, 84(1):42-52.

DOI

[58]
Rice S O. Reflection of electromagnetic waves from slightly rough surfaces[J]. Communications on Pure and Applied Mathematics, 1951, 4(2-3):351-378.

DOI

[59]
Stogryn A. Electromagnetic scattering from rough, finitely conducting surfaces[J]. Radio Science, 1967, 2(4):415-428.

DOI

[60]
Ulaby F T, Moore R K, Fung A K. Microwave remote sensing: active and passive. Volume 2-Radar remote sensing and surface scattering and emission theory[M]. Boston: Addison-Wesley Publishing, 1982.

[61]
Voronovich A G. Small slope approximation in wave scattering theory for rough surfaces[J]. Zhurnal Eksperimentalnoi i Teoreticheskoi Fiziki, 1985, 89:116-125.

[62]
Fung A K, Li Z, Chen K S. Backscattering from a randomly rough dielectric surface[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2):356-369.

DOI

[63]
Chen K S, Wu T, Tsang L, et al. Emission of rough surfaces calculated by the integral equation method with comparison to three-dimensional moment method simulations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(1):90-101.

DOI

[64]
Ulaby F T, Sarabandi K, Mcdonald K, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing, 1990, 11(7):1223-1253.

DOI

[65]
Liu Z, Li P, Yang J. Soil moisture retrieval and spatiotemporal pattern analysis using Sentinel-1 data of Dahra, Senegal[J]. Remote Sensing, 2017, 9(11):1197.

DOI

[66]
Dubois P C, Van Zyl J, Engman T. Measuring soil moisture with imaging radars[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(4):915-926.

DOI

[67]
Attema E P W, Ulaby F T. Vegetation modeled as a water cloud[J]. Radio Science, 1978, 13(2):357-364.

DOI

[68]
Oh Y, Saraband K, Ulaby F T. An empirical model and an inversion technique for radar scattering from bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2):370-381.

DOI

[69]
Oh Y, Sarabandi K, Ulaby F T. An inversion algorithm for retrieving soil moisture and surface roughness from polarimetric radar observation[C]. Proceedings of IGARSS '94-1994 IEEE International Geoscience and Remote Sensing Symposium, Pasadena, USA, 1994.

[70]
Oh Y. Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42:596-601.

DOI

[71]
Moran M S, Peters-Lidard C D, Watts J M, et al. Estimating soil moisture at the watershed scale with satellite-based radar and land surface models[J]. Canadian Journal of Remote Sensing, 2004, 30(5):805-826.

DOI

[72]
Wagner W, Lemoine G, Rott H. A method for estimating soil moisture from ERS scatterometer and soil data[J]. Remote Sensing of Environment, 1999, 70(2):191-207.

DOI

[73]
Moran M S, Hymer D C, Qi J, et al. Soil moisture evaluation using multi-temporal Synthetic Aperture Radar (SAR) in semiarid rangeland[J]. Agricultural and Forest Meteorology, 2000, 105(1-3):69-80.

DOI

[74]
Zakharov I, Kapfer M, Hornung J, et al. Retrieval of surface soil moisture from Sentinel-1 time series for reclamation of Wetland sites[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13:3569-3578.

DOI

[75]
Zribi M, André C, Decharme B. A method for soil moisture estimation in Western Africa based on the ERS scatterometer[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(2):438-448.

DOI

[76]
Gao Q, Zribi M, Escorihuela M J, et al. Synergetic use of Sentinel-1 and Sentinel-2 data for soil moisture mapping at 100 m resolution. Sensors, 2017, 17(9):1966.

DOI

[77]
Weimann A. Inverting a microwave backscattering model by the use of a neural network for the estimation of soil moisture[C]. IGARSS'98. Sensing and Managing the Environment. 1998 IEEE International Geoscience and Remote Sensing. Symposium Proceedings. (Cat. No.98CH36174), Seattle, USA, 1998, 4:1837-1839.

[78]
Paloscia S, Pettinato S, Santi E, et al. Soil moisture mapping using Sentinel-1 images: algorithm and preliminary validation[J]. Remote Sensing of Environment, 2013, 134:234-248.

DOI

[79]
王雅婷, 孔金玲, 杨亮彦 等. 基于SVR的旱区稀疏植被覆盖下土壤水分遥感反演[J]. 地球信息科学学报, 2019, 21(8):1275-1283.

DOI

[ Wang Y T, Kong J L, Yang L Y, et al. Remote sensing inversion of soil moisture in vegetation-sparse arid areas based on SVR[J]. Journal of Geo-information Science, 2019, 21(8):1275-1283. ]

[80]
Oh Y. Robust inversion technique for retrieving soil moisture from multi-polarised backscatter of bare surface[J]. Electronics Letters, 2006, 42(7):414-415.

DOI

[81]
Attarzadeh R, Amini J, Notarnicola C, et al. Synergetic use of Sentinel-1 and Sentinel-2 data for soil moisture mapping at plot scale[J]. Remote Sensing, 2018, 10(8):1285.

DOI

[82]
O'Neill P E, Chauhan N S, Jackson T J. Use of active and passive microwave remote sensing for soil moisture estimation through corn[J]. International Journal of Remote Sensing, 1996, 17(10):1851-1865.

DOI

[83]
Chauhan N S. Soil moisture estimation under a vegetation cover: combined active passive microwave remote sensing approach[J]. International Journal of Remote Sensing, 1997, 18(5):1079-1097.

DOI

[84]
Lee K H, Anagnostou E N. A combined passive/active microwave remote sensing approach for surface variable retrieval using Tropical Rainfall Measuring Mission observations. Remote Sensing of Environment, 2004, 92(1):112-125.

DOI

[85]
武胜利. 基于TRMM的主被动微波遥感结合反演土壤水分算法研究[D]. 北京:中国科学院研究生院, 2006.

[ Wu S L. Study on combined active/passive microwave remote sensing approach for soil moisture retrieval with TRMM data[D]. Beijing: Chinese Academy of Sciences, 2006. ]

[86]
Zhan X, Houser P R, Walker J P, et al. A method for retrieving high-resolution surface soil moisture from hydros L-band radiometer and Radar observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(6):1534-1544.

DOI

[87]
Das N N, Entekhabi D, Njoku E G. An algorithm for merging SMAP radiometer and radar data for high-resolution soil-moisture retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(5):1504-1512.

DOI

[88]
Eweys O A, Escorihuela M J, Villar J M, et al. Disaggregation of SMOS soil moisture to 100 m resolution using MODIS optical/thermal and Sentinel-1 radar data: Evaluation over a bare soil site in Morocco[J]. Remote Sensing, 2017, 9(11):1155.

DOI

[89]
Santi E, Paloscia S, Pettinato S, et al. On the synergy of SMAP, AMSR2 and Sentinel-1 for retrieving soil moisture[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 65:114-123.

DOI

[90]
Akbar R, Chan S, Das N, et al. A multi-objective optimization approach to combined radar-radiometer soil moisture estimation[C]. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 2016:3074-3077.

[91]
孙亚勇. 基于C和L波段主被动微波遥感的土壤水分协同反演研究[D]. 北京:中国水利水电科学研究院, 2018.

[ Sui Y Y, Synergetic inversion of surface soil moisture based on C/L band active and passive microwave remote sensing[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2018. ]

[92]
姜灵海. 基于哨兵数据的土壤水分反演算法研究[D]. 成都:电子科技大学, 2020.

[ Jiang L H. Research on soil moisture retreval base on sentinel data[D]. Chengdu: University of Electronic Science and Technology of China, 2020. ]

[93]
Yadav V P, Prasad R, Bala R, et al. An improved inversion algorithm for spatio-temporal retrieval of soil moisture through modified water cloud model using C-band Sentinel-1A SAR data[J]. Computers and Electronics in Agriculture, 2020, 173:105447.

DOI

[94]
Mohammad E H, Nicolas B, Mehrez Z, et al. Synergic use of sentinel-1 and sentinel-2 images for operational soil moisture mapping at high spatial resolution over agricultural areas[J]. Remote Sensing, 2017, 9(12):1292.

DOI

[95]
Piles M, Camps A, Vall-Llossera M, et al. Downscaling SMOS-derived soil moisture using MODIS visible/infrared data[J]. IEEE transactions on Geoscience and Remote Sensing, 2011, 49(9):3156-3166.

DOI

[96]
Kim J, Hogue T S. Improving spatial soil moisture representation through integration of AMSR-E and MODIS products[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 50(2):446-460.

DOI

[97]
Merlin O, Al Bitar A, Walker J P, et al. A sequential model for disaggregating near-surface soil moisture observations using multi-resolution thermal sensors[J]. Remote Sensing of Environment, 2009, 113(10):2275-2284.

DOI

[98]
周壮, 赵少杰, 蒋玲梅. 被动微波遥感土壤水分产品降尺度方法研究综述[J]. 北京师范大学学报(自然科学版), 2016, 52(4):479-485.

[ Zhou Z, Zhao S J, Jiang L M. Downscaling methods of passive microwave remote sensing of soil moisture[J]. Journal of Beijing Normal University(Natural Science), 2016, 52(4):479-485. ]

[99]
宋沛林. 基于AMSR被动微波辐射计的地表土壤含水量估算方法改进及应用研究[D]. 杭州:浙江大学, 2019.

[ Song P L. Improved surface soil moisture estimation methods and their applications based on AMSR radiometers[D]. Hangzhou: Zhejiang University, 2019. ]

[100]
文凤平. 基于值域一致性的SMAP被动微波土壤水分产品空间降尺度研究[D]. 成都:中国科学院大学(中国科学院水利部成都山地灾害与环境研究所), 2020.

[ Wen F P. Spatial downscaling of SMAP passive soil moisture product based on value consistency[D]. Beijing: Chinese Academy of Sciences(Institute of Mountain Hazards and Environment), 2020. ]

[101]
Zribi M, Le Hégarat-Mascle S, Ottlé C, et al. Surface soil moisture estimation from the synergistic use of the (multi-incidence and multi-resolution) active microwave ERS wind scatterometer and SAR data[J]. Remote Sensing of Environment, 2003, 86(1):30-41.

DOI

Options
文章导航

/

〈 〉