EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 12: 1965 - 1976

DOI: https://doi.org/10.12082/dqxxkx.2019.190115

Soil Moisture Retrieval Study based on GF-3 and Landsat8 Remote Sensing Data

  • LEI Zhibin 1, 2, 3 ,
  • MENG Qingyan , 2, 3, * ,
  • TIAN Shufang 1 ,
  • ZHANG Linlin 2, 3 ,
  • MA Jianwei 4
Expand
  • 1. School of Earth Sciences and Resources, China University of Geosciences, Beijing 100083, China
  • 2. Sanya Institute of Remote Sensing, Sanya 572029, China
  • 3. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
  • 4. China Institute of Water Resources and Hydropower Research, Beijing 100038, China
MENG Qingyan, E-mail:

Received date: 2019-03-13

  Request revised date: 2019-08-19

  Online published: 2019-12-25

Supported by

Finance Science and Technology Project of Hainan Province(ZDYF2018231)

Sichuan Province Science and Technology Program(2018JZ0054)

Major Special Project the China High Resolution Earth Observation System(30-Y20A07-9003-17/18)

the Major Projects of High Resolution Earth Observation Systems of National Science and Technology(05-Y30B01-9001-19/20-1)

Copyright

Copyright reserved © 2019
Fold

Abstract

As an important component of soil, soil moisture plays an important role in crop growth. The GaoFen-3(GF-3) satellite, as the first C-band full-polarization Synthetic-Aperture Radar (SAR) satellite of China, provides a valuable data source for soil moisture monitoring. In this study, a soil moisture retrieval algorithm was developed over densely-vegetated areas based on GF-3 and Landsat8 data. To improve the accuracy of the soil moisture retrieval, this paper firstly analyzed the correlation between eight vegetation indices and Vegetation Canopy Water Content (VCWC) based on the PROSAIL model, measured vegetation parameters and the Landsat8 optical data. The Normalized Difference Water Index (NDWI5), which was identified as the optimal index from these indexes, was used to obtain the VCWC. The inversion model of Vegetation Water Content (VWC) was established by analyzing the relationship between measured VWC and the VCWC. Secondly, the model was integrated with simplified Michigan Microwave Canopy Scattering (MIMICS) model to correct the effects of vegetation on the radar backscattering coefficient. Finally, the backscattering coefficient simulation dataset of bare soil was established based on the Advanced Integrated Equation Model (AIEM) for developing the soil moisture retrieval model over densely-vegetated areas by combining active microwave and optical remote sensing data. The soil moisture retrieval algorithm was validated in a region of corn in Yucheng city, Shandong province, with soil moisture retrievals obtained at HH, VV and HH+VV combination, respectively. Results show: ① NDWI5 had the best fit with measured VCWC values among the eight vegetation indices, with the coefficient of determination (R 2) reaching 0.7433, and the Root Mean Square Error (RMSE) being 0.5146 kg/m 2. Thus, it was adopted to correct the effects of vegetation. ② The proposed algorithm based on GF-3 and Landsat8 satellite data performed well in soil moisture retrieval that resulted in improved accuracy in soil moisture monitoring. ③ Compared with the HH and VV polarization, the HH+VV dual-channel mode exhibited the highest accuracy, with a R 2 of 0.4037 and a RMSE of 0.0667 m 3m -3, followed by the HH polarization (R 2=0.2894, RMSE=0.0692 m 3m -3) and the VV polarization (R 2=0.3577, RMSE=0.0675 m 3m -3). Our findings suggest that the proposed algorithm has good potential for operationally estimating soil moisture from the new GF-3 satellite data with high accuracy.

Key words： GF-3; soil moisture; vegetation water content; PROSAIL model; simplified MIMICS model; simulated dataset

Cite this article

LEI Zhibin , MENG Qingyan , TIAN Shufang , ZHANG Linlin , MA Jianwei . Soil Moisture Retrieval Study based on GF-3 and Landsat8 Remote Sensing Data[J]. Journal of Geo-information Science, 2019 , 21(12) : 1965 -1976 . DOI: 10.12082/dqxxkx.2019.190115

1 引言

土壤水分不仅是生态系统中非常重要的一部分,也是水文和气象模拟的关键状态变量[1,2]。同时它对灾旱有警示作用,可为农田灌溉提供技术参考,因此获取大尺度的土壤水分对农业发展至关重要。
依靠传统站点监测的土壤水分尽管精度高,但需大量人力物力,且很难获取大范围、实时的土壤水分信息。遥感技术的发展为大面积及时监测土壤水分提供了机遇,目前基于遥感监测土壤水分主要有光谱指数、热惯量及微波遥感等。而主动微波遥感因具有穿透地物、不受天气限制及分辨率高等特点,被广泛应用于农作物区土壤水分反演。
针对植被覆盖区土壤水分反演研究,国内外学者常利用雷达与光学数据基于“水-云”模型[3]或MIMICS模型[4]剔除植被影响,进而反演土壤水分。如Oh[5]通过“水-云”模型获取稀疏低矮植被覆盖下裸土后向散射系数,并利用遗传算法实现同极化和交叉极化土壤水分反演。Notarnicola等[6]协同雷达数据和Landsat7数据获取了土壤水分。Saradjian等[7]得出“水-云”模型可用来描述植被衰减,从而获得较高土壤水分反演精度。Imen等[8]利用“水-云”模型消除小麦和豌豆影响,构建了基于“Oh”模型的半经验耦合公式。余凡等[9]提出了一种基于简化MIMICS模型建立的半经验公式,实现了生长后期玉米覆盖下的土壤水分反演。周鹏等[10]利用Radarsat 2和Landsat 5数据基于“水-云”模型建立了全极化经验反演模型。孔金玲等[11]通过landsat5数据计算NDWI,利用“水-云”模型去除植被影响,并提出了基于AIEM模型的土壤水分反演算法。
目前,稀疏低矮农作物区土壤水分反演研究已广泛开展,但针对高大植被（如生长后期的玉米）研究相对较少。此外,在剔除植被影响时,部分研究人员常采用经验植被指数和“水-云”模型,缺乏对植被指数和模型适用性的考虑。鉴于以上问题,本文利用PROSAIL模型、实测植被参数及Landsat8数据获取最优植被指数,选取适用于玉米生长后期的简化MIMICS模型消除植被影响,并基于AIEM模型裸土后向散射系数模拟数据集建立了浓密农作物区同极化HH单通道、VV单通道以及HH、VV双通道3种反演方法。本文通过GF-3和Landsat8遥感数据建立的土壤水分反演方法,一方面探究了高大植被覆盖下获取土壤水分信息的方式,另一方面充分挖掘了自主卫星GF-3在土壤水分反演方面的应用潜力。

2 研究区概况、数据来源与处理

2.1 研究区概况

研究区为山东省禹城市,位于山东省西北部（116°22′11″E-116°45′00″E,36°41′36″N-37°12′13″N）,境内为平原,海拔最高为26.1 m,气候为典型暖温带大陆季风气候,气温约为12~15 ℃,年度降水量约为560~580 mm,主要集中在5-7月。区内土壤类型以潮土和盐化潮土为主,占总面积85.2%,主要作物为玉米,研究区和样点见图1。
图1 山东禹城市位置及样点分布

Fig. 1 Location of Yucheng City, Shandong Province and distribution of sample points

2.2 数据源

2.2.1 GF-3雷达数据
GF-3卫星是我国于2016年8月10日发射的首颗全极化雷达卫星,轨道高度为755 km,轨道类型为太阳同步回归晨昏轨道,天线类型为波导缝隙相控阵,重访周期2~3 d。搭载C波段合成孔径雷达（SAR）,具有12种成像模式,入射角为10~60°,空间分辨率为1~500 m,幅宽为10~650 km。GF-3雷达数据是从中国资源卫星应用中心[12]获取,成像时间为2018年7月29日,成像模式为全极化条带1（QPS1）,为L1A级的单视复图像（SLC）,主要参数见表1。
表1 GF-3卫星全极化条带1（QPS1）

Tab. 1 Fully polarized strip 1(QPS1) of the GF-3 satellite

工作模式 入射角/° 视数 分辨率/m 幅宽/km 极化方式
方位向 距离向
全极化条带1（QPS1） 42.4° 1x1 8 8 25 全极化（HH HV VH VV）
2.2.2 Landsat8光学数据
Landsat8卫星是美国航空航天局（NASA）于2013年2月11日发射的陆地卫星,携带OLI陆地成像仪和TIRS热红外传感器,空间分辨率为30 m,幅宽为185 km,重访周期16 d,从美国地质调查局[13]下载了2018年7月22日的L1A级产品。
2.2.3 野外实测数据
为保证采样时间与卫星准同步,实验人员于2018年7月29-30日在研究区布设28个样点对土壤水分、地表粗糙度及植被参量等参数进行测量。每个样点选择间距约为200 m等边三角形进行采样, 3个位置平均值被认为是采样点的最终值,样品测定均在中国科学院禹城综合试验站完成。由于C波段雷达信息对表层土壤最敏感,所以使用烘干法获取了0~5 cm表层土壤体积水分;此外,地表粗糙度不确定性会引起主动微波土壤水分反演误差[14],为获取准确地表粗糙度信息,利用长为1.2 m、探针间距为1 cm的粗糙度板测量了均方根高度（S）和相关长度（L）;植被测量参数包括植被茎秆含水量和植被冠层含水量、叶面积指数（LAI）、叶绿素及植株高度等。

2.3 影像处理

2.3.1 雷达影像处理
（1）辐射定标
σ dB = 10 lg I 2 + Q 2 × Q V 32767 2 - K dB
式中： σ dB 为后向散射系数;I为产品实部;Q为产品虚部; Q V 为图像量化前的最大值; K dB 为定标常数,可通过元数据文件获取。
（2）多视处理及滤波
多视处理能使影像几何特征更加接近地面实际情况,提高影像显示效果;滤波能消除大量斑点,增强地物信息。因此根据GF-3卫星多视视数（表1）对雷达影像进行多视处理,并基于Lee滤波器对原始影像进行滤波。
（3）地理编码及村庄掩膜
通过滤波等处理后的影像已能代表地物回波特性,但却没有相应地理坐标,因此利用元文件的RPC文件对影像进行地理编码,然后对村庄进行掩膜,最终得到处理后的HH和VV同极化影像。
2.3.2 光学影像处理
为了消除大气、光照等因素影响,保持影像光谱信息原始性,确保植被指数的客观性,对Landsat8数据进行了辐射定标和大气校正。

3 研究方法

3.1 技术路线

利用GF-3雷达数据对玉米覆盖区进行反演时,本文首先借助PROSAIL模型、实测植被参数及Landsat 8数据得到最佳植被指数并计算植被含水量;然后通过简化MIMICS模型获取玉米覆盖区地表后向散射系数;最后基于最小距离函数检索AIEM模型构建的模拟数据集和GF-3卫星HH、VV影像后向散射系数,得到HH、VV及HH+VV组合三种反演结果,并利用野外实测数据对其进行精度验证,技术路线见图2。
图2 GF-3土壤水分反演算法流程

Fig. 2 Flowchart of the soil moisture retrieval algorithm based on GF-3

3.2 植被指数与PROSAIL模型

植被水分在970、1200、1500、2201 nm处于吸收峰和吸收谷,通过该波段计算得到植被指数与单叶片含水量存在相关性,而在像元尺度上,水分敏感波段还与单位体积内的叶片数量有关[15],因此,基于水分敏感波段计算的植被指数可以反映植被冠层含水量[16]。在本研究中,选择与水分敏感波段相关的8种植被指数,并建立了它们与植被冠层含水量关系。植被指数计算公式如表2所示。
表2 植被指数计算公式

Tab. 2 Formulas used to calculate the vegetation indices

名称 公式 参考文献
简单比值指数 SR=RNirRRed [17]
水胁迫指数 MSI=RSwir1RNir [18]
归一化差异水 指数 NDWI5=RNir-RSwir1RNir+RSwir1 [19]
归一化差异水 指数 NDWI7=RNir-RSwir2RNir+RSwir2 -
归一化植被指数 NDVI=RNir-RRedRNir+RRed [20]
归一化多波段 干旱指数 NMDI=RNir-(RSwir1-RSwir2)RNir+(RSwir1-RSwir2) [21]
四波段干旱
指数		 SRWINDWI=RSwir1RSwir2(RNir-RGreen)(RNir+RGreen) [22]
增强植被指数 EVI=2.5RNir-RRedRNir+6RRed-7.5RBlue+1 [23]
PROSAIL模型是由PROSPECT模型和SAIL模型耦合而成,迄今为止它是模拟植被冠层光谱反射率最真实的模型[24]。通过PROSAIL模型既能初步优选出几种植被指数,也能对比实测数据和PROSAIL模型优选的最佳植被指数是否一致,从而保证最佳植被指数可靠性。因此本文以实测植被参数为主,设置PROSAIL模型参数（表3）,通过Landsat8数据光谱响应函数,计算多光谱波段反射率（式（2））。
表3 PROSAIL模型参数

Tab. 3 PROSAIL model parameters

参数名称 范围 步进
等效水厚度/（g/cm2） 0.05~0.25 0.02
叶绿素含量/（μg/cm2） 25~75 10
叶面积指数 1~7 1
干物质含量/（g/cm2） 0.01~0.011 0.01
叶片结构 2.5
土壤系数 1
太阳天顶角/° 65
观测天顶角/° 42.4
平均叶倾角/° 50
ρ i = ∑ λ ui λ li γ λ φ i λ / ∑ ui λ li φ i λ
式中： ρ i 为波段 i 的反射率; γ λ 为波长 λ 处的反射率值; φ i λ 为波段 i 在波长 λ 处的光谱响应函数值; λ ui 、 λ li 分别为波段 i 的起始波段和终止波段。

3.3 植被后向散射系数模型

MIMICS模型广泛应用于高大树木,鉴于研究区玉米植株远不能达到MIMICS模型要求,因此本研究选用简化MIMICS模型去除植被影响[25],计算公式如下：
σ pq = a bias σ pq 1 cos θ 2 k pq 1 - T pq 2 1 + T pq 2 Γ p Γ q + T pq 2 2 Γ p + Γ q h σ pq 2 + σ p qs
式中： σ pq 为总后向散射系数;p、q代表H、V极化; a bias 为经验参数; σ pq 1 为单位体积内植被后向散射截面; σ pq 2 为单位体积内植被双向散射截面; k pq 为消光系数; σ pq 1 、 σ pq 2 、 k pq 均与植被含水量（VWC）有关,可由植被含水量计算得到; σ pqs 为裸土后向散射系数; T pq 为植被透过率; Γ p Γ q 为地表反射率; θ 为入射角;h为株高。

3.4 AIEM裸露地表后向散射系数模型

Fung等[26]于1992年提出的积分方程模型（Integrated Equation Model,IEM）能表征粗糙度的后向散射特征,但IEM模型模拟的后向散射系数和实测值不完全一致。为此,Wu等[27]改进IEM模型,提出了高级积分方程模型（Advance Integrated Equation Model,AIEM）。由于AIEM模型表征的粗糙度范围更大,在研究中常被学者使用,公式如下：
σ pq = - k 2 2 exp - 2 k 2 cos β 2 S 2 ∑ n = 1 ∞ S 2 n n ! I pq n 2 W n - 2 k sin β , 0
式中： σ pq 为后向散射系数;p、q代表H、V极化;k为波数,与频率有关;β为入射角;S为均方根高度; W n 为表面自相关n阶粗糙度谱,受均方根高度、相关长度及极化方式影响; I pq n 为菲尼尔反射系数和粗糙度谱函数,由土壤水分和入射角决定。
依据野外实测数据所确定参数范围及全国土壤质地图,设定AIEM模型中相关参数,形成HH、VV后向散射系数模拟数据集,参数见表4。
表4 AIEM模型参数

Tab. 4 AIEM model parameters

参数名称 范围 步进
土壤水分/（m3m-3） 0.22~0.34 0.005
均方根高度/cm 0.4~2.8 0.1
相关长度/cm 5~25 1
入射角/° 20~60 1
极化方式 HH、VV
频率/GHZ 5.4
土壤容重/（g/cm3） 1.29
地表温度/℃ 29
沙土、黏土/% 32、26

3.5 最小距离函数

模拟数据集中的HH、VV仿真像元值和土壤水分一一对应,同时在HH、VV影像中,每个像元相互独立,没有相关性。因此针对HH和VV反演只需将影像像元值与仿真像元值进行最小距离匹配,当两者之差为最小时（式（5）、式（6））,即能得到与仿真像元值所对应土壤水分;而针对HH+VV反演则是在HH和VV两个通道进行匹配,分别检索HH、VV的像元值与仿真像元值的距离,当二者相加为最小时（式（7））,把HH或VV仿真像元值所对应土壤水分作为反演土壤水分,公式如下：
HH、VV最小距离函数：
B Hij = min A Hij - A Hsim
B Vij = min A Vij - A Vsim
HH+VV最小距离函数：
B H + Vij = min A Hij - A Hsim + A Vij - A Vsim
式中： i 、 j 为影像行号和列号; B Hij 为HH极化最小距离; B Vij 为VV极化最小距离; B H + Vij HH+VV组合最小距离; A Hij 为HH影像像元值; A Hsim 为HH仿真像元值; A Vij 为VV影像像元值; A Vsim 为VV仿真像元值。

3.6 土壤水分反演方法

土壤水分反演的具体步骤如下：
（1）利用植被指数计算植被含水量。从8种植被指数中优选出的最佳植被指数反演植被冠层含水量,并基于植被含水量与植被冠层含水量的关系,得到植被含水量与植被冠层含水量表达式,从而获取植被含水量。
（2）基于简化MIMICS模型剔除植被影响。以步骤（1）计算出的植被含水量及GF-3后向散射影像为输入参数,通过简化MIMICS模型即可获取植被覆盖下GF-3卫星HH、VV裸土后向散射系数影像。
（3）构建裸土后向散射系数模拟数据集。通过AIEM模型和野外实测地表参数生成HH和VV模拟数据集,详细参数见3.4节。
（4）基于最小距离函数反演土壤水分。利用最小距离函数检索步骤（2）获得的GF-3裸土后向散射系数影像和步骤（3）建立的模拟数据集,当二者间距离为最小时,即可获得相应的土壤水分,详细介绍见3.5节。

4 结果及分析

4.1 植被含水量计算结果

植被含水量是植被覆盖区土壤水分反演关键因素,因此本文基于最小二乘法拟合了8种植被指数与PROSAIL模型模拟的植被冠层含水量（VCWC）的相关性（图3）。由图可见,MSI、NDWI5、NDWI7及NMDI与模拟植被冠层含水量关系更好,呈指数关系,而其余4种则显示较弱的线性关系。为了详细了解土壤水分反演误差,本文计算了植被指数的决定系数R2和均方根误差RMSE（表5）。表5显示,MSI、NDWI5、NDWI7及NMDI（R2≥0.30,RMSE≤0.56 kg/m2）精度高于其余4种植被指数（R2≤0.22,RMSE≥0.57 kg/m2）,因此可以将MSI、NDWI5、NDWI7及NMDI初步筛选为较好植被指数。
图3 PROSAIL模型植被指数与模拟植被冠层含水量相关性

Fig. 3 Relationship between vegetation indices from the PROSAIL model and simulated vegetation canopy water content

表5 PROSAIL模型植被指数拟合精度

Tab. 5 Fitting accuracy of each vegetation index from the PROSAIL model

植被指数 拟合公式 R2 RMSE/（kg/m2）
SR y=-0.1495x+5.295 0.2143 0.5711
MSI y=3.257e-7.556x 0.7324 0.3323
NDWI5 y=0.0326e4.685x 0.7617 0.3135
NDWI7 y=0.1905e4.522x 0.3098 0. 5526
NDVI y=-45x+43.06 0.1843 0.5832
NMDI y=0.0225e5.098x 0.7377 0.3289
SRWI/NDWI y=-0.1405x+2.105 0.0461 0.6273
EVI y=-6.375x+7.013 0.1989 0.5749

注：y为模拟植被冠层含水量,x为植被指数。

通过观察8种植被指数计算公式（表2）可知,优选出的4种植被指数的波段均为水分敏感波段,而其余植被指数还包括了非水分敏感波段,如红、绿、蓝波段,这说明在选取波段时,全部选择水分敏感波段能提高植被指数与植被冠层含水量相关性。
为了得到最优植被指数,本文获取了每个采样点Landsat8数据反射率值和实测数据,并在此基础上分析初步筛选的4种植被指数和实测植被冠层含水量（VCWC）的相关性,结果如图4和表6所示。
图4 Landsat8植被指数与实测植被冠层含水量相关性

Fig. 4 Relationship between vegetation indices from Landsat8 data and measured vegetation canopy water content

表6 Landsat8植被指数拟合精度

Tab. 6 Fitting accuracy of each vegetation index from Landsat8 data

植被指数 拟合公式 R2 RMSE/（kg/m2）
MSI y=-25.57x2+19.88x-2.131 0.6349 0.6637
NDWI5 y=-12.96x2+13.26x-1.589 0.7433 0.5146
NDWI7 y=-23x2+33.39x-10.39 0.7018 0.5521
NMDI y=-74.16x2+73.16x-16.31 0.6082 0.6982

注：y为实测植被冠层含水量,x为植被指数。

分析可知,NDWI5和NDWI7与植被冠层含水量相关性较高,R2大于0.70,其中NDWI5相关性最高,R2为0.7433,RMSE=0.5146 kg/m2;而MSI和NMDI相关性则相对较弱,R2小于0.64,RMSE大于0.66 kg/m2。因此最终选定NDWI5为最佳植被指数,并用其反演植被冠层含水量,这一结论与前人研究结果一致[28,29]。分析PROSAIL模型和实测数据优选结果可知,MSI、NDWI5、NDWI7及NMDI与植被冠层含水量间变化趋势一致,呈负相关或正相关关系（图3、图4）;而NDWI5均为二者所确定的最佳植被指数,说明所选NDWI5具有较高可靠性。
由于光学遥感只能获取植被冠层信息,不能直接获取植被含水量,所以需进一步考虑植被含水量的获取方法。部分学者通过分析植被茎秆含水量与冠层含水量相关性,并根据植被含水量等于二者之和,建立了植被含水量与植被冠层含水量的关系[30]。鉴于此,本文通过分析实测植被茎秆含水量（VWCstem）和冠层含水量（VCWC）的关系发现（图5）：茎秆水分约为冠层水分3.6倍（式（8））,R2为0.6503,这说明二者间具有很强相关性。因此,基于植被含水量、茎秆含水量及冠层含水量关系,本文构建了植被含水量（VWC）与植被冠层含水量（VCWC）关系式（式（9））。
图5 植被冠层含水量与植被茎秆含水量关系

Fig. 5 Relationship between vegetation canopy water content and vegetation stem water content

VW C stem = 3.624 × VCWC - 1.026
VWC = 4.624 × VCWC - 1.026
本文利用Landsat8近红外和短波红外波段得到NDWI5,根据拟合公式（表6）计算植被冠层含水量,最后利用式（9）反演植被含水量（图6）。由图6可见,图像整体呈现3种颜色：红色、绿色及蓝色,通过与RGB原始图像对比可知,红色区域为村庄和道路设施,容易识别,村庄周围浅红色为裸地;黄色为植被稀疏区域,植被含水量值约为1~4 kg/m²,绿色和蓝色为浓密植被区域,植被含水量主要集中于 4~7 kg/m²之间,与实测数据吻合。分析可知,除去村庄及裸地后,浓密植被区域约占整个区域90%,符合野外观测到的实际情况。
图6 研究区2018年7月22日植被含水量反演结果

Fig. 6 Vegetation water content retrieval result in the study area on July 22, 2018

4.2 玉米覆盖下的地表后向散射系数获取

本文利用植被含水量和GF-3雷达影像,基于C++编程建立的简化MIMICS模型得到了玉米覆盖下HH和VV地表后向散射系数HHsoil、VVsoil,并与原始影像做差进行对比,如图7所示。
图7 去除植被信息前、后的后向散射系数变化

Fig. 7 Changes in the backscattering coefficient before and after the removal of vegetation information

经分析可知,HH-HHsoil值普遍高于VV-VVsoil,其中HH-HHsoil范围为2~10 dB,均值约为6.5 dB,大多集中在5~8 dB;而VV-VVsoil范围为0.5~8 dB,均值约为5 dB,多集中在3~6.5 dB;结果表明,无论是HH还是VV极化,通过简化MIMICS模型能有效消除植被影响。

4.3 土壤水分反演及验证

本研究基于AIEM模型建立模拟数据集,采用最小距离函数检索模拟数据集与GF-3影像像元值间差异,并通过HH、VV及HH+VV 3种方式实现土壤水分反演。野外共布设了28个样点,但其中有2个样点影像未覆盖、2个样点由于人为测量因素存在明显误差,因此本文利用24个数据进行验证（图8）。
图8 土壤水分反演结果与实测数据对比

Fig. 8 Comparison of the soil moisture retrieval result with measured data

由图可见,HH+VV反演精度最高,R2=0.4037,RMSE=0.0667 m3m-3,验证点相对均匀分布在1:1关系线周围;其次为VV,R2=0.3577,RMSE=0.0675 m3m-3,尽管验证点均匀分布在1:1关系线周围,但距离较远;较差为HH,R2=0.2894,RMSE=0.0692 m3m-3,虽然在局部显示很好反演效果,但土壤水分反演值总体偏高,与实际情况不符。
分析可见,HH+VV组合为最佳反演方式,因此,本文利用HH+VV组合方式检索土壤水分。由图9可见,土壤水分空间分布在视觉上合理,可以反映区域内土壤水分分布。图中白色区域为掩膜村庄,红色为人工河道、河流及道路,易于识别;土壤水分约为0.27~0.31 m3m-3,与野外实测数据吻合。研究区西侧土壤水分普遍低于东侧,可能与禹城市西高东低地势有关;高值（>0.31 m3m-3）区域大多集中于研究区近南北向人工河道两侧,可能是由于河道水流下渗引起该区域土壤水分值偏高;此外由于一些农田是单独浇灌,导致农田土壤水分高于周边地区。
图9 研究区2018年7月29日HH+VV土壤水分反演结果（白色：村庄）

Fig. 9 Soil moisture retrieval result of HH+VV in the study area on July 29, 2018 (white: village)

5 结论与讨论

5.1 结论

本文通过GF-3和Landsat8多源数据,基于简化MIMICS模型剔除植被影响,并利用AIEM模型形成研究区模拟数据集,最终构建了基于GF-3卫星的浓密植被覆盖区土壤水分反演模型,得出如下结论：
（1）基于PROSAIL模型和实测数据筛选的最佳植被指数具有一致性,为归一化差异水指数NDWI5。其中,基于实测数据构建的植被含水量反演公式为y=-12.96x2+13.26x-1.589,决定系数（R2）为0.7433,均方根误差（RMSE）为0.5146 kg/m2。
（2）利用雷达数据和光学数据通过简化MIMICS模型能有效去除植被影响。基于GF-3雷达数据和Landsat8光学数据各自优点,消除了植被对雷达后向散射系数影响,使HH和VV后向散射系数值分别减少5~8 dB和3~6.5 dB,获取了裸露地表后向散射系数。
（3）利用GF-3卫星基于AIEM模型构建的模拟数据集进行土壤水分反演具有可行性。在HH、VV及HH+VV 3种反演方法中,HH+VV组合为最佳反演方式,反演精度最高,R2=0.4037,RMSE=0.0667 m3m-3;其次为VV,R2=0.3577,RMSE=0.0675 m3m-3;较差为HH,R2=0.2894,RMSE=0.0692 m3m-3。

5.2 讨论

王春梅等[31]利用Radarsat 2反演了山东省禹城市稀疏低矮夏玉米,精度略高于本研究所取得结果,这是由于本研究对象是处于生长后期玉米,剔除植被影响难度远高于稀疏低矮植被;余凡等[9]利用ASAR和TM数据基于简化MIMICS模型获取了甘肃张掖地区土壤水分,结果显示经过改进后的简化MIMICS模型反演土壤水分的RMSE为0.031 m3m-3,高于本研究结果（RMSE=0.067 m3m-3）;未改进的简化MIMICS模型所获取的RMSE为0.068 m3m-3,略低于本研究精度。
目前,植被覆盖区反演方法比较单一,大多是基于研究区建立后向散射系数与土壤水分间经验公式,具有很大区域局限性;而由于模拟数据集只需参数范围就能建立,降低了对地面实测参数依赖,从而能为扩大区域适用性提供新思路,但在一定程度上会降低反演精度。
本研究利用自主GF-3卫星和Landsat8数据基于模拟数据集协同反演浓密植被覆盖下土壤水分,取得较好反演结果,能为旱情提供技术支撑,但还存在一些问题：① 只利用了GF-3的HH和VV两种同极化数据,并未对HV、VH交叉极化数据进行讨论;② 只检索了玉米生长后期的土壤水分,并未构建整个生育期的反演算法。因此,在未来研究中,需对交叉极化（HV、VH）进行相应分析,以期得到更佳反演结果;还应对不同植被类型建立全生育期观测模式,对反演方法进一步验证;当研究区存在不同植被附着物或不同土地利用类型时,应先对其进行分类,避免因使用同一模型带来误差。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
贾艳昌, 谢谟文, 姜红涛 , 等. 全球36 km格网土壤水分逐日估算[J]. 地球信息科学学报, 2017,19(6):854-860.

DOI

[ Jia Y C, Xie M W, Jiang H T , et al. Daily estimate of global 36 km grid soil moisture[J]. Journal of Geo-information Science, 2017,19(6):854-860. ]

[2]
王安琪, 施建成, 阿多 , 等. 光学信息分解被动微波土壤湿度方法[J]. 地球信息科学学报, 2012,14(5):652-657.

DOI

[ Wang A Q, Shi J C, A D , et al. The method of decomposing the passive microwave soil moisture using optical information[J]. Journal of Geo-information Science, 2012,14(5):652-657. ]

[3]
Attema E P W, Ulaby F T . Vegetation modeled as a water cloud[J]. Radio Science, 1978,13(2):357-364.

DOI PMID

[4]
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

[5]
Oh Y . Radar remote sensing of soil moisture and surface roughness for vegetation surface[J]. Korean Journal of Remote Sensing, 2008,24(5):427-436.

DOI PMID

[6]
Notarnicola C, Angiulli M, Posa F , et al. Use of radar and optical remotely sensed data for soil moisture retrieval over vegetation areas[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006,44(4):925-935.

DOI

[7]
Saradjian M R, Hosseiini M . Soil moisture estimation by using multi-polarization SAR image[J]. Advanced in Space Research, 2011,48(2):278-286.

DOI

[8]
Imen G, Magagi R, Berg A A , et al. Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular radarsat-2 SAR data[J]. Remote Sensing of Environment, 2011,115(1):33-43.

DOI

[9]
余凡, 赵英时 . ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法[J]. 中国科学:地球科学, 2011,41(4):532-540.

[ Yu F, Zhao Y S . A new semi-empirical model for soil moisture content retrieval by ASAR and TM data in vegetation covered areas[J]. Scientia Sinica Terrae, 2011,41(4):532-540. ]

[10]
Zhou P, Ding J L, Wang F , et al. Retrieval methods of soil water content in vegetation covering areas based on multi-source remote sensing data[J]. Journal of Remote Sensing, 2010,2(5):369-372.

DOI

[11]
孔金玲, 李菁菁, 甄珮珮 , 等. 微波与光学遥感协同反演旱区地表土壤水分研究[J]. 地球信息科学学报, 2016,18(6):857-863.

DOI

[ Kong J L, Li J J, Zhen P P , et al. Inversion of soil moisture in arid area based on microwave and optical remote sensing data[J]. Journal of Geo-information Science, 2016,18(6):857-863. ]

[12]
中国资源卫星应用中心[EB/OL].( http://www.cresda.com/CN/.

[China centre for resources satellite data and application[EB/OL]. ( http://www.cresda.com/CN/).]

[13]
美国地质调查局[EB/OL].( https://earthexplorer.usgs.gov/).

[ United states geological survey[EB/OL].( https://earthexplorer.usgs.gov/). ]

[14]
陈鲁皖, 韩玲, 王文娟 , 等. 地表组合粗糙度不确定性引起的SAR反演土壤水分的不确定性分析[J]. 地球信息科学学报, 2018,20(1):108-118.

DOI

[ Chen L W, Han L, Wang W J , et al. Uncertainty analysis of SAR-retrieved soil moisture induced by uncertainty of soil surface combined roughness[J]. Journal of Geo-information Science, 2018,20(1):108-118. ]

[15]
Dawson T, Curran P, North P , et al. The propagation of foliar biochemical absorption features in forest canopy reflectance: A theoretical analysis[J]. Remote Sensing of Environment, 1999,67(2):147-159.

DOI

[16]
Zhang Y, Liu X, Su S , et al. Retrieving canopy height and density of paddy rice from radarsat-2 images with a canopy scattering model[J]. International Journal of Applied Earth Observation & Geoinformation, 2014,28(1):170-180.

DOI PMID

[17]
Jordan C F . Derivation of leaf area index from quality of light on the forest floor[J]. Ecology, 1969,50(4):663-666.

DOI

[18]
Hunt E R, Rock B N . Detection of changes in leaf water content using near-and middle-infrared reflectance[J]. Remote Sensing of Environment, 1989,30(1):43-54.

DOI

[19]
Chen D, Huang J, Jackson T J , et al. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near -and short-wave infrared bands[J]. Remote Sensing of Environment, 2005,98(2):225-236.

DOI

[20]
Serrano L, Ustin S L, Roberts D A , et al. Deriving water content of chaparral vegetation from AVIRIS data[J]. Remote Sensing of Environment, 2000,74(3):570-581.

DOI

[21]
Wang L, Qu J J . NMDI: A normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing[J]. Geophysical Research Letters, 2007,34(20):117-131.

[22]
张佳华, 许云, 姚凤梅 , 等. 植被含水量光学遥感估算方法研究进展[J]. 中国科学:技术科学, 2010,40(10):1121-1129.

[ Zhang J H, Xu Y, Yao F M , et al. Research progress on optical remote sensing estimation methods for vegetation water content[J]. Scientia Sinica Technologica, 2010,40(10):1121-1129. ]

[23]
Huete A, Didan K, Miura T , et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002,83(1-2):195-213.

DOI

[24]
Cheng Y B, Zarco-Tejada P J, Riano D , et al. Estimating vegetation water content with hyperspectral data for different canopy scenarios: Relationships between AVIRIS and MODIS indexes[J]. Remote Sensing of Environment, 2006,105(4):354-366.

DOI

[25]
Roo R D, Du Y, Ulaby F T , et al. A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001,39(4):864-872.

DOI

[26]
Fung A K, Li Z, Chen K S , et al. Backscattering from a randomly rough dielectric surface[J]. IEEE Transaction on Geoscience & Remote Sensing, 1992,30(2):356-369.

DOI PMID

[27]
Wu T D, Chen K S, Shi J , et al. A transition model for the reflection coefficient in surface scattering[J]. Geoscience & Remote Sensing IEEE Transactions on, 1998,39(9):2040-2050.

DOI PMID

[28]
Jackson T J, Chen D, Cosh M , et al. Vegetation water content mapping using landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment, 2004,92(4):475-482.

DOI

[29]
蒋金豹, 张玲, 崔希民 , 等. 植被覆盖区土壤水分反演研究——以北京市为例[J]. 国土资源遥感, 2014,26(2):27-32.

DOI

[ Jiang J B, Zhang L, Cui X M , et al. Soil moisture inversion in the vegetation-covered area: A case study of Beijing city[J]. Remote Sensing for Land & Resources, 2014,26(2):27-32. ]

[30]
Hunt E R, Li L, Yilmaz M T , et al. Comparison of vegetation water contents derived from shortwave-infrared and passive-microwave sensors over central Iowa[J]. Remote Sensing of Environment, 2011,115(9):2376-2383.

DOI

[31]
王春梅, 余涛, 孟庆岩 , 等. 基于全极化雷达数据反演夏玉米覆盖农田表层土壤含水量[J]. 水资源与水工程学报, 2014,25(2):29-34.

[ Wang C M, Yu T, Meng Q Y , et al. Surface soil moisture of farmland covered by summer corn stalk retrieved by full polarimetric radar data[J]. Journal of Water Resources and Water Engineering, 2014,25(2):29-34. ]

Options
Outlines

/

〈 〉