一种利用双时相ASAR数据监测土壤湿度的方法

游代安赵少华史园莉姚云军

(1.环境保护部卫星环境应用中心，北京 100094;2.国家环境保护卫星遥感重点实验室，北京 100101;3.北京师范大学地理学与遥感科学学院，北京 100875)

微波遥感是监测土壤湿度的一个有效手段，它是指通过微波传感器获取从目标地物发射或反射的微波辐射，经过判读处理来识别地物的技术。其特点是不受光照、气候条件的限制，可全天时、全天候工作，能够穿透云层，对植被覆盖区和松散盖层具有一定的穿透能力，最深可有20～30个波长，并通过极化、相位、干涉等技术获得更多更精确的信息。其探测土壤湿度的物理基础是基于微波信号和土壤的介电常数密切相关这一原理，而土壤的介电常数随土壤湿度的变化而变化［1－2］。它可分为被动微波和主动微波遥感两种。被动微波遥感主要是通过辐射计测量土壤亮温监测土壤水分，但空间分辨率过低，应用上有一定限制。主动微波遥感主要是利用雷达回波信号(后向散射系数)监测土壤水分，使用最多的是合成孔径雷达(Synthetic Aperture Radar，SAR)技术，因为它摆脱了真实孔径雷达天线长度的制约。

由于SAR具有微波遥感的许多优势，再加上较高的空间分辨率，因此能够获得土壤湿度相对精确的信息，国内外已有不少该方面的研究［3－7］。Envisat－1是欧空局发射的极轨对地观测卫星系列之一，于2002年3月1号发射升空，卫星高度800km，重访周期35天，星上载有10种探测设备，其中最大的设备是高级合成孔径雷达(ASAR)，可生成海洋、海岸、极地冰冠和陆地的高质量图像。具有多极化、可变观测角度、宽幅成像和多工作模式的特性，在陆面和海面监测上比ERSSAR，RADARSAT－SAR更具优势，可以对农作物、森林的面积、状况、自然灾害、水文水资源等进行监测［8－9］。其中对土壤湿度的监测，国内外的研究还不过。这些研究中大多基于地面试验或调查数据等先验知识来监测土壤湿度，如Holah等(2005)［10］、Statlino等(2005)［11］、Mattia等(2006)［12］、鲍艳松等［13］和李森(2007)［14］的研究。也有少量研究摆脱了地面参数的依赖，仅靠多入射角的遥感影像即可获知土壤湿度信息，如Baghdadi等［15］、Baup等(2007)［16］、Rahman等(2008)［17］和赵少华等(2008)I［18］的研究。总的来看，这些研究大多依赖于地面先验知识的获取，虽然部分研究依靠多入射角的影像摆脱了地面先验知识的依赖，但也是基于经验模型或复杂散射机理的物理模型，并不便于推广应用，而半经验模型则能较好地结合二者优势，既能从机理上解释微波对地物的散射特性，又基于经验统计具有较好的精度，因此是未来的一个发展方向。基于此目的，在Oh等(2002)［19］提出的半经验模型基础上，通过对该模型进行改进，赵少华(2008)［20］提出了一种不需地面参数的先验知识，仅利用采用双时相的ASAR影像即可获知土壤湿度信息的半经验模型，因此本文即利用该模型开展应用。

1 研究区域和数据

1.1 研究区概况

研究区位于北京昌平区的小汤山镇和顺义区的赵全营镇，地处东经116°20～116°37，北纬40°07～40°15，海拔高度在30～60m，区内主要土地类型是城镇、农田(小麦和苜蓿)、裸地和水体等。研究区地势平坦，起伏较小。

1.2 数据获取

ASAR工作在C波段，波长5.6cm，五种工作模式，其中欧空局对外提供的只有前三种，Image，Alternating Polarization和Wide Swath模式。本研究数据采用Alternating Polarization工作模式下的Level 1B的多视、地距图像(Precision Image)，即ASA_APP_1P产品，数据分辨率为30m。根据研究区域，本文选取了2005年4月12号和13号的两景影像，影像的详细特征见表1，图2和图3是这两景影像的示意图。影像从国家科技基础条件平台对地观测系统的Envisat数据共享网站获取(http：//ds.rsgs.ac.cn/index.aspx)。

表1 2005年ASAR影像的主要特征

图1 2005年4月12日ASAR影像图(左图)HH极化;(右图)VV极化

1.3 数据处理

获取的ASAR数据采用欧空局提供的BEST(Basic Envisat SAR Toolbox)软件提取后向散射系数σ°，包括头文件分析、全分辨率提取、幅度至强度的转换和σ°的提取，最后输出为Geo TIFF文件。在提取σ°过程中，选择生成dB数据，还要根据不同的影像输入不同的定标常数，定标常数可从欧空局网站上的定标文件获取。图像上的强度值与σ°的关系为：

图2 2005年4月13日ASAR影像图(左图)HH极化;(右图)VV极化

公式中A为图像上的强度DN值，K为绝对定标因子(即上文中的定标常数)，θ为雷达入射角，可从对应图像的头文件中获取［21］。

由于雷达影像上一般存在比较明显的斑点噪音，即在同一片均匀区域，分辨单元中有的呈亮点，有的呈暗点，使得图像灰度剧烈变化，从而降低了图像的分辨率和信噪比，影响了图像的可解译性，甚至导致地物特征的消失，因此还要对输出的Geo TIFF文件滤波(利用ENVI软件)。滤波选择Gamma自适应滤波，因为该滤波考虑了斑点的特点和地物目标散射特征的统计规律，在平滑斑点的同时还能很好地保护图像纹理［22－23］。滤波后，根据地形图选用地面控制点对影像进行几何校正配准。

2 方法与结果

2.1 模型的推导

对于裸地可以利用半经验的OSU П(2002)的后向散射系数模型来估算其土壤湿度，下面介绍一种基于该模型改进的只需两景HH/VV同极化影像即可获知地表土壤湿度的新的半经验模型。首先，OSU П(2002)模型描述如下：

对于裸地或低植被覆盖区域，假设我们有两景时相相距很近(时间间隔在一周之内)的HH/VV双极化雷达影像，这期间没有降雨/雪和灌溉等事件发生，也没有较大的人类农业活动等，所以我们可以认为其土壤湿度和粗糙度恒定不变，因此根据上述OSU П(2002)模型中的同极化比公式(3a)，我们可以得到两景HH/VV影像的同极化比p1，p2分别如下：

p1，p2移项相除消去地表粗糙度ks再化简得(5)：

对(5)解方程得到求地表湿度的公式(6)：

从该式可以看出，要保证Mv有意义，必须满足θ1不等于θ2。再把(6)代入(4a)和(4b)中，得到求地表粗糙度的式(7a)或(7b)。

至此，我们得到不依赖于地面先验知识而只依靠两景HH/VV双极化影像的同极化比和不同的雷达入射角即可同时获取地表土壤湿度和粗糙度信息的半经验模型。由于该模型是在OSU П(2002)模型的基础上推演而来，因此也适合较广的地表范围。该模型应用的关键是两景时相相邻的HH/VV双极化影像，并且时相间隔内无降雨和改变地表粗糙度的人类活动发生，从而可以忽略土壤湿度及地表粗糙度的变化而假定其是恒定的。

2.2 结果分析

图1、2分别是所采用的两景预处理过的ASAR的HH/VV极化影像，预处理包括辐射标定、几何精校正、滤波等。图中间较亮的白色区域是城镇像元，这里是北京市区，黑色的斑块是湖泊水体等。由于两景影像的时间分别是2005年4月12日和4月13日，相差仅一天，期间没有降水、灌溉事件发生等，因此可以认为土壤湿度没有变化。研究选择北京昌平区的小汤山镇和顺义区的赵全营镇这两个地方，是因为作为北京市的郊区，这里地势较为平坦，因此可以忽略地形校正。主要是小麦农田，另外具有相当面积的荒地，因此可基本视为裸地和低矮植被区，来应用该模型。

由于篇幅有限，所以本研究不对粗糙度反演，而仅对土壤湿度进行反演。反演过程中，对于研究区内的城镇、道路等像元，由于这部分的后向散射系数(dB)大于零，所以令其土壤湿度为0，从而进行剔除，对于体积含水量大于1的像元，均令其为1，这部分主要是水体等。我们把反演的土壤湿度分为四个等级，其结果如图3、5所示。基于此，对于图3的小汤山镇的土壤湿度反演结果，其城镇像元大概占54.09%，土壤体积含水量在0%～10%的像元占23.68%，10%～20%的像元占7.88%，20%～30%的像元占3.56%，＞30%的像元占10.79%，其百分比分布图见4。从不同土壤湿度等级所占的百分比可以看出，土壤体积含水量主要分布在0%～30%，高土壤体积含水量的像元则较少，如果扣除掉城镇、道路等像元，土壤含水量在0%～30%的像元将会达到76.50%。

对于图5的赵全营镇的土壤湿度反演结果，其城镇像元大概占54.60%，土壤体积含水量在0%～10%的像元占22.76%，10－20%的像元占7.77%，20%～30%的像元占3.64%，＞30%的像元占11.23%，其百分比分布图见6。从不同土壤湿度等级所占的百分比可以看出，土壤体积含水量主要分布在0%～30%，高土壤体积含水量的像元较少，扣除掉城镇、道路等像元后，土壤含水量在0%～30%的像元将会达到75.26%。

因此，从上述两个镇的反演结果来看，土壤体积含水量主要分布在0%～30%，高于30%的像元则较少，基本符合模型适合的地表范围(0.04＜Mv＜0.291m3/m3，0.13＜ks＜6.98，10°＜θ＜70°)。然而，遗憾的是，这里并没有土壤水分的实测值进行验证，但结合有关的土地利用类型、历史及其他研究资料，发现反演结果比较符合实际情况。未来的研究中，将结合地面同步试验进行进一步的验证工作，以便该模型的推广应用。

本研究介绍了一种只需两景同双极化的雷达影像，不依赖地面参数的先验知识即可获得裸地表层土壤湿度和粗糙度信息的半经验模型。该模型适合较宽的地表条件，其应用的关键是两景影像的间隔时间较短，并且没有降雨、灌溉以及较强人类活动的影响，以至于这期间土壤湿度和粗糙度的变化可以忽略，而假定其恒定。然而，受影像获取限制，该研究并没有对应的地面观测数据，研究区遥感影像的时相也不是很适合，比较好的时相应该在3月初或者10月底和11月初，因为那时的裸地、荒地分布面积更大，更适合该模型的应用。

3 讨论

本研究介绍了一种适合较宽的地表条件，不需要地面先验知识而仅靠雷达影像，即可监测土壤湿度和粗糙度信息的半经验模型。该模型其应用的关键是两景影像的时相间隔较短，并且没有降雨、灌溉以及较强人类活动的影响，以至于这期间土壤湿度和粗糙度的变化可以忽略，而假定其恒定。

图3 北京市昌平区小汤山镇的土壤体积含水量反演分布图

图4 北京市昌平区小汤山镇的土壤湿度范围分类

图5 北京市顺义区赵全营镇的土壤体积含水量反演分布图

针对这种方法，利用两景ASAR影像在北京郊区进行了应用。然而遗憾的是，由于没有对应的地面实测数据验证，因此结合土地利用类型、历史及其它研究资料等，只根据反演所得的土壤湿度分布范围百分比进行了初步分析。下一步的研究中，将会加强地面试验的同步验证。然而，作为采用多极化和多时相的手段，消除粗糙度的影响从而获得土壤湿度的一种新方法，该研究将为土壤湿度的遥感监测提供一条思路。

图6 北京市顺义区赵全营镇的土壤湿度范围分类

［1］Schmugge T J.Remote sensing of soil moisture：recent advances［J］.IEEE Trans Geosci remote sens，1983，21：336－344.

［2］Engman E T，Chauhan N.Status of Microwave Soil Moisture Measurements with Remote Sensing［J］.Remote Sens Environ，1995，51：189－198.

［3］熊文成，邵芸.基于IEM模拟的干旱区多时相数据含水含盐量反演模型及分析［J］.遥感学报，2006，10(1)：111－117.

［4］张晓娟，张文吉，路晓荣等.双频多极化SAR测量深层土壤湿度［J］.电子与信息学报，2007，29(11)：2711－2714.

［5］Narayanan R M，Hirsave P P.Soil moisture estimation models using SIR－C SAR data：a case study in New Hampshire，USA［J］.Remote Sens Environ，2001，75：385－396.

［6］Romshoo S A.Geostatistical analysis of soil moisture measurements and remotely sensed data at different spatial scales［J］.Environ Geo，2004，339－349.

［7］D’Urso G，Minacapilli M.A semi－empirical approach for surface soil water content estimation from radar data without a priori information on surface roughness［J］.Hydro J，2006，321：297－310.

［8］European Space Agency，2006.ASAR product handbook［R］，issue 2.1.

［9］谭炳香，李增元，李秉柏等.单时相双极化ENVISAT ASAR数据水稻识别［J］.农业工程学报，2006，22(12)：121－126.

［10］Holah N，Baghdadi N，Zribi M，et al.Potential of ASAR/ENVISAT for the characterization of soil surface parameters over bare agricultural field［J］.Remote Sensing of Environment，2005，96：78－86.

［11］Satalino G，Mattia F，Pasquariello G，Dente L.Soil moisture retrieval from ASAR measurements over natural surfaces with a large roughness variability［A］.IEEE International Geoscience and Remote Sensing Symposium Proceedings(25th)(IGARSS 2005)，Seoul，Korea，25－29，July 2005.

［12］Mattia F，Satalino G，Dente L，Pasquariello G.Using a priori information to improve soil moisture retrieval from ENVISAT ASAR AP data in semiarid regions［J］.IEEE Transaction on Geoscience and Remote Sensing，2006，44(4)：900－912.

［13］鲍艳松，刘良云，王纪华等.利用ASAR图像监测土壤含水量和小麦覆盖度［J］.遥感学报，2006，10(2)：263－271.

［14］李森.基于IEM的多波段、多极化SAR土壤水分算法反演研究［D］.北京：中国农业科学院博士学位论文，2007.

［15］Baghdadi N，Holah N，Zribi M.Soil moisture estimation using multi－incidence and multi－polarization ASAR data［J］.Int J Remote Sens，2006，27(10)：1907－1920.

［16］Baup F，Mougin E，de Rosnay P，et al.Surface soil moisture estimation over the AMMA Sahelian site in Mali using ENVISAT/ASAR data.Remote Sens Environ，2007，109：473－481.

［17］Rahman M M，Moran M S，Thoma D P，et al.Mapping surface roughness and soil moisture using multi－angle radar imginery without ancillary data［J］.Remote Sensing of Environment，2008，112：391－402.

［18］赵少华，杨永辉，邱国玉等.基于双时相ASAR影像的土壤湿度反演研究.农业工程学报，2008，24(6)：184－188.

［19］Oh Y，Sarabandi K，Ulaby FT.Semi－empirical model of the ensemble－averaged differential Mueller matrix for microwave backscattering from bare soil surfaces［J］.IEEE Transactions on Geoscience and Remote Sensing，2002，40(6)：1348－1355.

［20］赵少华.2008.河北平原土壤湿度的遥感监测研究［D］.北京师范大学博士学位论文，北京.

［21］董彦芳，庞勇，孙国清等.ENVISAT ASAR数据用于水稻监测和参数反演［J］.武汉大学学报信息科学版，2006，31(2)：124－127.

［22］杜培军.RADARSAT图像滤波的研究［J］.中国矿业大学学报，2002，31(2)：132－137.

［23］燕英，周荫清.基于分割途径的SAR单视图像斑点噪声抑制方法［J］.北京航空航天大学学报，2003，29(2)：132－135.