利用被动微波遥感提高土壤湿度分辨率

柴莉华　鲁梦华　米嘉莹

【摘 要】土壤湿度对于河水监测预报、水文模型的建立、气象模型等至关重要，被动微波遥感凭借范围广、对土壤湿度敏感、周期快等优点，在反演土壤湿度方面越来越普遍。但其分辨率较低，提高其分辨率成为广大学者研究的重点。本文对国内外提高其分辨率的方法进行总结研究并提出建议。

【关键词】被动微波遥感；土壤湿度；分辨率

0 背景

在进行河水监测预报、水文模型的建立、气象模型等都需要大尺度的土壤湿度数据；为了应用于不同尺度的模型，不同分辨率的土壤湿度数据的需求越来越大。但如此重要的物理量在目前的方法中却没有得到广泛的应用，其主要原因是土壤湿度时间和空间的变化率非常大，使得大范围的观测极其困难。

微波遥感凭借其范围广、周期短等优势，同时对目标具有一定的穿透能力，不受云、雨、雾的限制，所监测到的数据很少受到土壤表面低矮植被覆盖的影响，在空间、时间大尺度上反演的土壤湿度就更具连续性和准确性。

在过去的几十年中，已经发展了很多从雷达后向散射、微波遥感亮度温度等数据中获得近地表土壤水分的方法。这些方法的主要依赖于以下两点：（1）微波遥感数据和土壤水分含量的物理联系较强（特别是低频波段，如L波段）；（2）不同传感器获得的观测值的空间/时间分辨率不同。微波数据比热红外数据与土壤湿度的关系更直接[1]。

虽然微波数据对土壤湿度的敏感性很高，但受成像原理、被动微波遥感器件的限制，其空间分辨率较低，约为几十公里（SMOS MIRAS数据为40km，AMSR-E数据为25km，FY数据为25km），为了使被动微波土壤湿度数据能更广泛的应用于各种需要高空间分辨率土壤湿度的学科，提高空间分辨率就成为急迫解决的问题之一。

国内外已经发展了很多提高被动遥感分辨率的方法。这里主要介绍仪器改进方法和数据结合改进方法。

1 仪器法

尺寸天线是监测表面土壤湿度辐射计在空间展开的重要因素，针对真实孔径辐射计，主要通过加大天线的尺度得到较高的空间分辨率。即使在低地球轨道上，21cm长波条件下，到达10km空间分辨率也需要20m×20m数量级的天线，这样的天线在实际情况下是不可能实现的。

在高分辨率对地微波遥感中，综合孔径辐射计作为一新型微波遥感仪器，避免了传统全功率辐射计大口径天线设计及机械扫描带来的困难，成为国际上的研究热点。

2 数据结合法

2.1 主被动微波数据相结合

Chauhan[2]在1997就提出了用主被动数据相结合的方法计算有植被覆盖的土壤湿度。Narayan等[3]的被动反演使用了迭代算法，不能很好地反映物理量之间的相互影响关系，并且需要输入大量的辅助数据。黄兴忠等提出利用基尔霍夫标量近似下的双尺度模型，利用互易性原理得到热发射率，从而将主被动遥感数据结合起来估算土壤湿度，真实值和估算值之差0.04vol/vol[4]。赵天杰等[5]通过建立相关模型，反演土壤水分，地面同步测量数据的验证结果表明，该方法充分发挥了主被动微波数据各自的优势，同时避免了主被动协同过程中的尺度问题，为流域尺度的土壤水分监测提供了一种新的有效途径。

虽然主被动结合计算得到得效果较好，但是主动微波数据一般都比较昂贵，在大面积和大的时间尺度上应用仍然有一定的困难。

2.2 光学数据与被动微波数据相结合

Chauhan[6]在2003年提出利用近红外数据、可见光将被动微波数据的分辨率提高；这种方法使用的参数较多，且只适用于特定的区域。Merlin[7]中利用植被覆盖度、土壤蒸散率和泰勒展开式的线性成分将SMOS土壤湿度数据（40km）和MODIS数据（1km）结合，得到了10km分辨率的土壤湿度（反演得到的土壤湿度与真实值的均方根误差为1.7vol/vol%，相关系数为0.84）。Merlin[8]在此基础上，使用三种植被覆盖度、三种土壤蒸散率和四种降尺度关系共36种组合算法，得到了4km分辨率的土壤湿度，结果发现：混合二维导数的降尺度方法和指数模型的土壤蒸散量相结合的方法反演得到的土壤湿度与真实值的均方根误差为0.012vol/vol%，相关系数为0.90。王安琪等[9]在北京市延庆县使用相同的降尺度方法将被动微波土壤湿度25km的分辨率提高为1km，结果表明反演得到的土壤水分含量与TVDI的趋势一致。

3 总结与建议

（1）目前，虽然综合孔径辐射计是提高被动微波遥感土壤湿度的主要方法，但此技术在短期内仍不能解决；

（2）光学数据和微波数据相结合得到的土壤湿度数据虽然没有主被动结合数据得到的精确度高，但是光学数据和微波数据都是可以免费获取的，这使得这种方法在大面积大时间尺度上应用更为便利；

（3）学者们已经将被动微波遥感的分辨率从25km提高到10km、4km、1km，其分辨率是否能无限提高，这是一个值得继续研究的问题。

【参考文献】

[1]Kerr， Y. H.，Waldteufel，P.， Wigeneron，J.p. et al. Soil moisture from space： where are we？[J]. Hydrogeology Journal， 2007，15：117-120.

[2]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.

[3]Narayan U， Lakshmi V， Jackson T J. High-resolution change estimation of soil moisture using L-band radiometer and rada observations made during the SMEX02 experiments[J]. IEEETransactions on Geoscience and Remote Sensing， 2006， 44（6）：1545-155.

[4]黄兴忠，金亚秋.利用主被动遥感数据估算土壤湿度和粗糙度的新方法[J].电波科学学报，1996，11（1）：27-32.

[5]赵天杰，张立新，蒋玲梅.利用主被动微波数据联合反演土壤水分[J].地球科学进展，2009，24（7）：769-775.

[6]Chauhan， N. S.， Miller， S.， & Ardanuy， P. . Spaceborne soil moisture estimation at high resolution： A microwave–optical/IR synergistic approach[J]. International Journal of Remote Sensing， 2003，24（22）：4599-4622.

[7]Merlin O， Walker J P， Chehbouni A et al. Towards deterministic downscaling of SMOS soil moisture using MODIS derived soil evaporative efficiency[J]. Remote Sensing of Environment， 2008，112：3935-3946.

[8]Merlin O， Bitar A， Walker J， et al. An improved algorithm for disaggregating microwave-derived soil moisture based on red， near-infrared and thermal-in-frared data[J]. Remote Sensing of Enviroment，2010，114：2305-2316.

[9]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，2012，5（14）：652-657.

[责任编辑：汤静]