基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分

李伯祥, 陈晓勇,2,3, 徐雯婷

(1.东华理工大学 测绘工程学院, 南昌 330013; 2.流域生态与地理环境监测国家测绘地理信息局重点实验室, 南昌 330013; 3.江西省数字国土重点实验室, 南昌 330013)

土壤水分在地表径流过程、能量平衡和碳循环中扮演着重要的角色，是主导农作物长势和产量的一个主要因素，也是干旱监测一个重要指标[1]。土壤供水不足会导致作物正常生长发育受阻，影响作物长势和产量，严重时作物会由于土壤水分亏缺而歉收甚至绝收[2]。传统土壤水分监测方法主要有烘干称重法、张力计法、中子水分仪法和时域反射仪法[3]，这些方法可以测量不同深度层次的土壤湿度，但是需要耗费大量的人力实地采样，作业成本较高，并且只能基于点位测量。相比于传统有限的基于监测站点进行土壤水分监测评估，遥感技术让动态、实时、大范围土壤水分监测变为了可能[4]。

光学遥感手段只能获取土壤浅表层的水分信息，而微波则具有一定的穿透性，根据微波波段长度不同可以获取不同深度的土壤水分信息。此外，微波遥感具有全天候、全天时、穿透能力强等特点，而光学遥感容易受到云、雨等天气因素的影响，在数据时序获取连续性方面有所不足[5]。主动微波空间分辨率高，目前如Sentinel-1卫星米级空间尺度的主动微波数据已在土壤水分反演方面有着广泛的应用，但是主动微波数据量大、数据处理复杂、对地表形态和植被覆盖密度比较敏感。被动微波探测土壤水分变化比较敏感，土壤水分反演精度高，对地观测重复周期短，而且数据量小，数据处理简单，但是空间分辨率通常为几十千米因此，相比于单一传感器，主被动微波传感器联合反演土壤水分可以优势互补，提高反演精度和空间分辨率，满足土壤含水量监测精细化、高效性和实时性的要求[6]。

主被动微波协同反演地表土壤水分已受到各国不同研究机构众多学者的重视[7-8]。相比于裸露地表，农作物种植区的地表土壤水分反演更加复杂，植被覆盖程度的差异会干扰微波散射信号，从而降低微波反演土壤水分的精度。因此，建立一种主被动微波结合有效降低植被影响的土壤水分高精度反演模型具有广阔的应用前景和实用价值。本文利用FY-3B气象卫星的被动微波数据计算微波极化差异指数(MPDI，Microwave Polarization Difference Index)，建立农田试验区域的植被(玉米)层含水量反演模型，然后结合植被含水量反演模型和水云模型，建立一种覆盖植被层的农田土壤水分反演半经验模型，最后利用实测土壤水分样点数据对模型进行验证与精度分析。

1 材料与方法

1.1 研究区概况

本次主被动微波遥感协同反演农田土壤水分的研究区位于河北省衡水市景县地区，平均海拔30 m以下，地形以平原为主。土壤水分采样点地理区域经纬度范围37°30′—37°40′N，116°10′—116°20′E，采样区域内主要种植作物为玉米。土壤水分采样点数量一共21个，采样深度0～5 cm，样本用铝盒封装(图1)带回室内，用精度为0.1 g的天平对其测重，然后将装有土壤样品的铝盒放进烤箱中加热48 h直至恒重，再测其重量。采用烘干称重法测定的是土壤质量含水量，需要结合采样区的土壤容重将土壤质量含水量数值转换为体积含水量。采样点位坐标信息使用手持式GARmin-eTrex301(GPS+GLONASS双系统定位，定位精度1～3 m)进行记录。

图1 土壤水分样品采集及野外观测

1.2 数据获取与处理

1.2.1 遥感数据 主动微波数据源选择Sentinel-1 A的地距产品(GRD，Ground Range Detected)，空间分辨率为5 m×20 m，由于没有9月8日的景县过境的卫星遥感影像，经查看相关历史天气信息，景县土壤水分采样日期的一周内并未出现降雨，土壤水分未出现大幅度波动，因此采用可获取的最近日期的9月12日Sentinel-1 A影像做土壤水分分析。Sentinel-1 A搭载C波段微波传感器，频率为5.4 GHz，VV+VH双极化模式，重返周期为12 d[9]。使用欧空局提供的SNAP软件对GRD影像预处理，包括滤波、辐射定标、几何校正和地理编码。滤波器使用Speckle Filtering工具模块中的Refine Lee滤波器，该滤波器可以有效对SAR影像进行斑点抑制，消除平坦区域斑点噪声同时保留图像边缘信息[10]。辐射定标公式为：

(1)

被动微波数据选择9月8日过境的FY-3B MWRI L1级数据。我国第二代极轨气象卫星FY3系列卫星上搭载了先进的微波成像仪(MWRI，microwave radiation imager)，设置5个频率通道——10.65，18.70，23.80，36.50，89.00 GHz，每个频率都有H和V极化模式，MWRI具体参数见表1。MWRI提供可提供全天候、全天时地表温度、土壤湿度、洪涝干旱、积雪深度、台风结构、大气含水量等丰富的信息[11]。其中36.5 GHz的H极化和V极化计算获得的微波差异极化指数MPDI对植被含水量具有良好的指示作用[12]。L1级数据包含坐标和定标信息，标准格式HDF。

表1 FY-3B MWRI微波成像仪通道特性

地表植被覆盖情况使用欧空局(ESA，European Space Agency)提供的9月7日的Sentinel-2A L1C数据计算归一化植被指数(NDVI，Normalized Difference Vegetation Index)进行分析。Sentinel-2A L1C数据已经经过几何精校正，并没有进行辐射定标和大气校正。因此，借助ESA提供的Sen2Co工具实现辐射定标和大气校正处理。然后利用ENVI的波段运算工具Bandmath计算研究区NDVI，剔除NDVI小于0.1的裸土区、岩土区、建设区、水体等区域，NDVI大于0.1的为景县种植玉米等农作物的农田区域。式(2)为NDVI的计算公式，BNIR为近红外波段，BR为红光波段。

(2)

1.2.2 实测数据 原始土壤水分数据需要数值换算处理，将质量含水量转为体积含水量。土壤体积含水量θv和土壤质量含水量θm转换公式如下：

θv=θm×sc

(3)

其中sc为土壤容重，取1.42 g/cm3。21个采样点土壤体积含水量测定结果见表2，采样点土壤体积含水量区间范围为0.0406～0.3568 cm3/cm3，标准偏差为0.073 7 cm3/cm3，平均值为0.163 9 cm3/cm3。

1.3 土壤水分反演半经验模型建立

相比于裸露地表，农田区域往往种植了大量的农作物，作物类型、作物结构、覆盖密集度等因素都会对该区域的土壤水分反演结果产生重要影响。Attema和Ulaby基于辐射传输方程提出了经典的水云模型方程[13]，该模型假设植被层为水平均匀的云层；忽略植被与土壤表面的多次散射；模型中的变量仅为植被高度、植被含水量和土壤湿度[14]。水云模型简单实用，在植被覆盖区域的土壤水分反演方面有着广泛的应用，其表达式为：

(4)

(5)

T2=exp(-2BMvsec(θ))

(6)

表2 土壤水分实测数据

微波极化差异指数MPDI主要由植被光学厚度τ和μ决定，而光学厚度τ则是影响植被含水量的重要因子[15]。因此可以通过FY-3BMWRI的被动微波数据计算农田区域MPDI，间接获取农作物含水量信息，去除植被含水量对水云模型土壤水分反演的影响。MPDI计算公式为：

(7)

式中：Tbv和Tbh分别是FY-3BMWRI微波成像仪36.5 GHz通道的V极化和H极化亮度温度值。研究表明，MPDI和植被含水量Mv之间存在非线性关系[16]，本文在前人的研究基础上[17]对植被含水量非线性方程做出修改，如(8) 式所示。

Mv=aMPDI2+b

(8)

(9)

将式(8)和式(9)代进水云模型中，式(6)的exp[-2BMvsec(θ)]项泰勒近似为1-2BMvsec(θ)，由此推导出土壤水分反演半经验模型：

Ms=k1+k2σ0+k3σ0secθ+k4σ0MPDI2secθ+k5MPDI4+k6MPDI2+k7MPDIcosθ+k8cosθ

(10)

式中：k1—k8为拟合系数，通过最小二乘法拟合求解。土壤水分反演技术路线见图2。

21个土壤水分采样点随机分为建模组和验证组，8个土壤水分采样点数据用于求解系数，建立微波土壤水分反演半经验模型，另外13个土壤水分采样点用于模型检验，两组样本点统计信息表3所示。选取判定系数R2、均方根误差RMSE(Root Mean Square Error)、平均绝对误差MAE(Mean Absolute Error)、最大误差值MaxE(Maximum Error)和最小误差值MinE(Minimum Error)作为模型精度验证指标。

表3 实测土壤含水量样本点统计信息

图2 土壤水分反演技术路线

2 结果与分析

(11)式是由Sentinel-1A VV极化后向散射系数、微波入射角、微波极化差异指数MPDI和8个随机样点的土壤体积含水量数据通过最小二乘拟合得到的方程，式(12)为Sentinel-1A VH极化后向散射系数、微波入射角、微波极化差异指数MPDI和8个随机样点的土壤体积含水量数据最小二乘拟合得到。

Ms=-0.616-2.267σ0+8.898σ0secθ-18524.930σ0

MPDI2secθ-531.541MPDI2+101.231

MPDIcosθ-0.722cosθ

(11)

Ms=2.841-19.963σ0+0.331σ0secθ+46644.771σ0

MPDI2secθ-10291.233MPDI2+410.723

MPDIcosθ-6.538cosθ

(12)

通过(11)式和(12)式计算土壤水分反演值，13个验证组的土壤水分实测值和反演值的对比分析结果如图3所示，表4则是Sentinel-1 VV极化和VH极化反演精度分析。Sentinel-1A VV极化模型的决定系数R2达到0.742 2，均方根误差RMSE为0.067 4 cm3/cm3，平均绝对误差MAE为0.030 5 cm3/cm3，最大误差值MaxE为0.119 6 cm3/cm3，最小误差值MinE为0.002 4 cm3/cm3。而VH极化模型的决定系数R2为0.189 8，均方根误差RMSE为0.076 8 cm3/cm3，平均绝对误差MAE为0.047 4 cm3/cm3，最大误差值MaxE为0.193 3 cm3/cm3，最小误差值MinE为0.019 0 cm3/cm3。两个模型的验证结果对比分析可知，VV同极化方式的反演精度优于VH交叉极化方式，VV极化方式对土壤水分变化具有更高的敏感性，能更好地反演研究区土壤水分分布情况。图4为两个半经验模型的土壤水分采样点区域的土壤水分反演情况，可以看到VH极化模型的土壤水分反演值普遍偏低，土壤体积含水量区间范围集中在0～0.1 cm3/cm3；VV极化模型的土壤体积含水量区间范围集中在0.1～0.2 cm3/cm3，更符合实际情况。白色空白区域为剔除的NDVI值小于0.1植被覆盖度较低的区域。

3 讨 论

微波遥感卫星反演土壤水分的发展已有四十年的历史[19]，可是由于微波遥感设备费用高昂、反演过程机理复杂以及微波遥感数据共享性不足，微波遥感反演土壤水分还未被大众所认知。由于微波反演土壤水分涉及地表粗糙度、植被覆盖度和土壤质地等多个方面的参数[7]，而这些参数的获取往往会受到一定的限制，如何充分利用微波数据源的各种辅助信息(如频率、极化方式等)，降低对实地测量数据的依赖性，快速、便捷地获取大范围区域土壤水分分布情况是一直以来的研究热点。2015年发射的SMAP(Soil Moisture Active/Passive)卫星上同时搭载了主动和被动微波传感器，可实现全球范围土壤湿度监测，这是一次主被动微波协同工作获取大范围地表土壤水分分布的有益尝试[20]。

表4 两种极化方式反演精度分析cm3/cm3

图3 土壤体积含水量反演结果和实测数据验证对比分析

图4 不同极化模型土壤水分反演结果

本文在前人研究的基础之上[17]，结合主被动微波各自优势与特点，以景县玉米农田野外试验验证了主被动微波协同反演植被覆盖区农田土壤水分的可行性。VV极化条件下土壤水分的反演精度优于VH极化方式，这与已有的研究成果相一致[21]。但是，Sentinel-1A与全极化模式(VV/HH/VH/HV)相比只有VV/VH双极化模式，在信息获取利用方面有所不足。另一方面，Sentinel-1A重复观测周期为12 d，即使和Sentinel-1B组成双星观测星座，重复过境周期也为6 d，在时间分辨率方面有所不足。与Sentinel-1A相比，国产高空间分辨率(1 m)全极化的SAR卫星高分三号优势明显[22]，随着高分三号数据的逐步开放，可与国产FY-3系列搭载的MWRI被动微波传感器协同工作，提供高时空分辨率、高精度、大范围的地表土壤水分产品。本次景县野外试验只采集了一天的土壤样本数据，采样点数量有所不足。今后，将会考虑获取研究区多天或一个作物生长季的土壤水分数据，从时间序列角度分析植被覆盖区域农田土壤水分变化，使建立的土壤水分反演模型更加精准、合理和完善。水云模型是一种半经验模型，其优点是模型输入参数少，减少野外观测工作量，但是缺点是模型的普适性差，往往只对研究区某段时间土壤水分反演建模具有参考价值。下一步工作将尝试其他半经验模型或物理模型，满足主被动遥感协同反演土壤水分高精度、高适用性的要求。

4 结 论

本文基于Sentinel-1A主动微波数据和FY-3B MWRI被动微波数据，以微波极化差异指数MPDI计算植被含水量，并结合水云模型和野外实地考察获取的土壤水分实测数据，建立研究区半经验土壤水分反演模型，实现了主被动微波遥感协同反演植被覆盖区农田土壤水分。主要得出以下结论：

(1) 农田植被覆盖程度会对土壤水分反演产生较大的影响，本文利用FY-3B WMRI的36.5 GHz频段的V，H极化模式数据计算微波极化差异指数MPDI，有效降低了植被含水量对于土壤水分反演的影响，取得良好的效果。

(2) 验证对比了两种Sentinel-1A极化方式下半经验模型的土壤水分反演精度，结果表明VV极化模型R2=0.742 2，RMSE=0.067 4 cm3/cm3，MAE=0.030 5 cm3/cm3，MaxE=0.119 6 cm3/cm3，MinE=0.002 4 cm3/cm3；VH极化模型R2=0.189 8，RMSE=0.076 8 cm3/cm3，MAE=0.047 4 cm3/cm3，MaxE=0.193 3 cm3/cm3，MinE=0.019 0 cm3/cm3。整体而言，VV极化模型土壤水分反演结果优于VH极化模型，这是因为VV极化方式具有较强的穿透性，而且对土壤水分含量变化也更为敏感，而VH极化方式会受到植被层衰减作用影响较大。

(3) 相比于复杂的物理方程微波土壤水分反演方法，本文的半经验土壤水分反演模型只需要输入3个参数(微波极化差异指数MPDI、微波入射角θ和VV/VH极化方式后向散射系数σ0)便可定量反演土壤体积含水量，且这个3个参数都可从微波遥感数据中获取，减少对实测地表参数的依赖性，为植被覆盖区农田土壤水分反演提供了新思路和有力支撑。