基于合成孔径雷达的土壤水分反演研究进展

刘 健，郭 交*，韩文霆

（1.西北农林科技大学 机械与电子工程学院，陕西 杨凌 712100；2.陕西省农业信息感知与智能服务重点实验室，陕西 杨凌 712100；3.西北农林科技大学 水土保持研究所，陕西 杨凌 712100）

土壤水分是全球水循环中的关键变量，影响农业、生态、气候和水文等领域的水分和能量交换。在农业应用中，土壤水分是农业用水管理、农作物估产、旱情监测和变量灌溉的重要参数，因此快速精准地监测土壤水分具有重要意义[1-4]。土壤水分由于土壤特性、气候条件、植被覆盖等因素影响存在很大的空间差异性[5]。因此，传统的测量方法如取样称重法、时域反射法等很难满足当前的实际应用需求[6-7]，即在较短的时间内难以获取大范围的土壤水分空间分布信息。与传统地面单点测量方法相比，卫星遥感技术具有覆盖范围广、时效性强和成本低等特点，通过遥感数据进行土壤水分反演的方法在国内外已被广泛应用。

卫星遥感主要是光学遥感和微波遥感。光学遥感利用自然存在的辐射源包括可见光—近红外（0.38～2.5 μm） 和热红外 （8.0～14.0 μm） 辐射进行遥感观测。微波遥感（1～1 000 mm）包括被动微波遥感和主动微波遥感，前者利用微波辐射计观测土壤散射的亮温变化来监测土壤水分的变化，后者基于雷达回波信号的差异来建立土壤水分与雷达后向散射系数的关系[8-9]。光学遥感作为发展最早、技术最成熟的技术手段，在对地观测方面发挥着重要的作用，但其受云雨、昼夜影响较大，特别是无法获取植被覆盖下土壤的反射信息，导致监测土壤水分时有较大限制。微波波长较长，对地物具有一定的穿透能力，故能提供不同于可见光和红外遥感的信息。此外，微波遥感不受气候和天气等条件的限制，具有全天时、全天候观测的优势[10-12]。被动微波辐射计相比于其他微波传感器，对土壤水分具有更好的灵敏性，但由于其在空间分辨率和观测波段上的局限性，难以满足用户的需求。而合成孔径雷达（synthetic aperture radar，SAR）作为一种主动微波遥感方式，具有高分辨率、全天候及可变工作模式等优势。雷达后向散射系数与土壤介电常数之间存在一定的关系，而土壤介电常数直接受土壤水分值的影响，因此，通过建立雷达后向散射系数与土壤介电常数之间的关系，可推算出土壤水分值，这一计算过程称为反演[13-15]。

在土壤水分反演过程中，模型的局限性、传感器的差异性、反演算法的准确性等都会影响反演结果[16-17]。近年来，随着微波遥感技术及其设备迅速发展，雷达传感器的功能参数和性能指标不断完善，SAR反演土壤水分的理论研究也在不断深入，出现了诸多改进的反演算法与模型，大大提高了土壤水分的反演精度，利用SAR监测土壤水分也获得了广泛关注，已成为农业遥感的热点之一。本文介绍国内外基于SAR数据反演土壤水分的研究和应用进展，重点分析阐述裸露地表和植被覆盖地表下土壤水分反演的相关内容，指出当前基于SAR数据反演土壤水分存在的问题，并对未来发展趋势进行展望。

1 SAR监测土壤水分

SAR遥感对土壤进行观测，获取的后向散射系数σ0（辐射校正后）与观测地表地面参数和SAR系统自身参数有关。其中前者包含地表的物理特性及几何特性，后者包括系统工作的频率、微波信号的入射角度及极化方式等，其函数关系可由下式[18]简单表示：

式中：系统参数为波长（λ）、雷达入射角（θ）和极化方式（pp），地表参数为土壤粗糙度（Zs）、土壤含水量（mv）和植被参数（mveg）。当SAR观测系统确定后，工作频率、极化方式和雷达入射角随之确定，而地表粗糙度则由客观环境下的地表物理特性及几何特性所决定。

经过多年的发展，利用各种SAR数据反演土壤水分已有广泛应用，表1列出了近10年国内外典型的星载SAR系统。从中可以看出，目前SAR系统常用波段有L（15～30 cm）、C（3.75～7.5 cm）、X（2.5～3.75 cm）波段，不同频率下获取的地物散射特性不同，可用于监测土壤水分、海冰和作物含水量等不同目标。L、C、X波段对地表或植被均具备一定的穿透能力，其中C波段对地表土壤的穿透深度为5 cm左右，常用来反演地表土壤水分。这些SAR系统均具有双极化或全极化工作模式，相比于单极化，多极化方式可以获取观测目标更丰富的散射信息。随着微波技术的不断发展，分辨率和重访周期逐渐提高，未来的SAR数据会具有更高的时空分辨率，为及时获取地表土壤水分提供了依据。

表1 国内外主要星载SAR系统Table 1 Main spaceborne SAR systems in China and abroad

2 裸露地表土壤水分反演

2.1 单时相SAR数据反演土壤水分

在裸露地表情况下，地表植被覆盖可忽略不计，后向散射系数σ0主要受土壤水分和土壤粗糙度的影响。土壤粗糙度通常由均方根高度s（地表垂直方向）和相关长度l（地表水平方向）来表示，为方便计算，有研究将两者组合成一个参数进行考虑。由于土壤表面条件的不同和微波遥感数据的差异性，所以组合的粗糙度参数会呈现不同的表达形式。Zribi等[19]采用组合粗糙度Zs=s2/l来计算地表的粗糙状况，建立了Zs与不同角度下后向散射系数之间的经验关系。陈晶等[20]和余凡等[21]分别提出了的组合粗糙度参数用于反演土壤水分。通过地面实测数据可以有效去除土壤粗糙度影响，但工作量大，故有学者利用多波段、多角度及多极化的散射数据，建立了土壤水分反演的经验模型[22-31]，Oh模型就是其中常用的一种，该模型如式（2）至式（4）所示，模型的适用条件为：0.04＜mv＜0.291，0.13＜ks＜6.98，10°＜θ＜70°。

式中：θ为雷达入射角；mv为土壤体积含水率；s为均方根高度；k为自由空间波数（k=2πf/c，f为频率，c为光速）；p为同极化比；q为交叉极化比。首先由式（2）和式（3）求解得mv1和s1，由式（4）求解得s2，然后代入式（2）和式（3）求得mv2和mv3，最后土壤水分值取三个计算结果的平均值。

Merzouki等[32]基于Oh模型验证农田土壤水分反演的性能，结果表明，模型可用于反演田间尺度的土壤水分，但反演模型的准确性需进一步提高。Pierdicca等[33]利用Oh模型反演裸露地表的土壤水分，虽然反演预测结果较好，但由于验证的数据量小反演结果可信度有待提升。Sahebi等[34]利用Radarsat-1数据基于Oh模型反演裸露农田地表水分，但由于Radarsat-1重访周期长，土壤水分容易受雨水、强蒸发等影响，反演结果实用性不强。尹楠等[35]利用同极化方位角修正Oh模型，将模型拓展应用于反演垄行结构的耕地表层土壤水分，对垄行结构耕地的旱涝监测有参考价值。Oh模型是通过实测数据得到的适用于一定区域的散射模型，虽然可以直接用于反演土壤水分，但Oh模型依赖于特定研究区域和地表情况，土壤体积含水量、地表均方根高度和雷达入射角需要符合模型适用条件，因此，导致其应用范围比较窄。虽然具有一定的局限性，但该模型计算简单且能模拟微波散射特性，对定量反演和监测土壤水分起着重要作用。

在传统模型存在限制的情况下，机器学习方法被应用于土壤水分反演中。土壤水分和后向散射系数等影响因子之间的相互关系可看作复杂的非线性函数问题，选择适合的核函数进行耦合，通过空间变换可实现其线性可分性。在利用机器学习算法反演土壤水分时，人工神经网络（artificial neural network，ANN）和支持向量回归 （support vector regression，SVR）是常用的两种方法。Paloscia等[36]基于人工神经网络反演土壤水分，结果表明，尽管X波段波长的穿透能力较低，但SAR信号对土壤水分变化比较敏感。Notarnicola等[37]利用不同频率、极化和入射角的数据基于ANN反演土壤水分，从训练结果可以看出，随着数据量增加，土壤水分反演的误差逐渐减小。余凡等[38]提出了基于神经网络的主被动遥感数据协同反演土壤水分算法，这为融合使用光学和雷达遥感数据提供了参考。Zhang等[39]研究了TerraSAR-X和Radarsat-2数据反演土壤水分的可能性，结果表明，SVR模型利用Radarsat-2数据获得的结果相比TerraSAR-X数据略有改进，而同时采用两种SAR数据时土壤水分反演的准确性进一步提高。机器学习算法能够融合不同传感器数据，可以加入各种植被指数、地面高程数据及局部入射角等参数。此外，机器学习模型没有适用条件的限制，容易拓宽适用范围，例如应用在植被覆盖地表或山区，在土壤水分反演中有广阔的发展和应用前景。

2.2 多时相SAR数据反演土壤水分

对于裸露地表而言，雷达后向散射系数主要受土壤水分和土壤粗糙度的影响，利用单时相微波数据可以基于极化差和入射角来计算土壤粗糙度，但是间接计算的土壤粗糙度存在较大误差，进而会影响土壤水分反演精度，故有学者开始研究利用多时相数据进行土壤水分反演[40-44]。基于多时相数据反演土壤水分的理论基础在于当获取重复观测的SAR影像时，地表状况的变化相较于土壤水分没有变化或变化缓慢。这里的地表状况主要指地表粗糙度和地表植被，则最终时序内的雷达后向散射系数的变化可认为仅由土壤水分的变化引起。

Wickel等[40]利用多时相Radarsat影像监测采收后农田的土壤水分，实验结果证明雷达后向散射系数的变化与土壤水分的变化有着一致性，两者的相关系数达到了0.89。张祥等[41]在土壤粗糙度恒定的情况下，首先利用模拟数据分析雷达后向散射系数变化与土壤水分变化之间的关系，验证了变化检测模型用于估算土壤水分变化的合理性。Balenzano等[42]基于多时相反演的理论基础提出了Alpha近似模型，该模型旨在利用2个时相雷达后向散射系数的比值消除地表粗糙度和植被对雷达后向散射系数的影响，进而计算出土壤水分的绝对值，实验结果表明土壤水分的反演精度较高。Alpha近似模型如式（5）所示。

式中：σ0为雷达后向散射系数；εs为土壤相对介电常数；θ为雷达入射角；PP为极化方式（HH或VV，同向极化）；αPP为极化幅度，是雷达入射角和土壤介电常数的函数；T1和T2为雷达数据获取时间。

Alpha近似模型是利用多时相数据提取土壤水分的常用模型，先获取相同观测地区不同时间的数据，进而建立后向散射系数比值和土壤水分的关系来反演土壤水分。何连等[43]简化了原始的Alpha近似模型，在求解观测方程组时无需依赖于地面实测数据，他们先验证了上述改进方法在农田玉米地土壤水分反演中的正确性，然后利用多期Sentinel-1 SAR数据构建方程组得到了土壤水分的绝对值。陈婷婷等[44]认为两个时相雷达观测的入射角不同，这在一定程度上会影响后向散射系数的大小，他们进一步改进了Alpha模型，将时间序列SAR数据入射角的变化考虑进来，利用Sentinel-1 SAR数据及地面的土壤水分观测数据验证提出的算法。结果表明，改进后的Alpha模型精度有所提高。在观测期内，土壤地表状况会受耕种等人为活动影响，地表植被也会随时间生长，从而导致模型理论基础不成立，故此方法难以用于反演长时间序列的土壤水分。总体而言，通过多时相数据消除地表粗糙度和植被覆盖的散射影响，有助于简化反演过程，为土壤水分反演提供了一种新思路。

3 植被覆盖地表土壤水分反演

3.1 极化SAR数据反演土壤水分

土壤表层通常存在植被覆盖，如农田地表常有小麦、油菜、玉米等不同农作物。植被会产生复杂的散射，从而降低雷达信号对土壤水分的敏感性，因而反演时需要将植被的散射贡献从总的后向散射中分离出来，以消除植被覆盖的影响。水云模型常用来分离植被部分的影响[45-47]，也可以直接通过不同的植被指数来表征植被影响。水云模型如式（6）至式（8）所示。

水云模型中VWC是受植被覆盖疏密影响的参数，A和B分别为取决于植被类型的参数，对于不同研究区该模型的参数需重新计算，因此，有学者直接通过植被指数来考虑植被覆盖影响，并没有对总的雷达后向散射系数进行分离。Emanuele等[53]基于人工神经网络利用多时相C波段SAR数据反演土壤水分，利用归一化植被指数信息来衡量植被覆盖，然后反演土壤水分。郭交等[54]利用Sentinel多源数据构建了农田地表土壤水分反演模型，验证结果表明模型反演结果与当地降雨情况吻合，对反演土壤水分有一定的参考价值。Holtgrave等[55]利用Sentinel-1和Landsat-8数据对洪涝区的土壤水分进行反演，通过归一化植被指数（normalized different vegetation index，NDVI） 确定植被的影响。结果表明，该模型适用于反演洪涝区的土壤水分。这些模型在其所选研究区域内均有着较好的反演效果，但缺乏更大范围的实际验证。为了改进和完善这些模型，未来需在更加复杂、更多地表植被类型覆盖区域进行实验验证。

3.2 极化分解SAR数据反演土壤水分

近年来，随着极化分解理论的发展，各种极化分解方法也逐渐应用于反演土壤水分。该方法首先对极化SAR数据进行目标分解，得到不同类型的特征参数，然后建立特征参数及其组合与土壤水分之间的关系，进而反演出土壤水分值。Özerdem等[56]利用极化分解模型分解出各种特征向量，然后基于广义回归神经网络建立特征参数和土壤水分之间的关系，但由于缺乏对植被和粗糙度参数的地面测量，部分结果缺乏验证。Wang等[57]利用双参数（表面和体积）C波段极化分解方法对Radarsat-2数据进行极化分解，可以较好地反演农田的土壤水分。Hajnsek等[58]采用L波段的极化SAR数据，利用表面、二面角和植被散射的简单规范模型来模拟散射过程，然后利用极化分解获取的表面和二面角参数来反演土壤水分。王平等[59]基于Freeman极化分解技术分解Radarsat-2全极化数据，可以较好地反演贵州省喀斯特高原山区团棵期烟田的土壤水分。不同作物的极化散射特性不同，不同极化分解方法也存在着差异性，今后应当对地物极化散射特性进行更深入的研究，提高极化分解方法的适用性。在植被覆盖的地表条件下，通过极化分解SAR数据反演土壤水分是一种新的思路，具有较大的潜力。

4 反演问题和展望

微波遥感反演土壤水分有着监测范围广、周期短等优势，随着合成孔径雷达技术的进一步发展及相关反演算法的改进完善，微波遥感监测土壤水分在实际应用中具有广阔的前景。然而，遥感观测土壤水分与实际应用需求依然存在一些差距，通过分析国内外在土壤水分反演方面的现状发现存在如下三个问题。

4.1 土壤水分反演模型准确性不高

SAR遥感监测土壤水分时，地表粗糙度和地表植被覆盖是两个关键的影响参数，因此，如何降低这两者对微波遥感反演土壤水分的影响是研究中的重难点。目前常用方法是利用多时相、多极化、多入射角雷达数据来最大限度地减少土壤粗糙度和植被覆盖的影响，但这些算法仍存在的问题是对地物的散射缺乏机理性研究。地物微波散射机理十分复杂且不同对象散射特性差异较大，因此，在反演土壤水分时需要考虑覆盖的植被类型和研究区的土壤类型。针对这一问题，今后应充分研究各种地物散射体的物理机理，一是融合不同地表的微波散射模型，更加全面地理解地物微波散射机制，二是加强不同作物对不同极化方式后向散射系数的影响与作用机理研究，提高土壤水分反演准确性。

4.2 土壤水分反演方法普适性不足

当前土壤水分的反演方法主要是利用遥感数据与土壤实测数据之间的关系建立的，微波传输机理比较复杂，云雨天气和昼夜时期获得的遥感数据存在区别。另外，农田、湿地、盐碱地等不同地表类型的土壤状况不同，所以土壤实测数据也会有差异。虽然这些土壤水分的反演方法理论基础相同，在各自区域研究中有较好的效果，但在其他区域却难以有理想的反演效果，暂时无法推广应用到整个自然地表状况，所以土壤水分反演方法的普适性需要进一步提高。针对这一问题，今后可探索仅仅利用遥感参数建立反演模型，这种不依赖于土壤实测数据的反演模型将有效提高模型的普适性。

4.3 土壤水分反演结果时空分辨率不高

时间分辨率和空间分辨率是卫星遥感的两个关键参数，但是目前卫星的时空分辨率过大，例如Sentinel-1雷达卫星干涉宽幅模式下的GRDH数据空间分辨率为5 m×20 m，时间分辨率为6天，暂时难以精准高效地指导农业生产活动。随着雷达传感器功能参数和性能指标不断增强与完善，遥感卫星也朝着高时空分辨率、多波段和多极化的方向发展，其重访周期不断缩短、分辨率不断提高、获取的观测数据更加丰富，通过融合不同观测模式（多波段、多极化、多角度）的数据[60-62]或者其他类型卫星数据[63-68]是反演土壤水分的重要趋势。另外，机载和无人机遥感克服了星载遥感时空分辨率的限制，可以更快、更精确地获取目标数据，将星载、机载和无人机遥感相结合将是未来的研究热点，这将有助于实现区域土壤水分高时空分辨率的动态监测。

5 结语

本文从SAR监测土壤水分、裸露地表土壤和植被覆盖下地表土壤水分反演三个方面对SAR数据反演土壤水分的应用进展进行系统性介绍和分析，指出当前SAR反演土壤水分存在的问题，并对未来发展趋势进行展望。虽然遥感反演土壤水分的研究仍面临一些问题，但与其他监测方法相比，遥感反演方法有着快速便捷、监测范围广等明显优势。随着对SAR技术的深入研究，以及充分发挥卫星、航空、地面协同对地观测能力，融合星-机-地遥感数据，不断完善土壤水分反演模型和算法，合成孔径雷达监测土壤水分技术将具有广阔的发展前景。