土壤水分遥感反演研究现状

【摘 要】 土壤水分（Soil Moisture， SM）在气候系统中起着重要作用，影响大气条件、水文过程和植被状态。为了改善天气和气候预报以及水文模拟，需要对土壤水分进行监测。本文将从基于遥感数据的土壤水分的反演具有更大的实用性入手，简要回顾了经典的土壤水分反演的算法，重点介绍基于光学遥感和基于光学遥感与微波遥感的协同反演土壤水分的最新研究，以及利用神经网络等新的技术方法进行土壤水分反演进展，通过分析各种算法的研究进展，展望土壤水分反演研究的发展前景。

【关键词】 土壤水分 遥感 反演 研究现状

1 引言

土壤的水分状态和变异性控制着许多水文和生态过程以及土地表面与大气之间的能量和水交换[1]。土壤水分在陆地表面发生的水和能量交换起着重要作用。相较于传统的基于站点的土壤水分观测、基于气象数据和基础地理数据的土壤水分计算与模拟，基于遥感数据的土壤水分反演具有更大实用性。20世纪60年代学者开始利用遥感方法监测土壤水分，微波遥感监测土壤水分也已有30多年的历史，已逐渐发展形成了一些比较成熟的评价指数和算法。本文将简要介绍土壤水分反演算法的研究现状。

2 土壤水分反演方法

2.1 基于光学遥感反演土壤水分的方法

广义的光学遥感包括可见光—近红外—热红外三部分的波段范围。目前在可见光—近红外波段，常用的方法是利用Landsat或MODIS等多光谱数据构建相应指数来反映土壤含水量。地表温度（LST）和植被指数（NDVI）都是反映地表土壤水分的重要生态物理参数，因此，LST和NDVI组合方法成为土壤含水量的一种重要手段[2]。

Hope[3]利用LST与NDVI的比值定义温度植被指数来定量反演土壤含水量，该方法是目前应用广泛的土壤水分遥感监测方法。温度植被干旱指数（Temperature Vegetation Dryness Index， TVDI）是一种通过反演土壤水分来反映土壤干旱状况的重要方法[4]。目前国内外学者使用的遥感数据类型多，但主要是通过直接计算TVDI值或间接与其他指数结合构建土壤水分反演模型，并逐渐取得较好的反演结果。

2.2 基于光学与微波遥感的协同反演土壤水分的方法

由于TDVI模型反演精度会受到LST等因素的影响，被动微波传感器AMSR-E数据精确记录了像元内的土壤水分信息，但空间分辨率低。Schmugg[5] 建议在土壤湿度遥感反演中以被动微波遥感为主，以热红外遥感和主动微波遥感辅之可以取得较好的效果。

赵杰鹏等[6]提出将被动微波遥感数据与热红外遥感数据在模型级别上协同反演大范围地表土壤水分的方法。侯宇初[7]利用最新的合成孔径雷达影像高分三号数据和现阶段质量较好的光学影像Landsat 8数据，结合广泛应用的植被散射模型，并通过光学遥感参数与水云模型的结合去除植被含水量的影响，从而建立森林覆盖地表下的土壤水分反演半经验模型，实现了地表下水分含量的反演。Yin等[8]利用InSAR相干变化和初步实验室测量估算土壤水分变化。

综上所述，相较于传统方法，基于光学与微波遥感的协同反演土壤水分算法既考虑了微波穿透性强的优势，又能发挥光学遥感数据空间分辨率高的优点，从而更精确地反演较高空间与时间分辨率的土壤水分。

2.3 最新土壤水分反演研究现状

光学和微波遥感反演土壤水分的经验模型在使用的过程中由于受到区域的差异性大，空间异质性较强的影响，具有一定的区域限制性[9]。BP神经网络算法可以不用考虑后向散射系数和土壤水分的确切关系，与仅使用光学数据或雷达数据作为单一数据源输入的反演结果进行比较分析同时作为输入反演结果进行比较分析，对光学和微波遥感联合反演土壤水分的有效性及其精度进行验证。

Kerr[10]使用被动微波遥感数据结合人工神经网络反演土壤含水量，经验证得到反演结果较准确。余凡等[11] 提出一种基于遗传神经网络算法的主被动遥感协同反演地表土壤水分的方法。蔡庆空等[12] 等学者利用Radarsat-2和Landsat 8聯合基于改进粒子群神经网络获取较高精度的土壤水分值。机器学习结合多源遥感数据反演土壤水分含量也是目前研究热点。

3 研究展望

综合分析各种算法及应用成果可以看出，目前的任何反演算法和土壤水分数据集都有自身的优缺点，多传感器联合反演算法可整合各种反演算法的优点，提高土壤水分反演精度。 但是，目前的土壤水分预测模型还无法还原真实的土壤耦合系统和预测。利用获取多源数据类型，结合遥感技术和地统计方法提取土壤水分预测因子，与传统单一依靠气象因子、单一实测数据等研究相比，在土壤水分预测因子的选取上较为科学全面，提高了土壤水分预测的精度和可信度。因此机器学习评估和预测土壤水分将是未来土壤水分研究的一大热点趋势。

【参考文献】

[1] Srivastava， Prashant K . Satellite Soil Moisture： Review of Theory and Applications in Water Resources[J]. Water Resources Management， 2017， 31（10）：3161-3176.

[2] 王俊霞，潘耀忠，朱秀芳，孙章丽.土壤水分反演特征变量研究综述[J].土壤学报，2019，56（01）：23-35.

[3] Hope AS.Estimation of wheat canopy resistance using com-bined remotely sensed spectral reflectance and thermal ob-servations[J].Remote Sens.Environ， 1988， 24：369—383.

[4] Inge Sandholt， Kjeld Rasmussen， Jens Andersen. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment，2002，79（2）.

[5] Schmugge T J， Gloers en P， Wi lh eit T， et al . Remote Sensing of Soil Moisture with Microwave Radiometers〔J〕.JGR， 1974， 79（ 2）： 317～ 323.

[6] 赵杰鹏， 张显峰， 包慧漪， et al. 基于可见光红外与被动微波遥感的土壤水分协同反演[J]. 红外与毫米波学报， 2012（02）：43-48+53.

[7] 侯宇初. Landsat 8与GF-3影像数据协同反演森林地表土壤水分方法研究[D].哈尔滨师范大学，2019.

[8] Qiang YIN，Wen HONG，Yun LIN，Yang LI.Soil moisture change estimation using In SAR coherence variations with preliminary laboratory measurements[J].Science China（Information Sciences），2017，60（02）：202-204.

[9] Fung A K ， Li Z ， Chen K S . Backscattering from a Randomly Rough Dieletric Surface[J].IEEE Transactions on Geoscience and Remote Sensing， 1992， 30（2）：356-369.

[10] Kerr Y H ， Waldteufel P ， Wigneron J P ， et al. Soil Moisture Retrieval from Space： The Soil Moisture and Ocean Salinity （SMOS） Mission[J]. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（8）：1729-1735.

[11] 余凡，趙英时，李海涛.基于遗传BP神经网络的主被动遥感协同反演土壤水分[J].红外与毫米波学报，2012，31（03）：283-288.

[12] 蔡庆空，李二俊，陶亮亮，蒋瑞波，潘洁晨.基于改进粒子群神经网络的麦田土壤水分反演[J].土壤通报，2018，49（06）：1333-1340.

作者简介：刘贤（1997-），女，汉族，福建省南平市人，学生，工学硕士，单位：成都理工大学地球科学学院测绘工程专业，研究方向：地图制图学与地理信息系统。