基于遥感监测技术的表层土壤含水量测量方法

毛玉龙

（福建省国土资源勘测规划院，福建 福州 350003）

0.引言

作为干旱的重要指标，表层土壤含水量在大气和地表之间的能量与水分交换中起到的作用十分重大。对于旱情监测而言，表层土壤含水量对于防止干旱、提高植被覆盖率以及防止土地沙化等都是重要的决定因素，是监测旱情中的基础[1]。对于农业生产而言，表层土壤含水量对于植物的发育、生长、发芽等都是基础条件。并且土壤含水量对于土壤的蒸发与侵蚀也有重大影响，是农作物生长过程中的模拟、水文、气候等模型构建中的基础参数，对于农作物在生长中的态势表现也有很大影响[2]。对表层土壤含水量进行测量，能够对植物与土壤之间水分方面的供需关系进行深入分析，从而对旱情的发生以及发展态势等问题进行分析。在测量表层土壤含水量时，既可以对其质量含水量进行测量，也可以对其体积含水量进行测量，并且二者能够相互转化。

对于测量表层土壤含水量方面的研究，国外主要应用时域反射技术、中子法、人工神经网络等方法对表层土壤含水量进行测量，其中，基于时域反射技术的表层土壤含水量测量方法的应用比较广泛，主要是通过电磁波在多种介质中呈现出的传播速度差异对表层土壤含水量进行测定，这种方法安全、准确、迅速，但在实际应用中可能受到盐分的影响。国内则主要应用双针法、热惯量法、积分球法、图像法等方法对表层土壤含水量进行测量，其中，基于图像法的表层土壤含水量测量方法的应用比较广泛，主要是利用不同颜色和质地的土壤拥有不同的反射率，然后通过数字相机图像对表层土壤含水量进行测量，该方法具备自动化、成本低、无损、快速、实际的特点。然而以上方法虽然针对性较强，但由于测量表层土壤含水量时下垫面的表面往往呈现非均质状态，因此很难在大面积的范围内运用这些方法。基于此提出一种基于遥感监测技术的表层土壤含水量测量方法，利用遥感监测技术对表层土壤含水量进行测量。

1.设计基于遥感监测技术的表层土壤含水量测量方法

1.1 数据收集

基于遥感监测技术获取表层土壤的遥感数据，具体包括GLDAS数据、SMAP数据、CMPA数据、VIRRS数据，并获取实地观测的表层土壤含水量数据。

在获取GLDAS数据时，主要是获取GLDAS遥感卫星中的表层土壤逐日含水量数据，土壤深度为0cm-10cm。该卫星的分辨率为25km[3]。

在获取SMAP数据时，主要是获取SMAP遥感卫星中的表层土壤逐日含水量数据，该卫星是专门测量表层土壤含水量的遥感监测卫星，测量方式为被动微波与主动雷达相结合，测量的土壤深度为0mm-5mm，测量时的时间分辨率在1到3天左右，空间分辨率可达3km。

获取CMPA数据时主要是获取CMPA遥感卫星的降水数据[4]。选取不同时间段对降水数据进行获取并求出均值。

在获取VIRRS数据时使用的传感器为VIRRS，在卫星Suomi NPP上搭载该传感器。该卫星的发射时间是2011年，是气象领域的二代卫星，具体波段信息（如表1所示）：

表1 具体波段信息

该卫星各波段的噪声与信噪比等效温差以及波长范围信息具体（如表2所示）[5]：

表2 各波段的噪声与信噪比等效温以及波长范围信息

选用热红外、近红外、可见光的空间分辨率均为750m、分辨率为中的波段，通过大气窗口对信噪比高且透过率低的M9波段进行过滤，并排除用于海表温度反演的M14波段与M13波段，最终保留热红外波段2个、近红外波段4个、可见光波段6个。

实地观测的表层土壤含水量数据主要来自地面土壤含水量观测站点。

1.2 构建表层土壤含水量计算模型

构建表层土壤含水量计算模型，构建的模型为多波段表层土壤含水量经验计算模型[6]。由于后向散射系数和粗糙度、土壤湿度参数呈现对数关系，根据其对数函数对VV和HH极化下表达后向散射系数的对应函数式进行构建。其中，后向散射系数和粗糙度、土壤湿度参数之间的对数函数具体如式（1）所示：

式（1）中，σ为后向散射系数；Zs为组合粗糙度；Mv表示表层土壤对应的体积含水量；c、a表示经验常数，计算方法为线性最小二乘拟合法。

构建的VV和HH极化下表达后向散射系数的对应函数式具体如式（2）所示：

式（2）中，σhh0为HH极化下对应的后向散射系数；σvv0为VV极化下对应的后向散射系数；Ahh、Bhh、Chh为HH极化下雷达入射角的对应经验常数；Avv、Bvv、Cvv为VV极化下雷达入射角的对应经验常数。

对式（2）进行联立，能够构建多波段表层土壤含水量经验计算模型，具体如式（3）所示：

式（3）中，θ代表雷达入射角。

1.3 确立模型系数

接着确立模型水平极化系数与模型垂直极化系数。其中，模型水平极化系数的确立方法为通过AIEM模型对HH极化下的后向散射系数进行模拟，具体参数选择（如表3所示）：

表3 模拟输入参数

通过最小二乘法拟合模拟值，获取HH极化下Ahh、Bhh、Chh在随机入射角条件下的值，具体值（如表4所示）：

表4 HH极化下模型经验系数

通过获取数据实施非线性回归，得到入射角与系数的关系式，获取HH极化下入射角与系数的拟合曲线。

模型垂直极化系数的确立方法为通过AIEM模型对VV极化下的后向散射系数进行模拟，选择表3参数。通过最小二乘法拟合模拟值，获取VV极化下Ahh、Bhh、Chh在随机入射角条件下的值，具体值（如表5所示）：

表5 VV极化下模型经验系数

通过获取数据实施非线性回归，得到入射角与系数的关系式，获取VV极化下入射角与系数的拟合曲线。

2.方法验证与应用

搭建私有云实验环境，搭建环境共由九个节点构成，在每个节点上都安装Spark与Hadoop YARN，具体配置（如表6所示）：

表6 私有云实验环境具体配置

2.1 实验环境搭建

2.2 测区选择与实验方法

测区选择福建省某块耕地，该耕地的面积约为1200m2左右，利用设计的基于遥感监测技术的表层土壤含水量测量方法对该耕地实施表层土壤含水量测量实验。对设计方法在大范围下的测量精度进行测试，并对设计方法在空间尺度与时间尺度下的测量精度进行测试。

2.3 方法验证结果

2.3.1 大范围下的测量精度测试结果

对设计的基于遥感监测技术的表层土壤含水量测量方法在大范围下的测量精度进行测试。在该测试中将现有的两种方法作为对比方法共同进行测试。这两种方法分别为基于时域反射技术、基于图像法的表层土壤含水量测量方法。获取这三种实验方法在大范围下的测量精度，具体测试结果（如表7所示）：

表7中，大范围下的测量精度测试结果表明：设计的基于遥感监测技术的表层土壤含水量测量方法在测量范围较大的情况测量精度整体高于基于时域反射技术、基于图像法的表层土壤含水量测量方法。并且设计的基于遥感监测技术的表层土壤含水量测量方法在测量范围逐渐扩大的情况下，仍然保持着较高的测量精度。而基于时域反射技术、基于图像法的表层土壤含水量测量方法在测量范围逐渐扩大的情况下，测量精度大幅降低。

表7 大范围下的测量精度测试结果

2.3.2 空间尺度与时间尺度下的测量精度

测试设计的基于遥感监测技术的表层土壤含水量测量方法在空间尺度与时间尺度下的测量精度。首先测量该方法在空间尺度下的测量精度。通过比较该方法空间尺度下的测量值与实际实测值，获取空间尺度下该方法的测量精度实验数据，具体（如图1所示）：

图1 空间尺度下测量值与实测值的比较结果

根据图1测量值与实测值的比较结果，设计的基于遥感监测技术的表层土壤含水量测量方法空间尺度下的测量值与实测值呈现极显著关系。二者极显著关系的检验精度达到0.806，说明基于遥感监测技术的表层土壤含水量测量方法在空间尺度下的测量精度很高。

接着测试设计的基于遥感监测技术的表层土壤含水量测量方法在时间尺度下的测量精度。同样比较该方法时间尺度下的测量值与实际实测值，获取时间尺度下该方法的测量精度实验数据，具体（如图2所示）：

图2 时间尺度下测量值与实测值的比较结果

根据图2时间尺度下测量值与实测值的比较结果，设计的基于遥感监测技术的表层土壤含水量测量方法时间尺度下的测量值与实测值呈现显著关系。二者显著关系的检验精度达到0.725，说明基于遥感监测技术的表层土壤含水量测量方法在时间尺度下的测量精度较高。

3.结束语

在对表层土壤含水量测量方法进行研究的过程中，应用了遥感监测技术，实现了测量范围的扩大，并在空间尺度与时间尺度下均达到了很高的测量精度，研究内容对于表层土壤含水量的精确测量有着很大的意义。