光学与SAR 遥感协同反演植被覆盖区土壤含水量

杨晶晶，邓清海，李 莎，张丽萍，陈 桥，孙桂宗，孙振洲

（1.山东科技大学 地球科学与工程学院，山东 青岛 266590；2.山东省地质矿产勘查开发局 第七地质大队，山东 临沂 276000）

旱情监测是农作物产品估值研究等的基础［1］。近几十年来，多源遥感对地监测技术迅速发展，突破了传统土壤含水量监测的局限性，使得大面积连续土壤含水量监测成为可能［2］。微波遥感技术可以穿透地表植被覆盖对地进行监测，并利用微波信号与土壤物理性质之间的高度相关性，灵敏地探测土壤含水量的动态变化［3］。基于此，有学者利用可见光、短红外、近红外图像结合微波探测技术，研究得出了一系列反演土壤含水量模型，如常用的水云模型（WCM）、Dubois模型以及高级积分方程模型（AIEM）［4］等，其中WCM模型被广泛应用于植被覆盖区土壤含水量反演、AIEM模型可以去除地表粗糙度对土壤含水量反演效果的影响。传统模型反演土壤含水量受多种干扰因素影响，使用一种模型很难保证反演精度，且模型反演参数在不同气候条件下受干扰程度不同，逐一剔除干扰因素提高反演精度的难度较大。因此，可根据光学遥感影像采集植被层信息，选择合适的植被光谱指数修正水云模型中的植被含水量，并耦合高级积分方程模型，去除基于雷达后向散射系数计算的地表粗糙度的影响，从而准确获取土壤含水量情况［5］，最后结合光学遥感连续对地观测优势，验证修正后的水云模型耦合AIEM 模型反演土壤水分的普适性。

黄河下游地区是我国粮食生产核心区［6］，近年来城市扩张给当地生态系统造成了巨大影响［7］。土壤含水量直接影响地区生态环境和农作物生长，实时监测土壤含水量分布，对保护黄河下游地区生态系统以及农业发展具有重要意义［8－9］。因此，本文以黄河下游山东省东营市为研究对象，基于遥感技术探究植被覆盖区土壤含水量，以期为其生态环境保护和农业发展规划编制提供参考。

1 数据预处理

山东省东营市位于黄河入海口，属雨热同季的暖温带大陆性季风气候区。年降水量550～600 mm，降水集中在7—8 月。该地区地形起伏不大，地势沿黄河自西南向东北倾斜。黄河自西南向东北贯穿全市，在垦利区东北注入渤海。

1.1 LandSat8 光学遥感数据

LandSat8 属于光学遥感卫星，搭载陆地成像仪（OLI）和热红外传感器（TIRS），其中OLI 对波段重新调整，排除了0.825 μm 处水汽吸收特征，具有丰富的波段信息。山东省东营市1—3 月降水量少，因此选择该地区2018 年3 月23 日、2019 年1 月17 日、2020 年3 月24 日三景Landsat8＿OLI 影像解译东营市植被覆盖情况。原始数据使用ENVI 软件进行图像融合、影像裁剪、辐射定标和大气校正等预处理，以增强波段特征，其空间分辨率为15 m×15 m。

1.2 SAR 影像数据

本文采用的SAR 影像数据为来自欧洲太空局（ESA）的Sentinel－1 地距影像（GRD）数据，其空间分辨率为5 m×5 m。对照Landsat8＿OLI 数据的日期进行下载，使用哨兵数据应用SNAP 对原始数据进行预处理，并计算雷达后向散射系数。预处理后的SAR 影像的雷达后向散射特征更为明显，能提供基础计算参数，其中雷达入射角为27°。

1.3 实测数据

研究区实测地表含水量信息从ESA CCI 土壤湿度数据集中获取。该数据集通过同化地表土壤湿度、植被叶面积指数和植被光学深度信息，使用国际土壤水分观测网和现有各区土壤湿度数据集对生产目标范围内的数据。此次下载使用的实测土壤水分数据为CII－Soil Moisture－fv06.1 版本，数据空间分辨率为0.25 m×0.25 m。

2 研究方法

2.1 植被含水量反演模型

通过对比分析，选择合适的植被光谱指数构建植被含水量反演模型。基于光学遥感的多光谱信息，常用植被持水度（VWC）、叶片含水量（FMC）和相对含水量（RWC）模拟植被含水量，其中VWC 与植被含水量相关性最强，常用于构建相关函数、反演植被含水量［10］，因此选用VWC 修正水云模型中的植被含水量。

现阶段，根据光学遥感数据的波段特征，计算集中在红外、近红外波段的植被光谱指数，是基于光学遥感数据表达植被含水量的较为成熟的方法［11］。本文选择的植被光谱指数有增强植被指数（EVI）、归一化植被指数（NDVI）、归一化水体指数（NDWI）、比值植被指数（SR）、红边叶绿素指数（Cre）和归一化差值水分指数（NDMI），各指数反演公式见表1（其中RB、RG、RR为Landsat8 卫星的可见光波段反射率，对应波长分别为0.45～0.51、0.53～0.59、0.64～0.67 μm；RNIR为近红外波段反射率，其波长为0.85～0.88 μm；RSWIR1、RSWIR2为短波红外波段反射率，对应波长分别为1.57～1.65、2.11～2.29 μm）。

表1 植被光谱指数及其反演公式

初步构建植被光谱指数与植被含水量之间的关系时，发现基于植被光谱指数的二次多项式反演的植被含水量与实测植被含水量相关性最强，因此植被含水量反演模型最高次数为二次。

2.2 AIEM 模型

高级积分方程模型可以准确捕获地表辐射的雷达后向散射系数信息，相较于其他模型能够更真实地模拟较广范围的地表粗糙度［12］。由于获取建立AIEM模型的完整参数比较困难，因此通过模拟数据建立土壤含水量和雷达后向散射系数之间的半经验关系［13］，进而使用查找法确定AIEM 模型中地表粗糙度系数。

2.3 耦合模型

采用植被光谱指数表达植被含水量修正水云模型，从而剔除植被含水量对土壤含水量反演结果的影响，再耦合AIEM 模型进一步剔除地表粗糙度的影响，最终得出反演该地区土壤含水量的耦合模型。本文使用的SAR 数据为一级Sentinel－1 GRD 数据，包括VV、VH 两种极化方式，雷达入射角为27°。使用AIEM 模型反演地表粗糙度，将模拟波段和地表粗糙度等相关参数输入模型［14］，根据研究区实际情况选择参数并修正模型，得到关于地表粗糙度的雷达后向散射系数：

式中：σVV和σVH分别为Sentinel－1 GRD 数据的VV、VH 极化参数。

水云模型将雷达后向散射系数定义为植被后向散射系数和受植被遮挡的后向散射系数两部分。本文采用东营市1—3 月植被覆盖度普遍较低时的遥感数据，根据Bindlish 等于2011 年提出的经验参数，即令水云模型中的植被参数A＝0.001 2、B＝0.091，修正水云模型。使用V表达植被含水量，并与AIEM 模型耦合反演得到土壤含水量σsoil：

3 结果与讨论

3.1 植被含水量影响分析

为了确保修正的水云模型中植被含水量满足随机验证精度，将2018 年的样本数据分为10 组，每组21个样本点，进行植被含水量初步计算，并与实测数据进行对比，验证不同植被光谱指数表达植被含水量的精度和稳定性，进而确定修正的水云模型中植被含水量的计算公式。本文采用计算数据拟合的均方根误差（RMSE）和决定系数（R2）评价耦合模型的反演精度、反演结果的代表性和稳定性，并据此评价模型参数的适用性［15－16］，计算结果见表2（N表示植被光谱指数）。

由表2 可知，除了EVI 外，使用二次多项式反演植被含水量的决定系数最大，其中由Cre 反演植被含水量的决定系数最大，但均方根误差也较大，说明基于Cre 构建的二次多项式反演植被含水量精度高，但稳定性差，普适性不强；由SR 构建二次多项式反演植被含水量的决定系数较大，同时均方根误差最小，说明该二次多项式能够在保证反演精度的前提下，确保模型的稳定性和普适性。因此基于SR 的二次多项式表达植被含水量修正水云模型，并耦合AIEM 模型反演土壤含水量，即将V代入式（2）求得土壤含水量。

3.2 验证模型精度

根据耦合模型反演2018 年3 月山东省东营市土壤含水量，并与实测土壤含水量数据进行对比，验证耦合模型精度。为突出模型修正方法的适用性，对样本点进行均匀分区，每一区的样本点都能包含东营市所有的植被覆盖特征，并适当调整耦合模型中植被含水量表达式的系数，共进行10 组试验，耦合模型中植被含水量计算公式以及土壤含水量反演精度见表3（土壤含水量公式略）。该耦合模型反演的土壤含水量较稳定，决定系数均大于0.6，并且均方根误差仅为0.004～0.438，说明模型具有较强普适性。

表3 耦合模型反演2018 年东营市10 个样本点土壤含水量结果统计

3.3 耦合模型的应用

根据耦合模型，选取2018 年典型植被覆盖区内一组样本点反演土壤含水量（以土壤体积含水量表示），见图1。其中，耦合模型植被含水量修正公式为V＝西北部沿海种植区土壤含水量最大，为0.670～0.825 m3／m3；受黄河水补给与灌溉影响，黄河沿岸水稻种植区土壤含水量较大，为0.517～0.663 m3／m3；南部内陆地区地形起伏较明显，受地表径流、距海距离远等因素影响，土壤含水量最小，仅为0.364～0.515 m3／m3。西部内陆地区部分土壤含水量反演值与实测值相比偏高。原因是，下载的土壤含水量实测数据与遥感数据的分辨率不一致，且研究区周遭城市土壤含水量实测值对该区域实测数据的裁剪和收集产生了一定影响，但反演结果整体较好，说明模型适用性强。

图1 东营市2018 年随机样本反演精度验证与空间分布

为了避免验证结果的偶然性，对植被覆盖区选取的所有样本点进行逐年统计，通过对比最终反演结果的空间分布，选取最具代表性的21 个样本点展示该地区土壤含水量空间分布情况，进行土壤含水量空间变化分析。利用该耦合模型反演2019 年和2020 年土壤含水量，对耦合模型中植被含水量参数进行调整以确保反演结果的精度和可靠性，反演结果见图2、图3。其中，2019 年、2020 年反演土壤含水量的耦合模型中，植被含水量计算公式分别为

图3 东营市2020 年随机样本反演精度验证与空间分布

用该耦合模型反演2019 年和2020 年土壤含水量，决定系数大于0.5，精度较高，但较2018 年的反演精度有所降低，且均方根误差增大。结合整体土壤含水量反演结果的空间分布情况得知，2019—2020 年东营市北部地区土壤干旱情况加重，其中土壤含水量普遍较高（0.625～0.634 m3／m3）的地区，土壤含水量以7.2%／a 的速率降低，在整体空间范围内变化最为突出。此外，经过土壤含水量反演发现，2018—2020 年东营市南部土壤干旱情况持续北移，表明该地区土壤含水量对黄河水补给的依赖加重。

对土壤含水量反演结果进行分析发现，2019 年和2020 年的反演误差与2018 年相比有所增大。原因是，采用的Landsat8 影像分辨率为15 m×15 m，Sentinel－1 GRD 数据的分辨率为5 m×5 m，数据差异较大且分辨率不高。综上分析，以后应基于更高分辨率的数据进行研究，以增强半经验模型的普适性。此外，对比不同年份土壤含水量反演结果，发现使用该耦合模型时决定系数不低于0.5，说明反演值与实测值之间相关性较强。对2018—2020 年土壤含水量空间分布情况进行对比发现，土壤含水量在空间上呈现连续性变化，与实际情况相符，说明该耦合模型可以反映该地区土壤含水量的实际情况。基于耦合模型反演的土壤含水量具有实际应用价值，能够在一定程度上为农业播种、浇灌等提供依据。

4 结论

以山东省东营市为研究区，基于光学遥感数据与SAR 协同反演植被覆盖区土壤含水量。首先利用光学遥感数据的波段特征修正水云模型中的植被含水量，然后根据SAR 的雷达后向散射系数和雷达入射角，引入AIEM 模型消除地表粗糙度对土壤含水量反演精度的影响，最终耦合修正后的水云模型和AIEM模型，达到提高传统遥感反演土壤含水量模型精度的目的，并通过连续年份反演讨论了耦合模型的精度和适用性。耦合模型反演土壤含水量与实测值之间的关系表明：使用植被光谱指数表达植被含水量时，基于SR 的二次函数表达植被含水量的效果最好；修正的水云模型与AIEM 模型构建的耦合模型反演土壤含水量精度较高，且效果稳定，其决定系数在0.5 以上，RMSE小于等于2.290，该耦合模型具有较强普适性。