去除土壤后向散射影响的SAR数据玉米留茬方式识别

李俐，谢小曼，朱德海，蒋朝为，许佳薇

1.中国农业大学 土地科学与技术学院,北京 100083;

2.农业农村部农业灾害遥感重点实验室,北京 100083

1 引言

作物留茬覆盖作为保护性耕作措施，能够减少水分蒸发和风蚀影响，有效增加土壤有机质含量，对实现农业可持续发展起到重要作用（Daughtry 等，2004）。作为中国粮食的“蓄水池”和“稳压器”东北平原，玉米是其主要粮食作物之一，玉米留茬为其冬休季节主要的留茬形式。因此，及时识别东北平原玉米留茬状况对于了解黑土地保护状况和快速准确地指导农业生产具有重要意义。然而，玉米留茬形式多种多样，不同的留茬形式对黑土地的保护和农业生产的影响也各不相同（李胜龙 等，2019）。因此，不同玉米留茬方式及其覆盖情况将为留茬保护性耕作的实施现状和效果评估提供数据基础，为留茬政策的制定和实施提供有力的数据支持。

遥感技术的发展为大范围及时准确的作物留茬区域监测提供了可能。国内外研究者利用遥感技术进行留茬监测的研究较早使用的是光学遥感数据（张淼 等，2011）。常用的方法是通过光学影像构建光谱指数进行留茬覆盖度的反演（Serbin等，2009；张淼 等，2012；Ding 等，2020）。Van Deventer 等（1997）利用归一化耕作指数NDTI（Normalized Difference Tillage Index）、简单耕作指数STI（Simple Tillage Index）对土壤与秸秆进行区分，取得较好的效果；Jin 等（2015）利用Landsat 8 数据构建雷达指数，结合纹理特征估算玉米留茬覆盖度，该模型精度R2和RMSE 分别为0.96%和8.11%。由于大多数光谱指数容易受到土壤含水量、土壤背景等影响，国内外学者积极展开有关消除土壤水分、土壤背景干扰的研究（Quemada 和Daughtry，2016；Yue 和Tian，2020；Quemada 等，2018）。黄晋宇等（2020）基于土壤异质背景建立留茬覆盖度的估算模型，有效消除了土壤背景对留茬覆盖的影响。然而，光学遥感数据易受云、雨天气影响，而中国东北地区，秋季收割完毕至降雪前可能只有一两周左右的时间，光学遥感数据的获取不能保障，从而限制了其在作物留茬监测中的应用。

与光学遥感相比，微波遥感不受天气影响，其全天时、全天候的数据获取能力为时效性要求较高的农业生产相关监测提供有力的数据保障。随着合成孔径雷达SAR（Synthetic Aperture Radar）的发展，有研究对不同频率、不同极化SAR 后向散射系数以及不同极化变量对作物留茬的敏感性进行分析（Zheng 等，2014；McNairn 等，2002；Smith 和Major，1996）。早期与作物留茬相关的研究主要使用的SAR 数据源为全极化SAR 数据（McNairn 等，1998）。Adams 等（2013）探索了全极化SAR 提供的极化参数对作物留茬的敏感性，发现同极化复相关系数、场均消隐脉冲高度等SAR 极化变量与作物留茬有显著的相关关系。然而随着低成本双极化Sentinel-1 SAR 数据的出现，人们开始尝试采用双极化Sentinel-1 SAR 数据用于作物留茬识别。孔庆玲等（2017）利用Sentinel-1 SAR 数据实现了基于支持向量机SVM（Support Vector Machine）算法的东北玉米留茬区识别。由于单独使用SAR 数据进行留茬覆盖度估算的精度较低，且易受到雷达入射角、土壤水分等因素的干扰，有研究将光学遥感与微波遥感相结合进行留茬监测（Cai 等，2019）。刘之榆等（2021）基于Sentinel-1 SAR 数据和Sentinel-2 光学遥感建立玉米秸秆覆盖度的估算模型。

近年来，有关估算留茬覆盖度的研究层出不穷，而对不同留茬方式识别的研究较少。光学遥感可获取留茬的光谱信息，对留茬覆盖度的估算精度较高，但判别相同覆盖度下不同留茬方式具有一定困难。而微波遥感对农作物的几何结构和介电性能敏感，能够较好地刻画不同留茬方式散射机制的差异，但微波遥感易受土壤水分、土壤粗糙度等因素的影响。本文选择吉林省四平市梨树县为实验区，以Sentinel-1 SAR 为主数据源，Sentinel-2 为辅，探究其对不同玉米留茬方式的识别能力。利用留茬后向散射模型分离土壤散射与留茬散射，从而消除土壤后向散射的影响。提出融合留茬指数FRI（Fusion Residue Index），结合雷达指数与SAR 纹理组成识别特征组合，分析特征组合对玉米留茬方式识别的能力，并基于最优识别特征集对不同玉米留茬方式进行识别，旨在实现不同玉米留茬方式的识别，为不同留茬方式的识别研究提供一种新的思路。

2 实验区概况与数据来源

2.1 实验区概况

吉林省四平市梨树县位于东北平原中部，介于43°02′N—43°46′N，123°45′E—124°53′E，属于温带半湿润大陆性季风气候，地势平坦、农业基础雄厚、自然资源丰富、地域性差异明显（图1）。其年降水量955 mm，面积达4209 km2，耕地面积为396 万亩，种植作物有玉米、水稻、大豆、小麦。其中，玉米种植面积占总面积72%左右。作为保护性耕作技术的重点推广县，梨树县探索实施以“秸秆覆盖、条带休耕”为主要内容的“梨树模式”。选择梨树县作为玉米留茬方式识别的实验区具有代表性。

图1 实验区地理位置与样点分布Fig.1 Location of experimental area and distribution of sampling sites

图2 实验区常见的4种留茬方式图Fig.2 Picture of four common stubble modes in the experimental area

梨树地区常见留茬覆盖方式如表1所示。考虑到条带覆盖多见于春播前，而本实验所用数据的时间为秋季，因此本研究未将条状覆盖加入此次留茬方式识别实验中。由于根茬类型的留茬覆盖度较低（小于15%），且其后向散射系数与裸土相近，本研究将根茬类型与裸土统称为非留茬类型。因此，本文选择根茬覆盖、高留茬覆盖和非留茬3种玉米留茬方式进行识别和分析。

表1 实验区常见的4种留茬方式Table 1 Four common stubble modes in the experimental area

2.2 数据源介绍

2.2.1 遥感数据

本文选取Sentinel-1双极化 SAR 数据（以下简称S-1）协同Sentinel-2 光学遥感数据（以下简称S-2）进行玉米留茬方式的识别研究。S-1 数据包括了Level-1单视复数据SLC（Single Look Complex）、Level-1 地距GRD（Ground Range Detected）等产品。S-2 提供Level-1C 和Level-2A 两种级别的数据产品。其中，Level-1C 经过辐射定标、几何校正，Level-2A 则是在Level-1C 基础上进行大气校正。S-1/2 都可以通过ESA 的数据中心（https：//scihub.copernicus.eu/dhus/［2021-01-20］）获取。梨树县玉米于10 月中下旬（10 月20 日左右）基本收割完毕，因此，本文选取2019 年10 月底的遥感数据进行玉米留茬方式的识别：2019 年10 月28 日的S-1 Level-1 GRD SAR 数据和2019 年10 月26 日的S-2 Level-1C光学数据。

土壤湿度和土壤粗糙度是影响土壤后向散射的重要参数，为确定土壤地表后向散射系数，本研究选取SMAP（Soil Moisture Active Passive）卫星提供的土壤湿度产品以计算土壤后向散射系数。SMAP 卫星是由NASA 于2015 年发射的地球观测卫星，提供3、9、36 km 的土壤水分产品。本研究获取2019 年10 月28 日的SMAP/Sentinel-1 Level-2 级土壤湿度数据产品进行玉米留茬后向散射系数的分离。该二级产品是由SMAP L 波段辐射计获取的亮度温度数据和S-1A、S-1B 的后向散射系数重采样得到的，提供了1 km 和3 km 的土壤水分数据与土壤粗糙度数据，可通过NASA Earthdata（https：//earthdata.nasa.gov/［2021-01-20］）获取。由于1 km 数据未经过验证，因此本研究选择该产品提供的3 km 土壤水分数据和土壤粗糙度数据。

2.2.2 野外调查数据

2019 年10 月23 日—30 日对实验区100 个样点的留茬方式、高度、直径等留茬参数以及土壤水分、地表粗糙度进行测量。其中，土壤水分数据是利用时域反射计TDR（Time Domain Reflectometry）测定，测定时选取12 cm 探针在每个地块均匀采集6 个样点的土壤水分数据，并取均值作为该样方的土壤水分值。地表粗糙度测量方法是将1.1 m×0.6 m的白板放置于在待测地表挖出的土壤槽中并拍摄照片，然后对拍摄照片进行二值化，提取照片中的土壤轮廓线，最后基于色彩运算和混沌粒子群滤波方法（李俐 等，2015）计算土壤粗糙度参数。由实地采样结合Google Earth 影像（2019 年11 月2 日）、S-2 影像人工判读分别选取102 个高留茬覆盖、98 个根茬覆盖、97 个无留茬样本点作为留茬识别样本（图1）。各类样本随机选取70%作为训练样本、30%作为验证样本。

3 数据结果处理与分析

参考改进植被散射模型（Tao 等，2019），本文构建留茬散射模型，分离土壤层散射贡献和留茬层散射贡献，消除土壤后向散射的影响，即获得玉米留茬的后向散射部分；在此基础上，构建留茬识别特征，对识别特征进行优选后，利用一维卷积神经网络模型对玉米留茬进行分类，具体流程如图3所示。

图3 技术流程图Fig.3 Technology roadmaps

3.1 影像预处理

3.1.1 Sentinel-1数据预处理

S-1 GRD 数据预处理主要包括轨道校正、辐射定标、斑点滤波、几何校正以及计算后向散射系数分贝值等。对于SAR 遥感图像必然存在的斑点噪声，使用斑点噪声滤波来降低相干斑噪声。根据S-1 相干斑噪声的特点，本文在尝试了Sigma Lee、Refined Lee 等多种滤波的基础上，最终选择窗口大小为5×5 的Sigma Lee 滤波降低S-1 影像的斑点噪声。最后，将经过地形校正后的SAR 影像像元灰度（DN 值）转化为后向散射系数分贝值影像的后向散射系数计算公式为

式中，A为定标参数，通过元数据文件获取（孔庆玲 等，2017）。

3.1.2 Sentinel-2数据预处理

S-2 Level-1C影像的预处理过程包括大气校正、影像镶嵌、裁剪。本文使用Sen2Cor 方法由S-2 影像中大气上层表观反射率计算得到大气下层地表反射率，并使用最邻近距离法将S-2影像中各个波段的空间分辨率重采样至10 m。进而使用红波段（B4）和短波红外波段（B11、B12）反射率构建归一化耕地指数NDTI（Normalized Difference Tillage Index）和归一化留茬指数NDRI（Normalized Difference Residue Index）（Van Deventer 等，1997；Gelder等，2009）：

3.1.3 SMAP数据预处理

SMAP 的原始数据格式为HDF，需提取土壤水分数据和土壤粗糙度数据，转换为TIFF 格式、定义其原始投影格式。经上述处理后，为了与S-1影像进行匹配，使用双线性插值法将土壤水分影像和土壤粗糙度影像的空间分辨率重采样至10 m。

3.2 留茬后向散射系数模型修正及土壤后向散射影响消除

Tao 等（2019）针对冬小麦特性对森林模型（Saatchi 和Moghaddam，2000）进行改进。提出了改进植被散射模型，该模型考虑了冬小麦的地表覆盖状况，引入植被覆盖度的概念，有效的分离像元中作物层和裸土层的散射贡献。模型中总散射项由3个主要的散射项组成：作物层的直接散射部分、作物层—土壤下垫面相互耦合的散射部分和土壤下垫面的直接散射部分。考虑到收割后玉米留茬与小麦作物层的结构相似性、散射机制相似性，本文假设改进散射模型中的作物层等效为留茬层，建立留茬后向散射模型：

式中，NDTImin、NDTImax分别为完全裸土与完全覆盖情况下研究区域的NDTI值。

对于改进植被散射模型中裸土的直接后向散射，本文选择高级积分方程模型AIEM（Advance Integrated Equation Model）（Wu 等，2001）计算得到，其表达式如下所示：

式中，p、q 代表H 或V 极化，σpq为pq 极化下的后向散射系数；k为波数；S为均方根高度；Wn是表面相关函数的傅立叶变换，与极化方式、均方根高度和相关长度相关；是菲尼尔反射系数，受土壤水分和入射角影响；β为入射角。

依据野外实测数据结合SMAP数据确定的土壤水分、土壤粗糙度参数范围及全国土壤质地图，设置AIEM模型中土壤粗糙度和土壤水分等相关参数，计算地表土壤的后向散射系数值，由式（4）可计算得到玉米留茬层后向散射系数

3.3 留茬方式遥感识别特征构建

相较于全极化数据丰富的散射信息，双极化仅有VV、VH 两种极化方式，直接利用后向散射值进行留茬识别具有一定困难，因此，为了提高识别精度，本文选取了雷达指数RI（Radar Index）、融合留茬指数（FRI）和纹理特征GLCM1—GLCM6 共11 个特征变量，如表2。

表2 特征变量表Table 2 The feature variables table

表3 分离土壤信息后的后向散射系数的变化统计表Table 3 Statistical table of changes in backscattering coefficient after separating soil information

针对留茬方式识别，利用S-1影像VH、VV极化的后向散射系数构建雷达指数RI1、RI2。RI1 是参考体积散射指数VSI（Volume Scattering Index）（Bouvet 等，2018）而构建的指数，其对作物玉米留茬与土壤间的多次散射敏感。而在雷达指数与留茬覆盖度的研究中，雷达指数RI2 与作物留茬覆盖度之间存在较好的相关关系，R2为0.430（Cai 等，2019）。因此，本文选择RI1、RI2 作为玉米留茬方式识别的指标，其计算公式如下所示：

参考融合植被指数（Kim等，2015）原理，本文针对玉米留茬识别，将光学指数NDRI 和雷达指数RI2 进行融合得到融合留茬指数FRI。FRI 的计算公式如下：

式中，α为调制系数，决定了将NDRI 中雷达指数RI2 信息的比例。经多次实验及样本分析，本文中α取0。

灰度共生矩阵GLCM（Grey Level Co-occurrence Matrix）一种基于统计的纹理描述方法，基于GLCM提取的纹理参数辅助SAR图像分类可以有效地改善分类精度（王利花 等，2019）。利用GLCM计算可得对比度（Contrast）、能量（Energy）、熵（Entropy）等10 个纹理特征。由于S-1 影像两种极化共得20 个纹理特征，且纹理特征之间存在一定的相关性，因此利用主成分分析PCA（Principal Component Analysis）进行特征降维，并选取前6个成分（GLCM1—GLCM6）作为特征变量。

3.4 特征优选

特征变量的增多可能会造成特征信息的冗余和训练时间增加。为了剔除多余变量，选出留茬识别特征的最佳组合，本研究选择J-M 距离（Jeffries-Matusita distance）可以定量的计算样本间的可分离性，剔除对样本分离性贡献小的特征，在降低特征维度的同时，又保证了较高的识别精度，能够准确地表达地物间的差异性（Van Niel等，2005）。J-M距离的计算公式为

式中，p(x/wi)和p(x/wj)是条件概率密度，表示第i（或j）个像元属于wi（或w）j类别的概率。Jij表示样本间的可分离性，其数值范围为0—2。其中，若Jij大于1.8，则表示具有较高的可分离性，若数值在1.0—1.8，则说明样本间具有一定可分离性，但存在一定程度的重叠，若数值小于1.0，则表明样本不可分。因此，本研究通过比较不同特征组合下玉米留茬方式间Jij的大小，选择Jij值在1.8 以上，且变量个数较少的特征组合作为优选后特征进行识别。

3.5 基于1D CNN 的卷积神经网络留茬分类模型

卷积神经网络CNN（Convolution Neural Network）因其局部连接和权重共享等特点而被广泛应用于地物识别与分类中（汪传建 等，2019）。根据卷积层的不同，CNN 模型分为一维、二维和三维等深度卷积神经网络（Zhang 等，2020）。相比较之下，1D CNN 的参数数量与算法复杂程度较低，更适用于遥感图像分类与识别。因此，本文选择1D CNN算法构建了留茬分类模型，该模型的整体结构如图4所示：

图4 1D CNN模型结构图Fig.4 Architecture of one-demensional CNN

1D CNN网络包括7层：（1）1个输入层，以引入优选特征；（2）2 个卷积—池化层，其中卷积层分别采用滤波器（Filter）个数为32和64的一维卷积（Conv1D）作为特征提取器以学习多个尺度和不同级别的特征，卷积核大小均设置为2；最大池化（Pool）步长设置为2，以实现特征降维；（3）1个压平层（Flatten），作为卷积—池化层和全连接层的过渡，将多维数据一维化；（4）2 个全连接层，节点个数分别为30、3。第二个全连接层将特征向量映射到各个类别中，且该层的输出结果为指示输入层的各类别得分；（5）1 个具有Softmax 分类器的输出层，各类别中得分最高者即为该像素所属的类别结果。

4 结果分析

4.1 玉米不同留茬方式后向散射系数特征分析

为分析土壤后向散射对总后向散射量的影响，计算基于留茬后向散射模型消除土壤散射干扰前后VH、VV 极化后向散射系数的变化值（σVH，total-σVH，residue、σVV，total-σVV，residue），不同玉米留茬方式的变化结果如图5所示。

图5 分离土壤信息前、后的后向散射系数变化值Fig.5 Change value in the backscattering coefficient before and after the separating soil information

可以看出，消除土壤散射干扰后的后向散射系数均发生明显变化，且VH 值变化整体高于VV极化。VH 值变化大约集中在2—10 dB，均值为4.9 dB，而VV 值变化大多集中在0.5—3.5 dB，均值为1.2 dB。说明无论是VH 极化还是VV 极化，土壤后向散射系数对总散射量的影响都不容忽略，因此去除土壤直接后向散射系数的影响对留茬方式识别具有重要意义。其中，分离前后非留茬类型的后向散射系数变化最大，其VH 值变化的均值为7.26 dB。造成不同留茬方式向散射系数变化范围差异的原因是非留茬类型的后向散射主要来源于土壤直接后向散射，相比之下，高留茬覆盖和根茬覆盖的土壤直接后向散射的贡献较少。因此，去除土壤直接后向散射影响将进一步提高非留茬类型的识别度。总体来说，无论是极化方式还是不同玉米留茬方式，基于留茬后向散射模型可以有效分离出地表覆盖后向散射系数值，去除由于土壤特性差异带来的后向散射系数波动。

4.2 特征性能分析

在不同识别特征组合下玉米留茬方式的后向散射特性呈现出不同的分离特性，因此合理的特征组合对玉米留茬的识别起着至关重要的作用。为了准确地分析不同特征对玉米留茬方式识别的影响并选出最优的特征组合，本文利用3.3中11个构建的特征，根据特征类型组成10 个特征组合（FC_1～FC_10），如表4 所示。10 种特征组合下不同留茬方式间的J-M距离如图6所示，本文选择JM距离均大于1.8且变量个数较少的优选组合。

表4 特征组合Table 4 Feature combinations

图6 玉米留茬方式间的J-M距离Fig.6 J-M distance between corn stubble methods under different feature combinations

由图6 可知，随着特征变量个数的增多，J-M距离呈上升趋势。对比特征组合FC_1与FC_3，特征FRI的引入增加了非留茬类型与其他留茬类型方式间的可分离性，其中非留茬与高留茬覆盖、根茬覆盖的J-M 距离分别为1.85、1.75。从FC_2 和FC_3 对比可看出，特征的加入未提高玉米留茬方式间的可分离性，说明对留茬识别的贡献度较低，因此FC_4 后特征组合中去除此特征。当雷达指数RI1、RI2 加入（FC_6）时，留茬方式间J-M距离有所提高。其中，非留茬类型与高留茬覆盖、根茬覆盖类型间的J-M距离均大于1.8，而高留茬覆盖与根茬覆盖的J-M 距离为1.46，仍低于1.8，说明加入RI1、RI2的特征组合尚无法满足玉米留茬方式的识别。引入SAR 纹理特征（FC_9）后，不同玉米留茬方式间J-M 距离均超过1.8，分离度较好。相比之下，尽管同时加入纹理特征和雷达指数RI1、RI2 的特征组合（FC_10）使得留茬方式间的J-M 距离均有所提高，但并不明显。因此本文选取FC_9 特征组合作为1D CNN 模型的输入进行留茬方式识别。

4.3 分离土壤散射贡献前后留茬方式识别结果对比

为比较土壤后向散射去除效果，分别使用分离土壤散射贡献前的总后向散射系数和分离后的留茬后向散射系数结合FRI、GLCM1—GLCM6 进行留茬方式识别，并利用验证样本对识别结果进行精度评价，各留茬方式的总体分类精度OA（Overall Accuracy）、制图精度PA（Producer Accuracy）、用户精度UA（User Accuracy）和Kappa系数（Kc）如表5所示。

表5 分离土壤信息前、后的留茬识别精度对比Table 5 Comparison of residue recognition accuracy before and after separating soil information

由表5可知，分离土壤信息前、后的留茬方式识别OA 均超过80%，说明基于VH 极化后向散射系数、融合指数FRI 以及SAR 图像纹理GLCM1—GLCM6 的特征组合进行玉米留茬方式识别的精度较高。

相比分离土壤散射贡献前，分离后的识别精度OA和Kc分别提高5.44个百分点和0.09。分离土壤散射贡献前根茬覆盖的PA 和UA 以及高留茬覆盖的UA 偏低，进而导致分离前的OA 较低，表明土壤直接后向散射系数的影响降低了高留茬覆盖和根茬覆盖的可分离性。而分离土壤散射贡献后各留茬方式的分类精度有显著提高。因此，分离土壤对雷达后向散射的贡献可以有效去除土壤差异干扰，增加玉米留茬方式间的可分离性。

分离土壤后向散射前后玉米留茬方式面积百分比变化如图7 所示，图8 给出了识别结果。可以看出，分离土壤散射贡献前后的留茬方式分布基本吻合，但细节略有差异。总体来说，梨树县留茬覆盖区（高留茬覆盖和根茬覆盖）超过60%，其中高留茬覆盖比例略高于根茬覆盖比例，为黑土地保护提供了有力的耕作制度保障。

图7 分离土壤信息前、后玉米留茬方式面积百分比变化Fig.7 Changes in percentage of corn stubble area before and after separating soil information

图8 分离土壤信息前、后的玉米留茬方式识别结果Fig.8 Recognition result of corn stubble modes before and after separating soil information

4.4 基于1D CNN进行玉米留茬方式识别

5 结论

本研究以吉林省四平市梨树县为实验区，以Sentinel-1 SAR 数据为主数据源，以Sentinel-2 光学数据为辅，探究其对不同玉米留茬方式的识别能力。采用留茬散射模型分离土壤散射贡献和留茬散射贡献，以消除土壤散射影响。提出融合留茬指数FRI，结合雷达指数与SAR纹理组成特征组合，分析不同特征组合对留茬方式的识别能力。采用最优特征集进行玉米留茬方式的识别，完成实验区的不同玉米留茬方式的识别。结果表明：

（1）无论是消除土壤后向散射前或消除后，采用VH极化的后向散射系数、FRI、GLCM1—GLCM6组成的特征组合进行留茬方式识别，总体精度OA均达到83%以上。有效地证明利用Sentinel-1 雷达散射特性进行玉米留茬方式识别有效可行，且不同特征组合可分离性表现不同，优选理想特征作为玉米留茬方式识别的有效指标能获得比较好的识别效果。

（2）分离土壤后向散射前后VH、VV 极化后向散射系数均有明显变化，基于消除土壤影响后的VH 极化后向散射系数、FRI、GLCM1—GLCM6的特征组合进行留茬识别，得到了较为理想的玉米留茬方式识别结果（OA和Kappa分别为89.28%、0.84），相比消除土壤影响前的特征组合，识别精度提高了5.44%。有效验证了基于留茬后向散射模型的土壤干扰影响消除方法有效地去除了土壤不确定性影响，即证明了基于消除土壤影响的玉米留茬方式识别方法的可行性，为Sentinel-1 SAR 影像在留茬研究的广泛应用提供科学的参考依据。

本研究的不足之处在于：消除土壤散射影响时，本文采用3 km 的SMAP 土壤水分产品。使用该数据有两方面原因：第一，目前无法直接获取更高精度的土壤水分产品；第二，由于实验区地势较为平坦以及研究时间区间内无灌溉情况，其土壤水分空间异质性不大。但SMAP土壤水分产品较大的空间分辨率可能会给留茬方式识别带来一定的误差。虽然暂时无法确定误差的影响程度，但从实验结果可看出，相对于去除土壤散射贡献前，留茬方式识别的精度有所提高，有效地说明了利用SMAP数据分离土壤因素的方法适用于本区域的留茬方式识别。未来在其他区域推广算法时，将尝试获取更高精度的土壤水分产品进行留茬方式识别，以进一步改善较粗空间分辨率对实验结果带来的不确定性。