多源遥感协同反演
地表参数的多源遥感信息综合定量反演
地表土地覆盖/土地利用及变化监测 大气汽溶胶与大气水汽含量 大气衡量气体/污染气体遥感反演:NO2, O3, SO2 水质参数遥感反演：叶绿素、泥沙、黄色物质 地表二向反射率与地表反照率 植被指数、植被叶面积指数 地表温度、地表发射率 土壤含水量 植被生物量/净初级生产力 感热通量/地表蒸散 ……
使用RSIS软件反演的温度（右边）与MODIS温度产品（左边） 的对比，结果明显改进。
除传统的生成NDVI、EVI以及SAVI，系统针对不同的下界面条件选择 不同的植被反射模型进行叶面积指数的遥感反演。
植 被 指 数 与 叶 面 积 指 数
TM图像 （红框为第三个实验点区域 ）
8月11日 混合像元反演精度 72% 8月31日 62% 9月13日 73%
NPP遥感模型估算结果和千 烟洲通量塔观测结果比较
红外沙尘暴监测(白天)
28 Terra at 11:17on Apr. 28
Aqua at 12:53 on Apr. 28
红外沙尘暴监测(晚上)
Terra at 22:21 on Apr. 28
Aqua at 2:31 on Apr. 29
7月11日MODIS-1km图 像提取的棉花长势图
以EOS/MODIS为主要遥感数据源，以1公里尺度地表参数 定量遥感产品为目标，开发“RSIS遥感反演系统（1.0）”， 2003年进行软件产权登记，在科技部2003年遥感软件评测中被 评为“优秀软件”，目前国内用户40余家。功能包括：
数据管理模块：实现对数据组织管理，以及数据的导入 导出。 数据预处理模块:去云处理、辐射纠正、大气纠正、几何 纠正与图像匹配等功能。 大气气溶胶与大气水汽含量反演模块 地表二向反射率与地表反照率反演模块 植被指数提取、叶面积指数反演模块 地表发射率与温度反演 FPAR、NPP的遥感定量估算 地表感热通量与地表蒸散遥感定量估算 土地覆盖信息综合提取模块
遥感生物量反演反演原理-概述说明以及解释
遥感生物量反演反演原理-概述说明以及解释1.引言1.1 概述遥感生物量反演是利用遥感技术对地表物质进行监测与测量，通过反演算法来估算生物量密度的一种方法。
在生态环境监测、资源管理和气候变化研究等领域具有重要的应用价值。
本文旨在探讨遥感生物量反演的原理及其在环境研究中的应用，以期为相关研究提供参考和借鉴。
遥感技术为生物量反演提供了全新的视角和手段，可以实现对辽阔地域范围内生物量的遥感监测和评估。
通过对地表反射、辐射和散射数据的提取和分析，结合地面实测数据和数学模型，可以精确地反演出不同植被类型的生物量分布情况。
这种非接触式的监测方法极大地提高了生物量反演的效率和精度，同时也为科学研究和资源管理提供了更加便捷的工具和手段。
在未来的发展中，随着遥感技术的不断创新和完善，遥感生物量反演将更加深入到生态环境监测、碳汇评估和气候变化研究等领域。
同时，对于生物量反演算法和模型的进一步优化和改进也将成为未来研究的重点之一。
希望通过本文的探讨和总结，可以为遥感生物量反演的研究和应用提供一定的参考和指导。
1.2 文章结构:本文将分为三个主要部分，即引言、正文和结论。
在引言部分，将对遥感生物量反演的概念进行概述，介绍文章的结构和目的。
在正文部分，将从遥感技术的概述开始，然后详细解释生物量反演的原理，最后探讨其应用与发展。
在结论部分，将总结生物量反演的原理，讨论其实际应用意义，并展望未来的发展方向。
通过这三个主要部分的论述，读者可以全面了解遥感生物量反演的反演原理及其在现实中的应用和未来的发展前景。
1.3 目的目的部分的内容：本文旨在深入探讨遥感生物量反演的反演原理，通过对遥感技术和生物量反演的基本概念进行介绍，进一步阐述生物量反演原理的相关理论与方法。
同时，通过对该技术在实际应用和发展趋势进行分析，探讨生物量反演在资源监测、环境保护和生态研究等领域的潜在意义。
最终，通过总结反演原理及其实际应用意义，展望未来遥感生物量反演技术的发展方向，为相关领域的研究提供参考和借鉴。
浅析多源遥感数据融合原理及应用
浅析多源遥感数据融合原理摘要:本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。
首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。
关键词: 遥感影像融合融合层次融合方法优缺点对比目录1、绪论 (1)2、多源遥感数据融合的基本理论 (1)2.1 多源遥感数据融合的概念 (3)2.2多源遥感数据融合的原理 (4)2.3多源遥感数据融合层次 (4)2.3.1 像元级融合 (4)2.3.2 特征级融合 (4)2.3.3 决策级融合 (5)3、多源遥感数据融合常用方法 (5)3.1 主成分变换（PCT） (5)3.2 乘积变换 (5)3.3 Brovey比值变换融合 (5)4、实验与分析 (6)5、结语 (8)参考文献 (9)致谢 (10)1、绪论随着遥感技术的发展，光学、热红外和微波等大量不同卫星传感器对地观测的应用，获取的同一地区的多种遥感影像数据（多时相|多光谱、多传感器、多平台和多分辨率）越来越多。
形成多级空间分辨率、时间分辨率和光谱分辨率影像序列的金字塔结构。
通常，同一传感器获得的遥感影像的光谱分辨率较高时，其空间分辨率相对来说要低。
多源遥感数据融合理论与方法
• 引言 • 多源遥感数据融合理论 • 多源遥感数据预处理 • 多源遥感数据融合方法 • 多源遥感数据融合应用案例 • 总结与展望
01
引言
背景与意义
背景
随着遥感技术的不断发展，多源遥感数据在各个领域得到了广泛应用。然而，由 于不同来源的遥感数据具有不同的空间、时间和光谱分辨率，如何将这些数据融 合起来，以获得更准确、更全面的信息，成为了亟待解决的问题。
意义
多源遥感数据融合不仅可以提高遥感数据的精度和可靠性，还可以扩展遥感数据 的时空覆盖范围，为地理信息系统、环境监测、城市规划等领域提供更为精准的 信息支持。
研究现状与问题
研究现状
目前，多源遥感数据融合的研究已经取得了一定的成果，主 要涉及像素级融合、特征级融合和决策级融合等方法。然而 ，现有的融合方法在处理复杂场景时仍存在一定的局限性， 如信息丢失、噪声干扰等问题。
将单波段数据转换为多波段数据，或 反之。
数据格式转换与标准化
数据重采样
01
调整数据的分辨率或大小，以匹配目标要求。
数据裁剪
02
根据应用需求，裁剪掉多余的数据部分。
数据格式转换
03
将数据从一种格式转换为另一种格式，如GeoTIFF、ENVI等。
04
多源遥感数据融合方法
基于像素级的融合方法
像素级融合
信息。
详细描述
数据融合可以分为像素级融合、特征级融合和决策级融合。像素级融合是将多源图像的 像素级信息进行融合，以获得更为准确的空间信息；特征级融合是在像素级融合的基础 上，提取图像的特征信息进行融合，以提高图像的识别和分类精度；决策级融合则是将
来自不同图像的特征信息进行综合分析，得出更为准确的分类和识别结果。
多源遥感图像融合技术综述
多源遥感图像融合技术综述摘要：本文针对遥感图像分析的具体实践需要,论述了几种常用的基于像素级遥感图像融合方法的原理、特点、作用及限制条件,描述了其主要步骤,进行了定性分析,归纳并阐明了遥感数据融合效果定量评价指标及其意义,展望了遥感图像融合方法的发展与应用前景。
关键词：遥感图像融合、像素级、主成份分析法、小波变换分析法Abstract：According to the analytical practice of remotely sensed image, the paper introduces some popular fusion methods based on pixel-level, mainly discusses the principals,features, functions, conditions, qualitatively analyses the steps of the methods,generalizes and illustrates quantitative appreciation of the fusion effects, and explainthe development of image fusion techniques for remote sensing application, as well asit’s foregrounds in application.Key words: remote sensing image fusion, pixel-level,principal components analysis, wavelets analysis.0.引言遥感平台和传感器的发展，使得遥感系统能够为用户提供同一地区的多空间分辨率、多光谱分辨率、多时间分辨率的海量影像资料。
一般来说，多光谱图像的光谱分辨率较高，但空间分辨率比较低，即空间的细节表现能力比较差；全色图像具有较高的空间分辨率，但光谱分辨率较低。
土壤水分遥感反演研究进展
第３９卷第１３期２０１９年７月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．３９，Ｎｏ．１３Ｊｕｌ．，２０１９基金项目：国家重点研发计划项目（２０１７ＹＦＡ０６０４７０１）；中国博士后科学基金项目（２０１８Ｔ１１００６６，２０１７Ｍ６２００２９）；中央高校基本科研业务费专项收稿日期：２０１８⁃０４⁃２６；㊀㊀网络出版日期：２０１９⁃０４⁃１７∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｓｈｕａｉｗａｎｇ＠ｂｎｕ．ｅｄｕ．ｃｎＤＯＩ：１０．５８４６／ｓｔｘｂ２０１８０４２６０９４９潘宁，王帅，刘焱序，赵文武，傅伯杰．土壤水分遥感反演研究进展．生态学报，２０１９，３９（１３）：４６１５⁃４６２６．ＰａｎＮ，ＷａｎｇＳ，ＬｉｕＹＸ，ＺｈａｏＷＷ，ＦｕＢＪ．Ａｄｖａｎｃｅｓｉｎｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｆｒｏｍｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０１９，３９（１３）：４６１５⁃４６２６．土壤水分遥感反演研究进展潘㊀宁１，王㊀帅１，∗，刘焱序１，赵文武１，傅伯杰１，２１北京师范大学地理科学学部，地表过程与资源生态国家重点实验室，北京㊀１００８７５２中国科学院生态环境研究中心，城市与区域生态国家重点实验室，北京㊀１０００８５摘要：土壤水分精确反演对于理解和解决农业生产㊁生态规划以及水资源管理中的科学与实际问题至关重要㊂目前，大量的反演算法被广泛用于土壤水分估算，全球土壤水分遥感反演产品不断发布，反演算法与产品数据集的应用前景亟待系统梳理㊂基于不同谱段遥感探测技术中的土壤水分反演方法存在各自的特点㊁优势和局限性㊂除反演方法研究外，土壤水分遥感反演研究热点可被归纳为遥感土壤水分产品评估㊁在相关领域的应用㊁数据同化３个方面㊂大量研究表明土壤水分遥感反演产品在生态㊁水文㊁干旱等研究中表现出巨大的潜力，且在部分研究中已经得到应用㊂但目前土壤水分的遥感观测与应用需求仍存在一定的差距，因此最后对土壤水分遥感反演在探测的精度和准确度两个方面及其解决方案进行了总结与展望㊂关键词：土壤水分；反演方法；遥感产品；数据应用；数据同化ＡｄｖａｎｃｅｓｉｎｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｆｒｏｍｒｅｍｏｔｅｓｅｎｓｉｎｇＰＡＮＮｉｎｇ１，ＷＡＮＧＳｈｕａｉ１，∗，ＬＩＵＹａｎｘｕ１，ＺＨＡＯＷｅｎｗｕ１，ＦＵＢｏｊｉｅ１，２１ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥａｒｔｈＳｕｒｆａｃｅＰｒｏｃｅｓｓｅｓａｎｄＲｅｓｏｕｒｃｅＥｃｏｌｏｇｙ，ＦａｃｕｌｔｙｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅ，ＢｅｉｊｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００８７５，Ｃｈｉｎａ２ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＵｒｂａｎａｎｄＲｅｇｉｏｎａｌＥｃｏｌｏｇｙ，ＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＥｃｏ⁃ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００８５，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ａｃｃｕｒａｔｅｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｉｓｖｅｒｙｉｍｐｏｒｔａｎｔｆｏｒｕｎｄｅｒｓｔａｎｄｉｎｇａｎｄｓｏｌｖｉｎｇｓｃｉｅｎｔｉｆｉｃａｎｄｐｒａｃｔｉｃａｌｐｒｏｂｌｅｍｓｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ，ｅｃｏｌｏｇｉｃａｌｐｌａｎｎｉｎｇ，ａｎｄｗａｔｅｒｒｅｓｏｕｒｃｅｓｍａｎａｇｅｍｅｎｔ．Ａｔｐｒｅｓｅｎｔ，ａｌａｒｇｅｎｕｍｂｅｒｏｆｉｎｖｅｒｓｉｏｎａｌｇｏｒｉｔｈｍｓａｒｅｗｉｄｅｌｙｕｓｅｄｉｎｓｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｉｏｎ，ａｎｄｇｌｏｂａｌｓｏｉｌｍｏｉｓｔｕｒｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｐｒｏｄｕｃｔｓａｒｅｃｏｎｓｔａｎｔｌｙｐｕｂｌｉｓｈｅｄ，ｂｕｔｉｎｖｅｒｓｉｏｎａｌｇｏｒｉｔｈｍｓａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｐｒｏｓｐｅｃｔｓｏｆｐｒｏｄｕｃｔｄａｔａｓｅｔｓｎｅｅｄｔｏｂｅｓｙｓｔｅｍａｔｉｃａｌｌｙｃｏｍｂｅｄ．Ｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｍｅｔｈｏｄｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｄｉｆｆｅｒｅｎｔｓｐｅｃｔｒａｌｒａｎｇｅｓｈａｖｅｔｈｅｉｒｏｗｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ａｄｖａｎｔａｇｅｓ，ａｎｄｌｉｍｉｔａｔｉｏｎｓ．Ｉｎａｄｄｉｔｉｏｎｔｏｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄｓ，ｔｈｅｒｅｓｅａｒｃｈｈｏｔｓｐｏｔｓｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｍｏｉｓｔｕｒｅｃａｎｂｅｓｕｍｍａｒｉｚｅｄｉｎｔｏｔｈｒｅｅａｓｐｅｃｔｓ：ｅｖａｌｕａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｓｏｉｌｍｏｉｓｔｕｒｅｐｒｏｄｕｃｔｓ，ａｐｐｌｉｃａｔｉｏｎｉｎｒｅｌａｔｅｄｆｉｅｌｄｓ，ａｎｄｄａｔａａｓｓｉｍｉｌａｔｉｏｎ．Ａｌａｒｇｅｎｕｍｂｅｒｏｆｓｔｕｄｉｅｓｓｈｏｗｔｈａｔｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｐｒｏｄｕｃｔｓｆｏｒｓｏｉｌｍｏｉｓｔｕｒｅｈａｖｅｓｈｏｗｎｇｒｅａｔｐｏｔｅｎｔｉａｌｉｎｅｃｏｌｏｇｉｃａｌ，ｈｙｄｒｏｌｏｇｉｃａｌ，ｄｒｏｕｇｈｔ，ａｎｄｏｔｈｅｒｒｅｓｅａｒｃｈ，ａｎｄｈａｖｅｂｅｅｎａｐｐｌｉｅｄｉｎｓｏｍｅｒｅｓｅａｒｃｈ．Ｈｏｗｅｖｅｒ，ｔｈｅｒｅｉｓｓｔｉｌｌａｇａｐｂｅｔｗｅｅｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｏｂｓｅｒｖａｔｉｏｎｓａｎｄａｐｐｌｉｃａｔｉｏｎｉｎｓｏｉｌｍｏｉｓｔｕｒｅ．Ｔｈｕｓ，ｔｈｉｓｐａｐｅｒｆｉｎａｌｌｙｓｕｍｍａｒｉｚｅｓａｎｄｆｏｒｅｃａｓｔｓｔｈｅｐｒｅｃｉｓｉｏｎａｎｄａｃｃｕｒａｃｙｏｆＳｏｉｌＭｏｉｓｔｕｒｅＲｅｍｏｔｅＳｅｎｓｉｎｇＩｎｖｅｒｓｉｏｎａｎｄｉｔｓｓｏｌｕｔｉｏｎｓ．ＫｅｙＷｏｒｄｓ：ｓｏｉｌｍｏｉｓｔｕｒｅ；ｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｅｄｐｒｏｄｕｃｔｓ；ｄａｔａａｐｐｌｉｃａｔｉｏｎ；ｄａｔａａｓｓｉｍｉｌａｔｉｏｎ土壤水分作为重要的陆地表层系统要素，是生态㊁环境㊁农业等领域研究中不可忽视的指标㊂对比传统的６１６４㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀土壤水分测量方法如烘干法㊁时域反射法等局地土壤水分测量途径［１］，遥感技术提供了一种周期性㊁可全球覆盖的㊁多时相的对地观测手段［２⁃５］，为土壤水分研究带来了新的技术支撑㊂在目前遥感技术和土壤水分研究的衔接中，数据㊁方法与应用三者之间的级联特征尚缺乏梳理，容易致使数据误用，从而增加了遥感土壤水分产品在使用中的不确定性㊂基于此，本文拟依托数据㊁方法与应用的逻辑主线（图１），首先对土壤水分研究中所涉及到的遥感数据及对应方法的特点与不足进行梳理，为遥感技术在土壤水分研究中的应用提供更清晰的技术背景；随后对土壤水分数据产品的近今研究应用进行归纳总结，提出目前的研究热点及方向；最终就遥㊂感土壤水分的研究前景做出三点展望图１㊀遥感技术在土壤水分中的研究框架Ｆｉｇ．１㊀Ｒｅｓｅａｒｃｈｆｒａｍｅｗｏｒｋｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｓｏｉｌｍｏｉｓｔｕｒｅ１㊀土壤水分遥感定量反演基础１．１㊀光学遥感反演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㊂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的干旱指数或植被指数来反映土壤含水量［６⁃８］㊂在热红外波段，通过地表温度［９］或热惯量［１０］实现土壤水分的反演㊂其中地表温度常常与植被指数相结合，通过不同土壤水分条件下所观测到的卫星影像像元值在温度⁃植被指数特征空间的分布规律来估算土壤水分［１１⁃１４］㊂热惯量与土壤水分之间存在一定的理论基础，可以根据能量平衡方程来估算土壤水分，但由于物理模型较复杂，常常利用回归函数模型进行反演㊂在经验方程基础上，相关研究还在模型中对地形㊁土壤质地㊁风速等影响热惯量的因素进行了修正㊂例Ｄｏｎｇ等［１５］通过表层土壤温度估算了土壤热和水力参数，并用来促进土壤水分估算的精度和鲁棒性㊂对比之下，可见光⁃近红外波段可以反映地表植被生长状况，热红外波段的光谱特性可以通过能量平衡与土壤水分建立理论模型㊂因此在近几年光学遥感反演土壤水分的研究中，可见光⁃近红外波段数据常常与热红外波段数据进行融合分析㊂除上述温度⁃植被指数空间外，另一种常用的融合方法是蒸散与作物缺水指数法㊂例如虞文丹等［１６］在作物缺水指数构建模型中引入双层蒸散发模型，估算了表层２０ｃｍ土壤的相对含水量㊂此外还有多种融合方式，如除多等［１７］将生长季植被供水指数与热红外波段相结合实现西藏高原地区的土壤水分遥感监测；于君明等［１８］通过角度指数来修正ＭＯＤＩＳ数据近红外与两个热红外光谱之间的关系，提高了土壤水分监测的精度㊂此外，高光谱遥感技术也以其丰富的光谱信息广泛应用于土壤水分的反演中［１９］，例如Ｓａｄｅｇｈｉ等［２０］在波段选择的基础上提出了一种基于可见光⁃近红外波段估算土壤水分的线性物理模型㊂土壤反射光谱曲线中的水分吸收带主要体现在近红外的１４００ｎｍ㊁１９００ｎｍ和２２００ｎｍ左右，最佳波段选择㊁光谱特征增强（如微分光谱㊁差分等）是剔除数据冗余㊁提高反演精度的常用方法㊂利用高光谱技术反演土壤水分可以分为两种类型，一种是采用土壤采样的方法，分别获取土壤含水量和土壤反射光谱，通过经验模型建立土壤水分与光谱反射之间的关系，同时还可以用来分析土壤含水量与有机质㊁氮磷元素等含量的影响，此类实验研究较多［２１⁃２２］；另一种是利用高光谱影像实现土壤水分的分布制图㊂由于高光谱数据含有丰富的光谱信息，混合光谱分解是目前高光谱研究中的热点和难点，也引入到了土壤水分反演的研究中，例如蔡亮红和丁建丽［２３］利用小波变换对土壤光谱进行８层分解，分别对分解后特征光谱进行９种数学运算建立与土壤水分的回归模型，为反射率法反演土壤水分提供了新思路㊂１．２㊀微波遥感反演方法对比光学遥感，微波遥感波长较长，具有一定的穿透能力，不受云层㊁大气的影响，在对地观测研究中发挥着巨大的作用，近年来发射的对地观测卫星也均以微波传感器为主，如ＳＭＯＳ㊁ＳＭＡＰ等㊂微波遥感反演土壤水分受植被和粗糙度［２４⁃２５］影响较大，在光滑的裸土区域精度最佳，并随着土壤粗糙度和植被生物量的增加而降低，因此通常分裸露地表［２６］和植被覆盖地表进行反演分析㊂微波遥感反演地表土壤水分具有一定的理论基础［２７⁃２８］㊂理论模型不依赖于站点条件和传感器特性［２９］，在裸露地表或稀疏植被区建立的主动微波物理模型有几何光学模型㊁物理光学模型㊁小扰动模型以及积分方程模型ＡＩＥＭ等㊂前３个模型均有一定的粗糙度适用范围，而ＡＩＥＭ模型的粗糙度适用范围相对较宽㊂然而由于对表面粗糙度的敏感性及其参数测量困难，ＡＩＥＭ模型在实际应用中结果并不理想，过去的几年中出现了ＩＥＭ改进模型和许多解算方案，如神经网络㊁遗传算法等㊂主动微波经验模型假设粗糙度不变的情况下，后向散射系数和土壤水分之间有一个近似的线性关系［３０］㊂然而经验模型的参数设置一般只对特定的数据集和实验条件（如观测频率㊁入射角和表面粗糙度等）有效，该模型的建立需要大量实验基础，实现成本较高且鲁棒性较差㊂半经验模型是经验模型和理论模型的一个折中［３１⁃３２］，利用模拟或实测数据集来简化后向散射的理论模型，建立在一定的统计规律上，又在一定程度上反映了散射机制，能够获得较好的精度，如常用的Ｏｈ模型［３３］和Ｄｕｂｏｉｓ模型［３４］㊂随后，一些研究将两种常用模型耦合，提出了一种融合模型，即半经验耦合（ＳＥＣ）模型㊂ＳＥＣ模型在同向极化和交叉极化中均耦合了两种模型的最佳性能，并且不需要使用实测的粗糙度数据㊂与主动微波类似，被动微波反演土壤水分的方法也分为理论模型和经验模型，但相对而言受干扰因素更多㊂因此土壤粗糙度㊁土壤纹理信息等相关参数被引入土壤水分反演模型中，如Ｈｏｎｇ和Ｓｈｉｎ［２８］针对被动微波遥感提出了一种基于粗糙表面极化率特性反演土壤水分的算法㊂而在植被覆盖区，则需要引入植被指数或水云模型等来消除植被的影响㊂１．３㊀反演方法研究现状针对不同遥感数据类型的土壤水分反演方法各具特点和优势（表１）㊂其中光学遥感具有较高的空间分辨率，可以准确反映植被信息，技术相对成熟㊁可用卫星数据源多且可以获取高光谱分辨率数据；然而其时间分辨率差，受大气影响严重，多局限于区域研究，且大部分反演方法仅能反映土壤的相对湿度㊂微波遥感具有一定的穿透能力，不受云雾干扰，可以全天候观测，有相对完善的理论基础，更适合土壤水分的估算，但空间分辨率低，且受植被和地表粗糙度的影响㊂目前公开发表的一系列全球尺度的遥感土壤水分产品均建立在微波探测数据基础上㊂目前，土壤水分的遥感反演方法的研究方向可以分为４种主要类型㊂第一种是多源数据协同反演㊂除了上述光学遥感内部融合方法以外，主被动微波遥感数据相结合也是一种常用的数据融合方式［３５⁃３６］㊂如Ｋｏｌａｓｓａ等［３７］的研究表明ＡＭＳＲ⁃Ｅ的亮度温度数据和ＡＳＣＡＴ后向散射数据间的协同作用能够有效的提高土壤水分估算数据质量㊂Ｌｉｅｖｅｎｓ等［３８］将雷达的后向散射系数（ＡＳＣＡＴ数据）与辐射计的亮度温度（ＳＭＯＳ数据）相结合，从而促进土壤水分和陆地蒸发等水文要素的估算㊂而在植被覆盖区，采用微波与光学遥感相结７１６４㊀１３期㊀㊀㊀潘宁㊀等：土壤水分遥感反演研究进展㊀合的方式来消除植被对土壤水分反演的影响［３９⁃４０］㊂第二种是引入新的计算方法，如神经网络㊁遗传算法等，Ｓａｎｔｉ等［４１］和余凡等［４２］分别用人工神经网络和遗传ＢＰ神经网络实现了土壤水分的主被动遥感协同反演；随后，支持向量机等机器学习方法［４３⁃４４］在遥感中的应用成了新的热点；此外，更多的统计方法被引入到土壤水分反演的经验模型中，如贾继堂等［２２］基于多元统计分析建立了高光谱数据的土壤含水量反演模型㊂第三种是改进现有模型㊂由于土壤水分的遥感反演受多种因素的影响，如植被覆盖㊁地表粗糙度㊁土壤类型㊁地形等，理论模型过于复杂，从而在解算简化模型时会根据具体研究区域进行相应改进，从而提高反土壤水分反演的精度［４５⁃４８］㊂第四种是针对新对地观测传感器所获取数据的反演算法［４９⁃５２］㊂随着对地观测技术的发展，传感器的波段以及相应的数据获取方式也逐渐进步㊂因此利用此类数据反演土壤水分时，需要根据新的数据特征提出新的反演方法，如针对近两年发射的ＳＭＯＳ和ＳＭＡＰ卫星数据提出的一系列反演方法㊂表１㊀不同遥感探测类型对比表Ｔａｂｌｅ１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｒｅｍｏｔｅｓｅｎｓｉｎｇｔｙｐｅｓ光谱范围Ｓｐｅｃｔｒａｌｒａｎｇｅ观测属性Ｏｂｓｅｒｖａｔｉｏｎａｌａｔｔｒｉｂｕｔｅｓ优势Ａｄｖａｎｔａｇｅｓ局限性Ｌｉｍｉｔａｔｉｏｎｓ可见光⁃近红外Ｖｉｓｉｂｌｅｌｉｇｈｔ⁃ｎｅａｒｉｎｆｒａｒｅｄ土壤反射率空间分辨率高幅宽大表层穿透力差噪声源多限日间工作热红外Ｔｈｅｒｍａｌｉｎｆｒａｒｅｄ地表温度空间分辨率高幅宽大物理意义明确表层穿透力差噪声源多受大气状况㊁植被干扰强被动微波Ｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅ亮温介电特性大气干扰小穿透力强物理意义明确空间分辨率小受地表粗糙度㊁植被影响大主动微波Ａｃｔｉｖｅｍｉｃｒｏｗａｖｅ后向散射系数介电特性大气干扰小穿透力强物理意义明确空间分辨率小受地表粗糙度㊁植被影响大土壤水分存在一定的区域性，大部分学者会针对特定的地表类型或区域特征进行土壤水分的反演研究［５３⁃６１］㊂例如武晋雯等［６２］针对不同植被条件下的土壤水分监测方法进行了比较；刘焕军等［６３］则针对性研究了黑土的土壤水分的高光谱模型㊂此外还有针对干旱区㊁矿区㊁湿地等地表类型的土壤水分反演研究㊂这些土壤水分的反演方法在区域研究中表现良好并不意味着具有普适性，虽然理论基础相同，但在实际应用中表现各异，因此土壤水分的遥感反演方法始终是研究热点㊂２㊀主要研究热点２．１㊀遥感土壤水分产品评估对地观测卫星数量增加，微波探测器从Ｃ波段以发展到了Ｌ波段，为土壤水分观测增加了新的数据产品㊂如表２所示，目前发布全球遥感土壤水分数据的对地观测计划有ＡＳＣＡＴ［６４］㊁ＡＭＳＲ⁃Ｅ／２［６５］㊁ＳＭＯＳ［６６］㊁ＳＭＡＰ［６７］和我国的ＦＹ⁃３共５个，其中ＳＭＯＳ和ＳＭＡＰ是利用Ｌ波段进行地表探测的卫星计划㊂除此之外，２０１２年，作为气候变化公约（ＣｌｉｍａｔｅＣｈａｎｇｅＩｎｉｔｉａｔｉｖｅ，ＣＣＩ）项目的一部分，欧洲航空局（ＥｕｒｏｐｅａｎＳｐａｃｅＡｇｅｎｃｙ，ＥＳＡ）发布了首套数十年全球卫星观测土壤水分数据集，并已在气候变化㊁水文㊁生态等研究中得以应用［６８］㊂一系列全球尺度土壤水分数据集的发布，数据集在全球各地以及不同尺度的验证和对比分析成为了近几年的研究热点［６９⁃８５］㊂首先就时间尺度而言，由于卫星发射时间的不同，各数据集的时间序列参差不齐，其中ＥＳＡＣＣＩ数据集将相关微波数据进行融合获得了最长时间系列的土壤水分数据；其次由于传感器的探测波段不同，数据反演方法均有很强的针对性，空间分辨率也存在很大差异，具体见表２㊂验证数据包括实测数据和模型模拟数据两种检验类型，整体而言，各数据集均能满足应用需求，但普遍在地势平坦㊁地表裸露或草原区域数据精度较８１６４㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀高，且不同数据集的表现在不同区域存在很大的差异性㊂例如庄媛等［８６］的研究表明２０１２年的ＡＳＣＡＴ㊁ＷＩＮＤＳＡＴ㊁ＦＹ３Ｂ㊁ＳＭＯＳ共４种微波遥感土壤湿度产品在我国西北地区相对较好；而沈润平等［８７］的研究表明ＥＳＡＣＣＩ土壤湿度产品在我国东北地区精度最佳㊂此外，各数据集的空间相关性和时间敏感度也存在差异，如Ｐｏｌｃｈｅｒ等［８８］的研究表明，在伊比利亚半岛地区，ＳＭＯＳ数据空间相关性较差；Ｙｅｅ等［８９］在澳大利亚的马兰比季河流域比较了ＳＭＯＳ和ＡＭＳＲ⁃２数据的精度，指出若综合考虑绝对精度和时间精度，推荐最新版本的ＪＡＸＡ数据产品（ＪＸ２）；若只考虑时间精度，夜间观测获得的ＬＰ３Ｘ产品和早晨观测获得的ＳＭＯＳ２产品更佳㊂正是数据集之间存在很大的差异且区域表现的不确定性使得大量的研究聚集在数据的检验和对比㊂表２㊀全球遥感土壤水分产品对比Ｔａｂｌｅ２㊀ＣｏｍｐａｒｉｓｏｎｏｆｇｌｏｂａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｓｏｉｌｍｏｉｓｔｕｒｅｐｒｏｄｕｃｔｓＡＳＣＡＴＡＭＳＲ⁃Ｅ／２ＳＭＯＳＳＭＡＰＦＹ⁃３ＥＳＡＣＣＩ设备类型ＥｑｕｉｐｍｅｎｔｔｙｐｅＣ波段（５．２５５ＧＨｚ）主动微波６．９３ ８．９ＧＨｚ被动微波Ｌ波段（１．４ＧＨｚ）被动微波Ｌ波段（１．２ １．４ＧＨｚ）主被动微波微波成像仪多源数据空间分辨率Ｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎ１２．５ｋｍ，２５ｋｍＬｅｖｅｌ２：２５ｋｍＬｅｖｅｌ３：１２ｋｍ１５ ２１７０ｋｍ３５ｋｍ３ ４０ｋｍ５０ˑ８５／２５ｋｍ ２５ｋｍ时间分辨率Ｔｅｍｐｏｒａｌｒｅｓｏｌｕｔｉｏｎ３ｄ２次／ｄ１ ３ｄＬｅｖｅｌ３：１ｄ／３ｄ／１０ｄ／月３ｄ２次／ｄ１０ｄ／月１ｄ时间序列Ｔｉｍｅｓｅｒｉｅｓ２００７至今２００２ ２０１０２０１３至今２０１０至今２０１５至今２０１１至今１９７９至今反演精度Ｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙ０．０３ ０．０７ｍ３／ｍ３ȡ０．０４ｍ３／ｍ３ȡ０．０４ｍ３／ｍ３ȡ０．０４ｍ３／ｍ３０．０５ｍ３／ｍ３０．０４ｍ３／ｍ３㊀㊀ＡＳＣＡＴ，高级散射计，ｔｈｅＡｄｖａｎｃｅｄＳｃａｔｔｅｒｏｍｅｔｅｒ；ＡＭＳＲ⁃Ｅ／２，高级微波扫描辐射计，ｔｈｅＡｄｖａｎｃｅｄＭｉｃｒｏｗａｖｅＳｃａｎｎｉｎｇＲａｄｉｏｍｅｔｅｒ⁃Ｅ／２；ＳＭＯＳ，土壤水分和海洋盐度卫星，ｔｈｅＳｏｉｌＭｏｉｓｔｕｒｅａｎｄＯｃｅａｎＳａｌｉｎｉｔｙ；ＳＭＡＰ，土壤湿度主动／被动探测，ＳｏｉｌＭｏｉｓｔｕｒｅＡｃｔｉｖｅ／Ｐａｓｓｉｖｅ；ＦＹ⁃３，风云３号，Ｆｅｎｇｙｕｎ⁃３；ＥＳＡＣＣＩ，欧洲航空局气候变化公约，ＥｕｒｏｐｅａｎＳｐａｃｅＡｇｅｎｃｙＣｌｉｍａｔｅＣｈａｎｇｅＩｎｉｔｉａｔｉｖｅ２．２㊀在相关领域的应用土壤水分作为地表要素之一，在气候变化㊁陆气交互㊁全球生态㊁水文和地表模型以及干旱等研究中均起着不可或缺的作用㊂首先，在气候变化研究中，遥感土壤水分数周期性㊁时间序列长㊁空间范围广的优势有利于分析变化的空间分布和时间动态趋势［９０⁃９１］㊂Ｆｅｎｇ［９２］的研究表明，在全球尺度上，气候变化是土壤水分长时间变化的最主要驱动因素㊂因此土壤水分的变化在某种程度上反应了气候变化㊂Ｓｅｎｅｖｉｒａｔｎｅ等［９３］综合阐述了土壤水分在土地能源和水平衡中的作用，并详细分析了土壤水分与气候间的交互作用对温度和降水的影响以及在气候变化背景下的含义㊂在陆气交互研究中，土壤水分可以影响边界层的温湿变化㊂由于目前大部分关于土壤水分⁃蒸散发或土壤水分⁃温度耦合的研究都基于模型模拟结果或基于降水的干旱指数，而遥感可以提供长期的土壤水分观测估算数据，在研究蒸散发动态和大气反馈的同时还可以进行模型诊断［９４⁃９６］㊂Ｋｌｉｎｇｍｕｌｌｅｒ等［９７］将气溶胶光学厚度的正向趋势与ＥＳＡＣＣＩ土壤水分数据的反向趋势相连接，建立了更直接的土壤水分⁃大气反馈模型㊂他们的结果表明，在过去的１０年中，温度的升高和相对湿度的下降促进了土壤的干燥，导致了更多的粉尘排放和ＡＯＤ㊂在全球生物化学循环和生态系统中，土壤水分是植物物候学㊁光合作用㊁生物量分配以及土壤中碳的积累和分解等陆地生态系统过程的调节剂［９８⁃９９］㊂许多研究利用遥感土壤水分数据评估水分可用性和干旱对植物物候和生产力的影响［１００⁃１０３］㊂除此以外，也有部分学者关注于植被生长对土壤水分的影响㊂例如Ｆｅｎｇ等［１０４］分析了２００２ ２０１１年间的ＡＭＳＲ⁃Ｅ土壤水分数据，表明黄土高原退耕还林还草使土壤水分含量有所下降㊂此外，Ｐｅｒｉａｓａｍｙ等［１０５］还对土壤水分压力和盐分进行估算用于土地退化评价㊂在水文和陆表模型中，土壤水分联结了径流㊁洪水㊁蒸发㊁渗透和地下水补给等过程㊂遥感反演土壤水分９１６４㊀１３期㊀㊀㊀潘宁㊀等：土壤水分遥感反演研究进展㊀０２６４㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀数据在陆表模型和大尺度水文模型中的潜力已广泛得到认可［１０６］㊂Ｚｈｕｏ等［７２］以美国的某一流域为研究区，评估了ＳＭＯＳ升降两种观测所得土壤水分数据及其在水文气象模型中应用的可行性㊂首先遥感土壤水分数据可以用来洪水和径流预测，例Ｗａｎｄｅｒｓ等［１０７］的研究表明了多源遥感土壤水分数据在径流预测中的促进作用㊂其次，遥感土壤水分数据还可以用来促进水文循环中不同要素的定量化，如蒸散发［１０８⁃１０９］㊁地下水含量［１１０］以及降雨等㊂在干旱研究中，土壤水分的遥感数据可以直接用来监测农业干旱或者用来建立干旱指标［１１１⁃１１４］㊂例如Ｒａｈｍａｎｉ等［９１］利用ＳＭＯＳＬ３㊁ＥＳＡＣＣＩ和两种再分析土壤水分数据分析了伊朗６个子区域的土壤水分变化趋势，并通过计算标准土壤水分指数（ＳｔａｎｄａｒｄｉｚｅｄＳｏｉｌＭｏｉｓｔｕｒｅＩｎｄｅｘ，ＳＳＩ）来检测农业干旱事件的时间和规模㊂Ｍｉｓｈｒａ等［１１５］利用ＳＭＡＰ土壤水分数据构建了一个土壤水赤字指数作为农业干旱指标㊂２．３㊀数据同化在上述遥感土壤水分的应用研究中需要与降水㊁植被㊁蒸散发等数据共同计算，并涉及到许多的陆表过程㊁水文以及陆气交互模型㊂根据需求则需要将不同的数据类型或将遥感土壤水分数据引入到相应模型中，即同化㊂一方面，现有的遥感土壤水分数据产品存在精度不稳定㊁时间序列不连续㊁空间分辨率不匹配等缺陷，部分学者将不同的数据源进行同化，以满足研究需求㊂Ｌｉｕ等［３６］针对各数据集间数据质量不同等问题，提出了一种数据融合方法，将若干被动和主动微波获取的数据集融合为一个具有长时间序列的数据集㊂Ｋｏｌａｓｓａ等［３７］提出了一种利用回归方程生成长时间序列数据集的方法，将ＳＭＯＳ表层土壤水分作为回归方程的参考值，应用到ＡＭＳＲ⁃Ｅ的亮度温度数据，从而使得ＡＭＳＲ⁃Ｅ反演得出的表层土壤水分产品与ＳＭＯＳ产品达成一致㊂Ｃｒｏｗ等［５０］在美国的１６个流域对多个Ｌ波段微波遥感所得土壤水分数据与地表数据进行同化分析，提高了土壤水分信息的质量，并将土壤水分结果成功应用于水文预测㊂另一方面，遥感数据反演所得均为表层土壤水分数据，有学者利用数据同化获得根区土壤水分㊂如Ｄａｓ等［１１６］将机载遥感反演的表层土壤水分同化进入土壤⁃水⁃大气⁃植物（ＳＷＡＰ）模型中，估算了核桃谷流域根区土壤水分㊂Ｂａｌｄｗｉｎ等［１１７］提出了一种集合卡尔曼滤波（ｅｎｓｅｍｂｌｅＫａｌｍａｎｆｉｌｔｅｒ，ＥｎＫＦ）水文数据同化系统来预测卫星土壤水分数据中的偏差，并结合土壤水分解析关系（ＳｏｉｌＭｏｉｓｔｕｒｅＡｎａｌｙｔｉｃａｌＲｅｌａｔｉｏｎｓｈｉｐ，ＳＭＡＲ）渗透模型，利用卫星观测的表层土壤水分实现根区土壤水分的预测㊂也有部分学者反其道而行之，如Ｃｏｏｐｅｒｓｍｉｔｈ等［４４］由于实测传感技术和现有土壤水分观测网站无法提供实测表层土壤水分数据，从而通过机器学习方法，利用１０ｃｍ探测数据以及当前降水数据估算表层５ｃｍ的土壤水分，可以用来验证和分析遥感土壤水分估算结果㊂此外，由于数据或数据集之间的空间分辨率存在差异，在数据融合和同化的过程中涉及到一些数据降尺度或升尺度算法㊂降尺度算法可以数据的空间分辨率提高；而升尺度算法将数据的空间分辨率降低㊂如王璐等［１１８］基于克里格法实现了土壤水分遥感数据的空间尺度转换㊂Ｆａｎｇ和Ｌａｋｓｈｍｉ［１１９］在流域尺度，提出了一种利用高空间分辨率的地表温度和植被指数对被动微波反演所得土壤水分降尺度的算法，以提高土壤水分数据的空间分辨率㊂对于该部分研究内容，周壮等［１１９］和Ｑｉｎ等［１２０］已分别对降尺度和升尺度算法进行了详细综述分析㊂３㊀研究展望土壤水分作为四大圈层水分大循环中的重要组成部分，是对地观测中不可忽视的要素㊂遥感反演土壤水分的研究减少了野外采样获取土壤水分的人力劳动，且有着观测范围广㊁周期性㊁长时间序列的优势㊂随着遥感技术的发展，对地观测所用的波段范围越来越广泛；土壤水分遥感反演方法愈加的多元化且更为成熟和完善；同时越来越多的对地观测计划提供了全球土壤水分数据集，并在气候㊁生态干旱等研究中得以应用㊂然而遥感土壤水分观测与地球系统的研究需求之间仍然存在一些差距㊂首先，受遥感探测数据源的限制，获取的均为土壤表层数据㊂其次，土壤水分的反演方法表现出局限性，使得反演结果的精度有待提高㊂同时，由于遥感反演结果的不确定性，遥感土壤水分产品在生态㊁水文等领域的应用受到很大限制㊂因此，为满足科研需求，遥感土壤水分观测需要从精度和准确度两个方面进行提高㊂３．１㊀增加探测深度就深度而言，由于遥感探测器接收的地表辐射穿透能力有限，仅与表层土壤水分的相关性较强，最深仅可估算３０ｃｍ厚度的土壤水分㊂而在生态㊁水文等研究中，土壤水分的入渗以及部分植物的根系生长深度远超３０ｃｍ，使得遥感土壤水分反演数据与径流㊁植物生长等要素的联系并不紧密，因此在相关应用中表现出局限性㊂为了解决这一问题，需要建立遥感数据或反演所得表层土壤水分与深层土壤水分的关系㊂在这一过程中，可以引入土壤热学和水力学性质，分析土壤水分在土壤剖面的分配规律，从而实现深层土壤水分的遥感估算，例如Ｄａｓ等［１１６］和Ｂａｌｄｗｉｎ等［１１７］根区土壤水分的遥感预测的研究㊂如果将深层土壤水分的遥感估算进行全球推广，将对全球生态和水文研究具有重大意义㊂３．２㊀提高探测准确度准确度包含两个方面的含义，一是探测的精度，尽可能的减小估值和真值之间的误差；二是在空间和时间上的准确性㊂就精度而言，虽然在区域尺度上，一些反演结果的精度可以满足研究的需求，但全球尺度上的空间异质性使得遥感反演土壤水分产品在不同区域的精度参差不齐㊂例如，Ｗｕ等［７１］指出ＡＭＳＲ２土壤水分数据普遍比实际土壤水分数据低，在大平原与实测数据的匹配度高，而在森林区匹配度差㊂因此，提高土壤水分的遥感反演精度以及空间一致性将增加反演结果的实用性㊂就空间尺度而言，增加空间分辨率将能够为更多的区域性应用研究提供服务㊂目前公布的土壤水分产品均建立微波遥感数据基础上，空间分辨率相对较为粗糙，无法进行区域的精细研究，且与实测数据或模型模拟数据结合时存在尺度不一致的问题㊂在时间维度上，全球遥感土壤水分产品受不同对地观测计划的时间限制，时间序列不连续㊂解决这一系列问题的最有效方法就是数据融合，集合多源数据的优势，且目前有些学者已经涉及到相关的解决方案㊂虽然遥感反演土壤水分的研究中仍面临一些问题，短时间内上述提到的遥感土壤水分产品的不确定性难以从根本上得到解决，然而数据融合和协同方法可以对这一现状进行改善，为遥感土壤水分数据的应用提供了更多可能㊂但与其他土壤水分监测方法相比，遥感反演方法除了可以减少人力投入以外，所获土壤水分数据也有着不可比拟的优势㊂遥感反演土壤水分数据是大范围㊁面状㊁周期性的电子数据，可操作性强，更有利于分析土壤水分的异质性以及与其他生态㊁水文㊁气象等因子的相互关系㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀Ｌｅｋｓｈｍｉ，ＳＵＳ，ＳｉｎｇｈＤＮ，ＢａｇｈｉｎｉＭＳ．Ａｃｒｉｔｉｃａｌｒｅｖｉｅｗｏｆｓｏｉｌｍｏｉｓｔｕｒｅｍｅａｓｕｒｅｍｅｎｔ．Ｍｅａｓｕｒｅｍｅｎｔ，２０１４，５４：９２⁃１０５．［２］㊀杨涛，宫辉力，李小娟，赵文吉，孟丹．土壤水分遥感监测研究进展．生态学报，２０１０，３０（２２）：６２６４⁃６２７７．［３］㊀陈书林，刘元波，温作民．卫星遥感反演土壤水分研究综述．地球科学进展，２０１２，２７（１１）：１１９２⁃１２０３．［４］㊀ＰｅｔｒｏｐｏｕｌｏｓＧＰ，ＩｒｅｌａｎｄＧ，ＢａｒｒｅｔｔＢ．Ｓｕｒｆａｃｅｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｓｆｒｏｍｒｅｍｏｔｅｓｅｎｓｉｎｇ：ｃｕｒｒｅｎｔｓｔａｔｕｓ，ｐｒｏｄｕｃｔｓ＆ｆｕｔｕｒｅｔｒｅｎｄｓ．ＰｈｙｓｉｃｓａｎｄＣｈｅｍｉｓｔｒｙｏｆｔｈｅＥａｒｔｈ，ＰａｒｔｓＡ／Ｂ／Ｃ，２０１５，８３⁃８４：３６⁃５６．［５］㊀徐沛，张超．土壤水分遥感反演研究进展．林业资源管理，２０１５，（４）：１５１⁃１５６，１６０．［６］㊀ＷａｎｇＬＬ，ＱｕＪＪ．ＮＭＤＩ：ａｎｏｒｍａｌｉｚｅｄｍｕｌｔｉ－ｂａｎｄｄｒｏｕｇｈｔｉｎｄｅｘｆｏｒｍｏｎｉｔｏｒｉｎｇｓｏｉｌａｎｄｖｅｇｅｔａｔｉｏｎｍｏｉｓｔｕｒｅｗｉｔｈｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＧｅｏｐｈｙｓｉｃａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓ，２００７，３４（２０）：１１７⁃１３１．［７］㊀ＧｈｕｌａｍＡ，ＱｉｎＱＭ，ＺｈａｎＺＭ．Ｄｅｓｉｇｎｉｎｇｏｆｔｈｅｐｅｒｐｅｎｄｉｃｕｌａｒｄｒｏｕｇｈｔｉｎｄｅｘ．ＥｎｖｉｒｏｎｍｅｎｔａｌＧｅｏｌｏｇｙ，２００７，５２（６）：１０４５⁃１０５２．［８］㊀ＧｈｕｌａｍＡ，ＱｉｎＱＭ，ＴｅｙｉｐＴ，ＬｉＺＬ．Ｍｏｄｉｆｉｅｄｐｅｒｐｅｎｄｉｃｕｌａｒｄｒｏｕｇｈｔｉｎｄｅｘ（ＭＰＤＩ）：ａｒｅａｌ－ｔｉｍｅｄｒｏｕｇｈｔｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄ．ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００７，６２（２）：１５０⁃１６４．［９］㊀喻素芳，范文义，秦武明，吴英，陆道调．地表温度估测土壤含水量．广西大学学报：自然科学版，２００７，３２（Ｓ１）：１１０⁃１１２．［１０］㊀张霄羽，毕于运，李召良．遥感估算热惯量研究的回顾与展望．地理科学进展，２００８，２７（３）：１６６⁃１７２．［１１］㊀柳钦火，辛景峰，辛晓洲，田国良，杨贵军．基于地表温度和植被指数的农业干旱遥感监测方法．科技导报，２００７，２５（６）：１２⁃１８．［１２］㊀田苗，王鹏新，孙威．基于地表温度与植被指数特征空间反演地表参数的研究进展．地球科学进展，２０１０，２５（７）：６９８⁃７０５．［１３］㊀林巧，王鹏新，张树誉，李俐，景毅刚，刘峻明．不同时间尺度条件植被温度指数干旱监测方法的适用性分析．干旱区研究，２０１６，３３（１）：１８６⁃１９２．［１４］㊀沙莎，郭铌，李耀辉，胡蝶，王丽娟．温度植被干旱指数（ＴＶＤＩ）在陇东土壤水分监测中的适用性．中国沙漠，２０１７，３７（１）：１３２⁃１３９．１２６４㊀１３期㊀㊀㊀潘宁㊀等：土壤水分遥感反演研究进展㊀。
植被覆盖地表土壤水分遥感反演
植被覆盖地表土壤水分遥感反演一、概述植被覆盖地表土壤水分遥感反演是当前遥感科学与农业科学交叉领域的重要研究方向。
随着遥感技术的不断进步，利用遥感手段对植被覆盖地表下的土壤水分进行反演，已经成为监测土壤水分动态变化的有效手段。
本文旨在深入探讨植被覆盖地表土壤水分遥感反演的基本原理、方法进展及实际应用，以期为相关领域的研究和实践提供有益的参考。
植被覆盖地表土壤水分遥感反演的基本原理在于，通过遥感传感器获取地表植被和土壤的综合信息，进而利用特定的反演算法提取出土壤水分含量。
这一过程中，植被覆盖对遥感信号的影响不可忽视，如何有效去除植被覆盖的影响，成为植被覆盖地表土壤水分遥感反演的关键问题。
在方法进展方面，近年来国内外学者提出了多种植被覆盖地表土壤水分遥感反演方法，包括基于植被指数的反演方法、基于热惯量的反演方法、基于微波遥感的反演方法等。
这些方法各有特点，适用于不同的研究区域和植被类型。
随着深度学习等人工智能技术的快速发展，其在植被覆盖地表土壤水分遥感反演中的应用也逐渐受到关注。
在实际应用方面，植被覆盖地表土壤水分遥感反演在农业、生态、环境等领域具有广泛的应用前景。
通过实时监测土壤水分状况，可以为农业生产提供科学的灌溉指导，提高水资源的利用效率也可以为生态环境监测和评估提供重要的数据支持，有助于维护生态平衡和可持续发展。
植被覆盖地表土壤水分遥感反演是一项具有重要意义的研究工作。
随着遥感技术的不断进步和反演算法的不断优化，相信这一领域的研究将会取得更加丰硕的成果。
1. 背景介绍：植被覆盖地表土壤水分的重要性及其在农业、生态和环境监测中的应用。
植被覆盖地表的土壤水分是地球水循环的重要组成部分，它直接影响着植被的生长和生态系统的平衡。
在农业领域，土壤水分是作物生长的关键因素之一，其含量和分布直接影响着作物的产量和品质。
准确获取植被覆盖地表的土壤水分信息，对于指导农业生产、优化水资源管理具有重要意义。
在生态方面，土壤水分与植被覆盖度之间存在着密切的相互作用关系。
基于多源遥感数据的灌区农田蒸散发和土壤墒情反演及应用
多年来,农田相对蒸发比值Kc,a表现出下降的趋势,平均每年下 降幅度为0.3%。(5)Landsat和MODIS尺度遥感反演表层土壤水分 与观测值相关性较好,决定系数分别为0.743和0.569;Landsat和 MODIS尺度根层土壤水分与观测值之间的决定系数分别为0.772 和0.585。
在土壤水分空间降尺度中,非灌溉时段内融合结果与观测值较接 近,春小麦相对误差低于20%,春玉米和向日葵相对误差低于10%; 在灌溉时段内,由于遥感影像没有捕捉到因灌溉而发生的土壤水 分剧烈变化,融合结果与观测值误差较大,春小麦最大相对误差 出现在5月15日,为58.48%,春玉米和向日葵最大误差出现在7月 10日和7月13日,分别为12.91%和33.56%。(6)在春玉米地、向日 葵地和春小麦地灌溉前代表日中,大部分面积的土壤相对湿度在 60%以上,出现轻旱面积较小。
在田块尺度中,融合蒸散发与水量平衡蒸散发变化过程吻合,春 玉米、春小麦和向日葵决定系数R2分别达到了 0.85、0.79和 0.82,均方根误差均低于0.7mm/d,相对误差均低于16%。在总量 验证中,融合蒸散发与水量平衡蒸散发相一致,两者决定系数达 到了 0.64。
融合蒸散发与Landsat蒸散发在空间纹理信息和差异性上一 致,07月23日、08月24日和09月01日相关系数分别达到0.85、 0.81和0.77,差值均值分别为0.24mm、0.19mm和 0.22mm,标准偏 差分为 0.81mm、0.72mm 和 0.61mm。(3)不同作物生育期和非 生育期蒸散发差别较大,但4-10月份不同作物平均蒸散发差异较 小。
研究得到的结论如下:(1)构建了不同作物生育期内高时空NDVI 数据集,结合实体作物NDVI变化特征、迭代自组织数据分析技术 (ISODATA)和光谱耦合技术(SMT),反演了解放闸灌域2000-2015 年间7年的作物分布信息。粮食作物春玉米和春小麦种植面积逐 年增加,尤以春玉米变化幅度最大,由2000的0.83万hm2增加到 2015年的4.02万hm2。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
高精度无缝化定量遥感反演技术 已成为遥感科学发展方向
多光谱
高光谱
合成孔径雷达
热红外
大气激光高度计
地表激光高度计
被动微波
雷达高度计
深空探测
微波测距
测光仪
散射计
单一遥感器的定量遥感产品精度不高、时空不连续、产品之间 一致性差，尚缺乏独立于传感器的定量化遥感综合产品。
发展多源遥感高精度协同反演技术，综合利用星机地综合观测 数据资源，形成高精度无缝化定量遥感产品快速实时生产能力
叶面积指数全球产品及精度分析
目前全球部分LAI产品主要特征
MODIS (for C4 LAI）
AVHRR (for C3 LAI）
VEGATATION
叶面积指数全球产品及精度分析
全球LAI产品直接验证 框架和策略
地面点测量 ESU 站点尺度 高分辨率LAI参考图
( Morisette et al., 2006 & Garrigues et al., 2008 )
植被精细分类、 植被指数、叶面积指数、植被 1 覆盖度、叶率素含量、物候期、 光合有效辐射吸收比例 2 气溶胶光学厚度、反照率、地 表温度、冠层温度、发射率
30m1k m 30m1km
HJ, 高分 农业、林业、 ,CBERS, 生态 FY 环境、生态、 HJ, FY, CBERS 气候变化 环境、气候 变化 水资源、气 候变化 HJ, FY
总体:实现遥感数据服务到遥感产品服务的跨越 一期：突破关键技术，建立原型系统，2012.1-2014.12 二期：集成一期研究、建立业务化系统，2013.1-2015.12
一、项目总体目标
项目一期：2012—2014年
批复经费：9612万元，分为11个课题
重点开展星机地综合定量遥感标准与规范研究、核心关键技术
-6
0.4×10
-6
研究电磁波与地物的相互作用机理， 建立地表与大气遥感辐射传输模型。
L f , s x, y, z , t, , P,
大气散射
近 红
中 红
0.7×10 10
-6
-6
太阳入射光
可见光反射建模 热红外辐射建模
热 红 外
太 赫 兹 微 波
10 10
-5 -4 -3 -2
：波长
应用产品
全球粮食安全、碳贸易
应用
基础产品：星机地组网观测的多传感器标准化、归一化处理的标准产品； 共性产品：具有明确地学含义的时空无缝定量遥感产品： 专题产品：结合专业模型生成具有明确应用意义的遥感产品； 应用产品：行业应用决策支持信息产品。
定 量 遥 感 产 品 按 需 生 产 与 服 务 流 程
专题N
…..
二、项目总体设计
课题及项目对接设计 一期
课题一 星机地立体组网协同观测 课题二 载荷与数据质量综合测试
二期
星机地综合定量遥感产品 技术服务系统
遥感数据获取与服务 课题三 地物目标特性知识库与定 量遥感产品同化 课题四 按需快速处理与陆表综合 观测定量遥感产品生成
课题一：星机地综合观测定量遥 感融合处理与共性产品生产系统
课题十一 定量遥感综合服务平台
课题三：综合定量遥感产品服务规 范及运营系统
星机地综合定量遥感产品生产系统研发目标
（1）突破多源遥感协同高精度定量反演、特定传感器 无关的多尺度定量遥感产品无缝化生产等核心技术； （2）建立新的全球综合观测多尺度全球多尺度多源定 量遥感产品生产系统，具备全球公里级、区域百米级和 十米级共性定量遥感产品自动化、规模化快速生产能力。
o
临近效应
v
s x , y , z：空间位置 t：时相
10
10 1
：观测几何
P：地表参数
目标像元
邻近像元
：传感器参数
存在的问题：以叶面积指数产品为例
目前遥感反演LAI的方法一般大体可以分为三类：经验关系法、物理
模型法和混合反演法。
（1）经验关系法：建立LAI实测值与植被指数经验统计关系。算法简 单，易于实现且计算效率高但缺乏物理机理描述，普适性差。
攻关、系统总体设计和原型系统开发，以及模型方法的实验验证， 为二期项目开展提供技术方法支撑。
项目二期：2013—2015年
批复经费：3710万元，分为3个课题 集成一期关键技术，重点解决全球定量遥感信息服务，建立
业务化的运行系统
二、项目总体设计
1. 框架设计：中国遥感网的组成单元及其相互关系
卫星遥感网 （松/紧耦合）
MTSAT
MSG GOES-E GOES-W FY-3A/VIRR FY-3A/MERSI MODIS Vegetation NOAA/AVHRR16,17,18,19 MeTOP/AVHRR ENISAT/MERIS SPOT/VEGETATION NPP/VIIRS
地表参数多源遥感协同反演
报告人：柳钦火
中国科学院遥感与数字地球研究所/北京师范大学
遥感科学国家重点实验室
State Key Laboratory of Remote Sensing Science 2013年11月1日
报告提纲
一、引言
二、全球综合观测共性定量遥感产品生成系统设计 三、地表参数多源遥感协同反演研究进展
定量遥感产品与过程模型同化,提高模型模拟预报能力？（时 间维）
总体思路
一 期 多源多尺度协 同反演算法， 提高产品精度 多源多尺度数据归 一化，为算法提供 标准输入数据
卫星组网，提 高时空覆盖
多源多 尺度定 量遥感 产品生 产系统
自动化技术，提高算法 的实用性 二 期 高性能计算，提高效率
25
课题五 遥感产品真实性检验 遥感共性产品提供
数据产品提供 共性产品提供
课题十 生态环境 要素监测 与评估
课题六 森林生物 量和碳储 量遥感 估测
课题七 大宗作物 遥感定量 监测
课题八 重要矿产 资源与能 源遥感 探测
课题九 国际河流 遥感监测
课题二：典型应用领域全球定量遥 感产品生产体系 应用产品提供
叶面积指数全球产品及精度分析
全球LAI产品交叉验证 框架和策略
(Garrigues et al., 2008)
存在的问题
针对特定遥感传感器的产品，定量化水平低、时空 不连续，精度不高；
• 定量遥感仍存在关键技术瓶颈亟待突破
不同传感器定量遥感产品不一致性问题 多源遥感协同反演问题 地星协同的定量遥感估算问题 ( Garrigues, 2008)
静止卫星组网
中低分辨率极 轨卫星组网
v v v v v v v v
客观条件 传感器辐射性能 卫星运行性能 运行轨道 波段设置 时间分辨率 空间分辨率 数据质量 …… 主观条件 应用目的 行业需求 参数选择 算法设计 精度要求 ……
静止卫星组网 体系与规范
中低分辨率极 轨卫星组网 体系与规范
高分辨率极轨 卫星组网
急需开展对境外乃至全球的有效监测，为国家决策 与外交谈判提供信息支撑
遥感技术是跨境获取全球战 略资源状况信息的重要手段
星机地立体综合定量遥感系统，具有
充分利用卫星、航空和地基遥感平台的优
势，显著增强全球资源环境监测能力
地球观测系统发展迅速
美国：NASA 不断提出以地球系统为研究对象的对地观测计划，引领遥感发 展方向，EOS计划等 欧盟：SPOT、ENVISAT等卫星计划独具特色 我国：气象卫星、资源卫星、海洋卫星、环境减灾小卫星星座逐步业务化， 高分辨率对地观测专项
航空遥感网 （区域分布）
地面数据传感网 （行业/区域）
天 空 地 一 体 化 遥 感 观 测 网
库元 数 据 建
遥感 数据 库
验遥 感 综 合 试 真 实 性 检 验
遥感 模型 库
共性 产品 库
遥 感 数 据 共 享 网
全 球 性 应 用 示 范
中亚
非洲
行 业 应 用 示 范
专题 1
全 球 与 行 业 应 用 示 范 网
5
定量遥感的核心是从观测数据中反演地表参数；
遥感辐射传输模型是遥感反演的基础。
P 是待反演的地表参数
L f , s x, y, z , t, , P,
遥感科学国家重点实验室
State Key Laboratory of Remote Sensing Science
单位: m 紫 外 线 可 见 光 0.01×10
针对粮食、矿产、森林、水与环境等领域应用 定量遥感产品需求分析
编 号 遥感产品 分辨率 主要应用 领域 主要针对 的国内遥 感产品 主要针对的国外遥感产 品 TM, MODIS, MISR, MERIS, VEGETATION, POLDER, MSG TM, MODIS, ASTER, AATSR, MSG, GMS, GOES MODIS、MTSAT、 GOES、MSG SMOS, SMAP, AMSRE, TRMM、AMSR、 AMSU-B、GEO-VIRS AVHRR, MODIS , AATSR, MSG, MTSAT、 GOES 问题
产品体系设计：产品种类
多源协同的产品将在性能上得到提高 空间分辨率提高：7种 空间覆盖范围提高：2种 时间分辨率提高：15种 新产品：6种
26
产品体系设计：组网卫星数据
数据类型 卫星/传感器
FY-2D
数据类型
卫星/传感器
Landsat/TM
静止卫星数据
(波段：可见光—热红外； 分辨率：公里至10公里)
面临的问题与挑战
构建多维度定量遥感网，构建全球高精度定量遥感产品无缝化 生产技术体系，面临的问题和挑战： 卫星、航空与地面传感器组网与协同观测技术体系 多维度定量遥感网产品生成技术体系？ 多尺度时空遥感数据的高精度定标与流程化处理？ 光学与微波的协同反演（光谱维） 星地协同观测与同化（知识维） 遥感产品的空间尺度效应与真实性检验（空间维）