利用微波遥感监测反演裸露 地表湿度
利用微波遥感监测反演裸露地表湿度（2008.12 M.R.Feng）摘要：本文主要讲叙微波遥感在反演土壤湿度方面的应用，其中主要是针对于主动微波遥感的方法，文中简单介绍了主被动微波遥感监测土壤表面湿度的原理，即基于干燥土壤和水体之间介电常数的巨大差异，重点在于如何区分土壤表面湿度和粗糙度信息，本文简单介绍了加拿大学者M.R.Sahebi和J.Angles基于RadarSat-1数据，利用多角度方法来反演地表参数(湿度和粗糙度)，通过比较三个经验模型(GOM、OM、MDM)模拟效果，最后MDM得到了较好的结果。
关键词：土壤湿度；微波遥感；粗糙度；反演1 引言1.1研究背景土壤湿度是水文、农业、气象的主要基础信息，也是进行土地退化评价等生态环境研究的重要指标。
土壤湿度与土壤的风蚀、水蚀等有着密切的关系。
土壤湿度的研究方法可分为传统方法和遥感方法两大类。
与传统的土壤水分监测方法相比，飞速发展的遥感技术手段监测土壤水分具有许多不可替代的优势，包括快速、实时、长时期动态大区域监测以及良好的时间空间分辨率。
随着遥感技术的不断创新，遥感反演土壤湿度的方法也成为研究热点[1]。
土壤水分的监测由于受到面积大、监测环境条件等的限制，使实地测量的方法不能广泛应用，一些传统的土壤水分监测的方法已经不能满足要求，需要新的、快速的方法来实现。
遥感技术具有快速、有效、宏观的等优点，在大面积土壤水分监测中具有明显的优势，而且遥感获取数据周期短可以实现土壤含水量短周期内的动态监测。
目前土壤水分的遥感监测已经有许多的研究，并且形成了许多的理论和方法，各种方法都有自己的优势和特点，主要从不同的监测指标来实现土壤水分的监测，因此在监测精度与实用性上存在着很大的差别。
目前遥感监测土壤水分的主要方法和模型也有不少，比如说表观热惯法、作物缺水指数法、距平植被指数法。
但是利用微波遥感反演地表湿度是比较常见的方法，本文主要是讲叙微波遥感在监测地表湿度方面的应用，特别是对裸露的地表。
1.2研究现状微波土壤水分遥感研究始于20世纪80年代, 其中最具代表性的是Ulaby利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量。
80年代后, Dobson和Ulaby利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式, 并一致认为小角度入射后向散射系数对土壤湿度最敏感。
随着微波散射模型不断发展, 相继出现微波散射的小扰动模型、几何光学模型、物理光学模型、双尺度模型和积分方程模型A IEM。
Doboson等在物理模型和试验研究的基础上各自建立了经验和半经验模型, 成功地反演了裸土的土壤含水量。
2000年以来, 随着Rardrsat，ENV ISAT ASAR传感器发射，基于卫星雷达数据的土壤湿度反演逐步开展。
微波遥感土壤水分法精度较高，且可以全天候使用。
微波遥感成本高，而且一些影响计算精度的参数的获取受到许多限制，目前还未能进入实用阶段。
2 微波遥感土壤湿度检测方法简述微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种。
此方法物理基础坚实，它们都是基于干燥土壤和水体之间介电常数的巨大差异。
不同含水量的土壤表现出明显不同的介电特性，土壤的散射和热辐射强烈地依赖于土壤的湿度。
即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。
土壤的介电常数随土壤湿度的升高而升高（如图1所示），表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。
因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。
图1 土壤的介电常数随土壤湿度的升高而升高2.1 主动微波遥感监测法采用成像雷达的主动微波遥感法，以应用x波段侧视雷达为主，方法主要是后向散射系数法。
因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。
主动微波遥感土壤水分精度较高，且可以全天候使用，成为监测水分最灵活、最适用、最有效的方法，随着大量的主动微波遥感器的卫星（ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM等）的发射升空，将使微波遥感的成本不断下降，逐渐被应用于实践。
2.2 被动微波遥感监测法基于微波辐射计的被动微波方法，相比红外与可见光，它具有波长长，穿透能力强的优势，相比主动微波雷达，被动微波辐射计具有监测面积大、周期短，受粗糙度影响小，对土壤水分更为敏感，算法更为成熟的优势。
然而微波辐射计观测到的亮温除了受土壤水分影响外，还要考虑如植被覆盖、土壤温度、雪覆盖以及地形、地表粗糙度、土壤纹理和大气效应以及地表的异质性等其它因子的影响，在植被覆盖区，微波辐射测量土壤湿度的有效采样深度为2～5 cm, 在植被较密时，为了消除植被对土壤湿度反演的影响，应尽量选择波段较长的微波辐射计。
目前，已研究出许多使用被动微波辐射计反演土壤水分的方法，这些方法大部分是围绕着土壤湿度与亮温温度之间的关系进行，同时也考虑其它各种不同因子对地表微波辐射的影响。
这两种方法具有互补性，被动微波系统重复观测频率高，数据量低，数据处理简单，但分辨率低。
主动微波系统数据分辨率高，但数据量大，处理数据复杂。
3 主动微波湿度反演问题(区分湿度与粗糙度影响)在微波波段的主被动遥感中，土壤的湿度和粗糙度是影响其散射和热辐射的最主要因素。
不同含水量的土壤表现出明显不同的介电特性，即土壤的散射和热辐射强烈地依赖于土壤的湿度。
土壤的热发射率可从干土的0.95左右变化到湿土的0.6以下。
另外由于地表是高低不平的，波入射到地表后产生由于粗糙面而引起的相干和非相干面散射。
因此土壤表面的散射和热辐射特性也与其粗糙度密切相关，在高额条件下这一关系尤为显著。
大多数情况下，土壤湿度和粗糙度的变化是同时存在的。
从雷达后向散射信号中提取土壤含水量信息时，面临的最大困难是如何科学合理地将土壤含水量信息与其它信息区分开。
很多情况下，粗糙度对后向散射的影响相当大甚至超过土壤含水量的影响。
因此定量地确定土壤表面湿度和粗糙度是一个尚未解决的问题，主动微波遥感应用前景广阔，但目前还没有可以业务接收的主动雷达资料，阻滞了主动微波土壤含水量的遥感反演业务应用的研究试验。
土壤水分反演方法，从反演中所用的数学方法来看，目前存在3种主要的土壤水分反演方法，分别是：①数理统计算法(经验算法);②正向模型反演算法;③神经网络反演算法。
在求解随机粗糙面散射方面，目前有许多比较成熟的方法。
如大尺度的基尔霍夫近似法、小尺度的微扰法以及综台这两者的双尺度法等等。
对于基尔霍夫近似法。
根据表面起伏均方根高度与入射波长比值的大小又可分为二种方法-即几何光学近似法(大起伏)和标量近似法(小起伏)。
其中标量近似法还必须满足表面均方根坡度不大于0.25。
实际测量表明，在微波波段(L波段和S波段)土壤水平方向的相关长度远大于电磁波波长。
而垂直方向的最大均方根高度约为4cm，同时对于各种结构的土壤，其表面往往还附有一层小于电磁波波长的块状颗粒。
可见要比较完整地描述土壤表面的电磁散射特性。
必须同时考虑大小二种尺度的效应。
双尺度近似不仅可以保持极化散射的主要贡献，而且也在数学表达上得到很大的简化。
利用互易性原理，通过对双站散射半空间积分可得到极化条件下的热发射率及辐射亮度温度。
4 实例一种基于多角度RADARSAT-1数据的估测裸露地表参数的反演方法4.1 使用卫星数据--RADARSAT-1这个研究是基于入射角为35°和47°的RADARSAT-1数据(在S3和S7模式下)。
RADARSAT-1卫星是加拿大于95年11月4日发射的，它具有7种模式、25种波束，不同入射角，因而具有多种分辨率、不同幅宽和多种信息特征。
适用于全球环境和土地利用、自然资源监测等。
图2 RADARSAT-14.2 传感器--合成孔径雷达(SAR)合成孔径雷达(SAR)是主动微波传感器，它几乎能在任何气象条件下，甚至没有一点外部光源的情况下获取数据，因此，他能不论白天还是晚上，在经常覆盖云层的区域收集信息，这种优势使传感器在运用可见光和红外部分的电磁频谱时提高了监测动态现象的能力，合成孔径雷达数据在监测地球表面时显示出来了它的潜力。
RADARSAT-1 卫星所搭载的合成孔径雷达(SAR)系统，目前有二十五个不同波束位置可供选择（见表一），波长为C波段(5.6cm)；频率为5.3GHZ(单波段的)；天线大小为15m×1.5m；入射角提供可调式设计由10度变化至60度；极化方式为水平同极化(HH)。
在解析度方面，提供了10公尺到100公尺的影像资料。
至于一幅影像大小，则随着以上条件不同而改变。
小至 50公里× 50公里，大到500公里× 500公里。
RADARSAT-1 也有不同等级的影像处理速度与即时性服务方式。
由于RADARSAT-1 影像有多重选择性，可针对不同地区、不同目的来选取所需的影像。
同时，也可依影像时效的需求来选择不同速度等级之服务。
因此RADARSAT-1的合成孔径雷达给影像提供了较丰富、实施的应用信息。
图3 Radarsat SAR成像模式示意图4.3 过程4.3.1 研究区位置研究区位于加拿大魁北克省农业区，为Chateauguay河流域(73°46′W，45°190 ′N)的一部分，它位于圣劳伦斯河的南岸、加拿大蒙特利尔市的西南边(见图4)。
这个区域包括一个平坦的高原这个高原土质均匀，由36%粘土、42% 淤泥和22%沙地组成，地表是由粗糙到非常粗糙分布的。
图4 研究区域位置4.3.2 经验模型在地表正演散射模型方面, 几何光学模型(GOM) ,物理光学模型(POM)和小扰动模型(SPM)适用范围有限, 难以满足大尺度范围的各种粗糙度情况。
Oh和Dubois模型是基于实测数据的经验模型, 普适性有所限制;这个例子中只讨论Oh模型(OM)和改进的Dubois模型(MDM)，对比这两个模型。
Oh模型(OM)1992年，Oh等人提出了一种基于由L、C、X波段(频率分别为1.5、4.75、9.5GHz)获得的实验数据的经验模型。
这种模型是为不同湿度和粗糙度的地表所设计的，从微平滑的到很粗糙，并且没有加入相关长度。
有效的表面状况包括以下的范围：0.1<ks<6.0 、2.6<ke<19.7 、 9%<m v<31%，k是波数(k=2π/λ，λ是波长)；s 是均方根高度；e是相关长度；θ是入射角。
；m v是单位体积土壤含水量，在HH 极化方式中反向散射系数在该模型表达式为:σhh0=ɡp cos3θΓvθ+Γh(θ)(1)p=1-(2θπ)13Γ0 ×exp−ksɡ=0.7[1−exp(−0.65ks1.8)]Γ0是入射角为零时的菲涅尔反射系数；Γ0=εr1+ε2(2)Γv和Γh分别是水平和垂直极化的菲涅尔反射系数；相关长度的影响没有考虑入内。
使用遥感技术进行农田土壤湿度监测的方法
使用遥感技术进行农田土壤湿度监测的方法在农业领域，精确的土壤湿度监测对于农作物的生长和管理至关重要。
传统的土壤湿度监测方法费时费力且往往不够准确。
然而，随着遥感技术的不断发展和应用，它已经成为一种高效、准确的方法来监测农田土壤湿度。
本文将就使用遥感技术进行农田土壤湿度监测的方法进行阐述。
一、遥感技术的基本原理和应用遥感技术利用卫星、飞机等传感器捕捉地球表面的电磁辐射，并将其转化为可用的信息。
这些信息可以通过图像或数据形式传达给专业人员进行分析和解读。
在农田土壤湿度监测中，遥感技术主要基于微波辐射的原理。
由于土壤湿度对微波辐射的反射和吸收具有独特的特征，通过分析这些微波辐射的特征，可以推断土壤湿度的变化情况。
遥感技术在农田土壤湿度监测中具有显著的应用优势。
首先，它可以覆盖大范围的土地，迅速获取大量的数据，从而提供全面、细致的土壤湿度信息。
其次，遥感技术可以避免人为的 interferenc，提供客观、准确的结果。
而且它还可以与地理信息系统（GIS）等技术相结合，进行地区和时间上的比较分析，从而更好地支持农田管理决策。
二、遥感数据获取和处理方法遥感数据的获取是进行土壤湿度监测的关键步骤。
目前，主要有两类遥感数据广泛应用于农田土壤湿度监测：主动遥感数据和被动遥感数据。
主动遥感数据是通过发射和接收微波信号的方式获取的。
这种方法可以直接测量土壤湿度，具有较高的精度和灵敏度。
常用的主动遥感数据获取方式包括微波雷达和微波干涉。
被动遥感数据则是通过接收地球表面的自然辐射来获取的。
这些数据来源于可见光、红外线和热辐射等不同波段的辐射。
针对土壤湿度监测，红外辐射和热辐射的监测方法应用较为广泛。
红外辐射可以通过测量地表温度来间接推测土壤湿度，而热辐射则是通过测量地表和土壤的热辐射量来获取土壤湿度信息。
在获取遥感数据之后，需要进行一系列的处理和分析。
这些处理方法包括辐射校正、影像融合、特征提取等。
通过这些处理方法，可以进一步提高遥感数据的质量和可用性，使其更好地用于土壤湿度监测。
遥感反演土壤湿度的主要方法
遥感反演土壤湿度的主要方法遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。
1.1 微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种。
此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。
土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。
因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。
1.1.1 主动微波遥感监测法以应用x波段侧视雷达为主，主要是后向反射系数法。
因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。
国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X 波段、HH极化机载SAR图像一起试验监测土壤水分；田国良等在河南也应用此方法也进行土壤水分研究。
主动微波遥感土壤水分精度较高，且可以全天候使用，成为监测水分最灵活、最适用、最有效的方法，随着大量的主动微波遥感器的卫星（ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM 等）的发射升空，将使微波遥感的成本不断下降，逐渐被应用于实践1.1.2 被动微波遥感监测法原理同主动微波遥感法。
值得指出，植被在地表过程研究中的影响突出，为了消除植被的影响，必须同时重视植被的遥感监测，建立相关的计算模型。
Teng等通过实验得出在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ波段，此时SMMR 的6.6GHZ波段比SSM／I的19GHZ在遥感监测土壤湿度信息方面的精度更高。
说明在植被较密时，为了消除植被对土壤湿度反演的影响，应尽量选择波段较长的微波辐射计。
1.2 作物植被指数法采用此方法是基于植被在可见光部分叶绿素吸收了70％-90％红光，反射了大部分绿光，而由于叶肉组织的作用，后行叶片在近红外波段的反射较强。
光学和微波遥感数据联合反演植被覆盖表层土壤含水率
2024年1月灌溉排水学报第43卷第1期Jan.2024Journal of Irrigation and Drainage No.1Vol.4345文章编号：1672-3317（2024）01-0045-07光学和微波遥感数据联合反演植被覆盖表层土壤含水率周美玲1，张德宁2，王浩3，魏征4*，林人财4（1.江西省水投江河信息技术有限公司，南昌330029；2.德州市潘庄灌区运行维护中心，山东德州253000；3.中国电建集团昆明勘测设计研究院有限公司，昆明650051；4.中国水利水电科学研究院，北京100038）摘要：【目的】探究Vertical-Vertical （VV ）、Vertical-Horizontal （VH ）极化及双极化方式对微波遥感反演表层0~10cm 土壤含水率影响，分析不同数据源（Landsat-8,L8;Sentinel-2,S2）得到的归一化植被指数（NDVI ）、归一化水体指数（NDWI ）对表层土壤含水率遥感反演精度的影响。
【方法】基于VV 、VH 单一极化和双极化模式，结合S2和L8计算的NDVI 与NDWI 估算植被含水率（VWC ），消除植被对土壤的后向散射影响，得到土壤后向散射系数，基于水云模型反演北京市大兴区表层土壤含水率。
【结果】对于VV 极化，VV+S2NDWI 反演0~10cm 土层的土壤含水率精度最高（R 2=0.763，RMSE =1.55%）；对于VH 极化，VH+S2NDVI 反演的0~10cm 土层的土壤含水率精度最高（R 2=0.622，RMSE =1.66%）；对于双极化，Dual-Polarized （DP ）+S2NDVI 反演的0~10cm 土层的土壤含水率精度最高（R 2=0.895，RMSE =0.89%）。
【结论】NDVI 更适用于去除水云模型中的植被影响，且双极化方式反演0~10cm 土层的土壤含水率精度较高。
关键词：含水率；Sentinel-1；双极化；多源遥感；NDVI ；NDWI 中图分类号：S161文献标志码：Adoi ：10.13522/ki.ggps.2023312OSID ：周美玲,张德宁,王浩,等.光学和微波遥感数据联合反演植被覆盖表层土壤含水率[J].灌溉排水学报,2024,43(1):45-51.ZHOU Meiling,ZHANG Dening,WANG Hao,et al.Inversion of surface soil moisture under vegetated areas based on optical and microwave remote sensing data[J].Journal of Irrigation and Drainage,2024,43(1):45-51.0引言【研究意义】表层土壤含水率在能量平衡、气候变化和陆地水循环中扮演着重要角色，是作物生长发育、产量估算、水资源管理、气候变化等研究领域的关键指标[1]。
基于星载被动微波遥感的地表土壤湿度反演
引 言
早期的被动微波反演 土壤水分的研究（９ ８ １７ — １８ ）年 主要 使 用 Ｎｉｂ ｓ 卫 星 携 带 的扫 描 式 多 ９７ ｎｕ一 ７
通道 微 波辐 射 计 Ｓ ＭＭＲ 提 供 的微波 亮温 数 据，目 前研 究经 常使 用 的是美 国国防气 象卫 星计 划 ＤＭＳ Ｐ
１０ ３ ， ｈｎ ； ． ｃ ｉ ｃｕ ｅ ｎ ｔ ｕ ｅ ｎ ｄ ｏＴ ｃ ｎ ｌｇｃｌ ｉｅｓ ｙＱｉｇ ａ ６ ０ ３ Ｃｈｎ ） ０ ０ ９ Ｃ ｉａ ２ Ａｒｈｔ ｔｒ ｓ ｔｔ， ｇ ａ ｅｈ ｏｏ ｉａ ｖ ｒｉ ， ｎ ｄ ｏ２ ６ ３ ， ｉａ ｅ Ｉ ｉ Ｑｉ Ｕｎ ｔ
的地 表土 壤水 分反 演 ，取得 了理 想 的结 果，该 成 果对于 利用 被动 遥感 技术 反演 土壤 湿度 具有 一 定的技 术推 广意 义 。
关键词 ：微波遥感；发射率；土壤湿度；Ｂ Ｍ￣ Ｃ Ｓ Ｊ ：人工神经网络
中图分类号 ：１Ｐ ９ １ ７
文献标识码 ：Ａ
Ｓ ｉ ｍｏ ｓｕ ｅｒ ｔｉ ｖ ｎ ｙ ｐ ｓ ｉ ｅ ｍｉ ｒ ｗａ ｅｒ ｍ ｏ ｅ ｓ ｎ ｉ ｇ ｄ ｔ ｏ ｌ ｉｔ ｒ ｅ ｒｅ ｉ ｇ ｂ ａ ｓｖ ｃ ｏ ｖ ｅ ｔ ｅ ｓｎ ａ ａ
温度 。给 定 粗糙 面几 何 和物 理参 数 ，例如 粗糙 面 的
相关长度和高度起伏方差 、粗糙面 的介 电常量等，
可 由随机 粗 糙 面 的 散射 模 型 计 算粗 糙 面 的发 射率 ，
这 是遥感 的 正 问题 。
摘 要：为了解决传统地面测量站网络不能满足大尺度土壤水分的时、空间变化的问题，而利用微波在土壤水分反演方面具有的独
特优 势 ，总 结 了被 动微 波遥 感模 态 反演土 壤湿 度 的规律 ， 提 出 了利用 双谱 模 型计算 土壤 表 面的发 射率 的方 法 ，并 对实 验 区进行 了成 功
蒋耿明：演绎现代“千里眼”与“顺风耳”
蒋耿明：演绎现代“千里眼”与“顺风耳”作者：暂无来源：《科学中国人》 2014年第4期本刊记者严永红《西游记》中有两位天将——“千里眼”和“顺风耳”，这是古代人民的美好想象和希望。
而在现代，有了科技水平的强大支撑，这种美好想象已经变为现实。
卫星遥感技术，就是现代的“千里眼”和“顺风耳”。
“‘遥感’顾名思义，就是遥远的感知，”复旦大学电磁波信息科学教育部重点实验室的蒋耿明副教授为记者做了通俗易懂的解释，“借助于专门的探测仪器，把遥远的物体所辐射或反射的电磁波信号接收记录下来，再经过加工处理，变成人眼可以直接识别的图像，揭示出所探测物体的特征、性质及其变化规律。
”自从1972年美国第一颗地球资源技术卫星发射成功并获取了大量地球表面的卫星图像后，遥感技术就开始在世界范围内迅速发展和广泛应用。
遥感技术的出现揭开了人类从外层空间观测地球的序幕，为人类认识国土、开发资源、监测环境、研究灾害以及分析全球气候变化等提供了新的途径。
自幼热爱航天的蒋耿明，高考时选择了被国际测绘界誉为“测绘教育之都”的武汉测绘科技大学，攻读摄影测量与遥感专业。
从此他在遥感领域的“取经”逐渐深入——中国科学院遥感应用研究所地图学与地理信息系统专业硕士研究生，法国斯特拉斯堡第一大学遥感专业博士研究生。
一路走来，谈及自己多年的求学生涯和目前的工作，他坦言，本科主要学习基础知识，在武汉测绘科技大学四年的学习为现在的工作和研究打下了扎实的基础；而研究生阶段得益于牛铮研究员和李召良研究员两位良师的悉心指导，开展创新性基础研究，培养出自己独立思考和解决问题的能力；进入复旦大学工作后，继续开展定量遥感的基础理论研究，包括海表、地表和大气参数的反演、卫星传感器的辐射定标等。
求学期间，蒋耿明就荣获了“中国科学院优秀研究生（2001年）”，其关于M O D IS数据处理的硕士学位论文被收入“全国优秀硕士学位论文数据库”。
2007年进入复旦大学工作后，他又获得了“复旦大学信息科学与工程学院院长奖（2010年）”、“第17届中国遥感大会青年优秀论文奖（2010年）”，并主持了复旦大学青年科学基金、国家“863”计划微波遥感技术实验室研究基金、遥感科学国家重点实验室开放基金、教育部归国留学人员启动基金和国家自然科学基金等多项科研课题。
遥感土壤水分反演原理
遥感土壤水分反演原理遥感土壤水分反演是指通过遥感技术获取土壤水分信息的过程。
传统的土壤水分监测方法如土壤取样和化验等，在时间和空间分辨率上受到限制，难以满足大范围和高时空分辨率的要求。
遥感技术具有高时空分辨率、全天候覆盖和定量化等优势，成为研究土壤水分的重要工具之一遥感土壤水分反演主要基于微波辐射原理，利用地球表面发射和散射的微波辐射特性与土壤水分含量之间的关系来计算土壤水分。
常用的遥感土壤水分反演方法有基于微波亮温的统计关系、基于微波散射的统计关系和基于机器学习的方法。
基于微波亮温的统计关系方法是通过统计分析亮温与土壤水分的关系建立反演模型。
该方法通常使用单通道或多通道的微波亮温数据，结合地表温度和植被指数等辅助信息，例如威斯特指数(VI)。
通过对不同土壤类型和植被覆盖条件下的地表亮温数据进行统计和回归分析，建立土壤水分与亮温之间的经验关系。
然后，根据遥感获取的亮温数据，利用建立的统计模型计算土壤水分。
基于微波散射的统计关系方法是通过微波辐射在土壤水分变化时的散射特性来进行反演。
散射特性与土壤的复介电常数有关，而复介电常数与土壤含水量之间存在一定的关系。
该方法通常使用合成孔径雷达(SAR)数据，根据雷达回波的散射特征来计算土壤含水量。
根据不同土壤类型和植被覆盖条件下的SAR数据，通过统计和回归分析建立土壤水分与散射特性之间的关系模型。
然后，根据遥感获取的SAR数据，利用建立的统计模型计算土壤水分。
基于机器学习的方法是利用机器学习算法来建立土壤水分与遥感数据之间的映射关系。
机器学习算法主要包括支持向量机(SVM)、人工神经网络(ANN)、随机森林(RF)等。
该方法通常使用多源、多时相的遥感数据，结合地表观测和土壤采样数据，通过机器学习算法训练模型，建立土壤水分与遥感数据之间的非线性关系。
然后，根据遥感获取的数据，利用已训练好的模型进行土壤水分反演。
总结起来，遥感土壤水分反演原理主要基于微波辐射特性与土壤水分含量之间的关系，通过统计和回归分析建立土壤水分与遥感数据之间的模型，或者利用机器学习算法进行非线性映射，从而实现对土壤水分的反演。
5用地基双频段微波辐射计测量土壤湿度
， 苍金项目： 科学院知识创新项目（ＺＸ－ ９ 中国 ＫＣ２ ０） ３ 作者简介： 宋冬生（ ７－， 在读博士， １ ８ 男， ９ ） 从事遥感信息定量化研究。 收稿日 ２ － － 期二０６ ５ ５ 修回日 ２０ ０－ ００ １ 期二０６ ｓ ６ －２
宋冬生等： 利用地基双频段微波辐射计测量土壤湿度 ７ １ 验仪器采用我们 自行设计的双频微波辐射计， ２ 个频段分别是 Ｌ１ Ｇ ｚ波段和 Ｃ５ Ｇ ｚ波 （． Ｈ） ４ （． Ｈ） ４ 段。本试验的土壤湿度反演采用经验算法， 对所 观测的数据作经验性的统计描述和相关分析， 建 立Ｌ 波段和 Ｃ 波段亮度温度和土壤湿度（ 重量百 分比） 之间的线性关系， 并把该模型应用到降雨过 程中， 得到的结果与实际值有较好的一致性。该 方法对于解决区域性土壤湿度反演有着重要意
间呈线性关系：
Ｖ） Ａ Ｔ（ Ｂ Ｂ） （＝ ＋ ｅ ａ （） １ 分别代人 Ｂ，ｏ Ｔ 饰 求得ＡＢ ＴＡ Ｖ ，ｍ， ， Ｉ ｌ ， 的值，
ENVI土壤水分反演 流程
利用ENVI软件反演土壤湿度指数晏红波2015-03-200. 绪论土壤湿度在陆地与大气界面进行水分和能量的交换过程中起重要作用，同时对农作物的生长起决定性作用，而且影响着土地退化、植被覆盖，是气候、生态、水文、农业等多个领域的重要参数。
区域性和大尺度的陆地土壤湿度变化信息对于陆气交互作用平衡和陆面水文研究、改善区域及全球气候模式预报结果、水涝和干旱的监测、农作物生长态势评估、自然和生态环境问题的研究等都是十分关键的因素。
因此，研究区域性和大尺度的陆地土壤湿度变化情况意义重大，这也是当前国际研究的热点问题之一。
传统的土壤湿度监测方法包括烘干称重法、中子仪探测法、电阻法等，虽然可以比较准确地监测小范围内的土壤含水量，但是需要耗费较大的人力和时间，时效性不高，而且不能完全反映出较大区域内的土壤含水量的情况，不能用于大范围土壤水分的监测。
利用遥感手段反演土壤湿度可以实现全区域大面积的实时动态监测，因此利用遥感手段监测土壤湿度越来越引起人们的重视。
常用的遥感波段包括可见光，近红外，热红外以及微波等。
不同波段反演土壤湿度所用的反演方法也不同。
1. 遥感反演土壤湿度的主要方法遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。
（1）微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种。
此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。
土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。
因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。
A 主动微波遥感监测法以应用x波段侧视雷达为主，主要是后向反射系数法。
因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。
基于微波雷达的植被与土壤湿度遥感反演技术
基于微波雷达的植被与土壤湿度遥感反演技术引言：在农作物生长和土壤管理中，植被和土壤湿度的监测是至关重要的。
然而，传统的观测方法往往耗时耗力，并且难以在大范围内提供准确的数据。
基于微波雷达的植被与土壤湿度遥感技术因其高效、准确的特点，越来越受到研究者的关注。
本文将介绍微波雷达的工作原理、植被与土壤湿度的反演算法以及该技术在农业领域中的应用。
一、微波雷达的工作原理微波雷达是一种通过发射微波信号并接收反射信号来获取目标物理性质的仪器。
它可以利用射频信号的干涉、散射、吸收等特性，实现植被与土壤湿度的遥感监测。
微波雷达的工作原理主要涉及雷达回波的处理和数据解析。
首先，雷达向地面发射微波信号，经过植被和土壤后，一部分信号被反射回来。
接收机会接收到这些回波信号，并将其转化为数字数据。
这些数字数据包含了与植被和土壤湿度相关的信息。
然后，研究人员利用雷达的回波数据进行处理和解析。
通过分析回波信号的幅度、相位、极化等特征，可以推断出植被的生长状况和土壤湿度的分布情况。
例如，植被的反射率与其覆盖率和生长状态相关，土壤湿度则与微波信号的吸收和散射有关。
二、植被与土壤湿度的遥感反演算法植被与土壤湿度的遥感反演算法是微波雷达技术中的核心环节。
目前，常用的反演算法主要包括基于回波幅度和相位的模型方法以及基于极化特征的统计方法。
1. 基于回波幅度和相位的模型方法在这种方法中，研究人员通过建立植被与土壤湿度的数学模型，利用回波幅度和相位等信息来反演植被覆盖度和土壤湿度。
该方法适用于植被较为单一且土壤湿度变化较小的区域。
然而，由于植被和土壤湿度的反射和散射特性具有一定的复杂性，模型方法在复杂地形和多种植被类型的区域中可能存在精度不高的问题。
2. 基于极化特征的统计方法相较于模型方法，统计方法更注重于植被和土壤湿度的统计学特征。
通过对多极化和多角度的雷达数据进行统计分析，研究人员可以推断出植被覆盖度和土壤湿度。
这种方法适用于复杂地形和多植被类型的区域，能够提供更准确的结果。
利用AMSR-E遥感数据反演地表温度——以2008年广东省春季寒害为例
中 图分 类 号 ： Ｐ ９ Ｔ ７
文献标识码 ： Ａ
文 章 编 号 ：０ ０ １ ７ ２ １ ） １ —０ ３ —０ １ ０ —３ ７ （０ １ １７ ０ ８ ９
Ｒｅｒｅ ｉ ｇＬａ ｄ Ｓ ｒ ａ ｅ ｔｉｖｎ ｎ ｕ ｆ ｃ
— —
ｔ ｅ ｆｏ ｒ ｕ ｒ ｍ ＡＭ Ｓ Ｅ ｍ ｏｅ Ｓ ｎ ｉ ｇ Ｄａ ａ Ｒ－ Ｒｅ ｔ ｅ ｓｎ ｔ
遥感信息
叠 感应 用
２１． Ｏ１５
利 用 ＡＭＳ — Ｒ Ｅ遥感数据反演地表温度
以 ２ ０ 年广东省春季寒害为例 ０８
陈修 治①②③ ， ，’～ 陈水 森 ①， 泳娴 ①③ ， 苏 ，～ 陈艳 乔①， 丹 ①③④ 李 ，，
（ 广 州 地 理 研 究 所 ， 州 ５ ０ ７ ； 东 华 理 工 大 学 江 西 省 数 字 国 土 重 点 实 验 室 ， 州 ３ ４ ０ ① 广 １００② 抚 ４０ ； ③ 中 国科 学 院 广 州 地 球 化 学 研 究 所 ， 州 ５ ０４ ； 中 国科 学 院研 究 生 院 ， 京 １ ０ ４ ） 广 １６０④ 北 ０ ０ ９
ｉｅ ｆｅ ｅ ｃ ｇ ｔ ｔ ｎ Ｉ ｄ ｘ （ ｚ ｄ Ｄｉｆ ｒ ｎ ｅ Ｖｅ ｅａ ｉ ｎ ｅ ＮＤＶＩ ｎ ｔｏ Ｖｅ ｅ ａ ｉ ｎ Ｉ ｄ ｘ （ ｏ ）ａ ｄ Ｒａ ｉ ｇ ｔ ｔ ｎ ｅ ＲＶＩ ｎ Ｇｕ ｎ ｄ ｎ ｒ ｖ ｎ ｅｏ ｉ ａ Ｔｈ ｎ ｕ ｆ ｃ ｓ ｏ ）ｉ ａ ｇ ｏ ｇ ｐ ｏ ｉ ｃ ｆ Ｃｈ ｎ ． ｅ ｌ ｄ ｓ ｒ ａ ｅ ａ
Ｓ ｒｎ ｌ ｓ ｓ ｅ ｎ ２ ０ ｐ ｉ ｇ Ｃｏ ｄ Ｄｉａ ｔ ｒ ｉ ０ ８
Ａ ｓ ｔ ｄ ｖ ｒ Ｃａ ｅ Ｓ ｕ ｙ ｏ ｅ