ENVI土壤水分反演 流程
卫星遥感反演土壤水分研究综述_陈书林
第27卷第11期2012年11月地球科学进展ADVANCES IN EARTH SCIENCEVol．27No．11Nov．，2012陈书林，刘元波，温作民．卫星遥感反演土壤水分研究综述［J］．地球科学进展，2012，27（11）：1192-1203．［Chen Shulin，Liu Yuanbo，Wen Zuomin．Satellite retrieval of soil moisture：An overview［J］．Advances in Earth Science，2012，27（11）：1192-1203．］卫星遥感反演土壤水分研究综述*陈书林1，2，刘元波2*，温作民1（1．南京林业大学经济管理学院，江苏南京210037；2．中国科学院南京地理与湖泊研究所，江苏南京210008）摘要：土壤水分是影响地表过程的核心变量之一。
精准地测量土壤水分及其时空分布，长期以来是定量遥感研究领域的难点问题。
简要回顾基于光学、被动微波、主动微波和多传感器联合反演等卫星遥感反演土壤水分的主要反演算法、存在的难点和前沿性研究问题，介绍了应用土壤水分反演算法所形成的3种主要全球土壤水分数据集，包括欧洲气象业务卫星（ERS/MetOp）数据集、高级微波扫描辐射计（AMSR-E）数据集、土壤湿度与海洋盐分卫星（SMOS）数据集，并结合目前存在的问题探讨卫星遥感反演土壤水分研究的发展趋势。
关键词：土壤水分反演算法；光学遥感；微波遥感；多传感器联合反演；全球数据集中图分类号：TP751．1文献标志码：A文章编号：1001-8166（2012）11-1192-121引言土壤水分是指土壤非饱和层（也称其为渗流层）的水分含量。
在气候系统中，土壤水分是一个关键因子，它决定着植被的蒸散发及光合作用，它是水循环、能量循环和生物地球化学循环中的基本组成部分，在降水、径流、下渗、蒸散发水文过程中起着至关重要的作用［1］。
土壤水分能反映农业干旱程度，在农业灌溉管理中能起到指导作用。
土壤水分供给量的遥感定量反演方法
土壤水分供给量的遥感定量反演方法
随着耕地资源减少及人口增加等现实情况的变化，农业系统的土壤水分供应面临着越来越大的短缺，以及更复杂的气候变化问题，管理官员和农民正在面临严峻挑战。
为此，以遥感技术为基础的定量反演技术在农业领域出现，可以用于和新技术配合，以改善土壤水分供应和农业生产。
遥感定量反演是以空间和时间形式识别和推算某一大地物理参数为基础，把被乘(受检)查的物理量在空间分布上的变量和空间环境上的其他地理因素进行匹配和综合的统计方法。
如可以利用遥感数据与非遥感数据，结合定性问题数据和定量数据，实现量化土壤水分供给量的反演识别。
此外，遥感定量反演技术可以让实际农田实时估算和把握水分资源，进而实现对土壤水分库的及时控制，从而确保土地的可持续性有效利用。
通过强大的数据库和智能优化计算处理，可以有效解决土壤水分供给量的检测问题，提供可靠的土壤水分管理模型，为农业的健康发展提供强有力的技术支持。
因此，遥感定量反演技术可被视为一种新型的智能农业管理工具，可迅速响应农业生态系统中出现的变化及其结果，以确保农产品可持续生产。
GF-1以及RADARSAT-2数据处理及其土壤水分反演模型构建技术流程
GF-1影像处理一．正射纠正纠正前多光谱影像纠正后多光谱影像纠正前PAN影像纠正后PAN影像二．数据定标式中：Gain为定标斜率；DN 为卫星载荷观测值；Bias为定标截距。
定标前数据统计定标后数据统计三、波普响应文件制作四、影像裁剪裁剪多光谱和DEM打开需要裁减的影像和矢量文件，点击subset data via ROI五、计算DEM平均值计算DEM平均值，用于下面的大气校正六、大气纠正FLAASH定标文件->Edit ENVI Header->修改中心波段和BIL、BIP注：问题：在将其转换成BIL或BIP时候影像出现分层现象（未解决）定标文件->Edit ENVI Header->修改中心波段->convert interleave注：文件名称要短点若输入影像提示“输入影像是不连续的波段”，解决办法：定标文件->Edit ENVI Header->修改中心波段大气校正前影像大气校正后影像大气纠正前散点图大气纠正后散点图七、影像融合先重投影和RADARSAT-2一样之后又裁减了一次（问题：背景扩大了？）PAN和多光谱，既保留了多光谱的光谱特性有保留了PAN高分辨率的特性2mPAN和8m多光谱融合融合前多光谱影像融合后多光谱影像2mPAN和16m多光谱融合融合前影像融合后影像五、影像分类1.监督分类1）分类监督分类初分类成果图 2）分类后处理分类统计：分类曲线图Class Distribution Summary●聚合和筛选聚合筛选前聚合筛选后●混淆矩阵：RADARSAT-2影像处理一．导入二．多视向处理三．滤波处理四．地里编码和辐射校正五．获取单像元值ARCgis1.将.kmz文件转为.shp转换工具->由.kml转图层注：在输出数据名称上填写文件类型（.shp）2.提取像元值用spacialAnaslyst 工具->提取分析->值提取到点3.生成报表和Excel模型建立及其应用一．土壤介电常数和土壤含水量之间的关系1、曲线拟合法利用1stopt软件和地面实测数据拟合出了土壤介电常数和土壤含水量之间的关系：1．1最佳拟合曲线公式：y=p1+p2*Ln(x)+p3*(Ln(x))^2+p4*(Ln(x))^3+p5*(Ln(x))^4+p6*(Ln(x))^5+p7*(Ln(x))^6+p8*(Ln(x))^7+p9*(Ln(x))^8+p10*(Ln(x))^9+p11*(Ln(x))^101.2最适模型：由于所采用的实测数据建立的模型，实测数据具有特殊性，因此模型也具有特殊性，所以根据模型参数个数、相关系数、均方根误差从符合精度要求（大于99%）的2632个模型中筛选出具有代表性的多个模型函数作为后续的研究对象模型6拟合曲线图（99%相关）模型5拟合曲线图（999%相关）模型3、4拟合曲线图（9999%相关）模型1、2拟合曲线图（99999%相关）分析：蓝色为土壤含水量实测值，红色为由模型计算出的土壤含水量值，通过以上四幅曲线拟合图可以很明显看出实测值和由模型计算出的值几乎趋于一条曲线。
多源遥感数据反演土壤水分方法
多源遥感数据反演土壤水分方法张友静1,王军战2,鲍艳松3(1 河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;2 中国科学院寒区旱区环境与工程研究所,甘肃兰州 730000;3 南京信息工程大学大气物理学院,江苏南京 210044)摘要:基于A S AR A PP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。
利用TM 和M OD IS 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(N D W I)反演精度较好,相关系数达到0 87。
根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。
反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。
反演土壤含水量和准同步实测数据的相关系数为0 9,均方根误差为3 83%。
在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。
关键词:土壤含水量;多源遥感数据;水云模型;A S AR;多尺度中图分类号:P338 9 文献标志码:A 文章编号:1001 6791(2010)02 0222 07收稿日期:2009 03 09基金项目:国家自然科学基金资助项目(40701130;40830639)作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。
E m a i:l zhangy @j hhu edu cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。
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U laby 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[1]。
80年代后,Dobson 和U laby 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[2]。
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。
（完整）基于单窗算法反演地表温度的ENVI操作教程
（完整）基于单窗算法反演地表温度的ENVI操作教程单窗算法反演地表温度教程1.1 算法原理1.1.1单窗算法单窗算法（MW 算法）是覃志豪于2001年提出的针对TM 数据只有⼀个热红外波段的地⾯温度反演算法。
经过众多学者验证，单窗算法具有很⾼的反演精度，且同样适⽤于ETM+和landsat 8数据。
公式如下：6666666666/)))1(()1((C T D T D C D C b D C a T a sensor s -++--+--=式中，LST 为地表温度（K ），T sensor 是传感器上的亮度温度（K），T a 是⼤⽓平均温度（K ）；a 、b 为参考系数，当地表温度为0-70℃时，a = -67.355351，b = 0.458606；C 、D为中间变量，计算公式为：式中，为地表⽐辐射率，为地⾯到传感器的⼤⽓总透射率。
因此单窗算法反演地表温度的关键是计算得到亮度温度T senso 、地表⽐辐射率、⼤⽓透射率和⼤⽓平均作⽤温度T a 。
1.1.2参数计算1.1.2.1辐射亮温计算利⽤Planck 公式将图像像元对应传感器辐射强度值转换为对应的亮度温度值。
公式如下式中，T senso 为亮度温度值；影像预处理后得到的光谱辐射值，λL 单位为，K1 、K2为常量，可由数据头⽂件获取。
)/(2m sr m w µ??计算图像辐射亮温之前，需采⽤辐射定标参数将像元灰度值DN转换为热辐射强度值，公式如下：式中，M L 为增益参数，A L 为偏移参数，该参数可直接在影像通⽂件数据中获取，且ENVI 软件中已经集成，不需要⾃⼰在查找。
1.1.2.2地表⽐辐射率计算根据覃志豪针对TM 影像提出的混合像元分解法来确定区域地表福辐射率。
对于城市区域，我们简单的将其分为⽔体、⾃然表⾯和建筑表⾯三种，因此针对混合像元尺度上的地表⽐辐射率通过下式来估算：式中，为混合像元的地表⽐辐射率；P V 为植被覆盖率；R V 为植被的温度⽐率；R M 为建筑表⾯的温度⽐率；V 表⽰植被法地表⽐辐射率，m 表⽰建筑表⾯的地表⽐辐射率；d表⽰辐射校正项。
(完整)基于单窗算法反演地表温度的ENVI操作教程
单窗算法反演地表温度教程1.1 算法原理1.1.1单窗算法单窗算法（MW 算法）是覃志豪于2001年提出的针对TM 数据只有一个热红外波段的地面温度反演算法。
经过众多学者验证，单窗算法具有很高的反演精度，且同样适用于ETM+和landsat 8数据。
公式如下：6666666666/)))1(()1((C T D T D C D C b D C a T a sensor s -++--+--=式中，LST 为地表温度（K ），T sensor 是传感器上的亮度温度（K ），T a 是大气平均温度（K ）；a 、b 为参考系数，当地表温度为0-70℃时，a = -67.355351，b = 0.458606；C 、D为中间变量，计算公式为：式中，为地表比辐射率，为地面到传感器的大气总透射率。
因此单窗算法反演地表温度的关键是计算得到亮度温度T senso 、地表比辐射率、大气透射率和大气平均作用温度T a 。
1.1.2参数计算1.1.2.1辐射亮温计算利用Planck 公式将图像像元对应传感器辐射强度值转换为对应的亮度温度值。
公式如下式中，T senso 为亮度温度值；影像预处理后得到的光谱辐射值，λL 单位为，K1 、K2为常量，可由数据头文件获取。
)/(2m sr m w μ⋅⋅计算图像辐射亮温之前，需采用辐射定标参数将像元灰度值DN转换为热辐射强度值，公式如下：式中，M L 为增益参数，A L 为偏移参数，该参数可直接在影像通文件数据中获取，且ENVI 软件中已经集成，不需要自己在查找。
1.1.2.2地表比辐射率计算根据覃志豪针对TM 影像提出的混合像元分解法来确定区域地表福辐射率。
对于城市区域，我们简单的将其分为水体、自然表面和建筑表面三种，因此针对混合像元尺度上的地表比辐射率通过下式来估算：式中，为混合像元的地表比辐射率；P V 为植被覆盖率；R V 为植被的温度比率；R M 为建筑表面的温度比率；V 表示植被法地表比辐射率，m 表示建筑表面的地表比辐射率；d表示辐射校正项。
地温反演步骤
地温反演步骤
1.归一化植被指数NDVI,主菜单->Transform->NDVI在新对话框选择裁剪完成点击OK弹
出新对话框储存即可完成后如图1：
图1
2 植被覆盖度，利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：(b1 gt 0.7)*1+(b1 lt 0.)*0+(b1 ge 0 and b1 le 0.7)*((b1-0.0)/(0.7-0.0))。
b1:表示获取的NDVI 。
3.地表比辐射率，利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：(b1 le 0)*0.995+(b1 gt 0 and b1 lt 0.7)*(0.9589 + 0.086*b2 - 0.0671*b2^2)+(b1 ge 0.7)*(0.9625 + 0.0614*b2 - 0.0461*b2^2)。
b1：NDVI 值
b2：植被覆盖度值。
4.辅助参数获取，利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：(b2-1.38-0.81*(1-b1)*2.27)/(0.81*b1)。
b1：60m 分辨率的地表比辐射率值；
b2：表示热红外波段大气校正后的辐射定标值。
5. 利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：
(1282.71)/alog(666.09/b1 +1)-273
b1：热红外辐射亮度值。
6.完成后将文件输出tif格式，然后加载去arcgis里面成图。
最后成果图如下：。
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。
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。
- 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)。
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。
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。
B 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。
（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。
通过各光谱波段所反射的太阳辐射的比来表达，这就叫植被指数。
常用的植被指数有：归一化植被指数（Normal Difference Vegetation Index,NDVI）、比值植被指数（Ratio Vegetation Index, RVI）距平植被（Average Vegetation Index,A VI）和植被条件指数（Vegetation Condition Index，VCI）。
（3）热红外遥感监测法土壤热惯量和土壤水分的关系密切，即土壤水分高，热惯量大，土壤表面的昼夜温差小，反之亦然。
热红外遥感手段主要利用地表温度日变化幅度、植被冠层和冠层空气温差、表观热惯量、热模型（蒸散比）估测土壤含水量。
2. 各种方法的优势与不足（1）微波遥感监测土壤水分具有坚实的物理基础，监测精度较高，能够全天候工作，对植被和土壤具有一定的穿透能力，可剔除植被影响而获得土壤水分信息。
但因大气－植被－土壤系统的复杂性，遥感图像反演算法使用的难度很大，成本较高，在大面积推广上有一定难度。
（2）作物植被指数法较适用于高植被覆盖区域，能在一定程度上弥补热惯量法的不足。
但CWSI 和VSWI的计算过程中需要考虑许多自然因子（如干湿球常数、修正空气阻力、剩余阻力、作物冠层阻力、饱和水气压和温度关系的斜率等），使其计算复杂，各要素仍依赖于地面气象台站，实时性达不到保证。
距平植被法需要多年累积数据集，需要建立较好的能代表正常年景的植被指数集/数据库，但卫星资料的存档不够长，难以满足对数据的要求。
（3）热惯量法和表观热惯量法主要适用于裸地或植被生长早期。
热惯量法具有较好的重复性、准确性和同一性，可以通过土壤水分含量与其热惯量间的良好的线性关系直接反演土壤水分。
但热惯量法易受天气云层和大气气溶胶的干扰，对卫星数据的获取和图像解译的效果产生影响；而且，热惯量法对高植被覆盖地区或农作物田块土壤水分反演的效果较差。
因此，考虑植被对热惯量法的影响，今后应加强不同植被覆盖状况下热惯量法的适用性研究。
简而言之，热惯量法较适宜于裸土和低植被覆盖区域；植被指数法、作物缺水指数法较适合植被覆盖度较高的区域，而植被指数，可利用植被指数反映出植被覆盖信息以及植被覆盖下的土壤水分信息，同时结合热红外遥感获得的亮温指数,可更准确地定量反演土壤水分状况。
3.土壤湿度反演基本原理Lambin等对植被覆盖度和T S构成的特征空间进行了研究，总结了在两者构成的理想特征空间中，不同植被覆盖条件下的土壤湿度情况。
从图中可以明显看出，在相同植被覆盖度的条件下，土壤湿度和地表温度是反比的关系。
基于这一原理，通过从卫星影像中求出植被覆盖度和地表温度，并构造二者的特征空间，就能求出土壤湿度指数。
4.土壤湿度反演流程4.1数据预处理下载到的数据是landsat 7的4级数据，数据基本信息见图1。
图1 数据基本信息数据已经进行了辐射校正、几何校正和地形校正的预处理。
但还需要对第6波段进行辐射定标，获取热红外波段的辐射亮度值。
注意不能对波段融合后的图像进行辐射定标。
ENVI操作：Basic Tools->preprocessing->Calibration Utilities->Landsat Calibration，波段融合：Basic Tools->Layer Stacking，点击Rrorder Files调整波段顺序进行波段融合。
重采样：landsat7第6波段的图像分辨率是60米，其它波段的分辨率是30米，所以要对其它波段进行重采样，得到60米分辨率的图像。
ENVI操作：>Basic Tools->Resize Data（Spatial/Spectral）4.2 参数反演4.2.1植被覆盖度计算1. 由TM影像（已经过大气校正）计算NDVI，选择Transform->NDVI。
2. 选择Basic->Statistics->Compute Statistics得到统计参数。
3. 最后一列表示对应NDVI值的累积概率分布。
分别取累积概率为5.5%和97.3%的NDVI值作为NDVImin和NDVImax。
得到NDVImax=-0.105882；NDVImax= 0.317647。
4. 计算植被覆盖度Fv采用的是混合像元分解法，将整景影像的地类大致分为水体、植被和建筑，具体的计算公式如下：FV = (NDVI- NDVImin)／(NDVImax - NDVImin)其中，NDVI为归一化差异植被指数，当某个像元的NDVI大于0.317647时，FV取值为1；当NDVI小于-0.105882，FV取值为0。
利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：（b1 gt 0.317647）*1+（b1 lt (-0.105882)）*0+（b1 ge (-0.105882) and b1 le 0.317647）*（(b1-( -0.105882))/( 0.317647-( -0.105882))b1:选择NDVI图像得到植被盖度图像。
4.2.2地表比辐射率计算根据前人的研究，将遥感影像分为水体、城镇和自然表面3种类型。
本专题采取以下方法计算研究区地表比辐射率：水体像元的比辐射率赋值为0.995，自然表面和城镇像元的比辐射率估算则分别根据下式①②进行计算：εsurface = 0.9625 + 0.0614FV - 0.0461FV2①εbuilding = 0.9589 + 0.086FV - 0.0671FV2②式中，εsurface和εbuilding分别代表自然表面像元和城镇像元的比辐射率。
利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：（b1 le (-0.105882)）*0.995+（b1 gt (-0.105882) and b1 lt 0.317647）*(0.9589 + 0.086*b2 - 0.0671*b2^2)+(b1 ge 0.317647)*(0.9625 + 0.0614*b2 - 0.0461*b2^2)b1：NDVI值；b2：植被覆盖度值。
得到地表比辐射率数据。
4.2.3计算相同温度下黑体的辐射亮度值主要的地表温度反演方法有：大气校正法，单窗算法，单通道法，双通道法，多通道法等等。
本文用辐射传输方程法对地表温度进行反演。
辐射传输方程法，又称大气校正法，其基本思路为：首先利用与卫星过空时间同步的大气数据来估计大气对地表热辐射的影响。
然后把这部分大气影响从卫星高度上传感器所观测到的热辐射总量中减去。
从而得到地表热辐射强度．再把这一热辐射强度转化为相应的地表温度。
卫星传感器接收到的热红外辐射亮度值Lλ由三部分组成：大气向上辐射亮度L↑，地面的真实辐射亮度经过大气层之后到达卫星传感器的能量；大气向下辐射到达地面后反射的能量。
卫星传感器接收到的热红外辐射亮度值的表达式可写为（辐射传输方程）：Lλ = [ε·B(T S) + (1-ε)L↓]·τ+ L↑③这里，ε为地表辐射率，T S为地表真实温度，B(T S)为普朗克定律推到得到的黑体在TS的热辐射亮度，τ为大气在热红外波段的透过率。
则温度为T的黑体在热红外波段的辐射亮度B(T S)为：B(T S)= [Lλ- L↑- τ·(1-ε)L↓]/τ·ε④在NASA官网（/）中输入成像时间以及中心经纬度，则会提供上式中所需要的参数。