12、基于多源遥感数据的灌区土壤含水量监测关键技术研究--郑州大学张成才
基于遥感土壤含水量和蒸散发信息的灌溉面积识别技术研究与应用
基于遥感土壤含水量和蒸散发信息的灌溉面积识别技术研究与应用基于遥感土壤含水量和蒸散发信息的灌溉面积识别技术研究与应用引言：灌溉面积是农业生产中的关键指标之一，准确识别灌溉面积对于合理配置农业资源、提高农业水利效益具有重要意义。
随着遥感技术的快速发展，进一步利用遥感影像来识别和监测灌溉面积已经成为热门研究领域。
本文基于遥感土壤含水量和蒸散发信息，探索了一种新的灌溉面积识别技术的研究与应用。
一、遥感数据的获取和处理1.1 遥感影像的获取本研究使用高分辨率多光谱遥感影像来获取农田的土壤信息和植被信息。
遥感影像可以通过卫星、航空器或无人机等载体获取，具有获取范围广、周期短、空间分辨率高等优势。
1.2 遥感数据的处理将获取到的遥感影像进行预处理，包括大气校正、几何校正等，以去除影响识别结果的干扰因素。
二、基于遥感土壤含水量信息的灌溉面积识别方法2.1 土壤含水量的遥感反演方法通过建立土壤含水量与遥感影像反射率的关系模型，实现非接触式获取土壤含水量信息。
常用的反演方法有基于传统统计方法的多光谱反演法、基于数据驱动的机器学习方法等。
2.2 灌溉面积的识别方法在获取到土壤含水量信息后，结合土壤湿度的空间分布特点，运用图像分割、像元分类等方法，识别出农田中的灌溉面积。
三、基于蒸散发信息的灌溉面积识别方法3.1 蒸散发的遥感估算方法蒸散发是指自然界中水分从植被与土壤表面蒸发和通过植物蒸腾进入大气的过程。
通过建立植被指数与蒸散发的关系模型，可间接估算蒸散发的强度。
3.2 灌溉面积的识别方法结合蒸散发信息和土壤类型等因素，采用阈值或多尺度分析等方法，识别出受灌溉影响的农田面积。
四、基于遥感土壤含水量和蒸散发信息的灌溉面积识别4.1 融合土壤含水量和蒸散发信息的方法将土壤含水量和蒸散发信息进行融合，建立灌溉面积与土壤含水量、蒸散发强度之间的关系模型。
通过遥感影像分析，将这些模型应用于农田遥感图像中，实现灌溉面积的识别。
4.2 实验与结果分析通过对不同地区农田遥感影像的分析，验证了本方法的可行性和精度。
一种基于水利遥感技术的灌溉面积监测系统
一种基于水利遥感技术的灌溉面积监测系统在农业生产中，水资源的合理利用至关重要。
准确监测灌溉面积对于优化水资源分配、提高灌溉效率以及保障农作物的生长具有重要意义。
随着科技的不断发展，水利遥感技术为灌溉面积的监测提供了一种高效、精确且全面的手段。
水利遥感技术，简单来说，就是利用卫星、飞机等遥感平台获取地表信息的技术。
它通过传感器接收来自地面的电磁波辐射，并对这些数据进行处理和分析，从而获取有关地表特征的信息。
在灌溉面积监测方面，水利遥感技术具有独特的优势。
首先，它能够实现大面积的同步观测。
相比传统的地面调查方法，遥感技术可以在短时间内获取大范围的土地信息，大大提高了监测的效率。
其次，遥感技术不受地理条件和人为因素的限制。
无论是山区、平原还是偏远地区，都能够进行有效的监测。
再者，它能够提供多时相的数据。
这意味着我们可以对同一地区进行不同时间的监测，从而更好地了解灌溉面积的变化情况。
那么，一种基于水利遥感技术的灌溉面积监测系统是如何工作的呢？这个系统通常由数据采集、数据传输、数据处理和分析以及结果展示等几个部分组成。
在数据采集环节，遥感平台上的传感器发挥着关键作用。
常见的传感器包括光学传感器、微波传感器等。
光学传感器可以获取土地的光谱信息，通过不同波段的反射率差异来区分土地的类型和作物的生长状况。
微波传感器则能够穿透云层和植被，在恶劣天气条件下也能正常工作。
这些传感器会按照一定的时间间隔和空间分辨率采集数据。
采集到的数据通过数据传输系统传输到地面接收站。
数据传输可以采用卫星通信、无线网络等方式，确保数据的及时、准确送达。
接下来是数据处理和分析环节。
这是整个系统的核心部分，需要运用一系列的图像处理和数据分析技术。
首先，对原始数据进行预处理，包括辐射校正、几何校正等，以消除数据中的误差和变形。
然后，运用图像分类、特征提取等方法，将土地分为灌溉区域和非灌溉区域。
同时，结合地理信息系统（GIS）技术，对监测区域进行空间分析，计算出灌溉面积的大小和分布。
融合多源遥感数据的夏玉米土壤水分反演方法对比研究
融合多源遥感数据的夏玉米土壤水分反演方法对比研究阙艳红;吴苏;姜明梁;张成才;李风波;李炎朋【期刊名称】《节水灌溉》【年(卷),期】2024()3【摘要】为了解决在夏玉米植株高度较高(>1.5 m)情况下,无人机遥感土壤水分反演过程中冠层与地表之间多次散射对微波后向散射的衰减问题,寻找合适的反演方法。
通过融合运用无人机多光谱和热红外数据、Sentinel-1A SAR卫星数据,结合田间实测数据,对植被覆盖下的土壤水分反演与精度验证进行研究;采用温度植被干旱指数(TVDI)、水云模型(WCM)以及引入MIMICS模型参数的改进水云模型(Improved WCM)3种方法进行土壤水分反演。
其中,TVDI方法拔节期反演精度R2为0.50(10 cm)和0.42(20 cm),乳熟期反演精度R2为0.49(10 cm)和0.46(20 cm);WCM方法拔节期反演精度R2为0.53(10 cm)和0.44(20 cm),乳熟期反演精度R2为0.18(10 cm)和0.02(20 cm);Improved WCM方法拔节期反演精度为0.76(10 cm)和0.69(20 cm),乳熟期反演精度为0.78(10 cm)和0.74(20 cm)。
采用引入MIMICS模型参数的改进水云模型方法得到的夏玉米2个生育期的反演效果,明显优于水云模型方法和温度植被干旱指数方法;3种方法的2个生育期反演精度均为10 cm高于20 cm。
因此,引入MIMICS模型参数的改进水云模型方法更适合于玉米植株较高情况下的10 cm土壤含水量反演。
【总页数】8页(P91-98)【作者】阙艳红;吴苏;姜明梁;张成才;李风波;李炎朋【作者单位】河南中原光电测控技术有限公司;中国电子科技集团公司第二十七研究所;郑州大学水利与交通学院;中国农业科学院农田灌溉研究所【正文语种】中文【中图分类】S252;S29【相关文献】1.基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演2.基于多源遥感数据的土壤水分反演不确定性分析——以美国大陆为例3.多源遥感数据反演土壤水分方法4.基于多源遥感数据融合的土壤水分反演研究5.基于多源遥感数据源融合的土地利用分类方法对比研究因版权原因，仅展示原文概要，查看原文内容请购买。
灌溉水资源的遥感监测与应用考核试卷
C.模型模拟技术
D.遥感与人工智能相结合技术
二、多选题（本题共20小题，每小题1.5分，共30分，在每小题给出的四个选项中，至少有一项是符合题目要求的）
1.遥感技术在灌溉水资源监测中可以用于以下哪些方面？（）
A.水体面积估算
B.水质评价
C.水流速度测量
D.水体污染监测
2.下列哪些因素会影响灌溉水体的遥感反射率？（）
A.气候变化
B.作物生长周期
C.灌溉制度
D.地下水运动
20.以下哪些技术在未来的灌溉水资源遥感监测中有较大的发展潜力？（）
A.遥感卫星技术的提升
B.无人机遥感技术
C.遥感与人工智能的结合
D.多源数据融合技术
三、填空题（本题共10小题，每小题2分，共20分，请将正确答案填到题目空白处）
1.遥感技术是通过______（传感器/平台）获取地球表面信息的技术。
四、判断题（本题共10小题，每题1分，共10分，正确的请在答题括号中画√，错误的画×）
1.遥感技术只能用于监测地表水资源。（）
2.灌溉水体的遥感监测中，可见光波段对水体的穿透性较好。（）
3.在遥感图像处理中，监督分类方法的准确性通常高于非监督分类方法。（）
4.灌溉水资源的遥感监测中，气象条件不会影响监测结果。（）
10.多源数据融合
四、判断题
1. ×
2. ×
3. √
4. ×
5. √
6. ×
7. ×
8. √
9. ×
10. √
五、主观题（参考）
1.遥感技术在灌溉水资源监测中的应用包括：水体面积估算、水质评价、灌溉需求预测等。具体方法有：阈值分割提取水体、植被指数监测植被状况、水文模型预测水资源变化。
基于特征变量筛选的无人机多光谱遥感土壤含水量反演
基于特征变量筛选的无人机多光谱遥感土壤含水量反演张成才;王蕊;侯佳彤;姜明梁;祝星星【期刊名称】《中国农村水利水电》【年(卷),期】2024()5【摘要】土壤含水量是影响农作物生长的重要因素之一,对作物估产和旱情监测具有重要作用。
在土壤含水量反演时,一般是提取多个光谱变量进行反演,但变量之间包含的光谱信息可能存在冗余重叠,为提取有效特征变量,使其相互独立,论文选取特征变量筛选方法,并验证其在土壤含水量反演中的适用性。
研究基于无人机多光谱影像计算归一化植被指数(Normalized Difference Vegetation Index,NDVI)等12种植被指数,结合无人机热红外数据计算地表温度(Land Surface Temperature,LST)和对应温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI),以及miniSAR数据处理得到的4种后向散射系数,采用XGBoost特征变量和最优子集选择算法(Best Subset Selection,BSS)筛选最优变量组合,然后利用偏最小二乘回归(Partial Least Squares Regression,PLSR)和随机森林回归(Random Forest Regression,RFR)算法反演实验区冬小麦抽穗期的土壤含水量。
研究结果表明:①0~20 cm深度的反演结果均优于0~10 cm深度;②对比XGBoost-PLSR、XGBoost-RFR、BSS-PLSR以及BSS-RFR四种土壤含水量反演模型,BSS-RFR模型不同深度下的反演精度最高;③0~10 cm土壤深度下XGBoost-PLSR模型的反演精度优于XGBoost-RFR,0~20 cm深度下则两者相反,0~20 cm深度下,BSS-RFR模型的反演精度均高于BSS-PLSR。
研究成果可为无人机多光谱遥感反演土壤含水量提供理论和技术支撑,为卫星遥感大范围土壤水分监测提供检验依据。
基于高精度DEM的城市道路积水淹没计算方法研究
基于高精度DEM的城市道路积水淹没计算方法研究张成才;黄河;朱祖乐;王金鑫【期刊名称】《水利水电技术》【年(卷),期】2017(048)012【摘要】针对河南省郑州市城区道路微尺度场景的暴雨内涝积水计算问题,以车载LiDAR技术建立的积水路段高精度格网DEM为基础,按照有源淹没方式,采用种子蔓延法计算积水淹没范围;通过构建郑州市暴雨洪水模型获取暴雨时积水点溢流水量,运用二分法实现淹没水位与溢流水量间的快速逼近求解.以郑州市某积水路段进行实例应用,对比分析计算结果与电子水尺实测水深数据可知,Nash-Sutcliff确定性系数为0.94,RMSE为0.05,相对误差为10.3％,表明淹没计算结果具有较高精度,模拟淹没过程符合该积水区实际淹没过程,研究方法适用于城市街道区域的暴雨积水淹没范围和水深计算.【总页数】6页(P1-6)【作者】张成才;黄河;朱祖乐;王金鑫【作者单位】郑州大学水利与环境学院,河南郑州 450002;郑州大学水利与环境学院,河南郑州 450002;郑州大学水利与环境学院,河南郑州 450002;郑州大学水利与环境学院,河南郑州 450002【正文语种】中文【中图分类】TV877;TU998.4【相关文献】1.基于GPS-RTK测量技术制作微地形高精度DEM的方法研究——以沙丘DEM 生成为例 [J], 刘小超;陈蜀江;李志忠2.基于DEM的洪水淹没计算机算法优化研究 [J], 周品;李勇;谭建军;孙芹芹3.基于图遍历的计算DEM数据洪水淹没范围的算法 [J], 王思雪; 李英成; 刘沛; 耿中元; 孙新博4.城市道路十字路口高精度DEM建模方法研究 [J], 宋素素;王春;李敏;陶宇5.基于机载LiDAR点云数据构建复杂山区高精度DEM方法研究 [J], 龚明杰因版权原因，仅展示原文概要，查看原文内容请购买。
基于多源DEM数据的都江堰灌区地形因子提取及对比分析
基于多源DEM数据的都江堰灌区地形因子提取及对比分析肖文全;曹依帆;秦涛;罗尚;翟星;冯丹禹;赵辉
【期刊名称】《四川水利》
【年(卷),期】2024(45)1
【摘要】地形因子是数字地形分析的基础与核心,不同分辨率DEM数据所表达的地形信息的容量和精度存在差异。
以都江堰灌区为例,首先,从三种DEM数据中提取高程、坡度、坡向、地形起伏度、地表粗糙度及地表切割深度等地形因子;然后,对各因子进行分级处理,并对各分类级别的栅格数量及占比进行统计;最后,对所有地形因子进行皮尔逊相关性分析,以筛选研究区最佳地形因子。
结果表明:(1)由不同分辨率DEM提取的地形因子结果存在明显差异;(2)研究区最佳地形因子为地形起伏度、高程、坡度和地表粗糙度。
研究结果可为都江堰灌区自然灾害风险评估、土地资源开发利用及环境保护等提供依据。
【总页数】7页(P44-50)
【作者】肖文全;曹依帆;秦涛;罗尚;翟星;冯丹禹;赵辉
【作者单位】四川水发勘测设计研究有限公司
【正文语种】中文
【中图分类】S127
【相关文献】
1.不同分辨率DEM数据源派生地形因子对比研究
2.基于不同DEM数据源的胶东半岛流域特征提取对比与分析
3.多源DEM数据地形因子表达准确性分析
4.基于不
同DEM数据源提取库容曲线对比分析5.基于不同DEM数据源的数字河网提取对比分析——以韩江流域为例
因版权原因，仅展示原文概要，查看原文内容请购买。
确定土壤最佳含水量和最大干密度的试验方法.
重庆科技学院学生毕业设计（论文）外文译文学院建筑工程学院专业班级土木工程2012-03学生姓名潘星俊学号2012444094译文要求1.外文翻译必须使用签字笔，手工工整书写，或用A4纸打印。
2.所选的原文不少于10000印刷字符，其内容必须与课题或专业方向紧密相关，由指导教师提供，并注明详细出处。
3.外文翻译书文本后附原文（或复印件）。
出处:土木工程学报（2015）19（7）：2061-2066版权ⓒ2015韩国土木工程师协会DOI 10.1007/s12205-015-0163-0确定土壤最佳含水量和最大干密度的试验方法X iao-Chuan Ren*, Yuan-Ming Lai**, Fan-Yu Zhang***, and Kai Hu****2014年4月2日收到/2014年6月18日修订/2014年11月11日接受/2015年1月12日在线出版··········································································································································································摘要基于物理参数对土的压缩模量进行研究，得出一种能准确确定少量土样土壤最佳含水量的及相应的最大干密度的方法。
- 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)。
2015（第三届）中国水利信息化与数字水利技术论坛—基于多源遥感数据的灌区土壤墒情监测的关键技术报告人：张成才郑州大学水利与环境学院2015.4.3中国（国际）水务高峰论坛组委会电话：010-6320 3049/3233/3104/3734/3745邮箱：wbs@传真：010-5269 5071官网：地址：北京市西城区白广路北口水利部综合楼733目录遥感反演土壤墒情技术的研究现状土壤墒情遥感监测的关键技术总结12345研究背景及意义土壤墒情遥感监测的主要发展方向土壤墒情是水文学、气象学以及农业科学领域中的一个重要指标, 是土壤-植物-大气连续体的一个重要因子，对水文、农业、旱情监测等具有非常重要的意义。
传统的土壤墒情监测是测点的人工监测，费时费力，且测点稀疏，代表性差。
遥感具有监测范围广、速度快、成本低等优点，应用遥感技术对土壤墒情进行监测，能实现土壤墒情大范围、快速监测，优势明显。
研究不同地表覆盖情况下监测土壤墒情的方法，构建土壤墒情遥感反演模型，分析土壤墒情变化规律，为水文分析计算、农作物科学灌溉等提供基础信息。
近几年遥感卫星数据国外高分遥感数据QuickBird，GeoEye-1，WorldView-2、3，SPOT6，Pleiades-1 国内高分遥感数据高分一号、高分二号、资源三号、天绘一号主动微波遥感数据ALOS-2、Radarsat-2、TerraSAR-2遥感卫星WorldView-3美国WorldView-2美国发射日期2014年2009年10月轨道高度617km770km重访周期小于1 天 1.1 天幅宽单景16.4km×16.4km单景16.4km×16.4km 影像成图比例尺约1 : 2000 1 :2000分辨率全色0.31m多光谱1.24m全色0.5m多光谱1.8m波谱范围8个多光谱8个波段（红、绿、蓝、红色边缘、黄、海岸、2个近红）8个短红外全色0.45 -0.80μm全色0.45 -0.80μm国外高分遥感数据遥感卫星法国Pleiades-1法国SPOT6发射日期2010年2012年轨道高度694Km695 Km重访周期1天26天幅宽单景20km×20km单景60km×60km 影像成图比例尺1:20001:10 000分辨率全色0.5m多光谱2m全色1.5m多光谱6m波谱范围蓝色0.43 -0.55μm蓝色0.45 -0.52μm 绿色0.49 -0.61μm绿色0.53 -0.59μm 红色0.60-0.72μm红色0.62-0.69μm 近红外0.75 -0.95μm近红外0.76 -0.89μm 全色0.48 -0.83μm全色0.45 -0.75μm国外高分遥感数据遥感卫星高分一号高分二号资源三号天绘一号发射日期2013年2014年2012年2010年轨道高度645Km630Km505Km500 Km重访周期4天5天5天5天幅宽800km×800km45 m×45m51km-52km60km×60km 影像成图比例尺1:100001：20001:10 0001:10 000分辨率全色2m多光谱8m全色0.8m 多光谱3.2m前视、后视相机3.5m；正视相机2.1m；多光谱相机6m 三线阵相机5m；高分辨率2m；多光谱相机10m波谱范围蓝色0.45 -0.52μm蓝色0.45 -0.52μm蓝色0.42 -0.52μm蓝色0.43 -0.52μm 绿色0.52 -0.59μm绿色0.52 -0.59μm绿色0.52 -0.59μm绿色0.52 -0.61μm 红色0.63-0.69μm红色0.63-0.69μm红色0.63-0.69μm红色0.61-0.69μm 近红外0.77 -0.89μm近红外0.77 -0.89μm近红外0.77 -0.89μm近红外0.76 -0.90μm 全色0.45 -0.90μm全色0.45 -0.90μm全色0.50 -0.80μm全色0.51 -0.69μm国产遥感数据ALOS-2数据参数观测模式分辨率观测范围聚束模式1m-3m25km条带模式3m50km 6m50km 10m70km扫描模式100m350km 60m490km第一部分遥感数据简介Radarsat-2遥感卫星RadarSat-2卫星类型C波段SAR商用卫星发射日期2007年轨道类型太阳同步轨道轨道高度798Km重访周期24天特征·11种波束模式·左右侧视缩短了重访时间·丰富的极化信息第二部分遥感反演土壤墒情技术的研究现状（1）数据源方面：20世纪70年代早期试验建立了土壤含水量和地表辐射温度的相关关系，后续气象卫星和资源卫星的投入使用，合成孔径雷达数据的获取等推动土壤墒情监测进一步发展。
（2）反演模型方面：从可见光-红外遥感，到微波遥感，反演模型也在演进发展，对可见光-红外遥感数据，不同的地表覆盖类型选择特定的模型，如在裸土和低植被覆盖区，主要采用热惯量和相关方法，在高植被覆盖区，主要采用植被缺水指数法，以及将植被指数和地表温度组合的温度植被指数法。
第二部分对于微波数据，裸土和低植被覆盖区域，从经验、半经验模型（主要有Oh 模型、Dubois 模型和Shi 模型）到理论模型（如：IEM、AIEM）逐步完善。
对植被较好的地表覆盖，主要有的Water-Cloud模型（水云模型）和MIMICS模型（微波植被散射模型）。
第三部分土壤墒情遥感监测的主要发展方向•（1）不同遥感数据，在不同地表覆盖状况下的适用性研究。
特别是主动微波遥感数据的应用，对土壤墒情遥感监测起到突破性的作用。
第三部分多源数据的应用，解决不同地表覆盖状况下的单一数据源反演土壤墒情的问题，提高土壤墒情反演精度，遥感数据和地面实测数据同化技术的应用，是以后的一个主要发展方向。
(2)随着遥感数据的快速增加和精度的提高，研究构建新的基于光谱信息特征的土壤含水量计算模型。
克服过去应用间接要素估算土壤含水量的不足，是土壤墒情遥感监测的又一个发展方向。
第三部分应用可见光-热红外遥感数据反演土壤墒情试验裸土/低植被覆盖区域选择表观热惯量模型，高植被覆盖区域选择植被供水指数模型。
数据选取：MODIS和Landsat TM遥感影像。
研究技术路线河南省白沙灌区为例墒情（%）所占面积(km2)所占百分比(%)0-593155-7281457-9230379-11182>1110.16 MODIS表观热惯量法的墒情分布图墒情统计结果墒情（%）所占面积(km2)所占百分比(%)<1724417-17.546717.5-18781318-18.526142>18.521434 MODIS植被供水指数法的墒情分布图墒情统计结果墒情（%）所占面积(km2)所占百分比(%)<1041.33710-1531.44515-2083.101420-25438.4172>259.792TM植被供水指数法墒情分布图墒情统计结果墒情等级所占面积(km2)所占百分比(%)累积面积(km2)<1058.009.5758.0010-15158.8226.20216.8215-20253.7041.85470.5220-25132.1021.79602.62>25 3.570.59606.19 MODIS结合TM影像计算土壤墒情分布MODIS结合TM 计算的墒情统计结果样点土壤墒情实测值（%）土壤墒情反演值相对误差（%）MODIS表观热惯量法MODIS植被供水指数法TM植被供水指数法MODIS结合TMMODIS表观热惯量法MODIS植被供水指数法TM植被供水指数法MODIS结合TM112.014.459.438.6614.3920.4121.4127.8319.91 212.314.389.767.6114.3516.9120.6538.1316.67 3 6.8 6.1418.25 5.2 5.49.70168.3823.5320.59 418.3 2.2217.9419.1518.7287.87 1.97 4.64 2.30 519.4 5.6616.8117.5517.9370.8213.359.537.58反演精度分析表MODIS遥感数据运用表观热惯量法和植被供水指数法单独进行土壤墒情的反演，都有各自的局限性，对不同地表覆盖状况的土壤墒情的反演精度差别较大。
TM影像采用植被供水指数法，对高植被覆盖区域土壤墒情进行监测，得到的墒情结果较详细。
通过以上试验，无论是MODIS数据表观热惯量法、植被供水指数法还是TM数据植被供水指数法反演土壤墒情，每一种影像数据和方法单独应用都无法很好地反映灌区混合地表的土壤墒情。
因此，多种遥感数据与方法结合，是提高反演土壤墒情精度的技术手段。
主动微波遥感全天时工作不受云、雾、雨的影响穿透能力强对于某些地物有特殊的波谱特性基于主动微波数据的土壤墒情反演试验对裸土和低植被区域用改进积分方程模型（AIEM）计算地表参数（介电常数、粗糙度），雷达后向散射系数以及土壤墒情之间的非线性关系。
研究技术路线采用Radarsat-2数据进行土壤墒情的反演研究，Radarsat-2数据特点如下：特点优势较高的分辨率（3m—8m）改进了目标检测、识别的能力多极化模式可以提高地物的识别的能力重访次数增加对于要较高重访频率的访问，效率提高快速数据处理处理速度快，运行性得到了进一步的增强几何准确度提高对于要快速得到准确定位的产品适用性强研究使用的SAR影像数据为2010年6月20日10：41：37获取的SLC级数据，要对影像数据进行裁剪、滤波、辐射定标等处理。
裁剪后的HH、HV、VH、VV图像滤波后的HH、HV、VH、VV图像定标后的HH 、HV 、VH 、VV图像把Radarsat-2遥感影像数据通过辐射定标转换为后向散射系数，公式如下：通过上述公式计算后，每一个像元点的值都转化成了雷达后向散射系数的值。
构建后向散射模型根据AIEM模型，通过模拟与分析后向散射系数与土壤墒情和地表粗糙度之间的关系，得到如下的后向散射模型：由以上式子可知，在已知雷达影像的后向散射系数情况下，需要得到地表粗糙度的值才能求得土壤墒情的值，但是一般情况下地表粗糙度很难大面积的精确测量。
同极化HH和VV与交叉极化HV和VH两种方式下的组合粗糙度对后向散射系数的响应基本一致。
研究利用同极化HH、VV和交叉极化HV、VH的后向散射模型进行组合，消除地表粗糙度的影响，得到HH/VV同极化和HV/VH交叉极化两种模式的土壤墒情反演算法。
HH/VV双极化土壤墒情反演算法同极化HH和VV组合的后向散射模型方程如下：方程组联立得：HV/VH交叉极化土壤墒情反演算法交叉极化HV和VH组合的后向散射模型方程如下：方程组联立得：利用研究区域实测的土壤墒情数据和模型反演的数据对比，可以看出实测的土壤墒情同模型的反演的土壤墒情之间存在较好的相关性.主要研究成果基于Radarsat-2雷达影像，利用改进积分方程模型模拟裸露地表不同雷达系统参数以及不同地表参数情况下的后向散射特征，分析裸露地表的后向散射变化规律，找出后向散射系数与土壤湿度和组合粗糙度参数之间的关系，得到四种极化方式下裸露地表的后向散射模型，消除地表粗糙度的影响，建立两种双极化雷达数据土壤水分反演算法。