多源遥感数据反演土壤水分方法.

合集下载

基于改进水云模型的土壤水分反演研究

基于改进水云模型的土壤水分反演研究1. 引言1.1 研究背景土壤水分是土壤中最为重要的水资源之一，对于农作物生长、水文循环、生态环境等具有重要影响。

准确地获取土壤水分信息对于农业生产、水资源管理和环境监测等具有重要意义。

传统的土壤水分检测方法通常需要大量的人力、物力资源，且存在着时间和空间上的限制。

发展一种快速、高效、准确的土壤水分反演方法具有非常重要的现实意义。

本研究旨在通过改进水云模型的参数设置和反演方法，提高土壤水分反演的准确性和精度，为农业生产、水资源管理和环境监测提供科学依据。

对于改进水云模型的研究也将推动遥感技术在土壤水分监测领域的应用，具有重要的理论和应用价值。

1.2 研究意义土壤水分是土壤中最重要的水文要素之一，对于农田灌溉、城市防洪排涝、地下水资源管理等方面都具有重要的意义。

因此，准确地反演土壤水分是农业生产和水资源管理的基础。

当前常用的土壤水分遥感反演方法存在着一些问题，如对云层和植被的敏感性较强，限制了其在复杂地表条件下的应用。

改进水云模型是一种基于多角度遥感数据的土壤水分反演方法，能够综合考虑土壤和植被的特性，提高了反演结果的准确性和可靠性。

因此，对基于改进水云模型的土壤水分反演研究具有重要的意义。

通过深入研究改进水云模型的原理和土壤水分反演方法，可以为提高土壤水分反演的精度和稳定性提供技术支持。

研究基于改进水云模型的土壤水分反演还可以为农田灌溉、城市防洪排涝、地下水资源管理等领域提供实时监测和预警服务，有助于优化水资源利用和保护生态环境。

因此，深入开展基于改进水云模型的土壤水分反演研究对于推动农业现代化、建设生态文明社会具有重要的意义。

1.3 研究目的研究目的是为了利用改进水云模型对土壤水分进行反演研究，以提高土壤水分监测的精度和效率。

通过研究土壤水分反演方法和模型验证实验结果，可以更好地理解土壤水分变化规律，为农业生产、水资源管理和环境保护提供科学依据。

同时，通过参数优化和模型应用的实践，可以探讨改进水云模型在不同地区和时间尺度下的适用性和稳定性，为实际应用中的预测和监测工作提供支持。

猕猴桃土壤水分遥感反演

猕猴桃土壤水分遥感反演咱们先来说说猕猴桃。这猕猴桃啊，可是水果界的明星！那酸酸甜甜的味道，富含的各种维生素和营养成分，让它备受大家的喜爱。可是你知道吗，猕猴桃要想长得好，土壤水分可是起着至关重要的作用。就好比人需要喝水来维持生命一样，猕猴桃也得有足够合适的水分供应，才能茁壮成长，结出又大又甜的果实。

那怎么知道土壤里的水分到底够不够呢？这时候，遥感反演就闪亮登场啦！遥感，简单来说，就是通过一些高科技设备，比如卫星啊、飞机上搭载的传感器之类的，从远处收集地球表面的各种信息。这些传感器就像是一双双超级敏锐的眼睛，能看到我们肉眼看不到的东西。

在猕猴桃种植区，这些传感器会收集大量的数据，包括土壤的反射率、温度等等。然后，通过一系列复杂的算法和模型，就像解开一道神秘的数学谜题一样，把这些数据进行分析和处理，最终反演出土壤中的水分含量。这就好比是给土壤做了一次全面的“体检”，让我们清楚地知道它的“水分健康状况”。

比如说，如果遥感反演发现某一片猕猴桃种植区的土壤水分有点低，那果农们就可以及时采取措施啦。他们可以给猕猴桃树多浇点水，就像是给它们送上一场“甘霖”，让它们喝得饱饱的，茁壮成长。相反，如果水分太多，也可能会导致根部缺氧等问题，这时候就需要采取排水等措施，让土壤保持一个合适的湿度。

遥感反演还有一个很大的优点，就是它可以大面积、快速地获取土壤水分信息。想象一下，如果靠人工去一块一块地检测土壤水分，那得耗费多少时间和精力啊！而遥感反演就像是一个高效的“侦察兵”，能在短时间内把大片区域的情况都摸得一清二楚，大大提高了农业生产的效率。

不过呢，遥感反演也不是十全十美的。它可能会受到一些因素的干扰，比如云层的遮挡啦，地表植被的覆盖啦等等。就像是有时候我们看远处的东西，会因为有雾或者其他障碍物而看不太清楚一样。但是科学家们也在不断地努力改进和完善这个技术，让它变得越来越准确和可靠。

水体参数的遥感反演实验步骤

水体参数的遥感反演实验步骤目标本实验旨在通过遥感技术，反演水体参数，为水环境管理和水生态保护提供科学依据。

通过具体步骤的阐述，揭示遥感反演水体参数的过程，并展示其可行性和优势。

步骤1. 数据采集遥感数据的采集是实验的第一步。

这一阶段，我们需要选择合适的卫星传感器，如Landsat、Sentinel等，以获取水体在不同波段的光谱信息。

此外，还需获取水体的地理位置、形状、水深等辅助信息。

2. 数据预处理原始遥感数据需要进行一系列的预处理，包括辐射定标、大气校正、地形校正等，以消除噪声和其他干扰因素。

这一步骤是遥感数据处理的关键环节，可以有效提高数据的质量和准确性。

3. 特征提取在预处理的数据中，我们需要提取与水体参数相关的特征。

这些特征可能包括水体的颜色、纹理、形状等。

通过运用机器学习算法，从预处理的数据中挖掘出这些特征，为后续的反演提供依据。

4. 模型构建与训练利用提取的特征和已知的水体参数，构建并训练预测模型。

常用的模型包括支持向量机（SVM）、随机森林（RF）、神经网络等。

通过交叉验证等技术，评估模型的性能，并对模型进行优化，以提高预测精度。

5. 水体参数反演利用训练好的模型和实时获取的遥感数据，对水体参数进行反演。

这一步骤将遥感数据转化为具有实际意义的水体参数，为水环境管理和保护提供科学依据。

实例支持以某湖泊为例，我们通过Landsat 8卫星获取了湖泊在不同波段的光谱信息。

经过预处理和特征提取，我们发现湖泊的水色与波段4（红色光）和波段5（近红外光）的反射率具有显著相关性。

进一步地，我们利用支持向量机模型，以水色为特征，成功预测了湖泊的叶绿素浓度、悬浮物浓度等关键水体参数。

预测结果与实际监测数据具有高度一致性，证明了遥感反演水体参数的可行性和实用性。

看法与能力展现通过本次实验，我们认识到遥感技术在反演水体参数方面的优势。

遥感数据具有覆盖范围广、获取方便、时效性强等特点，使得我们可以快速、准确地获取水体参数信息。

基于深度学习的土壤水分遥感反演技术研究

基于深度学习的土壤水分遥感反演技术研究土壤水分是影响植物生长及农业生产的关键因素之一，然而土壤水分空间和时间上的变化却相对较为复杂和难以获取。

近年来，随着遥感技术的发展和深度学习算法的广泛应用，基于深度学习的土壤水分遥感反演技术逐渐成为研究热点。

一、土壤水分遥感反演技术的现状传统的土壤水分遥感反演技术主要基于经验模型和物理模型。

经验模型主要基于统计学原理和实验数据建立的经验模型，如多元回归模型、神经网络模型等；物理模型则基于土壤水分的物理性质，如电磁学、微波散射等进行反演。

但是，这些方法在模型的构建和实施过程中存在一些局限性，如模型复杂、精度难以保证等问题。

基于深度学习的土壤水分遥感反演技术则针对传统方法的不足，通过神经网络的结构优化、特征提取及数据处理等方面的创新，提高了土壤水分的反演精度。

这种方法无需设置太多的先验知识和预定参数，而是通过大量高质量的数据学习土壤水分与遥感数据的关系，从而取得更高的准确率。

二、深度学习在土壤水分反演中的应用深度学习通常包括卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)和变换器(Transformers)等。

它们可以从大量土壤水分遥感图像中学习出高性能的土壤水分反演模型，从而反演出更加精确的土壤水分信息。

其中，CNN常用于遥感图像的特征提取，它可以使用卷积层和池化层等操作，提取图像的空间特征。

此外，在反演精度上表现较好的RCNN模型则将CNN和RNN相结合，使得模型可以对时序数据进行处理，从而更准确地反演土壤水分含量。

三、深度学习的发展趋势虽然目前基于深度学习的土壤水分遥感反演技术已经取得了很大的进展，但同时也存在许多问题需要解决。

比如，如何处理遥感数据中的噪声、影像遥感分辨率等影响反演精度的问题。

未来基于深度学习的土壤水分遥感反演技术还需要继续进行算法创新和模型优化，以进一步提高模型的精度和泛化能力。

基于多源数据的土壤水分反演及空间分异格局研究

基于多源数据的土壤水分反演及空间分异格局研究蔡亮红;丁建丽;魏阳【摘要】温度植被干旱指数(TVDI)是一种通过反演土壤水分来反映土壤干旱状况的重要方法.在TVDI的基础上引入数字高程模型(DEM)数据对地表温度进行校正,能够减少地形起伏对能量二次分配的影响.用阈值将研究区分割成不同土地利用类型,结合野外同步实测数据,用分段反演模型反演渭-库绿洲土壤水分分布图,并对渭-库绿洲土壤水分的空间格局和分异规律进行分析.结果表明:(1)地形校正后的TVDI 能够更好地反映土壤水分状况;(2)土壤水分总体上从西至东,由北向南降低,在绿洲内部较为稳定,在交错带变化较为剧烈,土壤水分垂直变异系数呈现幂函数递减的整体变化趋势;(3)针对研究区不同土地利用类型用分段反演模型进行反演,有效地实现优势互补,总体上提高了土壤水分的反演精度,在区域土壤水分研究中值得关注和应用.%[Objective]Soil moisture is a key variable in parameterization of a land surface. Soil moisture content varies spatially and temporally,and plays an important role in material and energy exchanges occurring in the earth-atmosphere interface. It is a basic indicator for prediction of crop growth and crop yield,and also an important parameter in the numerical weather prediction model that helps efficiently forecast improvement in the physics of land surface processes on regional or global scales. However,it is very difficult to obtain an accurate soil moisture parameter just through field measurement temporally and spatially,especially at large spatial scales. Remote sensing technology has widely been used in estimation of soil moisture contents for it features capability of observing a large area synchronously,timely and economically. In the present study,a total of 39soil samples were collected from an oasis in the Weigan-KuqaDelta,Xinjiang of China.[Method]Temperature Vegetation DrynessIndex(TVDI)is an important tool that can be used to reflect soil moisture regime through inversion. In this study DEM data were introduced to correct the data of land surface temperature(Ts)on the basis of the researches on TVDI in an attempt to mitigate the impact of undulation in land relief on secondary distribution of energy. The study area was divided into different land use types by threshold. Based on the synchronously field measured data,a piecewise inversion model was used to inverse soil moisture distribution in the delta oasis,and then spatial distribution pattern of soil moisture in the studied area and rules of its variation were further analyzed.[Result]Results show as follows:(1)Based on TVDI,DEM was introduced for terrain correction. Comparing the data before and after the terrain correction demonstrates that Modified Soil-Adjusted Vegetation Index(MSAVI)and the determination coefficient of the field measured soil moisture content in the topsoil layer were higher after the correction than before the correction. After the correction,R2 rose from 0.44 to 0.53,and all were above the 0.01 significance level;(2)The soil moisture regime of the delta oasis reflected in the classification maps of TVDI demonstrates an apparent rule of spatial variation of soil moisture that on the whole,soil moisture declines from west to east and from north to south. Based on the variation coefficient of the mean soil moisture contents in the six soil layers of the 0~100 cm soil profiles different in land use type in the study area,soil moisture variation coefficient of the oasis and ecotone was 28%and 36%,respectively. From the distribution of the soil moisture variation coefficients of the soil layers in the soil moisture vertical variation coefficient map,it is discerned that the closer to the surface,the higher the variation coefficient,and that the vertical variation coefficient of soil moisture varied with land use type even in the same soil layers. However,the overall trend was quite similar,that is,it declines with soil depth;(3)By comparing the piecewise inversion model with the original model in inversion,it is learnt that the determination coefficient between the measured soil moisture and that predicted using the piecewise model and original model was 0.72 and 0.64,with RMSE being 0.03 and0.04,respectively. Obviously,the coefficient of determination increased by 0.08 and RMSE decreased by 0.01. [Conclusion]Based on all the above-described findings,it could be concluded as follows:(1)In this study,DEM elevation data were used for terrain correction of TVDI,and the corrected TVDI better reflected the soil moisture regime;(2)On the whole,soil moisture declines from west to east and from north to south,and remains quite consistent in the oasis,but varies drastically in the ecotone. Soil moisture vertical variation coefficient varied as a whole,showing a declining trend of a power function;(3)By comparing the piecewise inversion model and the original model in inversion,it is learnt that the piecewise inversion model should be used to invert soil moisture in soils different in land use,which may effectively supplement each other,thus improving accuracy of the inversion as a whole. It is,therefore, worthy of attention and application in researches on regional soil moisture regime.【期刊名称】《土壤学报》【年(卷),期】2017(054)005【总页数】11页(P1057-1067)【关键词】温度植被干旱指数(TVDI);地形校正;土壤水分;空间格局【作者】蔡亮红;丁建丽;魏阳【作者单位】新疆大学资源与环境科学学院,乌鲁木齐 830046;新疆大学绿洲生态教育部重点实验室,乌鲁木齐 830046;新疆大学资源与环境科学学院,乌鲁木齐830046;新疆大学绿洲生态教育部重点实验室,乌鲁木齐 830046;新疆大学资源与环境科学学院,乌鲁木齐 830046;新疆大学绿洲生态教育部重点实验室,乌鲁木齐830046【正文语种】中文【中图分类】S152.7土壤水分是土壤—植被—大气连接的关键因子，是土壤系统中物质和能量循环的载体，对土壤特性、植被生长分布以及区域生态系统有着重要的影响［1-2］。

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６．９３８．９ＧＨｚ被动微波Ｌ波段（１．４ＧＨｚ）被动微波Ｌ波段（１．２１．４ＧＨｚ）主被动微波微波成像仪多源数据空间分辨率Ｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎ１２．５ｋｍ，２５ｋｍＬｅｖｅｌ２：２５ｋｍＬｅｖｅｌ３：１２ｋｍ１５２１７０ｋｍ３５ｋｍ３４０ｋｍ５０ˑ８５／２５ｋｍ２５ｋｍ时间分辨率Ｔｅｍｐｏｒａｌｒｅｓｏｌｕｔｉｏｎ３ｄ２次／ｄ１３ｄＬｅｖｅｌ３：１ｄ／３ｄ／１０ｄ／月３ｄ２次／ｄ１０ｄ／月１ｄ时间序列Ｔｉｍｅｓｅｒｉｅｓ２００７至今２００２２０１０２０１３至今２０１０至今２０１５至今２０１１至今１９７９至今反演精度Ｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙ０．０３０．０７ｍ３／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２００２２０１１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。

区域土壤水分遥感反演方法研究

项目资助:国家自然科学基金项目(40601103),西部联合人才培养计划(0634021001)共同资助收稿日期:2007-12-10;修订日期:2008-01-18;作者E-mail:zhangqing@第一作者简介:张清(1972-),女,河北保定人,2005年获中国科学院硕士学位,北京大学在读博士生,从事生态遥感及GIS 应用工作区域土壤水分遥感反演方法研究张清1,周可法2,赵庆展3,尹小君3(1.北京大学遥感与地理信息系统研究所,北京 100871;2.中国科学院新疆生态与地理研究所,新疆乌鲁木齐 830011;3.石河子大学信息科学与技术学院,新疆石河子 841000)摘要:土壤水分是陆地表面参数化的一个关键变量.土壤水分含量随时空的转换而变化,对地面、大气间的热量平衡、土壤温度及农田墒情等都会产生明显的影响.传统的土壤水分测量方法采样速度慢、费用高、代表性差,无法满足实时、大范围监测的需要.遥感监测土壤水分克服了以上的缺点,利用遥感技术监测土壤水分是目前定量遥感研究的前沿和难题之一.总结了目前国内外遥感计算土壤含水量的主要方法和研究进展,同时进行了对比研究,对不同方法的原理及应用情况进行分析,指出这些方法的适用条件、存在问题及改进措施. 关键词:土壤水分;遥感监测;模型土壤水分与干旱的遥感监测是目前遥感技术应用研究的前沿领域,是公认的世界性研究难题之一.在地球系统中,地表土壤水分是陆地和大气能量交换过程中的重要因子,对陆地表面蒸散、水的运移、碳循环有很强的控制作用,是气候、水文、生态、农业等领域衡量土壤干旱程度的重要指标.土壤含水量的时空分布与变化对陆地-大气间热量平衡、陆面大气环流和土壤温度变化产生显著的影响.大范围的土壤水分监测是农业过程研究和环境因子评价的基础,而区域尺度乃至全球范围的地表土壤水分反演又是陆面过程模式研究的重要组成部分,在改善区域及全球气候、预测区域干湿状况研究中意义重大[1,2].土壤水分或土壤湿度是指土壤中所含水分数量,目前土壤含水量的获取可分为三类:田间实测法、土壤水分模型法和遥感法.田间实测法包括重量水分法、中子仪法、土壤湿度计法、伽马射线衰减法、电阻法.该方法可以准确估测土体剖面的含水量,测定的土层较多,深度较大,可以不考虑大气、植被的影响.但其仅限于单点,代表范围有限,数据的实时性较差,动态性很难保证,人力财力消耗大,很难表现土壤、地形、植被覆盖上的空间变异性,宏观性得不到体现,数据得不到及时更新.土壤水分模型方法是根据物质守恒定律,建立水分平衡方程来求解土壤水分,可提供适时的土壤水分信息,具快速、可预测、可提供面信息的优势.但实验需要大量气象数据支持,参数复杂、难以确定,估测误差较大.20世纪80年代发展的遥感监测土壤水分克服了以上二种方法的缺陷.土壤水分的遥感估测方法是通过测量土壤表面发射或反射的电磁能量,研究遥感信息与土壤湿度间的关系,建立土壤湿度与遥感数据间的信息模型,从而反演出土壤水分.其时效快、动态对比性强,为大面积地表水、热的实时准确监测提供了有效手段.1 土壤水分遥感测量模型及方法国内外用遥感技术监测干旱区土壤水分的方法很多,目前该领域的研究主要集中在光学遥感(即可见光-近红外、热红外遥感)和微波遥感波段进行[4].遥感监测地表水热方法主要有:微波遥感监测土壤水分法、基于可见光-近红外土壤水分光谱法、基于热红外遥感的温度法、基于热红外遥感的植被指数法、基于可见光及热红外遥感的植被指数-冠层温度法及陆面数据同化法.1.1 微波遥感土壤湿度法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3~5,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是灰度值G 亮度温度的变化. 1.1.1 主动微波遥感土壤湿度法以应用X 波段侧视雷达为主,主要是后向反射系数法.主动微波遥感器发射一束经调制的电磁波能量,并且接收后向散射回波,通过后向散射系数,建立目标108 新疆地质物的形态和物理特征与后向散射回波的关系.Ulaby 、Weimann 等研究了线性关系的土壤水分和雷达参数的关系.Ulaby 等在研究中发现土壤湿度在田间持水量的50％~150％范围时,对植被的影响较大,必须建立线性关系排除植被在监测中的干扰成分.Dobson 等认为干的或饱和的土壤,不适用线性关系,而是非线性的关系.粗糙度对微波遥感土壤水分的影响,主动微波大于被动微波.Sano 等对考虑粗糙度的影响进行了研究[5~7].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.虽然成本较高,但随着一系列携带主动微波传感器的卫星(ERS 系列、EOS ．SAR 、Radar sat 、ADEOS 、TRMM 等)的发射升空,以及美国奋进号航天飞机的多次飞行试验获得大量的雷达图像及数据的应用,将使微波遥感的成本不断下降,逐渐被应用于实践.1.1.2 被动微波遥感监测土壤水分土壤湿度是影响被动微波辐射测量的关键因子,也是被动遥感监测土壤水分的理论基础.为此,国内外专家围绕土壤水分与亮度温度的关系进行了大量理论研究和航空遥感实验,得出许多有实用性的模型算法.Schmugge 等对试验数据进行了分析,发现亮温Tb 与土壤水分(重量百分比)具有较好的线性关系,引入田间持水力FC (field capacity),建立亮温与FC 之间的线性关系[8].Njoku 等基于辐射传输方程,建立了Tb 与土壤水分等参数的非线性方程[9].植被对土壤水分反演的影响是不可忽视的因素,很多算法在植被密集处无法使用,为了消除植被的影响,必须注重植被的遥感监测,建立相关的计算模型.Wang 、Teng 等研究了植被对土壤水分监测的影响,结果表明在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ 波段,尽量选择较长波段微波辐射,以消除植被对土壤湿度反演的影响[10].1.2 基于可见光-近红外土壤水分光谱法土壤水分光谱法是应用遥感估算光学植被度,利用分解象元排除法来提取土壤水分光谱信息.刘培君等研究表明,土壤水分含量约大于5%时,随土壤水分含量的增加反射率有呈指数下降趋势[11],两者关系为:b PR a e = (1)式中:R ——光谱反射率;P ——土壤水分百分数; a ,b ——待定系数.在此基础上,引入“光学植被盖度”.其定义为:实有植被的光学信息量占观测范围内全部植被光学信息量的比.观测区内实际的光学植被信息跟该区内理想为全植被覆盖时光学植被信息的比.对于TM 数据而言,可由2、3和4波段的光谱亮度来估算,其表达式为:4233423m a x ()/()C v o B B r B B =−−− (2) 式中:423max ()B B −——理想的全植被覆盖时(无裸土面)4波段和2、3波段(平均)光谱亮度的差值(极大值).此定义方法更着眼于土壤水分与光谱的直接关系,其具体过程为利用近红外波段和低波长波段的光谱反射率差值提取植被信息.裸土的光学植被盖度为0,全植被覆盖时光学植被盖度为1.差值较大的为作物,差值较小的是裸土,负值可能是水体或湿土.光学植被盖度是掩盖土壤水分信息的一个比较精确的量度.利用样本统计和相关分析相结合的方法,李建龙等建立了光学植被盖度的TM 模型[12]:4230.0046320.0026460.0019860.07124VO C B B B =−−−(3) 式中:C vo ——光学植被盖度;B 4,B 2,B 3——TM 4、2、3波段的光谱亮度. 根据分解复合象元原理,可排除植被的光谱信息,提取土壤水分的光谱信息.建立TM 的土壤水分监测模型如下:23444230.55970.41990.179715.060.87120.004630.0026460.001956B B B B B B B ±+−+=−++ (4) 234234230.51900.38940.1084 1.6670.87120.004630.0026460.001956B B B B B B B ±+−+=−++ (5) 上两式分别是用TM 4、2波段表达的土壤水分含量的定性公式,可用于监测土壤含水量的多少.而利用N0AA ／A VHRR 遥感信息建立的土壤水分监测模型为:P A1=42.51-31.42lg (04.0002447.0004956.08712.06.71126.04657.0A1A2A2A1++−+−B B B B -2.4) (6)12210.51550.191521.2145.2534.33lg(14.4)0.87120.0049560.0024470.04A A A A B B PA B B −+=−−−++(7)上式分别是用A VHRR 1、2通道数据为主建立的土壤水分遥感监测模型.1.3 基于热红外遥感的温度法 1.3.1 热惯量法土壤热惯量是土壤的一种热特性,是引起土壤表层温度表化的内在因素.水分有较大的热容量和热传导率,使较湿的土壤具有较大的热惯量,而这一热惯量可由光学遥感监测地表温度的变化得到,这使得热惯量法在遥感监测土壤水分中具有可行性.Watson 等最早应用了热模型[13].1978年热容量制图卫星(HCMM)发射成功,随后具有较高分辨率的土壤水分遥感监测方法的研究.Price 通过系统的研究,阐述了热惯量的遥感成像原理,提出了表观热惯量的概念,从而使采用卫星提供的可见光—近红外反射率和热红外辐射温度差计算热惯量并估算出土壤水分成为可能[14,15].Enland 等提出了辐射亮度热惯量(RTI)的概念,且认为PRTI 对土壤水分的敏感性好于PATI [16].研究表明,对于同一类型的土壤,其含水量越高,则热惯量越大,二者间存在正相关.土壤热惯量法是土壤热特性的综合性参数,定义为:P = (8) 式中:P ——热惯量(J/m k.S 1/2);Ρ——密度(kg/m 3);C ——比热(J/kg ·k);Λ——热导率(J/m ·s ·k).由于原始热惯量模型中的参数λ、ρ和c 难以直接利用遥感手段获取信息,因此,Price 、Kahle 根据地表热量平衡方程和热传导方程,对土壤热惯量模式进行了改进[17].Price 简化了潜热通量蒸发形式,并引入了一个地表综合参量B (B 为土壤辐射率、比湿及温度等气象要素的函数),P 与地表综合参量B 有关,而B 值计算复杂,需要大量地面数据支持.()R T I P =(9)012(1)r S C A a T−α=∆ (10) 式中:S 0——太阳常数;C r ——太阳辐射的大气透过率;A 1——太阳赤纬和当地纬度的函数,为地球自转的角速度,即周日的角频率; α——全波段的反射率,α=a ×C H 1+b×C H 2;a 、b ——系数;C H 1、C H 2——1、2通道的反射率.在实际应用时,不考虑地理纬度的影响,可以用表观热惯量ATI 来近似代替真实热惯量P ,直接建立表观热惯量ATI 与土壤含水量间的遥感统计模式,该模式表达为:(1-)/(-)d n ATI T T =α (11)式中:ATI ——土壤表观热惯量;T d 、T n ——昼夜的最高、最低温度,可分别用NOAA/A VHRR 卫星通道4的昼夜亮温CH4和NCH4求得.在实际应用时,常用表观热惯量ATI 来代替真实热惯量,该模式更适于航天遥感应用.常用线性经验公式为:W A A T I B =×+ (12)式中:W ——某层土壤湿度; A 、B ——系数. 1.3.2 蒸散比模型地表蒸散是土壤-植被-大气间能量相互作用和交换的体现,其核心是能量流的传输.蒸散法的理论基础来源于P-M 彭曼公式.国内外学者研究表明,实际蒸散(E )与潜在蒸散(E p)的比值与土壤水分的关系密切.当土壤水分供给充足时,蒸散作用较强,冠层温度处于较低状态;反之,蒸散作用较弱,冠层温度较高. Jackson 应用单层模型发展了估算植被缺水状态模型,作物缺水指数(CWSI )在较均一的环境条件下可以与平均日蒸发量联系起来,作为植物根层土壤水分状况的估算指标[18].其定义为: 01/C W S I E T E T =− (13)式中:ET ——实际蒸散;ET 0——潜在蒸散.由上式可知,ET 越小,CWSI 越大(CWSI 的值在0~1之间变动),反映出供水能力越差,即土地越干旱.用NOAA ／A VHRR 可得到热红外温度T 5,它与日蒸散量有简单的线性关系,而用热红外温度又可使作物缺水指数(CWSI )得到广泛的应用. 单层模型的思想是将土壤和植被作为一个整体的边界层来建立与大气间热交换模型,与外界空气交换动量、热量和水汽,即将土壤和植被的混合层看作一个“大叶”,所以也叫“大叶模型”.由于潜在蒸散量与作物长势、供水状态有很好的相关性,马蔼乃等对其作了进一步发展[19].()()()()11napR r T c T a d C C W S I d T c T a δγγ⎡⎤−−+∆++⎢⎥⎢⎥⎣⎦=+∆−⎡⎤⎣⎦ (14) 式中:T c ——作物冠层温度; T a ——与作物同高度的空气温度; γ——通风干湿表常数; △——饱和水汽压与温度关系曲线的斜率; d ——空气上部空气饱和差; δ——与作物最热点显热通量之比; R n ——净辐射通量; r a——空气动力学阻力; ρ——空气密度; C ρ——空气定压比热. 从这一思想出发,以能量平衡为基础,运用遥感数据反演地表反照率和地表辐射温度,结合有关气象资料建立蒸散模型.针对不同的下垫面情况又发展了双110 新疆地质层和多层模型.Shuttleworth 等于1985 年提出双层模型,该模型的核心思想是将下垫面的冠层和下面的土壤分别看作独立的通量源与大气进行能量交换[20].双层模型除了要考虑植被和土壤两个因素外还要考虑遥感反演土壤表面温度T g 与冠层温度T v 以及植被覆盖度f ,遥感所得的地表温度T s 为土壤和植被的混合温度,表示为Ts =fTv +(1+f )Tg .此外,遥感可以反演模型所需要的地表反照率、粗糙度、冠层表面阻力、叶面积指数等参数,再加上地面观测参考高度的温度和湿度等,带入双层模型,可推算出界面的蒸发量.随着模型和微气象试验研究的深入,抽象出通量的多层模型[21].单层模型适用于下垫面为单一、密闭、均一植被的情况,与二层、多层模型相比,单层模型输入的参数较简单、数据少,常用于区域或全球气候和生态系统的研究[22].由于多层模型参数的复杂性,其应用范围有限.作物缺水指数法(CWSI )作为蒸散法的主要方法之一,是利用热红外遥感温度和气象资料来间接反演作物覆盖条件的土壤水分.该方法以热量平衡原理为基础,物理意义明确.其使用区域优势明显,精度较高,对植被覆盖地区的土壤水分反演精度优于热惯量法.但是CWSI 模式是以冠层能量平衡单层模型为理论基础的,在作物生长的早期,冠层稀疏时效果较差;作物缺水指数法所需的资料较多、计算复杂.地表气象数据主要来自地面气象站,实时性不强.地表气象数据确定外推的范围和方法也对作物缺水指数法的精度产生影响.1.3.3 温度状态指数和亮温指数温度状态指数(TCI )与VCI 的定义相似,但它强调了温度与植物生长的关系,即高温对植物生长不利.Kogan 将TCI 定义为[23]: m a x 100%m a x m inT T i T C I T T −=×− m a x 100%m a x m i n B T B T iT C I B T B T −=×− (15) 式中:T max 和T min ——在长时间序列的白天的遥感影像中最大和最小的地表温度; BT ——亮度温度; BTi ——某一特定年第i 个时期的亮度温度的值; BT max 、BT min ——所研究年限内第i 个时期亮度温度的最大值和最小值. TCI 愈小,表示愈干旱[24]. 因此,可以通过对NDVI 、亮温与土壤水分的统计分析来建立三者间的数理关系,从而利用遥感反演的亮温和NDVI 计算土壤水分含量.TCI 的优点是只需要一定时间段的日间热红外遥感影像就可以估算TCI 的值,但是其未考虑白天的气象条件,如净辐射、风速、湿度等对热红外遥感的影响及土地表面温度的季节性变化,因此有一定误差. 1.3.4 归一化温度指数在地表温度的反演过程中,为消除地表温度季节变化的影响,Mcvicar 等提出归一化温度指数,定义为[25]: 0L S T L S T N D T I L S T L S T ∞∞−=− (16)式中:LST ∞和LST 0——地表阻抗无限大和为零时模拟的地表温度,被认为是在特定气象条件和地表阻抗下的土地表面温度的上限(干条件)和下限(湿条件).可通过能量平衡-空气动力学阻抗模型计算,需要卫星过境时刻的气温、太阳辐射、相对湿度、风速和叶面积指数等数据.这些数据不易获得,加之还存在着从点测量数据向遥感数据的转化问题,使模型在实际应用中变得困难.1.4 基于可见光-近红外-热红外遥感的植被指数法监测地面水、热状况的方法仍采用植被指数法.常用的植被指数有NDVI 、RVI 、SWVI 、AVI 、CVI.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.通过各光谱波段反射的太阳辐射比来表达,这就叫植被指数,其通常与绿色植被的丰度有关,可定量化地描述植被的覆盖度,反演土壤水分含量.一般来讲,当作物缺水时,作物的生长将受到影响,植被指数将会降低. 1.4.1 归一化植被指数 43214321T M T M C H C H N D V I T M T M C H C H −−==++(17)利用不同植被对可见光红波段的强吸收和对近红外波段的高反射之间的对比,建立此二波段的线性或非线性组合,是植被湿度的一个指示因子,也是描述植被绿度及生长状况指数,同时NDVI 与环境参数(降水量、热量分配、土壤湿度等)的关系是应用NDVI监测环境状况的基础.Prout 等用NOAA ／AVHRR 的植被指数(NDVI )与气象资料(降水等)预报加拿大东部地区的农田干旱及对农业产量的影响[26]. 1.4.2 距平植被指数该法是从植被的角度考虑.由于植被生长状况主要和水分相关(当光照、温度条件变化不大时),水分供应量成为作物生长的关键因素.水分充足供应,植被生长良好,反之植被生长受到影响.此方法是通过多年遥感资料,计算出常年旬平均植被指数,然后由当年植被指数与常年平均值相比较,观察当年作物生长状况,进而对作物受旱程度作出判断. 距平植被指数(AVI)概念的目的是将NDVI 的变化与天气、气候研究中“距平”的概念联系起来,对比分析NDVI 的变化与短期气候变化间的关系. AVI 的定义为:-A V I N D V Ii N D V I = (18)式中:NDVI i——某一特定年某一时期(如旬、月等)NDVI 的值; NDVI ——多年该时期NDVI 的平均值.AVI 作为监测干旱的一种方法,以某一地点某一时期多年的NDVI 平均值为背景值,用当年该时期的NDVI 减去背景值,即可计算出AVI 的变化范围,即NDVI 的正、负距平值.正距平值反映植被生长较一般年份好,负距平值表示植被生长较一般年份差.一般而言,距平植被指数为-0.1~-0.2表示旱情出现,-0.3~0.6表示旱情严重.1.4.3 植被状态指数植被状态指数也被称做条件植被指数(VCI ),其定义为:VCI=minmax minNDVI NDVI NDVI NDVI i −−×100% (19) 式中:NDVI i——某一特定年某一时期(如旬、月等)NDVI 的值;NDVI max ,NDVI min ——所研究年限内第i 个时期NDVI 的最大值和最小值.VCI 计算式的分母部分是在研究年限内第i 个时期植被指数的最大值和最小值之差,它在一定意义上代表了NDVI 的最大变化范围,反映了当地植被的生长环境.分子部分表示某一特定年第i 个时期当地的气象信息,若NDVI i 和NDVI min 之间差值小,表示该时段作物长势很差.Cogan 将在多年极端天气条件(干旱和非干旱)下计算出的NDVI 绝对最大、最小值作为量化气候影响(区域分异)的指标,并提出了条件植被指数(VCI )的概念,他认为VCI 不仅描述了土地覆盖和植被时空变化,而且反映了天气气候条件对植被的影响[27].Liu 等发现应用VCI 动态地监测干旱的范围及其边界比应用其它方法如NDVI 和降水量的监测更有效、更实用,这一技术的优势尤其表现在时空方面,NDVI 适用于研究大尺度范围的气候变异,而VCI 适用于估算区域级的干旱程度[28].使用VCI ,比较简单,操作性强,同时可反映出NDVI 随气候变化产生的影响,每点的NDVI max 和NDVI min 本身就隐含了区域背景的影响,在一定程度上消除或弱化了地理环境条件对NDVI 的影响,可表达出大范围干旱状况,尤其适用于绘制低于50°纬度地区的干旱分布图干旱,多为定性结果. 1.4.4 标准植被指数标准植被指数是通过对某个时期植被指数偏离多年平均值的程度进行归一化而得到的.计算SVI 先要得到研究区每个像元的Z 值[30]-100%N D V Ii Z i i σ=× (20)式中:Zi ——像元某个时期的Z 值; Σi ——多年NDVI 的标准差. Z 反映了某个时期植被指数相对多年植被长势的状况.由于其变化范围很大,不同地表类型的概率密度分布函数也存在较大区别,因此在大尺度的空间范围内不具备可比性.若有足够的样本数,Z 的分布呈正态分布,根据概率密度函数确定SVI. m in(,)ZZ S V I N Z d Z σ=∫ (21)式中:Z ,σ——均值和标准差.SVI 取值在0~1间,当像元的Z 值越大,SVI 越大,说明植被生长状况良好,反之亦然.SVI 算法较为简单,操作性强,但只适用于大尺度的植被生长区域干旱和气候变化监测. 1.5 基于可见光和热红外遥感的植被指数、冠层温度集成空间法单纯利用植被指数或冠层温度法监测土壤水分状况有其局限性.科学家将二者集成起来创建了植被指数(NDVI )与地表温度(T s)进行干旱监测的综合模型.综合模型是建立在表面温度与指标指数构筑的二维特征空间内.Lambin 等曾经系统地分析过T s 与NDVI 间的关系,其可用于估算地表蒸散量、反演地表热通量、估算表层水分状况和土地覆盖分类等[31,32].基于T s 与NDVI 的散点图,Price 和Carlson 等发现当研究区域的植被覆盖度范围较大,以遥感资料得到的T s 和NDVI 为横纵坐标得到的特征空间呈三角形[33,34];Moran 等则发现特征空间呈梯形[35].基于温度植被指数集成法研究土壤水分状况产生了许多模型,从不同的角度通过温度与植被指数的关系来估测土壤水分状况.目前通过T s/NDVI 特征空间建立的土壤水分或干旱程度估测模型主要有:1.5.1 T s-NDVI 比率模型(温度植被指数TVI 和植被供水指数VSWI ) T s/NDVI 比率是一种简单的干旱监测模型,二者的结合能够提供地表植被和水分条件信息.Nemani 等认为对于全部植被覆盖的地表,T s/NDVI 的比率与冠层的阻抗相关[36].Goetz(1997)证实由植被覆盖变化和土壤112 新疆地质水分变化,T s 和NDVI 在数种空间尺度下(从25 m 2到1.2k ｍ2)均存在着负相关关系.McVicar 等发现在干旱发生期间,T s/NDVI 比率增加,以月为单位的T s/NDVI 年累积量与年降水量的倒数呈显著相关关系,并将其用于干旱监测和食物缺乏评估[37].T s/NDVI 比率方法的缺点是很难得出表示干旱程度的量化指标.温度植被指数(TVI )和植被供水指数(VSWI )可表示为:T s T V I N D V I= (22)N D V I V S W I T s= (23)式中:Ts ——植被的冠层温度;NDVI ——归一化植被指数.VSWI 的物理意义为:当作物供水正常时,卫星遥感影像植被指数在一定生长期内保持在一个稳定的范围,遥感得到的作物冠层表面温度也会保持在一定的范围内,如果供水状态发生明显改变,作物生长将受到影响.因此卫星遥感的归一化植被指数(NDVI )将降低,作物冠层表面温度将升高.用气象卫星遥感监测的植被指数(NDVI )和作物冠层温度(T )可较好地监测干旱动态.可以用植被供水指数(VSWI )来衡量,其形式为:15/VSW I B T NDVI =× (24)式中:T ——NOAA 卫星遥感监测到的作物冠层温度;NDVI ——归一化植被指数;B 1——增强图象层次的增强系数.这种方法仅适用于植被覆盖度高的地区,而在作物生长前期,此法往往会夸大植被的作用. 1.5.2 水分亏缺指数水分亏缺指数,是为了克服CWSI (作物缺水指数)在部分植被覆盖时监测效果差的弱点,由Moran 等(1994)将植被指数和土壤-植被混合温度结合起来,将CWSI 扩展到部分植被覆盖状况下,在能量平衡双层模型的基础上,建立的一个新指标.WDI 是基于以地面温度与空气温度差作为横坐标,以植被指数作为纵坐标,构筑的散点图,具梯形特征空间,以此来估算土壤相对含水量(图1).其4个定点分别表示:1代表水分供应充足的密闭植被;2代表水分胁迫无蒸腾作用下的密闭植被;3代表湿裸土;4代表干裸土.梯形的边1—3称为湿边,边2—4称为干边.对于一定的植被覆盖度下,其WDI 定义为TTT I I I T WDI 13.24.13.∆−∆∆−∆= (25)图1 WDI 指数的梯形特征空间示意图Fig.1 Sketch map of WDI(Moran et al,1994)式中:∆T ——某一植被覆盖率(NDVI )下的地气温差;∆T I.13——湿边上相同植被覆盖(NDVI )下的湿边点上的地气温差;∆T I.24——干边上相同植被覆盖(NDVI )下的地气温差.从图形上来看,WDI 实际上就是线段AC 与线段AB 长度的比值(图1).A C W D I A B= (26)WDI 指数是由作物水分胁迫指数(CWSI )演化过来的.由于CWSI 是以冠层能量平衡单层模型为理论基础,单层模型的适用条件是作物叶面积指数应大于3,尽量减少土壤在能量交换中的影响,这样CWSI 的应用在作物生长的早期冠层较为稀疏时应用效果较差.另外它所要求的温度是纯粹的叶片温度或者在植物全覆盖时,用冠层温度来代替,在观测视野内出现土壤都会对正确观测叶温或冠层温度,以及CWSI 的计算产生巨大的影响[6、7].这种情况下,CWSI 一般不能使用由航空和卫星遥感获取的分辨率相对较低的地表混合温度信息,而多使用地面的红外探测装置如手持式红外测温仪等[8].与CWSI 指数相比,可以通过航空、航天数据获取的表面温度借助气象数据就可以估测土壤水分,而且对于各种植被覆盖状态的土壤均适用.其不足之处就是必须有地面气象数据的配合(如气温,还需要饱和水汽压差、风速、动力学阻抗等参数来定义梯形特征空间的边界),利用纯遥感数据无法实现土壤水的估测,而气象数据受站点限制和地表状态的差异性影响,通过内插能获取逐像元气温值误差明显. 1.5.3 条件植被温度指数王鹏新等在用条件植被指数、条件温度指数和距平植被指数监测年度间相对干旱的基础上,提出了条。

土壤水分遥感反演方法概述

性研究难题之一。随着遥感技术的发展，仅大面不
积土壤水分实时动态监测成为可能，且随着其他而相关学科的发展，ＧＩＧＰ如Ｓ，Ｓ以及 “ Ｓ集成的日３” 益成熟，使得土壤水分的遥感反演精度得到了很大的提高。回顾几十年的发展历程，土壤水分遥感反演相继出现多种方法，在相应的领域得到了很好并

现当月的距平植被指数与当月降水量距平百分率相
基金项目：福建省教育厅科技项目“ 于多源遥感信息的景观尺度转换及动态变化模拟研究 ” ２ＯＫＯ２、建省海峡西岸资源环基（Ｏ５２）福境科技创新能力建设 “ 新世纪优秀人才资助项目” 科技部国际交流项目：态环境的遥感研究（Ｂ０６。、生Ｂ０８）作者简介：肖斌，１８￣）男，（９２，汉族，江西信丰，士研究生。地图学与地理信息系统硕
的验证和应用。
在有植被的地区，壤中含水量多少直接关系土
到土壤上植被覆盖的生长状况。对于同一种植被来
说，同等条件下，在土壤供水充足则生长茂盛，之反则会出现脱水而病变，而导致植被冠层光谱信息从
被指数法、惯量法、度一植被指数法、波法等方法的优缺点及适用范围，热温微并对土壤水分遥感反演方法及发展

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)。

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(201002 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]。

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、两尺度模型和积分方程模型A I E M 。

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[3 4]。

2000年以来,随着Rardrsa,t ENV I SAT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。

李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化[5 6]。

研究表明ASAR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[7 9]。

在植被覆盖条件下,微波信号的组成十分复杂。

研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。

直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。

但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。

根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9 11]。

但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。

此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。

本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。

经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。

第21卷第2期2010年3月水科学进展ADVANCES I N WATER SC I E NCE V o l 21,N o 2 M ar .,20101 土壤水分估算模型1 1 水云模型农作物微波后向散射模型一般可分为经验模型、理论模型和半经验模型3类。

在半经验模型中,最具有影响力和应用最广泛的是A tte m a 和U laby 建立的水云(w ater c l o ud模型[12]。

该模型将辐射传输模型中的植被冠层概化成水平均匀的云层;不考虑植被和土壤表层之间的多次散射;重要的变量仅为冠层高度和云密度,因而可假设与冠层体积含水量成比例。

因此,总的后向散射包括冠层自身散射、地表散射和冠层与地表的交互散射。

在不考虑雷达阴影时,水云模型可由下式表达:0= 0veg +T 2 0soil , 0veg =AM v cos (1-T 2,T 2=exp (-2BM v sec(1式中 0为后向散射系数,由ASAR 影像计算得到; 0so il 为土壤后向散射系数;0veg 为植被直接后向散射系数;M v 为植被含水量,kg /m 2;利用水云模型的研究中,植被含水量即为等效水厚度[15], 为入射角;T 2为微波穿过植被的双程衰减因子,A 、B 为经验常数。

1 2 参数估计方案对水云模型的参数估计有许多研究[9 12]。

结合理论模型(如I E M,M I M I CS 计算关键参数时需要大量的同步地面参数;应用实用方法求解不同的参数将导致误差难以控制。

本文利用T M 和MOD I S 数据分析不同尺度下植被参数与小麦含水量的关系,在此基础上,采用最小二乘方法统一求解系数的方案,构建结合光学和微波遥感数据的土壤水分估算模型。

1 3 多源遥感数据土壤含水量估算模型由光学影像数据计算植被生物、物理指数V I ,建立V I 与实测植被含水量M v 的关系。

M v =f (V I(2若f 为线性关系,则有M v =cV I +d(3将M v 代入式(1水云模型,整理可得soil = 0-A (cV I +d cos {1-exp [-2B (cV I +d sec ]}exp [-2B (cV I +d sec ](4根据土壤后向散射与土壤含水量的关系[7],又可得M s = 0-A (cV I +d co s {1-exp [-2B (cV I +d sec ]}exp [-2B (cV I +d sec ]-f /e = {[ 0-A (cV I +d co s ]exp [2B (cV I +d sec ]+A (cV I +d cos -f }/e(5式中 c ,d,e ,f 为经验常数,将该式中的exp [2B (cV I +d sec ]项按泰勒级数展开,并取第一项整理得M s =C +k 1 0+k 2V I +k 3V I 2+k 4 0sec +k 5 0V I sec(6上式可根据遥感影像和同步实测的数据,采用最小二乘法求解系数C 和k 1,k 2, ,k 5。

2 结果与分析2 1 研究区与数据研究区为北京郊区农田,主要种植小麦、紫花苜蓿等作物。

数据包括陆地卫星TM 、MOD I S 和ENV I SAT ASAR 影像数据,以及地面准同步实测数据。

地面试验内容包括土壤体积含水量测量、小麦生物量及等效水厚度测量和测点GPS 定位等。

试验中,选择田块中央较均匀的一块区域,使用GPS 接收机进行定位测量。

在离定位点5m 的范围内布置3个采样点,样点分布成等边三角形分布。

用TDR 测量每个样点处的体积含水量;同时取GPS 位置点处的冬小麦植株,放入塑料袋内密封。

试验室内采用烘干称重法,计算冬小麦植223 第2期张友静,等:多源遥感数据反演土壤水分方法株等效水厚度。

对每块地3个样点土壤含水量求平均,用以表示GPS定位点处的土壤含水量。

Taconet[14]等研究表明,在高频波段和小入射角时,以植被含水量和土壤湿度为主要驱动因子的水云模型能够很好地模拟小麦的后向散射特性。

同时,I S2入射角HH极化模式(I S2 HH的总后向散射包含的土壤散射信息更多,更适合土壤湿度的反演。

2 2 不同分辨率光学影像的植被含水量反演植被含水量一般有3种表示方法:叶片含水量C F M、相对含水量C R W和等效水厚度T EW。

C eccato等[15]研究发现用遥感数据反演含水量时,短波红外波段与T EW相关性较好,而与C F M的相关性较差。

本研究M v即为同步地面测量的叶和穗等效水厚度之和。

大量研究表明,植物含水量对红外波段比较敏感,因此可通过建立植被生物、物理指数和植被含水量的统计关系模型来反演T EW。

Penuelas等[16]发现植被水分指数与归一化植被指数(NDVI的比值可以预测叶片的水分含量。

Rock等[17]综合考虑了叶片内部结构、叶片水分含量以及干物质等影响,发现1600n m和820 n m的反射率之比与等效水厚度T EW高度相关。

Jackson和Chen[18]研究利用T M和MOD I S影像计算NDVI、归一化水分指数(NDWI来反演大豆和玉米覆盖地表的T EW。

以上研究表明用植被指数反演植被含水量是可行的。

本研究利TM和MODI S数据提取NDVI、NDW I、增强型植被指数(EVI、叶面积指数(LAI,比较在不同分辨率下指数反演小麦含水量的能力。

2 2 1 基于T M影像的小麦含水量反演利用TM影像计算NDVI、NDWI和EVI,并分别做NDVI、NDWI、EVI与M v的关系图,如图1所示。

反演的M v与实测值的相关系数和均方根误差见表1。

图1 ND VI、NDW I、EV I、LA I与小麦含水量关系F i g 1R e lati onship bet ween ND VI、NDW I、EVI、LA I and Mv表1 计算Mv与实测值的相关系数和均方根误差Tab le1A ccuracy of Mvretrieved by T M and MOD IS V Is传感器指数NDVI NDW I EVI LAIT M 均方根误差0 120 110 110 13相关系数0 780 870 800 76MODIS 均方根误差0 150 120 15相关系数0 540 770 57由表1可以看出,由NDWI建立的小麦含水量反演模型结果较好,EVI次之,NDVI和LAI反演结果较差。

这与Jackson和Chen[18]研究的大豆、玉米等植被的结论相似。

EVI的反演精度高于NDVI,因为EVI引入了修正后大气和土壤背景的参数,且具有不易饱和的特点。

而LAI和绿量等联系更为紧密,在本文中反演M v精度较差。

2 2 2 基于MODIS影像的小麦含水量反演利用MODIS影像计算NDVI、NDW I和EVI,并分别做这些参数与M v的关系图,如图2所示。