基于微波和可見光遙感的冬小麥土壤墑情反演

羅蔚然，張成才，閆超德，馮凌彤

（鄭州大學(xué)水利與環(huán)境學(xué)院，河南 鄭州 450001）

基于微波和可見光遙感的冬小麥土壤墑情反演

羅蔚然，張成才，閆超德，馮凌彤

（鄭州大學(xué)水利與環(huán)境學(xué)院，河南 鄭州 450001）

土壤墑情是水文學(xué)、氣象學(xué)及農(nóng)業(yè)科學(xué)研究領(lǐng)域中的一個(gè)重要指標(biāo)參數(shù)，對(duì)氣候、農(nóng)業(yè)、旱情監(jiān)測(cè)都具有極為重要的意義。以河南省廣利灌區(qū)冬小麥為研究對(duì)象，以水云模型為基礎(chǔ)，利用 Landsat-8 和 Sentinel-1 A數(shù)據(jù)計(jì)算雙層衰減因子、植被和土壤的后向散射系數(shù)。采用 RBF 神經(jīng)網(wǎng)絡(luò)擬合土壤的后向散射系數(shù)與土壤含水量的關(guān)系，通過實(shí)測(cè)監(jiān)測(cè)點(diǎn)對(duì)反演的結(jié)果進(jìn)行精度驗(yàn)證，結(jié)果表明：相關(guān)系數(shù)的平方為 0.754 5，均方根誤差為0.022，結(jié)果良好，可為灌區(qū)冬小麥土壤墑情的評(píng)估提供參考。

雷達(dá)面雨量；監(jiān)測(cè)系統(tǒng)；監(jiān)測(cè)精度；數(shù)據(jù)評(píng)估分析；數(shù)據(jù)融合算法

0 引言

土壤墑情是研究水文學(xué)、氣象學(xué)和農(nóng)業(yè)科學(xué)等領(lǐng)域中的重要因素之一[1]，是陸地和大氣進(jìn)行能量循環(huán)的重要因子[2]，對(duì)于農(nóng)業(yè)旱情監(jiān)測(cè)、作物的科學(xué)灌溉等具有重要的意義[3]。由于土壤水分在時(shí)間、空間范圍上變化較大，傳統(tǒng)的土壤墑情監(jiān)測(cè)方法通過設(shè)立監(jiān)測(cè)站點(diǎn)進(jìn)行監(jiān)測(cè)，難以滿足實(shí)時(shí)、大范圍監(jiān)測(cè)的需要[4]。因此，在要求精度范圍內(nèi)如何獲取大范圍地表土壤水分時(shí)空分布信息是一個(gè)迫切需要解決的問題。近年來，隨著遙感技術(shù)的不斷發(fā)展，微波遙感憑借全天時(shí)、全天候的觀測(cè)能力已被廣泛應(yīng)用[5]。由于土壤含水量的不同導(dǎo)致土壤介電常數(shù)存在較大差異，所以微波遙感對(duì)土壤水分具有高度的敏感性，同時(shí)因其具有一定的穿透能力，并且不受天氣條件的限制，能大大提高土壤墑情反演的準(zhǔn)確性和可靠性。在植被覆蓋區(qū)，植被介電常數(shù)和形態(tài)對(duì)微波信號(hào)影響很大，使得土壤水分反演更加困難，目前主要采用的方法有水云[6-7]，MD[8]，MIMICS[9]等模型。Attema[6]在 1978 年，建立了適用于低矮農(nóng)作物覆蓋區(qū)域的水云模型，將雷達(dá)信號(hào)在地面和植被之間的復(fù)雜散射過程進(jìn)行了簡(jiǎn)化。Roo等[10]針對(duì)大豆覆蓋區(qū)域，基于 MIMICS 模型模擬了雷達(dá)的后向散射系數(shù)，并以此建立了回歸模型，反演了農(nóng)作物覆蓋地表下的土壤墑情；Saradjian[11]在水云模型中考慮了土壤粗糙度的影響，對(duì)水云模型進(jìn)行了改進(jìn)，使之更為準(zhǔn)確地反演了低矮植被覆蓋下的土壤墑情。在國(guó)內(nèi)，施建成等[12]在雷達(dá)總的后向散射中分解出了植被體的散射部分，從而在反演土壤墑情的過程中，削弱了植被冠層和土壤粗糙度對(duì)雷達(dá)后向散射信號(hào)的影響，提高了精度；楊虎等[13]使用多時(shí)相的雷達(dá)后向散射系數(shù)圖像，反演出了地表土壤水分的變化模式信息；鮑艷松等[14]利用 ASAR 和TM 數(shù)據(jù)，建立了冬小麥覆蓋地表下的土壤墑情反演模型，實(shí)現(xiàn)了在冬小麥覆蓋下的土壤墑情反演。

以河南省廣利灌區(qū)冬小麥覆蓋區(qū)域的土壤墑情為研究對(duì)象，采用 Landsat-8 和 Sentinel-1A 數(shù)據(jù)，利用水云模型消除冬小麥冠層對(duì)后向散射的影響，計(jì)算土壤的后向散射系數(shù)，通過 RBF 神經(jīng)網(wǎng)絡(luò)擬合土壤的后向散射系數(shù)與實(shí)測(cè)土壤墑情之間的關(guān)系，反演冬小麥區(qū)域土壤墑情。

1 研究區(qū)域概況及數(shù)據(jù)處理

1.1 研究區(qū)域概況

廣利灌區(qū)位于北緯 34°55′～35°11′ 與東經(jīng)112°37′～113°13′之間，屬溫帶大陸性季風(fēng)氣候，多年平均降水量為 593.5 mm，多年平均氣溫 14.5℃，多年平均蒸發(fā)量為 1 668 mm ，無霜期為 219 d。灌區(qū)渠首位于濟(jì)源市五龍口沁河出山口，范圍涉及濟(jì)源、沁陽(yáng)、溫縣、武涉 4 個(gè)縣（市），灌區(qū)設(shè)計(jì)灌溉面積為 34 000 hm2，灌區(qū)氣候溫和，土地肥沃，盛產(chǎn)小麥、玉米，灌區(qū)內(nèi)主要種植作物為冬小麥、夏玉米和棉花等，其中冬小麥的播種時(shí)間為當(dāng)年 10 月 10 日左右，10 月 17 日出苗，10 月 28 日進(jìn)入三葉期，次年1 月 1 日越冬期開始，2 月 19 日返青期開始， 3 月20 日拔節(jié)期開始，4 月 8 日孕穗期開始，4 月 18 日開始抽穗，5 月 15 日開始乳熟，5 月 31 日成熟。

1.2 研究區(qū)數(shù)據(jù)處理

研究數(shù)據(jù)采用 2015 年 5 月 5 日的 Sentinel-1A（IW 干涉寬幅）及 2015 年 5 月 6 日的 Landsat-8 數(shù)據(jù)，此時(shí)小麥為抽穗期，生長(zhǎng)狀況較好。Sentinel-1A 幅寬為 250 km，空間分辨率為 5 m×20 m，極化方式為 VV 極化，對(duì) Sentinel-1A 數(shù)據(jù)進(jìn)行輻射定標(biāo)、條幅拼接、濾波、地形校正、地理編碼、重采樣等預(yù)處理，對(duì) Landsat-8 數(shù)據(jù)進(jìn)行輻射、大氣校正等預(yù)處理。經(jīng)過預(yù)處理的 Landsat-8 與 Sentinel-1A轉(zhuǎn)換相同投影坐標(biāo)后能很好地匹配，處理后的影像如圖 1 所示。研究區(qū)域大部分為耕地，5 月份研究區(qū)主要種植作物為冬小麥。

為獲取冬小麥淹沒區(qū)域，研究通過分析冬小麥生長(zhǎng)變化特征，以 2015 年關(guān)鍵生育期的植被覆蓋指數(shù) NDVI 為基礎(chǔ)數(shù)據(jù)，即 5 月 NDVI 達(dá)到最大，6 月NDVI 突降這一關(guān)鍵特征，采用閾值分割法提取冬小麥空間分布信息，得到冬小麥空間分布信息，結(jié)果如圖 2 所示。通過對(duì)提取的冬小麥信息進(jìn)行統(tǒng)計(jì)：冬小麥種植面積為 203 km2，其中灌區(qū)參考種植面積為 207 km2，提取結(jié)果精度較高，可作為灌區(qū)冬小麥掩膜。

圖 1 Landsat-8 和 Sentinel-1A 預(yù)處理結(jié)果

圖 2 冬小麥空間分布圖

2 研究方法

2.1 地表散射特征

水云模型是一個(gè)針對(duì)農(nóng)作物覆蓋地表情況下，估算地表土壤含水量的半經(jīng)驗(yàn)?zāi)Ｐ?。將植被假設(shè)為具有一定厚度的均勻的消光介質(zhì)，像“云”一樣，浮于土壤表面，簡(jiǎn)化了植被對(duì)微波信號(hào)的散射和吸收作用。引入雙層衰減因子，認(rèn)為在植被覆蓋地表情況下，雷達(dá)的后向散射信號(hào)中主要包括兩部分，一部分是植被體直接反射回來的雷達(dá)信號(hào)，另一部分是經(jīng)過植被體雙層衰減的后向散射信號(hào)[15]，水云模型表述公式如下：

式中：θ 為雷達(dá)入射角，本研究區(qū) θ =40°；σc0(θ) 為植被覆蓋地表下總的雷達(dá)后向散射系數(shù)；σv0 (θ) 為直接植被層的后向散射系數(shù)；σs0(θ) 為直接地表后向散射系數(shù)；γ2(θ) 為雷達(dá)穿透農(nóng)作物層的雙層衰減因子（透過率），其中：

式中：A 和 B 分別為依賴于植被類型及入射電磁波頻率的參數(shù)；mv是植被含水量，考慮到小麥為低矮植被，根據(jù)文獻(xiàn) [16] 的研究成果，采用歸一化水體指數(shù) NDWI 計(jì)算植被含水量，能有效地反映植被冠層的含水量，計(jì)算公式如下：

式中：Rn表示近紅外波段反射率；Rs為中短波紅外反射率。

利用野外測(cè)量獲取 20 個(gè)點(diǎn)的植被含水量數(shù)據(jù)，通過 Landsat-8 數(shù)據(jù)計(jì)算 NDWI，擬合實(shí)測(cè)植被含水量與 NDWI 的關(guān)系，經(jīng)計(jì)算植被含水量與 NDWI 關(guān)系如下：

通過公式（5）計(jì)算植被含水量，代入公式（3）計(jì)算雙層衰減因子，其中經(jīng)驗(yàn)常數(shù) A = 0.001 8，B = 0.137，計(jì)算結(jié)果如圖 3 所示，將計(jì)算結(jié)果代入公式（1）計(jì)算得到土壤表層后向散射系數(shù)，結(jié)果如圖 4 所示。通過對(duì)水云模型計(jì)算地表散射特征與原始散射進(jìn)行比較發(fā)現(xiàn)，計(jì)算后的土壤后向散射系數(shù)比原始后向散射值有所降低，但整體上變化幅度不是特別顯著，但在一定程度上可以去除冬小麥冠層散射的影響。

2.2 土壤墑情反演方法

人工神經(jīng)網(wǎng)絡(luò)具有使用方便、良好的泛化能力及非線性問題處理等優(yōu)點(diǎn)，在土壤墑情反演中應(yīng)用越來越廣泛。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為一種前饋神經(jīng)網(wǎng)絡(luò)，能夠以任意精度逼近任意連續(xù)函數(shù)，大大加快學(xué)習(xí)速度并避免局部極小問題。本研究將采用基于三階段訓(xùn)練算法的 RBF 神經(jīng)網(wǎng)絡(luò)方法[17]， 計(jì)算土壤后向散射與墑情之間的非線性關(guān)系，建立土壤墑情反演模型。RBF 的網(wǎng)絡(luò)結(jié)構(gòu)如圖 5 所示，包括輸入層、隱層、輸出層。采用高斯核函數(shù)的輸出層第 k 個(gè)節(jié)點(diǎn)關(guān)于向量 x 的輸出 yk為：

圖 3 雙層衰減因子圖

圖 4 地表后向散射系數(shù)圖

式中：wkj為隱層第 j 個(gè)節(jié)點(diǎn)到輸出層第 k 個(gè)節(jié)點(diǎn)的連接權(quán)重；hj(x) 為高斯核函數(shù)；cj為徑向基函數(shù)的中心向量。

圖 5 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

利用 K 均值聚類的思想初始化隱含層節(jié)點(diǎn)中心，并選擇合適的寬度值，根據(jù)梯度下降法優(yōu)化網(wǎng)絡(luò)參數(shù)，包括隱含層節(jié)點(diǎn)中心、隱含節(jié)點(diǎn)寬度參數(shù)、連接權(quán)值和偏差項(xiàng)。將地表后向散射系數(shù)與土壤墑情分別作為輸入輸出數(shù)據(jù)，利用 Matlab 建立RBF 神經(jīng)網(wǎng)絡(luò)模型，模型中學(xué)習(xí)率設(shè)置為 0.5，隱層節(jié)點(diǎn)設(shè)置為 15 個(gè)，寬度值設(shè)置為 1，將訓(xùn)練好的模型應(yīng)用到整個(gè)研究區(qū)域，并利用提取的冬小麥掩膜對(duì)反演的土壤墑情進(jìn)行裁剪，結(jié)果如圖 6 所示。從圖 6 中可以看出，研究區(qū)土壤含水量偏高，是因?yàn)?015 年 5 月 1 日有降雨，導(dǎo)致土壤水分整體偏高。

圖 6 研究區(qū)土壤含水量分布圖

3 研究結(jié)果與分析

研究收集了冬小麥覆蓋區(qū)內(nèi) 24 個(gè)監(jiān)測(cè)站的 0～20 cm 土壤墑情數(shù)據(jù)，隨機(jī)選擇 15 個(gè)站點(diǎn)數(shù)據(jù)，然后利用 RBF 神經(jīng)網(wǎng)絡(luò)方法反演研究區(qū)土壤墑情，訓(xùn)練結(jié)果如圖 7 所示。從圖中可以看出，利用 RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的土壤墑情與實(shí)測(cè)的土壤墑情相關(guān)系數(shù)的平方達(dá)到 0.968 7，訓(xùn)練結(jié)果良好。為了更好地檢驗(yàn)反演精度，研究利用剩余 9 個(gè)實(shí)測(cè)點(diǎn)作為精度檢驗(yàn)點(diǎn)，建立實(shí)測(cè)與反演的土壤墑情關(guān)系圖，結(jié)果如圖 8 所示。通過 RBF 神經(jīng)網(wǎng)絡(luò)反演的土壤墑情與實(shí)測(cè)的土壤墑情相關(guān)系數(shù)的平方為 0.754 5，均方根誤差為 0.022，結(jié)果表明，土壤墑情反演土壤含水量與實(shí)際含水量較為相近。

通過對(duì)反演的土壤墑情進(jìn)行統(tǒng)計(jì)分析，結(jié)果如表 1 所示，從表中可以發(fā)現(xiàn)研究區(qū)大部分土壤墑情范圍在 17.24%～22.98% 間，面積為 107.5 km2，占總面積的 53.8%，其中土壤含水量超過 22.98% 的耕地面積為 32.9 km2，占總面積的 16.5%，而灌區(qū)土壤田間持水量為 28.00% 左右，說明灌區(qū)土壤較為濕潤(rùn)，經(jīng)調(diào)查發(fā)現(xiàn)，2015 年 5 月 1 號(hào)灌區(qū)降雨約為20 mm，土壤墑情普遍偏高。

圖 7 訓(xùn)練結(jié)果與實(shí)測(cè)含水量關(guān)系

圖 8 土壤墑情反演結(jié)果檢驗(yàn)

表 1 冬小麥土壤墑情結(jié)果統(tǒng)計(jì)

4 結(jié)語(yǔ)

本研究以河南省廣利灌區(qū)為研究區(qū)域，充分利用 Sentinel-1A 及 Landsat-8 數(shù)據(jù)各自優(yōu)勢(shì)，利用水云模型去除冬小麥覆蓋對(duì)土壤后向散射的影響，通過 RBF 神經(jīng)網(wǎng)絡(luò)擬合后向散射系數(shù)與實(shí)測(cè)土壤墑情之間的關(guān)系，反演研究區(qū)土壤墑情，并對(duì)結(jié)果進(jìn)行檢驗(yàn)，結(jié)果如下：

1）在利用水云模型分離植被層散射和吸收的貢獻(xiàn)后，地表后向散射系數(shù)有所衰減，但整體上衰減程度變化不大，主要因?yàn)檠芯繀^(qū)域大多為低矮農(nóng)作物，選擇模型時(shí)假設(shè)植被為覆蓋地表的一層球形散射體，沒有考慮其大小、朝向的分布特征，因此在去除植被層影像后數(shù)據(jù)變化幅度也不大。

2）通過 RBF 神經(jīng)網(wǎng)絡(luò)建立實(shí)測(cè)土壤墑情與后向散射系數(shù)的關(guān)系，將計(jì)算的地表后向散射系數(shù)作為輸入?yún)?shù)，以此反演整個(gè)灌區(qū)土壤墑情，結(jié)果良好。但整體土壤水分偏高，這是由于研究區(qū) 2015 年5 月 1 號(hào)出現(xiàn)降雨現(xiàn)象，所以 5 月 5 號(hào)土壤墑情整體較高，可以通過反演土壤墑情分布圖體現(xiàn)出來。

[1] 肖斌，沙晉明. 土壤水分遙感反演方法概述[J]. 遙感信息，2007 (6): 94-98.

[2] 楊濤，宮輝力，李小娟，等. 土壤水分遙感監(jiān)測(cè)研究進(jìn)展[J]. 生態(tài)學(xué)報(bào)，2010，30 (22): 6264-6277.

[3] JACKSON T, MANSFIELD K, SAAFI M, et al. Measuring soil temperature and moisture using wireless MEMS sensors[J]. Measurement, 2008, 41(4): 381-390.

[4] 孟令奎，李繼園，陳子丹，等. [J]. 水利信息化，2010 (2):46-51.

[5]戈建軍，王超，張衛(wèi)國(guó). 土壤濕度微波遙感中的植被散射模型進(jìn)展[J]. 遙感技術(shù)與應(yīng)用，2002 (4): 209-214.

[6] ATTEMA E P W, ULABY F T. Vegetation modeled as a water cloud[J]. Radio Science, 1978, 13 (2): 357-364.

[7] CHOUDHURY B J, SCHMUGGE T J, MO T. A parameterization of effective soil temperature for microwave emission[J]. Journal of Geophysical Research: Oceans, 1982, 87(C2):1301-1304.

[8] FERRAZZOLI P, GUERRIERO L. Passive microwave remote sensing of forests: A model investigation[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34 (2):433-443.

[9] ULABY F T, SARABANDI K, MCDONALD K, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing, 1990, 11 (7): 1223-1253.

[10] DE ROO R D, DU Y, ULABY F T, et al. A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39 (4): 864-872.

[11] SARADJIAN M R, HOSSEINI M. Soil moisture estimation by using multipolarization SAR image[J]. Advances in Space Research, 2011, 48 (2): 278-286.

[12] 施建成，李震，李新武. 目標(biāo)分解技術(shù)在植被覆蓋條件下土壤水分計(jì)算中的應(yīng)用[J]. 遙感學(xué)報(bào)，2002，6 (6):412-415.

[13] 楊虎，郭華東，李新武，等. 主動(dòng)微波遙感土壤水分觀測(cè)中的最優(yōu)雷達(dá)參數(shù)選擇[J]. 高技術(shù)通訊，2003，13 (9):21-24.

[14] 鮑艷松，劉良云，王紀(jì)華. 綜合利用光學(xué)、微波遙感數(shù)據(jù)反演土壤濕度研究[J]. 北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，43 (3): 228-233.

[15] 余凡，趙英時(shí). ASAR 和 TM 數(shù)據(jù)協(xié)同反演植被覆蓋地表土壤水分的新方法[J]. 中國(guó)科學(xué)：地球科學(xué)，2011(4):532-540.

[16] JACKSON T J, CHEN D, COSH M, et al. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment, 2004, 92 (4): 475-482.

[17] SCHWENKER F, KESTLER H A, PALM G. Three learning phases for radial-basis-function networks[J]. Neural Networks,2001,14 (4): 439-458.

Soil moisture content retrieval of winter wheat based on microwave and multispectral remote sensing data

LUO Weiran, ZHANG Chengcai, YAN Chaode, FENG Lingtong

(Collage of Water Conservancy and Environmental Engineering, Zhengzhou University, Zhengzhou 450001, China)

Soil moisture content is an important indicator parameter of hydrology, meteorology and the agricultural science. The research about soilmoisture has extremely significance for the climate, agricultural and drought monitoring.Winter wheat in GuangLi irrigation area of Henan province is taken as the research object. This paper calculates the double layer attenuation factor, vegetation backscattering coefficient and soil backscattering coefficient using Landsat8 and Sentinel1A based on water-cloud model. In order to establish the relationship between soil backscattering coefficient and soil moisture, RBF neural network is used to fi t the relationship between soil backscattering coefficient and soil moisture content. The accuracy of the inversion results is verified by the measured monitoring points. Results show that the square of correlation coefficient is 0.754 5 and the root mean square error is 0.022, and satisfactory results are obtained. This study can provide a reference for the evaluation of soil moisture with the covered winter wheat in the irrigation area.

microwave remote sensing; multispectral remote sensing; soil moisture retrieval; water -cloud model;RBF neural network

TP873；S152.7

A

1674-9405(2017)05-0046-05

10.19364/j.1674-9405.2017.05.009

2017-08-21

河南省基礎(chǔ)與前沿技術(shù)研究項(xiàng)目（152300410044）；河南省高等學(xué)校重點(diǎn)科研項(xiàng)目（16A420005）

羅蔚然（1991-），男，河南周口人，博士研究生，研究方向：遙感技術(shù)應(yīng)用。