遙感監(jiān)測土壤水分研究進(jìn)展

馬春芽，王景雷，黃修橋

(1.中國農(nóng)業(yè)科學(xué)院農(nóng)田灌溉研究所節(jié)水農(nóng)業(yè)重點實驗室，河南 新鄉(xiāng) 453003；2.中國農(nóng)業(yè)科學(xué)院研究生院，北京 100081；3.中國農(nóng)業(yè)科學(xué)院農(nóng)田灌溉研究所農(nóng)業(yè)部作物需水與調(diào)控重點開放實驗室，河南 新鄉(xiāng) 453003)

0 引 言

土壤水分是指地面以下，潛水面以上土層中的水[1]，主要來源于降水和灌溉水，是維持植被生長發(fā)育、生態(tài)環(huán)境良性循環(huán)的最重要水源，同時也是土壤、植物和周圍環(huán)境進(jìn)行物質(zhì)和能量交換的媒介[2]。因此土壤水分是農(nóng)作物產(chǎn)量的限制因子。傳統(tǒng)土壤水分監(jiān)測方法，如烘干法、負(fù)壓計法、土壤濕度計法、中子水分儀探測法等，盡管具有操作簡單，精度高等優(yōu)點，但多基于單點監(jiān)測，難于實現(xiàn)實時、大范圍、動態(tài)墑情監(jiān)測的需要[3]。同時，土壤水分受土壤理化特性、地下水位、植被類型、氣候條件等多種要素影響，存在著很大的空間變異性[4]。目前，對土壤水分空間變異性的研究主要集中在小尺度或者田間尺度[5,6]。這主要是因為土壤水分的傳統(tǒng)監(jiān)測方法主要為手工或者半自動，獲取的多為單點土壤水分信息，對區(qū)域的土壤水分監(jiān)測存在較大的難度[7]。

遙感是應(yīng)用各種傳感器獲取地表反射或輻射信息，從而反映地表綜合特征。遙感的優(yōu)點是可以頻繁地提供地表特征的區(qū)域信息，彌補(bǔ)了以稀少的采樣點為基礎(chǔ)進(jìn)行對地觀測時由于采樣點稀疏不能代表區(qū)域特征的缺點[8]。因此遙感技術(shù)在一定程度上彌補(bǔ)了傳統(tǒng)土壤水分監(jiān)測方法的不足。國外利用遙感方法監(jiān)測土壤水分的可行性研究始于20世紀(jì)60年代末，而應(yīng)用研究是在1970年后逐步開展的。國內(nèi)進(jìn)行土壤水分遙感監(jiān)測研究大約比國外晚10 a以上，從20世紀(jì)80年代中期開始起步。國內(nèi)剛起步時遙感監(jiān)測的研究工作與國外早期研究相似，首先對土壤參數(shù)的遙感測定進(jìn)行研究。常用的遙感波段有可見光波段、近紅外波段以及熱紅外波段，除此之外遙感波段還有中紅外波段和L波段、C波段、X波段等微波遙感波段。根據(jù)遙感反演所用波段不同，目前遙感可分為可見光-近紅外遙感、熱紅外遙感、微波遙感以及高光譜遙感。其中高光譜遙感監(jiān)測土壤水分的原理和可見光-近紅外遙感中的反射率法相同。因此本文主要探討前3種遙感數(shù)據(jù)反演土壤水分的進(jìn)展、現(xiàn)狀與發(fā)展趨勢。

1 常見遙感監(jiān)測土壤水分方法

1.1 可見光-近紅外遙感

可見光-近紅外遙感利用土壤和植物的反射光譜信息，實現(xiàn)土壤水分的快速測定。利用光學(xué)遙感進(jìn)行土壤水分監(jiān)測的方法主要有反射率和植被指數(shù)。植被信息絕大部分被包含在紅和近紅波段，因此研究將2波段進(jìn)行不同組合組成植被指數(shù)反映土壤水分情況。植被指數(shù)的變化與植被生長過程中的土壤水分存在密切的關(guān)系。距平植被指數(shù)(AVI)和植被條件指數(shù)(VCI)是常見的監(jiān)測土壤水分的植被指數(shù)。

AVI是以平均的多年某一時間段歸一化植被指數(shù)(NDVI)為背景值，利用當(dāng)年的同一時間段NDVI值減去背景值得到植被指數(shù)的距平。AVI可用如下公式表示：

(1)

若AVI>0，則表示植被生長比一般年份好，稱為正距平；若AVI<0，則表示植被生長比一般年份差，稱為負(fù)距平。

VCI是Kogan[9]在研究多年NOAA/AVHRR遙感數(shù)據(jù)的基礎(chǔ)上提出的，可以用下式表示：

(2)

式中：VCI為條件植被指數(shù)；NDVIi為某一時段經(jīng)平滑處理的歸一化植被指數(shù)；NDVImax和NDVImin分別為多年同一時段經(jīng)平滑處理的最大、最小的歸一化植被指數(shù)。

在對區(qū)域干旱進(jìn)行估算時，VCI比其他動態(tài)監(jiān)測方法(如NDVI和降水量)更為有效和真實[10]。

1.2 熱紅外遙感

熱紅外遙感技術(shù)測定土壤水分，是利用不同土壤水分含量下土壤自身發(fā)射率(比輻射率)的差異，記錄其熱紅外信息，對地表參數(shù)進(jìn)行反演，進(jìn)而計算土壤水分含量。土壤熱慣量、水分虧缺指數(shù)、作物水分脅迫指數(shù)、溫度植被干旱指數(shù)和條件植被溫度指數(shù)是常見的應(yīng)用熱紅外遙感監(jiān)測土壤水分的方法。

(1)作物水分脅迫指數(shù)。作物水分脅迫指數(shù)(Crop Water Stress Index,CWSI)通過利用熱紅外遙感并輔以氣象資料反演作物覆蓋條件下的土壤水分。在植被覆蓋條件下，土壤水分盈虧直接影響植被蒸騰作用，引起冠層溫度發(fā)生變化。CWSI是Idso于1981年提出的，他認(rèn)為作物在潛在蒸發(fā)條件下冠層溫度和空氣溫度的差與空氣飽和水汽壓差具有線性關(guān)系[11]。之后，Jackson在Idso基礎(chǔ)上提出了作物缺水指數(shù)理論模式[12]。CWSI可用下式表示：

(3)

式中：Tc是冠層溫度，℃；Ta是空氣溫度，℃。

(2)水分虧缺指數(shù)。為了克服CWSI在植被稀疏時反演效果不理想的情形，Moran 等提出水分虧缺指數(shù)(Water Deficit Index,WDI)[13]，即在考慮植被指數(shù)的基礎(chǔ)上，將其與土壤-植被的混合溫度結(jié)合起來，利用能量平衡雙層模型將CWSI擴(kuò)展到植被覆蓋狀況下。WDI以植被指數(shù)作為縱坐標(biāo)，以地面溫度和空氣溫度2者的差作為橫坐標(biāo)，構(gòu)筑具有梯形特征空間的散點圖，據(jù)此來估算土壤相對含水量。其WDI定義為：

(4)

式中：Ts為地面溫度，℃；Ta為空氣溫度，℃。

(3)土壤熱慣量。土壤熱容量、熱導(dǎo)率和熱擴(kuò)散率是主要的土壤熱性質(zhì)，是土壤溫度變化的內(nèi)在因素。而土壤熱慣量(P)是基于土壤熱容量和熱傳導(dǎo)率提出的一種計算土壤熱特性的模型。該模型的物理基礎(chǔ)是水分具有較大的熱傳導(dǎo)率和熱容量，因此水分較高的土壤具有較大的熱慣量。光學(xué)遙感影像可以監(jiān)測地表溫度日變化，從而可以計算出土壤熱慣量，通過熱慣量這一中間變量將土壤水分和地表溫度聯(lián)系起來是土壤熱慣量法監(jiān)測土壤水分的機(jī)理。P由下式計算：

(5)

式中：P為土壤熱慣量；λ為土壤熱傳導(dǎo)率，J/(cm·s·K)；ρ為土壤密度，g/cm3；C為比熱容，J/(g·K)。

(4)溫度植被干旱指數(shù)。溫度植被干旱指數(shù)(Temperature Vegetation Drought Index,TVDI)是 Sandholt 等利用簡化的地表溫度(LST)、歸一化植被指數(shù)(NDVI)構(gòu)建特征空間提出的水分脅迫指標(biāo)[14]。地表溫度和歸一化植被指數(shù)2者的比值最初被很多學(xué)者用來計算區(qū)域蒸散，如應(yīng)用比較廣泛的溫度植被指數(shù)(Temperature Vegetation Index,TVI)[15]和地表供水指數(shù)(Vegetation Supply Water Index,VSWI)[16]就是在此基礎(chǔ)上發(fā)展而來。之后對植被指數(shù)進(jìn)行了深入研究，除了歸一化植被指數(shù)NDVI外，其他植被指數(shù)(Vegetation Index,VI)如增強(qiáng)植被指數(shù)EVI、土壤修正調(diào)節(jié)植被指數(shù)MSAVI等也被用來進(jìn)行干旱監(jiān)測，同時對地表溫度和不同植被指數(shù)之間的關(guān)系進(jìn)行了進(jìn)一步的拓展。地表溫度和不同植被指數(shù)之間的特征空間的方法由此而生。由LST和VI構(gòu)建的特征空間可以分為2類：①一類是三角形特征空間，即以LST和VI構(gòu)建的三角形特征空間為基礎(chǔ)估計作物水分脅迫狀況；②一類是梯形特征空間，即認(rèn)為LST和VI2者的散點構(gòu)成梯形特征空間[17]，并以此為基礎(chǔ)建立土壤水分反演模型。應(yīng)用廣泛的溫度植被干旱指數(shù)(Temperature Vegetation Drought Index,TVDI)就是基于第一類特征空間，即三角形特征空間，提出的土壤水分反演模型[14]。TVDI可用下式表示：

(6)

LSTmin=amin+bminVI

(7)

LSTmax=amin+bmaxVI

(8)

式中：LST是由遙感影像獲得的每個像素地表溫度；LSTmin和LSTmax分別是對于一個特定的VI值最小和最大的地表溫度；amin,bmin,amax和bmax是擬合濕邊和擬合干邊的參數(shù)。

1.3 微波遙感

20世紀(jì) 70年代，國外逐步開始微波遙感反演土壤水分的相關(guān)研究。20世紀(jì)80年代在執(zhí)行“農(nóng)業(yè)和資源航天遙感調(diào)查”計劃時，相關(guān)研究人員對微波遙感反演土壤水分作了全面系統(tǒng)研究。美國農(nóng)業(yè)部以及宇航局為了驗證大尺度衛(wèi)星微波遙感反演土壤水分和土壤濕度航空微波遙感制圖，開展了一系列關(guān)于土壤水分觀測實驗的研究[18]。

利用微波遙感反演土壤水分是通過土壤介電特性這一物理變量實現(xiàn)的，即土壤介電特性受土壤水分影響，同時土壤介電特性又影響土壤的微波輻射或反射，因此通過微波遙感建立土壤介電常數(shù)與土壤微波輻射的關(guān)系，然后利用介電常數(shù)模型即可獲得土壤水分含量[19]。主動微波遙感、被動微波遙感以及將主動微波和被動微波進(jìn)行融合是目前微波遙感反演土壤水分的主要方式。

目前主動微波遙感的傳感器主要為雷達(dá)，其原理是通過建立微波的后向散射系數(shù)與土壤水分的關(guān)系，從而獲得土壤水分含量。與主動微波遙感相比，被動微波遙感監(jiān)測土壤水分的算法更為成熟，研究的歷史也更長。微波輻射計可以監(jiān)測到土壤本身發(fā)射的微波或亮度溫度，因此被動微波遙感據(jù)此監(jiān)測土壤水分。

主動微波遙感和被動微波遙感聯(lián)合反演土壤水分將有利于提高土壤水分的空間分辨率以及反演精度，因此，將2者結(jié)合起來聯(lián)合反演土壤水分含量是目前研究的熱點。土壤水分通過主被動微波遙感進(jìn)行反演概括起來有以下2種。第1種是利用相關(guān)模型或算法將2種遙感數(shù)據(jù)融合在一起進(jìn)行地表參數(shù)的反演。該方法是將主動微波數(shù)據(jù)看作被動微波數(shù)據(jù)的一個新的通道進(jìn)行地表參數(shù)的反演，這一處理方式，雖然可以提高對地表參數(shù)的反演精度，但放棄了主動微波遙感高空間分辨率的優(yōu)點，同時也忽略了2種微波遙感數(shù)據(jù)在空間尺度上的巨大差異。第2種是利用主動微波遙感數(shù)據(jù)改善由被動微波數(shù)據(jù)反演的低空間分辨率地表土壤水分，從而達(dá)到提高土壤水分空間分辨率的結(jié)果。

2 研究進(jìn)展分析

2.1 可見光-近紅外遙感

反射率法和植被指數(shù)是可見光-近紅外遙感反演土壤水分的主要方法，早期研究土壤水分對光譜反射率的影響是在室內(nèi)進(jìn)行。研究表明，在760、970、1 190、1 450、1 940和2 950 nm等水分吸收波段可以作為土壤反射光譜的水分含量指標(biāo)，并且隨水分增加土壤光譜反射率在整個波長范圍內(nèi)降低[20]。Liu 等的研究表明，土壤光譜反射率與土壤濕度存在一定關(guān)系，即在一定的土壤水分臨界值之下土壤光譜反射率與土壤濕度呈負(fù)相關(guān)；但當(dāng)超過臨界值后，則呈正相關(guān)。這個臨界值一般不小于田間持水量[21]。在此基礎(chǔ)上，研究人員利用遙感數(shù)據(jù)的光譜反射率監(jiān)測土壤水分。郭廣猛和趙冰茹采用MODIS數(shù)據(jù)，根據(jù)水的吸收率曲線提出使用中紅外波段監(jiān)測土壤濕度，通過實地調(diào)查以及回歸分析表明土壤水分與MODIS第7波段的反射率之間存在較好的相關(guān)關(guān)系[22]。劉培君等用分解復(fù)合像元法分別考慮植被和土壤對土壤水分光譜信息的影響，排除植被干擾，提取土壤水分光譜信息，采用土壤水分光譜法并利用回歸分析建立土壤水分遙感的TM模型和AVHRR數(shù)據(jù)模型[23]。晏明和張磊運用距平植被指數(shù)跟蹤監(jiān)測吉林省旱情發(fā)展和影響范圍[24]。杜靈通和李國旗采用距平植被指數(shù)干旱監(jiān)測方法，利用SPOT遙感數(shù)據(jù)準(zhǔn)確監(jiān)測干旱發(fā)生的范圍和相應(yīng)的干旱程度[25]。

同理，目前發(fā)展的高光譜遙感反演土壤水分的原理與可見光-近紅外遙感相同，即通過反射率與土壤水分的相關(guān)關(guān)系實現(xiàn)土壤水分的估計。高光譜遙感反演土壤水分主要有2種方式：成像方式和非成像方式。成像方式即通過對高光譜影像進(jìn)行分析，建立土壤反射率與土壤含水量之間的關(guān)系，實現(xiàn)對土壤含水量監(jiān)測[26]。非成像方式主要在實驗室內(nèi)或野外利用高光譜儀獲取土壤的光譜信息，從而建立土壤光譜信息與土壤含水量之間的關(guān)系，反演土壤水分[27]。對于成像方式，常用的機(jī)載或星載高光譜數(shù)據(jù)源主要有AVIRIS[26]、Hymap[28]、Hyperion[29]。

可見光-近紅外遙感與高光譜遙感主要基于光譜反射率以及各種植被指數(shù)與土壤水分的關(guān)系反演土壤水分，操作方法簡便快捷。但易受周圍環(huán)境、地形、地貌以及土壤類型影響。因此對于地形平坦、作物類型單一以及土壤類型相似的地區(qū)比較適用。

2.2 熱紅外遙感

熱紅外遙感與可見光-近紅外遙感在監(jiān)測土壤水分方面敏感性更好，因為熱紅外遙感利用遙感影像中的熱紅外波段，將溫度變化作為一個估計土壤水分的參數(shù)，克服了單純利用反射率或植被指數(shù)監(jiān)測土壤水分滯后性的缺點。

作物水分脅迫指數(shù)CWSI的物理基礎(chǔ)是熱量平衡原理，在區(qū)域旱情監(jiān)測方面具有明顯優(yōu)勢，尤其在植被覆蓋區(qū)域土壤水分反演精度高于土壤熱慣量法。然而，由于CWSI模型是以冠層能量平衡為基礎(chǔ)的單層模型，因此在作物生長的早期植被稀疏時反演效果較差。 同時計算CWSI所需的資料較多、計算比較復(fù)雜；模型中使用的氣象數(shù)據(jù)主要來自地面氣象站，氣象數(shù)據(jù)實時性以及外推的方法和精度對CWSI的反演精度都會產(chǎn)生影響[30]。因此，CWSI在應(yīng)用上存在一定的弊端。

水分虧缺指數(shù)WDI與作物水分脅迫指數(shù)相比，其最大的優(yōu)勢是克服了作物水分脅迫指數(shù)在低植被覆蓋時反演效果不理想的情況，水分虧缺指數(shù)試用各種植被覆蓋狀態(tài)。但水分虧缺指數(shù)也有其不足之處，由于水分虧缺指數(shù)需要借助氣象數(shù)據(jù)估測土壤水分，因此其模型的反演精度受地表狀態(tài)的差異性以及氣象站點位置與數(shù)量限制[30]。

通過遙感影像獲取地表溫度數(shù)據(jù)是應(yīng)用熱慣量法監(jiān)測土壤水分的核心，地表溫度一般通過求解熱傳導(dǎo)方程或者地表能量平衡方程實現(xiàn)。Watson 等人通過熱紅外遙感影像插值計算得到地表溫度日較差，從而獲得土壤熱慣量[31]；Price對土壤熱慣量進(jìn)行了多年的研究，分別在1977年和1985年提出計算真實熱慣量模型以及表觀熱慣量(Apparent Thermal Inertia,ATI)概念，對熱慣量方法和熱慣量的遙感成像原理進(jìn)行了系統(tǒng)闡述[32,33]。在國外研究的基礎(chǔ)上，國內(nèi)對土壤熱慣量也開展了許多改進(jìn)型的研究。余濤和田國良對地表能量平衡方程進(jìn)行化簡，從遙感影像中獲得地表真實熱慣量值，并由此獲得土壤水分含量分布[34]。楊樹聰[35]、吳黎[36]等對Price提出的表觀熱慣量進(jìn)行了改進(jìn)，通過實測的模型參數(shù)和遙感數(shù)據(jù)反演研究區(qū)土壤水分含量。

由于計算真實熱慣量模型中僅僅通過遙感影像獲取所需參數(shù)具有一定的難度，因此提出了模型相對簡單的表觀熱慣量，其模型中的參數(shù)可以由遙感數(shù)據(jù)完全提供。表觀熱慣量模型提出后，在干旱監(jiān)測以及土壤水分反演中具有廣泛應(yīng)用。對于熱慣量監(jiān)測土壤水分的研究中，熱慣量的解析方程和表觀熱慣量與土壤水分關(guān)系2方面的研究成為研究的重點和難點[35]。

LST/VI特征空間是TVDI計算的基礎(chǔ)，土壤表層水分含量介于萎蔫含水量和田間持水量之間是計算TVDI的限定條件。Holzma等認(rèn)為TVDI獲得的土壤水分影響雨養(yǎng)作物產(chǎn)量，他們利用中分辨率成像光譜儀(MODIS)計算得到的TVDI估計區(qū)域作物產(chǎn)量[37]。Liang等利用2001-2010年的MODIS 中國地區(qū)數(shù)據(jù)構(gòu)建TVDI分析了干旱時空變異性[38]。Cao等利用2000-2012年MODIS數(shù)據(jù)構(gòu)建LST-NDVI特征空間，估計內(nèi)蒙古高原土壤水分。關(guān)于TVDI的研究，很多都集中在MODIS數(shù)據(jù)[39-41]，對于其他遙感數(shù)據(jù)的研究還不是很多。

熱紅外遙感利用下墊面的溫度間接反演土壤水分含量。熱慣量法是常見的利用熱紅外遙感監(jiān)測土壤水分的方法。但熱慣量法對于天氣以及云層比較敏感，同時對植被覆蓋區(qū)反演效果較差。因此，提出將植被指數(shù)與溫度結(jié)合構(gòu)建特征空間，既可以消除植被指數(shù)滯后性又可以提高對不同植被覆蓋狀況下土壤水分反演精度。

2.3 微波遙感

在主動微波遙感領(lǐng)域，利用合成孔徑雷達(dá)(SAR)反演土壤水分的研究越來越多。在消除植被與地表粗糙度方面，目前主要是通過多頻率、多極化或多入射角雷達(dá)數(shù)據(jù)等綜合處理的方法，從而獲取準(zhǔn)確的土壤水分信息[42]。對于植被覆蓋度小的區(qū)域，Dobson[43]、Oh[44]、Shi[45]先后利用后向散射系數(shù)提出了3個經(jīng)驗半經(jīng)驗?zāi)Ｐ汀５沁@些經(jīng)驗半經(jīng)驗?zāi)Ｐ歪槍χ脖桓采w度高的區(qū)域反演效果較差。因此針對植被對微波信號的影響，相關(guān)研究人員提出了MIMICS 模型[46]、水云模型[47]、Karam[48]等基于輻射傳輸方程的物理微波輻射模型。MIMICS 模型和水云模型是目前干旱區(qū)常用的模型。

在被動微波遙感反演土壤水分方法中AMSR-E是應(yīng)用最廣泛的遙感數(shù)據(jù)。目前在植被覆蓋度低的地表微波遙感反演土壤水分的模型主要有Q/H 模型、H/P 模型[49]、Q/P 模型[50]。在有植被覆蓋的條件下“ω—τ”模型[51]應(yīng)用比較廣泛。其中Q/P 模型和“ω—τ”模型在干旱區(qū)應(yīng)用較多。萬幼川等采用METOP(meteorological operational satellite)和 ERS(european remote sensing satellites)衛(wèi)星搭載的微波散射計，以1999年Wolfgang 提出的經(jīng)典TU-WIEN 算法為基礎(chǔ)，改進(jìn)了其中人為定義經(jīng)驗函數(shù)的描述模型參數(shù)季節(jié)性變化規(guī)律的不足，從而對研究區(qū)土壤含水量進(jìn)行觀測[52]。Hong 等利用菲涅爾方程自由度的減少提出了一個獨特的土壤水分反演算法，并采用地球觀測系統(tǒng)的高級微波掃描輻射計(AMSR-E)獲得了全球表層土壤水分[53]。

對于將主動微波和被動微波融合共同監(jiān)測土壤水分的研究，Lee和Anagnotou 結(jié)合TRMM(Tropic Rainfall Measurements Mission)衛(wèi)星上被動的TMI和主動的PR(Precipitation Radar)數(shù)據(jù)，基于幾何光學(xué)模型和水云模型研究了美國俄克拉荷馬州的近表層土壤濕度，結(jié)果和實測值相符[54]。Narayan[55]等假設(shè)如果土壤表面的植被覆蓋狀況保持不變，那么后向散射系數(shù)的變化隨土壤水分變化的關(guān)系是穩(wěn)定的，與地表粗糙度無關(guān)。具體方法是，將同時期主被動遙感數(shù)據(jù)計算得到的后向散射系數(shù)進(jìn)行比較，獲得2者之間的相關(guān)關(guān)系，然后利用此相關(guān)關(guān)系調(diào)整由被動微波遙感數(shù)據(jù)獲得的低空間分辨率的土壤水分反演結(jié)果，最終獲得高空間分辨率的土壤水分?jǐn)?shù)據(jù)。

微波遙感與其他遙感手段相比，微波遙感具有全天候、全天時的優(yōu)勢，對地物有一定穿透能力，受天氣狀況影響較弱。然而，微波遙感接收的微波信號不僅受土壤微波輻射的影響，植被自身的微波輻射和地表粗糙度對微波信號也有影響，因此微波遙感在實際中的應(yīng)用仍然受到一些因素的限制。目前在微波反演土壤水分的研究中如何去除植被和地表粗糙度對微波輻射的影響是微波遙感反演土壤水分研究中的重點和難點。

3 研究展望

土壤水分是制約社會經(jīng)濟(jì)和環(huán)境可持續(xù)發(fā)展的重要因素，隨著遙感技術(shù)以及相關(guān)模型的不斷完善，通過遙感數(shù)據(jù)反演土壤水分進(jìn)行墑情監(jiān)測具有廣闊前景。但是，由于植物-土壤-水分傳輸系統(tǒng)的復(fù)雜性，以及模型參數(shù)地域性限制，遙感監(jiān)測土壤水分研究的難度依然存在。

(1)時間分辨率和空間分辨率是遙感數(shù)據(jù)不可兼得的2個參數(shù)，如何通過信息互補(bǔ)以及數(shù)據(jù)融合提高時間分辨率或空間分辨率是遙感應(yīng)用的研究趨勢，并且隨著機(jī)載平臺的發(fā)展，無人機(jī)遙感為星載遙感提供了新的數(shù)據(jù)源，可以克服星載遙感時間和空間分辨率的限制，獲得更為靈活、便捷的遙感信息。

(2)目前對土壤水分的反演研究主要是基于遙感參數(shù)與實測數(shù)據(jù)之間的關(guān)系獲得區(qū)域土壤水分?jǐn)?shù)據(jù)，因此如何擺脫實測數(shù)據(jù)等非遙感的支持，僅依靠遙感數(shù)據(jù)獲得土壤水分?jǐn)?shù)據(jù)是遙感反演土壤水分研究的一個重點和難點。

(3)目前遙感對表層土壤水分?jǐn)?shù)據(jù)的反演具有較好的精度，但表層土壤水分的深度沒有統(tǒng)一的結(jié)論。因此，對于這一問題需要進(jìn)行深入研究。

(4)區(qū)域表層土壤水分在氣候、水文以及生態(tài)領(lǐng)域具有重要作用，但同時區(qū)域深層以及根區(qū)土壤水分也是必不可少的一個參量，尤其在農(nóng)業(yè)領(lǐng)域中，區(qū)域深層以及根區(qū)土壤水分對作物生長以及灌溉制度制定等具有決定性作用。因此，如何通過遙感數(shù)據(jù)獲得區(qū)域深層以及根區(qū)土壤水分也是今后研究的一個熱點和難點。

：

[1] 李佩成. 地下水動力學(xué)：水資源、農(nóng)水等專業(yè)用[M]. 北京：農(nóng)業(yè)出版社，1993.

[2] 張蔚榛，沈榮開. 地下水文與地下水調(diào)控[M]. 北京：中國水利水電出版社，1998.

[3] 伍漫春，丁建麗，王高峰. 基于地表溫度-植被指數(shù)特征空間的區(qū)域土壤水分反演[J]. 中國沙漠，2012，32(1)：148-154.

[4] 劉 昭，周艷蓮，居為民，等. 基于BEPS生態(tài)模型模擬農(nóng)田土壤水分動態(tài)[J]. 農(nóng)業(yè)工程學(xué)報，2011，27(3)：67-72.

[5] 張 泉，劉詠梅，楊勤科，等. 祁連山退化高寒草甸土壤水分空間變異特征分析[J]. 冰川凍土，2014,36(1)：88-94.

[6] BROCCA L, MELONE F, MORAMARCO T, et al. Spatial-temporal variability of soil moisture and its estimation across scales [J]. Water Resources Research，2010,46：W02156.

[7] 汝博文，繳錫云，王耀飛，等. 基于MODIS數(shù)據(jù)的土壤水分空間變異規(guī)律[J]. 中國農(nóng)村水利水電，2016，(4)：38-42.

[8] 王鵬新，龔健雅，李小文，等. 基于植被指數(shù)和土地表面溫度的干旱監(jiān)測模型[J]. 地球科學(xué)進(jìn)展，2003，18(4)：527-533.

[9] Kogan F N. Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing，1990, 11(8)：1 405-1 419.

[10] Liu W T, Kogan F N. Monitoring regional drought using the vegetation condition index[J]. International Journal of Remote Sensing，1996, 17(14)：2 761-2 782.

[11] I dso S B, Jackson R D, Jr P J P, et al. Normalizing the stress-degree-day parameter for environmental variability[J]. Agricultural Meteorology, 1981,24(1)：45-55.

[12] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research，1981, 17(4)：1 133-1 138.

[13] Moran M S, Clarke T R, Inoue Y, et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sens Environ，1994,(49)：246-263.

[14] Sandholt I, Rasmussen K, Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment，2002,79(2-3)：213-224.

[15] Mcvicar T R, Bierwirth P N. Rapidly assessing the 1997 drought in Papua New Guinea using composite AVHRR imagery[J]. International Journal of Remote Sensing，2001,22(11)：2 109-2 128.

[16] Carlson T N, Gillies R R, Perry E M. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews，1994,9(1-2)：161-173.

[17] Yang X, Zhou Q, Melville M. Estimating local sugarcane evapotranspiration using Landsat TM image and a VITT concept[J]. International Journal of Remote Sensing，1997,18(2)：452-459.

[18] Jackson T J, Le Vine D M, Hsu A Y, et al. Soil moisture mapping at regional scales using microwave radiometry：the southern great plains hydrology experiment[J]. IEEE Transactions on Geoscience and Remote Sensing，1999,37(5)：2 136-2 151.

[19] 郭 英，沈彥俊，趙 超. 主被動微波遙感在農(nóng)區(qū)土壤水分監(jiān)測中的應(yīng)用初探[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報，2011，19(5)：1 162-1 167.

[20] Stoner E R, Baumgardner M F. Characteristic variations in reflectance of surface soils [J]. Soil Science Society of America Journal，1982，45 (6)：1 161-1 165.

[21] LIU Wei-dong, BARET F, GU Xing-fa, et al. Relating soil surface moisture to reflectance[J]. Remote Sens Environ，2002, 81：238-246.

[22] 郭廣猛，趙冰茹. 使用MODIS數(shù)據(jù)監(jiān)測土壤濕度[J]. 土壤，2004，36(2)：219-221.

[23] 劉培君，張 琳，艾里西爾·庫爾班，等. 衛(wèi)星遙感估測土壤水分的一種方法[J]. 遙感學(xué)報，1997，1(2)：135-138.

[24] 晏 明，張 磊. 距平植被指數(shù)在吉林省農(nóng)作物干旱監(jiān)測中的應(yīng)用[J]. 現(xiàn)代農(nóng)業(yè)科技，2010，(11)：15-16.

[25] 杜靈通，李國旗. 利用SPOT數(shù)據(jù)進(jìn)行干旱監(jiān)測的應(yīng)用研究[J]. 水土保持通報，2008，28(2)：153-156.

[26] Galv?o L S, Formaggio A R, Couto E G, et al. Relationships between the mineralogical and chemical composition of tropical soils and topography from hyperspectral remote sensing data [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2008,63(2)：259-271.

[27] 劉 影，姚艷敏. 土壤含水量高光譜遙感定量反演研究進(jìn)展[J]. 中國農(nóng)學(xué)通報，2016，32(7)： 127-134.

[28] Selige T, B?hner J, Schmidhalter U. High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures[J]. Geoderma，2006,136(1-2)：235-244.

[29] Gomez C, Viscarra Rossel R A, McBratney A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy：an Australian case study[J]. Geoderma，2008,146(3-4)：403-411.

[30] 楊 濤，宮輝力，李小娟，等. 土壤水分遙感監(jiān)測研究進(jìn)展[J]. 生態(tài)學(xué)報，2010,30(22)：6 264-6 277.

[31] Watson K, Rownen L C, Officeld T W. Application of thermal modeling in the geologic interpretation of IR images [J]. Remote Sensing of Environment，1971,(3)：2 017-2 041.

[32] Price J C. Thermal inertia mapping：a new view of the earth [J]. Journal of Geophysical Research，1977,82(18)：2 582-2 590.

[33] Price J C. On the analysis of thermal infrared imagery：the limited utility of apparent thermal inertia [J]. Remote Sensing of Environment，1985，(18)：59-73.

[34] 余 濤，田國良. 熱慣量法在監(jiān)測土壤表層水分變化中的研究[J]. 遙感學(xué)報，1997，1(1)：24-31.

[35] 楊樹聰，沈彥俊，郭 英，等. 基于表觀熱慣量的土壤水分監(jiān)測[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報，2011，19(5)：1 157-1 161.

[36] 吳 黎，張有智，解文歡，等. 改進(jìn)的表觀熱慣量法反演土壤含水量[J]. 國土資源遙感，2013，25(1)：44-49.

[37] Holzman M E, Rivas R, Piccolo M C. Estimating soil moisture and the relationship with crop yield using surface temperature and vegetation index [J]. International Journal of Applied Earth Observation and Geoinformation，2014，(28)：181-192.

[38] Liang L, Zhao S, Qin Z, et al. Drought change trend using MODIS TVDI and its relationship with climate factors in China from 2001 to 2010[J]. Journal of Integrative Agriculture，2014,13(7)：1 501-1 508.

[39] Zormand S, Jafari R, Koupaei S S. Assessment of PDI, MPDI and TVDI drought indices derived from MODIS Aqua/Terra level 1B data in natural lands[J]. Natural Hazards，2016，86(2)：757-777.

[40] Wang J, Ling Z, Wang Y, et al. Improving spatial representation of soil moisture by integration of microwave observations and the temperature-vegetation-drought index derived from MODIS products [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2016,113：144-154.

[41] Dhorde A G, Patel N R. Spatio-temporal variation in terminal drought over western India using dryness index derived from long-term MODIS data [J]. Ecological Informatics，2016,32：28-38.

[42] 胡 猛，馮 起，席海洋. 遙感技術(shù)監(jiān)測干旱區(qū)土壤水分研究進(jìn)展[J]. 土壤通報，2013，44(5)：1 270-1 275.

[43] Dobson M C, Ulaby F T. Active microwave soil moisture research[J]. IEEE Transactions on Geoscience and Remote Sensing，1986,GE-24(1)：23-36.

[44] Oh Y, Sarabandi K, Ulaby F T. An empirical model and an inversion technique for radar scattering from bare soil surfaces[J]. IEEE Transaciton on Geoscience and Remote Sensing，1992,30(2)：370-381.

[45] Shi J, Wang J, Hsu A Y, et al. Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J]. IEEE Transactions on Geoscience and Remote Sensing，1997,35(5)：1 254-1 266.

[46] Ulaby F T, Sarabandi K, Donald K M, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing，1990,11(7)：1 223-1 253.

[47] Bindlish R, Barros A P. Parameterization of vegetation backscatter in radar-based, soil moisture estimation，[J]. Remote Sensing of Environment，2001,76(1)：130-137.

[48] Karam M A. A physical model for microwave radiometry of vegetation[J]. IEEE Transactions on Geoscience and Remote Sensing，1997, 35(4)：1 045-1 058.

[49] Wigneron J, Laguerre L, Kerr Y H. A simple parameterization of the L-Band microwave emission from rough agricultural soils[J]. IEEE Transactions on Geoscience and Remote Sensing，2001,39(8)：1 697-1 707.

[50] Wang J R, Choudhury B J. Remote sensing of soil moisture content, over bare field at 1.4 GHz frequency[J]. Journal of Geophysical Research Oceans，1981,86(C6)：5 277-5 282.

[51] Mo T, Choudhury B J, Schmugge T J, et al. A model for microwave emission from vegetation-covered fields[J]. Journal of Geophysical Research，1982,87(C13)：11 229-11 237.

[52] 萬幼川，陳 晶，余 凡，等. 利用星載散射計反演地表土壤水分[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(3)：70-77.

[53] Hong S, Shin I. A physically-based inversion algorithm for retrieving soil moisture in passive microwave remote sensing[J]. Journal of Hydrology，2011,405(1-2)：24-30.

[54] Lee K. A combined passive/active microwave remote sensing approach for surface variable retrieval using tropical rainfall measuring mission observations[J]. Remote Sensing of Environment，2004,92(1)：112-125.

[55] Narayan U, Lakshmi V, Jackson T J. High-resolution change estimation of soil moisture using L-band radiometer and radar observations made during the SMEX02 experiments[J]. IEEE Transactions on Geoscience and Remote Sensing. 2006,44(6)：1 545-1 554.