基于Sentinel多源遙感數(shù)據(jù)的河北省景縣農(nóng)田土壤水分協(xié)同反演

李伯祥,陳曉勇,2,3①

(1.東華理工大學測繪工程學院,江西 南昌 330013;2.流域生態(tài)與地理環(huán)境監(jiān)測國家測繪地理信息局重點實驗室,江西 南昌 330013;3.江西省數(shù)字國土重點實驗室,江西 南昌 330013)

土壤水分(soil moisture，SM)是全球水循環(huán)、碳平衡和能量交換的關(guān)鍵變量，在水文管理、氣候預測、農(nóng)業(yè)生產(chǎn)等方面發(fā)揮著重要作用[1]。土壤水分具有較高的時空異質(zhì)性，傳統(tǒng)基于監(jiān)測站點進行土壤水分觀測，或者烘干稱重法能夠獲取高精度的土壤水分信息，但是不能勝任大范圍、時序性的監(jiān)測任務(wù)[2]。隨著遙感技術(shù)的發(fā)展和基礎(chǔ)理論的完善，全天候、全天時、穿透力強的微波遙感在土壤水分反演方面得到廣泛的應(yīng)用[3]。相比于光學遙感只能獲取表層土壤墑情，微波遙感能夠有效地穿透植被覆蓋層，并靈敏地探測地表土壤水分動態(tài)變化[4]。微波傳感器接收的地表后向散射系數(shù)與土壤介電特性密切相關(guān)[5]，而土壤介電特性主要由土壤含水量決定[6]，因此基于微波遙感估算土壤水分具備良好的物理基礎(chǔ)[5-7]。

因目標區(qū)域不同，微波遙感反演土壤水分可分為裸露地表區(qū)和植被覆蓋區(qū)[8]。針對裸露地表區(qū)，前人提出了Oh模型[9]、Dubois模型[10]和Shi模型[11]等經(jīng)驗-半經(jīng)驗?zāi)Ｐ?，以及幾何光學模型[12-13]、物理光學模型[13-14]、小擾動模型[13,15]、積分方程(IEM)模型[16]和高級積分方程(AIEM)模型[17]等理論模型。針對植被覆蓋區(qū)，則提出了基于植被散射理論的密歇根微波冠層散射模型(Michigan microwave canopy scattering，MIMICS)[18]和Karam模型[19]，與基于理論模型發(fā)展而來的Roo模型[20]和水云模型[21]，這些模型通過估算地面總后向散射中的植被后向散射貢獻量，從而消除植被的影響，有效獲取下墊面的土壤水分信息。隨著計算機技術(shù)和機器學習的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)[22]、遺傳BP神經(jīng)網(wǎng)絡(luò)(GA-BP)模型[23]、支持向量機(support vector machine，SVM)模型[24]、深度學習[25]等機器學習方法也被廣泛地應(yīng)用到土壤水分反演。

微波后向散射系數(shù)不僅受到雷達傳感器頻率、極化方式、入射角的影響，還受到地表植被生長狀況和地表粗糙度等觀測區(qū)域環(huán)境因素的影響，其中植被含水量對雷達后向散射系數(shù)影響最大[26]。研究表明光學遙感數(shù)據(jù)可以通過計算植被的各種生理參數(shù)更好地補充植被的影響[27]。因此，在通過改進原有的土壤水分反演模型的基礎(chǔ)上，充分利用微波和光學遙感的各自優(yōu)勢，減少對地面實測數(shù)據(jù)的依賴性，實現(xiàn)主被動遙感協(xié)同反演成為近年來的研究熱點[2]。曾旭婧等[27]以Sentinel-1 SAR數(shù)據(jù)為基礎(chǔ)，并輔以Landsat-8光學遙感數(shù)據(jù)，對黑河-北安高速沿線地區(qū)不同植被覆蓋度程度下地表土壤水分進行反演研究。MENG等[28]利用Radarsat-2和Landsat-8遙感數(shù)據(jù)，結(jié)合改進Dubois模型和最優(yōu)冠層含水量反演模型，反演全生育周期的玉米植被覆蓋區(qū)地表土壤水分。汪倩倩等[29]利用GF-3和Landsat-8遙感數(shù)據(jù)，分別計算土壤后向散射系數(shù)和干旱指數(shù)，并分析兩者和土壤水分的關(guān)系，通過統(tǒng)計回歸分析建立地面資料稀缺農(nóng)田區(qū)域的土壤水分反演模型。

目前在光學遙感數(shù)據(jù)選擇上使用較多的是Landsat-8遙感數(shù)據(jù)，但Landsat-8重返周期為16 d，空間分辨率為30 m，難以滿足小區(qū)域農(nóng)田土壤水分反演高時空分辨率的要求。Sentinel-1和Sentinel-2同屬于歐空局Sentinel系列衛(wèi)星(后面敘述中簡稱S1和S2)，S2空間分辨率為10 m，S2A/B組成的雙星對地觀測系統(tǒng)過境重返周期僅為5 d。因此，采用S2搭配S1進行主被動遙感協(xié)同反演土壤水分研究在空間、時間和數(shù)據(jù)配準方面更具有優(yōu)勢。

該研究針對植被覆蓋區(qū)農(nóng)田土壤水分反演精度不高、空間分辨率低、植被參數(shù)難以準確獲取等問題，基于S1主動微波和S2光學遙感數(shù)據(jù)，采用改進水云模型和Oh模型的組合方法，對植被覆蓋地表土壤水分進行定量反演研究。

1 研究區(qū)和數(shù)據(jù)收集

1.1 研究區(qū)概況

選取河北省衡水市景縣作為研究區(qū)(圖1)，景縣總面積為1 183 km2，平均海拔30 m以下，地形以平原為主。景縣被列為全國商品糧基地縣，主要地類類型為耕地，主要種植作物為玉米、小麥和棉花。農(nóng)業(yè)灌溉用水主要依靠開采地下水和自然降水補給。該地區(qū)屬半濕潤溫帶大陸性季風氣候區(qū)，年平均氣溫為12.5 ℃，年平均降水量為554 mm。景縣實地考察和采樣區(qū)范圍為37°30′～37°40′ N，116°10′～116°20′ E，地表植被覆蓋類型為玉米。

圖1 研究區(qū)地理位置及采樣點分布

1.2 遙感數(shù)據(jù)處理

研究使用的S1 SAR和S2光學遙感數(shù)據(jù)可從歐洲航天局( European Space Agency，ESA)免費下載。S1搭載了中心頻率為5.405 GHz的C波段合成孔徑雷達，具有條帶、干涉寬幅、超幅寬和波模式4種對地觀測成像模式[30]。主動微波數(shù)據(jù)選擇S1A干涉寬幅模式下的地距(ground range detected，GRD)產(chǎn)品，空間分辨率為5 m×20 m，包括垂直發(fā)射水平接收(VH)和垂直發(fā)射垂直接收(VV)2種極化模式。GRD產(chǎn)品經(jīng)過了多視處理，并采用 WGS-84橢球基準投影至地距的聚焦數(shù)據(jù)，數(shù)據(jù)獲取日期為2018年9月12日，使用ESA提供的SNAP(sentinel application platform)軟件進行預處理，包括濾波、輻射定標、幾何校正和地理編碼，預處理完成后即可獲得研究區(qū)的后向散射系數(shù)(圖2)。地表植被覆蓋情況使用ESA提供的2018年9月7日S2A的L1C級數(shù)據(jù)進行分析，并計算各種植被指數(shù)(vegetation indices，VI)。L1C數(shù)據(jù)經(jīng)過了幾何精校正，需要借助ESA提供的Sen2 Cor工具實現(xiàn)輻射定標和大氣校正處理，生成L2A級數(shù)據(jù)。

圖2 研究區(qū)S1 VH/VV極化的后向散射系數(shù)

1.3 實測數(shù)據(jù)處理

野外觀測日期是2018年9月8日。實測采樣點數(shù)量為21個，采樣點坐標信息使用手持式GARMIN-eTrex301定位儀(GPS+GLONASS雙系統(tǒng)定位，定位精度1～3 m)記錄。使用卷尺測量玉米植株高度，并統(tǒng)計1 m2農(nóng)田區(qū)域內(nèi)植株的種植密度。每個采樣點收集1株玉米植株樣本，帶回實驗室后稱量植株鮮重(WF)，然后用電熱恒溫鼓風干燥箱對植株進行烘干處理，獲得植株干重(WD)。

植被層含水量(vegetation water content，CVW)計算公式為

CVW=(WF-WD)·ρ。

(1)

式(1)中，WF為玉米植株鮮重，kg；WD為玉米植株干重，kg；ρ為玉米植株種植密度，株·m-2。

土壤樣品采樣深度為0～5 cm，樣本用鋁盒封裝帶回實驗室，將其放進干燥箱中加熱48 h直至恒重。采用烘干稱重法測定土壤質(zhì)量含水量，結(jié)合采樣區(qū)的土壤容重將土壤質(zhì)量含水量(θm)轉(zhuǎn)換為土壤體積含水量(θv)。

(2)

θv=θm×sc。

(3)

式(2)～(3)中，θm為土壤質(zhì)量含水量，%；m1為原始采樣濕土質(zhì)量，g；m2為烘干后的干土質(zhì)量，g;sc為土壤容重，由于缺乏相應(yīng)的土壤容重測定儀器，參照文獻[28]，取值1.33 g·cm-3。

經(jīng)計算，實測樣點土壤體積含水量的范圍為0.04～0.29 cm3·cm-3，平均值為0.13 cm3·cm-3，標準偏差為0.06 cm3·cm-3。

2 研究方法

2.1 水云模型

植被層對微波信號具有散射和吸收作用，為了獲取準確下墊面裸土后向散射系數(shù)，首先需要利用水云模型去除植被層的影響。ATTEMA等[21]基于輻射傳輸方程提出了經(jīng)典的水云模型方程，該模型假設(shè)：(1)植被層由大量形狀、大小相同且均勻分布的散射微粒組成；(2)忽略植被與土壤表面的多次散射，僅考慮來自裸土的表面散射和來自植被的體散射；(3)模型中的變量僅為微波入射角、植被含水量和土壤濕度。水云模型的基本表達式為

(4)

(5)

T2=exp(-2τ·secθ)，

(6)

τ=B·CVW。

(7)

2.2 引入植被覆蓋度和植株高度改進水云模型

植被覆蓋地表的后向散射往往比較復雜，且對于混合像元區(qū)域，裸土后向散射是地表總后向散射的重要組成部分[31]。由于真實地表的復雜性，傳統(tǒng)水云模型難以滿足實際需要。因此，首先需要引入植被覆蓋度(vegetation fractional coverage，CVF)對原始水云模型加以改進：

(8)

CVF=(INDV-INDV,min)/(INDV,max-INDV,min)。

(9)

式(9)中，INDV為歸一化差值植被指數(shù)(normalized difference vegetation index)。根據(jù)研究區(qū)INDV的累積概率分布情況，取累計分布概率5%和95%對應(yīng)的NDVI值作為INDV,min和INDV,max，分別取值為0.239 7和0.848 2，對應(yīng)裸地和完全植被覆蓋情況。

真實作物種植區(qū)地表情況較為復雜，除了需要考慮植被層含水量，還需重視植被覆蓋程度和植被莖稈散射的影響。原始水云模型將整個植被層假設(shè)為水平均勻的云層，并沒有考慮復雜的植被層多次散射作用。在一些如玉米、小麥等高大農(nóng)作物覆蓋區(qū)域和特定波長條件下，植被和土壤間的雙次散射在總后向散射中占有一定比例，忽略其影響會對地表土壤水分的反演產(chǎn)生較大誤差[30]。

(10)

T2=exp(-2τ·secθ)。

(11)

式(10)～(11)中，σpq1為每單位體積植被冠層的雷達后向散射截面，m2·m-3；kepq為冠層的消光系數(shù)。τ由消光系數(shù)kepq和植被高度(h)決定：

τ=kepq·h。

(12)

由式(7)和式(12)可推出：

(13)

將式(10)和式(13)代進式(8)，便可得到引入CVF和h改進的水云模型表達式：

(14)

式(14)中，σpq1為常量，以系數(shù)A代替。

BINDLISH等[33]提出了水云模型中對應(yīng)植被、牧場、冬小麥和草地這4種應(yīng)用場景時的A、B取值，但是A、B屬于經(jīng)驗常數(shù)，需要根據(jù)具體實驗環(huán)境進行確認。利用 Levenberg-Marquardt非線性最小二乘法和野外采集的實測數(shù)據(jù)分別擬合VH和VV極化條件下的A、B數(shù)值，如表1所示。

表1A、B參數(shù)擬合值

Table 1 The fitting values ofAandB

極化模式ABVH-0.022 00.080 8VV-0.020 80.076 9

將A和B取值代入式(14)，得到VH和VV極化的裸土后向散射系數(shù)的表達式：

(15)

(16)

2.3 Oh模型解算土壤墑情

改進水云模型從地表總后向散射中去除了植被層的后向散射貢獻量，便獲得地表裸土直接后向散射部分。根據(jù)裸土后向散射系數(shù)反演土壤墑情，需要考慮地表粗糙度的影響。Oh模型是基于同極化比(p)、交叉極化比(q)與地表粗糙度和土壤介電常數(shù)(ε)之間的關(guān)系建立的經(jīng)驗?zāi)Ｐ?，地表粗糙度參?shù)考慮了均方根高度(s)和相關(guān)長度(l)。Oh模型是OH等[9]于1992年提出的，經(jīng)過后續(xù)的改進和完善[34-35]，具體表達式如下：

(17)

(18)

(19)

(20)

由于該次實驗沒有對地表粗糙度進行實地測量，根據(jù)研究區(qū)野外觀測實際情況，均方根高度(s)和相關(guān)長度(l)參考文獻[28]，合理設(shè)置Oh模型VH、VV極化下各輸入?yún)?shù)范圍和步長(表2)，建立裸土后向散射系數(shù)數(shù)據(jù)庫。

表2 后向散射系數(shù)數(shù)據(jù)庫輸入?yún)?shù)值

Table 2 Input parameters of backscattering simulation database

輸入?yún)?shù)入射角(θ)/(°)土壤體積含水量(mv)/(cm3·cm-3)均方根高度(s)/cm相關(guān)長度(l)/cm范圍30～500～0.300.4～2.21.0～18.0步長50.010.33.0

綜上，植被覆蓋區(qū)農(nóng)田土壤水分協(xié)同反演算法的具體技術(shù)流程如圖3所示。

圖3 技術(shù)路線圖

3 結(jié)果與分析

3.1 植被參數(shù)反演

改進水云模型涉及植被層含水量(CVW)、植被覆蓋度(CVF)和植被高度(h)，這3個植被影響因子需要建立反演模型。CVW用植被指數(shù)法進行反演，通過分析S2A計算的6種光學植被指數(shù)和實測植被含水量的相關(guān)性，選擇最優(yōu)光學植被指數(shù)構(gòu)建植被層含水量反演模型。植被指數(shù)在PIE(pixel information expert)遙感圖像處理軟件中進行計算，計算的植被指數(shù)包括差值植被指數(shù)(difference vegetation index，IDV)[36]、改進紅邊比值植被指數(shù)(modified red edge simple ratio index，ImSR705)[37]、歸一化水體指數(shù)(normalized difference water index，INDW,1610/INDW,2190)[38]、水分脅迫指數(shù)(moisture stress index，IMS)[39]、歸一化多波段干旱指數(shù)(normalized multi-band drought index，INMD)[40]。

各植被指數(shù)與實測植被層含水量的相關(guān)性分析如表3所示。由S2A的近紅外波段ρ842和短波紅外波段ρ1610、ρ2190計算得到的歸一化水體指數(shù)INDW,1610、INDW,2190和水分脅迫指數(shù)IMS，這3種植被指數(shù)與實測植被含水量具有良好的相關(guān)性，R2均大于0.60。其中INDW,1610的擬合效果最好，R2為0.834 3，均方根誤差(root mean square error，RMSE)為0.737 7 kg·m-2。因此，采用INDW,1610構(gòu)建植被層含水量反演模型。植被層含水量反演結(jié)果圖4(a)所示。

表3 植被指數(shù)和實測植被層含水量擬合關(guān)系

Table 3 Correlations of the vegetaion indices and thein-suitmeasured vegetation water content data

植被指數(shù)公式1)植被層含水量(CVW)反演模型1)R2均方根誤差(RMSE)/(kg·m-2)差值植被指數(shù)(IDV)IDV=ρ842-ρ665CVW=0.002 6×IDV+0.344 60.306 91.508 8改進紅邊比值植被指數(shù)(ImSR705)ImSR705=ρ740-ρ443ρ705+ρ443CVW=3.204 3×ImSR705+1.925 50.166 81.653 8水分脅迫指數(shù)(IMS)IMS=ρ1610ρ842CVW=-32.218 5×IMS+24.343 70.617 31.120 6歸一化多波段干旱指數(shù)(INMD)INMD=ρ842-(ρ1610-ρ2190)ρ842+(ρ1610-ρ2190)CVW=-57.2193×INMD+43.13720.460 41.330 8歸一化水指數(shù)(INDW)INDW,1610=ρ842-ρ1610ρ842+ρ1610CVW=33.0177×INDW,1610-2.074 30.834 30.737 7INDW,2190=ρ842-ρ2190ρ842+ρ2190CVW=29.155 8×INDW,2190-8.344 60.619 11.118 3

1)變量右下標數(shù)字為Sentinel-2對應(yīng)波段。

S2遙感數(shù)據(jù)首先計算歸一化差值植被指數(shù)，然后根據(jù)植被覆蓋度公式〔式(9)〕便可得到如圖4(b)所示的研究區(qū)植被覆蓋度反演結(jié)果。研究發(fā)現(xiàn)，實測玉米植株高度和雷達極化比(VH/VV)具有良好的相關(guān)性(R2=0.460 9)〔圖4(c)〕，可根據(jù)擬合關(guān)系式建立研究區(qū)玉米植株高度反演模型，反演結(jié)果如圖4(d)所示。為了有效得到植被覆蓋區(qū)域，需要利用歸一化差值植被指數(shù)進行面積提取。結(jié)合研究區(qū)的實際情況，當INDV閾值設(shè)置為大于0.3時能有效剔除裸露土地以及城鎮(zhèn)建設(shè)用地，獲得更為精準的植被種植區(qū)域范圍。

3.2 去除植被影響的土壤水分反演

從圖中可以看到，相同采樣點的VH極化后向散射系數(shù)低于VV極化，裸土后向散射系數(shù)普遍比地表總散射系數(shù)低。去除植被影響后的VH極化后向散射系數(shù)變化范圍為-8.06～-0.94 dB，平均變化-4.41 dB；VV極化后向散射系數(shù)變化范圍為-3.02～0.95 dB，平均變化-1.49 dB。校正前后VH極化后向散射的變化幅度大于VV極化，說明VH極化信號的傳輸過程更容易受到植被層的影響。

土壤體積含水量的預測結(jié)果和野外實測數(shù)據(jù)如圖6所示。VH極化的決定系數(shù)R2為0.399 3， RMSE為0.055 6 cm3·cm-3，平均絕對誤差(mean absolute error，MAE)為0.046 7 cm3·cm-3；VV極化的預測結(jié)果優(yōu)于VH極化，VV極化條件下的決定系數(shù)R2為0.653 0，RMSE為0.040 1 cm3·cm-3，MAE為0.032 7 cm3·cm-3。VH極化條件下土壤水分出現(xiàn)預測結(jié)果偏高現(xiàn)象，散點離散于1∶1線附近；VV極化條件的預測結(jié)果和實測值較為接近，散點大部分位于1∶1線附近。

圖4 植被含水量反演分布、植被覆蓋度分布、玉米植株實測高度和交叉極化比關(guān)系、玉米冠層高度反演結(jié)果

極化后的祼土后向散射系數(shù)；極化后的祼土后向散射系數(shù)； 極化后的地表總后向散系數(shù)；極化后的地表總后向散射系數(shù)。

圖6 VH和VV極化方式下土壤水分預測值與實測值對比

土壤體積含水量反演結(jié)果如圖7(a)所示，從圖中可以看到，土壤體積含水量集中在0～0.30 cm3·cm-3，空白部分為剔除的土壤水分反演異常值區(qū)域和人工建設(shè)地塊區(qū)域，如城鎮(zhèn)建設(shè)用地、公路等。圖7(b)則是各個區(qū)間范圍土壤體積含水量的頻數(shù)分布情況，可以看到研究區(qū)土壤水分存在偏低現(xiàn)象，土壤體積含水量主要集中在0～0.10 cm3·cm-3區(qū)間。根據(jù)土壤墑情的劃分標準[41]：5%以下屬于干土；8%左右屬于灰墑；12%～15%屬于黃墑；>15%～20%屬于合墑(褐墑)；>20%屬于飽墑(黑墑)。研究區(qū)農(nóng)田土壤水分大部分屬于干土和灰墑，作物出現(xiàn)水分虧缺現(xiàn)象，需要人工適時開展灌溉作業(yè)，保證農(nóng)作物的良好生長和收成。

圖7 土壤體積含水量(θv)反演結(jié)果和頻數(shù)分布

4 討論

在前人研究的基礎(chǔ)之上，結(jié)合微波與光學遙感的各自優(yōu)勢與特點，以景縣玉米農(nóng)田野外實驗驗證了S1與S2遙感數(shù)據(jù)協(xié)同反演植被覆蓋區(qū)農(nóng)田土壤水分的可行性。S1 VV極化模式具有更強的穿透性，可更靈敏地探測植被覆蓋區(qū)下墊面的土壤水分信息。因此，VV極化條件下土壤水分的反演在R2、RMSE和MAE誤差指標方面均優(yōu)于VH極化方式，這與已有的研究成果相一致[4,27,30]。郭交等[22]基于S1和S2遙感數(shù)據(jù)反演了陜西省楊凌示范區(qū)冬小麥種植區(qū)農(nóng)田地表土壤水分。由于其觀測時間正處于冬小麥的生長季節(jié)，植株種植稀疏、高度較低，植被對微波遙感的吸收和散射作用不強。水云模型+Oh模型的組合反演模型的R2和RMSE分別為0.650和0.025 cm3·cm-3，反演精度和該研究較為接近。

該研究的誤差主要有2個方面：(1)S1微波遙感影像和S2光學遙感影像自身配準誤差和校正誤差，以及這2種影像數(shù)據(jù)空間分辨率匹配誤差，這些誤差都會對最后土壤水分反演精度產(chǎn)生影響。(2)土壤水分和植被含水量的空間分布具有較強的空間異質(zhì)性，采集的樣點數(shù)據(jù)并不能完全客觀、真實地反映10 m空間尺度(遙感影像數(shù)據(jù)重采樣空間分辨率)實際情況。土壤水分樣品和玉米植株樣品從野外運輸?shù)綄嶒炇业倪^程中存在水分蒸發(fā)現(xiàn)象，這也會對植被含水量反演模型和土壤水分反演模型的建立產(chǎn)生影響。

該研究存在2個方面的不足：(1)遙感數(shù)據(jù)在實時性獲取和多極化建模方面存在不足。一方面，S1A/B和S2A/B的重復過境時間分別是6和5 d，并不能滿足農(nóng)田土壤水分反演實時性的要求。另一方面，S1A數(shù)據(jù)只包含VH/VV雙極化方式，相比于ALOS-2、Radarsat-2、TerraSar-X等全極化SAR影像數(shù)據(jù)缺少多極化建模的能力。不同極化的組合方式往往包含多方面的信息，這些信息在土壤水分遙感反演的過程中往往是相當重要的[42]。(2)野外數(shù)據(jù)采集過程只對玉米種植的農(nóng)田區(qū)域進行了觀測分析，實測樣點數(shù)量有所不足，景縣地區(qū)農(nóng)田還種植了一定面積的冬小麥。基于單一地表作物建立的土壤水分反演模型具有一定的局限性，為了提高模型的推廣應(yīng)用價值，今后將在收集大量樣點實測數(shù)據(jù)的基礎(chǔ)上開展對種植或混種了多種類型農(nóng)作物的農(nóng)田地表土壤水分反演做進一步研究。

5 結(jié)論

基于Sentinel-1A主動微波遙感數(shù)據(jù)和Sentinel-2A光學遙感數(shù)據(jù)，以歸一化水體指數(shù)INDW,1610計算植被含水量，并結(jié)合改進水云模型、Oh模型以及野外實地考察獲取的觀測數(shù)據(jù)，建立河北省景縣研究區(qū)半經(jīng)驗土壤水分反演模型，實現(xiàn)了微波與光學遙感協(xié)同反演植被覆蓋區(qū)農(nóng)田土壤水分。

(1)Sentinel-2遙感影像計算的歸一化水體指數(shù)INDW,1610和實測植被層含水量有著良好的相關(guān)性，R2為0.834 3，RMSE為0.737 7 kg·m-2，可利用INDW,1610建立植被層含水量反演模型。

(3)Sentinel-1的VV極化模式下，改進水云模型和Oh模型的組合方法具有較高的土壤水分反演精度，決定系數(shù)R2為0.653 0， RMSE為0.040 1 cm3·cm-3，MAE為0.032 7 cm3·cm-3，這3項反演精度評價指標均優(yōu)于VH極化。

致謝：感謝歐洲航天局提供Sentinel系列遙感數(shù)據(jù)，北京航天宏圖信息技術(shù)股份有限公司提供PIE系列遙感軟件。