基于改進作物散射模型的陜西楊凌區(qū)麥田土壤水分反演研究①

蔡慶空，李二俊，陶亮亮，潘潔晨，陳 超，王 果

(1 河南工程學院土木工程學院，鄭州 451191；2 河南工程學院人文社會科學學院，鄭州 451191；3 南京信息工程大學地理科學學院，南京 210044)

遙感方法作為目前最常用的地表土壤水分探測手段，為獲取大面積土壤水分時空信息提供了可能，可以快速獲取區(qū)域地表土壤水分，有效地監(jiān)測土壤水分在空間和時間上的變化，對農(nóng)情預測、田間灌溉等舉措有著較好的指導作用[1]。目前地表土壤水分的監(jiān)測方法根據(jù)波段類型分為光學遙感、微波遙感兩種反演方法。光學遙感進行土壤水分監(jiān)測主要根據(jù)土壤的光譜反射率以及植被葉片的光譜特性變化來間接獲得土壤水分值，常常會受到觀測條件的限制，云、霧等天氣現(xiàn)象對光學遙感影響較大。而微波遙感由于其波長較長，受到天氣影響較小，能夠穿透云層，實現(xiàn)全天候、全天時對地面進行觀測，同時微波能夠穿透一定厚度的地物，對土壤介電常數(shù)非常敏感，能夠獲取地表土壤水分更加全面的信息[2-3]。

合成孔徑雷達(synthetic aperture radar，SAR)作為微波遙感最主要的反演手段之一，廣泛應用于不同地表覆蓋類型的土壤水分反演。當利用 SAR反演裸土區(qū)的土壤水分含量時，雷達信號主要受到土壤介電常數(shù)和地表粗糙度的影響[4]。而針對植被覆蓋區(qū)的土壤水分反演，還受到地表植被的影響。目前常用的植被散射模型有MIMICS 模型、水云模型等，該類模型的本質(zhì)是研究如何有效地消除植被對雷達信號的影響，然后將其轉(zhuǎn)化為裸土區(qū)土壤水分反演問題，進而估算出植被覆蓋下的土壤含水量[5-6]。

目前對于在植被覆蓋下的土壤水分反演多是將光學和雷達遙感結合起來進行研究，發(fā)展出以雷達反演模型為主，光學數(shù)據(jù)為輔的協(xié)同模式來反演地表土壤水分。Paris[7]利用水云模型研究玉米葉片大小對其后向散射系數(shù)的影響，假設植被的生物物理特性和散射特性與單一散射體相關，研究表明其后向散射系數(shù)與地表土壤水分直接存在線性關系。Lievens 和Verhoest[8]利用ALOS/PALSAR 雷達HH 極化數(shù)據(jù)，結合水云模型和有效粗糙度參數(shù)對植被覆蓋區(qū)土壤水分進行研究，最低的土壤水分反演誤差接近5.5%。Bindlish 和Barros[9]在水云模型的基礎上通過引入植被相關長度信息建立了一個半經(jīng)驗的植被散射參數(shù)化土壤水分反演算法，消除植被對后向散射系數(shù)的影響，提高反演精度。拉巴等[10]利用MODIS 衛(wèi)星數(shù)據(jù)第7 波段對水分變化較敏感的特點，構建了一種簡單實用的土壤水分反演回歸模型，為高原土壤水分遙感監(jiān)測提供了可行的方法。蔣金豹等[11]利用MIMICS模型以及RADARSAT-2 和Landsat8 遙感數(shù)據(jù)對麥田地表土壤水分進行反演，取得了較好的反演精度。劉萬俠等[12]在分析植被對微波信號影響的基礎上，結合ASAR 雷達數(shù)據(jù)，利用水云模型去除植被覆蓋影響，對后向散射系數(shù)與實測土壤水分關系進行研究，表明VV 極化的擬合效果比HH 極化要好。張友靜等[13]利用ASAR-APP 和光學影像數(shù)據(jù)，結合水云模型對小麥覆蓋下地表土壤水分進行反演研究，結果表明土壤水分反演R2可達90%，均方根誤差為3.83%。趙天杰等[14]在ASAR 以及PALSAR 數(shù)據(jù)的基礎上，采用MIMICS 模型對農(nóng)作物的后向散射特性進行模擬分析，結果表明同極化的模擬效果比交叉極化好。Wang 等[15]結合水云模型，利用光學和雷達數(shù)據(jù)對植被覆蓋區(qū)進行研究，對該協(xié)同反演模型的適用范圍進行了拓展。余凡和趙英時[4]將光學與雷達數(shù)據(jù)協(xié)同起來建立半經(jīng)驗耦合模型，其反演精度顯著高于MIMICS 模型單獨反演得到的結果。趙昕等[16]利用RADARSAT-2 和Landsat-8 數(shù)據(jù)結合水云模型構建植被覆蓋區(qū)土壤水分反演的半經(jīng)驗耦合模型，反演精度有了較大提高。

本研究將一種改進的作物散射雷達模型與PROSAIL 光學模型結合起來反演麥田土壤水分，充分考慮研究區(qū)內(nèi)冬小麥的生長狀況及空間分布，利用RADARSAT-2 雷達數(shù)據(jù)及陜西楊凌區(qū)地面實測數(shù)據(jù)對模型進行構建與驗證，估算出麥田土壤水分值。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于楊凌農(nóng)業(yè)高新技術產(chǎn)業(yè)示范區(qū)，介于107.8° ～ 108.3°E 和34.1° ～ 34.5°N，地理位置如圖1所示。屬東亞暖溫帶半濕潤半干旱氣候區(qū)，具有春暖多風、夏熱多雨、秋涼清爽、冬寒干燥等明顯的大陸性季風氣候特征。年均氣溫12.9 ℃，無霜期211 d。年均日照時數(shù) 2 163.8 h，年總太陽輻射量114.86 kcal/cm2，年均降水量635.1 mm。

圖1 研究區(qū)概況(A：扶風；B：杏林；C：楊凌)Fig. 1 Overview of study area(A: Fufeng; B: Xinglin; C: Yangling)

1.2 試驗設計

本研究主要以冬小麥為研究對象，研究區(qū)共有3個小麥試驗站點，包括楊凌、杏林及扶風巨良農(nóng)場小麥種植示范區(qū)，每個觀測站點根據(jù)小麥種植面積的差異設立不同的固定觀測點，根據(jù)試驗時間的不同選取不同的固定樣點進行觀測，由于遙感影像的限制，樣點大小為30 m×30 m，在每個樣點中測得的地面實測數(shù)據(jù)包括地表土壤水分、地表粗糙度、植株高度、葉面積指數(shù)(LAI)等。LAI 主要采用LI. COR 公司生產(chǎn)的 LAI2000 植被冠層分析儀測量，測量時間主要選在當日上午7:00—9:30 以及下午16:00—18:00，避免太陽光線直射從而帶入測量誤差，每個采樣點共測10 次，取10 次的平均值為每個樣點的LAI 值。土壤水分主要采用TDR300 型土壤水分測試儀測得，每一樣點共選取并測得5 個均勻的測量值，并將它們的平均值作為該樣點最終的土壤水分值。植株高度由卷尺測量得到，測量時選取10 株左右進行測量取平均，以地表到植株自由冠層之間的高度為準。地表粗糙度的主要測量方法為剖面板法，測量中利用相機對粗糙度板進行拍照，將所測得的照片按照剖面板輪廓進行數(shù)字化處理，根據(jù)描繪的地表起伏情況計算得到地表粗糙度參數(shù)。

1.3 衛(wèi)星數(shù)據(jù)與預處理

Radarsat-2 雷達衛(wèi)星一顆C 波段多極化高分辨率衛(wèi)星，可以獲取多種分辨率影像，廣泛應用于海冰海洋監(jiān)測、災害管理、農(nóng)業(yè)、水文等領域。本研究選取SLC(single look complex)格式的Radarsat-2 雷達影像，過境時間為2014 年3 月29 日，中心頻率為5.405 GHz，影像分辨率約為8 m，入射角為27.8°。對Radarsat-2 遙感影像的預處理主要在Next ESA SAR Toolbox (NEST, version 5.0.16)和ENVI5.0 軟件中進行，包括輻射校正、斑噪去除和幾何校正。

Landsat-8 光學數(shù)據(jù)是美國國家航空航天局(NASA)于2013 年2 月11 日在加州范登堡空軍基地發(fā)射的第八顆陸地衛(wèi)星，主要為地球資源、水、森林、環(huán)境以及城市規(guī)劃等領域提供數(shù)據(jù)支撐。Landsat-8衛(wèi)星上攜帶有兩個主要載荷運行陸地成像儀(operational land imager，OLI)和熱紅外傳感器(thermal infrared sensor，TIRS)，其中OLI 陸地成像儀包括9 個波段，空間分辨率為30 m，成像寬幅可達185 km×185 km。本文選取與Radarsat-2 雷達影像相對應的過境時間為2014 年3 月24 日的光學影像數(shù)據(jù)，空間分辨率為30 m。Landsat-8 數(shù)據(jù)的預處理主要包括輻射定標、大氣校正、幾何校正等，主要在ENVI5.0 軟件中進行。

1.4 改進的作物散射模型

植被覆蓋層的雷達后向散射系數(shù)主要由與植被和土壤結構相關的幾何參數(shù)以及植被和下行土壤含水量相關的介電參數(shù)所決定，因此雷達數(shù)據(jù)所接收到的冠層水分輻射主要由植被結構和與水分相關的信息組成[17]。目前對于從雷達數(shù)據(jù)中估計植被水分的研究主要以回歸模型為主，而植被結構和水分參數(shù)會受到雷達數(shù)據(jù)極化、頻率以及入射角度的影響，因此目前的這些算法往往會局限于特定的研究區(qū)域而對于不同的環(huán)境條件將不再適用[18]。

Saatchi 和Moghaddam[19]提出一種通過估算樹木冠層水分來反演其生物量的半經(jīng)驗模型，該模型簡化成兩層森林后向散射模型并將冠層與枝干層的結構和介電參數(shù)分離開來，從而適用于多種估算樹木冠層水分和生物量的森林類型。該模型假設在估算森林冠層參數(shù)時，總的后向散射系數(shù)主要由3 個主要散射項組成：冠層直接體散射部分、冠層與地表相互耦合散射部分以及枝干與地表相互耦合散射部分。每一個散射項都與其相關的組成部分(葉、枝干、莖)的影響參數(shù)(大小、角分布、介電常數(shù)等)有著密切的關系，其總的后向散射系數(shù)可以表示為：

從以上的表達式可以看出，該模型假設森林冠層輻射主要受到樹冠、枝干與地表之間的交叉影響，而在致密森林條件下忽略了土壤表面的直接散射部分。上式中每一項可以具體表示為：

式中： k0表示自由波數(shù)；θ 表示入射角；是水的介電常數(shù)；s 表示均方根高度；Γpq表示菲涅爾反射率；cW 表示冠層含水量；tW 表示樹干含水量；βpq,c和βpq,t分別表示冠層和樹干平均衰減系數(shù)；γpq,c，γpq,cg和γpq,tg分別表示植被冠層內(nèi)整體散射截面系數(shù)，依賴于冠層的幾何特性，與雷達頻率及植被含水量無關。

為了將Saatchi和Moghaddam提出的森林散射模型簡化成適用于農(nóng)作物等低矮植被，本研究根據(jù)農(nóng)作物植被冠層和莖干沒有明顯區(qū)別的特征，將植被冠層和莖干作為一層來處理，即去除森林散射模型的莖干層，只保留其冠層直接散射部分和植被冠層與地表相互耦合部分的信息，建立低矮植被后向散射模型，即作物散射模型(crop scattering model，CSM)，其植被層后向散射系數(shù)可以表示為：

在稠密森林植被覆蓋的情況下，下墊面地表土壤的后向散射部分可以忽略不計，但是本研究的主要對象是低矮植被，其受到土壤下墊面的散射往往比較強烈，其對雷達信號的影響不能忽略，因此在構建低矮植被散射模型時，必須考慮土壤表面直接的散射信息，并將其作為一個重要的參量信息，另外根據(jù)研究區(qū)實際地表覆蓋狀況，在作物散射模型中引入經(jīng)驗參數(shù)，使得地表覆蓋在像元層按照一定比例完全分離出植被層和裸土層的散射貢獻，有利于在反演土壤水分時在總的后向散射系數(shù)中剝離植被層的散射貢獻信息，構建出稀疏植被覆蓋下各地物對雷達信號散射貢獻的生成模型。由此可以得出，低矮植被覆蓋區(qū)總的后向散射系數(shù)分為植被冠層的散射項與土壤表面的直接散射項，即建立改進的作物散射模型(modified CSM，MCSM)，表達式為：

將式(5)代入(7)，總的后向散射系數(shù)可以改寫為：

對于改進模型中裸土的后向散射項，選擇AIEM進行研究，因為AIEM 能夠有效地模擬隨機粗糙度地表的后向散射系數(shù)，并且該模型適用范圍較廣，模擬精度較高。

2 結果與討論

本研究遙感影像選擇 2014 年 3 月 29 日RADARSAT-2雷達數(shù)據(jù)和2014年3月24日Landsat-8光學數(shù)據(jù)，此時冬小麥對應的生長期為拔節(jié)后期。利用實測的驗證數(shù)據(jù)，從定量的角度對改進模型的模擬結果進行進一步驗證，與裸土散射模型AIEM 共同模擬植被冠層和裸土層的散射貢獻，得到總的后向散射系數(shù)模擬值，將其與雷達數(shù)據(jù)實測值進行比較，同時本研究利用未改進的作物散射模型模擬出植被總的后向散射系數(shù)，與改進作物散射模型進行比較，進一步驗證改進模型的模擬精度。

首先將 2/3 的采樣點實測數(shù)據(jù)代入公式(2)、(6)，分別計算出利用散射模型AIEM計算出土壤層直接后向散射系數(shù)然后通過式(8)計算得到模型總的后向散射系數(shù)并對模型進行訓練，采用Levenberg-Marquardt 非線性最小二乘法獲取模型在HH 和VV 極化下的經(jīng)驗參數(shù)，如表1所示。獲取模型經(jīng)驗參數(shù)后，本研究將剩余的1/3 采樣點驗證數(shù)據(jù)代入式(8)計算得到作物散射模型與改進作物散射模型模擬的后向散射系數(shù)值，同時和雷達后向散射系數(shù)實測值構成如圖2 所示的散點圖。

表1 改進的作物散射模型HH 和VV 極化結構參數(shù)的估計值Table 1 Structural parameter values calculated from modified crop scattering model in HH and VV polarizations

從圖2 可以看出，未改進的作物散射模型在HH和VV 極化下模擬得到的后向散射系數(shù)與雷達實測值之間呈線性關系，而在通過引入經(jīng)驗權重和土壤直接背景散射信息對模型進行改進，改進的作物散射模型模擬精度有顯著的提高，其線性關系R2在HH 和VV 極化下都達到80% 以上，主要是由于采樣點數(shù)據(jù)充足，同時雷達數(shù)據(jù)與光學影像的獲取時間最近，匹配程度最好。另外可以看出，HH 極化下改進模型的模擬精度都比VV 極化的要高，而研究也表明冬小麥的冠層和土壤對雷達信號的影響不同，雷達波在C波段下，HH 極化的后向散射系數(shù)要比VV 極化對植被覆蓋情況更加敏感[20-21]。

圖2 作物散射模型與改進模型模擬得到的后向散射系數(shù)與Radarsat-2 雷達影像HH 和VV 極化實測值散點圖Fig. 2 Scatterplots of backscatter coefficients calculated from crop scattering model and modified model vs observations in HH (A, C) and VV(B, D) polarizations

為進一步驗證該改進模型的有效性，本研究結合地面實測數(shù)據(jù)以及遙感影像數(shù)據(jù)，將改進的作物散射模型土壤水分反演結果與光學指數(shù)模型TVDI、簡化的MIMICS 模型進行比較分析。目前光學遙感反演地表土壤水分最廣泛應用的是溫度植被干旱指數(shù)(TVDI)[22]，該指數(shù)將與土壤水分最密切相關的兩個重要參數(shù)植被指數(shù)和地表溫度聯(lián)合起來，使得聯(lián)合后的結果地表信息更加豐富，更有利于地表土壤水分的反演。根據(jù)TVDI 與土壤含水量的對應關系，只需要利用地面實測數(shù)據(jù)計算出TVDI 值與兩者的函數(shù)關系式，即可實現(xiàn)土壤水分的反演。而MIMICS 模型[5]可以用于高大植被后向散射系數(shù)的精確模擬，但是其輸入?yún)?shù)較多，無法適用于農(nóng)作物等低矮植被后向散射系數(shù)的模擬，因此本研究在MIMICS 模型的基礎上，將植被層作為一層處理，將模型中與莖干有關的散射項消除掉，使得總的后向散射系數(shù)只包括4 部分，由此可以得到簡化的MIMICS 模型。根據(jù)地面實測數(shù)據(jù)以及研究區(qū)地理特征和地物分布情況，本研究確定MIMICS 模型的輸入?yún)?shù)為：入射角28°，頻率5.405 GHz，冠層及地表溫度為15 ℃，冠層高度為1.2 m，地表土壤體積含水量為0.5 cm3/cm3，均方根高度為2 cm，相關長度為50 cm，土壤質(zhì)地主要為沙土占 57.42%，泥沙占 20.99%，黏土占20.59%，葉片長度9 cm，寬度1 cm，植被冠層含水量為0.928 kg/m2。在簡化的MIMICS 模型中代入地面實測數(shù)據(jù)以及遙感影像數(shù)據(jù)即可反演得到地表土壤水分。

本研究將改進的作物散射模型與TVDI 光學模型以及簡化的MIMICS 雷達模型分別對植被覆蓋下地表土壤水分進行反演，反演結果如圖3 所示。

圖3 三種模型反演得到的土壤水分結果驗證Fig. 3 Validation of soil moistures inverted by three models

由圖3 可以得到，改進的作物散射模型要比TVDI 和簡化的MIMICS 模型好，R2達到84.3%，均方根誤差為0.028 cm3/cm3；而TVDI 的反演結果誤差較大，R2為58.7%，均方根誤差為0.045 cm3/cm3，可能是由于光學模型對于土壤水分不是很敏感，而且光學遙感的時間差異也帶來一定的誤差。簡化的MIMICS 模型反演結果比TVDI 要好一點，但是精度不高，R2為66.9%，均方根誤差為0.043 cm3/cm3，可能是由于該簡化模型比較復雜，參數(shù)比較多，同時忽略土壤層直接的散射貢獻信息，使得反演結果受到較大的影響。

3 結論

本文通過對應用于森林等高大植被的散射模型進行改進，提出一種適用于農(nóng)作物、草地等低矮植被的作物散射模型，結合RADARSAT-2 雷達數(shù)據(jù)與Landsat-8 光學數(shù)據(jù)，反演得到植被覆蓋區(qū)地表土壤水分。由反演結果可以得出：改進的作物散射模型反演結果比TVDI 和簡化的MIMICS 模型精度高，R2達到0.843，均方根誤差為0.028 cm3/cm3，同時該模型對土壤水分比較敏感，所需參數(shù)較少，易于使用，另外該散射模型考慮土壤自身背景直接散射信息，對植被和土壤對雷達信號的影響描述較全面，適合植被覆蓋區(qū)地表土壤水分的反演。此外該改進模型可以有效地分離出植被層和裸土層對雷達信號的散射貢獻信息，可以應用于從稀疏植被覆蓋到全植被覆蓋的多種地表覆蓋類型中，同時也可以應用于多種植被覆蓋下的復雜地表土壤水分的反演，下一步將對該改進模型的適用性作進一步的研究。