基于Sentinel-1/2遙感數(shù)據(jù)的冬小麥覆蓋地表土壤水分協(xié)同反演

趙建輝 張 蓓 李 寧 郭拯危

(河南大學(xué)河南省大數(shù)據(jù)分析與處理重點(diǎn)實(shí)驗(yàn)室 開封 475004)

(河南大學(xué)河南省智能技術(shù)與應(yīng)用工程技術(shù)研究中心 開封 475004)

(河南大學(xué)計(jì)算機(jī)與信息工程學(xué)院 開封 475004)

1 引言

土壤水分在水文模型、氣候模型和生態(tài)模型中扮演著重要角色，對氣候變化起著調(diào)節(jié)作用，同時(shí)在陸面水資源形成、轉(zhuǎn)化、消耗過程中占據(jù)主要位置[1]。土壤水分測量在干旱預(yù)報(bào)、天氣模擬、農(nóng)作物估產(chǎn)和水資源管理等應(yīng)用中具有重要意義。

傳統(tǒng)的土壤水分測量方法，雖然能夠提供準(zhǔn)確的結(jié)果，但需要消耗巨大的人力和財(cái)力，而且無法在短時(shí)間內(nèi)獲取大范圍的土壤水分信息。隨著遙感技術(shù)的發(fā)展，合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)憑借其全天時(shí)、全天候工作的優(yōu)勢，應(yīng)用廣泛且在眾多土壤水分估測手段中脫穎而出[2,3]。張祥等人[4]利用時(shí)序Sentinel-1微波數(shù)據(jù)完成了農(nóng)田土壤水分變化分析，驗(yàn)證了時(shí)序Sentinel-1數(shù)據(jù)檢測農(nóng)田水分變化的實(shí)用性。陳婷婷等人[5]基于多時(shí)相Sentinel-1數(shù)據(jù)，通過改進(jìn)Alpha近似模型對試驗(yàn)區(qū)土壤水分進(jìn)行反演，實(shí)驗(yàn)表明了反演結(jié)果與實(shí)測數(shù)據(jù)具有較好的相關(guān)性。韓玲等人[6]利用Envisat-1微波數(shù)據(jù)與高級積分方程模型(Advanced Integral Equation Model, AIEM)構(gòu)建土壤水分反演模型，提高了研究區(qū)土壤水分反演精度。雖然僅利用微波數(shù)據(jù)能夠有效地估測裸土土壤水分，但對于冬小麥覆蓋地表而言，由于冬小麥等農(nóng)作物影響雷達(dá)信號對介電常數(shù)的敏感性，因而其土壤水分反演具有一定難度。為了解決這一問題，林利斌等人[7]基于Sentinel-1微波數(shù)據(jù)與FY-3C的微波成像儀(MicroWave Radiation Imager, MWRI)數(shù)據(jù)，結(jié)合植被含水量反演模型與水云模型，去除植被對土壤水分反演的影響。郭二旺等人[8]利用Sentinel-1微波數(shù)據(jù)和Landsat8光學(xué)數(shù)據(jù)，采用水云模型消除研究區(qū)植被對土壤水分反演中雷達(dá)后向散射系數(shù)的影響，與AIEM模型聯(lián)合反演土壤水分，取得了較為滿意的結(jié)果。郭交等人[9]基于Sentinel多源遙感數(shù)據(jù)，結(jié)合水云模型與Oh模型，減少植被在農(nóng)田地表土壤水分反演中的影響，結(jié)果表明，通過水云模型去除植被影響后，Oh模型反演精度提高，為利用多源遙感數(shù)據(jù)反演農(nóng)田地表土壤水分提供了參考。

植被覆蓋地區(qū)，SAR的后向散射系數(shù)不僅與本身的極化方式、入射角及土壤水分有關(guān)，還受植被含水量等因素的影響。當(dāng)植被覆蓋度較高時(shí)，土壤水分對微波的貢獻(xiàn)遠(yuǎn)遠(yuǎn)低于植被，從而使得反演植被覆蓋地表土壤水分困難增加，植被對微波影響的校正顯得尤為重要[10]。能夠定量估算植被散射在雷達(dá)后向散射中的比例、基于微波輻射傳輸方程1階解的密歇根微波植被散射模型(MIchigan MIcrowave Canopy Scattering model, MIMICS)，雖然能夠?qū)⒅脖晃⒉ê笙蛏⑸淝逦磉_(dá)，但由于植被的構(gòu)造復(fù)雜且需要輸入的參數(shù)龐雜，所以此方法難以廣泛應(yīng)用[11]。一些研究人員常采用植被指數(shù)來減少植被層的散射貢獻(xiàn)，降低土壤水分反演的不確定性。Baghdadi等人[12]利用從Sentinel-2數(shù)據(jù)中提取的歸一化差分植被指數(shù)(Normalized Difference Vegetation Index, NDVI)計(jì)算植被衰減參數(shù)和校正水云模型，結(jié)合積分方程模型(Integral Equation Model,IEM)，反演冬季農(nóng)田地表土壤水分，取得了較好的結(jié)果。Bao等人[13]使用歸一化水體指數(shù)(Normalized Difference Water Index, NDWI)校正水云模型，減少了植被含水量對估算土壤含水量的影響。雖然NDVI和NDWI能夠減少植被覆蓋影響，但NDVI受限于一定范圍內(nèi)的植被覆蓋度，NDWI在去除背景土壤反射率效應(yīng)方面能力較差。

本文基于Sentinel-1(后文簡稱為S-1)SAR微波數(shù)據(jù)和Sentinel-2(后文簡稱為S-2)多光譜成像儀(Multi-Spectral Imager, MSI)光學(xué)數(shù)據(jù)，以河南省開封市祥符區(qū)冬小麥農(nóng)田為研究區(qū)，針對冬小麥在土壤水分反演中造成雷達(dá)信號敏感性降低的問題，定義了一種新的植被指數(shù)，即融合植被指數(shù)(Fusion Vegetation Index, FVI)，發(fā)展了一種基于主被動(dòng)遙感數(shù)據(jù)的冬小麥覆蓋地表土壤水分反演半經(jīng)驗(yàn)?zāi)Ｐ?，開展了NDWI, FVI兩種植被指數(shù)與VV, VH,VV/VH 3種極化組合而成的6種反演方式下的土壤水分反演對比實(shí)驗(yàn)，分析所提模型的精度，為微波和光學(xué)遙感數(shù)據(jù)協(xié)同反演冬小麥覆蓋地表土壤水分提供研究思路。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)

采集的數(shù)據(jù)包括采樣點(diǎn)的土壤水分值、經(jīng)緯度等地表參數(shù)。土壤水分值測量使用Spectrum公司生產(chǎn)的便攜式TDR350土壤水分測量儀，采用3.8 cm探針，在每個(gè)采樣點(diǎn)以“十”字形狀測5個(gè)點(diǎn)的土壤水分值，以5個(gè)點(diǎn)的土壤水分平均值作為該采樣點(diǎn)的最終土壤水分實(shí)測值，以減少土壤水分時(shí)空異質(zhì)性帶來的影響。采樣點(diǎn)經(jīng)緯度使用集思寶UG905定位儀(定位精度1～3 m)進(jìn)行定位，選擇WGS84坐標(biāo)系記錄采樣點(diǎn)坐標(biāo)。實(shí)驗(yàn)中共設(shè)置34個(gè)采樣點(diǎn)，其分布如圖1所示。在后文所用的3景S-1 SAR圖像中每一景圖像的采集日期當(dāng)天，都會對采樣點(diǎn)的土壤水分值進(jìn)行一次實(shí)地測量和記錄(因道路維修及其他突發(fā)情況，未能實(shí)現(xiàn)每次測量所有采樣點(diǎn))，在3景圖像采集日期內(nèi)共采集了3次，共獲得50個(gè)采樣點(diǎn)土壤水分實(shí)測值。

2.2 遙感數(shù)據(jù)

本文使用的SAR微波數(shù)據(jù)為S-1 Level-1產(chǎn)品中的地距多視(Ground Range Detected, GRD)數(shù)據(jù)，實(shí)驗(yàn)中共使用了3景，獲取日期分別為2019年10月18日、2019年10月30日和2019年12月29日。本文在使用歐空局(European Space Agency, ESA)提供的哨兵應(yīng)用平臺(SeNtinel Application Platform，SNAP)軟件對S-1 SAR圖像進(jìn)行濾波、輻射定標(biāo)和地理編碼等預(yù)處理之后，使用式(1)獲得圖像中地物雷達(dá)后向散射系數(shù)[14]

本文使用的MSI光學(xué)數(shù)據(jù)為S-2經(jīng)過大氣校正等預(yù)處理的L2A級別的產(chǎn)品數(shù)據(jù)。根據(jù)S-1 SAR圖像獲取日期和是否出現(xiàn)云霧雨等影響土壤水分大幅度波動(dòng)的天氣因素，選擇2019年10月15日、2019年11月4日和2020年1月3日獲取的3景準(zhǔn)同步光學(xué)圖像作為實(shí)驗(yàn)數(shù)據(jù)。

3 冬小麥覆蓋地表土壤水分反演

3.1 融合植被指數(shù)的定義與應(yīng)用

陸地的雷達(dá)后向散射系數(shù)不僅受土壤參數(shù)和雷達(dá)本身系統(tǒng)參數(shù)的影響，還受植被覆蓋度等地表參數(shù)的影響。植被的高度及其覆蓋度過高，會導(dǎo)致土壤對雷達(dá)后向散射系數(shù)的貢獻(xiàn)過少，增加土壤水分反演的難度和復(fù)雜度。在植被含水量估算研究中，大多使用NDVI和NDWI等植被指數(shù)對植被參數(shù)進(jìn)行參數(shù)化估計(jì)[15]。NDVI雖然對生物量具有敏感性，并且能夠有效消除土壤背景和地形變化的影響，但容易出現(xiàn)飽和點(diǎn)，從而造成生物量估計(jì)偏差，降低土壤水分反演精度[16]。Gao[17]基于NDVI對植被的綠度信息比較友好而在植被含水量估算方面表現(xiàn)不佳的分析，發(fā)展了對植被水分變化具有敏感性優(yōu)勢的植被指數(shù)NDWI。雖然相對于NDVI而言，NDWI可以更好地估算植被含水量，但其缺乏對大氣效應(yīng)的感知，在反演土壤水分時(shí)反演精度會受到一定影響。

圖1 研究區(qū)與土壤水分采樣點(diǎn)分布

本文基于對NDVI和NDWI涉及的近紅外、可見光(紅)和短波紅外波段的比較分析，定義了一種新的植被指數(shù)，命名為融合植被指數(shù)(FVI)。該指數(shù)融合了植被冠層高反射區(qū)的近紅外、葉綠素高吸收區(qū)的紅光和處于水吸收范圍內(nèi)的短波紅外波段，兼顧植被綠度和葉片液態(tài)水的敏感性[18]，其定義形式如式(2)所示

式中， FVI 為融合植被指數(shù)；ρ842, ρ665和 ρ1610分別表示S-2中對應(yīng)中心波長為842 nm, 665 nm和1610 nm的波段值。

根據(jù)現(xiàn)有研究結(jié)果[19]和多次實(shí)驗(yàn)對比，本文實(shí)現(xiàn)了基于FVI的植被含水量反演計(jì)算，其函數(shù)關(guān)系如式(3)所示

式中，M v 為植被含水量；a , b為與植被類型有關(guān)的參 數(shù)。

3.2 基于水云模型的土壤水分反演

Attema和Ulaby[20]以農(nóng)作物為研究對象，基于輻射傳輸方程，提出了農(nóng)作物覆蓋地表土壤水分反演的經(jīng)典模型，即水云模型，其中進(jìn)行如下假設(shè)以簡化植被覆蓋層的散射機(jī)制：(1)只考慮來自植被反射的體散射項(xiàng)和經(jīng)植被雙層衰減后地面的后向散射項(xiàng)；(2)忽略植被與土壤中的其他形式的散射。水云模型具體形式如式(4)—式(6)所示

3.3 基于改進(jìn)水云模型的冬小麥覆蓋地表土壤水分反演

基于前人研究[7]，利用麥克勞林級數(shù)將式(6)展開為式(9)所示形式

3.4 土壤水分反演流程

本文通過利用麥克勞林級數(shù)對水云模型進(jìn)行改進(jìn)，基于S-1微波遙感數(shù)據(jù)和S-2光學(xué)遙感數(shù)據(jù)，發(fā)展出一種冬小麥覆蓋下地表土壤水分反演模型，其流程如圖2所示。首先，對S-1 GRD數(shù)據(jù)進(jìn)行Refined Lee濾波、輻射定標(biāo)和地理編碼預(yù)處理操作，抑制斑點(diǎn)噪聲，獲取輻射和幾何精校正的SAR后向散射圖像與入射角圖像，提取各像元的雷達(dá)入射角和后向散射系數(shù)等參數(shù)。其次，基于S-2 MSI數(shù)據(jù)計(jì)算各像元的植被指數(shù)。然后，根據(jù)經(jīng)緯度信息提取各個(gè)采樣點(diǎn)的后向散射系數(shù)、入射角、植被指數(shù)等數(shù)據(jù)對模型系數(shù)進(jìn)行參數(shù)擬合，利用土壤水分實(shí)測值對反演模型進(jìn)行驗(yàn)證分析與精度評價(jià)，確定反演模型中后向散射系數(shù)和植被指數(shù)的最優(yōu)組合方式。最后，使用最優(yōu)組合方式反演研究區(qū)土壤水分，獲得研究區(qū)土壤水分空間分布圖。

圖2 土壤水分反演流程

4 實(shí)驗(yàn)與分析

為了驗(yàn)證本文基于改進(jìn)水云模型反演冬小麥覆蓋地表土壤水分半經(jīng)驗(yàn)?zāi)Ｐ偷挠行?，以河南省開封市祥符區(qū)冬小麥農(nóng)田為研究區(qū)域，開展了土壤水分反演實(shí)驗(yàn)，其中在植被含水量估算中選擇比NDVI更加敏感的NDWI與該文定義的FVI進(jìn)行對比。利用與S-1過境時(shí)間相近且天氣無較大變化的S-2 MSI數(shù)據(jù)，獲得植被指數(shù)NDWI和FVI，代入模型中進(jìn)行土壤水分反演。實(shí)驗(yàn)中將研究區(qū)3景S-1 SAR圖像對應(yīng)的50個(gè)土壤水分實(shí)測值隨機(jī)分為建模組和驗(yàn)證組兩組，其中30個(gè)實(shí)測值為建模組，用于擬合式(8)和式(10)中的系數(shù)，另外20個(gè)實(shí)測值為驗(yàn)證組，用于驗(yàn)證模型精度。使用決定系數(shù)(coefficient of determination, R2)、均方根誤差(Root Mean Square Error, RMSE)與平均絕對誤差(Mean Absolute Error, MAE)等3個(gè)指標(biāo)，對不同組合方式下模型的反演精度進(jìn)行了分析。

為了獲得基于改進(jìn)水云模型反演冬小麥覆蓋地表土壤水分最優(yōu)組合方式，本文利用S-2 MSI數(shù)據(jù)計(jì)算兩個(gè)植被指數(shù)NDWI和FVI，結(jié)合從S-1 SAR圖像中提取的VV,VH和VV/VH 3種極化數(shù)據(jù)，設(shè)置了由兩個(gè)植被指數(shù)和3種極化方式組合而成的6種反演組合方式，進(jìn)行了6種組合下冬小麥覆蓋地表土壤水分反演對比實(shí)驗(yàn)?；谒颇Ｐ秃突诒疚乃l(fā)展模型的土壤水分反演精度對比結(jié)果如表1所示，本文所發(fā)展模型的6種組合反演方式下水分反演值與實(shí)測值的相關(guān)性分析結(jié)果如表2所示。

(1) 反演模型對比分析。從表1可知，基于水云模型反演土壤水分時(shí)，使用FVI表示植被含水量時(shí)的反演精度較佳，其決定系數(shù)R2比使用NDWI表示植被含水量時(shí)高0.0297。在植被指數(shù)確定的情況下，基于本文改進(jìn)水云模型的土壤水分反演精度要優(yōu)于基于水云模型的土壤水分反演精度，且與FVI植被指數(shù)組合反演土壤水分時(shí)效果最佳。

表1 基于水云模型和本文所發(fā)展模型的土壤水分反演精度對比結(jié)果

表2 本文所發(fā)展模型的6種組合反演方式下土壤水分反演精度對比結(jié)果

(2) 極化方式與反演結(jié)果的相關(guān)性分析。從表2可以看出，在同一植被指數(shù)下，土壤水分反演值與實(shí)測值的決定系數(shù)R2在VH, VV, VV/VH 3種極化方式下逐步增加。當(dāng)反演模型中使用FVI時(shí)，VV/VH反演決定系數(shù)R2為0.7642，比單極化VH反演的決定系數(shù)提高了0.2491；當(dāng)反演模型中使用NDWI時(shí)，VV/VH反演決定系數(shù)R2為0.7266，比單極化VH反演的決定系數(shù)提高了0.2539。

在SAR圖像中，冬小麥等植被冠層的散射特性以體散射為主，土壤的散射特性以表面散射成分為主。相比同極化SAR圖像(HH或VV)，體散射類型在交叉極化(VH或HV)中幅值更大；而對于表面散射類型，則在VV極化中幅值較大。因此，相比VV或VH極化圖像，VV/VH這一比值圖像可以更好地體現(xiàn)植被覆蓋層的散射貢獻(xiàn)，從而獲得更優(yōu)的反演結(jié)果。

(3) 植被指數(shù)與反演結(jié)果的相關(guān)性分析。從表2同樣可以看出，在同一極化組合下，使用FVI時(shí)的土壤水分反演值與實(shí)測值的決定系數(shù)更高。FVI與3種極化方式組合反演時(shí)的決定系數(shù)R2分別為0.5151, 0.6791, 0.7642，比NDWI對應(yīng)的決定系數(shù)分別提高了0.0424, 0.0058, 0.0376。

融合植被指數(shù)FVI的定義方式中包含了位于葉綠素主要吸收帶的紅波段、位于水體強(qiáng)吸收區(qū)的近紅外波段以及對植物和土壤水分含量皆敏感的短波紅外波段，使其能夠更好地估算冬小麥含水量從而計(jì)算出冬小麥的體散射量，進(jìn)而提高土壤水分反演精度。

(4) 不同組合方式的反演精度分析。基于表2數(shù)據(jù)分析，VV/VH極化方式分別與植被指數(shù)FVI,NDWI組合反演時(shí)的決定系數(shù)，皆高于單極化VV或VH組合反演時(shí)對應(yīng)的決定系數(shù)；且VV/VH反演時(shí)的均方根誤差RMSE和平均絕對誤差MAE，皆低于單極化VV或VH對應(yīng)的均方根誤差和平均絕對誤差；6種組合反演方式中，使用融合植被指數(shù)FVI與VV/VH極化數(shù)據(jù)組合反演土壤水分時(shí)，決定系數(shù)最高、均方根誤差最低、平均絕對誤差最低，綜合反演精度最高，是本文所發(fā)展土壤水分反演半經(jīng)驗(yàn)?zāi)Ｐ蛻?yīng)用時(shí)的最優(yōu)組合反演方式。

(5) 研究區(qū)土壤水分反演結(jié)果。FVI與VV/VH最優(yōu)組合方式下的研究區(qū)冬小麥覆蓋地表土壤水分反演結(jié)果的空間分布和頻率分布如圖3所示。需要指出的是，為了去除非農(nóng)田區(qū)域?qū)ν寥浪址囱莸挠绊?，本文預(yù)先使用了ArcGIS軟件對研究區(qū)S-1 SAR圖像進(jìn)行ISODATA非監(jiān)督分類，濾除了城鎮(zhèn)、河流等非農(nóng)田區(qū)域，如圖3(a)中白色區(qū)域所示。研究區(qū)采樣點(diǎn)土壤水分實(shí)測值的空間分布和頻率分布如圖3(b)和圖3(d)所示。對比圖3(c)和圖3(d)可知，土壤水分反演值在0.06～0.09范圍內(nèi)頻率最高，與當(dāng)日采樣點(diǎn)實(shí)測值的頻率分布基本一致，進(jìn)一步驗(yàn)證了本文方法的有效性。

圖3 研究區(qū)土壤水分反演值與采樣點(diǎn)實(shí)測值的空間分布與頻率分布(2019年12月29日)

5 結(jié)束語

本文定義了FVI植被指數(shù)，發(fā)展了一種植被覆蓋地表土壤水分反演半經(jīng)驗(yàn)?zāi)Ｐ?，并基于S-1微波遙感數(shù)據(jù)和S-2光學(xué)遙感數(shù)據(jù)，開展了冬小麥覆蓋地表土壤水分遙感反演實(shí)驗(yàn)，分析了不同植被指數(shù)與極化組合下的土壤水分反演精度，實(shí)驗(yàn)結(jié)果表明：

(1) 本文提出的由近紅外、短波紅外和可見光(紅)波段組成的新植被指數(shù)FVI，通過與水云模型結(jié)合，能夠有效地去除冬小麥在土壤水分反演過程中對后向散射系數(shù)造成的影響。與NDWI相比，F(xiàn)VI分別與VH, VV, VV/VH 3種極化方式組合反演土壤水分時(shí)，其反演結(jié)果的相關(guān)性更高、反演精度更優(yōu)，RMSE分別降低了0.0037 cm3/cm3, 0.0004 cm3/cm3, 0.0031 cm3/cm3。

(2) 本文發(fā)展的土壤水分反演半經(jīng)驗(yàn)?zāi)Ｐ停诮M合使用FVI與VV/VH極化數(shù)據(jù)時(shí)，土壤水分反演精度最優(yōu)。通過對比分析FVI, NDWI兩種植被指數(shù)與VV, VH, VV/VH 3種極化數(shù)據(jù)組合而成的6種組合方式下的土壤水分反演精度，發(fā)現(xiàn)FVI與VV/VH組合方式下反演精度最優(yōu)，其R2為0.7642,RMSE為0.0209 cm3/cm3, MAE為0.0174 cm3/cm3。

需要說明的是，本文模型并沒有考慮地表粗糙度和冬小麥高度等參數(shù)，在后續(xù)研究中，擬將上述因素或參數(shù)加入現(xiàn)有模型中，以進(jìn)一步提高多源遙感協(xié)同反演冬小麥覆蓋地表土壤水分的精度及實(shí)用性。