融合合成孔徑雷達(dá)和光學(xué)影像的植被覆蓋區(qū)土壤濕度反演

謝 媛， 嚴(yán)頌華,2*， 馬秦生， 陳能成

(1.武漢大學(xué)電子信息學(xué)院， 武漢 430072； 2.武漢大學(xué)宇航科學(xué)與技術(shù)研究院， 武漢 430072；3.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室， 武漢 430072)

在農(nóng)業(yè)生產(chǎn)中，土壤水分對(duì)生態(tài)環(huán)境和水平衡起著至關(guān)重要的作用，也是研究土地和大氣之間物理過(guò)程的重要變量[1-4]。然而由于土壤濕度在時(shí)間、空間上具有時(shí)空易變性[5]，對(duì)土壤水分進(jìn)行大尺度、高精度且連續(xù)的時(shí)空監(jiān)測(cè)成為各大學(xué)者爭(zhēng)相研究的熱點(diǎn)。合成孔徑雷達(dá)(synthetic aperture radar,SAR)在估計(jì)土壤參數(shù)方面展現(xiàn)了良好的優(yōu)勢(shì)[6-11]。對(duì)于裸土下土壤濕度反演模型，到目前為止，已形成了多種反演算法[12]，大致分為經(jīng)驗(yàn)方法、物理方法以及半經(jīng)驗(yàn)半物理方法幾個(gè)主要算法。最常用的是IEM(integral equation model)、CIEM(calibrate integral equation model)、AIEM(advanced integral equation model)、Oh和Dubois模型。這些模型的共同之處在于建立SAR數(shù)據(jù)和土壤參數(shù)之間的函數(shù)。同時(shí)，結(jié)合光學(xué)圖像等多源數(shù)據(jù)，有助于提高SAR反演土壤濕度的精度。

目前的研究方法中，包括主被動(dòng)微波遙感相結(jié)合共同改進(jìn)土壤濕度數(shù)據(jù)測(cè)量方法[13]，以及基于被動(dòng)遙感與光學(xué)遙感相結(jié)合的手段進(jìn)行降尺度獲取更高分辨率的土壤水分?jǐn)?shù)據(jù)[14]取得了一定的進(jìn)展，但是這些方法大多依賴于額外植被指數(shù)產(chǎn)品，缺乏光學(xué)遙感數(shù)據(jù)本身在植被方面突出表現(xiàn)的考慮。實(shí)際上，在地表幾何結(jié)構(gòu)的影響中，植被的遮擋使得SAR接收到的垂直極化后向散射系數(shù)不僅包含了土壤表層后向散射系數(shù)，還包含了植被層散射系數(shù)。而對(duì)于半干旱，或有農(nóng)田遮擋區(qū)域消除植被的影響能更準(zhǔn)確地獲取土壤表面水分情況。

針對(duì)這一問(wèn)題，依據(jù)主動(dòng)微波遙感與光學(xué)遙感數(shù)據(jù)相結(jié)合，利用光學(xué)遙感圖像中反映的植被層信息，校正土壤水分反演中的植被層散射貢獻(xiàn)。其創(chuàng)新性在于既發(fā)揮了光學(xué)遙感高分辨率特性以及反映地表參數(shù)的優(yōu)勢(shì)，又充分結(jié)合了主動(dòng)微波遙感全方位、長(zhǎng)時(shí)間序列的觀測(cè)特性，實(shí)現(xiàn)對(duì)土壤水分準(zhǔn)確、大面積反演。與此同時(shí)采用經(jīng)驗(yàn)?zāi)Ｐ蛠?lái)作為土壤濕度反演算法更具有理論與試驗(yàn)依據(jù)。

首先給出了總體技術(shù)路線，其次是數(shù)據(jù)處理部分，然后進(jìn)行算法研究，其中包括用于求取植被覆蓋區(qū)地表后向散射系數(shù)的植被影響消除算法以及用于得到土壤濕度反演結(jié)果的裸土下土壤濕度反演算法，之后是基于算法研究給出的試驗(yàn)結(jié)果及分析，最后給出結(jié)論。

1 總體技術(shù)路線

使用Sentinel-1A衛(wèi)星作為主要數(shù)據(jù)源，Sentinel-2多光譜數(shù)據(jù)作為次要數(shù)據(jù)源，對(duì)武漢市豹澥區(qū)域的土壤濕度進(jìn)行反演研究。如圖1所示為總體技術(shù)路線。

圖1 技術(shù)路線流程圖Fig.1 Flow chart of technical route in this paper

首先對(duì)SAR數(shù)據(jù)以及光學(xué)影像進(jìn)行處理，然后進(jìn)行植被影響的消除。即從光學(xué)影像中提取各個(gè)區(qū)域植被覆蓋度以及各項(xiàng)植被指數(shù)。利用考慮了植被覆蓋度的修正水云模型，對(duì)每個(gè)像素點(diǎn)的純粹土壤表面后向散射系數(shù)進(jìn)行求解。相比于傳統(tǒng)的水云模型去除植被影響辦法[15-18]，考慮植被覆蓋度因素，使得對(duì)于每個(gè)像元，植被覆蓋部分的影響可以達(dá)到定量分析，將垂直極化后向散射系數(shù)由原始的植被層后向散射系數(shù)與經(jīng)過(guò)衰減之后的裸土后向散射系數(shù)2個(gè)組成部分變成了3部分的組合——植被覆蓋部分植被層散射系數(shù)、植被覆蓋部分經(jīng)過(guò)衰減的純粹地表散射系數(shù)、非植被覆蓋部分純粹地表散射系數(shù)。最后得出純粹地表后向散射系數(shù)。

將純粹地表后向散射系數(shù)代入由Dubois模型和Oh模型結(jié)合的裸土土壤濕度反演模型。因此對(duì)校正了植被層散射貢獻(xiàn)的研究區(qū)域進(jìn)行土壤濕度反演，從而得到時(shí)間序列上與實(shí)測(cè)土壤濕度更為接近、更為準(zhǔn)確的土壤濕度反演趨勢(shì)。

2 數(shù)據(jù)處理

2.1 SAR數(shù)據(jù)的預(yù)處理

Sentinel-1是歐洲航天局哥白尼計(jì)劃中的地球觀測(cè)衛(wèi)星，由兩顆衛(wèi)星組成，載有C波段合成孔徑雷達(dá)，本文中下載的數(shù)據(jù)模式為IW SLC模式，空間分辨率為5 m×20 m。圖2所示為2020年3月3號(hào)的Sentinel-1A數(shù)據(jù)干涉寬幅模式的斜距單視復(fù)數(shù)產(chǎn)品圖。

對(duì)Sentinel-1號(hào)數(shù)據(jù)預(yù)處理過(guò)程如下：在ESA的專用軟件SNAP里面對(duì)Sentinel-1號(hào)數(shù)據(jù)進(jìn)行輻射定標(biāo)、多視、濾波以及幾何校正，經(jīng)過(guò)預(yù)處理后從SAR影像中可以得到每個(gè)像元的兩個(gè)參數(shù)信息：垂直極化后向散射系數(shù)σ和入射角λ。

2.2 光學(xué)數(shù)據(jù)處理

Sentinel-2號(hào)是高分辨率多光譜成像衛(wèi)星，攜帶一枚多光譜成像儀，可覆蓋13個(gè)光譜波段。對(duì)光學(xué)數(shù)據(jù)進(jìn)行處理目的是對(duì)原始影像進(jìn)行大氣校正，再利用歸一化水體指數(shù)(normalized difference water index, NDWI)得到研究區(qū)域非水體影像。因此，在常規(guī)預(yù)處理基礎(chǔ)上，添加對(duì)光學(xué)數(shù)據(jù)進(jìn)行水體裁剪的處理部分。光學(xué)數(shù)據(jù)處理分為兩步：常規(guī)預(yù)處理、裁剪水體。

2.2.1 常規(guī)預(yù)處理

光學(xué)數(shù)據(jù)的常規(guī)預(yù)處理主要對(duì)影像進(jìn)行大氣校正，校正光譜分辨率。利用Sen2Cor處理庫(kù)對(duì)Sentinel-2 L1C級(jí)數(shù)據(jù)進(jìn)行大氣校正，得到L2A級(jí)數(shù)據(jù)，采取10 m分辨率進(jìn)行處理，導(dǎo)出ENVI文件。

2.2.2 裁剪水體

由于對(duì)于土壤濕度的反演工作針對(duì)的是陸地部分，若不進(jìn)行水體的去除，則在反演過(guò)程中，水體會(huì)被認(rèn)為是具有植被覆蓋部分，因此，水體的存在會(huì)對(duì)反演土壤濕度產(chǎn)生干擾。利用光學(xué)數(shù)據(jù)進(jìn)行水體的去除手段是利用歸一化水體指數(shù)NDWI進(jìn)行決策樹(shù)的分類。首先在ENVI(environment for visualizing images)軟件中，利用Layer Stacking模塊進(jìn)行紅、綠、藍(lán)和近紅外四個(gè)波段的融合，然后計(jì)算NDWI，計(jì)算公式為

(1)

式(1)中：Rgreen和Rnir為綠波段和近紅外波段的光譜反射率；σNDWI為歸一化水體指數(shù)。

根據(jù)光譜圖像NDWI，將其進(jìn)行分類，即在光學(xué)影像中可以認(rèn)為σNDWI<0的部分為非水體部分，σNDWI≥0的部分為水體部分，再進(jìn)行決策樹(shù)的分類，得到非水體部分shp圖，對(duì)原始圖像進(jìn)行剪裁，即可得到去除水體之后的圖像，也就是光學(xué)影像處理完最后結(jié)果。

剔除水體之后的影像即為下一步處理的基礎(chǔ)影像，其中包含了四個(gè)波段的反射率Rred、Rgreen、Rblue、Rnir。

3 算法研究

實(shí)驗(yàn)中所涉及的算法主要分為兩個(gè)步驟：第一步旨在通過(guò)修正的水云模型，從垂直極化后向散射系數(shù)中消除植被對(duì)于后向散射系數(shù)的影響；第二步則通過(guò)Dubois模型和Oh模型結(jié)合，利用介電常數(shù)與土壤濕度之間經(jīng)驗(yàn)關(guān)系，結(jié)合第一步求解的純粹土壤表面散射系數(shù)反演植被區(qū)域土壤濕度。

3.1 植被影響的消除

經(jīng)過(guò)對(duì)Sentinel-1A SAR圖像進(jìn)行預(yù)處理得到垂直極化后向散射系數(shù)σ與入射角θ，以及對(duì)光學(xué)影像數(shù)據(jù)處理得到新的光學(xué)影像之后，可以利用3.1.1節(jié)進(jìn)行純粹土壤表面散射系數(shù)的求取，3.1.2節(jié)是實(shí)驗(yàn)結(jié)果示例，3.1.3節(jié)則利用實(shí)驗(yàn)結(jié)果分析了植被對(duì)于后向散射系數(shù)的影響與植被覆蓋度的相關(guān)性。

3.1.1 植被影響消除步驟

將預(yù)處理之后的光學(xué)影像作為輸入，求解純粹土壤表面散射系數(shù)步驟如下：

(1)利用波段反射率數(shù)據(jù)求解歸一化植被指數(shù)(normailized differential vegetation index,NDVI)。作為植被影響因素的重要參數(shù)，求解公式為

(2)

式(2)中：Rred和Rnir分別表示紅波段和近紅外波段的光譜反射率；σNDVI代表歸一化植被指數(shù)。

(2)利用NDVI指數(shù)，根據(jù)植被覆蓋度的定義求出每個(gè)像素點(diǎn)的植被覆蓋程度σVFC，計(jì)算方式為

(3)

式(3)中：σVFC為每個(gè)像素點(diǎn)的植被覆蓋程度參數(shù)；σNDVI,s為沒(méi)有植被覆蓋的像素點(diǎn)純粹裸土表面NDVI；σNDVI,veg為完全由植被覆蓋的像素點(diǎn)NDVI。本文定義σNDVI,s是圖像中累積概率為5%的NDVI，而σNDVI,veg是累積概率為95%的NDVI。

對(duì)于2020年3月20日的武漢小部分區(qū)域植被覆蓋度如圖3所示。

圖3 2020年3月20日武漢小部分區(qū)域(包含豹澥)植被覆蓋度分布圖Fig.3 Distribution map of vegetation coverage in a small area of Wuhan (including Baoxie area) on March 20, 2020

(3)利用NDVI以及VFC求解植被層散射系數(shù)以及去除植被之后純粹地表散射系數(shù)。

水云模型定義垂直極化后向散射系數(shù)由植被后向散射系數(shù)和植被下地表后向散射系數(shù)組成?？赏ㄟ^(guò)光學(xué)圖像求解每個(gè)像元植被覆蓋程度，考慮植被覆蓋度VFC，將一個(gè)像元看作是一部分植被覆蓋區(qū)域和另一部分裸土區(qū)域。因此本文中修正的水云模型定義垂直極化后向散射系數(shù)σ由以下三個(gè)部分組成：植被覆蓋地區(qū)的植被散射系數(shù)和經(jīng)過(guò)衰減之后的植被覆蓋下純粹地表散射系數(shù)以及裸土區(qū)域的純粹地表散射系數(shù)，表現(xiàn)形式如圖4所示。

圖4 單個(gè)像素區(qū)域后向散射系數(shù)分布示意圖Fig.4 A pixel grid back scattering coefficient distribution model of modified water cloud model

由上述分析以及模型示意圖，可以得出修正水云模型形式為

σ=(1-σVFC)σs+σVFCσveg+σVFCτ2σs

(4)

式(4)中：雙層衰減因子(透過(guò)率)τ2和植被層后向散射系數(shù)求解公式[19]為

τ2=exp[-σNDVI/cosθ]

(5)

σveg=σNDVIcosθ(1-τ2)

(6)

式(4)中第1項(xiàng)為模型圖給出的非植被覆蓋地區(qū)純粹地表散射系數(shù)；第2項(xiàng)為模型圖中植被層散射系數(shù)；第3項(xiàng)為經(jīng)過(guò)植被雙層衰減后純粹地表散射系數(shù)。σs為需要求解的純粹土壤表面散射系數(shù)。

(4)最后，可以根據(jù)SAR雷達(dá)影像總體后向散射系數(shù)σ和入射角度θ，以及由光學(xué)影像參數(shù)得到植被覆蓋區(qū)域純粹地表散射系數(shù)表達(dá)式為

(7)

3.1.2 植被消除影響試驗(yàn)示例

為驗(yàn)證3.1.1所述植被影響的消除算法，對(duì)試驗(yàn)場(chǎng)地豹澥區(qū)域做了相關(guān)性研究。在豹澥區(qū)域布設(shè)的九個(gè)原位土壤濕度計(jì)實(shí)測(cè)站點(diǎn)情況如圖5所示。

圖5 原位土壤濕度計(jì)布設(shè)情況Fig.5 Layout of in situ soil hygrometer

其中每個(gè)站點(diǎn)相對(duì)于原始的SAR圖像中的垂直極化后向散射系數(shù)，去除植被散射系數(shù)之后都有一定程度的衰減，將光學(xué)圖像中每個(gè)站點(diǎn)于2020年3月20日的植被覆蓋度與在時(shí)間序列上植被影響的極化值平均衰減量做相關(guān)性驗(yàn)證，所有站點(diǎn)中由于站點(diǎn)3、6、7原位土壤濕度計(jì)電池沒(méi)電故不予考慮。實(shí)驗(yàn)數(shù)據(jù)主要由2019年11月28日至2020年4月20日這一時(shí)間段，組成時(shí)間序列。以2020年3月3日為例，利用植被消除算法對(duì)每個(gè)站點(diǎn)垂直極化后向散射系數(shù)σ進(jìn)行植被影響的消除，得到純粹地表后向散射系數(shù)σs，對(duì)于每個(gè)站點(diǎn)，坐標(biāo)以及去除植被前后垂直極化值、入射角情況如下表1所示。

3.1.3 植被消除影響實(shí)驗(yàn)分析

下面分析植被覆蓋度與時(shí)間序列各站點(diǎn)垂直極化后向散射系數(shù)平均衰減量相關(guān)性。其中時(shí)間序列垂直極化后向散射系數(shù)平均衰減量用Δσ表示，植被覆蓋度選取的是2020年3月20日光學(xué)影像得到的每個(gè)站點(diǎn)的VFC，各站點(diǎn)Δσ計(jì)算方法如式(8)所示，計(jì)算結(jié)果如表2所示。

表1 2020年3月3日植被影響消除算法處理結(jié)果Table 1 Processing results of vegetation impact elimination algorithm on March 3, 2020

(8)

式中：求和范圍j為每個(gè)站點(diǎn)在時(shí)間序列2019年11月28日到2020年04月20日上的12個(gè)周期；σj為第j個(gè)周期站點(diǎn)i的后向散射系數(shù)，即植被消除算法輸入；σj,s為第j個(gè)周期站點(diǎn)i的植被消除算法輸出。

繪制植被覆蓋度與垂直極化值平均衰減量Δσvv相關(guān)曲線如圖6所示。

表2 原位土壤濕度計(jì)站點(diǎn)植被覆蓋度與ΔσTable 2 Vegetation coverage of in-situ soil hygrometer sites and Δσ

圖6 植被覆蓋度與垂直極化平均衰減量相關(guān)性曲線Fig.6 Correlation curve between vegetation coverage and average attenuation of vertical polarization

由表2、圖6可知，站點(diǎn)植被覆蓋度與時(shí)間序列植被對(duì)垂直極化值平均衰減量有著非常強(qiáng)的相關(guān)性，皮爾森相關(guān)系數(shù)達(dá)到了0.83，因此，對(duì)于植被覆蓋大的區(qū)域，更有必要去考慮植被的影響并消除。

3.2 裸土下土壤濕度反演

對(duì)于裸土下土壤濕度的反演，利用Dubois模型和Oh模型作為介電常數(shù)和均方根高度的求解方法。其中，Dubois模型給出了垂直極化值σvv和水平極化值σhh分別關(guān)于介電常數(shù)和土壤均方根高度的表達(dá)形式。Oh模型則給出了σvv和σhh之間的關(guān)系表達(dá)式。因此通過(guò)結(jié)合這兩個(gè)模型，首先對(duì)介電常數(shù)和均方根高度進(jìn)行求解，其次，利用介電常數(shù)和土壤濕度之間的經(jīng)驗(yàn)方程，對(duì)裸土下土壤濕度值進(jìn)行反演。

3.2.1 求解介電常數(shù)和均方根高度

(1)Dubois模型形式為

(9)

(10)

式中：k為波數(shù)；λ為波長(zhǎng)；θ為入射角；ε為介電常數(shù)；s為均方根高度。

為以Dubois模型為基底建立方程組，需要求解水平極化值。對(duì)于水平極化值，引入Oh模型，依據(jù)Oh模型中垂直極化值與水平極化值比值來(lái)求解。

(2)Oh模型的表達(dá)形式為

(11)

(12)

式中：

(13)

(3)建立方程組。結(jié)合Dubois模型[式(9)、式(10)]以及Oh模型[式(11)]，也就是垂直極化值與水平極化值的比值，可以得到關(guān)于介電常數(shù)和均方根高度的二元方程，即

(14)

(15)

根據(jù)式(14)、式(15)組成的方程組，代入后向散射系數(shù)和入射角，即可求解出均方根高度s和介電常數(shù)ε。

3.2.2 根據(jù)介電常數(shù)反演土壤濕度

根據(jù)介電常數(shù)ε和土壤濕度Mv的經(jīng)驗(yàn)?zāi)Ｐ蛯?duì)土壤濕度進(jìn)行反演，其中經(jīng)驗(yàn)?zāi)Ｐ蜑?/p>

(1.993+0.002a+0.015b)+(38.086-

0.176a-0.633b)Mv+(10.720+

(16)

式(16)中：a為黏土含量,%；b為沙粒含量,%，a、b在不同頻段下取值不同，本文中取頻率為5.55 GHz時(shí)含量，即a=0.515 1,b=0.134 3。

由此，即給出了利用垂直極化后向散射系數(shù)和入射角信息求解裸土區(qū)域土壤濕度的反演算法。

4 土壤濕度反演實(shí)驗(yàn)及驗(yàn)證分析

為了驗(yàn)證土壤濕度反演趨勢(shì)的正確性， 選取2019年11月28日至2020年4月20日這一時(shí)間段進(jìn)行分析，總共12景數(shù)據(jù)，其中，有2月20號(hào)1幅影像元數(shù)據(jù)丟失。土壤濕度反演步驟如第1節(jié)中技術(shù)路線所述，具體步驟如第2、3節(jié)詳細(xì)說(shuō)明。

與實(shí)測(cè)土壤濕度比較結(jié)果分為兩個(gè)部分：時(shí)間序列土壤濕度反演趨勢(shì)結(jié)果分析和空間序列土壤濕度反演結(jié)果分析。

4.1 時(shí)間序列土壤濕度反演結(jié)果分析

根據(jù)以上處理結(jié)果，對(duì)所選時(shí)間序列土壤濕度進(jìn)行反演。進(jìn)行單個(gè)站點(diǎn)時(shí)間序列方面的分析。表3以站點(diǎn)1為例，列舉時(shí)間序列上反演的土壤濕度信息，反演模型輸入部分包括垂直極化后向散射系數(shù)、植被影響消除后純粹土壤表面散射系數(shù)、入射角，代入模型可以得到植被影響去除前后土壤濕度反演值。

其他站點(diǎn)情況如下，繪制其他站點(diǎn)Mv和Mvs分別與SM的相關(guān)曲線。

圖7所示為6個(gè)站點(diǎn)去除植被前后土壤濕度反演曲線與實(shí)測(cè)土壤濕度變化曲線的相關(guān)性，可以得出以下結(jié)論：

表3 站點(diǎn)1時(shí)間序列土壤濕度反演結(jié)果以及實(shí)測(cè)信息Table 3 Soil moisture inversion results and measured information on time series of site 1

(1)土壤濕度反演趨勢(shì)與原位濕度計(jì)的實(shí)測(cè)值變化趨勢(shì)都有很高的相關(guān)性。大部分站點(diǎn)皮爾遜相關(guān)系數(shù)均達(dá)到了0.6左右，即強(qiáng)相關(guān)。對(duì)于站點(diǎn)2 相關(guān)系數(shù)達(dá)到了0.8以上，呈現(xiàn)極強(qiáng)相關(guān)趨勢(shì)。

(2)相比于植被影響消除之前，去除植被影響后反演的土壤濕度值與實(shí)測(cè)值變化趨勢(shì)更相關(guān)，即證明實(shí)驗(yàn)結(jié)果對(duì)于利用SAR影像反演土壤濕度的反演結(jié)果有了很好的提升。也證明利用Sentinel-1 SAR影像和Sentinel-2多光譜數(shù)據(jù)結(jié)合來(lái)反演土壤濕度一定時(shí)間內(nèi)變化趨勢(shì)相比單利用SAR微波后向散射系數(shù)反演具有更高可信度。

4.2 空間序列植被去除前后土壤濕度反演圖像結(jié)果分析

圖8所示為2020年3月3日豹澥區(qū)域植被去除前后土壤濕度反演結(jié)果。

圖8 植被去除前后土壤濕度反演結(jié)果對(duì)比Fig.8 Comparison chat of soil moisture inversion results before and after vegetation removal

由于豹澥區(qū)域植被覆蓋面積較少，選取附近紅色區(qū)域發(fā)現(xiàn)相比于去除植被影響之前總體后向散射系數(shù)反演的土壤濕度，去除植被影響后，對(duì)于土壤濕度黃土部分和植被覆蓋代表的濕部分邊界更為明顯，整塊區(qū)域有明顯的幾何形狀，而未去除前的土壤濕度的區(qū)域劃分則很模糊。

同時(shí)，對(duì)于植被覆蓋度越大地區(qū)，理論上植被對(duì)于土壤濕度反演影響則越大，因此，繪制每個(gè)站點(diǎn)P2與P1差值曲線，與站點(diǎn)植被覆蓋度做相關(guān)性分析，結(jié)果如圖9所示。

圖9 植被覆蓋度與土壤濕度反演提升效果相關(guān)曲線Fig.9 Correlation curve of VFC and soil moisture inversion lifting effect

由圖9可以看出，對(duì)于植被覆蓋度越大的地區(qū)，去除植被前后土壤濕度與實(shí)測(cè)土壤濕度相關(guān)性差值越大，且兩者相關(guān)性達(dá)到了0.8以上，及證明試驗(yàn)結(jié)果符合理論。

5 結(jié)論

利用Sentinel-1 SAR影像數(shù)據(jù)與Sentinel-2光學(xué)影像數(shù)據(jù)對(duì)土壤濕度反演過(guò)程中的植被影響進(jìn)行了研究。通過(guò)對(duì)SAR圖像進(jìn)行預(yù)處理，提取所研究區(qū)域的垂直極化后向散射系數(shù)以及入射角信息，同時(shí)利用Sentinel-2號(hào)的光學(xué)影像求解歸一化植被指數(shù)NDVI以及植被覆蓋度VFC，得到植被層散射系數(shù)和垂直極化衰減量，代入修正水云模型求解出植被覆蓋區(qū)域純粹地表后向散射系數(shù)，最后利用裸土下土壤濕度求解算法，對(duì)研究區(qū)域進(jìn)行土壤濕度的反演。證實(shí)所述方法對(duì)比直接利用SAR影像垂直極化后向散射系數(shù)反演土壤濕度，提升了與實(shí)測(cè)值的相關(guān)系數(shù)，對(duì)于利用SAR影像反演土壤濕度的研究領(lǐng)域有著更好的參考價(jià)值和實(shí)際意義。

方法不足之處在于：沒(méi)有對(duì)植被的類型進(jìn)行更進(jìn)一步的研究，對(duì)于不同植被覆蓋產(chǎn)生的影響只是做了統(tǒng)一性處理，其次，在分辨率方面，最終結(jié)果采用的是5 m×20 m的空間分辨率，因此對(duì)于更加精細(xì)的區(qū)域進(jìn)行土壤濕度的反演還存在一定的研究空間。在該論述方案中，對(duì)于空間序列方面土壤粗糙度的影響缺乏探討，克服這些問(wèn)題，將是下一步研究的重點(diǎn)。