基于神經(jīng)網(wǎng)絡(luò)算法的Sentinel-1和Sentinel-2遙感數(shù)據(jù)聯(lián)合反演土壤濕度研究

吳善玉 鮑艷松 李葉飛 吳瑩

摘要 以西班牙薩拉曼卡地區(qū)為研究區(qū)域，聯(lián)合Sentinel-1后向散射系數(shù)和入射角信息、Sentinel-2光學(xué)數(shù)據(jù)提取的植被指數(shù)以及地面實測數(shù)據(jù)，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)土壤濕度反演模型，并將該模型應(yīng)用于試驗區(qū)土壤濕度反演。結(jié)果表明：1）基于Sentinel-1衛(wèi)星VV和VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角和Sentinel-2植被指數(shù)數(shù)據(jù)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)土壤濕度反演模型，能夠?qū)崿F(xiàn)對該地區(qū)土壤濕度高精度反演;2）在光學(xué)與微波數(shù)據(jù)聯(lián)合反演植被覆蓋區(qū)土壤濕度中，Sentinel-2的NDVI、NDWI1和NDWI2指數(shù)都可以用于削弱植被對土壤濕度反演的影響，但基于SWRI1波段的NDWI1能夠獲得更高精度的土壤濕度反演結(jié)果（RMSE為0.049 cm3/cm3，ubRMSE為0.048 cm3/cm3，Bias為0.008 cm3/cm3，r為0.681）;3）相比于Sentinel-1 VH極化模式，Sentinel-1 VV極化模式在土壤濕度中表現(xiàn)出更大優(yōu)勢，說明Sentinel-1 VV極化模式更適用于土壤濕度反演。

關(guān)鍵詞 土壤水分; Sentinel-1; Sentinel-2; BP神經(jīng)網(wǎng)絡(luò)

土壤水分無論在氣候、水文模型還是在農(nóng)業(yè)應(yīng)用中都是一個重要的參數(shù)，它在全球水和能量循環(huán)中發(fā)揮著重要作用，尤其在氣候變化、干旱監(jiān)測等方面都具有重要意義（Petropoulos et al.，2015;王國杰等，2018a;宋耀明，2019;余波，2020）。因此，土壤水分時空變化的準(zhǔn)確估算對于生態(tài)環(huán)境研究極其重要。

傳統(tǒng)的土壤水分觀測方法成本高，耗費人力物力，且只適用于采集小范圍樣點的土壤水分信息，很難建立大尺度的土壤水分觀測網(wǎng)絡(luò)（Lu et al.，2014;王靜，2018）。而遙感監(jiān)測方法，尤其是微波遙感因其全天時、全天候、高分辨率、穿透性強及對土壤水分變化敏感的優(yōu)勢，成為土壤水分觀測的主要發(fā)展方向（趙少華等，2010）。在過去的幾十年間，許多搭載主被動微波傳感器的衛(wèi)星相繼發(fā)射升空，為獲取更高時空分辨率的土壤水分產(chǎn)品提供了數(shù)據(jù)支撐，其中包括多波段微波輻射計SMMR（Owe et al.，2001）、高級微波輻射計AMSR-E（Zeng et al.，2015）及其后續(xù)AMSR2（魏寶成等，2016）、風(fēng)云三號衛(wèi)星（王國杰，2018b）、TRMM衛(wèi)星（郭英等，2011）、先進(jìn)合成孔徑雷達(dá)ASAR（王軍戰(zhàn)等，2010）、土壤濕度和海洋鹽度觀測計劃衛(wèi)星SMOS（Kedzior and Zawadzki，2016）、土壤濕度主-被動觀測計劃SMAP（馬紅章等，2016）等。2014年，歐洲航天局開展全球環(huán)境與安全監(jiān)測系統(tǒng)項目（Global Monitoring for Environment and Security，GMES），Sentinel系列衛(wèi)星是GMES項目的重要組成部分，目前在軌運行的衛(wèi)星共有7顆（S1A/B、S2A/B、S3A/B、S5P）。其中，Sentinel-1衛(wèi)星是載有C波段合成孔徑雷達(dá)的成像系統(tǒng)，可以實現(xiàn)全天時、全天候?qū)﹃懙睾秃Ｑ蟮谋O(jiān)測（Paloscia et al.，2013;Gao et al.，2017）;Sentinel-2衛(wèi)星搭載的多光譜成像儀（Multispectral Imager，MSI），包含有可見光、近紅外和短波紅外波段，可提供植被覆蓋、土壤及海岸區(qū)域的圖像用于陸地監(jiān)測（Martimort et al.，2007;Delegido et al.，2011）。Sentinel-1 SAR數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)為監(jiān)測全球土壤水分、植被和陸地信息提供了新途徑。

張祥等（2017）應(yīng)用積分方程模型IEM，分析了土壤濕度變化與雷達(dá)后向散射系數(shù)變化之間的關(guān)系，基于時序Sentinel-1A雷達(dá)后向散射系數(shù)差，估算土壤水分變化信息。Dabrowska-Zielinska et al.（2016）利用Sentinel-1 IW模式下不同極化的數(shù)據(jù)，確定濕地生態(tài)系統(tǒng)中CO2通量和土壤濕度，證明了Sentinel-1數(shù)據(jù)計算土壤濕度的能力以及在頻繁的濕地監(jiān)測中具有的重要優(yōu)勢。曾旭婧等（2017）將Sentinel-1A數(shù)據(jù)與Landsat 8光學(xué)數(shù)據(jù)結(jié)合，對不同植被覆蓋程度下的土壤含水量進(jìn)行反演研究，探討不同極化組合方式在不同土地利用方式下的土壤水分含量反演結(jié)果。Alexakis et al.（2017）將Sentinel-1 SAR數(shù)據(jù)的后向散射系數(shù)、入射角信息，與基于Landsat 8數(shù)據(jù)提取的NDVI（Normalized Difference Vegetation Index）、熱紅外溫度信息作為人工神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，輸出為土壤水分含量，并將反演得到的土壤水分含量用于后續(xù)的水文模型。Sibanda et al.（2016）、Clevers et al.（2017）利用Sentinel-2 MSI多光譜數(shù)據(jù)提取草地及農(nóng)作物等植被信息，并取得了較好結(jié)果，表明Sentinel-2數(shù)據(jù)在植被覆蓋區(qū)具有較好的應(yīng)用性前景。

鑒于以上前人的研究，本文以歐洲西班牙的薩拉曼卡地區(qū)為研究區(qū)域，開展植被覆蓋期地表土壤濕度反演研究。研究中利用BP神經(jīng)網(wǎng)絡(luò)，基于Sentinel-1不同極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角、Sentinel-2植被指數(shù)信息，建立土壤濕度反演模型，并用地面實測土壤濕度數(shù)據(jù)檢驗?zāi)Ｐ头囱萁Y(jié)果，并評價模型反演精度。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)域及地面觀測數(shù)據(jù)

本文試驗區(qū)是位于西班牙西部卡斯蒂利亞-萊昂自治區(qū)的薩拉曼卡地區(qū)（圖1），本文所用到的地面觀測站點數(shù)據(jù)來自國際土壤水分觀測網(wǎng)（International Soil Moisture Network，ISMN）。位于歐洲地區(qū)的西班牙薩拉曼卡試驗區(qū)晴天較多，Sentinel系列衛(wèi)星在此地區(qū)重返周期較短，對于研究Sentinel-1和Sentinel-2的聯(lián)合反演土壤濕度具有很大的地理優(yōu)勢。

西班牙薩拉曼卡試驗區(qū)在國際土壤水分觀測網(wǎng)上的站點分布在巴利亞多利德（Province of Valladolid）和薩莫拉（Zamora）兩個省，經(jīng)緯度范圍為5°12′～5°33′W、41°09′～41°27′N，目前可用的地面觀測站點共有20個。本文所使用的西班牙地面實測數(shù)據(jù)可在國際土壤水分觀測網(wǎng)（https：//ismn.geo.tuwien.ac.at/ismn/）下載，下載數(shù)據(jù)的時間為2015年1月1日—2017年12月30日，時間分辨率為1 h，選用的土壤水分?jǐn)?shù)據(jù)為0～5 cm深度層的土壤體積含水量。

1.2 遙感數(shù)據(jù)的獲取及預(yù)處理

1.2.1 Sentinel-1數(shù)據(jù)的獲取及預(yù)處理

選取的Sentinel-1由兩顆衛(wèi)星組成，即Sentinel-1A和Sentinel-1B，它們共用同一個軌道平面。Sentinel-1A于2014年4月發(fā)射，Sentinel-1B于2016年4月發(fā)射，單顆衛(wèi)星運行的重訪周期為12 d，2顆衛(wèi)星組網(wǎng)之后，重訪周期可以達(dá)到6 d。Sentinel-1A和Sentinel-1B均搭載有C波段合成孔徑雷達(dá)儀器，工作頻率為5.4 GHz，可全天時、全天候提供雷達(dá)系列數(shù)據(jù)。

所用Sentinel-1數(shù)據(jù)為L1級斜距單視負(fù)數(shù)（Single Look Complex，SLC）產(chǎn)品，獲取模式為干涉寬幅（interferometric wide swath，IW）模式，空間分辨率為5 m×20 m，極化方式為VV和VH，該數(shù)據(jù)來源于Sentinel衛(wèi)星數(shù)據(jù)服務(wù)中心（https：//scihub.copernicus.eu/）。對于西班牙薩拉曼卡試驗區(qū)，綜合考慮Sentinel-2光學(xué)數(shù)據(jù)，選擇與Sentinel-2晴天數(shù)據(jù)日期一致的Sentinel-1數(shù)據(jù)。獲取了2015年7月13日—2017年10月12日共26景Sentinel-1影像;利用ENVI5.3軟件中的SARscape5.2.1工具對L1級數(shù)據(jù)進(jìn)行信息提取與預(yù)處理。

1.2.2 Sentinel-2數(shù)據(jù)的獲取及預(yù)處理

選取的Sentinel-2分為2A和2B兩顆衛(wèi)星。Sentinel-2A衛(wèi)星于2015年6月23日發(fā)射，Sentinel-2B衛(wèi)星于2017年3月7日發(fā)射。Sentinel-2A與Sentinel-2B衛(wèi)星為同一組，是高分辨率多光譜成像衛(wèi)星，可提供有關(guān)陸地植被生長、土壤覆蓋狀況、內(nèi)河和沿海區(qū)域環(huán)境等信息。兩顆衛(wèi)星同時運行后，在赤道地區(qū)的重訪周期為5 d，對于緯度較高的歐洲地區(qū)，周

期為3 d。

Sentinel-2A與Sentinel-2B攜帶的多光譜成像儀（MSI），高度為786 km，覆蓋13個光譜波段，幅寬達(dá)290 km。本文所用數(shù)據(jù)為Level-1C級數(shù)據(jù)，來自Sentinel衛(wèi)星數(shù)據(jù)服務(wù)中心（https：//scihub.copernicus.eu/）。由于Sentinel-2圖像是光學(xué)數(shù)據(jù)，反射率受云影響較大，所以本文選擇西班牙試驗區(qū)域少云或無云的圖像用于后續(xù)研究，獲取2015年7月12日—2017年10月14日共26景Sentinel-2影像。并使用ENVI5.3軟件及哨兵系列衛(wèi)星數(shù)據(jù)處理平臺（Sentinal application platform，SNAP）對L1C級數(shù)據(jù)進(jìn)行預(yù)處理得到L2A級反射率數(shù)據(jù)。

2 反演模型與結(jié)果

2.1 反演模型構(gòu)建

2.1.1 BP神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）通過模擬人腦神經(jīng)元的工作方式，對各種數(shù)據(jù)進(jìn)行處理，建立不同的網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)提供了傳統(tǒng)數(shù)值模擬技術(shù)的替代方案（Hornic，1989;Shi et al.，2017）。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是一種關(guān)于修正權(quán)值的算法，其中，誤差修正型規(guī)則是一種監(jiān)督學(xué)習(xí)方法，根據(jù)實際輸出和預(yù)期輸出的誤差校正網(wǎng)絡(luò)的連接權(quán)值，最終達(dá)到網(wǎng)絡(luò)誤差小于預(yù)期精度的結(jié)果（Banerjee，2016），BP學(xué)習(xí)規(guī)則就屬于誤差修正型規(guī)則。

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它的基本原理是：在BP網(wǎng)絡(luò)的前向傳輸中，處理操作是向前執(zhí)行的，從輸入層經(jīng)過隱含層，最終到輸出層;神經(jīng)網(wǎng)絡(luò)的訓(xùn)練操作采用一種反向傳播算法，即根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)各層的權(quán)值和閾值，最終使BP網(wǎng)絡(luò)的預(yù)測輸出不斷接近期望輸出（Hassan et al.，2015）。BP神經(jīng)網(wǎng)絡(luò)能夠模擬人腦學(xué)習(xí)，并建立多元非線性關(guān)系，因此，被廣泛應(yīng)用于遙感反演估算地表參數(shù)。

2.1.2 基于不同極化數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)參數(shù)化方案

SAR得到的地表后向散射系數(shù)與地表介電常數(shù)有直接關(guān)系外，還與植被覆蓋、地表粗糙度、雷達(dá)入射角等多種因素有關(guān)。由于薩拉曼卡植被覆蓋的地表空間一致性較好，因此本文忽略地表粗糙度的影響。對于此區(qū)域，將Sentinel-1 VV和VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角、由Sentinel-2光學(xué)數(shù)據(jù)提取的植被指數(shù)數(shù)據(jù)，作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，土壤水分站點實測數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸出變量。本文使用的植被指數(shù)包括歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和歸一化水分指數(shù)（Normalized Difference Water Index，NDWI），兩種植被指數(shù)的計算公式如下：

INDV=RNIR-RREDRNIR+RRED;（1）

INDW=RNIR-RSWIRRNIR+RSWIR。（2）

式中：RNIR為近紅外波段反射率;RRED為紅光波段反射率;RSWIR為短波紅外波段反射率;由于Sentinel-2光學(xué)數(shù)據(jù)有兩個短波紅外波段：SWIR1（中心波段1.61 μm）和SWIR2（中心波段2.22 μm），試驗中分別使用這兩個短波紅外波段建立兩個歸一化水分指數(shù)NDWI1和NDWI2，并測試它們在土壤濕度反演中的效果。

綜上，針對研究區(qū)設(shè)計了VV、VH每種極化模式下4個BP神經(jīng)網(wǎng)絡(luò)構(gòu)建方案。

方案一：在BP神經(jīng)網(wǎng)絡(luò)中，將VV或VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角作為輸入變量，土壤水分站點實測數(shù)據(jù)作為輸出變量，訓(xùn)練網(wǎng)絡(luò)模型，反演土壤濕度。

方案二：在BP神經(jīng)網(wǎng)絡(luò)中，將VV或VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角、NDVI作為輸入變量，土壤水分觀測站實測數(shù)據(jù)作為輸出變量，訓(xùn)練網(wǎng)絡(luò)模型，反演土壤濕度。

方案三：在BP神經(jīng)網(wǎng)絡(luò)中，將VV或VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角、NDWI1作為輸入變量，土壤水分觀測站實測數(shù)據(jù)作為輸出變量，訓(xùn)練網(wǎng)絡(luò)模型，反演土壤濕度。

方案四：在BP神經(jīng)網(wǎng)絡(luò)中，將VV或VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角、NDWI2作為輸入變量，土壤水分觀測站實測數(shù)據(jù)作為輸出變量，訓(xùn)練網(wǎng)絡(luò)模型，反演土壤濕度。

方案五：在BP神經(jīng)網(wǎng)絡(luò)中，同時將Sentinel-1 VV和VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角、Sentinel-2提取的NDVI和NDWI1作為輸入變量，土壤水分觀測站實測數(shù)據(jù)作為輸出變量，訓(xùn)練網(wǎng)絡(luò)模型，反演土壤濕度。不同方案的參數(shù)設(shè)置情況如表1所示。

研究中，共提取薩拉曼卡地區(qū)數(shù)據(jù)的樣本數(shù)為426，各個方案的BP神經(jīng)網(wǎng)絡(luò)基本設(shè)定為：訓(xùn)練樣本400，測試樣本26，隱含層節(jié)點數(shù)為5，傳輸函數(shù)采用正切S型傳遞函數(shù)tansig，最大迭代次數(shù)1 000，目標(biāo)0.00 005。

2.2 反演結(jié)果與分析

本文使用相關(guān)系數(shù)（r）、均方根誤差（RMSE）、無偏均方根誤差（ubRMSE）和偏差（Bias）四個指標(biāo)，評價BP人工神經(jīng)網(wǎng)絡(luò)土壤濕度反演模型精度。一般情況下，r值越大，RMSE、ubRMSE和Bias值越小，說明反演效果越好，結(jié)果精度越高。

2.2.1 基于VV極化模式數(shù)據(jù)的土壤濕度反演結(jié)果與分析

VV極化后向散射數(shù)據(jù)與不同植被指數(shù)組合方案的各項精度評價指標(biāo)總結(jié)如表2所示，VV極化后向散射數(shù)據(jù)與不同植被指數(shù)組合方案的反演和實測土壤濕度散點圖如圖2a—2d所示。

通過與其他方案的結(jié)果對比可以看出，VV極化模式方案一（圖2a）反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE、ubRMSE、Bias偏高，但r達(dá)到了0.001水平的相關(guān)性檢驗。說明對于薩拉曼卡研究區(qū)，在BP神經(jīng)網(wǎng)絡(luò)中，將VV極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角作為輸入變量訓(xùn)練模型，反演土壤濕度是可行的。

從VV極化模式方案二（圖2b）與方案一的結(jié)果相比，反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE和ubRMSE有所降低、r值略有增加，說明加入NDVI參數(shù)能削弱植被影響，提高土壤濕度反演精度。

從VV極化模式方案三（圖2c）與方案二的結(jié)果相比，方案三反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE和ubRMSE有所降低、相關(guān)系數(shù)r明顯增加，說明方案三結(jié)果的總體誤差較方案二小;與方案一的結(jié)果對比，方案三結(jié)果精度較方案一有很大提高。說明歸一化水分指數(shù)NDWI1比NDVI更能準(zhǔn)確表達(dá)植被信息，對土壤濕度反演結(jié)果精度改進(jìn)更大。

從VV極化模式方案四（圖2d）與方案三的結(jié)果相比，反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE、ubRMSE和Bias均有提高，相關(guān)系數(shù)r有所降低;與方案一的結(jié)果對比，方案四的結(jié)果整體精度較方案一有所改進(jìn)。說明歸一化水分指數(shù)NDWI2可以表達(dá)植被信息，但NDWI1在土壤濕度反演中有更好的表現(xiàn)。

2.2.2 基于VH極化模式數(shù)據(jù)的土壤濕度反演結(jié)果與分析

VH極化后向散射數(shù)據(jù)與不同植被指數(shù)組合方案的各項精度評價指標(biāo)總結(jié)如表3所示，VH極化后向散射數(shù)據(jù)與不同植被指數(shù)組合方案的反演和實測土壤濕度散點圖如圖3a—3d所示。

根據(jù)VH極化模式方案一（圖3a）、方案二（圖3b、方案三（圖3c）、方案四（圖3d）的反演結(jié)果，可以得出與VV極化模式各方案結(jié)果的相似結(jié)論。即：① 對于薩拉曼卡研究區(qū)，在BP神經(jīng)網(wǎng)絡(luò)中，將VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角作為輸入變量訓(xùn)練模型，反演土壤濕度也是可行的;② 植被指數(shù)可以削弱植被影響，提高土壤濕度反演精度，且NDWI1較NDVI、NDWI2在土壤濕度反演中表現(xiàn)更好，更能表達(dá)植被信息。

同時，橫向?qū)Ρ萔V極化模式與VH極化模式的各方案結(jié)果也可以看出，Sentinel-1 VV極化模式下得到的土壤濕度反演結(jié)果精度更高，說明VV極化包含更多的土壤后向散射信息，更適合用于土壤濕度反演研究。

2.2.3 基于Sentinel-1和Sentinel-2多參數(shù)的土壤濕度反演結(jié)果與分析

在方案五中，將Sentinel-1 VV和VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角、Sentinel-2提取的NDVI和NDWI1作為BP神經(jīng)網(wǎng)絡(luò)輸入變量，訓(xùn)練網(wǎng)絡(luò)模型，反演土壤濕度，得到結(jié)果如圖4所示。反演的土壤體積含水量與觀測的土壤體積含水量之間的均方根誤差RMSE為0.045 cm3/cm3、ubRMSE為0.044 cm3/cm3、偏差Bias為0.011 cm3/cm3，相關(guān)系數(shù)r為0.576，達(dá)到了0.001信度的相關(guān)性水平檢驗。與上述結(jié)果精度最好的VV極化模式方案三相比，反演的土壤體積含水量與觀測的土壤體積含水量之間的RMSE、ubRMSE和r均有降低，Bias有所增加。總結(jié)來說，方案五結(jié)果的誤差精度表現(xiàn)較好，相關(guān)性水平表現(xiàn)一般，但結(jié)果的整體精度較高。說明將VV后向散射系數(shù)、VH極化后向散射系數(shù)、雷達(dá)入射角、NDVI和NDWI1作為神經(jīng)網(wǎng)絡(luò)輸入變量，能夠更好地描述土壤后向散射特性和植被覆蓋情況，可以適當(dāng)彌補一種極化數(shù)據(jù)和單一植被指數(shù)在土壤濕度反演中造成的信息缺失，有利于土壤濕度的高精度反演。

3 結(jié)論

通過多源遙感數(shù)據(jù)聯(lián)合反演地表土壤水分可以充分利用它們各自的特點和優(yōu)勢，在使用盡量少的輔助數(shù)據(jù)的情況下消除植被覆蓋的影響，從而實現(xiàn)對植被覆蓋地表土壤水分的有效監(jiān)測。本文以西班牙薩拉曼卡地區(qū)為研究區(qū)域，聯(lián)合Sentinel-1 SAR和Sentinel-2光學(xué)數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)，建立土壤濕度反演模型，并用地面實測土壤濕度數(shù)據(jù)，檢驗?zāi)Ｐ头囱萁Y(jié)果，評價模型反演精度。得到以下結(jié)論：

1）BP神經(jīng)網(wǎng)絡(luò)是有效的土壤濕度反演模型，基于Sentinel-1衛(wèi)星VV和VH極化雷達(dá)后向散射系數(shù)、雷達(dá)入射角和Sentinel-2提取的植被指數(shù)數(shù)據(jù)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)土壤濕度反演模型，能夠?qū)崿F(xiàn)土壤濕度高精度反演。

2）在光學(xué)與微波數(shù)據(jù)聯(lián)合反演植被覆蓋地區(qū)土壤濕度中，Sentinel-2光學(xué)數(shù)據(jù)計算的NDVI、NDWI1和NDWI2指數(shù)都可以表達(dá)植被信息，但基于SWRI1波段的NDWI1能夠得到更高精度的土壤濕度反演結(jié)果（RMSE為0.049 cm3/cm3，ubRMSE為0.048 cm3/cm3，Bias為0.008 cm3/cm3，r為0.681）。

3）比較VV極化和VH極化模式的對應(yīng)參數(shù)化方案結(jié)果可知：Sentinel-1 VV極化得到的土壤濕度反演結(jié)果精度更高，在土壤濕度中表現(xiàn)出更大的優(yōu)勢，說明Sentinel-1 VV極化包含更多的土壤后向散射信息，較VH極化更適合用于土壤濕度反演研究。

本文使用的BP人工神經(jīng)網(wǎng)絡(luò)方法輸入?yún)?shù)少、操作簡單，但由于衛(wèi)星數(shù)據(jù)及站點數(shù)據(jù)的時間限制，此次參與建模和反演的樣本較少，在此后的研究中還需要增加更多樣本，得到更好的訓(xùn)練模型用于土壤濕度反演。

致謝：本文的數(shù)值計算得到了南京信息工程大學(xué)高性能計算中心的計算支持和幫助。

參考文獻(xiàn)（References）

Alexakis D D，Mexis F K，Vozinaki A K，et al.，2017.Soil moisture content estimation based on sentinel-1 and auxiliary earth observation products.A hydrological approach[J].Sensors（Basel），17（6）：E1455.doi：10.3390/s17061455.

Banerjee A，2016.Learning precise spike train-to-spike train transformations in multilayer feedforward neuronal networks[J].Neural Comput，28（5）：826-848.doi：10.1162/NECO_a_00829.

Clevers J，Kooistra L，van den Brande M，2017.Using sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop[J].Remote Sens，9（5）：405.doi：10.3390/rs9050405.

Dabrowska-Zielinska K，Budzynska M，Tomaszewska M，et al.，2016.Assessment of carbon flux and soil moisture in wetlands applying sentinel-1 data[J].Remote Sens，8（9）：756.doi：10.3390/rs8090756.

Delegido J，Verrelst J，Alonso L，et al.，2011.Evaluation of Sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content[J].Sensors（Basel），11（7）：7063-7081.doi：10.3390/s110707063.

Gao Q，Zribi M，Escorihuela M，et al.，2017.Synergetic use of sentinel-1 and sentinel-2 data for soil moisture mapping at 100 m resolution[J].Sensors，17（9）：1966.doi：10.3390/s17091966.

郭英，沈彥俊，趙超，2011.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，19（5）：1162-1167. Guo Y，Shen Y J，Zhao C，2011.Soil moisture monitoring in agricultural lands via active-passive microwave remote sensing[J].Chin J Eco-Agric，19（5）：1162-1167.doi：10.3724/SP.J.1011.2011.01162.（in Chinese）.

Hassan-Esfahani L，Torres-Rua A，Jensen A，et al.，2015.Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks[J].Remote Sens，7（3）：2627-2646.doi：10.3390/rs70302627.

Hornik K，Stinchcombe M，White H，1989.Multilayer feedforward networks are universal approximators[J].Neural Networks，2（5）：359-366.doi：10.1016/0893-6080（89）90020-8.

Kdzior M，Zawadzki J，2016.Comparative study of soil moisture estimations from SMOS satellite mission，GLDAS database，and cosmic-ray neutrons measurements at COSMOS station in Eastern Poland[J].Geoderma，283：21-31.doi：10.1016/j.geoderma.2016.07.023.

Lu L，Luo G P，Wang J Y，2014.Development of an ATI-NDVI method for estimation of soil moisture from MODIS data[J].Int J Remote Sens，35（10）：3797-3815.doi：10.1080/01431161.2014.919677.

馬紅章，劉素美，彭愛華，等，2016.L波段主被動微波協(xié)同反演裸土土壤水分[J].32（19）：133-138. Ma H Z，Liu S M，Peng A H，et al.，2016.Active and passive cooperative algorithm at L-Band for bare soil moisture inversion[J].Trans Chin Soc Agric Eng，32（19）：133-138.doi：10.11975/j.issn.1002-6819.2016.19.019.（in Chinese）.

Martimort P，Arino O，Berger M，et al.，2007.Sentinel-2 optical high resolution mission for GMES operational services[C]//2007 IEEE Int Geosci Remote Sens Symp：2677-2680.doi：10.1109/IGARSS.2007.4423394.

Owe M，de Jeu R，Walker J，2001.A methodology for surface soil moisture and vegetation optical depth retrieval using the microwave polarization difference index[J].IEEE Trans Geosci Remote Sens，39（8）：1643-1654.doi：10.1109/36.942542.

Paloscia S，Pettinato S，Santi E，et al.，2013.Soil moisture mapping using Sentinel-1 images：algorithm and preliminary validation[J].Remote Sens Environ，134：234-248.doi：10.1016/j.rse.2013.02.027.

Petropoulos G P，Ireland G，Srivastava P K，2015.Evaluation of the soil moisture operational estimates from SMOS in Europe：results over diverse ecosystems[J].IEEE Sensor J，15（9）：5243-5251.doi：10.1109/JSEN.2015.2427657.

Shi C，Cui J Y，Liu X C，et al.，2017.Application of artificial neural network to predict the change of inosine monophosphate for lightly salted silver carp （hypophthalmichthys molitrix） during thermal treatment and storage[J].J Food Process Preserv，41（6）：e13246.doi：10.1111/jfpp.13246.

Sibanda M，Mutanga O，Rouget M，2016.Discriminating rangeland management practices using simulated HyspIRI，landsat 8 OLI，sentinel 2 MSI，and VENμS spectral data[J].IEEE J Sel Top Appl Earth Obs Remote Sens，9（9）：3957-3969.doi：10.1109/JSTARS.2016.2574360.

宋耀明，鄒永成，王志福，2019.前期土壤濕度、海表面溫度對中國夏季極端氣溫的預(yù)測能力評估[J].大氣科學(xué)學(xué)報，42（5）：790-800. Song Y M，Zou Y C，Wang Z F，2019.Assessment of the summer extreme temperature predicting abilities in China for the previous soil moisture and sea surface temperature[J].Trans Atmos Sci，42（5）：790-800.doi：10.13878/j.cnki.dqkxxb.20160101010.（in Chinese）.

王國杰，婁丹，譚龔，等，2018a.長江中下游地區(qū)1988—2010年遙感土壤濕度的時空變化[J].大氣科學(xué)學(xué)報，41（2）：228-238. Wang G J，Lou D，Tan G，et al.，2018.Spatio-temporal variations of remote sensing soil moisture during the period of 1988—2010 in the middle and lower researches of the Yangtze River Basin[J].Trans Atmos Sci，41（2）：228-238.doi：10.13878/j.cnki.dqkxxb.20150901002.（in Chinese）.

王國杰，薛峰，齊道日娜，等，2018b.基于風(fēng)云三號衛(wèi)星微波資料反演我國地表土壤濕度及其對比[J].大氣科學(xué)學(xué)報，41（1）：113-125. Wang G J，Xue F，Chyi D，et al.，2018.Soil moisture retrievals from FY-3B satellite microwave brightness and comparative analyses over China[J].Trans Atmos Sci，41（1）：113-125.doi：10.13878/j.cnki.dqkxxb.20150901003.（in Chinese）.

王靜，何金海，祁莉，等，2018.青藏高原土壤濕度的變化特征及其對中國東部降水影響的研究進(jìn)展[J].大氣科學(xué)學(xué)報，41（1）：1-11. Wang J，He J H，Qi L，et al.，2018.The variation characteristics of soil moisture in Tibet Plateau and its influences on the precipitation in Eastern China：recent progress[J].Trans Atmos Sci，41（1）：1-11.doi：10.13878/j.cnki.dqkxxb.20170806001.（in Chinese）.

王軍戰(zhàn)，鮑艷松，張友靜，等，2010.多極化多角度ASAR數(shù)據(jù)反演裸露和小麥地表土壤濕度[J].農(nóng)業(yè)工程學(xué)報，26（6）：205-210. Wang J Z，Bao Y S，Zhang Y J，et al.，2010.Soil moisture inversion using multi-polarization and multi-angle ENVISAT ASAR data in surface soils of bare area and wheat-covered area[J].Trans Chin Soc Agric Eng，26（6）：205-210.doi：10.3969/j.issn.1002-6819.2010.06.036.（in Chinese）.

魏寶成，玉山，賈旭，等，2016.基于AMSR-2蒙古高原土壤水分反演及對氣象因子響應(yīng)分析[J].中國生態(tài)農(nóng)業(yè)學(xué)報，24（6）：837-845. Wei B C，Yu S，Jia X，et al.，2016.Analysis of soil moisture retrieval and response to meteorological factors using AMSR-2[J].Chin J Eco-Agric，24（6）：837-845.doi：10.13930/j.cnki.cjea.151289.（in Chinese）.

余波，陳海山，孫悅，2020.東亞中緯度夏季陸面增暖與土壤濕度異常的聯(lián)系[J].大氣科學(xué)學(xué)報，43（1）：201-211. Yu B，Chen H S，Sun Y，2020.Linkage between summer land surface warming in mid-latitude of East Asia and soil moisture anomalies[J].Trans Atmos Sci，43（1）：201-211.doi：10.13878/j.cnki.dqkxxb.20190407001.（in Chinese）.

Zeng J Y，Li Z，Chen Q，et al.，2015.Method for soil moisture and surface temperature estimation in the Tibetan Plateau using spaceborne radiometer observations[J].IEEE Geosci Remote Sens Lett，12（1）：97-101.doi：10.1109/LGRS.2014.2326890.

曾旭婧，邢艷秋，單煒，等，2017.基于Sentinel-1A與Landsat 8數(shù)據(jù)的北黑高速沿線地表土壤水分遙感反演方法研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報，25（1）：118-126. Zeng X J，Xing Y Q，Shan W，et al.，2017.Soil water content retrieval based on Sentinel-1A and Landsat 8 image for Beian-Heihe Expressway[J].Chin J Eco-Agric，25（1）：118-126.doi：10.13930/j.cnki.cjea.160657.（in Chinese）.

張祥，陳報章，趙慧，等，2017.基于時序Sentinel-1A數(shù)據(jù)的農(nóng)田土壤水分變化檢測分析[J].遙感技術(shù)與應(yīng)用，32（2）：338-345. Zhang X，Chen B Z，Zhao H，et al.，2017.Soil moisture change detection over bare agricultural area by means of time-series sentinel-1A SAR data[J].Remote Sens Technol Appl，32（2）：338-345.doi：10.11873/j.issn.1004-0323.2017.2.0338.（in Chinese）.

趙少華，秦其明，沈心一，等，2010.微波遙感技術(shù)監(jiān)測土壤濕度的研究[J].微波學(xué)報，26（2）：90-96. Zhao S H，Qin Q M，Shen X Y，et al.，2010.Review of microwave remote sensing on soil moisture monitoring[J].J Microwaves，26（2）：90-96.doi：10.14183/j.cnki.1005-6122.2010.02.023.（in Chinese）.

Joint retrieval of soil moisture from Sentinel-1 and Sentinel-2 remote sensing data based on neural network algorithm

WU Shanyu1，BAO Yansong1，LI Yefei2，WU Ying1

1Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration/School of Atmospheric Physics，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Shanghai Institute of Satellite Engineering，Shanghai 200240，China

Soil moisture is an important parameter of ecological environment and an important part of water cycle.The retrieval of surface soil moisture based on multi-source remote sensing data is a hotspot and trend in recent years.As a new generation of Sentinel satellites，the Sentinel-1 SAR data combined with the Sentinel-2 optical data have broad application prospects.Taking Salamanca，Spain as the research area，a BP neural network soil moisture retrieval model is constructed by combining the Sentinel-1 backscatter coefficient and incidence angle information，the vegetation index extracted from the Sentinel-2 optical data，and the ground observation data，and the model is applied to retrieve the soil moisture in the area.Finally，the model retrieval results are tested and evaluated.Results show that：（1）Based on the Sentinel-1 satellite VV and VH polarization radar backscatter coefficients and radar incidence angles and the Sentinel-2 vegetation index data，the BP neural network soil moisture retrieval model can realize high-precision retrieval of soil moisture in Salamanca area;（2）In the joint retrieval of soil moisture of optical and microwave data in vegetation coveragearea，the NDVI，NDWI1 and NDWI2 indices from the Sentinel-2 can be used to weaken the influence of vegetation on soil moisture retrieval，but the NDWI1 based on SWRI1 band can obtain more accurate soil moisture retrieval results （RMSE=0.049 cm3/cm3，ubRMSE=0.048 cm3/cm3，Bias=0.008 cm3/cm3，r=0.681）;（3）Comparing with the Sentinel-1 VH polarization model，the Sentinel-1 VV polarization model shows greater advantages in soil moisture，indicating that the Sentinel-1 VV polarization model is more suitable for soil moisture retrieval.

soil moisture;Sentinel-1;Sentinel-2;BP neural network

doi：10.13878/j.cnki.dqkxxb.20190419001

（責(zé)任編輯：張福穎）