光學與SAR遙感協(xié)同反演土壤水分研究進展

艾 璐， 孫淑怡， 李書光， 馬紅章

(中國石油大學(華東)理學院，青島 266580)

0 引言

土壤水分在農(nóng)業(yè)用水管理、農(nóng)作物估產(chǎn)、旱情監(jiān)測和精準灌溉中起著非常重要的作用，因此快速精準地監(jiān)測土壤水分空間變化具有重要意義[1-5]。通過探針法或重量法來測定土壤水分的傳統(tǒng)方法，雖然精度高，但不能滿足大范圍土壤水分監(jiān)測的需求。遙感技術(shù)具有覆蓋廣、時效強的特點，是目前大尺度土壤水分監(jiān)測的主要手段[2,6-8]。

光學遙感能提供高光譜分辨率、高空間分辨率的數(shù)據(jù)，基于光學遙感的土壤水分監(jiān)測技術(shù)主要適用于裸露地表，在植被覆蓋區(qū)由于無法直接獲取土壤的光譜信息，導致其土壤水分監(jiān)測能力有限。熱紅外遙感可基于地表溫度的變化來估算土壤水分，在低植被覆蓋區(qū)，熱慣量法[9]是最常用的反演方法，因為土壤熱慣量隨著土壤水分含量的增加而增大，導致地表晝夜溫差降低； 在中高植被覆蓋區(qū)，溫度植被干旱指數(shù)法(temperature vegetation dryness index，TVDI)是聯(lián)合光學與熱紅外遙感進行土壤水分反演或土壤干旱程度監(jiān)測的常用方法。光學和熱紅外遙感容易受到云、霧等大氣條件的影響，土壤水分監(jiān)測的連續(xù)性難以得到保證[10-13]。合成孔徑雷達(synthetic aperture Radar,SAR)對大氣的穿透能力強，具有在各種氣象條件下的全天候?qū)Φ赜^測能力，且SAR回波強度對土壤水分變化有較高的靈敏性。目前基于星載SAR后向散射系數(shù)與土壤水分的相關(guān)性[14]，進行區(qū)域土壤水分反演的遙感技術(shù)方法已得到普遍應(yīng)用。

在植被覆蓋區(qū)，由于植被層對微波的強烈散射作用，造成SAR后向散射系數(shù)對土壤水分變化的敏感性下降，降低了土壤水分的反演精度[15-19]。光學遙感可有效提取植被冠層的信息，因此光學與SAR遙感協(xié)同反演土壤水分能夠結(jié)合二者優(yōu)點，提高土壤水分的反演精度[20]。本文簡要總結(jié)了光學與SAR遙感協(xié)同反演土壤水分研究中相關(guān)模型與算法的進展情況和存在的主要問題，并對農(nóng)田區(qū)土壤水分反演研究的前景進行展望。

1 常用模型

大部分陸地地表均有植被覆蓋，植被的存在使得利用微波遙感反演土壤水分的難度大大增加。在植被覆蓋區(qū)，微波遙感會受到地表粗糙度和植被的雙重影響，因此基于微波遙感技術(shù)的土壤水分反演研究中如何去除土壤粗糙度和植被的影響尤為重要。國內(nèi)外學者研究發(fā)現(xiàn)，不同波段對于土壤水分和冠層參數(shù)的響應(yīng)度不同[21]，每個波段都有自身敏感的對象，比如，光學遙感數(shù)據(jù)對植被信息較敏感，而SAR遙感數(shù)據(jù)對土壤水分信息更敏感[22]，因此，將光學遙感與SAR兩者相結(jié)合來消除植被層對土壤水分反演的影響受到了學者們的普遍關(guān)注。目前，綜合運用光學和SAR遙感技術(shù)進行土壤水分的監(jiān)測研究，已取得了一系列突破，發(fā)展了眾多土壤水分反演的相關(guān)算法和模型。

1.1 土壤微波散射模型

(1)

式中：Wn為表面相關(guān)函數(shù)的冪次傅里葉變換；Re為表面反射率； *表示共軛；k為波數(shù)；s為土壤表面均方根高度；θ為雷達入射角；fpq為基爾霍夫系數(shù)；Fpq為補償場系數(shù)；pq表示極化狀態(tài)。

由于IEM模型對不同粗糙度條件下的地表微波散射模擬精度存在差異。Wu等[24]和Chen等[25]通過修正菲涅爾反射系數(shù)的計算方法和粗糙度功率譜函數(shù)，使模型模擬精度得到進一步提高，改進后模型被稱為AIEM模型。相關(guān)研究表明，相比IEM模型，AIEM模型不僅有更寬的粗糙度適用范圍，而且具有更強的模擬寬波段和大角度觀測數(shù)據(jù)的能力[26-28]。

為消除地表粗糙度影響，提高土壤水分反演精度，國內(nèi)外學者基于觀測數(shù)據(jù)或理論模型模擬數(shù)據(jù)，發(fā)展了土壤粗糙度半經(jīng)驗?zāi)Ｐ?，如Dubois模型[29]和Oh模型[30]。

Dubois模型是計算SAR同極化后向散射系數(shù)的半經(jīng)驗?zāi)Ｐ?，適用于當1.5 GHz≤f≤11 GHz，30°≤θ≤65°和0.3 cm≤ks≤3.0 cm，mv≤0.35 cm3/cm3和NDVI≤0.4的地表，其中f為頻率；mv為土壤水分；NDVI為歸一化植被指數(shù)，具體可表達為：

(2)

(3)

式中：εr為介電常數(shù)的實部；λ為波長。

Oh模型是基于實測數(shù)據(jù)發(fā)展而來的半經(jīng)驗?zāi)Ｐ?，可從多極化雷達觀測結(jié)果中獲取土壤水分和表面均方根高度，在0.1 cm≤ks≤6 cm，10°≤θ≤70°，0.09 cm3/cm3≤mv≤0.31 cm3/cm3等條件下較為適用，經(jīng)驗方程為：

(4)

(5)

(6)

式中Γ0為土壤菲涅爾反射系數(shù)。

1.2 PROSAIL模型

PROSAIL模型是由PROSPECT葉片光譜模型和SAIL模型耦合得到的[31]。PROSPECT模型是由Allen等[32]于1969年提出的平板模型改進而來。輸入葉片的微觀結(jié)構(gòu)參數(shù)及生化參數(shù)，模型可模擬從可見光—中紅外波段范圍內(nèi)的葉片反射與透射光譜。SAIL模型是適用于農(nóng)田冠層的最具代表性的輻射傳輸模型之一，是Verhoef[33]在SUIT模型[34]的基礎(chǔ)上發(fā)展而來的。SAIL模型考慮了影響冠層輻射傳輸?shù)娜~傾角、葉片光譜、土壤光譜、葉面積指數(shù)(leaf area index,LAI)、熱點大小等參數(shù)，可以準確的模擬冠層光譜。Jacquemoud[35]首先證明了PROSPECT模型和SAIL模型在理論上耦合的可行性，之后PROSAIL模型被廣泛用于植被生物量、冠層含水量mveg和LAI等方面的研究。

1.3 水云模型

水云模型是Ulaby等[36]在1984年提出，該模型將植被層假定為一個各向同性散射體，把地表后向散射描述為植被直接散射與經(jīng)過植被雙程衰減的土壤散射之和。水云模型一般表示為：

(7)

(8)

τ2(θ)=exp(-2BVIsecθ)

(9)

實際應(yīng)用中關(guān)于VI的確定，Lievens等[37]選取LAI，VWC和NDVI作為植被指標初始化水云模型，得到土壤水分，結(jié)果顯示，該研究區(qū)利用LAI推導土壤水分的精度遠遠高于其他2種植被指數(shù)。2015年，Kweon等[38]利用植被含水量影響雷達穿透深度的特點對水云模型進行了修正，回歸了經(jīng)驗系數(shù)A和B。

1.4 比值模型

比值模型由Joseph等[39]在2008年提出，模型假設(shè)對特定為雷達系統(tǒng)土壤后向散射系數(shù)與雷達總后向散射系數(shù)的比值僅與冠層參數(shù)有關(guān)。模型可表示為：

(10)

式中v為冠層參數(shù)。

為去除植被影響，Joseph等[40]用植被指數(shù)的平方和e指數(shù)的線性組合來表達F，即

aVI2+exp(-bVI)+C=F(v) ，

(11)

式中a,b,c均為模型經(jīng)驗系數(shù)。

2012年，Prakash等[41]單獨使用植被指數(shù)的二次多項式作為F的表達式，即

aVI2+bVI+c=F(v)

(12)

2018年，Bai等[42]用植被指數(shù)的線性函數(shù)和冪指數(shù)函數(shù)的組合來表示F，即

aVI+bVIc=F(v)

(13)

在實際應(yīng)用中，一般由光學遙感數(shù)據(jù)提取的植被指數(shù)，通過合適的函數(shù)形式來表示土壤后向散射系數(shù)與地表總后向散射系數(shù)的比值，同時借助理論模型模擬數(shù)據(jù)或?qū)崪y數(shù)據(jù)進行函數(shù)式的定標，從而實現(xiàn)土壤后向散射系數(shù)的計算。

1.5 MIMICS模型

MIMICS(michigan microwave canopy scattering model)模型是Ulaby等[43]于1990年基于輻射傳輸理論提出的描述連續(xù)森林植被冠層一階微波散射模型，該模型將森林植被分為樹冠層、樹干層和土壤層[44]。冠層葉片被抽象為圓形且有一定厚度的介電圓盤，各級樹枝以及樹干均被抽象為一定尺度大小的介電圓柱體。對低矮植被或農(nóng)作物覆蓋的地表，MIMICS可簡化為：

(14)

(15)

(16)

(17)

(18)

式中：Γp為地表反射率；h為植被冠層高度；σpqs為土壤層雷達后向散射截面；σpq1為單位體積冠層的雷達后向散射截面；σpq2為單位體積冠層的雷達雙向散射截面；kp為冠層消光系數(shù)；Tp為冠層單程透過率。

基于MIMICS的模擬，利用回歸的方法可建立模型參數(shù)σpq1，σpq2，kp和Tp與冠層植被指數(shù)(或冠層含水量或冠層LAI)的關(guān)系，實現(xiàn)模型的參數(shù)化和地表各散射分量的分離計算。

2 基于模型的協(xié)同反演方法

國內(nèi)外學者主要基于光學遙感數(shù)據(jù)對植被冠層較敏感，SAR數(shù)據(jù)對土壤水分較敏感的特征，構(gòu)建光學+SAR遙感土壤水分的協(xié)同反演方法。聯(lián)合使用光學和SAR數(shù)據(jù)進行土壤水分反演的技術(shù)路線如圖1所示。關(guān)鍵步驟包括： ①光學遙感數(shù)據(jù)與SAR 數(shù)據(jù)的輻射校正與配準等預處理； ②基于植被冠層的地面實測數(shù)據(jù)或PROSAIL模擬數(shù)據(jù)構(gòu)建光學遙感數(shù)據(jù)與冠層參數(shù)的關(guān)系，并利用光學遙感數(shù)據(jù)提取微波模型所需的冠層參數(shù)； ③利用定標后的水云模型、參數(shù)化的MIMICS模型或比值模型等微波模型去除植被影響，得到土壤后向散射系數(shù)； ④基于土壤散射模型消除土壤粗糙度影響后得到土壤水分反演結(jié)果。

圖1 土壤水分反演技術(shù)路線Fig.1 Roadmap for soil moisture retrieval technology

2.1 植被影響消除方法

1)光學+水云模型法。利用PROSAIL模型與水云模型相結(jié)合的方法進行土壤水分的反演中，學者們利用PROSAIL模型，建立冠層參數(shù)(如冠層含水量或LAI)與冠層植被指數(shù)(如比值植被指數(shù)(ratio vegetation index，RVI)、NDVI或歸一化水分指數(shù)(normalized difference water index,NDWI)等)的關(guān)系[45-46]，基于水云模型實現(xiàn)植被層影響的消除。

孔金玲等[11]利用TM數(shù)據(jù)分別選取NDVI和NDWI指數(shù)對植被冠層含水量進行反演，通過水云模型消除植被層對土壤后向散射系數(shù)的影響，聯(lián)合RADARSAT-2數(shù)據(jù)反演了旱區(qū)不同植被覆蓋下地表土壤水分，結(jié)果表明NDVI適合去除該地表條件下稀疏植被覆蓋產(chǎn)生的影響； 韓玲等[47]采用多種植被指數(shù)反演植被含水量，發(fā)現(xiàn)將RVI引入水云模型，剔除植被層對雷達后向散射系數(shù)影響的效果更好，VV極化比VH極化更適合于低矮植被覆蓋地表的土壤水分反演； 馬騰等[45]采用不同的植被指數(shù)分別與冠層含水量建立關(guān)系，聯(lián)合水云模型去除植被影響，結(jié)果表明不同植被覆蓋率下存在各自最優(yōu)的植被指數(shù)，土壤水分反演中，不同植被覆蓋率地表應(yīng)采用不同的植被指數(shù)； Yadav等[48]綜合Landsat8數(shù)據(jù)和Sentinel-1A數(shù)據(jù)，將植被覆蓋度與水云模型結(jié)合，進行土壤水分的反演； 周鵬等[1]使用Landsat5光學遙感數(shù)據(jù)獲取改進型歸一化差分水分指數(shù)(normalized difference moisture index，NDMI)，建立NDMI與冠層含水量間的關(guān)系，通過水云模型消除植被覆蓋影響，實現(xiàn)了土壤水分的反演； Park等[49]通過研究理論散射模型與水云模型植被參數(shù)間的關(guān)系，對水云模型原始表達式和改進表達式進行了評價，指出冠層含水量為水云模型中最佳植被描述符； Wang等[50]利用多時序MODIS數(shù)據(jù)提取NDVI,增強植被指數(shù)(enhanced vegetation index，EVI),LAI和光合有效輻射分量(fraction of photosynthetically active radiation，F(xiàn)PAR)參數(shù)，并進行不同組合代入水云模型消除植被影響，結(jié)果表明使用NDVI和LAI組合時效果最好。

2)光學+比值模型法。利用比值模型方法進行土壤水分的反演中，學者們利用不同的植被指數(shù)和函數(shù)形式來表示裸土后向散射系數(shù)與總后向散射系數(shù)間的比值關(guān)系。

2008年，Joseph等[39]利用冠層參數(shù)對土壤散射進行植被校正，并構(gòu)建了比值模型，反演了玉米整個生長周期的土壤水分; 2010年，Joseph等[40]將植被指數(shù)的二次方引入比值模型，基于冠層含水量去除植被效應(yīng)，利用3個角度的極化數(shù)據(jù)對沙壤土地表進行了土壤水分反演; 2012年，Mattar等[51]選擇NDVI去除植被效應(yīng)，得到了較好的結(jié)果; 2015年，Bai等[42]選擇了4種植被參數(shù)(LAI，VWC，NDVI和EVI)來參數(shù)化比值模型，結(jié)果表明比值模型和水云模型的有效性與研究區(qū)域高度相關(guān)，且從土壤水分反演的準確性來看，比值模型優(yōu)于水云模型。

3)光學+MIMICS模型法。利用光學與MIMICS模型相結(jié)合的方法進行土壤水分的反演中，學者們利用光學數(shù)據(jù)提取冠層含水量，再基于參數(shù)化的MIMICS實現(xiàn)地表組分散射分量的分離計算，實現(xiàn)植被影響的去除。

De Roo等[6]基于MIMICS模型的模擬確定冠層植被指數(shù)與冠層的消光系數(shù)、散射系數(shù)的關(guān)系，實現(xiàn)了MIMICS模型的參數(shù)化，利用L波段與C波段聯(lián)合Oh半經(jīng)驗?zāi)Ｐ头囱萘舜蠖垢采w地表農(nóng)田的土壤水分； 鮑艷松等[52]利用MIMICS模型分析了植被微波散射與NDVI間的關(guān)系，建立了反演土壤水分的半經(jīng)驗?zāi)Ｐ停?雷志斌等[53]聯(lián)合高分三號和Landsat8遙感數(shù)據(jù)，首先利用PROSAIL模型和實測植被數(shù)據(jù)進行冠層最優(yōu)植被指數(shù)的篩選后構(gòu)建植被含水量反演模型，然后利用簡化的MIMICS模型進行土壤水分反演； 余凡等[10]聯(lián)合PROSAIL模型和MIMICS模型，提出MIMICS模型的參數(shù)化方法，通過引入植被均方根高度對由冠層重疊造成的雷達陰影進行校正，對甘肅張掖地區(qū)農(nóng)業(yè)灌溉區(qū)進行了土壤水分估算。

2.2 土壤粗糙度消除與土壤水分計算

微波遙感中常用均方根高度s和相關(guān)長度l這2個參數(shù)來表示土壤的粗糙程度。

1)模型參數(shù)化法。Zribi等[54]基于IEM模擬數(shù)據(jù)的分析發(fā)現(xiàn)，在保持其他參數(shù)不變的情況下，2個不同入射角的后向散射差(Δσ0)僅與s2/l比值表示的粗糙度成正比； Rahman等[55]假定在2次圖像采集的時間內(nèi)，只有土壤水分發(fā)生變化，而植被和土壤粗糙度保持不變。利用IEM和干燥土壤條件下的SAR圖像，反演粗糙度s和l參數(shù)，并將所得到的粗糙度用于參數(shù)化IEM，從而在不需要輔助數(shù)據(jù)的情況下實現(xiàn)SAR圖像的土壤水分的反演； Zhu等[56]進一步使用無監(jiān)督的變化檢測方法，將時間序列數(shù)據(jù)分為多個子序列，在較大程度上消除了由于粗糙度變化而造成的多時相土壤水分反演的誤差。

2)查找表法。除了非常粗糙的表面，SAR后向散射系數(shù)對土壤水分的敏感性受相關(guān)長度的影響較均方根高度弱，因此基于IEM模型或AIEM模型建立查找表時可通過固定相關(guān)長度只改變均方根高度來簡化粗糙度參數(shù)個數(shù)。Han等[46]首先基于查找表利用采樣點的土壤水分來獲取土壤有效粗糙度，并建立有效粗糙度與后向散射系數(shù)間的經(jīng)驗函數(shù)，最后通過查找表反演土壤水分； Zhu等[56]將裸露土壤水分的先驗信息整合到基于查找表的遺傳算法(genetic algorithm，GA)反演中，使用時序性多角度L波段SAR進行土壤水分反演，后又將此方法擴展到C波段和X波段上，聯(lián)合使用多波段SAR數(shù)據(jù)來提高土壤水分反演結(jié)果的空間分辨率。

3 基于機器學習的反演方法

4 總結(jié)與展望

利用光學和SAR數(shù)據(jù)協(xié)同反演土壤水分比利用單一數(shù)據(jù)源更具優(yōu)勢。光學遙感對地表植被信息敏感性高，為協(xié)同反演提供植被先驗信息支持。微波具有一定的穿透性，可穿透農(nóng)作物等低矮植被冠層探測到植被覆蓋下的土壤信息，這為協(xié)同反演提供了物理基礎(chǔ)。在綜合利用光學和SAR遙感技術(shù)進行土壤水分反演研究方面，盡管經(jīng)過多年的研究發(fā)展取得了一系列的研究成果，但土壤水分產(chǎn)品精度還不能滿足實際應(yīng)用需求，依然面臨重重困難，但挑戰(zhàn)與機遇并存，主要體現(xiàn)在以下幾個方面：

1)提高算法模型對地表空間異質(zhì)性變化的適應(yīng)性。由于地表類型復雜，不僅土壤質(zhì)地結(jié)構(gòu)和粗糙度有空間變化，還有植被類型、植被形態(tài)和植被濃密程度的不同所帶來的影響。盡管目前發(fā)展了眾多的光學和SAR協(xié)同的土壤水分反演模型和算法，但算法在不同地表條件下的適用性不同，土壤水分產(chǎn)品精度還有巨大的提升空間，發(fā)展能適應(yīng)地表空間異質(zhì)性變化的土壤粗糙度與植被影響的去除算法和持續(xù)改進相關(guān)模型的模擬精度仍然是該研究領(lǐng)域的重點和難點。

2)土壤水分時效性強，多星組網(wǎng)提升衛(wèi)星的時間分辨率。土壤水分具有較強的時效性，而目前高空間分辨率光學和SAR衛(wèi)星的重訪周期長，地表土壤水分變化的時間序列信息還無法得到有效利用。未來多顆衛(wèi)星的組網(wǎng)觀測，可以有效縮短重訪觀測的時間，高時間分辨率的SAR土壤水分觀測將促進土壤水分時序信息的挖掘與應(yīng)用，對提高土壤水分的反演精度有重要的推動作用。

3)光學與SAR遙感機理差異大，深度挖掘光學與SAR遙感的協(xié)同機理。光學和SAR遙感對冠層信息的遙感機理不同，光學遙感主要提供冠層的葉片信息，而冠層的葉片、枝和桿等組分對SAR的后向散射均有影響，因此，進行光學遙感信息與微波遙感信息的機理研究和兩者之間的內(nèi)在聯(lián)系與轉(zhuǎn)化機理研究是提高光學和SAR協(xié)同的土壤水分反演精度的基礎(chǔ)。

4)多頻段多角度光學和SAR遙感數(shù)據(jù)的綜合運用。不同頻段微波對地物的穿透程度不同，高頻微波對植被更敏感，而低頻微波具有更強的穿透性，對土壤參數(shù)更為敏感。多頻段SAR遙感數(shù)據(jù)富含從冠層到土壤層的垂直分布信息。多角度遙感從不同方向探測地物，可提供地物立體信息，富含植被冠層垂直信息和介質(zhì)層粗糙度信息，因此多頻段多角度的光學與SAR遙感數(shù)據(jù)的綜合運用在消除植被冠層對微波散射影響以及土壤粗糙度影響方面有巨大潛力。同時，機器學習方法能夠智能挖掘不同類型傳感器、不同地表的遙感數(shù)據(jù)的深層次內(nèi)在關(guān)系，機器學習方法的運用對提高土壤水分反演精度有重要的推動作用。

盡管目前光學和SAR協(xié)同的土壤水分反演面臨很多有待解決的問題，但隨著光學衛(wèi)星和SAR技術(shù)的深入發(fā)展，多角度、多波段和多時相光學與微波遙感數(shù)據(jù)的豐富，遙感模型的普適性和準確性的提高，基于機器學習的光學與微波協(xié)同作用的深度挖掘，土壤粗糙度與植被冠層影響去除方法的完善，光學和SAR協(xié)同反演土壤水分的應(yīng)用一定有著光明的發(fā)展前景。