衛(wèi)星遙感數(shù)據(jù)反演土壤濕度方法研究

何善寶　龐晶晶　程星　謝珩　李帥帥　蔡敏

摘要：土壤水分是全球水循環(huán)中不可或缺的部分，探測土壤濕度對于生態(tài)規(guī)劃、水文模型構(gòu)建、農(nóng)業(yè)生產(chǎn)、干旱監(jiān)測等具有重要意義。傳統(tǒng)土壤濕度監(jiān)測方法主要包括重量法、電阻法、時(shí)域反射計(jì)法等，存在監(jiān)測區(qū)域小人力成本高等缺點(diǎn)，而衛(wèi)星遙感能大范圍探測土壤濕度變化趨勢且時(shí)空分辨率高，是目前土壤濕度監(jiān)測的主要方法。本文首先歸納了衛(wèi)星遙感監(jiān)測土壤濕度的方法類別，對衛(wèi)星遙感中光學(xué)遙感和微波遙感兩大類土壤濕度反演技術(shù)進(jìn)行了總結(jié)分析；其次分別概述了兩類遙感技術(shù)的基本原理，并對其反演方法進(jìn)行了全面總結(jié)，包括對優(yōu)缺點(diǎn)、適用區(qū)域、反演精度的分析；最后討論了每類方法在土壤濕度反演發(fā)展中面臨的挑戰(zhàn)，并對土壤濕度反演的未來方向進(jìn)行了展望。

關(guān)鍵詞：土壤濕度探測；反演方法；衛(wèi)星遙感

中圖分類號：TP79文獻(xiàn)標(biāo)志碼：A文章編號：1001-2443（2024）01-0001-10

引言

土壤濕度在天氣和氣候、徑流潛力和洪水控制、土壤侵蝕和邊坡破壞、水庫管理、巖土工程和水質(zhì)方面發(fā)揮著關(guān)鍵作用，能夠跟蹤土壤濕度的變化及其存在狀態(tài)，可以更好地應(yīng)對干旱和洪水等自然災(zāi)害，更有效地管理農(nóng)業(yè)生產(chǎn)，因此及時(shí)準(zhǔn)確地獲取土壤濕度數(shù)據(jù)對研究全球氣候問題，建立水文模型和干旱監(jiān)測具有重要意義。早先土壤濕度的測量方法包括重量法、電阻法、負(fù)壓計(jì)法、時(shí)域反射計(jì)法等［1］，這些傳統(tǒng)的測量方法有許多缺點(diǎn)，如測量范圍較小，只能反映被測區(qū)域的局部情況，耗費(fèi)人力、物力和時(shí)間等，而GNSS-R技術(shù)可實(shí)現(xiàn)大范圍地表土壤濕度監(jiān)測，是一種分辨率更高、更靈活、更高效的探測方法［1］。目前土壤濕度監(jiān)測主要是通過遙感方法，根據(jù)電磁波頻段和傳感器類型的不同，分為光學(xué)遙感和微波遙感。衛(wèi)星遙感反演土壤濕度的方法分類圖如圖1所示，土壤濕度遙感監(jiān)測對比如表1所示。

光學(xué)遙感包括可見光-近紅外和熱紅外遙感，光學(xué)遙感的波長較短，穿透信號能力較弱，易受天氣、遮擋等的影響，且由于光學(xué)遙感需要的是視覺信息，無法在夜間獲取地表信息。因此僅僅適合晴朗無云的天氣條件下利用光學(xué)遙感進(jìn)行土壤濕度反演。可見光-近紅外遙感和熱紅外遙感是光學(xué)遙感中兩個重要的波段范圍，它們在土壤濕度觀測和應(yīng)用中具有不同的特點(diǎn)和用途。可見光-近紅外遙感是利用可見光和近紅外波段的反射光譜特征來推斷土壤濕度。土壤濕度對可見光和近紅外光的反射特性有較強(qiáng)的影響［2］。較高濕度的土壤會導(dǎo)致水分的吸收增加，從而在可見光-近紅外波段引起反射率的降低。因此，通過獲取土壤表面的光譜數(shù)據(jù)，特別是近紅外波段的反射率，可以間接估計(jì)土壤濕度的變化情況。近紅外光譜指數(shù)（如Normalized Difference Vegetation Index、Vegetation Supply Water Index等）常被用來反映土壤濕度狀態(tài)或與土壤濕度進(jìn)行相關(guān)性分析。熱紅外遙感則是利用地表或土壤表面的熱輻射特性來估算土壤濕度。土壤濕度對熱傳導(dǎo)和熱容的影響較大。濕度較高的土壤具有較高的熱導(dǎo)率和熱容量，導(dǎo)致較高的地表或土壤表面溫度。通過使用熱紅外像儀或熱紅外傳感器來測量地表溫度，可以間接反推土壤濕度的變化情況。熱紅外遙感技術(shù)廣泛應(yīng)用于土壤濕度監(jiān)測、灌溉管理和水資源評估等領(lǐng)域。

可見光-近紅外遙感波段涵蓋了0.4到1.1[μm]的范圍，包括人眼可見的光譜和近紅外光譜。這個波段區(qū)域在地物識別和植被監(jiān)測中具有重要作用。在地物識別方面，可見光波段提供了人眼可見的圖像，在地物識別和目標(biāo)分類中非常常用。通過可見光圖像，可以區(qū)分不同類型的植被覆蓋、建筑物、水體等地物特征。在植被監(jiān)測方面，植被對可見光和近紅外光具有不同的反射特性，這種反射特性可以用來評估植被的健康狀況、生長狀態(tài)和植被覆蓋度。常用的光學(xué)指數(shù)如歸一化差異植被指數(shù)（NDVI）使用可見光和近紅外光的比值來衡量植被的狀況。熱紅外遙感的波段范圍通常在8到15[μm]之間，屬于長波紅外輻射。它主要反映了地物和地表的熱輻射特性，具有一些獨(dú)特的應(yīng)用優(yōu)勢，熱紅外遙感可以用于分析地表特征、水文輻射計(jì)算、火災(zāi)監(jiān)測等。綜上，可見光-近紅外遙感和熱紅外遙感在地球觀測中發(fā)揮著重要的作用，提供了豐富的地表信息和熱輻射特征，對于地理信息提取、環(huán)境監(jiān)測和資源管理等領(lǐng)域具有廣泛的應(yīng)用價(jià)值。

微波遙感包括主動微波遙感和被動微波遙感以及主被動結(jié)合遙感。微波遙感相比于光學(xué)遙感波長更長，具有較強(qiáng)的穿透能力，因此不容易受到云層和大氣的影響，在對地觀測研究中，微波遙感起著重要的作用［3］。近年來，許多對地觀測衛(wèi)星都配備了微波傳感器，如TMI、SSM/I、ASCAT、SMMR、AMSR-E、AMSE2、SMOS、SMAP等［3］。目前，主動微波遙感、被動微波遙感和主被動微波遙感是微波遙感反演土壤濕度的主要方法。主動微波遙感具有一些優(yōu)勢，例如可以在任何天氣條件下進(jìn)行監(jiān)測，對植被的干擾相對較小，能夠提供具有一定深度分辨能力的土壤濕度信息等。被動微波遙感相比于可見光-近紅外遙感，微波輻射具有較強(qiáng)的穿透能力，不受云層和大氣遮擋的影響，能夠獲取地表以下的土壤信息。此外，微波信號對植被的影響較小，可以在植被覆蓋的地區(qū)進(jìn)行土壤濕度的監(jiān)測。在實(shí)際應(yīng)用中，常用主被動微波遙感來反演土壤濕度以提高土壤濕度反演的準(zhǔn)確性和可靠性。主被動遙感結(jié)合的技術(shù)結(jié)合了主動和被動遙感的特點(diǎn)，通過接收衛(wèi)星信號的反射回波來獲取地表特征和環(huán)境參數(shù)。主被動遙感結(jié)合的技術(shù)具有一些優(yōu)勢，比如：利用GNSS系統(tǒng)的全球覆蓋和高精度定位能力，具備全天候遙感觀測的能力；通過反射信號可以獲得地表和水體的多種參數(shù)信息；相對于其他遙感技術(shù)，主被動結(jié)合遙感技術(shù)的成本相對較低等。主被動遙感結(jié)合的技術(shù)在土壤濕度監(jiān)測、海洋表面粗糙度估計(jì)、冰雪覆蓋監(jiān)測等應(yīng)用領(lǐng)域具有潛力，并在科學(xué)研究和環(huán)境監(jiān)測中得到廣泛應(yīng)用。

1 光學(xué)遙感反演土壤濕度

光學(xué)遙感廣泛應(yīng)用于地質(zhì)勘探、農(nóng)業(yè)、森林監(jiān)測、環(huán)境評估、城市規(guī)劃、災(zāi)害監(jiān)測和氣候研究等領(lǐng)域。通過分析光學(xué)遙感數(shù)據(jù)，可以提取地物的空間分布、土地利用與覆蓋、植被指數(shù)、土壤濕度、地表溫度等信息。這些信息對于環(huán)境管理、資源利用和可持續(xù)發(fā)展具有重要意義。

1.1 光學(xué)遙感原理

光學(xué)遙感是利用可見光和近紅外波段以及熱紅外波段的電磁輻射來獲取地表信息的一種遙感方法?？梢姽?近紅外遙感的主要原理是接收地表對太陽短波輻射的反射信息［3］，基于土壤的光譜反射特征，在可見光-近紅外波段的光譜范圍內(nèi)，土壤中的水分含量會影響光的吸收和反射，不同的土壤濕度含量會直接導(dǎo)致不同的光譜反射特性?？梢姽?近紅外遙感反演方法就是利用土壤及土壤上所覆蓋植被的光譜反射特性來估算土壤濕度［4］。不同的土壤和植被的生化特性、物理特性會引起不同的反射率變化。利用可見光-近紅外波段的光譜數(shù)據(jù)，可以通過特定的指數(shù)或算法模型來反演土壤濕度，常用的方法包括植被指數(shù)法和反射率模型法。植被指數(shù)法是指歸一化植被指數(shù)（NDVI）和植被供水指數(shù)（VSWI）等，利用植被的光譜反射特征來間接估算土壤濕度。反射率模型法則是通過建立土壤光譜反射率與實(shí)測土壤濕度之間的統(tǒng)計(jì)關(guān)系，進(jìn)行反演。紅外遙感在土壤濕度監(jiān)測中的應(yīng)用主要基于兩種原理：熱紅外輻射和植被光譜反射特征。熱紅外輻射原理是土壤中的水分會影響土壤的表面溫度，當(dāng)土壤濕度含量較高時(shí)，水分會散發(fā)熱量，導(dǎo)致土壤表面溫度降低，而土壤濕度含量較低時(shí)，土壤表面溫度則較高，這是因?yàn)樗哂休^高的比熱容，土壤中的水分含量越高，土壤溫度變化的能力就越大［5］。利用紅外遙感技術(shù)可以測量土壤表面的熱紅外輻射，通過分析熱紅外輻射的變化，可以推斷出土壤的水分含量。植被光譜反射特征原理是土壤中的水分含量對植被的光譜反射特征有影響。當(dāng)土壤濕度含量較高時(shí)，土壤中的水分會與植被光譜中的某些波長范圍的能量進(jìn)行吸收。這樣，在這些波長范圍內(nèi)，植被的光譜反射特征會發(fā)生變化。通過利用紅外遙感儀器測量植被光譜數(shù)據(jù)，并對比分析不同土壤濕度含量下的植被光譜反射特征，可以間接推測土壤濕度。在紅外遙感土壤濕度監(jiān)測中，熱紅外輻射和植被光譜反射特征常常結(jié)合使用，以提高監(jiān)測的準(zhǔn)確性和可靠性，但是具體的紅外遙感土壤濕度監(jiān)測方法和模型會受到區(qū)域環(huán)境、土壤類型和遙感數(shù)據(jù)的影響。

1.2 光學(xué)遙感反演土壤濕度模型

光學(xué)遙感通常利用物理模型進(jìn)行土壤濕度反演，常用的模型算法包括反射率法、植被指數(shù)法和熱慣量法三種，因?yàn)榉瓷渎逝c土壤水分之間的關(guān)系比較弱，所以它的應(yīng)用也比較少，當(dāng)前，在土壤水分光學(xué)反演中，使用最多的仍然是熱慣量法和植被指數(shù)法［6］。各反演模型對比如表2所示。

土壤的反射率是指土壤表面對入射光的反射程度。在土壤表面干燥的情況下，土壤顆粒的間隙增大，土壤中的水分被蒸發(fā)，從而土壤反射系數(shù)增大，而土壤表面濕潤的情況下，土壤顆粒間距變小、含水量變大，反射系數(shù)變小，因此，土壤的反射率變化能夠反應(yīng)出地表的干濕情況。在1965年之前，Bowers等人在實(shí)驗(yàn)室中做實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，裸露土地土壤濕度的增加，會導(dǎo)致土壤反射系數(shù)的下降，這為后來的人們使用遙感手段對土壤濕度進(jìn)行遙感監(jiān)測研究奠定了基礎(chǔ)［7］。但是其所建立的經(jīng)驗(yàn)?zāi)Ｐ椭荒軐σ恍┨囟ǖ耐寥榔鹱饔?，不能用于大范圍、大面積的反演，因此，研究者們試圖將土壤質(zhì)地［8］、植被效應(yīng)［9］等土壤參數(shù)引入到反演中，以提高反演的精度和普適性。進(jìn)入21世紀(jì)以來，人們開始關(guān)注如何通過多個波段的聯(lián)合，建立具有更強(qiáng)相關(guān)性的反射率指標(biāo)，從而減弱其它環(huán)境因素對反演精度的不利影響［10］。因此，越來越多的學(xué)者開始通過構(gòu)建土壤濕度和反射率指標(biāo)的線性或非線性經(jīng)驗(yàn)公式，來實(shí)現(xiàn)土壤濕度反演［11-12］，但其空間普適性仍不夠理想。繼而，一些研究者提出了高斯半經(jīng)驗(yàn)?zāi)Ｐ停?3］、KM雙通量輻射傳輸模型［14］、多層輻射傳輸模型［15］等的半經(jīng)驗(yàn)和機(jī)理反演模型。盡管這些反演模型的計(jì)算比較繁瑣，而且很少用于土壤濕度反演，但是它們可以很好地模擬出土壤濕度和反射率之間的非線性關(guān)系，從而避開了經(jīng)驗(yàn)?zāi)Ｐ椭蟹爆嵉亩?biāo)過程，是未來利用反射率法進(jìn)行土壤濕度反演的發(fā)展趨勢［10］。

植被指數(shù)法是指歸一化植被指數(shù)（NDVI）和植被供水指數(shù)（VSWI）等，利用植被的光譜反射特征來間接估算土壤濕度含量。前期研究表明，土壤濕度通過影響植物的蒸騰過程，從而影響到葉片與空氣的溫差，經(jīng)實(shí)際測量數(shù)據(jù)資料證實(shí)，該效應(yīng)呈線性關(guān)系［16-17］。因此，為了描述作物區(qū)的土壤濕度狀態(tài)，相繼提出了作物水分脅迫指數(shù)［18］和植被供水指數(shù)［19］。另外，也有使用表征植被狀態(tài)的指數(shù)來替代溫度指數(shù)，來構(gòu)建類似指標(biāo)，比如距平植被指數(shù)［20］和植被條件指數(shù)［21］等。在后續(xù)的研究中，溫度植被指數(shù)［22］（NDVI/LST），目前最常用的土壤濕度反演指數(shù)——溫度植被干旱指數(shù)［23］（TDVI）等相繼被提出。表3列出了幾種常用的土壤濕度指數(shù)，它們在干旱評估和土壤濕度估計(jì)中，得到了廣泛的應(yīng)用。通常利用經(jīng)驗(yàn)擬合將這些指數(shù)轉(zhuǎn)換為土壤濕度［24-25］。這些指數(shù)是根據(jù)土壤濕度與植物蒸騰、溫度差等因素之間的關(guān)系提出的，通過遙感數(shù)據(jù)和統(tǒng)計(jì)分析，可以用來評估土壤濕度狀況和干旱程度。使用這些指數(shù)可以幫助農(nóng)業(yè)、環(huán)境等領(lǐng)域進(jìn)行土壤濕度監(jiān)測和預(yù)測。然而，在當(dāng)前的研究中，指數(shù)和土壤濕度之間轉(zhuǎn)換機(jī)理的研究非常有限。因此，指數(shù)和土壤濕度之間的轉(zhuǎn)換理論基礎(chǔ)相對較弱，而這一點(diǎn)也是當(dāng)前研究的一個重要挑戰(zhàn)。同時(shí)，在不同的土壤類型下，轉(zhuǎn)換理論基礎(chǔ)也不盡相同，這也是后續(xù)研究需要探討的一個重要問題。

熱慣量法是熱紅外法最常用的一種模型算法。熱慣量法是一種常用的土壤濕度反演方法，該方法利用土壤表面的溫度和熱慣量參數(shù)來推斷土壤的水分含量熱慣量的物理計(jì)算公式可以表示為

TI=√kρc （1）

式中，[TI]表示土壤熱慣量，[k]表示土壤熱導(dǎo)率，單位為[W/（m?K）]，[ρ]表示土壤密度，單位為[kg/m3]，[c]表示土壤的比熱容，單位為[J/（kg?K）]。

實(shí)際上，通過遙感手段直接獲取式（1）中的參數(shù)是很困難的，因此，許多研究采用了一種簡化的方法，即通過測量地表的溫度日夜變化來估計(jì)地表的熱慣量。通過分析地表溫度的日夜變化，可以估計(jì)地表的熱慣量，從而推斷土壤的水分含量。這種方法在一定程度上簡化了數(shù)據(jù)獲取的復(fù)雜性，提供了一種可行的手段來估計(jì)土壤濕度。在20世紀(jì)70年代Watson等人求解出一維熱傳導(dǎo)方程，并確定了地表溫度和地表熱慣量之間的轉(zhuǎn)換關(guān)系［26-27］。隨后，Price提出了一種利用遙感數(shù)據(jù)計(jì)算地表熱慣量的一般方法［28］ 。然而，這種熱慣量計(jì)算方法需要的輔助參數(shù)如地表風(fēng)速、地表粗糙度和空氣濕度等比較多。為了降低對輔助數(shù)據(jù)的依賴并提高模型的可行性，Xue等人在前人的基礎(chǔ)上提出了一種只需獲取一天內(nèi)最高氣溫時(shí)間和衛(wèi)星觀測的晝夜溫差的熱慣量模型［29］。但是，該方法對地表風(fēng)速、地表粗糙度、大氣含水率等輔助參數(shù)的要求較高。為減少對輔助數(shù)據(jù)的依賴，提高模式的適用性， Xue等人提出了一個僅需要得到日最高溫度時(shí)刻和晝夜溫度差的熱慣性模型［29］。后來，Sobrino等人提出了一種利用一天中4次衛(wèi)星過境觀測數(shù)據(jù)反演日最高溫度的時(shí)刻［30］，但是，這種方法需要較高的運(yùn)行頻次，很難推廣使用。

盡管熱慣量法的物理意義明確且其反演小范圍裸土地區(qū)的土壤濕度精度較高，然而，該方法也存在著一定的缺陷，例如，受到土壤類型、植被覆蓋等外部因素的影響，熱慣量法難以實(shí)現(xiàn)大范圍的土壤濕度的精確反演，以及無法實(shí)現(xiàn)高精度的植被密集覆蓋區(qū)域土壤濕度反演等。

2 微波遙感反演土壤濕度

微波遙感反演土壤水分的理論是基于微波遙感土壤的土壤的介電特性與其含水量有著密切的聯(lián)系，而在遙感影像上，土壤的介電常數(shù)發(fā)生變化時(shí)，其灰度值和亮度溫度也會發(fā)生變化［31-32］。微波遙感按照工作原理分類可分為主動微波遙感、被動微波遙感和主被動微波遙感三類。微波遙感較光學(xué)遙感波長更長，穿透力更強(qiáng)，不受大氣云層等的影響。

2.1 微波遙感原理

主動微波遙感是一種利用主動發(fā)射的微波信號，通過測量地面上的反射、散射和回波特性來進(jìn)行土壤濕度反演的遙感技術(shù)。與被動微波遙感不同，主動微波遙感是通過發(fā)送特定頻率和極化的微波信號并接收回波來獲取土壤濕度信息的。主動微波遙感的傳感器以雷達(dá)為主，在實(shí)際應(yīng)用中，合成孔徑雷達(dá)（SAR）在獲取較高分辨率數(shù)據(jù)方面發(fā)揮了重要作用［33］。主動微波遙感技術(shù)可以通過計(jì)算地表后向散射系數(shù)和土壤介電常數(shù)之間的關(guān)系來實(shí)現(xiàn)，從而實(shí)現(xiàn)精確監(jiān)測土壤濕度［34］。當(dāng)衛(wèi)星信號經(jīng)由地表發(fā)生反射或散射后，其信號的極化特征會發(fā)生明顯的改變［35］，散射信號與入射信號之間的關(guān)系可以用菲涅爾反射系數(shù)來表述，垂直極化、水平極化、左旋極化、右旋極化的菲涅爾反射系數(shù)分別表示為

在衛(wèi)星通信系統(tǒng)中，衛(wèi)星發(fā)射的信號往往采用右旋圓極化，而為了有效地接收這些信號，地面接收站一般使用左旋圓極化天線。

接收機(jī)接收到的地表反射信號由相干分量占主導(dǎo)，對應(yīng)的相干反射功率可表示為［36］

式中，[λ]是電磁波的波長，[Rts]和[Rsr]分別是衛(wèi)星發(fā)射機(jī)和接收機(jī)到鏡面反射點(diǎn)的距離，[Pt]是衛(wèi)星的發(fā)射功率，[Gt]是發(fā)射天線的增益，[Gr]是接收天線的增益， [θ]是信號入射角， [Γ（θ）]表示當(dāng)入射角為[θ]時(shí)鏡面反射點(diǎn)處的土壤反射率。

[Γ（θ）]和菲涅爾反射系數(shù)、地表粗糙度、植被覆蓋有關(guān)，可以表示為

式中，[?LR]表示菲涅爾反射系數(shù)；[τ]為地表均方根高度；[σ]為植被光學(xué)厚度，[k]表示角波數(shù)，[k=2π/λ]。理想情況下，由（7）式可求出菲涅爾反射系數(shù)，并由（4）式可求出介電常數(shù)，根據(jù)介電常數(shù)模型最終可求出土壤濕度。

被動微波遙感是利用地面上發(fā)射的微波信號來進(jìn)行遙感探測的技術(shù)。這種方法利用地面上發(fā)射的微波信號，通過測量和分析地表反射、散射及輻射特性來進(jìn)行土壤濕度反演。

被動微波遙感反演土壤濕度的原理是基于土壤對微波輻射的散射和吸收特性，通過分析土壤對微波輻射的散射和吸收過程，利用微波輻射與土壤濕度之間的關(guān)系，建立反演模型，進(jìn)而可以推斷出土壤濕度的估計(jì)值。GNSS-R技術(shù)就是被動微波遙感的一個代表，圖2為GNSS-R遙感系統(tǒng)的工作結(jié)構(gòu)圖。GNSS-R利用星載、空基、岸基等平臺上搭載的接收機(jī)接收直射信號和反射信號來進(jìn)行遙感和反演［37］。主被動微波遙感是一種綜合利用主動和被動微波遙感進(jìn)行對地觀測的遙感技術(shù)，該技術(shù)結(jié)合了主動和被動微波遙感的優(yōu)勢，可以更準(zhǔn)確地推斷土壤濕度，并提高土壤濕度反演的精度和可靠性。主被動微波遙感反演土壤濕度的原理是通過綜合利用主動和被動微波遙感數(shù)據(jù)，建立反演模型，進(jìn)而估算出土壤濕度值。這種方法能夠提供更豐富和全面的土壤濕度信息，而且在農(nóng)業(yè)、水資源管理和環(huán)境監(jiān)測等領(lǐng)域具有重要的應(yīng)用價(jià)值。

主動微波遙感衛(wèi)星主要有加拿大國家航天局（CSA）推出的RADARSAT系列衛(wèi)星，如RADARSAT-1、RADARSAT-2和RADARSAT Constellation、德國航天中心（DLR）和歐洲空間局（ESA）合作開發(fā)的TerraSAR-X衛(wèi)星、意大利航天局（ASI）和意大利防務(wù)公司合作的COSMO-SkyMed衛(wèi)星系列及歐洲空間局（ESA）推出的Sentinel-1等，它們都采用了主動微波雷達(dá)技術(shù)來獲取高分辨率的地球觀測信息，其中Sentinel-1常用于地表覆蓋物的監(jiān)測。被動微波遙感衛(wèi)星主要有美國地質(zhì)調(diào)查局（USGS）和NASA合作開發(fā)的Landsat系列衛(wèi)星，如Landsat 8、NASA的Terra和Aqua衛(wèi)星攜帶的MODIS傳感器、歐洲空間局（ESA）推出的Sentinel衛(wèi)星系列，如Sentinel-2和Sentinel-3及NASA推出的CYGNSS衛(wèi)星。它們主要利用可見光和紅外光譜范圍的輻射來監(jiān)測地表覆蓋、植被狀況、水體成分等。被動微波遙感衛(wèi)星不同于主動微波遙感衛(wèi)星，其不發(fā)送信號只接收來自太陽光能量的反射信號或GPS等其他衛(wèi)星的反射信號，其中CYGNSS衛(wèi)星可以觀測洋面信息和探測地表信息，常利用CYGNSS數(shù)據(jù)來檢測土壤濕度。CYGNSS是一個由8顆衛(wèi)星組成的衛(wèi)星星座， CYGNSS接收機(jī)會接收直接信號和反射信號，其天頂指向天線接收來自GPS衛(wèi)星的直接信號，天底指向天線接收來自鏡面反射點(diǎn)的反射信號，可以通過分析反射信號與直接信號的差異來推測地表的性質(zhì)和狀態(tài)。主被動微波遙感衛(wèi)星主要有NASA的 SMAP（Soil Moisture Active Passive）衛(wèi)星、NASA和阿根廷國家航天局（CONAE）合作的Aquarius/SAC-D衛(wèi)星、NASA和日本航空航天局 （JAXA）合作開發(fā)的GPM衛(wèi)星、ESA的SMOS（Soil Moisture and Ocean Salinity）衛(wèi)星及中國的FY-3系列衛(wèi)星，如FY-3A、FY-3B等。主被動微波遙感衛(wèi)星結(jié)合了主動與被動的微波遙感技術(shù)，可以提供全球范圍內(nèi)的土壤濕度、冰雪覆蓋、海洋鹽度等關(guān)鍵參數(shù)的觀測數(shù)據(jù)。其中SMAP數(shù)據(jù)常被用于監(jiān)測土壤濕度，SMAP航天器攜帶兩個儀器，一個合成孔徑雷達(dá)（主動傳感器）和一個輻射計(jì)（被動傳感器）。其任務(wù)設(shè)計(jì)是將輻射計(jì)的高精度和雷達(dá)的高空間分辨率相結(jié)合，以中等空間分辨率進(jìn)行高質(zhì)量測量。然而航天器的L波段雷達(dá)發(fā)生故障不能繼續(xù)使用，目前仍在工作的只有輻射計(jì)。由于SMAP衛(wèi)星數(shù)據(jù)精度很高，在進(jìn)行土壤濕度反演時(shí)常被視為真值數(shù)據(jù)用于檢測反演的準(zhǔn)確度。

2.2 微波遙感反演土壤濕度模型

目前，利用微波遙感反演土壤濕度的方法可以分為物理模型、經(jīng)驗(yàn)?zāi)Ｐ汀虢?jīng)驗(yàn)?zāi)Ｐ秃蜋C(jī)器學(xué)習(xí)幾大類，各模型優(yōu)缺點(diǎn)對比如表4所示。

物理模型算法簡單但公式推導(dǎo)復(fù)雜，相比于其他算法應(yīng)用較少。Mironov等人提出了一種估算土壤中束縛水和自由水的最大束縛水含量和介電常數(shù)的方法。由此獲得的土壤中水的介電性質(zhì)用于推導(dǎo)兩種類型水的德拜光譜參數(shù)，提出并驗(yàn)證了微波波段土壤介電常數(shù)的預(yù)測模型［38］。

經(jīng)驗(yàn)?zāi)Ｐ秃桶虢?jīng)驗(yàn)?zāi)Ｐ退惴ê唵?，通過分析CYGNSS觀測值和土壤濕度數(shù)據(jù)之間的關(guān)系，來推斷土壤濕度。由于它們能夠清晰地展示出這兩者之間的關(guān)系，這種方法在研究中被廣泛應(yīng)用。2016年Chew等人利用英國DemoSat-1衛(wèi)星（TDS-1）的觀測結(jié)果，研究了星載全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）接收機(jī)感知土壤濕度變化的能力，結(jié)果證實(shí)了微波遙感數(shù)據(jù)反演土壤濕度的可行性［39］。2018年，Chew等人將1年內(nèi)（2017—2018）CYGNSS的反射功率觀測結(jié)果與SMAP土壤濕度進(jìn)行了比較，發(fā)現(xiàn)CYGNSS反射率的變化和SMAP 土壤濕度的變化之間存在很強(qiáng)的正線性關(guān)系，并證實(shí)了CYGNSS可以提供全球土壤濕度觀測。2020年，Chew等人建立了一個數(shù)據(jù)集，該數(shù)據(jù)集提供了2017年至今在+/-38度緯度以6小時(shí)間隔稀疏采樣的土壤表面上部5厘米的土壤濕度反演。該產(chǎn)品通過將CYGNSS反射率觀測值與SMAP的土壤濕度反演值進(jìn)行校準(zhǔn)而開發(fā)。根據(jù)171個原位土壤水分探針的觀測結(jié)果進(jìn)行驗(yàn)證，ubRMSE為0.049 cm3/cm3，SMAP和現(xiàn)場觀測之間的中值ubRMSE為0.045 cm3/cm3，證明UCAR/CU土壤水分產(chǎn)品可以作為SMAP的補(bǔ)充。同年，萬瑋等人對2017—2019年的CYGNSS數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，提出兩步標(biāo)定法，將反演結(jié)果與SMAP土壤濕度的相關(guān)系數(shù)從0.46提升到0.74，土壤濕度反演精度顯著提高［40］。

雖然經(jīng)驗(yàn)?zāi)Ｐ秃桶虢?jīng)驗(yàn)?zāi)Ｐ退惴ê唵?，但其?jì)算量大，土壤濕度反演過程也更復(fù)雜，而機(jī)器學(xué)習(xí)準(zhǔn)確性和效率都較高，因此許多研究利用機(jī)器學(xué)習(xí)反演土壤濕度。

胡羽豐等人利用人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，通過學(xué)習(xí)川藏交通廊道2018—2019年的CYGNSS和SMAP中關(guān)于土壤濕度的數(shù)據(jù)進(jìn)行預(yù)測，為了測試ANN模型的反演精度和可行性，胡羽豐等人進(jìn)行了三種檢驗(yàn)，分別使用2018年CYGNSS的土壤濕度數(shù)據(jù)的訓(xùn)練集結(jié)果與同時(shí)段的SMAP土壤濕度數(shù)據(jù)進(jìn)行對比，結(jié)果顯示：2018 年CYGNSS土壤濕度與 SMAP土壤濕度的年均相關(guān)系數(shù)為0.857，年均RMSE為0.030cm3/cm3，年均Bias為0.016cm3/cm3，說明該模型訓(xùn)練結(jié)果良好，其結(jié)果與目標(biāo)參數(shù)SMAP數(shù)據(jù)之間有較高的內(nèi)符合度；使用2019年CYGNSS的土壤濕度數(shù)據(jù)的測試集結(jié)果與同時(shí)段的SMAP土壤濕度數(shù)據(jù)進(jìn)行對比，結(jié)果顯示，2019年CYGNSS土壤濕度數(shù)據(jù)與SMAP土壤濕度數(shù)據(jù)的年均相關(guān)系數(shù)為0.743，年均RMSE為0.034cm3/cm3，年均Bias為0.010 cm3/cm3，雖然相關(guān)系數(shù)相對于2018年有所降低，但RMSE和Bias沒有明顯的變化，說明ANN模型遷移性較好，模型的預(yù)測精度較好；使用預(yù)測結(jié)果、SMAP土壤濕度數(shù)據(jù)及實(shí)測地表土壤濕度對比，最終驗(yàn)證了ANN模型的反演可行性［41］。

Senyurek等人對比分析了人工神經(jīng)網(wǎng)絡(luò)（ANN）、隨機(jī)森林（RF）和支持向量回歸（SVR）這三種常用的機(jī)器學(xué)習(xí)算法關(guān)于預(yù)測土壤濕度的性能。他們通過交叉驗(yàn)證確定了最優(yōu)的反演模型RF。除此之外，該研究還首次將土壤類型作為輸入特征，并分析了土地覆蓋類型和土壤質(zhì)地條件對反演結(jié)果的影響［42］。研究結(jié)果顯示，在植被含水量小于5k/m2、空間異質(zhì)性相對較低的地區(qū)，該算法可以提供可靠的土壤濕度估計(jì)值。之后，Senyurek等人將該算法的應(yīng)用擴(kuò)展至全球范圍，并通過對170個SMN站點(diǎn)近3年的數(shù)據(jù)進(jìn)行學(xué)習(xí)，生成了間分辨率最高為1天、空間分辨率為9公里的CYGNSS土壤濕度。與SMAP的土壤濕度相比，其ubRMSD為0.044 cm3/cm3，相關(guān)系數(shù)為0.66［43］，反演精度良好。

Yan等人為了減少土地地形對反演結(jié)果造成的影響，提出了基于預(yù)分類策略的機(jī)器學(xué)習(xí)回歸土壤濕度估計(jì)，把SMAP土壤濕度數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，把同類型的土地?cái)?shù)據(jù)進(jìn)行聚類，通過比較有與沒有預(yù)分類的土壤濕度估計(jì)的總體性能，在全球范圍內(nèi)采用XGBoost模型進(jìn)行土壤濕度反演得到的反演結(jié)果［44］，相比于傳統(tǒng)機(jī)器學(xué)習(xí)模型的反演結(jié)果，預(yù)分類策略有效提高了反演精度，表明土地覆蓋類型在土壤濕度反演中的重要作用及應(yīng)用預(yù)分類策略的有效性［45］。Fangni等人也采用了聚類的方法構(gòu)建機(jī)器學(xué)習(xí)模型，不同于Yan等人的研究，此研究采用多種不同的聚類策略，基于3km網(wǎng)格進(jìn)行聚合，構(gòu)建多種以不同尺寸網(wǎng)格為基礎(chǔ)的訓(xùn)練模型。該研究采用32種組合方式劃分全球網(wǎng)格，將土地覆蓋類型與氣候帶結(jié)合，把CYGNSS的土壤濕度數(shù)據(jù)和反射率、TES、入射角等輔助參數(shù)作為模型的輸入數(shù)據(jù)，在每個聚類策略下構(gòu)建RF模型進(jìn)行土壤濕度反演［46］，結(jié)果表明CYGNSS時(shí)空分辨率高，其數(shù)據(jù)準(zhǔn)確率高，可以作為全球土壤濕度數(shù)據(jù)庫的有效補(bǔ)充。

豐秋林等人為了快速準(zhǔn)確地估算區(qū)域尺度上的土壤濕度，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)算法的GNSS衛(wèi)星反射信號士壤濕度反演模型，實(shí)驗(yàn)結(jié)果表明基于BP神經(jīng)網(wǎng)絡(luò)算法的GNSS衛(wèi)星反射信號土壤濕度反演方法獲取的土壤濕度結(jié)果與土壤濕度參考值誤差較小，反演精度較高，將BP神經(jīng)網(wǎng)絡(luò)模型與線性回歸統(tǒng)計(jì)模型對比［47］，結(jié)果顯示利用BP神經(jīng)網(wǎng)絡(luò)模型定量估測土壤濕度明顯優(yōu)于線性回歸統(tǒng)計(jì)模型，證明了該方法的可靠性。

目前，在使用機(jī)器學(xué)習(xí)方法進(jìn)行土壤濕度反演的研究中，通常只考慮CYGNSS DDM的設(shè)計(jì)特征，然而整個DDM圖像受到土壤濕度、洪水和植被的影響，基于此，Nabi等人提出了一種利用CNN的數(shù)據(jù)驅(qū)動方法來確定反映測量值和表面參數(shù)之間的復(fù)雜關(guān)系，從而提供改進(jìn)的土壤濕度估計(jì)，其反演結(jié)果與目標(biāo)參數(shù)的ubRMSD值為0.0333cm3/cm3，相關(guān)系數(shù)值為0.94，說明CNN模型反演土壤濕度具有良好的可行性［48］。除此之外，還有很多研究者進(jìn)行了基于不同機(jī)器學(xué)習(xí)模型、不同特征參數(shù)輸入的反演，都得到了不錯的反演效果。

3 總結(jié)與展望

基于衛(wèi)星遙感數(shù)據(jù)反演土壤濕度的研究目前仍處于發(fā)展階段，雖然開展了許多研究，利用多種反演模型得到了不錯的反演結(jié)果，但還存在一些不確定因素，面臨諸多挑戰(zhàn)，本節(jié)將對這些挑戰(zhàn)進(jìn)行分析和展望。

（1）需要綜合利用光學(xué)遙感和微波遙感數(shù)據(jù)反演土壤濕度以提高反演精度和可靠性。光學(xué)遙感雖然可以提供較高的空間分辨率，清晰地觀測到地表信息，并且可以同時(shí)獲取不同波段的光譜信息，但其波長較短，信號的穿透能力較弱，易受大氣云層等的影響。由于光學(xué)遙感需要視覺信息，而夜間可獲得的視覺信息很少，因此只能在晴朗無云的白天利用光學(xué)遙感進(jìn)行土壤濕度反演。光學(xué)傳感器對土壤表面的遮蓋物（如植被、裸地或積水等）非常敏感，植被的光譜、結(jié)構(gòu)和覆蓋度會對光學(xué)信號產(chǎn)生干擾，使得反演土壤濕度的精確性下降，所以光學(xué)遙感適用于無植被區(qū)或植被覆蓋較少的區(qū)域的土壤濕度測量。由于光學(xué)遙感易受外界條件影響，因此，在進(jìn)行土壤濕度反演時(shí)，要盡可能結(jié)合其他數(shù)據(jù)源和模型進(jìn)行校正和驗(yàn)證，以提高精度。

（2）利用傳統(tǒng)反射計(jì)采樣數(shù)據(jù)與衛(wèi)星數(shù)據(jù)結(jié)合提高精度。微波遙感雖然具有透過云層和植被、全天候觀測、垂直探測等能力，但其難以反演局部區(qū)域的細(xì)致土壤濕度變化。這與傳統(tǒng)反射計(jì)恰好互補(bǔ)，可以進(jìn)行多源數(shù)據(jù)融合，結(jié)合傳統(tǒng)反射計(jì)采樣數(shù)據(jù)與衛(wèi)星數(shù)據(jù)，利用它們各自的優(yōu)勢提高土壤濕度反演的準(zhǔn)確性和空間分辨率。

（3）抓住發(fā)展大趨勢，充分利用人工智能算法反演土壤濕度提高精度。使用更先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，例如多模態(tài)神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制網(wǎng)絡(luò)、Transformer模型等。多模態(tài)神經(jīng)網(wǎng)絡(luò)可以根據(jù)二維的DDM圖和一維的經(jīng)度緯度入射角等信息進(jìn)行學(xué)習(xí)訓(xùn)練，比在DDM圖中提取信息并訓(xùn)練更簡單高效；注意力機(jī)制網(wǎng)絡(luò)可以通過學(xué)習(xí)空間相關(guān)性的權(quán)重了解土壤濕度的空間變化趨勢；Transformer模型是ChatGPT的核心模型，可以同時(shí)考慮時(shí)空相關(guān)性，是個不錯的反演土壤濕度的工具。

基于衛(wèi)星遙感數(shù)據(jù)的土壤濕度反演仍處于發(fā)展階段，但具有廣闊的應(yīng)用前景。通過解決目前存在的挑戰(zhàn)，并積極探索新的技術(shù)和方法，可以進(jìn)一步提高反演精度和空間分辨率，為農(nóng)業(yè)和水資源管理等領(lǐng)域的應(yīng)用提供更準(zhǔn)確、實(shí)用的土壤濕度信息。

參考文獻(xiàn)：

［1］ 裴悅琨，韓心新.GNSS-R探測土壤濕度綜述［J］.大地測量與地球動力學(xué)，2021，41（2）：140-144.

［2］ 肖斌，沙晉明.土壤濕度遙感反演方法概述［J］.遙感信息，2007（6）：94-98.

［3］ 李占杰，陳基培，劉艷民，等.土壤濕度遙感反演研究進(jìn)展［J］. 北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，56（3）：474-481.

［4］ 吳欣睿.基于MODIS影像的松嫩平原土壤濕度反演特征研究［J］.哈爾濱師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，33（4）：1 -123.

［5］ 胡猛，馮起，席海洋.遙感技術(shù)監(jiān)測干旱區(qū)土壤水分研究進(jìn)展［J］.土壤通報(bào)，2013，44（5）：1270.

［6］ ZHAO-LIANG L，PEI L，CHENG HU Z， et al. Soil moisture retrieval from remote sensing measurements： Current knowledge and directions for the future［J］. Earth-Science Reviews，2021（2）：218.

［7］ BOWERS A S，HANKS J R. Reflection of radiant energy from soils［J］. Soil Science，1965，100（2）：20.

［8］ K. A S. Spectral reflectance characteristics of soils and its correlation with soil properties and surface conditions［J］. Journal of the Indian Society of Remote Sensing，1986，14（1）：54.

［9］ 劉培君，張琳，艾里西爾·庫爾班，等.衛(wèi)星遙感估測土壤濕度的一種方法［J］.遙感學(xué)報(bào)，1997（2）：135-138+81.

［10］ 覃湘棟，龐治國，江威.土壤濕度光學(xué)遙感反演方法研究進(jìn)展和挑戰(zhàn)［J］.人民珠江，2021，42（11）：38-45+111.

［11］ 劉偉東，F(xiàn)rédéric Baret，張兵，等. 高光譜遙感土壤濕度信息提取研究［J］.土壤學(xué)報(bào)，2004（5）：700-706.

［12］ WEIDONG L，BARET F，XING FA G， et al. Relating soil surface moisture to reflectance［J］. Remote Sensing of Environment，2002，81（2）：11.

［13］ WHITING L M，LI L，USTIN L S. Predicting water content using Gaussian model on soil spectra［J］. Remote Sensing of Environment，2003，89（4）：72.

［14］ SADEGHI M，JONES B S，PHILPOT D W. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands［J］. Remote Sensing of Environment，2015（1）：164.

［15］ BAHAEIAN E，SADEGHI M，F(xiàn)RANZ E T， et al. Mapping soil moisture with the OPtical TRApezoid Model （OPTRAM） based on long-term MODIS observations［J］. Remote Sensing of Environment，2018（2）：211.

［16］ EHRLER L W. Cotton leaf temperatures as related to soil water depletion and meteorological factors［J］. Agronomy Journal，1973，65（3）：26.

［17］ IDSO S，JACKSON R，PINTER P， et al. Normalizing the stress-degree-day parameter for environmental variability［J］. Agricultural Meteorology，1981（1）：24.

［18］ JACKSON D R，IDSO B S，REGINATO J R， et al. Canopy temperature as a crop water stress indicator［J］. Water Resources Research，1981，17（4）：77.

［19］ M.S. M，T.R. C，Y. I， et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index［J］. Remote Sensing of Environment，1994，49（3）：15.

［20］ 陳維英，肖乾廣，盛永偉.距平植被指數(shù)在1992年特大干旱監(jiān)測中的應(yīng)用［J］.環(huán)境遙感，1994（2）：106-112.

［21］ KOGAN N F. Remote sensing of weather impacts on vegetation in non-homogeneous areas［J］. International Journal of Remote Sensing，1990，11（8）：23.

［22］ N T C，R R G，M E P. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover［J］. Remote Sensing Reviews，1994，9（1-2）：36.

［23］ SANDHOLT I，RASMUSSEN K，ANDERSEN J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status［J］. Remote Sensing of Environment，2002，79（2）：45.

［24］ 張新平，喬治，李皓，等.基于Landsat影像和不規(guī)則梯形方法遙感反演延安城市森林表層土壤濕度［J］.遙感技術(shù)與應(yīng)用，2020，35（1）：120-131.

［25］ 魏國栓，沈潤平，丁國香.儀征地區(qū)農(nóng)田深層土壤濕度遙感反演初探［J］.遙感技術(shù)與應(yīng)用，2008（1）：36-41.

［26］ WATSON K. Periodic heating of a layer over a semi‐infinite solid［J］. Journal of Geophysical Research，1973，78（26）：12.

［27］ POHN H，OFFIELD T，WATSON K.Thermal inertia mapping from satellite discrimination of geology unit in Oman［J］.Journal of Research of the US Geological Survey，1974（2）：147-158.

［28］ PRICE C J. Thermal inertia mapping： A new view of the Earth［J］. Journal of Geophysical Research，1977，82（18）：21.

［29］ XUE Y，CRACKNELL P A. Advanced thermal inertia modelling［J］. International Journal of Remote Sensing，1995，16（3）：30.

［30］ SOBRINO A J，KHARRAZ E H M. Combining afternoon and morning NOAA satellites for thermal inertia estimation： 1. Algorithm and its testing with Hydrologic Atmospheric Pilot Experiment-Sahel data［J］. Journal of Geophysical Research： Atmospheres，1999，104（D8）：53.

［31］ 馬春芽，王景雷，黃修橋.遙感監(jiān)測土壤水分研究進(jìn)展［J］.節(jié)水灌溉，2018（5）：70.

［32］ SINHA A K. Variations in soil spectral reflectance related to soil moisture， organic matter and particle size［J］.Journal of the Indian Society of Remote Sensing，1987，15（2）： 7.

［33］? CHEW C C，SMALL E E. Soil moisture sensing using spaceborne GNSS reflections： Comparison of CYGNSS reflectivity to SMAP soil moisture［J］. Geophysical Research Letters，2018，45（9）：42.

［34］ 趙少華，秦其明，沈心一，等.微波遙感技術(shù)監(jiān)測土壤濕度的研究［J］.微波學(xué)報(bào)，2010，26（2）：90.

［35］ 董雪園. 土壤含水量的GPS-R遙感反演模型研究［D］.徐州：中國礦業(yè)大學(xué)，2014：55.

［36］ 郭斐，董桂芳，朱逸凡，等.一種土地類型標(biāo)簽精細(xì)化的GNSS-R土壤濕度反演方法［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）：2023（4）：34.

［37］ 侯奇慧，張鳳元，楊東凱.GPS反射信號軟件接收機(jī)設(shè)計(jì)與實(shí)現(xiàn)［J］.全球定位系統(tǒng)，2013，38（3）：8-12.

［38］ MIRONOV L V，DOBSON C M，KAUPP V， et al.Generalized refractive mixing dielectric model for moist soils.［J］. IEEE Trans. Geoscience and Remote Sensing，2004，42（4）：45.

［39］ CHEW C，SHAH R，ZUFFADA C， et al.Demonstrating soil moisture remote sensing with observations from the UK TechDemoSat-1 satellite mission［J］.Geophysical Research Letters，2016，43（7）：55.

［40］ WAN W，JI R，LIU B J，et al.A two-step method to calibrate CYGNSS-derived land surface reflectivity for accurate soil moisture estimations［J］.IEEE Geoscience and Remote Sensing Letters，2020（19）：1-5.

［41］ 胡羽豐，汪吉，李振洪，等.基于星載GNSS-R獲取川藏交通廊道沿線地表土壤濕度［J］.地球科學(xué)，2022，47（6）：2058-2068.

［42］ SENYUREK V，LEI F，BOYD D， et al. Machine Learning-Based CYGNSS Soil Moisture Estimates over ISMN sites in CONUS［J］. Remote Sensing，2020，12（7）：12.

［43］ VOIKAN S，F(xiàn)ANGNI L，DYLAN B， et al. Evaluations of machine learning-based CYGNSS soil moisture estimates against SMAP observations［J］. Remote Sensing，2020，12（21）：23.

［44］ YAN J，SHUANGGEN J，HAOLIN C， et al. Temporal-spatial soil moisture estimation from CYGNSS using machine learning regression with a preclassification approach［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021（2）：14.

［45］ 張雙成，郭沁雨，馬中民，等.星載GNSS-R反演土壤濕度研究進(jìn)展與思考［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）：2023（4）：1-15.

［46］ FANGNI L，VOLKAN S，MEHMET K， et al. Quasi-global machine learning-based soil moisture estimates at high spatio-temporal scales using CYGNSS and SMAP observations［J］. Remote Sensing of Environment，2022，276：15.

［47］ 豐秋林，鄭南山，劉晨，等.BP神經(jīng)網(wǎng)絡(luò)輔助的GNSS反射信號土壤濕度反演［J］.測繪科學(xué)，2018，43（8）：157-162.

［48］ NABI M M， SENYUREK V， GURBUZ A C， et al. Deep learning-based soil moisture retrieval in CONUS using CYGNSS delay–doppler maps［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022（15）： 6867-6881.

A Review of Methods for Retrieving Soil Moisture from Satellite Remote Sensing Data

HE Shan-bao ，PANG Jing-jing，CHENG Xing ，XIE Heng，LI Shuai-shuai，CAI Min

（Key Laboratory of Information and Communication Systems， Ministry of Information Industry，Beijing Information Science and Technology University， Beijing 100101，China）

Abstract：Soil moisture is an indispensable part of the global water cycle， and the soil moisture detection is of great significance for ecological planning， hydrological model construction， agricultural production， and drought monitoring. The traditional soil moisture monitoring methods mainly include weight method， resistance method， time domain reflectance method， etc.， which has the disadvantages of high small labor cost in the monitoring area， while satellite remote sensing can detect the change trend of soil moisture in a large range and has high spatial and temporal resolution， which is the main method of soil moisture monitoring at present. This paper firstly summarizes the methods of soil moisture monitoring by satellite remote sensing， summarizes and analyzes the methods of optical remote sensing and microwave remote sensing. Secondly，it summarizes the basic principles of two kinds of remote sensing technologies， and comprehensively sums up their retrieval methods， including the analysis of the advantages and disadvantages， the applicable area and the retrieval accuracy. Finally it discusses the challenges faced by each method in the development of soil moisture retrieval and the future direction of soil moisture retrieval.

Key words：Soil moisture detection; retrieval method; satellite remote sensing

（責(zé)任編輯：葉松慶）

收稿日期： 2023-10-20

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（62001032）.

作者簡介：何善寶（1976—），男，安徽明光市人，安徽師范大學(xué)物理系1997級校友，博士，研究員，研究生導(dǎo)師，研究方向?yàn)樾l(wèi)星通信、天地一體化信息網(wǎng)絡(luò)、衛(wèi)星氣象數(shù)據(jù)處理等；通訊作者：龐晶晶（1999—），女，河北滄州市人，碩士研究生，研究方向?yàn)樾l(wèi)星氣象數(shù)據(jù)處理等．

引用格式：何善寶，龐晶晶，程星，等.衛(wèi)星遙感數(shù)據(jù)反演土壤濕度方法研究［J］.安徽師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（1）：1-10.