微波遙感反演地表土壤含水量的方法研究

萬曙靜,張承明,2*,馬靖

1.山東農業大學信息科學與工程學院,山東泰安271018

2.中國測繪科學研究院,北京100830

微波遙感反演地表土壤含水量的方法研究

萬曙靜1,張承明1,2*,馬靖1

1.山東農業大學信息科學與工程學院,山東泰安271018

2.中國測繪科學研究院,北京100830

土壤含水量是土壤的一項重要指標，如何通過遙感反演獲取高精度的土壤含水量一直是研究者關注的問題。本文針對利用微波反演裸露地表土壤含水量和植被覆蓋地表土壤含水量的問題，比較了相關研究在反演模型、反演技術流程方面的改進和不足，分析了反演問題的關鍵環節，結合微波和光學聯合反演地表土壤含水量的研究進展，指出了微波遙感反演土壤水分研究的發展趨勢。

微波遙感;土壤含水量;反演;裸露地表;植被覆蓋地表

土壤水分是陸地和大氣能量交換過程中的重要因子[1]，對陸地表面蒸散、水的運移、碳循環有很強的控制作用。高質量的土壤含水量數據在干旱監測、水文過程、生態過程、精細農業等問題研究中具有重要意義，如何獲取不同尺度的、高精度的土壤含水量數據一直是人們研究的重點。

遙感技術的發展為土壤含水量的研究提供了有效的手段。微波土壤濕度遙感研究始于20世紀80年代，星載合成孔徑雷達（SAR）數據是主要數據源之一。己有的衛星光學傳感器由于受云蓋、氣溶膠、太陽照射條件及植被覆蓋的限制，對土壤水分測量不能達到足夠的敏感程度。而微波遙感由于其波長相對較長，使得其受天氣狀況的影響較弱，并且對地物具有一定的穿透能力[2]。更重要的是，在微波波段的電磁波對土壤含水量有明顯反應，通過微波遙感觀測到的地表輻射、散射和土壤含水量有顯著的相關性，相比其他遙感獲取土壤含水量手段優勢明顯，因此，近年來，利用微波遙感反演土壤含水量受到了人們的高度重視。

在微波波段，土壤含水量和地表的介電常數密切相關：土壤含水量越高，介電常數也越高。一般情況下，干燥的土壤的介電常數為3，而水的介電常數為80。由于土壤的含水量強烈地影響著它的介電特性和電磁波的傳播，當介電常數大時回波信號就越強，所以我們可以通過雷達信號判斷土壤介電常數的大小來獲取土壤含水量。而地表覆蓋類型對回波信號影響強烈，因此，研究分為裸地和植被覆蓋地表兩部分。

1　微波反演裸露地表土壤含水量

裸土土壤濕度反演研究開展較多，Wang[3]等通過對裸露地表微波發射率的研究發現，裸露地表土壤水分與微波發射率存在簡單的線性相關關系，Dubios、Oh、Shi等結合物理模型和多頻、多極化或全極化數據建立了土壤水分反演的半經驗模型，實現了裸土土壤水分反演。在應用雷達進行研究時，通常主要利用一些已經建立的用于描述地表散射特征的理論模型來解釋電磁波在隨機介質中的傳播和散射，幫助我們分析雷達觀測數據并從中提取有用的信息[4]。因此，可以把裸露隨機地表散射模型分為經驗模型、半經驗模型、傳統理論模型三種[5]。

1.1經驗、半經驗模型

目前，大多數研究是建立地表散射計或者多波段、多極化、可變入射角等SAR實測數據與介電常數、表面均方根高度、相關長度等地表參數的函數關系來建立經驗-半經驗模型，模型同時具有一定的統計規律和物理意義，提高了模型精度，并且適用范圍更廣。

1.1.1Oh模型Oh.Y[7]在1992年利用多波段（L、C和X波段）、多極化陸基散射計對不同粗糙地表散射特性進行了多角度觀測，得到了介電常數和粗糙度與后向散射系數之間的相關關系，建立了經驗模型。

2004年，Oh又對模型進行了修改，提出了同極化比（式2）和交叉極化比（式3）的散射系數經驗模型，使其能夠更符合實測數據。

其中，C1是交叉極化比，C2是同極化比，s是地表均方根高度，σ0是雷達后向散射系數，代表自由空間波數，θ為入射角，v和h分別為垂直極化和水平極化。改進后的模型考慮了不同入射角σ0與土壤介電常數、s、l實驗數據之間的關系，在較寬的地表粗糙度范圍內的預測精度都很高，但是依賴地面觀測的經驗參數，因此普適性受到限制。

1.1.2Dubois模型1995年，Dubois[9]等人通過分析全極化后向散射計的測量值，給出了VV和HH極化的后向散射系數與地表介電常數ε及地表均方根高度s之間的經驗關系表達式，該模型在入射角大于30°，NDVI小于0.4，kh（k為自由空間波數，h為地表均方根高度）小于2.5，土壤體積含水量小于35%時能取得較高的精度，反演均方根誤差小于4.2%。

1.1.3shi模型1997年，Shi[10]以單散射的IEM模型為基礎，通過模擬不同表面粗糙度和土壤體積含水量條件下裸露表面后向散射特性，建立了適用于L波段同極化后向散射系數組合與介電常數和地表粗糙度之間的關系的半經驗模型，由于模型中考慮了地表粗糙度譜對后向散射系數的影響，實際應用效果較好，表達式如下：

式中，app是極化狀態下的極化幅度；Sr是粗糙度參數；均為與入射角有關的經驗系數；avv與ahh是兩種極化狀態下的極化幅度，表達式為：

2011年，張濤[11]等利用Shi模型模擬研究了像元尺度內裸露土壤不同空間分布形態的土壤參數對被動微波遙感反演土壤水分的影響，發現由于土壤異質性，隨機分布、正態分布和均勻分布下的土壤含水量反演誤差逐漸減小。Shi模型盡管是針對裸露地表建立的，同時也適用于中等密度的地表植被覆蓋條件，但是，對除L波段外的其他波段適用性不確定。

1.1.4Zribi-Dechambre模型2002年，Zribi團隊[12]基于IEM模型利用不同入射角，HH極化ASAR影像，通過田間試驗提出一種新的粗糙度參數Zs代替s和l來反映其對后向散射系數的影響，其計算公式為：

獲得了新的半經驗算法，并反演了法國巴黎東部農業區裸露地表土壤粗糙度和土壤濕度。該模型適用于較大范圍的粗糙度和土壤濕度變化，適用于所有C波段的合成孔徑雷達。

2008年，趙少華[13]利用Zribi-Dechambre模型研究了中國科學院南皮農業生態試驗站附近裸地的表面粗糙度和地表濕度，反演結果表明該區地表粗糙度主要分布在0.05～0.50 cm之間，土壤體積含水率大多分布在10%～34%之間。2010年，余凡[14]等針對Zribi-Dechambre模型其他入射角需要驗證的缺點，提出了一種新的粗糙度函數Rs=R3/L2，將兩個粗糙度參數合二為一，在不需要測量地面粗糙度的情況下可以反演得到比較好的土壤水分精度，適用于地表情況復雜、難以精確測量的地區。2012年，韓震[15]采用Zribi-Dechambre模型，利用ENVISATASAR數據計算了南匯潮灘土壤粗糙度和土壤濕度，驗證得到其均方根誤差為3.62%。

1.2傳統理論模型

理論模型是由隨機粗糙地表的電磁波傳播理論發展建立起來的，通過建立后向散射系數與地表物理和幾何參數之間的數學關系去求解介電常數和土壤水分，常用的理論模型主要有Kirehhoff（基爾霍夫模型）、SPM（小擾動模型）、IEM（積分方程模型）和AIEM（高級積分方程模型）等。

1.2.1基爾霍夫模型基爾霍夫模型為標準的后向散射理論模型，基本假設是：在表面的任何一點都產生平面界面的反射。其中，又分為GOM（幾何光學模型）和POM（物理光學模型）兩種[16]。GOM是當表面較為粗糙時，Kirehhoff模型在駐留相位近似下得到的解析解，即假設電磁波必須沿著表面上存在有鏡面點的方向發生散射；而POM模型是在s較小時，在Kirehhoff模型采用標量近似法得到地表后向散射的解析解，即將表面自相關函數在均方根斜度為0處展開，然后保留低階項。

1.2.2小擾動模型小擾動模型SPM（Small Perturbation Model）[17]是60年代至今應用隨機粗糙地表面散射理論比較成功的經典物理模型。SPM在相對光滑的表面應用精度較高，其一階函數為面散射，二階函數為體散射，通常情況下，我們用一階形式描述地表散射，如：

1.2.3IEM模型Fung.A.K[18]等人于1992年統一了基爾霍夫模型和小擾動模型，提出了積分方程模型(Integrated Equation Model，IEM)，該模型是基于電磁波輻射傳輸方程的地表散射模型，已被廣泛應用于微波地表散射、輻射的模擬和分析中。該模型的單散射形式如下：

式中，pp為極化方式，HH或VV極化，k為空間自由波數。

IEM模型對實際地表粗糙度的刻畫不準確，而且不同粗糙度的地表條件下，模型對菲涅耳反射系數描述過于簡單，因此其向后散射系數的模型模擬值和實測值之間存在不一致性。Chen[19]等人又對IEM模型進行了改進，發展了一種高級積分方程模型（AIEM），它能描述從較光滑表面到粗糙表面的散射特征。劉偉在2005年也改進了表面自相關函數和Fresnel反射系數，能夠更精確的描述地表粗糙度，可以更好的來反演土壤濕度。2006年，施建成[20]發展了針對對地觀測系統被動微波輻射計AMSR-E應用的裸露地表輻射模型，并得到結論AIEM模型能很好模擬寬波段和大角度的輻射信號，并利用AIEM模擬數據和地面實測數據對目前人們使用的半經驗地表模型進行了比較和分析，發展了多頻率多極化的地表輻射參數化模型Qp模型，與AIEM模型模擬的絕對誤差很小。王樹果[21]等使用AIEM為正向模型，利用3景時序接近的ENVISATASAR影像對黑河中游臨澤草地試驗區地表參數進行了多通道的反演，獲得了像元尺度上的粗糙度分布狀況，土壤水分反演均方根誤差小于6%。2010年，馬紅章[22]等通過分析土壤反射率模擬數據，提出了一種新的反演算法，基于L波段單角度雙極化被動微波遙感數據的土壤含水量和土壤粗糙度反演，通過論證精度較好。2011年，李欣欣[23]等用AIEM模型和Fresnel方程分別模擬裸土地形坡面的微波輻射特征，經試驗數據和模型模擬結果對比，認為AIEM在考慮了表面粗糙度影響時可以較好地模擬地形坡面的被動微波輻射特征。目前，如何基于AIEM模型和地物全極化散射特性發展一個成熟的地表極化雷達土壤水分反演算法仍是迫切需要解決的重大問題之一。

1.2.4其他模型在基爾霍夫模型和小擾動模型的基礎上，采用表面譜域理論，構造一個雙譜表面，選用適當的表面譜濾波器，獲得了一個表達形式較為簡單、適用范圍較寬的隨機粗糙面散射模型雙譜模型。2004年，袁葦[24]等證明了基于雙譜散射模型計算粗糙裸土表面發射率是可行的，利用人工神經網絡反演算法得到了精度較高的土壤濕度值，并且反演方法具有一定的抗噪性能。2010年，余凡[25]等提出了一種基于小波變換譜分解的雙尺度模型，采用小波包精確分解粗糙度的高頻和低頻部分，采用AIEM模型對其進行驗證，結果表明有較好的精，同時極化方式對其影響不大。

2　微波反演植被覆蓋地表土壤含水量

植被覆蓋對微波遙感監測土壤濕度的影響在于植被能夠吸收和散射到達冠層的微波信號[26]。當前對植被覆蓋區的土壤水分研究主要是基于現有的植被模型，例如基于植被散射模型理論的MIMICS模型、KARAM模型或者基于理論模型發展的半經驗模型Roo模型、水云模型，在獲得試驗區植被層的信息后，將以上模型參數進行校正，從而去除植被層對地表的影響，最終得到地表土壤水分含量[27]。

2.1Karam模型

Karam M A將植被覆蓋地表分為樹冠層、樹干層和下墊面的粗糙地表三個部分，建立了Karam模型。其中樹冠層內的枝條都有一定的大小和取向，植被被當作具有圓盤狀散射體的隨機介質，與以往模型不同的是該模型中圓盤的取向是隨機而不是確定的，并且考慮了因為圓盤取向的不同而引起的散射場極化方式的變化。通過將有限長度的圓柱體作為散射體來獲得落葉后植被的散射模型，實驗發現后向散射系數與圓柱體大小和取向有著密切的關系。

Karam模型認為在植被冠層在垂直方向上性質單一，在水平方向連續，研究中沒有考慮地表和樹干的散射，根據Ulaby等的研究，這兩個因子在低頻散射過程中起著主導作用。因此，Karam模型具有一定的局限性。

2.2MIMICS模型

為了解決Karam模型等的局限性，考慮到植被結構非常復雜，其組成成分包括莖、葉、稈等具有不同的朝向、形狀、大小等，微波散射機制不同，1990年，Ulaby等[28]提出了植被微波散射模型MIMICS(Michigan Microwave Canopy Scattering model)，基于微波輻射傳輸方程一階解的植被散射模型，主要針對覆蓋森林的粗糙地面，它詳盡的考慮了植被的冠層、樹干以及底層地表3個層次，并且對枝條、葉子、樹干等散射體用概率分布函數來表述，即用介電圓柱體模擬樹枝和樹干，用介電圓盤模擬樹葉，地表用相關函數來表示其粗糙度，是目前應用最為廣泛的研究微波植被散射特性的理論模型。

圖1　森林覆蓋地表不同雷達后向散射機制Fig.1 The different radar backward scattering system of forest cover

圖中包含森林覆蓋地表不同雷達后向散射機制，其中，D為植被冠層高度，H為植被樹干高度，1為冠層，2為冠層-下墊面-冠層，3為冠層-下墊面地表，4為下墊面地表，5為樹干-下墊面地表-樹干。

式中，右面為五部分散射項，分別為植被冠層直接后向散射部分、植被冠層－地表和地表－植被冠層相互耦合作用的后向散射部分、地表－植被－地表相互耦合作用的后向散射部分、植被層雙程衰減的下墊面地表的直接后向散射部分、地表的直接后向散射部分，如圖1所示。McDonald等用MIMICS模型模擬了胡桃木的多角度和時域散射特性，結果與車載散射計測量結果一致。Yueh等通過實驗發現植被的結果特征對散射特性影響較大。

MIMICS對植被層的刻畫非常細致，能夠較為真實地模擬植被覆蓋地表微波后向散射。2002年，戈建軍[29]對MIMICS模型進行改變，使之能應用于農作物的散射條件，綜合考慮地面、小麥葉子和莖三種散射因子。2010年，蔡愛民[30]等以全極化雷達遙感數據RADARSAT-2為數據源，選擇冬小麥的孕穗期和乳熟期為研究對象，以理論模型MIMICS模擬為依據，分析了冬小麥不同物候期的散射特征和參數提取方法，由于結構上的差異，散射特征差別很大，孕穗期可以用極化比HH/VV提取作物長勢信息，乳熟期極化比VV/VH更易提取長勢信息，且精度更高，同時極化比VV/VH能在乳熟期估算冬小麥的產量。

但是，MIMICS模型是針對森林等高大植被覆蓋區域，模型參數非常多，對于莖稈和冠層區別不明顯的農作物等低矮植被覆蓋地表來說過于復雜龐大，在實際生產應用中具有相對的局限性。

2.3Roo模型

由于農作物等低矮植被的莖稈和冠層區別不明顯，基于MIMICS模型，2001年Roo等人[31]去掉地表-莖稈之間的散射項，將植被層當作一層處理，其中散射體包括葉和枝條，如式12所示。

Roo以大豆為例在特定的研究區和特定的植被層下反演得到了C、L波段模型的經驗回歸系數，普適性需要檢驗[32]。

2.4水云模型

1978年，Attema和Ulaby[33]等人以農作物為研究對象，綜合利用經驗模型和物理模型的優點，提出了估算農作物覆蓋地表土壤水分的“水-云”模型。在水云模型中，植被層作為一層具有消光能力的同質的均勻介質，則使用較少的參數來表示地表總的后向散射：

式中，A和B分別為依賴于植被類型的參數，mppv是植被含水量（kg/m3）。

水云模型簡單描述了植被覆蓋地表的后向散射機理，Taconet[34]等在機載散射計ERASME的C、X波段實測數據的基礎上，對小麥的后向散射特性進行了研究，并用水云模型提取小麥水分和土壤濕度等地表參量，證明在C、X波段和20°、40°入射角的范圍上，能夠很好的模擬小麥的后向散射特性。Inoue[35]等認為土壤的后向散射系數是土壤含水量的函數，對于灌溉水稻而言，冠層下墊面是水層，認為其后向散射系數是一個常數，發展了Rice Water-Cloud模型。Stephrn等則認為水稻的水層對雷達電磁波的作用不同于一般的土壤，也不同于水分飽和的土壤，因此提出了依據水稻后向散射機理的水云模型。2005年，劉偉[36]改進了水云模型，去掉了植被影響，通過簡化裸露地表模型和多極化數據來消除地表粗糙度的影響，基于多極化雷達數據反演土壤含水量，取得了較好的成果。2007年，陳權[37]以水云模型為基礎，結合AIEM模型，發展了一種簡化模型來估算土壤水分絕對值，分別利用氣象站實測點數據和同時期的Basist濕度指數(BWI)進行驗證，表明反演結果能較好反映土壤水分的空間分布狀況。2008年，趙少華[38]通過實驗發現，利用水云模型獲得去除植被影響的土壤后向散射系數與地表土壤含水量之間的相關關系明顯比去除植被影響前的高。

但是，水云模型是將植被看作為均勻一致的散射體，實質上植被層存在多次散射作用，在一些農作物覆蓋下（如小麥、玉米等）及特定波長下，植被-土壤之間的雙次散射在總的后向散射中占有一定的比例，這種簡單的忽略將會造成較大的誤差。

3　微波和光學聯合反演地表土壤水分反演

目前，很多國家發射了同時有光學和微波傳感器的衛星，微波光學協同反演收到研究者的高度重視[39]。如果能充分的利用光學數據和微波數據，協同對地觀測，土壤含水量反演精度將得到有效提高，在最大程度上發揮這些遙感衛星的作用。同時可以將時空分辨率的優勢有效結合，得到較長時間序列的區域尺度的土壤水分信息，為干旱監測、水分格局等信息的管理提供有效幫助。

Yang等利用RADARSAT ScanSAR數據基于AIEM提出了一個半經驗的后向散射模型，并且利用半經驗植被模型和Landsat TM和AVHRR數據削減了植被的影響，反演出的土壤水分和地面實測值變化比的均方根誤差為1.14。周鵬[40]等在光學影像數據的基礎上，利用歸一化差分水分指數(NDWI)確定研究區的植被含水量，應用多極化星載雷達數據結合微波散射的水-云模型，從總的后向散射系數中分離植被散射和吸收的貢獻，得到裸土的后向散射系數，并建立與土壤重量含水量之間的關系，從而對干旱區綠洲植被覆蓋地表土壤水分的估算進行研究。Melin等提出了一種算法來模擬PLMR被動微波土壤水分數據和MODIS反演的土壤蒸發之間的非線性關系。李震[41]等建立了一個半經驗公式模型，用來計算體散射項，綜合時間序列的主動和被動微波數據，消除植被覆蓋的影響，估算地表土壤水分的變化狀況。

2010年，張友靜[42]等利用ASAR-APP、TM和MODIS數據，基于水云模型和裸露地表土壤濕度反演模型，對小麥覆蓋地表土壤含水量進行了多源遙感數據反演，提高了反演精度。2011年，余凡等[43]提出了一種新的基于ASAR和TM數據協同反演的半經驗耦合模型，模型充分利用了微波和光學遙感數據獲取土壤含水量的優點，在MIMICS模型的基礎上進行簡化，減少了模型輸入參數，分別研究植被冠層和土壤表層，模擬了冠層葉片含水量與單位體積內植被消光系、后向/雙向散射系數的經驗關系。耦合模型的反演效果明顯好于MIMICS模型單獨反演的結果。并提出了一種基于主被動遙感融合數據貝葉斯網絡（bayesian networks，BN）分類的土壤含水量獲取方法，實現光學與雷達遙感數據的優勢互補，該方法不包含龐雜的物理過程，不用地面輔助數據，操作簡單，為區域土壤水分信息的快速、有效提取提供了一種方法借鑒，但是這種方法得到的是區域土壤含水量的分布，不能有效的獲得準確的土壤含水量數據。

4　總結與展望

土壤含水量反演一直是研究者關注的重要問題。近年來，隨著衛星和微波傳感器技術的發展，利用微波反演土壤含水量方法日益成熟。本文分別介紹了微波反演裸露地表和植被覆蓋地表土壤水分的相關模型，提出了近期研究人員對模型的改進和發展。由于光學數據和雷達數據在反演土壤含水量的機理上有著巨大的差異，又有各自優勢，兩者的結合則是個新的研究方向。本文簡單介紹了光學和微波聯合反演的進展，但目前在兩者結合方面進行的研究非常少，若能有效的將光學雷達數據協同起來對地觀測，將能更準確的反演大氣、地表參數，最大程度的發揮遙感衛星的作用。相信隨著遙感數據和地面觀測數據質量的提高、遙感機理研究的深入，以及主被動遙感協同機理的深化，光學和微波協同反演地表土壤含水量將會取得實質性的進展。

[1]楊濤,宮輝力,李小娟,等.土壤水分遙感監測研究進展[J].生態學報,2010,30(22):6264-6277

[2]韓念龍.利用AMSR_E數據反演裸露地表土壤水分[D].長春:吉林大學,2007

[3]Wang J R,Engman E T,Shi J C,et al.The SIR-B observations of microwave backscatter dependence on soil moisture, surface roughness and vegetation covers[J].IEEE Transactions on Geoscience and Remote Sensing,1996,24:510-516

[4]高婷婷.基于IEM的裸露隨機地表土壤水分反演研究[D].烏魯木齊:新疆大學,2010

[5]李金香.裸露隨機地表土壤水分遙感反演及其空間特征分析[D].烏魯木齊:新疆大學,2011

[6]余凡.光學與雷達遙感協同反演地表土壤水分的方法研究[D].北京:中國科學院研究生院,2010

[7]Oh Y,Sarabandi F T,Ulaby F.An empirical model and an inversion technique for radar scattering from bare soil surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30:370-381

[8]Oh Y.Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(3):591-601

[9]Dubois P C,Van Zyl J,Engman E T.Measuring soil moisture with imaging radars[J].IEEE Transction on Geoscience and Remote Sensing,1995,33:915-926

[10]Shi J,Wang J,Hsu AY,et al.Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35:1254-1266

[11]張濤,張立新,蔣玲梅.裸露土壤參數空間分布對被動微波遙感反演土壤水分的影響[J].中國科學·地球科學,2012,42(9):1403-1413

[12]Zribi M,Dechambre M.A New Empirical Model to Retrieve Soil Moisture and Roughness from Radar Data[J]. Remote Sensing of Environment,2002,84(1):42-52

[13]趙少華,楊永輝,邱國玉.基于雙時相ASAR影像的土壤濕度反演研究[J].農業工程學報,2008,24(6):184-188

[14]余凡,趙英時.合成孔徑雷達反演裸露地表土壤水分的新方法[J].武漢大學學報·信息科學版,2010,35(3):317-321

[15]韓震,彭飛.基于ENVISATASAR的長江口南匯潮灘土壤濕度定量研究[J].海洋通報,2012,31(2):62-167

[16]Ulaby FT,Moore R K,Fung A K.Microwave remote sensing.VolumeⅡ:Radar Remote Sensing and surface Scattering and Emission Theory[M].New Jersey:Addison-Wesley Publishing Company,1982

[17]Wetzel L B.Amodel for sea backscatter intermittency at extremely grazing angles[J],Radio Science,1977,5:749-756

[18]Fung A K,Li Z,Chen K S.Backscattering from a randomly rough dielectric surface[J].IEEE Transction on Geosciece and Remote Sensing,1992,30:356-369

[19]楊麗娟,武勝利,張鐘軍.利用主被動微波遙感結合反演土壤水分的理論模型分析[J].國土資源遙感,2011,2:53-58

[20]施建成,蔣玲梅,張立新.多頻率多極化地表輻射參數化模型[J].遙感學報,2006,10(4):502-514

[21]李新,劉紹民,王樹果.黑河流域生態—水文過程綜合遙感觀測聯合試驗總體設計[J].地球科學進展,2012,27(5):481-498

[22]馬紅章,柳欽火.裸露地表土壤水分的L波段被動微波最佳角度反演算法[J].農業工程學報,2010,26(11):24-29

[23]李欣欣,張立新.地形坡面對被動微波遙感影響的試驗研究[J].遙感技術與應用,2011,26(1):74-81

[24]袁葦,李宗謙.基于雙譜模型的被動微波遙感土壤濕度反演[J].電波科學學報,2004,19(1):1-6

[25]余凡,趙英時.隨機粗糙地表的雙尺度微波散射模型研究[J].中國礦業大學學報,2010,39(3):459-464

[26]姜淼,李國春.微波遙感土壤濕度研究進展[J].農業網絡信息,2006(4):21-23

[27]劉偉.植被覆蓋地表極化雷達土壤水分反演與應用研究[D].中國科學園研究生學院,2005.

[28]Ulaby F T,Sarabandl K,Mcdonald K.Michigan microwave canopy scattering model[J].International Journal of Remote Sensing,1990,11:1223-1253

[29]戈建軍,王超.冬小麥微波散射特性研究[J].遙感信息,2002,3:7-10,47

[30]蔡愛民,邵蕓,李坤,等.冬小麥不同生長期雷達后向散射特征分析與應用[J].農業工程學報,2010,26(7):205-212

[31]Roo D R,Yang D.A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion[J],IEEE Trans.Geosci.Remote Sensing,2001,39(4):864-872

[32]李承剛.基于極化雷達的植被葉面積指數反演模型研究[D].廣州:中山大學,2007

[33]Ulaby F T,Batlivala P P,Dobson M C.Microwave backscatter dependence on surface roughness,soil moisture,and soil texture:I.Bare soil[J].IEEE Trans.Geosci Remote Sens,1978,16:286–295

[34]Taconet O,Benallegue M.Estimation of soil and crop parameters for wheat from air borne radar backscattering Data in C and X Bands[J].Remote Sensing of Environment,1994,50:287-294

[35]Inoue Y,Kurosu T,Maeno H,et al.Season-lone daily measurements of multifrequency(Ka,Ku,X,C,and L)and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables[J].Remote Sensing of Environment,2002,81:194-204

[36]劉偉,施建成,余琴.基于機載極化雷達技術的農作物覆蓋區土壤水分估算[J].干旱區地理,2005,28(6):856-861

[37]陳權,李震,王磊.用ERS風散射計數據估算土壤水分方法的研究[J].遙感學報,2007,11(6):803-810

[38]趙少華.河北平原東部土壤濕度的遙感監測研究[D].北京:北京師范大學,2008

[39]余凡,趙英時.ASAR和TM數據協同反演植被覆蓋地表土壤水分的新方法[J].中國科學·地球科學,2011,41(4):532-540

[40]周鵬,丁建麗,王飛.植被覆蓋地表土壤水分遙感反演[J].遙感學報,2010,14(5):959-973

[41]李震,郭東華.綜合主動和被動微波數據監測土壤水分變化[J].遙感學報,2011,6(6):481-484

[42]張友靜,王軍戰,鮑艷松.多源遙感數據反演土壤水分方法[J].水科學進展,2010,21(2):222-228

[43]余凡,趙英時.基于主被動遙感數據融合的土壤水分信息提取[J].農業工程學報,2011,27(6):187-192

A Survey for the Method of Soil Moisture Inversion by Microwave Remote Sensing

WAN Shu-jing1,ZHANG Cheng-ming1,2*,MAJing1
1.College of Information Science&Engineering,Shandong Agricultural University,Tai’an,271018,China
2.Chinese Academy of Surveying and Mapping,Beijing 100830,China.

Soil moisture is the important indicator of soil that how to gain high precision soil moisture is the attention issue of researchers.For the problems of bare surface and vegetated surface soil moisture retrieval by microwave remote sensing,the paper compared improvements and deficiencies of correlative researches on retrieval models and technologies,analyzed the key steps of retrieval issue.Combining the present research on land surface soil moisture inversion by the integration of microwave and optic,it pointed out the developing trends of soil moisture inversion by microwave remote sensing.

Microwave Remote Sensing;soil moisture;inversion;bare land surface;vegetated land surface

TP722.6

A

1000-2324(2015)02-0221-07

2014-06-11

2014-06-23

國家高技術研究發展計劃(863計劃)項目(2013AA122003);山東省科技發展計劃項目(2012GSF11713);地理空間信息工程國家測繪局重點實驗室經費資助項目(201414)

萬曙靜(1989-),女,研究生,主要從事遙感數據處理工作.E-mail:wanshujing89@163.com

Author for correspondence.E-mail:chming@sdau.edu.cn