微波遙感土壤濕度反演算法及產品研究進展

鄭有飛+黃圖南+段長春+尹繼福+吳榮軍

摘要：在地球系統中，土壤濕度是控制陸氣間水分、能量和碳交換過程中的一個重要變量，也是監控土地狀況如土地退化、干旱的重要指標之一。土壤濕度數據的及時、準確獲取對研究全球氣候問題、構建流域水文模型、監測農作物生長等科學研究都具有極其重要的意義。微波遙感具有全天候全天時的物理機制，使得通過遙感手段觀測土壤濕度較傳統的地表站點觀測在空間尺度上具有較大優勢。簡要介紹了微波遙感反演土壤濕度的主要原理，并回顧了被動微波、主動微波以及被動和主動微波聯合反演土壤濕度典型反演算法，這些方法大部分是圍繞土壤濕度與亮度溫度之間的關系進行的，同時考慮其他各種不同因子對于地表微波輻射的影響。另外，對歐洲氣象業務衛星（european remote sensing satellites/meteorological operational satellite program，ERS/MetOp）、高級微波掃描輻射計（advanced microwave scanning radiometer for EOS，AMSR-E）、土壤濕度與海洋鹽分衛星（soil moisture and ocean salinity，SMOS）3種全球土壤濕度數據集的狀況和應用情況進行介紹。通過對前人研究成果的總結，結合當前的問題展望未來衛星遙感反演土壤濕度的發展趨勢。

關鍵詞：土壤濕度；反演算法；主動遙感；被動遙感；亮度溫度

中圖分類號：S152.7+1；S127文獻標志碼：A

文章編號：1002-1302（2017）05-0001-07

土壤濕度在水循環中扮演著重要角色，是氣象學、土壤學、水文學、生態學等領域關注和研究的重要內容。在氣候系統中，土壤濕度是關鍵因子之一，決定著植被的蒸散發以及光合作用，是水循環、能量循環的基本組成部分，在降水、徑流、下滲、蒸散發等水文過程中起著重要作用[1]。土壤濕度本身的變化還會引起土壤熱學特性和地表光學特性的改變，從而影響氣候變化[2]。土壤濕度是植被群落生態環境的重要因子，直接影響植被生長發育、結構特征、分布規律及群落生產力和穩定性[3-4]。

然而，由于土壤濕度在時間和空間范圍上的變化較大，傳統的土壤濕度測量方法，例如質量法和時域反射儀法都是基于點的測量，需要大量的實地操作和繁雜的后處理過程，無法在要求的時間內獲取大范圍的土壤濕度空間分布信息，所以土壤濕度在上述各領域都沒有得到廣泛應用[5]。隨著對精度要求的不斷提高，雖然地面站人工觀測數據在通過質量控制不斷改進[6]，但是基于點的傳統土壤濕度測量方法在應用中顯得不足。因此，如何在保證精度的情況下獲取較大區域的土壤濕度數據是亟待解決的問題。

隨著衛星遙感技術的發展，科研人員開始用遙感的手段來獲取土壤濕度時空分布信息。利用遙感手段獲得的不同尺度大范圍高精度的土壤濕度數據不僅能改善當前的陸表觀測系統，也為開展定量的、具體的氣候模式提供了科學依據和技術支撐。微波可以全天時全天候工作，大氣中的各種懸浮顆粒物比微波波長小很多，遵循瑞利散射，在可見光波段，這種散射的影響非常明顯，而在微波波段，散射強度可以忽略不計。另外，微波對一些地物有一定的穿透能力，選擇適當的頻率和入射角，除去極茂密的森林外，其他大多數植被均可被微波穿透，這也使得微波遙感在土壤濕度獲取方面比其他光學遙感手段有更大優勢。

自20世紀80年代以來，隨著機載和星載遙感的發展和普及，遙感反演土壤濕度的方法也得到了迅速發展。1980年，對雷達L波段數據與土壤濕度之間關系的研究結果表明，L波段數據與裸土土壤濕度之間存在正相關關系[7]。1985年，表觀熱慣量（apparent thermal inertia，ATI）概念的提出，使利用可見光-近紅外反射率及熱紅外輻射溫度差計算熱慣量并估算土壤濕度成為可能[8]。1988年，Choudhury等利用多通道微波掃描輻射計（scanning multichannel microwave radiometer，SMMR）和高級超高分辨率輻射計（advanced very high resolution radiometer，AVHRR）數據估算土壤濕度，并分析了SMMR的極化方式，亮度溫度與土壤濕度之間的相關性[9]。1999年，Jackson等利用L波段的ESTAR（electronically scanned thinned array radiometer）被動微波數據反演土壤濕度，通過與實測數據的驗證，表明反演算法合理有效[10]。2001年，Paloscia等利用SMMR和SSM/I（special sensor microwave image）微波數據，建立C波段極化指數和X波段極化指數來反演土壤濕度[11]。

隨著反演算法不斷改進，利用目前在運行的如高級微波掃描輻射計（AMSR）-E[12]、Windsat[13]被動微波衛星，均可以得到土壤濕度產品。由歐洲空間局（European Space Agency，ESA）、法國航天局（Centre National dEtudes Spatiales，CNES）、西班牙國家工業技術發展署（Centro para el Desarrollo Tecnológico Industrial，CDTI）共同研制的并于2009年11月發射升空的土壤濕度與海洋鹽分衛星SMOS，搭載有能夠探測地球表面的L波段（1.42 GHz，21 cm）微波輻射傳感器，在過去幾年也在持續提供全球尺度的土壤濕度反演數據[14]；主動微波衛星遙感也可對地區和全球的近地面土壤濕度進行有效觀測反演[15-16]。1991年7月歐洲遙感衛星ERS-1發射，1995年4月ERS-2發射，2個衛星上均載有可用于反演土壤濕度的C波段（5.3 GHz）垂直極化主動散射計以及微波散射計SCAT（scatterometer），氣象業務衛星MetOp于2006年10月發射，高級微波散射計ASCAT（advanced scatterometer）是其搭載的傳感器之一并用于土壤濕度的觀測反演[14]。

目前，科研人員做了許多關于同化這些遙感反演的土壤濕度產品來提高產品精度的研究[17-19]。單個衛星反演得到的產品在空間和時間上都會存在大量的缺測，各個衛星反演的土壤濕度產品之間也存在著差異，這些都對產品的同化造成不利影響[20]。如何對這些衛星土壤濕度產品進行合理的同化融合，得到較單個衛星產品更好的融合產品是目前亟待解決的問題[21-22]。

綜上所述，近幾十年來，前人對遙感反演土壤濕度的研究進行了大量的探索，針對各種傳感器研究開發的土壤濕度反演算法已經有很多。本文簡要回顧被動微波遙感、主動微波遙感、多傳感器聯合的土壤濕度反演算法的主要類別和研究進展，介紹應用土壤濕度反演算法得到的全球土壤濕度數據集。

1被動微波遙感反演土壤濕度算法

土壤的介電常數隨其含水量的變化而變化，由輻射計觀測到的亮度溫度也會隨之變化，土壤濕度是影響被動微波輻射測量的一個關鍵因子，也是被動微波遙感土壤濕度的理論基礎。被動微波遙感由于其較高的時間分辨率，為基于每天、各個區域和全球尺度的土壤濕度反演提供了大量數據。已有的星載微波輻射計包括SSMR、SSM/I、FY、Windsat、AMSR-E、SMOS等。其中FY、Windsat、AMSR-E都采用多頻設置，頻率不低于C波段，主要采用高頻（短波）波段C、X、Ku波段來獲取地表土壤濕度，但這些波段對植被的穿透深度有限，只適用于裸土和低矮植被地區。

國內外很多研究人員致力于被動微波反演土壤濕度的研究。被動微波監測土壤濕度主要依賴于用微波輻射計對土壤本身的微波發射或亮度溫度進行測量，土壤的亮度溫度除了受地表土壤濕度影響外還受植被、雪覆蓋，地形以及地表粗糙度等影響[23]。被動微波反演土壤濕度方法根據反演參數的個數可分為單值反演算法和多值反演算法2類。

1.1單值反演算法

早期用于野外航空試驗的機載微波輻射計通常只有單頻率單極化，使用這種機載微波輻射計只能獲得1個觀測值，因此只能反演1種地表參數，如L波段的推掃式微波傳感器（push-broom microwave radiometer，PBMR）和ESTAR。基于這種單通道微波輻射計的反演算法只能得到1個地表未知參數，即土壤濕度。通過對裸露地表微波反射率的研究表明，裸露地表土壤濕度與微波發射率之間存在簡單的線性相關關系[24]，因此土壤濕度可以通過線性方程反演得到，使用的輻射模型主要公式如下：

1.2多值反演算法

微波遙感不僅可以提供多頻率多角度觀測，還可以提供不同極化方式的數據，不同極化的微波輻射對地表參數的響應不同，多角度多極化數據的獲取使得在反演土壤濕度的同時反演其他地面參數。Calvet等用雙極化多角度數據同時對土壤濕度和植被冠層溫度進行反演，反演得到的土壤濕度數據與地表觀測的平均誤差為0.01 m3/m3，結果表明，該方法反演土壤濕度在植被稀疏地區可行，而在植被覆蓋較密地區僅僅使用高頻很難進行有效反演[28]。van de Griend等在單通道反演算法的基礎上提出了一種雙極化方法，利用τ-ω 模型反演出土壤濕度以及H極化植被透射率，反演得到的土壤濕度數據與實測數據的均方根誤差由之前的5.1%降至 1.2%[29]。另外一種是基于神經網絡的反演算法，該算法的原理是將地表參數與發射率之間的關系作為一個復雜的非線性關系，使用理論模型生成1組輸入輸出數據集，然后利用該數據集進行神經網絡訓練，完成后就可以用訓練好的神經網絡進行參數反演。Liu等用神經網絡反演算法，以亮度溫度值作為輸入數據集，輸出節點為土壤濕度以及植被水分含量，并與實測數據進行對比，土壤濕度的平均誤差約為4.0%[30]。

目前運用較為廣泛的衛星AMSR-E使用的土壤濕度反演標準算法是Njoku等提出的基于六通道雙極化微波亮度溫度數據反演土壤濕度、地表溫度以及植被水分含量數據[31]。該算法假定其他參數沒有變化，那某一個待反演參數的敏感度就是頻率和極化狀態的函數，算法以τ-ω模型作為正向模型，首先給待反演參數1個基值，與其他已知參數代入模型，模擬出每個通道的亮溫值，通過迭代的方法實現正向模型計算亮溫與傳感器觀測值誤差最小并得到土壤濕度。這種模型反演結果較好，但在含有雪蓋、水體等某個參數敏感度較低的像元，反演效果較差。通過公式（3）所示的代價函數的最小值實現參數反演，其中TobsBi為i通道的觀測亮度溫度，Φi（x） 為正向模型，x為要反演的地表參數，σi為i通道的亮溫觀測誤差。模擬表明，該算法在植被含水量小于1.5 kg/m2的地區，土壤濕度的反演精度可以達到0.06 g/cm2，該算法在半干旱地區可以達到預期精度，能較好地反演土壤濕度。

隨著各種新型傳感器的應用，被動微波遙感反演土壤濕度的算法已經有很大進展，但還存在著一些問題，比如如何消除植被覆蓋、地表粗糙度對反演的影響。Shi等發展了一個利用L波段V、H極化觀測值盡可能減小地表粗糙度影響的土壤濕度反演算法[33]。另外，迭代反演算法也存在著一些不足。微波觀測到的輻射信號取決于地表土壤濕度、地面粗糙度、植被的光學厚度、地表以及植被溫度等。迭代反演算法是根據構造代價函數，使模型的模擬值與衛星觀測值誤差達到最小，并調整參數反演得到土壤濕度。因此，在土壤濕度的反演過程中，地表粗糙度、植被層的光學厚度、單次散射反照率、地表以及植被的溫度等各種參數都會在迭代過程中對觀測值與模型模擬值的差值最小化起到影響。因此，迭代算法無法從物理機制上解釋地表任一參數值變化引起的衛星觀測值變化，調整任何一個參數均可滿足代價函數的要求，其得到的土壤濕度數據會存在很多問題，須要改進提高反演精度[31]。

2主動微波遙感反演土壤濕度

主動微波遙感是利用雷達發射微波波束，經地物反射后接收地物反射回的信號以此來分析地物特性的。不同含水量的土壤介電特性不同，其雷達回波信號也不同，根據這個建立后向散射系數和土壤濕度之間的關系。目前對于裸露地表和稀疏植被的情況，在反演土壤濕度算法的研究中已經取得很大進展，而對于植被影響不能被忽略的情況，反演算法也有一定成效。主動微波反演算法可以分為經驗模型、半經驗模型、物理模型算法3類。

2.1經驗模型

經驗模型的原理通過實際觀測值建立后向散射系數與土壤濕度的線性回歸關系。Puri等利用熱帶測雨衛星的數據反演土壤濕度，在裸露地表和低植被覆蓋地表直接建立后向散射系數與土壤濕度的經驗方程，在中高植被覆蓋地表建立后向散射系數與土壤濕度以及植被覆蓋指數（NDVI）之間的經驗方程[34]。研究結果表明，該方法更適用裸露地表和低植被覆蓋地表，反演絕對誤差在8%以內，在中高植被覆蓋地區，反演精度則會下降，此外根據不同的試驗建立反演精度較高的非線性模型。Dubois等對該模型進行改進，建立一個反演裸土地表壤體積含水量的經驗模型[35]，經過驗證，該模型在入射角大于30°、NDVI小于0.4的條件下可以取得較高精度，反演均方根誤差小于3.5%。總體來說，經驗模型缺乏物理基礎，所以反演效果缺乏穩定性。另外，收集建立經驗模型所需要的高質量參考數據集也是難點之一。

2.2物理模型

標準的后向散射理論模型為基爾霍夫模型，包括幾何光學模塊、物理光學模塊、小擾動模塊[36]。幾何光學模塊（GOM）適用于非常粗糙的表面，物理光學模塊（POM）適用于中等粗糙的表面，小擾動模塊（SPM）適用于較平滑的表面。Fung等在基爾霍夫模型的基礎上，提出了積分方程模型（IEM）[37]，該模型的原理是用土壤濕度和地表粗糙度以及已知的雷達系數來量化后向散射系數。如公式（4）所示：

[JZ（]σ°pp=[SX（]k22[SX）]exp[-2k2zs2]∑[DD（]∞n=1[DD）]s2n|Inpp|2[SX（]Wn（-2kx，0）n！[SX）]。[JZ）][JY]（4）

式中：σ°表示不同極化的后向散射系數，p表示極化方式，k表示波數，kz=kcosθ，kx=ksinθ，θ表示入射角角度，s表示表面高度均方根，Wn表示第n層表面相關系數的傅里葉變化。

很多研究表明IEM模型在植被覆蓋地區也能獲得較好的反演結果。Bindlish等利用多極化多頻數據，通過IEM模型反演了土壤濕度，反演結果平均誤差為3.4%[38]。基于IEM模型，后續研究提出多種算法用來反演裸土和稀疏植被地表的土壤濕度，包括神經網絡、貝葉斯方程、內爾德米德最小化方法等。

2.3半經驗模型

半經驗模型是一些研究人員針對不同植被覆蓋類型和覆蓋度提出的一些植被模型。與經驗模型不同，半經驗模型有物理學背景，并在此基礎上，用模擬或者試驗的數據集來簡化后向散射理論模型。所以，相對于受地點限制較大的經驗模型，半經驗模型適用于更多地區。目前使用最為廣泛的半經驗模型有3種，分別由Oh等[39]、Dubios等[35]、Shi等[40]提出。

式中：σ°表示不同極化方式的后向散射系數，mV表示土壤體積含水量，ks代表歸一化表面粗糙度。當土壤體積含水量在9%～31%，歸一化表面粗糙度在0.1～6.0之間，模型給出的反演結果較為準確。在經過后期的研究和改進后，Oh等的模型[39]與IEM模型的反演結果較為一致。這種模型最主要的優點是只需要一種地表參數，且在有多極化數據的情況下，不須要實地測量就可轉化土壤介電常數和地表粗糙度。

Dubois等提出的半經驗模型[35]主要適用于同極化模式的后向散射，反演時須要使用2.5～11 GHz之間的6種頻率的數據。主要公式如下：

（7）、（8）二式構建了土壤介電常數與HH、VV極化后向散射以及雷達參數（波長，入射角）之間的函數關系。模型在土壤體積含水量小于35%、入射角大于30°的條件下反演效果較好。試驗表明，該模型在裸土和植被稀疏地區表現最好。相較于交叉極化模式，同極化模式的后向散射系數受系統影響噪聲更小且易于校正。Ji等的研究結果顯示，Dubois等的模型反演結果要好于Oh等的模型與IEM模型[41]。

Shi等的半經驗模型是利用IEM模型模擬不同表面粗糙度和土壤體積含水量條件下裸土表面的后向散射值，建立后向散射系數與土壤介電常數、地表粗糙度功率譜之間的相關關系[40]。與前面介紹的2種模型不同，Shi等模型的算法只使用L波段，入射角在25°～70°之間，如公式（9）、（10）所示：

主動微波雷達的優勢在于能提供高空間分辨率的數據（10～100 m），但是由于雷達信號對地表的高度敏感，考慮到地表粗糙度影響，雖然目前已經提出了多種模型，但是沒有一個能被廣泛應用。同時，雷達測量還受到植被影響，很多模型只適用于裸露地表或植被覆蓋率較低區域，這些問題也是主動微波反演算法的難點。

3多傳感器聯合反演土壤濕度算法

大量的研究對比發現，在反演土壤濕度方面，主動微波遙感算法的精度較高，但是對地表粗糙度和植被更為敏感。被動微波傳感器具有較高的時間分辨率，一些傳感器能夠提供每天的土壤濕度數據，但是空間分辨率較低。結合主動微波遙感算法可以彌補單一傳感器算法所存在的不足。許多試驗表明，主動被動聯合反演土壤濕度可以取得很好的效果。ONeill等提出一種針對植被覆蓋區域的主被動結合土壤濕度反演算法，通過植被散射模型計算出植被透視率，再將計算出的數據通過輻射傳輸模型反演出土壤濕度，2個試驗區的綜合驗證結果均方根誤差為2.4%[47]。Zribi等結合了ERS衛星的風散射計（WSC）和高空間分辨率的SAR數據，把WSC后向散射信號看作植被和裸露土壤后向散射信號的加權平均值，對植被散射部分定量反演，然后通過IEM模型反演土壤濕度[48]。Njoku等基于SGP99試驗區的位置測定系數PALs觀測數據，利用變化檢測的方法進行主被動土壤濕度的反演，該方法獲取的土壤濕度數據在標定時間內有較好的精度，但是隨著時間的變化，反演的土壤濕度偏差開始變大[49]。Das等在針對土壤濕度主動被動衛星（soil moisture active and passive，SMAP）主被動土壤濕度反演的試驗中，構建L波段多極化雷達后向散射系數與土壤體積含水量之間的線性關系，并利用PALs數據反演土壤濕度

4.1歐洲遙感衛星/氣象業務化衛星土壤濕度數據集

歐洲遙感衛星ERS-1/2是由歐洲太空局研制并用于觀測陸地、海洋表面溫度、風等數據的。1991年7月17日 ERS-1 發射，該衛星搭載1個成像合成孔徑雷達、1個雷達測高計以及其他設備。1995年4月21日ERS-2發射，ERS-2 在ERS-1的基礎上添加了1個觀測大氣臭氧層的傳感器，2個衛星上均載有C波段（5.3 GHz）垂直極化主動散射計。

氣象業務衛星MetOp是歐洲氣象衛星組織（EUMETSAT）極地軌道衛星系統（EPS）的基礎，EPS是歐洲第1個極地軌道運行衛星系統。EPS系統包括3顆衛星及地面系統，第1顆衛星（MetOp-A）于2006年10月19日發射，高級微波散射計ASCAT是其搭載的傳感器之一。

ERS/MetOp全球土壤濕度數據是從搭載在ERS-1/2以及MetOp衛星上的微波散射計所測得的C波段（5.3 GHz）后向散射系數中反演得到的，反演采用TU-Wien模型和 Wagner 等提出的算法[51]。

ERS/MetOp土壤濕度產品有Level 2土壤濕度數據集和Level 3土壤濕度數據集2種數據集。Level 2土壤濕度數據集提供了衛星過境時刻土壤表層土壤濕度含量，土壤濕度數據值域為0～1。Level 3數據集也被稱為土壤濕度指數（SWI），其利用ASCAT的Level 2數據，輔助以其他數據源數據，通過反演得到。

許多研究人員對ERS/MetOp土壤濕度數據集進行了驗證，Drusch等將該數據集與美國SGP99土壤濕度數據進行對比驗證，均方根誤差約為0.06 m3/m3[52]。Pellarin等利用法國西南部空間分辨率1 km的土壤濕度數據對區域進行驗證，均方根誤差為0.06 m3/m3[53]。Wagner等用西班牙杜羅河域的土壤濕度測量站測量的數據驗證了數據集，表明均方根誤差為0.09 m3/m3[54]。

4.2AMSR-E土壤濕度數據集

高級微波掃描輻射計AMSR-E傳感器是由日本國家空間開發署（Japan Aerospace Exploration Agency，JAXA）設計開發并搭載在美國國家航空航天局（NASA） Aqua衛星上的，提供6.925、10.65、18.7、23.8、36.5、89.0 GHz等6種頻率，水平極化和垂直極化2種極化方式共計12個通道的地表微波輻射亮度溫度值，軌道高度705 km。衛星2次/d通過赤道，升軌模式時間為13：30，降軌模式時間為01：30。取決于緯度分布，重訪頻率可達到 2 d/次甚至更高，于2002年5月發射升空，2011年10月之后無法得到AMSR-E的土壤濕度數據。

許多研究人員對AMSR-E土壤濕度數據進行了驗證，驗證區域主要為美國、墨西哥北部、巴西、澳大利亞等地區，結果表明AMSR-E土壤濕度數據精度良好，與實測數據的均方根誤差在0.03～0.12 m3/m3之間[55]。但由于植被以及人工無線電頻率干擾（RFI），造成反演值偏高。RFI造成的偏差是AMSR-E數據一個眾所周知的問題[56]。

4.3SMOS土壤濕度數據集

土壤濕度與海洋鹽分衛星SMOS由歐洲空間局、法國航天局、西班牙國家技術發展署共同研制，于2009年11月2日發射升空，軌道高度為（757±1）km。衛星唯一的載荷“合成孔徑微波成像儀”（MIRAS）由歐洲防務集團西班牙公司（European Aeronautic Defense and Space Company，EADS）研制。MIRAS由69個天線一體化接收機構成，能夠探測地球表面L波段的微波輻射（1.42 GHz，21 cm），該頻率能夠盡量減小天氣、大氣和植被覆蓋等對測量結果的影響，反映土壤濕度和海水鹽度的變化。

SMOS的目標是提供空間分辨率小于50 km、時間分辨率為1～3 d、精確度高于0.04 m3/m3的全球土壤濕度數據集。SMOS土壤濕度反演模型為生物圈L波段微波發射模型（L-MEB），L-MEB模型假設植被冠層和土壤溫度均一分布、植被性質相同、冠層溫度等于土壤溫度[57]。

目前已有許多對SMOS土壤濕度數據集的有效性進行驗證的研究。在法國西南部大西洋地中海區域，有研究利用土壤濕度觀測系統-氣象自動網絡集成應用（SMOSMANIA）土壤濕度網絡的12個土壤濕度觀測站數據，結合海洋和陸地合作機載微波輻射計研究L波段微波輻射計數據，對SMOS土壤濕度數據進行驗證，結果表明，均方根誤差平均為 0.06 m3/m3[58]。Parrens等在法國南部用SMOSMANIA土壤濕度網絡的21個觀測站數據對SMOS土壤濕度數據進行驗證，研究表明均方根誤差為0.053 m3/m3[59]。SMOS信號也會受到人工無線電頻率干擾RFI的影響，特別是在歐洲、亞洲2個洲。

此外，也有一些研究人員通過各種方法將多種衛星數據融合為一種產品。Liu等用陸面模式將幾種主動微波被動微波的土壤濕度產品融合成一個新的多年土壤濕度數據集（1979—2008），相對于單個衛星的土壤濕度產品，這個數據集可以提供更多的數據[60]。這種數十年的土壤濕度產品可以幫助大家更好地了解土壤濕度在水、能量、碳循環中所起的作用。

5小結與展望

隨著衛星和微波傳感器技術的發展，大量反演算法不斷提出，現在依靠較少的輔助數據就能反演出土壤濕度。之前的研究表明，各種算法都有其局限性。微波遙感由于其波長較長，穿透能力強，可以到達地表下5 cm深度，且基本不受天氣條件的影響，所以在土壤濕度監測中應用較多。被動微波時間分辨率較高，一些衛星產品可以提供每天的土壤濕度數據，而且被動微波對地表及植被的敏感度也較低，但它的空間分辨率也較低。主動微波的空間分辨率較高，但是時間分辨率較低，目前大量的研究主要集中在如何提高微波遙感的空間、時間分辨率，如何消除植被、地表粗糙度造成的影響以及如何提高時間空間分辨率等問題上。因此，SMAP于2008年開始投入研制，計劃于2015年發射。SMAP衛星搭載1個頻率為1.26 GHz，極化方式為HH、VV、HV的L波段雷達傳感器以及1個頻率1.41 GHz，極化方式H、V、U的L波段微波輻射計。軌道高度680 km，重訪周期為8 d。SMAP發射的初期目標是提供全球范圍時間分辨率3 d、空間分辨率10 km的地表深度 5 cm、精度0.04 m3/m3的土壤體積含水量數據[50]。另外，目前通過衛星資料和反演算法得到的大多為表層土壤濕度數據，如何通過觀測資料對更深層的土壤濕度進行反演，也是亟待解決的一個問題。

綜合分析來看，目前的反演算法以及土壤濕度數據集都存在自身的優缺點，多傳感器聯合反演算法可以吸取各種反演算法的優點，提高土壤濕度反演的精度；衛星資料的融合也可以通過對比使得數據精度得到提升，并有助于陸面模式的改進[61]。對多傳感器聯合反演算法以及衛星資料融合的研究還會是未來衛星遙感反演土壤濕度的重要研究方向。

參考文獻：

[1][ZK（#]Seneviratne S I，Corti T，Davin E L，et al. Investigating soil moisture-climate interactions in a changing climate：a review[J]. Earth-Science Reviews，2010，99（3/4）：125-161.

[2]陳斌，丁裕國，劉晶淼. 土壤濕度的一種統計預報模型初步試驗[J]. 氣象科學，2005，25（3）：231-237.

[3]莫保儒，王子婷，蔡國軍，等. 半干旱黃土區成熟檸條林地剖面土壤濕度環境及影響因子研究[J]. 干旱區地理，2014，37（6）：1207-1215.

[4]張雷明，上官周平. 黃土高原土壤水分與植被生產力的關系[J]. 干旱區研究，2002，19（4）：59-63.

[5]張瀅，丁建麗，周鵬. 干旱區土壤水分微波遙感反演算法綜述[J]. 干旱區地理，2011，34（4）：671-678.

[6]張志富. 自動站土壤水分資料質量控制方案的研制[J]. 干旱區地理，2013，36（1）：101-108.

[7]Chang A T C，Atwater S G，Salomonson V V，et al. L-band radar sensing of soil moisture[J]. IEEE Transactions on Geoscience and Remote Sensing，1980（4）：303-310.

[8]Price J C. On the analysis of thermal infrared imagery：the limited utility of apparent thermal inertia[J]. Remote Sensing of Environment，1985，18（1）：59-73.

[9]Choudhury B J，Golus R E. Estimating soil wetness using satellite data[J]. International Journal of Remote Sensing，1988，9（7）：1251-1257.[ZK）]

[10][ZK（#]Jackson T J，le Vine D M，Hsu A Y，et al.Soil moisture mapping at regional scales using microwave radiometry：the southern great plains hydrology experiment[J]. IEEE Transactions on Geoscience and Remote Sensing，1999，37（5）：2136-2151.

[11]Paloscia S，Macelloni G，Santi E，et al.A multifrequency algotithm for the retrieval of soil moisture on a large scale using microwave data from SMMR and SSM/I satellites[J]. IEEE Transactions on Geoscience and Remote Sensing，2001，39（8）：1655-1661.

[12]Njoku E G，Jackson T J，Lakshmi V，et al.Soil moisture retrieval from AMSR-E[J]. IEEE Transactions on Geoscience and Remote Sensing，2003，41（2）：215-229.

[13]Li L，Gaiser P W，Gao B C，et al. WindSat global soil moisture retrieval and validation[J]. IEEE Transactions on Geoscience and Remote Sensing，2010，48（5）：2224-2241.

[14]Liu Y Y，Parinussa R M，Dorigo W A，et al. Developing an improved soil moisture dataset by blending passive and active microwave satellite-based retrievals[J]. Hydrology & Earth System Sciences，2011，15（2）：425-436.

[15]Wolfgang W，Klaus S，Carsten P，et al. Evaluation of the agreement between the first global remotely sensed soil moisture data with model and precipitation data[J]. Journal of Geophysical Research（Atmospheres），2003，108（D19）：1675-1702.

[16]Owe M，de Jeu R，Holmes T. Multisensor historical climatology of satellite-derived global land surface moisture[J]. Journal of Geophysical Research Earth Surface，2008，113（F1）：196-199.

[17]Koster R D，Guo Z C，Yang R Q，et al. On the nature of soil moisture in land surface models[J]. Journal of Climate，2009，22（16）：4322-4335

[18]Parrens M，Mahfouf J F，Barbu A L，et al. Assimilation of surface soil moisture into a multilayer soil model：design and evaluation at local scale[J]. Hydrology & Earth System Sciences，2014，18（2）：673-689.

[19]Zhan X，Zheng W，Meng J，et al. Impact of SMOS soil moisture data assimilation on NCEP-GFS forecasts[J]. EGU General Assembly，2012，14：12724.

[20]Reichle R H. Data assimilation methods in the Earth sciences[J]. Advances in Water Resources，2008，31（11）：1411-1418.

[21]Albergel C，Dorigo W，Reichle R H，et al. Skill and global trend analysis of soil moisture from reanalyses and microwave remote sensing[J]. Journal of Hydrometeorology，2013，14（4）：1259-1277.

[22]Dorigo W，Wagner W，Bauer-Marschallinger B，et al. Constructing and analyzing a 32-years climate data record of remotely sensed soil moisture[C]. Geoscience and Remote Sensing Symposium，2012：2028-2031.

[23]Wigneron J P，Calvet J C，Pellarin T，et al. Retrieving near surface soil moisture from microwave radiometric observation：current sratus and future plans[J]. Remote Sensing of Environment，2003，85（4）：489-506.

[24]Wang J R，ONeill P E，Jackson T J，et al. Multifrequency measurements of the effects of soil moisture，soil texture，and surface roughness[J]. IEEE Transactions on Geoscience and Remote Sensing，1983，1（1）：44-51

[25]Jackson T J，Schmugge T J，Wang J R. Passive microwave sensing of soil moisture under vegetation canopies[J]. Water Resources Research，1982，18（4）：1137-1142.

[26]Mo T，Choudhury B J，Schmugge T J，et al. A model for microwave emission from vegetation-covered fields[J]. Journal of Geophysical Research Oceans，1983，87（NC13）：11229-11237.

[27][JP3]Jackson T J，le Vine D M，Swift C T，et al. Large area mapping of soil moisture using the ESTAR passive microwave radiometer in Wahita92[J]. Remote Sensing of Environment，1995，54（1）：27-37.[JP]

[28]Calvet J C，Chanzy A，Wigneron J P. Surface temperature and soil moisture retrieval in the Sahel from airborne multifrequency microwave radiometry[J]. IEEE Transactions on Geoscience and Remote Sensing，1996，34（2）：588-600.

[29]van de Griend A A，Owe M. The influence of polarization on canopy transmission properties at 6.6 GHz and implications for large scale soil moisture monitoring in semi-arid environments[J]. IEEE Transactions on Geoscience and Remote Sensing，1994，32（2）：409-415.

[30]Liu S F，Liou Y A，Wang W J，et al. Retrieval of crop biomass and soil moisture from measured 1.4 and 10.65 GHz brighrness temperatures[J]. IEEE Transactions on Geoscience and Remote Sensing，2002，40（6）：1260-1268.

[31]Njoku E G，Li L. Retrieval of land surface parameters using passive microwave measurements at 6-18 GHz[J]. IEEE Transactions on Geoscience and Remote Sensing，1999，37（1）：79-93.

[32]Wigneron J R，Waldteufel P，Chanzy A，et al. Two-D microwave interferometer retrieval capabilities of over land surface（SMOS Mission）[J]. Remote Sensing of Environment，2000，73：270-282.

[33]Shi J，Chen K S，Li Q，et al. A parameterized surface reflectivity model and estimation of bare surface soil moisture with L-band radiometer[J]. IEEE Transactions on Geoscience and Remote Sensing，2002，40（12）：2674-2686.

[34]Puri S，Stephen H，Ahmad S.Relating TRMM precipitation radar land surface backscatter response to soil moisture in the Southern United States[J]. Journal of Hydrology，2011，402（1/2）：115-125.

[35]Dubois P C，van Zyl J，Engman T. Measuring soil moisture with imaging radars[J]. IEEE Transctions on Geosciences and Remote Sensing，1995，33（4）：915-926.

[36]Engman E T，Chanhan N. Status of microwave soil moisture measurements with remote sensing[J]. Remote Sensing of Environment，1995，51（1）：189-198.

[37]Fung A K，Li Z，Chen K S. Backscattering from a randomly rough dielectric surface[J]. IEEE Transactions on Geoscience and Remote Sensing，1992，30（2）：356-369.

[38]Bindlish R，Barros A P. Multifrequency soil moisture inversion from SAR measurements using IEM[J]. Remote Sensing of Environment，2000，71（1）：67-88.

[39]Oh Y，Sarabandi K，Ulaby F T. An empirical model and an inversion technique for radar scattering from bare soil suiface[J]. IEEE Transactions on Geosciences and Remote Sensing，1992，30（2）：370-381.

[40]Shi J C，Wang J，Hsu A Y，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（5）：1254-1266.

[41]Ji J，Keur P V D，Thomsen A，et al. Soil moisture retrieval using the Danish L- & C-band polarimetric SAR[C]. Geoscience and Remote Sensing Symposium，1996（2）：1300-1302.

[42]Zyl J J V，Njoku E G，Jackson T J. Quantitative analysis of SMEX02 AIRSAR data for soil moisture inversion[C]. Geoscience and Remote Sensing Symposium，2003：404-406.

[43]Attema E P W，Ulaby F T. Vegetation modelled as a water cloud[J]. Radio Science，1978，13（2）：357-364.

[44]Taconet O，Vidal-Madjar D，Emblanch C，et al. Taking into account vegetation effects to estimate soil moisture from C-band radar measurements[J]. Remote Sens Environ，1996，56：52-56.

[45]Prevot L，Poenaru V，Voicu P，et al. Surface soil moisture estimation from SAR data over wheat fields during the ADAM project[C]. Geoscience and Remote Sensing Symposium，2003：2885-2887.

[46]Maity S，Patnaik C，Chakraborty M，et al. Analysis of temporal backscattering of cotton crops using a semi-empirical model[J]. IEEE Trans Geosci Remote Sens，2004，42（3）：577-587.

[47]ONeill P E，Chauhan N S，Jackson T J. Use of active and passive microwave remote sensing for soil moisture estimation through corn[J]. International Journal of Remote Sensing，1996，17（10）：1851-1865.

[48]Zribi M，Hégarat-Mascle S L，Ottlé C，et al. Surface soil moisture estimation from the synergistic use of the （multi-incidence and multi-resolution） active microwave ERS Wind Scatterometer and SAR data[J]. Remote Sensing of Environment，2003，86（1）：30-41.

[49]Njoku E G，Wukson W J，Dinardo S J，et al. Observation of soil moisture using a passive and active low-frequency microwave airborne sensor during SGP99[J]. IEEE Transactions on Geoscience and Remote Sensing，2002，40（12）：2659-2671.

[50]Das N N，Entekhabi D，Njoku E G. An algorithm for merging SMAP radiometer and radar data for high-resolution soil moisture retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing，2011，49（5）：1504-1512.

[51]Wagner W，Lemoine G，Rott H. A method for estimating soil moisture from ERS scatterometer and Soil Data[J]. Remote Sensing of Environment，1999，70（2）：191-207.

[52]Drusch M，Wood E F，Gao H，et al. Soil moisture retrieval during the Southern Great Plains Hydrology Experiment 1999：a comparison between experimental remote sensing data and operational products[J]. Water Resources Research，2004，40（2）：389-391.

[53]Pellarin T，Calvet J C，Wagner W. Evaluation of ERS Scatterometer soil moisture products over a half-degree region in southwestern France[J]. Geophysical Research Letters，2006，33（17）：123-154.

[54]Wagner W，Pampaloni P，et al. Operational readiness of microwave remote sensing of soil moisture for hydrologic applications[J]. Water Policy，2007，38（1）：1-20.

[55]de Jeu R A M，Wagner W，Holmes T R H，et al. Global soil moisture patterns observed by space borne microwave radiometers and scatterometers[J]. Surveys in Geophysics，2008，29（4）：399-420.

[56]Njoku E G，Ashcroft P，Chan T K，et al. Global survey and statistics of Radio-Frequency Interference in AMSR-E land observations[J]. IEEE Transactions on Geoscience and Remote Sensing，2005，43（5）：938-947.

[57]Mladenova I，Lakshmi V，Jackson T J，et al. Validation of AMSR-E soil moisture using L-band airborne radiometer data from National Airborne Field Experiment 2006[J]. Eres，2011，115（8）：2096-2103.

[58]Albergel C，Zakharova E，Calvet J C，et al. A first assessment of the SMOS data in southwestern France using in situ and airborne soil moisture estimates：the CAROLS airborne campaign[J]. Remote Sensing of Environment，2011，115（10）：2718-2728.

[59]Parrens M，Zakharova E，Lafont S，et al. Comparing soil moisture retrevals from SMOS and ASCAT over France[J]. Hydrology and Earth System Sciences Discussions，2011，16（2）：423-440.

[60]Liu Y Y，Dorigo W A，Parinussa R M，et al.Trend-preserving blending of passive and active microwave soil moisture retrievals[J]. Remote Sensing of Environment，2012，123（3）：280-297

[61]Yin J，Zhan X，Zheng Y，et al. Enhancing model skill by assimilating SMOPS blended soil moisture product into noah land surface model[J]. Journal of Hydrometeorology，2015，16（2）：917-931.