鹽漬化土壤水分微波雷達反演與驗證

王 學，劉全明，屈忠義，王麗萍，李相君，王耀強

（內蒙古農業大學水利與土木建筑工程學院，呼和浩特 010018）

鹽漬化土壤水分微波雷達反演與驗證

王 學，劉全明※，屈忠義，王麗萍，李相君，王耀強

（內蒙古農業大學水利與土木建筑工程學院，呼和浩特 010018）

土壤介電常數是微波遙感進行土壤含水率測量的物理基礎，尤其介電常數實部是必須解決的問題，土壤介電特性的研究顯得尤為重要。該文目的是試驗與評價C波段RADARSAT-2 SAR（synthetic aperture radar）數據模擬土壤介電特性，進而反演土壤水分的性能。以受鹽漬化影響較嚴重的內蒙古河套灌區解放閘灌域為試驗區，首先回歸分析了介電常數實部與SAR四極化后向散射系數、地表粗糙度的復雜關系，并與Oh經驗模型對照，其決定系數R2為0.859 7，模擬精度較高；然后驗證常用的2個介電常數模型，Dobson半經驗模型、Hallikainen簡化實部經驗模型模擬的介電常數實部與實測值的決定系數R2分別為0.935 9、0.869，表明2個模型均能模擬地表土壤水分與介電常數實部的密切關系；最后構建了Dobson模型、Hallikainen簡化實部模型反演土壤含水率的模型，并與統計回歸模型比照，其模擬數值與土壤實測值的決定系數R2分別為0.803 8、0.737 4、0.842 1，均方根誤差RMSE分別為5.2%、5.7%、5%。Dobson模型與統計回歸模型反演結果與實地土壤墑情分布較為吻合，具有良好的精度和適用性，從而建立了一個較為完整的土壤介電特性研究體系，為微波遙感監測土壤水分奠定了基礎。

土壤水分；遙感；模型；土壤介電特性；Oh模型；Dobson模型；Hallikainen簡化實部模型；鹽漬化

0 引 言

土壤水分（即土壤含水率）在地表→大氣→地表的能量交換中扮演著極其重要的角色，在水資源合理利用、農田灌溉以及旱澇災害預報等農業科學研究領域中具有重要的意義，也是研究者們長期密切關注的課題[1-4]，尤其是土壤水分在大尺度上的監測具有重要意義。土壤水分傳統監測方法是通過人工或觀測儀器在各個監測點上獲得長周期具有較高精度的土壤水分信息。雖然能夠獲得觀測點上比較準確的土壤水分信息，但這樣不僅費時費力而且難以將采集的點數據擴展到面上，無法在大范圍內有效反映土壤水分的時空變化情況。陸表的土壤水分含量可由可見光、熱紅外和微波遙感數據估算，光學遙感直接反演土壤水分有很多限制。微波遙感具有全天時、全天候和穿透能力強的特點，能夠獲取地表的時空信息,為全面觀測提供了可能。尤其主動微波遙感可估算地表5 cm深度土層的土壤水分,成為獲取大尺度、長時間序列土壤水分的有效手段[5-6]。

介電常數是描述電磁場與物質相互作用關系的一個宏觀參量[7-8]，土壤含水量不同，其介電特性就明顯不同，進而使得散射系數和亮溫度不同，這就是微波遙感進行土壤含水量反演的物理基礎，土壤介電特性研究尤為重要[9-10]。宋書藝等[11-13]通過對土壤介電特性進行研究，改進介電常數測量方法，提高測量精度，但是測量方法復雜，及時能夠進行反演工作，但所需參數較多模型實用性較小；曾江源等[14-16]均對土壤介電特性、土壤介電常數與含水量關系進行了系統的研究，但是這些學者的研究的研究僅用同極化數據，未考慮四極化情況，導致模擬精度普遍較低。趙昕等[17-19]建立水分反演模型時，只引入后向散射系數，未考慮土壤地表粗糙度因素，或只考慮相關長度L、均方根高度S中的一種，導致水分反演精度較低；郭曼等[20-21]進行介電模型研究，進而反演水分工作時，只是正向研究介電模型，將介電常數代入模型參與計算，沒有進行介電模型反演水分的思路。本文從以下幾點出發：首先根據Oh模型，分析土壤介電特性，建立土壤介電常數反演模型；然后分析研究現有土壤介電模型，結合實測數據，確定適用于本試驗區的介電模型；再將介電模型進行逆向推理，得到介電常數水分反演模型；最后根據介電水分反演，結合土壤地表粗糙度、介電常數，建立統計回歸水分反演模型。

1 試驗區概況與數據獲取

1.1 試驗區概況

試驗區位于河套灌區解放閘灌域內，地處內蒙古自治區巴彥淖爾市杭錦后旗境內，東經106°43′－107°15′、北緯40°48′－40°59′，北靠陰山，東郊臨河市，南望鄂多斯高原，西與磴口接壤，是典型引黃河水灌溉的旗縣。海拔1 033~～1 055 m，屬溫帶高原型、大陸性氣候，全年平均氣溫6.3～7.7 ℃，干燥少雨，全年平均降雨量為139.4 mm，而平均蒸發量達2 070.4 mm，兼于解放閘灌域復雜的土壤水鹽環境系統，使其成為理想的試驗區域。在研究區域內設置100個采樣點，數據采集時間為春季4月份，此時灌區為春灌前的裸露地表無植被覆蓋，因此進行水分反演工作時無需考慮植被的影響。如圖1為試驗區雷達影像及采樣點分布。

1.2 Radarsat-2 C波段影像數據

作為當今世界十分先進的SAR系統，Radarsat-2具有成像模式多、分辨率高、成像幅寬大、視角范圍廣等特點，可在大范圍內快速成像，減少衛星過境時間。與此同時還有多種極化方式可供選擇，提高了對目標物進行精細刻畫的能力[22]。本研究使用C波段Radarsat-2 的HH+HV+VH+VV精細全極化模式的雷達影像，軌道號43 459，幅寬（km）25×25，分辨率8 m，入射角30.42°，影像數據為SLC格式，其中H代表水平極化方式，V代表垂直極化方式，二者組結合。

通過雷達影像處理軟件ENVI SARscape來處理獲取的Radarsat-2的雷達數據，數據處理主要包括以下內容：數據聚焦、多視處理、斑點濾波、地理編碼和輻射定標、幾何校正、提取后向散射系數。如表1中所示部分采樣點數值。

圖1 試驗區雷達影像圖Fig.1 Radar image of experimental area

表1 根據雷達影像獲取的樣點數據（部分樣點）Table 1 Sample data obtained by radar image (partial samples)

1.3 地表參數獲取

本研究采用安捷倫微波網絡分析儀，通過同軸探針法進行采樣點的土樣介電常數測量。如表1中所示為部分采樣點的介電常數實部值。野外用厘米格網的剖面板測量地表粗糙度，計算獲取均方根高度S與相關長度L的數值。地表粗糙度反演模型的初期研究只有均方根高度S或相關長度L之一參與模型運算，不能得到較好的反演結果，科研人員通過對S和L進行組合來表示地表粗糙度，如Zribi等[23]利用S與L組成ZS=S2/L，他們采用的組合參數在模型反演中均取得了理想效果，本文將利用組合參數ZS進行反演建模。用地溫計對地溫進行3次實時測量，并取均值；用激光粒度儀Helos/B對采樣點土樣進行土壤顆粒測量，獲得黏粒C與砂粒S的百分比含量。用100 cm3的環刀取樣測量土樣土壤容重。烘干法獲取土樣重量含水量，并轉換為體積含水率。

2 研究方法與結果

2.1 土壤介電常數特性

微波遙感的散射、輻射能量是介電常數的函數[24]，Oh等[25]得到了HH/VV、HV/VV與介電常數、地表粗糙度的經驗模型。因本次使用C波段Radarsat-2影像，通過兩個通道得到HH和VV同極化的數值較大，較為準確。而HV與VH交叉極化數據較小，故使用同極化后向散射系數比的Oh模型進行介電常數與雷達后向散射系數的關系研究。

式中是法向入射的菲涅爾反射系數；θ=30.42°為雷達入射角；k為雷達波數；S為均方根高度；σHH、σVV為同極化后向散射系數。

利用采樣點的后向散射、介電常數及地表粗糙度數據，按照Oh模型進行介電常數反推計算，其模擬與實測數據的決定系數R2=0.820 9，具有較高的精度，如圖2所示。可通過插值的方法得到介電常數的空間分布。

圖2 Oh模型介電常數模擬與實測值擬合分析Fig.2 Fitting analysis of Oh model dielectric constant simulated value and measured value

2.2 土壤介電常數模型

雖然土壤中各成分的介電常數組成了土壤介電常數，但水的介電常數起到了主導作用，所以影響土壤介電常數的最主要因素是土壤水分，此外頻率f、溫度T和土壤砂粒S、黏粒C等也會對介電常數產生影響[26]。因此，土壤介電常數模型應充分考慮各個因素的影響。目前的介電模型主要分為理論模型、半經驗模型、經驗模型。

2.2.1 Dobson模型

常用的Dobson模型是利用5種不同土壤類型的實測數據建立的1.4～18 GHz一個半經驗的土壤介電常數模型[27]，其形式簡單、應用方便，只需輸入簡單參數即可。其模型公式：

式中ρb是土壤容重；ρs是土壤比重，一般取ρs=2.66；εs為土壤中固態物質介電常數，εs=(1.01+0.44ρs)2?0.062≈4.7；a是一個常數a=0.65；β是與土壤類型即土壤砂土質量百分數和黏土質量百分數有關的復數參數；mv是土壤的體積含水量；εfw為純水的介電常數；f為入射電磁波頻率。

利用采樣點地表參數代入Dobson模型獲取土壤介電常數實部模擬值，與實測介電常數的決定系數為0.935 9，如圖3所示。可見Dobson模型適用于本試驗區的介電特性模擬。

圖3 Dobson模型模擬數值與實測數值擬合分析Fig.3 Fitting analysis of Dobson model simulates value and measured value

2.2.2 Hallikainen模型

Hallikainen等[28]在1.4～18 GHz的頻率范圍內測得不同含水率、不同土壤質地的介電常數。在數據分析的基礎上，建立了以土壤質地和含水量為輸入變量的經驗公式，其通式為：

將此模型改動變成以下公式

將S、C、mv、Smv、Cmv、這8項看作獨立變量，其中S砂土百分比、C為黏土百分比含量。將a0、a1、a2、b0、b1、b2、c0、c1、c2這9項看作待求的待定系數，其目的是將原來的非線性問題轉化為線性問題。

利用采樣點數據建模并驗證，發現模擬與實測值的決定系數R2=0.869，如圖5所示。

圖4 Hallikainen簡化實部模型模擬與實測值擬合分析Fig.4 Fitting analysis of simulation value of Hallikainen simplified real part model and measured value

2.3 土壤水分反演模型

多年來國內外學者對土壤介電常數進行了大量的實驗研究，在試驗數據的基礎上，依據介電混合的思想，發展了多種土壤介電常數模型[29]。Dobson模型、Hallikainen簡化實部模型模經過他們模擬數據與實測數據相關性分析，表明他們具有較高的相關性。因此本文對Dobson模型、Hallikainen簡化實部模型進行公式變形，得到土壤水分反演模型。

2.3.1 Dobson水分反演模型

上文研究表明Dobson模型能夠較好反應介電常數與土壤含水率關系，故對Dobson模型進行變形而得到土壤水分反演公式。將Dobson模型公式變為：

對公式（6）進行對數變形，得到土壤水分反演模型：

將70個采樣點的參數代入公式（7）得到Dobson模型反推含水模擬數值，公式（7）中所用的介電常數為Oh模型反演介電常數得到的數值。通過30個數據對Dobson模型反推含水模擬數值與土壤實測含水值的相關性分析，得到決定系數R2=0.803 8,均方根誤差RMSE=0.052，如圖5所示。

圖5 Dobson模型反推土壤含水率模擬數值與實測值的擬合Fig.5 Fitting analysis of Dobson model inversion value and measured value of soil moisture content

2.3.2 Hallikainen水分反演模型

上文研究表明Hallikainen簡化實部模型也能較好反映土壤介電常數與土壤含水率關系，故對簡化實部模型進行反推，得到Hallikainen簡化實部水分反演模型：

將采樣點的參數代入公式得到Hallikainen簡化實部模型反推含水模擬數值，其決定系數R2=0.737 4，均方根誤差RMSE=0.057，如圖6所示。

圖6 Hallikainen簡化實部模型反推土壤含水率模擬值與實測值擬合分析Fig.6 Fitting analysis of soil moisture content simulation value of Hallikainen simplified real part model and measured value

2.3.3 統計回歸水分反演模型

根據AIEM正演模型雷達入射角、頻率、均方根高度、相關長度、介電常數、水分，改變其中任一變量都會對后向散射系數產生影響[30]。通過對AIEM模型進行機理特征分析發現：對頻率變化后向散射系數響應圖進行分析，同極化的后向散射系數隨著頻率的增大而增大；對入射角變化后向散射系數響應圖進行分析，同極化的后向散射系數隨著入射角的增大而減小；過對均方根變化后向散射系數響應圖進行分析，同極化的后向散射系數先隨著入射角的增大而增大，到達某一數值后，后向散射系數呈減小的趨勢；對相關長度變化后向散射系數響應圖進行分析，同極化的后向散射系數隨著相關長度的增大而減小；土壤水分變化后向散射系數響應圖進行分析發現，同極化的后向散射系數隨著土壤水分的增大而增大。在使用雷達影像數據時其入射角、頻率是固定值，因此本文用四極化后向散射系數HH、HV、VH、VV及其組合HH/VV、HV/VH，組合地表粗糙度ZS以及Oh模型反演介電常數ε建立經驗回歸模型，結果如公式（9）所示。其模型反演與實測值決定系數R2達0.8421，均方根誤差RMSE=0.05，圖7所示。

圖7 經驗回歸模型土壤含水率反演值與實測值擬合分析Fig.7 Fitting analysis of empirical regression model inversion value and measured value of soil moisture content

將剩余的30個數據代入經驗回歸模型，計算其相對誤差，并計算其模擬精度。部分數據見表2所示。

表2 經驗回歸模型土壤含水率反演精度檢驗Table 2 Soil moisture content inversion accuracy test of regression model

2.3.4 水分反演模型對比

最后使用 ENVI軟件最大似然法對Dobson模型、Hallikainen簡化實部模型反推含水率數值與統計回歸模型結果分類，得到3種土壤墑情分布圖（圖8所示）。根據3種模型反演的土壤墑情在空間分布存在明顯差異。

圖8 不同模型反演的土壤含水率結果Fig.8 Soil moisture content inversion results of different models

3種模型反演的土壤墑情統計結果如表3所示。

表3 土壤含水率統計結果Table 3 Statistic results of soil moisture content

表3統計了Dobson模型反推含水率模型、Hallikainen簡化實部模型反推含水率模型、經驗回歸模型模擬的不同墑情等級占比，從統計結果可以看出Dobson反推水分模型與統計回歸模型所占比重基本相等，其主要原因在于Hallikainen簡化實部模型未考慮地表粗糙度影響。

3 結論與討論

1）通過Oh模型反演介電常數值，能夠為介電常數模型反推含水值提供數據的支持。通過對常用的Dobson模型和Hallikainen簡化實部模型的驗證。發現2種模型都能較好地反映土壤介電常數與土壤含水的密切關系，尤其是Dobson模型的效果更好。

2）經Dobson模型、Hallikainen簡化實部模型反推含水率模型驗證發現兩者均可用于土壤水分反演，且Dobson模型與統計回歸經驗模型功效較為一致，具有較高的精度與適用性，而Hallikainen簡化模型模擬水分的效果劣于前兩者。

3）Dobson模型、Hallikainen簡化實部模型反推含水率模型、統計回歸經驗模型三者的土壤墑情分布，在0.2～0.3范圍內所占比重較多，說明3種反演水分模型都能夠較好的反映試應驗區的土壤水分分布情況。

本文推薦的經驗模型依賴于地表試驗參數，具有區域的限制性。如何從理論模型如AIEM物理模型出發研究各參數間的機理關系建模，以擴大土壤水分反演模型的普適性是今后研究的重點。

[1] Jagdhuber T, Hajnsek I, Papathanassiou K P. An iterative generalized hybrid decomposition for soil moisture retrieval under vegetation cover using fully polarimetric SAR[J]. IEEE Journal of Selected Topics in Applied Earth Observations and. Remote Sensing. 2015, 8: 3911－3922.

[2] Jacome A, Bernier M, Chokmani K, et al. Monitoring volumetric surface soil moisture content at the La Grande Basin Boreal Wetland by radar multi polarization data[J]. Remote Sens, 2013, 5: 4919－4941.

[3] 劉全明，成秋明，王學，等. 河套灌區土壤鹽漬化微波雷達反演[J]. 農業工程學報，2016，32(16)：109－114. Liu Quanming, Cheng Qiuming, Wang Xue, Li Xiangjun. Soil salinity inversion in Hetao Irrigation district using microwave radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 109－114. (in Chinese with English abstract)

[4] 馬洪章，劉素美，彭愛華，等. L 波段主被動微波協同反演裸土土壤水分[J].農業工程學報，2016，32(19)：133－138. Ma Hongzhang, Liu Sumei, Peng Aihua, Sun Lin, Sun Genyun. Active and passive cooperative algorithm at L-Band for bare soil moisture inversion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 133－138. (in Chinese with English abstract)

[5] 陳晶，賈毅，余凡. 雙極化雷達反演裸露地表土壤水分[J].農業工程學報，2013，29(10)：109－115.Chen Jing, Jia Yi, Yu Fan. Soil moisture inversion by radar with dual-polarization[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(10): 109－115. (in Chinese with English abstract)

[6] Dubois P C, Van Zyl J, Engman T. Measuring soil moisture with imaging radars[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(4): 915－926.

[7] 劉偉. 植被覆蓋地表極化雷達土壤水分反演與應用研究[D].北京:中國科學院遙感應用研究所，2005. Liu Wei. Study on Soil Moisture Inversion and Application with Polarization Radar in Vegetated Area[D]. Beijing: Institute of Remote Sensing Applications, Chinese Academy of Sciences, 2005. (in Chinese with English abstract)

[8] Fung A K, Chen K S. An update on the IEM surface back scattering model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 1(2): 75－77.

[9] Notarnicol A, C. A bayesian change detection approach for retrieval of soil moisture variations under different roughness conditions[J]. IEEE Geoscience and Remote Sensing Letters. Lett., 2014, 11: 414－418.

[10] Gorrab A, Zribi M, Baghdadi N, et al. Retrieval of both soil moisture and texture using Terra SAR-X images[J]. Remote Sens., 2015, 7: 10098－10116.

[11] 宋書藝. 濱海土壤微波介電特性研究[D]. 杭州：浙江大學，2012. Song Shuyi. Study on Microwave Dielectric Property of Coastal Soil[D]. Hangzhou: Zhejiang Uiversity, 2012. (in Chinese with English abstract)

[12] 夏明耀，陳志雨. 空間波法測地物介電常數的反演方法[J].電子與信息學報，1999，21(2)：252－257. Xia Mingyao, Chen Zhiyu. Inverse formulations for permittivity measurement of ground materials using space-wave method[J]. Journal of Electronics, 1999, 21(2): 252－257. (in Chinese with English abstract)

[13] 賈明權. 典型地物微波介電特性實驗研究[D].成都：電子科技大學，2008. Jia Mingquan. Experimental Research on Characteristics of Microwave Dielectric Properties of Typical Terrestrial Objects[D]. Chengdu: University of Electronic Science and Technology, 2008. (in Chinese with English abstract)

[14] 曾江源，李震，陳權，等. SAR土壤水分反演中的介電常數實部簡化模型[J]. 紅外與毫米波學報，2012，31(6)：556－562. Zeng Jiangyuan, Li Zhen, Chen Quan, et al. A simplified model of the real part of the soil complex permittivity for soil moisture estimation from SAR image[J]. J.Infrared Millim. Waves, 2012, 31(6): 556－562. (in Chinese with English abstract)

[15] 雷磊，塔西甫拉提·特依拜，丁建麗，等. 干旱區鹽漬土介電常數特性研究與模型驗證[J]. 農業工程學報，2013，29(16)：125－133. Lei Lei, Tashpolat·Tiyip, Ding Jianli, et al. Constant characteristic and model verification of saline soil dielectric in arid area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(16): 125－133. (in Chinese with English abstract)

[16] 劉華貴，曾健. 土壤介電常數—含水量關系模型的比較[J].土工基礎，2011，25(2)：58－64. Liu Huagui, Zeng Jian. Deformation regularity during shallow buried tunnel construction in urban[J]. Soil Engineering and Foundation, 2011, 25(2): 58－64. (in Chinese with English abstract)

[17] 趙昕，黃妮，宋現鋒，等. 基于Radarsat 2與Landsat 8協同反演植被覆蓋地表土壤水分的一種新方法[J]. 紅外與毫米波學報，2016，35(5)：519－616. Zhao Xin, Huang Ni, Song Guanfeng, et al. A new method for soil moisture inversion in vegetation-covered area based on Radarsat 2 and Landsat 8[J]. J. Infrared Millim Waves, 2016, 35(5): 519－616. (in Chinese with English abstract)

[18] 李彪. 基于Radarsat-2雷達影像和BP人工神經網絡的土壤墑情監測研究[D]. 呼和浩特：內蒙古農業大學，2015. Li Biao. The Study of Monitoring Soil Moisture Based on Radarsat-2 Remote Sensing Images and BP Artificial Neural Network[D]. Hohhot: Inner Mongolia Agricultural University, 2015. (in Chinese with English abstract).

[19] 李成鋼. 冬小麥微波散射特性及參數反演研究[D].成都：電子科技大學，2013. Li Chengang. The Characteristics of Microwave Scattering of Winter Wheat and the Study of Parametric Inversion[D]. Chengdu: University of Electronic Science and Technology, 2013. (in Chinese with English abstract)

[20] 郭曼. 基于SAR數據的稀疏植被覆蓋條件下的地表土壤水分反演研究[D]. 烏魯木齊：新疆大學，2012. Guo Mang. Study on Soil Moisture Inversion of Sparse Vegetation Cover Conditions Based on SAR Data[D]. Urumqi: Xinjiang University, 2012. (in Chinese with English abstract)

[21] 鄭磊. 基于微波遙感的裸露地表土壤水分反演研究[D].呼和浩特：內蒙古農業大學，2014. Zheng Lei. Research on Bare Surface Soil Moisture Inversion Based on The Microwave Remote Sensing[D]. Hohhot: Inner Mongolia Agricultural University, 2015. (in Chinese with English abstract)

[22] RADARSAT-2 衛星介紹[Z]//中國科學院對地觀測與數字地球科學中心·用戶簡訊，北京：2008(73): 1－12.

[23] Zribi, Dechambre. 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.

[24] Owe M, De Jeu R, Holmes T. Multisensor historical climatology of satellite-derived global land surface moisture[J]. Journal of Geophysical Research: Earth Surface (2003－2012), 2008, 113(F01002): 1－17.

[25] Oh Y. Quantitative and 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(4): 596－601.

[26] 張廷軍，晉銳，高峰. 凍土遙感研究進展—可見光、紅外及主動微波衛星遙感方法[J]. 地球科學進展，2009，24(9)：963－972. Zhang Tingjun, Jing Rui, Gao Feng. Over view of thesatellite remote sensing of frozen ground: visible thermal infrared and radar sensor[J]. Advances in Earth Science, 2009, 24(9): 963－972. (in Chinese with English abstract)

[27] 梁志剛，陳云敏，陳贇. 利用同軸電纜電磁波反射技術測定非飽和土的含水率[J]. 巖土工程學報，2006，28(2)：191－195. Liang Zhigang, Chen Yunming, Chen Yun. Measurement of water content of unsaturated soil by TDR technique[J]. Chinese Journal of Geotechnical Engineering, 2006, 28(2): 191－195. (in Chinese with English abstract)

[28] Hallikainen M T, Ulaby F T, Dobson M C, et al. Microwave dielectric behavior of wet soil: part I:Empiricalmodels and experimental observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 1985, GE-23(1): 25－34.

[29] 陳權，曾江源，李震，等. 遙感監測介電常數與土壤含水率關系模型[J]. 農業工程學報，2012，28(12)：171－175. Chen Quan, Zeng Jiang Yuan, Li Zhen, et al. Relationship model of soil moisture and dielectric constant monitored with remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(12): 171－175. (in Chinese with English abstract)

[30] 任鑫. 多極化—多角度SAR土壤水分反演算法研究[D].北京：中國科學院遙感應用研究所，2003. Ren Xin. A Surface Moisture Inversion Technique Using Multi-Polarization and Multi-Angle Radar Images[D]. Beijing: Institute of Remote Sensing Applications, Chinese Academy of Sciences, 2003. (in Chinese with English abstract)

Inversion and verification of salinity soil moisture using microwave radar

Wang Xue, Liu Quanming※, Qu Zhongyi, Wang Liping, Li Xiangjun, Wang Yaoqiang
(1. Water Conservancy and Civil Engineering College, Inner Mongolia Agricultural University, Hohhot 010018, China)

Soil dielectric constant is the physical basis for soil moisture simulation based on microwave remote sensing, and especially the real part of the dielectric constant is of great significance to the research of the soil dielectric characteristics. Main aim of this study was to investigate capability of C-band RADARSAT-2 SAR (synthetic aperture radar) data applied in the soil dielectric characteristics monitoring and the soil moisture inversion over agricultural fields. Bare area of Jiefangzha sub-district of Hetao Irrigation District in Inner Mongolia of China was selected as the study region, which was influenced by soil salinization seriously. In order to achieve above purposes, an image of Radarsat-2 SAR was bought in April 2016, which has a kind of four fine polarization SLC (single look complex) format, covering an area of 25 km × 25 km with 8 meter ground resolution. Taking spatial uneven distribution of the saline soil into account, 100 sampling points were designed in the study area, and soil digging depth was 10 cm. Hand-held GPS (global positioning system) receiver was used to record coordinates of the sampling points. The experiment data included the soil dielectric real constant, surface roughness, surface temperature, percentages of clay and sand particles, soil bulk density and soil moisture. Agilent microwave network analyzer was used to measure the real part value of soil dielectric constant with coaxial probe method. Surface roughness was measured using centimeter grid profile plate to calculate the value of RMS (root mean square) height and the correlation length, and then composite roughness was got to represent the surface roughness in later research. Real-time ground temperature of the sampling points was measured by geothermometer. Particle analysis was fulfilled with laser particle size analyzer named Helos/B, obtaining the percentage content of clay and sand particles. Soil bulk density was measured by ring cutter. Soil moisture was measured by way of drying. SAR scape module of ENVI software was mainly used to perform the radar image processing, including radiometric calibration, geometric correction, slant range turning and filtering. Four polarization back scatter coefficient values corresponding to the sampling points were extracted based on previous results by spatial analysis module of ArcGIS software. In order to analyze complex relationship between the real part of the dielectric constant with SAR four polarization back scattering coefficients and surface roughness, firstly Oh empirical model was established, for which the relative relationship was significant between simulated and measured soil moisture, and the value of R2was 0.8209. Results showed that Oh model can offer precise real part value of the dielectric constant to inverse the soil moisture based on the soil dielectric model by means of the remote sensing and surface roughness data. Then Dobson semi-empirical dielectric models and simplified Hallikainen real part experience model were verified, and the R2between the measured and simulated real part values was 0.935 9 and 0.869 respectively, which indicated that the 2 models can simulate close relationship of the surface soil moisture and the real part of the dielectric constant. Finally Dobson model and Hallikainen simplified real part soil moisture inversion model were constructed. Compared with the statistical regression model, it looked like that relative relationship between simulated and measured value was significant, and the value of R2was 0.803 8, 0.737 4, and 0.842 1, respectively, for the former 2 models and the statistical regression model, the RMSE (root mean square error) value was 5.2%, 5.7%, and 5% respectively. The inversion results of Dobson model and statistical regression model were similar with the field soil moisture distribution, so they had good precision and applicability. Without considering the surface roughness, the simulation result of Hallikainen simplified real part model was then slightly worse than the other 2 models. The soil dielectric characteristics researching system and the moisture retrieval models established in this study can promote the application of the microwave remote sensing in the soil moisture monitoring.

soil moisture; remote sensing; models; soil dielectric properties; Oh model; Dobson model; Hallikainen simplified real part model; salinization

10.11975/j.issn.1002-6819.2017.11.014

S152.7; P628.2

A

1002-6819(2017)-11-0108-07

王 學，劉全明，屈忠義，王麗萍，李相君，王耀強. 鹽漬化土壤水分微波雷達反演與驗證[J]. 農業工程學報，2017，33(11)：108－114.

10.11975/j.issn.1002-6819.2017.11.014 http://www.tcsae.org

Wang Xue, Liu Quanming, Qu Zhongyi, Wang Liping, Li Xiangjun, Wang Yaoqiang. Inversion and verification of salinity soil moisture using microwave radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(11): 108－114. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.11.014 http://www.tcsae.org

2017-01-03

2017-03-11

國家自然科學基金項目（51249007、51569018、51169016）；內蒙古自然科學基金項目（2013MS0609）；“十三五”國家重點研發計劃項目（216YFC0501301）

王 學，男，山東濟南人，主要從事定量遙感反演理論及應用研究。呼和浩特 內蒙古農業大學水利與土木建筑工程學院，010018。

Email：sdzqwx@126.com

※通信作者：劉全明，男，內蒙古四子王旗人，副教授，博士，主要從事測繪工程教育與定量遙感反演理論及應用研究。呼和浩特 內蒙古農業大學水利與土木建筑工程學院，010018。Email：nndlqm@sina.com