基于水云模型的Sentinel-1A雙極化反演植被覆蓋區土壤水分

李伯祥, 陳曉勇,2,3, 徐雯婷

(1.東華理工大學 測繪工程學院, 南昌 330013; 2.流域生態與地理環境監測國家測繪地理信息局重點實驗室, 南昌 330013; 3.江西省數字國土重點實驗室, 南昌 330013)

土壤水分在地表徑流過程、能量平衡和碳循環中扮演著重要的角色，是主導農作物長勢和產量的一個主要因素，也是干旱監測一個重要指標[1]。土壤供水不足會導致作物正常生長發育受阻，影響作物長勢和產量，嚴重時作物會由于土壤水分虧缺而歉收甚至絕收[2]。傳統土壤水分監測方法主要有烘干稱重法、張力計法、中子水分儀法和時域反射儀法[3]，這些方法可以測量不同深度層次的土壤濕度，但是需要耗費大量的人力實地采樣，作業成本較高，并且只能基于點位測量。相比于傳統有限的基于監測站點進行土壤水分監測評估，遙感技術讓動態、實時、大范圍土壤水分監測變為了可能[4]。

光學遙感手段只能獲取土壤淺表層的水分信息，而微波則具有一定的穿透性，根據微波波段長度不同可以獲取不同深度的土壤水分信息。此外，微波遙感具有全天候、全天時、穿透能力強等特點，而光學遙感容易受到云、雨等天氣因素的影響，在數據時序獲取連續性方面有所不足[5]。主動微波空間分辨率高，目前如Sentinel-1衛星米級空間尺度的主動微波數據已在土壤水分反演方面有著廣泛的應用，但是主動微波數據量大、數據處理復雜、對地表形態和植被覆蓋密度比較敏感。被動微波探測土壤水分變化比較敏感，土壤水分反演精度高，對地觀測重復周期短，而且數據量小，數據處理簡單，但是空間分辨率通常為幾十千米因此，相比于單一傳感器，主被動微波傳感器聯合反演土壤水分可以優勢互補，提高反演精度和空間分辨率，滿足土壤含水量監測精細化、高效性和實時性的要求[6]。

主被動微波協同反演地表土壤水分已受到各國不同研究機構眾多學者的重視[7-8]。相比于裸露地表，農作物種植區的地表土壤水分反演更加復雜，植被覆蓋程度的差異會干擾微波散射信號，從而降低微波反演土壤水分的精度。因此，建立一種主被動微波結合有效降低植被影響的土壤水分高精度反演模型具有廣闊的應用前景和實用價值。本文利用FY-3B氣象衛星的被動微波數據計算微波極化差異指數(MPDI，Microwave Polarization Difference Index)，建立農田試驗區域的植被(玉米)層含水量反演模型，然后結合植被含水量反演模型和水云模型，建立一種覆蓋植被層的農田土壤水分反演半經驗模型，最后利用實測土壤水分樣點數據對模型進行驗證與精度分析。

1 材料與方法

1.1 研究區概況

本次主被動微波遙感協同反演農田土壤水分的研究區位于河北省衡水市景縣地區，平均海拔30 m以下，地形以平原為主。土壤水分采樣點地理區域經緯度范圍37°30′—37°40′N，116°10′—116°20′E，采樣區域內主要種植作物為玉米。土壤水分采樣點數量一共21個，采樣深度0～5 cm，樣本用鋁盒封裝(圖1)帶回室內，用精度為0.1 g的天平對其測重，然后將裝有土壤樣品的鋁盒放進烤箱中加熱48 h直至恒重，再測其重量。采用烘干稱重法測定的是土壤質量含水量，需要結合采樣區的土壤容重將土壤質量含水量數值轉換為體積含水量。采樣點位坐標信息使用手持式GARmin-eTrex301(GPS+GLONASS雙系統定位，定位精度1～3 m)進行記錄。

圖1 土壤水分樣品采集及野外觀測

1.2 數據獲取與處理

1.2.1 遙感數據 主動微波數據源選擇Sentinel-1 A的地距產品(GRD，Ground Range Detected)，空間分辨率為5 m×20 m，由于沒有9月8日的景縣過境的衛星遙感影像，經查看相關歷史天氣信息，景縣土壤水分采樣日期的一周內并未出現降雨，土壤水分未出現大幅度波動，因此采用可獲取的最近日期的9月12日Sentinel-1 A影像做土壤水分分析。Sentinel-1 A搭載C波段微波傳感器，頻率為5.4 GHz，VV+VH雙極化模式，重返周期為12 d[9]。使用歐空局提供的SNAP軟件對GRD影像預處理，包括濾波、輻射定標、幾何校正和地理編碼。濾波器使用Speckle Filtering工具模塊中的Refine Lee濾波器，該濾波器可以有效對SAR影像進行斑點抑制，消除平坦區域斑點噪聲同時保留圖像邊緣信息[10]。輻射定標公式為：

(1)

被動微波數據選擇9月8日過境的FY-3B MWRI L1級數據。我國第二代極軌氣象衛星FY3系列衛星上搭載了先進的微波成像儀(MWRI，microwave radiation imager)，設置5個頻率通道——10.65，18.70，23.80，36.50，89.00 GHz，每個頻率都有H和V極化模式，MWRI具體參數見表1。MWRI提供可提供全天候、全天時地表溫度、土壤濕度、洪澇干旱、積雪深度、臺風結構、大氣含水量等豐富的信息[11]。其中36.5 GHz的H極化和V極化計算獲得的微波差異極化指數MPDI對植被含水量具有良好的指示作用[12]。L1級數據包含坐標和定標信息，標準格式HDF。

表1 FY-3B MWRI微波成像儀通道特性

地表植被覆蓋情況使用歐空局(ESA，European Space Agency)提供的9月7日的Sentinel-2A L1C數據計算歸一化植被指數(NDVI，Normalized Difference Vegetation Index)進行分析。Sentinel-2A L1C數據已經經過幾何精校正，并沒有進行輻射定標和大氣校正。因此，借助ESA提供的Sen2Co工具實現輻射定標和大氣校正處理。然后利用ENVI的波段運算工具Bandmath計算研究區NDVI，剔除NDVI小于0.1的裸土區、巖土區、建設區、水體等區域，NDVI大于0.1的為景縣種植玉米等農作物的農田區域。式(2)為NDVI的計算公式，BNIR為近紅外波段，BR為紅光波段。

(2)

1.2.2 實測數據 原始土壤水分數據需要數值換算處理，將質量含水量轉為體積含水量。土壤體積含水量θv和土壤質量含水量θm轉換公式如下：

θv=θm×sc

(3)

其中sc為土壤容重，取1.42 g/cm3。21個采樣點土壤體積含水量測定結果見表2，采樣點土壤體積含水量區間范圍為0.0406～0.3568 cm3/cm3，標準偏差為0.073 7 cm3/cm3，平均值為0.163 9 cm3/cm3。

1.3 土壤水分反演半經驗模型建立

相比于裸露地表，農田區域往往種植了大量的農作物，作物類型、作物結構、覆蓋密集度等因素都會對該區域的土壤水分反演結果產生重要影響。Attema和Ulaby基于輻射傳輸方程提出了經典的水云模型方程[13]，該模型假設植被層為水平均勻的云層；忽略植被與土壤表面的多次散射；模型中的變量僅為植被高度、植被含水量和土壤濕度[14]。水云模型簡單實用，在植被覆蓋區域的土壤水分反演方面有著廣泛的應用，其表達式為：

(4)

(5)

T2=exp(-2BMvsec(θ))

(6)

表2 土壤水分實測數據

微波極化差異指數MPDI主要由植被光學厚度τ和μ決定，而光學厚度τ則是影響植被含水量的重要因子[15]。因此可以通過FY-3BMWRI的被動微波數據計算農田區域MPDI，間接獲取農作物含水量信息，去除植被含水量對水云模型土壤水分反演的影響。MPDI計算公式為：

(7)

式中：Tbv和Tbh分別是FY-3BMWRI微波成像儀36.5 GHz通道的V極化和H極化亮度溫度值。研究表明，MPDI和植被含水量Mv之間存在非線性關系[16]，本文在前人的研究基礎上[17]對植被含水量非線性方程做出修改，如(8) 式所示。

Mv=aMPDI2+b

(8)

(9)

將式(8)和式(9)代進水云模型中，式(6)的exp[-2BMvsec(θ)]項泰勒近似為1-2BMvsec(θ)，由此推導出土壤水分反演半經驗模型：

Ms=k1+k2σ0+k3σ0secθ+k4σ0MPDI2secθ+k5MPDI4+k6MPDI2+k7MPDIcosθ+k8cosθ

(10)

式中：k1—k8為擬合系數，通過最小二乘法擬合求解。土壤水分反演技術路線見圖2。

21個土壤水分采樣點隨機分為建模組和驗證組，8個土壤水分采樣點數據用于求解系數，建立微波土壤水分反演半經驗模型，另外13個土壤水分采樣點用于模型檢驗，兩組樣本點統計信息表3所示。選取判定系數R2、均方根誤差RMSE(Root Mean Square Error)、平均絕對誤差MAE(Mean Absolute Error)、最大誤差值MaxE(Maximum Error)和最小誤差值MinE(Minimum Error)作為模型精度驗證指標。

表3 實測土壤含水量樣本點統計信息

圖2 土壤水分反演技術路線

2 結果與分析

(11)式是由Sentinel-1A VV極化后向散射系數、微波入射角、微波極化差異指數MPDI和8個隨機樣點的土壤體積含水量數據通過最小二乘擬合得到的方程，式(12)為Sentinel-1A VH極化后向散射系數、微波入射角、微波極化差異指數MPDI和8個隨機樣點的土壤體積含水量數據最小二乘擬合得到。

Ms=-0.616-2.267σ0+8.898σ0secθ-18524.930σ0

MPDI2secθ-531.541MPDI2+101.231

MPDIcosθ-0.722cosθ

(11)

Ms=2.841-19.963σ0+0.331σ0secθ+46644.771σ0

MPDI2secθ-10291.233MPDI2+410.723

MPDIcosθ-6.538cosθ

(12)

通過(11)式和(12)式計算土壤水分反演值，13個驗證組的土壤水分實測值和反演值的對比分析結果如圖3所示，表4則是Sentinel-1 VV極化和VH極化反演精度分析。Sentinel-1A VV極化模型的決定系數R2達到0.742 2，均方根誤差RMSE為0.067 4 cm3/cm3，平均絕對誤差MAE為0.030 5 cm3/cm3，最大誤差值MaxE為0.119 6 cm3/cm3，最小誤差值MinE為0.002 4 cm3/cm3。而VH極化模型的決定系數R2為0.189 8，均方根誤差RMSE為0.076 8 cm3/cm3，平均絕對誤差MAE為0.047 4 cm3/cm3，最大誤差值MaxE為0.193 3 cm3/cm3，最小誤差值MinE為0.019 0 cm3/cm3。兩個模型的驗證結果對比分析可知，VV同極化方式的反演精度優于VH交叉極化方式，VV極化方式對土壤水分變化具有更高的敏感性，能更好地反演研究區土壤水分分布情況。圖4為兩個半經驗模型的土壤水分采樣點區域的土壤水分反演情況，可以看到VH極化模型的土壤水分反演值普遍偏低，土壤體積含水量區間范圍集中在0～0.1 cm3/cm3；VV極化模型的土壤體積含水量區間范圍集中在0.1～0.2 cm3/cm3，更符合實際情況。白色空白區域為剔除的NDVI值小于0.1植被覆蓋度較低的區域。

3 討 論

微波遙感衛星反演土壤水分的發展已有四十年的歷史[19]，可是由于微波遙感設備費用高昂、反演過程機理復雜以及微波遙感數據共享性不足，微波遙感反演土壤水分還未被大眾所認知。由于微波反演土壤水分涉及地表粗糙度、植被覆蓋度和土壤質地等多個方面的參數[7]，而這些參數的獲取往往會受到一定的限制，如何充分利用微波數據源的各種輔助信息(如頻率、極化方式等)，降低對實地測量數據的依賴性，快速、便捷地獲取大范圍區域土壤水分分布情況是一直以來的研究熱點。2015年發射的SMAP(Soil Moisture Active/Passive)衛星上同時搭載了主動和被動微波傳感器，可實現全球范圍土壤濕度監測，這是一次主被動微波協同工作獲取大范圍地表土壤水分分布的有益嘗試[20]。

表4 兩種極化方式反演精度分析cm3/cm3

圖3 土壤體積含水量反演結果和實測數據驗證對比分析

圖4 不同極化模型土壤水分反演結果

本文在前人研究的基礎之上[17]，結合主被動微波各自優勢與特點，以景縣玉米農田野外試驗驗證了主被動微波協同反演植被覆蓋區農田土壤水分的可行性。VV極化條件下土壤水分的反演精度優于VH極化方式，這與已有的研究成果相一致[21]。但是，Sentinel-1A與全極化模式(VV/HH/VH/HV)相比只有VV/VH雙極化模式，在信息獲取利用方面有所不足。另一方面，Sentinel-1A重復觀測周期為12 d，即使和Sentinel-1B組成雙星觀測星座，重復過境周期也為6 d，在時間分辨率方面有所不足。與Sentinel-1A相比，國產高空間分辨率(1 m)全極化的SAR衛星高分三號優勢明顯[22]，隨著高分三號數據的逐步開放，可與國產FY-3系列搭載的MWRI被動微波傳感器協同工作，提供高時空分辨率、高精度、大范圍的地表土壤水分產品。本次景縣野外試驗只采集了一天的土壤樣本數據，采樣點數量有所不足。今后，將會考慮獲取研究區多天或一個作物生長季的土壤水分數據，從時間序列角度分析植被覆蓋區域農田土壤水分變化，使建立的土壤水分反演模型更加精準、合理和完善。水云模型是一種半經驗模型，其優點是模型輸入參數少，減少野外觀測工作量，但是缺點是模型的普適性差，往往只對研究區某段時間土壤水分反演建模具有參考價值。下一步工作將嘗試其他半經驗模型或物理模型，滿足主被動遙感協同反演土壤水分高精度、高適用性的要求。

4 結 論

本文基于Sentinel-1A主動微波數據和FY-3B MWRI被動微波數據，以微波極化差異指數MPDI計算植被含水量，并結合水云模型和野外實地考察獲取的土壤水分實測數據，建立研究區半經驗土壤水分反演模型，實現了主被動微波遙感協同反演植被覆蓋區農田土壤水分。主要得出以下結論：

(1) 農田植被覆蓋程度會對土壤水分反演產生較大的影響，本文利用FY-3B WMRI的36.5 GHz頻段的V，H極化模式數據計算微波極化差異指數MPDI，有效降低了植被含水量對于土壤水分反演的影響，取得良好的效果。

(2) 驗證對比了兩種Sentinel-1A極化方式下半經驗模型的土壤水分反演精度，結果表明VV極化模型R2=0.742 2，RMSE=0.067 4 cm3/cm3，MAE=0.030 5 cm3/cm3，MaxE=0.119 6 cm3/cm3，MinE=0.002 4 cm3/cm3；VH極化模型R2=0.189 8，RMSE=0.076 8 cm3/cm3，MAE=0.047 4 cm3/cm3，MaxE=0.193 3 cm3/cm3，MinE=0.019 0 cm3/cm3。整體而言，VV極化模型土壤水分反演結果優于VH極化模型，這是因為VV極化方式具有較強的穿透性，而且對土壤水分含量變化也更為敏感，而VH極化方式會受到植被層衰減作用影響較大。

(3) 相比于復雜的物理方程微波土壤水分反演方法，本文的半經驗土壤水分反演模型只需要輸入3個參數(微波極化差異指數MPDI、微波入射角θ和VV/VH極化方式后向散射系數σ0)便可定量反演土壤體積含水量，且這個3個參數都可從微波遙感數據中獲取，減少對實測地表參數的依賴性，為植被覆蓋區農田土壤水分反演提供了新思路和有力支撐。