基于改進水云模型的土壤水分反演研究

楊嘉輝 陳魯皖 王銳欣 趙淑鮮

摘? 要：提出了一種基于改進的水云模型的主動微波遙感土壤水分反演方法。首先，分別通過甘肅省張掖市祁連山中段的扁都口研究區的實測數據計算RVI、DVI、NDVI、NDWI、MSAVI等五種植被指數，建立適用于研究區的植被含水量經驗方程，然后基于植被含水量經驗方程構建水云模型，對總的地表后向散射系數中的植被影響進行改正，結合水云模型和AIEM模型，建立改進的土壤水分反演算法。從五種植被指數中選取與植被含水量相關性最高的三種植被指數，然后利用九組植被指數組合參與土壤水分反演，對比并選擇反演結果精度較好的植被指數及其植被含水量經驗方程。將文章方法與基于Jackson經驗方程建立水云模型的反演算法進行了對比，結果表明，文章提出的改進水云模型的土壤水分反演算法精度較高，體現了該改進算法的優勢與潛力。

關鍵詞：土壤水分;水云模型;AIEM;反演

中圖分類號：P237? ? ? ? ? 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）10-0013-03

Abstract： An active microwave remote sensing soil moisture retrieval method based on improved water cloud model is proposed. First of all， based on the measured data of Biandukou study area in the middle part of Qilian Mountain in Zhangye City， Gansu Province， RVI， DVI， NDVI， NDWI and MSAVI are calculated， and the empirical equation of vegetation water content suitable for the study area is established. Then based on the empirical equation of vegetation water content， the water cloud model is constructed to correct the vegetation influence in the total surface backscattering coefficient. By combining water cloud model and AIEM model， an improved inversion algorithm of soil moisture is established. Three vegetation indices with the highest correlation with vegetation water content were selected from the five vegetation indexes， and then nine groups of vegetation indexes were used to participate in the inversion of soil moisture. And the vegetation index with better accuracy of inversion results and the empirical equation of vegetation water content are compared and selected. The method proposed in this paper is compared with the inversion algorithm of water cloud model based on Jackson empirical equation. The results show that the soil moisture inversion algorithm of the improved water cloud model proposed in this paper has higher accuracy， which reflects the advantage and potential of the improved algorithm.

Keywords： soil moisture; water cloud model; AIEM; inversion

引言

土壤水分在地球生態系統中占據著重要的位置，對生態、經濟、發展等都有不可忽視的影響[1]。干旱半干旱地區相對于其他地區不僅土壤中所含水分較少，而且存在大量農田、草地、灌木等低矮植被覆蓋區域。對這些區域的土壤水分進行研究時，消除植被影響能夠更加精確地獲取到土壤水分，為旱情防治、氣候變化，區域規劃發展等方面提供重要的基礎數據支持。

目前，基于主動微波遙感反演土壤水分是對土壤水分進行大尺度、高精度、實時監測的重要手段。在植被覆蓋的地表，植被層的存在會使土壤微波輻射信號發生衰減、散射，并使得植被覆蓋地表土壤水分與后向散射系數之間的關系更復雜，增大了反演難度[1]，因此必須校正植被的影響。

傳統植被覆蓋影響的校正主要有以下兩種方法：一是利用微波植被散射理論模型，定量估算出植被散射在總體后向散射中所占比例，如MIMICS模型[2]。二是通過經驗或半經驗模型定量計算出植被對后向散射的影響部分，如水云模型[3]。

上述兩種模型都需要計算植被含水量，常用的是Jackson[4]等人建立的植被含水量和植被覆蓋指數之間的經驗方程。由于不同的研究區具有不同的植被覆蓋類型，Jackson經驗方程不一定適用于所有區域。而且該經驗方程只使用了NDVI和NDWI兩個指數，不能完全反映地表植被覆蓋情況，有必要選取更多的植被指數進行對比。

基于以上考慮，提出了一種基于改進的水云模型的土壤水分反演方法。該方法首先根據對植被冠層、覆蓋度、土壤背景的變化、土壤亮度的敏感程度，選擇了常用的五種植被指數RVI、DVI、NDVI、NDWI、MSAVI，并通過TM影像計算這五種植被指數。然后分別運用五種植被指數和植被含水量實測數據構建適用于研究區的植被含水量經驗方程。基于上述經驗系數建立水云模型改正反演區域的后向散射系數，以消除植被影響。結合水云模型和AIEM[5]模型，建立改進的反演算法。選取反演精度最好的植被指數，將本文方法與通過Jackson經驗方程建立的水云模型反演算法進行了對比，以驗證本文改進算法反演土壤水分的有效性。

1 土壤水分反演中去除植被覆蓋影響的方法

1.1 MIMICS模型

MIMICS模型是由美國密歇根州立大學Ulaby等人于1990年提出[2]，理論基礎為一階輻射傳輸模型，大多用于高大植被覆蓋地區，如森林等。

1.2 水云模型

水云模型（water cloud model）Attema和Ulaby等人于1978年在輻射傳輸模型的基礎之上提出的用于估算農作物覆蓋地表土壤水分[2]。

總的說來MIMICS模型對植被層散射的描述細致，但是該模型需要錯綜復雜的參數。水云模型相對MIMICS模型更簡單、更容易解算，對于稀疏植被覆蓋地區適用性較強。故本文選用水云模型改正植被對后向散射系數的影響。

1.3 本文的改進算法

本文的改進算法的步驟如下：

（1）通過遙感數據得到Envisat ASAR數據和Landsat 5光學遙感影像數據。

（2）通過TM數據計算RVI、DVI、NDVI、NDWI、MSAVI等五種植被指數。

（3）分別建立這五種植被指數與植被含水量的經驗方程，從中選取與植被含水量相關性最好的三種經驗方程。

（4）基于上述經驗方程組合成九種植被含水量，建立水云模型并改正反演區域的后向散射系數，以消除植被影響。

（5）結合水云模型和AIEM模型，建立改進的土壤水分反演算法。

（6）利用這九組不同的經驗方程參與土壤水分反演，對比并選擇反演結果精度較好的植被指數組合。

（7）通過將本文方法與通過Jackson經驗方程建立的基于水云模型的反演算法進行了對比。

Jackson經驗方程如下：

mveg=4.2857NDVI-1.5429，NDVI>0.51.913NDVI2-0.3215NDVI，0.17

2 地表土壤水分反演試驗

2.1 研究區與數據

（1）研究區簡介

研究區位于甘肅省張掖市祁連山中段的扁都口，中心位置為北緯38°20′42.04″，東經100°30′49.50″。扁都口海拔3500多米，該研究區地表覆蓋物包括油菜、大麥、裸土等。

（2）地面測量數據

本文采用中國科學院寒區旱區科學數據中心提供的“黑河綜合遙感聯合試驗”共享數據。研究區由扁都口樣方1和扁都口樣方2組成，共計50個采樣點（包含中心點和角點）。與衛星過境同步，2007年10月17日，在扁都口樣方1和扁都口樣方2，測得土壤體積含水量（cm3/cm3）和植被含水量。

（3）衛星數據

衛星數據分別為2007年10月17日的Envisat ASAR數據和TM數據。前者為AP（Alternating Polarisation）模式，包含VV/VH極化組合方式，地面分辨率為12.5m，入射角歸一化為23°。

2.2 反演試驗

在反演土壤水分時，首先通過ENVI5.2中的Resize Data將Envisat ASAR圖像降采樣成30m×30m，與TM影像分辨率保持一致。由于下載的數據已經是L1B級別，無需多視處理和斜地距轉換，只需要使用SNAP分別對兩者進行輻射定標、地形校正與濾波。然后通過ENVI5.2中的basic math分別計算RVI、DVI、NDVI、NDWI、MSAVI等五種植被指數，植被指數的計算公式詳見文獻[6]。利用Excel的數據分析中多元回歸統計功能，分別建立這五種植被指數與植被含水量的經驗方程，建立的經驗方程（（2）-（6））如下：

mveg=0.9853NDVI2+0.5218NDVI+0.2499（R2=0.6999）（2）

mveg=1.2687NDWI2-1.1309NDWI-0.0679（R2=0.6594）（3）

mveg=-0.0724RVI2+0.5469RVI-0.2619（R2=0.6992）（4）

mveg=0.000003DVI2+0.0081DVI+0.2022（R2=0.7136）（5）

mveg=1.2849MSAVI2-0.1923MSAVI+0.3099（R2=0.701）（6）

從上述經驗方程中選取植被指數與植被含水量R2最高的三個指數NDVI、DVI、MSAVI，并運用水云模型改正后向散射系數。然后結合AIEM模型建立LUT（look up table）表[7]反演驗證點的地表土壤水分，在運行AIEM模型時，輸入平均雷達入射角23°;驗證點的均方根高度（S）實測值（實測數據中選取70%的點作為采樣點，30%作為驗證點）;土壤水分取值范圍（Mv）為5%～55%，步長為1%，相關長度取值范圍為30cm～90cm，步長為0.1cm;在LUT表內，使用成本函數反演研究區的土壤水分。由于AIEM模擬交叉極化的后向散射系數與實測值偏差較大，所以本文采用的成本函數如下：

|？駐σ|min=|σVV，M-σVV，AIEM|（7）

上式中，σVV，M為影像的后向散射系數;σVV，AIEM為AIEM模擬的后向散射系數;？駐σ為影像的后向散射系數與AIEM模擬的后向散射系數的差。

3 結果驗證

為了驗證本文基于水云模型的改進土壤水分反演方法的有效性，將本文方法與通過Jackson經驗方程建立的反演算法進行比較。

首先，不考慮植被影響進行驗證點土壤水分反演，將計算出的土壤水分反演值與土壤水分實測值進行比較，生成散點圖，如圖1。

其次，使用Jackson的經驗方程進行驗證點土壤水分反演，生成計算出的土壤水分反演值與土壤水分實測值散點圖，如圖2。

最后，將本文選取的指數應用于驗證點土壤水分反演，將計算出的土壤水分反演值與土壤水分實測值進行比較，生成散點圖，如圖3。

從圖表中可以看出，直接使用Jackson經驗方程反演研究區土壤水分的效果稍微優于未考慮植被影響的反演算法，本文提出的方法反演精度較好。

4 結論

提出了一種基于水云模型的改進反演地表土壤水分算法。該算法計算五種植被指數，建立了不同的植被含水量的經驗方程。建立水云模型，并改正總的地表后向散射系數中的植被影響。然后結合水云模型和AIEM模型，建立改進的土壤水分反演算法。經實測數據驗證，結果表明：

（1）在本研究區，RVI、DVI、NDVI、NDWI、MSAVI這五種指數中與植被含水量相關性最好的是NDVI、DVI、MSAVI。

（2）在反演土壤水分時，選取植被指數NDVI為水云模型中的V1，MSAVI為水云模型中的V2的效果最好，R2=0.6853，RMSE=0.1096。

（3）在水云模型中，本文的與植被類型相關的經驗系數 A、B是采用前人研究成果，后續可在研究區實地采集大量植物樣本，計算植被含水量并建立更適合于本研究區的經驗系數。

致謝：感謝中國科學院寒區旱區科學數據中心（http：//westdc.westgis.ac.cn）提供的“黑河綜合遙感聯合試驗”共享數據。

參考文獻：

[1]李菁菁.考慮稀疏植被影響的地表土壤水分微波遙感反演[D].長安大學，2016.

[2]ULABY F T， SARABANDI K， MCDNALD K， etal. Michigan microwave canopy scattering model[J].International Journal of Remote Sensing， 1990，11（7）：1223-1253.

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

[4]Jackson T.J.， Le Vine D.M.， Hsu A.Y.， etal. Soil moisture mapping at regional scales using microwave radiometry： the Southern Great Plains Hydrology Experiment[J].IEEE Transaction on Geoscience and Remote Sensing，1999，37（5）：2136-2151.

[5]Chen K S，Wu T D，Tsang L，etal. Emission of rough surfacescalculated by the integral equation method with comparison tothree-dimensional moment method simulations[J]. IEEE Transactions on Geoscience and Remote Sensing，2003，41（1）：90-101.

[6]趙英時.遙感應用分析原理與方法[M].科學出版社，2003.

[7]張武.低矮植被覆蓋下墊面地表土壤水分反演研究[D].長安大學，2018.