基于Sentinel-1/2遙感數據的冬小麥覆蓋地表土壤水分協同反演

趙建輝 張 蓓 李 寧 郭拯危

(河南大學河南省大數據分析與處理重點實驗室 開封 475004)

(河南大學河南省智能技術與應用工程技術研究中心 開封 475004)

(河南大學計算機與信息工程學院 開封 475004)

1 引言

土壤水分在水文模型、氣候模型和生態模型中扮演著重要角色，對氣候變化起著調節作用，同時在陸面水資源形成、轉化、消耗過程中占據主要位置[1]。土壤水分測量在干旱預報、天氣模擬、農作物估產和水資源管理等應用中具有重要意義。

傳統的土壤水分測量方法，雖然能夠提供準確的結果，但需要消耗巨大的人力和財力，而且無法在短時間內獲取大范圍的土壤水分信息。隨著遙感技術的發展，合成孔徑雷達(Synthetic Aperture Radar,SAR)憑借其全天時、全天候工作的優勢，應用廣泛且在眾多土壤水分估測手段中脫穎而出[2,3]。張祥等人[4]利用時序Sentinel-1微波數據完成了農田土壤水分變化分析，驗證了時序Sentinel-1數據檢測農田水分變化的實用性。陳婷婷等人[5]基于多時相Sentinel-1數據，通過改進Alpha近似模型對試驗區土壤水分進行反演，實驗表明了反演結果與實測數據具有較好的相關性。韓玲等人[6]利用Envisat-1微波數據與高級積分方程模型(Advanced Integral Equation Model, AIEM)構建土壤水分反演模型，提高了研究區土壤水分反演精度。雖然僅利用微波數據能夠有效地估測裸土土壤水分，但對于冬小麥覆蓋地表而言，由于冬小麥等農作物影響雷達信號對介電常數的敏感性，因而其土壤水分反演具有一定難度。為了解決這一問題，林利斌等人[7]基于Sentinel-1微波數據與FY-3C的微波成像儀(MicroWave Radiation Imager, MWRI)數據，結合植被含水量反演模型與水云模型，去除植被對土壤水分反演的影響。郭二旺等人[8]利用Sentinel-1微波數據和Landsat8光學數據，采用水云模型消除研究區植被對土壤水分反演中雷達后向散射系數的影響，與AIEM模型聯合反演土壤水分，取得了較為滿意的結果。郭交等人[9]基于Sentinel多源遙感數據，結合水云模型與Oh模型，減少植被在農田地表土壤水分反演中的影響，結果表明，通過水云模型去除植被影響后，Oh模型反演精度提高，為利用多源遙感數據反演農田地表土壤水分提供了參考。

植被覆蓋地區，SAR的后向散射系數不僅與本身的極化方式、入射角及土壤水分有關，還受植被含水量等因素的影響。當植被覆蓋度較高時，土壤水分對微波的貢獻遠遠低于植被，從而使得反演植被覆蓋地表土壤水分困難增加，植被對微波影響的校正顯得尤為重要[10]。能夠定量估算植被散射在雷達后向散射中的比例、基于微波輻射傳輸方程1階解的密歇根微波植被散射模型(MIchigan MIcrowave Canopy Scattering model, MIMICS)，雖然能夠將植被微波后向散射清晰表達，但由于植被的構造復雜且需要輸入的參數龐雜，所以此方法難以廣泛應用[11]。一些研究人員常采用植被指數來減少植被層的散射貢獻，降低土壤水分反演的不確定性。Baghdadi等人[12]利用從Sentinel-2數據中提取的歸一化差分植被指數(Normalized Difference Vegetation Index, NDVI)計算植被衰減參數和校正水云模型，結合積分方程模型(Integral Equation Model,IEM)，反演冬季農田地表土壤水分，取得了較好的結果。Bao等人[13]使用歸一化水體指數(Normalized Difference Water Index, NDWI)校正水云模型，減少了植被含水量對估算土壤含水量的影響。雖然NDVI和NDWI能夠減少植被覆蓋影響，但NDVI受限于一定范圍內的植被覆蓋度，NDWI在去除背景土壤反射率效應方面能力較差。

本文基于Sentinel-1(后文簡稱為S-1)SAR微波數據和Sentinel-2(后文簡稱為S-2)多光譜成像儀(Multi-Spectral Imager, MSI)光學數據，以河南省開封市祥符區冬小麥農田為研究區，針對冬小麥在土壤水分反演中造成雷達信號敏感性降低的問題，定義了一種新的植被指數，即融合植被指數(Fusion Vegetation Index, FVI)，發展了一種基于主被動遙感數據的冬小麥覆蓋地表土壤水分反演半經驗模型，開展了NDWI, FVI兩種植被指數與VV, VH,VV/VH 3種極化組合而成的6種反演方式下的土壤水分反演對比實驗，分析所提模型的精度，為微波和光學遙感數據協同反演冬小麥覆蓋地表土壤水分提供研究思路。

2 研究區與數據源

2.1 研究區

采集的數據包括采樣點的土壤水分值、經緯度等地表參數。土壤水分值測量使用Spectrum公司生產的便攜式TDR350土壤水分測量儀，采用3.8 cm探針，在每個采樣點以“十”字形狀測5個點的土壤水分值，以5個點的土壤水分平均值作為該采樣點的最終土壤水分實測值，以減少土壤水分時空異質性帶來的影響。采樣點經緯度使用集思寶UG905定位儀(定位精度1～3 m)進行定位，選擇WGS84坐標系記錄采樣點坐標。實驗中共設置34個采樣點，其分布如圖1所示。在后文所用的3景S-1 SAR圖像中每一景圖像的采集日期當天，都會對采樣點的土壤水分值進行一次實地測量和記錄(因道路維修及其他突發情況，未能實現每次測量所有采樣點)，在3景圖像采集日期內共采集了3次，共獲得50個采樣點土壤水分實測值。

2.2 遙感數據

本文使用的SAR微波數據為S-1 Level-1產品中的地距多視(Ground Range Detected, GRD)數據，實驗中共使用了3景，獲取日期分別為2019年10月18日、2019年10月30日和2019年12月29日。本文在使用歐空局(European Space Agency, ESA)提供的哨兵應用平臺(SeNtinel Application Platform，SNAP)軟件對S-1 SAR圖像進行濾波、輻射定標和地理編碼等預處理之后，使用式(1)獲得圖像中地物雷達后向散射系數[14]

本文使用的MSI光學數據為S-2經過大氣校正等預處理的L2A級別的產品數據。根據S-1 SAR圖像獲取日期和是否出現云霧雨等影響土壤水分大幅度波動的天氣因素，選擇2019年10月15日、2019年11月4日和2020年1月3日獲取的3景準同步光學圖像作為實驗數據。

3 冬小麥覆蓋地表土壤水分反演

3.1 融合植被指數的定義與應用

陸地的雷達后向散射系數不僅受土壤參數和雷達本身系統參數的影響，還受植被覆蓋度等地表參數的影響。植被的高度及其覆蓋度過高，會導致土壤對雷達后向散射系數的貢獻過少，增加土壤水分反演的難度和復雜度。在植被含水量估算研究中，大多使用NDVI和NDWI等植被指數對植被參數進行參數化估計[15]。NDVI雖然對生物量具有敏感性，并且能夠有效消除土壤背景和地形變化的影響，但容易出現飽和點，從而造成生物量估計偏差，降低土壤水分反演精度[16]。Gao[17]基于NDVI對植被的綠度信息比較友好而在植被含水量估算方面表現不佳的分析，發展了對植被水分變化具有敏感性優勢的植被指數NDWI。雖然相對于NDVI而言，NDWI可以更好地估算植被含水量，但其缺乏對大氣效應的感知，在反演土壤水分時反演精度會受到一定影響。

圖1 研究區與土壤水分采樣點分布

本文基于對NDVI和NDWI涉及的近紅外、可見光(紅)和短波紅外波段的比較分析，定義了一種新的植被指數，命名為融合植被指數(FVI)。該指數融合了植被冠層高反射區的近紅外、葉綠素高吸收區的紅光和處于水吸收范圍內的短波紅外波段，兼顧植被綠度和葉片液態水的敏感性[18]，其定義形式如式(2)所示

式中， FVI 為融合植被指數；ρ842, ρ665和 ρ1610分別表示S-2中對應中心波長為842 nm, 665 nm和1610 nm的波段值。

根據現有研究結果[19]和多次實驗對比，本文實現了基于FVI的植被含水量反演計算，其函數關系如式(3)所示

式中，M v 為植被含水量；a , b為與植被類型有關的參 數。

3.2 基于水云模型的土壤水分反演

Attema和Ulaby[20]以農作物為研究對象，基于輻射傳輸方程，提出了農作物覆蓋地表土壤水分反演的經典模型，即水云模型，其中進行如下假設以簡化植被覆蓋層的散射機制：(1)只考慮來自植被反射的體散射項和經植被雙層衰減后地面的后向散射項；(2)忽略植被與土壤中的其他形式的散射。水云模型具體形式如式(4)—式(6)所示

3.3 基于改進水云模型的冬小麥覆蓋地表土壤水分反演

基于前人研究[7]，利用麥克勞林級數將式(6)展開為式(9)所示形式

3.4 土壤水分反演流程

本文通過利用麥克勞林級數對水云模型進行改進，基于S-1微波遙感數據和S-2光學遙感數據，發展出一種冬小麥覆蓋下地表土壤水分反演模型，其流程如圖2所示。首先，對S-1 GRD數據進行Refined Lee濾波、輻射定標和地理編碼預處理操作，抑制斑點噪聲，獲取輻射和幾何精校正的SAR后向散射圖像與入射角圖像，提取各像元的雷達入射角和后向散射系數等參數。其次，基于S-2 MSI數據計算各像元的植被指數。然后，根據經緯度信息提取各個采樣點的后向散射系數、入射角、植被指數等數據對模型系數進行參數擬合，利用土壤水分實測值對反演模型進行驗證分析與精度評價，確定反演模型中后向散射系數和植被指數的最優組合方式。最后，使用最優組合方式反演研究區土壤水分，獲得研究區土壤水分空間分布圖。

圖2 土壤水分反演流程

4 實驗與分析

為了驗證本文基于改進水云模型反演冬小麥覆蓋地表土壤水分半經驗模型的有效性，以河南省開封市祥符區冬小麥農田為研究區域，開展了土壤水分反演實驗，其中在植被含水量估算中選擇比NDVI更加敏感的NDWI與該文定義的FVI進行對比。利用與S-1過境時間相近且天氣無較大變化的S-2 MSI數據，獲得植被指數NDWI和FVI，代入模型中進行土壤水分反演。實驗中將研究區3景S-1 SAR圖像對應的50個土壤水分實測值隨機分為建模組和驗證組兩組，其中30個實測值為建模組，用于擬合式(8)和式(10)中的系數，另外20個實測值為驗證組，用于驗證模型精度。使用決定系數(coefficient of determination, R2)、均方根誤差(Root Mean Square Error, RMSE)與平均絕對誤差(Mean Absolute Error, MAE)等3個指標，對不同組合方式下模型的反演精度進行了分析。

為了獲得基于改進水云模型反演冬小麥覆蓋地表土壤水分最優組合方式，本文利用S-2 MSI數據計算兩個植被指數NDWI和FVI，結合從S-1 SAR圖像中提取的VV,VH和VV/VH 3種極化數據，設置了由兩個植被指數和3種極化方式組合而成的6種反演組合方式，進行了6種組合下冬小麥覆蓋地表土壤水分反演對比實驗。基于水云模型和基于本文所發展模型的土壤水分反演精度對比結果如表1所示，本文所發展模型的6種組合反演方式下水分反演值與實測值的相關性分析結果如表2所示。

(1) 反演模型對比分析。從表1可知，基于水云模型反演土壤水分時，使用FVI表示植被含水量時的反演精度較佳，其決定系數R2比使用NDWI表示植被含水量時高0.0297。在植被指數確定的情況下，基于本文改進水云模型的土壤水分反演精度要優于基于水云模型的土壤水分反演精度，且與FVI植被指數組合反演土壤水分時效果最佳。

表1 基于水云模型和本文所發展模型的土壤水分反演精度對比結果

表2 本文所發展模型的6種組合反演方式下土壤水分反演精度對比結果

(2) 極化方式與反演結果的相關性分析。從表2可以看出，在同一植被指數下，土壤水分反演值與實測值的決定系數R2在VH, VV, VV/VH 3種極化方式下逐步增加。當反演模型中使用FVI時，VV/VH反演決定系數R2為0.7642，比單極化VH反演的決定系數提高了0.2491；當反演模型中使用NDWI時，VV/VH反演決定系數R2為0.7266，比單極化VH反演的決定系數提高了0.2539。

在SAR圖像中，冬小麥等植被冠層的散射特性以體散射為主，土壤的散射特性以表面散射成分為主。相比同極化SAR圖像(HH或VV)，體散射類型在交叉極化(VH或HV)中幅值更大；而對于表面散射類型，則在VV極化中幅值較大。因此，相比VV或VH極化圖像，VV/VH這一比值圖像可以更好地體現植被覆蓋層的散射貢獻，從而獲得更優的反演結果。

(3) 植被指數與反演結果的相關性分析。從表2同樣可以看出，在同一極化組合下，使用FVI時的土壤水分反演值與實測值的決定系數更高。FVI與3種極化方式組合反演時的決定系數R2分別為0.5151, 0.6791, 0.7642，比NDWI對應的決定系數分別提高了0.0424, 0.0058, 0.0376。

融合植被指數FVI的定義方式中包含了位于葉綠素主要吸收帶的紅波段、位于水體強吸收區的近紅外波段以及對植物和土壤水分含量皆敏感的短波紅外波段，使其能夠更好地估算冬小麥含水量從而計算出冬小麥的體散射量，進而提高土壤水分反演精度。

(4) 不同組合方式的反演精度分析。基于表2數據分析，VV/VH極化方式分別與植被指數FVI,NDWI組合反演時的決定系數，皆高于單極化VV或VH組合反演時對應的決定系數；且VV/VH反演時的均方根誤差RMSE和平均絕對誤差MAE，皆低于單極化VV或VH對應的均方根誤差和平均絕對誤差；6種組合反演方式中，使用融合植被指數FVI與VV/VH極化數據組合反演土壤水分時，決定系數最高、均方根誤差最低、平均絕對誤差最低，綜合反演精度最高，是本文所發展土壤水分反演半經驗模型應用時的最優組合反演方式。

(5) 研究區土壤水分反演結果。FVI與VV/VH最優組合方式下的研究區冬小麥覆蓋地表土壤水分反演結果的空間分布和頻率分布如圖3所示。需要指出的是，為了去除非農田區域對土壤水分反演的影響，本文預先使用了ArcGIS軟件對研究區S-1 SAR圖像進行ISODATA非監督分類，濾除了城鎮、河流等非農田區域，如圖3(a)中白色區域所示。研究區采樣點土壤水分實測值的空間分布和頻率分布如圖3(b)和圖3(d)所示。對比圖3(c)和圖3(d)可知，土壤水分反演值在0.06～0.09范圍內頻率最高，與當日采樣點實測值的頻率分布基本一致，進一步驗證了本文方法的有效性。

圖3 研究區土壤水分反演值與采樣點實測值的空間分布與頻率分布(2019年12月29日)

5 結束語

本文定義了FVI植被指數，發展了一種植被覆蓋地表土壤水分反演半經驗模型，并基于S-1微波遙感數據和S-2光學遙感數據，開展了冬小麥覆蓋地表土壤水分遙感反演實驗，分析了不同植被指數與極化組合下的土壤水分反演精度，實驗結果表明：

(1) 本文提出的由近紅外、短波紅外和可見光(紅)波段組成的新植被指數FVI，通過與水云模型結合，能夠有效地去除冬小麥在土壤水分反演過程中對后向散射系數造成的影響。與NDWI相比，FVI分別與VH, VV, VV/VH 3種極化方式組合反演土壤水分時，其反演結果的相關性更高、反演精度更優，RMSE分別降低了0.0037 cm3/cm3, 0.0004 cm3/cm3, 0.0031 cm3/cm3。

(2) 本文發展的土壤水分反演半經驗模型，在組合使用FVI與VV/VH極化數據時，土壤水分反演精度最優。通過對比分析FVI, NDWI兩種植被指數與VV, VH, VV/VH 3種極化數據組合而成的6種組合方式下的土壤水分反演精度，發現FVI與VV/VH組合方式下反演精度最優，其R2為0.7642,RMSE為0.0209 cm3/cm3, MAE為0.0174 cm3/cm3。

需要說明的是，本文模型并沒有考慮地表粗糙度和冬小麥高度等參數，在后續研究中，擬將上述因素或參數加入現有模型中，以進一步提高多源遙感協同反演冬小麥覆蓋地表土壤水分的精度及實用性。