刘钇廷，李 旭，吴保升，涂巧针

（塔里木大学信息工程学院，新疆阿拉尔 843300）

农作物生长离不开土壤水分，它是作物生存的重要物质基础之一。土壤水分在地球上水循环运动中充当着十分重要的角色，也是水文、气象和农业相关研究中重要数据之一[1]。当面对大面积区域的土壤水分测量时，传统测量方法会耗费大量人力、物力及时间。因此，对土壤水分含量准确和高效的监测是农业水管理及农作物旱情预测的一个重要内容。同时，在针对干旱区流域水文模型、农作物生长监测等方面问题也能起到一定作用。

利用微波遥感影像中提取数据监测土壤水分的技术到今天已经发展了40 余年[2]，由于微波估测土壤水分涉及地表粗糙度、植被覆盖度和土壤质地等多个方面的参数[3]，而获取这些参数往往会受到一定的限制，如何充分利用微波数据源的各种辅助信息（如频率、极化方式等），降低对实地测量数据的依赖性，快速、便捷地获取大范围区域土壤水分分布情况是一直以来的研究热点。搭载合成孔径雷达的主动微波遥感具有全天不间断工作、覆盖率高和信号穿透能力强的重要优势，使其成为土壤水分含量监测的有效手段之一，并且在各种土壤水分监测研究中应用十分广泛。目前国外和国内已有许多学者对其进行研究并且建立了相应的经验模型和半经验模型[4-5]。由于微波遥感的不同极化方式，在植被覆盖程度较高的区域会使得信号在穿透植被层的过程中衰减，导致土壤水分含量估测精度下降[6]。地表植被层的覆盖程度差异及植被种类不同使得这些估测模型的精度不一，导致土壤水分信息的获取也变得复杂。因此，选择一个穿透性强的极化方式，对消除植被覆盖对土壤水分监测的影响十分重要。本文研究如何从地表雷达总的后向散射中分离出植被散射和吸收的贡献，对不同极化方式下植被微波散射机制进行分析，从雷达总的后向散射中分离植被层的贡献，进而去除植被影响，估测具有植被覆盖地表的土壤水分。

1 材料与方法

1.1 研究区域

研究区域位于新疆维吾尔自治区阿拉尔市八团，平均海拔920～1 100 m，属大陆性暖温带极端干旱气候。2020 年平均蒸发量为2 420.23 mm，平均降水量为43.1 mm，蒸降比约为54∶1。研究区域内地势平坦，农田主要种植棉花、冬小麦，伴有其他盐生灌丛和泌盐植物，如盐穗木、骆驼刺、柽柳及胡杨。

1.2 卫星数据来源

本文使用的主动微波遥感数据为Sentinel-1A Level-1 产品中的地距多视（Ground Range Detected，GRD）产品，使用欧空局（European Space Agency，ESA）提供的哨兵应用平台（SeNtinel Application Platform，SNAP）软件对Sentinel-1A 遥感图像进行滤波、辐射定标和地理编码等预处理，得到VV 和VH 两种极化方式的后向散射系数。

1.3 土壤采样及测量

在进行土壤采样时，样点分布尽可能地做到规则分布，采集深度为5～10 cm，采样的时间为2021 年3月29 日。采样点为21 个，样本带回实验室，获得土壤含水量数据，通过计算获得土壤体积含水量，如表1 所示。可以看出，21 个样品的所处的区间范围为0.04～0.36 cm3·cm-3，其中标准偏差为0.07 cm3·cm-3，平均值为0.16 cm3·cm-3。

表1 土壤水分实测数据

1.4 土壤水分反演半经验模型建立

由于土壤被植被覆盖会造成微波信号的衰减，导致反演结果偏低。因此，挑选出穿透力强的极化方式来降低植被覆盖层的影响是十分有必要的。Attema 和Ulaby 通过对经典的辐射传输方程的研究，进一步提出了水云模型方程[7]，水云模型方程把植被覆盖层视为一个水平均匀的云层，不考虑植被与土壤表面之间发生的多次散射，其中方程的变量仅为植被高度、植被含水量和土壤湿度[8]。水云模型在植被覆盖区域的土壤含水量估测方面的研究中应用广泛。

将21个实地采集的土壤样品随机分为建模组和精度验证组，其中取8 个土壤样品数据用于求解估测模型的拟合系数，从而建立植被覆盖区域的土壤含水量估测半经验模型；另外13个土壤样品的数据用于后续参与对估测结果的精度分析，两组样本点的具体统计信息如表2所示。

表2 实测土壤含水量样本点统计信息

2 结果与分析

通过基于Sentinel-1 遥感数据VV 极化和VH 极化的土壤水分含量估测的精度分析，结果如表3。13 个精度验证组的土壤水分实测值和估测值的对比分析结果如图1 所示，选取判定系数R2、均方根误差RMSE、平均绝对误差MAE、最大误差值MaxE和最小误差值MinE作为土壤水分含量估测精度验证指标。

图1 两种极化方式下土壤水分反演值与实测值的验证比较

表3 两种极化方式估测精度分析

由表3 可知，VV 和VH 极化方式的土壤水分绝对误差在0.05 以内，最小绝对误差为0.00 和0.02，最大绝对误差为0.12 和0.19。其中VV 极化参与建立的模型相关系数为R2=0.74，均方根误差为0.07，表明该模型与实测数据具有良好的相关性和较小的误差。

在微波遥感中VV 极化方式的反演精度优于VH极化方式，主要是由于同极化方式（VV 或HH）对表面散射比较敏感，而土壤正是以表面散射为主；植被覆盖层的散射以体散射为主，交叉极化方式（VH 或HV）对体散射很敏感。因此，在穿透植被层时VH 极化方式容易被植被层所影响，从而导致估测精度下降。

由图1 可知，利用水云模型建立的土壤水分含量估测半经验模型可以较好地模拟研究区域地表的微波散射特征，模型简单实用，提取的后向散射系数与土壤水分实测数据具有较好的相关性。与VH 极化方式相比，VV 极化方式的穿透性更强，可以有效地估测植被覆盖区域的土壤水分含量，能更好地表征研究区土壤水分的空间分布情况。

3 小结与讨论

本文用从Sentinel-1A 主动微波遥感数据中提取的雷达后向散射系数及土壤水分含量实测数据，将其代入水云模型中从而建立可实现土壤水分含量估测的半经验模型，实现了使用主动微波遥感估测植被覆盖区的农田土壤水分。

在利用主动微波遥感估算土壤水分含量时，土壤上方的植被覆盖层会使雷达信号衰减，进而对估测精度造成影响。因此，从遥感数据中提取合适的极化方式数据进行建模预测对土壤水分含量估测结果十分重要。

基于Sentinel-1 的VV 极化方式决定系数R2达到0.74，VH 极化方式的决定系数R2为0.19。实验表明，通过对比两种极化方式下的土壤水分含量估测半经验模型的精度可以确定VV 极化方式的土壤水分估测精度要明显好于VH 极化方式的估测精度。这主要是因为VV 极化方式具有较强的穿透性，不易受到植被层散射的影响，而且对土壤自身含水量的变化十分敏感。

本研究对比分析了利用主动微波遥感估测土壤水分含量中两种极化方式的优劣，但是实验范围较小和样品数较少，还需要进一步研究。本研究表明，VV极化方式可以有效地估测土壤水分，但后续研究中可考虑利用多种极化方式组合估测土壤水分，以提升估测精准度。