李俐， 王荻， 潘彩霞， 牛焕娜

(中国农业大学信息与电气工程学院，北京 100083)



土壤水分反演中的主动微波散射模型

李俐， 王荻， 潘彩霞， 牛焕娜

(中国农业大学信息与电气工程学院，北京 100083)

作为地表水循环的重要组成部分，土壤水分含量的监测已经成为农业、水文、气象和生态环境等领域的研究热点之一，尤其对现代农业中的精确灌溉、旱情监测和产量估计具有深刻的现实意义。微波后向散射强度与土壤水分之间密切的相关关系使主动微波遥感技术成为高空间分辨率的土壤水分监测中最有效的方法之一。高性能微波散射模型的缺乏是限制土壤水分反演应用的主要因素。分别针对裸露地表和植被覆盖地表，首先分析了常用的微波散射模型，然后对影响土壤水分监测的因素进行探讨； 并在实际应用举例中，对常用的主要影响因素校正方法进行分析总结。

土壤水分反演； 主动微波散射模型； 裸露地表； 植被覆盖地表

0 引言

土壤水分直接影响着陆地和大气间的物质和能量交换，在农作物旱情监测和产量估计、水资源管理、自然与生态问题等研究领域受到广泛关注，因此，大面积土壤水分含量监测具有非常重要的意义[1,2]。随着农业信息化的不断发展，主动微波遥感凭借全天时、全天候、穿透能力强的特点及其后向散射系数与土壤含水量之间直接的相关关系，成为监测土壤水分的主要手段之一[3,4]。

微波后向散射系数受到雷达参数、土壤水分、土壤粗糙度、地形、植被覆盖度、植被结构等众多因素的影响，因此如何建立合理的散射模型、搭建土壤水分与散射系数间明确的数学关系是当前主动微波遥感用于监测土壤水分要考虑的一个重要问题[5,6]。目前，国内外学者围绕着土壤水分和微波后向散射系数之间的关系进行了大量研究。然而，模型的局限性、模型参数的获取难度、模型模拟值和地面实测值的差异等问题依然制约着主动微波的土壤水分监测应用。

本文分别针对裸露地表和植被覆盖地表常用的微波散射模型进行总结，分析模型的局限性和适用范围，并对影响反演精度的主要因素进行讨论； 在此基础上，通过列举目前主动微波遥感土壤水分反演模型的应用实例，分析主要影响因素的校正方法，为今后的相关研究提供技术支持。

1 裸露地表微波散射模型及其应用

含水量不同的土壤，其介电特性存在巨大差异，而土壤的介电特性与微波后向散射系数之间有直接的相关关系，这是基于主动微波遥感进行土壤水分监测的理论基础[7]。因此，建立微波散射模型、确立微波散射系数与土壤水分的关系是估算土壤水分的前提。近几十年来国内外学者分别对裸露和植被覆盖两种随机粗糙地表场景进行了大量的研究，建立了一系列的理论模型及经验/半经验模型。

1.1 散射模型

1.1.1 理论模型

裸露或者植被稀疏地表的理论模型是由地表电磁波理论发展起来的。早期的随机粗糙面散射理论模型为基尔霍夫模型(Kirchhoff approximation，KA)，是一种尝试通过求解麦克斯韦方程组得到的标准后向散射理论模型，一般要求地表平均曲率半径大于电磁波波长[8]。典型的基尔霍夫模型包括适用于非常粗糙表面的几何光学模型(geometrical optics model，GOM)和向中级粗糙表面推进的物理光学模型(physical optics model，POM)。结合GOM和POM发展起来的小扰动模型(small perturbation model，SPM)则适用于低频率入射、相关长度较小的较为光滑表面[9]。这些地表散射模型都未考虑体积散射的影响。Song[10]等人通过改进SPM模型，提出了多层土壤模型，并且引入体积散射的因子，提高了土壤水分监测的精度。

上述的传统理论模型为土壤水分检测提供了可用模型，但分别适用于不同土壤粗糙度地表，其粗糙度范围不连续，而自然地表的土壤粗糙度一般比较连续，因此直接用这些模型反演土壤水分比较困难。近年来拓宽土壤粗糙度适用范围的随机粗糙面散射模型成为微波遥感领域的常用模型，包括相位扰动理论(phase perturbation theory, PPT)[11]、全波方法(full wave method, FWM)[12]、小斜坡近似(small-slope approximation, SSA)[13]、算子展开方法(operator expansion method, OEM)[14]和积分方程模型(integral equation model, IEM)等。其中，IEM模型是由Fung[15]等人结合KA模型和SPM模型提出的，是适用于不同粗糙程度表面的常用物理模型。该模型省略了局部入射角的菲涅耳反射系数，用入射角度或者镜面角度来替代； 并在交叉极化时，将计算基尔霍夫场的反射系数近似为水平极化和垂直极化反射系数差的1/2； 忽略边缘衍射项； 通过简化的表面格林函数和相位项的梯度，近似计算补充场系数。由此得到的IEM模型后向散射由单散射项和多次散射项2部分组成。大多数自然随机地表具有较小的随机表面坡度，在后向散射系数中主要为单散射项，多次散射可以忽略不计。因此，在小到中等粗糙度的IEM模型中，后向散射系数用单散射项来近似，即

(1)

(2)

由于如前所述的菲涅尔反射系数计算简化及与粗糙度相关参数难以确定的问题，IEM模型理论模拟值与地表实测后向散射值之间存在不一致性。针对这些问题，许多学者不断改进IEM模型，如改进的IEM(improved IEM,IEMM)、二阶多重散射积分方程模型(IEM for second-order multiple scattering,IEM2M)、改进的高级积分方程模型(advanced IEM,AIEM)和扩展先进积分方程模型(extended advanced IEM,EAIEM)等，试图提高后向散射系数的模拟准确度[16]。在IEMM中，Hsieh[17]等人保留了格林函数中Weyl谱中的相位绝对值项。而IEM2M则是在格林函数中Weyl谱中的相位绝对值项基础上，保留了出现在格林函数的梯度矢量中的符号项，同时将随机粗糙面上方和下方介质的格林函数及其梯度对区别对待[18]。然而，该模型由于其区分随机粗糙面上方和下方介质的格林函数谱的做法在随机粗糙面下方介质为损耗介质时可能会产生的振荡而受到了质疑[19]。在AIEM中，改进了粗糙面上方和下方介质的格林函数及其梯度对的拆分，用精确的补偿场振幅和相位值代替近似假设[20]，解决了IEM模型的不完善之处，可以更加真实地模拟出自然状态下的随机地表散射特征。但是由于补充散射分量非相干功率计算不精确、忽略误差函数等问题，该模型依然有待改进。作为IEM2M和AIEM的扩展，EAIEM[21]在非相干功率表达式中的交叉及补充散射系数中引入了误差函数，提高了模型的有效性。

1.1.2 经验-半经验模型

考虑到理论模型表达式比较复杂、有的参数难于获取问题，一些研究者借助实测数据发展了适用于一定区域范围的经验/半经验模型。

经验模型通过分析研究特定地点大量的实测数据建立起后向散射系数与土壤水分之间的关系表达式。常见的经验模型有线性模型[22]、Oh经验模型[23]和Dubois模型[24]。线性模型根据实测值建立后向散射系数和特定环境中土壤含水量之间的线性回归关系。而Oh经验模型和Dubois模型则是分别利用车载散射计和地面散射计获取不同地表粗糙环境中的散射数据来建立的非线性模型，其适用范围受到入射角、均方根高度和介电常数的限制。通常经验模型只在特定的地表粗糙度状况、微波频率、入射角和土壤含水量范围内适用。

半经验模型综合了理论模型和经验模型的优势，借助实测数据简化理论模型，得到不受实验地点局限的关系模型。近年来广泛应用于裸露或稀疏植被土壤表面的半经验模型有Chen模型、Oh模型和Shi模型等。Chen模型[25]基于IEM模型建立，用指数相关方程来表示地表粗糙度，经过多重线性回归利用HH和VV的后向散射系数比值来描述地表的后向散射特征。Oh半经验模型[26,27]在SPM模型和KA模型的基础上，结合大量车载散射计数据和机载SAR数据等实验数据对Oh经验模型进行了扩展和修正，研究了不同极化方式下后向散射系数同土壤含水量、地表粗糙度等参数间的关系式。Shi模型[28]利用IEM模型模拟不同表面粗糙度和土壤含水量条件下后向散射特性，建立了L波段的地表散射模型。相比之前的两个半经验模型，它加入了理论模型中的地表功率粗糙度谱和极化幅度等参数，模型的实际应用效果比较好。但是Shi模型只适用于同极化方式，而且还需进一步的研究能否适用于除L波段外的其他波段数据。针对常用的C波段数据，Loew和Mauser[16]基于IEM模型提出了一种仅仅使用一个参数来描述土壤表面粗糙度特性的半经验模型，该模型应用广义幂律谱的方法来提高模型精度。

1.1.3 数值模型

离散求解麦克斯韦方程组产生的数值化后向散射模型是近几年随着计算机技术的发展出现的一类新模型，称为数值模型。矩量法(method of moments,MOM)模型借助一个表面网格求解电磁方程，由于其所用的计算资源较少成为被广泛应用的一种数值模型[29]。为解决新出现的3D问题，3D数值麦克斯韦模型(numerical maxwell model in 3D,NMM3D)模型利用MoM模型求解麦克斯韦方程组的三维数值解[30]，是MoM模型模拟高斯随机粗糙土壤表面的后向散射系数的三维应用。基于MoM的模型只适用于小范围均匀表面。用体网格代替面网格得到的有限元法(finite element method,FEM)[31]和时域有限差分(finite difference time domain,FDTD)[32]模型不仅能用于表面不均匀的环境，而且可用于诸如森林的多层介质。数值模型充分利用现代计算机技术，是一种更有潜力的后向散射系数建模方法，但其大面积应用依然受限于算法速度和计算设备。

1.2 主要影响因素

由式(1)可以看出，IEM模型中除了包含与土壤水分信息密切相关的土壤的介电常数外，还包含了2类参数： 土壤表面粗糙度参数，如地表均方根高度(root mean square height，RMS)、地表面功率谱的粗糙度相关函数及相关长度等； 微波传感器参数，如频率(或波长)、视角(入射角)等。

推而广之，裸露地表的微波后向散射系数(σo)，都包含这3个方面的信息[33]，即

σ0=f(λ,θ,p,Mv,Sr) ，

(3)

式中：λ,θ,p为雷达系统参数，分别为波长、入射角、极化状态；Mv和Sr为地表参数，分别对应土壤水分以及土壤粗糙度。可见，土壤水分并不是决定微波后向散射系数的唯一因素。因此，根据后向散射系数进行裸露土壤水分反演时，雷达系统参数和土壤粗糙度成为影响反演精度的重要因素。

波长、入射角、极化方式等雷达系统参数会影响雷达后向散射系数对土壤水分的敏感性，因此在估算土壤水分时需要合理选择雷达参数。在波长的选择上，有研究发现在各种地表粗糙条件下L波段雷达后向散射系数对土壤水分的敏感性都要高于C波段、X波段，更适合监测土壤水分[34]。但作为目前SAR卫星常用的波段，C波段信号凭借其对植被敏感而易于去除植被影响的优势[35,36]，在土壤水分监测中也广为应用。在入射角的选择上，一般认为低角度(10°～20°)入射可以得到最佳的土壤水分估计值[37,38]。然而，实际应用中通常选择较大的雷达入射角来保证良好的地面覆盖[39]。理解入射角的作用对在对地表粗糙度不敏感的小入射角与大覆盖面的大入射角之间寻找一个较好的折中有重要意义。然而，量化入射角在反演土壤水分过程中的影响仍具有一定难度[40]，这主要因为现有的后向散射模型之间存在一定差异，同时缺乏大面积的地面观测数据。在极化方式的选择上，理论分析和实验验证均表明，HH极化方式比交叉极化方式对土壤水分更加敏感[41]。因此，在裸土或稀疏植被覆盖地表的土壤反演中，建议选择小入射角、L/C波段、HH极化的微波数据。这种情况下，微波后向散射系数可以近似认为仅是土壤水分的函数，可以忽略地表粗糙度变化的影响。

作为一个重要地表参数，土壤粗糙度是影响雷达后向散射特征的一个决定性因素[42-44]，进而成为影响土壤水分反演精度的重要因素。研究表明，当入射角大于10°时，随着土壤粗糙度的增加，雷达的后向散射系数也会相应的增大[45]，即使采用了最佳的入射角，地表粗糙度依然是后向散射系数变化的重要因素[46]。以TerraSAR-X雷达数据为例，在小入射角情况下(入射角为26°～28°)光滑地表和粗糙地表间存在2～4 dB的雷达后向散射系数差，在大入射角状态下这种差异更为明显，提高到3.5～5.5 dB[47-49]。常被描述为随机粗糙表面的地表，其复杂程度导致了雷达入射波与地表的相互作用发生的散射现象也十分的复杂，全面、高精度地量化随机地表土壤粗糙度对土壤水分反演的影响还需要开展更深入的研究。

1.3 应用实例

选择适合的散射模型对于反映真实的区域情况至关重要，决定着反演结果的准确性和可靠性。目前，理论模型中应用较多的是IEM及其改进模型。很多研究者结合研究区的实际情况与获得的主动微波遥感数据，将人工神经网络算法、优化算法、查找表算法等方法运用到IEM及其改进模型，成功估算了裸露地表的土壤水分含量。例如，针对微波散射计数据，Notarnicola[50]、Joseph[51]、王丽巍[52]使用IEM模型，分别基于前馈多层感知器网络、优化算法、查找表等方法估算土壤水分，有效地提高了土壤水分的反演精度。在反演过程中，他们都采用了一定策略来减弱土壤粗糙度的影响： 例如，Notarnicola利用不同入射角和极化方式数据的冗余性来去除粗糙度影响； Joseph以后向散射系数的IEM模型预测值和观测值之差作为代价函数，直接搜索代价函数最小的土壤粗糙度和土壤水分值。针对SAR数据， Bryant[53]利用IEM模型生成不同雷达参数情况下的后向散射系数并建立相应的查找表，利用查找表方法获得对应的土壤粗糙度信息和土壤水分信息，通过这种方法直接分离出了土壤粗糙度的影响。陈晶[54]则利用IEM的改进模型AIEM，对Radarsat数据进行了土壤水分反演，其中考虑到均方根高度S和相关长度L的影响，提出了新的土壤粗糙度参数RS=S3/L2,为有效去除土壤粗糙度影响提供了新的思路。

经验模型和半经验模型凭借其形式简单、参数易于获取的优势在裸露地表的土壤水分估算研究中也被广为采用。例如，针对微波散射计数据，Oh[23]和Dubois[24]分别采用Oh模型和Dubois模型估算了裸露土壤表面的粗糙度信息和土壤水分含量。针对SAR数据，将Oh模型或结合Dubois模型与Oh模型成功应用到了ERS-1数据[55]、多极化SIR-C的L波段雷达数据[56]、多极化C波段的RADARSAT-2[57]等数据中，证明了经验/半经验模型基于SAR数据实现土壤水分反演的适用性。

理论模型与经验/半经验模型的联合使用也是土壤水分反演应用中常见的一个现象。例如， Pauwels[58]以IEM和OH模型之间的差别为代价函数来估计土壤水分。而Oh模型交叉极化的信息也常用于弥补AIEM只能模拟同极化后向散射数据的缺点。Paloscia[59]等利用AIEM模型和Oh模型分别模拟同极化和交叉极化的训练数据，基于Sentinel-1多极化和多入射角的观测数据，应用前馈多层感知器网络估算土壤水分，取得了较为理想的结果。蒋金豹[60]等则以ALOS/PLASAR的数据为基础，利用AIEM模型和Oh模型建立后向散射系数之差与粗糙度的关系，并用后向散射系数之差代替粗糙度的影响，同时构建BP神经网络反演裸土土壤水分，结果表明土壤水分含量估测值与实测值其均方根误差为0.035 m3/m3，相对误差为13.9%。

随着超级计算机和快速算法的不断发展，数值化的后向散射模型凭借精度高和速度快的特点在估算土壤水分方面逐渐得到应用。FDTD模型[61]、NMM3D模型[30]都被成功地用于估计土壤水分值。

2 植被覆盖地表微波散射模型及其应用

2.1 散射模型

2.1.1 理论模型

植被覆盖地表的散射模型不仅要考虑地表散射，还要考虑植被层对雷达后向散射系数的影响。典型的植被散射理论模型有密歇根微波植被散射模型(michigan microwave canopy scattering model，MIMICS)模型、一阶草类离散相干散射模型(the coherent polarimetric microwave scattering model for grassland，GIMICS)模型及基于MIMICS模型简化后提出的Roo模型等。

MIMICS模型[62]以辐射传输方程(radiative transfer equation, RTE)为基础，根据微波散射特性和植被结构特点将植被层分为3部分： 植被冠层(包括不同大小、朝向、形状的枝条和叶片)、植被茎杆部分(用介电圆柱体表示)和植被底层粗糙地表(用土壤介电特性和随机地表粗糙度表示)，并分别考虑每一部分对微波后向散射的影响，得到RTE方程的一阶解，将植被覆盖地表微波后向散射系数表示为

(4)

式中： 左端表示来自植被覆盖地表任意qp极化总的雷达后向散射系数； 右端各项代表植被地表各部分相应的雷达后向散射机制。

MIMICS模型通过计算植被各部分引起的后向散射成分，能够很好地校正植被微波散射影响[63]。其改进模型Bi-MIMICS，根据双站雷达设置，引入散射天顶角和方位角，实现了可用于双站情况的森林冠层散射模型[64]。

这类MIMICS模型对植被结构刻画的较为详细，考虑了土壤粗糙度、植被等因素的影响，通过计算植被各部分引起的后向散射成分，得到了全极化的散射结果，很好地刻画了植被对微波散射影响[64]。但该模型的输入参数复杂繁多。模型中明确的3层结构适用于高大植被覆盖地表，对低矮植被覆盖的农田区域并不适用。随后，MIMICS II模型[65]和Roo模型[66]分别在MIMICS模型的基础上通过添加覆盖率、空隙率等参数和去掉地表-茎秆之间的散射项，将其适用范围推广到农田环境。

GIMICS模型[63，67]基于散射体的散射场理论，考虑植被叶片形状、植被空间分布等因素，对低矮植被覆盖地表总的后向散射值进行了描述，将其分解为每个植株的单散射值、植株之间相互作用的多次散射值及经植被层衰减后的地表直接散射值。考虑农作物的行播特性，在计算单行作物散射的基础上计算多行作物散射，给出了适用于小麦、大麦、燕麦及毛牛草等多行作物的散射模型。

针对多品种、多层次结构复杂的植被组成情况，广义雷达模型[68]和三维森林雷达后向散射模型[69]分析了多层次森林空间结构对雷达后向散射的影响，预测了三维森林场景中的雷达后向散射系数。为提高模型的交叉极化预测精度，Ni[70]等人还引入matrix-doubling方法改进了三维森林雷达后向散射模型。这类模型主要应用于森林等高大植被覆盖地表，在农田环境还未见使用。

2.1.2 经验-半经验模型

水-云模型(water cloud model, WCM)是以农作物为研究对象给出的一个估算农作物覆盖地表土壤水分的半经验模型[71]。它以辐射传输模型为基础，假设植物层为一个各项均质散射体，简化了植物覆盖层的散射机制，得到由冠层的体散射和地表的直接散射2部分构成的总后向散射模型，模型的参数是由实测数据决定的。引入植被相关长度改进的水-云模型[72]，消除了植被层对下垫面地表的影响。而Saradjian和Hosseini[73]给出的改进水-云模型则充分考虑了土壤表面粗糙度的影响。

2.2 主要影响因素

植被覆盖下的观测地面后向散射系数(σ0)[33]可以表示为

σ0=f(λ,θ,p,Mv,Sr,Veg) ，

(5)

式中Veg为植被参数。

在植被覆盖地表，植被层对微波后向散射贡献的大小是影响地表土壤水分敏感性的重要因素，其次才是土壤粗糙度等地表参数。并且前5项因素如前所述，因此，这里重点分析植被影响。大量研究证明，对于较多植被的地表，微波信号有相当一部分被吸收和散射，从而降低了对土壤水分的敏感度。植被层的存在改变了土壤湿度信息和微波信号之间的近似线性关系，增加了土壤水分信息提取的难度。植被对土壤水分反演的影响可以通过植物含水量、植被类型、行向和间距、郁闭度[74]及植被冠层的形状、大小和分布等[75]参数来体现。

2.3 应用实例

在实际应用中，选择合理的植被覆盖地表微波散射模型，消除植被及地表参数对微波信号的影响至关重要。

MIMICS模型是广泛用于估算植被覆盖地表条件下地表土壤水分的一种理论模型。例如，利用同极化方式下MIMICS模型能较好地描述玉米后向散射特性的优势，赵天杰[76]等基于ASAR数据有效估算出玉米覆盖地表的土壤水分。夏米西努尔[77]则利用多极化(HH/HV)的简化MIMICS模型，结合叶面积指数从Radarsat-2雷达数据总的后向散射中去除植被的影响，实现了干旱区作物叶片含水量和土壤水分信息的提取。

水-云模型则是应用最广、影响力最大的一种经验模型，在估算农作物覆盖区相关信息中被经常使用。利用地面实测数据或结合光学数据消除植被影响，并使用水-云模型估算土壤水分能获得不错的结果。例如，何媛[78]等利用ENVISAT搭载的ASAR，根据区域实际情况确定合理的土壤粗糙度参数，并结合归一化植被指数NDVI计算的植被含水量，应用水-云模型估算出玛曲地区土壤水分，反演值与地面实测值之间的均方根误差小于0.05 m3/m3。利用多波段、多极化、多角度、多时相的微波数据来消除植被的影响也是水-云模型土壤水分反演中常用的方法。刘伟[33]、Gherboudj[79]等分别使用多极化AirSAR雷达数据和Radarsat-2数据，采用辅助数据或多极化数据间比值等消除地表粗糙度和植被覆盖层的影响，有效地估算了农作物覆盖区的地表土壤水分。Moran[80]等利用旱季、湿润季节多时相ERS-2雷达后向散射系数对地表粗糙度和叶面积指数值的敏感性不同，结合校正的水-云模型消除地表粗糙度和植被覆盖的影响，达到了利用雷达后向散射系数反演土壤水分的目的。

这些应用，通过各种方法去除植被和土壤粗糙度应用，提高了反演地表土壤水分的精度。但是总体来说，目前植被覆盖地表土壤水分反演的算法仍不够成熟，还不能够完全利用微波数据去除植被和地表粗糙度的影响而得到精确的土壤水分信息。因此，植被覆盖地表的土壤水分反演研究依然为当前微波技术研究领域的热点和难点问题之一。

3 结论

地表土壤水分含量及其分布在农业生产方面举足轻重。遥感技术为快速高效地获取大面积土壤土壤湿度信息提供了有效途径。相对于被动微波遥感、可见光/热红外遥感而言,主动微波遥感凭借其自身优势，在监测裸露地表或者低植被覆盖地表下的土壤水分信息具有广阔的应用前景。

土壤水分与微波后向散射系数间关系的不确定性制约了主动微波土壤水分反演的精度。因此，建立和使用理想的以土壤水分为自变量的微波散射模型至关重要。建立理想模型需要解决2个问题： ①建立微波后向散射系数与土壤介电常数及其它影响因子之间的数学关系； ②建立土壤水分与土壤介电常数关系模型，改变通用理论模型缺乏的现状。使用这些模型进行土壤水分反演同样需要解决2个问题： ①选用合适的模型、设置合理参数，使之符合具体研究区域的植被覆盖和土壤粗糙度范围特点； ②在这些模型应用中，借助实测数据、多源数据融合等手段去除土壤粗糙度、植被覆盖等的影响。

幸运的是，随着计算机技术和传感器技术的发展，数值模型、三维模型等新模型不断涌现，光学、热红外遥感、被动微波遥感及多时相、多极化、多入射角的主动微波数据越来越丰富，这些将有力地推动土壤水分反演中的主动微波散射模型精度的提高及其应用。

[1] Beck H E,de Jeu Richard A M,Schellekens J,et al.Improving curve number based storm runoff estimates using soil moisture proxies[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2009,2(4):250-259.

[2] Bolten J D,Crow W T,Zhan X W,et al.Evaluating the utility of remotely sensed soil moisture retrievals for operational agricultural drought monitoring[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2010,3(1):57-66.

[3] 田国良.土壤水分的遥感监测方法[J].环境遥感,1991,6(2):89-98. Tian G L.Methods for monitoring soil moisture using remote sensing technique[J].Journal of Remote Sensing,1991,6(2):89-98.

[4] Barrett B W,Dwyer E,Whelan P.Soil moisture retrieval from active spaceborne microwave observations:An evaluation of current techniques[J].Remote Sensing,2009,1(3):210-242.

[5] 焦俏,王飞,李锐,等.ERS卫星反演数据在黄土高原近地表土壤水分中的应用研究[J].土壤学报,2014,51(6):1388-1397. Jiao Q,Wang F,Li R,et al.Application of inversion of European remote sensing satellites date to investigation of near-surface soil moisture in Loess Plateau[J].Acta Pedologica Sinica,2014,51(6):1388-1397.

[6] Kornelsen K C,Coulibaly P.Advances in soil moisture retrieval from synthetic aperture radar and hydrological applications[J].Journal of Hydrology,2013,476:460-489.

[7] Dobson M C,Ulaby F T,Hallikainen M T,et al.Microwave dielectric behavior of wet soil-Part II:Dielectric mixing models[J].IEEE Transactions on Geoscience and Remote Sensing,1985,GE-23(1):35-46.

[8] Ulaby F T,Batlivala P P,Dobson M C.Microwave backscatter dependence on surface roughness,soil moisture,and soil texture:Part I-bare soil[J].IEEE Transactions on Geoscience Electronics,1978,16(4):286-295.

[9] Engman E T,Chauhan N.Status of microwave soil moisture measurements with remote sensing[J].Remote Sensing of Environment,1995,51(1):189-198.

[10]Song K J,Zhou X B,Fan Y.Empirically adopted IEM for retrieval of soil moisture from radar backscattering coefficients[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(6):1662-1672.

[11]Shen J,Maradudin A A.Multiple scattering of waves from random rough surfaces[J].Physical Review B,1980,22(9):4234-4240.

[12]Bahar E.Full-wave solutions for the depolarization of the scattered radiation fields by rough surfaces of arbitrary slope[J].IEEE Transactions on Antennas and Propagation,1981,29(3):443-454.

[13]Voronovich A G.Small-slope approximation in wave scattering by rough surfaces[J].Soviet Physics JETP,1985,62(1):65-70.

[14]Milder D M.An improved formalism for wave scattering from rough surfaces[J].The Journal of the Acoustical Society of America,1991,89(2):529-541.

[15]Fung A K,Li Z,Chen K S.Backscattering from a randomly rough dielectric surface[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):356-369.

[16]Loew A,Mauser W.A semiempirical surface backscattering model for bare soil surfaces based on a generalized power law spectrum approach[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(4):1022-1035.

[17]Hsieh C Y,Fung A K,Nesti G,et al.A further study of the IEM surface scattering model[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(4):901-909.

[18]Alvarez-Pérez J L.An extension of the IEM/IEMM surface scattering model[J].Waves in Random Media,2001,11(3):307-329.

[19]Fung A K,Liu W Y,Chen K S.A comparison between IEM-based surface bistatic scattering models[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Toronto,Ontario,Canada:IEEE,2002,1:441-443.

[20]Wu T D,Chen K S.A reappraisal of the validity of IEM model for backscattering from rough surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(4):743-753.

[21]Du Y.A new bistatic model for electromagnetic scattering from randomly rough surfaces[J].Waves in Random and Complex Media,2008,18(1):109-128.

[22]Bruckler L,Witono H,Stengel P.Near surface soil moisture estimation from microwave measurements[J].Remote Sensing of Environment,1988,26(2):101-121.

[23]Oh Y,Sarabandi K,Ulaby F T.An empirical model and an inversion technique for radar scattering from bare soil surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):370-381.

[24]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.

[25]Chen K S,Yen S K,Huang W P.A simple model for retrieving bare soil moisture from radar-scattering coefficients[J].Remote Sensing of Environment,1995,54(2):121-126.

[26]Oh Y,Sarabandi K,Ulaby F T.An inversion algorithm for retrieving soil moisture and surface roughness from polarimetric radar observation[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Pasadena,CA:IEEE,1994,3:1582-1584.

[27]Oh Y,Sarabandi K,Ulaby F T.Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(6):1348-1355.

[28]Shi J C,Wang J,Hsu A Y,et al.Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(5):1254-1266.

[29]Warnick K F,Chew W C.Numerical simulation methods for rough surface scattering[J].Waves in Random Media,2001,11(1):R1-R30.

[30]Huang S W,Tsang L.Electromagnetic scattering of randomly rough soil surfaces based on numerical solutions of maxwell Equations in three-dimensional simulations using a hybrid UV/PBTG/SMCG method[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):4025-4035.

[31]Zienkiewicz O C,Taylor R L.The Finite Element Method[M].New York:McGraw-Hill,2000.

[32]Yee K S.Numerical solution of initial boundary value problems involving Maxwell’s equations in isotropic media[J].IEEE Transactions on Antennas and Propagation,1966,14(3):302-307.

[33]刘伟.植被覆盖地表极化雷达土壤水分反演与应用研究[D].北京:中国科学院遥感应用研究所,2005. Liu W.Study on soil moisture inversion and application with polarization radar in vegetated area[D].Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences,2005.

[34]杨虎,郭华东,李新武,等.主动微波遥感土壤水分观测中的最优雷达参数选择[J].高技术通讯,2003(9):21-24. Yang H,Guo H D,Li X W,et al.Optimum radar parameters for mapping soil moisture[J].High Technology Letters,2003,13(9)：21-24.

[35]Romshoo S A,Koike M,Onaka S,et al.Influence of surface and vegetation characteristics on C-band radar measurements for soil moisture content[J].Journal of the Indian Society of Remote Sensing,2002,30(4):229-244.

[36]Notarnicola C,Angiulli M,Posa F.Use of radar and optical remotely sensed data for soil moisture retrieval over vegetated areas[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(4):925-935.

[37]Champagne C,Berg A,Belanger J,et al.Evaluation of soil moisture derived from passive microwave remote sensing over agricultural sites in Canada using ground-based soil moisture monitoring networks[J].International Journal of Remote Sensing,2010,31(14):3669-3690.

[38]Gherboudj I,Magagi R,Berg A A,et al.Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular RADARSAT-2 SAR data[J].Remote Sensing of Environment,2011,115(1):33-43.

[39]Baghdadi N,Zribi M,Loumagne C,et al.Analysis of TerraSAR-X data and their sensitivity to soil surface parameters over bare agricultural fields[J].Remote Sensing of Environment,2008,112(12):4370-4379.

[40]Crow W T,Wagner W,Naeimi V.The impact of radar incidence angle on soil-moisture-retrieval skill[J].IEEE Geoscience and Remote Sensing Letters,2010,7(3):501-505.

[41]Holah N,Baghdadi N,Zribi M,et al.Potential of ASAR/ENVISAT for the characterization of soil surface parameters over bare agricultural fields[J].Remote Sensing of Environment,2005,96(1):78-86.

[42]Altese E,Bolognani O,Mancini M,et al.Retrieving soil moisture over bare soil from ERS 1 synthetic aperture radar data:Sensitivity analysis based on a theoretical surface scattering model and field data[J].Water Resources Research,1996,32(3):653-661.

[43]Anguela T P,Zribi M,Baghdadi N,et al.Analysis of local variation of soil surface parameters with TerraSAR-X Radar data over bare agricultural fields[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(2):874-881.

[44]Satalino G,Mattia F,Davidson M W J,et al.On current limits of soil moisture retrieval from ERS-SAR data[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(11):2438-2447.

[45]Ulaby F T,Batlivala P P.Optimum radar parameters for mapping soil moisture[J].IEEE Transactions on Geoscience Electronics,1976,14(2):81-93.

[46]Singh D.A simplistic incidence angle approach to retrieve the soil moisture and surface roughness at X-band[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(11):2606-2611.

[47]Baghdadi N,King C,Bourguignon A,et al.Potential of ERS and RADARSAT data for surface roughness monitoring over bare agricultural fields:Application to catchments in Northern France[J].International Journal of Remote Sensing,2002,23(17):3427-3442.

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

[49]Zribi M,Dechambre M.A new empirical model to inverse soil moisture and roughness using two radar configurations[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Toronto,Ontario,Canada:IEEE,2002,4:2223-2225.

[50]Notarnicola C,Angiulli M,Posa F.Soil moisture retrieval from remotely sensed data:Neural network approach versus Bayesian method[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(2):547-557.

[51]Joseph A T,van der Velde R,O’Neill P E,et al.Effects of corn on C- and L-band radar backscatter:A correction method for soil moisture retrieval[J].Remote Sensing of Environment,2010,114(11):2417-2430.

[52]王丽巍,吴季,张玮,等.FM-CW制式陆基微波散射计与IEM模型联合反演地表土壤湿度研究[J].电子学报,2002,30(3):404-406. Wang L W,Wu J,Zhang W,et al.Study on soil moisture with ground-based scatterometer and IEM model[J].Acta Electronica Sinica,2002,30(3):404-406.

[53]Bryant R,Moran M S,Thoma D P,et al.Measuring surface roughness height to parameterize radar backscatter models for retrieval of surface soil moisture[J].IEEE Geoscience and Remote Sensing Letters,2007,4(1):137-141.

[54]陈晶,贾毅,余凡.双极化雷达反演裸露地表土壤水分[J].农业工程学报,2013,29(10):109-115. Chen J,Jia Y,Yu F.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.

[55]Sabburg J M.Evaluation of an Australian ERS-1 SAR scene pertaining to soil moisture measurement[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.,Pasadena,CA:IEEE,1994,3:1424-1426.

[56]D'Urso G,Minacapilli M.A semi-empirical approach for surface soil water content estimation from radar data without a-priori information on surface roughness[J].Journal of Hydrology,2005,321(1/4):297-310.

[57]Merzouki A,McNairn H,Pacheco A.Mapping soil moisture using RADARSAT-2 data and local autocorrelation statistics[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(1):128-137.

[58]Pauwels V R N,Hoeben R,Verhoest N E C,et al.Improvement of TOPLATS-based discharge predictions through assimilation of ERS-based remotely sensed soil moisture values[J].Hydrological Processes,2002,16(5):995-1013.

[59]Paloscia S,Pettinato S,Santi E,et al.Soil moisture mapping using Sentinel-1 images:Algorithm and preliminary validation[J].Remote Sensing of Environment,2013,134:234-248.

[60]蒋金豹,张玲,崔希民,等.基于L波段的裸土区土壤水分微波遥感反演研究[J].土壤,2014,46(2):361-365. Jiang J B,Zhang L,Cui X M,et al.Soil moisture inversion research in bare region based on L-band radar data[J].Soils,2014,46(2):361-365.

[61]Rabus B,Wehn H,Nolan M.The importance of soil moisture and soil structure for InSAR phase and backscatter,as determined by FDTD modeling[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(5):2421-2429.

[62]Ulaby F T,Sarabandi K M,McDonald K,et al.Michigan microwave canopy scattering model[J].International Journal of Remote Sensing,1990,11(7):1223-1253.

[63]毛克彪,王建明,张孟阳,等.GNSS-R信号反演土壤水分研究分析[J].遥感信息,2009(3):92-97. Mao K B,Wang J M,Zhang M Y,et al.Research on soil moisture inversion by GNSS-R signal[J].Remote Sensing Information,2009(3):92-97.

[64]Liang P,Pierce L E,Moghaddam M.Radiative transfer model for microwave bistatic scattering from forest canopies[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(11):2470-2483.

[65]McDonald K C,Ulaby F T.Mimics II:Radiative transfer modeling of discontinuous tree canopies at microwave frequencies[C]//Proceedings of the IEEE 10th Annual International Geoscience and Remote Sensing Symposium.College Park,MD,USA:IEEE,1990:141.

[66]de Roo R D,Du Y,Ulaby F T,et al.A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(4):864-872.

[67]Stiles J M,Sarabandi K.Electromagnetic scattering from grassland.I.A fully phase-coherent scattering model[J].IEEE Transactions on Geoscience and Remote Sensing,2000,38(1):339-348.

[68]Burgin M,Clewley D,Lucas R M,et al.A generalized radar backscattering model based on wave theory for multilayer multispecies vegetation[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(12):4832-4845.

[69]Sun G Q,Ranson K J.A three-dimensional radar backscatter model of forest canopies[J].IEEE Transactions on Geoscience and Remote Sensing,1995,33(2):372-382.

[70]Ni W J,Guo Z F,Sun G Q.Improvement of a 3D radar backscattering model using matrix-doubling method[J].Science China Earth Sciences,2010,53(7):1029-1035.

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

[72]Bindlish R,Barros A P.Including vegetation scattering effects in a radar based soil moisture estimation model[M]//Owe M,Brubaker K,Ritchie J,et al.Remote Sensing and Hydrology 2000.Santa Fe,New Mexico:IAHS Publication,2001,267:354-360.

[73]Saradjian M R,Hosseini M.Soil moisture estimation by using multipolarization SAR image[J].Advances in Space Research,2011,48(2):278-286.

[74]戈建军,王超,张卫国.土壤湿度微波遥感中的植被散射模型进展[J].遥感技术与应用,2002,17(4):209-214. Ge J J,Wang C,Zhang W G.Review of vegetation scattering model in soil moisture microwave remote sensing[J].Remote Sensing Technology and Application,2002,17(4):209-214.

[75]Bindlish R,Barros A P.Parameterization of vegetation backscatter in radar-based,soil moisture estimation[J].Remote Sensing of Environment,2001,76(1):130-137.

[76]赵天杰,张立新,蒋玲梅,等.双频极化SAR反演玉米种植区土壤水分[C]//2008海峡两岸遥感大会论文集.北京:中国科学院遥感应用研究所,2008:1-7. Zhao T J,Zhang L X,Jiang L M,et al.Soil moisture retrieval by dual-frequency polarimetric SAR date in the core growing regions[C].Remote Sensing Symposium across Taiwan Strait.Beijing:Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences,2008:1-7.

[77]夏米西努尔·马逊江,侯君英.基于NDVI估算植被体散射的土壤水分反演研究[J].安徽农业科学,2013,41(29):11652-11653,11657. Xiamixinuer M X J,Hou J Y.Inversion study of estimation of soil moisture of vegetation scattering based on NDVI[J].Journal of Anhui Agri.Sci.,2013,41(29):11652-11653,11657.

[78]何媛,文军,张堂堂,等.卫星微波遥感结合可见光遥感估算黄河源区土壤湿度研究[J].遥感技术与应用,2013,28(2):300-308. He Y,Wen J,Zhang T T,et al.A study on estimating soil moisture using microwave remote sensing combined with optical over the source region of the Yellow River[J].Remote Sensing Technology and Application,2013,28(2):300-308.

[79]Gherboudj I,Magagi R,Berg A,Toth B.Use of radarsat-2 images to develop a scaling method of soil moisture over an agricultural area[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium,2009,3:III-510-III-513.

[80]Moran M S,Vidal A,Troufleau D,et al. Ku- and C-band SAR for discriminating agricultural crop and soil conditions[J].IEEE Transactions on Geoscience and Remote Sensing,1998,36(1):265-272.

(责任编辑： 李瑜)

Active microwave scattering models used in soil moisture retrieval

LI Li, WANG Di, PAN Caixia, NIU Huanna

(CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China)

As an important component of the surface water cycle, soil moisture content monitoring has become one of the research hotspot in such fields as hydrology, meteorology, agriculture and ecological environment. In precision irrigation, drought monitoring and crop estimations, soil moisture content monitoring has shown especially significant practical significance. The close relationship between microwave scattering intensity and soil moisture makes the active microwave remote sensing technology one of the most effective methods for monitoring soil moisture with high spatial resolution. The lack of high performance microwave scattering models is a main factor restricting the application of soil moisture retrieval. For the bare soil surface and vegetation cover surface, microwave scattering models are analyzed firstly. Then the influence factors of soil moisture retrieval are discussed. And when the application examples are shown, the calibration methods for main influence factors are analyzed and summarized.

soil moisture retrieval; active microwave remote sensing; bare soil; vegetation cover

10.6046/gtzyyg.2016.04.01

李俐，王荻，潘彩霞,等.土壤水分反演中的主动微波散射模型[J].国土资源遥感,2016,28(4):1-9.(Li L,Wang D,Pan C X,et al.Active microwave scattering models used in soil moisture retrieval[J].Remote Sensing for Land and Resources,2016,28(4):1-9.)

2015-05-11；

2015-10-21

国家自然科学基金项目“基于极化分解的冬小麦全生育期土壤水分反演算法研究”(编号： 41201340)资助。

TP 79

A

1001-070X(2016)04-0001-09

李俐(1976-)，女，博士，副教授，主要从事微波遥感方面研究。 Email： lilixch@163.com。