罗蔚然，张成才，闫超德，冯凌彤

（郑州大学水利与环境学院，河南 郑州 450001）

基于微波和可见光遥感的冬小麦土壤墒情反演

罗蔚然，张成才，闫超德，冯凌彤

（郑州大学水利与环境学院，河南 郑州 450001）

土壤墒情是水文学、气象学及农业科学研究领域中的一个重要指标参数，对气候、农业、旱情监测都具有极为重要的意义。以河南省广利灌区冬小麦为研究对象，以水云模型为基础，利用 Landsat-8 和 Sentinel-1 A数据计算双层衰减因子、植被和土壤的后向散射系数。采用 RBF 神经网络拟合土壤的后向散射系数与土壤含水量的关系，通过实测监测点对反演的结果进行精度验证，结果表明：相关系数的平方为 0.754 5，均方根误差为0.022，结果良好，可为灌区冬小麦土壤墒情的评估提供参考。

雷达面雨量；监测系统；监测精度；数据评估分析；数据融合算法

0 引言

土壤墒情是研究水文学、气象学和农业科学等领域中的重要因素之一[1]，是陆地和大气进行能量循环的重要因子[2]，对于农业旱情监测、作物的科学灌溉等具有重要的意义[3]。由于土壤水分在时间、空间范围上变化较大，传统的土壤墒情监测方法通过设立监测站点进行监测，难以满足实时、大范围监测的需要[4]。因此，在要求精度范围内如何获取大范围地表土壤水分时空分布信息是一个迫切需要解决的问题。近年来，随着遥感技术的不断发展，微波遥感凭借全天时、全天候的观测能力已被广泛应用[5]。由于土壤含水量的不同导致土壤介电常数存在较大差异，所以微波遥感对土壤水分具有高度的敏感性，同时因其具有一定的穿透能力，并且不受天气条件的限制，能大大提高土壤墒情反演的准确性和可靠性。在植被覆盖区，植被介电常数和形态对微波信号影响很大，使得土壤水分反演更加困难，目前主要采用的方法有水云[6-7]，MD[8]，MIMICS[9]等模型。Attema[6]在 1978 年，建立了适用于低矮农作物覆盖区域的水云模型，将雷达信号在地面和植被之间的复杂散射过程进行了简化。Roo等[10]针对大豆覆盖区域，基于 MIMICS 模型模拟了雷达的后向散射系数，并以此建立了回归模型，反演了农作物覆盖地表下的土壤墒情；Saradjian[11]在水云模型中考虑了土壤粗糙度的影响，对水云模型进行了改进，使之更为准确地反演了低矮植被覆盖下的土壤墒情。在国内，施建成等[12]在雷达总的后向散射中分解出了植被体的散射部分，从而在反演土壤墒情的过程中，削弱了植被冠层和土壤粗糙度对雷达后向散射信号的影响，提高了精度；杨虎等[13]使用多时相的雷达后向散射系数图像，反演出了地表土壤水分的变化模式信息；鲍艳松等[14]利用 ASAR 和TM 数据，建立了冬小麦覆盖地表下的土壤墒情反演模型，实现了在冬小麦覆盖下的土壤墒情反演。

以河南省广利灌区冬小麦覆盖区域的土壤墒情为研究对象，采用 Landsat-8 和 Sentinel-1A 数据，利用水云模型消除冬小麦冠层对后向散射的影响，计算土壤的后向散射系数，通过 RBF 神经网络拟合土壤的后向散射系数与实测土壤墒情之间的关系，反演冬小麦区域土壤墒情。

1 研究区域概况及数据处理

1.1 研究区域概况

广利灌区位于北纬 34°55′～35°11′ 与东经112°37′～113°13′之间，属温带大陆性季风气候，多年平均降水量为 593.5 mm，多年平均气温 14.5℃，多年平均蒸发量为 1 668 mm ，无霜期为 219 d。灌区渠首位于济源市五龙口沁河出山口，范围涉及济源、沁阳、温县、武涉 4 个县（市），灌区设计灌溉面积为 34 000 hm2，灌区气候温和，土地肥沃，盛产小麦、玉米，灌区内主要种植作物为冬小麦、夏玉米和棉花等，其中冬小麦的播种时间为当年 10 月 10 日左右，10 月 17 日出苗，10 月 28 日进入三叶期，次年1 月 1 日越冬期开始，2 月 19 日返青期开始， 3 月20 日拔节期开始，4 月 8 日孕穗期开始，4 月 18 日开始抽穗，5 月 15 日开始乳熟，5 月 31 日成熟。

1.2 研究区数据处理

研究数据采用 2015 年 5 月 5 日的 Sentinel-1A（IW 干涉宽幅）及 2015 年 5 月 6 日的 Landsat-8 数据，此时小麦为抽穗期，生长状况较好。Sentinel-1A 幅宽为 250 km，空间分辨率为 5 m×20 m，极化方式为 VV 极化，对 Sentinel-1A 数据进行辐射定标、条幅拼接、滤波、地形校正、地理编码、重采样等预处理，对 Landsat-8 数据进行辐射、大气校正等预处理。经过预处理的 Landsat-8 与 Sentinel-1A转换相同投影坐标后能很好地匹配，处理后的影像如图 1 所示。研究区域大部分为耕地，5 月份研究区主要种植作物为冬小麦。

为获取冬小麦淹没区域，研究通过分析冬小麦生长变化特征，以 2015 年关键生育期的植被覆盖指数 NDVI 为基础数据，即 5 月 NDVI 达到最大，6 月NDVI 突降这一关键特征，采用阈值分割法提取冬小麦空间分布信息，得到冬小麦空间分布信息，结果如图 2 所示。通过对提取的冬小麦信息进行统计：冬小麦种植面积为 203 km2，其中灌区参考种植面积为 207 km2，提取结果精度较高，可作为灌区冬小麦掩膜。

图 1 Landsat-8 和 Sentinel-1A 预处理结果

图 2 冬小麦空间分布图

2 研究方法

2.1 地表散射特征

水云模型是一个针对农作物覆盖地表情况下，估算地表土壤含水量的半经验模型。将植被假设为具有一定厚度的均匀的消光介质，像“云”一样，浮于土壤表面，简化了植被对微波信号的散射和吸收作用。引入双层衰减因子，认为在植被覆盖地表情况下，雷达的后向散射信号中主要包括两部分，一部分是植被体直接反射回来的雷达信号，另一部分是经过植被体双层衰减的后向散射信号[15]，水云模型表述公式如下：

式中：θ 为雷达入射角，本研究区 θ =40°；σc0(θ) 为植被覆盖地表下总的雷达后向散射系数；σv0 (θ) 为直接植被层的后向散射系数；σs0(θ) 为直接地表后向散射系数；γ2(θ) 为雷达穿透农作物层的双层衰减因子（透过率），其中：

式中：A 和 B 分别为依赖于植被类型及入射电磁波频率的参数；mv是植被含水量，考虑到小麦为低矮植被，根据文献 [16] 的研究成果，采用归一化水体指数 NDWI 计算植被含水量，能有效地反映植被冠层的含水量，计算公式如下：

式中：Rn表示近红外波段反射率；Rs为中短波红外反射率。

利用野外测量获取 20 个点的植被含水量数据，通过 Landsat-8 数据计算 NDWI，拟合实测植被含水量与 NDWI 的关系，经计算植被含水量与 NDWI 关系如下：

通过公式（5）计算植被含水量，代入公式（3）计算双层衰减因子，其中经验常数 A = 0.001 8，B = 0.137，计算结果如图 3 所示，将计算结果代入公式（1）计算得到土壤表层后向散射系数，结果如图 4 所示。通过对水云模型计算地表散射特征与原始散射进行比较发现，计算后的土壤后向散射系数比原始后向散射值有所降低，但整体上变化幅度不是特别显著，但在一定程度上可以去除冬小麦冠层散射的影响。

2.2 土壤墒情反演方法

人工神经网络具有使用方便、良好的泛化能力及非线性问题处理等优点，在土壤墒情反演中应用越来越广泛。径向基函数神经网络作为一种前馈神经网络，能够以任意精度逼近任意连续函数，大大加快学习速度并避免局部极小问题。本研究将采用基于三阶段训练算法的 RBF 神经网络方法[17]， 计算土壤后向散射与墒情之间的非线性关系，建立土壤墒情反演模型。RBF 的网络结构如图 5 所示，包括输入层、隐层、输出层。采用高斯核函数的输出层第 k 个节点关于向量 x 的输出 yk为：

图 3 双层衰减因子图

图 4 地表后向散射系数图

式中：wkj为隐层第 j 个节点到输出层第 k 个节点的连接权重；hj(x) 为高斯核函数；cj为径向基函数的中心向量。

图 5 RBF 神经网络结构示意图

利用 K 均值聚类的思想初始化隐含层节点中心，并选择合适的宽度值，根据梯度下降法优化网络参数，包括隐含层节点中心、隐含节点宽度参数、连接权值和偏差项。将地表后向散射系数与土壤墒情分别作为输入输出数据，利用 Matlab 建立RBF 神经网络模型，模型中学习率设置为 0.5，隐层节点设置为 15 个，宽度值设置为 1，将训练好的模型应用到整个研究区域，并利用提取的冬小麦掩膜对反演的土壤墒情进行裁剪，结果如图 6 所示。从图 6 中可以看出，研究区土壤含水量偏高，是因为2015 年 5 月 1 日有降雨，导致土壤水分整体偏高。

图 6 研究区土壤含水量分布图

3 研究结果与分析

研究收集了冬小麦覆盖区内 24 个监测站的 0～20 cm 土壤墒情数据，随机选择 15 个站点数据，然后利用 RBF 神经网络方法反演研究区土壤墒情，训练结果如图 7 所示。从图中可以看出，利用 RBF 神经网络训练得到的土壤墒情与实测的土壤墒情相关系数的平方达到 0.968 7，训练结果良好。为了更好地检验反演精度，研究利用剩余 9 个实测点作为精度检验点，建立实测与反演的土壤墒情关系图，结果如图 8 所示。通过 RBF 神经网络反演的土壤墒情与实测的土壤墒情相关系数的平方为 0.754 5，均方根误差为 0.022，结果表明，土壤墒情反演土壤含水量与实际含水量较为相近。

通过对反演的土壤墒情进行统计分析，结果如表 1 所示，从表中可以发现研究区大部分土壤墒情范围在 17.24%～22.98% 间，面积为 107.5 km2，占总面积的 53.8%，其中土壤含水量超过 22.98% 的耕地面积为 32.9 km2，占总面积的 16.5%，而灌区土壤田间持水量为 28.00% 左右，说明灌区土壤较为湿润，经调查发现，2015 年 5 月 1 号灌区降雨约为20 mm，土壤墒情普遍偏高。

图 7 训练结果与实测含水量关系

图 8 土壤墒情反演结果检验

表 1 冬小麦土壤墒情结果统计

4 结语

本研究以河南省广利灌区为研究区域，充分利用 Sentinel-1A 及 Landsat-8 数据各自优势，利用水云模型去除冬小麦覆盖对土壤后向散射的影响，通过 RBF 神经网络拟合后向散射系数与实测土壤墒情之间的关系，反演研究区土壤墒情，并对结果进行检验，结果如下：

1）在利用水云模型分离植被层散射和吸收的贡献后，地表后向散射系数有所衰减，但整体上衰减程度变化不大，主要因为研究区域大多为低矮农作物，选择模型时假设植被为覆盖地表的一层球形散射体，没有考虑其大小、朝向的分布特征，因此在去除植被层影像后数据变化幅度也不大。

2）通过 RBF 神经网络建立实测土壤墒情与后向散射系数的关系，将计算的地表后向散射系数作为输入参数，以此反演整个灌区土壤墒情，结果良好。但整体土壤水分偏高，这是由于研究区 2015 年5 月 1 号出现降雨现象，所以 5 月 5 号土壤墒情整体较高，可以通过反演土壤墒情分布图体现出来。

[1] 肖斌，沙晋明. 土壤水分遥感反演方法概述[J]. 遥感信息，2007 (6): 94-98.

[2] 杨涛，宫辉力，李小娟，等. 土壤水分遥感监测研究进展[J]. 生态学报，2010，30 (22): 6264-6277.

[3] JACKSON T, MANSFIELD K, SAAFI M, et al. Measuring soil temperature and moisture using wireless MEMS sensors[J]. Measurement, 2008, 41(4): 381-390.

[4] 孟令奎，李继园，陈子丹，等. [J]. 水利信息化，2010 (2):46-51.

[5]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 (4): 209-214.

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

[7] CHOUDHURY B J, SCHMUGGE T J, MO T. A parameterization of effective soil temperature for microwave emission[J]. Journal of Geophysical Research: Oceans, 1982, 87(C2):1301-1304.

[8] FERRAZZOLI P, GUERRIERO L. Passive microwave remote sensing of forests: A model investigation[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34 (2):433-443.

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

[10] 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.

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

[12] 施建成，李震，李新武. 目标分解技术在植被覆盖条件下土壤水分计算中的应用[J]. 遥感学报，2002，6 (6):412-415.

[13] 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，2003，13 (9):21-24.

[14] 鲍艳松，刘良云，王纪华. 综合利用光学、微波遥感数据反演土壤湿度研究[J]. 北京师范大学学报（自然科学版），2007，43 (3): 228-233.

[15] 余凡，赵英时. ASAR 和 TM 数据协同反演植被覆盖地表土壤水分的新方法[J]. 中国科学：地球科学，2011(4):532-540.

[16] JACKSON T J, CHEN D, COSH M, et al. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment, 2004, 92 (4): 475-482.

[17] SCHWENKER F, KESTLER H A, PALM G. Three learning phases for radial-basis-function networks[J]. Neural Networks,2001,14 (4): 439-458.

Soil moisture content retrieval of winter wheat based on microwave and multispectral remote sensing data

LUO Weiran, ZHANG Chengcai, YAN Chaode, FENG Lingtong

(Collage of Water Conservancy and Environmental Engineering, Zhengzhou University, Zhengzhou 450001, China)

Soil moisture content is an important indicator parameter of hydrology, meteorology and the agricultural science. The research about soilmoisture has extremely significance for the climate, agricultural and drought monitoring.Winter wheat in GuangLi irrigation area of Henan province is taken as the research object. This paper calculates the double layer attenuation factor, vegetation backscattering coefficient and soil backscattering coefficient using Landsat8 and Sentinel1A based on water-cloud model. In order to establish the relationship between soil backscattering coefficient and soil moisture, RBF neural network is used to fi t the relationship between soil backscattering coefficient and soil moisture content. The accuracy of the inversion results is verified by the measured monitoring points. Results show that the square of correlation coefficient is 0.754 5 and the root mean square error is 0.022, and satisfactory results are obtained. This study can provide a reference for the evaluation of soil moisture with the covered winter wheat in the irrigation area.

microwave remote sensing; multispectral remote sensing; soil moisture retrieval; water -cloud model;RBF neural network

TP873；S152.7

A

1674-9405(2017)05-0046-05

10.19364/j.1674-9405.2017.05.009

2017-08-21

河南省基础与前沿技术研究项目（152300410044）；河南省高等学校重点科研项目（16A420005）

罗蔚然（1991-），男，河南周口人，博士研究生，研究方向：遥感技术应用。