王金鑫，姚 静，李聪玲，陈晓丽

（1.郑州大学地球科学与技术学院，郑州450000；2.郑州大学水利科学与工程学院，郑州450000）

0 引 言

土壤墒情在农业生产活动中起着十分重要的作用[1]，控制地表蒸发，影响作物的生长发育，也是旱情监测、农作物估产的重要参数[2]。目前在大区域土壤墒情的遥感监测中，综合多源遥感的方法已成为重要发展趋势，尤以微波遥感和光学遥感的结合应用较多[3,4]。光学遥感方法利用土壤和植被反射光谱信息，通过光谱反射率构建植被指数实现土壤水分的快速估测。被动微波遥感法主要通过建立土壤介电常数与土壤微波辐射的关系，利用介电常数模型获得土壤含水量[5]；主动微波遥感法通过建立微波的后向散射系数与土壤水分的关系获得土壤含水量[6]。土壤粗糙度是制约微波遥感土壤水分精度的最主要因素，如何降低地表粗糙度对土壤水分反演的影响一直是该领域的研究重点[7]。除野外实测外，基于微波遥感机理建立的经验半经验模型是解决该问题的传统方法。如主动微波遥感适用于裸土的Dobson[8]、Oh[9]、Shi[10]等模型，适用于植被覆盖的MIMICS 模型[11]、水云模型[12]、Karam[13]等；被动遥感适用于裸土的Q/H模型[14]、H/P模型[15]、Q/P 模型[16]，适用于植被覆盖的“ω-τ”模型[17]等。上述模型要么参数多、模型复杂，要么需要大量的实测先验信息，参数要求苛刻，适用性受限[18]。为了提高模型的泛化能力，国内外学者将神经网络、遗传算法等智能算法引入微波遥感协调反演领域，并展开研究……