张 淑， 周忠发， 王玲玉， 陈 全， 骆剑承， 赵 馨

(1.贵州师范大学地理与环境科学学院/喀斯特研究院，贵阳 550001； 2.贵州省喀斯特山地生态环境国家重点实验室培育基地，贵阳 550001； 3.国家喀斯特石漠化防治工程技术研究中心，贵阳 550001； 4.中国科学院空天信息创新研究院，北京 100101)

0 引言

土壤水分是气象、水文、农业等科学领域的关键参数[1]。在农业生产中，土壤水分是作物估产和干旱监测的重要指标之一[2]，表层土壤水分虽只占全球陆地表面水量的0.001%，但它捕获了整个水循环过程的20%[3]。中国南方喀斯特山区降雨虽多，但地表破碎，表层漏水严重。烤烟是西南山区重要的经济作物，土壤水分的高低对烤烟的品质和产量有明显的影响，而且土壤水分是烟草生长发育生理需水和生态需水的主要来源[4]。因此，研究西南喀斯特山区耕地地表土壤水分时空分布对该地区的作物生长、干旱监测和水资源分配都具有重要意义。

合成孔径雷达(synthetic aperture Radar, SAR)分辨率高，因其具有全天候、全天时、多极化、穿透力强等观测特点被广泛应用于土壤水分反演研究[5]，微波能够穿透地表，但会受土壤粗糙度、土壤介电常数和地表植被覆盖的影响，尤其是地表植被覆盖会直接影响雷达的后向散射系数[6-7]。微波经过植被层会发生散射和反射现象，不同植被覆盖度对雷达后向散射系数的影响不同，如何去除植被的影响是植被覆盖区雷达反演土壤水分的重点。常用的植被散射模型有理论模型、经验和半经验模型，理论模型如密歇根微波植被散射模型[8]，该模型适用于森林等高植被覆盖区域； 经验和半经验模型包括比值方程模型[9]、Roo模型[10]和水云模型[11]等。其中，水云模型的形式简单，参数获取方便，能够有效地分离植被层和土壤层的后向散射系数，被广泛的应用于估算农作物覆盖地表土壤水分。尽管水云模型在耕地土壤水分反演中优势明显，但是在喀斯特山区同样遇到了问题，导致难以开展相关工作。①水云模型中的重要参数植被含水量(vegetation water content, VWC)的计算需要光学数据参与[11]，喀斯特山区常年多云雨，传统的光学遥感影像难以获取多期与雷达影像过境日期相同的影像，而基于无人机(unmanned aerial vehicle, UAV)影像的可见光植被指数为研究提供了新方式，汪小钦等[12]、丁雷龙等[13]和朱孟等[14]在可见光颜色指数区分植被与非植被方面做了探索，适用性高，为VWC计算提供可靠的依据； ②对于如何建立土壤后向散射系数与土壤水分的函数关系，研究者总结了一系列的回归算法[15-18]，其中支持向量回归(support vector regression, SVR)模型因具备估算精度高、可处理非线性问题、泛化能力强等优点被应用于土壤水分反演[18]，杨贵军等[19]和郭交等[20]使用水云模型和SVR模型反演耕地土壤含水量，取得了较高的精度； ③目前中等空间分辨率雷达数据反演土壤水分的研究多是基于像素，混合像元严重，耕地边界不清晰，降低了反演精度，而喀斯特山区耕地破碎，边界模糊，坡耕地、石漠化耕地分布较广，像素尺度会扩大反演的不确定性，不能为耕地地块提供灌溉等参考，难以精准探究作物生长的特征信息，同时以往的土壤水分反演研究多讨论反演精度问题，对反演后土壤水分对作物的影响关系的研究不多[15-20]，目前，喀斯特地区基于地块尺度的耕地信息获取已在种植结构[21]、石漠化耕地[22]和耕地撂荒[23]等方面取得了较理想的研究结果，为喀斯特山区耕地土壤水分反演提供参考，而地块级耕地土壤水分反演是否能规避上述问题且适用于喀斯特山区，土壤水分对耕地上覆作物的影响如何将是研究的重点。

为此，研究以地块为研究单元，拟采用多期Sentinel-1 SAR数据和UAV数据，使用水云模型和SVR模型，根据喀斯特山区的气象特点，引入可见光植被指数代替传统的遥感植被指数，反演喀斯特山区耕地表层土壤水分，并分析土壤水分的时空分布特征和土壤水分对作物生长的影响，以期为多云雨山区田间土壤水分监测提供可行方法和思路，为田间灌溉提供可靠支撑。

1 研究区概况及数据源

1.1 研究区概况

研究区位于贵州省黔西南布依族苗族自治州贞丰县(E105°25′～105°56′，N25°07′～25°44′)。贞丰县属于亚热带季风湿润气候，气候温和，年平均气温为16.6 ℃。年平均降雨量为1 200 mm，降雨集中在夏季，雨量充沛，因此夏季多云雾。贞丰县耕地地块破碎，烟田离散分布，烤烟作为贞丰县的重要经济作物其种植范围涉及8个乡镇，种植面积约为3.2万亩[注]1亩≈666.67 m2。研究区及样本所在位置如图1所示，图1(b)和图1(c)分别为E1和E2试验区，均位于长田镇卢家高山附近，试验区烟草种植分布集中； 图1(d)为E3试验区，位于北盘江镇青杠林村。

图1 研究区及样本的位置

1.2 数据获取与预处理

研究所用数据包括Sentinel-1A SAR影像、Google Earth影像、UAV遥感影像和地面实测数据，详细信息见表1。

表1 土壤水分反演数据来源Tab.1 Dataset list of soil moisture content inversion

1.2.1 遥感数据获取与预处理

表2 Sentinel-1数据获取情况Tab.2 Sentinel-1 data acquisition situation

UAV影像由大疆Mavic 2 Pro获取，影像拼接软件使用Pix4Dmapper，UAV影像主要被用来计算地块尺度的VWC。研究采用Google Earth 18级影像数据，针对喀斯特山区的耕地特点，建立基于深度学习的边缘模型和语义分割算法提取研究区的耕地地块[24]，使用UAV影像进行目视人工解译以保证耕地数据的精度。

1.2.2 地面数据获取

卫星过境时同步采集烟草地面数据(T1—T4)，采集时间为： 2020年5月28—29日(还苗期)、2020年6月22—23日(伸根期)、2020年7月29—30日(旺长期)、2020年8月30日—9月1日(成熟期)，实测样本的土壤水分作为遥感反演结果的校正、测试和训练数据。使用TDR 300便携式土壤水分速测仪进行土壤含水量测量，探针长度为7.6 cm，实测土壤水分为土壤体积含水量，单位为%，每期采集225个样点数据，分布在45个样地内，每块样地用全球定位系统(global positioning system,GPS)记录采样点的中心位置，本次实验共采集4次数据，均在同一样地内，避免其他因素的干扰。3个试验区的土壤类型均为黄壤，以实测值反演土壤水分，其反演值与实测值深度一致。根据实地采样数据，以样本均值为例。烟草生长期的具体数据如表3所示，随着烟草的不断生长，其株高、叶展和叶片数呈上升趋势，随着烟草的成熟和采摘，其株高、叶展、叶片数和叶面积指数(leaf area index, LAI)也随之下降。

表3 烟草不同生长期基础数据Tab.3 Basic data on different growth periods of tobacco

2 研究方法

本研究利用2020年5—9月烟草生长期的多期SAR影像反演耕地土壤水分布状况。研究主要由4个部分构成： 首先，获得预处理后Sentinel-1影像的后向散射系数，喀斯特山区耕地面积相对较小，将Sentinel-1影像后向散射系数赋值到地块时可能存在混合像元问题，针对上述问题将过小的地块进行合并后再将后向散射系数的平均值赋值到耕地地块； 其次，根据UAV影像计算烟草4个生长期的VWC，并将VWC赋值到地块，UAV数据空间分辨率较高，将VWC的平均值赋值到耕地地块中避免出现Sentinel-1和UAV的尺度问题； 通过VWC和后向散射系数构建水云模型，得到烟草4个生长期的裸土后向散射系数； 最后，建立SVR数据库，得到烟草地块的土壤水分时空分布特征。具体技术路线如图2所示。

图2 技术路线图Fig.2 Technology roadmap

2.1 基于UAV的植被指数计算

通过对比实验发现可见光波段差异植被指数(visible-band difference vegetation index, VDVI)区分植被与非植被的效果较好，在反演土壤水分的过程中VWC是计算土壤含水量的重要参数，VDVI与VWC的关系可以来表征VWC的值。根据文献[12]，VDVI对健康植被的提取精度达到91.50%，适用于健康植被的信息提取。VDVI的计算公式为：

(1)

式中R,G，B分别为红光、绿光、蓝光3个波段的DN值。VDVI的取值范围为[-1,1]。

2.2 土壤水分反演方法

2.2.1 水云模型

Attema等[11]针对耕地提出了估算农作物地表土壤水分的水云模型，水云模型假定植被层是一个均匀的散射体，忽略植被和地表之间的多次散射，即农作物的反射分为体散射和衰减后的表面散射[8]。水云模型公式为：

(2)

(3)

τ2=exp[-2Bmvegsec(θ)]，

(4)

mveg=C·VDVI2-D·VDVI，

(5)

式中C和D分别为经验参数。

烟草5月份的植株较小，耕地表面裸露，根据地面获取的裸土参数对水云模型的参数A,B,C,D采用最小二乘法进行校正，得出A,B,C,D分别为0.086，0.634，-0.005，0.088，决定系数R2=0.92，均方根误差(root mean square error，RMSE)为0.018%，校正效果较好。

2.2.2 SVR

支持向量机分类被推广到回归问题时称为SVR。SVR的本质为找到一个回归平面，让集合中的所有数值离该平面的距离最近[18-19]。其预测函数和径向基核函数公式分别为：

(6)

(7)

3 结果与分析

3.1 土壤含水量反演精度与误差分析

3.1.1 水云模型反演结果精度分析

根据SVR模型分别反演出不同极化方式的测试集的土壤含水量(图3)。图3(a)中，VH极化测试集的烟草在不同生长期的R2分别为0.909，0.656，0.973和0.356。VH极化的土壤含水量反演的整体精度决定系数R2=0.724，RMSE=0.556%； 图3(b)中，VV极化测试集的烟草在不同生长期的R2分别为0.870，0.999，0.948和0.555。VV极化的土壤含水量反演的整体精度R2=0.843，RMSE=0.983%，VV极化的整体土壤含水量反演精度要高于VH极化的整体土壤含水量反演精度。研究表明，同极化方式有更丰富的土壤散射信息，能够表达更多的地表信息，而交叉极化方式则对植被信息更敏感，包含更多植被信息[27]。上述结果表明基于可见光的植被指数能够被应用于水云模型中参与土壤含水量反演模型的构建且反演精度较为稳定。

3.1.2 土壤含水量反演误差分析

确定VV极化为土壤水分反演最佳方式，分别对烟草4个生长期的土壤水分进行反演。为了较为准确地分析土壤含水量的误差来源，研究将烟草4个生长期的实测土壤含水量与其反演值作对比(图4)。T1时刻的反演值精度较低，烟草在还苗期整体较为干旱，最大反演误差值为1.438%； T2时刻的反演精度最好，最大反演误差值为2.064%，但其整体反演误差要小于其他3个时刻； T3时刻的反演误差整体平稳； T4时刻的反演误差整体较大，最大反演误差为3.711%。结合地面实测数据对烟草不同生长期的反演误差分析，T1时刻属于移栽后根系逐渐恢复生机期，叶片较小，大部分为土壤裸露地面，土壤保水性较差，土壤含水量较低，结合实测值位置发现反演误差较大样本点靠近采石场或者有岩石裸露区域； T4时刻烟草成熟，观测样地的烟草地块杂草影响了土壤水分反演的精度，为反演误差的主要因素。

图4 烟草4个生长期共180个实测样本的土壤含水量实测值、反演值与误差值分布

烟草4个生长期的土壤含水量详细统计结果见图5，反演值和实测值的均值差值小，但反演的土壤水分含量结果要相对集中，出现上述现象的原因可能是样本采样时烟草的垄上土壤含水量与垄下的土壤水分含量差距较大，实测样本为烟草垄上与垄下的土壤含水量均值，垄上土壤含水量要明显低于垄下土壤含水量，因此实测样本均值要略微低于反演样本值； 烟草4个生长期反演范围与实测范围的总体差异较小，说明反演精度较好，但土壤含水量实测值范围大于反演范围，可能是样本选取了烟草地块的中心位置，选取的样方也较大，中心位置的土壤含水量要略高于烟草地块的边缘，而反演结果均衡了整个烟草地块； T3时刻反演值整体偏集中，该时刻气候干旱，降雨量少且无有效灌溉，使得整体土壤水分呈现较低的水平。

图5 研究区烟草样本反演值与实测值的土壤含水量统计Fig.5 Statistic on result of soil moisture in study area

3.1.3 降雨量对土壤含水量影响分析

烟草在T1和T3时刻的土壤含水量较低，同时将该地区5—9月的日降雨量与反演的平均土壤含水量对比分析(图6)发现，土壤含水量的高低趋势与该地区的降雨趋势高度一致； 在T1与T3时刻，该地区的降雨量较低或几乎无降雨发生，而T2与T4时刻，该地区降雨量较高，伸根期(T2)该地区前一周降雨量均值为108 mm，成熟期(T3)该地区前一周的降雨量均值为62 mm，这2个时刻烟草的土壤含水量与降雨量趋势保持一致； 以上结果表明烟草土壤水分布与降雨量关系密切，且表现出明显的正相关关系。

图6 烟草不同生长期土壤含水量反演结果与降雨量统计Fig.6 Statistics of soil moisture fordifferent growth stages of tabacco

3.2 烟草不同生长期土壤含水量时空分析

根据实地调查和已有的经验，T1时刻烟草移栽到大田，根系逐渐恢复生机，仍然处于低植被覆盖度阶段，根据反演得到烟草4个生长期的土壤水分时空分布特征(图7)T1时刻所示，该时刻土壤含水量整体偏低且空间分布均匀，差异性较小，3个试验区的土壤含水量均值为11.491%，土壤较为干燥，为了使烟草恢复活力并使其生长，通常需要在此期间进行水肥灌溉； 6月23日土壤含水量保持较高水平，试验区均处于降雨中，土壤较为潮湿，与T1时刻相比呈明显的上升趋势，这与我们的先验知识相一致，贵州烟草在6月处于伸根期，属于中低植被覆盖度阶段，当烟草生长旺盛时，耗水量急剧增加，为了确保植物对水的需求，应上下兼顾，土壤水分过多时及时排水，过少时进行灌溉，保证根系生长； 7月28日整体土壤含水量最低，平均值为10.126%，此时的烟草处于缺水阶段，旺长期的烟草叶面积迅速增加，对水肥的需求增加，保证烟草的产量和质量非常关键，由于该时刻天气晴朗并无降雨，应对烟草适当灌溉和追肥； 9月初土壤含水量略低于6月底，成熟期烟草需水量减少，根据实地采样发现，成熟期烟田分布的大量杂草也能提高土壤保水性。

图7 试验区烟草不同生长期土壤含水量

根据获得的气象资料，研究区的降水主要集中在6月、8月和9月。从图7可以看出，由于6月份降水迅速增加，研究区6月的土壤含水量最高，与实际情况相吻合，进一步证明了水云模型的有效性且VDVI可以用于VWC的计算，由此得出结论，本研究所用模型适用于整个烟草生长周期。目前，本研究所用模型在杂草覆盖的耕地存在局限性，同时，石漠化耕地也出现了精度降低的情况。

3.3 烟草生长过程与土壤含水量的关系分析

3.3.1 烟草生长过程与土壤含水量相关性分析

为探讨土壤水分在烟草生长过程的响应特性，利用SPSS软件，计算土壤水分、株高、叶展、叶片数和LAI值的Pearson相关系数，结果如表4所示。T2时刻，株高与土壤水分呈显著正向相关，到T4时刻，

表4 烟草不同生长期土壤水分与株高、叶展、叶片数及LAI的相关关系Tab.4 Correlation coefficients between soil moistureand plant height, leaf length, leaves, LAI duringdifferent growth periods of tobacco

①**为0.01水平(双侧)上显著相关；*为0.05水平(双侧)上显著相关。

土壤水分与株高同样呈现正相关关系，说明土壤水分会影响烟草植株的高度； 烟草的叶展在低土壤水分时呈负相关，高土壤水分时呈正相关，叶片逐渐增大； 烟草叶片数与土壤水分在成熟期呈显著的负相关关系，该时刻大部分烟草已经收割，人为因素的影响较大； T4时刻LAI与土壤水分呈显著负相关，喀斯特山区成熟期烟草生长较多杂草土壤保水性增加，但烟草多已收割，故会出现土壤水分越高，叶面积越小的现象。

3.3.2 烟草生长过程与土壤含水量的变化分析

为探究不同生长期土壤水分的高低是否会影响烟草的生长，将烟草4个生长期的土壤水分与烟草的株高、叶展、叶片数和LAI进行对比分析，结果如图8所示。烟草还苗期株高、叶展、叶片数和LAI整体较均匀，无明显差异，说明土壤水分在烟草生长的早期作用不太明显； 到T2时刻，烟草呈生长显著的趋势，此时的土壤水分充足，烟草的各项生长指标表现良好； 说明适宜的土壤水分和养分积累，对烟草的生长起促进作用； T3时刻，土壤水分低，烟草各项生长指标出现小幅度增长，LAI和叶片数出现下降趋势，与烟草打顶关系密切，烟草打顶抑制了顶端生长，能够促进根系发育，调控烟株的长势、长相，使烟叶产量、质量同步提高，但该时刻土壤水分略低应注意水肥养护； T4时刻烟草基本采摘完毕，除烟草株高外，LAI、叶展和叶片数呈明显下降趋势。

图8 烟草不同生长期株高、叶展、叶片数、LAI与土壤含水量的变化过程

4 结论与讨论

研究基于Sentinel-1 SAR和UAV数据作为土壤水分反演的数据源，通过UAV影像计算VWC，然后通过水云模型去除VWC的影响，利用SVR模型回归得到土壤水分，探讨烟草不同生长期的土壤含水量时空分布特征以及土壤含水量对烟草生长状况的影响，主要得出以下结论：

1)基于水云模型和SVR模型，并结合主动微波和可见光遥感数据，可以应用于喀斯特山区小区域土壤水分反演，多源数据能够同时估算VWC和土壤水分，避免病态反演问题。研究使用VDVI计算VWC取得了较理想的反演结果，同极化方式的土壤水分反演结果R2=0.843，RMSE=0.983%，反演精度较高，与地面实测值相差较小。

2)研究区耕地土壤水分时空变化受地表降雨因素影响较明显，这与相关的研究结果高度一致[28]。贞丰县T1和T3这2个时刻烟草各个试验区的土壤含水量较低； 3个试验区的土壤含水量空间差距较小，E2试验区的整体土壤含水量较低，与该地区的耕地石漠化关系密切； T2和T4的土壤含水量较高，E1试验区整体土壤含水量较高，与该地区的降雨等小气候相关性较大； 时间上，土壤含水量的高低分布与降雨量呈正向相关，在卫星过境的前一周如果有明显降雨，土壤含水量会随之升高。

3)烟草株高在T2和T4与土壤水分正向相关，叶展在T2与土壤水分正向相关，而叶片数和LAI在T4与土壤水分负相关，而T4时刻烟草受采摘和杂草影响较大，烟草采摘后，烟田出现短暂的撂荒期，土壤保水能力增强，故呈现负相关关系。实际上，土壤水分促进了烟草的生长，T1—T3土壤水分在株高、叶展、叶片数和LAI表现出不同程度的影响，不同生长期的影响效果也各不相同。

本研究在进行土壤水分回归反演过程中考虑不同生长期烟草的生长状况，采用分步回归的方法，在一定程度上提高了反演精度，实际观测发现烟草为垄耕作物，烟草生长初期土壤水分受土壤粗糙度的影响较大，但本研究未考虑土壤粗糙度的影响； 本研究引入可见光植被指数计算植被含水量，为土壤水分反演提供了一个新的方式，但本研究只选择了其中VDVI反演植被含水量未详细比较各可见光植被指数的优缺点，另外，可见光植被指数虽能区分植被与非植被，但是不及NDVI表达植被的能力； 水云模型属于半经验模型，其经验参数有较明显的区域性，本研究对水云模型进行了校正使得其适用于本研究区，而校正后的水云模型的普适性未进行验证； 在后续的研究中将针对上述问题加强试验。研究主要经济作物为烟草，后续研究中将探讨喀斯特山区其他地块级耕地类型的适用性。