衛星遙感數據反演土壤濕度方法研究

何善寶　龐晶晶　程星　謝珩　李帥帥　蔡敏

摘要：土壤水分是全球水循環中不可或缺的部分，探測土壤濕度對于生態規劃、水文模型構建、農業生產、干旱監測等具有重要意義。傳統土壤濕度監測方法主要包括重量法、電阻法、時域反射計法等，存在監測區域小人力成本高等缺點，而衛星遙感能大范圍探測土壤濕度變化趨勢且時空分辨率高，是目前土壤濕度監測的主要方法。本文首先歸納了衛星遙感監測土壤濕度的方法類別，對衛星遙感中光學遙感和微波遙感兩大類土壤濕度反演技術進行了總結分析；其次分別概述了兩類遙感技術的基本原理，并對其反演方法進行了全面總結，包括對優缺點、適用區域、反演精度的分析；最后討論了每類方法在土壤濕度反演發展中面臨的挑戰，并對土壤濕度反演的未來方向進行了展望。

關鍵詞：土壤濕度探測；反演方法；衛星遙感

中圖分類號：TP79文獻標志碼：A文章編號：1001-2443（2024）01-0001-10

引言

土壤濕度在天氣和氣候、徑流潛力和洪水控制、土壤侵蝕和邊坡破壞、水庫管理、巖土工程和水質方面發揮著關鍵作用，能夠跟蹤土壤濕度的變化及其存在狀態，可以更好地應對干旱和洪水等自然災害，更有效地管理農業生產，因此及時準確地獲取土壤濕度數據對研究全球氣候問題，建立水文模型和干旱監測具有重要意義。早先土壤濕度的測量方法包括重量法、電阻法、負壓計法、時域反射計法等［1］，這些傳統的測量方法有許多缺點，如測量范圍較小，只能反映被測區域的局部情況，耗費人力、物力和時間等，而GNSS-R技術可實現大范圍地表土壤濕度監測，是一種分辨率更高、更靈活、更高效的探測方法［1］。目前土壤濕度監測主要是通過遙感方法，根據電磁波頻段和傳感器類型的不同，分為光學遙感和微波遙感。衛星遙感反演土壤濕度的方法分類圖如圖1所示，土壤濕度遙感監測對比如表1所示。

光學遙感包括可見光-近紅外和熱紅外遙感，光學遙感的波長較短，穿透信號能力較弱，易受天氣、遮擋等的影響，且由于光學遙感需要的是視覺信息，無法在夜間獲取地表信息。因此僅僅適合晴朗無云的天氣條件下利用光學遙感進行土壤濕度反演?？梢姽?近紅外遙感和熱紅外遙感是光學遙感中兩個重要的波段范圍，它們在土壤濕度觀測和應用中具有不同的特點和用途?？梢姽?近紅外遙感是利用可見光和近紅外波段的反射光譜特征來推斷土壤濕度。土壤濕度對可見光和近紅外光的反射特性有較強的影響［2］。較高濕度的土壤會導致水分的吸收增加，從而在可見光-近紅外波段引起反射率的降低。因此，通過獲取土壤表面的光譜數據，特別是近紅外波段的反射率，可以間接估計土壤濕度的變化情況。近紅外光譜指數（如Normalized Difference Vegetation Index、Vegetation Supply Water Index等）常被用來反映土壤濕度狀態或與土壤濕度進行相關性分析。熱紅外遙感則是利用地表或土壤表面的熱輻射特性來估算土壤濕度。土壤濕度對熱傳導和熱容的影響較大。濕度較高的土壤具有較高的熱導率和熱容量，導致較高的地表或土壤表面溫度。通過使用熱紅外像儀或熱紅外傳感器來測量地表溫度，可以間接反推土壤濕度的變化情況。熱紅外遙感技術廣泛應用于土壤濕度監測、灌溉管理和水資源評估等領域。

可見光-近紅外遙感波段涵蓋了0.4到1.1[μm]的范圍，包括人眼可見的光譜和近紅外光譜。這個波段區域在地物識別和植被監測中具有重要作用。在地物識別方面，可見光波段提供了人眼可見的圖像，在地物識別和目標分類中非常常用。通過可見光圖像，可以區分不同類型的植被覆蓋、建筑物、水體等地物特征。在植被監測方面，植被對可見光和近紅外光具有不同的反射特性，這種反射特性可以用來評估植被的健康狀況、生長狀態和植被覆蓋度。常用的光學指數如歸一化差異植被指數（NDVI）使用可見光和近紅外光的比值來衡量植被的狀況。熱紅外遙感的波段范圍通常在8到15[μm]之間，屬于長波紅外輻射。它主要反映了地物和地表的熱輻射特性，具有一些獨特的應用優勢，熱紅外遙感可以用于分析地表特征、水文輻射計算、火災監測等。綜上，可見光-近紅外遙感和熱紅外遙感在地球觀測中發揮著重要的作用，提供了豐富的地表信息和熱輻射特征，對于地理信息提取、環境監測和資源管理等領域具有廣泛的應用價值。

微波遙感包括主動微波遙感和被動微波遙感以及主被動結合遙感。微波遙感相比于光學遙感波長更長，具有較強的穿透能力，因此不容易受到云層和大氣的影響，在對地觀測研究中，微波遙感起著重要的作用［3］。近年來，許多對地觀測衛星都配備了微波傳感器，如TMI、SSM/I、ASCAT、SMMR、AMSR-E、AMSE2、SMOS、SMAP等［3］。目前，主動微波遙感、被動微波遙感和主被動微波遙感是微波遙感反演土壤濕度的主要方法。主動微波遙感具有一些優勢，例如可以在任何天氣條件下進行監測，對植被的干擾相對較小，能夠提供具有一定深度分辨能力的土壤濕度信息等。被動微波遙感相比于可見光-近紅外遙感，微波輻射具有較強的穿透能力，不受云層和大氣遮擋的影響，能夠獲取地表以下的土壤信息。此外，微波信號對植被的影響較小，可以在植被覆蓋的地區進行土壤濕度的監測。在實際應用中，常用主被動微波遙感來反演土壤濕度以提高土壤濕度反演的準確性和可靠性。主被動遙感結合的技術結合了主動和被動遙感的特點，通過接收衛星信號的反射回波來獲取地表特征和環境參數。主被動遙感結合的技術具有一些優勢，比如：利用GNSS系統的全球覆蓋和高精度定位能力，具備全天候遙感觀測的能力；通過反射信號可以獲得地表和水體的多種參數信息；相對于其他遙感技術，主被動結合遙感技術的成本相對較低等。主被動遙感結合的技術在土壤濕度監測、海洋表面粗糙度估計、冰雪覆蓋監測等應用領域具有潛力，并在科學研究和環境監測中得到廣泛應用。

1 光學遙感反演土壤濕度

光學遙感廣泛應用于地質勘探、農業、森林監測、環境評估、城市規劃、災害監測和氣候研究等領域。通過分析光學遙感數據，可以提取地物的空間分布、土地利用與覆蓋、植被指數、土壤濕度、地表溫度等信息。這些信息對于環境管理、資源利用和可持續發展具有重要意義。

1.1 光學遙感原理

光學遙感是利用可見光和近紅外波段以及熱紅外波段的電磁輻射來獲取地表信息的一種遙感方法?？梢姽?近紅外遙感的主要原理是接收地表對太陽短波輻射的反射信息［3］，基于土壤的光譜反射特征，在可見光-近紅外波段的光譜范圍內，土壤中的水分含量會影響光的吸收和反射，不同的土壤濕度含量會直接導致不同的光譜反射特性?？梢姽?近紅外遙感反演方法就是利用土壤及土壤上所覆蓋植被的光譜反射特性來估算土壤濕度［4］。不同的土壤和植被的生化特性、物理特性會引起不同的反射率變化。利用可見光-近紅外波段的光譜數據，可以通過特定的指數或算法模型來反演土壤濕度，常用的方法包括植被指數法和反射率模型法。植被指數法是指歸一化植被指數（NDVI）和植被供水指數（VSWI）等，利用植被的光譜反射特征來間接估算土壤濕度。反射率模型法則是通過建立土壤光譜反射率與實測土壤濕度之間的統計關系，進行反演。紅外遙感在土壤濕度監測中的應用主要基于兩種原理：熱紅外輻射和植被光譜反射特征。熱紅外輻射原理是土壤中的水分會影響土壤的表面溫度，當土壤濕度含量較高時，水分會散發熱量，導致土壤表面溫度降低，而土壤濕度含量較低時，土壤表面溫度則較高，這是因為水具有較高的比熱容，土壤中的水分含量越高，土壤溫度變化的能力就越大［5］。利用紅外遙感技術可以測量土壤表面的熱紅外輻射，通過分析熱紅外輻射的變化，可以推斷出土壤的水分含量。植被光譜反射特征原理是土壤中的水分含量對植被的光譜反射特征有影響。當土壤濕度含量較高時，土壤中的水分會與植被光譜中的某些波長范圍的能量進行吸收。這樣，在這些波長范圍內，植被的光譜反射特征會發生變化。通過利用紅外遙感儀器測量植被光譜數據，并對比分析不同土壤濕度含量下的植被光譜反射特征，可以間接推測土壤濕度。在紅外遙感土壤濕度監測中，熱紅外輻射和植被光譜反射特征常常結合使用，以提高監測的準確性和可靠性，但是具體的紅外遙感土壤濕度監測方法和模型會受到區域環境、土壤類型和遙感數據的影響。

1.2 光學遙感反演土壤濕度模型

光學遙感通常利用物理模型進行土壤濕度反演，常用的模型算法包括反射率法、植被指數法和熱慣量法三種，因為反射率與土壤水分之間的關系比較弱，所以它的應用也比較少，當前，在土壤水分光學反演中，使用最多的仍然是熱慣量法和植被指數法［6］。各反演模型對比如表2所示。

土壤的反射率是指土壤表面對入射光的反射程度。在土壤表面干燥的情況下，土壤顆粒的間隙增大，土壤中的水分被蒸發，從而土壤反射系數增大，而土壤表面濕潤的情況下，土壤顆粒間距變小、含水量變大，反射系數變小，因此，土壤的反射率變化能夠反應出地表的干濕情況。在1965年之前，Bowers等人在實驗室中做實驗，實驗結果表明，裸露土地土壤濕度的增加，會導致土壤反射系數的下降，這為后來的人們使用遙感手段對土壤濕度進行遙感監測研究奠定了基礎［7］。但是其所建立的經驗模型只能對一些特定的土壤起作用，不能用于大范圍、大面積的反演，因此，研究者們試圖將土壤質地［8］、植被效應［9］等土壤參數引入到反演中，以提高反演的精度和普適性。進入21世紀以來，人們開始關注如何通過多個波段的聯合，建立具有更強相關性的反射率指標，從而減弱其它環境因素對反演精度的不利影響［10］。因此，越來越多的學者開始通過構建土壤濕度和反射率指標的線性或非線性經驗公式，來實現土壤濕度反演［11-12］，但其空間普適性仍不夠理想。繼而，一些研究者提出了高斯半經驗模型［13］、KM雙通量輻射傳輸模型［14］、多層輻射傳輸模型［15］等的半經驗和機理反演模型。盡管這些反演模型的計算比較繁瑣，而且很少用于土壤濕度反演，但是它們可以很好地模擬出土壤濕度和反射率之間的非線性關系，從而避開了經驗模型中繁瑣的定標過程，是未來利用反射率法進行土壤濕度反演的發展趨勢［10］。

植被指數法是指歸一化植被指數（NDVI）和植被供水指數（VSWI）等，利用植被的光譜反射特征來間接估算土壤濕度含量。前期研究表明，土壤濕度通過影響植物的蒸騰過程，從而影響到葉片與空氣的溫差，經實際測量數據資料證實，該效應呈線性關系［16-17］。因此，為了描述作物區的土壤濕度狀態，相繼提出了作物水分脅迫指數［18］和植被供水指數［19］。另外，也有使用表征植被狀態的指數來替代溫度指數，來構建類似指標，比如距平植被指數［20］和植被條件指數［21］等。在后續的研究中，溫度植被指數［22］（NDVI/LST），目前最常用的土壤濕度反演指數——溫度植被干旱指數［23］（TDVI）等相繼被提出。表3列出了幾種常用的土壤濕度指數，它們在干旱評估和土壤濕度估計中，得到了廣泛的應用。通常利用經驗擬合將這些指數轉換為土壤濕度［24-25］。這些指數是根據土壤濕度與植物蒸騰、溫度差等因素之間的關系提出的，通過遙感數據和統計分析，可以用來評估土壤濕度狀況和干旱程度。使用這些指數可以幫助農業、環境等領域進行土壤濕度監測和預測。然而，在當前的研究中，指數和土壤濕度之間轉換機理的研究非常有限。因此，指數和土壤濕度之間的轉換理論基礎相對較弱，而這一點也是當前研究的一個重要挑戰。同時，在不同的土壤類型下，轉換理論基礎也不盡相同，這也是后續研究需要探討的一個重要問題。

熱慣量法是熱紅外法最常用的一種模型算法。熱慣量法是一種常用的土壤濕度反演方法，該方法利用土壤表面的溫度和熱慣量參數來推斷土壤的水分含量熱慣量的物理計算公式可以表示為

TI=√kρc （1）

式中，[TI]表示土壤熱慣量，[k]表示土壤熱導率，單位為[W/（m?K）]，[ρ]表示土壤密度，單位為[kg/m3]，[c]表示土壤的比熱容，單位為[J/（kg?K）]。

實際上，通過遙感手段直接獲取式（1）中的參數是很困難的，因此，許多研究采用了一種簡化的方法，即通過測量地表的溫度日夜變化來估計地表的熱慣量。通過分析地表溫度的日夜變化，可以估計地表的熱慣量，從而推斷土壤的水分含量。這種方法在一定程度上簡化了數據獲取的復雜性，提供了一種可行的手段來估計土壤濕度。在20世紀70年代Watson等人求解出一維熱傳導方程，并確定了地表溫度和地表熱慣量之間的轉換關系［26-27］。隨后，Price提出了一種利用遙感數據計算地表熱慣量的一般方法［28］ 。然而，這種熱慣量計算方法需要的輔助參數如地表風速、地表粗糙度和空氣濕度等比較多。為了降低對輔助數據的依賴并提高模型的可行性，Xue等人在前人的基礎上提出了一種只需獲取一天內最高氣溫時間和衛星觀測的晝夜溫差的熱慣量模型［29］。但是，該方法對地表風速、地表粗糙度、大氣含水率等輔助參數的要求較高。為減少對輔助數據的依賴，提高模式的適用性， Xue等人提出了一個僅需要得到日最高溫度時刻和晝夜溫度差的熱慣性模型［29］。后來，Sobrino等人提出了一種利用一天中4次衛星過境觀測數據反演日最高溫度的時刻［30］，但是，這種方法需要較高的運行頻次，很難推廣使用。

盡管熱慣量法的物理意義明確且其反演小范圍裸土地區的土壤濕度精度較高，然而，該方法也存在著一定的缺陷，例如，受到土壤類型、植被覆蓋等外部因素的影響，熱慣量法難以實現大范圍的土壤濕度的精確反演，以及無法實現高精度的植被密集覆蓋區域土壤濕度反演等。

2 微波遙感反演土壤濕度

微波遙感反演土壤水分的理論是基于微波遙感土壤的土壤的介電特性與其含水量有著密切的聯系，而在遙感影像上，土壤的介電常數發生變化時，其灰度值和亮度溫度也會發生變化［31-32］。微波遙感按照工作原理分類可分為主動微波遙感、被動微波遙感和主被動微波遙感三類。微波遙感較光學遙感波長更長，穿透力更強，不受大氣云層等的影響。

2.1 微波遙感原理

主動微波遙感是一種利用主動發射的微波信號，通過測量地面上的反射、散射和回波特性來進行土壤濕度反演的遙感技術。與被動微波遙感不同，主動微波遙感是通過發送特定頻率和極化的微波信號并接收回波來獲取土壤濕度信息的。主動微波遙感的傳感器以雷達為主，在實際應用中，合成孔徑雷達（SAR）在獲取較高分辨率數據方面發揮了重要作用［33］。主動微波遙感技術可以通過計算地表后向散射系數和土壤介電常數之間的關系來實現，從而實現精確監測土壤濕度［34］。當衛星信號經由地表發生反射或散射后，其信號的極化特征會發生明顯的改變［35］，散射信號與入射信號之間的關系可以用菲涅爾反射系數來表述，垂直極化、水平極化、左旋極化、右旋極化的菲涅爾反射系數分別表示為

在衛星通信系統中，衛星發射的信號往往采用右旋圓極化，而為了有效地接收這些信號，地面接收站一般使用左旋圓極化天線。

接收機接收到的地表反射信號由相干分量占主導，對應的相干反射功率可表示為［36］

式中，[λ]是電磁波的波長，[Rts]和[Rsr]分別是衛星發射機和接收機到鏡面反射點的距離，[Pt]是衛星的發射功率，[Gt]是發射天線的增益，[Gr]是接收天線的增益， [θ]是信號入射角， [Γ（θ）]表示當入射角為[θ]時鏡面反射點處的土壤反射率。

[Γ（θ）]和菲涅爾反射系數、地表粗糙度、植被覆蓋有關，可以表示為

式中，[?LR]表示菲涅爾反射系數；[τ]為地表均方根高度；[σ]為植被光學厚度，[k]表示角波數，[k=2π/λ]。理想情況下，由（7）式可求出菲涅爾反射系數，并由（4）式可求出介電常數，根據介電常數模型最終可求出土壤濕度。

被動微波遙感是利用地面上發射的微波信號來進行遙感探測的技術。這種方法利用地面上發射的微波信號，通過測量和分析地表反射、散射及輻射特性來進行土壤濕度反演。

被動微波遙感反演土壤濕度的原理是基于土壤對微波輻射的散射和吸收特性，通過分析土壤對微波輻射的散射和吸收過程，利用微波輻射與土壤濕度之間的關系，建立反演模型，進而可以推斷出土壤濕度的估計值。GNSS-R技術就是被動微波遙感的一個代表，圖2為GNSS-R遙感系統的工作結構圖。GNSS-R利用星載、空基、岸基等平臺上搭載的接收機接收直射信號和反射信號來進行遙感和反演［37］。主被動微波遙感是一種綜合利用主動和被動微波遙感進行對地觀測的遙感技術，該技術結合了主動和被動微波遙感的優勢，可以更準確地推斷土壤濕度，并提高土壤濕度反演的精度和可靠性。主被動微波遙感反演土壤濕度的原理是通過綜合利用主動和被動微波遙感數據，建立反演模型，進而估算出土壤濕度值。這種方法能夠提供更豐富和全面的土壤濕度信息，而且在農業、水資源管理和環境監測等領域具有重要的應用價值。

主動微波遙感衛星主要有加拿大國家航天局（CSA）推出的RADARSAT系列衛星，如RADARSAT-1、RADARSAT-2和RADARSAT Constellation、德國航天中心（DLR）和歐洲空間局（ESA）合作開發的TerraSAR-X衛星、意大利航天局（ASI）和意大利防務公司合作的COSMO-SkyMed衛星系列及歐洲空間局（ESA）推出的Sentinel-1等，它們都采用了主動微波雷達技術來獲取高分辨率的地球觀測信息，其中Sentinel-1常用于地表覆蓋物的監測。被動微波遙感衛星主要有美國地質調查局（USGS）和NASA合作開發的Landsat系列衛星，如Landsat 8、NASA的Terra和Aqua衛星攜帶的MODIS傳感器、歐洲空間局（ESA）推出的Sentinel衛星系列，如Sentinel-2和Sentinel-3及NASA推出的CYGNSS衛星。它們主要利用可見光和紅外光譜范圍的輻射來監測地表覆蓋、植被狀況、水體成分等。被動微波遙感衛星不同于主動微波遙感衛星，其不發送信號只接收來自太陽光能量的反射信號或GPS等其他衛星的反射信號，其中CYGNSS衛星可以觀測洋面信息和探測地表信息，常利用CYGNSS數據來檢測土壤濕度。CYGNSS是一個由8顆衛星組成的衛星星座， CYGNSS接收機會接收直接信號和反射信號，其天頂指向天線接收來自GPS衛星的直接信號，天底指向天線接收來自鏡面反射點的反射信號，可以通過分析反射信號與直接信號的差異來推測地表的性質和狀態。主被動微波遙感衛星主要有NASA的 SMAP（Soil Moisture Active Passive）衛星、NASA和阿根廷國家航天局（CONAE）合作的Aquarius/SAC-D衛星、NASA和日本航空航天局 （JAXA）合作開發的GPM衛星、ESA的SMOS（Soil Moisture and Ocean Salinity）衛星及中國的FY-3系列衛星，如FY-3A、FY-3B等。主被動微波遙感衛星結合了主動與被動的微波遙感技術，可以提供全球范圍內的土壤濕度、冰雪覆蓋、海洋鹽度等關鍵參數的觀測數據。其中SMAP數據常被用于監測土壤濕度，SMAP航天器攜帶兩個儀器，一個合成孔徑雷達（主動傳感器）和一個輻射計（被動傳感器）。其任務設計是將輻射計的高精度和雷達的高空間分辨率相結合，以中等空間分辨率進行高質量測量。然而航天器的L波段雷達發生故障不能繼續使用，目前仍在工作的只有輻射計。由于SMAP衛星數據精度很高，在進行土壤濕度反演時常被視為真值數據用于檢測反演的準確度。

2.2 微波遙感反演土壤濕度模型

目前，利用微波遙感反演土壤濕度的方法可以分為物理模型、經驗模型、半經驗模型和機器學習幾大類，各模型優缺點對比如表4所示。

物理模型算法簡單但公式推導復雜，相比于其他算法應用較少。Mironov等人提出了一種估算土壤中束縛水和自由水的最大束縛水含量和介電常數的方法。由此獲得的土壤中水的介電性質用于推導兩種類型水的德拜光譜參數，提出并驗證了微波波段土壤介電常數的預測模型［38］。

經驗模型和半經驗模型算法簡單，通過分析CYGNSS觀測值和土壤濕度數據之間的關系，來推斷土壤濕度。由于它們能夠清晰地展示出這兩者之間的關系，這種方法在研究中被廣泛應用。2016年Chew等人利用英國DemoSat-1衛星（TDS-1）的觀測結果，研究了星載全球導航衛星系統（GNSS）接收機感知土壤濕度變化的能力，結果證實了微波遙感數據反演土壤濕度的可行性［39］。2018年，Chew等人將1年內（2017—2018）CYGNSS的反射功率觀測結果與SMAP土壤濕度進行了比較，發現CYGNSS反射率的變化和SMAP 土壤濕度的變化之間存在很強的正線性關系，并證實了CYGNSS可以提供全球土壤濕度觀測。2020年，Chew等人建立了一個數據集，該數據集提供了2017年至今在+/-38度緯度以6小時間隔稀疏采樣的土壤表面上部5厘米的土壤濕度反演。該產品通過將CYGNSS反射率觀測值與SMAP的土壤濕度反演值進行校準而開發。根據171個原位土壤水分探針的觀測結果進行驗證，ubRMSE為0.049 cm3/cm3，SMAP和現場觀測之間的中值ubRMSE為0.045 cm3/cm3，證明UCAR/CU土壤水分產品可以作為SMAP的補充。同年，萬瑋等人對2017—2019年的CYGNSS數據進行統計分析，提出兩步標定法，將反演結果與SMAP土壤濕度的相關系數從0.46提升到0.74，土壤濕度反演精度顯著提高［40］。

雖然經驗模型和半經驗模型算法簡單，但其計算量大，土壤濕度反演過程也更復雜，而機器學習準確性和效率都較高，因此許多研究利用機器學習反演土壤濕度。

胡羽豐等人利用人工神經網絡（ANN）模型，通過學習川藏交通廊道2018—2019年的CYGNSS和SMAP中關于土壤濕度的數據進行預測，為了測試ANN模型的反演精度和可行性，胡羽豐等人進行了三種檢驗，分別使用2018年CYGNSS的土壤濕度數據的訓練集結果與同時段的SMAP土壤濕度數據進行對比，結果顯示：2018 年CYGNSS土壤濕度與 SMAP土壤濕度的年均相關系數為0.857，年均RMSE為0.030cm3/cm3，年均Bias為0.016cm3/cm3，說明該模型訓練結果良好，其結果與目標參數SMAP數據之間有較高的內符合度；使用2019年CYGNSS的土壤濕度數據的測試集結果與同時段的SMAP土壤濕度數據進行對比，結果顯示，2019年CYGNSS土壤濕度數據與SMAP土壤濕度數據的年均相關系數為0.743，年均RMSE為0.034cm3/cm3，年均Bias為0.010 cm3/cm3，雖然相關系數相對于2018年有所降低，但RMSE和Bias沒有明顯的變化，說明ANN模型遷移性較好，模型的預測精度較好；使用預測結果、SMAP土壤濕度數據及實測地表土壤濕度對比，最終驗證了ANN模型的反演可行性［41］。

Senyurek等人對比分析了人工神經網絡（ANN）、隨機森林（RF）和支持向量回歸（SVR）這三種常用的機器學習算法關于預測土壤濕度的性能。他們通過交叉驗證確定了最優的反演模型RF。除此之外，該研究還首次將土壤類型作為輸入特征，并分析了土地覆蓋類型和土壤質地條件對反演結果的影響［42］。研究結果顯示，在植被含水量小于5k/m2、空間異質性相對較低的地區，該算法可以提供可靠的土壤濕度估計值。之后，Senyurek等人將該算法的應用擴展至全球范圍，并通過對170個SMN站點近3年的數據進行學習，生成了間分辨率最高為1天、空間分辨率為9公里的CYGNSS土壤濕度。與SMAP的土壤濕度相比，其ubRMSD為0.044 cm3/cm3，相關系數為0.66［43］，反演精度良好。

Yan等人為了減少土地地形對反演結果造成的影響，提出了基于預分類策略的機器學習回歸土壤濕度估計，把SMAP土壤濕度數據作為訓練數據，把同類型的土地數據進行聚類，通過比較有與沒有預分類的土壤濕度估計的總體性能，在全球范圍內采用XGBoost模型進行土壤濕度反演得到的反演結果［44］，相比于傳統機器學習模型的反演結果，預分類策略有效提高了反演精度，表明土地覆蓋類型在土壤濕度反演中的重要作用及應用預分類策略的有效性［45］。Fangni等人也采用了聚類的方法構建機器學習模型，不同于Yan等人的研究，此研究采用多種不同的聚類策略，基于3km網格進行聚合，構建多種以不同尺寸網格為基礎的訓練模型。該研究采用32種組合方式劃分全球網格，將土地覆蓋類型與氣候帶結合，把CYGNSS的土壤濕度數據和反射率、TES、入射角等輔助參數作為模型的輸入數據，在每個聚類策略下構建RF模型進行土壤濕度反演［46］，結果表明CYGNSS時空分辨率高，其數據準確率高，可以作為全球土壤濕度數據庫的有效補充。

豐秋林等人為了快速準確地估算區域尺度上的土壤濕度，構建了基于BP神經網絡算法的GNSS衛星反射信號士壤濕度反演模型，實驗結果表明基于BP神經網絡算法的GNSS衛星反射信號土壤濕度反演方法獲取的土壤濕度結果與土壤濕度參考值誤差較小，反演精度較高，將BP神經網絡模型與線性回歸統計模型對比［47］，結果顯示利用BP神經網絡模型定量估測土壤濕度明顯優于線性回歸統計模型，證明了該方法的可靠性。

目前，在使用機器學習方法進行土壤濕度反演的研究中，通常只考慮CYGNSS DDM的設計特征，然而整個DDM圖像受到土壤濕度、洪水和植被的影響，基于此，Nabi等人提出了一種利用CNN的數據驅動方法來確定反映測量值和表面參數之間的復雜關系，從而提供改進的土壤濕度估計，其反演結果與目標參數的ubRMSD值為0.0333cm3/cm3，相關系數值為0.94，說明CNN模型反演土壤濕度具有良好的可行性［48］。除此之外，還有很多研究者進行了基于不同機器學習模型、不同特征參數輸入的反演，都得到了不錯的反演效果。

3 總結與展望

基于衛星遙感數據反演土壤濕度的研究目前仍處于發展階段，雖然開展了許多研究，利用多種反演模型得到了不錯的反演結果，但還存在一些不確定因素，面臨諸多挑戰，本節將對這些挑戰進行分析和展望。

（1）需要綜合利用光學遙感和微波遙感數據反演土壤濕度以提高反演精度和可靠性。光學遙感雖然可以提供較高的空間分辨率，清晰地觀測到地表信息，并且可以同時獲取不同波段的光譜信息，但其波長較短，信號的穿透能力較弱，易受大氣云層等的影響。由于光學遙感需要視覺信息，而夜間可獲得的視覺信息很少，因此只能在晴朗無云的白天利用光學遙感進行土壤濕度反演。光學傳感器對土壤表面的遮蓋物（如植被、裸地或積水等）非常敏感，植被的光譜、結構和覆蓋度會對光學信號產生干擾，使得反演土壤濕度的精確性下降，所以光學遙感適用于無植被區或植被覆蓋較少的區域的土壤濕度測量。由于光學遙感易受外界條件影響，因此，在進行土壤濕度反演時，要盡可能結合其他數據源和模型進行校正和驗證，以提高精度。

（2）利用傳統反射計采樣數據與衛星數據結合提高精度。微波遙感雖然具有透過云層和植被、全天候觀測、垂直探測等能力，但其難以反演局部區域的細致土壤濕度變化。這與傳統反射計恰好互補，可以進行多源數據融合，結合傳統反射計采樣數據與衛星數據，利用它們各自的優勢提高土壤濕度反演的準確性和空間分辨率。

（3）抓住發展大趨勢，充分利用人工智能算法反演土壤濕度提高精度。使用更先進的神經網絡模型，例如多模態神經網絡、注意力機制網絡、Transformer模型等。多模態神經網絡可以根據二維的DDM圖和一維的經度緯度入射角等信息進行學習訓練，比在DDM圖中提取信息并訓練更簡單高效；注意力機制網絡可以通過學習空間相關性的權重了解土壤濕度的空間變化趨勢；Transformer模型是ChatGPT的核心模型，可以同時考慮時空相關性，是個不錯的反演土壤濕度的工具。

基于衛星遙感數據的土壤濕度反演仍處于發展階段，但具有廣闊的應用前景。通過解決目前存在的挑戰，并積極探索新的技術和方法，可以進一步提高反演精度和空間分辨率，為農業和水資源管理等領域的應用提供更準確、實用的土壤濕度信息。

參考文獻：

［1］ 裴悅琨，韓心新.GNSS-R探測土壤濕度綜述［J］.大地測量與地球動力學，2021，41（2）：140-144.

［2］ 肖斌，沙晉明.土壤濕度遙感反演方法概述［J］.遙感信息，2007（6）：94-98.

［3］ 李占杰，陳基培，劉艷民，等.土壤濕度遙感反演研究進展［J］. 北京師范大學學報（自然科學版），2020，56（3）：474-481.

［4］ 吳欣睿.基于MODIS影像的松嫩平原土壤濕度反演特征研究［J］.哈爾濱師范大學學報（自然科學版），2017，33（4）：1 -123.

［5］ 胡猛，馮起，席海洋.遙感技術監測干旱區土壤水分研究進展［J］.土壤通報，2013，44（5）：1270.

［6］ ZHAO-LIANG L，PEI L，CHENG HU Z， et al. Soil moisture retrieval from remote sensing measurements： Current knowledge and directions for the future［J］. Earth-Science Reviews，2021（2）：218.

［7］ BOWERS A S，HANKS J R. Reflection of radiant energy from soils［J］. Soil Science，1965，100（2）：20.

［8］ K. A S. Spectral reflectance characteristics of soils and its correlation with soil properties and surface conditions［J］. Journal of the Indian Society of Remote Sensing，1986，14（1）：54.

［9］ 劉培君，張琳，艾里西爾·庫爾班，等.衛星遙感估測土壤濕度的一種方法［J］.遙感學報，1997（2）：135-138+81.

［10］ 覃湘棟，龐治國，江威.土壤濕度光學遙感反演方法研究進展和挑戰［J］.人民珠江，2021，42（11）：38-45+111.

［11］ 劉偉東，Frédéric Baret，張兵，等. 高光譜遙感土壤濕度信息提取研究［J］.土壤學報，2004（5）：700-706.

［12］ WEIDONG L，BARET F，XING FA G， et al. Relating soil surface moisture to reflectance［J］. Remote Sensing of Environment，2002，81（2）：11.

［13］ WHITING L M，LI L，USTIN L S. Predicting water content using Gaussian model on soil spectra［J］. Remote Sensing of Environment，2003，89（4）：72.

［14］ SADEGHI M，JONES B S，PHILPOT D W. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands［J］. Remote Sensing of Environment，2015（1）：164.

［15］ BAHAEIAN E，SADEGHI M，FRANZ E T， et al. Mapping soil moisture with the OPtical TRApezoid Model （OPTRAM） based on long-term MODIS observations［J］. Remote Sensing of Environment，2018（2）：211.

［16］ EHRLER L W. Cotton leaf temperatures as related to soil water depletion and meteorological factors［J］. Agronomy Journal，1973，65（3）：26.

［17］ IDSO S，JACKSON R，PINTER P， et al. Normalizing the stress-degree-day parameter for environmental variability［J］. Agricultural Meteorology，1981（1）：24.

［18］ JACKSON D R，IDSO B S，REGINATO J R， et al. Canopy temperature as a crop water stress indicator［J］. Water Resources Research，1981，17（4）：77.

［19］ M.S. M，T.R. C，Y. I， et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index［J］. Remote Sensing of Environment，1994，49（3）：15.

［20］ 陳維英，肖乾廣，盛永偉.距平植被指數在1992年特大干旱監測中的應用［J］.環境遙感，1994（2）：106-112.

［21］ KOGAN N F. Remote sensing of weather impacts on vegetation in non-homogeneous areas［J］. International Journal of Remote Sensing，1990，11（8）：23.

［22］ N T C，R R G，M E P. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover［J］. Remote Sensing Reviews，1994，9（1-2）：36.

［23］ SANDHOLT I，RASMUSSEN K，ANDERSEN J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status［J］. Remote Sensing of Environment，2002，79（2）：45.

［24］ 張新平，喬治，李皓，等.基于Landsat影像和不規則梯形方法遙感反演延安城市森林表層土壤濕度［J］.遙感技術與應用，2020，35（1）：120-131.

［25］ 魏國栓，沈潤平，丁國香.儀征地區農田深層土壤濕度遙感反演初探［J］.遙感技術與應用，2008（1）：36-41.

［26］ WATSON K. Periodic heating of a layer over a semi‐infinite solid［J］. Journal of Geophysical Research，1973，78（26）：12.

［27］ POHN H，OFFIELD T，WATSON K.Thermal inertia mapping from satellite discrimination of geology unit in Oman［J］.Journal of Research of the US Geological Survey，1974（2）：147-158.

［28］ PRICE C J. Thermal inertia mapping： A new view of the Earth［J］. Journal of Geophysical Research，1977，82（18）：21.

［29］ XUE Y，CRACKNELL P A. Advanced thermal inertia modelling［J］. International Journal of Remote Sensing，1995，16（3）：30.

［30］ SOBRINO A J，KHARRAZ E H M. Combining afternoon and morning NOAA satellites for thermal inertia estimation： 1. Algorithm and its testing with Hydrologic Atmospheric Pilot Experiment-Sahel data［J］. Journal of Geophysical Research： Atmospheres，1999，104（D8）：53.

［31］ 馬春芽，王景雷，黃修橋.遙感監測土壤水分研究進展［J］.節水灌溉，2018（5）：70.

［32］ SINHA A K. Variations in soil spectral reflectance related to soil moisture， organic matter and particle size［J］.Journal of the Indian Society of Remote Sensing，1987，15（2）： 7.

［33］? CHEW C C，SMALL E E. Soil moisture sensing using spaceborne GNSS reflections： Comparison of CYGNSS reflectivity to SMAP soil moisture［J］. Geophysical Research Letters，2018，45（9）：42.

［34］ 趙少華，秦其明，沈心一，等.微波遙感技術監測土壤濕度的研究［J］.微波學報，2010，26（2）：90.

［35］ 董雪園. 土壤含水量的GPS-R遙感反演模型研究［D］.徐州：中國礦業大學，2014：55.

［36］ 郭斐，董桂芳，朱逸凡，等.一種土地類型標簽精細化的GNSS-R土壤濕度反演方法［J］.武漢大學學報（信息科學版）：2023（4）：34.

［37］ 侯奇慧，張鳳元，楊東凱.GPS反射信號軟件接收機設計與實現［J］.全球定位系統，2013，38（3）：8-12.

［38］ MIRONOV L V，DOBSON C M，KAUPP V， et al.Generalized refractive mixing dielectric model for moist soils.［J］. IEEE Trans. Geoscience and Remote Sensing，2004，42（4）：45.

［39］ CHEW C，SHAH R，ZUFFADA C， et al.Demonstrating soil moisture remote sensing with observations from the UK TechDemoSat-1 satellite mission［J］.Geophysical Research Letters，2016，43（7）：55.

［40］ WAN W，JI R，LIU B J，et al.A two-step method to calibrate CYGNSS-derived land surface reflectivity for accurate soil moisture estimations［J］.IEEE Geoscience and Remote Sensing Letters，2020（19）：1-5.

［41］ 胡羽豐，汪吉，李振洪，等.基于星載GNSS-R獲取川藏交通廊道沿線地表土壤濕度［J］.地球科學，2022，47（6）：2058-2068.

［42］ SENYUREK V，LEI F，BOYD D， et al. Machine Learning-Based CYGNSS Soil Moisture Estimates over ISMN sites in CONUS［J］. Remote Sensing，2020，12（7）：12.

［43］ VOIKAN S，FANGNI L，DYLAN B， et al. Evaluations of machine learning-based CYGNSS soil moisture estimates against SMAP observations［J］. Remote Sensing，2020，12（21）：23.

［44］ YAN J，SHUANGGEN J，HAOLIN C， et al. Temporal-spatial soil moisture estimation from CYGNSS using machine learning regression with a preclassification approach［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021（2）：14.

［45］ 張雙成，郭沁雨，馬中民，等.星載GNSS-R反演土壤濕度研究進展與思考［J］.武漢大學學報（信息科學版）：2023（4）：1-15.

［46］ FANGNI L，VOLKAN S，MEHMET K， et al. Quasi-global machine learning-based soil moisture estimates at high spatio-temporal scales using CYGNSS and SMAP observations［J］. Remote Sensing of Environment，2022，276：15.

［47］ 豐秋林，鄭南山，劉晨，等.BP神經網絡輔助的GNSS反射信號土壤濕度反演［J］.測繪科學，2018，43（8）：157-162.

［48］ NABI M M， SENYUREK V， GURBUZ A C， et al. Deep learning-based soil moisture retrieval in CONUS using CYGNSS delay–doppler maps［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022（15）： 6867-6881.

A Review of Methods for Retrieving Soil Moisture from Satellite Remote Sensing Data

HE Shan-bao ，PANG Jing-jing，CHENG Xing ，XIE Heng，LI Shuai-shuai，CAI Min

（Key Laboratory of Information and Communication Systems， Ministry of Information Industry，Beijing Information Science and Technology University， Beijing 100101，China）

Abstract：Soil moisture is an indispensable part of the global water cycle， and the soil moisture detection is of great significance for ecological planning， hydrological model construction， agricultural production， and drought monitoring. The traditional soil moisture monitoring methods mainly include weight method， resistance method， time domain reflectance method， etc.， which has the disadvantages of high small labor cost in the monitoring area， while satellite remote sensing can detect the change trend of soil moisture in a large range and has high spatial and temporal resolution， which is the main method of soil moisture monitoring at present. This paper firstly summarizes the methods of soil moisture monitoring by satellite remote sensing， summarizes and analyzes the methods of optical remote sensing and microwave remote sensing. Secondly，it summarizes the basic principles of two kinds of remote sensing technologies， and comprehensively sums up their retrieval methods， including the analysis of the advantages and disadvantages， the applicable area and the retrieval accuracy. Finally it discusses the challenges faced by each method in the development of soil moisture retrieval and the future direction of soil moisture retrieval.

Key words：Soil moisture detection; retrieval method; satellite remote sensing

（責任編輯：葉松慶）

收稿日期： 2023-10-20

基金項目：國家自然科學基金項目（62001032）.

作者簡介：何善寶（1976—），男，安徽明光市人，安徽師范大學物理系1997級校友，博士，研究員，研究生導師，研究方向為衛星通信、天地一體化信息網絡、衛星氣象數據處理等；通訊作者：龐晶晶（1999—），女，河北滄州市人，碩士研究生，研究方向為衛星氣象數據處理等．

引用格式：何善寶，龐晶晶，程星，等.衛星遙感數據反演土壤濕度方法研究［J］.安徽師范大學學報（自然科學版），2023，47（1）：1-10.