利用空间序列方法，通过单幅SAR图像估算小麦田土壤湿度

《Agricultural Water Management》：Spatial series approach to estimate soil moisture over wheat fields from a single SAR image

土壤湿度时空反演方法及性能分析

　　土壤湿度（SM）是地球生态系统中的一个关键物理参数，对农业、水文、气象等多个领域具有重要意义。然而，SM的快速和实时大范围反演一直面临挑战，尤其是在植被覆盖和地表粗糙度等因素对反演结果造成干扰的情况下。传统的反演方法通常依赖于时间序列数据，通过分析时间变化和设定约束条件来消除植被和粗糙度的影响。然而，这种方法在SAR（合成孔径雷达）图像时间分辨率较低时，容易导致反演结果不稳定。因此，本研究提出了一种基于空间序列（SSA）的方法，通过单一SAR图像，利用空间序列点的后向散射强度比（BIRs）来反演SM，从而避免对植被和粗糙度参数的显式估计及其固有的偏差。

在SSA方法中，选择具有相似入射角、体积散射能力、冠层主导方向和粗糙度的空间序列点，使得这些点之间的后向散射强度变化可以合理地归因于SM的变化。通过这种方式，BIRs可以用于SM的反演。实验使用了L波段无人机SAR（UAVSAR）数据，这些数据在不同日期获取，覆盖了作物生长的不同阶段。实验结果表明，使用SSA方法反演的SM的均方根误差（RMSE）约为10%，相关系数超过0.7。这种方法的优势在于扩展了观测维度，增强了SM的监测能力，特别是在时间序列SAR数据获取困难的情况下。未来，SSA方法可以与时间序列方法结合，建立一个时空序列反演框架，从而显著推进大规模SM反演研究。

在实际应用中，SSA方法需要考虑几个关键问题。首先，与传统的水云模型（WCM）、Oh模型、Dubois模型以及分解方法相比，SSA方法虽然能够避免显式参数估计带来的偏差，但在某些情况下，这些参数的估计可能影响SM反演的准确性。因此，必须确保空间序列点的同质性，使得这些点的后向散射强度变化主要由SM引起。其次，如何确定参数阈值，例如入射角、体积散射能力、冠层主导方向和地表粗糙度的阈值，是SSA方法实施中的一个关键问题。阈值的选择需要考虑空间序列点的动态范围，以提高反演的可靠性并避免SM结果出现跳跃现象。此外，为了确保反演结果的稳定性，还需要对这些参数的阈值进行合理设定，以确保在反演过程中不会出现过度的参数波动。

在实验分析中，本研究从三个角度验证了SSA方法的有效性：（1）空间序列点与实测SM之间的相关性分析；（2）实测SM与SSA反演结果的定量一致性评估；（3）在不同地表条件下反演成功率的验证。通过分析不同日期获取的UAVSAR数据，发现SSA方法在不同日期的反演结果均显示出较高的相关性，RMSE保持在约10%的范围内，相关系数超过0.7。此外，与传统的Dubois模型相比，SSA方法在反演成功率方面表现出显著优势，其反演结果的稳定性更高。这一结果表明，SSA方法能够有效克服时间序列方法在低时间分辨率下的不足，为在植被覆盖较重的区域进行SM反演提供了新的思路。

本研究还探讨了SSA方法在不同极化通道下的表现。在全极化模式下，SSA方法能够充分利用多种极化通道的信息，提高反演的准确性。而在双极化模式下，由于缺乏一个极化通道的充分信息，SSA方法的反演性能会有所下降。然而，即使在双极化模式下，SSA方法仍然能够保持较高的反演精度，RMSE在合理范围内，相关系数在0.70到0.74之间。这表明，SSA方法在不同极化模式下都具有一定的适用性，尤其是在缺乏一个极化通道的观测数据时，可以借助其他极化通道的约束条件，提高反演的稳定性。

在参数阈值的选择上，本研究发现阈值的设定对SM反演结果的影响有限。尽管不同阈值会改变反演方程的结构，但BIRs的计算能够有效地消除阈值变化对SM反演的影响。此外，当参数分割的区间数量增加时，反演的准确性并未呈现出一致的上升或下降趋势。这表明，SSA方法在不同参数分割区间下均能保持较高的反演稳定性，但需要结合实际的地面实测数据来优化阈值的选择，以最大化SM反演的准确性。

综上所述，本研究提出的SSA方法在提升SM反演的稳定性和准确性方面展现出良好的潜力。通过空间序列点的BIRs反演SM，不仅克服了传统方法对时间序列数据的依赖，还能够在单一SAR图像下实现高精度的SM反演。未来，SSA方法可以与时间序列方法相结合，构建一个更加全面的时空序列反演框架，从而进一步提高SM反演的准确性和适用性。此外，SSA方法在处理不同地表条件下的SM反演时，能够提供更广泛的应用场景，特别是在地表异质性较高的区域，其反演结果的可靠性得到了验证。因此，SSA方法为SM的反演研究提供了新的思路和方法，具有重要的科学价值和实际应用前景。