综述：关于利用遥感数据估算土壤湿度以应用于农业的系统性综述

《Science of Remote Sensing》：A systematic review on soil moisture estimation using remote sensing data for agricultural applications

土壤湿度在农业可持续性和水资源管理中扮演着核心角色，尤其是在气候变化和水资源短缺加剧的背景下。遥感技术通过实现大规模、高分辨率和连续的监测，彻底改变了土壤湿度的估算方法。本系统综述基于PRISMA框架，分析了2016年至2024年间发表的64项研究，这些研究从379篇筛选出的文献中选出，重点关注农业应用中的土壤湿度估算。遥感数据包括来自卫星和无人飞行器（UAV）的光学、热红外和微波观测，估算方法被归类为经验型、半经验型、物理型或学习型。卫星观测在文献中占主导地位（73%的研究），而UAV的使用正在增加，用于高分辨率和特定区域的评估。多传感器融合，结合光学、热红外和微波数据，成为克服单一传感器局限性的新兴策略。主动合成孔径雷达（SAR）系统提供不受天气影响的测量，具有高空间分辨率，而光学和热红外传感器则提供有价值的光谱指数，但受限于云层覆盖和浅层穿透深度。学习型方法是最常用的估算方法（54%的研究），利用机器和深度学习建模土壤湿度与遥感变量之间的复杂关系。主要挑战包括植被干扰、地表粗糙度和有限的现场校准数据。缓解策略包括使用长波长SAR（L-和P波段）、多传感器融合、数据降尺度以及整合辅助数据集（如土壤质地、高程和气象数据）。通过综合近期进展和新兴趋势，本综述为精准农业和环境管理中的准确、可扩展和操作性土壤湿度监测提供了实用指导。

　　土壤湿度在农业可持续性和水资源管理中扮演着至关重要的角色，尤其是在气候变化和水资源日益紧张的背景下。随着科技的发展，遥感技术极大地改变了土壤湿度的估算方法，使得大规模、高分辨率和连续监测成为可能。本系统综述分析了2016年至2024年间发表的64项研究，这些研究是从379篇筛选后的文献中选定的，主要关注农业应用中的土壤湿度估算。这些研究涵盖了光学、热红外和微波观测数据，估算方法包括经验性、半经验性、物理性和机器学习方法。在这些研究中，卫星观测数据占主导地位（占73%），而无人机（UAV）则在高分辨率和区域特定评估方面正变得越来越重要。多传感器融合策略正成为一种趋势，旨在克服单一传感器的局限性。

卫星观测数据因其广泛的地理覆盖和时间可用性，被广泛用于土壤湿度的估算。然而，它们的分辨率通常较低（25-50公里），限制了其在小规模或异质性农业田地中的适用性。相比之下，微波传感器，包括主动雷达（SAR）和被动辐射计，可以穿透土壤达到5厘米的深度，并且较少受到天气影响，因此更适合在多样化的环境条件下进行大范围的土壤湿度监测。SAR技术能够提供高分辨率和高时间分辨率的数据，使它成为研究土壤湿度的有力工具。然而，SAR数据在植被覆盖的区域中可能受到干扰，尤其是在高密度植被中。

本系统综述探讨了不同类型的遥感数据及其在土壤湿度估算中的应用。例如，Sentinel-2卫星因其高分辨率和自由可用的数据，成为最受欢迎的遥感平台之一。这些卫星能够提供10到60米的空间分辨率和5天的重访周期，适合于监测土壤和植被随时间的变化。而Landsat-8卫星则提供了30米的空间分辨率和16天的重访周期，其在农业监测中的应用范围广泛。此外，还有许多其他卫星平台，如Terra/Aqua、FengYun（FY）-3D和FY-4A、Gaofen（GF）-1和GF-4、Kompsat-3等，它们各自具有不同的传感器配置、波段范围和空间分辨率，适用于不同类型的土壤湿度研究。

在无人机平台中，它们提供了高分辨率和灵活的数据采集能力，特别适合于小范围的农业应用。无人机上安装的传感器包括RGB、多光谱、高光谱和热红外设备，每种传感器都提供了独特的土壤湿度监测能力。在这些研究中，Sentinel-2卫星被用于最多的土壤湿度估算，而Landsat-8则用于13项研究。其他卫星如FY-3D、FY-4A、Landsat-5等则使用频率较低，仅在少数研究中出现。

土壤湿度估算方法分为四类：经验性、半经验性、物理性和基于学习的方法。其中，基于学习的方法在研究中最为常见，占54%。这些方法利用机器学习（ML）和深度学习（DL）技术，建模土壤湿度与遥感变量之间的复杂关系。然而，这些方法的计算成本较高。经验性模型虽然计算简单，但其在植被覆盖区域中的准确性较低。半经验性模型结合了物理原理和经验关系，提高了准确性，但复杂性也较高。物理模型基于严格的方程，能够在裸露土壤条件下表现出色，但需要大量的输入数据。

研究中提到的植被指数，如归一化植被指数（NDVI）、增强植被指数（EVI）和绿色归一化植被指数（GNDVI），被广泛用于土壤湿度估算。NDVI在39项研究中被提及，显示了其在监测植被健康变化方面的受欢迎程度。土壤水分指数，如归一化水分指数（NDWI）和改良归一化水分指数（MNDWI），则用于评估土壤水分的空间变异性。这些指数利用短波红外（SWIR）波段，这些波段对水分的存在敏感，能够提供更准确的水分状况表示。

此外，研究还强调了多传感器融合在提高土壤湿度估算精度方面的潜力。例如，将光学和微波数据结合，可以克服单一传感器的局限性，提高估算的准确性。这种融合方法在研究中被广泛应用，尤其是在2019年之后，显示出对高分辨率数据的显著需求。然而，遥感数据的不一致性、云覆盖导致的缺失观测以及对地表条件的敏感性仍然是土壤湿度估算广泛应用的障碍。

在这些研究中，还提到了土壤湿度估算方法的一些挑战和建议。植被效应仍然是土壤湿度估算中的一个主要不确定性来源，特别是在SAR系统中，高密度植被可能掩盖土壤的贡献，导致土壤湿度信号的分离困难。此外，地表粗糙度和微波信号的穿透深度限制了土壤湿度估算的准确性。为了解决这些问题，研究建议使用更长波长的SAR系统（如L波段和P波段），以及多传感器融合、数据降尺度和集成辅助数据集（如土壤质地、高程和气象数据）。

综述还讨论了未来土壤湿度估算的发展路径。量子传感器、高光谱成像、GNSS-R（全球导航卫星系统反射）和多传感器数据融合等技术正被探索，以提高土壤湿度估算的时空分辨率和准确性。此外，解释性人工智能（XAI）工具的使用有助于提高模型的透明度，使得机器学习方法在实际应用中更具可解释性。这些发展路径展示了在农业应用中，如何通过多源数据融合、先进的数据处理技术和模型改进，实现更准确、可扩展和可操作的土壤湿度监测。

综上所述，土壤湿度估算是一个复杂且多学科交叉的领域，涉及遥感技术、数据处理和模型开发等多个方面。尽管存在诸多挑战，但随着技术的进步和多传感器融合策略的实施，土壤湿度估算的准确性和实用性正在不断提升。未来的土壤湿度监测系统将依赖于这些新兴技术，以及开放数据访问和跨学科合作，以支持农业可持续性和水资源管理的全球需求。