综述：利用Sentinel-1卫星获取土壤湿度数据：在轨运行十多年后的经验总结

《Remote Sensing of Environment》：Soil moisture retrieval from Sentinel-1: Lessons learned after more than a decade in orbit

土壤湿度估算方法综述及挑战与前景。摘要：本文系统评述了Sentinel-1卫星C波段SAR数据在近地表土壤湿度（NSSM）估算中的应用进展，涵盖物理模型（如积分方程模型）、半经验模型（Oh模型、WCM）、机器学习（CNN/LSTM）、干涉ometric方法（相位闭合、 coherence）等12类方法，分析其精度（RMSE达0.14 m3/m3）、时空分辨率（最高1 km×1 km，6-12天重访期）及局限性（植被干扰、地表粗糙度、数据同化误差等）。提出多传感器融合（Sentinel-1+2+SMAP）、AI物理融合模型、标准验证框架等未来方向。

　　土壤湿度作为水文、农业和气候研究中的关键变量，其监测对于理解地球系统的动态变化具有重要意义。然而，由于地面观测网络稀疏以及光学传感器在云层覆盖下的局限性，大规模土壤湿度观测仍面临挑战。合成孔径雷达（SAR）任务，如哨兵-1（Sentinel-1）卫星，因其全天候、昼夜无间断的观测能力，以及高空间和时间分辨率，成为发展全球土壤湿度监测的重要工具。因此，本文对哨兵-1卫星任务中C波段SAR观测在估计高分辨率近地表土壤湿度中的应用进行了综述。

哨兵-1卫星在近地表土壤湿度监测中展现了其独特优势。它配备了双极化（VH和VV）和双基线干涉测量能力，使得能够对地表进行精确的雷达观测。哨兵-1卫星的轨道设计使得其在赤道区域的重访周期为6天，而在高纬度地区（如欧洲或极地）则更短，为1至3天。这一特性使得哨兵-1能够提供更细致的时空数据，为研究土壤湿度变化提供了重要支持。然而，哨兵-1数据在应用中仍面临诸多挑战，包括植被和地表粗糙度对信号的影响、传感器和散射模型的局限性、空间和时间的约束，以及数据同化中的不确定性。

尽管人工智能（AI）技术在土壤湿度估计中显示出潜力，但其可解释性差、对大规模数据集的依赖性、对数据质量的敏感性以及计算成本高昂等问题限制了其应用。此外，一些研究还指出，SAR干涉测量观测（如干涉相干性和相位闭合）在干旱和半干旱地区表现出对湿度变化的高敏感性，这为土壤湿度监测提供了新的可能性。为了应对这些挑战，本文建议整合哨兵-1与其他卫星任务数据（如哨兵-2和土壤湿度主动被动- SMAP数据），改进物理和半经验模型，开发能够考虑物理原理的先进AI技术，并结合其他高时间分辨率SAR任务的数据。综述还总结了关键的研究优先事项，包括土壤湿度检索框架的标准化、标准化参考集的验证改进以及实时用户案例中的云处理。

本文的结构分为多个部分，分别讨论了土壤湿度检索的基本原理、当前状态、验证策略、不确定性来源、与其他传感器的结合、数据同化、根区土壤湿度估计、土壤湿度在水文学中的应用，以及未来的研究方向和挑战。此外，还探讨了AI驱动的土壤湿度检索和混合建模的潜力，以及大语言模型（LLMs）在土壤湿度检索中的应用前景。

土壤湿度的获取依赖于多种方法，包括物理散射模型、半经验模型、变化检测方法、AI技术、SAR干涉相干性及相位闭合等。物理散射模型基于电磁波与地表相互作用的物理原理，提供了可解释性强的优势，但也面临反演问题的复杂性。半经验模型则因其对输入数据需求较少和易于实现而被广泛应用，但其泛化能力和对植被和地表粗糙度的建模能力存在局限。变化检测方法利用SAR数据的时间序列来估计土壤湿度变化，尽管其操作性较强，但在植被快速变化的地区可能表现不佳。AI技术在处理复杂环境中的土壤湿度变化方面表现出色，但其黑箱特性、对数据质量的依赖以及计算资源的需求也带来了挑战。

SAR干涉测量的相干性和相位闭合观测在干旱和半干旱地区展现出对湿度变化的高度敏感性，为土壤湿度估计提供了新的思路。然而，这些方法在应用中也面临一些问题，如时间序列变化导致的相位闭合模糊性，以及在植被覆盖区域中对植被影响的处理难度。因此，结合物理模型和AI技术的混合方法成为一种可能的解决方案，能够提升土壤湿度估计的准确性和可解释性。

土壤湿度的验证是一个重要的环节，需要与地面观测数据进行对比。现有的验证方法包括使用地面网络和现场实验、与其他传感器的交叉验证以及基于统计方法的验证。然而，由于地面观测数据与SAR观测数据的尺度差异，验证过程仍面临挑战。此外，SAR数据的同化也存在一些问题，如数据偏差和模型误差的处理。为了解决这些问题，研究者们提出了多种方法，如CDF匹配、三重共存校准、季节性校正等，以提高土壤湿度同化模型的准确性。

在实际应用中，土壤湿度数据被广泛用于水文学、农业和气候研究。例如，在洪水预测、干旱监测和水资源管理中，高分辨率土壤湿度数据能够提供更详细的地表信息，有助于提高预测精度。然而，土壤湿度数据的全球应用仍受限于一些因素，如植被和地表粗糙度对信号的影响、传感器的观测频率以及数据质量的不确定性。因此，未来的土壤湿度监测需要更多地依赖多传感器融合，如将SAR数据与光学数据或被动微波数据结合，以提高土壤湿度估计的准确性和可靠性。

在数据同化方面，哨兵-1土壤湿度数据的同化能够提高水文模型的预测能力，但同时也需要解决数据偏差和模型误差的问题。通过引入改进的数据同化方法，如使用概率框架或机器学习技术，可以有效降低这些误差。此外，将哨兵-1数据与其他传感器数据结合，如使用多频段SAR数据或结合其他卫星任务的数据，有助于提高土壤湿度估计的精度和适用性。

未来的研究方向包括开发更高效的AI模型，提高数据同化方法的准确性，以及加强多传感器数据融合。此外，标准化土壤湿度检索框架、改进验证方法以及发展适用于不同环境的模型也显得尤为重要。随着新技术的不断涌现，如大语言模型（LLMs）和更先进的SAR观测方法，土壤湿度监测有望在精度、可靠性和应用范围上得到进一步提升。这些进展不仅有助于科学研究，也为实际应用如农业管理、洪水预测和气候监测提供了重要支持。