基于Sentinel-1 SAR在不同土地覆盖条件下的土壤湿度反演

《Remote Sensing of Environment》：Soil moisture retrieval under different land cover conditions based on Sentinel-1 SAR

土壤湿度遥感反演研究利用Sentinel-1C双极化SAR数据和WCM-Oh耦合模型，系统评估了 grassland/crops/shrubland/forest/desert五种地类的反演精度，提出新型雷达植被指数SVIdp。结果显示WCM-Oh在植被区提升精度达14%，但 desert等地存在误差，SVIdp在 shrubland/grassland表现最优。

　　土壤水分是调控地表与大气之间相互作用的关键变量，它不仅直接影响植被的蒸腾作用和碳汇功能，还通过潜热通量调节边界层对流，从而影响区域降水模式。因此，土壤水分的准确监测对于理解生态系统行为和水文循环至关重要。传统的地面测量方法虽然能够提供实时的土壤水分数据，但其空间分辨率和时间覆盖范围有限，难以满足大规模、动态监测的需求。为了解决这一问题，遥感技术，特别是微波遥感，逐渐成为土壤水分监测的重要手段。合成孔径雷达（SAR）因其强大的微波穿透能力和全天候观测能力，已成为土壤水分反演的关键工具。

本研究利用Sentinel-1 C波段双极化SAR数据，系统评估了光学和雷达衍生植被指数（VIs）在WCM-Oh耦合模型中的表现，涵盖了草地、农田、灌木林、森林和沙漠等五种土地覆盖类型。此外，提出了一种新的基于雷达的植被指数SVIdp，并首次进行了测试。SVIdp是基于双极化散射成分的相互作用构建的，旨在减少植被散射对土壤水分反演的干扰。研究结果表明，WCM-Oh模型在典型植被区域（如草地和农田）的土壤水分反演精度得到了显著提升，相关系数（R）增加了0.10，均方根误差（RMSE）降低了2%至14%。然而，在不同的土地覆盖类型中，基于归一化植被指数（GNDVI）的WCM-Oh2004耦合模型在植被覆盖度适中的区域表现出较高的预测精度（R=0.66–0.85，ubRMSE=0.0392–0.0698 m3/m3），但在高海拔草地、人工草坪、稀疏植被和茶园等区域，模型表现出不对称误差，即低值区域存在低估，高值区域存在高估。这表明，尽管WCM-Oh模型在某些条件下表现优异，但在植被结构复杂或覆盖度极端的区域仍需进一步优化。

研究还比较了不同植被指数在土壤水分反演中的表现。生化光学指数（如GNDVI、CVI）在草本植被区域表现出最佳性能，而结构雷达指数（如DpSVI、RVI）则在密集或结构复杂的植被区域显示出更优的稳定性。这说明不同类型的植被指数在不同土地覆盖条件下各有优势，需根据具体应用场景进行选择。值得注意的是，SVIdp在灌木林和草地区域的表现优于DpRVI和NDVI，这表明SVIdp在减少植被散射干扰的同时，仍能保持对关键散射参数的物理意义。这一成果为基于SAR的土壤水分建模提供了新的视角，并支持大规模的SAR土壤水分空间映射。

土壤水分的反演是一个复杂的过程，涉及多种物理机制和数据处理方法。目前，常用的土壤水分反演方法包括物理模型、经验模型和半经验模型。物理模型基于电磁散射理论，如积分方程模型（IEM）及其改进版本AIEM，能够数学地关联SAR信号与地表参数。然而，这些模型计算复杂，难以在实际应用中推广。相比之下，经验模型如Oh模型和Dubois模型通过统计关系简化了反演过程，但其适用性受到地表粗糙度和入射角等因素的限制。半经验模型如Shi模型和Chen模型则试图在理论模型和数据驱动方法之间取得平衡，但其在植被覆盖区域的反演精度仍受植被冠层与土壤表面散射耦合效应的影响。

为了解决这一问题，Michigan Microwave Canopy Scattering（MIMICS）模型通过电磁建模的多层介质方法解耦植被和土壤的散射信号，虽然在理论上具有优势，但其参数敏感性限制了其在大范围应用中的可行性。因此，研究者们开始探索更高效的土壤水分反演方法，其中WCM-Oh耦合模型成为一种可行的选择。该模型结合了基于物理的Oh-2004模型用于裸土反演和半经验的WCM模型用于植被覆盖区域，从而在计算效率和模型解释性之间取得了平衡。这种方法利用雷达后向散射和植被指数，既保持了模型的准确性，又提高了其可解释性。

尽管SAR衍生的植被描述符如双极化雷达植被指数（DpRVI）在减少植被散射干扰方面取得了显著进展，但大多数现有研究仍局限于特定作物类型或地理区域，缺乏对多种植被指数在不同土地覆盖类型下土壤水分反演性能的全面评估。本研究旨在填补这一空白，系统评估了NDVI、EVI、NDWI、雷达植被指数（RVI）和DpRVI等12种植被指数在不同土地覆盖条件下的表现。结果表明，虽然DpRVI在某些区域表现良好，但在植被覆盖度极端的区域（如裸土或稀疏冠层，以及密集、复杂的植被区域）中，其对土壤水分变化的敏感性降低，难以准确捕捉土壤水分的动态变化。因此，提出SVIdp这一新的C波段双极化SAR植被指数，以解决这些问题。

SVIdp通过归一化DpRVI来减少饱和效应，同时保留关键散射参数的物理意义。这一方法不仅提高了土壤水分反演的准确性，还增强了模型在极端植被条件下的适用性。研究结果表明，SVIdp在灌木林和草地区域的性能优于DpRVI和NDVI，这表明该指数在植被覆盖度适中或复杂的情况下具有更高的稳定性和准确性。此外，SVIdp的引入为基于SAR的土壤水分建模提供了新的思路，有助于提高模型在不同土地覆盖类型下的适用性和泛化能力。

本研究的创新点包括：1）提出了一种新的基于C波段双极化SAR的植被指数SVIdp；2）填补了现有研究在利用大规模遥感数据评估土壤水分反演性能方面的空白，特别是在不同土地覆盖条件下；3）系统评估了光学和雷达植被指数在土壤水分反演中的表现，支持大规模的SAR土壤水分空间映射。这些成果不仅有助于提高土壤水分监测的精度，还为生态系统的动态变化研究提供了可靠的数据支持。

在实验方法上，本研究选取了中国多个生态区域的站点作为测试区域，包括草原、农田、沙漠和森林等。这些站点涵盖了不同的气候带和生态系统类型，确保了研究结果的广泛适用性。数据来源主要为中国的土壤水分观测网络（SONTE-China），该网络分布广泛，覆盖了从西北干旱地区到东南湿润地区的多个生态带。这些高分辨率的土壤水分数据为模型的验证提供了坚实的基础。

植被描述符的评估是本研究的核心内容之一。研究中采用了12种不同的植被指数，包括光学和雷达衍生的指数，以量化它们在WCM模型中的表现。这些植被指数用于描述植被对微波后向散射的影响，从而帮助模型解耦植被和土壤的散射信号。通过系统地比较这些指数在不同土地覆盖类型下的表现，研究者们能够更全面地理解其适用性和局限性。

在模型性能评估方面，研究采用了多种指标，包括相关系数（R）、均方根误差（RMSE）、偏差（MD）和相对均方根误差（ubRMSE），以全面衡量土壤水分反演的精度和稳定性。实验结果表明，WCM-Oh耦合模型在植被覆盖度较高的区域表现出显著的优势，而在植被覆盖度较低的区域，其性能则受到一定限制。这一发现提示，在实际应用中，需要根据具体区域的植被覆盖情况选择合适的植被指数和模型参数，以提高土壤水分反演的准确性。

此外，研究还探讨了机器学习和深度学习方法在土壤水分反演中的应用。这些数据驱动的方法，如支持向量回归（SVR）和随机森林（RF），通过结合Sentinel-1 SAR和Sentinel-2 MSI数据，能够实现较低的均方根误差（RMSE），达到0.06 m3/m3。然而，这些方法往往依赖于大规模、高质量的数据集，并且在不同地区的表现可能存在差异，限制了其在广泛应用中的可行性。因此，WCM-Oh耦合模型作为一种物理和半经验相结合的方法，提供了更高的计算效率和模型解释性，有助于在不同环境条件下实现更准确的土壤水分反演。

在实际应用中，土壤水分的监测不仅对农业和水资源管理至关重要，还对气候变化研究和生态系统的动态变化分析具有重要意义。通过提高土壤水分反演的精度和稳定性，本研究为相关领域的研究提供了可靠的数据支持。同时，提出的SVIdp指数为未来的研究提供了新的方向，有助于进一步优化土壤水分反演方法，提高其在复杂植被条件下的适用性。

总之，本研究通过系统评估不同植被指数在WCM-Oh耦合模型中的表现，揭示了其在不同土地覆盖类型下的性能差异。SVIdp的引入为解决植被散射干扰问题提供了新的解决方案，提升了土壤水分反演的准确性和稳定性。这些成果不仅有助于提高土壤水分监测的精度，还为生态系统的动态变化研究和水资源管理提供了可靠的数据支持。未来的研究可以进一步探索SVIdp在不同区域和季节的适用性，以及与其他遥感数据和模型的结合，以实现更全面的土壤水分监测和分析。