编辑推荐：
为解决根区土壤湿度（RZSM）在大尺度产品分辨率粗，不适用于地块尺度研究的问题，研究人员利用高分辨率地表土壤湿度（SSM）产品和递归指数滤波器对 RZSM 进行制图。结果显示该方法效果合理，为农业应用提供高分辨率估计有重要意义。
在全球水资源日益紧张的当下，农业灌溉用水占据了大量资源，尤其在地中海地区，灌溉用水消耗可达可用资源的 90%。而且，极端气候事件频发，使得优化灌溉变得极为重要。根区土壤湿度（RZSM）作为影响土地 - 大气相互作用、作物需水量以及灌溉调度的关键因素，其准确测量对农业发展意义重大。然而，传统获取 RZSM 的方法存在诸多局限。使用原位传感器测量虽然精准，但只能获取点信息，要想全面了解 RZSM 的时空变化，需建立庞大的传感器网络，这不仅安装和维护成本高昂，还可能干扰土壤特性。现有的大量地表土壤湿度（SSM）产品虽能提供全球范围的观测，但分辨率较低，无法满足像灌溉管理这类需要地块尺度精度的应用需求。
为了突破这些困境，来自国外的研究人员开展了一项极具意义的研究。他们利用从 Sentinel - 1 数据衍生的 SSM 产品，结合递归指数滤波器，尝试绘制超高分辨率的 RZSM 地图。该研究成果发表在《Agricultural Water Management》上，为农业领域带来了新的曙光。
在研究方法上，研究人员主要采用了以下关键技术：
- 数据采集：收集了来自摩洛哥和西班牙两个地区共 12 个农田的土壤湿度数据，包括原位测量的 SSM 和 RZSM 数据。其中，摩洛哥地区使用 TDR 传感器，西班牙地区使用低成本的 LoNIM 网络进行测量。同时，获取了 Sentinel - 1 卫星数据，包括后向散射系数和干涉相干性，用于推导 SSM 产品。
- 模型应用：运用指数滤波器模型，该模型基于水云模型（WCM）和 Oh 模型，通过 “暴力” 算法反演获取 50m 分辨率的 SSM。在指数滤波器中，引入时间参数 T，通过调整 T 值来优化 RZSM 的估算。
研究结果如下：
- 每日估算：利用每日原位 SSM 测量数据评估 RZSM 对 T 的敏感性及测量深度的影响。结果表明，T 在 1 - 5 天之间时，整体效果最佳，平均相关系数（R）为 0.85，均方根误差（RMSE）为 0.06m3/m3 ，偏差为 0.03m3/m3 。随着测量深度增加，R 降低，RMSE 增加，且不同土壤质地和植被类型的农田对 T 的敏感性不同。在时间序列分析中，发现该方法能较好反映大部分农田的季节性变化和 RZSM 峰值，但存在一些虚假峰值预测，这与 SSM 对小降雨事件的波动响应有关。
- 6 天 Sentinel - 1 和原位测量：使用 6 天的 Sentinel - 1 SSM 产品和原位测量数据对比估算 RZSM。结果显示，使用 Sentinel - 1 SSM 产品的估算结果合理，但精度低于原位测量。不同农田对 T 的敏感性不同，如摩洛哥地区的农田在 T = 10 天左右表现最佳，而西班牙地区的农田在 T = 1 天左右效果最好，这主要与土壤质地差异有关。同时，研究发现更深层的 RZSM 需要更高的 T 值来优化估算。
- 超高分辨率 RZSM 制图：通过指数滤波器和 Sentinel - 1 SSM 产品绘制的 RZSM 地图，展示了研究区域内土壤湿度的空间变异性。如在西班牙的研究区域，清晰呈现了灌溉区和雨养区的湿度差异，以及不同时间因降雨和灌溉导致的湿度变化，凸显了高分辨率监测的重要性。
研究结论和讨论部分指出，利用 Sentinel - 1 SSM 产品的指数滤波器方法虽简单实用，但 T 值和 SSM 产品精度对结果影响较大。T 高度依赖于土壤深度、质地和气候等因素，不同区域的最佳 T 值不同，且随深度增加而增大。SSM 产品质量也有待提高，未来可通过使用更大波长的卫星数据，如 Rose - L、NISAR 的 L 波段任务和 Biomass P 波段任务数据，优化水云模型等方法来改进。此外，将土壤、植被和气候变量整合到 T 校准中，利用机器学习算法进行优化，以及绘制凋萎点和田间持水量地图，都有助于进一步提升 RZSM 估算的准确性和实用性。
这项研究的重要意义在于，它首次实现了利用高分辨率 SSM 产品绘制超高分辨率 RZSM 地图，为农业应用提供了更精准的土壤湿度信息，有助于优化灌溉管理、提高作物产量，对农业可持续发展具有重要的推动作用。同时，研究也为后续相关研究指明了方向，具有重要的参考价值。
