基于Sentinel-1/2卫星数据协同的云计算平台在山地葡萄园土壤水分监测中的创新应用

本研究针对气候变化下葡萄园精准灌溉需求，开发了基于Google Earth Engine平台的两种变化检测方法（CDS2和CDS1S2），通过整合Sentinel-2光学数据与Sentinel-1雷达数据，实现了20米分辨率山地葡萄园土壤水分（SM）动态监测。研究表明，多源卫星协同方法（CDS1S2）较单一光学方法（CDS2）显著提升精度（R2提高0.07-0.2，RMSE降低0.2-3.4%），为智慧农业提供可扩展技术方案。

　　

随着全球气候变化加剧，葡萄栽培面临日益严峻的水资源管理挑战。土壤水分（SM）作为影响葡萄产量和品质的关键因子，其精准监测对雨养区补充灌溉决策至关重要。传统监测手段如地面传感器网络存在空间覆盖有限、维护成本高等问题，而现有卫星遥感技术在山地葡萄园等复杂地形应用中仍存在时空分辨率不足、植被干扰显著等瓶颈。

针对这一科学问题，来自国内研究团队在《Agricultural Water Management》发表的研究，创新性地利用Google Earth Engine（GEE）云计算平台，开发了两种无需现场校准的变化检测方法：基于Sentinel-2光学数据的CD_S2方法和协同Sentinel-1雷达与Sentinel-2光学数据的CD_S1S2方法。研究选取意大利北部STEMS和南部Montemarano两个山地葡萄园作为试验区，并以美国德克萨斯州TxSON平坦灌丛区作为验证基准，通过长期观测（2017-2023年）验证了方法的普适性。

关键技术方法包括：1）利用Sentinel-2的Red、NIR和SWIR波段构建光学梯形模型（OPTRAM）；2）结合Sentinel-1 VV极化雷达数据与NDVI建立变化检测模型；3）通过GEE平台实现大数据处理与时空分析。研究团队特别设计了双阶段工作流：云端数据预处理与本地统计分析相结合，解决了传统遥感处理中的计算瓶颈。

研究结果部分显示：
3.1.1 NDVI-STR空间分布
通过分析超过600景卫星数据，成功构建了表征土壤水分边界的NDVI-STR（短波红外转换反射率）特征空间。山地葡萄园的STR值范围（0.3-0.8）显著宽于平坦区（0.3-0.65），证实地形复杂度对光学信号的影响。

3.1.2 NDVI-SAR空间分析
Sentinel-1雷达数据在植被覆盖区表现出独特优势，TxSON站点的湿边斜率（α=1.2）明显陡于意大利站点（α=0.6-0.8），揭示C波段雷达对稀疏植被区更高的敏感性。

3.2.1 时间序列分析
CD_S1S2方法展现出更优的时序连续性，在云频发的Montemarano地区获取率提升40%。两种方法均能捕捉暴雨事件后的SM突变，但CD_S1S2与实测数据的相位延迟减少50%。

3.2.2 统计分析
长期验证显示CD_S1S2精度优势显著：TxSON站点R2达0.41（CD_S2为0.21），RMSE降低至3.6%（CD_S2为7.1%）。短期分析中该方法表现更突出，Montemarano地区R2提升0.25，证实雷达数据对植被穿透能力的贡献。

研究结论指出，该工作首次实现了山地葡萄园20米分辨率SM的长期动态监测，其创新性体现在三方面：1）建立适用于复杂地形的多源卫星协同框架；2）开发基于GEE的自动化处理流程；3）揭示C波段雷达在藤本作物监测中的穿透机制。相较于传统热红外方法（如TOTRAM），OPTRAM模型仅需单次参数化即可适用全生长季，大幅提升操作效率。

讨论部分强调，该方法为欧盟"下一代农业"计划（PNRR）中的智慧灌溉提供关键技术支撑，其RMSE 3.6-5.7%的精度满足精准农业需求。未来研究将聚焦机器学习算法优化，以解决藤架系统引起的信号衰减问题。这项研究不仅推动了遥感农学交叉学科发展，也为全球气候变化下的可持续葡萄栽培提供了可复制的技术范式。