利用L波段合成孔径雷达优化极化与滤波策略提升高湿土壤水分估算精度

本研究针对高湿度土壤（体积含水量>0.3 m3/m3）中微波遥感灵敏度下降的难题，通过系统评估L波段SAR的极化方式与去噪滤波组合，发现HH极化与Frost滤波的组合在相关系数、灵敏度与误差控制方面表现最优，为灌溉管理与滑坡预警提供了高精度土壤水分遥感方案。

　　

在农业灌溉优化和地质灾害预警领域，精确获取土壤水分空间分布至关重要。传统测量方法受限于单点观测的局限性，难以反映大范围土壤水分的空间变异性。虽然微波遥感技术为区域尺度土壤水分监测提供了有效手段，但在高湿度环境中，其估算精度显著下降——当土壤体积含水量超过0.3 m³/m³时，雷达后向散射系数对水分变化的敏感性会明显降低。这一现象在东亚、东南亚等多雨地区尤为突出，这些地区的土壤含水量常超过0.4 m³/m³，火山灰形成的暗色土甚至可达0.7 m³/m³以上。

面对高湿环境下合成孔径雷达（SAR）土壤水分估算的挑战，日本明治大学的研究团队在《Science of Remote Sensing》上发表了一项突破性研究。他们通过系统优化L波段SAR的极化组合与去噪滤波策略，显著提升了高湿度土壤的水分估算精度。

研究团队主要采用了多极化SAR数据解析、去噪滤波算法优化与空间尺度匹配分析三大技术方法。数据来源于ALOS-2/PALSAR-2卫星获取的L波段全极化影像（包括HH、HV、VH、VV四种极化方式），配合现场部署的64个时域反射计（TDR）传感器网络进行地面真值验证。通过应用Boxcar、Lee、Frost、Gamma-Map、Refined Lee和Lee Sigma等六种去噪滤波器，并设置不同窗口尺寸（3×3至7×7像素），系统评估了滤波处理对土壤水分反演精度的影响。

3.1. 实测体积含水量

实验期间土壤体积含水量在0.3-0.7 m³/m³之间波动，且从测量开始到6月初一直保持在0.4 m³/m³以上。当平均体积含水量接近饱和时，空间变异性最小；而当平均值低于0.6 m³/m³时，标准偏差显著增大。水分分布呈现非均匀特征，西南部到中部区域含水量较高，边缘区域（除西南外）含水量较低，这种格局可能受微地形起伏的影响。

3.2. 极化与去噪滤波

在四种极化方式中，HH和VH极化表现出最优性能。HH极化与Frost滤波组合实现了最高的相关系数（R）、灵敏度和最低的均方根误差（RMSE）。特别值得注意的是，VH极化虽然灵敏度较低，但在Lee Sigma或Refined Lee滤波处理后，获得了最高的相关系数和较低的RMSE，显示其在高温土壤水分估算中的潜力。研究还观察到HV与VH极化之间的非互易性，这可能源于土壤水分分布的空间不对称性。

3.3. 去噪滤波窗口大小

滤波窗口尺寸对估算精度有显著影响。3×3窗口能有效降低噪声，而5×5窗口可进一步减少RMSE。但当窗口增大到7×7时，RMSE反而增加，表明过大的窗口会过度平滑信号，损失重要细节信息。对于具有高空间异质性的地表，较小的滤波窗口更有利于保持土壤水分的精细空间格局。

3.4. 原位体积含水量的确定

研究发现，后向散射系数与土壤水分的相关性受到地面真值空间平均范围的显著影响。当原位测量数据的空间平均范围与去噪滤波窗口的空间尺度相匹配时，相关系数达到最高。这表明SAR像元值有效地代表了与去噪滤波器空间范围相当的土壤水分平均值，强调了尺度匹配在遥感验证中的重要性。

研究结论表明，通过精心选择极化方式、滤波器类型和窗口大小，并结合适当空间尺度的地面测量，可以显著提高L波段SAR在高湿度土壤中的水分估算精度。HH极化与Frost滤波器的组合在各项指标上表现优异，而VH极化与Lee Sigma或Refined Lee滤波器的组合也为高湿度环境下的土壤水分监测提供了可行方案。

讨论部分强调，土壤类型和物理特性（如低干容重的火山灰土壤）对微波穿透能力有重要影响，这可能部分解释了为什么在高温条件下仍能观察到有意义的σ-θ关系。此外，去噪滤波的必要性在高湿度条件下尤为突出，因为后向散射系数随水分增加的速率会减缓，从而放大了噪声的相对影响。

这项研究的发现不仅为高湿度地区的土壤水分遥感提供了实用的技术方案，也为未来发展基于人工智能的土壤水分反演算法奠定了数据预处理基础。通过优化极化与滤波策略，L波段SAR在高湿度土壤水分监测中的应用潜力得到了实质性提升，为农业水资源管理和地质灾害预警提供了更可靠的技术支撑。