藏区铁路建设导致轻微的碳排放增加：草地光合作用能力的下降抵消了生长季节长度的延长所带来的影响

《International Journal of Digital Earth》：Tibetan railway induced slight carbon loss: photosynthetic capacity decrease offsets growing season length increase in grasslands

植被光学深度（VOD）反演研究基于Sentinel-1 C波段数据，结合Water Cloud Model（WCM）与Dubois土壤散射模型，开发了1公里分辨率VOD反演算法。通过国际土壤湿度网络（ISMN）53个站点2016-2022年数据验证，结果显示草地VOD与NDVI、EVI相关系数达0.79，验证算法在植被动态监测中的有效性，并提出土壤参数优化与多卫星数据融合作为改进方向。

　　植被光学深度（Vegetation Optical Depth，简称VOD）是一种基于微波的植被指数，用于表征植被的水分含量和生物量。该指数主要从低空间分辨率的被动微波数据中提取，而目前针对主动微波数据的VOD提取研究较少。Sentinel-1卫星自2014年起开始提供长期（超过20年）高分辨率（约10米）的C波段后向散射数据，这为高精度VOD提取提供了新的可能性。本研究开发了一种基于水云模型（Water Cloud Model，简称WCM）和杜波伊模型（Dubois model）的1公里分辨率VOD提取算法。该算法的特点在于引入了像素级别的土壤参数，结合年度植被参数，以提升VOD提取的准确性。该算法是在国际土壤水分网络（International Soil Moisture Network，简称ISMN）的站点上进行开发的，这些站点提供了准确的土壤水分数据作为输入。通过与两个光学植被指数——归一化植被指数（Normalized Difference Vegetation Index，简称NDVI）和增强植被指数（Enhanced Vegetation Index，简称EVI）进行对比评估，结果表明该算法在VOD提取方面表现良好，特别是在草地，VOD与NDVI和EVI之间的相关系数平均达到0.79。评估结果突显了结合WCM与半经验土壤后向散射模型在VOD提取中的潜在优势。

### 植被光学深度的背景与重要性

VOD在研究植被状态及其时间变化方面具有重要作用。由于被动微波观测的粗空间分辨率（约25-40公里），它们在局部尺度上监测植被动态和支持农业管理的能力受到限制（Boitard et al., 2024）。相比之下，基于合成孔径雷达（Synthetic Aperture Radar，SAR）的主动微波遥感技术能够提供重要的补充信息，用于估计高分辨率的VOD（<1公里）（El Hajj et al., 2019）。Sentinel-1 C波段SAR具有重要的潜力，其高空间分辨率（5米×20米）和重访周期（6-12天）使其在VOD提取中具有独特的优势（Zhou et al., 2022）。此外，与被动微波系统相比，主动微波系统对射频干扰（Radio-Frequency Interference，简称RFI）的敏感性较低，特别是在低频段如L波段的操作中（Li et al., 2021）。因此，高分辨率的Sentinel-1 VOD将成为开发高空间分辨率应用的关键。

### 水云模型与土壤后向散射模型的结合

水云模型（WCM）是一种半经验模型，用于模拟地表和植被层之间的复杂相互作用。该模型在计算大尺度上的植被后向散射时具有计算效率和模拟准确性。在农业领域的VOD提取研究中，WCM已被广泛应用（El Hajj et al., 2019）。随后，研究者将不同的土壤后向散射模型与WCM结合，以提高大尺度VOD提取的准确性。这些模型能够通过植被透射率和土壤效应来区分植被的影响，其中土壤效应由土壤水分和地表粗糙度在后向散射模拟中进行测量（Bai and He, 2015；Vreugdenhil et al., 2020）。在最近的研究中，Ulaby模型被选择用于全球尺度的ASCAT（ASCAT-IB）和Sentinel-1在黑河盆地草地的土壤后向散射模拟（Liu et al., 2021；Zhou et al., 2022）。

然而，由于大景观尺度上土壤特性的异质性（Wang et al., 2023），土壤后向散射模型的参数化是WCM在实际应用中的关键考虑因素。Ulaby模型建立了土壤后向散射与土壤水分之间的线性关系，其主要参数包括非常干燥条件下的裸土后向散射系数（C）和后向散射对土壤水分变化的敏感度（D）。在Sentinel-1和ASCAT的VOD提取中，用于校准D值的像素数量明显少于用于校准C值的像素数量（Liu et al., 2021；Liu et al., 2023），这可能导致某些问题，特别是在干旱地区，土壤水分几乎恒定，D值难以校准（Liu et al., 2023）。

### 土壤后向散射模型的选择与优化

鉴于杜波伊模型相较于Ulaby模型在不同区域的应用能力更强，且不依赖于区域特定的土壤条件，本研究探索了杜波伊模型在VOD提取中的潜力。为此，构建了一种半经验算法，以建立极化后向散射与VOD以及土壤介电常数之间的关系（Bai and He, 2015；Liu and Shi, 2016）。此外，目前大多数研究集中在区域或全球尺度的VOD提取上。然而，高分辨率VOD提取所需的高分辨率土壤水分输入在大尺度上并不可用，因此大多数VOD提取模型使用的是粗分辨率的土壤水分数据进行校准（Zhou et al., 2022）。这种做法导致每个像素内不同站点的土壤水分值被统一使用，忽略了像素内部气候和土壤特性变化的显著异质性。

### 研究方法与算法设计

本研究旨在利用WCM与杜波伊模型（简称“WCM + Dubois”）在Sentinel-1 SAR数据中进行高分辨率VOD提取，以评估不同植被条件下VOD提取的性能。研究重点放在国际土壤水分网络（ISMN）的站点上，这些站点提供了丰富的土壤水分数据，适用于多种土壤水分和植被类型条件下的VOD提取（Dorigo et al., 2013）。该算法的主要目标是评估VOD提取在不同植被条件下的性能变化。

在算法设计中，首先使用NDVI数据确定每个像素的非生长季节。非生长季节被定义为植被较为稀疏的时期，即NDVI值低于时间序列的25百分位。为了确保植被效应可以忽略，不进行土壤参数校准和VOD提取的像素被排除。接下来，每年对与ISMN站点对应的像素进行土壤参数校准。通过最小化非生长季节观测和模拟土壤后向散射之间的绝对差异，每年的土壤参数（s）被确定。最终，将校准后的土壤参数插入到WCM中，从而计算VOD。这一过程通过结合WCM和杜波伊模型的表达式，使得VOD的提取成为可能。

### 研究结果与评估

通过与NDVI和EVI进行比较，评估了VOD提取的性能。结果表明，该算法在VOD提取方面表现良好，特别是在草地，VOD与NDVI和EVI之间的相关系数平均达到0.79。这说明该算法在不同植被条件下的提取能力具有显著优势。此外，研究还分析了VOD与NDVI之间的相关性。结果显示，随着NDVI值的增加，VOD与NDVI之间的相关性下降，这可能与高植被覆盖区域的光学数据饱和有关（Tian et al., 2016）。

在不同土壤水分条件下，模拟土壤后向散射与总后向散射之间的差异被分析。结果显示，土壤水分越高，模拟土壤后向散射与总后向散射之间的差异越小，这可能与C波段SAR信号随湿度增加而增强，但超过一定阈值后趋于稳定有关（Bazzi et al., 2024）。此外，研究还发现，随着NDVI值的增加，VOD与NDVI和EVI之间的相关性显著下降，尤其是在高NDVI值区域。

### 讨论与展望

研究结果表明，该算法在半干旱地区（如草地和农田）的VOD提取性能优于其他植被类型。这可能是因为在这些区域，植被的后向散射效应较为显著，且土壤水分的异质性较低。然而，该算法在高植被覆盖区域的性能有所下降，这可能与光学数据的饱和效应有关。

未来的研究可以进一步优化数据输入，特别是在全球尺度上获取高分辨率的土壤水分数据，以提高VOD提取的准确性。此外，研究可以考虑融合来自不同卫星的VOD数据，如ASCAT和Sentinel-1的C波段后向散射数据，以弥补Sentinel-1 VOD在时间分辨率上的不足。通过引入长期VOD产品（如ASCAT-IB VOD），可以提升VOD提取的时间连续性，从而增强对植被动态变化的捕捉能力。

此外，该研究还表明，未来的研究可以开发更精确的土壤后向散射模型，以减少VOD提取中的不确定性。结合物理基础的VOD模型可以提高土壤后向散射模拟的准确性，从而提升整体提取效果。最后，该算法依赖于主动后向散射观测，因此可以用于与被动VOD数据集的对比研究。未来，可以进一步优化Sentinel-1的预处理流程，以提升基于该研究提出的方法的VOD提取性能。

### 结论

本研究的主要目标是评估2016年至2022年间Sentinel-1高分辨率VOD提取在ISMN站点上的性能。通过结合WCM与半经验的杜波伊模型，我们成功地开发了一种1公里分辨率的VOD提取算法。该算法在非生长季节前对土壤参数进行了校准，以确保提取结果的准确性。然而，由于土壤参数的估计存在局限性，该算法的性能仍受到一定限制。通过与NDVI和EVI的对比评估，结果显示该算法在捕捉植被动态变化方面表现良好，尤其是在草地，相关系数达到0.79。这表明，该算法在研究全球植被特征变化方面具有重要的应用潜力。

本研究的结果表明，该方法可以扩展到大尺度的VOD提取，特别是在高分辨率或下采样的土壤水分数据支持下。此外，未来的研究可以进一步改进土壤后向散射模型，以减少VOD提取中的不确定性。最后，该算法依赖于主动后向散射观测，因此可以用于与被动VOD数据集的对比研究。通过优化Sentinel-1的预处理流程，可以进一步提升基于该研究提出的方法的VOD提取性能。