Sentinel-1卫星在国际土壤湿度监测网络上的植被光学厚度反演结果

《International Journal of Digital Earth》：Sentinel-1 vegetation optical depth retrievals over the international soil moisture network

植被光学深度（VOD）反演：基于Sentinel-1 C波段数据的WCM-Dubois模型研究，在ISMN站点验证表明，该算法在草地中表现最优（NDVI和EVI相关系数均达0.79），其次是农田和森林。通过耦合WCM与 Dubois土壤散射模型，结合站点尺度土壤湿度数据，实现了1km分辨率VOD的高精度反演，有效捕捉植被动态变化，但需注意土壤湿度对反演精度的影响及轨道差异带来的误差。

　　植被光学深度（Vegetation Optical Depth, VOD）是一种基于微波的植被指数，能够反映植被的水分含量和生物量。该指数主要通过低空间分辨率的被动微波数据进行获取，而主动微波数据在VOD反演方面的研究相对较少。Sentinel-1卫星自2014年起便提供了高分辨率（约10米）的C波段后向散射数据，其长期观测能力（超过20年）为高精度的VOD反演提供了良好的基础。本研究开发了一种基于水云模型（Water Cloud Model, WCM）的1公里分辨率VOD反演算法，并结合了杜博伊模型（Dubois model）来表示土壤后向散射特性。该算法的核心在于引入像素级别的土壤参数，同时结合年度植被参数以提高反演的准确性。

本研究的算法是在国际土壤水分网络（International Soil Moisture Network, ISMN）站点上进行开发的，这些站点提供了准确的土壤水分数据，作为反演过程中的输入。通过对VOD与两种光学植被指数（归一化植被指数，Normalized Difference Vegetation Index, NDVI；增强植被指数，Enhanced Vegetation Index, EVI）的对比，评估了该算法在时间序列上的表现。结果表明，该算法在VOD反演方面表现良好，其中草场的VOD与NDVI和EVI之间的相关性尤为显著，平均相关性达到0.79。这表明，将WCM与半经验土壤后向散射模型相结合，可以有效提升VOD反演的准确性。

被动微波观测由于其空间分辨率较低（约25-40公里），在监测植被动态和支持农业管理方面存在一定的局限性。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更高分辨率的VOD数据，且对无线电频率干扰（Radio-Frequency Interference, RFI）的敏感性较低，尤其是在较低频率如L波段的观测中。因此，Sentinel-1提供的高分辨率VOD数据在高空间分辨率应用中具有重要的潜力。

水云模型是一种半经验模型，能够简化地表与植被层之间的复杂相互作用。该模型在农业领域已有应用，通过结合不同的土壤后向散射模型，可以实现更大范围内的VOD反演。杜博伊模型是一种适用于不同地区的半经验模型，能够模拟土壤后向散射特性，而与Ulaby模型相比，其不依赖特定区域的土壤条件，因此具有更广泛的适用性。然而，杜博伊模型的数据依赖性和站点依赖性限制了其在实际应用中的推广。

本研究中，将杜博伊模型与水云模型相结合，以反演高分辨率的VOD。为了确保反演结果的准确性，采用了像素级别的土壤参数，并结合年度植被参数进行优化。此外，为了减少与卫星观测时间之间的时序差异，研究中使用了卫星观测时间窗内的平均土壤水分值作为输入。通过这一方法，有效提升了反演算法的精度和可靠性。

在VOD反演过程中，对土壤后向散射的模拟至关重要。本研究中，土壤后向散射的模拟基于杜博伊模型，该模型考虑了土壤表面粗糙度、介电常数、入射角和Sentinel-1传感器频率等因素。为了校准土壤后向散射模型中的参数，研究中采用了非生长季节的数据，这一季节的植被影响较小，便于对土壤后向散射进行准确模拟。通过这一方法，确保了VOD反演过程中土壤参数的准确性。

为了评估VOD反演的性能，研究中使用了植被光学深度与光学植被指数之间的相关性作为评价指标。结果表明，VOD与NDVI和EVI之间的相关性在不同植被类型中存在差异，其中草场的相关性最高。这表明，VOD在监测植被动态方面具有显著的优势，特别是在草场等植被密度较低的区域。

此外，研究还探讨了Sentinel-1卫星观测轨道对VOD反演性能的影响。由于不同观测轨道在时间序列上的差异，VOD与NDVI之间的相关性存在显著变化。研究中通过比较不同轨道下VOD与NDVI的相关性和斜率，揭示了观测轨道对反演结果的影响。结果显示，观测轨道的不同会导致VOD与NDVI之间的相关性差异高达21.2%，而斜率差异则更高，达到43.9%。这一结果表明，观测轨道的选择对VOD反演的精度具有重要影响。

研究还分析了土壤水分对VOD反演的影响。随着土壤水分的增加，模拟的土壤后向散射值呈指数增长，但该增长在一定范围内趋于稳定。当土壤水分超过某一阈值时，模拟的土壤后向散射值可能高于实际观测值，这可能导致VOD反演结果的偏差。因此，未来的研究需要考虑更精确的土壤后向散射模拟方法，如基于物理的模型，以减少VOD反演中的不确定性。

此外，研究还分析了NDVI对VOD反演精度的影响。结果表明，随着NDVI值的增加，VOD与NDVI和EVI之间的相关性呈下降趋势。这可能是由于光学数据在高植被覆盖区域的饱和效应所致。因此，在高植被覆盖区域，VOD与NDVI之间的相关性较低，而草场等植被密度较低的区域则表现出较高的相关性。

综上所述，本研究通过结合水云模型和杜博伊模型，开发了一种适用于Sentinel-1 SAR数据的高分辨率VOD反演算法。该算法在ISMN站点上进行了验证，结果表明其在监测植被动态方面具有较高的准确性，尤其是在草场等植被密度较低的区域。研究还指出了该算法在实际应用中可能存在的局限性，如土壤后向散射模拟的不确定性、观测轨道的选择以及NDVI饱和效应等。未来的研究可以进一步优化数据输入、融合多卫星数据以及改进土壤后向散射模型，以提高VOD反演的精度和适用性。此外，研究还强调了VOD在监测全球植被特征变化方面的潜力，特别是在半干旱地区，其长期和空间连续的特性使其成为研究植被动态的重要工具。