多云、降雨及灌溉条件下作物覆盖区基于合成孔径雷达（SAR）的土壤水分反演方法对比分析

《Journal of Hydrology: Regional Studies》：Comparative analysis of SAR-based soil moisture inversion methods for crop-covered under cloudy, rainy, and irrigation conditions

　　

摘要
研究区域
本研究选取中国江西省主要油菜产区作为研究区。作为典型的南方耕作区，该区域具有频繁的云雨天气和常规灌溉的特点，是研究复杂气象和农业管理情景下土壤水分反演的理想代表性地。
研究重点
为提升作物覆盖区土壤水分反演的适用性，本研究结合随机森林（Random Forest， RF）和水云模型（Water-Cloud Model， WCM），融合了Radarsat-2全极化合成孔径雷达（Synthetic Aperture Radar， SAR）数据与HJ-2A/B多光谱数据。在晴朗、无灌溉条件下，利用RF算法融合光学与SAR特征，构建了直接反演模型。在多云、降雨及灌溉条件下，则采用间接方法：RF算法首先反演冠层参数——叶面积指数（Leaf Area Index， LAI）和植被含水量（Vegetation Water Content， VWC），然后将其耦合到WCM中，从雷达后向散射信号中估算土壤水分。
新水文见解
确定了最优策略：通过RF直接融合光学与SAR特征达到了最高反演精度（R² = 0.90）。在间接方法中，耦合VWC的WCM方案优于耦合LAI的方案，最高R²达到0.61。通过原位观测和气象数据验证，结果证实了模型的稳健性。本研究建立了一个针对性的SAR土壤水分反演框架，填补了南方油菜产区精准土壤水分监测的技术空白，并为类似农业区域提供了实用参考。

**论文解读：多云、降雨及灌溉条件下作物覆盖区基于SAR的土壤水分反演方法对比分析**

**一、 研究背景与意义**
土壤水分作为连接地表水、大气水和地下水的关键变量，是全球生态系统的重要组成部分，对维持生态系统稳定、功能和生物多样性至关重要。在农业领域，作物覆盖下的土壤水分是重要的水文状态变量，直接影响作物生长、发育和产量形成。及时、精确、大范围地监测作物覆盖下的土壤水分，对于保障粮食安全和推动农业可持续发展具有重要意义。

传统土壤水分监测主要依赖人工或仪器定点观测，虽然数据精度高，但成本高昂，难以满足大范围监测需求。地表模型可以模拟土壤水分的时空分布，但模拟挑战较大且需要严格的模型输入参数。随着对地观测技术的发展，遥感技术逐渐应用于大范围土壤水分监测。光学遥感具有空间精度高和光谱信息丰富的优势，已广泛应用于作物覆盖区土壤水分反演，但其无法穿透作物冠层直接反映土壤水分含量，且常受降雨、云等大气因素影响，难以在复杂天气下获取可靠数据。

合成孔径雷达（Synthetic Aperture Radar， SAR）作为一种具有强穿透能力的主动微波遥感设备，能够在全天候条件下获取地表信息，对云层和降水不敏感，但对地表介电特性变化具有高敏感性。土壤水分含量的变化会导致土壤介电特性的改变，进而影响微波信号与作物-土壤层相互作用后的回波。基于微波信号与土壤水分的相互作用机制，SAR遥感可用于反演土壤水分含量。在频繁降水或农业灌溉区域，SAR相比光学遥感在土壤水分监测上表现出更高的稳定性和连续性，在复杂气象和农业条件下具有不可或缺的优势。

目前，基于SAR的裸土土壤水分反演已相对成熟，但大多数现有反演模型主要适用于裸土条件，在植被覆盖地表表现不佳。植被的吸收和散射降低了雷达信号对土壤水分的敏感性；同时，植被覆盖和地表粗糙度引起的多次散射效应会干扰雷达后向散射，加之传感器参数对散射贡献解释的限制，使得在中等至高植被覆盖下准确分离与土壤水分相关的后向散射变得困难，导致反演精度显著下降。

现有研究大多集中在少云、少雨、无灌溉条件下的模型开发与比较，这主要是由于在多云和降雨条件下难以同步获取高质量的光学影像和原位观测数据，且降水或灌溉引起的土壤水分快速波动增加了采样不确定性。此外，复杂气象条件下的反演策略选择仍存在争议，现有结果缺乏一致性和基于情景的系统性比较。因此，有必要在多云、降雨及灌溉条件下对比分析多种反演方法，并最终构建适用于此类条件下作物覆盖区的稳健SAR土壤水分反演模型。

本研究聚焦于江西省主要油菜产区，旨在开发一种适应复杂气象和灌溉情景的稳健SAR土壤水分反演模型。通过集成中国气象局的云雨分类标准与田间灌溉信息，引入面向情景的反演途径，在不同情景下切换直接反演和间接估算策略，以考虑植被冠层和土壤散射贡献的变化，从而提高反演的可靠性。研究的主要创新在于构建情景自适应的土壤水分反演策略，而非优化单一方法。联合考虑气象条件和灌溉活动定义多种情景，并系统评估不同模型在这些情景下的适用性。融合Radarsat-2和HJ-2A/B多源遥感数据，结合半经验模型和机器学习方法的优势，建立“多源、多模型、多情景”协同反演框架。本研究在《Journal of Hydrology: Regional Studies》期刊上发表。

**二、 关键技术方法概述（约250字）**
为应对复杂条件，研究构建了情景分类反演框架。根据云量、日降水量和灌溉信息定义了四种典型情景：少云少雨无灌溉、少云多雨/有灌溉、多云少雨无灌溉、多云多雨/有灌溉。针对不同情景，采用两种反演途径：在土壤水分稳定情景（少雨无灌溉）下，采用随机森林（RF）算法进行直接反演；在土壤水分快速变化情景（多雨/有灌溉）下，采用间接反演，即先用RF反演相对稳定的冠层参数（LAI或VWC），再将其输入水云模型（WCM）估算土壤水分。

研究利用了江西省高安市油菜产区的多源数据。遥感数据包括四期Radarsat-2全极化C波段SAR影像和同期HJ-2A/B多光谱影像。地面观测数据通过在关键物候期开展的四次野外实验获取，共设置了32个采样点，测量了5厘米深度的土壤水分、LAI和VWC，并进行了严格的质量控制，最终获得128个有效样本用于模型训练与验证。特征提取方面，从SAR数据中提取了后向散射系数和极化分解（如H/A/α分解、Freeman-Durden分解）分量；从光学数据中提取了多光谱波段反射率和20个常用植被指数。通过几何配准和重采样实现多源数据空间匹配。模型训练采用K折交叉验证结合网格搜索优化RF超参数，WCM参数校准则采用粒子群优化（PSO）与信赖域反射（TRF）算法相结合的策略。

**三、 研究结果**

**1. 特征提取与选择**
通过对SAR数据进行预处理和极化分解，每个关键生长期获得10个SAR遥感特征；通过对光学数据进行预处理和光谱指数计算，获得25个光学遥感特征。将总计35个特征输入RF模型进行重要性评估，保留重要性排名前80%的特征作为关键变量。以抽薹期为例，特征重要性评估结果表明，土壤水分反演与作物冠层参数反演的特征重要性结果存在显著差异，表明油菜植株和土壤水分对SAR信号和光学反射特性的响应不同。总体而言，HH、VH和VV后向散射系数在基于SAR的土壤水分和VWC反演中重要性较高；光学波段B1、B2、B4和B5在基于光学的反演中更为重要；在光学-SAR协同反演中，NPCI、PPR和VH等特征表现出较高重要性。

**2. 油菜覆盖下土壤水分反演**
研究基于降雨、灌溉等影响因素，共设计了27种反演方法，涵盖两种反演途径、三种遥感数据源组合以及两种耦合冠层参数。定量验证与比较表明：
* **直接反演**：基于RF算法融合光学-SAR特征的直接反演精度最高，验证集R²达0.90，nRMSE为0.10，优于单独使用SAR或光学数据。
* **间接反演**：在间接反演中，耦合VWC的反演方法性能优于耦合LAI的方法。其中，基于SAR数据、耦合VWC、采用VH极化的间接反演精度相对较高，验证集R²为0.61，nRMSE为0.21，且优于基于光学或光学-SAR融合的间接反演。不同雷达极化模式对反演精度的影响相对较小，其中VH极化在验证集中表现略好。

区域反演结果的空间分布显示，不同反演方法得出的土壤水分在全生育期内具有相似的时序变化趋势。空间上，东南和西南区域土壤水分较高，西北区域较低，这与研究区土地利用空间分布格局有关。

**3. 基于气象数据的间接验证**
将土壤水分反演结果与研究区（高安市）气象站数据进行对比，结果显示反演结果与区域气象数据总体一致。在油菜开花和角果成熟期，区域降水充沛，反演的土壤水分值较高；在抽薹期，降水较少，反演值较低；在苗期，虽然降水有限，但播种期频繁灌溉导致田间土壤水分储备充足，反演值略高于抽薹期。在不同云雨灌溉情景下，基于RF直接反演和光学-SAR间接反演得出的土壤水分估计值与气象变化更为一致。

**4. 不同土壤水分反演方法的比较**
* **空间分布特征**：通过计算莫兰指数（Moran’s I）和变异系数（CV）分析空间差异。不同反演方法的莫兰指数差异较小，均约为0.79，表明整体空间连续性较强。但CV值差异显著，光学及光学-SAR协同反演方法空间变异性较低，空间分布更均匀连贯；SAR间接反演方法空间一致性相对较差；直接反演方法空间连续性表现中等但稳定。高精度模型并不总是具有更强的空间连续性。
* **极值捕捉能力**：RF直接反演模型对极高或极低水分条件的捕捉能力有限。而耦合冠层参数的间接反演方法在捕捉土壤水分空间变化趋势方面表现更好，尽管其整体精度因误差累积而较低。
* **情景适用性**：通过评估各模型在四种典型气候-灌溉组合情景下的适用性得分（CI Score），发现SAR间接反演方法在各种云雨灌溉条件下适用性最强，泛化能力最高。光学及光学-SAR间接模型和SAR直接模型次之。光学-SAR直接反演模型虽然精度最高，但CI Score最低，情景适用性最有限。综合考虑反演精度和情景适用性，SAR间接反演模型更具优势。

**四、 讨论与结论**

**讨论部分总结**
研究人员讨论了分类建模的必要性。分类建模充分考虑了遥感数据对不同环境因素的响应差异，对提高土壤水分反演的精度和适用性起到了关键作用。反演结果表明，直接反演精度高于间接反演。在直接反演中，基于RF的光学-SAR协同反演验证R²高达0.90；而在间接反演中，耦合SAR反演VWC的方案验证R²为0.61。间接反演涉及冠层参数反演和土壤水分估算两个步骤，误差的累积在一定程度上限制了其精度。

油菜不同物候期的生长状况对土壤水分的空间分布及反演精度有显著影响。在生长中前期，冠层覆盖度较低，SAR和光学遥感捕捉地表土壤信息的能力较强，反演精度较高。随着油菜生长，植株体积增大，C波段SAR信号穿透冠层能力下降，光学遥感对土壤水分变化的敏感性也因冠层遮挡而降低，导致反演精度下降。分类建模不仅提高了模型的精度和稳定性，也避免了单一反演方法在复杂环境下的局限性。

研究对比了不同反演方法。在直接反演中，融合光学-SAR特征的RF模型精度最高。在间接反演中，基于SAR反演VWC的土壤水分反演精度高于基于光学或光学-SAR协同反演VWC的方案，这表明SAR遥感对VWC变化更敏感。然而，光学-SAR协同间接反演未能显著优于单一SAR间接反演，这归因于误差传播路径的差异以及两阶段反演过程中物理感知一致性的降低。在特征重要性方面，SAR特征中的VH交叉极化、光学特征中的NPCI和PPR表现出高重要性。在耦合冠层参数选择上，使用VWC作为WCM输入比使用LAI获得了更高的反演精度，这与VWC对微波散射的物理响应机制更直接有关。不同雷达极化模式对反演精度影响较小，VH极化略优。

研究还比较了不同反演方法的空间结构合理性和情景适用性。综合分析表明，直接反演方法具有精度高的优势，但存在极值检测能力和情景适应性方面的局限。在间接反演中，基于SAR耦合VWC的方案虽然在空间异质性方面表现较差，但相比光学及光学-SAR间接方法取得了更高的反演精度，且比直接反演方法具有更好的情景适用性。

研究人员也指出了研究的局限性，如受云雨条件限制，野外测量样本量有限，缺乏降水或灌溉后即刻的数据；降水会通过改变地表粗糙度、植被介电特性和土壤水分垂直分布来影响微波散射机制，未来模型应纳入降雨校正模块；研究区地形为丘陵，但未明确考虑坡度、坡向等地形因子，未来工作应整合数字高程模型以提升复杂地形下的适用性。

**研究结论翻译**
土壤水分作为生态系统的关键因子，对于监测作物生长至关重要。为提升复杂云、雨及灌溉条件下基于遥感的土壤水分反演的适用性，本研究以江西省主要油菜产区的油菜为研究对象，结合RF算法与WCM，构建并系统比较了适应不同气象和灌溉情景的直接与间接反演方法，形成了一个稳健高效的土壤水分反演框架。结果表明，在晴朗天空条件下，基于RF、利用光学-SAR遥感特征的直接反演达到了最高精度，R²达到0.90。在多云、降雨或灌溉条件下，基于SAR反演VWC的土壤水分反演方法表现最佳，具有更好的情景适应性，验证R²最高达0.61，表明其在油菜覆盖区土壤水分反演中的优势。此外，通过原位土壤水分和气象数据验证，进一步证实了反演结果的合理性和实用性。