利用紧凑极化表面散射和植被辐射传输模型的作物下土壤水分反演

《Science of Remote Sensing》：Soil Moisture Retrievals under Crops using Compact Polarimetric Surface Scattering and Vegetation Radiative Transfer Models

　　

从合成孔径雷达（SAR）观测中准确估计作物生长条件下的土壤水分极具挑战性，因为需要从总后向散射中提取土壤贡献。紧凑极化（CP）SAR具有降低的设计要求，是全极化SAR的可行替代方案，但尚未得到充分利用。本研究引入了两种土壤水分反演算法，利用冠层水云模型（WCM）和植被单次散射辐射传输（SSRT）应用于C波段CP数据。两个模型均通过CP-高级积分方程模型（CP-AIEM）进行校准。提出的算法，即CP-AIEM-WCM和CP-AIEM-SSRT，应用于在加拿大魁北克省AAFC-Lennoxville（Estrie，2022年和2023年）和Montérégie（2024年）的农田上获取的RADARSAT星座任务（RCM）CP数据。大豆、玉米和小麦田的土壤水分反演在较低入射角（≤30°）下比较高兴射角（>30°）表现更好，均方根误差（RMSE）为0.06–0.08 vs 0.09–0.10 m³/m³，反演率（IR）为70–89% vs 30–60%。在所研究的作物中，玉米田的估计精度高于大豆和小麦，在低入射角观测下RMSE最低（0.06 m³/m³）。通过分割训练和测试数据集进行了站点特定的交叉验证，以评估算法的可迁移性。研究人员观察到，两种算法在所有入射角和作物类型情况下表现良好，RMSE相似，交叉验证下IR略有降低（5–20%），从而支持了空间可迁移性的假设。

论文解读文章

研究背景与意义：土壤水分在水文和气候学中起着关键作用，影响天气、植物生长和径流，其准确估计对优化灌溉调度和促进精准农业至关重要。合成孔径雷达（SAR）遥感因其全天候、不受光照影响、能穿透植被覆盖及高空间分辨率等优势，成为农业地表土壤水分反演的研究热点。然而，在作物覆盖条件下，从总后向散射中分离土壤贡献极为复杂，过去研究多依赖于全极化（FP）SAR数据，但FP系统成本高、幅宽有限。紧凑极化（CP）SAR通过单一圆极化发射和双正交极化接收，降低了系统复杂度，提高了时间分辨率，却仍未被充分利用。现有基于CP的土壤水分反演方法多采用极化分解、机器学习或时间序列技术，而基于辐射传输模型对CP后向散射进行物理建模的研究相对较少。因此，本研究的动机是开发针对CP数据的辐射传输模型，以补偿植被覆盖对土壤信号的影响，从而实现作物条件下的土壤水分反演。

研究内容与结论：研究人员开发了两种新的土壤水分反演算法：CP-AIEM-WCM和CP-AIEM-SSRT。前者利用CP雷达植被指数（CpRVI）表征作物生长并量化冠层贡献，后者利用实地测量的植被含水量（VWC）和高度（H）计算植被贡献。两种算法均通过CP-高级积分方程模型（CP-AIEM）模拟裸土后向散射，并采用查找表（LUT）反演介电常数，再通过Dobson模型转换为土壤水分。研究基于RADARSAT星座任务（RCM）在加拿大魁北克省两个农业站点（AAFC-Lennoxville和Montérégie）的C波段CP数据，覆盖大豆、玉米和小麦田，进行了随机分割和站点间交叉验证。结果表明：在低入射角（≤30°）下，两种算法均比较高兴射角（>30°）表现更优，RMSE为0.06–0.08 m³/m³，反演率（IR）为70–92%；玉米田精度最高（RMSE=0.06 m³/m³），大豆次之，小麦最差。CP-AIEM-WCM总体略优于CP-AIEM-SSRT。交叉验证显示，RMSE保持稳定，IR仅下降5–20%，表明算法具有良好的空间可迁移性。该研究首次将水云模型（WCM）和单次散射辐射传输（SSRT）模型系统校准用于CP数据，为作物覆盖下土壤水分反演提供了新途径。论文发表在《Science of Remote Sensing》。

主要关键技术方法：研究采用了两种辐射传输模型：（1）水云模型（WCM），经麦克劳林级数简化后，利用CP雷达植被指数（CpRVI）作为植被描述符，通过L-BFGS算法优化参数A和B，计算植被体积散射贡献；（2）单次散射辐射传输（SSRT）模型，忽略多次散射项（< -30 dB），利用实地测量的VWC和H，优化参数ac和ω。表面散射模型采用CP-AIEM，基于FP-AIEM的电场积分转换得到。反演时，先去除植被贡献得到土壤后向散射，再通过基于LUT的两参数优化（ε和粗糙度）得到介电常数。样本来源：AAFC-Lennoxville（2022–2023年，大豆、玉米、小麦）和Montérégie（2024年，仅大豆），共涉及玉米、大豆、小麦田，粗糙度s=0.8–2.5 cm，l=6.7–12.4 cm。

研究结果：

4.1 CpRVI作为植被生长指标：CpRVI与H和VWC在多数情况下呈正相关（r=0.40–0.99），仅在玉米>30°时相关性不显著。在θ≤30°时动态范围更大，能更好反映作物生长；在θ>30°时易饱和。

4.2 WCM和SSRT的校准：WCM优化RMSE为1.06–2.17 dB，SSRT为0.70–1.99 dB。SSRT整体RMSE较低。参数A、B、ac、ω随入射角和作物类型变化。模型预测的植被贡献（σ_Veg）随CpRVI或VWC增加而增加，双向衰减（1-τ²）随之降低，符合物理意义。

4.3 土壤水分反演与验证：随机分割（40%训练，60%测试）下，CP-AIEM-WCM在θ≤30°时反演率（IR）为89–92%，RMSE=0.06–0.10 m³/m³，相关性r=0.69–0.81；θ>30°时IR降至17–76%。CP-AIEM-SSRT表现类似，但玉米在θ>30°时IR=43%，大豆在θ>30°时r=0.69。总体而言，低入射角下两种算法均更优。

4.4 时间序列对比：两种算法的时间变化趋势与实测土壤水分一致。CP-AIEM-WCM在玉米（RMSE=0.04 vs 0.08 m³/m³）和小麦（0.07 vs 0.10 m³/m³）上优于CP-AIEM-SSRT；而CP-AIEM-SSRT在大豆（0.04 vs 0.06 m³/m³）上更优。湿润条件下两种算法均存在10–20%低估。

4.5 算法可迁移性：针对大豆的三种训练-测试策略（随机分割、Site1训练→Site2测试、Site2训练→Site1测试）显示，RMSE在各策略下保持稳定（0.08–0.10 m³/m³），但IR在跨站点时下降5–20%，相关性r略有降低。CP-AIEM-WCM比CP-AIEM-SSRT更稳定，受站点差异影响更小。

讨论与结论：讨论部分指出，CpRVI作为WCM的植被描述符比原位VWC和H更适用于实用化，因其标准化且有界。SSRT对原位数据的依赖限制了其大规模应用。WCM的麦克劳林展开在密集植被下可能低估衰减，导致土壤贡献高估。SSRT忽略多次散射在C波段农业条件下合理。两种算法在低入射角和中低植被覆盖下表现稳健，但高入射角和密集冠层下精度下降。结论总结：研究开发了两种基于辐射传输模型的土壤水分反演算法（CP-AIEM-WCM和CP-AIEM-SSRT），并通过RCM数据验证。CP-AIEM-WCM在统计指标上略优，玉米效果最佳，低入射角是关键。三种验证策略表明算法具有空间可迁移性，但需进一步在异质环境下验证。未来研究应探索遥感代理变量替代原位参数，并扩展至多频率分析。