基于特征空间变换的合成表面粗糙度方法用于改进C波段SAR数据地表土壤水分反演

《Remote Sensing》：Synthetic Surface Roughness Using Eigen-Space Transformation Approach for Improved Surface Soil Moisture Retrieval from C-Band SAR Data

　　

准确估计土壤表面水分（SSM）对于水文建模、精准农业和干旱监测等各种应用至关重要。随着合成孔径雷达（SAR）数据获取和建模技术的进步，SSM的准确反演已变得日益可行。C波段（5.36 GHz）SAR数据对表面粗糙度相对于传感器观测方向的敏感性显著影响地表土壤水分估计结果。因此，为填补这一研究空白，研究人员采用了一种改进的特征空间变换方法，以获得优化的表面粗糙度估计值，称为合成表面粗糙度（SSR）。与交叉极化比（CPR）（r = 0.70, RMSE = 0.35）和各向异性倒数（AI）（r = 0.59, RMSE = 0.49）相比，所提出的SSR结果与所有方位角下的田间尺度表面粗糙度值（r = 0.77, RMSE = 0.08）显示出充分的统计显著性。研究人员利用SSR作为粗糙度代理，对改进的Dubois模型（Mod. Dubois）进行反演，以获取介电常数（ε_SSR），在表面粗糙度高达4 cm和原位介电常数值高达8.5（约29%体积土壤水分）的条件下表现出可靠性能。然而，超过这一阈值会导致ε_SSR的低估（偏差= ?0.43），因此研究人员引入了一种新框架——优化介电模型（ε_ODM），该模型采用分段约束角投影校正。由ε_ODM反演得到的体积含水量（mv_ODM）在与广泛采用的后向散射模型（即Mod. Dubois、校准积分方程模型（Calibrated IEM）、Oh模型（Oh）和改进Oh模型（Mod. Oh））进行比较时，在多种土壤水分条件下表现出良好性能（r = 0.86, RMSE = 0.04, 偏差= 0.02）。

**论文解读文章**

**研究背景与问题**
土壤表面水分（SSM）是水文建模、精准农业和干旱监测的关键参数。合成孔径雷达（SAR）凭借全天候、高空间分辨率及对目标介电和散射特性的敏感性，被广泛用于SSM反演。然而，C波段（5.36 GHz）SAR数据对地表粗糙度方向相对于传感器观测角度的变化极为敏感，导致反演结果存在显著偏差。现有前向散射模型（如Dubois模型、积分方程模型（IEM））虽被广泛采用，但难以有效处理田间尺度上由耕作方向引起的粗糙度方向变化，尤其在高粗糙度与高水分条件下，后向散射信号对粗糙度和水分的模糊响应导致介电常数低估。此外，半经验模型（如交叉极化比（CPR）和各向异性倒数（AI））在粗糙度方向角超过45°或10°时性能显著下降。因此，研究人员开展本研究，旨在通过特征空间变换优化粗糙度表征，并引入分段校正机制，以改进C波段SAR数据的SSM反演精度。论文发表在《Remote Sensing》。

**关键技术方法**
本研究基于Sentinel-1 C波段（5.36 GHz）SAR的GRD和SLC产品，在印度泰米尔纳德邦Perambalur县Veppanthattai的两个试验点（粘壤土，砂26%、粉砂34%、黏土40%）采集150个样本。田间测量包括：使用1米针式轮廓仪获取田间尺度表面粗糙度（F-hrms，单位cm）及其方向角（10°–90°），Theta 150 Kit测量体积含水量（5 cm深度），微波矢量网络分析仪测定原位介电常数（ε_in）。主要技术方法包括：主成分分析（PCA）对VV、VH后向散射、CPR、熵（H）和AI进行特征空间变换，提取第一主成分（PC1）作为合成表面粗糙度（SSR）；将SSR、CPR、AI分别作为粗糙度代理输入改进Dubois模型（Mod. Dubois）反演ε_SSR、ε_CPR、ε_AI；利用修剪精确线性时间（PELT）变化点检测算法确定介电常数阈值（8.5），对ε_SSR超过阈值的像素应用分段约束角投影校正，得到优化介电模型（ε_ODM）；最后通过二次回归模型从ε_ODM估计体积含水量（mv_ODM）。

**研究结果**
**3.1 比较CPR、AI和SSR**
通过分析不同方向角下SAR描述符与F-hrms的相关性，发现CPR和AI在方向角大于45°NE（CPR：r=0.63，RMSE=0.42）或10°NE（AI：r=0.55，RMSE=0.54）时性能显著下降，且AI对高粗糙度（5–6 cm）敏感性低（r=0.69）。而SSR在所有方向角下均表现出与F-hrms的一致相关性（r=0.77，RMSE=0.08，偏差=?0.06），且各粗糙度类别（<2 cm至5–6 cm）的偏差均接近零（?0.03至?0.05），表明PC1变换有效消除了粗糙度方向的影响。

**3.2 增强介电常数与增强地表土壤水分**
以SSR为粗糙度代理时，ε_SSR在介电常数≤8.5（对应SSR≤0.38，粗糙度≤4 cm）条件下表现可靠（r=0.85，RMSE=0.62，偏差=0.37），但超过阈值后出现低估（r=0.67，RMSE=1.75，偏差=?1.22）。通过分段约束角投影校正，ε_ODM在第二段（介电常数>8.5）的RMSE从1.75降至0.48（改进约73%），整体精度显著提升（r=0.86，RMSE=0.55，偏差=0.34）。最终mv_ODM的验证结果（r=0.86，RMSE=0.04，偏差=0.02）优于使用CPR（r=0.70，RMSE=0.09，偏差=0.10）和AI（r=0.62，RMSE=0.28，偏差=0.16）的Mod. Dubois模型，以及校准IEM（CIEM）、Oh和Mod. Oh模型。

**讨论总结**
讨论部分强调：CPR和AI在方向角增大时性能下降，源于VV极化对行向结构的强敏感性及各向异性参数在准各向同性条件下的趋零效应；而PC1变换通过调整VV和VH的载荷权重（旋转28°和118°），有效标准化了粗糙度序列的递减趋势，使SSR不依赖方向角。对于介电常数反演，ε_SSR在高粗糙度（>4 cm）和高介电（>8.5）条件下饱和，是由于C波段波长与粗糙度尺度相当，粗糙度散射主导后向散射，但ODM校正成功解决了该模糊性。与现有模型对比：mv_ODM性能（r=0.86，RMSE=0.04%）优于Mod. Dubois（r=0.70）、CIEM（r=0.72）、Oh（r=0.62）和Mod. Oh（r=0.68）模型，与卷积神经网络（CNN，R2=0.87，RMSE=0.014 m3/m3）和人工神经网络（ANN，R2=0.85，RMSE=0.045 m3/m3）结果相当。框架的局限性包括：仅适用于裸土；投影角依赖于粘壤土；未考虑植被影响；基于单次Sentinel-1获取数据验证。未来需在多地、多时相、不同作物管理条件下评估其可迁移性。

**研究结论翻译**
本研究提出了一种优化表面粗糙度的方法，通过考虑相对于SAR传感器观测方向的犁沟方向引起的变异性，从而改进地表土壤水分反演。研究人员从SAR描述符中开发了改进的特征空间变换，以明确表示合成表面粗糙度，从而最小化田间尺度方向对反演粗糙度的影响。使用交叉极化比和各向异性倒数评估了合成表面粗糙度的性能，表明其可靠地代表了田间尺度表面粗糙度，且对方向角的依赖性降低。这些粗糙度结果被用作改进Dubois模型中的粗糙度代理，以反演介电常数。当使用合成表面粗糙度作为粗糙度代理时，介电常数反演在约4 cm粗糙度和约29%土壤水分条件下最为一致。超过这一阈值，由于C波段SAR响应在高粗糙度和高介电组合条件下受限，改进Dubois模型对土壤水分变化的敏感性降低。为在保持干燥和束缚水条件下精度的同时解决高介电值时的偏差，研究人员引入了分段约束角投影校正。因此，所提出的集成框架结合了粗糙度方向校正和偏差校正的介电常数反演，为裸土上的地表土壤水分估计提供了物理上一致的改进。使用广泛采用的后向散射模型测试了所提出框架的性能，发现其非常有前景，可与机器学习方法相媲美。由于合成表面粗糙度评估仅在具有不同粗糙度和方向角的裸土条件下进行，该框架目前适用于X波段和C波段SAR数据的裸土表面。尽管在调查区域中，所提出的框架展示了改进的SSR反演以及随后的介电常数和地表土壤水分估计，但当前验证仅使用了一次Sentinel-1获取数据，在两个试验点进行。因此，所展示的稳健性仅限于研究数据集所代表的条件。未来研究应评估该框架在多个地理区域、不同土壤和表面粗糙度条件、不同作物管理实践以及多时相Sentinel-1观测中的适用性，以全面评估其可迁移性和可扩展性。