《Water》：Remote Sensing of Surface Soil Moisture: A Comprehensive Review of Retrieval Methods and Satellite Products
编辑推荐：
土壤水分（SM）是地表水循环与能量循环中的关键参数，在农业、水文学和大气科学中发挥着重要作用。遥感（RS）已被广泛应用于SM反演，然而现有综述大多聚焦于单一数据源或特定方法，缺乏从反演原理到产品应用的系统性路径梳理，这对初入该领域的研究人员构成了一定障碍。为弥
土壤水分（SM）是地表水循环与能量循环中的关键参数，在农业、水文学和大气科学中发挥着重要作用。遥感（RS）已被广泛应用于SM反演，然而现有综述大多聚焦于单一数据源或特定方法，缺乏从反演原理到产品应用的系统性路径梳理，这对初入该领域的研究人员构成了一定障碍。为弥补这一不足，本研究基于不同RS数据源，对常用SM反演模型进行了全面综述，涵盖光学、热红外、主动微波、被动微波及多源融合方法，并系统评述了其基本原理、假设条件、优势与局限性。与此同时，本文对主要卫星SM产品的关键参数（如时空分辨率、覆盖范围及数据可获取性）进行了归纳与比较。通过将方法学阐释与产品特征相结合，本综述可为进入该领域的研究人员提供实用参考，有助于其在SM反演应用中做出合理决策。
2. 遥感SM产品
基于RS数据并借助多种反演方法，已有大量SM产品发布并得到广泛应用。这些产品已被用于不同研究领域，包括野火范围预测、森林退化驱动因素分析、山洪预警、降雨估算、气候变化预测以及农业水资源管理等。本研究对常用的全球卫星SM产品及其再分析产品进行了统计概述，并对其相关参数进行了综合归纳与分类。
目前，已有大量研究采用不同指标和侧重点评估了SM产品在不同区域的质量与适用性。Karthikeyan等人的综述评估了美国境内的十种传感器及ESA-CCI合成产品，与ISMN数据验证的结果表明，SMAP和SMOS产品表现更优，精度较高且对季节和区域变化的敏感性较低。Fascetti等人利用三重校准（TC）和四重校准（QC）技术评估了欧洲及北非地区ASCAT、SMOS、ERAInterim/Land及ISMN测量的误差，结果显示ERAInterim/Land表现最佳。Burgin等人对SMAP与其他产品进行了全球对比和季节性分析，发现SMAP与SMOS、ASCAT等产品的均方根差（RMSD）和相关系数（R）在北半球和南半球的春季和冬季表现更好。
产品精度评估结果的差异可能源于多种原因。例如，评估过程中所选验证点的分布会影响产品精度评价；产品精度通常表现出明显的季节变化，夏季精度较好，冬季因冻土可能导致精度下降。此外，观测数据为点尺度，而SM产品通常代表区域尺度平均值，这种空间尺度不匹配会降低评估结果。除尺度失配外，卫星SM产品的不确定性还源于反演-验证链中的多个环节，包括传感器相关的不确定性（如辐射噪声、定标误差和射频干扰（RFI））以及验证不确定性（如地面测量固有误差、尺度失配的代表性误差及地理定位失配等）。产品自身的不确定性通常可归因于建模过程，复杂物理过程可能通过参数化被简化，且不同产品针对特定区域采用不同的参数化方案。SM产品的精度还受土地覆盖、土壤质地和数字高程信息等不同数据类型的选择与尺度匹配的制约。
3. 遥感SM反演方法
基于RS数据的SM反演方法近年来发展迅速。本文根据不同的RS数据类型对多种技术进行了归纳和介绍，将其分为基于光学数据的方法、基于热红外数据的方法、基于微波数据的方法以及基于多源数据的方法。
3.1. 光学遥感反演SM
0.35–2.5 μm波长范围通常被称为光学波段，涵盖可见光（VIS）和近红外（NIR）波段。基于光学RS的方法包括反射率法、指数法和光学梯形模型（OPTRAM）。利用光学数据进行反演的技术原理相对简单且空间分辨率高，但光学数据易受云层和阴影干扰，难以在短时间内实现大区域全覆盖。
3.1.1. 基于反射率的方法
自20世纪60年代起，研究开始探索在理想环境或实验室条件下利用光学反射率反演SM的潜力，结果表明在低湿度条件下土壤反射率随SM增加而降低。Liu等人通过干燥土壤反射率对反射率进行归一化以减小土壤固有属性和结构的影响，并采用线性和非线性方程描述相对反射率与SM的关系。Whiting等人提出了土壤水分高斯模型（SMGM），利用近红外-短波红外区域的土壤反射率通过线性回归方程量化含水量。Sadeghi等人基于Kubelka–Munk双通量辐射传输理论开发了反演模型，揭示了短波红外区域变换反射率与土壤含水量之间的线性关系。反射率法通常具有特异性，由于土壤质地、地表粗糙度和土壤物理性质的差异，所构建的经验方程和参数往往需要理想化或假设性条件，难以普遍适用。
3.1.2. 基于指数的方法
基于指数的方法通常建立植被或干旱指数与SM之间的关系以实现SM反演。以NDVI为代表的植被指数虽与SM存在一定相关性，但主要反演根区SM且存在时间滞后，反演结果受植被类型和覆盖度等因素影响。VCADI基于反照率-NDVI特征空间构建，无需多源数据融合。PDI基于近红外-红特征空间构建，在低植被覆盖或裸土区域表现良好；MPDI通过引入植被覆盖度克服了PDI的局限。DDI同样基于近红外-红反射率空间，通过引入NDVI减轻植被干扰。TSMI在近红外-红特征空间中结合多个距离和角度形成十个参数，通过筛选与实测SM高度相关的参数确定最优回归方程。SMMI不依赖土壤线，计算更简便。RDI通过构建特定特征空间，在裸土和植被区域均表现出优于PDI和MPDI的性能。基于指数的方法因其便捷性被广泛使用，但可见光/近红外波段仍易受云层影响，且植被覆盖度会显著影响某些指数。
3.1.3. OPTRAM
Sadeghi等人将SM与短波红外变换反射率（STR）的线性物理关系与双通量辐射传输模型相结合，推导出OPTRAM模型。OPTRAM无需多源数据，利用不同光学数据可获得较高的反演精度，且基于物理关系而非经验模型进行SM反演，可靠性更高。
3.2. 热红外遥感反演SM
3–14 μm波长范围通常被称为热红外（TIR）波段。基于TIR RS的反演方法主要利用土壤热特性计算热惯量（TI）或表观热惯量（ATI）等参数，再将这些参数与SM含量相关联进行反演。TI是描述抵抗温度变化能力的物理变量。Price等人引入了ATI，其中A为地表反照率，ΔT为昼夜温度差，两者均可通过RS数据计算。ATI模型近年来已被众多学者接受并深入研究。基于TIR的方法与光学反演方法类似，仅适用于无云条件下的SM反演，且TI方法易受局部地理条件影响，需要地面参数校正，在高蒸散区域的应用也受到限制。
3.3. 微波遥感反演SM
微波SM反演最常用的波段为L波段、C波段和X波段。微波信号不受雨云条件影响，反演深度可达0–5 cm，在大尺度SM反演中具有显著优势。微波RS技术根据传感器工作模式可分为主动微波和被动微波系统。
3.3.1. 基于主动微波的方法
主动微波发射与接收电磁辐射的能量功率差通常用后向散射系数表示。反演模型一般分为物理模型、半经验模型、经验模型和变化检测法。物理模型从电磁理论出发推导后向散射系数，常见模型包括基尔霍夫近似（KA）、小扰动法（SPM）、积分方程模型（IEM）、改进积分方程模型（AIEM）和密歇根微波冠层散射模型（MIMICS）。物理模型理论基础较强，但参数复杂、实现困难，且特定模型受地表粗糙度约束。半经验模型基于物理关系和经验数据建立，目前应用最广泛的是Oh模型、Dubois模型和Shi模型。这些模型仅适用于裸土，在植被区域反演需与其他数据和模型集成。经验模型基于大量RS数据和相应站点实测数据建立统计回归方程，虽简便直接，但经验关系通常要求粗糙度恒定，参数常随区域或年份变化，模型可迁移性差。Wagner等人提出的变化检测方法通过分析多时相后向散射系数差异与相应SM变化之间的关系进行SM反演，假设观测期间后向散射系数的变化主要源于SM变化，后续研究通过引入植被指数进行校正以减少植被效应的影响。
3.3.2. 基于被动微波的方法
基于被动微波的方法利用接收到的地表反射信号强度与发射信号强度（通常表示为亮温TB）进行反演。Mo等人提出了适用于植被区域的零阶辐射传输模型，即τ-ω模型。基于τ-ω辐射传输模型已发展出多种模型，包括生物圈L波段微波发射模型（L-MEB）、单通道算法（SCA）、双通道算法（DCA）和陆面参数反演模型（LPRM）。半经验模型中，最常用的是Q/H模型和Q/P模型，用于估算粗糙土壤的反射率。经验模型通常通过建立微波辐射亮温或微波地表发射率与SM之间的统计关系进行反演，但植被区域亮温与SM之间的关系复杂，此类模型难以考虑影响微波发射过程的众多特征，因此当前被动微波反演方法主要依赖物理模型和半经验模型。
3.4. 多源遥感反演SM
3.4.1. 基于光学与热红外的方法
结合光学和热红外RS数据进行SM反演的方法主要基于植被覆盖指数与地表温度构建三角形或梯形特征空间。Moran等人引入了Ts/VI特征空间概念，Sandholt在此基础上提出温度植被干旱指数（TVDI），并验证了TVDI值与模拟SM值之间的线性关系。TVDI在植被覆盖区域表现出优异的SM反演性能并得到广泛应用，但TVDI的构建严重依赖完整的Ts/VI特征空间，且不适用于高植被覆盖区域。
3.4.2. 基于光学与微波的方法
在裸土和植被较少区域，微波RS反演SM已取得满意结果，但在植被茂密区域实现高精度SM反演仍具挑战。水云模型（WCM）是应用最广泛的光学与微波数据SM反演模型，将植被层视为各向同性散射体，定义地表后向散射为植被直接散射与经植被双向衰减的土壤散射之和。许多学者对WCM进行了改进，并将其与AIEM、Oh等裸土模型结合以消除植被效应。结合光学与微波模型的优势在于可减轻植被生物量和地表粗糙度对后向散射系数的影响，但WCM依赖区域特定经验参数，且难以获取准确的植被描述参数，限制了其泛化能力和反演精度。
3.4.3. 基于热红外与微波的方法
结合TIR和微波数据可改善SM反演结果，但两类数据可能存在时空失配，因此目前基于TIR和微波数据进行SM反演的研究相对有限。Zhao等人提出了基于MODIS TIR数据和AMSR-E被动微波数据的协同SM反演方法，利用MODIS TIR数据反演基线SM值，AMSR-E数据反演日变化量。Zhou等人提出了基于ATI反演模型和Q/P反演模型的方法。大多数结合TIR和微波数据的方法依赖于广泛应用的TIR反演模型、微波反演模型和SM产品，虽提高了反演精度，但仍缺乏普遍适用的反演模型。
4. 结论
本研究基于数据源分类对SM反演方法和产品进行了全面综述，系统比较了其基本原理、假设条件、优势和局限性。几乎所有微波SM反演产品都存在由RFI导致的空白数据区域，植被和冰盖覆盖也阻碍了产品数据的时空完整性。目前SMAP产品在多数研究中表现相对较好，数据覆盖较为完整。光学、热红外和微波是SM反演的主要数据源。光学和热红外RS方法空间分辨率高，有利于小尺度SM反演，但适用于无云和低植被覆盖条件；微波RS方法不受云层限制，可实现全球尺度反演，但需仔细考虑地表因素。多源RS数据反演方法结合了各数据源的优势，能更好地克服云层、植被和地表粗糙度等因素的干扰，发展前景广阔。机器学习为传统物理模型和经验方法提供了有力补充和延伸，可有效减少对地表粗糙度等难以获取参数的依赖，在植被条件下表现出良好的适应性，但仍存在物理可解释性不足、跨区域泛化能力有限及对训练数据质量依赖等问题。
