基于遥感的SAR数据分层土壤锥指数估算：一项可行性研究

《Journal of Terramechanics》：Remote sensing-based estimation of layered soil cone index using SAR data: a feasibility study

　　

## 摘要

锥体指数（CI）被广泛用于表征土力学和越野通行性中的土壤强度，但贯入度仪调查属于原位测量，空间上稀疏，且在湿润或刚耕作过的田地里有时难以实施。本文提出了一种可行性层面的框架，利用卫星合成孔径雷达（SAR）结合基本的土壤类型信息，估算150–300 mm深度区间的分层CI。土体介电常数被视为主要状态变量：SAR一致的介电估计值通过三相混合模型转换为含水率，而干容重则根据土壤分类从地图/光学分类和参考表中指定。相对CI通过Ayers–Perumpral模型计算，并以统一土壤分类系统（USCS）各分类的参考CI范围为锚点。该框架利用已发表的Sentinel-1在耕作和草地覆盖砂质壤土（CI在0–200 mm处测量）的CI–含水率关系数据进行了评估。预测的CI保持了随含水率增加而单调递减的趋势；在草地覆盖条件下，估计值在约10–15%范围内吻合。对于耕地土壤，预测CI高出约30–50%，这与测量深度（0–200 mm）和目标层（150–300 mm）之间的深度不匹配一致。结果支持非侵入式、空间连续的CI制图，并推动了深度匹配的田间实验以及高级反演/多传感器建模以提升稳健性。

## 引言

锥体指数（CI）是衡量土壤力学强度的广泛使用的指标。它常用于评估土壤压实、安排田间交通、防止结构性土壤损害，以及预测越野车辆的通行能力。CI通常在现场使用贯入度仪进行测量（ASABE, 2023），这一过程需要专用设备、人力和时间。因此，CI测量提供的是局部点状信息，缺乏连续的空间覆盖，且难以在田间和区域尺度上实施。

此外，在敏感土壤条件下，进行CI测量可能需要进入田间或造成扰动，尤其是在含水率高或容重低的土壤中，例如农业耕作作业后（如苗床准备）。此类条件对机械扰动尤为敏感，可能改变土壤强度剖面。

土壤CI受多种相互作用土壤性质的控制，其中土壤水分、容重和土壤质地起主导作用（Ayers and Perumpral, 1982; Kumar et al., 2012）。实验研究表明，土壤水分对CI的影响具有强非线性和非单调性，即CI随水分增加先升高，随后随水分继续上升而降低，反映了土壤粘聚力和摩擦阻力的变化（Ayers and Perumpral, 1982）。相比之下，土壤容重对CI具有非线性的单调影响，容重越高，贯入阻力通常越大。这两种关系均强烈受土壤质地制约，土壤质地决定了孔隙结构、颗粒相互作用以及粘聚力和摩擦力的相对贡献。

因此，CI对水分和容重的综合响应在不同土壤类型间差异显著，使得不同田间和条件下的CI值难以直接比较。影响CI的其他因素还包括土地利用和地表状况，如耕作实践（Hamza and Anderson, 2005; Busscher et al., 1997; Alakukku et al., 2003）和植被覆盖（Kumi et al., 2023），以及土壤状态（刚耕作后、耕作后不久或经长期老化后）和根系与生物孔隙的贡献。因此，含水率相似的土壤可能表现出截然不同的CI值。

Ayers和Perumpral（1982）提出了一个描述土壤容重、质量含水率和土壤质地与重塑土分层CI之间关系的模型，该重塑土是在受控实验室条件下制备的。然而，该模型不适用于田间条件，因为在田间环境中土壤结构、老化过程和生物活性至关重要。

Kumar等人（2012）提出了在田间条件下，针对不同耕作方式（常规耕作和免耕）在特定深度将CI与土壤容重、质量含水率和土壤质地关联的经验模型。在常规耕作模型中，土壤水分未被纳入为解释变量，且报告的相关系数相对较低（r = 0.47），而免耕模型的相关系数为0.61。此外，这些模型形式为线性，且针对特定土壤条件开发，限制了其在广泛土壤质地范围内的适用性，尤其是砂土等粗质地土壤。

在文献中，根据统一土壤分类系统（USCS）土壤质地分类提供了CI值的参考数据，包括在两种含水状态下经土壤老化后的测量结果（美国陆军工程师水道实验站, 1961）。

Carranza等人（2020）利用Sentinel-1数据时间序列研究了农业田间的通行能力，将土壤水分作为主导时间控制因素，并基于CI阈值超越以概率形式表达通行能力。虽然这种概率化表述具有优势，因为它固有地包含了不确定性，但该研究并未建立土壤水分与CI之间的明确定量关系。此外，与植被覆盖和根系生长相关的潜在时间控制因素也未得到明确处理。

此外，尽管Sentinel-1的高时间分辨率被证明适合追踪农业田间通行能力的时序变化，但需要聚合到较粗的空间分辨率，这可能会限制解析田间内部空间变异性的能力。这种复杂性对CI预测模型的开发，尤其是田间和区域尺度的空间模型，构成了重大挑战。

这一缺口在依赖CI作为关键输入参数的越野车辆通行能力预测模型中也已被认识到。其中最广泛使用的框架之一是北约参考机动模型（NRMM）（Haley et al., 1979; Ahlvin and Haley, 1992），该模型作为越野车辆通行能力预测的标准已沿用数十年，且主要基于原位CI测量。该方法的局限性推动了下一代北约参考机动模型（NG-NRMM）的开发。

作为NG-NRMM开发的一部分，北约科学与技术组织（AVT-248）发布了一份全面的技术报告（NATO Science and Technology Organization (STO), 2020）。该报告明确指出，在越野机动性预测所需土壤参数的可用性和质量方面存在根本性缺口，特别是难以在不进行直接田间测量的情况下估算CI等土壤力学性质。该报告强调，缺乏土壤状况（包括水分、密度和结构）的连续空间信息构成了通行能力模型在作业应用中的主要瓶颈。这一局限性尤为关键，因为大多数越野车辆的力学相关关键层通常位于150–300 mm的深度范围内（美国陆军, 2000），且该范围受不同耕作实践和植被覆盖的影响。

使用卫星平台的遥感技术为在田间和区域尺度上估算土壤性质提供了一种潜在的解决方案。然而，基于遥感的CI定量估算仍然有限。合成孔径雷达（SAR）传感器测量的雷达后向散射对土壤介电特性敏感，而这些介电特性与土壤容重和质量含水率在物理上相关联（Franco et al., 2025）。与此同时，光学高光谱和多光谱卫星数据可用于估算土壤类型和矿物成分（Mulder et al., 2011），以及推导植被指数（如归一化植被指数NDVI），用于表征植物覆盖（Basso et al., 2001）。

本研究通过提出一个可行性层面、概念验证的框架，利用SAR遥感数据结合根据USCS分类的基本土壤类型信息，来估算关键层（150–300 mm）内的分层土壤CI，无需直接进入田间。该方法基于SAR后向散射、土壤介电特性、土壤水分和容重之间的层次关联，随后使用基于物理的经验模型计算相对CI，并以土力学和农业工程文献中报告的参考CI值进行锚定。本文其余部分将介绍所提出的方法，利用文献中报告的CI–含水率数据集评估其性能，讨论深度表征和土地利用效应的影响，并概述进一步验证的方向。

## 分节摘要

**锥体指数与分层土壤表征**

CI是通过标准化锥体（ASABE, 2023）以恒定速率贯入土壤时测量的贯入阻力，在地面机械学中常作为土壤力学响应的操作性指标。测量的CI值反映了土壤在贯入过程中产生的压缩和剪切应力的综合阻力，并受测量时土壤状态和结构的影响。

在通行能力评估中，CI通常与...

## 方法

所提出的方法通过层次关联SAR观测与土壤力学行为，来估算力学相关关键层（150–300 mm）的分层土壤CI。该框架集成了SAR衍生的介电信息与土壤类型、土地利用分类以及文献中报告的物理一致关系。该方法设计为无需直接田间测量即可运行，此处以可行性层面的概念验证方式实现。

### 数据来源与站点特征

所提出框架的可行性评估基于Carranza等人（2020）报告的田间和卫星数据，该研究使用原位CI测量和Sentinel-1 SAR观测的组合来调查农业田间的通行能力。数据集明确区分了耕地和永久草地覆盖的田地，基于土地利用分类。

根据原研究的站点描述，研究区域的土壤为...

## 结果

通过将所提出的框架应用于从Carranza等人（2020）提取的代表性数据集（如第4节所述），评估了其性能。评估重点在于该方法再现物理一致趋势和土地利用条件下相对差异的能力，而非在测量深度上的绝对一致性。

## 结论

本研究探讨了在不依赖基于点的原位测量的情况下，利用SAR卫星遥感数据和基本土壤信息来估算分层土壤CI的可行性。所提出的框架整合了卫星衍生的土壤体积含水率、转换为介电特性、估算质量含水率和容重、相对CI公式，以及根据WES文献锚定到150–300 mm土壤的参考值。

## 未来工作

为推动所提出的框架从概念验证发展到完全验证的实用方法，在以下几个关键方向需要进一步工作：

1. **专门的田间实验**：针对目标深度区间（150–300 mm）开展CI、容重和土壤水分的同步田间测量，与SAR卫星获取数据协调一致，涵盖多种土壤类型和土地利用条件。此类实验将能够实现深度匹配验证并减少与深度相关的不确定性。

## CRediT作者贡献声明

Yaron Franco：撰写—初稿、可视化、方法论、研究、正式分析、概念化。Yossi Salmon：撰写—审阅与编辑、方法论、概念化。

## 利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

Yaron Franco | Yossi Salmon