《Journal of Hydrology》：Improving and evaluating the performance of change detection methods for soil moisture retrieval using Sentinel-1A over a forest-dominated mountainous study area in Beijing, China
编辑推荐：
•利用可接受的反演精度，成功获取了山区的高分辨率地表土壤湿度。•通过引入体散射项和空间约束，对高级变化检测法（ACD）进行了扩展。•ACD_M相比ACD，相关系数（R）提高了2.3%，偏差（Bias）降低了66.7%。引言地表土壤湿度（SSM）是控制陆地-大气界面水分和能量交
- •
利用可接受的反演精度，成功获取了山区的高分辨率地表土壤湿度。
- •
通过引入体散射项和空间约束，对高级变化检测法（ACD）进行了扩展。
- •
ACD_M相比ACD，相关系数（R）提高了2.3%，偏差（Bias）降低了66.7%。
引言
地表土壤湿度（SSM）是控制陆地-大气界面水分和能量交换的关键变量。其时间和空间分布对多个研究领域至关重要，包括洪水早期预警（Berghuijs等，2019；Stephens等，2018）、作物种植（Lesk等，2022）、干旱监测（Berg和Sheffield，2018；Berg等，2017）以及气候变化研究（Qiu等，2023）。在山区，SSM在突发洪水的发生中起着关键作用。当SSM接近田间持水量时，地表土壤中大孔隙的连通性增加，显著提高了突发洪水的风险（Abedi等，2022；Wasko和Nathan，2019）。目前，遥感技术已被广泛用于监测大范围区域的SSM时间和空间分布，与传统的基于点的地面测量相比，其空间覆盖率和代表性得到了显著提高（Ali等，2015；Babaeian等，2019）。近几十年来，被动微波遥感因其与SSM的直接关系以及较低的植被和地表粗糙度敏感性，被广泛认为是区域和全球尺度上SSM制图最有前景的技术（Njoku和Entekhabi，1996；Ye等，2016）。然而，基于当前的卫星技术，星载被动微波遥感只能实现10至50公里之间的粗空间分辨率（Peng等，2017；Wang等，2018），难以满足小尺度山区集水流域水文建模的需求（Zhao等，2018）。另一方面，主动微波遥感能够提供更高空间分辨率的雷达后向散射，但其SSM反演精度受到植被覆盖和地表粗糙度的不利影响。随着SAR卫星任务数量的增加，区域和全球尺度的SAR观测已被用于高分辨率SSM反演（Kornelsen和Coulibaly，2013），以及通过降尺度方法增强被动微波SSM产品的分辨率（Sabaghy等，2018）。
在多项研究中，如Balenzano等（2021）、Fan等（2025）、Wang等（2023）和Du等（2024），均使用了Sentinel-1和Sentinel-2数据集在均质研究区域以0.5至1公里的分辨率反演SSM数据。然而，在地形复杂的山区，500米像元内地表特征（如地表坡度）的异质性会导致局部入射角出现显著的空间变化，从而影响雷达后向散射系数（Rauste，1990；Teillet等，1985）。Abowarda等（2021）利用MODIS和Landsat数据，通过数据融合和机器学习技术反演了30米的SSM数据，用于水资源管理。然而，该方法可能不适用于具有不同地形和土地覆盖的其他区域。当前研究通常假设SSM在0.5至1公里尺度上呈均匀空间分布，这在山区是不现实的。此外，山区精确SSM数据的需求正在增长，用于水文建模（Evin等，2024；Jeannot等，2018；Thiros等，2024）。
大多数主动微波SSM反演模型存在结构复杂且包含大量难以确定的参数。例如，土壤粗糙度是反演模型中的关键参数，在山区很难测量（Altese等，1996；Goyal等，1999）。因此，变化检测概念通过假设土壤粗糙度的时间一致性来消除该参数，适用于山区。变化检测方法主要分为长期变化检测法（LTCD）和短期变化检测法（STCD）。LTCD由Wagner和Lemoine（1999）首次提出，通过将雷达后向散射与历史最干燥和最湿润条件下的后向散射进行比较来估计相对SSM。它假设重访轨道和入射角归一化后向散射系数与长期内的相对SSM百分比呈线性关系（包括区域内极端湿润和干旱时期）。STCD由Balenzano等（2011）基于土壤粗糙度和植被在大约两周内保持稳定的假设而首次开发。通过对多张连续后向散射系数图像进行两两 successive 除法，可以建立一个病态线性方程组来计算绝对SSM。
山区占全球陆地表面的24%（Kapos，2000），占中国国土面积的65%。这些天然山区受人类干扰较少，与农业区相比，地面条件更为稳定，更好地满足了STCD所需的土壤粗糙度短期稳定性假设。然而，与STCD假设植被覆盖在短期内保持不变的假设相反，山区具有多样的植被类型和不同的生长周期，与农业区类似。特别是在春夏之交和秋冬之交，山区的植被含水量（VWC）发生快速变化，这限制了STCD的适用性。为了克服这一局限性，Zhu等（2022）假设STCD中的双向植被衰减γ2是可变的，并开发了高级变化检测法（ACD）。ACD在农业区的反演精度测试显示，相关系数（R）提高了0.08–0.13，均方根误差（RMSE）降低了0.009–0.013 cm3/cm3。ACD引入了SMAP L2 36公里SSM产品来约束病态方程组的解空间，结合实际动态和时间模式。SMAP SSM产品的粗空间分辨率适合直接约束SSM空间分布更为均质的农业区，而在SSM空间变异性更为显著的山区，统一约束是不合理的（Famiglietti等，1998）。此外，山区的地形还会引起复杂的雷达多路径反射，因此在反演算法中也需要考虑与周围区域的相互作用。此外，为了减少未知量数量，ACD忽略了植被层的体散射。
为解决ACD在以森林为主的山区的局限性，本研究开发了面向山区的高级变化检测法（ACD_M），用于从Sentinel-1A实现高分辨率SSM反演。ACD_M保留了基本的ACD框架，但引入了两项关键改进：引入HUT森林后向散射模型（Cohen等，2015；Cohen等，2019）以考虑植被体散射，以及基于降尺度SMAP的空间约束以更好地表征局部SSM异质性。利用中国北京市某监测站网的长期地面SSM观测数据，对ACD_M的性能进行了评估，并与现有的短期变化检测方法进行了比较。
章节摘要
研究区域
选择位于中国北京市怀柔区山区的一个SMAP 9公里EASE网格像元（116.584°E ～ 116.664°E，40.505°N ～ 40.586°N，图1(a)）作为研究区域。该研究区域内的西太zi试验小流域（XEW）自2014年起已配备了SSM监测站网。该研究区域的气候特征为典型的半湿润暖温带大陆季风气候，年平均气温为7.9°C。XEW具有……
Sentinel-1 SAR数据预处理
在本研究中，共选取了2020年1月5日至2024年5月31日期间从同一上升轨道获取的129幅Sentinel-1A IW Level 1 SLC数据，其中排除了冬季季节获取的数据后，共94幅图像用于SSM反演。SLC数据使用ENVI Sarscape 7.0中的强度时间序列工作流工具进行预处理，具体步骤如下：(1) 多视处理，(2) 共配准，(3) 精化Lee滤波，(4) 地理编码和辐射定标。
SMAP 9公里产品评估
如图7所示，在排除冬季季节后，SMAP 9公里产品的时间序列与Sentinel-1A在研究区域中心SMAP 33公里像元内的中位数后向散射系数（线性尺度）之间的相关系数为0.591。这表明SMAP产品能够捕捉到区域干湿信号的一部分，这些信号同样反映在聚合的Sentinel-1后向散射中。然而，这种一致性在整个研究期间并不均匀。在过渡月份期间……
Sentinel-1预处理数据空间分辨率的影响
由于地形复杂且SSM空间分布不均匀，选择山区Sentinel-1预处理数据的适当空间分辨率至关重要。陡坡在小范围内可能变化显著，导致局部入射角频繁变化。由于后向散射系数受局部入射角的高度影响，使用过大的空间分辨率可能会掩盖地形变化对雷达……的影响
结论
在本研究中，ACD_M作为ACD框架的扩展被开发出来，以改善以森林为主的山区的SSM反演精度。其主要改进包括引入HUT森林后向散射模型和使用基于SMAP的空间约束。引入HUT森林后向散射模型是为了考虑ACD中被忽略的体散射。ACD_M的约束考虑了降尺度……利用SSM标准差独立地为每个像元
作者贡献声明
蔡昊天：撰写初稿、验证、方法学、调查、数据整理、概念构思。 叶南：撰写审稿与编辑、项目管理、方法学、数据整理、概念构思。 童瑞：撰写审稿与编辑、验证、资源、方法学、调查、概念构思。 田富强：撰写审稿与编辑、监督、资源、项目管理、概念构思。 林金安：撰写审稿与编辑、监督，……
利益冲突声明
作者声明不存在任何已知的竞争性经济利益或个人关系，这些关系可能被认为会影响本论文中报告的工作。
致谢
本研究得到了国家自然科学基金（项目编号：U2442201、52309024、42071335）、福建省气象厅福建省气象灾害监测与预警重点实验室和海峡气象灾害重点实验室（项目编号：2024KFKT02）以及水利部水力学及水资源国家重点实验室开放研究基金（项目编号：sklhse-KF-2026-C-01）的支持。
蔡昊天 | 叶南 | 童瑞 | 田富强 | 林金安 | 庄瑶
