面向旱地植被细尺度微波监测：一种基于哨兵-1卫星的萨赫勒地区高分辨率植被光学厚度反演替代算法

《Remote Sensing of Environment》：Toward fine-scale microwave monitoring of dryland vegetation: an alternative high spatial resolution vegetation optical depth retrieval algorithm from Sentinel-1 over the Sahel region

　　

•覆盖萨赫勒地区的1公里Sentinel-1植被光学深度（VOD）产品。•用于高空间分辨率VOD反演的双参数反演算法。•与植被变量具有高度时空一致性。

**引言**

量化半干旱地区植被特征，尤其是生物量，至关重要，因为它为当地生计提供了关键的生态系统服务。资源可用性对于牲畜放牧（Lo et al., 2024）、食物资源（Huang et al., 2024）、建筑用薪材和木材（Brandt et al., 2020）以及作为侵蚀防护、野生动物栖息地支持和碳汇手段（Tucker et al., 2023）都具有重要意义。然而，在半干旱地区使用传统光学植被指数产品进行植被特征和生物量监测存在几个明显的局限性（Tian et al., 2016）：（1）光学植被指数主要响应植被绿度，而对包含大部分储存碳的木本生物量的敏感性有限（Tucker, 1979）；（2）地上生物量生产与植被绿度之间的关系往往不均匀，因为植物结构和物种组成的差异会影响光学植被指数的表现（Mbow et al., 2013）。此外，在萨赫勒等半干旱地区，雨季持续的云层覆盖通常阻碍了在生态系统生产力和资源可及性关键时期的常规植被光学监测。因此，在半干旱地区量化局部尺度的地上生物量动态需要使用替代的高空间分辨率植被指标。

植被光学深度（VOD）描述了植被对微波信号的衰减，由于其对叶片和木本部分中的植被水分含量具有很强的敏感性，已被广泛用作地上生物量（AGB）的指标（Fan et al., 2024; Frappart et al., 2020; Rodríguez-Fernández et al., 2018; Wigneron et al., 2024）。因此，建立长期的VOD一致记录对于理解半干旱地区时空背景下绿色生物量和植被特征的动态至关重要（Tian et al., 2016）。

近几十年来，C波段微波遥感已被证明在陆地环境中反演VOD方面非常有效（El Hajj et al., 2019; Liu et al., 2023; Liu et al., 2021; Shen et al., 2024; Wang et al., 2021a）。然而，可用的VOD产品——无论是来自被动式（例如AMSR2）还是主动式（例如ASCAT）微波传感器的——通常以较粗的空间分辨率（约25公里）生成（Li et al., 2021; Liu et al., 2023; Wang et al., 2024a）。相比之下，Sentinel-1 SAR传感器由于其高分辨率图像（干涉宽幅模式为5米×20米）和约6–12天的重访周期，可以在精细得多的空间尺度上获取后向散射测量值。此外，它们对射频干扰（RFI）具有相对较强的抗性（Torres et al., 2012）。从Sentinel-1反演的VOD产品可以促进生物量的局部监测，并增强我们对不同土地覆盖类型下植被动态的理解（Zhou et al., 2022）。

目前，主动式VOD反演基于植被和土壤后向散射模型，这些模型采用数学公式来表示散射机制并反演地表组分的特征（Bai and He, 2015; Zribi et al., 2005）。在植被后向散射模型中，水云模型（WCM）被认为是性能最佳的模型之一（Attema and Ulaby, 1978）。在先前的研究中，WCM在Sentinel-1 VOD反演中展现了良好的性能，主要用于农业区域（El Hajj et al., 2019）。至于土壤后向散射模型，Ulaby模型的实证公式简洁明了且易于适应，从而减少了对表面粗糙度等参数的依赖（Ulaby et al., 1978）。最近，WCM植被后向散射模型与实证Ulaby模型耦合，被用于开发INRAE-BORDEAUX（IB）的新ASCAT VOD产品（下文称为ASCAT IB VOD）（Liu et al., 2023）。ASCAT IB VOD在全球范围内与生物量显示出高度的空间相关性（R值为0.83），与来自全球生态系统动力学调查（GEDI）传感器反演的冠层高度也显示出高度相关性（R值为0.84）。将土壤后向散射模型与WCM结合的做法也被采用在1公里Sentinel-1 VOD反演中（Zhou et al., 2022）。考虑到Sentinel-1提供双极化观测，Oh模型被用来模拟土壤后向散射，因为它明确考虑了表面粗糙度和极化效应（Oh, 2004; Oh et al., 2002）。在本研究中，WCM与Oh模型耦合（下文称为"WCM + Oh"）被用于半干旱地区的Sentinel-1 VOD反演。

然而，土壤水分（SM）输入是高分辨率VOD反演实际实施中的关键问题。在某些地区，1公里等尺度上的高分辨率土壤水分产品仍然无法以业务化方式获取，因为由于天气条件和土壤特征的局部差异，土壤水分具有高度异质性（Crow et al., 2012）。因此，输入粗分辨率土壤水分数据可能会在高分辨率VOD反演过程中引入不确定性（Zhou et al., 2022）。因此，针对被动式微波传感器已经实现了SM和VOD的同时反演算法（Wigneron et al., 2007）。为了解决从交叉相关观测中同时反演SM和VOD时可能产生的"病态问题"，多时间步长反演算法被提出，并已证明同时反演这两个参数的可行性（Wigneron et al., 2021）。例如，基于一系列连续观测的双参数反演已被应用于被动式微波观测（Li et al., 2022; Wigneron et al., 2021）。与单通道算法相比，从双通道算法中的双参数（即SM和VOD）反演更为理想（Li et al., 2022）。在双参数反演中，SM和VOD通过最小化基于迭代广义最小二乘算法的成本函数（CF）来反演，该算法结合了输入参数的先验信息（Wigneron et al., 2007）。利用C波段主动微波能力进行双参数反演，已经发布了另一个ASCAT IB VOD产品（Liu et al., 2023）。在Sentinel-1 VOD反演中使用双参数反演可以改善原始算法的性能（Zhou et al., 2022），并实现参数的解耦（Wigneron et al., 2021）。因此，双参数反演算法可能是减少外部SM数据集不确定性对VOD反演影响的一个可行方案。

在此背景下，提出了一种新算法，将原本为被动式微波观测开发的双参数反演策略（Li et al., 2022; Wigneron et al., 2021）应用于主动式VOD反演。与现有文献主要关注植被和土壤水分联合反演不同，本研究的主要目标是提高植被光学深度（VOD）的反演精度。土壤水分作为辅助变量进行反演，旨在促进植被和土壤散射的解耦。本研究使用了2019至2023年萨赫勒地区的Sentinel-1观测数据。该算法的主要贡献在于将双参数反演策略融入到传统的正向后向散射模型中。

为了缓解基于低重访周期Sentinel-1观测的双参数反演中的病态问题，来自ASCAT IB VOD（Liu et al., 2023）和ERA5-Land SM（Mu?oz-Sabater et al., 2021）的先验信息被整合到反演过程中。选择WCM和半经验Oh模型来模拟Sentinel-1后向散射，因为其解析公式确保了高计算效率同时在大规模上保持良好精度（Liu and Shi, 2016）。特别是，土壤和植被参数针对萨赫勒地区进行了时空优化，同时考虑了该区域土地覆盖的异质性。然后，该框架使用WCM + Oh模型反演VOD，从而减少对外部指定SM的依赖并提高高分辨率VOD反演的物理一致性。与之前的研究类似（Tian et al., 2016），使用萨赫勒地区的光学植被指数产品和基于塞内加尔调查的实地生物量数据集对导出的1公里VOD数据的性能进行了评估。

**研究区域**

萨赫勒地区的特征是具有干旱和半干旱生物群落，构成世界上面积最广阔的干旱地区之一（图1）。该地区西起大西洋，东至红海。萨赫勒北部的植被覆盖由零星分布的树木和灌木以及几乎完全由一年生草本植物组成的草本层构成。多年生草本植物仅在萨赫勒最北部和最南部占主导，而农田和……

**方法**

为了在不同地表条件下提高算法的鲁棒性，建立了一个正向后向散射模型来表征SAR后向散射系数与VOD之间的关系。然后通过最小化后向散射模拟与Sentinel-1观测值之间的差异来反演VOD值。详细的反演流程见图2。

**土壤参数标定结果**

基于ESA WorldCover地图，总共采用631,568个裸土像元来估计土壤参数。对萨赫勒整个区域s平均值的随机森林估计表明，较高s值的分布主要集中在萨赫勒东部地区，其中主导的土地覆盖类型为裸土/稀疏植被（图3(a)）。具体来说，具有最高值的像元主要位于厄立特里亚北部，s……

**讨论**

总体而言，我们的结果表明，反演的1公里VOD数据集能够捕捉萨赫勒地区植被的时空特征。这也可能归因于在半干旱地区反演过程中整合了WCM和Oh模型进行后向散射模拟（Ouaadi et al., 2020）。此外，双参数反演过程基于每个时间间隔内植被水分含量和土壤水分相对缓慢的时间动态特性。该……

**结论**

本研究基于2019至2023年Sentinel-1后向散射观测数据，开发了覆盖萨赫勒地区的1公里VOD产品作为生物量的代理指标。该方法引入了针对耦合WCM和Oh模型中像元级土壤参数和时间序列植被参数的标定方法。利用四种与植被相关的代理变量（即NDVI、EVI、LAI、NDWI）和实地生物量数据对VOD捕捉植被动态变化的能力进行了评估。结果表明，反演的……

**CRediT作者贡献声明**

Zhixuan Lu：原稿撰写、方法论、调查、数据管理。Lei Fan：审阅与编辑、资金获取、概念构思。Rasmus Fensholt：审阅与编辑。Jiangyuan Zeng：审阅与编辑。Nicolas Baghdadi：审阅与编辑。Frederic Frappart：审阅与编辑。Martin Brandt：审阅与编辑。Philippe Ciais：审阅与编辑。Gabrielle De Lannoy：审阅与编辑。Jian Peng：撰写……

**利益冲突声明**

作者声明不存在任何可能影响本文所述工作的已知的竞争性经济利益或个人关系。

**致谢**

本工作得到了青年 Faculty 科学研究创新能力支持项目（SRICSPYF-ZY2025147）、重庆市自然科学基金（CSTB2024NSCQ-JQX0010）和四川科技计划（2026YFHZ0027）的资助。我们感谢Torbern Tagesson教授的工作及其对土壤水分数据集提供的支持。

Zhixuan Lu | Lei Fan | Rasmus Fensholt | Jiangyuan Zeng | Nicolas Baghdadi | Frederic Frappart | Martin Brandt | Philippe Ciais | Gabrielle De Lannoy | Jian Peng | Abdoul Aziz Diouf | Eric Mougin | Xiaojing Bai | Xiangzhuo Liu | Jean-Pierre Wigneron