曾旭婧,邢艷秋*,單 煒,張 毅,王長青

(1.東北林業(yè)大學森林作業(yè)與環(huán)境研究中心 哈爾濱 150040;2.東北林業(yè)大學土木工程學院 哈爾濱 150040;3.四川農(nóng)業(yè)大學資源學院 成都 611130)

基于Sentinel-1A與Landsat 8數(shù)據(jù)的北黑高速沿線地表土壤水分遙感反演方法研究

曾旭婧1,邢艷秋1*,單 煒2,張 毅3,王長青1

(1.東北林業(yè)大學森林作業(yè)與環(huán)境研究中心 哈爾濱 150040;2.東北林業(yè)大學土木工程學院 哈爾濱 150040;3.四川農(nóng)業(yè)大學資源學院 成都 611130)

土壤含水量是影響水文和氣候變化的基本參數(shù),研究土壤含水量分布,對氣候變化、水資源分布、農(nóng)作物估產(chǎn)等有著重要的現(xiàn)實意義和科學價值。本文以2015年6月21日的Sentinel-1A(哨兵1號)雙極化合成孔徑雷達影像為基礎,結合同時段輔助光學影像 Landsat 8,對北安—黑河高速沿線地區(qū)不同植被覆蓋程度下復雜地表土壤含水量進行反演研究,探討不同極化組合方式在不同土地利用方式下的土壤水分含量反演結果。結果表明:VH極化及VH與輔助變量NDVI(Normalized Difference Vegetation Index)組合反演精度分別為52.1%和53.6%,整體效果并不理想。VV極化(VV Polarization)圖像和雙極化VV/VH(VH Polarization)組合在裸露和低植被地區(qū)反演更具有優(yōu)勢,其精度分別為 75.4%和 59.5%,而在高植被覆蓋度地區(qū)并不適用。VH極化反演結果中耕地土壤含水量比實際值低9.37%,VV極化在低植被區(qū)域土壤含水量比實際值低10.45%,在灌木及耕地地區(qū)VV/VH反演結果精度比單極化及其組合反演結果低,最高精度模型的反演是VV結合NDVI。VV與輔助變量NDVI結合能綜合反映復雜地表環(huán)境下土壤含水量,其精度達84%,標準誤差RMSE為2.07,比VV極化反演精度提高8.8%,RMSE比VV極化降低2.704。VV與輔助變量NDVI組合方式在中等植被覆蓋地區(qū)土壤含水量反演更具有優(yōu)勢,并能夠更好地發(fā)揮哨兵1號C波段合成孔徑雷達在土壤水分研究中的潛力與有效性。

Sentinel-1A;土壤含水量;后向散射系數(shù);極化方式;支持向量回歸

土壤含水量(soil water content,SWC)是影響水文和氣候變化的基本參數(shù),它不僅是聯(lián)系地表水與地下水的紐帶,也是研究地表能量交換的基本要素[1]。在氣候學中,土壤含水量的變化能影響其本身的水熱過程,使地表參數(shù)發(fā)生變化從而影響到氣候的變化[2]。在生態(tài)學中,土壤含水量在土壤-植被-大氣連續(xù)體物質與能量轉化中也發(fā)揮著重要作用[3],直接影響生態(tài)環(huán)境的組成。因此,研究土壤含水量分布,對氣候變化、水資源分布、生態(tài)退化過程以及農(nóng)作物估產(chǎn)等有著重要的現(xiàn)實意義和科學價值。

目前用于土壤含水量反演的遙感主要有3類:可見光[4]、熱紅外遙感[5]和微波遙感[6]。其中,微波遙感具有對土壤水分的高敏感性,以及測量不受云層和黑夜影響的能力,在土壤含水量估測中應用非常廣泛[7]。近年來,在裸露地表通常使用一些物理經(jīng)驗模型(如Oh模型[8]、Dubois模型[9])進行土壤含水量估測,但需要現(xiàn)場測量進行校準;在低植被覆蓋度地區(qū),通常選擇將半經(jīng)驗模型(如Shi模型[10]、水云模型[11]等)應用到水分反演中,植被區(qū)土壤含水量仍被過低估計;對于植被高覆蓋度地區(qū),植被冠層雙向散射衰減了土壤后向散射的影響,需要采用密歇根微波植被散射模型(Michigan Microwave Canopy Scattering,MIMICS)[12]及其改進模型(如Bi-MIMICS模型[13])計算裸土后向散射系數(shù),由于參數(shù)太過繁瑣不易于使用。研究表明當微波遙感數(shù)據(jù)協(xié)同光學植被指數(shù)的方式[14]反演土壤含水量時,用光學數(shù)據(jù)計算植被生物物理參數(shù),能更好地補充植被的影響。國內外研究雖在不同植被覆蓋區(qū)域土壤含水量反演中有不同的方法,但總體缺乏針對復雜地表較為綜合的簡單方式。

本研究以北黑高速路段沿線區(qū)域為案例區(qū),由于受全球氣候變化的影響,這一地區(qū)屬于古冰川沉積殘留物的島狀凍土正發(fā)生退化,地表環(huán)境破碎且復雜。采用水云模型對 sentinel-1A合成孔徑雷達(synthetic aperture radar,SAR)影像提取其不同極化條件下的土壤后向散射系數(shù),利用光學影像作為輔助數(shù)據(jù)提取復雜地表的植被歸一化指數(shù),對比支持向量回歸算法下不同極化與光學參數(shù)之間的反演組合精度并分析適用性情況,為不同植被覆蓋地區(qū)土壤含水量反演研究提供新的思路,同時為在高緯度多年凍土地區(qū)開展土壤含水量監(jiān)測提供科學依據(jù)。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

研究區(qū)為北安至黑河(北黑)高速公路沿線(127°17′31″E-127°31′24″E,49°30′57″N-49°41′50″N),位于黑龍江省小興安嶺的西北部(圖1)。處于高緯度多年凍土區(qū)與季節(jié)性凍土過渡地帶,具有典型冰緣地貌,島狀凍土活動層厚度約為1.8 m。山谷、低洼河流階地、陰坡和濕地為島狀多年凍土的發(fā)展提供了合適的條件,島狀凍土在5月深度最大,達2.26～2.67 m,融化期為6月至9月,凍結期為10月至翌年5月,主要分布集中在山谷和陰坡地帶。地形屬于河谷地段,主要分布有丘陵、漫崗、耕地、沼澤地等類型。氣候屬山區(qū)高寒地帶,年平均氣溫-2～1℃,年降雨量500～600 mm,年日照2 500 h,無霜期約90 d。紅色邊疆農(nóng)場二分場在該研究區(qū)內,耕地分布在坡地及河谷兩岸,農(nóng)作物以小麥(Triticum aestivum)為主。主要植被類型是森林植被(針闊混交林)和草甸植被(塔頭草甸、泥炭苔蘚)。植物優(yōu)勢種為白樺(Betula platyphylla)、椴樹(Tilia tuan)、柞樹(Xylosma racemosum)、落葉松(Larix gmelinii)、楊樹(Populussp.)。

1.2 數(shù)據(jù)來源及處理

土壤含水量反演過程涉及的主要數(shù)據(jù)包括SAR影像、MODIS數(shù)據(jù)產(chǎn)品、Landsat 8 OLI數(shù)據(jù)、DEM數(shù)據(jù)及地表覆蓋類型圖,數(shù)據(jù)分辨率、數(shù)據(jù)來源及數(shù)據(jù)的應用見表1。

圖1 研究區(qū)地理位置(a)及樣本點分布(b)Fig.1 Location of the study area (a) and the distribution of sample points (b)

表1 北黑高速路段地區(qū)土壤含水量反演數(shù)據(jù)來源Table1 Dataset list of soil water content inversion along the Bei’an-Heihe Expressway

1.2.1 Sentinel-1A影像及處理方法

歐空局最新發(fā)射的Sentinel-1A衛(wèi)星,采用多種成像模式在土壤含水量動態(tài)監(jiān)測領域發(fā)揮不可忽視的作用。本研究所用數(shù)據(jù)是干涉寬模式(Interferometric Wide,IW)下的S1 TOPS-mode SLC數(shù)據(jù),能解決寬幅合成孔徑雷達成像出現(xiàn)的 scalloping效應并增強成像輻射性能,在提取后向散射系數(shù)中能夠更精確。獲取時間為2015年6月21日,波段為C波段(0.055 466 m),幅寬為250 km,分辨率為5 m×20 m,采用雙極化方式(VH極化、VV極化)。Sentinel-1A在研究區(qū)上空為右側視的降軌成像,影像為左右倒置。采用GAMMA軟件對數(shù)據(jù)進行預處理和地理編碼,以及提取后向散射系數(shù),過程如下:

1)預處理。干涉SAR處理器(ISP)模塊對數(shù)據(jù)進行預處理。依據(jù)原始圖像中的數(shù)據(jù)文件(TIFF file)、元數(shù)據(jù)文件(XML file)、定標文件(XML file)、噪音文件(XML file)對相位偏移和干涉參數(shù)偏差進行輻射定標及去噪處理(圖2a)。其次是多視圖像拼接,需要設置圖像的方向項及距離項的視數(shù),將單視復數(shù)圖生成多視圖像(圖2b)。

2)地理編碼。運用差分干涉和地理編碼(DIFF &GEO)模塊對多視圖像進行地理編碼,入射角為33.548°。包括生成初始查找表、影像配準、精化查找表等過程,最后獲得地理坐標下的后向散射圖像及SAR坐標下的DEM。利用SAR脈沖回波時延斜距和多普勒中心頻率,通過斜距多普勒定位方程,可以得到慣性坐標系下的坐標值(x,y,z)。通過已有的DEM圖像(2c)對其進行像素偏移量修正,最后得到地理坐標下的SAR圖像(2d)。

3)后向散射系數(shù)提取。在地面模型中,當σo(θ) ＜ 2時,后向散射系數(shù)模型可以表達為:

式中:θ為入射角, ()oσ θ為后向散射系數(shù)。通過線性轉換后向散射強度到 dB計量后得到研究區(qū)后向散射圖像(2e)。

圖2 Sentinel-1A圖像提取后向散射系數(shù)過程Fig.2 Sentinel-1A data extraction processing of backscattering coefficients

1.2.2 土壤含水量樣本數(shù)據(jù)

由于缺乏野外實測數(shù)據(jù),土壤 0～10cm水分樣本點數(shù)據(jù)通過黑龍江省 6月溫差植被熱慣量經(jīng)驗模型計算獲得,其精度為 97.15%。該多元線性模型[15]為:

式中:ω為土壤含水量(%);TΔ 為晝夜溫差(℃),通過2015年6月21日同天的MOD11A1地表溫度產(chǎn)品計算獲得;NDVI為歸一化植被指數(shù)(normalized difference vegetation index,NDVI),由2015年6月16日Landsat 8圖像的近紅外波段和紅波段計算獲得。根據(jù)地表覆蓋圖,將樣本點均勻分布在不同土地覆蓋類型上(灌木林、草地及耕地)和不同的坡度上,樣本點數(shù)目共計71個(圖1b)。

1.3 研究方法

1.3.1 土壤后向散射系數(shù)提取方法

土壤含水量、土壤粗糙度、植被的組合體同時影響后向散射系數(shù),SAR后向散射系數(shù)與土壤含水量之間存在著一種非線性關系[16]。植被種類與冠層結構同樣也與后向散射系數(shù)有關[17],后向散射系數(shù)很難反演高植被覆蓋度下的土壤濕度情況。為了建立土壤后向散射系數(shù)與土壤含水量之間的關系,通過多模式(多波段、多極化、多入射角)地表微波數(shù)據(jù)結合其他輔助數(shù)據(jù)(光學遙感、地表參數(shù)),提取相關系數(shù)建立模型。

1)單極化圖像(VV/VH)與NDVI結合。一種方式是采用合適的微波植被散射理論模型,定量估算地表散射在總散射中的比例。水云模型以輻射傳輸理論作為基礎,考慮地表植被覆蓋分布情況,利用植被體散射及地表衰減后散射之間的關系結合植被歸一化指數(shù)NDVI計算出植被覆蓋下的土壤背景后向散射系數(shù)。表達式[18]如下:

其中:

研究區(qū)的地表覆蓋類型為耕地、草地及稀疏灌木等,其農(nóng)作物以小麥為主。由于受地面耕作條件的限制,對地表植被參數(shù)進行測量難以實施。這里采用 Bindlish等[19]在不同地表覆蓋方式中水云模型參數(shù)(表 2),選擇綜合利用方式設置A=0.001 2,B= 0.091。對于植被含水率(vegetation water content,VWC),選擇Jackson建立C波段作物及植被參數(shù),由經(jīng)驗模型[20]計算得到:

式中:VWC為植被含水率;NDVI為歸一化植被指數(shù)。依據(jù)上述公式則可提取出VV極化及VH極化去除地表植被的土壤后向散射系數(shù),為下一步進行土壤含水量反演提供合理的參數(shù)。

表2 半經(jīng)驗模型中不同土地利用方式的植被參數(shù)值Table 2 Vegetation parameters values of different land use types in the semi-empirical model

2)雙極化圖像(VV+VH)。另一種方式是基于統(tǒng)計方法利用地表雙極化散射特性與實測 SWC建立關系。如:運用線性去極化比率 PRvv/vh對土壤含水量進行反演[21],也可以是雙極化系數(shù)作減去極化或者進行反演。本文利用Sentinel-1A影像的雙極化影像,分別通過VV、VH極化進入通道進行提取后向散射值,同時計算圖像的雙極化后向散射系數(shù)去極化比率。雙極化圖像分別提取后向散射系數(shù)反演地表參數(shù)可以減少異質性的影響,每一種極化方式所對應的地表特征可以用于區(qū)分地物類型、土壤條件、植被狀況等,從而提高反演的精度。

1.3.2 土壤含水量反演模型

水云模型能去除植被冠層散射、樹干散射后的土壤后向散射系數(shù),當植被超過一個臨界體積時,衰減地面散射逐步變小。植被冠層的光學厚度同樣影響土壤的水分含量,模型加入 NDVI作為輔助變量對植被復雜地區(qū)的土壤水分值進行修正。近年來,在土壤含水量估測中支持向量回歸(support vector regression,SVR)的應用越來越頻繁,它具有精確估計、易于使用、良好的內在泛化能力、處理非線性問題能力等優(yōu)點[22]。支持向量回歸是將土壤后向散射系數(shù)(或者)、植被歸一化指數(shù)NDVI與土壤水含量之間的非線性問題,轉換為三者高緯特征空間的線性問題,并求得最優(yōu)分類面,其核心表達式[23]為:

式中:a為樣本值;b為常數(shù)項;K(x,y)為徑向基核函數(shù)[24],能夠將數(shù)據(jù)映射到高維空間,其具體表達式為:

式中:δ為達率,即土壤水分值跌落到0的速度參數(shù)。

利用1.3.1中方法提取土壤后向散射系數(shù),結合地面土壤水分數(shù)據(jù)樣點和地形數(shù)據(jù),建立土壤水分空間數(shù)據(jù)庫;其次選擇56個樣點作為訓練集,15個樣點作為測試集合進行SVR建模;依據(jù)模型對應的參數(shù),對預處理后的SAR、NDVI分別進行參數(shù)提取,單極化的方式輸入?yún)?shù)為VV、VH、VV+NDVI和VH+NDVI,對于雙極化的方式輸入?yún)?shù)為 PRvv/vh;根據(jù)支持向量回歸模型計算出該區(qū)域的土壤含水量,并作精度驗證;選擇最優(yōu)的極化組合方式作為研究區(qū)土壤水含量反演結果,最后結合其他輔助數(shù)據(jù)DEM、區(qū)域的土壤圖和土地利用圖對結果進行分析。

2 結果與分析

2.1 不同極化方式下土壤含水量反演結果

通過半經(jīng)驗的水云模型提取土壤后向散射系數(shù),將支持向量回歸算法運用到土壤含水量模型中,反演出不同極化方式下的土壤水含量結果圖。并對結果重新分為5類,分別為:0～10%、11%～15%、16%～ 25%、26%～30%、30%～50%,形成研究區(qū)土壤水含量空間分布圖(圖3)。

從圖3可知,不同極化方式下研究區(qū)土壤含水量結果圖差異性較大,VH極化反演結果(圖3b)數(shù)值整體偏低,而VH極化與NDVI組合(圖3d)反演卻整體偏高。VV極化、VV與NDVI組合、雙極化反演結果在空間分布上表現(xiàn)較一致。從圖3c可知,研究區(qū)土壤含水量大部分介于10%～25%;SWC為0～10%區(qū)域一部分出現(xiàn)在受人類活動干擾較大的高速路周圍裸露區(qū)域,一部分出現(xiàn)在受地勢和太陽輻射影響的陽面及坡度較大區(qū)域;SWC為11%～15%區(qū)域主要分布在西南小部分地區(qū)和北部小部分地區(qū)的草地、閑置的農(nóng)用地、無植被的田埂等區(qū)域;SWC為16%～25%區(qū)域多為稀疏的灌木林,土壤含水量主要受植被蒸騰作用及地勢條件的影響。耕地的SWC多集中在25%～30%,主要集中在河漫灘附近的一級階地上,用于耕種農(nóng)作物,植被覆蓋度較低,同時受灌溉條件的影響故其值較高。由于處于耕作季節(jié),土壤水分含量為30%～50%區(qū)域位于河漫灘低洼的區(qū)域內,并存在沼澤地?？偟膩碚f,該區(qū)域土壤含水量狀況良好,有利于農(nóng)作物的生長。

圖3 不同極化方式下研究區(qū)土壤水含量(SWC)反演結果圖Fig.3 Soil water content (SWC) inversion results of different polarization ways in the study area

表3 不同極化方式下土壤含水量反演精度表Table3 Inversion precision of soil water content in different polarization ways

圖4 不同極化方式下土壤含水量(SWC)驗證精度Fig.4 Verification accuracy of soil water content (SWC) inversion in different polarization ways

2.2 不同極化方式下土壤含水量反演精度

在支持向量回歸算法下,對應不同極化方式下反演結果的擬合優(yōu)度(R2)、均方根誤差(RMSE)列于表3,不同極化方式下的反演精度驗證圖如圖 4所示。在單極化擬合方式上,VV單極化為 0.754,而VH單極化為0.521,VV在單一極化通道中對土壤含水量反演表現(xiàn)更加敏感,雙極化為0.595,比VH極化精度提高0.074;加入NDVI植被參數(shù)后,反演精度得到提高,其中最好的極化組合式為VV和NDVI結合,達0.842, RMSE為2.071,比 VV極化精度提高了 0.088,RMSE降低2.704。綜上所述,選擇恰當?shù)暮笙蛏⑸鋮?shù),同時采用有效的輔助參數(shù)解決單一極化的吸收問題很重要。其驗證精度如圖5所示,擬合優(yōu)度為:,所以選用精度較好的 VV+ NDVI組合反演結果作為最后地表土壤含水量圖。

2.3 不同極化方式的適用性分析

2.3.1 單極化方式反演結果適用性分析

圖3a中,SWC值較高地區(qū)分布在河漫灘周圍,其次是草地、灌木林。在灌木林區(qū)域SWC值與實測值(圖 6)相比低10.45%,由于植被具有雙向反射與透射特性,是一個非朗伯體結構,土壤后向散射為衰減后地面散射,在高植被覆蓋區(qū)不適合,其 SWC反演值明顯偏低。圖3b中,VH極化反演結果在灌木林和耕地地區(qū)反演值偏低,同時,在河漫灘耕地區(qū)域的土壤含水量明顯偏低,比實際值平均低9.37%。根據(jù)土壤后向散射值與樣本點土壤含水量之間的線性關系,生成不同極化方式下土壤含水量的敏感性圖(圖 5)。因為交叉極化 VH的回波強度比同極化VV低,故VH敏感性比VV極化小,在一般情況下應避免選擇VH極化圖像反演土壤含水量。

圖5 VV(a)、VH(b)極化對土壤含水量的敏感性Fig.5 Sensitivity of radar signal in both VV (a) and VH (b) polarization to soil water content

基于 VV極化不適合在高植被覆蓋地區(qū)使用,VH極化在耕地反演值偏低,采用單極化圖像不能綜合反映地表覆蓋復雜地區(qū)的土壤含水量狀況。在單極化中加入輔助變量 NDVI后,圖3d結果顯示,VH與NDVI結合反演值整體偏高,尤其是在草地區(qū)域明顯比其他區(qū)域值更高,比實際值高6.62%。雖然NDVI的加入提高了低植被區(qū)域對水分的敏感性,但是在高植被區(qū)的水分敏感性并不高;而 VV與NDVI結合反演結果在不同地物條件下更加接近真實值,對于地表輻射貢獻受到表面作用支配,NDVI修正了VV垂直極化在植被覆蓋區(qū)對水分的靈敏度,這一組合整體反演過程表現(xiàn)良好。

土壤含水量與地表覆蓋方式有關,其含水量從高到低為SWC耕地>SWC灌木>SWC草地。適用于草地區(qū)域的極化方式是VV極化、VV與NDVI的組合模式,其與真實值分別相差2.05%、0.95%(圖6);耕地區(qū)域多集中在河漫灘附近,受灌溉條件影響,土壤含水量較高,屬于低植被覆蓋地區(qū),VV極化、VV與 NDVI的組合模式同樣適用于該地區(qū);灌木區(qū)屬于中等植被覆蓋度區(qū)域,在加入 NDVI參數(shù)后單極化的反演方式更能夠將植被特性體現(xiàn)出來,而對比圖6發(fā)現(xiàn)VV與NDVI組合比VH與NDVI組合更有優(yōu)勢。綜上所述,通過單極化結果對比,反演適應性對比發(fā)現(xiàn),VV與NDVI組合更能綜合反演出該區(qū)域的土壤含水量。

圖6 不同土地利用方式下土壤含水量反演結果的平均值Fig.6 Averages of inversion results of soil water content of different land use types

2.3.2 雙極化方式反演結果適用性分析

由于VV和VH極化方式彼此強烈的相關,在算法中提供相同的信息,所以選擇雙極化后向散射系數(shù)比率(vv/vhPR)作為反演參數(shù)能夠盡可能地解決數(shù)據(jù)之間的相關性。圖3e結果顯示,去極化比率VV/VH反演結果精度在低洼及草地區(qū)域比VV、VH反演結果精度低,與真實值相差3.93%(圖6)。在灌木及耕地地區(qū)同單極化相似表現(xiàn)并不理想,差值分別為11.01%、9.61%(圖6)。經(jīng)做商處理的去極化比率反而造成反演結果精度下降。VV/VH組合降低了反演結果數(shù)值,這是數(shù)據(jù)的相關性造成的,說明做商的方法并不能完全解決雙極化數(shù)據(jù)之間的相關性。VV/VH雙極化反演對于植被覆蓋的區(qū)域并不適用,而應用于低植被覆蓋區(qū)或者是裸土區(qū)域等的土壤含水量估測相對較合理。

綜上所述,在不同極化方式下進行土壤含水量反演,對比發(fā)現(xiàn)VV/VH雙極化方式,VV極化能夠適用于裸露和低植被覆蓋地區(qū)的土壤含水量反演,而對于中等植被覆蓋度地區(qū)VV與NDVI組合比單一的極化更加適用。針對整個區(qū)域環(huán)境的復雜性,選用能夠綜合反映土壤含水量的模式是 VV與 NDVI組合。

3 結論與討論

基于歐空局Sentinel-1A衛(wèi)星影像,運用支持向量回歸算法,對不同極化方式下的土壤含水量反演方法進行對比分析,并對北安—黑河高速公路沿線地區(qū)進行了土壤含水量反演,得出如下結論:VV極化圖像對裸露地區(qū)反演更具有優(yōu)勢,但該極化信號在植被層會被強烈吸收,在中等植被覆蓋度地區(qū)并不適用;VH極化反演效果不及VV極化有效;雙極化去極化比率在低植被覆蓋地區(qū)更能發(fā)揮優(yōu)勢,如草地、牧場等區(qū)域,但不能應用到高植被覆蓋地區(qū);而VV與NDVI組合更能夠綜合反演出該區(qū)域復雜地表的土壤含水量,發(fā)揮哨兵1號C波段SAR影像的極化特性優(yōu)勢。

不同極化組合方式,在微波遙感反演植被覆蓋區(qū)土壤水分時的影響不同。VV極化方式能將垂直信息反映良好,在植被覆蓋區(qū)域上提取的土壤后向散射系數(shù)一般值偏低,反演值也會偏低。引入 NDVI作為修正植被影響的部分,可將植被-土壤之間的非線性關系表達得更為詳細、精確。VH交叉極化包含垂直及水平方向的信息,水平方向的信息對于裸露地表更適用,這與 Bindlish等[19]、Pasolli等[25]針對不同極化SAR反演土壤含水量研究結果一致。支持向量回歸算法能夠精確反演土壤含水量參數(shù)之間的非線性關系,但是算法對于大規(guī)模的反演來說需要較大的運算內存和時間[26-27]。在光學植被指數(shù)的選取中只用了光學厚度這一方面,并未考慮其他植被指數(shù)及其他相關因子。因此在未來的研究中,應該結合區(qū)域特點綜合考慮不同植被指數(shù)、SAR不同入射角及氣象因子對地表水分的影響,進一步完善地表土壤含水量模型。

References

[1]李俐,王荻,王鵬新,等.合成孔徑雷達土壤水分反演研究進展[J].資源科學,2015,37(10):1929–1940 Li L,Wang D,Wang P X,et al.Progress on monitoring soil moisture using SAR data[J].Resources Science,2015,37(10):1929–1940

[2]李震,廖靜娟.合成孔徑雷達地表參數(shù)反演模型與方法[M].北京:科學出版社,2011:170–222 Li Z,Liao J J.Synthetic Aperture Radar Surface Parameters Inversion Model and Methods[M].Beijing:Science Press,2011:170–222

[3]胡健,呂一河.土壤水分動態(tài)隨機模型研究進展[J].地理科學進展,2015,34(3):389–400 Hu J,Lü Y H.Research progress on stochastic soil moisture dynamic model[J].Progress in Geography,2015,34(3):389–400

[4]夏燕秋,馬金輝,屈創(chuàng),等.基于Landsat ETM +數(shù)據(jù)的白龍江流域土壤水分反演[J].干旱氣象,2015,33(2):213–219 Xia Y Q,Ma J H,Qu C,et al.Study of soil moisture retrieval based on Landsat ETM + image data in the Bailongjiang basin[J].Journal of Arid Meteorology,2015,33(2):213–219

[5]徐軍,蔣建軍.基于熱紅外輻射特征的土壤水分含量估算模型研究[J].安徽農(nóng)業(yè)科學,2012,40(28):14099–14102 Xu J,Jiang J J.Research on the estimation model of soil moisture content based on the characteristics of thermal infrared data[J].Journal of Anhui Agricultural Sciences,2012,40(28):14099–14102

[6]Das K,Paul P K.Soil moisture retrieval model by using RISAT-1,C-band data in tropical dry and sub-humid zone of Bankura district of India[J].The Egyptian Journal of Remote Sensing and Space Science,2015,18(2):297–310

[7]Al-Yaari A,Wigneron J P,Ducharne A,et al.Global-scale evaluation of two satellite-based passive microwave soil moisture datasets (SMOS and AMSR-E) with respect to Land Data Assimilation System estimates[J].Remote Sensing ofEnvironment,2014,149:181–195

[8]Oh Y,Sarabandi K,Ulaby F T.An empirical model and an inversion technique for radar scattering from bare soil surfaces[J].IEEE transactions on Geoscience and Remote Sensing,1992,30(2):370–381

[9]Dubois P C,van Zyl J,Engman T.Measuring soil moisture with imaging radars[J].IEEE Transactions on Geoscience and Remote Sensing,1995,33(4):915–926

[10]丁建麗,姚遠.干旱區(qū)稀疏植被覆蓋條件下地表土壤水分微波遙感估算[J].地理科學,2013,33(7):837–843 Ding J L,Yao Y.Evaluation of soil moisture contents under sparse vegetation coverage conditions using microwave remote sensing technology in arid region[J].Scientia Geographica Sinica,2013,33(7):837–843

[11]Hajj M E,Baghdadi N,Zribi M,et al.Soil moisture retrieval over irrigated grassland using X-band SAR data[J].Remote Sensing of Environment,2016,176:202–218

[12]Ulaby F T,van Deventer T E,Haddock T F,et al.Millimeter-wave bistatic scattering from ground and vegetation targets[J].IEEE Transactions on Geoscience and Remote Sensing,1988,26(3):229–243

[13]Liang P,Pierce L E,Moghaddam M.Radiative transfer model for microwave bistatic scattering from forest canopies[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(11):2470–2483

[14]胡蝶,郭鈮,沙莎,等.基于Radarsat-2 SAR數(shù)據(jù)反演定西裸露地表土壤水分[J].干旱氣象,2014,32(4):553–559 Hu D,Guo N,Sha S,et al.Retrieval of bare soil moisture based on radarsat-2 SAR in Dingxi of Gansu Province[J].Journal of Arid Meteorology,2014,32(4):553–559

[15]李芳花.黑龍江省半干旱地區(qū)土壤水分遙感監(jiān)測技術研究及應用[D].長春:吉林大學,2006:20–80 Li F H.Study and application for soil moisture monitor using remote sensor technology in the semiarid area of Heilongjiang Province[D].Changchun:Jilin University,2006:20–80

[16]陳晶,賈毅,余凡.雙極化雷達反演裸露地表土壤水分[J].農(nóng)業(yè)工程學報,2013,29(10):109–115 Chen J,Jia Y,Yu F.Soil moisture inversion by radar with dual-polarization[J].Transactions of the CSAE,2013,29(10):109–115

[17]張曉倩,郭琳,馬尚杰,等.利用時序合成孔徑雷達數(shù)據(jù)監(jiān)測水稻葉面積指數(shù)[J].農(nóng)業(yè)工程學報,2014,30(13):185–193 Zhang X Q,Guo L,Ma S J,et al.Monitoring rice leaf area index using time-series SAR data[J].Transactions of the CSAE,2014,30(13):185–193

[18]Macelloni G,Paloscia S,Pampaloni P,et al.The relationship between the backscattering coefficient and the biomass of narrow and broad leaf crops[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(4):873–884

[19]Bindlish R,Barros A P.Parameterization of vegetation backscatter in radar-based,soil moisture estimation[J].Remote Sensing of Environment,2001,76(1):130–137

[20]Jackson T J,Schmugge T J.Vegetation effects on the microwave emission of soils[J].Remote Sensing of Environment,1991,36(3):203–212

[21]Paloscia S,Pettinato S,Santi E,et al.Soil moisture mapping using Sentinel-1 images:Algorithm and preliminary validation[J].Remote Sensing of Environment,2013,134:234–248

[22]周鵬,丁建麗,王飛,等.植被覆蓋地表土壤水分遙感反演[J].遙感學報,2010,14(5):959–973 Zhou P,Ding J L,Wang F,et al.Retrieval methods of soil water content in vegetation covering areas based on multisource remote sensing data[J].Journal of Remote Sensing,2010,14(5):959–973

[23]劉琰.支持向量機核函數(shù)的研究[D].西安:西安電子科技大學,2012:10–24 Liu Y.Study on kernel function of support vector machine[D].Xi’an:Xidian University,2012:10–24

[24]梁棟,楊勤英,黃文江,等.基于小波變換與支持向量機回歸的冬小麥葉面積指數(shù)估算[J].紅外與激光工程,2015,44(1):335–340 Liang D,Yang Q Y,Huang W J,et al.Estimation of leaf area index based on wavelet transform and support vector machine regression in winter wheat[J].Infrared and Laser Engineering,2015,44(1):335–340

[25]Pasolli L,Notarnicola C,Bertoldi G,et al.Soil moisture monitoring in mountain areas by using high-resolution SAR images:Results from a feasibility study[J].European Journal of Soil Science,2014,65(6):852–864

[26]Pasolli L,Notarnicola C,Bruzzone L.Estimating soil moisture with the support vector regression technique[J].IEEE Geoscience and Remote Sensing Letters,2011,8(6):1080–1084

[27]Pasolli L,Notarnicola C,Bruzzone L.Multi-objective parameter optimization in support vector regression:General formulation and application to the retrieval of soil moisture from remote sensing data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(5):1495–1508

Soil water content retrieval based on Sentinel-1A and Landsat 8 image for Bei’an-Heihe Expressway

ZENG Xujing1,XING Yanqiu1*,SHAN Wei2,ZHANG Yi3,WANG Changqing1
(1.Center for Forest Operations and Environment,Northeast Forestry University,Harbin150040,China;2.School of Civil Engineering,Northeast Forestry University,Harbin150040,China;3.College of Resources,Sichuan Agricultural University,Chengdu 611130,China)

Soil water content is one of the basic parameters that affect hydrological variability and climate change.It has important practical significance and scientific value for climate change,water resources and estimation of crop yield to study the distribution of soil water content.To probe new ways of soil water content retrieval in complex vegetation coverage area,this study analyzed soil water contents of complex surfaces with various degrees of vegetation cover along Bei’an-Heihe Expressway using images from Sentinel-1A dual-polarization Synthetic Aperture Radar (SAR) for 21 June 2015.Also Landsat 8 images were integrated as assisted optical image for the same satellite transit time.Then the results of the inversion of soil water content under different land use types and polarization combinations were discussed.Backscattering coefficients of different polarization modes were extracted using the water cloud model.Support vector regression algorithm was used to estimate surface soil water content based on the soil inversion parameters.The applicability of different polarizations in the retrieval of soil water content on complex surface was also discussed.The results showed that VH polarization retrieval accuracy was 52.11%,while combined VH polarization with normalized difference vegetation index (NDIV) retrieval accuracy was only 53.6%.This was not satisfactory for the vegetation zone.VV polarization and dual polarization ratio of VV/VH images were very sensitive to bare land and low vegetation cover land,for which retrieval accuracies were respectively 75.4% and 59.5%.These methods were,however,not applicable in areas with moderate or high vegetation cover.The results of VH polarization inversion for arable lands soil water content was 9.37% lower than the measured value.Also the inversion value of VV polarization for areas with low bush was10.45% lower than the measured value.The inversion results for dual polarization ratio of VV/VH in shrub and arable lands were not as good as the inversion results for single polarization.For the various combinations,the inversion with the highest precision model was that for the combination of VV with NDVI.In summary,the combination of VV and auxiliary variable NDVI comprehensively reflected soil water content in complex surface environments.The goodness of fit (R2) of VV polarization combined with NDVI was 84% and the calculated root mean squared error was 2.07.In comparison with VV polarization,the retrieval accuracy improved by 8.8% and the calculated root mean square error decreased by 2.704.The combination of VV polarization with NDIV had more advantages for the inversion of soil water content for the regions with middle vegetation cover.The application of combined VV polarization with NDIV increased the potential and effectiveness of Sentinel-1A c-band synthetic aperture radar in areal study of soil water content.

Sentinel-1A;Soil water content;Backscattering coefficient;Polarization;Support vector regression

TP79;S152.7

:A

:1671-3990(2017)01-0118-09

10.13930/j.cnki.cjea.160657

曾旭婧,邢艷秋,單煒,張毅,王長青.基于Sentinel-1A與Landsat 8數(shù)據(jù)的北黑高速沿線地表土壤水分遙感反演方法研究[J].中國生態(tài)農(nóng)業(yè)學報,2017,25(1):118-126

Zeng X J,Xing Y Q,Shan W,Zhang Y,Wang C Q.Soil water content retrieval based on Sentinel-1A and Landsat 8 image for Bei’an-Heihe Expressway[J].Chinese Journal of Eco-Agriculture,2017,25(1):118-126

* 通訊作者:邢艷秋,主要研究方向為森工管理與林業(yè)信息工程。E-mail:yanqiuxing@nefu.edu.cn

曾旭婧,主要研究方向為定量遙感。E-mail:jingle1992@163.com

2016-07-26接受日期:2016-10-13

* Corresponding author,E-mail:yanqiuxing@nefu.edu.cn

Received Jul.26,2016;accepted Oct.13,2016