被动微波和主动微波监测土壤水分的方法
来源： http://www.soil17.net 更新时间：2012-11-15 17:43:04 阅读次
被动微波监测土壤水分
被动微波反演土壤水分已有 30 多年的历史。20 世纪 70 年代初，美国国家航空航天局( NASA) 在亚历山大农田进行了航空微波辐射计飞行试验，同步观测了 0—15cm 的土壤湿度，使用土壤水分监测系统对试验数据进行了分析，发现亮度温度与土壤湿度( 质量百分比) 具有较好的线性相关。Njoku 等基于辐射传输方程，建立亮度温度与土壤湿度等参数的非线性方程，然后用迭代法和最小二乘法解非线性方程求出土壤湿度。Jackson和Koike利用被动微波遥感对较大尺度的土壤水分进行了制图研究和试验。植被对土壤水分反演的影响是不可忽视的因素，为了消除植被的影响，必须注重植被的遥感监测，建立相关的计算模型。Teng等研究了植被对土壤水分监测的影响，结果表明在浓密植被覆盖区土壤湿度监测中应避免使用 19GHZ 波段，尽量选择较长波段微波辐射，以消除植被对土壤湿度反演的影响。Frate等利用由微波遥感获得的比辐射率经过两个隐藏层的 BP 神经网络模型的训练得到土壤含量。Bindlish利用改进的 IEM 模型，得到了与实际土壤湿度相关性高达 0． 95 的反演结果。乔平林基于 BSM 模型与人工神经网络( ANN) 进行了土壤湿度的反演，即使在先验知识具有不确定时仍能保证一定的准确度。王磊等引入微波极化差异指数( MPDI) 概念，提出了一种自动区分地面植被覆盖情况的方法，改进了 Richard 提出的计算植被消光系数的方程，提高了反演的效率。
主动微波监测土壤水分
主动微波土壤湿度反演已有30 多年的历史，最早研究始于 Ulaby 等人的实验。其中，裸土土壤湿度反演研究开展较多，Dobson、Oh、Shi 等结合物理模型和多频、多极化或全极化数据建立了土壤水分反演的半经验模型，实现了裸土土壤水分反演。但是当用于植被覆盖地表时，未能有效地实现土壤湿度的反演。
目前，植被覆盖区土壤湿度微波遥感反演研究主要基于现有的植被模型( 如水-云模型和 MIMICS 模型) ，在获得试验区植被层信息后，将以上模型参数进行校正，去除植被层对地表土壤湿度反演的影响。例如，Roger等基于模拟数据建立了农作物覆盖地表土壤湿度反演的经验回归模型; Baghdadi等对 IEM 模型进行了半经验性的标定，改进了像元尺度上相关长度的表达，提高了土壤水分反演的精度; Rahman等探讨了粗糙度对观测信号的贡献，从而求得粗糙度的分布信息，进而获得土壤水分反演结果; 施建成等利用目标分解方法分离出植被散射部分，在一定程度上克服了植被层和表面粗糙度的变化对雷达后向散射对土壤水分的影响; 杨虎等利用多时相 Radarsat ScanSAR 雷达后向散射系数图像繁衍得到了地表土壤水分变化模式信息; 鲍艳松等利用 TM 遥感数据削弱植被散射和衰减的影响，基于 ASAR 和 TM 数据建立冬小麦覆盖下的土壤湿度反演模型，实现了冬小麦覆盖下土壤湿度的反演。
主被动微波结合土壤水分研究
目前，主被动联合反演土壤水分的研究方法可大致分为两种: 一种是将主动微波与被动微波数据融合在一起应用于无线墒情监测系统中，共同对地表参数进行反演。第二种是首先采用被动微波数据获取低分辨率的地表土壤水分结果，在此基础上再利用主动微波数据进行处理，获取分辨率更高的土壤水分结果。Lee分别针对主被动微波遥感数据建立了亮度温度、后向散射系数与地表土壤水分、植被参数( LAI) 的关系，利用几何光学模型模拟主动微波散射，用水云模型计算植被影响。随后建立了表征前向模型模拟结果与卫星观测数值的差异函数，利用不同通道对前向模型中各参数进行确定。Narayan基于特定假设，首先用被动微波传感器数据反演得到对应时相土壤水分，然后用两个相邻时相被动微波土壤水分结果及同期被动微波像元内部的主动微波数据计算两次观测之间该被动微波像元内部的后向散射-土壤水分变化系数。进而推算后续时相主动微波像元尺度土壤水分值。Chauhan利用机载合成孔径雷达 AIRSAR 和辐射计 PBMR，采用主被动结合的方法，对美 Mahantango流域土壤水分进行了研究，结果与观测值吻合良好。李震等研究建立了一个半经验公式模型，用来计算体散射项，综合时间序列的主动和被动微波数据，消除植被覆盖的影响，估算地表土壤水分变化状况。
被动微波反演土壤水分已有 30 多年的历史。20 世纪 70 年代初，美国国家航空航天局( NASA) 在亚历山大农田进行了航空微波辐射计飞行试验，同步观测了 0—15cm 的土壤湿度，使用土壤水分监测系统对试验数据进行了分析，发现亮度温度与土壤湿度( 质量百分比) 具有较好的线性相关。Njoku 等基于辐射传输方程，建立亮度温度与土壤湿度等参数的非线性方程，然后用迭代法和最小二乘法解非线性方程求出土壤湿度。Jackson和Koike利用被动微波遥感对较大尺度的土壤水分进行了制图研究和试验。植被对土壤水分反演的影响是不可忽视的因素，为了消除植被的影响，必须注重植被的遥感监测，建立相关的计算模型。Teng等研究了植被对土壤水分监测的影响，结果表明在浓密植被覆盖区土壤湿度监测中应避免使用 19GHZ 波段，尽量选择较长波段微波辐射，以消除植被对土壤湿度反演的影响。Frate等利用由微波遥感获得的比辐射率经过两个隐藏层的 BP 神经网络模型的训练得到土壤含量。Bindlish利用改进的 IEM 模型，得到了与实际土壤湿度相关性高达 0． 95 的反演结果。乔平林基于 BSM 模型与人工神经网络( ANN) 进行了土壤湿度的反演，即使在先验知识具有不确定时仍能保证一定的准确度。王磊等引入微波极化差异指数( MPDI) 概念，提出了一种自动区分地面植被覆盖情况的方法，改进了 Richard 提出的计算植被消光系数的方程，提高了反演的效率。
主动微波监测土壤水分
主动微波土壤湿度反演已有30 多年的历史，最早研究始于 Ulaby 等人的实验。其中，裸土土壤湿度反演研究开展较多，Dobson、Oh、Shi 等结合物理模型和多频、多极化或全极化数据建立了土壤水分反演的半经验模型，实现了裸土土壤水分反演。但是当用于植被覆盖地表时，未能有效地实现土壤湿度的反演。
目前，植被覆盖区土壤湿度微波遥感反演研究主要基于现有的植被模型( 如水-云模型和 MIMICS 模型) ，在获得试验区植被层信息后，将以上模型参数进行校正，去除植被层对地表土壤湿度反演的影响。例如，Roger等基于模拟数据建立了农作物覆盖地表土壤湿度反演的经验回归模型; Baghdadi等对 IEM 模型进行了半经验性的标定，改进了像元尺度上相关长度的表达，提高了土壤水分反演的精度; Rahman等探讨了粗糙度对观测信号的贡献，从而求得粗糙度的分布信息，进而获得土壤水分反演结果; 施建成等利用目标分解方法分离出植被散射部分，在一定程度上克服了植被层和表面粗糙度的变化对雷达后向散射对土壤水分的影响; 杨虎等利用多时相 Radarsat ScanSAR 雷达后向散射系数图像繁衍得到了地表土壤水分变化模式信息; 鲍艳松等利用 TM 遥感数据削弱植被散射和衰减的影响，基于 ASAR 和 TM 数据建立冬小麦覆盖下的土壤湿度反演模型，实现了冬小麦覆盖下土壤湿度的反演。
主被动微波结合土壤水分研究
目前，主被动联合反演土壤水分的研究方法可大致分为两种: 一种是将主动微波与被动微波数据融合在一起应用于无线墒情监测系统中，共同对地表参数进行反演。第二种是首先采用被动微波数据获取低分辨率的地表土壤水分结果，在此基础上再利用主动微波数据进行处理，获取分辨率更高的土壤水分结果。Lee分别针对主被动微波遥感数据建立了亮度温度、后向散射系数与地表土壤水分、植被参数( LAI) 的关系，利用几何光学模型模拟主动微波散射，用水云模型计算植被影响。随后建立了表征前向模型模拟结果与卫星观测数值的差异函数，利用不同通道对前向模型中各参数进行确定。Narayan基于特定假设，首先用被动微波传感器数据反演得到对应时相土壤水分，然后用两个相邻时相被动微波土壤水分结果及同期被动微波像元内部的主动微波数据计算两次观测之间该被动微波像元内部的后向散射-土壤水分变化系数。进而推算后续时相主动微波像元尺度土壤水分值。Chauhan利用机载合成孔径雷达 AIRSAR 和辐射计 PBMR，采用主被动结合的方法，对美 Mahantango流域土壤水分进行了研究，结果与观测值吻合良好。李震等研究建立了一个半经验公式模型，用来计算体散射项，综合时间序列的主动和被动微波数据，消除植被覆盖的影响，估算地表土壤水分变化状况。
搜索
产品目录