何　連，秦其明，任華忠，都　駿，孟晉杰，杜　宸（北京大學遙感與地理信息系統研究所，北京 100871）

?

利用多時相Sentinel-1 SAR數據反演農田地表土壤水分

何連，秦其明※，任華忠，都駿，孟晉杰，杜宸
（北京大學遙感與地理信息系統研究所，北京 100871）

摘要：土壤水分是陸面生態(tài)系統水分和能量循環(huán)的重要變量，在農田干旱監(jiān)測、作物長勢監(jiān)測和作物估產等應用研究中具有重要的作用。該文結合基于變化檢測的Alpha近似模型，利用Sentinel-1衛(wèi)星獲取的多時相C波段合成孔徑雷達（synthetic aperture radar，SAR）數據，實現了農田地表土壤水分的反演。該文首先利用微波輻射傳輸模型驗證了Alpha近似模型在土壤水分反演中的合理性。研究發(fā)現，對于土壤散射占主導的區(qū)域，Alpha近似模型對輻射傳輸模型有較好的近似，能夠有效地消除地表粗糙度和植被對雷達后向散射系數的影響。在此基礎上，結合懷來研究區(qū)多時相Sentinel-1 SAR數據，利用Alpha近似模型構建了土壤水分觀測方程組，通過求解方程組得到了農田地表土壤水分。地面驗證結果表明，土壤水分反演的均方根誤差（root mean square error，RMSE）為0.06 cm3/cm3，平均偏差為0.01 cm3/cm3，精度較好。該文研究為利用高重訪周期、多時相的Sentinel-1 SAR數據獲取農田地表土壤水分提供了參考。

關鍵詞：土壤水分；遙感；合成孔徑雷達；反演；多時相；農田地表

何連，秦其明，任華忠，都駿，孟晉杰，杜宸. 利用多時相Sentinel-1 SAR數據反演農田地表土壤水分[J]. 農業(yè)工程學報，2016，32（3）：142－148.doi：10.11975/j.issn.1002-6819.2016.03.020http://www.tcsae.org

He Lian, Qin Qiming, Ren Huazhong, Du Jun, Meng Jinjie, Du Chen. Soil moisture retrieval using multi-temporal Sentinel-1 SAR data in agricultural areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 142－148. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2016.03.020 http://www.tcsae.org

Email：helianpku@pku.edu.cn

Email：qmqin@pku.edu.cn

0　引　言

土壤水分直接影響著地表和大氣界面的水分和能量交換，是水文模型、氣候模型、生態(tài)模型以及陸面過程模型的關鍵輸入參數，在全球水循環(huán)、能量平衡及氣候變化的研究中扮演著重要的角色[1]。在農業(yè)應用中，土壤水分是作物生長發(fā)育的基本條件，是進行農作物長勢監(jiān)測、農作物估產和旱情監(jiān)測的一個重要因子。

合成孔徑雷達（synthetic aperture radar，SAR）具有全天時、全天候的觀測能力，并且對植被和土壤表層具有一定的穿透能力，已被廣泛應用于地表土壤水分的監(jiān)測和反演應用之中。由于電磁波與地表相互作用的復雜性，雷達后向散射系數除了受到土壤介電常數（主要取決于土壤水分）的影響之外，還受到地表粗糙度、植被覆蓋等參數的影響[2]。因此，土壤水分的反演在本質上屬于“病態(tài)”問題，雷達后向散射系數和土壤水分之間的關系必然存在著不確定性。為了降低不確定性，需要借助于多種觀測模式（多極化[3-5]、多角度[4-5]、多波段[6]）的數據或者多源（被動微波[7-8]、光學遙感[9-10]）數據來反演土壤水分。但是，多種觀測模式或者多源的觀測數據通常難以獲取，并且大多數的反演算法需要依賴地面的觀測試驗。

重復觀測的SAR數據是降低土壤水分反演不確定性的一種有效手段，在業(yè)務化的土壤水分反演算法中具有較大的潛力[11]。Wagner等[12-13]把不同時段、不同入射角的ERS（European remote sensing）衛(wèi)星散射計獲取的后向散射系數歸一化為入射角為40°的后向散射系數，然后選取研究區(qū)全年內土壤最干和最濕2個時間段的后向散射系數為參考值計算土壤水分參數，并應用于全球土壤水分的反演。該方法忽略了地表粗糙度的變化對后向散射系數的影響，反演得到的土壤水分是土壤的相對濕度。Wickel等[14]利用1個月之內獲取的10景RADARSAT數據對小麥地塊的土壤水分進行監(jiān)測，發(fā)現雷達后向散射系數的變化與土壤水分的變化存在較好的相關性（R2=0.89）。Lu等[15]采用變化檢測的方法分析了SAR的幅度和相位信息對土壤水分變化的敏感性，發(fā)現變化檢測的方法可以檢測土壤水分0.05～0.20 cm3/cm3之間的變化。但是，上述的反演算法通常只能獲得土壤水分的相對變化，而不是土壤水分的絕對值。Balenzano等[16]假設在地表粗糙度和植被參數變化不明顯的情況下，2次觀測之間雷達后向散射系數的變化可以歸結為土壤水分的變化，進而采用2個時相雷達后向散射系數的比值消除地表粗糙度和植被對雷達后向散射系數的影響并構建觀測方程組，反演了土壤水分的絕對值。研究表明，利用HH極化數據，土壤水分的反演精度可以達到0.05 cm3/cm3。該算法為利用多時相SAR數據反演土壤水分的絕對值提供了一種新思路，但是要求土壤的散射占主導，并且重復觀測的時間間隔為1～2周。

作為ERS-2和Envisat的后續(xù)衛(wèi)星，Sentinel-1是歐盟委員會和歐洲航天局共同倡議的全球環(huán)境與安全監(jiān)測系統（global monitoring for environment and security，GMES）的重要組成部分，是由2顆衛(wèi)星組成的星座。Sentinel-1可提供重復觀測的C波段SAR數據，重訪周期為6 d，空間分辨率較高，在地表土壤水分反演中有很大潛力。目前，針對多時相、重訪周期短的SAR時間序列數據進行土壤水分的研究受到越來越多的關注[17-20]，但是利用Sentinel-1 SAR數據進行土壤水分反演的研究比較少。本文的目的是探討多時相Sentinel-1 SAR數據在農田地表土壤水分反演中的應用。假設在重復觀測的時間間隔內，地表粗糙度和植被參數變化不顯著，并且兩者對雷達后向散射系數的貢獻是乘性疊加的，利用2個時相之間雷達后向散射系數的比值消除地表粗糙度和植被的影響。本文首先利用輻射傳輸模型分析了上述方法在農田玉米地的土壤水分反演中的合理性，然后利用多時相的Sentinel-1 SAR數據構建反演方程組，反演得到了土壤水分的絕對值。

1　研究區(qū)域與數據處理

1.1研究區(qū)概況

試驗區(qū)位于中國科學院懷來遙感綜合試驗站（115°47'E，40°20'N）。試驗站周邊10 km范圍內，地表類型豐富，有農田、水體、山地和濕地灘涂等。本文選取的研究區(qū)域為試驗站周圍的農田，主要種植的作物類型為玉米。研究區(qū)農田地勢平坦，地形起伏較小。

在研究區(qū)，本文設計了2次地面觀測試驗，時間分別為2015年5月30日和2015年6月17日。試驗觀測數據包括土壤水分、植株高度、植被覆蓋度和土壤粗糙度。土壤水分采用美國Spectrum公司的TDR300型土壤水份計進行測量，測量時采用的探針長度為7.5 cm，用于獲取表層土壤的體積含水量。試驗共布置27個采樣點，空間分布合理，如圖1所示。測量時采用便攜式GPS （global positioning system）接收機進行定位測量，在以采樣點半徑為3 m 的范圍內布置5個測量點，測量點呈“十”字形分布，每個測量點測3次。每個采樣點的土壤水分是5個測量點的平均值。在測量土壤體積含水量的同時，在采樣點附近選擇有代表性的玉米植株，用卷尺測量其植株高度。植被覆蓋度采用照相法進行測量。土壤粗糙度采用針式粗糙度儀進行測量，粗糙度剖面板長度為1 m，相鄰探針的間距為1 cm。測量時，將粗糙度儀沿同一方向依次測2次，構成2 m長的剖面，用于求取粗糙度。對每個采樣點，沿著垂直于壟行方向和平行于壟行方向各測2次，取平均值。第1次觀測試驗時，玉米的冠層高度范圍為5～10 cm，地表幾乎為裸土。第2次觀測試驗時，玉米冠層的高度范圍為25～35 cm，植被覆蓋度約為20%～30%。2次觀測試驗期間，玉米均未封壟。圖1給出了試驗區(qū)2015年6月3日的Landsat 8假彩色合成（R：band 5，G：band 4，B：band 3）示意圖。

圖1　研究區(qū)域和地面采樣點分布圖Fig.1　Study area and sampling points

1.2數據獲取與處理

Sentinel-1是由2個衛(wèi)星組成的星座[21]。第1顆衛(wèi)星（Sentinel-1A）于2014年4月3日發(fā)射，第2顆衛(wèi)星（Sentinel-1B）預計于2016年發(fā)射。單顆衛(wèi)星的重訪周期為12 d。2顆衛(wèi)星組網之后，重訪周期可以達到6 d。作為ERS-2和Envisat的后續(xù)衛(wèi)星，Sentinel-1搭載了C波段的SAR傳感器，工作頻率為5.4 GHz?？偣灿?種數據獲取模式：條帶模式（stripmap model，SM）、干涉寬幅（interferometric wide swath，IW）模式、超寬幅（extra-wide swath，EW）模式和波模式（wave mode，WM）。本文所用數據的獲取模式為IW，幅寬為250 km，空間分辨率為5 m×20 m，具體信息見表1。

表1　研究區(qū)域Sentinel-1 SAR數據Table 1　List of Sentinel-1 SAR images acquired over study area

獲取的SAR影像為Level-1數據，經過地距檢測和投影轉換，并利用歐空局提供的Sentinel-1 Toolbox （S1TBX）軟件進行預處理。預處理步驟包括幅度至強度的轉換和輻射定標。為了降低影像中的斑點噪聲，采用Refined Lee濾波[22]進行處理，窗口大小設為7×7。

為了分析研究區(qū)域地表植被的變化情況，本文同時下載了研究區(qū)域的Landsat數據，獲取時間分別為2015 年5月2日、5月25日、6月3日、6月18日和6月26日。該數據首先經過輻射定標，然后采用ENVI的FLAASH（fast line-of-sight atmospheric analysis ofhypercubes）模型進行大氣校正，最后計算歸一化植被指數（normalized difference vegetation index，NDVI）。獲取的光學數據和SAR數據最后進行幾何校正配準，轉換到統一的坐標系下。

2　土壤水分反演方法

雷達后向散射系數主要受到土壤介電常數（主要取決于土壤水分）、地表粗糙度和植被覆蓋等因素的影響。假定地表粗糙度和植被狀況在一定時間內是不變的，雷達后向散射系數的變化可以歸結為土壤介電常數（土壤水分）的變化。土壤水分及其變化信息的提取可采用多時相重復觀測的方法。對于2個時相T1和T2獲取的SAR影像，假設在這個時間間隔內地表的粗糙度保持不變，并且地表粗糙度和植被對于雷達后向散射系數的影響是乘性的，那么這2個時相獲取的雷達后向散射系數的比值可以近似看成土壤介電常數、雷達入射角以及極化方式的函數。該模型又被稱為Alpha近似（Alpha Approximation[16]）模型，可以表達為

式中σ0表示雷達后向散射系數（能量）；θ為雷達入射角度；εs為土壤相對介電常數；T1和T2表示雷達數據獲取的時間；αPP為極化幅度，是雷達入射角度和土壤介電常數的函數；PP表示極化方式，為HH或者VV。

若采用小擾動模型描述地表的散射，極化幅度αPP可表達為

在獲取2個時相的SAR影像之后，可以根據式（1）得到一個觀測方程

為了保證假設的合理性，通常采用連續(xù)的2幅影像構成一個觀測方程。對于N景連續(xù)觀測的SAR影像，可以構成N?1個方程，其組成方程組為

對于方程組（5），存在N個土壤水分未知數。因此，求解土壤水分是一個欠定問題，存在無數多個解。為了方程組進行求解，需要對αPP的取值范圍進行限定，進而采用邊界約束最小二乘算法進行求解。對于給定的雷達入射角度和土壤水分范圍，αiPP的取值約束條件表達為

式中αmin和αmax分別表示極化幅度αPP在給定雷達入射角和土壤水分范圍條件下的最小值和最大值。

對方程組采用邊界約束最小二乘進行求解，得到極化幅度αPP的值，進而可以根據式（2）或式（3）求得土壤的介電常數εs，最后采用介電混合模型將介電常數轉為為土壤體積含水量mv。

3　結果與分析

3.1模型驗證

本文采用理論雷達后向散射系數模型對Alpha近似模型應用于土壤水分反演的合理性進行了驗證。本研究采用的理論模型是通過Matrix Doubling方法求解輻射傳輸方程得到的，并且利用玉米地的地面測量數據和星載C波段SAR數據進行了驗證[23-24]。模型的主要輸入參數為植被冠層高度H，其他植被參數如葉片的寬度、長度和厚度，莖稈的長度和直徑等則通過大量實測數據擬合得到[23-24]。模型的其他輸入參數則根據實際情況和測量結果進行設置，主要包括：雷達入射波頻率為5.4 GHz；入射角度θ設置為40°；地表均方根高度hrms設置為1.2 cm；相關長度cl設置為9.4 cm；表面自相關函數設置為指數型。為了模擬地表不同的植被和土壤水分情況，土壤體積含水量mv變化范圍為[0.05,0.45] cm3/cm3，間隔為0.025 cm3/cm3；玉米冠層高度變化范圍為[0,40] cm，間隔為5 cm。

不同植被冠層高度下雷達后向散射系數隨著土壤體積含水量的變化如圖2。

圖2　不同冠層高度下雷達后向散射系數σ0隨著土壤體積含水量的變化。Fig.2　Simulated backscattering coefficient σ0at VV polarization for different volumetric soil moisture and different crop heights

從圖2中可以看出，隨著土壤體積含水量的增加，雷達后向散射系數逐漸增加。在地表為裸土時，雷達后向散射系數對于土壤體積含水量的變化最為敏感。隨著植被冠層的增加，雷達后向散射系數對于土壤水分變化的敏感性逐漸降低。其他研究也表明，當作物的葉面積指數（leaf area index，LAI）大于1時，雷達后向散射系數將對于土壤水分的變化不敏感[25]。由于缺少地面輔助數據，無法對輻射傳輸模型的精度進行獨立驗證。但是，輻射傳輸模型的模擬結果與Maity等[26]和Du等[27]的結果相似，說明該模型能夠很好地反映雷達后向散射系數隨著地表參數變化的趨勢。

在重復觀測的時間段內，假設地表粗糙度保持不變，只有植被冠層高度H和土壤水分mv發(fā)生變化。對于T1時刻，地表的狀況用（H1，mv1）表示，在T2時刻，地表狀況用（H2，mv2）表示。4種不同植被冠層高度變化下，輻射傳輸模型模擬的2個時刻雷達后向散射系數的比值（式（1）的左邊項）和Alpha近似模型的模擬值（式（1）的右邊項）對比圖見圖3。

圖3　不同玉米冠層高度時輻射傳輸模型的模擬值/與Alpha近似模型/|2散點圖Fig.3　Scatterplots of/from radiative transfer approach versus |/|2from alpha approximation approach for different vegetation conditions

在2個不同的獲取時刻，當地表類型都為裸土時（圖3a），Alpha近似模型的模擬值與輻射傳輸模型的模擬值在1:1線附近，均方根誤差為0.15 dB，表明Alpha近似模型與輻射傳輸模型非常吻合。隨著植被冠層高度的增加，均方根誤差逐漸增大。當冠層的高度變化為20 cm時（圖3b和圖3c），Alpha近似模型仍然能夠取得較好的效果，均方根誤差最大達到1.25 dB。當植被高度變化較大時（圖3d），Alpha近似模型與輻射傳輸模型之間存在較大的誤差，RMSE達到了1.41 dB。圖3也表明Alpha近似模型對輻射傳輸模型的近似取決于農作物冠層的高度以及作物冠層高度的變化?？偟膩碚f，在裸露地表情況下，Alpha近似模型與輻射傳輸模型非常吻合；在植被高度較小且植被變化不大的情況下，Alpha近似模型是對輻射傳輸模型較好的近似。這與模型的假設一致，即模型適用于土壤粗糙度和植被變化不顯著的情況下[16]。

3.2土壤水分反演結果

通過對比Alpha近似模型和輻射傳輸模型的模擬值，發(fā)現Alpha近似模型能夠適用于裸露地表和未封壟的低矮玉米地的土壤水分反演。采樣點的NDVI平均值時間序列（圖4）反映了地表的植被變化情況。從圖4中可以看到，NDVI的值隨著玉米的生長而變大，與實地觀測到的玉米的高度相一致。在5月30日（一年中的天數DOY=150）左右，玉米處于三葉期，NDVI值較小，接近于裸露地表的值。隨著玉米的生長，其高度在30～40 cm之間（DOY=169）時，NDVI的值達到0.30左右。從NDVI的時間序列可以看出，對于序號為D1 （DOY=132）、D2（DOY=144）和D3（DOY = 156）的SAR數據，地表幾乎可以當作裸露地表，而對于序號為D4（DOY=168）的SAR數據，其后向散射系數則受到植被的影響。

圖4　基于Landsat數據的采樣點NDVI平均值時間序列Fig.4　Time-series of averaged NDVI values on test samples from Landsat data

在構建土壤水分反演的觀測方程時，相隔12 d的SAR數據（如D1和D2，D2和D3，以及D3和D4）可以構成3個觀測方程，然后采用約束邊界最小二乘方法進行求解[16]，最后得到了4個SAR數據獲取時刻的土壤水分結果，如圖5所示。5月12日和5月24日2個獲取時刻的土壤體積含水量比較低，研究區(qū)土壤體積含水量均值在0.10 cm3/cm3左右，空間差異較小。通過查詢歷史天氣數據可知，5月12日和5月24日前1周，都沒有降雨發(fā)生，土壤比較干旱，因此土壤體積含水量比較低。6 月5日反演的土壤體積含水量相整體上較高，研究區(qū)土壤體積含水量的均值在0.21 cm3/cm3左右，說明土壤相對比較濕潤。這由于在6月5日有明顯的降雨過程發(fā)生，土壤體積含水量的反演結果比較合理。6月17日反演的土壤體積含水量較高，研究區(qū)土壤體積含水量的均值在0.17 cm3/cm3左右。研究區(qū)在6月17日有零星的降雨，土壤水分略有升高。總體而言，4 d的土壤水分反演結果基本上符合土壤水分的時間變化趨勢，與歷史降雨情況比較吻合。

圖5　不同時間土壤濕度反演結果Fig.5　Soil moisture maps for different acquisition dates

盡管本文設計了2次地面觀測試驗，但是只有2015 年6月17日的地面觀測數據與Sentinel-1 SAR數據同步。因此，本文只對6月17日的反演結果進行了驗證。圖6給出了2015年6月17日的土壤水分地面觀測值與反演值的散點圖?？梢钥吹剑蟛糠值闹刀悸湓?:1線附近。最大的反演誤差達到了0.10 cm3/cm3，均方根誤差RMSE 為0.06 cm3/cm3，平均偏差為0.01 cm3/cm3，反演精度較好，可以滿足田間土壤水分的監(jiān)測的要求。

圖6　2015年6月17日土壤體積含水量的實測值與估算值比較Fig.6　Comparison of estimated and measured soil volumetric moisture water content for June 17, 2015

3.3討論

從圖4中地表NDVI變化曲線可以看出，從D3到D4（相隔12 d），NDVI變化增加較大，表明玉米處于快速生長期，生長速率較快，植被狀況會發(fā)生較大變化，可能會對土壤水分的反演結果產生影響。由于本文采用的是Sentinel-1A SAR數據，重訪周期為12 d。在Sentinel-1B衛(wèi)星發(fā)射后，重訪周期將達到6 d，這一問題有望得到緩解。值得注意的是，從輻射傳輸模型的模擬結果來看，在植被冠層高度變化不大的情況下，Alpha近似模型與輻射傳輸模型具有很好的相關性，但是存在明顯的系統性偏差。如果已知地表植被狀況（如通過光學數據獲取），對式（1）進行系統性校正，可以使得Alpha近似模型的適用性得到擴展，該研究需要更多地面觀測數據的支持。

在本文的研究區(qū)域，4景SAR影像的平均入射角度在40°左右，差異較小，因此2次觀測之間雷達入射角度的變化對土壤水分反演結果的影響沒有被考慮，但是將Alpha近似模型應用于其他區(qū)域時，需要進一步考慮雷達入射角的影響。另外，由于本文獲取的Sentinel-1 SAR數據只有VV和HV 2種極化方式，其他常用的土壤水分反演模型如Oh模型[28]，Dubious模型[29]等建立在同極化數據（HH和VV）的基礎上，這些常用方法無法適用于Sentinel-1 SAR數據。因此本文沒有將Alpha近似模型和這些常用方法進行對比分析，在后續(xù)的研究中需要加強地面觀測試驗和對比試驗。

4　結　論

本文結合Alpha近似模型，采用多時相Sentinel-1 SAR數據進行了農田地表土壤水分反演的研究，主要結論包括：

1）輻射傳輸模型與Alpha近似模型對比分析結果表明，對于土壤散射占主導的裸露地表和稀疏植被區(qū)域，Alpha近似模型與輻射傳輸模型比較吻合，說明Alpha近似模型能夠有效地消除地表粗糙度和植被對雷達后向散射系數的影響，適用于地表粗糙度和植被狀況變化不明顯情況下的地表土壤水分的反演。

2）采用Alpha近似模型從多時相的Sentinel-1 SAR數據中反演得到了土壤水分，反演的均方根誤差為0.06 cm3/cm3，表明多時相Sentinel-1 SAR數據在農田地表土壤水分反演方面具有較大的潛力。

本文的研究存在一些不足，在后續(xù)的研究中需要加強地面觀測試驗以及與其他土壤水分反演方法的對比分析。另外，需要進一步探討Alpha近似模型在其他農田地表類型的適用性，以及入射角度、極化方式等因素對土壤水分反演精度的影響。借助Sentinel-1 SAR數據高重訪周期和高分辨率的特點，本文的研究可以進一步擴展Sentinel-1 SAR數據農田土壤水分的監(jiān)測中的應用，為農田干旱監(jiān)測、作物估產提供支持。

[參考文獻]

[1] David R Legates, Rezaul Mahmood, Delphis F Levia, et al. Soil moisture: A central and unifying theme in physical geography[J]. Progress in Physical Geography, 2010, 35(1): 65－86.

[2] Ulaby F T, Moore R K, Fung A K. Microwave Remote Sensing: Active and Passive, Vol. II: Microwave RemoteSensing Fundamentals and Radiometry[M]. Dedham, Massachusetts: Artech House, 1986: 861－920.

[3] 陳晶，賈毅，余凡. 雙極化雷達反演裸露地表土壤水分[J].農業(yè)工程學報，2013，29(10)：109－115. Chen Jing, Jia Yi, Yu Fan. Soil moisture inversion by radar with dual-polarization[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(10): 109－115. (in Chinese with English abstract)

[4] 王軍戰(zhàn)，鮑艷松，張友靜，等. 多極化多角度ASAR數據反演裸露和小麥地表土壤濕度[J]. 農業(yè)工程學報，2010，26(6)：205－210. Wang Junzhan, Bao Yansong, Zhang Youjing, et al. Soil moisture inversion using multi-polarization and multi-angle ENVISAT ASAR data in surface soils of bare area and wheat-covered area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(6): 205－210. (in Chinese with English abstract)

[5] Gherboudj I, Magagi R, Berg A A, et al. Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular RADARSAT-2 SAR data[J]. Remote Sensing of Environment, 2011, 115(1): 33－43.

[6] Bindlish R, Barros A P. Multifrequency soil moisture inversion from sar measurements with the use of IEM[J]. Remote Sensing of Environment, 2000, 71(1): 67－88.

[7] Bindlish R, Jackson T, Sun R, et al. Combined passive and active microwave observations of soil moisture during CLASIC[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4): 644－648.

[8] 余凡，趙英時. 基于主被動遙感數據融合的土壤水分信息提取[J]. 農業(yè)工程學報，2011，27(6)：187－192. Yu Fan, Zhao Yingshi. Soil moisture information extraction based on integration of active and passive remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(6): 187－192. (in Chinese with English abstract)

[9] Mattar C, Wigneron J P, Sobrino J A, et al. A combined optical-microwave method to retrieve soil moisture over vegetated areas[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(5): 1404－1413.

[10] Yu Fan, Zhao Yingshi. A new semi-empirical model for soil moisture content retrieval by ASAR and TM data in vegetation-covered areas[J]. Science China Earth Sciences, 2011, 54(12): 1955－1964.

[11] Engman E T, Chauhan N. Status of microwave soil moisture measurements with remote sensing[J]. Remote Sensing of Environment, 1995, 51(1): 189－198.

[12] Wagner W, Lemoine G, Borgeaud M, et al. A study of vegetation cover effects on ERS scatterometer data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(2): 938－948.

[13] Wagner W, Lemoine G, Rott H. A method for estimating soil moisture from ERS scatterometer and soil data[J]. Remote Sensing of Environment, 1999, 70(2): 191－207.

[14] Wickel A J, Jackson T J, Wood E F. Multitemporal monitoring of soil moisture with RADARSAT SAR during the 1997 Southern Great Plains hydrology experiment[J]. International Journal of Remote Sensing, 2001, 22(8): 1571－1583.

[15] Lu Z, Meyer D J. Study of high SAR backscattering caused by an increase of soil moisture over a sparsely vegetated area: Implications for characteristics of backscattering[J]. International Journal of Remote Sensing, 2002, 23(6): 1063－1074.

[16] Balenzano A, Mattia F, Satalino G, et al. Dense temporal series of C- and L-band sar data for soil moisture retrieval over agricultural crops[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 439－450.

[17] Balenzano A, Mattia F, Satalino G, et al. SMOSAR algorithm for soil moisture retrieval using Sentinel-1 data[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2012: 1200－1203.

[18] Hornacek M, Wagner W, Sabel D, et al. Potential for high resolution systematic global surface soil moisture retrieval via change detection using Sentinel-1[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(4): 1303－1311.

[19] Satalino G, Balenzano A, Mattia F, et al. Sentinel-1 SAR data for mapping agricultural crops not dominated by volume scattering[C]. IEEE Geoscience and Remote Sensing Symposium (IGARSS), 2012: 6801－6804.

[20] 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(4): 234－248.

[21] Torres R, Snoeij P, Geudtner D, et al. GMES Sentinel-1 mission[J]. Remote Sensing of Environment, 2012, 120(6): 9－24.

[22] Lee J S, Grunes M R, De Grandi G. Polarimetric SAR speckle filtering and its implication for classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2363－2373.

[23] Bracaglia M, Ferrazzoli P, Guerriero L. A fully polarimetric multiple scattering model for crops[J]. Remote Sensing of Environment, 1995, 54(3): 170－179.

[24] Blaes X, Defourny P, Wegmuller U, et al. C-band polarimetric indexes for maize monitoring based on a validated radiative transfer model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(4): 791－800.

[25] Beriaux E, Lucau-Danila C, Auquiere E, et al. Multiyear independent validation of the water cloud model for retrieving maize leaf area index from SAR time series[J]. International Journal of Remote Sensing, 2013, 34(12): 4156－4181.

[26] Maity S, Patnaik C, Chakraborty M, et al. Analysis of temporal backscattering of cotton crops using a semiempirical model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3): 577－587.

[27] Du Y, Ulaby F T, Dobson M C. Sensitivity to soil moisture by active and passive microwave sensors[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(1): 105－114.

[28] Oh Y. Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces[J]. IEEE Transactions on Geoscience & Remote sensing, 2004, 42(3): 596－601.

[29] 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.

Soil moisture retrieval using multi-temporal Sentinel-1 SAR data in agricultural areas

He Lian, Qin Qiming※, Ren Huazhong, Du Jun, Meng Jinjie, Du Chen
(Institution of Remote Sensing and Geographical Information System, Peking University, Beijing 100871, China)

Abstract:Soil moisture is a key variable that links the water and energy cycles. Its information is also essential for many applications, such as agricultural drought monitoring, crop status monitoring and crop yield prediction. Sentinel-1 of the European Space Agency (ESA) is composed of 2 satellites, Sentinel-1A and Sentinel-1B, which share the same orbital plane with a 180° orbital phasing difference. The Sentinel-1 mission can provide C-band synthetic aperture radar (SAR) data with a global revisit time of just 6 days and high spatial resolution of about tens of meters, thus showing a strong potential for global soil moisture monitoring at high/moderate spatial resolutions. The aim of this study was to investigate the capability of multi-temporal Sentinel-1 C-band SAR data with a short repeating cycle in soil moisture estimation over agricultural fields. In order to retrieve soil moisture, an algorithm based on the change detection technique was utilized. This algorithm (referred to as alpha approximation approach) relies on the assumptions that the contributions of vegetation and surface roughness to the radar backscattered signal are multiplicative. Therefore, the effects of vegetation and surface roughness on radar backscattering coefficients can be decoupled from the effects of soil moisture changes by rationing multi-temporal like-polarized (HH and VV) intensities between two close acquisition dates. The ratio is expected to track changes in soil moisture only since the changes of surface roughness, canopy structure and vegetation biomass take place at longer temporal scales than soil moisture changes. The alpha approximation approach was firstly evaluated by comparing with data sets simulated by a theoretical radiative transfer (RT) scattering model. It was found that the alpha approximation approach was overall in good agreement with the RT scattering model without introducing significant errors for bare surface and low vegetation area, which confirmed that the alpha approximation approach was a simple and effective way to reduce the influences of vegetation and surface roughness. Furthermore, under the assumption of alpha approximation, the ratio of 2 consecutive backscatter measurements could be approximately represented as the squared ratio of corresponding Bragg scattering coefficients. For Sentinel-1 SAR data with only one like-polarized channel (i.e. VV), N SAR acquisitions would result in N - 1 linear equations in N unknown Bragg scattering coefficients. To solve this underdetermined system of equations, a bounded linear least-squares optimization was applied. Once the unknown Bragg scattering coefficients were retrieved, the relative dielectric constant could be analytically derived with the soil moisture being estimated by the inversion of microwave dielectric model. The alpha approximation approach was then applied to 4 consecutive Sentinel-1 SAR images acquired over Huailai experiment field. Soil moisture maps were successfully obtained for each date. The results were validated using ground measurements on one acquisition date, with root mean squared error (RMSE) value of 0.06 cm3/cm3and mean bias value of 0.01 cm3/cm3. The results demonstrated the overall good performance of the alpha approximation approach. These results imply that multi-temporal Sentinel-1 SAR data show great potential in achieving high resolution and accurate soil moisture retrievals over agricultural fields.

Keywords:soil moisture; remote sensing; synthetic aperture radar; retrieval; multi-temporal; agricultural fields

通信作者：※秦其明，男，北京，教授，博士，主要研究方向為定量遙感與地理信息系統。北京北京大學遙感與地理信息系統研究所，100871。

作者簡介：何連，男，湖北，博士生，主要研究方向為微波遙感與定量遙感。北京北京大學遙感與地理信息系統研究所，100871。

基金項目：國家自然科學基金重點項目（41230747）；中國博士后科學基金特別資助項目（2015T80012）

收稿日期：2015-09-06

修訂日期：2015-12-22

中圖分類號：TP751；S127；S152.7

文獻標志碼：A

文章編號：1002-6819(2016)-03-0142-07

doi：10.11975/j.issn.1002-6819.2016.03.020