李 奎，張 瑞,2※，段金亮，呂繼超

（1. 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院，成都 611756；2. 西南交通大學(xué)高速鐵路運(yùn)營安全空間信息技術(shù)國家地方聯(lián)合實(shí)驗(yàn)室，成都 611756）

0 引 言

土壤濕度（soil moisture）作為反映地表狀況的一個重要物理量，不僅能夠體現(xiàn)土地的干旱情況，還是農(nóng)作物水分供應(yīng)的決定因素，被精準(zhǔn)農(nóng)業(yè)、水循環(huán)等眾多領(lǐng)域視為研究基礎(chǔ)和關(guān)注熱點(diǎn)[1]。針對土壤濕度的測定，現(xiàn)有技術(shù)途徑包括電阻法、負(fù)壓計(jì)法等現(xiàn)場測定方法，重量法和中子法等試驗(yàn)測定方法，以及利用紅外和其它光譜數(shù)據(jù)實(shí)施解譯判讀的遙感法[2-4]。其中，遙感法可利用衛(wèi)星和機(jī)載傳感器實(shí)施大范圍的全局調(diào)查和測定，在作業(yè)效率、空間覆蓋度等方面優(yōu)勢明顯[5]。

在用于土壤濕度遙感解析的眾多光譜信息中，由于微波譜段對云層以及植被覆蓋具有較高的穿透性，且對土壤濕度變化較為敏感，近年來針對微波遙感數(shù)據(jù)的土壤濕度反演模型和算法發(fā)展迅猛，先后出現(xiàn)了一系列的理論模型[6-8]，也構(gòu)建了諸如水云模型[9]、Oh 模型[10]、Dobois 模型[11]以及Zribi-Dechambre 模型[12]等實(shí)用性較好的半經(jīng)驗(yàn)?zāi)Ｐ?。然而，根?jù)現(xiàn)有研究來看，理論模型實(shí)測參數(shù)較多且模型復(fù)雜，僅在裸土區(qū)域具有較好的反演效果。而半經(jīng)驗(yàn)?zāi)Ｐ托枰罅康难芯繀^(qū)域?qū)崪y土壤濕度和植被含水量等先驗(yàn)信息，且多數(shù)模型對合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）入射角、土壤粗糙度（soil roughness）、雷達(dá)波段以及土壤含水率（soil water content）范圍均有要求，在大區(qū)域施測過程中受先驗(yàn)數(shù)據(jù)的制約嚴(yán)重，普適性仍有待提高。

為提高模型的泛化能力，國內(nèi)外學(xué)者將人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Net，ANN）引入微波遙感協(xié)同反演土壤濕度，并開展了大量研究[13-15]。Paloscia 等[16]和Hajj 等[17]利用模擬的全極化SAR 數(shù)據(jù)，結(jié)合歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）訓(xùn)練了多個ANN，對比分析了各單極化SAR 數(shù)據(jù)反演土壤濕度的效果。Hachani 等[18]使用ANN 獲得了干旱和半干旱區(qū)域的土壤濕度，并且使用NDVI 指數(shù)估算研究區(qū)域植被影響。Bao等[19]計(jì)算了NDVI、增強(qiáng)型植被指數(shù)（Index Vegetation Enhanced，EVI）、歸一化水指數(shù)（Normalized Difference Water Index，NDWI）等多個植被指數(shù)，然后分別與水云模型組合，選取最優(yōu)植被指數(shù)反演土壤濕度。然而，在非干旱區(qū)的大面積土壤濕度反演時(shí)，植被覆蓋類型復(fù)雜多樣，不同植被類型對土壤含水率的影響存在差異較大的問題。此外，同一植被指數(shù)對不同植被類型的響應(yīng)函數(shù)不同，所有植被指數(shù)都存在指數(shù)飽和問題，也導(dǎo)致植被含水量估算范圍受到限制[20]。綜上所述，僅基于單一植被指數(shù)估算或消除整個研究區(qū)域植被影響的方法在大面積土壤濕度反演中存在較大誤差和不確定性。因此，現(xiàn)有研究多集中于植被覆蓋類型變化較小的地表，研究區(qū)域亦局限于10～20 km 范圍內(nèi)[13-20]。由此可見，適時(shí)地發(fā)展完善可滿足更多樣化地表植被覆蓋類型和更大范圍的土壤濕度反演方法具有極為重要的理論和應(yīng)用價(jià)值。

考慮到估算植被影響的植被指數(shù)均由紅光和近紅外波段組合而成，而多極化的SAR 數(shù)據(jù)能提供土壤粗糙度信息，本研究借助卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）能有效模擬具有相關(guān)物理意義的特征參數(shù)這一優(yōu)勢，聯(lián)合SAR 影像與多光譜數(shù)據(jù)數(shù)據(jù)源，提出了一種結(jié)合改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)實(shí)施廣域土壤濕度反演的方法。隨后，選取地表植被覆蓋復(fù)雜、水系和建筑物較多的四川盆地區(qū)域?yàn)榈湫脱芯繀^(qū)開展了試驗(yàn)，最終在邊長超過100 km 的區(qū)域范圍內(nèi)獲得了較好的反演結(jié)果，驗(yàn)證了本研究所提出方法的有效性。

1 研究方法

1.1 基礎(chǔ)原理

通過光學(xué)方法估算植被含水量影響，本質(zhì)上是基于植被對近紅外和短波紅外區(qū)的光譜響應(yīng)[21]?；诖嗽?，可以構(gòu)建植被指數(shù)對含水量影響進(jìn)行估算。其中，以NDVI、比值植被指數(shù)（Ratio Vegetation Index，RVI）、土壤調(diào)整植被指數(shù)（Soil-Adjusted Vegetation Index，SAVI）3 個指數(shù)應(yīng)用最廣，如式（1）、式（2）和式（3）所示

式中NIR 為近紅外波段；R 為紅光波段；L 為隨植被密度變化的經(jīng)驗(yàn)參數(shù)，取值范圍為0～1。已有研究表明，上述3 類指數(shù)在估算植被影響方面尚存局限[20-22]。其中，NDVI 指數(shù)的缺陷主要體現(xiàn)在對高植被覆蓋區(qū)不夠敏感；RVI 指數(shù)在植被覆蓋過少或過多等極端區(qū)域估算能力較為不足；而對于SAVI 指數(shù)而言，雖然在抵御土壤背景因素干擾方面有一定的優(yōu)勢，但需要針對不同植被覆蓋情況設(shè)定合理的土壤調(diào)節(jié)系數(shù)L。

對于微波遙感反演土壤濕度而言，土壤粗糙度是植被影響因素外的另一個主要誤差來源。本質(zhì)上講，多極化SAR 是目標(biāo)物信息在多個維度的反映。因此，通過多極化SAR 數(shù)據(jù)構(gòu)建的散射矩陣可以獲取關(guān)于土壤粗糙度以及植被的信息。研究發(fā)現(xiàn)去極化比值與土壤表面粗糙度間具有高相關(guān)性，故構(gòu)建了去極化比值（depolarization ratio，xv）式（4），用以估算和消除土壤粗糙度的影響[23]。

可以看出，各影響因子不僅獨(dú)立影響地表土壤濕度，影響因子之間也存在復(fù)雜的聯(lián)系，并且各變量之間的不同組合與土壤濕度之間存在相關(guān)性。在植被覆蓋類型復(fù)雜、土壤粗糙度空間分布差異明顯的大面積土壤濕度制圖中，如何實(shí)現(xiàn)多極化SAR 與各個植被指數(shù)協(xié)同反演，是提高反演精度和可靠性的關(guān)鍵。

1.2 反演模型

CNN 中的卷積層能夠在原始輸入變量中自適應(yīng)提取反映輸出變量的高維特征信息，結(jié)合ANN 中全連接層在解決非線性問題中的獨(dú)特優(yōu)勢，CNN 在圖像分類等眾多領(lǐng)域應(yīng)用廣泛，但在SAR 數(shù)據(jù)反演土壤濕度研究中尚未有成熟的技術(shù)方法。本研究在聯(lián)合SAR 影像與多光譜數(shù)據(jù)的基礎(chǔ)上，引入了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)（Improved Convolutional Neural Network，ICNN）方法以構(gòu)建新型的土壤濕度反演模型。如圖1 所示，該模型的輸入未直接使用植被指數(shù)，而是選取構(gòu)成眾多植被指數(shù)的原始紅光、近紅外波段觀測量；此外，使用VV、VH 極化取代去極化比值，并額外引入了雷達(dá)入射角信息。在卷積層，分別采用1×1、2×1、3×1 卷積核對輸入層卷積運(yùn)算，其中1×1卷積核提取獨(dú)立5 個原始變量；2×1 卷積核主要用于在大量訓(xùn)練樣本支持下，自適應(yīng)提取能最優(yōu)表征研究區(qū)域各部分植被影響的高級特征維；同理，3×1 卷積核進(jìn)一步提取旨在模擬各變量之間不同組合的特征信息。為了避免特征信息減少導(dǎo)致反演精度降低，保證提取的特征信息全部參與反演，在模型中去除了傳統(tǒng)CNN 中的池化層。最后，建立了2 層24×1 規(guī)模的全連接層，直接訓(xùn)練出所提取的12 個高級特征維與土壤濕度之間的非線性模型。本次試驗(yàn)數(shù)據(jù)中，樣本土壤濕度值范圍為15.6%～47.7%。為了使反演結(jié)果分辨率達(dá)到0.1%，輸出層需要322 個神經(jīng)元。

圖1 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)ICNN Fig.1 Improved convolutional neural network ICNN

2 研究區(qū)域及試驗(yàn)數(shù)據(jù)

2.1 研究區(qū)域

為測試模型和算法的有效性，選取了位于四川盆地中部的研究區(qū)（30°12′30″N～31°27′41″N，103°24′10″E～105°10′20″E）開展試驗(yàn)驗(yàn)證（圖2）。本研究區(qū)包含7個地級市，地勢平坦，研究區(qū)面積約為3 345 613 hm2，研究區(qū)域邊長超過100 km。該區(qū)域大部分為平原，東部有小型丘陵，屬亞熱帶季風(fēng)氣候，土壤年均濕度較大，植被覆蓋類型復(fù)雜多樣，水系和建筑物較多且分布不均勻，耕地種類多樣。

圖2 研究區(qū)域 Fig. 2 Study area

2.2 試驗(yàn)數(shù)據(jù)

為驗(yàn)證本研究方法適應(yīng)復(fù)雜地表環(huán)境的能力，收集了研究區(qū)4—7 月Sentinel-1A（S1A）影像（VV 極化和VH 極化）和Sentinel-2A（S2A）搭載的多光譜成像儀數(shù)據(jù)。這主要是考慮到夏季植被生長繁盛，地表環(huán)境變化較快，是較為理想的典型試驗(yàn)時(shí)間段。考慮到SAR 影像對不同地物的輻射差異，本研究選取VV 極化的SAR 影像，對城市、河流等大面積噪聲區(qū)域進(jìn)行掩模處理，并以此為基準(zhǔn)，所有影像被掩模區(qū)域均不參與反演。由于云霧對紅光、近紅外波段干擾較為嚴(yán)重，篩選了8 景無云和少云（即云量≤10%）S2A 影像參與試驗(yàn)。此外，鑒于短時(shí)間內(nèi)地表植被變化不顯著，模型訓(xùn)練時(shí)直接使用與SAR 影像獲取時(shí)間最為接近的S2A 數(shù)據(jù)作為同步數(shù)據(jù)（表1）。在此次廣域試驗(yàn)研究中，考慮到實(shí)測土壤濕度值為神經(jīng)網(wǎng)絡(luò)訓(xùn)練提供所需的標(biāo)簽數(shù)據(jù)難以實(shí)現(xiàn)，而利用模擬數(shù)據(jù)作為訓(xùn)練樣本又將與實(shí)際情況存在較大偏差的問題。本研究選取中國氣象局“CLDAS-V2.0 土壤含水率分析產(chǎn)品”作為模型訓(xùn)練的標(biāo)簽和模型驗(yàn)證時(shí)的真值（與SAR 成像時(shí)間同步）。該專題數(shù)據(jù)在與地面實(shí)測數(shù)據(jù)對比中，全國平均相關(guān)系數(shù)大于0.9，均方根誤差（Root Mean Square Error，RMSE）為0.8%[27]，在中國境內(nèi)空間分辨率和精度遠(yuǎn)優(yōu)于GLDAS 和NLDAS 等國際同類產(chǎn)品數(shù)據(jù)集，能提供地表高精度逐小時(shí)土壤濕度平均值。因此，本試驗(yàn)最終篩選出了8 期數(shù)據(jù)集用于模型訓(xùn)練和驗(yàn)證。值得注意的是，雖然CLDAS-V2.0 產(chǎn)品空間分辨率在同類產(chǎn)品中已經(jīng)最高，但相對于本試驗(yàn)選取的S1/S2衛(wèi)星影像數(shù)據(jù)源仍有較大差距。一般情況下，此類空間尺度差異會導(dǎo)致訓(xùn)練集中的標(biāo)簽值存在代表性誤差，影響模型訓(xùn)練精度。但是，本研究獲取了研究區(qū)域的大量時(shí)序數(shù)據(jù)，能夠提供足夠多的真實(shí)變化樣本，從而削弱土壤濕度標(biāo)簽值與S1/S2 影像間因空間尺度差異造成的影響。作為數(shù)據(jù)預(yù)處理過程，首先對S1A 影像進(jìn)行地形校正和輻射定標(biāo)，并對S2A 數(shù)據(jù)進(jìn)行大氣校正和輻射定標(biāo)。為了消除變量之間的量級差異，最后對獲取的5 個原始變量歸一化處理將原始變量值映射到0～1，如式（5）所示

表1 試驗(yàn)數(shù)據(jù) Table 1 Experimental data

2.3 相關(guān)性分析

輸入變量與土壤濕度之間存在相關(guān)性是CNN 能夠訓(xùn)練成功的前提。本質(zhì)上，主動微波遙感反演土壤濕度依賴于土壤含水率與雷達(dá)后向散射強(qiáng)度之間具有強(qiáng)相關(guān)性的物理機(jī)制。 植被和土壤粗糙度影響著雷達(dá)后向散射強(qiáng)度，針對其對后向散射強(qiáng)度的貢獻(xiàn)做精確的量化，是獲得高精度反演結(jié)果的關(guān)鍵問題。由于估算植被影響的植被指數(shù)均由紅光和近紅外波段組合而成，而多極化SAR能提供土壤粗糙度信息，同時(shí)考慮到雷達(dá)入射角與估算土壤粗糙度的去極化比值以及植被的生物量存在著一定的相關(guān)性[24-26]。因此，本研究從訓(xùn)練數(shù)據(jù)集中隨機(jī)抽取了3 000 組數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，分別統(tǒng)計(jì)了土壤含水率與5 個輸入變量之間的相關(guān)性，其結(jié)果如圖3 所示。從箱型圖中可知，除入射角外，其余影響因子的數(shù)據(jù)分布與土壤濕度之間幾乎不存在相關(guān)性，但中位數(shù)和平均數(shù)與土壤濕度之間存在一定的正相關(guān)。隨著植被覆蓋復(fù)雜度和土壤粗糙度的提升（如本研究區(qū)，就具有較大的植被覆蓋復(fù)雜度和土壤粗糙度），隨著入射角的增加由植被和土壤粗糙度引起的多次散射部分會逐漸增強(qiáng)，此時(shí)植被和土壤粗糙度所貢獻(xiàn)的后向散射分量增強(qiáng)且占主導(dǎo)，因此，統(tǒng)計(jì)顯示入射角與含水量之間呈現(xiàn)為正向相關(guān)性。

統(tǒng)計(jì)結(jié)果有力證實(shí)了土壤濕度是受多變量的共同影響，若僅依靠單一輸入變量無法有效反演土壤濕度。因此，更需要利用各種原始影響因子協(xié)同參與反演，以提高反演精度和反演模型魯棒性。

圖3 輸入層變量與土壤濕度的相關(guān)性分析 Fig. 3 Correlation analysis between input layer variables and soil moisture

3 試驗(yàn)結(jié)果

3.1 模型訓(xùn)練結(jié)果

試驗(yàn)選擇2018 年6 月26 日數(shù)據(jù)為模型預(yù)測數(shù)據(jù)集，其余7 期數(shù)據(jù)為訓(xùn)練集?？紤]到CNN 對訓(xùn)練樣本類別不平衡問題極為敏感，本研究使用下采樣方法對訓(xùn)練數(shù)據(jù)集中的冗余樣本做進(jìn)一步剔除。模型中卷積層和全連接層采用ReLU 激活函數(shù)，輸出層采用Softmax 激活函數(shù)。優(yōu)化器采用Adam 自適應(yīng)調(diào)整學(xué)習(xí)率，神經(jīng)元權(quán)重和偏值項(xiàng)均進(jìn)行初始化。為了防止過擬合，在卷積層和全連接層還分別采用了L1 和L2 正則化。從訓(xùn)練集中隨機(jī)抽取5 000 個樣本評定每輪訓(xùn)練的精度，進(jìn)行了3 000 次迭代計(jì)算，其訓(xùn)練過程如圖4 所示。

由圖4 可以看出，隨著迭代次數(shù)增加，殘余損失值和訓(xùn)練精度快速收斂，迭代500 次后收斂速度減緩，其中訓(xùn)練精度有小幅度波動，整體趨于緩慢上升。由此可知，本研究使用的改進(jìn)CNN 方法能使訓(xùn)練精度和損失值下降速率快速收斂，從而證實(shí)了本反演方法是可行的。

3.2 試驗(yàn)結(jié)果分析

使用訓(xùn)練后的模型對預(yù)測樣本進(jìn)行預(yù)測，檢驗(yàn)反演方法的實(shí)際精度和魯棒性，其結(jié)果如圖5 所示。研究區(qū)域中右邊缺失部分主要由S2A 影像未覆蓋導(dǎo)致。由圖5a 和圖 5b 可知，模型預(yù)測結(jié)果與真值在整個研究區(qū)域一致性較高，在較干旱和濕潤區(qū)域均能高精度的反演出結(jié)果。根據(jù)圖5c 進(jìn)一步分析反演結(jié)果誤差空間分布，其偏差范圍主要為―6.3%～5.1%，誤差較小。同時(shí)，趨向于最大正偏差和負(fù)偏差的部分有明顯集中分布現(xiàn)象，誤差較小的大部分區(qū)域偏差趨向于正值，造成這一現(xiàn)象的部分原因可能是城市群和零星的建筑物影響，即仍然有部分高噪聲樣本參與模型訓(xùn)練，對于負(fù)偏差區(qū)域，可能是高密植被和殘余的水體噪聲樣本等因素造成的。結(jié)合誤差統(tǒng)計(jì)圖可以看出（圖 6），偏差整體服從均值趨近于0 的正態(tài)分布，RMSE值為1.45%，雖然其誤差平均數(shù)不為0，但其值小于反演結(jié)果分辨率，可以認(rèn)為反演結(jié)果誤差整體上是一個隨機(jī)偏差。

圖4 模型訓(xùn)練過程 Fig. 4 Model training process

圖6 誤差統(tǒng)計(jì) Fig. 6 Error statistics

表2 列出了本研究方法與近年來傳統(tǒng)ANN 反演方法的精度對比情況，忽略各研究區(qū)域間的具體地物的差異后縱向比較可知，由于干旱區(qū)和半干旱區(qū)總體上植被類型單一且覆蓋稀疏，故相對于Hajj 等[17]和Bao 等[19]提出的模型，Paloscia 等[16]和Hachani 等[18]所采用的方法更為適用。其中，Hachani 等[18]提出的方法在研究區(qū)域大小、均方根誤差指標(biāo)上均優(yōu)于已有的其他反演方法。此外，由于研究區(qū)為較濕潤的地中海氣候，地表覆蓋情況相對復(fù)雜，使得Hajj 等[17]和Bao 等[19]方法的反演結(jié)果誤差分布范圍和RMSE 值較大，反演模型魯棒性不高。尤其值得說明的是，本研究提出的ICNN 方法所適用的研究區(qū)域遠(yuǎn)大于其他方法，同時(shí)與Bao 等[19]方法相比相關(guān)系數(shù)提升了0.23。盡管在廣域測算試驗(yàn)中，其誤差分布略高于Paloscia 等[16]和Hachani 等[18]的方法，但仍遠(yuǎn)低于Hajj等[17]和Bao 等[19]方法的水平。最為重要的是，本研究提出的ICNN 方法反演結(jié)果的RMSE 值僅為1.45%，為諸方法中最優(yōu)。

表2 試驗(yàn)結(jié)果精度對比 Table 2 Precision comparison of experimental results

3.3 模型適用性評價(jià)

精確的量化植被和土壤粗糙度對后向散射強(qiáng)度的貢獻(xiàn)是獲得高精度反演結(jié)果的關(guān)鍵問題。據(jù)此，本研究充分考慮了現(xiàn)有的估算上述誤差影響的算法和模型的構(gòu)成特點(diǎn)。利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)（ICNN）對相應(yīng)的原始變量通過不同尺寸的卷積核進(jìn)行卷積運(yùn)算，自適應(yīng)提取反映測區(qū)土壤濕度時(shí)空差異的高級特征維，以此實(shí)現(xiàn)在廣域土壤濕度反演中盡可能的提取和消除植被和土壤粗糙度影響。

隨著研究區(qū)域范圍的增大，特別是在非干旱區(qū)，植被和土壤粗糙度的影響時(shí)空分布不確定性增加，無法對其建立有效的關(guān)系模型。本研究提出的方法能自適應(yīng)提取反映測區(qū)土壤濕度時(shí)空差異的高級特征維。因此，相對于其他方法，模型不僅能適應(yīng)植被類型單一、覆蓋度較小的干旱和半干旱區(qū)，也能在大面積的非干旱區(qū)具有較高的適用性和魯棒性，其實(shí)用性更為廣泛。在大量訓(xùn)練樣本支持下，在氣候較濕潤且地勢較為平坦的平原、丘陵等廣域應(yīng)用中，將有良好的表現(xiàn)。

此外，對于地形起伏較大的山區(qū)，由于地形原因使得雷達(dá)影像存在疊掩、透視、收縮現(xiàn)象，造成提取的靶區(qū)像元后向散射系數(shù)失真，無法獲得足夠多的真實(shí)訓(xùn)練樣本。因此，該模型不能直接遷移到山區(qū)進(jìn)行土壤濕度反演，使用時(shí)必須考慮并消除地形因素的影響。

值得說明的是，雖然SAR 影像不受云霧的影響，但是本模型使用的紅光和近紅外波段對環(huán)境因素較為敏感，特別是在山區(qū)云霧等現(xiàn)象十分普遍，因此，在山區(qū)使用本研究方法還受限于多光譜數(shù)據(jù)的完備性。

4 結(jié) 論

為提升主動微波遙感技術(shù)在廣域土壤濕度反演應(yīng)用中的模型泛化能力，本研究提出一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)（Improved Convolutional Neural Network，ICNN）實(shí)施土壤濕度反演的方法。選取了位于四川盆地中部的研究區(qū)開展試驗(yàn)驗(yàn)證，研究區(qū)域邊長超過100 km，利用8期4—7 月無云和少云的原始S1A 多極化SAR 和S2A 多光譜影像作為模型輸入數(shù)據(jù)源，并以中國氣象局“CLDAS-V2.0 土壤含水率分析產(chǎn)品”作為模型訓(xùn)練的標(biāo)簽和模型驗(yàn)證時(shí)的真值，將其中7 期作為訓(xùn)練集，1 期為驗(yàn)證集。試驗(yàn)結(jié)果表明，ICNN 訓(xùn)練精度和損失值在迭代500 次后就能快速收斂，反演精度和可靠性較高；在較干旱和較濕潤區(qū)域（土壤含水率范圍為15.6%～47.7%）均獲得了較好的反演結(jié)果，因此該方法對土壤含水率范圍沒有明確的限制性要求。與近年來傳統(tǒng)ANN 反演方法縱向?qū)Ρ劝l(fā)現(xiàn)，ICNN 方法的相關(guān)系數(shù)顯著提高至0.934，均方根誤差僅為1.45%，為諸方法中最優(yōu)。

理論上ICNN 方法能適應(yīng)0°～90°的SAR 入射角范圍，同時(shí)對SAR 影像的波段范圍也沒有特別要求，這使得衛(wèi)星影像的利用率更高，在廣域土壤濕度反演中具有獨(dú)特的優(yōu)勢。此外，本研究提出的方法不需要單獨(dú)估算植被和土壤粗糙度影響，也無需采集實(shí)測參數(shù)，避免了估算植被和土壤粗糙度影響過程中產(chǎn)生的誤差。

綜上所述，與已有的模型和土壤濕度反演方法相比，該方法在可靠性和面向廣域應(yīng)用的普適性方面具有一定的優(yōu)勢，在精準(zhǔn)農(nóng)業(yè)、旱澇災(zāi)害等領(lǐng)域的廣域監(jiān)測中具有較好的應(yīng)用潛力，并可為相關(guān)研究提供一定的支撐。