被動微波和主動微波監測土壤水分的方法
來源： http://www.youping.net 更新時間：2012-11-15 17:43:04 閱讀次
被動微波監測土壤水分
被動微波反演土壤水分已有 30 多年的歷史。20 世紀 70 年代初，美國國家航空航天局( NASA) 在亞歷山大農田進行了航空微波輻射計飛行試驗，同步觀測了 0—15cm 的土壤濕度，使用土壤水分監測系統對試驗數據進行了分析，發現亮度溫度與土壤濕度( 質量百分比) 具有較好的線性相關。Njoku 等基于輻射傳輸方程，建立亮度溫度與土壤濕度等參數的非線性方程，然后用迭代法和最小二乘法解非線性方程求出土壤濕度。Jackson和Koike利用被動微波遙感對較大尺度的土壤水分進行了制圖研究和試驗。植被對土壤水分反演的影響是不可忽視的因素，為了消除植被的影響，必須注重植被的遙感監測，建立相關的計算模型。Teng等研究了植被對土壤水分監測的影響，結果表明在濃密植被覆蓋區土壤濕度監測中應避免使用 19GHZ 波段，盡量選擇較長波段微波輻射，以消除植被對土壤濕度反演的影響。Frate等利用由微波遙感獲得的比輻射率經過兩個隱藏層的 BP 神經網絡模型的訓練得到土壤含量。Bindlish利用改進的 IEM 模型，得到了與實際土壤濕度相關性高達 0． 95 的反演結果。喬平林基于 BSM 模型與人工神經網絡( ANN) 進行了土壤濕度的反演，即使在先驗知識具有不確定時仍能保證一定的準確度。王磊等引入微波極化差異指數( MPDI) 概念，提出了一種自動區分地面植被覆蓋情況的方法，改進了 Richard 提出的計算植被消光系數的方程，提高了反演的效率。
主動微波監測土壤水分
主動微波土壤濕度反演已有30 多年的歷史，最早研究始于 Ulaby 等人的實驗。其中，裸土土壤濕度反演研究開展較多，Dobson、Oh、Shi 等結合物理模型和多頻、多極化或全極化數據建立了土壤水分反演的半經驗模型，實現了裸土土壤水分反演。但是當用于植被覆蓋地表時，未能有效地實現土壤濕度的反演。
目前，植被覆蓋區土壤濕度微波遙感反演研究主要基于現有的植被模型( 如水-云模型和 MIMICS 模型) ，在獲得試驗區植被層信息后，將以上模型參數進行校正，去除植被層對地表土壤濕度反演的影響。例如，Roger等基于模擬數據建立了農作物覆蓋地表土壤濕度反演的經驗回歸模型; Baghdadi等對 IEM 模型進行了半經驗性的標定，改進了像元尺度上相關長度的表達，提高了土壤水分反演的精度; Rahman等探討了粗糙度對觀測信號的貢獻，從而求得粗糙度的分布信息，進而獲得土壤水分反演結果; 施建成等利用目標分解方法分離出植被散射部分，在一定程度上克服了植被層和表面粗糙度的變化對雷達后向散射對土壤水分的影響; 楊虎等利用多時相 Radarsat ScanSAR 雷達后向散射系數圖像繁衍得到了地表土壤水分變化模式信息; 鮑艷松等利用 TM 遙感數據削弱植被散射和衰減的影響，基于 ASAR 和 TM 數據建立冬小麥覆蓋下的土壤濕度反演模型，實現了冬小麥覆蓋下土壤濕度的反演。
主被動微波結合土壤水分研究
目前，主被動聯合反演土壤水分的研究方法可大致分為兩種: 一種是將主動微波與被動微波數據融合在一起應用于無線墑情監測系統中，共同對地表參數進行反演。第二種是首先采用被動微波數據獲取低分辨率的地表土壤水分結果，在此基礎上再利用主動微波數據進行處理，獲取分辨率更高的土壤水分結果。Lee分別針對主被動微波遙感數據建立了亮度溫度、后向散射系數與地表土壤水分、植被參數( LAI) 的關系，利用幾何光學模型模擬主動微波散射，用水云模型計算植被影響。隨后建立了表征前向模型模擬結果與衛星觀測數值的差異函數，利用不同通道對前向模型中各參數進行確定。Narayan基于特定假設，首先用被動微波傳感器數據反演得到對應時相土壤水分，然后用兩個相鄰時相被動微波土壤水分結果及同期被動微波像元內部的主動微波數據計算兩次觀測之間該被動微波像元內部的后向散射-土壤水分變化系數。進而推算后續時相主動微波像元尺度土壤水分值。Chauhan利用機載合成孔徑雷達 AIRSAR 和輻射計 PBMR，采用主被動結合的方法，對美 Mahantango流域土壤水分進行了研究，結果與觀測值吻合良好。李震等研究建立了一個半經驗公式模型，用來計算體散射項，綜合時間序列的主動和被動微波數據，消除植被覆蓋的影響，估算地表土壤水分變化狀況。
被動微波反演土壤水分已有 30 多年的歷史。20 世紀 70 年代初，美國國家航空航天局( NASA) 在亞歷山大農田進行了航空微波輻射計飛行試驗，同步觀測了 0—15cm 的土壤濕度，使用土壤水分監測系統對試驗數據進行了分析，發現亮度溫度與土壤濕度( 質量百分比) 具有較好的線性相關。Njoku 等基于輻射傳輸方程，建立亮度溫度與土壤濕度等參數的非線性方程，然后用迭代法和最小二乘法解非線性方程求出土壤濕度。Jackson和Koike利用被動微波遙感對較大尺度的土壤水分進行了制圖研究和試驗。植被對土壤水分反演的影響是不可忽視的因素，為了消除植被的影響，必須注重植被的遙感監測，建立相關的計算模型。Teng等研究了植被對土壤水分監測的影響，結果表明在濃密植被覆蓋區土壤濕度監測中應避免使用 19GHZ 波段，盡量選擇較長波段微波輻射，以消除植被對土壤濕度反演的影響。Frate等利用由微波遙感獲得的比輻射率經過兩個隱藏層的 BP 神經網絡模型的訓練得到土壤含量。Bindlish利用改進的 IEM 模型，得到了與實際土壤濕度相關性高達 0． 95 的反演結果。喬平林基于 BSM 模型與人工神經網絡( ANN) 進行了土壤濕度的反演，即使在先驗知識具有不確定時仍能保證一定的準確度。王磊等引入微波極化差異指數( MPDI) 概念，提出了一種自動區分地面植被覆蓋情況的方法，改進了 Richard 提出的計算植被消光系數的方程，提高了反演的效率。
主動微波監測土壤水分
主動微波土壤濕度反演已有30 多年的歷史，最早研究始于 Ulaby 等人的實驗。其中，裸土土壤濕度反演研究開展較多，Dobson、Oh、Shi 等結合物理模型和多頻、多極化或全極化數據建立了土壤水分反演的半經驗模型，實現了裸土土壤水分反演。但是當用于植被覆蓋地表時，未能有效地實現土壤濕度的反演。
目前，植被覆蓋區土壤濕度微波遙感反演研究主要基于現有的植被模型( 如水-云模型和 MIMICS 模型) ，在獲得試驗區植被層信息后，將以上模型參數進行校正，去除植被層對地表土壤濕度反演的影響。例如，Roger等基于模擬數據建立了農作物覆蓋地表土壤濕度反演的經驗回歸模型; Baghdadi等對 IEM 模型進行了半經驗性的標定，改進了像元尺度上相關長度的表達，提高了土壤水分反演的精度; Rahman等探討了粗糙度對觀測信號的貢獻，從而求得粗糙度的分布信息，進而獲得土壤水分反演結果; 施建成等利用目標分解方法分離出植被散射部分，在一定程度上克服了植被層和表面粗糙度的變化對雷達后向散射對土壤水分的影響; 楊虎等利用多時相 Radarsat ScanSAR 雷達后向散射系數圖像繁衍得到了地表土壤水分變化模式信息; 鮑艷松等利用 TM 遙感數據削弱植被散射和衰減的影響，基于 ASAR 和 TM 數據建立冬小麥覆蓋下的土壤濕度反演模型，實現了冬小麥覆蓋下土壤濕度的反演。
主被動微波結合土壤水分研究
目前，主被動聯合反演土壤水分的研究方法可大致分為兩種: 一種是將主動微波與被動微波數據融合在一起應用于無線墑情監測系統中，共同對地表參數進行反演。第二種是首先采用被動微波數據獲取低分辨率的地表土壤水分結果，在此基礎上再利用主動微波數據進行處理，獲取分辨率更高的土壤水分結果。Lee分別針對主被動微波遙感數據建立了亮度溫度、后向散射系數與地表土壤水分、植被參數( LAI) 的關系，利用幾何光學模型模擬主動微波散射，用水云模型計算植被影響。隨后建立了表征前向模型模擬結果與衛星觀測數值的差異函數，利用不同通道對前向模型中各參數進行確定。Narayan基于特定假設，首先用被動微波傳感器數據反演得到對應時相土壤水分，然后用兩個相鄰時相被動微波土壤水分結果及同期被動微波像元內部的主動微波數據計算兩次觀測之間該被動微波像元內部的后向散射-土壤水分變化系數。進而推算后續時相主動微波像元尺度土壤水分值。Chauhan利用機載合成孔徑雷達 AIRSAR 和輻射計 PBMR，采用主被動結合的方法，對美 Mahantango流域土壤水分進行了研究，結果與觀測值吻合良好。李震等研究建立了一個半經驗公式模型，用來計算體散射項，綜合時間序列的主動和被動微波數據，消除植被覆蓋的影響，估算地表土壤水分變化狀況。
搜索
產品目錄