卫星遥感数据反演土壤湿度方法研究

何善宝　庞晶晶　程星　谢珩　李帅帅　蔡敏

摘要：土壤水分是全球水循环中不可或缺的部分，探测土壤湿度对于生态规划、水文模型构建、农业生产、干旱监测等具有重要意义。传统土壤湿度监测方法主要包括重量法、电阻法、时域反射计法等，存在监测区域小人力成本高等缺点，而卫星遥感能大范围探测土壤湿度变化趋势且时空分辨率高，是目前土壤湿度监测的主要方法。本文首先归纳了卫星遥感监测土壤湿度的方法类别，对卫星遥感中光学遥感和微波遥感两大类土壤湿度反演技术进行了总结分析；其次分别概述了两类遥感技术的基本原理，并对其反演方法进行了全面总结，包括对优缺点、适用区域、反演精度的分析；最后讨论了每类方法在土壤湿度反演发展中面临的挑战，并对土壤湿度反演的未来方向进行了展望。

关键词：土壤湿度探测；反演方法；卫星遥感

中图分类号：TP79文献标志码：A文章编号：1001-2443（2024）01-0001-10

引言

土壤湿度在天气和气候、径流潜力和洪水控制、土壤侵蚀和边坡破坏、水库管理、岩土工程和水质方面发挥着关键作用，能够跟踪土壤湿度的变化及其存在状态，可以更好地应对干旱和洪水等自然灾害，更有效地管理农业生产，因此及时准确地获取土壤湿度数据对研究全球气候问题，建立水文模型和干旱监测具有重要意义。早先土壤湿度的测量方法包括重量法、电阻法、负压计法、时域反射计法等［1］，这些传统的测量方法有许多缺点，如测量范围较小，只能反映被测区域的局部情况，耗费人力、物力和时间等，而GNSS-R技术可实现大范围地表土壤湿度监测，是一种分辨率更高、更灵活、更高效的探测方法［1］。目前土壤湿度监测主要是通过遥感方法，根据电磁波频段和传感器类型的不同，分为光学遥感和微波遥感。卫星遥感反演土壤湿度的方法分类图如图1所示，土壤湿度遥感监测对比如表1所示。

光学遥感包括可见光-近红外和热红外遥感，光学遥感的波长较短，穿透信号能力较弱，易受天氣、遮挡等的影响，且由于光学遥感需要的是视觉信息，无法在夜间获取地表信息。因此仅仅适合晴朗无云的天气条件下利用光学遥感进行土壤湿度反演。可见光-近红外遥感和热红外遥感是光学遥感中两个重要的波段范围，它们在土壤湿度观测和应用中具有不同的特点和用途。可见光-近红外遥感是利用可见光和近红外波段的反射光谱特征来推断土壤湿度。土壤湿度对可见光和近红外光的反射特性有较强的影响［2］。较高湿度的土壤会导致水分的吸收增加，从而在可见光-近红外波段引起反射率的降低。因此，通过获取土壤表面的光谱数据，特别是近红外波段的反射率，可以间接估计土壤湿度的变化情况。近红外光谱指数（如Normalized Difference Vegetation Index、Vegetation Supply Water Index等）常被用来反映土壤湿度状态或与土壤湿度进行相关性分析。热红外遥感则是利用地表或土壤表面的热辐射特性来估算土壤湿度。土壤湿度对热传导和热容的影响较大。湿度较高的土壤具有较高的热导率和热容量，导致较高的地表或土壤表面温度。通过使用热红外像仪或热红外传感器来测量地表温度，可以间接反推土壤湿度的变化情况。热红外遥感技术广泛应用于土壤湿度监测、灌溉管理和水资源评估等领域。

可见光-近红外遥感波段涵盖了0.4到1.1[μm]的范围，包括人眼可见的光谱和近红外光谱。这个波段区域在地物识别和植被监测中具有重要作用。在地物识别方面，可见光波段提供了人眼可见的图像，在地物识别和目标分类中非常常用。通过可见光图像，可以区分不同类型的植被覆盖、建筑物、水体等地物特征。在植被监测方面，植被对可见光和近红外光具有不同的反射特性，这种反射特性可以用来评估植被的健康状况、生长状态和植被覆盖度。常用的光学指数如归一化差异植被指数（NDVI）使用可见光和近红外光的比值来衡量植被的状况。热红外遥感的波段范围通常在8到15[μm]之间，属于长波红外辐射。它主要反映了地物和地表的热辐射特性，具有一些独特的应用优势，热红外遥感可以用于分析地表特征、水文辐射计算、火灾监测等。综上，可见光-近红外遥感和热红外遥感在地球观测中发挥着重要的作用，提供了丰富的地表信息和热辐射特征，对于地理信息提取、环境监测和资源管理等领域具有广泛的应用价值。

微波遥感包括主动微波遥感和被动微波遥感以及主被动结合遥感。微波遥感相比于光学遥感波长更长，具有较强的穿透能力，因此不容易受到云层和大气的影响，在对地观测研究中，微波遥感起着重要的作用［3］。近年来，许多对地观测卫星都配备了微波传感器，如TMI、SSM/I、ASCAT、SMMR、AMSR-E、AMSE2、SMOS、SMAP等［3］。目前，主动微波遥感、被动微波遥感和主被动微波遥感是微波遥感反演土壤湿度的主要方法。主动微波遥感具有一些优势，例如可以在任何天气条件下进行监测，对植被的干扰相对较小，能够提供具有一定深度分辨能力的土壤湿度信息等。被动微波遥感相比于可见光-近红外遥感，微波辐射具有较强的穿透能力，不受云层和大气遮挡的影响，能够获取地表以下的土壤信息。此外，微波信号对植被的影响较小，可以在植被覆盖的地区进行土壤湿度的监测。在实际应用中，常用主被动微波遥感来反演土壤湿度以提高土壤湿度反演的准确性和可靠性。主被动遥感结合的技术结合了主动和被动遥感的特点，通过接收卫星信号的反射回波来获取地表特征和环境参数。主被动遥感结合的技术具有一些优势，比如：利用GNSS系统的全球覆盖和高精度定位能力，具备全天候遥感观测的能力；通过反射信号可以获得地表和水体的多种参数信息；相对于其他遥感技术，主被动结合遥感技术的成本相对较低等。主被动遥感结合的技术在土壤湿度监测、海洋表面粗糙度估计、冰雪覆盖监测等应用领域具有潜力，并在科学研究和环境监测中得到广泛应用。

1 光学遥感反演土壤湿度

光学遥感广泛应用于地质勘探、农业、森林监测、环境评估、城市规划、灾害监测和气候研究等领域。通过分析光学遥感数据，可以提取地物的空间分布、土地利用与覆盖、植被指数、土壤湿度、地表温度等信息。这些信息对于环境管理、资源利用和可持续发展具有重要意义。

1.1 光学遥感原理

光学遥感是利用可见光和近红外波段以及热红外波段的电磁辐射来获取地表信息的一种遥感方法。可见光-近红外遥感的主要原理是接收地表对太阳短波辐射的反射信息［3］，基于土壤的光谱反射特征，在可见光-近红外波段的光谱范围内，土壤中的水分含量会影响光的吸收和反射，不同的土壤湿度含量会直接导致不同的光谱反射特性。可见光-近红外遥感反演方法就是利用土壤及土壤上所覆盖植被的光谱反射特性来估算土壤湿度［4］。不同的土壤和植被的生化特性、物理特性会引起不同的反射率变化。利用可见光-近红外波段的光谱数据，可以通过特定的指数或算法模型来反演土壤湿度，常用的方法包括植被指数法和反射率模型法。植被指数法是指归一化植被指数（NDVI）和植被供水指数（VSWI）等，利用植被的光谱反射特征来间接估算土壤湿度。反射率模型法则是通过建立土壤光谱反射率与实测土壤湿度之间的统计关系，进行反演。红外遥感在土壤湿度监测中的应用主要基于两种原理：热红外辐射和植被光谱反射特征。热红外辐射原理是土壤中的水分会影响土壤的表面温度，当土壤湿度含量较高时，水分会散发热量，导致土壤表面温度降低，而土壤湿度含量较低时，土壤表面温度则较高，这是因为水具有较高的比热容，土壤中的水分含量越高，土壤温度变化的能力就越大［5］。利用红外遥感技术可以测量土壤表面的热红外辐射，通过分析热红外辐射的变化，可以推断出土壤的水分含量。植被光谱反射特征原理是土壤中的水分含量对植被的光谱反射特征有影响。当土壤湿度含量较高时，土壤中的水分会与植被光谱中的某些波长范围的能量进行吸收。这样，在这些波长范围内，植被的光谱反射特征会发生变化。通过利用红外遥感仪器测量植被光谱数据，并对比分析不同土壤湿度含量下的植被光谱反射特征，可以间接推测土壤湿度。在红外遥感土壤湿度监测中，热红外辐射和植被光谱反射特征常常结合使用，以提高监测的准确性和可靠性，但是具体的红外遥感土壤湿度监测方法和模型会受到区域环境、土壤类型和遥感数据的影响。

1.2 光学遥感反演土壤湿度模型

光学遥感通常利用物理模型进行土壤湿度反演，常用的模型算法包括反射率法、植被指数法和热惯量法三种，因为反射率与土壤水分之间的关系比较弱，所以它的应用也比较少，当前，在土壤水分光学反演中，使用最多的仍然是热惯量法和植被指数法［6］。各反演模型对比如表2所示。

土壤的反射率是指土壤表面对入射光的反射程度。在土壤表面干燥的情况下，土壤颗粒的间隙增大，土壤中的水分被蒸发，从而土壤反射系数增大，而土壤表面湿润的情况下，土壤颗粒间距变小、含水量变大，反射系数变小，因此，土壤的反射率变化能够反应出地表的干湿情况。在1965年之前，Bowers等人在实验室中做实验，实验结果表明，裸露土地土壤湿度的增加，会导致土壤反射系数的下降，这为后来的人们使用遥感手段对土壤湿度进行遥感监测研究奠定了基础［7］。但是其所建立的经验模型只能对一些特定的土壤起作用，不能用于大范围、大面积的反演，因此，研究者们试图将土壤质地［8］、植被效应［9］等土壤参数引入到反演中，以提高反演的精度和普适性。进入21世纪以来，人们开始关注如何通过多个波段的联合，建立具有更强相关性的反射率指标，从而减弱其它环境因素对反演精度的不利影响［10］。因此，越来越多的学者开始通过构建土壤湿度和反射率指标的线性或非线性经验公式，来实现土壤湿度反演［11-12］，但其空间普适性仍不够理想。继而，一些研究者提出了高斯半经验模型［13］、KM双通量辐射传输模型［14］、多层辐射传输模型［15］等的半经验和机理反演模型。尽管这些反演模型的计算比较繁琐，而且很少用于土壤湿度反演，但是它们可以很好地模拟出土壤湿度和反射率之间的非线性关系，从而避开了经验模型中繁琐的定标过程，是未来利用反射率法进行土壤湿度反演的发展趋势［10］。

植被指数法是指归一化植被指数（NDVI）和植被供水指数（VSWI）等，利用植被的光谱反射特征来间接估算土壤湿度含量。前期研究表明，土壤湿度通过影响植物的蒸腾过程，从而影响到叶片与空气的温差，经实际测量数据资料证实，该效应呈线性关系［16-17］。因此，为了描述作物区的土壤湿度状态，相继提出了作物水分胁迫指数［18］和植被供水指数［19］。另外，也有使用表征植被状态的指数来替代温度指数，来构建类似指标，比如距平植被指数［20］和植被条件指数［21］等。在后续的研究中，温度植被指数［22］（NDVI/LST），目前最常用的土壤湿度反演指数——温度植被干旱指数［23］（TDVI）等相继被提出。表3列出了几种常用的土壤湿度指數，它们在干旱评估和土壤湿度估计中，得到了广泛的应用。通常利用经验拟合将这些指数转换为土壤湿度［24-25］。这些指数是根据土壤湿度与植物蒸腾、温度差等因素之间的关系提出的，通过遥感数据和统计分析，可以用来评估土壤湿度状况和干旱程度。使用这些指数可以帮助农业、环境等领域进行土壤湿度监测和预测。然而，在当前的研究中，指数和土壤湿度之间转换机理的研究非常有限。因此，指数和土壤湿度之间的转换理论基础相对较弱，而这一点也是当前研究的一个重要挑战。同时，在不同的土壤类型下，转换理论基础也不尽相同，这也是后续研究需要探讨的一个重要问题。

热惯量法是热红外法最常用的一种模型算法。热惯量法是一种常用的土壤湿度反演方法，该方法利用土壤表面的温度和热惯量参数来推断土壤的水分含量热惯量的物理计算公式可以表示为

TI=√kρc （1）

式中，[TI]表示土壤热惯量，[k]表示土壤热导率，单位为[W/（m?K）]，[ρ]表示土壤密度，单位为[kg/m3]，[c]表示土壤的比热容，单位为[J/（kg?K）]。

实际上，通过遥感手段直接获取式（1）中的参数是很困难的，因此，许多研究采用了一种简化的方法，即通过测量地表的温度日夜变化来估计地表的热惯量。通过分析地表温度的日夜变化，可以估计地表的热惯量，从而推断土壤的水分含量。这种方法在一定程度上简化了数据获取的复杂性，提供了一种可行的手段来估计土壤湿度。在20世纪70年代Watson等人求解出一维热传导方程，并确定了地表温度和地表热惯量之间的转换关系［26-27］。随后，Price提出了一种利用遥感数据计算地表热惯量的一般方法［28］ 。然而，这种热惯量计算方法需要的辅助参数如地表风速、地表粗糙度和空气湿度等比较多。为了降低对辅助数据的依赖并提高模型的可行性，Xue等人在前人的基础上提出了一种只需获取一天内最高气温时间和卫星观测的昼夜温差的热惯量模型［29］。但是，该方法对地表风速、地表粗糙度、大气含水率等辅助参数的要求较高。为减少对辅助数据的依赖，提高模式的适用性， Xue等人提出了一个仅需要得到日最高温度时刻和昼夜温度差的热惯性模型［29］。后来，Sobrino等人提出了一种利用一天中4次卫星过境观测数据反演日最高温度的时刻［30］，但是，这种方法需要较高的运行频次，很难推广使用。

尽管热惯量法的物理意义明确且其反演小范围裸土地区的土壤湿度精度较高，然而，该方法也存在着一定的缺陷，例如，受到土壤类型、植被覆盖等外部因素的影响，热惯量法难以实现大范围的土壤湿度的精确反演，以及无法实现高精度的植被密集覆盖区域土壤湿度反演等。

2 微波遥感反演土壤湿度

微波遥感反演土壤水分的理论是基于微波遥感土壤的土壤的介电特性与其含水量有着密切的联系，而在遥感影像上，土壤的介电常数发生变化时，其灰度值和亮度温度也会发生变化［31-32］。微波遥感按照工作原理分类可分为主动微波遥感、被动微波遥感和主被动微波遥感三类。微波遥感较光学遥感波长更长，穿透力更强，不受大气云层等的影响。

2.1 微波遥感原理

主动微波遥感是一种利用主动发射的微波信号，通过测量地面上的反射、散射和回波特性来进行土壤湿度反演的遥感技术。与被动微波遥感不同，主动微波遥感是通过发送特定频率和极化的微波信号并接收回波来获取土壤湿度信息的。主动微波遥感的传感器以雷达为主，在实际应用中，合成孔径雷达（SAR）在获取较高分辨率数据方面发挥了重要作用［33］。主动微波遥感技术可以通过计算地表后向散射系数和土壤介电常数之间的关系来实现，从而实现精确监测土壤湿度［34］。当卫星信号经由地表发生反射或散射后，其信号的极化特征会发生明显的改变［35］，散射信号与入射信号之间的关系可以用菲涅尔反射系数来表述，垂直极化、水平极化、左旋极化、右旋极化的菲涅尔反射系数分别表示为

在卫星通信系统中，卫星发射的信号往往采用右旋圆极化，而为了有效地接收这些信号，地面接收站一般使用左旋圆极化天线。

接收机接收到的地表反射信号由相干分量占主导，对应的相干反射功率可表示为［36］

式中，[λ]是电磁波的波长，[Rts]和[Rsr]分别是卫星发射机和接收机到镜面反射点的距离，[Pt]是卫星的发射功率，[Gt]是发射天线的增益，[Gr]是接收天线的增益， [θ]是信号入射角， [Γ（θ）]表示当入射角为[θ]时镜面反射点处的土壤反射率。

[Γ（θ）]和菲涅尔反射系数、地表粗糙度、植被覆盖有关，可以表示为

式中，[?LR]表示菲涅尔反射系数；[τ]为地表均方根高度；[σ]为植被光学厚度，[k]表示角波数，[k=2π/λ]。理想情况下，由（7）式可求出菲涅尔反射系数，并由（4）式可求出介电常数，根据介电常数模型最终可求出土壤湿度。

被动微波遥感是利用地面上发射的微波信号来进行遥感探测的技术。这种方法利用地面上发射的微波信号，通过测量和分析地表反射、散射及辐射特性来进行土壤湿度反演。

被动微波遥感反演土壤湿度的原理是基于土壤对微波辐射的散射和吸收特性，通过分析土壤对微波辐射的散射和吸收过程，利用微波辐射与土壤湿度之间的关系，建立反演模型，进而可以推断出土壤湿度的估计值。GNSS-R技术就是被动微波遥感的一个代表，图2为GNSS-R遥感系统的工作结构图。GNSS-R利用星载、空基、岸基等平台上搭载的接收机接收直射信号和反射信号来进行遥感和反演［37］。主被动微波遥感是一种综合利用主动和被动微波遥感进行对地观测的遥感技术，该技术结合了主动和被动微波遥感的优势，可以更准确地推断土壤湿度，并提高土壤湿度反演的精度和可靠性。主被动微波遥感反演土壤湿度的原理是通过综合利用主动和被动微波遥感数据，建立反演模型，进而估算出土壤湿度值。这种方法能够提供更丰富和全面的土壤湿度信息，而且在农业、水资源管理和环境监测等领域具有重要的应用价值。

主动微波遥感卫星主要有加拿大国家航天局（CSA）推出的RADARSAT系列卫星，如RADARSAT-1、RADARSAT-2和RADARSAT Constellation、德国航天中心（DLR）和欧洲空间局（ESA）合作开发的TerraSAR-X卫星、意大利航天局（ASI）和意大利防务公司合作的COSMO-SkyMed卫星系列及欧洲空间局（ESA）推出的Sentinel-1等，它们都采用了主動微波雷达技术来获取高分辨率的地球观测信息，其中Sentinel-1常用于地表覆盖物的监测。被动微波遥感卫星主要有美国地质调查局（USGS）和NASA合作开发的Landsat系列卫星，如Landsat 8、NASA的Terra和Aqua卫星携带的MODIS传感器、欧洲空间局（ESA）推出的Sentinel卫星系列，如Sentinel-2和Sentinel-3及NASA推出的CYGNSS卫星。它们主要利用可见光和红外光谱范围的辐射来监测地表覆盖、植被状况、水体成分等。被动微波遥感卫星不同于主动微波遥感卫星，其不发送信号只接收来自太阳光能量的反射信号或GPS等其他卫星的反射信号，其中CYGNSS卫星可以观测洋面信息和探测地表信息，常利用CYGNSS数据来检测土壤湿度。CYGNSS是一个由8颗卫星组成的卫星星座， CYGNSS接收机会接收直接信号和反射信号，其天顶指向天线接收来自GPS卫星的直接信号，天底指向天线接收来自镜面反射点的反射信号，可以通过分析反射信号与直接信号的差异来推测地表的性质和状态。主被动微波遥感卫星主要有NASA的 SMAP（Soil Moisture Active Passive）卫星、NASA和阿根廷国家航天局（CONAE）合作的Aquarius/SAC-D卫星、NASA和日本航空航天局 （JAXA）合作开发的GPM卫星、ESA的SMOS（Soil Moisture and Ocean Salinity）卫星及中国的FY-3系列卫星，如FY-3A、FY-3B等。主被动微波遥感卫星结合了主动与被动的微波遥感技术，可以提供全球范围内的土壤湿度、冰雪覆盖、海洋盐度等关键参数的观测数据。其中SMAP数据常被用于监测土壤湿度，SMAP航天器携带两个仪器，一个合成孔径雷达（主动传感器）和一个辐射计（被动传感器）。其任务设计是将辐射计的高精度和雷达的高空间分辨率相结合，以中等空间分辨率进行高质量测量。然而航天器的L波段雷达发生故障不能继续使用，目前仍在工作的只有辐射计。由于SMAP卫星数据精度很高，在进行土壤湿度反演时常被视为真值数据用于检测反演的准确度。

2.2 微波遥感反演土壤湿度模型

目前，利用微波遥感反演土壤湿度的方法可以分为物理模型、经验模型、半经验模型和机器学习几大类，各模型优缺点对比如表4所示。

物理模型算法简单但公式推导复杂，相比于其他算法应用较少。Mironov等人提出了一种估算土壤中束缚水和自由水的最大束缚水含量和介电常数的方法。由此获得的土壤中水的介电性质用于推导两种类型水的德拜光谱参数，提出并验证了微波波段土壤介电常数的预测模型［38］。

经验模型和半经验模型算法简单，通过分析CYGNSS观测值和土壤湿度数据之间的关系，来推断土壤湿度。由于它们能够清晰地展示出这两者之间的关系，这种方法在研究中被广泛应用。2016年Chew等人利用英国DemoSat-1卫星（TDS-1）的观测结果，研究了星载全球导航卫星系统（GNSS）接收机感知土壤湿度变化的能力，结果证实了微波遥感数据反演土壤湿度的可行性［39］。2018年，Chew等人将1年内（2017—2018）CYGNSS的反射功率观测结果与SMAP土壤湿度进行了比较，发现CYGNSS反射率的变化和SMAP 土壤湿度的变化之间存在很强的正线性关系，并证实了CYGNSS可以提供全球土壤湿度观测。2020年，Chew等人建立了一个数据集，该数据集提供了2017年至今在+/-38度纬度以6小时间隔稀疏采样的土壤表面上部5厘米的土壤湿度反演。该产品通过将CYGNSS反射率观测值与SMAP的土壤湿度反演值进行校准而开发。根据171个原位土壤水分探针的观测结果进行验证，ubRMSE为0.049 cm3/cm3，SMAP和现场观测之间的中值ubRMSE为0.045 cm3/cm3，证明UCAR/CU土壤水分产品可以作为SMAP的补充。同年，万玮等人对2017—2019年的CYGNSS数据进行统计分析，提出两步标定法，将反演结果与SMAP土壤湿度的相关系数从0.46提升到0.74，土壤湿度反演精度显著提高［40］。

虽然经验模型和半经验模型算法简单，但其计算量大，土壤湿度反演过程也更复杂，而机器学习准确性和效率都较高，因此许多研究利用机器学习反演土壤湿度。

胡羽丰等人利用人工神经网络（ANN）模型，通过学习川藏交通廊道2018—2019年的CYGNSS和SMAP中关于土壤湿度的数据进行预测，为了测试ANN模型的反演精度和可行性，胡羽丰等人进行了三种检验，分别使用2018年CYGNSS的土壤湿度数据的训练集结果与同时段的SMAP土壤湿度数据进行对比，结果显示：2018 年CYGNSS土壤湿度与 SMAP土壤湿度的年均相关系数为0.857，年均RMSE为0.030cm3/cm3，年均Bias为0.016cm3/cm3，说明该模型训练结果良好，其结果与目标参数SMAP数据之间有较高的内符合度；使用2019年CYGNSS的土壤湿度数据的测试集结果与同时段的SMAP土壤湿度数据进行对比，结果显示，2019年CYGNSS土壤湿度数据与SMAP土壤湿度数据的年均相关系数为0.743，年均RMSE为0.034cm3/cm3，年均Bias为0.010 cm3/cm3，虽然相关系数相对于2018年有所降低，但RMSE和Bias没有明显的变化，说明ANN模型迁移性较好，模型的预测精度较好；使用预测结果、SMAP土壤湿度数据及实测地表土壤湿度对比，最终验证了ANN模型的反演可行性［41］。

Senyurek等人对比分析了人工神经网络（ANN）、随机森林（RF）和支持向量回归（SVR）这三种常用的机器学习算法关于预测土壤湿度的性能。他们通过交叉验证确定了最优的反演模型RF。除此之外，该研究还首次将土壤类型作为输入特征，并分析了土地覆盖类型和土壤质地条件对反演结果的影响［42］。研究结果显示，在植被含水量小于5k/m2、空间异质性相对较低的地区，该算法可以提供可靠的土壤湿度估计值。之后，Senyurek等人将该算法的应用扩展至全球范围，并通过对170个SMN站点近3年的数据进行学习，生成了间分辨率最高为1天、空间分辨率为9公里的CYGNSS土壤湿度。与SMAP的土壤湿度相比，其ubRMSD为0.044 cm3/cm3，相关系数为0.66［43］，反演精度良好。

Yan等人为了减少土地地形对反演结果造成的影响，提出了基于预分类策略的机器学习回归土壤湿度估计，把SMAP土壤湿度数据作为训练数据，把同类型的土地数据进行聚类，通过比较有与没有预分类的土壤湿度估计的总体性能，在全球范围内采用XGBoost模型进行土壤湿度反演得到的反演结果［44］，相比于传统机器学习模型的反演结果，预分类策略有效提高了反演精度，表明土地覆盖类型在土壤湿度反演中的重要作用及应用预分类策略的有效性［45］。Fangni等人也采用了聚类的方法构建机器学习模型，不同于Yan等人的研究，此研究采用多种不同的聚类策略，基于3km网格进行聚合，构建多种以不同尺寸网格为基础的训练模型。该研究采用32种组合方式划分全球网格，将土地覆盖类型与气候带结合，把CYGNSS的土壤湿度数据和反射率、TES、入射角等辅助参数作为模型的输入数据，在每个聚类策略下构建RF模型进行土壤湿度反演［46］，结果表明CYGNSS时空分辨率高，其数据准确率高，可以作为全球土壤濕度数据库的有效补充。

丰秋林等人为了快速准确地估算区域尺度上的土壤湿度，构建了基于BP神经网络算法的GNSS卫星反射信号士壤湿度反演模型，实验结果表明基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小，反演精度较高，将BP神经网络模型与线性回归统计模型对比［47］，结果显示利用BP神经网络模型定量估测土壤湿度明显优于线性回归统计模型，证明了该方法的可靠性。

目前，在使用机器学习方法进行土壤湿度反演的研究中，通常只考虑CYGNSS DDM的设计特征，然而整个DDM图像受到土壤湿度、洪水和植被的影响，基于此，Nabi等人提出了一种利用CNN的数据驱动方法来确定反映测量值和表面参数之间的复杂关系，从而提供改进的土壤湿度估计，其反演结果与目标参数的ubRMSD值为0.0333cm3/cm3，相关系数值为0.94，说明CNN模型反演土壤湿度具有良好的可行性［48］。除此之外，还有很多研究者进行了基于不同机器学习模型、不同特征参数输入的反演，都得到了不错的反演效果。

3 总结与展望

基于卫星遥感数据反演土壤湿度的研究目前仍处于发展阶段，虽然开展了许多研究，利用多种反演模型得到了不错的反演结果，但还存在一些不确定因素，面临诸多挑战，本节将对这些挑战进行分析和展望。

（1）需要综合利用光学遥感和微波遥感数据反演土壤湿度以提高反演精度和可靠性。光学遥感虽然可以提供较高的空间分辨率，清晰地观测到地表信息，并且可以同时获取不同波段的光谱信息，但其波长较短，信号的穿透能力较弱，易受大气云层等的影响。由于光学遥感需要视觉信息，而夜间可获得的视觉信息很少，因此只能在晴朗无云的白天利用光学遥感进行土壤湿度反演。光学传感器对土壤表面的遮盖物（如植被、裸地或积水等）非常敏感，植被的光谱、结构和覆盖度会对光学信号产生干扰，使得反演土壤湿度的精确性下降，所以光学遥感适用于无植被区或植被覆盖较少的区域的土壤湿度测量。由于光学遥感易受外界条件影响，因此，在进行土壤湿度反演时，要尽可能结合其他数据源和模型进行校正和验证，以提高精度。

（2）利用传统反射计采样数据与卫星数据结合提高精度。微波遥感虽然具有透过云层和植被、全天候观测、垂直探测等能力，但其难以反演局部区域的细致土壤湿度变化。这与传统反射计恰好互补，可以进行多源数据融合，结合传统反射计采样数据与卫星数据，利用它们各自的优势提高土壤湿度反演的准确性和空间分辨率。

（3）抓住发展大趋势，充分利用人工智能算法反演土壤湿度提高精度。使用更先进的神经网络模型，例如多模态神经网络、注意力机制网络、Transformer模型等。多模态神经网络可以根据二维的DDM图和一维的经度纬度入射角等信息进行学习训练，比在DDM图中提取信息并训练更简单高效；注意力机制网络可以通过学习空间相关性的权重了解土壤湿度的空间变化趋势；Transformer模型是ChatGPT的核心模型，可以同时考虑时空相关性，是个不错的反演土壤湿度的工具。

基于卫星遥感数据的土壤湿度反演仍处于发展阶段，但具有广阔的应用前景。通过解决目前存在的挑战，并积极探索新的技术和方法，可以进一步提高反演精度和空间分辨率，为农业和水资源管理等领域的应用提供更准确、实用的土壤湿度信息。

参考文献：

［1］ 裴悦琨，韩心新.GNSS-R探测土壤湿度综述［J］.大地测量与地球动力学，2021，41（2）：140-144.

［2］ 肖斌，沙晋明.土壤湿度遥感反演方法概述［J］.遥感信息，2007（6）：94-98.

［3］ 李占杰，陈基培，刘艳民，等.土壤湿度遥感反演研究进展［J］. 北京师范大学学报（自然科学版），2020，56（3）：474-481.

［4］ 吳欣睿.基于MODIS影像的松嫩平原土壤湿度反演特征研究［J］.哈尔滨师范大学学报（自然科学版），2017，33（4）：1 -123.

［5］ 胡猛，冯起，席海洋.遥感技术监测干旱区土壤水分研究进展［J］.土壤通报，2013，44（5）：1270.

［6］ ZHAO-LIANG L，PEI L，CHENG HU Z， et al. Soil moisture retrieval from remote sensing measurements： Current knowledge and directions for the future［J］. Earth-Science Reviews，2021（2）：218.

［7］ BOWERS A S，HANKS J R. Reflection of radiant energy from soils［J］. Soil Science，1965，100（2）：20.

［8］ K. A S. Spectral reflectance characteristics of soils and its correlation with soil properties and surface conditions［J］. Journal of the Indian Society of Remote Sensing，1986，14（1）：54.

［9］ 刘培君，张琳，艾里西尔·库尔班，等.卫星遥感估测土壤湿度的一种方法［J］.遥感学报，1997（2）：135-138+81.

［10］ 覃湘栋，庞治国，江威.土壤湿度光学遥感反演方法研究进展和挑战［J］.人民珠江，2021，42（11）：38-45+111.

［11］ 刘伟东，Frédéric Baret，张兵，等. 高光谱遥感土壤湿度信息提取研究［J］.土壤学报，2004（5）：700-706.

［12］ WEIDONG L，BARET F，XING FA G， et al. Relating soil surface moisture to reflectance［J］. Remote Sensing of Environment，2002，81（2）：11.

［13］ WHITING L M，LI L，USTIN L S. Predicting water content using Gaussian model on soil spectra［J］. Remote Sensing of Environment，2003，89（4）：72.

［14］ SADEGHI M，JONES B S，PHILPOT D W. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands［J］. Remote Sensing of Environment，2015（1）：164.

［15］ BAHAEIAN E，SADEGHI M，FRANZ E T， et al. Mapping soil moisture with the OPtical TRApezoid Model （OPTRAM） based on long-term MODIS observations［J］. Remote Sensing of Environment，2018（2）：211.

［16］ EHRLER L W. Cotton leaf temperatures as related to soil water depletion and meteorological factors［J］. Agronomy Journal，1973，65（3）：26.

［17］ IDSO S，JACKSON R，PINTER P， et al. Normalizing the stress-degree-day parameter for environmental variability［J］. Agricultural Meteorology，1981（1）：24.

［18］ JACKSON D R，IDSO B S，REGINATO J R， et al. Canopy temperature as a crop water stress indicator［J］. Water Resources Research，1981，17（4）：77.

［19］ M.S. M，T.R. C，Y. I， et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index［J］. Remote Sensing of Environment，1994，49（3）：15.

［20］ 陳维英，肖乾广，盛永伟.距平植被指数在1992年特大干旱监测中的应用［J］.环境遥感，1994（2）：106-112.

［21］ KOGAN N F. Remote sensing of weather impacts on vegetation in non-homogeneous areas［J］. International Journal of Remote Sensing，1990，11（8）：23.

［22］ N T C，R R G，M E P. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover［J］. Remote Sensing Reviews，1994，9（1-2）：36.

［23］ SANDHOLT I，RASMUSSEN K，ANDERSEN J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status［J］. Remote Sensing of Environment，2002，79（2）：45.

［24］ 张新平，乔治，李皓，等.基于Landsat影像和不规则梯形方法遥感反演延安城市森林表层土壤湿度［J］.遥感技术与应用，2020，35（1）：120-131.

［25］ 魏国栓，沈润平，丁国香.仪征地区农田深层土壤湿度遥感反演初探［J］.遥感技术与应用，2008（1）：36-41.

［26］ WATSON K. Periodic heating of a layer over a semi‐infinite solid［J］. Journal of Geophysical Research，1973，78（26）：12.

［27］ POHN H，OFFIELD T，WATSON K.Thermal inertia mapping from satellite discrimination of geology unit in Oman［J］.Journal of Research of the US Geological Survey，1974（2）：147-158.

［28］ PRICE C J. Thermal inertia mapping： A new view of the Earth［J］. Journal of Geophysical Research，1977，82（18）：21.

［29］ XUE Y，CRACKNELL P A. Advanced thermal inertia modelling［J］. International Journal of Remote Sensing，1995，16（3）：30.

［30］ SOBRINO A J，KHARRAZ E H M. Combining afternoon and morning NOAA satellites for thermal inertia estimation： 1. Algorithm and its testing with Hydrologic Atmospheric Pilot Experiment-Sahel data［J］. Journal of Geophysical Research： Atmospheres，1999，104（D8）：53.

［31］ 马春芽，王景雷，黄修桥.遥感监测土壤水分研究进展［J］.节水灌溉，2018（5）：70.

［32］ SINHA A K. Variations in soil spectral reflectance related to soil moisture， organic matter and particle size［J］.Journal of the Indian Society of Remote Sensing，1987，15（2）： 7.

［33］  CHEW C C，SMALL E E. Soil moisture sensing using spaceborne GNSS reflections： Comparison of CYGNSS reflectivity to SMAP soil moisture［J］. Geophysical Research Letters，2018，45（9）：42.

［34］ 赵少华，秦其明，沈心一，等.微波遥感技术监测土壤湿度的研究［J］.微波学报，2010，26（2）：90.

［35］ 董雪园. 土壤含水量的GPS-R遥感反演模型研究［D］.徐州：中国矿业大学，2014：55.

［36］ 郭斐，董桂芳，朱逸凡，等.一种土地类型标签精细化的GNSS-R土壤湿度反演方法［J］.武汉大学学报（信息科学版）：2023（4）：34.

［37］ 侯奇慧，张凤元，杨东凯.GPS反射信号软件接收机设计与实现［J］.全球定位系统，2013，38（3）：8-12.

［38］ MIRONOV L V，DOBSON C M，KAUPP V， et al.Generalized refractive mixing dielectric model for moist soils.［J］. IEEE Trans. Geoscience and Remote Sensing，2004，42（4）：45.

［39］ CHEW C，SHAH R，ZUFFADA C， et al.Demonstrating soil moisture remote sensing with observations from the UK TechDemoSat-1 satellite mission［J］.Geophysical Research Letters，2016，43（7）：55.

［40］ WAN W，JI R，LIU B J，et al.A two-step method to calibrate CYGNSS-derived land surface reflectivity for accurate soil moisture estimations［J］.IEEE Geoscience and Remote Sensing Letters，2020（19）：1-5.

［41］ 胡羽豐，汪吉，李振洪，等.基于星载GNSS-R获取川藏交通廊道沿线地表土壤湿度［J］.地球科学，2022，47（6）：2058-2068.

［42］ SENYUREK V，LEI F，BOYD D， et al. Machine Learning-Based CYGNSS Soil Moisture Estimates over ISMN sites in CONUS［J］. Remote Sensing，2020，12（7）：12.

［43］ VOIKAN S，FANGNI L，DYLAN B， et al. Evaluations of machine learning-based CYGNSS soil moisture estimates against SMAP observations［J］. Remote Sensing，2020，12（21）：23.

［44］ YAN J，SHUANGGEN J，HAOLIN C， et al. Temporal-spatial soil moisture estimation from CYGNSS using machine learning regression with a preclassification approach［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021（2）：14.

［45］ 张双成，郭沁雨，马中民，等.星载GNSS-R反演土壤湿度研究进展与思考［J］.武汉大学学报（信息科学版）：2023（4）：1-15.

［46］ FANGNI L，VOLKAN S，MEHMET K， et al. Quasi-global machine learning-based soil moisture estimates at high spatio-temporal scales using CYGNSS and SMAP observations［J］. Remote Sensing of Environment，2022，276：15.

［47］ 丰秋林，郑南山，刘晨，等.BP神经网络辅助的GNSS反射信号土壤湿度反演［J］.测绘科学，2018，43（8）：157-162.

［48］ NABI M M， SENYUREK V， GURBUZ A C， et al. Deep learning-based soil moisture retrieval in CONUS using CYGNSS delay–doppler maps［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022（15）： 6867-6881.

A Review of Methods for Retrieving Soil Moisture from Satellite Remote Sensing Data

HE Shan-bao ，PANG Jing-jing，CHENG Xing ，XIE Heng，LI Shuai-shuai，CAI Min

（Key Laboratory of Information and Communication Systems， Ministry of Information Industry，Beijing Information Science and Technology University， Beijing 100101，China）

Abstract：Soil moisture is an indispensable part of the global water cycle， and the soil moisture detection is of great significance for ecological planning， hydrological model construction， agricultural production， and drought monitoring. The traditional soil moisture monitoring methods mainly include weight method， resistance method， time domain reflectance method， etc.， which has the disadvantages of high small labor cost in the monitoring area， while satellite remote sensing can detect the change trend of soil moisture in a large range and has high spatial and temporal resolution， which is the main method of soil moisture monitoring at present. This paper firstly summarizes the methods of soil moisture monitoring by satellite remote sensing， summarizes and analyzes the methods of optical remote sensing and microwave remote sensing. Secondly，it summarizes the basic principles of two kinds of remote sensing technologies， and comprehensively sums up their retrieval methods， including the analysis of the advantages and disadvantages， the applicable area and the retrieval accuracy. Finally it discusses the challenges faced by each method in the development of soil moisture retrieval and the future direction of soil moisture retrieval.

Key words：Soil moisture detection; retrieval method; satellite remote sensing

（责任编辑：叶松庆）

收稿日期： 2023-10-20

基金项目：国家自然科学基金项目（62001032）.

作者简介：何善宝（1976—），男，安徽明光市人，安徽师范大学物理系1997級校友，博士，研究员，研究生导师，研究方向为卫星通信、天地一体化信息网络、卫星气象数据处理等；通讯作者：庞晶晶（1999—），女，河北沧州市人，硕士研究生，研究方向为卫星气象数据处理等．

引用格式：何善宝，庞晶晶，程星，等.卫星遥感数据反演土壤湿度方法研究［J］.安徽师范大学学报（自然科学版），2023，47（1）：1-10.