2015（第三届）中国水利信息化与数字水利技术论坛—基于多源遥感数据的灌区土壤墒情监测的关键技术报告人：张成才郑州大学水利与环境学院2015.4.3中国（国际）水务高峰论坛组委会电话：010-6320 3049/3233/3104/3734/3745邮箱：wbs@传真：010-5269 5071官网：地址：北京市西城区白广路北口水利部综合楼733目录遥感反演土壤墒情技术的研究现状土壤墒情遥感监测的关键技术总结12345研究背景及意义土壤墒情遥感监测的主要发展方向土壤墒情是水文学、气象学以及农业科学领域中的一个重要指标, 是土壤-植物-大气连续体的一个重要因子，对水文、农业、旱情监测等具有非常重要的意义。
传统的土壤墒情监测是测点的人工监测，费时费力，且测点稀疏，代表性差。
遥感具有监测范围广、速度快、成本低等优点，应用遥感技术对土壤墒情进行监测，能实现土壤墒情大范围、快速监测，优势明显。
研究不同地表覆盖情况下监测土壤墒情的方法，构建土壤墒情遥感反演模型，分析土壤墒情变化规律，为水文分析计算、农作物科学灌溉等提供基础信息。
近几年遥感卫星数据国外高分遥感数据QuickBird，GeoEye-1，WorldView-2、3，SPOT6，Pleiades-1 国内高分遥感数据高分一号、高分二号、资源三号、天绘一号主动微波遥感数据ALOS-2、Radarsat-2、TerraSAR-2遥感卫星WorldView-3美国WorldView-2美国发射日期2014年2009年10月轨道高度617km770km重访周期小于1 天 1.1 天幅宽单景16.4km×16.4km单景16.4km×16.4km 影像成图比例尺约1 : 2000 1 :2000分辨率全色0.31m多光谱1.24m全色0.5m多光谱1.8m波谱范围8个多光谱8个波段（红、绿、蓝、红色边缘、黄、海岸、2个近红）8个短红外全色0.45 -0.80μm全色0.45 -0.80μm国外高分遥感数据遥感卫星法国Pleiades-1法国SPOT6发射日期2010年2012年轨道高度694Km695 Km重访周期1天26天幅宽单景20km×20km单景60km×60km 影像成图比例尺1:20001:10 000分辨率全色0.5m多光谱2m全色1.5m多光谱6m波谱范围蓝色0.43 -0.55μm蓝色0.45 -0.52μm 绿色0.49 -0.61μm绿色0.53 -0.59μm 红色0.60-0.72μm红色0.62-0.69μm 近红外0.75 -0.95μm近红外0.76 -0.89μm 全色0.48 -0.83μm全色0.45 -0.75μm国外高分遥感数据遥感卫星高分一号高分二号资源三号天绘一号发射日期2013年2014年2012年2010年轨道高度645Km630Km505Km500 Km重访周期4天5天5天5天幅宽800km×800km45 m×45m51km-52km60km×60km 影像成图比例尺1:100001：20001:10 0001:10 000分辨率全色2m多光谱8m全色0.8m 多光谱3.2m前视、后视相机3.5m；正视相机2.1m；多光谱相机6m 三线阵相机5m；高分辨率2m；多光谱相机10m波谱范围蓝色0.45 -0.52μm蓝色0.45 -0.52μm蓝色0.42 -0.52μm蓝色0.43 -0.52μm 绿色0.52 -0.59μm绿色0.52 -0.59μm绿色0.52 -0.59μm绿色0.52 -0.61μm 红色0.63-0.69μm红色0.63-0.69μm红色0.63-0.69μm红色0.61-0.69μm 近红外0.77 -0.89μm近红外0.77 -0.89μm近红外0.77 -0.89μm近红外0.76 -0.90μm 全色0.45 -0.90μm全色0.45 -0.90μm全色0.50 -0.80μm全色0.51 -0.69μm国产遥感数据ALOS-2数据参数观测模式分辨率观测范围聚束模式1m-3m25km条带模式3m50km 6m50km 10m70km扫描模式100m350km 60m490km第一部分遥感数据简介Radarsat-2遥感卫星RadarSat-2卫星类型C波段SAR商用卫星发射日期2007年轨道类型太阳同步轨道轨道高度798Km重访周期24天特征·11种波束模式·左右侧视缩短了重访时间·丰富的极化信息第二部分遥感反演土壤墒情技术的研究现状（1）数据源方面：20世纪70年代早期试验建立了土壤含水量和地表辐射温度的相关关系，后续气象卫星和资源卫星的投入使用，合成孔径雷达数据的获取等推动土壤墒情监测进一步发展。
（2）反演模型方面：从可见光-红外遥感，到微波遥感，反演模型也在演进发展，对可见光-红外遥感数据，不同的地表覆盖类型选择特定的模型，如在裸土和低植被覆盖区，主要采用热惯量和相关方法，在高植被覆盖区，主要采用植被缺水指数法，以及将植被指数和地表温度组合的温度植被指数法。
第二部分对于微波数据，裸土和低植被覆盖区域，从经验、半经验模型（主要有Oh 模型、Dubois 模型和Shi 模型）到理论模型（如：IEM、AIEM）逐步完善。
对植被较好的地表覆盖，主要有的Water-Cloud模型（水云模型）和MIMICS模型（微波植被散射模型）。
第三部分土壤墒情遥感监测的主要发展方向•（1）不同遥感数据，在不同地表覆盖状况下的适用性研究。
特别是主动微波遥感数据的应用，对土壤墒情遥感监测起到突破性的作用。
第三部分多源数据的应用，解决不同地表覆盖状况下的单一数据源反演土壤墒情的问题，提高土壤墒情反演精度，遥感数据和地面实测数据同化技术的应用，是以后的一个主要发展方向。
(2)随着遥感数据的快速增加和精度的提高，研究构建新的基于光谱信息特征的土壤含水量计算模型。
克服过去应用间接要素估算土壤含水量的不足，是土壤墒情遥感监测的又一个发展方向。
第三部分应用可见光-热红外遥感数据反演土壤墒情试验裸土/低植被覆盖区域选择表观热惯量模型，高植被覆盖区域选择植被供水指数模型。
数据选取：MODIS和Landsat TM遥感影像。
研究技术路线河南省白沙灌区为例墒情（%）所占面积(km2)所占百分比(%)0-593155-7281457-9230379-11182>1110.16 MODIS表观热惯量法的墒情分布图墒情统计结果墒情（%）所占面积(km2)所占百分比(%)<1724417-17.546717.5-18781318-18.526142>18.521434 MODIS植被供水指数法的墒情分布图墒情统计结果墒情（%）所占面积(km2)所占百分比(%)<1041.33710-1531.44515-2083.101420-25438.4172>259.792TM植被供水指数法墒情分布图墒情统计结果墒情等级所占面积(km2)所占百分比(%)累积面积(km2)<1058.009.5758.0010-15158.8226.20216.8215-20253.7041.85470.5220-25132.1021.79602.62>25 3.570.59606.19 MODIS结合TM影像计算土壤墒情分布MODIS结合TM 计算的墒情统计结果样点土壤墒情实测值（%）土壤墒情反演值相对误差（%）MODIS表观热惯量法MODIS植被供水指数法TM植被供水指数法MODIS结合TMMODIS表观热惯量法MODIS植被供水指数法TM植被供水指数法MODIS结合TM112.014.459.438.6614.3920.4121.4127.8319.91 212.314.389.767.6114.3516.9120.6538.1316.67 3 6.8 6.1418.25 5.2 5.49.70168.3823.5320.59 418.3 2.2217.9419.1518.7287.87 1.97 4.64 2.30 519.4 5.6616.8117.5517.9370.8213.359.537.58反演精度分析表MODIS遥感数据运用表观热惯量法和植被供水指数法单独进行土壤墒情的反演，都有各自的局限性，对不同地表覆盖状况的土壤墒情的反演精度差别较大。
TM影像采用植被供水指数法，对高植被覆盖区域土壤墒情进行监测，得到的墒情结果较详细。
通过以上试验，无论是MODIS数据表观热惯量法、植被供水指数法还是TM数据植被供水指数法反演土壤墒情，每一种影像数据和方法单独应用都无法很好地反映灌区混合地表的土壤墒情。
因此，多种遥感数据与方法结合，是提高反演土壤墒情精度的技术手段。
主动微波遥感全天时工作不受云、雾、雨的影响穿透能力强对于某些地物有特殊的波谱特性基于主动微波数据的土壤墒情反演试验对裸土和低植被区域用改进积分方程模型（AIEM）计算地表参数（介电常数、粗糙度），雷达后向散射系数以及土壤墒情之间的非线性关系。
研究技术路线采用Radarsat-2数据进行土壤墒情的反演研究，Radarsat-2数据特点如下：特点优势较高的分辨率（3m—8m）改进了目标检测、识别的能力多极化模式可以提高地物的识别的能力重访次数增加对于要较高重访频率的访问，效率提高快速数据处理处理速度快，运行性得到了进一步的增强几何准确度提高对于要快速得到准确定位的产品适用性强研究使用的SAR影像数据为2010年6月20日10：41：37获取的SLC级数据，要对影像数据进行裁剪、滤波、辐射定标等处理。
裁剪后的HH、HV、VH、VV图像滤波后的HH、HV、VH、VV图像定标后的HH 、HV 、VH 、VV图像把Radarsat-2遥感影像数据通过辐射定标转换为后向散射系数，公式如下：通过上述公式计算后，每一个像元点的值都转化成了雷达后向散射系数的值。
构建后向散射模型根据AIEM模型，通过模拟与分析后向散射系数与土壤墒情和地表粗糙度之间的关系，得到如下的后向散射模型：由以上式子可知，在已知雷达影像的后向散射系数情况下，需要得到地表粗糙度的值才能求得土壤墒情的值，但是一般情况下地表粗糙度很难大面积的精确测量。
同极化HH和VV与交叉极化HV和VH两种方式下的组合粗糙度对后向散射系数的响应基本一致。
研究利用同极化HH、VV和交叉极化HV、VH的后向散射模型进行组合，消除地表粗糙度的影响，得到HH/VV同极化和HV/VH交叉极化两种模式的土壤墒情反演算法。
HH/VV双极化土壤墒情反演算法同极化HH和VV组合的后向散射模型方程如下：方程组联立得：HV/VH交叉极化土壤墒情反演算法交叉极化HV和VH组合的后向散射模型方程如下：方程组联立得：利用研究区域实测的土壤墒情数据和模型反演的数据对比，可以看出实测的土壤墒情同模型的反演的土壤墒情之间存在较好的相关性.主要研究成果基于Radarsat-2雷达影像，利用改进积分方程模型模拟裸露地表不同雷达系统参数以及不同地表参数情况下的后向散射特征，分析裸露地表的后向散射变化规律，找出后向散射系数与土壤湿度和组合粗糙度参数之间的关系，得到四种极化方式下裸露地表的后向散射模型，消除地表粗糙度的影响，建立两种双极化雷达数据土壤水分反演算法。