土壤墒情遥感监测方法与模型研究综述

基金项目：漳州市自然科学基金项目“漳州生态茶园时空演变与生物量的遥感估算”（ZZ2023J05）。

作者简介：李艳（1982—），女，博士，副教授，研究方向：遥感监测。

摘 要：土壤墒情对作物生长和区域生态环境的影响极大。为了解学界对土壤墒情遥感监测方法与模型的研究进展，在收集和分析大量文献的基础上，对相关内容进行综述，重点对比分析光学遥感和微波遥感在土壤墒情监测中的应用优势和不足；提出将光学遥感和微波遥感融合应用，以提供更全面、准确的土壤墒情信息，发挥其在农业灌溉管理、干旱监测和水资源管理等方面的重要价值；展望未来，提出探索高分辨率遥感、机器学习和人工智能的应用，以及时空动态监测和开放数据共享与合作等研究发展趋势，从而为农业生产和水资源管理提供更精确的信息支持。

关键词：土壤墒情；遥感监测；方法与模型；光学遥感；微波遥感

中图分类号：S152.7 文献标志码：A 文章编号：1674-7909（2024）1-132-4

DOI：10.19345/j.cnki.xckj.1674-7909.2024.01.033

0 引言

土壤墒情是影响作物生长发育的决定性因素之一，同时也是干旱评价及农作物估产的重要参数。准确监测土壤墒情并制定输水配水计划，对节约水资源和提高农作物产量具有重要意义［1］。

利用实测站点对土壤墒情进行监测需要消耗大量的人力和财力，且难以对土壤墒情进行大范围实时监测［2］。利用遥感技术反演和监测土壤墒情始于20世纪60年代，并随着遥感技术的快速发展，成为土壤墒情定量监测的重要方式和发展方向。根据土壤的物理特性和辐射理论，可利用光学遥感和微波遥感数据来反演和监测土壤墒情。

1 应用光学遥感反演和监测土壤墒情研究现状

光学遥感是目前发展最为成熟的遥感手段，通过地物反射辐射特征变化模拟地表植被覆盖类型、地表温度、土壤热惯量及地表蒸散发与土壤含水量之间的经验关系等，从而实现对土壤墒情的反演，主要有基于可见光[-]近红外波段、基于热红外波段及综合利用可见光[-]近红外和热红外波段的3类应用方法。

1.1 应用可见光[-]近红外遥感反演和监测土壤墒情

应用可见光-近红外遥感监测土壤墒情，主要是基于土壤和土壤上植被的光谱反射特性，应用方法主要有反射率法和植被指数法。Bowers等［3］利用土壤反射率与土壤墒情之间的关系，建立了土壤墒情反演模型的理论基础。近年来，随着机器学习的发展，众多基于机器学习的算法（支持向量机、神经网络等）及深度学习等广泛应用于土壤墒情反演。姜传礼等 ［4］采用多元线性逐步回归、偏最小二乘回归和后向神经网络3种方法对土壤含水量与土壤光谱进行建模，发现后向神经网络模型在反演研究区土壤墒情方面具有较高的精确性。

反射率法在裸土土壤墒情反演中能够获得较好的效果。然而，当植被覆盖地表时，反射率法存在较大误差。植被指数法通过反映植被的生长状况间接反映土壤墒情，适合植被覆盖区域的土壤墒情反演。众多学者也提出了一系列植被指数，如归一化植被指数［5］、植被调整垂直干旱指数［6］、条件植被温度指数［7］等。此外，张传波等［8］结合反射率法和植被指数法对农田的土壤墒情进行了估算，取得了较好的反演结果。

反射率法和植被指数法方法简单，参数条件小，然而由于影响土壤和植被光谱的因素较多，导致其应用受到一定限制。

1.2 应用热红外遥感反演和监测土壤墒情

在热红外波段，研究人员可通过土壤温度变化和热惯量反演土壤墒情。热惯量是一种用于度量物质热惰性大小的物理量，反映了物质与周围能量的交换能力。Pohn等［9］在其研究中采用了热惯量模型，并结合热红外波段遥感获取地表温度日变化幅度，从而估测土壤墒情。Price等［10］提出了表观热惯量的概念，并利用该概念估算了土壤墒情。王凯霖等［11］应用表观热惯量法估算了柴达木盆地平原区的土壤墒情，并结合归一化植被指数和实测数据对反演结果进行了验证。热惯量模型应用范围以裸土和植被覆盖较少的地区为主，当有植被覆盖地表时，热红外遥感常采用植物蒸散法来获取地表土壤墒情。但由于蒸散模型的应用方法复杂，需要的参数较多，且获取困难，因而其应用有一定的局限性。

1.3 综合利用可见光[-]近红外和热红外反演土壤墒情

植被指数和地表温度是反映土壤墒情的重要参数。因此，利用基于可见光[-]近红外波段遥感获取的植被指数和基于热红外波段遥感获取的地表温度组成特征空间，可以反演土壤墒情。Nemani等［12］研究植物蒸腾时将地表温度和植被指数结合起来，研究它们与植物蒸散量之间的关系。随后，这方面的研究迅速展开。Carlson等［13］在不依靠气象数据的情况下，利用植被指数和地表温度空间特征有效地估算了土壤墒情。晏红波等［14］利用地表温度数据和植被指数数据，通过比较不同植被指数在研究区的适用性，建立了符合研究区的地表温度[-]植被指数特征空间，并反演了研究区不同地表类型下的土壤墒情。

光学遥感虽然在反演土壤墒情方面表现出良好的应用效果，但由于其波长相对较短、障碍物穿透力弱、电磁波信号容易受到大气干扰，导致其在土壤墒情反演中的应用受到一定的限制。

2 应用微波遥感反演和监测土壤墒情研究现状

微波频段的敏感性强，对土壤水分具有高度的感知能力，同时也具备一定的植被穿透能力。这使得微波遥感成了广泛应用于大范围土壤墒情监测的有效手段之一。

2.1 被动微波反演土壤墒情

被动微波技术因其高时间分辨率、较高敏感度的土壤水分变化响应及较为简便的数据处理方式，在微波遥感反演土壤墒情方面得到了广泛应用。其利用土壤微波辐射与土壤水分的强相关性，通过测量土壤本身的微波发射或亮度温度，实现了对土壤墒情的反演。Schmugge等［15］采用分层模式，利用土壤微波辐射对土壤墒情进行了模拟，发现亮度温度与土壤墒情之间存在较好的线性相关性。此外，田间持水能力、前期降雨指数及微波极化差指数等土壤墒情指示因子都可以与亮度温度建立线性关系［16］。鲍艳松等［17］利用风云三号系列气象卫星搭载的微波成像仪，基于高级积分方程模型模拟不同地表参数条件下的卫星辐射数据，对我国西部地区进行了土壤墒情反演。谭建灿等［18］将高级微波扫描辐射计的亮温数据和实测土壤水分数据建立训练集，基于卷积神经网络对研究区土壤墒情进行了反演，也取得了较好的结果。

尽管被动微波技术在不断完善，但在应用上仍然存在无法克服的问题，如低频和低空间分辨率等。此外，植被层衰减和地表粗糙度对其反演结果也会产生一定的影响。

2.2 主动微波反演土壤墒情

主动传感器，尤其是合成孔径雷达技术的不断发展，提供了更高的空间分辨率，而且从最初的单波段、单极化观测逐步演变为多波段、多极化和多角度观测，这为解决更多的参数提供了更丰富的信息。因此，主动传感器是目前土壤墒情遥感反演中最有效的遥感数据源之一。在应用主动微波遥感数据反演土壤墒情中，主要采用了理论模型、经验模型和半经验模型等。

通过建立后向散射系数与地表物理几何参数间的数学关系，相关学者提出了一系列微波理论模型，如基尔霍夫模型、小扰动模型、积分方程模型等［19］，但理论模型输入参数过多且方程较复杂。经验模型通过对遥感信息参数和地面观测数据进行统计分析，从而建立两者之间的线性拟合关系。由于经验模型对研究区的依赖程度较高，因而部分学者在经验模型的基础上，通过地表微波数据分析雷达后向散射系数与雷达参数及地表参数之间的相互关系，提出了一些简单实用的半经验模型，如Shi模型、Oh模型等［20］。这些模型主要针对裸露地表条件发展而来，能够在反演裸土土壤墒情方面取得较好的效果。然而，在植被覆盖地表情况下，这些模型在反演土壤墒情时可能会产生较大的误差。

3 应用光学遥感和微波遥感综合反演土壤墒情研究现状

针对不同植被覆盖情况，研究人员综合光学遥感和微波遥感的不同优势，提出了多种植被散射模型。这些模型从不同角度，为解释和模拟植被散射过程提供了重要的理论基础。其中，以农作物为研究对象的水云模型［21］和以高大树木为研究对象的MIMICS模型［22］是应用最为广泛的植被散射模型。Roo等［23］针对矮小农作物，在MIMICS模型的基础上去掉地表-茎秆之间的散射项，将植被层当作一层处理，并以大豆为例建立了后向散射与土壤墒情之间的关系。Mattar等［24］提出将微波辐射数据和植被指数相结合的土壤水分遥感反演算法，利用植被指数NDVI计算微波植被光学厚度，再结合半经验的微波辐射传输模型进行土壤含水量的计算。蒋金豹等［25］联合应用ALOS/PALSAR数据和TM数据，利用水云模型对北京市植被覆盖区地表土壤水分进行反演，取得较好的效果。李艳等［26］基于全连接深度神经网络，利用Sentinel-1雷达数据和Sentinel-2光学数据反演了研究区麦田的土壤墒情。

4 研究发展趋势

在国内外学者的共同努力下，土壤墒情监测领域研究取得了丰硕的成果。但由于影响土壤墒情的因素众多，因而土壤墒情的研究具有一定的复杂性和挑战性。在未来研究发展趋势中，除了多源数据的融合，还可以预见以下几个方面的进展。

4.1 高分辨率遥感

高分辨率遥感数据具有更详细的空间信息，能够提供更精细的土壤墒情监测。未来的发展趋势是借助高分辨率遥感数据，实现对土壤墒情的更精细化监测和分析。例如，利用高分辨率光学遥感数据可以获取土壤表面的微观特征，如土壤纹理、颗粒组成等，从而更准确地预估土壤水分状况。

4.2 机器学习和人工智能的应用

随着机器学习和人工智能技术的快速发展，其在土壤墒情遥感监测中的应用也将越来越广泛。未来的发展趋势是利用机器学习算法，结合大规模遥感数据和地面观测数据，建立土壤墒情遥感监测模型，实现自动化的土壤墒情监测和预测，而这将极大地提高监测效率和准确性。

4.3 时空动态监测

土壤墒情具有时空动态变化特性，受气候、植被和土地利用等因素的影响。未来的发展趋势是发展具有时空分辨能力的土壤墒情遥感监测方法，实现对土壤墒情的实时监测和动态变化分析。这将有助于更好地理解土壤墒情的演变规律，为农业灌溉、水资源管理和环境保护等领域提供决策参考。

4.4 开放数据共享和合作

土壤墒情遥感监测需要大量的遥感数据和地面观测数据，而这些数据往往分散在不同的机构和组织中。未来的发展趋势是加强数据共享和合作，建立开放的数据平台，促进数据的共享和交流，从而提高土壤墒情遥感监测的数据可用性和精度。

5 结束语

土壤墒情遥感监测的发展趋势包括多源数据融合、高分辨率遥感、机器学习和人工智能的应用、时空动态监测及开放数据共享和合作。这些发展趋势将为土壤墒情监测提供更准确、全面的信息，为农业、水资源管理和环境保护等领域提供更好的决策参考。

参考文献：

［1］YUEH S， SHAH R， XU X L， et al. Experimental demonstration of soil moisture remote sensing using P-band satellite signals of opportunity［J］. IEEE Geoscience and Remote Sensing Letters， 2020，17（2）：207-211.

［2］徐嘉昕，李璇，朱永超，等.地表土壤水分的卫星遥感反演方法研究进展［J］.气象科技进展，2019，9（2）：17-23.

［3］BOWERS S A， HANKS R J. Reflection of radiant energy from soil［J］.Soil Science，1965，100（2）：130-138.

［4］姜传礼，赵健赟，丁圆圆，等.SPA算法与机器学习的黄河源土壤水分反演［J］.光谱学与光谱分析，2023，43（6）：1961-1967.

［5］FANG B， LAKSHMI V. Soil moisture at watershed scale： remote sensing techniques［J］.Journal of Hydrology， 2014， 516（6）：258-272.