第七讲 土壤水分反演在线视频

各位同学大家好

我是来自中国农业大学的李俐

今天我们一起继续来学习

微波遥感影像的另外一种应用

在土壤水分反演中的应用

这一部分我们首先讲一下

微波水分反演它的概述

另外讲一下

微波散射模型和相应的反演算法

然后我们看一下相应的精度分析

首先我们来看一下

微波土壤水分反演的概述

土壤水分反演

一说到反演

我们大家可能都有概念

这是一种典型的定量遥感的内容了

定量遥感的核心

它就是从观测的数据中

得到地表的一些参数

我们知道微波散射的反射值

可以表示成这个公式的这种形式

我们知道这里头P实际上是

对应的待反演的地表参数

也就是我们建立起来的一个地表参数

和相应的后向散射系数之间的关系

这个关系微波遥感反演的一个基础

我们具体再讲

土壤水分如何来进行反演之前

我们先说一下

微波进行土壤水分反演它的优势

我们说微波或者说我们常用的雷达

它进行土壤水分探测

主要优势体现在以下几个方面

首先我们一直说微波它能够穿透地物

所以微波遥感具有

不受光照 云雾等等天气的影响

然后具有全天时 全天候的特点

第二个优势主要是

微波的对植被的一种穿透特性

这样的话我们可能就能够

更直观的得到土壤的一些特性

第三个重要的因素是雷达的回波

它的后向散射系数

实际上我们前面讲过

它直接受到土壤的介电常数的影响

这样的话

介电常数又受到土壤水分的影响

因此就可以建立起来后向散射系数

和土壤水分之间的一个关系

所以我们说土壤水分影响了

土壤介电常数的变化

土壤介电常数又影响了

雷达后向散射系数的变化

因此土壤水分和

雷达互相散射系数之间

就建立起来了一个很明确的关系

而前面我们说过

水的介电常数和干土它的介电常数

是有很大的区别的

水的介电常数可以达到80

而干土它的介电常数减为3

那么土壤我们可以看成是

水和干土的一个混合

因此大家可以想象一下

它的介电常数就可以由

3到80之间怎么变化

因此我们可以看出和其他地物相比

土壤它的介电常数是变化比较大的

这里我们给出了一个

通常用的雷达数据

它进行土壤含水量分析

或者说土壤含水量反演的

这么一个流程图

大家可以看到我拿到了

雷达遥感影像之后

我经常首先要做的一件事

就是这个数据的预处理

预处理完了这个数据

我们得到了后向散射系数

这个后向散射系数

我们要用它和地面实测的土壤水分

建立起来一个关系

得到后向散射系数和土壤水分之间

一个线性的或者是经验的或者理论的

这么一个模型关系

从而得到最后的土壤水分的反演值

这是雷达数据进行土壤水分反演的一个

基本的流程

实际上从刚才流程图里头

我们可以看到

最核心的一块就是

要建立土壤水分

和雷达后向散射技术之间的一个关系

这个关系怎么建立呢

一般采用三种方法或者是三类方法

一类就是经验关系法

所谓的经验关系法

当然实际上建立起来的就是

土壤水分实测值

和雷达的后向散射系数之间的

一个经验统计关系

可以是线性的或者是更高次的

我们比较常用的就是线性关系

这种算法相对来说比较简单

易于实现

并且计算的效率也比较高

但是这种方法我们可以看出来

它就是一个数据的关系的建立

缺乏相应的物理机理的这种描述

普适性是比较差的

所谓的物理模型

当然了

它是根据微波的传输模型建立起来

土壤后向散射系数

所谓的物理模型

它是根据微波的传输模型建立起来

土壤的水分和后向散射系数之间的

这么一个数学关系

这种方法相对来说

当然物理机理非常明确

怎么散射的

有哪些因素影响等等这些

但是我们前面也讲过

因为影响雷达方向散射系数的

因素太多了

所以一般构建出来的

这些模型都很复杂

计算量也比较大

第三种方法是混合反演法

既然是混合

从字面上大家也能够理解

它应该是两种方法混在一起来使用

当然这两种方法就是我们前面说的

这种经验模型法和物理模型法

也就是说

它综合了物理模型和统计方法

来统一实现我们土壤水分和

后向散射系数之间的一个关系反演

这些方法都是在反演的过程中

融入了一些先验知识

包括对参数模型和观测数据的

一些经验知识

来解决遥感反演中的一些病态问题

下面我们就一起来看一下

我们在反演的时候可能用到的

微波传输模型

我们知道地表它可以分为

没有植被覆盖

或者是我们称为裸露的地表

另外就是有植被覆盖的地表

这两种地表它们的散射模型

也是不一样的

下面我们首先来看一下裸露地表

它的微波散射模型

同样我们将从理论模型 经验模型

和半经验模型三个方面来讲解

在讲解了这些模型之后

我们看一下主要影响

后向散射系数的因素有哪些

首先我们一起来看一下理论模型

对于裸露的地表或者是

植被比较稀疏的地表

我们也近似的可以认为是裸露地表

它的理论模型主要是由

地表的电磁波的理论发展起来的

常见的是基于基尔霍夫模型来得到的

基尔霍夫模型

实际上它是通过求解麦克斯韦方程

形成了一种散射理论模型

大家可能看到资料的时候会发现

常见的有什么几何光学模型

物理光学模型

或者是小扰动模型等等

它们都属于基于基尔霍夫模型的

这一类理论模型

当然了这些理论模型

它们具有自己的一些应用局限性

比如说我们刚才说的几何光学模型

一般用于非常粗糙的表面

而物理光学模型

它一般用于终极粗糙的表面

而结合了几何光学模型和

物理光学模型发展起来的

一个小扰动模型

它一般适用于低频率入射

相关长度比较小的

较为光滑的一种表面

这些传统的理论模型

它呢

虽然为我们土壤水分的检测

提供了可用模型

但是正如我们刚才所言

不同土壤粗糙度的地表

得采用不同的模型

也就是说粗糙度范围它是不连续的

而实际上自然的地表

它的粗糙度一般是连续的

因此人们就对理论模型

进行一些继续的探讨

发展起来了

比如说相位扰动理论模型 全波方法

小斜坡近似 算子展开方法

和积分方程模型等等

可能大家比较熟悉的就是

这个积分方程模型

简称为IEM模型

因为比较多的IEM模型

人们在使用的过程中也不断

对他进行了新的改进

比如说改进的IEM或者是

大家看资料的时候看到IEMM模型

其实就是指这种模型

还有比如说二阶多重散射积分方程模型

和改进的高级积分方程模型等等

这些呢都是现在用的比较多的

裸露地表的微波散射模型

下面我们一起来看一下裸露地表

微波散射模型里头的经验模型

所谓的经验模型当然就是根据经验

更确切的说是根据一些实测数据

建立起来的土壤水分和

微波散射系数之间的关系

常见的经验模型

就比如说有最简单的线性模型

还有OH模型和Dubois模型

OH和Dubois

当然了这是两个人了

以他们这两个人的名字

来命名这个模型

线性模型实际上从这个字面上

大家应该也比较好理解

建立起来的是一个线性关系

也就是说它根据实测值建立起来

微波后向散射系数和特定环境下

土壤含水量之间的一个线性回归关系

而OH经验模型

它是利用车载散射计获取的不同地表的

大量的后向散射系数

建立起来的一个散射系数

和地表参数的一个非线性关系模型

而Dubois模型是根据地表散射计数据

获取了不同地表粗糙环境下

后向散射系数和地表参数之间的

一个非线性关系模型

这些经验模型它们简化了

土壤水分和后向散射系数之间的关系

但是他们一般都需要在

特定的地表粗糙度状况

特定的频率 入射角

土壤水分含水量范围等等

这些参数下来使用

因此很难得到推广

第三种模型就是这种半经验模型

也就是结合了经验模型和理论模型

而出现的一些模型

我们现在比较常看到的

比如说Chen模型 OH模型 和Shi模型等等

这Chen模型 OH模型 和Shi模型

他们都是根据这个模型创造者的姓名

来命名的半经验模型

Chen模型它是以

IEM理论模型为基础

然后用指数相关方程来

表示地表的粗糙度

经过多重的线性回归

利用HH和VV的后向散射系数比值

来描述地表的后向散射系数特征

OH半经验模型它是在

SPM模型和KA模型的基础上

结合大量的车载散射计的数据

和机载的SAR数据这些实验数据

对OH的经验模型进行了

相应的扩展和修正

研究了不同极化条件下后向散射系数

和土壤含水量 地表粗糙度

等参数之间的一个关系

而Shi模型它是利用IEM理论模型

模拟了不同地表粗糙度和

不同土壤含水量条件下后向散射特性

建立起来一个L波段的地表散射模型

相比于之前的两个半经验模型

它加入了理论模型的这种

地表功率粗糙度谱

和极化幅度等等参数

模型实际的运行效果是比较好的

但是Shi模型它只适用于同极化方式

而且还需要进一步研究

用于除了L波段以外的其他波段的

这种适用性

说了理论 经验和半经验的模型之后

我们可以看到前面的模型中

除了包含和土壤水分密切相关的

这个参数之外

它还包含了另外两类参数

一个是个土壤地表 粗糙度参数

另外一个就是

相应的微波传感器的参数

就比如说频率 视角等等这些

因此我们基于雷达的后向散射系数

进行裸露地表的土壤水分反演的时候

就要考虑雷达系统参数和土壤粗糙度

对土壤水分反演的影响

第二 我们将给大家介绍一下

植被覆盖地表的微波散射模型

这个同样我们也先讲一下理论模型

和经验半经验模型

然后讲一下主要影响土壤水分反演的

一些因素

首先我们说一下理论模型

一般对于植被覆盖地表

它叫散射

我们说不仅要考虑地表的散射

还要考虑植被层

对雷达后向散射系数的影响

所以典型的植被覆盖地表

它的散射理论模型就有这么几种

一种是密歇根微波植被散射模型

我们经常看相关资料的时候看到的

MIMICS模型就是指这种模型

另外一种是一阶草类

离散相干散射模型

简称为GIMICS模型

这个是适用于草类的一种相关模型

还有是基于MIMICS模型简化后的

Roo模型等等

这些都是植被覆盖地表

相应的理论模型

MIMICS模型它是以辐射地表方程

也就是RTE方程为基础

根据微波散射特性和植被的结构特点

把地表分成三层

一部分是植被冠层

包括不同大小 朝向 形状

的枝条和叶片

还有就是植被的茎秆部分

这个一般用介质圆柱体来表示

还有植被底层 粗糙地表

它我们一般用土壤介电特性和

随机地表粗糙度来表示

那这个公式里头左端表示的是来自于

植被覆盖地表任意极化

可以是P极化也可以Q极化

实际上对应我们实际上用的

就是H极化或者V极化

它的总的雷达后向散射系数

而右边这各项代表的是

植被地表各部分

相应的雷达后向散射机制

这种MIMICS模型

它对植被结构的刻画是比较详细的

考虑了土壤的粗糙度植被等等因素的影响

然后通过计算各部分引起的

后向散射系数成分得到了

总的散射系数

这种模型总体来说

它比较好的刻画了植被

对微波散射系数的影响

但是它的输入参数是比较复杂的

而三层结构

前面我们说的这三层结构

它适用于高大的植物

而对于一些低矮的植物

相对来说就不太适用了

下面我们一起来看一下植被覆盖地表

微波散射模型中的经验 半经验模型

用的比较多的就是水云模型

就是Water Cloud模型

简称WCM

它是以农作物为研究对象

作出的一个估算

农作物覆盖地表土壤水分的一个

半经验模型

它是以辐射传输模型为基础

假设植被层为一个各项均值的

这么一个散射体

简化了植被覆盖层的散射机制

这样的话就得到了由冠层的体散射

和地表的直接散射两部分形成的

总的后向散射模型

模型的参数是由实测的数据来决定的

下面我们就看一下主要影响

植被覆盖地表土壤水分反演它的因素

在植被覆盖地表

植被层对微波后向散射系数的影响

是不容忽略的

因此植被层它是影响植被覆盖地表

土壤水分敏感性的一个重要因素

其次才是我们前面说的

土壤粗糙度等等

地表参数的影响

植被层的存在改变了土壤水分信息

和微波信号之间的这种近线性关系

增加了土壤水分信息提取的难度

所以我们在利用微波数据进行

土壤水分反演的时候

对于植被覆盖的地表

需要考虑对植被影响那些去除

这些植被影响去除可以通过

植被含水量植被的类型

航向 间距 郁密度

以及植被冠层的形状 大小 分布等等

这些参数来体现

下面我们来一起看一下反演方法

在我们知道了微波散射模型之后

根据模型来进行土壤水分反演

就相对来说简单多了

反演算法其实是要考虑两个方面

一个是影响土壤水分反演精度的

这些因素的校正

这里主要是

土壤粗糙度和植被影响校正

另外一个就是得到了校正后的

后向散射系数之后

土壤水分如何来反演

或者说如何来根据后向散射系数

得到土壤水分的结果

常用的方法当然就是

利用地面的实测数据

通常土壤水分反演研究中

我们会安排和卫星数据同步

或者是准同步的地面实验

获取地面的地表粗糙度

土壤水分等等相关的信息

这样的话在土壤水分反演的过程中

就可以采用这些数据

校正由土壤粗糙度引起的

后向散射系数的不确定性

第二是植被影响的校正

这个和粗糙度的校正类似

我们主要是通过地面实测数据

来校正植被它的影响

也就是说

我们在进行土壤水分反演的时候

根据所用的卫星数据它的获取时间

安排同步的地面实验获得一些

包含植被含水量 叶面积的大小

等等相关的这种植被相关参数

用于校正植被所引起的后向散射系数

不确定性的影响

当然了早期的研究中

由于地表参数比较不容易获取

所以通常采用的方法是

根据经验值把散射模型中植被参数

用一些定值来代替

从而克服植被对土壤水分反演精度的

一些影响

现在随着遥感数据进一步的应用

也有采用光学数据辅助

获取植被参数的这种方法

来校正由于植被造成的

后向散射系数的影响

在校正的地表粗糙度和植被

对土壤水分反应的影响之后

我们就可以通过确定的反演算法

来进行土壤水分反演了

常用的土壤水分反演方法

主要有这么一些

首先是变化检测法

变化检测

从这个字面上大家可能能领会到

它是需要有一前一后的

变化之间的分析

所以它是利用两幅不同时相的

雷达影像

通过变换检测的方法

建立起来一个土壤水分

和后向散射系数差值

之间的一个简单的关系模型

通过这种方式来反演土壤水分的

这种变化

第二种方法是回归分析法

这个回归分析

对于定量遥感是一种很常用的方法

它一般针对特定的场景

通过最小二乘法来拟合土壤水分

和后向散射系数之间的关系

这个通常采用经验模型就可以

第三是基于人工神经元网络的

土壤水分反演方法

这种方法一般是用我们前面所讲的

微波散射模型生成输入数据

然后用实际的卫星SAR影像作为输入

用训练好的神经网络反演

得到土壤水分

第四种方法是优化算法

当然所谓的优化

我们是要针对一个目标进行优化的

所以这种方法

要先确定某种误差值作为代价函数

我们的目标就使得这个代价函数最小

然后采用迭代优化的算法

来不停的寻找值

使得这个代价函数（最小）

常用的代价函数可能是

不同模型后向散射系数的差

或者是预测值与观测值的

后向散射系数的差

或者是后验概率

或者是似然函数等等

迭代优化算法

也可以是模拟退火算法

遗传算法等等

第五种常用的土壤水分反演的方法

主要是查找表法

也就是一些资料中简称为LUT的方法

这种方法当然了首先是

利用后向散射系数模型产生对应的

雷达特定参数不同土壤特性下

后向散射系数的值或者说一个表

这个表呢是我们后面用于

土壤水分反演的一个依据

后面我们就根据实测的

后向散射系数值

查找这个表

找到它对应的这一行

它的土壤水分信息

这个就是我们反演出来的土壤水分了

现在随着多极化数据越来越多地出现

多极化数据反演方法

也是一种新的土壤水分反演方法

这个一般是采用极化参数法

也就是利用极化参数

比如说多极化数据的这种去极化率

或者是同极化相关系数

或者是相干性系数（视频中重复句）

或者是相干性参数 熵 角等等这些

来分析土壤水分

和后向散射系数间的关系

另外一种方法

同样是采用这种多极化数据

只不过用到了极化分解

也就是说把极化散射矩阵

或者是相干矩阵

或者是协方差矩阵

分解成代表不同散射机理的若干项

建立起来不同散射机理的这若干项

和土壤水分之间的关系

这就是常见的土壤水分反演算法

通过这些反演算法

我们得到了土壤水分的数值

这些数值对不对

我们就需要通过精度分析

来分析一下结果的准确性

当然了要进行精度分析

我们就需要和实测值进行对比

精度分析我们主要也是通过

地面实测数据和反演的结果进行对比

来进行分析的

地面的实测数据

一般经典的土壤水分测量方法主要有

称重法 中子水分探测法 快速烘干法

电阻法等等

一般测得土壤地表的0到20公分的

土壤含水量

除了这之外

目前中国气象局在各地已经有了

数百个的这种土壤水分的观测资料

这个资料我们也可以用作验证数据

在实测土壤水分的过程中

一般采用的方法是

在地面上设置一些采样点

然后实测是多个点的土壤水分

取其平均值

我们常用的土壤含水量是

作为土壤水分实测的一个重要参数

土壤含水量一般定义为

土壤的原重减去烘干的土重

再除以烘干土种乘以百分之百

也就是说

等于水重除以烘干土重乘以百分之百

作为土壤含水量

获得了地面实测的土壤含水量之后

我们就可以计算

由雷达影像得到的在样区采样点上

土壤水分的反演值和实测值

它们之间的一个均方根误差

这个值实际上

就是我们进行精度分析的一个

重要的指标

今天就讲到这里

谢谢大家