研究区域为北京市大兴区和昌平区, 位于N39° 26'~41° 03', E115° 25~117° 30'之间。气候上为典型的暖温带半湿润大陆性季风气候区, 多年平均降水568.9 mm, 一般集中在6~8月, 本次试验时间为2010年5月末6月初。该地区地势平坦, 地面特征以低矮植被为主, 土壤质地为沙土占42.1%, 泥土占54.9%。本文的截图均以大兴区为例。

1.2.1 地表土壤水分含量和地表温度的获取

本次试验依次在大兴和昌平2个地区进行。采用 TDR 获取地表土壤水分含量, 采用点温计获取地表温度, 同时利用手持GPS进行定位测量。试验区共设置了80个样点, 由于仪器和人工操作等方面的原因, 本文在研究时选用了其中的25个样点的数据。在测定土壤水分含量和地表温度时, 在每个样点周围12.5 m× 12.5 m的范围内, 均匀地采集5个点的土壤水分含量和地表温度数据, 取其平均值作为该样点土壤水分含量和地表温度数据。试验结果表明, 该地区的土壤水分含量数据在1%~48%之间, 地表平均温度为24.2 ℃。

1.2.2 卫星遥感数据

本次试验用到的卫星遥感数据为2010年5月末6月初ALOS/PALSAR的Level1.5级遥感图像, 有HH与HV 2种极化方式, 中心频率为1.27 GHz, 影像空间分辨率为12.5 m, 入射角为34.3° 。将图像进行数据处理并且按照下式进行辐射定标, 获取地表的后向散射系数^[13], 即

σi, j0=10lgD Ni, j2-83, (1)

式中DN_{i, j}为图像的灰度值。研究中使用的光学图像为免费下载的且与ALOS/PALSAR 数据时相相同的Landsat5 TM图像, 空间分辨率为30 m。为了保持图像光谱值的原始性, 对图像进行辐射定标、大气校正等预处理^[14]。

water-cloud模型假定植被层为一个各向均质散射体, 忽略了植被层及地表之间的相互多次散射, 将植被覆盖地区总的后向散射简单描述为两部分, 即由植被直接反射回来的体散射项和经作物双次衰减后地面的后向散射项^[15]。该模型表述如下^[16]

σcan0(θ )= σveg0(θ )+γ ²(θ ) σ0soil(θ ), (2)

σveg0(θ )=Am_vegcos θ [(1-γ (θ )], (3)

γ ²(θ )=exp(-2Bm_vegsec θ )。 (4)

式中: A, B分别为依赖于植被类型的参数; σcan0(θ )为植被覆盖地表下总的后向散射系数; σveg0(θ )为植被层的后向散射系数; σsoil0(θ )为地表后向散射系数; γ ²(θ )为雷达波穿透农作物层的双层衰减因子; m_veg为植被含水量(kg· m^-2); θ 为雷达波入射角。

植被含水量是单位面积植被中的水的重量, 它是water-cloud模型的重要输入参数, 在植被覆盖区的土壤水分反演中起着关键的作用。由于植被含水量的大面积获取比较困难, 本文采用光学影像反演植被含水量的方法。NDWI 以NIR(858 nm)为参考波段, 利用波长更长的SWIR(1 300~2 500 nm)数据反演植被水分含量。有关高光谱AVIRIS 数据的研究表明, NDWI 比NDVI 能更有效地反映植被的水分含量信息^[17]。为此, 本文借助NDWI来反演植被含水量。

针对预处理之后的TM图像, 本文通过ENVI 软件进行波段运算, 计算出NDWI, 即

NDWI=(R_NIR-R_SWIR)/(R_NIR+R_SWIR), (5)

式中: R_NIR为近红外波段亮度值; R_SWIR为短波红外波段亮度值。NDWI图像如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 NDWI图像Fig.1 NDWI image

由于研究区域内普遍为低矮植被, 可以根据Jackson的研究^[18], 建立植被含水量m_veg与NDWI的关系, 即

m_veg=1.44NDWI²+1.36NDWI+0.34。 (6)

研究区域的植被含水量如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 植被含水量图Fig.2 Vegetation water content image

植被覆盖区土壤水分反演时, water-cloud模型被用来去除植被层在土壤水分后向散射中的贡献。在模型中, A和B为植被参数, 其取值如表1所示^[19]。

表1

Tab.1

表1(Tab.1)

表1 半经验模型中的植被参数 Tab.1 Vegetation pamameters in semi-experience model 参数 所有植被 放牧地 冬小麦 草地 A 0.001 2 0.000 9 0.001 8 0.001 4 B 0.091 0 0.032 0 0.138 0 0.084 0

表1 半经验模型中的植被参数 Tab.1 Vegetation pamameters in semi-experience model

根据实验区的基本情况, 采用表1中的植被参数, 由式(2)— (4)得到地表的后向散射系数计算公式, 即

σsoil0(θ)=σcan0(θ)-σveg0(θ)γ2(θ)=σcan0(θ)-0.0012mvegcosθ[1-exp(-2×0.091mvegsecθ)]exp(-2×0.091mvegsecθ)。 (7)

式中θ =34.3° 。通过式(7)即可获得去除植被影响之后的裸土区的后向散射系数值。图3和图4分别为HH, HV 2种极化方式的后向散射系数在应用water-cloud模型前后的变化。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 应用water-cloud模型前(左)、后(右)HH极化方式的后向散射系数图像Fig.3 Backscattering coefficient image of HH polarization before(left) and after(right) used water-cloud model

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 应用water-cloud模型前(左)、后(右)HV极化方式的后向散射系数图像Fig.4 Backscattering coefficient image of HV polarization before(left) and after(right) used water-cloud model

在研究区域提取试验点信息, 得到试验点在应用water-cloud模型前后的单个点的后向散射系数值的变化, 如图5所示。应用water-cloud模型后, 每个点的后向散射系数值都有所衰减, 但是每个点衰减的程度不一样, 这主要是由于每个点对应的植被含水量不同。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 试验点去除植被前后的后向散射系数变化Fig.5 Backscattering coefficient changes before and after the removal of vegetation information

利用water-cloud模型从雷达总的后向散射中分离出植被散射和吸收的贡献, 得到裸土的后向散射系数, 进而将研究内容转变为裸土区域的土壤水分反演。裸土区的土壤水分反演最关键的问题就是如何去除地表粗糙度对后向散射系数的影响。针对消除植被影响之后的HH和HV 极化方式的后向散射系数, 根据研究区域的实际情况, 设定模型参数, 模型参数设置为: 均方根高度0.1~3 cm, 相关长度为2~100 cm, 土壤水分含量为1%~50%。研究中使用AIEM 模型模拟同极化的后向散射系数, 使用Oh 模型模拟交叉极化的后向散射系数, 最终得到一个后向散射系数数据库。先用MATLAB 读取HH和HV 极化方式图像的后向散射系数, 然后将每个像元的后向散射系数值分别与后向散射数据库中的值匹配, 哪一个值与后向散射系数数据库中的值最接近, 则取对应的土壤水分值作为该像元的土壤水分含量, 依次类推, 最终得到土壤水分含量图, 如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 HH(左)与HV(右)极化方式反演的土壤水分含量Fig.6 Soil moisture inversion result using HH(left) and HV(right) polarization mode