土壤水分反演特征變量研究綜述*

王俊霞 潘耀忠 朱秀芳 孫章麗

（1 北京師范大學地表過程與資源生態(tài)國家重點實驗室，北京 100875）

（2 北京師范大學環(huán)境演變與自然災(zāi)害教育部重點實驗室，北京 100875）

（3 北京師范大學地理科學學部遙感科學與工程研究院，北京 100875）

（4 北京師范大學地理科學學部遙感科學國家重點實驗室，北京 100875）

土壤水分是水循環(huán)、能量循環(huán)和生物地球化學循環(huán)不可忽略的組成部分［1］，對水資源管理、農(nóng)業(yè)生產(chǎn)以及氣候變化等研究十分必要。土壤水分監(jiān)測從數(shù)據(jù)獲取方式上分為基于站點的土壤水分觀測、基于氣象數(shù)據(jù)和基礎(chǔ)地理數(shù)據(jù)的土壤水分計算與模擬以及基于遙感數(shù)據(jù)的土壤水分反演［2］。其中，基于遙感數(shù)據(jù)的土壤水分反演通過面的形式對地表進行觀測，不受地面站點位置的限制，擴展了土壤水分的監(jiān)測范圍［3］?；谶b感的土壤水分反演研究開始于20世紀60年代［4-5］，早期學者通常使用單一遙感數(shù)據(jù)源進行反演，如基于可見光近紅外的反射率法和植被指數(shù)法、基于熱紅外的熱慣量法和溫度植被指數(shù)法，以及基于主動微波和被動微波的土壤水分反演［2,6-7］。然而，土壤水分受土壤本身特征、地表覆蓋、以及氣象條件等眾多因素的影響，具有很強的空間異質(zhì)性，基于單一數(shù)據(jù)源或單一方法反演得到的土壤水分很難滿足實際應(yīng)用需求［6,8］。在實際反演土壤水分過程中，除了要考慮土壤本身的觀測特征外，還需要綜合考慮植被、以及氣象等因素的影響。也就是說，反演土壤水分過程中需要考慮多種特征變量，而在現(xiàn)有土壤水分反演研究的綜述中人們更關(guān)注反演波段的選擇，即不同波段的光譜特征，很少有研究將遙感反演土壤水分的機理抽象為特征變量，限制了各類土壤水分反演方法組合的可能性。本文查閱國內(nèi)外相關(guān)文獻，將反演土壤水分研究分為土壤特征、植被特征、氣象特征三類，并對綜合利用多特征變量反演土壤水分的方法進行了介紹。通過對影響土壤水分反演的因素進行抽象，提出特征變量的概念，以特征變量為主線，對土壤水分的反演研究進行回顧與梳理，并對其發(fā)展趨勢進行展望，以期為土壤水分的遙感反演研究提供科學參考。

1 土壤的電磁波譜特征

1.1 光學反射率特征

自然界中水體反射率通常很低，土壤水分的變化會引起土壤可見光波段反射率特征的變化，因此可以基于土壤的光學反射率特征監(jiān)測土壤水分的變化［9-10］。利用土壤光學反射率特征反演土壤水分可分為兩個階段。第一階段是理想實驗環(huán)境下對光學反射率反演土壤水分的可行性進行研究。在控制變量的基礎(chǔ)上，國內(nèi)外學者先后研究了土壤含水量［4,11］、土壤質(zhì)地［12］等對反射率和土壤水分關(guān)系的影響，指出短波紅外波段為土壤水分監(jiān)測的敏感波段，且裸土水分含量和反射率存在相關(guān)關(guān)系［11］；第二階段為應(yīng)用性研究。隨著遙感技術(shù)的發(fā)展，研究人員結(jié)合遙感影像開展了大量實驗，利用遙感數(shù)據(jù)單波段反射率特征或多波段組合特征，結(jié)合實測土壤水分數(shù)據(jù)，建立反射率和實測土壤水分數(shù)據(jù)之間的關(guān)系，篩選敏感波段并建立統(tǒng)計經(jīng)驗?zāi)Ｐ停瑢崿F(xiàn)反演土壤水分的目的［13-14］。

?ngstr?m［15］在1925年通過觀測實驗對不同地表類型的反射率進行研究，發(fā)現(xiàn)土壤水分隨土壤反射率增大而減小的規(guī)律，該規(guī)律為20世紀60年代土壤水分的研究奠定了基礎(chǔ)。隨后，Bowers和Hanks［4］通過測量短波范圍內(nèi)土壤水分含量對反射率的影響，進一步驗證該規(guī)律（圖1），并指出1.9μm是監(jiān)測土壤水分的敏感波段。在該研究的基礎(chǔ)上，為進一步驗證利用光學反射率監(jiān)測土壤水分的適用性，Bowers 和Smith［12］選取砂土、壤土和黏土三種不同質(zhì)地的土壤進行對比實驗，結(jié)果表明反射率可以通過線性模型表征不同質(zhì)地土壤的水分含量和吸收率的關(guān)系。需要注意的是，上述結(jié)論受土壤水分含量及光譜監(jiān)測范圍的限制，具有局限性。因此，Liu等［11］充分考慮不同的水分條件，對土壤反射率進行研究，發(fā)現(xiàn)土壤水分較低時，適合用短波紅外估算土壤水分含量，且土壤反射率和土壤含水量呈負相關(guān)；當土壤水分高于臨界點，適合用可見光和近紅外波段估算土壤水分含量，且土壤反射率和土壤含水量呈正相關(guān)。臨界點出現(xiàn)在土壤水分為0.15～0.40 cm3·cm-3的范圍內(nèi)，和土壤類型有關(guān)。此外，研究還發(fā)現(xiàn)對于低土壤水分含量，可以用單一的線性關(guān)系粗略估算土壤含水量，隨著土壤含水量的增加，需要考慮用非線性關(guān)系估算土壤含水量，簡單的線性關(guān)系在描述土壤水分和反射率間關(guān)系時具有局限性。為了更精確地描述反射率和土壤水分的關(guān)系，Whiting等［9］深入分析土壤水分的吸收特征后，建立了提取土壤反射率光譜外包絡(luò)線的高斯模型，通過分析高斯模型中各參數(shù)和土壤水分的相關(guān)關(guān)系，較好地估算了土壤水分含量。隨著研究的深入，發(fā)現(xiàn)光學反射率和土壤含水量的關(guān)系十分復雜，選擇用土壤的光學反射率特征時需要根據(jù)實際情況選擇最佳波段和方法獲得土壤含水量信息。目前大部分研究是利用土壤反射率和土壤濕度的關(guān)系，直接建立二者的統(tǒng)計關(guān)系模型，反演結(jié)果空間分辨率高，但是在實際應(yīng)用中會受數(shù)據(jù)質(zhì)量、地表覆蓋等因素的影響，模型的可移植性較差。

圖 1 基于反射率反演土壤水分遙感原理［9］Fig. 1 Remote-sensing principle of soil moisture inversion based on reflectivity［9］

1.2 熱紅外特征

溫度超過絕對零度的物體會不斷發(fā)射紅外能量，紅外能量大于3 μm的中遠紅外區(qū)屬于熱輻射。由于水體溫度低且較熱容大，土壤含水量會影響土壤的熱紅外特性，利用土壤的熱紅外特征可以間接監(jiān)測土壤水分，常用的熱紅外特征有亮度溫度特征和熱慣量特征［16］。

（1）熱紅外亮度溫度特征。包括地表溫度（Land surface temperature，LST）以及地表溫度衍生的歸一化溫度指數(shù)（Normalized difference temperature index，NDTI）［17］和溫度狀態(tài)指數(shù)（Temperature condition index，TCI）［18］。由于地表溫度受多種因素的影響，直接基于地表溫度及其衍生指數(shù)反演土壤水分存在不確定性及局限性。

（2）熱慣量特征。由于水分具有較大的比熱容，對于同一類型的土壤，土壤水分和熱慣量為正相關(guān)的關(guān)系［19］，因此人們對基于熱慣量特征反演土壤水分的方法展開研究。1971年，Watson等［20］最早提出根據(jù)溫差推算熱慣量的簡單模式。隨后Price［21］簡化了潛熱蒸發(fā)的表達形式，提出表觀熱慣量的概念，使遙感圖像獲取區(qū)域熱慣量成為可能。隋洪智等［22］在此基礎(chǔ)上將能量平衡方程進行簡化，提出一種可以直接利用遙感數(shù)據(jù)計算表觀熱慣量的方法，并將該方法得到的表觀熱慣量和土壤水分建立關(guān)系式，達到反演土壤水分、監(jiān)測旱情的目的。利用熱慣量模型遙感監(jiān)測土壤濕度需要研究區(qū)上空晝夜兩幅影像進行嚴格配準后才能準確地獲取晝夜溫差。但實際應(yīng)用中,由于受云層的影響,同一地區(qū)晝夜無云的影像獲取困難,并且晝夜影像的精確配準也很難保證較高的精度［1］。利用土壤的熱紅外熱慣量特征反演土壤水分，物理意義明晰，且簡化后的表觀熱慣量計算簡便，被廣泛地用于反演干旱區(qū)的土壤水分。但是，在表層土壤水分較大以及有植被覆蓋的區(qū)域，熱慣量法的適用性會受到影響。

1.3 微波后向散射系數(shù)特征

微波可以穿云透霧，且對水分含量敏感，成為監(jiān)測土壤水分的有效手段。主動微波主要利用后向散射系數(shù)，被動微波主要利用亮度溫度。反演流程一般是先利用經(jīng)驗、半經(jīng)驗、物理模型建立亮度溫度或者后向散射系數(shù)與土壤水分之間的關(guān)系［23］，然后加入土壤參數(shù)、植被參數(shù)信息來降低其他因素的影響，達到準確反演土壤水分的目的。

主動微波遙感利用后向散射系數(shù)分析地物的特性，低頻波段后向散射系數(shù)對土壤水分高度敏感，高頻波段后向散射系數(shù)對植被敏感。L波段反演土壤水分能取得較好的效果，C波段也被很多研究人員所采用。主動微波算法可分為經(jīng)驗?zāi)Ｐ?、物理模型和半?jīng)驗?zāi)Ｐ停?］。經(jīng)驗?zāi)Ｐ屯ㄟ^觀測值建立后向散射系數(shù)與實際土壤含水量的線性回歸關(guān)系來反演土壤水分。標準的后向散射理論模型為基爾霍夫模型，包括幾何光學模型（Geometrical optics model，GOM）、物理光學模型（Physical optics model，POM）和小擾動模型（Small perturbation model，SPM）。其中，GOM適用于非常粗糙的表面，POM適用于中等粗糙的表面，SPM適用于較為光滑的表面［24］。半經(jīng)驗?zāi)Ｐ椭饕槍χ脖桓采w區(qū)。田國良［8］以河南省為研究區(qū)，基于經(jīng)驗?zāi)Ｐ?，建立土壤水分和后向散射系?shù)的線性關(guān)系，得到土壤水分的計算模型。高峰等［25］指出遙感監(jiān)測土壤水分含量會受到土壤表面粗糙度、土壤紋理結(jié)構(gòu)的影響，并指出植被對主動微波遙感土壤濕度的影響。利用土壤的微波散射特征反演土壤水分雖然不受大氣和云的影響，物理意義明確，空間分辨率較高，但時間分辨率低，成本相對較高，且受地表粗糙度和植被覆蓋的影響較大。

1.4 微波亮度溫度特征

被動微波監(jiān)測土壤水分，主要依賴于微波輻射計對土壤本身的微波發(fā)射或亮度溫度進行測量，土壤的亮度溫度除了受地表土壤水分的影響之外，還受到植被、雪覆蓋、地形以及地表粗糙度等的影響。Njoku和Li［26］利用C、X和Ka三個波段，根據(jù)微波亮度溫度與土壤水分之間的關(guān)系，采用迭代算法反演土壤水分，該算法是AMSR-E全球土壤水分數(shù)據(jù)集的標準算法。Wigneron等［27］利用L波段多角度數(shù)據(jù)，采用最優(yōu)化迭代算法，模擬值亮溫值與實測亮溫相差最小時得到的土壤水分結(jié)果最為精確，該算法是SMOS全球土壤水分數(shù)據(jù)集的標準算法。利用微波亮度溫度特征反演土壤水分的數(shù)據(jù)源主要是被動微波數(shù)據(jù)，微波具有一定的穿透深度，可以避免云和大氣的影響，且時間分辨率較高，空間覆蓋范圍廣，可在較短時間間隔進行大范圍土壤水分監(jiān)測。但該方法空間分辨率低，且會受到地表粗糙度和植被的影響。

2 植被特征在土壤水分反演中的應(yīng)用

2.1 光學反射率特征

土壤水分影響植被生長狀況［28］，可通過監(jiān)測植被生長狀況間接監(jiān)測土壤水分。植被在可見光波段受葉綠素吸收作用的影響，反射率通常處于較低水平；在近紅外波段受葉片結(jié)構(gòu)的影響，反射率處于較高水平；在短波紅外波段受葉片含水量中水分吸收的影響，反射率下降，存在兩個吸收谷。當土壤水分較低，造成植被缺水后，植被在短波紅外部分的反射率會增加，近紅外波段的反射率會降低（圖2）。因此，國內(nèi)外學者根據(jù)植被的光譜特征，通過構(gòu)造植被指數(shù)來監(jiān)測干旱或評估土壤水分。

圖2 干枯樹葉與新鮮樹葉的光譜反射率曲線［29］Fig. 2 Spectral reflectance curves of litter and fresh leaves［29］

較常用的有歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI），以及基于長時間序列NDVI構(gòu)建的植被狀態(tài)指數(shù)（Vegetation Condition Index，VCI）［18］和距平植被指數(shù)（Anomaly Vegetation Index，AVI）［30］。普布次仁結(jié)合站點觀測的0～50cm的土壤水分數(shù)據(jù)，通過將平均累計土壤水分值與NDVI進行相關(guān)分析，發(fā)現(xiàn)NDVI累計值或最大值與土壤水分累計值的相關(guān)系數(shù)為0.60～0.65，存在較明顯的線性關(guān)系［31］。隨著研究的深入，Gao［32］發(fā)現(xiàn)引入短波紅外波段可以更有效地表示植被冠層含水量，并基于近紅外和短波紅外波段構(gòu)造了歸一化水分指數(shù)（Normalized Difference Water Index，NDWI）。同樣利用近紅外和短波紅外波段，Ceccato等［33］基于SPOT數(shù)據(jù)構(gòu)造了全球植被水分指數(shù)（Global Vegetation Moisture Index，GVMI），并指出該指數(shù)對水分含量敏感且受大氣噪聲的影響較小。基于GVMI，杜曉［34］計算出中國范圍內(nèi)的植被水分，并指出GVMI的計算結(jié)果和站點土壤水分數(shù)據(jù)的相關(guān)系數(shù)為0.74，驗證了GVMI在中國區(qū)域的有效性。Xiao等［35］利用SPOT-VGT和MODIS數(shù)據(jù)的近紅外和短波紅外數(shù)據(jù)構(gòu)建了地表水指數(shù)（Land Surface Water Index，LSWI）。Zhang等［29］以短波紅外和紅波段作為監(jiān)測波段，藍波段作為基準波段，構(gòu)建了可見光-短波紅外干旱指數(shù)（Visible and Shortwave Infrared Drought Index，VSDI），具體計算見式（1）～式（2）。

式中，Rnir、Rswir和Rblue分別為近紅外、短波紅外和藍光波段的反射率。研究表明VSDI可以實時監(jiān)測不同土壤覆蓋類型的干旱情況，并且與實測土壤水分高度相關(guān)［29］。因此，通過分析植被覆蓋區(qū)的光譜特征間的差異，可以通過數(shù)學公式對敏感波段進行綜合提高反演精度。

除了構(gòu)建敏感波段的關(guān)系式外，紅光-近紅外特征空間可以用于土壤水分的反演。該特征空間最早由Richardson和Wiegand建立，用來表示植被覆蓋情況（圖3）。詹志明等［36］通過進一步研究發(fā)現(xiàn)該特征空間也可以表征土壤濕度。如圖所示，B點土壤含水量最高，D點次之、C點最低，基于該變化規(guī)律，根據(jù)點到直線L的距離構(gòu)建了土壤水分遙感監(jiān)測模型（Soil Moisture Monitoring of Remote Sensing，SMMRS），并在北京順義遙感試驗場進行了遙感綜合同步實驗，結(jié)果表明該指數(shù)與0～20 cm平均土壤水分的相關(guān)系數(shù)為0.8，達到了較好的監(jiān)測效果。

圖3 紅光-近紅外特征空間［36］Fig. 3 The Red-NIR spectral feature space［36］

式中，Rnir和Rred分別為近紅外和紅光波段反射率，M為土壤線斜率。

2.2 熱紅外特征

Goward等［37］通過研究發(fā)現(xiàn)，當研究區(qū)的植被覆蓋度變化范圍很大時，地表溫度和NDVI在散點圖上呈現(xiàn)三角或梯形形狀，并提出土壤水分等值線的概念。隨后，Sandholt等［38］基于該特征空間構(gòu)建的溫度植被干旱指數(shù)（Temperature Vegetation Dryness Index，TVDI），該指數(shù)在光學特征的基礎(chǔ)上，考慮了熱紅外特征，可以更好地表征土壤水分狀況。

式中，T為地表溫度；Tmin為特征空間最低溫度，即濕邊；Tmax=a+b×NDVI，表示某一NDVI對應(yīng)的最高溫度，a、b為線性擬合得到的系數(shù)。

姚春生［39］利用MODIS及地面實測數(shù)據(jù)，通過TVDI指數(shù)反演土壤水分，驗證了該指數(shù)的可用性。需要注意的是，TVDI需要定義特征空間的干邊和濕邊，特征空間的構(gòu)建也需要基于已有的研究區(qū)，研究區(qū)要包括不同的植被覆蓋條件以及不同土壤水分條件才能形成特征空間［40］。

圖4 TVDI特征空間Fig. 4 Feature space of the TVDI

此外，受植被生理過程影響，利用植被特征對土壤水分進行反演存在滯后性。所以，在利用植被特征反演土壤水分時，可對植被特征的時滯性進行分析，也可以將滯后的植被特征和較為實時的土壤特征及氣象特征進行綜合，提高土壤水分反演的實時性。

3 氣象特征在土壤水分反演中的應(yīng)用

降雨、風速以及蒸散等氣象特征會對土壤水分產(chǎn)生直接影響，如果在反演土壤水分的過程中，考慮大氣特征，可以提高土壤水分反演的實時性及準確性。

馬柱國等［41］結(jié)合我國東部地區(qū)土壤水分、降水及氣溫資料，對不同區(qū)域土壤溫度、降水和氣溫的變化趨勢、年際變化及它們之間的相互關(guān)系進行分析。發(fā)現(xiàn)土壤水分與降水、氣溫及蒸散存在較好的線性關(guān)系。王素萍等［42］通過分析不同時間尺度標準降水指數(shù)、相對濕潤指數(shù)與土壤水分的相關(guān)關(guān)系，考慮前期氣象干旱對后期土壤濕度的影響，并分區(qū)分季節(jié)建立了多元線性回歸模型得到土壤水分，在我國北部、西南以及黃淮海地區(qū)取得了較好的效果。焦俏等［43］以黃土高原為研究區(qū)，分析了降雨對土壤水分的影響，探討了土壤水分指數(shù)在近地表的時空變化中的應(yīng)用情況。陳懷亮等［44］考慮到風通過影響地表熱量交換和作物蒸散，會對地表溫度產(chǎn)生影響，因此考慮用熱慣量法反演土壤水分時，將風速的影響考慮進來，提出間接風速地形參數(shù)法，提高了反演淺層土壤水分的精度，并指出風速對土壤水分的影響主要集中在表層和較淺層，至30 cm以下時，風速可以忽略。

現(xiàn)有研究一般單獨分析氣象特征與土壤水分的關(guān)系，將氣象特征與植被或土壤特征綜合考慮的研究尚且不多。一般而言，氣象特征對土壤水分的影響比較直接，而土壤特征或植被特征等基于遙感手段獲取的特征受土壤水分的影響較為間接，遙感更多的表達一種綜合信息，即遙感是對地表狀態(tài)的綜合觀測，可以反映出除了降水及蒸散等氣象特征影響外，其他因素（如灌溉等）對土壤水分的綜合作用，因此可以綜合考慮氣象要素及土壤、植被等特征進行土壤水分的反演，以提高反演的實時性和準確性。

4 綜合多特征變量的土壤水分反演模型

由于現(xiàn)實地表的復雜性，只考慮單一特征變量反演土壤水分具有局限性，表1以土壤特征、植被特征和氣象特征為分類依據(jù)，總結(jié)了文中提到的土壤水分反演模型。并對其優(yōu)缺點進行了介紹。

表1 基于不同特征變量反演土壤水分的模型及其優(yōu)缺點Table 1 Soil moisture inversion model and its advantages and disadvantages relative to ergenvariances

由表1可知，利用單一特征的土壤水分反演方法存在局限性，為了更精確地反演土壤水分，結(jié)合實際需求，綜合考慮多種特征變量進行土壤水分的反演。值得注意的是，綜合利用土壤、植被以及氣象特征進行土壤水分反演的研究目前較少。本文介紹了4個綜合多特征變量構(gòu)建土壤水分反演模型的方法。其中，前兩個模型綜合了植被特征和土壤特征，后兩個模型綜合考慮了土壤特征、植被特征及氣象特征。

4.1 立方體模型

Amani等［45］綜合考慮了土壤特征和植被特征，選取垂直植被指數(shù)（PVI）、地表溫度（LST）和土壤濕度（SM）作為立方體的坐標軸，首先基于紅光-近紅外特征空間構(gòu)建計算了PVI和SM，然后加入LST構(gòu)建三維特征空間，從D點到W點，土壤濕度逐漸由1降低至0（圖5）。根據(jù)幾何關(guān)系得到溫度-植被-土壤濕度干旱指數(shù)（Temperature Vegetation Soil Moisture Dryness Index，TVMDI），具體計算見式（5）～式（7）。

圖5 TVMDI特征空間［45］Fig. 5 Feature space of TVMDI［45］

式中，Rnir和Rred分別為紅光和近紅外波段的反射率，M和b分別為Red-NIR特征空間的截距和斜率。該方法得到的TVMDI值和實測土壤水分的相關(guān)系數(shù)為0.65［45］。實驗證明利用幾何特征空間對土壤特征及植被特征進行綜合可以達到較好的反演效果。

4.2 分區(qū)分段模型

在土壤水分反演過程中，隨著地表狀況的改變，不同特征變量的貢獻率會發(fā)生變化，因此可以基于植被特征進行分區(qū)，構(gòu)建基于不同特征變量的分段函數(shù)來反演土壤水分，提高土壤水分反演的精度和適用性。在建立中國區(qū)域土壤濕度分布圖時，田國良［8］首先根據(jù)物候信息，以地區(qū)和季節(jié)作為分區(qū)標準，將研究區(qū)分為裸土低植被覆蓋區(qū)和高植被覆蓋區(qū)，在裸土低植被覆蓋區(qū)考慮熱慣量特征和后向散射特征，高植被覆蓋區(qū)主要考慮熱紅外特征和光學特征，得到全國完整的土壤濕度分布圖。此類方法需要一定的先驗知識，通過分區(qū)方法構(gòu)建分段函數(shù)，可以提高模型的適用性。

4.3 基準值+變化量模型

植被特征滯后于土壤水分、土壤水分滯后于氣象特征，在特定時間內(nèi)，可以將比較滯后的植被特征或土壤特征作為初始值，將降雨、蒸散等氣象特征作為變化量，提高土壤水分反演的精度。

張顯峰等［46］利用可見光及被動微波數(shù)據(jù)結(jié)合氣象特征，特定觀測時段內(nèi)將土壤水分的變化分為基準值和變化量，基準值表示觀測周期土壤水分的最低狀況，而變化值取決于降水、蒸散等氣象要素的影響。在計算基準值時基于NDVI設(shè)置閾值，在低植被覆蓋區(qū)考慮土壤的熱紅外特征，在高植被覆蓋區(qū)采用了綜合熱紅外和光學的TVDI值，在基準值的基礎(chǔ)上將微波特征及降水等氣象特征作為變化量，綜合考慮可見光、紅外以及被動微波反演土壤水分。該方法將被動微波傳感器的高時間分辨率與光學遙感傳感器的高空間分辨率的特性相結(jié)合，同時引入降雨修正因子，準確地估算大區(qū)域每日1 km分辨率的土壤水分信息，建立了新疆表層土壤水分的反演模型，模型反演結(jié)果和地面實測值的均方根誤差為3.99，可用于較高精度的大范圍土壤水分監(jiān)測［46］。

4.4 神經(jīng)網(wǎng)絡(luò)模型

隨著機器學習的發(fā)展，研究人員嘗試利用神經(jīng)網(wǎng)絡(luò)將土壤水分反演有關(guān)的特征變量進行綜合。Yu等［47］綜合微波亮度溫度特征和光學特征，利用廣義回歸神經(jīng)網(wǎng)絡(luò)進行全球土壤水分估算，將SMAP（the Soil Moisture Active and Passive）土壤水分的時間分辨率提升至1天。結(jié)果顯示，廣義回歸神經(jīng)網(wǎng)絡(luò)估算土壤水分與SMAP的相關(guān)系數(shù)為0.75，該研究為今后利用機器學習進行SMAP土壤水分降尺度研究提供了重要的參考價值。賈艷昌等［48］綜合考慮光學、熱紅外以及微波特征，將Landsat和ASAR數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，結(jié)合實測樣本構(gòu)建土壤水分反演模型。該方法證實了BP神經(jīng)網(wǎng)絡(luò)算法對土壤水分特征變量進行檢索和綜合的巨大潛力。同樣的，楊婷等［49］以青藏高原為研究區(qū)，綜合考慮植被光學特征、土壤熱紅外特征、微波散射特征以及包括DEM和降雨在內(nèi)的輔助特征，利用MODIS、AMSR-E、DEM數(shù)據(jù)以及TRMM數(shù)據(jù)，基于神經(jīng)網(wǎng)絡(luò)模型綜合反演土壤水分，算法所獲得的土壤水分與實測土壤水分的均方根誤差為0.031。研究證明基于神經(jīng)網(wǎng)絡(luò)算法可以構(gòu)建綜合多特征變量的土壤水分反演模型。

5 土壤水分反演特征變量研究存在的問題與展望

5.1 存在問題

土壤水分雖然是水循環(huán)中一個相對穩(wěn)定的變量，但無論在空間范圍內(nèi)還是時間尺度上，土壤水分均在不斷地發(fā)生變化。無論是站點監(jiān)測、模型模擬還是遙感反演，單一的反演方法得到的土壤水分往往有一定的適用條件，很難滿足實際應(yīng)用的需求。利用多源數(shù)據(jù)，綜合考慮影響土壤水分的多種特征變量，可以提高土壤水分反演的時空分辨率以及反演精度。目前，土壤水分反演特征變量的選擇存在以下問題。

（1）土壤水分反演的特征變量研究的理論研究不足。反演土壤水分的過程中需要考慮多種特征變量，在現(xiàn)有的土壤水分反演過程中，人們關(guān)注更多的是反演波段的選擇，即不同波段的光譜特征，很少有研究將不同波段反演土壤水分的機理差異抽象為特征變量，限制了各類土壤水分反演方法組合的可能性，從而降低了土壤水分反演算法的普適性。因此，基于土壤水分反演機理抽象出特征變量，尋找結(jié)合多種特征變量反演土壤水分模型的理論研究有待加強。

（2）特征變量的綜合運用存在缺陷。目前為止，由于傳感器波段范圍、輻射性能、成像時間的差異，構(gòu)建長時間序列的時空連續(xù)、物理一致的土壤水分產(chǎn)品仍然較為困難，并且已有的土壤水分產(chǎn)品分辨率較粗，綜合利用土壤水分反演特征變量提高土壤水分產(chǎn)品的精度仍然是目前需要解決的難點問題。

5.2 展 望

遙感技術(shù)的發(fā)展，特別是傳感器種類的增加，使遙感圖像時空分辨率得到提高，為獲取土壤水分反演過程中更為有效的特征變量提供了可能。通常情況下，土壤水分的獲取需要借助經(jīng)驗?zāi)Ｐ图按罅繉崪y數(shù)據(jù)，由于未充分挖掘土壤水分反演的特征變量，反演一般是以其他可以直接獲取的地表參量為媒介通過經(jīng)驗?zāi)Ｐ烷g接得到的。為了減少土壤水分反演結(jié)果的不確定性，需要深入挖掘土壤水分反演的特征變量，構(gòu)建綜合模型來優(yōu)化土壤水分反演的穩(wěn)定性、適用性及準確性。未來可以考慮從以下3個方面對土壤水分反演的特征變量展開研究，以進一步提高土壤水分反演的精度及適用性。

（1）土壤水分反演新特征變量的挖掘。土壤水分作為水循環(huán)的組成部分，除了受自身特性的影響，還受到太陽輻射、降水量、地形地勢以及植被生長狀況等多種因素的影響；同時，土壤水分的含量會影響土壤及植被的物理化學特性。因此，可以從影響土壤水分的變量以及受土壤水分影響的變量兩個大方向來挖掘土壤水分反演過程中的特征變量。比如，可以通過利用重力衛(wèi)星數(shù)據(jù)，探索基于重力衛(wèi)星挖掘水循環(huán)過程中可用于反演土壤水分特征變量的可能性。利用高光譜數(shù)據(jù)，篩選對土壤水分敏感的新型特征波段，以及對土壤水分敏感的植被生化組分含量等特征變量。通過結(jié)合高光譜衛(wèi)星及重力衛(wèi)星等數(shù)據(jù)，對已有的特征變量進行細化和補充，深入挖掘可用于土壤水分反演的特征變量。

（2）土壤水分特征變量敏感性及相互作用分析。在土壤水分理論研究及實驗數(shù)據(jù)的支撐下，研究不同特征變量對土壤水分含量的敏感性，探索不同應(yīng)用場景下特征變量對土壤水分敏感性的變化，為實際應(yīng)用過程中篩選最優(yōu)變量，提高反演精度提供參考。需要注意的是，特征變量間有時并非完全獨立，當特征變量間聯(lián)系過于緊密時，會造成特征變量的冗余現(xiàn)象。通過分析特征變量間的相互作用關(guān)系，可以減少特征變量的冗余，優(yōu)化土壤水分反演過程中特征變量的選擇。

（3）特征變量的綜合利用。單一特征變量反演土壤水分有一定的局限性，在綜合利用特征變量進行土壤水分反演的過程中，研究尺度以及數(shù)據(jù)源的差異會造成土壤水分反演誤差。因此，在基于特征變量反演土壤水分的研究中，根據(jù)研究尺度、研究目的篩選合適的特征變量，實現(xiàn)各特征變量的優(yōu)勢互補是未來的研究方向。在綜合利用多種特征變量時，可以對基于遙感特征參量的信息進行互補，也可以在遙感和非遙感特征參量間進行互補。比如，利用基于光學的特征參量來對基于微波的特征參量進行降尺度研究，可以提高土壤水分反演的空間分辨率；結(jié)合氣象數(shù)據(jù)及其他實測數(shù)據(jù)，利用同化模型可以提高土壤水分反演的精度及時間分辨率；利用各特征參量的相關(guān)關(guān)系，構(gòu)建基于物理原理及幾何空間模型，基于幾何參數(shù)，構(gòu)建土壤水分反演模型，可以增加模型的普適性；基于實測數(shù)據(jù)，和遙感觀測得到的特征變量，通過數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)等方式，建立特征參量與實測值直接的關(guān)系，構(gòu)建土壤水分反演模型可以提高土壤水分反演的時空分辨率。

總之，在遙感技術(shù)高速發(fā)展的背景下，充分利用各類遙感和非遙感信息，對土壤水分反演的特征變量進行挖掘、篩選及整合，根據(jù)不同的應(yīng)用需求，生產(chǎn)出高質(zhì)量的土壤水分產(chǎn)品是未來發(fā)展的方向。