内蒙古河套灌区土壤墒情信息的多极化雷达响应分析

摘要：以内蒙古河套灌区磴口县为研究区，结合Radarsat-2四极化雷达遥感数据对土壤墒情进行响应分析。研究结果表明，同极化后向散射系数同土壤墒情的响应性高于交叉极化，以同极化均值和交叉极化均值作为参量建立回归模型进而对研究区反演分析，经实测数据检验，该方法能够在一定程度上满足土壤水分监测的需要，优于传统土壤水分分类方法。

关键词：雷达遥感；土壤水分；后向散射系数；河套灌区；模型建立；精度分析

中图分类号：S152.7；S127 文献标识码：A 文章编号：0439-8114（2016）08-1931-05

DOI：10.14088/ki.issn0439-8114.2016.08.008

Abstract： The Dengkou county in Inner Mongolia Hetao irrigation district was chosen as the study area， combined with Radarsat-2 four polarization radar remote sensing data analysis of soil moisture. The results showed that the response of backscatter coefficient of the same polarization to the soil moisture was higher than cross polarization. The regression model was established with the mean of same polarization and cross polarization as parametric， with the model inversion analysis in the studied area， it was indicated that the measured data with tested method could meet the requirements of soil moisture，which was superior to the traditional soil moisture classification method.

Key words：radar remote sensing；soil moisture；backscatter coefficient；Hetao irrigation district；model building；precision analysis

土壤水分是土壤生物、陆地植物等赖以生存的重要物质资源之一，在全球水循环中发挥着重要的作用[1]。大面积土壤水分的监测是农业水管理以及农作物旱情预报的一个重要内容[2]，土壤墒情代表了土壤含水量信息，传统的土壤墒情测量方法如时域反射计法或称重法都是基于点的测量方法，此类方法需要野外实地采集土壤样本和室内试验后处理过程，不仅费时费力，而且无法在有限的时间内获取较大范围的地表土壤墒情时空分布信息，因此传统的土壤水分测量方法很难在大范围的耕地评价中应用[3]。遥感技术发展日益成熟，这为准确、高效地对土壤墒情监测提供了可能，学者也对遥感监测土壤墒情做了大量的研究。从20世纪70年代开始，国外学者就已经逐步开始利用遥感技术对地表土壤水分进行监测分析。Schmugge等[4]通过试验研究分析得出土壤含水量与土壤亮温具有很好的相关关系，并进一步研究了土壤水分对土壤微波辐射的影响，而O’Neill[5]建立了土壤含水量和土壤亮温的线性关系。Njoku等[6]利用辐射传输方程，建立了土壤亮度温度与体积含水量之间的非线性方程，而且利用最小二乘法和迭代法求出了容积含水量等参数。为了建立微波遥感后向散射系数与土壤含水量之间的关系，许多学者做了大量的试验研究，Ulaby等[7]就土壤含水量与雷达频率、雷达入射角做了相关性研究，Weimann[8]通过大量试验研究，建立了土壤水分与雷达后向散射系数以及地表粗糙度的关系，并对反演精度做了验证分析。在中国，学者们对于土壤水分微波遥感技术的研究相比国外起步较晚，始于20世纪80年代，而且早期的研究都是围绕土壤相关参数的反演进行的，自20世纪90年代后期中国土壤水分遥感反演技术在理论和应用方面得到了突飞猛进的发展，国内学者利用热惯量、地表温度、地表粗糙度、雷达后向系数、植被指数等作为参数建立了一些土壤水分的反演经验模型，黄杨等[9]对地表微波反射特性做了大量研究，建立了土壤水分和地表参数的相关性；唐登银[10]基于能量平衡理论，利用干旱指数法对土壤表面参数进行了反演研究；张仁华[11]也对土壤墒情监测的理论与方法做了大量研究。20世纪90年代以后微波遥感技术在土壤墒情监测模型的研究中得到了迅速发展，李杏朝[12]同步测量土壤水分、土壤后向散射系数，监测土壤水分相对误差为12%；鲍艳松等[13]通过TM光学遥感数据去除了植被散射和衰减的影响，然后利用ASAR和TM数据建立在冬小麦覆盖情况下土壤水分反演模型，并且在实际应用中得到了很好的结果。综上所述，国内外学者利用遥感监测土壤墒情已经取得了一定成绩，为本研究提供了借鉴，但采用四极化精细模式的雷达影像数据分析极化方式对土壤水分响应分析的研究很少，且研究区域选择在干旱的河套灌区，研究成果对河套灌区灌溉制度的制定有一定的理论指导意义。

1 研究区概况与数据源

1.1 研究区概况

磴口县地处内蒙古河套地区西南部，是巴彦淖尔市的旗县之一，地理坐标为东经106°9′-107°10′，北纬40°9′-40°57′，属于中温带干旱大陆性季风气候，平均气温为8.5 ℃，气候比较干燥[14]；研究区以荒漠植被小灌木为主，地域辽阔，地势平坦，土质条件较好，是典型的河套灌区之一；河套灌区水盐运移属于垂直入渗蒸发型，降雨量少，蒸发量大，在强烈的蒸发作用下，水分携带盐分向地表运移积聚，春季返盐是灌区土壤次生盐渍化的重要因素。灌区每年从4月中旬灌溉，到11月中下旬结束，根据作物需水规律进行灌溉，用水量最大的是秋浇，起压盐保墒作用。灌区土壤年内水盐运移变化复杂。了解夏灌（4～6月）前、秋浇（10中旬至11月中下旬）前土壤水盐的分布状况对灌区农业生产和土壤改良有着深刻影响，并对年际间水盐动态时空变异规律研究有一定的代表性。

1.2 数据源

Radarsat-2是由MAD（MacDonald Dettwiler and Associates Ltd）和CAS（Canadian Space Agency）于2007年共同出资开发的星载合成孔径多极化雷达系统，雷达频率为C波段，该波段可提取地表0～5 cm的土壤信息[15]。雷达影像接收时间为2015年1月10日，影像为四极化精细模式（HH+HV+VH+VV极化），标称分辨率为8 m，处理级别为SLC， 一景影像的覆盖面积为25 km×25 km，微波入射角范围为35.310 939 8°-36.881 595 6°，影像的覆盖区为地表，加之季节原因，处理影像时不考虑植被覆盖的影响。

在磴口县试验区采集与RADARSAT-2影像时相一致的50个土壤样本，每个土壤样本取4个重复，样本以边长小于8 m的正方形组成，并用手持GPS定位仪记录土壤样本中心点的地理坐标信息。室内试验通过烘干法测定土壤的质量含水量，土壤样点含水量最终以4个样本的平均值代表，土壤样本采样点分布如图1所示。

2 影像数据处理

2.1 雷达影像处理

雷达影像不同于可见光遥感，其采用相干微波源照射，各散射中心回波的相干叠加，造成合成矢量的振幅和相位都有一定起伏，最终得到的雷达影像出现相干噪声[16]，为了抑制雷达影像的斑点噪声，对影像采取多视、滤波处理；雷达影像的SLC格式属于斜距坐标，通过地理编码处理，影像做了相应的地距转换，处理完的影像可以设置为WGS-84坐标系；结合研究区的DEM数据，通过辐射定标处理之后，雷达影像上的每一个像元值由亮度值转换成后向散射系数值，利用定标公式可以很好地完成亮度值与后向散射系数值之间的转换，公式如下[17]：

2.2 雷达影像配准

利用谷歌卫星地图下载器，下载与雷达影像区域相同的Google Earth影像，该下载器可以完好地保留影像的地理坐标信息。影像配准是将图像纠正在某种地理编码的坐标系统中，使得它与某个参考影像具有相同的几何属性，此次影像配准选择Google Earth影像作为参考影像，在配准过程中尽量选择易于分辨的特征点（路的交叉点、房子的拐角等），特征点尽可能地均匀分布在整幅影像中，纠正结果最终小于0.5个像元，满足精度要求，将采集的土壤样本位置信息与雷达影像相结合，提取采样点的后向散射系数值，最后对采样点覆盖区域进行裁剪。

3 数据分析

3.1 单极化后向散射系数与含水率响应分析

河套灌区属于典型的干旱寒冷地区，季节间温差较大，地区蒸发量远大于降水量，对地表土壤水分的时空分布变化规律进行实时监测尤为重要。河套灌区秋浇具有压盐保墒的作用，在秋灌前后土壤盐分含量会产生较大的变化，在冻结期，土壤水分、盐分会向冻结层移动；在融解期，由于蒸发量大于降水量，盐分会在地表聚集。盐渍化土壤的雷达影像响应程度会在不同时期产生变化，对土壤盐分进行监测必须考虑土壤水分的空间分布和变化规律。雷达影像的均一性比较差，最大值和最小值相差很大，在提取雷达后向散射系数值时可以围绕采样点中心提取多个值最后取平均，均值不是最好的办法，但却是最常用和最简单的方法，均值可以代替采样点的后向散射系数值[18]。部分采样点数据见表1。

了解土壤水分变化与雷达影像散射特征的关系十分重要，将4种极化方式的后向散射系数值与土壤含水率分别做响应分析，结果见图2。

从图2可知，土壤水分与同种极化方式（HH、VV）的响应性明显强于交叉极化方式（HV、VH）；而极化方式HH、VV与土壤水分的响应性相差不多，HH极化方式的R2是0.054 2，VV极化方式的R2是0.055 5；极化方式HV、VH与土壤水分的响应性也十分接近，HV极化方式的R2是0.024 2，VH极化方式的R2是0.025 4。呈现这种现象的原因与雷达成像的原理紧密相关，同种极化的成像方式类似，交叉极化方式的成像方式类似。

3.2 组合极化后向散射系数与含水率响应分析

对于单极化雷达影像数据提取的土壤含水量信息量相对较少，研究的结果会受到一定影响。此次试验获取了雷达精细四极化数据，可以对极化方式进行组合，进一步分析不同极化组合对地物后向散射特性的响应。因为同种极化方式对土壤水分的响应性有别于交叉极化方式，对土壤样本的4种极化方式做均值处理并绘制柱状图，结果见图3。从图3可知，HH极化与VV极化的值大于-15.0，而且均值接近；HV极化与VH极化的值小于-20.0，两者的值也很接近。

那么可以将同种极化方式的后向散射系数作为组合，交叉极化方式的后向散射系数作为组合，分析这两种组合的后向散射系数值同土壤含水率的响应关系，结果见图4。

从图4可知，同种极化方式的均值同土壤含水率的响应强于交叉极化方式的均值，R2分别是0.081 4和0.029 6；同种极化方式组合均值对土壤含水率的响应相对于单极化方式有了明显提高，交叉极化方式组合均值同样呈现这样的特征，那么可以考虑以这两种均值方式作为参量建立土壤含水率的反演模型。

3.3 回归分析

以极化组合（HH+VV）/2、（HV+VH）/2作为变量来建立模型，研究雷达图像的后向散射系数和土壤含水量的关系，将同极化组合均值设为变量S1，即S1=（HH+VV）/2，交叉极化组合设为变量S2，即S2=（HV+VH）/2，土壤含水量设为变量S，利用其中40个土壤样点的含水量数据进行S、S1、S2回归分析模拟，如图5所示，建立的回归方程为S=25.038 4+0.673 41 S1-0.226 32 S2，R2为0.822 9。

4 精度分析

4.1 对RADARSAT-2影像进行决策树分类

根据建立的土壤水分回归方程，通过ENVI决策树方法对影像进行分类，分类结果见图6，墒情分类统计见表2。由表2可知，墒情等级为0.1～0.2的所占比重最大，为56.05%；其次为墒情等级为0.2～0.3的，所占比重为33.02%；墒情等级在0.3以上的最少，而且这些区域多有鱼塘或沼泽地。结果表明，研究区为典型的干旱地区，分类结果与实地考察现象比较吻合，分类结果较为准确。

4.2 精度检验

利用回归模型对研究区进行了土壤不同墒情等级分类，为了验证模型以及分类结果的可靠性，用剩余的10个采样点作为精度的检验，根据土壤采样点的地理位置信息与土壤墒情分类图相匹配，提取10个土壤采样点对应的反演值，并与实测值进行比较分析，结果见表3。由表3可知，多数土壤样本点的相对误差小于10%，反演精度比较可观。

5 结论

干旱是影响河套灌区农业生产的重要因素之一，因雷达数据具有全天候、全天时、受天气和气候影响较小的优点，常被用作土壤水分信息提取的基础数据，这对河套灌区制定灌溉制度、合理利用水资源十分有意义。研究采用四极化精细模式C波段的Radarsat-2数据对研究区域进行监测，弥补了可见光遥感提取土壤水分信息的受限性。经过对雷达影像的处理，准确获取了土壤的后向散射系数值。分析不同极化方式的后向散射系数同土壤含水量的关系，发现同极化方式对土壤水分的响应性明显高于交叉极化方式。通过分析极化方式组合同土壤含水量的关系，得出组合均值均能提高对土壤的响应性。以均值极化组合作为变量，建立了回归模型S=25.038 4+0.673 41 S1-0.226 32 S2，R2为0.822 9。通过决策树利用模型对研究区进行了盐渍化分类，并对分类结果及模型精度做了验证，结果多数样本点的相对误差小于10%，说明反演精度较高，研究成果可以作为磴口县土壤水分监测的理论基础。

雷达影像对土壤介电常数比较敏感，而介电常数的实部和土壤含水率有一定的关系，本研究未能有效地分析土壤介电常数的影响，建立的回归模型也未除去介电常数的干扰；而且研究成果是针对河套灌区建立的，是不是存在普适性，还需进一步验证，这也是今后工作的重点。

参考文献：

[1] 张友静，王军战，鲍艳松.多源遥感数据反演土壤水分方法[J].水科学进展，2010，21（2）：222-227.

[2] 姜良美.基于微波遥感农田土壤水分反演研究[D].湖南湘潭：湖南科技大学，2012.

[3] 高 峰，王介民，孙成权，等.微波遥感土壤湿度研究进展[J].遥感技术与应用，2001，16（2）：97-102.

[4] SCHMUGGE T，GLOERSEN P， WILHEIT T， et al. Remote sensing of soil moisture with microwave radiometers[J]. Journal of Geophysical Research，1974，79（2）：317-323.

[5] O’NEILL P E.Microwave remote sensing of soil moisture：A comparison of results from different truck and aircraft platforms[J]. International Journal of Remote Sensing，1985，6（7）：1125-1134.

[6] NJOKU E G， LI L. Retrieval of land surface parameters using passive microwave measurements at 6-18 GHz[J]. IEEE Trans Geosci Remote Sensing， 1999， 37（1）：79-93.

[7] ULABY F T， ASLAM A， DOBSON M C. Effect of vegetation cover on the radar sensitivity to soil moisturel[J]. IEEE Transaction on Geoscience and Remote Sensing， 1982， GE-20（4）：476-481.

[8] WEIMANN A， SCHONERMARK M V， SCHUMANN A， et al. Soil moisture estimation with ERS-1 SAR data in the East German Loess soil area[J]. International Journal of Remote Sensing， 1998， 19（2）：237-243.

[9] 黄 杨，杨习荣，耿淮滨.土壤含水量与其微波反射特性关系的研究[J].环境遥感，1986，1（2）：101-106.

[10] 唐登银.一种以能量平衡为基础的干旱指数[J].地理研究，1986， 6（2）：21-31.

[11] 张仁华.以作物光谱与热红外信息为基础上的复合估产模式[J].科技通报，1989，34（17）：1331-1334.

[12] 李杏朝.微波遥感监测土壤水分的研究初探[J].遥感技术与应用，1995，10（4）：1-8.

[13] 鲍艳松，刘良云，王纪华，等.利用ASAR图像监测土壤含水量和小麦覆盖度[J].遥感学报，2006，10（2）：263-271.

[14] 刘 芳，郝玉光，张景波，等.磴口县土地景观变化遥感监测研究[J].内蒙古农业大学学报，2009，30（3）：112-116.

[15] ZHOU P，DING J L，WANG F，et al. Retrieval method of soil water content in vegetation covering areas based on multi-source remote sensing data[J]. Journal of Remote Sensing， 2010， 14（5）：959-965.

[16] 王 超，张 红，陈 曦，等.全极化合成孔径雷达图像处理[M].北京：科学出版社，2008.

[17] 喻忠伟.基于BP人工神经网络和Radarsat-2遥感影像的土壤墒情监测研究[D].郑州：郑州大学，2013.

[18] 韦建波.RADARSAT-2数据再干旱区盐渍地信息提取中的应用[D].乌鲁木齐：新疆大学，2009.