一种基于时间稳定性反散射分析的Sentinel-1 SAR土壤湿度反演新方法

土壤湿度（SM）的高分辨率SAR反演易受地表异质性噪声干扰，传统阈值屏蔽（DM）可能错误剔除有效信号或保留噪声。本研究提出基于时间稳定性分析（TSA）的新型屏蔽方法，通过对比10米级SAR后向散射与水云模型（WCM）合成后向散射，结合植被特征和模拟SM数据，筛选出时空稳定性强的有效像素。实验表明，TSA屏蔽显著提升SM与地面实测及模型模拟的相关性（最高+0.15），降低均方根误差（最高-0.014 m3/m3），有效排除城市和水体干扰，同时保留植被影响但经WCM补偿的可靠信号。在CRNP密集观测区域验证显示，480米分辨率下相关系数达0.61，证明TSA在异质地表中优化像素选择的普适性。

　　

作者：李秀昌（Seulchan Lee）、赵成坤（Seongkeun Cho）、崔敏荷（Minha Choi） 所属机构：韩国成均馆大学水资源研究生院水资源系，水原市16419

摘要

利用Sentinel-1合成孔径雷达（SAR）获取高分辨率土壤湿度（SM）数据时，常会受到地表异质性导致的噪声干扰。常用的基于阈值的掩蔽技术（如动态掩蔽DM）虽能减轻这些影响，但可能无意中去除有效的土壤湿度信号或保留带有噪声的像素。本研究提出了一种基于时间稳定性分析（TSA）的新型掩蔽方法，该方法能够识别并保留能够可靠捕捉土壤湿度动态变化的像素。TSA通过将10米尺度SAR后向散射数据与水云模型（WCM）预测的1公里尺度合成后向散射数据进行对比分析，输入数据包括地表模型（LSM）模拟的土壤湿度和植被特征参数。该方法通过实地观测数据及LSM模拟结果，在三个不同的土壤湿度监测网络（韩国的SMC、美国的TxSON和西班牙的REMEDHUS）进行了验证，并与DM方法进行了比较。结果表明，与未采用掩蔽或仅使用DM方法相比，基于TSA的掩蔽方法显著提高了相关性（最高提升0.15），并降低了不确定性（ubRMSE，最大降低0.014 m3/m3）。该方法更有效地排除了城市和水域像素，同时保留了受植被影响但通过WCM得到合理补偿的像素。进一步使用宇宙射线中子探针观测数据验证时，TSA在480米分辨率下仍能将相关性提升至0.61。这些结果表明TSA在复杂地形和不同空间尺度下有效提升了土壤湿度数据的准确性。

引言

土壤湿度（SM）是地球水文、气候和生态系统中的关键变量，对渗透、蒸散和径流等过程具有重要影响（Entekhabi等人，1996；Humphrey等人，2021；Western等人，2002）。这些过程调节着地表与大气之间的能量和水循环，使得土壤湿度成为模拟地表-大气相互作用的关键参数（Das和Mohanty，2006；Seneviratne等人，2010；Ullmann等人，2023）。准确的土壤湿度估计对于多种应用至关重要，包括水文预报、干旱和洪水监测以及农业水资源管理（Pendergrass等人，2020；Piles等人，2016；Quast等人，2023；Wanders等人，2014）。此外，土壤湿度还是天气预报、地表模型（LSM）数据同化和气候模拟的重要输入参数（Brocca等人，2017；Gruber等人，2019）。然而，由于环境和地形特征的异质性，土壤湿度具有较高的时空变异性，这在局部和区域尺度上的准确反演面临挑战（Bao等人，2018；Choi和Jacobs，2007；Western和Bl?schl，1999）。 尽管微波辐射计和散射计（如Soil Moisture Active Passive (SMAP)、Soil Moisture and Ocean Salinity (SMOS)、Advanced Microwave Scanning Radiometer 2 (AMSR2) 和 Advanced SCATterometer (ASCAT) 等仪器通过提供粗分辨率（10–40公里）的数据集显著推进了全球土壤湿度监测（Entekhabi等人，2010；Kerr等人，2010；Parinussa等人，2015；Wagner等人，2013），但这些数据无法捕捉到对农业、林业和局部天气预报至关重要的局部尺度土壤湿度变化（Peng等人，2021；Quast等人，2023）。因此，对于满足局部和区域应用需求的精确高分辨率土壤湿度数据的需求日益增长（Dorigo等人，2017；Zhu等人，2024）。合成孔径雷达（SAR）系统，尤其是欧洲航天局（ESA）Copernicus Sentinel-1（S1）卫星上的C波段SAR，已被证明在获取高分辨率数据方面非常有效（Balenzano等人，2021；Gruber等人，2013；Torres等人，2012）。S1卫星的地面范围分辨率（GRD）为20米×22米，重访周期为6–12天，已连续十年提供全球一致的后向散射观测数据，是目前最适合用于局部和区域尺度土壤湿度反演的数据源（Bauer-Marschallinger等人，2018）。 SAR数据的土壤湿度反演通常依赖于描述SAR后向散射与地表属性之间关系的散射模型（Bracaglia等人，1995；Fung等人，1992）。这些模型可分为数值方法、解析方法和（半）经验方法，每种方法针对散射过程的特定复杂性进行优化（Wang等人，2023）。早期研究主要针对裸土和平坦地形，其中影响后向散射的主要因素是土壤介电特性，这与土壤湿度直接相关。解析模型（如积分方程模型IEM及其改进版本）被广泛用于评估土壤介电特性和地表粗糙度（Huang等人，2016）。半经验模型（如Oh模型和Dubois模型）则利用实验数据简化这些关系，但研究发现这些模型在应用于植被覆盖区域时可能会引入较大的不确定性（Brown等人，2003；Dubois等人，1995；Lievens和Verhoest，2011）。 由于后向散射信号同时受植被结构和介电特性的影响，后续研究致力于分离土壤和植被的贡献（H?nsch等人，2020；Kornelsen和Coulibaly，2013；Wagner等人，1999）。这些方法包括时间序列分析和变化检测技术，假设地表粗糙度和植被特性在短时间内保持不变（Balenzano等人，2010；Balenzano等人，2021；Kim等人，2011）。通过监测SAR后向散射的时间变化，这些方法可以分离土壤湿度动态变化，同时最小化植被和地表粗糙度的影响（Bauer-Marschallinger等人，2018）。另一种方法使用考虑雷达后向散射与植被属性相互作用的植被散射模型（如Water Cloud Model (WCM)，以及Michigan微波冠层散射模型和Distorted Born近似模型）。WCM作为一种简洁的半经验模型，已成为植被覆盖区域土壤湿度反演的最常用框架（Bai等人，2022；Bao等人，2018；Wang等人，2023）。为进一步提高土壤湿度反演精度，研究者比较了不同植被指标（如归一化植被指数NDVI、叶面积指数LAI和雷达植被指数RVI）以及不同土壤散射模型与WCM的结合效果（Bhogapurapu等人，2022b；Chaudhary等人，2021；Inoubli等人，2024；Wang等人，2021）。例如，Chaudhary等人（2021）发现RVI和偏振比指数在小麦作物反演中提高了精度，偏差为0.096 m3/m3。Inoubli等人（2024）在WCM中整合了多种土壤散射模型，结果表明Oh模型具有更高的精度，无偏均方根误差（ubRMSD）为0.295 dB。 这些研究展示了在改进土壤湿度信号分离方面的模型和方法论进展。然而，这些方法的准确性不仅取决于模型的优化，还依赖于有效识别携带有效土壤湿度信号的像素（Bauer-Marschallinger等人，2018）。为解决这一问题，开发了掩蔽技术以过滤掉受水体、陡坡或密集植被等干扰因素影响的像素。Singh等人（2021）使用地表水掩蔽来减轻淹没区域对土壤湿度反演的影响，Mullissa等人（2021）应用入射角阈值排除不可靠的像素，Benninga等人（2022）使用LAI阈值处理密集植被的影响。Bauer-Marschallinger等人（2018）提出了一种综合掩蔽流程，包括静态掩蔽（过滤掉含有水体、陡坡和后向散射范围极小的像素）和基于阈值的动态掩蔽（DM，去除极高或极低的后向散射值）。尽管DM技术在土壤湿度反演研究中得到广泛应用（Nguyen等人，2022；Quast等人，2023；Wang等人，2023），但保留像素与土壤湿度真实值的相关性提升程度仍需进一步研究。 本研究旨在评估基于时间稳定性概念（Vachaud等人，1985）的新型掩蔽技术在提高土壤湿度反演精度方面的有效性。我们重点识别并保留能够可靠捕捉土壤湿度动态变化的像素，同时排除与土壤湿度相关性较低的像素。具体而言，我们在三个土壤湿度监测网络中比较了基于时间稳定性分析（TSA）的掩蔽方法与传统基于阈值的掩蔽方法（DM和地形掩蔽）的性能，评估了其在10米至500米不同空间尺度上的适用性。

研究区域与实地土壤湿度数据

本研究在三个地点进行：美国的Texas土壤观测网络（TxSON，Caldwell等人，2019）、西班牙的REMEDHUS土壤湿度测量网络（González-Zamora等人，2019），以及由成均馆大学地球与遥感实验室（ERSL）和韩国水文调查研究所（KIHS）共同管理的Seolmacheon站点（Dorigo等人，2021；Jeong等人，2021）（见图1和S1）。

方法论

本研究的方法流程如图2所示，展示了土壤湿度反演和验证的总体框架。在对S1 SAR后向散射数据进行PLIA标准化处理（${\sigma }^0$_{SAR, 10m}）后，我们应用了DM和地形掩蔽技术（详见第3.2节），生成了掩蔽后的后向散射数据（${\sigma }^0$_{DM, 10m}）。随后通过块平均将数据聚合到1公里尺度（${\sigma }^0$_{DM, 1km}），并用于后续分析。

DM

图4展示了SMC、TxSON和REMEDHUS三个站点在165天、90天和173天观测条件下的DM掩蔽频率分布。在SMC站点，水体和森林上的像素几乎始终被掩蔽，主要是因为这些区域的后向散射值较低且坡度较陡。这一现象在Gamak山脉北部尤为明显（图4a中的绿色框）。在以农田为主的西北地区，草地分布稀疏……

掩蔽方法的特点

总体而言，TSA掩蔽方法通过排除水体和城市区域的像素，同时保留受植被影响但通过WCM和NDVI、LAI得到合理补偿的像素，显著提高了土壤湿度反演的准确性。此外，TSA还提供了一个诊断工具，用于评估SAR后向散射信号的可靠性，即判断后向散射时间序列是否与空间上具有代表性的模型数据（${\sigma }^0$_LSM）保持一致。

结论

尽管Sentinel-1的C波段SAR观测提供了高分辨率的土壤湿度数据，但小尺度后向散射信号常受植被、地形和地表异质性的影响，导致噪声和不确定性。现有的掩蔽策略主要依赖于固定后向散射阈值、静态地形特征或基于植被的指标（Benninga等人，2022；Nguyen等人，2022；Singh等人，2021）。

CRediT作者贡献声明

**李秀昌（Seulchan Lee）**：负责写作、审稿与编辑、原始稿撰写、软件开发、数据整理和概念构思。 **赵成坤（Seongkeun Cho）**：负责方法论设计和概念构思。 **崔敏荷（Minha Choi）**：负责写作、审稿与编辑以及研究监督。

资助

本研究得到了韩国国家研究基金会（NRF）的资助，资金由韩国政府（科学技术信息通信部）提供（项目编号：RS-2022-NR070339和RS-2024-00416443）。

利益冲突声明

作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

我们感谢欧洲航天局（ESA）提供Sentinel-1 SAR及相关数据，同时感谢NASA提供LIS和卫星数据产品，USGS提供土地覆盖数据集，以及ECMWF提供ERA5-Land数据。此外，我们也感谢ISMN及相关研究网络和调查人员提供的实地土壤湿度观测数据。