2.2　基于微波的土壤墒情遥感监测模型

用微波遥感估算土壤水分的原理是基于土壤水分和介电常数之间的密切关系，不同介电常数的土壤所表现出的散射和辐射特征不同。根据传感器工作方式的差异，基于微波的土壤墒情遥感监测模型可以分为主动和被动微波遥感模型两大类。

2.2.1　主动微波遥感模型

主动微波遥感是指利用搭载在遥感平台上的雷达向地物目标发射出经过调制的电磁波束，再通过天线接收地物目标反射的回波信号，并进行处理后得到地物目标的后向散射信息(一般称为后向散射系数)，然后根据这些信息来提取和分析地物目标的相关参数的技术。雷达观测的空间分辨率同天线长度有关，通常越长的天线获得的分辨率就越高，在实际应用中常使用合成孔径雷达来实现用较小的天线长度合成等效天线来获取高分辨率数据的目的。

雷达获取的后向散射系数除了和土壤水分有关外，还受到地表植被覆盖和表面粗糙度等多种因素的影响。如植被冠层中散射体的尺度大小及其几何分布情况，植被的方向、间距和郁闭度等都会改变土壤的散射特性，同时植被本身所含有的水分也会影响通过其冠层的微波信号。对同一波长的入射波，不同粗糙度的土壤表面对回波信号的影响程度也不同。目前，基于主动微波的土壤墒情遥感监测常用的模型主要有散射模型、土壤水分变化探测模型和数据融合模型等。

(1)散射模型一般将后向散射系数表示成土壤、植被以及传感器设置等参数的函数来估算土壤水分。根据建立的方法不同，散射模型可以分为经验模型、理论模型和半经验模型。经验模型是根据观测到的数据进行统计描述和相关性分析建立的，其适用范围受到时间和空间的限制，而且模型精度受到观测数据质量的限制。理论模型是基于辐射传输过程的物理机制建立的，模型精度较好，但输入参数多、计算复杂，且输入参数常常难以直接观测，在实际中难以推广运用。半经验模型介于经验模型和理论模型之间，通常使用很少的几个但具有一定物理意义的参数，处理复杂程度中等，在实际应用中较为常见。

(2)土壤水分变化探测模型是利用多时相的雷达数据来探测土壤水分的变化信息，该方法获得的是某一时相土壤水分相对于上一时相土壤水分变化的相对值，而非土壤水分的绝对值。土壤水分变化探测模型假定观测区域的植被覆盖状况和地表粗糙度情况在两次观测期间保持不变，利用多时相的雷达数据集使得雷达的后向散射信号受植被覆盖和地表粗糙度的影响最小化，同时对土壤水分的变化敏感性最大化。然而该方法不适用于那些在短期内植被覆盖和地表粗糙度变化较大的情况，而且不同时相的观测数据必须保证由同一传感器在相同的观测条件下获得，这样才能避免由于入射角、辐射定标以及其他因素变化带来的影响。

(3)数据融合模型是指将雷达数据和其他传感器反演的土壤水分结果融合在一起的方法，微波遥感与传统的可见光和红外遥感在估算地表参数方面都有着各自的优势，利用两者的互补性和可交互性可以实现它们的结合(鲍艳松等，2007)。

2.2.2　被动微波遥感模型

被动微波遥感是指由卫星或飞机上微波辐射计等传感器接收和记录来自地物目标自身的微波辐射信号，并以此来分析地物目标的各种特性的技术。被动微波遥感反演土壤水分主要基于辐射传输方程展开，即通过传感器获得的地表能量平衡方程进行。在实际应用中，通常是由微波辐射计获得表示地物辐射信号强度的土壤亮温，再利用辐射传输方程或者与土壤水分之间建立经验关系来反演土壤水分。目前存在的土壤水分反演算法大体上可以分为3类:数理统计算法、正向模型算法和人工神经网络算法(钟若飞等，2005)。

(1)数理统计算法以统计描述和相关分析为基础，利用一系列的实际观测和地面采样数据建立起遥感观测数据与土壤和植被参数之间的经验回归模型来进行土壤水分反演(毛克彪等，2007)。数理统计算法所建立的回归模型是一种统计相关关系，其最大的优势在于简单和实用，但缺乏对物理机制的足够理解和深刻认识，理论基础不够完备，参数之间的逻辑关系也不强。数理统计算法在某一特定的地区可能取得令人满意的结果，然而在与该地区自然条件差异较大的地区应用时，统计规律和计算参数往往需要重新获取，可移植性比较差。

(2)正向模型算法是基于遥感过程中的物理模型来进行的，主动微波遥感中正向模型描述了在电磁波传播的过程中地表参数、各种介质参数以及传感器参数等与微波信号之间的传输机制。被动微波遥感中正向模型则描述了来自土壤表面的微波信号经过植被和大气等介质后再到被传感器所接收的整个辐射传输过程。向正向模型输入地表参数、各种介质参数以及传感器参数等，由模型输出传感器的观测值，用输出参数来求解输入参数的过程就称为反演。在微波遥感估算反演土壤水分中，正向模型往往包含了较多的参数，直接求出其反函数的解析解通常比较困难，因此要由观测到的亮温得到土壤水分等地表参数，就需要借助迭代的方法进行。具体的计算过程为:在某种正向模型的基础上建立起土壤水分等地表参数与观测到的亮温之间的非线性方程，然后利用最小二乘和迭代的方法求解该非线性方程来进行土壤水分的估算。

(3)人工神经网络算法主要是依靠人工神经网络来模拟土壤水分等地表参数同遥感观测值之间的非线性关系，以此代替正向方程来进行土壤水分等地表参数的反演。用人工神经网络估算土壤水分等地表参数时，不需要对辐射传输模型等物理正向过程进行分析，可以避免建立和求解复杂的非线性方程的麻烦。在进行土壤水分反演时，首先借助理论模型模拟值或实测值生成一组合适的输入和输出数据集，然后利用该数据集来模拟土壤水分等地表参数与观测到的亮温之间的非线性关系，即对人工神经网络进行训练。当对人工神经网络的训练完成后，就可以利用它来对土壤水分等地表参数进行反演。