在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] 。在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] 。同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] 。因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] 。但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] 。随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度。同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] 。
土壤介电常数与土壤水分之间有着密切的关系。土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] 。在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大。针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] 。目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] 。
裸露地表散射特征模型主要分为3类：理论模型、经验模型、半经验模型。理论模型主要有基尔霍夫模型、几何模型、光学模型、物理模型、IEM模;经验模型主要有Oh模型、Dobuis模型;半经验模型主要有Shi模型[29 -31 ] 。本研究以理论模型IEM为基础,主要考虑裸地及稀疏植被覆盖条件下C波段雷达数据在提取土壤水分时的适用性,首先利用IEM模型对数据进行模拟分析,在此基础上建立C波段土壤水分提取模型,最后对模型进行数据验证。
1 研究区概况
渭干河- 库车河三角洲绿洲位于新疆南部的塔里木盆地中北部, 绿洲包括库车、沙雅和新和三县,总面积5.23×104 km2 ,属典型的大陆性暖温带干旱气候,多年平均气温11.6℃,1月平均气温- 5.8℃,7月平均气温25℃。多年平均日较差14.7℃,全年>10℃积温为4 208℃,多年平均蒸发量2 420.23 mm,多年平均降水量为43.1 mm,蒸降比约54∶1。不同程度盐渍地表均生长有盐化草甸芦苇(Phragimites australis )、柽柳（Tamarix laxa Willd ）、花花柴(Karelina caspica )和盐爪爪(kalidium gracile )等耐盐植被。该区域经济方式以农牧业为主,土地利用/覆被类型为典型荒漠绿洲生态系统类型。
2 数据源与研究方法
2.1 数据源
1） RADARSAT-2数据。本研究获取了研究区RADARSAT-2的影像,成像时间为2008年9月10日至9月14日。在卫星过境期间对地表参数进行了实地观测。 RADARSAT-2是一颗搭载C波段传感器的高分辨率商用雷达卫星,是由加拿大太空署与MDA公司合作,于2007年12月14日在哈萨克斯坦拜科努尔基地发射升空。
2） 雷达图像处理。原始的 RADARSAT-2数据没有做过外定标。在进行土壤水分提取时我们首先要把图像数据转换为后向散射系数,这是通过定标来实现的[32 ,33 ] 。定标公式如下：
σ jk 0 = 10 log ( D DN jk 2 + A 0 ) / A j + 10 log [ sin ( I j ) ]
式中,j 表示第j 列,k 表示第k 行。D DN 为雷达图像的灰度值。A 0 和Aj 为雷达系统自动增益控制系数。Ij 为每个像元沿距离方向上的入射角。定标后需对图像进行滤波[34 ] ,在这里我们选择Enhance Lee滤波方式,选择5×5窗口。在对雷达图像进行定标之后,还需要对图像进行几何校正,在做完图像处理之后,数据才能进一步用于土壤水分的提取。
3） 实测数据。为验证土壤水分提取经验模型,在卫星过境同期测量了地表水分、地表土壤温度等数据。土壤质地结构、土壤容重等数据是根据实验区的其他数据获得的。
2.2 IEM模型
积分方程模型(Integrated Equation Model,IEM)是基于电磁波辐射传输方程的地表散模型,由Fung A K等人于1992年提出的[29 ] 。该模型能在一个很宽的地表粗糙度范围内再现真实地表后向散射情况,被广泛应用于微波地表散射、辐射的模拟与分析中。该模型经过不断地改进和完善,模拟精度不断提高。
IEM模型的表达式为：
σ p pp 0 = k 2 2 e - 2 k z 2 δ 2 ∑ n = 1 ∞ δ 2 n I p pp n 2 W n ( - 2 k x , 0 n !
式中,p pp 为极化方式,为HH极化,k 为空间自由波数, k z = kcosθ ， k x = ksinθ , δ 为均方根高度, W n ( - 2 k x , 0 l n 为阶次,I 为入射角, I p pp n
I p pp n = 2 k z ) n f p pp e - δ 2 k z 2 + k z n F p pp ( - k x , 0 + F p pp ( k x , 0 2
式中,fppp 、Fppp 是相关函数,取决于空间变量。
3 裸露地表土壤水分的估算
3.1 后向散射系数与土壤含水量关系分析
为了研究土壤含水量与后向散射系数之间的关系,本研究运用IEM模型模拟了土壤含水量与后向散射系数之间的关系。IEM模型的输入参数中,土壤介电常数是表征土壤含水量的参数,本研究中计算土壤介电常数时将温度设定为25℃,土壤质地以砂土为主,其中沙粒含量（S ）为60%,粘粒含量（C ）为13%,Pb 土壤质量为1.2 g/cm3 ,在土壤含水量5%~50%之间按3%的步长计算得到各土壤含水量所对应的介电常数,然后将计算得到的介电常数代入IEM模型,得到与土壤含水量对应的后向散射系数值。模拟条件为C波段,HH极化方式,模拟结果见图1 a、b。
图1 后向散射系数与土壤含水量的关系（a、b）及其回归关系（c）
Fig. 1 The relationship between backscattering coefficient and soil moisture content(a,b), and the regression functions between them (c)
从图1 c可以看出,两种极化方式下后向散射系数与土壤含水量之间呈现很好的对数关系。在不同的均方根高度和不同的相关长度下这种对数关系都保持不变,因此土壤含水量与后向散射系数之间的关系可以下面的公式表示：
σ hh 0 = A hh ln ( m v ) + f ( r roughness )
式中,系数A hh 与均方根高度和相关长度没有关系, f ( r roughness )
3.2 后向散射系数与地表粗糙度参数关系分析
在应用IEM模型时,需要输入的参数有：入射角、介电常数、均方根高度、相关长度。本研究使用Zribi M等的组合粗糙度参数 Z s = δ 2 / l [35 ] 。由于本研究的研究区地表粗糙度状况较为光滑,因此在这里讨论了C波段均方根为0.1~0.9 cm范围内时后向散射系数地表粗糙度的关系,然后利用大小入射角后向散射系数差来进行组合粗糙度的提取。图2 分别模拟3种（23°、29°、39°）不同入射角度,6种（5、10、15、20、25、30 cm）不同相关长度条件下后向散射系数对均方根高度的响应。图3 为不同含水量条件下,后向散射系数与均方根高度的关系。
图2 不同入射角后向散射系数对均方根高度的响应
Fig.2 Response of the different incidence angle backscattering coefficient to RMS height
图3 不同含水量后向散射系数对均方根高度的响应
Fig.3 Response of different soil moisture to RMS height
由图4 可以看出均方根高度在0.3~0.9 cm范围内,组合粗糙度参数与后向散射系数之间呈很好的对数关系。
图4 后向散射系数与Zs 的相关性
Fig. 4 Relevance between backscattering coefficient and Zs
基于以上分析,我们可给出后向散射系数 σ 0 Zs 之间关系表达为：
σ hh 0 = B hh ln ( Z s ) + f ( m v )
式中,系数B 与含水量无关, f ( m v )
Zribi M在他的研究中利用了水平极化条件下23°与39°入射角的后向散射系数之差来提取组合粗糙度参数[35 ] 。本研究中也将利用这类模型来提取地表组合粗糙度参数Zs 。在本研究中分析了HH极化下后向散射系数差Δ σ 0 Zs 之间的相关关系,所选用角度为23°与39°（图5 ）。图5 看出,对于HH极化来说后向散射系数差值Δ σ 0 Zs 之间的相关性较好,模型的决定系数达到0.851。HH极化下后向散射系数差Δ σ 0 Zs 的关系可以写为下式：
y = - 0.772 lnx + 3.824
组合粗糙度参数Zs 的提取公式为：
Z s = e - 1.295 Δ σ 0 hh + 0.531
图5 后向散射系数差Δ σ0 与Zs 的相关性
Fig.5 Relevance between Δ σ0 and Zs
3.3 C波段土壤水分提取模型建立
通过土壤水分（mv ）与同极化后向散射系数之间的关系和后向散射系数与地表组合粗糙度参数（Zs ）、雷达入射角（ θ
σ hh 0 = A hh ( θ ) ln ( m v ) + B hh ( θ ) ln ( Z S ) + C hh ( θ )
式中,系数A (θ )、B (θ )、C (θ )只与入射角参数有关,是入射角θ 的函数。因此要提取土壤含水量就要确定系数A (θ )、B (θ )、C (θ )确切的表达式。为确定这三个系数的具体表达式,利用IEM模型模拟了表1 参数条件下所有的数据,之后利用最小二乘法进行非线性拟合,计算每一个入射角条件下的A (θ )、B (θ )、C (θ )具体的值,然后再对这些数据进行非线性回归[36 ,37 ] ,得到A (θ )、B (θ )、C (θ )关于入射角的表达式。
HH极化方式下每一个入射角所对应的A (θ )、B (θ )、C (θ )具体见表2 。
A (θ )、B (θ )、C (θ )在HH极化下的具体表达式为：
A ( h h = 2.202 si n 3 θ - 2.101 si n 2 θ + 1.765 sinθ + 2.195
B ( hh ) = 6.491 si n 3 θ - 10.236 si n 2 θ + 1.580 sinθ + 1.58
（10）
C ( hh ) = - 21.940 si n 3 θ + 42.230 si n 2 θ - 53.251 sinθ + 20.591
HH极化下3个系数与入射角之间有很强的相关性,分别达到0.997,0.994和0.997。
对经验模型进行检验,利用IEM模型和经验模型分别模拟土壤含水量为5%~50%,均方根高度为0.3~0.9 cm,相关长度为5~30 cm在入射角为23°时的所有数据。并将经验模型模拟的数据与IEM模型模拟的数据进行相关性分析（图6 ）。图6 可看出经验模型的模拟结果与IEM模型模拟的结果相关性很好,达到0.9以上。基于公式8~11,对RADARSAT-2数据进行处理,得到研究区土壤水分信息图（图7 ）。
图6 经验模型模拟值与IEM模型模拟值的相关性
Fig.6 Relevance between empirical model simulation value and IEM model simulation value
图7 雷达图像提取土壤水分
Fig. 7 Soil moisture extracted from map of radar image
4 模型的验证
本研究在进行土壤水分提取时利用的是前面得到的HH极化土壤水分提取公式和组合粗糙度提取公式(公式7、9~11)。通过波段运算,提取得到了实验区地表土壤含水量mv 。经过实地采样获得49个样点0~5 cm 土层的土壤重量含水量数据并记录采样点坐标,将提取所得数据与实测值进行相关性分析(图8 )。通过图8 看出,提取得到的地表土壤含水量与实测值之间的相关性较好,相关系数为0.886,这说明本研究建立的土壤水分提取模型能够满足研究区土壤水分提取的要求。
图8 模拟值与实测值的相关性
Fig.8 Relevance between simulation value and measured value
5 结果与讨论
1） 土壤复介电常数受许多参数的影响,包括入射波频率、土壤含水量、土壤温度、盐度、土壤组分以及土壤容重。在利用土壤复介电常数对土壤水分进行研究时,对于这些参数都要给予考虑,在确定参数值时要根据研究区的具体的土壤状况来确定。
2） HH极化方式下的后向散射系数与土壤含水量呈很好的对数关系,在各种入射角条件下这种关系与粗糙度无关。
3） 地表组合粗糙度参数可以由同极化条件下的后向散射系数差来提取。在地表较光滑的条件下,可以直接进行提取,提取精度达到0.851。
4） 建立C波段地表土壤含水量提取模型。模型模拟的结果与IEM模型模拟的结果以及实测值的相关性都很强,表明本研究建立的模型能够进行地表土壤水分的提取。
The authors have declared that no competing interests exist.
参考文献
文献选项
[1]
钟若飞 ,郭华东 ,王为民 .被动微波遥感反演土壤水分进展研究
[J].遥感技术与应用 ,2005 ,20 (1 ):49 -57 .
[本文引用: 1]
[2]
鲍艳松 ,刘良云 ,王纪华 .综合利用微波遥感数据反演土壤湿度研究
[J].北京师范大学学报(自然科学版) ,2007 ,43 (3 ):228 -233 .
[3]
吐尔逊·艾山 ,塔西甫拉提·特依拜 ,买买提·阿扎提 ,等 .渭干河灌区地下水埋深与矿化度时空动态分布
[J].地理科学 ,2011 ,31 (9 ):1131 -1137 .
[4]
宋长春 ,邓伟 . 吉林西部地下水特征及其与土壤盐渍化的关系
[J].地理科学 ,2010 ,20 (3 ):246 -250 .
[本文引用: 1]
[5]
李震 ,郭华东 ,施建成 ,等 .综合主动和被动微波数据监测土壤水分变化
[J].遥感学报 ,2002 ,6 (6 ):481 -485 .
[本文引用: 1]
[6]
詹志明 ,冯兆东 .区域遥感土壤水分模型的方法初探
[J].水土保持研究 ,2002 ,9 (3 ):227 -230 .
[本文引用: 1]
[7]
韩桂红 ,塔西甫拉提·特依拜 ,买买提·沙吾提 ,等 .渭-库绿洲地下水对土壤盐渍化和其逆向演替过程的影响
[J].地理科学 ,2012 ,32 (3 ):362 -367 .
[本文引用: 1]
[8]
赵全升 ,冯娟 ,安乐生 .德州市深层地下水水质演化研究
[J].地理科学 ,2009 ,29 (5 ):767 -773 .
[本文引用: 1]
[9]
邵晓梅 ,严昌荣 ,徐振剑 .土壤水分监测与模拟研究
[J].地理科学进展 ,2004 ,23 (3 ):58 -66 .
[本文引用: 2]
[10]
肖飞 ,杜耘 ,凌峰 ,等 .长江中游四湖流域湖泊变迁与湖区土壤空间格局的关联分析
[J].湿地科学 ,2012 ,10 (1 ):8 -14 .
[11]
GAO Junqin OUYANG Hua LEI Guangchun et al. Effects of Temperature,Soil Moisture, Soil Type and Their Interactions on Soil Carbon Mineralization in Zoigê Alpine Wetland,Qinghai-Tibet Plateau
[J].Chinese Geographical Science ,2011 ,21 (1 ):27 -35 .
[本文引用: 1]
[12]
陈怀亮 ,毛留喜 ,冯定原 .遥感监测土壤水分的理论、方法及研究进展
[J].遥感技术与应用 ,1999 ,14 (2 ):55 -65 .
[13]
许小燕 ,汪志农 ,张志韬 .表层土壤水分反演深层土壤水分的研究进展
[J].陕西农业科学 ,2005 , (3 ):81 -84 .
[本文引用: 1]
[14]
周鹏 ,丁建丽 ,王飞 ,等 .植被覆盖地表土壤水分遥感反演
[J].遥感学报 ,2010 ,14 (5 ):966 -973 .
[本文引用: 1]
[15]
马红章 ,柳钦火 ,闻建光 ,等 .裸露地表土壤水分的L波段被动微波最佳角度反演算法
[J].农业工程学报 ,2010 , 26 (11 ):24 -29 .
[16]
刘万侠 ,刘旭 ,翁丰惠 ,等 .基于AMSR-E被动微波遥感数据的广东省土壤水分变化监测
[J].热带地理 ,2011 ,31 (3 ):272 -277 .
[本文引用: 1]
[17]
杨立娟 ,武胜利 ,张钟军 .利用主被动微波遥感结合反演土壤水分的理论模型分析
[J].国土资源遥感 ,2011 ,(2 ):53 -58 .
[本文引用: 1]
[18]
余凡 ,赵英时 . ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法
[J].中国科学 ,2011 ,41 (4 ):532 -540 .
[本文引用: 1]
[19]
Mo T Schmugge T J Wang J R. Calculation of the microwave brightness temperature of rough soil surface: bare field
[J].IEEE Transactions on Geoscience and Remote Sensing ,1987 ,25 (1 ):47 -54 .
[本文引用: 1]
[20]
Jackson T J Le Vine D E. Mapping surface soil moisture using an aircraft-based passive microwave instrument: algorithm and example
[J].Journal of Hydrology ,1996 ,184 :85 -99 .
[21]
Shi J Wang J R Hsu A Y et al .Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR inage data
[J].IEEE Transactions on Geoscience and Remote Sensing ,1997 ,35 (5 ):1254 -1266 .
[本文引用: 1]
[22]
Topp G C Davis J L Anna A P. Electromagnetic daaterminationof soil water content: measurements in claxial transmission lines
[J].Water Resources Research ,1980 ,16 (3 ):574 -582 .
[本文引用: 2]
[23]
魏小兰 ,李震 ,陈权 .S波段雷达数据反演土壤水分的模拟分析和验证
[J].地球信息科学 ,2008 ,10 (1 ):97 -101 .
[本文引用: 1]
[24]
Hallikainen M T Ulaby F T Dobson M C et al. Microwave dielectric behavior of wet soil-Part I:empirical models and experimental observations
[J]. IEEE Transactions on Geoscience and Remote Sensing , 1985 , 23 (1 ): 25 -34 .
[本文引用: 1]
[25]
Ledieu J de Ridder P de Clerck P et al . A method of measuring soil moisture by time-domain reflectometry
[J]. Journal of Hydrology ,1986 ,88 (3-4 ):319 -328 .
[本文引用: 1]
[26]
Dobson M C Ulaby F T Hallikainen M T et al. Microwave dielectric behavior of wet soil-Part II:dielectric mixing models
[J].IEEE Transaction on Geoscience and Remote Sensing ,1985 ,23 (1 ):35 -46 .
[本文引用: 2]
[27]
Wang J R Schmugge T J. An empirical model for the complex dielectric permittivity of soils as a function of water content
[J]. IEEE Transactions on Geoscience and Remote Sensing ,1980 ,18 (4 ):288 -295 .
[本文引用: 1]
[28]
Mironov V L Dobson M C Kaupp V H. Generalized refractive mixing dielectric model for moist soils
[J].IEEE Transactions on Geoscience and Remote Sensing ,2004 ,42 (4 ):773 -785 .
[本文引用: 1]
[29]
Fung A K Li Z Chen K S. Backscattering from a randomly rough dielectric surface
[J].IEEE Transactions on Geoseience and Remote Sensing ,1992 ,30 (2 ):356 -369 .
[本文引用: 2]
[30]
李森 . 基于IEM的多波段、多极化SAR土壤水分反演算法研究
[D].北京:中国农业科学院 ,2007 .
[31]
Oh Y Sarabandi K Ulaby F T. An empirical model and an inversion technique for radar scattering from bare soil surfaces
[J].IEEE Transactions on Geoseience and Remote Sensing ,1992 ,30 (2 ):370 -381 .
[本文引用: 1]
[32]
邵芸 ,郭华东 ,范湘涛 ,等 .水稻时域散射特征分析及其应用研究
[J].遥感学报 ,2001 ,5 (5 ):340 -345 .
[本文引用: 1]
[33]
张永红 ,林宗坚 ,张继贤 ,等 . SAR影像几何校正
[J].测绘学报 ,2002 ,31 (2 ):134 -138 .
[本文引用: 1]
[34]
杜培军 . RADARSAT图像滤波研究
[J].中国矿业大学学报 ,2002 ,31 (2 ):132 -137 .
[本文引用: 1]
[35]
Zribi M Ciarletti Dechambre M. A new empirical model to inverse soil moisture and roughness using two radar configurations
[C].IEEE:Geoscience and Remote Sensing Symposium ,2002 :2223 -2225 .
[本文引用: 2]
[36]
戴国俊 ,王金玉 ,杨建生 ,等 .应用统计软件SPSS拟合生长曲线方程
[J].畜牧与兽医 ,2006 ,38 (9 ):28 -29 .
[本文引用: 1]
[37]
郝拉娣 ,于化东 .标准差与标准误差
[J].编辑学报 ,2005 ,17 (2 ):116 -118 .
[本文引用: 1]
被动微波遥感反演土壤水分进展研究
1
2005
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
综合利用微波遥感数据反演土壤湿度研究
0
2007
渭干河灌区地下水埋深与矿化度时空动态分布
0
2011
吉林西部地下水特征及其与土壤盐渍化的关系
1
2010
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
综合主动和被动微波数据监测土壤水分变化
1
2002
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
区域遥感土壤水分模型的方法初探
1
2002
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
渭-库绿洲地下水对土壤盐渍化和其逆向演替过程的影响
1
2012
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
德州市深层地下水水质演化研究
1
2009
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
土壤水分监测与模拟研究
2
2004
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
... [9 -13 ].随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
长江中游四湖流域湖泊变迁与湖区土壤空间格局的关联分析
0
2012
Effects of Temperature,Soil Moisture, Soil Type and Their Interactions on Soil Carbon Mineralization in Zoigê Alpine Wetland,Qinghai-Tibet Plateau
1
2011
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
遥感监测土壤水分的理论、方法及研究进展
0
1999
表层土壤水分反演深层土壤水分的研究进展
1
2005
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
植被覆盖地表土壤水分遥感反演
1
2010
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
裸露地表土壤水分的L波段被动微波最佳角度反演算法
0
2010
基于AMSR-E被动微波遥感数据的广东省土壤水分变化监测
1
2011
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
利用主被动微波遥感结合反演土壤水分的理论模型分析
1
2011
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法
1
2011
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
Calculation of the microwave brightness temperature of rough soil surface: bare field
1
1987
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
Mapping surface soil moisture using an aircraft-based passive microwave instrument: algorithm and example
0
1996
Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR inage data
1
1997
... 在地球系统中,土壤水分参与陆地与大气能量交换,它是陆地表面蒸散,水分运移,碳循环过程中的重要因子,并对这些过程有很强的控制作用[1 -4 ] .在地表水资源的形成、转化与消耗的循环过程中,土壤水分是重要的研究参数,作为地表水与地下水联系的纽带,对水文过程以及气候变化有着非常重要的调节作用[5 ] .同时,土壤水分还是生态系统水循环的重要组成部分[6 ] ,对农业科学领域的研究有着重要的意义,是进行农作物估产,旱情监测等研究中必不可少的指标参数[7 ,8 ] .因此,对土壤水分的大面积监测已成为国际前沿研究领域的热点之一[9 -11 ] .但是,对于大范围的土壤水分监测,从技术手段而言,也是一个公认的难题[9 -13 ] .随着遥感技术的发展,大面积及时准确地监测土壤水分成为可能,与可见光及红外遥感相比,微波遥感提供了提取土壤水分空间分布的技术,利用被动微波遥感反演土壤水分[14 -16 ] ,或是主被动微波遥感相结合的方法[17 ] ,以及将光学模型反演的植被参数作为微波模型的输入来协同反演土壤水分等方法[18 ] ,均可以提高土壤水分的反演精度.同时,大量的理论模型和野外实验证明,微波传感器对土壤介电特性表面粗糙度和植被覆盖特别敏感[19 -21 ] . ...
Electromagnetic daaterminationof soil water content: measurements in claxial transmission lines
2
1980
... 土壤介电常数与土壤水分之间有着密切的关系.土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] .在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大.针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] .目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
... [22 ,24 ,25 ]、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
S波段雷达数据反演土壤水分的模拟分析和验证
1
2008
... 土壤介电常数与土壤水分之间有着密切的关系.土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] .在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大.针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] .目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
Microwave dielectric behavior of wet soil-Part I:empirical models and experimental observations
1
1985
... 土壤介电常数与土壤水分之间有着密切的关系.土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] .在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大.针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] .目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
A method of measuring soil moisture by time-domain reflectometry
1
1986
... 土壤介电常数与土壤水分之间有着密切的关系.土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] .在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大.针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] .目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
Microwave dielectric behavior of wet soil-Part II:dielectric mixing models
2
1985
... 土壤介电常数与土壤水分之间有着密切的关系.土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] .在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大.针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] .目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
... [26 -28 ]. ...
An empirical model for the complex dielectric permittivity of soils as a function of water content
1
1980
... 土壤介电常数与土壤水分之间有着密切的关系.土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] .在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大.针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] .目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
Generalized refractive mixing dielectric model for moist soils
1
2004
... 土壤介电常数与土壤水分之间有着密切的关系.土壤含水量与土壤介电常数实部呈现单值函数关系,从土壤介电常数的测量可间接获得土壤含水量的数值[22 ] .在微波波段,随着土壤含水量的增加,介电常数也会很快增加,雷达的回波信号也会增大.针对雷达后向散射系数与土壤含水量之间的关系,国内外学者已经做了大量的研究,主要包括介电模型的研究以及裸露地表散射特征模型的研究[23 ] .目前已经建立的介电常数模型,按构建方式可以分为三类：经验[22 ,24 ,25 ] 、半经验[26 ,27 ] 和物理模型[26 -28 ] . ...
Backscattering from a randomly rough dielectric surface
2
1992
... 裸露地表散射特征模型主要分为3类：理论模型、经验模型、半经验模型.理论模型主要有基尔霍夫模型、几何模型、光学模型、物理模型、IEM模;经验模型主要有Oh模型、Dobuis模型;半经验模型主要有Shi模型[29 -31 ] .本研究以理论模型IEM为基础,主要考虑裸地及稀疏植被覆盖条件下C波段雷达数据在提取土壤水分时的适用性,首先利用IEM模型对数据进行模拟分析,在此基础上建立C波段土壤水分提取模型,最后对模型进行数据验证. ...
... 积分方程模型(Integrated Equation Model,IEM)是基于电磁波辐射传输方程的地表散模型,由Fung A K等人于1992年提出的[29 ] .该模型能在一个很宽的地表粗糙度范围内再现真实地表后向散射情况,被广泛应用于微波地表散射、辐射的模拟与分析中.该模型经过不断地改进和完善,模拟精度不断提高. ...
基于IEM的多波段、多极化SAR土壤水分反演算法研究
0
2007
An empirical model and an inversion technique for radar scattering from bare soil surfaces
1
1992
... 裸露地表散射特征模型主要分为3类：理论模型、经验模型、半经验模型.理论模型主要有基尔霍夫模型、几何模型、光学模型、物理模型、IEM模;经验模型主要有Oh模型、Dobuis模型;半经验模型主要有Shi模型[29 -31 ] .本研究以理论模型IEM为基础,主要考虑裸地及稀疏植被覆盖条件下C波段雷达数据在提取土壤水分时的适用性,首先利用IEM模型对数据进行模拟分析,在此基础上建立C波段土壤水分提取模型,最后对模型进行数据验证. ...
水稻时域散射特征分析及其应用研究
1
2001
... 2） 雷达图像处理.原始的 RADARSAT-2数据没有做过外定标.在进行土壤水分提取时我们首先要把图像数据转换为后向散射系数,这是通过定标来实现的[32 ,33 ] .定标公式如下： ...
SAR影像几何校正
1
2002
... 2） 雷达图像处理.原始的 RADARSAT-2数据没有做过外定标.在进行土壤水分提取时我们首先要把图像数据转换为后向散射系数,这是通过定标来实现的[32 ,33 ] .定标公式如下： ...
RADARSAT图像滤波研究
1
2002
... 式中,j 表示第j 列,k 表示第k 行.D DN 为雷达图像的灰度值.A 0 和Aj 为雷达系统自动增益控制系数.Ij 为每个像元沿距离方向上的入射角.定标后需对图像进行滤波[34 ] ,在这里我们选择Enhance Lee滤波方式,选择5×5窗口.在对雷达图像进行定标之后,还需要对图像进行几何校正,在做完图像处理之后,数据才能进一步用于土壤水分的提取. ...
A new empirical model to inverse soil moisture and roughness using two radar configurations
2
2002
... 在应用IEM模型时,需要输入的参数有：入射角、介电常数、均方根高度、相关长度.本研究使用Zribi M等的组合粗糙度参数 Z s = δ 2 / l [35 ] .由于本研究的研究区地表粗糙度状况较为光滑,因此在这里讨论了C波段均方根为0.1~0.9 cm范围内时后向散射系数地表粗糙度的关系,然后利用大小入射角后向散射系数差来进行组合粗糙度的提取.图2 分别模拟3种（23°、29°、39°）不同入射角度,6种（5、10、15、20、25、30 cm）不同相关长度条件下后向散射系数对均方根高度的响应.图3 为不同含水量条件下,后向散射系数与均方根高度的关系. ...
... Zribi M在他的研究中利用了水平极化条件下23°与39°入射角的后向散射系数之差来提取组合粗糙度参数[35 ] .本研究中也将利用这类模型来提取地表组合粗糙度参数Zs .在本研究中分析了HH极化下后向散射系数差Δ σ 0 Zs 之间的相关关系,所选用角度为23°与39°（图5 ）.图5 看出,对于HH极化来说后向散射系数差值Δ σ 0 Zs 之间的相关性较好,模型的决定系数达到0.851.HH极化下后向散射系数差Δ σ 0 Zs 的关系可以写为下式： ...
应用统计软件SPSS拟合生长曲线方程
1
2006
... 式中,系数A (θ )、B (θ )、C (θ )只与入射角参数有关,是入射角θ 的函数.因此要提取土壤含水量就要确定系数A (θ )、B (θ )、C (θ )确切的表达式.为确定这三个系数的具体表达式,利用IEM模型模拟了表1 参数条件下所有的数据,之后利用最小二乘法进行非线性拟合,计算每一个入射角条件下的A (θ )、B (θ )、C (θ )具体的值,然后再对这些数据进行非线性回归[36 ,37 ] ,得到A (θ )、B (θ )、C (θ )关于入射角的表达式. ...
标准差与标准误差
1
2005
... 式中,系数A (θ )、B (θ )、C (θ )只与入射角参数有关,是入射角θ 的函数.因此要提取土壤含水量就要确定系数A (θ )、B (θ )、C (θ )确切的表达式.为确定这三个系数的具体表达式,利用IEM模型模拟了表1 参数条件下所有的数据,之后利用最小二乘法进行非线性拟合,计算每一个入射角条件下的A (θ )、B (θ )、C (θ )具体的值,然后再对这些数据进行非线性回归[36 ,37 ] ,得到A (θ )、B (θ )、C (θ )关于入射角的表达式. ...
, 姚远
