基于GF-1衛(wèi)星遙感的河套灌區(qū)土壤含水率反演模型研究

姚一飛 王 爽 張珺銳 黃小魚 陳 策 張智韜

(1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室， 陜西楊凌 712100)

0 引言

土壤水分是決定植被生長、農(nóng)作物生產(chǎn)、區(qū)域生態(tài)環(huán)境穩(wěn)定的關(guān)鍵因素，其動態(tài)變化趨勢影響著各種生物的生存和發(fā)展。因此，準確、及時地反演土壤水分具有重要意義。遙感監(jiān)測土壤含水率技術(shù)克服了傳統(tǒng)田間實測法低效率、高成本、單點測量的缺點[1]，是大范圍監(jiān)測土壤含水率時空分布和動態(tài)變化的有效手段[2]，在精準農(nóng)業(yè)中具有廣闊應(yīng)用前景[3]。

利用光學(xué)遙感監(jiān)測裸土土壤含水率的可行性已被諸多學(xué)者驗證[4-6]。但在現(xiàn)實情況下農(nóng)田土壤常被不同作物覆蓋，僅監(jiān)測裸土土壤含水率無法滿足農(nóng)田灌溉的需要。因此，部分學(xué)者提出采用構(gòu)造不同光譜指數(shù)可以定量監(jiān)測植被生長狀況及其覆蓋下的土壤含水率。文獻[7]利用地表溫度與歸一化植被指數(shù)(NDVI)之間的比例關(guān)系對地表的干旱程度開展動態(tài)監(jiān)測；土壤背景對用于計算植被指數(shù)的反射率具有不同程度的影響，HUETE[8]基于NDVI大量觀測數(shù)據(jù)提出了土壤調(diào)節(jié)植被指數(shù)(SAVI)來減少土壤背景的影響[9]，而基于SAVI發(fā)展了多種新的指數(shù)，包括：土壤調(diào)節(jié)植被指數(shù)2(SAVI2)[10]、轉(zhuǎn)換型土壤調(diào)節(jié)植被指數(shù)(TSAVI)、調(diào)整轉(zhuǎn)換型土壤調(diào)節(jié)植被指數(shù)(ATSAVI)[11]等。夏權(quán)等[12]利用資源三號衛(wèi)星的多光譜數(shù)據(jù)，建立增強型植被指數(shù)(EVI)反演土壤水分含量數(shù)學(xué)模型；吳春雷等[13]針對垂直干旱指數(shù)(PDI)在農(nóng)田植被區(qū)土壤濕度監(jiān)測精度降低問題引入垂直植被指數(shù)(PVI)進行調(diào)整；蔡亮紅等[14]利用Landsat8 OLI遙感數(shù)據(jù)，將短波紅外波段引入到可見光-近紅外植被指數(shù)中，獲得了較好的土壤水分反演結(jié)果；WEST等[15]研究發(fā)現(xiàn)干旱條件下NDVI能較好反映土壤水分狀況，并且Sentinel-2衛(wèi)星反演效果優(yōu)于Landsat8，在土壤水分監(jiān)測中應(yīng)用潛力大；同樣利用Landsat衛(wèi)星，NATALIE等[16]使用歸一化紅外指數(shù)(NDII)和NDVI分析濕地土壤水分的時空趨勢，REZA等[17]使用歸一化差值含水指數(shù)(NDMI)對干旱半干旱地區(qū)的土壤表面水分進行了測量。GF-1作為我國重要的多光譜衛(wèi)星，在土地利用分類[18]、船舶探測[19]、農(nóng)作物光合有效輻射吸收比率估算[20]、氣溶膠光學(xué)厚度反演[21]、冰川識別[22]方面已開展廣泛研究，但目前用于植被覆蓋條件下土壤水分的反演研究較少。

本文以河套灌區(qū)解放閘灌域沙壕渠為研究區(qū)，以GF-1衛(wèi)星遙感影像為數(shù)據(jù)源，并同步采集不同深度土壤含水率，利用全子集篩選法確定不同深度下光譜指數(shù)的最優(yōu)自變量組合，采用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和支持向量機3種算法，構(gòu)建不同深度下土壤含水率反演模型，探究GF-1號衛(wèi)星反演植被覆蓋條件下農(nóng)田土壤含水率的可行性，以期為全灌區(qū)干旱監(jiān)測與預(yù)警提供技術(shù)依據(jù)。

1 數(shù)據(jù)集建立與反演模型構(gòu)建

1.1 研究區(qū)概況

內(nèi)蒙古河套灌區(qū)是我國設(shè)計灌溉面積最大的灌區(qū)[23]。位于內(nèi)蒙古自治區(qū)西部的巴彥淖爾盟，東西長約250 km，南北寬約50 km，總灌溉面積約為5 740 km2。灌區(qū)是典型的溫帶大陸性氣候，降雨量少、蒸發(fā)量大，地處干旱的西北高原，但其區(qū)域內(nèi)遍布人工水系，年引黃河水量高達50億m3，形成了獨特的干旱區(qū)“綠洲”生態(tài)，是國家和自治區(qū)重要的商品糧、油生產(chǎn)基地。保障河套灌區(qū)農(nóng)業(yè)可持續(xù)發(fā)展對我國旱區(qū)農(nóng)業(yè)生產(chǎn)生活意義重大，隨節(jié)水改造工程的實施，河套灌區(qū)面臨指令性的節(jié)水形勢。

解放閘灌域是河套灌區(qū)的第二大灌域，位于河套灌區(qū)西部(圖1a)，灌溉面積1 420 km2，灌溉水主要來源于過境的黃河水，年均降水量約為140 mm，年均蒸發(fā)量約為2 000 mm。解放閘灌域地形較為平緩，地勢由東南向西微度傾斜[24]，平均坡度為0.2%，其平坦的地形地勢使排水系統(tǒng)能力降低，加之地下水埋深較淺，為高效地利用水資源，優(yōu)化灌溉制度，有必要進行大面積土壤含水率的監(jiān)測。根據(jù)實際試驗條件，本次選取河套灌區(qū)解放閘灌域沙壕渠試驗站為研究區(qū)。

1.2 土壤樣本采集與處理

7—9月是研究解放閘灌域植被覆蓋區(qū)域的最佳時期，該時段內(nèi)灌域的主要作物葵花、玉米(占所有作物面積80%)等都處于生長旺盛期，9月下旬灌域作物均已成熟，等待收割[25]，因此選擇作物生長旺盛、植被信息豐富的2019年7月15—25日作為研究時段。采用手持GPS定位，利用打土鉆取樣，且記錄采樣點的植株高度、耕作狀況、植被種類等，綜合考慮了不同土地利用方式、種植結(jié)構(gòu)、灌溉方式等情況，以及GF-1號衛(wèi)星分辨率為16 m，在河套灌區(qū)沙壕渠共布置了120個16 m×16 m采樣點，并盡量保證點的均勻性。采樣點分布情況見圖1b。在植被覆蓋情況下，土壤水分脅迫將影響作物根系的生長，導(dǎo)致作物光譜特征及作物長勢明顯變化，衛(wèi)星遙感監(jiān)測是依據(jù)解譯作物生長狀況及作物長勢進而判斷根系主要活動層所在土壤深度的含水率，故采用五點取樣法，根據(jù)研究區(qū)域該時段的作物主根系深度及相關(guān)研究成果[26-28]，在深度0～60 cm范圍內(nèi)每隔20 cm分層取樣，將采取的土樣充分混合后得到具有代表性的樣品。

1.2.1土壤含水率測定

將野外采集到的各深度的120個土樣快速裝入已知質(zhì)量的干燥鋁盒中，貼好標簽并密封后稱量。采集工作完成后將封裝好的土樣托運回西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室進行后續(xù)處理，經(jīng)105℃，24 h恒溫處理后，取出鋁盒稱量。土壤質(zhì)量含水率θm計算式為

(1)

式中W1——濕土加鋁盒質(zhì)量

W2——干土加鋁盒質(zhì)量

W3——空鋁盒質(zhì)量

結(jié)合地面植被情況，剔除小麥收割后、裸土以及存在明顯粗誤差的采樣數(shù)據(jù)(由于試驗測量過程中或記錄相關(guān)數(shù)據(jù)時錯讀、錯記造成含水率為負)，剩余100余個土壤樣本用于本次7月植被覆蓋條件下的灌區(qū)土壤含水率反演研究。

1.2.2土壤含水率統(tǒng)計特征

選取0～20 cm、20～40 cm、40～60 cm、0～40 cm和0～60 cm 5個深度土壤含水率為研究對象，其中0～40 cm和0～60 cm含水率為對應(yīng)深度內(nèi)實測數(shù)據(jù)的平均值。不同深度數(shù)據(jù)集按照土壤含水率降序或升序排列，采用每隔2個樣本提取1個樣本作為驗證集的方法，使得建模集與驗證集樣本數(shù)比例近似為2∶1，以期實現(xiàn)建模樣本和驗證樣本范圍一致且分布均勻。土壤含水率統(tǒng)計特征見圖2和表1。

表1 土壤含水率統(tǒng)計特征Tab.1 Statistical characteristics of soil moisture content

0～20 cm、20～40 cm和40～60 cm 3個深度土壤含水率平均值分別為24.46%、26.48%和29.21%，標準誤差分別為0.27%、0.36%、0.28%，表明不同深度的土壤含水率存在顯著差異，土壤含水率隨著土壤深度而增加，與文獻[29-30]研究結(jié)果一致。變異系數(shù)是表征土壤含水率變化幅度的指標，變異系數(shù)越小，土壤含水率越穩(wěn)定，深層(40～60 cm)土壤含水率變異系數(shù)相對最小，主要原因是深層土壤受光照輻射、降雨量以及土壤蒸散發(fā)等外界環(huán)境因素的影響較小[31]。

各個深度下總體與建模集、驗證集的土壤含水率變化范圍和統(tǒng)計分布(平均值、中位數(shù)、標準差、變異系數(shù))基本一致，確保了樣本的代表性，同時也避免了建模和驗證中的估計偏差。

1.3 遙感影像選取與處理

采用GF-1衛(wèi)星遙感影像為數(shù)據(jù)源，空間分辨率16 m，共計4個波段，重訪時間2 d，衛(wèi)星影像的成像時間為2019年7月27日，與實測數(shù)據(jù)日期基本同步。衛(wèi)星影像數(shù)據(jù)由中國資源衛(wèi)星應(yīng)用中心下載獲得(http:∥www.cresda.com/CN/)。對下載的影像經(jīng)過幾何精校正、輻射校正、大氣校正預(yù)處理后用于后續(xù)土壤含水率反演。衛(wèi)星4個波段范圍分別為0.45～0.52 μm、0.52～0.59 μm、0.63～0.69 μm、0.77～0.89 μm。

1.4 光譜指數(shù)提取與篩選

1.4.1光譜指數(shù)選取

選取空間分辨率為16 m×16 m的GF-1衛(wèi)星遙感影像，僅用4個波段反射率提取土壤水分信息并分析其相關(guān)性有一定局限性，考慮到7月為灌區(qū)內(nèi)作物生長發(fā)育的關(guān)鍵時期，植被覆蓋率較高，可利用GF-1衛(wèi)星數(shù)據(jù)的4個波段反射率計算相關(guān)光譜指數(shù)建立遙感圖像與土壤含水率的定量關(guān)系。

本文共選取包括土壤亮度指數(shù)(BI)[32]、鹽分指數(shù)(SI)[33]、鹽分指數(shù)1(SI1)、鹽分指數(shù)2(SI2)、鹽分指數(shù)S1、鹽分指數(shù)S2、鹽分指數(shù)S6和EVI[34]、差值環(huán)境植被指數(shù)(DVI)[35]、PVI[36]、PDI[37]、SAVI2、土壤大氣抗阻植被指數(shù)2(SARVI2)[38]、TSAVI、ATSAVI在內(nèi)的光譜指數(shù)共15個。其中，EVI、DVI等是光學(xué)衛(wèi)星反演土壤水分的常用植被指數(shù)，同時，由于研究區(qū)域為我國典型的鹽漬化地區(qū)，與正常情況相比，當(dāng)作物受到水分脅迫和鹽分脅迫時，其狀態(tài)的改變會在光譜特征上有所體現(xiàn)[39]。當(dāng)研究區(qū)域內(nèi)土壤水分在時空上具有一定動態(tài)變化時，土壤水分和鹽分對土壤反射光譜有相似的影響[40]。故在此基礎(chǔ)上，選取6個鹽分指數(shù)共同用于本次植被覆蓋條件下農(nóng)田土壤含水率的反演。

1.4.2全子集篩選

全子集篩選法是遍歷自變量全集中所有可能的組合方式，通過最小二乘法對每種變量組合進行擬合，并從中選取效果最佳的模型。主要計算過程如下：

1.5 回歸模型構(gòu)建

1.5.1多元線性回歸模型

多元線性回歸(Multiple linear regression，MLR)是一元線性回歸的擴展，可分為單因變量和多因變量2種類型[48]。

當(dāng)因變量受多個自變量影響時，可通過一般線性回歸模型表示為

Y=βX+ε

(2)

式中X——自變量β——自變量系數(shù)

ε——滿足正態(tài)獨立同分布的隨機誤差項

與一元線性回歸類似，參數(shù)β估計是在誤差平方和最小的前提下，用普通最小二乘法求解[49]。利用Matlab軟件進行多元線性回歸的建模與驗證。

1.5.2BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)(Back propagation neural network，BPNN)是目前應(yīng)用較為廣泛、相對通俗易懂的神經(jīng)網(wǎng)絡(luò)模型。該模型的非線性映射能力較強，能夠根據(jù)輸出結(jié)果與實測值之間的誤差調(diào)節(jié)系統(tǒng)內(nèi)部的參數(shù)，并依據(jù)精度要求反復(fù)進行信號前向傳播和誤差反向傳播的操作，最終得到輸出結(jié)果。該模型拓撲結(jié)構(gòu)由輸入層、隱藏層、輸出層構(gòu)成。輸入層為不同深度下全變量(即4個波段反射率和15個光譜指數(shù))及經(jīng)過全子集篩選后的最優(yōu)變量組合；隱含層的網(wǎng)絡(luò)層數(shù)設(shè)置為2，采用雙曲正切激活函數(shù)；輸出層為土壤含水率，采用恒等激活函數(shù)；目標誤差為0.001。利用Matlab軟件進行BP神經(jīng)網(wǎng)絡(luò)建模與驗證。

1.5.3支持向量機模型

支持向量機(Support vector machines，SVM)是一種基于分類邊界的方法[50]，可擴展用于回歸分析。其能夠根據(jù)有限的樣本信息，平衡模型的復(fù)雜性和學(xué)習(xí)能力，找到最優(yōu)解，在處理高維數(shù)據(jù)集、小樣本和非線性問題中都具有良好表現(xiàn)。SVM在結(jié)構(gòu)風(fēng)險最小化原理的基礎(chǔ)上，利用核函數(shù)映射的方法，通過非線性變換，將低維空間的點映射到高維空間，使它們成為線性可分，建立線性模型以此求解非線性問題，很大程度上克服了“離散值多”和“過學(xué)習(xí)”等問題。對建模精度影響最大的3個參數(shù)是核函數(shù)類型、懲罰參數(shù)C、核參量g[51]。

徑向基核是應(yīng)用最廣泛的核函數(shù)，簡單實用、普適性好，通過選擇合適的參數(shù)，可以適用于任意分布的樣本[52]。本次支持向量機采用RBF核函數(shù)進行計算，其解析式為

(3)

式中x——未知向量x′——支持向量

σ——函數(shù)寬度

利用Matlab軟件進行支持向量機建模與驗證。

1.5.4模型精度評價指標

2 結(jié)果分析

2.1 土壤含水率與自變量相關(guān)性分析

選取GF-1衛(wèi)星的4個波段反射率(B1、B2、B3、B4)和15個光譜指數(shù)，組成反演土壤含水率的自變量集。隨機選取約2/3的樣本數(shù)據(jù)組成估算數(shù)據(jù)集，對自變量集與土壤含水率的相關(guān)性進行分析，得到Pearson相關(guān)系數(shù)如表2所示。

根據(jù)相關(guān)系數(shù)檢驗臨界值表對自變量集與土壤含水率的顯著性進行檢驗。當(dāng)自由度為70時，相關(guān)系數(shù)絕對值大于0.232即達到0.05顯著性水平，大于0.302即達到0.01顯著性水平。由表2可以看出，EVI、DVI、PVI、SARVI2在深度0～20 cm、20～40 cm、0～40 cm和0～60 cm下，與土壤含水率均未表現(xiàn)出明顯的顯著性，在深度40～60 cm 下與土壤含水率均達到0.05顯著性水平；B3在深度40～60 cm 下與土壤含水率未表現(xiàn)出明顯的顯著性，與其余深度達到0.05顯著性水平；SI、SI1在深度40～60 cm下和S6在深度0～20 cm下分別與土壤含水率達到0.05顯著性，其余自變量與各深度土壤含水率均達到0.01顯著性水平。

表2 波段及光譜指數(shù)與土壤含水率的Pearson相關(guān)系數(shù)Tab.2 Pearson correlation coefficient of bands and spectral indices with soil moisture content

2.2 基于全子集篩選的最優(yōu)自變量組合

表3 基于全子集篩選的土壤含水率最佳自變量組合Tab.3 Best independent variable combination of soil moisture content based on total subset selection

選擇SI、SI1、S1共3個自變量，0～60 cm處選擇B1、SI1、S1共3個自變量，作為各深度下最優(yōu)自變量組合方式。

2.3 土壤含水率反演模型建立與驗證

2.3.1線性回歸模型建立與驗證

分別以不同深度下篩選前后的波段反射率及光譜指數(shù)為自變量，土壤含水率為因變量，運用多元線性回歸模型進行不同深度下土壤含水率估算。其建模集和驗證集精度如表4所示。

表4 基于多元線性回歸全子集篩選前后的土壤含水率反演模型Tab.4 Inversion model of soil moisture content before and after screening of all subsets based on MLR

總體來說，在多元線性回歸模型中，各深度篩選后模型擬合效果和泛化性能優(yōu)于篩選前，且篩選后模型穩(wěn)定性更強。全子集多元線性回歸模型在不同深度土壤含水率的反演效果由好到差依次為：0～40 cm、0～60 cm、20～40 cm、0～20 cm、40～60 cm。

2.3.2BP神經(jīng)網(wǎng)絡(luò)模型建立與驗證

分別以不同深度下篩選前后的波段反射率及光譜指數(shù)為自變量，土壤含水率為因變量，運用BP神經(jīng)網(wǎng)絡(luò)模型進行不同深度下土壤含水率估算。其建模集和驗證集精度如表5所示。

表5 基于BP神經(jīng)網(wǎng)絡(luò)全子集篩選前后的土壤含水率反演模型Tab.5 Inversion model of soil moisture content before and after screening of all subsets based on BPNN

總體來說，在BP神經(jīng)網(wǎng)絡(luò)模型中，除深度20～40 cm外，其余各深度篩選后模型擬合效果和泛化性能優(yōu)于篩選前，且篩選后模型穩(wěn)定性更強。全子集BP神經(jīng)網(wǎng)絡(luò)模型在不同深度土壤含水率的反演效果由好到差依次為：0～40 cm、0～60 cm、20～40 cm、0～20 cm、40～60 cm。

2.3.3支持向量機模型建立與驗證

分別以不同深度下篩選前后的波段反射率及光譜指數(shù)為自變量，土壤含水率為因變量，運用支持向量機模型進行不同深度下土壤含水率估算。其建模集和驗證集精度如表6所示。

表6 基于支持向量機全子集篩選前后的土壤含水率反演模型Tab.6 Inversion model of soil moisture content before and after screening of all subsets based on SVM

總體來說，在支持向量機模型中，深度0～60 cm篩選后模型擬合效果略有下降，其余各深度篩選后模型擬合效果和泛化性能優(yōu)于篩選前，過擬合現(xiàn)象得到一定改善，反演誤差相當(dāng)。全子集支持向量機模型在不同深度土壤含水率的反演效果由好到差依次為：0～60 cm、0～40 cm、0～20 cm、20～40 cm、40～60 cm。

2.4 反演效果綜合評價

圖3 土壤含水率反演深度綜合對比圖Fig.3 Comprehensive contrast diagrams of soil moisture content inversion depth

2.4.1反演深度評價

2.4.2反演模型評價

圖4 土壤含水率反演模型綜合對比Fig.4 Comprehensive contrast diagrams of soil moisture content inversion model

3 討論

利用GF-1衛(wèi)星4個波段和15個光譜指數(shù)，經(jīng)過全子集篩選的方法確定不同土壤深度條件下敏感變量組合方式，個別模型和深度篩選后模型效果略有下降，其余模型的擬合效果和泛化能力均有提高，反演誤差基本保持不變，過擬合現(xiàn)象有所減輕。3種模型模擬結(jié)果表明，篩選后的敏感變量組合方式僅用2～4個自變量即可得到篩選前同等精度的反演效果，且模型穩(wěn)定性較大提高。羅湘華等[53]使用全子集有效地消除了共線性在土地利用變化統(tǒng)計分析中的影響，李長春等[44]在評估葉片表面指數(shù)時，也發(fā)現(xiàn)使用全子集篩選方法創(chuàng)建的回歸模型與傳統(tǒng)線性回歸和機器學(xué)習(xí)模型相比更加貼合實際，符合全子集篩選有效的結(jié)論。

對比全子集篩選后的3種模型在不同深度下的反演結(jié)果，發(fā)現(xiàn)在植被覆蓋條件下利用GF-1號衛(wèi)星數(shù)據(jù)反演深度0～40 cm的土壤含水率效果最佳，深度0～60 cm次之。深層土壤(40～60 cm)反演效果較差，可能是由于深層含水率的空間變異性相對更小，不同樣本點之間的光譜差異更多由淺層土壤造成，一定程度上掩蓋了深層(40～60 cm)土壤含水率的光譜差異，并且深層(40～60 cm)土壤平均含水率更高，對植被的脅迫性也相對較小，所反映出來的差異也更小。張智韜等[54]利用TM5、TM7數(shù)據(jù)，應(yīng)用歸一化土壤濕度指數(shù)監(jiān)測土壤含水率也得出反演效果最好的土層深度為0～40 cm的結(jié)論，屈創(chuàng)[55]基于多源遙感數(shù)據(jù)的白龍江流域水分反演研究里也表明回歸模型對深度0～40 cm范圍的土壤水分反演精度最高。其主要原因是：①表層土壤水分容易受到太陽輻射、降水、風(fēng)速等多種因素的影響，并且衛(wèi)星成像時間和野外實測土壤含水率數(shù)據(jù)很難達到完全同步，下層土壤處于一個被保護的狀態(tài)，受到外界環(huán)境的影響較小，其土壤水分的變化在一段時間內(nèi)能維持在一個相對穩(wěn)定的狀態(tài)。②作物耗水主要集中在0～40 cm的土層[56]，作物生長期根系對土壤水分反應(yīng)敏感，受到土壤水分脅迫更加明顯。在本次研究的河套灌區(qū)中，7月下旬的主要作物葵花處于苗期后期，生理需水量處于中等水平，主要吸水層集中在距地表0～50 cm土層之間[57]，最大吸水峰值在30 cm土層之間，與本文研究結(jié)果基本相符。

本研究表明利用GF-1衛(wèi)星反演植被覆蓋條件下農(nóng)田土壤含水率具有可行性，評價了植被覆蓋條件下GF-1衛(wèi)星對不同深度土壤含水率的反演能力，研究不同深度下最優(yōu)的土壤含水率反演模型，為全灌區(qū)干旱監(jiān)測與預(yù)警提供了一定技術(shù)依據(jù)。CHEN等[58]率先對GF-1寬視場(WFV)傳感器土壤水分反演觀測能力做出了定量評價，NIE等[59]在進行光譜指數(shù)在土壤水分反演中的適宜性評價時也得出使用GF-1影像獲得的整體反演結(jié)果優(yōu)于使用Landsat8 OLI影像的結(jié)論；GF-1光學(xué)數(shù)據(jù)與SAR數(shù)據(jù)結(jié)合能有效提高土壤水分的反演精度，WANG等[60]基于GF-1衛(wèi)星計算的植被指數(shù)與Sentinel-1 SAR數(shù)據(jù)，結(jié)合水云模型(WMC)和高級積分方程模型(AIEM)反演土壤水分的R2為0.52～0.56，RMSE為0.052%～0.064%；TAO等[61]使用多時相SAR數(shù)據(jù)和GF-1數(shù)據(jù)提出了改進的植被反向散射模型，結(jié)果表明該模型對于土壤水分估算準確。本文通過全子集篩選法確定了不同土壤深度的最優(yōu)光譜指數(shù)組合，得到了與以上研究同等精度的土壤水分反演結(jié)果。

解放閘灌域鹽漬化問題突出，地下水位偏高，會對土壤水分反演造成一定程度上的影響[62]，本文中采用的7個土壤指數(shù)(包括6個鹽分指數(shù))在以往多用于土壤含鹽量的研究，首次將其利用在植被覆蓋條件下土壤含水率的反演，結(jié)果表明這些鹽分指數(shù)在各個深度下的土壤含水率反演模型中都表現(xiàn)良好，為未來在鹽漬化地區(qū)的土壤含水率反演中提供了新的思路，未來可以進一步研究分析水鹽之間的相互作用。此外，采用更高空間分辨率衛(wèi)星遙感數(shù)據(jù)，考慮不同地區(qū)農(nóng)田的種植結(jié)構(gòu)差異，以及不同作物不同生育期根系影響土壤水分特點，本文結(jié)論是否具有更廣泛的適用性還有待進一步研究。

4 結(jié)論

(1)利用全子集篩選法確定了不同土壤深度下光譜指數(shù)的最優(yōu)自變量組合，通過對比篩選前后各模型的反演效果，一定程度上證明了利用GF-1衛(wèi)星反演植被覆蓋條件下農(nóng)田土壤含水率的可行性，結(jié)果表明篩選后模型反演效果有所提升，能減輕過擬合現(xiàn)象，全子集篩選有效。