RS学习日记

以前写的一些日志，补充在这里

1、2022-12-17

1、干旱区土壤水分微波遥感反演算法综述 2011 张滢

key1：粗糙度和植被覆盖对地表土壤后向散射的影响是重要问题，研究土壤水分的关键问题是 如何消除地表粗糙度的影响以及从土壤水分中分离出植被散射和吸收的贡献

key2：地物目标的物质性质对雷达回波的影响很大，主要是由于介电常数的差异，由于此差异可以进行区分土壤水分的含量； 含量越高，微波波束的穿透能力越弱，反射能量就相对越高

微波遥感反演算法：1、数理统计算法（经验算法）2、 基于正向模型反演算法 3、 神经网络反演算法

          1、数理统计即对一系列观测数据进行经验性描述和相关性分析，进而建立遥感参数与地面观测数据间的线性回归方程，但具有局地局限性。

          2、遥感正向模型是描述遥感过程中从电磁波传播所经媒质中提取目标参数和传感器所接受信号之间的关系模型。 在此模型中。输入的是地表和大气等各个参数，输出则为传感器所观测的辐射亮度。反演过程即通过星上亮度温度来求输入参数，但往往由于未知参数较多而需要借助迭代法和最小二乘法非线性方程来求得。

        3、ANN（人工神经网络），最大的优势在于可以逼近任何复杂的非线性关系，不依赖物理模型，也不需要设计比较复杂的反演算法。其过程为通过理论模型进行地表参数反演，然后在用其计算得到的数据对神经网络进行训练，通过反复训练和测试得到最佳的神经网络反演结构，训练完成后就可以进行参数反演。

key3：被动微波消除地表粗糙度影响的土壤水分反演模型：SPM(微扰模型、GOM（几何光学模型）、POM（物理光学模型）、Q/H、Q/P、积分公式模型（IEM）

       Q/P模型和IEM模型详见论文。

Q/P： 建立了粗糙表面与光滑表面反射、透射率的关系，进而评估辐射信号与地表粗糙度之间的关系；

IEM： 主要是地表粗糙度和后向散射系数关系的模拟

IEM模型存在问题：1、模型中对实际地表粗糙度刻画不准确 2、模型中对不同粗糙地表条件下反射系数的处理过于简单。

KEY4:主动微波遥感消除地表植被影响的土壤水分反演模型

主动微波遥感的理论依据是土壤后向散射系数信号与土壤水分、土壤表面粗糙度、介电特性、土壤物理特性的相关关系，而其中最大的问题是要将 土壤含水量的影响与其他因子的影响区分开（甄别！）

目前针对植被覆盖地表的主流模型有：MIMICS模型、水云模型、农作物模型、τ~ω模型

MIMICS：微波植被散射模型，其是基于微波辐射传输模型一阶解的植被散射模型，其主要将植被分为三个区：植被冠层、茎秆（介电圆柱体）、植被下垫面（土壤介电特性和随机地表粗糙度）

主要优缺点：是对植被结构刻画的较为详细，因此可以真实的模拟植被覆盖地表微波后向散射，但主要是针对森林等高植被建立，实际应用很难

Water-Cloud：基础理论：（1）假设植被层由类似水分子相同大小、均匀分布在整个植被空间的颗粒组成；（2）仅仅考虑单散射；（3）植被层需要考虑的变量和植被的高度和密度，这两个变量与水分含量成比例。

2、土壤水分微波反演方法进展和发展趋势 2021.10 覃湘栋 地球信息科学

tip1：土壤水分主要监测手段：站点监测和卫星遥感反演。 站点观测主要有烘干称重法 、时频域反射仪法、宇宙射线中子法以及探地雷达等，虽然观测时间频率高且连续，但观测结果的空间代表性有限，应用于大范围监测成本高昂。

tip2：目前，土壤水分微波反演方法研究主要以0~5 cm深度的土壤水分作为反演的目标，并认为 植被状态和地表粗糙度是土壤水分微波反演精度的主要影响因素，如多数反演方法在高密度植被覆盖区反演精度较低，所以研究针对不同下垫面条件开发了不同的反演方法，部分反演方法经实测结果验证精度高于 0.04 m3 /m3 ，已经被投入到全球业务化监测应用中。

tip3：通过此论文的数据，可以发现被动微波遥感数据主要是SMAP、SMOS/MIRAS、 FY-3/MWRI、AMSR-2等为主要数据源，主动微波数据主要是Sentinel-1、Radarsat-2、MetOp/ASCAT等为主。（ △此论文还有主被动微波荷载主要参数表 ）

tip4：被动微波数据中呈现 从多波段到单波段的变化，且波长也逐渐增长，主要由于长波穿透性更强 ，可以更大程度的穿透植被层获取表层土壤的湿度信息，且研究表明，考虑其他波段的信号干扰和传感器设计， L波段为最佳观测波段。 （可以找资料写一下几个波段的对比和为什么L是best）

主动微波数据的趋势呈由单极化到多极化发展，并且时空分辨率不断提高，下一步即高分辨率土壤水分反演

key1： 提供主动微波数据的传感器设备有 合成孔径雷达（主要使用，空间分辨率高）和散射计。

key2： 微波遥感传感器的 接收信号主要包括辐射计 的亮温信息和雷达的后向散射信息，这二者的决定因素都是浅层地表（一般为0~5 cm）的综合介电常数，而土壤固体颗粒和水分的介电常数差异使得土壤水分成为表层土壤介电常数变化的关键参数，这也是微波遥感土壤水分反演的理论基础。

▲key3：被动微波土壤水分反演方法： 土壤水分控制着土壤介电常数进而影响土壤的发射率，被动微波反演主要使用辐射计观测的辐射亮温结合土壤物理温度计算土壤的发射率，进而反演土壤含水量。

2、2022-12-15

汾河上游水文干旱时空演变特征分析及干旱预测的研究

研究基础：汾河上游四个水文站月径流资料

研究方法：

（1）6种概率分布拟合不同时间尺度下径流服从的最佳分布函数→标准化径流指数→不同时间尺度下水文干旱的时空变化特征

（2）分析标准化径流指数与植被覆盖指数的相关性，研究干旱对于植被覆盖的响应机制，并构建基于CEEMDAN的LSSVM组合模型对水文干旱进行预测。

（3）对实测数据的分析：时间尺度、空间尺度、月尺度、不同时间尺度水文干旱序列经过CEEMDAN分解，并与原始序列比对分析、以LSSVM单一模型进行预测，以及优点

知识点：

研究目的及意义：干旱的定义，水文干旱研究较少，一般是基于气象学，但是单一气象学无法满足多学科要求，因而研究不同方面的干旱、水文干旱的作用（地理、农业、社会经济）、总结

国内外：水文干旱组成部分：蒸散发、下渗、径流（本文研究）、前人学者研究情况（*）

存在问题：前人多致力于单一时间尺度下的水文干旱演变，对不同时间尺度的研究较少，仅分析时间/空间，对两者综合分析的较少；  水文干旱有利于干旱风险管理

3、2022-12-18

1、 A Comprehensive Evaluation of Microwave Emissivity and Brightness Temperature Sensitivities to Soil Parameters Using Qualitative and Quantitative Sensitivity Analyses Chunfeng Ma 2017 IEEE(用定性和定量灵敏度分析综合评价微波反射率和明温对土壤参数的敏感性)

研究问题：

解决方案：

技术路线：

结论和展望：

关键点;（忘写了，见谅）

---

2、 A Coupling Model for Soil Moisture Retrieval in Sparse Vegetation Covered Areas Based on Microwave and Optical Remote Sensing Data 2018.12 Jinling Kong IEEE (基于光学和微波遥感数据的稀疏植被覆盖区土壤水分反演耦合模型)

数据源：GF-1&Radsarst-2（SAR）

研究地区：内蒙古乌新旗多风地区

测定集：现场测量和卫星数据集做对照

均方根误差和平均绝对误差（🔺计算方式）

本文目的：研究组合粗糙度参数的潜力，并通过结合Radarsat-2合成孔径雷达（SAR）和GF-1数据，开发一个主要依赖卫星数据的模型，该模型对稀疏植被覆盖区域的土壤湿度反演要求最小的先验信息（最小的先验信息怎么解释）

技术方法：水云模型可以去除后向散射系数中的植被干扰，利用高级积分模型（AIEM)模拟表面粗糙度参数（surface roughness parameters）、土壤水分含量（SM）和后向散射系数（backscattering）之间的关系，创建了一个新的粗糙度参数Zs。

在此基础上，利用Radarsat-2 HH和VV极化数据，依次建立了中国内蒙古乌新旗刮风地区土壤水分反演的耦合模型，并在有限使用现场粗糙度参数的情况下检索了稀疏植被覆盖表面的土壤含水量（SMC）值。

微波遥感的主要问题： Thus, the study on deriving soil moisture information from the radar backscattering signal focuses on two aspects. 

1) How to separate the contributions of vegetation backscattering and soil backscattering from the radar backscattering ？（如何从后向散射系数中去除两个参数的影响（土壤后向散射和植被后向散射））

2) What is the influence of surface roughness parameters on the bare backscattering and how to develop the relationships between the surface parameters and backscattering coefficient？（表面粗糙度参数对裸土后向散射的影响是什么，以及如何建立表面参数和后向散射系数之间的关系）

introduction：主要介绍了前人关于土壤粗糙度的发展情况，本文目的是在干旱和半干旱地区（土壤水分较低区域），研究建立适当的土壤湿度反演耦合模型，充分考虑表面粗糙度和覆盖植被对雷达后向散射系数的影响。但前人的研究都是在农作区进行的实验，具有借鉴意义。

（1）粗糙度参数、有效粗糙度、🔺组合粗糙度

（2） Baghdadi et al. [23]–[25] proposed a semiempirical calibration for integral equation model (IEM) at C- and X-band and proposed the empirical relationship for the root-mean-square height (S) and optimal correlation length (Lopt) under multi-incident angle conditions, which allows that the IEM more effectively reproduces radar backscattering coefficients. Nevertheless, these calibration equations can be applied to only cases presenting Gaussian autocorrelations and they are not easily applied to relatively flat areas. （不适合平坦地区）

（3） Effective roughness parameters developed by Lievens et al. [26], [27] are known to easily retrieve soil moisture levels from single-polarization radar data without in situ roughness parameters, though such parameters are more suited to L-band, and inversion results of the C-band are not ideal.（有效粗糙度参数，单极化、适合L波段）

                 [26] H. Lievens et al., “Effective roughness modelling as a tool for soil moisture retrieval from C- and L-band SAR,” Hydrol. Earth Syst. Sci. Discuss., vol. 7, no. 4, pp. 4995–5031, Jul. 2010. 

                [27] H. Lievens, H. Vernieuwe, J. Alvarez-Mozos, B. De Baets, and N. E. C. Verhoest, “Error in radar-derived soil moisture due to roughness parameterization: An analysis based on synthetical surface profiles,” Sensors, vol. 9, no. 2, pp. 1067–1093, Feb. 2009.

（4）Zribi and Dechambre [28] introduced a combined roughness description based on parameter Zs = S2/L and retrieved soil moisture through equations involving the backscattering coefficients of two incident angles and Zs.（组合粗糙度）

               [28] M. Zribi and M. Dechambre, “A new empirical model to retrieve soil moisture and roughness from C-band radar data,” Remote Sens. Environ., vol. 84, no. 1, pp. 42–52, Jan. 2003.

（5） Chen et al. [29] and Yu et al. [30] proposed combined parameters of S3/L2 and S2/L, respectively, based on study area conditions and acquired good inversion results. 

             [29] J. Chen, Y. Jia, and F. Yu, “Soil Moisture inversion by radar with dual-polarization,” Trans. Chin. Soc. Agricult. Eng., vol. 29, no. 10, pp. 109–115, May 2013. 

            [30] F. Yu, H. T. Li, C. M. Zhang, Z. Wan, J. Liu, and Y. Zhao, “A new approach for surface soil moisture retrieving using two-polarized microwave remote sensing data,” Geomatics Inf. Sci. Wuhan Univ., vol. 39, no. 2, pp. 225–228, Feb. 2014.

key1：关于研究区的写法：研究区域为xxx（纬度xxx-xxx经度xxxx–xxxx），位于xxxxxxxxxxx（图1），面积约xxxxxx平方公里。（地理位置）它位于毛乌素沙地地区的中心，平均海拔约1300米。从西北到东南，沙漠、沙丘和洼地相间分布。（地形地貌）该地区的特点是温带大陆性季风气候。年平均气温约为6.8°C，年平均降水量为350–400 mm，主要集中在七月到九月有70%–80%的降水量；（气候气温降水量）该地区分布着更多的沙丘，大部分表层土的含砂量很高（98%）。该地区的大多数植被都是短而稀疏的，生长在沙地上，如沙丁草、沙蒿、中间锦鸡儿和中国无尾草。（植被/作物类型，土壤质地，植被结构类型等）

key2：卫星数据写法和预处理步骤

/*使用了卫星数据，包括Radarsat-2和GF-1遥感数据。雷达卫星-2号数据配备了全极化C波段SAR（5.405GHz），该SAR于2007年12月14日由加拿大航天局成功发射。精细四偏振模式的入射角为24.92°–29.25°，标称空间分辨率为8 m。2014年7月17日，采集了覆盖研究区域的标称空间覆盖范围为50 km×25 km的图像。GF-1卫星是中国于2013年4月26日发射的第一颗高分辨率地球观测卫星。它配备了两台2分辨率全色/8-m-分辨率多光谱相机和四台16-m分辨率多光谱照相机。与SAR图像同时，2014年7月27日获得了一张GF-1 WFV1（宽视野）图像，标称空间分辨率为16米，幅宽为800公里。*/

预处理步骤：光学：辐射校正-大气校正-几何校正（其中，辐射校准被设置为将原始图像的DN值转换为表面光谱反射率。使用光谱超立方体的快速视线大气分析算法对GF-1 WFV1数据进行了大气校正。在大气校正之后，基于25个GCP对图像进行几何校正，平均RMSE小于1个像素。通过预处理，GF-1 WFV1数据用于计算实验期间的NDVI。此外，Radarsat-2图像的大小调整为16-m分辨率，以与GF-1 WFV1图像的像素相对应）

微波：辐射校准-滤波-地理编码-几何校正-图像配准（对于Radarsat-2数据，使用Next ESA SAR工具箱对SAR图像进行预处理。通过辐射校准，以分贝为单位的后向散射系数由原始单视复合产品的每个像素的数字数字（DN）转换而来。采用具有5×5移动窗口的Lee滤波器来减弱斑点噪声的影响。然后，使用90-m分辨率的SRTM DEM对获得的数据进行地理编码，并根据谷歌地球图像上标记的一组25个地面控制点（GCP）对其进行精确的几何校正。控制点均匀分布，平均均方根误差（RMSE）限制在一个像素。使用二阶多项式变换和最近邻重采样进行图像配准。

现场数据观测点测量：（与丁雪瑶讨论他的区域测量方法）

🔺学会实地测量的样点设计和参数选择，并做出合适的图表设计，得到相应的结果（地面粗糙度，湿度水平）

选择了六个有代表性的场地对表层土壤参数进行测量，包括体积SMC、重量SMC、表面粗糙度、堆积密度和土壤成分，场地位置如图1所示。

使用便携式全球定位系统来识别和记录采样位置。对于每个站点，采样点分布在网格上。采样点之间的距离设置为约30m，由于地形和地貌特征，每个站点的大小不同。

例如，站点1的15个采样点被放置在60 m×120 m的网格中（图2）。每个站点的具体网格尺寸如表I所示。共收集了64个采样点，并使用WET传感器垂直测量了0–6 cm深度处的体积SMC（单位：cm3/cm3）。对于每个采样点，三个子点均匀分布在1米半径内的网格点周围，每个采样点的体积土壤湿度水平计算为三个子点和网格点值的平均值。此外，使用切割环和铝试样箱同时采集了一些样品，并在实验室条件下将这些土壤样品在108°C的烘箱中干燥24小时，以获得重量SMC（单位：g/g）和土壤容重水平（单位：g/cm3）。然后从土壤湿度和土壤体积密度的重量中获得土壤体积湿度水平，可用于校准WET传感器测量值。使用二次多项式模型校准WET传感器获取的土壤体积水分，由于研究区域的土壤体积湿度水平相对较低，因此土壤体积水分单位统一为百分比。结果如图3所示。

在每个场地，使用1米针式轮廓仪和数码相机从东西和南北两个方向测量土壤表面粗糙度水平。使用开发的MATLAB程序计算S和L。表II显示了每个场地的土壤湿度水平和表面粗糙度测量数据；根据上述统计，研究区域的土壤体积湿度水平通常低于60%，平均值为18.93%，均方根高度变化0.26至1.21cm，相关长度范围为59.5至63.5cm。测量表明，粗糙度相对较小，整个研究区域的地形相对平坦