遥感监测土壤水分研究进展

马春芽，王景雷，黄修桥

(1.中国农业科学院农田灌溉研究所节水农业重点实验室，河南 新乡 453003；2.中国农业科学院研究生院，北京 100081；3.中国农业科学院农田灌溉研究所农业部作物需水与调控重点开放实验室，河南 新乡 453003)

0 引 言

土壤水分是指地面以下，潜水面以上土层中的水[1]，主要来源于降水和灌溉水，是维持植被生长发育、生态环境良性循环的最重要水源，同时也是土壤、植物和周围环境进行物质和能量交换的媒介[2]。因此土壤水分是农作物产量的限制因子。传统土壤水分监测方法，如烘干法、负压计法、土壤湿度计法、中子水分仪探测法等，尽管具有操作简单，精度高等优点，但多基于单点监测，难于实现实时、大范围、动态墒情监测的需要[3]。同时，土壤水分受土壤理化特性、地下水位、植被类型、气候条件等多种要素影响，存在着很大的空间变异性[4]。目前，对土壤水分空间变异性的研究主要集中在小尺度或者田间尺度[5,6]。这主要是因为土壤水分的传统监测方法主要为手工或者半自动，获取的多为单点土壤水分信息，对区域的土壤水分监测存在较大的难度[7]。

遥感是应用各种传感器获取地表反射或辐射信息，从而反映地表综合特征。遥感的优点是可以频繁地提供地表特征的区域信息，弥补了以稀少的采样点为基础进行对地观测时由于采样点稀疏不能代表区域特征的缺点[8]。因此遥感技术在一定程度上弥补了传统土壤水分监测方法的不足。国外利用遥感方法监测土壤水分的可行性研究始于20世纪60年代末，而应用研究是在1970年后逐步开展的。国内进行土壤水分遥感监测研究大约比国外晚10 a以上，从20世纪80年代中期开始起步。国内刚起步时遥感监测的研究工作与国外早期研究相似，首先对土壤参数的遥感测定进行研究。常用的遥感波段有可见光波段、近红外波段以及热红外波段，除此之外遥感波段还有中红外波段和L波段、C波段、X波段等微波遥感波段。根据遥感反演所用波段不同，目前遥感可分为可见光-近红外遥感、热红外遥感、微波遥感以及高光谱遥感。其中高光谱遥感监测土壤水分的原理和可见光-近红外遥感中的反射率法相同。因此本文主要探讨前3种遥感数据反演土壤水分的进展、现状与发展趋势。

1 常见遥感监测土壤水分方法

1.1 可见光-近红外遥感

可见光-近红外遥感利用土壤和植物的反射光谱信息，实现土壤水分的快速测定。利用光学遥感进行土壤水分监测的方法主要有反射率和植被指数。植被信息绝大部分被包含在红和近红波段，因此研究将2波段进行不同组合组成植被指数反映土壤水分情况。植被指数的变化与植被生长过程中的土壤水分存在密切的关系。距平植被指数(AVI)和植被条件指数(VCI)是常见的监测土壤水分的植被指数。

AVI是以平均的多年某一时间段归一化植被指数(NDVI)为背景值，利用当年的同一时间段NDVI值减去背景值得到植被指数的距平。AVI可用如下公式表示：

(1)

若AVI>0，则表示植被生长比一般年份好，称为正距平；若AVI<0，则表示植被生长比一般年份差，称为负距平。

VCI是Kogan[9]在研究多年NOAA/AVHRR遥感数据的基础上提出的，可以用下式表示：

(2)

式中：VCI为条件植被指数；NDVIi为某一时段经平滑处理的归一化植被指数；NDVImax和NDVImin分别为多年同一时段经平滑处理的最大、最小的归一化植被指数。

在对区域干旱进行估算时，VCI比其他动态监测方法(如NDVI和降水量)更为有效和真实[10]。

1.2 热红外遥感

热红外遥感技术测定土壤水分，是利用不同土壤水分含量下土壤自身发射率(比辐射率)的差异，记录其热红外信息，对地表参数进行反演，进而计算土壤水分含量。土壤热惯量、水分亏缺指数、作物水分胁迫指数、温度植被干旱指数和条件植被温度指数是常见的应用热红外遥感监测土壤水分的方法。

(1)作物水分胁迫指数。作物水分胁迫指数(Crop Water Stress Index,CWSI)通过利用热红外遥感并辅以气象资料反演作物覆盖条件下的土壤水分。在植被覆盖条件下，土壤水分盈亏直接影响植被蒸腾作用，引起冠层温度发生变化。CWSI是Idso于1981年提出的，他认为作物在潜在蒸发条件下冠层温度和空气温度的差与空气饱和水汽压差具有线性关系[11]。之后，Jackson在Idso基础上提出了作物缺水指数理论模式[12]。CWSI可用下式表示：

(3)

式中：Tc是冠层温度，℃；Ta是空气温度，℃。

(2)水分亏缺指数。为了克服CWSI在植被稀疏时反演效果不理想的情形，Moran 等提出水分亏缺指数(Water Deficit Index,WDI)[13]，即在考虑植被指数的基础上，将其与土壤-植被的混合温度结合起来，利用能量平衡双层模型将CWSI扩展到植被覆盖状况下。WDI以植被指数作为纵坐标，以地面温度和空气温度2者的差作为横坐标，构筑具有梯形特征空间的散点图，据此来估算土壤相对含水量。其WDI定义为：

(4)

式中：Ts为地面温度，℃；Ta为空气温度，℃。

(3)土壤热惯量。土壤热容量、热导率和热扩散率是主要的土壤热性质，是土壤温度变化的内在因素。而土壤热惯量(P)是基于土壤热容量和热传导率提出的一种计算土壤热特性的模型。该模型的物理基础是水分具有较大的热传导率和热容量，因此水分较高的土壤具有较大的热惯量。光学遥感影像可以监测地表温度日变化，从而可以计算出土壤热惯量，通过热惯量这一中间变量将土壤水分和地表温度联系起来是土壤热惯量法监测土壤水分的机理。P由下式计算：

(5)

式中：P为土壤热惯量；λ为土壤热传导率，J/(cm·s·K)；ρ为土壤密度，g/cm3；C为比热容，J/(g·K)。

(4)温度植被干旱指数。温度植被干旱指数(Temperature Vegetation Drought Index,TVDI)是 Sandholt 等利用简化的地表温度(LST)、归一化植被指数(NDVI)构建特征空间提出的水分胁迫指标[14]。地表温度和归一化植被指数2者的比值最初被很多学者用来计算区域蒸散，如应用比较广泛的温度植被指数(Temperature Vegetation Index,TVI)[15]和地表供水指数(Vegetation Supply Water Index,VSWI)[16]就是在此基础上发展而来。之后对植被指数进行了深入研究，除了归一化植被指数NDVI外，其他植被指数(Vegetation Index,VI)如增强植被指数EVI、土壤修正调节植被指数MSAVI等也被用来进行干旱监测，同时对地表温度和不同植被指数之间的关系进行了进一步的拓展。地表温度和不同植被指数之间的特征空间的方法由此而生。由LST和VI构建的特征空间可以分为2类：①一类是三角形特征空间，即以LST和VI构建的三角形特征空间为基础估计作物水分胁迫状况；②一类是梯形特征空间，即认为LST和VI2者的散点构成梯形特征空间[17]，并以此为基础建立土壤水分反演模型。应用广泛的温度植被干旱指数(Temperature Vegetation Drought Index,TVDI)就是基于第一类特征空间，即三角形特征空间，提出的土壤水分反演模型[14]。TVDI可用下式表示：

(6)

LSTmin=amin+bminVI

(7)

LSTmax=amin+bmaxVI

(8)

式中：LST是由遥感影像获得的每个像素地表温度；LSTmin和LSTmax分别是对于一个特定的VI值最小和最大的地表温度；amin,bmin,amax和bmax是拟合湿边和拟合干边的参数。

1.3 微波遥感

20世纪 70年代，国外逐步开始微波遥感反演土壤水分的相关研究。20世纪80年代在执行“农业和资源航天遥感调查”计划时，相关研究人员对微波遥感反演土壤水分作了全面系统研究。美国农业部以及宇航局为了验证大尺度卫星微波遥感反演土壤水分和土壤湿度航空微波遥感制图，开展了一系列关于土壤水分观测实验的研究[18]。

利用微波遥感反演土壤水分是通过土壤介电特性这一物理变量实现的，即土壤介电特性受土壤水分影响，同时土壤介电特性又影响土壤的微波辐射或反射，因此通过微波遥感建立土壤介电常数与土壤微波辐射的关系，然后利用介电常数模型即可获得土壤水分含量[19]。主动微波遥感、被动微波遥感以及将主动微波和被动微波进行融合是目前微波遥感反演土壤水分的主要方式。

目前主动微波遥感的传感器主要为雷达，其原理是通过建立微波的后向散射系数与土壤水分的关系，从而获得土壤水分含量。与主动微波遥感相比，被动微波遥感监测土壤水分的算法更为成熟，研究的历史也更长。微波辐射计可以监测到土壤本身发射的微波或亮度温度，因此被动微波遥感据此监测土壤水分。

主动微波遥感和被动微波遥感联合反演土壤水分将有利于提高土壤水分的空间分辨率以及反演精度，因此，将2者结合起来联合反演土壤水分含量是目前研究的热点。土壤水分通过主被动微波遥感进行反演概括起来有以下2种。第1种是利用相关模型或算法将2种遥感数据融合在一起进行地表参数的反演。该方法是将主动微波数据看作被动微波数据的一个新的通道进行地表参数的反演，这一处理方式，虽然可以提高对地表参数的反演精度，但放弃了主动微波遥感高空间分辨率的优点，同时也忽略了2种微波遥感数据在空间尺度上的巨大差异。第2种是利用主动微波遥感数据改善由被动微波数据反演的低空间分辨率地表土壤水分，从而达到提高土壤水分空间分辨率的结果。

2 研究进展分析

2.1 可见光-近红外遥感

反射率法和植被指数是可见光-近红外遥感反演土壤水分的主要方法，早期研究土壤水分对光谱反射率的影响是在室内进行。研究表明，在760、970、1 190、1 450、1 940和2 950 nm等水分吸收波段可以作为土壤反射光谱的水分含量指标，并且随水分增加土壤光谱反射率在整个波长范围内降低[20]。Liu 等的研究表明，土壤光谱反射率与土壤湿度存在一定关系，即在一定的土壤水分临界值之下土壤光谱反射率与土壤湿度呈负相关；但当超过临界值后，则呈正相关。这个临界值一般不小于田间持水量[21]。在此基础上，研究人员利用遥感数据的光谱反射率监测土壤水分。郭广猛和赵冰茹采用MODIS数据，根据水的吸收率曲线提出使用中红外波段监测土壤湿度，通过实地调查以及回归分析表明土壤水分与MODIS第7波段的反射率之间存在较好的相关关系[22]。刘培君等用分解复合像元法分别考虑植被和土壤对土壤水分光谱信息的影响，排除植被干扰，提取土壤水分光谱信息，采用土壤水分光谱法并利用回归分析建立土壤水分遥感的TM模型和AVHRR数据模型[23]。晏明和张磊运用距平植被指数跟踪监测吉林省旱情发展和影响范围[24]。杜灵通和李国旗采用距平植被指数干旱监测方法，利用SPOT遥感数据准确监测干旱发生的范围和相应的干旱程度[25]。

同理，目前发展的高光谱遥感反演土壤水分的原理与可见光-近红外遥感相同，即通过反射率与土壤水分的相关关系实现土壤水分的估计。高光谱遥感反演土壤水分主要有2种方式：成像方式和非成像方式。成像方式即通过对高光谱影像进行分析，建立土壤反射率与土壤含水量之间的关系，实现对土壤含水量监测[26]。非成像方式主要在实验室内或野外利用高光谱仪获取土壤的光谱信息，从而建立土壤光谱信息与土壤含水量之间的关系，反演土壤水分[27]。对于成像方式，常用的机载或星载高光谱数据源主要有AVIRIS[26]、Hymap[28]、Hyperion[29]。

可见光-近红外遥感与高光谱遥感主要基于光谱反射率以及各种植被指数与土壤水分的关系反演土壤水分，操作方法简便快捷。但易受周围环境、地形、地貌以及土壤类型影响。因此对于地形平坦、作物类型单一以及土壤类型相似的地区比较适用。

2.2 热红外遥感

热红外遥感与可见光-近红外遥感在监测土壤水分方面敏感性更好，因为热红外遥感利用遥感影像中的热红外波段，将温度变化作为一个估计土壤水分的参数，克服了单纯利用反射率或植被指数监测土壤水分滞后性的缺点。

作物水分胁迫指数CWSI的物理基础是热量平衡原理，在区域旱情监测方面具有明显优势，尤其在植被覆盖区域土壤水分反演精度高于土壤热惯量法。然而，由于CWSI模型是以冠层能量平衡为基础的单层模型，因此在作物生长的早期植被稀疏时反演效果较差。 同时计算CWSI所需的资料较多、计算比较复杂；模型中使用的气象数据主要来自地面气象站，气象数据实时性以及外推的方法和精度对CWSI的反演精度都会产生影响[30]。因此，CWSI在应用上存在一定的弊端。

水分亏缺指数WDI与作物水分胁迫指数相比，其最大的优势是克服了作物水分胁迫指数在低植被覆盖时反演效果不理想的情况，水分亏缺指数试用各种植被覆盖状态。但水分亏缺指数也有其不足之处，由于水分亏缺指数需要借助气象数据估测土壤水分，因此其模型的反演精度受地表状态的差异性以及气象站点位置与数量限制[30]。

通过遥感影像获取地表温度数据是应用热惯量法监测土壤水分的核心，地表温度一般通过求解热传导方程或者地表能量平衡方程实现。Watson 等人通过热红外遥感影像插值计算得到地表温度日较差，从而获得土壤热惯量[31]；Price对土壤热惯量进行了多年的研究，分别在1977年和1985年提出计算真实热惯量模型以及表观热惯量(Apparent Thermal Inertia,ATI)概念，对热惯量方法和热惯量的遥感成像原理进行了系统阐述[32,33]。在国外研究的基础上，国内对土壤热惯量也开展了许多改进型的研究。余涛和田国良对地表能量平衡方程进行化简，从遥感影像中获得地表真实热惯量值，并由此获得土壤水分含量分布[34]。杨树聪[35]、吴黎[36]等对Price提出的表观热惯量进行了改进，通过实测的模型参数和遥感数据反演研究区土壤水分含量。

由于计算真实热惯量模型中仅仅通过遥感影像获取所需参数具有一定的难度，因此提出了模型相对简单的表观热惯量，其模型中的参数可以由遥感数据完全提供。表观热惯量模型提出后，在干旱监测以及土壤水分反演中具有广泛应用。对于热惯量监测土壤水分的研究中，热惯量的解析方程和表观热惯量与土壤水分关系2方面的研究成为研究的重点和难点[35]。

LST/VI特征空间是TVDI计算的基础，土壤表层水分含量介于萎蔫含水量和田间持水量之间是计算TVDI的限定条件。Holzma等认为TVDI获得的土壤水分影响雨养作物产量，他们利用中分辨率成像光谱仪(MODIS)计算得到的TVDI估计区域作物产量[37]。Liang等利用2001-2010年的MODIS 中国地区数据构建TVDI分析了干旱时空变异性[38]。Cao等利用2000-2012年MODIS数据构建LST-NDVI特征空间，估计内蒙古高原土壤水分。关于TVDI的研究，很多都集中在MODIS数据[39-41]，对于其他遥感数据的研究还不是很多。

热红外遥感利用下垫面的温度间接反演土壤水分含量。热惯量法是常见的利用热红外遥感监测土壤水分的方法。但热惯量法对于天气以及云层比较敏感，同时对植被覆盖区反演效果较差。因此，提出将植被指数与温度结合构建特征空间，既可以消除植被指数滞后性又可以提高对不同植被覆盖状况下土壤水分反演精度。

2.3 微波遥感

在主动微波遥感领域，利用合成孔径雷达(SAR)反演土壤水分的研究越来越多。在消除植被与地表粗糙度方面，目前主要是通过多频率、多极化或多入射角雷达数据等综合处理的方法，从而获取准确的土壤水分信息[42]。对于植被覆盖度小的区域，Dobson[43]、Oh[44]、Shi[45]先后利用后向散射系数提出了3个经验半经验模型。但是这些经验半经验模型针对植被覆盖度高的区域反演效果较差。因此针对植被对微波信号的影响，相关研究人员提出了MIMICS 模型[46]、水云模型[47]、Karam[48]等基于辐射传输方程的物理微波辐射模型。MIMICS 模型和水云模型是目前干旱区常用的模型。

在被动微波遥感反演土壤水分方法中AMSR-E是应用最广泛的遥感数据。目前在植被覆盖度低的地表微波遥感反演土壤水分的模型主要有Q/H 模型、H/P 模型[49]、Q/P 模型[50]。在有植被覆盖的条件下“ω—τ”模型[51]应用比较广泛。其中Q/P 模型和“ω—τ”模型在干旱区应用较多。万幼川等采用METOP(meteorological operational satellite)和 ERS(european remote sensing satellites)卫星搭载的微波散射计，以1999年Wolfgang 提出的经典TU-WIEN 算法为基础，改进了其中人为定义经验函数的描述模型参数季节性变化规律的不足，从而对研究区土壤含水量进行观测[52]。Hong 等利用菲涅尔方程自由度的减少提出了一个独特的土壤水分反演算法，并采用地球观测系统的高级微波扫描辐射计(AMSR-E)获得了全球表层土壤水分[53]。

对于将主动微波和被动微波融合共同监测土壤水分的研究，Lee和Anagnotou 结合TRMM(Tropic Rainfall Measurements Mission)卫星上被动的TMI和主动的PR(Precipitation Radar)数据，基于几何光学模型和水云模型研究了美国俄克拉荷马州的近表层土壤湿度，结果和实测值相符[54]。Narayan[55]等假设如果土壤表面的植被覆盖状况保持不变，那么后向散射系数的变化随土壤水分变化的关系是稳定的，与地表粗糙度无关。具体方法是，将同时期主被动遥感数据计算得到的后向散射系数进行比较，获得2者之间的相关关系，然后利用此相关关系调整由被动微波遥感数据获得的低空间分辨率的土壤水分反演结果，最终获得高空间分辨率的土壤水分数据。

微波遥感与其他遥感手段相比，微波遥感具有全天候、全天时的优势，对地物有一定穿透能力，受天气状况影响较弱。然而，微波遥感接收的微波信号不仅受土壤微波辐射的影响，植被自身的微波辐射和地表粗糙度对微波信号也有影响，因此微波遥感在实际中的应用仍然受到一些因素的限制。目前在微波反演土壤水分的研究中如何去除植被和地表粗糙度对微波辐射的影响是微波遥感反演土壤水分研究中的重点和难点。

3 研究展望

土壤水分是制约社会经济和环境可持续发展的重要因素，随着遥感技术以及相关模型的不断完善，通过遥感数据反演土壤水分进行墒情监测具有广阔前景。但是，由于植物-土壤-水分传输系统的复杂性，以及模型参数地域性限制，遥感监测土壤水分研究的难度依然存在。

(1)时间分辨率和空间分辨率是遥感数据不可兼得的2个参数，如何通过信息互补以及数据融合提高时间分辨率或空间分辨率是遥感应用的研究趋势，并且随着机载平台的发展，无人机遥感为星载遥感提供了新的数据源，可以克服星载遥感时间和空间分辨率的限制，获得更为灵活、便捷的遥感信息。

(2)目前对土壤水分的反演研究主要是基于遥感参数与实测数据之间的关系获得区域土壤水分数据，因此如何摆脱实测数据等非遥感的支持，仅依靠遥感数据获得土壤水分数据是遥感反演土壤水分研究的一个重点和难点。

(3)目前遥感对表层土壤水分数据的反演具有较好的精度，但表层土壤水分的深度没有统一的结论。因此，对于这一问题需要进行深入研究。

(4)区域表层土壤水分在气候、水文以及生态领域具有重要作用，但同时区域深层以及根区土壤水分也是必不可少的一个参量，尤其在农业领域中，区域深层以及根区土壤水分对作物生长以及灌溉制度制定等具有决定性作用。因此，如何通过遥感数据获得区域深层以及根区土壤水分也是今后研究的一个热点和难点。

：

[1] 李佩成. 地下水动力学：水资源、农水等专业用[M]. 北京：农业出版社，1993.

[2] 张蔚榛，沈荣开. 地下水文与地下水调控[M]. 北京：中国水利水电出版社，1998.

[3] 伍漫春，丁建丽，王高峰. 基于地表温度-植被指数特征空间的区域土壤水分反演[J]. 中国沙漠，2012，32(1)：148-154.

[4] 刘 昭，周艳莲，居为民，等. 基于BEPS生态模型模拟农田土壤水分动态[J]. 农业工程学报，2011，27(3)：67-72.

[5] 张 泉，刘咏梅，杨勤科，等. 祁连山退化高寒草甸土壤水分空间变异特征分析[J]. 冰川冻土，2014,36(1)：88-94.

[6] BROCCA L, MELONE F, MORAMARCO T, et al. Spatial-temporal variability of soil moisture and its estimation across scales [J]. Water Resources Research，2010,46：W02156.

[7] 汝博文，缴锡云，王耀飞，等. 基于MODIS数据的土壤水分空间变异规律[J]. 中国农村水利水电，2016，(4)：38-42.

[8] 王鹏新，龚健雅，李小文，等. 基于植被指数和土地表面温度的干旱监测模型[J]. 地球科学进展，2003，18(4)：527-533.

[9] Kogan F N. Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing，1990, 11(8)：1 405-1 419.

[10] Liu W T, Kogan F N. Monitoring regional drought using the vegetation condition index[J]. International Journal of Remote Sensing，1996, 17(14)：2 761-2 782.

[11] I dso S B, Jackson R D, Jr P J P, et al. Normalizing the stress-degree-day parameter for environmental variability[J]. Agricultural Meteorology, 1981,24(1)：45-55.

[12] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research，1981, 17(4)：1 133-1 138.

[13] Moran M S, Clarke T R, Inoue Y, et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sens Environ，1994,(49)：246-263.

[14] Sandholt I, Rasmussen K, Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment，2002,79(2-3)：213-224.

[15] Mcvicar T R, Bierwirth P N. Rapidly assessing the 1997 drought in Papua New Guinea using composite AVHRR imagery[J]. International Journal of Remote Sensing，2001,22(11)：2 109-2 128.

[16] Carlson T N, Gillies R R, Perry E M. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews，1994,9(1-2)：161-173.

[17] Yang X, Zhou Q, Melville M. Estimating local sugarcane evapotranspiration using Landsat TM image and a VITT concept[J]. International Journal of Remote Sensing，1997,18(2)：452-459.

[18] Jackson T J, Le Vine D M, Hsu A Y, et al. Soil moisture mapping at regional scales using microwave radiometry：the southern great plains hydrology experiment[J]. IEEE Transactions on Geoscience and Remote Sensing，1999,37(5)：2 136-2 151.

[19] 郭 英，沈彦俊，赵 超. 主被动微波遥感在农区土壤水分监测中的应用初探[J]. 中国生态农业学报，2011，19(5)：1 162-1 167.

[20] Stoner E R, Baumgardner M F. Characteristic variations in reflectance of surface soils [J]. Soil Science Society of America Journal，1982，45 (6)：1 161-1 165.

[21] LIU Wei-dong, BARET F, GU Xing-fa, et al. Relating soil surface moisture to reflectance[J]. Remote Sens Environ，2002, 81：238-246.

[22] 郭广猛，赵冰茹. 使用MODIS数据监测土壤湿度[J]. 土壤，2004，36(2)：219-221.

[23] 刘培君，张 琳，艾里西尔·库尔班，等. 卫星遥感估测土壤水分的一种方法[J]. 遥感学报，1997，1(2)：135-138.

[24] 晏 明，张 磊. 距平植被指数在吉林省农作物干旱监测中的应用[J]. 现代农业科技，2010，(11)：15-16.

[25] 杜灵通，李国旗. 利用SPOT数据进行干旱监测的应用研究[J]. 水土保持通报，2008，28(2)：153-156.

[26] Galväo L S, Formaggio A R, Couto E G, et al. Relationships between the mineralogical and chemical composition of tropical soils and topography from hyperspectral remote sensing data [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2008,63(2)：259-271.

[27] 刘 影，姚艳敏. 土壤含水量高光谱遥感定量反演研究进展[J]. 中国农学通报，2016，32(7)： 127-134.

[28] Selige T, Böhner J, Schmidhalter U. High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures[J]. Geoderma，2006,136(1-2)：235-244.

[29] Gomez C, Viscarra Rossel R A, McBratney A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy：an Australian case study[J]. Geoderma，2008,146(3-4)：403-411.

[30] 杨 涛，宫辉力，李小娟，等. 土壤水分遥感监测研究进展[J]. 生态学报，2010,30(22)：6 264-6 277.

[31] Watson K, Rownen L C, Officeld T W. Application of thermal modeling in the geologic interpretation of IR images [J]. Remote Sensing of Environment，1971,(3)：2 017-2 041.

[32] Price J C. Thermal inertia mapping：a new view of the earth [J]. Journal of Geophysical Research，1977,82(18)：2 582-2 590.

[33] Price J C. On the analysis of thermal infrared imagery：the limited utility of apparent thermal inertia [J]. Remote Sensing of Environment，1985，(18)：59-73.

[34] 余 涛，田国良. 热惯量法在监测土壤表层水分变化中的研究[J]. 遥感学报，1997，1(1)：24-31.

[35] 杨树聪，沈彦俊，郭 英，等. 基于表观热惯量的土壤水分监测[J]. 中国生态农业学报，2011，19(5)：1 157-1 161.

[36] 吴 黎，张有智，解文欢，等. 改进的表观热惯量法反演土壤含水量[J]. 国土资源遥感，2013，25(1)：44-49.

[37] Holzman M E, Rivas R, Piccolo M C. Estimating soil moisture and the relationship with crop yield using surface temperature and vegetation index [J]. International Journal of Applied Earth Observation and Geoinformation，2014，(28)：181-192.

[38] Liang L, Zhao S, Qin Z, et al. Drought change trend using MODIS TVDI and its relationship with climate factors in China from 2001 to 2010[J]. Journal of Integrative Agriculture，2014,13(7)：1 501-1 508.

[39] Zormand S, Jafari R, Koupaei S S. Assessment of PDI, MPDI and TVDI drought indices derived from MODIS Aqua/Terra level 1B data in natural lands[J]. Natural Hazards，2016，86(2)：757-777.

[40] Wang J, Ling Z, Wang Y, et al. Improving spatial representation of soil moisture by integration of microwave observations and the temperature-vegetation-drought index derived from MODIS products [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2016,113：144-154.

[41] Dhorde A G, Patel N R. Spatio-temporal variation in terminal drought over western India using dryness index derived from long-term MODIS data [J]. Ecological Informatics，2016,32：28-38.

[42] 胡 猛，冯 起，席海洋. 遥感技术监测干旱区土壤水分研究进展[J]. 土壤通报，2013，44(5)：1 270-1 275.

[43] Dobson M C, Ulaby F T. Active microwave soil moisture research[J]. IEEE Transactions on Geoscience and Remote Sensing，1986,GE-24(1)：23-36.

[44] Oh Y, Sarabandi K, Ulaby F T. An empirical model and an inversion technique for radar scattering from bare soil surfaces[J]. IEEE Transaciton on Geoscience and Remote Sensing，1992,30(2)：370-381.

[45] Shi J, Wang J, Hsu A Y, et al. Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J]. IEEE Transactions on Geoscience and Remote Sensing，1997,35(5)：1 254-1 266.

[46] Ulaby F T, Sarabandi K, Donald K M, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing，1990,11(7)：1 223-1 253.

[47] Bindlish R, Barros A P. Parameterization of vegetation backscatter in radar-based, soil moisture estimation，[J]. Remote Sensing of Environment，2001,76(1)：130-137.

[48] Karam M A. A physical model for microwave radiometry of vegetation[J]. IEEE Transactions on Geoscience and Remote Sensing，1997, 35(4)：1 045-1 058.

[49] Wigneron J, Laguerre L, Kerr Y H. A simple parameterization of the L-Band microwave emission from rough agricultural soils[J]. IEEE Transactions on Geoscience and Remote Sensing，2001,39(8)：1 697-1 707.

[50] Wang J R, Choudhury B J. Remote sensing of soil moisture content, over bare field at 1.4 GHz frequency[J]. Journal of Geophysical Research Oceans，1981,86(C6)：5 277-5 282.

[51] Mo T, Choudhury B J, Schmugge T J, et al. A model for microwave emission from vegetation-covered fields[J]. Journal of Geophysical Research，1982,87(C13)：11 229-11 237.

[52] 万幼川，陈 晶，余 凡，等. 利用星载散射计反演地表土壤水分[J]. 农业工程学报，2014，30(3)：70-77.

[53] Hong S, Shin I. A physically-based inversion algorithm for retrieving soil moisture in passive microwave remote sensing[J]. Journal of Hydrology，2011,405(1-2)：24-30.

[54] Lee K. A combined passive/active microwave remote sensing approach for surface variable retrieval using tropical rainfall measuring mission observations[J]. Remote Sensing of Environment，2004,92(1)：112-125.

[55] Narayan U, Lakshmi V, Jackson T J. High-resolution change estimation of soil moisture using L-band radiometer and radar observations made during the SMEX02 experiments[J]. IEEE Transactions on Geoscience and Remote Sensing. 2006,44(6)：1 545-1 554.