考虑地表粗糙度改进水云模型反演西班牙农田地表土壤含水率

马 腾，韩 玲，刘全明

考虑地表粗糙度改进水云模型反演西班牙农田地表土壤含水率

马 腾1,2,3，韩 玲1,3※，刘全明2

（1. 长安大学地球科学与资源学院，西安 710054；2. 内蒙古农业大学水利与土木建筑工程学院，呼和浩特 010018；3. 陕西省土地整治重点实验室，西安 710054）

土壤含水率是农业、环境、气象等领域进行建模的重要参数。该研究将微波遥感与光学遥感相结合，利用Sentinel-1数据交叉极化比及变换土壤调节植被指数对地表粗糙度进行估计，构建了一种改进的水云模型（modified water cloud model, MWCM）。分析将NDVI、NDWI和NDWI1725,2200等植被指数作为植被冠层含水率时，水云模型（water cloud model, WCM）及MWCM农田地表土壤含水率的反演精度。结果表明：从总体精度上来看，MWCM的反演精度优于WCM。在不同植被覆盖度情况下：当植被覆盖度为中、低程度（NDVI＜0.5），MWCM具有较高的反演精度；在较高的植被覆盖度情况下（NDVI≥0.5），WCM与MWCM的反演精度较为接近。MWCM可有效的建立微波后向散射系数与地表土壤水分的关系，提高土壤含水率反演精度，为各种地表覆盖类型的土壤含水率反演提供研究思路及理论支持。

土壤；水分；模型；地表粗糙度；水云模型；冠层含水率；反演精度

0 引 言

土壤表层含水率是指地表0～5 cm土壤的水分含量，在农业、生态、气象等领域有着广泛的应用[1-5]。农田表层土壤含水率是作物估产、灌水定额确定、作物病虫害防治和土壤改良的重要指标。精确的获取该参数对中国国民经济的发展有着重要的意义[6-8]。

遥感是大范围表层土壤含水率反演的主要方法，按照采用电磁波波长不同可分为光学和微波遥感两类[9]。常用的光学遥感波段包含热红外波段、近红外波段及可见光波段。热红外反演是利用地表温度或热惯量构建理论或经验模型，将土壤含水率作为模型中的参数进行求解[10-11]。可见光及近红外波段反演土壤含水率需计算各类土壤或植被指数，之后建立单个指数或不同指数的组合与土壤含水率间的函数关系。光学遥感容易受到地面植被、气候、季节等因素干扰，进而导致模型或指数适用性降低，因此反演的含水率难以达到较高的精度。微波遥感受季节干扰小，不同的极化方式获取的观测量物理机制明确，在进行土壤含水率反演方面具有光学遥感不具备的优势[12]。

水云模型（water cloud model，WCM）是植被覆盖区域土壤含水率及生物量反演的常用模型，是基于微波遥感理论提出的半经验模型[13]。在进行土壤含水率反演时，模型中的植被冠层参数可利用光学遥感中的植被指数估计，因此它综合了微波遥感与光学遥感的优点，可在一定程度上提高含水率反演的精度[14-19]。Gherboudj等[20]利用全极化多角度Radarsat-2数据进行了2个农田区域土壤含水率反演，均方根误差（root mean squared error，RMSE）达到了0.059 和0.066 m3/m3。Baghdadi等[21]利用WCM，将NDVI（normalized difference vegetation index）作为地面植被描述参数，结合Sentinel-1数据进行了农田及草地表层土壤含水率反演，结果表明在NDVI处于0～0.8；土壤体积含水率处于5%～35%时，VV极化对于土壤信息更加敏感。Hosseini等[22]利用WCM及全极化C、L波段数据，进行了小麦地生物量及土壤含水率反演，结果表明L波段土壤含水率反演精度（0.064 m3/m3）优于C波段反演精度（0.078 m3/m3）。Katarzyna等[23]利用WCM及Sentinel-1数据进行了湿地土壤含水率反演，结果表明仅使用Sentinel-1数据作为模型输入反演精度可达到0.100 m3/m3左右。然而，此类研究通常是将微波传感器接收到的后向散射能量视为植被后向散射部分及土壤后向散射部分之和，将地表粗糙度作为常数。而土壤后向散射能量与表面粗糙度及土壤含水率密切相关[24-29]，忽略地表粗糙度在时空上的变化必然导致模型精度下降。另外，目前在选取各种光学遥感植被指数作为植被冠层含水率时，也较少考虑背景土壤对其影响。这些问题导致了模型土壤含水率反演精度的降低。

本研究将地表粗糙度作为变量引入WCM中，利用Sentinel-2数据计算不同的植被指数作为植被冠层含水率估计值，结合Sentinel-1数据对研究区土壤含水率进行反演，并对反演精度进行分析，以期提高土壤含水率的反演精度。

1 研究区概况及数据来源

1.1 研究区概况

研究区位于西班牙Duero盆地中部（41°06′N～41°32′N，5°01′W～5°45′W），面积1 300km2。该地区气候属于大陆性半干旱地中海气候，年平均降水量385 mm，地形平坦，年平均气温12 ℃。土地主要用途为农业，主要田间作物有大麦、小麦、玉米、棉花、水稻和葡萄。该地区配备了23个自动监测站点，可按照1 h间隔监测土壤表层5 cm土壤体积含水率。研究区位置示意图如图 1所示。

图1 研究区示意图

1.2 数据获取及预处理

西班牙Duero盆地土壤水分自动监测站点属于REMEDHUS土壤含水率监测网络（http://campus.usal.es/~ hidrus/），为ISMN（https://ismn.geo.tuwien.ac.at/en/）的子网络。从ISMN网站获取了研究区19个采样点的自2018年1月至2018年12月0～5 cm土壤含水率监测数据，所测数据采用了经标定的Stevens Hydra Probe土壤传感器[30-31]。各站点名称及位置如表1所示。

从哥白尼开放存取中心（https://scihub.copernicus.eu）获取了研究区2018年1月16日、4月16日、6月15日、8月8日和11月6日的每日各两景不同入射角的 VV+VH极化GRD格式Sentinel-1影像以及2018年1月17日、4月17日、6月16日、8月5日和11月3日Sentinel-2影像。影像具体信息以及研究区各时期平均植被覆盖情况如表2所示。

对Sentinel-1影像进行轨道校正、辐射校正，利用3×3 Lee sigma滤波器压缩相干斑噪声，最后进行地理编码。对Sentinel-2影像进行辐射校正，镶嵌处理，5×5均值滤波。在预处理后影像中获取各采样点Sentinel-1后向散射系数及Sentinel-2大气底部反射率。

表1 土壤水分监测点位置

表2 研究区Sentinel-1, 2影像基本信息及植被覆盖情况

2 研究方法

2.1 水云模型

水云模型（water cloud model，WCM）由Attema和Ulaby提出。模型中的地表植被叶片被看作影响微波介电常数的水滴，无数的植被叶片组成水云[32-37]。模型如下式所示

利用麦克劳林级数将公式（3）展开为

当以植被含水率描述植被冠层时，可认为冠层是由尺寸一致的、均质的水云组成，则1=1，2=veg[13,35,37]。取公式前两项并考虑地表粗糙度，简化后的WCM可表示为

式中为反映地表粗糙度、极化方式、频率、入射角的参数；veg为植被冠层含水率；为土壤含水率。土壤水分反演模型为

2.2 植被冠层含水率

在WCM中，植被冠层含水率veg是影响后向散射系数的重要参数。目前，多采用植被指数估算植被冠层含水率veg，这些参数主要包含反映地表植被覆盖情况的归一化植被指数NDVI（normalized difference vegetation index），反映植被叶面含水率的归一化水分指数NDWI（normalized different water index）[38]，计算公式如式（7）和（8）所示

式中NIR为近红外波段反射率，RED为红色波段反射率。bandx为Sentinel-2第波段反射率。

式中MIR为短波红外波段反射率。

为避免地表土壤对植被指数的影响，Zhang等[39]提出了利用短波红外波段计算的归一化水分指数NDWI1725,2200，计算公式如下

式中1725 nm为波长1 725 nm波段反射率，2200 nm为波长2 200 nm波段反射率。

2.3 地表粗糙度

式中为常数。TSAVI（transformed soil adjusted vegetation index）为变换土壤调节植被指数，该指数与NDVI意义相近，但在一定程度上消除了土壤背景导致的噪声，其计算公式[40-42]如下

式中为土壤线截距，为土壤线斜率。为调整系数，取值为0.08。

3 结果及分析

以2018年1月16日、4月16日、6月15日、8月8日和11月6日Carretoro、ConcejodelMonte、ElTomillar、Guarrati、LasArenas、LasBrozas、LasTresRayas、LasVictorias和Paredinas 9个监测点共90个数据作为已知样本用于模型参数计算。模型精度利用其余10个监测点共100个数据进行验证。以监测点观测日期的24 h平均值作为土壤含水率。模型参数采用最小二乘法求解。

3.1 不同植被指数对反演精度的影响

利用Sentinel-2计算NDVI、NDWI和NDWI1725,2200，代入简化的水云模型进行土壤含水率反演，反演结果如表3所示。

由表3可知，3个模型的植被反射参数估计值均为0，说明在C波段VV极化植被后向散射分量可以忽略，这与Prévot等[35,37]获取的C波段HH极化结果一致。3个模型当中，以NDVI作为植被冠层含水率的WCM反演精度最高，其均方根误差（root mean squared error，RMSE）为0.106 m3/m3；以NDWI为植被冠层含水率的WCM精度最低，RMSE为0.118 m3/m3。以上结果表明，以NDVI、NDWI和NDWI1725,2200反映植被冠层含水率的精度较为接近，但由于3个参数不同程度受到土壤背景的影响，导致了WCM反演土壤含水率精度具有一定差异。另外，WCM中以常数表示地表粗糙度，未能充分考虑农田地表在不同时期的变化，因此整体的反演精度较低。

表3 水云模型（WCM）参数估计及反演精度

注：为植被反射率；为衰减因子；为反映地表粗糙度、极化方式、频率、入射角的参数。

Note：is the reflectance of vegetation;is the attenuation factor;is the parameters reflecting surface roughness, polarization mode, frequency and incidence angle.

3.2 修正的WCM

土壤水分反演模型为

3.3 MWCM反演土壤水分含量

将NDVI、NDWI和NDWI1725,2200作为植被冠层含水率代入MWCM进行土壤含水率反演，结果列于表4。其中，以NDWI1725,2200作为植被冠层含水率计算得到的土壤含水率精度最高，RMSE达到了0.077 m3/m3。以NDVI及NDWI作为植被冠层含水率进行土壤含水率反演精度低于NDWI1725,2200，RMSE分别为0.082 和0.094 m3/m3。计算NDVI及NDWI用到的近红外波段对于植被含水率的变化敏感性较差，两个参数并不能精确的反映植被冠层含水率。NDWI1725,2200使用了受土壤含水率影响较小但对于叶面含水率较为敏感的短波红外波段，当地面植被较为稀疏时，可以有效地避免土壤对植被冠层含水率的干扰。因此，以NDWI1725,2200作为植被冠层含水率的MWCM能够避免植被含水率误差的引入，具有较高的土壤含水率反演精度。当植被冠层含水率确定的情况下，MWCM土壤含水率反演精度要优于WCM。WCM假定地表粗糙度在整个区域内是相同的，其值以常数表示。但微波后向散射系数受地表粗糙度影响较大。特别是在农田区域，随着土地翻耕、灌溉、作物收割等人为活动干扰，地表均方根高度变化可达数厘米，C波段后向散射系数随之发生的变化可达数分贝。忽略地表粗糙度时空差异，必然导致模型精度降低。由于MWCM考虑了地表粗糙度的时空变化，因而获得了较高的反演精度。

表4 修正的水云模型（MWCM）参数估计值及反演精度

注：1'-6'为常数。

Note：1'-6' are constants.

图2为利用MWCM反演的验证点土壤含水率散点图。结果表明反演值与实测值符合较好，但在含水率较高时反演值存在低估的情况，这可能与采用的最小二乘算法在评定精度时是以残差平方和最小为指标有关。

图2 实测及反演土壤含水率散点图

3.4 不同植被覆盖度条件下的反演精度

为分析比较WCM和MWCM在不同地表植被覆盖度情况下的反演精度，对不同NDVI条件下土壤含水率反演精度进行了统计，结果如表5所示。结果表明，以NDVI、NDWI和NDWI1725,2200为植被冠层含水率估计值的MWCM土壤含水率反演精度随着地表植被覆盖度的增大而总体呈增加趋势。在中低地表植被覆盖度下（NDVI＜0.5），植被冠层只能遮盖部分地表，且植被生物量较小，微波穿透深度较大。此时，后向散射系数反映的地表信息多，在引入地表粗糙度参数后的MWCM相比WCM能够较大程度的提高土壤含水率反演精度。在较高植被覆盖度情况下（0.5≤NDVI＜0.7），地面大部分被植被覆盖，植被生物量大，微波穿透深度减小，MWCM地表粗糙度参数对于提高模型精度的贡献较小，因此MWCM与WCM具有较为接近的反演精度。

表5 不同植被覆盖条件下WCM和MWCM反演土壤含水率RMSE对比

注：WCM-NDVI/NDWI/ NDWI1725,2200表示以NDVI、NDWI或NDWI1725,2200作为植被含水率的WCM。MWCM-NDVI/NDWI/ NDWI1725,2200为以NDVI、NDWI或NDWI1725,2200作为植被含水率的MWCM。

Note: WCM-NDVI/ NDWI/ NDWI1725,2200is the water cloud model with NDVI, NDWI or NDWI1725,2200as the water content of the vegetation. The MWCM-NDVI, NDWI or NDWI1725,2200is the modified water cloud model with NDVI/ NDWI/ NDWI1725,2200as the water content of the vegetation.

相比以NDVI和NDWI1725,2200作为植被冠层含水率的MWCM，以NDWI作为植被冠层含水率的MWCM除在0.4≤NDVI＜0.5情况下土壤含水率反演精度较为接近外，在其余植被覆盖条件下反演精度最低。表明在不同植被覆盖情况下，NDWI受到土壤信息影响较大，且在反映植被冠层含水率方面精度不高。

以NDVI和NDWI1725,2200为植被冠层含水率的MWCM反演精度较为接近，其精度要优于以NDWI为植被冠层含水率的MWCM反演精度。在0≤NDVI＜0.2和0.5≤NDVI＜0.7条件下，以NDWI1725,2200为植被冠层含水率的MWCM反演精度优于NDVI。对于WCM也可以得到较为相近的规律。表明在较低及较高植被覆盖条件下，NDWI1725,2200对植被含水率较为敏感。而在中等植被覆盖条件下，NDVI对于植被含水率敏感性更高。

4 结 论

本研究对水云模型WCM进行了地表粗糙度改进，建立了改进的水云模型MWCM。将NDWI、NDVI、NDWI1725,2200作为WCM及MWCM中植被冠层含水率，结合Sentinel-1、Sentinel-2及地面含水率数据反演了不同植被覆盖度情况下农田地表土壤含水率。结果表明，在采用NDWI、NDVI和NDWI1725,2200作为植被冠层含水率时的MWCM土壤含水率反演精度要优于WCM。相比NDWI和NDVI，以NDWI1725,2200作为植被冠层含水率的MWCM土壤含水率反演精度最优，其RMSE可达到0.077 m3/m3。以NDVI作为植被冠层含水率的MWCM在中等植被覆盖条件下（0.2≤NDVI＜0.5）具有较高的土壤含水率反演精度。以NDWI1725,2200作为植被冠层含水率的MWCM在低、高植被覆盖度条件下（0≤NDVI＜0.2，0.5≤NDVI＜0.7）具有较为较高的土壤含水率反演精度。由此可知，MWCM可以有效反映后向散射系数与地表作物、粗糙度及土壤含水率间的关系，适用于不同覆盖度条件下的农田地表土壤含水率反演。本研究中，未对不同作物种类覆盖情况下的MWCM模型精度进行分析。今后的工作中，将对此进行进一步分析研究，以改进、完善MWCM。

[1]张学礼，胡振琪，初士立. 土壤含水率测定方法研究进展[J]. 土壤通报，2005，36(1)：118－123. Zhang Xueli, Hu Zhenqi, Chu Shili. Methods for measuring soil water content: A review[J]. Chinese Journal of Soil Science, 2005, 36(1): 118－123. (in Chinese with English abstract)

[2]冯舒，赵文武，陈利顶，等. 2010年来黄土高原景观生态研究进展[J]. 生态学报，2017，37(12)：3957－3966. Feng Shu, Zhao Wenwu, Chen Liding, et al. Advances in landscape ecology in the Loess Plateau since 2010 in China[J]. Acta Ecologica Sinica, 2017, 37(12): 3957－3966. (in Chinese with English abstract)

[3]郑丹，李卫红，陈亚鹏，等. 干旱区地下水与天然植被关系研究综述[J]. 资源科学，2005，27(4)：160－167. Zheng Dan, Li Weihong, Chen Yapeng, et al. Relations between groundwater and natural vegetation in the arid zone[J]. Resources Science, 2005, 27(4): 160－167. (in Chinese with English abstract)

[4]赵君，张晓民. 改进的TOPKAPI模型及其在洪水预报中的应用[J]. 河海大学学报：自然科学版，2011，39(2)：131－136. Zhao Jun, Zhang Xiaomin. Application of improved TOKAPI model to flood forecast[J]. Journal of Hohai University (Natural Sciences), 2011, 39(2): 131－136. (in Chinese with English abstract)

[5]Liu Z, Todini. E. Towards a comprehensive physically-based rainfall-runoff model[J]. Hydrology and Earth System Sciences Discussions, European Geosciences Union, 2002, 6(5): 859－881.

[6]李柏贞，周广胜. 干旱指标研究进展[J]. 生态学报，2014，34(5)：1043－1052. Li Bozheng, Zhou Gaosheng. Advance in the study on drought index[J]. Acta Ecologica Sinica, 2014, 34(5): 1043－1052. (in Chinese with English abstract)

[7]张强，邓振镛，赵映东，等. 全球气候变化对我国西北地区农业的影响[J]. 生态学报，2008，28(3)：1210－1218. Zhang Qiang, Deng Zhengyong, Zhao Yingdong, et al. The impacts of global climatic change on the agriculture in northwest China[J]. Acta Ecologica Sinica, 2008, 28(3): 1210－1218. (in Chinese with English abstract)

[8]潘英华，雷廷武，张晴雯，等. 土壤结构改良剂影响下的土壤水分有效性研究[J]. 灌溉排水学报，2007, 26(5)：63－67. Pan Yinghua, Lei Tingwu, Zhang Qinwen, et al. Investigation of soil water availability influenced by soil conditioner[J]. Journal of Irrigation and Drainage, 2007, 26(5): 63－67. (in Chinese with English abstract)

[9]潘宁，王帅，刘焱序，等. 土壤水分遥感反演进展[J]. 生态学报，2019，39(13)：1－11. Pan Ning, Wang Shuai, Liu Yanxu, et al. Advancing soil moisture retrieval from remote sensing[J]. Acta Ecologica Sinica, 2019, 39(13): 1－11. (in Chinese with English abstract)

[10]杨永民，邱建秀，苏红波，等. 基于热红外的四种土壤含水率估算方法对比[J]. 红外与毫米波学报，2018，37(4)：459－467，476. Yang Yongmin, Qiu Jianxiu, Su Hongbo, et al. Estimation of surface soil moisture based on thermal remote sensing: Intercomparison of four methods[J]. Journal of Infrared and Millimeter Waves, 2018, 37(4): 459－467, 476. (in Chinese with English abstract)

[11]Schmugge T J, Kustas W P, Ritchie J C, et al. Remote sensing in hydrology[J]. Advances In Water Resources, 2002, 25(8/9/10/11/12): 1367－1385.

[12]Adams J R, Berg A A, McNairn H, et al. Sensitivity of C-band SAR polarimetric variables to unvegetated agricultural fields[J]. Canadian Journal of Remote Sensing, 2013, 39(1): 1－16.

[13]Attema E P W, Ulaby F T. Vegetation modeled as a water cloud[J]. Radio Science, 1978, 13(2): 357－364.

[14]蔡庆空，李二俊，陶亮亮，等. PROSAIL 模型和水云模型耦合反演农田土壤水分[J]. 农业工程学报，2018，34(20)：117－123. Cai Qingkong, Li Erjun, Tao Liangliang, et al. Farmland soil moisture retrieval using PROSAIL and water cloud model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(20): 117－123. (in Chinese with English abstract)

[15]Bai Xiaojing, He Binbin. Potential of Dubois model for soil moisture retrieval in prairie areas using SAR and optical data[J]. International Journal of Remote Sensing, 2015, 36(22): 5737－5753.

[16]Bao Yansong, Lin Libin, Wu Shanyu, et al. Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 76－85.

[17]Han Dong, Yang Hao, Qiu Chunxia, et al. Estimating wheat biomass from GF-3 data and a polarized water cloudmodel[J]. Remote Sensing Letters, 2018, 10(3): 234－243.

[18]Zribi M, Kotti F, Amri R, et al. Soil moisture mapping in a semiarid region, based on ASAR/Wide Swath satellite data[J]. Water Resources Research, 2014, 50(2): 1－13.

[19]Kseneman M, Gleich D. Soil-moisture estimation from X-band data using Tikhonov regularization and neural net[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7): 3885－3898.

[20]Gherboudj I, Magagi R, Berg A A, et al. Soil moisture retrieval over agriculture fields from multi-polarized and multi-angular Radarsat-2 SAR data[J]. Remote Sensing of Environment, 2011, 115(1): 33－43.

[21]Baghdadi N, Hajj M E, Zribi M, et al. Calibration of the water cloud model at C-band for winter crop fields and grasslands[J]. Remote Sensing, 2017, 9(969): 13.

[22]Hosseini M, McNairn H. Using multi-polarization C- and L-band synthetic aperture radar to estimate biomass and soil moisture of wheat fields[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 58: 50－64.

[23]Dabrowska-Zielinska K, Musial J, Malinska A, et al. Soil moisture in the Biebrza wetlands retrieved from sentinel-1 imagery[J]. Remote Sensing, 2018, 12(10): 1979.

[24]Oh Y. Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3): 596－601.

[25]Palanisamy T, Vidhya R. Derivation of soil moisture using modified Dubois model with field assisted surface roughness on RISAT-1 data[J]. Earth Sciences Research Journal, 2018, 22(1): 13－18.

[26]Periasamy S. Significance of dual polarimetric synthetic aperture radar in biomass retrieval: An attempt on Sentinel-1[J]. Remote Sensing of Environment, 2018, 217: 537－549.

[27]Srivastava H S, Patel P, Manchanda M L, et al. Use of multiincidence angle RADARSAT-1 SAR data to incorporate the effect of surface roughness in soil moisture estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(7): 1638－1640.

[28]Srivastava H S, Patel P, Navalgund R R, et al. Retrieval of surface roughness using multi-polarized Envisat-1 ASAR data[J]. Geocarto International, 2008, 23(1): 67－77.

[29]Oh Y, Kay Y C. Condition for precise measurement of soil surface roughness[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(2): 691－695

[30]Dorigo W A, Wagner W, Hohensinn R, et al. The international soil moisture network: A data hosting facility for global in situ soil moisture measurements[J]. Hydrology and Earth System Science, 2011, 15(5): 1675－1698.

[31]Dorigo W A, Xaver A, Vreugdenhil M, et al. Global automated quality control of in situ soil moisture data from the international soil moisture network[J]. Vadose Zone Journal, 2013, 12(3): 1－21.

[32]Ulaby F T, Allen C T, EGER III G. Relating the microwave backscattering coefficient to leaf area index[J]. Remote Sensing of Environment, 1984, 14(1): 113－133.

[33]Paris J. The effect of leaf size on the microwave backscattering by corn[J]. Remote Sensing of Environment, 1986, 19(1): 81－95.

[34]Ulaby F T, Wilson E A. Microwave attenuation properties of vegetation canopies[J]. IEEE Transactions on Geoscience and Remote Sensing, 1985, GE-23(5): 746－753.

[35]Prévot L, Dechambre M, Taconet O, et al. Estimating the characteristics of vegetation canopies with airborne radar measurements[J]. International Journal of Remote Sensing, 1993, 14(15): 2803－2818.

[36]Fung A K, Ulaby F T. A scatter model for leafy vegetation[J]. IEEE Transactions on Geoscience and Remote Sensing, 1978, GE-16(4): 281－286.

[37]Prévot L, Champion I, Guyot G. Estimating surface soil moisture and leaf area index of a wheat canopy using a dual-frequency (C and X Bands) scatterometer[J]. Remote Sensing of Environment, 1993, 46(3): 331－339.

[38]Gao B C. A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3): 257－266.

[39]Zhang Ziyang, Tang Bohui, Li Zhaoliang. Retrieval of leaf water content from remotely sensed data using a vegetation index model constructed with shortwave infrared reflectance[J]. International Journal of Remote Sensing, 2018, 40(5/6): 2313－2323.

[40]Baret F, Guyot G, Major D. TSAVI: A vegetation index which minimizes soil brightness effects on LAI and APAR estimation[C]. Canada: IEEE, 1989: 1355－1358.

[41]Mróz M, Sobieraj-Żłobińska A. Comparison of several vegetation indices calculated on the basis of a seasonal SPOT XS time series, and their suitability for land cover and agricultural crop identification[J]. Technical Sciences, 2004, 7(7): 39－66.

[42]Chehbouni J Q, Huete A R, Kerr Y H, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119－126.

Inversion of surface soil moisture content of Spanish farmland using modified water cloud model

Ma Teng1,2,3, Han Ling1,3※, Liu Quanming2

(1.,,710054,; 2.,,010018,; 3.,710054,)

soil; moisture; models; surface roughness; water cloud model; vegetation canopy water content; inversion accuracy

马 腾，韩 玲，刘全明. 考虑地表粗糙度改进水云模型反演西班牙农田地表土壤含水率[J]. 农业工程学报，2019，35(24)：129－135. doi：10.11975/j.issn.1002-6819.2019.24.016 http://www.tcsae.org

Ma Teng, Han Ling, Liu Quanming. Inversion of surface soil moisture content of Spanish farmland using modified water cloud model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(24): 129－135. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.24.016 http://www.tcsae.org

2019-07-25

2019-12-05

陕西省土地整治重点实验室开放基金项目“水盐耦合环境下地表粗糙度多源遥感波谱特性分析”（项目编号：300102279506）；国家重点研发计划“黄土丘陵沟壑区沟道及坡面治理工程的生态安全保障技术与示范”（项目编号：2017YFC0504700）；国家自然科学基金项目“寒旱灌区土壤水盐多源遥感协同反演及尺度转换研究”（项目编号：51569018）；内蒙古农业大学“双一流”学科创新团队建设人才培育项目（项目编号：NDSC2018-10）

马 腾，博士研究生，讲师，主要从事生态环境遥感研究。Email：mt19822005@163.com

韩 玲，博士，教授，主要从事资源与环境遥感研究。Email：hanling@chd.edu.cn

10.11975/j.issn.1002-6819.2019.24.016

S127

A

1002-6819(2019)-24-0129-07