欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 6: 75 - 95

DOI: https://doi.org/10.12133/j.smartag.SA202509009

专刊--遥感+AI 赋能农业农村现代化

多极化合成孔径雷达作物覆盖下土壤湿度反演研究进展

  • 孙荣 1 ,
  • 高晗 , 1 ,
  • 姜钰杰 1 ,
  • 李翘楚 1 ,
  • 吴昊宇 1 ,
  • 吴尚蓉 2 ,
  • 玉山 3 ,
  • 许磊 4 ,
  • 于亮亮 5 ,
  • 张杰 1 ,
  • 包玉海 3
展开
  • 1. 中国石油大学（华东） 海洋与空间信息学院，山东 青岛 266580，中国
  • 2. 中国农业科学院 农业资源与农业区划研究所，北京 100081，中国
  • 3. 内蒙古师范大学 地理科学学院，内蒙古 呼和浩特 010022，中国
  • 4. 中国地质大学（武汉） 国家地理信息系统工程技术研究中心，湖北 武汉 430074，中国
  • 5. 内蒙古巴彦淖尔市气象局，内蒙古 巴彦淖尔 015000，中国
高 晗，博士，副教授，研究方向为农业遥感与极化SAR作物遥感监测研究。E-mail：

孙 荣，硕士研究生，研究方向为极化SAR农田土壤湿度反演。E-mail：

收稿日期: 2025-09-06

  网络出版日期: 2025-12-05

基金资助

国家自然科学基金(42301399,ZR2023QD097,ZR2024MD108)

中国地质大学（武汉）国家地理信息系统工程技术研究中心开放基金(NERCGIS-202408)

内蒙古师范大学自主科研项目(2025JYJFZX001)

收起

Progress in Soil Moisture Retrieval under Crop Canopy Cover Based on Multi-polarization SAR Data

  • SUN Rong 1 ,
  • GAO Han , 1 ,
  • JIANG Yujie 1 ,
  • LI Qiaochu 1 ,
  • WU Haoyu 1 ,
  • WU Shangrong 2 ,
  • YU Shan 3 ,
  • XU Lei 4 ,
  • YU Liangliang 5 ,
  • ZHANG Jie 1 ,
  • BAO Yuhai 3
Expand
  • 1. College of Oceanography and Space Informatics, China University of Petroleum (East China), Qingdao 266580, China
  • 2. Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China
  • 3. College of Geographical Science, Inner Mongolia Normal University, Hohhot 010022, China
  • 4. National Engineering Research Center of Geographic Information System, China University of Geosciences, Wuhan 430074, China
  • 5. Bayannur Meteorological Bureau, Bayannur 015000, China
GAO Han, E-mail:

SUN Rong, E-mail:

Received date: 2025-09-06

  Online published: 2025-12-05

Supported by

National Natural Science Foundation of China(42301399,ZR2023QD097,ZR2024MD108)

Open Fund of National Engineering Research Center of Geographic Information System in China University of Geosciences(NERCGIS-202408)

Independent Scientific Research Projects of Inner Mongolia Normal University(2025JYJFZX001)

Copyright

copyright©2025 by the authors
Fold

摘要

［目的/意义］ 土壤湿度是地表水循环和农业生产的关键参数，直接影响作物光合作用、呼吸作用和碳循环，是反映作物健康状态的重要指标，对作物生长监测、产量预估和田间管理具有重要意义。合成孔径雷达（Synthetic Aperture Radar, SAR）技术凭借其全天时、全天候观测能力，以及多极化通道对地表水分的敏感性，已成为农田土壤湿度监测的重要手段。其中，在多极化SAR农田土壤湿度反演中，如何厘清作物冠层散射和土壤散射作用是研究的核心。 ［进展］ 系统梳理了多极化SAR技术在作物覆盖场景下土壤湿度反演的研究进展，分别从数据资源、技术理论、结果应用3个方面进行总结，重点统计并分析了主要星载极化SAR平台发展与成像参数对土壤湿度反演的影响，总结了散射模型从裸土散射模型到作物-裸土耦合散射模型的发展，讨论了模型解算策略，阐述了作物类型和物候、土壤表面粗糙度和土壤质地参数及多源数据融合对土壤湿度反演的影响。 ［结论/展望］ 总结了天空地监测数据的范围和尺度难匹配、散射模型难以精细适配作物形态、反演结果缺乏统一检验标准和交叉验证等技术瓶颈，展望了在多模态大数据、人工智能技术等新技术支持下的未来技术发展。本研究系统总结了多极化SAR农田土壤湿度反演在数据、理论和应用中的主要进展，凝练技术要点、聚焦技术瓶颈，有助于推动农田土壤湿度反演实现自适应、高分辨、高精度的智能化发展。

关键词： 极化合成孔径雷达; 农业遥感; 土壤湿度反演; 作物覆盖场景; 定量遥感监测

本文引用格式

孙荣 , 高晗 , 姜钰杰 , 李翘楚 , 吴昊宇 , 吴尚蓉 , 玉山 , 许磊 , 于亮亮 , 张杰 , 包玉海 . 多极化合成孔径雷达作物覆盖下土壤湿度反演研究进展[J]. 智慧农业, 2025 , 7(6) : 75 -95 . DOI: 10.12133/j.smartag.SA202509009

Abstract

[Significance] Soil moisture is a critical parameter in surface water cycling and agricultural productivity, playing an essential role in crop growth monitoring, yield estimation, and field management. Synthetic aperture radar (SAR), with its all-weather capabilities and multi-polarization advantages, is highly sensitive to the structural, orientational, and moisture characteristics of crops and soil, making it a key remote sensing tool for soil moisture monitoring. However, under crop cover, surface scattering signals are confounded by vegetation scattering, and the spatial heterogeneity of crop and soil properties further complicates the scattering process. These factors make it challenging to directly apply traditional methods for agricultural soil moisture retrieval. The separation of scattering contributions from the crop canopy and underlying soil remains a significant research challenge. To address this, the present paper systematically reviews the state-of-the-art advancements in soil moisture retrieval under crop cover across three dimensions: data resources, scattering theory, and retrieval applications. [Progress] This review offers a comprehensive assessment of multi - polarization SAR - based agricultural soil moisture retrieval technology from the viewpoints of data, theory, and application, emphasizing future optimization. In terms of data resources, the paper presents a comprehensive summary of spaceborne multi - polarization SAR data. It compares key imaging parameters (e.g., frequency band, polarization mode, spatial resolution, and incidence angle) and analyzes their impacts on agricultural soil moisture retrieval. Research shows that, under single - source data conditions, long - wavelength bands, small incidence angles, and co - polarization modes are less prone to canopy scattering interference. Under multi - modal data conditions, integrating multi - band, multi - angle, and multi - polarization SAR data can more effectively distinguish between vegetation and surface scattering contributions. Regarding theoretical and technical progress, the paper tracks the development of scattering models, reviews existing soil and vegetation scattering models, and contrasts the applicability of physical, empirical, and semi - empirical models. It also emphasizes the advantages of coupled modeling approaches. Moreover, the paper examines various solution methods for scattering models, focusing on local and global optimization algorithms. In the application context, this paper evaluates the performance of multi - polarization SAR in soil moisture retrieval across different crop and soil conditions, using wheat, corn, rapeseed, and soybean as typical crops. It discusses the influence of different crop types (e.g., differences in leaf and stem structure) and phenological stages on retrieval accuracy. The paper compares the applicability of soil scattering models and retrieval methods under various soil surface roughness and soil texture conditions (e.g., sandy and loamy soils) and examines their retrieval accuracy under different soil scenarios. Additionally, it reviews the improvements in retrieval performance through multi - source data fusion, including optical - SAR combinations and active - passive remote sensing fusion. It also synthesizes the main challenges and future directions for multi - source data fusion strategies, especially with regard to scale effects. [Conclusions and Prospects] Based on the reviewed advancements, the paper identifies key technical challenges, including discrepancies in monitoring range and scale among spaceborne, airborne, and ground-based data, difficulties in adapting scattering models to crop morphology, and the lack of standardized validation protocols for retrieval results. Looking ahead, the paper envisions the potential for future technological progress driven by multi-modal big data and artificial intelligence. This review highlights critical insights, addresses key bottlenecks, and drives the development of intelligent, adaptive, high-resolution, and high-precision soil moisture retrieval systems in multi-polarization SAR soil moisture retrieval.

Key words： polarimetric synthetic aperture radar; agricultural remote sensing; soil moisture retrieval; crop coverage scene; quantitative remote sensing monitoring

0 引 言

土壤湿度是地表水循环的重要组成部分和农作物生长发育的基本物质基础［1-3］。地面土壤水分直接影响作物光合作用、呼吸作用和碳循环，是反馈作物健康状态的重要指标，对作物的生长监测、产量预估和病虫害防治等有重要指导意义［4, 5］。2024年《中国水旱灾害防御公报》指出，全球极端天气频发，中国部分地区出现了季节性干旱，水旱灾害防御形势异常复杂严峻，在此背景下，全国农业区土壤水分监测与宏观调控至关重要［6］。因此，建立大范围农田土壤湿度反演体系和方法，实现对土壤水分的实时、准确获取迫在眉睫。
土壤湿度数据的获取分为地面测量和遥感监测两种手段。地表测量方法如时域反射计（Time Domain Reflectometer, TDR）探针法、烘干法、热脉冲传感器法等，能够精确获取单点不同深度的湿度数据，操作简单灵活，通常认为其获取的为地表土壤湿度的“真值”［4, 7］。但大范围地面测量需要大量的时间和人力成本，且实际操作存在较多不确定性和随机误差［8］，限制了农田环境快速监测与实时感知的发展。鉴于此，遥感监测方法能够快速监测大范围农田的土壤湿度［9, 10］，有望减少人为干扰并提高监测时效性［11, 12］。合成孔径雷达（Synthetic Aperture Radar, SAR）平台可全天时、全天候监测，多极化通道信号对地表水分敏感，已成为重要的土壤湿度监测手段［13, 14］。地表以下一定深度范围内的土壤含水量变化会引起土壤介电常数改变，导致土壤散射作用与后向散射强度变化，且相关变化因极化方式和微波频率而异。据此，可联合多个极化通道的SAR数据和实地测量样本，提取散射强度、极化相关性、基础散射成分等散射特征，基于植被或土壤散射模型构建表达方程，对土壤湿度进行估计。基于多极化SAR数据生产的全球1 km分辨率土壤湿度产品［15］等成果，进一步证明了多极化SAR手段在土壤湿度反演中的应用表现和研究潜力。
如图1所示，本文围绕作物覆盖下的土壤湿度反演研究，从“数据与资源、理论与技术、结果与应用”3个维度进行总结：1）统计了多极化SAR卫星和农田土壤湿度反演的文献分布，阐述了成像参数对土壤湿度反演的影响。2）围绕微波散射理论发展，讨论了土壤和作物散射模型构建与解算的算法进展。3）总结了农田土壤湿度反演应用进展，对比了不同农田环境参量下湿度反演的差异，分析了多源数据融合对反演结果的改进效果。综合上述3个方面的总结，最后凝练了多极化SAR农田土壤湿度反演中的瓶颈和挑战，并结合前沿技术发展给出了未来展望。
图1 多极化SAR作物覆盖下土壤湿度反演流程及本文思路

Fig. 1 Schematic flowchart and the basic framework of soil moisture retrieval under crop canopies using multi-polarization SAR data

1 极化SAR技术原理

SAR传感器作为一种主动侧视遥感平台，可通过变极化方式交替发射和接收水平极化（H）和垂直极化（V）电磁波，组合形成HH、HV、VH和VV这4种极化方式的信号［16］。因不同极化方式对目标的形态结构、取向分布、介电属性的敏感性及穿透深度都不同，联合使用多极化SAR数据，有望对地物垂直结构进行表征，即可对地物进行“穿透测绘”［12, 17］。如图2所示，多极化SAR卫星可部分穿透作物，与冠层、茎秆及土壤产生散射作用，其散射回波信号包括作物层和土壤层的综合贡献［18］。具体而言，可将极化SAR农田散射过程分解为4种基础散射成分：土壤表面散射、冠层体散射、土壤-茎秆二次散射和土壤-茎秆-土壤多次散射［19］。进一步，联合多种极化方式的散射信号，并使用极化分解手段，能够将总体散射信号分解为上述几种基础散射成分，得到冠层、茎秆和土壤各层对总体散射的贡献，并反演得到植被层和地表层的结构属性和介电属性。地表介电常数与浅层土壤含水量存在高度关联，可进一步反演得到地表土壤湿度。
图2 多极化SAR雷达信号对农田的散射作用示意图（以玉米为例）

注： a表示土壤表面散射，b表示冠层体散射，c表示土壤-茎秆二次散射，d表示多次散射作用；H、V表示雷达水平和垂直极化波，为雷达波的偏振方向，基于不同偏振方向入射波和反射波的组合，可获取HH、VV、HV和VH四种极化方式的散射系数S HH、S HV、S VH和S VV，其可联合构造为Sinclair矩阵（极化散射矩阵）。

Fig. 2 Diagram of the scattering effects of multi-polarization SAR radar signals on farmlands （taking corn as an example）

虽然多极化通道的散射差异性为地表信号解耦与作物覆盖下土壤湿度反演提供了解决手段［20, 21］，但是受限于空间分辨率低、固有斑点噪声严重、重返周期长、植被微波散射理论发展尚不成熟等问题，现有多极化SAR土壤湿度反演方法仍难以在不同农田场景实现通用［22］。鉴于此，现有研究开始关注多模态数据的联合使用，以提升土壤湿度反演的可靠性［23, 24］。近年来，地基［25］、机载［26, 27］和星载［28］SAR平台快速发展，长波SAR［29, 30］、简缩极化［31-33］、星座观测体系［34, 35］等提供了多模态SAR数据联合的可能性，多频率、多极化、多角度、多卫星的协同观测为土壤湿度反演提供了多维数据支撑，为提升土壤湿度反演精度和时空分辨率提供了新的可能［4, 36］。为此，下文将对现有的星载多极化SAR数据资源进行统计和讨论。

2 星载多极化SAR数据资源

数据资源是多极化SAR土壤湿度反演的基础，本章统计了现有主流星载多极化SAR数据在农田土壤湿度反演中的应用情况，并讨论了波段、入射角和极化方式等成像参数对土壤湿度的影响，分析了现有数据在农田土壤湿度反演中的适用性。表1列举了当前主流的星载多极化SAR平台，对比了不同卫星主要成像参数及其所属国家/机构，从中可以看出多数SAR卫星都具备单、双和全极化模式，雷达波段包括X、C、L、S波段，入射角从8°变化到70°。极化SAR卫星灵活的成像参数组合和成像模式为雷达农业监测提供了丰富的数据源。
表1 主要星载极化SAR平台与成像参数

Table 1 Major spaceborne multi-polarization SAR platforms and imaging parameters

卫星系统 国家/机构 极化方式 波段 入射角/（°）
高分三号-1/2/3 中国CAST 单/双/全极化 C 10~60
Sentinel-1-A/C 欧空局ESA 单/双极化 C 19~47
Radarsat-2 加拿大CSA 单/双/全极化 C 20~60
ALOS-PALSAR 日本JAXA 单/双/全极化 L 8~60
ALOS-PALSAR2 日本JAXA 单/双/全极化 L 8~70
陆探一号-A/B 中国CAST 单/双/全极化 L 10~60
TerraSAR-X 德国DLR 单/双/全极化 X 20~55
TanDEM-X 德国DLR 单/双/全极化 X 20~55
PAZ 西班牙 单/双极化 X 15~60
COSMO-SkyMed 意大利 单/双/全极化 X 20~60
NISAR 美国/印度 双/全极化 S+L 20~45
SAOCOM-1A/B 阿根廷 单/双/全极化 L 20~50
BIOMASS 欧空局ESA 单/双/全极化 P 23~35

注：中国空间技术研究院（China Academy of Space Technology, CAST）；欧洲航天局（European Space Agency, ESA）；加拿大航天局（Canadian Space Agency, CSA）；日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency, JAXA）；德国航空航天中心（Deutsches Zentrum für Luft- und Raumfahrt, DLR）。

为了进一步统计多极化SAR农田土壤湿度反演中使用到的数据资源，以SAR/极化SAR、土壤湿度（Soil Moisture）、作物覆盖（Agriculture/Crops/Vegetation）为关键词在Web of Science、EI（Engineering Index）和CSCD（Chinese Science Citation Database）引文数据库中对2010年至今的中英文论文进行检索，同时以中国科学院大类三区及以上、双一流高校学位论文为标准，选择强相关论文102篇。其中，英文期刊论文46篇、中文期刊论文11篇、学位论文18篇、国际会议论文27篇。具体统计如图3所示，图中涉及多极化SAR卫星10种，在102篇文献中共出现频次104次，相关研究主要使用的卫星包括Sentinel-1、Radarsat-2、ALOS-PALSAR2和高分三号。
图3 多极化SAR农田土壤湿度反演研究中不同极化SAR卫星的应用统计

Fig. 3 Statistics on the application of different multi-polarization SAR satellites in farmland soil moisture retrieval literature

其中，Sentinel-1卫星作为欧空局Copernicus计划的重要组成部分，具有幅宽大、获取稳定、双星联合观测的优势，有利于进行大范围时序农田土壤湿度监测。Radarsat-2卫星由加拿大航天局研制，具有多模式、全极化、高分辨的成像优势，可以高效、准确监测作物类型与农学参量变化，为农田土壤湿度的定量遥感监测提供了数据保障。ALOS-PALSAR2卫星是日本发射的L波段多极化SAR卫星，能有效穿透植被及农作物冠层，获取地表及浅层土壤的含水量，有效改善了X和C波段SAR信号在植被密集覆盖区“地表土壤看不清”的瓶颈。除波段发展外，近年来，高分三号、陆探一号等中国极化SAR卫星快速崛起。其中，高分三号作为中国自主研制的首颗C波段极化SAR卫星，最高空间分辨率可达1 m，目前已实现三星组网观测，有望实现作物类型与参量的高精度、大范围实时监测，助力数字农业、智慧农业“一张图”建设。
为了更好地评价不同模态SAR数据在土壤湿度反演中的适用性，本章对波段、入射角和极化方式3种成像参数对土壤湿度反演的影响进行了总结。
1）波段影响分析。在作物覆盖下的土壤湿度反演研究中，雷达波段的选择至关重要，波长直接影响雷达信号对作物冠层的穿透能力，具体取决于波长与作物尺寸的相对关系。图4以玉米为例，展示了X、C和L波段的散射作用差异，长波SAR信号（S、L波段）相比短波SAR信号（C、X波段）具有更强的穿透能力，能够更有效地穿透植被层，其和地面相关的二次散射和表面散射成分更明显，更有利于探测农田土壤湿度。① L波段。L波段波长为15~30 cm，一般可穿透作物的茂密冠层，与地表土壤层发生散射作用［37, 38］。例如，Kim等［39］基于Born近似理论模拟了L波段在12种植被和4种作物覆盖下的后向散射系数模型，通过对不同场景下的土壤湿度进行反演，证明了L波段SAR信号能够在玉米密集覆盖场景下有效反演地表土壤湿度。② C波段。C波段波长为3.75~7.5 cm，可部分穿透茂密冠层［40, 41］，借助极化分解方法提取地表散射成分，在大多数作物生长期进行土壤湿度反演。例如，Balenzano等［42］基于AgriSAR 2006数据项目中的机载C和L波段极化SAR数据，提取时序后向散射系数比，使用Alpha近似法得到土壤介电常数，并进一步对冬小麦和冬油菜的土壤湿度进行反演。结果表明，L波段数据可用于冬小麦和冬油菜全生育期的土壤湿度反演，而C波段数据主要适用于冬小麦和冬油菜冠层稀疏时的土壤湿度反演。而且发现L波段的时序后向散射比值相比于C波段，对土壤湿度变化的敏感性更高。虽然上述两种波段SAR信号都对湿度变化敏感，但在反演中需要注意土壤表面粗糙度对散射模型或反演方法的适用性。例如，Wang等［43］使用Radarsat-2极化SAR数据对加拿大红河流域农田进行土壤湿度反演，首先，基于极化分解将总体散射分离为体散射和地表散射；其次，针对极化分解中X-Bragg表面散射模型的土壤粗糙度范围不适用于C波段数据的问题，将地表散射成分输入至Oh模型进行土壤湿度反演，有效获取了油菜、玉米和大豆等作物覆盖下的土壤湿度结果。③ X波段。X波段波长为2.4~3.75 cm，仅能穿透稀疏冠层，一般用于作物播种或幼苗期的土壤湿度反演。例如，Zhang等［44］基于TerraSAR-X的双极化（HH、VV）SAR数据，使用改进的水云模型和人工神经网络（Artificial Neural Network, ANN），分别反演了玉米萌芽期、三叶期和拔节期的地表土壤湿度，3个物候期的反演结果相关系数 R分别为0.72、0.87和0.70，证明了X波段数据在稀疏冠层分布下的反演潜力。
图4 不同波段的多极化SAR信号对农田的散射作用差异示意图（以玉米农田为例）

a. X波段 b. C波段 c. L波段

Fig. 4 Schematic diagram of radar penetration effects at different bands on crops （take corn as an example）

为了进一步分析不同波段SAR数据在土壤湿度反演中的应用情况，本文整理了文献中不同波段SAR数据的土壤湿度反演的均方根误差（Root Mean Square Error, R M S E），如表2所示。同时，以玉米和牧草为例，在图5中绘制了不同波段的多极化SAR信号下农田土壤湿度反演精度对比。可以看出，对于玉米农田，L波段的土壤湿度反演偏差明显小于C波段，而且X波段较少应用于玉米覆盖下的土壤湿度反演。对于牧草农田，3种波段SAR数据均有应用，L波段仍然最优，但整体相差不大。其中，X波段的偏差动态范围最大，这侧面证明了在X波段的土壤湿度反演应用中，植被层散射干扰的影响较为明显。同时，当前研究也表明，多波段协同反演能够整合不同波段对植被和地表散射的响应特性，提升反演的稳健性［45］。例如，Bindlish和Barros［46］使用SIR-C/X-SAR（Shuttle Imaging Radar with Payload C/X-SAR）的L、C（HH、VV）和X（VV）波段极化SAR数据对美国Little Washita流域，基于积分方程模型（Integral Equation Model, IEM）进行联合反演，有效获取了冬小麦、紫苜蓿等作物覆盖下的土壤湿度，反演的土壤湿度平均误差为0.034。此外，长波SAR卫星近年来不断丰富，如陆地探测1号、NISAR（NASA-ISRO Synthetic Aperture Radar）、BIOMASS，其有助于在土壤湿度反演中进一步减弱植被散射和土壤表面粗糙度的不利影响。
表2 不同雷达波段下的农田土壤湿度反演精度比较

Table 2 Accuracy comparison of soil moisture retrieval in agricultural crop scenes with different radar bands

波段 波长范围/cm 穿透能力 应用场景与RMSE对比 总体RMSE范围
L 15~30 可穿透茂密的作物冠层

美国切萨皮克湾流域，玉米［39］：0.02~0.025

美国切萨皮克湾流域，玉米［47］：0.033

加拿大哈德逊湾流域盆地，玉米、大豆［48］：0.047~0.038

美国切萨皮克湾流域，牧草［39］：0.026~0.056

 0.020~0.056
C 3.75~7.5

部分穿透茂密的作物冠层

可穿透稀疏的作物冠层

加拿大哈德逊湾流域盆地，玉米［49］：0.069

加拿大哈德逊湾流域盆地，油菜、玉米、大豆［43］：0.078

法国罗纳河流域，牧草［50］：0.047~0.062

 0.069~0.078
X 2.4~3.75 仅能穿透稀疏的作物冠层

法国罗纳河流域，牧草［51］：0.036

法国阿基坦盆地，牧草［52］：0.047~0.075

 0.036~0.075
图5 不同波段的多极化SAR信号下农田土壤湿度反演精度对比（以玉米和牧草农田为例）

Fig. 5 Comparisons of soil moisture retrieval accuracy across multiple radar bands for maize and grassland

2）入射角影响分析。SAR入射角是植被覆盖条件下土壤湿度反演的重要影响因素之一［53］，其影响主要体现在：随着入射角增大，电磁波穿透植被层的传播路径长度增加，导致雷达波与冠层的散射作用增强；同时，较大的入射角使得雷达波对土壤表面粗糙度的敏感性提高，增加了土壤表面粗糙度对地面土壤湿度反演的干扰［54］。下面将结合具体案例分别介绍这两种影响：① 不同入射角下植被冠层散射影响的差异。SAR平台是一种侧视成像系统，入射角变化直接影响电磁波在植被层中的传播路径，并引起作物散射过程和散射机制贡献情况。如图6所示，当入射角较小时，电磁波传播路径与作物冠层的夹角较小，更多信号能够通过冠层间隙穿透植被冠层，到达地表，植被层对电磁波的衰减效应相对较弱。此时，土壤表面的后向散射贡献较多，极化SAR信号对土壤湿度变化的探测灵敏度较高。相反，随着入射角增大，电磁波传播路径中植被层的比例增多，信号与作物冠层的相互作用增强，冠层体散射对总体散射作用的贡献提升，地表散射成分减少，雷达信号对土壤湿度反演的敏感性有所下降，不利于地表土壤湿度反演［6, 55］。例如，Balenzano等［42］研究了小麦和油菜覆盖下的土壤湿度反演，发现入射角变化可以影响植被和地表散射贡献的分配，小入射角下电磁波更容易穿透植被，土壤湿度反演结果更准确。同时，也有相关研究使用深度学习技术克服大入射角时的冠层体散射干扰。例如，Srivastava等［55］使用水云模型中双程衰减因子和雷达植被指数等散射特征共同描述植被层和土壤层散射贡献，并将其输入ANN进行训练，有效减弱了大入射角下植被散射影响对地表土壤湿度反演的干扰，反演 R M S E为5.81 m3/m3。② 不同入射角下土壤表面粗糙度影响的差异。随着入射角增大，雷达电磁波对粗糙地表更加敏感，后向散射系数与地表土壤湿度的关系更加复杂，不利于土壤湿度反演。例如，Baghdadi等［56］使用C波段双极化SAR数据，在20°~24°、34°~37°和40°~43°这3种不同入射角条件下反演了小麦和玉米农田的土壤湿度，发现入射角为20°~24°时的反演偏差最小，相对 R M S E为0.06；入射角为40°~43°时的反演偏差最大，相对 R M S E为0.09，成功证明了小入射角下土壤表面粗糙度干扰小、农田土壤湿度反演更具优势。综上，在单一入射角条件下，小入射角（通常低于30°）有助于减弱冠层多次散射和大粗糙度土壤层的干扰，更利于提取土壤湿度信息。另外，若具备多入射角数据，也可联合小入射角和大入射角数据提升复杂农田场景下的地表散射成分估计精度，通过多角度数据融合和算法补偿，提高地表土壤湿度反演精度。例如，Srivastava等［57］联合使用Radarsat-1平台获取的入射角为16°和36°的SAR数据，反演小麦灌浆期的农田土壤湿度，有效提升反演精度， R M S E为1.81。Wang等［58］联合多角度极化SAR数据，有效提升了地表散射成分的估计精度，样本的有效反演比例高达90%，相比单角度方法提升近40%，同时该文表示多角度SAR数据在作物生长早期的土壤湿度反演效果更好。
图6 不同入射角的多极化SAR信号下农田散射作用差异的示意图

Fig. 6 Farmland scattering mechanisms for multi-polarization SAR at different incidence angles

3）极化方式影响分析。不同极化方式对于作物形态结构、取向分布和介电属性具有不同的散射敏感性［59］。整体而言，现有反演土壤湿度的研究可分别从单一极化方式反演和联合多极化方式反演两类进行阐述。① 单一极化方式反演。单极化数据包括同极化（HH、VV）和交叉极化（HV、VH）。从散射敏感性而言，同极化信号对表面散射和二次散射作用更加敏感，散射中心一般位于地表土壤层或阔叶作物冠层顶部；而交叉极化对于体散射作用更加敏感，散射中心一般位于作物冠层或大粗糙度地表，一般可使用交叉极化数据去除植被散射影响或提升大粗糙度地表土壤湿度反演精度。具体而言，VV极化相比其他极化方式，对湿度变化更敏感且不易受粗糙度变化影响［46］，在实际应用中反演精度更优。例如，雷志斌等［60］、白晓静［3］基于高级积分方程模型（Advanced Integral Equation Model, AIEM）散射模型，对比HH和VV极化在玉米农田和乌图美仁草原的土壤湿度反演，结果表明，VV极化结果的决定系数 R 2均优于HH极化。刘钇廷［61］基于水云模型，分别使用VV和VH极化数据进行冬小麦土壤湿度反演，发现VV极化反演结果的决定系数（ R 2 = 0.8）明显优于VH极化（ R 2 = 0.4）。然而，Balenzano等［42］发现在小麦萌芽期且雷达入射角小于 30 °的情况下，地表后向散射以土壤衰减作用为主。此时，HH极化比VV极化更适合土壤湿度反演，在小麦抽穗期且雷达入射角为40°~50°情况下，冠层部分对散射的衰减作用更强。此时，VV极化对土壤湿度反演更具优势。另外，相关研究也发现HH极化优于HV极化方式。例如，周鹏等［62］使用Radarsat-2数据反演塔里木盆地棉花农田的土壤湿度，对比HH和HV极化的结果，发现前者比后者的 R 2提升约0.2。② 联合多极化方式反演。多极化数据指联合不同单极化数据以提升土壤湿度反演稳定性，具体联合方式包括极化散射系数间的简单运算（如HH+VV、HH-VV、VV/VH）和不同极化散射特征的融合。例如，雷志斌等［60］基于密歇根微波植被散射（Michigan microwave canopy scattering, MIMICS）模型，对比HH、VV及HH+VV极化在玉米农田的土壤湿度反演，结果表明HH+VV极化方式的土壤湿度反演精度最高，结果的相关系数 R 2最大提升了28.3%。胡蝶等［63］使用水云模型反演甘肃定西土壤湿度，对比交叉极化比（VV/VH）和单极化方式，发现前者的土壤湿度反演精度明显提升，相关系数 R 2提升了0.31。白晓静［3］基于Dubois模型和水云模型，融合VV和HH极化散射特征进行土壤湿度反演，得到反演结果 R 2最高达到0.87。综上，不同的极化方式在作物形态和介电的散射响应有所差异，融合多极化SAR数据可有效提升土壤湿度反演精度。在植被覆盖条件下，土壤湿度反演的核心挑战在于如何有效分离植被与土壤的散射贡献。
综上所述，本小节系统分析了波段、入射角与极化方式3种成像参数对农田土壤湿度反演的影响。研究表明，单一参数情况下，长波波段（L波段）、小入射角（<30°）和同极化（HH、VV极化）方式更有利于反演农田地表土壤湿度，其对植被散射和土壤表面粗糙度的影响更不敏感，且对土壤湿度变化更为灵敏。而且，在实际应用中，联合多波段、多角度和多极化SAR数据，能够进一步准确剥离植被散射和地表散射贡献，提升在不同作物类型、不同生长期农田场景中的土壤湿度反演稳健性。

3 土壤湿度反演研究方法与应用

3.1　散射模型构建与解算方法进展

3.1.1　散射模型构建

正确理解微波散射机理和构建微波散射模型对多极化SAR土壤湿度反演至关重要。农田散射过程主要包括土壤散射和植被散射两部分，可分别构建土壤与植被散射模型，以描述SAR信号在土壤层和作物层中的散射过程。土壤散射模型将裸露地表建模为随机粗糙度面散射模型，建模关键在于如何建立广泛土壤表面粗糙度范围下的通用模型。早期基于地面实测数据构建的经验模型Oh模型和Dubois模型［64, 65］，将后向散射系数或极化比建立为土壤介电常数、均方根高度和雷达成像参数的定量函数，通过反演土壤介电常数来得到土壤湿度。上述模型虽然可以直接得到土壤参数和散射特征的函数关系，但是其模型参数基于地面实测数据得到，土壤表面粗糙度描述范围有限，难以广泛适用于真实农田场景。理论模型和半经验模型基于电磁散射理论建立，对土壤表面粗糙度的描述更加灵活。经典理论模型中的基尔霍夫模型（Kirchhoff Model）和小扰动模型（Small Perturbation Model, SPM）针对理想的小粗糙度场景完善土壤散射理论并构建散射模型，较好地描述了极端地表散射场景下的土壤散射过程。进一步，IEM模型被引入，将上述散射模型拓展到连续化的土壤表面粗糙度表征，可通过数学积分形式描述地表后向散射过程［66］。1997年，Shi等［67］基于IEM模型提出适用于L波段SAR数据的Shi模型，降低模型对地面实测的依赖，并对土壤表面粗糙度进行完善。2004年，Fung和Chen［68］引入转换函数，提出了改进的AIEM模型，进一步明确了模型中入射角、土壤表面粗糙度和菲涅尔散射表征。虽然上述半经验模型对土壤粗糙度的适用性不断提升，但其研究场景仍为裸地，难以适用于作物覆盖下的土壤湿度反演。因此，需进一步考虑植被散射模型。
常用的植被散射模型被分为经验模型和半经验模型。经验模型通过地面实测数据的拟合得到，如线性、多项式、指数和对数回归模型，其一般适用于有限作物场景［69］。半经验模型基于微波辐射传输方程一阶解描述植被散射过程，后用实测数据估计模型参数，适用范围广且解算简便，在实际土壤湿度反演得到广泛应用［70］。代表性的半经验模型为水云模型［71］。该模型将植被冠层假设为具有一定厚度且均匀分布的散射体集合，植被的总体后向散射过程可分为植被散射、土壤散射和植被-土壤间多次散射3部分［72］。相关研究进一步考虑植被叠掩、植被覆盖度和叶倾角分布等因素［73, 74］，优化并改进水云模型［75, 76］，以提升模型对作物形态结构表征的灵活度。同时，针对玉米、小麦等作物，在经典两层水云模型（冠层+土壤层）基础上，三层水云模型（冠层+茎秆层+土壤层）也被提出［77］，以精细化描述植被散射过程。上述改进提升了水云模型的普适性，有助于精准分离植被与土壤的散射信号，从而支持对作物覆盖下土壤湿度的精确反演［78, 79］。
在实际应用中，水云模型对地表散射部分描述较为宽泛，且对地表-作物之间的多次散射考虑不充分。为兼顾对土壤散射的精确描述与对植被散射的有效剔除，现有研究常联合两种散射模型进行土壤湿度反演，其反演流程先利用植被散射模型去除冠层影响，再基于土壤散射模型反演湿度参数［80, 81］。例如，Joseph等［47］基于IEM模型反演土壤表面粗糙度，然后将其输入水云模型实现土壤湿度反演，反演结果的 R M S E为0.033~0.064 cm3/cm3。Kong等［82］使用水云模型消除植被部分对雷达后向散射系数的影响，并通过AIEM模型模拟土壤表面粗糙度参数、土壤湿度与后向散射系数之间的关系，模型耦合后得到的相对 R M S E从0.074 cm3/cm3降至0.051 cm3/cm3。黄对等［83］在水云模型基础上，结合IEM和Oh模型提出了多时相多极化SAR地表土壤湿度反演方法，融合后模型反演结果的 R M S E值降低了0.003~0.065 cm3/cm3。
综上，针对农田土壤湿度反演，植被散射模型和土壤散射模型被交叉使用，以更好减弱植被散射影响。然而，现有模型仍难以准确描述真实农田散射过程，尤其对植被层与下垫面之间的多次散射作用缺乏有效表征，未来应进一步对作物垂直分层散射作用进行定量表征，同时增加作物和土壤的耦合散射贡献项，以明确作物冠层和土壤散射作用的物理机制，推动散射模型构建定量化、精细化。

3.1.2　散射模型解算

散射模型涉及多个作物和土壤参数，需要依靠优化算法进行求解。常用优化算法包括局部优化算法和全局优化算法。
（1）局部优化算法。主要包括非线性最小二乘和神经网络方法，其基于梯度下降思路，以误差平方和最小为目标，通过迭代来寻找局部最优解。在实际应用中，为提高迭代稳定性和收敛性，在非线性最小二乘方法中，可采用高斯牛顿法、拟牛顿法、列文伯格-马夸尔特（Levenberg-Marquardt）法等迭代优化算法提升最小二乘解算精度。在神经网络方法中，可添加异步随机优化、径向基函数来提升神经网络解算稳健性。例如，Xu等［84］使用高斯牛顿法反演土壤湿度时，通过忽略二阶导数项、引入阻尼因子等，降低初值敏感性。Bolten等［85］在拟牛顿算法的目标函数中引入正则化项，确保每次迭代目标函数单调下降，避免了震荡发散。在初始效果不好或海森（Hessian）矩阵近似不准确时，也可选择Levenberg-Marquardt算法，该算法可以自适应地在依赖精确Hessian矩阵和梯度下降算法中切换，对数据的要求较低，适用性更广［86, 87］。但在初始值与真值距离过大时，局部优化算法容易引发局部收敛，且经过多次的数据迭代，误差累积会引发矩阵病态问题。同时，阻尼因子的调整策略也依赖于经验性设置，需要投入较大的计算成本。
（2）全局优化算法。该类算法无需梯度信息，在全局范围内搜索最优解，解算结果相对可靠。常用于散射模型解算的全局优化算法包括遗传算法［88］、粒子群算法［89］。例如，Kumar等［88］结合ASAR数据与地表采集的植被参数数据，基于遗传算法对水云模型中的参数进行解算，其选择叶面积指数（Leaf Area Index, LAI）作为植被描述符，设置子字符串长度为25并选择适合度成比例的繁殖方案，在空间范围内搜索模型参数最优解，最终得到土壤湿度反演结果，土壤湿度反演结果的相对 R M S E为0.041 9。Tao等［89］采用粒子群优化（Particle Swarm Optimization, PSO）算法与BP（Backpropagation Neural Network）神经网络，联合进行土壤湿度反演。针对传统PSO易陷入局部最优的局限性，通过重构惯性权重公式，采用二次项替代线性递减策略，有效消除了算法在最大迭代次数时权重的不确定性。相比传统反演方法（如多元非线性回归、支持向量机和单一BP神经网络），该方法可得到更高的反演精度， R 2和 R M S E分别为0.722和0.033 cm3/cm3。
综上，针对土壤湿度反演应用，上述两类优化算法在解算稳定性方面不断改进：局部优化算法通过引入阻尼因子或改变迭代策略，以减少矩阵病态带来的迭代异常影响；全局优化算法借助随机初始化、种群交叉变异等机制增强对参数的全局搜索能力，以提高数值解算过程的稳健性。然而，也需要注意到，现有优化算法高度依赖初值准确性，不合理初值易导致解算误差显著放大，未来应进一步考虑物理边界，增强初值约束。

3.2　作物覆盖下的农田土壤湿度反演应用进展

与裸土场景不同，多极化SAR技术在作物覆盖下进行土壤湿度反演，不可避免地会受到植被层与地表层的耦合散射影响，且其影响程度随作物形态结构与土壤环境参数变化而改变。鉴于此，本文在散射模型构建与解算的基础上，进一步对土壤湿度反演的应用进展进行总结，从作物类型及物候、土壤表面粗糙度、土壤质地3个方面对土壤湿度反演应用的影响进行讨论，而后讨论了在不同农田场景下，融合光学或被动微波遥感数据，对多极化SAR土壤湿度反演结果的提升。

3.2.1　不同作物类型下的农田土壤湿度反演应用

对农田土壤湿度反演文献中的作物类型进行统计，结果如图7所示，可以发现已有研究对小麦、玉米、油菜和大豆的关注度较高。根据形态结构差异，相关作物类型可分为叶形作物（如油菜、大豆）和秆形作物（如玉米、小麦）。叶形作物无明显的、直立生长的主茎，叶片虽形态各异但总体较为宽阔，其分枝的茎秆与宽大的叶片共同形成了相对蓬松、覆盖度较高的冠层结构［90］。秆形作物具有单一、直立而强壮的茎秆，带有少量且相对狭长的叶片和大且直立的穗［91］。相关研究已证明作物冠层结构差异会引起散射过程与散射机制变化［92］，散射模型和反演方法的适用性也会出现差异。
图7 多极化SAR农田土壤湿度反演相关文章中下垫面作物类型统计

Fig. 7 Crop type distribution statistics in related articles on soil moisture retrieval with multi-polarization SAR data

（1）叶形作物。该类作物受叶片密集交叠影响，整体植被覆盖度较高，冠层内部叶片间的多次散射作用明显，体散射作用占主导地位，地表土壤层的表面散射贡献次之。由于其冠层结构较为复杂，需要尽可能准确描述植被散射作用并消除植被层影响，以建立地面土壤湿度与散射特征之间的内在关系［93］。针对这一挑战，已有研究多联合散射特征和散射模型，对植被散射影响进行去除。例如，Shilpa等［94］基于L波段全极化和C波段双极化SAR数据，联合极化分解参数与雷达植被指数（Radar Vegetation Index, RVI），使用水云模型，反演了油菜覆盖下的土壤湿度，精度相较于使用单一波段数据和变化检测的方法提升了约11%。Wang等［95］基于UAVSAR数据，设计了一种针对农田土壤湿度反演的简化极化分解手段，有效去除了作物冠层散射影响，反演 R M S E为0.06~0.12 m3/m3。Kim和Liao［96］认为大豆的散射机制是表面散射和体散射的混合，二面角散射占比较小，通过使用离散散射模型模拟大豆的散射机制，生成多极化后向散射系数的查找表，建立了基于电磁理论的物理模型，并通过该物理模型实现了无偏 R M S E为0.060 m3/m3的大豆覆盖下土壤湿度反演。
（2）秆形作物。该类作物植被覆盖度较高且垂直性结构较为明显，除体散射作用需重点考虑外，茎秆与地面的二次散射作用亦不可忽略［96］。总体来说，雷达信号与秆形作物发生的散射作用复杂，体散射、二次散射和表面散射成分均有贡献，散射机制混杂程度较高，增加了对植被散射影响剔除的难度。相关研究使用极化分解方法提取3种基础散射机制成分，替代不同极化方式的后向散射系数，能够与植被和土壤散射建立更加纯粹、直接的关系，提高反演精度［4, 97, 98］。王然等［99］提出基于霜冰优化算法的卷积神经网络超参数优化模型，并且结合极化分解（H/A/α分解、Yamaguchi分解等）来校正植被对土壤水分反演精度的影响，在不增加模型复杂度的前提下， R 2提高了0.06， R M S E减少了0.012 5，有效减弱了植被对反演结果的干扰，显著增强了冬小麦土壤湿度反演性能。
总体而言，为减弱植被散射对土壤湿度反演的干扰，现有研究主要从模型、特征与数据3个层面进行优化。模型上，通过引入体散射与衰减因子来分离植被与土壤的贡献；特征上，利用极化分解提取基本散射机制以区分不同散射来源；数据上，则借助长波段和时序观测来提升穿透能力与动态信息，以进一步削弱冠层散射干扰、提升反演精度。
综上，植被散射干扰仍是农田土壤湿度反演的核心难题。现有方法虽通过散射模型精化在一定程度上削弱了冠层散射影响，但受限于模型假设和解算复杂度，现有散射模型仍不完备，难以刻画真实农田散射过程。未来研究应进一步研究不同作物的分层散射作用，建立作物形态结构的定量模型表征，同时利用神经网络模型，实现对不同农田场景下植被散射的自适应校正，提高大范围土壤湿度反演的稳健性。

3.2.2　不同物候期的农田土壤湿度反演应用

在作物的不同物候期，植被覆盖度、植株高度和形态结构会随着作物生长而变化［90, 91］，导致散射过程和主导散射机制发生变化，进而影响散射模型的构建和解算［92］。下文以小麦、玉米、油菜和大豆4种作物类型为例，系统讨论物候阶段对土壤湿度反演应用的影响，而后对比不同物候期下土壤湿度的反演精度和应用效果。
小麦生长发育过程中，冠层覆盖率的不断提升和冠层形态（叶长、穗长）的不断变化影响散射粒子形态和散射角变化，同时叶片含水量变化也引起了植被散射回波强度的改变，在不同生长阶段进行土壤湿度反演时，需要综合考虑形态和水分条件，判断植被和地表散射贡献，选择合理土壤湿度反演思路。具体而言，小麦在播种和萌芽期，冠层覆盖度较低，后向散射以土壤散射为主，可直接采用Dubois或IEM等土壤散射模型反演土壤湿度［81］。随着小麦进入拔节期、抽穗期和成熟期，其冠层高度与密度增加且冠层形态趋于复杂，导致体散射作用增强、地表散射信号减弱［54, 100, 101］。此时，需借助水云模型等植被散射模型或多时相数据分离植被散射和地表散射成分［81, 102］。例如，Wu等［103］基于微波散射模型，提出一种改进的半经验土壤湿度反演方法，根据小麦生长阶段的差异分别对拔节期、抽穗期和成熟期的小麦构建了理论模型，其中土壤散射部分使用IEM模型进行构建，有效减弱了植被散射影响。最终对小麦覆盖下土壤湿度进行反演，其反演结果的 R 2和 R M S E分别为0.762和0.023 6。Balenzano等［42］基于L波段全极化SAR数据，提出了一种结合变化检测技术与多时相后向散射比的土壤湿度反演方法。该方法基于短时间尺度内地表粗糙度与植被参数变化相对缓慢的假设，通过构建相邻时相后向散射比有效抑制地表粗糙度与植被覆盖引起的散射差异，并利用Alpha近似模型建立散射比与土壤介电常数变化之间的定量映射关系，最终土壤湿度反演结果的 R和 R M S E分别为0.85和0.051 m3/m3。
玉米生长阶段的形态结构差异主要体现为叶片、茎秆和穗的综合变化，冠层覆盖率、植株高度和植被含水量的不断变化是玉米散射机制改变的主要原因，在进行玉米农田土壤湿度反演时，需要根据地表散射贡献比例选择合适方法。具体而言，玉米在播种期至萌芽期，玉米植株尚未成形，冠层低矮且地表裸露比例高，电磁波主要与土壤表面相互作用，表面散射占主导，此阶段主要采用土壤散射模型进行反演。例如，Meng等［81］在玉米播种期，将后向散射分解为植被散射和土壤散射后，使用Dubois模型进行土壤湿度反演。其中，为减少土壤表面粗糙度的影响，共极化差异模型被提出并引入，将反演结果的 R M S E提升了约43.3%。Joseph等［47］针对玉米初始生长期，首先通过比率模型和指数衰减项抑制植被散射影响，获取土壤散射成分；然后基于裸土样本，用HH、VV双极化SAR数据和IEM模型联合估计土壤粗糙度，输入土壤散射模型，支持反演地表土壤湿度。经验证，该方法能够有效消除稀疏植被干扰，将表层以下5 cm深的土壤湿度反演结果的 R M S E提高至0.033 cm3/cm3。进入拔节至抽穗期后，玉米株高迅速增加（通常可达1~2 m），茎秆粗壮直立，冠层覆盖率不断提高，二面角散射与体散射逐渐成为主要散射机制。针对这一阶段复杂的冠层结构，Xie等［102］采用3种典型极化分解方法（Freeman-Durden、Yamaguchi和Van Zyl分解）提取地表散射特征，并结合Dobson模型进行土壤湿度反演。结果表明，Van Zyl分解通过非负约束抑制体散射过估计，在非均质冠层条件下更具稳定性，其在表征茎秆-土壤二次散射方面表现最佳，反演精度最高 R 2为0.884 3， R M S E为0.017 6 cm3/cm3，较传统基于后向散射系数的反演方法提升约25%。在抽穗至成熟期，玉米冠层趋于封闭，体散射主导作用进一步增强，地表散射成分明显衰减，此时可联合外部数据或时序影像提升弱地表能量下的土壤湿度反演效果。例如，Muhuri等［104］利用覆盖玉米全生长周期的时序Sentinel-1数据，对水云模型参数进行动态校准，以补偿体散射引起的信号衰减，相比传统单时相方法，将玉米成熟期土壤湿度反演的 R M S E减小至0.04 cm3/cm3。这表明，在冠层封闭阶段，引入时序动态校准能够有效修正体散射主导下的信号衰减，相比前期基于极化分解的单时相反演方法具有更高的稳健性。
油菜作为叶形作物的代表，其在不同生长阶段的差异主要体现在叶片尺寸、叶片含水量和冠层覆盖度上，在进行土壤湿度反演中，需要根据冠层对信号的衰减程度，选择合适方法。具体而言，油菜在萌芽期时植株矮小、冠层结构简单，地表土壤暴露较多。此时，雷达波主要与地表土壤发生相互作用，可直接采用水云模型进行土壤湿度反演。例如，Dabrowsk-zielinska等［105］分别使用C和L波段SAR数据，采用水云模型进行土壤湿度反演，并对比了两种波段的反演效果。研究发现，在油菜萌芽期，两种波段均可以有效获取土壤散射贡献，准确估算土壤湿度，C和L波段反演的 R 2分别为0.81和0.86。油菜生长至开花期至成熟期后，植株叶片增大，分枝增多，冠层逐渐闭合，地表土壤的暴露面积减少，冠层覆盖度大幅增加。这时，短波SAR已无法有效穿透密集冠层，相关研究主要使用长波SAR（如L波段）数据进行反演。例如，Hajnsek等［106］使用L波段极化SAR数据，联合X-Bragg表面散射模型和自适应体散射模型构造极化分解算法，应用极化分解从混合信号中提取表面散射分量，并利用托普经验模型（Topp's Empirical Model, Topp）求解油菜农田的土壤湿度。研究表明，在冠层覆盖度超过70%时，新方法的土壤湿度反演精度比Freeman-Durden等传统极化分解方法提高了约15%。
大豆生长过程中的冠层变化与油菜类似，不同生长阶段的土壤湿度反演思路基本一致，但需要注意在茎伸长期和开花期。尤其是在开花期，冠层LAI和冠层密度达到峰值，雷达波在冠层内部的多次散射作用显著，体散射主导性突出。为此，相关研究多采用联合多个极化通道强度和长波SAR（如L波段）数据，以克服植被干扰，提升土壤湿度反演精度。例如，De Roo等［107］通过提取L和C波段多个极化通道的散射强度，使用半经验回归模型，对大豆全生长期的土壤湿度进行反演。对比发现，联合使用L波段VV极化和C波段HV及VV极化通道强度的土壤湿度反演精度最高， R 2和 R M S E分别为0.898和0.017 5，证明了长短波结合及短波交叉极化通道强度对大豆冠层散射影响去除有利。Wang等［108］基于无人机合成孔径雷达（Uninhabited Aerial Vehicle Synthetic Aperture Radar, UAVSAR）平台的L波段极化SAR数据，提出了一种结合水云模型与植被描述符合的时序土壤湿度反演方法。该方法基于短时间尺度内植被参数在物候期变化相对缓慢的假设，通过分阶段校准水云模型参数，而后利用Oh2002模型建立后向散射系数与土壤湿度的定量映射关系，成功对大豆的茎伸长期和开花期的土壤湿度进行反演， R M S E分别为0.098和0.079 cm3/cm3。
图8展示了不同作物在主要物候阶段下土壤湿度反演 的 R M S E变化情况。总体而言，小麦和玉米在播种期、完熟期等冠层覆盖率较低的阶段 R M S E较小。此时，地表散射占主导，基于土壤散射模型能够较好反演土壤湿度。在部分营养生长阶段和生殖生长阶段，当冠层覆盖率较大且植被结构复杂时，体散射作用占主导，植被散射成分难去除，反演的不确定性增加，导致 R M S E普遍增大且精度的动态范围扩大。其中，小麦和玉米在果实发育期的偏差较为明显。值得注意的是，小麦与玉米在萌芽期和拔节期等冠层覆盖不高的阶段也出现了较大偏差，这主要是由于相关文献使用了C波段等短波SAR数据，植被散射影响未被较好去除，干扰了精度评估，且不同地域、样本的差异也可能会对方法间的横向对比造成影响。除此之外，在拔节期和果实发育期，对比小麦、玉米和油菜、大豆，可以看出后者的偏差更大，这证明叶形作物冠层中阔叶交叠所产生的多次散射作用，增加了植被散射影响的去除难度，在未来应用中，应进一步着重使用长波SAR数据进行反演。
图8 小麦、玉米、油菜、大豆作物的各物候期土壤湿度反演精度对比

Fig. 8 Retrieval accuracy of soil moisture for wheat， maize， rapeseed， and soybean at various phenological stages

综上，土壤散射模型在作物早期生长阶段具有较好适用性，但随着作物生长，冠层覆盖率的增加和冠层结构的复杂化，反演方法需要重点考虑土壤和植被层的散射作用解耦，上述研究一般通过长波SAR、时序SAR数据或改进散射模型来剥离植被散射影响。然而，受制于散射理论的不完备与冠层参数表征的不足，现有研究对不同物候阶段下的作物结构与散射贡献仍难以进行定量描述，导致全生育期土壤湿度反演仍存在反演偏差，相关模型的普适性仍待提升。未来应加强物候规律和农学知识在农田土壤湿度反演中的约束作用，通过融合时序散射特征和作物生长模型，构建通用反演框架，提升复杂农田场景下土壤湿度反演的稳健性。

3.2.3　不同土壤表面粗糙度下的农田土壤湿度反演应用

SAR观测属于侧视成像，不同的土壤表面粗糙度会直接影响SAR信号与地表土壤的散射作用，所以在农田土壤湿度反演中需要重点考虑土壤粗糙度影响。表3总结了7个目前常用的土壤散射模型和对应的土壤表面粗糙度适用范围，整理了具体的应用场景和对应的反演误差。由表3可见，不同模型只适用于一定范围内的土壤粗糙度（ k s，其中 k代表雷达波数； s代表均方根高度），很难找到一个通用的模型。为梳理相关影响，以常用的C和L波段SAR数据为例，将雷达视角下土壤表面粗糙度划分为小粗糙度表面（ k s < 0.3）和大粗糙度（ k s ≥ 0.3）表面两个场景［109, 110］。
表3 不同土壤散射模型的土壤表面粗糙度适用范围对比及土壤湿度反演精度对比

Table 3 Comparison of the applicable roughness range and soil moisture retrieval accuracy of different soil scattering models

模型名称 土壤表面粗糙度适用范围 应用场景与RMSE对比 总体RMSE范围
物理光学模型 0.05   λ < s < 0.15   λ , l > λ , m < 25 % ［111］ / /
几何光学模型 s > λ / 3 , l > λ , 0.4 < m < 0.7 ［112］ / /
小扰动模型 k s < 0.3 , k l < 3 , m < 0.3 ［113］ / /
积分方程模型 k s < 3.0,0.05 < m < 0.5 ［66］

青海省，乌图美仁草原：0.050 2~0.094 0［3］

青海省青海湖流域，草原：0.040 5~0.046 5［3］

美国亚利桑那州，稀疏草丛：0.050~0.086［83］

河北邯郸，玉米、小麦：0.047~0.079［114］

 0.040 5~0.086 0
Oh模型

0.1 < k s < 6.0,2.6 < k l < 19.7

9 % < M v < 31 % ［64］

青藏高原北麓河流域，高寒草甸：0.039［115］

美国亚利桑那州，稀疏草丛：0.099~0.160［83］

 0.039~0.160
Dubois模型 k s < 2.5 , M v < 35 % ［65］

青海省，乌图美仁草原：0.057 3~0.116 9［3］

四川省，若尔盖草原：0.035 0~0.065 5［3］

加拿大中西部，小麦、大豆、玉米、油菜：0.032 0~0.082 1［4］

 0.032 0~0.116 9
Shi模型

0.2 < s < 3.6,2.5 < l < 35

2 % < M v < 50 % ［67］

斯洛文尼亚，裸土区：<0.15［116］

美国小沃希托河流域，裸土区：0.034［67］

 0.034~0.150

注：/表示无相关数据资料。 λ表示入射波长， s表示均方根高度， l为表面相关长度， m为均方根斜度， k = 2 π / λ为波数， M v为土壤湿度。表中模型的中英文对比：物理光学模型（Physical Optics Model, POM）；几何光学模型（Geometrical Optics Model, GOM）；小扰动模型（Small Perturbation Model, SPM）；积分方程模型（Integral Equation Model, IEM）；Oh模型、Dubois模型、Shi模型以人名命名。

（1）小粗糙度场景。此时表面散射占主导且符合小扰动理论，该理论认为地表的高度起伏远小于电磁波波长。此时，地表为理想平坦表面的1个“微扰”。基于该理论发展了3个适用于小粗糙度场景的典型模型，分别是物理光学模型、几何光学模型和小扰动模型。1992年，Fung等［66］基于基尔霍夫模型近似发展了一种适用于小粗糙度表面的小扰动模型，实现对地表后向散射系数的建模，并通过将反射系数与介电常数建立联系，在低湿度、小粗糙度条件下得到了较好结果。但上述场景的模型将地面散射作用视为“理想平坦表面的微扰”，导致其很难适用于实际农田场景（犁耕、播种等引起的粗糙度增加），且上述模型对输入参数及边界约束的敏感性较高，在实际应用中表现不稳定，因此上述3种模型的实际应用很少。
（2）大粗糙度场景。在较大粗糙度农田场景，土壤表层的体散射作用增强，地表回波信号中交叉极化分量占比上升，传统小扰动模型不再适用。基于此，Fung等［66］提出的IEM模型为大粗糙地表建模奠定了基础。后续学者对IEM模型进行简化，发展了Oh模型、Dubois模型和Shi模型，为大粗糙度场景下土壤湿度反演提供了更多选择。图9绘制了大粗糙度场景下4种模型在土壤湿度反演应用中的 R M S E对比图。整体而言，IEM和Dubois模型与真实场景的物理关联性较强，整体反演偏差较小；Oh和Shi模型受到经验参数影响，在不同场景下的反演不确定性较大， R M S E动态范围较大。其中，Shi模型在Oh模型基础上扩展了地表相关函数的表达，函数表征更为精细，整体而言较Oh模型的反演精度有一定提升。为进一步提升模型精度，现有研究在已有模型基础上对粗糙度进行参数化表达，以定量表征粗糙度对土壤散射的作用，其主要包括外部参数引入和散射参数提取两种方式。例如，Lievens等［109］将粗糙度因素融入IEM模型，使用C波段和L波段SAR数据反演土壤湿度，RMSE分别为0.040和0.049，较传统IEM模型反演方法，精度有所提升。此外，现有研究也将极化分解、交叉极化比和衰减系数描述粗糙度影响，提升反演精度。例如，Dente等［117］联合极化分解，构建了动态粗糙度参数化方案，提出面向极化模拟的高级积分方程模型（Advanced Integral Equation Model for Polarimetric Simulations, AIEM-Pol）模型用于青藏高原冻土区，有效提升了冻土区土壤湿度反演精度。Oh等［64］构建了交叉极化比与土壤表面粗糙度和介电常数之间的关系，表征了大粗糙度地表的散射作用，建立了多极化雷达观测值与土壤水分之间的反演算法，反演与实测值吻合良好。Dong等［20］在Oh模型的基础上引入了1个衰减系数 α来表征土壤的粗糙度差异，而后将粗糙度与修正水云模型耦合，实现了大粗糙度地表的土壤湿度反演，反演结果的 R M S E为0.038~0.053 m3/m3，相比传统方法最大降低0.042 m3/m3。
图9 4种土壤散射模型在农田土壤湿度反演的精度对比

Fig. 9 Comparison of accuracy in soil moisture retrieval among four soil scattering models

综上，基于小粗糙度理想场景下的土壤散射模型，通过理论发展与模型改进，已拓展为适用于真实农田场景下的任意粗糙度土壤散射模型，Oh、Dubois和Shi模型等半经验模型已经被广泛应用，通过精度对比可以发现，模型的物理可解释性决定了模型适用性，在模型构建时应进一步考虑与物理场景的关联性。同时，相关研究也通过粗糙度参数化提升了模型普适性，但这也增加了模型复杂性和对输入参数的要求，未来应用时需结合具体数据进行综合考虑。

3.2.4　不同土壤质地参数下的农田土壤湿度反演应用

除土壤表面粗糙度外，土壤质地也是影响土壤湿度反演的关键因素。根据美国农业部（United States Department of Agriculture, USDA）的分类标准［57］，按照粒径大小，土壤颗粒可分为砂粒（ ≥ 0.002   m m）和黏粒（ ≤ 0.002   m m）两类，不同粒径成分的相对占比决定了土壤的质地分类，如砂质土和黏质土［118］。研究表明，砂质土与黏质土在相同湿度条件下表现出不同的后向散射特征［119, 120］。Ulaby等［121］发现，后向散射系数对土壤湿度的灵敏度与黏粒含量成反比关系。当黏粒含量较少时，土壤偏向砂质土，内部空隙较大，水分主要以自由水形态存在，其介电特性接近纯水，电磁波对湿度变化表现出高度敏感性；相反，黏质土颗粒较小，能通过静电力吸附大量水分子形成束缚水，其介电常数远低于自由水，导致电磁波对土壤湿度的敏感度显著降低。鉴于此，一些学者通过构建针对不同介电特性的土壤散射模型区分砂质土和黏质土，提升土壤湿度反演的泛化性。例如，Dobson等［119, 122］提出一种4组分物理介电混合模型，以束缚水体体积和自由水电导率构建反演算法，同时引入土壤颗粒大小等参数，有效描述了土壤质地对含水量反演的影响。除此之外，何苏颖［123］将高砾石地表的总体后向散射分解为来自空气-地表交界面的面散射和来自含砾石土壤层的体散射两部分，构建了高砾石土壤散射模型并反演土壤湿度，新方法相比水云模型反演结果， R 2提升了0.25， R M S E降低了0.002 4。

3.2.5　融合多源数据的土壤湿度反演应用

在农田土壤湿度遥感反演过程中，作物自身参数与土壤环境因素的动态变化均会对反演结果产生显著影响，仅使用单一传感器数据存在显著的局限性。例如，极化SAR虽具备较好穿透能力，但获取植被冠层表面信息相较于高光谱传感器存在不足；被动微波辐射计虽能实现大尺度土壤含水量的连续监测，但其空间分辨率相对极化SAR传感器偏低。为提高反演精度与稳健性，当前研究广泛采用多源遥感协同反演策略，主要包括光学与SAR数据的联合及主被动微波遥感的协同两类方法。
（1）光学与SAR联合反演。该类方法充分发挥了两种数据的互补优势，光学数据可精确量化植被参数，进而辅助散射模型有效剥离植被散射干扰［124］。Shahriari等［125］融合Sentinel-1与Sentinel-2两种数据的优选特征对土壤湿度进行反演，相比单一数据源，联合反演的 R 2提升了0.03、 R M S E降低了0.002 m3/m3。同样基于上述两种数据，Ma等［126］建立了归一化植被指数（Normalized Difference Vegetation Index, NDVI）与植被含水量（Vegetation Water Content, VWC）的经验关系，用以校正和分离总体散射中的植被散射贡献，结果表明反演结果的 R 2提升了0.19， R M S E降低了0.039 m3/m3。Singh和Gaurav［127］基于全连接前馈ANN，联合Sentinel-1与Sentinel-2数据，以及地面高程，实现了无偏稳健的土壤湿度反演。此外，部分研究进一步通过决策级融合提升模型性能。例如，Yahia等［128］利用垂直干旱指数、温度植被干旱指数等光学指数与VV极化后向散射系数等SAR散射特征分别进行土壤湿度反演，再对反演结果进行加权组合，使精度较单一数据提升4.1%以上。
（2）主被动微波遥感数据联合。被动微波遥感对土壤水分变化具有更高的敏感性，适用于大范围、低频次的水分动态监测；而SAR遥感手段则提供更高空间分辨率的观测细节，对地表结构和植被形态响应更强。通过融合两类数据，可显著增强对地表散射与植被散射的信号分离能力，从而在复杂植被覆盖条件下提升土壤湿度反演的精度与普适性。实际应用常将Sentinel-1和土壤水分主动被动探测卫星（Soil Moisture Active Passive, SMAP）数据进行联合，以提高土壤湿度反演精度。例如，Sharma等［129］结合两种数据提出了一种双极化雷达植被指数，进行地表土壤湿度估算，相对于单一数据源，将土壤湿度反演的 R M S E提升了0.034 m3/m3。马红章等［130］首先使用VV极化后向散射系数和地表垂直极化发射率协同提取土壤表面粗糙度信息，而后将粗糙度输入SMAP数据估算土壤湿度，验证结果显示，反演结果的 R 2为0.663 7， R M S E为0.060 7 cm3/cm3。Wang等［131］在青藏高原东缘生态区将Sentinel-1反演的高分辨率结果与SMAP数据得到的低分辨率结果进行融合，生成了1 km分辨率的土壤湿度反演结果，反演结果的 R 2和 R M S E分别为0.880 9和0.041 0 cm3/cm3，结果表明，在不损失分辨率的情况下，主被动微波遥感数据融合可有效提升大范围土壤湿度反演精度。
除了从数据角度来讨论之外，上述多源遥感土壤湿度反演也可从融合策略及尺度转换的技术层面来对相关方法进行讨论。
（1）融合策略。主要包括特征级融合和决策级融合两类。其中，特征级融合通过联合多源影像特征或地物属性参数，增强模型参数表征，降低模型解算难度，减小了土壤湿度反演中的不确定性［128］。例如，Sharma等［129］提取了极化SAR影像中后向散射系数、极化比等散射特征和光学影像中的波段反射率、植被指数等光谱特征进行融合，土壤湿度反演 R M S E可达0.05 m3/m3。马红章等［130］使用Sentinel-1双极化SAR数据估算地表粗糙度，克服了常规经验算法对地表实测粗糙度数据的依赖，而后将粗糙度参数与辐射亮温数据进行融合，利用AIEM模型反演土壤湿度， R M S E为0.060 7 cm3/cm3。特征级融合虽然是一种切实可行的多源信息联合手段，但其难以适用于高度异构数据或与反演模型不兼容数据，此时可使用决策级融合进行处理，其先对各数据源进行独立反演，而后再对结果进行融合。例如，Yahia等［128］提出了一种决策级加权融合算法，该算法整合了6个相互独立的土壤湿度反演结果，其中3个结果基于散射模型反演得到，3个结果基于人工神经网络反演得到。该方法有效整合了模型驱动和数据驱动的不同结果，提升了土壤湿度反演的泛化性。
（2）尺度转换方法。在多源遥感融合时，不同传感器的数据存在时空尺度的不一致性，一般可通过空间重采样和时间序列合成来减弱影响。例如，Wang等［131］使用降采样策略，利用双重线性插值算法，对基于SAR数据的1 km分辨率、低精度土壤湿度结果与基于SMAP被动遥感数据的5 km分辨率、高精度土壤湿度结果进行融合，生成了1 km分辨率的高精度土壤湿度产品。Wang等［132］则采用时间合成方法，通过最大值时序合成技术减轻LAI和NDVI数据的缺失问题，有效解决了光学遥感数据因多云雨天气影响而产生的时空不连续问题，为土壤湿度精准反演提供了数据保障。
综上，多源遥感数据协同反演已成为农田土壤湿度反演精度提升的重要途径，能够有效克服单一传感器在空间分辨率与穿透性等方面的局限性。为了提升数据融合质量，现有方法通过融合策略和尺度变换等方式对融合方法进行改进。具体地，从融合策略来看，特征级融合通过整合异源数据特征增强了模型的表征能力，而决策级融合则在处理高度异构数据时展现出更强的适应性；从尺度转换角度而言，空间重采样和时间序列合成等技术手段有效缓解了多源数据时空不一致性问题。然而，现有研究中不同融合策略与尺度转换方法的适用性尚缺乏系统性评估，且多源数据融合中的误差累积传播效应尚不明确，限制了多源数据深度融合和联合反演效果。鉴于此，未来应重点研究多源数据融合机制与误差传播理论，对农田场景的多源数据融合提供针对性的物理解释，提升异源信息的充分挖掘和完善使用。

4 主要挑战和未来展望

尽管多极化SAR作物覆盖下土壤湿度监测理论和技术已取得较快发展，但要实现大范围、高精度、普适性的业务化应用在数据获取、散射模型和数据验证等方面仍面临诸多挑战，而多模态融合、大数据处理和人工智能等新兴技术的发展为解决这些挑战提供了新的机遇。

4.1　“天空地”观测数据范围和尺度难匹配，难以支撑模型校正和参数标定

农田土壤湿度反演研究依赖于天空地一体化作物监测实验，要求有时间偏差在1天之内的卫星、无人机和地面联合测量数据。然而，受限于人力观测成本和实地地形限制，无人机和地面测量的数据范围常无法匹配SAR卫星覆盖范围，虽然有抽样调查理论指导，但是在实际中很难确保样本在卫星监测范围内的代表性。同时，地面测量点难以匹配卫星影像像元的空间分辨率（ 10   m × 10   m），实际场景中的农田土壤湿度具有明显的空间异质性，能否将单个采样点和单个像元进行对应，相关尺度匹配误差对土壤湿度反演影响多大尚没有明确定论。上述问题导致现有联合观测数据在进行散射模型校正和模型参数标定时缺乏可信度，而且现有研究往往将结果偏差归咎于样本和方法，并未真正探索样本代表性和尺度不一致背后的科学问题，制约了高精度土壤湿度反演发展。
针对该问题，研究应更聚焦于由研究场景异质性和数据源异质性带来的误差的传播机制。不同的测量数据之间存在像元不匹配的问题，多尺度之间的像元信息的变化机制与误差传播并不明确，无法对研究场景的异质性进行描述。同时，SAR数据和光学数据之间的配准也存在缺陷，其物理机制不明确，导致地表信息和数据信息未得到准确表征。鉴于此，未来可在技术层面上发展针对多极化SAR遥感影像的超分辨率技术，提升影像的空间分辨率，减弱地面观测和遥感观测的尺度差异。同时，借助物理信息神经网络（Physics-Informed Neural Networks, PINN）和大数据人工智能算法等，自动学习不同范围和不同尺度的观测数据之间的内在物理关联，减少数据融合误差。除此之外，在机理层面上可以基于农学理论和微波辐射传输理论，研究不同数据融合中的尺度偏差模型，对模型反演偏差进行校正，对数据和场景的误差传播建立完整的描述。

4.2　作物散射理论及模型难以精细化适配作物形态结构

真实农田场景的作物类型多样且物候变化快速，不同地块的形态结构、取向排列和植被覆盖度往往呈现出时空分布异质特点。基于微波散射理论、准确描述不同作物的植被散射成分，是获取土壤散射成分，准确反演土壤湿度的关键。然而，现有作物散射理论多直接迁移自森林植被，作物散射理论中的均匀散射体集合假设和“土壤层+植被层”双层结构，无法准确表征作物形态的明确取向性和垂直异质性，导致现有散射模型普适性差。而且，现有散射模型为避免解算矩阵病态，往往不考虑土壤和冠层间的二次及多次散射作用，忽略二者的散射耦合贡献。出现上述瓶颈的主要原因在于缺乏深入的作物散射机理研究，现有理论和模型较少从作物本身形态特点出发，作物冠层和土壤下垫面的散射过程缺乏精细化描述，导致难以精确剥离冠层散射和土壤散射作用。
当前问题的核心是缺乏对散射机理的完备解译和散射作用物理机制的准确阐述，尤其是针对于体散射模型，散射粒子形态与倾角分布仍难以适用于真实农田场景和多元农田类型。现有模型对于具体形态结构和茎叶层的定量散射表征仍然不足，无法支撑作物分层散射作用的精细建模，制约现有散射模型应用准确性。鉴于此，未来可进一步联合微波暗室测量数据和天空地一体化作物农学参数测量实验，研究面向典型作物的精细化作物散射理论与分层散射模型，与作物叶、茎、穗、果实的尺寸、倾角等形态特征建立函数模型，定量、细致描述作物散射作用。同时，建议耦合农学知识，耦合作物生长规律和形态变化特点，建立典型作物的时变散射机理解译与模型构建方法，推动时序土壤湿度联合反演，形成在时序物候规律约束下的土壤湿度精准估计。

4.3　土壤湿度反演结果缺乏统一检验标准和交叉验证

当前多极化SAR土壤湿度反演缺乏顾及环境因素的统一检验标准，且相关研究多数为自设小范围实验区，场景差异大，难以支撑相互比对。同时，现有的共享多极化SAR土壤湿度遥感反演数据集较少，无法支撑领域内的技术迭代。除此之外，现有研究也缺乏对同一场景多波段、多入射角、多极化手段的土壤湿度反演交叉验证，缺乏对主流算法在不同地域、不同作物类型和物候、不同土壤粗糙度和质地等全要素农田环境中系统性的评估和验证。
上述问题的核心在于土壤数据采集和影像处理相关的误差理论和不确定性传播机制尚不明确。首先，未具体研究采集仪器、采集环境和采集过程带来误差的基本特征，未系统研究辐射定标、热噪声去除和斑点噪声去除等影像处理中相关误差的基本规律。其次，未对土壤湿度反演中样本、数据、算法异常带来不确定性的传播机制进行分析，难以指导建立通用土壤湿度反演应用标准，制约了异源、异地、异时段土壤湿度的相互验证，限制了土壤湿度反演技术的迭代提升。鉴于此，未来可借助大数据和人工智能算法，建立顾及环境因素的土壤湿度反演结果评估标准，形成土壤湿度遥感反演中对样本选择、环境说明和结果展示的规范，实现跨环境、跨场景的土壤湿度反演结果对比。同时，大力发展无人机SAR平台，在同一场景下获取多模态SAR数据，联合实地观测数据，形成共享数据集，推动多模态SAR反演结果的交叉验证。最后，参考AgriSAR 2006和AgriSAR 2009的欧空局数据项目，推动建立全要素农田环境多极化SAR遥感数据项目，作为土壤湿度反演算法的标准验证数据集，以推动相关技术迭代。

5 结 语

多极化SAR技术具有部分穿透植被层和对水分敏感的优势，是农田土壤湿度反演的主要手段。本文从数据资源、技术方法和结果验证3个方面介绍了多极化SAR作物覆盖下土壤湿度反演的研究进展，借助数据统计和应用案例，从不同维度讨论了成像参数、散射模型和农学环境参数对土壤湿度反演的影响。首先，统计并列举了当前主要星载多极化SAR平台，并从波段、入射角和极化方式3个方面分析了星载SAR数据对农田土壤湿度反演的适用性。然后，针对植被和土壤散射成分剥离，阐述了作物散射模型和土壤散射模型的差异，讨论了单一散射模型和双散射模型在反演土壤湿度的差异，并比较了局部和全局优化算法在模型解算中的优劣。最后，结合土壤湿度反演案例，讨论了作物类型、物候、土壤粗糙度、土壤质地等农田环境参数对反演结果的影响，并总结了光学和SAR、主被动微波遥感结合等多模态数据联合反演方法对结果的提升。综上，分别从数据、模型和结果验证3个方面总结了当前的技术瓶颈和应用挑战，并结合多模态大数据、物理人工智能、微波暗室测量和无人机SAR等新手段、新技术，对相关问题的解决给出了展望和建议。可以预见，随着天空地一体化协同观测体系的不断完善，更多开源、多模态、高分辨、近实时的土壤湿度遥感产品将不断涌现。这将极大促进反演算法的优化与验证效率，为实现农田全生育期土壤水分的高精度监测提供坚实数据基础，从而有力推动智慧农业“一张图”系统的建设与发展。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
朱逸青, 吴尚蓉, 王迪. 土壤水分雷达遥感反演研究[J]. 中国农业信息, 2024, 36(3): 45-62.

ZHU Y Q, WU S R, WANG D. Soil moisture retrieval by radar remote sensing[J]. China agricultural informatics, 2024, 36(3): 45-62.

[2]
吴尚蓉, 赵荣坤, 曹红, 等. 基于微波散射机理的SAR作物和土壤参数反演研究进展[J]. 雷达学报(中英文), 2025, 14(3): 735-753.

WU S R, ZHAO R K, CAO H, et al. Research progress on SAR inversion of crop and soil parameters based on microwave scattering theory[J]. Journal of radars, 2025, 14(3): 735-753.

[3]
齐江涛, 程盼婷, 高芳芳, 等. 农田土壤理化参数快速获取技术研究进展与展望[J]. 智慧农业(中英文), 2024, 6(3): 17-33.

QI J T, CHENG P T, GAO F F, et al. Research advances and prospects on rapid acquisition technology of farmland soil physical and chemical parameters[J]. Smart agriculture, 2024, 6(3): 17-33.

[4]
时洪涛. 时序极化SAR土壤湿度及农作物生物物理参数估计方法研究[D]. 武汉: 武汉大学, 2021.

SHI H T. Soil moisture and crop biophysical parameters estimation from time series of PolSAR imageries[D]. Wuhan: Wuhan University, 2021.

[5]
KONINGS A G, RAO K, STEELE-DUNNE S C. Macro to micro: Microwave remote sensing of plant water content for physiology and ecology[J]. New phytologist, 2019, 223(3): 1166-1172.

[6]
中华人民共和国水利部. 中国水旱灾害防御公报-2024[M]. 北京: 中国水利水电出版社, 2025.

[7]
PENG J, LOEW A. Recent advances in soil moisture estimation from remote sensing[J]. Water, 2017, 9(7): ID 530.

[8]
马志红, 方文松, 刘学义. 不同土壤类型及测定距离下人工与自动站土壤湿度差异分析[J]. 气象与环境科学, 2016, 39(4): 43-48.

MA Z H, FANG W S, LIU X Y. Variation analysis between manual and automatic soil moisture observation under different soil types and measure distance[J]. Meteorological and environmental sciences, 2016, 39(4): 43-48.

[9]
李杏朝. 微波遥感监测土壤水分的研究初探[J]. 遥感技术与应用, 1995, 10(4): 1-8.

LI X C. A study on soil moisture monitoring by using microwave remote sensing[J]. Remote sensing technology and application, 1995, 10(4): 1-8.

[10]
艾璐, 孙淑怡, 李书光, 等. 光学与SAR遥感协同反演土壤水分研究进展[J]. 自然资源遥感, 2021, 33(4): 10-18.

AI L, SUN S Y, LI S G, et al. Research progress on the cooperative inversion of soil moisture using optical and SAR remote sensing[J]. Remote sensing for natural resources, 2021, 33(4): 10-18.

[11]
张王菲, 陈尔学, 李增元, 等. 雷达遥感农业应用综述[J]. 雷达学报, 2020, 9(3): 444-461.

ZHANG W F, CHEN E X, LI Z Y, et al. Review of applications of radar remote sensing in agriculture[J]. Journal of radars, 2020, 9(3): 444-461.

[12]
朱建军, 付海强, 汪长城. 极化干涉SAR地表覆盖层“穿透测绘”技术进展[J]. 测绘学报, 2022, 51(6): 983-995.

ZHU J J, FU H Q, WANG C C. Research progress of "penetration mapping" of earth surface by PolInSAR[J]. Acta geodaetica et cartographica sinica, 2022, 51(6): 983-995.

[13]
MKHWENKWANA A, MATONGERA T N, BLAAUW C, et al. A critical review on the applications of Sentinel satellite datasets for soil moisture assessment in crop production[J]. International journal of applied earth observation and geoinformation, 2025, 141: ID 104647.

[14]
DOU Q, XIE Q H, PENG X, et al. Soil moisture retrieval over crop fields based on two-component polarimetric decomposition: A comparison of generalized volume scattering models[J]. Journal of hydrology, 2022, 615: ID 128696.

[15]
FAN D, ZHAO T J, JIANG X G, et al. A Sentinel-1 SAR-based global 1-km resolution soil moisture data product: Algorithm and preliminary assessment[J]. Remote sensing of environment, 2025, 318: ID 114579.

[16]
WANG G Y, LI Z W, HU J, et al. A modified EVD-based phase linking method in decorrelated scenario with time series polarimetric scattering consistency[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2025, 18: 7694-7706.

[17]
WANG G Y, LI Z W, GAO H, et al. Adaptive sequential estimator for InSAR time series phase estimation[J]. International journal of applied earth observation and geoinformation, 2025, 139: ID 104552.

[18]
QIAN J X, YANG J, SUN W D, et al. Evaluation and improvement of spatiotemporal estimation and transferability of multi-layer and profile soil moisture in the Qinghai Lake and Heihe River basins using multi-strategy constraints[J]. Geoderma, 2025, 455: ID 117222.

[19]
邵芸, 李坤. 农业雷达遥感方法与应用[M]. 北京: 科学出版社, 2023.

[20]
DONG Z, GAO M F, KARNIELI A. Soil moisture retrieval in the Northeast China Plain's agricultural fields using single-temporal L-band SAR and the coupled MWCM-oh model[J]. Remote sensing, 2025, 17(3): ID 478.

[21]
FENG S J, QIU J X, CROW W T, et al. Improved estimation of vegetation water content and its impact on L-band soil moisture retrieva l over cropland[J]. Journal of hydrology, 2023, 617: ID 129015.

[22]
HAN D, LIU S B, DU Y, et al. Crop water content of winter wheat revealed with Sentinel-1 and Sentinel-2 imagery[J]. Sensors, 2019, 19(18): ID 4013.

[23]
SHI J H, YANG H, HOU X L, et al. Coupling SAR and optical remote sensing data for soil moisture retrieval over dense vegetation covered areas[J]. PLoS one, 2025, 20(1): ID e0315971.

[24]
孙亚勇. 基于C和L波段主被动微波遥感的土壤水分协同反演研究[D]. 北京: 中国水利水电科学研究院, 2018.

SUN Y Y. Synergetic inversion of surface soil moisture based on C/L band active and passive microwave remote sensing[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2018.

[25]
吴星辉, 马海涛, 张杰. 地基合成孔径雷达的发展现状及应用[J]. 武汉大学学报(信息科学版), 2019, 44(7): 1073-1081.

WU X H, MA H T, ZHANG J. Development status and application of ground-based synthetic aperture radar[J]. Geomatics and information science of Wuhan university, 2019, 44(7): 1073-1081.

[26]
程玉鑫, 袁凌峰. 机载SAR发展现状[J]. 电子测试, 2016(8): 19, 6.

CHENG Y X, YUAN L F. Current situation of the development of space-borne SAR[J]. Electronic test, 2016(8): 19, 6.

[27]
朱金彪, 丁赤飚, 潘洁, 等. 高分航空载荷在新舟60飞行平台上的集成研究[C]// 第四届高分辨率对地观测学术年会论文集. 武汉, 中国: 高分辨率对地观测系统重大专项管理办公室, 2017: 297-304.

[28]
张庆君, 韩晓磊, 刘杰. 星载合成孔径雷达遥感技术进展及发展趋势[J]. 航天器工程, 2017, 26(6): 1-8.

ZHANG Q J, HAN X L, LIU J. Technology progress and development trend of spaceborne synthetic aperture radar remote sensing[J]. Spacecraft engineering, 2017, 26(6): 1-8.

[29]
FUEGEN T, SPERLICH E, HEER C, et al. Development status of the biomass SAR instrument[C]// EUSAR 2021, 13th European Conference on Synthetic Aperture Radar. Berlin, Germany: VDE, 2021: 1-6.

[30]
邓云凯, 王宇, 刘开雨, 等. 陆探一号卫星SAR载荷关键技术[J]. 测绘学报, 2024, 53(10): 1881-1895.

DENG Y K, WANG Y, LIU K Y, et al. Key technologies for spaceborne SAR payload of LuTan-1 satellite system[J]. Acta geodaetica et cartographica sinica, 2024, 53(10): 1881-1895.

[31]
SOUYRIS J C, IMBO P, FJORTOFT R, et al. Compact polarimetry based on symmetry properties of geophysical media: The/spl Pi// 4 mode[J]. IEEE transactions on geoscience and remote sensing, 2005, 43(3): 634-646.

[32]
RANEY R K. Hybrid-polarity SAR architecture[J]. IEEE transactions on geoscience and remote sensing, 2007, 45(11): 3397-3404.

[33]
赵含, 张王菲, 姬永杰, 等. 简缩极化SAR数据支持的森林地上生物量反演[J]. 遥感学报, 2024, 28(9): 2416-2426.

ZHAO H, ZHANG W F, JI Y J, et al. Retrieval of forest aboveground biomass via compact polarimetric SAR data[J]. National remote sensing bulletin, 2024, 28(9): 2416-2426.

[34]
高晗. 顾及时变特性的时序极化SAR对象级农作物分类研究[D]. 长沙: 中南大学, 2022.

GAO H. Object-level crop classification based on the time-varying characteristics with time-series polarimetric SAR data[D]. Changsha: Central South University, 2022.

[35]
POTIN P, ROSICH B, MIRANDA N, et al. Copernicus sentinel-1 constellation mission operations status[C]// IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium. Piscataway, New Jersey, USA: IEEE, 2019: 5385-5388.

[36]
SUN C L, ZHANG H, XU L, et al. Rice yield prediction using radar vegetation indices from Sentinel-1 data and multiscale one-dimensional convolutional long- and short-term memory network model[J]. Journal of applied remote sensing, 2024, 18(2): ID 024505.

[37]
D'URSO G, MINACAPILLI M. A semi-empirical approach for surface soil water content estimation from radar data without a-priori information on surface roughness[J]. Journal of hydrology, 2006, 321(1/2/3/4): 297-310.

[38]
SHI H, LOPEZ-SANCHEZ J M, YANG J, et al. Contribution of polarimetry and multi-incidence to soil moisture estimation over agricultural fields based on time series of L-band SAR data[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2021, 14: 300-313.

[39]
KIM S B, MOGHADDAM M, TSANG L, et al. Models of L-band radar backscattering coefficients over global terrain for soil moisture retrieval[J]. IEEE transactions on geoscience and remote sensing, 2014, 52(2): 1381-1396.

[40]
GAO H, WANG C C, ZHU J J, et al. TVPol-edge: An edge detection method with time-varying polarimetric characteristics for crop field edge delineation[J]. IEEE transactions on geoscience and remote sensing, 2024, 62: ID 4408917.

[41]
GAO H, WANG C C, XIANG D L, et al. TSPol-ASLIC: Adaptive superpixel generation with local iterative clustering for time-series quad-and dual-polarization SAR data[J]. IEEE transactions on geoscience and remote sensing, 2022, 60: ID 5217015.

[42]
BALENZANO A, MATTIA F, SATALINO G, et al. Dense temporal series of C- and L-band SAR data for soil moisture retrieval over agricultural crops[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2011, 4(2): 439-450.

[43]
WANG H Q, MAGAGI R, GOITA K. Polarimetric decomposition of C-band SAR data for soil moisture retrieval over agricultural fields[C]// 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Piscataway, New Jersey, USA: IEEE, 2016: 1687-1690.

[44]
ZHANG L, LV X, CHEN Q, et.al. Estimation of surface soil moisture during corn growth stage from SAR and optical data using a combined scattering model[J]. Remote sensing, 2020, 12(11): ID 1844.

[45]
BALENZANO A, SATALINO G, LOVERGINE F, et al. On the use of temporal series of L-and X-band SAR data for soil moisture retrieval. Capitanata plain case study[J]. European journal of remote sensing, 2013, 46(1): 721-737.

[46]
BINDLISH R, BARROS A P. Multifrequency soil moisture inversion from SAR measurements with the use of IEM[J]. Remote sensing of environment, 2000, 71(1): 67-88.

[47]
JOSEPH A T, VAN DER VELDE R, O'NEILL P E, et al. Soil moisture retrieval during a corn growth cycle using L-band (1.6 GHz) radar observations[J]. IEEE transactions on geoscience and remote sensing, 2008, 46(8): 2365-2374.

[48]
KIM S, LIAO T. Towards global retrieval of field-scale surface soil moisture using L-band sar data[C]// IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium. Piscataway, New Jersey, USA: IEEE, 2022: 5452-5455.

[49]
LI J H, WANG S S. Using SAR-derived vegetation descriptors in a water cloud model to improve soil moisture retrieval[J]. Remote sensing, 2018, 10(9): ID 1370.

[50]
BAGHDADI N, HAJJ MEL, ZRIBI M. Coupling SAR C-band and optical data for soil moisture and leaf area index retrieval over irrigated grasslands[C]// 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Piscataway, New Jersey, USA: IEEE, 2016: 3551-3554.

[51]
HAJJ MEL, BAGHDADI N, ZRIBI M, et al. Soil moisture retrieval over irrigated grassland using X-band SAR data[J]. Remote sensing of environment, 2016, 176: 202-218.

[52]
HAJJ MEL, BAGHDADI N, ZRIBI M, et al. Soil moisture retrieval over irrigated grasslands using X-band SAR data combined with optical data acquired at high resolution[C]// 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Piscataway, New Jersey, USA: IEEE, 2015: 1328-1331.

[53]
何磊. 小麦微波散射机理与生物量参数反演研究[D]. 成都: 电子科技大学, 2016.

HE L. Research on microvave scattering mechanism and inversion of biomass of wheat[D]. Chengdu: University of Electronic Science and Technology of China, 2016.

[54]
蒋婷. 基于多时相Radarsat-2的冬小麦覆盖地表土壤湿度反演研究[D]. 南充: 西华师范大学, 2018.

JIANG T. Research on soil moisture retrieval covered by winter wheat based on multi-temporal radarsat-2 images[D]. Nanchong: China West Normal University, 2018.

[55]
SRIVASTAVA H S, SIVASANKAR T, GAVALI M D, et al. Soil moisture estimation underneath crop cover using high incidence angle C-band Sentinel-1 SAR data[J]. Kuwait journal of science, 2024, 51(1): ID 100101.

[56]
BAGHDADI N, HOLAH N, ZRIBI M. Soil moisture estimation using multi-incidence and multi-polarization ASAR data[J]. International journal of remote sensing, 2006, 27(10): 1907-1920.

[57]
SRIVASTAVA H S, PATEL P, SHARMA Y, et al. Large-area soil moisture estimation using multi-incidence-angle RADARSAT-1 SAR data[J]. IEEE transactions on geoscience and remote sensing, 2009, 47(8): 2528-2535.

[58]
WANG H Q, MAGAGI R, GOITA K. Polarimetric decomposition of multi-angular SAR data for soil moisture retrieval over agricultural fields[C]// 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Piscataway, New Jersey, USA: IEEE, 2017: 4947-4950.

[59]
XUE W X, XIE Q H, PENG X, et al. Soil moisture retrieval in winter wheat fields at different growth stages: Integrating a two-component polarimetric SAR decomposition with CIEM[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2025, 18: 20315-20332.

[60]
雷志斌, 孟庆岩, 田淑芳, 等. 基于GF-3和Landsat8遥感数据的土壤水分反演研究[J]. 地球信息科学学报, 2019, 21(12): 1965-1976.

LEI Z B, MENG Q Y, TIAN S F, et al. Soil moisture retrieval study based on GF-3 and Landsat8 remote sensing data[J]. Journal of geo-information science, 2019, 21(12): 1965-1976.

[61]
刘钇廷. 基于哨兵1/2的冬小麦田间地表土壤水分反演方法研究[D]. 阿拉尔: 塔里木大学, 2022.

LIU Y T. Retrieval of surface soil moisture in winter wheat field based on Sentinel-1/2 data[D]. Ala'er: Tarim University, 2022.

[62]
周鹏, 丁建丽, 高婷婷. C波段多极化SAR反演土壤水分研究[J]. 新疆农业科学, 2010, 47(7): 1416-1420.

ZHOU P, DING J L, GAO T T. A study on soil moisture retrieval by C-band multi-polarization SAR[J]. Xinjiang agricultural sciences, 2010, 47(7): 1416-1420.

[63]
胡蝶, 郭铌, 沙莎, 等. Radarsat-2/SAR和MODIS数据联合反演黄土高原地区植被覆盖下土壤水分研究[J]. 遥感技术与应用, 2015, 30(5): 860-867.

HU D, GUO N, SHA S, et al. Soil moisture retrieved using radarsat-2/SAR and MODIS remote sensing data in vegetated areas of Loess Plateau[J]. Remote sensing technology and application, 2015, 30(5): 860-867.

[64]
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 geoscience and remote sensing, 1992, 30(2): 370-381.

[65]
DUBOIS P C, VAN ZYL J, ENGMAN T. Measuring soil moisture with imaging radars[J]. IEEE transactions on geoscience and remote sensing, 1995, 33(4): 915-926.

[66]
FUNG A K, LI Z, CHEN K S. Backscattering from a randomly rough dielectric surface[J]. IEEE transactions on geoscience and remote sensing, 1992, 30(2): 356-369.

[67]
SHI J C, 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): 1254-1266.

[68]
FUNG A K, CHEN K S. An update on the IEM surface backscattering model[J]. IEEE geoscience and remote sensing letters, 2004, 1(2): 75-77.

[69]
WANG K, ZHOU Z F, LIAO J, et al. The application of high resolution SAR in mountain area of karst tobacco leaf area index estimation model[J]. Journal of coastal research, 2015, 73: 415-419.

[70]
ZHAO R K, WU S R, SHAO Y, et al. A systematic review and assessment of inverse crop parameter modeling based on synthetic aperture radar data: Research advances, existing problems, and future directions[J]. IEEE geoscience and remote sensing magazine, 2025, 13(2): 244-272.

[71]
ATTEMA E P W, ULABY F T. Vegetation modeled as a water cloud[J]. Radio science, 1978, 13(2): 357-364.

[72]
行敏锋. 生态脆弱区植被生物量和土壤水分的主被动遥感协同反演[D]. 成都: 电子科技大学, 2015.

XING M F. Integration study to retrieve vegetation biomass and soil moisture simultaneously using active and passive remote sensing data in ecologically vulnerable area[D]. Chengdu: University of Electronic Science and Technology of China, 2015.

[73]
MORAN M S, VIDAL A, TROUFLEAU D, et al. Ku- and C-band SAR for discriminating agricultural crop and soil conditions[J]. IEEE transactions on geoscience and remote sensing, 1998, 36(1): 265-272.

[74]
SVORAY T, SHOSHANY M. Herbaceous biomass retrieval in habitats of complex composition: A model merging SAR images with unmixed landsat TM data[J]. IEEE transactions on geoscience and remote sensing, 2003, 41(7): 1592-1601.

[75]
KWEON S K, OH Y. A modified water-cloud model with leaf angle parameters for microwave backscattering from agricultural fields[J]. IEEE transactions on geoscience and remote sensing, 2015, 53(5): 2802-2809.

[76]
YADAV V P, PRASAD R, BALA R C. Leaf area index estimation of wheat crop using modified water cloud model from the time-series SAR and optical satellite data[J]. Geocarto international, 2021, 36(7): 791-802.

[77]
ULABY F T, ALLEN C T, EGER G, et al. Relating the microwave backscattering coefficient to leaf area index[J]. Remote sensing of environment, 1984, 14(1/2/3): 113-133.

[78]
杨贵军, 岳继博, 李长春, 等. 基于改进水云模型和Radarsat-2数据的农田土壤含水量估算[J]. 农业工程学报, 2016, 32(22): 146-153.

YANG G J, YUE J B, LI C C, et al. Estimation of soil moisture in farmland using improved water cloud model and Radarsat-2 data[J]. Transactions of the Chinese society of agricultural engineering, 2016, 32(22): 146-153.

[79]
SARADJIAN M R, HOSSEINI M. Soil moisture estimation by using multipolarization SAR image[J]. Advances in space research, 2011, 48(2): 278-286.

[80]
WANG Z W, SUN S Y, JIANG Y D, et al. Soil moisture retrieval by integrating SAR and optical data over winter wheat fields[J]. Applied sciences, 2022, 12(23): ID 12057.

[81]
MENG Q Y, XIE Q X, WANG C M, et al. A fusion approach of the improved Dubois model and best canopy water retrieval models to retrieve soil moisture through all maize growth stages from Radarsat-2 and Landsat-8 data[J]. Environmental earth sciences, 2016, 75(20): ID 1377.

[82]
KONG J L, YANG J, ZHEN P P, et al. A coupling model for soil moisture retrieval in sparse vegetation covered areas based on microwave and optical remote sensing data[J]. IEEE transactions on geoscience and remote sensing, 2018, 56(12): 7162-7173.

[83]
黄对, 刘九夫, 张建云, 等. 基于多时相SAR的IEM和Oh模型地表土壤含水率反演与融合[J]. 地理与地理信息科学, 2021, 37(6): 24-31.

HUANG D, LIU J F, ZHANG J Y, et al. Soil moisture inversion and fusion based on IEM and oh model using multi-temporal synthetic aperture radar images[J]. Geography and geo-information science, 2021, 37(6): 24-31.

[84]
XU H, STEVEN M D, JAGGARD K W. Monitoring leaf area of sugar beet using ERS-1 SAR data[J]. International journal of remote sensing, 1996, 17(17): 3401-3410.

[85]
BOLTEN J D, LAKSHMI V, NJOKU E G. Soil moisture retrieval using the passive/active L- and S-band radar/radiometer[J]. IEEE transactions on geoscience and remote sensing, 2003, 41(12): 2792-2801.

[86]
BHOGAPURAPU N, MANDAL D, RAO Y S, et al. Soil moisture retrieval using SAR derived vegetation descriptors in water cloud model[C]// IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium. Piscataway, New Jersey, USA: IEEE, 2021: 4696-4699.

[87]
CHEN D Y, CHAI L N, CUI H J. Retrieving corn gravimetric water content based on the water cloud model using Sentinel-1 and Radarsat-2 imageries[C]// IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium. Piscataway, New Jersey, USA: IEEE, 2024: 11446-11449.

[88]
KUMAR K, SURYANARAYANA RAO H P, ARORA M K. Study of water cloud model vegetation descriptors in estimating soil moisture in Solani catchment[J]. Hydrological processes, 2015, 29(9): 2137-2148.

[89]
TAO L L, WANG G J, CHEN X, et al. Soil moisture retrieval using modified particle swarm optimization and back-propagation neural network[J]. Photogrammetric engineering & remote sensing, 2019, 85(11): 789-798.

[90]
中国植物志编辑委员会. 中国植物志[M]. 第1版. 北京: 科学出版社, 2007.

[91]
DONALD C M. The breeding of crop ideotypes[J]. Euphytica, 1968, 17(3): 385-403.

[92]
FONTANELLI G, MONTOMOLI F, AZAR R, et al. Assessing interactions between crop biophysical parameters and X-band backscattering using empirical data and model sensitivity analysis[J]. IEEE transactions on geoscience and remote sensing, 2022, 60: ID 4405612.

[93]
ZHOU X, WANG J F, SHAN B, et al. Soil moisture retrieval over soybean fields during growing season using polarimetric decomposition and time-series RCM data[J]. Computers and electronics in agriculture, 2025, 229: ID 109935.

[94]
SHILPA K, SURESH RAJU C, MANDAL D, et al. Soil moisture retrieval over crop fields from multi-polarization SAR data[J]. Journal of the Indian society of remote sensing, 2023, 51(5): 949-962.

[95]
WANG H Q, MAGAGI R, GOITA K, et al. Evaluation of simplified polarimetric decomposition for soil moisture retrieval over vegetated agricultural fields[J]. Remote sensing, 2016, 8(2): ID 142.

[96]
KIM S B, LIAO T H. Robust retrieval of soil moisture at field scale across wide-ranging SAR incidence angles for soybean, wheat, forage, oat and grass[J]. Remote sensing of environment, 2021, 266: ID112712.

[97]
JAGDHUBER T. Soil parameter retrieval under vegetation cover using sar polarimetry [D]. Potsdam: Universitaet Potsdam, 2012.

[98]
WISEMAN G, MCNAIRN H, HOMAYOUNI S, et al. RADARSAT-2 polarimetric SAR response to crop biomass for agricultural production monitoring[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2014, 7(11): 4461-4471.

[99]
王然, 赵建辉, 杨会巾, 等. 基于RIME-CNN-SVR模型的麦田土壤水分反演[J]. 农业工程学报, 2024, 40(15): 94-102.

WANG R, ZHAO J H, YANG H J, et al. Inversion of soil moisture in wheat field based on RIME-CNN-SVR model[J]. Transactions of the Chinese society of agricultural engineering, 2024, 40(15): 94-102.

[100]
CHAUDHARY S K, GUPTA D K, SRIVASTAVA P K, et al. Evaluation of radar/optical based vegetation descriptors in water cloud model for soil moisture retrieval[J]. IEEE sensors journal, 2021, 21(18): 21030-21037.

[101]
曾妍. 星载极化SAR数据的旱地作物分类与土壤水分反演研究[D]. 北京: 中国农业科学院, 2024.

ZENG Y. Dryland crop classification and soil moisture retrieval using spaceborne PolSAR data[D]. Beijing: Chinese Academy of Agricultural Sciences, 2024.

[102]
XIE Q X, MENG Q Y, ZHANG L L, et al. A soil moisture retrieval method based on typical polarization decomposition techniques for a maize field from full-polarization Radarsat-2 data[J]. Remote sensing, 2017, 9(2): ID 168.

[103]
WU S R, REN J Q, CHEN Z X, et al. Soil moisture estimation based on the microwave scattering mechanism during different crop phenological periods in a winter wheat-producing region[J]. Journal of hydrology, 2020, 590: ID 125521.

[104]
MUHURI A, GOÏTA K, MAGAGI R, et al. Soil moisture retrieval during crop growth cycle using satellite SAR time series[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2023, 16: 9302-9319.

[105]
DABROWSKA-ZIELINSKA K, INOUE Y, KOWALIK W, et al. Inferring the effect of plant and soil variables on C- and L-band SAR backscatter over agricultural fields, based on model analysis[J]. Advances in space research, 2007, 39(1): 139-148.

[106]
HAJNSEK I, JAGDHUBER T, SCHON H, et al. Potential of estimating soil moisture under vegetation cover by means of PolSAR[J]. IEEE transactions on geoscience and remote sensing, 2009, 47(2): 442-454.

[107]
DE ROO R D, DU Y, ULABY F T, et al. A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion[J]. IEEE transactions on geoscience and remote sensing, 2001, 39(4): 864-872.

[108]
WANG Z, ZHAO T J, QIU J X, et al. Microwave-based vegetation descriptors in the parameterization of water cloud model at L-band for soil moisture retrieval over croplands[J]. GIScience & remote sensing, 2021, 58(1): 48-67.

[109]
LIEVENS H, VERHOEST N E C, DE KEYESR E, et al. Effective roughness modelling as a tool for soil moisture retrieval from C- and L-band SAR[J]. Hydrology and earth system sciences, 2011, 15(4): 151-162.

[110]
ÁLVAREZ-MOZOS J, VERHOEST N E C, LARRAÑAGA A, et al. Influence of surface roughness spatial variability and temporal dynamics on the retrieval of soil moisture from SAR observations[J]. Sensors, 2009, 9(1): 463-489.

[111]
KATZIN M. The scattering of electromagnetic waves from rough surfaces[J]. Proceedings of the IEEE, 1964, 52(11): 1389-1390.

[112]
STOGRYN A. Electromagnetic scattering from rough, finitely conducting surfaces[J]. Radio science, 1967, 2(4): 415-428.

[113]
RICE S O. Reflection of electromagnetic waves from slightly rough surfaces[J]. Communications on pure and applied mathematics, 1951, 4(2/3): 351-378.

[114]
张祥. 多源时序SAR数据土壤水分反演研究[D]. 北京: 中国矿业大学, 2017.

ZHANG X. Research on soil moisture retrieval by means of multi-source and time-series SAR data[D]. Beijing: China University of Mining and Technology, 2017.

[115]
胡越中, 王广军, 杜海波, 等. 北麓河流域不同植被覆盖条件下土壤冻融过程中地表土壤含水量变化[J]. 冰川冻土, 2022, 44(6): 1925-1934.

HU Y Z, WANG G J, DU H B, et al. Changes of surface soil water content during soil freezing and thawing under different vegetation cover conditions in Beiluhe River Basin[J]. Journal of glaciology and geocryology, 2022, 44(6): 1925-1934.

[116]
KSENEMAN M, GLEICH D, CUCEJ Ž. Soil moisture estimation using high-resolution spotlight TerraSAR-X data[J]. IEEE geoscience and remote sensing letters, 2011, 8(4): 686-690.

[117]
DENTE L, FERRAZZOLI P, SU Z, et al. Combined use of active and passive microwave satellite data to constrain a discrete scattering model[J]. Remote sensing of environment, 2014, 155: 222-238.

[118]
SINGH D, KATHPALIA A. An efficient modeling with ga approach to retrieve soil texture, moisture and roughness from ers-2 sar data[J]. Progress in electromagnetics research, 2007, 77: 121-136.

[119]
DOBSON M C, KOUYATE F, ULABY F T. A reexamination of soil textural effects on microwave emission and backscattering[J]. IEEE transactions on geoscience and remote sensing, 1984, GE-22(6): 530-536.

[120]
HALLIKAINEN M T, ULABY F T, DOBSON M C, et al. Microwave dielectric behavior of wet soil-part 1: Empirical models and experimental observations[J]. IEEE transactions on geoscience and remote sensing, 1985, GE-23(1): 25-34.

[121]
ULABY F T, BATLIVALA P P, DOBSON M C. Microwave backscatter dependence on surface roughness, soil moisture, and soil texture: Part I-bare soil[J]. IEEE transactions on geoscience electronics, 1978, 16(4): 286-295.

[122]
DOBSON M C, ULABY F T, HALLIKAINEN M T, et al. Microwave dielectric behavior of wet soil-part II: Dielectric mixing models[J]. IEEE transactions on geoscience and remote sensing, 1985, GE-23(1): 35-46.

[123]
何苏颖. 高砾石地表L波段全极化SAR土壤水分反演研究[D]. 徐州: 中国矿业大学, 2023.

HE S Y. Research on soil moisture inversion with L-band full-polarization SAR in high gravel surface[D]. Xuzhou: China University of Mining and Technology, 2023.

[124]
SUSAN MORAN M, HYMER D C, QI J G, et al. Soil moisture evaluation using multi-temporal synthetic aperture radar (SAR) in semiarid rangeland[J]. Agricultural and forest meteorology, 2000, 105(1/2/3): 69-80.

[125]
SHAHRIARI M A, AGHIGHI H, AZADBAKHT M, et al. Soil moisture estimation using combined SAR and optical imagery: Application of seasonal machine learning algorithms[J]. Advances in space research, 2025, 75(8): 6207-6221.

[126]
MA C F, LI X, MCCABE M F. Retrieval of high-resolution soil moisture through combination of Sentinel-1 and Sentinel-2 data[J]. Remote sensing, 2020, 12(14): ID 2303.

[127]
SINGH A, GAURAV K. Deep learning and data fusion to estimate surface soil moisture from multi-sensor satellite images[J]. Scientific reports, 2023, 13: ID 2251.

[128]
YAHIA O, GUIDA R, IERVOLINO P. Novel weight-based approach for soil moisture content estimation via synthetic aperture radar, multispectral and thermal infrared data fusion[J]. Sensors, 2021, 21(10): ID 3457.

[129]
SHARMA J, PRASAD R, SRIVASTAVA P K, et al. Improved radar vegetation water content integration for SMAP soil moisture retrieval[J]. Remote sensing applications: Society and environment, 2025, 37: ID 101443.

[130]
马红章, 刘素美, 彭爱华, 等. L波段主被动微波协同反演裸土土壤水分[J]. 农业工程学报, 2016, 32(19): 133-138.

MA H Z, LIU S M, PENG A H, et al. Active and passive cooperative algorithm at L-band for bare soil moisture inversion[J]. Transactions of the Chinese society of agricultural engineering, 2016, 32(19): 133-138.

[131]
WANG S Y, LV K X, MA J, et al. A multi-source data fusion method to retrieve soil moisture dynamics and its influencing factors analysis in the ecological zone of the eastern margin of the Tibetan Plateau[J]. Ecological indicators, 2024, 169: ID 112877.

[132]
WANG J, XUE H Z, DONG G T, et al. Downscaling of remote sensing soil moisture products that integrate microwave and optical data[J]. Applied sciences, 2024, 14(24): ID 11875.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37