机载L波段SAR辅助协同克里金法用于多深度土壤水分序贯反演

《Agricultural Water Management》:Airborne L-band SAR-assisted co-kriging for sequential multi-depth soil moisture retrieval

【字体: 大 中 小 】 时间:2026年10月21日 来源:Agricultural Water Management 7.8

编辑推荐:

  土壤水分(SM)是控制陆-气相互作用及耦合能量与水循环的关键状态变量。机载L波段SAR辅助协同克里金法改进了8–25 cm土壤水分图谱。序贯多源反演保留了深度方向上一致的湿度模式。该框架支持作物覆盖下的田间尺度水分状况评估。当前土壤水分估算主要依赖三种途径:基

  
土壤水分(SM)是控制陆-气相互作用及耦合能量与水循环的关键状态变量。机载L波段SAR辅助协同克里金法改进了8–25 cm土壤水分图谱。序贯多源反演保留了深度方向上一致的湿度模式。该框架支持作物覆盖下的田间尺度水分状况评估。当前土壤水分估算主要依赖三种途径:基于原位观测结合物理或经验模型、再分析或陆面模式产品提供的连续时空场、以及遥感观测的区域尺度估算。微波遥感对土壤介电特性敏感,可实现近全天候监测;光学遥感虽易受云污染影响,却能提供植被指数和地表条件等重要信息。较长波长的SAR观测在穿透植被获取信息方面更具潜力,但其对深层土壤水分的直接探测能力尚缺乏系统研究。本研究旨在开发一种针对植被覆盖农田的多深度土壤水分序贯反演框架,并在一个7.0 km × 3.5 km灌区进行验证。分析聚焦三个土层(0–8 cm、8–17 cm和17–25 cm),重点关注L-SAR在不同耕作层和覆盖条件下提供的增量信息是否存在差异。表层土壤水分(SSM)采用机器学习反演,而两个耕作层则利用前一层OOF预测值和L-SAR辅助协同克里金法进行序贯估计。通过成分消融、源替换、匹配折稳定性、尺度、安慰剂及覆盖分层等分析检验了L-SAR的增量作用;并通过受控不确定性传播、空间可迁移性测试以及与外部土壤属性背景的比较评估了序贯估计的可靠性。这些分析共同确定了各深度特定的反演策略,量化了L-SAR提供的增量信息,并刻画了所得图谱的可靠性界限。

论文解读文章

一、研究背景与科学问题

土壤水分(SM)是调控陆-气相互作用及水热循环的关键变量,直接影响蒸散发、地表径流和入渗过程,并与农业灌溉管理、作物生长监测、旱涝预警及生态系统稳定性密切相关。相较于单一时间或深度的土壤水分信息,多层剖面的湿度状况能更全面表征耕作层内植物可用水量及水分向下再分布过程。然而,由于野外采样成本高且空间代表性有限,多深度土壤水分观测长期面临稀疏点测量与尺度错配的双重挑战。
当前土壤水分估算主要依赖三类方法:基于原位观测结合物理或经验模型、再分析或陆面模式产品、以及遥感观测。微波遥感对土壤介电特性敏感且可实现近全天候监测,其中C波段SAR应用广泛,但其敏感性主要局限于近地表,且植被衰减进一步限制了后向散射中的土壤贡献。较长波长(如L波段)SAR在穿透植被方面更具潜力,但现有研究尚未系统揭示其土壤水分反演性能随深度的变化规律。具体而言,存在两个关键空白:第一,L-SAR应作为空间辅助变量而非深层土壤水分的直接测量手段,其贡献可能随深度和植被覆盖而变化;第二,上层预测可作为下层水分的普通机器学习协变量,但这种直接传递并未显式利用目标层观测或跨层空间协方差。因此,亟需探究普通协变量传递是否足够,或者是否需要序贯协同克里金(co-kriging)来保持空间结构并控制误差传播。

二、研究方法概述

研究人员构建了一套多深度土壤水分序贯反演框架。首先,对多源遥感数据进行预处理与特征增强融合,包括Sentinel-1 C波段SAR、Sentinel-2 MSI多光谱影像、机载L波段SAR以及地形变量。关键方法包括:基于水云模型(WCM)的植被校正,以分离冠层与土壤贡献;利用机器学习(ML)反演0–8 cm表层土壤水分(SSM);随后对8–17 cm和17–25 cm两个耕作层,采用前一层OOF预测值与L-SAR辅助的协同克里金法进行序贯估计。此外,还引入了全球250 m CSIRO土壤水力参数数据集和中国90 m CSDLv2土壤属性数据集作为外部验证背景。研究区域位于安徽省颍上县淮河流域的一个集约化灌区,共布设106个采样点,每个点位采用五点采样设计获取三个深度(0–8、8–17、17–25 cm)的体积含水量(VWC)、温度、电导率(EC)和盐度数据。

三、研究结果

RQ1:哪种反演策略能为三个建模土层提供最可靠的深度特定估计?
研究表明,对于0–8 cm表层,机器学习(ML)方法表现最佳;而对于8–17 cm和17–25 cm两个耕作层,采用前一层OOF预测值与L-SAR辅助的序贯协同克里金法显著优于其他策略,能够有效保持深度方向一致的空间结构并提升预测精度。
RQ2:机载L波段SAR在不同深度、植被和源设置下提供了怎样的增量贡献?
通过成分消融、源替换、匹配折稳定性、尺度、安慰剂及覆盖分层等一系列分析发现:L-SAR在8–17 cm和17–25 cm耕作层中均提供了显著的增量信息,尤其在植被覆盖条件下其贡献更为突出;相比之下,仅依赖C波段SAR或光学数据无法达到同等水平的深层水分估算精度。L-SAR的有效感知深度受土壤质地、粗糙度、植被含水量、水分状态、极化方式及采集几何的共同影响。
RQ3:传播误差和空间采样支持如何影响多深度图谱的可靠性?
通过受控不确定性传播分析和空间可迁移性测试,研究人员发现:序贯框架中前一层预测的不确定性会向后层传递,但协同克里金法能够通过引入目标层观测和L-SAR辅助变量有效抑制误差放大;同时,空间采样密度和分布对深层估算的稳定性具有显著影响,在采样稀疏区域需谨慎使用外推结果。与外部土壤属性(如田间持水量θFC、永久萎蔫点θWP、饱和含水量θs等)的对比进一步证实了所获图谱在物理上的合理性。

四、讨论与结论

讨论部分指出,L-SAR作为空间辅助变量的价值随深度增加而减弱,但在植被覆盖条件下其对8–17 cm层的改进最为明显。序贯协同克里金框架的优势在于它并非将上层预测简单视为普通协变量,而是通过显式建模跨层空间协方差来整合目标层观测信息,从而更有效地控制误差传播并保持空间连续性。研究同时强调,该框架适用于类似尺度和作物条件的灌区,但在不同气候带或土壤类型下的泛化能力仍需进一步验证。
研究结论:本研究成功开发了一种面向植被覆盖农田的多深度土壤水分序贯反演框架。结果表明:(1)0–8 cm表层宜采用机器学习直接反演;(2)8–17 cm和17–25 cm耕作层应采用前一层OOF预测值与L-SAR辅助协同克里金法进行序贯估计;(3)L-SAR在耕作层中提供了不可替代的增量信息,尤其在中度至茂密植被覆盖条件下效果显著;(4)序贯框架中的误差传播可通过协同克里金法得到有效控制,但需注意空间采样支持对深层估算可靠性的影响。这些发现为多深度土壤水分制图提供了方法论指导,并为精准农业和水资源管理提供了技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号