多源遥感数据反演土壤水分方法

多源遥感数据反演土壤水分方法

张友静1,王军战2,鲍艳松3

(1 河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;2 中国科学院寒区旱区环境与工程研究所,

甘肃兰州 730000;3 南京信息工程大学大气物理学院,江苏南京 210044)

摘要:基于A S AR A PP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利

用TM 和M OD IS 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分

指数(N D W I)反演精度较好,相关系数达到0 87。根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模

型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。反演结果表明:该方案可得到理想的土

壤水分反演精度,并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为0 9,均方根误差为

3 83%。在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。

关键词:土壤含水量;多源遥感数据;水云模型;A S AR;多尺度

中图分类号:P338 9 文献标志码:A 文章编号:1001 6791(2010)02 0222 07

收稿日期:2009 03 09

基金项目:国家自然科学基金资助项目(40701130;40830639)作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。E m a i:l zhangy @j hhu edu cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量

[1]。80年代后,Dobson 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。随着微波散射模型不断发展,相继出现微波散射的小扰动模型、几何光学模型、物

理光学模型、两尺度模型和积分方程模型A I E M 。Doboson 等在物理模型和试验研究的基础上各自建立了经验和半经验模型,成功地反演了裸土的土壤含水量

[3 4]。2000年以来,随着Rardrsa,t ENV I SAT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化

[5 6]。研究表明ASAR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[7 9]。

在植被覆盖条件下,微波信号的组成十分复杂。研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9 11]。但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。

第21卷第2期

2010年3月 水科学进展ADVANCES I N WATER SC I E NCE V o l 21,N o 2 M ar .,2010

1 土壤水分估算模型

1 1 水云模型

农作物微波后向散射模型一般可分为经验模型、理论模型和半经验模型3类。在半经验模型中,最具有影响力和应用最广泛的是A tte m a 和U laby 建立的水云(w ater c l o ud)模型[12]。该模型将辐射传输模型中的植被冠层概化成水平均匀的云层;不考虑植被和土壤表层之间的多次散射;重要的变量仅为冠层高度和云密度,因而可假设与冠层体积含水量成比例。因此,总的后向散射包括冠层自身散射、地表散射和冠层与地表的交互散射。在不考虑雷达阴影时,水云模型可由下式表达:

0= 0veg +T 2 0soil , 0veg =AM v cos (1-T 2),T 2=exp (-2BM v sec )

(1)

式中 0为后向散射系数,由ASAR 影像计算得到; 0so il 为土壤后向散射系数; 0veg 为植被直接后向散射系数;M v 为植被含水量,kg /m 2;利用水云模型的研究中,植被含水量即为等效水厚度

[15], 为入射角;T 2为微波穿过植被的双程衰减因子,A 、B 为经验常数。

1 2 参数估计方案

对水云模型的参数估计有许多研究[9 12]。结合理论模型(如I E M,M I M I CS )计算关键参数时需要大量的同步地面参数;应用实用方法求解不同的参数将导致误差难以控制。本文利用T M 和MOD I S 数据分析不同尺度下植被参数与小麦含水量的关系,在此基础上,采用最小二乘方法统一求解系数的方案,构建结合光学和微波遥感数据的土壤水分估算模型。

1 3 多源遥感数据土壤含水量估算模型

由光学影像数据计算植被生物、物理指数V I ,建立V I 与实测植被含水量M v 的关系。

M v =f (V I )

(2)若f 为线性关系,则有

M v =cV I +d

(3)将M v 代入式(1)水云模型,整理可得

soil = 0-A (cV I +d )cos {1-exp [-2B (cV I +d )sec ]}exp [-2B (cV I +d )sec ]

(4)根据土壤后向散射与土壤含水量的关系[7],又可得

M s = 0-A (cV I +d )co s {1-exp [-2B (cV I +d )sec ]}exp [-2B (cV I +d )sec ]

-f /e = {[ 0-A (cV I +d )co s ]exp [2B (cV I +d )sec ]+A (cV I +d )cos -f }/e

(5)式中 c ,d,e ,f 为经验常数,将该式中的exp [2B (cV I +d )sec ]项按泰勒级数展开,并取第一项整理得

M s =C +k 1 0+k 2V I +k 3V I 2+k 4 0sec +k 5 0V I sec

(6)

上式可根据遥感影像和同步实测的数据,采用最小二乘法求解系数C 和k 1,k 2, ,k 5。2 结果与分析

2 1 研究区与数据

研究区为北京郊区农田,主要种植小麦、紫花苜蓿等作物。数据包括陆地卫星TM 、MOD I S 和ENV I SAT ASAR 影像数据,以及地面准同步实测数据。地面试验内容包括土壤体积含水量测量、小麦生物量及等效水厚度测量和测点GPS 定位等。试验中,选择田块中央较均匀的一块区域,使用GPS 接收机进行定位测量。在离定位点5m 的范围内布置3个采样点,样点分布成等边三角形分布。用TDR 测量每个样点处的体积含水量;同时取GPS 位置点处的冬小麦植株,放入塑料袋内密封。试验室内采用烘干称重法,计算冬小麦植223 第2期张友静,等:多源遥感数据反演土壤水分方法

株等效水厚度。对每块地3个样点土壤含水量求平均,用以表示GPS定位点处的土壤含水量。Taconet[14]等研究表明,在高频波段和小入射角时,以植被含水量和土壤湿度为主要驱动因子的水云模型能够很好地模拟小麦的后向散射特性。同时,I S2入射角HH极化模式(I S2 HH)的总后向散射包含的土壤散射信息更多,更适合土壤湿度的反演。

2 2 不同分辨率光学影像的植被含水量反演

植被含水量一般有3种表示方法:叶片含水量C F M、相对含水量C R W和等效水厚度T EW。C eccato等[15]研究发现用遥感数据反演含水量时,短波红外波段与T EW相关性较好,而与C F M的相关性较差。本研究M v即为同步地面测量的叶和穗等效水厚度之和。

大量研究表明,植物含水量对红外波段比较敏感,因此可通过建立植被生物、物理指数和植被含水量的统计关系模型来反演T EW。Penuelas等[16]发现植被水分指数与归一化植被指数(NDVI)的比值可以预测叶片的水分含量。Rock等[17]综合考虑了叶片内部结构、叶片水分含量以及干物质等影响,发现1600n m和820 n m的反射率之比与等效水厚度T EW高度相关。Jackson和Chen[18]研究利用T M和MOD I S影像计算NDVI、归一化水分指数(NDWI)来反演大豆和玉米覆盖地表的T EW。以上研究表明用植被指数反演植被含水量是可行的。本研究利TM和MODI S数据提取NDVI、NDW I、增强型植被指数(EVI)、叶面积指数(LAI),比较在不同分辨率下指数反演小麦含水量的能力。

2 2 1 基于T M影像的小麦含水量反演

利用TM影像计算NDVI、NDWI和EVI,并分别做NDVI、NDWI、EVI与M v的关系图,如图1所示。反

演的M v与实测值的相关系数和均方根误差见表1

。

图1 ND VI、NDW I、EV I、LA I与小麦含水量关系

F i g 1R e lati onship bet ween ND VI、NDW I、EVI、LA I and M

v

表1 计算M

v

与实测值的相关系数和均方根误差

Tab le1A ccuracy of M

v

retrieved by T M and MOD IS V Is

传感器指数NDVI NDW I EVI LAI

T M 均方根误差0 120 110 110 13相关系数0 780 870 800 76

MODIS 均方根误差0 150 120 15相关系数0 540 770 57

由表1可以看出,由NDWI建立的小麦含水量反演模型结果较好,EVI次之,NDVI和LAI反演结果较差。这与Jackson和Chen[18]研究的大豆、玉米等植被的结论相似。EVI的反演精度高于NDVI,因为EVI引入了修正后大气和土壤背景的参数,且具有不易饱和的特点。而LAI和绿量等联系更为紧密,在本文中反演M v精度较差。

2 2 2 基于MODIS影像的小麦含水量反演

利用MODIS影像计算NDVI、NDW I和EVI,并分别做这些参数与M v的关系图,如图2所示。反演的M v 与实测值的相关系数和均方根误差见表1。

224水科学进展第21卷

由表1可见,两种尺度影像反演M v 结论相似,即NDWI 精度较好,EVI 、NDVI 次之;同时,TM 影像比MOD I S 具有更好的估算结果。究其原因,可能是研究区小麦地块较为破碎,地表覆盖的空间异质性导致较低分辨率的MOD I S 反演小麦含水量误差较大。但如果进行大面积、持续性小麦含水量监测,MODIS 无疑具

有高时间分辨率的优势。

图2 ND VI 、NDW I 、EV I 与小麦含水量散点图

F i g 2R e l a ti onsh i p be t w een ND VI 、N DW I 、EVI and M v

2 3 土壤含水量估算水反演半经验模型的建立

根据上述分析可得小麦含水量M v 计算的一般线性模型。

M v =cNDWI +d (7)

在确定ASAR 数据的入射角和极化模式后,利用实测数据通过最小二乘法求解模型(6)的各项系数,得到下式:

M s =137 303-38 717 IS2HH -322 234NDW I +564 687NDW I 2+

38 798 IS2HH sec +1 429 I S2HH NDW I sec

(8)

利用该式反演得到土壤水分,结果如图3所示。

由图3可见,式(8)反演土壤含水量的均方根误差(R M SE )为3 83%,反演的土壤含水量与实测的土壤含水量相关性为0 9,具有较高的反演精度,可用于小麦覆盖下的土壤水分估算。

2 4 模型参数的贡献与敏感性分析

为进一步分析模型的效用,做M s 与NDW I 、sec 、 I S2HH 的敏感性分析,如图4所示。由图可见,NDW I 和 IS2HH 的敏感性较高。当NDW I 和 IS2HH 增加时,土壤水分也增加;增加量在0~50%之间,两者的变化基本一致。也即小麦冠层含水量越高,雷达后向散射与土壤含水量成正比。因此,

植被冠层与后向散射的交互225

第2期张友静,等:多源遥感数据反演土壤水分方法

作用是影响土壤含水量反演的关键因素之一。雷达入射角的变化与土壤水分变化成反比

[18]。即入射角增加时,反演的土壤水分减小,这与T aconet 等[13]的研究结论一致。sec 的敏感度最低,当sec 变化范围为 80%时,土壤含水量仅改变 13%,因而可对sec 取均值。由上述分析可知,NDWI 、和 I S2HH 对土壤含水量反演是较敏感参数,这也吻合了水云模型表达式中的参数形式,证明本文的参数估计与求解策略是有效且具有实际意义的。

根据本文的土壤水分估算模式,计算出试验区小麦覆盖下的土壤表层水分分布如图5所示。由图可知,昌平区大部分小麦地块的水分合适;

顺义和通县部分地块都有一定的缺水。这与实地调查基本吻合。

图5 2005年5月8日土壤水分填图

F ig 5So ilm o i sture m ap on M ay 8,2005

3 结 论

水云模型中植被含水量是一个很重要的参数,它和双程衰减因子、直接植被后向散射直接密切相关。利用不同尺度的TM 和MODI S 数据计算植被的生物、物理参数,并反演小麦等效水厚度T EW 。结果表明两种分辨率影像反演的结论相似,即NDWI 较好,EVI 、NDVI 次之。因此,NDWI 反演小麦含水量具有更好的一致性和适应性。和T M 影像相比,MOD I S 影像提取的NDWI 反演T EW ,精度虽稍差,但因其高时间分辨率的特点,依然具有较好的应用价值。

根据上述关系,并联立裸露地表土壤湿度反演线性模型,建立了水云模型参数的统一求解方案。结果表明:该方案得到理想的土壤水分反演精度,有利于参数估计的误差控制。反演土壤含水量和实测数据的相关系数为0 9,均方根误差为3 83%,可为土壤含水量或土壤缺水量制图服务。

参考文献:

[1]U LA BY F T,BATL I VALA P P,DO BSON M C M i cro w ave backscatter dependence on surface roughness ,so il m o i sture ,and so il

tex t ure :Pa rt I Bare so il [J] IEEE T ransacti ons on G eoscience E lectron ics ,1978,16(4):286 295

[2]DOBS ON M C ,U laby F T A cti v e m i cro w ave so ilm o i sture research[J] I EEE T rans G eosc iR emo te Sensing ,1986,24(1):23 35

[3]DU BO IS P C ,VAN Z J ,ENGM AN T M easuring so ilm o i sture w ith i m ag i ng radars[J] I EEE T rans G eosci R e m ote Sensi ng ,1995,

33(4):915 926

[4]W ANG J R,HSU A,S H I J C ,e t a l A compar i son of so ilm o i sture retr i eva lmodels usi ng SIR C m easurem ents over the littl e W ashi

ta river w atershed[J] R e m ote Sensi ng o f Env iron m ent ,1997,59(2):308 320

[5]李震,郭华东,施建成 综合主动和被动微波数据监测土壤水分变化[J] 遥感学报,2002,6(6):481 484 (L I Zhen ,GUO 226水科学进展

第21卷

H ua dong ,S H I Ji an cheng M easur i ng t he change of so ilm o isture w it h vege tati on cover i ntegrati on passive and acti ve m icrow ave data

[J] Journal of R emo te Sensi ng ,2002,6(6):481 484 (i n Ch i nese))

[6]陈权,李震,王磊 机载雷达和辐射计数据反演植被覆盖区土壤水分的初步研究[J] 水科学进展,2007,18(5):756 761

(C HEN Q uan ,L I Zhen ,W ANG L e i So ilm o isture retr i eva l usi ng a irborne radar and radi om eter i n t he reg i on w ith vegetation cover

[J] A dvances i n W ate r Sc i ence ,2007,18(5):756 761 (i n Chinese))

[7]M ATT I A F ,SATAL I NO G,DENTE L,et a l U si ng a prior i i n f o r m ati on to i m prove so ilm o i sture retrieval from E NV IS AT A S AR AP

da ta i n sem iarid reg i ons [J] I EEE T ransacti ons on G eoscience and R e m ote Sensi ng ,2006,44(4):900 912

[8]LOE W A,LUDW I G R ,M AU SER W D erivati on of sur f ace soilm o i sture fro m ENV ISAT ASAR w ide s w ath and i m age m ode data i n

agr i cultural areas [J] IEEE T ransactions on G eosc ience and R emo te Sensi ng,2006,44(4):889 899

[9]鲍艳松,刘良云,王纪华 综合利用光学微波遥感数据反演土壤湿度研究[J] 北京师范大学学报:自然科学版,2007,43

(3):228 233 (B AO Y an song ,L I U L i ang yun ,WANG Ji hua So ilm o i sture esti m ation based on optical and m icrowave re m ote sensi ng da ta[J] Journa l of B eiji ng N or m a lU n i versity :N at u ra l Sc i ence[J] 2007,43(3):228 233 (i n Ch i nese))

[10]DABROW SKA Z IEL INSKAA K,I NOU EB Y,KOW AL I K W,et al Inferri ng the e ffect of p lant and so il var i ables on C and L

band SAR backscatter over ag ricu lt ura l fie l ds ,based on m ode l ana lysis [J] A dvances i n Space R esea rch ,2007,39(1):139 148

[11]CLAUD IA N,M AR IELLA A,FRANCESCO P U se o f radar and optical re m ote l y sensed data for so ilm o i sture retrieva l over vege ta

ted areas [J] IEEE T rans G eosci R e m ote Sensing ,2006,44(4):925 935

[12]ATTE M A E P,ULABY F T V egeta ti on m ode l as a w ater c l oud[J] R ad i o Science ,1978,13(2):357 364

[13]RA J AT B ,ANA P B Para m eterization of vege tati on backsca tter in radar based ,so ilmo isture esti m ati on[J] R emo te Sensing of En

v iron m ent ,2001,76(1):130 137

[14]TACONET O,V IDAL M AD J AR D,E M BLANC H C ,et a l T ak i ng i nto account v ege tati on effects to esti m ate so il m o i st u re fro m C

band radar m easurem ents[J] R emo te Sensi ng of Env iron m ent ,1996,56(1):52 56

[15]CECC ATO P ,FLA SSE S ,TARANTOLA S ,et a1 D etecti ng vegeta tion leaf w ate r content usi ng refl ectance i n the optical do m a i n

[J] R e m ote Sensi ng o f Env iron m ent ,2001,77(1):22 33

[16]PENUELA S J ,P IF M L J ,OGAYA R,e t a1 Esti m ati on of p lant w ate r concentra tion by the refl ectance wa ter i ndex(R900/R 970)

[J] Internati ona l Journa l of R e m o te Sens i ng ,1997,18(13):2869 2875

[17]ROCK B N,VOGELM AR M J E,W ILL I AM S D L,e t a1 R emo te de tecti on o f fo rest dam age[J] B iosc i ence ,1986,36(7):439

445

[18]J A CKSON T J ,CHEN D ao y,i CO S H M,e t a l V egetation w ater content m appi ng usi ng L and sa t da ta der i ved no r ma li zed differ

ence w ater i ndex for co rn and soybeans[J] R emo te Sensi ng of Env iron m en t ,2004,92(4):225 236

[19]刘伟,施建成 应用极化雷达估算农作物覆盖地区土壤水分相对变化[J] 水科学进展,2005,16(4):596 601 (L I U

W e,i S H I Jian cheng A pply i ng the radar technology to esti m ate re lati ve chang e of so ilm o i sture i n vegeta ted area[J] A dvances i n W ate r Sc i ence ,2005,16(4):596 601 (i n Chinese))

227

第2期张友静,等:多源遥感数据反演土壤水分方法

228水科学进展第21卷

Soil moisture retrieval fro m m ulti resource re m otel y sensed

i m ages over a wheat area*

Z HANG You ji n g1,WANG Jun zhan2,BAO Y an song3

(1 S t ate K ey Laboratory of H ydro logy W ater R esource and H ydraulic E ngineer i ng,H ohai Un i ver sit y,N anjing210098,China;

2 Co l d and A r i d R e g ions Env iron m ental and E ngineer i ng R esearch Institute,Chinese A cad e m y of Sciences,Lanzhou730000,Chi na;

3 N anjing Universit y of Infor m ation Science&T echno logy,N anjing210044,China)

Abst ract:The a i m of th is study is to use t h e m ulti resource re m otely sensed i m ages over land surfaces i n a se m i arid reg i o n i n no rthern Ch i n a to i n fer the so ilm o isture content(S MC)in the presence o fwheat The m u lti i m ages i n clude Advanced Synthetic Aperture Radar(AS AR),Landsat The m ati c M apper(T M)and M oderate resolution I m ag i n g Spectr oradio m eter(MODIS) The i n fl u ence of vegetation on the satellite signal can be described by a w ater cloud m ode l The vegetation w ater content(M v),an i m portant para m eter in t h e w ater cloud m ode,l w as synchr onousl y m easured w ith the correspond i n g satellite passes over the w heat area The eva l u ation o f t h e relati o nship bet w een M v and four sate llite derived vegetation indices(VI s)sho w s that the NDW I(nor m a lized d ifference w ater index)fro m TM has the closest relati o nship w it h M v as revealed by the corre lation coeffic i e nt of0 87 B ased on the established M v NDWI re lationship,co m bi n i n g the w ater c l o ud m odelw ith the so ilm o isture retrieval over bare soil cond itions,a se m i e m piricalm odel is developed f o r esti m ati n g SMC over a wheat area A sensitivity analysi s is also perfor m ed on the m ode l para m eters I n co m parison w ith the in situ so ilm o isture observation,a satisfactory result is obta i n ed i n the so il m o isture retrieva l using the se m i e m piricalm odel as revealed by the R MSE(root m ean squared error)of3 83%and t h e corre lation coe fficient of0 9 The spatial d istri b uti o n of so ilm o isture deficits i n the study area is a lso produced

K ey w ords:so ilm o isture conten;t m u lti resource re m ote ly sensed i m ages;w ater c l o ud m ode;l ASAR;m u lti scale *The study i s fi nanciall y supported by t he N ati onal N atural Science F oundation o f Chi na(N o 40701130;N o 40830639)

遥感反演土壤湿度的主要方法

遥感反演土壤湿度的主要方法 遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。 1.1 微波遥感土壤湿度法 分主动微波遥感监测法和被动微波遥感监测法两种。此方法物理基础坚实，即土壤的介电特性 和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。 1.1.1 主动微波遥感监测法 以应用x波段侧视雷达为主，主要是后向反射系数法。因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X 波段、HH极化机载SAR图像一起试验监测土壤水分；田国良等在河南也应用此方法也进行土壤水分研究。主动微波遥感土壤水分精度较高，且可以全天候使用，成为监测水分最灵活、最适用、最有 效的方法，随着大量的主动微波遥感器的卫星（ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM 等）的发射升空，将使微波遥感的成本不断下降，逐渐被应用于实践 1.1.2 被动微波遥感监测法 原理同主动微波遥感法。值得指出，植被在地表过程研究中的影响突出，为了消除植被的影响，必须同时重视植被的遥感监测，建立相关的计算模型。Teng等通过实验得出在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ波段，此时SMMR 的6.6GHZ波段比SSM／I的19GHZ在遥感监测土壤湿度信息方面的精度更高。说明在植被较密时，为了消除植被对土壤湿度反演的影响，应尽量 选择波段较长的微波辐射计。 1.2 作物植被指数法 采用此方法是基于植被在可见光部分叶绿素吸收了70％-90％红光，反射了大部分绿光，而由 于叶肉组织的作用，后行叶片在近红外波段的反射较强。通过各光谱波段所反射的太阳辐射的比来 表达，这就叫植被指数。常用的植被指数有：归一化植被指数（Normal Difference Vegetation Index, NDVI）、比值植被指数（Ratio Vegetation Index, RVI）距平植被指数（Average Vegetation Index, AVI）和植被条件指数（Vegetation Condition Index，VCI）。 1.3 热红外遥感监测法 土壤热惯量和土壤水分的关系密切，即土壤水分高，热惯量大，土壤表面的昼夜温差小，反之 亦然。热红外遥感手段主要利用地表温度日变化幅度、植被冠层和冠层空气温差、表观热惯量、热 模型（蒸散比）估测土壤含水量[5]。 土壤热惯量法是土壤热特性的综合性参数，定义为： P = tCm (1) (1)式中：P为热惯量（J/m2 k?S1/2）；ρ为密度（kg/m3 ）；C为比热（J/kg?k）；λ为热导率。在实际工作中，常用表观热惯量来代替P： ATI=(1一A)／(Td-Tn) (2) 式中：Td、Tn分别为昼夜温度，A为全波段反照率。

多源遥感数据反演土壤水分方法

多源遥感数据反演土壤水分方法 张友静1,王军战2,鲍艳松3 (11河海大学水文水资源与水利工程科学国家重点实验室,江苏南京　210098;21中国科学院寒区旱区环境与工程研究所, 甘肃兰州　730000;31南京信息工程大学大气物理学院,江苏南京　210044) 摘要:基于AS AR 2APP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利用T M 和MOD I S 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(NDW I )反演精度较好,相关系数达到0187。根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为019,均方根误差为3183%。在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。 关键词:土壤含水量;多源遥感数据;水云模型;AS AR;多尺度 中图分类号:P33819 文献标志码:A 文章编号:100126791(2010)022******* 收稿日期:2009203209 基金项目:国家自然科学基金资助项目(40701130;40830639) 作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。E 2mail:zhangyj@hhu 1edu 1cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量 [1]。80年代后,Dobs on 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。随着微波散射模型不断发展,相继出现微波散射的小扰动模型、几何光学模型、物 理光学模型、两尺度模型和积分方程模型A I E M 。Dobos on 等在物理模型和试验研究的基础上各自建立了经验和半经验模型,成功地反演了裸土的土壤含水量 [324]。2000年以来,随着Rardrsat,E NV I S AT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化 [526]。研究表明AS AR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[729]。 在植被覆盖条件下,微波信号的组成十分复杂。研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9211]。但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。 第21卷第2期 2010年3月 水科学进展ADVANCES I N WATER SC I ENCE Vol 121,No 12　M ar .,2010

浅析多源遥感数据融合原理及应用

浅析多源遥感数据融合原理 摘要: 本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。 关键词: 遥感影像融合融合层次融合方法优缺点对比

目录 1、绪论 (1) 2、多源遥感数据融合的基本理论 (1) 2.1 多源遥感数据融合的概念 (3) 2.2多源遥感数据融合的原理 (4) 2.3多源遥感数据融合层次 (4) 2.3.1 像元级融合 (4) 2.3.2 特征级融合 (4) 2.3.3 决策级融合 (5) 3、多源遥感数据融合常用方法 (5) 3.1 主成分变换（PCT） (5) 3.2 乘积变换 (5) 3.3 Brovey比值变换融合 (5) 4、实验与分析 (6) 5、结语 (8) 参考文献 (9) 致谢 (10)

近地表气温遥感反演方法(定)

近地表气温遥感反演方法研究进展 摘要：气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。结合遥感的空间分辨率高，覆盖面广，资料同步性强的特点，运用遥感方法反演气温弥补了传统方法的缺点，气象卫星的发展，为其提供了技术平台支持。本文从近地表气温反演的各种不同的方法进行阐述，分别从半统计方法、统计方法、多因子分析方法和遗传算法方面进行叙述。 关键词：气温；遥感；反演方法这 1.引言 气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。由于近地球表面气温控制着大部分陆地表面过程(如光合作用、呼吸作用及陆地表面蒸散过程等)，因此，气温是各种植物生理、水文、气象、环境等模式或模型中的一个非常重要的近地表气象参数输入因子[1,2]。高山、水体、植被以及土壤含水量等，以至于表现出很大的空间异质性。我们常常听说的气温，是有气象观测站在植有草皮的观测场所中离地面1.5米高的百叶箱中的温度表测得的。由于温度表保持了良好的通风性并避免了阳光直接照射，因而具有较好的代表性，这个温度基本上反映了观测地点(当地)的气温。但是随着数值预报的发展，常规的探测手段越来越不能满足现代业务预报的需要。特别是在海洋，沙漠，沙漠等的荒僻的地区，基本不可能设立气象站点，即使设立站点也十分稀疏，这就使得我们所获取的气温资料十分有限，要想研究特定位置的气温水平空间分布状况及其内部结构特征等都有一定的困难。同时在不同地形和不同景观条件下，一个气象站观测的数据能够代表的范围有很大差别，即使通过空间内插过程也不能够获得满意的气温空间分布，从影响模型模拟结果[3]。 而遥感具有覆盖面广，空间分辨率高，资料同步性强的特点，所以利用卫星遥感手段资料反演近地表的大气温度就弥补了传统手段的缺陷，不论在现实意义还是经济意义上，都是非常重要的。随着大气科学理论和遥感探测技术的迅速发展，在全球大气观测系统中，卫星探测技术将会成为中流砥柱。同时，从60年代有了气象卫星之后，给遥感反演温度提供了可靠的现实依据。 目前反演大气参数的方法基本可以分为三类：物理方法、半统计方法和统计方法。物理方法是从辐射传输方程出发，根据已知的一些大气知识对方程进行简化，从而达到求解的目的，至今对它们的物理机制认识得还很不清楚，所以极大地限制了该方法的应用与发展。半统计方法是采用物理方法与实测资料的结合，建立个大气参数间的关系，然后利用实测资料进行各参数的反演。目前在该领域采用比较多的是统计方法，它主要包括单因子线性回归分析方法、多元统计方法、Bowen 比分析方法、遗传算法和神经网络方法等，利用这些方法时需考虑多种影响因素，从而建立各因素之间的相互关系[4]。 本文具体从半统计方法和统计方法对气温反演进行研究，着重论述了统计方法反演近地表气温，考虑了热红外和微波两个波段对气温的反演。

土壤水分遥感监测方法进展

第!"卷， 第#期中国农业资源与区划$%&’!"，(%’#，))*+,*-!..*年.+月/%0123&%4567238917:0&;013&<=>%01:=>32?<=97%23&@&322729/02=，!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!..*?技术方法? 土壤水分遥感监测方法进展 邓辉，周清波 （中国农科院资源区划所，北京A ...B A ）摘要该文全面地回顾了目前国内外遥感监测土壤水分的方法和研究进展，比较和评价了热惯量法、微 波法、热红外法、距平植被指数法、植被缺水指数法、植被供水指数法等方法的优缺点和应用范围，并对 土壤水分遥感监测方法的发展趋势进行了分析和展望。关键词旱情监测土壤水分热惯量法微波法植被缺水指数方法回顾收稿日期：!..#,.#,#.邓辉为硕士生周清波为研究员 一、引言 干旱（农业干旱）是指：作物生长过程中因供水不足，阻碍作物的正常生长而发生的水量供应不平衡现象，即农田土壤含水量降低到影响农作物的正常生长发育。干旱是我国农业的一大威胁，在各种自然灾 害中造成的损失列为首位。据统计，我国农业自然灾害的近+.C 是干旱造成的，每年有近"D .万6E !耕地受旱减产，占播种面积的"’B +C ，按减产#.C !".C 的轻灾计算，每年直接经济损失达*亿!D 亿元。探讨一套客观、动态、实时的土壤水分监测方法，对于各级政府和领导及时了解旱情程度和分布，采取有效的防、抗措施，科学的指导农业生产，具有重要意义。 传统的旱情监测方法，主要是根据有限的旱情测量站点测定土壤水分含量来监测土壤水分。经典的土壤水分测量方法主要有称重法、中子水分探测法、快速烘干法、电阻法、F G <法（时域反射）等，因采样速度慢而且花费大量人力物力，范围有限。传统方法难以满足实时、大范围监测的需要。随着遥感技术的迅速发展，多时相、多光谱、高光谱遥感数据反映了大面积的地表信息，这些信息从定位、定量方面反映了土壤水分状况。 二、监测土壤水分的方法和进展 （一）热惯量法 水分有较大的热容量和热传导率使较湿的土壤具有较大的热惯量，而这一热惯量可由光学遥感监测地表温度的变化得到。热惯量法也是国内研究较多的一种方法。 国外：H 3;>%2等人［A ，!］（A -D A ，A -D *）最早应用了热模型；A -D B 年热容量制图卫星（I 5JJ ）发射 成功，随后具有较高分辨率的F K >F 6=1E 3&K 2=1;7,3，即

ENVI土壤水分反演 流程

利用ENVI软件反演土壤湿度指数 晏红波 2015-03-20

0. 绪论 土壤湿度在陆地与大气界面进行水分和能量的交换过程中起重要作用，同时对农作物的生长起决定性作用，而且影响着土地退化、植被覆盖，是气候、生态、水文、农业等多个领域的重要参数。区域性和大尺度的陆地土壤湿度变化信息对于陆气交互作用平衡和陆面水文研究、改善区域及全球气候模式预报结果、水涝和干旱的监测、农作物生长态势评估、自然和生态环境问题的研究等都是十分关键的因素。因此，研究区域性和大尺度的陆地土壤湿度变化情况意义重大，这也是当前国际研究的热点问题之一。 传统的土壤湿度监测方法包括烘干称重法、中子仪探测法、电阻法等，虽然可以比较准确地监测小范围内的土壤含水量，但是需要耗费较大的人力和时间，时效性不高，而且不能完全反映出较大区域内的土壤含水量的情况，不能用于大范围土壤水分的监测。利用遥感手段反演土壤湿度可以实现全区域大面积的实时动态监测，因此利用遥感手段监测土壤湿度越来越引起人们的重视。 常用的遥感波段包括可见光，近红外，热红外以及微波等。不同波段反演土壤湿度所用的反演方法也不同。 1. 遥感反演土壤湿度的主要方法 遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。 （1）微波遥感土壤湿度法 分主动微波遥感监测法和被动微波遥感监测法两种。此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。 A 主动微波遥感监测法 以应用x波段侧视雷达为主，主要是后向反射系数法。因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X波段、HH极化机载

土壤水分的遥感监测

土壤水分的遥感监测 摘要：针对日益严重的全球干旱问题，本文从水分监测领域出发进行研究。从国内外各种研究方法的比较及传统方法和遥感监测方法的比较中突出遥感监测的优越性。从遥感监测的各种方法分述，对比出气各自适用的范围和优缺点。联系实际和GIS技术的发展，提出该技术的进步空间。 一、研究土壤水分监测的意义 近百年来全球变化最突出的特征就是气候的显著变暖，这种气候变化会使有些地区极端天气与气候事件如干旱、洪涝、沙尘暴等的频率与强度加强增加。中国气候变暖最明显的地区在西北、华北和东北地区，特别是西北变暖的强度高于全国平均值，使得夏季干旱化和暖冬比较突出。新世纪以来尤为明显：2000年多省干旱面积大，达4054万公顷，受灾面积6.09亿亩，成灾面积4.02亿亩。建国以来可能是最为严重的干旱。 2003年江南和华南、西南部分地区江南和华南、西南部分地区发生严重伏秋连旱，其中湖南、江西、浙江、福建、广东等省部分地区发生了伏秋冬连旱，旱情严重。 2004年我国南方遭受53年来罕见干旱，造成经济损失40多亿元，720多万人出现了饮水困难。 2005年华南南部、云南严重秋冬春连旱，云南发生近50年来少见严重初春旱。 2006年重庆旱灾达百年一遇，全市伏旱日数普遍在53天以上，12区县超过58天。直接经济损失71.55亿元，农作物受旱面积1979.34万亩，815万人饮水困难。 2007年全国22个省全国耕地受旱面积2.24亿亩，897万人、752万头牲畜发生临时性饮水困难。中央财政先后下达特大抗旱补助费2.23亿元。 2008年云南连续近三个月干旱，云南省农作物受灾面积现达1500多万亩。仅昆明山区就有近1.9万公顷农作物受旱，13多万人饮水困难。 2009年华北、黄淮等15个省市连续3个多月，华北、黄淮、西北、江淮等

多源遥感影像配准流程

多源遥感影像综合应用的一项重要的准备工作就是影像间的配准，特别是不同类型传感器在同一地区，不同时间，不同高度获取的影像间的配准。即运用一幅纠正过的带有地理信息的影像（主影像）与一幅未纠正的影像（从影像）进行配准，获取一系列同名点位。因为主影像是正射影像，因而这些同名点是具有大地坐标的同名点。同时这些同名点可以作为参考数据（保存在配准后生成的<从影像名>.ctp 文件中）用于对其他影像进行纠正。 在ArcMap中配准影像栅格数据可以通过扫描地图、航片及卫片来获取。扫描的地图通常不包含表明影像对应于地表何处的信息。从航空相片和卫星相片上获得的位置信息往往不适合执行分析，或者与其它数据对齐显示。与其它空间数据一起使用栅格数据，需要把栅格数据对齐或配准到地图的坐标系统。 配准栅格数据定义了它的地图坐标位置，即指定了联系数据与地球上的位置的坐标系统。 配准栅格数据使它能与其它地理数据一起被查看、查询和分析。 配准流程： 1、启动ARCGIS9，用键或者在图层处点右键添加数据，将所要的图象数据 添加近来。如图所示： 2、从“视图”→“工具条”→“影象配准”将影像配准的工具条调出来，如图， ， 调出工具条如下， 选择图的四个角的格网点进行配准处理，首先是左上角，如图：

使用“添加控制点”按钮添加第一个控制点，如图： 将左下角格网点放大以准确定位，如图。 点右键，输入XY坐标，根据地图格网坐标输入， 完成一个点，再按相同方法对其他三个角点配准。 4、电击查看连接表可以查看配准后的坐标残差看是否符合要求。

点击地理参考下的矫正，双线性内插，保存矫正图象。 5、将矫正后图象添加到图层覆盖矫正前的，从视图下拉菜单选择数据框属性 打开后如下： 将地图单位改为米，将坐标系统设为西安1980，

(完整)landsat 遥感影像地表温度反演教程(大气校正法)

基于辐射传输方程的Landsat数据地表温度反演教程 一、数据准备 Landsa 8遥感影像数据一景，本教程以重庆市2015年7月26日的=行列号为（128，049）影像（LC81280402016208LGN00）为例。 同时需提前查询影像的基本信息（详见下表） 标识日期采集时 间 中心经度中心纬度 LC81280402016208LGN002016/7/263:26:56106.1128830.30647…………………………注：基本信息在影像头文件中均可查询到，采集时间为格林尼治时间。 二、地表温度反演的总体流程 三、具体步骤 1、辐射定标

地表温度反演主要包括两部分，一是对热红外数据，二是多光谱数据进行辐射定标。 （1）热红外数据辐射定标 选择Radiometric Correction/Radiometric Calibration 。在File Selection 对话框中，选择数据LC81230322013132LGN02_MTL_Thermal ，单击Spectral Subset 选择 Thermal Infrared1（10.9），打开Radiometric Calibration 面板。 （2）多光谱数据辐射定标 选择要校正的多光谱数据“LC81230322013132LGN02_MTL_MultiSpectral ”进行辐射定标。

因为后续需要对多光谱数据进行大气校正，可直接单击Apply Flaash Settings ，如下图。 2、大气校正 本教程选择Flaash 校正法。FLAASH Atmospheric Correction ，双击此工具， 打开辐射定标的数据，进行相关的参数设置进行大气校正。 注意：如果在多光谱数据辐射定标时Scale factor 值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为0.1，若已设置，则默认值为1即可。1) Input Radiance Image ：打开辐射定标结果数据；2) 设置输出反射率的路径，由于定标时候；

叶面积指数遥感反演

冬小麦叶面积指数(LAI)的遥感反演 ——经验模型和物理模型方法 李淑敏 2010/12/13

?第一部分.基础知识 ?第二部分.遥感反演LAI 的方法 ?第三部分.研究实例 本次课程主要内容 叶面积指数LAI 、遥感反演 经验模型反演方法、物理模型反演方法 几何光学模型、辐射传输模型 PROSAIL 模型 硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面 积指数PROSAIL 模型反演研究” BRDF 模型PROSPECT 模型、SAIL 模型

叶面积指数leaf area index ?定义：单位土地面积上植被叶片总面积。 叶片总面积/占地面积 ?陆地生态系统的一个十分重要的参数： 农作物产量预估和病虫害评价； 反映作物生长发育的动态特征和健康状况。 ?叶面积指数越大，表明单位土地面积上的叶面积越大。 那么，叶面积指数越大越好吗?? ?以冬小麦为例了解叶面积指数变化情况

图为不同群体叶面积指数消长模型（彭永欣等，1992）1—过大群体;2—高产群体;3—过小群体. 低增缓增快 增衰减LAI 消长动态分为四个时期 1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低； 2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长； 3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI 达峰值； 4. 衰减期，植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI 为0。一个生长期内冬小麦叶面积指数变化

叶面积指数获取方法 ?实测方法 长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。 仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求 ?遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。 可以用定量遥感方法反演区域LAI ?作物生长模型模拟LAI

遥感干旱反演方法汇总

遥感干旱反演方法汇总 (2012-07-03 08:27:42) 转载▼ 分类：遥感技术 标签： 遥感干旱监测 干旱反演方法 植被指数法 温度法 杂谈 干旱作为一种缓变的现象，其严重程度也是逐渐积累的结果，这就为干旱的监测和早期的预警带来了方便和可能。干旱监测方法分为地面监测方法和空间监测方法。地面监测方法是利用地面点的数据，通过统计分析进行干旱监测。而灾害的发生具有明显的空间和时间特性。空间特性是说灾害的发生总是落在某一个地域范围内，受影响的是一个面而不是一个点；时间特性是指灾害的发生具有明显的季节性与不同尺度的周期性。因而，传统的地面监测方法不能及时的对旱情信息进行快速、准确预报。空间监测方法是随着卫星遥感技术的发展而来并逐渐趋于成熟，通过测量土壤表面反射或发射的电磁能量，探讨遥感获取的信息与土壤湿度之间的关系，从而反演出地表土壤湿度。此法监测土壤湿度不仅可以得到土壤湿度在空间上的分布状况和时间上的变化情况，而且可以进行长期动态监测，具有监测范围广，速度

快，成本低等特点。 遥感分为可见光、红外波段和微波波段，不同波段的遥感对干旱监测的原理不同。在可见光与近红外波段，不同湿度的土壤具有不同的地表反照率，通常湿土的地表反照率比干土低。可见光和红外波段遥感正是利用地表温度获得土壤热惯量，从而进行估测土壤湿度。此方法虽然比较成熟，但是可见光与近红外遥感容易受云，气溶胶等天气状况的影响，此局限性严重影响了其监测精度。 微波遥感是近代兴起来一项新技术，相对于可见光和红外波段的遥感，微波波段遥感对土壤水分更加敏感。不受光照条件限制，具有全天候观测的能力，其分辨精度最高可达到几十厘米，而且微波的低频波段对冰，雪，森林，土壤具有一定穿透的能力。在一定程度上缓解了天气状况的干扰。由于土壤介电特性与土壤含水量密切相关，微波遥感通常采用土壤介电特性进行表征。土壤的介电常数随土壤变化而变化，表现于卫星遥感图像上将是灰度值和亮度温度的变化。微波遥感监测干旱又分为主动法和被动法两种。主动微波遥感主要根据地表的回波信号进行土壤湿度预测。具有较高空间分辨率，但受地表粗糙度，植被影响大。被动微波遥感监测面积大，周期短，受粗糙度影响小，并且对土壤水分更为敏感，算法更为成熟，可以应用于大面积地区干旱监测。