Page 86 - 遥感技术在生态环境监测中的应用研究

第三章 遥感监测技术

（三）被动微波遥感监测土壤水分的方法

1. 迭代算法反演
随着卫星观测技术的发展，星载的传感器不仅能够实现单一频率或者单一角度的观测，
而且向着多频率多观测角度的方向发展。新近发射的 SMOS 卫星即能实现对地 5 ～ 60°的

L 波段微波亮温观测，增加的观测数据有利于迭代算法的进行。
该算法主要在零阶植被模型的基础上，将土壤水分、地表温度、和植被光学厚度作为
未知的待反演参数，土壤的介电常数计算使用 Dobson 模型，对于垂直结构的植被，使用

参数 C。校正极化和入射角度的影响，从模型的初始值开始模拟多角度情况下的极化亮温，
同时与观测的多角度亮温进行比较，并且构建代价函数 (Cost.Function) 来评价模拟质量的
优劣，从而采取新的模型输入值再次进行模拟，如此迭代进行，直到代价函数达到最小，

此时的模型输入值即作为模型反演结果。
使用迭代算法可以最大限度的利用观测数据，因此有可能获取多种参数的反演数值，

但由于遥感反演自身的病态性，很多时候有些变量不能获得理想数据，反而成为目标变量
误差积累的场所。根据卫星设置和反演目标的不同，可以设置不同的代价函数进行运算，
也可以选择不同的优化算法进行迭代。

除此之外，另外一种应用较为广泛的迭代算法是 Owe 等人发展的 LPRM（Land.
Parameter.Retrieval.Model），该算法只需使用同一频率下的双极化观测数据，与其它迭代

算法的最大区别是使用 MPDI（Microwave.Polarization.Difference.Index) 指数参与迭代运算，
MPDI 指数同时包含了植被和土壤的信息，因此可以表示为土壤介电常数和植被光学厚度
的函数。

使用非线性的迭代性计算方法，一旦模拟得到的亮温与实际观测之间的误差小于设定
范围，即可以反演得到土壤介电常数和植被光学厚度。
2. 智能算法反演

鉴于土壤水分反演过程中各种影响机制的复杂性，使用现有的物理模型有时不能准确
地表达各种反演参数与卫星观测之间的关系，因此在物理机制不明确的情况下，基于智能
算法的反演是一种合适的选择。智能算法主要包括遗传算法、神经网络、粒子群算法和蚁

群智能等。
神经网络一般包括输入层、隐含层、和输出层三部分，其中隐含层可以设置多层，如

上图的神经网络系统包含两层隐含层。神经网络在使用前必须进行训练，比如在土壤水分
反演过程中，需首先建立由观测数据构成的输入向量以及待反演参数构成的输出向量，提
供如此的训练数据集供神经网络训练并学习其中的复杂非线性关系，训练成功的神经网络

便可以应用在水分反演中。Frate 等在 2003 年利用此神经网络成功反演得到了土壤水分和
植被参数，并指出在土壤水分等参数的空间异质性对微波亮温的影响机制不够明确时，神

经网络可以用来获取二者之间的复杂关系。Liou 等使用神经网络的方法对模拟的亮温数据
79