雷达具有穿云透雾、全天候全天时工作的特点，被认为是全球或区域尺度获取土壤水分时空变化的最佳手段。在实际应用中，雷达信号受土壤含水量、植被含水量、土壤质地、土壤表面粗糙度等多因素影响。对于裸露土壤表面，表层土壤水分和表面粗糙度是影响雷达信号的主要因素，为了实现裸土表面的高精度土壤水分估算，东北地理所微波遥感团队开发了一种联合光学和雷达数据同时估算土壤含水量（SSM）和表面粗糙度（RMSH）的方法，以减弱表面粗糙度对SSM反演结果的影响。图1为表面土壤水分和地表粗糙度对光谱反射率的影响，图2为表面土壤水分和地表粗糙度对后向散射系数的影响。研究团队构建了土壤含水量、表面粗糙度与光谱反射率（与雷达后向散射系数）之间的半经验关系，利用偏最小二乘法同时估算了土壤水分和表面粗糙度。在此基础上，通过引入土壤水分和表面粗糙度初始值，限制土壤水分和表面粗糙度的值域，避免SSM和RMSH估计值陷入局部最优解，进一步提高了反演精度（图3）。
本研究算法的提出简化了土壤水分估算的复杂度，降低了对辅助参数的依赖性。研究结果有利于土壤水分全球制图与改进土壤水分估算精度。研究成果发表在International Journal of Applied Earth Observations and Geoinformation国际期刊上。
图1. Sentinel-2多波段光谱反射率与SSM和RMSH的关系。
(a) 和 (g) 蓝色波段，(b) 和 (h)绿色波段，(c) 和 (i) 红色波段，
(d) 和 (j) NIR波段，(e) 和 (k) SWIR 1波段，(f) 和 (l) SWIR 2波段。
图2. Sentinel-1后向散射系数与SSM和RMSH的关系。
（a）和（c）VV极化，（b）和（d）VH极化。
图3. 不同估算策略下的SSM和RMSH估算精度对比。
(a) 和 (e) 表示光学数据估算结果，(b) 和 (f) 表示雷达数据估算结果，(c) 和 (g) 表示光学和雷达数据联合估算结果，(d) 和 (h) 表示引入初始值后光学和雷达数据的联合估算结果。
论文得到国家自然科学基金（41971323, 41771400）资助。郑兴明副研究员为第一作者，陈思博士为通讯作者。论文信息和链接如下：
（1）Zheng, X., Feng, Z., Li, L., Li, B., Jiang, T., Li, X., Li, X., and Chen, S.* Simultaneously estimating surface soil moisture and roughness of bare soils by combining optical and radar data. International Journal of Applied Earth Observations and Geoinformation, 2021, 100, 102345.
https://doi.org/10.1016/j.jag.2021.102345
