Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 4. С. 113-128
Полевое тестирование метода картографического моделирования влагозапасов поверхностного слоя почвенного покрова, основанного на данных радарной съёмки Sentinel-1 и цифровой модели рельефа
А.М. Зейлигер
1 , К.В. Музалевский
2 , Е.В. Зинченко
3 , О.С. Ермолаева
1 , В.В. Мелихов
3 1 Российский государственный аграрный университет ― МСХА имени К. А. Тимирязева, Москва, Россия
2 Институт физики им. Л.В. Киренского СО РАН, Красноярск, Россия
3 Всероссийский научно-исследовательский институт орошаемого земледелия, Волгоград, Россия
Одобрена к печати: 07.06.2020
DOI: 10.21046/2070-7401-2020-17-4-113-128
Влагосодержание поверхностного слоя почвенного покрова (ВПС ПП) является одним из ключевых параметров, используемых для количественного описания гидрологического состояния поверхности почвы, а также при оценке доступности почвенной влаги растительному покрову. Поскольку коэффициент обратного радарного рассеяния чувствителен к влажности почвы, в настоящей работе применялись данные Sentinel-1 для картирования влажности почвы с высоким пространственным разрешением с целью отображения пространственных и временных закономерностей распределения почвенной влаги на уровне поля в практике управления почвенными и водными ресурсами. Прямые измерения ВПС ПП толщиной 5 см были реализованы в результате проведённого полевого мониторинга на экспериментальном участке, расположенном на территории Всероссийского научно-исследовательского института орошаемого земледелия (пос. Водный, Волгоградская обл.). В заданных координатах на тестовом участке были отобраны соответствующие почвенные образцы, влагосодержание которых было определено с использованием термостатно-весового метода. В результате создан первый точечный слой геоданных ВПС ПП. По данным радарной съёмки Sentinel-1 была выполнена оценка ВПС ПП для того же пространственного экстента экспериментального участка. Значения растрового набора значений влажности почвы по данным дистанционного зондирования (ВПС ПП-ДЗЗ) в пределах границ экспериментального участка были рассчитаны по данным радарной съёмки Sentinel-1. Эти расчёты основаны на оценке отражательной способности почвы, полученной методом нейронной сети, и дальнейшего решения обратной задачи с использованием диэлектрической модели, учитывающей содержание глинистой фракции почвы тестового участка. В ходе тренировки нейронной сети использовались входные данные коэффициентов обратного радарного рассеяния, измеренные Sentinel-1 на согласованной вертикальной и перекрёстной поляризации, и выходное значение отражательной способности почвы, оценённое на основе точечного слоя геоданных ВПС ПП и диэлектрической модели. Ортотрансформация снимка Sentinel-1 осуществлялась с использованием цифровой модели рельефа (ЦМР), созданной в результате стереосъёмки, выполненной с использованием беспилотного летательного аппарата Phantom 4 Pro. В результате сравнения наборов геоданных ВПС ПП и ВПС ПП-ДЗЗ, полученных в ходе полевого мониторинга и дистанционного зондирования соответственно, были оценены значения коэффициента детерминации (0,948) и стандартного отклонения (2,04 %). Этот результат подтверждает удовлетворительную линейную корреляцию между наборами ВПС ПП и ВПС ПП-ДЗЗ. Сравнение двух полученных точечных слоёв геоданных ВПС ПП указывает на удовлетворительное воспроизведение первого набора вторым. Такой вывод получен в результате наземного мониторинга и картографического моделирования, выполненного с помощью разработанного метода с использованием данных радарной съёмки Sentinel-1 и характеристик ЦМР. Результаты исследования позволяют сделать вывод, что разработанный метод может рассматриваться в качестве научной и методологической основы новой технологии картографического мониторинга ВПС ПП, которая рассматривается в настоящее время в качестве одной из основных базовых характеристик для использования в точном орошаемом земледелии.
Ключевые слова: почвенный покров, влажность почвы, точечные данные, растровые данные, гранулометрический состав, шероховатость земной поверхности, цифровая модель местности, БПЛА, радарная съёмка, Sentinel-1, обратное радарное рассеяние, нейронные сети, диэлектрическая модель почвы
Полный текстСписок литературы:
- Музылев Е. Л., Старцева З. П., Успенский А. Б., Волкова Е. В., Василенко Е. В., Кухарский А. В., Зейлигер А. М., Ермолаева О. С. Использование данных дистанционного зондирования для моделирования водного и теплового режимов сельских территорий // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 6. С. 108–136. DOI: 10.21046/2070-7401-2017-14-6-108-136.
- Andreassian V., Bergström S., Chahinian N., Duan Q., Gusev Y. M., Litllewood I., Machevet T., Michel C., Montanary A., Moretti G, Moussa R, Nasonova O. N., O’Connor K., Paquet E., Perrin C, Rousseau A., Schaake J., Wagener T., Xie Z. Catalogue of the models used in MOPEX 2004/2005 // Large Sample Basin Experiments for Hydrological Model Parameterization: Results of the Model Parameter Experiment — MOPEX / eds. Andreassian V., Hall A., Chahinian N., Shaake J. IAHS Publ., 2006. No. 307. P. 41–93.
- Baghdadi N., Gherboudj I., Zribi M., Sahebi M., Bonn F., King C. Semi-empirical calibration of the IEM backscattering model using radar images and moisture and roughness field measurements // Intern. J. Remote Sensing. 2004. V. 25. P. 3593–3623.
- Baghdadi N., Saba E., Aubert M., Zribi M., Baup F. Comparison between backscattered TerraSAR signals and simulations from the radar backscattering models IEM, Oh, and Dubois // IEEE Geoscience and Remote Sensing Letters. 2011. V. 8. P. 1160–1164.
- Brocca L., Crow W. T., Ciabatta L., Massari C., de Rosnay P., Enenkel M. A Review of the Applications of ASCAT Soil Moisture Products // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2017. V. 10. No. 5. P. 2285–2306.
- Chen J. M., Chen X., Ju W., Geng X. Distributed hydrological model for mapping evapotranspiration using remote sensing inputs // J. Hydrology. 2005. V. 305. No. 1. P. 15–39.
- Cloude S. The dual polarisation entropy/alpha decomposition: a PALSAR case study // Proc. 3rd Intern. Workshop on Science and Applications of SAR Polarimetry and Polarimetric Interferometry (POLinSAR 2007). Frascati, Italy. 22–26 Jan. 2007. P. 1–6.
- Davidson M. W. J., Le Toan T., Mattia F., Satalino G., Manninen T., Borgeaud M. On the characterization of agricultural soil roughness for radar remote sensing studies // IEEE Trans. Geoscience and Remote Sensing. 2000. V. 38. No. 2. P. 630–640.
- Dobson M. C., Ulaby F. T., Hallikainen M. T., El-rayes M. A. Microwave Dielectric Behavior of Wet Soil — Part II: Dielectric Mixing Models // IEEE Trans. Geoscience and Remote Sensing. 1985. V. GE-23. No. 1. Р. 35–46.
- El Hajj M., Baghdadi N., Zribi M., Belaud G., Cheviron B., Courault D., Charron F. Soil moisture retrieval over irrigated grassland using X-band SAR data // Remote Sensing of Environment. 2016. V. 176. P. 202–218.
- El Hajj M., Baghdadi N., Zribi M., Bazzi H. Synergic Use of Sentinel-1 and Sentinel-2 Images for Operational Soil Moisture Mapping at High Spatial Resolution over Agricultural Areas // Remote Sensing. 2017. V. 9. P. 1292.
- Entekhabi D., Yueh S., O’Neill P., Kellogg K., Allen A., Bindlish R., Brown M., Chan S., Colliander A., Crlow W. T., Das N., De Lannoy G., Dunbar R. S., Edelstein W. N., Entin J. K., Escobar V., Goodman Sh. D., Jackson Th. J., Jai B., Johnson J., Kim E., Kim S., Kimball J., Koster R. D., Leon A., McDonald K. C., Moghaddam M., Mohammed P., Moran S., Njoku E. G., Piepmeier J. R., Reichle R., Rogez F., Shi J. C., Spencer M. W., Thruman S. W., Tsang L., Van Zyl J., Weiss B., West R. SMAP Handbook: Soil Moisture Active Passive. Mapping Soil Moisture and Freeze/Thaw from Space / California Institute of Technology. Pasadena, CA, USA. Jet Propulsion Lab., 2014. 192 p.
- Gao H., Zhang W., Chen H. An Improved Algorithm for Discriminating Soil Freezing and Thawing Using AMSR-E and AMSR2 Soil Moisture Products // Remote Sensing. 2018. V. 10(1697). P. 1–17.
- Gowda P. H., Chavez J. L., Colaizzi P. D., Evette S. R., Howell T. A., Tolk J. A. ET mapping for agricultural water management: present status and challenges // Irrigation Science. 2008. V. 26. P. 223–237.
- Hachani A., Ouessar M., Paloscia S., Santi E., Pettinato S. Soil moisture retrieval from Sentinel-1 acquisitions in an arid environment in Tunisia: application of Artificial Neural Networks techniques // Intern. J. Remote Sensing. 2019. V. 40(24). Р. 9159–9180.
- Hallikainen M. T., Ulaby F. T., Dobson M. C., El-rayes M. A., Wu L. Microwave Dielectric Behavior of Wet Soil — Part 1: Empirical Models and Experimental Observations // IEEE Trans. Geoscience and Remote Sensing. 1985. V. GE-23. No. 1. P. 25–34.
- Mialon A., Parrens M., Richaume P., Delwart S., Kerr Y. Modelling the passive microwave signature from land surfaces: A review of recent results and application to the L-band SMOS and SMAP soil moisture retrieval algorithms // Remote Sensing of Environment. 2017. V. 192. P. 238–262.
- Mironov V. L., Kosolapova L. G., Fomin S. V. Physically and Mineralogically Based Spectroscopic Dielectric Model for Moist Soils // IEEE Trans. Geoscience and Remote Sensing. 2009. V. 47. No. 7. P. 2059–2070.
- Mirsoleimani H. R., Sahebi M. R., Baghdadi N., El Hajj M. Bare Soil Surface Moisture Retrieval from Sentinel-1 SAR Data Based on the Calibrated IEM and Dubois Models Using Neural Networks // Sensors. 2019. V. 19. P. 3209.
- Moehrlen C. Literature review of current used SVAT models: Internal Report 04-99. Cork, Ireland: Univ. College, Department of Civil and Environmental Engineering, 1999. 22 p.
- Oh Y., Sarabandi K., Ulaby F. T. An empirical model and an inversion technique for radar scattering from bare soil surfaces // IEEE Trans. Geoscience and Remote Sensing. 1992. V. 30. No. 2. P. 370–381.
- Overgaard J., Rosbjerg D., Butts M. B. Land-surface modeling in hydrological perspective — a review // Biogeosciences. 2006. V. 3. P. 229–241.
- Paloscia S., Pampaloni P., Pettinato S., Santi E. A comparison of algorithms for retrieving soil moisture from Envisat/ASAR images // IEEE Trans. Geoscience and Remote Sensing. 2008. V. 46. P. 3274–3284.
- Paloscia S., Pettinato S., Santi E., Notarnicola C., Pasolli L., Reppucci A. Soil moisture mapping using Sentinel-1 images: Algorithm and preliminary validation // Remote Sensing of Environment. 2013. V. 134. P. 234–248.
- Pitman A. J. The evolution of, and revolution in, land surface schemes designed for climate models // Intern. J. Climatology. 2003. V. 3. P. 479–510.
- Startseva Z., Muzylev E., Volkova E., Uspensky A., Uspensky S. Water and heat regimes modelling for a vast territory using remote-sensing data // Intern. J. Remote Sensing. 2014. V. 35. No. 15. P. 5775–5799.
- Thoma D., Moran M., Bryant R., Rahman M., Holifield-Collins C., Skirvin S., Sano E., Slocum K. Comparison of four models to determine surface soil moisture from C-band radar imagery in a sparsely vegetated semiarid landscape // Water Resources Research. 2006. V. 42. P. 1–12.
- Ulaby F., Long D. Microwave radar and radiometric remote sensing. Norwood, MA: Artech House, 2015. 1014 p.
- Wang H., Méric S, Allain S., Pottier E. Adaptation of Oh Model for soil parameters retrieval using multi-angular Radarsat-2 datasets // J. Surveying and Mapping Engineering. 2014. V. 2. P. 65–74.
- Wigneron J.-P., Jackson T. J., O’Neill P., De Lannoy G., de Rosnay P., Walker J. P., Ferrazzoli P., Mironov V., Bircher S., Grant J. P., Kurum M., Schwank M., Munoz-Sabater J., Das N., Royer A., Al-Yaari A., Al Bitar A., Fernandez-Moran R., Lawrence H. Modelling the passive microwave signature from land surfaces: A review of recent results and application to the L-band SMOS and SMAP soil moisture retrieval algorithms // Remote Sensing of Environment. 2017. V. 192. P. 238–262.
- Zeng J., Chen K. S., Bi H., Chen Q. A Preliminary Evaluation of the SMAP Radiometer Soil Moisture Product Over United States and Europe Using Ground-Based Measurements // IEEE Trans. Geoscience and Remote Sensing. 2016. V. 54. No. 8. P. 4929–4940.
- Zhang L., Meng Q., Hu D., Zhang Y., Yao S., Chen X. Comparison of different soil dielectric models for microwave soil moisture retrievals // Intern. J. Remote Sensing. 2020. V. 41. No. 8. P. 3054–3069.