微波遥感用于农业干旱监测:最新进展与挑战

本文主要是介绍微波遥感用于农业干旱监测:最新进展与挑战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Microwave remote sensing for agricultural drought monitoring: Recent developments and challenges Mariette 微波遥感用于农业干旱监测:最新进展与挑战

农业干旱是多种水文气象过程相互作用的极端事件。因此，评估干旱的发生、程度、持续时间和强度是复杂的，需要综合使用多个变量，如温度、降雨量、土壤湿度(SM)和植被状态。利用土壤水分和植被状态信息的好处是，它们综合了降水、温度和蒸散的信息，使其成为植物有效水分和植被生产力的直接指标。微波遥感可以同时检索SM和植被信息，基于卫星的SM和植被产品每天都可以在区域或全球范围内免费使用。因此，微波遥感产品在干旱监测应用中发挥着越来越重要的作用。

本文综述了微波遥感用于大规模农业干旱监测的最新进展。我们关注的是使用多个变量监测干旱发展的复杂过程的复杂性。本文首先简要介绍了微波遥感的基本概念，综述了基于微波卫星SM和植被观测的干旱指标的研究、发展和应用情况。随后，本文更详细地概述了将基于微波的SM和植被测量与水文气象数据集相结合的当前研究差距和挑战。利用微波遥感进行干旱监测的潜力通过对塞内加尔的一个案例研究得到了证明，该研究使用了关于降雨、SM、植被及其组合的多个卫星和基于模型的数据集。该案例研究证明了基于微波的SM和植被观测在干旱监测应用中的附加价值。最后，我们对潜在的发展和机遇进行了展望。

Introduction

由于气候变化，在不断变化的降水变化和温度升高的驱动下，世界大部分地区干旱的频率和强度都有所增加(Dai, 2013;Trenberth, 2014;Hoegh-Guldberg等人，2018)。干旱对生态系统和社会的影响是惊人的，导致作物损失和饥荒，树木死亡和热浪加剧，以及许多其他影响(Schumacher等人，2019;Senf et al, 2020;Brás et al .， 2021)。

由于干旱的影响重大，而且往往代价高昂，因此干旱监测对早期预警和早期行动至关重要。

然而，干旱是复杂的极端事件。正如Zscheischler等人(2020)所详细描述的那样，干旱等事件的发生可能是现有先决条件、多个驱动因素的相互作用、事件的连续或空间相互作用的结果。

此外，干旱往往是缓慢发生的灾害，从长期降雨不足或温度持续升高造成的气象干旱发展为影响植被、地表水和地下水的农业和水文干旱。社会经济干旱是长期农业和水文干旱的结果，影响森林、作物产量、基础设施以及人和牲畜的饮用水源。由于干旱的复杂性，干旱的识别和监测是一个复杂的问题，存在许多基于单一或组合水文气象变量以及植被观测的方法。

气象干旱通常通过降水和温度观测相结合来监测，例如标准化降水指数(SPI)。大多数农业干旱指标使用降水和温度结合植被生产力信息来描述干旱的主要驱动因素和影响。为了监测干旱对植被的影响，最常用的是归一化植被指数(NDVI)和叶面积指数(LAI)等可见光和近红外(VNIR)指数。近几十年来，SM在农业干旱监测中的应用有所增加，因为它可以填补陆地表面对降水不足的滞后响应之间的空白。基于模型或卫星的SM信息可以提供全球和每日的SM信息。卫星观测的降水产品的优势在于，与降雨和温度驱动的模型相比，它们能更好地捕捉降水的变率，而且它们隐含地包括了模型中很少考虑的灌溉水(Massari et al, 2021)。

一些公开的、可操作的SM产品是基于卫星微波观测的，提供全球每日覆盖。微波信号与地表相互作用，对土壤表层含水量和地上生物量敏感。因此，它们不仅允许回收SM，而且还允许回收地上生物量中所含的水分。通常水的含量在上面。
地表生物量通过植被光学深度(VOD)参数化，VOD描述了植被对微波信号的衰减(atata and Ulaby, 1978)。然而，研究也使用直接卫星测量作为植被动态的指标，例如后向散射入射角关系的斜率以及共极化和交叉极化后向散射的比值或亮度温度(Saatchi et al .， 2013;Steele-Dunne et al, 2019)。研究表明，基于微波的植被指标可以补充VNIR植被指标，因为它们提供了包括植被木本部分在内的地上生物量含水量的信息(Liu et al .， 2011;Andela et al, 2013;Tian et al .， 2016;Konings et al, 2019)。

基于遥感微波观测的产品有很多，本文的目的是概述基于卫星的微波数据和产品如何用于农业干旱监测。
一些出版物概述了从气象干旱到社会经济干旱的遥感干旱监测的使用情况(表1)。AghaKouchak等人(2015)、West等人(2019)和Jiao等人(2021)最近的干旱监测概述包括卫星SM和其他数据集和方法。其他综述论文侧重于特定微波仪器、技术或数据集的应用(Dorigo et al .， 2017;Steele-Dunne等，2017;Wigneron et al, 2021)。我们的论文与这些现有的综述不同，它侧重于微波观测及其衍生产品在农业干旱监测中的应用，而不是侧重于特定的传感器或数据集。我们解决监测干旱的复杂性和使用微波为基础的产品和指数的好处和缺点。此外，我们还讨论了使用降水、SM和植被指数等变量组合的挑战和机遇
这些都是通过对塞内加尔干旱监测的案例研究来说明的。

微波遥感的基本概念

微波传感器的工作频率在0.3至300千兆赫之间，对应于波长在1米至1毫米之间(Ulaby et al, 1986)。植被冠层或土壤的感知深度与波长有关，波长较长比波长较短具有更高的感知深度。因此，与可见光和近红外信号相比，微波与介质的相互作用和感知更多。因此，当VNIR传感器测量地表特征时，微波提供来自土壤和植被内部的信息。许多地球观测微波传感器的工作频率在1至18千兆赫之间，即所谓的L、C、X和ku波段。在这些频率上，水的介电常数有很大的差别(高达e = 80)，土壤颗粒(2 < e < 4)和干物质(1.5 < e <2) (Ulaby和El-Rayes, 1986)。因此，微波对表层土壤中的含水量和地上生物量是敏感的，这是通过它们对与它们相互作用或来自它们的介质的介电常数的敏感性来实现的。

随着含水量的增加，介质的介电常数增大，反射率增大，发射率降低(Ulaby et al, 1982)。除了对介电常数的敏感性外，微波信号还受到介质几何形状的影响，例如植被结构和土壤粗糙度(atata和Ulaby, 1978;Paloscia等人，1998;Verhoest et al, 2008)。

陆地表面的反射率和发射率可以分别通过主动和被动微波传感器测量。无源传感器测量地表的自然辐射。由于该信号相对较弱，这些传感器必须在一个相对较大的区域内聚集发射。所需的足迹取决于频率，但在l波段可能是几十公里(Entekhabi等人，2010a;Kerr et al, 2012)。一个优点是，在赤道地区每隔几天就可以实现全球覆盖，而在高纬度地区则更频繁。被动系统的观测值是亮度温度[K]，它是物理温度和发射率的函数，可以记录垂直和水平偏振。用于土壤和植被遥感的主动传感器有散射计和合成孔径雷达(SAR)。传感器发射微波信号并接收反射回来的部分回声
传感器，也就是所谓的反向散射。该信号可以在不同偏振组合下发射和接收，包括垂直偏振和水平偏振组合，以及不同入射角下。主动感知方式允许更高的空间分辨率。特别是SAR系统，其空间分辨率可以达到几米，尽管这通常是以时间分辨率或空间覆盖为代价的。

从主动式和被动式微波观测资料中检索SM和植被信息的挑战之一是分离来自土壤和植被的信号。获取SM或植被信息有不同类型的方法和模型方法，从简单的指数到变化检测、辐射传输模型和机器学习方法(Petropoulos等，2015;Li et al, 2021)。纯数据驱动的SM检索方法是使用变化检测，其中可观测值在长期最干燥和最潮湿条件下观察到的测量值之间进行缩放(Wagner等人，1999a)或机器学习(Kolassa等人，2018)。检索土壤和植被信息最常用的方法之一是反演辐射传输模型(Owe等，2001;Kerr et al, 2012;O’neill et al, 2015)。该正演模型将亮度、温度或后向散射特征化为来自土壤的发射或反射(被植被衰减)、来自植被的发射(也被植被衰减)以及两者之间相互作用的组合。最后一项经常被忽略，因为一些研究表明，它对较低波长的总信号没有显著贡献(atata和Ulaby, 1978;Jackson and Schmugge, 1991)。SM可以从土壤贡献中获取，植被对SM的衰减用VOD来描述，VOD与地上生物量含水量有关。注意，这种方法对散射机制、散射体的分布和不同组分的贡献作了许多假设，以简化模型。

在主动式微波遥感中，观测几何和/或极化的多样性可以深入了解植被表面不同散射机制的相对贡献。植被可以被认为是一个体积散射体，在介质中发生多次散射，并且这种散射在各个方向上或多或少地均匀发生(Ulaby et al, 1986)。多次散射也可以改变信号的极化，例如，其中入射的垂直极化信号被改变为水平极化。

土壤的作用更像是一个表面散射体，它主要引导散射远离传感器在相同的极化。SAR偏振测量可用于监测植被高度、结构和生物量的变化(例如，Steele-Dunne等人，2017)，这些异常可以表明干旱的影响。

当获得多个入射角的后向散射时，可以量化入射角之间的关系和后向散射，这主要受植被变化的驱动，植被增加导致坡度减小(Wagner et al .， 1999b);Naeimi et al, 2009)。该斜坡已被用于监测物候和植被水动力学，并检索VOD (vreugdenhill等人，2017;Steele-Dunne等人，2019;Petchiappan et al, 2022)。此外，当测量交叉极化后向散射时，可用于量化植被动态(Toan等人，1992;Paloscia等人，1998;Saatchi et al, 2013;Khabbazan et al, 2019)。交叉极化后向散射会随着植被的增加而增加，因为植被会导致信号去极化。

上述获取SM和植被信息的方法是对复杂过程和相互作用的简化，忽略了多重散射、植被结构或土壤粗糙度等对微波信号的影响。然而，可靠的SM是通过使用辐射传输、变化检测或机器学习模型从不同的微波传感器中检索到的，并且是可操作的，例如土壤湿度海洋盐度[SMOS， (Kerr等，2012)]和土壤湿度主动式被动[SMAP， (Entekhabi等，2010a)]，高级微波扫描辐射计传感器(AMSR-E)土地参数检索模型(LPRM) (de Jeu等，2008;Owe et al .， 2008)， Metop高级散射仪[ASCAT， (Wagner et al .， 2013)] HSAF SM产品和欧洲航天局气候变化倡议[ESA CCI， (Dorigo et al .， 2017)]的长期合并记录。植被光学深度气候档案[VODCA， (Moesinger et al, 2020)]数据集合并了基于辐射转移的土地参数检索模型(Meesters et al, 2005)导出的VOD;Van der Schalie et al .， 2017)成为长期记录。