电磁波谱

nh0530684.pdf

应用。土壤水分含量会影响生物圈的生理生物成分，并通过表面能和水分通量将地球表面与大气联系起来。SM 是大气的水源，通过陆地的蒸散，包括植物蒸腾和裸土蒸发。此外，SM 条件可以通过控制土壤的渗透能力和将降雨分配到径流来影响陆地表面的水文模式。生态水文学侧重于植被 - 水 - 气候关系之间的联系，已发现其对 SM 动态可用性具有复杂的依赖性（Garcia-Estringana 等人2013 年；Mulebeke 等人2013 年）。所有这些过程都高度体现了 SM 的非线性行为和复杂的反馈机制。因此，SM 的量化条件是建模农业、水文气候和气象属性的重要输入。一组成分以不同的时间和空间尺度控制陆地表面 SM 的动态。因此，天气和气候的变化都受到 SM 条件的影响。Reynolds (1970) 将 SM 分为静态（例如土壤质地和地形）和动态（例如降水和植被）控制要素。对 SM 的评估取决于相关变量的状况。这些元素中的许多都是相互关联的，并且在空间和/或时间上各不相同，这使得识别 SM 模式及其驱动变量之间的关系变得复杂。2021 )。景观要素，包括地形、植被和土地利用，是 SM 的空间和时间控制要素。SM 的空间变化与地形特征（例如坡度、海拔和地形湿度指数）密切相关。因此，在以前的一些研究中，地形属性被用于通过回归、地理空间和水文建模来估计 SM 模式的参数（例如，参见 Western 等人。1999 、2004 ；Adab 等人。2020 ；Li 等人。此外，各种研究都注意到了植被覆盖（例如类型和分布）对 SM 变化的影响。此外，空间属性对植被的影响（通常从遥感图像中解释）也被用于生成 SM 模式（Mohanty 等人。2000 ；Hupet & Vanclooster 2002 ）。通常，SM 的长期时间序列可以在空间上检测到与天气或水文条件。在较大的研究区域中，网络和测量 SM 的种类仍然受到限制，此外，由于过度变化和参数之间缺乏相关性，从现场测量中获得可靠的近似值是一项具有挑战性的任务。在 SM 的几个应用中，各种各样的卫星产品都有可能帮助水文学家测量大面积的 SM 状况。由于遥感器无法直接测量 SM 含量，因此需要提取可以解释测量信号和 SM 含量之间关系的基于数学的方法来解释测量信号和 SM 含量之间的关系。2021 ; Zhu 等人。2021 ）。自 20 世纪 70 年代以来，已经开发出一些遥感技术，通过测量从光学到微波领域的电磁波谱特定区域来分析和绘制 SM（Musick & Pelletier 1988；Engman 1991；Wang & Qu 2009）。微波遥感技术包括 Aqua 卫星上的先进微波扫描辐射计-地球观测系统 (AMSR-E)（自 2002 年起）、土壤湿度和海洋盐度卫星（SMOS，自 2009 年起）、多频扫描微波辐射计（MSMR，自 1999 年起）和土壤湿度主动被动 (SMAP)（自 2015 年 1 月起），目前正在运行，每天在全球范围内生成卫星记录。虽然这些方法提供了许多测量大规模 SM 的技术，但它们的分辨率几乎很低（通常约为 25 公里），不再适用于小集水区或学科尺度。光学/热红外遥感记录被称为表面温度/植被指数法，可提供更高的分辨率（约 1 公里）。最近，Zhang & Zhou（2016）提出了一种新方法，可以通过光学/热遥感进行 SM 估计，该方法特别依赖于 SM 与表面反射率和温度或植被指数之间的关联。该领域的检索策略，如热惯性，强调土壤​​热特性或三角测年技术，表明 SM、归一化差异植被指数 (NDVI) 和给定区域的陆地表面温度 (LST) 之间的联系正在不同的应用中使用。然而，由于缺乏足够的空间数据（包括地形或低密度植被覆盖图和数据），它们的应用受到限制。用于估计 SM 的遥感植被指数（例如，NDVI、归一化差异水指数 (NDWI) 和归一化多波段干旱指数 (NMDI)）是合适的替代方案；然而，SM 的分布不能通过单一参数和通过计算出特定地表坡向强度之间的参数修改来预测。人们已经做出了大量努力，通过建立遥感 LST 与植被指数之间的联系来利用卫星图像估计 SM（例如，Dari 等人。遥感图像的实际优势之一是，除了地形数据外，还可以通过图像获得具有高空间分辨率（30 米至 1 公里）的植被和 LST 参数。利用从遥感图像中提取的结构化景观因素而不是现场测量来预测 SM 状况，可以快速实时地跟踪 SM 状况。