土壤水在陆面与大气中水热交换过程中发挥着重要作用，也是地球生态系统中植被更替及土壤碳循环的重要控制因素^[1-2]。土壤水分作为气候变化的敏感因子，通过改变地表反射率、地表蒸散发过程及潜热、显热形式的能量输送过程对气候变化产生显著影响^[3]。土壤水时空动态在气候变化、农业可持续性发展、水资源高效管理、自然灾害（洪水、干旱、滑坡等）监测等方面具有重要的应用价值。由于土壤水分直接影响作物生长发育，因此大面积、快速、准确地估算耕地土壤水分将有助于作物长势监测、产量预算等农业生产管理^[4]。

常规的土壤水分监测方法，主要有烘干称重法、中子仪法、时域反射仪法和频域反射仪法等，这些方法具有时空分辨率低、成本高、工作效率低等缺点^[5]。实测数据无法反映空间大尺度连续的变化规律，而遥感是大面积精确估计土壤水分的关键手段，其多时相、多波段的特征对于空间大尺度土壤水分时空特征的研究具有重要意义。

基于遥感的土壤水分反演基本可分为两大类，即基于可见光至近红外波段数据的反演和基于微波雷达数据的反演。可见光至近红外遥感拥有较高空间分辨率，其中的热惯量法适合裸土和低植被覆盖区，难以大范围运用于植被茂密的区域；而基于光谱指数或特征空间的方法在特定研究区域反演结果精度较高，但存在部分参数计算复杂，泛化性较差等问题。微波遥感不受光照、云雾等天气条件的限制，对云有较强的穿透能力，能够探测植被覆盖下的土壤信息，具有全天候的模拟能力和对土壤水分变化的高敏感性，使微波遥感反演土壤水分研究得以广泛应用。

目前关于微波遥感反演土壤水分的综述年份较早，缺少对近年来在遥感技术、数据源和反演模型快速发展的总结性文章，急需总结最新的研究进展，对模型的异同以及适用性范围进行对比和凝练。基于此，本文首先总结目前基于微波探测器的土壤水分产品的特点，之后对主动微波遥感、被动微波遥感、主被动微波协同反演的优缺点以及适用范围进行梳理，最后对土壤水分微波反演的研究前景提出展望。

1 全球尺度土壤水分数据产品

微波遥感监测土壤水分分为被动微波遥感和主动微波遥感两种方式，被动微波是基于微波辐射计探测地物辐射亮温来实现土壤水分的反演，支持区域、全球等大尺度土壤水分时空特征研究，主动微波是通过传感器向探测目标主动发射微波信号并接收其与目标作用后的后向散射信号，形成遥感数字图像（图 1），目前使用的传感器主要为合成孔径雷达（Synthetic Aperture Radar，SAR）。

随着对地观测卫星的数量逐渐增加，微波探测器从C波段发展到了L波段，土壤水分数据集越来越丰富（表 1），目前常用的被动微波卫星及微波辐射计有AMSR-E、AMSE-2、SMOS、SMAP和SSM/I等。主动微波传感器则通过传感器发射电磁波并接收目标地物回波信号实现，具备高空间分辨率的优势，常用的搭载主动微波传感器的卫星有ENVISAT/ ASAR、RadarSat、ASCAT、Sentinel-1及我国的高分三号（GF-3）等。

2 土壤水分微波反演方法 2.1 主动微波遥感反演

土壤在微波波段的发射和散射特性均受到其介电特性的影响，而土壤介电常数又与土壤水分的大小直接相关，这是微波遥感反演土壤水分的物理基础^[6]。主动微波遥感中的合成孔径雷达具有高空间分辨率，能够捕捉细微的地表空间信息特征。除了受土壤介电特性控制外，主动微波观测的后向散射信号还与地表的几何结构（如粗糙度）和植被覆盖密切相关。由于地物与雷达散射之间的相互作用复杂、散射机理混杂（面散射、体散射以及二面角散射相互混合），所以如何提高基于SAR反演土壤水分的精度一直是研究的热点和难点。

主动微波雷达的土壤水分反演方法根据原理大致分为机理模型、经验模型以及半经验模型三种。机理模型是以辐射传输理论为基础进行建模，是目前微波遥感领域对众多地物进行散射分析的重要理论基础。经验模型多依赖于当时的地表条件和雷达参数，缺乏普适性。而半经验模型在经验模型的基础上进行优化和简化，不需要过于复杂的模拟分析过程和实测参数。

常用机理模型如表 2所示，依据能量守恒定理，以微分量的形式表示电磁波在散射介质内发生物理过程^[7]。在该理论中，用矢量强度来描述电磁波在随机介质中的吸收、散射和传播，在估算土壤水分过程中，通常会将植物叶、茎、以及土壤下垫面等假设为介质圆柱体，进行散射矩阵简化建模^[8]。具体方法以积分方程模型（Integral Equation Model，IEM）、经验半经验模型为主，这些基于电磁波传播理论的地表微波辐射模型比较复杂，需要大量的参数。SAR的后向散射系数表达$\sigma _{{\text{pq}}}^0$为：

$\begin{aligned} & \sigma_{\mathrm{pq}}^0=\frac{k^2}{2}\left|f_{\mathrm{pq}}\right| 2_e^{-4 s^2 k^2 \cos ^2 \theta} \sum\limits_{n=1}^{+\infty} \frac{\left(4 s^2 k^2 \cos ^2 \theta\right)}{n !} W^n(2 k \sin \theta, 0)+\frac{k^2}{2} \operatorname{Re}\left(f_{\mathrm{pq}}^* F_{\mathrm{pq}}\right) e^{-3 s^2 k^2 \cos ^2 \theta} \sum\limits_{n=1}^{+\infty} \frac{\left(4 s^2 k^2 \cos ^2 \theta\right)}{n !} W^n(2 k \sin \theta, 0) \\ & +\frac{k^2}{8}\left|f_{\mathrm{pq}}\right| 2_e^{-2 s^2 k^2 \cos ^2 \theta} \sum\limits_{n=1}^{+\infty} \frac{\left(s^2 k^2 \cos ^2 \theta\right)^n}{n !} W^n(2 k \sin \theta, 0) \end{aligned}$

(1)

式中，Wⁿ为表面相关函数的幂次傅里叶变换。Re为表面反射率；*表示共轭；k为波数；s为土壤表面均方根高度；$\theta$为雷达入射角；${f_{{\text{pq}}}}$为基尔霍夫系数，${F_{{\text{pq}}}}$为补偿场系数；$pq$表示极化状态。

由于IEM模型对不同粗糙条件下的地表微波散射的准确性存在差异，研究人员对IEM模型进行了改进，提出AIEM模型（Advanced Integral Equation Model，AIEM），改进主要体现在AIEM中引入了基于格林函数简化假设的Kirchhoff场系数和互补场系数的完整表达式，以及利用过渡模型得到了连续菲涅尔反射系数^[9]。改进后的模型有更宽的粗糙度适用范围，可以更精确地计算表面介电常数（${\varepsilon _r}$）以及适应各种遥感配置。

经验模型是在地表粗糙度不变的假设下，根据特定地点大量的实测数据建立后向散射系数与土壤水分之间的关系表达式。如Dubois模型^[10]在使用过程中，由于其站点依赖性，会出现模型普适性的问题，同时也有部分研究发现，模型中的模拟值和测量值之间的差异往往达到几分贝，使得土壤参数无法使用。针对模型泛化能力差的问题，Baghdadi等^[11]针对实测雷达信号和模拟雷达信号之间的不一致以及适用条件过于繁琐的问题，提出在Dubois模型的基础上结合土壤实测数据建立一个新的经验后向散射模型。改进后的模型在C波段和X波段均显示出更好的性能，且在HH和VV极化方式下的偏差和均方根误差均有所减小。Dubois模型适用于1.5 GHz≤f≤11 GHz，30°≤θ≤65°，0.3 cm≤k≤3.0 cm，m_v≤0.35 cm³·cm^–3和NDVI≤0.4的地表，其中f为频率，m_v为土壤水分，具体表达方式如下：

$\sigma_{\mathrm{HH}}^0=10^{-2.75}\left(\frac{\cos ^{1.5} \theta}{\sin ^5 \theta}\right) 10^{0.028 \varepsilon_{\mathrm{r}} \tan \theta}(k s \sin \theta)^{1.4} \mathit{λ}^{0.7}$

(2)

$\sigma_{\mathrm{VV}}^0=10^{-2.35}\left(\frac{\cos ^3 \theta}{\sin ^3 \theta}\right) 10^{0.046 \varepsilon_{\mathrm{r}} \tan \theta}(k s \sin \theta)^{1.1} \lambda^{0.7}$

(3)

式中，${\varepsilon _r}$为介电常数；λ为波长；θ为雷达入射角；s为土壤表面均方根高度；k为自由空间波数，其计算方式为k=2π/λ。

随着人工智能技术的普及，人工神经网络、支持向量机、遗传算法、代价函数优化法等机器学习方法也越来越多地运用于土壤水分反演^[12]。人工神经网络是将微波特征波段或特征波段衍生的特征参数作为输入数据，土壤水分作为输出数据，以输入输出样本数据训练网络，通过神经网络算法建立预测模型实现土壤水分反演，具有较好的非线性映射能力和络柔性，但易产生过拟合。支持向量机也是一种常见的机器学习方法，通过建立土壤水分与后向散射系数、归一化植被指数（Normalized Difference Vegetation Index，NDVI）等参数在高维空间的映射关系，实现对土壤水分的反演。

在机器学习的训练中，需要对模型的超参数进行设置，参数设置得过大或者过小均可能影响到拟合曲线的收敛速度和拟合效果，将遗传算法（Genetic Algorithm，GA）和学习算法进行融合，可自适应地判断超参数最优解，进一步优化和提升学习模型的精度。代价函数优化方法是通过迭代算法最小化代价函数以获取地表参数的最优估计值，由于优化代价函数法是具有一定物理意义的正向模型和全局优化算法，也能够同步估计多个未知量，因此该方法具有较高的普适性和可靠性。

半经验模型是经验模型和理论模型的一个折中，借助实测数据简化理论模型，得到较少受实验地点局限的关系模型，因该模型建立在一定的统计规律上，又可以在一定程度上反映散射机制，能够获得较好的精度。水云模型（Water Cloud Model，WCM）是应用最多的半经验模型，该模型将植被层假定为一个各向同性的散射体，把地表后向散射描述为植被直接散射与经过植被双程衰减的土壤散射之和。水云模型一般表示为：

$\sigma _{{\text{can}}}^{\text{0}}(\theta ) = \sigma _{{\text{veg}}}^{\text{0}}(\theta ) + {\tau ^2}(\theta )\sigma _{{\text{soil}}}^{\text{0}}(\theta )$

(4)

$\sigma _{{\text{veg}}}^{\text{0}}(\theta ) = AVI\cos \theta \left[ {1 - {\tau ^2}(\theta )} \right]$

(5)

${\tau ^2}(\theta ) = \exp ( - 2BVI\sec \theta )$

(6)

式中，$\sigma _{{\text{can}}}^{\text{0}}$为地表总后向散射系数；$\sigma _{{\text{veg}}}^{\text{0}}$为植被层直接后向散射系数；$\sigma _{{\text{soil}}}^{\text{0}}$为土壤直接后向散射系数；${\tau ^2}$为植被层的双程衰减因子；$\theta$为雷达入射角；VI为冠层植被指数；A和B分别为与植被类型有关的经验系数。

VI的确定可以借助于植被冠层含水量（Vegetation Water Content，VWC）、叶面积指数LAI、株高H、归一化植被指数NDVI、植被覆盖度（Fractional vegetation cover，FVC）等指标。为了更加准确地评估植被覆盖对于土壤水分的影响，很多研究对水云模型进行了改进，Li和Wang^[13]在传统水云模型中引入了合成孔径雷达HV极化后向散射系数、雷达植被指数（Radar vegetation index，RVI）以及归一化植被指数对水云模型进行校正，用于多种卫星数据估算农田表层土壤水分，且反演效果要优于传统模型。

以上方法在微波反演土壤水分研究中取得了重要的进展，但是土壤水分与后向散射系数之间的复杂关系，特别是消除植被、地表粗糙度等对雷达后向散射系数的干扰方面，还需要进一步的研究。

2.2 被动微波遥感反演

主动微波受土壤表面粗糙度和植被覆盖的影响，在下垫面复杂的山区适用性较差。而被动微波对土壤水分敏感性更高，受植被、地表粗糙度和云层的影响更小，运用其反演土壤水分被认为是当前监测土壤含水量最有效的手段之一^[14]。对于基于被动微波土壤水分的反演方法，虽然回归方法在很多领域得到很好的应用，但是在反演土壤水分的过程中可能会出现离群数据、非线性、异方差和多重共线性等问题，会导致反演精度过低而不能满足研究需要。

针对以上问题，研究人员提出了很多改进方法，主要从两个方向进行改进，一个是从丰富数据源方面，如Wang等^[15]利用贝叶斯最大熵算法将FY-3B与多种辅助数据（NDVI、地表温度、高程、坡度坡向等）整合到估算土壤水分的模型中；另一个是从优化反演方法方面：人工智能机器学习在对大数据集进行自动或半自动探索和分析方面有很大优势，具有在数据之间发现规律或者模式的能力，给土壤水分的估算提供了很多思路。很多研究利用被动微波遥感数据结合辅助数据利用机器学习方法，如自回归神经网络算法、支持向量机、随机森林和反向传播神经网络等建立水分和多种要素间的非线性关系^[16]，实现土壤水分的遥感反演。结果证明机器学习方法在捕获土壤水分的时间和空间变化方面具有独特的优势^[17]。

针对植被覆盖干扰的问题，研究人员在数据集优选和算法改进方面进行了尝试。如在数据集的使用上，Ma等^[18]证明SMAP在地表温度、植被光学深度（Vegetation Optical Depth，VOD）、地表粗糙度和空间非均质性多种扰动因素作用下依旧有较好的精度；对于浓密植被区域，改进的SMOS-INRA- CESBIO（SMOS-IC）较SMOS-L3产品在反演精度上有较大的提升。其次在算法的改进上，Li等^[19]提出了一种多通道反演算法，将土壤类型和植被覆盖度作为优选特征来评估植被对土壤水分反演过程的动态变化，该算法能够确保针对植被覆盖区域有更高的数据精准度来反演土壤水分。

被动微波遥感具有较高的时间分辨率，重返周期在1~3 d，能较好地反映土壤水分随时间变化的趋势，但缺点是空间分辨率较低（25~50 km）。这样的空间分辨率适用于全球及大区域的土壤水分监测，但不能满足小尺度或者小区域范围对高分辨率土壤水分监测的需求。在实际应用中，地表蒸散发模型、陆面过程模型以及水分模型等需要10 km甚至更高分辨率的土壤水分作为驱动数据^[20]，因而土壤水分降尺度的相关研究成为当前被动微波反演土壤水分的关键技术和热点，使实测数据与降尺度数据在空间分辨率上实现更好的匹配^[21]。

目前的降尺度方法归纳为基于地统计方法、基于数理统计方法、基于数据同化方法以及基于多源遥感数据融合方法四种（表 3）：

（1）通过地统计插值的方法来表达土壤水分的空间分布变化模式和其他地表环境参数（如海拔、地形、土壤属性、植被覆盖度等）的空间分布变化模式之间存在的联系，插值之后的数据较为平滑。一般的插值模型如线性插值、克里金插值、多项式插值法，插值过程依赖调参，被SMAP数据中心用于反演SMAP（9 km×9 km）产品^[22]。但目前该方法依赖大量实测数据，同时在某一特定区域建立的地统计插值模型很难应用到其他区域^[23]，所以该方法在缺失实测数据的研究区域很难得到应用。

（2）基于数理统计方法主要包括多元统计回归和机器学习方法。多元统计回归方法是通过建立低空间分辨率下土壤水分与其相关参量之间的回归关系式，之后将该关系式应用到高空间分辨率下，从而获得高空间分辨率的土壤水分含量。Tian等^[24]利用多元统计法建立MODIS地表温度、NDVI与SMOS土壤水分产品之间的回归关系，并成功降尺度至10 km和1 km。该方法计算形式简单、适用性较强，但缺点首先是没有考虑尺度效应，不确定建立的回归关系式是否可以跨越不同尺度，其次，回归关系式的具体形式会随着时间和空间的变化而改变，针对不同的情况需要重新建立关系式，效率较低。近年来土壤水分数据降尺度研究越来越多使用了机器学习方法，探究土壤水分与多种要素间复杂的非线性关系，如人工神经网络、梯度增强决策树回归等^[25]。Srivastava等^[26]利用人工神经网络、支持向量机、相关向量机三种机器学习方法将MODIS的地表温度和SMOS数据集成进行降尺度运算，发现其在季节变换尺度下有较好的性能。

（3）数据同化方法主要将观测数据信息融入到数学模型中，通过最小化模型预测值与观测数据之间的代价函数，计算得出模型估算值^[27]。Pellenq等^[28]等将低分辨率的遥感数据同化到土壤水分模型中，利用流域尺度上的水热平衡方程，结合降雨数据、地形和土壤深度信息等将低分辨率的土壤水分分解到高分辨率下，实现降尺度的目标。该方法的缺点就是辅助数据若有缺失会导致模型功能受到限制。

（4）基于多源遥感数据融合的降尺度方法主要是扩展了遥感数据源，其优点是对站点观测数据的依赖较少^[29]。该方法应用于较大尺度的研究区域，其普适性得到明显增强。多源数据融合分为主被动微波遥感融合和被动微波与光学遥感融合的两种数据融合。基于主被动微波遥感结合的降尺度方法^[30]假定每一个像元的区域内的地表粗糙度不变，这样可以利用多时相遥感数据消除其对微波信号反射过程的影响，之后建立低分辨率被动微波的土壤水分数据与主动微波观测得到后向散射系数之间的模型。经过偏差校正处理之后，将该模型应用到主动微波数据和对应的高空间分辨率尺度，即完成降尺度过程。主被动微波结合可以降低主动微波对地表微结构参数敏感性带来的不确定性，但是主被动微波结合要求两者散射计对于观测目标具有相同的过境时间和重访周期，这个问题有待进一步解决。

基于被动微波与光学遥感结合的降尺度方法是通过建立被动微波土壤水分数据与可见光一近红外波段以及热红外波段光谱之间的响应关系来实现降尺度的目标。三角特征空间函数模型是被动微波与光学遥感结合最常用的降尺度模型之一^[31]。该模型是在气象条件、太阳辐射以及地物类型差异较小的地表基础上，通过遥感方法利用地表温度和植被叶面积指数（或植被指数）的变化规律实现对土壤水分和蒸散通量结果的有效估算，并建立土壤水分与地表温度和植被指数之间的经验多项式函数，实现土壤水分降尺度的目的。后续研究又在此基础上加入了其他不同的遥感输入变量（地表反照率、被动微波亮温等）^[32]以增强模型的普适性并提高土壤水分降尺度的精度。蒸散率法是将微波数据与光学气象数据相结合，主要通过一阶泰勒展开式建立土壤水分与蒸散发效率之间的降尺度关系，蒸散效率为地表真实蒸散量与潜在蒸散量的比值，蒸散效率与土壤水分之间存在如下物理关系^[33]。

${E_{{\text{SE}}}} = 1 - {e^{ - \frac{{{M_{\text{S}}}}}{{{M_{{\text{Sc}}}}}}}}$

(7)

式中，${E_{{\text{SE}}}}$为土壤的蒸散效率；s为土壤水分，${M_{{\text{Sc}}}} = {M_{{\text{Sc0}}}}(1 + {\gamma \mathord{\left/ {\vphantom {\gamma {{\gamma _{{\text{ah}}}}}}} \right. } {{\gamma _{{\text{ah}}}}}})$，$\gamma$和${M_{{\text{Sc0}}}}$是与土壤质地和大气温度、风速有关的参数，${\gamma _{{\text{ah}}}}$是在一定风速和粗糙度下地表的热力学粗糙度。

虽然很多学者利用该方法进行大规模的水文研究，成功将大尺度的遥感数据降尺度至1~10 km，但是该方法会受到很多因素的影响，例如大气状况、风速、地表粗糙度等，在降尺度过程中，蒸散模型还是需要输入风、土壤质地等信息，所以在地表环境复杂的区域，该方法的应用会受到限制。

2.3 主被动微波遥感结合反演

被动微波有着较高的时间分辨率、对土壤水分敏感的优点，但其空间分辨率低；而主动微波遥感的特点是时间分辨率低，对地表粗糙度和植被结构敏感，但其空间分辨率高。可见两者在反演土壤水分方面均有着各自的优势和劣势，微波遥感融合方法依托丰富的数据源、相对成熟的观测技术和理论物理基础，在提取土壤水分信息方面具有良好的潜力，两者的结合不但可以实现上一节提出的降尺度目标，同时也可以实现反演精度提升或者获取长时间序列数据来满足研究需求的目标。

主被动微波结合的土壤水分反演方法根据原理大致也可分为机理模型、经验模型以及半经验模型三种。

基于机理模型的主被动微波遥感结合方法主要是将从主动微波遥感中获取的关于植被和地表粗糙度的信息作为被动微波模型中的参数，利用辐射传输模型反演土壤水分^[34]。该方法在获取植被信息时，需要冠层高度、几何形状等多种实测数据，对不同农作物没有良好的普适性，同时计算得到的地表粗糙度与地表实测后向散射值之间存在不一致性，地表粗糙度的表达方式尚不完善，因此对算法的推广有一定限制。

基于经验模型的主被动微波遥感结合方法主要是利用数学优化理论构建核心算法，融合主动微波的雷达后向散射数据和被动微波的亮温数据，来反演土壤水分。例如利用贝叶斯融合方法将雷达后向散射数据与亮温数据进行融合，通过反复调整模型参数，使代价函数取得最优解^[35]，或者使用累积分布频率（Cumulative Distribution Function，CDF）匹配算法对多个数据集进行重新排序和组合，修正其中的线性偏差，以获得精确度更高的土壤水分数据^[36]。欧洲航天局气候变化倡议开发的全球日数据集（European Space Agency Climate Change Initiative，ESA-CCI）就是运用该方法将多种主动被动微波传感器数据融合而成的。其中主动、被动微波土壤水分产品分别采用了基于变化检测的土壤水分反演方法^[37]和陆表参数反演模型（Land Parameters Retrieval Model，LPRM）。多位学者运用全球土壤水分观测系统以及三重配置分析或者改进三重配置（Extend Triple Collocation，ETC）方法证明了该方法反演精度较高，结果可靠^[38]。

由于重访时间、季节性的冰期或射频干扰（Radio Frequency Interference，RFI）等因素的存在，主被动微波遥感结合的反演方法常常会产生数据缺失的问题，对数据的时空连续性影响很大。针对缺失数据，许多研究采用插值方法进行填补。常用的插值方法分为基于时间的插值方法、基于空间的插值方法以及基于统计学的插值方法三种类型（表 4），其中基于时间的插值方法主要是利用所插值的数据与生物过程时间动态之间的关系^[39]，基于空间的插值方法则是利用存在数据缺失的像元周边的（不存在数据异常的）像元信息进行插值^[40]。而基于统计学的插值方法以近期热点机器学习方法为主，主要包括支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）、人工神经网络等方法。

基于半经验模型的主被动微波遥感结合方法主要是利用基于多种实测数据来对理论模型进行局部简化，Lee和Anagnostou^[41]利用菲涅尔模型和简单的植被模型模拟被动微波辐射，利用几何光学模型模拟主动微波散射，植被的影响采用半经验模型水云模型来计算模拟，基于这些前向模型建立起模拟值与影像数据之间的函数关系，模型的参数需要利用站点的实测土壤水分以及其他观测数据进行标定。该方法没能将主动数据空间分辨率的优点发挥出来，同时模型需要大量的实测数据进行模型参数定标，限制了算法在缺乏实测数据地区的推广。

3 展望

土壤水分含量影响地—气系统中的能量交换，是水文模型、气候模型、生态模型和陆面过程等模型的关键变量，直接影响作物生长发育，是长势监测、产量预报、土壤墒情等农业应用的重要因子。而遥感技术具有观测范围广、周期性、长时间序列的优势，使得在土壤水分反演过程中充分利用，微波遥感的发展，波段范围的扩大，反演算法的不断改进，都会使反演精度得到提升，但是离研究需求和尺度需求还存在一定的差距，主要是受到大尺度下气候条件、土壤现状、空间异质性等原因的影响。其次是近些年来，基于GNSS陆面遥感的研究发展较快，L波段的微波信号稳定，能精确估算陆面、海洋等相关信息，可以作为未来遥感领域的重要方向。

3.1 通过改进反演过程提升反演精度

现阶段在小尺度区域下，土壤水分反演精度可以满足部分研究的需求，但是在全球尺度上由于气候、土壤、空间异质性等原因，出现数据缺失、精度不高等现象。虽然很多研究利用数据协同使得反演水分精度有部分提升，但是依然难以适用于其他不同区域。例如Hagan等^[42]利用ESA-CCI数据以及多种再分析数据计算中国不同气候区的土壤水分含量以及估算误差，研究发现多种数据下的青藏高原地区因其独特地势和气候敏感性原因，估算误差较大，所以急需改善全球尺度下的土壤水分反演精度以及解决空间异质性的相关问题。

就目前已经公布的全球土壤水分产品来看，空间分辨率较为粗糙，很难应用于区域的精细化研究，且还存在时间序列不连续的问题。解决这些问题主要是对反演过程的初期、中期阶段进行改进：

首先在反演过程初期，借助多种观测方式（多极化、多角度、多波段）以及多时相重复观测作为模型输入特征，可以很大程度降低土壤水分反演的不确定性，提升预测能力；在一定入射角度的观测条件下，水平极化和垂直极化亮温的菲涅耳反射信号对介电常数变化的敏感性具有较大的差异，VV极化对于植被和土壤水分具有敏感性，而VH极化对于植被变化更为敏感，多种极化组合方式可以修正模型中原有的后向散射系数；而不同的入射角度和入射波长代表目标物吸收不同能量和散射界面的大小，对反演过程有不同程度的影响，多次进行试验便于找到最优方式进行水分含量估算。

同时反演过程在很大程度上受到土壤类型、植被覆盖等众多因素的影响，且很难反映出土壤水分的垂向变化过程，通过运用数据同化方法对多源数据进行融合，在陆面水文模型中添加地表热通量、土壤蒸散发、降雨等参数化过程协同模拟计算，将不同来源的观测数据融合到陆面水文模型中，自动更新系统的状态变量，提高关键性参数的准确性，可以进一步降低不确定性增加预测精度。

其次在反演过程中期，可以引入新的计算方法以及在原有的模型上进行改进，“大气-植被-地表”多层介质结构的穿透能力存在差异，一些传统模型中没有对大气参数进行校准，因而提出一些新的大气参数参与到模型的建立中，减少风速、空气温度、湿度、气溶胶等因素对能量传输过程的影响。也可采取机器学习等方法（人工神经网络、遗传算法、支持向量机等）很好地建立大数据样本和输出之间的关系，在提高精度的同时还可以解决模型过拟合的问题以及改进算法收敛速度较慢、训练过程中误差不稳定等现象，也可以利用特有参数对植被覆盖、地表粗糙度、土壤类型等现实情况对反演模型进行简化。

3.2 GNSS-R陆面遥感有待挖潜

基于GNSS反射信号的遥感技术（Global Navigation Satellite System-Reflection，GNSS-R）探测土壤水分是近年来一个新兴的研究方向。全球导航卫星系统GNSS是为提供导航定位服务而发展的一类卫星系列。全球4大导航系统，即美国的GPS、中国的北斗、俄罗斯的GLONASS和欧盟的Galileo卫星，目前已有100多颗卫星在轨运行。GNSS-R利用导航卫星提供的长期稳定、高时空分辨率的L波段微波信号，它兼具主动雷达与被动辐射计的优点^[43]。在海面遥感（海面风场和海面高度）、陆面遥感（植被状态、土壤水分、积雪深度）等应用领域均有很好的发挥^[44]。

而中国GNSS-R陆面遥感相关研究起步较晚，清华大学、北京大学团队在2015—2016年开展不同地域和气候条件下的陆表及大气参数反演方法研究^[45]。中国自主研发的北斗系统在2020年完成全部建设，系统将由35颗卫星组成，包括5颗静止轨道（Geostationary Orbit，GEO）卫星、27颗中地球轨道（Middle Earth Orbit，MEO）卫星和3颗倾斜同步轨道（Inclined GeoSynchronous Orbit，IGSO）卫星，该系统能够提供与GPS系统类似的L波段微波信号，且实现全球覆盖。因此北斗系统具有较GPS系统更丰富的卫星轨道设计，所以充分发掘北斗导航系统的遥感应用潜力，大力发展其在气象、地震、海洋、陆面应用优势，是未来中国GNSS遥感领域发展一个重要方向。