QGIS+Sentinel雷达光学融合：高精度土壤湿度制图实战

为什么土壤湿度监测如此关键

追踪大面积农业区的地表土壤湿度，是准确模拟大陆水循环、保障全球粮食安全的必要条件。地面传感器虽然能提供高质量数据，但受地理位置限制，维护成本高昂，无法实现大规模覆盖。卫星遥感则以极低的成本，提供了区域乃至星球尺度监测所需的能力。

田地会吸收并保持水分，某个区域一旦遭遇严重干旱，往往会在传统监测系统察觉之前就摧毁当地的收成。但在全球范围内逐块田地手动追踪湿度，在物理上根本不可能实现。这类规模的监测，唯一的解法是来自太空的持续观测。本文基于一套完整的 QGIS 工作流程，拆解如何将 Sentinel 雷达与光学数据结合，生成 10 米分辨率的彩色编码土壤湿度图。

雷达为何能测水分，又为何被植被干扰

研究人员依靠合成孔径雷达（SAR），尤其是搭载在欧洲空间局 Sentinel 卫星上的 C 波段仪器来采集数据。其物理原理在于：水分会显著改变土壤的介电常数。土壤中水分越多，储存和反射电磁能量的能力就越强，这种更高的介电常数会直接增强雷达后向散射的强度。当雷达脉冲击中一片裸露地面时，返回信号是干净的，其强度与土壤含水量直接相关。

问题在于，大多数农业用地一年中大部分时间都被作物冠层覆盖。当雷达脉冲击中密集冠层时，波会被叶片和茎秆打散成多个混乱方向，只留下微弱信号到达地面。这里涉及两重干扰：一是信号衰减，植物组织内的水分吸收了部分雷达能量；二是体散射，雷达波在植物几何结构之间混乱弹跳。结果是卫星接收到的不再是纯粹的土壤湿度，而是地面数据与植被噪声的混合信号。直接套用裸土算法，结果必然失真。

合成孔径雷达（SAR）是一种主动式微波传感器，通过向地面发射微波脉冲并接收回波来成像，无需依赖太阳光，因此可以在夜间或穿透云层进行观测，这是其相比光学卫星的核心优势。C 波段的波长约为 5.6 厘米，处于微波频谱中间段，能够部分穿透植被冠层，同时对土壤水分变化保持较高灵敏度。Sentinel-1 卫星采用双极化工作模式，同时获取 VV（垂直发射-垂直接收）和 VH（垂直发射-水平接收）两种极化方式的数据：VV 极化对土壤表面散射更为敏感，VH 极化则对植被体散射响应更强，两者结合可为后续模型提供互补信息，帮助区分地面信号与冠层信号的相对贡献。

水云模型与光学数据的巧妙配合

解决冠层问题的标准方案是半经验水云模型（WCM），由研究者 Attema 和 Ulaby 提出。WCM 不试图对每一片叶子建模，而是把整个作物冠层视为悬浮在地面上方的一团均匀水滴云。模型将雷达总后向散射定义为多项叠加：植被本身的直接反射贡献，以及被双向衰减因子修正过的土壤贡献——土壤信号之所以被削弱两次，正是因为雷达波需向下穿过冠层、再向上返回。

WCM 依赖两个未知的植被物理参数（如生物量、叶面积指数），仅凭 SAR 数据在数学上无法求解。突破口是引入 Sentinel-2 的光学影像：通过红光和近红外波段计算归一化差异植被指数（NDVI），为整个区域提供逐像素的冠层密度图。这些 NDVI 值填补了 WCM 中缺失的植被参数，使模型能够从总信号中分离并扣除冠层干扰，剩余的土壤贡献再通过积分方程模型（IEM）结合地表粗糙度进行模拟。

归一化差异植被指数（NDVI）的计算公式为 (近红外波段 - 红光波段) / (近红外波段 + 红光波段)，取值范围在 -1 到 1 之间。健康茂密的植被因大量吸收红光用于光合作用、同时强烈反射近红外光，NDVI 通常在 0.6 至 0.9 之间；裸土或稀疏植被则在 0.1 至 0.3 左右；水体呈负值。NDVI 之所以能作为 WCM 中植被参数的代理变量，是因为它与叶面积指数（LAI）和植被含水量存在较强的经验相关性——而这两个量正是决定雷达信号被冠层衰减程度的核心物理参数。Sentinel-2 提供 10 米分辨率的红光和近红外波段影像，与 Sentinel-1 的 SAR 数据在空间分辨率上高度匹配，使逐像素融合成为可能。

从物理模型到神经网络数据管道

对每个像素都实时求解这些复杂方程，在计算上无法大规模实现。研究人员的做法是先用 WCM 和 IEM 生成海量合成训练数据集，覆盖土壤湿度从 2% 到 40% 的各种组合，以及不同的地表粗糙度和 NDVI 水平，并注入高斯噪声以模拟真实卫星运行中的缺陷。

这套合成数据被用来训练人工神经网络。训练好的网络接收四个输入：VV 和 VH 极化下的雷达后向散射、局部入射角，以及光学 NDVI，经隐藏层运算后输出每个空间单元的体积土壤湿度百分比。这条流水线有效弥合了理论物理与大规模数据工程之间的鸿沟——物理模型提供原理，AI 将其转化为快速、可扩展的全球数据管道。

使用合成数据训练神经网络是遥感领域应对"标注数据稀缺"问题的常见策略。地面实测土壤湿度传感器数量有限、分布不均，直接用观测数据训练模型会导致严重的地理偏差。物理模型（如 WCM + IEM）能够基于已知的电磁散射规律，在任意参数组合下生成理论后向散射值，从而构造出覆盖宽广参数空间的训练集。注入高斯噪声的目的是模拟真实 SAR 影像中固有的斑点噪声（Speckle）——这是由相干微波信号的随机干涉产生的颗粒状纹理，是 SAR 图像的固有特性，若训练数据过于"干净"，模型在实际推理时鲁棒性会大打折扣。

QGIS 实战工作流拆解

跟随这套流程需要配置好 QGIS 和 Orfeo 工具箱，并准备包含 GDAL、Keras、NumPy 等库的 Python 环境。核心步骤如下：

预处理与掩膜

研究站点景观高度破碎，目标农田与城市、水体交织。先用栅格计算器从土地覆盖图应用掩膜，剔除所有城市和水域区域。雷达数据建议使用 Google Earth Engine 中预先校准的正射影像，跳过原始哥白尼影像，省去复杂的手动辐射校准。

分割与几何优化

对 NDVI 光学影像应用均值漂移分割，基于 ±0.1 的 NDVI 变化范围，将农业景观划分为同质空间单元。建立均匀单元至关重要——在单次计算中混合不同植被类型会污染雷达信号特征。随后对多边形应用平滑几何工具圆滑顶点，再用固定距离缓冲区向内收缩 10 米，使计算远离道路、树篱等边缘噪声。

统计提取与过滤

用区域统计计算每个要素内的像素数量，删除雷达像素少于 20 个的多边形，以消除斑点噪声带来的随机波动。对保留要素提取 VV、VH 极化、局部入射角和 NDVI 的值，导出为 CSV 文件。严格的几何过滤确保输入模型的是干净的土壤信号，而非边界混影或随机噪声。

计算与成图

将 CSV 交给 Python，运行 Apply Algo 脚本（将文件名填入 Zonal Stat 变量后按 F5 启动算法），脚本自动输出每个空间单元对应的土壤湿度体积百分比。回到 QGIS 执行表连接，把结果与分割多边形匹配，再按 5% 的体积间隔对湿度数据进行颜色渐变分类。

实际案例：从干旱到饱和的变化

以法国蒙彼利埃附近一个 15×15 公里的农业基地为例。1 月 19 日，该基地在连续 19 天无降水后处于干燥状态，地图显示大范围湿度在 5% 至 15% 之间。一周后的 1 月 26 日，此前四天累计 23 毫米的强降雨让景观急剧变化，模型检测到 30% 至 40% 的饱和状态，成功穿透湿润冠层完成观测。

各地块之间明显的颜色变化，证明了分割的成功，实现了地块内部尺度的湿度变化监测。这种 10 米分辨率的读数，对比早期 MODIS 热传感器一公里的粗糙盲区，优势一目了然。在与地面物理传感器对比测试时，相关数据融合方法的误差可保持在严格范围内。

边界情况与应用价值

这套方法并非万能。高度破碎的景观或严重混合的农业区域仍可能逃过算法捕捉——例如农民刚对一小块极小土地大量灌溉，但其热足迹太小，无法改变覆盖它的巨大像素的平均值，分解链就会错过这一事件。

尽管如此，掌握这套多平台工作流程，就能将原始卫星数据转化为可操作的情报，直接助力精准灌溉策略和水循环研究。对农业规划者而言，这意味着能尽早识别灌溉不足的地块，在收成损失之前防止作物欠收。关键的突破不一定来自新发射的卫星，而往往隐藏在我们已经在收集的数据流的数学关系之中。

该方法的混合像素问题（Mixed Pixel Problem）在遥感领域普遍存在：当一个像素内部同时包含多种地物类型时，提取出的统计量是各地物信号的加权平均，难以准确反映任何单一类别的真实状态。10 米分辨率已是当前商业开放卫星数据的较高水平，但对于小型农户（全球大量农业区以 0.1 至 1 公顷的地块为主）而言，一个像素仍可能横跨两块耕作方式完全不同的田地。未来更高分辨率卫星（如商业 SAR 星座）或无人机搭载的微型 SAR 传感器，有望将这一局限推向更精细的尺度，但随之而来的数据量和处理复杂度也将成倍增加。