Progress of satellite remote sensing inversion method for soil moisture

doi:10.11755/j.issn.1006-7639(2024)-04-0637

Abstract

Abstract:

In the context of global warming, soil moisture is a key factor affecting climate drought, crop growth, and environmental change. Using remote sensing technology to estimate soil moisture not only enhances drought early warning capabilities but also holds significant implications for agricultural development, ecological protection, and restoration. This article summarizes the currently used remote sensing data for soil moisture inversion and analyzes its development trends. It elaborates in detail on the principles, advantages, and disadvantages of each inversion method from optical and active-passive microwave perspectives, and further explores four main areas of soil moisture research: active-passive microwave, multisource data fusion, spatial scale conversion, and methods and model improvements. Finally, it outlines the evolutionary trends of remote sensing technology in the field of soil moisture inversion and presents a future outlook.

Key words: soil moisture, inversion model, multi-source data, collaborative inversion

摘要：

在全球变暖背景下，土壤水分是影响气候干旱、作物生长和环境变化的关键因素。利用遥感技术反演土壤水分，不仅能提高干旱预警能力，对于农业发展、生态保护和修复也具有重要意义。本文总结了当前土壤水分反演常用的遥感数据并分析其发展趋势，从光学、主被动微波角度详细阐述了各反演方法的原理、优缺点及发展方向，并进一步探讨了土壤水分研究的4个主要领域：主被动微波、多源数据融合、空间尺度转换及方法和模型的改进。最后，总结了遥感技术在土壤水分反演领域的演变趋势，并对未来发展提出展望。

关键词: 土壤水分, 反演模型, 多源数据, 协同反演

CLC Number:

S152.7

ZHONG Xue, YANG Minglong, TANG Xiujuan, HAN Aoxi. Progress of satellite remote sensing inversion method for soil moisture[J]. Journal of Arid Meteorology, 2024, 42(4): 637-648.

钟雪, 杨明龙, 唐秀娟, 韩澳禧. 土壤水分卫星遥感反演方法研究进展[J]. 干旱气象, 2024, 42(4): 637-648.

Figures/Tables 7

Tab.1 Optical satellite data

数据	卫星名称	时间分辨率/d	空间分辨率/m	波段	时间序列
AVHRR	NOAA 15	1~2	1 100	5	1998年至今
	NOAA 19				2009—2011年
	MetOp-A				2006年至今
	MetOp-B				2012年至今
	MetOp-C				2018年至今
ASTER	Terra	15	15/30/90	14	1999年至今
MODIS	Terra	1	500/100	36	1999年至今
MODIS	Aqua	1	500/100	36	2002年至今
Landsat	Landsat5	16	30/60	7	1984—2013年
Landsat	Landsat8	16	15/30/100	11	2013年至今
Sentinel-2	Sentinel-2A	10	10/60	12	2015年至今
Sentinel-2	Sentinel-2B	10	10/60	12	2017年至今

Tab.2 Microwave remote sensing data

传感器	卫星	时间分辨率/d	空间分辨率	波段类型	时间序列
ASCAT	MetOp-A/B/C	3	12~25 km	C波段（主动）	2007年至今
AMSR-E	Aqua	2	25 km	多波段（被动）	2002年至今
AMSR-2	GCOM WI	2	25 km	多波段（被动）	2012年至今
SMOS	SMOS	1~3	35 km	L波段（被动）	2010年至今
SMAP	SMAP	3	3~40 km	L波段（主被动）	2015年至今
MWRI	FY-3	1~3	25 km	多波段（被动）	2013年至今
SAR	Sentinel-1	6	5×20 m	C波段（主动）	2014年至今
SAR	GF-3	2~3	1~500 m	C波段（主动）	2016年至今

Fig.1 Schematic of the optical data inversion（Qin et al.， 2021a）

Tab.3 Comparison of the optical data inversion methods

方法	使用数据类型	反演使用参数	优点	缺点
反射率法	可见光-近红外	地表反射率	算法简单，适用于裸土区	反演精度低，偏经验化
指数法	可见光-近红外和热红外	植被指数或缺水指数	适用于植被覆盖区域	具有滞后性，仅描述土壤水分相对状态
热惯量法	可见光-近红外和热红外	土壤热惯量	适用于裸土区	需要大量辅助数据、计算复杂

Tab.4 Soil moisture characteristic index

指数名称	计算公式	适用条件	文献
归一化植被指数	$N D V I = R N I R - R R e d R - N I R R R e d$	仅适用于定性土壤水分监测	（潘宁等,2019）
作物水分胁迫指数	$C W S I = (T c - T a) - (T c - T a) m i n (T c - T a) m a x - (T c - T a) m i n$	适用于植被覆盖区反演	（Jackson et al.,1981）
植被供水指数	$V S W I = B × N D V I T s$	适用于植被覆盖密度大的区域反演	（Moranet al.,1994）
植被条件指数	$V C I = N D V I i - N D V I m i n N D V I m a x - N D V I m i n × 100$	适用于植被区，但需要较长时序数据	（Kogan,1990）
距平植被指数	$A V I = N D V I i - N D V I ¯$	适用于植被区，但需要较长时序数据	（陈维英等,1994）
温度植被干旱指数	$T V D I = T s - (a m i n + b m i n × N D V I) (a m a x + b m a x × N D V I) - (a m i n + b m i n × N D V I)$	适用于植被区，但对植被覆盖要求高	（Sandholt et al.,2002）
垂直干旱指数	$P D I = R R e d + M × R N I R 1 + M 2$	适用于裸土区	（Ghulam et al.,2007a）
改进垂直干旱指数	$M P D I = P D I - f v P D I v 1 - f v$	适用于植被区，需大量辅助数据	（Pohn et al.,1974）

Tab.4 Soil moisture characteristic index

指数名称	计算公式	适用条件	文献
归一化植被指数	$N D V I = R N I R - R R e d R - N I R R R e d$	仅适用于定性土壤水分监测	（潘宁等,2019）
作物水分胁迫指数	$C W S I = (T c - T a) - (T c - T a) m i n (T c - T a) m a x - (T c - T a) m i n$	适用于植被覆盖区反演	（Jackson et al.,1981）
植被供水指数	$V S W I = B × N D V I T s$	适用于植被覆盖密度大的区域反演	（Moranet al.,1994）
植被条件指数	$V C I = N D V I i - N D V I m i n N D V I m a x - N D V I m i n × 100$	适用于植被区，但需要较长时序数据	（Kogan,1990）
距平植被指数	$A V I = N D V I i - N D V I ¯$	适用于植被区，但需要较长时序数据	（陈维英等,1994）
温度植被干旱指数	$T V D I = T s - (a m i n + b m i n × N D V I) (a m a x + b m a x × N D V I) - (a m i n + b m i n × N D V I)$	适用于植被区，但对植被覆盖要求高	（Sandholt et al.,2002）
垂直干旱指数	$P D I = R R e d + M × R N I R 1 + M 2$	适用于裸土区	（Ghulam et al.,2007a）
改进垂直干旱指数	$M P D I = P D I - f v P D I v 1 - f v$	适用于植被区，需大量辅助数据	（Pohn et al.,1974）

Tab.5 Active microwave soil moisture inversion method

方法	原理	优点	缺点	文献
经验法	统计学数值拟合	反演过程简单；辅助数据需求较少；局部区域应用价值高	精确度较低；普适性较差	（Cognard et al.,1995）
理论建模法	电磁波散射分析理论	输入参数具有很强的逻辑性，反演机理明确；适用性较强	输入参数多；机理模拟本身存在理想假设	（Stogryn,1967）
半经验法	理论建模和数值拟合	输入参数相对较少；稳定性好	缺乏时空普适性，需要根据研究区变化再次拟合	（Oh et al.,1992）
人工智能法	智能算法训练	可行性较强；计算效率高	对于训练样本要求较高、物理机理薄弱	（Oh, 2006）

Tab.6 Passive microwave soil water inversion method

方法	原理	优势	劣势	文献
统计拟合法	统计学数值拟合	计算简单；局部应用价值较高	精度提升困难、缺乏机理分析、缺乏普适性	（Wang et al., 1982）
机理模拟法	基于辐射传输过程模拟确定土壤水分与亮温的函数关系	理论成熟；改进方向较为明确；反演精度较高；普适性较强	包含较多理想性假设；需要一定的辅助数据；需要先验条件且较为费时	（Zhao et al., 2011）
人工智能法	智能算法训练	较之机理模拟，计算效率高、费时少；拟合效果更好和反演精度高	物理基础薄弱、依赖训练样本选取，但良好训练样本获取较为困难	（Zhao et al., 2018）

References 84

[1]	陈维英, 肖乾广, 盛永伟, 1994. 距平植被指数在1992年特大干旱监测中的应用[J]. 环境遥感(2): 106-112.
[2]	樊磊, 2017. 基于多源数据的土壤水分估算及森林火灾风险评估应用[D]. 北京: 中国科学院大学.
[3]	方西瑶, 蒋玲梅, 崔慧珍, 2022. 基于Sentinel-1雷达数据的青藏高原地区土壤水分反演研究[J]. 遥感技术与应用, 37(6): 1 447-1 459.
[4]	巩文军, 郭乙霏, 王文婷, 等, 2019. 基于混合象元分解的Landsat8与MODIS数据融合反演土壤墒情方法研究[J]. 灌溉排水学报, 38(7): 123-128.
[5]	关韵桐, 2019. 基于SAR与光学数据的高原湿地土壤水分反演研究——以大山包湿地为例[D]. 昆明: 云南师范大学.
[6]	郭交, 刘健, 宁纪锋, 等, 2019. 基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证[J]. 农业工程学报, 35(14): 71-78.
[7]	姜传礼, 赵健赟, 丁圆圆, 等, 2023. SPA算法与机器学习的黄河源土壤水分反演[J]. 光谱学与光谱分析, 43(6): 1 961-1 967.
[8]	雷志斌, 孟庆岩, 田淑芳, 等, 2019. 基于GF-3和Landsat8遥感数据的土壤水分反演研究[J]. 地球信息科学学报, 21(12): 1 965-1 976.
[9]	李伯祥, 陈晓勇, 徐雯婷, 2019. 基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分[J]. 水土保持研究, 26(5): 39-44.
[10]	李忆平, 李耀辉, 2017. 气象干旱指数在中国的适应性研究进展[J]. 干旱气象, 35(5): 709-723. DOI
[11]	刘帆, 申双和, 杨炳玉, 等, 2013. 不同土壤水分条件下玉米叶片/冠层气孔导度的光谱监测模型[J]. 中国农业气象, 34(6): 727-732.
[12]	刘培君, 张琳, 艾里西尔·库尔班, 等, 1997. 卫星遥感估测土壤水分的一种方法[J]. 遥感学报, 1(2): 135-138.
[13]	刘伟东, FRÉDÉRIC BARET, 张兵, 等, 2004. 高光谱遥感土壤湿度信息提取研究[J]. 土壤学报, 41(5): 700-706.
[14]	马春芽, 王景雷, 黄修桥, 2018. 遥感监测土壤水分研究进展[J]. 节水灌溉(5): 70-74.
[15]	马红章, 刘素美, 彭爱华, 等, 2016. L波段主被动微波协同反演裸土土壤水分[J]. 农业工程学报, 32(19): 133-138.
[16]	孟祥金, 毛克彪, 孟飞, 等, 2019. 基于空间权重分解的降尺度土壤水分产品的中国土壤水分时空格局研究[J]. 高技术通讯, 29(4): 402-412.
[17]	潘宁, 王帅, 刘焱序, 等, 2019. 土壤水分遥感反演研究进展[J]. 生态学报, 39(13): 4 615-4 626.
[18]	覃湘栋, 庞治国, 江威, 2021a. 土壤水分光学遥感反演方法研究进展和挑战[J]. 人民珠江, 42(11):38-45.
[19]	覃湘栋, 庞治国, 江威, 等, 2021b. 土壤水分微波反演方法进展和发展趋势[J]. 地球信息科学学报, 23(10): 1 728-1 742.
[20]	宋扬, 房世波, 梁瀚月, 等, 2017. 基于MODIS数据的农业干旱遥感指数对比和应用[J]. 国土资源遥感, 29(2): 215-220.
[21]	苏永荣, 宫阿都, 吕潇然, 等, 2015. 基于改进温度植被干旱指数的农田土壤水分反演方法[J]. 遥感信息, 30(6): 96-101.
[22]	孙波, 梁勇, 汉牟田, 等, 2019. 基于GA-SVM的GNSS-IR土壤湿度反演方法[J]. 北京航空航天大学学报, 45(3): 486-492.
[23]	王川, 2020. 联合光学和微波遥感数据反演根河林区火烧迹地土壤含水量[D]. 北京: 北京林业大学.
[24]	王俊霞, 潘耀忠, 朱秀芳, 等, 2019. 土壤水分反演特征变量研究综述[J]. 土壤学报, 56(1): 23-35.
[25]	王美林, 姜群鸥, 邵雅琪, 等, 2019. 基于TVDI的玛曲土壤湿度时空变化及其影响因素[J]. 中国水土保持科学, 17(4): 141-152.
[26]	王雅婷, 孔金玲, 杨亮彦, 等, 2019. 基于SVR的旱区稀疏植被覆盖下土壤水分遥感反演[J]. 地球信息科学学报, 21(8): 1 275-1 283.
[27]	王莺, 张强, 王劲松, 等, 2022. 21世纪以来干旱研究的若干新进展与展望[J]. 干旱气象, 40(4): 549-566. DOI
[28]	魏祖帅, 2019. 青藏高原地区SMAP土壤水分降尺度方法研究[D]. 武汉: 武汉大学.
[29]	吴茜, 2017. 主被动微波协同反演植被覆盖地表土壤水分方法研究[D]. 泰安: 山东农业大学.
[30]	吴善玉, 2019. 基于神经网络算法的多源遥感联合反演土壤湿度研究[D]. 南京: 南京信息工程大学.
[31]	武晓波, 阎守邕, 田国良, 等, 1998. 在GIS支持下用NOAA/AVHRR数据进行旱情监测[J]. 遥感学报, 2(4): 280-284.
[32]	杨扬, 王丽娟, 黄小燕, 等, 2023. 基于ERA5-Land产品的黄河流域蒸散时空变化特征[J]. 干旱气象, 41(3): 390-402. DOI
[33]	姚一飞, 王爽, 张珺锐, 等, 2022. 基于GF-1卫星遥感的河套灌区土壤含水率反演模型研究[J]. 农业机械学报, 53(9): 239-251.
[34]	余凡, 赵英时, 2011. 基于主被动遥感数据融合的土壤水分信息提取[J]. 农业工程学报, 27(6): 187-192.
[35]	岳胜如, 李瑞平, 邹春霞, 等, 2016. 基于多波段MODIS遥感数据的乌审旗土壤含水量监测研究[J]. 水土保持通报, 36(2): 146-150.
[36]	张传波, 李卫国, 王晶, 等, 2022. 波段反射率和植被指数结合的作物生长季农田土壤水分估测[J]. 江苏农业学报, 38(1): 111-118.
[37]	张双成, 鲍琳, 马中民, 等, 2022. 多源哨兵数据解译农田区土壤湿度算法研究[J]. 测绘科学, 47(8): 94-104.
[38]	赵飞飞, 2021. 多源遥感数据协同的贵州石漠化地区土壤水分反演研究[D]. 贵阳: 贵州大学.
[39]	周鹏, 丁建丽, 王飞, 等, 2010. 植被覆盖地表土壤水分遥感反演[J]. 遥感学报, 14(5): 959-973.
[40]	周雨石, 2018. 基于改进热惯量模型土壤含水量时空变化研究—以黑河上游八宝河流域为例[D]. 开封: 河南大学.
[41]	ATTEMA E P, ULABY F T, 1978. Vegetable modeled as a water cloud[J]. Radio Science, 13(2): 357-364.
[42]	BOWERS S A, HANKS R J, 1965. Reflection of radiant energy from soils[J]. Soil Science, 100(2): 130-138.
[43]	COGNARD A L, LOUMAGNE C, NORMAND M, et al, 1995. Evaluation of the ERS 1/synthetic aperture radar capacity to estimate surface soil moisture: Two‐year results over the naizin watershed[J]. Water Resources Research, 31(4): 975-982.
[44]	DOBSON M C, ULABY F T, 1986. Preliminaly evaluation of the SIR-B response to soil moisture, surface roughness, and crop canopy cover[J]. IEEE Transactions on Geoscience and Remote Sensing, GE-24(4): 517-526.
[45]	DUBOIS P C, VAN ZYL J, ENGMAN T, 1995. Measuring soil moisture with imaging radars[J]. IEEE Transactions on Geoscience and Remote Sensing, 33(4): 915-926.
[46]	EBRAHIMI E, BAYAT H, NEYSHABURI M R, et al, 2014. Prediction capability of different soil water retention curve models using artificial neural networks[J]. Archives of Agronomy and Soil Science, 60(6): 859-879.
[47]	EHRLER W L, 1973. Cotton leaf temperatures as related to soil water depletion and meteorological factors[J]. Agronomy Journal, 65(3): 404-409.
[48]	EL HAJJ M, BAGHDADI N, ZRIBI M, et al, 2016. Soil moisture retrieval over irrigated grassland using X-band SAR data[J]. Remote Sensing of Environment, 176: 202-218.
[49]	FEIZIASL V, FOTOVAT A, ASTARAEI A, et al, 2014. Determination of soil and plant water balance and its critical stages for rainfed wheat using Crop Water Stress Index (CWSI)[J]. Journal of Water and Soil, 28(4): 804-817.
[50]	FUJII H, KOIKE T, IMAOKA K, 2009. Improvement of the AMSR-E algorithm for soil moisture estimation by introducing a fractional vegetation coverage dataset derived from MODIS data[J]. Journal of the Remote Sensing Society of Japan, 29(1): 282-292.
[51]	GHULAM A, QIN Q M, TEYIP T, et al, 2007a. Modified perpendicular drought index (MPDI): A real-time drought monitoring method[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 62(2): 150-164.
[52]	GHULAM A, QIN Q M, ZHAN Z M, 2007b. Designing of the perpendicular drought index[J]. Environmental Geology, 52(6): 1 045-1 052.
[53]	GRILLAKIS M G, KOUTROULIS A G, ALEXAKIS D D, et al, 2021. Regionalizing root-zone soil moisture estimates from ESA CCI soil water index using machine learning and information on soil, vegetation, and climate[J]. Water Resources Research, 57(5), DOI: 10.1029/2020WR029249.
[54]	JACKSON R D, IDSO S B, REGINATO R J, et al, 1981. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 17(4): 1 133-1 138.
[55]	KARTHIKEYAN L, PAN M, KONINGS A G, et al, 2019. Simultaneous retrieval of global scale vegetation optical depth, surface roughness, and soil moisture using X-band AMSR-E observations[J]. Remote Sensing of Environment, 234, DOI: 10.1016/j.rse.2019.111473.
[56]	KOGAN F N, 1990. Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing, 11(8): 1 405-1 419.
[57]	LENG P, LI Z L, LIAO Q Y, et al, 2019. Determination of all-sky surface soil moisture at fine spatial resolution synergistically using optical/thermal infrared and microwave measurements[J]. Journal of Hydrology, 579, DOI: 10.1016/j.jhydrol.2019.124167.
[58]	LIEVENS H, REICHLE R H, LIU Q, et al, 2017. Joint Sentinel-1 and SMAP data assimilation to improve soil moisture estimates[J]. Geophysical Research Letters, 44(12): 6 145-6 153.
[59]	LIOU Y A, LIU S F, WANG W J, 2001. Retrieving soil moisture from simulated brightness temperatures by a neural network[J]. IEEE Transactions on Geoscience and Remote Sensing, 39(8): 1 662-1 672.
[60]	MENG Q Y, XIE Q X, WANG C M, et al, 2016. A fusion approach of the improved Dubois model and best canopy water retrieval models to retrieve soil moisture through all maize growth stages from Radarsat-2 and Landsat-8 data[J]. Environmental Earth Sciences, 75(20), 1377. DOI:10.1007/s12665-016-6182-4.
[61]	MERLIN O, AL BITAR A, WALKER J P, et al, 2009. A sequential model for disaggregating near-surface soil moisture observations using multi-resolution thermal sensors[J]. Remote Sensing of Environment, 113(10): 2 275-2 284.
[62]	MORAN M S, CLARKE T R, INOUE Y, et al, 1994. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sensing of Environment, 49(3): 246-263.
[63]	OH Y, 2006. Robust inversion technique for retrieving soil moisture from multi-polarised backscatter of bare surface[J]. Electronics Letters, 42(7): 414-415.
[64]	OH Y, SARABANDI K, ULABY F T, 1994. An inversion algorithm for retrieving soil moisture and surface roughness from polarimetric radar observation[C]// Proceedings of IGARSS ʼ94-1994 IEEE International Geoscience and Remote Sensing Symposium. Pasadena, CA, USA. IEEE, 1 582-1 584. DOI: 10.1109/IGARSS.1994.399504.
[65]	OH Y, SARABANDI K, ULABY F T, 1992. An empirical model and an inversion technique for radar scattering from bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 30(2):370-381.
[66]	POHN H A, OFFIELD T W, WATSON K, 1974. Thermal inertia mapping from satellite-discrimination of geology unit in Oman[J]. Journal of Research of the U.S. Geological Survey, 2(2): 147-158.
[67]	PRICE J C, 1985. On the analysis of thermal infrared imagery: The limited utility of apparent thermal inertia[J]. Remote Sensing of Environment, 18(1): 59-73.
[68]	SADEGHI M, JONES S B, PHILPOT W D, 2015. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands[J]. Remote Sensing of Environment, 164: 66-76.
[69]	SANDHOLT I, RASMUSSEN K, ANDERSEN J, 2002. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment, 79(2/3): 213-224.
[70]	SHUKLA J, MINTZ Y, 1982. Influence of land-surface evapotranspiration on the earthʼs climate[J]. Science, 215(4539): 1 498-1 501.
[71]	SREEDEEP S, RESHMA A C, SINGH D N, 2004. Measuring soil electrical resistivity using a resistivity box and a resistivity probe[J]. Geotechnical Testing Journal, 27(4): 411-415.
[72]	SRIVASTAVA P K, HAN D W, RAMIREZ M R, et al, 2013. Machine learning techniques for downscaling SMOS satellite soil moisture using MODIS land surface temperature for hydrological application[J]. Water Resources Management, 27(8): 3 127-3 144.
[73]	STOGRYN A, 1967. Electromagnetic scattering from rough, finitely conducting surfaces[J]. Radio Science, 2(4): 415-428.
[74]	TAO L L, WANG G J, CHEN X, et al, 2019. Soil moisture retrieval using modified particle swarm optimization and back-propagation neural network[J]. Photogrammetric Engineering and Remote Sensing, 85(11): 789-798.
[75]	TONG C, WANG H Q, MAGAGI R, et al, 2020. Soil moisture retrievals by combining passive microwave and optical data[J]. Remote Sensing, 12(19). DOI: 10.3390/rs12193173.
[76]	ULABY F T, SARABANDI K, MCDONALD K, et al, 1990. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing, 11(7): 1 223-1 253.
[77]	WANG J R, MCMURTREY J E III, ENGMAN E T, et al, 1982. Radiometric measurements over bare and vegetated fields at 1.4-GHz and 5-GHz frequencies[J]. Remote Sensing of Environment, 12(4): 295-311.
[78]	WEI Z S, MENG Y Z, ZHANG W, et al, 2019. Downscaling SMAP soil moisture estimation with gradient boosting decision tree regression over the Tibetan Plateau[J]. Remote Sensing of Environment, 225: 30-44.
[79]	WEIMANN A, 1998. Inverting a microwave backscattering model by the use of a neural network for the estimation of soil moisture[C]// IGARSS ʼ98. Sensing and Managing the Environment. 1998 IEEE International Geoscience and Remote Sensing. Symposium Proceedings. Seattle, WA, USA. IEEE, 1 837-1 839. DOI: 10.1109/IGARSS.1998.703668.
[80]	YEE K, 1966. Numerical solution of initial boundary value problems involving Maxwellʼs equations in isotropic media[J]. IEEE Transactions on Antennas and Propagation, 14(3): 302-307.
[81]	ZENG J Y, LI Z, CHEN Q, et al, 2015. Evaluation of remotely sensed and reanalysis soil moisture products over the Tibetan Plateau using in-situ observations[J]. Remote Sensing of Environment, 163: 91-110.
[82]	ZENG W Z, XU C, HUANG J S, et al, 2016. Predicting near-surface moisture content of saline soils from near-infrared reflectance spectra with a modified Gaussian model[J]. Soil Science Society of America Journal, 80(6): 1 496-1 506.
[83]	ZHAO T J, ZHANG L X, SHI J C, et al, 2011. A physically based statistical methodology for surface soil moisture retrieval in the Tibet Plateau using microwave vegetation indices[J]. Journal of Geophysical Research, 116(D8), D08116. DOI: 10.1029/2010JD015229.
[84]	ZHAO W, SÁNCHEZ N, LU H, et al, 2018. A spatial downscaling approach for the SMAP passive surface soil moisture product using random forest regression[J]. Journal of Hydrology, 563: 1 009-1 024.