土壤水分是全球水、能源和碳循环中的一个关键变量，也是作物生长、作物产量估算和干旱监测的一个重要参数。因此，获得广域、高精度和高时空分辨率的土壤水分在农业生产、天气预报和洪涝预警等多个方面具有重要的科学意义。针对当前旱区地表土壤水分（SSM）反演过程中地物散射解耦不充分、传统算法先验参数过多导致广域土壤水分获取难度大的问题，本文提出了一种联合Sentinel-1和Landsat 8影像反演旱区地表土壤水分的改进变化检测方法。考虑到旱区土地类型包含了建筑、水体和土壤，所提出的方法首先利用Landsat 8数据精准识别并掩膜建成区和水体，然后集中利用Sentinel-1 SAR影像提取SSM时间序列。
首先，所有Sentinel-1影像基于Sentinel应用平台（SNAP）进行预处理。应用轨道校正、滤波和地形校正等步骤生成VV极化后向散射系数和局部入射角堆栈。此外，基于谷歌地球引擎（GEE）和Landsat 8数据集，生成月均归一化差异建筑指数（NDBI）和归一化差异水体指数（NDWI）的二值图。传统方法计算地表后向散射时，通常会忽略地表水体和建筑物的影响，一些研究直接将后向散射值小于20的部分作为水进行掩膜。然而，这种粗糙的操作会导致表面土壤后向散射系数出现误差。受到气候影响，干旱地区的植被一般较少。因此，本文顾及旱区地表的不同土地类型，将月均NDBI和NDWI进行并集运算，实现对建筑物及水体的精准识别，并且通过掩膜获得土壤高质量后向散射系数。最后，用Sentinel-1 SAR数据提取SSM时间序列是通过几个步骤进行的，包括入射角度归一化、计算干湿参考值和估计相对SSM时间序列。
本文采用了察尔汗盐湖地区2018年1月至2020年12月收集的86张Sentinel-1A降轨数据开展实验，实现了不同空间分辨率（500米、1公里和3公里）的SSM检索。实验结果表明：(1) Sentinel-1预处理后的原始后向散射系数与实测SSM之间的相关系数（r）为0.63。本方法提取的高质量后向散射与实测SSM的r约为0.73，提高了约16%。可以看出，改进变化检测方法可以减少其他地物对后向散射的影响。(2) 研究区时序SSM图显示，反演的SSM具有季节性变化。此外，由于靠近湖泊，受气候的影响较小，察尔汗盐湖附近的SSM一直较高。(3) 在500 m、1 km和3 km的空间分辨率下，SSM结果与实测数据之间的r分别为0.81、0.93和0.66，RMSE为7.23、4.63和12.11。在本研究中，1 km空间分辨率下获得了最佳反演结果。
综上所述，本文提出的改进变化检测方法增强了地物散射的解耦能力，减少了对先验知识的依赖，并获得了令人满意的SSM反演精度。此外，该方法可以为旱区的生态环境及气候变化的科学监测提供可靠的理论依据。
 

地表土壤水分,合成孔径雷达,时间序列,Sentinel-1,Landsat 8