前言
Google Earth Engine (GEE) 在处理影像数据方面非常高效，尤其是在面对大规模、多时段数据时，它的云计算能力可以帮助我们省去在本地软件间反复转换数据格式和处理的麻烦。借助GEE，我们可以轻松调用海量的遥感数据资源，并通过其强大的工具集进行数据处理和分析。在这篇文章中，我尝试基于GEE平台，以Sentinel-1雷达数据和Sentinel-2光学为数据源，使用水云模型，进行在植被覆盖下的土壤水分含量的反演。
注意：
- C波段穿透能力弱，不太适合森林植被下的土壤水分含量反演，较适合于低矮的农作物
- 这里我只反演到土壤后向散射系数，若有实测数据可将实测数据导入到gee建立回归方程
- Sentinel-1的GRD数据是已经进行热噪声去除、辐射定标和地形校正后的数据
- 虽然我们很多文章都是用这个模型去提取土壤后向散射系数，并试图去除上层植被和土壤粗糙度的影响，但在我看来这种方式不确定性较大，我都不大确定该像元的回波是否包含有土壤反射。如果从机理上想直接分割出土壤回波的部分那也极其困难。
代码块，下文的参数设置可结合我上一篇推文《【实操】植被覆盖下的土壤水分含量反演》看
Map.centerObject(roi01,7);
// 加载光学、SAR数据
// 筛选光学影像并计算 MNDWI
var Optical_dataset = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED")
var SARdataset =ee.ImageCollection("COPERNICUS/S1_GRD")
var dataset1 = Optical_dataset.filterBounds(roi01)
.filterDate("2023-7-1","2023-9-1")
.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',5));
var image1=dataset1.first().clip(roi01).divide(10000)
Map.addLayer(image1, {min: 0, max: 0.3,bands: ['B4', 'B3', 'B2']},"RGB")
var visParam = {
min: -1,
max: 1,
palette: ["FFFFFF", "CE7E45", "DF923D", "F1B555", "FCD163",
"99B718", "74A901", "66A000", "529400", "3E8601",
"207401", "056201", "004C00", "023B01", "012E01",
"011D01", "011301"]
};
var MNDWI01=image1.expression("(R-SWIR)/(R+SWIR)",{
"R":image1.select("B4"),"SWIR":image1.select("B11")}).rename('MNDWI')
print(MNDWI01)
Map.addLayer(MNDWI01, visParam, "MNDWI01");
// 筛选SAR影像并计算，找到一副与光学影像日期靠近的影像
var SARdataset = ee.ImageCollection('COPERNICUS/S1_GRD').filterBounds(roi01)
.filterDate("2023-7-1","2023-9-1")
.filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
.filter(ee.Filter.eq('instrumentMode', 'IW'))
.select('VV')
var imgVV01=ee.Image('COPERNICUS/S1_GRD/S1A_IW_GRDH_1SDV_20230808T103530_20230808T103555_049783_05FC90_EE91')
// 对用于水云模型的影像进行波段叠加
var sar_vv= imgVV01.clip(roi01).select('VV').rename('all_ref')
var sar_angle=imgVV01.clip(roi01).select('angle')
// Map.addLayer(imgVV01.select('VV'), {min: -25, max: 5})
Map.addLayer(sar_vv, {min: -25, max: 5})
// Map.addLayer(sar_angle, {min: 0, max: 90})
var all_layer = sar_vv.addBands(sar_angle).addBands(MNDWI01);
// 参照水云模型的公式对土壤后向散射系数求解
function soil_ref(image){
// 计算植被层的双程衰减因子
var T2 = image.expression(
'exp(-2 * 0.3334 * MNDWI / cos(angle))', {
'MNDWI': image.select('MNDWI'),
'angle': image.select('angle')});
// 植被层后向反射系数
var veg_back = image.expression(
'0.1449 * MNDWI * cos(angle) * (1 - T2)', {
'MNDWI': image.select('MNDWI'),
'angle': image.select('angle'),
'T2': T2});
// 计算土壤层后向反射系数
var soil_back = image.select('all_ref').subtract(veg_back).divide(T2);
// 返回 soil_back
return soil_back;}
// 应用 soil_ref 函数
var soil = soil_ref(all_layer);
Map.addLayer(soil, {min: -25, max: 35},"soil")
// 导出数据
// Export.image.toDrive({
// image: soil,
// description: 'soil_ref',
// scale: 10,
// region: roi01,
// maxPixels: 1e13
// });
