3. 遥感数据源介绍：光学遥感与微波遥感的特点对比
做土壤湿度融合分析，第一步就是选数据源。说白了，你得知道手里拿的遥感数据到底能干什么、不能干什么。我这些年跟MODIS、Landsat、SMAP、SMOS、Sentinel-1打交道不少，踩过坑也攒了些经验。今天就把它们的特点掰开揉碎了讲一讲。
3.1 光学遥感：MODIS与Landsat
光学遥感，靠的是太阳反射光。天晴的时候效果很好，一有云就抓瞎。这是它的天生短板。
3.1.1 MODIS
MODIS搭载在Terra和Aqua两颗卫星上。我个人习惯叫它「大宽幅扫描仪」——幅宽2330公里，每天能覆盖全球一次。时间分辨率极高，这是它最大的优势。
核心参数：
- 空间分辨率：250m（波段1-2）、500m（波段3-7）、1000m（其余波段）
- 时间分辨率：1-2天
- 光谱波段：36个，覆盖0.4-14.4μm
- 运行时间：Terra（1999年至今）、Aqua（2002年至今）
我在做区域尺度的土壤湿度反演时，经常用MODIS的地表温度产品（MOD11A1）和植被指数产品（MOD13A2）。为什么？因为它的热红外波段能提供地表温度信息，而温度-植被指数三角法正是估算土壤湿度的经典方法。
我的经验：MODIS的250m分辨率对于县级以上的农业监测够用了。但要注意，它的像元是混合像元——一个250m的格子可能同时包含农田、水体和裸地。做湿度反演时，最好先做一下像元纯度检验。
3.1.2 Landsat
Landsat系列是遥感界的「老大哥」。从1972年的Landsat 1到现在的Landsat 9，积累了50多年的连续观测数据。空间分辨率30m，比MODIS精细得多。
| 参数 | Landsat 8 OLI/TIRS | Landsat 9 OLI-2/TIRS-2 |
|---|---|---|
| 空间分辨率 | 30m（多光谱）、15m（全色） | 30m（多光谱）、15m（全色） |
| 时间分辨率 | 16天 | 16天 |
| 光谱波段 | 11个 | 11个 |
| 辐射分辨率 | 12 bit | 14 bit |
Landsat的优势在于空间细节。举个例子，我在河南某灌区做项目时，MODIS只能看出大致的湿度分布，而Landsat能清晰分辨出每条灌溉渠两侧的湿度差异。但16天的重访周期是个硬伤——遇到连续阴雨，一等就是一个月。
避坑指南：我曾经用Landsat做时间序列分析，结果发现夏季数据有一半以上被云覆盖。后来学乖了，要么用Landsat的像元质量波段（QA波段）做云掩膜，要么干脆跟MODIS做时空融合。记住：光学遥感数据，云是最大的敌人。
3.2 微波遥感：SMAP、SMOS与Sentinel-1
微波遥感就不一样了。它主动发射微波或者接收地表自然辐射，穿透云层的能力很强。说白了，阴天下雨照样干活。
3.2.1 SMAP与SMOS
这两个都是专门为土壤湿度监测设计的卫星。SMAP是美国NASA的，SMOS是欧洲ESA的。它们都工作在L波段（1.4GHz），这个频率对土壤水分非常敏感。
SMAP核心参数：
- 工作频率：1.41 GHz（L波段）
- 空间分辨率：36km（辐射计）、3km（雷达，已失效）
- 时间分辨率：2-3天
- 探测深度：0-5cm表层土壤
- 数据产品：土壤湿度（0.04 m³/m³精度）
SMOS跟SMAP类似，但它的空间分辨率稍低（约43km），而且采用干涉式合成孔径成像。我记得第一次用SMOS数据时，被它的「面包圈」状亮温图像搞晕了——后来才知道那是干涉测量的特点。
为什么L波段适合测土壤湿度？因为水的介电常数（约80）远大于干土（约3-5）。土壤含水量越高，介电常数越大，微波辐射的亮温就越低。这个物理机制很直接，反演精度也相对可靠。
我的建议：SMAP和SMOS的空间分辨率都在几十公里级别，直接用于田块尺度肯定不行。我通常的做法是：用SMAP/SMOS提供大范围的湿度背景场，再用高分辨率数据做降尺度。说白了，粗网格做趋势，细网格做细节。
3.2.2 Sentinel-1
Sentinel-1是C波段（5.405GHz）合成孔径雷达（SAR）。跟SMAP/SMOS不同，它是主动微波——自己发射脉冲，接收地面回波。空间分辨率能达到10m甚至5m，非常精细。
| 参数 | Sentinel-1A/B |
|---|---|
| 工作模式 | IW（干涉宽幅）、SM（条带）、EW（超宽幅） |
| 空间分辨率 | 5m×20m（IW模式） |
| 时间分辨率 | 6天（双星）、12天（单星） |
| 极化方式 | VV+VH（双极化） |
| 幅宽 | 250km（IW模式） |
Sentinel-1的厉害之处在于：它能穿透植被冠层，获取地表信息。C波段虽然不如L波段穿透深，但对于农作物覆盖区（如玉米、小麦）效果还不错。我做过对比：在冬小麦拔节期，Sentinel-1的后向散射系数与土壤湿度的相关系数能达到0.7以上。
注意：SAR数据不是拿来就能用的。它受地形影响很大——山区的雷达阴影和叠掩效应会让数据完全失真。我曾经在云南某山地试验区吃过亏，后来老老实实做了地形校正。另外，C波段对地表粗糙度也很敏感，反演土壤湿度时最好同步获取粗糙度参数。
3.3 光学与微波的对比总结
说了这么多，咱们来做个对比。你想想看，选数据源其实就是在权衡几个维度：空间分辨率、时间分辨率、穿透能力、受天气影响程度。
| 对比维度 | MODIS | Landsat | SMAP/SMOS | Sentinel-1 |
|---|---|---|---|---|
| 空间分辨率 | 250-1000m | 30m | 36-43km | 5-20m |
| 时间分辨率 | 1-2天 | 16天 | 2-3天 | 6-12天 |
| 穿透能力 | 无（仅地表） | 无（仅地表） | 强（L波段） | 中等（C波段） |
| 天气影响 | 严重（云） | 严重（云） | 几乎无影响 | 几乎无影响 |
| 湿度反演方法 | 热红外/植被指数法 | 热红外/植被指数法 | 辐射传输模型 | 后向散射模型 |
| 典型应用尺度 | 区域/全球 | 田块/流域 | 全球/大区域 | 田块/小流域 |
嗯，这里要特别强调一点：没有完美的数据源。我见过很多新手一上来就想用Sentinel-1做全国尺度的湿度监测，结果发现数据量太大、处理太慢。也见过有人死磕MODIS的低分辨率，非要看出田块级别的差异——这都不现实。
我的融合思路：在实际项目中，我通常采用「光学+微波」的组合策略：
- 用SMAP/SMOS提供大范围、高时间分辨率的湿度背景
- 用MODIS提供中等分辨率的植被和温度信息
- 用Landsat或Sentinel-1提供高空间分辨率的细节
- 最后通过时空融合算法（如STARFM、ESTARFM）生成每日、高分辨率的土壤湿度产品
说白了，这就是取长补短。光学数据时间分辨率高但怕云，微波数据不怕云但空间分辨率低——把它们融合起来，才能得到真正实用的土壤湿度产品。
下一章，我会具体讲怎么用Python实现MODIS和Sentinel-1的数据融合。到时候会贴代码，咱们手把手过一遍流程。