Improving Soil Moisture Data Retrieval From AirbornernL-Band Radiometer Data by Considering SpatiallyrnVarying Roughness

摘要

This study presents the retrieval of near-surface soil moisture data below crop canopies (winter rye and winter barley)rnfrom airborne L-band radiometer observations using a radiative transfer model at very dry soil moisture conditions (<15 Vol.%).rnUsing physically based models, the roughness parameterization plays a crucial role for the description of the surface emissivity.rnA two-step optimization procedure was performed for choosing an optimal roughness value to minimize the uncertainty of soilrnmoisture estimates. A crop-type specific roughness parameterization within the model did not show satisfactory soil moisturernresults. Instead, a “pixel”-based (spatially varying) roughness parameter optimization provided significantly improved results,rnalso indicating a strong relationship between the optimal roughness parameter value and the Normalized Difference VegetationrnIndex (NDVI) derived from imaging spectrometer data. Our results demonstrate the importance of treating surface roughnessrnas spatially variable when retrieving soil moisture information from high spatial resolution L-band brightness temperature data.rnFurthermore, the results strongly indicate that a combination of passive microwave observations and optical remote sensing datarnof the vegetation improve the mapping and monitoring of surface soil moisture.%Cette étude présente l'estimation de l'humidité du sol près de la surface sous des couverts végétaux (seigle d'hiver et orge d'hiver) à partir d'observations d'un radiomètre aéroporté en bande-L en utilisant un modèle de transfert radiatif sous des conditions très sèches d'humidité du sol (<15 % par volume). En utiEsant des modèles basés sur la physique, les paramètres de rugosité jouent un rôle crucial pour la description de l'émissivité de la surface. Une procédure d'optimisation en deux étapes a été utilisée pour le choix d'une valeur de rugosité optimale pour minimiser l'incertitude des estimations d'humidité du sol. L'utilisation de paramètres de rugosité spécifiques au type de culture au sein du modèle n'a pas montré des résultats satisfaisants pour l'estimation de l'humidité du sol. Au heu de cela, une optimisation pour les paramètres de rugosité à chaque pixel (c.-à-d. variable spatialement) a fourni une amélioration significative des résultats, indiquant également une forte relation entre la valeur optimale du paramètre de rugosité et le « Normalized Difference Vegetation Index » dérivé de données d'imagerie spectrométrique. Nos résultats démontrent l'importance de traiter la rugosité de surface comme une variable variant spatialement lors de l'estimation de l'humidité du sol à partir de données à haute résolution spatiale de la température de brillance en bande-L. En outre, les résultats montrent clairement que la combinaison d'observations micro-ondes passives et de données de télédétection optique de la végétation améliore la cartographie et la surveillance de l'humidité du sol en surface.