Earth Research from SpaceEarth Research from SpaceИсследование Земли из космоса0205-96143034-5405The Russian Academy of Sciences65917610.31857/S0205961423050068XDTCXUМЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИSoil Moisture Estimation by Radar Data Based on Multiple RegressionОценка влажности почвы по радарным данным на основе множественной регрессииRodionovaN. V.РодионоваН. В.rnv1948123@yandex.ruInstitute of Radioengineering and Electronics, RASИнститут радиотехники и электроники им. В.А. Котельникова РАН, Фрязинский филиал010920235132220022025Copyright ©; 2023, Н.В. РодионоваCopyright ©; 2023, Н.В. Родионова2023Н.В. РодионоваН.В. Родионоваhttps://journals.eco-vector.com/0205-9614/article/view/659176

The task of soil moisture assessing by remote (satellite) methods remains relevant up to the present time. Regression models based on the correlation of radar data with ground measurements of soil moisture are constructed to assess soil moisture in the work. Ground-based measurements were taken at two stations in Germany (Falkenberg and Gevenich), which are part of the ISMN (International Soil Moisture Network) worldwide soil moisture data network. Sentinel-1 satellite data is used as radar data. Multiple regressions with a determination coefficient up to 0.91 are constructed. It is proposed to use not only radar, but also meteorological data in regressions, which allows increasing the coefficient of determination and reducing the standard error of regression. For the possible spread of regressions obtained for one territory to another territory, two criteria are selected: the proximity of the values of the Selyaninov hydrothermal coefficient and the similarity of the soil texture. According to these conditions, two stations in the Ryazan region and in Kalmykia were chosen, whose archival information on soil moisture is contained in the ISMN database up to 1998. Each of the selected stations satisfies only one of the criteria.

Задача оценки влажности почвы дистанционными (спутниковыми) методами остается актуальной вплоть до настоящего времени. Для оценки влажности почвы в работе построены регрессионные модели на основе корреляции радарных данных с наземными измерениями влажности почвы. В качестве наземных выбраны измерения на двух станциях в Германии (Falkenberg и Gevenich), входящих в всемирную сеть данных по влажности почвы ISMN (International Soil Moisture Network). В качестве радарных используются данные спутника Sentinel-1. Построены множественные регрессии с коэффициентом детерминации до 0.91. Предлагается использовать в регрессиях не только радарные, но и метеоданные, что позволяет увеличить коэффициент детерминации и уменьшить стандартную ошибку регрессии. Для возможного распространения регрессий, полученных для одной территории, на другую территорию, в работе предложены два критерия: близость значений гидротермального коэффициента Селянинова (ГТК) и схожесть текстуры почвы. По этим условиям выбраны две станции в Рязанской области и Калмыкии, архивная информация которых по влажности почвы содержится в базе данных ISMN до 1998 г. Каждая из выбранных станций удовлетворяет только одному из выбранных критериев.

ground and satellite measurementsvolume soil moistureSpearman correlation coefficientmultiple regressionSCCsoil textureназемные и спутниковые измеренияобъемная влажность почвыкоэффициент корреляции Спирменамножественная регрессияГТКпочвенная текстураРодионова Н.В. Корреляция радарных данных Sentinel-1 с наземными измерениями температуры и влажности почвы // Исслед. Земли из космоса. 2018. № 4. С. 32–42. https://doi.org/10.31857/S020596140002354-0Селянинов Г.Т. О сельскохозяйственной оценке климата // Труды по сельскохозяйственной метеорологии. 1928. Вып. 20. С. 165–177.Селянинов Г.Т. Принципы агроклиматического районирования СССР // Вопросы агроклиматического районирования СССР. М.: МСХ СССР. 1958. С. 7–14.Шумова Н.А. Количественные показатели климата в приложении к оценке гидротермических условий в Республике Калмыкия // Аридные экосистемы. 2021. Т. 27. № 4(89). С. 13–24. https://doi.org/10.24412/1993-3916-2021-4-13-24Beale J., Snapir B., Waine T., Evans J., Corstanje R. The significance of soil properties to the estimation of soil moisture from C-band synthetic aperture radar // https://doi.org/. Preprint. Discussion started: 28 June 2019. Author(s) 2019. CC BY 4.0 License.https://doi.org/10.5194/hess-2019-294Blumberg D.G., Freilikher V., Lyalko I.V., Vulfson L.D., Kotlyar A.L., Shevchenko V.N., Ryabokonenko A.D. Soil moisture (water-content) assessment by an airborne scatterometer // Rem. Sens. Environm. 2000. V. 71. P. 309–319.Chen K., Wu T.-D., Tsang L., Li Q., Shi J., Fung A. Emission of rough surfaces calculated by the integral equation method with comparison to three-dimensional moment method simulations // IEEE Trans. Geosci. Remote Sens. 2003. 41. P. 90–101.Dubois P., van Zyl J., Engman T. Measuring soil moisture with imaging radars // IEEE Trans. Geosci. Remote Sens. 1995. 33. P. 915–926. http://ieeexplore.ieee.org/document/406677/https://doi.org/10.1109/36.406677Jackson T.J., Schmugge T.J. Passive microwave remote-sensing system for soil moisture. Some supporting research // IEEE Trans. GRS. 1989. V. 27. P. 225–235.Oh Y., Sarabandi K., Ulaby F. An empirical model and an inversion technique for radar scattering from bare soil surfaces // IEEE Trans. Geosci. Remote Sens. 1992. 30. P. 370–381. https://doi.org/10.1109/36.134086Srivastava H.S., Patel P., Navalgund R.R. How far SAR has fulfilled its expectation for soil moistureRetrieval // SPIE Digital Library. 2006. 6410. Nov. 13–17. Paper No. 64100. P. 1–12.Wu T.-D., Chen K., Shi J., Fung A. A transition model for the reflection coefficient in surface scattering // IEEE Trans. Geosci. Remote Sens. 2001. 39. P. 2040–2050.