一、墒情遥感监测是什么

土壤墒情是指土壤含水量的多少及其对作物生长的适宜程度，是判断农田旱情、指导灌溉决策的关键指标。传统墒情监测主要依靠土壤水分站网人工取土烘干或自动传感器观测，点位稀疏、更新慢，一个县级区域往往只有几十个固定站点，难以反映墒情在空间上的真实分布，不同地块之间"哪旱哪不旱"常常说不清。

墒情遥感监测，是利用卫星或无人机遥感影像，通过反演模型推算地表土壤水分的一种技术手段。它能够在短短几天甚至一天之内，获得覆盖全县、全市乃至全省的墒情分布图，把"点状观测"升级为"面上掌握"，这是传统手段难以做到的。

其基本流程是：获取遥感影像，提取与土壤水分相关的光谱、温度、微波等信号，建立反演模型，输出墒情等级图，再结合气象与地面站点数据加以修正。近年来，随着Sentinel-1/2、高分系列、风云系列等卫星数据的开放共享，以及AI算法在模型反演中的成熟应用，墒情遥感监测已在春旱监测、夏收夏种墒情保障、秋播墒情评估等场景中实现业务化运行。时维遥感依托多源卫星数据与地面标定网络，可对冬小麦返青、玉米播种等关键农时的土壤墒情开展大范围监测，为农业部门决策提供及时依据。

二、监测原理

遥感监测墒情的原理，根植于土壤水分对电磁波的物理响应，核心机制主要有三条。

一是光谱吸收机理。土壤中的水分子在特定波段存在强吸收，含水土壤在近红外和短波红外波段的反射率明显低于干土，利用这种反射差异可以反推表层土壤含水量，这也是众多光学水分指数的基础。

二是温度变化机理。水的热容量大于干土，含水多的土壤白天升温慢、夜间降温也慢，地表温度及其昼夜温差与土壤湿度呈负相关，因此热红外数据也能刻画墒情的空间分布，温度植被干旱指数就是利用这一机理构建的。

三是介电常数机理。水的相对介电常数约为80，而干土仅为3左右，土壤微波后向散射与介电特性密切相关，主动微波（合成孔径雷达SAR）与被动微波（SMOS、SMAP等）正是利用这一特性反演水分，且不受云雨影响，具备全天候观测能力。

实际操作中，单一机理各有短板：光学反演受云与植被覆盖限制，只反映很浅的表层；微波反演精度受地表粗糙度与植被影响较大。因此工程化方案普遍采用多源数据协同，把可见光-近红外、热红外、微波信号综合建模，提高反演稳定性与可用数据率。

三、反演方法

墒情反演方法大体可分为经验模型、物理模型、统计学习模型三类。

• 经验模型：直接建立遥感指数与实测土壤水分之间的回归关系，典型如温度植被干旱指数（TVDI）、归一化差异水分指数（NDWI）、垂直干旱指数（PDI）等。模型简单、计算快，适合区域快速监测，但依赖实测数据标定，跨区域迁移能力有限。
• 物理模型：基于土壤-植被-大气系统的能量平衡与水分传输机理构建，如表面能量平衡系统（SEBS）等，物理基础扎实，但参数繁多、对输入数据要求高，业务化难度较大。
• 统计学习与深度学习模型：把遥感多波段、多时相、多角度数据作为特征，用随机森林、XGBoost、神经网络等模型学习与墒情的非线性关系。时维遥感的实践表明，融合光学指数、微波后向散射与气象因子的机器学习方案，在华北、东北等典型农区的表层墒情反演中均方根误差控制在较小范围，明显优于单一指数法。

方法选择上，宜根据监测对象分层施策：大面积、快节奏的旱情普查用TVDI等指数法；重点灌区、关键农时用机器学习精算；需要剖面水分数据时再辅以土壤水分传感器定点标定。三种方法共用一套地面真值数据，相互校验、取长补短，兼顾了速度与精度。

四、数据获取

墒情遥感监测的数据获取，核心要解决"分辨率、重访周期、时效性、连续性"四个匹配问题。

• 光学多光谱数据：中分辨率（10-30米）影像如Sentinel-2、高分一号/六号，重访周期短、获取成本低，适合旬尺度墒情普查；亚米级影像用于重点地块的精细核查。
• 热红外数据：如MODIS、Landsat的热红外通道，支撑地表温度类指数反演，MODIS双星组合可实现每日覆盖，时效性好。
• 微波数据：主动微波如Sentinel-1、高分三号SAR数据，穿透云层、昼夜可用，适合雨季与云雾频繁地区；被动微波如SMAP提供全球土壤水分产品，作为大尺度背景场参考。
• 地面标定数据：田间自动土壤水分传感器、人工取土烘干数据，作为反演模型训练与验证的"真值"，是保障精度的关键环节，直接影响反演结果的可信度。

数据管理上，宜建立"卫星数据自动获取—云端预处理—墒情产品生成—推送共享"的流水线，把异构数据统一到同一投影与网格，减少人工下载与转换的时间成本。需要特别强调的是，墒情监测的时效性要求很高，春旱、伏旱期间往往需要"当日影像、当夜成图、次日发布"，这要求自动化预处理与快速反演能力，这也是时维遥感在服务各地农业部门时反复打磨的核心能力。

五、旱情预警应用

墒情遥感监测最重要的落地场景，就是旱情监测与预警。

在旱情判定方面，将反演的土壤水分数据对照作物需水临界值与墒情等级标准，划分轻旱、中旱、重旱、特旱等级，形成旱情分布图。时维遥感的业务中，通常结合连续10日、20日的墒情演变趋势，判定旱情处于"发展中、持续中、缓解中"哪种状态，避免单日快照造成误判。

在旱情预警方面，把遥感墒情与气象预报耦合，例如未来一周无有效降水叠加墒情持续偏低，即可提前发布预警信息，为灌溉调度、抗旱物资调运、人工增雨决策争取时间窗口。相比靠群众报灾、实地查灾的传统方式，遥感预警往往能提前7-10天掌握旱情苗头，变"被动救灾"为"主动防灾"。

在精准指导方面，墒情分布图与地块边界叠加后，可以做到"一田一策"：重旱区优先安排灌溉水源，轻度缺水区推广滴灌、喷灌等节水措施，未受旱区避免盲目灌溉、节约水资源。对冬小麦返青水、春玉米播种水等关键灌溉决策，遥感墒情图让"该不该浇、浇哪里、先浇谁"有了清晰的数据依据。

在灾损评估方面，旱情遥感监测还可与产量模型衔接，估算受旱减产的面积与幅度，服务农业保险查勘定损与灾害救助资金分配，让救灾资源投向最需要的地方。

六、精度与局限

任何技术都有边界，墒情遥感监测也需要正视其精度与局限。

• 浅层限制：光学与微波反演主要反映表层（约0-5厘米或0-10厘米）水分，而作物根系吸水深度可达数十厘米，表层水分与根层墒情并不完全一致，需要借助土壤水分平衡模型或观测站点数据向下外推。
• 植被干扰：植被冠层会"遮挡"土壤信号，叶面积指数较高时反演不确定性增大，作物封垄期墒情监测精度下降，通常需要融合植被含水量信息加以修正。
• 云雨影响：光学与热红外反演依赖晴空影像，多雨季节可用影像少，需依赖SAR微波补充；而SAR本身受地表粗糙度、种植行向影响，也会引入误差。
• 空间尺度：被动微波分辨率粗（数十公里），难以刻画县域尺度的墒情细节，需借助降尺度算法并与主动微波、地面站点融合。
• 真值依赖：反演精度高度依赖地面实测数据的数量与代表性，站点稀疏地区误差往往偏大，前期标定投入不可省。

针对上述局限，工程化方案通常采用"遥感反演+地面标定+模型同化"的组合拳：多源卫星互补提高可用数据率，机器学习融合降低单源误差，站点数据实时校正提升时效与稳定性。同时要认识到，遥感墒情更适合"相对变化与趋势判断"，绝对值精确测定仍需田间实测支撑，两者结合才是最优路径。

七、实施建议

对农业、水利部门及农技推广体系而言，开展墒情遥感监测可以从五个方面落地。

• 一是"布好地面标定网"。在县域按土壤类型、地形、作物布局布设墒情自动监测站点，站点数据既是业务上报数据，又是遥感反演的标定真值，一份投入多方受益。
• 二是"建立多源数据接入机制"。打通气象、水利、自然资源等部门的卫星数据与站网数据，形成墒情监测的数据底座，避免重复建设、数据孤岛。
• 三是"产品按需定制"。旱季以旬报、周报为主，关键农时加密到日报；产品形式包括墒情等级图、距平分析、趋势预报、短信与公众号推送，贴合基层使用习惯。
• 四是"与农事决策闭环"。把墒情结果接入灌溉调度、抗旱预案、农险理赔流程，让数据真正变成行动，而非停留在"一张图"上。
• 五是"循序渐进、边建边用"。先在一两个重点产粮大县示范，验证精度与成本后逐步扩展；专业能力可依托时维遥感等团队，快速补齐算法与平台短板。

结语

墒情是农业生产的"晴雨表"，看不见、摸不着，却关系着每一株作物的收成。遥感技术让墒情从"点测"走向"面控"，从"事后报告"走向"事前预警"。面对气候变化背景下旱涝灾害频发的现实，遥感+AI的墒情监测能力将成为农田水利调度与防灾减灾的重要支撑。时维遥感将持续打磨墒情反演算法与产品体系，与各地农业部门一道，把"天上看水"的蓝图变成"田里保水"的实效。

时维遥感——遥感+AI，让农业更智慧