A Study on Soil Moisture Inversion in Hetao Region of Inner Mongolia Using Sentinel-1 Data over Past Decade

doi:10.11924/j.issn.1000-6850.casb2026-0215

Abstract

Abstract:

This study evaluates the potential of Sentinel-1 synthetic aperture radar (SAR) data for retrieving surface soil moisture in the Hetao region of Inner Mongolia, a typical arid and semi-arid agricultural area, over a 10-year period from 2015 to 2024. A total of 99 Sentinel-1 GRD images were processed to obtain backscattering coefficients for both VV and VH polarizations. The backscattering coefficients were correlated with in-situ soil moisture measurements from 10 meteorological stations at depths of 10 cm and 20 cm, including volumetric water content, gravimetric water content, effective water storage, and relative humidity. The water cloud model (WCM) was applied to assess its effectiveness in vegetation correction. The results demonstrate that the VV-polarized backscattering coefficient exhibits a strong negative correlation with soil moisture at 10 cm depth, with coefficients of determination (R²) exceeding 0.75 across all moisture metrics, significantly outperforming VH polarization. In contrast, correlations with 20 cm soil moisture were weak, confirming the limited penetration depth of C-band SAR. Seasonal analysis reveals distinct temporal patterns: the highest correlations occur in July and August, while the lowest correlations appear in May during the crop emergence phase. Land cover comparison indicates robust performance across both cropland (R²=0.80) and grassland (R²=0.83) sites, though croplands exhibit stronger monthly variability due to crop phenological dynamics. The WCM showed negligible improvement in retrieval accuracy when using default empirical parameters, suggesting the need for locally calibrated vegetation parameters. These findings confirm that Sentinel-1 VV polarization provides reliable surface soil moisture estimates (0-10 cm) in semi-arid agricultural regions, with performance strongly modulated by seasonal precipitation patterns and land cover type. The methodology enables operational soil moisture monitoring to support irrigation scheduling and drought early warning in data-scarce regions.

Key words: soil moisture, Sentinel-1 SAR, retrieval, the Hetao region, data fusion, machine learning, WCM

CLC Number:

P407.2主动式遥感

LI Yaochen, HAN Xiantao, WANG Ying, LI Lu. A Study on Soil Moisture Inversion in Hetao Region of Inner Mongolia Using Sentinel-1 Data over Past Decade[J]. Chinese Agricultural Science Bulletin, 2026, 42(17): 113-120.

Figures/Tables 5

References 24

[1]	李文峰, 张丽, 赵贤, 等. 适宜内蒙古河套地区玉米优良品种筛选[J]. 中国农技推广, 2025, 41(5):27-31,50.
[2]	安淳淳, 王飞, 焦俏, 等. 华北平原典型干旱年土壤水分及灌溉特征遥感分析[J]. 中国水土保持科学, 2016, 14(5):123-129.
[3]	WALTER H G. Method of Soil Analysis[M]. Washington: Washington State University Pullman, 1986:493-544.
[4]	BELL J P, DEAN T J, HODNETT M G. Soil-moisture measurement by an improved capacitance technique.2.Field techniques, evaluation and calibration[J]. Journal of hydrology, 1987, 93(1/2):79-90. doi: 10.1016/0022-1694(87)90195-8 URL
[5]	ROBINSON D A, CAMPBELL C S, HOPMANS J W, et al. Soil moisture measurement for ecological and hydrological watershed-scale: Observations: A review[J]. Vadose zone journal, 2008, 7(1):358-389. doi: 10.2136/vzj2007.0143 URL
[6]	贺玉洁. 基于Sentinel-1/2图像融合的河套灌区解放闸土壤含盐量反演模型[D]. 杨凌: 西北农林科技大学, 2024.
[7]	樊少帅. 基于Sentinel-1/2卫星遥感数据融合的新疆农田土壤含水率反演方法研究[D]. 杨凌: 西北农林科技大学, 2025.
[8]	王龙, 宫辉力, 潘云, 等. 基于Sentinel-1 SAR数据的锡林浩特市典型草原土壤水分反演[J]. 干旱气象, 2019, 37(6):979-986.
[9]	何连, 秦其明, 任华忠, 等. 利用多时相Sentinel-1 SAR数据反演农田地表土壤水分[J]. 农业工程学报, 2016, 32(3):142-148.
[10]	蒋瑞瑞, 甘甫平, 郭艺, 等. 土壤水分多源卫星遥感联合反演研究进展[J]. 自然资源遥感, 2024, 36(1):1-13.
[11]	北京东方道迩信息技术股份有限公司. 欧空局下一代卫星Sentinels系列[J]. 遥感信息, 2011(6):119-120.
[12]	李伯祥, 陈晓勇, 徐雯婷. 基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分[J]. 水土保持研究, 2019, 26(5):39-44.
[13]	曾玲方, 李霖, 万丽华. 基于Sentinel-1卫星SAR数据的洪水淹没范围快速提取[J]. 地理信息世界, 2015, 22(5):100-103.
[14]	赵露伟, 范文义, 聂永辉. 应用双频合成孔径雷达(SAR)数据和干涉水云模型估算森林生物量[J]. 东北林业大学学报, 2024, 52(9):58-68.
[15]	马腾, 韩玲, 刘全明. 考虑地表粗糙度改进水云模型反演西班牙农田地表土壤含水率[J]. 农业工程学报, 2019, 35(24):129-135.
[16]	ATTEMA E P W, ULABY F T. Vegetation modeled as a water cloud[J]. Radio science, 1978, 13(2):357-364. doi: 10.1029/RS013i002p00357 URL
[17]	姬永杰, 徐昆鹏, 张王菲, 等. 不同波长极化SAR数据水云模型森林生物量反演对比分析[J]. 北京林业大学学报, 2023, 45(2):24-33.
[18]	ULABY F T, ALLEN C T, EGER III G. Relating the microwave backscattering coefficient to leaf area index[J]. Remote sensing of environment, 1984, 14(1):113-133. doi: 10.1016/0034-4257(84)90010-5 URL
[19]	ULABY F T, WILSON E A. Microwave attenuation properties of vegetation canopies[J]. IEEE transactions on geoscience and remote sensing, 1985, GE-23(5):746-753. doi: 10.1109/TGRS.1985.289393 URL
[20]	FUNG A K, ULABY F T. A scatter model for leafy vegetation[J]. IEEE transactions on geoscience and remote sensing, 1978, GE-16(4):281-286.
[21]	张延成. 干旱半干旱地区植被覆盖地表土壤水分反演研究[D]. 西安: 长安大学, 2019.
[22]	张亚楠, 宋小宁, 冷佩, 等. 近20年黄河流域夏季土壤水分时空变化特征及驱动因素分析[J]. 中国科学院大学学报(中英文), 2024, 41(4):477-489.
[23]	BINDLISH R, BARROS P A. Parameterization of vegetation backscatter in radar-based, soil moisture estimation[J]. Remote sensing of environment, 2001, 76(1):130-137. doi: 10.1016/S0034-4257(00)00200-5 URL
[24]	MISHRA A K, SINGH V P. A review of drought concepts[J]. Journal of hydrology, 2010, 391(1):202-216. doi: 10.1016/j.jhydrol.2010.07.012 URL

年份	日期	景数	合计景数
2015	5月25日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9	99
2016	5月27日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9
2017	5月27日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9
2018	5月11日、5月23日、6月4日、6月16日、6月28日、7月10日、7月22日、8月3日、8月15日、 8月27日、9月8日、9月20日	12
2019	5月6日、5月18日、5月30日、6月11日、6月23日、7月5日、7月17日、7月29日、8月10日、 8月22日、9月3日、9月15日、9月27日	13
2020	5月12日、5月24日、6月5日、6月17日、6月29日、7月11日、7月23日、8月4日、8月16日、 8月28日、9月21日	11
2021	5月7日、5月19日、7月6日、8月11日、8月23日、9月4日、9月16日、9月28日	8
2022	5月2日、5月26日、7月25日、8月6日	4
2023	5月9日、5月21日、6月2日、6月14日、6月16日、6月21日、7月15日、8月8日、8月15日、8月20日、8月27日、9月8日、9月13日、9月18日、9月20日	15
2024	5月27日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9

年份	日期	景数	合计景数
2015	5月25日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9	99
2016	5月27日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9
2017	5月27日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9
2018	5月11日、5月23日、6月4日、6月16日、6月28日、7月10日、7月22日、8月3日、8月15日、 8月27日、9月8日、9月20日	12
2019	5月6日、5月18日、5月30日、6月11日、6月23日、7月5日、7月17日、7月29日、8月10日、 8月22日、9月3日、9月15日、9月27日	13
2020	5月12日、5月24日、6月5日、6月17日、6月29日、7月11日、7月23日、8月4日、8月16日、 8月28日、9月21日	11
2021	5月7日、5月19日、7月6日、8月11日、8月23日、9月4日、9月16日、9月28日	8
2022	5月2日、5月26日、7月25日、8月6日	4
2023	5月9日、5月21日、6月2日、6月14日、6月16日、6月21日、7月15日、8月8日、8月15日、8月20日、8月27日、9月8日、9月13日、9月18日、9月20日	15
2024	5月27日、6月20日、7月14日、7月26日、8月7日、8月19日、8月31日、9月12日、9月24日	9