Estimating surface-soil moisture for retrieving maize leaf-area index from SAR data

Abstract

The leaf-area index (LAI) is a key parameter for coupling earth-observation data with crop-growth models from the perspective of crop-yield forecasting. Remote sensing is of particular interest in estimating LAI over large areas. SAR data, thanks to their systematic acquisition, offer an ideal temporal resolution throughout the crop-growing season. Nevertheless, surface soil dielectric permittivity, which is strongly correlated with soil moisture, also affects the SAR signal. Thus, surface-soil permittivity or moisture has to be taken into account. This study tackles the issues related to soil influence on the SAR signal in monitoring maize crop growth. Different methods of assessing surface-soil moisture or permittivity are explored in order to retrieve LAI values from SAR data. The first method is based on a hydrological model — the soil, water, atmosphere, and plant (SWAP) model — with which the surface-soil moisture level can be estimated as a function of time. This method is tested with two kinds of meteorological data as inputs for the hydrological model: ground meteorological data and estimated meteorological data. The second method resorts to ground-penetrating radar, an alternative means of estimating surface-soil permittivity. This study demonstrates that both soil-moisture levels estimated by the SWAP model and soil permittivity measured by ground-penetrating radar can be successfully used for retrieving maize LAI values from SAR data using the water cloud model.

L'indice de surface foliaire (LAI) est un paramètre clé pour faire du suivi agricole. La télédétection constitue une approche intéressante pour estimer le LAI sur de grandes surfaces. Les données SAR, grâce à leurs acquisitions systématiques, permettent une couverture temporelle idéale pour estimer le LAI tout au long de la période de croissance de la culture. Néanmoins, la permittivité diélectrique du sol de surface, liée à l'humidité de celui-ci, affecte égalementle signal SAR. Ainsi, la permittivité ou l'humidité du sol de surface doit être également prise en compte. Cette étude traite de l'influence du sol sur le signal SAR pour le suivi agricole. Différentes façons d'estimer l'humidité ou la permittivité du sol de surface sont explorées dans cet article dans un but d'estimer le LAI du maïs à partir d'images SAR. Grâce à une première méthode, qui utilise un modèle hydrologique — le modèle SWAP («soil, water, atmosphere, and plant model»), l'humidité du sol de surface peut être bien estimée. Cette méthode a été testée avec deux types de données météorologiques à entrer dans le modèlehydrologique: des données collectées sur le terrain et des données estimées. Une deuxième expérience a été menée dans laquelle la permittivité du sol de surface est mesurée par un «radar de pénétration du sol». Les résultats montrent qu'autant l'humidité du sol modélisée avec le modèle SWAP que la permittivité du sol mesurée avec un «radar de pénétration du sol» permettent d'estimer le LAI à partir d'images SAR en utilisant le modèle du nuage («water cloud model»).

[Traduit par la Rédaction]

Acknowledgements

This research was funded through STEREO II grant SR/00/101 (GLOBAM project) of the Belgian Science Policy. The ERS and ENVISAT SAR data were provided by the European Space Agency under the Category 1 Project. The parcel delineations were made available by the Direction of Agriculture of the Walloon Region. The authors also thank Allard de Wit for recommending the SWAP model.