CN102455282A - 测量土壤含水量的方法 - Google Patents

Abstract

本发明公开了一种测量土壤含水量的方法，包括以下步骤：S1、利用可见光、近红外及热红外波段的遥感数据计算TVDI，得到第一TVDI特征空间；S2、根据地面气象观测数据设定不同的土壤含水量，然后将土壤含水量数据输入生态过程模型，计算出不同土壤含水量条件下的植被温度和地表温度；S3、将植被结构参数及土壤含水量输入辐射传输模型，计算出不同土壤含水量条件下植被的可见光和近红外波段反射光谱；S4、根据植被和地表温度，及可见光和近红外波段反射光谱计算TVDI得到第二TVDI特征空间，然后对第二TVDI特征空间进行斜率划分；S5、建立斜率与土壤含水量Y之间的定量关系方程；S6、得到空间连续覆盖的土壤含水量分布结果。本发明能定量测量土壤含水量、精度高。

Description

测量土壤含水量的方法

技术领域

本发明涉及土壤含水量检测技术领域，尤其涉及一种测量土壤含水量的方法。

背景技术

随着遥感科学技术的不断发展，利用可见光、近红外和热红外遥感数据进行植被干旱监测得到广泛关注。

其主要方法为：(1)单一利用可见近红外数据，构建与植被自身水分亏缺相关的遥感指数，最终通过遥感指数来间接估算土壤干旱状况。此种方法受植被生理过程影响，在大多情况下这种间接关系难以成立，即植被表现良好时，可能地表土壤水分已经开始缺乏，植被水分与土壤水分存在“时间差”，导致利用此种遥感指数难以有效估算土壤干旱情况。此外，此种方法只能进行定性的、相对的土壤干旱表达，不能定量化到实际的土壤含水量，使得干旱监测结果无法直接用于农业灌溉管理决策。(2)单一利用热红外温度数据构建与植被、土壤温度相关的遥感指数。由于植被、土壤及大气三者温度差异导致蒸散发存在，直接影响土壤含水量变化。但是，与前者一样，本质上还是一种定性的表达，未与实际地表土壤含水量建立关联；且地表温度时空变化频率高，很难得到稳定的干旱监测结果。(3)联合可见光、近红外遥感数据和热红外数据建立温度植被干旱指数。根据可见光、近红外数据构建的遥感指数，并对照热红外数据进行空间统计分析，得到地土壤水分变化-温度变化-植被指数变化三者间的规律，从而实现定性的土壤干旱监测。此种方法虽然考虑了土壤水分对温度和植被指数的影响，但仍然无法计算出地表土壤实际含水量。

上述现有技术的主要缺陷为：

(1)现有基于可见光、近红外或热红外遥感数据的土壤干旱监测方法均是定性、相对趋势表达，无法获得实际土壤含水量。

(2)缺少相关模型支持，得到的植被或土壤干旱结果精度较低，可靠性差、实用价值不高。

(3)没有充分利用可见光、近红外与热红外遥感指数的特征空间信息。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提供一种能够定量测量土壤含水量、精度高的土壤含水量测量方法。

(二)技术方案

为解决上述技术问题，本发明提供了一种测量土壤含水量的方法，包括以下步骤：

S1、利用可见光、近红外及热红外波段的遥感数据计算温度干旱植被指数TVDI，得到第一TVDI特征空间；

S2、根据地面气象观测数据设定不同的土壤含水量，然后将所设定的土壤含水量数据输入生态过程模型，计算出不同土壤含水量条件下的植被温度和地表温度；

S3、将植被结构参数及在步骤S2中所设定的土壤含水量输入辐射传输模型，计算出不同土壤含水量条件下植被的可见光和近红外波段反射光谱；

S4、根据步骤S2中得到的植被温度和地表温度，以及步骤S3中得到的可见光和近红外波段反射光谱计算TVDI，得到第二TVDI特征空间，然后对所述第二TVDI特征空间进行等间隔的斜率划分；

S5、根据步骤S4中的斜率划分结果，对所有土壤水分含量Y与其对应的斜率进行线性方程拟合，从而建立斜率与土壤含水量Y之间的定量关系方程；

S6、把对所述第一TVDI特征空间进行等间隔斜率划分后得到的斜率代入所述定量关系方程，得到空间连续覆盖的土壤含水量分布结果。

其中，所述地面气象观测数据包括风速、太阳辐射度、大气能见度和降水量。

其中，所述生态过程模型为CUPID模型。

其中，所述辐射传输模型为SAIL模型。

其中，步骤S1和S4中计算TVDI的公式如下：

$\mathrm{TVDI}=\frac{T-T_{\mathrm{MIN}}}{T_{\mathrm{MAX}}-T_{\mathrm{MIN}}}---\left(1\right)$

式中：T为利用热红外遥感得到的地表温度或植被温度；T_MIN为与归一化植被指数NDVI对应的最低地表或植被温度，其中NDVI利用可见光和近红外遥感数据计算得到；T_MAX为与NDVI对应的最高地表或植被温度。

其中，在步骤S4和S6中进行斜率划分的方法为：根据T_MAX对应的第一TVDI特征空间或第二TVDI特征空间中的点确定最大斜率，并根据T_MIN对应的第一TVDI特征空间或第二TVDI特征空间中的点确定最小斜率；根据该最大、最小斜率，将斜率等间隔划分。

其中，所述斜率为地表温度或植被温度与NDVI之比。

其中，所述植被结构参数包括叶面积指数、叶倾角和植被高度。

(三)有益效果

本发明(1)利用可见光、近红外与热红外遥感数据进行测量，体现了土壤水分变化、温度变化、植被指数变化三者间的规律；(2)将农田生态过程模型、植被辐射传输模型用于计算温度干旱植被指数特征空间分析，建立了土壤含水量与斜率的定量关系，测量精度高；(3)利用气象数据、植被参数，使得本方法适用各种复杂条件下的土壤含水量计算。

附图说明

图1是本发明的方法流程图；

图2是利用本发明的方法得到的温度干旱植被指数特征空间示意图。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1所示，本发明提出可见近红外与热红外遥感数据定量化计算土壤含水量方法包括下列步骤：

S1、利用可见光、近红外及热红外波段的遥感数据(通常为图像数据)计算TVDI(Temperature/Vegetation Dryness Index，温度干旱植被指数)，得到第一TVDI特征空间(本实施例中是地表温度与NDVI构成的特征空间，也可以是植被温度与NDVI构成的特征空间，NDVI的解释见下文)，计算公式如下：

$\mathrm{TVDI}=\frac{T-T_{\mathrm{MIN}}}{T_{\mathrm{MAX}}-T_{\mathrm{MIN}}}---\left(1\right)$

式中：T为利用热红外遥感得到的地表温度或植被温度，热红外遥感是一种利用星载或机载传感器收集、记录地物的热红外信息，并利用该热红外信息来识别地物和反演地表参数(如温度、湿度和热惯量等)的方法；T_MIN为某一NDVI(Normalized Difference VegetationIndex，归一化植被指数)对应的最低温度(地表温度或植被温度)，其中NDVI为利用可见光和近红外遥感计算得到的植被指数；T_MAX为某一NDVI对应的最高温度(地表温度或植被温度)，T_MAX＝a+b*NDVI(2)，a和b为方程系数，可利用T_MAX和对应的NDVI通过回归分析计算得到。

S2、根据地面气象观测数据(主要包括风速、太阳辐射度、大气能见度、降水量)设定不同的地表土壤含水量(设定范围为0.01-0.5，步长为0.05，单位：m³)，然后将所设定的土壤含水量数据输入农田生态过程模型，计算出不同土壤含水量条件下的植被温度、地表温度。其中农田生态过程模型是生态过程模型的一种，它是一个综合土壤、植被、大气能量平衡、辐射传输及光合作用等过程的模型，是现有技术。且农田生态过程模型是一种统称的说法，其具体针对不同的目标所建立的模型不同，包含复杂的生物、物理过程。该模型的主要输入参数包括：植被结构参数(植被高度、叶倾角和叶面积指数等)、叶片物理参数(反射率、透过率和发射率等)、叶片生理参数(光合作用、气孔传导和呼吸作用参数等)、土壤参数(土壤类型和所设定的土壤含水量等)和边界条件(辐射和能量平衡条件)；输出参数主要为植被温度、地表温度。本发明实施例中农田生态过程模型为CUPID模型，它是一个非常著名和广泛应用的模型，关于该模型的详细解释可参见文献：Norman，J.M.(1982).Simulation of microclimates.J.L.Hatfield&I.J.Thomson(Eds.)，Integrated Pest Management(pp.65-99).New York：Academic Press。

S3、将于地表观测的植被结构参数(叶面积指数(又叫叶面积系数，是一块地上作物叶片的总面积与占地面积的比值)、叶倾角、植被高度)及在步骤S2中所设定的土壤含水量输入植被辐射传输模型，计算出不同土壤含水量条件下植被的可见光和近红外波段反射光谱。其中植被辐射传输模型是辐射传输模型的一种，是描述植被冠层双向反射辐射的模型，其主要输入参数为：所述植被结构参数、土壤含水量等，输出参数为：植被的可见光和近红外波段反射光谱。植被辐射传输模型是现有技术，本发明实施例中的植被辐射传输模型采用广泛使用的SAIL模型，关于该模型的详细解释可参见文献：Verhoef，W.(1984).Light scattering by leaf layers with application to canopyreflectance modeling：The SAIL model.Remote Sensing of Environment，16，125-141。

S4、根据步骤S2中在不同土壤含水量条件下利用农田生态过程模型输出的植被温度、地表温度，以及步骤S3中利用植被辐射传输模型输出的可见光和近红外波段反射光谱，同样利用步骤S1中的公式(1)计算TVDI，得到第二TVDI特征空间，其中利用可见光和近红外波段反射光谱计算得到NDVI。然后对第二TVDI特征空间(本实施例中是地表温度与NDVI构成的特征空间，也可以是植被温度与NDVI构成的特征空间)进行等间隔的斜率划分。

利用农田生态过程模型和植被辐射传输模型模拟的数据包含三个要素：土壤水分含量、温度及NDVI，所以通过对第二TVDI特征空间进行斜率划分，可以建立土壤水分含量与TVDI斜率之间的关系，从而可以实现利用遥感数据计算的TVDI反推出土壤水分含量。由于NDVI提供了绿色植被的生长状况和覆盖度信息，而地表温度反映了土壤湿度状况，二者的结合使信息互补，为区域土壤湿度监测提供了依据。研究资料证明，地表温度与NDVI之间存在密切的负相关关系。在土壤含水量高时，吸收的太阳能主要用于蒸发，土壤与冠层温度差异不明显，T-NDVI直线接近水平线，斜率最小；在土壤含水量低时，裸土表面迅速干燥，蒸发量小，吸收的太阳能主要用于表面升温，土面温度高，而植被利用整个根层水分，维持较高的蒸腾速率，且植被与周围空气的能量交换以及阴影等，使得植被温度较低，裸土与冠层温差较大，T-NDVI直线斜率最大。因此T-NDVI直线斜率与土壤水分存在密切关系，即斜率越大土壤含水量越低，斜率越小，土壤含水量则越大。

由于NDVI与地表温度T存在显著的负相关关系，地表温度与NDVI构成的特征空间由一组直线组成(如图2所示，图中的LST表示地表温度)，直线斜率能直接反映土壤水分状况，表示土壤水分等值线，即直线上的土壤水分的有效性相等。

斜率划分方法如图2所示：根据T_MAX对应的点确定直线的最大斜率，及根据T_MIN对应的点确定直线的最小斜率；根据该最大、最小斜率，将斜率等间隔划分为50组。

S5、对所有土壤水分含量Y与其对应的T-NDVI直线斜率(用T/NDVI表示)进行线性方程拟合，从而建立不同斜率T/NDVI与不同土壤含水量Y之间的定量关系：Y＝m+n*(T/NDVI)(3)。m、n为方程系数，通过回归拟合得到。

S6、将上述定量关系方程(3)应用于步骤S1中利用遥感数据计算得到的第一TVDI特征空间，即可得到空间连续覆盖的土壤含水量分布结果。具体方式为：把对步骤S1中得到的第一TVDI特征空间进行等间隔斜率划分后得到的斜率，代入步骤S5中的Y＝m+n*(T/NDVI)，即可得到土壤含水量Y。

由以上实施例可以看出，本发明利用气象数据，结合农田生态过程模型、植被辐射传输模型，模拟计算出不同含水量条件下地表温度、植被温度及植被可见光和近红外光谱，再通过对相应的温度干旱植被指数空间特征进行分析，建立不同斜率与不同土壤含水量间的定量关系，最后将此关系应用于可见近红外、热红外遥感数据，得到真实的土壤含水量。得到的土壤含水量结果可以直接用于田间灌溉决策，进行变量肥水作业。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (7)

1.一种测量土壤含水量的方法，其特征在于，包括以下步骤：

S1、利用可见光、近红外及热红外波段的遥感数据计算温度干旱植被指数TVDI，得到第一TVDI特征空间；

S2、根据地面气象观测数据设定不同的土壤含水量，然后将所设定的土壤含水量数据输入生态过程模型，计算出不同土壤含水量条件下的植被温度和地表温度；

S3、将植被结构参数及在步骤S2中所设定的土壤含水量输入辐射传输模型，计算出不同土壤含水量条件下植被的可见光和近红外波段反射光谱；

S4、根据步骤S2中得到的植被温度和地表温度，以及步骤S3中得到的可见光和近红外波段反射光谱计算TVDI，得到第二TVDI特征空间，然后对所述第二TVDI特征空间进行等间隔的斜率划分；

S5、根据步骤S4中的斜率划分结果，对所有土壤水分含量Y与其对应的斜率进行线性方程拟合，从而建立斜率与土壤含水量Y之间的定量关系方程；

S6、把对所述第一TVDI特征空间进行等间隔斜率划分后得到的斜率代入所述定量关系方程，得到空间连续覆盖的土壤含水量分布结果。

2.如权利要求1所述的测量土壤含水量的方法，其特征在于，所述地面气象观测数据包括风速、太阳辐射度、大气能见度和降水量。

3.如权利要求1所述的测量土壤含水量的方法，其特征在于，所述生态过程模型为CUPID模型。

4.如权利要求1所述的测量土壤含水量的方法，其特征在于，所述辐射传输模型为SAIL模型。

5.如权利要求1所述的测量土壤含水量的方法，其特征在于，步骤S1和S4中计算TVDI的公式如下：

$\mathrm{TVDI}=\frac{T-T_{\mathrm{MIN}}}{T_{\mathrm{MAX}}-T_{\mathrm{MIN}}}---\left(1\right)$

式中：T为利用热红外遥感得到的地表温度或植被温度；T_MIN为与归一化植被指数NDVI对应的最低地表或植被温度，其中NDVI利用可见光和近红外遥感数据计算得到；T_MAX为与NDVI对应的最高地表或植被温度。

6.如权利要求5所述的测量土壤含水量的方法，其特征在于，在步骤S4和S6中进行斜率划分的方法为：根据T_MAX对应的第一TVDI特征空间或第二TVDI特征空间中的点确定最大斜率，并根据T_MIN对应的第一TVDI特征空间或第二TVDI特征空间中的点确定最小斜率；根据该最大、最小斜率，将斜率等间隔划分。

7.如权利要求1～6任一项所述的测量土壤含水量的方法，其特征在于，所述植被结构参数包括叶面积指数、叶倾角和植被高度。

Images