CN102628860A - 一种麦田土壤水分的遥感监测方法 - Google Patents

Abstract

本发明公开了一种麦田土壤水分的遥感监测方法，修正的热惯量模型为：W＝B₁×ATI+B₂×EVI+B；式中，W为土壤相对含水量；ATI为表观热惯量；B₁、B₂为系数项；EVI为增强植被指数；B为常数项。本发明充分考虑小麦植株对土壤背景所形成的郁闭作用，在依据热惯量法，利用EOS/MODIS遥感数据反演土壤水分时，引入对低植被覆盖区内植被反映敏感的增强型植被指数，作为植被影响因子，进行了修正。修正的热惯量模型在小麦封垄前，平均反演精度可达80％以上。与常规的热惯量模型同期反演结果对比分析，修正热惯量模型反演精度更高，且适用时域扩展近一个生育期。

Description

一种麦田土壤水分的遥感监测方法

技术领域

本发明涉及一种麦田土壤水分的遥感监测方法。

背景技术

20世纪60年代末，国内外对遥感监测土壤水分方法开展了大量的研究，主要方法有：热惯量法、植被供水指数法、绿度指数法、距平植被指数法和微波遥感法。各种方法选择使用的遥感信息源不同，使用的波段也不相同，存在有各自的适用范围和局限性。

热惯量法是目前应用较为成熟的一种土壤水分遥感监测方法。其原理是依据热惯量是物质自身的一种热学特性，土壤的热惯量与土壤中水分含量关系密切，土壤热容量、热传导率随土壤含水量的增加而增大，土壤热惯量也随土壤含水量的增加而增大。由于水的热容量和热传导率比土壤的高，可认为通过地表温度变化能够间接反映土壤中含水量的高低，地表昼夜温差大，则土壤含水量低；地表昼夜温差小，则土壤含水量高。

土壤表面温度的昼夜温差由土壤内外部因素共同决定。内部因素主要指反映土壤传热能力的热导率和反映土壤储热能力的热容量；外部因素是指太阳辐射、空气温度、湿度、水汽等引起的地表热平衡。因此在利用遥感信息反演土壤热惯量时，不仅需要考虑太阳辐射、大气吸收和辐射，土壤热辐射和热传导等效应，还应考虑到蒸发、凝结和地气间热流交换效应等，需大量地面数据的支持，参数多，计算较为复杂。Price(1977)提出了表观热惯量(ApparentThermal Inertia，ATI)的概念，即忽略地面纬度、太阳偏角、日照时数和日地距离的影响，仅考虑土壤反射率和地表温度变化，从而认为土壤的表观热惯量可通过对土壤反射率和地表温度变化的遥感反演间接获取。在实际研究应用中，通常使用表观热惯量来近似替代真实热惯量，进而根据热传导方程和地表热平衡方程构建表观热惯量(ATI)与土壤含水量之间的遥感信息反演模型。即：

$P\≈\mathrm{ATI}=\frac{(1-\mathrm{ABE})}{\mathrm{\ΔT}}$

土壤含水量与热惯量具有较强的正相关关系：

W＝A₁×ATI+A

式中，W为土壤相对含水量；ATI为表观热惯量；A₁为系数项；A为常数项。

常规热惯量模型是基于土壤热学特性，土壤反照率和地表温度变化(昼夜温差)是模型中的重要参量。当农田为裸地时，MODIS影像能真实反映地表土壤光谱特征；当植被覆盖度逐渐增高时，受到植株叶片郁闭作用的影响，地表土壤特征在卫星影像上的表现受到干扰，模型反演精度大幅降低。小麦耕作过程中大田土壤的覆盖度在发生着变化，在小麦出苗后的分蘖、越冬及返青期间，小麦处于幼苗阶段，大田中植被覆盖度较低，此时仍不适宜换用基于植物长势原理的监测方法，但此时麦苗已经不可避免对土壤形成了一定的郁闭作用，常规热惯量模型的监测精度势必有所下降。因此，需要一种监测精度更高的修正模型。

发明内容

针对上述现有技术，本发明提供了一种监测精度高的麦田土壤水分的遥感监测方法，本发明从小麦生长发育过程的角度出发，考虑了封垄前农田中小麦植株对土壤热惯量反演所形成的郁闭作用，尝试将植被指数引入常规热惯量模型。已有研究结果表明，EVI(增强型植被指数)可以更好地描述一定区域内植被在不同季节的时间差异，在低植被覆盖区内EVI能够更好的消除土壤背景的影响，因此申请人选择EVI作为植被影响因子引入模型，得到修正的热惯量模型。

本发明是通过以下技术方案实现的：

一种麦田土壤水分的遥感监测方法，包括以下步骤：

(1)获取并处理EOS-MODIS 1～5、7波段的反射率，获得麦田的反照度ABE：根据LiangSL(2000)利用宽波段的反照度来替代全波段的反照度，针对EOS-MODIS数据的反照度计算公式为：

ABE＝0.160CH1+0.291CH2+0.243CH3+0.116CH4+0.112CH5+0.081CH7-0.0015；

式中，CH1～CH5、CH7为MODIS 1～5、7波段的反射率；

(2)反演地表温度，获得麦田的昼夜地表温差ΔT：地表温度的反演根据范心沂等(1991)对亮温和地表温度之间的相关性的论证，若只注重区域温度的对比，则可以直接使用亮温数据代表麦田的地表温度(单位：K)，亮温计算方法为：

$T_{31}=\frac{K_{31.2}}{\mathrm{Ln}(1+\frac{K_{31.1}}{I_i})};$

式中，T₃₁为31波段亮温；I_i为热辐射强度；K_31，1＝729.541636；K_31，2＝1304.413871K；Ln表示自然对数；

昼夜温差ΔT＝t_31.day-T_31.night；其中，T_31.day表示白天的地表温度，T_31.night表示夜晚的地表温度；

(3)获得麦田的表观热惯量AT1：公式为：

$\mathrm{ATI}=\frac{(1-\mathrm{ABE})}{\mathrm{\ΔT}};$

(4)获取并处理EOS-MODIS第1、2、3波段反射率值，获得麦田的增强型植被指数EVI：公式为：

$\mathrm{EVI}=\frac{G\×(\mathrm{CH}2-\mathrm{CH}1)}{\mathrm{CH}2+C_1\×\mathrm{CH}1-C_2\×\mathrm{CH}3+L};$

式中，CH1、CH2、CH3分别为MODIS第1、2、3波段反射率值；L为土壤调节参数；C₁和C₂为大气调节参数；G为放大系数；不同区域下背景调节参数和大气修正参数选取尚待研究，本发明对以上参数采用经验值，取值分别为：L＝1；C₁＝6；C₂＝7.5；G＝2.5；

(5)计算得到麦田的土壤相对含水量：公式为：

W＝B₁×ATI+B₂×EVI+B；

式中，W为土壤相对含水量；ATI为表观热惯量；B₁、B₂为系数项；EVI为增强植被指数；B为常数项。

本发明的麦田土壤水分的遥感监测方法，优点在于以下几个方面：

(1)较常规热惯量模型，精度得到了提高；

(2)较常规热惯量模型，适用期扩展了一个生育期。

附图说明

图1：山东冬小麦旱情监测模型反演精度对比图；注：越冬期田间土壤封冻未进行实验。

图2：12月上旬土壤水分遥感反演结果比较示意图。

图3A：常规热惯量模型反演精度示意图。

图3B：修正热惯量模型反演精度示意图。

图4：冬小麦返青期模型反演比较示意图。

图5A：冬小麦返青期常规热惯量模型反演精度示意图。

图5B：冬小麦返青期修正热惯量模型反演精度示意图。

图6：冬小麦拔节期模型反演比较示意图。

图7A：冬小麦拔节期常规热惯量模型反演精度示意图。

图7B：冬小麦拔节期修正热惯量模型反演精度示意图。

图8：模型适用度示意图。

具体实施方式

下面结合实施例对本发明作进一步的说明。

实施例

本发明从小麦生长发育过程的角度出发，考虑了封垄前农田中小麦植株对土壤热惯量反演所形成的郁闭作用，尝试将植被指数引入常规热惯量模型。已有研究结果表明，EVI(增强型植被指数)可以更好地描述一定区域内植被在不同季节的时间差异，在低植被覆盖区内EVI能够更好的消除土壤背景的影响，因此选择EVI作为植被影响因子引入模型，得到修正的热惯量模型：

W＝B₁×ATI+B₂×EVI+B；

式中，W为土壤相对含水量；ATI为表观热惯量；B₁、B₂为系数项；EVI为增强植被指数；B为常数项。

(一)参数反演

1、ATI：

$\mathrm{ATI}=\frac{(1-\mathrm{ABE})}{\mathrm{\ΔT}}$

ABE(反照度)：

根据Liang SL(2000)利用宽波段的反照度来替代全波段的反照度，得到针对MODIS数据的一般反照度计算公式：

ABE＝0.160CH1+0.291CH2+0.243CH3+0.116CH4+0.112CH5+0.081CH7-0.0015；

式中，CH1～CH5、CH7为MODIS 1～5、7波段的反射率。

ΔT(昼夜地表温差)：

地表温度的反演根据范心沂等(1991)对亮温和地表温度之间的相关性的论证，若只注重区域温度的对比，则可以直接使用亮温数据代表地表温度。亮温计算方法：

$T_{31}=\frac{K_{31.2}}{\mathrm{Ln}(1+\frac{K_{31.1}}{I_i})};$

式中，T₃₁为31波段亮温；I_i为热辐射强度；K_31，1＝729.541636；K_31，2＝1304.413871K。

ΔT＝T_31.day-T_31.night

3、EVI(增强型植被指数)

$\mathrm{EVI}=\frac{G\×(\mathrm{CH}2-\mathrm{CH}1)}{\mathrm{CH}2+C_1\×\mathrm{CH}1-C_2\×\mathrm{CH}3+L};$

式中，CH1、CH2、CH3分别为MODIS第1、2、3波段反射率值；L为土壤调节参数；C₁和C₂为大气调节参数；G为放大系数。不同区域下背景调节参数和大气修正参数选取尚待研究，本发明对以上参数采用经验值，取值分别为：L＝1；C₁＝6；C₂＝7.5；G＝2.5。

(二)模型建立

以山东省冬小麦野外观测场采样数据(n＝30)与反演数据拟合，分别建立常规热惯量模型与修正热惯量模型：

Y＝1461.9·ATI+0.6123，常规热惯量模型；

Y＝1333.81734·ATI-124.58772·EVI+25.59217，修正热惯量模型。

模型相关性检验如表1所示：

表1

两个模型均通过了置信度为0.001的显著性检验，与土壤相对含水量相关性方面，修正的热惯量模型优于常规热惯量模型约3个百分点。

(三)模型精度评价与分析

1、冬小麦各生育期模型精度验证分析

利用热惯量模型对山东省冬小麦各生育期内田间土壤含水量进行遥感反演，并在野外观测场同步采集土壤样品测定土壤水分含量。将反演结果与同步采样数据进行对比分析，从而对模型精度进行验证，如图1所示。

在封垄前的出苗、分蘖及返青期时段，修正的热惯量模型反演精度高于常规热惯量模型。在播种期内大田为裸地，植被指数接近0值，植被对土壤无覆盖作用，修正模型中的植被影响因子失效，因此在此阶段内修正热惯量模型与常规热惯量模型的反演精度差异较小。图1中显示在播种期模型反演结果精度较出苗期略低，主要由于秸秆还田的耕作习惯，部分麦田是“倒茬麦”的种植方式，虽然种植区内为裸地，但土壤中含有杂质较多，大田在影像上的表现是不纯净的，所形成的混合象元对土壤反照度及土壤温度的反演都能造成影响。返青过后，模型反演精度开始低于80％，分析曲线急剧下降。主要原因是此时小麦生长进入拔节期，行间小麦叶片相互搭连对土壤形成了郁闭作用，大田开始封垄，由热惯量原理可知，在中高植被覆盖情况下已经超出该原理适用范围。

2、冬小麦特定生育期模型精度验证

为验证模型的普适性，选取了冬小麦分蘖期(12月上旬)的数据进行模型反演精度验证(如图2)。

将模型反演结果与野外同步观测数据(土壤相对含水量)进行对比分析(见表2)。修正模型反演结果优于常规模型，其平均精度可达92.43％。

表2冬小麦分蘖期模型精度

Tab.1Model Precision Analysis in Tillering

(四)模型适用度评价与分析

修正模型精度高于常规模型(见图3A、图3B)，但热惯量原理自身存在着适用度的限制，选取小麦封垄前后返青和拔节两个时相的数据，对模型的适用时域进行分析。

1、小麦返青期

将常规与修正模型反演结果与野外同步实测数据(n＝23)进行比较(如图4、图5A、图5B)，并计算相对误差。将两种模型的反演精度进行比较，修正模型的平均精度为80.1％，常规模型的平均精度仅为75.2％，修正的热惯量模型精度优于常规热惯量模型4.9个百分点。

2、小麦拔节期

将常规与修正模型反演结果与野外同步实测数据进行比较(如图6、图7A、图7B)，并计算相对误差。模型反演精度在此时段开始低于80％，修正模型的平均精度仅为77.8％。

返青期小麦叶面积开始增长，对土壤特征在遥感信息中的表达造成一定干扰。在返青期修正模型与实际土壤含水量之间仍具有较好的相关性，反演精度大于80％，优于常规模型。可见，植被覆盖因子的引入是较为成功的，不仅提高了模型在低植被覆盖区的精度，而且相对于常规模型来说，应用时域扩展了近一个生育期。在拔节期模型精度大幅降低是由于随着小麦叶面积的进一步增长，垄间小麦叶片开始搭连对土壤形成了郁闭作用，大田开始封垄，由热惯量法原理可知，此时已超出热惯量模型的适用范围。

综合考虑生育期内模型精度与植被指数的关系(如图8，为使比较结果直观表示，将植被指数扩大100倍)，模型精度随植被指数的上升而呈下降趋势，修正模型反演精度在返青期后开始低于80％。为保证实际工作中的业务化应用，应选取模型反演精度大于80％的时段，即小麦播种至返青期作为模型的适用时域。

Claims (5)

1.一种麦田土壤水分的遥感监测方法，其特征在于：包括以下步骤：

(1)获取并处理EOS-MODIS数据1～5、7波段的反射率，反演麦田的反照度ABE：针对EOS-MODIS数据的反照度计算公式为：

ABE＝0.160CH1+0.291CH2+0.243CH3+0.116CH4+0.112CH5+0.081CH7-0.0015；

式中，CH1～CH5、CH7为EOS-MODIS数据1～5、7波段的反射率；

(2)反演地表温度，获得麦田的昼夜地表温差ΔT：获取并处理EOS-MODIS数据31波段的热辐射强度，计算31波段的亮温数据代表麦田的地表温度T(单位：K)，，亮温计算方法为：

$T_{31}=\frac{K_{31.2}}{\mathrm{Ln}(1+\frac{K_{31.1}}{I_i})};$

式中，T₃₁为31波段亮温；I_i为热辐射强度；K_31，1＝729.541636；K_31，2＝1304.413871K；Ln表示自然对数；

ΔT＝T_31.day-T_31.night；其中，T_31.day表示白天的地表温度，T_31.night表示夜晚的地表温度；

(3)获得麦田的表观热惯量AT1：公式为：

$\mathrm{ATI}=\frac{(1-\mathrm{ABE})}{\mathrm{\ΔT}};$

(4)获取并处理EOS-MODIS第1、2、3波段反射率值，获得麦田的增强型植被指数EVI：公式为：

$\mathrm{EVI}=\frac{G\×(\mathrm{CH}2-\mathrm{CH}1)}{\mathrm{CH}2+C_1\×\mathrm{CH}1-C_2\×\mathrm{CH}3+L};$

式中，CH1、CH2、CH3分别为MODIS第1、2、3波段反射率值；L为土壤调节参数；C₁和C₂为大气调节参数；G为放大系数；

(5)计算得到麦田的土壤相对含水量：公式为：

W＝B₁×ATI+B₂×EVI+B；

式中，W为土壤相对含水量；ATI为表观热惯量；B₁、B₂为系数项；EVI为增强植被指数；B为常数项。

2.根据权利要求1所述的麦田土壤水分的遥感监测方法，其特征在于：所述步骤(4)中，L＝1；C₁＝6；C₂＝7.5；G＝2.5。

3.根据权利要求1所述的麦田土壤水分的遥感监测方法，其特征在于：所述步骤(5)中，B₁为1333.81734，B₂为-124.58772，B为25.59217。

4.一种麦田土壤水分的遥感监测模型，其特征在于：模型公式为：

W＝B₁×ATI+B₂×EVI+B；

式中，W为土壤相对含水量；ATI为表观热惯量；B₁、B₂为系数项；EVI为增强植被指数；B为常数项。

5.根据权利要求4所述的麦田土壤水分的遥感监测模型，其特征在于：所述B₁为1333.81734，B₂为-124.58772，B为25.59217。

Images