CN103196862A - 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 - Google Patents

Abstract

本发明提供基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统，具体包括：获取实验区的Hyperion高光谱图像数据，提取实验区中的植被区域；构建基于比值指数及经验系数的植被含水量模型；结合地面实测的植被含水量及Hyperion数据计算的植被比值指数，进行回归计算，获得所述经验系数值；匹配高光谱数据所需的ASAR雷达数据；将匹配后的高光谱数据、ASAR雷达数据和所述植被含水量模型、经验系数值输入水云模型，反演计算获得植被覆盖下土壤含水量。本发明的方法及系统既有明确的物理基础，又具有输入参数少、简单、灵活、易于操作等优点，使植被覆盖下土壤含水量测量更为准确。

Description

基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统

技术领域

本发明涉及遥感测量土壤含水量技术领域，特别涉及一种基于ASAR和Hyperion数据的植被覆盖下土壤水分协同反演方法及系统。

背景技术

土壤水分是大气降水、植物体内水、地表水和地下水相互转化的纽带，是水文、农业、气候、生态等领域研究的一个关键性参数因子。因此，实现准确、快速的获取大区域地表土壤水分的监测具有重要意义。

相对于传统测量土壤水分的监测手段，遥感技术能够提供地表的多源多维多时相信息，具有大面积、宏观、实时和动态等优势，为土壤含水量测量开辟了新的途径。遥感反演土壤水分的方法很多。光学遥感方面主要有植被指数法、植被-温度指数法、蒸散模型等。这些模型方法是通过地物反射辐射特征变化来模拟地表覆盖类型、地表温度、地表蒸散发与土壤含水量之间的关系来获取土壤水分，是一种间接的经验或者半经验模式，但光学遥感获取影像受到天气条件的限制，大大的降低了其准确性和可靠性。微波遥感方面主要是基尔霍夫模型，MIMICS模型，水云模型等微波散射模型，其基本原理是通过土壤介电常数建立地表后向散射系数与土壤水分之间的联系，物理意义明确，但常受到地表粗糙度，植被的干扰。可见，光学遥感和微波遥感模型土壤水分反演机理完全不同，两者各有优势与不足，单纯依靠一种数据源进行土壤水分的反演限制了这些模型在实际应用中的可操作性。

光学遥感中高光谱遥感是前沿，采用图谱合一的技术在获取地表空间图像的同时，得到每个地物连续丰富的光谱信息，Hyperion是第一个星载民用成像光谱仪，具有很高的光谱分辨率和空间分辨率，其连续的反射率光谱曲线可以表达地物细微的变化。微波遥感中主动微波遥感相较于被动微波遥感具有高空间分辨率的优点，ASAR是Envisat-1上搭载的最大设别，具有多极化、可变观测角度和宽幅成像的特征，在土壤水分检测中展现了巨大的潜力。

发明内容

(一)所要解决的技术问题

本发明提供一种基于ASAR和Hyperion数据反演植被覆盖下土壤含水量的方法及系统，解决了只依靠一种遥感数据源进行土壤水分的反演导致测量准确性、可靠性低，易受干扰的问题。

(二)技术方案

本发明提供了一种基于ASAR和Hyperion数据反演植被覆盖下土壤含水量的方法，该方法包括：

S1、获取实验区的Hyperion高光谱图像数据，并提取实验区中的植被区域；

S2、构建基于比值指数及经验系数的植被含水量模型：

$\mathrm{SR}=\frac{R_{\mathrm{SWIR}}}{R_{\mathrm{NIR}}};$

m_v＝a₀SR+b₀；

其中，SR为植被水分比值指数，m_v为植被含水量，R_SWIR和R_NIR分别为近红外波段和短波红外波段反射率，a₀和b₀分别为经验系数；

S3、结合地面实测的m_v及Hyperion数据计算的SR值进行回归计算，获得所述经验系数a₀和b₀的值；

S4、匹配Hyperion高光谱图像数据所需的ASAR雷达数据；

S5、将所述匹配后的Hyperion高光谱图像数据、ASAR雷达数据和所述植被含水量模型、所述a₀和b₀的值输入水云模型，所述水云模型为：

${\mathrm{\σ}}^0={\mathrm{\σ}}_{\mathrm{veg}}^0+{\mathrm{\τ}}^2{\mathrm{\σ}}_{\mathrm{soil}}^0;$

${\mathrm{\σ}}_{\mathrm{veg}}^0=A\·m_v\·\cos \mathrm{\θ}\·(1-{\mathrm{\τ}}^2);$

τ²＝exp(-2Bm_vsecθ)；

其中，σ⁰是植被覆盖地表下总的后向散射系数，

为植被层的后向散射系数，

是直接地表后向散射系数，τ²是农作物的双程衰减因子，m_v是植被含水量(kg/m²)，A和B分别为依赖于植被类型的参数；θ是雷达入射角；

根据

与植被覆盖下土壤含水量m_s的关系：σ⁰ _soil＝a₀ln(m_s)+b₀反演计算获得植被覆盖下土壤含水量m_s。

优选的，所述步骤S1包括：利用Hyperion高光谱图像数据的第32、33、48、49波段构建归一化植被指数，实验区中归一化植被指数大于0.2的区域，判断为植被区域，构建植被区域掩膜。

优选的，所述步骤S2包括：利用Hyperion高光谱图像数据的第48、49、130、131波段来构建植被水分比值指数，引入经验系数a₀和b₀构建植被含水量模型。

优选的，所述步骤S4包括：利用Hyperion高光谱图像数据的四个角点坐标匹配出所需的ASAR雷达数据。

优选的，所述地表为农田地表

本发明还提供一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的系统，该系统包括：

植被区域提取模块，用于利用高光谱图像数据提取实验区中的植被区域；

植被含水量模型模块，用于构建植被含水量模型；所述植被含水量模型构建模块还包括回归计算模块，用于从数据库中提取相应模型参数，通过回归计算获得经验系数a₀和b₀的值；

雷达数据匹配模块，用于匹配Hyperion高光谱图像数据所需的微波雷达数据；

土壤含水量计算模块，用于基于ASAR雷达数据和半经验的水云模型反演计算植被覆盖下土壤含水量；

数据库，用于存储遥感测得的各种数据，提供给相应模块使用。

其中，所述数据库包括：

先验知识库，用于存储区域实测的植被含水量以及含有近红外和短波红外的遥感数据；

高光谱数据库，用于存储Hyperion高光谱图像数据；

雷达数据库，用于存储ASAR雷达数据。

(三)有益效果

本发明通过理论分析、实验测试和实际应用，充分利用地面实测资料与光学遥感和微波遥感相结合，以水云模型为依托，对其中的植被含水量进行了改进，引入先验知识通过回归计算得出的经验系数，构成了基于比值指数的植被含水量模型，与归一化水体指数模型相比、经验系数比具有更强的稳定性；改进的水云模型，既有明确的物理基础，又具有稳定性好、简单、灵活、易于操作等优点。比传统的水云模型的适用面更加宽广，有广阔的应用前景。

附图说明

图1为本发明提供方法的步骤流程图；

图2为本发明提供系统的结构组成图；

图3为估算土壤含水量和地面实测的土壤含水量对比散点图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

本发明提供了以一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法，如图1所示，该方法具体步骤为：

S1、利用Hyperion获取实验区的Hyperion高光谱图像数据也可称为Hyperion数据或高光谱数据，并提取实验区中的植被区域；

S2、构建基于比值指数及经验系数的植被含水量模型：

$\mathrm{SR}=\frac{R_{\mathrm{SWIR}}}{R_{\mathrm{NIR}}};$

m_v＝a₀SR+b₀；

其中，SR为植被水分比值指数，m_v为植被含水量，R_SWIR和R_NIR分别为近红外波段和短波红外波段反射率，a₀和b₀分别为经验系数；

S3、结合实测的m_v及遥感计算的SR进行回归计算，获得所述经验系数a₀和b₀的值；

S4、匹配高光谱数据所需的ASAR雷达数据；

S5、将所述匹配后的高光谱数据、ASAR雷达数据和所述植被含水量模型、所述a₀和b₀的值输入水云模型，所述水云模型为：

${\mathrm{\σ}}^0={\mathrm{\σ}}_{\mathrm{veg}}^0+{\mathrm{\τ}}^2{\mathrm{\σ}}_{\mathrm{soil}}^0;$

${\mathrm{\σ}}_{\mathrm{veg}}^0=A\·m_v\·\cos \mathrm{\θ}\·(1-{\mathrm{\τ}}^2);$

τ²＝exp(-2Bm_vsecθ)；

其中，σ⁰是植被覆盖地表下总的后向散射系数，

为植被层的后向散射系数，

是直接地表后向散射系数，τ²是农作物的双程衰减因子，m_v是植被含水量(kg/m²)，A和B分别为依赖于植被类型的参数；研究中忽略植被类型，根据Bindlish和Barros(2001)的研究采用所有植被经验系数，即A＝0.0012，B＝0.091；θ是雷达入射角；

根据与土壤水分m_s建立关系：σ⁰ _soil＝a₀ln(m_s)+b₀反演计算获得植被覆盖下土壤含水量。

其中，所述步骤S1提取实验区中的植被区域具体为：利用获取的Hyperion数据的第32、33、48、49波段构建归一化植被指数NDVI，当NDVI大于0.2时判断区域为植被区域，构建植被区域掩膜。

其中，所述步骤S2具体包括：利用Hyperion数据的第48、49、130、131波段来构建植被水分比值指数引入经验系数a₀和b₀，构建植被水分模型；

结合区域实测的植被含水量m_v以及含有近红外和短波红外的遥感数据，计算得到比值指数，最终进行回归计算得到经验系数a₀和b₀的值。

其中，所述步骤S4具体为：根据实验区高光谱的四个角点坐标匹配出所需得ASAR数据和相应的雷达入射角。

其中，所述地表为农田地表。

本发明还提供了一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的系统，该系统如图2所示，包括：

植被区域提取模块，用于利用高光谱图像数据提取实验区中的植被区域；

植被含水量模型构建模块，用于构建植被含水量模型；所述植被含水量模型构建模块还包括回归计算模块，用于从数据库中提取相应数据，通过回归计算获得经验系数a₀和b₀的值；

雷达数据匹配模块，用于匹配高光谱数据所需的微波雷达数据；

土壤含水量计算模块，用于基于ASAR雷达数据和半经验水云模型反演计算植被覆盖下土壤含水量；

数据库，用于存储遥感获得的数据，并提供数据给相应模块。

其中，所述数据库包括：

先验知识库，用于存储区域实测的植被含水量以及含有近红外和短波红外的遥感数据；

高光谱数据库，用于存储Hyperion获取的高光谱数据；

雷达数据库，用于存储ASAR获取的ASAR雷达数据，所述雷达数据包括雷达入射角。

实际具体的实施：

1、将农田地表覆盖下土壤类型较单一的地区作为一个实验区，利用Hyperion数据提取植实验区中的被覆盖区域。

2、研究植被的地物光谱曲线，在近红外波段1300～2500nm吸收率增大，反射率下降，并在1.45μm、1.95μm和2.6-2.7μm处形成三个强吸收谷，依据以往的研究均表明，近红外波段吸收率的改变主要是植被含水量的变化引起的，在短波红外波段，即第一个水分吸收谷，反射率的改变主要是由于植被水分吸收引起的，建立比值指数的植被含水量模型：

$\mathrm{SR}=\frac{R_{\mathrm{SWIR}}}{R_{\mathrm{NIR}}},$ m_v＝a₀SR+b₀；

其中，R_SWIR和R_NIR分别为近红外波段和短波红外波段反射率；通过提取先验知识知识库中的实测数据，进行回归计算，得到经验系数a₀和b₀的值。

3、匹配对应时空的ASAR数据，在土壤水分微波遥感研究中，地表覆盖的植被会干扰土壤的后向散射信号，去除植被后向散射的影响后，后向散射系数与土壤含水量的相关性明显增强。故本发明的关键在于如何有效地去除植被后向散射的影响。

本发明利用水云模型来去除植被后向散射的影响，测量实验区植被覆盖下的土壤含水量：将所述匹配后的高光谱数据、ASAR雷达数据和所述植被含水量模型、所述a₀和b₀的值输入水云模型，所述水云模型为：

${\mathrm{\σ}}^0={\mathrm{\σ}}_{\mathrm{veg}}^0+{\mathrm{\τ}}^2{\mathrm{\σ}}_{\mathrm{soil}}^0;$

${\mathrm{\σ}}_{\mathrm{veg}}^0=A\·m_v\·\cos \mathrm{\θ}\·(1-{\mathrm{\τ}}^2);$

τ²＝exp(-2Bm_vsecθ)；

建立与植被覆盖下土壤含水量m_s的关系：σ⁰ _soil＝a₀ln(m_s)+b₀，反演计算获得植被覆盖下土壤含水量m_s。

4、对观测点位置的模型反演得到的估算土壤含水量与地面实测土壤含水量进行相关分析，得到实验区内两者的关系。

5、评价模型在研究区的土壤含水量估算状况。

本发明应用中国贵州安顺地区为实验场。中国贵州安顺地处东经105.22°-106.57°，北纬25.35°-26.63°之间，长江水系乌江流域和珠江水系北盘江流域的分水岭地带，属典型的高原型湿润亚热带季风气候，雨量充沛，植被覆盖率高，由于其气候适宜、光照充足，具有优良的农田，是监测植被覆下土壤含水量的典型区域。以贵州安顺黄果树机场周边为研究区，该研究区数据主要是2010年4月27日ASAR数据以及2010年4月22日的Hyperion数据。为了验证模型的土壤含水量测量效果，计算得到土壤含水量与卫星同步的野外观测数据进行相关分析。

根据实验区各个观测点的模型反演得到的估算土壤含水量和地面实测的土壤含水量建立散点图，其结果如图3，平均误差为0.026243kg/m2，相关系数平方(R²)为0.37，均方差为0.000789。结果表明，模型估计值和实地观测数据具有较高的相关性。

通过分析可见，改进的水运模型对测量土壤含水量很有效。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (7)

1.一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法，其特征在于，该方法包括： 

S1、获取实验区的Hyperion高光谱图像数据，提取实验区中的植被区域； 

S2、构建基于比值指数及经验系数的植被含水量模型： 

m_v＝a₀SR+b₀； 

其中，SR为植被水分比值指数，m_v为植被含水量，R_SWIR和R_NIR分别为近红外波段和短波红外波段反射率，a₀和b₀分别为经验系数； 

S3、结合地面实测的m_v及Hyperion数据计算的SR值进行回归计算，获得所述经验系数a₀和b₀的值； 

S4、匹配所述Hyperion高光谱数据所需的ASAR雷达数据； 

S5、将所述匹配后的Hyperion高光谱数据、ASAR雷达数据和所述植被含水量模型、所述a₀和b₀的值输入水云模型，所述水云模型为： 

τ²＝exp(-2Bm_vsecθ)； 

其中，σ⁰是植被覆盖地表下总的后向散射系数，

为植被层的后向散射系数，

是直接地表后向散射系数，τ²是农作物的双程衰减因子，m_v是植被含水量，A和B分别为依赖于植被类型的参数，θ是雷达入射角； 

根据

与植被覆盖下土壤含水量m_s的关系：σ⁰ _soil＝a₀ln(m_s)+b₀反演计算获得植被覆盖下土壤含水量m_s。 

2.如权利要求1所述的方法，其特征在于，所述步骤S1包括： 利用Hyperion高光谱图像数据的第32、33、48、49波段构建归一化植被指数，实验区中归一化植被指数大于0.2的区域，判断为植被区域。 

3.如权利要求1所述的方法，其特征在于，所述步骤S2包括：利用Hyperion高光谱图像数据的第48、49、130、131波段来构建植被水分比值指数，引入经验系数a₀和b₀构建植被含水量模型。 

4.如权利要求1所述的方法，其特征在于，所述步骤S4包括：利用高光谱数据的四个角点坐标匹配出所需的ASAR雷达数据。 

5.根据权利要求1所述的方法，其特征在于，所述地表为农田地表 。

6.基于ASAR和Hyperion数据反演植被覆盖下土壤水分的系统，其特征在于，该系统包括： 

植被区域提取模块，用于利用高光谱图像数据提取实验区中的植被区域； 

植被含水量模型构建模块，用于构建植被含水量模型；所述植被含水量模型构建模块还包括回归计算模块，用于从数据库中提取相应数据，通过回归计算获得经验系数a₀和b₀的值； 

雷达数据匹配模块，用于匹配高光谱图像数据所需的微波雷达数据； 

土壤含水量计算模块，用于基于ASAR雷达数据和半经验的水云模型反演计算植被覆盖下土壤含水量； 

数据库模块，用于存储遥感测得的数据，并提供数据给相应模块。 

7.如权利要求6所述系统，其特征在于，所述数据模块包括： 

先验知识库，用于存储区域实测的植被含水量以及含有近红外和短波红外的遥感数据； 

高光谱数据库，用于存储Hyperion高光谱图像数据； 

雷达数据库，用于存储ASAR雷达数据。 

Images