CN103399023A - 植被下土壤湿度的多维度组合优化方法 - Google Patents

Abstract

本发明公开了一种植被覆盖下土壤湿度的多维度组合优化方法，该方法主要包括:1）基于AIEM模型建立等效表面相关长度与L波段后向散射系数的关系；2）建立C波段VH极化反演植被含水量的模型；3）基于水云模型采用Levenberg-Marquardt优化算法进行参数拟合，得到土壤的后向散射系数；4）基于AIEM模型及等效表面相关长度提取植被覆盖下土壤湿度。本发明利用C波段VH极化消除植被的影响，基于L波段建立的等效表面相关长度进行土壤湿度的反演，同时利用了C、L波段的信息，提高了土壤湿度的反演精度。

Description

植被下土壤湿度的多维度组合优化方法

技术领域

本发明主要涉及植被覆盖下土壤湿度的多维度组合优化方法。

背景技术

地表土壤水分在全球水循环，特别是在地表水蒸发与渗流，潜热和显热中扮演着重要的角色。同时土壤水分的补给也是影响植被生态系统时空动态变化的一个关键因素；土壤水分还是水文学、气象学、农学模型的输入参数并能够确定环境敏感区。因此土壤水分含量匮乏与饱和的时空波动信息的遥感监测对于植被长势预测，合适播种时间的确定，土壤侵蚀程度及土壤表层动态过程监测、水文和气象学模型研究等都具有重要意义。因此如何准确、快速地获取大区域地表土壤水分数据便成为值得研究的重要内容，也是当前国内外的一个研究热点。

通常土壤水分的遥感监测主要从可见光一近红外、热红外及微波波段进行，土壤水分的红外波段遥感和微波遥感是当前研究的主要热点。微波遥感监测土壤水分是现在应用比较成功的，具有广泛的应用前景。

随着一系列携载主动微波传感器的卫星发射升空，可获得大量的雷达图像数据，为我们的研究提供了基础数据。在微波波段，土壤水分和介电常数密切相关。最近微波遥感研究的发展显示了定量估算裸土和矮小植被下土壤水分的潜力，提高发展了微波遥感反演这些参数的灵活性。在主动微波遥感领域，合成孔径雷达已成为国际对地观测领域最重要的前沿技术之一。同时成像的多波段多极化SAR系统可以获得不同波段雷达的回波响应，以及线性极化状态下同极化与交叉极化的信息，可更准确的探测目标特征。目前，SAR反演土壤水分面临的主要问题是如何在雷达模型中去除表面粗糙度的影响和在不同植被覆盖条件下建立模型反演土壤水分。

合成孔径雷达反演土壤水可以分为经验模型、物理模型、半经验模型以及极化目标分解方法，经验模型往往只适用于特定植被类型和特定植被生长期，在很大程度上模型质量还依赖于所获取的数据质量，因而不能直接把经验模型应用于其它的研究情况。理论模型是建立在一定的理论基础之上，对于散射因子的考虑相对详尽，但一般模型比较复杂，反演相对困难。半经验模型是经验模型与物理模型的折中，它以植被的宏观物理参量为模型参数，模型的建立和反演比理论模型要简单，但同时也具有一定的理论依据，适用性也较经验模型广。极化目标分解将将地物回波的复杂散射过程分解为几种单一的散射过程，分解出与地表土壤水分相关的的散射机制就可以进行土壤水分的反演。

发明内容

本发明针对现有技术存在的单一微波数据在反演土壤湿度的不足，提供了一种植被覆盖下土壤湿度的多维度组合优化方法，较单一波长微波数据提高土壤湿度的反演精度，同时为未来传感器的涉及提供参考。

为实现以上的技术目的，本发明将采取以下的技术方案：一种植被覆盖下土壤湿度的多维度组合优化方法，包括以下步骤：

步骤1：基于AIEM模型建立等效表面相关长度与L波段后向散射系数的关系；

步骤2：建立C波段VH极化反演植被含水量的模型；

步骤3：基于水云模型并采用Levenberg-Marquardt优化算法进行参数拟合，得到植被覆盖下土壤的后向散射系数；

步骤4：基于AIEM模型机等效表面相关长度提取植被覆盖下土壤湿度。

作为优选，步骤1采用AIEM模型，地表采用指数相关函数，将地表均方根高度设为2cm，从而求出相应的表面相关长度，该表面相关长度为等效表面相关长度L_eff，该等效表面相关长度L_eff通过与实测后向散射系数采用二次多项式进行拟合，对于L波段VV极化，采用公式（1）进行计算，对于L波段HH极化，采用公式（2）进行计算：

$L_{\mathrm{eff}}=1.691\×{{\mathrm{\σ}}_{\mathrm{LVV}}^0}^2+36.79\×{\mathrm{\σ}}_{\mathrm{LVV}}^0+245.54---\left(1\right)$

$L_{\mathrm{eff}}=2.142\×{{\mathrm{\σ}}_{\mathrm{LHH}}^0}^2+55.83\×{\mathrm{\σ}}_{\mathrm{LHH}}^0+422.2---\left(2\right)$

其中，L_eff为等效表面相关长度，

为L波段VV极化后向散射系数，为L波段HH极化后向散射系数。

作为优选，步骤2采用线性方程拟合C波段VH极化与植被含水量WC_veg的方程，该线性方程为公式（3）：

${\mathrm{WC}}_{\mathrm{veg}}=1.468\×{\mathrm{\σ}}_{\mathrm{CVH}}^0+28.24---\left(3\right)$

其中，WC_veg为植被含水量，

为C波段VH极化的后向散射系数。

作为优选，步骤3所述土壤的后向散射系数通过公式（4）得到；

${\mathrm{\σ}}_{\mathrm{can}}^0\left(\mathrm{\θ}\right)={\mathrm{\σ}}_{\mathrm{veg}}^0\left(\mathrm{\θ}\right)+{\mathrm{\γ}}^2\left(\mathrm{\θ}\right){\mathrm{\σ}}_{\mathrm{soil}}^0\left(\mathrm{\θ}\right)---\left(4\right)$

式中，

为植被覆盖地表下总的雷达后向散射系数，

为直接植被层的后向散射系数，

为直接地表后向散射系数，γ²(θ)为雷达波穿透农作物层的双层衰减因子；而直接植被层的后向散射系数

通过公式（5）得到，雷达波穿透农作物层的双层衰减因子γ²(θ)通过公式（6）得到：

${\mathrm{\σ}}_{\mathrm{veg}}^0\left(\mathrm{\θ}\right)=A\·m_{\mathrm{veg}}\·\cos \left(\mathrm{\θ}\right)\·(1-{\mathrm{\γ}}^2\left(\mathrm{\θ}\right))---\left(5\right)$

${\mathrm{\γ}}^2{\left(\mathrm{\θ}\right)}_{\mathrm{pp}}^2=\exp (-2B{m}_{\mathrm{veg}}\sec \left(\mathrm{\θ}\right))---\left(6\right)$

上式中，A和B分别为依赖于植被这类型的参数；m_veg是植被含水量，其单位为kg/m³，θ为雷达波入射角。

作为优选，当为裸土时，直接采用Levenberg-Marquardt优化算法进行参数拟合，得到土壤的后向散射系数。

根据以上的技术方案，与现有技术相比，本发明综合利用C、L波段消除植被覆盖以及地表粗糙度的影响，较单一波长微波数据提高了土壤湿度的反演精度。

附图说明

图1为本发明所述植被覆盖下土壤湿度的多维度组合优化方法的流程示意图；

图2为本发明实施例所述植被校正前后反演土壤水分与实测土壤水分的对比图；其中（a）为校正前；（b）为校正后。

具体实施方式

附图非限制性地公开了本发明所涉及优选实施例的结构示意图；以下将结合附图详细地说明本发明的技术方案。

实验数据为AGRISAR项目机载SAR数据，AGRISAR项目从2006年4月18日到8月2日，主要目的是研究农作物在整个生长季多频、多极化雷达信号的变化，雷达数据每隔7天或10天获取一次，同时获取相应的地面实测数据。

如图1所示，具体实现步骤为：

步骤1，基于AIEM模型建立等效表面相关长度与L波段后向散射系数的关系；采用AIEM模型，地表采用指数相关函数，将地表均方根高度（s）设为2cm，从而求出相应的表面相关长度，称之为等效表面相关长度L_eff。L_eff与实测后向散射系数采用二次多项式来拟合。

$L_{\mathrm{eff}}=1.691\×{{\mathrm{\σ}}_{\mathrm{LVV}}^0}^2+36.79\×{\mathrm{\σ}}_{\mathrm{LVV}}^0+245.54$

$L_{\mathrm{eff}}=2.142\×{{\mathrm{\σ}}_{\mathrm{LHH}}^0}^2+55.83\×{\mathrm{\σ}}_{\mathrm{LHH}}^0+422.2$

步骤2，建立C波段VH极化反演植被含水量的模型；采用线性方程拟合C波段VH极化与植被含水量的方程。

${\mathrm{WC}}_{\mathrm{veg}}=1.468\×{\mathrm{\σ}}_{\mathrm{CVH}}^0+28.24$

步骤3，基于水云模型采用Levenberg-Marquardt优化算法进行参数拟合，得到土壤的后向散射系数；

${\mathrm{\σ}}_{\mathrm{can}}^0\left(\mathrm{\θ}\right)={\mathrm{\σ}}_{\mathrm{veg}}^0\left(\mathrm{\θ}\right)+{\mathrm{\γ}}^2\left(\mathrm{\θ}\right){\mathrm{\σ}}_{\mathrm{soil}}^0\left(\mathrm{\θ}\right)$

式中

为植被覆盖地表下总的雷达后向散射系数，

为直接植被层的后向散射系数，

为直接地表后向散射系数，γ²(θ)为雷达波穿透农作物层的双层衰减因子，其中：

${\mathrm{\σ}}_{\mathrm{veg}}^0\left(\mathrm{\θ}\right)=A\·m_{\mathrm{veg}}\·\cos \left(\mathrm{\θ}\right)\·(1-{\mathrm{\γ}}^2\left(\mathrm{\θ}\right))$

${\mathrm{\γ}}^2{\left(\mathrm{\θ}\right)}_{\mathrm{pp}}^2=\exp (-2B{m}_{\mathrm{veg}}\sec \left(\mathrm{\θ}\right))$

上式中，A和B分别为依赖于植被类型的参数，m_veg是植被含水量(kg/m³)，θ为雷达波入射角。

步骤4，基于AIEM模型及等效表面相关长度提取植被覆盖下土壤湿度。结果如图2(a)、图2(b)所示，分别为未进行植被校正与进行植被校正后反演土壤水分与实测土壤水分对比图。

Claims (5)

1.一种植被覆盖下土壤湿度的多维度组合优化方法，包括以下步骤：

步骤1：基于AIEM模型建立等效表面相关长度与L波段后向散射系数的关系；

步骤2：建立C波段VH极化反演植被含水量的模型；

步骤3：基于水云模型并采用Levenberg-Marquardt优化算法进行参数拟合，得到植被覆盖下土壤的后向散射系数；

步骤4：基于AIEM模型机等效表面相关长度提取植被覆盖下土壤湿度。

2.根据权利要求1所述植被下土壤湿度的多维度组合优化方法，其特征在于：步骤1采用AIEM模型，地表采用指数相关函数，将地表均方根高度设为2cm，从而求出相应的表面相关长度，该表面相关长度为等效表面相关长度L_eff，该等效表面相关长度L_eff通过与实测后向散射系数采用二次多项式进行拟合，对于L波段VV极化，采用公式（1）进行计算，对于L波段HH极化，采用公式（2）进行计算：

$L_{\mathrm{eff}}=1.691\×{{\mathrm{\σ}}_{\mathrm{LVV}}^0}^2+36.79\×{\mathrm{\σ}}_{\mathrm{LVV}}^0+245.54---\left(1\right)$

$L_{\mathrm{eff}}=2.142\×{{\mathrm{\σ}}_{\mathrm{LHH}}^0}^2+55.83\×{\mathrm{\σ}}_{\mathrm{LHH}}^0+422.2---\left(2\right)$

其中，L_eff为等效表面相关长度，

为L波段VV极化后向散射系数，

为L波段HH极化后向散射系数。

3.根据权利要求2所述植被下土壤湿度的多维度组合优化方法，其特征在于：步骤2采用线性方程拟合C波段VH极化与植被含水量WC_veg的方程，该线性方程为公式（3）：

${\mathrm{WC}}_{\mathrm{veg}}=1.468\×{\mathrm{\σ}}_{\mathrm{CVH}}^0+28.24---\left(3\right)$

其中，WC_veg为植被含水量，

为C波段VH极化的后向散射系数。

4.根据权利要求3所述植被下土壤湿度的多维度组合优化方法，其特征在于：步骤3所述土壤的后向散射系数通过公式（4）得到；

${\mathrm{\σ}}_{\mathrm{can}}^0\left(\mathrm{\θ}\right)={\mathrm{\σ}}_{\mathrm{veg}}^0\left(\mathrm{\θ}\right)+{\mathrm{\γ}}^2\left(\mathrm{\θ}\right){\mathrm{\σ}}_{\mathrm{soil}}^0\left(\mathrm{\θ}\right)---\left(4\right)$

式中，

为植被覆盖地表下总的雷达后向散射系数，

为直接植被层的后向散射系数，

为直接地表后向散射系数，γ²(θ)为雷达波穿透农作物层的双层衰减因子；而直接植被层的后向散射系数

通过公式（5）得到，雷达波穿透农作物层的双层衰减因子γ²(θ)通过公式（6）得到：

${\mathrm{\σ}}_{\mathrm{veg}}^0\left(\mathrm{\θ}\right)=A\·m_{\mathrm{veg}}\·\cos \left(\mathrm{\θ}\right)\·(1-{\mathrm{\γ}}^2\left(\mathrm{\θ}\right))---\left(5\right)$

${\mathrm{\γ}}^2{\left(\mathrm{\θ}\right)}_{\mathrm{pp}}^2=\exp (-2B{m}_{\mathrm{veg}}\sec \left(\mathrm{\θ}\right))---\left(6\right)$

上式中，A和B分别为依赖于植被这类型的参数；m_veg是植被含水量，其单位为kg/m³，θ为雷达波入射角。

5.根据权利要求4所述植被下土壤湿度的多维度组合优化方法，其特征在于：当为裸土时，直接采用Levenberg-Marquardt优化算法进行参数拟合，得到土壤的后向散射系数。

Images