CN103793596A - 一种地表温度-植被指数特征空间干湿限选择的方法及装置 - Google Patents
一种地表温度-植被指数特征空间干湿限选择的方法及装置 Download PDFInfo
- Publication number
- CN103793596A CN103793596A CN201410014678.5A CN201410014678A CN103793596A CN 103793596 A CN103793596 A CN 103793596A CN 201410014678 A CN201410014678 A CN 201410014678A CN 103793596 A CN103793596 A CN 103793596A
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- surface temperature
- interval
- limit
- vegetation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种地表温度-<u/>植被指数特征空间干湿限选择的方法及装置,其中方法步骤包括:1、确定研究区大小,对卫星遥感影像数据进行投影转换、重采样和剪切等预处理;2、剔除受云和地形差异影响的像元数据;3、利用余下的像元数据,构建地表温度-植被指数二维散点图特征空间;4、对由步骤3得到的不同植被指数条件所对应的最高地表温度进行采样;5、通过阈值设定和迭代算法,线性拟合最高地表温度和植被指数得到特征空间的干限;6、假定湿限温度为一常数并且等于干限在全植被覆盖处的温度得到湿限温度。采用上述方案,克服了目前地表温度-植被指数特征空间干湿限选择具有较强主观随意性、较大不确定性等问题。
Description
技术领域
本发明属于蒸散发或土壤水分遥感反演的技术领域,特别是涉及一种有效选择地表温度-植被指数特征空间干湿限的方法及装置。
背景技术
地表蒸散发和土壤水分是水循环的关键要素,决定了土壤-植被-大气系统中的水、热传输,其定量估算是评价陆地生态系统生产力、区域耗水、作物产量以及土地利用/土地规划的基础,更是全球或区域气候变化研究的重要内容。基于遥感可反演参数发展发展全遥感的蒸散发和土壤水分估算方法已成为定量遥感领域一个重要的研究方向。在土壤水分和植被覆盖度全范围变化条件下,由遥感地表温度(或温差,或归一化地表温度)-植被指数/反照率(NDVI、土壤调节植被指数(SAVI)、归一化的NDVI、植被覆盖度(Fr)和地表反照率)构建的特征空间,已经被广泛应用于土壤水分含量与区域蒸散发估算等方面的研究。
地表温度-植被指数/反照率特征空间由两个具有物理意义的边界控制:逐渐下降的干限和近似水平的湿限。这两条边界分别代表不同植被指数情况下土壤水分和蒸发比的极限状况(干限代表表层土壤没有可利用的水分用于蒸散发;湿限代表地表具有充足的水分)。在基于地表温度-植被指数/反照率特征空间进行地表蒸散发和表层土壤水分遥感反演时,已有研究主要利用如下两种方式开展特征空间干湿限的选择:
通过模型操作者的经验人为选择干湿限
由于模型操作者经验的差异,针对同一个地表温度-植被指数/反照率特征空间,不同的操作者会得到不同的干湿限,给地表蒸散发/土壤水分的遥感反演带来很大的不确定性。一般来说,这种干湿限选择方法需要用户具有丰富的模型操作和干湿限选择经验。此外,该方法由于需要用户逐一检查地表温度-植被指数/反照率二维散点图,具有耗时长、实用性不强、不易业务化运行的缺点。
通过一般的线性回归方法拟合干湿限的温度与植被指数/反照率的关系
利用一般的线性回归方法进行干湿边的选择需要在不同的植被指数/反照率条件下采样足够多的最高和最低地表温度,以使采样数据具有代表性和统计性。为使利用线性回归方法拟合的干湿限可靠,需要用于构建特征空间的像元数据在不同的植被指数条件下均能达到表层相对土壤含水量为0和1的条件。如果某些采样的最高和最低地表温度对应像元的相对含水量偏离0和1较远时,这些所谓的“假”干点和“假”湿点会显著影响这种一般的线性回归方法结果,使得最终选择的干湿限严重偏离真实情况。简言之,这种一般的线性拟合方法在特征空间干湿限选择时具有易受“假”干点和“假”湿点影响的缺点。
此外,在干旱和半干旱地区,对于某一给定的植被指数,卫星遥感传感器更容易探测到具有较低土壤含水量、较高地表温度的像元。对于这些地区,从卫星遥感传感器观测到的干限像元可以代表表层土壤含水量为0的真实干限,而由于土壤含水量的亏缺,观测湿限的地表温度可能会比真实湿限(对应于水分充分条件)的地表温度要高。虽然水体或全植被覆盖的表面温度可以假定为湿限温度,但在很多地区(如干旱和半干旱地区),这两类地表类型很难从遥感传感器识别到,甚至可能是不存在的因而需要一个实用的可以自动选择干限和湿限的算法进行特征空间内的干湿限的确定,以便实现区域蒸散发和表层相对土壤含水量的遥感反演。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种植被指数特征空间干湿限选择的方法及装置。
本发明的技术方案如下:
一种地表温度-植被指数特征空间干湿限选择的方法,其中,包括以下步骤:
步骤1:确定研究区大小和像元的空间分辨率大小,初步构建地表温度-植被指数特征空间的输入数据集;
步骤2:通过质量控制,剔除受云污染的像元数据,并通过数字高程模型与高程阈值的设定,进一步剔除与感兴趣区像元高程差异较大的像元数据,并将余下的像元数据进一步处理;
步骤3:余下的像元数据,以植被指数为横坐标、地表温度为纵坐标,构建植被指数二维散点图特征空间;
步骤4:进行植被指数二维散点图特征空间的干湿限选择。
所述的干湿限选择的方法,其中,所述步骤1中,所述确定研究区大小为满足表层相对土壤含水量和植被覆盖度均具有全范围变化的条件;所述像元空间分辨率与地表温度的空间分辨率相同。
所述的干湿限选择的方法,其中,所述步骤3中,所述构建植被指数二维散点图特征空间由分别代表表层相对土壤含水量为0和1的干限和湿限控制。
所述的干湿限选择的方法,其中,所述步骤4的具体步骤为:对地表温度-植被指数二维散点图特征空间的“假”干点数据进行剔除。
所述的干湿限选择的方法,其特征在于,所述进行剔除的具体步骤为:
步骤4011:将地表温度-植被指数二维散点图特征空间内的植被指数VI平均划分为M个区间,M个区间对应M个植被指数,然后对每一个植被指数区间再划分为N个子区间;
步骤4012:从第一个区间开始到最后一个区间结束,通过迭代算法,获得所有M个区间内的最大地表温度;
步骤4013:线性拟合经过步骤4012所保存的M个植被指数与相应的M个区间内的最大地表温度;
步骤4014:利用由步骤4013所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4015:如果某一或多个植被指数区间内的最大地表温度小于相应的最大地表温度Tp与2倍的RMSD之差,则舍弃该一个或多个植被指数区间,进入步骤4016;否则,迭代结束,进入步骤4019;
步骤4016:重新线性拟合经过步骤4015所剩余的植被指数与相应的最大地表温度;
步骤4017:重新利用由步骤4016所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4018:回到步骤4015;
步骤4019:通过上述迭代步骤,得到以下的干限线性回归方程,公式一:
Tmax=a+bVI
其中,VI为植被指数,Tmax为不同植被指数条件下的干限温度,a为截距,b为斜率;
步骤4020:根据由步骤4019得到的线性回归方程,在不同的植被指数条件下,分别得到相应的地表温度,即为干限温度;
步骤4021:假定湿限温度为一常数并且等于干限在全植被覆盖处的温度,即湿限温度为a+bVImax,其中VImax为全植被覆盖时的植被指数。
所述的干湿限选择的方法,其中,所述步骤4011中,所述区间M≤20;所述子区间N≥5
所述的干湿限选择的方法,其中,所述步骤4012的具体步骤为:
a)对于一个给定的植被指数区间m,寻找并保存该区间内所有子区间的最大地表温度,并分别计为Tm,1,Tm,2,…,Tm,N;所述植被指数区间m小于等于区间个数M;
b)计算植被指数区间m内所有子区间最大地表温度的平均值Taver,m和标准偏差σm作为初始状态估计,如下公式二及公式三:
c)如果植被指数区间m内的某一个或多个子区间上的最大地表温度小于Taver,m-σm,则舍弃该一个或多个子区间;
d)重新计算植被指数区间m内剩余子区间上最大地表温度的平均值Taver,m和标准偏差σm;
e)如果植被指数区间m内余下子区间的个数大于给定阈值并且σm也大于给定阈值时,则重复步骤c-步骤e;否则,迭代结束,进入到步骤f;
f)采用Taver,m作为植被指数区间m内的最大地表温度。
所述的干湿限选择的方法,其中,所述步骤a)中所述区间m≤M,其中M为区间个数。
所述的干湿限选择的方法,其中,所述步骤4013、步骤4016中,所述最大地表温度Tp为因变量,所述植被指数为自变量。
一种包括如权利要求1所述干湿限选择的方法的装置,其中,包括数据准备模块、剔除模块、构建特征空间模块及干湿限选择模块相互连接及相互通讯;所述数据准备模块,用于在确定研究区大小和像元空间分辨率大小以后准备构建地表温度-植被指数特征空间的输入数据集;所述剔除模块,用于通过质量控制,剔除受云污染的像元数据,并通过数字高程模型与高程阈值的设定,进一步剔除与感兴趣区像元高程差异较大的像元数据,并将余下的像元数据进一步处理;所述构建特征空间模块,用于将余下的像元数据,以植被指数为横坐标、地表温度为纵坐标,构建地表温度-植被指数二维散点图特征空间;所述干湿限选择模块,用于进行地表温度-植被指数二维散点图特征空间的干湿限选择。
如权利要求10所述的装置,其中,所述构建模块中,所述确定研究区大小为满足表层相对土壤含水量和植被覆盖度均具有全范围变化的条件;所述像元空间分辨率与地表温度相同;所述构建特征空间模块中,所述构建的地表温度-植被指数二维散点图特征空间由分别代表表层相对土壤含水量为0和1的干限和湿限控制。
所述的装置,其中,所述干湿限选择模块进行干湿限选择的具体步骤为:对地表温度-植被指数二维散点图特征空间的“假”干点数据进行剔除。
所述的装置,其中,所述进行剔除的具体步骤为:
步骤4011:将地表温度-植被指数二维散点图特征空间内的植被指数VI平均划分为M个区间,M个区间对应M个植被指数,然后对每一个植被指数区间再划分为N个子区间;
步骤4012:从第一个区间开始到最后一个区间结束,通过迭代算法,获得所有M个区间内的最大地表温度;
步骤4013:线性拟合经过步骤4012所保存的M个植被指数与相应的M个区间内的最大地表温度;
步骤4014:利用由步骤4013所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4015:如果某一或多个植被指数区间内的最大地表温度小于相应的最大地表温度Tp与2倍的RMSD之差,则舍弃该一个或多个植被指数区间,进入步骤4016;否则,迭代结束,进入步骤4019;
步骤4016:重新线性拟合经过步骤4015所剩余的植被指数与相应的最大地表温度;
步骤4017:重新利用由步骤4016所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4018:回到步骤4015;
步骤4019:通过上述迭代步骤,得到以下的干限线性回归方程,公式一:
Tmax=a+bVI
其中,VI为植被指数,Tmax为不同植被指数条件下的干限温度,a为截距,b为斜率;
步骤4020:根据由步骤4019得到的线性回归方程,在不同的植被指数条件下,分别得到相应的地表温度,即为干限温度;
步骤4021:假定湿限温度为一常数并且等于干限在全植被覆盖处的温度,即湿限温度为a+bVImax,其中VImax为全植被覆盖时的植被指数;
所述步骤4011中,所述区间M≤20;所述子区间N≥5;
所述步骤4012的具体步骤为:
a)对于一个给定的植被指数区间m,寻找并保存该区间内所有子区间的最大地表温度,并分别计为Tm,1,Tm,2,…,Tm,N;所述植被指数区间m小于等于区间个数M;
b)计算植被指数区间m内所有子区间最大地表温度的平均值Taver,m和标准偏差σm作为初始状态估计,如下公式二及公式三:
c)如果植被指数区间m内的某一个或多个子区间上的最大地表温度小于Taver,m-σm,则舍弃该一个或多个子区间;
d)重新计算植被指数区间m内剩余子区间上最大地表温度的平均值Taver,m和标准偏差σm;
e)如果植被指数区间m内余下子区间的个数大于给定阈值并且σm也大于给定阈值时,则重复步骤c-步骤e;否则,迭代结束,进入到步骤f;
f)采用Taver,m作为植被指数区间m的最大地表温度;
所述步骤a)中所述区间m≤M,其中M为区间个数;
所述步骤4013、步骤4016中,所述最大地表温度Tp为因变量,所述植被指数为自变量。
采用上述方案,首次实现了地表温度-植被指数特征空间内干湿限选择的自动化,有效剔除了“假”干点和“假”湿点对干湿限选择的影响,解决了过去干湿限选择具有较大主观性和随意性的问题,显著降低了干湿限选择的不确定性以及基于遥感可反演参数空间变化信息开展地表蒸散发和表层土壤水分反演的不确定性。此外,本发明在特征空间的干湿限选择中具有实用性强、效率高、耗时短、适于业务化运行等特点。
附图说明
图1为本发明地表温度-植被指数特征空间干湿限选择的方法流程图。
图2为本发明方法中一实施例地表温度-植被覆盖度三角特征空间示意图。
图3为本发明方法中一实施例地表温度-植被覆盖度特征空间干湿限选择方法中假干点的初步剔除流程图。
图4为本发明方法中一实施例地表温度-植被覆盖度特征空间干湿限选择方法中假干点的进一步剔除流程图。
图5为本发明方法中一实施例地表温度-植被指数特征空间干湿限选择方法的应用流程图。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
实施例1
本实施例以地表蒸散发的遥感反演为例,如图1所示,本发明的具体实施方法如下:
1.确定研究区大小和像元的空间分辨率大小,初步构建地表温度-植被指数特征空间的输入数据集,地表温度-植被指数特征空间即为地表温度与植被指数特征空间。
研究区大小的设置应该尽力满足表层相对土壤含水量和植被覆盖度均具有全范围变化(0-1)的条件,同时需保证空间范围内的大气强迫类似。由于卫星遥感热红外波段数据的空间分辨率比可见光和近红外波段更低,为保证研究区内像元空间分辨率的一致性,需要对植被指数数据进行空间重采样,使地表温度与植被指数的空间分辨率相同。当过境的卫星遥感影像幅宽过大时,在保证地表温度和植被指数影像具有相同的坐标投影系统条件下,需要另外利用同样坐标投影系统的掩模文件对影像进行剪切处理,使之与设定的研究区大小相匹配。在经过这些预处理程序之后,即可初步构建特征空间的输入数据集。
2.通过质量控制,剔除受云污染的像元数据,并通过数字高程模型与高程阈值的设定,进一步剔除与感兴趣区像元高程差异较大的像元数据,并将余下的像元数据进一步处理。
当研究区内像元受云的污染的时候,反演的地表温度会偏低,使得地表温度-植被指数二维散点图无法形成三角特征空间。此外,由于地形高程差异的影响,处于不同高程的像元温度不仅会受表层土壤含水量的影响,也会受高程冷却效应的影响,使得构建地表温度-植被指数特征空间的基本假设条件无法满足。因而,在经过步骤1的预处理之后,需要通过质量控制,进一步剔除受云污染的像元数据;通过数字高程模型与高程阈值的设定,进一步剔除与感兴趣区像元高程差异较大的像元数据;并将余下的像元数据进一步处理。
3.利用步骤2余下的像元数据,以植被指数为横坐标、地表温度为纵坐标,构建地表温度-植被指数二维散点图特征空间。
考虑到一般的植被指数只是人为定义的参数且取决于遥感传感器的分辨率,建议利用更能代表像元内土壤和植被相对比例的植被覆盖度替代常用于构建地表温度-归一化植被指数特征空间的归一化植被指数,如图2所示。其中,横坐标为植被覆盖度,纵坐标为地表温度。该特征空间由分别代表表层相对土壤含水量为0和1的干限和湿限控制。在利用由遥感数据构建的特征空间进行蒸散发估算时,需要利用我们发明的干限和湿限选择方法进行特征空间干湿限的选择。
4.利用发明的一种地表温度-植被指数特征空间干湿限选择方法进行特征空间的干湿限选择。
首先,利用发明的方法对地表温度-植被指数特征空间内的“假”干点数据进行初步剔除,如图3所示:
i)把由步骤3中所构建的地表温度-植被指数二维散点图特征空间内的植被指数VI平均划分为M(M≤20)个区间,然后对每一个植被指数区间再划分为N个子区间(N≥5);
i i)从第一个区间开始到最后一个区间结束,通过如下所述的迭代算法,获得所有M个区间内的最大地表温度:
a)对于一个给定的植被指数区间m(m≤M),寻找并保存该区间内所有子区间的最大地表温度,并分别计为Tm,1,Tm,2,…,Tm,N;
b)计算植被指数区间m内所有子区间最大地表温度的平均值Taver,m和标准偏差σm作为初始状态估计,公式如下:-
c)如果植被指数区间m内的某一个或多个子区间上的最大地表温度小于Taver,m-σm,则舍弃该一个或多个子区间;
d)重新计算植被指数区间m内剩余子区间上最大地表温度的平均值Taver,m和标准偏差σm;
e)如果植被指数区间m内余下子区间的个数大于给定阈值并且σm也大于给定阈值时,则重复步骤(c)-(e)。否则,迭代结束,进入到步骤(f);
f)采用Taver,m作为植被指数区间m内的最大地表温度。
iii)线性拟合经过步骤ii)所保存的M个植被指数与相应的最大地表温度(最大地表温度为因变量,植被指数为自变量);
然后,利用发明的方法对地表温度-植被指数特征空间内的“假”干点数据进行进一步地剔除,如图4所示:
iv)利用由步骤iii)所得线性方程估算在各个植被指数区间内的最大地表温度(Tp),并计算最大地表温度实际值与估算值之间的均方根误差(RMSD);
v)如果某一或多个植被指数区间内的最大地表温度小于相应的Tp与2倍的RMSD之差,则舍弃该一或多个植被指数区间,进入步骤vi)。否则,迭代结束,进入步骤ix);
vi)重新线性拟合经过步骤v)所剩余的植被指数与相应的最大地表温度(最大地表温度为因变量,植被指数为自变量);
vii)重新利用由步骤vi)所得线性方程估算在各个植被指数区间内的最大地表温度(Tp),并计算最大地表温度实际值与估算值之间的均方根误差(RMSD);
viii)回到步骤v);
ix)通过上述迭代步骤,得到以下的干限线性回归方程:
Tmax=a+bVI
其中,VI为植被指数,Tmax为不同植被指数条件下的干限温度,a为截距,b为斜率。
x)根据由步骤ix)得到的线性回归方程,在不同的植被指数条件下,可分别得到相应的地表温度,即为干限温度;
xi)假定湿限温度为一常数并且等于干限在全植被覆盖处的温度,即湿限温度为a+bVImax,其中VImax为全植被覆盖时的植被指数。当植被指数用植被覆盖度代替时,湿限温度即为a+b。
采用上述方案,首次实现了地表温度-植被指数特征空间内干湿限选择的自动化,有效剔除了“假”干点和“假”湿点对干湿限选择的影响,解决了过去干湿限选择具有较大主观性和随意性的问题,显著降低了干湿限选择的不确定性以及基于遥感可反演参数空间变化信息开展地表蒸散发和表层土壤水分反演的不确定性。此外,本发明在特征空间的干湿限选择中具有实用性强、效率高、耗时短、适于业务化运行等特点。
实施例2
在上述实施例的基础上,如图5所示,利用本发明的地表温度-植被指数特征空间干湿限选择方法进行区域蒸散发估算的步骤为:
完成上述中1-4的步骤后,在进行区域蒸散发估算时还要进行以下步骤:
5.估算特征空间内逐像元的蒸发比。
通过如下公式计算得到特征空间内逐像元的蒸发比(EF):
其中,γ为湿度计常数,0.066kPa/℃;Δ为温度-饱和水汽压曲线斜率;φ为一综合参数。对特征空间(如图2所示)内任一像元i(VI,Ta)的φ值:
其中,Tmax,0和Tmin,1分别为干限上的干燥裸土像元温度和湿限温度;φmax为湿限温度所在像元对应的最大φ参数,一般为1.26。根据步骤4的干湿限选择过程,当用来构建特征空间的植被指数为植被覆盖度时,Tmax,0和Tmin,1可分别利用如下公式计算得到:
Tmax,0=a
Tmin,1=a+b
6.估算特征空间内逐像元的地表净辐射。
地表净辐射(Rn)是驱动土壤热通量、显热通量和潜热通量发生过程的基本能量来源,为地面长波(3~100μm)和短波(0.15~3μm)净辐射之和:
Rn=(1-α)Rs+εsεaσTa 4-εsσTs 4
其中,α为地表反照率;Rs为下行短波辐射;εs为地表比辐射率;εa为大气比辐射率;σ为斯蒂芬-波尔兹曼常数,Ta为气温,Ts为地表温度。
7.估算特征空间内逐像元的土壤热通量。
土壤热通量(G)一般为地表净辐射的一部分:
G=ΓRn
其中,Γ在0.05到0.5之间变化,根据植被指数的变化而改变。
8.利用步骤5得到的EF和步骤6、7得到的净辐射与土壤热通量,根据蒸发比的定义,可估算特征空间内逐像元的潜热通量(即蒸散发)。
上述中,根据图5可知,在通过数字高程模型和质量控制对地表温度进行高程和云影响的剔除后,再结合由重采样后的归一化植被指数计算得到的植被覆盖度,可以得到地表温度-植被指数(植被覆盖度)特征空间,然后依次开展干湿限的选择、φ参数以及蒸发比的估算,最后通过估算地表净辐射以及土壤热通量得到潜热通量。
利用本发明可以降低现有研究中干限和湿限选择时的不确定性和主观性,准确得到地表温度-植被指数特征空间的干限和湿限。通过干限和湿限的确定,进而可得干燥裸土像元的温度和湿限温度,提高蒸发比和潜热通量(即蒸散发)估算的精度。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,本发明还可以应用到地表温度-反照率特征空间并可以进行一定的改进和润饰,这些改进和润饰也应视为本发明的保护范围,并且对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (13)
1.一种地表温度-植被指数特征空间干湿限选择的方法,其特征在于,包括以下步骤:
步骤1:确定研究区大小和像元的空间分辨率大小,初步构建地表温度-植被指数特征空间的输入数据集;
步骤2:通过质量控制,剔除受云污染的像元数据,并通过数字高程模型与高程阈值的设定,进一步剔除与感兴趣区像元高程差异较大的像元数据,并将余下的像元数据进一步处理;
步骤3:余下的像元数据,以植被指数为横坐标、地表温度为纵坐标,构建植被指数二维散点图特征空间;
步骤4:进行植被指数二维散点图特征空间的干湿限选择。
2.如权利要求1所述的干湿限选择的方法,其特征在于,所述步骤1中,所述确定研究区大小为满足表层相对土壤含水量和植被覆盖度均具有全范围变化的条件;所述像元空间分辨率与地表温度的空间分辨率相同。
3.如权利要求1所述的干湿限选择的方法,其特征在于,所述步骤3中,所述构建地表温度-植被指数二维散点图特征空间由分别代表表层相对土壤含水量为0和1的干限和湿限控制。
4.如权利要求1所述的干湿限选择的方法,其特征在于,所述步骤4的具体步骤为:对地表温度-植被指数二维散点图特征空间的“假”干点数据进行剔除。
5.如权利要求4所述的干湿限选择的方法,其特征在于,所述进行剔除的具体步骤为:
步骤4011:将地表温度-植被指数二维散点图特征空间内的植被指数VI平均划分为M个区间,M个区间对应M个植被指数,然后对 每一个植被指数区间再划分为N个子区间;
步骤4012:从第一个区间开始到最后一个区间结束,通过迭代算法,获得所有M个区间内的最大地表温度;
步骤4013:线性拟合经过步骤4012所保存的M个植被指数与相应的M个区间内的最大地表温度;
步骤4014:利用由步骤4013所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4015:如果某一或多个植被指数区间内的最大地表温度小于相应的最大地表温度Tp与2倍的RMSD之差,则舍弃该一个或多个植被指数区间,进入步骤4016;否则,迭代结束,进入步骤4019;
步骤4016:重新线性拟合经过步骤4015所剩余的植被指数与相应的最大地表温度;
步骤4017:重新利用由步骤4016所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4018:回到步骤4015;
步骤4019:通过上述迭代步骤,得到以下的干限线性回归方程,公式一:
Tmax=a+bVI
其中,VI为植被指数,Tmax为不同植被指数条件下的干限温度,a为截距,b为斜率;
步骤4020:根据由步骤4019得到的线性回归方程,在不同的植被指数条件下,分别得到相应的地表温度,即为干限温度;
步骤4021:假定湿限温度为一常数并且等于干限在全植被覆盖处的温度,即湿限温度为a+bVImax,其中VImax为全植被覆盖时的植被指数。
6.如权利要求5所述的干湿限选择的方法,其特征在于,所述步骤4011中,所述区间M≤20;所述子区间N≥5。
7.如权利要求5所述的干湿限选择的方法,其特征在于,所述步骤4012的具体步骤为:
a)对于一个给定的植被指数区间m,寻找并保存该区间内所有子区间的最大地表温度,并分别计为Tm,1,Tm,2,…,Tm,N;所述植被指数区间m小于等于区间个数M;
b)计算植被指数区间m内所有子区间最大地表温度的平均值Taver,m和标准偏差σm作为初始状态估计,如下公式二及公式三:
c)如果植被指数区间m内的某一个或多个子区间上的最大地表温度小于Taver,m-σm,则舍弃该一个或多个子区间;
d)重新计算植被指数区间m内剩余子区间上最大地表温度的平均值Taver,m和标准偏差σm;
e)如果植被指数区间m内余下子区间的个数大于给定阈值并且σm也大于给定阈值时,则重复步骤c-步骤e;否则,迭代结束,进入到步骤f;
f)采用Taver,m作为植被指数区间m内的最大地表温度。
8.如权利要求7所述的干湿限选择的方法,其特征在于,所述步骤a)中所述区间m≤M,其中M为区间个数。
9.如权利要求5所述的干湿限选择的方法,其特征在于,所述步骤4013、
步骤4016中,所述最大地表温度Tp为因变量,所述植被指数为自变量。
10.一种包括如权利要求1所述干湿限选择的方法的装置,其特征在于,包括数据准备模块、剔除模块、构建特征空间模块及干湿限选择模块相互连接及相互通讯;所述数据准备模块,用于在确定研究区大小和像元空间分辨率大小以后准备构建地表温度-植被指数特征空间的输入数据集;所述剔除模块,用于通过质量控制,剔除受云污染的像元数据,并通过数字高程模型与高程阈值的设定,进一步剔除与感兴趣区像元高程差异较大的像元数据,并将余下的像元数据进一步处理;所述构建特征空间模块,用于将余下的像元数据,以植被指数为横坐标、地表温度为纵坐标,构建地表温度-植被指数二维散点图特征空间;所述干湿限选择模块,用于进行地表温度-植被指数二维散点图特征空间的干湿限选择。
11.如权利要求10所述的装置,其特征在于,所述构建模块中,所述确定研究区大小为满足表层相对土壤含水量和植被覆盖度均具有全范围变化的条件;所述像元空间分辨率与地表温度的空间分辨率相同;所述构建特征空间模块中,所述构建的地表温度-植被指数二维散点图特征空间由分别代表表层相对土壤含水量为0和1的干限和湿限控制。
12.如权利要求10所述的装置,其特征在于,所述干湿限选择模块进行干湿限选择的具体步骤为:对地表温度-植被指数二维散点图特征空间的“假”干点数据进行剔除。
13.如权利要求12所述的装置,其特征在于,所述进行剔除的具体步骤为:
步骤4011:将地表温度-植被指数二维散点图特征空间内的植被指数VI平均划分为M个区间,M个区间对应M个植被指数,然后对每一个植被指数区间再划分为N个子区间;
步骤4012:从第一个区间开始到最后一个区间结束,通过迭代算法,获得所有M个区间内的最大地表温度;
步骤4013:线性拟合经过步骤4012所保存的M个植被指数与相应的M个区间内的最大地表温度;
步骤4014:利用由步骤4013所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4015:如果某一或多个植被指数区间内的最大地表温度小于相应的最大地表温度Tp与2倍的RMSD之差,则舍弃该一个或多个植被指数区间,进入步骤4016;否则,迭代结束,进入步骤4019;
步骤4016:重新线性拟合经过步骤4015所剩余的植被指数与相应的最大地表温度;
步骤4017:重新利用由步骤4016所得线性方程估算在各个植被指数区间内的最大地表温度Tp,并计算最大地表温度实际值与估算值之间的均方根误差RMSD;
步骤4018:回到步骤4015;
步骤4019:通过上述迭代步骤,得到以下的干限线性回归方程,公式一:
Tmax=α+bVi
其中,VI为植被指数,Tmax为不同植被指数条件下的干限温度,a为截距,b为斜率;
步骤4020:根据由步骤4019得到的线性回归方程,在不同的植被指数条件下,分别得到相应的地表温度,即为干限温度;
步骤4021:假定湿限温度为一常数并且等于干限在全植被覆盖处的温度,即湿限温度为a+bVImax,其中VImax为全植被覆盖时的植被指数;
所述步骤4011中,所述区间M≤20;所述子区间N≥5;
所述步骤4012的具体步骤为:
a)对于一个给定的植被指数区间m,寻找并保存该区间内所有子区间的最大地表温度,并分别计为Tm,1,Tm,2,…,Tm,N;所述植被指数区间m小于等于区间个数M;
b)计算植被指数区间m内所有子区间最大地表温度的平均值Taver,m和标准偏差σm作为初始状态估计,如下公式二及公式三:
c)如果植被指数区间m内的某一个或多个子区间上的最大地表温度小于Taver,m-σm,则舍弃该一个或多个子区间;
d)重新计算植被指数区间m内剩余子区间上最大地表温度的平均值Taver,m和标准偏差σm;
e)如果植被指数区间m内余下子区间的个数大于给定阈值并且σm也大于给定阈值时,则重复步骤c-步骤e;否则,迭代结束,进入到步骤f;
f)采用Taver,m作为植被指数区间m的最大地表温度;
所述步骤a)中所述区间m≤M,其中M为区间个数;
所述步骤4013、步骤4016中,所述最大地表温度Tp为因变量,所述植被指数为自变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410014678.5A CN103793596A (zh) | 2014-01-14 | 2014-01-14 | 一种地表温度-植被指数特征空间干湿限选择的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410014678.5A CN103793596A (zh) | 2014-01-14 | 2014-01-14 | 一种地表温度-植被指数特征空间干湿限选择的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103793596A true CN103793596A (zh) | 2014-05-14 |
Family
ID=50669258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410014678.5A Pending CN103793596A (zh) | 2014-01-14 | 2014-01-14 | 一种地表温度-植被指数特征空间干湿限选择的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793596A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899555A (zh) * | 2015-05-12 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 光学遥感图像云下地表温度及发射长波辐射的估算方法 |
CN105628618A (zh) * | 2015-12-21 | 2016-06-01 | 中国矿业大学(北京) | 基于遥感地表温度与植被盖度两阶段空间探测地表蒸散的方法 |
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN109271605A (zh) * | 2018-10-12 | 2019-01-25 | 中国科学院地理科学与资源研究所 | 高空间分辨率遥感地表温度数据计算方法与装置 |
WO2019145895A1 (en) * | 2018-01-24 | 2019-08-01 | The State Of Israel, Ministry Of Agriculture & Rural Development Agricultural Research Organization | Method and system for estimating crop coefficient and evapotranspiration of crops based on remote sensing |
CN110334381A (zh) * | 2019-05-08 | 2019-10-15 | 中国科学院地理科学与资源研究所 | 蒸散发估算的方法、装置和计算机介质 |
CN110658325A (zh) * | 2019-09-29 | 2020-01-07 | 中国矿业大学(北京) | 一种确定sm监测中lst/fvc空间的方法 |
CN110968955A (zh) * | 2019-12-02 | 2020-04-07 | 中国科学院地理科学与资源研究所 | 一种蒸发比观测的时空拓展技术 |
CN111192315A (zh) * | 2018-11-14 | 2020-05-22 | 中国灌溉排水发展中心 | 一种基于多源信息的实际灌溉面积提取方法 |
CN113553549A (zh) * | 2021-07-26 | 2021-10-26 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
-
2014
- 2014-01-14 CN CN201410014678.5A patent/CN103793596A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899555B (zh) * | 2015-05-12 | 2018-03-09 | 中国科学院遥感与数字地球研究所 | 光学遥感图像云下地表温度及发射长波辐射的估算方法 |
CN104899555A (zh) * | 2015-05-12 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 光学遥感图像云下地表温度及发射长波辐射的估算方法 |
CN105628618A (zh) * | 2015-12-21 | 2016-06-01 | 中国矿业大学(北京) | 基于遥感地表温度与植被盖度两阶段空间探测地表蒸散的方法 |
CN105628618B (zh) * | 2015-12-21 | 2018-03-09 | 中国矿业大学(北京) | 基于遥感地表温度与植被盖度两阶段空间探测地表蒸散的方法 |
WO2019145895A1 (en) * | 2018-01-24 | 2019-08-01 | The State Of Israel, Ministry Of Agriculture & Rural Development Agricultural Research Organization | Method and system for estimating crop coefficient and evapotranspiration of crops based on remote sensing |
US11557117B2 (en) | 2018-01-24 | 2023-01-17 | The State Of Israel, Ministry Of Agriculture & Rural Development Agricultural Research Organization | Method and system for estimating crop coefficient and evapotranspiration of crops based on remote sensing |
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN108955620B (zh) * | 2018-02-13 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN109271605A (zh) * | 2018-10-12 | 2019-01-25 | 中国科学院地理科学与资源研究所 | 高空间分辨率遥感地表温度数据计算方法与装置 |
CN111192315A (zh) * | 2018-11-14 | 2020-05-22 | 中国灌溉排水发展中心 | 一种基于多源信息的实际灌溉面积提取方法 |
CN111192315B (zh) * | 2018-11-14 | 2023-12-19 | 中国灌溉排水发展中心 | 一种基于多源信息的实际灌溉面积提取方法 |
CN110334381A (zh) * | 2019-05-08 | 2019-10-15 | 中国科学院地理科学与资源研究所 | 蒸散发估算的方法、装置和计算机介质 |
CN110334381B (zh) * | 2019-05-08 | 2021-02-12 | 中国科学院地理科学与资源研究所 | 蒸散发估算的方法、装置和计算机存储介质 |
CN110658325A (zh) * | 2019-09-29 | 2020-01-07 | 中国矿业大学(北京) | 一种确定sm监测中lst/fvc空间的方法 |
CN110968955A (zh) * | 2019-12-02 | 2020-04-07 | 中国科学院地理科学与资源研究所 | 一种蒸发比观测的时空拓展技术 |
CN113553549A (zh) * | 2021-07-26 | 2021-10-26 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793596A (zh) | 一种地表温度-植被指数特征空间干湿限选择的方法及装置 | |
CN107909607B (zh) | 一种年度区域植被覆盖度计算方法 | |
Degerli et al. | Evaluation from rural to urban scale for the effect of NDVI-NDBI indices on land surface temperature, in Samsun, Türkiye | |
CN103824077B (zh) | 一种基于多源遥感数据的城市不透水层率息提取方法 | |
Bateni et al. | Variational assimilation of land surface temperature and the estimation of surface energy balance components | |
CN103745472B (zh) | 基于条件三重马尔可夫场的sar图像分割方法 | |
CN112016696B (zh) | 融合卫星与地基观测的pm1浓度反演方法及系统 | |
Wu et al. | Application of SEBAL and Markov models for future stream flow simulation through remote sensing | |
CN104484859A (zh) | 一种多光谱光学遥感图像数据去除薄云的方法 | |
CN104077475A (zh) | 一种基于多算法集成的全球陆表蒸散估算系统及方法 | |
CN111046613A (zh) | 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法 | |
CN103954973A (zh) | 一个从viirs数据反演地表温度的方法 | |
Bunting et al. | Insights for empirically modeling evapotranspiration influenced by riparian and upland vegetation in semiarid regions | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
Orellana-Samaniego et al. | Estimating monthly air temperature using remote sensing on a region with highly variable topography and scarce monitoring in the southern Ecuadorian Andes | |
Liu et al. | Mapping spatially-temporally continuous shortwave albedo for global land surface from MODIS data. | |
محمد بني دومي et al. | The Effects of Land Cover Changes on Land Surface Temperature in Amman: An Urban Climate Change Study | |
Elmalki et al. | A diachronic study of Ourika watershed land in the High Atlas of Morocco | |
CN103218532B (zh) | 绿水流估算方法及装置 | |
Meng et al. | Variational estimation of land–atmosphere heat fluxes and land surface parameters using MODIS remote sensing data | |
Jin et al. | Quantifying bare soil evaporation and its relationship with groundwater depth | |
Sieck | Internal variability in the regional climate model REMO | |
Liu et al. | Comparative assessment of Two Source of Landsat TM vegetative fraction coverage for modeling urban latent heat fluxes | |
Tao et al. | Estimation of actual irrigation area using remote sensing monitoring method in Hetao Irrigation District | |
Akbarzadeh MS et al. | Estimates of evaporation from surface water bodies with SEBAL Algorithm using remote sensing techniques (case study: Chahnimeh’s Fresh Water Reservoirs of Sistan) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140514 |
|
WD01 | Invention patent application deemed withdrawn after publication |