CN105527616A - 一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法 - Google Patents

Abstract

本发明公开了一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法，该方法包括如下步骤：步骤1)基于IEM模型，建立后向散射系数同极化差、同极化和与地表粗糙度和土壤含水量的关系模型；步骤2)基于Dubois模型与1)，建立后向散射系数同极化数据与裸土区土壤含水量关系模型；步骤3)基于PROSAIL辐射传输模型，建立玉米整个生长周期(初期、中期和末期)、冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系模型，绘制植被含水量影像图；步骤4)结合裸土区土壤含水量半经验模型与植被含水量模型，建立植被覆盖地表土壤含水量反演方法，该方法经过多源数据协同、多模型融合、多区域试验，进一步提高了土壤含水量反演精度。

Description

一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法

技术领域

本发明涉及一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量信息提取方法，特别是一种应用雷达和多光谱卫星数据协同、大面积检测的土壤含水量的方法。

背景技术

地表土壤水分是陆地和大气能量交换过程中的重要因子，是联系地表水和地下水的纽带，也是进行旱情监测、农作物估产的重要指标，地表土壤水分过多、多少对农业都会带来严重影响，是人们生活中最为关注的问题。

遥感作为新型对地观测技术，具有大面积同步覆盖、实时连续、经济有效等优点。雷达卫星传感器(如RADARSAT-2)与光学传感器(Landsat8-OLI)等多源遥感数据为空间探测提供了新的视角和研究方向。其中，雷达卫星传感器具有不受天气影响、全天时、全天候、穿云透雾的能力，能够穿透植被层和土壤表面，长波微波具有更深的穿透能力能够让人们了解植被覆盖下土壤的状况。多光谱遥感影像具有分辨率高，波段信息丰富，表现地表特征丰富等优点。基于光学遥感数据可较好的完成植被冠层水分信息的反演。雷达影像与光学影像协同反演稀疏植被覆盖区地表土壤含水量时，具有其他方法不可比拟的优势。

余凡(2011)等利用ASAR与TM数据协同建立了一种植被覆盖地表土壤水分的半经验耦合模型，提取了甘肃黑河实验区土壤含水量信息。曾文远(2012)等利用ENVI_SATASAR和Landsat5数据，提取了山西省西山矿区的表层土壤水分状况。张友静(2010)等人利用EASAR-APP、TM和MODIS数据，研究了小麦覆盖下地表土壤含水量的反演方法

McDonald等根据辐射传输模型，提出了MIMICS模型，之后经Roo等人的简化，被应用与稀疏植被覆盖地表土壤含水量反演。Attema(1978)等提出了水-云模型，探索出了一种植被覆盖度地表的土壤含水量反演方法。

目前，国内外反演土壤含水量多采用单一影像数据源，单一区域、单一模型进行研究，利用多源数据、多区域、多模型融合的方法，反演植被覆盖地表土壤含水量，至今较少。

考虑到以上问题，本发明利用RADARSAT-2散射特性和全极化特点，结合Landsat8光学特性，研发了一种具有典型区域特色的多源遥感数据协同反演植被覆盖地表土壤含水量反演方法。

发明内容

针对数据源单一、区域单一、模型单一植被覆盖地表土壤含水量反演方法研究不足、精度偏低等问题，本发明结合多数据源、多区域、多模型，建立了一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法。

本发明的目的通过以下技术步骤实现：

步骤1)基于IEM模型，建立后向散射系数同极化差与地表粗糙度关系，获得同极化差与地表粗糙度关系响应图；

步骤2)基于IEM模型，建立后向散射系数同极化和()与地表粗糙度关系，获得同极化差与地表粗糙度关系响应图；

步骤3)基于IEM模型，建立后向散射系数同极化与地表粗糙度关系模型

步骤4)基于Dubois模型(HH模型和VV模型)，结合步骤3)，建立后向散射系数同极化差、和与裸土区土壤含水量关系模型；

步骤5)基于PROSAIL辐射传输模型，建立玉米整个生长周期(初期、中期和末期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系，分别获得NDVI、NDWI1、NDWI2、MSI关系响应图；

步骤6)基于河北省衡水市深州市实测植被冠层含水量统计数据，获得针对河北省的最优玉米冠层水指数，获得最优玉米冠层水指数影像图；

步骤7)基于PROSAIL辐射传输模型，建立冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系，分别获得NDVI、NDWI1、NDWI2、MSI关系响应图；

步骤8)基于安徽省固镇县实测植被冠层含水量统计数据，获得针对安徽省的最优冬小麦冠层水指数，获得最优小麦冠层水指数影像图；

步骤9)基于步骤4)、步骤6)和步骤8)，利用水-云模型，获得多源数据协同、多模型融合、多区域试验的植被覆盖地表土壤含水量反演方法。

附图说明

图1为同极化差与地表粗糙度关系响应结果图；

图2为同极化和与地表粗糙度关系响应结果图；

图3为河北省衡水市深州市裸土区土壤含水量反演结果图；

图4为安徽省固镇县裸土区土壤含水量反演结果图；

图5为NDVI、NDWI1、NDWI2、MSI与玉米冠层含水量响应结果图(初期、中期和末期)；

图6为NDVI、NDWI1、NDWI2、MSI与冬小麦冠层含水量响应结果图；

图7为河北省衡水市深州市最佳玉米冠层水指数结果图；

图8为安徽省固镇县最佳冬小麦冠层水指数结果图；

图9为河北省植被覆盖地表土壤含水量结果图；

图10为安徽省植被覆盖地表土壤含水量结果图。

具体实施方式

下面结合附图对本发明“一种基于多全极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法”作进一步阐述说明。

本发明所涉及的“基于RADARSAT-2影像裸土区土壤含水量反演方法”、“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”和“基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法”是土壤含水量的重要方法创新。其中，“基于RADARSAT-2影像裸土区土壤含水量反演方法”，将IEM理论模型与Dubois经验模型相结合，建立裸土区土壤含水量反演方法，并应用到河北和安徽示范区，该方法实现了多模型结合、多区域试验的效果，同时提升了算法的运行效率，为建立植被覆盖地表土壤含水量反演打下了良好的基础；“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”，将PROSAIL辐射传输模型与不同植被水指数相结合，建立了基于最优植被水指数的冠层含水量反演方法，并应用与河北和安徽示范区，该方法亦实现了多模型结合、多区域试验的效果，为建立植被覆盖地表土壤含水量反演打下了良好的基础；“基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法”，将“基于RADARSAT-2影像裸土区土壤含水量反演算法”和“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”相结合，实现了多源数据协同、多模型结合、多区域试验的效果，使植被覆盖地表土壤含水量反演结果具备了一定的可靠性。

(一)基于RADARSAT-2影像裸土区土壤含水量反演方法

基于IEM和Dubois模型，利用RADARSAT-2数据，获得裸土区土壤含水量反演方法，并应用与河北和安徽试验区。首先，基于IEM模型，建立后向散射系数同极化差与地表粗糙度关系， ${\mathrm{\σ}}_{vv}^o-{\mathrm{\σ}}_{hh}^o=-0.442*{\mathrm{\δ}}^4+2.819*{\mathrm{\δ}}^3-4.753*{\mathrm{\δ}}^2-1.938*\mathrm{\δ}+1.658ln\left(m_v\right)+7.477$ 获得同极化差与地表粗糙度关系响应图(图1)；其次，基于IEM模型，建立后向散射系数同极化和()与地表粗糙度关系 ${({{\mathrm{\σ}}_{hh}^o}^2+{{\mathrm{\σ}}_{vv}^o}^2)}^{0.5}=2.508{\mathrm{\δ}}^4-18.77{\mathrm{\δ}}^3+51.57{\mathrm{\δ}}^2-60.92\mathrm{\δ}+28.255-5.547ln\left(m_v\right),$ 获得同极化差与地表粗糙度关系响应图(图2)；之后，基于Dubois模型(HH模型和VV模型)，结合同极化差、同极化和与地表粗糙度关系模型 $1.6576{({{\mathrm{\σ}}_{hh}^o}^2+{{\mathrm{\σ}}_{vv}^o}^2)}^{0.5}+5.547*({\mathrm{\σ}}_{vv}^o-{\mathrm{\σ}}_{hh}^o)=1.7066{\mathrm{\δ}}^4-15.4762{\mathrm{\δ}}^3+59.1175{\mathrm{\δ}}^2-111.7311\mathrm{\δ}+88.632$ ，建立后向散射系数与裸土区土壤含水量反演方法和最后，将该方法应用到河北和安徽实验区(图3，图4)并验证方法的可靠性。

(二)基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法

基于PROSAIL辐射传输模型和植被水指数，建立植被冠层含水量反演方法，并应用与河北和安徽实验区。首先，基于野外实测数据和已有研究提供的最佳输入参数，结合LOPEX’93(LeafOpticalPropertiesExperiment)数据库和我国典型地物波谱知识库，设置PROSAIL辐射传输模型中输入参数取值范围，利用PROSAIL辐射传输模型，获得NDVI、NDWI1、NDWI2、MSI与不同玉米生长期冠层含水量响应关系图(图5)，完成不同生育期玉米最佳水分指数优选，获得河北省衡水市深州市最佳玉米冠层水指数结果图(图7)。其次，利用PROSAIL辐射传输模型，获得NDVI、NDWI1、NDWI2、MSI与冬小麦冠层含水量响应关系图(图6)，完成冬小麦最佳水分指数优选，获得安徽省最佳玉米冠层水指数结果图(图8)。最后，建立玉米、冬小麦观测含水量反演模型，如下表所示：

(三)基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法

“水-云”模型简单的描述了农作物覆盖地表的后向散射机制，“水-云”模型可较好的定量消除农作物对土壤后向散射系数的影响。将“基于RADARSAT-2影像裸土区土壤含水量反演方法”与“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”相结合，利用水-云模型τ²＝exp(-2*B*W_csecθ)；提取河北省和安徽省示范区植被覆盖地表土壤含水量信息。其中，为植被直接后向散射系数，α为单位像元内植被冠层之间的平均间隔，m_v为土壤溶剂含水量，τ²为植被层的双层衰减因子，W_c为植被冠层含水量(kg/m2)，A和B是依赖于植被类型的参数。基于稀疏植被区部分实测的地表粗糙度参数s、l、mv、HH和VV极化后向散射系数，结合裸土区经验IEM模型，可完成HH、VV两种极化方式下参数A、B、α的率定，最后可完成植被覆盖地表土壤含水量反演。

Claims (10)

1.一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法，该度量方法包括如下步骤：

步骤1)基于IEM模型，建立后向散射系数同极化差与地表粗糙度和土壤含水量的关系，获得同极化差与地表粗糙度关系响应图；

步骤2)基于IEM模型，建立后向散射系数同极化和与地表粗糙度和土壤含水量的关系，获得同极化差与地表粗糙度关系响应图；

步骤3)基于IEM模型，建立后向散射系数同极化与地表粗糙度关系模型；

步骤4)基于Dubois模型(HH模型和VV模型)，结合步骤3)，建立后向散射系数同极化差、和与裸土区土壤含水量关系模型；

步骤5)基于PROSAIL辐射传输模型，建立玉米整个生长周期(初期、中期和末期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系，分别获得NDVI、NDWI1、NDWI2、MSI关系响应图；

步骤6)基于河北省深州市实测植被冠层含水量数据，获得针对河北省的最优玉米冠层水指数，获得最优玉米冠层水指数影像图；

步骤7)基于PROSAIL辐射传输模型，建立冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系，分别获得NDVI、NDWI1、NDWI2、MSI关系响应图；

步骤8)基于安徽省固镇县实测植被冠层含水量统计数据，获得针对安徽省的最优冬小麦冠层水指数，获得最优小麦冠层水指数影像图；

步骤9)基于步骤4)、步骤6)和步骤8)，利用水-云模型，获得多源数据协同、多模型融合、多区域试验的植被覆盖地表土壤含水量反演方法。

2.如权利要求书1所述的方法，其特征在于，所述步骤1)：提出基于IEM理论模型的后向散射系数同极化差与地表粗糙度和土壤含水量的之间的关系模型。

3.如权利要求书1所述的方法，其特征在于，所述步骤2)：提出基于IEM理论模型的后向散射系数同极化和与地表粗糙度和土壤含水量的之间的关系模型。

4.如权利要求书1所述的方法，其特征在于，所述步骤3)：提出基于IEM理论明后向散射系数同极化差、和与地表粗糙度之间的关系模型。

5.如权利要求书1所述的方法，其特征在于，所述步骤4)：提出了将IEM理论模型与Dubois经验模型相结合的裸土区土壤含水量半经验模型。

6.如权利要求书1所述的方法，其特征在于，所述步骤5)：提出了基于PROSAIL辐射传输模型，玉米整个生长周期(初期、中期和末期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量之间的关系模型。

7.如权利要求书1所述的方法，其特征在于，所述步骤6)：提出了基于河北示范图的最优玉米冠层水指数反演。

8.如权利要求书1所述的方法，其特征在于，所述步骤7)：提出了基于PROSAIL辐射传输模型，冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量之间的关系模型。

9.如权利要求书1所述的方法，其特征在于，所述步骤8)：提出了基于安徽示范区的最佳冬小麦冠层含水量反演水指数。

10.如权利要求书1所述的方法，其特征在于，所述步骤9)：提出了基于多源数据(RADARSAT-2与Landsat8)协同、多模型相融合(理论模型与经验模型)、多区域(河北示范区域安徽示范区)试验的植被覆盖地表土壤含水量反演方法。