CN105606631A - 一种盐度卫星双波段亮温数据联合反演土壤水分的方法 - Google Patents

Abstract

本发明提出一种盐度卫星双波段亮温数据联合反演土壤水分的方法，属于微波遥感领域，首先利用K波段(23.8GHz)V极化亮温获取土壤温度，再将传统的τ-ω模型进行优化，使影响土壤水分反演的两个参数均方根高度h和光学厚度τ合成为一个参数，并在合理的假设条件下，使τ-ω模型仅包括土壤温度和土壤水分两个未知参数，再利用C波段(6.9GHz)H极化亮温数据直接反演土壤水分信息。

Description

一种盐度卫星双波段亮温数据联合反演土壤水分的方法

技术领域

本发明涉及微波遥感领域，主要涉及的是一种采用K波段和C波段亮温数据联合反演土壤水分的方法

背景技术

土壤水分不仅是地球生态系统非常重要的组成部分，同时也是地表干旱信息最重要的表征参量。诸多的研究均表明区域性或全球性的土壤水分观测对很多环境学科，如洪水监测，改良土壤侵蚀模型，天气预报以及农业应用都至关重要。因此，获取大范围地表土壤水分时空分布信息是一个迫切需要解决的问题。被动微波遥感由于对地表介电特性的强敏感性而具备良好的反演土壤水分的物理基础。相比传统土壤水分测量方法，被动微波遥感覆盖面广，能够大范围持续观测；相比可见光与热红外，它具有全天时全天候，穿透性强，较少受到云雾干扰的优势。因此，被动微波遥感被认为是目前监测土壤水分最有效的手段，并已被广泛应用于快速获取全球区域的地表土壤水分信息。

由于土壤颜色和表层温度受土壤湿度的影响，利用可见光和红外波段的遥感方法也能反映土壤湿度状态，但微波遥感被认为是能够真正意义上进行定量化土壤水分监测最有潜力的方法。微波遥感能够监测土壤水分的原因在于微波传感器接收到的地表发射的微波亮温或者地表反射的微波后向散射系数与地表土壤的介电特性密切相关，而土壤的介电特性主要由其含水量决定，因此利用微波遥感进行土壤水分的估算具有很好的物理基础。此外，相比可见光、热红外易受大气、云雾等影响的限制，微波遥感具有全天时、全天候观测的特点，并对云雾、雨雪、植被及干燥地物有一定的穿透能力，从而弥补了可见光，热红外在土壤水分监测中的不足。

海洋盐度探测卫星有效载荷包括L、C和K波段微波辐射计，为海洋、减灾、农业以及气象等多个行业和业务部门提供服务。虽然盐度卫星是为获取海洋盐度而设计，但其获取的数据在陆表表面也将有重要的应用价值，如获取陆表温度和土壤水分等。盐度卫星频率设置是L波段(1.415GHz)、C波段(6.9GHz)和K波段(18.7GHz和23.8GHz)，均包括H和V两种极化方式。

发明内容

本发明提出一种利用盐度卫星K波段(23.8GHz)和C(6.9GHz)亮温数据联合反演地表土壤水分的方法。首先利用K波段(23.8GHz)V极化亮温获取土壤温度，再将传统的τ-ω模型进行优化，使影响土壤水分反演的两个参数均方根高度h和光学厚度τ合成为一个参数，并在合理的假设条件下，使τ-ω模型仅包括土壤温度和土壤水分两个未知参数，再利用C波段(6.9GHz)H极化亮温数据直接反演土壤水分信息。采用具有相似系统参数的AMSR-E卫星数据进行验证。结果表明本发明提出的方法可以有效获取地表土壤水分信息。

本发明提出的反演土壤水分的方法，其是采用K波段和c波段亮温数据联合反演土壤水分，该方法包括如下步骤：

步骤1、获取盐度卫星数据，从数据文件中提取K波段(23.8GHz)V极化亮温数据BT_(23.8，v)；

步骤2、根据以下公式计算陆表温度T：

T＝0.767×BT_(23.8，v)+76.893；

步骤3、在0.01～0.6土壤水分范围内，步长设为0.01，利用Dobson模型在土壤质地、容重和陆表温度T已知的情况下，计算每个土壤水分对应的介电常数ε；

步骤4、获取盐度卫星数据，从数据文件中提取C波段(6.9GHz)V和H极化亮温数据BT_(6.9，v)和BT_(6.9，h)；

步骤5、输入盐度卫星的入射角θ，其是一个固定值，由步骤3中的介电常数ε，根据下面的公式计算得到法向入射的菲涅耳反射率R_oH和R_oV，带入到公式R′_sp＝(1-Q)R_op+QR_oq，该公式中下标p和q表示正交极化方式，即若p为H或V极化，则q为V或H极化，Q表示粗糙度参数，并令Q＝0.174，计算得到R′_sH和R′_sV；

$R_{oH}=|\frac{cos\mathrm{\θ}-\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{cos\mathrm{\θ}+\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{|}^2$

$R_{oV}=|\frac{\mathrm{\ϵ}cos\mathrm{\θ}-\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{\mathrm{\ϵ}cos\mathrm{\θ}+\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{|}^2$

步骤6、令T_BV＝BT(6.9，v)，T_BH＝BT(6.9，h)；并将T_BH、T_BV、R′_sH、R′_sV和陆表温度T代入下面的公式的右侧，并将公式的右侧与左侧的BT_(6.9，h)相减，再求绝对值；

$T_{BH}=(1-R_{sH}^{\′}\frac{T_{BV}-T_{BH}}{T_{BV}{R}_{sH}^{\′}-T_{BH}{R}_{sV}^{\′}})T$

步骤7、在0.01～0.6之间遍历完土壤水分后，使步骤6中绝对值最小的土壤水分值，即为得到的土壤水分反演结果。

优选的是：在步骤1和2中，将CAMP/Tibet，玛曲及那曲三个实验区的地表土壤温度观测的数据，与同时期的AMSR-E23.8GHzV极化亮温数据建立模型：T＝0.767×BT_(23.8，v)+76.893；获取盐度卫星数据，从数据文件中提取K波段(23.8GHz)V极化亮温数据BT_(23.8，v)；根据上述模型计算陆表温度T；所述模型与实测数据的相关系数为0.87，均方根误差为3.94K。

附图说明

图1为23.8GHzV极化亮温与地表温度统计回归模型

图2为反演模型的验证散点图。

具体实施方式

卫星数据：AMSR-E共配置有6个波段，具体为6.9GHz，10.7GHz，18.7GHz，23.8GHz，36.5GHz与89GHz，每个波段均提供双极化观测。其中，6.9GHz、18.7Ghz和23.8GHz与盐度卫星相同，所以，本发明利用盐度卫星K波段(23.8GHz)和C波段(6.9GHz)数据发展的土壤水分反演方法，是利用现有AMSR-E数据验证其有效性。

地面试验数据：CAMP/Tibet数据：全球协调加强观测计划亚澳季风之青藏高原试验研究网络CAMP/Tibet是一个建立于青藏高原中部的中尺度土壤温湿度观测网络。该网络建立的目的是为了测量青藏高原地区的土壤水分及土壤温度，从而用于发展及验证陆面过程模型及卫星土壤水分反演算法。CAMP/Tibet观测网地区地表覆盖类型主要为稀疏的低矮草地。记录的时间范围为2002年10月1日至2004年3月31日。

玛曲观测网：玛曲土壤温湿度观测网于2008年7月开始建立。玛曲观测网覆盖的面积约为40km×80km，在该网络地区，每个站点每隔15分钟对不同深度(从地表5cm至地下80cm)的土壤水分和土壤温度进行记录，时间覆盖范围为2008年7月1日至2010年7月31日。所有站点分布在黄河河谷及其周围的小山，地表覆盖类型为均一的低矮草地。

那曲观测网：那曲土壤温湿度观测网是一个多尺度观测网络，覆盖面积约为100km×100km。该网络由56个站点组成，每个站点每隔半小时记录不同深度(分别为0～5cm，10cm，20cm及40cm)的土壤水分及土壤温度信息，记录时间范围为2010年8月1日至2011年10月31日。

常用的微波辐射亮温对地表温度的反演方法均是采用Ka波段(36.5GHz或37GHz)V极化数据，但盐度卫星并不包含此波段设置，所以本发明建立了利用K波段(23.8GHz)V极化亮温数据反演土壤温度的方法，如图1所示。

T＝0.767×BT_(23.8，v)+76.893

3个实验区中共有实测对应数据1358个，统计模型与实测数据的相关系数为0.87，均方根误差为3.94K，表明以上模型能较好的反演陆表温度。

C波段(6.9GHz)τ-ω模型进行优化的过程如下：τ-ω模型将来自于土壤及植被层的亮温表示成三个方面：(1)经过植被冠层衰减的土壤的发射；(2)来自植被层的直接发射；(3)经过土壤反射以及被植被冠层削弱的植被发射。辐射计观测的亮温具体形式如下：

T_Bp＝T_s(1-R_sp)exp(-τ_p)+T_c(1-ω_p)[1-exp(-τ_p)]

+T_c(1-ω_p)[1-exp(-τ_p)]R_spexp(-τ_p)(1)

其中下标p表示极化方式(H或者V)；T_s与T_c分别表示地表土壤及植被冠层的物理温度，单位为K；R_sp表示表层土壤的有效反射率；τ_p表示沿着传感器观测方向的植被光学厚度(随极化方式而不同)，用来参数化植被的衰减特性；ω_p表示植被的单次散射反照率，用来参数化冠层内植被的散射影响。

为了简化反演过程算法采取了以下合理的假设：首先，通常认为在低频且植被较为稀疏时ω_p的影响可以忽略不计即ω_p＝0，该假设也被应用于众多的土壤水分反演算法当中；其次，由于被动微波传感器的分辨率非常粗糙，因此通常认为τ_p在卫星尺度下不受到极化方式的影响，即τ_h＝τ_v；最后，植被冠层温度与表层土壤温度通常近似相等并用统一符号T表示，即T_s＝T_c＝T，这也是目前所有主流算法采取的假设。

基于以上假设，上式可以被简化为：

T_Bp＝[1-R_spexp(-2τ)]T

(2)

在卫星尺度下，粗糙地表的有效反射率往往非常难以直接获取。因此，研究者提出了相应的粗糙度模型去校正粗糙度对地表发射率的影响，这些模型包括H_p模型，Q/H模型及Q_p模型等。虽然目前已有研究基于不同的粗糙度模型利用不同极化或者角度下的发射率之间的关系，最小化粗糙度的影响。然而这些方法均只能应用于最简单的裸露地表而不能直接应用于植被覆盖区域。本研究选择利用的是主流算法中最常用的Q/H模型，表达形式如下：

R_sp＝[(1-Q)R_op+QR_oq]exp(-h)

(3)

其中下标p和q表示正交极化方式，即若p为H或V极化，则q为V或H极化；Q和h表示粗糙度参数，用来描述地表粗糙度对地表发射率的影响。R_op和R_oq是法向入射的菲涅耳反射率，只与土壤介电常数(土壤水分)和卫星数据入射角有关

$R_{oH}=|\frac{cos\mathrm{\θ}-\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{cos\mathrm{\θ}+\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{|}^2---\left(4\right)$

$R_{oV}=|\frac{\mathrm{\ϵ}cos\mathrm{\θ}-\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{\mathrm{\ϵ}cos\mathrm{\θ}+\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{|}^2---\left(5\right)$

将(2)和(3)两式合并，得到：

T_Bp＝[1-R′_spexp(-2τ-h)]T

(6)

其中，

R′_sp＝(1-Q)R_op+QR_oq

(7)

在本发明中，Q值采用的是在C波段(6.9GHz)标定好的定值即Q＝0.174。因此，根据菲涅尔方程，在给定角度的条件下，R′_sp只与土壤的介电特性有关。算法选择利用经典的Dobson土壤介电模型去实现土壤水分到土壤介电常数的转换。因此，如果土壤参数(如土壤质地、容重)及土壤温度已知的话，那么在给定频率和入射角的条件下，R′_sp可以表达为土壤水分的表达式，即R′_sp＝f(sm)。另一方面，在公式(6)中，植被光学厚度和地表粗糙度由于对亮温具有同样的指数衰减作用而被合并为了一个综合影响因子即exp(-2τ-h)，这样原本必须解决的两个未知参数被缩减为了一个，从而达到了消元的目的。

土壤水分是我们需要求解的未知量，因此如果能把exp(-2τ-h)这个综合影响因子表达成与待求量土壤水分有关的表达式，那么就能将对综合影响因子的求解转换成对土壤水分的求解，从而巧妙的避免对植被及地表粗糙度辅助参数的依赖及不合理假设。基于以上思路，我们将这个综合影响因子用S表示，即令exp(-2τ-h)＝S。那么在同频率下H极化与V极化亮温可以分别被表达为：

T_BH＝(1-R′_sHS)T(8)

T_BV＝(1-R′_sVS)T(9)

结合公式(7)及(8)，我们可以求解得到S参数，如下所示：

$S=\frac{T_{BV}-T_{BH}}{T_{BV}{R}_{sH}^{\′}-T_{BH}{R}_{sV}^{\′}}---\left(10\right)$

从公式(10)可以看出，参数S被表达为了在双极化观测亮温条件下R′_sp的函数。

因为H极化亮温对土壤水分变化更敏感，所以把公式(10)带入到公式(8)，可以得到：

$T_{BH}=(1-R_{sH}^{\′}\frac{T_{BV}-T_{BH}}{T_{BV}{R}_{sH}^{\′}-T_{BH}{R}_{sV}^{\′}})T---\left(11\right)$

结合上述的分析可以看出在传感器参数即频率、入射角给定及土壤参数如土壤质地、容重已知的情况下，公式(11)等号右边的式子里只有土壤水分和土壤温度为未知参量。而土壤温度可以通过以上建立的23.8GHz的V极化亮温计算得到。因此在公式(11)中只剩下土壤水分为唯一的未知参量。最后，我们可以通过非线性的迭代过程使得模拟的H极化亮温与观测的H极化亮温之间的差的绝对值最小来求解得到土壤水分。

利用那曲地区实测土壤水分数据和对应的AMSR-E卫星数据对本研究发展的算法进行验证，结果如图2所示。对验证结果进行数学统计分析，结果如表1所示。有验证结果可见，平均相关系数约为0.6，表明了该本算法的有效性。

表1土壤水分验证结果统计信息

Claims (1)

1.一种盐度卫星K波段和C波段亮温数据联合反演土壤水分的方法，该方法包括如下步骤：

步骤1、获取盐度卫星数据，从数据文件中提取K波段(23.8GHz)V极化亮温数据BT_(23.8，v)；

步骤2、根据以下公式(1)计算陆表温度T：

T＝0.767×BT_(23.8，v)+76.893；(1)

步骤3、在0.01～0.6土壤水分范围内，步长设为0.01，利用Dobson模型在土壤质地、容重和陆表温度T已知的情况下，计算每个土壤水分对应的介电常数ε；

步骤4、获取盐度卫星数据，从数据文件中提取C波段(6.9GHz)V和H极化亮温数据BT_(6.9，v)和BT_(6.9，h)；

步骤5、输入盐度卫星的入射角θ，其是一个固定值，由步骤3中的介电常数ε，根据下面的公式(2)和(3)计算得到法向入射的菲涅耳反射率R_oH和R_oV，带入到公式(4)，该公式(4)中下标p和q表示正交极化方式，即若p为H或V极化，则q为V或H极化，Q表示粗糙度参数，并令Q＝0.174，计算得到R′_sH和R′_sV；

$R_{oH}=|\frac{cos\mathrm{\θ}-\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{cos\mathrm{\θ}+\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{|}^2---\left(2\right)$

$R_{oV}=|\frac{\mathrm{\ϵ}cos\mathrm{\θ}-\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{\mathrm{\ϵ}cos\mathrm{\θ}+\sqrt{\mathrm{\ϵ}-{\sin }^2\mathrm{\θ}}}{|}^2---\left(3\right)$

R′_sp＝(1-Q)R_op+QR_oq(4)

步骤6、令T_BV＝BT_(6.9，v)，T_BH＝BT_(6.9，h)；并将T_BH、T_BV、E′_sH、R′_sV和陆表温度T代入下面的公式(5)的右侧，并将公式(5)的右侧与公式(5)左侧的BT_(6.9，h)相减，再求绝对值；

$T_{BH}={(1-R_{sH}^{\′}\frac{T_{BV}-T_{BH}}{T_{BV}{R}_{sH}^{\′}-T_{BH}{R}_{sV}^{\′}})}^T---\left(5\right)$

步骤7、在0.01～0.6之间遍历完土壤水分后，使步骤6中绝对值最小的土壤水分值，即为得到的土壤水分反演结果。