CN106569210B - 一种基于遥感的土壤水分反演方法和装置 - Google Patents

一种基于遥感的土壤水分反演方法和装置 Download PDF

Info

Publication number
CN106569210B
CN106569210B CN201610905725.4A CN201610905725A CN106569210B CN 106569210 B CN106569210 B CN 106569210B CN 201610905725 A CN201610905725 A CN 201610905725A CN 106569210 B CN106569210 B CN 106569210B
Authority
CN
China
Prior art keywords
mrow
sar images
msub
roughness
msup
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.)
Active
Application number
CN201610905725.4A
Other languages
English (en)
Other versions
CN106569210A (zh
Inventor
韩玲
陈鲁皖
秦小宝
张武
顾俊凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201610905725.4A priority Critical patent/CN106569210B/zh
Publication of CN106569210A publication Critical patent/CN106569210A/zh
Application granted granted Critical
Publication of CN106569210B publication Critical patent/CN106569210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9076—Polarimetric features in SAR

Abstract

本发明公开了一种基于遥感的土壤水分反演方法和装置，包括以下步骤：步骤1,根据SAR影像的参数信息，反演得到SAR影像中各个像元的地表组合粗糙度；步骤2,根据入射角范围和各个像元的地表组合粗糙度这两个指标，逐像元进行分类判断选择对应的土壤水分反演半经验方程；步骤3,通过野外实测数据对各半经验方程的系数进行回归拟合，得到像元对应的经验反演方程；步骤4,得到SAR影像中各像元对应的土壤水分；本发明突破了目前常规使用单一反演方程反演所有不同区域土壤水分的方法，使得本发明适用性更广泛；另外本发明考虑了土壤有效温度和土壤质地对后向散射系数的影响，能够有效提高土壤水分的反演精度。

Description

一种基于遥感的土壤水分反演方法和装置
技术领域
本发明属于微波遥感技术领域，具体涉及一种基于高分辨率SAR影像的干旱半干旱地区裸露地表的土壤水分反演方法和装置。
背景技术
土壤水分反演一直是微波遥感的热点。在现有文献中，研究人员对如何提高土壤水分反演精度做了大量的研究。目前,用于土壤水分监测的遥感方法主要有以下几种：
l、可见光一近红外遥感监测土壤水分；
2、热红外遥感监测土壤水分；
3、被动微波遥感监测土壤水分；
4、雷达遥感监测土壤水分。
现今，使用最广泛的还是雷达遥感监测土壤水分，在这方面许多国内外学者对雷达后向散射系数和土壤水分的关系进行研究,作了大量的研究工作,从土壤的混合介电模型研究，到用于研究裸露地表散射特征的正演模型,其中包括Kirehhoff模型，小扰动模型(SPM)，积分方程模型(IEM)和高级积分方程模型(AIEM)，在到用于裸露地表土壤水分反演的经验和半经验模型,其中包括Oh模型,DubioS模型和Shi模型等。这些模型都很好的反映了地表参数和雷达后向散射系数之间的关系，并且取得了很好的反演精度。
但是，这些模型方法只是针对单幅影像或特定地区，得到的反演方程普适性不好，并不适用于各种入射角和不同粗糙度的情况。在大尺度区域反演情况下，SAR影像及其对应的各个反演区域情况有非常大的不同，目前各种反演方法都是试图使用单一的反演方程来反演所有情况下的区域，显然这种思路不能适应大尺度复杂区域的土壤水分反演，因此反演结果的精度受到影响。所以不同地区不同情况的SAR影像如何选择合适的反演方程，如何充分利用现有的地表参数数据，以提高反演土壤水分的精度，这些都是急需解决的问题。
发明内容
本发明所要解决的技术问题是有效克服现有技术方法中存在的缺陷，解决在大尺度区域反演情况下，如何根据不同参数指标进行分类的问题，本发明提供了一种基于高分辨率SAR影像的干旱半干旱地区裸露地表的土壤水分反演方法，该方法应用于中国西北干旱半干旱地区，包括以下步骤：
步骤1,基于组合粗糙度半经验反演方程库和SAR影像的极化方式、不同时相和不同SAR影像入射角获取到SAR影像中各像元的地表组合粗糙度；
步骤2,基于SAR影像入射角范围和SAR影像中各个像元的组合粗糙度对各像元进行分类判断，按照判断后像元所属类别从土壤水分半经验反演方程库中选取合适的反演方程；
步骤3,通过SAR影像所在区域的野外实测数据对各半经验方程的系数进行回归拟合，得到SAR影像各像元对应的经验反演方程；
步骤4,将各像元后向散射系数、地表组合粗糙度、土壤有效温度、土壤质地数据输入土壤水分经验反演方程，最终得到SAR影像中各像元对应的土壤水分。
进一步地，步骤1中所述的根据SAR影像参数信息，获取SAR影像中各像元的地表组合粗糙度包括：
当获取到的一幅SAR影像极化方式为VV和HH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σhh是VV和HH极化后向散射系数；z1和z2是组合粗糙度半经验反演方程的系数；
其中，z1和z2的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′vv为SAR影像所在区域的雷达影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的雷达影像HH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为VV和VH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σvh是VV和VH极化后向散射系数；z3和z4是组合粗糙度半经验反演方程的系数；
其中，z3和z4的计算公式为：
其中，Zs′为实测的组合粗糙度值，σ′vv为对应实测地点的雷达影像VV极化后向散射系数值，σ′vh为对应实测地点的雷达影像VH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为HH和HV时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σhv和σhh是HV和HH极化后向散射系数；z5和z6是组合粗糙度半经验反演方程的系数；
其中，z5和z6的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′hv为SAR影像所在区域的SAR影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的SAR影像VH极化后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH，再获取与所述SAR影像同一时相不同观测角度的同一区域另一幅SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(θ1)和σvv(θ2)是VV极化不同入射角后向散射系数，θ1和θ2是不同的入射角度，z7,z8和z9是组合粗糙度半经验反演方程的系数；
其中，z7，z8和z9的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(θ1)为SAR影像所在区域的SAR影像VV极化角度θ1后向散射系数值，σvv′(θ2)为SAR影像所在区域的SAR影像VV极化角度θ2后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH时，再获取与所述SAR影像不同时相、相同入射角度同一区域的另一幅SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(t1)和σvv(t2)是VV极化不同时相后向散射系数，t1和t2是不同时相；z10,z11和z12是组合粗糙度半经验反演方程的系数；
其中，z10，z11和z12的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(t1)和σvv′(t2)为SAR影像所在区域的SAR影像VV极化两个不同时相的t1和t2后向散射系数值。
进一步地，步骤2所述的土壤水分半经验反演方程库包括：
当5°≤θ≤10°且Zs≤0.25时，
当5°≤θ≤10°且0.25<Zs≤4.5时，
当10°<θ≤15°且Zs≤0.3时，
当10°<θ≤15°且0.3<Zs≤5时，
当15°<θ≤20°且Zs≤0.45时，
当15°<θ≤20°且0.45<Zs≤5时，
当20°<θ≤25°且Zs≤0.5时，
当20°<θ≤25°且0.5<Zs≤5时，
当25°<θ≤30°且Zs≤0.9时，
当25°<θ≤30°且0.9＜Zs≤5时，
当30°<θ≤35°且Zs≤0.9时，
当30°<θ≤35°且0.9＜Zs≤5时，
当35°<θ≤40°且Zs≤1时，
当35°<θ≤40°且1<Zs≤5时，
当40°<θ≤45°且Zs≤1时，
当40°<θ≤45°且1<Zs≤5时，
当45°<θ≤50°且Zs≤1.2时，
当45°<θ≤50°且1.2<Zs≤5时，
其中，σpq是后向散射系数，Mv是土壤含水量，Zs是地表组合粗糙度，θ是SAR影像入射角，ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，a、b、c、d、m、n是土壤水分半经验反演方程的系数。
其中，系数a，b由SAR影像所在区域实测的土壤含水量和雷达影像的后向散射系数值拟合得到；
其中，系数c，d，m，n由SAR影像所在区域实测的组合粗糙度以及后向散射系数值拟合得到；
其中，通过下式计算SAR影像所在区域土壤有效温度影响到的后向散射系数的增量ΔT：
ΔT＝-1.888e-0.01972T-5.808e0.004134T-δ0
T是SAR影像所在区域土壤有效温度，δ0是基准后向散射系数；
其中，通过下式计算SAR影像所在区域土壤质地影响到的后向散射系数的增量ΔS：
ΔS＝1.7402S+0.5879C-8.1088-δ0
S是SAR影像所在区域土壤中的砂土含量，C是SAR影像所在区域土壤中的粘土含量，δ0是基准后向散射系数；
当SAR影像极化方式为VV时，δ0＝-7.626；
当SAR影像极化方式为HH时，δ0＝-7.967；
当SAR影像极化方式为HV或VH时，δ0＝-44.30。
本发明还提出了一种基于遥感的土壤水分反演装置，该装置应用于中国西北干旱半干旱地区，包括地表组合粗糙度反演模块、影像像元分类模块、系数拟合模块和土壤水分反演模块；
地表组合粗糙度反演模块用于基于组合粗糙度半经验反演方程库和SAR影像的极化方式、不同时相和不同SAR影像入射角获取到SAR影像中各像元的地表组合粗糙度；
影像像元分类模块用于基于SAR影像入射角范围和SAR影像中各个像元的组合粗糙度对各像元进行分类判断，按照判断后像元所属类别从土壤水分半经验反演方程库中选取合适的反演方程；
系数拟合模块用于通过SAR影像所在区域的野外实测数据对各半经验方程的系数进行回归拟合，得到SAR影像各像元对应的经验反演方程；
土壤水分反演模块用于将各像元后向散射系数、地表组合粗糙度、土壤有效温度、土壤质地数据输入土壤水分经验反演方程，最终得到SAR影像中各像元对应的土壤水分。
进一步地，地表组合粗糙度反演模块中所述的根据SAR影像参数信息，获取SAR影像中各像元的地表组合粗糙度包括：
当获取到的一幅SAR影像极化方式为VV和HH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σhh是VV和HH极化后向散射系数；z1和z2是组合粗糙度半经验反演方程的系数；
其中，z1和z2的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′vv为SAR影像所在区域的雷达影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的雷达影像HH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为VV和VH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σvh是VV和VH极化后向散射系数；z3和z4是组合粗糙度半经验反演方程的系数；
其中，z3和z4的计算公式为：
其中，Zs′为实测的组合粗糙度值，σ′vv为对应实测地点的雷达影像VV极化后向散射系数值，σ′vh为对应实测地点的雷达影像VH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为HH和HV时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σhv和σhh是HV和HH极化后向散射系数；z5和z6是组合粗糙度半经验反演方程的系数；
其中，z5和z6的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′hv为SAR影像所在区域的SAR影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的SAR影像VH极化后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH，再获取与所述SAR影像同一时相不同观测角度的同一区域另一幅SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(θ1)和σvv(θ2)是VV极化不同入射角后向散射系数，θ1和θ2是不同的入射角度，z7,z8和z9是组合粗糙度半经验反演方程的系数；
其中，z7，z8和z9的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(θ1)为SAR影像所在区域的SAR影像VV极化角度θ1后向散射系数值，σvv′(θ2)为SAR影像所在区域的SAR影像VV极化角度θ2后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH时，再获取与所述SAR影像不同时相、相同入射角度同一区域的另一幅SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(t1)和σvv(t2)是VV极化不同时相后向散射系数，t1和t2是不同时相；z10,z11和z12是组合粗糙度半经验反演方程的系数；
其中，z10，z11和z12的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(t1)和σvv′(t2)为SAR影像所在区域的SAR影像VV极化两个不同时相的t1和t2后向散射系数值。
进一步地，影像像元分类模块中所述的建立土壤水分半经验反演方程库包括：
当5°≤θ≤10°且Zs≤0.25时，
当5°≤θ≤10°且0.25<Zs≤4.5时，
当10°<θ≤15°且Zs≤0.3时，
当10°<θ≤15°且0.3<Zs≤5时，
当15°<θ≤20°且Zs≤0.45时，
当15°<θ≤20°且0.45<Zs≤5时，
当20°<θ≤25°且Zs≤0.5时，
当20°<θ≤25°且0.5<Zs≤5时，
当25°<θ≤30°且Zs≤0.9时，
当25°<θ≤30°且0.9＜Zs≤5时，
当30°<θ≤35°且Zs≤0.9时，
当30°<θ≤35°且0.9＜Zs≤5时，
当35°<θ≤40°且Zs≤1时，
当35°<θ≤40°且1<Zs≤5时，
当40°<θ≤45°且Zs≤1时，
当40°<θ≤45°且1<Zs≤5时，
当45°<θ≤50°且Zs≤1.2时，
当45°<θ≤50°且1.2<Zs≤5时，
其中，σpq是后向散射系数，Mv是土壤含水量，Zs是地表组合粗糙度，θ是SAR影像入射角，ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，a、b、c、d、m、n是土壤水分半经验反演方程的系数。
其中，系数a，b由SAR影像所在区域实测的土壤含水量和雷达影像的后向散射系数值拟合得到；
其中，系数c，d，m，n由SAR影像所在区域实测的组合粗糙度以及后向散射系数值拟合得到；
其中，通过下式计算SAR影像所在区域土壤有效温度影响到的后向散射系数的增量ΔT：
ΔT＝-1.888e-0.01972T-5.808e0.004134T-δ0
T是SAR影像所在区域土壤有效温度，δ0是基准后向散射系数；
其中，通过下式计算SAR影像所在区域土壤质地影响到的后向散射系数的增量ΔS：
ΔS＝1.7402S+0.5879C-8.1088-δ0
S是SAR影像所在区域土壤中的砂土含量，C是SAR影像所在区域土壤中的粘土含量，δ0是基准后向散射系数；
当SAR影像极化方式为VV时，δ0＝-7.626；
当SAR影像极化方式为HH时，δ0＝-7.967；
当SAR影像极化方式为HV或VH时，δ0＝-44.30。
与现有技术相比，本发明具有以下技术效果：
本发明通过建立半经验反演方程库来对SAR影像的像元进行合理的分类，针对SAR影像像元的不同情况如不同极化方式、不同时相、不同入射角以及不同组合粗糙度，建立半经验反演方程库，突破了目前常规使用单一反演方程反演所有不同区域土壤水分的方法，使得本发明采用方法的适用性更广泛；本发明考虑了土壤有效温度和土壤质地对后向散射系数的影响，能够有效提高土壤水分的反演精度。
附图说明
图1是基于SAR影像的土壤水分反演方法的流程图；
图2是基于遥感的土壤水分反演装置的结构框图；
图3是反演土壤水分值与实地测得水分值的散点图。
具体实施方式
下面将结合附图对本发明的实施例进行详细描述。
实施例1
如图1所示，本发明实施例提供一种基于遥感的土壤水分反演方法，包括以下步骤：
步骤1，基于组合粗糙度半经验反演方程库和SAR影像的参数信息获取到SAR影像中各像元的地表组合粗糙度；
本实施例中，涉及的SAR影像参数包括极化方式、不同时相和不同SAR影像入射角等参数。
本实施例中，组合粗糙度半经验反演方程库的建立是向AIEM模型输入土壤水分，地表粗糙度，入射角，入射频率等参数，得到不同极化方式的后向散射系数与地表组合粗糙度的后向散射模型。组合粗糙度反演方程库如下：
当获取到的雷达影像极化方式为VV和HH时，组合粗糙度的反演方程为：当获取到的一幅SAR影像极化方式为VV和HH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σhh是VV和HH极化后向散射系数；z1和z2是组合粗糙度半经验反演方程的系数；
其中，z1和z2的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′vv为SAR影像所在区域的雷达影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的雷达影像HH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为VV和VH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σvh是VV和VH极化后向散射系数；z3和z4是组合粗糙度半经验反演方程的系数；
其中，z3和z4的计算公式为：
其中，Zs′为实测的组合粗糙度值，σ′vv为对应实测地点的雷达影像VV极化后向散射系数值，σ′vh为对应实测地点的雷达影像VH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为HH和HV时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σhv和σhh是HV和HH极化后向散射系数；z5和z6是组合粗糙度半经验反演方程的系数；
其中，z5和z6的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′hv为SAR影像所在区域的SAR影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的SAR影像VH极化后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH，再获取同一时相不同观测角度的同一区域SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(θ1)和σvv(θ2)是VV极化不同入射角后向散射系数，θ1和θ2是不同的入射角度，z7,z8和z9是组合粗糙度半经验反演方程的系数；
其中，z7，z8和z9的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(θ1)为SAR影像所在区域的SAR影像VV极化角度θ1后向散射系数值，σvv′(θ2)为SAR影像所在区域的SAR影像VV极化角度θ2后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH时，再获取不同时相、相同入射角度同一区域的SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(t1)和σvv(t2)是VV极化不同时相后向散射系数，t1和t2是不同时相；z10,z11和z12是组合粗糙度半经验反演方程的系数；
其中，z10，z11和z12的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(t1)和σvv′(t2)为SAR影像所在区域的SAR影像VV极化两个不同时相的t1和t2后向散射系数值；
步骤2，基于SAR影像入射角范围和SAR影像中各个像元的组合粗糙度对各像元进行分类判断，按照判断后像元所属类别从土壤水分半经验反演方程库中选取合适的反演方程。
本实施例中，SAR影像的入射角范围，按照5°-50°的范围，步长为5°，总共分成9类，得到读取的SAR影像所属的类别；每一类别根据上一步骤中得到SAR影像各像元的组合粗糙度的值再分为两类。
本实施例中，土壤水分半经验反演方程库的建立是向AIEM模型输入土壤水分，地表组合粗糙度，土壤有效温度，土壤质地，入射角，入射频率等参数，得到不同极化方式的后向散射系数与土壤水分以及入射角度，地表组合粗糙度的后向散射模型。为了提高反演精度，在给定其他参数如土壤水分、粗糙度等不变的情况下，得到后向散射系数与土壤有效温度之间的函数关系，将土壤有效温度影响后向散射系数的增量加到后向散射模型中。同理，在其他参数不变的情况下，得到土壤质地与后向散射系数之间的关系，同样加到后向散射模型。这样就考虑了土壤质地以及土壤有效温度对后向散射系数的影响，提高了反演精度。土壤水分反演方程库的构建过程如下：
当5°≤θ≤10°且Zs≤0.25时，
当5°≤θ≤10°且0.25<Zs≤4.5时，
当10°<θ≤15°且Zs≤0.3时，
当10°<θ≤15°且0.3<Zs≤5时，
当15°<θ≤20°且Zs≤0.45时，
当15°<θ≤20°且0.45<Zs≤5时，
当20°<θ≤25°且Zs≤0.5时，
当20°<θ≤25°且0.5<Zs≤5时，
当25°<θ≤30°且Zs≤0.9时，
当25°<θ≤30°且0.9＜Zs≤5时，
当30°<θ≤35°且Zs≤0.9时，
当30°<θ≤35°且0.9＜Zs≤5时，
当35°<θ≤40°且Zs≤1时，
当35°<θ≤40°且1<Zs≤5时，
当40°<θ≤45°且Zs≤1时，
当40°<θ≤45°且1<Zs≤5时，
当45°<θ≤50°且Zs≤1.2时，
当45°<θ≤50°且1.2<Zs≤5时，
在土壤含水量的半经验反演方程库中，σpq是后向散射系数，Mv是土壤含水量，Zs是地表组合粗糙度，θ是SAR影像入射角，ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，a、b、c、d、m、n是半经验方程的系数，由SAR影像所在区域实测数据通过回归拟合得到；
其中，系数a，b由SAR影像所在区域实测的土壤含水量和SAR影像的后向散射系数值拟合得到；系数c，d，m，n由SAR影像所在区域实测的组合粗糙度以及后向散射系数值拟合得到。
其中，SAR影像所在区域土壤有效温度影响到的后向散射系数的增量ΔT为：
ΔT＝-1.888e-0.01972T-5.808e0.004134T-δ0
ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，T是SAR影像所在区域土壤有效温度，δ0是基准后向散射系数。
其中，SAR影像所在区域土壤质地影响到的后向散射系数的增量ΔS为：
ΔS＝1.7402S+0.5879C-8.1088-δ0
ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，S是SAR影像所在区域土壤中的砂土含量，C是SAR影像所在区域土壤中的粘土含量，δ0是基准后向散射系数。
其中，δ0是基准后向散射系数，SAR影像极化方式为VV时δ0＝-7.626，SAR影像极化方式为HH时δ0＝-7.967，SAR影像极化方式为HV或VH时δ0＝-44.30。
步骤3,通过SAR影像所在区域的野外实测数据对各半经验方程的系数进行回归拟合，得到像元对应的经验反演方程；
步骤4,将各像元后向散射系数、地表组合粗糙度、土壤有效温度、土壤质地数据输入土壤水分经验反演方程，最终得到SAR影像中各像元对应的土壤水分。
本实施例中，土壤有效温度来自反演区域气象台站测量记录的大气温度，可使用Choudhury等在1982使用的计算方法得到有效土壤温度；土壤质地数据来自基于世界土壤数据库(HWSD)的中国土壤数据集。
实施例2
本发明实施例提供一种一种基于遥感的土壤水分反演装置，该装置应用于中国西北干旱半干旱地区，其特征在于，包括地表组合粗糙度反演模块、影像像元分类模块、系数拟合模块和土壤水分反演模块；
地表组合粗糙度反演模块用于基于组合粗糙度半经验反演方程库和SAR影像的参数信息获取到SAR影像中各像元的地表组合粗糙度；
本实施例中，涉及的SAR影像参数包括极化方式、不同时相和不同SAR影像入射角等参数。
本实施例中，组合粗糙度半经验反演方程库的建立是向AIEM模型输入土壤水分，地表粗糙度，入射角，入射频率等参数，得到不同极化方式的后向散射系数与地表组合粗糙度的后向散射模型。组合粗糙度反演方程库如下：
当获取到的雷达影像极化方式为VV和HH时，组合粗糙度的反演方程为：当获取到的一幅SAR影像极化方式为VV和HH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σhh是VV和HH极化后向散射系数；z1和z2是组合粗糙度半经验反演方程的系数；
其中，z1和z2的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′vv为SAR影像所在区域的雷达影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的雷达影像HH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为VV和VH时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σvh是VV和VH极化后向散射系数；z3和z4是组合粗糙度半经验反演方程的系数；
其中，z3和z4的计算公式为：
其中，Zs′为实测的组合粗糙度值，σ′vv为对应实测地点的雷达影像VV极化后向散射系数值，σ′vh为对应实测地点的雷达影像VH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为HH和HV时，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σhv和σhh是HV和HH极化后向散射系数；z5和z6是组合粗糙度半经验反演方程的系数；
其中，z5和z6的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′hv为SAR影像所在区域的SAR影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的SAR影像VH极化后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH，再获取同一时相不同观测角度的同一区域SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(θ1)和σvv(θ2)是VV极化不同入射角后向散射系数，θ1和θ2是不同的入射角度，z7,z8和z9是组合粗糙度半经验反演方程的系数；
其中，z7，z8和z9的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(θ1)为SAR影像所在区域的SAR影像VV极化角度θ1后向散射系数值，σvv′(θ2)为SAR影像所在区域的SAR影像VV极化角度θ2后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH时，再获取不同时相、相同入射角度同一区域的SAR影像，组合粗糙度的反演方程为：
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(t1)和σvv(t2)是VV极化不同时相后向散射系数，t1和t2是不同时相；z10,z11和z12是组合粗糙度半经验反演方程的系数；
其中，z10，z11和z12的计算公式为：
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(t1)和σvv′(t2)为SAR影像所在区域的SAR影像VV极化两个不同时相的t1和t2后向散射系数值；
影像像元分类模块用于基于SAR影像入射角范围和SAR影像中各个像元的组合粗糙度对各像元进行分类判断，按照判断后像元所属类别从土壤水分半经验反演方程库中选取合适的反演方程。
本实施例中，SAR影像的入射角范围，按照5°-50°的范围，步长为5°，总共分成9类，得到读取的SAR影像所属的类别；每一类别根据上一步骤中得到SAR影像各像元的组合粗糙度的值再分为两类。
土壤水分反演方程库的构建过程如下：
当5°≤θ≤10°且Zs≤0.25时，
当5°≤θ≤10°且0.25<Zs≤4.5时，
当10°<θ≤15°且Zs≤0.3时，
当10°<θ≤15°且0.3<Zs≤5时，
当15°<θ≤20°且Zs≤0.45时，
当15°<θ≤20°且0.45<Zs≤5时，
当20°<θ≤25°且Zs≤0.5时，
当20°<θ≤25°且0.5<Zs≤5时，
当25°<θ≤30°且Zs≤0.9时，
当25°<θ≤30°且0.9＜Zs≤5时，
当30°<θ≤35°且Zs≤0.9时，
当30°<θ≤35°且0.9＜Zs≤5时，
当35°<θ≤40°且Zs≤1时，
当35°<θ≤40°且1<Zs≤5时，
当40°<θ≤45°且Zs≤1时，
当40°<θ≤45°且1<Zs≤5时，
当45°<θ≤50°且Zs≤1.2时，
当45°<θ≤50°且1.2<Zs≤5时，
在土壤含水量的半经验反演方程库中，σpq是后向散射系数，Mv是土壤含水量，Zs是地表组合粗糙度，θ是SAR影像入射角，ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，a、b、c、d、m、n是半经验方程的系数，由SAR影像所在区域实测数据通过回归拟合得到；
其中，系数a，b由SAR影像所在区域实测的土壤含水量和SAR影像的后向散射系数值拟合得到；系数c，d，m，n由SAR影像所在区域实测的组合粗糙度以及后向散射系数值拟合得到。
其中，SAR影像所在区域土壤有效温度影响到的后向散射系数的增量ΔT为：
ΔT＝-1.888e-0.01972T-5.808e0.004134T-δ0
ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，T是SAR影像所在区域土壤有效温度，δ0是基准后向散射系数。
其中，SAR影像所在区域土壤质地影响到的后向散射系数的增量ΔS为：
ΔS＝1.7402S+0.5879C-8.1088-δ0
ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，S是SAR影像所在区域土壤中的砂土含量，C是SAR影像所在区域土壤中的粘土含量，δ0是基准后向散射系数。
其中，δ0是基准后向散射系数，SAR影像极化方式为VV时δ0＝-7.626，SAR影像极化方式为HH时δ0＝-7.967，SAR影像极化方式为HV或VH时δ0＝-44.30。
系数拟合模块用于通过SAR影像所在区域的野外实测数据对各半经验方程的系数进行回归拟合，得到像元对应的经验反演方程；
土壤水分反演模块用于将各像元后向散射系数、地表组合粗糙度、土壤有效温度、土壤质地数据输入土壤水分经验反演方程，最终得到SAR影像中各像元对应的土壤水分。
本实施例中，土壤有效温度来自反演区域气象台站测量记录的大气温度，可使用Choudhury等在1982使用的计算方法得到有效土壤温度；土壤质地数据来自基于世界土壤数据库(HWSD)的中国土壤数据集。
实施例3
以下以一幅极化方式为VV/VH的ENVISAT-ASAR影像为例说明本发明的具体实现过程。
输入一幅ENVISAT-SAR影像，入射波段为C波段，极化方式为VV/VH，入射角为IS2模式(19.2度-26.7度)，影像拍摄时间为07年三月左右，覆盖范围大概位于甘肃阿柔地区，该影像下载于数字黑河数据共享平台，该数据包括一定量的土壤水分实测数据以及该地区经过配准好的土壤有效温度数据和土壤质地数据。
对影像使用距离-多普勒地形校正算法对影像进行校正，然后进行地理编码。
采用增强型Lee滤波对影像进行滤波处理，消除雷达影像的噪声斑点。
影像辐射校正将影像的灰度值转化为后向散射系数，具体公式如下：
σpq＝k×DN2×sinθ
其中k为定标系数，DN为影像的像素值，θ为像元入射角，σpq为后向散射系数值。
读取输入的ASAR影像信息，包括入射角、波段信息、极化方式等，本实施例中SAR影像的极化方式为VV/VH交叉极化方式，所以在组合粗糙度反演方程库中选择如下半经验反演方程：
在组合粗糙度的半经验反演方程库中，σvh和σvv是极化后向散射系数，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度，z3、z4是半经验方程的系数，由实测数据通过回归拟合得到。
系数确定后得到组合粗糙度的经验反演方程，如下：
利用该组合粗糙度反演方程进行运算，得到实施例的ASAR影像各像元的组合粗糙度。
本实施例中ASAR影像的入射角为IS2模式(19.2度-26.7度)，取平均值入射角为22.95度，按照设计的类别，该影像应归类为类别4，然后根据上一步骤得到的各像元的组合粗糙度，在类别4中对影像各像元继续分类，依次选择合适的土壤水分半经验反演方程。
根据分类结果在土壤水分反演半经验方程库中选择如下方程：
当20°<θ<25°且Zs<0.5时，
当20°<θ<25°且0.5<Zs<5时，
在土壤含水量的半经验反演方程库中，σpq是极化后向散射系数，Mv是土壤含水量，Zs是地表组合粗糙度，θ是入射角，ΔT是土壤有效温度影响到的后向散射系数的增量，ΔS是土壤质地影响到的后向散射系数的增量，a、b、c、d、m、n是半经验方程的系数，由实测数据通过回归拟合得到。
土壤有效温度方程：
ΔT＝-1.888e-0.01972T-5.808e0.004134T-δ0
ΔT是土壤有效温度影响到的后向散射系数的增量，T是土壤有效温度。
土壤质地方程：
ΔS＝1.7402S+0.5879C-8.1088-δ0
ΔS是土壤质地影响到的后向散射系数的增量，S是土壤中的砂土含量，C是土壤中的粘土含量。
δ0是基准后向散射系数，影像极化方式为VV时δ0＝-7.626，影像极化方式为HH时δ0＝-7.967，影像极化方式为HV或VH时δ0＝-44.30。
利用该影像反演区域的野外实测数据回归拟合土壤水分反演半经验方程中的系数，系数确定后得到土壤水分的经验反演方程，如下：
利用该土壤水分反演方程，代入组合粗糙度、土壤有效温度和土壤质地等数据进行运算，得到实施例的ASAR影像各像元的土壤水分。
选取19个实地验证点，检验结果表明反演值与实测值较为一致，本发明的反演方法精度较高，反演土壤水分值与实地测得水分值的散点图如图3所示。
综上所述，可以得到如下结论：本发明在大尺度区域复杂情况下，利用高分辨率SAR影像，在干旱半干旱地区裸露地表的土壤水分反演中具有较好的适用性，有效提高了土壤水分的反演精度。
本发明提供一种适用于大尺度复杂区域的基于高分辨率SAR影像的土壤水分反演方法，通过设计分类流程及建立半经验反演方程库，可以对读取到的SAR影像各像元进行合理的分类判断，针对SAR影像的不同情况如不同极化方式、不同时相、不同入射角以及不同组合粗糙度，从方程库中选取相应合适的反演方程，突破了目前常规使用单一反演方程反演所有不同区域土壤水分的方法，使得本发明采用方法的适用性更广泛；另外本发明考虑了土壤有效温度和土壤质地对后向散射系数的影响，能够有效提高土壤水分的反演精度。
虽然本发明所揭示的实施方式如上，但其内容只是为了便于理解本发明的技术方案而采用的实施方式，并非用于限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭示的核心技术方案的前提下，可以在实施的形式和细节上做任何修改与变化，但本发明所限定的保护范围，仍须以所附的权利要求书限定的范围为准。

Claims (4)

1.一种基于遥感的土壤水分反演方法，该方法应用于中国西北干旱半干旱地区，其特征在于，包括以下步骤：
步骤1,基于组合粗糙度半经验反演方程库和SAR影像的极化方式、不同时相和不同SAR影像入射角获取到SAR影像中各像元的地表组合粗糙度；
步骤2,基于SAR影像入射角范围和SAR影像中各个像元的组合粗糙度对各像元进行分类判断，按照判断后像元所属类别从土壤水分半经验反演方程库中选取合适的反演方程；
步骤3,通过SAR影像所在区域的野外实测数据对各半经验方程的系数进行回归拟合，得到SAR影像各像元对应的经验反演方程；
步骤4,将各像元后向散射系数、地表组合粗糙度、土壤有效温度、土壤质地数据输入土壤水分经验反演方程，最终得到SAR影像中各像元对应的土壤水分；
步骤1中所述的根据SAR影像参数信息，获取SAR影像中各像元的地表组合粗糙度包括：
当获取到的一幅SAR影像极化方式为VV和HH时，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> </msub> </mrow> <mrow> <mi>z</mi> <mn>1</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>2</mn> </mrow> </msup> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σhh是VV和HH极化后向散射系数；z1和z2是组合粗糙度半经验反演方程的系数；
其中，z1和z2的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> </mrow> <mrow> <mi>z</mi> <mn>1</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>2</mn> </mrow> </msup> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′vv为SAR影像所在区域的雷达影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的雷达影像HH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为VV和VH时，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <mi>z</mi> <mn>4</mn> </mrow> <mrow> <mi>z</mi> <mn>3</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σvh是VV和VH极化后向散射系数；z3和z4是组合粗糙度半经验反演方程的系数；
其中，z3和z4的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>h</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <mi>z</mi> <mn>4</mn> </mrow> <mrow> <mi>z</mi> <mn>3</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，Zs′为实测的组合粗糙度值，σ′vv为对应实测地点的雷达影像VV极化后向散射系数值，σ′vh为对应实测地点的雷达影像VH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为HH和HV时，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <mi>z</mi> <mn>6</mn> </mrow> <mrow> <mi>z</mi> <mn>5</mn> </mrow> </mfrac> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σhv和σhh是HV和HH极化后向散射系数；z5和z6是组合粗糙度半经验反演方程的系数；
其中，z5和z6的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>v</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <mi>z</mi> <mn>6</mn> </mrow> <mrow> <mi>z</mi> <mn>5</mn> </mrow> </mfrac> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′hv为SAR影像所在区域的SAR影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的SAR影像VH极化后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH，再获取与所述SAR影像同一时相不同观测角度的同一区域另一幅SAR影像，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>8</mn> </mrow> <mrow> <mi>z</mi> <mn>7</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>9</mn> </mrow> </msup> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(θ1)和σvv(θ2)是VV极化不同入射角后向散射系数，θ1和θ2是不同的入射角度，z7,z8和z9是组合粗糙度半经验反演方程的系数；
其中，z7，z8和z9的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>8</mn> </mrow> <mrow> <mi>z</mi> <mn>7</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>9</mn> </mrow> </msup> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(θ1)为SAR影像所在区域的SAR影像VV极化角度θ1后向散射系数值，σvv′(θ2)为SAR影像所在区域的SAR影像VV极化角度θ2后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH时，再获取与所述SAR影像不同时相、相同入射角度同一区域的另一幅SAR影像，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>11</mn> </mrow> <mrow> <mi>z</mi> <mn>10</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>12</mn> </mrow> </msup> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(t1)和σvv(t2)是VV极化不同时相后向散射系数，t1和t2是不同时相；z10,z11和z12是组合粗糙度半经验反演方程的系数；
其中，z10，z11和z12的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>11</mn> </mrow> <mrow> <mi>z</mi> <mn>10</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>12</mn> </mrow> </msup> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(t1)和σvv′(t2)为SAR影像所在区域的SAR影像VV极化两个不同时相的t1和t2后向散射系数值。
2.如权利要求1所述的土壤水分反演方法，其特征在于，步骤2所述的土壤水分半经验反演方程库包括：
当5°≤θ≤10°且Zs≤0.25时，
当5°≤θ≤10°且0.25<Zs≤4.5时，
当10°<θ≤15°且Zs≤0.3时，
当10°<θ≤15°且0.3<Zs≤5时，
当15°<θ≤20°且Zs≤0.45时，
当15°<θ≤20°且0.45<Zs≤5时，
当20°<θ≤25°且Zs≤0.5时，
当20°<θ≤25°且0.5<Zs≤5时，
当25°<θ≤30°且Zs≤0.9时，
当25°<θ≤30°且0.9＜Zs≤5时，
当30°<θ≤35°且Zs≤0.9时，
当30°<θ≤35°且0.9＜Zs≤5时，
当35°<θ≤40°且Zs≤1时，
当35°<θ≤40°且1<Zs≤5时，
当40°<θ≤45°且Zs≤1时，
当40°<θ≤45°且1<Zs≤5时，
当45°<θ≤50°且Zs≤1.2时，
当45°<θ≤50°且1.2<Zs≤5时，
其中，σpq是后向散射系数，Mv是土壤含水量，Zs是地表组合粗糙度，θ是SAR影像入射角，ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，a、b、c、d、m、n是土壤水分半经验反演方程的系数；
其中，系数a，b由SAR影像所在区域实测的土壤含水量和雷达影像的后向散射系数值拟合得到；
其中，系数c，d，m，n由SAR影像所在区域实测的组合粗糙度以及后向散射系数值拟合得到；
其中，通过下式计算SAR影像所在区域土壤有效温度影响到的后向散射系数的增量ΔT：
ΔT＝-1.888e-0.01972T-5.808e0.004134T-δ0
T是SAR影像所在区域土壤有效温度，δ0是基准后向散射系数；
其中，通过下式计算SAR影像所在区域土壤质地影响到的后向散射系数的增量ΔS：
ΔS＝1.7402S+0.5879C-8.1088-δ0
S是SAR影像所在区域土壤中的砂土含量，C是SAR影像所在区域土壤中的粘土含量，δ0是基准后向散射系数；
当SAR影像极化方式为VV时，δ0＝-7.626；
当SAR影像极化方式为HH时，δ0＝-7.967；
当SAR影像极化方式为HV或VH时，δ0＝-44.30。
3.一种基于遥感的土壤水分反演装置，该装置应用于中国西北干旱半干旱地区，其特征在于，包括地表组合粗糙度反演模块、影像像元分类模块、系数拟合模块和土壤水分反演模块；
地表组合粗糙度反演模块用于基于组合粗糙度半经验反演方程库和SAR影像的极化方式、不同时相和不同SAR影像入射角获取到SAR影像中各像元的地表组合粗糙度；
影像像元分类模块用于基于SAR影像入射角范围和SAR影像中各个像元的组合粗糙度对各像元进行分类判断，按照判断后像元所属类别从土壤水分半经验反演方程库中选取合适的反演方程；
系数拟合模块用于通过SAR影像所在区域的野外实测数据对各半经验方程的系数进行回归拟合，得到SAR影像各像元对应的经验反演方程；
土壤水分反演模块用于将各像元后向散射系数、地表组合粗糙度、土壤有效温度、土壤质地数据输入土壤水分经验反演方程，最终得到SAR影像中各像元对应的土壤水分；
地表组合粗糙度反演模块中所述的根据SAR影像参数信息，获取SAR影像中各像元的地表组合粗糙度包括：
当获取到的一幅SAR影像极化方式为VV和HH时，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> </msub> </mrow> <mrow> <mi>z</mi> <mn>1</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>2</mn> </mrow> </msup> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σhh是VV和HH极化后向散射系数；z1和z2是组合粗糙度半经验反演方程的系数；
其中，z1和z2的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> </mrow> <mrow> <mi>z</mi> <mn>1</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>2</mn> </mrow> </msup> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′vv为SAR影像所在区域的雷达影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的雷达影像HH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为VV和VH时，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <mi>z</mi> <mn>4</mn> </mrow> <mrow> <mi>z</mi> <mn>3</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> 4
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv和σvh是VV和VH极化后向散射系数；z3和z4是组合粗糙度半经验反演方程的系数；
其中，z3和z4的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>h</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <mi>z</mi> <mn>4</mn> </mrow> <mrow> <mi>z</mi> <mn>3</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，Zs′为实测的组合粗糙度值，σ′vv为对应实测地点的雷达影像VV极化后向散射系数值，σ′vh为对应实测地点的雷达影像VH极化后向散射系数值；
当获取到的一幅SAR影像极化方式为HH和HV时，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <mi>z</mi> <mn>6</mn> </mrow> <mrow> <mi>z</mi> <mn>5</mn> </mrow> </mfrac> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σhv和σhh是HV和HH极化后向散射系数；z5和z6是组合粗糙度半经验反演方程的系数；
其中，z5和z6的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>v</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>h</mi> <mi>h</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <mi>z</mi> <mn>6</mn> </mrow> <mrow> <mi>z</mi> <mn>5</mn> </mrow> </mfrac> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σ′hv为SAR影像所在区域的SAR影像VV极化后向散射系数值，σ′hh为SAR影像所在区域的SAR影像VH极化后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH，再获取与所述SAR影像同一时相不同观测角度的同一区域另一幅SAR影像，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>8</mn> </mrow> <mrow> <mi>z</mi> <mn>7</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>9</mn> </mrow> </msup> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(θ1)和σvv(θ2)是VV极化不同入射角后向散射系数，θ1和θ2是不同的入射角度，z7,z8和z9是组合粗糙度半经验反演方程的系数；
其中，z7，z8和z9的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>8</mn> </mrow> <mrow> <mi>z</mi> <mn>7</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>9</mn> </mrow> </msup> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(θ1)为SAR影像所在区域的SAR影像VV极化角度θ1后向散射系数值，σvv′(θ2)为SAR影像所在区域的SAR影像VV极化角度θ2后向散射系数值；
当获取到的一幅SAR影像为同极化的VV或HH时，再获取与所述SAR影像不同时相、相同入射角度同一区域的另一幅SAR影像，组合粗糙度的反演方程为：
<mrow> <msub> <mi>Z</mi> <mi>s</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>11</mn> </mrow> <mrow> <mi>z</mi> <mn>10</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>12</mn> </mrow> </msup> </mrow>
其中，Zs是地表组合粗糙度，取S为地表均方根高度，l为表面相关长度；σvv(t1)和σvv(t2)是VV极化不同时相后向散射系数，t1和t2是不同时相；z10,z11和z12是组合粗糙度半经验反演方程的系数；
其中，z10，z11和z12的计算公式为：
<mrow> <msubsup> <mi>Z</mi> <mi>s</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>v</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>z</mi> <mn>11</mn> </mrow> <mrow> <mi>z</mi> <mn>10</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>z</mi> <mn>12</mn> </mrow> </msup> </mrow>
其中，Zs′为SAR影像所在区域实测的组合粗糙度值，σvv′(t1)和σvv′(t2)为SAR影像所在区域的SAR影像VV极化两个不同时相的t1和t2后向散射系数值。
4.如权利要求3所述的土壤水分反演装置，其特征在于，影像像元分类模块中所述的建立土壤水分半经验反演方程库包括：
当5°≤θ≤10°且Zs≤0.25时，
当5°≤θ≤10°且0.25<Zs≤4.5时，
当10°<θ≤15°且Zs≤0.3时，
当10°<θ≤15°且0.3<Zs≤5时，
当15°<θ≤20°且Zs≤0.45时，
当15°<θ≤20°且0.45<Zs≤5时，
当20°<θ≤25°且Zs≤0.5时，
当20°<θ≤25°且0.5<Zs≤5时，
当25°<θ≤30°且Zs≤0.9时，
当25°<θ≤30°且0.9＜Zs≤5时，
当30°<θ≤35°且Zs≤0.9时，
当30°<θ≤35°且0.9＜Zs≤5时，
当35°<θ≤40°且Zs≤1时，
当35°<θ≤40°且1<Zs≤5时，
当40°<θ≤45°且Zs≤1时，
当40°<θ≤45°且1<Zs≤5时，
当45°<θ≤50°且Zs≤1.2时，
当45°<θ≤50°且1.2<Zs≤5时，
其中，σpq是后向散射系数，Mv是土壤含水量，Zs是地表组合粗糙度，θ是SAR影像入射角，ΔT是SAR影像所在区域土壤有效温度影响到的后向散射系数的增量，ΔS是SAR影像所在区域土壤质地影响到的后向散射系数的增量，a、b、c、d、m、n是土壤水分半经验反演方程的系数；
其中，系数a，b由SAR影像所在区域实测的土壤含水量和雷达影像的后向散射系数值拟合得到；
其中，系数c，d，m，n由SAR影像所在区域实测的组合粗糙度以及后向散射系数值拟合得到；
其中，通过下式计算SAR影像所在区域土壤有效温度影响到的后向散射系数的增量ΔT：
ΔT＝-1.888e-0.01972T-5.808e0.004134T-δ0
T是SAR影像所在区域土壤有效温度，δ0是基准后向散射系数；
其中，通过下式计算SAR影像所在区域土壤质地影响到的后向散射系数的增量ΔS：
ΔS＝1.7402S+0.5879C-8.1088-δ0
S是SAR影像所在区域土壤中的砂土含量，C是SAR影像所在区域土壤中的粘土含量，δ0是基准后向散射系数；
当SAR影像极化方式为VV时，δ0＝-7.626；
当SAR影像极化方式为HH时，δ0＝-7.967；
当SAR影像极化方式为HV或VH时，δ0＝-44.30。
CN201610905725.4A 2016-10-18 2016-10-18 一种基于遥感的土壤水分反演方法和装置 Active CN106569210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610905725.4A CN106569210B (zh) 2016-10-18 2016-10-18 一种基于遥感的土壤水分反演方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610905725.4A CN106569210B (zh) 2016-10-18 2016-10-18 一种基于遥感的土壤水分反演方法和装置

Publications (2)

Publication Number Publication Date
CN106569210A CN106569210A (zh) 2017-04-19
CN106569210B true CN106569210B (zh) 2017-10-31

Family

ID=58533011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610905725.4A Active CN106569210B (zh) 2016-10-18 2016-10-18 一种基于遥感的土壤水分反演方法和装置

Country Status (1)

Country Link
CN (1) CN106569210B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655936B (zh) * 2017-10-11 2021-06-29 中国石油化工股份有限公司 一种碎屑岩岩性替换的弹性参数计算方法及系统
US10996179B2 (en) 2019-03-11 2021-05-04 Skaha Remote Sensing Ltd. System and method to detect ground moisture
CN110057997B (zh) * 2019-05-06 2022-05-24 电子科技大学 一种基于双极化sar数据的森林可燃物含水率时间序列反演方法
CN112014542B (zh) * 2020-06-30 2023-09-29 中国科学院空天信息创新研究院 植被覆盖区土壤水分图制作方法、装置、储存介质及设备
CN111965330B (zh) * 2020-08-18 2021-05-25 自然资源部国土卫星遥感应用中心 一种基于双极化类发射率的裸露土壤含水量反演方法
CN112161998B (zh) * 2020-09-02 2023-12-05 国家气象信息中心 土壤含水量测量方法、装置、电子设备及存储介质
CN112307679B (zh) * 2020-11-23 2022-11-04 内蒙古工业大学 一种构建河冰厚度反演微波散射模型的方法及装置
CN113865523A (zh) * 2021-09-29 2021-12-31 中国科学院东北地理与农业生态研究所 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法
CN115618174B (zh) * 2022-10-24 2023-06-13 安徽师范大学 基于像元尺度地表粗糙度谱参数的土壤湿度反演方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907583B (zh) * 2009-06-02 2013-04-03 中国农业科学院农业资源与农业区划研究所 利用gnss-r信号监测土壤水分变化的装置与方法
CN101936921A (zh) * 2010-03-05 2011-01-05 中国农业科学院农业资源与农业区划研究所 从amsr-e数据反演土壤水分方法
CN103196862B (zh) * 2013-02-25 2015-01-21 北京师范大学 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统

Also Published As

Publication number Publication date
CN106569210A (zh) 2017-04-19

Similar Documents

Publication Publication Date Title
CN106569210B (zh) 一种基于遥感的土壤水分反演方法和装置
Narayan et al. High-resolution change estimation of soil moisture using L-band radiometer and radar observations made during the SMEX02 experiments
Zheng et al. Development of a gray-level co-occurrence matrix-based texture orientation estimation method and its application in sea surface wind direction retrieval from SAR imagery
Yao et al. A robust method for filling the gaps in MODIS and VIIRS land surface temperature data
CN105606631B (zh) 一种盐度卫星双波段亮温数据联合反演土壤水分的方法
Jakobi et al. Error estimation for soil moisture measurements with cosmic ray neutron sensing and implications for rover surveys
Ma et al. An updated moving window algorithm for hourly-scale satellite precipitation downscaling: A case study in the Southeast Coast of China
CN104698460A (zh) 一种双频共面合成孔径雷达海面风场反演方法
CN107748360A (zh) 海表风场反演方法及装置
Bernard et al. Possible use of active microwave remote sensing data for prediction of regional evaporation by numerical simulation of soil water movement in the unsaturated zone
CN107063296A (zh) 一种卫星遥感传感器在轨辐射定标方法
Ghahremanloo et al. Soil moisture estimation using land surface temperature and soil temperature at 5 cm depth
CN107478611A (zh) 一种计算岩石裸露率的方法
Kong et al. A coupling model for soil moisture retrieval in sparse vegetation covered areas based on microwave and optical remote sensing data
CN107689051A (zh) 一种基于变化因子的多时相sar影像变化检测方法
Wu et al. Effect of land-cover type on the SMAP active/passive soil moisture downscaling algorithm performance
CN105954739A (zh) 一种知识辅助的非参量恒虚警检测方法
Su et al. Detect and identify earth rock embankment leakage based on UAV visible and infrared images
CN113076645B (zh) 一种结合遥感数据的宇宙射线中子仪空间特征模拟方法
Lu et al. Reducing weather influences on an 89 GHz sea ice concentration algorithm in the Arctic using retrievals from an optimal estimation method
Luo et al. Method development for estimating soil organic carbon content in an alpine region using soil moisture data
Gu et al. Snow depth and snow cover retrieval from FengYun3B microwave radiation imagery based on a snow passive microwave unmixing method in Northeast China
Akbar et al. Combined radar–radiometer surface soil moisture and roughness estimation
McNairn et al. Estimating surface soil moisture using Radarsat-2
Qin et al. Comparison of split window algorithms for land surface temperature retrieval from NOAA-AVHRR data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170419

Assignee: Xi'an tianbang surveying and Mapping Technology Co.,Ltd.

Assignor: CHANG'AN University

Contract record no.: X2022980004777

Denomination of invention: A soil moisture inversion method and device based on Remote Sensing

Granted publication date: 20171031

License type: Common License

Record date: 20220425

EE01 Entry into force of recordation of patent licensing contract