CN106771089A - 基于改进双通道算法的土壤水分遥感反演方法 - Google Patents
基于改进双通道算法的土壤水分遥感反演方法 Download PDFInfo
- Publication number
- CN106771089A CN106771089A CN201710164644.8A CN201710164644A CN106771089A CN 106771089 A CN106771089 A CN 106771089A CN 201710164644 A CN201710164644 A CN 201710164644A CN 106771089 A CN106771089 A CN 106771089A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- soil moisture
- soil
- algorithm
- water content
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于改进双通道算法的土壤水分遥感反演方法,对双通道算法中Jackson植被含水量计算方法进行改进,在计算植被叶片含水量的基础上,采用Chan方法计算植被茎体含水量,进而校正植被效应,首次提出了改进双通道算法。使用AMSR‑E 10.65GHZ双极化通道亮温数据反演研究区表层土壤水,使用和计算VWC进而校正植被效应提高土壤水分的反演精度,因此,实现了比双通道算法更高的精度。
Description
技术领域
本发明涉及土壤水分遥感反演领域,尤其是涉及基于改进双通道算法的土壤水分遥感反演方法。
背景技术
土壤水分是影响地球陆表水循环的关键因子,控制着陆地-大气之间的水分和能量循环,进而对天气和气候产生重要影响。土壤水分不仅与水圈、大气圈和生物圈之间的物质能量交换息息相关,而且在地表能量向潜热和显热转化的过程中起着关键作用。通过控制降水向渗透和径流的转化比例,土壤水分对河川径流量、地下水流量和降雨量有重要影响。因此,土壤水分在地球系统的各个过程和反馈机制中起着不可或缺的作用,实时准确的对土壤水分进行监测已经成为国内外的研究热点之一。
被动微波遥感因其全天时、全天候和不受天气影响的优点,被广泛应用于土壤水分反演研究中。其中,高级微波扫描辐射计(Advanced microwave scanning radiometer-Earth Observing System,AMSR-E)由于具有较长的观测时间、多波段、双极化通道和较高的数据质量在被动微波土壤水分反演算法中得到广泛的应用。目前已有的很多物理模型算法都是针对AMSR-E亮温数据提出的,这些算法主要分为两类,一是基于数学迭代方法的算法,如Njoku提出的NPD算法、Owe提出的LPRM算法、Zeng、Pan、田辉、Chen、Hong等人分别基于不同的数学迭代方法提出相应的反演算法;二是基于辅助数据的物理模型,其中应用最为广泛的是Jackson提出的单通道算法(Single channel algorithm,SCA)和Shi、刘强以SCA算法为基础提出的双通道算法(Dual-Channel Algorithm,DCA)。
双通道算法基于Jackson方法计算植被含水量(Vegetation water content,VWC)校正植被效应。刘强、王嘉楠分别以青藏高原和内蒙古为研究区验证反演结果,发现双通道算法精度高于AMSR-E官方土壤水分产品,具有较好的精度。Yilmaz和Jackson、Chan进一步研究指出被动微波遥感土壤水分反演算法中的植被含水量参数应为包含叶片含水量和茎体含水量两部分,而Jackson算法只计算了植被叶片含水量,降低最终的反演精度。在此基础上Chan提出了包含叶片含水量和茎体含水量并且能够反应不同植被季节变化的新植被含水量计算方法。
发明内容
本发明提供一种基于改进双通道算法的土壤水分遥感反演方法,该方法基于传感器微波亮温数据以及相应的辅助数据,反演研究区的土壤水分,包括如下步骤,
步骤一,计算地表有效温度Teff;
步骤二,计算植被含水量VWC,该植被含水量包括叶片含水量VWCs和茎体含水量VWCf,VWC=VWCs+VWCf;
步骤三,根据获得的植被含水量VWC计算植被光学厚度τc(f,p);
步骤四,根据已获得的地表有效温度Teff数据、植被光学厚度τc(f,p)数据、以及传感器收到的亮温数据计算得到粗糙地表发射率erough(f,p);
步骤五,根据已获得的粗糙地表发射率erough(f,p),计算得到土壤体积含水量SM。
优选的,所述传感器为AMSR-E 10.65GHz传感器。
优选的,所述辅助数据包括土壤质地数据、地表覆盖数据以及植被指数数据。
优选的,所述地表有效温度Teff基于以下公式获得
Teff=1.11×TB,36.5V-15.20 (TB,36.5V>259.8K) (1)
其中,TB,36.5V=259.8K是冻土和非冻土的区分阈值。
优选的,
其中,stem factor为常数,代表植被茎体所能存储的最大水量,随着植被类型的变化而变化,NDVI为植被指数,NDVImax是年最大植被指数,NDVImax是年最小植被指数。
优选的,植被光学厚度τc(f,p)根据以下公式获得
τc(f,p)=b(f)×VWC (2)
其中,b(f)为常量,依赖于频率和植被类型;VWC的单位为kg/m2。
优选的,所述步骤五进一步包括,根据已获得的粗糙地表发射率erough(f,p)计算垂直极化和水平极化方式下的粗糙地表发射率和然后基于以下公式
计算出土壤体积含水量SM,其中,α、β为常数,A、B和C为经验常数;
优选的,还包括,根据双通道算法土壤水反演结果以及研究区的土壤水分实测值,验证反演方法的精度。
优选的,所述验证反演方法的精度包括计算皮尔逊相关系数、RMSE和偏差,以及获取绝对误差频率分布图、进行时间序列分析和进行1:1线散点图分析。
本发明对双通道算法中Jackson植被含水量计算方法进行改进,在计算植被叶片含水量的基础上,采用Chan方法计算植被茎体含水量,进而校正植被效应,首次提出了改进双通道算法(Improved Dual-Channel Algorithm,IDCA)。由于改进双通道算法基于适用于较高频率的QP模型校正粗糙度效应,因此该算法适用于较高频率的微波亮温数据。以AMSR-E数据为例,该算法适用于除却L波段以外所有波段的亮温数据。考虑到改进算法适用波段的穿透性,本发明选择草地和草地-农作物混合地表覆盖类型。同时,为了尽可能减小经验参数带来的误差,本发明参考前人的研究,选择壤质土类土壤质地类型,验证改进算法在草地和草地-农作物混合覆盖的壤质土类地区的土壤水分反演精度。
附图说明
下面通过具体实施方式并参照附图介绍本发明的其它细节和优点,附图如下:
图1为本发明改进双通道算法土壤水分遥感反演流程图。
图2示出CTP研究区。
图3为CTP研究区土壤质地分布图。
图4示出2010年和2011年CTP研究区地表覆盖类型分布图:(a)2010年地表覆盖类型;(b)2011年地表覆盖类型。
图5示出ON研究区。
图6示出ON研究区土壤质地和地表覆盖类型分布图:(a)土壤质地分布图;(b)地表覆盖类型分布图。
图7是CTP研究区实测站点分布图。
图8是ON研究区实测站点分布图。
图9是反演结果与实测数据散点分布图:(a)改进双通道算法在CTP研究区散点分布图;(b)双通道算法在CTP研究区散点分布图;(c)改进双通道算法在ON研究区散点分布图;(d)双通道算法在ON研究区散点分布图。
图10是CTP研究区反演结果与实测值时间序列曲线:(a)改进双通道算法与实测值时间序列曲线;(b)双通道算法与实测值时间序列曲线。
图11是改进算法与原算法绝对误差频率分布图:(a)CTP研究区;(b)ON研究区。
具体实施方式
改进双通道算法主要由三部分构成:计算地表有效温度、基于植被含水量校正植被效应得到粗糙地表发射率、校正粗糙度效应计算得到土壤水分,如图1所示。下面首先介绍改进双通道算法的理论基础——被动微波辐射传输方程,并对改进双通道算法的每一步进行详细介绍。
被动微波辐射传输方程
所有基于被动微波遥感反演土壤水分的物理模型算法的核心为被动微波辐射传输方程。在微波低频波段(L波段、C波段和X波段)下大气贡献可以忽略且大气不透明度很低。对于植被覆盖地表,一般使用只考虑植被和地表双层的零阶辐射传输模型(τ-ω模型)计算卫星接收到的亮温。
其中,指传感器接收到的亮温,τc(f,p)指植被光学厚度;ω(f,p)指植被单次散射反照率;Tc指植被层物理温度;Ts指土壤层物理温度;erough(f,p)指粗糙土壤发射率;θ为卫星观测角,在本研究中指AMSR-E入射角。
在实际应用中为了简化计算往往假设植被和土壤表层为均一介质,两者物理温度相同,即Tc=Ts=Teff,Teff指地表有效温度。基于该假设公式(1)可以化简为公式(2)。
由公式(2)可以看出,要想由传感器测量值求得erough(f,p)必须已知Teff和τc(f,p)两个参数,即需要已知地表有效温度和植被光学厚度。
计算地表有效温度
地表有效温度是土壤水分反演的关键参数,本发明使用Holmes在2009年提出了使用AMSR-E 36.5GHz垂直极化亮温计算Teff的方法,如公式(3)所示。Parinussa使用Holmes方法反演Teff,并使用实测地表温度和MODIS土壤温度产品进行精度验证,发现反演结果具有很好的精度。Hong,Parinussa,Liu和Wang均使用该方法反演土壤水分,并实现了较好的反演精度。
Teff=1.11×TB,36.5V-15.20 (TB,36.5V>259.8K) (3)
其中,TB,36.5V=259.8K是冻土和非冻土的区分阈值。
将公式(3)代入公式(2)中可以得到公式(4):
从公式(4)可以看出要求解erough(f,p),下一步需要校正植被对微波信号的影响,即计算公式中的植被光学厚度参数。
校正植被效应
植被层对传感器接收到的土壤自身发射的微波信号有两种效应:一是植被层会削弱土壤层的微波辐射;另一方面植被层本身也会辐射微波信号。对于低频波段,往往忽略植被层间的多重散射,只考虑单次散射。使用单次散射反照率ω(f,p)对单次散射强度进行描述,使用τc(f,p)描述植被层对土壤微波信号的衰减。
单次散射反照率(ω(f,p))是指由散射引起的衰减与总衰减的比值。虽然ω(f,p)是植被几何形态的函数,并且随着植被类型的变化而变化,但是关于ω(f,p)与时间以及植被类型之间的关系研究很少。Jackson指出ω(f,p)的取值很小,介于0.03-0.12之间。Owe和Griend认为在微波波段,ω(f,p)的影响很小,可以忽略。本发明采用Owe的假设,设ω(f,p)=0。
植被光学厚度(τc(f,p))是描述植被对土壤发射的微波信号影响程度的关键参数。τc(f,p)的大小取决于植被类型、植被水分含量和波长,Mladenova指出在研究中往往忽略极化方式对τc(f,p)的影响,认为τc(f,H)=τc(f,V)。基于这个假设,Jackson研究得到τc(f,p)和植被含水量之间的线性关系:
τc(f,p)=b(f)×VWC (5)
其中,b(f)为常量,依赖于频率和植被类型;VWC为植被含水量,单位为kg/m2。
Jackson和Schmugge验证了公式(5)的正确性,Le Vine和Karam从理论上证明此线性关系在L、C和X波段上的适用性,并且发现b与波长成反比曲线关系,波长越短,b值越大,Jackson基于前人的野外测量数据也证明了这一 结论的正确性。Griend对前人的研究进行了总结,发现前人关于b值的研究主要针对农作物和草地。本发明基于Griend的研究以及刘强、王嘉楠在双通道算法对b值的处理方法,假设对于草地和草地-农作物混合植被覆盖类型,b值在10.65GHz波段的取值相同。
植被含水量VWC是表征植被效应的核心参数,由茎体含水量和叶片含水量构成,对于大多数植被而言,叶片含水量在植被含水量中所占的比例较小,茎体含水量所占的比例较高。双通道算法在校正植被效应时仅考虑植被的叶片含水量,这必然会对最终的土壤水分反演结果造成较大的误差,针对双通道算法中的缺陷,本发明算法分别计算植被的茎体含水量和叶片含水量来校正植被效应,进而反演土壤水分。
植被的茎体含水量为植被类型和NDVI(植被指数)的函数,计算方法为公式(6)所示:
其中,stem factor为常数,代表植被茎体所能存储的最大水量,随着植被类型的变化而变化,表1是IGBP地表类型的stem factor系数;NDVImax是年最大NDVI,对于草地和农作物,使用当前NDVI值代替NDVImax;NDVImin是年最小NDVI。
表1不同地表类型stem factor值
植被的叶片含水量是植被NDVI的函数,计算方法如公式(7):
VWCf=1.9134×NDVI2-0.3215×NDVI (7)
基于公式(6)和公式(7)可以得到植被含水量为:
VWC=VWCs+VWCf; (8)
将公式(8)和公式(5)代入公式(4)中可以求出粗糙地表的发射率erough(f,p)。
粗糙度效应校正与土壤水分反演
由于AMSR-E传感器具有较大的入射角,本发明使用的亮温数据为10.65GHz通道亮温,因此选择适用于大入射角和高频率的地表粗糙度模型—QP模型。基于QP模型和由上述步骤计算得到两种极化方式下的erough(f,p),计算土壤水分。
基于QP模型和两种极化方式下的erough(f,p)计算土壤水分的方法如公式(9)所示:
其中,tv和th为垂直极化和水平极化光滑土壤菲涅尔透过率;α、β和η为常数,对于AMSR-E 10.65GHz,三者的取值分别为2.3251、2.2856和1.0533;A、B和C为经验常数,针对不同的土壤质地具有不同的取值;SM为土壤体积含水量。
公式(9)直接将土壤体积含水量和粗糙地表发射率联系起来,即根据计算出来的粗糙地表发射率可以求出相应的土壤体积含水量,计算公式为公式(10)。
上述过程就是改进双通道算法内容:基于AMSR-E 10.65GHz微波亮温数据和相应的土壤质地、植被指数等辅助数据,首先计算地表有效温度,其次计算植被含水量(植被叶片含水量和茎体含水量)剔除植被效应对微波亮温的影响,进而得到粗糙地表发射率;在此基础上使用Qp模型,消除地表粗糙度效应,反演出土壤含水量。
改进算法的精度验证
验证区域
考虑到被动微波遥感数据的低空间分辨率、实测数据应具有较大空间尺度和同步性以及实测数据的可获取性,本发明选择具体实施例为中国青藏高原中部土壤温湿度观测网(Central Tibetan Plateau-Soil Moisture Temperature Monitoring Network,CTP)区域作为草地覆盖壤质土类研究区(参见图2)和美国俄克拉马州北部区域(ON Area ofSoil Moisture Experiments In 2003,ON)(参见图5)作为草地-农作物混合覆盖壤质土类研究区,基于改进双通道算法反演土壤水分,并使用这两个区域的实测数据和双通道算法土壤水分产品验证对改进算法的精度。
如图2中的方框所示。经纬度范围为91.5°-92.5°E,31°-32°N,观测地区以丘陵地形为主,土壤质地以壤质土类为主,如图3所示;地表覆盖类型 以高山草地为主,如图4所示。该区域气候为高原气候,气温低,日较差大;冬季干冷漫长,大风多;夏季温凉多雨,冰雹多。由于青藏高原气候的特殊性,在秋、冬季和春季,青藏高原地区土壤往往处于冻结状态,土壤水分多为固态,不满足土壤水分反演条件;在夏季,气温升高,土壤水分由固态变为液态,满足土壤水分反演条件。
如图5中方框区域所示,ON研究区经纬度范围为97.53°-97.96°W,36.11°-36.83°N,地形以平原为主,高程差异小于200m,土壤质地为壤质土类,如图6a所示;地表覆盖类型以农作物(冬小麦)和草原为主,如图6b所示。该地区气候为半湿润气候,年均降水量为750mm。实验于2003年7月2日至7月17日开展,此时草地生长茂盛,冬小麦已经成熟且部分收割。
数据分析
AMSR-E亮温数据
AMSR-E以55°固定观测角对地观测,每日可以获取升轨和降轨两次全球观测数据,其中升轨时间为13:30LT,降轨时间为1:30LT。AMSR-E设置6.9GHz、10.65GHz、18.7GHz、23.8GHz、36.5GHz和89GHz 6个波段和水平垂直极化2种极化方式对地表进行监测,获取多种地表信息。
本发明使用AMSR-E 0.25°日栅格亮温数据(AE_L2B)。考虑到青藏高原土壤水分的冻融特性、AMSR-E传感器停止运行的时间以及CTP研究区土壤温湿度测量起始时间,选择2010年8月1日至2010年10月31日和2011年5月1日至2011年9月30日作为CTP研究区的研究时段。ON研究区的研究时段为2003年7月2日至7月17日。对于CTP研究区,考虑到夜晚土壤以及土壤-大气能量处于相对平衡的状态,使用降轨(1:30LT)数据反演土壤水分;对于ON研究区,由于土壤水分的测量于11:00至15:00展开,为了保持数据同步性,使用 升轨(13:30LT)数据反演土壤水分。
研究表明虽然6.9GHz比10.65GHz通道具有更高的大气透过率,但是6.9GHz是无线电通信频率,该波段的亮温信号受到严重的无线电信号射频干扰(Radio FrequencyInterference,RFI)。10.65GHz是受RFI影响最弱且对土壤水分敏感的最佳波段,因此本发明使用10.65GHz双极化通道亮温数据。
辅助数据
1.土壤质地数据
本发明使用联合国粮农组织(FAO)和维也纳国际应用系统研究所(IIASA)所构建的世界土壤数据库(Harmonized World Soil Database,HWSD)。HWSD采用的土壤分类系统主要为FAO-90,空间分辨率为1km。基于HWSD土壤数据库,判别研究区的土壤质地类型。
2.地表覆盖数据
使用MODIS产品MCD12Q1数据作为地表覆盖数据。MCD12Q1地表覆盖产品空间分辨率为500m,时间分辨率为1年。MCD12Q1提供了5种分类体系,本发明使用国际地圈生物圈(International Geosphere-Biosphere Program,IGBP)分类方案判别地表覆盖类型,数据时间范围为2010年、2011年和2003年,同时使用NASA提供的MRT软件对数据进行预处理。
3.植被指数数据
使用MODIS产品MOD13A1NDVI产品作为植被指数数据,数据空间分辨率为500m,时间分辨率为16天。数据时间范围为2010年8月1日至2010年10月31日、2011年5月1日至2011年9月30日和2003年7月2日至7月17日,对于该数据同样使用MRT软件进行预处理。
验证数据
CTP研究区实测数据集数据采集时间为2010年8月1日到2012年12月31日。观测网由56个站点构成,分布在1°×1°的空间范围内,如图7所示。每个站点均有4个传感器,分别测量表层土壤(0-5cm)、10cm、20cm、40cm的土壤温度和土壤水分(体积含水量),每个传感器每隔30min记录该段时间内的土壤温湿度平均值。考虑到实测数据与反演数据的同步性以及反演的土壤水分为表层土壤水分,选择研究时段内站点在1:30am时刻0-5cm土壤水分实测值作为验证数据。
ON研究区土壤水分实测数据采集时间为2003年7月2日至2003年7月17日,观测网由36个站点构成,如图8所示。每个站点测量1cm、5cm和10cm的土壤温度以及0-6cm土壤水分(体积含水量),土壤水分测量时段为11:00am至3:00pm[23]。考虑到土壤水分的反演深度为表层土壤,使用0-6cm测量值作为验证数据。
基于双通道算法、AE_L2B 10.65GHz双极化亮温和上述辅助数据,分别计算CTP研究区降轨土壤水分反演值和ON研究区升轨土壤水分反演值。
精度评价
本发明采用两种方法对改进双通道反演结果进行精度评价:一是使用均方根误差(RMSE)、偏差(Bias)、皮尔逊相关系数(R2)和绝对误差频率图四个指标进行定量评价;二是通过对比散点与1:1线分布图、反演值与观测值时间序列曲线对反演精度进行定性评价。
然而AMSR-E的空间尺度是面尺度,站点数据的空间尺度为点尺度,因此在进行精度验证之前,首先要解决两种数据空间尺度不一致的问题。为了尽量减小由于尺度不同造成的误差,选择CTP研究区(1°x 1°)和ON研究区(0.72°x 0.43°)空间范围内的所有站点测量值与反演值进行对比分析。
对于CTP研究区,采用如下验证方法:(1)平均研究区16个像元获取的土壤水分反演值,得到日平均土壤水分反演值;(2)平均研究区内所有观测站点的土壤水分实测值,得到日平均土壤水分实测值;(3)把研究时段内改进双通道算法土壤水分反演值、双通道算法土壤水分值分别和土壤水分实测值做时间序列比较和相关统计指标计算,验证本发明土壤水分反演值在CTP研究区的精度。
采取相同的处理方法,验证本发明土壤水分反演值在ON研究区的精度。
定性验证
根据上述定性评价方法,分别作出改进双通道算法反演值、双通道算法反演值与站点实测值的散点与1:1线分布图(图9)、时间序列曲线图(图10)。
图9a和图9c分别表示两个研究区改进算法土壤水分反演值和实测值散点与1:1线分布图,图9b和图9d分别表示两个研究区原算法土壤水分反演值和实测值散点与1:1线分布图。从图中可以看出,两个研究区的改进算法土壤水分反演值-实测值散点都更靠近1:1线分布。对于CTP研究区,双通道算法土壤水分反演值-实测值散点主要分布在1:1线上方,大部分改进算法土壤水分反演值-实测值散点围绕1:1线分布;对于ON研究区,双通道算法土壤水分反演值-实测值散点分布在1:1线下方,而改进算法土壤水分反演值-实测值散点基本在1:1线上分布。
由于ON研究区的测量时间为7月2日至7月17日共16天的时间,因此只分析CTP研究区的时间序列曲线,将2010年8月1日至2010年10月31日和2011年5月1日至2011年9月30日两个研究时段合并为一个时间序列,分析算法改进前后土壤水分反演值与实测值的变化趋势以及数值吻合程度。从图10a和图10b可以看出改进算法和原算法的反演结果与实测数据均呈现出相同的变 化趋势,但是改进算法反演值与实测值的吻合程度优于原算法反演值与实测值的吻合程度。其中,改进算法反演值与实测值相近的天数为110左右,而原算法产品值与实测值相近的天数为30天左右。
因此,从土壤水分反演值-实测值散点与1:1线分布图、时间序列曲线分析可以定性得到改进算法反演精度优于原算法反演精度的结论。
定量验证
根据上述定量评价方法,分别计算改进算法反演结果和原算法反演结果的RMSE、Bias、R2与绝对误差频率分布图,如表2、表3和图11所示。
从表2可以看出,对于CTP研究区,相较于原算法,改进算法的精度有了明显提高。RMSE从原来的0.1010降低到0.0712,减小了0.0298;R2从原来的0.5793增加到0.7034,增加了0.1241;Bias绝对值从原来的0.0643减小到0.0282,减小了0.0361。
从表3可以看出,对于ON研究区,相较于原算法,改进后算法精度有了大幅度提高。RMSE从原来的0.0761降低到0.0126,减小了0.0635;R2从原来的0.7119增加到0.9679,增加了0.256;Bias绝对值从原来的0.0745减小到0.0056,减小了0.0689。
绝对误差是指土壤水分反演值与实测值差值的绝对值。从图11a和11b可以看出,对于CTP研究区,原算法的误差范围为0-0.25%%,主要分布在0.05-0.15%%范围内,其中0.05-0.1%%范围内的频率为0.47,0.1-0.15%%范围的频率为0.27;改进算法的误差范围为0-0.2%%,主要分布在0-0.1%%范围内,其中0-0.05%%范围内的频率为0.58,0.05-0.1%%范围的频率为0.19;对于ON研究区,改进算法的反演绝对值误差分布在0-0.025%%范围内,原算法的反演绝对值误差主要分布在0.05-0.1%%范围内。因此,对于以上两个研究区,改进算 法反演结果的绝对误差均比原算法反演结果的绝对误差向低误差值范围内偏移。
表2 CTP研究区改进前后算法反演结果精度指标
表3 ON研究区改进前后算法反演结果精度指标
因此,通过对比两种算法的定量精度评价指标,可以得出改进算法反演精度明显高于原算法反演精度的结论。
研究区反演精度对比分析
从定性和定量对比结果可知,改进算法在两个研究区的反演精度均高于原算法,并且在两个研究区均具有较好的精度。其中,改进算法土壤水分反演值在CTP研究区Bias为-0.0282,RMSE为0.0712,绝对值误差主要集中在0-0.1%/%范围内;在ON研究区Bias为-0.0056,RMSE为0.0126,绝对值误差主要集中在0-0.025%/%范围内。通过对比两个研究区相对应的精度指标可以发现,改进算法在ON研究区的反演精度高于在CTP研究区的反演精度。
在此基础上,对比分析两个研究区算法改进前后各精度指标的变化值大小可知,ON研究区RMSE、Bias和R2的变化值大于CTP研究区三个指标的变化值,ON研究区反演结果的绝对误差范围小于CTP研究区反演结果的绝对误差范围。因此,ON研究区的土壤水分反演精度提高程度高于CTP研究区。
通过对比两个研究区的精度指标以及反演精度的提高程度可以得出如下结论:改进算法在ON研究区的反演精度高于CTP研究区的反演精度。改进算法在CTP研究区的精度并没有达到很高的指标,这主要是由于研究区复杂的地形原因造成的,研究区多为山地,山间微波信号的多次散射等效应对传感器接收到的亮温造成较大影响,会影响最终的土壤水分反演结果。
结论
本发明对双通道算法中Jackson植被含水量计算方法进行改进,在计算植被叶片含水量的基础上,采用Chan方法计算植被茎体含水量,进而校正植被效应,首次提出了改进双通道算法。以青藏高原CTP地区和美国俄克拉马州ON地区为研究区反演土壤水分,并以实测数据和双通道算法土壤水分值为验证数据,对改进算法的反演精度进行评价,得到如下结论:
本发明从定性和定量两个方面对改进算法反演结果进行评价。通过对比两个算法反演值与实测值的散点与1:1线分布图和时间序列曲线图,发现改进算法土壤水分反演结果与站点实测值更加吻合;通过对比两个算法产品的RMSE、Bias、R2,发现对于CTP研究区,改进算法的上述指标分别为0.0712、-0.0282和0.7034,较原算法的R2上升了0.1241,RMSE和Bias分别下降了0.0298和0.0361,改进算法反演结果的绝对值误差主要分布在0-0.1范围内;对于ON研究区,改进算法的上述指标分别为0.0126、-0.0056和0.9679,较原算法的R2上升了0.256,RMSE和Bias分别下降了0.0635和0.0689,绝对值误差主要分布在0-0.025范围内。
两个研究区的定性定量精度指标均说明改进算法的反演精度较原算法有了 明显的提高。
以上为本发明的最佳实施方式,依据本发明公开的内容,本领域普通技术人员能够显而易见想到一些雷同替代方案,均应落入本发明的保护范围。
Claims (9)
1.一种基于改进双通道算法的土壤水分遥感反演方法,该方法基于传感器微波亮温数据以及相应的辅助数据,反演研究区的土壤水分,其特征在于:该方法包括如下步骤,
步骤一,计算地表有效温度Teff;
步骤二,计算植被含水量VWC,该植被含水量包括叶片含水量VWCf和茎体含水量VWCs,VWC=VWCs+VWCf;
步骤三,根据获得的植被含水量VWC计算植被光学厚度τc(f,p);
步骤四,根据已获得的地表有效温度Teff数据、植被光学厚度τc(f,p)数据、以及传感器收到的亮温数据计算得到粗糙地表发射率erough(f,p);
步骤五,根据已获得的粗糙地表发射率erough(f,p),计算得到土壤体积含水量SM。
2.如权利要求1所述的土壤水分遥感反演方法,其特征在于:所述传感器为AMSR-E10.65GHz传感器。
3.如权利要求2所述的土壤水分遥感反演方法,其特征在于:所述辅助数据包括土壤质地数据、地表覆盖数据以及植被指数数据。
4.如权利要求3所述的土壤水分遥感反演方法,其特征在于:所述地表有效温度Teff基于以下公式获得
Teff=1.11×TB,36.5V-15.20 (TB,36.5V>259.8K) (1)
其中,TB,36.5V=259.8K是冻土和非冻土的区分阈值。
5.如权利要求4所述的土壤水分遥感反演方法,其特征在于:
VWCf=1.9134×NDVI2-0.3215×NDVI,
其中,stem factor为常数,代表植被茎体所能存储的最大水量,随着植被类型的变化而变化,NDVI为植被指数,NDVImax是年最大植被指数,NDVImin是年最小植被指数。
6.如权利要求5所述的土壤水分遥感反演方法,其特征在于:植被光学厚度τc(f,p)根据以下公式获得
τc(f,p)=b(f)×VWC (2)
其中,b(f)为常量,依赖于频率和植被类型;VWC的单位为kg/m2。
7.如权利要求1-6中任一项所述的土壤水分遥感反演方法,其特征在于:所述步骤五具体为,根据已获得的粗糙地表发射率erough(f,p)计算垂直极化和水平极化方式下的粗糙地表发射率和然后基于以下公式
计算出土壤体积含水量SM,其中,α、β为常数,A、B和C为经验常数。
8.如权利要求1-6中任一项所述的土壤水分遥感反演方法,其特征在于:还包括步骤,根据双通道算法土壤水反演结果以及研究区的土壤水分实测值,验证反演方法的精度。
9.如权利要求8所述的土壤水分遥感反演方法,其特征在于:所述验证反演方法的精度包括计算皮尔逊相关系数、RMSE和偏差,以及获取绝对误差频率分布图、进行时间序列分析和进行1:1线散点图分析。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710164644.8A CN106771089A (zh) | 2017-03-20 | 2017-03-20 | 基于改进双通道算法的土壤水分遥感反演方法 |
CN202110837632.3A CN113552320A (zh) | 2017-03-20 | 2017-03-20 | 一种基于Chan方法的土壤水分遥感反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710164644.8A CN106771089A (zh) | 2017-03-20 | 2017-03-20 | 基于改进双通道算法的土壤水分遥感反演方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837632.3A Division CN113552320A (zh) | 2017-03-20 | 2017-03-20 | 一种基于Chan方法的土壤水分遥感反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106771089A true CN106771089A (zh) | 2017-05-31 |
Family
ID=58966285
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710164644.8A Pending CN106771089A (zh) | 2017-03-20 | 2017-03-20 | 基于改进双通道算法的土壤水分遥感反演方法 |
CN202110837632.3A Pending CN113552320A (zh) | 2017-03-20 | 2017-03-20 | 一种基于Chan方法的土壤水分遥感反演方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837632.3A Pending CN113552320A (zh) | 2017-03-20 | 2017-03-20 | 一种基于Chan方法的土壤水分遥感反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN106771089A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN108535338A (zh) * | 2018-01-25 | 2018-09-14 | 中国科学院东北地理与农业生态研究所 | 粗空间分辨率卫星遥感土壤水分真实性检验方法 |
CN112504144A (zh) * | 2020-12-04 | 2021-03-16 | 南京大学 | 一种海冰表面积雪厚度的遥感估算方法 |
US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
US11206771B2 (en) * | 2017-03-31 | 2021-12-28 | Nec Corporation | Vegetation effect calculation device, vegetation effect calculation system, and storage medium storing vegetation effect calculation program |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070926B (zh) * | 2022-01-21 | 2024-06-07 | 武汉大学 | 一种基于vod数据进行碳储量动态监测可行性的判定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 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 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
CN105510231B (zh) * | 2015-11-25 | 2018-07-06 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201122158Y (zh) * | 2007-12-01 | 2008-09-24 | 辽宁工程技术大学 | 多坡度土壤水蚀箱 |
CN103969268B (zh) * | 2014-04-04 | 2016-06-29 | 中国科学院华南植物园 | 地表土壤物理参数的被动微波遥感反演方法 |
-
2017
- 2017-03-20 CN CN201710164644.8A patent/CN106771089A/zh active Pending
- 2017-03-20 CN CN202110837632.3A patent/CN113552320A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 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 |
CN105510231B (zh) * | 2015-11-25 | 2018-07-06 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
Non-Patent Citations (6)
Title |
---|
CHENZHOU LIU等: "Estimation of Vegetation Parameters of Water Cloud Model for Global Soil Moisture Retrieval Using Time-Series L-Band Aquarius Observations", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
HIDEYUKI FUJII等: "Improvement of the AMSR-E Algorithm for Soil Moisture Estimationby Introducing a Fractional Vegetation Coverage Dataset Derived from MODIS Data", 《JOURNAL OF THE REMOTE SENSING SOCIETY OF JAPAN》 * |
JIANCHENG SHI等: "Microwave vegetation indices for short vegetation covers from satellite passive microwave sensor AMSR-E", 《REMOTE SENSING OF ENVIRONMENT》 * |
S. CHAN ET AL.: "Ancillary Data Report for Vegetation Water Content", 《SMAP PROJECT DOCUMENT JPL D-53061》 * |
T. R. H. HOLMES等: "Land surface temperature from Ka band (37 GHz) passive microwave observations", 《JOURNAL OF GEOPHYSICAL RESEARCH》 * |
刘强等: "青藏高原表层土壤湿度遥感反演及其空间分布和多年变化趋势分析", 《中国科学:地球科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11206771B2 (en) * | 2017-03-31 | 2021-12-28 | Nec Corporation | Vegetation effect calculation device, vegetation effect calculation system, and storage medium storing vegetation effect calculation program |
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN107389895B (zh) * | 2017-06-08 | 2019-08-30 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN108535338A (zh) * | 2018-01-25 | 2018-09-14 | 中国科学院东北地理与农业生态研究所 | 粗空间分辨率卫星遥感土壤水分真实性检验方法 |
CN108535338B (zh) * | 2018-01-25 | 2020-12-22 | 中国科学院东北地理与农业生态研究所 | 粗空间分辨率卫星遥感土壤水分真实性检验方法 |
US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
CN112504144A (zh) * | 2020-12-04 | 2021-03-16 | 南京大学 | 一种海冰表面积雪厚度的遥感估算方法 |
CN112504144B (zh) * | 2020-12-04 | 2021-10-29 | 南京大学 | 一种海冰表面积雪厚度的遥感估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113552320A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106771089A (zh) | 基于改进双通道算法的土壤水分遥感反演方法 | |
Madugundu et al. | Performance of the METRIC model in estimating evapotranspiration fluxes over an irrigated field in Saudi Arabia using Landsat-8 images | |
CN106226260A (zh) | 一种结合微波和红外遥感影像的土壤水分反演方法 | |
Yang et al. | In-season biomass estimation of oilseed rape (Brassica napus L.) using fully polarimetric SAR imagery | |
Ukhurebor et al. | Evaluation of the effects of some weather variables on UHF and VHF receivers within Benin City, South-South region of Nigeria | |
Calvet et al. | Plant water content and temperature of the Amazon forest from satellite microwave radiometry | |
CN102194127A (zh) | 一种多频率sar数据农作物遥感分类方法 | |
CN104089647A (zh) | 一种作物病害发生范围监测方法及系统 | |
Togliatti et al. | Satellite L–band vegetation optical depth is directly proportional to crop water in the US Corn Belt | |
Zhang et al. | Soil moisture retrieval from AMSR-E data in Xinjiang (China): Models and validation | |
CN105929406A (zh) | 一种农业旱情遥感监测方法 | |
Liang et al. | A synergic method of Sentinel-1 and Sentinel-2 images for retrieving soil moisture content in agricultural regions | |
Zhang et al. | Improvement in estimation of soil water deficit by integrating airborne imagery data into a soil water balance model | |
Fortes Gallego et al. | Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop | |
Tao et al. | Soil moisture retrieval from SAR and optical data using a combined model | |
CN104267045B (zh) | 一种基于无线网络的广域土壤墒情检测系统 | |
Bériaux et al. | Estimating surface-soil moisture for retrieving maize leaf-area index from SAR data | |
CN113010994A (zh) | 一种基于地表蒸散遥感的区域蒸散量的监测方法 | |
Bouman et al. | Simulation and systems analysis tools for crop yield forecasting | |
CN110658325A (zh) | 一种确定sm监测中lst/fvc空间的方法 | |
Hara et al. | Effect of vegetation growth on radio wave propagation in 920-MHz band | |
Ngandu et al. | Evaluating effect of foliage on link reliability of wireless signal | |
CN109406911B (zh) | 星载微波传感器低频通道无线电频率干扰检测及校正方法 | |
Zhang et al. | A robust coinversion model for soil moisture retrieval from multisensor data | |
Kumari et al. | C-Band RISAT-1 data for crop growth assessment of rice |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |