CN106872665A - 基于遥感的土壤墒情监测方法 - Google Patents

Abstract

本发明涉及MODIS与Landsat、TM遥感数据监测土壤墒情方法的研究，特别是涉及基于MODIS与TM影像集成应用表观热惯量法和植被供水指数法监测土壤墒情技术的研究和应用。发明从多源遥感数据优势互补出发，对应用MODIS与Landsat、TM数据监测土壤墒情方法进行研究，提出了基于MODIS与TM影像集成应用表观热惯量法和植被供水指数法监测土壤墒情技术，实现了减少地面实测数据的依靠，增大墒情监测结果的空间尺度，提高不同植被覆盖度下地表土壤墒情监测精度，充分反映土壤水分在时间上和空间上的变化情况。

Description

基于遥感的土壤墒情监测方法

技术领域：

本发明涉及MODIS与Landsat TM遥感数据监测土壤墒情的方法，特别是涉及基于MODIS与TM影像集成应用表观热惯量法和植被供水指数法监测土壤墒情技术的研究和应用。

背景技术：

土壤墒情是水文学、气象学以及农业科学领域中的一个重要指标，是土壤-植物-大气连续体的一个重要因子，对水文、农业、旱情监测等具有非常重要的意义。土壤墒情的实时准确监测是灌区现代化管理的基础，也是灌区实施适时、适量灌溉，节约水资源，提高农业用水效率的关键因素。传统的土壤墒情监测方法是通过设立测站点进行监测，耗费大量的人力、物力、财力，且测点稀疏，以点的墒情代替区域墒情，代表性差，难以满足实时、快速和大范围土壤墒情监测的需要。遥感技术具有宏观性、动态性、速度快、成本低等特点。为土壤墒情大范围实时监测提高了基础。

发明内容：

针对上述问题，本发明设计了基于遥感技术的土壤墒情监测方法。目的是应用遥感技术监测土壤墒情，充分反映土壤墒情在时间上和空间上的变化情况，从而对土壤墒情进行更有效监测。发明从多源遥感数据优势互补出发，对应用MODIS与Landsat TM数据监测土壤墒情方法进行研究，提出了基于MODIS与TM影像集成应用表观热惯量法和植被供水指数法监测土壤墒情技术，实现了减少地面实测数据的依靠，增大墒情监测结果的空间尺度，提高不同植被覆盖度下地表土壤墒情监测精度。在利用主动微波遥感监测土壤墒情研究中，通过BP人工神经网络算法模拟后向散射系数与土壤介电常数的关系。应用改进积分方程模型(AIEM)计算的后向散射系数对BP人工神经网络训练，将主动微波遥感数据四种极化方式(HH、HV、VH、VV)的后向散射系数作为输入数据计算土壤介电常数。构建了用BP人工神经网络模拟后向散射系数，进而计算土壤墒情模型，实现利用Radarsat2遥感数据四种极化方式反演土壤墒情的方法。

主要方法改进点有：

1、基于多源遥感数据的土壤墒情监测方法融合技术

基于MODIS数据应用表观热惯量法和植被供水指数法反演土壤墒情，基于LandsatTM数据应用植被供水指数法反演土壤墒情。分析采用单一遥感数据和单一反演模型监测土壤墒情的局限性。研究将MODIS与TM数据结合实现优势互补，监测土壤墒情的方法。根据单窗算法计算地表温度，以归一化植被指数阈值作为不同地表植被覆盖度的划分依据，研究融合表观热惯量法和植被供水指数法监测土壤墒情的技术，有效提高土壤-植被-建筑物等混合地表土壤墒情的监测精度。

2、提出了划分地表覆盖类型的方法

在MODIS表观热惯量法与TM植被供水指数法计算土壤墒情时，需要划分出研究区域所属的地表覆盖类型，裸土/低植被覆盖区域、高植被覆盖区域、混合地表覆盖等类型。本研究采用NDVI(归一化植被指数)，利用模糊数学算法进行判定。表观热惯量法适用于裸土/低植被覆盖区域，随着植被覆盖度的增大误差逐渐增大，精度变低；植被供水指数法适合高植被覆盖区域，随着植被覆盖度的减小误差会逐渐增大。当MODIS表观热惯量获得的土壤墒情值与TM影像植被供水指数法获得的土壤墒情接近时的区域，就是裸土低植被和高植被覆盖的临界，这时两种计算方法的相对误差之和最小，此刻的NDVI平均值代表裸土低植被区域和高植被区域划分的阈值，这时获得的土壤墒情反演精度为两种方法结合使用的最高精度。

3、构建了基于主动微波Radarsat-2数据的土壤墒情反演模型

(1)充分利用Radarsat-2的四种极化方式HH、HV、VH、VV的数据特性，采用改进积分方程模型(AIEM)模拟裸露地表后向散射系数和土壤介电常数的关系，解决了在以往研究中，应用经验半经验模型时，对研究区域的地表状况要求严格问题，降低了模型对地表粗糙度的限制要求。

(2)利用BP人工神经网络模型，设置BP人工神经网络隐含层的结点和阈值，选择合适的训练模式。应用改进积分模型(AIEM)模拟的后向散射系数和土壤介电常数作为BP人工神经网络的训练数据。在已知雷达系统参数、裸露地表参数等条件下，通过BP人工神经网络算法模拟后向散射系数与土壤介电常数之间的关系。将四种极化方式(HH、HV、VH、VV)的后向散射系数作为输入数据计算土壤介电常数，应用Topp介电模型反演土壤墒情。

具体实施方式：

地表温度和植被指数是用于遥感监测土壤墒情的两个重要的指示因子。对于裸露地表，在其他条件相同时，土壤含水量不同地表温度也不同，地表温度能较好反映土壤墒情状况。遥感技术获取地表温度时，在无植被区域监测到的是土壤表面温度，在植被较好的区域，则是植被冠层的表面温度；一般情况下，地表温度是由土壤、植被及建筑物等不同地物类型组成的混合像元的温度，所以单独应用地表温度这个因子来反演土壤墒情时，在裸土和低植被覆盖区域，具有一定的精度，但是在植被较好的区域精度较低。土壤含水量多少影响到植物的生长状态，归一化植被指数(NDVI)可以反映作物的生长状况，但NDVI只考虑了当前的植被状态，而植物在受水分胁迫时短期内仍能保持原有绿色，所以它是一个比较保守的植被水分胁迫指标，在时间上有滞后性，无法实时反映土壤墒情情况。因此单独应用植被指数因子反演土壤墒情也存在一定的局限。研究将地表温度和植被指数有机结合，利用植被指数和地表温度在遥感监测土壤墒情中的互补性，提高遥感监测土壤墒情的精度。综合利用地表温度和植被指数，考虑到气温对地表温度变化的影响，将地表温度和气温同时作为土壤含水量的指示因子，去除不同季节或同一季节相同土壤墒情时由于气温因素而导致的地表温度不同的影响；同时结合植被指数，建立土壤墒情反演模型。对NDVI进行模糊综合评价，区分裸土与植被覆盖区域等不同地表覆盖状况，解决目前在对不同地表覆盖类型采用反演土壤墒情模型时，不能进行有效甄别的问题。

由于受到天气状况、植被覆盖等因素的影响，光学遥感在土壤墒情监测应用中具有一定的局限性。微波遥感以其全天时、全天候，并具有较强穿透能力，弥补了可见光、红外遥感在土壤墒情监测中的不足，提供了监测土壤墒情的新方法，成为近年来陆地表层土壤墒情监测具发展潜力的技术。基于主动微波遥感监测土壤墒情的研究，过去大部分应用经验半经验模型，对研究区域的地表状况要求较为严格，模型参数物理意义不明确。本研究通过改进积分方程模型(AIEM)来模拟裸露地表的后向散射系数和土壤介电常数的非线性关系，且AIFM的适用范围广，对地表粗糙度的限制要求低。利用BP人工神经网络算法结合介电常数与土壤墒情的关系，将Radarsat-2遥感影像四种极化方式(HH、HV、VH、VV)的后向散射系数作为输入数据模拟土壤介电常数，提高反演土壤墒情的精度。

附图说明：

图1是遥感监测土壤墒情方法图，根据单窗算法计算地表温度，利用归一化植被指数阈值作为不同地表植被覆盖度的划分依据，研究融合表观热惯量法和植被供水指数法监测土壤墒情的技术，有效提高土壤-植被-建筑物等混合地表土壤墒情的监测精度。

图2为单窗算法地表温度分布图，利用单窗算法计算得出的地表温度。红色表示地表温度高于39°的区域，黄色表示地表温度介于35°-39°的区域，绿色表示地表温度介于30°-35°的区域，蓝色表示地表温度介于25°-30°的区域，粉红色表示地表温度介于20°-25°的区域，浅蓝色表示地表温度低于20°的区域。

图3为单通道算法地表温度分布图，利用单通道算法得出的地表温度。红色表示地表温度高于39°的区域，黄色表示地表温度介于35°-39°的区域，绿色表示地表温度介于30°-35°的区域，蓝色表示地表温度介于25°-30°的区域，粉红色表示地表温度介于20°-25°的区域，浅蓝色表示地表温度低于20°的区域。

图4为植被供水指数土壤墒情分布图。蓝色表示土壤墒情大于25％的区域，绿色表示墒情介于20％-25％的区域，浅蓝色表示墒情介于15％-20％的区域，黄色表示墒情介于10％-15％的区域，红色表示墒情小于10％的区域。

图5为MODIS结合TM影像计算土壤墒情分布图，将MODIS与TM数据源结合，将MODIS数据的多光谱和高时间分辨率，TM数据的较高空间分辨率的优势互补，计算土壤墒情分布。蓝色表示土壤墒情大于25％的区域，绿色表示墒情介于20％-25％的区域，浅蓝色表示墒情介于15％-20％的区域，黄色表示墒情介于10％-15％的区域，红色表示墒情小于10％的区域。

Claims (2)

1.一种基于遥感的土壤墒情监测方法，其特征在于：应用遥感技术监测土壤墒情，充分反映土壤水分在时间上和空间上的变化情况。

2.根据权利要求1所述的基于遥感的土壤墒情监测方法，其特征在于：

(1)用多源遥感数据，融合表观热惯量法和植被供水指数法，实现了混合地表土壤墒情监测。集成MODIS高时间分辨率和多波段与Landsat、TM影像高空间分辨率的优点，用NDVI划分地表覆盖类型，融合表观热惯量和植被供水指数法，实现了同一区域不同地表覆盖状态的土壤墒情监测。

(2)Radarsat-2雷达影像同极化和交叉极化后向散射系数的组合，提出了不依赖土壤粗糙度的双极化土壤湿度反演算法。基于Radarsat-2雷达影像，利用改进积分方程模型AIEM模型模拟裸露地表L、S和C波段SAR信号在不同雷达系统参数以及不同地表参数情况下的后向散射特征，并在此基础上分析裸露地表的后向散射变化规律。针对Radarsat-2的雷达系统参数以及研究区域地表参数的特点，进行参数范围设定，利用AIEM模型模拟设定参数范围内的雷达后向散射特征，研究后向散射系数与土壤墒情和组合粗糙度参数的关系，得到四种极化方式(HH、HV、VH、VV)下裸露地表的后向散射模型。最后利用同极化(HH和VV)交叉极化(HV和VH)方式的组合，消除地表粗糙度的影响，建立两种双极化雷达数据土壤水分反演算法。

(3)应用AIEM，使用BP人工神经网络算法模拟后向散射系数和土壤墒情的关系。研究Radarsat-2四种极化方式(HH、HV、VH、VV)后向散射系数和土壤介电常数的非线性模型，结合土壤介电常数和土壤墒情的关系，提出了用BP人工神经网络模拟后向散射系数和土壤墒情的模拟模型，实现利用Radarsat2遥感影像四种极化方式数据反演土壤墒情的方法。

(4)提出了划分地表覆盖类型的方法。在MODIS表观热惯量法与TM植被供水指数法计算的墒情时，需要划分出研究区域所属的地表覆盖类型，裸土/低植被覆盖区域、高植被覆盖区域、混合地表覆盖等类型。本研究采用NDVI(归一化植被指数)，利用模糊数学算法进行判定。由于表观热惯量法适用于裸土/低植被覆盖区域，随着植被覆盖度的增大误差逐渐增大，精度变低；植被供水指数法适合高植被覆盖区域，随着植被覆盖度的减小误差会逐渐增大，精度也变低，当MODIS表观热惯量获得的土壤墒情值与TM影像植被供水指数法获得的土壤墒情接近时的区域，就是裸土低植被和高植被覆盖的临界，这时两种方法的相对误差之和最小，这时的NDVI平均值代表裸土低植被区域和高植被区域划分的阈值，此时获得的土壤墒情反演精度为两种方法结合使用的最高精度。对于混合地表情况，应用模糊数学算法进行判断。