CN107036968B - 一种土壤湿度实时监测方法 - Google Patents

Abstract

本发明涉及一种土壤湿度实时监测方法，包括以下步骤：获取研究地区遥感影像数据；经辐射校正、大气校正后获得研究区红光和近红外波段的真实地表反射率数据；将红光和近红外波段反射率代入NDVI的计算公式，获得研究区NDVI影像图；根据研究区实际确定NDVI_max和NDVI_min，将获取的NDVI_max和NDVI_min代入植被覆盖度f_v的计算公式，得到研究区f_v影像图；将红光、近红外波段反射率及f_v代入修正型土壤湿度监测指数MSMMI计算公式，获取研究区MSMMI影像图；根据MSMMI数值大小，定量分析研究区土壤湿度状况。本发明适用于植被覆盖条件下土壤湿度时空分布特征和规律的研究，完善了土壤湿度监测指数SMMI在监测土壤湿度时未考虑植被覆盖对其产生影响的情况。

Description

一种土壤湿度实时监测方法

技术领域

本发明涉及土壤检测技术领域，尤其涉及一种土壤湿度实时监测方法。

背景技术

土壤湿度是连接陆面水资源的一个重要环境因素，并作为一个重要参数参与水文、气象及农业生产等过程。土壤湿度的变化对地表能量平衡、地区径流和植被产量等产生深远影响。随着遥感技术的快速发展，土壤湿度遥感监测已经成为国内外研究的重点。遥感监测土壤湿度的方法有热惯量法、植被指数法、温度植被干旱指数法、微波法、光谱特征空间法等，其中基于近红外(NIR)-红光(Red) 的光谱特征空间法因其简单易操作而得到了进一步的拓展和应用。

国内外利用NIR-Red的光谱特征空间建立相应土壤湿度监测指数主要有两种：一是根据特征空间中任意一点到过原点的直线(该直线垂直于土壤基线)的垂直距离大小来表征研究区土壤湿度状况，如垂直植被干旱指数(Perpendicular drought index，PDI)、改进型垂直植被干旱指数(Modified Perpendicular Drought Index，MPDI)等；二是为了减小或者消除土壤背景线的变化而引起监测精度的不确定性问题，相关学者直接利用特征空间中任意点到原点距离的大小来表征研究区土壤湿度状况，如短波红外土壤湿度指数(Shortwave Infrared Soil Moisture Index，SIMI)、土壤湿度监测指数(Soil MoistureMonitoring Index，SMMI)，这两种指数不依赖于土壤背景线，减小了土壤湿度监测的不确定性。

PDI、MPDI基本上都基于一条固定的土壤背景线，但土壤背景线随土壤类型、有机质、矿物组成、植被覆盖等的变化而变化，造成了监测精度的不确定性；SIMI、 SMMI虽然不依赖于土壤背景线，但其在构建过程中没有考虑植被覆盖对土壤湿度的影响，在植被覆盖度较高的地区由于植被对可见光、近红外波段有较强的散射作用，会对SIMI、SMMI产生较大的影响。

发明内容

本发明所要解决的技术问题是提供一种土壤湿度实时监测方法，以克服上述不足。

为解决上述技术问题，本发明提供以下技术方案：一种土壤湿度实时监测方法，包括以下步骤：

1)获取研究地区遥感影像数据；

2)对步骤1)的遥感影像数据进行辐射校正、大气校正及几何校正预处理，得到研究地区红光和近红外波段反射率数据；

3)根据步骤2)的红光和近红外波段反射率数据，获取研究地区归一化植被指数数据，归一化植被指数表达式为：

其中，NDVI表示归一化植被指数，ρ_NIR表示近红外波段反射率，ρ_{Re d}表示红光波段反射率；

4)根据研究地区NDVI数据，获取研究地区植被覆盖度影像图，植被覆盖度表达式为：

其中，f_v表示植被覆盖度，NDVI_max为植被完全覆盖f_v＝1时的NDVI值；NDVI_min为裸地f_v＝0时的NDVI值；

5)将公式(1)和公式(2)代入修正型土壤湿度监测指数MSMMI计算公式，得到研究地区每个像元的MSMMI值；MSMMI的计算公式为：

其中，ρ_s，NIR、ρ_{s，Re d}分别为裸地近红外波段地表反射率、红光波段地表反射率；ρ_v，NIR、ρ_{v，Re d}分别为植被在近红外波段、红光波段的地表反射率；

6)根据步骤5)中MSMMI值的大小，得到待监测地区的的土壤湿度分布状况。

本发明与现有技术相比具有的有益效果是：本发明提供了一种土壤湿度实时监测方法，适用于植被覆盖条件下土壤湿度的监测，该方法不随着土壤背景线变化的发生变化，同时考虑了植被覆盖对土壤湿度的影响，完善了以往研究中PDI、 MPDI随着土壤背景线变化而造成监测精度不确定性及SIMI、SMMI监测土壤湿度时未考虑植被覆盖影响的情况。

附图说明

图1为本发明一种土壤湿度实时监测方法流程图；

图2为MSMMI在NIR-Red二维光谱特征空间中的定义图；

图3为本发明实施案例中MSMMI空间分布图；

图4为本发明实施案例中SMMI空间分布图；

图5为本发明实施案例中PDI空间分布图；

图6为本发明实施案例中MPDI空间分布图；

图7为本发明实施案例中0-5cm深度土壤湿度与MSMMI、SMMI、PDI、MPDI 的关系图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1至图7，一种土壤湿度实时监测方法，包括以下步骤：

1)获取研究地区遥感影像数据；

2)对步骤1)的遥感影像数据进行辐射校正、大气校正及几何校正预处理，得到研究地区红光和近红外波段反射率数据；

3)根据步骤2)的红光和近红外波段反射率数据，获取研究地区归一化植被指数数据，归一化植被指数表达式为：

其中，NDVI表示归一化植被指数，ρ_NIR表示近红外波段反射率，ρ_{Re d}表示红光波段反射率；

4)根据研究地区NDVI数据，获取研究地区植被覆盖度影像图，植被覆盖度表达式为：

其中，f_v表示植被覆盖度，NDVI_max为植被完全覆盖f_v＝1时的NDVI值；NDVI_min为裸地f_v＝0时的NDVI值；

5)将公式(1)和公式(2)代入修正型土壤湿度监测指数MSMMI计算公式，得到研究地区每个像元的MSMMI值；MSMMI的计算公式为：

其中，ρ_s，NIR、ρ_{s，Re d}分别为裸地近红外波段地表反射率、红光波段地表反射率；ρ_v，NIR、ρ_{v，Re d}分别为植被在近红外波段、红光波段的地表反射率。

实际中，其获取方式主要有三种：一是利用地物光谱仪实测植被在红光和近红外波段上的反射率；二是通过研究区高分辨率影像求取植被像元在红光和近红外波段上的反射率均值；三是结合前人研究，ρ_v，VIR和ρ_{v，Re d}取值为0.5和0.05。

参照图2，MSMMI监测土壤湿度的原理为：NIR--Red光谱特征空间可以反映植被、地物覆盖类型及土壤湿度的分布状况，且在特征空间中存在一条土壤背景线BC，所有的植被像素都落在A点和土壤背景线BC之间，即A点为半湿润全植被覆盖区，B点为湿润裸土区，C点为干燥裸土区，距离坐标原点O越近，越湿润。在该特征空间中，黑体正好位于坐标原点O，任何具有一定反射能力的物体越干旱越远离O点，也就是说最接近O点的空间是水体或较湿润的区域，|OE|距离的变化在一定程度上能够反映土壤湿度的大小，如图2。当点E位于B点时，|OE| 最小，土壤湿度最高；当点E位于C点时，|OE|最大，土壤湿度最小。因而，可以利用特征空间中任意地物点与坐标原点O之间距离来表征土壤湿度大小。

6)根据步骤5)中MSMMI值的大小，得到待监测地区的的土壤湿度分布状况。

示例性的，本发明实施案例中，以神东矿区2010年10月7日土壤湿度遥感监测为对象，利用Landsat TM影像的红光和近红外波段反射率数据，在构建 NIR-Red光谱特征空间的基础上，分析MSMMI在土壤湿度遥感监测中的应用，与相关学者建立的SMMI、PDI、MPDI进行对比分析，并分别分析四种指数与实测土壤湿度的相关性，参照图3至图6，结果表明：(1)从四种监测指数所得的土壤湿度空间分布图，SMMI与PDI土壤湿度监测结果非常接近。而MSMMI、 MPDI与SMMI、PDI监测的结果有一定差异，主要体现在神东矿区的中间及东部区域，主要因为矿区东部为黄土丘陵区，植被覆盖度较高，而PDI、SMMI均未考虑植被覆盖对土壤湿度的影响，而MPDI、MSMMI引入植被覆盖度，其使其在植被覆盖区也可监测土壤中的水分含量。此外，从旱情较为严重的矿区西南地区来看，由于该区靠近毛乌素沙漠的边缘，土壤含水量相对较少，四种监测指数在该区域监测效果大致相同，但也有一些区别，用MPDI、MSMMI监测出的干旱面积比例要略小于用PDI、SMMI监测的面积比例。(2)MSMMI、SMMI、 PDI、MPDI均可用来监测地表土壤湿度状况，且在监测地表0-5cm土壤湿度方面优于10cm深土壤湿度。(3)PDI是中在特征空间中用任一点对原点做垂线，与原点的垂直距离|EF|大小作为监测指数，而SMMI则是利用特征空间的任一点与原点连线长度|OE|大小作为监测指数。两者的本质意义是指在一个三角形中，用斜边的长度作为SMMI，用直角边的长度作为PDI，如图2，所以两者的本质意义是相同的。二者之间的局限性都没有考虑植被覆盖对土壤湿度的影响，其次在植被覆盖较大的区域二者的监测效果可能会有明显下降，受植被覆盖的影像较为严重。相关学者在考虑植被覆盖的影响下，提出了MPDI；本发明在考虑考虑植被覆盖的影响下，提出了MSMMI；(4)虽然MSMMI、SMMI、PDI、MPDI 均可用来监测地表土壤湿度状况，但PDI、MPDI均需要计算过原点O的处置与土壤背景线BC的垂线L的斜率，计算过程比较复杂，而MSMMI直接基于红光和近红外波段的反射率进行计算，计算过程较为简单，易于操作。

具体验证过为：

筛选出影像单元均一、面积约900m²的代表性样方16个，并在神东矿区进行与卫星同步的土壤样点采样，并根据编号分类保存，现场测定土壤湿重，精确记录。在各样地按0-5cm、10cm深度分别取样，每个样点分别取样2-3次。将采集的土样带回实验室采用烘干称重法进行含水量测试，烘干温度为105℃，烘干时间约为12h，取平均值得到土壤湿度数据。

利用神东矿区实测0-5cm、10cm深度土壤湿度数据对MSMMI、SMMI、PDI、 MPDI进行验证。以0-5cm土壤湿度(Soil Moisture，SM)为横坐标，以MSMMI 为横坐标，构建SM-MSMMI散点图，如图7所示，并与三角形SMMI、PDI、 MPDI进行对比，计算其相关系数，如表1所示。

由图7和表1可得，MSMMI、SMMI、PDI、MPDI与土壤湿度之间呈负相关关系，四种指数与0～5cm、10cm土壤湿度之间的相关性均通过了95％显著性检验，表明四种指数均可用来监测地表土壤湿度，且在监测0-5cm土壤湿度方面优于10cm深土壤湿度监测。

表1 神东矿区MSMMI、SMMI、PDI、MPDI与土壤湿度线性相关系数(R²)

注：***，**分别表示通过99％、95％显著性检验。

虽然MSMMI、SMMI、PDI、MPDI均可用来监测地表土壤湿度状况，但PDI、 MPDI均需要计算过原点O的处置与土壤背景线BC的垂线L的斜率，计算过程比较复杂，SMMI未考虑植被覆盖对土壤湿度的影响，而本发明提供一种土壤湿度实时监测方法——修正型土壤湿度监测指数MSMMI在考虑植被覆盖对土壤湿度影响的基础上，直接基于红光和近红外波段的反射率进行计算，计算过程较为简单，易于操作。

Claims (1)

1.一种土壤湿度实时监测方法，其特征在于，包括以下步骤：

1)获取研究地区遥感影像数据；

2)对步骤1)的遥感影像数据进行辐射校正、大气校正及几何校正预处理，得到研究地区红光和近红外波段反射率数据；

3)根据步骤2)的红光和近红外波段反射率数据，获取研究地区归一化植被指数数据，归一化植被指数表达式为：

其中，NDVI表示归一化植被指数，ρ_NIR表示近红外波段反射率，ρ_Red表示红光波段反射率；

4)根据研究地区NDVI数据，获取研究地区植被覆盖度影像图，植被覆盖度表达式为：

其中，f_v表示植被覆盖度，NDVI_max为植被完全覆盖f_v＝1时的NDVI值；NDVI_min为裸地f_v＝0时的NDVI值；

5)将公式(1)和公式(2)代入修正型土壤湿度监测指数MSMMI计算公式，得到研究地区每个像元的MSMMI值；MSMMI的计算公式为：

其中，ρ_s,NIR、ρ_s,Red分别为裸地近红外波段地表反射率、红光波段地表反射率；ρ_v,NIR、ρ_v,Red分别为植被在近红外波段、红光波段的地表反射率；

6)根据步骤5)中MSMMI值的大小，得到待监测地区的的土壤湿度分布状况。