CN107607474B - 一种自适应农业干旱的高精度遥感监测方法 - Google Patents

一种自适应农业干旱的高精度遥感监测方法 Download PDF

Info

Publication number
CN107607474B
CN107607474B CN201710774980.4A CN201710774980A CN107607474B CN 107607474 B CN107607474 B CN 107607474B CN 201710774980 A CN201710774980 A CN 201710774980A CN 107607474 B CN107607474 B CN 107607474B
Authority
CN
China
Prior art keywords
remote sensing
drought
model
index
comb
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
CN201710774980.4A
Other languages
English (en)
Other versions
CN107607474A (zh
Inventor
屈新原
杨鹤松
盖滢
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.)
Beijing Spacescene Technology Co ltd
Original Assignee
Beijing Spacescene Technology Co ltd
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 Beijing Spacescene Technology Co ltd filed Critical Beijing Spacescene Technology Co ltd
Priority to CN201710774980.4A priority Critical patent/CN107607474B/zh
Publication of CN107607474A publication Critical patent/CN107607474A/zh
Application granted granted Critical
Publication of CN107607474B publication Critical patent/CN107607474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种自适应农业干旱的高精度遥感监测方法，包括土壤湿度文件和以下计算步骤：A：输入数据并计算遥感干旱指数和气象干旱指数，将所述遥感干旱指数、气象干旱指数分别与土壤湿度文件进行计算得出土壤湿度和遥感干旱指数的相关系数、土壤湿度和气象干旱指数的相关系数；B：根据所述相关系数通过模型优选法进行计算，所述模型优选法具体包括以下步骤：C：对所述四种模型残差计算最小残差min_rmse，根据所述最小残差min_rmse求得最佳模型数组best_band_comb；D：根据所述最佳模型数组best_band_comb进行矩阵计算求得土壤水分估算模型和影像。本发明应用范围较广，可以根据时间、空间和气候的变化而进行相应的干旱指数的检测。

Description

一种自适应农业干旱的高精度遥感监测方法
技术领域
本发明属于遥感技术，具体涉及一种自适应农业干旱的高精度遥感监测方法。
背景技术
旱灾具有突发性、频发性，传统的干旱监测方法耗时耗力、范围有限，难以满足实时、大范围监测的需求。随着遥感技术发展，遥感干旱监测成为了当前我国农业干旱监测及旱灾防御的主要工具。
干旱指数在农业、林业和生态环境监测方面有较高的研究价值与非常广阔的应用前景，是当前的研究前沿和热点之一。但是目前的干旱指数存在局限性：不同指数受气候因素、空间因素和时间因素影响较大，在某个区域某种气候条件下精度较高，当改变其区域、时间、气候条件则不适用。需要研究一套根据区域、时间和气候条件进行干旱监测的方法。
发明内容
本发明针对现有技术的以上技术缺陷提供了一种自适应农业干旱的高精度遥感监测方法，本发明应用范围较广，可以根据时间、空间和气候的变化而进行相应的干旱指数的检测。
本发明的目的是通过以下技术方案实现的：
一种自适应农业干旱的高精度遥感监测方法，包括如下步骤：
A：输入数据并计算遥感干旱指数和气象干旱指数，将所述遥感干旱指数、气象干旱指数分别与所述土壤湿度文件进行计算得出土壤湿度和遥感干旱指数的相关系数、土壤湿度和气象干旱指数的相关系数；
B：根据所述相关系数通过模型优选法进行计算，所述模型优选法具体包括以下步骤：
B1：将所述遥感干旱指数中的每一项分别与所述土壤湿度进行多重线性回归计算得到第一模型残差和数组band_comb；
B2：将所述遥感干旱指数中的每两项分别与所述土壤湿度进行多重线性回归计算得到第二模型残差和数组band_comb；
C：对所述四种模型残差计算最小残差min_rmse，根据所述最小残差min_rmse求得最佳模型数组best_band_comb；
D：根据所述最佳模型数组best_band_comb进行矩阵计算求得土壤水分估算模型和影像。
所述步骤B2之后，在气象干旱指数有输入的情况下进一步包括：
B3：将所述遥感干旱指数中的每一项、气象干旱指数中的每一项均与所示土壤湿度进行多重线性回归得到第三模型残差和数组band_comb；
B4：将所述遥感干旱指数中的每两项、气象干旱指数中的每一项均与所示土壤湿度进行多重线性回归得到第四模型残差和数组band_comb。
所述步骤C具体步骤包括：
C1：根据所述四种模型残差计算最小残差min_rmse；
C2：根据公式soil_rmse<min_rmse*1.05获取因子个数最多的数组band_comb并计算所述因子个数最多的数组band_comb的最小残差modle_rmse；
C3：将所述最小残差modle_rmse所在模型数组定义为最佳模型数组best_band_comb；
C4：将所述最佳模型数组best_band_comb进行有效值的筛选。
所述步骤C4具体包括以下步骤：
C41：若步骤C1～C3将只有一项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，则进行有效值的选择；若‘nan’/-999存在，则直接将剔除‘nan’/-999后的数值作为有效值；若‘nan’/-999不存在，则取极值作为有效值；其中，best_band_comb[0]>0表示将只有一项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组；
C42：若步骤C1～C3将有两项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，然后进行有效值的选择；若‘nan’/-999存在，则直接将剔除‘nan’/-999后的数值作为有效值；若‘nan’/-999不存在，则取极值作为有效值；其中，best_band_comb[1]>0表示将有两项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组；
C43：若步骤C1～C3将输入有气象干旱指数的第三模型残差和数组band_comb和第四模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，则结合土壤湿度文件中提供的站点经纬度信息进行克吕金插值，然后进行输出；其中，best_band_comb[2]>0将输入有气象干旱指数的第三模型残差和数组band_comb和第四模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组。
将所述有效值或者克吕金插值计算后的数值作为矩阵运算值进行矩阵运算，然后进行输出。
所述步骤A具体包括以下步骤：
A1：计算遥感干旱指数，所述遥感干旱指数包括归一化植被指数NDVI、温度植被指数TVDI、改进垂直干旱指数MPDI、疾病水胁迫指数LSWI、昼夜温差指数ATI和聚合干旱指数Aggre_DI，具体公式如下：
NDVI＝(nir-red)/(nir+red) (1)
TVDI＝((LST-LSTNDVImin)/(LSTNDVImax-LSTNDVImin)) (2)
MPDI＝sqrt(nir^2+red^2) (3)
LSWI＝(NIR-SWIR)/(NIR+SWIR) (4)
ATI＝LST_D-LST_N (5)
Aggre_DI＝0.5*TVDI+0.35*LSWI+0.15*MPDI (6)
其中：NIR表示近红外波段；Red表示红波段；Sqrt表示取平方根操作；LSTNDVImax＝a+b*NDVI，a和b分别为干边方程的截距和斜率；LSTNDVImin＝a'+b'*NDVI，a'和b'分别为湿边方程的截距和斜率；Lst_D为风云3C VIRR LST白天的数据，Lst_N为风云3C VIRR LST晚上的数据；
A2：计算气象干旱指数，所述气象干旱指数包括降雨量文件信息、单一尺度下所在站点的气象干旱指数和多尺度下所在站点的气象干旱指数。
在所述步骤A2之后进一步包括：
A3：计算土壤湿度文件和所述气象干旱指数、遥感干旱指数的有效值范围，具体过程如下：
A31：若有气象干旱指数输入，则读取气象干旱指数、遥感干旱指数的输入数据，同时读取土壤湿度文件所在站点的文件；若没有气象干旱指数输入，则气象干旱指数不参与后续计算；
A32：以土壤湿度文件所在站点为中心，选取固定范围的遥感影像数据；
A33：若选取的遥感数据中存在有归一化植被指数NDVI和温度植被指数TVDI，则将nd>valid_nd作为有效值范围；若不存在，影像数据有阈值设定的，则利用输入的阈值作为有效值范围；影像数据没有阈值设定的，则将影像数据去除‘nan’/-999后求取影像数据极值作为有效值范围。
计算所述有效范围的均值，将所述均值通过矩阵计算所述有效值占所选取遥感影像数据的百分比；然后剔除无效值数据。
将所述有效值通过线性回归公式计算土壤湿度文件数据与遥感干旱指数的相关系数，通过线性回归计算所述相关系数是否合理，然后将合理的相关系数进行模型优选法进行优选。
将所述气象干旱指数和土壤湿度文件数据通过线性回归公式计算出两者相关系数，通过线性回归计算所述相关系数是否合理，然后将合理的相关系数进行模型优选法进行优选；所述与气象干旱指数有关的计算都是在有气象干旱指数输入的情况下计算的；若没有气象干旱指数输入，输入不同尺度(scale)的气象干旱指数的历史数据进行模型优选。
与现有技术相比，本发明自适应农业干旱的高精度遥感监测方法至少具有以下有益效果：
本发明针对目前干旱指数存在的受气候因素、空间因素和时间因素影响较大，适应性不强的问题以及精度不稳定的问题，提出自适应农业干旱高精度遥感监测方法，通过土壤水分估算模型(模型优选法)对干旱指数与土壤湿度进行拟合分析，得到遥感干旱指数、气象干旱指数与土壤湿度的相关性，通过相关性分析选取自适应高精度农业遥感监测干旱指数。本发明应用范围较广，可以根据时间、空间和气候的变化而进行相应的干旱指数的检测。
附图说明
图1为本发明自适应农业干旱的高精度遥感监测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
结合图1对本发明进行进一步说明。如图1所示，为本发明自适应农业干旱的高精度遥感监测方法的流程图，具体步骤如下：
步骤A：输入数据并计算遥感干旱指数和气象干旱指数，将所述遥感干旱指数、气象干旱指数分别与土壤湿度文件进行计算得出土壤湿度和遥感干旱指数的相关系数、土壤湿度和气象干旱指数的相关系数。其中，土壤湿度文件为已知数据。
所述步骤A具体包括以下步骤：
A1：计算遥感干旱指数，所述遥感干旱指数包括归一化植被指数NDVI、温度植被指数TVDI、改进垂直干旱指数MPDI、疾病水胁迫指数LSWI、昼夜温差指数ATI和聚合干旱指数Aggre_DI，具体公式如下：
NDVI＝(nir-red)/(nir+red) (1)
TVDI＝((LST-LSTNDVImin)/(LSTNDVImax-LSTNDVImin)) (2)
MPDI＝sqrt(nir^2+red^2) (3)
LSWI＝(NIR-SWIR)/(NIR+SWIR) (4)
ATI＝LST_D-LST_N (5)
Aggre_DI＝0.5*TVDI+0.35*LSWI+0.15*MPDI (6)
其中：NIR表示近红外波段；Red表示红波段；Sqrt表示取平方根操作；LSTNDVImax＝a+b*NDVI，a和b分别为干边方程的截距和斜率；LSTNDVImin＝a'+b'*NDVI，a'和b'分别为湿边方程的截距和斜率；Lst_D为风云3C VIRR LST白天的数据，Lst_N为风云3C VIRR LST晚上的数据；
A2：计算气象干旱指数，所述气象干旱指数包括降雨量文件信息、单一尺度下所在站点的气象干旱指数和多尺度下所在站点的气象干旱指数。降雨量文件信息为Precip_data文件更新，将对相应站点Precip_data文件中的降雨量信息进行更新。首先读取站点文件(txt文件，包括站点名、纬度、经度)、OBS_RAIN_*.TXT文件、precip_data文件夹。然后从OBS_RAIN_*.TXT文件中提取相应站点的降雨量信息。根据OBS_RAIN_*.TXT文件名获取相应的年、月、日(日期减一天，所以有一个转化，需要考虑是否是闰年)。最后通过站点文件的中的站点名，在precip_data文件夹中找到相应文件，并将已获取的年、月、日、降雨量信息写入文件中(此处加了一个判断，如果年、月、日均相等则不进行更新)。
单一尺度下所在站点的气象干旱指数是指计算单一尺度下的站点气象干旱指数，具体实现过程为：首先，读取站点文件(txt文件，包括站点名、纬度、经度)，precip_data文件夹，输入scale(天数)、年、月、日；然后根据站点文件，从precip_data文件夹中找到相应文件。根据输入的尺度scale、月、日，计算每个站点历史同期累计降雨量(其实就是每一年同一时期累计降雨量，起始年份从1974年开始，scale是累计天数)。之后形成站点—年份(横坐标为年份，纵坐标为站点)降雨量矩阵。调用气象干旱指数(SPI)计算函数，计算SPI指数，得到SPI指数矩阵。根据输入的年，从中提取相应SPI指数。最后输出站点经度、纬度、SPI指数到txt文件中。
多尺度下所在站点的气象干旱指数是指读取站点文件(txt文件，包括站点名、纬度、经度)，precip_data文件夹，输入scale(天数，默认是8个尺度，可以随意修改)、年、月、日。计算每个单尺度下的SPI指数(同单一尺度下所在站点的气象干旱指数中SPI指数的计算)，将计算得到的单尺度SPI指数形成站点_scale矩阵，输出到txt文件中。
在所述步骤A2之后进一步包括：
A3：计算土壤湿度文件和所述气象干旱指数、遥感干旱指数的有效值范围，具体过程如下：
A31：若有气象干旱指数输入，则读取气象干旱指数、遥感干旱指数的输入数据，同时读取土壤湿度文件所在站点的文件；若没有气象干旱指数输入，则气象干旱指数不参与后续计算；
A32：以土壤湿度文件所在站点为中心，选取固定范围的遥感影像数据；选取固定范围的遥感影像数据是为了保证准确性和稳定性，选取窗口均值的形式具有代表性，某一点的值不同，存在差异，不具有代表性。
A33：若选取的遥感数据中存在有归一化植被指数NDVI和温度植被指数TVDI，则将ndvi>valid_ndvi作为有效值范围；若不存在，影像数据有阈值设定的，则利用输入的阈值作为有效值范围；影像数据没有阈值设定的，则将影像数据去除NAN/-999后求取影像数据极值作为有效值范围。
然后计算所述有效范围的均值，将所述均值通过矩阵计算所述有效值占所选取遥感影像数据的百分比；正常情况下有效值范围所占百分比大于百分之九十五，剩下百分之五为无效值，然后剔除无效值数据，除去无效值部分，通过矩阵运算后，无效值部分会与有效值部分有明显的区分。
将所述有效值通过线性回归公式计算土壤湿度文件数据与遥感干旱指数的相关系数，通过线性回归计算所述相关系数是否合理，然后将合理的相关系数进行模型优选法进行优选。
所述与气象干旱指数有关的计算都是在有气象干旱指数输入的情况下计算的；若此站点不存在相同时间的气象干旱指数，但是存在其它时间尺度的气象干旱指数SPI，可以基于其它时间尺度SPI建立气象干旱指数和尺度的矩阵关系，从而计算所需时间尺度的气象干旱指数。如果有此站点此时间的气象干旱指数，即有站点此时刻文件，那么直接输入，如果没有，如果可以根据已有的气象干旱指数模拟。
步骤B：根据所述相关系数通过模型优选法进行计算，所述模型优选法具体包括以下步骤：
B1：将所述遥感干旱指数中的每一项分别与所述土壤湿度进行多重线性回归计算得到第一模型残差和数组band_comb；遥感干旱指数中归一化植被指数NDVI、温度植被指数TVDI、改进垂直干旱指数MPDI、疾病水胁迫指数LSWI、昼夜温差指数ATI和聚合干旱指数Aggre_DI任一项与土壤湿度文件进行多重线性回归计算。
B2：将所述遥感干旱指数中的每两项分别与所述土壤湿度进行多重线性回归计算得到第二模型残差和数组band_comb；遥感干旱指数中归一化植被指数NDVI、温度植被指数TVDI、改进垂直干旱指数MPDI、疾病水胁迫指数LSWI、昼夜温差指数ATI和聚合干旱指数Aggre_DI任意两项与土壤湿度文件进行多重线性回归计算。
B3：将所述遥感干旱指数中的每一项、气象干旱指数中的每一项均与所示土壤湿度进行多重线性回归得到第三模型残差和数组band_comb；在有气象干旱指数输入的情况下，遥感干旱指数中归一化植被指数NDVI、温度植被指数TVDI、改进垂直干旱指数MPDI、疾病水胁迫指数LSWI、昼夜温差指数ATI和聚合干旱指数Aggre_DI任一项和气象干旱指数与土壤湿度文件进行多重线性回归计算。
B4：将所述遥感干旱指数中的每两项、气象干旱指数中的每一项均与所示土壤湿度进行多重线性回归得到第四模型残差和数组band_comb；在有气象干旱指数输入的情况下，遥感干旱指数中归一化植被指数NDVI、温度植被指数TVDI、改进垂直干旱指数MPDI、疾病水胁迫指数LSWI、昼夜温差指数ATI和聚合干旱指数Aggre_DI任意两项和气象干旱指数与土壤湿度文件进行多重线性回归计算。
所述步骤B3或B4是在所述气象干旱指数有输入的情况下进行计算的。
步骤C：对所述四种模型残差计算最小残差min_rmse，根据所述最小残差min_rmse求得最佳模型数组best_band_comb；所述步骤C具体步骤包括：
C1：根据所述四种模型残差计算最小残差min_rmse；
C2：根据公式soil_rmse<min_rmse*1.05获取因子个数最多的数组band_comb并计算所述因子个数最多的数组band_comb的最小残差modle_rmse；
C3：将所述最小残差modle_rmse所在模型数组定义为最佳模型数组best_band_comb；
C4：将所述最佳模型数组best_band_comb进行有效值的筛选，所述步骤C4具体包括以下步骤：
C41：若步骤C1～C3将只有一项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，则进行有效值的选择；若‘nan’/-999存在，则直接将剔除‘nan’/-999后的数值作为有效值；若‘nan’/-999不存在，则取极值作为有效值；其中，best_band_comb[0]>0表示将只有一项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组；
C42：若步骤C1～C3将有两项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，然后进行有效值的选择；若‘nan’/-999存在，则直接将剔除‘nan’/-999后的数值作为有效值；若‘nan’/-999不存在，则取极值作为有效值；其中，best_band_comb[1]>0表示将有两项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组；
C43：若步骤C1～C3将输入有气象干旱指数的第三模型残差和数组band_comb和第四模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，则结合土壤湿度文件中提供的站点经纬度信息进行克吕金插值，然后进行输出；其中，best_band_comb[2]>0将输入有气象干旱指数的第三模型残差和数组band_comb和第四模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组。
D：根据所述最佳模型数组best_band_comb进行矩阵计算求得土壤水分估算模型和影像。将所述有效值或者克吕金插值计算后的数值作为矩阵运算值进行矩阵运算，然后进行输出。
以上，仅为本发明较佳的具体实施方式，但发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种自适应农业干旱的高精度遥感监测方法，其特征在于，包括如下步骤：
A：输入数据并计算遥感干旱指数和气象干旱指数，将所述遥感干旱指数、气象干旱指数分别与土壤湿度文件进行计算得出土壤湿度和遥感干旱指数的相关系数、土壤湿度和气象干旱指数的相关系数；
B：根据所述相关系数通过模型优选法进行计算，所述模型优选法具体包括以下步骤：
B1：将所述遥感干旱指数中的每一项分别与所述土壤湿度进行多重线性回归计算得到第一模型残差和数组band_comb；
B2：将所述遥感干旱指数中的每两项分别与所述土壤湿度进行多重线性回归计算得到第二模型残差和数组band_comb；
B3：将所述遥感干旱指数中的每一项、气象干旱指数中的每一项均与所述土壤湿度进行多重线性回归得到第三模型残差和数组band_comb；
B4：将所述遥感干旱指数中的每两项、气象干旱指数中的每一项均与所述土壤湿度进行多重线性回归得到第四模型残差和数组band_comb；
C：对四种模型残差计算最小残差min_rmse，根据所述最小残差min_rmse求得最佳模型数组best_band_comb；
D：根据所述最佳模型数组best_band_comb进行矩阵计算求得土壤水分估算模型和影像。
2.根据权利要求1所述的自适应农业干旱的高精度遥感监测方法，其特征在于，所述步骤C具体步骤包括：
C1：根据所述四种模型残差计算最小残差min_rmse；
C2：根据公式土壤残差soil_rmse<min_rmse*1.05获取因子个数最多的数组band_comb并计算所述因子个数最多的数组band_comb的最小残差modle_rmse；
C3：将所述最小残差modle_rmse所在模型数组定义为最佳模型数组best_band_comb；
C4：将所述最佳模型数组best_band_comb进行有效值的筛选。
3.根据权利要求2所述的自适应农业干旱的高精度遥感监测方法，其特征在于，所述步骤C4具体包括以下步骤：
C41：若步骤C1～步骤C3将只有一项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，则进行有效值的选择；若‘nan’/-999存在，则直接将剔除‘nan’/-999后的数值作为有效值；若‘nan’/-999不存在，则取极值作为有效值；其中，best_band_comb[0]>0表示将只有一项遥感系数的第一模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组；
C42：若步骤C1～C3将有两项遥感系数的第二模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，则进行有效值的选择；若‘nan’/-999存在，则直接将剔除‘nan’/-999后的数值作为有效值；若‘nan’/-999不存在，则取极值作为有效值；其中，best_band_comb[1]>0表示将有两项遥感系数的第二模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组；
C43：若步骤C1～C3将输入有气象干旱指数的第三模型残差和数组band_comb和第四模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，则结合土壤湿度文件中提供的站点经纬度信息进行克吕金插值，然后进行输出；其中，best_band_comb[2]>0表示将输入有气象干旱指数的第三模型残差和数组band_comb和第四模型残差和数组band_comb选取为最小残差modle_rmse所在模型数组，其中‘nan’/-999表示无效值区域为-999。
4.根据权利要求3所述的自适应农业干旱的高精度遥感监测方法，其特征在于，将所述有效值或者克吕金插值计算后的数值作为矩阵运算值进行矩阵运算，然后进行输出。
5.根据权利要求3所述的自适应农业干旱的高精度遥感监测方法，其特征在于，所述步骤A具体包括以下步骤：
A1：计算遥感干旱指数，所述遥感干旱指数包括归一化植被指数NDVI、温度植被指数TVDI、改进垂直干旱指数MPDI、疾病水胁迫指数LSWI、昼夜温差指数ATI和聚合干旱指数Aggre_DI、地表温度LST，具体公式如下：
NDVI＝(NIR-Red)/(NIR+Red) (1)
TVDI＝((LST-LSTNDVImin)/(LSTNDVImax-LSTNDVImin)) (2)
MPDI＝Sqrt(NIR^2+Red^2) (3)
LSWI＝(NIR-SWIR)/(NIR+SWIR) (4)
ATI＝LST_D-LST_N (5)
Aggre_DI＝0.5*TVDI+0.35*LSWI+0.15*MPDI (6)
其中：NIR表示近红外波段的反射值；Red表示红光波段的反射值；SWIR表示短波红外波段的反射值；Sqrt表示取平方根操作；LSTNDVImax＝a+b*NDVI，a和b分别为干边方程的截距和斜率；LSTNDVImin＝a'+b'*NDVI，a'和b'分别为湿边方程的截距和斜率；LST_D为风云3C VIRRLST白天的数据，LST_N为风云3C VIRR LST晚上的数据,其中风云3C VIRR LST表示风云三号卫星数据中的地表温度；
A2：计算气象干旱指数，所述气象干旱指数包括降雨量文件信息、单一尺度下所在站点的气象干旱指数和多尺度下所在站点的气象干旱指数。
6.根据权利要求5所述的自适应农业干旱的高精度遥感监测方法，其特征在于，在所述步骤A2之后进一步包括：
A3：计算土壤湿度文件和所述气象干旱指数、遥感干旱指数的有效值范围，具体过程如下：
A31：若有气象干旱指数输入，则读取气象干旱指数、遥感干旱指数的输入数据，同时读取土壤湿度文件所在站点的文件；若没有气象干旱指数输入，则气象干旱指数不参与后续计算；
A32：以土壤湿度文件所在站点为中心，选取固定范围的遥感影像数据；
A33：若选取的遥感数据中存在有归一化植被指数NDVI和温度植被指数TVDI，则将nd>valid_nd作为有效值范围；若不存在，影像数据有阈值设定的，则利用输入的阈值作为有效值范围；影像数据没有阈值设定的，则将影像数据去除‘nan’/-999后求取影像数据极值作为有效值范围,其中nd指的是测试数值结果低于当时设备以及实验方法的极限值，其中valid_nd指的是剔除有效值区域外的测试数据的平均值。
7.根据权利要求6所述的自适应农业干旱的高精度遥感监测方法，其特征在于，计算所述有效值范围的均值，将所述均值通过矩阵计算所述有效值占所选取遥感影像数据的百分比；然后剔除无效值数据。
8.根据权利要求7所述的自适应农业干旱的高精度遥感监测方法，其特征在于，将所述有效值通过线性回归公式计算土壤湿度文件数据与遥感干旱指数的相关系数，通过线性回归计算所述相关系数是否合理，然后将合理的相关系数通过模型优选法进行优选。
9.根据权利要求1所述的自适应农业干旱的高精度遥感监测方法，其特征在于，将所述气象干旱指数和土壤湿度文件数据通过线性回归公式计算出两者相关系数，通过线性回归计算所述相关系数是否合理，然后将合理的相关系数通过模型优选法进行优选；与气象干旱指数有关的计算都是在有气象干旱指数输入的情况下计算的；若没有气象干旱指数输入，输入不同尺度(scale)的气象干旱指数的历史数据进行模型优选。
CN201710774980.4A 2017-08-31 2017-08-31 一种自适应农业干旱的高精度遥感监测方法 Active CN107607474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710774980.4A CN107607474B (zh) 2017-08-31 2017-08-31 一种自适应农业干旱的高精度遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710774980.4A CN107607474B (zh) 2017-08-31 2017-08-31 一种自适应农业干旱的高精度遥感监测方法

Publications (2)

Publication Number Publication Date
CN107607474A CN107607474A (zh) 2018-01-19
CN107607474B true CN107607474B (zh) 2020-08-28

Family

ID=61056949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710774980.4A Active CN107607474B (zh) 2017-08-31 2017-08-31 一种自适应农业干旱的高精度遥感监测方法

Country Status (1)

Country Link
CN (1) CN107607474B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615105A (zh) * 2018-03-30 2018-10-02 中国科学院遥感与数字地球研究所 基于遥感数据的农作物旱灾损失评估系统及方法
CN114331023B (zh) * 2021-12-02 2022-07-01 中国水利水电科学研究院 一种植被干旱监测评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994976A (zh) * 2013-11-28 2014-08-20 江苏省水利科学研究院 基于modis数据的农业旱情遥感监测方法
CN104484576A (zh) * 2014-12-31 2015-04-01 中国科学院深圳先进技术研究院 一种监测气象干旱的方法
KR101570297B1 (ko) * 2014-08-01 2015-11-18 성균관대학교산학협력단 인공위성 영상 자료를 이용한 동북아시아 가뭄 지도 제작 시스템, 방법 및 컴퓨터프로그램
CN105760814A (zh) * 2016-01-25 2016-07-13 中国水利水电科学研究院 一种基于数据挖掘的干旱监测方法
CN106226260A (zh) * 2016-08-10 2016-12-14 武汉大学 一种结合微波和红外遥感影像的土壤水分反演方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140343855A1 (en) * 2013-05-15 2014-11-20 The Regents Of The University Of California Drought Monitoring and Prediction Tools

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994976A (zh) * 2013-11-28 2014-08-20 江苏省水利科学研究院 基于modis数据的农业旱情遥感监测方法
KR101570297B1 (ko) * 2014-08-01 2015-11-18 성균관대학교산학협력단 인공위성 영상 자료를 이용한 동북아시아 가뭄 지도 제작 시스템, 방법 및 컴퓨터프로그램
CN104484576A (zh) * 2014-12-31 2015-04-01 中国科学院深圳先进技术研究院 一种监测气象干旱的方法
CN105760814A (zh) * 2016-01-25 2016-07-13 中国水利水电科学研究院 一种基于数据挖掘的干旱监测方法
CN106226260A (zh) * 2016-08-10 2016-12-14 武汉大学 一种结合微波和红外遥感影像的土壤水分反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Drought monitoring using high resolution soil moisture through multi-sensor satellite data fusion over the Korean peninsula;Seonyoung Park et al.;《Agricultural and Forest Meteorology》;20170227;第237-238卷;第257–269页 *
多尺度标准化降水指数的ARIMA模型干旱预测研究;韩萍 等;《干旱地区农业研究》;20080331;第26卷(第2期);第212-218页 *
条件植被温度指数在华北平原干旱监测中的应用;杨鹤松 等;《北京师范大学学报(自然科学版)》;20071231;第43卷(第3期);第314-318页 *

Also Published As

Publication number Publication date
CN107607474A (zh) 2018-01-19

Similar Documents

Publication Publication Date Title
Lasko et al. Mapping double and single crop paddy rice with Sentinel-1A at varying spatial scales and polarizations in Hanoi, Vietnam
Mushore et al. Prediction of future urban surface temperatures using medium resolution satellite data in Harare metropolitan city, Zimbabwe
Fraga et al. Integrated analysis of climate, soil, topography and vegetative growth in Iberian viticultural regions
Wessels et al. Assessing the effects of human-induced land degradation in the former homelands of northern South Africa with a 1 km AVHRR NDVI time-series
Zewdie et al. Remote sensing based multi-temporal land cover classification and change detection in northwestern Ethiopia
Hadri et al. Multiscale drought monitoring and comparison using remote sensing in a Mediterranean arid region: a case study from west-central Morocco
Fraga et al. Examining the relationship between the Enhanced Vegetation Index and grapevine phenology
CN109711102B (zh) 一种作物灾害损失快速评估方法
WO2018107245A1 (en) Detection of environmental conditions
Keleş et al. Urbanization and forest cover change in regional directorate of Trabzon forestry from 1975 to 2000 using landsat data
Mondal et al. Winter crop sensitivity to inter-annual climate variability in central India
Linderman et al. Land‐cover change and vegetation dynamics across Africa
Makinde et al. Geoinformatic assessment of urban heat island and land use/cover processes: a case study from Akure
Hoffmann et al. Meteorologically consistent bias correction of climate time series for agricultural models
Vorovencii Assessment of some remote sensing techniques used to detect land use/land cover changes in South-East Transilvania, Romania
Pang et al. Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery
Mohd Razali et al. Monitoring vegetation drought using MODIS remote sensing indices for natural forest and plantation areas
CN107607474B (zh) 一种自适应农业干旱的高精度遥感监测方法
CN116824384A (zh) 一种基于标准曲线的大豆识别方法
CN114443627A (zh) 一种陆地和海洋温度的修复方法、系统、计算机设备
Kambombe Impact of climate variability and land use change on stream flow in Lake Chilwa basin, Malawi
Batungwanayo et al. Response of seasonal vegetation dynamics to climatic constraints in Northeastern Burundi
Özyavuz Analysis of changes in vegetation using multitemporal satellite imagery, the case of Tekirdağ coastal town
Thirupathi et al. Variability study on the length of growing period (LGP) using ground and space based (MODIS) data for the selected mandals of Warangal district
Sevillano Marco et al. Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project

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