CN108169161A - 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 - Google Patents
一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 Download PDFInfo
- Publication number
- CN108169161A CN108169161A CN201711320452.8A CN201711320452A CN108169161A CN 108169161 A CN108169161 A CN 108169161A CN 201711320452 A CN201711320452 A CN 201711320452A CN 108169161 A CN108169161 A CN 108169161A
- Authority
- CN
- China
- Prior art keywords
- pixel
- modis
- ndvi
- quality
- vswi
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 69
- 240000008042 Zea mays Species 0.000 title claims abstract description 43
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 43
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 42
- 235000005822 corn Nutrition 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 38
- 241001269238 Data Species 0.000 claims abstract description 4
- 238000003908 quality control method Methods 0.000 claims description 29
- 238000002310 reflectometry Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 10
- 229910002056 binary alloy Inorganic materials 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 241000196324 Embryophyta Species 0.000 claims description 7
- 239000000443 aerosol Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010899 nucleation Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims 1
- 235000009973 maize Nutrition 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 10
- 230000002123 temporal effect Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000001010 compromised effect Effects 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 21
- 239000010410 layer Substances 0.000 description 18
- 230000000694 effects Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (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
本发明公开了一种基于改进型MODIS指数的玉米种植区域土壤湿度评估方法，该方法包括以下步骤：步骤1)对采集到的MODIS遥感数据进行预处理；2)遥感指标计算；3)植被覆盖度分区；4)根据步骤3)中确定的裸土低植被与中高植被覆盖区域的阈值，构建改进型MODIS指数；5)构建土壤含水量估算模型。相对于被动微波产品，本发明空间分辨率较好，相较于主动微波，本发明时间分辨率较高。本发明折中了主被动微波方法的时间与空间分辨率特点，提供了同时具有较好时间与空间分辨率的表层土壤含水量估算方法。
Description
技术领域
本发明涉及遥感影像土壤湿度估算技术，尤其涉及一种基于改进型MODIS指数的玉米种植区域土壤湿度评估方法。
背景技术
玉米是我国最重要的食物和农业经济作物之一，是国家食品安全的重要保障。同时，玉米已经成为全球第二大粮食作物，对全球的粮食安全意义重大。然而，玉米的生长需要适宜的条件，尤其是其整个生长周期的土壤含水量。因此，土壤含水量是玉米生长状况的重要预测因素。土壤含水量可以通过多种方法估算。例如，站点测量、卫星遥感测量、土壤水平衡模型等，然而，单独用这些方法难以在较好的时空分辨率下精确估算土壤含水量，尤其在植被覆盖度较高的玉米种植区域。在过去的几十年，基于主被动微波传感器、光学/热红外传感器的卫星遥感测量方法已经应用于土壤含水量测量。被动微波系统提供各种天气下直接的全球土壤含水量测量，然而这种土壤含水量估算方法空间分辨率较低，一般在20km-50km。在主动微波系统中，土壤含水量可以通过后向散射系数反演出精确的土壤含水量。然而，主动微波遥感幅宽较窄，重放周期较长，所以土壤含水量估算的时间分辨率较低。光学/热红外测量测量方法比被动微波遥感方法具有更好的空间分辨率，比主动微波遥感具有更高的时间分辨率。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于改进型MODIS指数的玉米种植区域土壤湿度评估方法。
本发明解决其技术问题所采用的技术方案是：一种基于改进型MODIS指数的玉米种植区域土壤湿度评估方法，包括以下步骤：
步骤1)对采集收到的MODIS遥感数据预处理；
1.1)MODIS地表反射率(LSR)质量控制
1.1.1)首先使用MODIS投影转换工具MRT将MOD09GA瓦块数据进行重投影、影像镶嵌和裁剪处理，获得玉米种植区域的数据集，所述玉米种植区域的数据集包括红外波段和近红外波段的地表反射率、太阳天顶角和质量控制数据图层；然后用作物种植分类结果图进行玉米地的掩膜，过滤非玉米种植区像元；
1.1.2)对于过滤后的每一个像元，用质量控制数据图层对应值进行筛选,筛选出有效像元；使用陆地卫星数据产品评测工具集LDOPE中的'unpack_sds_bits'工具将控制质量图层的位值从十进制转换为二进制。采用专家系统根据像元值的质量高低进行打分，从0到10分，依次是填充值、错误的MODIS L1B数据源、太阳天顶角、云覆盖、气溶胶和理想质量产品，将每一个像元打分，筛选有效像元的原则为总分数大于等于5分的像元。
1.2)MODIS地表温度质量控制
1.2.1)首先使用MODIS投影转换工具MRT将MOD11A1瓦块数据进行重投影、影像镶嵌、裁剪处理，得到覆盖玉米种植区域的数据集，所述数据集包括白天地表温度和质量控制图层；然后用作物种植结果图进行玉米种植区域的掩膜，过滤非玉米种植范围的像元；
1.2.2)对于过滤后的每一个像元，用质量控制图层对应值进行筛选，筛选出有效像元；使用陆地卫星数据产品评测工具集(LDOPE)中的'unpack_sds_bits'工具将控制质量的位值从十进制转换为二进制。采用专家系统根据像元值的质量高低打分，从0到3分，依次是地表温度未计算、质量一般和高质量产品，对每一个像元打分后，将总分数大于等于2分的像元信息保留。
步骤2)遥感指标计算；
2.1)计算归一化植被指数NDVI，计算公式如下:
式中，Rred与Rnir分别为MODIS数据红外与近红外波段反射率；
2.2)通过红外波段反射率与近红外波段反射率的线性组合计算垂直干旱指数PDI，计算公式如下：
式中，Rred与Rnir分别为红外与近红外波段反射率，M为土壤线斜率；
2.3)通过归一化植被指数NDVI与地表温度计算胁迫供水指数VSWI，计算公式如下:
VSWI＝NDVI/Ts
式中，Ts为地表温度；
步骤3)植被覆盖度分区；
3.1)计算植被覆盖度FVC
3.1.1)首先使用MODIS投影转换工具MRT将MOD09GA瓦块数据进行重投影、影像镶嵌和裁剪，获得覆盖研究区域的数据集，包括红光波段和近红光波段的地表反射率、太阳天顶角、质量控制数据图层，然后用研究区域作物种植结果图进行玉米地的掩膜，过滤非玉米种植区像元；
3.1.2)对于过滤后的每一个像元，用质量控制图层对应值进行筛选，筛选出有效像元；使用陆地卫星数据产品评测工具集LDOPE中的'unpack_sds_bits'工具将控制质量的位值从十进制转换为二进制。采用专家系统根据像元值的质量高低进行打分，从0到10分，依次是填充值、错误的MODIS L1B数据源、太阳天顶角、云覆盖、气溶胶和理想质量产品，将每一个像元打分，筛选有效像元的原则为总分数大于等于5分的像元。
3.1.3)计算植被覆盖度FVC，公式如下：
式中NDVImin与NDVImax采用步骤3.2中的方法得到；
3.2)裸土低植被覆盖区域与中高植被覆盖区域的阈值分割
3.2.1)计算裸土像元的归一化植被指数NDVI，设为最小归一化植被指数NDVImin；
3.2.2)通过叶面积指数确定纯植被像元对应的归一化植被指数NDVI下极限，设为最大归一化植被指数NDVImax；根据叶面积指数和植被覆盖度FVC的关系，当叶面积指数大于2的时候，植被覆盖度几乎为100％，对应的最小NDVI为NDVImax。
3.2.3)将样本根据阈值划分成两类，即NDVI低于与高于阈值的两类样本，分别对应两种指数PDI与VSWI，计算PDI、VSWI与实测数据之间的拟合优度R2，当两个指数的拟合优度R2均大于0.6时，对应的阈值为NDVI最优阈值；
步骤4)根据步骤3中确定的裸土低植被与中高植被覆盖区域的阈值，构建改进型MODIS指数，公式如下：
式中，S1为步骤3.2.3)确定的阈值，S0，S2为NDVI取值范围,分别代表NDVI所能取到的最小和最大值,f、g分别为PDI与VSWI的拟合函数，此处选取f、g:
f＝a+b×PDI
g＝c+d×VSWI
由于PDI与VSWI与实测土壤含水量之间的函数关系不一致，因此，不能直接组合PDI与VSWI来反演土壤含水量，而通过拟合函数f、g的函数映射之后，PDI与VSWI与土壤含水量之间的关系则接近于y＝x；
步骤5)土壤含水量估算模型的构建；
根据五个玉米生长期(播种期、出苗期、成长期、成熟期、收割期)划分玉米种植区样本数据集；
对划分的数据集进行回归分析，构建各组生长期对应的回归模型，模型如下：
模型I:SM(％)＝a0+a1×CI
模型II:SM(％)＝a0+a1×CI+a2×CI2
模型III:SM(％)＝a0+a1×ln(CI)+a2×[ln(CI)]2。
本发明产生的有益效果是：相对于被动微波产品，本发明空间分辨率较好，相较于主动微波，本发明时间分辨率较高。本发明折中了主被动微波方法的时间与空间分辨率特点，提供了同时具有较好时间与空间分辨率的表层土壤含水量估算方法。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法流程图；
图2是本发明实施例的裸土、低植被与中高植被分割的NDVI阈值确定方法流程图；
图3是本发明实施例的玉米5个生长期的CI与实测土壤含水量的线性拟合示意图。
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用以解释本发明，并不用于限定本发明。
土壤含水量估算方法包括遥感方法和实地测量方法，实地测量方法精度高但是在空间上不连续，成本高，难以应用到大面积区域的土壤含水量测算。与基于地面点的实地测量方法相比，卫星遥感技术能反演出大空间尺度的土壤含水量，并且已经生产出了广泛业务化的全球土壤含水量产品，这些产品主要以被动微波的产品为主。然而，被动微波产品空间分辨率较差，而主动微波时间分辨率较高但时间分辨率较低。与微波方法相比可见光/红外方法兼具较高时间和空间分辨率，可以作为微波方法的一种重要补充。可见光/红外方法中PDI与VSWI是最常用到的土壤含水量遥感指标，但是PDI仅适用于裸土和低植被覆盖区，而VSWI仅适用于中高植被覆盖区，即两种指标的性能受到植被指数的影响较大。同时，不同作物生长期，作物对土壤含水量胁迫的程度不同。因此，本发明综合考虑了可见光/红外方法的特点、遥感指标的特性以及土壤含水量与作物生长期的关系，构建了一种基于改进型MODIS指数并顾及玉米生长期的表层土壤含水量的估算方法，获得区域尺度上高时空分辨率的玉米种植区表层土壤含水量。
如图1所示，一种基于改进型MODIS指数的玉米种植区域土壤湿度评估方法，包括以下步骤：
步骤1)对采集收到的MODIS遥感数据预处理；
1.1)MODIS地表反射率(LSR)质量控制
1.1.1)首先使用MODIS投影转换工具MRT将MOD09GA瓦块数据进行重投影、影像镶嵌和裁剪处理，获得玉米种植区域的数据集，所述玉米种植区域的数据集包括红外波段和近红外波段的地表反射率、太阳天顶角和质量控制数据图层；然后用作物种植分类结果图进行玉米地的掩膜，过滤非玉米种植区像元；
1.1.2)对于过滤后的每一个像元，用质量控制数据图层对应值进行筛选,筛选出有效像元；使用陆地卫星数据产品评测工具集LDOPE中的'unpack_sds_bits'工具将控制质量图层的位值从十进制转换为二进制。采用专家系统根据像元值的质量高低进行打分，从0到10分，依次是填充值、错误的MODIS L1B数据源、太阳天顶角、云覆盖、气溶胶和理想质量产品，将每一个像元打分，筛选有效像元的原则为总分数大于等于5分的像元。
1.2)MODIS地表温度质量控制
1.2.1)首先使用MODIS投影转换工具MRT将MOD11A1瓦块数据进行重投影、影像镶嵌、裁剪处理，得到覆盖玉米种植区域的数据集，所述数据集包括白天地表温度和质量控制图层；然后用作物种植结果图进行玉米种植区域的掩膜，过滤非玉米种植范围的像元；
1.2.2)对于过滤后的每一个像元，用质量控制图层对应值进行筛选，筛选出有效像元；使用陆地卫星数据产品评测工具集(LDOPE)中的'unpack_sds_bits'工具将控制质量的位值从十进制转换为二进制。根据像元值的质量高低打分，从0到3分，依次是地表温度未计算、质量一般和高质量产品，对每一个像元打分后，将总分数大于等于2分的像元信息保留。
步骤2)遥感指标计算；
2.1)计算归一化植被指数NDVI，计算公式如下:
式中，Rred与Rnir分别为MODIS数据红外与近红外波段反射率；
2.2)通过红外波段反射率与近红外波段反射率的线性组合计算垂直干旱指数PDI，计算公式如下：
式中，Rred与Rnir分别为红外与近红外波段反射率，M为土壤线斜率；
2.3)通过归一化植被指数NDVI与地表温度计算胁迫供水指数VSWI，计算公式如下:
VSWI＝NDVI/Ts
式中，Ts为地表温度；
步骤3)植被覆盖度分区；
3.1)计算植被覆盖度FVC
3.1.1)首先使用MODIS投影转换工具MRT将MOD09GA瓦块数据进行重投影、影像镶嵌和裁剪，获得覆盖研究区域的数据集，包括红光波段和近红光波段的地表反射率、太阳天顶角、质量控制数据图层，然后用研究区域作物种植结果图进行玉米地的掩膜，过滤非玉米种植区像元；
3.1.2)对于过滤后的每一个像元，用质量控制图层对应值进行筛选，筛选出有效像元；使用陆地卫星数据产品评测工具集LDOPE中的'unpack_sds_bits'工具将控制质量的位值从十进制转换为二进制。根据像元值的质量高低进行打分，从0到10分，依次是填充值、错误的MODIS L1B数据源、太阳天顶角、云覆盖、气溶胶和理想质量产品，将每一个像元打分，筛选有效像元的原则为总分数大于等于5分的像元。
3.1.3)计算植被覆盖度FVC，公式如下：
式中NDVImin与NDVImax采用步骤3.2中的方法得到；
3.2)裸土低植被覆盖区域与中高植被覆盖区域的阈值分割
3.2.1)计算裸土像元的归一化植被指数NDVI，设为最小归一化植被指数NDVImin；
3.2.2)通过叶面积指数确定纯植被像元对应的归一化植被指数NDVI下极限，设为最大归一化植被指数NDVImax；根据叶面积指数和植被覆盖度FVC的关系，当叶面积指数大于2的时候，植被覆盖度几乎为100％，对应的最小NDVI为NDVImax。
3.2.3)将样本根据阈值划分成两类，即NDVI低于与高于阈值的两类样本，分别对应两种指数PDI与VSWI，计算PDI、VSWI与实测数据之间的拟合优度R2，当两个指数的拟合优度R2均大于0.6时，对应的阈值为NDVI最优阈值；
步骤4)根据步骤3中确定的裸土低植被与中高植被覆盖区域的阈值，构建改进型MODIS指数，公式如下：
式中，S1为步骤3.2.3)确定的阈值，S0，S2为NDVI取值范围,分别代表NDVI所能取到的最小和最大值,f、g分别为PDI与VSWI的拟合函数，此处选取f、g:
f＝a+b×PDI
g＝c+d×VSWI
由于PDI与VSWI与实测土壤含水量之间的函数关系不一致，因此，不能直接组合PDI与VSWI来反演土壤含水量，而通过拟合函数f、g的函数映射之后，PDI与VSWI与土壤含水量之间的关系则接近于y＝x；
步骤5)土壤含水量估算模型的构建；
根据五个玉米生长期(播种期、出苗期、成长期、成熟期、收割期)划分玉米种植区样本数据集；
对划分的数据集进行回归分析，构建各组生长期对应的回归模型，模型如下：
模型I:SM(％)＝a0+a1×CI
模型II:SM(％)＝a0+a1×CI+a2×CI2
模型III:SM(％)＝a0+a1×ln(CI)+a2×[ln(CI)]2。
图1中，MOD09GA为MODIS卫星500米地表反射率产品，MOD11A1为1000米地表温度/反射率L3产品。从MOD09GA产品中获得地表反射率LSR与质量控制层，通过MODIS投影转换工具MRT将原始数据进行重投影、影像镶嵌、裁剪，得到研究区域的逐日地表反射率LSR与质量控制图层数据集合，然后进行质量控制获得有效反射率，根据步骤2计算出指数PDI与NDVI，并重采样到1000m分辨率。1000m分辨率NDVI结合LST得到VSWI，其中LST获取方法如图1，从MOD11A1产品中获得地表温度LST与质量控制层，通过MODIS投影转换工具MRT将原始数据进行重投影、影像镶嵌、裁剪，得到研究区域的数据集合逐日地表温度LST与质量控制图层，然后进行质量控制获得有效逐日地表温度LST。最后，用PDI与VSWI根据步骤4获得改进型MODIS指数CI。
图2提供了裸土、低植被覆盖度与中高植被覆盖度所对应的NDVI阈值的计算方法。
首先选取实测土壤含水量、NDVI、归一化PDI和归一化VSWI四组样本(归一化为利用数据中最大最小数据，将PDI，VWSI映射到[0,1]区间)，本方案中NDVI∈(0.2,0.8)，且样本总数一定，设为N,步长为0.01，每次迭代都把样本按照NDVI阈值T分为两类去和实测数据拟合，小于NDVI阈值T的样本用于求PDI和实测数据的拟合优度大于NDVI阈值T的样本用于求VSWI和实测数据的拟合优度与都大于0.6则结束计算。对应的阈值T为最优阈值，否则更新阈值Ti+1＝Ti+0.01，进行下一轮计算。最终输出的阈值T为即步骤4中的s1。
图3提供了玉米5个生长期的CI与实测土壤含水量的线性拟合效果图。
采用的是最简单的线性模型I。可以看出，在玉米整个生长周期预测数据域实测数据之间，模型I的拟合优度R2>0.386，RMSE<5％，模型II的拟合优度R2>0.4429，RMSE<4.8％，模型III的拟合优度R2>0.4429，RMSE<4.8％，在每个生长期内，二次多项式模型II和对数模型III的拟合效果，R2>0.4442，RMSE<4.8％。总体来说，在不同的生长期，模型II或模型III优于模型I。同时，模型II与模型III效果相差不大。表1为三组模型的拟合情况，其中PDI与VSWI处对应的为三种模型形式的最优拟合优度以及对应的RMSE。
表1模型拟合效果
本发明能充分利用可见光/红外测量方式相较于微波测量方式与实地测量方式的优点，并结合PDI与VSWI适用于不同植被覆盖区域的特点，同时顾及玉米不同生长期作物对土壤含水量胁迫的程度不同情况。提出了具有较好时间与空间分辨率的玉米种植区域表层土壤含水量估算方法，适用于区域尺度的玉米种植区表层土壤含水量估算。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于改进型MODIS指数的玉米种植区域土壤湿度评估方法，其特征在于，包括以下步骤：
步骤1)对采集到的MODIS遥感数据进行预处理；
1.1)MODIS地表反射率质量控制
1.1.1)首先使用MODIS投影转换工具MRT将MOD09GA瓦块数据进行重投影、影像镶嵌和裁剪处理，获得玉米种植区域的数据集，所述玉米种植区域的数据集包括红外波段和近红外波段的地表反射率、太阳天顶角和质量控制数据图层；然后用作物种植分类结果图进行玉米地的掩膜，过滤非玉米种植区像元；
1.1.2)对于过滤后的每一个像元，用质量控制数据图层对应值进行筛选,筛选出有效像元；
1.2)MODIS地表温度质量控制
1.2.1)首先使用MODIS投影转换工具MRT将MOD11A1瓦块数据进行重投影、影像镶嵌、裁剪处理，得到覆盖玉米种植区域的数据集，所述数据集包括白天地表温度和质量控制图层；然后用作物种植结果图进行玉米种植区域的掩膜，过滤非玉米种植范围的像元；
1.2.2)对于过滤后的每一个像元，用质量控制图层对应值进行筛选，筛选出有效像元；
步骤2)遥感指标计算；
2.1)计算归一化植被指数NDVI，计算公式如下:
式中，Rred与Rnir分别为MODIS数据红外与近红外波段反射率；
2.2)通过红外波段反射率与近红外波段反射率的线性组合计算垂直干旱指数PDI，计算公式如下：
式中，Rred与Rnir分别为红外与近红外波段反射率，M为土壤线斜率；
2.3)通过归一化植被指数NDVI与地表温度计算胁迫供水指数VSWI，计算公式如下:
VSWI＝NDVI/Ts
式中，Ts为地表温度；
步骤3)植被覆盖度分区；
3.1)计算植被覆盖度FVC
3.1.1)首先使用MODIS投影转换工具MRT将MOD09GA瓦块数据进行重投影、影像镶嵌和裁剪，获得覆盖研究区域的数据集，包括红光波段和近红光波段的地表反射率、太阳天顶角、质量控制数据图层，然后用研究区域作物种植结果图进行玉米地的掩膜，过滤非玉米种植区像元；
3.1.2)对于过滤后的每一个像元，用质量控制图层对应值进行筛选，筛选出有效像元；
3.1.3)计算植被覆盖度FVC，公式如下：
式中NDVImin与NDVImax采用步骤3.2中的方法得到；
3.2)裸土低植被覆盖区域与中高植被覆盖区域的阈值分割
3.2.1)计算裸土像元的归一化植被指数NDVI，设为最小归一化植被指数NDVImin；
3.2.2)通过叶面积指数确定纯植被像元对应的归一化植被指数NDVI下极限，设为最大归一化植被指数NDVImax；根据叶面积指数和植被覆盖度FVC的关系，当叶面积指数大于2的时候，对应的最小NDVI为NDVImax；
3.2.3)将样本根据阈值划分成两类，即NDVI低于与高于阈值的两类样本，分别对应两种指数PDI与VSWI，计算PDI、VSWI与实测数据之间的拟合优度R2，当两个指数的拟合优度R2均大于0.6时，对应的阈值为NDVI最优阈值；
步骤4)根据步骤3)中确定的裸土低植被与中高植被覆盖区域的阈值，构建改进型MODIS指数，公式如下：
式中，S1为步骤3.2.3)确定的阈值，S0，S2为NDVI取值范围,分别代表NDVI所能取到的最小和最大值,f、g分别为PDI与VSWI的拟合函数，此处选取f、g:
f＝a+b×PDI
g＝c+d×VSWI
由于PDI与VSWI与实测土壤含水量之间的函数关系不一致，因此，不能直接组合PDI与VSWI来反演土壤含水量，而通过拟合函数f、g的函数映射之后，PDI与VSWI与土壤含水量之间的关系则接近于y＝x；
步骤5)构建土壤含水量估算模型；
根据五个玉米生长期(播种期、出苗期、成长期、成熟期、收割期)划分玉米种植区样本数据集；
对划分的数据集进行回归分析，构建各组生长期对应的回归模型，模型如下：
模型I:SM(％)＝a0+a1×CI
模型II:SM(％)＝a0+a1×CI+a2×CI2
模型III:SM(％)＝a0+a1×ln(CI)+a2×[ln(CI)]2。
2.根据权利要求1所述的基于改进型MODIS指数的玉米种植区域土壤湿度评估方法，其特征在于，所述步骤1.1.2)中使用陆地卫星数据产品评测工具集LDOPE中的“unpack_sds_bits”工具将控制质量图层的位值从十进制转换为二进制，根据像元值的质量高低采用专家系统进行打分，从0到10分，等级依次是填充值错误的MODIS L1B数据源、太阳天顶角、云覆盖、气溶胶和理想质量产品，将每一个像元打分，筛选有效像元的原则为总分数大于等于5分的像元。
3.根据权利要求1所述的基于改进型MODIS指数的玉米种植区域土壤湿度评估方法，其特征在于，所述步骤1.2.2)中使用陆地卫星数据产品评测工具集(LDOPE)中的“unpack_sds_bits”工具将控制质量的位值从十进制转换为二进制，根据像元值的质量高低采用专家系统进行打分，分值从0到3分，依次代表地表温度未计算、低质量、质量一般和高质量产品，对每一个像元打分后，将总分数大于等于2分的像元信息保留。
4.根据权利要求1所述的基于改进型MODIS指数的玉米种植区域土壤湿度评估方法，其特征在于，所述步骤3.1.2)中使用陆地卫星数据产品评测工具集LDOPE中的“unpack_sds_bits”工具将控制质量图层的位值从十进制转换为二进制，根据像元值的质量高低采用专家系统进行打分，从0到10分，等级依次是填充值错误的MODIS L1B数据源、太阳天顶角、云覆盖、气溶胶和理想质量产品，将每一个像元打分，筛选有效像元的原则为总分数大于等于5分的像元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711320452.8A CN108169161B (zh) | 2017-12-12 | 2017-12-12 | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711320452.8A CN108169161B (zh) | 2017-12-12 | 2017-12-12 | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108169161A true CN108169161A (zh) | 2018-06-15 |
| CN108169161B CN108169161B (zh) | 2019-12-24 |
Family
ID=62525033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711320452.8A Active CN108169161B (zh) | 2017-12-12 | 2017-12-12 | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108169161B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876172A (zh) * | 2018-06-28 | 2018-11-23 | 武汉大学 | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 |
| CN109472203A (zh) * | 2018-09-30 | 2019-03-15 | 广州地理研究所 | 一种基于遥感数据的中心支轴式喷灌农田识别方法 |
| CN109509112A (zh) * | 2018-10-31 | 2019-03-22 | 武汉珈和科技有限公司 | 基于modis ndvi的全球大豆和玉米主产区产量评估方法及系统 |
| CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
| CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及系统 |
| CN111325384A (zh) * | 2020-02-05 | 2020-06-23 | 武汉大学 | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 |
| CN112347992A (zh) * | 2020-12-01 | 2021-02-09 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
| CN112577906A (zh) * | 2020-11-18 | 2021-03-30 | 上海市园林科学规划研究院 | 城市绿地土壤含水率检测方法 |
| CN113378476A (zh) * | 2021-06-28 | 2021-09-10 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
| CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
| CN115047499A (zh) * | 2022-05-31 | 2022-09-13 | 武汉大学 | 星载gnss-r土壤温度与湿度的反演方法、系统 |
| CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
| CN115759524A (zh) * | 2022-10-20 | 2023-03-07 | 中国农业大学 | 一种基于遥感影像植被指数的土壤生产力等级识别方法 |
| US11709819B2 (en) | 2020-09-30 | 2023-07-25 | International Business Machines Corporation | Validating test results using a blockchain network |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
| 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 |
| CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
| 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 |
| CN106991412A (zh) * | 2017-04-19 | 2017-07-28 | 中国农业科学院农业资源与农业区划研究所 | 一种获取全天候有效土壤水分的方法 |
| CN107036968A (zh) * | 2016-12-27 | 2017-08-11 | 西安科技大学 | 一种土壤湿度实时监测方法 |
-
2017
- 2017-12-12 CN CN201711320452.8A patent/CN108169161B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
| 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 |
| CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
| 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 |
| CN107036968A (zh) * | 2016-12-27 | 2017-08-11 | 西安科技大学 | 一种土壤湿度实时监测方法 |
| CN106991412A (zh) * | 2017-04-19 | 2017-07-28 | 中国农业科学院农业资源与农业区划研究所 | 一种获取全天候有效土壤水分的方法 |
Non-Patent Citations (4)
| Title |
|---|
| MINGZHU HE等: "Satellite detection of soil moisture related water stress impacts on", 《REMOTE SENSING OF ENVIRONMENT》 * |
| MODIS 数据在湖北旱情监测中的应用: "刁伟等", 《水利信息化》 * |
| NILDA SÁNCHEZ: "A New Soil Moisture Agricultural Drought Index", 《REMOTE SENSING》 * |
| 向大亨: "云参数法干旱遥感监测模型研究", 《中国博士学位论文全文数据库》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876172A (zh) * | 2018-06-28 | 2018-11-23 | 武汉大学 | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 |
| CN109472203A (zh) * | 2018-09-30 | 2019-03-15 | 广州地理研究所 | 一种基于遥感数据的中心支轴式喷灌农田识别方法 |
| CN109472203B (zh) * | 2018-09-30 | 2020-10-23 | 广州地理研究所 | 一种基于遥感数据的中心支轴式喷灌农田识别方法 |
| CN109509112A (zh) * | 2018-10-31 | 2019-03-22 | 武汉珈和科技有限公司 | 基于modis ndvi的全球大豆和玉米主产区产量评估方法及系统 |
| CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
| CN110427995B (zh) * | 2019-07-24 | 2023-11-17 | 中国科学院空天信息创新研究院 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
| CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及系统 |
| CN111325384A (zh) * | 2020-02-05 | 2020-06-23 | 武汉大学 | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 |
| CN111325384B (zh) * | 2020-02-05 | 2022-07-05 | 武汉大学 | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 |
| US11709819B2 (en) | 2020-09-30 | 2023-07-25 | International Business Machines Corporation | Validating test results using a blockchain network |
| CN112577906A (zh) * | 2020-11-18 | 2021-03-30 | 上海市园林科学规划研究院 | 城市绿地土壤含水率检测方法 |
| CN112577906B (zh) * | 2020-11-18 | 2023-09-22 | 上海市园林科学规划研究院 | 城市绿地土壤含水率检测方法 |
| CN112347992B (zh) * | 2020-12-01 | 2023-07-18 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
| CN112347992A (zh) * | 2020-12-01 | 2021-02-09 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
| CN113378476A (zh) * | 2021-06-28 | 2021-09-10 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
| CN113378476B (zh) * | 2021-06-28 | 2022-07-19 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
| CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
| CN115047499B (zh) * | 2022-05-31 | 2023-11-07 | 武汉大学 | 星载gnss-r土壤温度与湿度的反演方法、系统 |
| CN115047499A (zh) * | 2022-05-31 | 2022-09-13 | 武汉大学 | 星载gnss-r土壤温度与湿度的反演方法、系统 |
| CN115481368B (zh) * | 2022-09-29 | 2023-05-19 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
| CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
| CN115759524A (zh) * | 2022-10-20 | 2023-03-07 | 中国农业大学 | 一种基于遥感影像植被指数的土壤生产力等级识别方法 |
| CN115759524B (zh) * | 2022-10-20 | 2023-12-08 | 中国农业大学 | 一种基于遥感影像植被指数的土壤生产力等级识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108169161B (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
| Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
| Yang et al. | Daily Landsat-scale evapotranspiration estimation over a forested landscape in North Carolina, USA, using multi-satellite data fusion | |
| Simonneaux et al. | The use of high‐resolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central Morocco | |
| Morel et al. | Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation | |
| Sakamoto et al. | Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data | |
| CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
| CA2981473C (en) | Forecasting national crop yield during the growing season | |
| Imukova et al. | Determining the spatial and temporal dynamics of the green vegetation fraction of croplands using high-resolution RapidEye satellite images | |
| AU2017376837A1 (en) | Detection of environmental conditions | |
| Serra et al. | Monitoring farmers' decisions on Mediterranean irrigated crops using satellite image time series | |
| Yi et al. | Evaluation of MODIS surface reflectance products for wheat leaf area index (LAI) retrieval | |
| Dalezios et al. | Remotely sensed methodologies for crop water availability and requirements in precision farming of vulnerable agriculture | |
| Nourani et al. | Hydrological model parameterization using NDVI values to account for the effects of land cover change on the rainfall–runoff response | |
| Shahrokhnia et al. | Remotely sensed spatial and temporal variations of vegetation indices subjected to rainfall amount and distribution properties | |
| CN115545311A (zh) | 一种农作物估产方法、装置、存储介质及电子设备 | |
| Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
| Zahran et al. | Remote sensing based water resources and agriculture spatial indicators system | |
| Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| CN116597157B (zh) | 基于特征光谱变化的植物物候提取方法及装置 | |
| Sivarajan | Estimating yield of irrigated potatoes using aerial and satellite remote sensing | |
| Reyes-Gonzalez | Using remote sensing to estimate crop water use to improve irrigation water management | |
| Ibarra et al. | Improving the monitoring of corn phenology in large agricultural areas using remote sensing data series | |
| Zhao et al. | Crop phenology date estimation based on NDVI derived from the reconstructed MODIS daily surface reflectance 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 |