CN108827963A - 基于多尺度热惯量模型反演的土壤表层含水量测算方法 - Google Patents

基于多尺度热惯量模型反演的土壤表层含水量测算方法 Download PDF

Info

Publication number
CN108827963A
CN108827963A CN201810520369.3A CN201810520369A CN108827963A CN 108827963 A CN108827963 A CN 108827963A CN 201810520369 A CN201810520369 A CN 201810520369A CN 108827963 A CN108827963 A CN 108827963A
Authority
CN
China
Prior art keywords
soil
aster
thermal
infrared images
albedo
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
Application number
CN201810520369.3A
Other languages
English (en)
Other versions
CN108827963B (zh
Inventor
胡月明
刘振华
赵理
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN201810520369.3A priority Critical patent/CN108827963B/zh
Publication of CN108827963A publication Critical patent/CN108827963A/zh
Application granted granted Critical
Publication of CN108827963B publication Critical patent/CN108827963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/84—Systems specially adapted for particular applications
    • 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)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Radiation Pyrometers (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了基于多尺度热惯量模型反演的土壤表层含水量测算方法，其中，所述土壤含水量测算方法包括：对获取的ASTER热红外图像进行离散小波变换分析，获取高清的ASTER热红外图像；根据高清的ASTER热红外图像进行地表组分温度获取计算；通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算；根据高清的ASTER热红外图像进行地表感热通量估算处理；根据地表感热通量采用能量残差法进行地表潜热通量计算；根据地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算；根据土壤热惯量构建表层土壤含水量反演模型。实施本实施例的方法可有效的提高被检测区域内的土壤含水量测算精度。

Description

基于多尺度热惯量模型反演的土壤表层含水量测算方法
技术领域
本发明涉及土壤含水量测算技术领域，尤其涉及基于多尺度热惯量模型反演的土壤表层含水量测算方法。
背景技术
土壤含水量的变化影响地表能量平衡，区域径流，土壤侵蚀和植被生产力；因此，反演土壤含水量信息是非常重要的；然而，传统上土壤含水量信息通常是现场测量获得的，即耗时又费钱，而且传统方法也缺乏产生空间分布和土壤含水量模式的能力；另一方面，遥感技术可以在空间上快速精确的估测土壤含水量，并在区域范围内低成本的监测其动态；利用遥感影像来估算大面积地表土壤含水量的空间分布已经进行了大量的研究。
热惯量取决于表面层的热导性和蓄热能力，表示地下表面在白天传导和储存来自表面的热能以及在夜间将热能返回到表面的能力；基于土壤热特性，Watson等人(1971)首先利用红外(IR)图像开发了热惯性模型；Price(1977)提出了一个广义理论来计算全球范围内遥感数据的热惯量；Pratt(1979)构建了一个通过土壤组成，孔隙率和含水量变化来估算土壤的热能特性模型，但是这个模型很难应用，因为它需要太多的物理变量，其中一些例如风速和湿度是不容易从遥感数据估算；假设能量通量的变化系数进入大气和地面是常数，Price(1985)提出了一个表观热惯性(ATI)模型，该模型只能应用于覆盖少量植被的裸露土壤优势区域(Scheidt et al.，2010)；在ATI模型之后，Xue和Cracknell(1995)利用昼夜温度变化的相位角信息构建了一个真正的热惯量模型。
此外，Yu(1997)基于空气-土壤界面上的能量交换提出了一种从卫星数据中提取土壤表面热惯量的改进方法；Zhang等(2003)也提出了一个热惯量模型，考虑了表面感热通量和潜热通量，利用差热惯量估算土壤含水量的有效性。但是，这个模型忽略了植被和土壤的影响；Cai等(2006)构建了一个热惯量模型，无论在最高温度或最低温度发生时，卫星的过境时间是否与当地时间一致；Liu等(2006)提出了一种新的热惯量模型；引入了表面感热和潜热通量，并将平行两层模型引入导热系数方程，以扩大热惯量方法的应用范围；Minacapilli等(2012)进行了一个室内实验来评估热惯量模型估算土壤表面含水量，验证了热惯量模型将可见光近红外(VIS-NIR)和热红外(TIR)数据用于估算地表土壤含水量的空间分布和时间趋势是一种简单而有效的工具。
虽然已有很多热惯量模型用于反演土壤含水量，但是用于植被区的进行土壤含水量反演时，反演结果均不是很理想。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了基于多尺度热惯量模型反演的土壤表层含水量测算方法，可有效的提高被检测区域内的土壤含水量测算精度。
为了解决上述技术问题，本发明实施例提供了基于多尺度热惯量模型反演的土壤表层含水量测算方法，所述土壤含水量测算方法包括：
对获取15米分辨率和90米分辨率的ASTER热红外图像进行离散小波变换分析，获取高清的ASTER热红外图像；
根据所述高清的ASTER热红外图像进行地表组分温度获取计算，获取地表组分温度；
通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算，获取地表反照率；
根据所述高清的ASTER热红外图像进行地表感热通量估算处理，获取地表感热通量；
根据所述地表感热通量采用能量残差法进行地表潜热通量计算，获取地表潜热通量；
根据所述地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算，获取土壤热惯量；
根据所述土壤热惯量构建表层土壤含水量反演模型，获取土壤表层的含水量。
优选地，所述对获取15米分辨率和90米分辨率的ASTER热红外图像进行离散小波变换分析，包括：
将所述ASTER热红外图像分解为：HHk,HLk,LHk,LLK四个部分，其中k＝1,…,j，k为尺度，即为空间分辨率，j为分解中的最大尺度或最粗糙的空间分辨率，HHk代表图像的对角线结构，HLk为水平特点，LHk为垂直细节，LLK为由较低频率组成的较低分辨率残差；
提取15米分辨率ASTER热红外图像HHk,HLk,LHk三个分块的高频组分，提取90米分辨率ASTER热红外图像LLK低频组分；
将15米分辨率ASTER热红外图像的三个高频组分和90ASTER热红外图像的一个低频组分进行融合，获取高清的ASTER热红外图像。
优选地，所述根据所述高清的ASTER热红外图像进行地表组分温度获取计算，包括：
获取所述高清的ASTER热红外图像中的混合像元；
计算所述混合像元温度，并将所述混合像元温度确定为地表组分温度；
计算公式为：
其中，εv表示植被发射率，εs1表示裸土发射率，εs2表示阴影土壤发射率，Tv表示植被温度，Ts1代表裸土温度，Ts2代表阴影土壤温度，σ是玻尔兹曼常数(σ＝5.67×10-8Wm-2K-4)，fi1表示植被的覆盖占比，fi2表示裸土的覆盖占比。
优选地，所述混合像元由不同的土地覆盖类型的像素组成，所述覆盖类型包括植被、裸土和阴影土壤中的一种多种混合组成。
优选地，所述通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算的计算公式如下：
a＝0.46859a1+0.303217a2+0.228189a3
其中，a1、a2、a3分别为ASTER的1波段至3波段的窄波段反照率。
优选地，所述根据所述高清的ASTER热红外图像进行地表感热通量估算处理，包括：
构建串行双源能量平衡模型，在所述串行双源能量平衡模型中，模型公式如下：
H＝Hv+Hs (1)；
Hv＝ρα·Cp·(Tv-Tc)/rvc (2)；
Hs＝ρα·Cp·(Ts-Tc)/rsc (3)；
其中，ρα为空气密度，Cp为空气热容量，H为地表感热通量，Hs为冠层覆盖土壤感热通量，Hv为植被感热通量，Tc为冠层高度的空气气动学温度，Ts为冠层覆盖的土壤气动温度，Tv为植被气动温度，rvc为冠层边界层的整体阻力，rsc为冠层与土壤表面的气动阻力；
根据所述高清的ASTER热红外图像确定图像中的植被区域和裸土区域；
若确定为植被区域，则采用串行双源能量平衡模型进行地表感热通量计算，获取植被区域的地表感热通量；
若确定为裸土区域，则在采用串行双源能量平衡模型进行地表感热通量计算时，将Hv为植被感热通量赋值为0再进行地表感热通量计算，获取裸土区域的地表感热通量。
优选地，所述根据所述地表感热通量采用能量残差法进行地表潜热通量计算的计算公式如下：
LES＝Rns-H-G；
其中，LES为地表潜热通量，Rns土壤净辐射通量，H为地表感热通量，G＝βRns；
其中，Rns土壤净辐射通量计算公式如下：
其中，fi1表示植被的覆盖占比，fi2表示裸土的覆盖占比，a为地表反照率，S0为太阳常数，S0＝1367Wm-2，Cτ为大气光学传输，Cτ＝0.562，θ为太阳天顶角，θ＝20°，Rld为入射长波辐射，εs为表面发射率，Ts为地表土壤温度，σ是玻尔兹曼常数(σ＝5.67×10-8Wm-2K-4)。
优选地，所述根据所述地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算的计算公式如下：
其中，P为土壤热惯量，LEs为地表潜热通量，H为地表感热通量，Ts(0,t)为0-t时间内的地表组分温度，w为地球自转速率，SO为太阳常数，S0＝1367Wm-2，Cτ为大气光学传输，Cτ＝0.562，A1为裸土区地表太阳反照率，As为植被区太阳反照率，B为常数。
所述根据所述土壤热惯量构建表层土壤含水量反演模型公式如下：
w＝13.475×ln(Δ)+31.604；
其中，w为土壤含水量，Δ为归一化后的土壤热惯量。
在本发明实施例中，采用对获取的ASTER热红外图像进行离散小波变换分析，获取高清的ASTER热红外图像；根据高清的ASTER热红外图像进行地表组分温度获取计算；通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算；根据高清的ASTER热红外图像进行地表感热通量估算处理；根据所述地表感热通量采用能量残差法进行地表潜热通量计算；根据地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算；根据土壤热惯量构建表层土壤含水量反演模型，进行土壤含水量反演计算，并在这些过程中加入串行双源能量平衡模型和考虑混合像元，显著的提高了研究区土壤含水量反演的估算精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于多尺度热惯量模型反演的土壤表层含水量测算方法的流程示意图；
图2是本发明实施例中的离散小波变换分析中的小波分析图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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它实施例，都属于本发明保护的范围。
图1是本发明实施例中的基于多尺度热惯量模型反演的土壤表层含水量测算方法的流程示意图，如图1所示，土壤含水量测算方法包括：
S11：对获取15米分辨率和90米分辨率的ASTER热红外图像进行离散小波变换分析，获取高清的ASTER热红外图像；
地表组分温度是在基于多尺度热惯量模型反演的土壤表层含水量测算方法中是一个关键的物理参数，为了提高地表组分温度的估测准确度，对ASTER-TIR影像(包括15米分辨率和90米分辨率的ASTER热红外图像)进行了离散小波变换分析。
离散小波变换分析包括了小波分解和逆小波变换获取新的高清的ASTER热红外图像。
小波分解则是分别将15米分辨率和90米分辨率的ASTER热红外图像分解为：HHk,HLk,LHk,LLK四个部分，如图2所示，其中k＝1,…,j，k为尺度，即为空间分辨率，j为分解中的最大尺度或最粗糙的空间分辨率，HHk代表图像的对角线结构，HLk为水平特点，LHk为垂直细节，LLK为由较低频率组成的较低分辨率残差，然后在更高的分解水平上作进一步分解。
在本发明实施了中，HHk,HLk,LHk为ASTER热红外图像3个高频组分，ASTER绿波段和ASTER热红外波段14之间的3个高频组分比率之间分别接近常数-0.178147,-1.302275,和-0.611796，推断出高频组分的ASTER热红外数据和ASTER绿波段数据非常相似的；事实上，从15米分辨率的ASTER热红外图像绿波段转换而来的高频成分与90米分辨率的ASTER热红外图像的热红外波段相同。
通过融合3个高频组分的15米分辨率的ASTER热红外图像绿波段和90米分辨率的ASTER热红外图像的LLK低频组分，将获得高清的ASTER热红外图像(更好的ASTER-TIR产品)。
S12：根据所述高清的ASTER热红外图像进行地表组分温度获取计算，获取地表组分温度；
虽然获取的高清的ASTER热红外图像，覆盖类型但是在更精细的空间分辨率图像中还是存在大量的混合像元的，即需要获取高清的ASTER热红外图像中的混合像元；每个像素有不同的土地覆盖类型组成，其中土地覆盖类型包括植被、裸土和阴影土壤中的一种多种混合组成。
每个混合像元的热通量被认为是由植被面积、裸露土壤和土壤阴影的热通量混合组成的，并将每个混合像元的热通量确认为每个混合像元的地表组分温度，则地表组分温度温度计算公式为：
其中，εv表示植被发射率，εs1表示裸土发射率，εs2表示阴影土壤发射率，Tv表示植被温度，Ts1代表裸土温度，Ts2代表阴影土壤温度，σ是玻尔兹曼常数(σ＝5.67×10-8Wm -2K-4)，fi1表示植被的覆盖占比，fi2表示裸土的覆盖占比。
在已知参数(Tv，Ts1，Ts2，εv，εs1和εs2)远远超过已知Ts，采用遗传算法来解决非线性优化问题，而遗传算法的收敛性和速度主要取决于种群大小、交叉、变异概率等参数，对于遗传算法，没有明确的物理数学基础，最佳参数是通过随机试验获得的；在本发明实施例中，遗传算法的初始参数最终被赋予以下范围：εs1∈[0.85,0.92]，εs2∈[0.80，0.95]，εv∈[0.95，1.00]，Ts1∈[273，326]，Ts2∈[273，306]，Tv∈[273，310]，最大代数设为250，种群大小、交叉、变异概率分别设置为：128、0.9、0.02。
S13：通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算，获取地表反照率；
在具体实施过程中，地表反照率是本发明实实施过程中的关键变量；地表反照率被定义为在窄波段反照率和宽波段反照率之间线性关系条件下辐照通量的比率，并且地表上的光谱分布太阳辐照度被认为是将窄波段反照率转换成宽波段反照率的权重函数；根据权重函数计算地表反照率公式如下：
a＝0.46859a1+0.303217a2+0.228189a3；
其中，a1、a2、a3分别为ASTER的1波段至3波段的窄波段反照率。
S14：根据所述高清的ASTER热红外图像进行地表感热通量估算处理，获取地表感热通量；
在具体实施过程中，采用串行双源能量平衡模型来获取地表热感通量，串行双源能量平衡模型最基本的思想是将水汽和热量两个来源相互叠加，底层水和热量只能通过顶层进入或消耗。
构建串行双源能量平衡模型，在串行双源能量平衡模型中，模型公式如下：
H＝Hv+Hs (1)；
Hv＝ρα·Cp·(Tv-Tc)/rvc (2)；
Hs＝ρα·Cp·(Ts-Tc)/rsc (3)；
其中，ρα为空气密度，Cp为空气热容量，H为地表感热通量，Hs为冠层覆盖土壤感热通量，Hv为植被感热通量，Tc为冠层高度的空气气动学温度，Ts为冠层覆盖的土壤气动温度，Tv为植被气动温度，rvc为冠层边界层的整体阻力，rsc为冠层与土壤表面的气动阻力。
然后根据高清的ASTER热红外图像确定图像中的植被区域和裸土区域。
若确定某区域为植被区域时，直接采用上述的串行双源能量平衡模型进行计算获取植被区域的地表感热通量。
若确定某区域为裸土区域时，则在采用串行双源能量平衡模型进行地表感热通量计算时，将Hv为植被感热通量赋值为0再进行地表感热通量计算，获取裸土区域的地表感热通量。
S15：根据所述地表感热通量采用能量残差法进行地表潜热通量计算，获取地表潜热通量；
在具体实施过程中，在知道地表感热通量情况下，采用能量残差法进行地表潜热通量计算，具体计算公式如下：
LES＝Rns-H-G；
其中，LES为地表潜热通量，Rns土壤净辐射通量，H为地表感热通量，G＝βRns。
其中，Rns土壤净辐射通量计算公式如下：
其中，fi1表示植被的覆盖占比，fi2表示裸土的覆盖占比，a为地表反照率，S0为太阳常数，S0＝1367Wm-2，Cτ为大气光学传输，Cτ＝0.562，θ为太阳天顶角，θ＝20°，Rld为入射长波辐射，εs为表面发射率，Ts为地表土壤温度，σ是玻尔兹曼常数(σ＝5.67×10-8Wm-2K-4)。
S16：根据所述地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算，获取土壤热惯量；
在具体实施过程中，计算土壤热惯量的公式如下：
其中，P为土壤热惯量，LEs为地表潜热通量，H为地表感热通量，Ts(0,t)为0-t时间内的地表组分温度，w为地球自转速率，SO为太阳常数，S0＝1367Wm-2，Cτ为大气光学传输，Cτ＝0.562，A1为裸土区地表太阳反照率，As为植被区太阳反照率，B为常数。
S17：根据所述土壤热惯量构建表层土壤含水量反演模型，获取土壤表层的含水量。
在具体实施过程中，通过上述步骤，获取到土壤热惯量，为了避免出现无限的现象，热惯量的取值范围在0-1范围内，因此，首先对土壤热惯量进行归一化处理，将土壤热惯量归一化至[0,1]之间。
土壤热惯量的变化会引起土壤含水量的变化，并且土壤热惯量与土壤含水量之间的关系为线性关系，即可根据土壤热惯量构建土壤含水量的线性关系，其中根据所述土壤热惯量构建表层土壤含水量反演模型公式如下：
w＝13.475×ln(Δ)+31.604；
其中，w为土壤含水量，Δ为归一化后的土壤热惯量。
以下为玉米和小麦的地的土壤含水量的野外实测和采用基于多尺度热惯量模型反演测量的土壤含水量。
表1基于20个样点的热惯量模型和野外实测数据之间的土壤含水量对比(单位：g/kg，stdev：标准偏差，RRMSE：相对RMSE＝RMSE*100/样品平均值)
表1由于考虑了土壤阴影、15m分辨率和90m分辨率的热红外波段，提高了反演精度，植被有效误差范围为0.0527％～13.7164％。
在本发明实施例中，采用对获取的ASTER热红外图像进行离散小波变换分析，获取高清的ASTER热红外图像；根据高清的ASTER热红外图像进行地表组分温度获取计算；通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算；根据高清的ASTER热红外图像进行地表感热通量估算处理；根据所述地表感热通量采用能量残差法进行地表潜热通量计算；根据地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算；根据土壤热惯量构建表层土壤含水量反演模型，进行土壤含水量反演计算，并在这些过程中加入串行双源能量平衡模型和考虑混合像元，显著的提高了研究区土壤含水量反演的估算精度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于多尺度热惯量模型反演的土壤表层含水量测算方法进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述土壤含水量测算方法包括：
对获取15米分辨率和90米分辨率的ASTER热红外图像进行离散小波变换分析，获取高清的ASTER热红外图像；
根据所述高清的ASTER热红外图像进行地表组分温度获取计算，获取地表组分温度；
通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算，获取地表反照率；
根据所述高清的ASTER热红外图像进行地表感热通量估算处理，获取地表感热通量；
根据所述地表感热通量采用能量残差法进行地表潜热通量计算，获取地表潜热通量；
根据所述地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算，获取土壤热惯量；
根据所述土壤热惯量构建表层土壤含水量反演模型，获取土壤表层的含水量。
2.根据权利要求1所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述对获取15米分辨率和90米分辨率的ASTER热红外图像进行离散小波变换分析，包括：
将所述ASTER热红外图像分解为：HHk,LHk,LHk,LLK四个部分，其中k＝1,…,j，k为尺度，即为空间分辨率，j为分解中的最大尺度或最粗糙的空间分辨率，HHk代表图像的对角线结构，HLk为水平特点，LHk为垂直细节，LLk为由较低频率组成的较低分辨率残差；
提取15米分辨率ASTER热红外图像HHk,HLk,LHk三个分块的高频组分，提取90米分辨率ASTER热红外图像LLK低频组分；
将15米分辨率ASTER热红外图像的三个高频组分和90ASTER热红外图像的一个低频组分进行融合，获取高清的ASTER热红外图像。
3.根据权利要求1所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述根据所述高清的ASTER热红外图像进行地表组分温度获取计算，包括：
获取所述高清的ASTER热红外图像中的混合像元；
计算所述混合像元温度，并将所述混合像元温度确定为地表组分温度；
计算公式为：
其中，εv表示植被发射率，εs1表示裸土发射率，εs2表示阴影土壤发射率，Tv表示植被温度，Ts1代表裸土温度，Ts2代表阴影土壤温度，σ是玻尔兹曼常数(σ＝5.67×10-8Wm-2K-4)，fi1表示植被的覆盖占比，fi2表示裸土的覆盖占比。
4.根据权利要求3所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述混合像元由不同的土地覆盖类型的像素组成，所述覆盖类型包括植被、裸土和阴影土壤中的一种多种混合组成。
5.根据权利要求1所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述通过窄波段反照率转换成宽波段反照率的权重函数进行地表反照率计算的计算公式如下：
a＝0.46859a1+0.303217a2+0.228189a3；
其中，a1、a2、a3分别为ASTER的1波段至3波段的窄波段反照率。
6.根据权利要求1所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述根据所述高清的ASTER热红外图像进行地表感热通量估算处理，包括：
构建串行双源能量平衡模型，在所述串行双源能量平衡模型中，模型公式如下：
H＝Hv+Hs (1)；
Hv＝ρα·Cp·(Tv-Tc)/rvc (2)；
Hs＝ρα·Cp·(Ts-Tc)/rsc (3)；
其中，ρα为空气密度，Cp为空气热容量，H为地表感热通量，Hs为冠层覆盖土壤感热通量，Hv为植被感热通量，Tc为冠层高度的空气气动学温度，Ts为冠层覆盖的土壤气动温度，Tv为植被气动温度，rvc为冠层边界层的整体阻力，rsc为冠层与土壤表面的气动阻力；
根据所述高清的ASTER热红外图像确定图像中的植被区域和裸土区域；
若确定为植被区域，则采用串行双源能量平衡模型进行地表感热通量计算，获取植被区域的地表感热通量；
若确定为裸土区域，则在采用串行双源能量平衡模型进行地表感热通量计算时，将Hv为植被感热通量赋值为0再进行地表感热通量计算，获取裸土区域的地表感热通量。
7.根据权利要求1所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述根据所述地表感热通量采用能量残差法进行地表潜热通量计算的计算公式如下：
LES＝Rns-H-G；
其中，LES为地表潜热通量，Rns土壤净辐射通量，H为地表感热通量，G＝βRns；
其中，Rns土壤净辐射通量计算公式如下：
其中，fi1表示植被的覆盖占比，fi2表示裸土的覆盖占比，a为地表反照率，S0为太阳常数，S0＝1367Wm-2，Cτ为大气光学传输，Cτ＝0.562，θ为太阳天顶角，θ＝20°，Rld为入射长波辐射，εs为表面发射率，Ts为地表土壤温度，σ是玻尔兹曼常数(σ＝5.67×10-8Wm-2K-4)。
8.根据权利要求1所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述根据所述地表组分温度、地表感热通量、地表潜热通量和地表反照率进行土壤热惯量计算的计算公式如下：
其中，P为土壤热惯量，LEs为地表潜热通量，H为地表感热通量，Ts(0,t)为0-t时间内的地表组分温度，w为地球自转速率，SO为太阳常数，S0＝1367Wm-2，Cτ为大气光学传输，Cτ＝0.562，A1为裸土区地表太阳反照率，As为植被区太阳反照率，B为常数。
9.根据权利要求1所述的基于多尺度热惯量模型反演的土壤表层含水量测算方法，其特征在于，所述根据所述土壤热惯量构建表层土壤含水量反演模型公式如下：
w＝13.475×ln(Δ)+31.604；
其中，w为土壤含水量，Δ为归一化后的土壤热惯量。
CN201810520369.3A 2018-05-28 2018-05-28 基于多尺度热惯量模型反演的土壤表层含水量测算方法 Active CN108827963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810520369.3A CN108827963B (zh) 2018-05-28 2018-05-28 基于多尺度热惯量模型反演的土壤表层含水量测算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810520369.3A CN108827963B (zh) 2018-05-28 2018-05-28 基于多尺度热惯量模型反演的土壤表层含水量测算方法

Publications (2)

Publication Number Publication Date
CN108827963A true CN108827963A (zh) 2018-11-16
CN108827963B CN108827963B (zh) 2020-12-29

Family

ID=64145829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810520369.3A Active CN108827963B (zh) 2018-05-28 2018-05-28 基于多尺度热惯量模型反演的土壤表层含水量测算方法

Country Status (1)

Country Link
CN (1) CN108827963B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655842A (zh) * 2019-01-25 2019-04-19 北京航空航天大学 一种基于相关小波重构的高光谱热红外发射率反演方法
CN110865174A (zh) * 2019-11-26 2020-03-06 中国人民解放军军事科学院国防工程研究院 一种实验室内模拟土壤背景红外特性的方法
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
CN112816663A (zh) * 2021-02-02 2021-05-18 陆相荣 防洪工程的黄河堤坝土质含水量监测方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655842A (zh) * 2019-01-25 2019-04-19 北京航空航天大学 一种基于相关小波重构的高光谱热红外发射率反演方法
CN109655842B (zh) * 2019-01-25 2022-07-12 北京航空航天大学 一种基于相关小波重构的高光谱热红外发射率反演方法
CN110865174A (zh) * 2019-11-26 2020-03-06 中国人民解放军军事科学院国防工程研究院 一种实验室内模拟土壤背景红外特性的方法
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
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
CN112816663A (zh) * 2021-02-02 2021-05-18 陆相荣 防洪工程的黄河堤坝土质含水量监测方法及装置
CN112816663B (zh) * 2021-02-02 2023-01-10 陆相荣 防洪工程的黄河堤坝土质含水量监测方法及装置

Also Published As

Publication number Publication date
CN108827963B (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
Long et al. A two-source trapezoid model for evapotranspiration (TTME) from satellite imagery
Kalma et al. Estimating land surface evaporation: A review of methods using remotely sensed surface temperature data
Francois et al. Analytical parameterization of canopy directional emissivity and directional radiance in the thermal infrared. Application on the retrieval of soil and foliage temperatures using two directional measurements
Sánchez et al. Modelling surface energy fluxes over maize using a two-source patch model and radiometric soil and canopy temperature observations
Ghulam et al. Designing of the perpendicular drought index
Yang et al. An enhanced two-source evapotranspiration model for land (ETEML): Algorithm and evaluation
Long et al. Deriving theoretical boundaries to address scale dependencies of triangle models for evapotranspiration estimation
Su The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes
Yang et al. A hybrid dual‐source scheme and trapezoid framework–based evapotranspiration model (HTEM) using satellite images: Algorithm and model test
Sánchez et al. Monitoring daily evapotranspiration at a regional scale from Landsat-TM and ETM+ data: Application to the Basilicata region
Xiong et al. An evapotranspiration product for arid regions based on the three-temperature model and thermal remote sensing
Xu et al. Improving predictions of water and heat fluxes by assimilating MODIS land surface temperature products into the common land model
Ma et al. Determination of regional net radiation and soil heat flux over a heterogeneous landscape of the Tibetan Plateau
Amazirh et al. Modified Penman–Monteith equation for monitoring evapotranspiration of wheat crop: Relationship between the surface resistance and remotely sensed stress index
Ma et al. Determination of regional distributions and seasonal variations of land surface heat fluxes from Landsat‐7 Enhanced Thematic Mapper data over the central Tibetan Plateau area
CN108827963A (zh) 基于多尺度热惯量模型反演的土壤表层含水量测算方法
CN105606631B (zh) 一种盐度卫星双波段亮温数据联合反演土壤水分的方法
Zou et al. Comparison of two satellite‐based evapotranspiration models of the Nagqu River Basin of the Tibetan Plateau
Parrens et al. Benchmarking of L-band soil microwave emission models
Yin et al. Calculation of land surface emissivity and retrieval of land surface temperature based on a spectral mixing model
Xiong et al. Simplifying the revised three-temperature model for remotely estimating regional evapotranspiration and its application to a semi-arid steppe
Ma et al. Determination of regional land surface heat flux densities over heterogeneous landscape of HEIFE integrating satellite remote sensing with field observations
CN107644284A (zh) 一种农田蒸散估算方法及系统
Liu et al. Estimation of surface and near-surface air temperatures in arid northwest china using landsat satellite images
Chen et al. Development of a trapezoidal framework-based model (PCALEP) for partition of land evapotranspiration

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