CN109115995B - 土壤水分信息获取方法、装置、计算机设备和存储介质 - Google Patents
土壤水分信息获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109115995B CN109115995B CN201811003247.3A CN201811003247A CN109115995B CN 109115995 B CN109115995 B CN 109115995B CN 201811003247 A CN201811003247 A CN 201811003247A CN 109115995 B CN109115995 B CN 109115995B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- day
- temperature information
- information
- clear sky
- 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
Links
Classifications
-
- 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
Abstract
本申请涉及一种土壤水分信息获取方法、装置、计算机设备和存储介质。所述方法包括：获取目标区域的植被指数信息以及多源地表温度信息；所述多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；所述第一地表温度信息为各晴空日的地表温度数据；所述第一地表温度信息的空间尺度小于所述第二地表温度信息的空间尺度；根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息；根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息；根据所述温度植被干旱指数信息，计算所述目标区域的土壤水分信息。采用本方法能够提高土壤水分信息的准确性。
Description
技术领域
本申请涉及卫星遥感技术领域，特别是涉及一种土壤水分信息获取方法、装置、计算机设备和存储介质。
背景技术
土壤水分是能量、水和碳循环的重要组成部分，因而土壤水分信息对研究农业水文循环和作物生产至关重要，可以为陆地-大气模式、水文模型和降水预报模式的通量边界条件提供可靠信息；同时，在农业干旱监测、灌溉制度优化和农业水资源管理等方面具有重要的价值。传统上，土壤水分主要通过称重法、时域反射仪和实时监测系统等现场测量获得，但通过各现场测量点上土壤水分空间插值方法获取的区域土壤水分数据，很难代表真实的土壤水分分布情况。随着遥感技术的进步，尤其是主动和被动微波遥感，使得大范围获取不同时空尺度陆表参数成为可能；具体地，可以通过获取与土壤水分信息密切相关的地表温度信息(LST)和植被指数等关键信息来估算土壤水分信息。
不同的卫星传感器的遥感数据具有不同时空分辨率特性。一般地，具有较高空间分辨率(即较低空间尺度)的遥感数据，其时间分辨率较低(即时间尺度较大)；而具有较高时间分辨率(即较低时间尺度)的遥感数据，其空间分辨率较低(即空间尺度较大)。传统技术经常采用多源多尺度的遥感数据融合方法，获取高时空分辨率的地表温度信息来估算土壤水分信息。
然而，根据目前的多源地表温度信息融合方法获取的地表温度信息来估算土壤水分信息，仍然存在准确性差的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种准确性高的土壤水分信息获取方法、装置、计算机设备和存储介质。
第一方面，一种土壤水分信息获取方法，所述方法包括：
获取目标区域的植被指数信息以及多源地表温度信息；所述多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；所述第一地表温度信息为各晴空日的地表温度数据；所述第一地表温度信息的空间尺度小于所述第二地表温度信息的空间尺度；
根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息；
根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息；
根据所述温度植被干旱指数信息，计算所述目标区域的土壤水分信息。
第二方面，一种土壤水分信息获取装置，所述装置包括：
信息获取模块，用于获取目标区域的植被指数信息以及多源地表温度信息；所述多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；所述第一地表温度信息为各晴空日的地表温度数据；所述第一地表温度信息的空间尺度小于所述第二地表温度信息的空间尺度；
信息融合模块，用于根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息；
干旱指数计算模块，用于根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息；
土壤水分计算模块，用于根据所述温度植被干旱指数信息，计算所述目标区域的土壤水分信息。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标区域的植被指数信息以及多源地表温度信息；所述多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；所述第一地表温度信息为各晴空日的地表温度数据；所述第一地表温度信息的空间尺度小于所述第二地表温度信息的空间尺度；
根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息；
根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息；
根据所述温度植被干旱指数信息，计算所述目标区域的土壤水分信息。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标区域的植被指数信息以及多源地表温度信息；所述多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；所述第一地表温度信息为各晴空日的地表温度数据；所述第一地表温度信息的空间尺度小于所述第二地表温度信息的空间尺度；
根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息；
根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息；
根据所述温度植被干旱指数信息，计算所述目标区域的土壤水分信息。
上述土壤水分信息获取方法、装置、计算机设备和存储介质，通过获取目标区域的植被指数信息、第一地表温度信息和第二地表温度信息，第一地表温度信息为各晴空日的地表温度数据；然后根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息；最后根据植被指数信息以及融合地表温度信息，计算温度植被干旱指数信息，进而计算目标区域的土壤水分信息；因为第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度，因此第一地表温度信息具有较高的空间分辨率，第二地表温度信息具有较高的时间分辨率，融合地表温度信息同时具有第一地表温度信息的空间分辨率和第二地表温度信息的时间分辨率，即具有高时间分辨率的同时具有高空间分辨率；更重要的，因为采用的第一地表温度信息对应各晴空日，避免了因为云污染等导致的无效数据，避免了因为空间插补等重建方法引入的额外误差，因此保证了融合地表温度信息的空间分辨率，提高了融合地表温度信息的准确性，进而提高了土壤水分信息的准确性。
附图说明
图1为一个实施例中土壤水分信息获取方法的应用环境示意图；
图2为一个实施例中土壤水分信息获取方法的流程示意图；
图3为另一个实施例中土壤水分信息获取方法的流程示意图；
图4为一个实施例中融合地表温度信息计算步骤的流程示意图；
图5为一个实施例中温度植被干旱指数信息计算步骤的流程示意图；
图6为另一个实施例中温度植被干旱指数信息计算步骤的流程示意图；
图7为一个实施例中土壤水分信息获取方法的示意图；
图8为一个实施例中应用土壤水分信息获取方法得到的结果的示意图一；
图9为一个实施例中应用土壤水分信息获取方法得到的结果的示意图二；
图10为一个实施例中应用土壤水分信息获取方法得到的结果的示意图三；
图11为一个实施例中应用土壤水分信息获取方法得到的结果的示意图四；
图12为一个实施例中应用土壤水分信息获取方法得到的结果的示意图五；
图13为一个实施例中土壤水分信息获取装置的结构框图；
图14为另一个实施例中土壤水分信息获取装置的结构框图；
图15为再一个实施例中土壤水分信息获取装置的结构框图；
图16为还一个实施例中土壤水分信息获取装置的结构框图；
图17为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的土壤水分信息获取方法，可以应用于各类终端设备、服务器等；其中，终端设备可以但不限于是各种大型计算机、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。示例性地，以终端设备为例，本申请实施例提供的土壤水分信息获取方法可以应用于如图1所示的信息处理系统中。终端设备11可以和卫星服务器12通过网络进行交互，获取多个卫星的卫星遥感数据或由多个卫星遥感数据得到的多源地表温度信息、植被指数信息等，还可以将时空融合多源地表温度信息后得到的融合地表温度信息或者根据融合地表温度信息计算得到的土壤水分信息，返回卫星服务器12，其中，卫星服务器12中存储着多个卫星的卫星遥感数据或多源地表温度信息、植被指数信息等；卫星服务器12可以与卫星接收器13连接，该卫星接收器13可以接收多个卫星获得的卫星遥感数据并传输给卫星服务器12，其中，多个卫星可以包括第一卫星14和第二卫星15，第一卫星14可以为Landsat(地球资源观测卫星)，第二卫星15可以为TERRA(土地)/AQUA(水)卫星。可以理解的是，终端设备11还可以直接与卫星接收器13连接，获取多个卫星获得的卫星遥感数据，而不需要卫星服务器12参与。
在一个实施例中，如图2所示，提供了一种土壤水分信息获取方法，本实施例涉及的是终端设备采用时空融合算法，根据多源地表温度信息获得高空间分辨率高时间分辨率的融合地表温度信息，然后根据植被指数信息以及融合地表温度信息，计算更准确的温度植被干旱指数信息，进而得到更准确的土壤水分信息的过程。该方法具体可以包括以下步骤：
S201，获取目标区域的植被指数信息以及多源地表温度信息。
其中，多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；第一地表温度信息为各晴空日的地表温度数据；第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度。该多源地表温度信息可以来源于多个卫星的遥感数据，可以通过遥感数据计算得到地表温度信息。例如，第一地表温度信息来源于第一卫星的遥感数据；第二地表温度信息来源于第二卫星的遥感数据。当第一地表温度信息来源于第一卫星时，获取第一卫星在目标区域为晴空日时获取的地表温度数据为第一地表温度信息。
同样地，植被指数可以直接从卫星数据产品中获得，也可以通过卫星数据产品中的各种地表反射率数据计算得到；植被指数是对地表植被状况的一种度量，可以是归一化差值植被指数(NDVI，Normalized Difference Vegetation Index)，可以是土壤调节植被指数、差值环境植被指数、比值植被指数等，例如比值植被指数RVI＝Near/Nred；Near和Nred分别是近红外波段和红光波段的反射率。示例性地，可以对Landsat Level 1产品进行预处理(辐射定标、大气校正)，获得地表反射率数据及热红外数据，计算归一化差值植被指数(NDVI)、地表反照率(Albedo)和地表温度数据(LST)。
其中，空间尺度为遥感数据对应的遥感图像上能够详细区分的最小单元的尺寸或大小，属于不同卫星传感器的特性。例如，Landsat(地球资源观测卫星)系列卫星的卫星传感器的空间尺度为30-100m，但其重访周期(即时间尺度)约为16天；MODIS(搭载在地球观测系统TERRA(土地)/AQUA(水)卫星上的传感器)的空间尺度为250-1000m，但其重访周期为1天。
需要说明的是，第一卫星在访问目标区域时，因为云污染等因素，存在部分目标区域无法获取有效的遥感数据的状况；而当第一卫星访问目标区域时，若目标区域天气晴朗，第一卫星能完整获得目标区域的遥感数据，则此时获取的数据称之为晴空日的遥感数据；由该晴空日的遥感数据得到的地表温度数据为该第一地表温度信息，该第一地表温度信息由各晴空日的地表温度数据组成。可以理解的是，判定第一地表温度信息的依据并不限定天气是否晴朗，而是以能否完整获得目标区域的遥感数据作为依据。
示例性地，若目标区域为A市，第一卫星对A市的访问周期为10日；针对3月份而言，第一卫星对A市第一次访问时间为3月1日，第二次访问时间为3月11日，第三次访问时间为3月21日，第四次访问时间为3月31日；若3月1日，3月21日，3月31日均能获得A市的完整的遥感数据，则针对3月份而言，目标区域的第一地表温度信息由3月1日的第一卫星来源的目标区域的地表温度数据、3月21日的第一卫星来源的目标区域的地表温度数据、3月31日的第一卫星来源的目标区域的地表温度数据组成。其中，卫星的访问周期与该卫星获取的遥感数据的时间分辨率对应；同样地，卫星的访问周期与通过该卫星的遥感数据得到的地表温度信息的时间分辨率对应。
可以理解的是，如果获得的地表温度数据由于云污染等原因导致部分目标区域无法获得有效数据，则需要通过空间差值等方法对该地表温度数据进行重建，获得该部分目标区域的地表温度数据；相应地，因为经过了空间重建，引入了额外误差，因此获得的地表温度数据的准确度相对降低。因此，采用晴空日的地表温度数据可以保证地表温度信息的空间分辨率，提高地表温度信息的准确度。
此外，针对某一空间尺度而言，可以融合多个空间尺度相同或空间尺度偏小的卫星的晴空日地表温度数据为第一地表温度信息，对空间尺度偏小的卫星的晴空日地表温度数据可以通过提升空间尺度的方式转化为该空间尺度的晴空日地表温度数据；示例性地，提升空间尺度的方式可以包括模糊、求平均等方法。
可选的，终端设备从第一卫星的地表温度数据中提取目标区域在晴空日的地表温度数据作为第一地表温度信息。
S202，根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息。
其中，第一地表温度信息的空间尺度为第一地表温度信息所采用的空间大小的量度，一般与第一地表温度信息对应的遥感数据的空间尺度相同；同样地，与该遥感数据对应的卫星的空间分辨率对应。
对两个不同时空尺度的地表温度信息，甚至多个不同时空尺度的地表温度信息进行时空融合的算法，可以包括：自适应反射率融合模型(STARFM，Spatial and TemporalAdaptive Reflectance Fusion Model)、空间时间自适应算法(STAARCH，SpatialTemporal Adaptive Algorithm for Mapping Reflectance Change)和增强型空间和时间自适应反射率融合模型(ESTARFM，Enhanced Spatial and Temporal AdaptiveReflectance Fusion Model)等。
可以理解的是，一般地，第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度，则第一地表温度信息的空间分辨率相比于第二地表温度信息的空间分辨率更高；相应地，第二地表温度信息的时间分辨率相比于第一地表温度信息的时间分辨率更高。如此，当采用时空融合算法，根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，或称之为根据第一地表温度信息的空间尺度和第一地表温度信息，对第二地表温度信息降尺度；最终计算得到的目标区域的融合地表温度信息的空间尺度为第一地表温度信息的空间尺度，即目标区域的融合地表温度信息的空间分辨率为第一地表温度信息的空间分辨率。
S203，根据植被指数信息以及融合地表温度信息，计算目标区域的温度植被干旱指数信息。
可以理解的是，融合地表温度信息的空间尺度为第一地表温度信息的空间尺度，因此在本实施例中，当植被指数信息的空间尺度小于第一地表温度信息的空间尺度时，需要根据第一地表温度信息的空间尺度，对植被指数信息进行升尺度，得到对应第一地表温度信息的空间尺度的植被指数信息，常用的升尺度方法为各类模糊方法；当植被指数信息的空间尺度大于第一地表温度信息的空间尺度时，需要根据第一地表温度信息的空间尺度，对植被指数信息进行降尺度，可以直接获取原空间尺度的植被指数信息得到对应第一地表温度信息的空间尺度的植被指数信息。同样地，当针对目标区域的某一目标时间时，若植被指数信息缺失对应该目标时间的信息，则可以采用临近该目标时间的植被指数信息。
可选的，在S201中，终端设备可以获取与该第一地表温度信息对应的植被指数信息。如此，植被指数信息的空间尺度与第一地表温度信息的空间尺度相同，同样地，植被指数信息与融合后的融合地表温度信息的空间尺度相同，无需进行降尺度或升尺度。
此外，在S201中，获取目标区域的植被指数信息可以包括：获取与第一地表温度信息对应的第一植被指数信息，以及与第二地表温度信息对应的第二植被指数信息；则S203可以包括：根据第一地表温度信息的空间尺度，对第一植被指数信息和第二植被指数信息进行时空融合，计算目标区域的融合植被指数信息；根据融合植被指数信息以及融合地表温度信息，计算目标区域的温度植被干旱指数信息。因此，融合植被指数信息和融合地表温度信息具备相同的空间尺度和时间尺度，具有高空间分辨率和高时间分辨率，且因为同样采用了晴空日的第一地表温度信息的空间尺度对应的植被指数信息，保证了融合植被指数信息的空间分辨率的同时，准确性更高。因此，根据融合植被指数信息和融合地表温度信息计算得到的温度植被干旱指数信息以及后续的土壤水分信息，同样具有高空间分辨率和高时间分辨率，且准确性高。可以理解的是，计算融合植被指数信息参照计算融合地表温度信息的过程。
温度植被干旱指数可以是TVDI(Temperature Vegetation Dryness Index，温度植被干旱指数)，或者是TVDI的改进模型，例如TVQI(Temperature VegetationQuantitative Index，定量温度植被指数)；在本实施例中均以TVDI来说明。示例性地，根据归一化差值植被指数(NDVI)以及与归一化差值植被指数对应的融合地表温度信息，可以构建融合地表温度-归一化差值植被指数特征空间；然后根据该特征空间求解TVDI，该方法又称为三角或梯形方法。当然，需要指出的是，上述温度植被干旱指数信息可以依据融合地表温度信息的空间尺度，即是在第一地表温度信息的空间尺度下进行计算的。
S204，根据温度植被干旱指数信息，计算目标区域的土壤水分信息。
示例性地，在融合地表温度-归一化差值植被指数特征空间中，存在一系列土壤水分等值线，即当坐标为(归一化差值植被指数，融合地表温度)的点越接近于干边时，土壤越干燥；越接近湿边时，土壤越湿润，因此TVDI与土壤水分值的关系式可以表达为下式(1)：
其中，SSM是土壤水分值，SSMmax是土壤水分最大值，表示为田间持水量和饱和土壤水分的特征参数，SSMmin是土壤水分最小值，表示为永久凋萎点或凋萎含水率，SSMmax和SSMmin均为预设值，可以分别通过目标区域的土壤水分的统计值获得。当然，需要指出的是，上述土壤水分值可以依据融合地表温度信息的空间尺度，即是在第一地表温度信息的空间尺度下进行计算的。
当然，针对不同的植被指数，以及不同的温度植被干旱指数，存在不同的温度植被干旱指数与土壤水分信息的关系式或者上述关系式(1)的变形式，这些关系式均可用于求解土壤水分信息。此外，将目标区域的土壤水分信息和预设土壤水分信息比较，可以进行干旱警报，该预设土壤水分信息为干旱警戒线对应的土壤水分信息。
上述土壤水分信息获取方法，通过获取目标区域的植被指数信息、第一地表温度信息和第二地表温度信息，第一地表温度信息为各晴空日的地表温度数据；然后根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息；最后根据植被指数信息以及融合地表温度信息，计算温度植被干旱指数信息，进而计算目标区域的土壤水分信息；因为第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度，因此第一地表温度信息具有较高的空间分辨率，第二地表温度信息具有较高的时间分辨率，融合地表温度信息同时具有第一地表温度信息的空间分辨率和第二地表温度信息的时间分辨率，即具有高时间分辨率的同时具有高空间分辨率；更重要的，因为采用的第一地表温度信息对应各晴空日，避免了因为云污染等导致的无效数据，避免了因为空间插补等重建方法引入的额外误差，因此保证了融合地表温度信息的空间分辨率，提高了融合地表温度信息的准确性，进而提高了土壤水分信息的准确性。
在一个实施例中，参照图3所示，提供了另一种土壤水分信息获取方法，本实施例涉及的是终端设备通过确定目标时间对应的第一参考晴空日和第二参考晴空日，采用时空融合算法，根据多源地表温度信息获得目标区域在目标时间对应的高空间分辨率高时间分辨率的融合地表温度信息，然后根据植被指数信息以及融合地表温度信息，计算更准确的温度植被干旱指数信息，进而得到更准确的土壤水分信息的过程。该方法具体可以包括以下步骤：
S301，获取目标区域的植被指数信息以及多源地表温度信息。
其中，多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；第一地表温度信息为各晴空日的地表温度数据；第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度。
在其中一个实施例中，第一地表温度信息或第二地表温度信息可以直接获取对应卫星的数据产品得到。例如，第二地表温度信息可以是MODIS陆表产品MOD11A1(地表温度)的数据，其空间尺度为1000m。同时，针对MODIS陆表产品，还可以获得MOD09Q1的数据(地表反射率)、MOD13A2的数据(NDVI植被指数)。
在其中另一个实施例中，第一地表温度信息或第二地表温度信息可以通过对应卫星的遥感数据计算得到；遥感数据包括多个波段的地表反射率数据。示例性地，根据遥感数据计算得到地表温度数据的具体处理过程，可以大气校正法，具体如下：
1、对遥感数据进行预处理，包括辐射定标、大气校正等，分别降低卫星测量误差、大气影响带来的误差等等；
2、根据预处理后的遥感数据，计算归一化差值植被指数(NDVI，NormalizedDifference Vegetation Index)，其计算公式如下式(2)所示：
NDVI＝(NIR-R)/(NIR+R) (2)
其中，NIR代表近红外波段处的地表反射率值，R代表红波段处的地表反射率值；
3、根据NDVI，计算植被覆盖度Pv，其计算公式如下式(3)所示：
Pv＝[(NDVI-NDVISoil)/(NDVIVeg-NDVISoil)] (3)
其中，NDVISoil为完全裸土或无植被覆盖区域的NDVI值，NDVIVeg为完全被植被所覆盖的像元的NDVI值，一般取经验值NDVIVeg＝0.70和NDVISoil＝0.05；另外，当某个像元的NDVI大于0.70时，Pv可以取值为1；当NDVI小于0.05，Pv可以取值为0；
4、根据植被覆盖度Pv，计算地表温度数据为Ts时黑体在热红外波段的辐射亮度值B(Ts)，其计算公式如下式(4)所示：
B(Ts)＝[Lλ-L↑-τ(1-ε)L↓]/(τε) (4)
其中，L↑为大气向上辐射亮度，L↓为大气向下辐射亮度值，τ大气在热红外波段的透过率，L↑、L↓、τ为大气剖面参数，可以查询公开数据获得，例如数据来源可以为http://atmcorr.gsfc.nasa.gov；Lλ为卫星传感器接收到的热红外辐射亮度值，通过卫星传感器的遥感数据得到，ε为地表比辐射率，由ε＝0.004Pv+0.986计算得到；
5、根据B(Ts)，计算地表温度数据Ts，其计算公式如下式(5)所示：
Ts＝K2/ln(K1/B(Ts)+1) (5)
其中，K1和K2均为常量，对于Landsat的TM卫星传感器的遥感数据，K1＝607.76W/(m2·μm·sr)，K2＝1260.56K；对于Landsat的ETM+卫星传感器的遥感数据，K1＝666.09W/(m2·μm·sr)，K2＝1282.71K；对于Landsat的TIRS Band10卫星传感器的遥感数据，K1＝774.89W/(m2·μm·sr)，K2＝1321.08K，sr为球面度。
需要说明的是，上述计算过程是针对一像元而言的，像元的尺寸与上述遥感数据的空间尺度对应，而目标区域的地表温度数据包括该目标区域的各个像元的地表温度数据。
在其中另一个实施例中，可以建立第一尺度的地表温度信息和第一尺度的植被指数之间的对应关系；根据对应关系和第二尺度的遥感数据，计算得到第二尺度的地表温度信息。
示例性地，第一地表温度信息可以通过Landsat Level 1数据产品(辐射校正后的遥感数据)计算得到，其空间尺度为30m，则可以获取对应于目标区域的各个像元的LandsatLevel 1数据产品，像元的区域为30m×30m。然而，Landsat Level 1数据产品的地表温度数据(LST，Land Surface Temperature)的空间尺度为60m×60m。在实际应用中，LandsatLevel 1数据产品中蓝、绿、红、近红外和短波红外的地表反射率值的空间尺度为30m×30m，同时因为地表温度-植被指数之间的关系在各个尺度上基本一致，因此60m×60m空间尺度的LST和NDVI之间的关系与30m×30m空间尺度的LST和NDVI之间的关系基本一致，因此可以对获得的60m×60m空间尺度的LST进行降尺度处理，得到30m×30m空间尺度的LST，具体处理过程可以如下所示：
1、按照上式(2)计算30m×30m空间尺度的NDVI，以及按照式(6)计算30m×30m空间尺度的α；
α＝0.356r1+0.13r2+0.373r3+0.085r4+0.072r5-0.0018 (6)
其中，r1-r5分别是蓝、红、近红外和短波红外(1.55-1.75和2.09-2.35μm)的地表反射率；
2、LST和NDVI之间的关系如公式(7)所示，根据60m×60m空间尺度的LST、NDVI以及α拟合回归求得拟合参数a1～a15；
其中，α为地表反照率(Albedo)，地表反照率是指地面反射辐射量与入射辐射量之比，表征地面对太阳辐射的吸收和反射能力，由各波段的地表反射率拟合而成；60m×60m的NDVI以及α可以分别由30m×30m空间尺度的NDVI以及α数据通过模糊算法得到；
3、根据30m×30m空间尺度的NDVI、α和上述拟合参数a1～a15，根据公式(7)计算求得30m×30m空间尺度的LST。
需要说明的是，上述示例虽然采用了Landsat Level 1数据产品来进行说明，但本申请实施例还可以用于其它卫星传感器的数据产品。此外，一般还需要在时空融合前对第一地表温度信息或第二地表温度信息进行坐标变换，采用统一的坐标系，便于后续时空融合。例如，Landsat原始数据为WGS1984(World Geodetic System 1984，1984年世界大地坐标系统)UTM(Universal Transverse Mercator，通用横轴墨卡托投影坐标系)，而MODIS原始数据为正弦投影坐标系，需将二者坐标系统进行统一，因此可以选择将MODIS数据转换为与Landsat坐标系统一致的WGS1984UTM。
S302，从各晴空日中确定目标时间对应的第一参考晴空日和第二参考晴空日。
其中，第一参考晴空日为位于目标时间之前且与目标时间距离最近的日期，第二参考晴空日为位于目标时间之后且与目标时间距离最近的日期。目标时间可以是时刻、时期，可以与第二地表温度信息的时间尺度对应。例如，若第二地表温度信息的时间尺度为一周，则目标时间可以为某周；若第二地表温度信息的时间尺度为一天，则目标时间可以为某天。示例性地，若目标区域为A市的区域，在上述第一卫星对A市访问的示例基础上，当目标时间为3月5日时，第一参考晴空日为3月1日，第二参考晴空日为3月21日；当目标时间为3月22日时，第一参考晴空日为3月21日，第二参考晴空日为3月31日。
S303，根据第一地表温度信息的空间尺度、第一地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在目标时间对应的融合地表温度信息。
在一个实施例中，S303具体可以包括图4所示的步骤：
S401，根据第一地表温度信息的空间尺度、第一地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在第一参考晴空日的参考地表温度信息，以及目标区域在第二参考晴空日的参考地表温度信息。
在本实施例中，终端设备可以根据第一地表温度信息的空间尺度、第一地表温度信息中第一参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在第一参考晴空日的参考地表温度信息；以及根据第一地表温度信息的空间尺度、第一地表温度信息中第二参考晴空日对应的地表温度数据、第二地表温度信息中第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在第二参考晴空日的参考地表温度信息。可以理解的是，目标区域在目标时间的融合地表温度信息可以由目标区域在第一参考晴空日的参考地表温度信息和目标区域在第二参考晴空日的参考地表温度信息插值获得。
在其中的一个实施例中，S401可以通过如下方式实现：
步骤(A)，根据第一地表温度信息的空间尺度，将目标区域划分为至少一个目标像元。具体地，当第一地表温度信息的空间尺度为30m×30m时，可以将目标区域划分为至少一个30m×30m的子区域，各个子区域分别为目标像元。
步骤(B)，根据第一地表温度信息中第一参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据，确定目标像元在第一参考晴空日的参考地表温度信息。
步骤(C)，根据第一地表温度信息中第二参考晴空日对应的地表温度数据、第二地表温度信息中第二参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据，确定目标像元在第二参考晴空日的参考地表温度信息。
示例性地，步骤(B)中确定目标像元在第一参考晴空日的参考地表温度信息，或者，步骤(C)中确定目标像元在第二参考晴空日的参考地表温度信息，具体可以采用包含关系式(8)
或者该关系式(8)的变形关系式(8.1)
计算得到目标像元在第一参考晴空日的参考地表温度信息，或者，目标像元在第二参考晴空日的参考地表温度信息；或者，可以直接采用这个公式获得，其中，Fk(xw/2,yw/2,tp)就是目标像元在第一参考晴空日或者第二参考晴空日的参考地表温度信息。
上述公式中，tp为目标时间，k＝m或者n，tm为第一参考晴空日，tn为第二参考晴空日，(xw/2,yw/2)为目标像元的坐标，w为以目标像元为中心的搜索窗口的大小，N为搜索窗口中目标像元的相似像元的数目，Wi为搜索窗口中第i个相似像元的像元权重，Vi为搜索窗口中第i个相似像元的转换系数；L(xw/2,yw/2,tk)为目标像元在第一地表温度信息中第一参考晴空日或者第二参考晴空日对应的地表温度数据，M(xi,yi,tp)为搜索窗口中第i个相似像元在第二地表温度信息中目标时间对应的的地表温度数据，M(xi,yi,tk)为搜索窗口中第i个相似像元在第二地表温度信息中第一参考晴空日或者第二参考晴空日对应的地表温度数据。
需要说明的是，在关系式(8.1)中，c1为L(xw/2,yw/2,tk)的权重系数，体现参考晴空日tk对应的第一地表温度信息，对参考晴空日tk对应的参考地表温度信息的影响因素大小，c2为的权重系数，即体现参考晴空日tk和目标时间分别对应的第二地表温度信息的变化，对参考晴空日tk对应的参考地表温度信息的影响因素大小。权重系数c1和c2可以通过回归分析或机器学习等算法得到，评价因子可以为融合地表温度信息和实测的地表温度信息之间的误差参数。
步骤(D)，根据目标像元在第一参考晴空日的参考地表温度信息，确定目标区域在第一参考晴空日的参考地表温度信息；以及根据目标像元在第二参考晴空日的参考地表温度信息，确定目标区域在第二参考晴空日的参考地表温度信息。可以理解的是，目标区域在第一参考晴空日的参考地表温度信息，可以包括：各目标像元在第一参考晴空日的参考地表温度信息；目标区域在第二参考晴空日的参考地表温度信息，可以包括：各目标像元在第二参考晴空日的参考地表温度信息。
S402，根据第一地表温度信息的空间尺度、第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在第一参考晴空日的第一时间权重，以及目标区域在第二参考晴空日的第二时间权重。
在本实施例中，终端设备可以根据第一地表温度信息的空间尺度，将目标区域划分为至少一个目标像元；根据第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标像元在第一参考晴空日的第一时间权重，以及目标像元在第二参考晴空日的第二时间权重。
在另一个实施例中，S402可以通过如下方式实现：
步骤(a)，根据第二地表温度信息中第一参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据、第二地表温度信息中第二参考晴空日对应的地表温度数据，确定目标像元在第一参考晴空日的第一时间权重。
步骤(b)，根据第二地表温度信息中第二参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据，确定目标像元在第二参考晴空日的第二时间权重。
示例性地，步骤(a)中确定目标像元在第一参考晴空日的第一时间权重，或者，步骤(b)中确定目标像元在第二参考晴空日的第二时间权重，具体可以采用包含
的关系式(9)或者该关系式(9)的变形关系式，计算得到目标像元在第一参考晴空日的第一时间权重，或者，确定目标像元在第二参考晴空日的第二时间权重；或者，可以直接采用这个公式获得，其中，Tk就是目标像元在第一参考晴空日的第一时间权重，或者第二参考晴空日的第二时间权重。
上述公式中，tp为目标时间，k＝m或者n，tm为第一参考晴空日，tn为第二参考晴空日，w为以目标像元为中心的搜索窗口的大小；M(xj,yi,tp)为搜索窗口中坐标为(xj,yi)的像元在第二地表温度信息中目标时间对应的地表温度数据，M(xj,yi,tk)为搜索窗口中坐标为(xj,yi)的像元在第二地表温度信息中第一参考晴空日或者第二参考晴空日对应的地表温度数据。
S403，将目标区域在第一参考晴空日的参考地表温度信息与第一时间权重的乘积、目标区域在第二参考晴空日的参考地表温度信息与第二时间权重的乘积进行求和操作，得到目标区域在目标时间对应的融合地表温度信息。
具体地，上述步骤403可以通过如下方式实现：
步骤I，将目标像元在第一参考晴空日的参考地表温度信息与目标像元在第一参考晴空日的第一时间权重的乘积、目标像元在第二参考晴空日的参考地表温度信息与目标像元在第二参考晴空日的第二时间权重的乘积进行求和操作，得到目标像元在目标时间对应的融合地表温度信息。
示例性地，步骤I可以关系式(10)或者该关系式(10)的变形关系式，进行计算：
F(xw/2,yw/2,tp)＝Tm×Fm(xw/2,yw/2,tp)+Tn×Fn(xw/2,yw/2,tp) (10)
其中，F(xw/2,yw/2,tp)为目标像元在目标时间tp对应的融合地表温度信息，Fm(xw/2,yw/2,tp)为目标像元在目标时间tp对应的第一参考晴空日的参考地表温度信息，Tm为目标像元在第一参考晴空日的第一时间权重，Fn(xw/2,yw/2,tp)为目标像元在目标时间tp对应的第二参考晴空日的参考地表温度信息，Tn为目标像元在第二参考晴空日的第二时间权重。
步骤II，根据目标像元在目标时间对应的融合地表温度信息，确定目标区域在目标时间对应的融合地表温度信息。可以理解的是，目标区域在目标时间对应的融合地表温度信息可以包括：构成该目标区域的各个目标像元的融合地表温度信息。
在本实施例中，相似像元可以是搜索窗口中除目标像元外的所有像元，还可以是搜索窗口中与目标像元的反照率相似的相似像元。因为不同的反照率代表不同区域的反射特性，同时表征不同地区的植被特性、温度特性。为了得到更准确的融合地表温度信息，示例性地，获取搜索窗口中所有像元的反照率，分别将搜索窗口除目标像元以外的所有像元的反照率和目标像元的反照率进行比较；若该像元的反照率和目标像元的反照率的差值的绝对值小于预设阈值，则确定该像元为目标像元的相似像元。该预设阈值可以根据经验设定，或者为目标像元的反照率的百分比，例如5％、10％等。反照率是通过不同波段的反射率数据通过加权求和或积分得到的，可以参照上式(6)进行计算。
更进一步地，在本实施例中，地表温度信息获取方法还可以包括：获取第一地表温度信息对应的第一反射率数据，以及第二地表温度信息对应的第二反射率数据；第一反射率数据和第二反射率数据分别包括至少一个波段的反射率数据；针对各个波段，根据第一反射率数据的空间尺度，对第一反射率数据和第二反射率数据进行时空融合，计算融合反射率数据。具体地，可以根据上式(8)～(10)计算得到目标区域的各像元的融合反射率数据。一般地，第一反射率数据的空间尺度等同于第一地表温度信息的空间尺度。可以理解的是，上述融合反射率数据具有更高的时间分辨率和空间分辨率；此外，根据各个波段的融合反射率数据，可以计算各像元的反照率数据；因此在本实施例中，一方面根据更精确的反照率数据可以在以目标像元为中心的搜索窗口中搜索到更准确的目标像元的相似像元，另一方面，根据更精确的反射率数据可以计算出更精确的像元光谱权重，总之，能够进一步提高融合地表温度信息的准确性。
需要说明的是，搜索窗口中第i个相似像元的像元权重Wi，与该相似像元和目标像元的距离关系有关，还可以与该相似像元的光谱权重有关。示例性地，Wi可以根据下式(11)计算：
其中，相似像元的光谱权重Ri的物理意义是较高空间分辨率的相似像元和与该相似像元对应的较低空间分辨率的像元的光谱相关系数；具体地，可以是Landsat和MODIS数据像元之间的光谱相关系数。
在一个实施例中，在根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息之前，方法还包括：当第二地表温度信息中存在无效数据时，对第二地表温度信息进行空间重建。可选地，根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息，具体可以包括：根据第一地表温度信息的空间尺度，对第一地表温度信息和空间重建后的第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息。
对需要空间重建的第二地表温度信息，选择邻近时间观测并具有互补信息的地表温度数据作为参考数据，可以基于加权线性回归算法重建，也可以基于其它空间插值算法进行重建，例如克里金空间重建方法、多时相地表温度分类及回归重建方法、时空临近像元重建方法和考虑能量平衡修正的多时相地表温度空间重建方法等。例如，针对目标区域，若第二地表温度信息的时间尺度为一天，且9月1日的第二地表温度信息因为云污染等情况导致数据完全缺失或数据部分缺失，则可以选择8月31日的第二地表温度信息或9月2日的第二地表温度信息作为参考数据，对9月1日的缺失数据进行重建。根据上述参考数据对缺失数据采用加权线性回归算法进行空间重建的方法，具体可以如下式(12)～(13)所示：
其中，Ts和Ts′分别表示缺失数据和参考数据的地表温度数据，a和b为回归系数，a为缺失数据和参考数据间的增益量，b为偏移量。为了求解回归系数a和b，以当前像元为中心开窗，在窗口内通过加权最小二乘估计可以得到：表示缺失数据中该窗口内各像元的均值，表示参考数据中该窗口内各像元的均值。此外，下标“0”表示当前像元，即窗口内的中心像元；下标“i”表示窗口内第i个相似像元，则Wi为第i个相似像元的权重值，Di表示第i个相似像元与当前像元之间的地物属性(地表温度数据和植被指数)变化及它们与当前像元的空间距离关系，(x0,y0)为当前像元的坐标，(xi,yi)为第i个相似像元的坐标，Ts,0'为参考数据中当前像元的地表温度数据，Ts,0为缺失数据中当前像元的地表温度数据，Ts,i为缺失数据中第i个相似像元的地表温度数据，Ts,i'为参考数据中第i个相似像元的地表温度数据，Vi为第i个相似像元的植被指数，V0为当前像元的植被指数，Tthd和Vthd为分别对应地表温度数据和植被指数的相似性阈值，可以由局部标准差计算得到，ξ表示一个趋于0的值(如0.001)以确保D值不等于0，植被指数V可以参照前文提到的植被指数的描述计算，这里不再赘述。需要说明的是，窗口大小可以自定，示例性地，窗口可以为以当前像元为中心的M×M大小的窗口，则此时窗口中除当前像元以外的像元数目为M2-1个。上述计算过程是针对当前像元而言的，当前像元为目标区域中缺失第二地表温度信息的像元，其的尺寸与上述第二地表温度信息的空间尺度对应。
例如，针对1km空间尺度的MODIS的某日缺失数据，可以通过临近日期的具有互补信息的1km空间尺度的MODIS数据作为参考数据、晴空MOD13A2的NDVI数据作为植被指数数据，通过加权回归算法重建当日缺失数据，进而得到每日1km×1km的地表温度数据。然后根据30m×30m的Landsat LST和1km×1km的MODIS LST，通过ESTARFM时空融合算法，得到每日30m×30m的地表温度数据。进一步地，在应用ESTARFM时空融合算法时，可以通过MOD09Q1的地表反射率数据确定目标像元的相似像元。
在本实施例中，当第二地表温度信息中存在无效数据时，对第二地表温度信息进行空间重建，保证了第二地表温度信息的全面性，避免因为存在无效数据导致时空融合后的融合地表温度信息的准确性降低。
可选地，第二地表温度信息为每日的地表温度数据。也就是说，第二地表温度信息的时间尺度是一天，那么时空融合后的融合地表温度信息的时间尺度也是一天，保证了融合地表温度信息的时间分辨率。
可选地，第一地表温度信息的空间尺度为30m-100m；融合后的地表温度信息空间尺度等于第一地表温度信息的空间尺度，在该空间尺度可以对不同地表作物对应的农田进行分辨，适于研究不同地表作物的农田的地表温度信息。
S304，根据植被指数信息以及融合地表温度信息，计算目标区域的温度植被干旱指数信息。
可以理解的是，目标区域的温度植被干旱指数信息包括各目标像元的温度植被干旱指数；目标区域包括各目标像元，各目标像元的空间尺度为第一地表温度信息的空间尺度，例如第一地表温度信息的空间尺度为30m×30m，则目标像元的空间尺度为30m×30m。某目标像元的温度植被干旱指数可由下式(14)计算：
其中TVDI为目标像元的温度植被干旱指数，在0和1之间的范围内，Ts是目标像元的融合地表温度信息，Tsmax和Tsmin分别是目标像元的干边地表温度和湿边地表温度。
可选地，参照图5所示，S304可以包括：
S501，根据植被指数信息中的各个植被指数值，确定各植被指数序列。
其中，植被指数序列中的各个植被指数值满足预设条件。示例性地，对于目标区域而言，其植被指数序列各个NDVI满足预设条件指的是各NDVI相等或接近，例如将处于(NDVI-a，NDVI+a)内的NDVI组成一个植被指数序列，a为一个相对NDVI的小量，比如0.01。
S502，获取各植被指数序列对应的融合地表温度信息的最大值和最小值。
示例性地，可以根据目标区域的某目标像元的归一化差值植被指数NDVI，通过比较该植被指数序列的各NDVI值对应的融合地表温度信息的LST值，获取该NDVI所在的植被指数序列对应的最大的LST值，以及获取该NDVI所在的植被指数序列对应的最小的LST值。具体地，还可以以目标区域的各个目标像元的归一化差值植被指数NDVI为横坐标，以各个目标像元对应的融合地表温度信息LST为纵坐标，得到NDVI-LST的散点图，进而获取各植被指数序列对应的融合地表温度信息的最大值和最小值。在该散点图中，各植被指数序列分别对应的最大LST值的散点构成干边，各植被指数序列分别对应的最小LST值的点构成湿边。
S503，根据各植被指数序列对应的融合地表温度信息的最大值和最小值，以及融合地表温度信息，计算目标区域的温度植被干旱指数信息。
针对各目标像元，以获该目标像元的NDVI所在的植被指数序列对应的最大的LST值作为该目标像元的干边地表温度Tsmax，以及获取该NDVI所在的植被指数序列对应的最小的LST值作为该目标像元的湿边地表温度Tsmin，根据上式(14)计算目标像元的温度植被干旱指数信息，进而得到目标区域的温度植被干旱指数信息。此外，还可以根据上述构成干边的各散点求解干边方程Tsmax＝A1×NDVI+B1，以及根据构成湿边的各散点求解湿边方程Tsmin＝A2×NDVI+B2；进而可以根据目标区域的各目标像元的归一化差值植被指数NDVI求解出对应各个目标像元的干边地表温度Tsmax和湿边地表温度Tsmin，进而进行计算。
可选地，参照图6所示，S304可以包括：
S601，根据植被指数信息，确定目标区域的裸土区域和全植被区域。
具体地，根据第一地表温度信息的空间尺度，将目标区域划分为至少一个目标像元；当目标像元的植被指数小于或等于裸土植被指数时，确定目标像元为裸土区域；当目标像元的植被指数大于或等于全植被植被指数时，确定目标像元为全植被区域。具体地，例如裸土植被指数为0.1，全植被植被指数为0.8，那么当目标像元的植被指数小于或等于0.1时，则确定该目标像元为裸土区域；当目标像元的植被指数大于或等于0.8时，则确定该目标像元为全植被区域；当目标像元的植被指数小于0.8且大于0.1时，则该目标像元既不是裸土区域也不是全植被区域，可以不进行处理。当然，在本实施例中，还可以针对各目标像元的植被指数按照由大到小的顺序进行排序，选取预设数目的排在前面的目标像元为全植被区域，选取预设数目的排在后面的目标像元为裸土区域。
S602，根据植被指数信息、裸土区域的融合地表温度信息、全植被区域的融合地表温度信息，以及能量平衡方程，计算目标区域的干边方程和湿边方程。
示例性地，可以分别计算裸土区域和全植被区域中各目标像元的反照率；确定裸土区域中反照率最大的目标像元为裸土特征像元，以及确定全植被区域中反照率最大的目标像元为全植被特征像元；根据能量平衡方程，裸土特征像元的反照率和融合地表温度信息，计算裸土特征像元的裸土特征干边温度Tsd；以及根据能量平衡方程，全植被特征像元的反照率和融合地表温度信息，计算全植被特征像元的全植被特征干边温度Tvd；根据裸土特征像元的裸土特征干边温度Tsd、植被指数NDVIsd，以及全植被特征像元的全植被特征干边温度Tvd、植被指数NDVIvd，求解干边方程Tsmax＝A1×NDVI+B1，该干边方程经过点(NDVIsd,Tvd)和(NDVIsd,Tvd)；进而可以根据目标区域的各像元的归一化差值植被指数NDVI求解出对应各个像元的干边地表温度Tsmax。可选地，湿边的地表温度Tsmin可以为水体表层温度Tw，可以通过目标区域的水体表层温度的统计值获得。
具体地，根据能量平衡方程，裸土特征像元的反照率和融合地表温度信息，计算裸土特征像元的裸土特征干边温度Tsd；以及根据能量平衡方程，全植被特征像元的反照率和融合地表温度信息，计算全植被特征像元的全植被特征干边温度Tvd；具体地，可以由下式(15)～(17)计算：
其中，式(15)为能量平衡方程，Rn,G,H,LE分别为净辐射、土壤热通量、显热通量和潜热通量，干边条件下LE＝0，潜热通量为零，S0是太阳辐射通量，σ是太阳波兹曼常数，Tsky是平均天空温度，Ta为晴空气温，εa是晴空条件下的大气比辐射率，ρ是空气密度，Cp是大气热容量，Γs和Γv分别代表裸土状态和植被覆盖状态下，土壤热通量G与太阳辐射Rn的比值，分别可以取值0.315和0.05；Fv是植被覆盖度，裸土状态取值为0，植被覆盖状态取值为1；下标sd和vd分别代表裸露土壤和全植被覆盖的理论干边，α为裸土特征像元或全植被特征像元的反照率，即αsd或αvd，Ts为裸土特征像元或全植被特征像元的融合地表温度信息，εs为裸土特征像元或全植被特征像元对应的大气比辐射率；Tsda或Tvda是干边左上角和右上角附近的最高气温，可以分别为裸土特征像元和全植被特征像元的气温；εsd和εvd可以分别为裸土特征像元和全植被特征像元对应的大气比辐射率；其中，ra可以由下式获得：
其中，k代表卡尔曼常数，取值0.41；z为参考高度，取值2m；d为零平面位移，取值为0.65h；zom为表面粗糙长度，取值为0.13h，h为作物高度，u为参考高度的风速。rsda、rvda分别代表理论干边条件下的裸土和植被覆盖条时空气动力学阻抗，可以分别为裸土特征像元和全植被特征像元对应的空气动力学阻抗，二者的作物高度h、表面粗糙度zom等参数的取值不同；其中，各大气比辐射率、气温等可以通过目标区域在目标时间的统计数据获得，还可以通过遥感数据获得，或者其它方式。最后，裸土特征干边温度Tsd和全植被特征干边温度Tvd，可以通过迭代获得。
S603，根据干边方程和湿边方程，以及植被指数信息，计算目标区域的温度植被干旱指数。
根据上述干边方程Tsmax＝A1×NDVI+B1和湿边方程Tsmin＝Tw，可以根据目标区域的各目标像元的归一化差值植被指数NDVI求解出对应各个目标像元的干边地表温度Tsmax和湿边地表温度Tsmin，进而根据上式(14)计算TVDI。
S305，根据温度植被干旱指数信息，计算目标区域的土壤水分信息。参照上述S204的描述，这里不再赘述。
示例性地，参照图7所示，示出了上述土壤水分信息获取方法的示意图。需要说明的是，可以由MODIS的250m×250m空间尺度的红/近红地表反射率数据降尺度为30m×30m的红/近红地表反射率数据，计算得到30m×30m植被指数信息；还可以将MODIS的250m×250m空间尺度的红/近红地表反射率数据和Landsat的30m×30m空间尺度的红/近红地表反射率数据融合为30m×30m空间尺度的红/近红融合地表反射率数据，其时间尺度和MODIS数据的时间尺度一致，由该30m×30m空间尺度的红/近红融合地表反射率数据计算得到高空间分辨率高时间分辨率的融合植被指数信息，和高空间分辨率高时间分辨率的融合地表温度信息一起，以获得高空间分辨率高时间分辨率且更准确的土壤水分信息。
上述土壤水分信息获取方法中，通过获取目标区域的第一地表温度信息和第二地表温度信息，第一地表温度信息为各晴空日的地表温度数据；然后从各晴空日中确定距离目标时间前后两端最近的第一参考晴空日和第二参考晴空日；根据第一地表温度信息的空间尺度、第一地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在目标时间对应的融合地表温度信息；最后根据植被指数信息以及融合地表温度信息，计算温度植被干旱指数信息，进而计算目标区域的土壤水分信息；因为第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度，因此第一地表温度信息具有较高的空间分辨率，第二地表温度信息具有较高的时间分辨率，融合地表温度信息同时具有第一地表温度信息的空间分辨率和第二地表温度信息的时间分辨率，即具有高时间分辨率的同时具有高空间分辨率；更重要的，因为采用的第一地表温度信息对应各晴空日，避免了因为云污染等导致的无效数据，避免了因为空间插补等重建方法引入的额外误差，因此保证了融合地表温度信息的空间分辨率，提高了融合地表温度信息的准确性；此外在本实施例中，采用了距离目标时间前后两端最近的第一参考晴空日和第二参考晴空日的地表温度数据，相比于采用单端的参考晴空日的地表温度数据而言，提高了计算目标时间对应的融合地表温度信息的准确性，进而提高了土壤水分信息的准确性。
参照图8-12所示，本实施例应用土壤水分信息获取方法在河套灌区利用实测资料进行了检验。河套灌区种植结构破碎，地表类型复杂，在该地区测试本实施例的技术方案更具有示范效应和推广价值。参照图8所示，每一列为同一天的初始的MODIS LST、LandsatLST以及与融合后的融合LST(即图中的降尺度LST)，可见融合后的融合LST相比MODIS LST地表温度空间纹理信息更加精细，即空间分辨率更高。参照图9所示，实测地表温度为2015年不同作物植被的多点观测数据，通过与自动监测仪相结合的方式获得；与观测值对比，均方根误差RMSE(Root Mean Square Error)变化范围为0.73K-2.75K，平均绝对误差MAE(Mean Absolute Error)变化范围为0.5K-2.56K，决定系数R2(coefficient ofdetermination，为相关系数的平方)的变化范围为0.55-0.92；综合而言，根据本实施例中描述的土壤水分信息获取方法得到的LST准确性高。参照图10所示，为不同时期得到的NDVI(归一化差值植被指数)-LST(融合地表温度信息)的散点图。参照图11所示，每一列为同一天的根据MODIS数据得到的SSM、根据Landsat数据得到的SSM以及根据本实施例中描述的土壤水分信息获取方法得到的SSM(即图中的降尺度SSM)，可见根据本实施例中描述的土壤水分信息获取方法得到的SSM至少相比MODIS数据得到的SSM，空间分辨率更高。参照图12所示，至少与MODIS数据得到的MODIS LST和MODIS SSM相比，根据本实施例中描述的土壤水分信息获取方法得到的LST和SSM准确性更高；具体地，与MODIS SSM相比，本实施例中描述的土壤水分信息获取方法得到的SSM精度得到改善，均方根误差从0.049cm3/cm3减小到0.038cm3/cm3，平均绝对误差从0.043cm3/cm3减小到0.032cm3/cm3，相对误差RE达到了16.77％。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图13所示，提供了一种土壤水分信息获取装置20，包括：信息获取模块210、信息融合模块220、干旱指数计算模块230和土壤水分计算模块240，其中：
信息获取模块210，用于获取目标区域的植被指数信息以及多源地表温度信息；多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；第一地表温度信息为各晴空日的地表温度数据；第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度；
信息融合模块220，用于根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息；
干旱指数计算模块230，用于根据植被指数信息以及融合地表温度信息，计算目标区域的温度植被干旱指数信息；
土壤水分计算模块240，用于根据温度植被干旱指数信息，计算目标区域的土壤水分信息。
在其中一个实施例中，参照图14所示，在上述图13所示的土壤水分信息获取装置20的基础上，干旱指数计算模块230可以包括植被指数信息处理单元2301、融合地表温度信息处理单元2302和第一植被干旱指数计算单元2303，其中：
植被指数信息处理单元2301，用于根据植被指数信息中的各个植被指数值，确定各植被指数序列；其中，植被指数序列中的各个植被指数值满足预设条件；
融合地表温度信息处理单元2302，用于获取各植被指数序列对应的融合地表温度信息的最大值和最小值；
第一植被干旱指数计算单元2303，用于根据各植被指数序列对应的融合地表温度信息的最大值和最小值，以及融合地表温度信息，计算目标区域的温度植被干旱指数信息。
在其中一个实施例中，参照图15所示，在上述图13所示的土壤水分信息获取装置20的基础上，干旱指数计算模块230可以包括区域分类单元2304、方程计算单元2305、第二植被干旱指数计算单元2306，其中：
区域分类单元2304，用于根据植被指数信息，确定目标区域的裸土区域和全植被区域；
方程计算单元2305，用于根据植被指数信息、裸土区域的融合地表温度信息、全植被区域的融合地表温度信息，以及能量平衡方程，计算目标区域的干边方程和湿边方程；
第二植被干旱指数计算单元2306，用于根据干边方程和湿边方程，以及植被指数信息，计算目标区域的温度植被干旱指数。
在其中一个实施例中，如图16所示，在上述图13所示的土壤水分信息获取装置20的基础上，信息融合模块220可以包括参考晴空日确定单元2201和第一信息融合单元2202，其中：
参考晴空日确定单元2201，用于从各晴空日中确定目标时间对应的第一参考晴空日和第二参考晴空日；其中，第一参考晴空日为位于目标时间之前且与目标时间距离最近的日期，第二参考晴空日为位于目标时间之后且与目标时间距离最近的日期；
第一信息融合单元2202，用于根据第一地表温度信息的空间尺度、第一地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在目标时间对应的融合地表温度信息。
可选地，第一信息融合单元2202可以用于根据第一地表温度信息的空间尺度、第一地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在第一参考晴空日的参考地表温度信息，以及目标区域在第二参考晴空日的参考地表温度信息；根据第一地表温度信息的空间尺度、第二地表温度信息中第一参考晴空日对应的地表温度数据以及第二参考晴空日对应的地表温度数据、第二地表温度信息中目标时间对应的地表温度数据，确定目标区域在第一参考晴空日的第一时间权重，以及目标区域在第二参考晴空日的第二时间权重；将目标区域在第一参考晴空日的参考地表温度信息与第一时间权重的乘积、目标区域在第二参考晴空日的参考地表温度信息与第二时间权重的乘积进行求和操作，得到目标区域在目标时间对应的融合地表温度信息。
进一步地，第一信息融合单元2202可以用于根据第一地表温度信息的空间尺度，将目标区域划分为至少一个目标像元；根据第一地表温度信息中第一参考晴空日对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据，确定目标像元在第一参考晴空日的参考地表温度信息；根据第一地表温度信息中第二参考晴空日对应的地表温度数据、第二地表温度信息中第二参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据，确定目标像元在第二参考晴空日的参考地表温度信息；根据目标像元在第一参考晴空日的参考地表温度信息，确定目标区域在第一参考晴空日的参考地表温度信息；以及根据目标像元在第二参考晴空日的参考地表温度信息，确定目标区域在第二参考晴空日的参考地表温度信息。
更进一步地，第一信息融合单元2202可以用于根据第二地表温度信息中第一参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据、第二地表温度信息中第二参考晴空日对应的地表温度数据，确定目标像元在第一参考晴空日的第一时间权重；根据第二地表温度信息中第二参考晴空日对应的地表温度数据以及目标时间对应的地表温度数据、第二地表温度信息中第一参考晴空日对应的地表温度数据，确定目标像元在第二参考晴空日的第二时间权重。
具体地，第一信息融合单元2202可以用于将目标像元在第一参考晴空日的参考地表温度信息与目标像元在第一参考晴空日的第一时间权重的乘积、目标像元在第二参考晴空日的参考地表温度信息与目标像元在第二参考晴空日的第二时间权重的乘积进行求和操作，得到目标像元在目标时间对应的融合地表温度信息；根据目标像元在目标时间对应的融合地表温度信息，确定目标区域在目标时间对应的融合地表温度信息。
具体地，第一信息融合单元2202可以用于采用包含
的关系式，计算得到目标像元在第一参考晴空日的参考地表温度信息，或者，目标像元在第二参考晴空日的参考地表温度信息；其中，tp为目标时间，k＝m或者n，tm为第一参考晴空日，tn为第二参考晴空日，(xw/2,yw/2)为目标像元的坐标，w为以目标像元为中心的搜索窗口的大小，N为搜索窗口中目标像元的相似像元的数目，Wi为搜索窗口中第i个相似像元的像元权重，Vi为搜索窗口中第i个相似像元的转换系数；L(xw/2,yw/2,tk)为目标像元在第一地表温度信息中第一参考晴空日或者第二参考晴空日对应的地表温度数据，M(xi,yi,tp)为搜索窗口中第i个相似像元在第二地表温度信息中目标时间对应的的地表温度数据，M(xi,yi,tk)为搜索窗口中第i个相似像元在第二地表温度信息中第一参考晴空日或者第二参考晴空日对应的地表温度数据。
具体地，第一信息融合单元2202可以用于采用包含
的关系式，计算得到目标像元在第一参考晴空日的第一时间权重，或者，确定目标像元在第二参考晴空日的第二时间权重；其中，tp为目标时间，k＝m或者n，tm为第一参考晴空日，tn为第二参考晴空日，w为以目标像元为中心的搜索窗口的大小；M(xj,yi,tp)为搜索窗口中坐标为(xj,yi)的像元在第二地表温度信息中目标时间对应的地表温度数据，M(xj,yi,tk)为搜索窗口中坐标为(xj,yi)的像元在第二地表温度信息中第一参考晴空日或者第二参考晴空日对应的地表温度数据。
上述土壤水分信息获取装置，通过获取目标区域的植被指数信息、第一地表温度信息和第二地表温度信息，第一地表温度信息为各晴空日的地表温度数据；然后根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息；最后根据植被指数信息以及融合地表温度信息，计算温度植被干旱指数信息，进而计算目标区域的土壤水分信息；因为第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度，因此第一地表温度信息具有较高的空间分辨率，第二地表温度信息具有较高的时间分辨率，融合地表温度信息同时具有第一地表温度信息的空间分辨率和第二地表温度信息的时间分辨率，即具有高时间分辨率的同时具有高空间分辨率；更重要的，因为采用的第一地表温度信息对应各晴空日，避免了因为云污染等导致的无效数据，避免了因为空间插补等重建方法引入的额外误差，因此保证了融合地表温度信息的空间分辨率，提高了融合地表温度信息的准确性，进而提高了土壤水分信息的准确性。
关于土壤水分信息获取装置的具体限定可以参见上文中对于土壤水分信息获取方法的限定，在此不再赘述。上述土壤水分信息获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种土壤水分信息获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标区域的植被指数信息以及多源地表温度信息；多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；第一地表温度信息为各晴空日的地表温度数据；第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度；
根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息；
根据植被指数信息以及融合地表温度信息，计算目标区域的温度植被干旱指数信息；
根据温度植被干旱指数信息，计算目标区域的土壤水分信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标区域的植被指数信息以及多源地表温度信息；多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；第一地表温度信息为各晴空日的地表温度数据；第一地表温度信息的空间尺度小于第二地表温度信息的空间尺度；
根据第一地表温度信息的空间尺度，对第一地表温度信息和第二地表温度信息进行时空融合，计算目标区域的融合地表温度信息；
根据植被指数信息以及融合地表温度信息，计算目标区域的温度植被干旱指数信息；
根据温度植被干旱指数信息，计算目标区域的土壤水分信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种土壤水分信息获取方法，其特征在于，所述方法包括：
获取目标区域的植被指数信息以及多源地表温度信息；所述多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；所述第一地表温度信息为各晴空日的地表温度数据；所述第一地表温度信息的空间尺度小于所述第二地表温度信息的空间尺度；
根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息；
根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息；
根据所述温度植被干旱指数信息，计算所述目标区域的土壤水分信息；
其中，所述根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息，包括：
从所述各晴空日中确定目标时间对应的第一参考晴空日和第二参考晴空日；其中，所述第一参考晴空日为位于所述目标时间之前且与所述目标时间距离最近的日期，所述第二参考晴空日为位于所述目标时间之后且与所述目标时间距离最近的日期；
根据所述第一地表温度信息的空间尺度、所述第一地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述目标时间对应的地表温度数据，确定所述目标区域在所述目标时间对应的融合地表温度信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息，包括：
根据所述植被指数信息中的各个植被指数值，确定各植被指数序列；其中，所述植被指数序列中的各个植被指数值满足预设条件；
获取各所述植被指数序列对应的融合地表温度信息的最大值和最小值；
根据各所述植被指数序列对应的融合地表温度信息的最大值和最小值，以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息，包括：
根据所述植被指数信息，确定所述目标区域的裸土区域和全植被区域；
根据所述植被指数信息、裸土区域的融合地表温度信息、所述全植被区域的融合地表温度信息，以及能量平衡方程，计算所述目标区域的干边方程和湿边方程；
根据所述干边方程和湿边方程，以及所述植被指数信息，计算所述目标区域的温度植被干旱指数。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据所述第一地表温度信息的空间尺度、所述第一地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述目标时间对应的地表温度数据，确定所述目标区域在所述目标时间对应的融合地表温度信息，包括：
根据所述第一地表温度信息的空间尺度、所述第一地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述目标时间对应的地表温度数据，确定所述目标区域在所述第一参考晴空日的参考地表温度信息，以及所述目标区域在所述第二参考晴空日的参考地表温度信息；
根据所述第一地表温度信息的空间尺度、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述目标时间对应的地表温度数据，确定所述目标区域在所述第一参考晴空日的第一时间权重，以及所述目标区域在所述第二参考晴空日的第二时间权重；
将所述目标区域在所述第一参考晴空日的参考地表温度信息与所述第一时间权重的乘积、所述目标区域在所述第二参考晴空日的参考地表温度信息与所述第二时间权重的乘积进行求和操作，得到所述目标区域在所述目标时间对应的融合地表温度信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一地表温度信息的空间尺度、所述第一地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述目标时间对应的地表温度数据，确定所述目标区域在所述第一参考晴空日的参考地表温度信息，以及所述目标区域在所述第二参考晴空日的参考地表温度信息，包括：
根据所述第一地表温度信息的空间尺度，将所述目标区域划分为至少一个目标像元；
根据所述第一地表温度信息中所述第一参考晴空日对应的地表温度数据、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述目标时间对应的地表温度数据，确定所述目标像元在所述第一参考晴空日的参考地表温度信息；
根据所述第一地表温度信息中所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述第二参考晴空日对应的地表温度数据以及所述目标时间对应的地表温度数据，确定所述目标像元在所述第二参考晴空日的参考地表温度信息；
根据所述目标像元在所述第一参考晴空日的参考地表温度信息，确定所述目标区域在所述第一参考晴空日的参考地表温度信息；以及根据所述目标像元在所述第二参考晴空日的参考地表温度信息，确定所述目标区域在所述第二参考晴空日的参考地表温度信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一地表温度信息的空间尺度、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述目标时间对应的地表温度数据，确定所述目标区域在所述第一参考晴空日的第一时间权重，以及所述目标区域在所述第二参考晴空日的第二时间权重，包括：
根据所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述目标时间对应的地表温度数据、所述第二地表温度信息中所述第二参考晴空日对应的地表温度数据，确定所述目标像元在所述第一参考晴空日的第一时间权重；
根据所述第二地表温度信息中所述第二参考晴空日对应的地表温度数据以及所述目标时间对应的地表温度数据、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据，确定所述目标像元在所述第二参考晴空日的第二时间权重。
7.根据权利要求6所述的方法，其特征在于，所述将所述目标区域在所述第一参考晴空日的参考地表温度信息与所述第一时间权重的乘积、所述目标区域在所述第二参考晴空日的参考地表温度信息与所述第二时间权重的乘积进行求和操作，得到所述目标区域在所述目标时间对应的融合地表温度信息，包括：
将所述目标像元在所述第一参考晴空日的参考地表温度信息与所述目标像元在所述第一参考晴空日的第一时间权重的乘积、所述目标像元在所述第二参考晴空日的参考地表温度信息与所述目标像元在所述第二参考晴空日的第二时间权重的乘积进行求和操作，得到所述目标像元在所述目标时间对应的融合地表温度信息；
根据所述目标像元在所述目标时间对应的融合地表温度信息，确定所述目标区域在所述目标时间对应的融合地表温度信息。
8.根据权利要求5所述的方法，其特征在于，所述确定所述目标像元在所述第一参考晴空日的参考地表温度信息，或者，确定所述目标像元在所述第二参考晴空日的参考地表温度信息，包括：
采用包含的关系式，计算得到所述目标像元在所述第一参考晴空日的参考地表温度信息，或者，所述目标像元在所述第二参考晴空日的参考地表温度信息；
其中，tp为所述目标时间，k＝m或者n，tm为所述第一参考晴空日，tn为所述第二参考晴空日，(xw/2,yw/2)为所述目标像元的坐标，w为以所述目标像元为中心的搜索窗口的大小，N为所述搜索窗口中所述目标像元的相似像元的数目，Wi为所述搜索窗口中第i个所述相似像元的像元权重，Vi为所述搜索窗口中第i个相似像元的转换系数；
L(xw/2,yw/2,tk)为所述目标像元在所述第一地表温度信息中所述第一参考晴空日或者所述第二参考晴空日对应的地表温度数据，M(xi,yi,tp)为所述搜索窗口中第i个相似像元在所述第二地表温度信息中所述目标时间对应的的地表温度数据，M(xi,yi,tk)为所述搜索窗口中第i个相似像元在所述第二地表温度信息中所述第一参考晴空日或者所述第二参考晴空日对应的地表温度数据。
9.根据权利要求6所述的方法，其特征在于，所述确定所述目标像元在所述第一参考晴空日的第一时间权重，或者，确定所述目标像元在所述第二参考晴空日的第二时间权重，包括：
采用包含的关系式，计算得到所述目标像元在所述第一参考晴空日的第一时间权重，或者，确定所述目标像元在所述第二参考晴空日的第二时间权重；
其中，tp为所述目标时间，k＝m或者n，tm为所述第一参考晴空日，tn为所述第二参考晴空日，w为以所述目标像元为中心的搜索窗口的大小；
M(xj,yi,tp)为所述搜索窗口中坐标为(xj,yi)的像元在所述第二地表温度信息中所述目标时间对应的地表温度数据，M(xj,yi,tk)为所述搜索窗口中坐标为(xj,yi)的像元在所述第二地表温度信息中所述第一参考晴空日或者所述第二参考晴空日对应的地表温度数据。
10.一种土壤水分信息获取装置，其特征在于，所述装置包括：
信息获取模块，用于获取目标区域的植被指数信息以及多源地表温度信息；所述多源地表温度信息至少包括第一地表温度信息和第二地表温度信息；所述第一地表温度信息为各晴空日的地表温度数据；所述第一地表温度信息的空间尺度小于所述第二地表温度信息的空间尺度；
信息融合模块，用于根据所述第一地表温度信息的空间尺度，对所述第一地表温度信息和所述第二地表温度信息进行时空融合，计算所述目标区域的融合地表温度信息；
干旱指数计算模块，用于根据所述植被指数信息以及所述融合地表温度信息，计算所述目标区域的温度植被干旱指数信息；
土壤水分计算模块，用于根据所述温度植被干旱指数信息，计算所述目标区域的土壤水分信息；
其中，所述信息融合模块包括：
参考晴空日确定单元，用于从所述各晴空日中确定目标时间对应的第一参考晴空日和第二参考晴空日；其中，所述第一参考晴空日为位于所述目标时间之前且与所述目标时间距离最近的日期，所述第二参考晴空日为位于所述目标时间之后且与所述目标时间距离最近的日期；
第一信息融合单元，用于根据所述第一地表温度信息的空间尺度、所述第一地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述第一参考晴空日对应的地表温度数据以及所述第二参考晴空日对应的地表温度数据、所述第二地表温度信息中所述目标时间对应的地表温度数据，确定所述目标区域在所述目标时间对应的融合地表温度信息。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811003247.3A CN109115995B (zh) | 2018-08-30 | 2018-08-30 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811003247.3A CN109115995B (zh) | 2018-08-30 | 2018-08-30 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109115995A CN109115995A (zh) | 2019-01-01 |
| CN109115995B true CN109115995B (zh) | 2019-10-18 |
Family
ID=64860586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811003247.3A Active CN109115995B (zh) | 2018-08-30 | 2018-08-30 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109115995B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111379B (zh) * | 2019-05-06 | 2023-01-31 | 新疆农业大学 | 一种基于MODIS与Landsat数据的改进型地表温度日较差降尺度估算方法 |
| CN110826173B (zh) * | 2019-09-24 | 2020-10-23 | 广州地理研究所 | 一种土壤水分数据获取方法、系统、存储介质及设备 |
| CN111337531B (zh) * | 2020-02-26 | 2021-04-27 | 中国科学院遥感与数字地球研究所 | 土壤冻融状态确定方法、装置和电子设备 |
| CN111401790B (zh) * | 2020-04-14 | 2020-12-01 | 清华大学 | 地表用水量计算方法、装置、计算机设备和存储介质 |
| CN111651411B (zh) * | 2020-04-21 | 2023-03-10 | 成都信息工程大学 | 一种复杂地形遥感土壤水分产品降尺度方法 |
| CN112328648A (zh) * | 2020-09-27 | 2021-02-05 | 中国科学院沈阳应用生态研究所 | 一种多源土壤环境数据的检测及空间融合处理方法 |
| CN112488008B (zh) * | 2020-12-04 | 2022-10-28 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据融合的土壤水分测量方法及装置 |
| CN112666633B (zh) * | 2020-12-22 | 2022-07-29 | 北京师范大学 | 一种地表温度降尺度调节方法及系统 |
| CN113591759B (zh) * | 2021-08-09 | 2022-03-25 | 中国矿业大学(北京) | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866385A (zh) * | 2010-06-24 | 2010-10-20 | 浙江大学 | 一种目标地块地表温度的模拟与优化方法 |
| CN102628860A (zh) * | 2012-04-16 | 2012-08-08 | 山东省农业可持续发展研究所 | 一种麦田土壤水分的遥感监测方法 |
| CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
-
2018
- 2018-08-30 CN CN201811003247.3A patent/CN109115995B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866385A (zh) * | 2010-06-24 | 2010-10-20 | 浙江大学 | 一种目标地块地表温度的模拟与优化方法 |
| CN102628860A (zh) * | 2012-04-16 | 2012-08-08 | 山东省农业可持续发展研究所 | 一种麦田土壤水分的遥感监测方法 |
| CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Estimation of Surface Soil Moisture from Thermal Infrared;Yuting Yang等;《remote sensing》;20150624(第7期);第8253-8259页 * |
| Responses of field evapotranspiration to the changes of croppingpattern and groundwater depth in large irrigation district of YellowRiver basin;Liangliang Bai等;《Agricultural Water Management》;20170406(第188期);正文第1、2.3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109115995A (zh) | 2019-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109115995B (zh) | 土壤水分信息获取方法、装置、计算机设备和存储介质 | |
| CN109186774B (zh) | 地表温度信息获取方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Assessing of urban vegetation biomass in combination with LiDAR and high-resolution remote sensing images | |
| Xia et al. | Combining kernel-driven and fusion-based methods to generate daily high-spatial-resolution land surface temperatures | |
| Bindhu et al. | Development and verification of a non-linear disaggregation method (NL-DisTrad) to downscale MODIS land surface temperature to the spatial scale of Landsat thermal data to estimate evapotranspiration | |
| Amiri et al. | Spatial–temporal dynamics of land surface temperature in relation to fractional vegetation cover and land use/cover in the Tabriz urban area, Iran | |
| Qiu et al. | A comparison of NDVI and EVI in the DisTrad model for thermal sub-pixel mapping in densely vegetated areas: A case study in Southern China | |
| Zhu et al. | Analysis of remotely-sensed ecological indexes' influence on urban thermal environment dynamic using an integrated ecological index: a case study of Xi’an, China | |
| Sun et al. | Satellite data cloud detection using deep learning supported by hyperspectral data | |
| CN105608293A (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及系统 | |
| Rahman et al. | A comparison of four relative radiometric normalization (RRN) techniques for mosaicing H-res multi-temporal thermal infrared (TIR) flight-lines of a complex urban scene | |
| Shen et al. | Spatial–temporal land-use/land-cover dynamics and their impacts on surface temperature in Chongming Island of Shanghai, China | |
| Bhattarai et al. | Validation of evaporation estimates from a modified surface energy balance algorithm for land (SEBAL) model in the south-eastern United States | |
| Wang et al. | Yield estimation of winter wheat in the North China Plain using the remote-sensing–photosynthesis–yield estimation for crops (RS–P–YEC) model | |
| Zhou et al. | A comparison of three methods for estimating the LAI of black locust (Robinia pseudoacacia L.) plantations on the Loess Plateau, China | |
| Li et al. | Experimental system for the study of the directional thermal emission of natural surfaces | |
| Flaounas et al. | Assessment of gridded observations used for climate model validation in the Mediterranean region: the HyMeX and MED-CORDEX framework | |
| Yu et al. | Spatial interpolation-based analysis method targeting visualization of the indoor thermal environment | |
| Propastin | Large-scale mapping of aboveground biomass of tropical rainforest in Sulawesi, Indonesia, using Landsat ETM+ and MODIS data | |
| Yang et al. | Estimating evapotranspiration from terrestrial groundwater-dependent ecosystems using Landsat images | |
| Briegel et al. | Modelling long-term thermal comfort conditions in urban environments using a deep convolutional encoder-decoder as a computational shortcut | |
| Chai et al. | Estimating time-series leaf area index based on recurrent nonlinear autoregressive neural networks with exogenous inputs | |
| TWI717796B (zh) | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 | |
| Liang et al. | Seasonal impacts of built environment and its interactions on urban park cooling effects in Nanjing, China | |
| Zhang et al. | Estimating 1 km gridded daily air temperature using a spatially varying coefficient model with sign preservation |
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 |