CN109884279A - 土壤含水量的反演方法和反演装置 - Google Patents
土壤含水量的反演方法和反演装置 Download PDFInfo
- Publication number
- CN109884279A CN109884279A CN201910270926.5A CN201910270926A CN109884279A CN 109884279 A CN109884279 A CN 109884279A CN 201910270926 A CN201910270926 A CN 201910270926A CN 109884279 A CN109884279 A CN 109884279A
- Authority
- CN
- China
- Prior art keywords
- soil
- moisture content
- soil moisture
- remote sensing
- data
- 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.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请实施例公开了土壤含水量的反演方法和反演装置。该方法的一具体实施方式包括:利用光学遥感数据对目标分析土壤进行区域分类;基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;采集目标分析土壤的土壤含水量的实测数据,并根据实测数据对反演得到的土壤含水量数据进行误差校正;根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据。这种实施方式融合了多种数据进行土壤含水量的反演,在一定程度上可以弥补单一数据反演的不足,有助于提高土壤含水量反演的准确度。
Description
技术领域
本申请实施例涉及遥感技术领域,尤其涉及土壤含水量的反演方法和反演装置。
背景技术
土壤含水量是大气和陆地间的能量和物质交换的重要因子,同时,也是水文、生态环境等领域的研究热点之一。大范围监测地表土壤含水量在水文、气象和农业科学领域具有重大的意义。遥感手段通常是大尺度反演土壤含水量的关键,一般可分为光学遥感和微波遥感。
光学遥感的分辨率一般较高。但是光学遥感传感器在获取地表信息的过程中,难以避免云遮挡的影响。而且其接收到的能量仅仅是植被冠层对太阳光的反射辐射,无法获取地表含水量、地表介电常数等地表物理参数信息。
微波遥感一般能够工作在全天时、全天候的环境中,并且对云层也有一定的穿透能力。同时,微波遥感对土壤介电常数等比较敏感,往往能够提供不同于光学遥感所提供的某些信息,如:极化特征、后向散射系数等与土壤含水量存在很高相关性的参数。因此,可以利用微波雷达大面积监测地表土壤含水量。但是在植被覆盖的区域,植被对电磁波的散射和吸收一般会对土壤含水量的反演造成很大的影响。
发明内容
本申请实施例提供了土壤含水量的反演方法和反演装置。
第一方面,本申请实施例提供了一种土壤含水量的反演方法,包括:利用光学遥感数据对目标分析土壤进行区域分类;基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;采集目标分析土壤的土壤含水量的实测数据,并根据实测数据对反演得到的土壤含水量数据进行误差校正;根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据。
在一些实施例中,利用光学遥感数据对目标分析土壤进行区域分类,包括:采用最大似然法对目标分析土壤的光学遥感数据进行一级区域分类,其中,一级区域包括有效区域和无效区域;利用植被指数对位于有效区域的目标分析土壤的光学遥感数据进行二级区域分类,其中,二级区域包括裸露地表区域和植被覆盖区域。
在一些实施例中,基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量,包括:利用微波遥感数据反演裸露地表区域的土壤含水量,以及利用微波遥感数据反演去除植被影响后的植被覆盖区域的土壤含水量。
在一些实施例中,利用微波遥感数据反演裸露地表区域的土壤含水量,包括:将裸露地表区域的微波遥感数据输入应用于裸露地表的散射模型中,输出得到裸露地表区域的土壤含水量。
在一些实施例中,利用微波遥感数据反演去除植被影响后的植被覆盖区域的土壤含水量,包括:利用水云模型从由植被覆盖区域的微波遥感数据获得的后向散射系数中去除植被影响,得到植被覆盖区域的土壤的后向散射系数;基于得到的土壤的后向散射系数,反演植被覆盖区的土壤含水量。
在一些实施例中,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量之前,该方法还包括:以目标分析土壤的光学遥感数据为基准,对目标分析土壤的微波遥感数据进行处理,其中,处理后的微波遥感数据与光学遥感数据具有相同大小的像元。
在一些实施例中,根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据,包括:根据区域分类结果和校正后的土壤含水量数据,绘制目标分析土壤的土壤含水量分布图。
第二方面,本申请实施例提供了一种土壤含水量的反演装置,包括:分类单元,被配置成利用光学遥感数据对目标分析土壤进行区域分类;反演单元,被配置成基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;校正单元,被配置成采集目标分析土壤的土壤含水量的实测数据,并根据实测数据对反演得到的土壤含水量数据进行误差校正;生成单元,被配置成根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据。
在一些实施例中,分类单元进一步被配置成采用最大似然法对目标分析土壤的光学遥感数据进行一级区域分类,其中,一级区域包括有效区域和无效区域;利用植被指数对位于有效区域的目标分析土壤的光学遥感数据进行二级区域分类,其中,二级区域包括裸露地表区域和植被覆盖区域。
在一些实施例中,反演单元包括:第一子单元,被配置成利用微波遥感数据反演裸露地表区域的土壤含水量;第二子单元,被配置成利用微波遥感数据反演去除植被影响后的植被覆盖区域的土壤含水量。
在一些实施例中,第一子单元进一步被配置成将裸露地表区域的微波遥感数据输入应用于裸露地表的散射模型中,输出得到裸露地表区域的土壤含水量。
在一些实施例中,第二子单元进一步被配置成利用水云模型从由植被覆盖区域的微波遥感数据获得的后向散射系数中去除植被影响,得到植被覆盖区域的土壤的后向散射系数;基于得到的土壤的后向散射系数,反演植被覆盖区的土壤含水量。
在一些实施例中,该装置还包括处理单元,被配置成以目标分析土壤的光学遥感数据为基准,对目标分析土壤的微波遥感数据进行处理,其中,处理后的微波遥感数据与光学遥感数据具有相同大小的像元。
在一些实施例中,生成单元进一步被配置成根据区域分类结果和校正后的土壤含水量数据,绘制目标分析土壤的土壤含水量分布图。
第三方面,本申请实施例提供了一种电子设备包括:处理器;存储装置,其上存储有计算机程序;当处理器执行存储装置上的计算机程序时,使得电子设备实现如第一方面中任一实施例所描述的土壤含水量的反演方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面中任一实施例所描述的土壤含水量的反演方法。
本申请实施例提供的土壤含水量的反演方法和反演装置,首先可以通过光学遥感数据对目标分析土壤进行区域分类;之后,基于区域分类结果,可以利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;接着,采集目标分析土壤的土壤含水量的实测数据,并可以根据实测数据对反演得到的土壤含水量数据进行误差校正;最后,根据区域分类结果和校正后的土壤含水量数据,可以生成目标分析土壤的土壤含水量数据。这种实施方式融合了多种数据进行土壤含水量的反演,在一定程度上可以弥补单一数据反演的不足,有助于提高土壤含水量反演的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请的一个实施例可以应用于其中的示例性系统架构图;
图2为本申请提供的土壤含水量的反演方法的一个实施例的流程图;
图3为本申请提供的土壤含水量的反演装置的一个实施例的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的土壤含水量的反演方法或反演装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、网络102、服务器103、光学遥感卫星104和微波遥感卫星105。网络102可以用以在终端101与服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端101通过网络102与服务器103进行交互,以接收或发送消息等。例如用户可以通过终端101向服务器103发送土壤含水量的反演指令等。终端101上可以安装有各种客户端应用,例如土壤含水量分析类应用、图像播放器、浏览器和即时通讯工具等。
这里的终端101可以是硬件,也可以是软件。当终端101为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑和台式计算机等等。当终端101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如可以是对终端101所安装的应用提供支持的后台服务器。后台服务器在接收到终端101发送的土壤含水量的反演指令时,可以分别从光学遥感卫星104、微波遥感卫星105获取目标分析土壤的光学遥感数据、微波遥感数据。进而可以对这些数据进行分析处理,并可以将分析处理结果(如目标分析土壤的土壤含水量数据)发送给终端101。
这里的服务器103同样可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的土壤含水量的反演方法一般可以由服务器103(或终端101)执行。相应地,土壤含水量的反演装置一般也可以设置于服务器103(或终端101)中。
应该理解,图1中的终端、网络、服务器、光学遥感卫星和微波遥感卫星的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端、网络、服务器、光学遥感卫星和微波遥感卫星。
请参见图2,其示出了本申请提供的土壤含水量的反演方法的一个实施例的流程200。本申请中的反演主要是指遥感技术上的反演。即基于模型知识的基础上,依据可测参数值去反推目标的状态参数。或者说,根据观测信息和前向物理模型,求解或推算描述地面实况的应用参数(或目标参数)。该反演方法可以包括以下步骤:
步骤201,利用光学遥感数据对目标分析土壤进行区域分类。
在本实施例中,土壤含水量的反演方法的执行主体(例如图1中所示的服务器103)可以根据目标分析土壤的光学遥感数据,对目标分析土壤进行区域分类。这里的区域分类主要可以根据目标分析土壤的地貌情况进行区域划分。作为示例,区域分类可以包括(但不限于)无效区域和有效区域。其中,无效区域可以是指不需要进行土壤含水量反演的区域,如湖泊、建筑等。而有效区域可以是指需要进行土壤含水量反演的区域,如除去无效区域的区域。
在本实施例中,执行主体可以通过多种方式来获取上述光学遥感数据。例如,可以通过光学遥感设备(如图1所示的光学遥感卫星104)监测得到。又例如,可以从网上资源或数据库中获取得到。再例如,还可以是用户使用终端(如图1所示的终端101)发送给执行主体的。
可以理解的是,上述区域分类的方法以及结果可以根据用户的需求进行设置。在这里,对目标分析土壤进行区域分类,可以有助于减少或避免无效区域的土壤含水量的反演计算,从而提高方法整体的反演效率。并且利用光学遥感数据进行区域分类,有利于提高分类结果的准确度。
在一些可选的实现方式中,执行主体可以对目标分析土壤进行两级分类。作为示例,执行主体首先可以采用最大似然法(Maximum Likel ihood,ML,也称最大概率估计),对目标分析土壤的光学遥感数据进行一级区域分类。其中,一级区域可以包括有效区域和无效区域。最大似然法的判别函数可以表述为:
其中,x表示像元光谱向量;i表示类别,i=1,2...,C,C为正整数;mi表示第i类均值向量;T表示矩阵的转置;∑i表示第i类N*N的协方差阵;N表示总光谱波段数。其判别准则一般为:对于j(j=1,2...,C;j≠i),假如gi(x)﹥gj(x),则x∈wi,wi为第i类光谱类别。
接着,执行主体可以利用植被指数(Normalized Difference Vegetation Index,NDVI),对位于有效区域的目标分析土壤的光学遥感数据进行二级区域分类。其中,二级区域可以包括裸露地表区域和植被覆盖区域。在这里,裸露地表区域可以表示没有或几乎没有植被覆盖的区域。
需要说明的是,在一些应用场景中,可以根据植被的茂密程度对植被覆盖区域作进一步细分。如植被覆盖区域可以进一步分为:稀疏植被覆盖区域、中等植被覆盖区域和茂密植被覆盖区域。这样可以丰富区域分类结果的类型,满足不同用户的使用需求,有助于提高反演方法的准确度。
在实际应用过程中,也可以根据目标分析土壤的地理位置以及遥感数据的监测时间来确定区域分类。例如对于9至10月份的草原上的光学遥感数据,考虑到草原上的牧草在这个期间大多数已被收割,此时可以将稀疏植被覆盖区域与裸露地表区域统一分为一类。
步骤202,基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量。
在本实施例中,执行主体可以基于步骤201中的区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量。作为示例,执行主体可以利用微波遥感数据反演裸露地表区域的土壤含水量。以及其可以利用微波遥感数据反演去除植被影响后的植被覆盖区域的土壤含水量。其中,不同区域采用的反演方法在本申请中并不限制。可以理解的是,这里的微波遥感数据的获取方式同样不限制,如可以通过微波遥感设备(如图1所示的微波遥感卫星105)监测得到。
可选地,执行主体可以将裸露地表区域的微波遥感数据,输入应用于裸露地表的散射模型中,从而可以输出得到裸露地表区域的土壤含水量。这里应用于裸露地表的散射模型可以包括(但不限于)Oh模型、Dubois模型及Shi模型等。例如,可以将裸露地表区域的微波遥感数据作为输入,直接使用Dubois模型进行土壤含水量的反演,输出得到裸露地表区域的土壤含水量Mld。
可以理解的是,Dubois模型一般是针对裸露地表区域而建立的。其可以将裸露土壤表面的同极化后向散射系数(x表示极化方式,h代表水平极化,v代表垂直极化)与入射角θ、土壤介电常数εr、地表均方根高度s以及入射波长λ联系起来。具体如下:
其中,k表示波束。联立上述两式即可消掉地表参数s,得到如下:
之后,根据介电常数εr与含水量的关系计算得到土壤含水量Mld。这里可以使用现有技术中常用的Topp模型(土壤介电常数与含水量关系模型中的一种),如下公式所示:
Mld=-5.3×10-2+2.92×10-2εr-5.5×10-4εr 2+4.3×10-6εr 3;
其建立了土壤介电常数与土壤含水量之间的关系。并且该模型的输入参数较少,计算简便,适用性广泛。
进一步地,由于Dubois模型一般是针对裸露地表区域建立的,所以该模型在植被覆盖区域的土壤含水量的反演值往往会偏高。因此,在这些区域不能直接使用上述模型进行土壤含水量的反演,需要进行一些处理,以在卫星雷达接收到的后向散射系数中剔除植被的影响,而保留土壤的后向散射系数。
作为示例,对于上述反演过程,在消掉地表参数s之前,执行主体可以加入水云模型。即利用水云模型从由植被覆盖区域的微波遥感数据获得的后向散射系数中去除植被影响,从而可以得到植被覆盖区域的土壤的后向散射系数。之后,基于得到的土壤的后向散射系数,可以反演植被覆盖区的土壤含水量。其中,水云模型可以表示为:
其中,表示土壤的后向散射系数;表示总后向散射系数,可以由微波遥感数据直接获得(即上述和);mveg表示植被含水量;A、B表示经验参数。
在这里,经验参数A、B可以通过实验数据进行回归分析得出,也可以通过查询已有的研究数据获得。例如,可以实地采集中等植被覆盖区域和相对茂密植被覆盖区域的植被含水量,并对采集数据做均值计算。在实际应用过程中,也可以根据研究目的来适当简化上述反演参数。例如若主要用于大尺度反演草原地区的土壤含水量,则可以简化植被含水量的表达,将其设定为常数。如中等植被覆盖区域的植被含水量可以为每平方米5千克,相对茂密植被覆盖区域的植被含水量可以为每平方米10千克。此时,经验参数A、B可以分别为0.0019、0.137。这样可以有利于进一步提高反演效率。
这样,经过水云模型能够得到去除植被影响之后土壤的后向散射系数。接着,利用上述Topp模型即可得到更为准确的植被覆盖区域的土壤含水量。由此可见,与采用单一数据源进行反演的方式相比,通过融合多种数据源进行反演,可以有助于提高反演结果的准确度。
步骤203,采集目标分析土壤的土壤含水量的实测数据,并根据实测数据对反演得到的土壤含水量数据进行误差校正。
在本实施例中,为了进一步提高反演结果的准确性,执行主体可以采集目标分析土壤的土壤含水量的实测数据。并可以根据实测数据,对步骤202中反演的得到的有效区域的土壤含水量数据进行误差修正。在这里,采集和修正方式在本申请中同样不限制。例如,可以对目标分析土壤的有效区域进行定点检测。然后可以将不同区域分类下的实测数据平均值与对应的反演数据平均值进行比较。或者也可以将实测数据与反演数据进行加权计算。
步骤204,根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据。
在本实施例中,根据步骤201中的区域分类结果以及步骤203中校正后的土壤含水量数据,执行主体可以生成目标分析土壤的土壤含水量数据。其中,目标分析土壤的土壤含水量数据的表现形式在这里并不限制。例如执行主体可以生成区域分类与土壤含水量相对应的数据表。
可选地,为了便于用户观察,执行主体可以根据区域分类结果和校正后的土壤含水量数据,来绘制目标分析土壤的土壤含水量分布图。这样可以方便用户更加清晰、直观地了解反演结果。同时,提高了方法的灵活性,可以有助于扩大方法的适用范围。
需要说明的是,在一些实施例中,在执行步骤202之前,执行主体还可以以目标分析土壤的光学遥感数据为基准,对目标分析土壤的微波遥感数据进行处理。其中,处理后的微波遥感数据与光学遥感数据具有相同大小的像元。也就是说,可以以步骤201中的光学遥感数据为基准,对微波遥感数据进行配准。例如可以通过重采样使微波遥感数据与光学遥感数据的像元大小相同。这样一来,即使利用不同规格型号的设备来分别获取光学遥感数据和微波遥感数据,也可以统一两种数据的基准,从而可以便于后续的数据处理。这样可以有助于进一步提高方法的灵活性。
本实施例提供的土壤含水量的反演方法,首先可以通过光学遥感数据对目标分析土壤进行区域分类;之后,基于区域分类结果,可以利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;接着,采集目标分析土壤的土壤含水量的实测数据,并可以根据实测数据对反演得到的土壤含水量数据进行误差校正;最后,根据区域分类结果和校正后的土壤含水量数据,可以生成目标分析土壤的土壤含水量数据。这种实施方式融合了多种数据进行土壤含水量的反演,在一定程度上可以弥补单一数据反演的不足,有助于提高土壤含水量反演的准确度。
进一步参见图3,作为对上述各实施例所示方法的实现,本申请还提供了一种土壤含水量的反演装置的一个实施例。该装置实施例与上述各实施例所示的方法实施例相对应。该装置具体可以应用于各种电子设备中。
如图3所示,本实施例的反演装置300可以包括:分类单元301,被配置成利用光学遥感数据对目标分析土壤进行区域分类;反演单元302,被配置成基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;校正单元303,被配置成采集目标分析土壤的土壤含水量的实测数据,并根据实测数据对反演得到的土壤含水量数据进行误差校正;生成单元304,被配置成根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据。
在一些实施例中,分类单元301可以进一步被配置成采用最大似然法对目标分析土壤的光学遥感数据进行一级区域分类,其中,一级区域包括有效区域和无效区域;利用植被指数对位于有效区域的目标分析土壤的光学遥感数据进行二级区域分类,其中,二级区域包括裸露地表区域和植被覆盖区域。
可选地,反演单元302可以包括:第一子单元(图3中未示出),被配置成利用微波遥感数据反演裸露地表区域的土壤含水量;第二子单元(图3中未示出),被配置成利用微波遥感数据反演去除植被影响后的植被覆盖区域的土壤含水量。
进一步地,第一子单元可以进一步被配置成将裸露地表区域的微波遥感数据输入应用于裸露地表的散射模型中,输出得到裸露地表区域的土壤含水量。
可选地,第二子单元可以进一步被配置成利用水云模型从由植被覆盖区域的微波遥感数据获得的后向散射系数中去除植被影响,得到植被覆盖区域的土壤的后向散射系数;基于得到的土壤的后向散射系数,反演植被覆盖区的土壤含水量。
在一些实施例中,该装置300还可以包括处理单元(图3中未示出),被配置成以目标分析土壤的光学遥感数据为基准,对目标分析土壤的微波遥感数据进行处理,其中,处理后的微波遥感数据与光学遥感数据具有相同大小的像元。
可选地,生成单元304可以进一步被配置成根据区域分类结果和校正后的土壤含水量数据,绘制目标分析土壤的土壤含水量分布图。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于该装置300及其中包含的单元,在此不再赘述。
需要说明的是,附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。例如,获取单元还可以被描述为“获取训练数据的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种土壤含水量的反演方法,包括:
利用光学遥感数据对目标分析土壤进行区域分类;
基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;
采集目标分析土壤的土壤含水量的实测数据,并根据实测数据对反演得到的土壤含水量数据进行误差校正;
根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据。
2.根据权利要求1的方法,利用光学遥感数据对目标分析土壤进行区域分类,包括:
采用最大似然法对目标分析土壤的光学遥感数据进行一级区域分类,其中,一级区域包括有效区域和无效区域;
利用植被指数对位于有效区域的目标分析土壤的光学遥感数据进行二级区域分类,其中,二级区域包括裸露地表区域和植被覆盖区域。
3.根据权利要求2的方法,基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量,包括:
利用微波遥感数据反演裸露地表区域的土壤含水量,以及利用微波遥感数据反演去除植被影响后的植被覆盖区域的土壤含水量。
4.根据权利要求3的方法,利用微波遥感数据反演裸露地表区域的土壤含水量,包括:
将裸露地表区域的微波遥感数据输入应用于裸露地表的散射模型中,输出得到裸露地表区域的土壤含水量。
5.根据权利要求3的方法,利用微波遥感数据反演去除植被影响后的植被覆盖区域的土壤含水量,包括:
利用水云模型从由植被覆盖区域的微波遥感数据获得的后向散射系数中去除植被影响,得到植被覆盖区域的土壤的后向散射系数;
基于得到的土壤的后向散射系数,反演植被覆盖区的土壤含水量。
6.根据权利要求1的方法,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量之前,方法还包括:
以目标分析土壤的光学遥感数据为基准,对目标分析土壤的微波遥感数据进行处理,其中,处理后的微波遥感数据与光学遥感数据具有相同大小的像元。
7.根据权利要求1-6之一的方法,根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据,包括:
根据区域分类结果和校正后的土壤含水量数据,绘制目标分析土壤的土壤含水量分布图。
8.一种土壤含水量的反演装置,包括:
分类单元,被配置成利用光学遥感数据对目标分析土壤进行区域分类;
反演单元,被配置成基于区域分类结果,利用微波遥感数据反演位于有效区域的目标分析土壤的土壤含水量;
校正单元,被配置成采集目标分析土壤的土壤含水量的实测数据,并根据实测数据对反演得到的土壤含水量数据进行误差校正;
生成单元,被配置成根据区域分类结果和校正后的土壤含水量数据,生成目标分析土壤的土壤含水量数据。
9.一种电子设备,包括:
处理器;
存储装置,其上存储有计算机程序;
当处理器执行存储装置上的计算机程序时,使得电子设备实现如权利要求1-7之一的土壤含水量的反演方法。
10.一种计算机可读介质,其上存储有计算机程序,计算机程序被处理器执行时实现如权利要求1-7之一的土壤含水量的反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910270926.5A CN109884279A (zh) | 2019-04-04 | 2019-04-04 | 土壤含水量的反演方法和反演装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910270926.5A CN109884279A (zh) | 2019-04-04 | 2019-04-04 | 土壤含水量的反演方法和反演装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109884279A true CN109884279A (zh) | 2019-06-14 |
Family
ID=66936155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910270926.5A Pending CN109884279A (zh) | 2019-04-04 | 2019-04-04 | 土壤含水量的反演方法和反演装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109884279A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618144A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种快速测定黄土塬区泉眼位置的方法 |
CN111122824A (zh) * | 2019-12-18 | 2020-05-08 | 四川大学 | 一种土壤墒情监测系统 |
CN111860325A (zh) * | 2020-07-20 | 2020-10-30 | 河南大学 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
CN112014542A (zh) * | 2020-06-30 | 2020-12-01 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN112161998A (zh) * | 2020-09-02 | 2021-01-01 | 国家气象信息中心 | 土壤含水量测量方法、装置、电子设备及存储介质 |
CN112162014A (zh) * | 2020-09-02 | 2021-01-01 | 塔里木大学 | 基于电磁感应数据的棉田土壤剖面水分数据处理方法 |
CN114190264A (zh) * | 2021-11-18 | 2022-03-18 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
CN114397429A (zh) * | 2022-01-19 | 2022-04-26 | 江苏环保产业技术研究院股份公司 | 一种用于环保监测的土壤数据采集设备及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
CN106872665A (zh) * | 2015-12-11 | 2017-06-20 | 张成才 | 基于遥感的土壤墒情监测方法 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
-
2019
- 2019-04-04 CN CN201910270926.5A patent/CN109884279A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
CN106872665A (zh) * | 2015-12-11 | 2017-06-20 | 张成才 | 基于遥感的土壤墒情监测方法 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
Non-Patent Citations (1)
Title |
---|
苏日图: "融合多源数据的草原区土壤水分监测方法研究", <中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618144A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种快速测定黄土塬区泉眼位置的方法 |
CN111122824A (zh) * | 2019-12-18 | 2020-05-08 | 四川大学 | 一种土壤墒情监测系统 |
CN112014542B (zh) * | 2020-06-30 | 2023-09-29 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN112014542A (zh) * | 2020-06-30 | 2020-12-01 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN111860325B (zh) * | 2020-07-20 | 2023-09-15 | 河南大学 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
CN111860325A (zh) * | 2020-07-20 | 2020-10-30 | 河南大学 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
CN112162014A (zh) * | 2020-09-02 | 2021-01-01 | 塔里木大学 | 基于电磁感应数据的棉田土壤剖面水分数据处理方法 |
CN112161998A (zh) * | 2020-09-02 | 2021-01-01 | 国家气象信息中心 | 土壤含水量测量方法、装置、电子设备及存储介质 |
CN112161998B (zh) * | 2020-09-02 | 2023-12-05 | 国家气象信息中心 | 土壤含水量测量方法、装置、电子设备及存储介质 |
CN114190264A (zh) * | 2021-11-18 | 2022-03-18 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
CN114190264B (zh) * | 2021-11-18 | 2022-11-08 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
CN114397429A (zh) * | 2022-01-19 | 2022-04-26 | 江苏环保产业技术研究院股份公司 | 一种用于环保监测的土壤数据采集设备及方法 |
CN114397429B (zh) * | 2022-01-19 | 2024-05-14 | 江苏环保产业技术研究院股份公司 | 一种用于环保监测的土壤数据采集设备及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884279A (zh) | 土壤含水量的反演方法和反演装置 | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
Tomppo et al. | Simultaneous use of Landsat-TM and IRS-1C WiFS data in estimating large area tree stem volume and aboveground biomass | |
Bosch et al. | Cloud motion vectors from a network of ground sensors in a solar power plant | |
WO2020160641A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using multilayer perceptron | |
Meyer et al. | Forest degradation and biomass loss along the Chocó region of Colombia | |
CN104142142A (zh) | 全球植被覆盖度估算方法 | |
Varela et al. | Spatio-temporal evaluation of plant height in corn via unmanned aerial systems | |
Ares et al. | Detection of process‐related changes in plant patterns at extended spatial scales during early dryland desertification | |
CN111210483B (zh) | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 | |
Coomes et al. | Airborne laser scanning of natural forests in New Zealand reveals the influences of wind on forest carbon | |
Miettinen et al. | Demonstration of large area forest volume and primary production estimation approach based on Sentinel-2 imagery and process based ecosystem modelling | |
Yin et al. | Synergistic estimation of soil salinity based on Sentinel-1 image texture and Sentinel-2 salinity spectral indices | |
Ben-Haim et al. | Inundation modeling in data scarce regions | |
Hooda | IoT and remote sensing | |
Jonikavičius et al. | Rapid assessment of wind storm-caused forest damage using satellite images and stand-wise forest inventory data | |
CN111965330A (zh) | 一种基于双极化类发射率的裸露土壤含水量反演方法 | |
CN111597692A (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
Qu et al. | Mapping large area tea plantations using progressive random forest and Google Earth Engine | |
Mensah et al. | Mapping site index in coniferous forests using bi-temporal airborne laser scanning data and field data from the Swedish national forest inventory | |
Schuh et al. | Machine learning and generalized linear model techniques to predict aboveground biomass in Amazon rainforest using LiDAR data | |
Chen et al. | Estimation of forest height, biomass and volume using support vector regression and segmentation from lidar transects and Quickbird imagery | |
Sevillano Marco et al. | Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project | |
Xu et al. | Forest classification using synthetic GF-1/WFV time series and phenological parameters | |
Huang et al. | A realistic structure model for large-scale surface leaving radiance simulation of forest canopy and accuracy assessment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |