CN110516315A - 一种新的cbers-02b卫星影像数据表层土壤含水率的计算方法 - Google Patents

一种新的cbers-02b卫星影像数据表层土壤含水率的计算方法 Download PDF

Info

Publication number
CN110516315A
CN110516315A CN201910714101.8A CN201910714101A CN110516315A CN 110516315 A CN110516315 A CN 110516315A CN 201910714101 A CN201910714101 A CN 201910714101A CN 110516315 A CN110516315 A CN 110516315A
Authority
CN
China
Prior art keywords
image data
cbers
satellite image
moisture content
soil
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
Application number
CN201910714101.8A
Other languages
English (en)
Inventor
周国清
家彬
陶晓东
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.)
Guilin University of Technology
Original Assignee
Guilin University of Technology
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 Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN201910714101.8A priority Critical patent/CN110516315A/zh
Publication of CN110516315A publication Critical patent/CN110516315A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种新的CBERS‑02B卫星影像数据表层土壤含水率的计算方法，该方法根据两种数据源与光谱辐射亮度相关的波段范围，地物反射率，大气透过率和入射的太阳能的关系，构建一种新反演CBERS‑02B卫星影像数据土壤含水率的计算方法。另外，大量的检验结果表明，被发明的计算方法不仅提高了CBERS‑02B卫星影像数据土壤含水率反演的精度，加快反演速度，还解决了反演影像数据表层土壤含水率的算法实现困难等问题，适用于估测大面积地区土壤含水率。

Description

一种新的CBERS-02B卫星影像数据表层土壤含水率的计算 方法
技术领域
本发明涉及遥感技术领域，特别是涉及遥感技术定量反演土壤含水率的方法与技术，是构建新的反演CBERS-02B卫星影像数据土壤含水率的计算方法，使其更适用于CBERS-02B卫星影像数据土壤表层含水率的反演。
技术背景
表层土壤含水率在karst地区是水文、生态环境、农业应用上的重要指标之一。在岩溶地区地下水丰富，但地表水系极不发育，造成农田干旱，岩溶石漠化等后果。因此，利用具有高效、快速、宏观性等特点的遥感技术实现大面积监测表层土壤含水率对推动karst地区农业发展、岩溶灾害防治等具有重要意义。
在过去几十年中，遥感技术逐渐成为大面积反演土壤含水率的重要手段。利用遥感技术定量反演土壤含水率的方法可归纳为：光谱法，热惯量法，微波遥感法等。在这些方法中，许多反演模型复杂，数据处理繁琐，影像价格昂贵，其具体存在的问题如下：
1)热惯量法作为反演模型关键参量的昼夜温差不易求取；
2)基于微波遥感的反演模型复杂，参数难以获取，数据成本高；
3)基于可见光-近红外的光谱法方法简便，数据易获取，在大范围定量反演含水率上具有较好效果。但在不同数据源反演土壤含水率相应的计算方法较少。
发明内容
为了能获得适用于反演CBERS-02B卫星影像数据土壤含水率的计算方法，本发明根据两种数据源与光谱辐射亮度相关的波段范围，地物反射率，大气透过率和入射的太阳能的关系，构建了反演CBERS-02B卫星影像数据表层土壤含水率的计算方法。该方法解决了反演CBERS-02B卫星影像数据表层土壤含水率的算法实现困难以及精度低等问题。
为了达到以上目的，本发明提供了一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法，包括如下步骤：
(1)构建Landsat TM影像数据与CBERS-02B卫星影像数据的光谱辐射亮度关系
根据两种数据源与光谱辐射亮度相关的波段范围，地物反射率，大气透过率和入射的太阳能的关系，构建Landsat TM影像数据各波段平均光谱辐亮度与CBERS-02B卫星影像数据相应波段平均光谱辐亮度的关系。
(2)加入两种传感器波段光谱辐射亮度之间的校正系数
考虑到两种传感器的频率响应和仪器灵敏度有差异，加入波段光谱辐射亮度校正系数。
(3)构建CBERS-02B卫星影像数据表层土壤含水率的计算方法
根据两种传感器各波段光谱辐射亮度的关系和相应波段光谱辐射亮度之间的校正系数，可以构建一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法。
(4)CBERS-02B卫星影像数据土壤含水率反演精度的评定
以Landsat TM影像数据反演结果作为参考，利用数据统计分析方法来检验和比较CBERS-02B卫星影像数据土壤含水率反演精度并对其精度进行分析。
本发明的有益效果是：利用原Landsat TM影像数据土壤含水率反演的计算方法分别对同一地区的Landsat TM和CBERS-02B卫星影像数据进行表层土壤含水率的反演，得到有偏差的结果并分析其偏差的误差源，指出构建一种新的CBERS-02B卫星影像数据土壤含水率计算方法的必要性。通过建立Landsat TM影像数据与CBERS-02B卫星影像数据的光谱辐射亮度关系，调整模型校正系数，对模型系数进行修正，构建CBERS-02B卫星影像数据土壤含水率反演的计算方法，该方法提高了CBERS-02B卫星影像数据土壤含水率反演精度，并有效地加快了反演的速度，并降低影像数据成本，有利于为指导建设良好的生态环境和农业生产活动提供可靠的土壤水分信息,具有重要的应用价值和实际意义。
附图说明
图1为本发明构建CBERS-02B卫星影像数据土壤含水率的计算方法流程图；
图2为本发明研究区吉利村地图；
图3(a)为本发明实施案例在吉利村研究区利用Landsat TM影像数据土壤含水率的计算方法获得的反演结果；图3(b)为本发明实施案例初步反演CBERS-02B卫星影像数据土壤含水率的结果；
图4(a)为本发明实施案例原Landsat TM影像数据土壤含水率的计算方法获得的反演等级图；图4(b)为本发明实施案例运用新的计算土壤含水率的方法获得的CBERS-02B卫星影像数据土壤含水率反演等级图；
图5为本发明实施案例两种传感器反演各土壤含水率等级频率对比图
图6为本发明实施案例Landsat TM影像数据和CBERS-02B卫星影像数据反演的五种地物土壤平均含水率与参考值的对比图。
图7为本发明实施案例Landsat TM与CBERS-02B卫星影像数据针对研究区六种典型地物下表层土壤含水率反演结果的二维散点图。
具体实施方式
下面结合附图和实施例对本发明的步骤做进一步的详细描述。
一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法的流程图见图1，下面对主要模块进行介绍。
(1)构建Landsat TM影像数据与CBERS-02B卫星影像数据的光谱辐射亮度关系
本发明考虑到CBERS-02B卫星相机与Landsat TM相机的波谱范围相近，分别利用这两种数据，采用刘培君等人研究的Landsat TM影像数据土壤含水率反演模型反演地区的表层土壤含水率，其反演模型为：
式中，PTM4为基于TM影像波段4的土壤含水率；B2、B3、B4分别为Landsat TM影像2、3、4波段的光谱亮度。反演模型将土壤含水率与光谱反射率的关系转化为Landsat TM影像各波段光谱亮度值作为参数反演土壤含水率。
由于两种传感器数据波段范围相近(波段2、波段3和波段4)，因此，本发明以Landsat TM数据的反演结果作为参考，利用原Landsat TM影像数据土壤含水率的计算方法反演CBERS-02B卫星影像数据获得土壤含水率的结果存在偏差(见图3)，这是因为，作为参数的光谱亮度值取决于4个因素，即波段范围，地物反射率，大气透过率和入射的太阳能。也就是说，不同传感器对相同地物的波谱响应存在差异。那么卫星传感器接收到地物某波段的平均光谱辐射亮度Bi与这四个影响因素之间的关系可表示为：
Bi＝RiτiBsi (2)
式中i为波段号；Bi为某波段接收地物的平均光谱亮度；Ri为在该土壤波段的平均反射率；τi为该波段平均大气透过率；Bsi为该波段射到地面的太阳平均辐亮度。
根据公式(2)，Landsat TM影像数据各平均光谱辐亮度B′i与CBERS-02B卫星影像数据相应平均光谱辐亮度B″i之比可写为：
式中，B′i表示Landsat TM各波段的平均辐亮度，B″i表示CBERS-02B卫星影像数据各波段的平均辐亮度，其它字符含义依此类推。各传感器Ri、τi、Bsi值分别用样本统计法，理想大气透过率采用钱灿圭等人研究的曲线分析法，太阳辐照度可用分析法获得。
根据公式(3)，本发明要对两种感器各波段平均反射率，平均大气透过率和太阳平均辐亮度进行解算，其具体方法如下：
1)波段平均反射率Ri
本研究选择孙家抦研究的方法，其方法是适用于可见光和近红外波段求解地物反射率的简化理论计算方法，该方法可以对其进行反射率计算，公式为：
式中，Ri—地面反射率；Li—传感器入口处的辐射亮度值；ESUNI—大气顶层太阳辐照度，可由官方资料获取；SZ—太阳天顶角，从影像头文件中读取。可获得两种传感器各波段平均反射率之比为：
2)平均大气透过率τi
各波段的平均大气透过率是采用钱灿圭等人研究的理想大气透过率曲线分析法来求解。根据这个方法，确定两种传感器的波谱范围以及太阳天顶角，可以估算出各波段的平均大气透过率，其比值为：
3)太阳平均辐亮度Bsi
Landsat TM影像数据与CBERS-02B卫星影像数据各波段入射到土壤的太阳平均辐亮度比由大气顶部太阳辐照度近似估算。Landsat TM影像的太阳辐照度数据从遥感权威单位定期测定并公布的信息中获取，CBERS-02B卫星影像数据是潘志强根据SBDART模拟获得。两种传感器太阳平均辐亮度之比为：
(2)加入两种传感器波段光谱辐射亮度之间的校正系数
将以上计算的Landsat TM影像与CBERS-02B卫星影像数据各波段的平均反射率，平均大气透过率以及太阳平均辐亮度比值代入公式(3)有：
考虑到两种传感器的频率响应和仪器灵敏度有差异，加入模型校正系数，则有：
B′2＝1.0089*B″2+C1 (5)
B′3＝1.0662*B″3+C2 (6)
B′4＝0.9942*B″4+C3 (7)
式中，C1、C2、C3为两种传感器之间的校正系数。
(3)构建CBERS-02B卫星影像数据表层土壤含水率的计算方法
针对地区特有土壤的特征，对模型系数进行修正，可得到CBERS-02B卫星影像数据的土壤含水率估算模型为：
式中，B2、B3、B4分别为CBERS-02B卫星影像数据波段2、3、4的光谱亮度。
S4.CBERS-02B卫星影像数据土壤含水率反演精度的评定
对CBERS-02B卫星影像数据进行土壤含水率精度评定之前，首先要分别计算出LandsatTM数据各波段光谱辐射亮度和CBERS-02B卫星影像数据相应波段光谱辐射亮度；然后分别运用两传感器相应的土壤含水率计算方法对两种传感器影像数据进行土壤含水率反演；最后评定CBERS-02B卫星影像数据土壤含水率计算方法反演的精度，其具体方法如下：
1)计算光谱辐射亮度
基于光学遥感数据的土壤含水率反演模型是以影像光谱辐射亮度作为参数。因此，Landsat TM光谱辐射亮度计算公式为：
Bλ＝DNλ×Gain+Bias (9)
其中增益Gain与偏置量Bias，由USUA提供。
CBERS-02B卫星影像数据光谱辐射亮度计算公式为：
其中Bk表示传感器入口第k波段的辐射度，单位为(m2·sr·μm)；k表示第k波段；DNk表示第k波段的灰度值；Ak表示第k波段增益，由头文件获取。
2)土壤含水率的精度评定方法
本发明以Landsat TM影像数据反演结果作为参考，验证CBERS-02B卫星影像数据土壤含水率计算方法的反演精度。利用数据统计分析方法来检验和比较CBERS-02B卫星影像数据土壤含水率反演精度。这些统计值包括相关系数(R)，均方根误差(RMSE)，偏差，公式如下：
式中，X为Landsat TM影像反演的土壤含水率，为平均值，在本研究中作为参考值(真值)；Y为利用新的的计算方法对CBERS-02B卫星影像数据影像进行反演的结果，为均值，作为观测值。
实施例1：
以广西省来宾市良江镇吉利村作为研究区，采用本发明构建的计算方法反演吉利村地区的CBERS-02B卫星影像数据土壤含水率。图2是研究区吉利村；图3是分别利用原Landsat TM影像数据土壤含水率的计算方法初步反演Landsat TM数据和CBERS-02B卫星影像数据的土壤含水率的结果图。通过精度分析，我们发现利用原Landsat TM影像数据土壤含水率的计算方法反演CBERS-02B卫星影像数据获得的结果存在偏差，综合考虑LandsatTM与CBERS-02B卫星影像数据中的四个影响因素(波段范围，地物反射率，大气透过率和入射的太阳能)的不同，构建一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法，使其更适用于CBERS-02B卫星影像数据土壤表层含水率的反演。
图4是分别利用原Landsat TM影像数据土壤含水率的计算方法获得的反演等级图以及利用新的计算土壤含水率的方法获得的CBERS-02B卫星影像数据土壤含水率反演等级图；图5是两种传感器反演各土壤含水率等级频率对比图；图6是Landsat TM和CBERS-02B卫星影像数据反演的五种地物土壤平均含水率与参考值的对比图；图7是Landsat TM与CBERS-02B卫星影像数据针对研究区六种典型地物下表层土壤含水率反演结果的二维散点图。通过对图4、图5、图6和图7的分析，本发明反演的表层土壤含水率值比原方法反演的结果更接近参考值。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变形，因此，所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法，其特征在于具体步骤为：
(1)构建Landsat TM影像数据与CBERS-02B卫星影像数据的光谱辐射亮度关系
根据两种数据源与光谱辐射亮度相关的波段范围，地物反射率，大气透过率和入射的太阳能的关系，构建Landsat TM影像数据各波段平均光谱辐亮度与CBERS-02B卫星影像数据相应波段平均光谱辐亮度的关系；
(2)加入两种传感器波段光谱辐射亮度之间的校正系数
考虑到两种传感器的频率响应和仪器灵敏度有差异，加入波段光谱辐射亮度校正系数；
(3)构建CBERS-02B卫星影像数据表层土壤含水率的计算方法
根据两种传感器各波段光谱辐射亮度的关系和相应波段光谱辐射亮度之间的校正系数，可以构建一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法；
(4)CBERS-02B卫星影像数据土壤含水率反演精度的评定
以Landsat TM影像数据反演结果作为参考，利用数据统计分析方法来检验和比较CBERS-02B卫星影像数据土壤含水率反演精度并对其精度进行分析。
2.根据权利要求1所述的一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法，其特征在于，所述步骤(1)是为了构建两种传感器各波段光谱辐射亮比值关系，即两数据源相应波段光谱辐射亮度与地物反射率，大气透过率和入射的太阳能的关系。
3.根据权利要求1所述的一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法，其特征在于：步骤(2)所述是减少计算光谱辐射亮度值的误差，能更好地完善CBERS-02B卫星影像数据表层土壤含水率的计算方法。
4.根据权利要求1所述的一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法，其特征在于，所述步骤(3)是改进原Landsat TM影像数据土壤含水率反演的计算方法，构建一种新反演CBERS-02B卫星影像数据土壤含水率的计算方法。
5.根据权利要求1所述的一种新的CBERS-02B卫星影像数据表层土壤含水率的计算方法，其特征在于，所述步骤(4)是进一步证明新的反演土壤含水率的方法提高了CBERS-02B卫星影像数据土壤含水率反演精度，该方法能较好地适用于CBERS-02B卫星影像数据土壤含水率的反演。
CN201910714101.8A 2019-08-03 2019-08-03 一种新的cbers-02b卫星影像数据表层土壤含水率的计算方法 Pending CN110516315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910714101.8A CN110516315A (zh) 2019-08-03 2019-08-03 一种新的cbers-02b卫星影像数据表层土壤含水率的计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910714101.8A CN110516315A (zh) 2019-08-03 2019-08-03 一种新的cbers-02b卫星影像数据表层土壤含水率的计算方法

Publications (1)

Publication Number Publication Date
CN110516315A true CN110516315A (zh) 2019-11-29

Family

ID=68624230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910714101.8A Pending CN110516315A (zh) 2019-08-03 2019-08-03 一种新的cbers-02b卫星影像数据表层土壤含水率的计算方法

Country Status (1)

Country Link
CN (1) CN110516315A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103203A (zh) * 2011-01-19 2011-06-22 环境保护部卫星环境应用中心 基于环境一号卫星的地表温度单窗反演方法
CN104236716A (zh) * 2013-06-17 2014-12-24 中国科学院城市环境研究所 基于成对hj-1b影像时空信息的地表温度反演方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103203A (zh) * 2011-01-19 2011-06-22 环境保护部卫星环境应用中心 基于环境一号卫星的地表温度单窗反演方法
CN104236716A (zh) * 2013-06-17 2014-12-24 中国科学院城市环境研究所 基于成对hj-1b影像时空信息的地表温度反演方法
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 (2)

* Cited by examiner, † Cited by third party
Title
GUOQING ZHOU ET AL.: "A New Model for Surface Soil Moisture Retrieval From CBERS-02B Satellite Imagery", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
XIAODONG TAO ET AL.: "A new model for surface soil moisture retrieval from CBERS-02B satellite imagery in karst area", 《2013 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM - IGARSS》 *

Similar Documents

Publication Publication Date Title
CN105608293B (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
CN104279967B (zh) 基于高光谱图像的气溶胶光学厚度反演方法
CN101738620B (zh) 从被动微波遥感数据amsr-e反演地表温度的方法
CN109581372A (zh) 一种生态环境遥感监测方法
Yu et al. Kriging interpolation method and its application in retrieval of MODIS aerosol optical depth
CN112051222A (zh) 一种基于高分卫星影像的河湖水质监测方法
Leng et al. A practical algorithm for estimating surface soil moisture using combined optical and thermal infrared data
CN106547840A (zh) 一种全球三维大气数据的解析及管理方法
Tang et al. LAI inversion algorithm based on directional reflectance kernels
CN108681652A (zh) 一种基于高分三号数据的植被覆盖区土壤水分反演方法
CN106226260A (zh) 一种结合微波和红外遥感影像的土壤水分反演方法
CN109344536A (zh) 一种耦合多源数据的多层次被动微波土壤水分验证方法
Yin et al. Calculation of land surface emissivity and retrieval of land surface temperature based on a spectral mixing model
CN107436193B (zh) 一种基于遥感的林下光照强度估测方法
Cheng et al. Generating the 30-m land surface temperature product over continental China and USA from landsat 5/7/8 data
Ru et al. Land surface temperature retrieval from Landsat 8 thermal infrared data over urban areas considering geometry effect: Method and application
CN103267533A (zh) 一种实用型高光谱遥感图像大气自校正方法及装置
Dong et al. A modified version of the kernel-driven model for correcting the diffuse light of ground multi-angular measurements
Yan et al. Modeling the radiation regime of a discontinuous canopy based on the stochastic radiative transport theory: Modification, evaluation and validation
Wu et al. Evaluation of winter wheat yield simulation based on assimilating LAI retrieved from networked optical and SAR remotely sensed images into the WOFOST model
Wang et al. Remote sensing‐based retrieval of soil moisture content using stacking ensemble learning models
CN110009584A (zh) 基于参考光谱匹配的多光谱遥感影像大气校正系统及方法
He et al. Direct estimation of land surface albedo from simultaneous MISR data
CN112733445A (zh) 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法
CN113010994A (zh) 一种基于地表蒸散遥感的区域蒸散量的监测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191129