CN110658325B - 一种确定sm监测中lst/fvc空间的方法 - Google Patents
一种确定sm监测中lst/fvc空间的方法 Download PDFInfo
- Publication number
- CN110658325B CN110658325B CN201910931026.0A CN201910931026A CN110658325B CN 110658325 B CN110658325 B CN 110658325B CN 201910931026 A CN201910931026 A CN 201910931026A CN 110658325 B CN110658325 B CN 110658325B
- Authority
- CN
- China
- Prior art keywords
- lst
- fvc
- temperature
- space
- dry
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 239000002689 soil Substances 0.000 claims abstract description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 18
- 238000011160 research Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 6
- 238000010187 selection method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000010206 sensitivity analysis Methods 0.000 description 5
- 238000004836 empirical method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- RNAMYOYQYRYFQY-UHFFFAOYSA-N 2-(4,4-difluoropiperidin-1-yl)-6-methoxy-n-(1-propan-2-ylpiperidin-4-yl)-7-(3-pyrrolidin-1-ylpropoxy)quinazolin-4-amine Chemical compound N1=C(N2CCC(F)(F)CC2)N=C2C=C(OCCCN3CCCC3)C(OC)=CC2=C1NC1CCN(C(C)C)CC1 RNAMYOYQYRYFQY-UHFFFAOYSA-N 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 3
- 241000272186 Falco columbarius Species 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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
- G01N33/245—Earth materials for agricultural purposes
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Geology (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Cultivation Of Plants (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Operations Research (AREA)
Abstract
本申请提供了一种确定SM监测中LST/FVC空间的方法,该方法引入了Biome‑BGC模型中平行阻抗的方式,计算干边的温度端元,简化了干边温度的计算。此外,该方法还发展了一种确定湿边温度端元的逐步选择法。通过计算土壤湿度指数,比较了本方法与传统的理论计算方法。SAMPVEX12综合实验数据、MODIS遥感数据、以及NLDAS‑2气象数据被用于实验研究,结果表明在监测土壤湿度的空间变化上,本申请的方法与之前存在的理论计算方法具有非常高的一致性。
Description
技术领域
本发明涉及一种确定SM监测中LST/FVC空间的方法。
背景技术
土壤湿度(SM)是陆地表面蒸散(ET)和植被/作物生长的重要水源。它通过控制可利用能量对潜热和显热通量的分配,以及降水对地表径流和入渗的分配,在地表水和能量循环中发挥着重要作用。因此,它是广泛应用的关键参数,如农业生产(Dobriyal等人2012),干旱监测和预测(AghaKouchak等人2015;Sun等人2013),水资源管理(Robinson等人,2008),天气预报(Dai,Trenberth和Qian2004),以及气候变化(Anderson等人2007;Petropoulos,Ireland和Barrett 2015)等。
遥感是一种在一定时间间隔内从区域尺度到全球尺度获取空间分布的技术。基于遥感数据检索SM的方法几乎涵盖了从可见波段到微波波段的整个光谱范围(Petropoulos、Ireland和Barrett,2015年)。其中,基于微波波段特别是L波段的方法被认为是获得SM的最佳选择,因为波长更长并且与SM更直接相关(Petropoulos,Ireland和Barrett 2015;Peng等2017;Colliander等2017;Wu等2014;Administration 2014)。然而,基于可见光、近红外和热红外波段的方法仍然很重要,因为它们通常具有较长的历史,具有高时空分辨率和丰富的数据源。此外,光学/热遥感数据是将微波SM数据空间分辨率提高到几公里甚至几十米的重要来源(Peng等人2017)。
遥感地表温度和植被盖度或光谱植被指数(LST/FVC)特征空间是用于从光学/热遥感监测SM的概念模型。它可以简单地表示为二维散点图,其中水平轴是FVC从0到1变化,垂直轴是从潜在最小值到潜在最大值的LST(Land Surface Temperature,地表温度)(Carlson 2007;Petropoulos等人2009;Sun2016)。潜在的最小值和最大值对应于陆地表面ET的两个极端条件,其中前者处于饱和水供应而后者处于最大水压力下。所有具有最大水应力的像素形成LST/FVC空间的上边界(即干边),而具有饱和水供应的像素形成LST/FVC空间的下边界(即湿边)(Sun等人2017)。像素相对于LST/FVC空间中干边和湿边的位置是监测SM和进一步ET的变化的有力指标。例如,温度植被干旱指数(TVDI)(Sandholt、Rasmussen和Andersen 2002)和植被温度条件指数(VTCI)(Wang等人2001)是基于LST/FVC空间监测SM的两个典型指标。此外,它对微波遥感观测估算的降尺度粗分辨率SM也起着重要作用。例如,Merlin等人,提出了一种物理降尺度方法,即基于物理和理论尺度的分解(DISPATCH),其中LST/FVC空间用于计算显着的降尺度因子土壤蒸发效率(SEE)(Merlin等2012;Merlin等2013)。
将LST/FVC空间应用于SM监测的一个关键问题是确定干边和湿边。视觉识别和自动拟合是直接从遥感图像本身确定干湿边的两种简单方法。然而,它们对研究区域的要求非常苛刻,例如在该区域必须存在干湿边条件下的像素,这通常是无法满足(Tang、Li和Tang 2010)。而且它是经验方法,具有经验方法的所有特征。例如;依赖于场景,缺乏对其他区域的可转移性,不能微调以及描述物理过程。除上述经验方法外,Moran等(1994),Long等(2012),Sun等(2016年、2017年)还有三种典型的理论计算方法。
然而,理论计算方法需要相对复杂的迭代过程和参数,例如确定空气动力学阻抗需要的风速和植被高度,这些参数不容易获取(Long,Singh和Scanlon2012;Sun 2016b;Sun等2017;Moran等1994年;Sun等2012)。
发明内容
鉴于上述问题,本申请目的是提供一种确定SM监测中LST/FVC空间的方法,以供SM监测的操作性和非迭代性使用。
本发明的一种确定SM监测中LST/FVC空间的方法,其通过确定LST/FVC空间的湿边的温度端元和干边的温度端元来确定LST/FVC空间;
其中,湿边的温度端元通过式2确定:
其中LSTw代表土地覆盖类型“永久湿地”或“水体”的地表温度,单位K;LSTno_ice代表除“冰雪”、“永久湿地”和“水体”外的其他地表覆盖类型的地表温度,单位K;Ta是实时近地面气温,单位K;当LSTw存在于一个局部研究区域时,LSTw的平均值被认为是和如果不存在LSTw且存在LSTno_ice<Ta,则将LSTno_ice的最小值设置为和对于其他情况,Ta被设为
其中αc和αs是植被组分和裸土组分短波的反照率;εc和εs是植被组分和裸土组分的宽波段发射率;ra c是干燥植被冠层的空气动力学阻抗,ra s是干燥裸土组分的空气动力学阻抗;ns是分数系数,为0.35;Sd是下行短波辐射;σ是Stefan-Boltzmann常数;ρ是空气密度;Cp是空气比热;εa是大气发射率;
rh是植被表面的对流传热阻抗;rr是辐射传热阻抗;gl_sh为叶尺度边界层导度,其值根据土地覆盖类型确定;
rhs是裸土表面的对流传热阻抗;rblmin表示蒸汽输送的总空气动力阻力,其值设定为95.0s/m;Pa为大气压,单位为帕斯卡。
优选地,εc为0.983,εs的值为0.959。
优选地,εa=1.0-0.261exp[-7.77×10-4(273-Ta)2]。
本申请的确定SM监测中LST/FVC空间的方法,引入了Biome-BGC模型中平行阻抗的方式,计算干边的温度端元,简化了干边温度的计算。此外,该方法还发展了一种确定湿边温度端元的逐步选择法。
附图说明
图1为LST/FVC空间中干边和湿边的示意图;
图2为6月27日的土壤湿度和各种方法计算的SMI;
图3为7月5日的土壤湿度和各种SMI;
图4为7月13日的土壤湿度和各种SMI;
图5为7月17日的土壤湿度和各种SMI;
图6为7月13日的气温、地表温度、地表温度与气温差异以及差异分布;
图7为月27日,7月5日,7月13日,7月17日四天的土壤湿度和各种SMI比较的散点图;
图8为所有时间点上的相关系数随土壤湿度平均值的变化情况;
图9为温度极值变化与输入变量的相对变化。
具体实施方式
下面结合附图对本申请进行详细说明。
LST/FVC空间干湿边界的定义
图1显示了LST/FVC空间中干边和湿边的示意图。目前,对LST/FVC空间的理论形式有不同的解释,即梯形(Long和Singh 2012;Yang和Shang 2013)和两级段梯形(Sun 2016)。但这些方法干边和湿边的解释是相似的,点A和D分别代表具有最大水分胁迫的土壤和植被组分和B点和C点代表饱和水供应的土壤和植被组分和上述点A、B、C和D也被称为LST/FVC空间的温度端元,线BC和线AD即为湿边和干边。湿边BC代表ET具有饱和供水的地表状态,相应地,干边AD代表ET具有最大水分胁迫的地表状态。
半经验算法确定干湿边
参考之前的研究,干边和湿边通常被认为是线性函数(Petropoulos等2009;卡尔森2007年),可表示为:
本申请的方法是基于半经验算法而提出的。
本申请中设计了一种逐步选择的方式确定湿边上的温度端元。具体地,如果在一个局地范围内存在水体和永久性湿地,那么该区域上的地表温度平均值,被确定为湿边上的温度端元。如果不存在水体或永久性湿地,那么比较其他地表覆盖类型(不包括冰雪覆盖)上的地表温度与近地表气温。当存在地表温度小于近地表气温的情况时,该局地范围内地表温度的最小值确定为湿边温度端元。当不存地表温度小于近地表气温的情况时,取近地表气温作为湿边温度端元。该方法的数学表达式如下:
其中LSTw代表土地覆盖类型“永久湿地”或“水体”的地表温度,单位K;LSTno_ice代表除“冰雪”、“永久湿地”和“水体”外的其他地表覆盖类型的地表温度,单位K;Ta是实时近地面气温,单位K;当LSTw存在于一个局部研究区域时,LSTw的平均值被认为是和如果不存在LSTw且存在LSTno_ice<Ta,则将LSTno_ice的最小值设置为和对于其他情况,Ta被设为
本申请引入Biome-BGC模型中的平行阻抗的方式,计算干边上的温度端元。具体地,植被冠层上的空气动力阻抗ra c使用以下方程式确定:
式中,rh是植被表面的对流传热阻抗;rr是辐射传热阻抗;ra c是干燥植被冠层的空气动力学阻抗;gl_sh为叶尺度边界层导度(m/s),其值根据土地覆盖类型确定。对于常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混交林来说,gl_sh=0.01m/s。对于封闭灌木、开放灌木、草地、农田、贫瘠或稀疏的植被,gl_sh=0.04m/s(Running et al.2018)。是干燥裸土组分的空气动力学阻抗,则使用如下方程式计算:
其中,rhs是裸土表面的对流传热阻抗;rblmin表示蒸汽输送的总空气动力阻力(s/m),在本算法中其值设定为95.0s/m。
其中αc和αs是植被组分和裸土组分短波的反照率(0.3-5.0μm);εc和εs是植被组分和裸土组分的宽波段发射率(8-14μm),在没有测量的情况下,可以从(Rubio等,2003)的查找表中获得εc和εs。为了方便起见,εc和εs的值被设为查找表中的均值,分别为0.983和0.959。ra c是干燥植被冠层的空气动力学阻抗,是干燥裸土组分的空气动力学阻抗。ns是分数系数(无单位),默认为0.35(Long和Singh 2012b;Sun 2016)。Sd是下行短波辐射(W/m2)。σ是Stefan-Boltzmann常数,其值约为5.67×10-8W/(m2·K4)。ρ是空气密度(kg/m3),约为1.225kg/m3。cp是空气比热,可近似设定为1006J/(kg·K)。εa是大气发射率,它可以近似地由空气温度决定,比如εa=1.0-0.261exp[-7.77×10-4(273-Ta)2](Mu,Zhao,andRunning 2011)。
上面的式4、5由Biome-BGC模型得到。
土壤湿度指数计算
土壤湿度指数SMI被定义为一种条件指数,用于测量LST/FVC空间中的任一点相对于LST/FVC空间干边和湿边的距离。具体表达式如下:
LST是遥感地表温度,单位为K,LSTdry和LSTwet是干边和湿边的温度。SMI在0到1之间变化,其中0表示极度干燥的条件,1表示极度潮湿的条件。为了评价本申请提出的方法,分别利用本申请的方法和一个理论计算方法,计算SMI,并将得到SMI与航空遥感实测的土壤湿度做对比。
下面,以下面的研究区域和数据进行计算和比较
研究区域与数据
研究区域
这项研究中收集了2012年土壤湿度主被动验证实验(SMAPVEX12)第一版本(2017)主被动L波段传感器(PALS)的土壤湿度数据。SMAPVEX12是2012年在加拿大进行的基于飞机的现场试验,它旨在满足土壤湿度算法验证和土壤湿度主动被动(SMAP)卫星任务产品的要求。从6月7日到7月19日,这次试验持续了6周。在此期间,美国国家航空航天局(NASA)每周飞行两次,两架飞机携带仪器,像SMAP卫星一样可以提供高分辨率L波段辐射计和雷达产品。在空中采集的同时,地面工作人员收集了土壤水分数据和一些其他相关参数。通过许多科学家的努力,现在可以从国家冰雪数据中心(NSIDC)获得SMAPVEX12的各种数据。有关SMAPVEX12的具体信息可在一些文献中找到(Colliander等2016年;McNairn等人2015)。利用高空飞行的PALS亮度-温度观测,获取土壤湿度数据。该算法使用传统τ-ω-h算法的变体,回归土壤湿度的准确度报告为RMSD(均方根差)为0.058m3/m3,UBRMSD(无偏RMSD)为0.056m3/m3,Pearson相关系数为0.87。
研究数据
(1)MODIS数据
本研究使用了四种modis产品,它们是:(1)MODIS/Terra和Aqua Albedo每日L3全球500米SIN Grid V006(MCD43A3);(2)MODIS/Aqua和Terra陆地表面温度/发射率每日L3全球1公里SIN Grid V006(MYD11A1);(3)MODIS/Terra和Aqua叶面积指数/FPAR 8天L4全球500米SIN Grid V006(MCD15A2H);(4)MODIS/Aqua Aerosol 5-Min L2 Swath 3km(MYD04_3K)MYD11A1用于获得LST,其标准为“像素产生”,“良好数据质量”,“平均发射率误差≤0.02”和“平均LST误差≤2K”。使用MCD15A2H获得LAI(叶面积指数)并使用fv=1-exp(-kparLAI)的等式计算FVC,其中fv代表FVC,kpar是假设的消光系数,取0.5,适用于具有球形叶角分布的冠层。MCD43A3用于获得陆面夜晚和白天的反照率。在MYD04_3K的帮助下,利用这些反照率计算陆地蓝天反照率及其对土壤和植被成分的分解。蓝天反照率可以估计为白天和黑天反照率α=fdiffαwhite+(1-fdiff)αblack的线性组合,其中α是蓝天反照率;fdiff是散射分数;αwhite和αblack是白天和夜晚的短波反照率,fdiff可以通过解析大气辐射传输模型结果的查找表来确定。在本次研究中,利用了6S模型建立的LUT,LUT通过太阳天顶角(0到89度,1度为单位)、光学深度(0到1.0.02度单位)和气溶胶模型类型(大陆和海洋)进行索引。从MYD04_3K产品获得太阳天顶角和气溶胶光学深度。
到达传感器的短波辐射可以假定为来自植被和土壤组分的辐射加权和。这一假设也在以往将地表反照率分离为植被和土壤组分的研究中得到了验证(Long和Singh 2012b;Zhang等。2005年;Houldcroft等2009)。基于这一假设,植被/土壤混合表面上的α可视为植被冠层反照率(αc)和裸地反照率(αs)的线性组合(Houldcroft等2009)即α=fvαc+(1-fv)αs。在本次研究中,FVC高于0.9的像素上的数据平均为αc。然后,通过求解上述反照率的线性组合来计算αs
(2)NLDAS-2强制数据集
选择NLDAS-2强制数据集是因为它具有更高的时间(每小时)和空间分辨率(~12.5km)。该数据集来源于美国国家环境预测中心(NCEP)北美区域再分析(NARR)。NARR分析场的空间分辨率为32km,时间频率为3小时。它们在空间上插入到NLDAS 1/8度网格中,然后在时间上按照NLDAS-2小时频率进行分解。此外,地面气压和气温等气象变量也作了垂直调整,以解释NARR和NLDAS地形高度场之间的垂直差异。有关处理方法的更多详细信息,请参见(Cosgrove等2003)。.NLDAS-2的每小时陆面强迫场被分为两个GRIB文件“文件A”和“文件B”,这里只使用“文件A”,文件中需要三个变量,包括表面压力(Pa)、2米处的空气温度(K)和向下短波辐射(w/m2)。
结果分析
与其他算法比较
图2到图6是6月27日、7月5日、7月13日、7月17日四天的土壤湿度及三种不同方法计算的土壤湿度指数。在土壤湿度较低的土壤条件下,三种方法计算的SMI与SM的分布基本一致。在土壤湿度较高的一些位置,尤其是7月13日Long和Sun方法的SMI明显比本申请的方法的偏高且与SM的分布情况很不一致。Long和Sun方法的湿边高于本申请的方法的湿边,Long和Sun方法的和高于本申请的方法。本申请的方法的和相对更低,且计算得到的SMI与SM的分布具有更好的一致性。
在土壤湿度较高的一些位置Long和Sun方法的SMI明显比本申请的方法偏高是因为没有考虑土壤湿度较高时会出现湿边温度小于气温的情况。本申请的方法分条件讨论了不同土地覆盖类型和的不同计算方法。将研究区域分为有存在“永久湿地”或“水体”、不存在“永久湿地”或“水体”且地表温度小于气温和其他类型三种条件来分别去确定研究区域可能的湿边最低值。图6(d)直方图可以看出LST-Ta值存在大部分小于零的部分,导致图1中7月13日Long和Sun方法的SMI与SM的分布出现较大偏差。本申请的方法不仅有与Long和Sun方法可比的计算结果,并且细分了湿边温度的计算方法,使湿边温度更合理,也增加了LST/FVC空间模型的使用性。
与土壤湿度比较
图7展示了7月5日,7月13日,7月17日天的土壤湿度和各种SMI比较的散点图,横轴是土壤湿度,纵轴是基于各种算法计算出来的SMI,表1给出了三种不同方法的样本值在p=0.05时与土壤湿度的相关系数。本申请的方法的相关系数普遍高于其他两种方法,即其分布与SM的分布的一致性强于Long和Sun方法,这也与图1中的结果相吻合。同时本申请的方法的样本值明显多于其他两种方法,体现了本申请的方法计算过程需要的参数相对较少数据易于获取的优点。
表1各个方法的SMI与SM的相关系数及样本值
其中,SMI_semi代表本申请的方法所计算的SMI,SMI_long代表long的方法所计算的SMI,SMI_sun代表sun的方法所计算的SMI。
图8展示了所有时间点上,三种不同方法的相关系数与土壤湿度平均值的变化情况。坐标横轴是时间点,左侧纵轴是平均土壤湿度与柱状图对应,右侧纵轴是相关系数与折线点对应。在土壤湿度一样的条件下,本申请的方法与Long和Sun方法相比,具有相当甚至更好的相关性。但在土壤湿度比较大(大于0.2)的条件下,三种方法的相关系数相当且都比较低。并且在土壤湿度在0.15—0.2之间相关系数接近或大于0.4,相关性比较高,且本申请的方法的最高。本申请的方法在所有日期都有研究数据,而Sun方法因为需要的参数太多导致缺少研究数据也最多。
图8显示,在干边,本申请的方法的和与Sun和Long方法一致,并且与土壤湿度分布高度吻合。同时在计算过程中引入Biome-BGC模型和对流(rh)、辐射(rr)传热的平行阻力、gl_sh等易于获取的参数,简化计算公式,提升了运算效率。在湿边,充分考虑了地表覆盖类型的复杂情况,增加了湿边在地表温度小于气温情况下湿边的合理性。
敏感性分析
为了更好地理解计算SMI的本申请的方法,进行了灵敏度分析。将新计算的温度终值与初始值(和)的相对变化与新输入变量相对于其初始值的相对变化进行了比较。输入变量包括Ta,Pa,Sd,αs和αc,Ta在(Ta-2K,Ta+2K)中变化,以0.5K为单位。其他参数在初始值的±20%范围内变化,每次变化2%。2012年7月5日,在一个像素(纬度=49°46'38.17“N,经度=98°12'36.30”W)上选择了初始场景,此处LST=303.67K,FVC=0.82,Ta=28.596℃,Pa=97896.70Pa,αs=0.1,ndαc=0.17。
图9显示了灵敏度分析结果,表明温度极值(即和)对Ta最敏感,然后是Sd。它们都与温度极值成正相关,Ta增加2K可导致温度极值增加近2K,Sd±20%的相对变化可以使这些端部成员极值发生±4K的变化。Pa对没有影响,而与呈正相关,Pa的相对变化为±20%时,的相对变化约为±2.5K。两个温度极值对土壤和植被反照率不敏感。土壤反照率和植被反照率分别与和呈负相关,土壤反照率的±20%变化导致值约为±0.5K,植被反照率的相同变化导致值约为±1K扰动。
本申请的方法有几个明显的优点:
首先,它对于正常的网格化气象数据集更实用,因为它只需要三个气象变量,即气温,气压和下行短波辐射。有许多具有高空间分辨率和时间分辨率,可以供公众使用的网格化气象数据集(Walton和Hall 2018),比如例如NLDAS-2强迫数据集,Prism(独立斜坡模型上的参数高程回归)(Daly等2008年)、Gridmet(网格地面气象数据)(Abatzoglou 2013年)和WRF(天气研究和预测)(Walton等2017)等。将这些网格化气象数据集与遥感LST/FVC相结合,可以改善半经验方法的土壤水分监测或微波SM降尺度。
其次,本申请的方法是一种非迭代方法,这可以避免迭代算法的一些缺点,节省计算时间,避免不收敛,提高计算效率。
第三,本申请的方法开发了一种“逐步的方法”来确定湿边。这样可以避免气温高于地表温度的现象,SMI_long和SMI_sun在这种情况下失效。
最后,利用Biome-BGC模型避免了非常复杂的空气动力学阻抗计算。
Claims (4)
1.一种确定SM监测中LST/FVC空间的方法,其通过确定LST/FVC空间的湿边的温度端元和干边的温度端元来确定LST/FVC空间;
其中,湿边的温度端元通过式2确定:
其中LSTw代表土地覆盖类型“永久湿地”或“水体”的地表温度,单位K;LSTno_ice代表除“冰雪”、“永久湿地”和“水体”外的其他地表覆盖类型的地表温度,单位K;Ta是实时近地面气温,单位K;当LSTw存在于一个局部研究区域时,LSTw的平均值被认为是Ts min和Tc min;如果不存在LSTw且存在LSTno_ice<Ta,则将LSTno_ice的最小值设置为Ts min和Tc min;对于其他情况,Ta被设为Ts min。
2.如权利要求1所述的确定SM监测中LST/FVC空间的方法,其中:
干边上的温度端元Ts max和Tc max可以通过式3、4、5确定:
其中αc和αs是植被组分和裸土组分短波的反照率;εc和εs是植被组分和裸土组分的宽波段发射率;ra c是干燥植被冠层的空气动力学阻抗,是干燥裸土组分的空气动力学阻抗;ns是分数系数,为0.35;Sd是下行短波辐射;σ是Stefan-Boltzmann常数;ρ是空气密度;Cp是空气比热;εa是大气发射率;
rh是植被表面的对流传热阻抗;rr是辐射传热阻抗;gl_sh为叶尺度边界层导度,其值根据土地覆盖类型确定;
rhs是裸土表面的对流传热阻抗;rblmin表示蒸汽输送的总空气动力阻力,其值设定为95.0s/m;Pa为大气压,单位为帕斯卡。
3.如权利要求2所述的确定SM监测中LST/FVC空间的方法,其中:
εc为0.983,εs的值为0.959。
4.如权利要求2所述的确定SM监测中LST/FVC空间的方法,其中:
εa=1.0-0.261exp[-7.77×10-4(273-Ta)2]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910931026.0A CN110658325B (zh) | 2019-09-29 | 2019-09-29 | 一种确定sm监测中lst/fvc空间的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910931026.0A CN110658325B (zh) | 2019-09-29 | 2019-09-29 | 一种确定sm监测中lst/fvc空间的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110658325A CN110658325A (zh) | 2020-01-07 |
CN110658325B true CN110658325B (zh) | 2020-06-30 |
Family
ID=69039730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910931026.0A Active CN110658325B (zh) | 2019-09-29 | 2019-09-29 | 一种确定sm监测中lst/fvc空间的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110658325B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580562B (zh) * | 2020-12-25 | 2023-04-07 | 武汉禾大科技有限公司 | 一种农田地表温度提取方法、存储介质及系统 |
CN114692378A (zh) * | 2020-12-31 | 2022-07-01 | 南开大学 | 一种Tm-fc梯形框架内极端温度组合的计算方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101207925B1 (ko) * | 2010-02-22 | 2012-12-04 | 공주대학교 산학협력단 | 지표면 온도 산출 방법 |
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 |
CN103793596A (zh) * | 2014-01-14 | 2014-05-14 | 中国科学院地理科学与资源研究所 | 一种地表温度-植被指数特征空间干湿限选择的方法及装置 |
CN105510231B (zh) * | 2015-11-25 | 2018-07-06 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
CN105628618B (zh) * | 2015-12-21 | 2018-03-09 | 中国矿业大学(北京) | 基于遥感地表温度与植被盖度两阶段空间探测地表蒸散的方法 |
CN106771073B (zh) * | 2016-12-28 | 2018-10-26 | 中国科学院地理科学与资源研究所 | 一种基于端元信息模型估算土壤和植被蒸散发的方法 |
CN106897551B (zh) * | 2017-02-09 | 2019-07-19 | 中国科学院华南植物园 | 一种基于被动微波遥感的干旱指数构建方法 |
CN108955620B (zh) * | 2018-02-13 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN108629460A (zh) * | 2018-05-11 | 2018-10-09 | 中南林业科技大学 | 基于时空数据的林地干旱模型构建方法 |
CN109115696A (zh) * | 2018-08-30 | 2019-01-01 | 南京信息工程大学 | 一种基于modis数据的旱情监测方法 |
-
2019
- 2019-09-29 CN CN201910931026.0A patent/CN110658325B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110658325A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Land surface temperature retrieval from Landsat-8 data with the generalized split-window algorithm | |
Los et al. | A global 9-yr biophysical land surface dataset from NOAA AVHRR data | |
Wan | New refinements and validation of the MODIS land-surface temperature/emissivity products | |
Batra et al. | Estimation and comparison of evapotranspiration from MODIS and AVHRR sensors for clear sky days over the Southern Great Plains | |
Stisen et al. | Estimation of diurnal air temperature using MSG SEVIRI data in West Africa | |
Minacapilli et al. | A time domain triangle method approach to estimate actual evapotranspiration: Application in a Mediterranean region using MODIS and MSG-SEVIRI products | |
Wang et al. | Evaluation of ASTER and MODIS land surface temperature and emissivity products using long-term surface longwave radiation observations at SURFRAD sites | |
Chen et al. | Development of a 10-year (2001–2010) 0.1 data set of land-surface energy balance for mainland China | |
Zakšek et al. | Parameterization of air temperature in high temporal and spatial resolution from a combination of the SEVIRI and MODIS instruments | |
Coll et al. | Long-term accuracy assessment of land surface temperatures derived from the Advanced Along-Track Scanning Radiometer | |
Suzuki et al. | Interannual covariability between actual evapotranspiration and PAL and GIMMS NDVIs of northern Asia | |
Li et al. | Comparison of the MuSyQ and MODIS Collection 6 land surface temperature products over barren surfaces in the Heihe River Basin, China | |
Chen et al. | An accurate estimate of monthly mean land surface temperatures from MODIS clear-sky retrievals | |
Shu et al. | Estimation of regional evapotranspiration over the North China Plain using geostationary satellite data | |
Krishnan et al. | Comparison of in-situ, aircraft, and satellite land surface temperature measurements over a NOAA Climate Reference Network site | |
Romaguera et al. | Determining irrigated areas and quantifying blue water use in Europe using remote sensing Meteosat Second Generation (MSG) products and Global Land Data Assimilation System (GLDAS) data | |
Zhang et al. | Soil moisture retrieval from AMSR-E data in Xinjiang (China): Models and validation | |
CN110658325B (zh) | 一种确定sm监测中lst/fvc空间的方法 | |
Eswar et al. | Comparison of three remote sensing based models for the estimation of latent heat flux over India | |
Lee et al. | Evaluation of the GOES-R ABI LAP retrieval algorithm using the GOES-13 sounder | |
Zhao et al. | Triangle Space-Based Surface Soil Moisture Estimation by the Synergistic Use of $ In\Situ $ Measurements and Optical/Thermal Infrared Remote Sensing: An Alternative to Conventional Validations | |
Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
Garajeh et al. | A comparative approach of data-driven split-window algorithms and MODIS products for land surface temperature retrieval | |
Fang et al. | AMSR‐E soil moisture disaggregation using MODIS and NLDAS data | |
He et al. | Direct estimation of land surface albedo from simultaneous MISR 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 |