CN110929423B - 一种综合干旱模型的土壤含水量反演方法 - Google Patents

一种综合干旱模型的土壤含水量反演方法 Download PDF

Info

Publication number
CN110929423B
CN110929423B CN201911300939.9A CN201911300939A CN110929423B CN 110929423 B CN110929423 B CN 110929423B CN 201911300939 A CN201911300939 A CN 201911300939A CN 110929423 B CN110929423 B CN 110929423B
Authority
CN
China
Prior art keywords
data
water content
vegetation
model
soil water
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
Application number
CN201911300939.9A
Other languages
English (en)
Other versions
CN110929423A (zh
Inventor
孙林
刘喜荣
王春香
于会泳
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and 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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201911300939.9A priority Critical patent/CN110929423B/zh
Publication of CN110929423A publication Critical patent/CN110929423A/zh
Application granted granted Critical
Publication of CN110929423B publication Critical patent/CN110929423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Geophysics And Detection Of Objects (AREA)
  • Road Paving Structures (AREA)

Abstract

本发明提供的一种综合干旱模型的土壤含水量反演方法，包括以下步骤：A、选取待研究区范围内无云的MODIS数据作为数据源，并作预处理；B、根据MOD09数据中的地表反射率计算宽波段反照率、归一化植被指数和植被覆盖度Fv，根据MOD11中的地表温度计算待研究区域昼夜温差；C、根据步骤B的结果计算表观热惯量和植被供水指数模型，将植被覆盖度作为系数赋给植被供水指数，将(1‑Fv)作为系数赋给表观热惯量，将两项乘积加权得到综合干旱模型；D、综合干旱模型计算结果与实测土壤含水量数据的回归模拟，得到综合干旱模型与土壤含水量之间的关系式，用于反演研究区域的土壤含水量。

Description

一种综合干旱模型的土壤含水量反演方法
技术领域
本发明提出了一种综合干旱模型的土壤含水量反演方法，属于遥感图像处理技术领域。
背景技术
干旱是世界上影响范围最广和造成社会经济损失最严重的一种自然灾害。土壤水分含量是旱情监测的重要指标，是气候、水文、生态、农业等领域的重要参数，也是全球气候变化的重要组成部分。遥感具有大面积观测、速度快、周期短等特点，为及时获取大范围地表土壤水分提供了有效手段。
利用遥感技术进行干旱监测主要是探究不同地表类型的土壤水分，主要包括裸土/低植被覆盖和高植被覆盖的情形。对于裸土/低植被覆盖，用表观热惯量模型(ApparentThermal Inertia，ATI)反演的土壤含水量效果较好；当植被覆盖较高时，常使用植被供水指数模型(Vegetation Supply Water Index，VSWI)。针对不同地表类型，使用不同模型来反演土壤含水量。其中，地表类型的划分通常使用归一化植被指数(NormalizedDifference Vegetation Index，NDVI)。但是，VSWI方法夸大了植被的影响作用，存在严重的滞后性，且NDVI临界阈值的确定比较困难。
因此，现有技术有待于更进一步的改进和发展。
发明内容
鉴于上述现有技术的不足，本发明针对该问题，提出了一种无需使用阈值来划分地表类型，反演结果与实测数据相关性较好，反演精度较高的综合干旱模型的土壤含水量反演方法。
为了实现上述目的，本发明提供以下技术方案：一种综合干旱模型的土壤含水量反演方法，包括以下步骤：
A、MODIS数据预处理，选取待研究区范围内无云的MODIS数据作为数据源，包括MOD09地表反射率数据和MOD11地表温度数据，并将MOD09数据进行重采样计算，使其分辨率与MOD11一致；
B、研究区域的宽波段反照率、归一化植被指数和植被覆盖度Fv、昼夜温差的计算，根据MOD09数据中的地表反射率计算宽波段反照率、归一化植被指数和植被覆盖度Fv；根据MOD11中的地表温度计算待研究区域昼夜温差；
C、综合干旱模型的计算，根据步骤B的结果计算表观热惯量和植被供水指数模型，将植被覆盖度作为系数赋给植被供水指数，将(1-Fv)作为系数赋给表观热惯量，将两项乘积加权得到综合干旱模型；
D、综合干旱模型计算结果与实测土壤含水量数据的回归模拟，得到综合干旱模型与土壤含水量之间的关系式，用于反演研究区域的土壤含水量；
作为优选，所述步骤B具体的包括：
b1、宽波段反照率A的计算公式为：
A＝0.160a1+0.291a2+0.243a3+0.116a4+0.112a5+0.081a7-0.0015
式中，a1、a2、a3、a4、a5、a7分别代表MODIS第1、2、3、4、5、7波段的反射率，可以从MOD09数据中获得。
b2、读取待研究区范围内MOD11数据中的白天和晚上温度，取各自平均值然后相减，获得昼夜温差。
b3、归一化植被指数NDVI计算公式为：
Figure GDA0004119618170000021
式中，ρNIR为近红外波段反射率MODIS第2波段，ρR为红波段反射率MODIS第1波段。
b4、植被覆盖度Fv计算公式为：
Figure GDA0004119618170000031
式中，NDVImax为植被全覆盖时的NDVI值，NDVImin为裸土NDVI值。
作为优选，所述步骤C具体为：
c1、表观热惯量ATI计算公式为：
ATI＝(1-A)/(Tmax-Tmin)
其中，A为宽波段反照率，Tmax为白天温度平均值，Tmin为夜晚温度平均值。
c2、植被供水指数VSWI计算公式为：
VSWI＝NDVI/Ts
其中，NDVI为归一化植被指数，Ts为植被冠层温度，通常取地表温度来近似代替。
c3、综合干旱模型C公式为:
C＝Fv*VSWI+(1-Fv)*ATI。
作为优选所述步骤D具体为：
站点实测数据为研究区水文气象站点测量的不同土壤深度的土壤含水量数据，将步骤C计算结果与不同深度土壤含水量进行相关性分析，取相关性最好的一组数据做回归模拟，得到综合干旱模型与土壤含水量之间的方程式，用于反演土壤含水量。
通过以上技术方案可以看出，本发明提供的一种综合干旱模型的土壤含水量反演方法，充分考虑不同地表类型下土壤含水量反演模型，以植被覆盖度作为系数，将热惯量和植被供水指数模型结合来反演土壤含水量，该模型适用于不同植被覆盖度情形，不需要使用植被指数对土壤类型进行划分，避免了NDVI阈值确定带来的困难性，与实测含水量数据进行回归模拟，具有较高的相关性，提高了土壤含水量的反演精度，适宜推广应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的原理框图。
具体实施方式
下面结合具体实施例及附图来进一步详细说明本发明。
一种如图1所示的综合干旱模型的土壤含水量反演方法，具体步骤如下：
第一步，选取研究区范围内无云的MODIS数据作为数据源，包括MOD09地表反射率数据和MOD11地表温度数据，并对数据源进行预处理。
数据源MOD09GA提供了MODIS 1-7波段(可见光-近红外)的地表反射率数据，空间分辨率为500m；MOD11A1数据提供了白天和夜晚的地表温度数据，空间分辨率为1000m，两种数据均采用Sinusoidal投影方式。由于两个数据空间分辨率不一致，需要对MOD09GA数据进行重采样，使其分辨率与MOD11A1相同。然后根据实际研究区进行裁剪，完成数据的预处理工作。
第二步，根据MOD09数据中的地表反射率计算宽波段反照率、归一化植被指数和植被覆盖度Fv；根据MOD11中的地表温度计算待研究区域昼夜温差。
1、计算宽波段反照率。太阳辐射能量主要集中在0.5-1.4μm的波段范围，因此宽波段反照率可由可见光与近红外的反射率数据来近似计算，计算公式如下：
A＝0.160a1+0.291a2+0.243a3+0.116a4+0.112a5+0.081a7-0.0015
式中，a1、a2、a3、a4、a5、a7分别代表MODIS第1、2、3、4、5、7波段的反射率，可以从MOD09数据中获得。
2、计算昼夜温差。读取待研究区范围内MOD11数据中的白天和晚上温度，取相应平均值作差，获得昼夜温差。
3、计算归一化植被指数。由MOD09中的红光和近红外波段反射率计算得到，公式如下：
Figure GDA0004119618170000051
式中，ρNIR为近红外波段反射率MODIS第2波段，ρR为红波段反射率MODIS第1波段。
4、计算植被覆盖度。公式如下：
Figure GDA0004119618170000052
式中，NDVImax为植被全覆盖时的NDVI值，NDVImin为裸土NDVI值。
第三步，根据上一步的结果计算表观热惯量和植被供水指数模型，将植被覆盖度作为系数赋给植被供水指数，将(1-Fv)作为系数赋给表观热惯量，最后将两个乘积相加得到综合干旱模型。
1、计算表观热惯量。表观热惯量适用于在裸土/低植被覆盖土地类型上反演土壤含水量，由宽波段反照率和昼夜温差计算得到。公式如下：
ATI＝(1-A)/(Tmax-Tmin)
其中，A为宽波段反照率，Tmax为白天温度平均值，Tmin为夜晚温度平均值。
2、计算植被供水指数。该模型适用于高植被覆盖区域，原理为根据植被指数和植被冠层温度的变化来反映土壤含水量。由于植被冠层温度较难获取，使用地表温度来近似代替。计算公式为：
VSWI＝NDVI/Ts
其中，NDVI为归一化植被指数，Ts为地表温度。
3、计算综合干旱模型。使用植被覆盖度作为系数，将表观热惯量和植被供水指数模型加权得到，可以适用于不同植被覆盖度情况。公式如下：
C＝Fv*VSWI+(1-Fv)*ATI
第四步、将综合干旱模型计算结果与实测土壤含水量数据进行回归模拟，得到该模型与土壤含水量之间的关系式，用于反演待研究区域的土壤含水量。
站点实测数据为待研究区中水文气象站点测量的土壤含水量数据，一般包括4cm，10cm，20cm，40cm等土壤深度的含水量。将上一步计算结果与不同深度土壤含水量进行回归模拟，模拟方程多为线性、指数以及对数三种形式。取相关性最好的一组方程作为综合干旱模型与土壤含水量之间的关系式，用于反演该研究区内的土壤含水量。
通过对土壤含水量反演实验结果的精度评价，表明本发明方法反演的土壤含水量能达到较高的精度，具有很强的实用性。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种综合干旱模型的土壤含水量反演方法，其特征在于，包括以下步骤：
A、MODIS数据预处理：选取待研究区范围内无云的MODIS数据作为数据源，包括MOD09地表反射率数据和MOD11地表温度数据，并将MOD09数据进行重采样计算，使其分辨率与MOD11一致；
B、根据步骤A中已处理的MOD09地表反射率数据计算宽波段反照率、归一化植被指数和植被覆盖度Fv，根据已处理的MOD11地表温度数据计算待研究区域昼夜温差；
C、综合干旱模型的计算：根据步骤B的结果计算表观热惯量和植被供水指数模型，将植被覆盖度作为系数赋给植被供水指数，将(1-Fv)作为系数赋给表观热惯量，将表观热惯量和植被供水指数乘积加权得到综合干旱模型；
D、综合干旱模型计算结果与实测土壤含水量数据的回归模拟，得到综合干旱模型与土壤含水量之间的关系式，用于反演研究区域的土壤含水量。
2.根据权利要求1所述的一种综合干旱模型的土壤含水量反演方法，其特征在于，所述步骤B具体的包括：
b1、宽波段反照率A的计算公式为：
A＝0.160a1+0.291a2+0.243a3+0.116a4+0.112a5+0.081a7-0.0015
式中，a1、a2、a3、a4、a5、a7分别代表MODIS第1、2、3、4、5、7波段的反射率，可以从MOD09数据中获得；
b2、读取待研究区范围内MOD11数据中的白天和晚上温度，取各自平均值然后相减，获得昼夜温差；
b3、归一化植被指数NDVI计算公式为：
Figure FDA0004119618160000021
式中，ρNIR为近红外波段反射率MODIS第2波段，ρR为红波段反射率MODIS第1波段；
b4、植被覆盖度Fv计算公式为：
Figure FDA0004119618160000022
式中，NDVImax为植被全覆盖时的NDVI值，NDVImin为裸土NDVI值。
3.根据权利要求1所述的一种综合干旱模型的土壤含水量反演方法，其特征在于，所述步骤C具体的包括：
c1、表观热惯量ATI计算公式为：
ATI＝(1-A)/(Tmax-Tmin)
其中，A为宽波段反照率，Tmax为白天温度平均值，Tmin为夜晚温度平均值；
c2、植被供水指数VSWI计算公式为：
VSWI＝NDVI/Ts
其中，NDVI为归一化植被指数，Ts为植被冠层温度，通常取地表温度来近似代替；
c3、综合干旱模型C公式为:
C＝Fv*VSWI+(1-Fv)*ATI。
4.根据权利要求1所述的一种综合干旱模型的土壤含水量反演方法，其特征在于，所述步骤D具体为：
站点实测数据为研究区水文气象站点测量的不同土壤深度的土壤含水量数据，将步骤C计算结果与不同深度土壤含水量进行相关性分析，取相关性最好的一组数据做回归模拟，得到综合干旱模型与土壤含水量之间的方程式，用于反演土壤含水量。
CN201911300939.9A 2019-12-17 2019-12-17 一种综合干旱模型的土壤含水量反演方法 Active CN110929423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911300939.9A CN110929423B (zh) 2019-12-17 2019-12-17 一种综合干旱模型的土壤含水量反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911300939.9A CN110929423B (zh) 2019-12-17 2019-12-17 一种综合干旱模型的土壤含水量反演方法

Publications (2)

Publication Number Publication Date
CN110929423A CN110929423A (zh) 2020-03-27
CN110929423B true CN110929423B (zh) 2023-04-14

Family

ID=69862913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911300939.9A Active CN110929423B (zh) 2019-12-17 2019-12-17 一种综合干旱模型的土壤含水量反演方法

Country Status (1)

Country Link
CN (1) CN110929423B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131708B (zh) * 2020-08-24 2023-11-28 无锡德林海环保科技股份有限公司 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法
CN113076645B (zh) * 2021-04-01 2021-12-14 中国水利水电科学研究院 一种结合遥感数据的宇宙射线中子仪空间特征模拟方法
CN113887024B (zh) * 2021-09-15 2022-05-17 南京信息工程大学 基于归一化温度构建的干旱指数反演表层土壤水分方法
CN116304524B (zh) * 2022-12-20 2024-04-09 宁夏回族自治区气象科学研究所 土壤含水量监测方法、设备、存储介质及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994976A (zh) * 2013-11-28 2014-08-20 江苏省水利科学研究院 基于modis数据的农业旱情遥感监测方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
CN106226260A (zh) * 2016-08-10 2016-12-14 武汉大学 一种结合微波和红外遥感影像的土壤水分反演方法
WO2018028191A1 (zh) * 2016-08-10 2018-02-15 福州大学 一种基于波段比模型和太阳高度角的tavi计算方法
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精确反演方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994976A (zh) * 2013-11-28 2014-08-20 江苏省水利科学研究院 基于modis数据的农业旱情遥感监测方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
CN106226260A (zh) * 2016-08-10 2016-12-14 武汉大学 一种结合微波和红外遥感影像的土壤水分反演方法
WO2018028191A1 (zh) * 2016-08-10 2018-02-15 福州大学 一种基于波段比模型和太阳高度角的tavi计算方法
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精确反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
邓晨晖 ; 白红英 ; 高山 ; 刘荣娟 ; 马新萍 ; 黄晓月 ; 孟清 ; .秦岭植被覆盖时空变化及其对气候变化与人类活动的双重响应.自然资源学报.2017,(第03期),全文 . *
马红章 ; 刘素美 ; 彭爱华 ; 孙林 ; 孙根云 ; .L波段主被动微波协同反演裸土土壤水分.农业工程学报.2016,(第19期),全文 . *

Also Published As

Publication number Publication date
CN110929423A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110929423B (zh) 一种综合干旱模型的土壤含水量反演方法
Zhao et al. Reconstruction of daytime land surface temperatures under cloud-covered conditions using integrated MODIS/Terra land products and MSG geostationary satellite data
Durack et al. Fifty-year trends in global ocean salinities and their relationship to broad-scale warming
CN106226260B (zh) 一种结合微波和红外遥感影像的土壤水分反演方法
Lindberg et al. Influence of ground surface characteristics on the mean radiant temperature in urban areas
Li et al. An index and approach for water extraction using Landsat–OLI data
CN104406686B (zh) 复杂地形条件下太阳短波入射辐射估算方法
Zhang et al. Temporal and spatial variability of chlorophyll a concentration in Lake Taihu using MODIS time-series data
Lv et al. Utility of Landsat image in the study of land cover and land surface temperature change
CN107229913A (zh) 基于高分卫星遥感数据结合建筑高度的人口密度分析系统
Gao et al. The responses of vegetation water content (EWT) and assessment of drought monitoring along a coastal region using remote sensing
Ma et al. Estimation of marine primary productivity from satellite-derived phytoplankton absorption data
Liu et al. Comparison and evaluation of different dryness indices based on vegetation indices-land surface temperature/albedo feature space
Burleyson et al. Patterns of diurnal marine stratocumulus cloud fraction variability
Yeom et al. Mapping rice area and yield in northeastern asia by incorporating a crop model with dense vegetation index profiles from a geostationary satellite
Anthoni et al. Variation of net radiation over heterogeneous surfaces: measurements and simulation in a juniper–sagebrush ecosystem
CN114663786A (zh) 基于点云数据和计算机图形学的林分辐射通量计算方法
Barnard et al. Seasonal surface ocean variability in the South Atlantic Bight derived from CZCS and AVHRR imagery
Shaw et al. Observations of systematic boundary layer divergence patterns and their relationship to land use and topography
Xue et al. Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies
Debbage Sky-view factor estimation: A case study of Athens, Georgia
Zhang et al. Comparison of different algorithms for calculating the shading effects of topography on solar irradiance in a mountainous area
CN112199837B (zh) 遥感混合像元地表温度分解方法、装置、电子设备及介质
Gong et al. Comparison of atmospheric correction algorithms for TM image in inland waters
CN114781148A (zh) 一种热红外遥感云覆盖像元的地表温度反演方法及系统

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