CN111401790B - 地表用水量计算方法、装置、计算机设备和存储介质 - Google Patents
地表用水量计算方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111401790B CN111401790B CN202010288333.4A CN202010288333A CN111401790B CN 111401790 B CN111401790 B CN 111401790B CN 202010288333 A CN202010288333 A CN 202010288333A CN 111401790 B CN111401790 B CN 111401790B
- Authority
- CN
- China
- Prior art keywords
- data
- spatial resolution
- preset
- under
- corrected
- 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 55
- 239000002352 surface water Substances 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000002689 soil Substances 0.000 claims abstract description 174
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 83
- 238000001556 precipitation Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000005855 radiation Effects 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 24
- 230000004907 flux Effects 0.000 claims description 21
- 238000010521 absorption reaction Methods 0.000 claims description 19
- 230000031700 light absorption Effects 0.000 claims description 17
- 230000000243 photosynthetic effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000002835 absorbance Methods 0.000 claims 2
- 238000003973 irrigation Methods 0.000 abstract description 24
- 230000002262 irrigation Effects 0.000 abstract description 24
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000047 product Substances 0.000 description 20
- 238000012952 Resampling Methods 0.000 description 9
- 230000002354 daily effect Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000012010 growth Effects 0.000 description 6
- 238000012950 reanalysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 108010015046 cell aggregation factors Proteins 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
Abstract
本申请涉及一种地表用水量计算方法、装置、计算机设备和存储介质。所述方法包括:选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分;选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据,根据所述多源地表参数和所述大气驱动数据获取所述预设空间分辨率下的实际蒸散值;根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。采用本方法有利于灌区掌握水资源的空间分配情况,进而进行合理的调整和管理。
Description
技术领域
本申请涉及卫星遥感技术领域,特别是涉及一种地表用水量计算方法、装置、计算机设备和存储介质。
背景技术
农业地表用水量的准确获取,对于农业灌溉监测、灌区的灌溉制度优化以及灌区水资源的分配和管理都有着十分重要的意义。
传统的地表用水量主要通过灌溉机制直接推算,或采用典型的田块法间接推算,由于利用固定的经验数据进行估算,导致准确性较低,不利于灌区水资源的合理分配和调整。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高地表用水量监测的空间分辨率和精度的地表用水量计算方法、装置、计算机设备和存储介质。
一种地表用水量计算方法,所述方法包括:
选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分;
选取所述待用水地区在所述预设时刻的多源地表参数和气象驱动数据,根据所述多源地表参数和所述气象驱动数据获取所述预设空间分辨率下的实际蒸散值;
根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
在其中一个实施例中,所述陆表参数包括地表反射率、植被指数及地表温度;
所述选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分包括:
通过对所述地表反射率及所述植被指数进行数据处理,得到所述预设空间分辨率下的地表反照率及修正植被指数;
通过对多种所述地表温度进行数据融合及处理,得到所述预设空间分辨率下的融合地表温度;
通过对所述历史降水数据及多种所述历史土壤水分数据进行数据处理,得到所述预设空间分辨率下的修正历史降水数据及多种修正历史土壤水分数据;
根据所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据及多种修正历史土壤水分数据,计算所述预设空间分辨率下的土壤水分。
在其中一个实施例中,所述根据所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据及多种修正历史土壤水分数据,计算所述预设空间分辨率下的土壤水分包括:
获取所述待用水地区在所述预设时刻的土壤质地信息;
将所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据、多种修正历史土壤水分数据及所述预设时刻的土壤质地信息作为输入数据,输入随机森林模型,得到所述预设空间分辨率下的土壤水分。
在其中一个实施例中,所述多源地表参数包括叶面积指数、光合有效辐射率、融合地表温度、地物分类和数字高程模型;
所述选取所述待用水地区在所述预设时刻的多源地表参数和气象驱动数据,根据所述多源地表参数和所述气象驱动数据获取所述预设空间分辨率下的实际蒸散值包括:
通过对所述大气驱动数据进行数据处理,得到所述预设空间分辨率下的修正大气驱动数据;
通过对所述叶面积指数及所述光合有效辐射率进行数据处理,得到所述预设空间分辨率下的修正叶面积指数及修正光合有效辐射率;
根据所述修正叶面积指数,计算植被覆盖度;
根据所述植被覆盖度,计算冠层高度;
根据所述修正光合有效辐射率,计算冠层对可见光的吸收率及冠层对近红外的吸收率;
根据所述融合地表温度、所述地物分类、所述数字高程模型、所述修正大气驱动数据、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率,计算所述预设空间分辨率下的实际蒸散值。
在其中一个实施例中,所述根据所述融合地表温度、所述地物分类、所述数字高程模型、所述修正空气温度、所述修正大气驱动数据(、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率,计算所述预设空间分辨率下的实际蒸散值包括:
将所述融合地表温度、所述地物分类、所述数字高程模型、所述修正大气驱动数据、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率作为输入数据,输入双源能量平衡模型,得到潜热通量;
获取短波辐射数据,并根据所述短波辐射数据,将所述潜热通量转化为所述预设空间分辨率下的实际蒸散值。
在其中一个实施例中,所述根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量包括:
将所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值作为输入数据,输入率定后的土壤水量平衡模型,得到所述预设空间分辨率下的地表用水量。
在其中一个实施例中,在将所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值作为输入数据,输入率定后的土壤水量平衡模型之前,还包括:
获取初始土壤水量平衡模型;
根据所述历史降水数据通过遗传算法对所述初始土壤水量平衡模型的模型参数进行率定,得到所述率定后的土壤水量平衡模型。
一种地表用水量计算装置,所述装置包括:
土壤水分计算模块,用于选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分;
实际蒸散值计算模块,用于选取所述待用水地区在所述预设时刻的多源地表参数和气象驱动数据进行,根据所述多源地表参数和气象驱动数据获取所述预设空间分辨率下的实际蒸散值;
地表用水量计算模块,用于根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
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上述的方法的步骤。
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上述的方法的步骤。
上述地表用水量计算方法、装置、计算机设备和存储介质,通过选取预设时刻的陆表参数、历史土壤水分数据、历史降水数据及多源地表参数和气象驱动数据进行数据处理,计算得到预设空间分辨率下的土壤水分及实际蒸散值,并根据获取到的历史降水数据、计算得到的预设空间分辨率下的土壤水分及实际蒸散值,计算预设空间分辨率下的地表用水量,从而解决传统的地表用水量估算方法不确定性较大、难以获取时空分布信息的问题,有利于灌区掌握水资源的空间分配情况,进而进行合理的调整和管理。
附图说明
图1为一个实施例中地表用水量计算方法的应用环境图;
图2为一个实施例中地表用水量计算方法的流程示意图;
图3为一个实施例中土壤水分计算步骤的流程示意图;
图4为一个实施例中实际蒸散值计算步骤的流程示意图;
图5为一个实施例中不同时段随机森林降尺度后的土壤水分(CCI_CLDAS SSM)(1km×1km)与地面站点观测土壤水分对比的散点图;
图6为一个实施例中经过双源能量平衡模型(TSEB)和时间升尺度方法估算的5月和8月中旬的蒸散空间图;
图7为一个实施例中土壤水量模型(SM2RAIN)在率定期(a)和验证期(b)的模拟降水与中国陆面数据同化系统降水数据(CLDAS Pre)的对比散点图;
图8为一个实施例中基于地面观测土壤水分(a)和降尺度土壤水分(CCI_CLDASSSM,(b))估算的月地表用水量和中国陆面数据同化系统月降水量(CLDAS Pre)的柱状图;
图9为一个实施例中2016年估算的蒸散(TSEB ET(a))与地表用水量(b)的空间分布图;
图10为一个实施例中地表用水量计算装置的结构框图;
图11为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。
本申请提供的地表用水量计算方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102选取待用水地区在预设时刻的陆表参数、历史土壤水分数据、历史降水数据及多源地表参数和气象驱动数据进行数据处理,并将数据处理结果发送至服务器104,服务器104根据接收到的数据处理结果计算预设空间分辨率下的土壤水分及实际蒸散值,服务器104根据预设时刻的历史降水数据、计算得到的预设空间分辨率下的土壤水分及实际蒸散值,计算预设空间分辨率下的地表用水量。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种地表用水量计算方法,该计算方法应用于灌溉且以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分。
其中,所述陆表参数用于表征灌溉区域地表对辐射的反射情况、地表植被生长状况以及地表温度等情况,包括地表反射率(Reflectance)、植被指数及地表温度(LST),其中,植被指数可以为归一化差值植被指数(NDVI);所述历史土壤水分数据指的是数据库中存储的空间分辨率较低的土壤水分数据,例如:空间分辨率为25km的欧空局主被动微波土壤水分数据(CCI SSM)及空间分辨率为7km的中国陆面数据同化系统表层土壤水分数据(CLDAS SSM);可以根据卫星遥感监测需求选取预设时刻,此处不做具体限定。
具体地,终端可以从中分辨率成像光谱仪(Moderate-resolution ImagingSpectroradiometer,缩写MODIS)及中国陆面数据同化系统中选取待用水地区在同一预设时刻的陆表参数、历史土壤水分数据及历史降水数据,并对所选取的数据进行数据融合及数据预处理,根据处理结果计算预设空间分辨率下的土壤水分。
步骤204,选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据,根据所述多源地表温度数据获取所述预设空间分辨率下的实际蒸散值。
其中,所述多源地表参数和大气驱动数据用于表征遥感反演的地表参数和再分析数据源的大气驱动数据的集合,包括融合地表温度、叶面积指数(LAI)、光合有效辐射率(FPAR)和大气驱动数据(空气温度、大气压力、比湿、下行短波辐射和风速)。
具体地,终端从MODIS中选取遥感反演的地表温度、叶面积指数、光合有效辐射率,从中国陆面数据同化系统中选取再分析数据源的地表温度和大气驱动数据(空气温度、大气压力、比湿、下行短波辐射和风速),并对选取的遥感反演和再分析数据源的多种数据进行数据预处理,根据处理结果计算预设空间分辨率下的实际蒸散值。进一步,为了确保计算的精度和分辨率,选取多源地表温度数据的预设时刻应与步骤202中的预设时刻保持一致。
步骤206,根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
具体地,终端根据获取到的预设时刻的历史降水数据、步骤202计算得到的预设空间分辨率下的土壤水分及步骤204计算得到的预设空间分辨率下的实际蒸散值,计算该待用水地区在预设空间分辨率下的地表用水量。
上述地表用水量计算方法中,通过选取预设时刻的陆表参数、历史土壤水分数据、历史降水数据及多源地表参数和大气驱动数据进行数据处理,计算得到预设空间分辨率下的土壤水分及实际蒸散值,并根据获取到的历史降水数据、计算得到的预设空间分辨率下的土壤水分及实际蒸散值,计算预设空间分辨率下的地表用水量,从而解决传统的地表用水量估算方法不确定性较大、难以获取时空分布信息的问题,有利于灌区掌握水资源的空间分配情况,进而进行合理的调整和管理。
在一个实施例中,如图3所示,步骤202包括:
步骤2022,通过对所述地表反射率及所述植被指数进行数据处理,得到所述预设空间分辨率下的地表反照率及修正植被指数。
其中,地表反射率指的是某一波段反射能量与入射能量之比,不同波长反射率不同;植被指数用于检测植被的生长状态、植被覆盖度及遮挡部分的辐射能量,能反映出植物冠层的背景影响,例如:土壤、潮湿地面、雪、枯叶、粗糙度等;数据处理方式包括对输入的地表反射率(Reflectance)及归一化差值植被指数进行重投影、重采样和公式计算的方式。
具体地,终端选取数据质量较高的Reflectance产品及NDVI产品进行数据处理,例如:终端可以选取MODIS晴空陆表产品MOD09A1(地表反射率(Reflectance),8天合成产品)及MODIS晴空陆表产品MOD13A2(归一化差值植被指数(NDVI),16天合成产品)进行数据预处理,通过重投影、重采样和公式计算的方式,得到预设空间分辨率下的(例如:空间分辨率为1km)每8天的修正地表反射率(Reflectance)和每16天的修正归一化差值植被指数(NDVI)。
进一步,得到修正地表反射率和修正归一化差值植被指数后,根据公式(1)计算地表反照率,
α=0.16r1+0.291r2+0.243r3+0.116r4+0.112r5+0.081r7-0.0015 (1)
其中,α表示地表反照率;r1-r5和r7分别表示MOD09A1的波段1、2、3、4、5和7的修正地表反射率。
步骤2024,通过对多种所述地表温度进行数据融合及处理,得到所述预设空间分辨率下的融合地表温度。
其中,地表温度包括MODIS中遥感反演的地表温度及中国陆面数据同化系统中再分析数据源的地表温度;数据融合处理方式包括采用预设的融合算法对输入的地表温度进行处理,其中,融合算法可包括对输入的多种地表温度进行重投影、重采样、多时相时空插值和增强时空融合算法(ESTARFM)的方式。
具体地,终端选取质量较高的MODIS中遥感反演的地表温度及中国陆面数据同化系统中再分析数据源的地表温度进行数据处理,例如:终端可以选取采用ESTARFM算法融合遥感反演的MODIS晴空陆表产品MOD11A1(地表温度(LST),逐日11时刻产品)及数据质量较高的再分析数据源的中国陆面数据同化系统地表温度(CLDAS LST,逐小时产品)进行数据预处理,通过重投影、重采样、多时相时空插值算法和增强时空融合算法,根据公式(2)和(3)计算得到地理投影坐标下空间分辨率为1km×1km、每日11时刻的融合地表温度(FusedLST),
F(xw/2,yw/2,tp,B)=Tm×Fm(xw/2,yw/2,tp,B)+Tn×Fn(xw/2,yw/2,tp,B) (2)
其中,F(xw/2,yw/2,tp,B)表示预测时刻tp最终融合的高分辨率地表温度;w表示搜索相似像元的窗口大小;(xw/2,yw/2)表示搜索框内中心像元的位置;B表示用于融合的波段,此处仅使用地温数据;Fk(xw/2,yw/2,tp,B)表示根据时间为tk(k=m,n)的地表温度计算的预测时刻tp的融合地表温度;Tm和Tn分别表示日期m和n的的时间权重;(xi,yi)表示第i个相似像元的位置;M和C分别表示高分辨率地表温度MODIS LST(1km×1km)和低分辨率地表温度CLDAS LST(~7km×7km);Wi和Vi表示相似像元i的权重和转换系数。
步骤2026,通过对所述历史降水数据及多种所述历史土壤水分数据进行数据处理,得到所述预设空间分辨率下的修正历史降水数据及多种修正历史土壤水分数据。
其中,数据处理方式包括对输入的历史降水数据及多种历史土壤水分数据进行重投影和重采样的方式。具体地,终端选取质量较高的历史降水数据及多种历史土壤水分数据进行数据处理,例如:终端选取欧空局主被动微波土壤水分产品(CCI SSM,逐日产品)、中国陆面数据同化系统表层土壤水分产品(CLDAS SSM,逐小时产品)和中国陆面同化系统降水产品(CLDAS Pre,逐小时产品)进行数据预处理,通过重投影、重采样,得到地理投影坐标下空间分辨率为1km×1km逐日的CCI SSM、CLDAS SSM和CLDAS Pre。
步骤2028,根据所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据及多种修正历史土壤水分数据,计算所述预设空间分辨率下的土壤水分。
具体地,将步骤2022计算得到的预设空间分辨率下的地表反照率(Albedo)及修正植被指数(NDVI)、步骤2024计算得到的融合地表温度(Fused LST)、步骤2026计算得到的预设空间分辨率下的修正历史降水数据(CLDAS Pre)及多种修正历史土壤水分数据(CCISSM、CLDAS SSM)输入训练好的模型,计算预设空间分辨率下的土壤水分。
作为一种可选的实施方式,步骤2028具体包括:
步骤20282,获取所述待用水地区在所述预设时刻的土壤质地信息。
其中,土壤质地信息表征土壤的物理性质,即灌溉区的土壤中黏土、壤土和砂土各占的比例;进一步,为了确保计算的精度和分辨率,选取土壤质地信息的预设时刻应与步骤202中的预设时刻保持一致。
步骤20284,将所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据、多种修正历史土壤水分数据及所述预设时刻的土壤质地信息作为输入数据,输入随机森林模型,得到所述预设空间分辨率下的土壤水分。
其中,所述土壤水分表征降尺度的土壤水分。具体地,终端训练随机森林模型,建立地面观测土壤水分和输入数据(CCI SM、CLDAS SM、Fused LST、NDVI、Albedo、降水数据和土壤质地信息)之间的关系。终端将步骤2022计算得到的预设空间分辨率下的地表反照率(Albedo)及植被指数(NDVI)、步骤2024计算得到的融合地表温度(Fused LST)、步骤2026计算得到的预设空间分辨率下的历史降水数据(CLDAS Pre)及多种所述历史土壤水分数据(CCI SSM、CLDAS SSM)作为输入数据(CCI SM、CLDAS SM、Fused LST、NDVI、Albedo、降水数据和土壤质地信息)输入训练好的随机森林模型中。
进一步,终端根据公式(4)计算得到空间完整,每日连续且空间分辨率为1km×1km的土壤水分数据,
SSMO=fRF(C)+ε (4)
C=(LST,Albedo,NDVI,Precipitation,Soil texture,CCI SSM,CLDAS SSM)
其中,SSMo表示降尺度的土壤水分;fRF表示随机森林方法;C表示输入变量;ε表示模拟的误差;Precipitation表示降水数据;Soil texture表示土壤质地信息。
本实施例中,通过将预设空间分辨率下的地表反照率、修正植被指数、融合地表温度、修正历史降水数据、多种修正历史土壤水分数据及预设时刻的土壤质地信息输入训练好的随机森林模型中进行计算,能够获取具有高时空分辨率且精度高的土壤水分数据,为地表用水量的估算提供可靠的数据源,以实现高精度、高时空分辨率地表用水量的制备。
在一个实施例中,如图4所示,步骤204包括:
步骤2042,通过对所述大气驱动数据进行数据处理,得到所述预设空间分辨率下的修正大气驱动数据。
具体地,终端将中国陆面数据同化系统大气驱动数据(空气温度、大气压力、比湿、下行短波辐射、风速,逐小时产品)重投影到地理坐标系统,并进行重采样,得到修正大气驱动数据(修正空气温度、修正大气压力、修正比湿、修正下行短波辐射和修正风速)。
步骤2044,通过对所述叶面积指数及所述光合有效辐射率进行数据处理,得到所述预设空间分辨率下的修正叶面积指数及修正光合有效辐射率。
其中,数据处理方式包括对输入的叶面积指数(LAI)及光合有效辐射率(FPAR)进行重投影、重采样和多时相时空插值的方式。具体地,终端对输入的叶面积指数及光合有效辐射率进行重投影、重采样和多时相时空插值,得到预设空间分辨率下的(例如:空间分辨率为1km)修正LAI和FPAR。
步骤2046,根据所述修正叶面积指数,计算植被覆盖度。
具体地,终端选取质量较高的LAI进行数据处理,例如:终端对MODIS晴空陆表产品MOD15A2的LAI和FPAR进行重投影、重采样和多时相时空线性插值,得到地理投影坐标下空间分辨率为1km×1km逐日的LAI和FPAR,并根据公式(6)计算得到植被覆盖度,
fc(θ)=1-exp(-KbF×fclump) (6)
其中,fc(θ)表示在热红外辐射计视角θ下的植被覆盖度;Kb为常数0.5;F为叶面积指数;fclump为植被集聚因子,与植被类型有关。
步骤2048,根据所述植被覆盖度,计算冠层高度。
具体地,终端根据公式(7)计算得到冠层高度,
pc=pc,min+fc(θ)(pc,max-pc,min)(p=h,lw) (7)
其中,pc为冠层高度(p=h),pc,max和pc,min为相应植被参数的最大和最小值,与植被类型有关。
步骤2050,根据所述修正光合有效辐射率,计算冠层对可见光的吸收率及冠层对近红外的吸收率。
具体地,终端根据公式(8)计算得到冠层对可见光的吸收率及冠层对近红外的吸收率,
ai=fparail+(1-fpar)aid(i=v,n) (8)
其中,ai1(i=v,n)为绿叶对可见光、近红外的吸收率常数;aid(i=v,n)为枯叶对可见光、近红外的吸收率常数,与地物分类有关。
步骤2052,根据所述融合地表温度、所述地物分类、所述数字高程模型、所述修正大气驱动数据、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率,计算所述预设空间分辨率下的实际蒸散值。
具体地,将步骤2044计算得到的预设空间分辨率下的叶面积指数(LAI)、步骤2046计算得到的植被覆盖度(Fc)、步骤2050计算得到的冠层高度(Ch)、冠层对可见光的吸收率(Absv)及冠层对近红外的吸收率(Absn)输入模型,计算预设空间分辨率下的实际蒸散值。
作为一种可选的实施方式,步骤2052具体包括:
步骤20522,将所述融合地表温度、所述地物分类、所述数字高程模型、所述修正大气驱动数据、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率作为输入数据,输入双源能量平衡模型,得到潜热通量。
其中,潜热通量指总的潜热,包括植被部分潜热(LEc)和土壤部分潜热(LEs)。具体地,终端对步骤2024计算得到的融合地表温度(Fused LST)、步骤2042得到的修正大气驱动数据(修正空气温度、修正大气压力、修正比湿、修正下行短波辐射和修正风速)、MODIS陆表产品MCD12Q1(地物分类(LC),逐年产品)和GMTED2010(数字高程模型(DEM),2010)进行重投影,将步骤2044计算得到的预设空间分辨率下的叶面积指数(LAI)、步骤2046计算得到的植被覆盖度(Fc)、步骤2048计算得到的冠层高度(Ch)、冠层对可见光的吸收率(Absv)及冠层对近红外的吸收率(Absn)作为输入数据(Fused LST、大气驱动数据、LC、DEM、LAI、Fc、Ch、Absv、Absn)输入双源能量平衡模型(TSEB)。
进一步,终端根据公式(8)-(19)计算得到对应于每日上午11时的潜热通量(LE),
Trad(θ)≈[fc(θ)Tc 4+(1-fc(θ))Ts 4]1/4 (8)
Rn=Rn,c+Rn,s (9)
Rn,c=LEc+Hc (10)
Rn,s=LEs+Hs+G (11)
其中,公式(8)中,Trad(θ)表示热红外辐射视场观测的地表温度;Tc为冠层表面温度,Ts为划分的土壤表面温度;公式(9)中,Rn为净辐射通量,带下标c和s的分别为植被、土壤利用的净辐射组分;公式(10)中,LEc和Hc为植被部分的潜热和感热通量;公式(11)中,LEs和Hs为土壤部分的潜热和感热通量,G为土壤热通量;公式(12)中,αPT是Priestley-Taylor系数,初值为1.26,Δ为饱和水汽压-温度曲线的斜率,γ为湿度计算常数,fG为冠层绿色植被系数,由公式(13)得到;公式(13)中,fpar为光合有效辐射率;作物旺盛生长阶段根据叶面积指数旺盛生长开始阈值(LAIvs)和结束阈值(LAIve)来判断,即当作物生长过程中,LAI界于LAIvs和LAIvs之间,我们认为其处于达到旺盛生长阶段。在旺盛生长阶段,fG设为定值0.8;而其他时刻,fG则用fpar来表示。
G=αGRn,s (16)
αiG=Γc+(Γs-Γc)(Trad,i-Trad,i,min)/(Trad,i,max-Trad,i,min) (17)
H=Hc+Hs (18)
LE=LEc+LEs (19)
其中,公式(14)中,ρ为空气密度,Cp为定压热容,Tac为空气动力学温度,rx为植被阻抗;公式(15)中,rs为土壤阻抗;公式(16)中,αG是土壤热通量系数,每个像元的土壤热通量系数由公式(17)得到;公式(17)中Гc为植被完全覆盖时的取值0.05;Гs为土壤完全裸露时的取值0.315;Trad,i为计算当日的i像元的地温值;Trad,i,max和Trad,i,min为i像元时序上地温的最大值和最小值;公式(18)中,H为感热通量;公式(19)中,LE为潜热通量。
步骤20524,获取短波辐射数据,并根据所述短波辐射数据,将所述潜热通量转化为所述预设空间分辨率下的实际蒸散值。
具体地,终端将来自云和地球辐射能系统的日平均下行短波辐射数据(CERESSYN1deg 4.1 Rd,逐日产品)进行重采样,根据时间尺度转换方法,假设瞬时潜热(LE)与瞬时下行短波辐射(R)的比值在一天内保持不变,进行时间尺度转换,利用卫星反演的日均下行短波辐射数据(CERES SYN1deg 4.1 Rd),根据公式(20)将LE转化为日蒸散数据(TSEBET):
其中,ETd为日时间尺度的蒸散(mm d-1);LE为11时刻的潜热通量(W m-2);Rd为日时间尺度的下行短波辐射(MJ m-2d-1);λ为汽化潜热(MJ kg-1);ρw为水的密度(kg m-3);R为11时刻的下行短波辐射(W m-2)。
本实施例中,通过将融合地表温度、修正大气驱动数据、地物分类、数字高程模型、叶面积指数、植被覆盖度、冠层高度、冠层对可见光的吸收率及冠层对近红外的吸收率输入双源能量平衡模型计算潜热通量,并根据时间尺度转换方法,将潜热通量转化为实际日蒸散值,能够获取具有高时空分辨率且精度高的实际蒸散值,进一步提高地表用水量监测的空间分辨率和精度,使其更有效地应用于水资源和农业灌溉管理当中。
作为一种可选的实施方式,步骤206包括:
将所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值作为输入数据,输入率定后的土壤水量平衡模型,得到所述预设空间分辨率下的地表用水量。
具体地,终端将步骤202中选取的待用水地区预设时刻的历史降水数据、步骤202计算得到的预设空间分辨率下的土壤水分及步骤204计算得到的预设空间分辨率下的实际蒸散值作为输入数据输入率定后的土壤水量平衡模型,例如:终端获取中国陆面数据同化系统的降水数据(CLDAS Pre,逐小时产品),并将步骤202计算得到的空间分辨率为1km×1km的、每日连续且空间完整的土壤水分(CCI_CLDAS SSM,逐日产品)、步骤204计算得到的空间分辨率为1km×1km的、每日连续且空间完整的实际蒸散值(TSEB ET)及该降水数据作为输入数据输入率定后的土壤水量平衡模型(SM2RAIN)。
进一步,终端通过该率定后的土壤水量平衡模型对输入的数据进行融合计算,根据公式(21)计算地表用水量,
其中,P+I表示通过降水、灌溉方式供给土壤的水量;P为降水量;I为灌溉量;ETd和a(S(t))b表示通过蒸散、下渗方式消耗土壤的水量;a、b和ΔZ为待率定参数;S(t)为t时刻的相对土壤水分,根据观测土壤水分时序上的最大、最小值归一化得到;dS(t)/dt表示相对土壤水分变化率;表示土壤水量的变化量;在发生降水的时刻,这个公式中I为0,通过蒸散和土壤水分数据,可以模拟降水P,用于率定参数a、b和ΔZ。当得到率定的最优参数后,将降水P移动到等式右边,可以根据蒸散、土壤水分和降水数据模拟灌溉量。
进一步,终端可以通过对日蒸散、日降水进行累计得到月蒸散、月降水,用每月第一天和下月第一天的土壤水分数据作为该月土壤水分始末状态值,代入到土壤水量模型中进行计算,得到空间分辨率为1km×1km的逐月地表用水量空间分布信息的。同时,终端可以通过对月地表用水量进行累计得到年尺度的地表用水量。
本实施例中,通过将预设时刻的降水数据、预设空间分辨率下的土壤水分及预设空间分辨率下的实际蒸散值输入率定后的土壤水量平衡模型进行计算,得到地表用水量,能够使地表用水量在空间分辨率和精度上进一步提高。
在其中一个实施例中,在步骤206之前还包括:
步骤302,获取初始土壤水量平衡模型。
步骤304,根据所述历史降水数据通过遗传算法对所述初始土壤水量平衡模型的模型参数进行率定,得到所述率定后的土壤水量平衡模型。
具体地,为了得到最优模型参数,终端采用遗传算法,以地面降水作为参考,随机选取有降雨发生时40%的降水数据对步骤302中的初始土壤水量平衡模型(SM2RAIN)的模型参数进行率定(假设有降水发生时无灌溉),利用剩下的60%的降水数据进行模型的验证,当用于验证的60%的降水和对应时刻的模拟降水计算的目标函数(相关系数和均方根误差组合)达到最小时,结束验证过程。
举例说明,将上述地表用水量计算方法应用于位山灌区进行试验,如图5-9,在降水发生时段(无灌溉),SM2RAIN模型率定期相关系数为0.81,而验证期相关系数达到0.7,说明该模型能够比较准确的模拟降水,为灌溉量的准确估算提供支撑。基于地面观测土壤水分和基于降尺度土壤水分(CCI_CLDAS SSM)在位山站点的月灌溉量分布相似且比较合理,均表现为6、7和8月无灌溉,而灌溉主要集中在3、4和5月的小麦季。位山灌区空间平均年灌溉量为287mm/年。由此可见,上述地表用水量计算方法具有较好的适用性和推广性。
应该理解的是,虽然图2-4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2-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的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10所示,提供了一种地表用水量计算装置,包括:土壤水分计算模块401、实际蒸散值计算模块402和地表用水量计算模块403,其中:
土壤水分计算模块401,用于选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分;
实际蒸散值计算模块402,用于选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据,根据所述多源地表参数和所述大气驱动数据获取所述预设空间分辨率下的实际蒸散值;
地表用水量计算模块403,用于根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
在其中一个实施例中,土壤水分计算模块401,具体用于通过对所述地表反射率及所述植被指数进行数据处理,得到所述预设空间分辨率下的地表反照率及修正植被指数;通过对多种所述地表温度进行数据融合及处理,得到所述预设空间分辨率下的融合地表温度;通过对所述历史降水数据及多种所述历史土壤水分数据进行数据处理,得到所述预设空间分辨率下的修正历史降水数据及多种修正历史土壤水分数据;根据所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据及多种修正历史土壤水分数据,计算所述预设空间分辨率下的土壤水分。
在其中一个实施例中,土壤水分计算模块401,具体用于获取所述待用水地区在所述预设时刻的土壤质地信息;将所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据、多种修正历史土壤水分数据及所述预设时刻的土壤质地信息作为输入数据,输入随机森林模型,得到所述预设空间分辨率下的土壤水分。
在其中一个实施例中,实际蒸散值计算模块402,具体用于通过对所述大气驱动数据进行数据处理,得到所述预设空间分辨率下的修正大气驱动数据;通过对所述叶面积指数及所述光合有效辐射率进行数据处理,得到所述预设空间分辨率下的修正叶面积指数及修正光合有效辐射率;根据所述修正叶面积指数,计算植被覆盖度;根据所述植被覆盖度,计算冠层高度;根据所述修正光合有效辐射率,计算冠层对可见光的吸收率及冠层对近红外的吸收率;根据所述融合地表温度、所述地物分类、所述数字高程模型、所述修正大气驱动、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率,计算所述预设空间分辨率下的实际蒸散值。
在其中一个实施例中,实际蒸散值计算模块402,具体用于将所述融合地表温度、所述地物分类、所述数字高程模型、所述修正大气驱动、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率作为输入数据,输入双源能量平衡模型,得到潜热通量;获取短波辐射数据,并根据所述短波辐射数据,将所述潜热通量转化为所述预设空间分辨率下的实际蒸散值。
在其中一个实施例中,地表用水量计算模块403,具体用于将所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值作为输入数据,输入率定后的土壤水量平衡模型,得到所述预设空间分辨率下的地表用水量。
在其中一个实施例中,还包括率定后的土壤水量平衡模型获取模块404,用于获取初始土壤水量平衡模型;根据所述历史降水数据通过遗传算法对所述初始土壤水量平衡模型的模型参数进行率定,得到所述率定后的土壤水量平衡模型。
关于地表用水量计算装置的具体限定可以参见上文中对于地表用水量计算方法的限定,在此不再赘述。上述地表用水量计算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服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储地表用水量计算数据。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地表用水量计算方法。
本领域技术人员可以理解,图11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:
选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分;
选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据,根据所述多源地表参数和所述大气驱动数据获取所述预设空间分辨率下的实际蒸散值;
根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
在一个实施例中,还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上述各方法实施例中的步骤。
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:
选取待用水地区在预设时刻的陆表参数、历史土壤水分数据及历史降水数据进行数据处理,计算预设空间分辨率下的土壤水分;
选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据,根据所述多源地表参数和所述大气驱动数据获取所述预设空间分辨率下的实际蒸散值;
根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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 (10)
1.一种地表用水量计算方法,其特征在于,所述方法包括:
通过对待用水地区在预设时刻的地表反射率及植被指数进行数据处理,得到所述预设空间分辨率下的地表反照率及修正植被指数;
通过对所述待用水地区在预设时刻的多种地表温度进行数据融合及处理,得到所述预设空间分辨率下的融合地表温度;
通过对所述待用水地区在预设时刻的历史降水数据及多种所述历史土壤水分数据进行数据处理,得到所述预设空间分辨率下的修正历史降水数据及多种修正历史土壤水分数据;
根据所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据及多种修正历史土壤水分数据,计算预设空间分辨率下的土壤水分;
选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据,根据所述多源地表参数和所述大气驱动数据获取所述预设空间分辨率下的实际蒸散值;
根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
2.根据权利要求1所述的方法,其特征在于,所述大气驱动数据包括:空气温度、大气压力、比湿、下行短波辐射和风速。
3.根据权利要求1所述的方法,其特征在于,所述根据所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据及多种修正历史土壤水分数据,计算所述预设空间分辨率下的土壤水分包括:
获取所述待用水地区在所述预设时刻的土壤质地信息;
将所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据、多种修正历史土壤水分数据及所述预设时刻的土壤质地信息作为输入数据,输入随机森林模型,得到所述预设空间分辨率下的土壤水分。
4.根据权利要求1所述的方法,其特征在于,所述多源地表参数包括叶面积指数、光合有效辐射率、融合地表温度、地物分类和数字高程模型;
所述选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据,根据所述多源地表参数和所述大气驱动数据获取所述预设空间分辨率下的实际蒸散值包括:
通过对所述大气驱动数据进行数据处理,得到所述预设空间分辨率下的修正大气驱动数据;
通过对所述叶面积指数及所述光合有效辐射率进行数据处理,得到所述预设空间分辨率下的修正叶面积指数及修正光合有效辐射率;
根据所述修正叶面积指数,计算植被覆盖度;
根据所述植被覆盖度,计算冠层高度;
根据所述修正光合有效辐射率,计算冠层对可见光的吸收率及冠层对近红外的吸收率;
根据所述融合地表地温、所述地物分类、所述数字高程模型、所述修正大气驱动数据、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率,计算所述预设空间分辨率下的实际蒸散值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述融合地表地温、所述地物分类、所述数字高程模型、所述修正大气驱动数据、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率,计算所述预设空间分辨率下的实际蒸散值包括:
将所述融合地表地温、所述地物分类、所述数字高程模型、所述修正大气驱动数据、所述植被覆盖度、所述冠层高度、所述冠层对可见光的吸收率及所述冠层对近红外的吸收率作为输入数据,输入双源能量平衡模型,得到潜热通量;
获取短波辐射数据,并根据所述短波辐射数据,将所述潜热通量转化为所述预设空间分辨率下的实际蒸散值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量包括:
将所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值作为输入数据,输入率定后的土壤水量平衡模型,得到所述预设空间分辨率下的地表用水量。
7.根据权利要求6所述的方法,其特征在于,在将所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值作为输入数据,输入率定后的土壤水量平衡模型之前,还包括:
获取初始土壤水量平衡模型;
根据所述历史降水数据通过遗传算法对所述初始土壤水量平衡模型的模型参数进行率定,得到所述率定后的土壤水量平衡模型。
8.一种地表用水量计算装置,其特征在于,所述装置包括:
土壤水分计算模块,用于通过对待用水地区在预设时刻的地表反射率及植被指数进行数据处理,得到所述预设空间分辨率下的地表反照率及修正植被指数;通过对所述待用水地区在预设时刻的多种地表温度进行数据融合及处理,得到所述预设空间分辨率下的融合地表温度;通过对所述待用水地区在预设时刻的历史降水数据及多种所述历史土壤水分数据进行数据处理,得到所述预设空间分辨率下的修正历史降水数据及多种修正历史土壤水分数据;根据所述地表反照率、修正植被指数、融合地表温度、修正历史降水数据及多种修正历史土壤水分数据,计算预设空间分辨率下的土壤水分;
实际蒸散值计算模块,用于选取所述待用水地区在所述预设时刻的多源地表参数和大气驱动数据进行,根据所述多源地表参数和所述大气驱动数据获取所述预设空间分辨率下的实际蒸散值;
地表用水量计算模块,用于根据所述预设时刻的历史降水数据、所述预设空间分辨率下的土壤水分及所述预设空间分辨率下的实际蒸散值,计算所述待用水地区在所述预设空间分辨率下的地表用水量。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010288333.4A CN111401790B (zh) | 2020-04-14 | 2020-04-14 | 地表用水量计算方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010288333.4A CN111401790B (zh) | 2020-04-14 | 2020-04-14 | 地表用水量计算方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401790A CN111401790A (zh) | 2020-07-10 |
CN111401790B true CN111401790B (zh) | 2020-12-01 |
Family
ID=71436895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010288333.4A Active CN111401790B (zh) | 2020-04-14 | 2020-04-14 | 地表用水量计算方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401790B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111567A (zh) * | 2021-02-26 | 2021-07-13 | 中国科学院空天信息创新研究院 | 蒸散发成分分离方法、成分分离装置、设备及介质 |
CN114461983B (zh) * | 2022-02-09 | 2023-03-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于水量平衡原理的卫星降水产品空间降尺度方法 |
CN117094516B (zh) * | 2023-08-24 | 2024-02-23 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104396700A (zh) * | 2014-11-21 | 2015-03-11 | 无锡悟莘科技有限公司 | 一种远程灌溉控制系统 |
CN107644284A (zh) * | 2017-07-25 | 2018-01-30 | 北京师范大学 | 一种农田蒸散估算方法及系统 |
CN108802728A (zh) * | 2018-04-28 | 2018-11-13 | 中国农业大学 | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 |
CN109115995A (zh) * | 2018-08-30 | 2019-01-01 | 清华大学 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
CN109919250A (zh) * | 2019-03-19 | 2019-06-21 | 中国科学院地理科学与资源研究所 | 考虑土壤水分的蒸散发时空特征融合方法及装置 |
CN110245854A (zh) * | 2019-06-05 | 2019-09-17 | 中国科学院新疆生态与地理研究所 | 一种干旱区内陆河流域生产、生活和生态用水的配置方法 |
CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102148076B1 (ko) * | 2018-08-09 | 2020-08-25 | (주)테크넬 | 무기이온 농도를 분석하는 방법 및 장치 |
CN109344536A (zh) * | 2018-10-30 | 2019-02-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种耦合多源数据的多层次被动微波土壤水分验证方法 |
CN110533326A (zh) * | 2019-08-30 | 2019-12-03 | 河海大学 | 一种与水相关的生态环境承载力预估调控系统 |
-
2020
- 2020-04-14 CN CN202010288333.4A patent/CN111401790B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104396700A (zh) * | 2014-11-21 | 2015-03-11 | 无锡悟莘科技有限公司 | 一种远程灌溉控制系统 |
CN107644284A (zh) * | 2017-07-25 | 2018-01-30 | 北京师范大学 | 一种农田蒸散估算方法及系统 |
CN108802728A (zh) * | 2018-04-28 | 2018-11-13 | 中国农业大学 | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 |
CN109115995A (zh) * | 2018-08-30 | 2019-01-01 | 清华大学 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
CN109919250A (zh) * | 2019-03-19 | 2019-06-21 | 中国科学院地理科学与资源研究所 | 考虑土壤水分的蒸散发时空特征融合方法及装置 |
CN110245854A (zh) * | 2019-06-05 | 2019-09-17 | 中国科学院新疆生态与地理研究所 | 一种干旱区内陆河流域生产、生活和生态用水的配置方法 |
CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
Non-Patent Citations (1)
Title |
---|
农田蒸散实测方法研究进展;王笑影;《农业系统科学与综合研究》;20040201;第20卷(第1期);第27-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111401790A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nieto et al. | Evaluation of TSEB turbulent fluxes using different methods for the retrieval of soil and canopy component temperatures from UAV thermal and multispectral imagery | |
Pôças et al. | Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches | |
US11291172B2 (en) | Methods and systems for irrigation guidance | |
De la Casa et al. | Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
Kustas et al. | Utility of the two-source energy balance (TSEB) model in vine and interrow flux partitioning over the growing season | |
Dente et al. | Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield | |
CN111401790B (zh) | 地表用水量计算方法、装置、计算机设备和存储介质 | |
Chen et al. | Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network | |
Ma et al. | Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter | |
Anderson et al. | Upscaling ground observations of vegetation water content, canopy height, and leaf area index during SMEX02 using aircraft and Landsat imagery | |
Fernández-Pacheco et al. | A digital image-processing-based method for determining the crop coefficient of lettuce crops in the southeast of Spain | |
Neale et al. | Soil water content estimation using a remote sensing based hybrid evapotranspiration modeling approach | |
Zhou et al. | Developing a fused vegetation temperature condition index for drought monitoring at field scales using Sentinel-2 and MODIS imagery | |
CN105046242B (zh) | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 | |
Cohen et al. | Crop water status estimation using thermography: multi-year model development using ground-based thermal images | |
Duveiller et al. | Remotely sensed green area index for winter wheat crop monitoring: 10-Year assessment at regional scale over a fragmented landscape | |
Knipper et al. | Using high-spatiotemporal thermal satellite ET retrievals to monitor water use over California vineyards of different climate, vine variety and trellis design | |
Kamali et al. | Determination of maize water requirement using remote sensing data and SEBAL algorithm | |
Song et al. | Estimation of surface heat fluxes using multi-angular observations of radiative surface temperature | |
Riveros-Burgos et al. | Assessment of the clumped model to estimate olive orchard evapotranspiration using meteorological data and UAV-based thermal infrared imagery | |
Genanu et al. | Remote sensing based estimation of Evapo-transpiration using selected algorithms: the case of Wonji Shoa sugar cane estate, Ethiopia | |
Gebremedhin et al. | Deriving potential evapotranspiration from satellite-based reference evapotranspiration, Upper Tekeze Basin, Northern Ethiopia | |
Hou et al. | Estimation of crop transpiration and its scale effect based on ground and UAV thermal infrared remote sensing images | |
Kustas et al. | Impact of advection on two-source energy balance (TSEB) canopy transpiration parameterization for vineyards in the California Central Valley |
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 |