CN111860325A - 土壤水分反演方法、装置、计算机可读介质和电子设备 - Google Patents
土壤水分反演方法、装置、计算机可读介质和电子设备 Download PDFInfo
- Publication number
- CN111860325A CN111860325A CN202010701686.2A CN202010701686A CN111860325A CN 111860325 A CN111860325 A CN 111860325A CN 202010701686 A CN202010701686 A CN 202010701686A CN 111860325 A CN111860325 A CN 111860325A
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- soil moisture
- vegetation index
- incident angle
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
- G01S17/90—Lidar systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4735—Solid samples, e.g. paper, glass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例提供了一种土壤水分反演方法、装置、计算机可读介质和电子设备。该方法根据目标区域的入射角图像、不同极化方式下的SAR遥感图像,得到目标区域自带坐标信息的入射角图像、后向散射系数图像;根据预先得到的光学遥感图像,得到目标区域的植被指数图像;根据样本区域的经纬度信息,在入射角图像、植被指数图像、后向散射系数图像中,提取样本区域的入射角、植被指数、后向散射系数;根据样本区域的实测水分数据、入射角、植被指数、后向散射系数,确定土壤水分反演模型中的未知参数;基于土壤水分反演模型,根据目标区域的入射角图像、植被指数图像、不同极化方式的后向散射系数图像,得到目标区域的土壤水分图像。
Description
技术领域
本申请实施例涉及地理监测技术领域,具体涉及一种土壤水分反演方法、装置、计算机可读介质和电子设备。
背景技术
土壤水分在水文模型、气候模型和生态模型中扮演重要角色,同时在路面水资源形成、转化、消耗过程中占据主要位置。土壤水分测量在干旱预报、天气模拟、农作物估产和水资源管理等应用中具有重要意义。
传统的土壤水分测量方法中,如重量测量法、烘干法、中子法、张力计法等都是基于点的测量,通常能够提供准确的结果,其操作简单方便,但需要实地操作和复杂的后处理信息,不仅需要消耗巨大的人力和财力,而且无法满足短时间内获取大范围的土壤水分信息。随着科技的发展,监测土壤水分的方式变得多样化,根据传感器类型和电磁波频段的不同,土壤水分遥感监测可分为微波遥感和光学(热红外、可见光)遥感。光学遥感具有理论研究成熟、较高空间分辨率、宽覆盖度和多种传感器可用的优点,但也具有与土壤水分关系不密切、对地表穿透能力弱、受植被层干扰大、易受云雨天气限制、在时序获取连续性方面不足等缺点;合成孔径雷达(synthetic aperture radar,简称SAR)遥感在具有对土壤水分具有高敏感性、对地表有一定的穿透力、对植被具有一定的穿透能力、具有全天时、全天候观测能力的特点同时,也受到地表形态、植被覆盖等的限制。
综上所述,如何充分利用遥感技术的优势对农作物覆盖地表土壤水分进行监测仍是一种挑战。
发明内容
有鉴于此,本申请实施例提供一种土壤水分反演方法、装置、计算机可读介质和电子设备,用以解决或缓解上述技术中存在的技术问题。
本申请实施例提供一种土壤水分反演方法,用于获取目标区域的土壤水分图像,包括:根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像,其中,所述极化方式包括同向极化和异向极化;根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数,其中,所述样本区域包含于所述目标区域;根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。
可选地,在本申请的任一实施例中,根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像,包括:根据预先得到的合成孔径雷达在同向极化方式下所述目标区域的SAR遥感图像,得到同向极化方式下所述目标区域的后向散射系数图像;根据预先得到的合成孔径雷达在异向极化方式下所述目标区域的SAR遥感图像,得到异向极化方式下所述目标区域的后向散射系数图像;对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码,得到所述目标区域自带坐标信息的入射角图像、同向极化方式下自带坐标信息的后向散射系数图像、异向极化方式下自带坐标信息的后向散射系数图像。
可选地,在本申请的任一实施例中,所述根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像,包括:对预先得到的所述目标区域的光学遥感图像中近红外波段、可见光-红光波段、短波红外波段进行提取,分别得到所述光学遥感图像中的近红外波段图像、可见光-红光波段图像以及短波红外波段图像;基于预设的植被指数模型,根据所述近红外波段图像、所述可见光-红光波段图像以及所述短波红外波段图像,得到所述目标区域的植被指数图像。
可选地,在本申请的任一实施例中,所述根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像中、所述植被指数图像中、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数,包括:根据样本区域的经纬度信息,提取所述目标区域自带坐标信息的入射角图像中,所述样本区域对应坐标的入射角;根据所述经纬度信息,提取不同极化方式下自带坐标信息的后向散射系数图像中,不同极化方式下所述样本区域对应坐标的后向散射系数;根据所述经纬度信息,提取所述目标区域的植被指数图像中,所述样本区域对应坐标的植被指数。
可选地,在本申请的任一实施例中,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数,具体为:根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数。
可选地,在本申请的任一实施例中,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数,具体为:根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,通过最小二乘法对预先构建的所述目标区域的土壤水分反演模型中的未知参数进行拟合,以确定所述未知参数。
可选地,在本申请的任一实施例中,在根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数之前,还包括:基于泰勒函数,根据水云模型,构建含有未知参数的所述目标区域的土壤水分反演模型。
本申请实施例还提供一种土壤水分反演装置,用于获取目标区域的土壤水分图像,包括:后向散射系数图像单元,配置为根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;植被指数图像单元,配置为根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;样本数据提取单元,配置为根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;未知参数确定单元,配置为根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;土壤水分反演单元,配置为基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。
本申请实施例还提供一种计算机存储介质,其上存储有计算机程序,所述程序为如上述任一所述的土壤水分反演方法。
本申请实施例还提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的程序,所述处理器执行所述程序时实现如上述任一所述的土壤水分反演方法。
与最接近的现有技术相比,本申请实施例的技术方案具有如下有益效果:本申请实施例提供的土壤水分反演方法、装置、计算机可读介质和电子设备中,该方法用于获取目标区域的土壤水分图像,包括:根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像,其中,所述极化方式包括同向极化和异向极化;根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;而后,从目标区域中选择部分样本区域,根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;再根据对样本区域实际测量得到的实测水分数据、提取到的入射角、植被指数、不同极化方式下的后向散射系数,确定预先构建的目标区域的土壤水分模型中的未知参数;进而,未知参数确定后,就可以将目标区域自带坐标信息的入射角图像、植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,输入未知参数确定的土壤水分反演模型,对目标区域的土壤水分进行反演,得到目标区域的土壤水分图像。籍此,利用样本区域的实测数据,以及样本区域在目标区域的各图像中对应坐标的入射角、植被指数、不同极化方式下的后向散射系数对构建的土壤水分反演模型中的未知参数进行推导,进而基于未知参数确定后的土壤水分反演模型对目标区域的土壤水分进行反演,得到目标区域的土壤水分图像,不需要再进行实地操作和复杂的后处理,可以快速准确的获取目标区域的土壤水分信息。
附图说明
为了更清楚说明本申请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申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1A为根据本申请的一些实施例提供的土壤水分反演方法的流程示意图;
图1B为根据本申请的一些实施例所示的土壤水分反演方法中步骤S101的流程示意图;
图1C为根据本申请的一些实施例所示的土壤水分反演方法中步骤S102的流程示意图;
图1D-图1G为根据本申请的土壤水分反演方法对黄河冲积扇平原的土壤水分反演的具体实施例;
图2A为根据本申请的一些实施例提供的土壤水分反演装置的结构示意图;
图2B根据本申请的一些实施例提供的后向散射系数图像单元的结构示意图;
图2C根据本申请的一些实施例提供的植被指数图像单元的结构示意图;
图3为根据本申请的一些实施例提供的电子设备的结构示意图;
图4为根据本申请的一些实施例提供的电子设备的硬件结构。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清除、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
首先,需要说明的是,本申请实施例中,SAR遥感图像为合成孔径雷达对农作物覆盖地的微波成像;样本区域为一定范围内的农作物覆盖地表,其在SAR遥感图像、光学遥感图像上看做一点。目标区域为比样本区域更大的区域,在一个目标区域内,包含有多个样本区域。目标区域的SAR遥感图像、光学遥感图像、入射角图像均可以通过互联网从相关网站(比如:https://scihub.copernicus.eu/)获取;其中,获取的SAR遥感图像、入射角图像中不含坐标信息;获取的光学遥感图像中自带坐标信息。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
示例性方法
图1A为根据本申请的一些实施例提供的土壤水分反演方法的流程示意图;如图1A所示,该方法用于获取目标区域的土壤水分图像,包括:
步骤S101、根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;
在本申请实施例中,预先得到的目标区域的SAR遥感图像是合成孔径雷达在同向极化(VV极化)方式下的SAR遥感图像,以及在异向极化(VH极化)方式下的SAR遥感图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,在根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像之前,对所述目标区域的不同极化方式下所述目标区域的SAR遥感图像进行滤波处理。籍此,减少目标区域的合成孔径雷达不同极化方式下目标区域的SAR遥感图像中的噪声斑点,使图像的质量更好。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在对目标区域的入射角图像、不同极化方式下的SAR遥感图像进行滤波时,主要是对图像中的对地多视(Ground Range Detected,简称GRD)数据进行滤波。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图1B为根据本申请的一些实施例所示的土壤水分反演方法中步骤S101的流程示意图;如图1B所示,所述根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像,包括:
步骤S111、根据预先得到的合成孔径雷达在同向极化方式下所述目标区域的SAR遥感图像,得到同向极化方式下所述目标区域的后向散射系数图像;
在一些可选实施例中,对预先得到的合成孔径雷达在同向极化方式下所述目标区域的SAR遥感图像进行辐射定标,得到同向极化方式下所述目标区域的后向散射系数图像。籍此,消除目标区域的SAR遥感图像中存在的传感器误差,提高同向极化方式下后向散射系数图像的精度。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,可以基于预先构建的合成孔径雷达的后向散射系数模型,对合成孔径雷达在同向极化方式下目标区域的SAR遥感图像进行辐射定标,得到同向极化方式下目标区域的后向散射系数图像。合成孔径雷达的后向散射系数图像的数学模型如下述公式(1)所示:
其中,
通常以分贝(dB)表示,为SAR遥感图像中第i行第j列像元的后向散射系数;DNij为SAR遥感图像中第i行第j列像元的灰度值;为定标参数,具体由得到目标区域的SAR遥感图像的合成孔径雷达决定(比如,在本申请实施例中是以合成孔径雷达:Sentinel-1为例)。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
步骤S121、根据预先得到的合成孔径雷达在异向极化方式下的所述目标区域的SAR遥感图像,得到异向极化方式下所述目标区域的后向散射系数图像;
在一些可选实施例中,对预先得到的合成孔径雷达在异向极化方式下的所述目标区域的SAR遥感图像进行辐射定标,得到异向极化方式下所述目标区域的后向散射系数图像。籍此,消除目标区域的SAR遥感图像中存在的传感器误差,提高异向极化方式下后向散射系数图像的精度。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,同样可以通过上述公式(1)对合成孔径雷达在异向极化方式下目标区域的SAR遥感图像进行辐射定标,得到异向极化方式下目标区域的后向散射系数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
步骤S131、对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码,得到所述目标区域自带坐标信息的入射角图像、同向极化方式下自带坐标信息的后向散射系数图像、异向极化方式下自带坐标信息的后向散射系数图像。
在一些可选实施例中,在对所述目标区域的入射角图像进行地理编码,得到所述目标区域自带坐标信息的入射角图像时,将预先得到的所述目标区域的坐标数据写入所述目标区域的入射角图像,得到所述目标区域带有坐标信息的入射角图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,在对同向极化方式下的后向散射系数图像进行地理编码,得到同向极化方式下自带坐标信息的后向散射系数图像时,将预先得到的所述目标区域的坐标数据写入同向极化方式下的后向散射系数图像,得到同向极化方式下自带坐标信息的后向散射系数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,在对异向极化方式下的后向散射系数图像进行地理编码,得到异向极化方式下自带坐标信息的后向散射系数图像时,将预先得到的所述目标区域的坐标数据写入异向极化方式下的后向散射系数图像,得到异向极化方式下自带坐标信息的后向散射系数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,目标区域的坐标数据是在获取目标区域的SAR遥感图像、光学遥感图像、入射角图像时,同时获取到的。通常情况下,从相关网站上获取的目标区域的SAR遥感图像、入射角图像是存在于同一数据包内;光学遥感图像存在于另一数据包内(比如:目标区域的SAR遥感图像、入射角图像是合成孔径雷达卫星获取的,光学遥感图像是光学卫星获取的)。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码时,可以通过距离多普勒(Range-Doppler,简称RD)成像算法对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,步骤S111与步骤S121之间并不存在先后时序关系,可以先执行步骤S111,再执行步骤S121;也可以先执行步骤S121,再执行步骤S111;或者同时执行步骤S111和步骤S121。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
步骤S102、根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;
在本申请实施例中,目标区域的光学遥感图像可以通过互联网从相关网站(比如:https://scihub.copernicus.eu/)获取;其中,获取的光学遥感图像中自带坐标信息。在光学遥感图像中,不同波段的影像特点是不同的,在可见光波段分辨率高,比较容易解译;近红外波段则比较容易区分植被和水体;短波红外波段受大气影响小;因而,通过对光学遥感图像的不同波段进行处理,就可以对地表植被状况进行度量。在此,植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图1C为根据本申请的一些实施例所示的土壤水分反演方法中步骤S102的流程示意图;如图1B所示,所述根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像,包括:
步骤S112、对预先得到的所述目标区域的光学遥感图像中近红外波段、可见光-红光波段、短波红外波段进行提取,分别得到所述光学遥感图像中的近红外波段图像、可见光-红光波段图像以及短波红外波段图像;
在本申请实施例中,根据目标区域的光学遥感图像的经纬度信息,对近红外波段、可见光-红光波段、短波红外波段进行提取,分别得到光学遥感图像中的近红外波段图像、可见光-红光波段图像以及短波红外波段图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
步骤S122、基于预设的植被指数模型,根据所述近红外波段图像、所述可见光-红光波段图像以及所述短波红外波段图像,得到所述目标区域的植被指数图像。
在本申请实施例中,植被指数图像的数学模型如下述公式(2)所示:
其中,
FVI为融合植被指数,ρNIR、ρRED和ρSWIR分别表示光学遥感图像中对应近红外波段值、可见光红外波段值和短波红外波段值。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
步骤S103、根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;
在本申请实施例中,样本区域的经纬度信息可以通过实际测量得到,其与自带坐标信息的入射角图像(或植被指数图像或自带坐标信息的后向散射系数图像)位于同一坐标系下。比如:WGS84坐标系(World Geodetic System一1984Coordinate System)。
在一些可选实施例中,在根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数时,根据样本区域的经纬度信息,提取所述目标区域自带坐标信息的入射角图像中,所述样本区域对应坐标的入射角;以及,根据样本区域的经纬度信息,提取不同极化方式下自带坐标信息的后向散射系数图像中,不同极化方式下所述样本区域对应坐标的后向散射系数;以及,根据样本区域的经纬度信息,提取所述目标区域的植被指数图像中,所述样本区域对应坐标的植被指数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,在根据样本区域的经纬度信息,提取所述目标区域自带坐标信息的入射角图像中,所述样本区域对应坐标的入射角时,通过将样本区域的经纬度信息与入射角图像中的坐标信息进行对应,找到在入射角图像中经纬度对应坐标的入射角,即是样本区域的入射角。同样的方法,即可得到样本区域的后向散射系数和植被指数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
步骤S104、根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;
在一些可选实施例中,在根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数时,根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,在步骤S104之前,需先构建目标区域的土壤水分反演模型,具体可以基于泰勒函数,根据所述水云模型,构建含有未知参数的所述目标区域的土壤水分反演模型。其中,水云模型包括公式(3)以及公式(4)、公式(5);水云模型具体为:
τ2(θ)=exp[-2B·Mv/cos(θ)]………………………(5)
其中,
θ为合成孔径雷达的雷达波的入射角;为任意极化方式下目标区域的后向散射系数,与目标区域植被层的后向散射系数、土壤的后向散射系数有关,p、q分别为合成孔径雷达的雷达信号发射和接收极化方式,包括水平(H)发射或接收,垂直(V)发射或接收;为目标区域植被层的后向散射系数;为目标区域土壤的后向散射系数;τ2(θ)为合成孔径雷达的雷达波穿透植被层的双层衰减因子;
在此:
Mv=a·FVI+b……………………(7)
A、B、d、e、a、b均为未知量;
在本申请实施例中,基于泰勒函数,将τ2(θ)等于exp[-2B·Mv/cos(θ)]泰勒近似为1-2B·Mv·sec(θ),根据公式(2)-(7),构建的目标区域的土壤水分反演模型为:
其中,
Ms为土壤水分;K1、K2、K3、K4、K5、K6为与A、B、d、e、a、b相关的未知参数, 为同向极化方式(VV极化)下的后向散射系数,为异向极化方式(VH极化)下的后向散射系数,和参见通过公式(3)计算得到。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一具体的例子中,在根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数时,根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,通过最小二乘法对预先构建的所述目标区域的土壤水分反演模型中的未知参数进行拟合,以确定所述未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,通过样本区域的实测水分数据、入射角、植被指数、同向极化方式(VV极化)下的后向散射系数和异向极化方式(VH极化)下的后向散射系数的比值,通过最小二乘法拟合土壤水分反演模型(公式(8))中的未知参数(K1、K2、K3、K4、K5、K6)。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
步骤S105、基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。
在本申请实施例中,通过最小二乘法拟合得到土壤水分反演模型中的未知参数(K1、K2、K3、K4、K5、K6)后,即可将目标区域自带坐标信息的入射角图像、植被指数图像、同向极化方式下自带坐标信息的后向散射系数图像、异向极化方式下自带坐标信息的后向散射系数图像均输入土壤水分反演模型,得到目标区域的土壤水分,即目标区域的土壤水分图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,步骤S101与步骤S102之间并不存在先后时序关系,可以先执行步骤S101,再执行步骤S103;也可以先执行步骤S103,再执行步骤S101;或者同时执行步骤S101和步骤S103。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在本申请实施例中,基于水云模型构建目标区域的土壤水分反演模型,利用样本区域的实测数据,以及样本区域的入射角、植被指数、不同极化方式下的后向散射系数对构建的土壤水分反演模型中的未知参数进行拟合,进而基于土壤水分反演模型对目标区域的土壤水分进行反演,得到目标区域的土壤水分图像,不需要再进行实地操作和复杂的后处理,可以快速准确的获取目标区域的土壤水分信息。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图1D-图1G为根据本申请的土壤水分反演方法对黄河冲积扇平原的土壤水分反演的具体实施例。图1D为农作物覆盖下研究区,该地区位于黄河冲积扇平原的尖端,农田覆盖范围广,实行冬小麦与夏玉米的轮作模式,其中冬小麦一般在十月份种植,次年六月份收获。对土壤水分的监测,关系到产量的高低;图1E为土壤水分反演未知参数的拟合过程及本申请的土壤水分反演方法反演土壤水分与实测土壤水分的对比结果、精度评价,包含决定系数、均方根误差;图1F为根据本申请的土壤水分反演方法反演土壤水分值与实测土壤水分值频率范围对比;图1G为农作物覆盖下土壤水分反演效果图。最后表1给出了实测土壤水分值。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
表1
示例性装置
图2A为根据本申请的一些实施例提供的土壤水分反演装置的结构示意图;如图2A所示,该土壤水分反演装置,用于获取目标区域的土壤水分图像,包括:后向散射系数图像单元,配置为根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;植被指数图像单元,配置为根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;样本数据提取单元,配置为根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;未知参数确定单元,配置为根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;土壤水分反演单元,配置为基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图2B根据本申请的一些实施例提供的后向散射系数图像单元的结构示意图;如图2B所示,该后向散射系数图像单元包括:第一散射系数子单元,配置为根据预先得到的合成孔径雷达在同向极化方式下所述目标区域的SAR遥感图像,得到同向极化方式下所述目标区域的后向散射系数图像;第二散射系数子单元,配置为根据预先得到的合成孔径雷达在异向极化方式下所述目标区域的SAR遥感图像,得到异向极化方式下所述目标区域的后向散射系数图像;编码子单元,配置为对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码,得到所述目标区域自带坐标信息的入射角图像、同向极化方式下自带坐标信息的后向散射系数图像、异向极化方式下自带坐标信息的后向散射系数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
图2C根据本申请的一些实施例提供的植被指数图像单元的结构示意图;如图2C所示,该植被指数图像单元包括:波段获取子单元,配置为对预先得到的所述目标区域的光学遥感图像中近红外波段、可见光-红光波段、短波红外波段进行提取,分别得到所述光学遥感图像中的近红外波段值、可见光-红光波段值以及短波红外波段值;植被指数计算子单元,配置为基于预设的植被指数模型,根据所述近红外波段值、所述可见光-红光波段值以及所述短波红外波段值,得到所述目标区域的植被指数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,所述样本数据提取单元,进一步配置为根据样本区域的经纬度信息,提取所述目标区域自带坐标信息的入射角图像中,所述样本区域对应坐标的入射角;根据样本区域的经纬度信息,提取不同极化方式下自带坐标信息的后向散射系数图像中,不同极化方式下所述样本区域对应坐标的后向散射系数;根据样本区域的经纬度信息,提取所述目标区域的植被指数图像中,所述样本区域对应坐标的植被指数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,所述未知参数确定单元,进一步配置为根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一具体的例子中,所述未知参数确定单元,更进一步配置根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,通过最小二乘法对预先构建的所述目标区域的土壤水分反演模型中的未知参数进行拟合,以确定所述未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,所述土壤水分反演装置,还包括:反演模型构建单元,配置为基于泰勒函数,根据所述水云模型,构建含有未知参数的所述目标区域的土壤水分反演模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
本申请实施例提供的土壤水分反演装置能够实现上述土壤水分反演方法实施例中的各个过程,并达到相同的功能和效果,在此不再一一赘述。
示例性介质
本申请实施例还提供一种计算机可读介质,用于存储计算机程序,该计算机可读介质可以为可读存储介质,比如U盘、光盘、硬盘等;也可以为可读信号介质,比如光、点、磁、电磁等器件。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
在一些可选实施例中,该计算机可读介质存储的计算机程序在被处理器执行时,可以实现以下流程:根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,该计算机可读介质存储的计算机程序在被处理器执行时,所述根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像,包括:根据预先得到的合成孔径雷达在同向极化方式下所述目标区域的SAR遥感图像,得到同向极化方式下所述目标区域的后向散射系数图像;根据预先得到的合成孔径雷达在异向极化方式下所述目标区域的SAR遥感图像,得到异向极化方式下所述目标区域的后向散射系数图像;对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码,得到所述目标区域自带坐标信息的入射角图像、同向极化方式下自带坐标信息的后向散射系数图像、异向极化方式下自带坐标信息的后向散射系数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,该计算机可读介质存储的计算机程序在被处理器执行时,所述根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像,包括:对预先得到的所述目标区域的光学遥感图像中近红外波段、可见光-红光波段、短波红外波段进行提取,分别得到所述光学遥感图像中的近红外波段图像、可见光-红光波段图像以及短波红外波段图像;基于预设的植被指数模型,根据所述近红外波段图像、所述可见光-红光波段图像以及所述短波红外波段图像,得到所述目标区域的植被指数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,该计算机可读介质存储的计算机程序在被处理器执行时,所述根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像中、所述植被指数图像中、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数,包括:根据样本区域的经纬度信息,提取所述目标区域自带坐标信息的入射角图像中,所述样本区域对应坐标的入射角;根据所述经纬度信息,提取不同极化方式下自带坐标信息的后向散射系数图像中,不同极化方式下所述样本区域对应坐标的后向散射系数;根据所述经纬度信息,提取所述目标区域的植被指数图像中,所述样本区域对应坐标的植被指数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,该计算机可读介质存储的计算机程序在被处理器执行时,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数,具体为:根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,该计算机可读介质存储的计算机程序在被处理器执行时,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数,具体为:根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,通过最小二乘法对预先构建的所述目标区域的土壤水分反演模型中的未知参数进行拟合,以确定所述未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,该计算机可读介质存储的计算机程序在被处理器执行时,在根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数之前,还包括:基于泰勒函数,根据所述水云模型,构建含有未知参数的所述目标区域的土壤水分反演模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
本申请实施例提供的计算机可读介质能够实现上述土壤水分反演方法实施例中的各个过程,并达到相同的功能和效果,在此不再一一赘述。
示例性设备
图3为根据本申请的一些实施例提供的电子设备的结构示意图;如图3所示,该电子设备包括:
一个或多个处理器;
计算机可读介质,可以配置为存储一个或多个程序,
所述一个或多个处理器执行一个或多个程序时,实现如下步骤:根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,所述一个或多个处理器执行一个或多个程序时,所述根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像的步骤,包括:根据预先得到的合成孔径雷达在同向极化方式下所述目标区域的SAR遥感图像,得到同向极化方式下所述目标区域的后向散射系数图像;根据预先得到的合成孔径雷达在异向极化方式下所述目标区域的SAR遥感图像,得到异向极化方式下所述目标区域的后向散射系数图像;对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码,得到所述目标区域自带坐标信息的入射角图像、同向极化方式下自带坐标信息的后向散射系数图像、异向极化方式下自带坐标信息的后向散射系数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,所述一个或多个处理器执行一个或多个程序时,所述根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像的步骤,包括:对预先得到的所述目标区域的光学遥感图像中近红外波段、可见光-红光波段、短波红外波段进行提取,分别得到所述光学遥感图像中的近红外波段图像、可见光-红光波段图像以及短波红外波段图像;基于预设的植被指数模型,根据所述近红外波段图像、所述可见光-红光波段图像以及所述短波红外波段图像,得到所述目标区域的植被指数图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,所述一个或多个处理器执行一个或多个程序时,所述根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像中、所述植被指数图像中、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数的步骤,包括:根据样本区域的经纬度信息,提取所述目标区域自带坐标信息的入射角图像中,所述样本区域对应坐标的入射角;根据所述经纬度信息,提取不同极化方式下自带坐标信息的后向散射系数图像中,不同极化方式下所述样本区域对应坐标的后向散射系数;根据所述经纬度信息,提取所述目标区域的植被指数图像中,所述样本区域对应坐标的植被指数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,所述一个或多个处理器执行一个或多个程序时,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数的步骤,具体为:根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,所述一个或多个处理器执行一个或多个程序时,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数的步骤,具体为:根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,通过最小二乘法对预先构建的所述目标区域的土壤水分反演模型中的未知参数进行拟合,以确定所述未知参数。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
可选地,所述一个或多个处理器执行一个或多个程序时,所述在根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数的步骤之前,还包括:基于泰勒函数,根据所述水云模型,构建含有未知参数的所述目标区域的土壤水分反演模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
本申请实施例提供的电子设备能够实现上述土壤水分扩散方法实施例中的各个过程,并达到相同的功能和效果,在此不再一一赘述。
图4为根据本申请的一些实施例提供的电子设备的硬件结构;如图4所示,该电子设备用于获取目标区域的土壤水分图像,硬件结构可以包括:处理器、通信接口、计算机可读介质和通信总线;
其中,处理器、通信接口、计算机可读介质通过通信总线完成相互间的通信;
可选地,通信接口可以为通信模块的接口,如GSM模块的接口;
其中,处理器具体可以配置为:根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。可以理解的是,以上描述仅为示例性的,本申请实施例对此并不进行限定。
处理器可以是通用处理器,包括中央处理器(central processing unit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如:IPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如Ipad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如:iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
需要指出,根据实施的需要,可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可以将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD、ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器存储介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的土壤水分反演方法。此外,当通用计算机访问用于实现在此示出的方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和涉及约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同想死的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述得设备及系统实施例仅仅是示意性的,其中作为分离不见说明的单元可以使或者也可以不是物理上分开的,作为单元提示的不见可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上实施方式仅用于说明本申请实施例,而非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专业保护范围应由权利要求限定。
Claims (10)
1.一种土壤水分反演方法,用于获取目标区域的土壤水分图像,其特征在于,包括:根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;
根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;
根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;
根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;
基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。
2.根据权利要求1所述的方法,其特征在于,所述根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像,包括:
根据预先得到的合成孔径雷达在同向极化方式下所述目标区域的SAR遥感图像,得到同向极化方式下所述目标区域的后向散射系数图像;
根据预先得到的合成孔径雷达在异向极化方式下所述目标区域的SAR遥感图像,得到异向极化方式下所述目标区域的后向散射系数图像;
对所述目标区域的入射角图像、同向极化方式下的后向散射系数图像、异向极化方式下的后向散射系数图像分别进行地理编码,得到所述目标区域自带坐标信息的入射角图像、同向极化方式下自带坐标信息的后向散射系数图像、异向极化方式下自带坐标信息的后向散射系数图像。
3.根据权利要求1所述的方法,其特征在于,所述根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像,包括:
对预先得到的所述目标区域的光学遥感图像中近红外波段、可见光红外波段、短波红外波段进行提取,分别得到所述光学遥感图像中的近红外波段图像、可见光-红光波段图像以及短波红外波段图像;
基于预设的植被指数模型,根据所述近红外波段图像、所述可见光-红光波段图像以及所述短波红外波段图像,得到所述目标区域的植被指数图像。
4.根据权利要求1所述的方法,其特征在于,所述根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像中、所述植被指数图像中、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数,包括:
根据样本区域的经纬度信息,提取所述目标区域自带坐标信息的入射角图像中,所述样本区域对应坐标的入射角;
根据所述经纬度信息,提取不同极化方式下自带坐标信息的后向散射系数图像中,不同极化方式下所述样本区域对应坐标的后向散射系数;
根据所述经纬度信息,提取所述目标区域的植被指数图像中,所述样本区域对应坐标的植被指数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数,具体为:
根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数,具体为:
根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下所述样本区域的后向散射系数的比值,通过最小二乘法对预先构建的所述目标区域的土壤水分反演模型中的未知参数进行拟合,以确定所述未知参数。
7.根据权利要求1-6任一所述的方法,其特征在于,在根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数之前,还包括:
基于泰勒函数,根据水云模型,构建含有未知参数的所述目标区域的土壤水分反演模型。
8.一种土壤水分反演装置,用于获取目标区域的土壤水分图像,其特征在于,包括:
后向散射系数图像单元,配置为根据预先得到的所述目标区域的入射角图像、合成孔径雷达不同极化方式下所述目标区域的SAR遥感图像,分别处理得到所述目标区域自带坐标信息的入射角图像、不同极化方式下自带坐标信息的后向散射系数图像;其中,所述极化方式包括同向极化和异向极化;
植被指数图像单元,配置为根据预先得到的所述目标区域的光学遥感图像,得到所述目标区域的植被指数图像;
样本数据提取单元,配置为根据样本区域的经纬度信息,在所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像中,分别提取所述样本区域的入射角、植被指数、不同极化方式下的后向散射系数;其中,所述样本区域包含于所述目标区域;
未知参数确定单元,配置为根据所述样本区域的实测水分数据、所述入射角、所述植被指数、不同极化方式下的后向散射系数,确定预先构建的所述目标区域的土壤水分反演模型中的未知参数;
土壤水分反演单元,配置为基于所述未知参数确定的土壤水分反演模型,根据所述目标区域自带坐标信息的入射角图像、所述植被指数图像、不同极化方式下自带坐标信息的后向散射系数图像,得到所述目标区域的土壤水分图像。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述程序为如权利要求1-7任一所述的土壤水分反演方法。
10.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的程序,所述处理器执行所述程序时实现如权利要求1-7任一所述的土壤水分反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701686.2A CN111860325B (zh) | 2020-07-20 | 2020-07-20 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701686.2A CN111860325B (zh) | 2020-07-20 | 2020-07-20 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860325A true CN111860325A (zh) | 2020-10-30 |
CN111860325B CN111860325B (zh) | 2023-09-15 |
Family
ID=73002439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701686.2A Active CN111860325B (zh) | 2020-07-20 | 2020-07-20 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860325B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113759389A (zh) * | 2021-09-09 | 2021-12-07 | 中国科学院东北地理与农业生态研究所 | 一种基于ndvi的作物雷达信号入射角归一化方法 |
CN115840224A (zh) * | 2022-12-07 | 2023-03-24 | 西南交通大学 | 一种用于反演土壤水分的多目标函数变化检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPR618401A0 (en) * | 2001-07-06 | 2001-08-02 | Gecoz Pty Ltd | Method for determining soil salinity |
WO2010055915A1 (ja) * | 2008-11-14 | 2010-05-20 | 株式会社パスコ | 植生生育状況解析方法、プログラムを記録した記録媒体および植生生育状況解析装置 |
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 |
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
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 |
CN109884279A (zh) * | 2019-04-04 | 2019-06-14 | 内蒙古工业大学 | 土壤含水量的反演方法和反演装置 |
CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
-
2020
- 2020-07-20 CN CN202010701686.2A patent/CN111860325B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPR618401A0 (en) * | 2001-07-06 | 2001-08-02 | Gecoz Pty Ltd | Method for determining soil salinity |
WO2010055915A1 (ja) * | 2008-11-14 | 2010-05-20 | 株式会社パスコ | 植生生育状況解析方法、プログラムを記録した記録媒体および植生生育状況解析装置 |
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 |
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
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 |
CN109884279A (zh) * | 2019-04-04 | 2019-06-14 | 内蒙古工业大学 | 土壤含水量的反演方法和反演装置 |
CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
Non-Patent Citations (4)
Title |
---|
刘正春;冯美臣;徐立帅;荆耀栋;毕如田;: "基于Sentinel多源数据的晋南农田地表土壤水分反演", 中国农学通报, no. 20 * |
王龙;宫辉力;潘云;苗百岭;杨晶晶;崔馨桐;: "基于Sentinel-1 SAR数据的锡林浩特市典型草原土壤水分反演", 干旱气象, no. 06 * |
雷志斌;孟庆岩;田淑芳;张琳琳;马建威;: "基于GF-3和Landsat8遥感数据的土壤水分反演研究", 地球信息科学学报, no. 12 * |
韩玲;张延成;: "光学与微波数据协同反演植被覆盖区土壤水分", 水资源与水工程学报, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113759389A (zh) * | 2021-09-09 | 2021-12-07 | 中国科学院东北地理与农业生态研究所 | 一种基于ndvi的作物雷达信号入射角归一化方法 |
CN115840224A (zh) * | 2022-12-07 | 2023-03-24 | 西南交通大学 | 一种用于反演土壤水分的多目标函数变化检测方法 |
CN115840224B (zh) * | 2022-12-07 | 2023-09-29 | 西南交通大学 | 一种用于反演土壤水分的多目标函数变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111860325B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860325B (zh) | 土壤水分反演方法、装置、计算机可读介质和电子设备 | |
Liang et al. | Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China | |
Ding et al. | Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan–Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments | |
CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
CN109543353B (zh) | 三维水汽反演方法、装置、设备和计算机可读存储介质 | |
CN101963664B (zh) | 基于水陆地物分类信息的微波遥感混合像元分解方法 | |
CN106569210B (zh) | 一种基于遥感的土壤水分反演方法和装置 | |
CN109342337A (zh) | 一种重度盐渍土盐分获取方法、系统及装置 | |
Pasolli et al. | Estimation of soil moisture in an alpine catchment with RADARSAT2 images | |
Wang et al. | Microwave-based vegetation descriptors in the parameterization of water cloud model at L-band for soil moisture retrieval over croplands | |
Redpath et al. | Repeat mapping of snow depth across an alpine catchment with RPAS photogrammetry | |
CN111276157B (zh) | 一种基于雨声的降雨强度识别、模型训练的方法及装置 | |
Ghahremanloo et al. | Soil moisture estimation using land surface temperature and soil temperature at 5 cm depth | |
EP3469516B1 (en) | Method and system for improving the resolution of sensor data | |
Kong et al. | A coupling model for soil moisture retrieval in sparse vegetation covered areas based on microwave and optical remote sensing data | |
Yadav et al. | Leaf area index estimation of wheat crop using modified water cloud model from the time-series SAR and optical satellite data | |
CN112630160A (zh) | 一种基于图像采集的无人机航迹规划土壤湿度监测方法、系统及可读存储介质 | |
Wang et al. | Saline soil moisture mapping using Sentinel-1A synthetic aperture radar data and machine learning algorithms in humid region of China's east coast | |
CN114894995A (zh) | 矿区土壤水分反演方法、设备及计算机可读存储介质 | |
Sharma et al. | Vertical accuracy of digital elevation model from Shuttle Radar Topographic Mission–a case study | |
Tao et al. | A Landsat-derived annual inland water clarity dataset of China between 1984 and 2018 | |
CN114511170A (zh) | 一种基于多光谱影像的土壤养分估计方法及装置 | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
CN111985421A (zh) | 基于地理加权回归模型的耕地田坎系数估算方法及装置 | |
Greifeneder et al. | From point to pixel scale: An upscaling approach for in situ soil moisture measurements |
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 |