CN112488008B - 一种基于多源遥感数据融合的土壤水分测量方法及装置 - Google Patents

一种基于多源遥感数据融合的土壤水分测量方法及装置 Download PDF

Info

Publication number
CN112488008B
CN112488008B CN202011408194.0A CN202011408194A CN112488008B CN 112488008 B CN112488008 B CN 112488008B CN 202011408194 A CN202011408194 A CN 202011408194A CN 112488008 B CN112488008 B CN 112488008B
Authority
CN
China
Prior art keywords
data
soil moisture
soil
remote sensing
surface temperature
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
CN202011408194.0A
Other languages
English (en)
Other versions
CN112488008A (zh
Inventor
杨婷
孙志刚
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202011408194.0A priority Critical patent/CN112488008B/zh
Publication of CN112488008A publication Critical patent/CN112488008A/zh
Application granted granted Critical
Publication of CN112488008B publication Critical patent/CN112488008B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供基于多源遥感数据融合的土壤水分测量方法及装置，用于对目标区域土壤所含的水分进行测量，通过旋风全球导航卫星系统获取目标区域土壤的原始数据和目标区域土壤的实测数据确定目标区域的土壤水分估算结果；将获取的目标区域土壤的第一地表温度数据和获取的目标区域土壤的第二地表温度数据进行时空融合，得到地表温度估算结果；获取影响土壤水分的辅助参数；辅助参数包括植被覆盖指数、地面高程、植被覆盖度、土壤粗糙度、地面坡度和降水；将土壤水分估算结果、地表温度估算结果和辅助参数进行数据融合，得到多源遥感数据融合模型，通过多源遥感数据融合模型得到土壤水分测量结果。通过本发明的测量方法能够使土壤水分测量结果更加准确。

Description

一种基于多源遥感数据融合的土壤水分测量方法及装置
技术领域
本发明属于水文遥感技术领域，具体涉及一种基于多源遥感数据融合的土壤水分测量方法及装置。
背景技术
土壤水分作为陆面资源形成、转化、消耗过程研究中的基本参数，是土壤-植被-大气系统能量与物质交换的重要参数之一，也是地表能量平衡的重要决定因素。
常规的土壤水分地面测量方法，如重量法测量和时域反射仪法都是基于点的测量，仅能代表空间范围很小(0.0025m2)的土壤水分信息，采样点有限且成本高。
随着遥感技术的发展，光学和微波遥感技术成为估算土壤水分的重要手段。常用的光学遥感手段，如可见光和近红外波段可通过识别土壤颜色和地表温度等因素反演土壤水分，但易受云雾的影响。微波遥感，如被动微波遥感反演土壤水分的机理在于地表反射的微波后向散射系数与土壤介电常数密切相关，而土壤的介电常数主要由土壤水分决定，但其空间分辨率较低。
全球卫星导航系统(Global Navigation Satellite System,GNSS)除向全球空间用户提供导航定位功能外，其反射信号(GNSS Reflectometry,GNSS-R)也可用于地表参数监测。相比于其他遥感手段，利用GNSS-R遥感数据估算土壤水分具有低成本、高时空分辨率、覆盖范围广、精度高等诸多优点。随着星载旋风全球导航卫星系统(CYGNSS)卫星的成功发射，可为大范围、高空间分辨率的土壤水分研究提供更多数据源。但星载GNSS卫星数据为不连续分布的离散点，且密度较低。
因此，无论是常规的土壤水分地面测量方法还是目前的遥感技术的估算方法，得到的土壤水分的结果与实际均存在较差的差距。
因此，需要提供一种针对上述现有技术中不足的改进技术方案。
发明内容
本发明的目的是提供一种基于多源遥感数据融合的土壤水分测量方法及装置，用以克服上述现有技术中存在土壤水分测量结果差的问题。
为了实现上述目的，本发明提供如下技术方案：
一种基于多源遥感数据融合的土壤水分测量方法，用于对目标区域土壤所含的水分进行测量，其特征在于，
通过旋风全球导航卫星系统获取所述目标区域土壤的原始数据，通过所述原始数据和所述目标区域土壤的实测数据确定所述目标区域的土壤水分估算结果；
通过中分辨率成像光谱分析仪获取所述目标区域土壤的第一地表温度数据和通过中国气象局陆面数据同化系统获取所述目标区域土壤的第二地表温度数据，将所述第一地表温度数据和所述第二地表温度数据进行时空融合，得到地表温度估算结果；
获取影响土壤水分的辅助参数；所述辅助参数包括植被覆盖指数、地面高程、植被覆盖度、土壤粗糙度、地面坡度、降水；
将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行数据融合，得到多源遥感数据融合模型，通过所述多源遥感数据融合模型得到土壤水分测量结果。
进一步的，所述土壤水分估算结果的确定过程为：
通过CYGNSS获取所述目标区域土壤的原始数据，并对所述原始数据进行预处理，得到标准数据；
利用双基雷达方程对所述标准数据进行处理，得到地表有效反射率；
获取所述目标区域土壤的实测数据，通过所述实测数据和所述地表有效反射率确定所述土壤水分估算结果。
进一步的，所述预处理为采用数据质量控制方法对所述原始数据进行处理。
进一步的，所述地表有效反射率为：
Figure BDA0002817750210000021
其中，SR为地表有效反射率；SNR是峰值功率减去噪声后的信噪比值；Pr t是发射功率；Gt是GPS发射天线的增益；Gr是镜面反射点的天线增益；λ表示GPS L1频段信号的波长；Rts是从GNSS卫星到镜面反射点的范围；Rsr是从镜面反射点到接收器的距离；θ为入射角。
进一步的，所述地表温度估算结果的确定过程为：
通过光谱分析仪获取所述目标区域土壤的第一地表温度数据和通过中国气象局陆面数据同化系统获取所述目标区域土壤的第二地表温度数据；
将所述第一地表温度数据和所述第二地表温度数据进行时空融合处理，得到所述地表温度估算结果。
进一步的，所述时空模型是通过像元反射率的时间变化特征的改进型自适应遥感图像时空融合方法构建得到的，所述时空模型为ESTARFM时空模型。
进一步的，通过所述时空模型进行的融合处理包括邻近相似像元搜索、权重值计算、计算转换系数。
进一步的，所述辅助参数通过权重对比方法得到的。
进一步的，执行将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行数据融合，得到多源遥感数据融合模型，通过所述多源遥感数据融合模型得到土壤水分测量结果的过程如下：
将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行空间匹配；
将进行空间匹配后的土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行处理，得到多源遥感数据融合模型；
通过所述多源遥感数据融合模型得到土壤水分测量结果。
为了实现上述目的，本发明提供一种基于多源遥感数据融合的土壤水分测量装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，所述处理器在执行所述计算机程序时实现如上述的基于多源遥感数据融合的土壤水分测量方法的步骤。
与最接近的现有技术相比，本发明提供的技术方案具有如下优异效果：
本发明基于多源遥感数据融合的土壤水分测量方法在土壤水分测量过程中，基于BP神经网络，融合星载CYGNSS数据和光学MODIS数据，即利用空间上广泛分布、时间上连续运行的星载CYGNSS数据作为主要数据源进行地表土壤水分反演，探测结果同样可以为利用L波段的土壤水分遥感卫星提供标定；最终获得高质量、高时空分辨率、且空间连续分布的土壤水分数据。通过本申请的多源遥感数据模型能够获得更加准确的土壤水分测量结果。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：
图1为本发明多源遥感数据融合的土壤水分测量方法的总体流程图；
图2为本发明多源遥感数据融合的土壤水分测量方法的详细流程图；
图3为本发明CYGNSS卫星信号传播和散射示意图；
图4为本发明实施例中利用BP神经网络融合CYGNSS、MODIS及辅助数据的示意图；
图5为本发明实施例中2018年4月1～7日估算土壤水分空间分布图；
图6为本发明实施例中估算土壤水分与实测土壤水分线性拟合的示例。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。实际上，本领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下，可在本发明中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本发明包含归入所附权利要求及其等同物的范围内的此类修改和变型。
本发明基于多源遥感数据融合的土壤水分测量方法，主要用于对一定区域土壤所含的水分进行测量，主要技术构思如图1所示，将CYGNSS土壤水分估算结果、时空融合方式得到的地表温度估算结果和辅助参数这三种类型的数据通过神经网络实现多源数据融合，通过多源数据融合的处理得到土壤水分估算结果，本发明通过如图2所示基于多源遥感数据融合的土壤水分测量方法得到的土壤水分估算结果更加准确。
方法实施例：
步骤S1，通过星载旋风全球导航卫星系统CYGNSS获取所述目标区域土壤的原始数据，通过所述原始数据和所述目标区域土壤的实测数据确定所述目标区域的土壤水分估算结果。
在执行通过星载旋风全球导航卫星系统CYGNSS获取原始数据，通过所述原始数据和所述土壤的实测水分确定土壤水分估算结果时，包括如下过程：
步骤S11，通过CYGNSS获取所述目标区域土壤的原始数据，并对所述原始数据进行预处理，得到标准数据；
通过星载旋风全球导航卫星系统CYGNSS获取目标区域土壤的原始数据，所述原始数据包括信噪比值(SNR)、发射功率(Pr t)、GPS发射天线的增益(Gt)、镜面反射点的天线增益(Gr)、GPS L1频段信号的波长(λ)、从GNSS卫星到镜面反射点的范围(Rts)、从镜面反射点到接收器的距离(Rsr)、入射角(θ)。
如图3所示为CYGNSS卫星信号传播和散射示意图，通过星载旋风全球导航卫星系统(CYGNSS)获取的原始数据受系统噪声、天线增益异常、等效全向辐射功率异常等问题影响较大，若直接使用原始数据进行估算，会导致土壤水分的估算结果准确性差；另外，当原始数据的地面高程大于600米时，使用数据压缩法也会原始数据的质量产生影响，因此，在本申请中，为了提高通过CYGNSS获取的原始数据的质量，采用数据质量控制方法对原始数据进行预处理，将预处理后的原始数据称为标准数据；
步骤S12，利用双基雷达方程对所述标准数据进行处理，得到地表有效反射率；
在土壤水分计算中，假设地表反射信号是一个连续的观测量，因此，多基于星载反射信号GNSS-R估算土壤水分研究，将研究目标区域集中在植被覆盖度较小或地表粗糙度较低的区域。利用双基雷达方程可知：
Figure BDA0002817750210000051
式中，PR为特定极化方式下经地面反射后到达接收机的反射信号功率，可视为SNRp；PT为GPS卫星发射的右旋圆极化(RHCP)功率；GT为GPS发射天线的增益；RTS为GPS卫星与镜面反射点之间的距离；RSR为镜面反射点与镜面反射点之间的距离；GR为接收天线的增益；λ是GPS波长；Γp是特定极化方式下的地表反射率。
假如忽略GNSS卫星发射功率的波动及不同GNSS卫星的反射功率差异，将PT与GT视为常量，那么主要影响PR的分量可以概括为RSR、RTS、以及GR。此外，延迟多普勒图(DDM)同时受到系统基底噪声的影响，利用非相干累加的方法在一定程度消弱了噪声的影响，但不能完全消除。因此，需综合考虑反射信号功率、发射机及接收机到镜面反射点的距离，以及接收天线增益对DDM峰值功率的影响。
在本申请实施例中，利用双基雷达方程对信噪比值(SNR)、发射功率(Pr t)、GPS发射天线的增益(Gt)、镜面反射点的天线增益(Gr)、GPS L1频段信号的波长(λ)、从GNSS卫星到镜面反射点的范围(Rts)、从镜面反射点到接收器的距离(Rsr)、入射角(θ)的标准数据进行处理，得到地表有效反射效率。
在本申请实施例中，得到的地表有效反射效率的模型为：
Figure BDA0002817750210000061
其中，SR为地表有效反射率；SNR是峰值功率减去噪声后的信噪比值；Pr t是发射功率；Gt是GPS发射天线的增益；Gr是镜面反射点的天线增益；λ表示GPS L1频段信号的波长；Rts是从GNSS卫星到镜面反射点的范围；Rsr是从镜面反射点到接收器的距离；θ为入射角。
步骤S13，获取所述目标区域土壤的实测数据，通过所述实测数据和所述地表有效反射率确定土壤水分估算结果；
步骤S131，构建土壤水分估算模型；
在本申请实施例中，土壤水分估算模型为：
SMCYGNSS＝(SR-a)/b
式中，SMCYGNSS为估算的土壤水分，SR为地表有效反射率，a和b分别为通过实测数据与SR线性拟合，得到的第一相关参数和第二相关参数。
步骤S132，通过所述实测数据、所述地表有效反射率和所述土壤水分估算模型，确定土壤水分估算结果；
所述土壤水分估算结果为CYGNSS土壤水分估算结果，通过土壤水分估算模型进行估算，得到的CYGNSS土壤水分估算结果精度高，时间分辨率为每日，但结果呈现离散分布的情况。
步骤S2，通过中分辨率成像光谱分析仪获取所述目标区域土壤的第一地表温度数据和通过中国气象局陆面数据同化系统获取所述目标区域土壤的第二地表温度数据，将所述第一地表温度数据和所述第二地表温度数据进行时空融合，得到融合的地表温度数据估算结果。
步骤S21，通过光谱分析仪获取所述目标区域土壤的第一地表温度数据和通过中国气象局陆面数据同化系统获取所述目标区域土壤的第二地表温度数据；
在本申请实施例中，通过光谱分析仪获取所述目标区域土壤的第一地表温度数据时，具体是通过中分辨率成像光谱仪(MODIS)实现的，那么通过中分辨率成像光谱仪获取的地表温度数据为MODIS LST数据；在本申请实施例中，MODIS LST数据为所述第一地表温度数据。
在本申请实施例中，采用中分辨率成像光谱仪即可满足要求，作为其他实施方式，光谱分析仪也可以采用高分辨率成像光谱分析仪，成本相对较高。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，中国气象局陆面数据同化系统存储有所有陆面的数据信息，通过中国气象局陆面数据同化系统能够直接获取所述目标区域土壤的地表温度数据，即CLDAS LST数据；在本申请实施例中，CLDAS LST数据为第二地表温度数据。
步骤S22，将所述第一地表温度数据和所述第二地表温度数据进行时空融合处理，得到所述融合的地表温度数据估算结果；
在本申请实施例中，在构建时空融合模型时考虑像元反射率的时间变化特征的改进型自适应遥感图像时空融合方法所构建的时空模型，即构建的是ESTARFM(EnhancedSpatial and Temporal Adaptive Reflectance Fusion Model)时空融合模型。时空融合模型的构建过程为现有技术，本申请实施例中不再详细介绍。
在本申请实施例中，利用ESTARFM时空融合模型对CLDAS LST数据和MODIS LST数据进行时空融合处理包括：选取两对时间相同且无云的MODIS LST数据和CLDAS LST数据，及预测目标日期的CLDAS LST数据影像，通过ESTARFM模型进行邻近相似像元搜索、权重值计算、计算转换系数、预测期中心像元值计算等步骤，得到逐日的融合后的LST影像。
对于处理的过程多为现有技术，以下本申请主要介绍一下MODIS LST数据和CLDASLST数据之间的加权函数；
Figure BDA0002817750210000081
其中，L表示MODIS影像的反射率；M表示CLDAS影像的反射率；(xw/2，yw/2)为预测日期中心像元坐标，tp为获取日期，B为影像波段，w表示移动窗口大小，窗口大小由目标区域地表的均匀性决定；N表示相似像元的个数；(xi，yi)为第i个相似像元的坐标；Wi代表第i个像元的权重值；Vi为计算得到的第i个像元的转换系数。
具体过程如下：
S231，分别从第一地表温度数据中和从第二地表温度数据中选取相同时间对应的MODIS LST数据和CLDAS LST数据；
在本申请实施例中，以天为单位，要测量的是目标区域一段时间内的土壤水分测量结果，在执行该步骤时，分别先输入的是第一天的第一地表温度数据(即MODIS LST数据)和第一天的第二地表温度数据(即CLDAS LST数据)。
S232，输入目标区域预测日期的CLDAS LST数据影像；
S233，基于所述ESTARFM时空融合模型对所相同时间对应的MODISLST数据和CLDASLST数据、所述CLDAS LST数据影像进行处理，得到一段时间融合后的LST影像，所述一段时间融合后的LST影像为所述融合的地表温度数据估算结果；
所述处理包括：进行邻近相似像元搜索、权重值计算、计算转换系数、预测期中心像元值计算等。通过ESTARFM模型对MODIS LST数据和CLDAS LST数据进行邻近相似像元搜索、权重值计算、计算转换系数、预测期中心像元值计算等步骤，分别得到每一天的LST影像，汇集形成融合后的所述融合的地表温度数据估算结果。
在本申请实施例中，使用两对在同一天获取的MODIS影像(云雾覆盖度<15％)与CLDAS影像，以及预测日期的CLDAS影像来获取高空间分辨率、受云雾影响小的影像。
本申请采用ESTARFM时空数据融合模型对MODIS和CLDAS进行融合，获取融合后的高分辨率、不受云雾影响的，且时空连续的地表温度LST数据，并通过实际同期的MODIS LST评价融合结果的可靠性，在此基础上求得完整的时间序列LST数据。
也就是说，在本申请实施例中，通过采用ESTARFM时空数据融合模型对MODIS LST数据和CLDAS LST数据进行融合，能够获得空间完整且分布率较高的LST分布。为了保证融合的地表温度数据结果的LST分布的准确性，再采用实际同期的MODIS LST数据对融合后的地表温度估算结果进行评价，从而保证融合结果的可靠性，即地表温度估算结果具有完整的时间序列LST数据。
步骤S3，获取影响土壤水分的辅助参数；所述辅助参数包括植被覆盖指数(NDVI)、地面高程(DEM)、植被覆盖度、土壤粗糙度、地面坡度、和降水；
对于土壤水分的含量受很多因素的影响，例如：地面坡度陡的相对于地面平缓的来讲，地面坡度陡的不易存储水源，水会随着坡度向下流走；降水量大的区域与降水量小的区域对比，降水量小的区域，其土壤水分含量较少；相类似的，植被覆盖度密集的区域，其土壤水分含量较多。
在本申请实施例中，从许多影响土壤水分的影响因素中，采用权重对比方法，对不同辅助参数的结果进行精度评估和筛选，获取对土壤水具有较强相关性的参数组合。综合考虑，选择了包括植被覆盖指数(NDVI)，地面高程(DEM)，植被覆盖度、土壤粗糙度、地面坡度、降水等辅助参数，通过选取的这些辅助参数，能够在融合过程中提高土壤水分的估算结果。
在本申请实施例中，辅助参数中，植被覆盖指数(NDVI)、地面高程(DEM)、土壤粗糙度、地面坡度和降水是通过数据官方网站免费获取；植被覆盖度和地面坡度通过已有成熟的经验模型获得。
在本申请实施例中，步骤S1、步骤S2与步骤S3之间并不存在先后时序关系，可以先执行步骤S1，再执行步骤S2，后执行步骤S3；也可以先执行步骤2，再执行步骤S1，后执行步骤S3；或者同时执行步骤S1、步骤S2和步骤S3。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S4，将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行数据融合，得到多源遥感数据融合模型，通过所述多源遥感数据融合模型能够得到土壤水分测量结果。
如图4所示为对应的利用BP神经网络融合CYGNSS、MODIS及辅助数据的示意图，具体过程如下：
步骤S41，将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行空间匹配；
通过空间经纬度统一的方式，先将所述土壤水分估算结果、所述地表温度数据估算结果和所述辅助参数的空间进行匹配，便于所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数在统一空间下进行处理。
步骤S42，将进行空间匹配后的土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行处理，得到多源遥感数据融合模型；
在本申请实施例中，通过引入BP神经网络算法，将土壤水分估算结果、所述地表温度估算结果和所述辅助参数作为BP神经网络的输入因子，通过反复实验确定BP神经网络模型的隐含层节点与层数，确定激励函数、学习率等参数；进而得到BP神经网络模型。该BP神经网络模型为多源遥感数据融合模型。
在申请实施例中，BP神经网络可用类似的机器学习方法替代，例如随机森林等。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，BP神经网络采用非线性拟合，隐含层节点为8，层数为2，激励函数为S型函数，最大训练次数设置为6000次，误差度量最小化为RMSE，误差阈值设置为0.001，学习率设置为0.05。
步骤S43，通过所述多源遥感数据融合模型能够得到土壤水分测量结果。
在本申请实施例中，将多源遥感数据代入至所述多源遥感数据融合模型，就能得到对应土壤水分的测量结果，高空间分辨率为1km*1km。如图5所示为本发明实施例中2018年4月1～7日估算土壤水分空间分布图；
在本申请实施例中，已应用该模型得到中国东南部地区土壤水分的逐日连续分布图，该分布图与实测结果吻合度较高，如图6所示为估算土壤水分与实测土壤水分线性拟合的结果。因此，通过本申请的多源遥感数据模型能够获得更加准确的土壤水分测量结果。
装置实施例：
本申请还提出一种基于多源遥感数据融合的土壤水分测量装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时实现上述的基于多源遥感数据融合的土壤水分测量方法的步骤。
由于基于多源遥感数据融合的土壤水分测量方法的步骤已在方法实施例中详细介绍，此处不再进行赘述。
与现有技术相比，本发明基于多源遥感数据融合的土壤水分测量方法在土壤水分测量过程中，基于BP神经网络，融合星载CYGNSS数据和光学MODIS数据，即利用空间上广泛分布、时间上连续运行的星载CYGNSS数据作为主要数据源进行地表土壤水分反演，探测结果同样可以为利用L波段的土壤水分遥感卫星提供标定；最终获得高质量、高时空分辨率、且空间连续分布的土壤水分数据。通过本申请的多源遥感数据模型能够获得更加准确的土壤水分测量结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均在本发明待批权利要求保护范围之内。

Claims (7)

1.一种基于多源遥感数据融合的土壤水分测量方法，用于对目标区域土壤所含的水分进行测量，其特征在于，
通过旋风全球导航卫星系统获取所述目标区域土壤的原始数据，通过所述原始数据和所述目标区域土壤的实测数据确定所述目标区域的土壤水分估算结果；
所述土壤水分估算结果的确定过程为：
通过CYGNSS获取所述目标区域土壤的原始数据，并对所述原始数据进行预处理，得到标准数据；
利用双基雷达方程对所述标准数据进行处理，得到地表有效反射率；
获取所述目标区域土壤的实测数据，通过所述实测数据和所述地表有效反射率确定所述土壤水分估算结果；
所述预处理为采用数据质量控制方法对所述原始数据进行处理；
所述地表有效反射率为：
Figure FDA0003821039720000011
其中，SR为地表有效反射率；SNR是峰值功率减去噪声后的信噪比值；Pr t是发射功率；Gt是GPS发射天线的增益；Gr是镜面反射点的天线增益；λ表示GPS L1频段信号的波长；Rts是从GNSS卫星到镜面反射点的范围；Rsr是从镜面反射点到接收器的距离；θ为入射角；
通过中分辨率成像光谱分析仪获取所述目标区域土壤的第一地表温度数据和通过中国气象局陆面数据同化系统获取所述目标区域土壤的第二地表温度数据，将所述第一地表温度数据和所述第二地表温度数据进行时空融合，得到地表温度估算结果；
获取影响土壤水分的辅助参数；所述辅助参数包括植被覆盖指数、地面高程、植被覆盖度、土壤粗糙度、地面坡度、降水；
将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行数据融合，得到多源遥感数据融合模型，通过所述多源遥感数据融合模型得到土壤水分测量结果。
2.根据权利要求1所述的基于多源遥感数据融合的土壤水分测量方法，所述地表温度估算结果的确定过程为：
通过光谱分析仪获取所述目标区域土壤的第一地表温度数据和通过中国气象局陆面数据同化系统获取所述目标区域土壤的第二地表温度数据；
将所述第一地表温度数据和所述第二地表温度数据进行时空融合处理，得到所述地表温度估算结果。
3.根据权利要求2所述的基于多源遥感数据融合的土壤水分测量方法，时空模型是通过像元反射率的时间变化特征的改进型自适应遥感图像时空融合方法构建得到的，所述时空模型为ESTARFM时空模型。
4.根据权利要求2或3所述的基于多源遥感数据融合的土壤水分测量方法，通过时空模型进行的融合处理包括邻近相似像元搜索、权重值计算、计算转换系数。
5.根据权利要求1所述的基于多源遥感数据融合的土壤水分测量方法，所述辅助参数通过权重对比方法得到的。
6.根据权利要求1所述的基于多源遥感数据融合的土壤水分测量方法，执行将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行数据融合，得到多源遥感数据融合模型，通过所述多源遥感数据融合模型得到土壤水分测量结果的过程如下：
将所述土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行空间匹配；
将进行空间匹配后的土壤水分估算结果、所述地表温度估算结果和所述辅助参数进行处理，得到多源遥感数据融合模型；
通过所述多源遥感数据融合模型得到土壤水分测量结果。
7.一种基于多源遥感数据融合的土壤水分测量装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时实现如权利要求1-6任一项所述的基于多源遥感数据融合的土壤水分测量方法的步骤。
CN202011408194.0A 2020-12-04 2020-12-04 一种基于多源遥感数据融合的土壤水分测量方法及装置 Active CN112488008B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011408194.0A CN112488008B (zh) 2020-12-04 2020-12-04 一种基于多源遥感数据融合的土壤水分测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011408194.0A CN112488008B (zh) 2020-12-04 2020-12-04 一种基于多源遥感数据融合的土壤水分测量方法及装置

Publications (2)

Publication Number Publication Date
CN112488008A CN112488008A (zh) 2021-03-12
CN112488008B true CN112488008B (zh) 2022-10-28

Family

ID=74939395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011408194.0A Active CN112488008B (zh) 2020-12-04 2020-12-04 一种基于多源遥感数据融合的土壤水分测量方法及装置

Country Status (1)

Country Link
CN (1) CN112488008B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419046B (zh) * 2021-06-17 2022-02-18 北京大学 一种改进的土壤湿度产品双变量融合方法
CN114740022A (zh) * 2022-04-08 2022-07-12 广东工业大学 基于多源遥感技术的土壤水分检测方法、装置以及设备
CN114894819B (zh) * 2022-05-07 2023-06-23 中国石油大学(华东) 一种星载gnss-r土壤湿度反演方法
CN115308386B (zh) * 2022-07-18 2023-04-07 中国科学院地理科学与资源研究所 一种基于cygnss卫星数据的土壤盐分反演方法和系统
CN115905447B (zh) * 2022-12-23 2023-06-30 中国农业科学院农业资源与农业区划研究所 基于广义三角帽不确定度模型的地表温度产品融合方法
CN116519913B (zh) * 2023-07-03 2023-09-08 中国科学院地理科学与资源研究所 基于星载和地基平台融合的gnss-r数据土壤水分监测方法
CN116879297B (zh) * 2023-09-07 2023-12-12 航天宏图信息技术股份有限公司 土壤水分协同反演的方法、装置、设备和介质
CN116933664B (zh) * 2023-09-15 2024-01-05 航天宏图信息技术股份有限公司 地表温度数据重构模型构建方法及地表温度数据重构方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110100970A (ko) * 2010-03-05 2011-09-15 대한민국(기상청장) 토양수분의 탐지시스템 및 이를 이용한 토양수분 탐지방법
CA2916617A1 (en) * 2016-01-04 2017-07-04 WOLLEBEN, Maik Portable radiometer/radar system for remote sensing of soil moisture
WO2020063518A1 (zh) * 2018-09-30 2020-04-02 广州地理研究所 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109115995B (zh) * 2018-08-30 2019-10-18 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
CN110795895A (zh) * 2020-01-06 2020-02-14 南京邮电大学 利用地表反射信号和随机森林回归算法预测土壤水分的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110100970A (ko) * 2010-03-05 2011-09-15 대한민국(기상청장) 토양수분의 탐지시스템 및 이를 이용한 토양수분 탐지방법
CA2916617A1 (en) * 2016-01-04 2017-07-04 WOLLEBEN, Maik Portable radiometer/radar system for remote sensing of soil moisture
WO2020063518A1 (zh) * 2018-09-30 2020-04-02 广州地理研究所 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN112488008A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112488008B (zh) 一种基于多源遥感数据融合的土壤水分测量方法及装置
Fernandez-Moran et al. A new calibration of the effective scattering albedo and soil roughness parameters in the SMOS SM retrieval algorithm
CN114371182B (zh) 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法
Xie et al. Calculating NDVI for Landsat7-ETM data after atmospheric correction using 6S model: A case study in Zhangye city, China
CN109100717A (zh) 一种多源微波遥感海面风场数据融合方法及其装置
Pasolli et al. Polarimetric RADARSAT-2 imagery for soil moisture retrieval in alpine areas
CN116778104B (zh) 一种动态遥感监测的测绘方法及系统
Pasolli et al. Estimation of soil moisture in an alpine catchment with RADARSAT2 images
Villard et al. Forest biomass from radar remote sensing
CN108764326B (zh) 基于深度置信网络的城市不透水层提取方法
CN114167033A (zh) 基于gnss-r的土壤湿度反演方法、装置、介质及计算设备
Sohail Afzal et al. Real time rainfall estimation using microwave signals of cellular communication networks: a case study of Faisalabad, Pakistan
Ma et al. An improved MODIS NIR PWV retrieval algorithm based on an artificial neural network considering the land-cover types
CN110009584B (zh) 基于参考光谱匹配的多光谱遥感影像大气校正系统及方法
CN116519913B (zh) 基于星载和地基平台融合的gnss-r数据土壤水分监测方法
Yang et al. GNSS water vapor tomography based on Kalman filter with optimized noise covariance
CN116029162B (zh) 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统
Javali et al. A review on synthetic aperture radar for earth remote sensing: Challenges and opportunities
Zhou et al. Estimation of aboveground biomass of senescence grassland in China's arid region using multi-source data
KR20210018737A (ko) 에어로졸의 광학 특성 산출 장치 및 방법
Zhang et al. Reconstructing and nowcasting the rainfall field by a CML network
Ma et al. Quantifying uncertainties in passive microwave remote sensing of soil moisture via a Bayesian probabilistic inversion method
Akash et al. Review of estimation of soil moisture using active microwave remote sensing technique
CN114814173B (zh) 一种基于介电常数的星载gnss-r土壤湿度反演方法及系统
Varma et al. An Algorithm for the Retrieval of Ocean Surface Precipitation from SCATSAT-1 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