CN113533379A - 一种利用多源卫星亮温数据提取区域日均土壤水分的方法 - Google Patents

一种利用多源卫星亮温数据提取区域日均土壤水分的方法 Download PDF

Info

Publication number
CN113533379A
CN113533379A CN202110813546.9A CN202110813546A CN113533379A CN 113533379 A CN113533379 A CN 113533379A CN 202110813546 A CN202110813546 A CN 202110813546A CN 113533379 A CN113533379 A CN 113533379A
Authority
CN
China
Prior art keywords
soil moisture
soil
observation
satellite
daily average
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
Application number
CN202110813546.9A
Other languages
English (en)
Other versions
CN113533379B (zh
Inventor
张涛
王光辉
齐建伟
戴海伦
王界
张伟
翟浩然
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.)
Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Original Assignee
Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
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 Ministry Of Natural Resources Land Satellite Remote Sensing Application Center filed Critical Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Priority to CN202110813546.9A priority Critical patent/CN113533379B/zh
Publication of CN113533379A publication Critical patent/CN113533379A/zh
Application granted granted Critical
Publication of CN113533379B publication Critical patent/CN113533379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/04—Investigating moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/221—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance by investigating the dielectric properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity

Landscapes

  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electromagnetism (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种利用多源卫星亮温数据提取区域日均土壤水分的方法，涉及微波遥感技术领域；该方法通过获取一天内不同卫星过境时间的观测亮温数据，利用单通道算法反演不同卫星观测条件下的土壤水分，对反演的土壤水分进行采样深度的归一化；利用地面土壤水分实测数据构建日均土壤水分提取模型并将其应用于土壤水分反演数据，从而得到区域日均土壤水分信息。本发明充分利用现有在轨的不同卫星过境时间的观测数据，提取了区域日均土壤水分，克服了遥感对土壤水分仅是一个时间节点瞬时观测的缺陷，有助于推动微波遥感土壤水分产品在农业、气象、水利等行业的应用拓展。

Description

一种利用多源卫星亮温数据提取区域日均土壤水分的方法
技术领域
本发明涉及微波遥感技术领域，具体地涉及一种利用多源卫星亮温数据提取区域日均土壤水分的方法。
背景技术
由于土壤和水介电特性的巨大差异使得微波遥感信号对土壤水分含量变化非常敏感，因此，微波遥感技术也成为了区域土壤水分制图的重要手段之一。相较于传统地面测量获取土壤水分信息的方式，卫星遥感土壤水分产品具有大区域、成本低等优势。被动微波遥感也由于对土壤水分敏感、覆盖周期短等优势成为大区域土壤水分制图的重要工具。近年来，随着卫星遥感技术的快速发展，被动微波遥感反演土壤水分的精度也在不断提高，其土壤水分遥感产品也为全球变化、农业、水利等行业提供了重要的土壤水分数据支撑。
但是，由于卫星是每天按照预定轨道进行对地观测，因此土壤水分等地表参数反演结果也是卫星过境时刻的瞬时值，即使覆盖周期最短的卫星每日只能获得同一区域升轨和降轨两次观测数据，无法反映整日地表土壤水分的总体情况，限制了土壤水分遥感产品的应用领域。
因此如何将卫星遥感获取的某一时刻的观测信息拓展到每日土壤水分的平均状况，是当前农业、气象、水利等行业应用的迫切需求，也是被动微波遥感土壤水分反演领域的重要研究课题。
发明内容
本发明提供一种利用多源卫星亮温数据提取区域日均土壤水分的方法，从而解决现有技术的上述问题。
一种利用多源卫星亮温数据提取区域日均土壤水分的方法，包括如下步骤：
S1，获取一天内不同卫星过境时间的观测亮温数据及观测参数；
S2，根据不同的卫星观测条件，利用单通道算法反演地表土壤水分；
S3，计算不同卫星观测条件的采样深度，并对反演的土壤水分按采样深度进行换算，得到固定深度的土壤水分反演值；
S4，计算卫星过境时刻对应的地面土壤水分实测值，构建日均土壤水分提取模型；
S5，将日均土壤水分提取模型应用于土壤水分反演数据，得到区域日均土壤水分信息。
进一步的，步骤S1中，获取一天内不同卫星过境时间的观测亮温数据及观测参数，所述观测亮温数据包括区域内每日卫星观测的升轨和降轨亮温数据，主要获取的参数包括观测时间、观测角度、观测频率等。
进一步的，步骤S2中，根据不同的卫星观测条件，利用单通道算法反演地表土壤水分，包括如下步骤：
S21，获取卫星观测时刻为t的地表H极化微波辐射亮温TBt(f，θ)，θ表示观测角度，f表示观测频率，t表示观测时刻；
S22，获取地表温度T，根据所述地表H极化微波辐射亮温TBt(f，θ)和所述地表温度T计算粗糙地表发射率Et(f，θ)，所述粗糙地表发射率
Figure BDA0003169097130000021
S23，利用植被指数获得地表植被层的辐射特征，校正植被覆盖的影响，得到土壤发射率，表示为：
Figure BDA0003169097130000022
式中，
Figure BDA0003169097130000023
表示土壤发射率，
Figure BDA0003169097130000024
表示植被发射率，表示为
Figure BDA0003169097130000025
Figure BDA0003169097130000026
ω对不同植被类型取不同的经验值；Lp表示植被衰减因子，可以由植被指数计算，表示为Lp＝e-b·vwc·secθ，式中，e为自然常数，b为经验参数，vwc可以表示为归一化植被指数NDVI的函数。
Figure BDA0003169097130000031
Figure BDA0003169097130000032
SF表示植被木质结构对光学厚度贡献的经验参数，NDVI为归一化差值植被指数，α和β均为回归系数；
S24，根据所述粗糙地表发射率
Figure BDA0003169097130000033
计算粗糙地表反射率
Figure BDA0003169097130000034
所述粗糙地表反射率
Figure BDA0003169097130000035
S25，根据所述粗糙地表反射率
Figure BDA0003169097130000036
建立粗糙地表微波辐射模型，所述粗糙地表微波辐射模型为
Figure BDA0003169097130000037
根据所述粗糙地表微波辐射模型计算光滑地表反射率
Figure BDA0003169097130000038
h为粗糙度参数，e为自然常数；
S26，建立土壤介电常数ε与光滑地表反射率
Figure BDA0003169097130000039
之间的关系式
Figure BDA00031690971300000310
根据所述土壤介电常数ε与光滑地表反射率
Figure BDA00031690971300000311
之间的关系式计算土壤介电常数
Figure BDA00031690971300000312
S27，利用土壤混合介电常数模型建立土壤水分与土壤介电常数的关系式
Figure BDA00031690971300000313
Figure BDA00031690971300000314
表示遥感反演的土壤水分；P表示土壤孔隙度，所述土壤孔隙度为容重与土壤固态物质密度的比值；εa和εr分别为空气介电常数和土壤颗粒介电常数；下标a、s、i、w分别表示土壤中的组成物质对应的空气、土壤颗粒、冰和水，水的介电常数
Figure BDA00031690971300000315
εinf表示介电常数参数，εw0和∈分别表示与温度有关的第一参数和第二参数，所述第一参数εw0＝88.045-0.4147·T+6.295·10-4·T2+1.075·10-5·T3，所述第二参数∈＝1.1109·10-10-3.824·10-12·T+6.938·10-14·T2-5.096·10-16·T3，smg表示过渡含水量，γ为经验参数，过渡含水量smg＝0.49·(0.06774-0.00064sand+0.00478clay)+0.165，所述经验参数γ＝-0.57·(0.06774-0.00064sand+0.00478clay)+0.481，sand和clay分别表示土壤砂粒含量和粘粒含量；
S28，根据土壤水分与土壤介电常数的关系式求解卫星观测时刻的土壤水分，若
Figure BDA0003169097130000041
则土壤水分
Figure BDA0003169097130000042
a、b、c分别为第一系数、第二系数和第三系数，所述第一系数
Figure BDA0003169097130000043
所述第二系数b＝εi-1，所述第三系数c＝(1-P)εr+P-ε；若
Figure BDA0003169097130000044
则土壤水分
Figure BDA0003169097130000045
Figure BDA0003169097130000046
进一步的，步骤S3中，计算不同卫星观测条件的采样深度，并对反演的土壤水分按采样深度进行换算，得到固定深度的土壤水分反演值，包括如下步骤：
S31，利用步骤S27中的土壤混合介电常数模型计算不同观测频率的土壤介电常数；所述土壤混合介电常数模型为
S32，利用所述不同观测频率的土壤介电常数计算不同观测频率的采样深度
Figure BDA0003169097130000047
V表示光速，ε′和ε″分别表示步骤S31计算得到的土壤介电常数的实部和虚部；
S33，计算不同观测角度下电磁波在空气与土壤两种介质中的透射角τ，所述透射角
Figure BDA0003169097130000048
θ表示观测角度；
S34，计算不同观测角度下土壤层垂直方向的采样深度d，所述采样深度d＝η·cosτ；
S35，深度D土壤层的土壤水分可以表示为
Figure BDA0003169097130000049
进一步的，步骤S4中，计算卫星过境时刻对应的地面土壤水分实测值，构建日均土壤水分提取模型，包括如下步骤：
S41，获取地面土壤水分测量数据，包括每个观测时刻和深度为D的土壤层对应时刻的土壤水分测量值；
S42，利用N个测量时刻的土壤水分计算深度为D的土壤层日均土壤水分，表示为：
Figure BDA0003169097130000051
式中，
Figure BDA0003169097130000052
表示日均土壤水分，
Figure BDA0003169097130000053
表示ti时刻地面测量的土壤水分，N表示测量时刻的数量；
S43，计算卫星过境时刻同步的土壤水分地面测量数据，表示为
Figure BDA0003169097130000054
Figure BDA0003169097130000055
式中，
Figure BDA0003169097130000056
表示卫星过境时刻的土壤水分测量值，
Figure BDA0003169097130000057
和
Figure BDA0003169097130000058
分别表示与卫星过境时刻相邻的前一时刻和后一时刻的土壤水分测量值；
S44，利用多元线性回归方法，构建日均土壤水分与卫星过境时刻的地面实测土壤水分之间的关系，表示为
Figure BDA0003169097130000059
Figure BDA00031690971300000510
式中，k1、k2、k3、…、kn、b均为回归系数，
Figure BDA00031690971300000511
Figure BDA00031690971300000512
为卫星过境时刻对应的土壤水分地面测量值。
进一步的，步骤S5中，将日均土壤水分提取模型应用于土壤水分反演数据，得到区域日均土壤水分信息；将每个像元反演的土壤水分按采样深度进行换算得到的固定深度的土壤水分反演值带入日均土壤水分计算模型，得到区域的日均土壤水分，计算公式表示为：
Figure BDA00031690971300000513
式中，
Figure BDA00031690971300000514
表示提取的日均土壤水分结果，
Figure BDA00031690971300000515
表示采样深度D的土壤层土壤水分反演结果，t1、t2、t3、…、tn分别表示卫星过境观测时刻，k1、k2、k3、…、kn、b为日均土壤水分提取模型的系数。
本发明的有益效果是：
本发明提供了一种利用多源卫星亮温数据提取区域日均土壤水分的方法，该方法通过获取一天内不同卫星过境时间的观测亮温数据；利用单通道算法反演不同卫星观测条件下的土壤水分；对反演的土壤水分进行采样深度的归一化；利用地面土壤水分实测数据构建日均土壤水分提取模型；将日均土壤水分提取模型应用于土壤水分反演数据，得到区域日均土壤水分信息。本发明充分利用现有在轨不同卫星过境时间的观测数据，提取了区域日均土壤水分，方法克服了遥感对土壤水分仅是一个时间节点瞬时观测的缺陷，有助于推动微波遥感土壤水分产品在农业、气象、水利等行业的应用拓展。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种利用多源卫星亮温数据提取区域日均土壤水分的方法流程图；
图2是实施例1中获取到的AMSR-E同一区域升轨和降轨的观测亮温数据示意图；
图3是针对图2中获取到的观测亮温数据进行反演求取得到的两个观测时刻的土壤水分；
图4是实施例1中通过构建的日均土壤水分提取模型拟合的日均土壤水分估算模型模拟值与真实值之间的关系示意图；
图5是实施例1中将日均土壤水分提取模型应用于土壤水分反演数据得到区域日均土壤水分信息示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
实施例1
本实施例提供了一种利用多源卫星亮温数据提取区域日均土壤水分的方法，如图1所示，包括如下步骤：
S1，获取一天内不同卫星过境时间的观测亮温数据及观测参数；
该步骤具体包括获取一个区域一天内卫星过境时间的观测亮温数据及观测参数，所述观测亮温数据包括区域内每日卫星观测的升轨和降轨亮温数据，主要获取的参数包括但不限于观测时间、观测角度、观测频率等。而在本实施例中，获取了AMSR-E(AdvancedMicrowave Scanning Radiometer for EOS)同一区域升轨和降轨的观测亮温数据，获取的数据结果如图2所示，该数据中的观测时间为1:30和13:30，观测角度55°，观测频率为C(6.925GHz)、X(10.65GHz)、Ka(36.5GHz)等波段。
S2，根据不同的卫星观测条件，利用单通道算法反演地表土壤水分，具体包括以下步骤；
S21，获取卫星观测时刻为t的地表H极化微波辐射亮温TBt(f，θ)，θ表示观测角度，f表示观测频率,t表示观测时刻；本实施例中，使用的是过境时间为1:30和13:30，观测频率为X波段(10.65GHz)的H极化亮温数据，如附图2所示。图中颜色越深表示亮温值越低(黑色为卫星观测数据缺失部分)，颜色越浅表示亮温值越高。
S22，获取地表温度T，根据所述地表H极化微波辐射亮温TBt(f，θ)和所述地表温度T计算粗糙地表发射率Et(f，θ)，所述粗糙地表发射率
Figure BDA0003169097130000081
本实施例中，地表温度采用36.5GHz V极化亮温进行估算，计算公式为T＝TB(36.5V)-15.2，式中，TB(36.5V)表示频率为36.5GHz V极化亮温。
S23，利用植被指数获得地表植被层的辐射特征，校正植被覆盖的影响，得到土壤发射率，表示为：
Figure BDA0003169097130000082
式中，
Figure BDA0003169097130000083
表示土壤发射率，
Figure BDA0003169097130000084
表示植被发射率，表示为
Figure BDA0003169097130000085
Figure BDA0003169097130000086
ω对不同植被类型取不同的经验值；Lp表示植被衰减因子，可以由植被指数计算，表示为Lp＝e-b·vwc·secθ，式中，e为自然常数，b为经验参数，vwc可以表示为归一化植被指数NDVI的函数，
Figure BDA0003169097130000087
Figure BDA0003169097130000088
SF表示植被木质结构对光学厚度贡献的经验参数，NDVI为归一化差值植被指数，α和β均为回归系数；本实施例中，经验参数ω取值为0.05，b取值为0.05，α取值为1.9134，β取值为0.3215，SF取值为0；
S24，根据所述粗糙地表发射率
Figure BDA0003169097130000089
计算粗糙地表反射率
Figure BDA00031690971300000810
所述粗糙地表反射率
Figure BDA00031690971300000811
S25，根据所述粗糙地表反射率
Figure BDA00031690971300000812
建立粗糙地表微波辐射模型，所述粗糙地表微波辐射模型为
Figure BDA00031690971300000813
根据所述粗糙地表微波辐射模型计算光滑地表反射率
Figure BDA00031690971300000814
h为粗糙度参数，e为自然常数；
S26，建立土壤介电常数ε与光滑地表反射率
Figure BDA00031690971300000815
之间的关系式
Figure BDA00031690971300000816
根据所述土壤介电常数ε与光滑地表反射率
Figure BDA00031690971300000817
之间的关系式计算土壤介电常数
Figure BDA0003169097130000091
S27，利用土壤混合介电常数模型建立土壤水分与土壤介电常数的关系式
Figure BDA0003169097130000092
Figure BDA0003169097130000093
表示遥感反演的土壤水分；P表示土壤孔隙度，所述土壤孔隙度为容重与土壤固态物质密度的比值；εa和εr分别为空气介电常数和土壤颗粒介电常数；下标a、s、i、w分别表示土壤中的组成物质对应的空气、土壤颗粒、冰和水，水的介电常数
Figure BDA0003169097130000094
εinf表示介电常数参数，εw0和∈分别表示与温度有关的第一参数和第二参数，所述第一参数εw0＝88.045-0.4147·T+6.295·10-4·T2+1.075·10-5·T3，所述第二参数∈＝1.1109·10-10-3.824·10-12.T+6.938·10-14·T2-5.096·10-16·T3，smg表示过渡含水量，γ为经验参数，过渡含水量smg＝0.49·(0.06774-0.00064sand+0.00478clay)+0.165，所述经验参数γ＝-0.57·(0.06774-0.00064sand+0.00478clay)+0.481，sand和clay分别表示土壤砂粒含量和粘粒含量；
S28，根据土壤水分与土壤介电常数的关系式求解卫星观测时刻的土壤水分，若
Figure BDA0003169097130000095
则土壤水分
Figure BDA0003169097130000096
a、b、c分别为第一系数、第二系数和第三系数，所述第一系数
Figure BDA0003169097130000097
所述第二系数b＝εi-1，所述第三系数c＝(1-P)εr+P-ε；若
Figure BDA0003169097130000098
则土壤水分
Figure BDA0003169097130000099
Figure BDA00031690971300000910
本实施例中反演的两个时刻的土壤水分见附图3所示。图中左右两个图分别表示升轨和降轨时刻反演的土壤水分值，颜色越深，表示土壤水分值越低(黑色为卫星观测数据缺失部分)；颜色越浅，表示土壤水分值越高。
S3，计算不同卫星观测条件的采样深度，并对反演的土壤水分按采样深度进行换算，得到固定深度的土壤水分反演值，具体包括如下步骤：
S31，利用步骤S27中的土壤混合介电常数模型计算不同观测频率的土壤介电常数；
S32，利用所述不同观测频率的土壤介电常数计算不同观测频率的采样深度
Figure BDA0003169097130000101
V表示光速，ε′和ε″分别表示步骤S31计算得到的土壤介电常数的实部和虚部；
S33，计算不同观测角度下电磁波在空气与土壤两种介质中的透射角τ，所述透射角
Figure BDA0003169097130000102
θ表示观测角度；
S34，计算不同观测角度下土壤层垂直方向的采样深度d，所述采样深度d＝η·cosτ。
S35，深度D土壤层的土壤水分可以表示为
Figure BDA0003169097130000103
本实施例中，将土壤水分反演结果换算至0-4cm深度。
步骤S4中，计算卫星过境时刻对应的地面土壤水分实测值，构建日均土壤水分提取模型，具体包括如下步骤：
S41，获取地面土壤水分测量数据，包括每个观测时刻和深度为D的土壤层对应时刻的土壤水分测量值；本实施例中，D为0-4cm深度。
S42，利用N个测量时刻的土壤水分计算深度为D的土壤层日均土壤水分，表示为：
Figure BDA0003169097130000104
式中，
Figure BDA0003169097130000105
表示日均土壤水分，
Figure BDA0003169097130000106
表示ti时刻地面测量的土壤水分，N表示测量时刻的数量。本实施例中N包括升轨和降轨各1个时刻，合计N＝2。
S43，计算卫星过境时刻同步的土壤水分地面测量数据，表示为
Figure BDA0003169097130000107
Figure BDA0003169097130000108
式中，
Figure BDA0003169097130000109
表示卫星过境时刻的土壤水分测量值，
Figure BDA0003169097130000111
和
Figure BDA0003169097130000112
分别表示与卫星过境时刻相邻的前一时刻和后一时刻的土壤水分测量值。
S44，利用多元线性回归方法，构建日均土壤水分与卫星过境时刻的地面实测土壤水分之间的关系，表示为
Figure BDA0003169097130000113
Figure BDA0003169097130000114
式中，k1、k2、k3、…、kn、b均为回归系数，
Figure BDA0003169097130000115
Figure BDA0003169097130000116
为卫星过境时刻对应的土壤水分地面测量值。本实施例中，利用卫星拍摄区域6-9月获取的共50个地面观测站点，合计2938个数据点拟合的日均土壤水分模型表示为：
Figure BDA0003169097130000117
式中，
Figure BDA0003169097130000118
表示日均土壤水分，
Figure BDA0003169097130000119
和
Figure BDA00031690971300001110
分别表示升轨和降轨时刻对应的地面测量的土壤水分，拟合的日均土壤水分估算模型模拟值与真实值之间的关系见附图4所示。图中每个圆圈表示每个土壤水分估算模型模拟值与真实值的数据点。模型模拟值与真实值越接近，圆圈越接近1:1的斜线，说明土壤水分估算模型的精度越高，反之亦然。
步骤S5中，将日均土壤水分提取模型应用于土壤水分反演数据，得到区域日均土壤水分信息，具体包括将每个像元反演的土壤水分按采样深度进行换算得到的固定深度的土壤水分反演值带入日均土壤水分计算模型，得到区域的日均土壤水分，计算公式表示为：
Figure BDA00031690971300001111
式中，
Figure BDA00031690971300001112
表示提取的区域日均土壤水分结果，
Figure BDA00031690971300001113
表示采样深度D的土壤层土壤水分反演结果，t1、t2分别表示卫星升轨和降轨的过境观测时刻。本实施例中得到的区域日均土壤水分结果如附图5所示，图中颜色越深表示土壤水分值越低，颜色越浅表示土壤水分值越高。
目前，受卫星遥感为瞬时拍摄的特点限制，传统方法只能得到类似图3展示的某一观测时刻的瞬时土壤水分。由于受到风速和光照等天气的影响，区域土壤水分值在一天内一直持续变化，遥感得到的瞬时值无法反映土壤水分一天内的整体情况。并且，由于卫星升降轨拍摄条件限制，存在大面积卫星观测数据缺失的问题。这两个因素极大限制了土壤水分遥感产品的应用效果。利用本方法将遥感土壤水分瞬时观测信息拓展到了每日的平均状况，不仅能够获得类似图5展示的区域日均土壤水分，且通过构建的日均模型土壤水分估算模型中升降轨数据互补，能够最大限度避免卫星观测数值缺失问题。

Claims (6)

1.一种利用多源卫星亮温数据提取区域日均土壤水分的方法，其特征在于，包括如下步骤：
S1，获取一天内不同卫星过境时间的观测亮温数据及观测参数；
S2，根据不同的卫星观测条件，利用单通道算法反演地表土壤水分；
S3，计算不同卫星观测条件的采样深度，并对反演的土壤水分按采样深度进行换算，得到固定深度的土壤水分反演值；
S4，计算卫星过境时刻对应的地面土壤水分实测值，构建日均土壤水分提取模型；
S5，将日均土壤水分提取模型应用于土壤水分反演数据，得到区域日均土壤水分信息。
2.根据权利要求1所述的一种利用多源卫星亮温数据提取区域日均土壤水分的方法，其特征在于，步骤S1中，获取一天内不同卫星过境时间的观测亮温数据及观测参数，所述观测亮温数据包括区域内每日卫星观测的升轨和降轨亮温数据，包括但不限于观测时间、观测角度和观测频率。
3.根据权利要求1所述的一种利用多源卫星亮温数据提取区域日均土壤水分的方法，其特征在于，步骤S2中，根据不同的卫星观测条件，利用单通道算法反演地表土壤水分，具体包括如下步骤：
S21，获取卫星观测时刻为t的地表H极化微波辐射亮温TBt(f,θ)，θ表示观测角度，f表示观测频率,t表示观测时刻；
S22，获取地表温度T，根据所述地表H极化微波辐射亮温TBt(f,θ)和所述地表温度T计算粗糙地表发射率Et(f,θ)，所述粗糙地表发射率
Figure FDA0003169097120000011
S23，利用植被指数获得地表植被层的辐射特征，校正植被覆盖的影响，得到土壤发射率，采用公式(1)进行表示：
Figure FDA0003169097120000021
式中，
Figure FDA0003169097120000022
表示土壤发射率，
Figure FDA0003169097120000023
表示植被发射率，表示为
Figure FDA0003169097120000024
(1-Lp)，ω对不同植被类型取不同的经验值；Lp表示植被衰减因子，可以由植被指数计算，表示为Lp＝e-b·vwc·secθ，式中，e为自然常数，b为经验参数，vwc表示为归一化植被指数NDVI的函数，
Figure FDA0003169097120000025
SF表示植被木质结构对光学厚度贡献的经验参数，NDVI为归一化差值植被指数，α和β均为回归系数；
S24，根据所述粗糙地表发射率
Figure FDA0003169097120000026
计算粗糙地表反射率
Figure FDA0003169097120000027
所述粗糙地表反射率
Figure FDA0003169097120000028
S25，根据所述粗糙地表反射率
Figure FDA0003169097120000029
建立粗糙地表微波辐射模型，所述粗糙地表微波辐射模型为
Figure FDA00031690971200000210
根据所述粗糙地表微波辐射模型计算光滑地表反射率
Figure FDA00031690971200000211
h为粗糙度参数，e为自然常数；
S26，建立土壤介电常数ε与光滑地表反射率
Figure FDA00031690971200000212
之间的关系式
Figure FDA00031690971200000213
根据所述土壤介电常数ε与光滑地表反射率
Figure FDA00031690971200000214
之间的关系式计算土壤介电常数
Figure FDA00031690971200000215
S27，利用土壤混合介电常数模型建立土壤水分与土壤介电常数的关系式，如下式所示：
Figure FDA00031690971200000216
其中，
Figure FDA00031690971200000217
表示遥感反演的土壤水分；P表示土壤孔隙度，所述土壤孔隙度为容重与土壤固态物质密度的比值；εa和εr分别为空气介电常数和土壤颗粒介电常数；下标a、s、i、w分别表示土壤中的组成物质对应的空气、土壤颗粒、冰和水，水的介电常数
Figure FDA0003169097120000031
εinf表示介电常数参数，εw0和∈分别表示与温度有关的第一参数和第二参数，所述第一参数εw0＝88.045-0.4147·T+6.295·10-4·T2+1.075·10-5·T3，所述第二参数∈＝1.1109·10-10-3.824·10-12·T+6.938·10-14·T2-5.096·10-16·T3，smg表示过渡含水量，γ为经验参数，过渡含水量smg＝0.49·(0.06774-0.00064sand+0.00478clay)+0.165，所述经验参数γ＝-0.57·(0.06774-0.00064sand+0.00478clay)+0.481，sand和clay分别表示土壤砂粒含量和粘粒含量；
S28，根据土壤水分与土壤介电常数的关系式求解卫星观测时刻的土壤水分，若
Figure FDA0003169097120000032
则土壤水分
Figure FDA0003169097120000033
a、b、c分别为第一系数、第二系数和第三系数，所述第一系数
Figure FDA0003169097120000034
所述第二系数b＝εi-1，所述第三系数c＝(1-P)εr+P-ε；若
Figure FDA0003169097120000035
则土壤水分
Figure FDA0003169097120000036
Figure FDA0003169097120000037
4.根据权利要求3所述的利用多源卫星亮温数据提取区域日均土壤水分的方法，其特征在于，步骤S3中，计算不同卫星观测条件的采样深度，并对反演的土壤水分按采样深度进行换算，得到固定深度的土壤水分反演值，具体包括如下步骤：
S31，利用步骤S27中所述土壤混合介电常数模型计算不同观测频率的土壤介电常数ε，该介电常数为复数，包含实部和虚部；
S32，利用所述不同观测频率的土壤介电常数计算不同观测频率的采样深度
Figure FDA0003169097120000038
V表示光速，ε′和ε″分别表示步骤S31计算得到的土壤介电常数的实部和虚部；
S33，计算不同观测角度下电磁波在空气与土壤两种介质中的透射角τ，所述透射角
Figure FDA0003169097120000039
θ表示观测角度；
S34，计算不同观测角度下土壤层垂直方向的采样深度d，所述采样深度d＝η·cosτ；
S35，深度D土壤层的土壤水分表示为
Figure FDA0003169097120000041
5.根据权利要求4所述的利用多源卫星亮温数据提取区域日均土壤水分的方法，其特征在于，步骤S4中，计算卫星过境时刻对应的地面土壤水分实测值，构建日均土壤水分提取模型，具体包括如下步骤：
S41，获取地面土壤水分测量数据，包括每个观测时刻和深度为D的土壤层对应时刻的土壤水分测量值；
S42，利用N个测量时刻的土壤水分计算深度为D的土壤层日均土壤水分，表示为：
Figure FDA0003169097120000042
式中，
Figure FDA0003169097120000043
表示日均土壤水分，
Figure FDA0003169097120000044
表示ti时刻地面测量的土壤水分，N表示测量时刻的数量；
S43，计算卫星过境时刻同步的土壤水分地面测量数据，表示为
Figure FDA0003169097120000045
Figure FDA0003169097120000046
式中，
Figure FDA0003169097120000047
表示卫星过境时刻的土壤水分测量值，
Figure FDA0003169097120000048
和
Figure FDA0003169097120000049
分别表示与卫星过境时刻相邻的前一时刻和后一时刻的土壤水分测量值；
S44，利用多元线性回归方法，构建日均土壤水分与卫星过境时刻的地面实测土壤水分之间的关系，表示为
Figure FDA00031690971200000410
Figure FDA00031690971200000411
式中，k1、k2、k3、…、kn、b均为回归系数，
Figure FDA00031690971200000412
Figure FDA00031690971200000413
为卫星过境时刻对应的土壤水分地面测量值。
6.根据权利要求1所述的利用多源卫星亮温数据提取区域日均土壤水分的方法，其特征在于，步骤S5中，将日均土壤水分提取模型应用于土壤水分反演数据，得到区域日均土壤水分信息，具体包括以下内容：
将每个像元反演的土壤水分按采样深度进行换算得到的固定深度的土壤水分反演值带入日均土壤水分计算模型，得到区域的日均土壤水分，计算公式表示为：
Figure FDA0003169097120000051
式中，
Figure FDA0003169097120000052
表示提取的日均土壤水分结果，
Figure FDA0003169097120000053
表示采样深度D的土壤层土壤水分反演结果，t1、t2、t3、…、tn分别表示卫星过境观测时刻，k1、k2、k3、…、kn、b为日均土壤水分提取模型的系数。
CN202110813546.9A 2021-07-19 2021-07-19 一种利用多源卫星亮温数据提取区域日均土壤水分的方法 Active CN113533379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110813546.9A CN113533379B (zh) 2021-07-19 2021-07-19 一种利用多源卫星亮温数据提取区域日均土壤水分的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110813546.9A CN113533379B (zh) 2021-07-19 2021-07-19 一种利用多源卫星亮温数据提取区域日均土壤水分的方法

Publications (2)

Publication Number Publication Date
CN113533379A true CN113533379A (zh) 2021-10-22
CN113533379B CN113533379B (zh) 2022-04-29

Family

ID=78100158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110813546.9A Active CN113533379B (zh) 2021-07-19 2021-07-19 一种利用多源卫星亮温数据提取区域日均土壤水分的方法

Country Status (1)

Country Link
CN (1) CN113533379B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461971A (zh) * 2022-01-13 2022-05-10 桂林理工大学 一种融合土壤物理性质与遥感数据的地表土壤含水量反演方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645295A (zh) * 2013-12-03 2014-03-19 中国科学院遥感与数字地球研究所 一种多层土壤水分模拟方法和系统
CN106291504A (zh) * 2015-06-05 2017-01-04 中国科学院大学 一种利用静止气象卫星多时相观测数据反演表层土壤体积含水量的方法
CN108761034A (zh) * 2018-05-16 2018-11-06 河海大学 一种多源卫星土壤湿度反演方法
US20190018918A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University System and method for performing accurate hydrologic determination using disparate weather data sources
CN112989286A (zh) * 2021-03-22 2021-06-18 自然资源部国土卫星遥感应用中心 一种时空信息融合的微波遥感土壤水分产品降尺度方法
CN113063806A (zh) * 2021-03-22 2021-07-02 自然资源部国土卫星遥感应用中心 一种多通道微波辐射数据反演裸露土壤水分剖面的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645295A (zh) * 2013-12-03 2014-03-19 中国科学院遥感与数字地球研究所 一种多层土壤水分模拟方法和系统
CN106291504A (zh) * 2015-06-05 2017-01-04 中国科学院大学 一种利用静止气象卫星多时相观测数据反演表层土壤体积含水量的方法
US20190018918A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University System and method for performing accurate hydrologic determination using disparate weather data sources
CN108761034A (zh) * 2018-05-16 2018-11-06 河海大学 一种多源卫星土壤湿度反演方法
CN112989286A (zh) * 2021-03-22 2021-06-18 自然资源部国土卫星遥感应用中心 一种时空信息融合的微波遥感土壤水分产品降尺度方法
CN113063806A (zh) * 2021-03-22 2021-07-02 自然资源部国土卫星遥感应用中心 一种多通道微波辐射数据反演裸露土壤水分剖面的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RAJATBINDLISH等: "Soil moisture estimates from TRMM Microwave Imager observations over the Southern United States", 《REMOTE SENSING OF ENVIRONMENT》 *
张霄羽等: "风云二号静止气象卫星数据估算土壤表面水分方法研究", 《中国生态农业学报》 *
王维: "基于CERES-Wheat和遥感数据的土壤水分供给量反演", 《农业机械学报》 *
陈怀亮等: "用遥感资料估算深层土壤水分的方法和模型", 《应用气象学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461971A (zh) * 2022-01-13 2022-05-10 桂林理工大学 一种融合土壤物理性质与遥感数据的地表土壤含水量反演方法
CN114461971B (zh) * 2022-01-13 2024-04-16 桂林理工大学 一种融合土壤物理性质与遥感数据的地表土壤含水量反演方法

Also Published As

Publication number Publication date
CN113533379B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
Chew et al. An algorithm for soil moisture estimation using GPS-interferometric reflectometry for bare and vegetated soil
Kubota et al. Verification of high-resolution satellite-based rainfall estimates around Japan using a gauge-calibrated ground-radar dataset
Yang et al. A multiscale soil moisture and freeze–thaw monitoring network on the third pole
Chen et al. An improvement of roughness height parameterization of the Surface Energy Balance System (SEBS) over the Tibetan Plateau
Shay et al. Oceanic heat content variability in the eastern Pacific Ocean for hurricane intensity forecasting
Li et al. Assessing the performance of satellite-based precipitation products and its dependence on topography over Poyang Lake basin
CN109709558B (zh) 一种星载微波遥感陆地上空pwv的物理反演方法
Wu et al. Comparisons of global cloud ice from MLS, CloudSat, and correlative data sets
Delwart et al. SMOS validation and the COSMOS campaigns
Djamai et al. Disaggregation of SMOS soil moisture over the Canadian Prairies
Morin et al. Radar‐based quantitative precipitation estimation over Mediterranean and dry climate regimes
Hihara et al. Evaluation of sea surface temperature and wind speed observed by GCOM-W1/AMSR2 using in situ data and global products
Larue et al. Simulation and assimilation of passive microwave data using a snowpack model coupled to a calibrated radiative transfer model over northeastern Canada
Brogioni et al. Simulating multifrequency ground-based radiometric measurements at dome C—Antarctica
Enderlin et al. Uncertainty of ICESat-2 ATL06-and ATL08-derived snow depths for glacierized and vegetated mountain regions
Winther et al. Satellite-derived snow coverage related to hydropower production in Norway: Present and future
Mandapaka et al. Diurnal cycle of precipitation over complex Alpine orography: inferences from high‐resolution radar observations
Wayand et al. A meteorological and snow observational data set from Snoqualmie Pass (921 m), Washington Cascades, USA
CN113533379B (zh) 一种利用多源卫星亮温数据提取区域日均土壤水分的方法
Chen et al. Land surface heterogeneity in the Cooperative Atmosphere Surface Exchange Study (CASES-97). Part I: Comparing modeled surface flux maps with surface-flux tower and aircraft measurements
Wu et al. Improving the capability of water vapor retrieval from Landsat 8 using ensemble machine learning
Remy et al. Katabatic wind intensity and direction over Antarctica derived from scatterometer data
Sandells et al. Simulation of Arctic snow microwave emission in surface-sensitive atmosphere channels
Chen et al. A study of the characteristics and assimilation of retrieved MODIS total precipitable water data in severe weather simulations
Price et al. Snow-driven uncertainty in CryoSat-2-derived Antarctic sea ice thickness–insights from McMurdo Sound

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