CN113591759A - 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 - Google Patents
一种矿区长时序地表土壤含水量遥感数据生产方法及系统 Download PDFInfo
- Publication number
- CN113591759A CN113591759A CN202110906260.5A CN202110906260A CN113591759A CN 113591759 A CN113591759 A CN 113591759A CN 202110906260 A CN202110906260 A CN 202110906260A CN 113591759 A CN113591759 A CN 113591759A
- Authority
- CN
- China
- Prior art keywords
- data
- water content
- surface soil
- mining area
- soil water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种矿区长时序地表土壤含水量遥感数据生产方法及系统,首先采集目标矿区原始历史数据并经过筛选、裁剪、剔除处理得到地表土壤含水量数据,同时采集数据并分别计算归一化植被指数NDVI、植被覆盖度FVC、叶片等效水厚度EWT,接着根据目标分辨率确定降尺度扩展倍数策略,最后先进行模型训练再按照降尺度扩展倍数策略进行降尺度扩展最终得到与目标空间分辨率相近的地表土壤含水量数据产品。本发明能够得到具有一致性适应于矿区场景的长时序、高空间分辨率、高时间分辨率的地表土壤含水量数据产品,可以实现矿区地表土壤含水量的长时序监测,为挖掘矿区生态环境演变机理、量化矿区活动影响范围等提供数据支持。
Description
技术领域
本发明涉及采矿领域、生态学领域、遥感及地理信息领域,尤其涉及一种矿区长时序地表土壤含水量遥感数据生产方法及系统。
背景技术
矿产资源开采对矿区生态环境造成强烈扰动,严重影响了当地自然生态系统的演替发展。矿区生态环境质量监测是矿区生态管理的必要前提,地表土壤含水量作为连接大气水、地表水、地下水的重要一环,也是组成生态环境质量的重要部分,对其进行监测具有重要的现实意义。对于地表土壤含水量的监测,传统的监测方法是基于重力、电磁等的地面监测方法,虽然此类方法得到的精度较为精确,但耗时耗力且获取的数据为点数据,无法得到全面的矿区面数据,且无法获取其历史数据,而矿区的矿产资源开采具有较长的时间周期,因此此类方法具有极大的局限性。遥感技术的兴起为矿区地表土壤含水量的监测提供了技术支持,然而光学热红外遥感易受云雨天气影响,难以得到持续有效的矿区地表土壤含水量监测数据;被动微波遥感因其利用的电磁波波长较长,得到的地表土壤含水量监测数据空间分辨率粗糙(多为20~40千米),不适用于矿区场景,而主动微波无法满足矿区场景长时序的要求。因此目前常见方法都不能获取适用于矿区场景的长时序地表土壤含水量监测数据。
发明内容
针对现有技术存在的不足之处,本发明的目的在于提供一种矿区长时序地表土壤含水量遥感数据生产方法及系统,基于各类地表土壤含水量产品得到目标矿区原始历史数据,同时通过Landsat系列遥感影像、数字高程模型(DEM)数据计算得到辅助数据,构建地表土壤含水量降尺度中的SM-Net网络模型并训练,根据目标分辨率确定降尺度扩展倍数策略,然后依靠SM-Net网络模型按照降尺度扩展倍数策略得到与目标空间分辨率相近的地表土壤含水量数据产品。
本发明的目的通过下述技术方案实现:
一种矿区长时序地表土壤含水量遥感数据生产方法,其方法如下:
A、确定目标矿区,采集包括ESA CCI V06.1、SMMR卫星传感器、TMI卫星传感器、Aquarius卫星辐射计、SMAP卫星辐射计、AMSR-E卫星传感器、AMSR2卫星传感器、MIRAS传感器、MWRI传感器、WindSAT传感器得到的地表土壤含水量产品的目标矿区原始历史数据,设定筛选地表土壤含水量产品的起始年份,从上述地表土壤含水量产品中筛选起始年份之后的目标矿区历史数据,接着对目标矿区历史数据按照最小外包矩形进行裁剪并得到裁剪后的目标矿区历史数据,最小外包矩形为至少包括目标矿区范围的最小矩形区域;采集气候气象数据,在裁剪后的目标矿区历史数据中根据气候气象数据剔除降雨事件有关的历史数据并得到地表土壤含水量数据;
B、辅助数据获取:辅助数据包括Landsat系列遥感影像、数字高程模型DEM数据、归一化植被指数NDVI(NDVI为Normalized Difference Vegetation Index的英文简写)、植被覆盖度FVC(FVC为Fraction of Vegetation Coverage的英文简写)、叶片等效水厚度EWT(EWT为Equivalent Water Thickness的英文简写),其中Landsat系列遥感影像与数字高程模型DEM数据分别从Google Earth Engine平台上采集获取;
B1、归一化植被指数NDVI根据如下公式计算得到:
其中ρnir为近红外波段地表反射率,在Landsat-5或Landsat-7中为波段4,在Landsat-8中为波段5;ρred为红波段地表反射率,在Landsat-5或Landsat-7中为波段3,在Landsat-8中为波段4;
B2、植被覆盖度FVC采用像元二分模型来计算,其计算公式如下:
B3、叶片等效水厚度EWT获取:采用PROSAIL植被辐射传输模型耦合Landsat系列卫星传感器光谱响应函数,结合地面实测叶片等效水厚度数据,得到400~2500nm的连续冠层光谱反射率,并根据Landsat系列各传感器的波段长度将其采样得到波段反射率;基于随机森林算法,以及由各实测叶片等效水厚度、其对应的各波段反射率构建训练数据集,然后训练得到随机森林模型;以目标矿区的遥感影像作为输入数据,通过训练好的随机森林模型,得到矿区的叶片等效水厚度EWT;
C、确定降尺度扩展倍数策略:设定目标分辨率,根据地表土壤含水量产品确定逐次降尺度的空间分辨率;以3或5或7的扩展倍数确定降尺度的次序,最终得到与目标分辨率相近的空间分辨率,并进而确定包括降尺度次数、扩展倍数次序在内的降尺度扩展倍数策略,空间分辨率与扩展倍数关系如下公式:
Rn_after=Rn_before/K,其中Rn_after为第n次降尺度之后的空间分辨率,Rn_before为第n次降尺度之前的空间分辨率,K为扩展倍数;
D、构建地表土壤含水量降尺度中的SM-Net网络模型,SM-Net网络模型采用3×3像元区域的数据进行拟合;
E、准备训练数据,训练数据来源于步骤A中的目标矿区地表土壤含水量数据和步骤B中的辅助数据,标签数据为Δ地表土壤含水量,即较高分辨率地表土壤含水量数据与较低分辨率的地表土壤含水量数据的差值,其中较低分辨率地表土壤含水量数据需扩展至与较高分辨率地表土壤含水量数据具有相同的像元数;
从辅助数据重采样得到的不同分辨率数据作为特征数据,将较低分辨率特征数据扩展至与较高分辨率特征数据具有相同的像元数;
通过训练数据训练得到SM-Net网络模型;
F、将辅助数据重采样至第一次降尺度后的空间分辨率,同时将特征数据中较高分辨率的辅助数据扩展至第一次降尺度后的空间分辨率,将两者数据输入步骤E的SM-Net网络模型中并得到Δ地表土壤含水量;接着将Δ地表土壤含水量与标签数据中较高分辨率的地表土壤含水量数据做和运算得到第一次降尺度后的地表土壤含水量数据;
按照步骤C所确定的降尺度扩展倍数策略,依次重复步骤F直至降至与目标空间分辨率相近的地表土壤含水量数据,进而得到与目标空间分辨率相近的地表土壤含水量数据产品,并通过重采样的方法得到目标空间分辨率地表土壤含水量产品。
本发明矿区长时序地表土壤含水量遥感数据生产方法还包括如下方法:
G、由步骤F中得到的不同数据源降尺度后的地表土壤含水量产品采样截取同一时间节点下的目标空间分辨率地表土壤含水量产品,采样截取时,其采样截取的目标空间分辨率地表土壤含水量产品为包含多种地表类型的小块区域;然后提取所采样截取区域目标空间分辨率地表土壤含水量产品的像元值,利用最小二乘法构建数学模型,并通过该数学模型纠正由不同数据源得到的目标空间分辨率地表土壤含水量产品中存在的系统性偏差。
本发明步骤F的第一次降尺度作业时,针对较高分辨率的地表土壤含水量数据可采用如下方法进行第一次降尺度作业:第一次降尺度后的地表土壤含水量数据可利用目标矿区原始历史数据采用最近邻插值来实现。
本发明步骤D中SM-Net网络模型为基于密集残差卷积网络结构,具体如下:
SM-Net网络模型首先使用3×3的模板在自变量数据集上选择拟合区域,得到22×3×3的像素块,然后通过Conv-ReLU-BN模块进行像素块的信息提取;再接着使用了两个密集残差网络块模块进行处理;在SM-Net网络模型运算过程中保证像素块的高和宽不会发生改变,最后通过1×1卷积改变输出结果的通道数,最终得到该3×3区域单波段的拟合结果。
本发明步骤A中的SMMR卫星传感器搭载于Nimbus-7卫星上,TMI卫星传感器搭载于TRMM卫星上,Aquarius卫星辐射计搭载于Aquarius卫星上,SMAP卫星辐射计搭载于SMAP卫星上,AMSR-E卫星传感器搭载于Aqua卫星上,AMSR2卫星传感器搭载于GCOM-W卫星上,MIRAS传感器搭载于SMOS卫星上,MWRI传感器搭载于FY-3卫星上,WindSAT传感器搭载于Coriolis卫星上。
本发明中Conv-ReLU-BN模块信息提取的流程如下:首先采用卷积模块Conv提取像素模块的特征,接着通过ReLU激活函数对数据进行非线性变换,然后通过归一化模块BN对数据进行归一化处理,加快数据拟合的速度。
本发明的密集残差网络模块包含两个部分,第一部分是密集卷积,密集卷积有利于数据特征的复用,增强特征传播并减小参数数量;第二部分是残差网络,其有助于减小因为网络长度变大带来的梯度消失问题。
一种矿区长时序地表土壤含水量遥感数据生产系统,包括目标矿区数据采集系统、辅助数据获取及计算系统、降尺度扩展倍数策略系统、SM-Net网络模型系统和系统性偏差纠正系统,目标矿区数据采集系统、辅助数据获取及计算系统分别与SM-Net网络模型系统、降尺度扩展倍数策略系统连接,降尺度扩展倍数策略系统和SM-Net网络模型系统连接,SM-Net网络模型系统和系统性偏差纠正系统连接;所述目标矿区数据采集系统采集目标矿区原始历史数据并经过筛选、裁剪、剔除处理得到地表土壤含水量数据,所述辅助数据获取及计算系统采集数据并分别计算归一化植被指数NDVI、植被覆盖度FVC、叶片等效水厚度EWT,所述降尺度扩展倍数策略系统根据目标分辨率确定降尺度扩展倍数策略,所述SM-Net网络模型系统先进行模型训练再按照降尺度扩展倍数策略进行降尺度扩展最终得到目标空间分辨率地表土壤含水量数据产品,所述系统性偏差纠正系统纠正不同数据源得到的目标地表土壤含水量产品的系统性偏差。
本发明较现有技术相比,具有以下优点及有益效果:
(1)本发明首先结合目标矿区开采历史筛选地表土壤含水量产品并通过降尺度的方法得到较高分辨率的历史矿区地表土壤含水量数据,然后通过不同数据源之间的系统性偏差关系得到具有一致性的矿区长时序地表土壤含水量数据,为挖掘矿区生态环境演变机理、量化矿区活动影响范围等提供数据支持。
(2)本发明基于各类地表土壤含水量产品得到目标矿区原始历史数据,同时通过Landsat系列遥感影像、数字高程模型(DEM)数据计算得到辅助数据,构建地表土壤含水量降尺度中的SM-Net网络模型并训练,根据目标分辨率确定降尺度扩展倍数策略,然后依靠SM-Net网络模型按照降尺度扩展倍数策略得到与目标空间分辨率相近的地表土壤含水量数据产品,能够实现矿区地表土壤含水量的长时序监测,为挖掘矿区生态环境演变机理、量化矿区活动影响范围等提供数据支持。
(3)本发明基于地表土壤含水量产品以及遥感影像数据、DEM数据、遥感影像衍生的植被数据等辅助数据,首次提出SM-Net网络结构,构建了地表土壤含水量产品降尺度的技术方法,降尺度得到高分辨率的地表土壤含水量。本发明方法避免了常规拟合算法(随机森林\支持向量机\线性模型)进行点对点式数据拟合易产生噪点的不足,具有适应于拟合复杂关系与充分利用邻近信息的优势。
(4)本发明针对矿区场景结合矿区的基本信息,基于遥感影像数据、DEM数据、气象数据(降水)、遥感影像衍生的植被数据等辅助数据将低空间分辨率(20~40千米)的地表土壤含水量产品降尺度到30米,得到具有一致性的适应于矿区场景的长时序、高空间分辨率、高时间分辨率的地表土壤含水量数据产品,为矿区生态环境保护提供了科学数据。
附图说明
图1为本发明方法的原理流程示意图;
图2为本实施例中提出的SM-Net网络结构示意图;
图3为本发明系统的原理结构框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例一
如图1~图2所示,一种矿区长时序地表土壤含水量遥感数据生产方法,其方法如下:
A、确定目标矿区,采集包括ESA CCI V06.1、SMMR卫星传感器、TMI卫星传感器、Aquarius卫星辐射计、SMAP卫星辐射计、AMSR-E卫星传感器、AMSR2卫星传感器、MIRAS传感器、MWRI传感器、WindSAT传感器得到的地表土壤含水量产品的目标矿区原始历史数据,设定筛选地表土壤含水量产品的起始年份,从上述地表土壤含水量产品中筛选起始年份之后的目标矿区历史数据(比如起始年份为2010年,并确定得到2010之后的目标矿区历史数据,也可筛选出每年8月的目标矿区历史数据),接着对目标矿区历史数据按照最小外包矩形进行裁剪并得到裁剪后的目标矿区历史数据,最小外包矩形为至少包括目标矿区范围的最小矩形区域;采集气候气象数据,在裁剪后的目标矿区历史数据中根据气候气象数据剔除降雨事件有关的历史数据并得到地表土壤含水量数据;本实施例调查确定目标矿区的历史信息,确定所需长时序的矿区地表土壤含水量数据的开始年份,从历史地表土壤含水量产品中筛选出需要的地表土壤含水量产品,结合辅助数据通过降尺度的方法得到较高分辨率的地表土壤含水量历史数据。
B、辅助数据获取:辅助数据包括Landsat系列遥感影像、数字高程模型DEM数据、归一化植被指数NDVI(NDVI为Normalized Difference Vegetation Index的英文简写)、植被覆盖度FVC(FVC为Fraction of Vegetation Coverage的英文简写)、叶片等效水厚度EWT(EWT为Equivalent Water Thickness的英文简写),其中Landsat系列遥感影像与数字高程模型DEM数据分别从Google Earth Engine平台上采集获取,Google Earth Engine(简称GEE),中文名称:谷歌地球引擎平台,Google Earth Engine是一个专门处理卫星图像和其他地球观测数据云端运算平台;
B1、归一化植被指数NDVI根据如下公式计算得到:
其中ρnir为近红外波段地表反射率,在Landsat-5或Landsat-7中为波段4,在Landsat-8中为波段5;ρred为红波段地表反射率,在Landsat-5或Landsat-7中为波段3,在Landsat-8中为波段4;
B2、植被覆盖度FVC采用像元二分模型来计算,其计算公式如下:
B3、叶片等效水厚度EWT获取:采用PROSAIL植被辐射传输模型耦合Landsat系列卫星传感器光谱响应函数,结合地面实测叶片等效水厚度数据,得到400~2500nm的连续冠层光谱反射率,并根据Landsat系列各传感器的波段长度将其采样得到波段反射率;基于随机森林算法,以及由各实测叶片等效水厚度、其对应的各波段反射率构建训练数据集,然后训练得到随机森林模型;以目标矿区的遥感影像作为输入数据,通过训练好的随机森林模型,得到矿区的叶片等效水厚度EWT;
C、确定降尺度扩展倍数策略:设定目标分辨率,根据地表土壤含水量产品确定逐次降尺度的空间分辨率;以3或5或7的扩展倍数确定降尺度的次序,最终得到与目标分辨率相近的空间分辨率,并进而确定包括降尺度次数、扩展倍数次序在内的降尺度扩展倍数策略,空间分辨率与扩展倍数关系如下公式:
Rn_after=Rn_before/K,其中Rn_after为第n次降尺度之后的空间分辨率,Rn_before为第n次降尺度之前的空间分辨率,K为扩展倍数;
D、构建地表土壤含水量降尺度中的SM-Net网络模型,SM-Net网络模型采用3×3像元区域的数据进行拟合;本实施例步骤D中SM-Net网络模型为基于密集残差卷积网络结构,具体如下:
SM-Net网络模型首先使用3×3的模板在自变量数据集上选择拟合区域,得到22×3×3的像素块,然后通过Conv-ReLU-BN模块进行像素块的信息提取;本实施例Conv-ReLU-BN模块信息提取的流程如下:首先采用卷积模块Conv提取像素模块的特征,接着通过ReLU激活函数对数据进行非线性变换,然后通过归一化模块BN对数据进行归一化处理,加快数据拟合的速度。
然后,再接着使用了两个密集残差网络块模块进行处理;在SM-Net网络模型运算过程中保证像素块的高和宽不会发生改变,最后通过1×1卷积改变输出结果的通道数,最终得到该3×3区域单波段的拟合结果。本实施例密集残差网络模块包含两个部分,第一部分是密集卷积,密集卷积有利于数据特征的复用,增强特征传播并减小参数数量;第二部分是残差网络,其有助于减小因为网络长度变大带来的梯度消失问题。
E、准备训练数据,训练数据来源于步骤A中的目标矿区地表土壤含水量数据和步骤B中的辅助数据,如图1所示,训练数据包括标签数据和特征数据。标签数据包括Δ地表土壤含水量,Δ地表土壤含水量为较高分辨率地表土壤含水量数据与较低分辨率的地表土壤含水量数据的差值(通过地表土壤含水量数据进行计算获取),其中较低分辨率地表土壤含水量数据需扩展至与较高分辨率地表土壤含水量数据具有相同的像元数;
从辅助数据重采样得到的不同分辨率数据作为特征数据,将较低分辨率特征数据扩展至与较高分辨率特征数据具有相同的像元数;
通过训练数据训练得到SM-Net网络模型;
F、将辅助数据重采样至第一次降尺度后的空间分辨率,同时将特征数据中较高分辨率的辅助数据扩展至第一次降尺度后的空间分辨率,将两者数据输入步骤E的SM-Net网络模型中并得到Δ地表土壤含水量;接着将Δ地表土壤含水量与标签数据中较高分辨率的地表土壤含水量数据做和运算得到第一次降尺度后的地表土壤含水量数据;
按照步骤C所确定的降尺度扩展倍数策略,依次重复步骤F直至降至与目标空间分辨率相近的地表土壤含水量数据,进而得到与目标空间分辨率相近的地表土壤含水量数据产品,并通过重采样的方法得到目标空间分辨率地表土壤含水量产品。
G、由步骤F中得到的不同数据源降尺度后的地表土壤含水量产品采样截取同一时间节点下的目标空间分辨率地表土壤含水量产品,采样截取时,其采样截取的目标空间分辨率地表土壤含水量产品为包含多种地表类型的小块区域;然后提取所采样截取区域目标空间分辨率地表土壤含水量产品的像元值,利用最小二乘法构建数学模型,并通过该数学模型纠正由不同数据源得到的目标空间分辨率地表土壤含水量产品中存在的系统性偏差。
本实施例步骤F的第一次降尺度作业时,针对较高分辨率的地表土壤含水量数据可采用如下方法进行第一次降尺度作业:第一次降尺度后的地表土壤含水量数据可利用目标矿区原始历史数据采用最近邻插值来实现。
本实施例步骤A中的SMMR卫星传感器搭载于Nimbus-7卫星上,TMI卫星传感器搭载于TRMM卫星上,Aquarius卫星辐射计搭载于Aquarius卫星上,SMAP卫星辐射计搭载于SMAP卫星上,AMSR-E卫星传感器搭载于Aqua卫星上,AMSR2卫星传感器搭载于GCOM-W卫星上,MIRAS传感器搭载于SMOS卫星上,MWRI传感器搭载于FY-3卫星上,WindSAT传感器搭载于Coriolis卫星上。
如图3所示,一种矿区长时序地表土壤含水量遥感数据生产系统,包括目标矿区数据采集系统、辅助数据获取及计算系统、降尺度扩展倍数策略系统、SM-Net网络模型系统和系统性偏差纠正系统,目标矿区数据采集系统、辅助数据获取及计算系统分别与SM-Net网络模型系统、降尺度扩展倍数策略系统连接,降尺度扩展倍数策略系统和SM-Net网络模型系统连接,SM-Net网络模型系统和系统性偏差纠正系统连接;所述目标矿区数据采集系统采集目标矿区原始历史数据并经过筛选、裁剪、剔除处理得到地表土壤含水量数据,所述辅助数据获取及计算系统采集数据并分别计算归一化植被指数NDVI、植被覆盖度FVC、叶片等效水厚度EWT,所述降尺度扩展倍数策略系统根据目标分辨率确定降尺度扩展倍数策略,所述SM-Net网络模型系统先进行模型训练再按照降尺度扩展倍数策略进行降尺度扩展最终得到目标空间分辨率地表土壤含水量数据产品,所述系统性偏差纠正系统纠正不同数据源得到的目标地表土壤含水量产品的系统性偏差。
实施例二
如图1~图2所示,一种矿区长时序地表土壤含水量遥感数据生产方法,其方法如下:
A、确定目标矿区,采集目标矿区的1990-2015年逐年的8月份Landsat-5/7/8卫星影像,同时采集包括全球陆地数据同化系统GLDAS、AMSR-E卫星传感器、AMSR2卫星传感器的目标矿区原始历史数据(当然,还可以采集包括ESA CCI V06.1、SMMR卫星传感器、TMI卫星传感器、Aquarius卫星辐射计、SMAP卫星辐射计、MIRAS传感器、MWRI传感器、WindSAT传感器得到的目标矿区原始历史数据),历史日降雨数据以及数字高程模型DEM数据。本实施例的SMMR卫星传感器搭载于Nimbus-7卫星上,TMI卫星传感器搭载于TRMM卫星上,Aquarius卫星辐射计搭载于Aquarius卫星上,SMAP卫星辐射计搭载于SMAP卫星上,AMSR-E卫星传感器搭载于Aqua卫星上,AMSR2卫星传感器搭载于GCOM-W卫星上,MIRAS传感器搭载于SMOS卫星上,MWRI传感器搭载于FY-3卫星上,WindSAT传感器搭载于Coriolis卫星上。遥感影像数据(即Landsat-5/7/8卫星影像)以及数字高程模型DEM数据也可通过NASA地球科学数据平台Earthdata获取,研究区的历史降雨数据通过国家气象科学数据中心(https://data.cma.cn/)获取。利用收集到的数据对地表土壤含水量产品进行降尺度。
A1、地表土壤含水量产品筛选及预处理:结合历史日降雨数据,剔除受降雨影响的异常目标矿区原始历史数据,裁剪得到目标矿区范围的最小外包矩形,可对筛选过后的目标矿区原始历史数据进行均值处理,得到可用来降尺度的目标矿区原始历史数据。
A2、在Google Earth Engine平台,加载Landsat-5/7/8卫星影像产品,采用归一化植被指数模型计算归一化植被指数NDVI,选取公式中对应影像波段,进行计算归一化植被指数。其中ρnir为近红外波段地表反射率,在Landsat-5或Landsat-7中为波段4,在Landsat-8中为波段5;ρred为红波段地表反射率,在Landsat-5或Landsat-7中为波段3,在Landsat-8中为波段4。最后获取分析区域内的归一化植被指数栅格影像数据。
A3、在ArcGIS平台,加载获取到的NDVI数据,再利用分区域统计脚本提取NDVImax与NDVImin,然后采用栅格计算器构建像元二分模型计算植被覆盖度FVC,其中,NDVI为像元的NDVI值,NDVImin为研究区内完全为裸土的像元NDVI值,NDVImax为研究区纯植被像元的NDVI值。最后输出获取分析区域内的植被覆盖度栅格影像数据。
A4、在欧洲气象卫星组织(EUMETSAT)下载Landsat-5/7/8卫星的光谱响应函数,将其转换为txt格式的文件,利用MATLAB读取光谱响应函数;然后随机生成研究区范围内可能出现的1000组植被参数,通过PROSAIL模型生成其对应的模拟光谱,结合Landsat-5/7/8的光谱响应函数,分别将得到的模拟光谱通过积分的方法得到其对应Landsat-5/7/8卫星传感器的波段上,从而形成针对不同Landsat传感器的基于PROSAIL模型的植被参数反演训练数据集。通过此训练数据集训练随机森林模型用于进行叶片等效水厚度的反演。随后在Google Earth Engine上确定合成影像的月份信息和卫星,通过训练好的随机森林模型进行参数的反演,模型的输入为绿光、红光、近红外和短波红外波段的冠层反射率,模型的输出为植被的叶片等效水厚度EWT。对于Landsat-5/7,具体输入为B2、B3、B4、B5和B7波段反射率;对于Landsat-8,输入为B3、B4、B5、B6和B7波段反射率。最后输出获取分析区域内的叶片等效水厚度。
PROSAIL模型的输入参数包括叶片尺度参数、冠层尺度参数、背景土壤参数以及观测几何等信息。为了尽可能广的涵盖研究区不同植被类型(灌木、草地),研究在模拟时对大多数参数给出了一定的数值分布范围。其中,叶片叶绿素含量、干物质含量与等效水厚度的数值范围满足截短的高斯正态分布,叶面积指数和平均叶倾角给定的数值范围满足均匀分布,土壤背景光谱采用PROSEPCT-D模型内置的干湿土壤线性混合的方式获得,干土壤所占比例服从0.7-1的均匀分布。太阳天顶角和观测天顶角数值分布同样设置为均匀分布。
A5、确定逐步降尺度扩展倍数策略:GLDAS地表土壤含水量数据产品的空间分辨率为0.25°,根据3/5/7的扩展倍数原则,确定降尺度的次序为3倍、5倍、7倍、3倍、3倍(本实施例举例出降尺度次数、扩展倍数次序在内的降尺度扩展倍数策略),最终得到与目标分辨率相近的空间分辨率,即29.4m。AMSR-E、AMSR2地表土壤含水量数据产品的空间分辨率为10km,根据3/5/7的扩展倍数原则,确定降尺度的次序为3倍、5倍、7倍、3倍,最终得到与目标分辨率相近的空间分辨率,即31.7m。
A6、准备降尺度的训练数据。训练数据由标签数据(目标矿区原始历史数据或/地表土壤含水量数据)与特征数据(来源于辅助数据)组成。对较低空间分辨率地表土壤含水量产品即原始的地表土壤含水量进行扩展,使其与较高空间分辨率数据即插值后的地表土壤含水量产品具有相同的像元数。较高空间分辨率地表土壤含水量数据和较低空间分辨率地表土壤含水量数据的差值(Δ地表土壤含水量)作为标签数据。在首次降尺度过程中,标签中的较高空间分辨率数据通过在python中读取地表土壤含水量产品数据并利用griddata函数将其插值为1/3原始空间分辨率。而在之后的降尺度过程中,分别为当时已得到的两种最高空间分辨率的地表土壤含水量数据。分别将Landsat系列影像各波段、FVC、NDVI、EWT分别重采样至与两种地表土壤含水量空间分辨率的相同。同时将较低空间分辨率的辅助数据扩展至与较高空间分辨率相同的栅格数并作为特征数据。
A7、采用步骤A6过程中准备好的训练数据,训练SM-Net网络模型。将辅助数据(包括Landsat系列影像各波段、FVC、NDVI、EWT)重采样至首次降尺度后的空间分辨率,同时将特征数据中的较高分辨率的辅助数据(包括Landsat系列影像各波段、FVC、NDVI、EWT)扩展至首次降尺度后的空间分辨率,此二者作训练好的SM-Net网络的输入,得到Δ地表土壤含水量。将Δ地表土壤含水量与标签数据中的较高分辨率地表土壤含水量产品做和运算得到首次降尺度后地表土壤含水量数据。
A8、根据步骤A5中确定的逐步降尺度扩展倍数策略,重复步骤A6、步骤A7直至降至与目标空间分辨率相近的地表土壤含水量数据,最后将其重采样至目标空间分辨率为30m。
B、选择矿区地表异质性强的一块区域,选取步骤A中得到的同一时间不同数据源得到多组矿区地表土壤含水量数据,利用SPSS软件拟合之间的数学关系y=-3049.3x3+1676.7x2-306.59x+18.839,并通过此关系模型纠正由不同数据源得到的地表土壤含水量产品中存在的系统性偏差,最终得到具有一致性的矿区地表土壤含水量产品。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种矿区长时序地表土壤含水量遥感数据生产方法,其特征在于:其方法如下:
A、确定目标矿区,采集包括ESACCIV06.1、SMMR卫星传感器、TMI卫星传感器、Aquarius卫星辐射计、SMAP卫星辐射计、AMSR-E卫星传感器、AMSR2卫星传感器、MIRAS传感器、MWRI传感器、WindSAT传感器得到的地表土壤含水量产品的目标矿区原始历史数据,设定筛选地表土壤含水量产品的起始年份,从上述地表土壤含水量产品中筛选起始年份之后的目标矿区历史数据,接着对目标矿区历史数据按照最小外包矩形进行裁剪并得到裁剪后的目标矿区历史数据,最小外包矩形为至少包括目标矿区范围的最小矩形区域;采集气候气象数据,在裁剪后的目标矿区历史数据中根据气候气象数据剔除降雨事件有关的历史数据并得到地表土壤含水量数据;
B、辅助数据获取:辅助数据包括Landsat系列遥感影像、数字高程模型DEM数据、归一化植被指数NDVI、植被覆盖度FVC、叶片等效水厚度EWT,其中Landsat系列遥感影像与数字高程模型DEM数据分别从GoogleEarthEngine平台上采集获取;
B1、归一化植被指数NDVI根据如下公式计算得到:
中ρnir为近红外波段地表反射率,在Landsat-5或Landsat-7中为波段4,在Landsat-8中为波段5;ρred为红波段地表反射率,在Landsat-5或Landsat-7中为波段3,在Landsat-8中为波段4;
B2、植被覆盖度FVC采用像元二分模型来计算,其计算公式如下:
B3、叶片等效水厚度EWT获取:采用PROSAIL植被辐射传输模型耦合Landsat系列卫星传感器光谱响应函数,结合地面实测叶片等效水厚度数据,得到400~2500nm的连续冠层光谱反射率,并根据Landsat系列各传感器的波段长度将其采样得到波段反射率;基于随机森林算法,以及由各实测叶片等效水厚度、其对应的各波段反射率构建训练数据集,然后训练得到随机森林模型;以目标矿区的遥感影像作为输入数据,通过训练好的随机森林模型,得到矿区的叶片等效水厚度EWT;
C、确定降尺度扩展倍数策略:设定目标分辨率,根据地表土壤含水量产品确定逐次降尺度的空间分辨率;以3或5或7的扩展倍数确定降尺度的次序,最终得到与目标分辨率相近的空间分辨率,并进而确定包括降尺度次数、扩展倍数次序在内的降尺度扩展倍数策略,空间分辨率与扩展倍数关系如下公式:
Rn_after=Rn_before/K,其中Rn_after为第n次降尺度之后的空间分辨率,Rn_before为第n次降尺度之前的空间分辨率,K为扩展倍数;
D、构建地表土壤含水量降尺度中的SM-Net网络模型,SM-Net网络模型采用3×3像元区域的数据进行拟合;
E、准备训练数据,训练数据来源于步骤A中的目标矿区地表土壤含水量数据与步骤B中的辅助数据。标签数据为Δ地表土壤含水量,即较高分辨率地表土壤含水量数据与较低分辨率的地表土壤含水量数据的差值,其中较低分辨率地表土壤含水量数据需扩展至与较高分辨率地表土壤含水量数据具有相同的像元数;
从辅助数据重采样得到的不同分辨率数据作为特征数据,将较低分辨率特征数据扩展至与较高分辨率特征数据具有相同的像元数;
通过训练数据训练得到SM-Net网络模型;
F、将辅助数据重采样至第一次降尺度后的空间分辨率,同时将特征数据中较高分辨率的辅助数据扩展至第一次降尺度后的空间分辨率,将两者数据输入步骤E的SM-Net网络模型中并得到Δ地表土壤含水量;接着将Δ地表土壤含水量与标签数据中较高分辨率的地表土壤含水量数据做和运算得到第一次降尺度后的地表土壤含水量数据;
按照步骤C所确定的降尺度扩展倍数策略,依次重复步骤F直至降至与目标空间分辨率相近的地表土壤含水量数据,进而得到与目标空间分辨率相近的地表土壤含水量数据产品,并通过重采样的方法得到目标空间分辨率的地表土壤含水量产品。
2.按照权利要求1所述的一种矿区长时序地表土壤含水量遥感数据生产方法,其特征在于:还包括如下方法:
G、由步骤F中得到的不同数据源降尺度后的地表土壤含水量产品采样截取同一时间节点下的目标空间分辨率地表土壤含水量产品,采样截取时,其采样截取的目标空间分辨率地表土壤含水量产品为包含多种地表类型的小块区域;然后提取所采样截取区域目标空间分辨率地表土壤含水量产品的像元值,利用最小二乘法构建数学模型,并通过该数学模型纠正由不同数据源得到的目标空间分辨率地表土壤含水量产品中存在的系统性偏差。
3.按照权利要求1所述的一种矿区长时序地表土壤含水量遥感数据生产方法,其特征在于:步骤F的第一次降尺度作业时,针对较高分辨率的地表土壤含水量数据可采用如下方法进行第一次降尺度作业:第一次降尺度后的地表土壤含水量数据可利用目标矿区原始历史数据采用最近邻插值来实现。
4.按照权利要求1所述的一种矿区长时序地表土壤含水量遥感数据生产方法,其特征在于:步骤D中SM-Net网络模型为基于密集残差卷积网络结构,具体如下:
SM-Net网络模型首先使用3×3的模板在自变量数据集上选择拟合区域,得到22×3×3的像素块,然后通过Conv-ReLU-BN模块进行像素块的信息提取;再接着使用了两个密集残差网络块模块进行处理;在SM-Net网络模型运算过程中保证像素块的高和宽不会发生改变,最后通过1×1卷积改变输出结果的通道数,最终得到该3×3区域单波段的拟合结果。
5.按照权利要求1所述的一种矿区长时序地表土壤含水量遥感数据生产方法,其特征在于:步骤A中的SMMR卫星传感器搭载于Nimbus-7卫星上,TMI卫星传感器搭载于TRMM卫星上,Aquarius卫星辐射计搭载于Aquarius卫星上,SMAP卫星辐射计搭载于SMAP卫星上,AMSR-E卫星传感器搭载于Aqua卫星上,AMSR2卫星传感器搭载于GCOM-W卫星上,MIRAS传感器搭载于SMOS卫星上,MWRI传感器搭载于FY-3卫星上,WindSAT传感器搭载于Coriolis卫星上。
6.按照权利要求4所述的一种矿区长时序地表土壤含水量遥感数据生产方法,其特征在于:Conv-ReLU-BN模块信息提取的流程如下:首先采用卷积模块Conv提取像素模块的特征,接着通过ReLU激活函数对数据进行非线性变换,然后通过归一化模块BN对数据进行归一化处理,加快数据拟合的速度。
7.按照权利要求4所述的一种矿区长时序地表土壤含水量遥感数据生产方法,其特征在于:密集残差网络模块包含两个部分,第一部分是密集卷积,密集卷积有利于数据特征的复用,增强特征传播并减小参数数量;第二部分是残差网络,其有助于减小因为网络长度变大带来的梯度消失问题。
8.一种矿区长时序地表土壤含水量遥感数据生产系统,其特征在于:包括目标矿区数据采集系统、辅助数据获取及计算系统、降尺度扩展倍数策略系统、SM-Net网络模型系统和系统性偏差纠正系统,目标矿区数据采集系统、辅助数据获取及计算系统分别与SM-Net网络模型系统、降尺度扩展倍数策略系统连接,降尺度扩展倍数策略系统和SM-Net网络模型系统连接,SM-Net网络模型系统和系统性偏差纠正系统连接;所述目标矿区数据采集系统采集目标矿区原始历史数据并经过筛选、裁剪、剔除处理得到地表土壤含水量数据,所述辅助数据获取及计算系统采集数据并分别计算归一化植被指数NDVI、植被覆盖度FVC、叶片等效水厚度EWT,所述降尺度扩展倍数策略系统根据目标分辨率确定降尺度扩展倍数策略,所述SM-Net网络模型系统先进行模型训练再按照降尺度扩展倍数策略进行降尺度扩展最终得到目标空间分辨率地表土壤含水量数据产品,所述系统性偏差纠正系统纠正不同数据源得到的目标地表土壤含水量产品的系统性偏差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110906260.5A CN113591759B (zh) | 2021-08-09 | 2021-08-09 | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110906260.5A CN113591759B (zh) | 2021-08-09 | 2021-08-09 | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591759A true CN113591759A (zh) | 2021-11-02 |
CN113591759B CN113591759B (zh) | 2022-03-25 |
Family
ID=78256186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110906260.5A Expired - Fee Related CN113591759B (zh) | 2021-08-09 | 2021-08-09 | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591759B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
CN116399820A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
CN117409335A (zh) * | 2023-12-14 | 2024-01-16 | 成都远望探测技术有限公司 | 一种基于可见光图像的气象雷达降水率降尺度方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150042506A1 (en) * | 2012-03-22 | 2015-02-12 | Northeastern University | Conformal and configurable millimeter-wave integrated array radar in a compact package |
CN105243435A (zh) * | 2015-09-15 | 2016-01-13 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
CN106501186A (zh) * | 2016-11-02 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种土壤含水量产品降尺度方法 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
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 |
CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
CN113128134A (zh) * | 2021-06-17 | 2021-07-16 | 中国矿业大学(北京) | 一种矿区生态环境演变驱动因子权重量化分析方法 |
-
2021
- 2021-08-09 CN CN202110906260.5A patent/CN113591759B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150042506A1 (en) * | 2012-03-22 | 2015-02-12 | Northeastern University | Conformal and configurable millimeter-wave integrated array radar in a compact package |
CN105243435A (zh) * | 2015-09-15 | 2016-01-13 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
CN106501186A (zh) * | 2016-11-02 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种土壤含水量产品降尺度方法 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
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 |
CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
CN113128134A (zh) * | 2021-06-17 | 2021-07-16 | 中国矿业大学(北京) | 一种矿区生态环境演变驱动因子权重量化分析方法 |
Non-Patent Citations (2)
Title |
---|
QINYU YE 等: ""A downscaling approach of phase transition water content using AMSR2 and MODIS products"", 《2014 IEEE GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
常江: ""基于神经网络和机器学习的土壤湿度反演研究"", 《中国优秀硕士学位论文全文数据库-农业科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
CN116399820A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
CN116399820B (zh) * | 2023-06-07 | 2023-08-04 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
CN117409335A (zh) * | 2023-12-14 | 2024-01-16 | 成都远望探测技术有限公司 | 一种基于可见光图像的气象雷达降水率降尺度方法 |
CN117409335B (zh) * | 2023-12-14 | 2024-02-23 | 成都远望探测技术有限公司 | 一种基于可见光图像的气象雷达降水率降尺度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113591759B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113591759B (zh) | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 | |
Meng et al. | A fine-resolution soil moisture dataset for China in 2002–2018 | |
Song et al. | An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression | |
Hong et al. | Remote sensing precipitation: Sensors, retrievals, validations, and applications | |
Li et al. | Estimation of all-sky 1 km land surface temperature over the conterminous United States | |
Jiang et al. | Multi-sensor and multi-platform consistency and interoperability between UAV, Planet CubeSat, Sentinel-2, and Landsat reflectance data | |
Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
Wang et al. | Spatiotemporal estimation of hourly 2-km ground-level ozone over China based on Himawari-8 using a self-adaptive geospatially local model | |
CN116486931B (zh) | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 | |
CN114443627A (zh) | 一种陆地和海洋温度的修复方法、系统、计算机设备 | |
Zhao et al. | Triangle Space-Based Surface Soil Moisture Estimation by the Synergistic Use of $ In\Situ $ Measurements and Optical/Thermal Infrared Remote Sensing: An Alternative to Conventional Validations | |
Li et al. | Mapping daily leaf area index at 30 m resolution over a meadow steppe area by fusing Landsat, Sentinel-2A and MODIS data | |
Sobrino et al. | Near real-time estimation of Sea and Land surface temperature for MSG SEVIRI sensors | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
Herrero-Huerta et al. | Generating high-temporal and spatial resolution TIR image data | |
CN113919227A (zh) | 一种矿区生态时间累积效应点与空间累积范围识别方法 | |
Wang et al. | A taylor expansion algorithm for spatial downscaling of MODIS land surface temperature | |
Massart et al. | Multi-sensor analyses of the skin temperature for the assimilation of satellite radiances in the European Centre for Medium-Range Weather Forecasts (ECMWF) Integrated Forecasting System (IFS, cycle 47R1) | |
CN116611352A (zh) | 极轨卫星地表温度时间可比性校正通用方法与系统 | |
CN116185616A (zh) | 一种fy-3d mersi l1b数据自动化再处理方法 | |
Xu et al. | Exploring the Potential of Gaofen-1/6 for Crop Monitoring: Generating Daily Decametric-Resolution Leaf Area Index Time Series | |
Laraby | Landsat surface temperature product: global validation and uncertainty estimation | |
Thompson et al. | Delta-X: AVIRIS-NG L2B BRDF-Adjusted Surface Reflectance, MRD, LA, 2021, V2. ORNL DAAC, Oak Ridge, Tennessee, USA | |
CN109359394B (zh) | 土壤湿度降尺度因子模型构建方法及系统 | |
Dai et al. | LAI scale effect research based on compact airborne spectrographic imager data in the Heihe Oasis |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |