CN113642504B - 一种逐日公里级空间全覆盖的土壤水分估算方法 - Google Patents

一种逐日公里级空间全覆盖的土壤水分估算方法 Download PDF

Info

Publication number
CN113642504B
CN113642504B CN202110972611.2A CN202110972611A CN113642504B CN 113642504 B CN113642504 B CN 113642504B CN 202110972611 A CN202110972611 A CN 202110972611A CN 113642504 B CN113642504 B CN 113642504B
Authority
CN
China
Prior art keywords
data
soil moisture
soil
acquiring
cci
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
CN202110972611.2A
Other languages
English (en)
Other versions
CN113642504A (zh
Inventor
冷佩
杨哲
李召良
廖前瑜
张霞
尚国琲
段四波
高懋芳
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 Agricultural Resources and Regional Planning of CAAS
Hebei GEO University
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
Hebei GEO University
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 Agricultural Resources and Regional Planning of CAAS, Hebei GEO University filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN202110972611.2A priority Critical patent/CN113642504B/zh
Publication of CN113642504A publication Critical patent/CN113642504A/zh
Application granted granted Critical
Publication of CN113642504B publication Critical patent/CN113642504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种逐日公里级空间全覆盖的土壤水分估算方法，包括以下步骤：采集目标区域的MODIS数据，获取MODIS数据的NDVI数据和LST数据；基于NDVI数据和LST数据，通过采集CCI数据的CCI土壤水分有效像元，获取目标区域的第一土壤水分数据，并构建土壤水分训练模型；采集CCI数据的土壤水分无效像元数据，并将CCI土壤水分无效像元作为土壤水分训练模型的输入数据，获取目标区域的第二土壤水分数据；基于第一土壤水分数据和第二土壤水分数据，获取逐日公里级空间全覆盖的土壤水分数据；本发明通过开展逐日公里级空间全覆盖的土壤水分获取方法研究，为区域地球系统科学研究提供了实用的土壤水分数据。

Description

一种逐日公里级空间全覆盖的土壤水分估算方法
技术领域
本发明涉及微波与光学遥感技术领域，特别是涉及一种基于微波与光学数据的逐日公里级空间全覆盖的土壤水分估算。
背景技术
作为地球系统的关键组成部分之一，土壤水分在水文、气象和气候系统中起着至关重要的作用。土壤水分是决定降水入渗与形成地表径流的决定性因子，同时也能够影响地表净辐射向显热和潜热分配的比例。因此，准确获取区域乃至全球土壤水分时空分布，对区域农业干旱监测、水资源管理以及气象预报等领域具有重要意义。
现有区域土壤水分时空分布主要通过微波或者光学遥感获取，其中，当前大多数常用的微波土壤水分产品的空间分辨率较低，一般为几十公里级，且受算法本身限制、无线电干扰等因素影响，微波土壤水分产品在空间上并不连续，致使其在区域尺度的实际应用受到一定的限制。光学遥感虽然具有较高的空间分辨率，但它易受云的影响，难以获取空间全覆盖的土壤水分。因此，迫切需要融合微波与光学遥感各自优势，开展逐日公里级空间全覆盖的土壤水分获取方法研究，为区域地球系统科学研究提供实用的土壤水分数据。
发明内容
针对现有问题，本发明的目的是以现有广泛应用的欧空局微波土壤水分产品(CCI)与光学遥感数据(MODIS)为数据源，提出一种获取逐日公里级空间全覆盖土壤水分的方法。
为了实现上述目的，本发明提供了一种逐日公里级空间全覆盖的土壤水分估算方法，包括以下步骤：
采集目标区域的MODIS数据，获取MODIS数据的NDVI数据和LST数据；
基于NDVI数据和LST数据，通过采集CCI数据的CCI土壤水分有效像元，获取目标区域的第一土壤水分数据，并构建土壤水分训练模型；
采集CCI数据的土壤水分无效像元数据，并将CCI土壤水分无效像元作为土壤水分训练模型的输入数据，获取目标区域的第二土壤水分数据；
基于第一土壤水分数据和第二土壤水分数据，获取逐日公里级空间全覆盖的土壤水分数据。
优选地，在获取NDVI数据的过程中，采集MODIS数据的初始NDVI数据，并基于生长季内植被生长随时间呈余弦变化的客观规律，对初始NDVI数据进行时空插值，获得NDVI数据，其中，NDVI数据的空间分辨率为1km。
优选地，在获取LST数据的过程中，采集MODIS数据的初始LST数据，基于空间分辨率，对初始LST数据进行重采样，获取LST数据，其中，LST数据的分辨率为1km，初始LST数据的分辨率为5km。
优选地，CCI数据的空间分辨率25km；
CCI土壤水分有效像元用于表示CCI数据拥有有效的土壤水分观测值；
CCI土壤水分无效像元用于表示CCI数据没有有效的土壤水分观测值。
优选地，在获取第一土壤水分数据的过程中，获取第一土壤水分数据的步骤包括:
根据NDVI数据，获取基于空间分辨率的植被覆盖度；
基于植被覆盖度和LST数据的空间分布，根据目视解译的方法，获取目标地区的裸土温度数据，并计算土壤蒸发效率；
基于CCI数据以及CCI数据对应的土壤蒸发效率，获取土壤蒸发效率与土壤水分转换参数并计算降尺度参数；
基于降尺度参数、土壤蒸发效率、CCI土壤水分有效像元，获取第一土壤水分数据。
优选地，植被覆盖度的方程为：
其中，fv，1km为1km分辨率的植被覆盖度，NDVIMODIS为MODIS数据提供的1km分辨率植被指数。
优选地，在计算土壤蒸发效率的过程中，根据裸土温度数据的最高温度和最低温度取平均值，并基于植被覆盖度，计算土壤温度，其中，土壤温度的计算公式为：
其中，Ts，1km为土壤温度，TMODIS为MODIS数据提供的地表温度，Tv，1km为最高温度和最低温度的平均值；
根据土壤温度、最高温度、最低温度，计算土壤蒸发效率，其中，土壤蒸发效率的计算公式为：
其中，SEEMODIS，1km为土壤蒸发效率，Ts，max为最高温度，Ts，min为最低温度。
优选地，获取土壤蒸发效率与土壤水分转换参数并计算降尺度参数的过程中，降尺度参数的计算公式为：
其中，SMP表示土壤蒸发效率与土壤水分转换参数，Φ为降尺度参数，SM25km为CCl土壤水分有效像元的土壤水分值，SEE25km为CCl数据内25×25个MODIS像元的土壤蒸发效率的平均值；
第一土壤水分数据的方程表达式为：
SM1km＝SMM25km+Φ×(SEEMODIS，1km-SEE25km)。
优选地，在构建土壤水分训练模型的过程中，包括一下步骤：
根据NDVI数据、LST数据、高程DEM、地表反照率、经度、纬度、时间，构建土壤水分训练模型的输入变量X，其中，
X＝[x1，x2，...，x7]T；
基于土壤水分训练模型的学习样本数，构建土壤水分训练模型的模式层的神经元传递函数，神经元传递函数为：
其中，pi为神经元传递函数，σ2为扩散因子，取值为0.05；
通过对土壤水分训练模型的所有模式层的神经元，分别进行神经元输出的算数求和以及神经元加权求和，并基于神经元传递函数，获取土壤水分训练模型的输出变量，
其中，
算数求和为：
神经元加权求和为：y1i表示连接权值，其中，连接权值y1i用于表示第i个输出样本的第1个元素；
输出变量为：
模式层与第i个神经元的连接权值为1。
优选地，用于实现土壤水分估算方法的土壤水分估算系统包括：
数据采集模块，用于采集目标区域的MODIS数据，获取MODIS数据的NDVI数据和LST数据；
第一数据处理模块，用于基于NDVI数据和LST数据，通过采集CCI数据的CCI土壤水分有效像元，获取目标区域的第一土壤水分数据，并构建土壤水分训练模型；
第二数据处理模块，用于采集CCI数据的土壤水分无效像元数据，并将CCI土壤水分无效像元作为土壤水分训练模型的输入数据，获取目标区域的第二土壤水分数据；
第三数据处理模块，基于第一土壤水分数据和第二土壤水分数据，获取逐日公里级空间全覆盖的土壤水分数据；
存储模块用于存储土壤水分估算系统产生的系统数据；
显示模块用于显示逐日公里级空间全覆盖的土壤水分数据。
本发明公开了以下技术效果：
本发明通过开展逐日公里级空间全覆盖的土壤水分获取方法研究，为区域地球系统科学研究提供了实用的土壤水分数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的基于地表温度(LST)与植被覆盖度(FVC)散点的空间分布图；
图2为本发明实施例所述的土壤水分估算方法的流程图；
图3为本发明实施例所述的25公里分辨率的CCI微波土壤水分产品数据在青藏高原的分布图；
图4为本发明实施例所述的与图2同一天的公里级空间全覆盖的土壤水分在青藏高原的分布图；
图5为本发明实施例所述的土壤水分与地面土壤水分实测站点观测的土壤水分之间的结果验证。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-5所示，本发明提供了一种获取逐日公里级空间全覆盖土壤水分的方法。
为了实现上述目的，本发明提供了一种逐日公里级空间全覆盖的土壤水分估算方法，包括以下步骤：
采集目标区域的MODIS数据，获取MODIS数据的NDVI数据和LST数据；
基于NDVI数据和LST数据，通过采集CCI数据的CCI土壤水分有效像元，获取目标区域的第一土壤水分数据，并构建土壤水分训练模型；
采集CCI数据的土壤水分无效像元数据，并将CCI土壤水分无效像元作为土壤水分训练模型的输入数据，获取目标区域的第二土壤水分数据；
基于第一土壤水分数据和第二土壤水分数据，获取逐日公里级空间全覆盖的土壤水分数据。
进一步地，在获取NDVI数据的过程中，采集MODIS数据的初始NDVI数据，并基于生长季内植被生长随时间呈余弦变化的客观规律，对初始NDVI数据进行时空插值，获得NDVI数据，其中，NDVI数据的空间分辨率为1km。
进一步地，在获取LST数据的过程中，采集MODIS数据的初始LST数据，基于空间分辨率，对初始LST数据进行重采样，获取LST数据，其中，LST数据的分辨率为1km，初始LST数据的分辨率为5km。
进一步地，CCI数据的空间分辨率25km；
CCI土壤水分有效像元用于表示CCI数据拥有有效的土壤水分观测值；
CCI土壤水分无效像元用于表示CCI数据没有有效的土壤水分观测值。
进一步地，在获取第一土壤水分数据的过程中，获取第一土壤水分数据的步骤包括:
根据NDVI数据，获取基于空间分辨率的植被覆盖度；
基于植被覆盖度和LST数据的空间分布，根据目视解译的方法，获取目标地区的裸土温度数据，并计算土壤蒸发效率；
基于CCI数据以及CCI数据对应的土壤蒸发效率，获取土壤蒸发效率与土壤水分转换参数并计算降尺度参数；
基于降尺度参数、土壤蒸发效率、CCI土壤水分有效像元，获取第一土壤水分数据。
进一步地，植被覆盖度的方程为：
其中，fv，1km为1km分辨率的植被覆盖度，NDVIMODIS为MODIS数据提供的1km分辨率植被指数。
进一步地，在计算土壤蒸发效率的过程中，根据裸土温度数据的最高温度和最低温度取平均值，并基于植被覆盖度，计算土壤温度，其中，土壤温度的计算公式为：
其中，Ts，1km为土壤温度，TMODIS为MODIS数据提供的地表温度，Tv，1km为最高温度和最低温度的平均值；
根据土壤温度、最高温度、最低温度，计算土壤蒸发效率，其中，土壤蒸发效率的计算公式为：
其中，SEEMODIS，1km为土壤蒸发效率，Ts，max为最高温度，Ts，min为最低温度。
进一步地，获取土壤蒸发效率与土壤水分转换参数并计算降尺度参数的过程中，降尺度参数的计算公式为：
其中，SMP表示土壤蒸发效率与土壤水分转换参数，Φ为降尺度参数，SM25km为CCl土壤水分有效像元的土壤水分值，SEE25km为CCl数据内25×25个MODIS像元的土壤蒸发效率的平均值；
第一土壤水分数据的方程表达式为：
SM1km＝SM25km+Φ×(SEEMODIS，1km-SEE25km)。
进一步地，在构建土壤水分训练模型的过程中，包括一下步骤：
根据NDVI数据、LST数据、高程DEM、地表反照率、经度、纬度、时间，构建土壤水分训练模型的输入变量X，其中，
X＝[x1，x2，...，x7]T；
基于土壤水分训练模型的学习样本数，构建土壤水分训练模型的模式层的神经元传递函数，神经元传递函数为：
其中，pi为神经元传递函数，σ2为扩散因子，取值为0.05；
通过对土壤水分训练模型的所有模式层的神经元，分别进行神经元输出的算数求和以及神经元加权求和，并基于神经元传递函数，获取土壤水分训练模型的输出变量，
其中，
算数求和为：
神经元加权求和为：y1i表示连接权值，其中，连接权值y1i用于表示第i个输出样本的第1个元素；
输出变量为：
模式层与第i个神经元的连接权值为1。
进一步地，用于实现土壤水分估算方法的土壤水分估算系统包括：
数据采集模块，用于采集目标区域的MODIS数据，获取MODIS数据的NDVI数据和LST数据；
第一数据处理模块，用于基于NDVI数据和LST数据，通过采集CCI数据的CCI土壤水分有效像元，获取目标区域的第一土壤水分数据，并构建土壤水分训练模型；
第二数据处理模块，用于采集CCI数据的土壤水分无效像元数据，并将CCI土壤水分无效像元作为土壤水分训练模型的输入数据，获取目标区域的第二土壤水分数据；
第三数据处理模块，基于第一土壤水分数据和第二土壤水分数据，获取逐日公里级空间全覆盖的土壤水分数据；
存储模块用于存储土壤水分估算系统产生的系统数据；
显示模块用于显示逐日公里级空间全覆盖的土壤水分数据。
实施例1：本发明提供的一种逐日公里级空间全覆盖的土壤水分估算方法，该方法包括以下步骤：
S1，取研究区整个生长季MODIS提供的16天分辨率的归一化植被指数(NDVI)产品(MOD13A2，空间分辨率1km，即每个像元大小为1km×1km)，基于生长季内植被生长随时间呈余弦变化的客观规律，对每一个像元NDVI进行时空插值，得到逐日空间全覆盖的1km分辨率NDVI；
S2，将MODIS提供的每天空间全覆盖的地表温度(LST)产品(MOD06_L2，空间分辨率5km，即每个像元大小为5km×5km)重采样到1km分辨率，得到逐日空间全覆盖的1km分辨率LST；
S3，将低空间分辨率的CCI土壤水分产品(空间分辨率25km，即每个像元大小为25km×25km)根据每一个像元是否存在有效值将其划分为土壤水分有效像元与土壤水分无效像元。其中，CCI土壤水分有效像元是指CCI像元(25km×25km)拥有有效的土壤水分观测值，根据S1和S2可知，土壤水分有效像元CCI其内部25×25个1km×1km像元拥有有效的LST和NDVI值；土壤水分无效像元是指CCI像元(25km×25km)没有有效的土壤水分观测值，但根据S1和S2可知，其内部25×25个1km×1km像元仍然拥有有效的LST和NDVI值；
S4，针对S3中的CCI土壤水分有效像元，基于S1与S2中获取的NDVI与LST，对低空间分辨率的CCI土壤水分进行空间降尺度，得到1km×1km分辨率土壤水分数据。具体地，其过程为：
根据MODIS产品提供的植被指数NDVI，得到1公里的植被覆盖度(FVC)：
其中，fv,1km为1km分辨率的植被覆盖度，NDVIMODIS为MODIS产品提供的1km分辨率植被指数(即上述S1中经过插值后获取的1km分辨率NDVI)；
基于地表温度(LST)与植被覆盖度(FVC)散点的空间分布，根据目视解译的方法，提取裸土的最高温度Ts.max(即图1中A点温度，当植被覆盖度为0时，图1上端线段对应左边纵轴的温度)和最低温度Ts,min(即图1中D点温度，当植被覆盖度为0时，图1下端线段对应左边纵轴的温度)，植被覆盖度最高时植被的最高温度Tv,max(即图1中B点温度，当植被覆盖度为1时，图1上端线段对应右边纵轴的温度)和最低温度Tv,min(即图1中C点温度，当植被覆盖度为1时，图1下端线段对应右边纵轴的温度)，其中，图1上端线段的LST＝-21.74＊FVC+316.72；图1下端线段的LST＝-5.79＊FVC+281.94。
植被温度可以表示为植被覆盖度最高时植被温度与植被覆盖度最低时植被温度的平均值：
Tv,1km＝(Tv,max+Tv,min)/2 (2)
根据公式(1)中得到的植被覆盖度和公式(2)中的植被温度，，估算1km分辨率土壤温度：
其中，Ts,1km为土壤温度，TMODIS为MODIS提供的地表温度(即上述S2中重采样后的1km分辨率LST)；
根据公式(3)中计算得到的土壤温度，以及从图1中提取的裸土的最高温度和最低温度，估算土壤蒸发效率：
其中，SEEMODIS,1km为1km分辨率MODIS像元的土壤蒸发效率。
对CCI像元(25km×25km)内25×25个MODIS像元(1km×1km)的土壤蒸发效率SEEMODIS,1km取平均值，表示为SEE25km，进而计算土壤蒸发效率与土壤水分转换参数SMP:
根据土壤蒸发效率与土壤水分转换参数SMP，计算降尺度参数Φ：
其中，Φ为降尺度参数，SM25km为CCI土壤水分产品有效像元土壤水分值。
25km×25km CCI像元内1km分辨率MODIS像元的土壤水分可以表示为：
SM1km＝SM25km+Φ×(SEEMODIS,1km-SEE25km) (7)
其中，SM1km为降尺度后1km分辨率MODIS像元的土壤水分。
S5，利用S4中得到的1km×1km分辨率土壤水分数据，以及对应的NDVI与LST数据，建立CCI有效像元内1km土壤水分训练模型。具体地，其过程为：
将S4中通过空间降尺度得到的CCI土壤水分有效像元内的1km×1km分辨率土壤水分设置为输出变量Y，在输入层中设定训练模型的输入变量X(1km×1km分辨率植被指数NDVI、地表温度LST、高程DEM、地表反照率、经度、纬度、时间等共7个变量)：
X＝[x1,x2,...,x7]T (8)
在模式层中，设置神经元的数目等于学习样本的数目n，该层中神经元传递函数为：
其中，pi为神经元传递函数，σ2为方差。
在求和层中，使用两种类型的神经元进行求和。
一类是对所有模式层神经元的输出进行算数求和，其模式层与第i个神经元的连接权值为1，传递函数为：
另一类是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，由于本发明中，输出变量只有一个元素，则j＝1，传递函数为：
基于公式(11)与(12)，可得到模型预测的目标变量：
S6，针对S3中的CCI土壤水分无效像元，利用S5中建立的CCI土壤水分有效像元训练模型(即S5中公式(13))，以CCI土壤水分无效像元内的输入变量(1km×1km分辨率植被指数NDVI、地表温度LST、高程DEM、地表反照率、经度、纬度、时间等共7个变量)为输入数据，估算CCI土壤水分无效像元内1km×1km土壤水分数据；
S7，融合S4中每天CCI土壤水分有效像元降尺度后的1km×1km土壤水分数据与S6中每天CCI土壤水分无效像元经过训练模型估算的1km×1km土壤水分数据，得到逐日公里级空间全覆盖的土壤水分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于，包括以下步骤：
采集目标区域的MODIS数据，获取所述MODIS数据的NDVI数据和LST数据；
基于所述NDVI数据和所述LST数据，通过采集CCI数据的CCI土壤水分有效像元，获取所述目标区域的第一土壤水分数据，并构建土壤水分训练模型；
采集所述CCI数据的土壤水分无效像元数据，并将CCI土壤水分无效像元作为所述土壤水分训练模型的输入数据，获取所述目标区域的第二土壤水分数据；
基于所述第一土壤水分数据和所述第二土壤水分数据，获取逐日公里级空间全覆盖的土壤水分数据；
在获取所述第一土壤水分数据的过程中，获取所述第一土壤水分数据的步骤包括:
根据所述NDVI数据，获取基于空间分辨率的植被覆盖度；
基于所述植被覆盖度和所述LST数据的空间分布，根据目视解译的方法，获取所述目标区域的裸土温度数据，并计算土壤蒸发效率；
基于所述CCI数据以及所述CCI数据对应的所述土壤蒸发效率，获取土壤蒸发效率与土壤水分转换参数并计算降尺度参数；
基于所述降尺度参数、所述土壤蒸发效率、所述CCI土壤水分有效像元，获取所述第一土壤水分数据；
在构建土壤水分训练模型的过程中，包括以下步骤：
根据所述NDVI数据、所述LST数据、高程DEM、地表反照率、经度、纬度、时间，构建所述土壤水分训练模型的输入变量X，其中，
X＝[x1，x2，...，x7]T；
基于所述土壤水分训练模型的学习样本数，构建所述土壤水分训练模型的模式层的神经元传递函数，所述神经元传递函数为：
其中，pi为神经元传递函数，σ2为扩散因子，取值为0.05；
通过对所述土壤水分训练模型的所有模式层的神经元，分别进行神经元输出的算数求和以及神经元加权求和，并基于所述神经元传递函数，获取所述土壤水分训练模型的输出变量，
其中，
所述算数求和为：
所述神经元加权求和为：y1i表示连接权值，其中，连接权值y1i用于表示第i个输出样本的第1个元素；
所述输出变量为：
所述模式层与第i个神经元的连接权值为1。
2.根据权利要求1所述一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于：
在获取所述NDVI数据的过程中，采集所述MODIS数据的初始NDVI数据，并基于生长季内植被生长随时间呈余弦变化的客观规律，对所述初始NDVI数据进行时空插值，获得所述NDVI数据，其中，所述NDVI数据的空间分辨率为1km。
3.根据权利要求2所述一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于：
在获取所述LST数据的过程中，采集所述MODIS数据的初始LST数据，基于所述空间分辨率，对所述初始LST数据进行重采样，获取所述LST数据，其中，所述LST数据的分辨率为1km，所述初始LST数据的分辨率为5km。
4.根据权利要求3所述一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于：
所述CCI数据的空间分辨率25km；
所述CCI土壤水分有效像元用于表示所述CCI数据拥有有效的土壤水分观测值；
所述CCI土壤水分无效像元用于表示所述CCI数据没有有效的所述土壤水分观测值。
5.根据权利要求4所述一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于：所述植被覆盖度的方程为：
其中，fv，1km为1km分辨率的植被覆盖度，NDVIMODIS为MODIS数据提供的1km分辨率植被指数。
6.根据权利要求5所述一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于：
在计算土壤蒸发效率的过程中，根据所述裸土温度数据的最高温度和最低温度取平均值，并基于所述植被覆盖度，计算土壤温度，其中，所述土壤温度的计算公式为：
其中，Ts，1km为土壤温度，TMODIS为所述MODIS数据提供的地表温度，Tv，1km为最高温度和最低温度的平均值；
根据所述土壤温度、所述最高温度、所述最低温度，计算所述土壤蒸发效率，其中，所述土壤蒸发效率的计算公式为：
其中，SEEMODIS，1km为土壤蒸发效率，Ts，max为最高温度，Ts，min为最低温度。
7.根据权利要求6所述一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于：获取土壤蒸发效率与土壤水分转换参数并计算降尺度参数的过程中，所述降尺度参数的计算公式为：
其中，SMP表示土壤蒸发效率与土壤水分转换参数，Φ为降尺度参数，SM25km为所述CCI土壤水分有效像元的土壤水分值，SEE25km为所述CCI数据内25×25个MODIS像元的土壤蒸发效率的平均值；
所述第一土壤水分数据的方程表达式为：
SM1km＝SM25km+Φ×(SEEMODIS，1km-SEE25km)。
8.根据权利要求1所述一种逐日公里级空间全覆盖的土壤水分估算方法，其特征在于：
用于实现土壤水分估算方法的土壤水分估算系统包括：
数据采集模块，用于采集目标区域的MODIS数据，获取所述MODIS数据的NDVI数据和LST数据；
第一数据处理模块，用于基于所述NDVI数据和所述LST数据，通过采集CCI数据的CCI土壤水分有效像元，获取所述目标区域的第一土壤水分数据，并构建土壤水分训练模型；
第二数据处理模块，用于采集所述CCI数据的土壤水分无效像元数据，并将CCI土壤水分无效像元作为所述土壤水分训练模型的输入数据，获取所述目标区域的第二土壤水分数据；
第三数据处理模块，基于所述第一土壤水分数据和所述第二土壤水分数据，获取逐日公里级空间全覆盖的土壤水分数据；
存储模块用于存储所述土壤水分估算系统产生的系统数据；
显示模块用于显示所述逐日公里级空间全覆盖的所述土壤水分数据。
CN202110972611.2A 2021-08-24 2021-08-24 一种逐日公里级空间全覆盖的土壤水分估算方法 Active CN113642504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110972611.2A CN113642504B (zh) 2021-08-24 2021-08-24 一种逐日公里级空间全覆盖的土壤水分估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110972611.2A CN113642504B (zh) 2021-08-24 2021-08-24 一种逐日公里级空间全覆盖的土壤水分估算方法

Publications (2)

Publication Number Publication Date
CN113642504A CN113642504A (zh) 2021-11-12
CN113642504B true CN113642504B (zh) 2024-01-05

Family

ID=78423504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110972611.2A Active CN113642504B (zh) 2021-08-24 2021-08-24 一种逐日公里级空间全覆盖的土壤水分估算方法

Country Status (1)

Country Link
CN (1) CN113642504B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105466957A (zh) * 2016-01-07 2016-04-06 中国农业科学院农业资源与农业区划研究所 一种fy-3c被动微波数据估算土壤湿度的方法
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
CN113221765A (zh) * 2021-05-18 2021-08-06 河海大学 一种基于数字相机影像有效像元的植被物候期提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7023662B2 (ja) * 2017-10-04 2022-02-22 キヤノン株式会社 画像処理装置、撮像装置、画像処理装置の制御方法およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105466957A (zh) * 2016-01-07 2016-04-06 中国农业科学院农业资源与农业区划研究所 一种fy-3c被动微波数据估算土壤湿度的方法
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
CN113221765A (zh) * 2021-05-18 2021-08-06 河海大学 一种基于数字相机影像有效像元的植被物候期提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究;曹永攀;晋锐;韩旭军;李新;;遥感技术与应用(05);全文 *

Also Published As

Publication number Publication date
CN113642504A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
Wang et al. Analyzing parcel-level relationships between Luojia 1-01 nighttime light intensity and artificial surface features across Shanghai, China: A comparison with NPP-VIIRS data
Xie et al. Data assimilation for distributed hydrological catchment modeling via ensemble Kalman filter
Kain et al. A feasibility study for probabilistic convection initiation forecasts based on explicit numerical guidance
Miralles et al. Estimating spatial sampling errors in coarse-scale soil moisture estimates derived from point-scale observations
Clinton et al. MODIS detected surface urban heat islands and sinks: Global locations and controls
Wu et al. Drought monitoring and analysis in China based on the Integrated Surface Drought Index (ISDI)
Zhang et al. A decadal (2008–2017) daily evapotranspiration data set of 1 km spatial resolution and spatial completeness across the North China Plain using TSEB and data fusion
Meng et al. Modeling alpine grassland above ground biomass based on remote sensing data and machine learning algorithm: A case study in east of the Tibetan Plateau, China
Liao et al. Surface urban heat island detected by all-weather satellite land surface temperature
Yang et al. Estimating evapotranspiration fraction by modeling two-dimensional space of NDVI/albedo and day–night land surface temperature difference: A comparative study
Zhao et al. Downscaling of soil moisture products using deep learning: Comparison and analysis on Tibetan Plateau
Sun et al. Modified drought severity index: Model improvement and its application in drought monitoring in China
Sekertekin et al. Modeling diurnal Land Surface Temperature on a local scale of an arid environment using artificial Neural Network (ANN) and time series of Landsat-8 derived spectral indexes
Moosavi et al. Estimation of spatially enhanced soil moisture combining remote sensing and artificial intelligence approaches
Xu et al. Extraction of built-up area using multi-sensor data—A case study based on Google earth engine in Zhejiang Province, China
Käfer et al. Artificial neural networks model based on remote sensing to retrieve evapotranspiration over the Brazilian Pampa
Sohrabinia et al. Soil moisture derived using two apparent thermal inertia functions over Canterbury, New Zealand
Pourmansouri et al. Evaluation of vegetation and evapotranspiration changes in Iran using satellite data and ground measurements
Xu et al. Reconstructing all-weather daytime land surface temperature based on energy balance considering the cloud radiative effect
Miralles et al. Downscaling of historical wind fields over Switzerland using generative adversarial networks
Xu et al. Evaluating established deep learning methods in constructing integrated remote sensing drought index: A case study in China
Singha et al. Apple yield prediction mapping using machine learning techniques through the Google Earth Engine cloud in Kashmir Valley, India
CN112016744B (zh) 一种基于土壤水分的森林火灾预测方法、装置及存储介质
CN113642504B (zh) 一种逐日公里级空间全覆盖的土壤水分估算方法
Mirzania et al. Hybrid COOT-ANN: a novel optimization algorithm for prediction of daily crop reference evapotranspiration in Australia

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