CN113865523A - 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法 - Google Patents

一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法 Download PDF

Info

Publication number
CN113865523A
CN113865523A CN202111149387.3A CN202111149387A CN113865523A CN 113865523 A CN113865523 A CN 113865523A CN 202111149387 A CN202111149387 A CN 202111149387A CN 113865523 A CN113865523 A CN 113865523A
Authority
CN
China
Prior art keywords
remote sensing
radar
sensing data
ssm
rmsh
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.)
Pending
Application number
CN202111149387.3A
Other languages
English (en)
Inventor
冯壮壮
郑兴明
陈思
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.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology 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 Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202111149387.3A priority Critical patent/CN113865523A/zh
Publication of CN113865523A publication Critical patent/CN113865523A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/34—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring roughness or irregularity of surfaces
    • 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
    • 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
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于雷达和光学数据同时估算裸露土壤表面水分和粗糙度的方法，属于遥感定量反演地表土壤水分和粗糙度技术领域。解决了现有技术中，表面粗糙度影响土壤表面水分反演精度的问题。本发明的方法，先获取研究区N个样点的土壤数据和经纬度坐标；然后根据N个样点的经纬度坐标，从卫星数据分发网站提取雷达数据和光学数据；再求得裸土反射率模型的经验系数和均方根误差δr(i)，以及裸土后向散射系数模型经验系数和均方根误差，均方根误差δSSM和均方根误差δRMSH；最后构建得到的经验关系式及相关参数代入基于雷达和光学遥感数据的协同反演模型，实现地表土壤水分和均方根高度的反演。该雷达数据、光学数据、初始值协同反演方案得到的反演精度更高。

Description

一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和 粗糙度的方法
技术领域
本发明属于遥感定量反演土壤表面水分和粗糙度技术领域，具体涉及一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法。
背景技术
土壤表面水分(SSM)是地球水资源的重要组成部分，是地表与大气的临界边界及重要的能量转换因子，也是地表蒸散的关键影响因子。SSM的及时获取对地表水循环、能量循环、生态环境和农业应用具有重要意义。
遥感技术具有大范围、准实时的优势，被广泛应用于SSM的反演。雷达遥感是估算SSM最具潜力的方法之一，具有全天时、全天候、多极化和对SSM极为敏感的特点。裸土表面的雷达后向散射系数主要受SSM和表面粗糙度(例如，均方根高度RMSH)的影响。目前，获取准确的、大范围的表面粗糙度数据存在较大困难，大范围粗糙度数据的缺失降低了雷达遥感反演土壤表面水分的精度。SSM和表面粗糙度同样是影响光学遥感反射率的两个重要影响因子。总之，雷达和光学信号都对SSM和表面粗糙度的变化非常敏感，从单一的雷达或光学遥感数据反演的SSM精度受到表面粗糙度时空变化的影响。
因此，我们试图探索一种结合雷达和光学遥感数据同时估计裸露土壤SSM和RMSH的方法，以减弱表面粗糙度对SSM反演结果的影响。
发明内容
本发明的目的是为了解决现有技术中，表面粗糙度影响SSM反演精度的问题，提供一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法。
本发明解决上述技术问题采取的技术方案如下。
本发明提供一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，步骤如下：
步骤一、获取研究区N个样点的土壤参数和经纬度坐标；
所述土壤参数包括土壤表面水分(SSM)和均方根高度(RMSH)；
步骤二、根据N个样点的经纬度坐标，从卫星数据分发网站提取N个样点的雷达遥感数据和光学遥感数据；雷达遥感数据包括
Figure BDA0003286663060000021
和Angle数据，光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据；
步骤三、使用裸土反射率模型将六个波段的光谱反射率数据分别和土壤参数进行建模，从而求得经验系数和均方根误差δr(i)；
所述裸土反射率模型如下：
ropt(i)＝a(i)·exp(-RMSH)+b(i)·exp(-SSM)+c(i)·exp(-RMSH)·exp(-SSM)+d(i)
式中，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的波段，RMSH代表均方根高度，SSM代表土壤表面水分，a(i)、b(i)、c(i)和d(i)均代表经验系数；
步骤四、使用余弦归一化模型将雷达遥感数据归一化到40°；
所述余弦归一化模型如下；
Figure BDA0003286663060000022
式中，θ代表入射角角度Angle，σo(θ)代表该入射角下的雷达后向散射系数，40代表归一化后的入射角角度，σo(40)代表归一化后的雷达后向散射系数；
步骤五、使用裸土后向散射系数模型将归一化后的雷达后向散射系数和土壤参数进行关联，从而求得经验系数和均方根误差δσ(j)；
所述裸土后向散射系数模型如下；
σo(j)＝a(j)·ln(RMSH)+b(j)·SSM+c(j)·SSM·exp(RMSH)+d(j)
式中，σo(j)代表雷达后向散射系数，j表示雷达遥感数据的VV极化或VH极化；a(j)、b(j)、c(j)和d(j)均代表经验系数；
步骤六、使用实测的土壤表面水分与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，并使用实测的均方根高度分别与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，从而求得经验系数、均方根误差δSSM和均方根误差δRMSH；
所述经验关系式如下：
SSM0＝P1(i)·ropt(i)+Q1(i)
RMSH0＝P2(i)·ropt(i)+Q2(i)
SSM0＝P3(j)·σo(j)+Q3(j)
RMSH0＝P4(j)·σo(j)+Q4(j)
式中，SSM0代表土壤水分初值，RMSH0代表均方根高度初值，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的不同波段；j表示雷达遥感数据的VV极化或VH极化；P1(i)、Q1(i)、P2(i)、Q2(i)、P3(j)、Q3(j)、P4(j)和Q4(j)均代表经验系数；
步骤七、将步骤三、步骤五、步骤六构建得到的经验关系式及参数δr(i)、δσ(j)、SSM0、RMSH0、δSSM、δRMSH代入基于雷达和光学遥感数据的协同反演模型，实现SSM和RMSH的反演；在反演SSM和RMSH时，使用偏最小二乘法(PLS)最小化卫星观测值与其模型模拟值之间的误差；
所述基于雷达和光学遥感数据的协同反演模型如下；
Figure BDA0003286663060000031
式中，rSAT(i)代表从卫星数据分发网站提取的光谱反射率，rMOD(i)代表模拟的光谱反射率，σSAT(j)代表从卫星数据分发网站提取的雷达后向散射系数，σMOD(j)代表模拟的雷达后向散射系数；i代表光学遥感数据的不同波段，j代表雷达遥感数据的VV极化或VH极化；δr(i)代表光学遥感下卫星观测和模型模拟的均方根误差，δσ(j)表示雷达遥感下卫星观测和模型模拟的均方根误差；SSM0代表土壤水分初值，RMSH0代表均方根高度初值，δSSM代表SSM0的均方根误差，δRMSH代表RMSH0的均方根误差。
进一步的，所述步骤一中，N为88。
进一步的，所述步骤二中，从Sentinel数据分发网站提取N个样点的Sentinel-1雷达遥感数据和Sentinel-2光学遥感数据；Sentinel-1雷达遥感数据包括
Figure BDA0003286663060000041
和Angle数据，Sentinel-2光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据。
与现有技术相比，本发明的有益效果为：
本发明的基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，构建了一种结合光学和雷达遥感数据同时估算裸露土壤表面水分和粗糙度的协同反演模型框架；在估算裸露土壤表面水分和粗糙度的协同反演模型框架中引入了土壤水分初值和粗糙度初值，来解决土壤水分反演过程中存在的局部最优解问题；雷达和光学协同反演土壤水分和粗糙度的精度优于仅用雷达遥感数据或光学遥感数据实现SSM和RMSH的反演精度，而雷达和光学遥感数据协同反演时加入SSM0和RMSH0的方案得到的SSM和RMSH的精度优于上述三种方案。
附图说明
为了更清楚地说明本发明的技术方案，下面将对具体实施方式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方式，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它的附图。
图1为本发明对比例1-3和实施例1的取样点分布图。
图2中，左图为光学遥感反演土壤水分的结果，右图为光学遥感反演土壤粗糙度的结果；
图3中，左图为雷达遥感反演土壤水分的结果，右图为雷达遥感反演土壤粗糙度的结果；
图4中，左图为雷达遥感和光学遥感协同反演土壤水分的结果，右图为雷达遥感和光学遥感协同反演土壤粗糙度的结果；
图5中，左图为雷达遥感、光学遥感和初始值协同反演土壤水分的结果，右图为雷达遥感、光学遥感和初始值协同反演土壤粗糙度的结果。
具体实施方式
为了进一步了解本发明，下面结合具体实施方式对本发明的优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点而不是对本发明专利要求的限制。
本发明的一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，步骤如下：
步骤一、获取研究区N个样点的土壤参数和经纬度坐标；
其中，土壤参数包括土壤表面水分(SSM)和均方根高度(RMSH)；N没有特殊限制，根据实际情况确定，如可以为88；
步骤二、根据N个样点的经纬度坐标，从卫星数据分发网站提取N个样点的雷达遥感数据和光学遥感数据；雷达遥感数据包括
Figure BDA0003286663060000051
和Angle数据，光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据；
其中，卫星没有特殊限制，能够获得上述数据即可，如采用的为Sentinel数据，那么可以从Sentinel数据分发网站提取N个样点的Sentinel-1雷达遥感数据和Sentinel-2光学遥感数据；Sentinel-1雷达遥感数据包括
Figure BDA0003286663060000052
和Angle数据，Sentinel-2光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据；
步骤三、使用裸土反射率模型将六个波段的光谱反射率数据分别和土壤参数进行建模，从而求得经验系数和均方根误差δr(i)；
其中，裸土反射率模型如下：
ropt(i)＝a(i)·exp(-RMSH)+b(i)·exp(-SSM)+c(i)·exp(-RMSH)·exp(-SSM)+d(i)
式中，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的波段，RMSH代表均方根高度，SSM代表土壤表面水分，a(i)、b(i)、c(i)和d(i)均代表经验系数；
步骤四、使用余弦归一化模型将雷达遥感数据归一化到40°；
其中，余弦归一化模型如下；
Figure BDA0003286663060000061
式中，θ代表入射角角度Angle，σo(θ)代表该入射角下的雷达后向散射系数，40代表归一化后的入射角角度，σo(40)代表归一化后的雷达后向散射系数；
步骤五、使用裸土后向散射系数模型将归一化后的雷达后向散射系数和土壤参数进行关联，从而求得经验系数和均方根误差δσ(j)；
其中，裸土后向散射系数模型如下；
σo(j)＝a(j)·ln(RMSH)+b(j)·SSM+c(j)·SSM·exp(RMSH)+d(j)
式中，σo(j)代表雷达后向散射系数，j表示雷达遥感数据的VV极化或VH极化；a(j)、b(j)、c(j)和d(j)均代表经验系数；
步骤六、使用实测的土壤表面水分与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，并使用实测的均方根高度分别与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，从而求得经验系数、均方根误差δSSM和均方根误差δRMSH；
其中，经验关系式如下：
SSM0＝P1(i)·ropt(i)+Q1(i)
RMSH0＝P2(i)·ropt(i)+Q2(i)
SSM0＝P3(j)·σo(j)+Q3(j)
RMSH0＝P4(j)·σo(j)+Q4(j)
式中，SSM0代表土壤水分初值，RMSH0代表均方根高度初值，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的不同波段；j表示雷达遥感数据的VV极化或VH极化；P1(i)、Q1(i)、P2(i)、Q2(i)、P3(j)、Q3(j)、P4(j)和Q4(j)均代表经验系数；
步骤七、将步骤三、步骤五、步骤六构建得到的经验关系式及参数δr(i)、δσ(j)、SSM0、RMSH0、δSSM、δRMSH代入基于雷达和光学遥感数据的协同反演模型，实现SSM和RMSH的反演；在反演SSM和RMSH时，使用偏最小二乘法(PLS)最小化卫星观测值与其模型模拟值之间的误差；
其中，基于雷达和光学遥感数据的协同反演模型如下；
Figure BDA0003286663060000071
式中，rSAT(i)代表从卫星数据分发网站提取的光谱反射率，rMOD(i)代表模拟的光谱反射率，σSAT(j)代表从卫星数据分发网站提取的雷达后向散射系数，σMOD(j)代表模拟的雷达后向散射系数；i代表光学遥感数据的不同波段，j代表雷达遥感数据的VV极化或VH极化；δr(i)代表光学遥感下卫星观测和模型模拟的均方根误差，δσ(j)表示雷达遥感下卫星观测和模型模拟的均方根误差；SSM0代表土壤水分初值，RMSH0代表均方根高度初值，δSSM代表SSM0的均方根误差，δRMSH代表RMSH0的均方根误差。
在本发明中所使用的术语，一般具有本领域普通技术人员通常理解的含义，除非另有说明。
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合实施例和附图对本发明作进一步的详细介绍。
在以下实施例中，未详细描述的各种过程和方法是本领域中公知的常规方法。下述实施例中所用的材料、试剂、装置、仪器、设备等，如无特殊说明，均可从商业途径获得。
对比例1
一种基于光学遥感数据估算裸露土壤表面水分和粗糙度的方法，步骤如下：
步骤一、获取研究区88个样点(图1)的土壤参数和经纬度坐标；
其中，土壤参数包括土壤表面水分(SSM)和均方根高度(RMSH)；
步骤二、根据88个样点的经纬度坐标，从Sentinel数据分发网站提取88个样点的Sentinel-2光学遥感数据；Sentinel-2光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据。
步骤三、使用裸土反射率模型将六个波段的光谱反射率数据分别和土壤参数进行建模，从而求得经验系数和均方根误差δr(i)；
其中，裸土反射率模型如下：
ropt(i)＝a(i)·exp(-RMSH)+b(i)·exp(-SSM)+c(i)·exp(-RMSH)·exp(-SSM)+d(i)
式中，，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的波段，RMSH代表均方根高度，SSM代表土壤表面水分，a(i)、b(i)、c(i)和d(i)均代表经验系数；
步骤四、将步骤三构建得到的经验关系式及参数δr(i)代入基于光学遥感数据的反演模型，实现SSM和RMSH的反演；在反演SSM和RMSH时，使用偏最小二乘法(PLS)最小化卫星观测值与其模型模拟值之间的误差；
其中，基于光学遥感数据的反演模型如下；
Figure BDA0003286663060000081
式中，rSAT(i)代表从卫星数据分发网站提取的光谱反射率，rMOD(i)代表模拟的光谱反射率，i代表光学遥感数据的不同波段，δr(i)代表光学遥感下卫星观测和模型模拟的均方根误差。
对比例2
一种基于雷达遥感数据估算裸露土壤表面水分和粗糙度的方法，步骤如下：
步骤一、获取研究区88个样点(图1)的土壤参数和经纬度坐标；
其中，土壤参数包括土壤表面水分(SSM)和均方根高度(RMSH)；
步骤二、根据88个样点的经纬度坐标，从Sentinel数据分发网站提取88个样点的Sentinel-1雷达遥感数据；Sentinel-1雷达遥感数据包括
Figure BDA0003286663060000082
和Angle数据；
步骤三、使用余弦归一化模型将雷达遥感数据归一化到40°；
其中，余弦归一化方法如下；
Figure BDA0003286663060000083
式中，θ代表入射角角度Angle，σo(θ)代表该入射角下的雷达后向散射系数，40代表归一化后的入射角角度，σo(40)代表归一化后的雷达后向散射系数；
步骤四、使用裸土后向散射系数模型将归一化后的雷达遥感数据和土壤参数进行关联，从而求得经验系数和均方根误差δσ(j)；
其中，裸土后向散射系数模型如下；
σo(j)＝a(j)·ln(RMSH)+b(j)·SSM+c(j)·SSM·exp(RMSH)+d(j)
式中，σo(j)代表雷达后向散射系数，j表示雷达遥感数据的VV极化或VH极化；a(j)、b(j)、c(j)和d(j)均代表经验系数；
步骤五、将步骤四建得到的经验关系式及参数δσ(j)代入基于雷达和光学遥感数据的协同反演模型，实现SSM和RMSH的反演；在反演SSM和RMSH时，使用偏最小二乘法(PLS)最小化卫星观测值与其模型模拟值之间的误差；
其中，基于雷达和光学遥感数据的协同反演模型如下；
Figure BDA0003286663060000091
式中，σSAT(j)代表从卫星数据分发网站提取的雷达后向散射系数，σMOD(j)代表模拟的雷达后向散射系数，j代表雷达遥感数据的VV极化或VH极化，δσ(j)表示雷达遥感下卫星观测和模型模拟的均方根误差；
对比例3
一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，步骤如下：
步骤一、获取研究区88个样点(图1)的土壤参数和经纬度坐标；
其中，土壤参数包括土壤表面水分(SSM)和均方根高度(RMSH)；
步骤二、根据88个样点的经纬度坐标，从Sentinel数据分发网站提取88个样点的Sentinel-1雷达遥感数据和Sentinel-2光学遥感数据；Sentinel-1雷达遥感数据包括
Figure BDA0003286663060000092
和Angle数据，Sentinel-2光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据；
步骤三、使用裸土反射率模型将六个波段的光谱反射率数据分别和土壤参数进行建模，从而求得经验系数和均方根误差δr(i)；
其中，裸土反射率模型如下：
ropt(i)＝a(i)·exp(-RMSH)+b(i)·exp(-SSM)+c(i)·exp(-RMSH)·exp(-SSM)+d(i)
式中，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的波段，RMSH代表均方根高度，SSM代表土壤表面水分，a(i)、b(i)、c(i)和d(i)均代表经验系数；
步骤四、使用余弦归一化模型将雷达遥感数据归一化到40°；
其中，余弦归一化方法如下；
Figure BDA0003286663060000101
式中，θ代表入射角角度Angle，σo(θ)代表该入射角下的雷达后向散射系数，40代表归一化后的入射角角度，σo(40)代表归一化后的雷达后向散射系数；
步骤五、使用裸土后向散射系数模型将归一化后的雷达遥感数据和土壤参数进行关联，从而求得经验系数和均方根误差δσ(j)；
其中，裸土后向散射系数模型如下；
σo(j)＝a(j)·ln(RMSH)+b(j)·SSM+c(j)·SSM·exp(RMSH)+d(j)
式中，σo(j)代表雷达后向散射系数，j表示雷达遥感数据的VV极化或VH极化；a(j)、b(j)、c(j)和d(j)均代表经验系数；
步骤六、将步骤三和步骤五建得到的经验关系式及参数δr(i)、δσ(j)代入基于雷达和光学遥感数据的协同反演模型，实现SSM和RMSH的反演；在反演SSM和RMSH时，使用偏最小二乘法(PLS)最小化卫星观测值与其模型模拟值之间的误差；
其中，基于雷达和光学遥感数据的协同反演模型如下；
Figure BDA0003286663060000102
式中，rSAT(i)代表从卫星数据分发网站提取的光谱反射率，rMOD(i)代表模拟的光谱反射率，σSAT(j)代表从卫星数据分发网站提取的雷达后向散射系数，σMOD(j)代表模拟的雷达后向散射系数；i代表光学遥感数据的不同波段，j代表雷达遥感数据的VV极化或VH极化；δr(i)代表光学遥感下卫星观测和模型模拟的均方根误差，δσ(j)表示雷达遥感下卫星观测和模型模拟的均方根误差。
实施例1
一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，步骤如下：
步骤一、获取研究区88个样点的土壤参数和经纬度坐标；
土壤参数包括土壤表面水分(SSM)和均方根高度(RMSH)；
步骤二、根据88个样点的经纬度坐标，从Sentinel数据分发网站提取88个样点的Sentinel-1雷达遥感数据和Sentinel-2光学遥感数据；Sentinel-1雷达遥感数据包括
Figure BDA0003286663060000111
和Angle数据，Sentinel-2光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据；
步骤三、使用裸土反射率模型将六个波段的光谱反射率数据分别和土壤参数进行建模，从而求得经验系数和均方根误差δr(i)；
其中，裸土反射率模型如下：
ropt(i)＝a(i)·exp(-RMSH)+b(i)·exp(-SSM)+c(i)·exp(-RMSH)·exp(-SSM)+d(i)
式中，，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的波段，RMSH代表均方根高度，SSM代表土壤表面水分，a(i)、b(i)、c(i)和d(i)均代表经验系数；
步骤四、使用余弦归一化模型将雷达遥感数据归一化到40°；
其中，余弦归一化模型如下；
Figure BDA0003286663060000112
式中，θ代表入射角角度Angle，σo(θ)代表该入射角下的雷达后向散射系数，40代表归一化后的入射角角度，σo(40)代表归一化后的雷达后向散射系数；
步骤五、使用裸土后向散射系数模型将归一化后的雷达后向散射系数和土壤参数进行关联，从而求得经验系数和均方根误差δσ(j)；
其中，裸土后向散射系数模型如下；
σo(j)＝a(j)·ln(RMSH)+b(j)·SSM+c(j)·SSM·exp(RMSH)+d(j)
式中，σo(j)代表雷达后向散射系数，j表示雷达遥感数据的VV极化或VH极化；a(j)、b(j)、c(j)和d(j)均代表经验系数；
步骤六、使用实测的土壤表面水分与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，并使用实测的均方根高度分别与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，从而求得经验系数、均方根误差δSSM和均方根误差δRMSH；
其中，经验关系式如下：
SSM0＝P1(i)·ropt(i)+Q1(i)
RMSH0＝P2(i)·ropt(i)+Q2(i)
SSM0＝P3(j)·σo(j)+Q3(j)
RMSH0＝P4(j)·σo(j)+Q4(j)
式中，SSM0代表土壤水分初值，RMSH0代表均方根高度初值，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的不同波段；j表示雷达遥感数据的VV极化或VH极化；P1(i)、Q1(i)、P2(i)、Q2(i)、P3(j)、Q3(j)、P4(j)和Q4(j)均代表经验系数；
步骤七、将步骤三、步骤五、步骤六构建得到的经验关系式及参数δr(i)、δσ(j)、SSM0、RMSH0、δSSM、δRMSH代入基于雷达和光学遥感数据的协同反演模型，实现SSM和RMSH的反演；在反演SSM和RMSH时，使用偏最小二乘法(PLS)最小化卫星观测值与其模型模拟值之间的误差；
其中，基于雷达和光学遥感数据的协同反演模型如下；
Figure BDA0003286663060000121
式中，rSAT(i)代表从卫星数据分发网站提取的光谱反射率，rMOD(i)代表模拟的光谱反射率，σSAT(j)代表从卫星数据分发网站提取的雷达后向散射系数，σMOD(j)代表模拟的雷达后向散射系数；i代表光学遥感数据的不同波段，j代表雷达遥感数据的VV极化或VH极化；δr(i)代表光学遥感下卫星观测和模型模拟的均方根误差，δσ(j)表示雷达遥感下卫星观测和模型模拟的均方根误差；SSM0代表土壤水分初值，RMSH0代表均方根高度初值，δSSM代表SSM0的均方根误差，δRMSH代表RMSH0的均方根误差。
经计算，对比例1-3和实施例1的经验系数的结果如表1所示，对比例1-3和实施例1的反演结果如图2-5所示。
表1对比例1-3和实施例1的经验系数
Figure BDA0003286663060000131
对所公开的实施方式的上述说明，使本领域专业技术人员能够实现和使用本发明。对这些实施方式的多重修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可在不脱离本发明的精神或范围的情况下，在其它实施方式中实现。因此，本发明将不会被限制于本文所示的这些实施方式，而是要符合本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，其特征在于，步骤如下：
步骤一、获取研究区N个样点的土壤参数和经纬度坐标；
所述土壤参数包括土壤表面水分和均方根高度；
步骤二、根据N个样点的经纬度坐标，从卫星数据分发网站提取N个样点的雷达遥感数据和光学遥感数据；雷达遥感数据包括
Figure FDA0003286663050000011
和Angle数据，光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据；
步骤三、使用裸土反射率模型将六个波段的光谱反射率数据分别和土壤参数进行建模，从而求得经验系数和均方根误差δr(i)；
所述裸土反射率模型如下：
ropt(i)＝a(i)·exp(-RMSH)+b(i)·exp(-SSM)+c(i)·exp(-RMSH)·exp(-SSM)+d(i)
式中，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的波段，RMSH代表均方根高度，SSM代表土壤表面水分，a(i)、b(i)、c(i)和d(i)均代表经验系数；
步骤四、使用余弦归一化模型将雷达遥感数据归一化到40°；
所述余弦归一化模型如下；
Figure FDA0003286663050000012
式中，θ代表入射角角度Angle，σo(θ)代表该入射角下的雷达后向散射系数，40代表归一化后的入射角角度，σo(40)代表归一化后的雷达后向散射系数；
步骤五、使用裸土后向散射系数模型将归一化后的雷达后向散射系数和土壤参数进行关联，从而求得经验系数和均方根误差δσ(j)；
所述裸土后向散射系数模型如下；
σo(j)＝a(j)·ln(RMSH)+b(j)·SSM+c(j)·SSM·exp(RMSH)+d(j)
式中，σo(j)代表雷达后向散射系数，j表示雷达遥感数据的VV极化或VH极化；a(j)、b(j)、c(j)和d(j)均代表经验系数；
步骤六、使用实测的土壤表面水分与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，并使用实测的均方根高度分别与光学遥感数据、雷达遥感数据构建土壤水分初值的经验关系式，从而求得经验系数、均方根误差δSSM和均方根误差δRMSH；
所述经验关系式如下：
SSM0＝P1(i)·ropt(i)+Q1(i)
RMSH0＝P2(i)·ropt(i)+Q2(i)
SSM0＝P3(j)·σo(j)+Q3(j)
RMSH0＝P4(j)·σo(j)+Q4(j)
式中，SSM0代表土壤水分初值，RMSH0代表均方根高度初值，ropt(i)代表光学遥感数据的光谱反射率，i表示光学遥感数据的不同波段；j表示雷达遥感数据的VV极化或VH极化；P1(i)、Q1(i)、P2(i)、Q2(i)、P3(j)、Q3(j)、P4(j)和Q4(j)均代表经验系数；
步骤七、将步骤三、步骤五、步骤六构建得到的经验关系式及参数δr(i)、δσ(j)、SSM0、RMSH0、δSSM、δRMSH代入基于雷达和光学遥感数据的协同反演模型，实现SSM和RMSH的反演；在反演SSM和RMSH时，使用偏最小二乘法(PLS)最小化卫星观测值与其模型模拟值之间的误差；
所述基于雷达和光学遥感数据的协同反演模型如下；
Figure FDA0003286663050000021
式中，rSAT(i)代表从卫星数据分发网站提取的光谱反射率，rMOD(i)代表模拟的光谱反射率，σSAT(j)代表从卫星数据分发网站提取的雷达后向散射系数，σMOD(j)代表模拟的雷达后向散射系数；i代表光学遥感数据的不同波段，j代表雷达遥感数据的VV极化或VH极化；δr(i)代表光学遥感下卫星观测和模型模拟的均方根误差，δσ(j)表示雷达遥感下卫星观测和模型模拟的均方根误差；SSM0代表土壤水分初值，RMSH0代表均方根高度初值，δSSM代表SSM0的均方根误差，δRMSH代表RMSH0的均方根误差。
2.根据权利要求1所述的基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，其特征在于，所述步骤一中，N为88。
3.根据权利要求1所述的基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法，其特征在于，所述步骤二中，从Sentinel数据分发网站提取N个样点的Sentinel-1雷达遥感数据和Sentinel-2光学遥感数据；Sentinel-1雷达遥感数据包括
Figure FDA0003286663050000031
和Angle数据，Sentinel-2光学遥感数据包括BLUE、GREEN、RED、NIR、SWIR1和SWIR2共六个波段的光谱反射率数据。
CN202111149387.3A 2021-09-29 2021-09-29 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法 Pending CN113865523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111149387.3A CN113865523A (zh) 2021-09-29 2021-09-29 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111149387.3A CN113865523A (zh) 2021-09-29 2021-09-29 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法

Publications (1)

Publication Number Publication Date
CN113865523A true CN113865523A (zh) 2021-12-31

Family

ID=78992464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111149387.3A Pending CN113865523A (zh) 2021-09-29 2021-09-29 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法

Country Status (1)

Country Link
CN (1) CN113865523A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224379A (zh) * 2023-05-06 2023-06-06 中国科学院国家空间科学中心 一种nbrcs修正方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102621163A (zh) * 2011-01-26 2012-08-01 中国科学院电子学研究所 用于探测土壤含水量在深度方向分布的雷达遥感方法
CN104483271A (zh) * 2014-12-19 2015-04-01 武汉大学 光学反射模型与微波散射模型协同的森林生物量反演方法
CN106569210A (zh) * 2016-10-18 2017-04-19 长安大学 一种基于遥感的土壤水分反演方法和装置
CN106872665A (zh) * 2015-12-11 2017-06-20 张成才 基于遥感的土壤墒情监测方法
US20170343485A1 (en) * 2016-05-10 2017-11-30 Purdue Research Foundation Retrieval of p-band soil reflectivity from signals of opportunity
CN107561022A (zh) * 2017-07-10 2018-01-09 南京大学 一种改进的植物叶片干物质含量高光谱遥感反演方法
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
US20190179009A1 (en) * 2017-12-08 2019-06-13 International Business Machines Corporation Crop classification and growth tracking with synthetic aperture radar
US20200225075A1 (en) * 2019-01-14 2020-07-16 Wuhan University Method and system for optical and microwave synergistic retrieval of aboveground biomass
US20210110157A1 (en) * 2019-10-15 2021-04-15 A.U.G. Signals Ltd. Crop phenology estimation and tracking with remote sensing imagery
CN113009482A (zh) * 2021-02-01 2021-06-22 中国科学院东北地理与农业生态研究所 一种植被覆盖下地表盐渍土含盐量的监测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102621163A (zh) * 2011-01-26 2012-08-01 中国科学院电子学研究所 用于探测土壤含水量在深度方向分布的雷达遥感方法
CN104483271A (zh) * 2014-12-19 2015-04-01 武汉大学 光学反射模型与微波散射模型协同的森林生物量反演方法
CN106872665A (zh) * 2015-12-11 2017-06-20 张成才 基于遥感的土壤墒情监测方法
US20170343485A1 (en) * 2016-05-10 2017-11-30 Purdue Research Foundation Retrieval of p-band soil reflectivity from signals of opportunity
CN106569210A (zh) * 2016-10-18 2017-04-19 长安大学 一种基于遥感的土壤水分反演方法和装置
CN107561022A (zh) * 2017-07-10 2018-01-09 南京大学 一种改进的植物叶片干物质含量高光谱遥感反演方法
US20190179009A1 (en) * 2017-12-08 2019-06-13 International Business Machines Corporation Crop classification and growth tracking with synthetic aperture radar
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
US20200225075A1 (en) * 2019-01-14 2020-07-16 Wuhan University Method and system for optical and microwave synergistic retrieval of aboveground biomass
US20210110157A1 (en) * 2019-10-15 2021-04-15 A.U.G. Signals Ltd. Crop phenology estimation and tracking with remote sensing imagery
CN113009482A (zh) * 2021-02-01 2021-06-22 中国科学院东北地理与农业生态研究所 一种植被覆盖下地表盐渍土含盐量的监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑兴明等: "Simultaneously estimating surface soil moisture and roughness of bare soils by combining optical and radar data", INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATIONS AND GEOINFORMATION *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224379A (zh) * 2023-05-06 2023-06-06 中国科学院国家空间科学中心 一种nbrcs修正方法、装置、电子设备及存储介质
CN116224379B (zh) * 2023-05-06 2023-09-12 中国科学院国家空间科学中心 一种nbrcs修正方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110309985B (zh) 一种农作物产量预测方法及系统
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN102829739A (zh) 一种面向对象的作物叶面积指数遥感反演方法
CN107796764A (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN112711989A (zh) 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法
Qiao et al. Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images
CN106483147B (zh) 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法
CN110569624A (zh) 适用于PolInSAR反演的森林三层散射模型的确定及分析方法
CN111766577B (zh) 一种基于三阶段算法p波段的输电线路通道树木高度反演方法
CN113836779A (zh) 一种基于CNN的Sentinel多源数据的农田地表土壤水分反演方法
CN116359137A (zh) 多水域城市生态环境遥感监测方法
CN113218969B (zh) 基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法
CN110687053A (zh) 一种基于高光谱影像的区域有机质含量估算方法和装置
CN113865523A (zh) 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法
CN113111529A (zh) 融合数值模式和卫星微波云反演数据的红外亮温模拟方法
CN113763272B (zh) 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
CN111965330B (zh) 一种基于双极化类发射率的裸露土壤含水量反演方法
CN116932996A (zh) 基于改进Hapke模型的土壤有机质含量的估测方法
CN115758855B (zh) 一种基于lstm及注意力机制的地表反射率反演方法
Liu et al. Multifractal detrended fluctuation analysis of regional precipitation sequences based on the CEEMDAN-WPT
CN105259145A (zh) 一种同时遥感岛礁水下地形和地物的方法
CN116047500A (zh) 一种顾及极化散射信息的植被覆盖区土壤水分反演方法
CN115392305A (zh) 基于改进时间卷积网络的土壤有机质含量高光谱建模方法
CN114529838A (zh) 基于卷积神经网络的土壤含氮量反演模型构建方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211231

WD01 Invention patent application deemed withdrawn after publication