CN113888386B - 一种高分辨率的时空无缝地表土壤水分估算方法及系统 - Google Patents
一种高分辨率的时空无缝地表土壤水分估算方法及系统 Download PDFInfo
- Publication number
- CN113888386B CN113888386B CN202111468440.6A CN202111468440A CN113888386B CN 113888386 B CN113888386 B CN 113888386B CN 202111468440 A CN202111468440 A CN 202111468440A CN 113888386 B CN113888386 B CN 113888386B
- Authority
- CN
- China
- Prior art keywords
- resolution
- soil moisture
- data
- coarse
- model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Abstract
本发明提供一种高分辨率的时空无缝地表土壤水分估算方法及系统,包括:获取时空无缝的公里级地表温度数据、归一化植被指数数据和粗分辨率被动微波土壤水分数据;对地表温度数据、归一化植被指数数据进行升尺度处理得到粗分辨率地表温度和粗分辨率植被指数,并结合粗分辨率被动微波土壤水分数据构建的土壤水分估算的经验统计回归模型、半经验半物理模型和随机森林模型;将公里级的地表温度和植被指数并分别输入各个模型,得到地表土壤水分估算结果,并分析各个模型对应的残差值,根据残差值建立线性融合模型,得到高空间分辨率土壤水分融合数据,进一步分析估算残差,根据该估算残差计算得到时空无缝且值域一致的高空间分辨率土壤水分数据。
Description
技术领域
本发明涉及遥感技术领域,具体而言,涉及一种高分辨率的时空无缝地表土壤水分估算方法及系统。
背景技术
土壤水分作为重要的陆地表层系统要素,是生态、环境、农业等领域研究中不可忽视的指标,在环境生态变化、气候变化、农林业可持续发展、水资源管理及灾害监测等科学与实际问题中有着广泛应用。因此在区域尺度或者全球尺度的应用研究中准确地获取全球大范围、高空间分辨率的土壤水分数据有着重大意义。微波遥感技术是目前获取土壤水分的主要手段,但是它们各自存在缺点,主动微波遥感虽然空间分辨率高但时间分辨率低,而被动微波遥感虽然时间分辨率高但是空间分辨率低,无法获得到高时间分辨率高空间分辨率的土壤水分数据。由于卫星发射时间、传感器的探测波段、区域地势地表特征等因素,使得光学、微波数据等单一数据源观测土壤水分估算精度低,数据融合为提高土壤水分遥感数据的时空分辨率和精度提供了有效手段。但是,数据融合因尺度转换误差,无法充分利用不同数据的优势信息等不能获取高精度的高时空分辨率的土壤水分数据。为了获得精度更高的土壤水分数据,目前常用的方法为基于被动微波数据的空间降尺度方法,但是降尺度模型的不确定性以及降尺度残差导致单一降尺度模型难以获得高精度水平的地表土壤水分降尺度结果;同时,降尺度过程中降尺度因子如地表温度受云雾覆盖的影响导致降尺度结果存在空间不连续的问题。因此,需要提供一种方案以获取时空连续且值域一致的高分辨率地表土壤水分数据,提高地表土壤水分数据估算结果的准确性和稳定性。
发明内容
本发明的目的在于提供一种高分辨率的时空无缝地表土壤水分估算方法及系统,用以实现提高地表土壤水分数据估算结果的准确性和稳定性的技术效果。
第一方面,本发明提供了一种高分辨率的时空无缝地表土壤水分估算方法,包括:
S1.获取时空无缝公里级的地表温度数据、归一化植被指数数据和粗分辨率被动微波土壤水分数据;
S2.将所述地表温度数据和所述归一化植被指数数据通过空间聚合的方式升尺度至粗分辨率被动微波土壤水分数据空间尺度,得到粗分辨率地表温度和粗分辨率植被指数;
S3.根据所述粗分辨率地表温度、所述粗分辨率植被指数和所述粗分辨率被动微波土壤水分数据构建的经验统计回归模型、半经验半物理模型和随机森林模型;所述半经验半物理模型为:
式中,SMD表示降尺度后的高分辨率土壤水分,SMC表示粗分辨率土壤水分;SEEH表示高分辨率的土壤蒸散发效率;SEEC表示粗分辨率的土壤蒸散发效率;表示在粗分辨率尺度上SEE对SM求偏导数;其中,SEE表示土壤蒸散发效率,其计算方式为:
式中,TS.max表示土壤地表温度的最大值;TS.min表示土壤地表温度的最小值,TS是给定像素处的地表温度,且TS=( T-fv×Tv)/(1-fv),T表示地表温度,fv表示植被覆盖,Tv表示植被温度;
S4.将所述公里级高空间分辨率尺度的地表温度和植被指数分别输入S3中的各个模型,得到各个模型在高分辨率条件下时空无缝的公里级地表土壤水分估算结果;
S5.根据所述各模型地表土壤水分估算结果和所述粗分辨率被动微波土壤水分数据分析各个模型估算结果对应的残差值,并根据所述残差值建立线性融合模型,得到高空间分辨率土壤水分融合数据;
S6.根据所述高空间分辨率土壤水分融合数据通过空间聚合的方式与所述粗分辨率土壤水分数据结合得到估算残差,并根据所述估算残差采用面到点的克里金插值获得高分辨率残差空间分布;
S7.根据所述高分辨率残差空间分布和所述高空间分辨率土壤水分融合数据进行求和,得到时空无缝且值域一致的土壤水分数据。
进一步地,所述S3中的经验统计回归模型为:
上式中,SMC表示粗分辨率土壤水分,a 0表示关系模型常量,a m 、a ij 表示关系模型的回归系数,n表示使用的降尺度因子种类数,A Cm、A Ci 、A Cj 表示粗分辨率降尺度因子。
进一步地,所述S3中的随机森林模型的构建方式为:将已有地表温度、植被指数以及地表地形参数作为地表土壤水分的关联因子,基于随机森林算法建立对应的粗分辨率被动微波土壤水分数据与各个聚合得到的粗分辨率地表参数之间的经验关系,获得相应的估算模型。
进一步地,所述S5中的高空间分辨率土壤水分融合数据的获取方式为:
式中,SM f.D 表示高空间分辨率土壤水分融合数据;SM1,h表示经验统计回归模型估算的高分辨率土壤水分;SM2,h表示半经验半物理模型估算的高分辨率土壤水分;SM3,h表示随机森林模型估算的高分辨率土壤水分;w 1、w 2和w 3表示权重系数。
进一步地,w 1、w 2和w 3的计算方式为:
wn=(RMAX/Rn) wmin
w1+w2+w3=1
上式中,wmin为预设权重计算参数,通过计算wmin反算出经验统计回归模型、半经验半物理模型和随机森林模型三个模型估算结果的权重系数;n为各个残差值的对应序号;RMAX=max{ R1、R2、R3 }表示最大残差值; R1、R2、R3分别表示三个模型的残差值。
进一步地,S5中的残差值分析过程包括:
针对粗分辨率被动微波土壤水分产品空值像元,结合S2中升尺度得到的粗分辨率地表温度和植被指数数据,采用经验模型对空值像元进行土壤水分估算,获取空间连续的粗分辨率土壤水分数据;
根据所述粗分辨率土壤水分数据与各个模型估算结果进行对比并计算对应的残差。
第二方面,本发明提供了一种高分辨率的时空无缝地表土壤水分估算系统,包括:
获取模块,用于获取时空无缝公里级的地表温度数据、归一化植被指数数据和粗分辨率被动微波土壤水分数据;
升尺度模块,用于将所述地表温度数据和所述归一化植被指数数据通过空间聚合的方式升尺度至粗分辨率被动微波土壤水分数据空间尺度,得到粗分辨率地表温度和粗分辨率植被指数;
模型构建模块,用于根据所述粗分辨率地表温度、所述粗分辨率植被指数和所述粗分辨率被动微波土壤水分数据构建的经验统计回归模型、半经验半物理模型和随机森林模型;
估算模块,用于将所述公里级高空间分辨率尺度的地表温度和植被指数分别输入模型构建模块中的各个模型,得到各个模型在高分辨率条件下时空无缝的公里级地表土壤水分估算结果;所述半经验半物理模型为:
式中,SMD表示降尺度后的高分辨率土壤水分,SMC表示粗分辨率土壤水分;SEEH表示高分辨率的土壤蒸散发效率;SEEC表示粗分辨率的土壤蒸散发效率;表示在粗分辨率尺度上SEE对SM求偏导数;其中,SEE表示土壤蒸散发效率,其计算方式为:
式中,TS.max表示土壤地表温度的最大值;TS.min表示土壤地表温度的最小值,TS是给定像素处的地表温度,且TS=( T-fv×Tv)/(1-fv),T表示地表温度,fv表示植被覆盖,Tv表示植被温度;
融合数据分析模块,用于根据所述各模型地表土壤水分估算结果和所述粗分辨率被动微波土壤水分数据分析各个模型估算结果对应的残差值,并根据所述残差值建立线性融合模型,得到高空间分辨率土壤水分融合数据;
克里金插值分析模块,用于根据所述高空间分辨率土壤水分融合数据通过空间聚合的方式与所述粗分辨率土壤水分数据结合得到估算残差,并根据所述估算残差采用面到点的克里金插值获得高分辨率残差空间分布;
输出模块,用于根据所述高分辨率残差空间分布和所述高空间分辨率土壤水分融合数据进行求和,得到时空无缝且值域一致的土壤水分数据。
本发明能够实现的有益效果是:本发明提供的高分辨率的时空无缝地表土壤水分估算方法对构建的多种土壤水分估算模型的的估算结果和各个模型的误差加权融合得到最终的土壤水分估算数据,较大程度上提高了高分辨率土壤水分估算结果的准确性和稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种高分辨率的时空无缝地表土壤水分估算方法的流程示意图;
图2为本发明实施例提供的一种土壤水分估算结果对比图;
图3为本发明实施例提供的一种高分辨率的时空无缝地表土壤水分估算系统的拓扑结构示意图。
图标:10-时空无缝地表土壤水分估算系统;100-获取模块;200-升尺度模块;300-模型构建模块;400-估算模块;500-融合数据分析模块;600-克里金插值分析模块;700-输出模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
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。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参看图1和图2,图1为本发明实施例提供的一种高分辨率的时空无缝地表土壤水分估算方法的流程示意图;图2为本发明实施例提供的一种土壤水分估算结果对比图。
在一种实施方式中,本发明实施例提供了一种高分辨率的时空无缝地表土壤水分估算方法,其具体内容如下所述。
S1.获取时空无缝公里级的地表温度数据、归一化植被指数数据和粗分辨率被动微波土壤水分数据。
示例性地,地表温度数据可以选用中分辨率成像光谱仪(Moderate-resolutionImaging Spectroradiometer,缩写MODIS)逐日的1km空间分辨率产品数据;归一化植被指数数据可以选用MODIS 16天合成的公里级产品数据。粗分辨率被动微波土壤水分数据则可以直接通过被动微波土壤水分产品直接获得。
为确保土壤水分估算结果为时空无缝数据,首先需确保上述两个关键地表参量为时空无缝的数据,然而,由于两个参量均由光学遥感观测反演获得,易受云雾遮挡的影响,导致观测结果存在大量空值像元。其中,归一化植被指数产品在假定16天内植被覆盖变化不大的前提下,其16天合成产品能够基本反映每天植被覆盖状况。但是,地表温度数据由于其高时空异质性,平均值或者多天合成数据难以准确表示当天云雾覆盖状况下地表温度真实情况。为此,本发明为获得时空无缝的日尺度地表温度数据,基于地表温度年周期性变化特征将地表温度的年周期性变化写成多个余弦组合的变化形式:
式中,d 表示一年中的第 d 天,a 0为 LST 的年平均值,N 为 ATC 模型中使用的正弦函数项,b i 为第 i 项正弦函数的振幅,c i 为第 i 项正弦函数的相移。
采用全年有效观测数据利用该周期模型拟合即可获得云雾覆盖天的地表温度数据,从而获得日尺度时空无缝的地表温度数据。
在上述地表温度和植被指数时空无缝数据生成的基础上,结合被动微波土壤水分数据建立土壤水分估算模型并用于粗分辨率土壤水分产品空值像元的土壤水分估算,获得时空无缝的粗分辨率土壤水分数据。
S2.将所述地表温度数据和所述归一化植被指数数据通过空间聚合的方式升尺度至粗分辨率被动微波土壤水分数据空间尺度,得到粗分辨率地表温度和粗分辨率植被指数。
示例性地,地表温度数据和所述归一化植被指数数据可以通过空间聚合的方式升尺度为25km的ESA CCI被动微波土壤水分数据和36km的SMAP被动微波土壤水分数据。
S3.根据所述粗分辨率地表温度、所述粗分辨率植被指数和所述粗分辨率被动微波土壤水分数据构建的经验统计回归模型、半经验半物理模型和随机森林模型。
具体地,可以将聚合后的粗分辨率地表温度和植被指数与被动微波土壤水分数据采用以下方式构建经验统计回归模型:
上式中,SMC表示粗分辨率土壤水分,a 0表示关系模型常量,a m 、a ij 表示关系模型的回归系数,n表示使用的降尺度因子种类数,A Cm、A Ci 、A Cj 表示粗分辨率降尺度因子。
在构建半经验半物理模型是,本发明实施例参考考DisPATCH半经验半物理模型,利用一阶泰勒展式建立土壤水分与土壤蒸散发效率(Soil Evaporative Efficiency,SEE)之间的半经验半物理模型。该方法通过计算高空间分辨率的SEE数据实现对地表土壤水分的定量表达。构建的半经验半物理模型为:
其中,SEE由地表温度和植被覆盖计算得出:
式中,TS.max表示土壤地表温度的最大值;TS.min表示土壤地表温度的最小值,TS是给定像素处的地表温度,且TS=( T-fv×Tv)/(1-fv),T表示地表温度,fv表示植被覆盖,Tv表示植被温度。
S4.将所述公里级高空间分辨率尺度的地表温度和植被指数分别输入S3中的各个模型,得到各个模型在高分辨率条件下时空无缝的公里级地表土壤水分估算结果。
S5.根据所述各模型地表土壤水分估算结果和所述粗分辨率被动微波土壤水分数据分析各个模型估算结果对应的残差值,并根据所述残差值建立线性融合模型,得到高空间分辨率土壤水分融合数据。
在一种实施方式中,高空间分辨率土壤水分融合数据的获取方式为:
式中,SM f.D 表示高空间分辨率土壤水分融合数据;SM1,h表示经验统计回归模型估算的高分辨率土壤水分;SM2,h表示半经验半物理模型估算的高分辨率土壤水分;SM3,h表示随机森林模型估算的高分辨率土壤水分;w 1、w 2和w 3表示权重系数。
w 1、w 2和w 3的计算方式为:
wn=(RMAX/Rn) wmin
w1+w2+w3=1
上式中,wmin为预设权重计算参数,通过计算wmin反算出经验统计回归模型、半经验半物理模型和随机森林模型三模型估算结果的权重系数;n为除去最大残差值后其他残差值对应序号;RMAX=max{ R1、R2、R3 }表示最大残差值; R1、R2、R3分别表示三个模型的残差值;且S5中的残差值分析过程包括:针对粗分辨率被动微波土壤水分产品空值像元,结合地表参数进行土壤水分估算,获取空间连续的粗分辨率土壤水分数据;根据所述粗分辨率土壤水分数据分析各个模型估算结果对应的残差。
S6.根据所述高空间分辨率土壤水分融合数据通过空间聚合的方式与所述粗分辨率土壤水分数据结合得到估算残差,并根据所述估算残差采用面到点的克里金插值获得高分辨率残差空间分布。
具体地,面到点的克里金插值可如下表示:
式中,N为高分辨率像元q(对应粗分辨率像元P)周围的粗分辨率网格数,一般选择5*5的局部窗口;α r 表示局部窗口中网格r对中心网格p的权重。为了与土壤水分关系模型中使用的局部窗口保持一致,此处每个网格的局部窗口都由自适应窗口方法确定的窗口半径。α r 可由下式计算:
式中,γ CC(.)是窗口中两个粗分辨率网格之间的半方差;γ FC (.)是中心网格中对应的高分辨率网格q与窗口中任意粗分辨率网格r之间的半方差;θ拉格朗日乘子。γ CC(.)和γ FC (.)由下式计算:
其中,d qpqr 表示高分辨率网格qp和高分辨率网格qr之间的距离,qp表示位于窗口中第p个粗分辨率网格中的第q个高分辨率网格,qr表示位于窗口中第r个粗分辨率网格中的第q个高分辨率网格,d qqr 表示高分辨率网格q和高分辨率网格qr之间的距离,q表示位于窗口中心网格中的第q个高分辨率网格,qr表示位于窗口中第r个粗分辨率网格中的第q个高分辨率网格。γ是关于距离的函数,可由关系模型产生的粗分辨率残差拟合而来;σ表示粗分辨率网格内部的高分辨率网格数;γ FF表示高分辨网格之间的半方差。
S7.根据所述高分辨率残差空间分布和所述高空间分辨率土壤水分融合数据进行求和,得到时空无缝且值域一致的土壤水分数据。
示例性地,最终的时空无缝且值域一致的土壤水分数据计算方式为:
为了验证本发明提供的时空无缝地表土壤水分估算方法的效果,本发明还与基于统计回归的被动微波土壤水分降尺度方法进行了分析对比,其对比结果如图2所示,图2中的上半部分为基于统计回归的被动微波土壤水分降尺度方法的土壤水分估算结果图;图2中的下半部分为本发明提供的时空无缝地表土壤水分估算方法的土壤水分估算结果图。从对比结果图中可以看出,本发明的估算结果明显优于基于统计回归的被动微波土壤水分降尺度方法。
请参看图3,图3为本发明实施例提供的一种高分辨率的时空无缝地表土壤水分估算系统的拓扑结构示意图。
在一种实施方式中方式中,本发明实施例还提供了一种高分辨率的时空无缝地表土壤水分估算系统10,该时空无缝地表土壤水分估算系统10包括:
获取模块100,用于获取时空无缝公里级的地表温度数据、归一化植被指数数据和粗分辨率被动微波土壤水分数据;
升尺度模块200,用于将地表温度数据和归一化植被指数数据通过空间聚合的方式升尺度至粗分辨率被动微波土壤水分数据空间尺度,得到粗分辨率地表温度和粗分辨率植被指数;
模型构建模块300,用于根据粗分辨率地表温度、粗分辨率植被指数和粗分辨率被动微波土壤水分数据构建的经验统计回归模型、半经验半物理模型和随机森林模型;
估算模块400,用于将公里级高空间分辨率尺度的地表温度和植被指数分别输入模型构建模块300中的各个模型,得到各个模型在高分辨率条件下时空无缝的公里级地表土壤水分估算结果;半经验半物理模型为:
式中,SMD表示降尺度后的高分辨率土壤水分,SMC表示粗分辨率土壤水分;SEEH表示高分辨率的土壤蒸散发效率;SEEC表示粗分辨率的土壤蒸散发效率;表示在粗分辨率尺度上SEE对SM求偏导数;其中,SEE表示土壤蒸散发效率,其计算方式为:
式中,TS.max表示土壤地表温度的最大值;TS.min表示土壤地表温度的最小值,TS是给定像素处的地表温度,且TS=( T-fv×Tv)/(1-fv),T表示地表温度,fv表示植被覆盖,Tv表示植被温度;
融合数据分析模块500,用于根据各模型地表土壤水分估算结果和粗分辨率被动微波土壤水分数据分析各个模型估算结果对应的残差值,并根据残差值建立线性融合模型,得到高空间分辨率土壤水分融合数据;
克里金插值分析模块600,用于根据高空间分辨率土壤水分融合数据通过空间聚合的方式与粗分辨率土壤水分数据结合得到估算残差,并根据估算残差采用面到点的克里金插值获得高分辨率残差空间分布;
输出模块700,用于根据高分辨率残差空间分布和高空间分辨率土壤水分融合数据进行求和,得到时空无缝且值域一致的土壤水分数据。
综上所述,本发明实施例提供一种高分辨率的时空无缝地表土壤水分估算方法及系统,其对构建的多种土壤水分估算模型的的估算结果和各个模型的误差加权融合得到最终的土壤水分估算数据,较大程度上提高了高分辨率土壤水分估算结果的准确性和稳定性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到变化或替换,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以权利要求的保护范围为准。
Claims (7)
1.一种高分辨率的时空无缝地表土壤水分估算方法,其特征在于,包括:
S1.获取时空无缝公里级的地表温度数据、归一化植被指数数据和粗分辨率被动微波土壤水分数据;
S2.将所述地表温度数据和所述归一化植被指数数据通过空间聚合的方式升尺度至粗分辨率被动微波土壤水分数据空间尺度,得到粗分辨率地表温度和粗分辨率植被指数;
S3.根据所述粗分辨率地表温度、所述粗分辨率植被指数和所述粗分辨率被动微波土壤水分数据构建的经验统计回归模型、半经验半物理模型和随机森林模型;所述半经验半物理模型为:
式中,SMD表示降尺度后的高分辨率土壤水分,SMC表示粗分辨率土壤水分;SEEH表示高分辨率的土壤蒸散发效率;SEEC表示粗分辨率的土壤蒸散发效率;表示在粗分辨率尺度上SEE对SM求偏导数;其中,SEE表示土壤蒸散发效率,其计算方式为:
式中,TS.max表示土壤地表温度的最大值;TS.min表示土壤地表温度的最小值,TS是给定像素处的地表温度,且TS=( T-fv×Tv)/(1-fv),T表示地表温度,fv表示植被覆盖,Tv表示植被温度;
S4.将所述公里级高空间分辨率尺度的地表温度和植被指数分别输入S3中的各个模型,得到各个模型在高分辨率条件下时空无缝的公里级地表土壤水分估算结果;
S5.根据所述各模型地表土壤水分估算结果和所述粗分辨率被动微波土壤水分数据分析各个模型估算结果对应的残差值,并根据所述残差值建立线性融合模型,得到高空间分辨率土壤水分融合数据;
S6.根据所述高空间分辨率土壤水分融合数据通过空间聚合的方式与所述粗分辨率土壤水分数据结合得到估算残差,并根据所述估算残差采用面到点的克里金插值获得高分辨率残差空间分布;
S7.根据所述高分辨率残差空间分布和所述高空间分辨率土壤水分融合数据进行求和,得到时空无缝且值域一致的土壤水分数据。
3.根据权利要求1所述的方法,其特征在于,所述S3中的随机森林模型的构建方式为:将已有地表温度、植被指数以及地表地形参数作为地表土壤水分的关联因子,基于随机森林算法建立对应的粗分辨率被动微波土壤水分数据与各个聚合得到的粗分辨率地表参数之间的经验关系,获得相应的估算模型。
5.根据权利要求4所述的方法,其特征在于,w 1、w 2和w 3的计算方式为:
wn=(RMAX/Rn) wmin
w1+w2+w3=1
上式中,wmin为预设权重计算参数,通过计算wmin反算出经验统计回归模型、半经验半物理模型和随机森林模型三个模型估算结果的权重系数;n为除去最大残差值后其他残差值对应序号;RMAX=max{ R1、R2、R3 }表示最大残差值; R1、R2、R3分别表示三个模型的残差值。
6.根据权利要求5所述的方法,其特征在于,S5中的残差值分析过程包括:
针对粗分辨率被动微波土壤水分产品空值像元,结合S2中升尺度得到的粗分辨率地表温度和植被指数数据,采用经验模型对空值像元进行土壤水分估算,获取空间连续的粗分辨率土壤水分数据;
根据所述粗分辨率土壤水分数据与各个模型估算结果进行对比并计算对应的残差。
7.一种高分辨率的时空无缝地表土壤水分估算系统,其特征在于,包括:
获取模块,用于获取时空无缝公里级的地表温度数据、归一化植被指数数据和粗分辨率被动微波土壤水分数据;
升尺度模块,用于将所述地表温度数据和所述归一化植被指数数据通过空间聚合的方式升尺度至粗分辨率被动微波土壤水分数据空间尺度,得到粗分辨率地表温度和粗分辨率植被指数;
模型构建模块,用于根据所述粗分辨率地表温度、所述粗分辨率植被指数和所述粗分辨率被动微波土壤水分数据构建的经验统计回归模型、半经验半物理模型和随机森林模型;
估算模块,用于将所述公里级高空间分辨率尺度的地表温度和植被指数分别输入模型构建模块中的各个模型,得到各个模型在高分辨率条件下时空无缝的公里级地表土壤水分估算结果;所述半经验半物理模型为:
式中,SMD表示降尺度后的高分辨率土壤水分,SMC表示粗分辨率土壤水分;SEEH表示高分辨率的土壤蒸散发效率;SEEC表示粗分辨率的土壤蒸散发效率;表示在粗分辨率尺度上SEE对SM求偏导数;其中,SEE表示土壤蒸散发效率,其计算方式为:
式中,TS.max表示土壤地表温度的最大值;TS.min表示土壤地表温度的最小值,TS是给定像素处的地表温度,且TS=( T-fv×Tv)/(1-fv),T表示地表温度,fv表示植被覆盖,Tv表示植被温度;
融合数据分析模块,用于根据所述各模型地表土壤水分估算结果和所述粗分辨率被动微波土壤水分数据分析各个模型估算结果对应的残差值,并根据所述残差值建立线性融合模型,得到高空间分辨率土壤水分融合数据;
克里金插值分析模块,用于根据所述高空间分辨率土壤水分融合数据通过空间聚合的方式与所述粗分辨率土壤水分数据结合得到估算残差,并根据所述估算残差采用面到点的克里金插值获得高分辨率残差空间分布;
输出模块,用于根据所述高分辨率残差空间分布和所述高空间分辨率土壤水分融合数据进行求和,得到时空无缝且值域一致的土壤水分数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111468440.6A CN113888386B (zh) | 2021-12-03 | 2021-12-03 | 一种高分辨率的时空无缝地表土壤水分估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111468440.6A CN113888386B (zh) | 2021-12-03 | 2021-12-03 | 一种高分辨率的时空无缝地表土壤水分估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888386A CN113888386A (zh) | 2022-01-04 |
CN113888386B true CN113888386B (zh) | 2022-02-15 |
Family
ID=79016254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111468440.6A Active CN113888386B (zh) | 2021-12-03 | 2021-12-03 | 一种高分辨率的时空无缝地表土壤水分估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888386B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114461983B (zh) * | 2022-02-09 | 2023-03-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于水量平衡原理的卫星降水产品空间降尺度方法 |
CN114880883B (zh) * | 2022-07-07 | 2022-10-11 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地地表土壤水分遥感估算方法、装置及电子设备 |
CN115358095B (zh) * | 2022-10-19 | 2023-03-17 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地高空间分辨率植被总初级生产力估算方法 |
CN116049768B (zh) * | 2023-04-03 | 2023-07-11 | 中国科学院空天信息创新研究院 | 基于广义线性回归模型的主被动微波土壤水分融合算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019032648A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | MACHINE LEARNING IN AGRICULTURAL PLANTATION, CULTIVATION AND HARVEST CONTEXTS |
CN111651411A (zh) * | 2020-04-21 | 2020-09-11 | 成都信息工程大学 | 一种复杂地形遥感土壤水分产品降尺度方法 |
CN112162014A (zh) * | 2020-09-02 | 2021-01-01 | 塔里木大学 | 基于电磁感应数据的棉田土壤剖面水分数据处理方法 |
CN112287294A (zh) * | 2020-09-10 | 2021-01-29 | 河海大学 | 一种基于深度学习的时空双向土壤含水量插值方法 |
-
2021
- 2021-12-03 CN CN202111468440.6A patent/CN113888386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019032648A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | MACHINE LEARNING IN AGRICULTURAL PLANTATION, CULTIVATION AND HARVEST CONTEXTS |
CN111651411A (zh) * | 2020-04-21 | 2020-09-11 | 成都信息工程大学 | 一种复杂地形遥感土壤水分产品降尺度方法 |
CN112162014A (zh) * | 2020-09-02 | 2021-01-01 | 塔里木大学 | 基于电磁感应数据的棉田土壤剖面水分数据处理方法 |
CN112287294A (zh) * | 2020-09-10 | 2021-01-29 | 河海大学 | 一种基于深度学习的时空双向土壤含水量插值方法 |
Non-Patent Citations (3)
Title |
---|
A spatial downscaling approach for the SMAP passive surface soil moisture product using random forest regression;Zhao Wei等;《Journal of Hydrology》;20180831;第563卷;1009-1024页 * |
基于值域一致性的SMAP被动微波土壤水分产品空间降尺度研究;文凤平;《中国优秀硕士学位论文全文数据库》;20210215(第2期);第37-82页 * |
耦合MODIS数据的SMAP被动微波土壤水分空间降尺度研究——以闪电河流域为例;文凤平等;《遥感学报》;20210425;第25卷(第4期);962-973页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113888386A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888386B (zh) | 一种高分辨率的时空无缝地表土壤水分估算方法及系统 | |
Aboelnour et al. | Application of remote sensing techniques and geographic information systems to analyze land surface temperature in response to land use/land cover change in Greater Cairo Region, Egypt | |
Huang et al. | Agricultural remote sensing big data: Management and applications | |
Deo et al. | Forecasting long-term global solar radiation with an ANN algorithm coupled with satellite-derived (MODIS) land surface temperature (LST) for regional locations in Queensland | |
Yang et al. | Solar irradiance forecasting using spatio-temporal empirical kriging and vector autoregressive models with parameter shrinkage | |
Torres et al. | Uncertainty assessments of climate change projections over South America | |
CN112016052B (zh) | 基于多源数据的近地表日最高气温估算方法、系统及终端 | |
CN111652404B (zh) | 一种全天气地表温度反演方法和系统 | |
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 | |
CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
Moosavi et al. | Estimation of spatially enhanced soil moisture combining remote sensing and artificial intelligence approaches | |
Francini et al. | The Three Indices Three Dimensions (3I3D) algorithm: a new method for forest disturbance mapping and area estimation based on optical remotely sensed imagery | |
CN105222787A (zh) | 基于矩阵填充的位置指纹库构建方法 | |
Singha et al. | Apple yield prediction mapping using machine learning techniques through the Google Earth Engine cloud in Kashmir Valley, India | |
Edenius et al. | Combining satellite imagery and ancillary data to map snowbed vegetation important to reindeer Rangifer tarandus | |
Vega-Oliveros et al. | From spatio-temporal data to chronological networks: An application to wildfire analysis | |
CN117114147A (zh) | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 | |
Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
Attorre et al. | Analysing the relationship between land units and plant communities: the case of Socotra Island (Yemen) | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
Ndehedehe et al. | Historical changes in rainfall patterns over the Congo Basin and impacts on runoff (1903–2010) | |
Bochtis et al. | Information and Communication Technologies for Agriculture-Theme I: Sensors | |
Karateke et al. | Wavelet-ANFIS hybrid model for MODIS NDVI prediction | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
Li et al. | Prediction of AOD data by geographical and temporal weighted regression with nonlinear principal component analysis |
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 |