CN114397276A - 一种基于等价降水估测法的区域土壤湿度监测方法 - Google Patents
一种基于等价降水估测法的区域土壤湿度监测方法 Download PDFInfo
- Publication number
- CN114397276A CN114397276A CN202210060004.3A CN202210060004A CN114397276A CN 114397276 A CN114397276 A CN 114397276A CN 202210060004 A CN202210060004 A CN 202210060004A CN 114397276 A CN114397276 A CN 114397276A
- Authority
- CN
- China
- Prior art keywords
- data
- days
- soil humidity
- image
- vegetation index
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 230000010287 polarization Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000001556 precipitation Methods 0.000 claims description 49
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
- G01S17/90—Lidar systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4735—Solid samples, e.g. paper, glass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于等价降水估测法的区域土壤湿度监测方法,首先采集试验区域的卫星影像,生成后向散射系数影像数据及归一化植被指数影像数据,建立多个缓冲区,并对其土地利用类型进行分类,获取相应的矢量数据,通过矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,得到相应的雷达后向散射系数两个极化方向数据和归一化植被指数数据,获取影像前的气象数据,对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,并计算土壤湿度。本发明提供的基于等价降水估测法的区域土壤湿度监测方法,将雷达影像与光学影像相结合,能够实现区域土壤湿度的监测。
Description
技术领域
本发明涉及土壤湿度定量反演技术领域,特别是涉及一种基于等价降水估测法的区域土壤湿度监测方法。
背景技术
土壤水分是地球表面水分和能量循环的主要控制变量,它在陆地-大气界面之间的水热传输和能量交换中起着重要的作用,在农业领域,土壤水分也是旱情监测、农作物生长监测和估产的重要指标之一。
目前,土壤水分的监测方法主要有传统的实测法和遥感法两种,传统的实测法测量出的土壤水分精度较高,但只能得到单点数据难以实现大区域的土壤水分监测,而遥感监测土壤水分凭借其监测范围广、时效快、以及长期动态监测的优势解决了传统方法的缺陷。遥感数据主要有光学遥感和微波遥感,其中,光学遥感数据获取方便,且光学数据构建的植被指数能准确地估算植被含水量信息,来达到去除植被层影像的效果,但是光学影像穿透能力差,且容易收到天气的影响,地表覆盖的植被和粗糙度也影响着光学遥感的使用范畴,而合成孔径雷达可以穿透大气和植被层,不受恶劣天气影响,可以全天时、全天候进行对地观测,在观测地表尤其是土壤方面有极大的优势,雷达获取的后向散射系数与介电常数具有直接的关系,土壤水分的变化影响着介电常数的变化,使用微波数据进行土壤水分的研究具有很好的前景,现有技术中并没有一种较好的能够利用微波遥感及光学遥感同时进行土壤湿度监测的方法。因此,设计一种基于等价降水估测法的区域土壤湿度监测方法是十分有必要的。
发明内容
本发明的目的是提供一种基于等价降水估测法的区域土壤湿度监测方法,将雷达影像与光学影像相结合,能够实现区域土壤湿度的监测,且无需实测土壤湿度作为先验知识,节省了人力物力。
为实现上述目的,本发明提供了如下方案:
一种基于等价降水估测法的区域土壤湿度监测方法,包括如下步骤:
步骤1:采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据;
步骤2:以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据;
步骤3:通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据;
步骤4:获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演。
可选的,步骤1中,采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据,具体为:
采集试验区域的卫星影像,包括SAR卫星影像及光学卫星影像,对采集得到的SAR卫星影像进行轨道校正、去除热噪声、辐射定标、相干斑滤波Lee、距离多普勒法地形校正及分贝化,并对其进行镶嵌裁剪,通过辐射定标将SAR卫星影像转化为归一化的雷达后向散射系数sigma0,生成用于反映土壤湿度的后向散射系数影像数据;
对采集得到的光学卫星影像进行辐射定标,将光学卫星影像的原始DN值转换为表观反射率,将影像的亮度灰度值转换为绝对辐射亮度,将辐射定标完成后的光学卫星影像进行大气校正,将辐射亮度值或者表面反射率转换为地表实际反射率,并对其进行镶嵌裁剪,波段运算,生成用于提取植被信息的标准卫星影像数据,根据标准卫星影像数据生成归一化植被指数影像数据。
可选的,根据标准卫星影像数据生成归一化植被指数影像数据,具体为:
采集标准卫星影像数据中的近红外波段和红波段数据,通过下列公式得到归一化植被指数影像数据为:
式中,NDVI为生成后的归一化植被指数影像数据,BNIR为标准卫星数据影像中的近红外波段数据,BR为标准卫星数据影像中的红波段数据。
可选的,步骤2中,以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据,具体为:
以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,利用光学卫星影像提取缓冲区内土地利用类型,其中,提取缓冲区内NDVI>0.5的区域作为植被覆盖区,转换为矢量数据,并通过目视、决策树法及全球10m土地利用数据对缓冲区内的土地利用类型进行分类,将其分为林地、耕地及建筑三种,并将分类栅格转换为矢量数据。
可选的,步骤3中,通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据,具体为:
分别使用林地、耕地及建筑的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别获得500m、1000m及2000m的林地、耕地及建筑的雷达后向散射系数两个极化方向VV及VH数据及植被指数数据。
可选的,步骤4中,获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演,具体为:
获取影像前5天、10天、15天、20天、25天及30天的气象数据,统计影像前5天、10天、15天、20天、25天及30天的降水量数据,通过相关性分析算法对气象数据、雷达后向散射系数两个极化方向VV及VH数据及植被指数数据结合分析,得到有关土壤湿度的等价降水量模型为:
y=ALX+BLX*NVILX+CLX*VHNILX
式中,ALx,BLx,CLx均为常数,且因土地覆盖类型而定;NVILX和VHNILX为位于不同土地覆盖类型区内的雷达后向散射系数两个极化方向VVLX及VHLX数据与区内NDVILX建立的新指数,公式如下:
VHNILX=(VHLX-VVLX)*NDVILX
根据等价降水量模型通过降水土壤湿度转化公式将等价降水量转换为土壤湿度,其中,降水土壤湿度转化公式如下:
Δ=W*(NDVI-0.26)
式中,h是土层厚度,d是土壤容重,单位是g/cm3,Ws为土壤湿度,w为土壤水分贮存量,单位是mm,△为植被冠层截留量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于等价降水估测法的区域土壤湿度监测方法,首先采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据,以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据,通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据,获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演,可实现快捷、无实测数据、高精度检测土壤湿度,可为区域检测土壤湿度提供新的基础技术思路。
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为本发明实施例基于等价降水估测法的区域土壤湿度监测方法的流程框图;
图2为林地、耕地及建筑的矢量数据图;
图3a为5月份土壤湿度结果图;
图3b为9月份土壤湿度结果图。
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于等价降水估测法的区域土壤湿度监测方法,将雷达影像与光学影像相结合,能够实现区域土壤湿度的监测,且无需实测土壤湿度作为先验知识,节省了人力物力。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供的基于等价降水估测法的区域土壤湿度监测方法,包括如下步骤:
步骤1:采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据;
步骤2:以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据;
步骤3:通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据;
步骤4:获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演。
步骤1中,采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据,具体为:
采集试验区域的卫星影像,包括SAR卫星影像及光学卫星影像,其中,SAR卫星影像选用Sentinel1卫星影像,光学卫星影像选用Landsat8卫星影像,利用欧空局软件SNAP对采集得到的SAR卫星影像进行轨道校正、去除热噪声、辐射定标、相干斑滤波Lee、距离多普勒法地形校正及分贝化,并对其进行镶嵌裁剪,通过辐射定标将SAR卫星影像转化为归一化的雷达后向散射系数sigma0,生成用于反映土壤湿度的后向散射系数影像数据;
利用遥感专业处理软件ENVI5.3对采集得到的光学卫星影像进行辐射定标,将光学卫星影像的原始DN值转换为表观反射率,将影像的亮度灰度值转换为绝对辐射亮度,将辐射定标完成后的光学卫星影像进行大气校正,将辐射亮度值或者表面反射率转换为地表实际反射率,并对其进行镶嵌裁剪,波段运算,生成用于提取植被信息的标准卫星影像数据,根据标准卫星影像数据生成归一化植被指数影像数据。
根据标准卫星影像数据生成归一化植被指数影像数据,具体为:
采集标准卫星影像数据中的近红外波段和红波段数据,通过下列公式得到归一化植被指数影像数据为:
式中,NDVI为生成后的归一化植被指数影像数据,BNIR为标准卫星数据影像中的近红外波段数据,BR为标准卫星数据影像中的红波段数据,其中,下标NIR、R均为区分作用,并非变量。
通过辐射定标将SAR卫星影像转化为归一化的雷达后向散射系数sigma0,生成用于反映土壤湿度的后向散射系数影像数据,具体为:
利用欧空局软件SNAP对采集得到的SAR卫星影像进行轨道校正、去除热噪声、辐射定标、相干斑滤波Lee、距离多普勒法地形校正及分贝化,并对其进行镶嵌裁剪,得到后向散射系数,通过辐射标定,利用下列公式生成以dB为单位的雷达后向散射系数sigma0:
式中,P、P0分别表示目标量和参考量,设后向散射系数σ0,这里执行下述的对数变换:
σ0(dB)=10*log10σ0
本发明使用的SAR卫星影像和光学影像对应地为同一年份同一月份拍摄的遥感影像,相同卫星影像使用的是同一传感器的拍摄数据。
步骤2中,以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据,具体为:
以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,利用光学卫星影像提取缓冲区内土地利用类型,同时生成缓冲区中Sentinel1卫星影像的双极化产品和光学归一化植被指数产品,其中,提取缓冲区内NDVI>0.5的区域作为植被覆盖区,转换为矢量数据,并通过目视、决策树法及欧空局WorldCoverViewer网站提供的全球10m土地利用数据对缓冲区内的土地利用类型进行分类,将其分为林地、耕地及建筑三种,并将分类栅格转换为矢量数据。
步骤3中,通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据,具体为:
分别使用林地、耕地及建筑的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别获得500m、1000m及2000m的林地、耕地及建筑的雷达后向散射系数两个极化方向VV及VH数据及植被指数数据。
步骤4中,获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型(将土壤湿度等价为干土加上等价降水量),根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演,具体为:
获取影像前5天、10天、15天、20天、25天及30天的气象数据,统计影像前5天、10天、15天、20天、25天及30天的降水量数据,通过相关性分析算法对气象数据、雷达后向散射系数两个极化方向VV及VH数据及植被指数数据结合分析,得到有关土壤湿度的等价降水量模型为:
y=ALX+BLX*NVILX+CLX*VHNILX
式中,ALx,BLx,CLx均为常数,且因土地覆盖类型而定;NVILX和VHNILX为位于不同土地覆盖类型区内的雷达后向散射系数两个极化方向VVLX及VHLX数据与区内NDVILX建立的新指数,公式如下:
VHNILX=(VHLX-VVLX)*NDVILX
根据等价降水量模型通过降水土壤湿度转化公式将等价降水量转换为土壤湿度,其中,降水土壤湿度转化公式如下:
Δ=W*(NDVI-0.26)
式中,h是土层厚度,d是土壤容重,单位是g/cm3,Ws为土壤湿度,w为土壤水分贮存量,单位是mm,△为植被冠层截留量。
该方法的检测原理为:
土壤可作为干土与水的组合,而水可看做降水经土壤覆盖物达到土壤的部分,因此,土壤湿度可作为干土经降水后的结果。微波的后向散射系数与土壤介电常数密切相关,而介电常数又受土壤湿度的影响,因此,可利用后向散射系数与降水量数据进行统计分析,构建等价降水量估测模型,并基于土壤-降水量转化公式,实现土壤湿度的监测。
本实施方式中以河北廊坊市为实验区域,以Sentinel1卫星影像和Landsat8光学影像为数据源,采用步骤一中的方法处理影像数据,生成标准卫星影像数据,并得到雷达后向散射系数影像和归一化植被指数影像,接着,使用步骤二中的方法生成的三个空间范围的不同土地利用类型的矢量数据,如图2所示,并对缓冲区内的后向散射系数和归一化植被指数进行提取,最后利用步骤四中的方法,统计分析建立的等价降水量模型对试验区域进行等价降水量的反演,并利用降水-土壤湿度转换公式实现土壤湿度的监测,结果如图3所示,其中,图3a和为5月份的土壤湿度结果图,图3b为9月份的土壤湿度结果图。
本发明提供的基于等价降水估测法的区域土壤湿度监测方法,首先采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据,以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据,通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据,获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演,可实现快捷、无实测数据、高精度检测土壤湿度,可为区域检测土壤湿度提供新的基础技术思路。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于等价降水估测法的区域土壤湿度监测方法,其特征在于,包括如下步骤:
步骤1:采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据;
步骤2:以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据;
步骤3:通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据;
步骤4:获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演。
2.根据权利要求1所述的基于等价降水估测法的区域土壤湿度监测方法,其特征在于,步骤1中,采集试验区域的卫星影像,根据卫星影像生成后向散射系数影像数据及归一化植被指数影像数据,具体为:
采集试验区域的卫星影像,包括SAR卫星影像及光学卫星影像,对采集得到的SAR卫星影像进行轨道校正、去除热噪声、辐射定标、相干斑滤波Lee、距离多普勒法地形校正及分贝化,并对其进行镶嵌裁剪,通过辐射定标将SAR卫星影像转化为归一化的雷达后向散射系数sigma0,生成用于反映土壤湿度的后向散射系数影像数据;
对采集得到的光学卫星影像进行辐射定标,将光学卫星影像的原始DN值转换为表观反射率,将影像的亮度灰度值转换为绝对辐射亮度,将辐射定标完成后的光学卫星影像进行大气校正,将辐射亮度值或者表面反射率转换为地表实际反射率,并对其进行镶嵌裁剪,波段运算,生成用于提取植被信息的标准卫星影像数据,根据标准卫星影像数据生成归一化植被指数影像数据。
4.根据权利要求3所述的基于等价降水估测法的区域土壤湿度监测方法,其特征在于,步骤2中,以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,并将缓冲区内的土地利用类型进行分类,获取相应土地利用类型的矢量数据,具体为:
以气象站点为中心建立缓冲半径为500m、1000m及2000m的缓冲区,利用光学卫星影像提取缓冲区内土地利用类型,其中,提取缓冲区内NDVI>0.5的区域作为植被覆盖区,转换为矢量数据,并通过目视、决策树法及全球10m土地利用数据对缓冲区内的土地利用类型进行分类,将其分为林地、耕地及建筑三种,并将分类栅格转换为矢量数据。
5.根据权利要求4所述的基于等价降水估测法的区域土壤湿度监测方法,其特征在于,步骤3中,通过相应土地利用类型的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别得到相应土地利用类型的雷达后向散射系数两个极化方向数据和归一化植被指数数据,具体为:
分别使用林地、耕地及建筑的矢量数据对后向散射系数影像数据及归一化植被指数影像数据进行掩膜提取,分别获得500m、1000m及2000m的林地、耕地及建筑的雷达后向散射系数两个极化方向VV及VH数据及植被指数数据。
6.根据权利要求5所述的基于等价降水估测法的区域土壤湿度监测方法,其特征在于,步骤4中,获取影像前5天、10天、15天、20天、25天及30天的气象数据,通过相关性分析算法对气象数据及后向散射系数两个极化方向数据和归一化植被指数数据进行分析,得到有关土壤湿度的等价降水量模型,根据等价降水量模型计算土壤湿度,并对试验区域土壤湿度进行反演,具体为:
获取影像前5天、10天、15天、20天、25天及30天的气象数据,统计影像前5天、10天、15天、20天、25天及30天的降水量数据,通过相关性分析算法对气象数据、雷达后向散射系数两个极化方向VV及VH数据及植被指数数据结合分析,得到有关土壤湿度的等价降水量模型为:
y=ALX+BLX*NVILX+CLX*VHNILX
式中,ALx,BLx,CLx均为常数,且因土地覆盖类型而定;NVILX和VHNILX为位于不同土地覆盖类型区内的雷达后向散射系数两个极化方向VVLX及VHLX数据与区内NDVILX建立的新指数,公式如下:
VHNILX=(VHLX-VVLX)*NDVILX
根据等价降水量模型通过降水土壤湿度转化公式将等价降水量转换为土壤湿度,其中,降水土壤湿度转化公式如下:
Δ=W*(NDVI-0.26)
式中,h是土层厚度,d是土壤容重,单位是g/cm3,Ws为土壤湿度,w为土壤水分贮存量,单位是mm,△为植被冠层截留量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060004.3A CN114397276B (zh) | 2022-01-19 | 2022-01-19 | 一种基于等价降水估测法的区域土壤湿度监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060004.3A CN114397276B (zh) | 2022-01-19 | 2022-01-19 | 一种基于等价降水估测法的区域土壤湿度监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114397276A true CN114397276A (zh) | 2022-04-26 |
CN114397276B CN114397276B (zh) | 2023-12-01 |
Family
ID=81230295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060004.3A Active CN114397276B (zh) | 2022-01-19 | 2022-01-19 | 一种基于等价降水估测法的区域土壤湿度监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114397276B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
CN108303044A (zh) * | 2018-02-01 | 2018-07-20 | 苏州市农业科学院 | 一种叶面积指数获取方法及系统 |
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 |
CN113255874A (zh) * | 2021-06-08 | 2021-08-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于优化的bp神经网络微波遥感反演土壤水分的方法 |
CN113836779A (zh) * | 2020-06-23 | 2021-12-24 | 西北农林科技大学 | 一种基于CNN的Sentinel多源数据的农田地表土壤水分反演方法 |
-
2022
- 2022-01-19 CN CN202210060004.3A patent/CN114397276B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
CN108303044A (zh) * | 2018-02-01 | 2018-07-20 | 苏州市农业科学院 | 一种叶面积指数获取方法及系统 |
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 |
CN113836779A (zh) * | 2020-06-23 | 2021-12-24 | 西北农林科技大学 | 一种基于CNN的Sentinel多源数据的农田地表土壤水分反演方法 |
CN113255874A (zh) * | 2021-06-08 | 2021-08-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于优化的bp神经网络微波遥感反演土壤水分的方法 |
Non-Patent Citations (3)
Title |
---|
HASSAN BAZZI 等: "Mapping paddy rice using sentinel-1 SAR time series in camargue, France", REMOTE SENSING, vol. 11, no. 7, pages 887 * |
周逍峰: "基于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, no. 01, pages 1 - 30 * |
王延仓 等: "基于长时间序列数据定量分析林木对气象参数的响应特征", 北华航天工业学院学报, vol. 29, no. 04, pages 5 - 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN114397276B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rozenstein et al. | Estimating cotton water consumption using a time series of Sentinel-2 imagery | |
CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
Metsämäki et al. | A feasible method for fractional snow cover mapping in boreal zone based on a reflectance model | |
Li et al. | WindSat global soil moisture retrieval and validation | |
Cai et al. | Regional drought monitoring and analyzing using MODIS data—A case study in Yunnan Province | |
Tan et al. | A comparison of radiometric correction techniques in the evaluation of the relationship between LST and NDVI in Landsat imagery | |
CN114076738A (zh) | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 | |
CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
CN113255874A (zh) | 一种基于优化的bp神经网络微波遥感反演土壤水分的方法 | |
CN115292616B (zh) | 基于光谱不变理论的植被蓝天空反照率估算方法及装置 | |
Tao et al. | Soil moisture retrieval from SAR and optical data using a combined model | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
CN113887024B (zh) | 基于归一化温度构建的干旱指数反演表层土壤水分方法 | |
CN114486783A (zh) | 基于无人机多源遥感的冬小麦田土壤水分反演方法 | |
Zhang et al. | Improved model for estimating the biomass of Populus euphratica forest using the integration of spectral and textural features from the Chinese high-resolution remote sensing satellite GaoFen-1 | |
Yadav et al. | Estimation of soil moisture through water cloud model using sentinel-1A SAR data | |
CN114397276B (zh) | 一种基于等价降水估测法的区域土壤湿度监测方法 | |
Amiri et al. | Using remote sensing data for vegetation cover assessment in semi-arid rangeland of center province of Iran | |
Nugraha et al. | Accuracy assessment of land surface temperature retrievals from remote sensing imagery: pixel-based, single and multi-channel methods | |
Davis et al. | Stand structure in terrestrial ecosystems | |
CN117907248B (zh) | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 | |
Joshi et al. | Estimating above ground biomass of Pinus roxbhurghii using slope based vegetation index model | |
Qingkong et al. | Analysis on Topographic Effect of Soil Moisture in Mountainous Areas based on Landsat-8 OLI Images. | |
CN117630000B (zh) | 土壤含盐量评估方法、装置、电子设备及存储介质 | |
Duan | The impact of Leaf Area Index on rainfall interception and the potential to estimate it using Sentinel-1 observations |
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 |