CN114740022A - 基于多源遥感技术的土壤水分检测方法、装置以及设备 - Google Patents
基于多源遥感技术的土壤水分检测方法、装置以及设备 Download PDFInfo
- Publication number
- CN114740022A CN114740022A CN202210365864.8A CN202210365864A CN114740022A CN 114740022 A CN114740022 A CN 114740022A CN 202210365864 A CN202210365864 A CN 202210365864A CN 114740022 A CN114740022 A CN 114740022A
- Authority
- CN
- China
- Prior art keywords
- soil
- backscattering coefficient
- coefficient
- polarization
- data
- 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
Links
- 239000002689 soil Substances 0.000 title claims abstract description 233
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000005516 engineering process Methods 0.000 title claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000010287 polarization Effects 0.000 claims description 68
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 230000005684 electric field Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electromagnetism (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地理信息技术领域,特别涉及一种基于多源遥感技术的土壤水分检测方法,包括:获取目标区域的卫星参数,获取目标区域的土壤后向散射系数数据,根据目标区域的卫星参数,构建土壤后向散射系数模拟数据集,根据土壤后向散射系数模拟数据集,构建土壤水分检测模型,将目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取目标区域的土壤水分数据。与现有技术相比,本发明能够更全面、更准确、更有效地实现对高植被覆盖目标区域的土壤水分的反演。
Description
技术领域
本发明涉及地理信息技术领域,特别涉及是一种基于多源遥感技术的土壤水分检测方法、装置、设备以及存储介质。
背景技术
土壤水分(土壤湿度、土壤水分数据)是陆地表面水循环的关键参数,控制着陆地与大气间水热能量交换,对于气象、水文、生态、以及农、林、牧业等研究领域有重要的意义。传统的土壤水分测量方法如称重法、中子水分仪法、时域反射法等,虽然测量精度较高,但只适合小范围的单点测量,无法满足土壤水分大范围监测。而遥感技术的出现使得高效率、低成本、大面积实时观测土壤水分成为可能。
目前用于土壤水分反演的遥感方法主要有:可见光波段、红外波段、微波波段的土壤水分反演。由于光学数据的穿透力较差,容易被云雾覆盖、高植被覆盖、太阳光照等影响,数据的适用性被限制,而在微波遥感方法中,被动微波遥感方法的分辨率通常不高,一般是几十公里,常适用于全球等大尺度的土壤水分反演,在高精度的土壤水分反演中表现较差。以往的土壤水分反演研究也多是建立在干旱半干旱地区的裸土或者稀疏植被覆盖地表,但在高植被覆盖地表,植被浓密的冠层往往会造成土壤微波辐射信号的衰减、散射等,大大降低了土壤水分反演的精度,反演结果并不理想。
发明内容
基于此,本发明的目的在于,提供一种基于多源遥感技术的土壤水分检测方法、装置、设备以及存储介质,通过构建HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据,构建土壤水分检测模型,能够更全面、更准确、更有效地实现对高植被覆盖目标区域的土壤水分的反演。
第一方面,本申请实施例提供了一种基于多源遥感技术的土壤水分检测方法,包括以下步骤:
获取目标区域的卫星参数,其中,所述卫星参数包括入射角参数;
获取所述目标区域的土壤后向散射系数数据,其中,所述土壤后向散射系数数据包括HH极化下的后向散射系数数据以及HV极化下的后向散射系数数据;
根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集包括HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据;
根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取所述目标区域的土壤水分数据。
第二方面,本申请实施例提供了一种基于多源遥感技术的土壤水分检测装置,包括:
第一获取模块,用于获取目标区域的卫星参数,其中,所述卫星参数包括入射角参数;
第二获取模块,用于获取所述目标区域的土壤后向散射系数数据,其中,所述土壤后向散射系数数据包括HH极化下的后向散射系数数据以及HV极化下的后向散射系数数据;
土壤后向散射系数模拟数据集构建模块,用于根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集包括HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据;
土壤水分数据计算模块,用于根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取所述目标区域的土壤水分数据。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如第一方面所述基于多源遥感技术的土壤水分检测方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于多源遥感技术的土壤水分检测方法的步骤。
在本申请实施例中,提供一种基于多源遥感技术的土壤水分检测方法、装置、设备以及存储介质,通过构建HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据,构建土壤水分检测模型,能够去除高植被覆盖对土壤水分反演的影响,能够更全面、更准确、更有效地实现对目标区域的土壤水分的反演。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法的流程示意图;
图2为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法中S2的流程示意图;
图3为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法中S201的流程示意图;
图4为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法中S4的流程示意图;
图5为本申请一个实施例提供的基于多源遥感技术的土壤水分检测装置的结构示意图;
图6为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法的流程示意图,所述方法包括如下步骤:
S1:获取目标区域的卫星参数。
所述基于多源遥感技术的土壤水分检测方法的执行主体为基于多源遥感技术的土壤水分检测方法的检测设备(以下简称检测设备),在一个可选的实施例中,所述检测设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
所述卫星参数包括入射角参数、入射波波数以及菲涅尔反射系数以及波段频率参数,检测设备可以根据所述波段频率参数,确认相应的雷达卫星。
在本实施例中,检测设备可以根据所述波段频率参数,确认相应的雷达卫星,获取所述目标区域的卫星参数,所述卫星参数是根据ALOS雷达卫星的基本信息获取,检测设备可以在雷达数据中头文件中获取所述目标区域的卫星参数。
S2:获取所述目标区域的土壤后向散射系数数据。
在本实施例中,检测设备可以通过ALOS雷达卫星获取所述目标区域的ALOS雷达影像,所述ALOS雷达影像为基于高分辨率合成孔径雷达卫星获取的遥感数据,对所述ALOS雷达影像进行分析,获取所述目标区域的土壤后向散射系数数据,也可以通过与预设网络数据库建立数据连接,从所述网络数据库中获取目标区域的土壤后向散射系数数据。
其中,所述土壤后向散射系数数据包括HH极化下的后向散射系数数据以及HV极化下的后向散射系数数据。
HH、HV为雷达遥感系统的极化方式,雷达发射的能量脉冲的电场矢量,可以在垂直或水平面内被偏振。无论哪个波长,雷达信号可以传送水平(H)或者垂直(V)电场矢量,接收水平(H)或者垂直(V)或者两者的返回信号。HH为同向极化方式,HV为异向极化方式。
在一个可选的实施例中,所述土壤后向散射系数数据为2006年日本发射的ALOS对地观测卫星的多辐ALOS/PALSAR的level1.1级SLC的遥感图像产品,中心频率为1.274GHZ,影像空间分辨率为12.5m,中心入射角为38.7°。
请参阅图2,图2为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法中S2的流程示意图,包括步骤S201~S202,具体如下:
S201:获取所述目标区域的植被含水量数据以及总雷达后向散射系数数据。
由于高植被覆盖地表,植被浓密的冠层往往会造成土壤微波辐射信号的衰减、散射等,大大降低了土壤水分反演的精度,反演结果并不理想。
在本实施例中,检测设备获取所述目标区域的植被含水量数据,并由在雷达影像数据中获取所述目标区域的总雷达后向散射系数数据。
S202:根据所述植被含水量数据、总雷达后向散射系数数据、入射角参数以及预设的水云模型,获取所述水云模型输出的后向散射系数数据。
所述水云模型为基于WCM(Water Cloud Model)模型构建的,用于剔除植被对于后向散射系数的影响,其中,所述水云模型为:
为了去除所述区域的高植被覆盖的影响,快速、准确获取土壤水分数据,在本实施例中,检测设备将所述植被含水量数据、总雷达后向散射系数数据、入射角参数输入至所述水云模型,获取所述水云模型输出的后向散射系数数据。
请参阅图3,图3为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法中S201的流程示意图,包括步骤S2011~S2013,具体如下:
S2011:获取所述目标区域的遥感图像,以及所述遥感图像的近红外波段值、中红外波段值。
在本实施例中,检测设备获取所述目标区域的遥感图像,对所述目标区域的遥感数据进行辐射定标、滤波处理、大气校正、裁剪、重投影等预处理,从所述遥感数据中获得近红外波段值、中红外波段值。
S2012:根据所述近红外波段值、中红外波段值以及预设的归一化水分指数计算算法,获取所述遥感图像的归一化水分指数。
所述归一化水分指数计算算法为:
式中,NDWI为所述归一化水分指数,p(NIR)为所述近红外波段值,p(MIR)为所述中红外波段值;
在本实施例中,检测设备根据所述遥感数据的近红外波段值、中红外波段值以及预设的归一化水分指数计算算法,获取所述遥感数据的归一化水分指数。
S2013:根据所述归一化水分指数以及预设的植被含水量计算算法,获取所述植被含水量.
所述植被含水量计算算法为:
mveg=e1NDWI2+E2NDWI+e3
式中,mveg为所述植被含水量,e1、e2、e3分别为第一经验参数、第二经验参数以及第三经验参数。
在本实施例中,检测设备根据所述遥感数据的归一化水分指数以及预设的植被含水量计算算法,获取所述植被含水量。
S3:根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集。
所述土壤后向散射系数模拟数据集包括HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据;
在本实施例中,检测设备根据所述卫星参数以及预设的土壤后向散射系数模拟数据集构建模型,构建所述土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集构建模型为高级积分方程模型(AIEM),与其他模型相比,由于所述AIEM模型能够模拟相对较宽粗糙度范围的地表,能够更真实地模拟自然地表。
基于所述高级积分方程模型,根据所述目标区域的卫星参数构建的表达式为:
式中,为所述土壤后向散射系数模拟数据集,k为所述入射波波数,s为预设的土壤均方根高度,kx、ky、kz、ksz、ksx、ksy分别为关于所述入射角参数的函数,kx=ksinθ、ky、ksy一般取0、kz=kcosθ、ksz=kcosθ、ksx=ksinθ,Wn为所述高级积分方程模型中的地表相关函数的n阶傅里叶变换,为极化入射系数,其中,的表达式为:
式中,Fpq、fpq为菲涅尔反射系数。
S4:根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取所述目标区域的土壤水分数据。
由于AIEM模型较为复杂,想要获得具体土壤水分无法直接实现,在本实施例中,检测设备根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,进行土壤水分数据反演,获取所述土壤水分检测模型输出的目标区域的土壤水分数据。
请参阅图4,图4为本申请一个实施例提供的基于多源遥感技术的土壤水分检测方法中S4的流程示意图,包括步骤S401~S402,具体如下:
S401:根据所述土壤后向散射系数模拟数据集,分别构建所述HH极化下的土壤后向散射系数模拟数据集的关系式,以及所述HV极化下的土壤后向散射系数模拟数据集的关系式。
在本实施例中,检测设备基于所述土壤后向散射系数模拟数据集,确定所述土壤后向散射系数模拟数据集与土壤水分数据的关系如下:
其次,为表征地表粗糙度状况,可使用Zribi等提出的组合粗糙度Zs=s2/l表征地表粗糙度,基于所述土壤后向散射系数模拟数据集,确定所述土壤后向散射系数模拟数据集与组合粗糙度的关系如下:
其中Bpq为与土壤水分无关,与入射角相关的待定常数,f(mv)为与土壤水分相关的函数。
然后,根据所述土壤后向散射系数模拟数据集,确定所述土壤后向散射系数与土壤水分数据,组合粗糙度以及入射角之间的关系如下:
基于不同HH极化以及HV极化方式,构建分别构建所述HH极化下的土壤后向散射系数模拟数据集的关系式,以及所述HV极化下的土壤后向散射系数模拟数据集的关系式。
所述HH极化下的土壤后向散射系数模拟数据集的关系式为:
式中,为所述HH极化下的土壤后向散射系数模拟数据集,Ahh、Bhh、Chh分别为所述HH极化下的入射角参数中的第一入射系数、第二入射系数以及第三入射系数,mv为所述土壤水分数据,θ为所述入射角参数,ln(mv,θ)为与土壤水分数据相关联的函数,ln(Zs,θ)为与土壤粗糙度相关联的函数;
所述HV极化下的土壤后向散射系数模拟数据集的关系式为:
S402:将所述HH极化下的土壤后向散射系数模拟数据集的关系式,以及所述HV极化下的土壤后向散射系数模拟数据集的关系式进行相减,构建所述土壤水分检测模型。
在本实施例中,检测设备将所述HH极化下的土壤后向散射系数模拟数据集的关系式,以及所述HV极化下的土壤后向散射系数模拟数据集的关系式进行相减,消除组合粗糙度对于土壤后向散射系数的影响,构建所述土壤水分检测模型,其中,所述土壤水分检测模型为:
式中,Ahh(θ)、Bhh(θ)、Chh(θ)分别为所述HH极化下的第一入射系数、第二入射系数以及第三入射系数的函数;Ahv(θ)、Bhv(θ)、Chv(θ)分别为所述HV极化下的第一入射系数、第二入射系数以及第三入射系数的函数。
在一个可选的实施例中,Ahh(θ)、Bhh(θ)、Chh(θ)的表达式具体如下:
Ahh(θ)=3.392*sin(0.882*θ+77.159)
Bhh(θ)=5.337*sin(0.989*θ+18.218)
Chh(θ)=6.553*sin(2.709*θ+103.299)
Ahv(θ)、Bhv(θ)、Chv(θ)的表达式具体如下:
Ahv(θ)=16.843*sin(0.108*θ+24.46)
Bhv(θ)=5.816*sin(1.44*θ+27.871)
Chv(θ)=4.137*sin(0.109*θ+119.293)
请参考图5,图5为本申请一个实施例提供的基于多源遥感技术的土壤水分检测装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于多源遥感技术的土壤水分检测装置的全部或一部分,该装置5包括:
第一获取模块51,用于获取目标区域的卫星参数,其中,所述卫星参数包括入射角参数、波段频率;
第二获取模块52,用于获取所述目标区域的土壤后向散射系数数据,其中,所述土壤后向散射系数数据包括HH极化下的后向散射系数数据以及HV极化下的后向散射系数数据;
土壤后向散射系数模拟数据集构建模块53,用于根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集包括HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据;
土壤水分数据计算模块54,用于根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取所述目标区域的土壤水分数据。
在本申请实施例中,通过第一获取模块,获取目标区域的卫星参数,其中,所述卫星参数包括入射角参数;通过第二获取模块,获取所述目标区域的土壤后向散射系数数据,其中,所述土壤后向散射系数数据包括HH极化下的后向散射系数数据以及HV极化下的后向散射系数数据;通过土壤后向散射系数模拟数据集构建模块,根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集包括HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据;通过土壤水分数据计算模块,根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取所述目标区域的土壤水分数据。通过构建HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据,构建土壤水分检测模型,能够去除高植被覆盖对土壤水分反演的影响,能够更全面、更准确、更有效地实现对目标区域的土壤水分的反演。
请参考图6,图6为本申请一个实施例提供的计算机设备的结构示意图,计算机设备6包括:处理器61、存储器62以及存储在存储器62上并可在处理器61上运行的计算机程序63;计算机设备可以存储有多条指令,指令适用于由处理器61加载并执行上述图1至图4所示实施例的方法步骤,具体执行过程可以参见图1至图4所示实施例的具体说明,在此不进行赘述。
其中,处理器61可以包括一个或多个处理核心。处理器61利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器62内的指令、程序、代码集或指令集,以及调用存储器62内的数据,执行基于多源遥感技术的土壤水分检测装置5的各种功能和处理数据,可选的,处理器61可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器61可集成中央处理器61(Central Processing Unit,CPU)、图像处理器61(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器61中,单独通过一块芯片进行实现。
其中,存储器62可以包括随机存储器62(Random Access Memory,RAM),也可以包括只读存储器62(Read-Only Memory)。可选的,该存储器62包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器62可用于存储指令、程序、代码、代码集或指令集。存储器62可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器62可选的还可以是至少一个位于远离前述处理器61的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图4所示实施例的方法步骤,具体执行过程可以参见图1至图4所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (9)
1.一种基于多源遥感技术的土壤水分检测方法,其特征在于,包括以下步骤:
获取目标区域的卫星参数,其中,所述卫星参数包括入射角参数;
获取所述目标区域的土壤后向散射系数数据,其中,所述土壤后向散射系数数据包括HH极化下的后向散射系数数据以及HV极化下的后向散射系数数据;
根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集包括HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据;
根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取所述目标区域的土壤水分数据。
3.根据权利要求2所述的基于多源遥感技术的土壤水分检测方法,其特征在于,所述获取所述目标区域的植被含水量数据以及总雷达后向散射系数数据,包括步骤:
获取所述目标区域的遥感图像,以及所述遥感图像的近红外波段值、中红外波段值;
根据所述近红外波段值、中红外波段值以及预设的归一化水分指数计算算法,获取所述遥感图像的归一化水分指数,其中,所述归一化水分指数计算算法为:
式中,NDWI为所述归一化水分指数,p(NIR)为所述近红外波段值,p(MIR)为所述中红外波段值;
根据所述归一化水分指数以及预设的植被含水量计算算法,获取所述植被含水量,其中,所述植被含水量计算算法为:
mveg=e1NDWI2+e2NDWI+e3
式中,mveg为所述植被含水量,e1、e2、e3分别为第一经验参数、第二经验参数以及第三经验参数。
4.根据权利要求1所述的基于多源遥感技术的土壤水分检测方法,其特征在于:所述卫星参数还包括入射波波数以及菲涅尔反射系数。
5.根据权利要求4所述的基于多源遥感技术的土壤水分检测方法,其特征在于,所述根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集,包括步骤:
根据所述卫星参数以及预设的土壤后向散射系数模拟数据集构建模型,构建所述土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集的表达式为:
式中,为所述土壤后向散射系数模拟数据集,k为所述入射波波数,s为预设的土壤均方根高度,kx、ky、kz、ksz、ksx、ksy分别为关于所述入射角参数的函数,kx=ksinθ、ky、ksy一般取0、kz=kcosθ、ksz=kcosθ、ksx=ksinθ,Wn为所述高级积分方程模型中的地表相关函数的n阶傅里叶变换,为极化入射系数,其中,的表达式为:
式中,Fpq、fpq为菲涅尔反射系数。
6.根据权利要求1所述的基于多源遥感技术的土壤水分检测方法,其特征在于,所述根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,包括步骤:
根据所述土壤后向散射系数模拟数据集,分别构建所述HH极化下的土壤后向散射系数模拟数据集的关系式,以及所述HV极化下的土壤后向散射系数模拟数据集的关系式,其中,所述HH极化下的土壤后向散射系数模拟数据集的关系式为:
式中,为所述HH极化下的土壤后向散射系数模拟数据集,Ahh、Bhh、Chh分别为所述HH极化下的入射角参数中的第一入射系数、第二入射系数以及第三入射系数,mv为所述土壤水分数据,θ为所述入射角参数,ln(mv,θ)为与土壤水分数据相关联的函数,ln(Zs,θ)为与土壤粗糙度相关联的函数;
所述HV极化下的土壤后向散射系数模拟数据集的关系式为:
将所述HH极化下的土壤后向散射系数模拟数据集的关系式,以及所述HV极化下的土壤后向散射系数模拟数据集的关系式进行相减,构建所述土壤水分检测模型,其中,所述土壤水分检测模型为:
式中,Ahh(θ)、Bhh(θ)、Chh(θ)分别为所述HH极化下的第一入射系数、第二入射系数以及第三入射系数的函数;Ahv(θ)、Bhv(θ)、Chv(θ)分别为所述HV极化下的第一入射系数、第二入射系数以及第三入射系数的函数。
7.一种基于多源遥感技术的土壤水分检测装置,其特征在于,包括:
第一获取模块,用于获取目标区域的卫星参数,其中,所述卫星参数包括入射角参数;
第二获取模块,用于获取所述目标区域的土壤后向散射系数数据,其中,所述土壤后向散射系数数据包括HH极化下的后向散射系数数据以及HV极化下的后向散射系数数据;
土壤后向散射系数模拟数据集构建模块,用于根据所述目标区域的卫星参数,构建土壤后向散射系数模拟数据集,其中,所述土壤后向散射系数模拟数据集包括HH极化下的土壤后向散射系数模拟数据以及HV极化下的土壤后向散射系数模拟数据;
土壤水分数据计算模块,用于根据所述土壤后向散射系数模拟数据集,构建土壤水分检测模型,将所述目标区域的卫星参数以及土壤后向散射系数数据输入至土壤水分检测模型,获取所述目标区域的土壤水分数据。
8.一种计算机设备,其特征在于,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于多源遥感技术的土壤水分检测方法的步骤。
9.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于多源遥感技术的土壤水分检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365864.8A CN114740022A (zh) | 2022-04-08 | 2022-04-08 | 基于多源遥感技术的土壤水分检测方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365864.8A CN114740022A (zh) | 2022-04-08 | 2022-04-08 | 基于多源遥感技术的土壤水分检测方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114740022A true CN114740022A (zh) | 2022-07-12 |
Family
ID=82278728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210365864.8A Pending CN114740022A (zh) | 2022-04-08 | 2022-04-08 | 基于多源遥感技术的土壤水分检测方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740022A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840224A (zh) * | 2022-12-07 | 2023-03-24 | 西南交通大学 | 一种用于反演土壤水分的多目标函数变化检测方法 |
CN116484287A (zh) * | 2023-06-21 | 2023-07-25 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
CN112014542A (zh) * | 2020-06-30 | 2020-12-01 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN112488008A (zh) * | 2020-12-04 | 2021-03-12 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据融合的土壤水分测量方法及装置 |
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 |
CN113723000A (zh) * | 2021-09-01 | 2021-11-30 | 崔宁博 | 一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法 |
-
2022
- 2022-04-08 CN CN202210365864.8A patent/CN114740022A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
CN112014542A (zh) * | 2020-06-30 | 2020-12-01 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN112488008A (zh) * | 2020-12-04 | 2021-03-12 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据融合的土壤水分测量方法及装置 |
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 |
CN113723000A (zh) * | 2021-09-01 | 2021-11-30 | 崔宁博 | 一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法 |
Non-Patent Citations (2)
Title |
---|
吴善玉: "基于神经网络算法的多源遥感联合反演土壤湿度研究", 中国优秀硕士学士论文全文数据库(电子期刊网), no. 4, 15 April 2020 (2020-04-15), pages 1 - 3 * |
张友静;王军战;鲍艳松;: "多源遥感数据反演土壤水分方法", 水科学进展, vol. 21, no. 02, 31 March 2010 (2010-03-31), pages 222 - 228 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840224A (zh) * | 2022-12-07 | 2023-03-24 | 西南交通大学 | 一种用于反演土壤水分的多目标函数变化检测方法 |
CN115840224B (zh) * | 2022-12-07 | 2023-09-29 | 西南交通大学 | 一种用于反演土壤水分的多目标函数变化检测方法 |
CN116484287A (zh) * | 2023-06-21 | 2023-07-25 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
CN116484287B (zh) * | 2023-06-21 | 2023-09-01 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bao et al. | Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model | |
CN114740022A (zh) | 基于多源遥感技术的土壤水分检测方法、装置以及设备 | |
CN105606631B (zh) | 一种盐度卫星双波段亮温数据联合反演土壤水分的方法 | |
Rautiainen et al. | Crown envelope shape measurements and models | |
CN105631218B (zh) | 基于idtcm的遥感地表温度时间归一化方法 | |
Jia et al. | Rice biomass retrieval from multitemporal ground-based scatterometer data and RADARSAT-2 images using neural networks | |
Wang et al. | Biophysical estimation in tropical forests using JERS‐1 SAR and VNIR imagery. II. Aboveground woody biomass | |
CN107229913A (zh) | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 | |
CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
Wu et al. | Winter wheat LAI inversion considering morphological characteristics at different growth stages coupled with microwave scattering model and canopy simulation model | |
Yadav et al. | Assessment of red-edge vegetation descriptors in a modified water cloud model for forward modelling using Sentinel–1A and Sentinel–2 satellite data | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及系统 | |
Pádua et al. | UAS-based imagery and photogrammetric processing for tree height and crown diameter extraction | |
André et al. | Non-invasive forest litter characterization using full-wave inversion of microwave radar data | |
Zheng et al. | Quantification of the adjacency effect on measurements in the thermal infrared region | |
Zhou et al. | Analysis and optimization of NDVI definitions and areal fraction models in remote sensing of vegetation | |
Leonardo et al. | Comparison of TanDEM-X InSAR data and high-density ALS for the prediction of forest inventory attributes in plantation forests with steep terrain | |
Wang et al. | Modeling and assessment of vegetation water content on soil moisture retrieval via the synergistic use of sentinel‐1 and sentinel‐2 | |
Lin et al. | Reconstruction of a large-scale realistic three-dimensional (3-D) mountain forest scene for radiative transfer simulations | |
CN114494859A (zh) | 基于遥感数据的长时间序列积雪遥感数据集构建方法 | |
Chen et al. | Extracting corn geometric structural parameters using Kinect | |
RU2155472C1 (ru) | Способ оценки биомассы растительности | |
Bacour et al. | Information content of HyMap hyperspectral imagery | |
Chen et al. | Derivation and assessment of forest-relevant polarimetric indices using RCM compact-pol data | |
Lu et al. | Leaf area index estimation from the time-series SAR data using the AIEM-MWCM model |
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 |