CN115326721A - 一种作物水分胁迫估算的方法 - Google Patents
一种作物水分胁迫估算的方法 Download PDFInfo
- Publication number
- CN115326721A CN115326721A CN202210932633.0A CN202210932633A CN115326721A CN 115326721 A CN115326721 A CN 115326721A CN 202210932633 A CN202210932633 A CN 202210932633A CN 115326721 A CN115326721 A CN 115326721A
- Authority
- CN
- China
- Prior art keywords
- evapotranspiration
- water stress
- data
- crop water
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 208000005156 Dehydration Diseases 0.000 title claims abstract description 40
- 239000002689 soil Substances 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000005855 radiation Effects 0.000 claims description 13
- 230000004907 flux Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000003702 image correction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000010839 reverse transcription Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010792 warming Methods 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种作物水分胁迫估算的方法，包括以下步骤：获取遥感数据及预处理：获取薄云较少覆盖的多光谱遥感影像和对应研究区的气象数据，并进行预处理；基于NP法获取实际蒸散：采用非参数蒸散反演法获取实际蒸散，潜在蒸散是通过改进的彭曼‑蒙蒂斯组合获取；以获得的实际蒸散和潜在蒸散作为输入变量，构建新型作物水分指数，对研究区的干旱情况进行监测；利用地表实测的实际蒸散数据对RS‑NP法进行直接验证，采用地表实测的土壤水分数据计算与新型作物水分胁迫指数的相关性，对RS‑PM法的结果进行精度评定和交叉验证。本发明基于RS‑NP法和RS‑PM法构建了NM‑CWSI法，在地表复杂的地区也能快速且高精度地监测干旱变化情况。
Description
技术领域
本发明涉及遥感估算方法，具体为一种作物水分胁迫估算的方法。
背景技术
农业干旱灾害是世界上发生频率最高、持续时间最长、影响范围最广的自然灾害。在全球气候变暖背景下，极端天气频繁发生，农业干旱灾害的发生频率和影响范围都在不断加大，这是人类当前所面临最严峻的问题之一。长期以来，传统方式监测农业干旱利用气象站点的观测记录进行数据统计分析，然而气象站点数量有限，无法覆盖所有地区，其代表性较差。卫星遥感技术具有观测范围广、获取信息量大、速度快、实时性好、动态性强等优点，可以很好地实现对干旱地区的监测。
现有的监测干旱的方法主要是采用温度植被干旱指数法(TVDI)和传统的作物胁迫指数估算法(CWSI)。TVDI法是地表温度和植被指数之间的空间关系的基础上推导得出的，该指数与土壤水分含量密切相关，可以指示植被水分胁迫程度，并较好地描述农业干旱情况，但此方法关键在于边界的确定，但边界确定受散点图影响较大，因此计算结果的精度不稳定。传统的CWSI法认为作物在潜在蒸发条件下的冠层温度与大气温度之差和空气饱和水汽压差存在线性关系，此方法理论基础是冠层能量平衡单层模型，遥感反演得到冠层温度结合气象数据以综合反映土壤深层水分含量，有明确的物理意义和相对较高的精度，但该模型复杂的计算过程、较多的输入数据、较差的适用性，以及气象站点等数据的局限性，限制了该模型的实时应用。
总的来说，现有的监测干旱的方法边界确定受散点图影响较大，计算结果的精度不稳定，模型复杂，适用性差，气象站点等数据局限。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明的目的是提供一种基于非参数蒸散反演法(NP)、便于高精度监测目标研究区干旱情况的作物水分胁迫估算的方法。
技术方案：本发明所述的一种作物水分胁迫估算的方法，包括以下步骤：
步骤一，获取遥感数据及预处理：获取薄云较少覆盖的多光谱遥感影像和对应研究区的气象数据，并进行预处理；
步骤二，基于NP法获取实际蒸散：采用非参数蒸散反演法获取实际蒸散，潜在蒸散是通过改进的彭曼-蒙蒂斯组合(PM)获取；
步骤三，构建新型作物水分胁迫指数：以步骤二中获得的实际蒸散和潜在蒸散作为输入变量，构建新型作物水分指数，对研究区的干旱情况进行监测，新型作物水分胁迫指数的计算公式如下：
其中，CWSI为新型作物水分胁迫指数，ETd为实际蒸散量即日蒸散量，ETp为潜在蒸散量；
步骤四，精度评价和交叉验证：利用地表实测的实际蒸散数据对RS-NP(遥感非参数化)法进行直接验证，采用地表实测的土壤水分数据计算与新型作物水分胁迫指数的相关性，采用MOD16-PET产品对RS-PM法的结果进行精度评定和交叉验证。
进一步地，步骤一中，采用的预处理包括影像的校正、镶嵌、裁剪、重采样、格式转化，对原始遥感影像的多光谱影像进行校正，使分辨率相同，根据研究区大小来确定是否需要进行镶嵌，最后统一裁剪至同一研究区域。多光谱遥感影像包括Landsat8数据和CLDAS数据。Landsat8数据的空间分辨率为30米，CLDAS数据的空间分辨率为8km。
由于NP法涉及参数少，且避免了传统反演模型存在的阻抗参数化计算复杂、误差来源难以辨析及模型修正困难的问题，因此采用NP法获取实际蒸散，采用PM法获取潜在蒸散，通过获得实际蒸散和潜在蒸散为构建新型作物水分胁迫指数做准备。步骤二中，非参数蒸散反演法的计算公式为：
其中，LE为潜热通量也就是我们所研究的蒸散。Rn为地表净辐射，Gs为土壤热通量，Ts为地表温度，ε为地表发射率，σ为斯忒藩-玻尔兹曼常数，T0为近地表大气温度，Δ为Ta处的饱和水气压梯度，γ为干湿球常数通过遥感数据对地表净辐射进行定量反演。
进一步地，饱和水汽压梯度Δ的计算公式为：
其中，T0为近地表大气温度。
进一步地，干湿球常数γ的计算公式为：
其中，CP为常压下的定压比热容，P为近地表大气压，εaw为水汽和空气分子重量的比率。
进一步地，地表发射率ε的计算公式为：
其中，aλ将反射率波段ρλ转变为发射率的系数，c是将反射率波段ρλ转变为发射率的常数，εv是植被组分的发射率，εg是背景组分发射率，dε是一个像素中多散射造成的空洞效应导致的反射率增量，f是植被覆盖度，NDVI为归一化植被指数，NDVIs 是裸土像元的NDVI值，NDVIv是植被像元的NDVI值。
进一步地，植被覆盖度f的计算公式为：
f＝[(NDVI-NDVIs)/(NDVIv-NDVIs)]2。
进一步地，步骤四中，精度评定和交叉验证的指标包括决定系数、平均误差、均方根误差和相对误差百分比。
有益效果：本发明和现有技术相比，具有如下显著性特点：
1、能够提升蒸散反演的精度，基于Landsat8数据的RS-NP实际蒸散和RS-PM潜在蒸散的反演精度较高，RS-NP反演的实际蒸散与站点实测数据的相关系数R2为0.968，平均误差为8.29W/m2，均方根误差为21.14W/m2，相对误差为5.12％，基于RS-PM反演的潜在蒸散与站点实测数据的相关系数R2为0.872，平均误差为-37.06W/m2，均方根误差为83.65W/m2，相对误差为10.61％；
2、能够克服传统监测干旱方法的局限性，基于RS-NP法和RS-PM法构建了 NM-CWSI法，避免了计算复杂及适用性较差的问题，使得本发明的方法在地表复杂的地区也能快速且高精度地监测干旱变化情况。
附图说明
图1是本发明的技术路线图；
图2是本发明的实际蒸散和潜在蒸散的反演总体情况图，其中，(a)实际蒸散， (b)潜在蒸散；
图3是本发明的不同方法结果定量对比图，其中，(a)假彩色影像，(b)NM-CWSI 法，(c)理论CWSI法，(d)TVDI法；
图4是本发明的不同方法结果与土壤水分数据的散点图，其中，(a)NM-CWSI 法，(b)理论CWSI法，(c)TVDI法；
图5是本发明的不同下垫面各站点NM-CWSI法与实际土壤含水量拟合图，其中，(a)森林站，(b)农田站，(c)草地站；
图6是本发明的不同高程各站点NM-CWSI法与实际土壤含水量拟合图，其中，(a)农田站，(b)大满站，(c)黄藏寺站。
具体实施方式
对黑河流域进行新型作物胁迫指数计算，作物水分胁迫估算的方法如图1所示，具体包括以下步骤：
步骤1：获取黑河流域Landsat 8多光谱遥感影像和CLADS气象数据，并进行预处理。所采用的预处理主要包括影像的格式转化、校正、镶嵌和裁剪等操作。所需要的数据包括Landsat8数据和CLDAS数据。Landsat8数据的获取来自于网址： https：//glovis.usgs.gov/，其空间分辨率为30米。CLDAS数据为陆面数据同化产品，由国家气象信息中心生产与发布，空间分辨率约为8km。其中需要对Landsat8数据进行大气校正，对CLDAS气象数据进行重采样，将其分辨率采样到与Landsat8数据相同的30 米分辨率上。运用遥感软件ENVI对遥感影像进行一系列的预处理，对原始遥感影像的多光谱影像进行校正，根据研究区大小来确定是否需要进行镶嵌，最后将多光谱遥感影像和CLADS影像统一裁剪至同一研究区域。
步骤2：基于NP法获取实际蒸散和潜在蒸散。由于作物胁迫指数的计算需要实际蒸散量，为了构建更优的指示作物水分胁迫的模型，基于Landsat 8数据采用RS-NP法获取实际蒸散。RS-NP法的公式和原理如下：
式中，LE为潜热通量也就是我们所研究的蒸散。Rn为地表净辐射，Gs为土壤热通量，Ts为地表温度，ε为地表发射率，σ为斯忒藩-玻尔兹曼常数，T0为近地表大气温度，Δ为Ta处的饱和水气压梯度，γ为干湿球常数通过遥感数据对地表净辐射进行定量反演。而饱和水汽压梯度和干湿球常数通常表示为：
式中，CP为常压下的定压比热容(1.013×10-3MJkg-1K-1)，P为近地表大气压，εaw为水汽和空气分子重量的比率(约0.622)。
地表发射率ε的计算公式如下：
其中，aλ和c分别是将反射率波段ρλ转变为发射率的系数和常数，εv和εg分别是植被组分的发射率和背景组分发射率，dε是一个像素中多散射造成的空洞效应导致的反射率增量，f是植被覆盖度计算公式如下：
f＝((NDVI-NDVIs)/(NDVIv-NDVIs))2
其中，NDVIs和NDVIv分别代表的是裸土像元和植被像元的NDVI值。
基于地表能量平衡，地表净辐射可以通过地表短波辐射和地表长波辐射表示：
Rn＝(1-α)Rsd+Rld-εσT3 4
式中，α为地表反照率，Rsd为地表短波下行辐射，Rld为地表长波下行辐射
I0是太阳常数(约为1367W/m2)，d是太阳到地球距离，θ是太阳入射角。
τsw是大气透过率，公式计算如下：
Kt是矫正系数(0＜Kt≤1.0)，晴空条件下Kt＝1，云空条件下Kt-0.5，W是大气水汽含量，计算公式如下：
W＝0.14e0·P+2.1
地表长波下行辐射Rld的计算公式如下：
Rld＝σεaT0 4
式中T0由CLDAS提供，εa为近地表的大气发射率，可由下面的公式计算：
式中e0为近地表水气压，可由下面的公式计算：
式中，P为近地表大气压由CLDAS提供，q为比湿也为CLDAS数据。
计算可用能量所需的另一项参数是土壤热通量，土壤热通量的计算公式如下：
式中，NDVI为归一化植被指数。
以上是基于Landsat数据RS-NP模型的全部公式。其中潜在蒸散是通过改进的彭曼-蒙蒂斯组合获取的。
基于RS-NP法和RS-PM法来获取实际蒸散和潜在蒸散，并采用决定系数(R2)、平均误差(ME)、均方根误差(RMSE)和相对误差百分比(RE)对其进行精度评价。如图 2(a)是实际蒸散反演总体情况图。图中横轴为使用RS-NP模型反演得到的实际蒸散值，纵轴为地表观测实际蒸散值。散点图的趋势线接近1∶1线，存在轻微低估的现象。实际蒸散反演结果总体与实验区站点实际观测值较接近，其相关系数R2为0.968，表明 RS-NP实际蒸散反演方法与站点实测值之间有着很高的正相关关系。反演的平均误差为 8.29W/m2，均方根误差为21.14W/m2，相对误差为5.12％，远低于主流的蒸散反演估算 15％～40％的误差。如图2(b)是潜在蒸散反演总体情况图。图中横轴为使用RS-PM模型反演得到的潜在蒸散值，纵轴为MOD16产品潜在蒸散值。散点图的趋势线接近1∶1 线，存在轻微低估的现象。潜在蒸散反演结果总体与实验区站点实际观测值较接近，其相关系数R2为0.872，表明RS-PM潜在蒸散反演方法与MOD16潜在蒸散产品之间有着很高的正相关关系。反演的平均误差为-37.06W/m2，均方根误差为83.65W/m2，相对误差为10.61％，表明基于Landsat8的RS-PM模型的潜在蒸散反演结果与MOD16-PET产品的模拟精度较高，与实际情况较相符。可用于CWSI模型的构建。
步骤3：构建新型作物水分胁迫指数CWSI，其公式如下所示：
式中，ETd为实际蒸散量即日蒸散量(mm/d)；RTp为潜在蒸散量(mm/d)。
CWSI的实质是通过反演实际日蒸散量与潜在蒸散量的比值，把作物根系处的土壤含水量通过植被冠层的温度转化体现。由CWSI定义可知，其取值范围为0～1。
从步骤3中得到的是瞬时的实际蒸散和潜在蒸散，但为了计算CWSI指数，要将瞬时的蒸散转化为日蒸散。本发明采用蒸发比率法扩展地表蒸散的时间范围，该方法采用公式如下：
式中，LE为瞬时蒸散，Rn为瞬时短波净辐射，Rnd为白天的日净辐射，LEd为白天的日蒸散，由于夜晚蒸散发很小，故在长时间尺度上，白天的日蒸散即认为是全天的日蒸散。其中Rnd可由下面的公式计算得到：
式中，t过境，t日出，t日落分别为卫星经过研究区的时间，研究区内的日出时间，研究区内的日落时间。
以上公式中得到的LE实际上都是潜热通量，单位为W/m2，而ET为蒸散值，单位为mm，故需要将LE进行单位转换得到ET，由此就得到了日尺度的潜在蒸散和实际蒸散数据，带入CWSI指数的公式中，即可得出新型作物水分胁迫指数。
图3为其他传统的方法与本发明提出的新型作物胁迫指数模型的定量对比图。从图 3中可以看出，深蓝色区域为水分充足区域，暂时无需灌溉，浅蓝色区域表示作物遭受水分胁迫程度较轻，可以适量灌溉，而鹅黄色区域则表示作物遭受水分胁迫程度较重，需要及时灌溉。CWSI两种模型对于农田植被区与非植被区的区分一致且明确，其中 NM-CWSI模型对于各不同程度的胁迫区分界限清晰，而CWSI理论模型对于小面积的差异变化敏感性较低，TVDI则对于非植被区的界线模糊，且在某些边界区域存在反向趋势。综上所述，NM-CWSI模型能更好地指示作物水分胁迫区域及其程度，并为精准农业、智能农业提供相应的技术支持。
步骤4：精度评价和交叉验证。对于遥感反演结果是否较好是通过定性和定量两个方面进行评价的。定性评价是指作物水分胁迫指数反演的结果图中是否与实际真彩色影像特征一致。那么定量评价指的是通过一些数学统计公式计算出的指标来进行评价的。那么就选取决定系数(R2)、平均误差(ME)、均方根误差(RMSE)和相对误差百分比 (RE)来对实际蒸散、潜在蒸散和作物水分胁迫指数结果进行评价。
决定系数R2是评价反演值与地表观测值之间的一致性。其R2的取值位于(0，1)，当R2的取值越接近1，表明反演值与实测值的相关性越大，证明结果越好。公式如下：
式中Y和Y真分别为反演值和真值，
为观测值的均值，N为像元个数。
平均误差ME反映了反演结果和地表观测之间的平均差别，均方根误差RMSE对观测值的特大或特小误差非常敏感，用来衡量计算值与观测值之间的离散程度。相对误差 RE为平均误差与观测值之比，用百分数表示。一般而言，相对误差能更好地反映反演结果的可靠性。
式中，Y为反演值，Y真为站点观测值，N为遥感蒸散反演值或站点观测值的个数。
采用地表实测的土壤水分数据计算与NM-CWMI结果的相关性。如图4所示，为三种方法的结果与土壤水分数据的散点图。图4(a)是NM-CWSI改进模型反演值与土壤含水量拟合情况，得到黑河流域土壤水分含量与NM-CWSI模型的相关性为-0.8，且通过了置信度水平为0.05的显著性检验。说明NM-CWSI模型能正确描述作物水分胁迫程度高低的空间分布，且准确度较好。图4(b)是CWSI理论模型反演值与实际土壤含水量拟合情况，得到黑河流域土壤水分与CWSI理论模型的相关性为-0.691，且通过了置信度水平为0.05的显著性检验。说明CWSI理论模型也能正确描述作物水分胁迫程度高低的空间分布，但NM-CWSI模型反演得到的CWSI对黑河流域的作物水分胁迫模拟表达精度高于CWSI理论模型。图4(c)TVDI模型反演值与土壤含水量拟合情况，得到黑河流域土壤水分与TVDI模型的相关性为-0.6459。说明TVDI模型能较好描述作物水分胁迫程度高低的空间分布，但NM-CWSI模型反演得到的CWSI对黑河流域的作物水分胁迫模拟表达精度为-0.834，高于TVDI模型。故整体来看，NM-CWSI模型能更好的指示作物水分胁迫程度。
步骤5：新型作物胁迫指数的适用性分析。分别从不同下垫面和高程两方面来探究新型作物胁迫指数的适用性。图5是不同下垫面各站点NM-CWSI模型与实际土壤含水量拟合情况。三种下垫面类型的各个站点CWSI反演结果的R2均在-0.85以上，表明 NM-CWSI模型反演得到的作物水分胁迫指数与土壤表层水分实测值相关性较高。图6 是不同海拔农田站点NM-CWSI模型与实际土壤含水量拟合情况。R2从高到低依次为农田、森林、草地，其中农田的R2达到-0.91。三种海拔高度的农田类型站点的基于NM-CWSI 模型的作物水分胁迫反演结果与实测土壤含水量的相关性均在-0.7以上。其中大满站的反演结果相关性最高，农田站与黄藏寺站的反演结果相关性则较低，黄藏寺站的反演结果精度最低。三个站点的海拔高度从高到低依次为黄藏寺站、大满站、农田站。由此可知，海拔高程对NM-CWSI作物水分胁迫估算模型的反演精度影响不大。
从整体上来看，无论从定性分析还是定量分析的角度，相比于其他监测农业干旱的方法，本发明提出的新型作物胁迫指数更能有效地指示作物水分的胁迫程度。
Claims (10)
1.一种作物水分胁迫估算的方法，其特征在于，包括以下步骤：
步骤一，获取薄云较少覆盖的多光谱遥感影像和对应研究区的气象数据，并进行预处理；
步骤二，采用非参数蒸散反演法获取实际蒸散，潜在蒸散是通过改进的彭曼-蒙蒂斯组合获取；
步骤三，以步骤二中获得的实际蒸散和潜在蒸散作为输入变量，构建新型作物水分指数，对研究区的干旱情况进行监测，新型作物水分胁迫指数的计算公式如下：
其中，CWSI为新型作物水分胁迫指数，ETd为实际蒸散量即日蒸散量，ETp为潜在蒸散量；
步骤四，利用地表实测的实际蒸散数据对RS-NP法进行直接验证，采用地表实测的土壤水分数据计算与新型作物水分胁迫指数的相关性，对RS-PM法的结果进行精度评定和交叉验证。
2.根据权利要求1所述的一种作物水分胁迫估算的方法，其特征在于：所述步骤一中，采用的预处理包括影像的校正、镶嵌、裁剪、重采样、格式转化，对原始遥感影像的多光谱影像进行校正，使分辨率相同，根据研究区大小来确定是否需要进行镶嵌，最后统一裁剪至同一研究区域。
3.根据权利要求1所述的一种作物水分胁迫估算的方法，其特征在于：所述步骤一中，多光谱遥感影像为Landsat8数据，气象数据为CLDAS数据。
4.根据权利要求3所述的一种作物水分胁迫估算的方法，其特征在于：所述步骤一中，所述Landsat8数据的空间分辨率为30米，所述CLDAS数据的空间分辨率为8km。
5.根据权利要求1所述的一种作物水分胁迫估算的方法，其特征在于：所述步骤二中，非参数蒸散反演法的计算公式为：
其中，LE为潜热通量也就是我们所研究的蒸散。Rn为地表净辐射，Gs为土壤热通量，Ts为地表温度，ε为地表发射率，σ为斯忒藩-玻尔兹曼常数，T0为近地表大气温度，Δ为Ta处的饱和水气压梯度，γ为干湿球常数通过遥感数据对地表净辐射进行定量反演。
6.根据权利要求5所述的一种作物水分胁迫估算的方法，其特征在于：所述饱和水汽压梯度Δ的计算公式为：
其中，T0为近地表大气温度。
7.根据权利要求5所述的一种作物水分胁迫估算的方法，其特征在于：所述干湿球常数γ的计算公式为：
其中，CP为常压下的定压比热容，P为近地表大气压，εaw为水汽和空气分子重量的比率。
8.根据权利要求5所述的一种作物水分胁迫估算的方法，其特征在于：所述地表发射率ε的计算公式为：
其中，aλ将反射率波段ρλ转变为发射率的系数，c是将反射率波段ρλ转变为发射率的常数，εv是植被组分的发射率，εg是背景组分发射率，dε是一个像素中多散射造成的空洞效应导致的反射率增量，f是植被覆盖度，NDVI为归一化植被指数，NDVIs是裸土像元的NDVI值，NDVIv是植被像元的NDVI值。
9.根据权利要求8所述的一种作物水分胁迫估算的方法，其特征在于：所述植被覆盖度f的计算公式为：
f＝[(NDVI-NDVIs)/(NDVIv-NDVIs)]2。
10.根据权利要求5所述的一种作物水分胁迫估算的方法，其特征在于：所述步骤四中，精度评定和交叉验证的指标包括决定系数、平均误差、均方根误差和相对误差百分比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932633.0A CN115326721A (zh) | 2022-08-04 | 2022-08-04 | 一种作物水分胁迫估算的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932633.0A CN115326721A (zh) | 2022-08-04 | 2022-08-04 | 一种作物水分胁迫估算的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115326721A true CN115326721A (zh) | 2022-11-11 |
Family
ID=83921918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210932633.0A Pending CN115326721A (zh) | 2022-08-04 | 2022-08-04 | 一种作物水分胁迫估算的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115326721A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473256A (zh) * | 2023-10-23 | 2024-01-30 | 中国水利水电科学研究院 | 一种优化蒸发胁迫指数的计算方法 |
-
2022
- 2022-08-04 CN CN202210932633.0A patent/CN115326721A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473256A (zh) * | 2023-10-23 | 2024-01-30 | 中国水利水电科学研究院 | 一种优化蒸发胁迫指数的计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moazami et al. | A comprehensive evaluation of GPM-IMERG V06 and MRMS with hourly ground-based precipitation observations across Canada | |
| Cui et al. | Estimation of actual evapotranspiration and its components in an irrigated area by integrating the Shuttleworth-Wallace and surface temperature-vegetation index schemes using the particle swarm optimization algorithm | |
| Zhuo et al. | Crop yield prediction using MODIS LAI, TIGGE weather forecasts and WOFOST model: A case study for winter wheat in Hebei, China during 2009–2013 | |
| Long et al. | A two-source trapezoid model for evapotranspiration (TTME) from satellite imagery | |
| Li et al. | Assessing the performance of satellite-based precipitation products and its dependence on topography over Poyang Lake basin | |
| Liaqat et al. | Surface energy fluxes in the Northeast Asia ecosystem: SEBS and METRIC models using Landsat satellite images | |
| 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 | |
| Mao et al. | Coupled LAI assimilation and BEPS model for analyzing the spatiotemporal pattern and heterogeneity of carbon fluxes of the bamboo forest in Zhejiang Province, China | |
| CN103994976A (zh) | 基于modis数据的农业旱情遥感监测方法 | |
| Xiong et al. | Estimation and validation of land surface evaporation using remote sensing and meteorological data in North China | |
| Sakamoto et al. | Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data | |
| CN110927120B (zh) | 一种植被覆盖度预警方法 | |
| Han et al. | Monitoring model of corn lodging based on Sentinel-1 radar image | |
| AU2016273991A1 (en) | Detection of environmental conditions | |
| CN109871637A (zh) | 一种云天条件下近地面气温估算方法 | |
| Feng et al. | A UAV-derived thermal infrared remote sensing three-temperature model and estimation of various vegetation evapotranspiration in urban micro-environments | |
| Zhang et al. | Comprehensive evaluation of mainstream gridded precipitation datasets in the cold season across the Tibetan Plateau | |
| CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及系统 | |
| Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
| Hou et al. | Estimation of crop transpiration and its scale effect based on ground and UAV thermal infrared remote sensing images | |
| Yao et al. | Satellite detection of water stress effects on terrestrial latent heat flux with MODIS shortwave infrared reflectance data | |
| Wolff et al. | Optimized algorithm for evapotranspiration retrieval via remote sensing | |
| Feng et al. | Performance of the improved two-source energy balance model for estimating evapotranspiration over the heterogeneous surface | |
| Yao et al. | A novel NIR–red spectral domain evapotranspiration model from the Chinese GF-1 satellite: Application to the Huailai agricultural region of China | |
| Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach |
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 |