CN115661674A - 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 - Google Patents
一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 Download PDFInfo
- Publication number
- CN115661674A CN115661674A CN202210690700.2A CN202210690700A CN115661674A CN 115661674 A CN115661674 A CN 115661674A CN 202210690700 A CN202210690700 A CN 202210690700A CN 115661674 A CN115661674 A CN 115661674A
- Authority
- CN
- China
- Prior art keywords
- data
- soil humidity
- irrigation
- soil
- irrigation information
- 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
Images
Landscapes
- Cultivation Of Plants (AREA)
Abstract
本发明公开一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法。首先,对MODIS卫星遥感数据产品(LST、Albedo及NDVI)进行预处理;实现多源土壤湿度产品的偏差校正及融合,构建质量可靠的土壤湿度融合数据;其次,集成现有土壤湿度降尺度方法,生成较高空间分辨率的土壤湿度降尺度数据;最后,从农田水量平衡出发,利用地面降水、自动土壤水分站观测以及田间管理数据建立农田灌溉活动监测流程,结合降尺度后的土壤湿度数据提取作物生育期灌溉信息。本发明实现了作物生育期灌溉信息的客观、可靠的提取。
Description
技术领域
本发明属于遥感数据应用技术领域,尤其涉及一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法。
背景技术
近年来,作物模型在农田管理决策、农业风险评估以及气候变化对农业影响评估等领域发挥着越来越重要的作用。现有作物模型区域应用时普遍缺乏考虑灌溉信息的空间异质性,多假设整个研究区域的作物为雨养或统一设定灌溉情景进行模拟。灌溉信息的缺失将直接影响作物模型对产量、耗水等模拟结果的准确性。现有统计资料记录的是一个地区总的作物灌溉面积,无法体现地块尺度的作物灌溉信息。联合国粮食及农业组织(Foodand Agriculture Organization, FAO)、美国地质勘探局(United States GeologicalSurvey,USGS)和国际水资源管理研究所(International Water Management Institute,IWMI)等机构发布的全球灌溉分布产品以及区域尺度灌溉面积遥感提取的研究较少涉及作物灌溉时间和灌溉量,难以满足作物模型空间扩展对于灌溉信息的需求。
目前我国农田的灌溉活动在时间及空间上的变率大,区域灌溉信息的提取难度较大。土壤湿度具有强烈的空间异质性,常规的地面观测难以实现大范围、长时间的动态监测,卫星遥感技术的发展使其成为可能。现有研究多基于可见光 /近红外卫星遥感数据,利用与土壤含水量相关的MPDI、PDI、TVDI以及VSWI等干旱指数构建灌溉阈值指标,或者利用干旱指数反演土壤含水量后再构建阈值指标识别灌溉活动。其不足之处在于:一是遥感数据反映的是植被冠层的综合信息,植被对水分胁迫的响应具有滞后性,此外植被长势不仅受土壤水分还受其它因素的影响,这种方法缺乏考虑遥感数据与土壤水分关系的物理过程机理。二是受地表粗糙度和土壤物理性质等因素变化的影响,基于可见光/近红外数据构建的干旱指数同土壤水分的相关性会发生变化,降低土壤水分反演的精度,进而影响灌溉活动监测的精度。三是利用卫星遥感监测灌溉活动,要求卫星过境时间与地面灌溉的时间要大致匹配,对数据质量和获取时间要求较高,增加了灌溉活动监测的难度。实际研究中,受卫星时空分辨率以及大气条件(如云、气溶胶、水汽等)等影响,只能获得离散日期质量符合要求的影像数据,可能导致灌溉活动监测的遗漏。还有一些研究利用雷达提取土壤水分,根据灌溉前后土壤湿度的变化实现灌溉活动的监测。受卫星遥感数据获取的时效性和灌溉信息提取方法的有效性等因素限制,现有区域灌溉信息提取结果的可靠性和准确性同农业生产的实际情况之间还存在着较大差异,制约了相关领域研究工作的进一步深入。
发明内容
(一)要解决的技术问题
本发明的目的就是为了克服上述现有技术的不足,提供一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,可以更准确的获取区域作物灌溉信息。
(二)技术方案
为了解决上述问题,本发明提供了如下技术方案,提出了一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,具体如下。
本发明针对现有作物区域灌溉信息提取过程中面临的时效性、准确性和可靠性不高的问题,提出了一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法。通过对多源土壤湿度数据进行偏差校正和融合,解决单一的数据集无法很好地体现土壤湿度变化特征的缺陷;集成多种土壤湿度降尺度方法,综合不同算法的思想优势建立融合框架,生成分辨率较高的土壤湿度降尺度数据,解决流域尺度对中高分辨率土壤湿度的需求;利用降水、自动土壤水分站观测数据构建作物灌溉时间提取流程,结合降尺度后的土壤湿度数据提取区域灌溉信息,提高区域作物灌溉信息的可靠性。
为了实现上述目的,本发明采用以下技术方案。
一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,其特征在于,包括如下步骤,
步骤1:收集整理研究区不同来源的数据,包括卫星遥感、土壤湿度产品、气象要素、自动土壤水分站、农业气象站以及大田灌溉调查数据;
步骤2:获取研究区在研究期内所有可使用的MODIS数据产品,包括地表温度LST、Albedo和归一化植被指数NDVI;
步骤3:对MODIS卫星遥感时间序列数据进行预处理;
步骤4:对多源卫星土壤湿度产品进行CDF匹配、偏差校正和贝叶斯模型平均处理,生成土壤湿度融合数据;
步骤5:土壤湿度降尺度方法的集成,具体为:通过对多元统计回归、物理和理论模型以及机器学习算法的结果采用BMA方法进行集成,结合不同算法的思想优势建立融合框架;
步骤6:基于预处理后的MODIS数据对处理后的土壤湿度融合数据进行降尺度处理,生成较高空间分辨率的土壤湿度降尺度数据;
步骤7:建立站点尺度灌溉信息提取流程,具体为利用自动土壤水分站观测数据、降水以及田间管理数据,结合土壤含水量消退规律,提取作物生育期灌溉信息;
步骤8:将建立的站点尺度灌溉信息提取流程应用到步骤6生成的土壤湿度降尺度数据,提取区域尺度的灌溉信息。
优选地,步骤3中对MODIS卫星遥感时间序列数据进行预处理具体包括:对MODIS的LST、NDVI、Albedo数据产品存在的缺值及异常值进行插补及平滑处理,使用Savitzky-Golay滤波对NDVI时间序列进行平滑处理。
优选地,多源卫星土壤湿度产品包括FY3B/MWRI、CLDAS、SMAP和NOAA SMOPS土壤湿度产品。
优选地,步骤4中对所述多源卫星土壤湿度数据进行处理和融合具体包括:先对多源卫星土壤湿度产品采用累积概率分布函数匹配方法进行偏差校正,再对偏差校正后的数据采用贝叶斯模型平均方法进行融合。
优选地,步骤7中建立站点尺度灌溉信息提取流程的具体过程为,根据小波分析检测信号突变点的原理,对信号进行多尺度分析,在信号出现突变时其小波变换后的系数具有模极大值,通过对模极大值点的检测确定信号突变点;具体实施时,使用db5小波对土壤湿度数据进行5层小波分解,根据小波分解的第5 层低频系数和第1层到第5层的高频系数进行重构,其中模极大值点对应土壤湿度数据由于灌溉活动或者降雨引起的土壤湿度数据的突然变化;在此基础上,排除掉由降水事件引起的土壤湿度水分突变对应的模极大值点,剩余的模极大值点对应灌溉活动导致的土壤湿度数据增加,即可将作物生育期的灌溉信息提取出来。
(三)有益效果
相对于现有技术而言,本发明提供的一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法具备显著积极的技术效果。现有技术多借助于构建干旱指数反演土壤湿度进而监测区域灌溉活动,其不足之处在于:一是遥感数据反映的是植被冠层的综合信息,植被对水分胁迫的响应具有滞后性,此外植被长势还受其它因素的影响;二是基于可见光/近红外数据构建的干旱指数同土壤水分的相关性会发生变化,降低土壤水分反演的精度。而本发明提供的一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,通过对多源土壤湿度产品进行偏差校正及融合,构建土壤湿度融合数据,同时集成土壤湿度降尺度方法,生成了较高空间分辨率的土壤湿度降尺度数据,这些工作为后期提取作物生育期灌溉信息提供了质量可靠的数据支撑;从农田水量平衡出发,结合地面降水、自动土壤水分站观测以及田间管理数据,利用小波分析对土壤湿度数据进行分解和重构,提取土壤湿度数据的突变点,由此得到区域尺度作物生育期灌溉信息。
附图说明
图1为本发明实施例的作物灌溉信息提取方法的流程图;
图2为本发明作物灌溉信息提取示意图;
图3为获得的黄土高原地区冬小麦生育期灌溉信息图。
具体实施方式
下面结合附图及实施案例进一步说明本发明。
如图1所示,本发明实施例提供了一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,具体步骤如下:
S1、收集整理研究区不同来源的数据,包括卫星遥感、土壤湿度产品、气象数据、自动土壤水分站、农业气象站以及大田灌溉调查等数据;
S2、获取研究区在研究期内所有可使用的MODIS数据产品,包括地表温度 LST、Albedo和归一化植被指数NDVI;
S3、对步骤2中所述MODIS卫星影像时间序列数据进行预处理,包括对地表温度LST、Albedo缺测数据进行线性插补;使用Savitzky-Golay滤波对NDVI时间序列进行平滑处理;
进一步地,对所述MODIS卫星遥感数据进行预处理包括:
对MODIS的LST、NDVI、Albedo数据产品存在的缺值及异常值进行预处理 (插补及平滑),首先对于NDVI数据的重建处理采用Timesat软件实现;其次对于Albedo数据的插补采用基于时域滤波的统计方法实现;最后对于LST数据的重建处理采用多时相重建的方法实现。
具体地,利用Savitzky-Golay滤波器(S-G滤波)对NDVI时间序列曲线进行平滑,以消除数据集中的噪声,尤其是由云污染和大气多变性引起的干扰。这种拟合过程的一般方程式如下:
式中:Yj *是重构后的数据集;yj+1为原始值;Ci为滤波系数,即第i期原始值 Yi在平滑窗口中的权重,该系数可以参考Savitzky-Golay滤波器的修正版本;N为滑动窗口的数据个数(2m+1),其中m为窗口宽度。
S4、不同来源土壤湿度产品的融合,对FY3B/MWRI、CLDAS、SMAP和NOAA SMOPS的土壤湿度产品进行CDF匹配、偏差校正和贝叶斯模型平均处理,生成土壤湿度融合数据;
进一步地,多源卫星土壤湿度数据预处理和融合包括:
首先对不同来源的土壤湿度产品(主被动微波遥感数据、陆面同化系统产品、再分析资料等)采用累积概率分布函数匹配方法对各土壤湿度产品进行偏差校正;其次对偏差校正后的CLDAS、FY-3B/MWRI、NASA SMAP以及NOAA/NESDIS SMOPS多源土壤湿度数据采用贝叶斯模型平均方法进行融合,改善土壤湿度数据质量。
S5、土壤湿度降尺度方法的集成;
进一步地,土壤湿度降尺度方法为:
通过对多元统计回归、物理和理论模型以及机器学习算法的结果采用BMA 方法进行集成,结合不同算法的思想优势建立融合框架,提高降尺度后的土壤湿度数据精度。
S6、利用步骤3处理后的MODIS数据对步骤4处理后的土壤湿度数据进行降尺度处理,生成土壤湿度降尺度数据;
S7、利用自动土壤水分站观测数据,对步骤6生成的数据进行可靠性评估;
S8、建立站点尺度灌溉信息监测流程,利用自动土壤水分站观测数据、降水以及田间管理数据,结合土壤含水量消退规律,提取作物生育期灌溉信息;
具体过程为:根据小波分析检测信号突变点的原理,对信号进行多尺度分析,在信号出现突变时其小波变换后的系数具有模极大值,通过对模极大值点的检测可以确定信号突变点。实施时首先使用db5小波对土壤湿度数据进行5层小波分解,之后根据小波分解的第5层低频系数和第1层到第5层的高频系数进行重构。其中模极大值点对应土壤湿度数据由于灌溉活动或者降雨引起的土壤湿度数据的突然变化。进一步排除掉由降水事件引起的土壤湿度水分突变对应的模极大值点,剩余的模极大值点对应由于灌溉活动导致的土壤湿度数据增加,由此可以将作物生育期的灌溉信息提取出来。
进一步地,所述步骤8中,作物生育期灌溉信息提取方法为:
具体地:黄土高原的地下水埋藏较深,一般不参与农田水循环。农田水量平衡的一般表达式为:Δω=P+I-E(旱地I=0,灌溉农田I≠0;P、I和E分别代表降水量,灌溉量和蒸散量)。在日时间尺度上,黄土高原农田土壤水分的来源主要取决于降水和灌溉活动。在作物生长过程中,如果没有发生降水过程,那么农田土壤水分的增加则主要由灌溉活动引起。结合逐日降水及土壤水分数据,排除降水因素的干扰后即可实现农田灌溉活动的监测。
由图2所示,土壤湿度在降水或灌溉前后的一定时间段内呈现先降低后增加的变化趋势,转折点为土壤湿度时间序列局部的突变点。对土壤湿度时间序列数据进行小波变化后得到的低频系数和高频系数进行重构,高频系数局部极大值点的位置对应降水或灌溉发生的时刻。排除掉降水事件后,其余极大值点即对应作物生育期间的灌溉活动,由此得到作物生育期灌溉信息。
S9、在步骤8建立的灌溉信息提取方法基础上,利用步骤6生成的土壤湿度降尺度数据提取区域灌溉信息;
S10、对步骤9生成的区域灌溉信息,采用自动土壤水分站观测数据及大田灌溉调查数据对其进行可靠性评估。
为了验证本发明的效果,本发明以黄土高原冬小麦为实验对象,提取冬小麦生育期灌溉信息。如图2所示,得到降尺度的格点土壤湿度数据后,对土壤湿度数据进行小波分解和重构,获得土壤湿度数据的小波重构系数,提取小波系数的极大值点,对应土壤湿度突变的时刻,再结合降水数据,排除掉降水因素的影响后即可提取出作物生育期灌溉信息。如图3所示,黄土高原冬小麦生育期灌溉信息空间分布表明,60.0%冬小麦为雨养,30.6%冬小麦生育期灌溉一次,6.7%冬小麦生育期灌溉两次,2.7%冬小麦生育期灌溉三次。
综上,本发明基于多源卫星土壤湿度数据的作物生育期灌溉信息提取方法。首先对MODIS卫星遥感数据产品(LST、Albedo及NDVI等)进行预处理;实现多源土壤湿度产品的偏差校正及融合,构建质量可靠的土壤湿度融合数据;其次集成现有土壤湿度降尺度方法,生成较高空间分辨率的土壤湿度降尺度数据;最后从农田水量平衡出发,利用地面降水、自动土壤水分站观测以及田间管理数据明确农田灌溉活动监测机制,结合降尺度后的土壤湿度数据提取作物生育期灌溉信息,准确掌握区域作物水分利用状况。本发明实现了作物生育期灌溉信息的客观、可靠的提取,解决了作物模型空间扩展面临的灌溉信息缺失的问题。本实施例成功提取了黄土高原冬小麦灌溉信息,为基于作物模型和陆面模式获得更为准确的区域作物水分利用状况提供可靠的数据支撑。
申请中所描述的具体实例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可对本发明所描述的具体实例做各种修改或者补充,或采用类型的方式替代,但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,其特征在于,包括如下步骤,
步骤1:收集整理研究区不同来源的数据,包括卫星遥感、土壤湿度产品、气象要素、自动土壤水分站、农业气象站以及大田灌溉调查数据;
步骤2:获取研究区在研究期内所有可使用的MODIS数据产品,包括地表温度LST、Albedo和归一化植被指数NDVI;
步骤3:对MODIS卫星遥感时间序列数据进行预处理;
步骤4:对多源卫星土壤湿度产品进行CDF匹配、偏差校正和贝叶斯模型平均处理,生成土壤湿度融合数据;
步骤5:土壤湿度降尺度方法的集成,具体为:通过对多元统计回归、物理和理论模型以及机器学习算法的结果采用BMA方法进行集成,结合不同算法的思想优势建立融合框架;
步骤6:基于预处理后的MODIS数据对土壤湿度融合数据进行降尺度处理,生成较高空间分辨率的土壤湿度降尺度数据;
步骤7:建立站点尺度灌溉信息提取流程,具体为利用自动土壤水分站观测数据、降水以及田间管理数据,结合土壤含水量消退规律,提取作物生育期灌溉信息;
步骤8:将建立的站点尺度灌溉信息提取流程应用到步骤6生成的土壤湿度降尺度数据,提取区域尺度的灌溉信息。
2.根据权利要求1所述的一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,其特征在于,步骤3中对MODIS卫星遥感时间序列数据进行预处理具体包括:对MODIS的LST、NDVI、Albedo数据产品存在的缺值及异常值进行插补及平滑处理,使用Savitzky-Golay滤波对NDVI时间序列进行平滑处理。
3.根据权利要求1所述的一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,其特征在于,多源卫星土壤湿度产品包括FY3B/MWRI、CLDAS、SMAP和NOAA SMOPS土壤湿度产品。
4.根据权利要求1所述的一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,其特征在于,步骤4中对所述多源卫星土壤湿度数据进行处理和融合具体包括:先对多源卫星土壤湿度产品采用累积概率分布函数匹配方法进行偏差校正,再对偏差校正后的数据采用贝叶斯模型平均方法进行融合。
5.根据权利要求1所述的一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法,其特征在于,步骤7中建立站点尺度灌溉信息提取流程的具体过程为,根据小波分析检测信号突变点的原理,对信号进行多尺度分析,在信号出现突变时其小波变换后的系数具有模极大值,通过对模极大值点的检测确定信号突变点;具体实施时,使用db5小波对土壤湿度数据进行5层小波分解,根据小波分解的第5层低频系数和第1层到第5层的高频系数进行重构,其中模极大值点对应土壤湿度数据由于灌溉活动或者降雨引起的土壤湿度数据的突然变化;在此基础上,排除掉由降水事件引起的土壤湿度数据突变对应的模极大值点,剩余的模极大值点对应灌溉活动导致的土壤湿度数据增加,即可将作物生育期的灌溉信息提取出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210690700.2A CN115661674A (zh) | 2022-05-20 | 2022-05-20 | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210690700.2A CN115661674A (zh) | 2022-05-20 | 2022-05-20 | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661674A true CN115661674A (zh) | 2023-01-31 |
Family
ID=85024075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210690700.2A Pending CN115661674A (zh) | 2022-05-20 | 2022-05-20 | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661674A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633449A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 基于Spark-Cassandra框架的DE-DOA改进RRDBNet降水数据降尺度方法 |
-
2022
- 2022-05-20 CN CN202210690700.2A patent/CN115661674A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633449A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 基于Spark-Cassandra框架的DE-DOA改进RRDBNet降水数据降尺度方法 |
CN117633449B (zh) * | 2024-01-25 | 2024-04-12 | 南京信息工程大学 | 基于Spark-Cassandra框架的DE-DOA改进RRDBNet降水数据降尺度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
Phung et al. | Monitoring rice growth status in the Mekong Delta, Vietnam using multitemporal Sentinel-1 data | |
Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
TAO et al. | Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data | |
Zhang et al. | Improving regional wheat yields estimations by multi-step-assimilating of a crop model with multi-source data | |
CN111142106B (zh) | 一种基于合成孔径雷达时序数据的水稻自动识别方法 | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
Lara et al. | Regional patterns of ecosystem functional diversity in the Argentina Pampas using MODIS time-series | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
Deng et al. | Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel | |
CN114926743A (zh) | 一种基于动态时间窗口的作物分类方法及系统 | |
CN112418016A (zh) | 基于sar的灌溉信息提取方法及装置 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
Karkee et al. | Quantifying sub-pixel signature of paddy rice field using an artificial neural network | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
Stepanov et al. | Function fitting for modeling seasonal normalized difference vegetation index time series and early forecasting of soybean yield | |
Liang et al. | MODIS aerosol optical depth retrieval based on random forest approach | |
TAO et al. | Fusing multi-source data to map spatio-temporal dynamics of winter rape on the Jianghan Plain and Dongting Lake Plain, China | |
CN116403048A (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
Qin et al. | Inundation impact on croplands of 2020 flood event in three Provinces of China |
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 |