CN116027010A - 一种多源卫星测量土壤水分的数据校正方法 - Google Patents

Abstract

本发明公开了一种多源卫星测量土壤水分的数据校正方法，通过对卫星遥感反演的土壤水分数据和实测的土壤介电常数通过数学方法进行线性拟合，建立土壤介电常数与卫星遥感反演的土壤水分数据之间的关系，并将所得的介电常数数据代入体积含水率‑介电常数关系函数计算，从而得到准确的土壤含水量信息。本发明能够对研究区土壤进行大范围的、更精准的快速测量，有助于推动星遥感反演土壤水分产品在农业、气象、水利等行业的应用拓展。

Description

一种多源卫星测量土壤水分的数据校正方法

技术领域

本发明涉及土壤水分测量技术领域，具体而言涉及一种多源卫星测量土壤水分的数据校正方法。

背景技术

土壤水分是陆地表面水循环的关键参数，传统的土壤水分测量方法包括称重法、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检测。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。

公开号为CN114740022A的发明中公开了一种基于多源遥感技术的土壤水分检测方法、装置以及设备，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，该发明能够更全面、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。但是该发明并没有考虑到环境参数对土壤含水率的影响，也没有考虑到不同卫星遥感图像和研究区的匹配性问题。

发明内容

本发明针对现有技术中的不足，提供一种多源卫星测量土壤水分的数据校正方法，结合环境参数和研究区地域特性自适应地选择最优卫星遥感数据，再分别建立土壤介电常数和卫星遥感反演的土壤反演数据、土壤介电常数与实际土壤含水量数据之间的关系模型，从而能够对研究区土壤进行大范围的、更精准的快速测量，有助于推动星遥感反演土壤水分产品在农业、气象、水利等行业的应用拓展。

为实现上述目的，本发明采用以下技术方案：

一种多源卫星测量土壤水分的数据校正方法，所述数据校正方法包括以下步骤：

在不同时段不同环境参数下，采集n个卫星的遥感数据，预处理后分别反演得到未校正的研究区内不同观测点的土壤水分反演数据X_i，j，i＝1，2，...，n；同时，采用人工烘干法获得研究区区域内不同观测点的的土壤水分真实数据Y_j，采用TDR仪器测量得到测量得到研究区区域内不同观测点的土壤的介电常数m是观测点数量；根据土壤水分真实数据Y_j计算得到研究区区域内不同观测点的土壤水分的体积含水率

S2，结合步骤S1获得的多组土壤水分真实量Y_j和土壤水分的介电常数拟合得到研究区范围内不同观测点的土壤真实含水量Y_j与介电常数的平方根之间的线性关系函数公式：式中，a和b为无量纲的影响参数；

S3，构建得到研究区区域内不同观测点的土壤水分的体积含水率与土壤的介电常数之间的经验关系模型：

S3，结合步骤S1获得的不同时段不同环境参数下的土壤水分反演数据X_i，j和土壤水分真实数据Y_j，构建不同卫星的土壤水分修正模型：Y_j＝c_iX_i，j ³+d_iX_i，j ²+e_iX_i，j+f_i，式中，c_i、d_i、e_i、f_i为无量纲的影响参数；

S4，结合步骤S2中的线性关系函数公式和步骤S3中的土壤水分修正模型，得到不同卫星对应的土壤体积含水量计算公式：

S5，采集当前时段t的n个卫星的遥感数据，结合以当前时段t为终点的前K个时段的环境参数，选择最优卫星遥感数据，预处理后反演得到研究区区域内的土壤水分数据X_i，j(t)，将土壤水分数据X_i，j(t)代入相应卫星的卫星遥感反演土壤水分数据计算公式，计算得到当前时段t的校正后的研究区区域内的土壤体积含水量θ_i，j(t)。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S1中，卫星的遥感数据包括哨兵2号、Landsat 8采集到的研究区内的遥感图像数据。

进一步地，步骤S1中，预处理的过程包括以下步骤：

对哨兵2号的遥感数据进行辐射定标和大气校正，将大气校正后的遥感数据转换成相应的遥感图像数据，再统一设置各波段的空间分辨率；

对Landsat 8采用到的遥感数据进行大气校正。

进一步地，步骤S3中，构建得到研究区区域内不同观测点的土壤水分的体积含水率与土壤的介电常数之间的经验关系模型的过程包括以下步骤：

S31，选取多个体积含水率和介电常数的经验关系模型；

S32，针对每个观测点，将步骤S1中采集到的该观测点的土壤水分的体积含水率和土壤的介电常数分别代入多个经验关系模型；计算每个模型对应的均方根误差，将均方根误差最小的经验关系模型选定为该观测点的土壤水分的体积含水率与土壤的介电常数之间的经验关系模型。

进一步地，所述环境参数包括研究区各观测站点的蒸发量、雨量和植被密度。

进一步地，步骤S5中，结合以当前时段为终点的前K个时段的环境参数，选择最优卫星遥感数据的过程包括以下步骤：

S51，针对同一时段不同观测点的每个土壤水分反演数据X_i，j，采用相应卫星对应的土壤体积含水量计算公式计算得到不同观测点的土壤体积含水量θ_i，j，计算其与测量得到的不同观测点的土壤水分的体积含水率之间的差值，根据差值标定土壤水分反演数据X_i，j的精准度等级；

S52，统计同一时段不同卫星的遥感图像对应的所有观测点的土壤水分反演数据的精准度等级，计算得到该遥感图像的匹配度等级，将匹配度等级最高的卫星的遥感图像选定为正样本图像，将匹配度等级最低的卫星的遥感图像选定为负样本图像；

S53，获取所有正样本图像和负样本图像对应的以遥感图像采集时段为终点的前K个时段的环境参数序列，生成训练正样本和训练负样本，构建得到训练数据集；

S54，基于神经网络构建遥感卫星匹配模型，输入为以当前时段为终点的前K个时段的环境参数序列，输出为正样本图像对应的卫星型号，导入训练数据集对遥感卫星匹配模型进行训练；

S55，将当前时段为终点的前K个时段的环境参数序列导入遥感卫星匹配模型，选择当前时段对应的最优卫星遥感数据。

本发明的有益效果是：

第一，本发明的多源卫星测量土壤水分的数据校正方法，分别建立土壤介电常数和卫星遥感反演的土壤反演数据、土壤介电常数与实际土壤含水量数据之间的关系模型，从而能够对研究区土壤进行大范围的、更精准的快速测量，有助于推动星遥感反演土壤水分产品在农业、气象、水利等行业的应用拓展。

第二，本发明的多源卫星测量土壤水分的数据校正方法，能够基于神经网络模型，结合环境参数和研究区地域特性自适应地选择最优卫星遥感数据，进一步提高测量结果的准确性。

附图说明

图1是本发明实施例的多源卫星测量土壤水分的数据校正方法流程图。

图2是本发明实施例的预处理后的哨兵2号的遥感图像数据示意图。

图3a是本发明实施例的预处理前的Landsat 8的遥感图像数据示意图。

图3b是本发明实施例的预处理后的Landsat 8的遥感图像数据示意图。

图4是本发明实施例的土壤采样点(观测点)的位置分布示意图。

图5是实例中的土壤含水量预报结果示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

参见图1，本实施例公开了一种多源卫星测量土壤水分的数据校正方法，所述数据校正方法包括以下步骤：

S1，在不同时段不同环境参数下，采集n个卫星的遥感数据，预处理后分别反演得到未校正的研究区内不同观测点的土壤水分反演数据X_i，j，i＝1，2，...，n；同时，采用人工烘干法获得研究区区域内不同观测点的的土壤水分真实数据Y_j，采用TDR仪器测量得到测量得到研究区区域内不同观测点的土壤的介电常数j＝1，2，...，m；m是观测点数量；根据土壤水分真实数据Y_j计算得到研究区区域内不同观测点的土壤水分的体积含水率

S2，结合步骤S1获得的多组土壤水分真实量Y_j和土壤水分的介电常数拟合得到研究区范围内不同观测点的土壤真实含水量Y_j与介电常数的平方根之间的线性关系函数公式：式中，a和b为无量纲的影响参数。

S3，构建得到研究区区域内不同观测点的土壤水分的体积含水率与土壤的介电常数之间的经验关系模型：

S3，结合步骤S1获得的不同时段不同环境参数下的土壤水分反演数据X_i，j和土壤水分真实数据Y_j，构建不同卫星的土壤水分修正模型：Y_j＝c_iX_i，j ³+d_iX_i，j ²+e_iX_i，j+f_i，式中，c_i、d_i、e_i、f_i为无量纲的影响参数。

S4，结合步骤S2中的线性关系函数公式和步骤S3中的土壤水分修正模型，得到不同卫星对应的土壤体积含水量计算公式：

S5，采集当前时段t的n个卫星的遥感数据，结合以当前时段t为终点的前K个时段的环境参数，选择最优卫星遥感数据，预处理后反演得到研究区区域内的土壤水分数据X_i，j(t)，将土壤水分数据X_i，j(t)代入相应卫星的卫星遥感反演土壤水分数据计算公式，计算得到当前时段t的校正后的研究区区域内的土壤体积含水量θ_i，j(t)。

本申请并不限定卫星数量和卫星类型，只要是同类型的卫星采集的遥感数据，均可以应用在本申请上。由于本申请包含最优卫星遥感数据匹配机制，因此，即使选择了数据效果不好的卫星，对最终的土壤含水测量结果也并无影响。但是由于不同卫星的遥感数据参数不同、格式不同，还需要对部分卫星的遥感数据进行预处理。在本实施例中，选择的卫星包括哨兵2号、Landsat 8。

对于哨兵2号的遥感数据，下载研究区哨兵2号L1C数据一景，因L1C级产品是经过正射校正和几何精校正的大气表观反射率产品，并没有进行大气校正，所以对其进行辐射定标和大气校正，获取L2A级产品，以获取基层反射率数据。

a、大气校正处理，处理软件为sen2cor，选择处理全部分辨率的数据。

b、由于处理后的影像格式不能被ENVI等软件使用，需用SNAP进行格式转换，另外哨兵2号的影像各波段的空间分辨率不一致，分为10米、20米和60米，在本研究中进行了统一，统一为10米分辨率，结果如图2所示。

对于Landsat 8的遥感数据，收集研究区Landsat 8遥感影像一景，过境时间为2021年3月26日，并对其进行了大气校正，以获取反射率数据，图3a和图3b分别是预处理前和预处理后的Landsat 8的遥感图像数据示意图，图3a和图3b中的文字对本实施例的方案阐述无影响。

本实施例沿金川河流域设置了若干个观测点，图4是本发明实施例的土壤采样点(观测点)的位置分布示意图，选取河道周边地点，出于河道周边土壤出于降低天气因素对含水率的影响，同一条河道河流流量的一致性较好。具体的，采集土壤样品17个，并测定其质量含水量。土壤质量含水量数据如表1所示。

表1

序号	纬度	经度	含水量
				1	32.07333	118.7381	0.33722
2	32.08806	118.7403	0.307872
				3	32.09694	118.7386	0.268293
4	32.09833	118.7458	0.375456
				5	32.08944	118.7344	0.200853
6	32.09	118.7586	0.20478
				7	32.09278	118.7408	0.19387
8	32.09194	118.7656	0.267457
				9	32.09056	118.775	0.303362
10	32.09139	118.7839	0.240568
				11	32.07972	118.7767	0.2678
12	32.08306	118.7681	0.223281
				13	32.08306	118.7622	0.231327
14	32.09611	118.7556	0.220865
				15	32.10083	118.7522	0.262826
16	32.10806	118.7489	0.237959

步骤S3中，构建得到研究区区域内不同观测点的土壤水分的体积含水率与土壤的介电常数之间的经验关系模型的过程包括以下步骤：

S31，选取多个体积含水率和介电常数的经验关系模型；

S32，针对每个观测点，将步骤S1中采集到的该观测点的土壤水分的体积含水率和土壤的介电常数分别代入多个经验关系模型；计算每个模型对应的均方根误差，将均方根误差最小的经验关系模型选定为该观测点的土壤水分的体积含水率与土壤的介电常数之间的经验关系模型。

体积含水率和介电常数的经验关系模型受土壤质地等影响较大，目前常用的经验关系模型包括Topp公式、Herkelrath拟合关系式等等。考虑到数据校正方法的通用性，本实施例提出针对研究区的不同区域分别选择最合适的经验关系模型。

为了获取更精准的测量结果，本实施例还提出了结合环境参数对遥感图像进行选择的优化策略。在本实施例中，环境参数主要包括研究区各观测站点的蒸发量、雨量和植被密度。对于一些特殊场景，也可以引入其他环境参数，例如气温等等。土壤含水率变化与当地降水正相关，与蒸发量负相关。由于裸土遥感数据受树木、森林的影响比较大，所以在遥感数据分析中需充分树木、森林、等干扰因素的影响，在一些例子中，还需要对这部分遥感数据进行剔除和修正。

示例性地，步骤S5中，结合以当前时段为终点的前K个时段的环境参数，选择最优卫星遥感数据的过程包括以下步骤：

S51，针对同一时段不同观测点的每个土壤水分反演数据X_i，j，采用相应卫星对应的土壤体积含水量计算公式计算得到不同观测点的土壤体积含水量θ_i，j，计算其与测量得到的不同观测点的土壤水分的体积含水率之间的差值，根据差值标定土壤水分反演数据X_i，j的精准度等级。例如，假设采用了三颗遥感卫星的数据，可以设定三个精准度等级，针对每个观测点来判断三个遥感卫星的图像数据的精准性。

S52，统计同一时段不同卫星的遥感图像对应的所有观测点的土壤水分反演数据的精准度等级，计算得到该遥感图像的匹配度等级，将匹配度等级最高的卫星的遥感图像选定为正样本图像，将匹配度等级最低的卫星的遥感图像选定为负样本图像。

考虑到计算量的问题，本实施例只选择采用一个遥感图像进行反演，因此，需要综合每个观测点的精准度等级来获取遥感图像的匹配度等级。由于观测点数量固定，对于遥感图像来说，观测点的精准度等级越高，精准度高的观测点的数量越多，遥感图像的匹配度等级也越高。

S53，获取所有正样本图像和负样本图像对应的以遥感图像采集时段为终点的前K个时段的环境参数序列，生成训练正样本和训练负样本，构建得到训练数据集。

土壤含水量的变化具有时间性特性，因此，本实施例选择采用以遥感图像采集时段为终点的前K个时段的环境参数序列为输入数据。假设一个时段为一天，则可以以当前时间为起点，向前反推3-5天来选取得到相应的环境参数序列。

S54，基于神经网络构建遥感卫星匹配模型，输入为以当前时段为终点的前K个时段的环境参数序列，输出为正样本图像对应的卫星型号，导入训练数据集对遥感卫星匹配模型进行训练。本申请中，遥感卫星匹配模型可以选用支持向量机模型等等。

S55，将当前时段为终点的前K个时段的环境参数序列导入遥感卫星匹配模型，选择当前时段对应的最优卫星遥感数据。

示例性地，气象条件对遥感图像的质量影响较大，不同遥感卫星的采集周期也不相同，有些卫星一天采集一次遥感图像，而有些卫星一天可以采集十数次遥感图像，后者可以对采集到的多张遥感图像进行整合分析，从中删除掉质量较差的遥感图像。但这并不意味着必须要采用图像质量好的遥感图像，这是由于气象条件同时也是土壤水分测量中至关重要的环境参数之一，气象条件对遥感图像的影响程度也可以作为土壤水分反演时的参考因素。例如，降雨时的遥感图像固然会出现质量下降的现象，但降雨对土壤水分的影响同样也相当显著。

因此，在一些实施例中，我们还进一步地研究了环境参数对不同卫星的遥感图像的影响程度，并且环境参数之间也会对土壤含水量造成关联影响。通常来说，一个区域的植被密度是较为稳定的，天气晴朗时，不同植被密度的水分的蒸发量不同，降雨时，植被密度高的区域的锁水能力更强，为此，我们将环境参数作为一个整体进行分析。

最终，本实施例将选择最优卫星遥感数据的过程改进为：

针对不同遥感卫星的采集周期，选定统一的图像采集子时段；当图像采集子时段内的气象条件合适时，所有或者大部分遥感卫星的遥感图像质量满足常规分析需求，则采用图像采集子时段内的遥感图像；当图像采集子时段内的气象条件不利于采集清晰的遥感图像时，对于采集周期长的遥感卫星，仍然选择图像采集子时段内的遥感图像，对于采集周期短的遥感卫星，根据环境参数序列设置允许预估时长阈值，在允许预估时长阈值范围内选取图像质量较高的遥感图像。如果允许预估时长阈值内的气象条件均不符合，则仍然选取图像采集子时段内的遥感图像。

根据环境参数序列设置允许预估时长阈值的过程包括以下步骤：

针对任意一个采集周期短的遥感卫星，选取一定量的分析时段，分析时段在采集任务时段允许范围内，例如，采集任务是对某月上旬的土壤含水量进行测量，则采集任务时段允许范围为当月1号至10号。统一的图像采集子时段可以根据选取的遥感卫星的类型设定成其中的某一天。调取不同观测点的不同分析时段内的多张遥感图像以及对应分析时段内的环境参数时序数据，反演得到每张遥感图像上不同观测点的土壤含水量，计算得到不同观测点的实际土壤含水量和反演得到的土壤含水量的差值，将所有观测点的实际土壤含水量和反演得到的土壤含水量的均方根差作为遥感图像的反演数据的综合误差。将每个环境参数时序数据作为输入值，选取均方根误差最小的值的遥感图像的采集时间作为其输出值，以生成训练样本。

基于神经网络构建阈值分析模型，采用训练样本集进行训练，阈值分析模型用于对实时采集的环境参数时序数据进行处理，预测得到不同遥感卫星对应的最佳采集时间，选择最佳采集时间的最小值至当前图像采集子时段的时长作为允许预估时长阈值。

实例：根据南京气象观测站的结果，2021年3月23日AM8到2021年3月24日AM8南京市日蒸发量为2.6mm，当日无降雨，假定蒸发量与1米深的土体有关，另外可知南京市土壤的容重大概为1.3g/cm3，其每平方米折减系数为2.6×103g，3.24日的土壤含水量预报结果如图5所示。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种多源卫星测量土壤水分的数据校正方法，其特征在于，所述数据校正方法包括以下步骤：

S1，在不同时段不同环境参数下，采集n个卫星的遥感数据，预处理后分别反演得到未校正的研究区内不同观测点的土壤水分反演数据X_i,j，i＝1,2,…,n；同时，采用人工烘干法获得研究区区域内不同观测点的的土壤水分真实数据Y_j，采用TDR仪器测量得到测量得到研究区区域内不同观测点的土壤的介电常数

m是观测点数量；根据土壤水分真实数据Y_j计算得到研究区区域内不同观测点的土壤水分的体积含水率

S2，结合步骤S1获得的多组土壤水分真实量Y_j和土壤水分的介电常数

拟合得到研究区范围内不同观测点的土壤真实含水量Y_j与介电常数

的平方根之间的线性关系函数公式：

式中，a和b为无量纲的影响参数；

S3，构建得到研究区区域内不同观测点的土壤水分的体积含水率

与土壤的介电常数

之间的经验关系模型：

S4，结合步骤S1获得的不同时段不同环境参数下的土壤水分反演数据X_i,j和土壤水分真实数据Y_j，构建不同卫星的土壤水分修正模型：Y_j＝c_iX_i,j ³+d_iX_i,j ²+e_iX_i,j+f_i，式中，c_i、d_i、e_i、f_i为无量纲的影响参数；

S5，结合步骤S2中的线性关系函数公式和步骤S3中的土壤水分修正模型，得到不同卫星对应的土壤体积含水量计算公式：

S6，采集当前时段t的n个卫星的遥感数据，结合以当前时段t为终点的前K个时段的环境参数，选择最优卫星遥感数据，预处理后反演得到研究区区域内的土壤水分数据X_i,j(t)，将土壤水分数据X_i,j(t)代入相应卫星的卫星遥感反演土壤水分数据计算公式，计算得到当前时段t的校正后的研究区区域内的土壤体积含水量θ_i,j(t)。

2.根据权利要求1所述的多源卫星测量土壤水分的数据校正方法，其特征在于，步骤S1中，卫星的遥感数据包括哨兵2号、Landsat 8采集到的研究区内的遥感图像数据。

3.根据权利要求2所述的多源卫星测量土壤水分的数据校正方法，其特征在于，步骤S1中，预处理的过程包括以下步骤：

对哨兵2号的遥感数据进行辐射定标和大气校正，将大气校正后的遥感数据转换成相应的遥感图像数据，再统一设置各波段的空间分辨率；

对Landsat 8采用到的遥感数据进行大气校正。

4.根据权利要求1所述的多源卫星测量土壤水分的数据校正方法，其特征在于，步骤S3中，构建得到研究区区域内不同观测点的土壤水分的体积含水率

与土壤的介电常数

之间的经验关系模型的过程包括以下步骤：

S31，选取多个体积含水率和介电常数的经验关系模型；

S32，针对每个观测点，将步骤S1中采集到的该观测点的土壤水分的体积含水率

和土壤的介电常数

分别代入多个经验关系模型；计算每个模型对应的均方根误差，将均方根误差最小的经验关系模型选定为该观测点的土壤水分的体积含水率

与土壤的介电常数

之间的经验关系模型。

5.根据权利要求1所述的多源卫星测量土壤水分的数据校正方法，其特征在于，所述环境参数包括研究区各观测站点的蒸发量、雨量和植被密度。

6.根据权利要求5所述的多源卫星测量土壤水分的数据校正方法，其特征在于，步骤S6中，结合以当前时段为终点的前K个时段的环境参数，选择最优卫星遥感数据的过程包括以下步骤：

S51，针对同一时段不同观测点的每个土壤水分反演数据X_i,j，采用相应卫星对应的土壤体积含水量计算公式计算得到不同观测点的土壤体积含水量θ_i,j，计算其与测量得到的不同观测点的土壤水分的体积含水率

之间的差值，根据差值标定土壤水分反演数据X_i,j的精准度等级；

S52，统计同一时段不同卫星的遥感图像对应的所有观测点的土壤水分反演数据的精准度等级，计算得到该遥感图像的匹配度等级，将匹配度等级最高的卫星的遥感图像选定为正样本图像，将匹配度等级最低的卫星的遥感图像选定为负样本图像；

S53，获取所有正样本图像和负样本图像对应的以遥感图像采集时段为终点的前K个时段的环境参数序列，生成训练正样本和训练负样本，构建得到训练数据集；

S54，基于神经网络构建遥感卫星匹配模型，输入为以当前时段为终点的前K个时段的环境参数序列，输出为正样本图像对应的卫星型号，导入训练数据集对遥感卫星匹配模型进行训练；

S55，将当前时段为终点的前K个时段的环境参数序列导入遥感卫星匹配模型，选择当前时段对应的最优卫星遥感数据。

7.根据权利要求6所述的多源卫星测量土壤水分的数据校正方法，其特征在于，针对不同遥感卫星的采集周期，选定统一的图像采集子时段；当图像采集子时段内的气象条件使遥感图像质量满足常规分析需求时，采用图像采集子时段内的遥感图像；当图像采集子时段内的气象条件使遥感图像质量不满足常规分析需求时，对于采集周期长的遥感卫星，选择图像采集子时段内的遥感图像，对于采集周期短的遥感卫星，根据环境参数序列设置允许预估时长阈值，在允许预估时长阈值范围内选取图像质量较高的遥感图像；如果允许预估时长阈值内的气象条件均不符合，选取图像采集子时段内的遥感图像；

采集周期短是指遥感卫星在允许预估时长阈值范围内的遥感图像采集数量大于等于2。

8.根据权利要求7所述的多源卫星测量土壤水分的数据校正方法，其特征在于，根据环境参数序列设置允许预估时长阈值的过程包括以下步骤：

针对任意一个采集周期短的遥感卫星，选取一定量的分析时段，分析时段在采集任务时段允许范围内；

调取不同观测点的不同分析时段内的多张遥感图像以及对应分析时段内的环境参数时序数据，反演得到每张遥感图像上不同观测点的土壤含水量，计算得到不同观测点的实际土壤含水量和反演得到的土壤含水量的差值，将所有观测点的实际土壤含水量和反演得到的土壤含水量的均方根差作为遥感图像的反演数据的综合误差；

将每个环境参数时序数据作为输入值，选取均方根误差最小的值的遥感图像的采集时间作为其输出值，以生成训练样本；

基于神经网络构建阈值分析模型，采用训练样本集进行训练，阈值分析模型用于对实时采集的环境参数时序数据进行处理，预测得到不同遥感卫星对应的最佳采集时间，选择最佳采集时间的最小值至当前图像采集子时段的时长作为允许预估时长阈值。

Images