CN116091261A - 一种干旱驱动的卫星多传感器动态组网观测模型 - Google Patents

一种干旱驱动的卫星多传感器动态组网观测模型 Download PDF

Info

Publication number
CN116091261A
CN116091261A CN202211547127.6A CN202211547127A CN116091261A CN 116091261 A CN116091261 A CN 116091261A CN 202211547127 A CN202211547127 A CN 202211547127A CN 116091261 A CN116091261 A CN 116091261A
Authority
CN
China
Prior art keywords
drought
index
vegetation
period
equal
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
Application number
CN202211547127.6A
Other languages
English (en)
Inventor
李喆
向大享
姜莹
陈喆
张穗
文雄飞
赵静
吴仪邦
李经纬
王莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Priority to CN202211547127.6A priority Critical patent/CN116091261A/zh
Publication of CN116091261A publication Critical patent/CN116091261A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种干旱驱动的卫星多传感器动态组网观测模型，该模型将农田干旱划分为不同阶段，包括：从潜伏期到开始期T1、从开始期到发展期T2、从发展期到消亡期T3，潜伏期重点关注气象降雨干旱，开始期重点关注根系层土壤水分，发展期重点关注植被生长状态，消亡期重点关注降水和土壤水分；不同阶段使用不同的指数模型对干旱程度进行观测，从而能准确的干旱的发生，为农田干旱问题的解决提供可靠的依据。

Description

一种干旱驱动的卫星多传感器动态组网观测模型
技术领域
本发明涉及干旱观测的领域，尤其涉及一种干旱驱动的卫星多传感器动态组网观测模型。
背景技术
干旱现象是供水不能满足正常需水的一种不平衡的缺水情势，这种负的不平衡在超过一定的界值后，将对工农(牧)业生产和城乡生活造成不利的影响，可能引发干旱灾害。全球变化带来的日益严重的干旱灾害直接威胁着人类的粮食安全和生存环境，已经成为各国科学家和政府部门共同关注的热点。近几十年来，社会经济活动加剧和人口快速增长使水热资源的供需关系更趋紧张，水资源短缺引发的区域干旱已经成为人类需要长期面对的一个难题。
发明内容
为了克服现有技术存在的缺点与不足，本发明提供一种干旱驱动的卫星多传感器动态组网观测模型。
本发明所采用的技术方案是，该模型将农田干旱划分为不同阶段，包括：从潜伏期到开始期T1、从开始期到发展期T2、从发展期到消亡期T3，潜伏期重点关注气象降雨干旱，开始期重点关注根系层土壤水分，发展期重点关注植被生长状态，消亡期重点关注降水和土壤水分；
进一步地，所述潜伏期使用的观测模型为标准化降水指数和云指数法；
所述开始期使用的观测模型为作物缺水指数；
所述发展期使用的观测模型为植被状态指数、植被健康指数和距平植被指数；
所述消亡期使用的观测模型为标准化降水指数、云指数法和作物缺水指数。
进一步地，面向干旱过程的卫星多传感器动态组网观测模型将干旱组网观测划分成两个阶段：日常组网监测和应急组网监测。
进一步地，所述日常组网监测，综合使用FY-3/Terra/Aqua MODIS卫星数据，计算标准化降水指数、云指数干旱遥感监测模型，一旦模型计算值超过了阈值T1，则启动应急组网观测。
进一步地，所述应急组网监测，综合使用GF-2/Terra/Aqua MODIS卫星数据，计算植被状态指数、植被健康指数、距平植被指数、作物缺水指数，一旦模型计算值超过了阈值T3，则终止应急组网监测，返回日常组网观测。
进一步地，所述植被状态指数
轻度干旱：30％<植被状态指数≤40％；
中毒干旱：20％<植被状态指数≤30％；
严重干旱：10％<植被状态指数≤20％：
特大干旱：0<植被状态指数≤10％；
所述植被健康指数
轻度干旱：30％<植被健康指数≤40％；
中毒干旱：20％<植被健康指数≤30％；
严重干旱：10％<植被健康指数≤20％；
特大干旱：0<植被健康指数≤10％。
进一步地，所述距平植被指数
轻度干旱：-0.3<距平植被指数≤-0.2；
中毒干旱：-0.4<距平植被指数≤-0.3；
严重干旱：-0.6<距平植被指数≤-0.4；
特大干旱：距平植被指数≤-0.6；
所述作物缺水指数
轻度干旱：30％<作物缺水指数≤40％；
中毒干旱：20％<作物缺水指数≤30％；
严重干旱：10％<作物缺水指数≤20％；
特大干旱：0<作物缺水指数≤10％。
有益效果：
本发明提出一种干旱驱动的卫星多传感器动态组网观测模型，该模型将农田干旱划分为不同阶段，从潜伏期到开始期T1、从开始期到发展期T2、从发展期到消亡期T3，不同阶段使用不同的指数模型对干旱程度进行观测，从而能准确的干旱的发生，为农田干旱问题的解决提供可靠的依据。
附图说明
图1为本发明面向干旱过程的卫星多传感器动态组网观测模型框架图；
图2为本发明的云参数法干旱遥感监测模型图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
从灾害学的视角出发，自然灾害具有“发生-发展-消亡”全过程，在不同的发展阶段，也表现出不同的灾害特征。因此，充分挖掘干旱灾害不同阶段的特征需求，构建干旱过程动态观测模型，实现精准化动态监测，具有十分重要的意义。
干旱EPMC方法将农田干旱划分为四个阶段，分别提出了观测要点：潜伏期重点关注气象降雨干旱，开始期重点关注根系层土壤水分，发展期重点关注植被生长状态，消亡期重点关注降水和土壤水分。
将干旱EMPC方法与卫星多传感器干旱监测能力度量相结合，提出不同干旱发展阶段对应的卫星多传感器组网观测模型，见下表所示。
不同干旱发展阶段对应的卫星多传感器组网观测模型
Figure BDA0003978009540000041
Figure BDA0003978009540000051
基于上述分析，提出面向干旱过程的卫星多传感器动态组网观测模型框架,如图1所示。
面向干旱过程的卫星多传感器动态组网观测模型将干旱组网观测划分成两个阶段：
(一)日常组网监测
综合使用FY-3/Terra/Aqua MODIS卫星数据，计算标准化降水指数(SPI)、云指数干旱遥感监测模型。一旦模型计算值超过了阈值T1，则启动应急组网观测。
(二)应急组网监测
综合使用GF-2/Terra/Aqua MODIS卫星数据，计算植被状态指数(VCI)、植被健康指数(VHI)、距平植被指数(AVI)、作物缺水指数(CWSI)。一旦模型计算值超过了阈值T3，则终止应急组网监测，返回日常组网观测。
干旱发展各阶段的转化阈值研究，主要包括：从潜伏期到开始期(T1)、从开始期到发展期(T2)、从发展期到消亡期(T3)。
(一)从潜伏期到开始期(T1)
从潜伏期到开始期，是农业干旱从无到有的过程，标志着农业干旱的正式开始，是判定干旱灾害发生的核心环节。降水是地表水资源的主要补给方式，降水量亏缺是农业干旱发生的主要原因。
(1)标准化降水指数(SPI)
根据世界气象组织(WMO)发布的“标准化降水指数用户指导”，SPI取值范围如下：
标准化降水指数(SPI)干旱分级
等级 类型 SPI值
1 无旱 -0.5≤SPI
2 轻旱 -1.0≤SPI＜-0.5
3 中旱 -1.5≤SPI＜-1.0
4 重旱 -2.0≤SPI＜-1.5
5 特旱 SPI＜-2.0
从上表可知，SPI取值小于“-0.5”，提示干旱开始发生，作为进入开始期的判定指标。
云指数法干旱监测模型计算时，要使用农业气象观测规范为依据，把遥感干旱风险计算结果划分为不同的干旱等级。农业气象观测规范指出，“＜0.6”提示干旱开始发生。因此，对应于“＜0.6”的遥感干旱风险计算结果，作为进入开始期的判定指标。
(二)从开始期到发展期(T2)
从开始到发展，是是农业干旱从轻到重的过程，标志着干旱灾害的危害性逐步加深，是判定干旱灾害危害程度的核心环节。土壤水分是植被水分消耗的主要来源，土壤水分减少造成的作物用水供需矛盾，影响了作物生长过程，是干旱灾害危害性持续加深的主要原因。
《水旱灾害遥感监测评估技术规范》(SL750-2017)给出了植被指数旱情等级划分情况，见下表所示：
植被指数旱情等级划分表 单位为％
Figure BDA0003978009540000061
Figure BDA0003978009540000071
(1)植被状态指数(VCI)
轻度干旱：30％＜VCI≤40％
中毒干旱：20％＜VCI≤30％
严重干旱：10％＜VCI≤20％
特大干旱：0＜VCI≤10％
(2)植被健康指数(VHI)
轻度干旱：30％＜VHI≤40％
中毒干旱：20％＜VHI≤30％
严重干旱：10％＜VHI≤20％
特大干旱：0＜VHI≤10％
(3)距平植被指数(AVI)
轻度干旱：-0.3＜AVI≤-0.2
中毒干旱：-0.4＜AVI≤-0.3
严重干旱：-0.6＜AVI≤-0.4
特大干旱：AVI≤-0.6
(4)作物缺水指数(CWSI)
借鉴植被状态指数(VCI)思路，提出作物缺水指数(CWSI)的旱情等级划分为：
轻度干旱：30％＜CWSI≤40％
中毒干旱：20％＜CWSI≤30％
严重干旱：10％＜CWSI≤20％
特大干旱：0＜CWSI≤10％
(三)从发展期到消亡期(T3)
从发展期到消亡期，是农业干旱从有到无的过程，标志着农业干旱的正式结束，是判定干旱灾害消亡的核心环节。降水量增加，以及灌溉水源补给是农业干旱消亡的主要原因。
(1)标准化降水指数(SPI)
从表38可知，SPI取值“＞-1”，提示干旱结束，作为进入消亡期的判定指标。
(2)云指数法
云指数法干旱监测模型计算时，要使用农业气象观测规范为依据，把遥感干旱风险计算结果划分为不同的干旱等级。农业气象观测规范指出，“＞0.6”提示干旱结束。对应于“＞0.6”的遥感干旱风险计算结果，作为进入消亡期的判定指标。
(3)植被状态指数(VCI)、植被健康指数(VHI)、距平植被指数(AVI)、作物缺水指数(CWSI)
根据上表可知，VHI＞40％、VHI＞40％、AVI＞-0.2、CWSI＞40％，作为进入消亡期的判定指标。
(1)标准化降水指数(SPI)
某一地点或区域的雨量如果长期不足，可能造成不同程度的干旱，影响当地的水资源、农业和社会经济活动。由于不同地区的降雨量差别很大，干旱的概念亦各有不同。为了更有效地评估干旱现象，世界气象组织(WMO)建议采用标准化降水指数(StandardizedPrecipitation Index，SPI)监测干旱的严重程度。
Figure BDA0003978009540000091
简单来说，SPI是一个标准化指数，相对于当地雨量的长期气候状况，反映某观测雨量可能出现之机会率。SPI负值代表雨量偏少，而SPI正值则代表雨量偏多。干旱严重程度可根据相应SPI的负值大小来划分等级，SPI负值越大表示干旱越严重。
(2)云指数法
云参数法的基本思想是基于如下两个基本规律：(1)无云意味着没有降水，干旱的可能性增大；反之，有云预示着可能降水，干旱的可能性变小；(2)无云意味着地面接收的太阳短波辐射增强，地面温度上升，地面蒸发蒸腾能力增大，干旱的可能性增大；反之，有云意味着地面接收的太阳短波辐射变小，地面温度下降，地面蒸发蒸腾能力变弱，干旱的可能性变小。这两个前提条件有很强的物理意义，降水量的大小涉及到地表径流以及土壤含水量，地面蒸散能力的大小涉及到土壤温度，这都是导致干旱的直接因素。
云中蕴涵干旱旱情信息，由三个参数描述，分别是连续最大无云天数(ContinuousCloud-Free Days，CCFD)、有云天数比(Cloud Days Ratio，CDR)、连续最大有云天数(Continuous CIoud Days，CCD)。其中连续最大无云天数为监测周期内连续无云的最多的天数；有云天数比为监测周期内有云的天数与总天数的比率；连续最大有云天数为监测周期内连续有云的最多天数。而考虑三个云参数作为云参数法干旱监测指数的特征量，主要基于以下两点：(1)在相同的无云天数比条件下，如果连续无云天数越大，干旱发展的可能性也越大，而连续有云天数越小，充分降水的可能性也越小，干旱发展的可能性也越大；(2)在不同的无云天数比条件下，无云天数比较大，干旱发展的可能性就越大，反之亦然。
在确定三种云参数后，就可以建立云参数与干旱等级(采用土壤湿度)之间的函数关系，目前采用的三种云参数对旱情的影响函数W1(CCFD)、W2(CCD)、W3(CDR)加权平均得到干旱等级RDR I，具体公式如下：
Figure BDA0003978009540000101
其中F1、F2、F3为三种云参数对旱情的影响权函数。
时空变化会引起太阳高度角、昼长和日地距离的变化，导致地表接收的太阳辐照度不同，进而引起蒸散作用的强弱变化，使得要达到相同的干旱程度，对三种云参数的要求会不同。因此，需要进行时空变化条件下三种云参数的修正研究：(a)在时间不变条件下，分别研究由于空间变化所引起的太阳高度角和昼长的变化对三种云参数的影响：(b)在空间不变条件下，分别研究由于时间变化所引起的太阳高度角、日地距离和昼长的变化对三种云参数的影响；(c)结合(a)(b)，研究时空变化条件下对三种云参数的联合修正。因此，不同的时间和空间参数条件下要达到相同的旱情等级，对三种云参数的要求会不同。在经过时间和空间变化修正后，三个基本函数的基本形式就可以总结为下面的公式：
W1＝P1(CCFD，Q1，R1)
W2＝P2(CCD，Q2，R2)
W3＝F3(CDR，Q3，R3)
其中：Wi为时空变化修正后的云参数(具有归一化意义)，Pi为基本函数，Qi、Ri分别是空间变化条件下和时间变化条件下CCFD、CCD、CDR的修正函数。
综上所述，研究三种云参数在时空条件改变的情况下对旱情的综合影响，确定相应的影响权函数，进而建立干旱遥感监测模型，如图2所示。
云参数法干旱遥感监测预警的优点是：通过云的引入，无须反演地面参数，无需严格的大气校正，为干旱遥感监测预警的全自动化提供了可能。已有研究表明：云参数法干旱遥感监测预警模型监测结果与地面数据有很好的一致性，在局部地区范围内模型有良好的稳定性和可靠性(刘良明，2005)，这种方法有很大的应用潜力。经过该模型计算得到的是地面20cm土壤相对湿度，然后根据农业气象观测规范，把计算结果划分为不同的干旱等级，从而得到最终需要的干旱风险等级指数。
气象干旱分级规范
水体 湿润 正常 轻旱 中旱 重旱
100％ 80-99％ 61-79％ 51-60％ 41-50％ ＜40％
由于地物(土壤和植被)水分的变化会引起其光谱反射率的变化，因此可见光-反射红外方法主要利用地物的光谱反射特性来遥测土壤水分。可分为两大类：一是基于土壤水分的变化会引起土壤光谱反射率的变化；另一类是基于干旱引起植物的生理过程变化，从而改变叶片的光谱属性，并显著地影响植被冠层的光谱反射率。
(二)土壤水分
利用热红外技术遥感监测土壤水分的研究较为成熟，其依赖于土壤表面发射率和表面温度。它依据土壤水分平衡及热量平衡，通过地表热通量方程及地表能量平衡边界条件，从遥感成像的机理出发，运用热惯量法、作物缺水指数法和温度植被指数法研究。热惯量法物理意义明确，估算精度高，简单易行，但也存在诸如只适用于裸露或植被覆盖度低的地区以及卫星数据难于获取等局限性。温度植被指数法物理意义也较明确，适用性广，但计算过程较复杂，且某些参数难于及时获得。相对来说，植被稀疏区宜采用热惯量法，植被郁闭区则宜采用温度植被指数法，下边就简要介绍这几种方法。
(1)热惯量法
土壤热惯量是土壤的一种热特性，与土壤含水量有密切的相关关系。热惯量法是利用热红外遥感影像反演土壤热惯量(温度日较差)，通过建立热惯量与土壤相对湿度之间的线性或非线性关系模型来估算土壤相对湿度。计算公式如下：
W＝f(ΔT)
式中：
W——土壤相对含水量；
ΔT——温度日较差，可由昼夜地表温度的差值得到。
热惯量法估算土壤相对湿度涉及两个时次的卫星资料，要求如下：
白天和夜间过境时，研究区必须是晴空无云，以获得最高和最低地表温度；
昼夜两幅影像必须经过严格配准后得到昼夜温差；
被测土壤是裸露的或植被覆盖度较低(覆盖度<0.3)。
同传统的水分监测方法相比，热惯量法监测土壤水分具有方便、快捷、多时相等特点；同其他遥感方法相比，该方法基本上建立在统计学基础上，而且易于实现，应用简单、成本低、无需过多的气象数据支持即可完成对大面积土壤水分变化的监测，但仅适用于裸土或低植被覆盖区，对植被覆盖较为复杂的地表误差相对较大。另外，该法需要获取昼夜温差，要求昼夜同时无云的条件较苛刻，不便于实际应用。
(2)作物缺水指数
作物缺水指数法CWSI(Crop Water Stress Index)定义为：
Figure BDA0003978009540000131
其中，ET为实际蒸散，ETp为潜在蒸散，γ为干湿球常数，γ*＝γ(1+rcp/ra)为饱和水气压与温度关系曲线在T＝Ta处的斜率，rc为作物冠层对水汽传输的阻抗，它与叶气温差、土壤水分含量等有关，ra为空气动力学阻抗，rcp为潜在蒸散条件下的冠层阻抗。由公式可知ET越大，CWSI越小，反映植被供水能力越差，土壤越干旱。其与土壤水分良好相关，可以作为衡量土壤水分变化的指标。
(3)最大温度植被条件指数(MTVI)
最大温度植被条件指数(Maximum of Temperature Vegetation ConditionIndex，MTVI)定义为：
MTVIi＝Max(TCIi；VCIi)
Figure BDA0003978009540000132
式中：
MTVIi——第i时间段TCI和VCI中的最大值；
TCIi——i时的温度条件指数(％)，以像元为计算单元，值域范围是0～100，0代表温度条件最差，100代表温度条件最佳；
LSTi——i时的地表亮度值；
LSTmax——多年同期影像中地表亮度的最大值；
LSTmin-多年同期影像中地表亮度的最小值。
VCIi——i时的植被状态条件指数。时间段可根据监测需要设定为5天、10天、旬、月等。
(三)植被状态
因为植被生长状况和土壤水分密切相关，因此在其他环境因子稳定的情况下，土壤水分的供应状况则成为植被生长的关键因素。土壤水分供应充足，植被则长势良好，土壤水分匮乏，植被生长则受到胁迫。植被受到缺水胁迫时，可通过不同的遥感指数来表示，因此利用植被指数法如距平植被指数、供水植被指数、条件植被指数等可以间接估算土壤水分。
(1)植被状态指数法
植被状态指数是基于NDVI构建，用以反应植被状态程度，按下式计算：
Figure BDA0003978009540000141
式中：
VCIj——j时的植被状态指数(％)，以像元为计算单元，值域范围是0～100，0代表植被条件最差，100代表植被条件最佳；
NDVIj——j时的NDVI值，时间段可根据监测需要设定为5天、10天、旬、月等；
NDVImax——多年同期影像中NDVI的最大值；
NDVImin——多年同期影像中NDVI的最小值。
植被状态指数表达了与多年历史同期相比植被长势的好坏，间接说明了土壤水分状态。VCI值越大，说明植被与历史同期相比长势越好，水分充足；相反地，值越小，与历史同期相比植被长势差，说明植被受旱。
植被状态指数适合大尺度或区域级的中高植被覆盖区的干旱状况监测，其最大、最小NDVI宜采用历史多年同期、长时间植被指数序列确定。
(2)植被健康指数法
植被健康指数法按下式计算：
VHIj＝0.5×VCIj+0.5×TCIj
植被健康指数法宜采用历史多年同期、长时间植被指数和地表温度序列。
(3)距平植被指数法
距平植被指数(Anomaly Vegetation Index，AVI)是以研究区的多年的每旬、月NDVI的平均值为背景值，利用当年的旬、月NDVI值减去背景值得到植被指数的距平。距平植被指数法按下式计算：
Figure BDA0003978009540000151
式中：
AVIi——j时的距平植被指数(无量纲)；
NDVIj——j时的NDVl的值；
Figure BDA0003978009540000152
——多年同期植被指数的平均值。
距平植被指数法宜采用历史多年同期、长时间植被指数序列确定，适用于全国大范围区域的干旱监测。
(四)光谱特征空间
光谱特征空间是一种土壤水分和植被水分相结合的综合监测方法。主要分为垂直干旱指数、短波红外垂直失水指数和温度植被指数等。
(1)垂直干旱指数
在近红外(NIR)-红外(RED)的光谱空间散点图上，经过空间统计分析可以得到NIR-RED基线BC，数学表达式：
RNIR＝MRRED+I
其中RRED，RNIR分别为大气校正后的红光和近红外波段反射率，M为NIR-RED基线斜率，I代表NIR-RED基线在纵坐标上的截距。
取经过坐标原点垂直于土壤基线的垂线L，即可得到方程(4-11)的法线方程：
Figure BDA0003978009540000161
利用该图Nir-Red特征空间上的任意一点E(RRED，RNIR)到直线L的距离来描述干旱的状况，建立垂直干旱指数(Perpendicular Drought Index，PDI)，该模型表达式为：
Figure BDA0003978009540000162
PDI的特点是简单实用，易于操作和获取。在实际应用中，从光谱特征空间NIR-Red就可以有效地对地表干旱进行实时监测。
(2)改进的垂直干旱指数
针对PDI本身的局限性，引入植被覆盖度的概念，对在NIR-Red光谱特征空间的混合像元进行分解，获取旱情有关的纯土壤信息。改进后的指数称之为改进的垂直干旱指数MPDI(Modified Perpendicular Drought Index)，表达式：
Figure BDA0003978009540000171
式中，Rred，v和Rnir，v代表植被在Red和NIR波段的反射率，M为土壤线斜率，fv为植被覆盖度。
对某种长势条件下的植被而言，Rred，v和Rnir，v可以近似为固定参数，而引起植被反射率变化的是植被覆盖度。植被在红光波段的反射率一般在0.05以下，而近红外波段范围内的反射率为0.5以下。通过叶片或冠层的辐射传输模型也可以计算出植被的Rred，v和Rnir，v。
为了满足快速反演的需求，确定Rred，v＝0.05，Rnir，v＝0.50。
Figure BDA0003978009540000172
Figure BDA0003978009540000173
MPDI能反映地表覆盖、水热组合及其变化，具有明确的生物物理含义，并且简单实用，易于操作和获取，具有通用性和普适性，弥补了PD I的缺点。
(3)短波红外垂直失水指数
选用近红外(NIR)和短波红外(SWIR)波段，构建二维光谱空间。对于植被覆盖高的地表，在近红外(NIR)-短波红外(SWIR)的光谱空间散点图上，经过空间统计分析可以得到NIR-SWIR基线CD，数学表达式：
RNIR＝MRSWIR+I
其中RSWIR，RNIR分别为大气校正后的短波红光和近红外波段反射率，M为NIR-SWIR基线斜率，I代表NIR-SWIR基线在纵坐标上的截距。
取经过坐标原点垂直于土壤基线的垂线L，即可得到方程(4-17)的法线方程：
Figure BDA0003978009540000181
在NIR-SWIR空间上，从任何一个点G(RSWIR，RNIR)到直线L的距离可以说明地表的干旱情况，一般来说，最接近L线的空间都是水体或较湿区域分布。远离L线的空间都是较干旱的区域。对水体来说其干旱指数为最小，正好落在坐标原点，其余具有一定反射能力的任何物体越湿润越接近原点。因此，可以用NIR-SWIR空间上的任意一点G(RSWIR，RNIR)到直线L的距离来描述地表干旱的状况，建立一个基于NIR-SWIR光谱空间特征的水分监测模型，该模型为短波红外垂直失水指数SPSI。
Figure BDA0003978009540000182
其中RSWIR，RNIR分别为经过大气校正的短波红光和近红外波段反射率，M为NIR-SWIR基线斜率，可通过线性回归得到。
(4)温度植被干旱指数
特征空间法基于植被指数和地表温度的散点图呈三角形的区域分布特征，得到温度植被干旱指数(Temperature Vegetation Dryness Index，TVDI)，根据TVDI与土壤相对湿度的关系，建立基于地表温度与植被指数的土壤含水量反演模型。TVDI按下式计算：
Figure BDA0003978009540000191
Figure BDA0003978009540000192
式中：
LST——像元的地表温度；
NDVI——归一化差值植被指数(Normalized Difference Vegetation Index)；
NIR、R——分别代表遥感影像的近红外波段、红波段的表观反射率或地表反射率。NDVI取值范围为[-1，1]；
LSTmax——NDVI对应的最高温度，即干边；
LSTmin——NDVI对应的最低温度，即湿边；
a，b——为干边地表温度和NDVI的拟合方程的系数，通过对研究区域内的NDVI和LST作散点图近似获得。
应用特征空间法进行旱情监测时，要求监测区域应满足以下2个条件：
NDVI值的变化范围要大；
土壤表层含水量的变化范围应从萎蔫含水量到田间持水量。
NDVI的变化范围可以从遥感影像计算得到，而对土壤表层含水量变化范围的判别较为困难。
(五)微波遥感
微波(波长在1mm-1m之间)遥感是指通过微波传感器获取从目标地物发射或散射的电磁辐射，达到识别目标或定量反演物理参数、解算几何坐标的技术。它不受光照、气候条件限制，可全天时、全天候工作，能穿透云层，对植被和松散覆盖层具有一定的穿透能力，并通过多极化、干涉等技术获得更多更精确信息。在微波波段，土壤水分和介电常数密切相关，介电常数不同，产生的微波归一化后向散射截面亦不同。常用的微波依据波长的分类见下表，其中监测土壤湿度的主要是穿透能力更强的长波波段，如X、C、S、L波段等。
主要微波遥感波段
Figure BDA0003978009540000201
工作方式分主动式微波遥感和被动式微波遥感。主动微波遥感的传感器主要是雷达，目前应用的多为侧视雷达，是由传感器向地物发射一定频率的微波波束(脉冲)再接收由地面物体反射或散射回来的回波，从而得到目标物的图像。被动式的微波遥感，是用微波辐射计被动地记录等效温度变化，接收地面物体自身辐射的微波，确定不同目标的发射率，以此来分辨地物的遥感技术。
主动微波遥感，又称有源遥感，指从遥感平台上的人工辐射源，向目标物发射一定形式的电磁波，再由传感器接收和记录其反射波的遥感系统。其主要优点是不依赖太阳辐射而昼夜工作，而且可以根据探测目的的不同，主动选择电磁波的波长和发射方式。主动遥感一般使用的电磁波是微波波段和激光，多用脉冲信号，也有的用连续波束。普通雷达、侧视雷达、合成孔径雷达、红外雷达，激光雷达等都属于主动遥感系统。不同含水量的土壤介电特性不同，其回波信号也不同，据此可建立后向散射系数和土壤水分含量的函数关系，由于后向散射系数可由雷达获取，因此通过此函数关系即可反演出土壤湿度。主动微波遥感器发射一束经调制的电磁波能量，并且接收后向散射回波，通过后向散射系数，建立起目标物的形态和物理特征与后向散射回波的关系。大多数研究是依据统计方法，通过对数据间相关分析，建立土壤含水量(一般在10cm以内)与后向散射系数之间的经验函数公式，而以线性关系应用最普遍。算法包括半经验法、土壤湿度变化探测法、数据融合法和后向散射模型法。
被动微波遥感指由微波辐射计等传感器从远距离接收和记录地面物体自身的微波辐射，由此推测或分析物体各种特性的遥感技术。其反演土壤水分基于辐射传输方程，即通过卫星传感器获得的地表能量和地表辐射能建立能量平衡方程的关系。它利用高精度的辐射仪获取特定波段内地表的发射率，发射率和土壤的介电特性密切相关，而发射率乘上物理温度即为亮度温度。因此实际应用中，通过微波辐射计获得表示地物散射信号强度的土壤亮温，再由辐射传输方程反演或与土壤湿度建立经验/统计模型估算土壤湿度。依建模手段和方法，算法可分为统计反演算法和物理反演算法，统计算法分为经验统计算法和正向模型算法，物理反演算法分为辐射传输方程法、直接求解法(比辐射率法)、迭代求解法和人工神经网络法。
主被动数据融合的一般方法是采用SAR的高分辨率测定植被和粗糙度参数，然后结合低分辨率被动微波遥感的亮温来估算区域的土壤湿度。其它方法中，被动微波遥感的发射率和SAR的后向散射通过贝叶斯逻辑公式相结合来提高土壤湿度的估算。结合高分辨率的主动微波遥感数据来监测被动微波遥感估算土壤湿度亚像元的变异性具有很大的发展潜力。
(一)积分方程模型(IEM)
经典的Kirtchhoff模型(几何光学模型和物理光学模型)仅适用于有限的地表粗糙度范围内，且模型之间没有连续性，而自然界的实际地表粗糙度是连续而非离散的，包括了不同尺度的粗糙度，成像雷达每一个像元反映的地表后向散射系数都是这些不同尺度地表粗糙度平均散射的结果，因此要准确描述这种状况，需要一个连续的模型来对此模拟，积分方程模型IEM(Integrated Equation Model)即满足了这个要求，它是在辐射传输理论的基础上提出，适用于较广的粗糙度范围，下面作简单的介绍，该模型的单散射形式如下：
Figure BDA0003978009540000221
Figure BDA0003978009540000222
kz＝kcosθ，kx＝ksinθ，Wn为地表能量谱，即地表自相关函数的傅立叶频谱。
IEM模型由于其模拟的范围更接近真实地表而被广泛应用，但其还存在不足，比如σ0的模型模拟值和实测值之间的不一致性。其主要原因有两个方面，一是模型对实际地表粗糙度的刻画不准确，二是不同粗糙度的地表条件下，模型对Fresnel反射系数的处理过于简单。新近发展的改进积分方程模型AIEM也在这两方面进行了改进，可以更好地反演土壤湿度。
(二)水云模型
该模型中，农作物对微波散射的影响包括植被层的直接体散射和经过植被层双程衰减的下垫面地表散射。为了简化植被层的散射机制，水云模型将植被层看作为一层浮于地表面之上，由大量大小相同、均匀分布的整个植被空间的颗粒组成。模型中只考虑单散射，对于植被层所需要考虑的是植被的高度和密度，这两个变量与水分成正比。
水云模型描述形式如下：
Figure BDA0003978009540000231
σ0(θ)是植被覆盖地表下总的后向散射系数，
Figure BDA0003978009540000232
为植被层的后向散射系数，
Figure BDA0003978009540000233
是直接地表后向散射系数，γ2(θ)是农作物的双程衰减因子，其中：
Figure BDA0003978009540000234
γ2(θ)＝exp(-2Bmvegsecθ)
式中，A和B分别为依赖于植被类型的参数，mveg是植被含水量(kg/m3)。
水-云模型简单的描述了农作物覆盖地表的后向散射机制，在农作物地区较为实用。但它将整个农作物覆盖层作为一个一致的散射体，而没有考虑多次散射作用，在计算高大的作物时可能会造成较大的误差。
(三)MIMICS模型
土壤水分的微波反演算法中，地表植被的影响非常重要。由于地表植被为非各向同性介质，其结构十分复杂，组成植被结构的各部分如茎、秆、叶具有不同形状、大小、厚度和朝向等，因此形成不同微波散射机制。该模型是基于微波辐射传输方程一阶解的植被散射模型，是目前应用最为广泛的微波植被散射特性理论模型。
这个模型主要针对森林覆盖的粗糙地面开发的，即它把树简化为由树冠、树干和粗糙地面。根据各部分的形状，用介电圆柱体模拟树冠和树干，用介电圆盘模拟树叶，而且在模型里，把树冠层的水平方向假定为连续和封闭的，其模型的后向散射表示如下：
Figure BDA0003978009540000241
上述公式中，左端代表来自植被覆盖地表任意pq极化总的雷达后向散射系数，右边的各项分别表示为：
Figure BDA0003978009540000242
为植被直接后向散射部分；
Figure BDA0003978009540000243
为植被层-下垫面地表和下垫面-植被层相互耦合作用的后向散射部分；
Figure BDA0003978009540000244
为下垫面地表-植被-下垫面地表相互耦合作用的后向散射部分；
Figure BDA0003978009540000245
经过植被层双程衰减的下垫面地表的直接后向散射部分；
Figure BDA0003978009540000246
经过植被层衰减的秆层-地表和地表-秆层二面角反射。
各项代表的后向散射机制都是植被参数、下垫面地表参数、极化和入射角等参数的函数。可以看出，MIMICS模型对植被的描述比较详细，因此能够比较真实的模拟植被覆盖地表的微波后向散射，但是该模型所应用的地表模型适用的地表条件范围较小。另外，需要的输入参数繁多，是针对高大植被生物量估计等植被参数发展而来的，并不适合在低矮植被覆盖区应用。对低矮植被区，必须调整简化相应的参数设置，并进行验证。
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (7)

1.一种干旱驱动的卫星多传感器动态组网观测模型，其特征在于，该模型将农田干旱划分为不同阶段，包括：从潜伏期到开始期T1、从开始期到发展期T2、从发展期到消亡期T3，潜伏期重点关注气象降雨干旱，开始期重点关注根系层土壤水分，发展期重点关注植被生长状态，消亡期重点关注降水和土壤水分。
2.如权利要求1所述的一种干旱驱动的卫星多传感器动态组网观测模型，其特征在于，
所述潜伏期使用的观测模型为标准化降水指数和云指数法；
所述开始期使用的观测模型为作物缺水指数；
所述发展期使用的观测模型为植被状态指数、植被健康指数和距平植被指数；
所述消亡期使用的观测模型为标准化降水指数、云指数法和作物缺水指数。
3.如权利要求1所述的一种干旱驱动的卫星多传感器动态组网观测模型，其特征在于，面向干旱过程的卫星多传感器动态组网观测模型将干旱组网观测划分成两个阶段：日常组网监测和应急组网监测。
4.如权利要求3所述的一种干旱驱动的卫星多传感器动态组网观测模型，其特征在于，所述日常组网监测，综合使用FY-3/Terra/Aqua MODIS卫星数据，计算标准化降水指数、云指数干旱遥感监测模型，一旦模型计算值超过了阈值T1，则启动应急组网观测。
5.如权利要求3所述的一种干旱驱动的卫星多传感器动态组网观测模型，其特征在于，所述应急组网监测，综合使用GF-2/Terra/Aqua MODIS卫星数据，计算植被状态指数、植被健康指数、距平植被指数、作物缺水指数，一旦模型计算值超过了阈值T3，则终止应急组网监测，返回日常组网观测。
6.如权利要求2所述的一种干旱驱动的卫星多传感器动态组网观测模型，其特征在于，所述植被状态指数
轻度干旱：30％<植被状态指数≤40％；
中毒干旱：20％<植被状态指数≤30％；
严重干旱：10％<植被状态指数≤20％；
特大干旱：0<植被状态指数≤10％；
所述植被健康指数
轻度干旱：30％<植被健康指数≤40％；
中毒干旱：20％<植被健康指数≤30％；
严重干旱：10％<植被健康指数≤20％；
特大干旱：0<植被健康指数≤10％。
7.如权利要求2所述的一种干旱驱动的卫星多传感器动态组网观测模型，其特征在于，所述距平植被指数
轻度干旱：-0.3<距平植被指数≤-0.2；
中毒干旱：-0.4<距平植被指数≤-0.3；
严重干旱：-0.6<距平植被指数≤-0.4；
特大干旱：距平植被指数≤-0.6；
所述作物缺水指数
轻度干旱：30％<作物缺水指数≤40％；
中毒干旱：20％<作物缺水指数≤30％；
严重干旱：10％<作物缺水指数≤20％；
特大干旱：0<作物缺水指数≤10％。
CN202211547127.6A 2022-12-02 2022-12-02 一种干旱驱动的卫星多传感器动态组网观测模型 Pending CN116091261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211547127.6A CN116091261A (zh) 2022-12-02 2022-12-02 一种干旱驱动的卫星多传感器动态组网观测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211547127.6A CN116091261A (zh) 2022-12-02 2022-12-02 一种干旱驱动的卫星多传感器动态组网观测模型

Publications (1)

Publication Number Publication Date
CN116091261A true CN116091261A (zh) 2023-05-09

Family

ID=86201529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211547127.6A Pending CN116091261A (zh) 2022-12-02 2022-12-02 一种干旱驱动的卫星多传感器动态组网观测模型

Country Status (1)

Country Link
CN (1) CN116091261A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424405A (zh) * 2013-08-27 2013-12-04 华南农业大学 一种基于hj-1a/1b ccd数据的干旱监测方法
CN110163472A (zh) * 2019-04-11 2019-08-23 中国水利水电科学研究院 大范围极端干旱应急监测与影响评估方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424405A (zh) * 2013-08-27 2013-12-04 华南农业大学 一种基于hj-1a/1b ccd数据的干旱监测方法
CN110163472A (zh) * 2019-04-11 2019-08-23 中国水利水电科学研究院 大范围极端干旱应急监测与影响评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张翔: "面向干旱监测应用的星地多传感器协同方法研究", 基础科学 *
马建琴，郝秀平，刘蕾: "《3S技术研究与应用 广东RS&GIS学会论文集[M]》", 北京：中国农业大学出版社, pages: 295 - 296 *

Similar Documents

Publication Publication Date Title
Bouman Linking physical remote sensing models with crop growth simulation models, applied for sugar beet
Dente et al. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield
McNairn et al. The soil moisture active passive validation experiment 2012 (SMAPVEX12): Prelaunch calibration and validation of the SMAP soil moisture algorithms
Moran et al. Comparison of ERS-2 SAR and Landsat TM imagery for monitoring agricultural crop and soil conditions
Le Maire et al. Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf area index and leaf canopy biomass
Kim et al. Development of a hybrid method for estimating land surface shortwave net radiation from MODIS data
Graham et al. Extracting biophysical parameters from remotely sensed radar data: A review of the water cloud model
Cammalleri et al. The impact of in-canopy wind profile formulations on heat flux estimation in an open orchard using the remote sensing-based two-source model
Mecikalski et al. Use of Meteosat Second Generation optimal cloud analysis fields for understanding physical attributes of growing cumulus clouds
AU2017376837A1 (en) Detection of environmental conditions
Kim et al. Robust retrieval of soil moisture at field scale across wide-ranging SAR incidence angles for soybean, wheat, forage, oat and grass
CN114782834A (zh) 基于比值法的农田土壤水分反演方法及系统
Melesse et al. Estimation of spatially distributed surface energy fluxes using remotely‐sensed data for agricultural fields
Zhang et al. Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
Huang et al. Modelling and validation of combined active and passive microwave remote sensing of agricultural vegetation at L-band
Zhao et al. A preliminary study on mechanism of LAI inversion saturation
Tokay et al. Comparison of raindrop size distribution between NASA’s S-band polarimetric radar and two-dimensional video disdrometers
Champion et al. Generalized semi-empirical modelling of wheat radar response
CN116091261A (zh) 一种干旱驱动的卫星多传感器动态组网观测模型
Angearu et al. Remote sensing methods for detecting and mapping hailstorm damage: a case study from the 20 July 2020 hailstorm, Baragan Plain, Romania
Thanabalan et al. Derivation of Soil Moisture using Modified Dubois Model with field assisted surface roughness on RISAT-1 data.
CN115326721A (zh) 一种作物水分胁迫估算的方法
Schmidt et al. Application of remote sensing technology in the SA Sugar Industry–A review of recent research findings
Morland et al. The estimation of land surface emissivities at 24 GHz to 157 GHz using remotely sensed aircraft data

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