CN116304524B - 土壤含水量监测方法、设备、存储介质及装置 - Google Patents
土壤含水量监测方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN116304524B CN116304524B CN202211639388.0A CN202211639388A CN116304524B CN 116304524 B CN116304524 B CN 116304524B CN 202211639388 A CN202211639388 A CN 202211639388A CN 116304524 B CN116304524 B CN 116304524B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- soil
- water content
- model
- moisture content
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 437
- 238000012544 monitoring process Methods 0.000 title claims abstract description 286
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 148
- 230000008569 process Effects 0.000 claims abstract description 83
- 238000012417 linear regression Methods 0.000 claims abstract description 70
- 238000000611 regression analysis Methods 0.000 claims abstract description 17
- 230000004907 flux Effects 0.000 claims description 50
- 230000005855 radiation Effects 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 20
- 238000012806 monitoring device Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012886 linear function Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002352 surface water Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 230000005068 transpiration Effects 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种土壤含水量监测方法、设备、存储介质及装置,该方法包括:基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;根据预设土壤含水量监测模型的观测值和多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测。本发明基于热惯量理论确定土壤含水量的影响因子,根据多元线性回归方法和高斯过程回归分析获得土壤含水量监测的最优土壤含水量监测模型对土壤含水量进行监测,从而提高监测精度。
Description
技术领域
本发明涉及农业技术领域,尤其涉及一种土壤含水量监测方法、设备、存储介质及装置。
背景技术
表层土壤水分是作物生长、发育的基本条件,对陆地表面水资源的形成、转化及消耗过程有强控制作用。一段时期内,土壤水分降低将引起的作物产量减少,故土壤水分是衡量农业干旱程度重要指标。因此,如何提高土壤水分含量的监测精度对横梁农业干旱程度非常重要。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种土壤含水量监测方法、设备、存储介质及装置,旨在解决如何提高土壤含水量的监测精度的技术问题。
为实现上述目的,本发明提供一种土壤含水量监测方法,所述土壤含水量监测方法包括以下步骤:
基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;
基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
可选地,所述土壤含水量的影响因子包括:反照率、地表温度、植被指数、地表净辐射通量、土壤热通量以及改进型温度植被旱情指数;
所述基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型的步骤,包括:
根据遥感方法和土壤热传导公式确定所述地表净辐射量,并根据所述地表净辐射量确定土壤热通量;
根据所述土壤含水量的影响因子确定预设土壤含水量监测模型;
基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
其中,所述土壤含水量监测的多元线性回归模型为:
式中,YSSM为所述土壤含水量监测的多元线性回归模型,Ts为所述地表温度,EVI为所述植被指数,A为所述反照率,Rn为所述地表净辐射量,G为所述土壤热通量,MTVDI为所述改进型温度植被旱情指数,为相对误差,F为多元线性函数,X为影响因子向量。
可选地,所述地表净辐射量为:
Rn=Cr·Sn·(1-A)·d·sinθ+L↓-L↑;
式中,Rn为所述地表净辐射量,Cr为太阳短波辐射的大气透射率,Sn为地表短波净辐射,θ为太阳高度角,d为太阳与地球距离,L↓为下行长波辐射,L↑为上行长波辐射;
所述土壤热通量为:
式中,ε为地表辐射比率,NDVI为归一化植被指数。
可选地,所述根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型的步骤,包括:
根据所述预设土壤含水量监测模型的观测值确定所述多元线性回归模型的先验分布;
确定所述多元线性回归模型的监测值的联合分布;
基于所述先验分布和所述联合分布确定所述土壤含水量监测的高斯过程回归模型。
可选地,所述基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测的步骤,包括:
基于贝叶斯定理并根据所述高斯过程回归模型确定土壤含水量监测函数;
根据所述高斯过程回归模型和所述土壤含水量监测函数确定最优土壤含水量监测模型,并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
可选地,所述基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型的步骤之前,还包括:
获取遥感图像、遥感反照率图像和观测站数据,并根据所述遥感图像、所述遥感反照率图像和所述观测站数据确定确定预设土壤含水量监测模型。
可选地,所述基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测的步骤之后,还包括:
根据所述观测站数据确定土壤含水量监测的测试集;
根据所述测试集和所述最优土壤含水量监测模型,获得土壤含水量监测值;
根据所述土壤含水量监测值和土壤含水量实际值判断所述最优土壤含水量监测模型的精度。
此外,为实现上述目的,本发明还提出一种土壤含水量监测设备,所述土壤含水量监测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行土壤含水量监测程序,所述土壤含水量监测程序配置为实现如上文所述的土壤含水量监测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有土壤含水量监测程序,所述土壤含水量监测程序被处理器执行时实现如上文所述的土壤含水量监测方法。
此外,为实现上述目的,本发明还提出一种土壤含水量监测装置,所述土壤含水量监测装置包括:模型确定模块和模型监测模块;
所述模型确定模块,用于基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
所述模型确定模块,还用于根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;
所述监测模块,用于基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
本发明公开了一种土壤含水量监测方法、设备、存储介质及装置,该方法包括:基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;根据预设土壤含水量监测模型的观测值和多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测。本发明基于热惯量理论确定土壤含水量的影响因子,根据多元线性回归方法和高斯过程回归分析获得土壤含水量监测的最优土壤含水量监测模型对土壤含水量进行监测,从而提高监测精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的土壤含水量监测设备的结构示意图;
图2为本发明土壤含水量监测方法第一实施例的流程示意图;
图3为本发明土壤含水量监测方法第二实施例的流程示意图;
图4为本发明土壤含水量监测方法第三实施例的流程示意图;
图5为本发明土壤含水量监测方法一实施例的LST-EVI特征空间分布图;
图6为本发明土壤含水量监测方法一实施例的模型验证结果图;
图7为本发明土壤含水量监测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的土壤含水量监测设备结构示意图。
如图1所示,该土壤含水量监测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM),也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对土壤含水量监测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及土壤含水量监测程序。
在图1所示的土壤含水量监测设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述土壤含水量监测设备通过处理器1001调用存储器1005中存储的土壤含水量监测程序,并执行本发明实施例提供的土壤含水量监测方法。
基于上述硬件结构,提出本发明土壤含水量监测方法的实施例。
参照图2,图2为本发明土壤含水量监测方法第一实施例的流程示意图,提出本发明土壤含水量监测方法第一实施例。
步骤S10:基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
需要说明的是,本实施例的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算机软件设备,例如,土壤含水量监测设备等,或者是其他能够实现相同或相似功能的电子设备,本实施例对此不加限制。
应理解的是,表层土壤水分是作物生长、发育的基本条件,对陆地表面水资源的形成、转化及消耗过程有强控制作用。一段时期内,土壤水分降低将引起的作物产量减少,故土壤水分是衡量农业干旱程度重要指标。因此,发展准确、高效、时空连续的区域表层土壤水分估算方法对水资源管理、干旱监测等具有重要意义。
尽管地面观测方法(烘干法、中子水分仪、时域反射仪(Time Domain Refectory,TDR)法、频域反射仪(Frequency Domain Refectory,FDR)法及大型物理模拟设施等)能够获得可靠的表层土壤含水量资料,但该方法成本高、时效性差、耗时费力。且通过有限观测数据推断的土壤水分空间分布空间分辨率差、甚至在空间趋势上存在明显错误。而卫星遥感技术的不断进步,为在空间上完整和时间上连续估算SSM提供了一种经济有效的技术手段。
主、被动微波技术获取的回波强度及亮度温度对土壤水分更加敏感,且受天气条件的影响较小,被广泛用于估算区域表层土壤水分。主动微波技术提供高分辨率对地观测图像,适合精细尺度的土壤水分监测。但雷达图像的回波强度和极化特性受地表粗糙度和植被结构的影响,反演密集植被覆盖的农田区域仍存在一定挑战,且难以提供作物生育期内连续的密集时间序列产品[7]。被动微波遥感依靠传感器获取的亮度温度与表层土壤水分(2-5cm)之间的密切关系反演SSM。目前,多个国家或机构利用被动微波遥感技术发布逐日的土壤湿度产品,观测尺度从9~40km,为全球水循环及陆表水分变化提供了监测手段。此外,全球土地数据同化系统(GLDAS,0.125°×0.125°)和中国气象局陆地数据同化系统(CLDAS,0.0625°×0.0625°)也发布了空间完整性和时间连续性土壤水分产品。然而,这些土壤水分产品的空间尺度难以应用于农业领域,特别是对于具有复杂作物类型的农业用地。
在促进土壤湿度产品在农业领域的应用,高时空分辨率光学遥感影像如MODIS等被用以建立SSM监测模型。一定植被覆盖条件下的冠层温度、植被生长状态能够间接反映土壤供水情况。基于此理论,Kogan等、Toby等分别利用温度状态指数(TemperatureCondition Index,TCI)、植被供水指数(Vegetation Supply Water Index,VSWI)与SSM之间的密切联系建立反演模型。2002年,Sandholt等根据植被-温度特征空间提出一种温度植被旱情指数(Temperature Vegetation Drought Index,TVDI)以表述作物水分胁迫状况。在此三角特征空间中,高植被覆盖地表温度变化幅度小;而裸土区域,地表温度变化幅度大。TVDI不仅能够描述作物水分胁迫状况,也能够表征不同下垫面地表温度变化速率。Patel等基于MODIS影像评价了TVDI推断土壤水分状况的潜力。此后,基于温度植被旱情指数或改进型温度植被旱情指数(Modify Temperature Vegetation Drought Index,MTVDI)被广泛认可。基于温度植被旱情指数监测干旱是一种高效、可行的方法。然而,定量化参数土壤湿度受植被蒸发蒸腾量、地表净辐射、地热特性、风速、相对湿度等多因素影响,单一特征难以准确地描述定量化土壤湿度,为了便于理解,参照图5进行说明,图5表示LST-EVI特征空间分布图,LST表示地表温度,EVI表示植被指数,ΔLSTmax表示地表温度变化最高值,ΔLSTmin表示地表温度变化最低值。
白亮亮等、程明翰等利用地表温度、植被指数、反照率等多源遥感特征和随机森林方法生成了准确的、时空连续的区域土壤湿度分布,但对于输入遥感特征的选择没有做出明确指导。田国良等通过对微波、热惯量法、植被指数及温差反演土壤湿度等方法进行研究和综合评价表明:热惯量法具有严格的物理基础,在裸土和低植被覆盖区反演精度较高。刘振华等引入陆面平衡方程改进热惯量模型,使改进后的模型在植被覆盖区域能够获得良好的结果。在热惯量模型中,求解大气-土壤界面综合因子需要大量的地面同步气象观测资料及两次地表温度观测数据(即温差),这些极大地限制了该模型的应用。
为了克服上述缺陷,本实施例根据热惯量理论确定土壤含水量影响因子,基于土壤含水量影响因子确定预设土壤含水量监测模型,并基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型,根据高斯过程回归对多元线性回归模型进行分析获得土壤含水量监测的高斯过程回归模型,最后根据贝叶斯定理对高斯过程回归模型进行优化获得最优土壤含水量监测模型,通过最优土壤含水量监测模型能够提升土壤含水量的监测精度。
需要说明的是,基于上述对热惯量理论以及热惯量模型的分析,得到对土壤表层含水量反演起到至关作用的影响因子为反照率、地表温度、植被指数、地表净辐射通量、土壤热通量及MTVDI(改进型温度植被旱情指数)。
可以理解的是,在遥感地学应用、水文监测预报等实际问题中,影响因变量的自变量往往存在多个,因此需要进行一个因变量与多个自变量间的回归分析。多元线性回归分析通常包含以下内容:1)分析各自变量与因变量的综合相关性;2)根据因变量与自变量特征的样本值建立一对多的最优多元线性回归模型;3)评定各自变量对因变量影响重要性以及测定最优模型的偏离度。
可以理解的是,基于自变量土壤含水量的影响因子和因变量土壤含水量之间的多元线性关系建立土壤含水量监测的多元线性回归模型。
进一步地,为了提高对土壤水分含量的监测精度,因此本实施例步骤S10可包括:
获取遥感图像、遥感反照率图像和观测站数据,并根据所述遥感图像、所述遥感反照率图像和所述观测站数据确定确定预设土壤含水量监测模型。
需要说明的是,获取的遥感图像可以是MODO2 1KM中等分辨率遥感图像,遥感反照率图像可以是MCD43A3中等分辨率遥感反照率图像,观测站数据可以是时空对应的地面小气候观测站数据。
需要说明的是,通过遥感图像、遥感反照率图像和观测站数据获取反照率、地表温度、植被指数、地表净辐射通量、土壤热通量以及改进型温度植被旱情指数这些土壤含水量影响因子,提取土壤含水量影响因子的特征,在土壤含水量影响因子的特征基础上建立预设土壤含水量监测模型。
需要说明的是,地面土壤水分观测数据;此部分数据来自气象局布设的农田小气候观测站。监测数据的使用需通过预处理将失效数据剔除。此外,中等分辨遥感卫星影像数据通常为混合像元,靠近水面、河流的农田观测站点与卫星观测结果存在较大的差异性。此类地面-卫星观测信息转化存在问题的数据也需要人工剔除。共收集了研究区内57个有效观测站点:
遥感数据;Terra和Aqua卫星携带的中分辨率成像光谱仪(Moderate-resolutionImaging Spectroradiometer,MODIS)能够提供陆地-海洋温度、陆地表面覆盖状况、水汽、汽溶胶等图像,可实现对太阳辐射、陆地、海洋和大气进行综合观测。MOD021km是经过辐射校正和地理校正后的空间分辨率为1km的反射率产品,该产品提供逐日的具有36个中等分辨率水平的光谱波段(0.25um~1um)。因站点观测资料的采集时间为上午10:00-12:00之间,故本实施例采用MOD021km数据作为本次试验的主要数据源之一。
地表反照率(albedo)指地球表面总的反射辐射通量与入射辐射通量之比,它是对陆面辐射能收支影响最大的一个参数,也是准确估算地表净辐射通量、陆面蒸散、土壤湿度等陆面参数的先决条件。MODIS的BRDF/Albedo产品(MOD43A3),地面分辨率500m,空间分辨率为1天,含有可见光-近红外波段和宽波段的全球黑夜(Black-sky)反照率和白天(White-sky)反照率,且产品像元经过质量控制保证,是一套质量很高且被众多学者广泛认可的资料。通过利用同一天的MODIS中分辨率影像、反照率产品及多期地面同步观测数据,并按照作物生长期和非作物生长期分别建立预设土壤含水量监测模型。参与模型训练数据如表1所示,表1位遥感资料表:
表1_遥感资料表
进一步地,为了提高对土壤水分含量的监测精度,因此本实施例步骤S10可包括:
根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型。
根据遥感方法和土壤热传导公式确定所述地表净辐射量,并根据所述地表净辐射量确定土壤热通量;
根据所述土壤含水量的影响因子确定预设土壤含水量监测模型;
基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
需要说明的是,土壤热惯量(P)是土壤的热物理特性,能够反映土壤温度变化的快慢及地表蓄热能力。在土壤介质不变的情况下,土壤热惯量可视为一种不变量,且热惯量越大,温度变化越小。因此,在其他因素相同的情况下,湿润土壤的地表温度日变化比干燥土壤小。
式中,λ为热传导率(Jm-1·K-1·S-1),ρ是土壤空隙密度(kg·m-3),C为比热(J·kg-1·K-1)。
根据陆面能量传输平衡原理,地表净辐射量Rn(W·m-2)应与进入大气中的潜热通量LE(W·m-2)、感热通量H(W·m-2)和土壤热通量G(W·m-2)守恒。即:
式中,T为地表温度,t为时间,z为地表以下的深度。可以根据公式可知,土壤热通量由地表净辐射量、潜热通量和感热通量估算。且在一定的条件下(气象、表面粗糙度等),潜热通量和感热通量都与地表温度变化相关。
H=ρa·Cρ·(T0-Ta)/rac;
式中,Ts为地表温度,Ta为空气温度,A和a为地表反照率,S0为太阳常数,Cτ为太阳短波辐射的大气透射率,ε为地表比辐射率,b为比湿度,qair为空气密度,σ为玻尔兹曼常数。r=[ln(z1/z0)]2/k2u,k为卡尔曼常数(0.41),u为观测站点平均两分钟风速,z1和z0分别是观测塔垂直高度和植被高度。ρa为空气密度,Cρ为空气比热(1003.2J·kg-1),T0为热量交换表面的空气动力学温度,rac为空气动力学阻抗(s·m-1)。而温度函数可表示为:
将温度函数代入LE和H求解方程中,从而反求出热惯量,得出适用于植被覆盖较大区域的相对真实热惯量模型。
式中,T(x,t)为t时刻、x深度的土壤温度,B为大气-土壤综合因子,An为cosθ的傅里叶展开式各分量的振幅。δ,ω,φ分别为太阳赤纬,当地纬度,地球自转角速度和大气-土壤界面综合因子(B)是土壤温度日变化幅度的线性函数。定量化求解参数B涉及饱和水气压、干湿球表常数,相对湿度及表面粗糙度等众多参数相关。
需要说明的是,地表净辐射是驱动大气运动的主要能量,是地表水分输送与交换过程中的主要能量。蒸散水分的交换是水由液态到气态的相变过程,此过程伴随着能量吸收和地表降温。蒸散量很大程度上受气温、风速、作物长势和土壤含水量影响。当土壤水分充足时,植被蒸腾和土壤蒸发作用增强。相反,当土壤水分不足时,植被蒸腾和土壤蒸发作用减小。
此外,蒸散量对冠层温度具有控制作用。在一定的净辐射条件下,当土壤水分无法满足潜在蒸散时,用于改变周围环境温度的感热量增加,冠层温度升高,气孔阻力增大,从而进一步抑制蒸散。土壤温度与植被冠层温度具有高度的相关性,当土壤温度升高时,进入土壤系统的土壤热通量相应地增大。由此可以分析得出,土壤含水量与蒸散量和土壤热通量最为密切相关。同时,与地表净辐射量也有一定的相关性。求解感热通量、蒸散量需要大量的气象观测数据如气温、相对湿度、风速等,增加了土壤表层土壤水分反演的复杂度。同时,有限的气象观测站在区域尺度应用中难以提供高空间分辨率气象数据。因此,应考虑使用遥感手段直接计算得到的地表净辐射通量和土壤热通量替代土壤热传导方程中相应结果,即Rn-G=LE+H。
在具体实现中,地表净辐射量为:
Rn=Cr·Sn·(1-A)·d·sinθ+L↓-L↑;
式中,Rn为所述地表净辐射量,Cr为太阳短波辐射的大气透射率,Sn为地表短波净辐射,θ为太阳高度角,d为太阳与地球距离,L↓为下行长波辐射,L↑为上行长波辐射;
土壤热通量为:
式中,ε为地表辐射比率,NDVI为归一化植被指数。
需要说明的是,大气-土壤界面综合因子(B)与土壤温度变化幅度ΔTg呈线性关系。通常利用地面观测数据建立函数关系以模拟参数B。若建立一个快速的、大尺度、以遥感特征为主导预设土壤含水量监测模型,有必要利用相关遥感特征替代ΔTg特征。TVDI、MTVDI能够表征不同下垫面地表温度变化速率,因此,本实施例引入MTVDI特征以替代参数B。并且,基于上述对热惯量理论的分析和热惯量模型的演变过程确定土壤含水量的影响因子。
在具体实现中,预设土壤含水量监测模型为:
土壤含水量监测的多元线性回归模型为:
式中,SSM1为所述预设土壤含水量监测模型,YSSM为所述土壤含水量监测的多元线性回归模型,Ts为所述地表温度,EVI为所述植被指数,A为所述反照率,Rn为所述地表净辐射量,G为所述土壤热通量,MTVDI为所述改进型温度植被旱情指数,为相对误差,F为多元线性函数,X为影响因子向量。
需要说明的是,线性回归是以最小二乘为理论核心的最优求解过程,而高斯过程回归是适用于观测发生在连续时域或空间域中的一种特殊的概率模型。在GPR模型中求解将误差项视为均值为0、方差为δ2的独立高斯分布。高斯过程回归对给定输入土壤含水量的影响因子与多元线性回归模型输出之间的关系进行推断,即确定多元线性回归模型输出的条件分布。依据高斯过程的定义可知,目标输出之间服从多元联合高斯分布,其性质完全由均值函数和核(即协方差)函数K确定。
需要说明的是,根据预设土壤含水量监测模型的观测值的先验分布以及多元线性回归模型输出的监测值之间的多元联合高斯分布确定土壤含水量监测的高斯过程回归模型。
步骤S30:基于贝叶斯定理对所述高斯过程回归模型进行优化,获得。并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
需要说明的是,多元线性回归模型能够给出明确的经验方程且可泛化性强,有利于监测模型的推广应用,在多源遥感特征的基础上,本实施例利用GPR和多元线性回归建立最优土壤含水量监测模型。
本实施例基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;根据预设土壤含水量监测模型的观测值和多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测。本发明基于热惯量理论确定土壤含水量的影响因子,根据多元线性回归方法和高斯过程回归分析获得土壤含水量监测的最优土壤含水量监测模型对土壤含水量进行监测,从而提高监测精度。
参照图3,图3为本发明土壤含水量监测方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明土壤含水量监测方法的第二实施例。
在第二实施例中,所述步骤S20,包括:
步骤S201:根据所述预设土壤含水量监测模型的观测值确定所述多元线性回归模型的先验分布。
需要说明的是,预设土壤含水量监测模型的观测值的多元线性回归模型的先验分布可以是:
式中,N表示函数,K表示协方差函数,I表示单位矩阵。
步骤S202:确定所述多元线性回归模型的监测值的联合分布。
需要说明的是,由于多元线性回归模型的目标输出即监测值服从多源联合高斯分布,因此确定元线性回归模型的观测点集(X,y)和监测点集(X*,y*)的联合分布可以是:
式中,Yssm表示观测值,表示监测值,δ2表示方差。
步骤S203:基于所述先验分布和所述联合分布确定所述土壤含水量监测的高斯过程回归模型。
可以理解的是,高斯过程回归(Gaussian process regression,GPR)是以贝叶斯估计为基础,从概率的角度求解最优解的一种机器学习方法。相比于随机森林、支持向量机等经典机器学习模型,GPR模型适用于处理多特征、小样本的回归问题。
本实施例根据所述预设土壤含水量监测模型的观测值确定所述多元线性回归模型的先验分布;确定所述多元线性回归模型的监测值的联合分布;基于所述先验分布和所述联合分布确定所述土壤含水量监测的高斯过程回归模型。本实施例基于多元线性回归模型确定高斯过程回归模型,根据高斯过程回归模型能更好的对土壤含水量进行监测,从而能及时监测各地区的干旱情况。
参照图4,图4为本发明土壤含水量监测方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明土壤含水量监测方法的第三实施例。
在第三实施例中,所述步骤S30,还包括:
步骤S301:基于贝叶斯定理并根据所述高斯过程回归模型确定土壤含水量监测函数。
在具体实现中,土壤含水量监测函数可以是:
V(YSSM *)=K(X*,X*)-K(X*,X)·[K(X,X)+σ2I]-1·K(X,X*);
式中,是监测值/>的均值,V(YSSM *)是监测方差。
步骤S302:根据所述高斯过程回归模型和所述土壤含水量监测函数确定最优土壤含水量监测模型,并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
需要说明的是,可以通过将最优土壤含水量监测模型对土壤含水量监测结果与实际的土壤含水量的数据进行对比进行验证,从而表明本实施例获得的最优土壤含水量监测模型具有较高的监测精确度,具体实验如下:
首先,在IBM SPSS Statistics平台分析各遥感特征与土壤体积含水率之间的相关性。表2为土壤体积含水量与各遥感特征的相关性表,表2中“**”表明在0.01水平(双侧)上显著相关,“*”表明在0.05水平(双侧)上显著相关,根据表2可知:土壤水分与地表净辐射、EVI、MTVDI呈正相关;地表净辐射越大,表层土壤水分含量越大。土壤水分与地表温度、反照率、土壤热通量、MTVDI呈负相关。其中,土壤热通量与土壤水分的相关性最为显著,即单位时间、单位面积上进入土壤的热量越高,土壤水分越低。在非作物生长季,各遥感特征与土壤表层水分的相关性明显;但在作物生长季,由于植被表面和植物活动的影响,地表温度、反照率、地表净辐射与土壤湿度之间的相关性明显减弱,而土壤热通量和MTVDI仍能够明确地描述表层土壤水分含量。
表2_土壤体积含水量与各遥感特征的相关性表
/>
利用多源遥感特征与地面实时观测数据,分别建立多元线性回归模型和高斯回归模型,从而获得最优土壤含水量监测模型。表3为土壤湿度线性监测方程表。通过多次试验,将参数gamma和惩罚系数C分别设置为0.001和50能够取得最优的监测结果。
表3_土壤湿度线性监测方程表
为了便于理解,参照图6进行说明,图6为模型验证结果图,图6中表示作物生育期、非作物生育期内各三期遥感影像反演土壤湿度的线性模型验证结果。结果表明:在非作物生育期内,该方法反演土壤体积含水率效果优良,描述样本数据拟合度的R2为0.65,平均绝对误差为2.1%,均方根误差为2.6%;在作物生育期内,该方法的R2为0.61,平均绝对误差为2.4%,均方根误差为3.0%。总体来说,由于受到作物覆盖及土壤-植物-大气连续体中的水热运移对反照率、土壤热通量、地表温度等特征的影响,非作物生长季土壤湿度反演精度高于作物生长季节反演精度。此外,该方法在监测土壤体积含水率时能够更为准确地监测普遍状况,而对于土壤体积含水量过低(小于10%)或过高(大于30%)则存在偏差。具体表现为:在土壤体积含水量过低(小于10%)时,监测结果高于真实值;而在土壤体积含水量过高(大于30%)时,监测结果则低于真实值。在非作物生长季,最优土壤含水量监测模型监测值与实测值之间的MAE和RMSE分别为1.9%和2.5%;在作物生长季,高斯回归模型同样具有更佳的表现。最优土壤含水量监测模型具有更优表现的原因可以归结于以下两点:1)模型监测结果满足正态分布,与表层土壤湿度实际情况更为符合;2)在拥有少量的数据,同时引入先验信息并且显示不确定性能够有效提高最优土壤含水量监测模型的精度。
进一步地,为了检测最优土壤含水量监测模型的模型精度,因此本实施例步骤S302之后还包括:
根据所述观测站数据确定土壤含水量监测的测试集;
根据所述测试集和所述最优土壤含水量监测模型,获得土壤含水量监测值;
根据所述土壤含水量监测值和土壤含水量实际值判断所述最优土壤含水量监测模型的精度。
需要说明的是,利用R2、均方根误差(RMSE)和平均绝对误差(MAE)评价指标对反演结果进行评价。R2能够描述样本数据的拟合度,R2越接近1,说明模型对于样本数据的拟合度越高。MAE和RMSE能够描述监测值与真实值之间的差异,MAE和RMSE越小,监测值越接近真实值,模型的精度越高。
本实施例基于贝叶斯定理并根据所述高斯过程回归模型的后验分布确定土壤含水量监测函数;根据所述高斯过程回归模型和所述土壤含水量监测函数确定最优土壤含水量监测模型,并根据所述最优土壤含水量监测模型对土壤含水量进行监测。本实施例通过高斯过程回归模型和所述土壤含水量监测函数确定最优土壤含水量监测模型,由于高斯过程回归模型的监测结果满足正态分布并且为了防止数据的不确定性从而引入先验分布信息,进而提高了最优土壤含水量监测模型的监测精度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有土壤含水量监测程序,所述土壤含水量监测程序被处理器执行时实现如上文所述的土壤含水量监测方法。
此外,参照图7,本发明实施例还提出一种土壤含水量监测装置,所述土壤含水量监测装置包括:模型确定模块10和模型监测模块20;
所述模型确定模块10,用于基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
所述模型确定模块10,还用于根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;
所述模型监测模块20,用于基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
本实施例基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;根据预设土壤含水量监测模型的观测值和多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测。本发明基于热惯量理论确定土壤含水量的影响因子,根据多元线性回归方法和高斯过程回归分析获得土壤含水量监测的最优土壤含水量监测模型对土壤含水量进行监测,从而提高监测精度。
基于本发明上述土壤含水量监测装置第一实施例,提出本发明土壤含水量监测装置的第二实施例。
在本实施例中,所述模型确定模块10,用于根据遥感方法和土壤热传导公式确定所述地表净辐射量,并根据所述地表净辐射量确定土壤热通量。
进一步地,所述模型确定模块10,还用于根据所述土壤含水量的影响因子确定预设土壤含水量监测模型。
进一步地,所述模型确定模块10,还用于基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型。
进一步地,所述模型确定模块10,还用于根据所述预设土壤含水量监测模型的观测值确定所述多元线性回归模型的先验分布。
进一步地,所述模型确定模块10,还用于确定所述多元线性回归模型的监测值的联合分布。
进一步地,所述模型确定模块10,还用于基于所述先验分布和所述联合分布确定所述土壤含水量监测的高斯过程回归模型。
进一步地,所述模型监测模块20,还用于基于贝叶斯定理并根据所述高斯过程回归模型的后验分布确定土壤含水量监测函数。
进一步地,所述模型监测模块20,还用于根据所述高斯过程回归模型和所述土壤含水量监测函数确定最优土壤含水量监测模型,并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
进一步地,所述模型确定模块10,还用于获取遥感图像、遥感反照率图像和观测站数据,并根据所述遥感图像、所述遥感反照率图像和所述观测站数据确定确定预设土壤含水量监测模型。
在本实施例中,土壤含水量监测装置还包括:模型验证模块30,所述模型验证模块30,用于根据所述观测站数据确定土壤含水量监测的测试集。
进一步地,所述模型验证模块30,还用于根据所述测试集和所述最优土壤含水量监测模型,获得土壤含水量监测值。
进一步地,所述模型验证模块30,还用于根据所述土壤含水量监测值和土壤含水量实际值判断所述最优土壤含水量监测模型的精度。
本发明所述土壤含水量监测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种土壤含水量监测方法,其特征在于,所述土壤含水量监测方法包括以下步骤:
基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;
基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测;
其中,所述土壤含水量的影响因子包括:反照率、地表温度、植被指数、地表净辐射通量、土壤热通量以及改进型温度植被旱情指数;
所述基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型的步骤,包括:
根据遥感方法和土壤热传导公式确定所述地表净辐射通量,并根据所述地表净辐射通量确定土壤热通量;
根据所述土壤含水量的影响因子确定预设土壤含水量监测模型;
基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
其中,所述土壤含水量监测的多元线性回归模型为:
式中,YSSM为所述土壤含水量监测的多元线性回归模型,Ts为所述地表温度,EVI为所述植被指数,A为所述反照率,Rn为所述地表净辐射通量,G为所述土壤热通量,MTVDI为所述改进型温度植被旱情指数,为相对误差,F为多元线性函数,X为影响因子向量。
2.如权利要求1所述的土壤含水量监测方法,其特征在于,所述地表净辐射通量为:
Rn=Cr·Sn·(1-A)·d·sinθ+L↓-L↑;
式中,Rn为所述地表净辐射通量,Cr为太阳短波辐射的大气透射率,Sn为地表短波净辐射,θ为太阳高度角,d为太阳与地球距离,L↓为下行长波辐射,L↑为上行长波辐射;
所述土壤热通量为:
式中,ε为地表辐射比率,NDVI为归一化植被指数。
3.如权利要求1所述的土壤含水量监测方法,其特征在于,所述根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型的步骤,包括:
根据所述预设土壤含水量监测模型的观测值确定所述多元线性回归模型的先验分布;
确定所述多元线性回归模型的监测值的联合分布;
基于所述先验分布和所述联合分布确定所述土壤含水量监测的高斯过程回归模型。
4.如权利要求1所述的土壤含水量监测方法,其特征在于,所述基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测的步骤,包括:
基于贝叶斯定理并根据所述高斯过程回归模型确定土壤含水量监测函数;
根据所述高斯过程回归模型和所述土壤含水量监测函数确定最优土壤含水量监测模型,并根据所述最优土壤含水量监测模型对土壤含水量进行监测。
5.如权利要求1至4任一项所述的土壤含水量监测方法,其特征在于,所述基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型的步骤之前,还包括:
获取遥感图像、遥感反照率图像和观测站数据,并根据所述遥感图像、所述遥感反照率图像和所述观测站数据确定预设土壤含水量监测模型。
6.如权利要求5所述的土壤含水量监测方法,其特征在于,所述基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测的步骤之后,还包括:
根据所述观测站数据确定土壤含水量监测的测试集;
根据所述测试集和所述最优土壤含水量监测模型,获得土壤含水量监测值;
根据所述土壤含水量监测值和土壤含水量实际值判断所述最优土壤含水量监测模型的精度。
7.一种土壤含水量监测设备,其特征在于,所述土壤含水量监测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土壤含水量监测程序,所述土壤含水量监测程序被所述处理器执行时实现如权利要求1至6中任一项所述的土壤含水量监测方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有土壤含水量监测程序,所述土壤含水量监测程序被处理器执行时实现如权利要求1至6中任一项所述的土壤含水量监测方法的步骤。
9.一种土壤含水量监测装置,其特征在于,所述土壤含水量监测装置包括:模型确定模块和模型监测模块;
所述模型确定模块,用于基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
所述模型确定模块,还用于根据所述预设土壤含水量监测模型的观测值和所述多元线性回归模型的监测值进行高斯过程回归分析,获得土壤含水量监测的高斯过程回归模型;
所述监测模块,用于基于贝叶斯定理对所述高斯过程回归模型进行优化,获得最优土壤含水量监测模型并根据所述最优土壤含水量监测模型对土壤含水量进行监测;
其中,所述土壤含水量的影响因子包括:反照率、地表温度、植被指数、地表净辐射通量、土壤热通量以及改进型温度植被旱情指数;
所述基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型的步骤,包括:
根据遥感方法和土壤热传导公式确定所述地表净辐射通量,并根据所述地表净辐射通量确定土壤热通量;
根据所述土壤含水量的影响因子确定预设土壤含水量监测模型;
基于预设土壤含水量监测模型与土壤含水量的影响因子之间的多元线性关系确定土壤含水量监测的多元线性回归模型;
其中,所述土壤含水量监测的多元线性回归模型为:
式中,YSSM为所述土壤含水量监测的多元线性回归模型,Ts为所述地表温度,EVI为所述植被指数,A为所述反照率,Rn为所述地表净辐射通量,G为所述土壤热通量,MTVDI为所述改进型温度植被旱情指数,为相对误差,F为多元线性函数,X为影响因子向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211639388.0A CN116304524B (zh) | 2022-12-20 | 2022-12-20 | 土壤含水量监测方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211639388.0A CN116304524B (zh) | 2022-12-20 | 2022-12-20 | 土壤含水量监测方法、设备、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304524A CN116304524A (zh) | 2023-06-23 |
CN116304524B true CN116304524B (zh) | 2024-04-09 |
Family
ID=86780254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211639388.0A Active CN116304524B (zh) | 2022-12-20 | 2022-12-20 | 土壤含水量监测方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304524B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525753A (zh) * | 2016-10-12 | 2017-03-22 | 天津大学 | 一种简便的遥感土壤水分监测方法 |
CN110929423A (zh) * | 2019-12-17 | 2020-03-27 | 山东科技大学 | 一种综合干旱模型的土壤含水量反演方法 |
CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
CN115048952A (zh) * | 2022-04-15 | 2022-09-13 | 中国矿业大学 | 一种融合稳健估计和机器学习的gnss-ir土壤湿度反演方法 |
CN115184322A (zh) * | 2022-07-12 | 2022-10-14 | 安徽农业大学 | 一种水稻叶片水分含量监测方法 |
CN115236005A (zh) * | 2022-07-13 | 2022-10-25 | 河南理工大学 | 一种融合光谱和空间特征的土壤重金属含量反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
EP4050334A1 (en) * | 2021-02-26 | 2022-08-31 | Tata Consultancy Services Limited | System and method for root zone soil moisture estimation for vegetation cover using remote sensing |
-
2022
- 2022-12-20 CN CN202211639388.0A patent/CN116304524B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525753A (zh) * | 2016-10-12 | 2017-03-22 | 天津大学 | 一种简便的遥感土壤水分监测方法 |
CN110929423A (zh) * | 2019-12-17 | 2020-03-27 | 山东科技大学 | 一种综合干旱模型的土壤含水量反演方法 |
CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
CN115048952A (zh) * | 2022-04-15 | 2022-09-13 | 中国矿业大学 | 一种融合稳健估计和机器学习的gnss-ir土壤湿度反演方法 |
CN115184322A (zh) * | 2022-07-12 | 2022-10-14 | 安徽农业大学 | 一种水稻叶片水分含量监测方法 |
CN115236005A (zh) * | 2022-07-13 | 2022-10-25 | 河南理工大学 | 一种融合光谱和空间特征的土壤重金属含量反演方法 |
Non-Patent Citations (2)
Title |
---|
基于模型平均法的表层土壤含水率多模型综合反演;王思楠等;《农业工程学报》;第87-94页 * |
车载柴油含水量红外检测技术研究;冯宪光;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》(第第01期期);第C035-310页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116304524A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Foken et al. | Energy balance closure for the LITFASS-2003 experiment | |
Evett et al. | Overview of the Bushland Evapotranspiration and Agricultural Remote sensing EXperiment 2008 (BEAREX08): A field experiment evaluating methods for quantifying ET at multiple scales | |
Guillevic et al. | Land Surface Temperature product validation using NOAA's surface climate observation networks—Scaling methodology for the Visible Infrared Imager Radiometer Suite (VIIRS) | |
Baidya Roy et al. | Impact of land use/land cover change on regional hydrometeorology in Amazonia | |
Butterworth et al. | Connecting land–atmosphere interactions to surface heterogeneity in CHEESEHEAD19 | |
Andre et al. | Evaporation over land-surfaces: First results from HAPEX-MOBILHY special observing period | |
Anderson et al. | Effects of vegetation clumping on two–source model estimates of surface energy fluxes from an agricultural landscape during SMACEX | |
Wagner et al. | Monitoring soil moisture over the Canadian Prairies with the ERS scatterometer | |
Wagner et al. | Evaluation of the agreement between the first global remotely sensed soil moisture data with model and precipitation data | |
Smith et al. | Area‐averaged surface fluxes and their time‐space variability over the FIFE experimental domain | |
Holgate et al. | Comparison of remotely sensed and modelled soil moisture data sets across Australia | |
Sun | Two-stage trapezoid: A new interpretation of the land surface temperature and fractional vegetation coverage space | |
Cheruy et al. | Combined influence of atmospheric physics and soil hydrology on the simulated meteorology at the SIRTA atmospheric observatory | |
Chahine | GEWEX: The global energy and water cycle experiment | |
Lee et al. | A combined passive/active microwave remote sensing approach for surface variable retrieval using Tropical Rainfall Measuring Mission observations | |
Suvočarev et al. | Surface renewal measurements of H, λE and CO2 fluxes over two different agricultural systems | |
Lee et al. | Evaluation of Monin–Obukhov and bulk Richardson parameterizations for surface–atmosphere exchange | |
Chehbouni et al. | Methods to aggregate turbulent fluxes over heterogeneous surfaces: application to SALSA data set in Mexico | |
BR112020023127A2 (pt) | método realizado por pelo menos um aparelho, código de programa de computador, meio de armazenagem legível, aparelho e sistema | |
Asrar et al. | NASA research strategy for earth system science: Climate component | |
Desai et al. | A case study on the effects of heterogeneous soil moisture on mesoscale boundary-layer structure in the southern Great Plains, USA Part I: Simple prognostic model | |
Wu et al. | Simulation of the SMAP data stream from SMAPEx field campaigns in Australia | |
Balenzano et al. | A ground network for SAR-derived soil moisture product calibration, validation and exploitation in Southern Italy | |
Mauder et al. | Options to correct local turbulent flux measurements for large-scale fluxes using an approach based on large-eddy simulation | |
Yates et al. | A Cooperative Atmosphere–Surface Exchange Study (CASES) dataset for analyzing and parameterizing the effects of land surface heterogeneity on area-averaged surface heat fluxes |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |