CN116402633A - 一种矢量投影分析的农业干旱遥感监测方法 - Google Patents
一种矢量投影分析的农业干旱遥感监测方法 Download PDFInfo
- Publication number
- CN116402633A CN116402633A CN202310129293.2A CN202310129293A CN116402633A CN 116402633 A CN116402633 A CN 116402633A CN 202310129293 A CN202310129293 A CN 202310129293A CN 116402633 A CN116402633 A CN 116402633A
- Authority
- CN
- China
- Prior art keywords
- drought
- index
- remote sensing
- vector
- 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.)
- Pending
Links
- 239000013598 vector Substances 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 title claims description 23
- 239000002689 soil Substances 0.000 claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000008400 supply water Substances 0.000 description 2
- 238000007740 vapor deposition Methods 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Animal Husbandry (AREA)
- Algebra (AREA)
- Agronomy & Crop Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于矢量投影分析方法的农业干旱遥感监测技术。该发明可以提高已有遥感检测手段对农田墒情监测的有效性。以往基于遥感的农田墒情监测通常存在两个问题：一是与时空变异性显著，对土壤含水量估计的有效性随区域和时间而变化；二是时空间分辨率较低。本发明提出的基于矢量投影分析方法的遥感干旱指数融合模型，将不同遥感干旱指数进行有效的加权求和，使得对农田墒情的监测指数与土壤含水量的分布具有更好的空间一致性，并具有更高的时空分辨率。
Description
技术领域
本发明涉及遥感应用中的农业灾害监测领域，具体涉及基于卫星遥感数据的墒情监测技术。
背景技术
干旱是一种由气候异常导致的自然灾害，是我国农业生产面对的主要自然灾害之一。广义上作为自然灾害的干旱可以被划分为气象干旱、农业干旱、水文干旱和社会经济干旱四大类。其中：气象干旱指降水和蒸发不平衡所造成的水分亏缺现象，而农业干旱指气象干旱对农业生产造成影响，导致动植物的生长异常而使农业生产受到影响的现象。而农业干旱是各种干旱中与生产生活联系最为紧密的一种，因此是干旱研究的重点。
在农业干旱监测研究中，传统的站点监测方法通过在监测站进行样本采集，获取当地的动植物或土壤样本，分析动植物的生长状况或土壤湿度，以达成对干旱状况的抽样调查。而遥感技术则可以通过传感器对地面进行遥感观测，通过气温、降水和植被生长情况等指标的连续大范围观测来反映干旱的发生，因而具有大范围、连续性和低成本的优势。
干旱对农业生产的影响方式间接且不易量化，因此墒情变化，即土壤含水量的变化是评价农业干旱的有效手段。而干旱指数是遥感农业干旱监测的主要研究对象，其作用是对干旱的发生和严重程度进行量化。本发明就是着力于利用遥感干旱指数，对墒情变化进行有效的监测和评估。本发明结合了现有的遥感干旱指数模型和数据召集方法，设计了一种能结合多种干旱因子反映土壤水分变化的方法。
发明内容
为了通过遥感图像对墒情变化进行有效监测，本发明提出了一种基于矢量投影分析方法的农业干旱遥感监测技术。该技术基于已有的遥感干旱指数模型，针对不同干旱因子对不同干旱特征的响应差异，提出了基于皮尔逊相关性分析和矢量空间投影的干旱监测方法。
本发明所采用的技术方案是：
步骤1：通过降水数据和陆地表面温度数据计算作物缺水指数；
步骤2：通过植被指数数据和陆地表面温度数据计算温度植被干旱指数和植被供水指数；
步骤3：分别计算监测目标地区历史同期的土壤含水量数据同归一化干旱指数之间的皮尔逊相关系数；
步骤4：依据不同干旱指数与土壤含水量的相关系数，构造干旱方向矢量:；
步骤5：分别计算干旱方向矢量在不同干旱指数坐标平面内的投影模长；
步骤6：分别依据投影模长对归一化后的干旱指数进行加权求和，得到矢量投影指数。
与现有技术相比，本发明的有益效果是：
(1)相比传统的遥感干旱指数，与土壤含水量的分布具有更好的空间一致性；(2)相对于直接反演土壤水分的墒情监测方法，具有更高的时空分辨率。
附图说明
附图1：LST-NDVI特征空间示意图
附图2：干旱特征向量投影示意图
附图3：矢量投影指数与根部有效含水量相关系数散点图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
本具体实施方式中，针对农田墒情监测的方法包括下述步骤：
步骤1：计算作物缺水指数
植被缺水指数(Crop Water Stress Index,CWSI)可以表示地球下垫面水汽输送的过程，由地表水分蒸散发量和地表潜在水分蒸散发量计算。计算方式如公式1所示：
其中，ET表示地表的实际水分蒸散发量，PET表示地表的潜在水分蒸散发量。CWSI的取值范围位于[0,1]之间，值越大表示当地的干旱程度越高，与农田作物根部的有效含水量呈正相关。
步骤2：计算归一化植被供水指数和温度植被干旱指数
植被供水指数(Vegetation Supply Water Index,VSWI)可以通过植被冠层温度和植被密闭程度表示农田墒情，在遥感观测中可以用陆地表面温度代替植被冠层温度，其方法如公式2所示：
其中，LST表示陆地表面温度，NDVI表示归一化植被指数。由VSWI可以计算归一化植被供水指数NVSWI(Normalized Vegetation Supply Water Index,NVSWI)，其计算方法如公式3所示：
其中，VSWImin表示遥感图像中VSWI的最小值，VSWImax表示遥感图像中VSWI的最大值。
温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI)利用了LST和NDVI在散点图中形成的梯形特征空间具有的等值线性质，如图1所示。TVDI比VSWI在植被密闭程度中等的区域具有与土壤含水量更高的相关性。其计算方法如公式4所示：
其中，LSTi表示某一像元处的陆地表面温度，LSTdrought表示与该像元处NDVI相同的像元中LST的最大值，LSTwet则表示该像元处NDVI相同的像元中LST的最小值。后两者均通过对LST-NDVI散点图的上下边界方程进行拟合得到。
步骤3：计算干旱指数与土壤含水量之间的相关系数
利用C波段合成孔径雷达反演土壤含水量，或通过地面分布的墒情站点，对农田的土壤含水量进行观测，是农业干旱监测的主要手段。但前者的空间分辨率较低，精度较差，而后者则只能进行离散的点状观测。本发明采用遥感干旱指数代替直接的土壤含水量观测，首先要计算前述干旱指数与土壤含水量之间的相关性关系，以皮尔逊相关系数r表示，其计算方法如公式5所示：
其中x和y分别表示不同的变量，N表示变量序列的数量。对于前述的三种干旱指数，VSWI与土壤含水量呈现正相关，CWSI和TVDI与土壤含水量呈现负相关。
步骤4：构造干旱矢量方向
将不同干旱指数与土壤含水量之间的相关性作为两两正交的方向向量，可以构造出一个三维特征空间。本发明采用皮尔逊相关系数作为特征空间中的对应坐标，形成干旱矢量方向
(Dryness Vector Direction)，其计算方法如公式6所示：
其中，rCWSI、rNVSWI和rTVDI分别表示表示CWSI、NVSWI和TVDI与土壤含水量之间的皮尔逊相关系数。
步骤5：计算特征向量投影模长
然后计算该方向向量在不同坐标平面上的投影模长ai，投影平面和投影向量之间的对应关系如图2所示，其计算方法如公式7到公式9所示：
由于ai总是单位向量在不同平面上的正交投影，因此DVD方向和各坐标轴单位向量的内积总是相同的，其幅度始终等于1。
步骤6：对干旱指数进行加权求和，计算矢量投影指数
本发明采取加权方法建立遥感干旱指数融合模型，通过新的矢量投影指数(Vector Projection Index,VPI)对农田墒情进行监测。矢量投影指数的计算方法如公式10所示：
VPI＝aCWSI·CWSI+aNVSWI·NVSWI+aTVDI·TVDI (10)
其中，aCWSI、aVSWI和aTVDI分别表示不同遥感干旱指数的加权系数，并且总是由步骤5中的正交投影得到。
图3为本发明的方法与作物根部有效含水量之间的皮尔逊相关系数结果图，从图中可以看出，本方法得到的矢量投影指数具有和作物根部有效含水量之间较高的相关性。
以上所述，仅为本发明的具体实施方式，本说明中所公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征或/和步骤外，均可以任何方式组合。
Claims (4)
1.一种矢量投影分析的农业干旱遥感监测方法，其特征在于，包括以下步骤：
步骤1：计算作物缺水指数；
步骤2：计算归一化植被供水指数和温度植被干旱指数；
步骤3：计算干旱指数与土壤含水量之间的皮尔逊相关系数；
步骤4：将不同干旱指数与土壤含水量之间的相关性作为两两正交的方向向量，可以构造出一个三维特征空间。本发明采用皮尔逊相关系数作为特征空间中的对应坐标，形成干旱矢量方向
步骤5：计算该方向向量在不同坐标平面上的投影模长ai，使ai总是单位向量在不同平面上的正交投影，且
方向和各坐标轴单位向量的内积总是相同，其幅度始终等于1；
步骤6：通过正交投影得到的方向向量投影模长，对三种干旱指数进行加权求和，计算出矢量投影指数。
2.如权利要求1所述方法，其特征在于，步骤4中以干旱指数与土壤含水量的皮尔逊相关系数构造干旱方向矢量。
3.如权利要求1所述方法，其特征在于，步骤5中计算干旱方向矢量在不同坐标平面上的正交投影。
4.如权利要求1所述方法，其特征在于，步骤6中以正交投影作为权重对干旱指数进行加权求和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310129293.2A CN116402633A (zh) | 2023-02-17 | 2023-02-17 | 一种矢量投影分析的农业干旱遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310129293.2A CN116402633A (zh) | 2023-02-17 | 2023-02-17 | 一种矢量投影分析的农业干旱遥感监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116402633A true CN116402633A (zh) | 2023-07-07 |
Family
ID=87009270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310129293.2A Pending CN116402633A (zh) | 2023-02-17 | 2023-02-17 | 一种矢量投影分析的农业干旱遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116402633A (zh) |
-
2023
- 2023-02-17 CN CN202310129293.2A patent/CN116402633A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shanmugapriya et al. | Applications of remote sensing in agriculture-A Review | |
| US11317562B2 (en) | Generating a yield map for an agricultural field using classification and regression methods | |
| Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
| Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
| Magarey et al. | Site-specific weather information without on-site sensors | |
| CN108802728B (zh) | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 | |
| Mendiguren et al. | Spatial pattern evaluation of a calibrated national hydrological model–a remote-sensing-based diagnostic approach | |
| CN108509836A (zh) | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 | |
| CN109492619A (zh) | 集遥感、模型、算法为一体的变量施农药方法及系统 | |
| CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
| Fortes Gallego et al. | Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop | |
| CN107273797A (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
| Khand et al. | Modeling evapotranspiration of winter wheat using contextual and pixel-based surface energy balance models | |
| CN116402633A (zh) | 一种矢量投影分析的农业干旱遥感监测方法 | |
| Bouman et al. | Simulation and systems analysis tools for crop yield forecasting | |
| Zhuo et al. | Assimilating SAR and optical remote sensing data into WOFOST model for improving winter wheat yield estimation | |
| Coops et al. | Development of daily spatial heat unit mapping from monthly climatic surfaces for the Australian continent | |
| Daniela et al. | Evapotranspiration and water stress estimation from TIR and SWIR bands | |
| Raju et al. | Estimating irrigation water requirement in rice by integration of satellite data and agrometeorological indices in Palakkad, Kerala | |
| Swelam et al. | Validation of remote-sensing evapotranspiration data of selected crops in the nile delta | |
| Nikaein et al. | Crop-Growth Driven Forward-Modeling of Sentinel-1 Observables Using Machine-Learning | |
| Duan | The impact of Leaf Area Index on rainfall interception and the potential to estimate it using Sentinel-1 observations | |
| Mundava et al. | Ground truthing protocols for biomass estimation in rangeland environments | |
| Singh et al. | An attempt to investigate change in crop acreage with soil moisture variations derived from passive microwave data | |
| Sedighi et al. | Ensembles of Multiple Models for Soil Moisture Retrieval from Remote Sensing Data over Agricultural Areas: A Deep Learning-based Framework |
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 |