CN117852417A - 一种基于降尺度的土壤墒情遥感计算方法 - Google Patents
一种基于降尺度的土壤墒情遥感计算方法 Download PDFInfo
- Publication number
- CN117852417A CN117852417A CN202410257098.2A CN202410257098A CN117852417A CN 117852417 A CN117852417 A CN 117852417A CN 202410257098 A CN202410257098 A CN 202410257098A CN 117852417 A CN117852417 A CN 117852417A
- Authority
- CN
- China
- Prior art keywords
- data
- soil
- soil moisture
- downscaling
- spatial resolution
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 270
- 238000004364 calculation method Methods 0.000 title claims abstract description 12
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 claims abstract description 38
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 claims abstract description 38
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 claims abstract description 38
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 claims abstract description 38
- 102100021255 Small acidic protein Human genes 0.000 claims abstract description 38
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000002310 reflectometry Methods 0.000 claims description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 6
- 239000004927 clay Substances 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于降尺度的土壤墒情遥感计算方法，利用Landsat8及Landsat9数据在空间分辨率方面的优势，并结合遥感地表参数与土壤水分之间的非线性关系，采用随机森林构建了土壤水分降尺度模型，通过将该土壤水分降尺度模型应用于高分辨率的降尺度因子，成功将土壤水分数据从9km空间分辨率提升至100m，有效改善了原始SMAP数据缺失的情况，最终得到了目标区域高分辨率的土壤水分数据，本发明为目标区域表层土壤水分的提取提供了有效方法，有利于目标区域土壤水分监测，解决了目前降尺度后土壤水分数据的空间分辨率有限，无法充分反映强烈异质性区域的土壤水分状况的问题。
Description
技术领域
本发明涉及遥感技术领域，特别是涉及一种基于降尺度的土壤墒情遥感计算方法。
背景技术
土壤水分作为全球水循环的重要组分，通过蒸发控制着大气圈的水文学循环和气候变化，是控制地球各圈层内部水能量交换的重要参数之一；同时土壤水分通过生态系统水胁迫来降低总的初级生产力，导致植被死亡，是影响陆地碳吸收的重要因素；因此，准确获取土壤水分信息是研究陆地生态系统水碳循环的一个关键问题。
目前获取土壤水分信息的方法有直接和间接两种。直接方法利用传统的土壤水分观测，通常通过探针或重量测量在小范围内获取数据，但难以涵盖大范围或高时间分辨率的土壤水分信息。相比之下，利用卫星遥感探测土壤水分具有明显优势。微波遥感因其强大的穿透能力和与土壤水分相关的物理特性成为重要的土壤水分监测手段之一。目前，许多卫星平台搭载了微波传感器，因此基于微波的土壤水分产品具备较高的反演精度。这些产品包括结合了主动与被动观测的SMAP卫星、土壤水分海洋盐度SMOS卫星、Sentinel系列的主动微波卫星，以及AMSR2和SMAP等土壤水分产品。
尽管这些产品在获取土壤水分方面有显著优势，但它们的空间分辨率较低，因此难以准确表达强烈异质性区域的土壤水分情况。为解决这一问题，基于微波土壤水分产品的降尺度结果通常有着更高的空间分辨率，能够广泛涵盖大范围土壤水分信息，然而目前大多数降尺度后土壤水分数据的空间分辨率仍然有限，无法充分反映强烈异质性区域的土壤水分状况。
在公开号为：CN111639675A，申请号为：202010372048 .0的发明专利中提供了一种基于随机森林的SMAP土壤水分降尺度方法，包括：获取目标区域的SMAP土壤水分产品、MODIS数据和SRTM数字高程数据；对获取的数据进行处理以获取与SMAP土壤水分产品空间分辨率相同的目标区域的MODIS数据和SRTM数字高程数据；基于随机森林构建土壤水分降尺度模型并对模型进行训练；最后将SMAP土壤水分数据、MODIS数据和SRTM数字高程数据重采样到1km空间分辨率并输入到土壤水分降尺度模型，获取目标区域1km空间分辨率的土壤水分产品，其空间分辨率仍只能达到1km，依旧存在无法充分反映强烈异质性区域的土壤水分状况的问题。
发明内容
基于此，针对上述问题，本发明提出了一种基于降尺度的土壤墒情遥感计算方法，解决了目前的降尺度后土壤水分数据的空间分辨率有限，无法充分反映强烈异质性区域的土壤水分状况的问题。
本发明的技术方案是：
一种基于降尺度的土壤墒情遥感计算方法，包括以下步骤：
S1：基于Google earth engine提取目标区域的SMAP土壤水分数据、Landsat8及Landsat9数据、MERIT DEM数字高程模型数据、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据；
S2：对Landsat8及Landsat9数据进行质量控制和辐射定标，得到真实的地表反射率数据；
S3：基于Google earth engine以及Landsat8及Landsat9数据计算增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI和归一化建筑指数NDBI；
S4：基于MERIT DEM数字高程模型数据计算获取地表高程Elevation、坡度Slope和坡向Aspect；
S5：采用随机森林算法，在9km空间分辨率上建立以SMAP土壤水分数据作为降尺度目标，增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据作为降尺度因子的映射关系，最终建立土壤水分降尺度模型；
S6：将原始降尺度因子重采样至100米的空间分辨率，利用土壤水分降尺度模型，得到目标区域100米高空间分辨率的土壤水分数据。
优选的是，步骤S1具体为：
基于Google earth engine提取目标区域2022年度至2023年度长时间序列的SMAP土壤水分数据、Landsat8及Landsat9数据、MERIT DEM数字高程模型数据、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据。
优选的是，步骤S2具体为：
对Landsat8及Landsat9数据进行质量控制，排除受云层遮蔽的数据，对Landsat8及Landsat9数据进行辐射定标，将Google earth engine上提供的原始遥感数据转换为物理上可信的辐射亮度或反射率数据，即根据官方说明中给出的不同波段的缩放因子和偏差量，对Landsat8及Landsat9数据中的各个波段进行辐射定标，得到真实的地表反射率数据，包括近红外波段的反射率NIR，短波红外波段的反射率SWIR，红波段的反射率RED，绿波段的反射率GREEN，蓝波段的反射率BLUE。
优选的是，步骤S3具体为：
在Google earth engine中计算增强型植被指数EVI，其计算公式如下：
在Google earth engine计算增强型修改土壤植被指数EMSAVI，其计算公式如下：
在Google earth engine计算归一化植被指数NDVI，其计算公式如下：
在Google earth engine计算归一化水体指数NDWI，其计算公式如下：
在Google earth engine计算归一化建筑指数NDBI，其计算公式如下：
其中，NIR代表近红外波段的反射率，RED代表红波段的反射率，BLUE代表蓝波段的反射率，SWIR代表短波红外波段的反射率，GREEN代表绿波段的反射率。
优选的是，步骤S5具体为：
采用随机森林算法，在9km空间分辨率上建立以SMAP土壤水分数据中的降轨土壤水分soil_moisture_pm作为降尺度目标，增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、ERA5-Land陆面高分辨率再分析数据中的地表温度skin_temperature、ERA5-Land陆面高分辨率再分析数据中的土壤温度soil_temperature_level_1、ERA5-Land陆面高分辨率再分析数据中的土壤含水量volumetric_soil_water_layer_1、SoilGrids全球土壤数据的0-5厘米土壤深度的粘土含量clay_0-5cm_mean、SoilGrids全球土壤数据的0-5厘米土壤深度的砂土含量sand_0-5cm_mean作为降尺度因子的映射关系，最终建立土壤水分降尺度模型;
土壤水分降尺度模型为：
其中，SM代表SMAP表层土壤水分降轨产品，FR表示基于随机森林的非线性模型。
优选的是，还包括步骤S51：
将增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、ERA5-Land陆面高分辨率再分析数据、SoilGrids全球土壤数据、地表高程Elevation、坡度Slope和坡向Aspect重采样至9km的空间分辨率上，结合SMAP土壤水分数据，建立9km的长时间序列影像集。
优选的是，步骤S51具体为：
选取ERA5-Land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、表示土壤温度的soil_temperature_level_1数据波段和表示土壤含水量的volumetric_soil_water_layer_1数据波段；
将增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、ERA5-Land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、ERA5-Land陆面高分辨率再分析数据中表示土壤温度的soil_temperature_level_1数据波段、ERA5-Land陆面高分辨率再分析数据中表示土壤含水量的volumetric_soil_water_layer_1数据波段、表示SoilGrids全球土壤数据中的0-5厘米土壤深度的粘土含量clay_0-5cm_mean数据波段、表示SoilGrids全球土壤数据中的0-5厘米土壤深度的砂土含量sand_0-5cm_mean数据波段和表示SMAP土壤水分数据中的降轨土壤水分的soil_moisture_pm数据波段投影至EPSG:4326坐标系并进行裁剪，添加进一个新的长时间序列影像集，并使用三次卷积法内插将整个长时间序列影像集重采样至9km的空间分辨率上，创建一个空间分辨率为9km的长时间序列影像集。
优选的是，还包括步骤S52：
基于MERIT DEM数字高程模型数据和Google earth engine完成对步骤S51建立的长时间序列影像集中的像元值进行提取和导出，并建立土壤水分降尺度模型的训练集。
优选的是，步骤S52具体为：
基于MERIT DEM数字高程模型数据对9km的长时间序列影像集进行转化，得到9km空间分辨率DEM栅格数据，将9km空间分辨率DEM栅格数据转换为点数据并上传至Googleearth engine，基于上传后的点数据，在Google earth engine中完成对步骤S51得到的9km空间分辨率的长时间序列影像集中像元的提取和导出，并建立土壤水分降尺度模型的训练集。
优选的是，步骤S6具体为：
对目标区域进行矢量裁剪，然后将原始空间分辨率的降尺度因子重采样至100米的空间分辨率，然后将重采样至100米的空间分辨率后的降尺度因子代入土壤水分降尺度模型，最终得到目标区域100米高空间分辨率的土壤水分数据。
与现有技术相比，本发明的有益效果是：
本发明充分利用了Landsat8及Landsat9数据在空间分辨率方面的优势，并结合遥感地表参数与土壤水分之间的非线性关系，采用随机森林构建了土壤水分降尺度模型，通过将该土壤水分降尺度模型应用于高分辨率的降尺度因子，成功将土壤水分数据从9km空间分辨率提升至100m，有效改善了原始SMAP数据缺失的情况，最终得到了目标区域高分辨率的土壤水分数据，本发明为目标区域表层土壤水分的提取提供了有效方法，有利于目标区域土壤水分监测，解决了目前降尺度后土壤水分数据的空间分辨率有限，无法充分反映强烈异质性区域的土壤水分状况的问题。
附图说明
图1是本发明实施例所述的使用本发明方法得到100m空间分辨率下富顺县的降尺度结果图；
图2是本发明实施例所述的9km空间分辨率下富顺县的原始的SMAP数据图；
图3是本发明实施例所述的现有技术中大多数基于SMAP产品获得的1km空间分辨率下富顺县的降尺度结果图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
目前被动微波土壤水分的空间降尺度研究主要有两种流程。其一是直接对粗分辨率的被动微波土壤水分进行空间降尺度；其二是先对用于反演土壤水分的被动微波参数，通常是被动微波亮度温度数据，进行降尺度，然后利用降尺度后的参数反演高分辨率的土壤水分。第一种流程是目前较为普遍的方法，直接对粗分辨率的土壤水分产品进行空间降尺度。这通常通过降尺度关系模型，结合降尺度因子来提高被动微波土壤水分空间分辨率。这些降尺度因子往往具有较强的空间异质性，能够间接或直接表达土壤‒大气之间的交互作用，例如降水、地表温度、植被特征、地形、土壤性质等，比如灌溉等因素。
第二种方法主要依赖于土壤水分或亮度温度与降尺度因子之间的定量关系特征。这些方法连接了高空间分辨率的降尺度因子和原始粗空间分辨率的被动微波土壤水分或亮度温度，将降尺度关系模型完整地表达至高空间分辨率的尺度，从而将被动微波土壤水分信息提升到更高的空间分辨率。
随机森林算法是一种高度灵活、广泛应用的机器学习算法，它利用Bootstrap重采样技术从原始样本中构建训练样本子集，然后建立多个决策树，最终通过这些决策树的投票结果确定最终预测。这种算法因其自适应性，在探究自变量和因变量之间的复杂非线性关系方面表现出色。相较于其他机器学习方法，随机森林对过拟合有较好的抵抗能力，对异常值和噪声的容忍度也较高。此外，该模型内置了特征重要性评价机制，具备较强的模型可解释性。
本发明充分利用了Landsat8及Landsat9数据在空间分辨率方面的优势，并结合遥感地表参数与土壤水分之间的非线性关系，采用随机森林构建了土壤水分降尺度模型，通过将该土壤水分降尺度模型应用于高分辨率的降尺度因子，成功将土壤水分数据从9km空间分辨率提升至100m，有效改善了原始SMAP数据缺失的情况，最终得到了目标区域高分辨率的土壤水分数据，本发明为目标区域表层土壤水分的提取提供了有效方法，有利于目标区域土壤水分监测。
实施例：
本实施例公开了一种基于降尺度的土壤墒情遥感计算方法，包括以下步骤：
S1：基于Google earth engine提取目标区域的SMAP土壤水分数据、Landsat8及Landsat9数据、MERIT DEM数字高程模型数据、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据；
S2：对Landsat8及Landsat9数据进行质量控制和辐射定标，得到真实的地表反射率数据；
S3：基于Google earth engine以及Landsat8及Landsat9数据计算增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI和归一化建筑指数NDBI；
S4：基于MERIT DEM数字高程模型数据计算获取地表高程Elevation、坡度Slope和坡向Aspect；
S5：采用随机森林算法，在9km空间分辨率上建立以SMAP土壤水分数据作为降尺度目标，增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据作为降尺度因子的映射关系，最终建立土壤水分降尺度模型；
S6：将原始降尺度因子重采样至100米的空间分辨率，利用土壤水分降尺度模型，得到目标区域100米高空间分辨率的土壤水分数据。
优选的是，步骤S1具体为：
基于Google earth engine提取目标区域2022年度至2023年度长时间序列的SMAP土壤水分数据、Landsat8及Landsat9数据、MERIT DEM数字高程模型数据、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据。
以富顺县作为目标区域为例，则提取四川省东部17个市域，包括成都、自贡、泸州、德阳、绵阳、广元、遂宁、内江、乐山、南充、眉山、宜宾、广安、达州、雅安、巴中和资阳2022年度至2023年度长时间序列的SMAP土壤水分数据、Landsat8及Landsat9数据、MERIT DEM数字高程模型数据、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据。
SMAP土壤水分数据采用升轨时的SMAP增强型全球每日9 km土壤水分产品SMAPEnhanced L3 Radiometer Global Daily 9km EASE Grid Soil Moisture，V005；
SMAP土壤水分数据用于反映0到5cm土壤深度的平均含水量，单位为cm3/cm3；
降轨和升轨的星下点过境时间分别为当地时间早上06:00和下午18:00，本发明采用升轨时SMAP增强型全球每日9 km土壤水分产品。
Landsat 8及Landsat 9数据来自LANDSAT/LC08/C02/T1_L2和LANDSAT/LC09/C02/T1_L2，包括地表温度数据和地表反射率数据，地表温度数据采用空间分辨率为100m的地表温度数据ST_B10，地表反射率数据采用空间分辨率为30米，时间分辨率为16天的地表反射率数据，地表反射率数据包括4个可见光、1个近红外波段和2个短波红外波段经过大气和正射校正处理的表面反射率数据，本发明选取Landsat 8及Landsat 9数据经过大气和正射校正处理的表面反射率数据中的近红外波段的反射率NIR，短波红外波段的反射率SWIR，红波段的反射率RED，绿波段的反射率GREEN，蓝波段的反射率BLUE。
MERIT DEM数字高程模型数据（Multi-Error-Removed Improved-Terrain DEM）采用空间分辨率为90米，可通过MERIT DEM数字高程模型数据计算出地表高程Elevation、坡度Slope和坡向Aspect数据。
SoilGrids全球土壤数据为SoilGrids是国际土壤参考组织ISRIC - World SoilInformation开发的项目，SoilGrids全球土壤数据为空间分辨率为250米，包括了0-5厘米土壤深度的粘土含量和砂土含量，本发明选取其中表示SoilGrids全球土壤数据的0-5厘米土壤深度的粘土含量clay_0-5cm_mean数据波段和表示SoilGrids全球土壤数据的0-5厘米土壤深度的砂土含量sand_0-5cm_mean数据波段。
ERA5-Land陆面高分辨率再分析数据为ERA5-Land是欧洲中期天气预报中心European Centre for Medium-Range Weather Forecasts，ECMWF发布的全球地表气象再分析数据集，ERA5-Land陆面高分辨率再分析数据包括地表温度以及0-7厘米土壤深度的土壤温度和体积含水量，本发明选取ERA5-Land陆面高分辨率再分析数据中表示ERA5-Land陆面高分辨率再分析数据中的地表温度的skin_temperature数据波段、表示ERA5-Land陆面高分辨率再分析数据中的土壤温度的soil_temperature_level_1数据波段和表示ERA5-Land陆面高分辨率再分析数据中的土壤含水量的volumetric_soil_water_layer_1数据波段。
优选的是，步骤S2具体为：
对Landsat8及Landsat9数据进行质量控制，排除受云层遮蔽的数据，对Landsat8及Landsat9数据进行辐射定标，将Google earth engine上提供的原始遥感数据转换为物理上可信的辐射亮度或反射率数据，即根据官方说明中给出的不同波段的缩放因子和偏差量，对Landsat8及Landsat9数据中的各个波段进行辐射定标，得到真实的地表反射率数据，包括近红外波段的反射率NIR，短波红外波段的反射率SWIR，红波段的反射率RED，绿波段的反射率GREEN，蓝波段的反射率BLUE。
优选的是，步骤S3具体为：
在Google earth engine中计算增强型植被指数EVI，其计算公式如下：
在Google earth engine计算增强型修改土壤植被指数EMSAVI，其计算公式如下：
在Google earth engine计算归一化植被指数NDVI，其计算公式如下：
在Google earth engine计算归一化水体指数NDWI，其计算公式如下：
在Google earth engine计算归一化建筑指数NDBI，其计算公式如下：
其中，NIR代表近红外波段的反射率，RED代表红波段的反射率，BLUE代表蓝波段的反射率，SWIR代表短波红外波段的反射率，GREEN代表绿波段的反射率。
优选的是，步骤S5具体为：
采用随机森林算法，在9km空间分辨率上建立以SMAP土壤水分数据中的降轨土壤水分soil_moisture_pm作为降尺度目标，增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、ERA5-Land陆面高分辨率再分析数据中的地表温度skin_temperature、ERA5-Land陆面高分辨率再分析数据中的土壤温度soil_temperature_level_1、ERA5-Land陆面高分辨率再分析数据中的土壤含水量volumetric_soil_water_layer_1、SoilGrids全球土壤数据的0-5厘米土壤深度的粘土含量clay_0-5cm_mean、SoilGrids全球土壤数据的0-5厘米土壤深度的砂土含量sand_0-5cm_mean作为降尺度因子的映射关系，最终建立土壤水分降尺度模型;
土壤水分降尺度模型为：
其中，SM代表SMAP表层土壤水分降轨产品，FR表示基于随机森林的非线性模型。
优选的是，还包括步骤S51：
将增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、ERA5-Land陆面高分辨率再分析数据、SoilGrids全球土壤数据、地表高程Elevation、坡度Slope和坡向Aspect重采样至9km的空间分辨率上，结合SMAP土壤水分数据，建立9km的长时间序列影像集。
优选的是，步骤S51具体为：
选取ERA5-Land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、表示土壤温度的soil_temperature_level_1数据波段和表示土壤含水量的volumetric_soil_water_layer_1数据波段；
将增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、ERA5-Land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、ERA5-Land陆面高分辨率再分析数据中表示土壤温度的soil_temperature_level_1数据波段、ERA5-Land陆面高分辨率再分析数据中表示土壤含水量的volumetric_soil_water_layer_1数据波段、表示SoilGrids全球土壤数据中的0-5厘米土壤深度的粘土含量clay_0-5cm_mean数据波段、表示SoilGrids全球土壤数据中的0-5厘米土壤深度的砂土含量sand_0-5cm_mean数据波段和表示SMAP土壤水分数据中的降轨土壤水分的soil_moisture_pm数据波段投影至EPSG:4326坐标系并进行裁剪，添加进一个新的长时间序列影像集，并使用三次卷积法内插将整个长时间序列影像集重采样至9km的空间分辨率上，创建一个空间分辨率为9km的长时间序列影像集。
优选的是，还包括步骤S52：
基于MERIT DEM数字高程模型数据和Google earth engine完成对步骤S51建立的长时间序列影像集中的像元值进行提取和导出，并建立土壤水分降尺度模型的训练集。
优选的是，步骤S52具体为：
基于MERIT DEM数字高程模型数据对9km的长时间序列影像集进行转化，得到9km空间分辨率DEM栅格数据，将9km空间分辨率DEM栅格数据转换为点数据并上传至Googleearth engine，基于上传后的点数据，在Google earth engine中完成对步骤S51得到的9km空间分辨率的长时间序列影像集中像元的提取和导出，并建立土壤水分降尺度模型的训练集。
可通过步骤S51、S52建立的土壤水分降尺度模型的训练集对步骤S5建立的土壤水分降尺度模型进行训练。
优选的是，步骤S6具体为：
对目标区域进行矢量裁剪，然后将原始空间分辨率的降尺度因子重采样至100米的空间分辨率，然后将重采样至100米的空间分辨率后的降尺度因子代入土壤水分降尺度模型，最终得到目标区域100米高空间分辨率的土壤水分数据。以富顺县作为目标区域为例，对富顺县进行矢量裁剪，然后将原始空间分辨率的降尺度因子重采样至100米的空间分辨率，然后将重采样至100米的空间分辨率后的降尺度因子代入土壤水分降尺度模型，最终得到富顺县100米高空间分辨率的土壤水分数据。
在上述实施例中，土壤水分数据即为土壤墒情。
以富顺县为目标区域为例，如图1所示，为使用本发明方法得到100m空间分辨率下富顺县的降尺度结果图，如图2所示为9km空间分辨率下富顺县的原始的SMAP数据图，如图3所示为现有技术中大多数基于SMAP产品获得的1km空间分辨率下富顺县的降尺度结果，可以明显得出使用本发明方法得到的降尺度结果更能体现出富顺县高分辨率的土壤水分数据图。
本发明原理：
本发明充分利用了Landsat8及Landsat9数据在空间分辨率方面的优势，并结合遥感地表参数与土壤水分之间的非线性关系，采用随机森林构建了土壤水分降尺度模型，通过将该土壤水分降尺度模型应用于高分辨率的降尺度因子，成功将土壤水分数据从9km空间分辨率提升至100m，有效改善了原始SMAP数据缺失的情况，最终得到了目标区域高分辨率的土壤水分数据，本发明为目标区域表层土壤水分的提取提供了有效方法，有利于目标区域土壤水分监测。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种基于降尺度的土壤墒情遥感计算方法，其特征在于，包括以下步骤：
S1：基于Google earth engine提取目标区域的SMAP土壤水分数据、Landsat8及Landsat9数据、MERIT DEM数字高程模型数据、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据；
S2：对Landsat8及Landsat9数据进行质量控制和辐射定标，得到真实的地表反射率数据；
S3：基于Google earth engine以及Landsat8及Landsat9数据计算增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI和归一化建筑指数NDBI；
S4：基于MERIT DEM数字高程模型数据计算获取地表高程Elevation、坡度Slope和坡向Aspect；
S5：采用随机森林算法，在9km空间分辨率上建立以SMAP土壤水分数据作为降尺度目标，增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据作为降尺度因子的映射关系，最终建立土壤水分降尺度模型；
S6：将原始降尺度因子重采样至100米的空间分辨率，利用土壤水分降尺度模型，得到目标区域100米高空间分辨率的土壤水分数据。
2.根据权利要求1所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，步骤S1具体为：
基于Google earth engine提取目标区域2022年度至2023年度长时间序列的SMAP土壤水分数据、Landsat8及Landsat9数据、MERIT DEM数字高程模型数据、SoilGrids全球土壤数据和ERA5-Land陆面高分辨率再分析数据。
3.根据权利要求2所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，步骤S2具体为：
对Landsat8及Landsat9数据进行质量控制，排除受云层遮蔽的数据，对Landsat8及Landsat9数据进行辐射定标，将Google earth engine上提供的原始遥感数据转换为物理上可信的辐射亮度或反射率数据，即根据官方说明中给出的不同波段的缩放因子和偏差量，对Landsat8及Landsat9数据中的各个波段进行辐射定标，得到真实的地表反射率数据，包括近红外波段的反射率NIR，短波红外波段的反射率SWIR，红波段的反射率RED，绿波段的反射率GREEN，蓝波段的反射率BLUE。
4.根据权利要求3所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，步骤S3具体为：
在Google earth engine中计算增强型植被指数EVI，其计算公式如下：
在Google earth engine计算增强型修改土壤植被指数EMSAVI，其计算公式如下：
在Google earth engine计算归一化植被指数NDVI，其计算公式如下：
在Google earth engine计算归一化水体指数NDWI，其计算公式如下：
在Google earth engine计算归一化建筑指数NDBI，其计算公式如下：
其中，NIR代表近红外波段的反射率，RED代表红波段的反射率，BLUE代表蓝波段的反射率，SWIR代表短波红外波段的反射率，GREEN代表绿波段的反射率。
5.根据权利要求4所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，步骤S5具体为：
采用随机森林算法，在9km空间分辨率上建立以SMAP土壤水分数据中的降轨土壤水分soil_moisture_pm作为降尺度目标，增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、ERA5-Land陆面高分辨率再分析数据中的地表温度skin_temperature、ERA5-Land陆面高分辨率再分析数据中的土壤温度soil_temperature_level_1、ERA5-Land陆面高分辨率再分析数据中的土壤含水量volumetric_soil_water_layer_1、SoilGrids全球土壤数据的0-5厘米土壤深度的粘土含量clay_0-5cm_mean、SoilGrids全球土壤数据的0-5厘米土壤深度的砂土含量sand_0-5cm_mean作为降尺度因子的映射关系，最终建立土壤水分降尺度模型;
土壤水分降尺度模型为：
其中，SM代表SMAP表层土壤水分降轨产品，FR表示基于随机森林的非线性模型。
6.根据权利要求5所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，还包括步骤S51：
将增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、ERA5-Land陆面高分辨率再分析数据、SoilGrids全球土壤数据、地表高程Elevation、坡度Slope和坡向Aspect重采样至9km的空间分辨率上，结合SMAP土壤水分数据，建立9km的长时间序列影像集。
7.根据权利要求6所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，步骤S51具体为：
选取ERA5-Land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、表示土壤温度的soil_temperature_level_1数据波段和表示土壤含水量的volumetric_soil_water_layer_1数据波段；
将增强型植被指数EVI、增强型修改土壤植被指数EMSAVI、归一化植被指数NDVI、归一化水体指数NDWI、归一化建筑指数NDBI、地表高程Elevation、坡度Slope、坡向Aspect、ERA5-Land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、ERA5-Land陆面高分辨率再分析数据中表示土壤温度的soil_temperature_level_1数据波段、ERA5-Land陆面高分辨率再分析数据中表示土壤含水量的volumetric_soil_water_layer_1数据波段、表示SoilGrids全球土壤数据中的0-5厘米土壤深度的粘土含量clay_0-5cm_mean数据波段、表示SoilGrids全球土壤数据中的0-5厘米土壤深度的砂土含量sand_0-5cm_mean数据波段和表示SMAP土壤水分数据中的降轨土壤水分的soil_moisture_pm数据波段投影至EPSG:4326坐标系并进行裁剪，添加进一个新的长时间序列影像集，并使用三次卷积法内插将整个长时间序列影像集重采样至9km的空间分辨率上，创建一个空间分辨率为9km的长时间序列影像集。
8.根据权利要求7所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，还包括步骤S52：
基于MERIT DEM数字高程模型数据和Google earth engine完成对步骤S51建立的长时间序列影像集中的像元值进行提取和导出，并建立土壤水分降尺度模型的训练集。
9.根据权利要求8所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，步骤S52具体为：
基于MERIT DEM数字高程模型数据对9km的长时间序列影像集进行转化，得到9km空间分辨率DEM栅格数据，将9km空间分辨率DEM栅格数据转换为点数据并上传至Google earthengine，基于上传后的点数据，在Google earth engine中完成对步骤S51得到的9km空间分辨率的长时间序列影像集中像元的提取和导出，并建立土壤水分降尺度模型的训练集。
10.根据权利要求9所述的一种基于降尺度的土壤墒情遥感计算方法，其特征在于，步骤S6具体为：
对目标区域进行矢量裁剪，然后将原始空间分辨率的降尺度因子重采样至100米的空间分辨率，然后将重采样至100米的空间分辨率后的降尺度因子代入土壤水分降尺度模型，最终得到目标区域100米高空间分辨率的土壤水分数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257098.2A CN117852417B (zh) | 2024-03-07 | 2024-03-07 | 一种基于降尺度的土壤墒情遥感计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257098.2A CN117852417B (zh) | 2024-03-07 | 2024-03-07 | 一种基于降尺度的土壤墒情遥感计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117852417A true CN117852417A (zh) | 2024-04-09 |
| CN117852417B CN117852417B (zh) | 2024-06-07 |
Family
ID=90540400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410257098.2A Active CN117852417B (zh) | 2024-03-07 | 2024-03-07 | 一种基于降尺度的土壤墒情遥感计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117852417B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160363696A1 (en) * | 2015-06-10 | 2016-12-15 | Tung X. Dao | Observer-based meteorology and image identification |
| CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
| CN114120101A (zh) * | 2021-11-02 | 2022-03-01 | 武汉大学 | 一种土壤水分多尺度综合感知方法 |
| CN116432859A (zh) * | 2023-05-08 | 2023-07-14 | 中山大学 | 一种作物产量统计数据降尺度方法 |
| CN116522090A (zh) * | 2023-05-04 | 2023-08-01 | 长江水利委员会长江科学院 | 一种考虑植被记忆和精细尺度植被指数的土壤水分降尺度方法 |
| CN116519913A (zh) * | 2023-07-03 | 2023-08-01 | 中国科学院地理科学与资源研究所 | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 |
| CN116580318A (zh) * | 2023-05-11 | 2023-08-11 | 中山大学 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
-
2024
- 2024-03-07 CN CN202410257098.2A patent/CN117852417B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160363696A1 (en) * | 2015-06-10 | 2016-12-15 | Tung X. Dao | Observer-based meteorology and image identification |
| CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
| CN114120101A (zh) * | 2021-11-02 | 2022-03-01 | 武汉大学 | 一种土壤水分多尺度综合感知方法 |
| CN116522090A (zh) * | 2023-05-04 | 2023-08-01 | 长江水利委员会长江科学院 | 一种考虑植被记忆和精细尺度植被指数的土壤水分降尺度方法 |
| CN116432859A (zh) * | 2023-05-08 | 2023-07-14 | 中山大学 | 一种作物产量统计数据降尺度方法 |
| CN116580318A (zh) * | 2023-05-11 | 2023-08-11 | 中山大学 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
| CN116519913A (zh) * | 2023-07-03 | 2023-08-01 | 中国科学院地理科学与资源研究所 | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 |
Non-Patent Citations (7)
| Title |
|---|
| JINYANG DU等: "Satellite Flood Inundation Assessment and Forecast Using SMAP and Landsat", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING 》, vol. 14, 25 June 2021 (2021-06-25), pages 6707, XP011865667, DOI: 10.1109/JSTARS.2021.3092340 * |
| 周利娟: "基于Google Earth Engine的SMAP土壤水分产品降尺度研究", 《万方学位论文》, 6 July 2023 (2023-07-06) * |
| 孙俊东等: "基于多源数据的锡林浩特矿区资源环境承载力评价", 《煤田地质与勘探》, vol. 50, no. 07, 31 July 2022 (2022-07-31), pages 157 - 165 * |
| 孟旸等: "基于地理信息系统的配电网规划软件包的开发", 《电力自动化设备》, no. 05, 31 May 2002 (2002-05-31), pages 4 - 6 * |
| 李占杰等: "土壤水分遥感反演研究进展", 《北京师范大学学报(自然科学版)》, vol. 56, no. 03, 15 June 2020 (2020-06-15), pages 474 - 481 * |
| 赵凌园: "基于机器学习的恶意软件检测方法研究", 《中国优秀硕士学位论文全文数据库》, 31 January 2020 (2020-01-31), pages 138 - 570 * |
| 郑覃等: "基于光谱指数的高温目标识别方法", 《国土资源遥感》, vol. 31, no. 03, 31 March 2019 (2019-03-31), pages 51 - 58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117852417B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Spatio-temporal fusion for remote sensing data: An overview and new benchmark | |
| Pasolli et al. | Estimation of soil moisture in mountain areas using SVR technique applied to multiscale active radar images at C-band | |
| Kolassa et al. | Soil moisture retrieval from AMSR-E and ASCAT microwave observation synergy. Part 2: Product evaluation | |
| Odebiri et al. | Deep learning-based national scale soil organic carbon mapping with Sentinel-3 data | |
| Xue et al. | Sharpening ECOSTRESS and VIIRS land surface temperature using harmonized Landsat-Sentinel surface reflectances | |
| CN110927120B (zh) | 一种植被覆盖度预警方法 | |
| Wang et al. | Remote estimates of soil organic carbon using multi-temporal synthetic images and the probability hybrid model | |
| CN116452023B (zh) | 基于低频微波雷达vod数据的公里级碳储量评估方法 | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
| CN111783288A (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
| Sun et al. | Modeling salinized wasteland using remote sensing with the integration of decision tree and multiple validation approaches in Hetao irrigation district of China | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| Xu et al. | Air temperature estimation over winter wheat fields by integrating machine learning and remote sensing techniques | |
| Panagos et al. | Soil bulk density assessment in Europe | |
| Mokarram et al. | Identification of suitable location to cultivate grape based on disease infestation using multi-criteria decision-making (MCDM) and remote sensing | |
| CN117852417B (zh) | 一种基于降尺度的土壤墒情遥感计算方法 | |
| Som-ard | Rice security assessment using geo-spatial analysis | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| Maynard et al. | Uncoupling the complexity of forest soil variation: Influence of terrain indices, spectral indices, and spatial variability | |
| Khunrattanasiri | Application of Remote Sensing Vegetation Indices for Forest Cover Assessments | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| CN115223062A (zh) | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 | |
| RU2705549C1 (ru) | Способ агрохимического обследования земель сельскохозяйственного назначения | |
| CN113466135A (zh) | 一种基于gee的海水水质在线反演监测方法 | |
| Jiang et al. | Estimation of soil organic carbon by combining hyperspectral and radar remote sensing to reduce coupling effects of soil surface moisture and roughness |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liao Shisen Inventor after: Xue Zhixuan Inventor after: Zhao Lingyuan Inventor after: Zheng Qin Inventor after: Zhang Yan Inventor before: Liao Shisen Inventor before: Xue Zhixuan Inventor before: Zhao Lingyuan Inventor before: Zheng Qin Inventor before: Zhang Yan |
|
| GR01 | Patent grant |