基於貝葉斯最大熵與先驗知識的土壤水分空間預測研究的製作方法

2023-06-08 05:58:47 1

本發明屬於衛星遙感數據地表參數反演領域，特別是涉及針對非均質低解析度遙感產品的真實性檢驗及精度改進。
背景技術：
：土壤水分是水文模型、氣候預測模型、乾旱監測模型、作物估產模型的重要參量，也是全球氣候變化和陸面數據同化研究的重要數據源。因此，準確監測土壤水分具有重要的學術意義和應用價值。傳統的土壤水分監測方法雖然能夠精確測量單點的土壤水分，但不能滿足大尺度、動態監測土壤水分的要求。隨著衛星遙感技術的發展與完善，研發了基於衛星可見光-近紅外以及熱紅外數據、主動微波、被動微波的土壤水分監測方法，使得大尺度、動態監測土壤水分成為可能。鑑於對土壤水分的強敏感性和高時間重複性，被動微波遙感數據已成為陸表土壤水分遙感產品的主要數據源，在全球土壤水分監測中具有廣闊的應用前景。國內外各知名研究機構都在發布自己的全球土壤水分遙感產品，包括美國AMSR-E、AMSR-2、SMAP，以及歐空局SMOSMIRAS、國產FY-3號都可提供全球土壤水分產品。然而，研究表明星載被動微波遙感的土壤水分反演效果沒有達到預期精度（0.07cm3/cm3或0.04cm3/cm3），產品低精度與產品間不一致性的問題與「用戶」的實用需求矛盾突出，極大限制了遙感產品的實用價值。這是因為現有的土壤水分業務化反演算法都是針對均值地表發展起來的，在異質性地表上的土壤水分反演效果沒有得到充分的真實性檢驗。然而，受遙感器件與成像原理的限制，被動微波衛星空間解析度約為幾十公裡（如AMSR-2數據為25Km，SMOSMIRAS數據約為40Km，FY-3數據為25Km），低空間解析度特性決定了微波像元內部異質性，即單一微波像元內存在多種地物或某種參數的多種取值，像元內的異質性給土壤水分產品的真實性檢驗帶來了困難。因此，如何獲取可以代表衛星觀測尺度「真值」、並能表徵空間異質性的土壤水分數字地圖成為被動微波土壤水分產品真實性檢驗的關鍵問題。遙感產品真實性檢驗一直是遙感學科的熱點問題和挑戰性問題，土壤水分遙感產品的真實性檢驗通常包括四種方法：實測樣本數據檢驗、影像數據檢驗、陸面過程模擬檢驗和相關參量檢驗。然而，實測樣本數據檢驗方法以樣點的空間代表性為前提，但其方法本身仍存在著一些不足，如缺乏對先驗知識的有效利用，導致檢驗真值精度降低，而且要求的地面監測網絡數據集不易滿足等。陸面過程模型檢驗和聯繫相關參量檢驗的理論依據都是土壤水分與先驗知識的關係，但忽略了樣點的重要性。所以，三種檢驗方法存在互補性，也出現了綜合思路的方法，如協同克裡格、回歸克裡格、分層克裡格、地理權重回歸等，均能得到衛星觀測尺度的土壤水分參考圖，在先驗知識與土壤水分相關性較強時，這些方法的檢驗精度均高於普通克裡格方法。但這些方法在綜合利用多源數據類型的先驗知識信息方面仍顯不足：如協同克裡格只能兼顧單個數值類型的環境因子，分層克裡格只是將環境信息作為一個分層或分類依據等。因此，如何更好地將地面測量和先驗知識兩種思想融合起來，兼顧樣點空間相關性和多源類型先驗知識的關係，提高土壤水分產品真實性檢驗精度，是十分值得研究的。貝葉斯最大熵（以下簡稱BME）方法為解決這一問題提供了一條思路。Christakos於1990年提出了BME方法，提出者稱之為現代地統計學，以示與經典地統計學克裡格法的區別。該方法進行大尺度空間異質性研究能融合多方面不同精度與質量的數據，並將這些數據分為兩方面：（1）專用數據（KS）：按照數據的精確與否分為硬數據和軟數據兩類，兩類數據均定量表示被研究屬性的含量，區別在於硬數據為確定性的值，而軟數據的值具有模糊性質，形式為值域區間或概率分布，如對某個點位的田間觀測近似數據，從土壤製圖中獲取的土壤質地分布等。相對於硬數據而言，軟數據具有模糊性，獲取容易，成本低等特點；（2）普遍知識\數據（KG）：用來描述空間隨機域的整體特徵的數據或知識，如一般自然規律、經驗知識和基於硬數據任何階的統計動差（如數學期望，協方差，方差等）。基於這兩方面數據，BME方法分為兩個步驟：（1）使用KG，基於最大熵原理，計算研究區域內未測點變量分布的先驗概率密度函數（以下簡稱pdf），而且當僅考慮硬數據統計誤差時，所得結果與實地樣本數據檢驗結果一樣；（2）使用KS，基於貝葉斯條件概率，更新上一步獲取的先驗pdf，得到研究區域內未測點的後驗pdf。根據最終得到的後驗pdf，可以方便地製作衛星觀測尺度的土壤水分數字參考地圖，進而對遙感土壤水分產品進行檢驗。基於BME方法的應用研究已經成功地運用於多個領域。Gao等利用BME方法開展了農田尺度裸露地表土壤水分的空間估算研究；Brus將歷史土壤類型分布圖為軟數據，以採集樣點的分析結果為硬數據，製作了1:50000荷蘭土壤類型圖，結果比原圖精度提高了15%；Lee使用BME方法研究城市熱島效應，得出的城市月最低氣溫時空分布圖比用傳統方法得到的結果精度提高了35.28%；Christakos使用BME方法製作了NorthCarolina的可吸入顆粒物分布圖；國內楊勇等利用BME方法也開展了土壤有機質的空間估算研究。另外，BME方法還被運用於流行病時空建模、生態與資源調查、氣象氣候研究等涉及自然資源與現象空間分布的多個領域。總之，國外對BME方法的研究與應用已經取得了豐富的成果，但對被動微波遙感土壤水分產品的地面檢驗應用方面還不多見。為此，本研究期望強調土壤水分與先驗知識的綜合利用，兼顧樣方測量的數據分析，開展可代表衛星觀測尺度的土壤水分數字參考地圖研究，精細刻畫像元內空間異質性，這是本研究與以往BME方法應用實例的不同之處，也可以看作是本研究對低解析度遙感產品真實性檢驗研究的貢獻。綜上所述，實地樣本檢驗方法側重樣方樣點的空間代表性，陸面過程模擬檢驗方法和聯繫相關參量檢驗方法關注土壤水分與先驗知識之間的關係，而BME方法的優勢在於提供了靈活的數據利用方式，使多種來源、多種類型的數據集有機會同時被用於衛星觀測尺度的空間分析，生成高解析度土壤水分數字參考地圖，完成土壤水分產品的真實性檢驗，旨在改進反演算法，提高產品精度。因此，本研究考慮將BME作為方法框架，在這個框架內將地面測量和先驗知識融合起來，以地面採集數據或基站觀測數據作為硬數據，以先驗知識環境數據作為軟數據，使估算結果既包含了地面樣點之間的空間相關性，又兼顧了土壤水分與先驗知識的關係。可以預見，本方法能夠在一定程度上提高土壤水分產品的真實性檢驗精度，檢驗精度將大大提高。該研究成果對豐富遙感真實性檢驗學科理論和技術具有重要的意義，而且能夠降低土壤水分產品的反演誤差，提高在相關行業領域的實用價值，同時也為其他低解析度遙感產品的真實性檢驗提供借鑑。技術實現要素：獲取可以代表衛星觀測尺度「真值」、並能表徵空間異質性的土壤水分數字地圖，已成為被動微波遙感土壤水分產品真實性檢驗的關鍵問題。本研究引入BME方法框架，統合使用採樣數據和先驗知識，使估算結果體現樣點的空間相關性和土壤水分與先驗知識的融合，生成高解析度土壤水分數字地圖，以提高低解析度土壤水分產品的真實性檢驗精度。該方法具體包括如下步驟：步驟1）根據土壤水分相關性和可獲取原則，收集研究區域的先驗知識資料，同步下載收集被動微波土壤水分產品。步驟2）開展輔助變量的篩選和轉換。整理並篩選先驗知識輔助變量，並分析輔助變量與土壤水分含量的相關性，確定參與後續計算和分析的關鍵輔助變量。步驟3）根據土壤環境相關法的思想，土壤水分含量在不同環境的影響下可能會產生不同的空間分布特徵。研究提出將土壤水分和關鍵輔助變量離散化，利用離散型的概率分布逼近土壤水分概率真實分布，從而達到構建預測模型。步驟4）根據土壤環境相關法預測模型，開展BME應用中的軟數據分析研究。本研究開展建模點與軟數據點的不同數量探索分析，選擇最優的建模點和軟數據點數量組合方式。步驟5）根據不同組合下的軟數據計算結果，開展協方差函數擬合和土壤水分空間預測分析，並做空間預測評價。進一步，所述被動微波土壤水分產品可為國內FY-3土壤水分產品、國外AMSR-2土壤水分產品或SMOS土壤水分產品或SMAP土壤水分產品等。所述先驗知識包括數字高程、土地利用、氣象參數、植被指數、地表溫度、地表反照率等。附圖說明圖1是BME方法步驟。圖2是不同組合方式的協方差模型：（a）組合1（b）組合2（c）組合3（d）組合4。圖3是不同組合方式下的土壤水分空間預測結果。圖4是不同組合方式下的土壤水分誤差分析。圖5是1Km土壤水分降尺度方法模擬值。具體實施方式下面結合附圖對本發明基於貝葉斯最大熵與先驗知識的高精度土壤水分空間預測研究方法作進一步說明。本研究在河北深州試驗區布設了監測網，在25KM*25KM範圍內布設了69個樣點。由於結冰土壤水分對微波信號的敏感性較差，因此FY-3被動微波土壤水分產品分析時段為4月1日到10月31日，冬季的微波土壤水分產品不參與研究分析。土壤水分變量與輔助變量的相關性分析土壤水分的影響因素包括土壤質地、地形、植被、氣象要素等，DEM數據、土地利用現狀圖、衛星遙感指數數據都會影響土壤水分的空間分布。本研究初步選取植被指數、地表溫度和地表反照率作為輔助變量，協同貝葉斯最大熵理論開展土壤水分空間預測研究。植被指數、地表溫度和地表反照率輔助變量，可利用中解析度遙感MODIS產品替代，包括LST產品、16日合成NDVI產品和8日合成Albedo產品。以往研究關於MODIS產品和土壤水分的分析都是選取了多日合成數據，其局限性在於時間尺度較長且不一致，為進一步提高精度，本研究以單日為時間尺度進行綜合分析，即單日SMC、單日NDVI和單日LST。首先用HANTS時間序列重構方法對研究區16日合成NDVI產品進行數據重構，插值得到逐日的NDVI產品系列。本研究沿用國內外成熟的多元統計模型，分析了不同生育階段NDVI、LST、Albedo與土壤水分的關係。擬合公式形式為，其中SWC是土壤水分，A變量是NDVI，V變量是LST，T變量是Albedo。經擬合公式最優參數如表1所示，可見，土壤水分與NDVI、LST、Albedo有顯著的相關性，這3個變量作為輔助變量進行後續計算和分析。表1相關性分析表相關係數RP-value(SignificanceF)標準誤差a1a2a3a40.53840.0000**0.020.04680.07420.000250.07062.基於BME土壤環境離散相關法的軟數據生成這部分主要開展不同數量組合下的建模點與軟數據點的探索性分析，研究最優的建模點和軟數據點數量組合方式。前提是保證數據點總數為550個且軟數據點是建模點個數1倍以上。4種不同組合方式如下：組合1：建模點50，軟數據點500；組合2：建模點100，軟數據點450；組合3：建模點150，軟數據點400；組合4：建模點200，軟數據點350。基本框架BME將解決問題時所能搜集到的所有信息、數據等統稱為知識集合或知識庫（K）。根據其性質不同，可將K劃分為兩大類，即所謂的廣義知識（G）和特定知識（S）。廣義知識G包括常識、物理法則、科學理論等等，特定知識S則主要包括硬數據和軟數據。BME是一整套思維框架而絕非單純的計算方法，BME的使用過程即是考慮使用哪些知識（G和S）以及如何利用知識去解決問題的邏輯推理過程，主要包括3個階段：先驗階段、中間階段和後驗階段。如圖1所示，在先驗階段，利用最大熵的原理，找到包含最大量的G的信息、最大程度貼近真實情況的先驗概率密度函數Gf；在中間階段，將搜集到的特定知識S以合理的形式表達出來；而在後驗階段則要結合Gf和S，在廣義貝葉斯條件公式的框架下更新Gf，從而獲得估計的基於K的後驗概率密度函數Kf。當通過BME方法得到了完整的後驗pdf，往往需要根據Kf得到滿足應用的預測值和不確定性估計，本文將這一階段稱之為製圖階段。因此完整的BME分析過程包括4個階段，即先驗階段、中間階段、後驗階段和製圖階段。土壤環境離散相關法軟數據計算選取DOY=178，以組合4為例詳細介紹具體計算過程。（1）建模點確定組合4是選取200個土壤水分數據作為建模點數據，同時每個樣點提取土壤水分SMC、地面溫度LST和植被指數NDVI。分析之前需要對數據進行歸一化處理。（2）先驗pdf計算分別將土壤水分SMC、地面溫度LST和植被指數NDVI均勻分成10組，然後按照流程圖進行計算，得到基於環境數據的土壤水分概率分布。表2基於地面溫度LST不同分組的土壤水分SM概率分布表3基於NDVI不同分組的土壤水分SM概率分布（3）軟數據選取和分析組合4在硬數據周圍均勻選取350個軟數據點，然後分別生成在LST和NDVI下的土壤水分SM概率分布。（4）軟數據文件製作若為多個環境輔助數據，則軟數據為概率乘以權重值，可以將各種環境因子與土壤含水量的相關係數作為權重，權重要歸一化處理。組合4中LST和NDVI權重因子定為0.7和0.3。3.協方差函數擬合分析基於土壤環境離散相關方法的空間預測是建立在根據建模點上土壤水分含量空間自相關性所得出的協方差模型基礎之上。四個不同組合的協方差模型如圖2所示。從圖上看出，通過土壤水分與輔助變量的關係建立的軟數據，其中建模點達到一定數量時，其結果能更好的解釋大尺度空間內在關係，為協方差模擬擬合創造較好條件。經分析，本研究100個建模點可基本滿足協方差函數擬合精度要求。土壤水分空間預測分析圖3是四個不同組合下的土壤水分空間預測結果。不同組合下得到的空間格局大致一致，尤其是組合2、3、4的空間變化非常相似。為進一步驗證不同組合土壤水分空間預測結果，將其與地面實測值進行相關性分析。如圖4所示，組合3預測值與實測值相關係數高達0.85，相比之下組合1相關係數較低（0.73）。本研究進一步將BME預測值與1km土壤水分降尺度結果（圖5）進行對比，發現空間變化趨勢極為相似，高值和低值分布的區域較為符合。但降尺度方法沒有考慮地面實測值，僅僅引入了其他遙感產品，土壤水分估算值也普遍較低。恰恰相反，BME預測結果既能反映研究區域的空間異質特徵，也能一定程度上利用實測值對其進行精度校正。以上所述為本發明的較佳實施例而已，本發明不應該局限於該實施例和附圖所公開的內容。凡是不脫離本發明所公開的精神下完成的等效或修改，都落入本發明保護的範圍。當前第1頁1&nbsp2&nbsp3&nbsp