基於遙感的土壤墒情監測方法與流程
2023-05-05 19:24:32 8
本發明涉及MODIS與Landsat TM遙感數據監測土壤墒情的方法，特別是涉及基於MODIS與TM影像集成應用表觀熱慣量法和植被供水指數法監測土壤墒情技術的研究和應用。
背景技術：
：
土壤墒情是水文學、氣象學以及農業科學領域中的一個重要指標，是土壤-植物-大氣連續體的一個重要因子，對水文、農業、旱情監測等具有非常重要的意義。土壤墒情的實時準確監測是灌區現代化管理的基礎，也是灌區實施適時、適量灌溉，節約水資源，提高農業用水效率的關鍵因素。傳統的土壤墒情監測方法是通過設立測站點進行監測，耗費大量的人力、物力、財力，且測點稀疏，以點的墒情代替區域墒情，代表性差，難以滿足實時、快速和大範圍土壤墒情監測的需要。遙感技術具有宏觀性、動態性、速度快、成本低等特點。為土壤墒情大範圍實時監測提高了基礎。
技術實現要素：
：
針對上述問題，本發明設計了基於遙感技術的土壤墒情監測方法。目的是應用遙感技術監測土壤墒情，充分反映土壤墒情在時間上和空間上的變化情況，從而對土壤墒情進行更有效監測。發明從多源遙感數據優勢互補出發，對應用MODIS與Landsat TM數據監測土壤墒情方法進行研究，提出了基於MODIS與TM影像集成應用表觀熱慣量法和植被供水指數法監測土壤墒情技術，實現了減少地面實測數據的依靠，增大墒情監測結果的空間尺度，提高不同植被覆蓋度下地表土壤墒情監測精度。在利用主動微波遙感監測土壤墒情研究中，通過BP人工神經網絡算法模擬後向散射係數與土壤介電常數的關係。應用改進積分方程模型(AIEM)計算的後向散射係數對BP人工神經網絡訓練，將主動微波遙感數據四種極化方式(HH、HV、VH、VV)的後向散射係數作為輸入數據計算土壤介電常數。構建了用BP人工神經網絡模擬後向散射係數，進而計算土壤墒情模型，實現利用Radarsat2遙感數據四種極化方式反演土壤墒情的方法。
主要方法改進點有：
1、基於多源遙感數據的土壤墒情監測方法融合技術
基於MODIS數據應用表觀熱慣量法和植被供水指數法反演土壤墒情，基於Landsat TM數據應用植被供水指數法反演土壤墒情。分析採用單一遙感數據和單一反演模型監測土壤墒情的局限性。研究將MODIS與TM數據結合實現優勢互補，監測土壤墒情的方法。根據單窗算法計算地表溫度，以歸一化植被指數閾值作為不同地表植被覆蓋度的劃分依據，研究融合表觀熱慣量法和植被供水指數法監測土壤墒情的技術，有效提高土壤-植被-建築物等混合地表土壤墒情的監測精度。
2、提出了劃分地表覆蓋類型的方法
在MODIS表觀熱慣量法與TM植被供水指數法計算土壤墒情時，需要劃分出研究區域所屬的地表覆蓋類型，裸土/低植被覆蓋區域、高植被覆蓋區域、混合地表覆蓋等類型。本研究採用NDVI(歸一化植被指數)，利用模糊數學算法進行判定。表觀熱慣量法適用於裸土/低植被覆蓋區域，隨著植被覆蓋度的增大誤差逐漸增大，精度變低；植被供水指數法適合高植被覆蓋區域，隨著植被覆蓋度的減小誤差會逐漸增大。當MODIS表觀熱慣量獲得的土壤墒情值與TM影像植被供水指數法獲得的土壤墒情接近時的區域，就是裸土低植被和高植被覆蓋的臨界，這時兩種計算方法的相對誤差之和最小，此刻的NDVI平均值代表裸土低植被區域和高植被區域劃分的閾值，這時獲得的土壤墒情反演精度為兩種方法結合使用的最高精度。
3、構建了基於主動微波Radarsat-2數據的土壤墒情反演模型
(1)充分利用Radarsat-2的四種極化方式HH、HV、VH、VV的數據特性，採用改進積分方程模型(AIEM)模擬裸露地表後向散射係數和土壤介電常數的關係，解決了在以往研究中，應用經驗半經驗模型時，對研究區域的地表狀況要求嚴格問題，降低了模型對地表粗糙度的限制要求。
(2)利用BP人工神經網絡模型，設置BP人工神經網絡隱含層的結點和閾值，選擇合適的訓練模式。應用改進積分模型(AIEM)模擬的後向散射係數和土壤介電常數作為BP人工神經網絡的訓練數據。在已知雷達系統參數、裸露地表參數等條件下，通過BP人工神經網絡算法模擬後向散射係數與土壤介電常數之間的關係。將四種極化方式(HH、HV、VH、VV)的後向散射係數作為輸入數據計算土壤介電常數，應用Topp介電模型反演土壤墒情。
具體實施方式：
地表溫度和植被指數是用於遙感監測土壤墒情的兩個重要的指示因子。對於裸露地表，在其他條件相同時，土壤含水量不同地表溫度也不同，地表溫度能較好反映土壤墒情狀況。遙感技術獲取地表溫度時，在無植被區域監測到的是土壤表面溫度，在植被較好的區域，則是植被冠層的表面溫度；一般情況下，地表溫度是由土壤、植被及建築物等不同地物類型組成的混合像元的溫度，所以單獨應用地表溫度這個因子來反演土壤墒情時，在裸土和低植被覆蓋區域，具有一定的精度，但是在植被較好的區域精度較低。土壤含水量多少影響到植物的生長狀態，歸一化植被指數(NDVI)可以反映作物的生長狀況，但NDVI只考慮了當前的植被狀態，而植物在受水分脅迫時短期內仍能保持原有綠色，所以它是一個比較保守的植被水分脅迫指標，在時間上有滯後性，無法實時反映土壤墒情情況。因此單獨應用植被指數因子反演土壤墒情也存在一定的局限。研究將地表溫度和植被指數有機結合，利用植被指數和地表溫度在遙感監測土壤墒情中的互補性，提高遙感監測土壤墒情的精度。綜合利用地表溫度和植被指數，考慮到氣溫對地表溫度變化的影響，將地表溫度和氣溫同時作為土壤含水量的指示因子，去除不同季節或同一季節相同土壤墒情時由於氣溫因素而導致的地表溫度不同的影響；同時結合植被指數，建立土壤墒情反演模型。對NDVI進行模糊綜合評價，區分裸土與植被覆蓋區域等不同地表覆蓋狀況，解決目前在對不同地表覆蓋類型採用反演土壤墒情模型時，不能進行有效甄別的問題。
由於受到天氣狀況、植被覆蓋等因素的影響，光學遙感在土壤墒情監測應用中具有一定的局限性。微波遙感以其全天時、全天候，並具有較強穿透能力，彌補了可見光、紅外遙感在土壤墒情監測中的不足，提供了監測土壤墒情的新方法，成為近年來陸地表層土壤墒情監測具發展潛力的技術。基於主動微波遙感監測土壤墒情的研究，過去大部分應用經驗半經驗模型，對研究區域的地表狀況要求較為嚴格，模型參數物理意義不明確。本研究通過改進積分方程模型(AIEM)來模擬裸露地表的後向散射係數和土壤介電常數的非線性關係，且AIFM的適用範圍廣，對地表粗糙度的限制要求低。利用BP人工神經網絡算法結合介電常數與土壤墒情的關係，將Radarsat-2遙感影像四種極化方式(HH、HV、VH、VV)的後向散射係數作為輸入數據模擬土壤介電常數，提高反演土壤墒情的精度。
附圖說明：
圖1是遙感監測土壤墒情方法圖，根據單窗算法計算地表溫度，利用歸一化植被指數閾值作為不同地表植被覆蓋度的劃分依據，研究融合表觀熱慣量法和植被供水指數法監測土壤墒情的技術，有效提高土壤-植被-建築物等混合地表土壤墒情的監測精度。
圖2為單窗算法地表溫度分布圖，利用單窗算法計算得出的地表溫度。紅色表示地表溫度高於39°的區域，黃色表示地表溫度介於35°-39°的區域，綠色表示地表溫度介於30°-35°的區域，藍色表示地表溫度介於25°-30°的區域，粉紅色表示地表溫度介於20°-25°的區域，淺藍色表示地表溫度低於20°的區域。
圖3為單通道算法地表溫度分布圖，利用單通道算法得出的地表溫度。紅色表示地表溫度高於39°的區域，黃色表示地表溫度介於35°-39°的區域，綠色表示地表溫度介於30°-35°的區域，藍色表示地表溫度介於25°-30°的區域，粉紅色表示地表溫度介於20°-25°的區域，淺藍色表示地表溫度低於20°的區域。
圖4為植被供水指數土壤墒情分布圖。藍色表示土壤墒情大於25％的區域，綠色表示墒情介於20％-25％的區域，淺藍色表示墒情介於15％-20％的區域，黃色表示墒情介於10％-15％的區域，紅色表示墒情小於10％的區域。
圖5為MODIS結合TM影像計算土壤墒情分布圖，將MODIS與TM數據源結合，將MODIS數據的多光譜和高時間解析度，TM數據的較高空間解析度的優勢互補，計算土壤墒情分布。藍色表示土壤墒情大於25％的區域，綠色表示墒情介於20％-25％的區域，淺藍色表示墒情介於15％-20％的區域，黃色表示墒情介於10％-15％的區域，紅色表示墒情小於10％的區域。