基于无人机多光谱与热红外数据的冬小麦土壤水分反演

引入植被覆盖度会在一定程度上提高土壤水分反演模型的精度,但大多数研究均基于归一化植被指数NDVI估算植被覆盖度,未深入研究基于其他植被指数估算植被覆盖度对模型的影响。为此,以河南省驻马店市西平县人和乡冬小麦部分种植区域为实验区,基于分辨率高、机动性强的无人机平台搭载多光谱与热红外成像仪开展冬小麦覆盖地表的土壤水分反演研究,探究引入不同植被覆盖度参数后模型精度的变化,并弥补基于卫星遥感影像的土壤水分监测分辨率低、时效性差的不足。基于随机森林算法,将温度植被干旱指数TVDI、垂直干旱指数PDI两种干旱指数分别与7种植被指数估算的植被覆盖度参数耦合搭建土壤水分反演模型,并根据最优模型的反演结果对实验区的土壤水分空间分布情况进行分析。同时,建立耦合TVDI与PDI指数、不引入植被覆盖度的土壤水分反演模型TP模型为对照组。结果表明:在0~10 cm和>10~20 cm深度时,TP模型的决定系数R^(2)分别为0.606、0.670,均方根误差RMSE分别为0.045、0.041。7种引入植被覆盖度的模型精度较TP模型精度均有一定程度的提升,其中最优模型TPOSAVI的R^(2)较TP模型分别提高0.143、0.158,RMSE分别降低0.7百分点、0.8百分点。基于干旱指数引入植被覆盖度能够提高模型精度,且不同植被覆盖度参数对模型精度的提升程度有差异。

堆栈集成学习联合多源数据反演草地土壤水分

为了有效提高机器学习模型反演土壤水分的稳定性和准确性,提出了一种堆栈集成学习模型,组合多种机器学习模型的优势,提升模型的精度和泛化能力。首先,通过相关性分析,得出入射角为42.5°时,观测数据与土壤水分相关性最好;其次,使用水云模型和τ-w模型构建模拟数据库,与观测数据共同组成反演数据集;最后,利用4种机器学习和堆栈集成学习模型反演稀疏草地的土壤水分。实验结果表明:采用主被动协同比单一主动或被动微波数据的反演结果具有更高的精度;最优堆栈集成学习方法反演结果的决定系数达到0.9714,均方根误差和平均绝对误差分别达到0.0136 cm^(3)/cm^(3)和0.0102 cm^(3)/cm^(3),均优于最优单一机器学习方法,验证了该方法的有效性。

基于PSO_GA-RBF神经网络模型的元谋干热河谷区土壤水分反演

土壤水分对水文和气候过程有重要影响,充分、准确地掌握土壤水分状态对水文模拟、生态治理等具有十分重要的研究价值。本文针对元谋干热河谷区土壤水分反演问题,利用PSO_GA组合优化的RBF神经网络构建了一种新的土壤水分反演模型。试验利用Sentinel-1雷达数据和Sentinel-2光学数据,首先采取适用于研究区低矮植被覆盖类型的水云模型校正植被散射影响;然后将得到的VV和VH极化的土壤直接后向散射系数及交叉极化差代入构建的模型中,实现了对云南省元谋县干热河谷区土壤体积含水量的遥感反演;最后将反演结果与实测的土壤体积含水量数据进行对比验证。结果显示,两者的均方根误差为0.55%m 3/m^(3),决定系数(R^(2))为0.855,对比传统RBF神经网络模型,精度提升明显。将反演结果与NDVI值进行相关分析,结果显示两者的决定系数(R 2)为0.5127。因此,基于Sentinel-1雷达影像数据,利用水云模型和PSO_GA组合优化的RBF神经网络反演的土壤体积含水量具有极高的精度,验证了在干热河谷区大范围土壤水分监测的可行性。

利用温度和植被指数进行地物分类和土壤水分反演

首先利用地物表面温度和植被指数 ,成功地对北京精准农业示范区内生长旺盛小麦、稀疏小麦、池塘水体、水草、淤泥和裸露土壤等 6种地物进行了分类 .其次 ,利用地物表面温度 (LST)和归一化植被指数 (NDVI)作为坐标系 ,建立LST—NDVI三角形分布的散点图 ,分析了散点图的地物特征分布及其物理意义 .与植被的红外和近红外两个特征波段构造的散射图相比 ,同类样本的离散度更小 ,不同类别样本之间的距离更大 .最后 ,提出了植被指数—表面温度的土壤水分反演模型 ,结合地面采样数据 。

鞍山地区低温期土壤水遥感反演方法的改进与应用

针对北方冬季土壤低温变化,对热惯通量模型进行改进,实现低温期土壤水遥感反演,通过对比鞍山地区实测土壤水数据,发现采用改进的热惯通量模型后,模型土壤水反演精度得到明显改善,相比于未改进前,相对误差和均方根误差均可减少10%左右。研究成果对于北方地区低温期土壤水反演精度提升具有重要的参考价值。

基于被动微波遥感和BP神经网络的土壤水分反演研究——以川中丘陵区为例

以川中丘陵区为研究对象,利用2006-2010年的AMSR-E数据和土壤水分观测数据,进行优选输入因子筛选,构建了一个4因子的BP神经网络模型,并对该模型的模拟精度进行了分析与验证。结果表明:基于AMSR-E数据所构建的BP神经网络土壤水分反演模型的模拟值(r=0.4968**)较单独的AMSR-E土壤水分产品(r=-0.0115**)与实测值的相关性更高。反演结果验证表明BP神经网络模型更能反映实际情况,用其进行川中丘陵区的土壤水分反演是可行的。

基于Radarsat-2 SAR数据反演定西裸露地表土壤水分

利用Radarsat-2 SAR数据和定西地区野外土钻法及WET仪器观测的土壤水分数据，分析了同极化后向散射系数与不同土层深度土壤水分之间的关系，采用交叉极化（VV/VH）组合模型反演土壤水分并进行对比验证。结果表明：水平、垂直同极化后向散射系数均与10～20 cm土壤含水量相关性最好，相关系数R均为0．74；受地表粗糙度和土壤质地等影响，同极化后向散射系数与0～10 cm土壤水分相关性均较低。交叉极化组合模型的反演值与10～20 cm实测土壤水分相关性较高，R值达0．75，而与0～10 cm和20～30 cm实测值的相关性较低（R值分别为0．47和0．52），但均通过α＝0．05的显著性检验；WET仪器实测0～6 cm土壤水分经校正后与反演值的相关系数为0．46（通过α＝0．01的显著性检验），校正后的结果有效提高了WET仪器测量精度。交叉极化组合模型可用于裸露地表土壤水分的反演，更适用于提取10～20 cm土壤含水量信息。

土壤水分反演中的主动微波散射模型

作为地表水循环的重要组成部分,土壤水分含量的监测已经成为农业、水文、气象和生态环境等领域的研究热点之一,尤其对现代农业中的精确灌溉、旱情监测和产量估计具有深刻的现实意义。微波后向散射强度与土壤水分之间密切的相关关系使主动微波遥感技术成为高空间分辨率的土壤水分监测中最有效的方法之一。高性能微波散射模型的缺乏是限制土壤水分反演应用的主要因素。分别针对裸露地表和植被覆盖地表,首先分析了常用的微波散射模型,然后对影响土壤水分监测的因素进行探讨;并在实际应用举例中,对常用的主要影响因素校正方法进行分析总结。

基于TVDI的山地平原过渡带土壤水分反演——以绵竹市为例

为了对生态脆弱的西部山地平原过渡带进行土壤水分监测研究。以绵竹市为例,利用Landsat8OLI/TIRS影像,获取了陆地表面温度(TS)和归一化植被指数(NDVI),通过温度植被干旱指数(TVDI)建立了土壤水分回归模型进行遥感水分反演,并通过野外采样数据对结果进行精度验证。结果表明:TVDI和土壤水分存在较强相关性(R=0.6553),能较好反映表层土壤湿度;土壤水分整体分布状况表现为西北山地地区高于东南平原地区,过渡带上山地向平原逐渐降低。因此,TVDI能较好反映过渡带土壤水分时空差异,对监测过渡带土壤干湿状况具有理论与现实意义。

微波遥感反演土壤水分中构建粗糙度参数的新方法

地表粗糙度是影响雷达后向散射系数的重要因素。该文在基于SAR影像反演地表土壤水分的过程中,考虑到地表粗糙度的野外测量误差、取值范围和雷达入射角等方面的影响,统计了裸土、农用地和草地等几种典型地表的粗糙度测量数据,以此限定AIEM模型的输入参数范围。首先,利用AIEM模型模拟雷达后向散射系数与粗糙度、土壤水分之间的关系,构建了基于曲面拟合思想的、与入射角相关的组合粗糙度参数,并以此为基础利用Envisat ASAR双极化数据(VV、VH)建立了土壤水分反演模型。经实测数据验证,在不同入射角范围内,基于该文建立的模型得到的土壤水分反演结果与实测值都有良好的相关性。与其他形式的组合粗糙度参数进行对比,该文提出的模型反演精度较高,能够适用于入射角范围在(5°,65°)内的SAR影像的反演。

基于多元遥感影像分割和区域特征相似度的微波土壤水分反演靶区选择方法

为解决微波遥感土壤水分反演经验方程(关系)的适用性问题,该文提出一个新的概念——反演靶区,并提出了一种基于多元遥感影像分割和区域特征相似度的微波土壤水分反演靶区选择方法。首先采用主成分分析法(PCA),从影响土壤含水量的12个因子(土壤湿度分布、地表温度、NDVI、土壤质地指数、地形粗糙度、雷达入射角以及Landsat TM除热红外波段的6个波段)中筛选提取第一主成分;再使用Mean Shift方法分割包含第一主成分的单色影像,得到一幅过分割区域图;计算各分割区域与各样方区域的特征向量间的加权欧氏距离,得到区域特征相似度数据集;最后,基于各样方得到的反演经验方程(关系),根据区域相似度选择各自反演靶区进行土壤水分反演。实验证明,与只使用同一反演经验方程进行反演相比,基于反演靶区思想的土壤水分反演精度有较大提高。

基于Freeman分解的喀斯特高原山区烟田土壤水分反演研究

为探究SAR技术在喀斯特高原山区烟田旱情监测,选取贵州省清镇市流长乡现代烤烟农业基地单元为研究区,采用SAR目标极化分解技术反演团棵期烟田土壤水分。选取Radarsat-2全极化数据,通过Freeman-Durden极化目标分解技术,分解出3种散射机制,并从目视解译假彩色合成影像与散射功率两个角度综合分析主要散射机制,根据SAR影像散射量中的介电常数与土壤水分密切相关的原理,尝试不同的回归模型,用主要散射机制占比反演烟田土壤水分,并用线性回归检验法检验其反演精度。结果表明:此方法能够较好地反演喀斯特高原山区烟田团棵期土壤水分,体现出SAR影像信息中单次散射模拟微粗糙表面散射及反演土壤水分的优势,为喀斯特高原山区烟田旱情监测提供技术参考。

基于区域特征相似度的微波土壤水分反演结果可信度评价

微波遥感反演土壤水分的精度评价,一般通过选取有限数量采样点的地表实测土壤水分数据与反演值进行比较,实际上只能反映局部采样区的反演精度。本文提出了微波反演土壤水分中一种可以评价整个研究区反演土壤水分可信程度的方法。首先选择采样区的实测土壤水分数据和地表粗糙度数据,通过多元回归统计拟合得到土壤水分反演经验方程,对整个研究区进行土壤水分反演;然后从TM和SAR数据中通过反演和提取,选择影响土壤水分的10个因子(土壤湿度、地表温度、NDVI、土壤质地指数、地形指数、雷达入射角以及Landsat TM的b3、b4、b5、b7共4个波段),采用主成分分析法(PCA)筛选提取主成分,将前3个主成分合成为RGB影像;再使用分水岭算法分割包含前3个主成分的RGB影像,得到一幅分割区域图;最后计算各分割区域的6维特征向量(土壤湿度、地表温度、NDVI、土壤质地指数、地形指数、雷达入射角)与反演时选择采样区的特征向量间的马氏距离,得到区域特征相似度数据集,基于该数据集计算反演结果可信度。以此为基础,利用2008年甘肃黑河地区的ENVISAT ASAR双极化数据(VV、VH)和实测土壤水分数据进行土壤水分反演并评价反演结果的可信度,同时使用反演区域中多个采样区土壤水分实测数据和确定系数(R2)评价反演精度,对比可信度和R2,表明提出的反演可信度可以有效反映土壤水分反演精度。

被动微波遥感土壤水分反演研究进展

准确获取区域土壤水分时空分布和变化对于水文过程模拟、洪旱灾害监测等方面具有重要意义。近几十年,快速发展的遥感技术为大区域地表土壤水分连续观测提供了机遇。尤其,被动微波遥感具有诸多优势,被认为是进行大区域表层土壤水分连续监测的最有潜力的手段。国内外学者对被动微波遥感土壤水分反演开展了大量的研究。为了更好了解国内外研究前沿动态、分析被动微波反演的土壤水分在生产实践中应用的可能性,从被动微波遥感卫星技术发展、土壤水分反演算法和卫星辐射计被动微波土壤水分产品3个方面总结了被动微波遥感土壤水分反演研究进展情况。

基于Sentinel-1/2遥感数据的冬小麦覆盖地表土壤水分协同反演

冬小麦是我国重要粮食作物之一,对冬小麦覆盖地表土壤水分进行监测有助于解决因土壤供水导致的冬小麦歉收和农业用水浪费等问题。为了降低冬小麦覆盖地表土壤水分微波遥感反演过程中冬小麦对雷达后向散射系数的影响,该文基于Sentinel-1携带的合成孔径雷达(SAR)数据和Sentinel-2携带的多光谱成像仪(MSI)数据,结合水云模型,开展冬小麦覆盖地表土壤水分协同反演研究。首先,基于MSI数据,该文定义了一种新的植被指数,即融合植被指数(FVI),用于冬小麦含水量反演;然后,该文发展了一种基于主被动遥感数据的冬小麦覆盖地表土壤水分反演半经验模型,校正冬小麦在土壤水分反演过程中对雷达后向散射系数的影响;最后,以河南省某地冬小麦农田为研究区域,开展归一化水体指数(NDWI)和FVI两种指数与VV,VH,VV/VH 3种极化组合而成的6种反演方式下的土壤水分反演对比实验。结果表明:以FVI为植被指数,能够更好地去除冬小麦在土壤水分反演过程中对雷达后向散射系数的影响;6种反演方式中,FVI与VV/VH组合下的反演效果最优,其决定系数为0.7642,均方根误差为0.0209 cm^(3)/cm^(3),平均绝对误差为0.0174 cm^(3)/cm^(3),展示了该文所提土壤水分反演模型的研究价值和应用潜力。

基于植被指数的猕猴桃根域土壤水分反演影响因素研究

针对现有监测方式难以大面积准确监测植株个体水分状况,且猕猴桃果园的郁闭性导致根域土壤含水率(Root domain soil water content,RSWC)监测方法匮乏的问题,使用多层感知机(Multi-layer perceptron,MLP)和冠层植被指数来预测果实膨大期(5—9月)徐香猕猴桃植株40 cm深度的RSWC。在MLP训练数据的预处理中,采用Pearson相关系数作为输入(植被指数)与输出(RSWC)的相关性评价指标,采用单因素方差分析作为输入与输出的显著性评价指标。进一步考虑冠层采集范围可能对模型精度造成的影响,将数据分割为不同尺度对MLP进行训练评估。结果表明,重归一化植被指数(Renormalized difference vegetation index,RDVI)与RSWC具有最高的相关性与显著性,相关系数和P分别为0.744和0.007,该指数可以作为RSWC反演的输入量。对不同尺度RDVI的建模数据表明,模型精度与RDVI采样面积A及对角线长度L有着较强的相关性(R^(2)分别为0.991和0.993),为了使模型精度最大化,采样面积应在2.540~3.038 m^(2)之间。通过使用该尺度的RDVI建立的MLP模型达到最大精度(R^(2)为0.638,RMSE为0.016)。本研究可为建立非接触性猕猴桃果园土壤含水率估算方法与果园灌溉系统设计提供依据。

草地土壤水分遥感反演方法的适用性

应用MODIS数据,构建中国草地的3种土壤水分反演模型[表观热惯量(apparent thermal inertia,ATI)、温度植被干旱指数(temperature vegetation drought index,TVDI)和植被供水指数(vegetation supply water index,VSWI)],利用实测土壤水分和AMSR2数据进行验证,对3种模型适用性进行了研究。结果表明:3种模型反演结果与实测土壤水分呈现不同程度相关性,从区域整体上均能反映土壤水分时空变化;ATI模型适用于冬季草丛生态系统、草甸生态系统、高寒稀疏植被和冻原生态系统的土壤水分反演,但不适用于草原生态系统,并且夏季误差较高;TVDI模型春季在草丛生态系统、草甸生态系统、高寒稀疏植被和冻原生态系统适用性好,但是冬季反演结果偏差大;VSWI模型夏季误差较小,并且适用于反演草原生态系统土壤水分。

基于合成孔径雷达的土壤水分反演研究进展

土壤水分是水文、环境和农业等研究领域的重要参数,也是旱情监测和灌溉管理的关键指标,故及时获取土壤水分信息对水资源管理、生态规划和农业生产实践有着重要的意义和作用。合成孔径雷达(synthetic aperture radar,SAR)具有一定的穿透能力和全天时、全天候工作的优势,已被广泛应用于土壤水分定量反演中。本文系统地总结了近年来国内外基于SAR数据反演土壤水分的研究进展和应用成果,重点分析了裸露地表和植被覆盖地表的水分反演现状,明确当前SAR反演土壤水分与实际应用需求的差距。为推动今后土壤水分反演研究发展,提高土壤水分反演模型的准确性,增强土壤水分反演方法的普适性和提高土壤水分反演结果的时空分辨率将是未来发展的三个重要方向。

基于MODIS的郑州市土壤水分反演

为了较好地研究郑州市土壤水分的空间分布及动态变化特征,分别在高植被覆盖度期采用温度植被干旱指数模型,在低植被覆盖度期采用表观热惯量模型反演郑州市土壤水分,结果表明,郑州市土壤水分的空间分布,北部区域高于南部,西部高于东部,海拔高的山地高于平地,山区的垂直变化明显;使用此种方法获取的地表土壤水分信息可以表征地表土壤水分的空间分布趋势。

基于遗传优化神经网络的多源遥感数据反演土壤水分

为快速反演较高精度土壤水分,提出用遗传算法优化后的神经网络辅以多源遥感数据的方法进行地表土壤水分反演。首先建立4层神经网络并用遗传算法优化此网络,之后以雷达数据不同极化(VV、VH、VH/VV)的后向散射系数、雷达入射角、光学数据的归一化植被指数(NDVI)、以及高程数据作为网络的输入,土壤水分数据为输出,对网络进行训练与仿真,再运用地表实际测量数据与反演数据做对比验证。结果表明:反演结果与实际测量数据相关性良好,R2可达0. 79。采用遗传算法对神经网络优化的土壤水分反演方法可行,且添加光学数据等辅助数据后土壤水分反演效果更优,为多源遥感土壤水分的协同反演研究提供新思路。