基于RTK的高程数据对比分析

以内蒙古扎赉特旗吉日根林场为研究区,通过采集区内高精度的RTK高程数据作为参考,比较区域内的Google Earth、SRTM-1和ASTER GDEM V2高程数据的垂直精度。研究结果表明,Google Earth和ASTER GDEM V2数据在地形起伏度小的区域有明显抖动。坡度与地貌不同时,SRTM-1数据的绝对均值误差、标准差和均方根误差均较小。相较而言,SRTM-1表达地形更为准确,和采集的RTK实验点基本相同。

三种外部DEM对初级DSM数据的影响分析与评价

初级DSM数据是基于SAR数据,参考外部DEM,经过InSAR干涉处理得到的。虽然初级DSM数据质量受SAR数据自身质量和InSAR干涉处理的影响,外部DEM作为一个重要的数据源,其质量情况也会影响初级DSM的精度。为了验证精度越高的外部DEM,得到的初级DSM数据质量是否越好,选取了3种外部DEM进行InSAR干涉处理,并收集了380个控制点对初级DSM进行精度检验,经测试分析得出,外部DEM精度高时,DSM的精度也相对提高。

基于多源遥感数据的锡尔河中下游农田土壤水分反演

机器学习结合多源遥感数据反演土壤水分含量(SMC)是目前SMC研究的热点,因较少考虑温度、蒸散等重要SMC影响因子,反演结果存在一定的不确定性。利用Sentinel-1影像、MODIS产品和SRTM数据,提取雷达后向散射系数等32个SMC影响因子,经相关分析选择27个显著的SMC影响因子(P<0.05)作为反演因子,并设计三组因子组合。这三组因子组合分别与随机森林、支持向量回归、BP神经网络三种机器学习方法结合,发现基于随机森林结合所有因子的方案,其SMC反演精度最高,该组合均方根误差RMSE为0.039 m^3/m^3,将该方案被用于反演2017年生长季锡尔河流域中下游平原区农田SMC。结果表明:从上部至下部SMC总体呈逐渐增加的态势,但存在显著时空差异,春季和秋季SMC较高而夏季较低。SMC差异主要由土壤质地、热量条件和地表植被状况差异引起。春季平原区下部农田SMC要高于上部,SMC的主控因子是土壤质地和地表植被状况;在夏季,土壤水分的主控因子是热量条件,农田灌溉弥补了热量条件差异对土壤水分的影响,导致空间上平原上部和下部土壤SMC空间差异不显著;秋季SMC的主控因子植被状况抵消地表温度和土壤质地差异对SMC的影响,使得秋季SMC空间差异不显著。本文采用的研究方法在一定程度上克服了因考虑SMC影响因子不足而获取更高SMC精度的限制。