土壤含水量(soil water content, SWC)和土壤含盐量(soil salt content, SSC)是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射...土壤含水量(soil water content, SWC)和土壤含盐量(soil salt content, SSC)是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射率的响应,使得SSC和SWC的反演精度较差。对此,该研究提出了一个半解析性的反射率模型—RVS模型,来模拟植被光谱反射率(R_(v))对作物根区土壤含水量和含盐量的响应;并通过构建的RVS模型,对植被覆盖区域的土壤含水量和土壤含盐量进行同步监测。研究表明:RVS模型在反演研究区土壤含盐量和含水量时,精度较为可靠(水分:决定系数R^(2)为0.63~0.74,均方根误差为0.017~0.028;盐分:决定系数R^(2)为0.68~0.75,均方根误差为0.052 5~0.061 7)。在作物生长过程中,植被光谱反射率对深层土壤的含水量和含盐量的响应比对浅层土壤的含水量和含盐量的响应更加明显,而且随着作物的生长,影响光谱反射率的主导因素从土壤水分慢慢转向土壤盐分和水盐相互作用。该研究在一定程度上揭示了土壤水分、盐分、水盐交互作用对作物光谱反射率的干扰过程,实现土壤水分和盐分的同步监测,对实现区域尺度上土壤含盐量和含水量的精准监测具有一定的意义。展开更多
本文利用6S(Second Simulation of a Satellite Signal in the Solar Spectrum)、Acolite DSF(Dark spectrum fitting)、C2RCC(Case 2 Regional Coast Color)、SeaDas(SeaWiFS Data Analysis System)、Sen2Cor(Sentinel 2 Correction)、...本文利用6S(Second Simulation of a Satellite Signal in the Solar Spectrum)、Acolite DSF(Dark spectrum fitting)、C2RCC(Case 2 Regional Coast Color)、SeaDas(SeaWiFS Data Analysis System)、Sen2Cor(Sentinel 2 Correction)、Polymer(Polynomial based algorithm applied to MERIS)和iCOR(Image correction for atmospheric effects)7种大气校正算法,结合松花湖、月亮泡、小兴凯湖实测遥感反射率数据对“哨兵-2号”(Sentinel-2)数据进行大气校正研究,验证算法性能。整体校正结果显示,相较于实测遥感反射率,上述7种大气校正算法均在可见光波段(400~800 nm)呈现不同程度的低估。除C2RCC算法外,其余6种算法校正后的遥感反射率与实测光谱曲线变化趋势基本吻合,其中Sen2Cor算法与iCOR算法性能最佳,Polymer算法性能最差;在单波段校正精度对比中,Sen2Cor和iCOR算法几乎所有波段的均方根误差和平均绝对百分比误差都低于其余5种算法。Sen2Cor算法在560 nm、665 nm和705 nm处校正精度优于其余6种算法,iCOR算法在443 nm和740 nm处有良好的表现,在490 nm处6S算法校正精度最高,拥有最低的均方根误差(0.0059 sr^(−1))和平均绝对百分比误差(21.40%)。结果表明,这7种大气校正算法均可以在一定程度上去除大气影响,增加影像的可用性,Sen2Cor算法和iCOR算法更适用于本文所研究水体或相似水体。展开更多
文摘土壤含水量(soil water content, SWC)和土壤含盐量(soil salt content, SSC)是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射率的响应,使得SSC和SWC的反演精度较差。对此,该研究提出了一个半解析性的反射率模型—RVS模型,来模拟植被光谱反射率(R_(v))对作物根区土壤含水量和含盐量的响应;并通过构建的RVS模型,对植被覆盖区域的土壤含水量和土壤含盐量进行同步监测。研究表明:RVS模型在反演研究区土壤含盐量和含水量时,精度较为可靠(水分:决定系数R^(2)为0.63~0.74,均方根误差为0.017~0.028;盐分:决定系数R^(2)为0.68~0.75,均方根误差为0.052 5~0.061 7)。在作物生长过程中,植被光谱反射率对深层土壤的含水量和含盐量的响应比对浅层土壤的含水量和含盐量的响应更加明显,而且随着作物的生长,影响光谱反射率的主导因素从土壤水分慢慢转向土壤盐分和水盐相互作用。该研究在一定程度上揭示了土壤水分、盐分、水盐交互作用对作物光谱反射率的干扰过程,实现土壤水分和盐分的同步监测,对实现区域尺度上土壤含盐量和含水量的精准监测具有一定的意义。
文摘本文利用6S(Second Simulation of a Satellite Signal in the Solar Spectrum)、Acolite DSF(Dark spectrum fitting)、C2RCC(Case 2 Regional Coast Color)、SeaDas(SeaWiFS Data Analysis System)、Sen2Cor(Sentinel 2 Correction)、Polymer(Polynomial based algorithm applied to MERIS)和iCOR(Image correction for atmospheric effects)7种大气校正算法,结合松花湖、月亮泡、小兴凯湖实测遥感反射率数据对“哨兵-2号”(Sentinel-2)数据进行大气校正研究,验证算法性能。整体校正结果显示,相较于实测遥感反射率,上述7种大气校正算法均在可见光波段(400~800 nm)呈现不同程度的低估。除C2RCC算法外,其余6种算法校正后的遥感反射率与实测光谱曲线变化趋势基本吻合,其中Sen2Cor算法与iCOR算法性能最佳,Polymer算法性能最差;在单波段校正精度对比中,Sen2Cor和iCOR算法几乎所有波段的均方根误差和平均绝对百分比误差都低于其余5种算法。Sen2Cor算法在560 nm、665 nm和705 nm处校正精度优于其余6种算法,iCOR算法在443 nm和740 nm处有良好的表现,在490 nm处6S算法校正精度最高,拥有最低的均方根误差(0.0059 sr^(−1))和平均绝对百分比误差(21.40%)。结果表明,这7种大气校正算法均可以在一定程度上去除大气影响,增加影像的可用性,Sen2Cor算法和iCOR算法更适用于本文所研究水体或相似水体。
