法律状态公告日
法律状态信息
法律状态
2015-01-21
授权
授权
2013-08-07
实质审查的生效 IPC(主分类):G01N21/35 申请日:20130225
实质审查的生效
2013-07-10
公开
公开
技术领域
本发明涉及遥感测量土壤含水量技术领域,特别涉及一种基于 ASAR和Hyperion数据的植被覆盖下土壤水分协同反演方法及系统。
背景技术
土壤水分是大气降水、植物体内水、地表水和地下水相互转化的 纽带,是水文、农业、气候、生态等领域研究的一个关键性参数因子。 因此,实现准确、快速的获取大区域地表土壤水分的监测具有重要意 义。
相对于传统测量土壤水分的监测手段,遥感技术能够提供地表的 多源多维多时相信息,具有大面积、宏观、实时和动态等优势,为土 壤含水量测量开辟了新的途径。遥感反演土壤水分的方法很多。光学 遥感方面主要有植被指数法、植被-温度指数法、蒸散模型等。这些模 型方法是通过地物反射辐射特征变化来模拟地表覆盖类型、地表温度、 地表蒸散发与土壤含水量之间的关系来获取土壤水分,是一种间接的 经验或者半经验模式,但光学遥感获取影像受到天气条件的限制,大 大的降低了其准确性和可靠性。微波遥感方面主要是基尔霍夫模型, MIMICS模型,水云模型等微波散射模型,其基本原理是通过土壤介电 常数建立地表后向散射系数与土壤水分之间的联系,物理意义明确, 但常受到地表粗糙度,植被的干扰。可见,光学遥感和微波遥感模型土 壤水分反演机理完全不同,两者各有优势与不足,单纯依靠一种数据源 进行土壤水分的反演限制了这些模型在实际应用中的可操作性。
光学遥感中高光谱遥感是前沿,采用图谱合一的技术在获取地表 空间图像的同时,得到每个地物连续丰富的光谱信息,Hyperion是第 一个星载民用成像光谱仪,具有很高的光谱分辨率和空间分辨率,其 连续的反射率光谱曲线可以表达地物细微的变化。微波遥感中主动微 波遥感相较于被动微波遥感具有高空间分辨率的优点,ASAR是 Envisat-1上搭载的最大设别,具有多极化、可变观测角度和宽幅成像的 特征,在土壤水分检测中展现了巨大的潜力。
发明内容
(一)所要解决的技术问题
本发明提供一种基于ASAR和Hyperion数据反演植被覆盖下土壤 含水量的方法及系统,解决了只依靠一种遥感数据源进行土壤水分的 反演导致测量准确性、可靠性低,易受干扰的问题。
(二)技术方案
本发明提供了一种基于ASAR和Hyperion数据反演植被覆盖下土 壤含水量的方法,该方法包括:
S1、获取实验区的Hyperion高光谱图像数据,并提取实验区中的 植被区域;
S2、构建基于比值指数及经验系数的植被含水量模型:
mv=a0SR+b0;
其中,SR为植被水分比值指数,mv为植被含水量,RSWIR和RNIR分 别为近红外波段和短波红外波段反射率,a0和b0分别为经验系数;
S3、结合地面实测的mv及Hyperion数据计算的SR值进行回归计 算,获得所述经验系数a0和b0的值;
S4、匹配Hyperion高光谱图像数据所需的ASAR雷达数据;
S5、将所述匹配后的Hyperion高光谱图像数据、ASAR雷达数据 和所述植被含水量模型、所述a0和b0的值输入水云模型,所述水云模 型为:
τ2=exp(-2Bmvsecθ);
其中,σ0是植被覆盖地表下总的后向散射系数,为植被层的 后向散射系数,是直接地表后向散射系数,τ2是农作物的双程衰减 因子,mv是植被含水量(kg/m2),A和B分别为依赖于植被类型的参 数;θ是雷达入射角;
根据与植被覆盖下土壤含水量ms的关系: σ0soil=a0ln(ms)+b0反演计算获得植被覆盖下土壤含水量ms。
优选的,所述步骤S1包括:利用Hyperion高光谱图像数据的第 32、33、48、49波段构建归一化植被指数,实验区中归一化植被指数 大于0.2的区域,判断为植被区域,构建植被区域掩膜。
优选的,所述步骤S2包括:利用Hyperion高光谱图像数据的第 48、49、130、131波段来构建植被水分比值指数,引入经验系数a0和b0构建植被含水量模型。
优选的,所述步骤S4包括:利用Hyperion高光谱图像数据的四个 角点坐标匹配出所需的ASAR雷达数据。
优选的,所述地表为农田地表
本发明还提供一种基于ASAR和Hyperion数据反演植被覆盖下土 壤水分的系统,该系统包括:
植被区域提取模块,用于利用高光谱图像数据提取实验区中的植 被区域;
植被含水量模型模块,用于构建植被含水量模型;所述植被含水 量模型构建模块还包括回归计算模块,用于从数据库中提取相应模型 参数,通过回归计算获得经验系数a0和b0的值;
雷达数据匹配模块,用于匹配Hyperion高光谱图像数据所需的微 波雷达数据;
土壤含水量计算模块,用于基于ASAR雷达数据和半经验的水云 模型反演计算植被覆盖下土壤含水量;
数据库,用于存储遥感测得的各种数据,提供给相应模块使用。
其中,所述数据库包括:
先验知识库,用于存储区域实测的植被含水量以及含有近红外和 短波红外的遥感数据;
高光谱数据库,用于存储Hyperion高光谱图像数据;
雷达数据库,用于存储ASAR雷达数据。
(三)有益效果
本发明通过理论分析、实验测试和实际应用,充分利用地面实测 资料与光学遥感和微波遥感相结合,以水云模型为依托,对其中的植 被含水量进行了改进,引入先验知识通过回归计算得出的经验系数, 构成了基于比值指数的植被含水量模型,与归一化水体指数模型相比、 经验系数比具有更强的稳定性;改进的水云模型,既有明确的物理基 础,又具有稳定性好、简单、灵活、易于操作等优点。比传统的水云 模型的适用面更加宽广,有广阔的应用前景。
附图说明
图1为本发明提供方法的步骤流程图;
图2为本发明提供系统的结构组成图;
图3为估算土壤含水量和地面实测的土壤含水量对比散点图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供了以一种基于ASAR和Hyperion数据反演植被覆盖下 土壤水分的方法,如图1所示,该方法具体步骤为:
S1、利用Hyperion获取实验区的Hyperion高光谱图像数据也可称 为Hyperion数据或高光谱数据,并提取实验区中的植被区域;
S2、构建基于比值指数及经验系数的植被含水量模型:
mv=a0SR+b0;
其中,SR为植被水分比值指数,mv为植被含水量,RSWIR和RNIR分 别为近红外波段和短波红外波段反射率,a0和b0分别为经验系数;
S3、结合实测的mv及遥感计算的SR进行回归计算,获得所述经 验系数a0和b0的值;
S4、匹配高光谱数据所需的ASAR雷达数据;
S5、将所述匹配后的高光谱数据、ASAR雷达数据和所述植被含 水量模型、所述a0和b0的值输入水云模型,所述水云模型为:
τ2=exp(-2Bmvsecθ);
其中,σ0是植被覆盖地表下总的后向散射系数,为植被层的 后向散射系数,是直接地表后向散射系数,τ2是农作物的双程衰减 因子,mv是植被含水量(kg/m2),A和B分别为依赖于植被类型的参 数;研究中忽略植被类型,根据Bindlish和Barros(2001)的研究采用 所有植被经验系数,即A=0.0012,B=0.091;θ是雷达入射角;
根据与土壤水分ms建立关系:σ0soil=a0ln(ms)+b0反演计 算获得植被覆盖下土壤含水量。
其中,所述步骤S1提取实验区中的植被区域具体为:利用获取的 Hyperion数据的第32、33、48、49波段构建归一化植被指数NDVI, 当NDVI大于0.2时判断区域为植被区域,构建植被区域掩膜。
其中,所述步骤S2具体包括:利用Hyperion数据的第48、49、 130、131波段来构建植被水分比值指数引入经验系数a0和 b0,构建植被水分模型;
结合区域实测的植被含水量mv以及含有近红外和短波红外的遥感 数据,计算得到比值指数,最终进行回归计算得到经验系数a0和b0的 值。
其中,所述步骤S4具体为:根据实验区高光谱的四个角点坐标匹 配出所需得ASAR数据和相应的雷达入射角。
其中,所述地表为农田地表。
本发明还提供了一种基于ASAR和Hyperion数据反演植被覆盖下 土壤水分的系统,该系统如图2所示,包括:
植被区域提取模块,用于利用高光谱图像数据提取实验区中的植 被区域;
植被含水量模型构建模块,用于构建植被含水量模型;所述植被 含水量模型构建模块还包括回归计算模块,用于从数据库中提取相应 数据,通过回归计算获得经验系数a0和b0的值;
雷达数据匹配模块,用于匹配高光谱数据所需的微波雷达数据;
土壤含水量计算模块,用于基于ASAR雷达数据和半经验水云模 型反演计算植被覆盖下土壤含水量;
数据库,用于存储遥感获得的数据,并提供数据给相应模块。
其中,所述数据库包括:
先验知识库,用于存储区域实测的植被含水量以及含有近红外和 短波红外的遥感数据;
高光谱数据库,用于存储Hyperion获取的高光谱数据;
雷达数据库,用于存储ASAR获取的ASAR雷达数据,所述雷达 数据包括雷达入射角。
实际具体的实施:
1、将农田地表覆盖下土壤类型较单一的地区作为一个实验区,利 用Hyperion数据提取植实验区中的被覆盖区域。
2、研究植被的地物光谱曲线,在近红外波段1300~2500nm吸收 率增大,反射率下降,并在1.45μm、1.95μm和2.6-2.7μm处形成三个 强吸收谷,依据以往的研究均表明,近红外波段吸收率的改变主要是 植被含水量的变化引起的,在短波红外波段,即第一个水分吸收谷,反 射率的改变主要是由于植被水分吸收引起的,建立比值指数的植被含 水量模型:
其中,RSWIR和RNIR分别为近红外波段和短波红外波段反射率;通过 提取先验知识知识库中的实测数据,进行回归计算,得到经验系数a0和b0的值。
3、匹配对应时空的ASAR数据,在土壤水分微波遥感研究中,地 表覆盖的植被会干扰土壤的后向散射信号,去除植被后向散射的影响 后,后向散射系数与土壤含水量的相关性明显增强。故本发明的关键 在于如何有效地去除植被后向散射的影响。
本发明利用水云模型来去除植被后向散射的影响,测量实验区植 被覆盖下的土壤含水量:将所述匹配后的高光谱数据、ASAR雷达数 据和所述植被含水量模型、所述a0和b0的值输入水云模型,所述水云 模型为:
τ2=exp(-2Bmvsecθ);
建立与植被覆盖下土壤含水量ms的关系: σ0soil=a0ln(ms)+b0,反演计算获得植被覆盖下土壤含水量ms。
4、对观测点位置的模型反演得到的估算土壤含水量与地面实测土 壤含水量进行相关分析,得到实验区内两者的关系。
5、评价模型在研究区的土壤含水量估算状况。
本发明应用中国贵州安顺地区为实验场。中国贵州安顺地处东经 105.22°-106.57°,北纬25.35°-26.63°之间,长江水系乌江流域和珠江水 系北盘江流域的分水岭地带,属典型的高原型湿润亚热带季风气候, 雨量充沛,植被覆盖率高,由于其气候适宜、光照充足,具有优良的 农田,是监测植被覆下土壤含水量的典型区域。以贵州安顺黄果树机 场周边为研究区,该研究区数据主要是2010年4月27日ASAR数据 以及2010年4月22日的Hyperion数据。为了验证模型的土壤含水量 测量效果,计算得到土壤含水量与卫星同步的野外观测数据进行相关 分析。
根据实验区各个观测点的模型反演得到的估算土壤含水量和地面 实测的土壤含水量建立散点图,其结果如图3,平均误差为0.026243 kg/m2,相关系数平方(R2)为0.37,均方差为0.000789。结果表明, 模型估计值和实地观测数据具有较高的相关性。
通过分析可见,改进的水运模型对测量土壤含水量很有效。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领 域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以 做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
机译: 基于土壤水分图数据的工地准备系统和方法
机译: 基于土壤水分图数据的工地准备系统和方法
机译: 基于土壤水分图数据的工地准备系统和方法