基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统

摘要

本发明提供基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统，具体包括：获取实验区的Hyperion高光谱图像数据，提取实验区中的植被区域；构建基于比值指数及经验系数的植被含水量模型；结合地面实测的植被含水量及Hyperion数据计算的植被比值指数，进行回归计算，获得所述经验系数值；匹配高光谱数据所需的ASAR雷达数据；将匹配后的高光谱数据、ASAR雷达数据和所述植被含水量模型、经验系数值输入水云模型，反演计算获得植被覆盖下土壤含水量。本发明的方法及系统既有明确的物理基础，又具有输入参数少、简单、灵活、易于操作等优点，使植被覆盖下土壤含水量测量更为准确。

说明书

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：

$\mathrm{SR}=\frac{R_{\mathrm{SWIR}}}{R_{\mathrm{NIR}}};$

m_v＝a₀SR+b₀；

其中，SR为植被水分比值指数，m_v为植被含水量，R_SWIR和R_NIR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m_v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：

${\sigma }^0={\sigma }_{\mathrm{veg}}^0+{\tau }^2{\sigma }_{\mathrm{soil}}^0;$

${\sigma }_{\mathrm{veg}}^0=A·m_v·\cos \theta ·(1-{\tau }^2);$

τ²＝exp(-2Bm_vsecθ)；

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，m_v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m_s的关系： σ⁰_soil＝a₀ln(m_s)+b₀反演计算获得植被覆盖下土壤含水量m_s。

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：

$\mathrm{SR}=\frac{R_{\mathrm{SWIR}}}{R_{\mathrm{NIR}}};$

m_v＝a₀SR+b₀；

其中，SR为植被水分比值指数，m_v为植被含水量，R_SWIR和R_NIR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m_v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：

${\sigma }^0={\sigma }_{\mathrm{veg}}^0+{\tau }^2{\sigma }_{\mathrm{soil}}^0;$

${\sigma }_{\mathrm{veg}}^0=A·m_v·\cos \theta ·(1-{\tau }^2);$

τ²＝exp(-2Bm_vsecθ)；

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，m_v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m_s建立关系：σ⁰_soil＝a₀ln(m_s)+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m_v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：

$\mathrm{SR}=\frac{R_{\mathrm{SWIR}}}{R_{\mathrm{NIR}}},$m_v＝a₀SR+b₀；

其中，R_SWIR和R_NIR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：

${\sigma }^0={\sigma }_{\mathrm{veg}}^0+{\tau }^2{\sigma }_{\mathrm{soil}}^0;$

${\sigma }_{\mathrm{veg}}^0=A·m_v·\cos \theta ·(1-{\tau }^2);$

τ²＝exp(-2Bm_vsecθ)；

建立与植被覆盖下土壤含水量m_s的关系： σ⁰_soil＝a₀ln(m_s)+b₀，反演计算获得植被覆盖下土壤含水量m_s。

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。