CN108761034A - 一种多源卫星土壤湿度反演方法 - Google Patents

Abstract

本发明公开了一种多源卫星土壤湿度反演方法，其特征在于，包括以下步骤：收集多源卫星的亮温数据，并得到一致化的相同空间分辨率亮度温度产品序列；构建土壤湿度微波遥感反演模型，进行亮温同发射率转换，提取微波辐射计扫描轨迹的逐个网格发射率；对植被和地表粗糙度的影响进行剔除和校正；对土壤介电常数同发射率进行转换，利用转换后的介电常数与土壤湿度关联反推，实现土壤湿度的遥感反演。本发明利用多个卫星平台观测的准实时亮度温度数据为主要输入数据，提取不同卫星源的亮温数据进行裁剪拼接，实现表层土壤水分的反演与时空重建，获取连续的高时空分辨率的土壤湿度产品。

Description

一种多源卫星土壤湿度反演方法

技术领域

本发明属于水文遥感技术领域，具体涉及一种多源卫星土壤湿度反演方法。

背景技术

土壤湿度是气候、数值天气预报、水文预测、农业干旱监测预报及陆面数据同化等研究领域重要的地表参量。目前获取土壤湿度经典的测量方法主要有：称重法、张力计法，中子法、电阻法等，站点人工观测的土壤湿度虽然精度高，但是站点稀疏或者地形复杂的地区无法布设站点，经典的测量方法存在块状缺测、资料不连续等缺点，难以表现出土壤湿度的空间分布。

卫星遥感技术的发展为区域尺度的土壤湿度信息的获取提供了有效手段，但是卫星遥感反演地表土壤湿度的空间分辨率低，存在很大的空间异质性，不同空间分辨率的土壤湿度特性不一致；由于卫星的扫描轨迹以及覆盖范围，植被、山体等遮蔽物等因素的影响，存在着部分条带、部分区域数据缺失现象，而且数据缺失区域随着时间发生变化，无法用于特定区域与连续时间的土壤湿度特征分析，需要对缺失数据进行重建；因此，连续的高时空分辨率土壤湿度的获取成为研究的热点和难点，同时也是农业干旱监测、洪水预测等业务部门十分关系的问题。

一系列搭载主被动微波传感器的国内外业务卫星成功发射，例如：SMOS(SoilMoisture and Ocean Salinity)、SMAP(Soil Moisture Active Passive)、FY3B(MWRI：Microwave Radiation Imager)、FY3C(MWRI：Microwave Radiation Imager)、AMSR(Advanced Microwave Scanning Radiometer 2)等等，利用搭载在卫星上的微波传感器能够获取大量浅层土壤湿度信息，多源卫星土壤湿度的联合反演在流域性或区域性土壤湿度监测中具有不可替代的优势。

发明内容

为了获取连续的高时空分辨率的土壤湿度产品，本发明提供了一种多源卫星土壤湿度反演及时空重建的方法，利用国内外主流的卫星亮温数据，经过数据裁剪、拼接，得到格式一致、分辨率一致的亮温数据，构建土壤湿度反演模型，获取土壤湿度产品；将利用过去三天获取的土壤含水信息、前期降水等信息进行统计回归插补，从而得到时空连续的陆表土壤湿度产品。

为了获取连续的高时空分辨率的土壤湿度，本发明具体采用以下技术方案：

一种多源卫星土壤湿度反演方法，其特征在于，包括以下步骤：

步骤1，收集多源卫星的亮温数据，并得到一致化的相同空间分辨率(0.25°)亮度温度产品序列；

步骤2，构建土壤湿度微波遥感反演模型，进行亮温同发射率转换，提取微波辐射计扫描轨迹的逐个网格发射率；

包括：

步骤21，构建土壤湿度微波遥感反演模型：

T_Bp＝T_u+exp(-τ_a)×[{T_dr_Spexp(-2τ_c)}+{e_SpT_sexp(-τ_c)+T_c(1-ω_p)[1-exp(-τ_c)][1+r_Spexp(-τ_c)] (1)

其中：T_Bp为亮度温度，T_u为大气的上行辐射，T_d为大气在冠层顶部的下行辐射，τ_a为大气的光学厚度，下标p表示的是极化方式，T_c为植被的温度，τ_c为植被的光学厚度因子，r_Sp＝1-e_Sp为土壤表面的反射率；T_s是地表的有效物理温度，ω_p为植被的单次散射反照率；

步骤22，利用卫星遥感和实时天气预报模型获取的准实时地表温度和微波辐射计观测的光亮温度，提取微波辐射计扫描轨迹的逐个网格发射率：

γ_p＝e^(-τsecθ) (3)

式中：T_Bp为亮度温度；T为物理温度；e为发射率；下标p代表极化方向，包括水平极化(H)和垂直极化(V)，τ植被光学厚度，ω单散射反照率，γ冠层透射率，极化方向p的地表发射率，θ为辐射计观测角或辐射入射角；

步骤3，对植被和地表粗糙度的影响进行剔除和校正；

步骤4，对土壤介电常数同发射率进行转换，利用转换后的介电常数与土壤湿度关联反推，实现土壤湿度的遥感反演。

所述步骤1中收集国内外高时空分辨率的亮温数据，并根据不同卫星亮温的特点进行数据的格式转换、重新采样、空间拼接、产生一致化的相同空间分辨率(0.25°)亮度温度产品序列，具体包括以下步骤：

步骤11，收集国内外亮温数据；

步骤12，不同卫星亮温数据的格式不同，进行数据格式转换，统一转换为HDF5；

步骤13，不同卫星亮温数据的空间分辨率不同，进行重新采样，使得空间分辨率一致；

步骤14，不同卫星扫过地球的轨迹不同，需要对亮温数据进行空间拼接；

步骤15，产生格式一致、空间分辨率一致的亮温温度产品；

所述步骤2中构建土壤湿度微波遥感反演模型，进行亮温同发射率转换，提取微波辐射计扫描轨迹的逐个网格发射率，具体步骤包括：

步骤21，在经典的τ-ω模型的基础上，利用微波辐射计观测的亮度温度同土壤湿度的关系，构建土壤湿度微波遥感反演模型；

T_Bp＝T_u+exp(-τ_a)×[{T_dr_Spexp(-2τ_c)}+{e_SpT_sexp(-τ_c)+T_c(1-ω_p)[1-exp(-τ_c)][1+r_Spexp(-τ_c)] (1)

其中：T_Bp为亮度温度，T_u为大气的上行辐射，T_d为大气在冠层顶部的下行辐射，τ_a为大气的光学厚度，下标p表示的是极化方式，T_c为植被的温度，τ_c为植被的光学厚度因子，r_Sp＝1-e_Sp为土壤表面的反射率；T_s是地表的有效物理温度，ω_p为植被的单次散射反照率。

步骤22，利用卫星遥感和实时天气预报模型获取的准实时地表温度和微波辐射计(如SMAP、SMOS和AMSR2)观测的光亮温度，提取微波辐射计扫描轨迹的逐个网格发射率；亮度温度(T_B)、物理温度(T)、发射率(e)由以下物理公式建立联系：

γ_p＝e^(-τsecθ) (3)

式中：T_Bp为亮度温度；T为物理温度；e为发射率；下标p代表极化方向，包括水平极化(H)和垂直极化(V)，τ植被光学厚度，ω单散射反照率，γ冠层透射率，极化方向p的地表发射率，θ为辐射计观测角或辐射入射角。

所述步骤3中为了提高对土壤湿度的提取，对植被和地表粗糙度的影响进行踢出和校正，包括：

τ＝b·VWC (4)

式中：τ植被光学厚度，VWC植被含水量，极化方向p的土壤发射率，b取决于植被类型、微波频率的参数，θ为辐射计观测角或辐射入射角。

所述步骤4中对土壤介电常数同发射率进行转换，利用转换后的介电常数与土壤湿度关联反推，实现土壤湿度的遥感反演步骤包括：

步骤41，土壤介电常数与发射率关联反推，土壤介电常数与发射率关系通过著名的菲涅耳公式来表述，可以对介电常数同极化发射率进行转换。

式中，ε_r土壤表层介电常数，水平极化发射率，垂直极化发射率，θ为辐射计观测角或辐射入射角。

步骤42，利用转换后的介电常数和已有的土壤含水与土壤介电常数关系模型，对土壤含水进行反推，从而实现土壤湿度的反演提取。

式中：ρ_b土壤块容积密度；ρ_s土壤固体颗粒比重；m_v土壤体积含水量；ε_fw自由水介电常数；ε_s土壤颗粒介电常数，α，β为经验指数。

本发明的有益效果：本发明提供的一种多源卫星土壤湿度反演及时空重建的方法，下载主流卫星的亮度温度数据，对亮温数据进行格式统一处理、空间重采样、数据拼接等得到格式一致、空间分辨率一致时间连续的亮温产品；在经典的τ-ω模型基础上，建立土壤湿度被动微波遥感反演算法，即：利用卫星遥感和实时天气预报模型获取的地表温度和微波辐射计观测的光亮温度，提取逐个网格发射率；通过菲涅尔公式建立发射率与土壤介电常数的关系，将发射率与介电常数进行转换；建立土壤湿度与介电常数的关系模型，实现土壤湿度的遥感反演。本方法充分考虑各个卫星的优点，以亮度温度为基础数据，数据来源稳定可靠；建立土壤湿度被动微波遥感反演算法，基于经典的遥感模型，保证了结果的客观合理性，实现多源卫星的土壤湿度反演，得到时间连续空间分布一致的高时空分辨率的土壤湿度产品。

附图说明

图1是本发明亮温数据处理示意图。

图2为本发明中反演算法示意图。

图3为本发明中亮温数据量示意图。

图4为本发明中原始亮温数据示意图。

图5为本发明中拼接亮温数据示意图。

图6为本发明中土壤湿度产品示意图。

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描述。

如图1和2所示，本发明提供的一种多源卫星土壤湿度反演及时空重建的方法，包括以下步骤：步骤1，收集国内外高时空分辨率的亮温数据，并根据不同卫星亮温的特点，进行数据的格式转换、重新采样、空间拼接、产生一致化的相同空间分辨率(0.25°)亮度温度产品序列，具体为：

步骤11，收集国内外亮温数据；

步骤12，不同卫星亮温数据的格式不同，进行数据格式转换，统一转换为HDF5；

步骤13，不同卫星亮温数据的空间分辨率不同，进行重新采样，使得空间分辨率一致；

步骤14，不同卫星扫过地球的轨迹不同，需要对亮温数据进行空间拼接；

步骤15，产生格式一致、空间分辨率一致的亮温温度产品；

步骤2，构建土壤湿度微波遥感反演模型，进行亮温同发射率转换，提取微波辐射计扫描轨迹的逐个网格发射率，具体为：

步骤21，利用微波辐射计观测的亮度温度同土壤湿度的关系，构建土壤湿度微波遥感反演模型；T_Bp＝T_u+exp(-τ_a)×[{T_dr_Spexp(-2τ_c)}+{e_SpT_sexp(-τ_c)+T_c(1-ω_p)[1-exp(-τ_c)][1+r_Spexp(-τ_c)] (1)

其中：T_Bp为亮度温度，T_u为大气的上行辐射，T_d为大气在冠层顶部的下行辐射，τ_a为大气的光学厚度，下标p表示的是极化方式，T_c为植被的温度，τ_c为植被的光学厚度因子，r_Sp＝1-e_Sp为土壤表面的反射率；T_s是地表的有效物理温度，ω_p为植被的单次散射反照率。

步骤22，利用卫星遥感和实时天气预报模型获取的准实时地表温度和微波辐射计(如SMAP、SMOS和AMSR2)观测的光亮温度，提取微波辐射计扫描轨迹的逐个网格发射率，建立如下关系式：

γ_p＝e^(-τsecθ) (3)

其中，T_Bp为亮度温度；T为物理温度；e为发射率；下标p代表极化方向，包括水平极化(H)和垂直极化(V)，τ植被光学厚度，ω单散射反照率，γ冠层透射率，极化方向p的地表发射率，θ为辐射计观测角或辐射入射角。

步骤3，为了提高对土壤湿度的提取，对植被和地表粗糙度的影响进行踢出和校正，具体为：

τ＝b·VWC (4)

式中：τ为植被光学厚度，VWC为植被含水量，为极化方向p的土壤发射率，b为取决于植被类型、微波频率的参数，θ为辐射计观测角或辐射入射角。

步骤4，利用转换后的介电常数和已有的土壤含水与土壤介电常数关系模型，对土壤含水进行反推，从而实现土壤湿度的反演提取，具体为：

步骤41，土壤介电常数与发射率关联反推，对介电常数同极化发射率进行转换：

式中，ε_r土壤表层介电常数；水平极化发射率；垂直极化发射率，θ为辐射计观测角或辐射入射角。

步骤42，利用转换后的介电常数和已有的土壤含水与土壤介电常数关系模型，对土壤含水进行反推，实现土壤湿度的反演提取：

式中：ρ_b土壤块容积密度；ρ_s土壤固体颗粒比重；m_v土壤体积含水量；ε_fw自由水介电常数；ε_s土壤颗粒介电常数，α，β为经验指数。

以中国区域为例，研究区的亮温数据来自全球的亮温数据，下载自各个卫星的官方网站，具体为：

步骤1，下载国内外高时空分辨率的亮温数据，并根据不同卫星亮温的特点，进行数据的格式转换、重新采样、空间拼接、产生一致化的相同空间分辨率(0.25°)亮度温度产品序列，具体为：

步骤11，收集国内外亮温数据，如图3所示；

步骤12，不同卫星亮温数据的格式不同，进行数据格式转换，统一转换为HDF5，如图4所示；

步骤13，不同卫星亮温数据的空间分辨率不同，进行重新采样，使得空间分辨率一致；

步骤14，不同卫星扫过地球的轨迹不同，需要对亮温数据进行空间拼接；

步骤15，产生格式一致、空间分辨率一致的亮温温度产品，如图5所示；

步骤2，构建土壤湿度微波遥感反演模型，进行亮温同发射率转换，提取微波辐射计扫描轨迹的逐个网格发射率，具体为：

步骤21，在经典的τ-ω模型的基础上，利用微波辐射计观测的亮度温度同土壤湿度的关系，构建土壤湿度微波遥感反演模型；

T_Bp＝T_u+exp(-τ_a)×[{T_dr_Spexp(-2τ_c)}+{e_SpT_sexp(-τ_c)+T_c(1-ω_p)[1-exp(-τ_c)][1+rs_pexp(-τ_c)] (1)

其中：T_Bp为亮度温度，T_u为大气的上行辐射，T_d为大气在冠层顶部的下行辐射，τ_a为大气的光学厚度，下标p表示的是极化方式，T_c为植被的温度，τ_c为植被的光学厚度因子，r_Sp＝1-e_Sp为土壤表面的反射率；T_s是地表的有效物理温度，ω_p为植被的单次散射反照率。

步骤22，利用卫星遥感和实时天气预报模型获取的准实时地表温度和微波辐射计(如SMAP、SMOS和AMSR2)观测的光亮温度，提取微波辐射计扫描轨迹的逐个网格发射率；亮度温度(T_B)、物理温度(T)、发射率(e)由以下物理公式建立联系：

γ_p＝e^(-τsecθ) (3)

式中：T_Bp为亮度温度；T为物理温度；e为发射率；下标p代表极化方向，包括水平极化(H)和垂直极化(V)，τ植被光学厚度，ω单散射反照率，γ冠层透射率，极化方向p的地表发射率，θ为辐射计观测角或辐射入射角。

步骤3，为了提高对土壤湿度的提取，对植被和地表粗糙度的影响进行踢出和校正，具体为：

τ＝b·VWC (4)

式中：τ植被光学厚度，VWC植被含水量，极化方向p的土壤发射率，b取决于植被类型、微波频率的参数，θ辐射计观测角或辐射入射角。

步骤4，土壤介电常数与发射率关联反推，土壤介电常数与发射率关系通过著名的菲涅耳公式来表述，可以对介电常数同极化发射率进行转换，实现土壤湿度的反演(如图6所示)，具体为：

步骤41，土壤介电常数与发射率关联反推，土壤介电常数与发射率关系通过著名的菲涅耳公式来表述，可以对介电常数同极化发射率进行转换。

式中，ε_r土壤表层介电常数，水平极化发射率，垂直极化发射率，θ辐射计观测角或辐射入射角。

步骤42，利用转换后的介电常数和已有的土壤含水与土壤介电常数关系模型，对土壤含水进行反推，从而实现土壤湿度的反演提取。

式中：ρ_b土壤块容积密度；ρ_s土壤固体颗粒比重；m_v土壤体积含水量；ε_fw自由水介电常数；ε_s土壤颗粒介电常数，α，β为经验指数。

Claims (4)

1.一种多源卫星土壤湿度反演方法，其特征在于，包括以下步骤：

步骤1，收集多源卫星的亮温数据，并得到一致化的相同空间分辨率亮度温度产品序列；

步骤2，构建土壤湿度微波遥感反演模型，进行亮温同发射率转换，提取微波辐射计扫描轨迹的逐个网格发射率；

包括：

步骤21，构建土壤湿度微波遥感反演模型：

T_Bp＝T_u+exp(-τ_a)×[{T_dr_Spexp(-2τ_c)}+{e_SpT_sexp(-τ_c)+T_c(1-ω_p)[1-exp(-τ_c)][1+r_Spexp(-τ_c)] (1)

其中：T_Bp为亮度温度，T_u为大气的上行辐射，T_d为大气在冠层顶部的下行辐射，τ_a为大气的光学厚度，下标p表示的是极化方式，T_c为植被的温度，τ_c为植被的光学厚度因子，r_Sp＝1-e_Sp为土壤表面的反射率；T_s是地表的有效物理温度，ω_p为植被的单次散射反照率；

步骤22，利用卫星遥感和实时天气预报模型获取的准实时地表温度和微波辐射计观测的光亮温度，提取微波辐射计扫描轨迹的逐个网格发射率：

γ_p＝e^(-τsecθ) (3)

式中：T_Bp为亮度温度；T为物理温度；e为发射率；下标p代表极化方向，包括水平极化(H)和垂直极化(V)，τ植被光学厚度，ω单散射反照率，γ冠层透射率，极化方向p的地表发射率，θ为辐射计观测角或辐射入射角；

步骤3，对植被和地表粗糙度的影响进行剔除和校正；

步骤4，对土壤介电常数同发射率进行转换，利用转换后的介电常数与土壤湿度关联反推，实现土壤湿度的遥感反演。

2.根据权利要求1所述的一种多源卫星土壤湿度反演及时空重建的方法，其特征在于，所述步骤3包括：

τ＝b·VWC (4)

式中：τ植被光学厚度，VWC植被含水量，极化方向p的土壤发射率，b取决于植被类型、微波频率的参数，θ为辐射计观测角或辐射入射角。

3.根据权利要求2中所述的一种多源卫星土壤湿度反演及时空重建的方法，其特征在于，所述步骤4包括：

步骤41，对土壤介电常数同发射率进行转换：

式中，ε_r土壤表层介电常数，水平极化发射率，垂直极化发射率，θ为辐射计观测角或辐射入射角；

步骤42，利用转换后的介电常数和已有的土壤含水与土壤介电常数关系模型，对土壤含水进行反推，从而实现土壤湿度的反演提取：

式中：ρ_b土壤块容积密度；ρ_s土壤固体颗粒比重；m_v土壤体积含水量；ε_fw自由水介电常数；ε_s土壤颗粒介电常数，α，β为经验指数。

4.根据权利要求3所述的一种多源卫星土壤湿度反演及时空重建的方法，其特征在于，所述步骤1包括以下步骤：

步骤11，收集国内外亮温数据；

步骤12，不同卫星亮温数据的格式不同，进行数据格式转换，统一转换为HDF5；

步骤13，不同卫星亮温数据的空间分辨率不同，进行重新采样，使得空间分辨率一致；

步骤14，不同卫星扫过地球的轨迹不同，需要对亮温数据进行空间拼接；

步骤15，产生格式一致、空间分辨率一致的亮温温度产品。