CN110427995B - 一种基于多源遥感数据的贝叶斯土壤水分估算方法 - Google Patents
一种基于多源遥感数据的贝叶斯土壤水分估算方法 Download PDFInfo
- Publication number
- CN110427995B CN110427995B CN201910671852.6A CN201910671852A CN110427995B CN 110427995 B CN110427995 B CN 110427995B CN 201910671852 A CN201910671852 A CN 201910671852A CN 110427995 B CN110427995 B CN 110427995B
- Authority
- CN
- China
- Prior art keywords
- data
- soil moisture
- value
- probability
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 241000132092 Aster Species 0.000 claims abstract description 22
- 230000003746 surface roughness Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 57
- 238000005259 measurement Methods 0.000 claims description 24
- 238000011065 in-situ storage Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 abstract description 39
- 240000008042 Zea mays Species 0.000 description 42
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 42
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 41
- 235000005822 corn Nutrition 0.000 description 41
- 230000012010 growth Effects 0.000 description 14
- 238000009331 sowing Methods 0.000 description 12
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 9
- 238000012876 topography Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 4
- 239000002420 orchard Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003698 anagen phase Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于多源遥感数据的贝叶斯土壤水分估算方法。该方法针对如何获得高精度的土壤水分加权概率软数据,首次融合了12种多源数据进行加权概率软数据的计算,包括降尺度FY3‑B土壤水分产品、使用MODIS产品获取反照率(A),植被指数NDVI(V)和地表温度LST(T);使用ASTER产品获取高程数据;并通过ASTER产品获取的高程数据计算得到坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度数据;并采用多变量相关分析和主成分分析两种权重确定方法获得加权概率软数据。本发明还分析了不同软数据数量的精度分析,提出保证充足的软数据数量,对于获得更高精度的土壤水分空间分布具有重要作用。
Description
技术领域
本发明涉及一种基于多源数据的土壤水分估算方法,特别是融合降尺度土壤水分产品数据和地形地势等多源遥感数据的贝叶斯土壤水分估算方法。
背景技术
缺乏具有高空间分辨率的土壤水分(SM)数据已成为提高流域尺度生态水文模型准确性的主要瓶颈之一。贝叶斯最大熵(BME)算法是用于建模大规模空间异质性的估计算法,并且可以集成具有不同精度和质量的多种类型的数据。理论上,使用BME算法将与SM空间相关的多种类型的数据集成到SM空间估计中可以提高SM精度。
土壤水分(SM)不仅是水文模型,气候预测模型,干旱监测模型和作物产量估算模型的关键参数,也是全球气候变化和地表数据同化的重要因素。传统的原位SM测量可以在单点精确测量SM,不能满足大规模动态SM监测的要求。随着卫星遥感技术的发展和完善,开发了许多基于可见/近红外,热红外和主动/被动微波卫星数据的SM监测方法,这也使得监测SM成为可能。特别是,被动和主动微波卫星数据仅受阴天和阴雨天气的影响最小,而被动微波数据尤其提供了大规模观测SM的高灵敏度方法。因此,遥感微波数据已成为陆面SM遥感产品的主要输入,在全球SM监测中具有广泛的应用前景。然而,大多数区域中的大多数被动微波遥感产品不如预期的那样精确(RMSE> 0.06cm 3 / cm 3)。由于被动微波SM产品的精度较低,其实际价值受到很大限制。此外,大多数被动微波SM检索算法都针对均匀表面进行了优化。由于遥感装置和成像原理的限制,被动微波卫星的空间分辨率很低,在几十公里的范围内。这导致微波像素的内部异质性,这使SM产品的验证复杂化。因此,迫切需要开发具有高空间分辨率的SM产品。
发明内容
BME算法考虑数据的不确定性,并且可以根据最大信息熵的原理有效地融合各种数据。BME将准确测量的数据定义为硬数据(HD),将具有不确定性的数据定义为软数据(SD)。通过使用概率分布函数(例如直方图和高斯分布函数)将SD转换为概率SD,并且使用HD来校准SM的概率SD以获得概率后分布函数。最后,通过使用概率后分布函数来估计SM。本发明具体内容如下:
一种基于多源遥感数据的贝叶斯土壤水分估算方法,包括以下步骤:
步骤1、获得土壤水分软数据并进行数据处理
使用FY3-B土壌水分监测产品获取指定区域、指定日期的土壤水分数据;并对FY3-B土壤水分数据进行降尺度处理,通过使用回归模型将25km分辨率FY3-B 土壤水分数据空间分辨率提高为1km分辨率土壤水分数据;
(1)
其中A 25为反照率(A)的25 km平均值,V 25为植被指数NDVI(V)的25 km平均值,T 25为地表温度LST(T)的25 km平均值,m和n分别是FY3-B像素中第i行和第j列中1km像素的数量;A ij是FY3-B中第i行和第j列中1Km像素的反照率值,V ij是FY3-B中第 i行和第j列中1Km像素的NDVI值、T ij是FY3-B中第 i行和第j列中1Km像素的地表温度LST值;
线性回归模型为: SM=a1+a2 A+a3 V+a4 T+a5 AV+a6 AT+a7 VT (2)
其中SM是土壤水分;a1、a2、a3、a4、a5、a6和a7是回归系数;A为反照率、V为植被指数、T为地表温度;
首先, 将公式(1)计算的A25、V25和T25带入公式(2),根据对应像元尺度25km分辨率的FY3-B 土壤水分数据SM25,通过回归分析计算模型中的回归系数;
其次,将MODIS产品1km分辨率的反照率(A),植被指数NDVI(V)和地表温度LST(T)带入模型公式(2),相应计算得到了1km分辨率的土壤水分值SM1;
步骤2、获取环境因子软数据
使用MODIS产品获取反照率(A),植被指数NDVI(V)和地表温度LST(T);使用ASTER产品获取高程数据;并通过ASTER产品获取的高程数据计算得到坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度数据;
步骤3、利用步骤1获得降尺度FY3-B土壤水分数据SM1和步骤2获得环境因子软数据,采用直方图概率分布形式,获得概率软数据;
步骤4、使用多变量相关分析方法和主成分分析方法确定步骤2中的环境因子软数据的权重值,并获得加权概率软数据;
首先,计算第j个环境因子与的土壤水分数据之间的定量概率,记做PSD(EF j ):
(3)
其中Ef 代表步骤2中获得的环境因子数据; n代表SM的 n个区间; k表示SM的第k个区间,k取值从1到n; m代表Ef的m个区间;是Ef的第l个间隔中SM的第k个间隔中的采样点数;/>是SM的第k个区间中的采样点总数;Efm是第m个区间的环境因子;在每个区间中,概率分布数据是常数值,并且所有区间的大小相同;
其次,计算其中第j个环境因子数据的权重值w j 为:
(4)
其中,i为步骤2中环境因子的个数,i取值从1到11,Rj是第j个环境因子与FY3B土壤水分数据之间的相关系数; Efj是第j个环境因素;NCC(Efj)是第j个环境因子的归一化相关系数,所有环境因子的NCC之和等于1,其中NCC(Efj)值大于等于0.18的环境因子为主导环境因子,保留其环境因子相应权重值,NCC(Efj)值小于0.18的环境因子权重值为0;
再次,计算SM的加权概率,记做WPSD,
(5)
步骤5、实测获得土壤水分硬数据
在步骤1同一区域、相同日期,收集0-5cm深度的土壤样品,并使用铝箱烘焙方法测量土壤水分含量;测量所有参数三次,并将平均值用于后续分析,记做;
步骤6、采用贝叶斯最大熵方法对步骤4中的土壤水分加权概率软数据及步骤5中的实测数据/>作为硬数据进行融合,估算土壤水分数据,结果记做/>;
步骤7、使用均方根误差(RMSE)和相关系数(R)评估土壤水分预测结果的准确度,其中
(6)
(7)
其中,n是步骤5中实测土壤水分的总次数,是步骤5中第i次实测土壤水分值,/>是步骤5中n次实测土壤水分的平均值,/>是步骤6中第i次的贝叶斯最大熵土壤水分,/>步骤6中n次贝叶斯最大熵土壤水分的平均值。
进一步地,加权概率软数据个数设置为4类,分别为500, 450, 400 和350个,获得四种类不同加权概率软数据个数下的土壤水分估算结果。
该方法采用硬数据和土壤水分加权概率软数据对土壤水分进行估算。该方法将实测土壤水分数据作为硬数据,软数据则选取了地形地势等数据,考虑了地形地势对土壤水分的影响。本发明的优点在于将多源遥感数据集成到BME算法中来估计更高分辨率和更高精度的SM。
附图说明
图1基于多源遥感数据的贝叶斯土壤水分估算方法示意图;
图2 研究区域概述;
图3基于MCA和PCA方法的三个玉米生长阶段的SM含量的空间预测;
图4使用BME算法和降尺度FY3-B SM产品的估算SM与现场测量SM的比较。
具体实施方式
本研究的目的是通过将多源遥感数据集成到BME算法中来估计更高分辨率和更高精度的SM,其过程方法示意如附图1所示,具体实施例如下:
一、硬数据准备
研究区域(图2)位于河北省衡水市,位于中国西北部(38°3'00“N,115°27'54”E)。这是一个典型的农业区,只有少数几种土地覆盖(裸土,玉米,果园和草地),土壤质地均匀。该地区属典型的大陆性季风气候,夏季气温高,雨量充沛,冬季寒冷干燥。因此,SM含量在农业生产中起着重要作用,特别是在夏季。为了测量SM含量,在夏季进行了田间试验。样本点如图2所示。玉米,棉花和花生是这些地点的主要作物。主要土壤类型是壤土,包括约44.6%的淤泥,17.5%的粘土和37.9%的砂。
在夏季,玉米占研究总面积的近50%。在本研究中,玉米分为春玉米和夏玉米。春玉米播种于4月下旬或5月上旬,并在8月的最后10天收获。夏季玉米通常在5月下旬或6月初播种,10月份收获。因此,实验于6月至9月进行。这一时期包括玉米生长的播种,抽穗期,花期和成熟期。
实验于6月27日(播种阶段,即第178天),8月14日(玉米的抽穗期,即第226天)和9月7日(花期阶段,即第249天),2014年进行。我们选择了约25公里的面积×25公里作为关键样本区域。样本区域由23个样本点组成,每个站点的参数包括SM,土壤介电常数,植被含水量和叶面积指数(LAI)。在0-5cm的深度收集土壤样品以使用铝箱测量SM含量。测量所有参数三次,并将平均值用于后续分析。在这项研究中,原位实际测量SM数据分为两部分。一部分原位实际测量SM数据用作BME分析的HD。另一个用于验证来自BME算法的估计SM。使用E5071C Vector Network Analyzer(Keysight Technologies Inc.,Santa Rosa,CA,USA)在实验室中测量土壤介电常数。使用包含101个针且总长度超过1m的针板测量粗均方高度和粗糙度参数的相关长度。使用取样和干燥方法测量植被含水量(VWC)。使用LAI-2200C植物冠层分析仪(LI-COR Biosciences,Lincoln,NE,USA)测量LAI五次。地面数据,包括SM含量,土壤介电常数和植被含水量,如表1所示。)
表1.地面数据摘要
DO | N | SMC (g/cm3) | VWC (kg/m 2 ) | H (cm) | LAI | |||
第178天 | 裸土/ 草地/果园 | 64 | 5.62–48.1 | 0 | 2.3–20.1 | 1.578 | 0.4–3.4 | / |
第226天 | 玉米区/果园 | 60 | 9.1–40.9 | 0.48–5.13 | 3.7–25.0 | 1.33 | 0.2–3.0 | 2.89 |
第249天 | 玉米区/果园 | 60 | 8.6–39.3 | 1.53–3.90 | 3.4–17.8 | 1.33 | 0.4–2.2 | 3.35 |
(N:采样点数;Ɛr:土壤介电常数;:平均土壤容重; VWC:植被含水量; H:平均玉米高度; DO:主要对象)
二、多源遥感软数据获取
影响SM检索的因素很多,如地表温度,植被冠层含水量和粗糙度。传统大多利用2-3种辅助数据来估算SM,或没有考虑地形地势影响,或没有考虑降尺度后的土壤水分。因此,仅使用一类数据来评估SM是困难的。因此,我们将25km分辨率的FY3-B SM,NDVI-LST-Albedo MODIS(MODIS的NDVI,Albedo和LST产品)和ASTER DEM卫星产品数据结合起来估算SM的空间分布。在这项研究中,我们使用了三种MODIS产品,即NDVI,Albedo和LST产品,分辨率为1 km。先进的星载热辐射和反射辐射计全球数字高程模型(ASTER DEM),空间分辨率高达30 m。25km分辨率的FY3-B(第三个风云B卫星)SM产品,这些辅助数据用于使用BME算法开发更高分辨率的SM数据。
FY3-B SM产品是免费(下载链接http://satellite.nsmc.org.cn/PortalSite/Default.aspx)。该产品是基于10.65 GHz数据的水平和垂直极化数据的科里奥利卫星上的AMSR-E(高级微波扫描辐射计 - 地球观测***)传感器的SM检索算法开发的。在AMSR-E算法中,选择Q / H模型作为粗糙度模型来估计表面粗糙度的影响。
这三种MODIS产品是MOD11A1(地表温度产品,LST),MCD43B3(Albedo产品)和MOD13A2(植被指数产品:归一化植被指数产品和增强植被指数,NDVI和EVI),它们都具有空间分辨率1km。 MOD11A1 LST产品使用MODIS第31和第32波段的***窗算法以1km的分辨率检索(Yang et al.1199)。 MCD43B3 Albedo产品由16天各向异性模型生产,代表MCD43AAlbedo产品的基础500m值的平均值。 MOD13A2 NDVI产品通过使用MODIS的特定合成方法,基于产品质量保证指标,从日常,大气校正的双向表面反射中检索,去除低质量像素并保持高质量的NDVI值。 ASTER DEM基于对NASA新一代地球观测卫星TERRA的详细观测。这是目前最完整的全球数字高程数据(DEM)之一,具有30米的分辨率。在这项研究中,30米ASTER DEM数据被重新采样到1公里分辨率。
利用ASTER DEM数据,提取了坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度等7种数据(表2)。本研究将LST、Albedo、NDVI、ASTER DEM和由ASTEM DEM生成的7类数据作为环境因子数据,直接影响SM估计。利用近3个时期的NDVI-LST-Albedo/MODIS、FY3-B SM和ASTER DEM数据:2014年6月27日、2014年8月14日和2014年9月7日,即玉米的三个生育期(第178天、第226天和第249天)。
表2 ASTER DEM数据生成的七种地形数据(坡度,坡向,平面曲率,剖面曲率,表面粗糙度,湿度指数和起伏幅度)
名称 | 算法描述 |
坡向 | 从每个像素到其相邻像素变化率最大的下坡方向。 |
坡度 | 坡度是数字高程模型变化的二阶导数. |
平面曲率 | 它是垂直于最大斜率方向的表面的二阶导数。 |
剖面曲率 | 它是曲面沿最大斜率方向的二阶导数。 |
表面粗糙度(sr) | ,是斜率,单位:弧度。 SR是给定区域内地球表面积与其投影面积的比率。 |
湿度指数(WI) | , As表示流经表面上某点的每单位等高线长度的汇流面积。是坡度。 |
起伏幅度 | ,(DEMmax)n是n×n区域中的最大值;(DEMmin)n是n×n区域中的最小值。在本研究中,n设置为3。 |
三、贝叶斯土壤水分估算及验证
一些研究人员表明,使用微波光学/红外产品的协同方法的发展取决于SM,NDVI和LST之间的示意关系。许多研究采用MODIS卫星图像数据以比FY3-B原始分辨率(25 km)更精细的分辨率(1 km)获得SM信息。
在本研究中,MODIS反照率(A),NDVI(V)和LST(T)与25 km FY3-B SM空间分辨率相匹配。使用线性回归模型以1km的空间分辨率获得SM。 FY3-B SM,MODIS反照率,NDVI和LST用于线性回归分析,其将微波和光学/ IR参数的强度联系起来以提高粗分辨率的FY3-B空间分辨率。 MODIS反照率,NDVI和LST的分辨率为25 km计算如下:
(1)
其中A25,V25和T25分别是反照率,NDVI和LST的25 km平均值,m和n分别是FY3-B像素中第 i行和第j列中1 km像素的数量。
线性回归模型使用如下:
(2)
其中SM是25km的SM; a1,a2,a3,a4,a5,a6和a7是回归系数;使用4月至10月的时间序列晴空数据来估计研究区域的回归方程。然后应用估计的回归模型,包括回归系数,估算25km FY3-B,1km反照率,NDVI和LST的1 km SM。虽然每个回归系数(即a1,a2,a3,a4,a5,a6和a7)在给定日期对每个FY3-B像素保持不变,但每个值在不同日期之间变化,因为所有变量随时间变化并且回归关系发生变化基于这些变量。但是,这种方法忽略了SM地面数据的重要性。因此,有必要合并地面数据以获得SM的更高精度的数字地图。
为了对每个环境因子数据进行概率统计,采用相同的离散化方法,将每个环境因子数据的范围也划分为m个区间。结合离散SM和环境因子数据,通过计算各区间离散环境因子与SM数据之间的定量概率,推导出SM的概率SD。所得到的SM与环境因子之间的m×n定量概率关系为概率SD(即PSD(Ef))。
(3)
其中Ef 代表环境因素之一,即本研究中的NDVI,LST,Albedo,DEM,坡度,坡向,平面曲率,剖面曲率,表面粗糙度,湿度指数和起伏幅度。n代表SM的 n个区间; k表示SM的第k个区间,从1到n; m代表Ef的m个区间;l代表SM的第l个区间,从1到m;是Ef的第l个间隔中SM的第k个间隔中的采样点数。/>是SM的第k个区间中的采样点总数;Efm是第m个区间的环境因素。在每个区间中,概率分布数据是常数值,并且所有区间的大小相同。该概率分布形式称为直方图概率分布形式。
由于不同的环境因素对SM含量有不同的影响,因此应指定不同环境因子的加权值。使用等式10对加权值进行归一化。假设环境因子的数量是i,则使用下等式获得SM的加权概率SD(即WPSD)。
(5)
其中W1是第一环境因子的权重值,Wj是第 j个环境因子的权重值。在该研究中,使用两种方法MCA(多变量相关分析)和PCA(主成分分析)方法计算不同环境因子的权重值。不同环境因子的归一化相关系数被认为是权重值。
MCA方法是一种多变量线性回归模型:
境因子(R)的相关系数归一化方程:
(4)
SM是SM含量,在这项研究中它代表降尺度FY3-B SM;R1是第一个环境因子的相关系数; Ef1是第一个环境因素;NCC(Efj)是第j个环境因子的归一化相关系数。在本研究中,环境因子数据是辅助数据,即NDVI-LST-Albedo/MODIS产品数据、ASTER DEM数据、坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度,共11种辅助数据(即i = 11)。所有环境因子的NCC之和等于1。NCC值可以被认为是环境因子的权重值,以产生加权概率SD。
采用主成分分析(PCA)方法减少了环境因子的个数。在这种方法中,多变量因素被简化为多个主成分,从而简化了建模,并得到了更稳健的结果。首先,通过PCA处理影响土壤水分回收的11个环境因子数据,得到11个主要成分。 Efi数据不是Eq.11中的标准化环境因子数据,而是PCA之后的主要成分。 11个主要成分的NCC值计算。然后,选择与SM高度相关的几个主成分作为不同玉米生长阶段的主导因子。最后,将这些主导因子的NCC值视为用于获得加权概率SD的权重值。
根据贝叶斯最大熵的条件概率公式,可以使用HD修改SM内容的先验概率。参数z被定义为预测x0的位置中的后验概率。z0的后验概率表示为
其中h是HD点数; m-h是SD点数;SM估计是使用时空认知知识综合图形用户界面(SEKS-GUI)软件开发的。这是一个免费提供的软件包,用于建立时空模型,并通过结合科学软件库、贝叶斯最大熵库和相关GUI文件来预测和映射参数。结合FY3-BSM反演产品、MODIS和ASTERDEM产品的环境因子数据,采用贝叶斯最大熵法对SM含量进行了预测。概率SD采用直方图概率分布形式,将SM含量和环境因子离散化。在SEKS-GUI软件中开发了SM的后PDF,即利用HD数据(即现场SM测量)校准SM的加权概率SD。
在该研究中,使用两个统计指标来评估SM预测结果的准确度:RMSE(均方根误差),即公式6和R(相关系数),即公式7。
(6)
(7)
其中,是原位实际测量SM;/>是使用BME算法预测的SM;n是原位实际测量SM的总数。
在本实施例中,用计算了FY3-B SM降尺度与11种辅助数据的相关系数,包括NDVI-LST-Albedo / MODIS、ASTER DEM数据生成的坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度积。(表2)。
在玉米的三个生长阶段计算相关系数和NCC(归一化相关系数),如表3所示。除了第226天(玉米的抽穗期)之外,NDVI和SM含量之间的最强相关性。 NCC在抽穗期最高(0.68),在播种期最低(0.427)。在第226天,LST和SM含量之间的相关性最强(NCC:-0.718)。因此,主导因素根据成长阶段而不同。在播种阶段(第178天),LST,NDVI,平面曲率和剖面曲率(NCC的绝对值≥0.372)是SM检索的主要因素。在抽穗期(第226天),LST,NDVI,反照率和剖面曲率(NCC的绝对值≥0.395)是主导因素。在开花期(第249天),NDVI,剖面曲率,表面积和湿度指数(NCC的绝对值≥0.198)是主要因素。
表3.降尺度FY3-B SM和Ef之间的相关系数
Ef | R/178th | NCC/178th | R/226th | NCC/226th | R/249th | NCC/249th |
反照率 | / | / | 0.454 | -1.767 | 0.010 | 0.010 |
LST | -0.355 | 2.241 | -0.718 | 2.795 | -0.070 | -0.073 |
NDVI | 0.427 | -2.697 | 0.680 | -2.647 | 0.580 | 0.604 |
DEM | -0.003 | 0.020 | 0.259 | -1.008 | -0.180 | -0.188 |
表面粗糙度 | 0.006 | -0.035 | 0.023 | -0.090 | -0.010 | -0.010 |
起伏幅度 | -0.116 | 0.733 | 0.024 | -0.093 | -0.050 | -0.052 |
湿度指数 | 0.092 | -0.582 | -0.269 | 1.046 | 0.190 | 0.198 |
平面曲率 | -0.383 | 2.418 | 0.210 | -0.817 | 0.030 | 0.031 |
坡度 | -0.019 | 0.117 | 0.014 | -0.055 | 0.010 | 0.010 |
坡向 | -0.180 | 1.134 | -0.085 | 0.332 | 0.190 | 0.198 |
剖面曲率 | 0.372 | -2.349 | -0.395 | 1.536 | 0.260 | 0.271 |
(Ef:环境因子; R:相关系数; NCC:归一化相关系数;第178天:玉米播种期;第226天:玉米抽穗期;第249天:玉米开花期)
然后,选择与SM高度相关的几个主要成分作为不同玉米生长阶段的主导因子。这些主导因子的NCC被认为是这些主导因子的权重值,如表4所示。从表4中,在第178天当天,PC2,PC4,PC8和PC9被选为主要因素(NCC≥0.181)。在第226天,PC2,PC6,PC8和PC9被选为主导因子,NCC≥0.243。在第249天,选择PC2,PC4,PC8和PC10作为主导因子,并且NCC≥0.593(表4)。
表4.在PCA之后缩小FY3-B SM和Ef之间的相关系数
Ef | R/178th | NCC/178th | R/226th | NCC/226th | R/249th | NCC249th |
PC1 | -0.146 | 0.114 | -0.137 | 0.327 | 0.019 | 0.059 |
PC2 | -0.507 | 0.394 | -0.637 | 1.522 | -0.193 | -0.593 |
PC3 | -0.003 | 0.003 | -0.044 | 0.104 | 0.053 | 0.162 |
PC4 | -0.257 | 0.200 | 0.072 | -0.171 | 0.281 | 0.862 |
PC5 | -0.076 | 0.059 | -0.034 | 0.082 | -0.044 | -0.136 |
PC6 | 0.056 | -0.044 | 0.204 | -0.488 | 0.069 | 0.211 |
PC7 | -0.058 | 0.045 | -0.029 | 0.070 | -0.050 | -0.153 |
PC8 | -0.392 | 0.306 | 0.102 | -0.243 | 0.199 | 0.609 |
PC9 | 0.233 | -0.181 | 0.139 | -0.332 | 0.156 | 0.480 |
PC10 | -0.134 | 0.104 | -0.087 | 0.209 | -0.260 | -0.797 |
PC11 | / | / | 0.034 | -0.080 | 0.096 | 0.294 |
(Ef:环境因子;R:相关系数; NCC:归一化相关系数;第178天:玉米播种期;第226天:玉米抽穗期;第249天:玉米开花期)
通常,在BME分析中使用两种数据(HD和SD)。 HD指的是具有小误差和高精度的某些数据或事实,例如原位数据,具有高精度的历史数据。在本文中,HD来自三个现场实验中测得的SM含量。 HD,即原位SM数据用于估计SEKS-GUI软件中BME算法的后级中的后验概率密度分布。从认识论的角度来看,我们对某些事物的理解并不完全取决于某些数据或某些事实,而是还取决于不确定的信息,如具有一些错误的遥感数据,专家意见和经验知识。这些数据在BME分析中称为SD。具有一些误差的降尺度FY3-B SM数据和辅助数据可以被认为是SD。辅助数据包括NDVI-LST-Albedo / MODIS,ASTER DEM数据和ASTER DEM数据得出的七种类型数据,即坡度,坡向,平面曲率,剖面曲率,表面粗糙度,湿度指数和起伏幅度。由于概率SD的数量可能影响概率SD,因此在4种情况下设置不同的概率SD点数(表5),案例1是500个软数据点;案例2是450个软数据点; 案例3是400个软数据点; 案例4是350个软数据点(表5)。
表5 HD点数和概率SD点数
(SD:软数据; HD:硬数据;第178天:玉米播种期;第226天:玉米抽穗期;第249天:玉米开花期)
在本研究中,MCA和PCA方法分别用于获得不同环境因子的权重值(表3和表4)。因此,2(两种方法计算称重值,MCA和PCA)×3(玉米的三个生长阶段)×4个案例(表5),在该研究中估计了共24个概率SD数据集。
SEKS-GUI软件具有用户友好的界面,并且是用Matlab编写的BMElib(BME库)构建的。在三个玉米生长阶段(播种阶段,即第178天,抽穗阶段,即第226天,花期,即第249天)的SM含量分布图如图3所示。在图3中,前四列代表四个案例,案例1至案例4(见表5)。最后一栏代表在第178天(玉米播种期),第226天(玉米的抽穗期)和第249天(玉米的开花期)的降尺度FY3-B SM。在每个案例中,显示了在玉米三个生长阶段(播种,抽穗和花期)使用MCA和PCA方法生成的SM估计的6个分布图。
在这项研究中,基于两种方法(MCA和PCA),使用BME算法估算的SM的空间分布是1公里的分辨率,用于计算环境因子的权重值。 MCA和PCA方法使用IDL(交互式数据语言)程序实现。在每个像素区域(1公里×1公里),我们假设SM的估计值是均匀的。从图3中可以看出,本研究区三个玉米生育期,播种期,抽穗期和花期的BME算法估算了SM的空间分布图。在每个SM分布图的底部,有一些块,尤其是案例4.在这些区块中,估计的SM不是很好。例如,在玉米的抽穗期,即第249天,使用MCA方法的预测SM是SM分布图底部的大黄色区块,尤其是案例4.从案例1到案例4(软数据点的数量是在MCA第249天,从500到350),软数据点的数量较小,黄色块的面积较大。在其他日子(178或226天),软数据的数量越小,块的面积越大。块生成的原因可能是在该块区域中存在概率软数据的缺失值或者缺少辅助数据的值。在每个时期(图3的每个列)中,4个案例的估计SM的空间结构是相似的,并且它们具有类似的SM变化范围。在第178天,4个案例的估计SM值的变化范围为0.08至0.3 m3 / m3,当SM值小于0.012m3 / m3时,SM像素的数量较少。在第226天,案例4的估计SM值的变化范围为0.08至0.36 m3/ m3。在第249天,4个案例的估计SM值的变化范围很窄,为0.12到0.26 m3 / m3。显然,估计的SM值的较大空间变化发生在第226天。在第178天和第249天,SM看起来更均匀。第178天和第249天均质SM的原因可能是植被更均匀。将基于MCA方法的估计SM与PCA方法进行比较,估计的基于SMA的PCA的空间结构在4个案例中更加一致。来自MCA和PCA方法的估计SM之间的空间分布特征显示了初步实现。因此,在本研究中进行了估计SM的定量验证工作。
原位实际SM测量分为两部分。一部分原位实际测量SM数据(总共88个点)用作硬数据。另一个(总共54个点)用于验证来自BME算法的估计SM。在图4中显示了在玉米的三个生长阶段(178,226和249)从BME算法估计的原位实际测量SM和SM之间的关系。图4的X轴是原位的。测量结果,图4的Y轴是来自BME算法的估计SM。虽然图4中存在过高估计和低估的问题,但大多数点分布在1:1线附近。
此外,我们通过计算每种方法(MCA和PCA)的每个案例(案例1,案例2,案例3和案例4)的RMSE和R值与原位实际测量SM进行绝对验证工作。在三个时段(第178天,第226天和第249天)中,使用15点,16点和23点的原位实际测量分别计算RMSE和R值。计算的RMSE和R值如表6所示。
从表6可以看出,使用PCA方法,在案例1中,第178天的RMSE值最小,为0.049 m3 /m3。它小于0.079 m3 / m3 RMSE值,这是在降尺度FY3-B SM和现场测量SM之间计算的。在案例1中使用PCA的第178天,R值最大值为0.639。它远远高于0.096 R值,这是在降尺度FY3-BSM和现场测量SM之间计算的。在第226天,使用MCA方法在案例2和案例3中产生的最小RMSE值为0.062m3 / m3,小于由缩小FY3-B SM产生的0.091m3 / m3。使用MCA方法在案例1下生成的R值的最大值为0.53。在第249天,降尺度FY3-B SM产生的最小RMSE值为0.051 m3 /m3。在此期间,来自BME算法的估计SM的较低RMSE值为0.053 m3 / m3,高于降尺度FY3-B SM产生的0.051 m3 / m3。总的来说,我们得出结论,在使用PCA方法的情况下,BME算法的估计SM的精度优于降尺度FY3-B SM,最小RMSE值和最大R值分别为0.049 m3 / m3和0.639。比较基于MCA和PCA方法的估计SM的精度,我们发现在第178天和第249天,基于PCA方法的估计SM的RMSE值小于基于MCA的RMSE值,基于PCA方法的R值高于基于MCA方法。然而,在第226天,基于PCA方法的估计SM的RMSE值大于基于MCA方法,基于PCA方法的R值低于基于MCA方法的R值。此外,在第226天,估计SM的准确性明显低于第178天和第249天。原因可能是严重的植被影响。因此,基于PCA方法的第178天和第249天的估计SM最好,除了第249天之外,基于PCA的估计SM优于基于MCA的SM。
表.6使用BME算法估算SM的RMSE和R值以及降低FY3-B SM对原位SM测量的降尺度
5.结论
在SEKS-GUI软件中使用BME算法,在三个玉米生长阶段估计SM含量,包括本研究中的三个程序,第一个程序:HD和概率SD制备;第二步:SM估计;第三个程序:估计SM的验证。在第一个程序中,MCA和PCA用于计算环境因素的重量值。然后,通过使用降尺度FY3-B和辅助数据(即NDVI-LST-Albedo / MODIS,ASTER DEM,斜率,纵横比,平面曲率,剖面曲率,表面粗糙度,直方图概率分布形式)生成概率SD。在玉米的三个生长阶段,4个案例的湿度指数和ASTER DEM产生的缓解振幅产物。最后,获得了24个概率SD数据集。在第二过程中,使用BME算法在SEKS-GUI软件中根据在第一过程中生成的HD数据和概率SD来估计SM内容。第三种方法,估计的SM针对原位SM测量(RMSE和R,即方程13-14)进行评估。
基于MCA和PCA方法,主要因素取决于表3和4中玉米的生长阶段。在玉米播种期,LST,NDVI,平面曲率和剖面曲率占主导地位。在抽穗阶段,LST,NDVI,反照率和剖面曲率占主导地位。在开花期,NDVI和剖面曲率占优势。 NDVI是所有生长阶段的主要因素之一,应被视为SM空间预测的重要参数。其次,PCA是一种有效的空间降维方法,能够将数据从11种减少到只有4种主要成分。根据使用BME算法的SM估计结果(图3和表6),基于PCA的第178天和第249天的估计SM是最佳的。在第226天,基于MCA的估计SM优于基于PCA方法的SM。此外,我们得出结论,使用BME算法估算的SM(例如,基于PCA的案例1,RMSE = 0.049 m3/m3,R =0.639)与现场测量SM一致,而不是降尺度FY3-B SM(RMSE = 0.079m3/m3,R = 0.096)。
在本研究中,我们应用三种不同的程序来使用BME算法估计和估计SM。在第一个步骤中,我们准备了在SEKS-GUI软件中使用BME算法来估计SM的HD和概率SD。用原位SM测量数据作为HD数据。概率SD分别由降尺度的FY3-BSM、NDVI-LST-Albedo/MODIS产品、ASTER DEM产品以及基于MCA(多变量相关分析)和PCA(主成分分析)的坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度数据发展而来。其中,坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度数据来自于ASTER DEM产品。MCA和PCA用于获得不同环境因素(即NDVI、LST、Albedo、BME、坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度)的权重值,本研究采用直方图概率分布作为概率标准差的分布形式。这种分布形式假定每个区间的概率分布数据都是常数,并且所有区间的大小都相同。本研究采用两种方法(MCA和PCA)对4例玉米三个生育期进行试验,获得24个概率标准差数据集。在第二个过程中,将HD和概率SD作为SEKS-GUI软件的输入数据来估计空间SM。在此基础上,利用BME得到了16个SM估计的映射图。在第三个过程中,使用BME算法估计的SM通过使用等式13-14的现场SM测量进行验证。
在这项研究中,由于使用回归模型缩小FY3-B SM的准确性不高,具有误差的降尺度FY3-B SM仅使用SD来生成具有辅助数据的概率SD(即NDVI-LST-Albedo / MODIS) ,ASTER DEM和坡度,纵横比,平面曲率,剖面曲率,表面粗糙度,湿度指数和由ASTER DEM生成的起伏幅度产品。直方图概率分布形式被视为概率SD分布的形式,其中假设概率分布数据在每个区间中是恒定值,并且所有区间的大小相同。在加权概率SD的生成过程中,我们使用多变量相关分析(MCA)方法和主成分分析(PCA)方法两种方法来确定辅助数据之间的权重。在磨损中,由于概率分布受样本点数的影响,我们使用了四个案例4(案例1:500个软数据点;案例2:450个软数据点;案例3:400个软数据点;案例4:350个软数据点)。作为确定性值的HD用于校正SM的概率SD以获得SM的概率后分布,即获得SM的更高准确度概率。在该研究中,原位实际测量SM被认为是HD,其用于校准概率软数据以获得SM的概率后分布。在程序2中,通过在SEKS-GUI中使用BME算法(时空认知知识合成图形用户界面),基于HD的两种权重确定方法(MCA和PCA)和SM的概率SD,在4种情况下估计SM处于3个玉米生长阶段。软件,这是一个免费提供的软件包,目前是科学软件库BMElib(贝叶斯最大熵库)和GUI(图形用户界面)的组合。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所做的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (1)
1.一种基于多源遥感数据的贝叶斯土壤水分估算方法,其特征在于:该方法包括以下步骤:
步骤1、获得土壤水分软数据并进行数据处理
使用FY3-B土壤水分监测产品获取指定区域、指定日期的土壤水分数据;并对FY3-B土壤水分数据进行降尺度处理,通过使用回归模型将25km分辨率FY3-B土壤水分数据空间分辨率提高为1km分辨率土壤水分数据;
其中A25为反照率(A)的25km平均值,V25为植被指数NDVI(V)的25km平均值,T25为地表温度LST(T)的25km平均值,m和n分别是FY3-B像素中第i行和第j列中1km像素的数量;Aij是FY3-B中第i行和第j列中1Km像素的反照率值,Vij是FY3-B中第i行和第j列中1Km像素的NDVI值、Tij是FY3-B中第i行和第j列中1Km像素的地表温度LST值;
线性回归模型为:SM=a1+a2A+a3V+a4T+a5AV+a6AT+a7VT(2)其中SM是土壤水分;a1、a2、a3、a4、a5、a6和a7是回归系数;A为反照率、V为植被指数、T为地表温度;
首先,将公式(1)计算的A25、V25和T25带入公式(2),根据对应像元尺度25km分辨率的FY3-B土壤水分数据SM25,通过回归分析计算模型中的回归系数;
其次,将MODIS产品1km分辨率的反照率(A),植被指数NDVI(V)和地表温度LST(T)带入模型公式(2),相应计算得到了1km分辨率的土壤水分值SM1;
步骤2、获取环境因子软数据
使用MODIS产品获取反照率(A),植被指数NDVI(V)和地表温度LST(T);使用ASTER产品获取高程数据;并通过ASTER产品获取的高程数据计算得到坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度数据;
步骤3、利用步骤1获得降尺度FY3-B土壤水分数据SM1和步骤2获得环境因子软数据,采用直方图概率分布形式,获得概率软数据;
步骤4、使用多变量相关分析方法和主成分分析方法确定步骤2中的环境因子软数据的权重值,并获得加权概率软数据;
首先,计算第j个环境因子与的土壤水分数据之间的定量概率,记做PSD(EFj):
其中Ef代表步骤2中获得的环境因子数据;n代表SM的n个区间;k表示SM的第k个区间,k取值从1到n;m代表Ef的m个区间;Count(l)k是Ef的第l个间隔中SM的第k个间隔中的采样点数;Countk是SM的第k个区间中的采样点总数;Efm是第m个区间的环境因子;在每个区间中,概率分布数据是常数值,并且所有区间的大小相同;
其次,计算其中第j个环境因子数据的权重值wj为:
其中,i为步骤2中环境因子的个数,i取值从1到11,Rj是第j个环境因子与FY3B土壤水分数据之间的相关系数;Efj是第j个环境因素;NCC(Efj)是第j个环境因子的归一化相关系数,所有环境因子的NCC之和等于1,其中NCC(Efj)值大于等于0.18的环境因子为主导环境因子,保留其环境因子相应权重值,NCC(Efj)值小于0.18的环境因子权重值为0;
再次,计算SM的加权概率,记做WPSD,
WPSD=W1*PSD(Ef1)+...+Wj*PSD(Efj)+....+Wi*PSD(Efi) (5)
步骤5、实测获得土壤水分硬数据
在步骤1同一区域、相同日期,收集0-5cm深度的土壤样品,并使用铝盒烘焙方法测量土壤水分含量;测量所有参数三次,并将平均值用于后续分析,记做SMin-situ;
步骤6、采用贝叶斯最大熵方法对步骤4中的土壤水分加权概率软数据WPSD及步骤5中的实测数据SMin-situ作为硬数据进行融合,估算土壤水分数据,结果记做SMprediction;
步骤7、使用均方根误差(RMSE)和相关系数(R)评估土壤水分预测SMprediction结果的准确度,其中
其中,n是步骤5中实测土壤水分的总次数,SMi in-situ是步骤5中第i次实测土壤水分值,是步骤5中n次实测土壤水分的平均值,SMprediction是步骤6中第i次的贝叶斯最大熵土壤水分,/>步骤6中n次贝叶斯最大熵土壤水分的平均值;
其中步骤6中加权概率软数据个数设置为4类,分别为500,450,400和350个,获得四种类不同加权概率软数据个数下的土壤水分估算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671852.6A CN110427995B (zh) | 2019-07-24 | 2019-07-24 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671852.6A CN110427995B (zh) | 2019-07-24 | 2019-07-24 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427995A CN110427995A (zh) | 2019-11-08 |
CN110427995B true CN110427995B (zh) | 2023-11-17 |
Family
ID=68412139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671852.6A Active CN110427995B (zh) | 2019-07-24 | 2019-07-24 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427995B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033262B (zh) * | 2019-12-25 | 2022-08-05 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
CN111089827B (zh) * | 2020-01-07 | 2021-04-06 | 华南农业大学 | 一种柑橘园土壤水分渗透的测量***及测量方法 |
CN111651411B (zh) * | 2020-04-21 | 2023-03-10 | 成都信息工程大学 | 一种复杂地形遥感土壤水分产品降尺度方法 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN111861222B (zh) * | 2020-07-22 | 2023-11-14 | 中国水利水电科学研究院 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
CN112560570B (zh) * | 2020-09-29 | 2023-07-25 | 中国科学院大学 | 一种协同降尺度与数据融合的高分辨率地表温度估算方法 |
CN112528555B (zh) * | 2020-11-23 | 2023-02-21 | 中国科学院空天信息创新研究院 | 一种土壤水分图绘制方法及装置 |
CN113419046B (zh) * | 2021-06-17 | 2022-02-18 | 北京大学 | 一种改进的土壤湿度产品双变量融合方法 |
CN113763409B (zh) * | 2021-08-27 | 2023-05-02 | 南通大学 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
CN114461983B (zh) * | 2022-02-09 | 2023-03-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于水量平衡原理的卫星降水产品空间降尺度方法 |
CN115204479A (zh) * | 2022-07-01 | 2022-10-18 | 南京信息工程大学 | 基于多源遥感数据的作物适生区预测方法及*** |
CN117235607B (zh) * | 2023-11-13 | 2024-02-13 | 天津市农业发展服务中心 | 一种土壤墒情实时监测***及监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550423A (zh) * | 2015-12-09 | 2016-05-04 | 浙江大学 | 基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法 |
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
CN106446444A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于贝叶斯最大熵与先验知识的土壤水分空间预测研究 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
CN108169161A (zh) * | 2017-12-12 | 2018-06-15 | 武汉大学 | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN109002604A (zh) * | 2018-07-12 | 2018-12-14 | 山东省农业科学院科技信息研究所 | 一种基于贝叶斯最大熵的土壤含水量预测方法 |
CN109460789A (zh) * | 2018-11-07 | 2019-03-12 | 中国农业科学院农田灌溉研究所 | 一种基于贝叶斯最大熵的土壤水分融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015195988A1 (en) * | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
-
2019
- 2019-07-24 CN CN201910671852.6A patent/CN110427995B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550423A (zh) * | 2015-12-09 | 2016-05-04 | 浙江大学 | 基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法 |
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
CN106446444A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于贝叶斯最大熵与先验知识的土壤水分空间预测研究 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
CN108169161A (zh) * | 2017-12-12 | 2018-06-15 | 武汉大学 | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN109002604A (zh) * | 2018-07-12 | 2018-12-14 | 山东省农业科学院科技信息研究所 | 一种基于贝叶斯最大熵的土壤含水量预测方法 |
CN109460789A (zh) * | 2018-11-07 | 2019-03-12 | 中国农业科学院农田灌溉研究所 | 一种基于贝叶斯最大熵的土壤水分融合方法 |
Non-Patent Citations (1)
Title |
---|
被动微波土壤水分产品真实性检验研究进展;王春梅 等;《浙江农业学报》;20190531;第31卷(第05期);第846-854页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110427995A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427995B (zh) | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 | |
Huang et al. | Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation | |
AU2016244067B2 (en) | Forecasting national crop yield during the growing season | |
Betbeder et al. | Assimilation of LAI and dry biomass data from optical and SAR images into an agro-meteorological model to estimate soybean yield | |
Wendroth et al. | Predicting yield of barley across a landscape: a state-space modeling approach | |
Ramarohetra et al. | How satellite rainfall estimate errors may impact rainfed cereal yield simulation in West Africa | |
Montzka et al. | Modelling the water balance of a mesoscale catchment basin using remotely sensed land cover data | |
EP3719722A1 (en) | Forecasting national crop yield during the growing season | |
Gomez et al. | Analysis of the uncertainties affecting predictions of clay contents from VNIR/SWIR hyperspectral data | |
Choudhary et al. | Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine | |
Yin et al. | Estimation of grassland height based on the random forest algorithm and remote sensing in the Tibetan Plateau | |
Zhang et al. | Winter wheat identification by integrating spectral and temporal information derived from multi-resolution remote sensing data | |
Chen et al. | Improving the practicability of remote sensing data-assimilation-based crop yield estimations over a large area using a spatial assimilation algorithm and ensemble assimilation strategies | |
Fitzgerald et al. | Directed sampling using remote sensing with a response surface sampling design for site-specific agriculture | |
Dimov et al. | Sugarcane yield estimation through remote sensing time series and phenology metrics | |
Liu et al. | Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model | |
CN114062439A (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
Hu et al. | Assessment of SMAP and SMOS soil moisture products using triple collocation method over Inner Mongolia | |
Hong et al. | 15 Global Precipitation Estimation and Applications | |
Cheng et al. | ChinaCropSM1 km: a fine 1 km daily soil moisture dataset for dryland wheat and maize across China during 1993–2018 | |
Faouzi et al. | Sensitivity analysis of CN using SCS-CN approach, rain gauges and TRMM satellite data assessment into HEC-HMS hydrological model in the upper basin of Oum Er Rbia, Morocco | |
Zhang et al. | Estimation of rice yield from a C-band radar remote sensing image by integrating a physical scattering model and an optimization algorithm | |
Zhang et al. | Enhanced Feature Extraction From Assimilated VTCI and LAI With a Particle Filter for Wheat Yield Estimation Using Cross-Wavelet Transform | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
Leng et al. | Enhanced surface soil moisture retrieval at high spatial resolution from the integration of satellite observations and soil pedotransfer functions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230717 Address after: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing Applicant after: Aerospace Information Research Institute,Chinese Academy of Sciences Address before: No. a 20, Datun Road, Chaoyang District, Beijing 100101 Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |