CN110610054B - 一种土壤湿度长方体反演模型构建方法及*** - Google Patents

一种土壤湿度长方体反演模型构建方法及*** Download PDF

Info

Publication number
CN110610054B
CN110610054B CN201910897948.4A CN201910897948A CN110610054B CN 110610054 B CN110610054 B CN 110610054B CN 201910897948 A CN201910897948 A CN 201910897948A CN 110610054 B CN110610054 B CN 110610054B
Authority
CN
China
Prior art keywords
parameter
soil
characteristic
optimal
correlation
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
Application number
CN201910897948.4A
Other languages
English (en)
Other versions
CN110610054A (zh
Inventor
朱秀芳
潘耀忠
王俊霞
刘莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN201910897948.4A priority Critical patent/CN110610054B/zh
Publication of CN110610054A publication Critical patent/CN110610054A/zh
Application granted granted Critical
Publication of CN110610054B publication Critical patent/CN110610054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开一种土壤湿度长方体反演模型构建方法及***。方法包括：获取待反演区域某时间段内的气候土壤植被数据；分别计算气候特征参量、土壤特征参量和植被特征参量；分别计算不同深度土壤实测数据与气候特征参量、土壤特征参量和植被特征参量的相关性；分别选取各特征参量的最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数；构建待反演区域的土壤湿度长方体反演模型。通过对待反演区域某时间段内的气候土壤植被数据综合处理，分别得到气候特征最优参量、土壤特征最优参量和植被特征最优参量，构建长方体反演模型，使得到的长方体反演模型更能反映待反演区域的土壤湿度真实情况，提升土壤湿度反演的精度。

Description

一种土壤湿度长方体反演模型构建方法及***
技术领域
本发明涉及土壤湿度测量技术领域，特别是涉及一种土壤湿度长方体反演模型构建方法及***。
背景技术
土壤湿度在水循环、能量循环以及生物地球化学循环中都是不可忽略的组成部分，对水资源管理、农业生产以及气候变化等研究具有重要的意义。土壤湿度监测在数据获取方式上分为基于站点的土壤湿度观测、基于气象数据和地理数据的土壤湿度模拟与同化以及基于遥感数据的土壤湿度反演。其中站点测量土壤湿度的测量深度和精度都比较高，但是由于土壤湿度的空间异质性，站点观测并不能完全表征区域内的土壤湿度。利用模型模拟的土壤湿度数据在时空上具有连续性，但模拟精度极大程度上依赖于参数化方案及参数化过程的选择，大量的参数使得模型实用性降低。遥感技术具有大范围同步观测的显著优势，而且其监测范围不受地面站点分布位置的限制。遥感技术扩展了土壤湿度的监测范围，是获取土壤湿度信息的一种重要途径。
有关遥感反演土壤湿度的研究始于1630s，有关土壤湿度的反演多使用单一数据或者单一因子，例如基于可见光反射率的方法，基于热红外的方法和基于微波的方法。对于因子选择上，多直接利用单一因子(例如：反射率、亮度、温度、热惯量或者后向散射系数)与土壤湿度的关系来建立模型，或者利用单一因子构建反映土壤湿度的指数，例如：归一化植被指数(NDVI，Normalized Difference Vegetation Index)，植被状态指数(VCI，Vegetation Condition index)，归一化水体指数(NDWI，Normalized Difference WaterIndex)，全球植被水分指数(GVMI，Global Vegetation Moisture Index)，地表水指数(LSWI，Land Surface Water Index)，可见光和短波红外干旱指数(VSDI，Visible andShortwave Infrared Drought Index)以及归一化多波段干旱指数(NMDI，NormalizedMulti-band Drought Index)均是利用光学反射率来计算的。地表温度(LST，Land SurfaceTemperature)，归一化温度指数(NDTI，Normalized Difference Temperature Index)和温度状态指数(TCI，Temperature Condition Index)均是利用热红外波段计算的。
但是由于现实地表的复杂性，只考虑单一波段或者单一特征反演土壤湿度的方法具有局限性，容易在土壤湿度反演过程中出现较大的误差。
发明内容
本发明的目的是提供一种土壤湿度长方体反演模型构建方法及***，综合气候、土壤和植被影响因素，提升土壤湿度反演的精度。
为实现上述目的，本发明提供了如下方案：
一种土壤湿度长方体反演模型构建方法，方法包括：
获取待反演区域某时间段内的气候土壤植被数据；气候土壤植被数据包括：地面气候资料日值数据集、地表温度数据集、地表反射率数据集和不同深度土壤湿度实测数据；
根据地面气候资料日值数据集计算得到气候特征参量；气候特征参量包括旬平均温度参量、旬平均蒸发量参量和旬累积降水量参量；
根据地表温度数据集计算得到土壤特征参量；土壤特征参量包括日地表温度参量、夜地表温度参量和昼夜温差参量；
根据地表反射率数据集计算得到植被特征参量；植被特征参量包括：归一化植被指数参量、短波红外干旱指数参量、归一化多波段干旱指数参量和地表水指数参量；
根据气候特征参量、土壤特征参量和植被特征参量，分别计算不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性；
根据不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性分别选取气候特征参量中的最优参量、土壤特征参量中的最优参量和植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量；
将气候特征最优参量、土壤特征最优参量和植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量；
根据标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数；
根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型，长方体反演模型用于反演待反演区域实时的土壤湿度。
可选的，根据地面气候资料日值数据集计算得到气候特征参量具体包括：
对每个连续十天的地面气候资料日值数据集中的日平均温度均求取算术平均值得到旬平均温度参量；
对每个连续十天的地面气候资料日值数据集中的日平均蒸发量均求取算术平均值得到旬平均蒸发量参量；
对每个连续十天的地面气候资料日值数据集中的日降水量均求和得到旬累积降水量参量。
可选的，根据地表温度数据集计算得到土壤特征参量具体包括：
从地表温度数据集中筛选得到日地表温度参量和夜地表温度参量；
根据公式ΔLST＝LSTday-LSTnight计算得到昼夜温差参量，其中，LSTday和LSTnight分别为某天对应的日地表温度和夜地表温度。
可选的，根据地表反射率数据集计算得到植被特征参量具体包括：
根据公式
Figure BDA0002210883160000031
计算归一化植被指数参量，其中Rnir代表近红外波段的光谱反射率，Rred代表红外波段的光谱反射率；
根据公式VSDI＝1-[(Rswir-Rblue)-(Rred-Rblue)]计算短波红外干旱指数参量，其中Rswir代表短波红外波段的光谱反射率，Rblue代表蓝波段的光谱反射率；
根据公式
Figure BDA0002210883160000032
计算归一化多波段干旱指数参量，其中R860nm为波长为860nm处的光谱反射率，R1640nm为波长为1640nm处的光谱反射率，R2130nm为波长为2130nm处的光谱反射率；
根据公式
Figure BDA0002210883160000033
计算得到地表水指数参量。
可选的，根据气候特征参量、土壤特征参量和植被特征参量，分别计算不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性具体包括：
根据公式
Figure BDA0002210883160000041
分别计算不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性，其中Xi为参与计算的特征参量值，Yi为对应计算深度的实测土壤湿度数据，
Figure BDA0002210883160000042
为参与计算的特征参量的均值，
Figure BDA0002210883160000043
为对应计算深度的实测土壤湿度数据均值，i为时间序列点，n为时间长度。
可选的，根据不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性分别选取气候特征参量中的最优参量、土壤特征参量中的最优参量和植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量具体包括：
分别求取不同土壤深度的土壤实测数据与旬平均温度参量的相关性均值、不同土壤深度的土壤实测数据与旬平均蒸发量参量的相关性均值和不同土壤深度的土壤实测数据与旬累积降水量参量的相关性均值，得到旬平均温度相关性均值、旬平均蒸发量相关性均值和旬累积降水量相关性均值；
选取旬平均温度相关性均值、旬平均蒸发量相关性均值和旬累积降水量相关性均值三者中的最大值对应的特征参量作为气候特征最优参量；
分别求取不同土壤深度的土壤实测数据与日地表温度参量的相关性均值、不同土壤深度的土壤实测数据与夜地表温度参量的相关性均值和不同土壤深度的土壤实测数据与昼夜温差参量的相关性均值，得到日地表温度相关性均值、夜地表温度相关性均值和昼夜温差相关性均值；
选取日地表温度相关性均值、夜地表温度相关性均值和昼夜温差相关性均值三者中的最大值对应的特征参量作为土壤特征最优参量；
分别求取不同土壤深度的土壤实测数据与归一化植被指数参量的相关性均值、不同土壤深度的土壤实测数据与短波红外干旱指数参量的相关性均值、不同土壤深度的土壤实测数据与归一化多波段干旱指数参量的相关性均值和不同土壤深度的土壤实测数据与植被特征参量中的地表水指数参量的相关性均值，得到归一化植被指数相关性均值、短波红外干旱指数相关性均值、归一化多波段干旱指数相关性均值和地表水指数相关性均值；
选取归一化植被指数相关性均值、短波红外干旱指数相关性均值、归一化多波段干旱指数相关性均值和地表水指数相关性均值四者中最大值对应的特征参量作为植被特征最优参量。
可选的，将气候特征最优参量、土壤特征最优参量和植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量具体包括：
根据公式
Figure BDA0002210883160000051
分别对气候特征最优参量、土壤特征最优参量和植被特征最优参量进行标准化处理；其中p为所要进行标准化处理的最优参量，Pj为标准化处理后的对应最优参量的第j个参量值，pj为标准化处理前对应最优参量的第j个参量值，max(p)为所要进行标准化处理的最优参量中的最大值，min(p)为所要进行标准化处理的最优参量中的最小值。
可选的，根据标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数具体包括：
采用五级标度法计算各标准化处理后的最优参量的相对重要性；
根据相对重要性对标准化处理后的最优参量分层，并对每个分层分别构建判断矩阵；
分别计算各判断矩阵的特征向量；特征向量的分量为对应分层的标准化处理后的最优参量的权重值；
将各标准化处理后的最优参量的权重值取整，得到待反演区域的土壤湿度长方体反演模型的各个边长系数。
可选的，根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型具体包括：
将标准化处理后的各最优参量与土壤湿度实测数据做正相关处理，得到正相关处理后的最优参量；
将正相关处理后的最优参量与各个边长系数带入长方体反演模型公式，得到待反演区域的土壤湿度长方体反演模型；长方体反演模型公式为
Figure BDA0002210883160000061
其中X表示正相关处理后的土壤特征最优参量，Y表示正相关处理后的植被特征最优参量，Z表示正相关处理后的气候特征最优参量，a表示正相关处理后的土壤特征最优参量的长方体反演模型边长系数，b表示正相关处理后的植被特征最优参量的长方体反演模型边长系数，c表示正相关处理后的气候特征最优参量的长方体反演模型边长系数。
一种土壤湿度长方体反演模型构建***，***包括：
数据获取模块，用于获取待反演区域某时间段内的气候土壤植被数据；气候土壤植被数据包括：地面气候资料日值数据集、地表温度数据集、地表反射率数据集和不同深度土壤湿度实测数据；
气候特征参量计算模块，用于根据地面气候资料日值数据集计算得到气候特征参量；气候特征参量包括旬平均温度参量、旬平均蒸发量参量和旬累积降水量参量；
土壤特征参量计算模块，用于根据地表温度数据集计算得到土壤特征参量；土壤特征参量包括日地表温度参量、夜地表温度参量和昼夜温差参量；
植被特征参量计算模块，用于根据地表反射率数据集计算得到植被特征参量；植被特征参量包括：归一化植被指数参量、短波红外干旱指数参量、归一化多波段干旱指数参量和地表水指数参量；
相关性计算模块，用于根据气候特征参量、土壤特征参量和植被特征参量，分别计算不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性；
最优参量选择模块，用于根据不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性分别选取气候特征参量中的最优参量、土壤特征参量中的最优参量和植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量；
标准化处理模块，用于将气候特征最优参量、土壤特征最优参量和植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量；
边长系数计算模块，用于根据标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数；
长方体模型构建模块，用于根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型，长方体反演模型用于反演待反演区域实时的土壤湿度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
通过对待反演区域某时间段内的地面气候资料日值数据集、地表温度数据集和地表反射率数据集综合处理，分别得到气候特征最优参量、土壤特征最优参量和植被特征最优参量，以气候特征最优参量、土壤特征最优参量和植被特征最优参量构建长方体反演模型，使得到的长方体反演模型更能够反映待反演区域的土壤湿度真实情况，提升土壤湿度反演的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的土壤湿度长方体反演模型构建方法流程图；
图2为本发明实施例提供的研究区位置图；
图3为本发明实施例提供的土壤特征参量与不同深度土壤湿度实测数据相关系数图；
图4为本发明实施例提供的植被特征参量与不同深度土壤湿度实测数据相关系数图；
图5为本发明实施例提供的气候特征参量与不同深度土壤湿度实测数据相关系数图；
图6为本发明实施例提供的长方体反演模型原理图；
图7为本发明实施例提供的10cm深度土壤湿度实测数据分别与长方体土壤湿度指数、昼夜温差参量、地表水指数参量、旬累积降水量参量的相关系数图；
图8为本发明实施例提供的不同深度土壤湿度实测数据分别与CSMI-1下的昼夜温差参量、归一化植被指数参量和旬累积降水量参量的相关系数图；
图9为本发明实施例提供的土壤湿度长方体反演模型构建***结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种土壤湿度长方体反演模型构建方法及***，综合气候、土壤和植被影响因素，提升土壤湿度反演的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的土壤湿度长方体反演模型构建方法流程图，如图1所示，一种土壤湿度长方体反演模型构建方法，方法包括：
S101：获取待反演区域某时间段内的气候土壤植被数据；气候土壤植被数据包括：地面气候资料日值数据集、地表温度数据集、地表反射率数据集和不同深度土壤湿度实测数据；
S102：根据地面气候资料日值数据集计算得到气候特征参量；气候特征参量包括旬平均温度参量、旬平均蒸发量参量和旬累积降水量参量；
S103：根据地表温度数据集计算得到土壤特征参量；土壤特征参量包括日地表温度参量、夜地表温度参量和昼夜温差参量；
S104：根据地表反射率数据集计算得到植被特征参量；植被特征参量包括：归一化植被指数参量、短波红外干旱指数参量、归一化多波段干旱指数参量和地表水指数参量；
S105：根据气候特征参量、土壤特征参量和植被特征参量，分别计算不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性；
S106：根据不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性分别选取气候特征参量中的最优参量、土壤特征参量中的最优参量和植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量；
S107：将气候特征最优参量、土壤特征最优参量和植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量；
S108：根据标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数；
S109：根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型，长方体反演模型用于反演待反演区域实时的土壤湿度。
本实施例在步骤S101：获取待反演区域某时间段内的气候土壤植被数据中，具体地通过在美国地质勘探局(https://lpdaac.usgs.gov/)下载黄淮海覆盖范围内空间分辨率为500米的地表反射率数据产品MOD09A1以及空间分辨率为1000米的地表温度数据产品MOD11A2，并进行预处理。在美国国家航空航天局下载空间格点为0.25°×0.25°的日降水速率数据集TRMM3B42，并进行预处理。
进行数据预处理时，首先对MODIS数据进行重投影及文件格式转换，在该过程中需要用到美国国家航空航天局(National Aeronautics and Space Administration，NASA)开发的MRT(MODIS Reprojection Tools)软件对数据进行批量处理，对试验区范围内的影像进行拼接，并将原来的正弦曲线(Sinusoidal)投影转换为WGS84坐标***，将HDF格式转换为TIFF格式。然后进行数据质量控制，利用MODIS数据中标记低质量像元的质量控制文件(QC，Quality Control)对MOD11A2数据进行质量控制。
MOD11A2数据的QC文件以8bit无符号整型形式存储。在使用QC对数据质量加以控制时，首先将MOD11A2数据格式转换成二进制形式，对照用户手册中的文件标识说明判别像元质量。为保证像元质量，选取了以下两类文件标识情况：(1)所有位数的数据标识全部为0，此时数据质量最好。(2)bit位的0和1位的数据为01，2和3位标识为00，此时数据质量较好，没有被云雾污染。
MOD09A1的质量控制文件为16bit无符号整型。为保证数据质量，对照用户手册本文选取了以下两类文件标识情况：(1)16个bit位的数据标识全部为0的情况，此时数据质量最好，不受云雾和气溶胶的影响。(2)bit位的3-5位为001、100，13位为0或1，其他bit位均为0，此时地面标识为陆地或暂时集水区，不受云雾和气溶胶的影响。最后利用黄淮海平原矢量边界提取出研究区数据，生成研究区范围内的MODIS遥感图像数据集。
在对TRMM3B42数据进行预处理时，由于数据是0.25°×0.25°格点日降水速率数据集，为了使TRMM降水量数据和处理好的MODIS数据的投影及空间分辨率保持一致，首先利用ENVI/IDL平台提取出降水速率数据层，并对其进行几何校正及重采样，使投影和MODIS数据保持一致并将数据重采样到1km×1km分辨率以便和其他遥感数据进行计算。
在中国气象数据网(http://data.cma.cn)下载地面气候资料日值数据集以及土壤湿度实测数据，并进行预处理。预处理过程包括极值检验和时间一致性检验在内的严格质量检查和控制。由日值数据说明文档可知，各要素项为32766时表示缺测，在降水量中32700表示降水微量，在蒸发量中32700表示蒸发器结冰，均不予考虑。数据对应的质量控制码含义如表1所示。
在选取站点观测数据时，选取数据质量控制码均为0的数据，以保证参与数据的准确性。本实施例中选取了黄淮海平原范围内的完整连续且在空间上基本覆盖全区的90个气象站点2010年3月到5月的逐日气象数据。
表1质量控制码含义表
Figure BDA0002210883160000101
在中国科学院资源环境科学数据中心(http://www.resdc.cn)下载黄淮海覆盖范围内空间分辨率为1千米的土地利用/土地覆盖数据，基础地理信息***数据库(http://nfgis.nsdi.gov.cn)的省级行政边界数据。其中，省级行政边界数据用于对遥感影像进行裁切，使遥感影像和黄淮海地区矢量边界范围一致。
上述步骤S102：根据地面气候资料日值数据集计算得到气候特征参量具体包括：对每个连续十天的地面气候资料日值数据集中的日平均温度均求取算术平均值得到旬平均温度参量；
对每个连续十天的地面气候资料日值数据集中的日平均蒸发量均求取算术平均值得到旬平均蒸发量参量；
对每个连续十天的地面气候资料日值数据集中的日降水量均求和得到旬累积降水量参量。
具体地，本实施例中基于气象站点地面气候资料日值数据集数据获取日平均温度、日蒸发量和日降水数据，根据算术平均数的计算公式，由日值数据计算旬平均温度Tave和旬平均蒸发量Eave，根据求和公式由日值数据得到旬累积降水量AP。
上述步骤S103：根据地表温度数据集计算得到土壤特征参量具体包括：
从地表温度数据集中筛选得到日地表温度参量和夜地表温度参量；
根据公式ΔLST＝LSTday-LSTnight计算得到昼夜温差参量，其中，LSTday和LSTnight分别为某天对应的日地表温度和夜地表温度。
上述步骤S104：根据地表反射率数据集计算得到植被特征参量具体包括：
根据公式
Figure BDA0002210883160000111
计算归一化植被指数参量，其中Rnir代表近红外波段的光谱反射率，Rred代表红外波段的光谱反射率；
根据公式VSDI＝1-[(Rswir-Rblue)-(Rred-Rblue)]计算短波红外干旱指数参量，其中Rswir代表短波红外波段的光谱反射率，Rblue代表蓝波段的光谱反射率；
根据公式
Figure BDA0002210883160000112
计算归一化多波段干旱指数参量，其中R860nm为波长为860nm处的光谱反射率，R1640nm为波长为1640nm处的光谱反射率，R2130nm为波长为2130nm处的光谱反射率；
根据公式
Figure BDA0002210883160000113
计算得到地表水指数参量。
上述步骤S105：根据气候特征参量、土壤特征参量和植被特征参量，分别计算不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性具体包括：
根据公式
Figure BDA0002210883160000121
分别计算不同深度土壤实测数据与气候特征参量、土壤特征参量和植被特征参量的相关性，其中Xi为参与计算的特征参量值，Yi为对应计算深度的实测土壤湿度数据，
Figure BDA0002210883160000122
为参与计算的特征参量的均值，
Figure BDA0002210883160000123
为对应计算深度的实测土壤湿度数据均值，i为时间序列点，n为时间长度。
具体地，本实施例中先将气候、土壤和植被***参量分别与站点实测相对土壤湿度进行匹配，匹配过程：首先基于ArcGIS平台，将基于遥感图像的土壤和植被***参量与气象站点进行空间叠加，然后参考高分辨率的谷歌地球影像，在每一个气象站点附近的农田区域新建一个矢量点，将该点图层命名为farm-point，之后，将遥感像元值提取至farm-point图层；最后将数据导出，利用站点编号作为唯一标识，完成气候、土壤和植被***参量与站点实测相对土壤湿度的匹配。然后再利用SPSS软件，计算不同深度(10cm，20cm，50cm)站点土壤湿度数据与各特征参量的相关性。
上述步骤S106：根据不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性分别选取气候特征参量中的最优参量、土壤特征参量中的最优参量和植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量具体包括：
分别求取不同土壤深度的土壤实测数据与旬平均温度参量的相关性均值、不同土壤深度的土壤实测数据与旬平均蒸发量参量的相关性均值和不同土壤深度的土壤实测数据与旬累积降水量参量的相关性均值，得到旬平均温度相关性均值、旬平均蒸发量相关性均值和旬累积降水量相关性均值；
选取旬平均温度相关性均值、旬平均蒸发量相关性均值和旬累积降水量相关性均值三者中的最大值对应的特征参量作为气候特征最优参量；
分别求取不同土壤深度的土壤实测数据与日地表温度参量的相关性均值、不同土壤深度的土壤实测数据与夜地表温度参量的相关性均值和不同土壤深度的土壤实测数据与昼夜温差参量的相关性均值，得到日地表温度相关性均值、夜地表温度相关性均值和昼夜温差相关性均值；
选取日地表温度相关性均值、夜地表温度相关性均值和昼夜温差相关性均值三者中的最大值对应的特征参量作为土壤特征最优参量；
分别求取不同土壤深度的土壤实测数据与归一化植被指数参量的相关性均值、不同土壤深度的土壤实测数据与短波红外干旱指数参量的相关性均值、不同土壤深度的土壤实测数据与归一化多波段干旱指数参量的相关性均值和不同土壤深度的土壤实测数据与植被特征参量中的地表水指数参量的相关性均值，得到归一化植被指数相关性均值、短波红外干旱指数相关性均值、归一化多波段干旱指数相关性均值和地表水指数相关性均值；
选取归一化植被指数相关性均值、短波红外干旱指数相关性均值、归一化多波段干旱指数相关性均值和地表水指数相关性均值四者中最大值对应的特征参量作为植被特征最优参量。
上述步骤S107：将气候特征最优参量、土壤特征最优参量和植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量具体包括：
根据公式
Figure BDA0002210883160000131
分别对气候特征最优参量、土壤特征最优参量和植被特征最优参量进行标准化处理；其中p为所要进行标准化处理的最优参量，Pj为标准化处理后的对应最优参量的第j个参量值，pj为标准化处理前对应最优参量的第j个参量值，max(p)为所要进行标准化处理的最优参量中的最大值，min(p)为所要进行标准化处理的最优参量中的最小值。
上述步骤S108：根据标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数具体包括：
采用五级标度法计算各标准化处理后的最优参量的相对重要性；
根据相对重要性对标准化处理后的最优参量分层，并对每个分层分别构建判断矩阵；
分别计算各判断矩阵的特征向量；特征向量的分量为对应分层的标准化处理后的最优参量的权重值；
将各标准化处理后的最优参量的权重值取整，得到待反演区域的土壤湿度长方体反演模型的各个边长系数。
具体地，采用层次分析法(Analytic Hierarchy Process，AHP)确定各个类型特征的边长系数。AHP层次分析法由美国运筹学家T.L.Saaty提出的，该方法将定性分析过程定量化，其基本原理是将需要解决的复杂问题拆分成若干简单问题，不同的问题又对应不同的解决方案便可构成层次结构，然后逐层判断所有指标的相对重要性，构造判断矩阵。然后计算出判断矩阵的特征向量，特征向量的分量即为对应元素单排序的权重值。以此类推，可以得到最底层指标对于最上层总体目标的重要性权重排序。
利用AHP决策分析法构建权重的过程主要包括：(1)判断各因子的重要性并构建判断矩阵。(2)一致性检验。AHP法的主要优点是将定性判断过程定量化，但由于评价对象的复杂性，相对重要性的判断不一定满足要求，因此必须通过一致性检验来判断各个指标的权重之间是否存在矛盾之处。进行一致性检验时，首先要计算判断矩阵的最大特征根，记为λmax；然后，根据CI＝(λmax－n)/(n－1)计算一致性指标CI，该式中n为层次子***中的指标个数；最后，根据CR＝CI/RI计算随机一致性比率CR，其中RI为随机一致性指标，当随机一致性比率CR小于0.10时，说明判断矩阵具有满意的一致性；CR小于1时，认为一致性可以接受。否则，需要重新构建判断矩阵。(3)结果计算。使用yaAHP层次分析法软件对结果进行计算。AHP得到的各参量权重取整即为立方体模型的边长。
上述步骤S109：根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型具体包括：
将标准化处理后的各最优参量与土壤湿度实测数据做正相关处理，得到正相关处理后的最优参量；
将正相关处理后的最优参量与各个边长系数带入长方体反演模型公式，得到待反演区域的土壤湿度长方体反演模型；长方体反演模型公式为
Figure BDA0002210883160000141
其中X表示正相关处理后的土壤特征最优参量，Y表示正相关处理后的植被特征最优参量，Z表示正相关处理后的气候特征最优参量，a表示正相关处理后的土壤特征最优参量的长方体反演模型边长系数，b表示正相关处理后的植被特征最优参量的长方体反演模型边长系数，c表示正相关处理后的气候特征最优参量的长方体反演模型边长系数，CSMI为长方体土壤湿度指数。
具体地，将选出的最优参量进行变形以保证各参量与土壤湿度均呈正相关关系，将变形后的最优参量以及层次分析法得到的边长系数带入长方体模型公式，并将基于不同边长系数下模型计算结果与实测土壤湿度进行相关分析。
根据公式
Figure BDA0002210883160000151
和
Figure BDA0002210883160000152
分别对土壤特征最优参量、植被特征最优参量和气候特征最优参量进行变形。
其中，ΔLSTs、LSWIs和APs分别为ΔLSTi、LSWIi和APi标准化后的值；ΔLSTi、LSWIi和APi分别代表所选参数的原始数据值；ΔLSTmax、LSWImax和APmax分别代表对应所选参数的最大值；ΔLSTmin、LSWImin和APmin分别代表所选参数的最小值。
得到待反演区域的土壤湿度长方体反演模型之后，再通过实时采集待反演区域的气候土壤植被数据，分别选取气候土壤植被数据中对应土壤特征最优参量的参量值、植被特征最优参量的参量值和气候特征最优参量的参量值，并分别对选取的土壤特征最优参量的参量值、植被特征最优参量的参量值和气候特征最优参量的参量值进行标准化处理，再做正相关处理，得到正相关处理后的各参量的参量值，最后以正相关处理后的土壤特征最优参量的参量值作为X轴、正相关处理后的植被特征最优参量的参量值作为Y轴和正相关处理后的气候特征最优参量的参量值作为Z轴带入待反演区域的土壤湿度长方体反演模型中，从而得到待反演区域的实时土壤湿度指数。
本实施例在得到待反演区域的长方体反演模型之后，还对长方体反演模型的精度进行验证。具体利用实测土壤湿度数据及基于单变量模型的反演结果对所构建的综合模型进行精度验证。将基于单要素的反演结果与本申请中的综合气候、土壤、植被特征参量的反演模型反演结果分别与实测土壤湿度进行相关分析，对比综合模型与单要素模型的相关系数。
具体的，本实施例选取黄淮海地区作为研究区(如图2所示)。黄淮海地区纬度位置位于32°N～41°N之间，经度位置位于113°E～121°E之间，跨越北京市、天津市、河北省、山东省、河南省、安徽省和江苏省在内的7个省市。黄淮海地区位于中纬度地带，冷热变化和干湿状况主要受季风影响，南部地区为湿润季风气候，北部地区为半湿润季风气候。区域内年平均气温一般介于14℃～16℃之间，年降水量为500～900毫米。黄淮海地区是中国重要的农产品生产基地之一。区域内黄河以北地区主要种植小麦、玉米和棉花，其中粮食作物通过冬小麦夏玉米轮作的方式可以一年两熟，在旱作为主的区域以两年三熟为主，随着灌溉的发展，一年两熟制逐渐增多。黄河以南地区以两年三熟和三年五熟为主，也可一年两熟，粮食作物也以小麦、玉米为主，在水源充足的地方种植水稻，经济作物有烤烟、芝麻、棉花、大豆等。
所用的数据包括：1)来源于美国地质勘探局(https://lpdaac.usgs.gov/)的2010年3-5月空间分辨率为500米的地表反射率数据产品MOD09A1以及空间分辨率为1000米的地表温度数据产品MOD11A2，分别用于植被参量、土壤参量选取，以及模型构建；2)来源于美国国家航空航天局的2010年3-5月空间分辨率为0.25°×0.25°的日降水速率数据集TRMM3B42，用于气象参量选取以及模型构建；3)来源于中国气象数据网(http://data.cma.cn)2010年3-5月地面气候资料日值数据集以及土壤湿度实测数据，前者用于气象参量选取以及模型构建，后者用于模型构建及精度验证；4)来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)2010年3-5月空间分辨率为1千米的土地利用/土地覆盖数据，用于提取耕地分布范围；5)来源于国家基础地理信息***数据库(http://nfgis.nsdi.gov.cn)的省级行政边界数据，用于获取研究区范围。
本实施例主要流程包括：1)遥感数据、站点观测数据以及其他辅助数据的获取及预处理；2)气候、土壤及植被相关参量的计算；3)气候、土壤及植被相关参量与实测土壤湿度的相关分析和最优参量的筛选；4)参量标准化；5)土壤湿度反演长方体模型边长系数的确定；6)土壤湿度反演长方体模型的构建及应用；7)土壤湿度反演长方体模型的精度验证。
对获取的数据进行预处理：利用MODIS重投影工具(MODIS Reprojection Tools)对MOD09A1和MOD11A2数据进行批量拼接、重投影到WGS84坐标***以及格式转换为TIFF格式，然后用MODIS数据中标记低质量像元的质量控制文件对数据进行质量控制；利用ENVI/IDL平台从TRMM3B24中提取出降水速率数据层，对其进行几何校正并重投影、重采样到与MODIS数据一致的1km空间分辨率；对地面气候资料日值站点数据进行数据筛选、极值检验和时间一致性检验在内的质量检查和控制；对土壤湿度数据集进行站点匹配和质量控制；对土地利用数据进行投影转换、重采样、裁剪等预处理。
本案例气候、土壤及植被相关参量的计算在于利用地表反射率、地表温度、降水以及其他气候参数来提取或者计算相关的气候、土壤及植被相关的候选参量。
1)在选取气候***参量时，首先利用在预处理阶段经过质量检查和控制的气候资料日值数据集(日平均温度、蒸发量和降水)，基于Matlab平台，据算术平均公式，将日值数据集处理成和土壤湿度数据匹配的旬值数据集(旬平均温度Tave，旬平均蒸发量Eave和累积降水量AP)，并利用ArcGIS的距离统计工具，选取与基本气象站距离最近的农业气象站，将基本气象站的降水量数据与农业气象站的土壤湿度数据进行关联，得到研究区的与10cm、20cm及50cm深度土壤相对湿度数据匹配的气象站点数据集。
2)在选取土壤***参量时，主要考虑了陆地表面温度及昼夜温差，利用处理后的黄淮海范围内MOD11A2数据集，通过缩放因子进行辐射定标，将开氏温度转换为摄氏温度，得到日地表温度LSTday和夜地表温度LSTnight，计算昼夜温差ΔLST，计算公式为：ΔLST＝LSTday-LSTnight。
将计算得到的参量与站点实测相对土壤湿度进行匹配，首先利用ArcGIS平台，将遥感图像与气象站点进行空间叠加，参考高分辨率的谷歌地球影像，在每一个气象站点附近的农田区域新建一个矢量点，将遥感像元值提取到矢量点图层，将数据导出后得到与10cm、20cm及50cm深度土壤相对湿度数据匹配的数据表。
3)在选取植被***参量时，利用黄淮海地区处理后的MODIS反射率数据集，根据下列公式，用IDL程序分别计算归一化植被指数(NDVI)，短波红外干旱指数(VSDI)，归一化多波段干旱指数(NMDI)和地表水指数(LSWI)，计算完成后与站点实测相对土壤湿度进行数据匹配，方法与土壤***参量匹配类似。
NDVI是一种应用较为广泛的植被指数监测方法，计算公式如下：
Figure BDA0002210883160000181
其中，Rred代表红外波段的光谱反射率，Rnir代表近红外波段的光谱反射率。
NDVI的取值位于-1和1之间，如果土壤湿度适合植被生长，作物长势越好，相应的NDVI值越大。反之，如果土壤湿度较低，作物受水分胁迫的影响，在旱生环境下的作物长势较差，对应的NDVI值也会越小。因此，该指数可用于表示作物所在区域的土壤湿度状况。
VSDI是基于对地表温度变化显著的短波红外波段和红光波段信息，以及对水分响应不显著的蓝光波段构建的用于监测地表干旱状况的指数，计算公式为：VSDI＝1-[(Rswir-Rblue)-(Rred-Rblue)]，式中，Rswir代表短波红外波段的光谱反射率，Rblue代表蓝波段的光谱反射率。
VSDI的值位于0到1之间，值的大小与土壤湿度呈正相关，当该值大于1时，说明地表被水体或积雪覆盖。
在短波红外波段，植被的反射率有明显降低，NMDI是利用两个对水分变化反馈明显的短波红外波段信息以便更准确的对土壤湿度进行监测，计算公式为：
Figure BDA0002210883160000182
其中R860nm为波长为860nm处的光谱反射率，R1640nm为波长为1640nm处的光谱反射率，R2130nm为波长为2130nm处的光谱反射率。NMDI和土壤湿度呈反比，其值越大土壤湿度越小。
利用短波红外波段进行水分监测比可见光波段更有优势，通过对近红外和短波红外信息进行增强，构建LSWI，计算公式为：
Figure BDA0002210883160000183
LSWI可以有效地提取地表含水量信息，和土壤湿度呈正相关，地表水指数越大，土壤含水量越高。
本实施例中对气候、土壤及植被相关参量与实测土壤湿度的相关分析和最优参量的筛选是利用SPSS统计软件分别将气候、土壤及植被有关参量与实测土壤相对湿度数据进行相关分析与显著性检验，根据相关系数分别筛选出代表气候、土壤和植被的最优特征参量。
图3、图4、图5分别展示了土壤特征参量、植被特征参量和气候特征参量与不同深度实测土壤湿度的相关系数。由图3、4、5可知：
1)2010年3-5月黄淮海地区土壤***参数与10cm土壤湿度相关性最好，其次是20cm、50cm处土壤湿度，表明地表温度反演土壤水分的精度随着深度增加而降低。日地表温度与土壤湿度呈现负相关关系，夜地表温度与土壤湿度呈正相关关系，整体上看，昼夜温差与土壤湿度的相关性最高；
2)植被***参数整体上与50cm土壤湿度具有最好的相关性，其次是20cm、10cm。其中，LSWI整体上与不同深度土壤湿度具有最好相关性。植被参数与土壤湿度相关性在五月最高，其次是四月和三月。
3)与各深度土壤湿度相关性最好的气候***参数是AP，其次是Eave和Tave。AP和土壤湿度的相关系数在四月最高，其次是五月。AP与10cm深度处的相关性最高，然后是20cm和50cm处。因此，本实施例最终选择ΔLST，LSWI和AP作为表征土壤、植被和气候***的最佳参量来参与土壤湿度反演模型的建立。
本实施例的参量标准化是由于代表气候、土壤和植被***的参量具有不同的单位，需要进行标准化处理，具体采用最大-最小标准化的方法将选择出的最优参量进行无量纲化处理，且取值范围均在0-1之间。
本实施例的采用AHP层次分析法确定土壤湿度长方体反演模型的边长系数，该方法基本原理是将待解决的复杂问题分解为几个简单的问题，不同问题对应不同解决方案便可构成层次结构，然后逐层判断所有指标的相对重要性，构建判断矩阵，然后计算判断矩阵的特征向量，特征向量的分量即对应元素单排序的权重值。以此类推，得到最底层指标对于最上层总体目标的重要性权重排序。具体的采用五级标度法(表2)来确定因子的相对重要性。
表2五级标度法及其含义
Figure BDA0002210883160000201
考虑到构造判断矩阵会受到人为判断的影响，在参考相关系数和已有研究的基础上，构建了3组判断矩阵(表3)，以便进一步提高最终结果的可信度。然后用一致性检验判断各个指标的权重之间是否存在矛盾之处。
表3判断矩阵
Figure BDA0002210883160000202
注：X，Y和Z分别与土壤、植被和气候***有关。
进行一致性检验时，首先要计算判断矩阵的最大特征根，最大特征根采用方根法近似求解，首先计算判断矩阵每一行元素的乘积Mi，然后计算Mi的n次方根，最后计算最大特征根，记为λmax；然后，根据CI＝(λmax-n)/(n-1)计算一致性指标CI，该式中n为层次子***中的指标个数；最后根据CR＝CI/RI计算随机一致性比率CR，其中RI为随机一致性指标，当随机一致性比率CR小于0.10时，说明判断矩阵具有满意的一致性；CR小于1时，认为一致性可以接受。否则，需要重新构建判断矩阵。表4展示了由层次分析法确定的三个参数的边长因子。根据三组判断矩阵得到了三组边长系数及其一致性检验结果。三次实验结果均通过一致性检验(CR<0.1)。因此，本案例最终确定了a/b/c边长系数的三种组合，分别为2/1/2，3/2/5和3/1/6。
本实施例中土壤湿度反演长方体模型的构建及应用是将各参量与土壤湿度放置于三维空间中构建一个长方体土壤湿度指数(CSMI,Cuboid Soil Moisture Index)。X轴表示土壤***，Y轴表示植被***，Z轴表示气候***，三个坐标轴所表示的参数均调整为与土壤湿度呈正相关，统一到0-1范围的无量纲参数，根据各坐标轴对土壤湿度的贡献率确定边长系数。模型原理图6所示。
表4 AHP层次分析法确定的边长系数
Figure BDA0002210883160000211
长方体反演模型公式为
Figure BDA0002210883160000212
式中X，Y和Z分别代表长方体的三个轴，参数a，b和c为根据各坐标轴对土壤水分贡献率确定的边长系数。原点O附近的点土壤湿度最小，S点处土壤湿度最大。
表5展示了基于不同边长系数计算得到的土壤湿度指数与实测土壤湿度的相关系数。在黄淮海地区作物生长季期间，不同深度土壤湿度与CSMI-1的相关系数最大，其次是CSMI-2和CSMI-3。不同深度土壤湿度与CSMI-1的相关系数均在0.51以上，说明2/1/2的边长系数是该研究区的最优边长系数。
本申请的应用是从黄淮海地区土地利用/土地覆盖分布图中提取耕地，利用TRMM卫星降水数据集，MODIS卫星地表反射率数据和温度数据计算黄淮海平原等地的CSMI-1空间分布图。
表5 CSMI与不同深度土壤湿度的相关系数
Figure BDA0002210883160000221
说明：**代表0.01的显著性水平(双侧)，*代表0.05的显著性水平(双侧)。
黄淮海南部土壤湿度总体高于北部，其中，安徽，江苏土壤湿度最高，河南、山东次之，京津冀土壤水分总体最低。3月上旬，安徽土壤湿度最高，其次为江苏和山东。山东土壤水分在3月中旬和4月上旬呈下降趋势，河南省东南部土壤水分呈上升趋势。3月下旬和4月下旬，安徽、江苏和河南的土壤水分较高，而山东、北京、天津和河北的土壤水分较低。4月中旬和5月中旬，安徽和江苏的土壤水分最高，其次是河南和山东，京津冀的土壤水分仍然很低。5月上旬和5月下旬，京津冀地区土壤水分呈上升趋势，尤其是河北北部地区。
本申请的土壤湿度长方体反演模型的精度评价是比较了不同边长系数下CSMI、代表气象、土壤和植被的最佳参量与10cm处实测土壤湿度的相关系数。对比结果如图7所示，整体来看CSMI的结果与土壤湿度的相关系数要高于单因素的相关系数。整体上，CSMI与实测土壤湿度的相关系数最高的月份是四月，其次是五月、三月。CSMI-1,CSMI-2和CSMI-3的边长因子分别为2/1/2，3/2/5和3/1/6，即三个单因素按照边长的权重因子排列在CSMI1中为AP＝ΔLST>LSWI，在CSMI-2和CSMI-3中为AP>ΔLST>LSWI。三个单要素按照与实测土壤湿度的相关系数排列在三月份为ΔLST>AP>LSWI，四月份为AP≈ΔLST>LSWI，五月份为AP>ΔLST≈LSWI。在CSMI-1中，三个单要素按照边长因子的排列顺序与按照相关系数的排列顺序具有高度一致性。另外，CSMI-1中三个单要素按照相关系数排序与四月份三个单要素按照边长因子排序相同。这两点也很好解释了为什么CSMI-1与土壤湿度的关系高于CSMI-2和CSMI-3，且CSMI-1与四月份土壤湿度的相关关系最好。
本实施例中对土壤湿度长方体反演模型的敏感性分析是考虑了地表温差、作物生长状况和累积降水量对模型反演精度的影响。首先，将ΔLST以5,10,15,20℃为间隔点划分为五级，将NDVI以0.1,0.3,0.5,0.7为间隔点划分为五级，将AP以10,25,50cm/(ten days)为间隔点划分为四级，然后分别计算不同的ΔLST，NDVI和AP等级下CSMI-1与实测土壤湿度的相关系数，结果如图8所示。可以看出，不同的ΔLST，NDVI和AP等级下CSMI-1与实测土壤湿度的相关系数大小具有差异。在大部分情况下，CSMI-1与10cm土壤湿度的相关系数值最高，其次为20cm处和50cm处，表明CSMI-1与土壤湿度的相关系数随着土壤深度的增加而降低。在ΔLST变化的情况下，CSMI-1与土壤湿度的相关系数没有明显的变化趋势。若不考虑NDVI和AP的划分级别，在ΔLST达到10-15℃时，CSMI-1与不同深度处土壤湿度的相关系数最高。当NDVI值高于0.7时，CSMI-1与不同深度处土壤湿度的相关系数没有通过显著性检验。可能的原因在于，本案例中所使用的站点为农气站点，NDVI值高于0.7的站点较少。AP与不同深度处土壤湿度在0.05的显著性水平下高度相关。若不考虑NDVI和ΔLST的等级，CSMI-1与不同深度处土壤湿度的相关系数在AP位于25-50cm时达到最高。
本发明以黄淮海地区为例，提出一种土壤湿度长方体反演模型构建方法及***，在模型中，三个轴分别选取与土壤湿度高度相关的气候、土壤和植被特征参数，模型的边长系数代表了各特征参数对土壤湿度的影响程度，长方体的对角线(长方体土壤湿度指数，CSMI)来评价土壤湿度。实验首先对表征气候，土壤和植被的各候选参数与实测土壤湿度数据之间的相关性进行分析，选择与实测土壤湿度相关性最好的特征参数建立CSMI模型，然后利用层次分析法确定各参数的长方体边长系数。将选择出的最佳特征参数以及边长系数代入长方体模型并与黄淮海地区进行应用。结果表明，长方体边长系数为2/1/2的CSMI-1与实测土壤水分的相关性最好。在10cm，20cm和50cm深度处，CSMI-1与实测土壤湿度的相关系数分别为0.64,0.60和0.52。当NDVI值低于0.7时，CSMI-1与土壤湿度呈显著正相关，显著性水平为0.01。实验表明，CSMI在土壤湿度评价方面具有一定的潜力。
本实施例还提供一种土壤湿度长方体反演模型构建***，如图9所示，***包括：
数据获取模块1，用于获取待反演区域某时间段内的气候土壤植被数据；气候土壤植被数据包括：地面气候资料日值数据集、地表温度数据集、地表反射率数据集和不同深度土壤湿度实测数据；
气候特征参量计算模块2，用于根据地面气候资料日值数据集计算得到气候特征参量；气候特征参量包括旬平均温度参量、旬平均蒸发量参量和旬累积降水量参量；
土壤特征参量计算模块3，用于根据地表温度数据集计算得到土壤特征参量；土壤特征参量包括日地表温度参量、夜地表温度参量和昼夜温差参量；
植被特征参量计算模块4，用于根据地表反射率数据集计算得到植被特征参量；植被特征参量包括：归一化植被指数参量、短波红外干旱指数参量、归一化多波段干旱指数参量和地表水指数参量；
相关性计算模块5，用于根据气候特征参量、土壤特征参量和植被特征参量，分别计算不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性；
最优参量选择模块6，用于根据不同深度土壤实测数据与气候特征参量的相关性、不同深度土壤实测数据与土壤特征参量的相关性和不同深度土壤实测数据与植被特征参量的相关性分别选取气候特征参量中的最优参量、土壤特征参量中的最优参量和植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量；
标准化处理模块7，用于将气候特征最优参量、土壤特征最优参量和植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量；
边长系数计算模块8，用于根据标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数；
长方体模型构建模块9，用于根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型，长方体反演模型用于反演待反演区域实时的土壤湿度。
对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种土壤湿度长方体反演模型构建方法，其特征在于，所述方法包括：
获取待反演区域某时间段内的气候土壤植被数据；所述气候土壤植被数据包括：地面气候资料日值数据集、地表温度数据集、地表反射率数据集和不同深度土壤湿度实测数据；
根据所述地面气候资料日值数据集计算得到气候特征参量；所述气候特征参量包括旬平均温度参量、旬平均蒸发量参量和旬累积降水量参量；
根据所述地表温度数据集计算得到土壤特征参量；所述土壤特征参量包括日地表温度参量、夜地表温度参量和昼夜温差参量；
根据所述地表反射率数据集计算得到植被特征参量；所述植被特征参量包括：归一化植被指数参量、短波红外干旱指数参量、归一化多波段干旱指数参量和地表水指数参量；
根据所述气候特征参量、所述土壤特征参量和所述植被特征参量，分别计算不同深度土壤实测数据与所述气候特征参量的相关性、不同深度土壤实测数据与所述土壤特征参量的相关性和不同深度土壤实测数据与所述植被特征参量的相关性；
根据不同深度土壤实测数据与所述气候特征参量的相关性、不同深度土壤实测数据与所述土壤特征参量的相关性和不同深度土壤实测数据与所述植被特征参量的相关性分别选取所述气候特征参量中的最优参量、所述土壤特征参量中的最优参量和所述植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量；
将所述气候特征最优参量、所述土壤特征最优参量和所述植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量；
根据所述标准化处理后的气候特征最优参量、所述标准化处理后的土壤特征最优参量和所述标准化处理后的植被特征最优参量，采用层次分析法确定所述待反演区域的土壤湿度长方体反演模型的各个边长系数；
根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型，所述长方体反演模型用于反演待反演区域实时的土壤湿度。
2.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述根据所述地面气候资料日值数据集计算得到气候特征参量具体包括：
对每个连续十天的所述地面气候资料日值数据集中的日平均温度求取算术平均值得到旬平均温度参量；
对每个连续十天的所述地面气候资料日值数据集中的日平均蒸发量求取算术平均值得到旬平均蒸发量参量；
对每个连续十天的所述地面气候资料日值数据集中的日降水量求和得到旬累积降水量参量。
3.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述根据所述地表温度数据集计算得到土壤特征参量具体包括：
从所述地表温度数据集中筛选得到所述日地表温度参量和所述夜地表温度参量；
根据公式ΔLST＝LSTday-LSTnight计算得到所述昼夜温差参量，其中，LSTday和LSTnight分别为某天对应的日地表温度和夜地表温度。
4.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述根据所述地表反射率数据集计算得到植被特征参量具体包括：
根据公式
Figure FDA0002836576140000021
计算所述归一化植被指数参量，其中Rnir代表近红外波段的光谱反射率，Rred代表红外波段的光谱反射率；
根据公式VSDI＝1-[(Rswir-Rblue)-(Rred-Rblue)]计算所述短波红外干旱指数参量，其中Rswir代表短波红外波段的光谱反射率，Rblue代表蓝波段的光谱反射率；
根据公式
Figure FDA0002836576140000031
计算所述归一化多波段干旱指数参量，其中R860nm为波长为860nm处的光谱反射率，R1640nm为波长为1640nm处的光谱反射率，R2130nm为波长为2130nm处的光谱反射率；
根据公式
Figure FDA0002836576140000032
计算得到所述地表水指数参量。
5.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述根据所述气候特征参量、所述土壤特征参量和所述植被特征参量，分别计算不同深度土壤实测数据与所述气候特征参量的相关性、不同深度土壤实测数据与所述土壤特征参量的相关性和不同深度土壤实测数据与所述植被特征参量的相关性具体包括：
根据公式
Figure FDA0002836576140000033
分别计算不同深度土壤实测数据与所述气候特征参量的相关性、不同深度土壤实测数据与所述土壤特征参量的相关性和不同深度土壤实测数据与所述植被特征参量的相关性，其中Xi为参与计算的特征参量值，Yi为对应计算深度的实测土壤湿度数据，
Figure FDA0002836576140000034
为参与计算的特征参量的均值，
Figure FDA0002836576140000035
为对应计算深度的实测土壤湿度数据均值，i为时间序列点，n为时间长度。
6.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述根据不同深度土壤实测数据与所述气候特征参量的相关性、不同深度土壤实测数据与所述土壤特征参量的相关性和不同深度土壤实测数据与所述植被特征参量的相关性分别选取所述气候特征参量中的最优参量、所述土壤特征参量中的最优参量和所述植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量具体包括：
分别求取不同土壤深度的土壤实测数据与旬平均温度参量的相关性均值、不同土壤深度的土壤实测数据与旬平均蒸发量参量的相关性均值和不同土壤深度的土壤实测数据与旬累积降水量参量的相关性均值，得到旬平均温度相关性均值、旬平均蒸发量相关性均值和旬累积降水量相关性均值；
选取所述旬平均温度相关性均值、所述旬平均蒸发量相关性均值和所述旬累积降水量相关性均值三者中的最大值对应的特征参量作为所述气候特征最优参量；
分别求取不同土壤深度的土壤实测数据与日地表温度参量的相关性均值、不同土壤深度的土壤实测数据与夜地表温度参量的相关性均值和不同土壤深度的土壤实测数据与昼夜温差参量的相关性均值，得到日地表温度相关性均值、夜地表温度相关性均值和昼夜温差相关性均值；
选取所述日地表温度相关性均值、所述夜地表温度相关性均值和所述昼夜温差相关性均值三者中的最大值对应的特征参量作为所述土壤特征最优参量；
分别求取不同土壤深度的土壤实测数据与归一化植被指数参量的相关性均值、不同土壤深度的土壤实测数据与短波红外干旱指数参量的相关性均值、不同土壤深度的土壤实测数据与归一化多波段干旱指数参量的相关性均值和不同土壤深度的土壤实测数据与植被特征参量中的地表水指数参量的相关性均值，得到归一化植被指数相关性均值、短波红外干旱指数相关性均值、归一化多波段干旱指数相关性均值和地表水指数相关性均值；
选取所述归一化植被指数相关性均值、所述短波红外干旱指数相关性均值、所述归一化多波段干旱指数相关性均值和所述地表水指数相关性均值四者中最大值对应的特征参量作为所述植被特征最优参量。
7.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述将所述气候特征最优参量、所述土壤特征最优参量和所述植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量具体包括：
根据公式
Figure FDA0002836576140000051
分别对所述气候特征最优参量、所述土壤特征最优参量和所述植被特征最优参量进行标准化处理；其中p为所要进行标准化处理的最优参量，Pj为标准化处理后的对应最优参量的第j个参量值，pj为标准化处理前对应最优参量的第j个参量值，max(p)为所要进行标准化处理的最优参量中的最大值，min(p)为所要进行标准化处理的最优参量中的最小值。
8.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述根据所述标准化处理后的气候特征最优参量、所述标准化处理后的土壤特征最优参量和所述标准化处理后的植被特征最优参量，采用层次分析法确定待反演区域的土壤湿度长方体反演模型的各个边长系数具体包括：
采用五级标度法计算各标准化处理后的最优参量的相对重要性；
根据所述相对重要性对标准化处理后的最优参量分层，并对每个分层分别构建判断矩阵；
分别计算各判断矩阵的特征向量；所述特征向量的分量为对应分层的标准化处理后的最优参量的权重值；
将各标准化处理后的最优参量的权重值取整，得到待反演区域的土壤湿度长方体反演模型的各个边长系数。
9.根据权利要求1所述的一种土壤湿度长方体反演模型构建方法，其特征在于，
所述根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型具体包括：
将标准化处理后的各最优参量与土壤湿度实测数据做正相关处理，得到正相关处理后的最优参量；
将正相关处理后的最优参量与各个边长系数带入长方体反演模型公式，得到待反演区域的土壤湿度长方体反演模型；所述长方体反演模型公式为
Figure FDA0002836576140000052
其中X表示正相关处理后的土壤特征最优参量，Y表示正相关处理后的植被特征最优参量，Z表示正相关处理后的气候特征最优参量，a表示正相关处理后的土壤特征最优参量的长方体反演模型边长系数，b表示正相关处理后的植被特征最优参量的长方体反演模型边长系数，c表示正相关处理后的气候特征最优参量的长方体反演模型边长系数。
10.一种土壤湿度长方体反演模型构建***，其特征在于，所述***包括：
数据获取模块，用于获取待反演区域某时间段内的气候土壤植被数据；所述气候土壤植被数据包括：地面气候资料日值数据集、地表温度数据集、地表反射率数据集和不同深度土壤湿度实测数据；
气候特征参量计算模块，用于根据所述地面气候资料日值数据集计算得到气候特征参量；所述气候特征参量包括旬平均温度参量、旬平均蒸发量参量和旬累积降水量参量；
土壤特征参量计算模块，用于根据所述地表温度数据集计算得到土壤特征参量；所述土壤特征参量包括日地表温度参量、夜地表温度参量和昼夜温差参量；
植被特征参量计算模块，用于根据所述地表反射率数据集计算得到植被特征参量；所述植被特征参量包括：归一化植被指数参量、短波红外干旱指数参量、归一化多波段干旱指数参量和地表水指数参量；
相关性计算模块，用于根据所述气候特征参量、所述土壤特征参量和所述植被特征参量，分别计算不同深度土壤实测数据与所述气候特征参量的相关性、不同深度土壤实测数据与所述土壤特征参量的相关性和不同深度土壤实测数据与所述植被特征参量的相关性；
最优参量选择模块，用于根据不同深度土壤实测数据与所述气候特征参量的相关性、不同深度土壤实测数据与所述土壤特征参量的相关性和不同深度土壤实测数据与所述植被特征参量的相关性分别选取所述气候特征参量中的最优参量、所述土壤特征参量中的最优参量和所述植被特征参量中的最优参量，得到气候特征最优参量、土壤特征最优参量和植被特征最优参量；
标准化处理模块，用于将所述气候特征最优参量、所述土壤特征最优参量和所述植被特征最优参量分别进行标准化处理，得到标准化处理后的气候特征最优参量、标准化处理后的土壤特征最优参量和标准化处理后的植被特征最优参量；
边长系数计算模块，用于根据所述标准化处理后的气候特征最优参量、所述标准化处理后的土壤特征最优参量和所述标准化处理后的植被特征最优参量，采用层次分析法确定所述待反演区域的土壤湿度长方体反演模型的各个边长系数；
长方体模型构建模块，用于根据长方体反演模型的各个边长系数构建待反演区域的土壤湿度长方体反演模型，所述长方体反演模型用于反演待反演区域实时的土壤湿度。
CN201910897948.4A 2019-09-23 2019-09-23 一种土壤湿度长方体反演模型构建方法及*** Active CN110610054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910897948.4A CN110610054B (zh) 2019-09-23 2019-09-23 一种土壤湿度长方体反演模型构建方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910897948.4A CN110610054B (zh) 2019-09-23 2019-09-23 一种土壤湿度长方体反演模型构建方法及***

Publications (2)

Publication Number Publication Date
CN110610054A CN110610054A (zh) 2019-12-24
CN110610054B true CN110610054B (zh) 2021-03-23

Family

ID=68891803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910897948.4A Active CN110610054B (zh) 2019-09-23 2019-09-23 一种土壤湿度长方体反演模型构建方法及***

Country Status (1)

Country Link
CN (1) CN110610054B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084839B (zh) * 2020-07-21 2024-03-05 沈阳农业大学 一种天空地一体解析小地块玉米受非生物胁迫成因的方法
CN112199634B (zh) * 2020-10-14 2021-05-11 中国科学院空天信息创新研究院 基于贝叶斯模型平均方法的地表组分温度多算法集成算法
CN112613391B (zh) * 2020-12-18 2022-06-07 湖北工业大学 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法
CN113361170B (zh) * 2021-06-11 2023-05-12 金陵科技学院 一种基于蒸发过程的非饱和土水力特性参数数值反演方法
CN113552080B (zh) * 2021-06-17 2022-08-02 中国科学技术大学 一种超光谱遥感地表大气相对湿度的实时反演算法
CN113406305A (zh) * 2021-06-29 2021-09-17 吉林大学 一种农业干旱监测指数确定方法及***
CN113887024B (zh) * 2021-09-15 2022-05-17 南京信息工程大学 基于归一化温度构建的干旱指数反演表层土壤水分方法
CN113761756B (zh) * 2021-09-26 2022-05-06 中国农业科学院农业资源与农业区划研究所 一种表面温度高温和低温数据集重构方法
CN114487354A (zh) * 2022-02-21 2022-05-13 中国科学院地理科学与资源研究所 一种基于地表土壤水分信息的深层土壤水分估算方法
CN116341363A (zh) * 2023-02-07 2023-06-27 河海大学 一种多层土壤湿度反演方法
CN115797785B (zh) * 2023-02-09 2023-05-05 中关村睿宸卫星创新应用研究院 基于微波遥感的农田灌溉频率确定方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102455282A (zh) * 2010-10-25 2012-05-16 北京农业信息技术研究中心 测量土壤含水量的方法
CN108663330A (zh) * 2018-04-19 2018-10-16 中国国土资源航空物探遥感中心 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法
CN108717044A (zh) * 2018-05-24 2018-10-30 青海师范大学 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法
CN108761034A (zh) * 2018-05-16 2018-11-06 河海大学 一种多源卫星土壤湿度反演方法
CN108829975A (zh) * 2018-06-19 2018-11-16 中国科学院地理科学与资源研究所 地表温度日内变化过程的遥感估算方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180284745A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment
CN108169161B (zh) * 2017-12-12 2019-12-24 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102455282A (zh) * 2010-10-25 2012-05-16 北京农业信息技术研究中心 测量土壤含水量的方法
CN108663330A (zh) * 2018-04-19 2018-10-16 中国国土资源航空物探遥感中心 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法
CN108761034A (zh) * 2018-05-16 2018-11-06 河海大学 一种多源卫星土壤湿度反演方法
CN108717044A (zh) * 2018-05-24 2018-10-30 青海师范大学 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法
CN108829975A (zh) * 2018-06-19 2018-11-16 中国科学院地理科学与资源研究所 地表温度日内变化过程的遥感估算方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
土壤水分反演特征变量研究综述;王俊霞等;《土壤学报》;20180928;全文 *

Also Published As

Publication number Publication date
CN110610054A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN110610054B (zh) 一种土壤湿度长方体反演模型构建方法及***
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
CN110222475B (zh) 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法
CN109212505B (zh) 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法
CN102175209B (zh) 历史遥感产品数据支持下的作物种植面积测量高效抽样方法
CN108458978B (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN109816542B (zh) 一种农作物减产理赔方法及***
CN112668705B (zh) 基于深度学习的干旱指数监测方法及***
CN113205014B (zh) 一种基于图像锐化的时序数据耕地提取方法
CN113447137B (zh) 一种面向无人机宽波段热像仪的地表温度反演方法
Fricke et al. Using local climate zones to compare remotely sensed surface temperatures in temperate cities and hot desert cities
KR101895231B1 (ko) 인공위성을 이용한 일 최고기온 산출 방법
Santamaria-Artigas et al. Evaluation of near-surface air temperature from reanalysis over the united states and Ukraine: application to winter wheat yield forecasting
CN115759524A (zh) 一种基于遥感影像植被指数的土壤生产力等级识别方法
CN109657988B (zh) 基于hasm和欧氏距离算法的烟叶品质分区方法
CN117035066A (zh) 一种耦合地理加权与随机森林的地表温度降尺度方法
CN113987778B (zh) 一种基于野外站点的水土流失模拟值时空加权校正方法
CN115689100A (zh) 一种基于数据同化的区域作物用水效率评估方法及***
CN115855272A (zh) 一种生成近实时逐小时全天候地表温度的方法
CN115830464A (zh) 基于多源数据的高原山地农业大棚自动提取方法
CN106682756B (zh) 一种基于rs/gis的冬虫夏草产量预测模型
CN115527108A (zh) 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法
Goroshi et al. Assessment of net primary productivity over India using Indian geostationary satellite (INSAT-3A) data
CN116050567B (zh) 一种城市热环境的时空降尺度变化分析方法
CN116229285B (zh) 融合物联网数据和空间场景的土壤含水量监测方法

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
GR01 Patent grant
GR01 Patent grant