CN114880883B - 山地地表土壤水分遥感估算方法、装置及电子设备 - Google Patents
山地地表土壤水分遥感估算方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114880883B CN114880883B CN202210791660.0A CN202210791660A CN114880883B CN 114880883 B CN114880883 B CN 114880883B CN 202210791660 A CN202210791660 A CN 202210791660A CN 114880883 B CN114880883 B CN 114880883B
- Authority
- CN
- China
- Prior art keywords
- data
- soil moisture
- mountain land
- mountain
- surface temperature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于遥感技术领域,具体涉及山地地表土壤水分遥感估算方法、装置及电子设备,其中方法包括步骤:获取时空无缝的地表温度数据与归一化植被指数数据;利用山地高程数据进行地形效应校正;计算温度植被干旱指数;构建第一非线性关系模型;确定第一山地地表土壤水分数据;重新构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分数据之间的第二非线性关系模型;使用迭代求解获取第二山地地表土壤水分数据,直到不存在斑块效应。本发明实现了高分辨率和高准确度的山地地表土壤水分的反演;利用山地高程数据校正地表参数数据,降低了山地地形效应对地表参数数据特别是地表温度数据的影响。
Description
技术领域
本发明属于遥感技术领域,具体而言,涉及一种时空无缝高分辨率的山地地表土壤水分遥感估算方法、装置及电子设备。
背景技术
土壤水分作为重要的陆地表层***要素,是生态、环境、农业等领域研究中的重要指标。目前,获取土壤水分的方法主要有地面站点观测和卫星遥感反演两类。
地面站点观测方法难以捕捉到土壤水分的时空异质性,且难以在短时间内获取大范围土壤水分数据,因此无法满足实际应用。
卫星遥感反演根据工作波段的不同可分为光学遥感技术和微波遥感技术,两种遥感技术都能够实现监测土壤水分的目的。其中,基于光学遥感技术反演的土壤水分虽然空间分辨率较高,但是容易受到云雾覆盖、大气状况的影响,且难以获取空间上连续的图像,光学数据与土壤水分信号是间接关系,反演过程相对复杂,因此在获取土壤水分数据时实用性较差,无法获取高精度数据。
微波遥感技术根据其传感器工作方式分为主动微波遥感和被动微波遥感。主动微波遥感反演土壤水分具有空间分辨率较高的优势,但是由于易受地形和植被等因素影响且卫星重访周期较长,难以获得时间上连续的土壤水分数据;被动微波遥感则是通过微波辐射计探测地物在微波波段的亮度温度来反演土壤水分,利用被动微波遥感技术获取土壤水分数据空间分辨率很低,大多为几十公里的级别,无法满足当前实际应用的需求,许多区域水文和农业研究需要将空间分辨率缩小至1公里甚至更小。
现有的一系列降尺度应用集中于海拔较低、地形起伏相对平缓、空间异质性相对较弱的区域,如农业区域或河流流域等。然而,地形是土壤水分动态异质性的主要来源,土壤水分会随着重力势能的梯度而流动和积累;由于山地地形波动较大、地表复杂以及空间异质性极强,地形效应对遥感数据特别是可见光/近红外遥感数据的影响极大;此外,山地多云多雾的天气容易造成光学遥感数据的空缺。
高分辨率光学数据如地表温度数据作为使用最为广泛的降尺度因子,对土壤水分降尺度过程极为重要,山地地形效应及数据的空缺严重限制了土壤水分空间降尺度方法的应用。在降尺度模型构建过程中,理想水平面上,并未考虑山地地形对降尺度因子的影响,山地地形效应使得无法获得高精度的山地地表土壤水分降尺度结果,同时,降尺度因子如地表温度受云雾覆盖的影响使得降尺度结果存在空间不连续的问题。
发明内容
为了解决无法准确估算时空无缝、高空间分辨率的土壤水分的问题,本发明提供了山地地表土壤水分遥感估算方法、装置及电子设备。
第一方面,本发明提供了山地地表土壤水分遥感估算方法,包括步骤:
获取时空无缝的地表参数数据,所述时空无缝的地表参数数据包括地表温度数据与归一化植被指数数据;
建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据;
利用山地高程数据对所述时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据;
利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,计算温度植被干旱指数;
利用所述温度植被干旱指数,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型;
利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,根据所述第一非线性关系模型,确定所述第一山地地表土壤水分数据;
使用迭代求解的方法,在设定尺度上基于自适应窗口,利用所述温度植被干旱指数,重新构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分数据之间的第二非线性关系模型;
将所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据导入所述第二非线性关系模型,得到所述第二山地地表土壤水分数据;
判断所述第二山地地表土壤水分数据是否存在斑块效应;若所述第二山地地表土壤水分数据不存在斑块效应,则所述第二山地地表土壤水分数据为目标山地地表土壤水分数据;若存在斑块效应,则重新使用迭代求解的方法获取所述第二山地地表土壤水分数据,直到所述第二山地地表土壤水分数据不存在斑块效应。
第二方面,本发明提供了山地地表土壤水分遥感估算装置,包括获取单元、模型建立单元、校正单元、处理单元、模型构建单元、第一输出单元、模型重建单元、第二输出单元与迭代求解单元;
所述获取单元,用于获取时空无缝的地表参数数据,所述时空无缝的地表参数数据包括地表温度数据与归一化植被指数数据;
所述模型建立单元,用于建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据;
所述校正单元,用于利用山地高程数据对所述时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据;
所述处理单元,用于利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,计算温度植被干旱指数;
所述模型构建单元,用于利用所述温度植被干旱指数,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型;
所述第一输出单元,用于利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,根据所述第一非线性关系模型,确定所述第一山地地表土壤水分数据;
所述模型重建单元,用于使用迭代求解的方法,在设定尺度上基于自适应窗口,利用所述温度植被干旱指数,重新构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分数据之间的第二非线性关系模型;
所述第二输出单元,用于将所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据导入所述第二非线性关系模型,得到所述第二山地地表土壤水分数据;
所述迭代求解单元,用于判断所述第二山地地表土壤水分数据是否存在斑块效应;若所述第二山地地表土壤水分数据不存在斑块效应,则所述第二山地地表土壤水分数据为目标山地地表土壤水分数据;若存在斑块效应,则重新使用迭代求解的方法获取所述第二山地地表土壤水分数据,直到所述第二山地地表土壤水分数据不存在斑块效应。
第三方面,本发明提供了一种电子设备,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行所述的山地地表土壤水分遥感估算方法。
本发明的有益效果是:
(1)解决了被动微波遥感反演土壤水分存在的空间分辨率低和光学遥感反演土壤水分存在的受云雾覆盖影响准确度低的问题,实现了高分辨率和高准确度的山地地表土壤水分的反演;
(2)基于自适应窗口,利用山地高程数据校正地表参数数据,降低了山地地形效应对地表参数数据特别是地表温度数据的影响,使得参与构建土壤水分估算模型的地表参数数据更接近真实值,提升了高分辨率山地地表土壤水分估算结果的准确性;
(3)在高分辨率尺度上以迭代求解的方法构建土壤水分关系模型并计算山地地表土壤水分,有利于提高山地地表土壤水分估算结果的分辨率和精度。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据,包括:
根据地表温度数据年周期性变化特征,将地表温度年周期性变化特征设定为余弦组合的周期模型,基于全年有效观测数据利用所述周期模型进行拟合,得到日尺度的时空无缝的地表温度数据。
采用上述进一步方案的有益效果是,由于地表温度数据具有高时空异质性的特点,通过将地表温度数据的年周期性数据转化成余弦组合的周期模型获得时空无缝的日尺度地表温度数据,避免采用平均值或者多天合成数据,有利于准确表示云雾覆盖状况下地表温度真实情况。
进一步,利用山地高程数据对所述时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据,包括:
将所述山地高程数据通过空间聚合的方式升尺度至所述时空无缝的地表温度数据的空间尺度,基于自适应窗口对窗口内所有所述时空无缝的地表温度数据与所述山地高程数据进行线性拟合,确定各个窗口内日尺度的所述时空无缝的地表温度数据随所述山地高程数据的变化速率;
根据所述山地高程数据、所述变化速率与各个窗口内日尺度的所述时空无缝的地表温度数据,通过高程归一化得到所述地形效应校正后的山地地表温度数据。
采用上述进一步方案的有益效果是,通过光学遥感数据空间填充方法获取时空无缝的地表参量数据,有利于提高山地地表土壤水分估算的分辨率;利用山地高程数据对地表温度数据进行地形效应校正,有利于获取准确的时空无缝的地表温度数据,降低了山地地形效应对地表参数数据特别是地表温度数据的影响,使得地表参数数据更接近真实值。
进一步,利用所述温度植被干旱指数,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分之间的第一非线性关系模型,包括:
将所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据通过空间聚合的方式升尺度至被动微波土壤水分产品的空间尺度;
选择与地形效应校正过程中相同大小的窗口,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分之间的第一非线性关系模型。
采用上述进一步方案的有益效果是,温度植被干旱指数相比其他植被指数与地表土壤水分之间的相关性更高,能够建立准确的关系模型。
进一步,获取所述时空无缝的地表参数数据的方式为采用被动微波遥感、可见光近红外遥感和热红外遥感的多源遥感数据的获取方式获取所述时空无缝的地表参数数据。
采用上述进一步方案的有益效果是,采用多源遥感数据的方式获取所述时空无缝的地表参数数据,克服了传统基于单一遥感观测方式存在的数据不准确问题,避免被动微波遥感反演土壤水分数据存在的空间分辨率低以及光学遥感反演土壤水分数据过程存在的土壤易受云雾覆盖影响的问题,实现了高分辨率山地地表土壤水分的反演;
进一步,判断所述第二山地地表土壤水分数据是否存在斑块效应的方式为:
根据所述第二山地地表土壤水分数据是否存在像元窗口边界判断所述第二山地地表土壤水分数据是否存在斑块效应;若所述第二山地地表土壤水分数据存在像元窗口边界则存在斑块效应;否则不存在斑块效应。采用上述进一步方案的有益效果是获得空间连续且空间平滑的高分辨率山地土壤水分。
附图说明
图1为本发明实施例1中山地地表土壤水分估算方法的流程图;
图2为本发明实施例1中地表温度-归一化植被指数的三角特征空间关系示意图;
图3为山地地表土壤水分降尺度试验研究区高程图;
图4为山地地表土壤水分降尺度前后结果对比仿真图;
图5为本发明实施例2中山地地表土壤水分估算装置的原理图;
图6为本发明实施例3中一种电子设备的原理图。
图标:60-电子设备;610-处理器;620-总线;630-存储器;640-收发器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
作为一个实施例,如附图1所示,为解决上述技术问题,本实施例提供了山地地表土壤水分遥感估算方法,包括步骤:
获取时空无缝的地表参数数据,时空无缝的地表参数数据包括地表温度数据与归一化植被指数数据;
建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据;
利用山地高程数据对时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据;
利用地形效应校正后的山地地表温度数据与归一化植被指数数据,计算温度植被干旱指数;
利用温度植被干旱指数,构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型;
利用地形效应校正后的山地地表温度数据与归一化植被指数数据,根据第一非线性关系模型,确定第一山地地表土壤水分数据;
使用迭代求解的方法,在设定尺度上基于自适应窗口,利用温度植被干旱指数,重新构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分数据之间的第二非线性关系模型;
将地形效应校正后的山地地表温度数据和归一化植被指数数据导入第二非线性关系模型,得到第二山地地表土壤水分数据;
判断第二山地地表土壤水分数据是否存在斑块效应;若第二山地地表土壤水分数据不存在斑块效应,则第二山地地表土壤水分数据为目标山地地表土壤水分数据;若存在斑块效应,则重新使用迭代求解的方法获取第二山地地表土壤水分数据,直到第二山地地表土壤水分数据不存在斑块效应。
本发明的有益效果是:
(1)解决了被动微波遥感反演土壤水分存在的空间分辨率低和光学遥感反演土壤水分存在的受云雾覆盖影响准确度低的问题,实现了高分辨率(大于等于1km)和高准确度的山地地表土壤水分的反演;
(2)基于自适应窗口,利用山地高程数据校正地表参数数据,降低了山地地形效应对地表参数数据特别是地表温度数据的影响,使得参与构建土壤水分估算模型的地表参数数据更接近真实值,提升了高分辨率山地地表土壤水分估算结果的准确性;
(3)在高分辨率尺度上以迭代求最优解的方法构建土壤水分关系模型并计算山地地表土壤水分,有利于提高山地地表土壤水分估算结果的分辨率和精度。
可选的,获取时空无缝的地表温度数据与归一化植被指数数据时,选择中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,缩写MODIS)逐日的1km空间分辨率产品的数据,归一化植被指数则选择MODIS 16天合成的1km级产品的数据。
可选的,建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据,包括:
根据地表温度数据年周期性变化特征,将地表温度数据的年周期性数据转化成余弦组合的周期模型,基于全年有效观测数据利用周期模型进行拟合,得到日尺度的时空无缝的地表温度数据。
在实际应用过程中,由于地表温度数据与归一化植被指数数据均由光学遥感观测反演获得,易受云雾遮挡的影响,而山地多云多雾的天气较多,导致观测结果在山地区域存在大量空值像元。其中,归一化植被指数数据在16天内植被覆盖变化不大的前提下,能够反映每天植被覆盖状况;由于地表温度数据由于存在高时空异质性,可选的,通过将地表温度数据的年周期性数据转化成余弦组合的周期模型获得时空无缝的日尺度地表温度数据,避免采用平均值或者多天合成数据,有利于准确表示云雾覆盖状况下地表温度真实情况。
采用全年有效观测数据利用该周期模型拟合即可获得云雾覆盖天的地表温度数据,从而获得日尺度时空无缝的地表温度数据。
可选的,利用山地高程数据对时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据,包括:
将山地高程数据通过空间聚合的方式升尺度至时空无缝的地表温度数据的空间尺度,基于自适应窗口对窗口内所有日尺度的时空无缝的地表温度数据与山地高程数据进行线性拟合,确定各个窗口内日尺度的时空无缝的地表温度数据随所述山地高程数据的变化速率;
根据山地高程数据、变化速率与各个窗口内日尺度的时空无缝的地表温度数据,通过高程归一化得到地形效应校正后的山地地表温度数据。
在实际应用过程中,对于时空异质性极强的地表温度数据,地形的改变使得地表温度迅速发生变化,因此,基于海拔与地表温度之间的负相关关系,利用山地高程数据校正地表温度的地形效应。可选的,山地高程数据选择航天飞机雷达地形测绘使命(ShuttleRadar Topography Mission,缩写SRTM)30m空间分辨率数据。
为校正山地地形效应,构建高质量的关系模型,本发明结合自适应窗口,利用山地高程数据对填充后的日地表温度进行校正,在局部窗口获取地形效应校正后的地表温度数据,首先将山地高程数据(如30 m)通过空间聚合的方式升尺度至地表温度数据(如1km)产品尺度,设表示第i个窗口内的第j个像元地形校正后的地表温度,表示第i个窗口内的第j个像元校正前的地表温度,表示第i个窗口内的第j个像元的高程,表示第i个窗口中心像元的高程;为第i个窗口内地表温度随高程的变化速率,该变化速率通过各窗口内所有地表温度值和高程值线性拟合获得,其单位为(K/m),则:
通过光学遥感数据空间填充方法获取时空无缝的地表参量数据,有利于提高山地地表土壤水分估算的分辨率;利用山地高程数据对地表温度数据进行地形效应校正,有利于获取准确的时空无缝的地表温度数据,降低了山地地形效应对地表参数数据特别是地表温度数据的影响,使得地表参数数据更接近真实值。
可选的,利用温度植被干旱指数,构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型,包括:
将地形效应校正后的山地地表温度数据和归一化植被指数数据通过空间聚合的方式升尺度至被动微波土壤水分产品的尺度(如25-km ESA(European Space Agency) CCI(Climate Change Initiative)遥感土壤水分数据和36-km SMAP(Soil Moisture ActivePassive)被动微波土壤水分产品等);
选择与地形效应校正过程中相同大小的窗口,构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型。
温度植被干旱指数是利用聚合后的地表温度-归一化植被指数三角特征空间的水分胁迫,设表示温度植被干旱指数,表示地表温度,和分别表示地表温度-归一化植被指数三角特征空间中的湿边(地表蒸散等于潜在蒸散即为湿边,如附图2所示地表温度-归一化植被指数的三角特征空间关系示意图,横轴为湿边)和干边(土壤水分有效性低,地表蒸散小即为干边,如附图2所示,纵轴为干边),由方程,计算得出,其中回归系数A、B、C和D可由地表温度-归一化植被指数特征空间拟合而来,为归一化植被指数。温度植被干旱指数表达式为:
在实际应用过程中,温度植被干旱指数相比其他植被指数与地表土壤水分之间的相关性更高,能够建立准确的非线性关系模型,且温度植被干旱指数与地表土壤水分呈现显著线性负相关关系。
设λ为负相关系数,δ为关系模型常量,构建温度植被干旱指数与第一山地地表土壤水分之间的非线性关系模型的表达式:
将温度植被干旱指数表达式带入上式,得到地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型的表达式:
式中,表示被动微波土壤水分产品土壤水分,b 1 、b 2 、b 3 、b 4 、b 5 均为非线性回归模型系数, δ为关系模型常量,表示被动微波土壤水分产品的地形校正后的时空无缝的地表温度数据,表示被动微波土壤水分产品的归一化植被指数数据。
可选的,获取时空无缝的地表参数数据的方式为采用被动微波遥感、可见光近红外遥感和热红外遥感的多源遥感数据的获取方式获取时空无缝的地表参数数据。
在实际应用过程中,采用多源遥感数据的方式获取时空无缝的地表参数数据,克服了传统基于单一遥感观测方式存在的数据不准确问题,避免被动微波遥感反演土壤水分数据存在的空间分辨率低以及光学遥感反演土壤水分数据过程存在的土壤易受云雾覆盖影响的问题,实现了高分辨率山地地表土壤水分的反演。
可选的,判断第二山地地表土壤水分数据是否存在斑块效应的方式为:
根据第二山地地表土壤水分数据是否存在像元窗口边界判断第二山地地表土壤水分数据是否存在斑块效应;若第二山地地表土壤水分数据存在像元窗口边界则存在斑块效应;否则不存在斑块效应,土壤水分在空间分布上表现出平滑的分布效果。
在实际应用过程中,确定第一山地地表土壤水分数据后,山地地表土壤水分估算结果存在斑块效应,为确保最终获取高精度的高分辨率山地地表土壤水分,使用迭代求最优解的方法,进一步在1-km 尺度上基于自适应窗口,重新构建地形校正后的时空无缝地表温度和归一化植被指数与初步估算高分辨率山地地表土壤水分之间的第二非线性关系模型,该第二非线性关系模型表示为函数:
式中,b h1 、b h2 、b h3 、b h4 、b h5 均为非线性回归模型系数,为关系模型常量,表示高分辨率(1km)的地形校正后的时空无缝的地表温度数据,表示高分辨率(1km)的归一化植被指数数据。
将1-km尺度的时空无缝地表温度、植被指数导入重新构建的第二非线性关系模型,得到更高精度的高分辨率(1km)时空无缝的山地地表土壤水分数据SMh。
判断山地地表土壤水分数据SMh是否存在斑块效应,若存在斑块效应,则在1-km尺度上结合被动微波山地地表土壤水分产品尺度确定的自适应窗口大小,构建地形效应校正后的时空无缝地表温度和归一化植被指数与估算山地地表土壤水分数据SMh之间的非线性关系模型,将1-km尺度的时空无缝地表温度、植被指数等地表参数导入新的第二非线性关系模型,估算出新的山地地表土壤水分数据SMh,重复该过程,直到不存在斑块效应,最终输出目标精度的高分辨率(大于1km)时空无缝的山地地表土壤水分数据SMh。
将本发明应用到山地研究区域如附图3所示山地地表土壤水分降尺度试验研究区高程图,图中左边为高海拔山地,右边为高原,横轴为纬度,纵轴为经度,适合作为本发明的试验区,山地高程数据。通过本发明土壤水分估算应用得到的效果如附图4所示山地地表土壤水分降尺度前后结果对比仿真图,第一行为被动微波山地地表土壤水分产品,第二行为本发明估算的山地地表土壤水分数据。由附图4可知,本发明估算的山地地表土壤水分数据具有更高的空间分辨率。
实施例2
基于与本发明的实施例1中所示的方法相同的原理,如附图5所示,本发明的实施例中还提供了山地地表土壤水分遥感估算装置,包括获取单元、模型建立单元、校正单元、处理单元、模型构建单元、第一输出单元、模型重建单元、第二输出单元与迭代求解单元;
获取单元,用于获取时空无缝的地表参数数据,时空无缝的地表参数数据包括地表温度数据与归一化植被指数数据;
模型建立单元,用于建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据;
校正单元,用于利用山地高程数据对时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据;
处理单元,用于利用地形效应校正后的山地地表温度数据与归一化植被指数数据,计算温度植被干旱指数;
模型构建单元,用于利用温度植被干旱指数,构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型;
第一输出单元,用于利用地形效应校正后的山地地表温度数据与归一化植被指数数据,根据第一非线性关系模型,确定第一山地地表土壤水分数据;
模型重建单元,用于使用迭代求解的方法,在设定尺度上基于自适应窗口,利用温度植被干旱指数,重新构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分数据之间的第二非线性关系模型;
第二输出单元,用于将地形效应校正后的山地地表温度数据和归一化植被指数数据导入第二非线性关系模型,得到第二山地地表土壤水分数据;
迭代求解单元,用于判断第二山地地表土壤水分数据是否存在斑块效应;若第二山地地表土壤水分数据不存在斑块效应,则第二山地地表土壤水分数据为目标山地地表土壤水分数据;若存在斑块效应,则重新使用迭代求解的方法获取第二山地地表土壤水分数据,直到第二山地地表土壤水分数据不存在斑块效应。
可选的,模型建立单元包括第一转化单元与拟合单元:
第一转化单元,用于根据地表温度数据年周期性变化特征,将地表温度数据的年周期性数据转化成余弦组合的周期模型,得到设定周期尺度的时空无缝的地表温度数据;
拟合单元,用于基于全年有效观测数据利用周期模型进行拟合,得到日尺度的时空无缝的地表温度数据。
可选的,校正单元包括填充单元、线性拟合单元与校正子单元:
填充单元,用于基于自适应窗口,对日尺度的时空无缝的地表温度数据进行填充;
线性拟合单元,用于将山地高程数据通过空间聚合的方式升尺度至时空无缝的地表温度数据的空间尺度,基于自适应窗口窗口内所有地表温度数据与山地高程数据进行线性拟合,确定各个窗口内日尺度的时空无缝的地表温度数据随所述山地高程数据的变化速率;
校正子单元,用于根据山地高程数据、变化速率与各个窗口内日尺度的时空无缝的地表温度数据,得到地形效应校正后的山地地表温度数据。
可选的,模型构建单元包括第二转化单元与模型构建子单元:
第二转化单元,用于将地形效应校正后的山地地表温度数据和归一化植被指数数据通过空间聚合的方式升尺度至被动微波土壤水分产品的空间尺度;
模型构建子单元,用于选择与地形效应校正过程中相同大小的窗口,构建地形效应校正后的山地地表温度数据和归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型。
可选的,获取时空无缝的地表参数数据的方式为采用被动微波遥感、可见光近红外遥感和热红外遥感的多源遥感数据的获取方式获取时空无缝的地表参数数据。
可选的,迭代求解单元包括:判断单元,用于判断所述第二山地地表土壤水分数据是否存在斑块效应;其中判断所述第二山地地表土壤水分数据是否存在斑块效应的方式为:根据第二山地地表土壤水分数据是否存在像元窗口边界确定第二山地地表土壤水分数据是否存在斑块效应;若第二山地地表土壤水分数据存在像元窗口边界则存在斑块效应;否则不存在斑块效应。
实施例3
基于与本发明的实施例中所示的方法相同的原理,本发明的实施例中还提供了一种电子设备,如附图6所示,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机程序;处理器,用于通过调用计算机程序执行本发明任一实施例所示的方法。
在一个可选实施例中提供了一种电子设备,图6所示的电子设备60包括:处理器610和存储器630。其中,处理器610和存储器630相连,如通过总线620相连。
可选地,电子设备60还可以包括收发器640,收发器640可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器640不限于一个,该电子设备60的结构并不构成对本发明实施例的限定。
处理器610可以是CPU中央处理器,通用处理器,DSP数据信号处理器,ASIC专用集成电路,FPGA现场可编程门阵列或者其他可编程逻辑器件、硬件部件或者其任意组合。处理器610也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线620可包括一通路,在上述组件之间传送信息。总线620可以是PCI外设部件互连标准总线或EISA扩展工业标准结构总线等。总线620可以分为控制总线、数据总线、地址总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器630可以是ROM只读存储器或可存储静态信息和指令的其他类型的静态存储设备,RAM随机存储器或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM电可擦可编程只读存储器、CD-ROM只读光盘或其他光盘存储、光碟存储(包括光碟、激光碟、压缩光碟、数字通用光碟等)、磁盘存储介质,或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器630用于存储执行本发明方案的应用程序代码(计算机程序),并由处理器610来控制执行。处理器610用于执行存储器630中存储的应用程序代码,以实现前述方法实施例所示的内容。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.山地地表土壤水分遥感估算方法,其特征在于,包括步骤:
获取时空无缝的地表参数数据,所述时空无缝的地表参数数据包括地表温度数据与归一化植被指数数据;
建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据;
利用山地高程数据对时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据,包括:将所述山地高程数据通过空间聚合的方式升尺度至所述时空无缝的地表温度数据的空间尺度,基于自适应窗口对窗口内所有所述地表温度数据与所述山地高程数据进行线性拟合,确定各个窗口内日尺度的所述时空无缝的地表温度数据随所述山地高程数据的变化速率;根据所述山地高程数据、所述变化速率与各个窗口内日尺度的所述时空无缝的地表温度数据,通过高程归一化得到所述地形效应校正后的山地地表温度数据;
利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,计算温度植被干旱指数;
利用所述温度植被干旱指数,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型;
利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,根据所述第一非线性关系模型,确定第一山地地表土壤水分数据;
使用迭代求解的方法,在设定尺度上基于自适应窗口,利用所述温度植被干旱指数,重新构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分数据之间的第二非线性关系模型;
将所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据导入所述第二非线性关系模型,得到第二山地地表土壤水分数据;
判断所述第二山地地表土壤水分数据是否存在斑块效应;若所述第二山地地表土壤水分数据不存在斑块效应,则所述第二山地地表土壤水分数据为目标山地地表土壤水分数据;若存在斑块效应,则重新使用迭代求解的方法获取所述第二山地地表土壤水分数据,直到所述第二山地地表土壤水分数据不存在斑块效应。
2.根据权利要求1所述山地地表土壤水分遥感估算方法,其特征在于,建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据,包括:
根据地表温度数据年周期性变化特征,将地表温度年周期性变化特征设定为余弦组合的周期模型,基于全年有效观测数据利用所述周期模型进行拟合,得到日尺度的时空无缝的地表温度数据。
3.根据权利要求1所述山地地表土壤水分遥感估算方法,其特征在于,利用所述温度植被干旱指数,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分之间的第一非线性关系模型,包括:
将所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据通过空间聚合的方式升尺度至被动微波土壤水分产品的空间尺度;
选择与地形效应校正过程中相同大小的窗口,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分之间的第一非线性关系模型。
4.根据权利要求1所述山地地表土壤水分遥感估算方法,其特征在于,获取所述时空无缝的地表参数数据的方式为采用被动微波遥感、可见光近红外遥感和热红外遥感的多源遥感数据的获取方式获取所述时空无缝的地表参数数据。
5.根据权利要求1所述山地地表土壤水分遥感估算方法,其特征在于,判断所述第二山地地表土壤水分数据是否存在斑块效应的方式为:根据所述第二山地地表土壤水分数据是否存在像元窗口边界判断所述第二山地地表土壤水分数据是否存在斑块效应;若所述第二山地地表土壤水分数据存在像元窗口边界则存在斑块效应;否则不存在斑块效应。
6.山地地表土壤水分遥感估算装置,其特征在于,包括获取单元、模型建立单元、校正单元、处理单元、模型构建单元、第一输出单元、模型重建单元、第二输出单元与迭代求解单元;
所述获取单元,用于获取时空无缝的地表参数数据,所述时空无缝的地表参数数据包括地表温度数据与归一化植被指数数据;
所述模型建立单元,用于建立地表温度数据周期性变化特征模型,确定时空无缝的地表温度数据;
所述校正单元,用于利用山地高程数据对所述时空无缝的地表温度数据进行地形效应校正,得到地形效应校正后的山地地表温度数据,包括:将所述山地高程数据通过空间聚合的方式升尺度至所述时空无缝的地表温度数据的空间尺度,基于自适应窗口对窗口内所有所述地表温度数据与所述山地高程数据进行线性拟合,确定各个窗口内日尺度的所述时空无缝的地表温度数据随所述山地高程数据的变化速率;根据所述山地高程数据、所述变化速率与各个窗口内日尺度的所述时空无缝的地表温度数据,通过高程归一化得到所述地形效应校正后的山地地表温度数据;
所述处理单元,用于利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,计算温度植被干旱指数;
所述模型构建单元,用于利用所述温度植被干旱指数,构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与第一山地地表土壤水分之间的第一非线性关系模型;
所述第一输出单元,用于利用所述地形效应校正后的山地地表温度数据与所述归一化植被指数数据,根据所述第一非线性关系模型,确定第一山地地表土壤水分数据;
所述模型重建单元,用于使用迭代求解的方法,在设定尺度上基于自适应窗口,利用所述温度植被干旱指数,重新构建所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据与所述第一山地地表土壤水分数据之间的第二非线性关系模型;
所述第二输出单元,用于将所述地形效应校正后的山地地表温度数据和所述归一化植被指数数据导入所述第二非线性关系模型,得到第二山地地表土壤水分数据;
所述迭代求解单元,用于判断所述第二山地地表土壤水分数据是否存在斑块效应;若所述第二山地地表土壤水分数据不存在斑块效应,则所述第二山地地表土壤水分数据为目标山地地表土壤水分数据;若存在斑块效应,则重新使用迭代求解的方法获取所述第二山地地表土壤水分数据,直到所述第二山地地表土壤水分数据不存在斑块效应。
7.一种电子设备,其特征在于,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行权利要求1至5中任一项所述的山地地表土壤水分遥感估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791660.0A CN114880883B (zh) | 2022-07-07 | 2022-07-07 | 山地地表土壤水分遥感估算方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791660.0A CN114880883B (zh) | 2022-07-07 | 2022-07-07 | 山地地表土壤水分遥感估算方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114880883A CN114880883A (zh) | 2022-08-09 |
CN114880883B true CN114880883B (zh) | 2022-10-11 |
Family
ID=82683098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210791660.0A Active CN114880883B (zh) | 2022-07-07 | 2022-07-07 | 山地地表土壤水分遥感估算方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880883B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115777481A (zh) * | 2022-10-26 | 2023-03-14 | 中国科学院生态环境研究中心 | 干旱山地退化人工林改造和功能提升优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
CN107038700A (zh) * | 2016-11-24 | 2017-08-11 | 西安科技大学 | 基于gssim的土壤湿度空间分布特征定量分析方法 |
CN113836779A (zh) * | 2020-06-23 | 2021-12-24 | 西北农林科技大学 | 一种基于CNN的Sentinel多源数据的农田地表土壤水分反演方法 |
CN113888386A (zh) * | 2021-12-03 | 2022-01-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种高分辨率的时空无缝地表土壤水分估算方法及*** |
CN114120101A (zh) * | 2021-11-02 | 2022-03-01 | 武汉大学 | 一种土壤水分多尺度综合感知方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510231B (zh) * | 2015-11-25 | 2018-07-06 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
-
2022
- 2022-07-07 CN CN202210791660.0A patent/CN114880883B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
CN107038700A (zh) * | 2016-11-24 | 2017-08-11 | 西安科技大学 | 基于gssim的土壤湿度空间分布特征定量分析方法 |
CN113836779A (zh) * | 2020-06-23 | 2021-12-24 | 西北农林科技大学 | 一种基于CNN的Sentinel多源数据的农田地表土壤水分反演方法 |
CN114120101A (zh) * | 2021-11-02 | 2022-03-01 | 武汉大学 | 一种土壤水分多尺度综合感知方法 |
CN113888386A (zh) * | 2021-12-03 | 2022-01-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种高分辨率的时空无缝地表土壤水分估算方法及*** |
Non-Patent Citations (4)
Title |
---|
Seamless downscaling of the ESA CCI soil moisture data at the daily scale with MODIS land products;Wei Zhao .etc;《Journal of Hydrology》;20210914;1-17 * |
云雾覆盖下地表温度重建机器学习模型的习模型的训练集敏感性分析;何坤龙等;《遥感学报》;20210831;第25卷(第8期);1722-1734 * |
基于TVDI的山地平原过渡带土壤水分反演――以绵竹市为例;王娟等;《水土保持研究》;20180312(第02期);155-160,165 * |
基于温度植被干旱指数的华东地区AMSR-E土壤水分数据的空间降尺度研究;辛强等;《农业现代化研究》;20160915(第05期);956-963 * |
Also Published As
Publication number | Publication date |
---|---|
CN114880883A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | A framework for the retrieval of all-weather land surface temperature at a high spatial resolution from polar-orbiting thermal infrared and passive microwave data | |
Shi et al. | Spatial downscaling of monthly TRMM precipitation based on EVI and other geospatial variables over the Tibetan Plateau from 2001 to 2012 | |
Zhou et al. | Developing a fused vegetation temperature condition index for drought monitoring at field scales using Sentinel-2 and MODIS imagery | |
Jin et al. | Evaluation of topographic effects on multiscale leaf area index estimation using remotely sensed observations from multiple sensors | |
CN102539336B (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及*** | |
Song et al. | An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression | |
Zhou et al. | Reconstruction of time series leaf area index for improving wheat yield estimates at field scales by fusion of Sentinel-2,-3 and MODIS imagery | |
CN102540166A (zh) | 一种基于优化算法的高光谱传感器交叉辐射定标方法 | |
Song et al. | A 1-km daily surface soil moisture dataset of enhanced coverage under all-weather conditions over China in 2003–2019 | |
CN116011342B (zh) | 一种高分辨率热红外地表温度全天候重建方法 | |
CN116519913B (zh) | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 | |
CN114880883B (zh) | 山地地表土壤水分遥感估算方法、装置及电子设备 | |
Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
CN111751286A (zh) | 基于变化检测算法的土壤水分提取方法 | |
CN115980751A (zh) | 一种幂律模型InSAR对流层延迟改正方法 | |
CN114838827A (zh) | 一种基于mersi-ⅱ遥感数据的地表温度反演通道选择方法 | |
Ding et al. | Reconstruction of hourly all-weather land surface temperature by integrating reanalysis data and thermal infrared data from geostationary satellites (RTG) | |
CN116776651B (zh) | 地表蒸散发测算方法、装置、电子设备及存储介质 | |
He et al. | Direct estimation of land surface albedo from simultaneous MISR data | |
Xu et al. | Exploring the potential of Gaofen-1/6 for crop monitoring: Generating daily decametric-resolution leaf area index time series | |
Tan et al. | A new downscaling-calibration procedure for TRMM precipitation data over Yangtze River economic belt region based on a multivariate adaptive regression spline model | |
Zhu et al. | Spatial downscaling of satellite soil moisture products based on apparent thermal inertia: Considering the effect of vegetation condition | |
Wu et al. | Improving the capability of water vapor retrieval from Landsat 8 using ensemble machine learning | |
Xu et al. | Application of the two-source energy balance model with microwave-derived soil moisture in a semi-arid agricultural region | |
CN111175231B (zh) | 冠层植被指数的反演方法、装置及服务器 |
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 |