CN115797785A - 基于微波遥感的农田灌溉频率确定方法及装置 - Google Patents
基于微波遥感的农田灌溉频率确定方法及装置 Download PDFInfo
- Publication number
- CN115797785A CN115797785A CN202310084951.0A CN202310084951A CN115797785A CN 115797785 A CN115797785 A CN 115797785A CN 202310084951 A CN202310084951 A CN 202310084951A CN 115797785 A CN115797785 A CN 115797785A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- evapotranspiration
- irrigation
- soil moisture
- 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.)
- Granted
Links
- 238000003973 irrigation Methods 0.000 title claims abstract description 147
- 230000002262 irrigation Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002689 soil Substances 0.000 claims abstract description 106
- 238000001514 detection method Methods 0.000 claims abstract description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 46
- 230000003287 optical effect Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000001556 precipitation Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012952 Resampling Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000004907 flux Effects 0.000 description 14
- 230000005855 radiation Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 5
- 230000003746 surface roughness Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例提供了一种基于微波遥感的农田灌溉频率确定方法及装置，涉及农田灌溉技术领域，其中，该方法包括：获取待检测灌溉区域的微波遥感数据和光学遥感数据；根据所述微波遥感数据反演得到土壤水分数据，根据所述光学遥感数据反演得到蒸散发数据；将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，所述检测模型输出所述待检测灌溉区域的灌溉频率，其中，所述检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的。该方案有利于提高确定农田灌溉频率的准确性、时效性。
Description
技术领域
本发明涉及农田灌溉技术领域，特别涉及一种基于微波遥感的农田灌溉频率确定方法及装置。
背景技术
世界人口的加速增长给全球粮食供应带来巨大压力。扩大耕地可以抵消许多地区粮食短缺的增加，但由于对生物多样性的不利和深远影响，这种扩大是有限的。因此，灌溉面积的扩大和农业技术的改进预计将为满足日益增长的粮食需求做出重大贡献。灌溉农业占全球农作物产量的40%，是世界粮食生产的重要组成部分，特别是在半干旱和干旱地区。除了保持充足的土壤水分以促进健康生长和最佳产量，灌溉还可以保护作物在寒冷季节免受霜冻的危害并抑制粮田杂草的生长。此外，灌溉是全球水循环和陆地水平衡的重要组成部分。目前，它占全球淡水使用总量的约70%，占消费用水的约90%。因此，灌溉的范围、频率等信息对于广泛的研究，包括粮食安全和经济发展，陆地表面和大气之间的水和能量交换，农业和生态***之间的水资源分配，以及农业-气候相互作用和反馈，都非常重要。
传统的农田灌溉信息检测方法包括：（1）人工调查统计法，通过工作人员下基层调查灌溉信息并打点记录；（2）传感器监测法，通过在田间布设土壤湿度传感器，利用土壤湿度变化情况检测灌溉信息。上述传统检测方法耗时费力，且只能得到若干点的数据，覆盖范围有限，代表性较差，无法快速反映空间灌溉信息，影响到农田灌溉管理措施的时效性。
遥感被公认为是提取灌溉信息的有效工具，关于利用遥感绘制灌溉地图的研究很多，但主要集中在绘制灌溉面积上，没有考虑频率信息。MODIS和Landsat等数据已被用于区域和全球范围的灌区制图。利用光学遥感数据检测灌溉信息可以用以下假设来描述：灌溉产生的水渗入土壤，使土壤更加湿润，表面可能有积水，这意味着遥感湿度指数的变化可以作为检测灌溉的指标。
但是，光学遥感手段检测灌溉信息存在的问题是：农田通常植被覆盖密度较大，灌溉水分通常隐藏在植被之下，光学传感器很难准确捕捉水分信息，进而影响了灌溉信息检测的准确性。
发明内容
有鉴于此，本发明实施例提供了一种基于微波遥感的农田灌溉频率确定方法，以解决现有技术中灌溉信息确定时存在的准确度低的技术问题。该方法包括：
获取待检测灌溉区域的微波遥感数据和光学遥感数据；
根据所述微波遥感数据反演得到土壤水分数据，根据所述光学遥感数据反演得到蒸散发数据；
将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，所述检测模型输出所述待检测灌溉区域的灌溉频率，其中，所述检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的。
本发明实施例还提供了一种基于微波遥感的农田灌溉频率确定装置，以解决现有技术中灌溉信息确定时存在的准确度低的技术问题。该装置包括：
数据获取模块，用于获取待检测灌溉区域的微波遥感数据和光学遥感数据；
数据反演模块，用于根据所述微波遥感数据反演得到土壤水分数据，根据所述光学遥感数据反演得到蒸散发数据；
灌溉频率计算模块，用于将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，所述检测模型输出所述待检测灌溉区域的灌溉频率，其中，所述检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的基于微波遥感的农田灌溉频率确定方法，以解决现有技术中灌溉信息确定时存在的准确度低的技术问题。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的基于微波遥感的农田灌溉频率确定方法的计算机程序，以解决现有技术中灌溉信息确定时存在的准确度低的技术问题。
与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：提出了基于待检测灌溉区域的微波遥感数据反演得到土壤水分数据，基于待检测灌溉区域的光学遥感数据反演得到蒸散发数据，进而将土壤水分数据、蒸散发数据和待检测灌溉区域的水分相关数据，输入检测模型，检测模型即可输出待检测灌溉区域的灌溉频率，检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的，实现了基于微波遥感数据来确定检测灌溉区域的灌溉频率，与现有技术中仅采用光学遥感数据检测灌溉信息的方案相比，微波遥感具有全天时、全天候、高分辨率、穿透性强及对土壤水分变化敏感的优势，比光学遥感数据更能准确捕捉水分信息，微波遥感数据的使用有利于提高确定农田灌溉频率的准确性、时效性；同时，采用土壤水分数据代替光学遥感数据反演的湿度指数作为检测灌溉信息的理想指标，由于灌溉后田间蒸散发量明显增加，引入蒸散发数据进行灌溉频率的确定，还引入了水分相关数据，使得结合土壤水分数据、蒸散发数据以及水分相关数据来确定灌溉频率，进一步有利于提高了确定农田灌溉频率的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，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它的附图。
图1是本发明实施例提供的一种基于微波遥感的农田灌溉频率确定方法的流程图；
图2是本发明实施例提供的一种1D-CNN模型结构的示意图；
图3是本发明实施例提供的一种训练上述检测模型的流程示意图；
图4是本发明实施例提供的一种计算机设备的结构框图；
图5是本发明实施例提供的一种基于微波遥感的农田灌溉频率确定装置的结构框图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明实施例中，提供了一种基于微波遥感的农田灌溉频率确定方法，如图1所示，该方法包括：
步骤S101：获取待检测灌溉区域的微波遥感数据和光学遥感数据；
步骤S102：根据所述微波遥感数据反演得到土壤水分数据，根据所述光学遥感数据反演得到蒸散发数据；
步骤S103：将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，所述检测模型输出所述待检测灌溉区域的灌溉频率，其中，所述检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的。
由图1所示的流程可知，在本发明实施例中，实现了基于微波遥感数据来确定检测灌溉区域的灌溉频率，与现有技术中仅采用光学遥感数据检测灌溉信息的方案相比，微波遥感具有全天时、全天候、高分辨率、穿透性强及对土壤水分变化敏感的优势，比光学遥感数据更能准确捕捉水分信息，微波遥感数据的使用有利于提高确定农田灌溉频率的准确性；同时，采用土壤水分数据代替光学遥感数据反演的湿度指数作为检测灌溉信息的理想指标，由于灌溉后田间蒸散发量明显增加，引入蒸散发数据进行灌溉频率的确定，还引入了水分相关数据，使得结合土壤水分数据、蒸散发数据以及水分相关数据来确定灌溉频率，进一步有利于提高了确定农田灌溉频率的准确性。
具体实施时，上述待检测灌溉区域可以是任意面积的、需要检测灌溉信息的农田区域。
具体实施时，上述微波遥感数据是可以用于土壤水分反演的遥感数据，例如，SAR雷达卫星数据有
、高分三号、TERRASAR，均可用于土壤水分反演。
具体实施时，在根据微波遥感数据反演得到土壤水分数据之前，可以对微波遥感数据进行预处理。例如，获取研究区（即待检测灌溉区域）的Sentinel-1地面范围检测(GRD)高分辨率（HR）干涉宽幅模式(IW)卫星影像后，可以利用欧空局提供的Sentinel-1Toolbox（S1TBX）软件进行预处理。预处理步骤可以包括（1）应用轨道文件（2）GRD边界噪声去除（3）热噪声消除（4）辐射定标（5）地理校正，得到VV和VH极化下的观测值及入射角。
具体实施时，为了提高确定农田灌溉频率的精度，在本实施例中，提出了一种反演土壤水分数据的方法，例如，根据所述微波遥感数据的雷达后向散射系数、雷达入射角以及极化方式，确定土壤介电常数；采用介电混合模型，将所述土壤介电常数转换为土壤体积含水量。
具体实施时，雷达后向散射系数主要受到土壤介电常数（主要取决于土壤水分）、地表粗糙度和植被覆盖等因素的影响。假定地表粗糙度和植被状况在一定时间内是不变的，雷达后向散射系数的变化可以归结为土壤介电常数（土壤水分）的变化。土壤水分及其变化信息的提取可采用多时相重复观测的方法。对于2个时相T1和T2获取的SAR影像，假设在这个时间间隔内地表的粗糙度保持不变，并且地表粗糙度和植被对于雷达后向散射系数的影响是乘性的，那么这2个时相获取的雷达后向散射系数的比值可以近似看成土壤介电常数、雷达入射角以及极化方式的函数。该模型又被称为Alpha近似模型，可以表达为：
式中
表示雷达后向散射系数（能量）；
为雷达入射角度；
为土壤相对介电常数；
表示雷达数据获取的时间；
为极化幅度，是雷达入射角度和土壤介电常数的函数；PP表示极化方式，为HH或者VV。经研究发现，VV极化
对土壤含水量的差异更为敏感，因此选用
反演农田土壤水分。
若采用小扰动模型描述地表的散射，PP为VV，
极化幅度可表达为：
在获取2个时相的SAR影像之后，可以根据公式（1）得到一个观测方程：
为了保证假设的合理性，通常采用连续的2幅影像构成一个观测方程。对于N景连续观测的SAR影像，可以构成
个方程，其组成方程组为：
对于方程组（4），存在N个土壤水分未知数，存在无数多个解。为了方程组进行求解，需要对
的取值范围进行限定，进而采用边界约束最小二乘算法进行求解。对于给定的雷达入射角度和土壤水分范围，
的取值约束条件表达为：
式中
分别表示极化幅度
在给定雷达入射角和土壤水分范围条件下的最小值和最大值。对方程组采用边界约束最小二乘进行求解，得到极化幅度
的值，进而可以根据式（2）求得土壤的介电常数
，最后采用介电混合模型将介电常数转为土壤体积含水量
。
具体实施时，反演得到的土壤含水量数据的空间分辨率可以根据需求确定，例如，反演得到的土壤含水量数据的空间分辨率可以为10m，时间间隔可以为6天。
具体实施时，为了进一步提高确定农田灌溉频率的精度，在本实施例中，提出了反演蒸散发数据的方法，例如，将所述光学遥感数据和气象数据输入SEBAL模型，所述SEBAL模型基于地表能量平衡原理反演得到所述待检测灌溉区域的蒸散发数据。
具体实施时，上述光学遥感数据可以采用MODIS（中分辨率成像光谱仪）数据。由于原始的MODIS数据是采用分级数据格式hdf格式、正弦曲线投影SIN存储的，使用时需利用NASA提供的MRT软件，将hdf格式的MODIS数据转为Geotiff格式，并进行投影转换和重采样等操作。例如，在SEBAL（陆面能量平衡）模型中反演蒸散发数据时，使用的MODIS数据可以包括MOD11A1、MOD13A2和MCD43B3。
具体实施时，SEBAL（Surface EnergyBalance Algorithms for Land）模型是基于地表能量平衡原理反演区域蒸散的模型，它通过能量平衡余项法估算图像获取时刻的瞬时蒸散发量，并假设蒸散发比在一天之内为常数，结合瞬时蒸散发量与蒸散发比将蒸散发值转换到日尺度的蒸散量，从而计算全天的总蒸散发量。该方法在计算时只需向SEBAL模型输入光学遥感影像和少量气象数据（气温、风速），就能得到地表净辐射量（Rn）、土壤热通量（G）、感热通量（H）和潜热通量（λET）。在SEBAL模型中地表能量平衡原理的计算公式如下：
MODIS产品数据可以为SEBAL模型的计算直接提供地表温度、归一化植被指数和地表反射率等特征参数。
下面是SEBAL模型中各地表参数的具体计算方法。
（1）净辐射量Rn
Rn是地表所获得的各种辐射之和，可通过地表反照率、地表比辐射率等计算得到，计算公式如下：
入射的太阳短波辐射
的计算公式为：
上行的长波辐射
与下行的长波辐射
可由斯蒂芬-玻尔兹曼定律得到，计算公式如下：
其中
是太阳常数，取值
；
是太阳天顶角；
是大气比辐射率；
为地表比辐射率；
为斯蒂芬-玻尔兹曼常数，取值
；
是空气温度；
是地表温度；
是以天文单位表示的日地距离；J是影像获取日期在太阳历中排列序号。
其中，Z为研究区的高程，单位为m，可从遥感影像中获得。
地表反射率
是表征地球表面对太阳辐射反射能力的量，它随着时空变化而变化。地表反照率可由大气外反照率经过大气辐射矫正后获得。对于 MODIS数据而言，地表反照率为可见光及近红外波段的地表反射率，这里将转换系数定义为各窄波段入射光通量占整个宽波段的入射通量的比例，得到地表反照率的计算公式：
式中：
为地表反色率，
比辐射率
是一个无量纲的量，取值在0-1之间。物体的比辐射率是物体发射能力的表现，本文利用归一化植被指数NDVI来表示比辐射率，计算公式为：
（2）土壤热通量G
土壤热通量是指由于传导作用而存储在土壤和植被中的那部分能量，通过地表温度
的统计关系得到，公式如下：
其中，
为地表温度，单位为K。
（3）感热通量H
感热通量是关于大气稳定度、风速和表面粗糙度的函数，是指通过传导和对流作用散失到大气中的部分能量，公式如下：
空气动力学阻力rah需引入风速、
、地面高程等参数，通过计算空气密度、摩擦风速和地表粗糙度而得到。其计算公式如下：
其中，在实际应用中
为中性稳定度下的摩擦风速；k是VonKarman常数，取值0.41；
是距地面
处的风速，
取200m或者100m；
是气象站点离地面
处的实测风速，风速的单位为
。
dT的计算需利用莫宁-奥布霍夫理论来计算，通过选择遥感影像上的植被生长茂盛、温度低、水分供应充足的像元（即“冷点”）和无植被覆盖、干燥、温度高的像元（即“热点”）来建立地表温度与dT的线性关系，即dT=a，循环递归计算得到dT，其中“冷点”可以是植被完全覆盖的区域或者水体，在“热点”上蒸散量近似为0，可忽略。
（4）日蒸散量ET24
将上面各式计算得到的Rn、G、H带入能量能量平衡原理公式中，计算得到瞬时潜热通量λET，潜热通量中的λ即为汽化潜热，是一个常数，潜热通量中的ET即为所需蒸散发量，ET的计算需将瞬时的潜热通量通过蒸散发比转换得到日尺度的蒸散量，一般在计算日蒸散量时，可以忽略土壤热通量G，故日蒸散量ET24的计算公式如下：
其中，
为一天内的净辐射量，
是一天24h内的蒸发比。
具体实施时，上述待检测灌溉区域的水分相关数据可以包括反映植被水分胁迫的数据和/或影响灌溉水分的数据，例如，可以包括绿度指数和降水量。
具体的，绿度指数
是近红外与绿度光谱的比值，它对叶绿素含量的影响比其他植被指数更敏感，因此被认为是监测植被水分胁迫的一个很好的指标。加入空间降水数据可以排除降水对空间灌溉信息映射的干扰。
具体实施时，为了进一步提高确定农田灌溉频率的准确性，在本实施例中，提出了在确定农田灌溉频率之前，使土壤水分数据、蒸散发数据、绿度指数以及降水量这些数据在空间尺度上匹配，例如，按照预设空间分辨率对所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量进行重采样，使得重采样后的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量的空间分辨率均为预设空间分辨率，进而将重采样后的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量输入所述检测模型。
具体实施时，由于灌溉频率(村庄尺度)、蒸散发量（1km）、土壤水分（10m）、降水
及绿度指数GI（10m）具有不同的空间分辨率和数据结构，为了提高灌溉频率的精度，需要重采样以使这些数据集在空间尺度上匹配，因此，可以按照预设空间分辨率对土壤水分数据、蒸散发数据、绿度指数以及降水量进行重采样，预设空间分辨率的具体大小可以根据需求确定，例如，预设空间分辨率可以是10m分辨率，将粗于10m分辨率的数据均重采样为10m分辨率。
具体实施时，重采样后的每个降水像素可能被一个网格
完全覆盖或被几个网格部分覆盖，为了精准确定重采样后的每个降水像素的降水，以便提高降水数据的准确性，在本实施例中，提出了通过以下公式计算重采样后的每个像素的降水量：
其中，
为重采样后的该像素的降水量，
是第
个组成所述重采样后的该像素的网格占所述重采样后的该像素的面积百分比，
是第
个组成所述重采样后的该像素的网格的降水量，n是组成所述重采样后的该像素的网格总个数。
具体实施时，将灌溉频率(村庄尺度)重采样为10m后，在村庄边界处仍然会出现部分10m像元被几个不同村庄网格所覆盖，同样可以利用上述面积百分比加权法公式（24）计算部分像元的灌溉频率再取整。
具体实施时，为了进一步提高确定农田灌溉频率的精度，在本实施例中，提出了将所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量等数据插值为等距时间序列的数据集，例如，将重采样后的所述绿度指数以及所述降水量进行线性插值，使得线性插值后的所述绿度指数以及所述降水量均与所述土壤水分数据时间序列匹配，所述蒸散发数据每天都有，不需要进行插值处理，再将所述土壤水分数据、所述蒸散发数据、线性插值后的所述绿度指数以及线性插值后的所述降水量按照时间序列进行排序，即得到每个像素对应的按照时间序列排序且空间分辨率一致的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量，进而将每个像素对应的按照时间序列排序且空间分辨率一致的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量输入所述检测模型。
具体实施时，上述时间序列是建立像素层面上的。由于SAR反演的土壤水分数据时间间隔为6天，我们对绿度指数GI、降雨量Pre进行线性插值，以匹配SAR反演的土壤水分数据，蒸散发量每天都有，不需要进行插值处理。为了去除时间序列中的噪声，应用了
滤波器对时间序列进行平滑处理，最后对土壤水分SM、蒸散发量ET、绿度指数GI以及降水量Pre进行归一化处理。
具体实施时，上述检测模型可以通过训练
网络得到，如图2所示，在图2中，特征对应的三列数据分别为在时间序列上排序后的土壤体积含水量、蒸散发量以及水分相关数据，粗线框中的数据表示为输入卷积核的3X3的数据矩阵，上述检测模型检测灌溉频率（IrrigationFrequency，IF）的映射关系为：
为避免在进行检测过程中灌溉频率出现小数，需要将检测模型的输出转换为监督分类问题的形式，而不是回归问题。然后建立灌溉频率IF与土壤水分SM、蒸散发量ET、绿度指数GI、降水量Pre的关系模型。
具体实施时，如图3所示，在训练上述检测模型的过程中，采集待检测灌溉区域过去一段时长内的微波遥感数据，微波遥感数据以采用历史的
数据为例，通过
数据反演得到历史土壤体积含水量，并采用MODIS通过SEBAL模型反演得到历史蒸散发量，进而按照预设空间分辨率对历史降水量（降雨量）、历史绿度指数、历史土壤体积含水量以及历史蒸散发量进行重采样，实现空间尺寸匹配，进而将重采样后的历史降水量（降雨量）、历史绿度指数、历史土壤体积含水量以及历史蒸散发量按照历史时间序列进行排序，实现时间序列匹配，得到每个像元时间序列对应的数据集，最后，将待检测灌溉区域的灌溉范围数据、灌溉频率、历史降水量（降雨量）、历史绿度指数、历史土壤体积含水量以及历史蒸散发量作为样本，将对应时间序列像元不同特征组合作为一个训练样本集，输入到
模型利用空间交叉验证方法进行训练，循环10次，每次抽取样本的90%进行训练，10%进行验证，最后计算平均误差。
具体实施时，在训练上述检测模型的过程中，可以采用第一预设时长内的历史相关数据集作为样本进行训练，在使用检测模型确定待检测灌溉区域的农田灌溉频率的过程中，可以采用第二预设时长内的相关数据集进行检测，上述第一预设时长和第二预设时长可以相同也可以不同，上述第一预设时长和第二预设时长的具体时长可以根据需求确定，例如，可以是几个月、半年、一年等。
在本实施例中，提供了一种计算机设备，如图4所示，包括存储器401、处理器402及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的基于微波遥感的农田灌溉频率确定方法。
具体的，该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的基于微波遥感的农田灌溉频率确定方法的计算机程序。
具体的，计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
基于同一发明构思，本发明实施例中还提供了一种基于微波遥感的农田灌溉频率确定装置，如下面的实施例所述。由于基于微波遥感的农田灌溉频率确定装置解决问题的原理与基于微波遥感的农田灌溉频率确定方法相似，因此基于微波遥感的农田灌溉频率确定装置的实施可以参见基于微波遥感的农田灌溉频率确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本发明实施例的基于微波遥感的农田灌溉频率确定装置的一种结构框图，如图5所示，该装置包括：
数据获取模块501，用于获取待检测灌溉区域的微波遥感数据和光学遥感数据；
数据反演模块502，用于根据所述微波遥感数据反演得到土壤水分数据，根据所述光学遥感数据反演得到蒸散发数据；
灌溉频率计算模块503，用于将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，所述检测模型输出所述待检测灌溉区域的灌溉频率，其中，所述检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的。
在一个实施例中，数据反演模块，包括：
土壤水分数据反演单元，用于根据所述微波遥感数据的雷达后向散射系数、雷达入射角以及极化方式，确定土壤介电常数；采用介电混合模型，将所述土壤介电常数转换为土壤体积含水量。
在一个实施例中，数据反演模块，还包括：
蒸散发数据反演单元，用于将所述光学遥感数据和气象数据输入SEBAL模型，所述SEBAL模型基于地表能量平衡原理反演得到所述待检测灌溉区域的蒸散发数据。
在一个实施例中，灌溉频率计算模块，用于按照预设空间分辨率对所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量进行重采样，重采样后的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量输入所述检测模型。
在一个实施例中，上述装置还包括：
降水量确定模块，用于通过以下公式计算重采样后的每个像素的降水量：
其中，
为重采样后的该像素的降水量，
是第
个组成所述重采样后的该像素的网格占所述重采样后的该像素的面积百分比，
是第
个组成所述重采样后的该像素的网格的降水量，n是组成所述重采样后的该像素的网格总个数。
在一个实施例中，灌溉频率计算模块，还用于将重采样后的所述绿度指数以及所述降水量进行线性插值，线性插值后的所述绿度指数以及所述降水量均与所述土壤水分数据时间序列匹配，再将所述土壤水分数据、所述蒸散发数据、线性插值后的所述绿度指数以及线性插值后的所述降水量按照时间序列进行排序，将每个像素对应的按照时间序列排序且空间分辨率一致的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量输入所述检测模型。
本发明实施例实现了如下技术效果：实现了基于微波遥感数据来确定检测灌溉区域的灌溉频率，与现有技术中仅采用光学遥感数据检测灌溉信息的方案相比，微波遥感具有全天时、全天候、高分辨率、穿透性强及对土壤水分变化敏感的优势，比光学遥感数据更能准确捕捉水分信息，微波遥感数据的使用有利于提高确定农田灌溉频率的准确性；同时，采用土壤水分数据代替光学遥感数据反演的湿度指数作为检测灌溉信息的理想指标，由于灌溉后田间蒸散发量明显增加，引入蒸散发数据进行灌溉频率的确定，还引入了水分相关数据，使得结合土壤水分数据、蒸散发数据以及水分相关数据来确定灌溉频率，进一步有利于提高了确定农田灌溉频率的准确性。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述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，本发明实施例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 (10)
1.一种基于微波遥感的农田灌溉频率确定方法，其特征在于，包括：
获取待检测灌溉区域的微波遥感数据和光学遥感数据；
根据所述微波遥感数据反演得到土壤水分数据，根据所述光学遥感数据反演得到蒸散发数据；
将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，所述检测模型输出所述待检测灌溉区域的灌溉频率，其中，所述检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的。
2.如权利要求1所述的基于微波遥感的农田灌溉频率确定方法，其特征在于，根据所述微波遥感数据反演得到土壤水分数据，包括：
根据所述微波遥感数据的雷达后向散射系数、雷达入射角以及极化方式，确定土壤介电常数；
采用介电混合模型，将所述土壤介电常数转换为土壤体积含水量。
3.如权利要求1所述的基于微波遥感的农田灌溉频率确定方法，其特征在于，根据所述光学遥感数据反演得到蒸散发数据，包括：
将所述光学遥感数据和气象数据输入SEBAL模型，所述SEBAL模型基于地表能量平衡原理反演得到所述待检测灌溉区域的蒸散发数据。
4.如权利要求1至3中任一项所述的基于微波遥感的农田灌溉频率确定方法，其特征在于，所述待检测灌溉区域的水分相关数据包括绿度指数和降水量。
5.如权利要求4所述的基于微波遥感的农田灌溉频率确定方法，其特征在于，将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，包括：
按照预设空间分辨率对所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量进行重采样，重采样后的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量输入所述检测模型。
6.如权利要求5所述的基于微波遥感的农田灌溉频率确定方法，其特征在于，还包括：
通过以下公式计算重采样后的每个像素的降水量：
其中，
为重采样后的该像素的降水量，
是第
个组成所述重采样后的该像素的网格占所述重采样后的该像素的面积百分比，
是第
个组成所述重采样后的该像素的网格的降水量，n是组成所述重采样后的该像素的网格总个数。
7.如权利要求5所述的基于微波遥感的农田灌溉频率确定方法，其特征在于，将重采样后的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量输入所述检测模型，包括：
将重采样后的所述绿度指数以及所述降水量进行线性插值，线性插值后的所述绿度指数以及所述降水量均与所述土壤水分数据时间序列匹配，再将所述土壤水分数据、所述蒸散发数据、线性插值后的所述绿度指数以及线性插值后的所述降水量按照时间序列进行排序，将每个像素对应的按照时间序列排序且空间分辨率一致的所述土壤水分数据、所述蒸散发数据、所述绿度指数以及所述降水量输入所述检测模型。
8.一种基于微波遥感的农田灌溉频率确定装置，其特征在于，包括：
数据获取模块，用于获取待检测灌溉区域的微波遥感数据和光学遥感数据；
数据反演模块，用于根据所述微波遥感数据反演得到土壤水分数据，根据所述光学遥感数据反演得到蒸散发数据；
灌溉频率计算模块，用于将所述土壤水分数据、所述蒸散发数据和所述待检测灌溉区域的水分相关数据，输入检测模型，所述检测模型输出所述待检测灌溉区域的灌溉频率，其中，所述检测模型是以历史土壤水分数据、历史蒸散发数据和历史水分相关数据为样本训练机器学习组件得到的。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于微波遥感的农田灌溉频率确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7中任一项所述的基于微波遥感的农田灌溉频率确定方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310084951.0A CN115797785B (zh) | 2023-02-09 | 2023-02-09 | 基于微波遥感的农田灌溉频率确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310084951.0A CN115797785B (zh) | 2023-02-09 | 2023-02-09 | 基于微波遥感的农田灌溉频率确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115797785A true CN115797785A (zh) | 2023-03-14 |
| CN115797785B CN115797785B (zh) | 2023-05-05 |
Family
ID=85430602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310084951.0A Active CN115797785B (zh) | 2023-02-09 | 2023-02-09 | 基于微波遥感的农田灌溉频率确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115797785B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及*** |
| CN111079256A (zh) * | 2019-11-18 | 2020-04-28 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
| CN113470175A (zh) * | 2021-06-11 | 2021-10-01 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
| US20220197317A1 (en) * | 2020-03-17 | 2022-06-23 | Heartland Ag Tech, Inc. | Systems and methods for predictive irrigation system maintenance |
| CN115530054A (zh) * | 2022-10-12 | 2022-12-30 | 河北省科学院应用数学研究所 | 灌溉控制方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-09 CN CN202310084951.0A patent/CN115797785B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及*** |
| CN111079256A (zh) * | 2019-11-18 | 2020-04-28 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
| US20220197317A1 (en) * | 2020-03-17 | 2022-06-23 | Heartland Ag Tech, Inc. | Systems and methods for predictive irrigation system maintenance |
| CN113470175A (zh) * | 2021-06-11 | 2021-10-01 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
| CN115530054A (zh) * | 2022-10-12 | 2022-12-30 | 河北省科学院应用数学研究所 | 灌溉控制方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 何连 等: "利用多时相Sentinel-1 SAR数据反演农田地表土壤水分" * |
| 黄永江: "大型灌区用水效率综合评价研究——以内蒙古引黄灌区为例" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115797785B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
| Long et al. | Generation of MODIS-like land surface temperatures under all-weather conditions based on a data fusion approach | |
| Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
| Peng et al. | Spatial downscaling of satellite soil moisture data using a vegetation temperature condition index | |
| Zhao et al. | Normalization of the temporal effect on the MODIS land surface temperature product using random forest regression | |
| Minacapilli et al. | A time domain triangle method approach to estimate actual evapotranspiration: Application in a Mediterranean region using MODIS and MSG-SEVIRI products | |
| Kolotii et al. | Comparison of biophysical and satellite predictors for wheat yield forecasting in Ukraine | |
| Dente et al. | Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield | |
| Zhang et al. | A decadal (2008–2017) daily evapotranspiration data set of 1 km spatial resolution and spatial completeness across the North China Plain using TSEB and data fusion | |
| Hu et al. | Improved estimates of monthly land surface temperature from MODIS using a diurnal temperature cycle (DTC) model | |
| Shi et al. | Spatial downscaling of monthly TRMM precipitation based on EVI and other geospatial variables over the Tibetan Plateau from 2001 to 2012 | |
| Song et al. | An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression | |
| Imukova et al. | Determining the spatial and temporal dynamics of the green vegetation fraction of croplands using high-resolution RapidEye satellite images | |
| Mitra et al. | Evaluation of INSAT-3D satellite derived precipitation estimates for heavy rainfall events and its validation with gridded GPM (IMERG) rainfall dataset over the Indian region | |
| Gebremedhin et al. | Deriving potential evapotranspiration from satellite-based reference evapotranspiration, Upper Tekeze Basin, Northern Ethiopia | |
| Hu et al. | A physical method for downscaling land surface temperatures using surface energy balance theory | |
| Lee et al. | A comparative study on generating simulated Landsat NDVI images using data fusion and regression method—the case of the Korean Peninsula | |
| Pieri et al. | Estimation of actual evapotranspiration in fragmented Mediterranean areas by the spatio-temporal fusion of NDVI data | |
| Zhu et al. | An observation-driven optimization method for continuous estimation of evaporative fraction over large heterogeneous areas | |
| Yang et al. | Capturing the spatiotemporal variations in the gross primary productivity in coastal wetlands by integrating eddy covariance, Landsat, and MODIS satellite data: A case study in the Yangtze Estuary, China | |
| Xu et al. | Exploring the potential of Gaofen-1/6 for crop monitoring: Generating daily decametric-resolution leaf area index time series | |
| Fang et al. | AMSR‐E soil moisture disaggregation using MODIS and NLDAS data | |
| Xu et al. | Application of the two-source energy balance model with microwave-derived soil moisture in a semi-arid agricultural region | |
| CN116776651A (zh) | 地表蒸散发测算方法、装置、电子设备及存储介质 | |
| Gutman et al. | Albedo of the US Great Plains as determined from NOAA-9 AVHRR data |
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 |