论文部分内容阅读
土壤水分是陆地生态系统的重要组成部分,其作为一种具有气、液、固三相物质形态并可相互转化的物质,在陆地与大气之间的水热传输、物质交换和能量平衡中发挥着巨大的作用。土壤内部各种化学、物理和生物过程都需要土壤水分的支持,同时,土壤水分是包括作物在内的许多植被主要汲水来源,通过改变土壤肥力、土壤温度和通气状况等生长条件,影响着植被的产量和品质。
传统基于监测站点的土壤水分监测方法费时费力、效率低下,遥感技术手段以其宏观性强、时效性快、监测面积广的独特优势,已成为目前土壤墒情信息获取的主要方法。不同地表形态和植被类型对电磁波的传播作用机理复杂,所以植被覆盖区的农田地表土壤水分反演仍是一项具有挑战性的任务。如何充分结合光学遥感和微波遥感优势特点,提高植被覆盖区农田地表土壤水分反演精度是本文的研究重点。为此,本文选择河北省衡水市景县作为研究区,以Lansat-7ETM+、Setninel-2光学遥感数据和Setninel-1主动微波遥感数据为基础,结合野外实地测量数据,分别利用基于光学遥感反演算法以及光学和微波遥感协同反演算法,实现了植被覆盖农田地表的土壤水分反演,验证了这两种反演算法的可行性,并对反演结果进行了对比。本次研究主要取得了以下成果:
(1)首先,利用Landsat-7ETM+的可见光和近红外波段分别计算NDVI、DVI、ARVI、RVI、SAVI和MSAVI6种光学植被指数。然后,以Landsat-7ETM+热红外波段数据为基础,通过单窗算法反演得到的地表温度LST。其次,利用6种植被指数与地表温度LST分别构建NDVI-LST、DVI-LST、ARVI-LST、RVI-LST、SAVI-LST和MSAVI-LST特征空间,并根据特征空间解算出对应的6种温度植被干旱指数TVDI。经实测土壤体积含水量数据的验证,由RVI-LST解算的R-TVDI反演精度最高,决定系数R2、均方根误差RMSE和平均绝对误差MAE分别达到0.5212、0.0476cm3/cm3和0.0391cm3/cm3。
(2)在考虑植被层含水量VWC的基础上,引入植被覆盖度fv和植被高度h对原始水云模型进行改进,可以更加准确地获取地表裸土后向散射系数?s0。改进水云模型的VWC参数由归一化水体指数NDWI1610构建反演模型,NDWI1610和实测植被含水量具有良好的相关性,R2为0.8343,RMSE为0.7377kg/m2。植被覆盖度采用像元二分法进行计算,通过分析研究区NDVI的累计分布概率,确定NDWImin和NDWImax分别为0.2397和0.8482。植被冠层高度根据雷达极化比(VH/VV)和实测玉米植被高度的拟合关系式求解,决定系数R2为0.4609,能基本满足反演模型的需要。
(3)Sentinel-1VH极化模式信号传播过程容易受到植被层影响,而VV极化模式穿透能力较强,能更好地捕捉植被层下垫面土壤后向散射系数变化的信息。在VV极化条件下,改进水云模型和Oh模型的组合方法具有较高的反演精度,决定系数R2为0.6530,均方根误差RMSE为0.0401cm3/cm3,平均绝对误差MAE为0.0327cm3/cm3,这三项反演精度评价指标均优于VH极化。
(4)通过基于R-TVDI温度植被干旱指数的光学遥感反演算法与基于改进水云模型和Oh模型组合方法的光学与微波遥感协同反演算法反演精度对比分析表明,协同反演算法在R2、RMSE和MAE这3项误差评价指标方面表现更为优良,能更加准确地反映研究区植被覆盖农田地表土壤水分分布情况。
传统基于监测站点的土壤水分监测方法费时费力、效率低下,遥感技术手段以其宏观性强、时效性快、监测面积广的独特优势,已成为目前土壤墒情信息获取的主要方法。不同地表形态和植被类型对电磁波的传播作用机理复杂,所以植被覆盖区的农田地表土壤水分反演仍是一项具有挑战性的任务。如何充分结合光学遥感和微波遥感优势特点,提高植被覆盖区农田地表土壤水分反演精度是本文的研究重点。为此,本文选择河北省衡水市景县作为研究区,以Lansat-7ETM+、Setninel-2光学遥感数据和Setninel-1主动微波遥感数据为基础,结合野外实地测量数据,分别利用基于光学遥感反演算法以及光学和微波遥感协同反演算法,实现了植被覆盖农田地表的土壤水分反演,验证了这两种反演算法的可行性,并对反演结果进行了对比。本次研究主要取得了以下成果:
(1)首先,利用Landsat-7ETM+的可见光和近红外波段分别计算NDVI、DVI、ARVI、RVI、SAVI和MSAVI6种光学植被指数。然后,以Landsat-7ETM+热红外波段数据为基础,通过单窗算法反演得到的地表温度LST。其次,利用6种植被指数与地表温度LST分别构建NDVI-LST、DVI-LST、ARVI-LST、RVI-LST、SAVI-LST和MSAVI-LST特征空间,并根据特征空间解算出对应的6种温度植被干旱指数TVDI。经实测土壤体积含水量数据的验证,由RVI-LST解算的R-TVDI反演精度最高,决定系数R2、均方根误差RMSE和平均绝对误差MAE分别达到0.5212、0.0476cm3/cm3和0.0391cm3/cm3。
(2)在考虑植被层含水量VWC的基础上,引入植被覆盖度fv和植被高度h对原始水云模型进行改进,可以更加准确地获取地表裸土后向散射系数?s0。改进水云模型的VWC参数由归一化水体指数NDWI1610构建反演模型,NDWI1610和实测植被含水量具有良好的相关性,R2为0.8343,RMSE为0.7377kg/m2。植被覆盖度采用像元二分法进行计算,通过分析研究区NDVI的累计分布概率,确定NDWImin和NDWImax分别为0.2397和0.8482。植被冠层高度根据雷达极化比(VH/VV)和实测玉米植被高度的拟合关系式求解,决定系数R2为0.4609,能基本满足反演模型的需要。
(3)Sentinel-1VH极化模式信号传播过程容易受到植被层影响,而VV极化模式穿透能力较强,能更好地捕捉植被层下垫面土壤后向散射系数变化的信息。在VV极化条件下,改进水云模型和Oh模型的组合方法具有较高的反演精度,决定系数R2为0.6530,均方根误差RMSE为0.0401cm3/cm3,平均绝对误差MAE为0.0327cm3/cm3,这三项反演精度评价指标均优于VH极化。
(4)通过基于R-TVDI温度植被干旱指数的光学遥感反演算法与基于改进水云模型和Oh模型组合方法的光学与微波遥感协同反演算法反演精度对比分析表明,协同反演算法在R2、RMSE和MAE这3项误差评价指标方面表现更为优良,能更加准确地反映研究区植被覆盖农田地表土壤水分分布情况。