多源遥感数据反演土壤水分方法
多源遥感在土壤水分定量反演中应用概述
多源遥感在土壤水分定量反演中应用概述摘要:土壤水分作为土壤的重要组成部分,对农业、水文、气象等方面具有很高的应用价值,在该领域的探索与研究一直比较活跃,遥感技术的发展为实时快速获取土壤水分信息提供了新的手段,已成为目前遥感技术应用研究的前沿领域,本文系统总结和分析了国内外土壤水分的遥感定量估测方法,并最后提出了该领域可能的发展方向,相信对从事相关工作的研究人员会有一定的参考价值。
关键词:遥感土壤水定量反演土壤水分是表示一定深度土层的土壤干湿程度的物理量,是监测土地退化和干旱的重要指标,同时也是水文学、气象学、土壤学、生态学以及农业科学等研究领域中的一个重要参数。
一方面它影响地表与大气界面的水分和能量交换,其变化会引起土壤热学特性、地表光学特性的改变,从而影响气候的变化;另一方面它是植物和作物赖以生存的主要源泉,其大小决定着植物或作物根系的发育,对进行大尺度精准农业的水分调节,节水灌溉具有重要意义。
遥感技术不仅能对农作物长势进行大面积、实时、非破坏性监测,从而实现精准农业的发展对地表土壤水分信息快速、及时的掌握,还能为精准农业的发展提供动态监测和分析作物的健康状况与影响作物产量等必要的技术支持。
目前获取土壤水分含量的方法主要有田间实测法、土壤水分模型法和遥感法三种。
其中传统的田间实测法和土壤水分模型法,因测点稀、速度慢、范围有限,无法满足精准农业中对土壤水分信息快速获取的需求。
而遥感估测土壤水分的方法原理是通过测量土壤表面发射或反射的电磁能量,研究遥感信息与土壤水分含量之间的关系,并建立相关的信息模型,从而反演出土壤水分情况,恰恰克服了前二种估测方法的实时性差、单点测量空间变异性差、不能宏观表现等缺陷,为精准农业中大面积快速获取土壤水分信息、实时准确监测提供科学依据。
1 国内外研究进展如何快速、准确地获取区域地表土壤含水量信息是定量遥感研究的热点之一,也是目前遥感技术应用研究的前沿领域。
国内外用遥感技术监测土壤水分的方法有很多,目前在该领域的研究主要集中在光学遥感(即可见光-近红外、热红外遥感)和微波遥感波段进行。
基于多源遥感数据的土壤水热参数反演方法研究
基于多源遥感数据的土壤水热参数反演方法研究近年来，随着遥感技术的不断发展和应用，利用遥感数据进行土壤水热参数的反演已成为土地利用、作物生长模拟等领域的重要研究内容。
由于土壤水热参数对作物生长和土地利用具有重要的指导意义，因此如何准确地反演这些参数已成为遥感研究的焦点之一。
本文从多源遥感数据出发，介绍了一种基于统计分析和物理模型相结合的土壤水热参数反演方法，并探讨了该方法的优劣点和应用前景。
一、多源遥感数据在土壤水热参数反演中的应用在土壤水热参数反演中，多源遥感数据发挥了非常重要的作用。
与传统的地面观测相比，遥感数据可以提供全球范围内的土地覆盖、土地利用、植被覆盖度、土地温度、地表辐射、植被水分利用效率等多种信息，这些信息都是土壤水热参数反演的重要影响因素。
同时，由于遥感数据的连续性、覆盖范围广、获取效率高，因此在反演过程中也可以更全面地反映地表和大气的物理特征和水文循环信息。
二、基于统计分析和物理模型相结合的土壤水热参数反演方法在多源遥感数据的基础上，反演土壤水热参数的方法多种多样。
本文介绍的方法是基于统计分析和物理模型相结合的方法。
它的基本思想是通过对多源数据进行数学处理，建立物理模型，采用反演算法，得到土壤水热参数。
首先，要进行遥感数据的预处理和特征提取。
常用的方法包括反演植被参数、土地表面温度、地表辐射等，从而获得影响土壤水热参数的一些基础信息。
然后，需要建立反演模型。
由于土壤水热参数是受多个因素影响的复杂变量，因此建立一个适合的模型非常重要。
在模型的建立中，需要考虑多种影响因素，如土壤成分、气象条件、降水等。
接下来，运用统计分析方法，利用地面观测数据和遥感数据之间的相互关系，建立反演模型。
一般情况下，可采用多元线性回归、主成分分析、神经网络等模型，得到反演土壤水热参数的方程式。
最后，利用物理模型将统计分析得到的参数转化为土壤水热参数。
在实际生产、研究中，需要不断的进行调整和评估，以达到反演精度和应用效果的最佳状态。
土壤水分供给量的遥感定量反演方法
土壤水分供给量的遥感定量反演方法
随着耕地资源减少及人口增加等现实情况的变化，农业系统的土壤水分供应面临着越来越大的短缺，以及更复杂的气候变化问题，管理官员和农民正在面临严峻挑战。
为此，以遥感技术为基础的定量反演技术在农业领域出现，可以用于和新技术配合，以改善土壤水分供应和农业生产。
遥感定量反演是以空间和时间形式识别和推算某一大地物理参数为基础，把被乘(受检)查的物理量在空间分布上的变量和空间环境上的其他地理因素进行匹配和综合的统计方法。
如可以利用遥感数据与非遥感数据，结合定性问题数据和定量数据，实现量化土壤水分供给量的反演识别。
此外，遥感定量反演技术可以让实际农田实时估算和把握水分资源，进而实现对土壤水分库的及时控制，从而确保土地的可持续性有效利用。
通过强大的数据库和智能优化计算处理，可以有效解决土壤水分供给量的检测问题，提供可靠的土壤水分管理模型，为农业的健康发展提供强有力的技术支持。
因此，遥感定量反演技术可被视为一种新型的智能农业管理工具，可迅速响应农业生态系统中出现的变化及其结果，以确保农产品可持续生产。
遥感反演土壤湿度的主要方法
遥感反演土壤湿度的主要方法遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。
1.1 微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种。
此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。
土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。
因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。
1.1.1 主动微波遥感监测法以应用x波段侧视雷达为主，主要是后向反射系数法。
因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。
国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X 波段、HH极化机载SAR图像一起试验监测土壤水分；田国良等在河南也应用此方法也进行土壤水分研究。
主动微波遥感土壤水分精度较高，且可以全天候使用，成为监测水分最灵活、最适用、最有效的方法，随着大量的主动微波遥感器的卫星（ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM 等）的发射升空，将使微波遥感的成本不断下降，逐渐被应用于实践1.1.2 被动微波遥感监测法原理同主动微波遥感法。
值得指出，植被在地表过程研究中的影响突出，为了消除植被的影响，必须同时重视植被的遥感监测，建立相关的计算模型。
Teng等通过实验得出在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ波段，此时SMMR 的6.6GHZ波段比SSM／I的19GHZ在遥感监测土壤湿度信息方面的精度更高。
说明在植被较密时，为了消除植被对土壤湿度反演的影响，应尽量选择波段较长的微波辐射计。
1.2 作物植被指数法采用此方法是基于植被在可见光部分叶绿素吸收了70％-90％红光，反射了大部分绿光，而由于叶肉组织的作用，后行叶片在近红外波段的反射较强。
遥感驱动的土壤水分动态模拟模型及应用
遥感驱动的土壤水分动态模拟模型及应用近年来，随着遥感技术的迅猛发展，利用遥感技术可以迅速获得大尺度的区域性土壤水分动态数据，土壤水分模拟模型被广泛应用于农业、灌溉和水利工程等相关计算和研究中。
因此，研究遥感技术驱动的土壤水分动态模拟模型以及它的应用，在农业科学研究中已成为重要研究课题。
一、遥感驱动的土壤水分动态模拟模型1、土壤水分模型的构建土壤水分动态模型的构建需要建立在定量的土壤物理性质、土壤水流物理、生态学和水文学规律等基础之上，通过分析传统土壤水分模型，研究者可以充分挖掘土壤水分动态变化机制，建立遥感控制的土壤水分动态模型，表征土壤水分各因素之间的相互影响关系。
2、遥感数据融合研究者需要将遥感技术融入到土壤水分动态模型中，以提高模型的正确性和准确性，针对特定地区的遥感参数数据和土壤参数数据，研究者可以构建出精细的土壤水分模型，这些参数包括：地形、土地覆盖率、影像特征参数（NDVI、LST等）、降雨特征参数、气象参数等。
3、数据拟合与计算土壤水分动态模型的建立需要结合多源遥感数据和本地观测数据，进行模型训练和拟合，使模型与实际数据呈一定类似程度，最终形成满足土壤水分动态模型预测的高精度模型。
二、应用1、农业使用遥感技术控制的土壤水分动态模型，可以实现土壤水分实时监测，对于农业种植有重要意义，可以清楚了解土壤水分存量、流域平衡及正常灌溉时水量的补给量等，实现农业水分管理和农业收益的最大化。
2、灌溉与水利水利工程建设中需要充分考虑土壤水分动态情况，遥感驱动的土壤水分动态模型可以在涉及大尺度水利工程建设过程中有效地模拟研究灌溉和水保设施的水文地质演变规律，以精准决策、降低投资成本。
3、生态学研究土壤水分还与生态系统的健康发展息息相关，研究人员可以基于遥感驱动的土壤水分动态模型，探索土壤水分更加定量、精确的变化规律，为其他生态学研究提供重要的参考数据。
融合多源遥感数据的夏玉米土壤水分反演方法对比研究
融合多源遥感数据的夏玉米土壤水分反演方法对比研究阙艳红;吴苏;姜明梁;张成才;李风波;李炎朋【期刊名称】《节水灌溉》【年(卷),期】2024()3【摘要】为了解决在夏玉米植株高度较高(>1.5 m)情况下,无人机遥感土壤水分反演过程中冠层与地表之间多次散射对微波后向散射的衰减问题,寻找合适的反演方法。
通过融合运用无人机多光谱和热红外数据、Sentinel-1A SAR卫星数据,结合田间实测数据,对植被覆盖下的土壤水分反演与精度验证进行研究;采用温度植被干旱指数(TVDI)、水云模型(WCM)以及引入MIMICS模型参数的改进水云模型(Improved WCM)3种方法进行土壤水分反演。
其中,TVDI方法拔节期反演精度R2为0.50(10 cm)和0.42(20 cm),乳熟期反演精度R2为0.49(10 cm)和0.46(20 cm);WCM方法拔节期反演精度R2为0.53(10 cm)和0.44(20 cm),乳熟期反演精度R2为0.18(10 cm)和0.02(20 cm);Improved WCM方法拔节期反演精度为0.76(10 cm)和0.69(20 cm),乳熟期反演精度为0.78(10 cm)和0.74(20 cm)。
采用引入MIMICS模型参数的改进水云模型方法得到的夏玉米2个生育期的反演效果,明显优于水云模型方法和温度植被干旱指数方法;3种方法的2个生育期反演精度均为10 cm高于20 cm。
因此,引入MIMICS模型参数的改进水云模型方法更适合于玉米植株较高情况下的10 cm土壤含水量反演。
【总页数】8页(P91-98)【作者】阙艳红;吴苏;姜明梁;张成才;李风波;李炎朋【作者单位】河南中原光电测控技术有限公司;中国电子科技集团公司第二十七研究所;郑州大学水利与交通学院;中国农业科学院农田灌溉研究所【正文语种】中文【中图分类】S252;S29【相关文献】1.基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演2.基于多源遥感数据的土壤水分反演不确定性分析——以美国大陆为例3.多源遥感数据反演土壤水分方法4.基于多源遥感数据融合的土壤水分反演研究5.基于多源遥感数据源融合的土地利用分类方法对比研究因版权原因，仅展示原文概要，查看原文内容请购买。
多源遥感数据反演土壤水分方法
多源遥感数据反演土壤水分方法张友静1,王军战2,鲍艳松3(1 河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;2 中国科学院寒区旱区环境与工程研究所,甘肃兰州 730000;3 南京信息工程大学大气物理学院,江苏南京 210044)摘要:基于A S AR A PP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。
利用TM 和M OD IS 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(N D W I)反演精度较好,相关系数达到0 87。
根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。
反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。
反演土壤含水量和准同步实测数据的相关系数为0 9,均方根误差为3 83%。
在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。
关键词:土壤含水量;多源遥感数据;水云模型;A S AR;多尺度中图分类号:P338 9 文献标志码:A 文章编号:1001 6791(2010)02 0222 07收稿日期:2009 03 09基金项目:国家自然科学基金资助项目(40701130;40830639)作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。
E m a i:l zhangy @j hhu edu cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。
微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量[1]。
80年代后,Dobson 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。
遥感土壤水分反演原理
遥感土壤水分反演原理遥感土壤水分反演是指通过遥感技术获取土壤水分信息的过程。
传统的土壤水分监测方法如土壤取样和化验等，在时间和空间分辨率上受到限制，难以满足大范围和高时空分辨率的要求。
遥感技术具有高时空分辨率、全天候覆盖和定量化等优势，成为研究土壤水分的重要工具之一遥感土壤水分反演主要基于微波辐射原理，利用地球表面发射和散射的微波辐射特性与土壤水分含量之间的关系来计算土壤水分。
常用的遥感土壤水分反演方法有基于微波亮温的统计关系、基于微波散射的统计关系和基于机器学习的方法。
基于微波亮温的统计关系方法是通过统计分析亮温与土壤水分的关系建立反演模型。
该方法通常使用单通道或多通道的微波亮温数据，结合地表温度和植被指数等辅助信息，例如威斯特指数(VI)。
通过对不同土壤类型和植被覆盖条件下的地表亮温数据进行统计和回归分析，建立土壤水分与亮温之间的经验关系。
然后，根据遥感获取的亮温数据，利用建立的统计模型计算土壤水分。
基于微波散射的统计关系方法是通过微波辐射在土壤水分变化时的散射特性来进行反演。
散射特性与土壤的复介电常数有关，而复介电常数与土壤含水量之间存在一定的关系。
该方法通常使用合成孔径雷达(SAR)数据，根据雷达回波的散射特征来计算土壤含水量。
根据不同土壤类型和植被覆盖条件下的SAR数据，通过统计和回归分析建立土壤水分与散射特性之间的关系模型。
然后，根据遥感获取的SAR数据，利用建立的统计模型计算土壤水分。
基于机器学习的方法是利用机器学习算法来建立土壤水分与遥感数据之间的映射关系。
机器学习算法主要包括支持向量机(SVM)、人工神经网络(ANN)、随机森林(RF)等。
该方法通常使用多源、多时相的遥感数据，结合地表观测和土壤采样数据，通过机器学习算法训练模型，建立土壤水分与遥感数据之间的非线性关系。
然后，根据遥感获取的数据，利用已训练好的模型进行土壤水分反演。
总结起来，遥感土壤水分反演原理主要基于微波辐射特性与土壤水分含量之间的关系，通过统计和回归分析建立土壤水分与遥感数据之间的模型，或者利用机器学习算法进行非线性映射，从而实现对土壤水分的反演。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多源遥感数据反演土壤水分方法张友静1,王军战2,鲍艳松3(11河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;21中国科学院寒区旱区环境与工程研究所,甘肃兰州 730000;31南京信息工程大学大气物理学院,江苏南京 210044)摘要:基于AS AR 2APP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。
利用T M 和MOD I S 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(NDW I )反演精度较好,相关系数达到0187。
根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。
反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。
反演土壤含水量和准同步实测数据的相关系数为019,均方根误差为3183%。
在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。
关键词:土壤含水量;多源遥感数据;水云模型;AS AR;多尺度中图分类号:P33819 文献标志码:A 文章编号:100126791(2010)022*******收稿日期:2009203209基金项目:国家自然科学基金资助项目(40701130;40830639)作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。
E 2mail:zhangyj@hhu 1edu 1cn土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。
微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量[1]。
80年代后,Dobs on 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。
随着微波散射模型不断发展,相继出现微波散射的小扰动模型、几何光学模型、物理光学模型、两尺度模型和积分方程模型A I E M 。
Dobos on 等在物理模型和试验研究的基础上各自建立了经验和半经验模型,成功地反演了裸土的土壤含水量[324]。
2000年以来,随着Rardrsat,E NV I S AT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。
李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化[526]。
研究表明AS AR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[729]。
在植被覆盖条件下,微波信号的组成十分复杂。
研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。
直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。
但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。
根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9211]。
但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。
此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。
本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。
经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。
第21卷第2期2010年3月 水科学进展ADVANCES I N WATER SC I ENCE Vol 121,No 12 M ar .,2010 1 土壤水分估算模型111 水云模型农作物微波后向散射模型一般可分为经验模型、理论模型和半经验模型3类。
在半经验模型中,最具有影响力和应用最广泛的是A tte ma 和U laby 建立的水云(water 2cl oud )模型[12]。
该模型将辐射传输模型中的植被冠层概化成水平均匀的云层;不考虑植被和土壤表层之间的多次散射;重要的变量仅为冠层高度和云密度,因而可假设与冠层体积含水量成比例。
因此,总的后向散射包括冠层自身散射、地表散射和冠层与地表的交互散射。
在不考虑雷达阴影时,水云模型可由下式表达:σ0=σ0veg +T 2σ0soil ,σ0veg =AM v cosθ(1-T 2),T 2=exp (-2BM v sec θ)(1)式中 σ0为后向散射系数,由AS AR 影像计算得到;σ0s oil 为土壤后向散射系数;σ0veg 为植被直接后向散射系数;M v 为植被含水量,kg/m 2;利用水云模型的研究中,植被含水量即为等效水厚度[15],θ为入射角;T 2为微波穿过植被的双程衰减因子,A 、B 为经验常数。
112 参数估计方案对水云模型的参数估计有许多研究[9212]。
结合理论模型(如I E M ,M I M I CS )计算关键参数时需要大量的同步地面参数;应用实用方法求解不同的参数将导致误差难以控制。
本文利用T M 和MOD I S 数据分析不同尺度下植被参数与小麦含水量的关系,在此基础上,采用最小二乘方法统一求解系数的方案,构建结合光学和微波遥感数据的土壤水分估算模型。
113 多源遥感数据土壤含水量估算模型由光学影像数据计算植被生物、物理指数V I ,建立V I 与实测植被含水量M v 的关系。
M v =f (V I )(2)若f 为线性关系,则有M v =c V I +d(3)将M v 代入式(1)水云模型,整理可得σ0soil =σ0-A (c V I +d )cos θ{1-exp [-2B (c V I +d )sec θ]}exp [-2B (c V I +d )secθ](4)根据土壤后向散射与土壤含水量的关系[7],又可得M s =σ0-A (c V I +d )cos θ{1-exp [-2B (c V I +d )sec θ]}exp [-2B (c V I +d )sec θ]-f /e = {[σ0-A (c V I +d )cosθ]exp [2B (c V I +d )sec θ]+A (c V I +d )co s θ-f}/e (5)式中 c,d,e,f 为经验常数,将该式中的exp [2B (c V I +d )sec θ]项按泰勒级数展开,并取第一项整理得M s =C +k 1σ0+k 2V I +k 3V I 2+k 4σ0secθ+k 5σ0V I sec θ(6)上式可根据遥感影像和同步实测的数据,采用最小二乘法求解系数C 和k 1,k 2,…,k 5。
2 结果与分析211 研究区与数据研究区为北京郊区农田,主要种植小麦、紫花苜蓿等作物。
数据包括陆地卫星T M 、MOD I S 和ENV I S AT AS AR 影像数据,以及地面准同步实测数据。
地面试验内容包括土壤体积含水量测量、小麦生物量及等效水厚度测量和测点GPS 定位等。
试验中,选择田块中央较均匀的一块区域,使用GPS 接收机进行定位测量。
在离定位点5m 的范围内布置3个采样点,样点分布成等边三角形分布。
用T DR 测量每个样点处的体积含水量;同时取GPS 位置点处的冬小麦植株,放入塑料袋内密封。
试验室内采用烘干称重法,计算冬小麦植322 第2期张友静,等:多源遥感数据反演土壤水分方法株等效水厚度。
对每块地3个样点土壤含水量求平均,用以表示GPS 定位点处的土壤含水量。
Taconet [14]等研究表明,在高频波段和小入射角时,以植被含水量和土壤湿度为主要驱动因子的水云模型能够很好地模拟小麦的后向散射特性。
同时,I S2入射角HH 极化模式(I S22HH )的总后向散射包含的土壤散射信息更多,更适合土壤湿度的反演。
212 不同分辨率光学影像的植被含水量反演植被含水量一般有3种表示方法:叶片含水量C F M 、相对含水量C RW 和等效水厚度T E W 。
Ceccat o 等[15]研究发现用遥感数据反演含水量时,短波红外波段与T E W 相关性较好,而与C F M 的相关性较差。
本研究M v 即为同步地面测量的叶和穗等效水厚度之和。
大量研究表明,植物含水量对红外波段比较敏感,因此可通过建立植被生物、物理指数和植被含水量的统计关系模型来反演T E W 。
Penuelas 等[16]发现植被水分指数与归一化植被指数(NDV I )的比值可以预测叶片的水分含量。
Rock 等[17]综合考虑了叶片内部结构、叶片水分含量以及干物质等影响,发现1600nm 和820n m 的反射率之比与等效水厚度T E W 高度相关。
Jacks on 和Chen [18]研究利用T M 和MOD I S 影像计算NDV I 、归一化水分指数(NDW I )来反演大豆和玉米覆盖地表的T E W 。
以上研究表明用植被指数反演植被含水量是可行的。
本研究利T M 和MOD I S 数据提取NDV I 、NDW I 、增强型植被指数(EV I )、叶面积指数(LA I ),比较在不同分辨率下指数反演小麦含水量的能力。
21211 基于T M 影像的小麦含水量反演利用T M 影像计算NDV I 、NDW I 和EV I,并分别做NDV I 、NDW I 、I 与M v 的关系图,如图1所示。
反演的M v 与实测值的相关系数和均方根误差见表1。
图1 NDV I 、NDW I 、EV I 、LA I 与小麦含水量关系Fig 11Relati onshi p bet w een NDV I 、NDW I 、EV I 、LA I and M v表1 计算M v 与实测值的相关系数和均方根误差Table 1Accuracy of M v retr i eved by T M and MOD I S V Is传感器指数NDV I NDW I EV I LA I T M均方根误差0112011101110113相关系数0178018701800176MOD I S 均方根误差011501120115相关系数015401770157由表1可以看出,由NDW I 建立的小麦含水量反演模型结果较好,EV I 次之,NDV I 和LA I 反演结果较差。
这与Jacks on 和Chen [18]研究的大豆、玉米等植被的结论相似。