ENVI土壤湿度遥感反演及干旱灾害监测
遥感建模与应用综合实习
实验报告
学 期 2017-2018学年第二学期
姓 名
学 号
指导教师 闵爱莲
精品
感谢下载载 实验题目:土壤湿度遥感反演研究
1. 实验目的
1.1熟悉遥感图像大气校正、几何校正的流程，掌握NDVI的计算及密度
分割的过程。
1.2 学会利用TM热红外波段反演地表温度，了解TVDI的原理，制图输出黄骅市TVDI图像。
1.3 掌握基本的统计学评价指标（R2值、相关系数、线性拟合模型精度评价等），建立干旱指数TVDI和土壤相对湿度之间的关联模型。
2. 实验要求
2.1 大气校正，几何校正后NDVI计算并制图输出。
2.2地表温度反演；Ts-NDVI散点图制作；TVDI指数计算；除云、除水、除建筑物，保留植被区域的TVDI。
2.3建立TVDI和土壤相对湿度之间的关联模型。模型精度评价。土壤相对湿度制图。
3. 实验数据
TM200205图像、BASE IMAGE图像、研究区矢量边界图。
4. 实验步骤:
4.1图像预处理以及NDVI制图。
①大气校正。本实验选择黑暗像元法进行大气校正。打开TM200205,快速统计图像DN值，记录7个波段每个波段的黑暗像元。本实验选择DN值像元个数为十位数时对应的DN值作为黑暗像元DN值。所有像元均减去此黑暗像元的DN,达到校正目的。所依据原理为认为黑暗像元的辐射记录值为0，且认为图像各处大气影响一致，之所以不为0是由于大气程辐射的影响，减去此DN，即为整体消除大气程辐射的影响。
②几何校正。加载并打开base image和TM200205图像，基于Map下的图像精品
感谢下载载 到图像校正方法进行几何校正。以base image为基准图像，以TM200205为待校正图像。本实验选择20个地面同名地物点作为控制点，总的均方根误差为0.8257个像元，选择的原则是：控制点要分布均匀，图像边缘部分要多选取。选择大桥桥头、河流拐弯处、道路交叉口、机场等易于区分且不易随时间变化太大的地物。
几何位置变换公式为多项式变换，二次多项式。重采样方法为线性内插法。
③裁剪图像。基于ENVI菜单栏下的Basic 工具里的裁剪数据功能进行，空间子集选择边界图层。裁剪之后，用边界图层.evf文件数据进行腌膜，得到研究区数据，其他地方为0值。
④NDVI计算。基于公式（float（b1）-float（b2））/（b1+b2）或者Transform功能下的NDVI计算工具直接进行计算。
⑤NDVI密度分割。将NDVI从-0.6800~0.4208全部分为8类，外加一个0~0，即背景值，赋值为white
⑥制图输出。在Annotation下设置图名、图例、指北针、比例尺。需要指出的是，本实验在图例方面只加8个（不加0~0的图例），所有汉字均采用ENVI字体中的161~180里的KaiTi，所有英文全部采用Roman3字体，输出如图： 精品
感谢下载载 4.2热红外地温反演及TVDI制作（以下所有公式均在Band Math下输入）。
①单位光谱范围内幅亮度值Rb。输入公式：
(B1*(1.896-0.1534)/255+0.1534)/1.239
②地温计算，用传感器温度表征地表温度Ts。输入公式：
1260.56/alog(60.766/B1+1)
③图像MNDWI计算。输入公式：
（float（b1）-float（b2））/（b1+b2）
式中，B1为绿光波段，B2为短波红外波段（第五波段）。
④TVDI指数计算原理。
植被指数NDVI 是利用植被对太阳辐射各光谱波段的吸收和反射作用，得出反映植被生长状况的信息，因此可作为干旱监测的一种指标，但其监测作物干旱状态具有一定的滞后性；而地表温度Ts的实时性强，却易受到周围地物的影响，因此常将两者综合起来研究干旱。
Price 和Carlson 等研究首先发现，如果研究区的植被覆盖度和土壤湿度值变化较大，则获得的植被指数NDVI 和地表温度Ts所形成的散点图呈三角形关系，其中NDVI 作为横坐标，Ts作为纵坐标。Moran 等则分析NDVI 和Ts的散点图为梯形关系。Sandholt等通过研究简化的NDVI-Ts 三角形空间，提出了温度植被干旱指数TVDI，用以估算土壤含水状况。
NDVI-Ts特征空间的示意图,体现了Ts与NDVI的关系。TVDI值为1是干边( Dry
edge), 代表土壤缺水；TVDI 值为0则是湿边( Wet edge)，具有最大的土壤蒸发蒸腾总量和无限的水分供应，反映了土壤水分的两个极端状态。
Sandholt等[14] 首先提出了温度植被干旱指数( Temperature Vegetation
Dryness Index, TVDI )的概念。其表达式为:TVDI=(Ts-Tsmin)-(Tsmax-Tsmin)
精品
感谢下载载
本实验只统计NDVI对应下的Tsmin和Tsmax。NDVI只选择>0的部分。得到干边方程为：
Tsmax= -36.779*NDVI+323.55,R方值为0.9564
Tamin= 65.614*NDVI+268.99，R方值为0.9621
代码：pro TVDI
;读取NDVI
fn=pickfile(title='��NDVI�ļ�')
openr,lun,fn,/get_lun
ndvi=fltarr(2205,1814)
readu,lun,ndvi
tvscl,ndvi,order=1
free_lun,lun
;读取Temperaturֵ
fn1=pickfile(title='Temperature')
openr,lun1,fn1,/get_lun
wendu=fltarr(2205,1814)
readu,lun1,wendu 精品
感谢下载载 tvscl,wendu,order=1
free_lun,lun1
;设置ndvi步长及组数
a=max(ndvi)
b=min(ndvi)
step=0.01
n=ceil((a-b)/step)
;
mini=fltarr(n)
maxi=fltarr(n)
;ֵ
for i=0,n-1 do begin
mini[i]=b+i*step
maxi[i]=mini[i]+step
endfor
minimum=fltarr(n)
maximum=fltarr(n)
for i=0,n-1 do begin
temp1=where(ndvi gt mini[i] and ndvi lt maxi[i])
if n_elements(temp1) eq 1 then begin
temp2=0
endif else begin
temp2=wendu[temp1]
endelse
minimum[i]=min(temp2)
maximum[i]=max(temp2)
endfor
plot,mini,minimum,psy=2
oplot,maxi,maximum,psym=2
data=fltarr(3,n_elements(mini))
data[0,*]=transpose(mini)
data[1,*]=transpose(minimum)
data[2,*]=transpose(maximum)
openw,lun2,'d:/TVDI000.txt',/get_lun
printf,lun2,data,format='(f10," ",f20," ",f20)'
free_lun,lun2
精品
感谢下载载 END
如图：
⑤TVDI指数计算。输入公式为：
(B1-(65.614*B2+268.99))/((-36.779*B2+323.55)-(65.614*B2+268.99))
⑥云检测。本实验判定Ts<290K的部分为云，因此做一个云腌膜文件，Data
min设为290，非云为1，云为0。
Tsmin= 65.614NDVI + 268.99R² = 0.9621Tsmax= -36.779NDVI + 323.55R² = 0.9564250.0275.0300.0325.0350.00.000.050.100.150.200.250.300.350.400.450.500.55TSNDVITs-NDVI散点图TminTmax线性(Tmin)线性(Tmax)精品
感谢下载载 ⑦水体检测。本实验判定MNDWI>0.40的部分为水体，因此做一个水体腌膜文件，Data max设为0.40，非水为1，水为0.
⑧NDVI<0检测。原理同上，去除建筑物。
⑨得到最后的TVDI图像。输入公式：
B1*B2*B3*B4，B1…B4依次对应上面⑥、⑦、⑧及TVDI图像。
⑩TVDI密度分割，制图输出，步骤同4.1⑥。如图： 精品
感谢下载载
4.3土壤湿度遥感反演。
①土壤站点矢量图生成。在Arcmap中加载X/Ydata，选择实测土壤湿度文件.txt，字段要对应好，此处不详细介绍，坐标系选择WGS-1984,，生成图层，导出shapfile文件。
②ENVI打开矢量图层，生成evf文件。加载生成的evf文件到TVDI窗口图像中，在“可以使用的矢量列表中”选择导出evf图层到ROI，属性文件为TVDI.
③获取土壤湿度对应经纬度下的TVDI值。在ENVI下启动ROI工具，导入生成的ROI文件。导出ROI文件到ASCII文件，属性文件依旧选择TVDI.
④将生成的文本文档和实测土壤湿度文本文档用EXCEL打开，按空格顺序打开。按照经度升序排列，选取前70对数据建立模型，拟合模型得到线性模型为y=-0.8225*x+0.8375 ,R方值为0.6857，X为TVDI，Y为土壤湿度。70对数据相关系数为-0.82805，查表知，其通过了0.001的显著性检验，置信度为99.9%，可以使用。
⑤用剩余的20对数据作为模型检验的数据。代入上述公式，得到遥感反演土壤湿度数据，计算得MSE为0.243569，RMSE为0.091851.
⑥基于公式： -0.8225*B1+0.8375 对TVDI图层进行土壤湿度反演。
科技成果——基于微波的高分辨率土壤水分反演及干旱监测应用
科技成果——基于微波的高分辨率土壤水分反演及干旱监测应用
对应需求 旱情遥感监测系统
成果简介
该成果利用高质量Sentinel-1SAR数据及可见光遥感数据，基于具有物理机制的变化检测方法，反演得到高分辨率的土壤水分信息；确定了构建后向散射系数-植被指数空间所需的最佳采样点数目；明确了模拟精度对土壤水分初始值和缩放因子两个关键参数的敏感性。可解决当前遥感土壤水分数据的空间分辨率过低的问题，AUC值较传统预测模型提升了约20%，具有较强干旱监测能力。适用于区域范围内高分辨率干旱监测。
技术特点
该成果进行干旱监测及森林火灾预报，AUC值较传统预测模型提升了约20%，提升预测精度。精度达到0.053立方米/立方米，且其反演精度并不随递推次数增加而累积，具有较高的空间分辨率。
技术水平 实用新型专利1项，软件著作权1项。
应用情况
该成果在黑河流域应用，此流域内绿洲属于干旱-半干旱区，生态环境脆弱，通过运用该成果开展土壤水分的反演，可监测绿洲干旱情况，展现出较好的干旱预警能力；在广东省应用，近年来该省内降雨年度分配不均情况逐渐加剧，骤旱频发，通过运用该成果，可准确监测预报省内林区干旱及森林火灾等灾害发生情况。
基于遥感的干旱监测方法研究进展
基于遥感的干旱监测方法研究进展
随着全球气候变化的加剧，干旱频发的情况也日益严重，给农业生产、生态环境和社会经济带来了巨大的影响。对干旱进行准确监测和预警显得尤为重要。遥感技术由于其快速、大范围、全天候获取信息的能力，成为了干旱监测的重要手段之一。本文将从遥感的基本原理、干旱监测指标、常用的遥感干旱监测方法以及研究进展进行论述，以期为干旱监测和预警提供参考和借鉴。
一、遥感的基本原理
遥感是指利用各种传感器获取地面、大气等目标物体的信息，然后将这些信息加工处理、分析、解译和应用的一门新兴科学。在干旱监测中，遥感技术的基本原理是通过获取地表、植被、土壤和气象等信息，对干旱地区的植被覆盖、土壤含水量、地表温度、降水量等进行监测和分析，从而得到干旱的状况和趋势。
二、干旱监测指标
1. 植被指数：植被指数是反映植被状况的重要指标，常用的植被指数有归一化植被指数（NDVI）、修正的土地植被指数（NDWI）等。通过植被指数可以反映出植被的生长状况，进而判断干旱的程度。
2. 土壤含水量：土壤含水量是土壤中存储的水分量，是干旱监测的重要参数之一。通过遥感技术可以获取地表土壤的含水量信息，从而判断土壤的干湿程度。
3. 地表温度：地表温度是反映地表热量分布的指标，干旱地区的地表温度往往较高。通过遥感技术可以获取地表温度的分布情况，从而判断干旱地区的范围和程度。
4. 降水量：降水量是导致干旱的主要原因之一，通过卫星遥感可以获取大范围的降水量信息，从而分析干旱的发生和演变。
三、常用的遥感干旱监测方法
1. 基于植被指数的监测方法：通过遥感获取地表植被指数的信息，然后利用统计学方法或机器学习算法对植被指数进行分析和处理，从而得到干旱的监测结果。
2. 基于热惯量法的监测方法：热惯量法是一种基于地表温度的监测方法，通过分析地表温度的分布和变化，可以判断干旱地区的范围和程度。
全国土壤湿度及其变化的遥感反演与分析解析
弋Ｒ４０２１０
分类号
ＵＤＣ密级编号
中国科学院研究生院
硕士学位论文
全国±攮量廑区基銮丝笪遥蹙厦渲量佥堑
蛊瘟
申请学位级别理堂亟±学科专业名称丝圈堂皇地堡篮星丕筮
论文答辩日期２ＱＱ５生鱼目论文提交日期２Ｑ逝生主旦
答辩委员会主席
摘要
土壤湿度是进行农业、水文、气象、生态等方面研究的主要基础信息，也是进行土地退化评价及环境监测的重要指标，土壤湿度的遥感监测方法研究对于资源环境遥感有重要的意义。
本文结合“生态安全相关要素的定量遥感关键技术研究”项目中“土地退化的遥感监测指标定量提取与评价技术”子课题的工作，试图在全国范围进行土壤表层湿度的时空序列反演，并探讨全国土壤湿度分布的时空特性。
论文在对土壤湿度反演方法进行总结及评价的基础上，选择温度植被干旱指数（ＴＶＤＩ）法对全国土壤湿度进行反演。用地表能量平衡方程对ＴＶＤＩ法的原理及影响因子进行了分析，发现对ＴＶＤＩ产生影响的因子包括太阳总辐射、气
温、地表反照率、空气密度、地表发射率、风速等，在文中着重探讨了气温随高程的变化对ＴＶＤＩ反演土壤湿度的影响。
由于气温随高程变化的影响与高程有关，提出用数字高程模型（ＤＥＭ）对ＴＶＤＩ反演过程进行订正的方法。参考气温的垂直递减率，用实测值相关分析的方法确定订正系数并得到订正后的ＴＶＤＩ结果。订正前后土壤湿度结果的对比分析表明，进行订正后的ＴＶＤＩ能更好地反演土壤湿度。与ＮＳＩＤＣ网站提供的ＡＭＳＲ土壤湿度数据的比较发现，ＴＶＤＩ对土壤水分含量位于Ｏ．０５－０，１５ｇ．ｃｍ。之间的情况有最好的反映，由于这个区间包括了图像中９０％以上的像元，认为ＴＶＤＩ可以反映土壤湿度的状况。
用上述方法对２００３年３６旬的土壤湿度情况进行了反演。对旬Ｔｓ—ＮＤＶＩ（地表温度．植被指数）空间散点图的情况进行了分析，对各旬分别确定Ｔｓ—ＮＤＶＩ特征空间干湿边边界及方程。一般用ＴＳ的最大最小值作为干湿边边界。由于在研究没有去除图像中的条带噪声，当噪声点较多时，用Ｔｓ的最大最小值不能得到很好的干湿边边界，对这种情况，用频率法确定干湿边的边界。确定边界后，对
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。这些方法在不同的空间和时间尺度上具有一定的优势和适用性，可以辅助农业灌溉管理、水资源管理和环境监测等领域的研究和应用。
土壤水分和干旱的遥感监测方法与研究
目录
摘要.......................................................................................................I
ABSTRACT..........................................................................................II
第一章 前言.........................................................................................1
1.1研究意义..................................................................................1
1.2旱情与干旱的概念、描述指标...............................................4
1.3干旱的危害...............................................................................5
1.4我国干旱的特点、分布状况...................................................7
1.5常用的干旱分等定级方法......................................................10
1.6目前针对干旱及土壤水分的监测方法..................................11
第二章 国内外土壤水分遥感监测研究进展情况.............................12
干旱荒漠化矿区CPS反射信号土壤湿度反演
SCIENCE&TECHNOLOGYVISION科技视界2012年8月第22期科技视界Science&TechnologyVision
0引言随着经济水平的提高袁能源的大量消耗不可避免袁煤炭的需求带动了大面积的煤矿开采遥随之产生的生态环境问题比比皆是袁地表变形尧沉降导致土地荒漠化袁不仅荒废了土地袁而且带来了经济损失遥荒漠化矿区多为裸地或低植被覆盖袁生态系统极其脆弱袁采矿对其影响显而易见[1-5]遥控制地下水水位是生态脆弱矿区科学开采的核心[6]遥土壤湿度袁作为土壤质量的标志之一袁说明土壤含水和持水能力袁在荒漠化矿区极易受影响遥近年来袁矿区土壤湿度成为许多专家学者研究的热点遥全球导航定位系统渊GPS冤自从问世已经发展成为多领域尧多模式尧多用途尧多机型的国际性高新技术产业遥实践证明袁GPS系统是一个高精度尧全天候和全球性的无线电导航尧定位和定时的多功能系统遥1993年M.MartinNeira(ESA)提出从地球表面反射的GPS信号可能检测到海洋卫星测高资料中直接信号和反射信号之间存在的延迟袁开创了利用GPS反射信号遥感海平面的先河[7]遥GPS系统L1渊1.57542GHz冤尧L2渊1.2276GHz冤波段频率又是遥感土壤湿度的最佳频率[8]遥根据GPS反射信号功率与土壤介电常数存在一定的函数关系袁土壤介电常数和土壤湿度也存在函数关系袁利用GRrSv.2系统[9]获取GPS反射信号功率袁根据函数模型反演出特定区域内的土壤湿度遥鉴于荒漠化矿区多为裸地或低植被覆盖条件袁适宜于土壤湿度信息遥感袁本文将分析利用GPS反射信号反演矿区土壤湿度的基本原理和方法袁探讨其应用可行性遥1GPS反射信号反演土壤湿度利用GPS反射信号技术可以实现对特定区域的遥感袁这种技术被称作GPS-R技术遥研究土壤湿度在农学尧气象学等多个领域具有十分重要的作用遥关止等人提出利用反射GPS信号遥感土壤湿度袁是在传统微波遥感土壤湿度基础上的一项创新遥李伟强等人研制出的GRrSv.2系统为该创新的实施提供了硬件设施遥1.1原理和方法干旱荒漠化矿区GPS反射信号土壤湿度反演董雪园1袁2郑南山2渊1.中国矿业大学国土环境与灾害监测国家测绘地理信息局重点实验室江苏徐州221116曰2.中国矿业大学环境与测绘学院江苏徐州221116冤揖摘要铱采用GPS信号反演土壤湿度具有重要的科学研究意义遥对于干旱荒漠化矿区地表大多为裸地或低植被覆盖条件袁适宜于土壤湿度的遥感遥本文探讨了利用GPS信号反演土壤湿度的理论和方法袁在分析荒漠化矿区地表特点的基础上袁讨论了在荒漠化矿区利用GPS信号反演土壤湿度的可行性遥揖关键词铱GPS反射信号曰土壤湿度曰荒漠化矿区MeasuringSoilMoisturebyGPSReflectedSignalsinAridDesertificationMineAreaDONGXue原yuan1袁2ZHENGNan原shan2(1.KeyLaboratoryforLandEnvironmentandDisasterMonitoringofSBSM,ChinaUniversityofMiningandTechnology,Xu扎houJiangsu,221116;2.SchoolofEnvironmentalScienceandSpatialInformatics,ChinaUniversityofMiningandTechnology,Xu扎houJiangsu,221116)揖Abstract铱ItissignificanttomeasuresoilmoisturebyGPSreflectedsignals.Inaridminearea,ithaslowervegetationcoverrateduetolanddesertification.Howeveritissuitabletomeasuresoilmoisturebyremotesensingwithinthiscontext.Inthispaper,itprovidedthemethodologytomonitorsoilmoistureusingGPSreflectionsignalsanddiscussedthepotentialityandfeasibilitytoapplythisalternativeapproachforremotelysensingsoilmoisturewithinariddesertificationminearea.揖Keywords铱GPSreflectionsignals;Soilmoisture;Aridminearea淫基金项目院国家自然科学基金面上项目51174206支持遥作者简介院董雪园渊1988要冤袁男袁汉族袁硕士研究生袁研究方向为大地测量学与测量工程遥郑南山袁男袁汉族袁副教授袁研究方向为GPS等遥项目与课题
基于多源遥感数据反演的土壤湿度空间降尺度方法及应用研究
基于多源遥感数据反演的土壤湿度空间降尺度方法及应用研究
土壤湿度是土壤中所含水分的量度，对农业生产、水资源管理和生态环境等方面具有重要意义。然而，传统的土壤湿度观测方法受限于时间和空间尺度，无法全面准确地获取土壤湿度的空间分布信息。遥感技术可以通过获取地表反射率和微波辐射等数据来反演土壤湿度，但遥感数据的空间分辨率通常较高，无法满足土壤湿度空间分布的需要，因此需要进行空间降尺度处理。
多源遥感数据反演的土壤湿度空间降尺度方法是指利用多种遥感数据（如光学和微波遥感数据）来提高土壤湿度反演精度和空间分辨率的方法。具体而言，可以采用以下步骤进行研究：
首先，收集不同分辨率的遥感数据，如高分辨率的光学遥感数据和较低分辨率的微波遥感数据。光学遥感数据可以提供地表反射率信息，而微波遥感数据可以提供土壤湿度信息。
然后，将不同分辨率的遥感数据进行预处理，包括辐射定标、大气校正和数据匹配等。通过这些预处理步骤，可以消除遥感数据中的干扰因素，提高数据的质量和准确性。
接下来，采用合适的反演算法来估算土壤湿度。可以利用光学遥感数据中的地表反射率与微波遥感数据中的土壤湿度之间的关系进行反演，比如利用经验关系或机器学习算法进行建模和预测。
最后，通过空间降尺度方法将高分辨率的光学遥感数据与低分辨率的微波遥感数据进行整合，从而得到更准确的土壤湿度空间分布图像。可以采用插值或融合等技术方法将两种数据源融合在一起，以获得具有较高空间分辨率和较高精度的土壤湿度结果。
该方法的应用研究可以在农业生产、水资源管理和生态环境等领域发挥重要作用。例如，在农业上，通过精确估算土壤湿度，可以进行合理的灌溉和施肥，提高农作物产量和质量。在水资源管理方面，土壤湿度的准确监测可以帮助预测洪涝和干旱的风险，提前采取相应的措施。在生态环境方面，土壤湿度是生态系统中重要的指标之一，可以用于评估土壤质量、生态恢复和环境保护效果。
总之，基于多源遥感数据反演的土壤湿度空间降尺度方法具有重要的理论和应用价值。通过合理选择遥感数据和采用适当的分析方法，可以获得准确且具有较高空间分辨率的土壤湿度信息，从而提高对土壤湿度的监测和管理水平。
基于遥感的干旱监测方法研究进展 2
基于遥感的干旱监测方法研究进展
一、干旱监测指标
1. 土壤水分指数
土壤水分是反映干旱程度的重要指标之一。遥感技术可以通过遥感影像获取植被生长指数（NDVI）、植被干旱指数（VCI）、土壤水分指数（SWI）等数据，来反映土壤水分状况。研究表明，SWI在干旱监测中具有较高的准确性和实用性，能够及时监测并评估干旱程度。
2. 植被覆盖度指标
植被覆盖度是评估干旱影响的另一个重要参数。通过遥感技术获取的植被覆盖度数据可以反映植被生长状态，从而评估干旱对植被的影响。近年来，一些新的植被指数如NDII、TVI等也被引入到干旱监测中，提高了遥感监测的准确性和可操作性。
3. 温度指标
温度是影响植被生长和土壤水分蒸发的重要因素，因此在干旱监测中也具有重要作用。遥感技术可以获取地表温度数据，并结合其他气象数据，如降雨量、湿度等，全面分析温度对干旱的影响。
二、遥感数据获取
1. 光学遥感影像
光学遥感影像是获取土地覆盖、植被生长等信息的重要数据源。近年来，高分辨率遥感影像的广泛应用为干旱监测提供了更为精细的数据支持。与传统的农田调查相比，遥感影像能够实现大范围、高效率的干旱监测，为干旱防治工作提供了更为全面的数据支持。
2. 雷达遥感数据
雷达遥感技术可以获取地表粗糙度、植被结构、地形等信息，对干旱监测有着重要作用。雷达遥感数据可以突破光学遥感在云雾天气下获取数据的限制，为干旱监测提供了更加可靠的数据来源。
热红外遥感数据可以获取地表温度信息，可用于反映地表水分蒸发、土壤湿度等情况，对干旱监测有着重要作用。近年来，热红外遥感数据在干旱监测中得到了广泛应用，为干旱的预测和防治提供了重要数据支持。
三、遥感技术在干旱监测中的应用 1. 干旱监测模型
以遥感数据为基础的干旱监测模型成为研究的热点之一。利用机器学习、人工智能等技术，结合遥感数据和气象数据，构建了一系列高效准确的干旱监测模型，为干旱监测工作提供了新的思路和方法。
干旱监测_论文 (2)
土壤相对湿度模型
摘要： 干旱是一种频发的自然现象，与其他自然灾害相比，其持续时间最长，影响范围最大，造成的损失也最重，尤其是对世界各地的农业生态系统造成了严重的损失。 农业干旱是指在农作物生长发育过程中，因降水不足、土壤含水量过低和作物得不到适时适量的灌溉，致使供水不能满足农作物的正常需水，而造成农作物减产。本文以2014年湖北省发生的严重旱情为例，从遥感原理入手，采用LandsatTM8数据，结合实测土壤墒情数据，并综合考虑干旱监测的原理并修正地表水分综合测量指数（Surface Water Capacity Index, 简称“SWCI”），建立出土壤相对湿度模型，为2014年湖北省江汉平原及周边地区提供了快速有效的农业干旱监测的方法。
关键词：干旱监测 土壤墒情
1 引言
植被指数(Vegetation Index,VI)是将遥感地物光谱资料经数学方法处理,以反映植被状况的特征量,可以较好地反映地表绿色植被的生长和分布状况。 随着遥感技术的迅速发展,多时相，多光谱遥感数据从定性、定量等方面反映了大范围的地表信息，为实时动态的干旱遥感监测提供了有效的数据来源。目前遥感技术因其具有覆盖范围广、空间分辨率高、重访周期短、数据获取快捷方便等优势，因而在时效性和准确性都要求甚高的干旱监测中倍受青睐，现已成为各种尺度旱情快速诊断的重要手段。被广泛应用于裸土和低植被覆盖地土壤湿度遥感反演的微波遥感法和热惯量法，以及针对部分植被覆盖或全植被覆盖区，利用遥感反演作物的形态指标（如归一化植被指数NDVI[9-11]、距平植被指数AVI[7]、条件植被指数VCI[11]）、生理指标（如基于温度条件指数TCI[3,12]、作物水分胁迫指数CWSI或水分亏缺指数WDI的冠层温度反演以及基于归一化差值水分指数NDWI的叶片含水量反演[13-15]）或某些作物遥感综合指标[16-19]（如植被供水指数VSWI、温度植被干旱指数TVDI、条件植被温度指数VTCI、植被健康指数VHI、归一化的干旱监测指数NPDI）等建立了大量的干旱监测模型。
利用遥感定量反演的参数
利用遥感定量反演的参数
遥感技术是一种通过卫星、飞机等遥感平台获取地球表面信息的技术，可以获取大量的地球表面信息，包括地形、植被、土壤、水文等参数。这些参数对于环境监测、资源管理、灾害预警等方面都有着重要的意义。其中，利用遥感定量反演的参数有以下几种：
1. 植被指数（Vegetation Index，VI）：植被指数是通过遥感技术获取的植被反射率数据计算得出的参数，常用的植被指数包括归一化植被指数（Normalized
Difference Vegetation Index，NDVI）、简化植被指数（Simple Ratio，SR）等。植被指数可以反映植被的生长状况，对于农业生产、生态环境保护等方面都有着重要的作用。
2. 土壤湿度（Soil Moisture，SM）：土壤湿度是指土壤中的水分含量，通过遥感技术获取土壤表面的微波辐射数据可以反演土壤湿度。土壤湿度对于农业生产、水资源管理等方面都有着重要的意义。
3. 土地覆盖类型（Land Cover Type，LCT）：土地覆盖类型是指地表被不同类型的植被、裸地、水体等覆盖的情况，通过遥感技术获取的地表反射率数据可以反演土地覆盖类型。土地覆盖类型对于生态环境保护、资源管理等方面都有着重要的作用。
4. 土地利用类型（Land Use Type，LUT）：土地利用类型是指人类对土地资源的利用方式，包括农业、林业、城市建设等。通过遥感技术获取的地表反射率数据可以反演土地利用类型，对于土地资源管理、城市规划等方面都有着重要的意义。
5. 水体叶绿素浓度（Chlorophyll-a Concentration，Chl-a）：水体叶绿素浓度是指水体中的藻类叶绿素含量，通过遥感技术获取的水体反射率数据可以反演水体叶绿素浓度。水体叶绿素浓度对于水环境监测、水资源管理等方面都有着重要的作用。
以上是利用遥感定量反演的一些常见参数，这些参数在环境监测、资源管理、灾害预警等方面都有着广泛的应用。