基于植被光谱和FY-3A/VIRRL1B数据的藏北地区土壤水分估算北大核心CSCD

为了实现对藏北地区土壤水分和干旱情况的动态监测,基于藏北植被光谱、实测20 cm土壤水分以及FY-3A/VIRR数据,利用相关性筛选出对土壤水分敏感的植被光谱波段构建植被指数,并以此建立土壤水分估算模型,再结合FY-3A/VIRR L1B数据将建立的模型应用于藏北地区的土壤水分估算,通过比较决定系数和RMSE,确定精度较高的藏北地区土壤水分遥感估算模型。研究表明：NDVI（620,850）、EVI（450,620,850）、NDWI（850,1 330）和RVI（850,1 330）与实测20 cm土壤水分的决定系数分别为0.232、0.256、0.537和0.554,都能较好地表征土壤水分,分别利用每个指数建立的二次模型所获得的土壤水分估算结果与实测数据的RMSE均较小;以FY-3A/VIRR数据为基础,模型M（NDVI）和M（EVI）能够有效的估算藏北土壤水分,模拟值与实测值的相关系数r分别为0.50和0.51,RMSE分别为0.13和0.11,模型都可实现对藏北地区土壤水分的估算。研究可为掌握藏北地区土壤水分状况和制定农牧业发展决策提供依据。     

基于植被光谱和FY-3A/VIRRL1B数据的藏北地区土壤水分估算

为了实现对藏北地区土壤水分和干旱情况的动态监测,基于藏北植被光谱、实测20 cm土壤水分以及FY-3A/VIRR数据,利用相关性筛选出对土壤水分敏感的植被光谱波段构建植被指数,并以此建立土壤水分估算模型,再结合FY-3A/VIRR L1B数据将建立的模型应用于藏北地区的土壤水分估算,通过比较决定系数和RMSE,确定精度较高的藏北地区土壤水分遥感估算模型。研究表明:NDVI(620,850)、EVI(450,620,850)、NDWI(850,1 330)和RVI(850,1 330)与实测20 cm土壤水分的决定系数分别为0.232、0.256、0.537和0.554,都能较好地表征土壤水分,分别利用每个指数建立的二次模型所获得的土壤水分估算结果与实测数据的RMSE均较小;以FY-3A/VIRR数据为基础,模型M_(NDVI)和M_(EVI)能够有效的估算藏北土壤水分,模拟值与实测值的相关系数r分别为0.50和0.51,RMSE分别为0.13和0.11,模型都可实现对藏北地区土壤水分的估算。研究可为掌握藏北地区土壤水分状况和制定农牧业发展决策提供依据。     

应用粒子滤波同化条件植被温度指数的土壤水分估测

为了准确地获取2013—2015年关中平原冬小麦主要生育期土壤含水量(0~20 cm)的时空信息,基于Landsat-8遥感数据反演条件植被温度指数(CVTI),并结合CVTI和实测土壤水分间的线性相关性构建土壤水分反演模型。应用粒子滤波(PF)算法同化基于CVTI反演的和CERES-Wheat模型模拟的土壤水分,得到以天为步长的土壤水分同化值,利用土壤水分实测值分别检验土壤水分模拟值、反演值和同化值的精度。结果表明,CVTI和实测土壤水分间的线性相关性显著,尤其在小麦拔节期和抽穗~灌浆期,其相关性达到极显著水平(P0.01);土壤水分同化值和实测值间的线性相关性(r=0.96,P0.001)大于土壤水分模拟值和实测值间的相关性(r=0.71,P0.01)以及土壤水分反演值和实测值间的相关性(r=0.89,P0.001);土壤水分同化值的均方根误差(RMSE)和平均相对误差(MRE)比土壤水分模拟值的RMSE和MRE分别降低了0.025 cm~3·cm~(-3)和2.70%,比土壤水分反演值的RMSE和MRE分别降低了0.016 cm~3·cm~(-3)和4.15%,同化过程提高了时间序列土壤含水量的估测精度。因此,基于CVTI和PF算法能够较为准确估测关中平原小麦主要生育期的土壤含水量。     

蒙古高原植物生长期土壤水分时空变化特征

以AMSR-2亮温数据,SPOT归一化植被指数为数据源,采用ω-模型和基于Qp模型的双通道反演算法,建立适用于蒙古高原表层土壤水分的反演模型。将该模型应用于2013年蒙古高原植物生长期(4—10月)表层土壤水分反演,同时分析其时空变化特征。结果表明:土壤水分反演值与实测值的Pearson相关系数为0.825,均方根误差达到了0.031 6 cm~3·cm~(-3),反演模型具有较高精度;蒙古高原表层土壤水分平均介于0.047~0.234 cm~3·cm~(-3),土壤水分总的空间分布格局表现出由北向南,由东北向西南逐渐减少趋势;在蒙古国北部以及内蒙古大兴安岭森林-森林草原区,土壤水分与整个研究区相比差异较大,同时在时间序列上该区域土壤水分波动较为显著。     

基于HJ-1B热红外数据的干旱区陆面温度反演与比较

基于HJ-1B卫星热红外数据,利用辐射传输方程法、单窗算法和普适性单通道算法3种单通道算法,对新疆干旱区的陆面温度进行反演,并利用MODTRAN 4.0模型对各算法进行了模拟验证。结果表明:3种算法都能得到较高精度的陆面温度反演结果,平均误差为-0.75~0.51 K,均方根误差(RMSE)为-0.17~0.13 K。与MODIS陆面温度产品的交叉比较验证表明,基于HJ-1B热红外数据的反演结果与基于MODIS数据的陆面温度产品之间的平均偏差为-1.88~0.83 K,均方根误差为3.8 K,确定系数大于0.8,具有较高的相关性。     

兰州市南北两山土壤水分遥感反演及植被需水量估算

探究西北干旱区土壤水分和植被需水量动态变化特征,可为生态恢复不同阶段所需水资源量及水资源优化配置提供科学依据。以兰州市南北两山为研究区,基于Sentinel-2 L2A和Landsat 8 OLI遥感影像,结合实测土壤0～10 cm的111个数据,分别构建垂直干旱指数(Perpendicular Drought Index,PDI)、改进型垂直干旱指数(Modified Perpendicular Drought Index,MPDI)和植被调整垂直干旱指数(Vegetation-adjusted Perpendicular Drought Index,VAPDI)土壤水分反演模型,并采用4种模型指标定量决定系数(R2)、平均绝对误差(MAE)、平均相对误差(MRE)、均方根误差(RMSE)对模型反演的效果进行精度评价,选出最优的土壤水分反演模型并结合土壤水分限制系数,与研究区2019年林地、草地和耕地植被面积的空间数据、各站点生长季内的参考作物蒸散量,构建植被生态需水量模型,厘清研究区内土壤水分、植被需水量时空变化特征。结果表明：(1)2种数据源下的PDI、MPDI、VAPDI和实测...     

基于被动微波遥感的积雪深度反演

利用北疆地区2009-2010年积雪季(12-2月)AMSR_E降轨数据19GHz与37GHz波段的水平极化亮温数据,结合北疆地区60个气象台站的实测雪深数据,建立了北疆地区基于AMSR_E亮度温度数据的雪深反演模型。对模型精度进行评价,结果显示:雪深在3-10cm时,模型反演的雪深值负向平均误差为-4.8cm,RMSE值为4.1cm;雪深在11-30cm时,模型反演雪深值的平均误差仅为-0.2cm,RMSE、正向平均误差、绝对平均误差均较小;雪深大于30cm时,模型反演的雪深值负向平均误差较小,其他各项误差较大。与实测值进行对比,模拟结果同台站观测情况基本一致。     

TRMM数据应用于降雨量和降雨侵蚀力估算的适宜性研究

USLE/RUSLE模型的模拟精度在很大程度上依赖于各个土壤侵蚀因子的准确估算,降雨侵蚀力因子R作为其最重要的因子之一,由于降雨实测资料不足而使其计算精度存在偏差.TRMM数据已被广泛应用于降雨数据估算,为解决这一难题提供了新的思路.文中基于2008 ～ 2009年TRMM 3B42数据集,采用已有计算方法,对我国2008 ～ 2009年降雨量和降雨侵蚀力进行了估算.并根据2008年实测降雨量以及已有研究成果对估算结果进行了对比分析和验证.结果表明:1)基于TRMM数据的降雨量估算值与实测数据具有较好的一致性,能够很好地反映降水变化过程,但与实测值之间仍存在一定偏差.2)2008年各月降雨量估算值与实测值之间的Nash-Sutcliffe系数E与均方根误差RMSE表现出相反的季节变化.3)多年平均R值与2008年和2009降雨侵蚀力估算值之间的相关系数分别为0.85和0.76,表现出较好的一致性.4)由于数据本身的局限性,TRMM数据对某些地区某些时段的降雨侵蚀力估计值普遍偏高.     

TIGGE降水预报在中国干旱半干旱地区的适用性评估

TIGGE降水产品作为目前中短期集合预报最权威的数据集合的重要组成部分,其在中国干旱半干旱地区的适用性如何,还需要进一步探讨.基于中国干旱半干旱地区2015—2017年实测降水数据,采用平均绝对偏差、均方根误差、TS评分等指标,从降水量预报、降水分级预报、降水探测能力和空间预报精度等多角度出发,综合评估了TIGGE数据...     

内蒙古东北部大豆灌溉动态预报模型

为实现内蒙古东北部大豆农田灌溉动态预报,应用多项式拟合方法将大豆适宜土壤湿度下限值插值到全生育期的每一天,形成适宜土壤水分下限动态连续指标曲线,并从土壤-作物-大气连续体角度出发,依据农田土壤水分平衡理论,利用内蒙古突泉农业气象试验站2001—2007年土壤水分数据和气象资料,建立了适合内蒙古东北部旱作农区的大豆灌溉动态预报模型,实现了灌溉日期和灌溉量的时域滚动预报;利用2008—2011年实测数据验证该模型模拟结果,土壤相对湿度预测值与实测值的均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为2.44%和3.42%,预报灌溉日期的误差在-3~3 d之间,表明模型准确性和实用性较强,可为东北大豆产区节水灌溉提供一定的科学依据。