基于表观热惯量的土壤水分监测

土壤水分含量是监测农业干旱的重要指标, 遥感法是大面积监测土壤水分时空特征的主要方法, 热惯量法是遥感方法监测土壤水分的主要研究手段之一。本文提出了一个改进的表观热惯量模型计算表观热惯量, 并通过地面验证试验对该模型的适用性进行了分析。在中国科学院栾城农业生态系统试验站, 通过严格的控制试验, 设计了10 个不同植被覆盖、不同土壤水分含量的试验小区, 针对表观热惯量的适用条件, 利用实测的地表温度、植被指数、反照率、太阳辐射等参数计算了不同植被覆盖不同土壤水分含量下的表观热惯量,并与土壤体积含水量进行了相关和回归分析。结果表明: 在植被覆盖度较低情况下[归一化植被指数(normalized difference vegetation index, NDVI)<0.35], 表观热惯量法具有较好的效果, 表观热惯量与土壤体积含水量之间的相关系数大于0.7, 通过了95%的显著性检验, 两者具有很高的相关性, 可以用热惯量法监测土壤水分状况; 在较高植被覆盖情况下(NDVI>0.35), 表观热惯量与土壤体积含水量之间没有相关性, 热惯量法监测土壤水分失效; NDVI 为0.35 可以作为热惯量法监测土壤水分状况是否可行的判断条件。     

基于多波段MODIS遥感数据的乌审旗土壤含水量监测研究

[目的]探究内蒙古自治区乌审旗地区土壤含水量与表观热惯量的响应关系,提高土壤含水量遥感监测精度,使观测分析结果更具说服力和可靠性。[方法]选取多波段MODIS遥感数据和表观热惯量法,采用重复的地面采样方案设计,减弱单点采样代表性差的影响。[结果]该方案设计较单点采样方法相关系数有明显提高,对0—10cm,0—20cm,0—30cm土壤含水量相关系数分别为0.587,0.658和0.650。对回归模型进行精度验证,得其含水量平均相对误差为21.53%,26.67%,22.83%。[结论]重复的地面采样方案下,基于表观热惯量的乌审旗土壤含水率监测结果更加科学、可靠。     

那曲东部土壤水分MODIS遥感反演研究

利用那曲东部2014年8月至2015年7月土壤水分观测资料与同期MODIS数据建立了研究区土壤水分遥感监测模型。表观热惯量法(ATI)反演土壤水分结果不理想,基于MODIS 8天合成数据以及晴空数据拟合结果的决定系数分别为0.4503和0.3753,晴空条件下ATI方法监测效果较差。基于单窗方法建立的四种模型中,三次多项式模型拟合效果较好,决定系数为0.5475,分析认为排除冬季数据后建模效果更好。结论:基于单窗方法的三次多项式模型能较好的反演研究区土壤水分,不足之处为对天气要求较高,若无晴空遥感数据,将影响土壤水分监测工作的开展。     

土壤水分光谱特征研究

土壤水分是土壤的最重要的组成部分之一，也是反映土地质量的一个重要指标。土壤中水分含量的高低对热量平衡、土壤温度、农业墒情均有重要意义。遥感技术具有快速、广域、现势性强等优点，所以用可见光、近红外、热红外以及微波等遥感手段探测土壤含水量的研究在国内外已得到广泛的重视和应用。目前，土壤水分遥感监测主要采用4类研究方法，即土壤水分光谱法、热红外方法（热惯量方法）、微波方法和植被指数法。     

能量指数法在黑龙江干旱监测中的适用性研究

基于MODIS产品资料,结合土壤墒情实测数据,就能量指数法在黑龙江省农业干旱遥感监测中的适用性展开研究。结果表明:能量指数法的监测效果明显优于热惯量法和植被供水指数法,同时该方法还解决了其他方法不能连续监测土壤含水量的问题,适用于各种植被覆盖条件下以及各种土层深度的干旱监测。同时,运用多年资料分时、分层建立了基于能量指数法的土壤水分反演模型,模型的拟合效果在50cm深度时最好,20cm深度次之,10cm深度稍差。此外,模型在2009年黑龙江省干旱监测应用中的效果表明,反演结果与实际情况基本一致,能较好地反映黑龙江省旱情的空间分布和发展过程。     

我国土壤水分遥感监测中热惯量模式的研究现状与进展

简要介绍了土壤水分热红外遥感监测的热惯量模主国外在这一方面所取得的主要成果,阐述了我国利用热惯量模式监测土壤水分的应用性试验的现状,以及在模式研究方面所取得的进展。     

土壤水分遥感监测的研究进展

土壤水分是土壤的重要组成部分,在地—气界面间物质、能量交换中起着重要的作用,是农作物生长发育的基本条件和农作物产量预报的重要参数。遥感技术具有大面积同步观测,时效性、经济性强的特点,为大面积动态监测土壤水分提供了可能。简述了到目前为止出现的几种主要的土壤水分遥感监测方法,如热惯量法、作物缺水指数法、归一化植被指数法、植被指数距平法、植被供水指数法、植被状态指数法、温度状态指数法、温度植被干旱指数法、高光谱法、微波遥感法,并分析了各种方法的原理和特点,最后展望了土壤水分遥感监测方法的发展趋势。     

我国用NOAA/AVHRR资料进行干旱遥感监测的方法综述

遥感技术监测土壤水分和干旱具有其它监测手段不可替代的优势。我国自80年代以来，在有无植被覆盖方面使用热惯量方法和植被指数进行了各种尝试和探索。总结出了多种遥感监测干旱的方法，在不同区域的监测中取得了较好的效果；并介绍了干旱遥感监测的发展趋势。     

基于MODIS资料的新疆土壤水分遥感应用研究

以新疆2005年4-8月土壤墒情数据和MODIS卫星遥感数据为基础,通过对主要农作物生长季内NDVI变化、不同层次土壤相对湿度与地表亮温日较差的相关分析,构建了土壤相对湿度回归模型。所有模型均通过0.01水平的F检验。分析得出:新疆5月下旬以前利用热惯量法监测土壤墒情精度在81%以上,6月上旬-8月下旬单纯使用热惯量法监测土壤墒情精度不够理想。     

基于NDVI分区的全国草地生态系统覆盖区土壤水分遥感反演

为了建立土壤水分遥感反演模型,反演2016年全国草地生态系统土壤水分并分析其时空变化特征,通过结合表观热惯量(ATI)和温度植被干旱指数(TVDI)的混合模型反演2016年全国草地生态系统的土壤水分,并在实测数据与反演结果精度验证的基础上确定归一化植被指数(NDVI)阈值。结果表明:(1)NDVI≤0.2的像元区域,采用ATI模型反演精度较高; NDVI≥0.78的像元上,基于增强型植被指数(EVI)的TVDI反演精度较高; 0.2相似文献   

灌溉农田土壤湿度的时空变化特征

为了探讨现代土壤墒情监测手段在业务监测实践中的应用方法,利用中国气象科学研究院固城生态与农业气象试验基地的业务和试验资料,对灌溉农田土壤湿度的时间变化特征和空间关系进行了分析。结果表明,灌溉农田的土壤湿度呈一年的周期性变化;浅层(0-50cm)土壤湿度时空波动显著,且各层的变化存在不一致性,60cm以下土层湿度时空变化很小,0-50cm土层的平均土壤湿度能较好地反映0-200cm土层的土壤水分状况,对土壤湿度的监测应集中在浅层50cm内,并需要逐层测量;浅层土壤湿度变异明显,大田中两点各层土壤湿度的相关性一般随两点距离增加而减小,单个测点的土壤湿度测值的代表性差,因此在自动土壤水分仪器布点时,要获得地段的平均土壤湿度信息,必须设置多个观测重复;表层5cm的土壤湿度变化剧烈而迅速,不能正确反映作物根系主要分布层的土壤水分状况,而表层10cm的土壤湿度与作物根系主要分布层的土壤湿度具有很好的联动性,可以较好地反映作物生长的环境土壤水分状况,因此,在应用微波遥感监测土壤墒情时,其对地表的探测深度需要达到10cm以上才能获得关于作物根系主要分布层的土壤水分状况信息,相应地,在土壤墒情微波遥感监测中,需要采用5GHz以下的频率。     

土壤遥感监测研究进展

对土壤光谱遥感监测的国内外发展情况进行了回顾，简单总结了影响土壤光谱的原因、土壤光谱的类型、土壤遥感的最佳波段、土壤的遥感分类以及土壤遥感的定量研究。重点对土壤水分遥感监测的方法和原理进行了详细的论述。最后对土壤遥感监测的发展趋势进行了分析和展望。     

基于温度差监测西北地区的土壤相对湿度

在2012年黑河生态水文遥感试验（HiWATER）观测资料的基础上,结合卫星的地表温度产品计算观测点的垂直温度差及温度的日较差,并分析了不同时间尺度上温度差与浅层土壤相对湿度（包括土层深度2 cm,4 cm和10 cm的土壤相对湿度）的相关性。为检验温度差在区域含水量监测中的效果,利用经度、纬度和海拔高度对气温进行插值。同时为消除温度的区域性差异,将各温度差进行归一化处理,最后将归一化后的垂直温度差区域分布与土壤相对湿度进行了对比。结果表明:在各温度差中,地表温度和气温计算的垂直温度差与浅层土壤相对湿度的相关性最好;在时间尺度上,温度差与浅层土壤相对湿度的相关系数随时间尺度的增加而增大;在各土层深度中,温度差与4 cm的浅层土壤相对湿度相关性更好;在气温插值中,在纬度和海拔高度基础上插值出的气温与实测值之间更为接近;区域尺度上,归一化后的垂直温度差有效地解决了地理位置和下垫面对垂直温度差的影响,可以很好地监测月尺度上土壤湿度的变化的情况。     

基于模糊判别成分分析法的高光谱作物信息提取与分类

东北地区是中国主要的玉米种植区,同时也是中国易发生干旱的地区,干旱常态化严重制约着该地区玉米生产的稳定发展。以辽宁省春玉米为研究对象,在明确春玉米不同发育期干旱变化特征的基础上,基于FY-3A、MODIS、春玉米发育期和土壤相对湿度观测等数据,建立春玉米干旱遥感监测指标集,构建各发育期不同土层深度的土壤相对湿度遥感监测模型,并以2000年为例开展了辽宁省春玉米干旱监测的应用研究,结果表明：1993-2012年辽宁省春玉米在各个发育期均有干旱发生,其中1999-2002年为干旱高发期,乳熟期干旱最为严重;多指数协同配合能提高遥感手段对土壤相对湿度的监测能力,其中陆表水分指数对土壤相对湿度监测能力较强,其次是水分指数;利用构建的春玉米各发育期土壤相对湿度遥感监测模型,监测2001-2004年部分发育期和土层深度的干旱状况,总体监测准确率为73.32%;实现了2000年辽宁省春玉米发育期干旱等级动态监测,所得监测结果与当年农业气象观测记录在发育阶段和空间上都有很好的一致性,遥感监测结果正确。因此,此项研究对于大范围准确跟踪监测春玉米干旱,以及提高春玉米生产的防灾减灾能力具有重要意义。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

基于植被指数的春玉米干旱响应遥感监测

东北地区是中国主要的玉米种植区,同时也是中国易发生干旱的地区,干旱常态化严重制约着该地区玉米生产的稳定发展。以辽宁省春玉米为研究对象,在明确春玉米不同发育期干旱变化特征的基础上,基于FY-3A/MERSI、Terra/MODIS、春玉米发育期和土壤相对湿度观测等数据,建立春玉米干旱遥感监测指标集,构建各发育期不同土层深度的土壤相对湿度遥感监测模型,并以2000年为例开展了辽宁省春玉米干旱监测的应用研究,结果表明：1993—2012年辽宁省春玉米在各个发育期均有干旱发生,其中1999—2002年为干旱高发期,乳熟期干旱最为严重;多指数协同配合能提高遥感手段对土壤相对湿度的监测能力,其中陆表水分指数对土壤相对湿度监测能力较强,其次是水分指数;利用构建的春玉米各发育期土壤相对湿度遥感监测模型,监测2001—2004年部分发育期和土层深度的干旱状况,总体监测准确率为73.32%;实现了2000年辽宁省春玉米发育期干旱等级动态监测,所得监测结果与当年农业气象观测记录在发育阶段和空间上都有很好的一致性,遥感监测结果正确。因此,此项研究对于大范围准确跟踪监测春玉米干旱,以及提高春玉米生产的防灾减灾能力具有重要意义。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

无人机多光谱遥感反演各生育期玉米根域土壤含水率

为准确及时地获取植被覆盖条件下农田土壤水分信息,该文以不同水分处理的大田玉米为研究对象,利用无人机遥感平台对夏玉米进行多期遥感监测,并同步采集玉米根域不同深度土壤含水率(Soil Water Content,SWC)。基于2018年夏玉米拔节期、抽雄-吐丝期和乳熟-成熟期的无人机多光谱遥感影像数据集,通过支持向量机(Support Vector Machine,SVM)分类剔除土壤背景,提取玉米冠层光谱反射率并计算10种植被指数(VegetationIndex,VI),然后利用全子集筛选(FullSubsetSelection)法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析,并分别采用岭回归(Ridge Regression,RR)和极限学习机(ExtremeLearningMachine,ELM)2种方法构建全子集筛选后0～20、20～45和45～60cm不同深度下的土壤含水率定量估算模型。结果表明:基于贝叶斯信息准则(BayesianInformationCriterion,BIC)的全子集筛选法可以有效筛选最优光谱子集,筛选变量基本都通过了显著性检验,自变量个数较少;在同一生育期、同一深度条件下,ELM模型效果均优于RR模型;玉米在拔节期、抽雄-吐丝期的最佳监测深度为0～20cm,在乳熟-成熟期的最佳监测深度为20～45cm;乳熟-成熟期的20～45cm深度下的ELM反演模型效果最优,其建模集和验证集的决定系数Rc2和Rv2分别为0.825和0.750,均方根误差RMSEc和RMSEv分别为1.00%和1.32%,标准均方根误差NRMSEc和NRMSEv分别为10.85%和13.55%。利用全子集筛选法与机器学习相结合的方法可以提高土壤含水率的反演精度和鲁棒性,本研究为快速、准确地监测农田土壤墒情、实施精准灌溉提供了一种新的途径。     

基于温度植被干旱指数的江苏淮北地区农业旱情监测

为实现江苏省淮北地区农业旱情监测,利用Savitzky—Golay(S-G)滤波方法,对2011—2012年江苏省淮北地区1-5月MODIS的归一化植被指数(normalized difference vegetation index,NDVI)和地表温度(land Surface temperature,LST)8 d产品进行重构,去除原8 d数据的噪声,填补受云影响而缺失的数据。基于重建后的NDVI和LST数据,计算温度植被干旱指数(temperature vegetation dryness index,TVDI);分析TVDI和土壤湿度之间的关系,构建土壤湿度反演模型。最后,利用另外1组数据验证所建土壤湿度模型的精度。研究结果表明:1)S-G滤波方法能够提高MODIS LST和NDVI数据质量,并能对缺失数据进行填补;2)TVDI方法能够实现试验区土壤湿度反演,所建模型在试验区具有一定的普适性,反演精度较高(R2=0.575,RMSE=2.59%);3)TVDI方法在江苏省淮北地区干旱监测中得到了较好的应用,能够成功地监测出江苏淮北地区2011年和2012年春旱。该研究可为农业旱情的快速监测提供借鉴。