基于ASAR的冬小麦不同生育期土壤湿度反演

基于ASAR高级合成孔径雷达ASAR数据和地面调查数据,结合MIMICS模型分析方法,研究ASAR后向散射数据与土壤湿度及冬小麦结构参数之间的关系,构建冬小麦不同生育期土壤湿度反演模型。研究结果表明：冬小麦冠层散射影响ASAR信号探测土壤湿度的深度,冬小麦生长初期（起身期前）ASAR信号探测土壤湿度的最佳深度为0～20 cm,拔节期后ASAR信号探测土壤湿度的最佳深度为0～5 cm。冬小麦抽穗期前,ASAR IS2 VV模式后向散射系数与土壤湿度线性相关性较高,可以利用经验统计模型方法反演土壤湿度;冬小麦生长旺盛期（抽穗期）,经验模型土壤湿度反演精度较差,多角度ASAR数据模型能够提高土壤湿度反演精度。利用该土壤湿度反演模型,起身期、拔节期和抽穗期土壤湿度反演的均方根误差分别为0.0125、0.0247和0.0298 g/g。     

基于双时相ASAR影像的土壤湿度反演研究

地表粗糙度和湿度是影响裸地后向散射系数的重要因素,为了探求ENVISAT-ASAR 数据监测土壤湿度在国内的应用,该文以ASAR影像数据为基础,利用ZSribi-Dechambre(2002)经验模型研究了中国科学院南皮农业生态试验站附近一裸地的表面粗糙度和地表湿度.对雷达入射角进行归一化处理使之满足模型需求,反演结果表明该区地表粗糙度主要分布0.05～0.50 cm之间,土壤体积含水率大多分布存10%～34%之间,局部区域由于一些积水沟渠,使得土壤体积含水率较高,这与调查的实际情况相符合.反演的土壤湿度用地面实测值验证,结果发现模拟值和实测值具有较好的一致性,其RMSE误差为3.7%.该文介绍了在没有地表先验知识的情况下,利用扣除掉土壤粗糙度影响的后向散射反演模型获取土壤湿度的方法.该法仅需要两景相邻近时相并且不同入射角的HH同极化雷达影像,根据其后向散射系数的差值△"'即σ°可估算出粗糙度和土壤湿度参数,从而方便快捷地监测局部区域的土壤湿度状况.     

裸露地表土壤水分的L波段被动微波最佳角度反演算法

该文阐述了中纬度地区春季裸露耕地土壤水分监测的重要性,对比分析了目前几种主要的土壤水分反演方法。为提高裸露耕地土壤水分的监测精度,在分析AIEM土壤发射率模拟数据库的基础上,提出了一种基于L波段单角度双极化被动微波遥感数据的土壤湿度和土壤粗糙度的反演算法,并对新反演算法的创新性和可行性进行了基于仿真数据的论证。该反演算法以地表温度作为辅助数据,利用L波段47°双极化的微波亮温数据进行土壤湿度和粗糙度的反演。仿真数据的验证结果表明,在充分考虑土壤温度、土壤质地等辅助数据测量误差的条件下,算法对土壤湿度和土壤     

双极化雷达反演裸露地表土壤水分

为了快速高效地获取大面积地表土壤水分,本文提出一种适用于双极化SAR(synthetic aperture rader)的裸露地表土壤水分反演经验模型。首先通过AIEM(advanced integral equation model)模型数值模拟和回归分析,提出一种新的粗糙度参数,将2个传统的粗糙度参数简化为1个参数;然后模拟地表土壤水分与雷达后向散射系数的关系,从而建立裸露地表的经验散射模型,模型的未知参数仅为粗糙度参数和土壤体积含水量,通过双极化的雷达数据即可实现土壤水分的反演。通过2008年甘肃张掖黑河流域实测数据对模型进行了初步验证,发现在入射角大于25°时,模型反演值与实测值有着良好的相关关系(相关系数为0.745)。该模型仅需双极化的雷达数据就能实现土壤水分的反演,无需测量地面粗糙度,尤其适用于大面积干旱区域的地表土壤水分的获取。     

基于土壤微波辐射布儒斯特角反演土壤含水率

在利用被动微波遥感技术进行裸露地表土壤含水率(Soil Moisture Content,SMC)的反演中,土壤粗糙度是制约反演精度的最关键因素。该研究利用改进的积分方程模型(Advanced Integral Equation Model,AIEM)进行地表多角度微波发射率的模拟,探索地表微波辐射多角度信息用于提高地表SMC反演精度的可行性。基于不同SMC和不同粗糙度地表多角度V极化发射率数据的变化趋势提取土壤介质布儒斯特角,结果表明,土壤布儒斯特角对SMC具有较高的敏感性,C波段(6.6 GHz)不同含水率土壤的布儒斯特角分布在60°～80°范围内。基于AIEM模拟数据的分析发现,土壤布儒斯特角正切值与SMC具有较好的线性关系,线性拟合决定系数为0.94,均方根误差为0.027cm~3/cm~3,并得到了基于布儒斯特角的裸露地表SMC反演算法。基于模拟数据的算法验证结果表明,算法的SMC预测值与理论值的决定系数为0.95,均方根误差为0.024 cm~3/cm~3。算法在不同土壤粗糙度自相关函数下均表现出稳健的特性,SMC预测精度最大均方根误差为0.027 cm~3/cm~3,最小为0.023cm~3/cm~3。基于布儒斯特角的SMC反演算法利用的是多角度土壤发射率的相对变化而非其绝对数值,该研究为SMC的多角度被动微波遥感提供了一种不同的研究思路。     

基于粗糙度定标的IEM模型的土壤含水率反演

为研究基于粗糙度定标的模型进行土壤含水率反演的可行性,该文利用2幅不同时相的高级合成孔径雷达ASAR影像,以经验相关长度(lopt)代替相关长度l,实现对积分方程模型IEM(integral equation model)的粗糙度定标,以改进IEM模型对后向散射系数的模拟。在此基础上模拟了后向散射系数与土壤体积含水率(Mv)、lopt、均方根高度(hRMS)的关系,以组合粗糙度Zs(hRMS2/lopt)代替lopt与hRMS,建立土壤含水率反演的经验与半经验方法。对比2个不同时相的土壤含水率反演值与实测站点观测数据表明,经验方法下应用2004年8月18日、2004年8月24日2个时相的反演值与实测值的相关系数分别为0.785、0.837,半经验方法下则分别为0.900、0.863,表明半经验方法精度更好。该研究为利用两幅不同时相的ASAR影像获取两幅土壤含水率数据提供依据。     

PROSAIL模型和水云模型耦合反演农田土壤水分

土壤水分的实时、动态监测对农业生产及作物估产有着非常重要的意义。该文提出一种光学和雷达遥感半经验耦合模型,该模型通过引入植被覆盖度将作物覆盖下的散射贡献与裸露地表的直接散射贡献区分开,结合水云模型和PROSAIL模型对农田区域土壤水分进行反演研究。结果表明：该耦合模型模拟得到的后向散射系数与实测值之间具有较好的线性关系,在HH和VV极化下决定系数R2分别为0.792和0.723,RMSE分别为0.600和0.837 dB。同时该模型对农田区域土壤水分的反演精度也较高,其R2为0.809,RMSE为0.043 cm3/cm3。因此该模型可以有效分离农田作物及裸露土壤对雷达信号的影响,准确建立地表直接后向散射贡献与土壤水分的关系,为大面积复杂地表类型覆盖区域的土壤水分反演提供研究思路和理论支持。     

利用时序合成孔径雷达数据监测水稻叶面积指数

为了确定全极化雷达数据监测水稻叶面积指数动态变化的精度,该文对水稻叶面积指数与后向散射系数进行了各生长阶段建模比较。采用广东雷州地区多时相多入射角精细全极化Radarsat-2数据,结合水稻全生育期地面样方实测数据,首先分析多入射角归一化后四极化(vertical-horizontal polarization,VH;vertical-vertical polarization,VV;horizontal-horizontal polarization,HH;horizontal-vertical polarization,HV)、比值极化HH/VV后向散射系数与水稻叶面积指数(leaf area index,LAI)随时间变化特征以及在营养生长阶段、生殖生长阶段和全生育期的相关关系,提取相关系数高于0.8的极化与生长阶段进行水云模型建模,最终生成多期水稻LAI反演分布图,并验证该数据反演水稻各生长阶段LAI的精度,探索SAR数据追踪区域尺度水稻长势的可行性。结果表明,在地形较为平坦的水稻集中连片种植区,VV、HH/VV后向散射系数与LAI在营养生长期、全生育期极显著相关(P0.01),相关系数均高于0.83。营养生长阶段VV、HH/VV水云模型拟合决定系数分别为0.77、0.87,全生育期VV、HH/VV水云模型拟合决定系数分别为0.73、0.8,营养生长阶段模型优于全生育期模型。精细四极化SAR数据监测区域尺度水稻LAI动态变化具有应用潜力,优选的极化模型为进一步的水稻长势监测提供依据。     

基于遥感技术的地表蒸散业务化反演

分析地表蒸散业务化反演的现状需求及所面临的困难,从业务化运行的目标出发,根据地表蒸散业务化反演的几点原则：独立性、简洁性、普适性、尺度扩展性,对现今较为常用的几种地表蒸散模型进行对比分析,最终选取Priestley-Taylor(PT) 模型作为核心方法,建立地表蒸散业务化反演的运作技术流程。在MODIS数据和气象数据支持下,以黑河流域为试验区,对该方法和流程进行验证,反演得到该流域地表日蒸散量。最后以FAO56 Penman–Monteith模型反演结果作为检验标准进行精度评价分析,两种反演结果相关性达0.880。较高的反演精度表明,PT模型的选用和该技术流程的建立是合理的,足以满足业务化反演的需求,具有进一步的可操作性和实用性。     

MODIS干旱指数结合RBFNN反演冬小麦返青期土壤湿度

土壤湿度是农业干旱信息最重要的表征因子,它的反演对区域乃至全球农业干旱监测及预报都具有重要意义。该文基于MODIS遥感干旱监测指数构建了冬小麦返青期土壤湿度的评价指标体系,在此基础上,结合径向基函数神经网络(RBFNN)协同反演农地土壤湿度。首先,针对单一利用遥感干旱指数反演土壤湿度具有一定的局限性问题,选取监测土壤含水量、作物需水形态变化、冠层含水量、冠层温度等参量的遥感干旱监测指数作为综合评价指标;并利用实测土壤湿度作为验证标准,从原始遥感干旱监测指数中选取出适宜的指标集;然后,以选取的评价指标集为输入层,以实测土壤湿度作为输出层的输出,构建RBFNN的农地土壤湿度反演模型。研究结果表明:应用在河南省冬小麦返青期时,基于MODIS遥感干旱监测指数与RBFNN协同反演的土壤湿度模型具有较好的反演效果;模型的评价指标集与10 cm深度的土壤湿度相关性更好,而且能综合多通道遥感信息来反映土壤湿度的变化;模型的平均预测精度达到93.27%,与BP-NN和线性回归反演模型相比,反演精度分别提高了2.92和9.97百分点;模型回归分析相对1:1斜线的偏差最小;相关系数为0.846 49,回归决定系数为0.862 6。研究结果可为区域土壤湿度的遥感反演提供新的案例参考。     

单时相双极化ENVISAT ASAR数据水稻识别

许多研究已表明合成孔径雷达(SAR)对水稻识别及作物长势监测很有潜力。但是，以往的研究多是采用单极化多时相SAR数据进行水稻监测的。该文本着探讨多极化方式的优势以及降低数据购买成本和减少数据处理量的目的，对单时相双极化的ENVISAT ASAR APP数据的水稻识别能力进行了评价。在水稻生长季节，获取了覆盖江苏洪泽县的ASAR APP时间序列数据。首先，分析比较不同地物的后向散射系数，选择出最能区分水稻与非水稻的单时相数据；然后，采用决策阈值法将水稻信息从图像中提取出来；最后，利用DGPS实测的样地数据对水稻识别进行精度验证。结果表明，利用水稻齐穗期至近成熟期的HH和VV极化的ENVISAT ASAR APP图像能较好区分水稻与非水稻， 水稻识别精度可达86％以上。     

基于RADARSAT-2全极化数据反演周期性地表土壤湿度

土壤湿度是农作物估产和旱情监测的关键参量。目前常用的土壤湿度反演模型都建立在随机粗糙地表条件下,对周期性垄行结构的土壤并不适用。基于RADARSAT-2全极化数据和野外实测数据,分析了交叉极化(vh)后向散射系数对垄行方位角无明显响应;同极化(hh,vv)对方位角的响应为余弦函数,但在方位角为90o±2o位置易出现偏离曲线的异常高亮度值。通过雷达影像上采样点的实测值和Oh模型推算的理论值,拟合得到周期性地表和随机地表之间的误差函数,进而对同极化影像进行纠正。纠正后的同极化比(p)去除了方位角和异常值的影响,交叉极化比(q)受到异常值的影响。通过Oh模型中的p和vh对研究区的地表参数进行反演,17个检验点的验证结果表明,预测的土壤湿度平均相对误差为11.13%,标准差为0.0256cm3/cm3;预测的均方根高度平均相对误差为13%,标准差为0.1315cm。结果与随机粗糙地表土壤湿度和均方根高度的反演精度相当,证明了该模型的有效性。     

L波段主被动微波协同反演裸土土壤水分

土壤水分是进行干旱监测、土壤侵蚀、农作物产量预测以及地表温度研究的重要参量,利用主被动微波协同的方法提高土壤水分的反演精度是定量遥感发展所面临的重要任务。本文基于土壤L波段微波散射辐射模拟数据集,通过对比分析主被动微波数据对土壤水分含量和粗糙度2个参数的敏感性,提出了基于L波段主被动协同的裸土土壤水分反演算法,算法充分利用了被动微波地表发射率对土壤水分较为敏感,而主动微波后向散射系数对地表粗糙度较为敏感的特点。首先由地表垂直极化发射率和 VV 极化后向散射系数协同提取地表粗糙度信息,再由被动微波双极化数据结合地表粗糙度信息来估算土壤水分信息。利用SMAPVEX12实验数据集中部分稀疏植被采样点的观测数据对算法进行验证,验证结果显示,土壤水分反演结果与地面实测数据相关性为0.6637,RMSE为0.0607 cm3/cm3。该文反演算法模型系数直接由模拟数据集计算得到,克服了常规经验算法的发展对地表实测数据的依赖性,减小了算法在实际应用中的局限性。     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于主被动遥感数据融合的土壤水分信息提取

为改善西北半干旱地区的土壤含水率监测精度,该文选择张掖地区黑河流域为研究区,提出了一种基于主被动遥感融合数据贝叶斯网络分类的土壤水分信息提取方法。该方法依据光学与雷达遥感数据本身在反演土壤水方面的各自优势,首先利用小波变换与IHS结合的算法将TM5、4、3与ASAR数据融合,融合规则采用局部距离最大替代法,在突出融合影像细节的同时,一定程度上保留了TM数据的光谱信息。然后构建BN网络进行分类,以融合后新的R'、G'、B'分量和TM6波段作为网络的输入,输出为5个不同的类别,分别对应5个不同等级的土壤水分含量。经实测数据对融合前后分类结果的比较分析,结果表明,此方法在植被区能取得更好的效果,分类精度达到76.1%,对荒漠区效果欠佳。因此该方法在植被覆盖区对提取区域土壤水分信息是可行的、有效的。     

利用多时相Sentinel-1 SAR数据反演农田地表土壤水分

土壤水分是陆面生态系统水分和能量循环的重要变量,在农田干旱监测、作物长势监测和作物估产等应用研究中具有重要的作用。该文结合基于变化检测的Alpha近似模型,利用Sentinel-1卫星获取的多时相C波段合成孔径雷达(synthetic aperture radar,SAR)数据,实现了农田地表土壤水分的反演。该文首先利用微波辐射传输模型验证了Alpha近似模型在土壤水分反演中的合理性。研究发现,对于土壤散射占主导的区域,Alpha近似模型对辐射传输模型有较好的近似,能够有效地消除地表粗糙度和植被对雷达后向散射系数的影响。在此基础上,结合怀来研究区多时相Sentinel-1 SAR数据,利用Alpha近似模型构建了土壤水分观测方程组,通过求解方程组得到了农田地表土壤水分。地面验证结果表明,土壤水分反演的均方根误差(root mean square error,RMSE)为0.06 cm3/cm3,平均偏差为0.01 cm3/cm3,精度较好。该文研究为利用高重访周期、多时相的Sentinel-1 SAR数据获取农田地表土壤水分提供了参考。     

内蒙古通辽膜下滴灌玉米棵间蒸发量SIMDual_Kc模型模拟

为明确内蒙古东北部地区玉米膜下滴灌棵间蒸发的变化规律,探索玉米膜下滴灌节水增产机制,在田间试验的基础上,采用经过参数率定与验证的双作物系数SIMDual_Kc模型,模拟分析了土壤含水率、土壤棵间蒸发及作物系数的变化规律,结果表明:1)双作物系数SIMDual_Kc模型模拟内蒙古东北部地区滴灌玉米土壤含水率与实测值具有很好的一致性;2)利用双作物系数SIMDual_Kc模型估算出该地区覆膜玉米生育初期、中期和后期作物系数分别为0.15、1.05、0.4,无膜滴灌玉米初期、中期和后期作物系数分别为0.15、1与0.4;3)根据双作物系数模型SIMDual_Kc模拟了2014和2015年滴灌玉米棵间蒸发量占作物蒸散发的比例,覆膜滴灌较无膜滴灌少,说明覆膜能有效降低作物棵间蒸发量,具有降低作物耗水量的潜在优势。研究结果可以为内蒙古东北部地区玉米滴灌生产实践提供科学依据。