粗糙度不变假设下的大区域冬小麦墒情多源遥感监测方法

大区域农田墒情遥感定量监测对当代精准农业应用意义重大,但如何提高监测精度一直是该领域的关键问题.融合多源遥感的方法可以充分发挥各种遥感的优势,是提高监测精度的重要技术手段.以河南省中东部为研究区域,利用MODIS、Sentinel数据,结合实测土壤含水量,根据植被覆盖、地表粗糙度和不同湿度的土壤对后向散射的贡献,利用BP神经网络模型构建上述参数的关系,分别对研究区2016年3-6月冬小麦高植被覆盖时期0～10 cm、0～20 cm深度土壤墒情反演.根据地表粗糙度参数的性质,提出了地表粗糙度不变假设,并结合遗传算法优化BP神经网络方法(GA-BP),进行对比实验.结果显示:①植被茂盛期,后向散射系数(σ)及其差值(?σ)与土壤墒情均具有一定的相关性,VV极化优于VH极化,差值优于原值;②在反演0～10 cm与0～20 cm深度土壤墒情时,BPσ、BP?σ、GA-BP?σ模型得到的结果精度均依次提高,其中GA-BP?σ模型的均方根误差0～10 cm为4.07％,0～20cm为3.42％;③3种BP神经网络模型皆与0～20 cm深度土壤墒情相关性较好,预测精度较高.研究表明:中原地区冬小麦全生育期地表粗糙度不变假设是成立的,后向散射系数差值(?σ)与土壤墒情的相关性更好,0～20 cm的根部墒情的遥测敏感度更高,     

基于温度植被干旱指数(TVDI)的土壤干湿反演

【目的】快速准确监测大面积区域土壤水分,提高遥感监测土壤水分的效率。【方法】采用Landsat 8 OLI影像构建了地表温度(Ts)-植被指数(NDVI)特征空间,拟合了特征空间的干湿边方程,并根据干湿边方程计算的温度植被干旱指数(TVDI)与同期野外不同深度的实测土壤含水率进行了回归分析与验证。【结果】遥感影像反演所得的TVDI与野外实测土壤湿度显著相关(α=0.05);0~10、10~20、20~30 cm土层中,TVDI与10~20 cm土层土壤湿度相关性最高(r=0.79);遥感影像反演的土壤湿度时空分布变化特征与作物分布生长情况以及气候变化规律基本吻合。【结论】根据温度植被干旱指数法反演监测区域土壤湿度是切实可行的,尤以10~20 cm土层土壤湿度的反演监测最为精准与可靠。     

基于VSWI法的云南省土壤水分反演研究

基于2008-2012年MODIS遥感数据和云南省23个土壤墒情站的土壤含水量数据,构建植被供水指数VSWI模型,开展云南省土壤水分反演研究。结果表明:(1)VSWI与土壤相对含水量呈负相关,VSWI与40 cm处土壤相对含水量相关性最为显著,与20 cm处土壤相对含水量显著性最差,且VSWI_N比VSWI_E更适合云南干旱监测。(2)VSWI_N能够准确的反映土壤水分的变化趋势,但其表现有一定的滞后性,大概滞后1个月左右,其中VSWI_N最大值出现在春季(3-5月),VSWI_N最小值出现在降水最多的夏季(7月或8月)。(3)2008-2012年云南省土壤墒情在时间上表现出波动降低的趋势,在季节上表现出夏秋两季高,冬春两季低的趋势,且夏季最高,春季最低的特征,在空间上表现出中部低,四周高的趋势。     

干旱区绿洲植被高光谱与浅层土壤含水量拟合研究

水资源一直是制约我国西北干旱区农业发展的关键因素。本文以新疆渭库绿洲为研究区域,选取41个土壤含水量与干旱区绿洲植被实测高光谱样本,以植被指数为桥梁,采用支持向量机回归(SVR)方法,建立干旱区绿洲土壤含水量与植被指数之间的拟合方程模型,并与多元回归(MLSR)、偏最小二乘(PLS)回归2种模型进行对比。实验结果表明:不同模型的精度各异,拟合效果由优到劣为:改进的SVR模型、PLS模型、MLSR模型,其中基于干旱区绿洲实测的植被光谱数据改进的SVR模型对土壤含水量具有较好的拟合效果,通过最优参数的定值与最优测试集的抽取,R2高达0.8916,RMSE仅为2.292,在干旱区绿洲的土壤含水量拟合中获得比较高的预测精度。而MLSR模型与PLS模型,R2值分别为0.630、0.655,RMSE为3.002与2.749。研究结果表明,因地制宜开展合理的土壤含水量反演模型规则制定是提高干旱区绿洲土壤浅层含水量监测精度的有效手段,也可为干旱区农业作物生长提供更精准的数据积累。     

基于特征优选与机器学习的农田土壤含盐量估算研究

土壤盐渍化是影响农业可持续发展的重要制约因素,为准确及时地获取土壤中盐分含量,实现盐渍化精准监测,以内蒙古自治区巴彦淖尔市五原县境内的覆被农田为研究对象,探讨无人机多光谱遥感平台结合机器学习模型估测不同深度土壤含盐量的可行性。首先,利用无人机搭载五波段多光谱相机获取研究区域高时空分辨率遥感图像数据,并同步采集地面不同深度处土壤盐分数据,使用皮尔逊相关系数法(PCC)、极端梯度提升(XGBoost)和灰色关联分析法(GRA)对构建的光谱指数进行优选;然后,采用决策树(DT)、反向传播神经网络(BPNN)、支持向量机(SVM)和随机森林(RF)4种机器学习方法建立植被覆盖下不同深度的农田土壤含盐量反演模型。结果表明,使用方案3(XGBoost-GRA)变量优选方法可以有效地筛选出敏感光谱指数,且基于此方法优选后的光谱指数建立含盐量估算模型的精度高于仅使用PCC或XGBoost法构建的反演模型。对比不同建模方法在不同土壤深度处的反演精度,可知随机森林RF模型整体表现最优,同时另外3种反演模型也取得了较好的预测效果,0～20 cm土壤深度处的预测效果是3个土壤深度中最优的,其中精度最高模型的决...     

基于高光谱和机器学习模型的冬小麦土壤含水率监测研究

为及时获取大田作物根区土壤含水率(Soil moisture content, SMC),实现精准灌溉,运用高光谱技术,通过连续2年(2019—2020年)田间试验采集了冬小麦拔节期不同土层深度SMC及高光谱数据,构建了3类植被指数(蓝、黄和红边面积等三边光谱参数,与冬小麦根区SMC相关性最高的任意两波段植被指数和前人研究与作物参数相关性较好的经验植被指数)并筛选与各土层深度SMC相关系数最高的植被指数,随后将筛选后的植被指数作为模型输入,分别采用随机森林(Random forest, RF)、反向神经网络(Back propagation neural network, BPNN)和极限学习机(Extreme learning machine, ELM)构建冬小麦拔节期不同土层深度SMC估算模型。结果表明,绝大部分三边参数、任意两波段植被指数和经验植被指数在深度0～20 cm土层的SMC相关系数较20～40 cm和40～60 cm更高,在深度0～20 cm土层两波段组合构建的光谱指数与SMC的相关系数最高,均超过0.8,其中RI与SMC的相关系数最高,为0.851,其波长组合为675...     

Drought Remote Sensing for Winter Wheat Based on Double Parabola NDVI- ST Space

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数(NDVI)、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI - ST和EVI - ST的特征空间,发现NDVI-ST和EVI - ST的特征空间具有双抛物线型特征.将其与三角形NDVI - ST、EVI - ST及LAI-ST特征空间进行对比分析,并将得到的温度植被干旱指数(TVDI)数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI - ST特征空间能更好地反映地表10 cm土壤水分状况.以双抛物线型NDVI - ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011 -02 -26 ～2011 -05-16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点.     

基于SVM的绿洲荒漠交错带土壤水分与地下水埋深反演

为深入研究浅层地下水、植被和土壤的相互作用,以新疆渭干河-库车河绿洲为研究区,通过Sentinel-1A数据和Landsat数据以及土壤含水率、地下水埋深数据,结合植被以及土壤条件,通过支持向量机模型(Support vector machine,SVM)定量反演研究区土壤水分以及地下水埋深信息。结果表明:0～10 cm的土壤含水率与地下水埋深之间的相关性最高。通过地形校正C模型(Topographic correction model),得到温度植被干旱指数(Temperature vegetation drought index,TVDI)精度有所提高。建立不同参数的SVM模型反演地下水埋深可行,对于单因子建模,TVDI_(MSAVI)构建的模型精度最高,建模集R~2=0. 74,均方根误差(Root mean square error,RMSE)为4. 66%,验证集R~2=0. 70,RMSE为4. 65%。相比只考虑单因子(后向散射系数(σ_(soil)~0)或TVDI),σ_(soil)~0和TVDI_(MSAVI)组合共同作用于模型精度最好,建模集R~2=0. 86,RMSE为4. 16%,验证集R~2=0. 92,RMSE为2. 73%。利用最优模型参数结果反演土壤水分区域和地下水埋深区域,其结果精度较好。地下水埋深反演结果平均相对误差为8. 23%,优于研究区以往研究18. 06%的结果。     

云南省土壤墒情监测系统的设计与实现

为准确获取云南省的土壤墒情,在分析传统墒情监测系统的基础上,设计了一种能够自动获取和处理多源土壤墒情数据且能不断提高数据精度的土壤墒情自动监测系统。系统利用温度-植被干旱指数(TDVI)对遥感影像进行反演,为不断改进反演算法,将反演结果与固定站点监测数据及其他相关数据进行了对比分析。以参数配置形式实现遥感影像自动下载、土壤墒情自动反演和旱情自动分析。结果表明,系统可以得到较高精度的土壤墒情数据,能够满足有关部门对于墒情监测的需要。     

基于理论干湿边与改进TVDI的麦田土壤水分估算研究

针对旱情监测及农田灌溉中传统的基于地表温度-植被指数特征空间的温度植被干旱指数(Temperaturevegetation drought index,TVDI)构建方法无法准确反映真实地表的水热能量交换,给土壤含水率估算带来极大不确定性的问题,根据地表能量平衡方程,并引入改进植被覆盖度参数,构建一种理论干湿边端点选取方法及基于地表温度-改进植被覆盖度特征空间的TVDI模型,结合两期MODIS遥感影像数据(DOY088和DOY112)及地面观测数据,对陕西杨凌区的麦田土壤含水率进行估算。结果表明,由理论干湿边计算得到的TVDI与实测土壤含水率相关系数在-0.700左右,均方根误差不大于0.060 cm3/cm3。DOY088和DOY112的土壤含水率估算结果均与土壤含水率实测值有较好的拟合关系,尤其是DOY088的反演结果更接近于实际地表干湿状况,相关系数为-0.715,均方根误差为0.029 cm3/cm3,DOY112的散点分布比DOY088分散。该方法可以避免传统特征空间在干湿边估算中必须包含裸土、部分植被覆盖以及全植被覆盖地表覆盖类型的限制,从而实现真实土壤水分的遥感反演和实际地表干湿状况的监测。     

融合无人机多光谱和热红外影像的蔗田土壤含水率监测研究

甘蔗作为广西、云南等地的主要农作物,极易受到干旱的影响。土壤含水率是评估甘蔗是否受到干旱影响的重要指标。以蔗田土壤含水率为研究对象,利用无人机搭载的热红外和多光谱传感器数据计算出甘蔗冠层的温度、重归一化植被指数RDVI等植被指数,采用人工测定的方法对无人机监测数据进行校正和率定,构建了甘蔗的温度植被干旱指数(TVDI)模型。结果表明,利用多光谱和热红外传感器计算的TVDI与蔗田苗期、分蘖期、伸长期和成熟期土壤含水率均具有高度相关性,决定系数R²分别为0.906 6、0.819 0、0.852 9和0.916 0。因此,TVDI模型最适合用于监测甘蔗苗期和成熟期的受旱情况。     

基于多源数据的武陵山区干旱监测研究

由于地表复杂性和气候环境等因素影响,针对采用遥感指标进行旱情监测具有一定局限性,利用EOS/MODIS数据建立遥感旱情监测指标———温度植被干旱指数(TVDI),结合地面气象因子的降水量距平指数(PPAI),构建线性加权形式的综合干旱监测指数(IMDI),应用该指数和TVDI指数在2010年4月中旬和2011年4月下旬对武陵山区进行了干旱监测试验研究,通过与10 cm深度土壤水分拟合及标准化降水指数(SPI)关系对比分析,认为IMDI和TVDI能够进行该区域的干旱监测,IMDI较TVDI更具稳定性,而SPI在干旱发生时易加重旱情判定结果。     

基于Landsat8和Sentinel-1A数据的焦作广利灌区夏玉米土壤墒情监测方法研究

土壤水分是影响农业生产活动的重要因素,在旱情监测、农作物估产等方面有重要意义。研究采用水云模型来消除研究区域植被对后向散射的影响。建立植被含水量和归一化水指数的关系提取模型中所需的植被含水量参数。利用AIEM模型结合粗糙度参数Zs建立研究区土壤墒情反演模型,将模型应用于河南省焦作广利灌区,反演结果和实测值相关性达0.7。将水云模型与AIEM模型联合反演土壤墒情,取得了较为满意的结果,该方法具有较高的适用性。     

基于NDVI—ST双抛物线特征空间的冬小麦旱情遥感监测

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数（NDVI）、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI—ST和EVI—ST的特征空间,发现NDVI—ST和EVI—ST的特征空间具有双抛物线型特征。将其与三角形NDVI—ST、EVI—ST及LAI—ST特征空间进行对比分析,并将得到的温度植被干旱指数（TVDI）数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI—ST特征空间能更好地反映地表10cm土壤水分状况。以双抛物线型NDVI—ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011—02—26~2011—05—16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点。     

水分传感器埋设深度及个数对墒情精度的影响

在灌溉预报过程中,要利用土壤水分传感器监测土壤墒情,同一剖面土壤水分传感器埋设数量越多,测墒精度就越高,在实际应用时,就要求减少土壤水分传感器的埋设数量以降低系统的成本,并保证一定的测墒精度。选取4个试验区,在0～100 cm土层深度内,采用取土烘干法测得5个测试深度土壤水分数据。分析了0～60和0～100 cm土壤剖面平均含水率与监测点含水率的相关关系,并设置了1个监测点和2个监测点不同组合的对比,分别计算了各种情况下土壤剖面平均含水率与监测点含水率的相关系数(R2)、平均相对误差(δR)以及均方根误差(RMSE)。研究结果显示:一个监测点时,40 cm深度的含水率能较好地反映0～60 cm土壤剖面平均含水率,R2达到0.95以上; 0～100 cm土壤剖面平均含水率用60 cm深度含水率反映,R2能达到0.93。两个监测点时,20/50 cm处的含水率与0～60 cm土壤剖面平均含水率的相关性最高,R2为0.994; 0～100 cm土壤剖面平均含水率与40/70 cm处的含水率相关性最高,各试验区平均的R2为0.965。     

融合多源遥感数据的夏玉米土壤水分反演方法对比研究

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...     

不同植被覆盖度下无人机多光谱遥感土壤含盐量反演

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10cm、10~20cm、20~40cm、40~60cm深度处土壤含盐量,通过多光谱遥感图像计算得到光谱指数,选择归一化植被指数（NDVI-2）代入像元二分模型计算植被覆盖度,并划分为T1（裸土）、T2（低植被覆盖度）、T3（中植被覆盖度）、T4（高植被覆盖度）4个覆盖度等级;同时,对光谱指数进行全子集变量筛选,并利用偏最小二乘回归算法和极限学习机算法,构建不同覆盖度下各深度土壤含盐量反演模型。研究结果表明,裸土和高植被覆盖度下的反演模型精度高于低植被覆盖度和中植被覆盖度下的反演模型精度;对比PLSR和ELM 2种SSC反演模型精度,ELM模型的反演精度比PLSR模型高;覆盖度T1、T2、T3和T4的最佳反演深度分别为0~10cm、10~20cm、20~40cm、20~40cm。研究结果为无人机多光谱遥感监测农田土壤盐渍化提供了思路。     

干旱区绿洲植被高光谱与浅层土壤含水率拟合研究

水资源一直是制约我国西北干旱区农业发展的关键因素。以新疆渭库绿洲为研究区域,选取41个土壤含水率与干旱区绿洲植被实测高光谱样本,以植被指数为桥梁,采用支持向量机回归(SVR)方法,建立干旱区绿洲土壤含水率与植被指数之间的拟合方程模型,并与多元回归(MLSR)、偏最小二乘回归(PLS)2种模型进行对比。实验结果表明:不同模型的精度各异,拟合效果由优到劣为:改进的SVR模型、PLS模型、MLSR模型,其中基于干旱区绿洲实测的植被光谱数据改进的SVR模型对土壤含水率具有较好的拟合效果,通过最优参数的定值与最优测试集的抽取,R2高达0.891 6,RMSE仅为2.004,在干旱区绿洲的土壤含水率拟合中获得比较高的预测精度。而MLSR模型与PLS模型,R~2分别为0.630 0、0.654 9,RMSE分别为3.001与2.749。研究结果表明,因地制宜开展合理的土壤含水率反演模型规则制定是提高干旱区绿洲土壤浅层含水率监测精度的有效手段,也可为干旱区农业作物生长提供更精准的数据积累。     

基于GF-1影像的渭-库绿洲外围土壤含盐量定量反演研究

为探讨国产GF-1卫星影像在干旱区土壤盐渍化监测中的适用性,以渭-库绿洲外围荒漠交错带为研究对象,利用BP神经网络和RBF神经网络2种建模算法,以GF-1影像的4个波段的反射率及影像提取的归一化差异植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、盐度指数(SI1、SI2、SI-T)共10个指标构建土壤含盐量反演模型。结果表明:在2种算法中,BP神经网络模型预测精度最高,R2为0.818,RMSE为0.194;发现利用植被指数更能提高模型的预测精度;利用BP神经网络预测模型反演研究区的土壤含盐量,发现预测情况与研究区实际情况相符,说明利用GF-1数据结合BP神经网络构建的反演模型适用于监测研究区土壤盐渍化问题。     

基于最大有效持水率的区域土壤墒情监测点布设方法

【目的】准确获取区域土壤墒情,有效提升农业用水管理水平,支撑现代农业发展。【方法】基于经典统计学和地统计学方法,以土壤最大有效持水率为关键参数,构建土壤墒情监测点的优化布设方法,并以北京市大兴区冬小麦田为例进行验证。【结果】试验区土壤最大有效持水率在土层深度为0～20、20～40、40～60、60～80 cm以及0～40、0～80 cm的均值都表现为中等程度变异;0～40、0～80 cm土层深度的空间区域合理监测数分别为6个和4个,且确定了监测点的位置坐标;优化布设点监测值与全区域61个监测点实测平均土壤墒情相比,误差均在10%以内。【结论】基于最大有效持水率的区域土壤墒情监测点布设方法能够在保证区域土壤墒情监测精度的情况下,大幅减少监测点布设数量。