基于地形校正TVDI的地下水位埋深反演

在干旱、半干旱地区,地下水是陆生植被生存的重要水源,而传统的地下水位监测方法费时费力,及时获取大尺度高精度的地下水位埋深显得十分重要。在温度植被干旱指数(TVDI)的基础上,分别提取三期Landsat 8遥感数据的归一化植被指数(NDVI)、修正土壤调节植被指数(MSAVI)、比值植被指数(RVI)、差值植被指数(DVI)和增强型植被指数(EVI)和地表温度(Ts),并引入DEM数据对Ts进行地形校正,减少地形起伏对能量二次分配的影响,并选择最佳TVDI反演地下水位埋深状况,结果表明:(1)在传统TVDI的基础上引入DEM进行地形校正,分析校正前后TVDI与地下水位埋深的决定系数,R~2从0.4381提高到0.5053,这说明地形校正能够有效地提高地下水位埋深的反演精度;(2)通过三期影像对比分析了五种不同的TVDI值分别与其对应栅格点的地表土壤湿度和地下水位埋深的决定系数,总体上都是Ts-MSAVI较好,最高R~2分别为0.5547、0.5202;(3)在实测土壤含水量缺失的情况下,可以根据反映土壤湿度高低的因子(TVDI)间接地反演地下水埋深分布状况。     

干旱区土壤盐渍化信息遥感建模

以新疆塔里木盆地北缘的渭干河-库车河三角洲绿洲为研究区,利用GF~(-1)与Landsat8 OLI影像数据作为基本数据源,从影像上提取15个盐分指数和5个光谱植被指数,通过灰度关联分析法,对0~10 cm表层土壤含盐量与影像光谱指数进行分析和筛选,确定出与土壤含盐量相关性较高的综合光谱指数,采用多元线性回归,偏最小二乘法回归,支持向量机回归三种方法分别对GF~(-1)与Landsat8 OLI影像构建基于实测数据和影像数据的综合指数土壤含盐量估算模型,并选出最优模型。结果表明:(1)在20个光谱指数中,相关性较好的光谱指数是SR、CSRI、SI、BI、S6、ARVI、SAVI、NDSI,关联系数均达到0.7以上,并基于这8个光谱指数构建综合光谱指数。(2)3种估算模型:基于GF~(-1)多元线性回归模型决定系数R~2为0.6856,高于决定系数R2为0.5142的Landsat8 OLI;偏最小二乘回归模型1~8个主成分,GF~(-1)决定系数2个3个1个,其中2个主成分最高可达0.6104,Landsat决定系数4个3个2个,其中4个主成分最高可达0.549;支持向量机模型3种函数,GF~(-1)决定系数RBFPolynomialLinear,其中RBF函数最高可达0.7969,Landsat决定系数PolynomialRBFLinear,其中Polynomial函数最高可达0.7154。对比3种模型可知,支持向量机回归模型的R2最高,因此该模型相对于多元线性回归和偏最小二乘回归更适于土壤盐渍化估算。     

基于多源数据的土壤水分反演及空间分异格局研究

温度植被干旱指数(TVDI)是一种通过反演土壤水分来反映土壤干旱状况的重要方法。在TVDI的基础上引入数字高程模型(DEM)数据对地表温度进行校正,能够减少地形起伏对能量二次分配的影响。用阈值将研究区分割成不同土地利用类型,结合野外同步实测数据,用分段反演模型反演渭-库绿洲土壤水分分布图,并对渭-库绿洲土壤水分的空间格局和分异规律进行分析。结果表明:(1)地形校正后的TVDI能够更好地反映土壤水分状况;(2)土壤水分总体上从西至东,由北向南降低,在绿洲内部较为稳定,在交错带变化较为剧烈,土壤水分垂直变异系数呈现幂函数递减的整体变化趋势;(3)针对研究区不同土地利用类型用分段反演模型进行反演,有效地实现优势互补,总体上提高了土壤水分的反演精度,在区域土壤水分研究中值得关注和应用。     

小波变换耦合CARS算法提高土壤水分含量高光谱反演精度

为实现干旱地区土壤水分含量(soil moisture content,SMC)的快速监测,该文以渭干河-库车河绿洲为靶区,采用小波变换(wavelet transform,WT)对反射光谱进行1～8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)滤除冗余变量,筛选出与SMC相关性较好的波长变量,并叠加各层特征光谱的优选波长变量作为最优变量集,用偏最小二乘回归(partial least squares regression,PLSR)构建土壤水分含量预测模型并进行分析.结果显示:1)小波分解过程中,土壤反射率与SMC的相关性不断增强,到小波变换第6层分解(L6)处达到最高,因此小波变换最大分解层数为6层分解;2)通过对土样进行WT-CARS耦合算法筛选出变量,得出的最优变量集包括400～500、1 320～1 461、1 851～1 961、2 125～2 268 nm区域之间共131个波长变量;3)相对于全波段预测模型,各层特征光谱的CARS优选变量预测模型的精度均高,并且基于最优变量集的预测模型的精度最高,该模型的建模集均方根误差0.021、建模集决定系数0.721、预测集均方根误差0.028、预测集决定系数0.924、相对分析误差2.607.说明WT-CARS耦合算法使其在建立模型时尽可能少地损失光谱细节、较为彻底的去除噪声,同时还能对无信息变量进行有效去除,为该研究区SMC的预测提供新的思路.