基于多源遥感数据的TVDI方法在荒漠草原旱情监测的应用

为探讨近年来广泛使用的低空间分辨率的MODIS数据以及高空间分辨率的Landast 8数据对同一地区的旱情状况,选择内蒙古自治区干旱频发的乌审旗荒漠草原为研究区,借助分裂窗算法反演地表温度(Ts),获取归一化植被指数(NDVI),建立温度植被干旱指数(TVDI)的干旱监测模型,分别反演MODIS-TVDI和Landast8-TVDI,并与同期野外实测的不同深度土壤含水量进行回归分析。结果发现,基于MODIS和Landast8 2种遥感数据计算得到的TVDI与各层的土壤水分线性相关显著,两者都能表征地表的干旱分布,且Landast8-TVDI与各层土壤含水量的相关性大于MODIS-TVDI与各层土壤含水量的相关性,其中0~10 cm表层土壤含水量的相关性要好于0~20 cm、0~30 cm的相关性。因此Landast8-TVDI能够更好地反映乌审旗荒漠草原的土壤水分状况,更适宜于旱情监测。     

基于模型平均法的表层土壤含水率多模型综合反演

土壤水分是农作物和牧草生长的关键因素,也是影响全球气候变化和水循环的重要因子,因此准确监测土壤水分对促进农牧业可持续管理至关重要。基于Landsat 8 OLI多光谱影像,在表面生物物理特性和地形参数的基础上,结合野外实测土壤含水率,采用经验模型法分别构建了反距离加权法（Inverse Distance Weighting,IDW）、多元线性回归（Multivariable Linear Regression,MLR）、随机森林（Random Forest,RF）的土壤含水率反演模型,并采用模型平均法（Granger-Ramanathan,GR）进行组合反演,结果显示,通过模型平均法组合单一模型后在该研究区的土壤含水率反演中表现出了更好的适用性,模型平均法GR对于土壤含水率的估算效果佳,建模集与验证集R2≥0.88,均方根误差均不大于1.42%,且模型性能远优于反距离加权法、多元线性回归和随机森林。     

基于MTVDI与DDI二元回归模型对毛乌素沙地腹部土壤表层水分的研究

采用温度植被干旱指数法(MTVDI)与荒漠化指数法(DDI)，利用2016年4月、9月的Landsat数据对毛乌素沙地腹部的土壤水分进行反演，并与实测的土壤水分进行对比检验，将所反演的土壤含水量图划分为4个等级，基于此分析了2个时期毛乌素沙地腹部的旱情土壤水分分布变化。结果显示：(1)4月份MTVDI指数与0~10 cm、10~20 cm、20~30 cm土层土壤含水量的R²值分别为0.656、0.646、0.637，整体高于9月份R²值0.457、0.436、0.431，MTVDI能够较好地反映毛乌素沙地腹部土壤表层水分，且精度较高；(2)荒漠化指数DDI与MTVDI结合建立二元线性回归模型监测区域土层0~10 cm深度含水量，平均相对误差为10.95 %；(3)4月份，研究区0~10 cm表层土壤含水量5%~10%区域占总面积的53.72%以上，达到了6 256 km²，含水量偏低，需要加强当地水资源管理。     

基于综合干旱指数的毛乌素沙地腹部土壤水分反演及分布

为了克服单一干旱监测指数在复杂覆盖类型的适用性问题,以复杂覆盖类型的毛乌素沙地腹部乌审旗为例,在传统归一化干旱指数(normalized difference drought index,NDDI)、土壤湿度监测指数(soil moisture monitoring index,SMMI)、温度植被干旱指数(temperature vegetation drought index,TVDI)3个单一干旱监测指数的基础上,通过层次分析法确定各指数的权重,结合野外不同覆盖类型实测的土壤含水率数据,分别进行回归分析,建立多指数综合干旱监测模型,基于此模型分析研究区表层土壤水分的空间分布。结果表明:3个单一干旱指数在一定程度上均能客观反映旱情特征,与表层土壤含水率呈现不同程度的负相关,温度植被干旱指数相关性最好为0.604。引入结合多指数的综合干旱监测指数模型,在8月、9月草地和沙地与表层土壤含水率指数模型的决定系数R2均在0.7以上,高于基于单一指数模型的拟合精度。基于该模型,研究区研究区表层土壤含水率整体较低,体积含水率不高于0.15 cm~3/cm~3的面积分别占96.47%(8月)和94.8%(9月)。总体上从东到西,由北到南土壤含水率逐渐降低,与实测表层土壤样本的描述性统计结果有较好的空间一致性。     

基于环境变量和机器学习的土壤水分反演模型研究

为利用多源数据构建毛乌素沙地腹部土壤含水率建模指示因子，通过微波后向散射系数、地表温度、缨帽变换要素、波段反射率、干旱指数和地形要素等17个变量为建模因子，分别以偏最小二乘（Partial least squares regression, PLSR）、极限学习机（Extreme learning machine, ELM）和随机森林（Random forest, RF）3种方法构建土壤含水率反演模型，对模型进行验证和对比，并对研究区的土壤水分分布进行制图。结果表明：温度植被干旱指数是土壤水分空间变异性的最重要的预测因子（决定系数为0.64）,其次是地表温度（0.6）、σ_VV（0.38）、植被指数（0.38）、波段7反射率（0.35）、σ_VH（0.32）、波段6反射率（0.3）和反照率（0.26）。相比于未筛选变量所构建的模型，利用最优子集筛选（Best subset selection, BSS）变量所构建的模型精度均有所提升。其中PLSR在处理共线性方面表现最优，ELM回归模型最稳定。RF模型具有最高的精确度，4月，决定系数为0.74,均...