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。     

基于混合象元分解的Landsat8与MODIS数据融合反演土壤墒情方法研究

【目的】及时准确地获取灌区土壤墒情信息。【方法】以河南省焦作市广利灌区为研究对象,利用Landsat8及MODIS遥感数据分别以表观热惯量及植被供水指数法反演土壤墒情,以混合象元分解的植被和土壤的丰度作为权重因子,对2种方法反演的土壤墒情进行了融合计算。【结果】利用植被供水指数法和表观热惯量反演的土壤含水率与实测含水率相关系数分别为0.47和0.51,同时将2种方法相结合得到的反演结果精度更高,实测含水率与计算的土壤含水率相关系数达到0.73。【结论】融合方法可以更好地计算灌区非均匀覆盖区的土壤墒情。     

基于多源遥感数据反演土壤墒情方法研究

土壤墒情是影响农作物生长状况重要参数之一,为提高农作物覆盖下地表土壤墒情反演精度,基于Sentinel-1雷达数据和Landsat8光学数据,利用改进的水云模型得到拔节期玉米覆盖下的地表土壤后向散射系数,并采用SAE深度学习的方法建立遥感影像与土壤水分之间的隐式映射,对玉米覆盖下的土壤墒情进行反演。结果表明:通过改进的水云模型去除植被影响后的反演精度有所提高,R~2达到0.657 7,比传统的水云模型提高了0.150 6;RMSE为0.038 7 cm~3/cm~3,误差降低0.002 5 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。     

基于深度学习的多源遥感反演麦田土壤墒情研究

土壤墒情是影响农作物生长发育的主要因素和干旱监测的重要指标。为提高农作物覆盖下地表土壤墒情反演精度，基于Sentinel-1雷达数据和Sentinel-2光学数据，基于深度学习理论，采用全连接深度神经网络的监督学习模型反演研究区麦田的土壤墒情。结果表明：当隐含层层数为6，隐含层节点数为80，迭代次数为450时，获得模型的最优解。反演结果与实测数据的决定系数为0.925 2，均方误差为0.000 8，为利用多源遥感数据反演农田地表土壤水分提供了参考。     

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GF-1遥感图像土壤含盐量反演研究

快速获取土壤含盐量是监测、治理土地盐碱化问题的前提条件。以我国重要苏打盐碱土区—白城市为研究对象,以我国的高分一号遥感影像(GF-1)为数据源,结合研究区实地采样的化验数据,定量反演白城市土壤含盐量。首先对遥感影像进行辐射校正、大气校正、图像裁剪及图像镶嵌等预处理;再将影像的反射率及其变换形式与土样含盐量的化验值进行相关性分析,获得盐碱的敏感波段;最后以多元逐步回归分析的方法建立土壤含盐量反演模型,反演研究区土壤含盐量。研究结果表明:GF-1遥感影像具有较高的分辨率,其反射率与土壤含盐量呈显著正相关,将反射率进行适当的数学变换可以提高与含盐量的相关性,以第2波段指数、第4波段倒数、第4波段倒数的对数变换形式建立的反演模型具有较高的精度与稳定性,模型判定系数R~2=0.846,均方根误差RMSE_(cal)=0.522。利用GF-1遥感影像反演土壤含盐量是一种快速、稳定、可靠的方法。     

基于无人机-卫星遥感升尺度的土壤盐渍化监测方法

为提高卫星遥感对裸土期土壤盐渍化的监测精度,以河套灌区沙壕渠灌域为研究区域,利用无人机多光谱遥感和GF-1卫星遥感分别获取图像数据,并同步采集土壤表层含盐量;将实测含盐量与无人机和GF-1卫星两种数据的光谱因子进行相关性分析,引入多元线性回归模型（Multivariable linear regression,MLR）、逐步回归模型（Stepwise regression,SR）和岭回归模型（Ridge regression,RR）,分别构建盐渍化监测模型;采用改进的TsHARP尺度转换方法,将无人机数据建立的趋势面应用到GF-1卫星尺度上,经过转换残差校正,对升尺度结果进行定性和定量分析。结果表明：在两种遥感数据的光谱波段和盐分指数中,蓝波段B1、近红外波段B5、盐分指数SI、盐分指数S5和改进的光谱指数NDVI-S1与表层土壤盐分的相关性较好,相关系数均在0.3以上;在3种回归模型中,利用无人机多光谱影像数据和GF-1多光谱影像数据反演表层土壤含盐量的最优模型分别是SRU模型和MLRS模型;升尺度后土壤含盐量的反演精度高于直接采用卫星遥感数据反演的精度。本研究可为裸土期土壤盐渍化的大范围快速精准监测提供参考。     

西北寒旱灌区裸露地表粗糙度SAR反演建模方法研究

快速获取大范围土壤地表粗糙度的空间分布是一个急需解决的科学难题。以快速获取内蒙古河套灌区解放闸灌域土壤地表粗糙度为目的,研究了RADARSAT-2雷达影像数据的地表粗糙度信息提取技术,通过剖面板法实测地表粗糙度数据。利用BP(Back Propagation)人工神经网络和LMBP(Levenberg-Marquardt Back Propagation)人工神经网络模型2种方法建立了土壤地表粗糙度的定量反演模型,并对模型进行验证。结果表明,LMBP模型的反演效果优于BP模型,其决定系数R2分别为0.888 3、0.689 2。建立的雷达后向散射系数反演土壤地表粗糙度的人工智能模型,能够在一定程度上满足快速获取土壤地表粗糙度的需要,为微波遥感监测土壤墒情及土壤盐渍化提供重要基础参数。     

基于多光谱遥感的耕地土壤有机质定量反演

以重庆市江津区LandSat 8（L8）多光谱遥感影像和地面样点测土配方数据,开展了研究区L8地表反射率与土壤有机质的相关性分析,然后采用逐步回归分析的方法建立了研究区土壤有机质含量的遥感反演模型,最后利用模型计算了研究区土壤有机质含量分布。结果表明:研究区L8各波段地表反射率与土壤有机质含量均呈负相关,双侧显著性检验均＜0.01,其中,第6波段相关系数达到最大值为-0.840;以第4、5、6和7波段地表反射率建立的土壤有机质含量多元回归反演模型结果较好,模型判定系数R2=0.741;研究区土壤有机质含量遥感反演结果表明,研究区南部和北部边缘的土壤有机质含量较高,沿江浅丘阶地和中部深丘谷地的土壤有机质主要为10～30 g/kg,呈现不规律分布。      

土壤养分遥感监测研究进展

用遥感技术监测土壤养分是精准施肥中的一个重要手段。为此,综合分析了土壤养分遥感监测在光谱特征指标的选择、反演方法、反演模型及其适用性等方面的研究进展。研究指出,随着空间信息技术的发展,遥感技术在土壤养分预测中将展现出更广阔的应用前景。土壤养分遥感反演模型对环境、土壤类型、土壤剖面等方面的适用性、光谱特征指标的选择、动态监测模型的建立、多源数据和多种技术手段的集成将是土壤养分监测今后的发展研究方向。     

基于RS技术的襄阳地区生态环境监测

文章利用2011年襄阳地区遥感影像数据进行生态因子指数的反演,结合DEM数据和统计资料,通过植被、地形、土壤三个生态因子的计算,建立多因素综合指数评价模型对襄阳地区进行了生态环境评价。     

基于遥感数据同化的土壤含盐量估算方法

为探究同化遥感数据对监测区域尺度土壤含盐量时空信息的适用性,以河套灌区沙壕渠灌域为研究区,以高分一号卫星影像为数据源,通过灰度关联法筛选光谱指数,采用岭回归法构建不同深度的土壤含盐量反演模型,使用集合卡尔曼滤波同化算法将遥感数据应用于HYDRUS-1D模型中,开展区域尺度不同深度土壤含盐量的同化研究。结果表明,基于不同深度土壤含盐量的岭回归法模型,其R²均在0.64以上,RE为0.14～0.22,反演精度较高,得到的反演值较为准确;在单点尺度上,与模拟值、反演值相比,同化值更接近实测值,其EFF为0.84～0.93,NER为0.61～0.73,均为正数,且RMSE降低到0.006%～0.011%,提高了HYDRUS-1D模型模拟精度;在区域尺度上,不同深度同化值的r均为0.94以上,NER为0.61以上,优于模拟值和反演值,且同化精度随着深度的增加而降低。本文基于遥感数据和HYDRUS-1D模型的集合卡尔曼滤波同化研究,提高了土壤含盐量的模拟精度,对提高监测区域尺度土壤含盐量时空信息的精度具有一定的参考价值。     

基于热红外遥感影像的玉米田间土壤水分反演研究

土壤水分监测对掌握农作物的生长状态至关重要。本研究为了在玉米作物的主要生育期有效地反演田间土壤含水量。本文以无人机平台获取的热红外遥感影像作为数据源,基于热惯量法反演田块尺度的土壤含水量。通过建立土壤热惯量与土壤含水量之间的线性回归模型,在试验田进行模型精度验证。结果表明,在实际农田环境中基于热惯量方法反演土壤含水量时,随着灌溉水平的提高其反演精度先升高后下降。模型在不同灌溉水平下反演土壤含水量的精度验证结果为:R~2=0.71,RMSE=3.09%。热惯量法具有较高的土壤含水量反演精度,为基于无人机热红外遥感田间土壤含水量监测提供了参考。     

多种植被指数与土壤墒情响应关系对比分析

土壤墒情是农业生产的重要参数,高效、精确地监测土壤墒情是保证农业生产安全的重要环节。在基于植被指数的土壤墒情监测方法中,如何根据地域和植物生育期的差异,选定最优的植被指数是问题的关键。利用2015年2-6月河南省中东部黄淮海平原冬小麦主产区的实测农田墒情数据和MODIS遥感数据,对归一化植被指数(NDVI)、增强型植被指数(EVI)、植被供水指数(VSWI)、温度植被干旱指数(TVDI)与土壤含水量进行相关性分析,对比不同植被指数对不同深度土壤含水量的响应,并分别建立四种植被指数与土壤墒情的回归模型,进行预测精度分析。结果表明:本研究中,TVDI与土壤墒情的相关性最好,预测精度最高;每一种指数皆与10～20 cm深度土壤墒情相关性最好,预测精度最高。因此,TVDI为最优响应指数,10～20 cm深度土壤为最优响应深度。     

基于MODIS数据的济南市农田区土壤含水量模型

土壤含水量是监测土壤质量的重要指标,影响到一系列战略物资的生产,是旱涝等自然灾害发生的指示因子。以2011年4月下旬济南市农田区的MODIS遥感影像为基础,采用植被供水指数法反演土壤含水量,结合野外同步实测数据,建立土壤含水量预测模型,并利用实测和气象数据进行精度检验。结果表明,该模型预测结果与实际情况吻合度较高,模型具有一定的参考价值。     

基于条件温度植被指数的土壤水分反演研究

土壤水分是作物生长发育的基本条件,同时也是旱情监测的重要指标。以彰武县为研究区域,基于影像的Artist算法和二维特征空间模型算法,进行了环境减灾卫星数据的地表温度(LST)反演,提取了归一化植被指数(NDVI)和修正的土壤调节植被指数(MSAVI),并构建二维特征空间,提取干、湿边方程,分析了地表实测土壤水分和植被指数的线性关系。结果表明,鉴于彰武地区土质的多样化,修正的土壤调节植被指数可提高土壤墒情的反演精度,相关系数为R2=0.852,标准差为2.064,协方差为3.139,相关性较好。     

基于神经网络模型的水源地水质参数反演研究

以武汉市的主要供水水源地水质参数(氨氮含量)为研究对象,根据某时段的实测数据、遥感影像数据,尝试性地建立了氨氮含量的神经网络反演模型.反演模型的平均相对误差为4.8%,可用于该项水质指标的反演研究.     

基于遥感修正作物系数的冬小麦需水量预测

作物需水量是确定灌溉制度和灌溉用水的重要依据。为准确预测冬小麦的需水量，以河北邯郸漳滏河灌区为例，利用sentinel-1A雷达影像反演灌区的土壤墒情以修正作物系数，并结合未来15 d的气象预报数据计算的参考蒸散发(ET₀)，预测漳滏河灌区重要灌水期的冬小麦需水量。结果表明：通过遥感反演的土壤含水量与实测值相近，平均相对误差为4.60%；经气象预报数据预测研究区12月11-25日ET₀预测值为15.32 mm；结合土壤水分修正系数与预测ET₀数据，计算冬小麦平均需水量预测值为12.64 mm，其中，磁县需水量最大，为14.23 mm，广平县冬小麦需水量最小，为12.04 mm；由MOD16A2产品计算研究期平均需水量为10.65 mm，较预测值相对误差为18.69%。该方法可以有效地预测作物需水量及其空间分布，可为灌区作物生育期用水预测与管理提供理论参考。     

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。