基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分

根据开展的景县地区玉米农田主被动微波遥感协同反演土壤水分监测试验,提出利用FY-3 B WMRI被动微波数据计算微波极化差异指数(MPDI),建立了植被层含水量反演模型,去除植被含水量对于农田土壤水分反演的影响,然后结合植被层含水量反演模型和水云模型,以及Sentinel-1A主动微波数据和部分实测样点土壤体积含水量数据建立植被覆盖区农田土壤水分半经验反演模型,最后验证分析Sentinel-1A VV/VH不同极化条件下土壤水分反演模型的精度。结果表明:VV极化条件下土壤水分反演模型反演精度为R~2=0.7422,RMSE=0.0674 cm~3/cm~3,MAE=0.0305 cm~3/cm~3,MaxE为0.1196 cm~3/cm~3,MinE=0.0024 cm~3/cm~3;VH极化模型为R~2=0.1898,RMSE=0.0768 cm~3/cm~3,MAE=0.0474 cm~3/cm~3,MaxE=0.1933 cm~3/cm~3,MinE=0.0190 cm~3/cm~3。研究区VH极化模型反演值存在普遍偏低现象,VV极化模型土壤水分反演结果优于VH极化模型。VV极化方式具有更强的穿透性,受到植被层衰减作用影响较小,对土壤水分含量变化也更为敏感。建立的VV极化条件下土壤水分反演半经验模型能较好地表征研究区土壤水分空间分布情况。     

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     

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。     

冬小麦不同生长期雷达后向散射特征分析与应用

雷达遥感具有全天候观测能力,其时效性保障是作物关键物候期观测的迫切需求。该文以全极化雷达遥感数据RADARSAT-2为数据源,选择冬小麦的孕穗期和乳熟期为研究对象,以理论模型MIMICS模拟为依据,分析了冬小麦不同物候期的散射特征和参数提取方法。结果表明：冬小麦不同生长期由于结构上的差异,散射特征差别很大;模型模拟可以为长势反演提供参考,为作物参数反演提供理论依据;孕穗期可以用极化比HH/VV提取作物长势信息,乳熟期极化比VV/VH更易提取长势信息,且精度更高,同时极化比VV/VH能在乳熟期估算冬小麦的产量。     

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。     

考虑地表粗糙度改进水云模型反演西班牙农田地表土壤含水率

土壤含水率是农业、环境、气象等领域进行建模的重要参数。该研究将微波遥感与光学遥感相结合,利用Sentinel-1数据交叉极化比及变换土壤调节植被指数对地表粗糙度进行估计,构建了一种改进的水云模型(modifiedwatercloud model, MWCM)。分析将NDVI、NDWI和NDWI1725,2200等植被指数作为植被冠层含水率时,水云模型(water cloud model,WCM)及MWCM农田地表土壤含水率的反演精度。结果表明:从总体精度上来看,MWCM的反演精度优于WCM。在不同植被覆盖度情况下:当植被覆盖度为中、低程度(NDVI0.5),MWCM具有较高的反演精度;在较高的植被覆盖度情况下(NDVI≥0.5),WCM与MWCM的反演精度较为接近。MWCM可有效的建立微波后向散射系数与地表土壤水分的关系,提高土壤含水率反演精度,为各种地表覆盖类型的土壤含水率反演提供研究思路及理论支持。     

基于主成分变换的ASAR数据水稻种植面积提取

合成孔径雷达(SAR)数据是多云多雨地区水稻监测的重要数据源,多极化的SAR数据有利于识别精度的提高。通过对水稻生长期ENVISAT ASAR双极化数据后向散射系数分析得知,水稻VV极化的后向散射系数比VH极化大,两者总体上都随着水稻的生长而增大。在水稻生长后期,VV极化保持稳定,略有下降,VH极化持续增大。对6个通道的ASAR进行主成分变换,发现水稻种植区在第二主分量(PC2)上值较大,色调很亮,而在第五主分量(PC5)上值较低,色调很暗,分别反映了VV极化和VH极化在水稻生长茂盛期与生长初期的差异,两者差值(PC2-PC5)突出了水稻与其它地类的差异。利用主成分分量的差值(PC2-PC5),基于面向对象分类方法,建立了水稻种植区快速提取方法。利用该方法对福州地区2004年早稻面积进行提取,获得了满意的结果。     

土壤水分反演的特征变量选择研究综述

土壤水分是水、能量和生物地球化学循环中不可忽略的组成部分,土壤水分信息对水资源管理、农业生产以及气候变化等相关研究有着重要意义。基于遥感数据的土壤水分反演算法是获取土壤水分信息的重要手段,通过对影响土壤水分反演的因素进行梳理,将影响因素抽象为包括土壤特征,植被特征,以及气象特征在内的特征变量,并以此为主线对土壤水分的反演研究进行回顾与梳理。分析了利用不同特征变量反演土壤水分时存在的问题和发展趋势,指出土壤水分反演过程中存在特征变量理论研究不足、综合应用不深的问题,强调耦合使用各类特征变量以提高水分反演精度是未来的研究热点。     

土壤水分反演特征变量研究综述

土壤水分是水、能量和生物地球化学循环中不可忽略的组成部分,土壤水分信息对水资源管理、农业生产以及气候变化等相关研究有着重要意义。基于遥感数据的土壤水分反演算法是获取土壤水分信息的重要手段,通过对影响土壤水分反演的因素进行梳理,将影响因素抽象为包括土壤特征,植被特征,以及气象特征在内的特征变量,并以此为主线对土壤水分的反演研究进行回顾与梳理。分析了利用不同特征变量反演土壤水分时存在的问题和发展趋势,指出土壤水分反演过程中存在特征变量理论研究不足、综合应用不深的问题,强调耦合使用各类特征变量以提高水分反演精度是未来的研究热点。     

基于Landsat 8遥感影像的黔中水利枢纽工程区土壤含水量反演分析

为了获取黔中水利工程区土壤含水量的变化情况,基于2013—2018年的Landsat 8地表温度产品数据(LST)和植被指数产品数据(NDVI),采用植被供水指数(VSWI)法,反演研究区不同年份土壤含水量,结合实测数据进行精度验证,探讨了研究区土壤含水量分布的时空异质性及主要影响因素。结果表明:(1)基于Landsat 8影像反演的土壤含水量和实测数据具有较好的正相关性,表明Landsat 8影像适于研究区土壤含水量反演;(2) 2013—2018年研究区土壤含水量在时间上表现出波动升高的趋势,年平均增速为0.91%,在空间上呈现出西南部高、东北部低的趋势,以湿润为主;(3) 6年来研究区平均土壤含水量类型发生明显的变化,其面积变化幅度以增加为主;(4)研究区土壤含水量与温度均呈中度负相关,而与降雨量在毕节等部分地区呈高度正相关,在其余地区则呈中度正相关。利用Landsat 8遥感影像数据和植被供水指数(VSWI)可以实现研究区的土壤含水量反演,研究结果可为该地区土壤含水量动态监测和改善区域生态环境提供科学依据。     

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Sentinel-1双极化雷达影像的土壤含盐量反演

该文以松嫩平原土地盐碱化区域-大庆市为研究区,Sentinel-1双极化雷达影像为数据源,结合研究区土壤采样的全盐含量测量值,反演研究区表层土壤含盐量。首先,在研究区进行土壤采样,并在实验室化验土壤样品的全盐含量,利用S1TBX软件对雷达影像进行噪声处理、辐射校正、几何校正;然后通过分析雷达影像不同极化组合的后向散射系数与土壤含盐量之间的关系,确定最优的极化组合方式;最后,利用回归分析的方法建立土壤含盐量的反演模型并进行精度评价。研究结果显示:(VV~2+VH~2)/(VV~2-VH~2)极化组合的后向散射系数可以较好的分离不同含盐量的土壤,建立起来的反演模型,决定系数R~2达到0.872,均方根误差RMSE为0.988。该研究可以满足大区域土地盐碱化监测的需要,并为Sentinel-1雷达数据在土壤成分提取等方面研究提供了参考。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

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,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

基于NDVI分区的全国草地生态系统覆盖区土壤水分遥感反演

为了建立土壤水分遥感反演模型,反演2016年全国草地生态系统土壤水分并分析其时空变化特征,通过结合表观热惯量(ATI)和温度植被干旱指数(TVDI)的混合模型反演2016年全国草地生态系统的土壤水分,并在实测数据与反演结果精度验证的基础上确定归一化植被指数(NDVI)阈值。结果表明:(1)NDVI≤0.2的像元区域,采用ATI模型反演精度较高; NDVI≥0.78的像元上,基于增强型植被指数(EVI)的TVDI反演精度较高; 0.2相似文献   

利用SAR影像与多光谱数据反演广域土壤湿度

针对基于主动微波遥感途径开展广域土壤湿度反演的过程中,对植被和土壤粗糙度影响难以进行有效估算的问题,该研究联合多极化雷达和原始多光谱数据源,提出一种改进的卷积神经网络(Improved Convolutional Neural Network,ICNN)方法。该方法采用不同尺寸的卷积核对原始变量进行一维卷积运算,自适应提取能反映测区土壤湿度时空差异的高级特征维;同时,去除了传统卷积神经网络结构中的池化层,保证提取的特征信息完整。试验结果表明,在边长超过100 km的四川盆地研究区域内,模型预测值与样本数据相关系数达到0.934,预测值偏差服从均值趋近于0的正态分布,均方根误差为1.45%,误差分布范围小于6.3%,结果具有较高的可靠性。该方法可为精准农业、旱涝灾害等领域的广域监测研究提供一定的支撑。     

基于Google Earth Engine和机器学习的耕地土壤有机质含量预测

土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI 数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林（Random Forest,RF）、梯度升级树（Gradient Boosting Decision Tree,GBDT）和支持向量机（Support Vector Machine,SVM）算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明：1）基于Sentinel-2A建立的模型（模型A*）在预测SOM含量方面优于基于Landsat8建立的模型（模型B*）,GDBT算法下的Sentinel-2A的全变量模型取得了最佳结果（R2=0.759,RMSE= 2.852 g/kg）;2）模型A-1对比模型A-0增加了红边波段,模型A-1比模型A-0提高了9.752%;3）从不同的预测算法来看,GDBT算法能较好地适用于研究区的土壤有机质预测,GDBT算法、Sentinel-2A与GEE的结合是SOM预测制图的一种有效方法。     

An assessment of Sentinel-1 synthetic aperture radar,geophysical and topographical covariates for estimating topsoil particle-size fractions

Data derived from synthetic aperture radar (SAR) are widely employed to predict soil properties, particularly soil moisture and soil carbon content. However, few studies address the use of microwave sensors for soil texture retrieval and those that do are typically constrained to bare soil conditions. Here, we test two statistical modelling approaches—linear (with and without interaction terms) and tree-based models, namely compositional linear regression model (LRM) and random forest (RF)—and both nongeophysical (e.g., surface soil moisture, topographic, etc) and geophysical-based (electromagnetic, magnetic and radiometric) covariates to estimate soil texture (sand %, silt % and clay %), using microwave remote sensing data (ESA Sentinel-1). The statistical models evaluated explicitly consider the compositional nature of soil texture and were evaluated with leave-one-out cross-validation (LOOCV). Our findings indicate that both modelling approaches yielded better estimates when fitted without the geophysical covariates. Based on the Nash–Sutcliffe efficiency coefficient (NSE), LRM slightly outperformed RF, with NSE values for sand, silt and clay of 0.94, 0.62 and 0.46, respectively; for RF, the NSE values were 0.93, 0.59 and 0.44. When interaction terms were included, RF was found to outperform LRM. The inclusion of interactions in the LRM resulted in a decrease in NSE value and an increase in the size of the residuals. Findings also indicate that the use of radar-derived variables (e.g., VV, VH, RVI) alone was not able to predict soil particle size without the aid of other covariates. Our findings highlight the importance of explicitly considering the compositional nature of soil texture information in statistical analysis and regression modelling. As part of the continued assessment of microwave remote sensing data (e.g., ESA Sentinel-1) for predicting topsoil particle size, we intend to test surface scattering information derived from the dual-polarimetric decomposition technique and integrate that predictor into the models in order to deal with the effects of vegetation cover on topsoil backscattering.     

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。