光学与微波遥感协同反演藏北表层土壤水分研究

表层土壤水分是定量干旱监测的重要参量,对干旱区生态环境具有十分重要的意义。在采用归一化植被指数阈值法划分地表覆盖类型的基础上,利用MODIS数据选择适用的光学遥感算法估算土壤水分基准值,以及利用风云三号B星搭载的微波成像仪(Fengyun-3B/MicrowareRadiationImagery,FY3B/MWRI)数据采用微波遥感算法反演土壤水分日变化量,最后构建藏北表层土壤水分协同反演的遥感模型并应用于区域土壤水分的估算。结果表明:光学遥感与微波遥感协同反演的土壤水分含量与实测数据呈显著相关,决定系数达到0.89,均方根误差为0.97,协同反演模型具有较高的反演精度,并且协同反演的结果优于单一遥感源的反演结果。该模型可以较好地适用于藏北地区表层土壤水分的动态监测。     

内蒙古地区FY-3B/3C微波遥感土壤水分数据产品的融合与评估

土壤水分是陆-气耦合系统的重要组成部分,土壤水分监测在气候、水文、农业等领域具有重要意义。与站点资料相比,遥感数据能够较好地反应区域格点上土壤水分的变化。基于2018年作物生长季(5-10月)观测站点表层(0-10cm)土壤水分逐日观测资料,选用与观测站点资料时空一致的FY-3B升轨/降轨、FY-3C升轨/降轨、AMSR2、SMOS卫星土壤水分产品,对各遥感数据进行检验。首先利用加权平均法对FY-3B升轨/降轨、FY-3C升轨/降轨产品数据进行融合,然后利用随机森林方法融合形成FY-3B/3C数据集,对比评价AMSR2、SMOS、FY-3B/3C在内蒙古地区的适用性。结果表明:FY-3B升轨/降轨、FY-3C升轨/降轨中日间的数据质量好于夜间,通过加权平均融合后的FY-3B和FY-3C数据质量无显著改善,利用随机森林模型融合形成的FY-3B/3C数据产品质量得到显著提升。在雨季和高植被覆盖区(东北部),SMOS、AMSR2、FY-3B/3C三个数据产品中FY-3B/3C数据质量均好于SMOS和AMSR2。整体来看,SMOS在内蒙古中部和东南部地区适用性较好,AMSR2在全区适用性较差,FY-3B/3C在全区适用性最好。     

基于改进粒子群神经网络的麦田土壤水分反演

作物区土壤水分遥感反演往往受到作物冠层、地表粗糙度等因素影响,较难得到满意的土壤水分反演结果。为解决麦田土壤水分反演的问题,提出一种改进粒子群神经网络优化算法。该算法将多源光学和雷达影像数据进行联合,利用改进粒子群算法对神经网络权值进行优化,建立遥感影像与土壤水分之间一种隐式映射,并将影像数据作为该优化模型的输入变量,对麦田土壤水分进行反演。结果表明改进粒子群神经网络优化算法反演精度高于其他的反演方法,同时主被动遥感联合反演地表土壤水分的精度也比仅使用单一数据源作为输入的方法精度高,R~2达到0.807,RMSE为0.043 cm~3cm~(-3)。由此可见,改进粒子群神经网络的优化方法是可行的,可以有效建立后向散射系数与土壤水分之间的隐式关系,获取较高精度的土壤水分值。该方法可为利用雷达影像数据进行大范围土壤水分估测提供支持。     

CCI多传感器组合土壤水分产品在青藏高原不同地区的适用性

青藏高原的土壤水分通过对水循环和对生态系统的作用,对区域乃至全球气候的变化起着重要的影响。由于该地区缺失长期和大规模土壤水分的现场观测,遥感产品成为地球系统模型的有用数据集。其中,欧洲航天局(European Space Agency, ESA)发布的气候变化倡议(Climate Change Initiative, CCI)土壤水分产品已在全球范围内广泛应用。研究使用3个网络的原位测量土壤水分数据评估CCI(主动、被动、主被动组合)产品在青藏高原地区的适用性,这3个网络分别代表青藏高原的半湿润(玛曲)、半干旱(那曲)和干旱(狮泉河)气候条件。结果表明,CCI3种产品都能捕捉到青藏高原生长季土壤水分时间变化规律和东南高西北低的空间分布特征。其中主被动组合产品在3个网络的相关性都是最高的。在以高寒草甸为主的半干旱地区,CCI主被动组合产品反演土壤水分具有较高的精度,与实测数据相关系数高达0.870,均方根误差小于0.06,但在高密度植被区有所低估,裸露地表有所高估。从空间分布来看,主动产品过高估计了青藏高原土壤水分,被动产品显示土壤水分空间分布变化范围过大,最大值达0.98 m~3/m~3,主被动组合产品在空间上(0～0.65 m~3/m~3)最接近青藏高原土壤水分实际分布情况。研究结果可以为CCI产品在青藏高原的应用与研究提供参考。     

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。     

基于证据理论的多源遥感产品土地覆被分类精度优化

针对现有土地覆被遥感产品及融合方法存在的不足,该文提出了一种新的分类体系转换方法,实现了证据理论(Dempster-Shafer)框架下多源产品的集成,并以GEOWIKI、林业调查数据为参考,通过绝对及交叉验证方法对融合结果精度进行了评价。研究结果表明:无论总体精度还是类别精度,融合结果与原始数据相比均有一定提高,说明在融合过程中,吸收了多源数据的类别分布特征,做到了多源数据间的互补。通过融合结果的不确定性分析,总体上融合结果的不确定性较小,但在景观异质性较强区域,融合结果的不确定性显著,不确定性值集中于0.4~0.7之间,这说明如何提高景观异质性区域的土地覆被类别精度,实现该区域数据重构是未来亟需解决的问题。该文所得成果为未来全球或区域尺度土地覆被遥感产品的研制及产品精度验证提供了参考。     

HYDRUS模型与遥感集合卡尔曼滤波同化提高土壤水分监测精度

精确地估测干旱区土壤水分含量,对该区域的农业发展与水土保持具有重要意义。该文以MODIS与Landsat TM数据为数据源,利用其反演获得的条件温度植被指数(temperature-vegetation drought Index,TVDI)作为观测算子,将集合卡尔曼滤波(ensemble Kalman filter,En-KF)同化方法应用于水文模型(HYDRUS-1D),进行干旱区表层土壤水分的模拟。结果表明:遥感数据反演土壤水分所构建的二维特征空间TVDI与表层土壤水分有较好的一致性;En-KF同化方法对模型变量与观测算子的更新,与单纯使用HYDRUS模型相比,获得的表层土壤水分含量精度有了明显提高,其均方根误差缩小了1个百分点,平均误差缩小了5个百分点。可见,基于多源遥感数据对表层土壤水分的En-KF同化模拟在干旱区具有较大的潜力,是提高干旱区土壤水分含水量监测精度的有效手段。     

基于NDVI优化选择的土壤水分数据同化

时间序列上遥感观测数据的准确性会对同化结果有较大的影响.该文以宁夏回族自治区固原市为例,通过北方生产力生态模犁模拟2008年5-7月逐日的土壤湿度,按照不同日期的归一化植被指数(normalized difference vegetation index,NDVI)阈值,分别利用MODIS资料计算出基于红光和近红外波段的垂直含水量指数、改进的垂直干旱指数和基于近红外波段和短波红外波段的短波红外垂直水分胁迫指数,和宁夏中南部的气象站实测土壤水分建立关系,并用不同遥感指数反演的土壤水分作为观测值进行同化.结果表明,在作物的不同生长时期,垂直含水量指数、改进的垂直干旱指数和短波红外垂直水分胁迫指数的反演效果不同,基于NDVI优化遥感反演结果,选择准确性更高的反演结果作为同化观测值,能提高同化土壤水分的精度.该研究表明在不同时间段内使用更为准确的遥感监测结果作为观测值进行同化可以提高同化的精度.     

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。     

一种基于NIR-RED光谱特征空间的干旱监测新方法

土壤水分作为干旱监测的重要指标,一直是干旱遥感监测研究的重要内容。本研究利用MODIS数据的EVI、红波段反射率、近红外波段反射率数据构建了基于Nir-Red反特率光谱特征空间的EPDI模型进行土壤水分的反演。利用野外同步测量数据对PDI、MPDI、EPDI三种干旱指数模型获取的拉萨河流域土壤水分进行了验证和对比分析,研究结果表明EPDI能够更准确地反演土壤水分,其样本点的相对误差仅为0.1040,线性相关系数为0.9181,反演精度相比PDI、MPDI(0.1646、0.1472)分别提高了36.83%和29.35%,为利用遥感影像数据进行大尺度的干旱动态监测提供了新途径。并且相比MPDI,EPDI模型参数更容易获取,模型构建受人为因素影响小,从而为模型的大范围推广提供了可能,具有很好的应用意义。     

农业干旱遥感监测指标及其适应性评价方法研究进展

在利用遥感数据进行长时间、大范围农业干旱遥感监测过程中,如何针对不同区域、不同作物生长阶段选取最合适的监测指标,对于及时、准确地评估干旱对作物生长的影响,实现合理水资源调度和有效抗旱减灾决策都具有重要意义。该文以遥感监测农业干旱的适应性为论述主线,对常用的农业干旱遥感监测指标及其适应性评价方法,从4个方面进行了系统归纳总结:1)国内外农业干旱监测适用的遥感卫星数据源;2)监测农业干旱适用的光谱敏感波段;3)农业干旱遥感监测指标自身的适用性与局限性;4)农业干旱遥感监测指标适应性的评价方法。在此基础上,指出今后在农业干旱遥感监测指标及其区域适应性研究中,需综合考虑作物与其生长环境之间的关系;增加光谱信息,降低遥感数据获取过程中的信噪比;选择农业干旱遥感监测指标适宜的时空尺度;重点解决部分植被覆盖时,如何选择合适的监测指标;加强高光谱技术在精细农业干旱遥感监测指标反演中的研究;进一步在机理上发掘监测指标自身的敏感性和适应性等6个方面的问题及发展趋势。     

基于微波遥感的土壤水分反演估算研究进展

土壤水分是地表和大气水热过程交换的重要纽带，对于农业生产、生态规划、水资源管理等具有十分重要的意义。微波遥感具有基本不受天气条件影响，具有较好探测植被覆盖下的土壤信息和土壤水分变化趋势等优势，成为目前遥感精确反演土壤水分的热点。本文整理了现有全球尺度的基于微波遥感的土壤水分产品；分析比较了土壤水分反演中主动微波遥感、被动微波遥感、主被动微波协同技术的原理、特点、适用范围和关键技术进展：主动微波遥感和被动微波遥感的 优势分别在于高空间分辨率和高时间分辨率，高空间分辨率可以很好捕捉地表细微的空间信息特征，但囿于土壤水分与后向散射系数之间的复杂关系，特别是植被、地表粗糙度等对雷达后向散射系数的干扰，使得反演土壤水分的精度不高，因而根据现实情况选取不同散射模型以及利用多源数据协同是目前改善精度的研究热点。而高时间分辨率可以实现全球及大尺度下的土壤水分监测，但是很难满足小尺度或者小区域范围的实际研究需求，为了能使实测数据在空间上得以较好匹配，提出多种降尺度方法。结合以上两种微波遥感方式的优劣，依托更为丰富的数据源、相对成熟的观测技术来对两者进行融合以提取更多的水分信息，以提升反演精度或者获得长时间序列数据。在目前的方法中，土壤水分反演在小尺度下表现出良好的性能，但在全球尺度上会出现数据缺失、适用性不强、反演精度不高以及反演过程过于复杂等诸多问题，可以借助多种观测方式（多极化、多角度、多波段）、多时相重复观测、在原有模型上引入新的算法以及数据同化等方面着手进行改进，同时全球卫星导航系统（Global Navigation Satellite System, GNSS） 中长期稳定、高时空分辨率的L波段微波信号在陆面遥感领域的快速发展也为我国北斗卫星导航系统（BeiDou Navigation Satellite System, BDS）的发展提供了借鉴，展现出在土壤水分反演方面的巨大潜力。     

主被动微波遥感在农区土壤水分监测中的应用初探

土壤水分是农作物生长和旱情监测的重要参数。微波遥感具有全天时、全天候、高穿透性和对水分敏感的特点, 主被动微波遥感的结合能够发挥各自优势, 实现区域尺度土壤水分的连续监测, 与单纯使用被动微波遥感相比, 能够提高空间分辨率。本研究基于TRMM 卫星搭载的微波成像仪TMI 和降雨雷达PR 的特点, 利用粗糙地表的微波辐射传输模型AIEM 模型、参数化模型Qp 模型和植被覆盖地表的辐射传输模型ω-τ模型, 建立了基于被动微波遥感的土壤水分反演模型, 并利用简单散射模型(SSM)和几何光学模型(GOM), 将被动微波与主动微波相联系, 建立了主被动微波遥感相结合的土壤水分变化反演算法, 对2008 年1~4 月期间30°~38°N、110°~120°E 范围内农田覆盖区的土壤水分变化进行了反演。并选取江苏省连云港南部农区中心经纬度为34.45°N、119.25°E 的降雨雷达0.05°×0.05°的网格, 对该网格2008 年1 月2 日~4 月30 日土壤水分逐日变化量的反演值和相应网格的降水逐日变化量进行了对比, 两者具有很好的响应关系。     

1984-2005年黑龙江省主要农区土壤湿度的变化特征

土壤湿度是干旱预报、农业生产、作物布局和农业决策的重要指标之一。应用黑龙江省1984—2005年26个农业气象观测站土壤湿度资料,采用气候倾向率和趋势系数统计方法,分析黑龙江省主要农区土壤湿度的时空变化特征及影响因素。结果表明：土壤湿度空间分布存在明显差异,与气温、降水量空间分布分别呈负相关和正相关,三江平原和中部农区土壤湿度相对偏高,松嫩平原土壤湿度相对偏低;近22a来各地土壤湿度变化主要呈下降趋势,各季节土壤湿度下降幅度不同,秋季下降最显著,春季次之,夏季不显著。研究认为气候、气候变化、农事活动对黑龙江省主要农区土壤湿度分布及变化趋势有重要影响,松嫩平原干旱可能加重,三江平原东部春涝可能得到缓解。     

典型旱年农业干旱遥感监测指标在东北地区生长季的表现

以8d为时间尺度,以土壤相对湿度（RSM）为参考指标,采用相关分析方法,分析评估典型旱年2009年作物生长季内分别表征降水、土壤和作物的3个类别10种农业干旱遥感监测指数在东北地区的适用性。结果表明：（1）生长季中、后期,综合考虑冠层温度和植被特征的温度植被干旱指数（TVDI）与RSM的相关系数绝对值在0.5左右,对土壤湿度变化较敏感,可用于该生长阶段的农业干旱监测;（2）考虑作物前期缺水的累积作物缺水指数（ACWSI）是与RSM相关性较好的指数之一,在生长季前期和后期与RSM的相关系数绝对值在0.47以上,表现良好,但应用过程中需注意累积效应的时间尺度;（3）表观热惯量（ATI）更适于生长季前期干旱监测,改进型能量指数（MEI）适用于各种植被覆盖条件,但存在一定不稳定性;（4）考虑前期累积降水的APCI指数比仅考虑8d降水的条件降水指数PCI更能反映土壤湿度状况,特别是在生长季中、后期,可作为其它监测指数的补充;（5）条件植被指数（VCI）、归一化差异水分指数（NDWI）与RSM相关性较低,对现时土壤湿度的反映不敏感,不适于研究区内短时间尺度的农业干旱监测。研究结果可为东北地区开展农业干旱监测选取合适指标提供参考,也可为农业干旱指数的广泛应用构建可行性框架。     

典型农业干旱遥感监测指数的比较及分类体系

面对多种多样的农业旱情遥感监测指数,如何进行选取是目前遥感指数应用所面临的主要难题。该文以MODIS产品为遥感数据源,比较分析了13种典型的农业干旱遥感监测指数,建立了农业干旱遥感监测指数的分类体系,阐述了不同指数类型的适用范围。结果表明,多种遥感干旱指数对农业干旱的描述并非完全一致。不同指数利用不同的地表特征变化来描述农业干旱程度,是造成这种不一致的主要原因。据此,研究将典型农业干旱遥感监测指数分为4大类:土壤水分变化类、冠层温度变化类、植被水分变化类和作物形态及绿度变化类。其中第1类指数比较适宜于农业旱情预警及土壤干旱型农业旱情的监测,这类指数中修正的垂直干旱指数MPDI可以较好地反映表层土壤水分的变化,并适宜于时序变化监测。第2类指数不仅适宜于旱情预警,更适宜于旱情监测,这类指数中推荐选择基于LAI-LST特征空间的温度植被干旱指数TVDI;第3、4类指数,较适宜于农业旱灾的预警以及灾后评估,该文为农业干旱遥感监测指数的选取提供参考。     

基于概率统计方法的承德市农业旱灾风险评估

根据旱灾风险的统计特征,提出2种基于概率统计方法的旱灾风险评价方法：1）旱灾损失的概率分布曲线,2）旱灾损失与干旱概率的关系曲线。以滦河上游承德市辖区的农业旱灾风险为例进行应用研究。根据1990－2007年历年农业旱灾损失数据计算粮食因旱减产率,拟合其概率分布。利用分布式水文模型模拟得到该区域1956－2005年0～50 cm的月平均土壤含水率,识别农业干旱事件,计算农业干旱烈度概率,选用对数函数拟合因旱粮食减产率和农业干旱烈度概率关系曲线。采用因旱粮食减产率期望值表征区域旱灾风险,2种方法结果一致性较好,研究区域农业旱灾风险上游大于下游,各个县的多年平均因旱粮食减产率为7%～15%。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。     

OLI与HSI影像融合的土壤盐分反演模型

土壤盐渍化问题是黄河三角洲地区主要的土地退化问题,借助遥感技术快速、准确地掌握土壤盐渍化信息,对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区,利用超球体色彩空间变换算法,将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合,选择土壤盐分的特征波段,结合土壤盐分的实测数据,建立统计分析模型(多元线性回归、偏最小二乘回归)和机器学习模型(BP神经网络、支持向量机和随机森林),对土壤盐分进行遥感反演。结果表明:OLI影像的统计分析模型和机器学习模型精度均较低,精度最高的随机森林模型相关系数仅为0.570;HSI影像的反演模型精度高于OLI,BP神经网络模型相关系数为0.607;融合影像反演模型精度明显高于HSI影像和OLI影像,土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性,BP神经网络模型、支持向量机模型和随机森林模型的决定系数R~2分别达到0.966、0.821和0.926,模型反演精度较高。研究表明,多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度,机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。     

遥感监测介电常数与土壤含水率关系模型

为了获取大范围地表土壤水分时空分布信息,该文开展了微波辐射计/散射计监测介电常数与土壤体积含水率之间的关系研究。微波观测的信号与目标的介电常数密切相关,而土壤含水率是决定土壤介电常数的决定性因素,这是利用微波遥感监测土壤水分的物理基础。该研究针对土壤介电常数到土壤水分之间的转换问题,利用Dobson半经验模型建立模拟数据库,用建立的模拟数据库对Hallikainen关系式进行最小二乘回归法标定,建立了适用于微波辐射计SMOS(频率1.4GHz)、AMSR-E(频率6.9GHz)和微波散射计ERS-WCS/METOP-ASCAT(频率5.3GHz)监测的介电常数到土壤体积含水率转换的简化模型。利用模拟数据和实测数据的联合验证结果表明,简化模型具有良好的精度和实用性。