基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演
发布时间：2021-08-27 01:14
植被覆盖层对微波遥感反演地表土壤水分产生重要影响。以河北省景县为研究区,基于Sentinel-1 SAR遥感数据和Sentinel-2光学遥感数据,采用改进水云模型和Oh模型的组合方法,对植被覆盖地表土壤水分进行定量反演研究。结果表明:在Sentinel-1 VV极化条件下,改进水云模型和Oh模型的组合方法具有较高的反演精度,决定系数（R2）为0.653 0,均方根误差（RMSE）为0.040 1 cm3·cm-3,平均绝对误差（MAE）为0.032 7 cm3·cm-3,这3项反演精度评价指标均优于VH极化。该方法在获取高空间分辨率和高精度的植被覆盖区农田土壤水分信息方面具有较高的应用价值。
【文章来源】：生态与农村环境学报. 2020,36(06)北大核心CSCD
【文章页数】：10 页
【部分图文】：
研究区地理位置及采样点分布
研究使用的S1 SAR和S2光学遥感数据可从欧洲航天局( European Space Agency,ESA)免费下载。S1搭载了中心频率为5.405 GHz的C波段合成孔径雷达,具有条带、干涉宽幅、超幅宽和波模式4种对地观测成像模式[30]。主动微波数据选择S1A干涉宽幅模式下的地距(ground range detected,GRD)产品,空间分辨率为5 m×20 m,包括垂直发射水平接收(VH)和垂直发射垂直接收(VV)2种极化模式。GRD产品经过了多视处理,并采用 WGS-84椭球基准投影至地距的聚焦数据,数据获取日期为2018年9月12日,使用ESA提供的SNAP(sentinel application platform)软件进行预处理,包括滤波、辐射定标、几何校正和地理编码,预处理完成后即可获得研究区的后向散射系数(图2)。地表植被覆盖情况使用ESA提供的2018年9月7日S2A的L1C级数据进行分析,并计算各种植被指数(vegetation indices,VI)。L1C数据经过了几何精校正,需要借助ESA提供的Sen2 Cor工具实现辐射定标和大气校正处理,生成L2A级数据。1.3 实测数据处理
技术路线图
本文编号：3365345
【文章来源】：生态与农村环境学报. 2020,36(06)北大核心CSCD
【文章页数】：10 页
【部分图文】：
研究区地理位置及采样点分布
研究使用的S1 SAR和S2光学遥感数据可从欧洲航天局( European Space Agency,ESA)免费下载。S1搭载了中心频率为5.405 GHz的C波段合成孔径雷达,具有条带、干涉宽幅、超幅宽和波模式4种对地观测成像模式[30]。主动微波数据选择S1A干涉宽幅模式下的地距(ground range detected,GRD)产品,空间分辨率为5 m×20 m,包括垂直发射水平接收(VH)和垂直发射垂直接收(VV)2种极化模式。GRD产品经过了多视处理,并采用 WGS-84椭球基准投影至地距的聚焦数据,数据获取日期为2018年9月12日,使用ESA提供的SNAP(sentinel application platform)软件进行预处理,包括滤波、辐射定标、几何校正和地理编码,预处理完成后即可获得研究区的后向散射系数(图2)。地表植被覆盖情况使用ESA提供的2018年9月7日S2A的L1C级数据进行分析,并计算各种植被指数(vegetation indices,VI)。L1C数据经过了几何精校正,需要借助ESA提供的Sen2 Cor工具实现辐射定标和大气校正处理,生成L2A级数据。1.3 实测数据处理
技术路线图
本文编号：3365345
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3365345.html
