基于Sentinel-1A和Landsat-8的土壤水分反演

发布时间：2020-05-15 19:31

【摘要】：土壤水分是地球生态系统的重要组成部分,是陆地—大气系统间水热传输和能量交换的重要基础,是联系地表与地下水循环、陆地间碳循环的关键纽带。土壤水分作为最常用的地表模型参数之一,在全球水循环规律分析、流域水文模型建立、农作物生长监测和旱情评估等方面起着重要的作用。相对于传统的土壤水分获取方法,遥感因其宏观性强、时效性快、能动态性大区域监测等优点已成为土壤水分信息获取的主要手段。近几十年来,学者们针对不同的传感器类型发展的土壤水分反演算法已达上百种。其中,主动微波协同光学数据反演土壤水分算法具有高时效、强穿透性、不受天气影响、植被影响弱等特点,成为植被覆盖区地表土壤水分反演的一个重要方法。同时,通过不同植被指数构建特征空间来反演土壤水分的光学遥感算法也成为常用手段之一。本文选择黑河流域中游张掖地区盈科绿洲农业灌区为研究区域,以主动微波遥感Sentinel-1A哨兵数据和光学遥感Landsat-8数据为基础,结合实测数据,通过对比不同输入参数确定了两种土壤水分反演算法,开展了土壤水分反演算法的对比分析。主要结论如下:(1)以NDVI和MSAVI指数与地表温度构成的Ts-NDVI和Ts-MSAVI特征空间均满足温度植被干旱指数法的构成条件,两个特征空间的温度植被干旱指数与实测数据的相关性结果表明,Ts-MSAVI特征空间高于Ts-NDVI特征空间,Ts-MSAVI计算的MTVDI指数能更好地反演土壤水分状况。(2)NDWI指数计算的植被含水量较NDVI指数的高。NDWI计算的植被含水量能有效地去除植被对后向散射系数造成的影响。结合Oh模型经查找表算法得到最终土壤水分反演结果显示,NDWI指数的植被含水量反演得到的土壤水分比NDVI植被含水量反演得到的土壤水分更接近实际情况、反演精度更高。(3)MTVDI指数的土壤水分反演算法和NDWI指数的水云模型土壤水分反演算法进行精度对比评价,表明NDWI的水云模型土壤水分反演算法相关系数高,均方根误差低。主动微波协同光学数据算法反演出的土壤水分更能反映研究区地表土壤水分状况。
【图文】：

技术路线图

则该区域构成的图通常为梯形（Moran et al., 1994）。图 2-1 地表温度与植被指数构成的 Ts-NDVI 梯形特征空间图（Moran et al., 1994）Ts-NDVI特征空间图（图2-1）的边界由植被覆盖、裸土、饱和含水、最小含
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S152.7;S127

【参考文献】

相关期刊论文 前10条

1 李俐;王荻;王鹏新;黄健熙;朱德海;;合成孔径雷达土壤水分反演研究进展[J];资源科学;2015年10期

2 蒋金豹;胡丹娟;刘益青;汤勰;李京;;基于MIMICS模型的麦田地表土壤含水量反演研究[J];麦类作物学报;2015年05期

3 阿多;赵文吉;程立海;宫兆宁;周廷刚;;基于中分辨率遥感影像的湿地土壤水分提取方法[J];湖北农业科学;2015年05期

4 蒋金豹;张玲;崔希民;蔡庆空;孙灏;;植被覆盖区土壤水分反演研究——以北京市为例[J];国土资源遥感;2014年02期

5 吴黎;张有智;解文欢;李岩;宋静波;;土壤水分的遥感监测方法概述[J];国土资源遥感;2014年02期

6 行敏锋;何彬彬;;干旱区草原地上植被生物量估算——以乌图美仁大草原芦苇植被为例[J];地球信息科学学报;2014年02期

7 刘立文;张吴平;段永红;邢立新;陈圣波;赵敏;;TVDI模型的农业旱情时空变化遥感应用[J];生态学报;2014年13期

8 王秀君;陈健;;基于LST-EVI特征空间的土壤水分含量反演[J];遥感技术与应用;2014年01期

9 初庆伟;张洪群;吴业炜;冯钟葵;陈勃;;Landsat-8卫星数据应用探讨[J];遥感信息;2013年04期

10 徐涵秋;唐菲;;新一代Landsat系列卫星:Landsat 8遥感影像新增特征及其生态环境意义[J];生态学报;2013年11期

相关博士学位论文 前9条

1 李茉;基于不确定性分析的农业水土资源多尺度优化配置方法与模型研究[D];中国农业大学;2017年

2 樊磊;基于多源数据的土壤水分估算及森林火灾风险评估应用[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

3 白晓静;基于多波段多极化SAR数据的草原地表土壤水分反演方法研究[D];电子科技大学;2017年

4 张祥;多源时序SAR数据土壤水分反演研究[D];中国矿业大学;2017年

5 黄资_g;基于多源遥感数据的干旱/半干旱地区表层土壤水反演方法研究[D];华南农业大学;2016年

6 行敏锋;生态脆弱区植被生物量和土壤水分的主被动遥感协同反演[D];电子科技大学;2015年

7 李森;基于IEM的多波段、多极化SAR土壤水分反演算法研究[D];中国农业科学院;2007年

8 武胜利;基于TRMM的主被动微波遥感结合反演土壤水分算法研究[D];中国科学院研究生院（遥感应用研究所）;2006年

9 杜晓;植被叶面水遥感监测及其时空特征分析[D];中国科学院研究生院（遥感应用研究所）;2006年

相关硕士学位论文 前10条

1 胡古月;ASAR数据和TM影像协同反演土壤水分方法研究[D];成都理工大学;2017年

2 杜挺;Landsat8 OLI遥感影像融合算法比较及其土地利用分类适应性分析[D];西北大学;2015年

3 屈创;基于多源遥感数据的白龙江流域土壤水分反演研究[D];兰州大学;2014年

4 姜良美;基于微波遥感农田土壤水分反演研究[D];湖南科技大学;2012年

5 吴超;基于遥感影像对土壤水分反演的研究[D];西安科技大学;2011年

6 冀美蓉;基于MODIS遥感数据的山西省土壤水分反演研究[D];山西农业大学;2013年

7 王丽莉;利用MODIS数据反演土壤含水量[D];东北师范大学;2008年

8 张丽丽;土壤水分垂直方向相关性研究和动态预报[D];华中农业大学;2007年

9 任鑫;多极化、多角度SAR土壤水分反演算法研究[D];中国科学院研究生院（遥感应用研究所）;2004年

10 邓辉;基于MODIS数据的大区域土壤水分遥感监测研究[D];中国农业科学院;2004年

，

本文编号：2665529