基于遥感数据的水源涵养关键参数反演方法研究

发布时间：2020-06-02 03:15

【摘要】：土壤水分和地表温度是表征生态系统各圈层(土壤层、水层、植被层、大气层)之间能量转换的重要物理量,是反映陆地区域生态系统水源涵养状况的关键参数,因此研究土壤水分和地表温度时空变化对评估区域水源涵养状况具有重要意义。相比于传统的高成本地面测量方法,运用微波遥感技术能够快速大面积获取长时间序列的地表参数。以往研究者们一直致力于研究被动微波的辐射传输原理来构建地表参数反演算法,同时结合经验统计模型和机器学习方法来针对不同区域、不同地表类型改进反演算法。随着深度学习技术的发展,卷积神经网络由于具备多层非线性变换对高复杂度数据建模优势,在各大领域被广泛应用,为进一步改进传统遥感参数反演算法提供新的契机。在分析以往反演算法的基础上,本研究总结不同算法的优势和局限性,提出适用于反演土壤水分和地表温度的卷积神经网络(Convolutional Neural Network,CNN)算法,从而克服传统反演方法的缺陷,提高反演精度,并分析了我国水源涵养关键参数的时空变化特征。研究结果如下:(1)分析了CNN土壤水分反演算法的适用性和准确性。选择针对裸地地表的AIEM模型模拟数据,和针对低矮植被地表的双矩阵(M-D)模型模拟数据,以及CLDAS土壤水分数据,分别建立样本数据库反演土壤水分。测试样本下的精度分析表明随着高频通道的减少,CNN反演的精度越低。这说明通道越多,CNN能够提取微波辐射信号的特征信息越充分,反演土壤水分的精度越高。为了使CNN土壤水分反演更符合地表实际情况,本研究综合采用模型模拟数据、CLDAS土壤湿度产品和可靠的地面测量数据样本,组成多源的训练数据库。基于多源数据库框架的CNN反演结果和地面观测数据之间的验证精度较高,RMSE为0.0384 m~3/m~3,R~2为0.8945。(2)分析了CNN地表温度反演算法在不同组合和不同区域下的适用性和准确性。研究表明,被动微波12个垂直/极化通道组合使得CNN反演模型最稳定和精度最高。基于不同区域训练CNN模型,表明CNN在大区域地表均一的裸地地区的精度更高。CNN反演数据和测试样本的地面实测数据的拟合线总体上接近于1:1,表明CNN反演的地表温度能够保持与实际值的整体空间变化,说明CNN完全可以应用于地表温度反演。精度验证得到相关系数R~2为0.987,RMSE为2.69K,平均相对误差为2.57K,表明CNN地表温度反演算法的精度高。(3)利用土壤水分和地表温度长时间序列的反演结果,对2003-2018年中国的水源涵养关键参数进行时空变化分析。采用趋势分析法分析了我国六大区域的土壤水分和地表温度时间变化。土壤水分方面,近15年来中国夏季土壤水分时间上的变化幅度相对较大,且夏季的土壤水分相较于其他季节高;从空间分布来看,我国长江以北的湖北北部、河南、安徽等地土壤水分四个季节均呈现显著增加的趋势,说明这些地区近15年来的地表土壤有明显的增湿趋势,水源涵养程度逐步提高。地表温度方面,近15年来我国季均地表温度总体上是小幅度变化。从空间上来看,春季地表温度普遍在降低。与春季相反,冬季地表温度我国大部分区域呈现轻微上升的趋势。
【图文】：

技术路线图,技术路线

技术路线

卷积,提取数据,被动微波,样本特征

以 AMSR2 被动微波数据为例，卷积神经网络的输入层保证样本像元大小统一为 14×1，，即每个样本的大小为 14×1，并对样本数据进行规则化处理。卷积层用于提取数据样本特征，是一个卷积神经网络中最为核心的部分。卷积层中每一个神经元节点的输入只是上一层输出的一部分，即跟上一层输出进行局部链接（Chen 等，2017）。为了更深入提取数据特征，卷积层通过对应的连Fig. 2.1 CNN architecture
【学位授予单位】：中国农业科学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S152.7;S127

【相似文献】