基于可见光遥感数据与神经网络模型的土壤含水量反演方法研究
发布时间：2021-03-08 11:18
土壤含水量作为农业用水管理中的重要内容,可为灌溉用水量监测、作物需水估算、灌溉用水计划制定等提供数据支撑。卫星遥感反演是大范围获取土壤含水量遥感信息的有效手段。提高土壤含水量的精度对于水资源的模拟、评价与优化配置具有非常重要的意义。光学卫星是目前最丰富的卫星遥感数据源。现阶段,基于可见光的土壤含水量反演方法主要是利用卫星数据反演土壤湿度指数或干旱指数,再利用实测数据建立指数与实际土壤含水量的回归关系。但是由于土壤含水量的时空变化受多种因素的综合影响,回归关系具有非线性特征,且单景、单时相影像和实测数据率定出的关系往往不具有时空可移植性,使得土壤含水量的遥感反演难以建立较为通用的模型模式,且不能脱离地面实测数据。神经网络模型具有强大的非线性映射能力。本文选用BP神经网络模型,以河北省为研究区,基于国产高分辨率光学卫星GF-1号和GF-6号WFV数据源,进行了土壤含水量反演BP神经网络模型输入和结构的优选,改善土壤含水量反演模型的精度,并通过引入描述不同时空影像光谱特征差异的指标,增强土壤含水量反演模型对时空变化的适应性,有效改善了土壤含水量反演模型的通用性。主要结论如下:（1）利用BP神...
【文章来源】：兰州交通大学甘肃省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
研究区概况图
基于可见光遥感数据与神经网络模型的土壤含水量反演方法研究-14-被覆盖度的增加而增大。但红光波段的吸收很快达到饱和，使得近红外光谱反射率增加的唯一可能原因是植被覆盖度的增加[49]。对于土壤而言，反射率因土壤中水分含量的不同表现出不同的反射率，依据水体对红光和近红外波段的强吸收作用，可知土壤水分含量越高，红光和近红外波段的反射率就越低，土壤水分的含量越低，红光和近红外波段的反射率就越高。以红光波段为横轴，以近红外波段为纵轴构建Nir-Red二维光谱特征空间，所有的像元在光谱特征空间中构成了一个近似三角形的形状（图2.2）。一般而言，裸土像元在近红外波段的反射率值低于有植被覆盖像元的反射率值，那么每个红光波段反射率值对应于近红外值最小的点为裸土像元，由裸土像元拟合得到的线构成了三角形的底边，将该底边称为土壤基线，数学表达式为：*nirredRMRb（2.2）式中，nirR为近红外波段的反射率值，redR为红外波段的反射率值，M为土壤线斜率，b为土壤线截距。图2.2Nir-Red二维光谱特征空间根据像元的植被和土壤水分明显的光谱分异规律，由红光和近红外光谱反射率构成的二维光谱特征空间具有明显的两大特征：（1）根据像元的近红外光谱反射率表征植被的覆盖度情况。如图2.2所示，A，E，D分别为二维光谱特征空间中的三个点，具体
兰州交通大学硕士学位论文-15-植被覆盖度的表现为：A点在三角形的正上方远离土壤基线，属于高植被覆盖区，E点介于裸土和高植被覆盖区之间，属于半植被覆盖区，D点在裸土线上，属于裸土区。（2）根据土壤水分的强吸收特征，反映地表的干旱情况。越靠近坐标原点的像元土壤越湿润，越远离坐标原点的像元土壤越干旱。依据光谱空间中的像元植被和土壤水分的分异规律，有作者提出了相应的干旱指数用于土壤水分的监测，下面将重点介绍常见的基于红光和近红外光谱特征空间干旱指数的计算。2.3.1.2PDI模型Ghulam等人利用预处理后的Landsat影像构建了Nir-Red二维光谱特征空间（图2.3），发现土壤湿度呈现以下规律：B点的土壤湿度最低，所在的区域为干旱地表，C点的土壤湿度最大，所在的地表为湿润地表，从B到C是土壤湿度逐渐增大的过程。将坐标原点看成是反射率为零的黑体，过坐标原点做土壤线的法线，任何一个像元所在区域的干旱情况都可以表示成该像元到法线的距离，PDI模型的具体推到过程如下：图2.3Nir-Red特征空间的PDI示意图根据土壤线的斜率与法线L的斜率成倒数关系，即可推导出法线方程：1*nirredRRM（2.3）对于像元中任意一点(,)rednirERR的土壤湿度都可由E点到法线L的距离公式计算：
【参考文献】：
期刊论文
[1]基于条件植被温度指数的夏玉米生长季干旱预测研究[J]. 李俐,许连香,王鹏新,齐璇,王蕾. 农业机械学报. 2020(01)
[2]基于4种植被指数TVDI模型的三江平原土壤湿度反演[J]. 陈明星,张玉虎. 水土保持研究. 2019(03)
[3]基于遗传优化神经网络的多源遥感数据反演土壤水分[J]. 关韵桐,李金平. 水资源与水工程学报. 2019(02)
[4]利用改进的水云模型反演夏玉米拔节期土壤墒情方法研究[J]. 李艳,张成才,罗蔚然. 水利水电技术. 2019(03)
[5]基于改进粒子群神经网络的麦田土壤水分反演[J]. 蔡庆空,李二俊,陶亮亮,蒋瑞波,潘洁晨. 土壤通报. 2018(06)
[6]基于地形因子的TVDI修正——以陕西省为例[J]. 郑发美,白建军. 干旱区研究. 2018(05)
[7]基于卷积神经网络和AMSR2微波遥感的土壤水分反演研究[J]. 谭建灿,毛克彪,左志远,赵天杰,谭雪兰,李建军. 高技术通讯. 2018(05)
[8]基于改进水云模型和Radarsat-2数据的农田土壤含水量估算[J]. 杨贵军,岳继博,李长春,冯海宽,杨浩,兰玉彬. 农业工程学报. 2016(22)
[9]基于被动微波遥感和BP神经网络的土壤水分反演研究——以川中丘陵区为例[J]. 徐小逊,张萍,徐精文,黄飞,宁黎. 西南农业学报. 2014(06)
[10]TVDI用于干旱区农业旱情监测的适宜性[J]. 张喆,丁建丽,李鑫,鄢雪英. 中国沙漠. 2015(01)
博士论文
[1]农田区域蒸散发和土壤含水量协同获取方法研究与应用[D]. 易珍言.中国水利水电科学研究院 2019
硕士论文
[1]基于Nir-Red二维光谱特征空间的采矿区土壤含水量反演与分析[D]. 先涛.长安大学 2017
[2]遥感光谱指数反演土壤水分及干旱时空分布研究[D]. 周正明.中国气象科学研究院 2013
[3]基于热红外辐射特征的土壤水分含量估算模型实验研究[D]. 徐军.南京师范大学 2008
本文编号：3070959
【文章来源】：兰州交通大学甘肃省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
研究区概况图
基于可见光遥感数据与神经网络模型的土壤含水量反演方法研究-14-被覆盖度的增加而增大。但红光波段的吸收很快达到饱和，使得近红外光谱反射率增加的唯一可能原因是植被覆盖度的增加[49]。对于土壤而言，反射率因土壤中水分含量的不同表现出不同的反射率，依据水体对红光和近红外波段的强吸收作用，可知土壤水分含量越高，红光和近红外波段的反射率就越低，土壤水分的含量越低，红光和近红外波段的反射率就越高。以红光波段为横轴，以近红外波段为纵轴构建Nir-Red二维光谱特征空间，所有的像元在光谱特征空间中构成了一个近似三角形的形状（图2.2）。一般而言，裸土像元在近红外波段的反射率值低于有植被覆盖像元的反射率值，那么每个红光波段反射率值对应于近红外值最小的点为裸土像元，由裸土像元拟合得到的线构成了三角形的底边，将该底边称为土壤基线，数学表达式为：*nirredRMRb（2.2）式中，nirR为近红外波段的反射率值，redR为红外波段的反射率值，M为土壤线斜率，b为土壤线截距。图2.2Nir-Red二维光谱特征空间根据像元的植被和土壤水分明显的光谱分异规律，由红光和近红外光谱反射率构成的二维光谱特征空间具有明显的两大特征：（1）根据像元的近红外光谱反射率表征植被的覆盖度情况。如图2.2所示，A，E，D分别为二维光谱特征空间中的三个点，具体
兰州交通大学硕士学位论文-15-植被覆盖度的表现为：A点在三角形的正上方远离土壤基线，属于高植被覆盖区，E点介于裸土和高植被覆盖区之间，属于半植被覆盖区，D点在裸土线上，属于裸土区。（2）根据土壤水分的强吸收特征，反映地表的干旱情况。越靠近坐标原点的像元土壤越湿润，越远离坐标原点的像元土壤越干旱。依据光谱空间中的像元植被和土壤水分的分异规律，有作者提出了相应的干旱指数用于土壤水分的监测，下面将重点介绍常见的基于红光和近红外光谱特征空间干旱指数的计算。2.3.1.2PDI模型Ghulam等人利用预处理后的Landsat影像构建了Nir-Red二维光谱特征空间（图2.3），发现土壤湿度呈现以下规律：B点的土壤湿度最低，所在的区域为干旱地表，C点的土壤湿度最大，所在的地表为湿润地表，从B到C是土壤湿度逐渐增大的过程。将坐标原点看成是反射率为零的黑体，过坐标原点做土壤线的法线，任何一个像元所在区域的干旱情况都可以表示成该像元到法线的距离，PDI模型的具体推到过程如下：图2.3Nir-Red特征空间的PDI示意图根据土壤线的斜率与法线L的斜率成倒数关系，即可推导出法线方程：1*nirredRRM（2.3）对于像元中任意一点(,)rednirERR的土壤湿度都可由E点到法线L的距离公式计算：
【参考文献】：
期刊论文
[1]基于条件植被温度指数的夏玉米生长季干旱预测研究[J]. 李俐,许连香,王鹏新,齐璇,王蕾. 农业机械学报. 2020(01)
[2]基于4种植被指数TVDI模型的三江平原土壤湿度反演[J]. 陈明星,张玉虎. 水土保持研究. 2019(03)
[3]基于遗传优化神经网络的多源遥感数据反演土壤水分[J]. 关韵桐,李金平. 水资源与水工程学报. 2019(02)
[4]利用改进的水云模型反演夏玉米拔节期土壤墒情方法研究[J]. 李艳,张成才,罗蔚然. 水利水电技术. 2019(03)
[5]基于改进粒子群神经网络的麦田土壤水分反演[J]. 蔡庆空,李二俊,陶亮亮,蒋瑞波,潘洁晨. 土壤通报. 2018(06)
[6]基于地形因子的TVDI修正——以陕西省为例[J]. 郑发美,白建军. 干旱区研究. 2018(05)
[7]基于卷积神经网络和AMSR2微波遥感的土壤水分反演研究[J]. 谭建灿,毛克彪,左志远,赵天杰,谭雪兰,李建军. 高技术通讯. 2018(05)
[8]基于改进水云模型和Radarsat-2数据的农田土壤含水量估算[J]. 杨贵军,岳继博,李长春,冯海宽,杨浩,兰玉彬. 农业工程学报. 2016(22)
[9]基于被动微波遥感和BP神经网络的土壤水分反演研究——以川中丘陵区为例[J]. 徐小逊,张萍,徐精文,黄飞,宁黎. 西南农业学报. 2014(06)
[10]TVDI用于干旱区农业旱情监测的适宜性[J]. 张喆,丁建丽,李鑫,鄢雪英. 中国沙漠. 2015(01)
博士论文
[1]农田区域蒸散发和土壤含水量协同获取方法研究与应用[D]. 易珍言.中国水利水电科学研究院 2019
硕士论文
[1]基于Nir-Red二维光谱特征空间的采矿区土壤含水量反演与分析[D]. 先涛.长安大学 2017
[2]遥感光谱指数反演土壤水分及干旱时空分布研究[D]. 周正明.中国气象科学研究院 2013
[3]基于热红外辐射特征的土壤水分含量估算模型实验研究[D]. 徐军.南京师范大学 2008
本文编号：3070959
本文链接：https://www.wllwen.com/kejilunwen/nykj/3070959.html
