基于CLDAS数据和机器算法模型的大清河流域地表土壤湿度降尺度研究
发布时间：2021-06-05 22:37
土壤水分是"四水"转换的纽带,农业生产的基础,传统的野外定点测量土壤水分的方法难以实现空间上的展布,现代微波遥感数据可以得到大尺度的土壤水分,但分辨率低。本文利用CLDAS数据,将机器算法应用到遥感影像指数运算中,开展土壤水分的降尺度研究。论文分别采用OLS算法、Bagging算法、BRT算法和随机森林算法模型建立MODIS光学遥感数据（LST、Albedo、NDVI、ET）与土壤水分的关系模型。研究结果表明:四种算法中随机森林算法的拟合效果更优（R2=0.961 28,RMSE=0.006 99）。利用该算法算出降尺度后的土壤体积水分,可以得到大尺度且空间分辨率更高的土壤水分数据。大清河流域西北部土壤含水量高于东南部,土壤含水量差异可达0.2 mm3/mm3,在流域土壤含水量空间分布的季节变化显著,3月土壤水分低至0.16 mm3/mm3,9月土壤水分高达0.33 mm3/mm3。
【文章来源】：水利水电技术. 2019,50(10)北大核心
【文章页数】：7 页
【部分图文】：
大清河流域地理位置及高程
发，在缺乏实测土壤水分情况下，可以保证在相同空间尺度上对数据进行验证，如果使用地面点测量的土壤水分数据，就会面临点数据和面尺度的误差问题。另一方面受土地利用类型的影响，土壤水分值在林地、耕地等处数值高，在人类建设活动区等处数值低，随机笼统地将整个流域的土壤水分数据分成两部分进行建模和验证，会对土壤水分数据的反演精度有一定的影响。3.2大清河流域土壤含水率空间分布综上所述，衡量4种机器学习方法可知，ＲF模型的精度和预测能力要高于其他3种模型，估选取ＲF模型对CLDAS土壤水分进行降尺度。图3(a)大清河流域0～10cm的原始CLDAS土壤水分，图3(b)为降尺度后土壤水分的空间分布结果，降尺度后将大清河流域土壤水分数据空间分辨率提高到1km，能够满足中小研究尺度范围内的数据精度要求，弥补了CLDAS土壤水分产品分辨率低的缺点，扩大CLDAS土壤水分数据的应用范围。从整体上看，随机森林算法将大清河流域大部分地区的土壤水分细节都保留并且变得更细致，CLDAS土壤水分和降尺度后的土壤水分分布在高海拔地区表现较高的土壤水分，土壤水分高低趋势都能很好地对应相应的区域，土壤体积含水量高达0.36mm3/mm3，比东南部地势的的地区多0.2mm3/mm3。结合地势分布分析，从东海吹来的水汽经过大清河流域西北部，海拔高的地方容易形成降雨，降雨强度较大，土壤含水量也较高。但在大清河流域东部廊坊区域存在一个明显高估的区域，原始的CLDAS土壤湿度实际低于0.25mm3/mm3，降尺度后该区域土壤水分值高于0.3mm3/mm3，这与图2中ＲF算法对低的值存在高估相符。根据ＲF降尺度方法，计算大图3原始CLDAS和随机森林降尺度后土壤水分估算空间图对比清河流域2018年4季的土壤水分反演结果?
吴颖菊，等∥基于CLDAS数据和机器算法模型的大清河流域地表土壤湿度降尺度研究水利水电技术第50卷2019年第10期图4大清河流域2018年土壤水分四季空间分布示意利用类型也有高度联系，因此，在以后的研究中，应考虑上降雨量、高程和土地利用类型等因素。4结论和展望本研究以大清河流域为研究区，不同的机器算法CLDAS土壤体积水分与土壤水分相关的产品和指数，利用OLS、Bagging、BＲT和ＲF算法建立回归。(1)4种机器算法模型拟合土壤水分的精度由高到低的顺序依次是ＲF、BＲT、Bagging、OLS。ＲF算法的预测精度最高，ＲMSE=0.00699和Ｒ2=0.95128，OLS算法效果最差，Ｒ2=0.72366和ＲMSE=0.01715。(2)CLDAS原始的土壤含水量数据空间分辨率从7km提高到1km，提高了土壤含水量影像的清晰度，满足流域尺度研究精度的要求，为大清河流域日后的水文以及旱情监测提供了有效依据。(3)大清河流域表层土壤水分时空分布差异较大，空间分布上，海拔更高，土壤含水量更大，一年四季的表层土壤水有明显的差异，主要是降雨强度影响表层土壤含水量的变化。未来研究中应该增加高程、降水，土地利用类型和其他水文因子，增强模型对土壤水分的拟合精度。由于大清河流域缺乏大量的实测数据以供检验，本文以CLDAS土壤体积含水量作为实测的土壤水分数据，目前对CLDAS土壤水分的降尺度研究还较为缺乏，本文是对该研究的一个补充;同时因为MO-DIS每日的数据成像质量较差，所以本文采用的是一个月合成影像与对应的月1～10cm的CLDAS土壤体积含水量进行降尺度，存在一定误差。不同的土地利用类型的土壤水分差异明显，将整个流域的土壤水分数据分成两部分进行建模和验证，会对土壤水分数据的反演精度有一定地影响通过高质量的清晰的实时的土壤水分数
【参考文献】：
期刊论文
[1]疏勒河流域土壤含水率反演[J]. 郭晓娟,周妍妍,郭建军,陈冠光,岳东霞. 干旱区研究. 2018(06)
[2]基于CLDAS2.0驱动数据的中国区域土壤湿度模拟与评估[J]. 师春香,姜立鹏,朱智,姜志伟,梁晓,韩帅,张涛. 江苏农业科学. 2018(04)
[3]Boosting和Bagging综述[J]. 沈学华,周志华,吴建鑫,陈兆乾. 计算机工程与应用. 2000(12)
[4]利用气象卫星遥感监测土壤含水量[J]. 裴浩,范一大,乌日娜. 干旱区资源与环境. 1999(01)
硕士论文
[1]中国区域多源主被动微波遥感土壤湿度产品融合研究[D]. 庄媛.南京信息工程大学 2014
[2]大清河流域可利用水资源量演变规律研究[D]. 刘文静.河北工程大学 2014
[3]基于遥感影像对土壤水分反演的研究[D]. 吴超.西安科技大学 2011
[4]基于MODIS数据的北京地区土壤含水量遥感信息模型研究[D]. 赵立军.中国农业大学 2004
本文编号：3213049
【文章来源】：水利水电技术. 2019,50(10)北大核心
【文章页数】：7 页
【部分图文】：
大清河流域地理位置及高程
发，在缺乏实测土壤水分情况下，可以保证在相同空间尺度上对数据进行验证，如果使用地面点测量的土壤水分数据，就会面临点数据和面尺度的误差问题。另一方面受土地利用类型的影响，土壤水分值在林地、耕地等处数值高，在人类建设活动区等处数值低，随机笼统地将整个流域的土壤水分数据分成两部分进行建模和验证，会对土壤水分数据的反演精度有一定的影响。3.2大清河流域土壤含水率空间分布综上所述，衡量4种机器学习方法可知，ＲF模型的精度和预测能力要高于其他3种模型，估选取ＲF模型对CLDAS土壤水分进行降尺度。图3(a)大清河流域0～10cm的原始CLDAS土壤水分，图3(b)为降尺度后土壤水分的空间分布结果，降尺度后将大清河流域土壤水分数据空间分辨率提高到1km，能够满足中小研究尺度范围内的数据精度要求，弥补了CLDAS土壤水分产品分辨率低的缺点，扩大CLDAS土壤水分数据的应用范围。从整体上看，随机森林算法将大清河流域大部分地区的土壤水分细节都保留并且变得更细致，CLDAS土壤水分和降尺度后的土壤水分分布在高海拔地区表现较高的土壤水分，土壤水分高低趋势都能很好地对应相应的区域，土壤体积含水量高达0.36mm3/mm3，比东南部地势的的地区多0.2mm3/mm3。结合地势分布分析，从东海吹来的水汽经过大清河流域西北部，海拔高的地方容易形成降雨，降雨强度较大，土壤含水量也较高。但在大清河流域东部廊坊区域存在一个明显高估的区域，原始的CLDAS土壤湿度实际低于0.25mm3/mm3，降尺度后该区域土壤水分值高于0.3mm3/mm3，这与图2中ＲF算法对低的值存在高估相符。根据ＲF降尺度方法，计算大图3原始CLDAS和随机森林降尺度后土壤水分估算空间图对比清河流域2018年4季的土壤水分反演结果?
吴颖菊，等∥基于CLDAS数据和机器算法模型的大清河流域地表土壤湿度降尺度研究水利水电技术第50卷2019年第10期图4大清河流域2018年土壤水分四季空间分布示意利用类型也有高度联系，因此，在以后的研究中，应考虑上降雨量、高程和土地利用类型等因素。4结论和展望本研究以大清河流域为研究区，不同的机器算法CLDAS土壤体积水分与土壤水分相关的产品和指数，利用OLS、Bagging、BＲT和ＲF算法建立回归。(1)4种机器算法模型拟合土壤水分的精度由高到低的顺序依次是ＲF、BＲT、Bagging、OLS。ＲF算法的预测精度最高，ＲMSE=0.00699和Ｒ2=0.95128，OLS算法效果最差，Ｒ2=0.72366和ＲMSE=0.01715。(2)CLDAS原始的土壤含水量数据空间分辨率从7km提高到1km，提高了土壤含水量影像的清晰度，满足流域尺度研究精度的要求，为大清河流域日后的水文以及旱情监测提供了有效依据。(3)大清河流域表层土壤水分时空分布差异较大，空间分布上，海拔更高，土壤含水量更大，一年四季的表层土壤水有明显的差异，主要是降雨强度影响表层土壤含水量的变化。未来研究中应该增加高程、降水，土地利用类型和其他水文因子，增强模型对土壤水分的拟合精度。由于大清河流域缺乏大量的实测数据以供检验，本文以CLDAS土壤体积含水量作为实测的土壤水分数据，目前对CLDAS土壤水分的降尺度研究还较为缺乏，本文是对该研究的一个补充;同时因为MO-DIS每日的数据成像质量较差，所以本文采用的是一个月合成影像与对应的月1～10cm的CLDAS土壤体积含水量进行降尺度，存在一定误差。不同的土地利用类型的土壤水分差异明显，将整个流域的土壤水分数据分成两部分进行建模和验证，会对土壤水分数据的反演精度有一定地影响通过高质量的清晰的实时的土壤水分数
【参考文献】：
期刊论文
[1]疏勒河流域土壤含水率反演[J]. 郭晓娟,周妍妍,郭建军,陈冠光,岳东霞. 干旱区研究. 2018(06)
[2]基于CLDAS2.0驱动数据的中国区域土壤湿度模拟与评估[J]. 师春香,姜立鹏,朱智,姜志伟,梁晓,韩帅,张涛. 江苏农业科学. 2018(04)
[3]Boosting和Bagging综述[J]. 沈学华,周志华,吴建鑫,陈兆乾. 计算机工程与应用. 2000(12)
[4]利用气象卫星遥感监测土壤含水量[J]. 裴浩,范一大,乌日娜. 干旱区资源与环境. 1999(01)
硕士论文
[1]中国区域多源主被动微波遥感土壤湿度产品融合研究[D]. 庄媛.南京信息工程大学 2014
[2]大清河流域可利用水资源量演变规律研究[D]. 刘文静.河北工程大学 2014
[3]基于遥感影像对土壤水分反演的研究[D]. 吴超.西安科技大学 2011
[4]基于MODIS数据的北京地区土壤含水量遥感信息模型研究[D]. 赵立军.中国农业大学 2004
本文编号：3213049
本文链接：https://www.wllwen.com/nykjlw/nyxlw/3213049.html
