基于GF-3和Landsat8遥感数据的土壤水分反演研究
发布时间：2021-08-11 20:37
基于我国首颗全极化雷达卫星高分三号（GF-3）和Landsat8数据,研究浓密植被覆盖地表土壤水分反演方法。为了提高浓密植被覆盖地表土壤水分反演精度,首先利用PROSAIL模型、实测植被参数及Landsat8光学数据分析了8种植被指数与植被冠层含水量的相关性,从中优选出归一化差异水指数（NDWI5）用于反演植被冠层含水量,并通过分析植被含水量和植被冠层含水量的关系,构建植被含水量模型;然后结合植被含水量反演模型和简化MIMICS模型校正了植被对雷达后向散射系数的影响,最后基于AIEM建立裸土后向散射系数模拟数据集,发展一种主动微波和光学数据协同反演浓密植被覆盖地表土壤水分模型,并以山东省禹城市为研究区,实现了玉米覆盖下HH、VV和HH+VV 3种模式土壤水分反演。实验结果表明:①NDWI5为最佳植被指数,对于去除植被影响有较好效果;②基于此方法,利用GF-3和Landsat8卫星数据反演得到的土壤水分具有较高的精度;③相比HH和VV两种极化模式,HH+VV双通道模式对土壤水分反演结果更好,决定系数（R2）为0.4037,均方根误差（RMSE）为0.0667 m
【文章来源】：地球信息科学学报. 2019,21(12)北大核心CSCD
【文章页数】：12 页
【部分图文】：
山东禹城市位置及样点分布
植被水分在970、1200、1500、2201 nm处于吸收峰和吸收谷，通过该波段计算得到植被指数与单叶片含水量存在相关性，而在像元尺度上，水分敏感波段还与单位体积内的叶片数量有关[15]，因此，基于水分敏感波段计算的植被指数可以反映植被冠层含水量[16]。在本研究中，选择与水分敏感波段相关的8种植被指数，并建立了它们与植被冠层含水量关系。植被指数计算公式如表2所示。PROSAIL模型是由PROSPECT模型和SAIL模型耦合而成，迄今为止它是模拟植被冠层光谱反射率最真实的模型[24]。通过PROSAIL模型既能初步优选出几种植被指数，也能对比实测数据和PROSAIL模型优选的最佳植被指数是否一致，从而保证最佳植被指数可靠性。因此本文以实测植被参数为主，设置PROSAIL模型参数（表3），通过Landsat8数据光谱响应函数，计算多光谱波段反射率（式（2））。
由于光学遥感只能获取植被冠层信息，不能直接获取植被含水量，所以需进一步考虑植被含水量的获取方法。部分学者通过分析植被茎秆含水量与冠层含水量相关性，并根据植被含水量等于二者之和，建立了植被含水量与植被冠层含水量的关系[30]。鉴于此，本文通过分析实测植被茎秆含水量（VWCstem）和冠层含水量（VCWC）的关系发现（图5）：茎秆水分约为冠层水分3.6倍（式（8)),R2为0.6503，这说明二者间具有很强相关性。因此，基于植被含水量、茎秆含水量及冠层含水量关系，本文构建了植被含水量（VWC）与植被冠层含水量（VC-WC）关系式（式（9））。本文利用Landsat8近红外和短波红外波段得到NDWI5，根据拟合公式（表6）计算植被冠层含水量，最后利用式（9）反演植被含水量（图6）。由图6可见，图像整体呈现3种颜色：红色、绿色及蓝色，通过与RGB原始图像对比可知，红色区域为村庄和道路设施，容易识别，村庄周围浅红色为裸地；黄色为植被稀疏区域，植被含水量值约为1～4 kg/m2，绿色和蓝色为浓密植被区域，植被含水量主要集中于4～7 kg/m2之间，与实测数据吻合。分析可知，除去村庄及裸地后，浓密植被区域约占整个区域90%，符合野外观测到的实际情况。
【参考文献】：
期刊论文
[1]地表组合粗糙度不确定性引起的SAR反演土壤水分的不确定性分析[J]. 陈鲁皖,韩玲,王文娟,秦小宝. 地球信息科学学报. 2018(01)
[2]全球36 km格网土壤水分逐日估算[J]. 贾艳昌,谢谟文,姜红涛. 地球信息科学学报. 2017(06)
[3]微波与光学遥感协同反演旱区地表土壤水分研究[J]. 孔金玲,李菁菁,甄珮珮,杨笑天,杨晶,吴哲超. 地球信息科学学报. 2016(06)
[4]基于全极化雷达数据反演夏玉米覆盖农田表层土壤含水量[J]. 王春梅,余涛,孟庆岩,占玉林,杨健,李娟,魏香琴. 水资源与水工程学报. 2014(02)
[5]植被覆盖区土壤水分反演研究——以北京市为例[J]. 蒋金豹,张玲,崔希民,蔡庆空,孙灏. 国土资源遥感. 2014(02)
[6]光学信息分解被动微波土壤湿度方法[J]. 王安琪,施建成,阿多,宫辉力. 地球信息科学学报. 2012(05)
[7]ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法[J]. 余凡,赵英时. 中国科学:地球科学. 2011(04)
[8]植被含水量光学遥感估算方法研究进展[J]. 张佳华,许云,姚凤梅,王培娟,郭文娟,李莉,YANG LiMin. 中国科学:技术科学. 2010(10)
[9]植被覆盖地表土壤水分遥感反演[J]. 周鹏,丁建丽,王飞,古丽加玛丽·吾不力,张治广. 遥感学报. 2010(05)
本文编号：3336853
【文章来源】：地球信息科学学报. 2019,21(12)北大核心CSCD
【文章页数】：12 页
【部分图文】：
山东禹城市位置及样点分布
植被水分在970、1200、1500、2201 nm处于吸收峰和吸收谷，通过该波段计算得到植被指数与单叶片含水量存在相关性，而在像元尺度上，水分敏感波段还与单位体积内的叶片数量有关[15]，因此，基于水分敏感波段计算的植被指数可以反映植被冠层含水量[16]。在本研究中，选择与水分敏感波段相关的8种植被指数，并建立了它们与植被冠层含水量关系。植被指数计算公式如表2所示。PROSAIL模型是由PROSPECT模型和SAIL模型耦合而成，迄今为止它是模拟植被冠层光谱反射率最真实的模型[24]。通过PROSAIL模型既能初步优选出几种植被指数，也能对比实测数据和PROSAIL模型优选的最佳植被指数是否一致，从而保证最佳植被指数可靠性。因此本文以实测植被参数为主，设置PROSAIL模型参数（表3），通过Landsat8数据光谱响应函数，计算多光谱波段反射率（式（2））。
由于光学遥感只能获取植被冠层信息，不能直接获取植被含水量，所以需进一步考虑植被含水量的获取方法。部分学者通过分析植被茎秆含水量与冠层含水量相关性，并根据植被含水量等于二者之和，建立了植被含水量与植被冠层含水量的关系[30]。鉴于此，本文通过分析实测植被茎秆含水量（VWCstem）和冠层含水量（VCWC）的关系发现（图5）：茎秆水分约为冠层水分3.6倍（式（8)),R2为0.6503，这说明二者间具有很强相关性。因此，基于植被含水量、茎秆含水量及冠层含水量关系，本文构建了植被含水量（VWC）与植被冠层含水量（VC-WC）关系式（式（9））。本文利用Landsat8近红外和短波红外波段得到NDWI5，根据拟合公式（表6）计算植被冠层含水量，最后利用式（9）反演植被含水量（图6）。由图6可见，图像整体呈现3种颜色：红色、绿色及蓝色，通过与RGB原始图像对比可知，红色区域为村庄和道路设施，容易识别，村庄周围浅红色为裸地；黄色为植被稀疏区域，植被含水量值约为1～4 kg/m2，绿色和蓝色为浓密植被区域，植被含水量主要集中于4～7 kg/m2之间，与实测数据吻合。分析可知，除去村庄及裸地后，浓密植被区域约占整个区域90%，符合野外观测到的实际情况。
【参考文献】：
期刊论文
[1]地表组合粗糙度不确定性引起的SAR反演土壤水分的不确定性分析[J]. 陈鲁皖,韩玲,王文娟,秦小宝. 地球信息科学学报. 2018(01)
[2]全球36 km格网土壤水分逐日估算[J]. 贾艳昌,谢谟文,姜红涛. 地球信息科学学报. 2017(06)
[3]微波与光学遥感协同反演旱区地表土壤水分研究[J]. 孔金玲,李菁菁,甄珮珮,杨笑天,杨晶,吴哲超. 地球信息科学学报. 2016(06)
[4]基于全极化雷达数据反演夏玉米覆盖农田表层土壤含水量[J]. 王春梅,余涛,孟庆岩,占玉林,杨健,李娟,魏香琴. 水资源与水工程学报. 2014(02)
[5]植被覆盖区土壤水分反演研究——以北京市为例[J]. 蒋金豹,张玲,崔希民,蔡庆空,孙灏. 国土资源遥感. 2014(02)
[6]光学信息分解被动微波土壤湿度方法[J]. 王安琪,施建成,阿多,宫辉力. 地球信息科学学报. 2012(05)
[7]ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法[J]. 余凡,赵英时. 中国科学:地球科学. 2011(04)
[8]植被含水量光学遥感估算方法研究进展[J]. 张佳华,许云,姚凤梅,王培娟,郭文娟,李莉,YANG LiMin. 中国科学:技术科学. 2010(10)
[9]植被覆盖地表土壤水分遥感反演[J]. 周鹏,丁建丽,王飞,古丽加玛丽·吾不力,张治广. 遥感学报. 2010(05)
本文编号：3336853
本文链接：https://www.wllwen.com/nykjlw/nyxlw/3336853.html
