基于改进水云模型的土壤水分反演研究

来源:用户上传      作者:

　　摘  要：提出了一种基于改进的水云模型的主动微波遥感土壤水分反演方法。首先，分别通过甘肃省张掖市祁连山中段的扁都口研究区的实测数据计算RVI、DVI、NDVI、NDWI、MSAVI等五种植被指数，建立适用于研究区的植被含水量经验方程，然后基于植被含水量经验方程构建水云模型，对总的地表后向散射系数中的植被影响进行改正，结合水云模型和AIEM模型，建立改进的土壤水分反演算法。从五种植被指数中选取与植被含水量相关性最高的三种植被指数，然后利用九组植被指数组合参与土壤水分反演，对比并选择反演结果精度较好的植被指数及其植被含水量经验方程。将文章方法与基于Jackson经验方程建立水云模型的反演算法进行了对比，结果表明，文章提出的改进水云模型的土壤水分反演算法精度较高，体现了该改进算法的优势与潜力。
　　关键词：土壤水分;水云模型;AIEM;反演
　　中图分类号：P237          文献标志码：A         文章编号：2095-2945（2020）10-0013-03
　　Abstract： An active microwave remote sensing soil moisture retrieval method based on improved water cloud model is proposed. First of all， based on the measured data of Biandukou study area in the middle part of Qilian Mountain in Zhangye City， Gansu Province， RVI， DVI， NDVI， NDWI and MSAVI are calculated， and the empirical equation of vegetation water content suitable for the study area is established. Then based on the empirical equation of vegetation water content， the water cloud model is constructed to correct the vegetation influence in the total surface backscattering coefficient. By combining water cloud model and AIEM model， an improved inversion algorithm of soil moisture is established. Three vegetation indices with the highest correlation with vegetation water content were selected from the five vegetation indexes， and then nine groups of vegetation indexes were used to participate in the inversion of soil moisture. And the vegetation index with better accuracy of inversion results and the empirical equation of vegetation water content are compared and selected. The method proposed in this paper is compared with the inversion algorithm of water cloud model based on Jackson empirical equation. The results show that the soil moisture inversion algorithm of the improved water cloud model proposed in this paper has higher accuracy， which reflects the advantage and potential of the improved algorithm.
　　Keywords： soil moisture; water cloud model; AIEM; inversion
　　引言
　　土壤水分在地球生態系统中占据着重要的位置，对生态、经济、发展等都有不可忽视的影响[1]。干旱半干旱地区相对于其他地区不仅土壤中所含水分较少，而且存在大量农田、草地、灌木等低矮植被覆盖区域。对这些区域的土壤水分进行研究时，消除植被影响能够更加精确地获取到土壤水分，为旱情防治、气候变化，区域规划发展等方面提供重要的基础数据支持。
　　目前，基于主动微波遥感反演土壤水分是对土壤水分进行大尺度、高精度、实时监测的重要手段。在植被覆盖的地表，植被层的存在会使土壤微波辐射信号发生衰减、散射，并使得植被覆盖地表土壤水分与后向散射系数之间的关系更复杂，增大了反演难度[1]，因此必须校正植被的影响。
　　传统植被覆盖影响的校正主要有以下两种方法：一是利用微波植被散射理论模型，定量估算出植被散射在总体后向散射中所占比例，如MIMICS模型[2]。二是通过经验或半经验模型定量计算出植被对后向散射的影响部分，如水云模型[3]。
　　上述两种模型都需要计算植被含水量，常用的是Jackson[4]等人建立的植被含水量和植被覆盖指数之间的经验方程。由于不同的研究区具有不同的植被覆盖类型，Jackson经验方程不一定适用于所有区域。而且该经验方程只使用了NDVI和NDWI两个指数，不能完全反映地表植被覆盖情况，有必要选取更多的植被指数进行对比。 　　基于以上考虑，提出了一种基于改进的水云模型的土壤水分反演方法。该方法首先根据对植被冠层、覆盖度、土壤背景的变化、土壤亮度的敏感程度，选择了常用的五种植被指数RVI、DVI、NDVI、NDWI、MSAVI，并通过TM影像计算这五种植被指数。然后分别运用五种植被指数和植被含水量实测数据构建适用于研究区的植被含水量经验方程。基于上述经验系数建立水云模型改正反演区域的后向散射系数，以消除植被影响。结合水云模型和AIEM[5]模型，建立改进的反演算法。选取反演精度最好的植被指数，将本文方法与通过Jackson经验方程建立的水云模型反演算法进行了对比，以验证本文改进算法反演土壤水分的有效性。
　　1 土壤水分反演中去除植被覆盖影响的方法
　　1.1 MIMICS模型
　　MIMICS模型是由美国密歇根州立大学Ulaby等人于1990年提出[2]，理论基础为一阶辐射传输模型，大多用于高大植被覆盖地区，如森林等。
　　1.2 水云模型
　　水云模型（water cloud model）Attema和Ulaby等人于1978年在辐射传输模型的基础之上提出的用于估算农作物覆盖地表土壤水分[2]。
　　总的说来MIMICS模型对植被层散射的描述细致，但是该模型需要错综复杂的参数。水云模型相对MIMICS模型更简单、更容易解算，对于稀疏植被覆盖地区适用性较强。故本文选用水云模型改正植被对后向散射系数的影响。
　　1.3 本文的改进算法
　　本文的改进算法的步骤如下：
　　（1）通过遥感数据得到Envisat ASAR数据和Landsat 5光学遥感影像数据。
　　（2）通过TM数据计算RVI、DVI、NDVI、NDWI、MSAVI等五种植被指数。
　　（3）分别建立这五种植被指数与植被含水量的经验方程，从中选取与植被含水量相关性最好的三种经验方程。
　　（4）基于上述经验方程组合成九种植被含水量，建立水云模型并改正反演區域的后向散射系数，以消除植被影响。
　　（5）结合水云模型和AIEM模型，建立改进的土壤水分反演算法。
　　（6）利用这九组不同的经验方程参与土壤水分反演，对比并选择反演结果精度较好的植被指数组合。
　　（7）通过将本文方法与通过Jackson经验方程建立的基于水云模型的反演算法进行了对比。
　　Jackson经验方程如下：
　　mveg=4.2857NDVI-1.5429，NDVI>0.51.913NDVI2-0.3215NDVI，0.17<NDVI≤0.50，NDVI≤0.17  （1）
　　2 地表土壤水分反演试验
　　2.1 研究区与数据
　　（1）研究区简介
　　研究区位于甘肃省张掖市祁连山中段的扁都口，中心位置为北纬38°20′42.04″，东经100°30′49.50″。扁都口海拔3500多米，该研究区地表覆盖物包括油菜、大麦、裸土等。
　　（2）地面测量数据
　　本文采用中国科学院寒区旱区科学数据中心提供的“黑河综合遥感联合试验”共享数据。研究区由扁都口样方1和扁都口样方2组成，共计50个采样点（包含中心点和角点）。与卫星过境同步，2007年10月17日，在扁都口样方1和扁都口样方2，测得土壤体积含水量（cm3/cm3）和植被含水量。
　　（3）卫星数据
　　卫星数据分别为2007年10月17日的Envisat ASAR数据和TM数据。前者为AP（Alternating Polarisation）模式，包含VV/VH极化组合方式，地面分辨率为12.5m，入射角归一化为23°。
　　2.2 反演试验
　　在反演土壤水分时，首先通过ENVI5.2中的Resize Data将Envisat ASAR图像降采样成30m×30m，与TM影像分辨率保持一致。由于下载的数据已经是L1B级别，无需多视处理和斜地距转换，只需要使用SNAP分别对两者进行辐射定标、地形校正与滤波。然后通过ENVI5.2中的basic math分别计算RVI、DVI、NDVI、NDWI、MSAVI等五种植被指数，植被指数的计算公式详见文献[6]。利用Excel的数据分析中多元回归统计功能，分别建立这五种植被指数与植被含水量的经验方程，建立的经验方程（（2）-（6））如下：
　　mveg=0.9853NDVI2+0.5218NDVI+0.2499（R2=0.6999）（2）
　　 mveg=1.2687NDWI2-1.1309NDWI-0.0679（R2=0.6594）（3）
　　 mveg=-0.0724RVI2+0.5469RVI-0.2619（R2=0.6992）（4）
　　 mveg=0.000003DVI2+0.0081DVI+0.2022（R2=0.7136）（5）
　　 mveg=1.2849MSAVI2-0.1923MSAVI+0.3099（R2=0.701）（6）
　　从上述经验方程中选取植被指数与植被含水量R2最高的三个指数NDVI、DVI、MSAVI，并运用水云模型改正后向散射系数。然后结合AIEM模型建立LUT（look up table）表[7]反演验证点的地表土壤水分，在运行AIEM模型时，输入平均雷达入射角23°;验证点的均方根高度（S）实测值（实测数据中选取70%的点作为采样点，30%作为验证点）;土壤水分取值范围（Mv）为5%～55%，步长为1%，相关长度取值范围为30cm～90cm，步长为0.1cm;在LUT表内，使用成本函数反演研究区的土壤水分。由于AIEM模拟交叉极化的后向散射系数与实测值偏差较大，所以本文采用的成本函数如下： 　　|？驻σ|min=|σVV，M-σVV，AIEM|（7）
　　上式中，σVV，M为影像的后向散射系数;σVV，AIEM为AIEM模拟的后向散射系数;？驻σ为影像的后向散射系数与AIEM模拟的后向散射系数的差。
　　3 结果验证
　　为了验证本文基于水云模型的改进土壤水分反演方法的有效性，将本文方法与通过Jackson经验方程建立的反演算法进行比较。
　　首先，不考虑植被影响进行验证点土壤水分反演，将计算出的土壤水分反演值与土壤水分实测值进行比较，生成散点图，如图1。
　　其次，使用Jackson的经验方程进行验证点土壤水分反演，生成计算出的土壤水分反演值与土壤水分实测值散点图，如图2。
　　最后，将本文选取的指数应用于验证点土壤水分反演，将计算出的土壤水分反演值与土壤水分实测值进行比较，生成散点图，如图3。
　　从图表中可以看出，直接使用Jackson经验方程反演研究区土壤水分的效果稍微优于未考虑植被影响的反演算法，本文提出的方法反演精度较好。
　　4 结论
　　提出了一种基于水云模型的改进反演地表土壤水分算法。该算法计算五种植被指数，建立了不同的植被含水量的经验方程。建立水云模型，并改正总的地表后向散射系数中的植被影响。然后结合水云模型和AIEM模型，建立改进的土壤水分反演算法。经实测数据验证，结果表明：
　　（1）在本研究区，RVI、DVI、NDVI、NDWI、MSAVI这五种指数中与植被含水量相关性最好的是NDVI、DVI、MSAVI。
　　（2）在反演土壤水分时，选取植被指数NDVI为水云模型中的V1，MSAVI为水云模型中的V2的效果最好，R2=0.6853，RMSE=0.1096。
　　（3）在水云模型中，本文的与植被类型相关的经验系数 A、B是采用前人研究成果，后续可在研究区实地采集大量植物样本，计算植被含水量并建立更适合于本研究区的经验系数。
　　致谢：感谢中国科学院寒区旱区科学数据中心（http：//westdc.westgis.ac.cn）提供的“黑河综合遥感联合试验”共享数据。
　　参考文献：
　　[1]李菁菁.考虑稀疏植被影响的地表土壤水分微波遥感反演[D].长安大学，2016.
　　[2]ULABY F T， SARABANDI K， MCDNALD K， etal. Michigan microwave canopy scattering model[J].International Journal of Remote Sensing， 1990，11（7）：1223-1253.
　　[3]Attema E.P.W.， Ulaby F.T. Vegetation modeled as a water cloud[J]. Radio Science，1978，13（2）：357-364.
　　[4]Jackson T.J.， Le Vine D.M.， Hsu A.Y.， etal. Soil moisture mapping at regional scales using microwave radiometry： the Southern Great Plains Hydrology Experiment[J].IEEE Transaction on Geoscience and Remote Sensing，1999，37（5）：2136-2151.
　　[5]Chen K S，Wu T D，Tsang L，etal. Emission of rough surfacescalculated by the integral equation method with comparison tothree-dimensional moment method simulations[J]. IEEE Transactions on Geoscience and Remote Sensing，2003，41（1）：90-101.
　　[6]赵英时.遥感应用分析原理与方法[M].科学出版社，2003.
　　[7]张武.低矮植被覆盖下垫面地表土壤水分反演研究[D].長安大学，2018.
转载注明来源:https://www.xzbu.com/1/view-15179934.htm