基于TVDI的大范围干旱区土壤水分遥感反演模型研究

温度植被干旱指数TVDI(Temperature Vegetation Dryness Index)是一种基于光学与热红外遥感通道数据进行植被覆盖区域表层土壤水分反演的方法。当研究区域较大、地表覆盖格局差异显著时,利用TVDI模型来反演陆表土壤水分,精度通常较低。对Sandholt的TVDI土壤水分反演模型进行了改进:利用云掩膜校正和多天平均温度合成来减少云的影响;同时对研究区域地形起伏、覆盖类型差异的影响进行了消除;对TVDI模型干边的模拟方法进行了改进。最后,使用铝盒采样等方法利用新疆地区观测得到的地面数据来拟合改进后的模型参数,并对2009年5月和8月的土壤水分进行了反演实验。与实测数据的比较分析表明,该模型能基本满足大区域土壤水分反演的要求,改进后的模型对新疆地区的土壤水分估算精度有较显著的提高。     

基于表层水分含量指数(SWCI)的土壤干旱遥感监测

土壤湿度和植被生长状况是干旱最重要和最直接的指标,对植被和土壤光谱特征的解译是进行旱情程度判断的重要因子。近期,基于水的光谱反射特性,提出的地表含水量指数(SWCI) 模型能较好地反映地表的含水量值及其变化,可用于大范围的快速的浅层土壤墒情遥感监测。通过与NDVI对比分析发现, 在对浅层(0~50 cm)土壤水分进行监测时,SWCI 比NDVI 更为敏感,这有助于在实时干旱动态监测中更好地采用不同的指数以提高监测精度。     

祁连山区不同植被类型上的SMOS遥感土壤水分产品质量评估

为了分析SMOS遥感土壤水分产品在祁连山区的真实性和可靠性,利用祁连山区内布设于7种主要植被类型上的34个实测站点的实测土壤水分数据对其进行质量评估。首先挑选与实测值相对应的SMOS数据,进而依次计算每个站点上遥感产品与实测值的相关系数R、Bias和均方根误差RMSE,从而得到SMOS数据在不同植被类型上不同尺度(年和季节)的反演精度。结果表明:SMOS遥感土壤水分产品在研究区内是可信的,但低估了研究区土壤水分值,且未能达到产品预期目标0.04m~3/m~3。SMOS产品对于植被辐射反演效果好于土壤辐射反演,导致其在植被覆盖度越高的区域与实测值的拟合程度越高。SMOS产品在湿润条件下性能优于干旱条件,在变异性小的地区性能优于变异性大的地区。在季节尺度上,SMOS遥感产品与实测值拟合程度在夏、秋两季远好于春季。     

土壤指数在消除植被对土壤光谱影响的效果分析

本文对土壤指数的效果进行了分析,指出土壤指数中,比值指数与植被覆盖率呈非线性关系,且植被类型的影响很大;正则指数与植被覆盖率呈线性关系,且植被类型的影响很小,表明正则指数的效果很好,其中SLI指数的效果最好。遥感接收到的地物光谱一般是土壤和植被的组合光谱。裸露土壤上生长有植物时,受植物光谱的影响,组合光谱在红外波段由于叶绿素吸收,近红外波段由于叶肉反射而偏离原土壤光谱;受土壤亮度和类型的影响,组合光谱也偏离了植被光谱。近二十年来,利用植被光谱指数消除土壤对组合光谱的影响,减少计算工作量,提高分类精度,得到了充分的重视和研究,而对利用土壤指数消除植被的影响方面没有得到应有的重视。本文就各种土壤指数的效果进行了分析研究。     

基于时序Landsat数据的三江平原植被地表类型变化遥感探测研究

Landsat 卫星遥感数据具有分辨率较高,数据积累时间长的特点,在探测地表覆盖变化和地物分类中得到广泛应用。首先,对获取的Landsat TM/ETM+时间序列数据进行了定量化处理,获取了三江平原七台河市1989~2012年时间序列Landsat地表反射率图像。其次,设计了林地指数和湿地指数,提取了三江平原七台河区域地物光谱和时序特征,同时设计构建了地表覆盖分类和植被地表类型变化探测的决策树算法,实现了1989~2012年七台河区域的植被地表覆盖变化的动态监测,提取了森林覆盖变化的空间分布与变化时间。最后,对七台河区域地表覆盖与植被地表类型变化进行了精度检验,分类总体精度达到90.04%,Kappa系数达0.88。研究结果表明:基于定量化的Landsat时间序列数据的分类算法能克服单时相影像分类的缺陷,实现区域地物自动分类和地表覆盖变化的动态监测。
     

基于分区和多时相遥感数据的山区植被分类研究

山区地形的特殊性导致了山区植被分类的复杂性。位于不同光照区域的同种植被,其光谱亮度值具有较大差异,分区使分类规则及阈值的设计更具针对性。多时相遥感数据能够充分利用不同植被类型间光谱特征时间效应。基于此提出了利用分区和多时相遥感数据进行山区植被的分类研究。研究表明,该方法在山区植被分类中具有明显的技术优势,分类总体精度和kappa系数分别为81.3%和0.72。     

基于宇宙射线观测的喀斯特槽谷区典型流域土壤水分反演研究

宇宙射线中子法是一种百米尺度的土壤水分无损测量方法。基于重庆市青木关槽谷区多个站点的多层土壤水分观测数据,针对宇宙射线土壤水分观测系统（COSMOS）同步测得的中子序列开展了土壤含水量反演研究。在反演算法研究过程中,引入S-G滤波对COSMOS快中子数进行平滑,分析了植被含水量的影响,探索和优化了算法率定和验证阶段不同的数据筛选方案。结果表明：该区域植被含水量对COSMOS反演结果影响较小,且考虑全时段土壤水分水平下发展的算法能得到与实测区域平均更为一致的土壤水分序列。最后应用该反演算法进一步生成了COSMOS观测时段的长时间序列土壤水分产品,并与周边相邻土壤水分观测进行间接验证,揭示了该区域的土壤水分季节变化特征。该研究发展的COSMOS土壤水分反演算法在该区域展现了较强的适用性,可为重庆市青木关喀斯特槽谷区典型流域的区域尺度土壤水分观测与水文气象分析提供支持。     

基于植被分区的中国植被类型分类方法

高精度的土地覆盖分类产品对定量遥感研究及遥感应用等具有非常重要的意义。目前免费的且全球覆盖的土地分类产品已有很多,但这些产品多为国外研究机构和人员所研发,由于对中国区域地形复杂、植被结构特征差异与农作物种植结构差异等没有进行充分的研究,使得这些产品用于中国区域的分类时其精度尤其是植被类型的分类精度较低。因此,生产一种针对中国区域的植被类型分类产品是非常必要的。针对中国区域地形、土壤等信息,并在借鉴现有的植被区划的基础上,发展了一种基于植被分区的中国植被类型分类方法,该分类方法以长时间序列为基础,能以较高的时间分辨率捕捉地表随时间变化的信息,从而利用地物在时间维上的差异提高分类精度,并利用该方法完成了2012年中国土地覆盖分类。此外还通过分层随机采样的方法对分类结果进行了精度评估,发现本分类产品的总体精度和Kappa系数有较大提高,其中本文产品总体精度为90.78%,Kappa系数为0.86;并通过与MODIS土地覆盖数据产品进行比较,发现该产品精度比MODIS土地覆盖数据产品在植被类型上提高了61.38%。     

基于Sentinel-1及 Landsat 8数据的黑河中游农田土壤水分估算

土壤水分是陆地表层系统中的关键变量。利用主动微波遥感,特别是合成孔径雷达(Synthetic Aperture Radar,SAR)的观测,在监测和估计表层土壤水分时空分布方面已开展了诸多研究。然而,SAR土壤水分反演仍存在诸多挑战,特别是地表粗糙度和植被的影响。因此,本文提出了一种结合主动微波和光学遥感的优化估计方案,旨在同步反演植被含水量、地表粗糙度和土壤水分。反演算法首先在水云模型的框架下对模型中的植被透过率因子(与植被含水量密切相关)采用3种不同的光学遥感指数——修正的土壤调节植被指数(Modified Soil Adjusted Vegetation Index,MSAVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和归一化水体指数(Normalized Difference Water Index,NDWI)进行参数化估计,用于校正植被层的散射贡献。在此基础上,构造基于SAR观测和Oh模型的代价函数,利用复型洗牌全局优化算法进行土壤水分和地表粗糙度的联合反演。采用Sentinel-1 SAR和Landsat 8多光谱数据在黑河中游开展了反演试验,并利用相应的地面观测数据对结果进行了验证。结果表明反演结果与地面观测具有良好的一致性,其中基于NDWI的植被含水量反演效果最佳,与地面观测比较,土壤水分决定系数(R 2)在0.7以上,均方根误差(RMSE)为0.073 m^ 3/m^ 3;植被含水量R 2大于0.9,RMSE为0.885 kg/m 2,表明该方法能够较准确地估计土壤水分。同时发现植被含水量的估计结果,以及植被透过率的参数化方案对土壤水分的反演精度有一定的影响,在未来的研究中需要进一步探索。     

基于LST-EVI特征空间的土壤水分含量反演

干旱是人类历史上的重大自然灾害之一,而土壤水分是干旱监测最重要的指标。利用遥感手段反演地表土壤水分,可以充分反映土壤水分的时空变化特征,适合进行大范围动态监测。研究基于Landsat TM数据,运用普适性单通道算法得到地表温度(LST,Land Surface Temperature),然后选用增强型植被指数(EVI,Enhanced Vegetation Index),构建了LST\|EVI特征空间,计算出温度植被干旱指数(TVDI,Temperature\|Vegetation Dryness Index)。在对实测土壤含水量数据和对应TVDI值进行回归分析的基础上,反演出2010年6月14日黄骅市自然地表20 cm深度处的体积含水量。结果表明:TVDI方法在该研究区是完全可行的,拟合精度较高;研究区自然地表土壤体积含水量分布差异明显,中等含水量地区面积最大,西南和部分北部地区含水量较低,而含水量高的区域主要分布在苇洼和沿海地区。     

基于多时相Landsat8 OLI影像的作物种植结构提取

针对基于多时相遥感影像、多种特征量提取多种作物种植结构在我国研究较少的现状,利用多时相Landsat8OLI影像数据,根据温宿县不同作物的农事历,通过分析主要地物的光谱特征和归一化植被指数的时间变化信息,构建不同作物种植结构提取的决策树模型,实现了对温宿县多种作物种植结构信息的提取。结果表明:1水稻的最佳识别依据是5月20日影像的近红外波段和7月23日影像的NDVI值;棉花和春玉米的最佳识别依据是5月20日~9月9日影像的NDVI变化值;冬小麦—夏玉米和林果的最佳识别依据是5月20日~7月23日影像的NDVI变化值;2与单时相监督分类相比,多时相决策树法对多种作物种植结构的提取效果更理想,总体精度提高了7.90%,Kappa系数提高了0.10;3Landsat8OLI影像数据分辨率高、成本低、获取方便,是农作物遥感的良好数据源。     

基于时序植被指数特征时相识别的多熟制耕地提取新方法

多熟种植是农业生产活动中一种重要的耕作方式,了解耕地的熟制特征,对粮食安全、土地资源管理及农业生态系统的物质循环和能量平衡具有重要意义。通过分析农作物生长发育规律与时间序列植被指数的对应关系,采用时间序列曲线谷值和峰值组成的特征时相集合描述作物生长过程,从而采用排序形态学滤波方法提取熟制信息。选取华北平原多熟制农业区为实验区,采用窗口值为13的结构元素进行排序滤波操作,并利用多时相环境星数据提取的30m分辨率熟制信息验证MODIS结果。实验结果表明:该方法能有效提取熟制信息,总体精度达88.11%,Kappa系数0.765。该方法只需设定合理结构元素窗口值即可提取多熟制耕地区域,利于大范围推广应用。     

最小二乘法联合光学与雷达遥感数据估算玉米叶面积指数

针对单源数据经验模型估算精度较低等问题,提出采用最小二乘法联合光学和雷达遥感数据构建联合估算模型,以中国科学院河北怀来遥感综合实验站为研究区,以夏季玉米为研究对象,利用Landsat8和Radarsat2影像实现研究区叶面积指数估算:首先分别建立了多光谱数据和雷达数据与实测叶面积指数之间的回归模型,然后利用最小二乘算法联合不同数据间的回归模型构建估算模型,最后利用迭代法估算叶面积指数并通过验证数据对估算结果进行评价分析,同时与单源数据经验模型、多源数据加权平均模型和基于物理模型查找表估算结果进行对比。通过对研究区59个样本点数据分析表明:基于最小二乘算法联合光学与雷达遥感数据能够提高叶面积指数的估算精度(R2=0.5442,RMSE=0.81),优于单源遥感数据拟合经验模型(DVI经验模型:(R2=0.485,RMSE=1.27))、基于权重的光学微波联合模型(R2=0.447,RMSE=1.36)和物理模型查找表法(R2=0.333,RMSE=1.36),并当叶面积指数大于3时,对其由于信息饱和或误差引起的低估或高估现象具有一定的抑制作用。     

A combined passive/active microwave remote sensing approach for surface variable retrieval using Tropical Rainfall Measuring Mission observations

The backscattering and emission measured simultaneously by radar and radiometer show promise for the estimation of surface variables such as near-surface soil moisture and vegetation characteristics. In this paper, the 10.7 GHz Tropical Rainfall Measuring Mission (TRMM) microwave imager (TMI) channel and 13.8 GHz precipitation radar (PR) observations are simultaneously used for the estimation of the near-surface soil moisture and vegetation properties. The Fresnel model for soil and a simple model for vegetation are used to simulate the passive microwave emission at 10.7 GHz. To determine the PR backscatter signal from a land surface, a theoretical approach is used based on the Geometric Optics Model for simulating bare soil and a semi-empirical water-cloud model for vegetation. The model parameters required in specifying the nature of the soil and vegetation are calibrated on the basis of in situ soil moisture data combined with remotely sensed observations. The calibrated model is subsequently used to retrieve near-surface soil moisture and leaf area index for assumed values of surface roughness and temperature. Algorithm assessment using synthetic passive and active microwave data shows a nonlinearity effect in the system inversion, which results in a varying degree of error statistics in soil wetness and vegetation characteristics retrieval. The technique was applied on TRMM radar/radiometer observations from three consecutive years and evaluated against in situ near-surface (5 cm) soil moisture measurements from the Oklahoma Mesonet showing a consistent performance.     

基于SPOT-VGT可见光/短波红外波段数据对AMSR-E土壤湿度的降尺度研究

基于SPOT-VGT数据,由短波红外、红和蓝波段反射率计算了表征地表土壤湿度的可见光—短波红外干旱指数(VSDI),通过对1km空间分辨率的VSDI影像进行空间升尺度处理,采用多种函数建立了25km空间分辨率AMSR-E土壤湿度数据与VSDI指数的关系,发现二者关系最符合S型曲线模型,拟合残差在空间上呈现随机分布的特征。基于S曲线函数关系下的1km预测土壤湿度和残差值,对AMSR-E土壤湿度进行降尺度模拟,得到1km空间分辨率的土壤湿度。将原始AMSR-E土壤湿度和实测数据对降尺度结果分别比较验证后,表明基于该方法获得的土壤湿度模拟精度较高。     

基于MODIS NDVI的LandsatTM影像地形阴影区光谱信息恢复方法研究

遥感为获取山区生态环境与资源信息提供了重要的观测手段。然而受地形遮蔽影响,山区光学影像大量的地形阴影给山区土地覆被解译以及生态参量的遥感反演带来了巨大困难。针对地形阴影光谱信息的恢复,提出了一种基于MODIS NDVI的Landsat TM影像地形阴影区光谱信息恢复方法。该方法首先利用MODIS上午、下午星(Terra和Aqua)不同时间过境能够对地形阴影区信息实现互补的特点,采用最大值合成法合成MODIS上、下午星16dNDVI产品(MOD13Q1和MYD13Q1),获得低空间分辨率影像上的阴影区光谱信息;在此基础上,考虑MODIS与Landsat的观测角度、光谱差异,设置滑动窗口及筛选规则提取MODIS与TM影像相匹配的同质纯像元;基于中、低空间分辨率影像中均匀同质像元存在一定统计关系的假设,进一步建立同质区域中TM影像光照区域与对应MODIS NDVI的回归树模型,利用该统计关系和阴影区MODIS的NDVI信息推导得出地形阴影区的光谱信息。将阴影光谱信息恢复后的影像与SCS+C校正后的影像进行比较和分析,结果表明该方法恢复得到的地形阴影的光谱信息能够更好地反映阴影区信息,同时光谱保真程度较好。随着越来越多的中高空间分辨率卫星影像的发展,采用多源卫星数据进行山地地形阴影区信息恢复将成为一个新的发展趋势,该方法以期为同类影像处理提供参考。     

用混合像元线性模型提取中等植被覆盖区的粘土蚀变信息

基于混合像元线性分解模型,针对中等植被覆盖区提出了一种提取粘土蚀变信息的新方法。主要分3步实现:用混合像元线性分解模型提取植被覆盖丰度;对线性模型进行完善,并依此重构不含有植被信息的新的多波段图像;利用TM5/TM7增强粘土蚀变信息。经验证,提取的植被信息以及粘土类蚀变信息与实际吻合较好,与基于比值-主成分分析的方法相比有明显的优越性。
     

Retrieval of daily evolution of soil moisture from satellite-derived land surface temperature and net surface shortwave radiation

Soil moisture is a key parameter in water balance, and it serves as the core and link in atmosphere–vegetation–soil–groundwater systems. Soil moisture directly affects the accuracy of the simulation and prediction conducted by hydrological and atmospheric models. This article aims to develop a new model to retrieve the daily evolution of soil moisture with time series of land surface temperature (LST) and net surface shortwave radiation (NSSR). First, for the time series of soil moisture, LST and NSSR daytime data were simulated by the common land model (CoLM) with different soil types in bare soil areas. Based on these data, the variations between soil moisture and LST-NSSR during the daytime with different soil types were analysed, and a plane function was used to fit the daily evolution of soil moisture and the time series of LST and NSSR data. Further study proved that the coefficients of the soil moisture retrieval model are not sensitive to soil type. Then, a relationship model between the daily evolution of soil moisture and the time series of LST-NSSR was developed and validated using the data simulated by CoLM with different soil types and different atmospheric conditions. To demonstrate the feasibility of the soil moisture retrieval method proposed in this study, it was applied to the African continent with data from the METEOSAT Second Generation Spinning Enhanced Visible and Infrared Imager (MSG–SEVIRI) geostationary satellite. The results show that the variation of soil moisture content can be quantitatively estimated directly by the method at the regional scale with some reasonable assumptions. This study can provide a new method for monitoring the variation of soil moisture, and it also indicates a new direction for deriving the daily variation of soil moisture using the information from the time series of the land surface variables.