新疆焉耆盆地土壤湿度时空分布特征

本文以新疆焉耆盆地为研究区,首先利用实测数据和Landsat 8 OLI遥感数据获取土壤调查植被指数（MSAVI）和地表温度（Ts）,构建Ts-MSAVI特征空间,拟合特征空间的干湿方程;然后利用该特征空间计算温度植被干旱指数（TVDIm）,反演9-11月的土壤湿度,探讨土壤湿度时空分布特征。试验结果表明：①遥感影像反演的TVDI与实地考察的土壤湿度显著相关（a=0.05）;不同土层中,TVDIm与10~20 cm土层湿度相关性最高（R=0.588）;②焉耆盆地湿度总体以半干旱为主（0.60.8）;土壤湿度空间分布上,焉耆盆地南侧为干旱区,西部和北部地区偏干旱,中部为湿润区域,对于该地区滨湖湿地和博斯腾湖附近小湖土壤湿度最高,博斯腾湖南部的沙地区土壤湿度最低,Ts与土壤湿度呈负相关;③10月湿地的TVDIm值最低,9月沙地的TVDIm值最高。TVDI模型应用于焉耆盆地取得较好的结果,可用于正确地估算土壤湿度,研究结果可为焉耆盆地生态环境和水资源提供重要的参数。     

机载GPS反射信号土壤湿度测量技术

随着全球导航定位系统反射信号(GNSS-R)技术的发展, 近年来提出了利用GPS地表反射信号遥感土壤湿度的新方法, 该方法利用地表反射率与土壤介电常数以及介电常数与土壤湿度之间的关系来建立反演模型。为了可以快速方便的利用DMR实测数据反演得到土壤湿度, 本文根据Wang和Schmugge模型建立了土壤介电常数与湿度之间的分段模型, 实现了从原始反射数据到土壤湿度结果的整个反演流程。为了验证反演的可行性, 利用NASA等机构联合进行的SMEX02试验机载数据反演得到的结果表明, GPS反射信号能够有效地反演     

风云三号温度植被指数反演土壤湿度研究

为了研究利用我国自主产权极轨卫星风云三号(FY-3)的MERSI数据反演区域土壤水分的效果,该文利用MERSI数据分别提取归一化植被指数(NDVI)和陆地表面温度并构建NDVI-Ts特征空间;依据该特征空间计算温度植被干旱指数(TVDI)作为土壤湿度监测指标,反演了2012年乌昌地区4—9月的土壤湿度。从反演结果看乌昌地区2012年4—5月土壤湿度较低,造成农区农作物不同程度的缺水,这与实际旱情监测相一致。研究结果表明:基于MERSI数据的TVDI指数能够较好地反映区域土壤湿度的变化情况,为今后应用风云三号数据进行干旱监测提供参考。     

基于FY-3B/MWRI数据的裸土区土壤湿度反演

使用高级积分方程模型,模拟多个地表参数条件下的风云三号B星微波成像仪(FY-3B/MWRI)资料。基于模拟数据,分析地表微波辐射特性,利用粗糙地表发射率Qp模型,建立我国西部地区裸露地表土壤湿度反演模型。将该模型用于我国西部地区4个日期(2011年10月8日、10月18日、10月28日和11月8日)的土壤湿度反演,并将反演结果用实测数据进行交叉验证。结果表明:反演土壤湿度与实测土壤湿度的决策系数R2为0.604,均方根误差为0.030 5 cm3/cm3,反演模型具有较高的反演精度。     

水文模型的LAI优化与单网格土壤湿度同化

利用可变下渗能力水文(VIC)模型和MODIS反演的月叶面积指数(LAI)分析了模拟土壤湿度对LAI的敏感性,以及年际动态变化的LAI对VIC模型土壤湿度模拟能力的影响;并利用集合卡尔曼滤波同化法将CCI土壤湿度数据同化进增加了LAI年际变化能力的VIC模型中。敏感性分析表明,模拟土壤湿度全年对LAI敏感,且夏天高于冬天。站点数据的验证结果表明,年际动态变化的LAI能提高模拟土壤湿度的精度,无偏均方根差异(ubRMSD)减少了2.2%,相关系数提高了9.3%;土壤湿度经过同化后能使均方根误差(RMSE)降低4.5%,平均偏差(MBE)降低5.3%。     

一种遥感土壤湿度误差空间协方差的估算方法

针对遥感反演土壤湿度空间相关的误差协方差难以估计的问题,提出了一种遥感反演数据误差空间协方差估算方法——3类数据集成分析误差协方差（triple collocation covariance,TC_Cov）,将土壤湿度场的每个单元（像元）看作一个空间随机变量,用两个随机变量表示的土壤湿度值的时间序列作为样本进行空间协方差估计,由任何两个随机变量的协方差形成多个随机变量（随机场）的协方差矩阵。利用先进散射计（ad-vanced scatterometer,ASCAT）和热带降雨测量卫星（tropical rainfall measuring mission,TRMM）的遥感土壤湿度数据以及ERA-Interim土壤湿度再分析数据作为TC_Cov方法的输入数据,分别估算了ERA-Interim、AS-CAT和TRMM在澳大利亚Murrumbidgee流域的土壤湿度误差协方差矩阵,验证了估算方法的合理性和可行性。     

土壤湿度信息遥感研究

土壤湿度是农业生产与应用过程中非常重要的因素,决定农作物的水分供应状况.本文利用MODIS产品数据获取的归一化植被指数(NDVI)和陆面地表温度(Ts)构建Ts-NDVI特征空间,根据温度植被干旱指数(TVDI)的研究原理与方法,对研究区2010年5～8月份土壤湿度分布情况进行遥感监测.结合气象数据与土壤墒情资料对局部...     

利用GNSS-R反射信号估计土壤湿度

GNSS—R土壤湿度估计是利用接收直达波和土壤反射波的信号强度比值,通过反演得到土壤湿度参量。给出土壤反射波形的仿真结果,研究它们与土壤的介电常数和仰角的依赖关系。介绍了GNSS-R土壤湿度计的反演原理、观测设备和数据处理方法,并得出了初步的实验结果。GNSS—R反演得到的土壤湿度与同一地点用土壤湿度计测量值比较的结果显示,它们吻合得很好。     

基于ＴＶＤＩ的天山新疆段土壤湿度时空分布及影响因素分析

利用遥感数据反演土壤湿度对农作物干旱、生态系统保护及能量循环有重要的指导作用。文中以天山新疆 段为研究区,利用ＭＯＤＩＳ地表温度（Ｔｓ）数据和归一化植被指数（ＮＤＶＩ）数据构建Ｔｓ－ＮＤＶＩ特征空间,并建立温度 植被干旱指数（ＴＶＤＩ）模型,探究天山新疆段土壤湿度的时空分布格局,进一步分析土地利用类型和高程对ＴＶＤＩ的 影响。结果表明,构建的Ｔｓ－ＮＤＶＩ特征空间,其散点符合三角形关系,ＴＶＤＩ与土壤相对湿度数据呈负相关关系,该 地区,除了水体外,永久性冰川雪地土壤湿度最高,沙地最低;高程越高ＴＶＤＩ越小,土壤湿度越高。总体而言,ＴＶＤＩ 应用在天山新疆段可以较好地反映该区域的土壤湿度状况,研究结果可为天山新疆段土壤湿度动态监测和水资源 提供理论依据和实践参考。     

GNSS信号土壤衰减模型的试验验证方法

GNSS（global navigation satellite system）信号在土壤中的衰减情况对于研究GNSS反射信号的有效遥感深度具有重要意义。本文通过试验研究了北斗信号与GPS（global positioning system）信号在土壤中的衰减情况。在试验设计上将GNSS天线置入土壤中并不断改变天线上方的土壤厚度与湿度以采集GNSS信号的功率衰减数据,最后利用这些数据反演土壤湿度以对GNSS信号土壤衰减模型进行验证。试验结果表明,土壤能够使GNSS信号发生明显的衰减。土壤的湿度值与厚度值越大,GNSS信号功率衰减越严重。在黏土土质,土壤湿度为0.15~0.30 cm³/cm³的情况下,当土壤厚度达到21 cm时,GNSS信号功率已衰减至无法被GNSS接收机测出。进一步根据GNSS信号衰减模型反演土壤湿度,结果显示,模型在土壤厚度大于等于10 cm、卫星仰角高于50°的情况下较为精确,此时利用北斗B1信号与GPS L1信号反演土壤湿度的均方根误差分别小于0.04 cm³/cm³与0.09 cm³/cm³。     

基于综合干旱指数的淮河流域土壤含水量反演

为了方便快捷地得到大范围的土壤含水量产品,以MODIS数据为数据源,淮河流域为研究区域,结合表观热惯量模型和植被供水指数模型的适用性特点,根据地表植被覆盖度的不同,建立综合干旱指数(comprehensive drought index,CDI)模型,对土壤含水量进行反演;然后,将反演的CDI结果与地表实测数据进行相关性建模,得到CDI与实测数据间的最佳拟合模型,利用该模型把CDI结果转化为最终的土壤含水量值;最后,通过实测含水量数据来验证反演结果的可靠性和精度。结果表明,反演得到的土壤含水量与实测土壤含水量相关性较高,相关系数R~2均在0.7左右,该方法对于高效地获取大面积土壤含水量信息具有较好的应用价值。     

基于温度植被干旱指数的电网输电线路走廊干旱分析

以湖北省输电线路走廊地区作为研究区,利用2013年1~9月MODIS卫星影像数据,处理得到月尺度的归一化植被指数(Normalized Differential Vegetation Index,NDVI)与地表温度(Land Surface Temperature,LST)数据,构建NDVI-Ts特征空间,计算得到温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI),用TVDI监测结果分析湖北省输电线路走廊区域2013年干旱时空分布情况。结果表明,湖北省输电线路走廊地区TVDI和土壤含水量之间存在显著的负相关,相关系数达到0.525(p0.05),由MODIS卫星影像计算得到TVDI影像可以有效表明湖北省输电线路走廊地区的土壤含水情况。     

阶段模型修正的星载GNSS-R土壤湿度反演方法EI北大核心CSCD

本文提出了一种基于CYGNSS数据的星载GNSS-R土壤湿度反演方法。首先,基于CYGNSS数据提取地表反射率参数,联合SMAP数据中提取的植被光学厚度、地表粗糙度和温度等辅助信息,初步构建了土壤湿度反演理论模型,并利用神经网络模型确定了土壤湿度反演的精细数学模型;然后,将该模型处理获得的土壤湿度以35%为分界点,利用本文提出的阶段函数模型提高反演精度,并使用2018年10月—2019年5月的CYGNSS数据,获得了全球范围内星载GNSS-R土壤湿度;最后,通过与SMAP提供的土壤湿度数据进行对比,评估了本文提出的星载GNSS-R土壤湿度反演方法的有效性,并对获取的星载GNSS-R土壤湿度进行了时间序列分析。结果表明,本文提出的土壤湿度反演方法的结果与SMAP土壤湿度具有良好的一致性,且随时间变化的趋势也相符合,为高精度土壤湿度反演提供了一种思路。     

GPS信噪比观测值的土壤湿度变化趋势反演

土壤湿度变化趋势是某一个位置或区域内水资源循环的重要指标.多路径误差作为一种在导航、定位中的重要测量误差,由于其较弱的空间相关性,难以采用全球甚至区域性模型或差分的方法予以消除.在讨论和研究了多路径误差反射模型的基础上,实现了利用 GPS信噪比 SNR(Signal - to - NoiseRatio)观测值中的多路径反射分量对土壤湿度变化趋势的模拟.结合实测 GPS数据和土壤湿度计观测数据的对比和分析表明,该方法能反映土壤湿度变化趋势.同时,在计算过程中如何选择合适卫星、对反演结果质量进行评价以及如何实现两种观测结果之间的同化等是进一步需要研究的问题.     

AMSR微波遥感数据进行土壤湿度的计算机反演

为了有效解决大尺度区域土壤水分时、空间变化监测的问题,在总结了被动微波遥感反演土壤湿度规律的基础上,基于先进的AMSR星载被动微波遥感数据,提出了利用双谱模型计算土壤表面发射率的计算机算法。首先需要由双站散射系数计算反射率和发射率,然后应用人工神经网络反演土壤湿度,实现了在随机粗糙面状况下基于被动微波遥感的土壤表面水分反演,并在实验区进行了成功的应用。     

MODIS短波红外水分胁迫指数及其在农业干旱监测中的适用性分析

植被土壤水分状态的微小变化能引起短波红外光谱反射率的巨大变化。利用MODIS第6波段和第7波段构建短波红外光谱特征空间,依据不同土地利用类型分析不同地物在光谱特征空间中的分布规律,提出MODIS短波红外水分胁迫指数MSIWSI。利用实测20 cm土壤相对湿度验证MSIWSI、EVI以及MPDI与实测数据相关性关系并对比分析不同指数敏感性,利用不同物候期春小麦土壤墒情分析MSIWSI指数适用性。研究结果表明:与其他指数相比,MSIWSI模型与实测土壤湿度的相关性更高;MSIWSI能够反映不同物候期春小麦土壤水分变化趋势,相关性都达到极显著性水平。     

基于Landsat-8 OLI TIRS对黑河流域的土壤湿度反演研究

土壤湿度是表征土壤水分状况和土地水文过程的一项重要指标,与农作物及植被的生长密切相关,而传统的土壤湿度监测可以较为准确地测量出土壤湿度,但是不能反映较大范围内的土壤含水情况,耗时长且耗费的人力物力较多.随着遥感技术的发展,其被广泛应用于植被分类、土地利用规划、地球资源普查、环境污染监测等领域.其中,土壤湿度也可以通过遥感卫星影像丰富的波段信息反演获取,实现对土壤湿度的大范围的动态监测.本文旨在利用遥感卫星影像Landsat-8的OLI成像仪和TIRS传感器波段数据,反演地表温度,计算ND-VI,构建TVDI模型,对黑河流域内的土壤湿度进行反演研究.     

一种裸露土壤湿度反演方法

针对目前土壤湿度反演方法研究较少且缺少实时性的现状,该文提出一种土壤湿度反演方法——最小二乘支持向量机技术。以积分方程模型为正向算法,数值模拟不同雷达参数(频率、入射角及极化)下后向散射系数随土壤含水量和地表粗糙度的变化情况。经过数据敏感性分析,选取C-波段和X-波段、小入射角下的同极化后向散射系数作为支持向量回归的训练样本信息;经过适当的训练,利用支持向量回归技术对土壤含水量进行了反演研究;并考虑通过多频率、多极化、多入射角数据的组合,消除地表粗糙度的影响,提高反演精度。模拟结果表明,该方法反演土壤湿度具有较高的精度和较好的实时性;同时,与人工神经网络方法的结果比较,证明了该方法的有效性,为土壤湿度的反演研究提供了一种方法。     

一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法

GNSS干涉测量（GNSS interferometric reflectometry,GNSS-IR）技术已经成为探测地表环境特性的一种新兴被动遥感技术,综合利用从土壤反射的GNSS信号中提取的相位、振幅、频率特征,提出了一种多类型特征数据融合的GNSS-IR土壤湿度反演方法,采用最小二乘支持向量机（least square support vector machine,LSSVM）、随机森林（random forest,RF）、BP神经网络（back propagation neural network,BPNN）三种机器学习模型,对比和验证了所提方法的可行性与效果。结果表明,多特征融合的LSSVM、RF和BPNN模型反演得到的土壤湿度与参考值的相关系数分别为0.830、0.953和0.980,对应的均方根误差分别为0.045、0.035和0.032 cm3/cm3。相比于单一特征反演法,土壤湿度反演精度和可靠性有显著提升。     

基于辅助数据的遥感干旱分析

介绍了当前用ＮＯＡＡ ＡＶＨＲＲ进行土壤湿度监测的３种主要关系模型,详细分析了 解算过程。利用地面实测数据对３种模型进行验证,同时利用该地区其他辅助数据对不同程度干旱的分布及孕灾环境进行了分析。