基于MODIS数据的渭南市土壤水分反演研究

根据MODIS数据特点,分高植被覆盖和低值被覆盖条件,研究了MODIS第1~7波段数据与土壤表层水分含量之间的关系,基于分析结果,选择与土壤水分含量相关度高的MODIS数据波段,建立渭南市0~10cm土壤相对湿度反演模型。利用模型开展渭南市土壤墒情监测,只需在晴空条件下,使用一景白日过境的MODIS卫星数据,即可完成土壤表层水分快速监测。     

万年县夏季裸露土壤地表最高温度特征浅析

本文基于万年县1981-2010年夏季逐日观测场裸露地表最高温度、日最高气温和降水等25个气象因子的历史观测资料,分析了裸露土壤地表最高温度的变化特征。结果显示:地表最高温度与日最高气温有着明显的同步变化趋势,地表最高温度出现时间一般比日最高气温出现的时间要早;地表最高温度平均值7月最高,6月最低,8月居中;6、8月地表最高温度整体呈下降趋势,7月地表最高温度整体呈上升趋势;地表最高温度受日最高气温的影响最大,受降水、云量和日照的影响也比较明显,受相对湿度、风等的影响相对较小。     

基于Sentinel-1 SAR数据的锡林浩特市典型草原土壤水分反演

土壤水分是影响植被生长发育的重要因子,为快速、有效了解典型草原植被生长状况及评估草原干旱灾害,以Sentinel-1合成孔径雷达(SAR)数据和地面实测数据为基础,利用雷达后向散射系数快速监测和反演锡林浩特市典型草原土壤水分并与地面实测数据进行对比。结果表明:SAR后向散射系数与实测土壤含水量存在显著相关关系,相关系数R~2达0.8;在不同地面粗糙度条件下,雷达后向散射系数与实测土壤水分相关系数达0.9。说明利用Sentinel-1 SAR数据能够快速、准确地对研究区进行土壤水分动态监测,这也将可能成为一种新的典型草原干旱监测方法。     

基于HJ-1B卫星数据的地表温度反演方法研究

以典型岩溶地貌区为研究区,HJ-1B遥感数据为数据源,通过分别采用覃志豪单窗算法、普适性单通道算法、基于影像的Artis反演算法,并对其中的经验关系式进行修订,最后反演出研究区的地表温度,与MODIS温度产品(MOD11_L2)进行对比分析,探寻适用于岩溶地貌区利用HJ卫星遥感数据进行干旱监测的地表温度反演算法。结果表明,修订后的普适性单通道算法优于其他两种算法,其与MODIS温度产品平均温差相差0.36 K,反演精度达到1 K之内,说明该算法经过修订后适用于反演岩溶地貌区的地表温度。     

使用LANDSAT-5 TM数据反演金塔地表温度

使用Landsat-5 TM的热红外波段资料用Weng等、Qin等及Jimenez Mufioz等三种不同的方法对金塔地区地表温度进行反演,并将反演得到的结果与实测进行比较。结果表明．三种办法均能较好地反演出金塔绿洲地表温度的分布状况．其中,Weng等及Qin等的反演方法反演的结果较好,绝对误差均〈1.9℃;而Jimenez Mufioz等的方法反演的结果较差。     

沙尘发生期遥感反演地表温度与实测沙尘数据之间的比较分析

以2002年3月份沙尘天气为例,用卫星遥感反演地表温度(LST)时间变化趋势与同一地区野外观测站点接收的沙尘干物质含量/人体可吸人物质含量(TSP/PM10)数据的时间变化趋势进行对比分析,两者有较好的对应关系.卫星观测的时间分辨率高、范围广,所提供的地表相关信息可为沙尘源头的治理及减轻或减少沙尘天气发生提供基础数据,也为沙尘暴预测提供了重要的科学依据.     

基于MODIS数据的拉萨市地表温度变化研究

采用2000～2011年6月MODIS地表温度产品和拉萨市4个气象站6月平均地表温度对拉萨市地表温度的时空变化进行了分析.结果表明：拉萨市在近12年内地表温度呈明显上升趋势,2009年地表温度达到最高为28.49℃,最小值出现在2003年为14.12℃.在空间分布上高温区主要集中在城市中心和城市周边区域,并随着时间推移不断向外扩张,在2007年6月拉萨市地表温度高温区分布范围最大,其中纳木错东部和林周县的高温区增加最显著;在利用实测的地表温度与MO-DIS反演的地表温度做相关分析发现,两者的相关系数为0.64通过了0.001的显著性检验,两种地表温度的时间变化趋势也较为一致,因此MODIS地表温度反演产品适用于大范围地表温度和城市热环境监测是可行的.     

基于MODIS数据的金塔绿洲地表温度反演

地表温度(LST)是气象、水文、生态等研究领域中的一个重要参数.本文对MODIS数据的分裂窗算法进行了简要的介绍,并利用MODIS数据计算反演了地表温度所需的关键参数:大气透过率和地表比辐射率,然后运用分裂窗算法反演了金塔绿洲地区的地表温度,并与地面实测数据进行了对比分析.结果表明,这一方法能获得较合理的地表温度,符合金塔绿洲的实际地表状况.     

基于MODIS数据的乌昌地区地表温度反演

陆地表面温度是监测地球资源环境变化的重要指标之一,对于区域干旱预报、作物产量估算、数值天气预报等的研究都有重要意义。本文阐述了MODIS资料反演地表温度的原理,建立了基于MODIS资料、地理信息数据和地面气象站观测资料反演地表温度的统计模型。     

基于MERSI数据的单通道法反演地表温度

以乌鲁木齐市为研究区域,根据FY-3气象卫星的MERSI数据特征,选用具有普适性的单通道法反演地表温度。结果表明:反演得到的地表温度较实际观测数据明显偏低,其中夏季偏低幅度较春秋季大。虽然反演结果未能达到理想的误差范围,但其变化趋势与观测值的变化趋势相一致,可以清晰地反映地表温度场的变化情况。通过对实测温度与反演温度分季节拟合的一元线性方程进行误差订正,可将误差控制在2℃左右,订正后的结果更接近真实地表温度,可满足一般监测业务定量化应用的需要。     

卫星被动微波遥感土壤湿度研究进展

土壤湿度是控制陆地和大气间水分和能量交换过程的重要变量,而被动微波遥感是众多监测土壤湿度技术中最有效的手段之一。文中概述了被动微波反演土壤湿度的物理原理,重点介绍了被动微波反演土壤湿度的主要模型。在对不同模型进行比较分析后,基于不同传感器类型分别列举了当今发展较完善的3个典型算法：①Njoku和Li基于AMSR的多通道同时反演土壤湿度、土壤温度、植被含水量的方法;②Owe等基于SMMR利用极化差异指数同时反演土壤湿度和植被光学厚度2个参数的方法;③Wen等基于SSM／I同时反演土壤湿度和土壤温度的方法。对被动微波遥感土壤湿度研究中目前所存在的问题和发展前景进行了一些探讨。     

基于ENVISAT/ASAR资料的土壤湿度反演方法

提出了利用ENVISAT/ASAR/AP模式VV极化的低入射角数据和黄土高原陆面过程试验资料对黄土高原平凉试验区表层土壤湿度进行反演的方法。结果表明:在相对平坦的混合地表类型区域,反演的土壤湿度与地面实测值平均误差<0.02 cm3.cm-3,绝对误差均在0.04 cm3.cm-3范围内,该结果能较好地对黄土高原塬区土壤湿度进行干旱监测;但在陡峭山坡及塬边等地形起伏较大的区域,结果较差。     

甘肃中部雨养农业区土壤水分预测模式的研究

采用联合国粮农组织（ＦＡＯ）最新推荐的计算农田蒸散量的彭曼－蒙蒂斯公式（ＦＡＯ－ＰＭ）,选取甘肃中部雨养农业区定西１９８０～１９９５年的常规气象资料和１９９０～１９９５年固定地段０～１００ｃｍ的土壤湿度资料,对水平衡和Ｙ．Ｍ安格斯坦土壤水分预测模式进行对比分析,认为后者适宜于本地区的土壤水分预测,并分析了误差原因     

基于Landsat ETM+数据的白龙江流域土壤水分反演

在地形复杂、水土流失严重且地质灾害严重的白龙江流域,土壤含水量遥感监测在地质灾害监测预警研究中具有重要意义。为实时掌握白龙江流域的土壤水分含量状况,利用2013年4月的Landsat7 ETM+影像,采用温度植被干旱指数法,构建Ts-NDVI特征空间,结合野外88个实测样点土壤水分数据,建立0~60 cm土壤深度范围内3个单层(0~20 cm,20~40 cm,40~60 cm)及2个平均层(0~40 cm,0~60 cm)的土壤水分遥感反演回归模型,对比分析了白龙江流域5个深度的土壤水分的空间变化特征,并用未参与建模的16个实测土壤水分数据样点进行相应的精度验证。结果表明:3个单层中20~40 cm土壤水分反演精度相对较高,RMSE值为3.06%,2个平均层中0~40 cm反演精度最高(RMSE)为2.45%,由此说明TVDI更能稳定地反映和指示土壤中层深度(20~40 cm)的水分分布状况。     

黑龙江省农田土壤水分的时空分布规律

依据黑龙江省33个农业气象试验站近20年的土壤水分常数与土壤重量含水率农田实测资料，以土壤有效水量和土壤相对含水率为指标，初步分析了农田土壤水分的时空分布规律。     

基于吉林省观测土壤水分的WOFOST模型模拟研究

利用吉林省白城站试验数据进行模型参数调整,通过独立的观测资料对生育期、叶面积指数、地上部分各器官生物量进行模拟验证与评价。以白城站和榆树站代表吉林省西部玉米种植区和中部黄金玉米带参数,利用农业气象观测站发育期资料、气象资料和经过质量控制后的逐日土壤水分自动站观测数据进行模拟。为了提高WOFOST模型模拟精度,将由模型通过降水量计算的土壤体积含水量替换为实测土壤水分计算的体积含水量,采用替换后的土壤体积含水量参与模型下一步运算,以此来模拟2001—2016年春玉米穗生物量变化状况,构建玉米土壤体积含水量改善率(PD)指标,来表征降水驱动和土壤水分驱动对作物模型模拟结果的影响。结果表明:(1)模型对白城站春玉米生育期、叶面积、地上部分总生物量和叶生物量较准确,而穗生物量模拟效果一般。(2)从代表站白城来看,穗生物量模拟值与降水量存在明显正相关,降水偏少的年份土壤模拟效果明显优于降水驱动。(3)从区域来看,以盐碱土为主的地区或降水量偏少的年型下土壤水分驱动效果优于降水驱动;在以黑土为主的区域或降水偏多的年型下,两者模拟效果基本接近。(4)总体来说,利用观测土壤水分替换降水量参与模型能够显著提高模型模拟精度。     

河南省墒情预报业务服务系统

在以往对作物不同生育阶段的耗水规律、适宜水分、干旱指标和农田土壤水分变化规律进行了大量研究工作的基础上,根据农业生产可持续发展的需要,开发研制了集河南省农田水分监测、预报和灌溉决策服务于一体的土壤墒情预报业务服务系统。该系统可较准确地预报未来一个月内的土壤墒情变化,并可根据作物发育特点,给出以最高产量和最佳经济效益为目标的灌溉建议。     

Evaluating Soil Moisture Predictions Based on Ensemble Kalman Filter and SiB2 Model

Soil moisture is an important variable in the fields of hydrology, meteorology, and agriculture, and has been used for numerous applications and forecasts. Accurate soil moisture predictions on both a large scale and local scale for different soil depths are needed. In this study, a soil moisture assimilation and prediction based on the Ensemble Kalman Filter(EnKF) and Simple Biosphere Model(SiB2) have been performed in Meilin watershed, eastern China, to evaluate the initial state values with different assimilation frequencies and precipitation influences on soil moisture predictions. The assimilated results at the end of the assimilation period with different assimilation frequencies were set to be the initial values for the prediction period. The measured precipitation, randomly generated precipitation,and zero precipitation were used to force the land surface model in the prediction period. Ten cases were considered based on the initial value and precipitation. The results indicate that, for the summer prediction period with the deeper water table depth, the assimilation results with different assimilation frequencies influence soil moisture predictions significantly. The higher assimilation frequency gives better soil moisture predictions for a long lead-time. The soil moisture predictions are affected by precipitation within the prediction period. For a short lead-time, the soil moisture predictions are better for the case with precipitation, but for a long lead-time, they are better without precipitation. For the winter prediction period with a lower water table depth, there are better soil moisture predictions for the whole prediction period. Unlike the summer prediction period, the soil moisture predictions of winter prediction period are not significantly influenced by precipitation. Overall, it is shown that soil moisture assimilations improve its predictions.     

用NOAA卫星可见光和红外资料估算甘肃省东部农田区土壤湿度

应用NOAA卫星AVHRR通道1、2计算的植被指数和通道4的亮温、农业气象试验站观测的土壤湿度，并结合气象卫星完成的土地覆盖分类等资料，建立了由植被指数和亮温估算甘肃省东部农田区土壤湿度的方程。结果表明，农田土壤湿度与植被指数和亮温间均存在一定相关关系；用植被指数和亮温可以估计土壤湿度情况，并对干旱进行监测。     

A Multimodel Ensemble-based Kalman Filter for the Retrieval of Soil Moisture Profiles

With the combination of three land surface models (LSMs) and the ensemble Kalman filter (EnKF), a multimodel EnKF is proposed in which the multimodel background superensemble error covariance matrix is estimated by two different algorithms: the Simple Model Average (SMA) and the Weighted Average Method (WAM). The two algorithms are tested and compared in terms of their abilities to retrieve the true soil moisture profile by respectively assimilating both synthetically-generated and actual near-surface soil moisture measurements. The results from the synthetic experiment show that the performances of the SMA and WAM algorithms were quite different. The SMA algorithm did not help to improve the estimates of soil moisture at the deep layers, although its performance was not the worst when compared with the results from the single-model EnKF. On the contrary, the results from the WAM algorithm were better than those from any single-model EnKF. The tested results from assimilating the field measurements show that the performance of the two multimodel EnKF algorithms was very stable compared with the single-model EnKF. Although comparisons could only be made at three shallow layers, on average, the performance of the WAM algorithm was still slightly better than that of the SMA algorithm. As a result, the WAM algorithm should be adopted to approximate the multimodel background superensemble error covariance and hence used to estimate soil moisture states at the relatively deep layers.