[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108876172B - 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 - Google Patents

一种基于改进型modis植被供水指数的地表土壤含水量评估方法 Download PDF

Info

Publication number
CN108876172B
CN108876172B CN201810683462.6A CN201810683462A CN108876172B CN 108876172 B CN108876172 B CN 108876172B CN 201810683462 A CN201810683462 A CN 201810683462A CN 108876172 B CN108876172 B CN 108876172B
Authority
CN
China
Prior art keywords
index
vegetation
ndvi
water content
modis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810683462.6A
Other languages
English (en)
Other versions
CN108876172A (zh
Inventor
孟令奎
洪志明
张文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810683462.6A priority Critical patent/CN108876172B/zh
Publication of CN108876172A publication Critical patent/CN108876172A/zh
Application granted granted Critical
Publication of CN108876172B publication Critical patent/CN108876172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Mining & Mineral Resources (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于改进型MODIS植被供水指数的地表土壤含水量评估方法，深入研究植被供水指数VSWI数学表达式特性，发现分子分母变化对植被供水指数VSWI影响程度差异较大，通过提升分子敏感性、调整指数表达式结构以提高分母对指数影响，提出了一种基于改进型MODIS植被供水指数的土壤含水量评估方法‑地表水含量温度指数SWCTI。SWCTI相对于被动微波产品，空间分辨率较好，相较于主动微波时间分辨率较高。本发明方法折中了主被动微波方法的时间与空间分辨率特点，提供了较好时间与空间分辨率的地表土壤含水量估算方法。

Description

一种基于改进型MODIS植被供水指数的地表土壤含水量评估 方法
技术领域
本发明属于遥感影像土壤含水量估算技术领域，尤其涉及一种基于改进型MODIS植被供水指数的地表土壤含水量估算方法。
背景技术
土壤含水量在全球水圈、生物圈、大气圈水分和能量转换中扮演着重要角色，直接影响着地表和大气界面的水分和能量交换，是水文模型、气候模型、生态模型以及陆面过程模型的关键输入参数，同时也是水文，农业、气候、生态等领域研究的关键性参数因子，在许多研究与应用中发挥着重要作用。提高土壤含水量监测精度对农业生产和水资源管理具有重要的意义。
几十年以来，研究人员已经提出了大量的地表土壤含水量估算方法。比如实地测量方法、基于可见光、短波红外、热红外、微波的遥感方法。实地测量方法是最传统的方法，包括土钻取土称重法、中子仪法和TDR(时域反射)法等，这些方法在单点测量时精度较高，但是由于土壤水分空间变异性较大，站点数据代表性较差，且获取成本高、极度费时、费力、昂贵等原因使得该方法难以大范围推广。遥感技术为我们提供了一种能够以较低的时间与开销成本获取较高时间分辨率与空间分辨率的土壤含水量估算工具。在遥感方式中，微波遥感是最有效的土壤含水量估算方法。微波遥感技术具有诸多优势,例如，不受光照、气候条件限制，可全天时、全天候工作、能穿透云层、对植被有一定的穿透能力。然而被动微波缺点是空间分辨率较低(20-40km)，主动微波可以提供较高空间分辨率的监测产品，但是时间分辨率相对较低(16-25天)。相对来说，MODIS提供的可见光/红外数据受大气和云影响较大，但是具有相对较高的时间和空间分辨率,并且获取方式更简单、廉价，可以作为微波遥感的一种重要补充手段。
很少有研究者报告植被覆盖度较高的条件下，使用卫星遥感监测手段进行土壤含水量估算，因为卫星电磁波(如光学/热红外、C波段)不能穿透浓密植被到达地表。因此，需要一个适用于中、高植被覆盖度的高效的土壤含水量估算方法。光学/热红外经验与物理方法在土壤含水量估算方面与站点实测土壤含水量之间具有良好的相关性，温度植被指数TVDI与植被供水指数VSWI是最具代表性的两种指数。然而，TVDI适用条件是研究区大部分区域无云，研究区域足够大(包含湿润的裸土，干燥的裸土，受水分胁迫的植被与水供应良好的植被)的情况，然而这种情况通常难以满足，并且区域范围的选择对TVDI的影响较大。相对于TVDI，植被供水指数VSWI是一种简单有效的土壤含水量估算指数,已经被证明在大多数气候类型与地表覆盖类型条件下与作物含水量、土壤含水量显著相关。然而，由于归一化植被指数NDVI在高植被覆盖区容易饱和，并且具有水胁迫滞后性，会降低VSWI监测土壤含水量的敏感度。相反，地表温度LST则对水胁迫相对敏感，然而由于比值型指数自身数学特性的限制，地表温度对指数敏感度的贡献较小。
文中涉及如下参考文献：
[1]Cai,G.,Du,M.,&Liu,Y.(2011).Regional Drought Monitoring andAnalysing Using MODIS data A Case study in Yunnan Province.Ccta 2010,345(1),243–251.https://doi.org/10.1007/978-3-642-18336-2.
[2]Carlson,T.N.,Gillies,R.R.,&Perry,E.M.(1994).A method to make useof thermal infrared temperature and NDVI measurements to infer surface soilwater content and fractional vegetation cover.Remote Sensing Reviews,9(February 2015),161–173.https://doi.org/10.1080/02757259409532220.
[3]Dong T，Meng L K and Zhang W..(2015).Analysis of the application ofMODIS shortwave infrared water stress index in monitoring agriculturaldrought.Journal of R emote Sensing,19(2),319–327.
[4]Du Xiao,Wang Shixin,Zhou Yi,W.H.(2008).No Title.Geomatics andInformation Science ofWuhan University,32(3).
[5]Fensholt,R.,&Sandholt,I.(2003).Derivation of a shortwave infraredwater stress index from MODIS near-and shortwave infrared data in a semiaridenvironment.Remote Sensing of Environment,87(1),111–121.https://doi.org/10.1016/j.rse.2003.07.002.
[6]Ghulam,A.,Qin,Q.,&Zhan,Z.(2007).Designing of the perpendiculardrought index.Environmental Geology,52(6),1045–1052.https://doi.org/10.1007/s00254-006-0544-2.
[7]Qin,Q.,Ghulam,A.,Zhu,L.,Wang,L.,Li,J.,&Nan,P.(2008).Evaluation ofMODIS derived perpendicular drought index for estimation of surface drynessover northwestern China.International Journal of Remote Sensing,29(7),1983–1995.https://doi.org/10.1080/01431160701355264.
[8]Sandholt,I.,Rasmussen,K.,&Andersen,J.(2002).A simpleinterpretation of the surface temperature/vegetation sindex space forassessment of surface moisture status.Remote Sensing of Environment,79(2),213–224.https://doi.org/10.1016/S0034-4257(01)00274-7.
[9]Wang,L.,Qu,J.J.,&Hao,X.(2008).Forest fire detection using thenormalized multi-band drought index(NMDI)with satellitemeasurements.Agricultural and Forest Meteorology,148(11),1767–1776.https://doi.org/10.1016/j.agrformet.2008.06.005.
[10]Yao YunJun,Q.Q.(2011).Retrieval ofsoil moisture based on MOIDSshortwave infrared spectral feature.
[11]Zhang,H.,Chen,H.,Sun,R.,Yu,W.,Zou,C.,&Shen,S.(2009).Theapplication of unified surface water capacity method in drought remotesensing monitoring,7472,74721M.https://doi.org/10.1117/12.829735.
[12]Zhang,N.,Hong,Y.,Qin,Q.,&Liu,L.(2013).VSDI:a visible andshortwave infrared drought index for monitoring soil and vegetation moisturebased on optical remote sensing.International Journal of Remote Sensing,34(13),4585–4609.https://doi.org/10.1080/01431161.2013.779046.
[13]Zhang D,Meng L,Qu J J,et al.Estimation of Surface Soil Moisturein Cornfields Using a Modified MODIS-Based Index and Considering Corn GrowthStages[J].IEEE Journal of Selected Topics inApplied Earth Observations andRemote Sensing,2017,10(12):5618-5631.
发明内容
为了解决上述技术问题，本发明深入研究植被供水指数VSWI数学表达式特性，发现分子分母变化对植被供水指数VSWI影响程度程度差异较大，通过提升分子敏感性、调整指数表达式结构以提高分母对指数影响，提出了一种基于改进型MODIS植被供水指数的土壤含水量评估方法-地表水含量温度指数SWCTI。
本发明的目的是提供一种基于改进型MODIS指数，适用于区域尺度的中、高植被覆盖区域土壤含水量估算。本发明采用以下思路：
土壤含水量估算方法包含遥感方法和实地测量方法，实地测量方法精度高但是在空间上不连续，成本高，难以应用到大面积区域的土壤含水量测算。与基于地面站点的实地测量方法相比，卫星遥感技术能反演出大空间尺度的具有空间连续性的土壤含水量，并且已经生产出了广泛业务化的全球土壤含水量产品，这些产品主要以被动微波的产品为主。然而，被动微波产品空间分辨率较差，而主动微波空间分辨率较高但时间分辨率较低。与微波方法相比基于MODIS的可见光/红外方法兼具较高时间和空间分辨率，可以作为微波方法的一种重要补充。可见光/红外方法中VSWI是常用的土壤含水量遥感指标，VSWI适用于中、高植被覆盖区，然而，反演性能受到归一化植被指数NDVI的制约，同时由于指数数学表达式特性的限制，地表温度LST对指数的影响程度较小难以发挥地表温度对植被水敏感的优势。因此，本发明综合考虑了可见光/红外方法的特点以及遥感指数的数学特性，构建了一种基于改进型MODIS温度植被指数表层土壤含水量的估算方法，获得区域尺度上高时空分辨率的表层土壤含水量。
本发明方法步骤如下：
步骤1，实验区域的MODIS遥感数据预处理，包括如下子步骤，
步骤1.1，对MOD09A1中1-7波段地表反射率数据中的每个像元，进行质量控制操作，剔除受云、气溶胶等影响较大的像元数据，然后对MOD09A1的反射率产品重采样到1km分辨率；
步骤1.2，对MOD11A2中的白天地表温度(LST)数据中每个像元，进行质量控制操作，选择质量较好的像元；
步骤2，通过波段之间的组合运算计算实验区域的地表水含量指数SWCI以及归一化植被指数NDVI；其中地表水含量指数SWCI的计算公式如下，
Figure BDA0001711218120000041
式中，R6与R7分别为MODIS数据第6、7波段反射率；
归一化植被指数NDVI的计算公式如下，
Figure BDA0001711218120000042
式中，R1与R2分别为MODIS数据第1、2波段反射率；
步骤3，实验区域裸土、低植被覆盖区域与中、高植被覆盖区域的阈值分割，包括以下子步骤，
步骤3.1，计算裸土像元的归一化植被指数NDVI，设为最小归一化植被指数NDVImin；
步骤3.2，通过叶面积指数确定纯植被像元对应的归一化植被指数NDVI，设为最大归一化植被指数NDVImax；
步骤3.3，计算植被覆盖度Fvc，其计算公式如下，
Figure BDA0001711218120000051
式中NDVImin与NDVImax分别由步骤3.1和3.2获得，NDVIi为像元i的NDVI值；选取NDVIi＝a时，Fvc作为区分不同植被覆盖区的阈值，高于该阈值对应中、高植被覆盖区，低于阈值则是裸土、低植被覆盖区；
步骤3.4，获得MODIS地表反射率(LSR)与地表温度(LST)，计算其NDVI以及其他遥感指数，根据植被覆盖度Fvc阈值将实验区域均划分成两类，即裸土、低植被覆盖区域和中、高植被覆盖区；
步骤4，根据步骤3中裸土、低植被与中、高植被覆盖区域的Fvc阈值，选取中、高植被覆盖区，通过SWCI与地表温度LST的线性组合构建改进型MODIS指数，即地表水含量温度指数SWCTI，公式如下：
Figure BDA0001711218120000052
式中，SWCI为地表水含量指数，C为地表温度调整指数。
进一步的，步骤1中利用LDOPE的‘mask_sds’工具对MOD09A1和MOD11A2进行质量控制操作。
进一步的，步骤3.2中叶面积指数由MODIS系列产品MOD15A2提供，当叶面积指数大于2时，植被覆盖度几乎为100％，对应的NDVI为NDVImax。
进一步的，步骤4中，首先根据
Figure BDA0001711218120000053
获得地表温度调整指数的最佳值Copt，
Figure BDA0001711218120000054
为地表温度调整变量取值为C时，SWCTI与实验区域实测土壤含水量数据之间的拟合优度，Copt为使得SWCTI与实测土壤含水量数据拟合优度最高时，地表温度调整最佳值，然后再将Copt带入式(1)中获得实验区域的最佳地表水含量温度指数SWCTI。
进一步的，a的取值为0.3。
与现有技术相比，本发明具有如下特点和有益效果:
本发明提出的地表水含量温度指数SWCTI，相对于被动微波产品，空间分辨率较好，相较于主动微波时间分辨率较高。本发明方法折中了主被动微波方法的时间与空间分辨率特点，提供了较好时间与空间分辨率的表层土壤含水量估算方法。
本发明方法相对于VSWI，增强了地表温度LST对指数的敏感度的影响，提高了分子对土壤含水量的相关性，操作简单。
附图说明
图1为改进型MODIS指数计算流程图；
图2为裸土、低植被与中、高植被分割的NDVI阈值分割；
图3为8、9月SWCTI与砂质壤土条件下实测土壤含水量的线性拟合，(a)为8月份SWCTI与砂质壤土土壤含水量散点图，(b)为9月份SWCTI与砂质壤土土壤含水量散点图。
具体实施方式
下面将结合附图和具体实施方式进一步说明本发明技术方案及有益效果。
步骤1：实验区域MODIS遥感数据预处理；
采用MODIS系列V005版2010年8月1日-2014年12月31日时间段内，每年8月1日至9月30日，那曲地区晴空少云的8天合成地表反射率产品MOD09A1与地表温度产品MOD11A2计算各种遥感指数。并采用中国科学院青藏高原研究所提供的青藏高原中部土壤温湿度多尺度观测网的0-5cm实测土壤含水量数据作为验证数据。
MODIS地表反射率(LSR)质量控制与重采样
为了保证数据质量需要对MODIS 1-7波段地表反射率数据进行质量控制，对于MOD09A1中1-7波段地表反射率数据中的每个像元，利用LDOPE的‘mask_sds’工具进行了质量控制操作，剔除受云、气溶胶等影响较大的像元，质量控制数据来源于MOD09A1提供的“surf_refl_state_500m”质量控制数据。表1为地表反射率(LSR)质量控制标准。并利用MODIS重投影工具(MRT)将MOD09A1的反射率产品重采样到1km分辨率。
表1 MODIS地表反射率质量控制标准
Figure BDA0001711218120000061
MODIS地表温度(LST)质量控制
为了保证数据质量需要对MODIS地表温度(LST)数据进行质量控制。对于MOD11A2中的白天地表温度(LST)数据中每个像元，利用LDOPE的‘mask_sds’工具进行了质量控制操作，选择质量较好的像元，质量控制数据来源于MOD11A2提供的‘LST_Day_1km’质量控制数据。表2为MODIS地表温度(LST)质量控制标准。
表2 MODIS地表温度质量控制标准
Figure BDA0001711218120000071
步骤2：实验区域遥感指标计算；
2.1，通过波段之间的组合运算计算地表水含量指数SWCI，计算公式如下:
Figure BDA0001711218120000072
式中，R6与R7分别为MODIS数据第6、7波段反射率。
2.2，通过波段之间的组合运算计算归一化植被指数NDVI，计算公式如下:
Figure BDA0001711218120000073
式中，R1与R2分别为MODIS数据第1、2波段反射率。
步骤3：裸土、低植被覆盖区域与中高植被覆盖区域的阈值分割；
(a)计算裸土像元的归一化植被指数NDVI，设为最小归一化植被指数NDVImin；
(b)通过叶面积指数(MODIS系列产品MOD15A2提供了叶面积指数LAI)确定纯植被像元对应的归一化植被指数NDVI，设为最大归一化植被指数NDVImax，根据叶面积指数和植被覆盖度FVC的关系，当叶面积指数大于2的时候，植被覆盖度几乎为100％，对应的NDVI为NDVImax。
(c)计算植被覆盖度Fvc
计算植被覆盖度Fvc，公式如下：
Figure BDA0001711218120000074
式中NDVImin与NDVImax采用步骤3.1和3.2中的方法得到，NDVIi为像元i的NDVI值。
(d)根据中国科学院青藏高原研究所提供的青藏高原中部土壤温湿度多尺度观测网实测站点的经纬度，通过IDL编程获取那曲地区实验区对应该站点的MODIS地表反射率(LSR)与地表温度(LST)，计算遥感指数作为实验数据，根据植被覆盖度Fvc阈值将实验数据划分成两类，即对应裸土、低植被覆盖区域和中、高植被覆盖区，其中通常选取NDVI＝0.3时，Fvc作为区分不同植被覆盖区的阈值，高于该阈值对应中、高植被覆盖区，低于阈值则是裸土、低植被覆盖区。
步骤4：根据步骤3中裸土、低植被与中高植被覆盖计算NDVI以及其区域的Fvc阈值，选取中、高植被覆盖区构建改进型MODIS指数，并根据地表温度调整指数的最佳值Copt，获得实验区域的最佳地表水含量温度指数SWCTI，公式如下：
Figure BDA0001711218120000081
C＝Copt
或者
Figure BDA0001711218120000082
Figure BDA0001711218120000083
其中C地表温度调整指数，取值范围受实验区域地表温度分布影响，取值处于该实验区域地表温度最大最小值之间；
Figure BDA0001711218120000084
为地表温度调整变量取值为C时，SWCTI与实测土壤含水量数据之间的拟合优度，Copt为使得SWCTI与实测土壤含水量数据拟合优度最高时，地表温度调整变量。
图1提供了改进型MODIS指数的具体计算方式。图中，MOD09A1为MODIS卫星500m地表反射率产品，MOD11A2为1km地表温度/反射率L3产品。利用LDOPE的‘mask_sds’工具，采用MOD09A1提供的“surf_refl_state_500m”质量控制数据，按照表1中的标准对MOD09A11-7波段地表反射率数据(LSR)进行质量控制，获取质量较好像元的地表反射率。利用MODIS重投影工具(MRT)将MOD09A1的反射率产品重采样到1km分辨率。利用LDOPE的‘mask_sds’工具，采用MOD11A2提供的质量控制数据‘LST_Day_1km’，按照表2中的标准对MOD11A2地表温度数据(LST)进行质量控制，获取质量较好像元的白天地表温度。根据步骤2计算出指数SWCI和NDVI。根据步骤3中裸土、低植被覆盖区域与中、高植被覆盖区域的阈值分割，将样本数据划分为对应于裸土、低植被与中、高植被覆盖区域的数据。最后，在对应于中、高植被覆盖区域的数据中，用SWCI与LST根据步骤4获得改进型MODIS指数SWCTI。
图2提供了裸土、低植被覆盖度与中、高植被覆盖度所对应的NDVI阈值的计算方法。
首先根据步骤2.3中的方法，利用MOD09A1数据计算NDVI、利用MOD15A2数据提取8天合成的叶面积指数LAI，选取1800对LAI-NDVI数据，绘制线箱图。通过分析NDVI的饱和点(NDVI＝0.71)，确定植被完全覆盖时NDVI，根据裸土反射率光谱特征，裸土NDVI通常趋向于0，因此确定裸土NDVI取值为0，根据步骤3计算植被覆盖度FVC，划分植被覆盖情况。
图3提供了8月与9月SWCTI与实测土壤含水量的线性拟合效果图。
表3为本文指数与其他遥感指数与0-5cm、实验区不同土壤类型的实测土壤含水量数据拟合效果统计表，结果显示相对于其他遥感指数，SWCTI与实测数据在各种条件下拟合效果表现最好。该指数与土壤含水量拟合的决定系数R28月份高于9月份，砂质壤土条件下高于粉砂质粘壤土条件下。与实测土壤含水量相关性最好的情况是：8月份砂质壤土条件下，R2＝0.607(R＝0.779)，9月份砂纸壤土情况下，R2＝0.4734(R＝0.688)。在不区分土壤类型的情况下，8月份与9月份，SWCTI与实测土壤含水量拟合的决定系数分别是R2＝0.4828(R＝0.695)，R2＝0.4244(R＝0.652)，SWCI与LST是SWCTI的组成指数，参与SWCTI的计算，结果显示，SWCTI相对于SWCI与LST性能得到了提升。总的来说，SWCTI与实测土壤含水量数据具有较高的相关性。
表3 模型拟合效果
Figure BDA0001711218120000091
Figure BDA0001711218120000101
注：本数据经过0.001置信水平检验
本发明能充分利用可见光/红外测量方式相较于微波测量方式与实地测量方式的优点，突破VSWI数学表达式限制提出了具有较好时间与空间分辨率的地表土壤含水量估算方法，适用于区域尺度的表层土壤含水量估算。
总之，本发明方法具有优异的应用效果，具有很好的应用前景。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于改进型MODIS植被供水指数的地表土壤含水量评估方法，其特征在于，包括如下步骤：
步骤1，实验区域的MODIS遥感数据预处理，包括如下子步骤，
步骤1.1，对MOD09A1中1-7波段地表反射率数据中的每个像元，进行质量控制操作，剔除受云、气溶胶影响较大的像元数据，然后对MOD09A1的反射率产品重采样到1km分辨率；
步骤1.2，对MOD11A2中的白天地表温度LST数据中每个像元，进行质量控制操作，选择质量较好的像元；
步骤2，通过波段之间的组合运算计算实验区域的地表水含量指数SWCI以及归一化植被指数NDVI；其中地表水含量指数SWCI的计算公式如下，
Figure FDA0003151086670000011
式中，R6与R7分别为MODIS数据第6、7波段反射率；
归一化植被指数NDVI的计算公式如下，
Figure FDA0003151086670000012
式中，R1与R2分别为MODIS数据第1、2波段反射率；
步骤3，实验区域裸土、低植被覆盖区域与中、高植被覆盖区域的阈值分割，包括以下子步骤，
步骤3.1，计算裸土像元的归一化植被指数NDVI，设为最小归一化植被指数NDVImin；
步骤3.2，通过叶面积指数确定纯植被像元对应的归一化植被指数NDVI，设为最大归一化植被指数NDVImax；
步骤33，计算植被覆盖度Fvc，其计算公式如下，
Figure FDA0003151086670000013
式中NDVImin与NDVImax分别由步骤3.1和3.2获得，NDVIi为像元i的NDVI值；选取NDVIi＝a时，Fvc作为区分不同植被覆盖区的阈值，高于该阈值对应中、高植被覆盖区，低于阈值则是裸土、低植被覆盖区；
步骤3.4，获得MODIS地表反射率LSR与白天地表温度LST，计算其NDVI以及其他遥感指数，根据植被覆盖度Fvc阈值将实验区域均划分成两类，即裸土、低植被覆盖区域和中、高植被覆盖区；
步骤4，根据步骤3中裸土、低植被与中、高植被覆盖区域的Fvc阈值，选取中、高植被覆盖区，通过SWCI与地表温度LST的线性组合构建改进型MODIS指数，即地表水含量温度指数SWCTI，公式如下：
Figure FDA0003151086670000021
式中，SWCI为地表水含量指数，C为地表温度调整指数；
步骤4中，首先根据
Figure FDA0003151086670000022
获得地表温度调整指数的最佳值Copt，
Figure FDA0003151086670000023
为地表温度调整变量取值为C时，SWCTI与实验区域实测土壤含水量数据之间的拟合优度，Copt为使得SWCTI与实测土壤含水量数据拟合优度最高时，地表温度调整最佳值，然后再将Copt带入式(1)中获得实验区域的最佳地表水含量温度指数SWCTI。
2.如权利要求1所述的一种基于改进型MODIS植被供水指数的地表土壤含水量评估方法，其特征在于：步骤1中利用LDOPE的‘mask_sds’工具对MOD09A1和MOD11A2进行质量控制操作。
3.如权利要求1所述的一种基于改进型MODIS植被供水指数的地表土壤含水量评估方法，其特征在于：步骤3.2中叶面积指数由MODIS系列产品MOD15A2提供，当叶面积指数大于2时，植被覆盖度几乎为100％，对应的NDVI为NDVImax。
4.如权利要求1所述的一种基于改进型MODIS植被供水指数的地表土壤含水量评估方法，其特征在于：a的取值为0.3。
CN201810683462.6A 2018-06-28 2018-06-28 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 Active CN108876172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810683462.6A CN108876172B (zh) 2018-06-28 2018-06-28 一种基于改进型modis植被供水指数的地表土壤含水量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810683462.6A CN108876172B (zh) 2018-06-28 2018-06-28 一种基于改进型modis植被供水指数的地表土壤含水量评估方法

Publications (2)

Publication Number Publication Date
CN108876172A CN108876172A (zh) 2018-11-23
CN108876172B true CN108876172B (zh) 2021-09-03

Family

ID=64295211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810683462.6A Active CN108876172B (zh) 2018-06-28 2018-06-28 一种基于改进型modis植被供水指数的地表土壤含水量评估方法

Country Status (1)

Country Link
CN (1) CN108876172B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852474B (zh) * 2019-09-24 2020-11-06 广州地理研究所 一种基于决策树算法的陆地水储量预测方法、装置及设备
CN110646587B (zh) * 2019-09-29 2020-10-09 武汉大学 结合多源遥感数据的高分辨率农业干旱监测方法及装置
CN115346120B (zh) * 2022-08-16 2023-06-20 中国科学院空天信息创新研究院 一种草地地上生物量及其固碳量遥感估算方法
CN115481368B (zh) * 2022-09-29 2023-05-19 河北省科学院地理科学研究所 一种基于全遥感机器学习的植被覆盖度估算方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187630A (zh) * 2007-12-05 2008-05-28 北京大学 一种农田干旱监测方法
EP3158302B1 (en) * 2014-06-18 2021-12-29 Innopix, Inc. Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays
US9721181B2 (en) * 2015-12-07 2017-08-01 The Climate Corporation Cloud detection on remote sensing imagery
CN108169161B (zh) * 2017-12-12 2019-12-24 武汉大学 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法

Also Published As

Publication number Publication date
CN108876172A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
Zhu et al. Analysis of remotely-sensed ecological indexes' influence on urban thermal environment dynamic using an integrated ecological index: a case study of Xi’an, China
Zhang et al. Increase in surface friction dominates the observed surface wind speed decline during 1973–2014 in the Northern Hemisphere lands
Ghulam et al. Designing of the perpendicular drought index
Heiskanen Estimating aboveground tree biomass and leaf area index in a mountain birch forest using ASTER satellite data
CN108876172B (zh) 一种基于改进型modis植被供水指数的地表土壤含水量评估方法
Zhang et al. Spatial and temporal variations in vegetation coverage observed using AVHRR GIMMS and Terra MODIS data in the mainland of China
Qin et al. Evaluation of MODIS derived perpendicular drought index for estimation of surface dryness over northwestern China
Pan et al. Extracting desertification from Landsat TM imagery based on spectral mixture analysis and Albedo-Vegetation feature space
Zhou et al. A multi-perspective study of atmospheric urban heat island effect in China based on national meteorological observations: Facts and uncertainties
Zhang et al. Assimilating AMSU-A radiances in the TC core area with NOAA operational HWRF (2011) and a hybrid data assimilation system: Danielle (2010)
CN113553907A (zh) 一种基于遥感技术的森林生态环境状况评价方法
CN106483147B (zh) 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法
Arshad et al. Monitoring the impacts of spatio-temporal land-use changes on the regional climate of city Faisalabad, Pakistan
Liu et al. Evaluation of surface flux parameterizations with long-term ARM observations
CN114443627A (zh) 一种陆地和海洋温度的修复方法、系统、计算机设备
Song et al. Spatial non-stationary characteristics between grass yield and its influencing factors in the Ningxia temperate grasslands based on a mixed geographically weighted regression model
CN114486783A (zh) 基于无人机多源遥感的冬小麦田土壤水分反演方法
Jégo et al. Impact of the spatial resolution of climatic data and soil physical properties on regional corn yield predictions using the STICS crop model
Chong-yi et al. Remotely sensed estimation and mapping of soil moisture by eliminating the effect of vegetation cover
Kingston et al. Large-scale climatic controls on New England river flow
Tian et al. Comprehensive validation of seven root zone soil moisture products at 1153 ground sites across China
Xiong et al. Study on the influencing factors and the spatiotemporal heterogeneity of Urban Heat Island effect in Nanchang City of China
YU et al. Establishment of comprehensive drought monitoring model based on downscaling TRMM and MODIS data
Singh et al. Spatial and temporal variability of soil moisture over India using IRS P4 MSMR data
Xie et al. Complement time-series UAV spectral data based on Ambrals kernel-driven model to monitor soil moisture content

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant