可左右滑动选省市

一种异质性地表条件下的高分辨率植被光学厚度反演方法

更新时间:2024-11-01
一种异质性地表条件下的高分辨率植被光学厚度反演方法 专利申请类型:发明专利;
源自:重庆高价值专利检索信息库;

专利名称:一种异质性地表条件下的高分辨率植被光学厚度反演方法

专利类型:发明专利

专利申请号:CN202410311713.3

专利申请(专利权)人:西南大学
权利人地址:重庆市北碚区天生路2号

专利发明(设计)人:樊磊,周芷兰,陆致轩,刘向茁,白晓静,李月臣

专利摘要:本发明提出了一种异质性地表条件下的高分辨率植被光学厚度反演方法,包括:采用植被散射模型耦合土壤散射模型,从而构建土壤‑植被耦合模型;通过土壤‑植被耦合模型反演出VOD,VOD表示植被光学厚度;植被散射模型的输入数据为S1数据,土壤散射模型的输入数据为S1数据及土壤水分数据;其中植被散射模型用于模拟植被后向散射贡献并建立SAR总后向散射与植被和土壤散射贡献之间的关系,土壤散射模型用来消除土壤对后向散射的贡献,从而得到植被的后向散射系数来反演出研究区的VOD;本发明能够充分利用S1数据的优点,针对现有VOD反演算法在异质性地表条件下反演精度低的问题,基于S1SAR数据,结合高分辨率SM、土壤质地、植被覆盖度等信息,能实现高分辨率VOD的准确反演。

主权利要求:
1.一种异质性地表条件下的高分辨率植被光学厚度反演方法,其特征在于,包括:采用植被散射模型耦合土壤散射模型,从而构建土壤‑植被耦合模型;通过土壤‑植被耦合模型反演出VOD,VOD表示植被光学厚度;所述土壤散射模型为Oh模型或Dubois模型;所述植被散射模型为水云模型;此时,土壤‑植被耦合模型的表达式如下:其中, 表示SAR总后向散射系数;
A表示植被散射模型的模型参数;
V1为植被冠层的描述量;
VOD表示待求解的植被光学厚度;
θ表示雷达的入射角;
f(SM,x)表示由不同土壤散射模型参数与土壤水分拟合出的土壤后向散射值;
SM表示土壤水分数据;
x表示土壤散射模型参数;
将土壤‑植被散射模型转化为反演VOD的形式,从而反演出长时间序列的研究区高分辨率VOD,表达式如下:植被散射模型的输入数据为Sentinel‑1数据,土壤散射模型的输入数据为Sentinel‑1数据及土壤水分数据;其中植被散射模型用于模拟植被后向散射贡献并建立SAR总后向散射与植被和土壤散射贡献之间的关系,土壤散射模型用来消除土壤对后向散射的贡献,从而得到植被的后向散射系数来反演出研究区的VOD。
2.根据权利要求1所述的一种异质性地表条件下的高分辨率植被光学厚度反演方法,其特征在于,所述土壤散射模型是经过裸土区域标定的得到的,当土壤散射模型为Oh模型时,标定过程如下:参数 通过以下公式求解:
SM表示土壤水分数据;
表示裸土区域的土壤后向散射系数;
通过式(3)求解出裸土像元的土壤模型参数s,以此为先验知识,使用RF回归模型,结合地表参数,构建土壤散射模型的预测模型,得到植被覆盖区的土壤模型参数s,从而实现土壤散射模型的构建;
在土壤散射模型构建完毕之后,基于Oh模型反演VOD的计算方程如下:其中,VOD表示待求解的植被光学厚度;
k表示自由空间波数,为常量;
s表示土壤模型参数;
表示SAR总后向散射系数。
3.根据权利要求1所述的一种异质性地表条件下的高分辨率植被光学厚度反演方法,其特征在于,所述土壤散射模型是经过裸土区域标定的得到的,当土壤散射模型为Dubois模型时,标定过程如下:采用Topp模型来实现SM和ε之间的转换,此时相对介电常数ε的表达式如下:
2 3
ε=3.03+9.3SM+146.0SM‑76.7SM(5)参数 通过以下公式求解:
其中,k表示自由空间波数,为常量;通过式(6)求解出裸土像元的土壤模型参数s,以此为先验知识,使用RF回归模型,结合地表参数,构建土壤散射模型的预测模型,得到植被覆盖区的土壤模型参数s,从而实现土壤散射模型的构建;
基于Dubois模型的VOD反演模型的计算方程如下:其中,SM表示土壤水分数据;
表示裸土区域的土壤后向散射系数;
λ表示波长,根据卫星信号而不同的定值;
表示SAR总体后向散射。
4.根据权利要求2或3所述的一种异质性地表条件下的高分辨率植被光学厚度反演方法,其特征在于,所述的地表参数包括土壤参数、地表温度和地形参数中的任意组合;土壤参数包括:土壤有机质碳密度、土壤有机质碳储量、土壤有机碳含量、土壤体积密度、粘粒含量、粗粒土壤、土壤含沙量、淤泥含量、阳离子交换量、土壤总氮含量、土壤pH值中的任意组合;
地表温度包括:平均地表温、土壤温度标准差、土壤温度变异系数中的任意组合;
所述地形参数包括:平均高程、高程标准差、高程变异系数、坡度、地形表面凸度、地形表面纹理、地形强度指标、平面曲率、剖面曲率中的任意组合。
5.根据权利要求1所述的一种异质性地表条件下的高分辨率植被光学厚度反演方法,其特征在于,当裸土像元的土壤模型参数s小于2cm或入射角θ在20°到60°之间时,采用Dubois模型作为土壤散射模型;否则采用Oh模型作为土壤散射模型。
6.根据权利要求1所述的一种异质性地表条件下的高分辨率植被光学厚度反演方法,其特征在于,Sentinel‑1数据为VV极化下的降轨Sentinel‑1数据。 说明书 : 一种异质性地表条件下的高分辨率植被光学厚度反演方法技术领域[0001] 本发明涉及植被光学厚度反演技术领域,特别是涉及一种异质性地表条件下的高分辨率植被光学厚度反演方法。背景技术[0002] 在微波辐射传输理论中,植被光学厚度(VegetationOpticalDepth,VOD)描述了植被对微波辐射传播过程中的吸收和衰减特性,是一个无量纲参数。VOD对植被冠层结构和VWC变化非常敏感,同时又与地上冠层生物量(Above‑groundCanopyBiomass,AGB)和相对含水量(RelativeWaterContent,RWC)正相关,是反映植被生长状态的关键参数。与光学植被指数(VegetationIndices,VIs)相比,VOD不受大气(如气溶胶和云雨)的影响,在高密度植被区仍能保持较高的敏感性,克服了光学VIs信号的饱和问题,对植被水分及生物量变化更为敏感。此外,准确的VOD估算是实现被动微波土壤水分(SoilMoisture,SM)高精度反演的关键,其在消除植被的影响时起着重要作用。[0003] 现有的VOD产品空间分辨率普遍较粗(25km),难以满足小区域尺度(1~5km)精细农业管理和植被动态监测的需要。由于分辨率较粗,每个像元网格所代表的地表面积较大,通常会包含多种土地覆盖类型和不同的植被覆盖度,同时微波信号受到植被冠层结构、土壤质地、表面粗糙度和VWC等因素的影响较大,导致VOD具有较强的空间异质性。[0004] 虽然目前有部分学者在不同的研究区域提出高分辨率VOD反演算法,但是这些算法都有各自的局限性,如未反映植被年际变化,未考虑不同植被类型等问题。归其原因就是未考虑到区域空间异质性的问题,而无法在大尺度范围内反演。发明内容[0005] 本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种异质性地表条件下的高分辨率植被光学厚度反演方法。[0006] 为了实现本发明的上述目的,本发明提供了一种异质性地表条件下的高分辨率植被光学厚度反演方法,包括:[0007] 采用植被散射模型耦合土壤散射模型,从而构建土壤‑植被耦合模型;通过土壤‑植被耦合模型反演出VOD,VOD表示植被光学厚度,用于描述植被生长情况,越高则表示状况越好。[0008] 植被散射模型的输入数据为S1数据,土壤散射模型的输入数据为S1数据及土壤水分数据,通过所述S1数据包括后向散射系数和入射角;其中植被散射模型用于模拟植被后向散射贡献并建立SAR总后向散射与植被和土壤散射贡献之间的关系,即分别表示土壤后向散射系数和植被后向散射系数,表示SAR总后向散射系数。土壤散射模型用来消除土壤对后向散射的贡献,从而得到植被的后向散射系数来反演出研究区的VOD;[0009] 所述土壤散射模型为Oh模型或Dubois模型,Oh模型和Dubois模型均为半经验模型;Oh模型建立了L,C和X波段不同入射角雷达后向散射系数与ε、地表均方根高度、地表相关长度等试验数据之间的经验关系。在此基础上,Dubois模型只使用同极化后向散射数据来反演裸露地表均方根高度和SM,在一定程度上减小了植被的敏感性。[0010] 进一步地,所述植被散射模型为水云模型(WaterCloudModel,WCM),此时,土壤‑植被耦合模型的表达式如下:[0011][0012] 其中, 表示SAR总后向散射系数;[0013] A表示植被散射模型的模型参数;[0014] V1为植被冠层的描述量,通常设为1;[0015] VOD表示待求解的植被光学厚度;[0016] θ表示雷达的入射角(雷达波束与垂直表面直线之间的夹角);[0017] f(SM,x)表示由不同土壤散射模型参数与土壤水分拟合出的土壤总后向散射值;[0018] SM表示土壤水分数据;[0019] x表示土壤散射模型参数;[0020] 其中,SAR总向散射系数 和入射角θ通过S1数据获取;[0021] 将土壤‑植被散射模型转化为反演VOD的形式,从而反演出长时间序列的研究区高分辨率VOD,表达式如下:[0022][0023] 除此以外,植被散射模型还可以为物理模型的密歇根植被散射模型、Saatchi模型等。[0024] 进一步地,所述土壤散射模型是经过裸土区域标定的得到的,当土壤散射模型为Oh模型时,标定过程如下:[0025] 参数 通过以下公式求解:[0026][0027] SM表示土壤水分数据;[0028] 表示裸土区域的土壤后向散射系数;在裸地区域不存在植被散射,此时表示总体后向散射系数;但在非裸地区域的SAR总体后向散射系数=土壤后向散射系数+植被后向散射系数。[0029] 通过式(3)求解出裸土像元的土壤模型参数s,以此为先验知识,使用RF回归模型,结合地表参数,构建土壤散射模型的预测模型,得到植被覆盖区的土壤模型参数s,从而实现土壤散射模型的构建;[0030] 在土壤散射模型构建完毕之后,基于Oh模型反演VOD的计算方程如下:[0031][0032] 其中,VOD表示待求解的植被光学厚度;[0033] k表示自由空间波数,为常量;k=2π/λ,λ为波长,根据使用的数据不同为不同的定值。[0034] s表示土壤模型参数(均方根高度);[0035] 表示SAR总后向散射系数。[0036] 进一步地,所述土壤散射模型是经过裸土区域标定的得到的,当土壤散射模型为Dubois模型时,标定过程如下:[0037] 采用Topp模型来实现SM和ε之间的转换,此时相对介电常数ε的表达式如下:[0038] ε=3.03+9.3SM+146.0SM2‑76.7SM3(5)[0039] 通过Topp模型来实现SM和ε之间的转换,能消除Dubois模型对ε的依赖,减少模型构建时的输入参数。[0040] 参数 通过以下公式求解:[0041][0042] 通过式(6)求解出裸土像元的土壤模型参数s,以此为先验知识,使用RF回归模型,结合地表参数,构建土壤散射模型的预测模型,得到植被覆盖区的土壤模型参数s,从而实现土壤散射模型的构建;[0043] 基于Dubois模型的VOD反演模型的计算方程如下:[0044][0045] 其中,SM表示土壤水分数据;[0046] 表示裸土区域的土壤后向散射系数;[0047] λ表示波长,根据卫星信号而不同的定值;[0048] 表示SAR总体后向散射。[0049] 进一步地,所述的地表参数主要包括土壤参数与地形参数两部分。[0050] 土壤参数包括:土壤有机质碳密度、土壤有机质碳储量、土壤有机碳含量、土壤体积密度、粘粒含量、粗粒土壤、土壤含沙量、淤泥含量、阳离子交换量、土壤总氮含量、土壤pH值中的任意组合;[0051] 地表温度包括:平均地表温度、土壤温度标准差、土壤温度变异系数中的任意组合;[0052] 所述地形参数包括:平均高程、高程标准差、高程变异系数、坡度、地形表面凸度、地形表面纹理、地形强度指标、平面曲率、剖面曲率中的任意组合。[0053] 进一步地,当裸土像元的土壤模型参数s小于2cm或入射角θ在20°到60°之间时,采用Dubois模型作为土壤散射模型;否则采用Oh模型作为土壤散射模型。[0054] 进一步地,S1数据为VV极化下的降轨S1数据。与VV极化数据相比,VH极化数据信号较弱;此外,白天的数据由于温度的原因会对植被含水量产生影响,而植被状态跟含水量与白天数据(升轨)有关,因此采用降轨数据。[0055] 综上所述,由于采用了上述技术方案,本发明能够充分利用S1数据的优点,针对现有VOD反演算法在异质性地表条件下反演精度低的问题,基于S1SAR数据,结合高分辨率SM、土壤质地、植被覆盖度等能够反映土壤、植被的空间异质性的信息,发展一种可行性较高的高分辨率VOD反演方法,实现高分辨率VOD的准确反演。这对于植被物候监测、农作物产量估算和SM反演等具有重要的科学价值。[0056] 本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。附图说明[0057] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:[0058] 图1是本发明的流程示意图。[0059] 图2是本发明具体实施例研究区黑河流域的地理位置和土地利用概况。[0060] 图3是本发明具体实施例Oh模型模拟的均方根高度的年平均空间格局及其直方图,图3(a)‑(c)分别是2018年、2019年、2020年的Oh模型模拟的均方根高度的年平均空间格局,图3(d)‑(f)分别是2018年、2019年、2020年的Oh模型模拟的均方根高度的直方图。[0061] 图4是本发明具体实施例年平均Oh‑VOD的空间分布格局及其直方图,图4(a)‑(c)分别是2018年、2019年、2020年的年平均Oh‑VOD的空间分布格局,图4(d)‑(f)分别是2018年、2019年、2020年的年平均Oh‑VOD的直方图。[0062] 图5是本发明具体实施例Oh‑VOD与植被指数的相关性空间分布图,图5(a)、图5(d)、图5(g)分别是2018年、2019年、2020年的Oh‑VOD与植被指数NDVI的相关性空间分布图,图5(b)、图5(e)、图5(h)分别是2018年、2019年、2020年的Oh‑VOD与植被指数LAI的相关性空间分布图,图5(c)、图5(f)、图5(i)分别是2018年、2019年、2020年的Oh‑VOD与植被指数EVI的相关性空间分布图。[0063] 图6是本发明具体实施例Oh‑VOD与植被指数的相关性直方图,图6(a)、图6(d)、图6(g)分别是2018年、2019年、2020年的Oh‑VOD与植被指数NDVI的相关性直方图,图6(b)、图6(e)、图6(h)分别是2018年、2019年、2020年的Oh‑VOD与植被指数LAI的相关性直方图,图6(c)、图6(f)、图6(i)分别是2018年、2019年、2020年的Oh‑VOD与植被指数EVI的相关性直方图。[0064] 图7是本发明具体实施例地面站点VOD(绿色)、NDVI(黄色)、鲜重(红色)和植被水(鲜重‑干重)(蓝色)的时间序列变化示意图。[0065] 图8是本发明具体实施例Dubois模型模拟的均方根高度的年平均空间格局及其直方图,图8(a)‑(c)分别是2018年、2019年、2020年的Dubois模型模拟的均方根高度的年平均空间格局,图8(d)‑(f)分别是2018年、2019年、2020年的Dubois模型模拟的均方根高度的直方图。[0066] 图9是本发明具体实施例年平均Dubois‑VOD的空间分布格局及其直方图,图9(a)‑(c)分别是2018年、2019年、2020年的Dubois‑VOD的空间分布格局,图9(d)‑(f)分别是2018年、2019年、2020年的Dubois‑VOD的直方图。[0067] 图10是本发明具体实施例Dubois‑VOD与植被指数的相关性空间分布图,图10(a)、图10(d)、图10(g)分别是2018年、2019年、2020年的Dubois‑VOD与植被指数NDVI的相关性空间分布图,图10(b)、图10(e)、图10(h)分别是2018年、2019年、2020年的Dubois‑VOD与植被指数LAI的相关性空间分布图,图10(c)、图10(f)、图10(i)分别是2018年、2019年、2020年的Dubois‑VOD与植被指数EVI的相关性空间分布图。[0068] 图11是本发明具体实施例将Oh‑VOD、Dubois‑VOD、Ulab‑VOD与NDVI进行三年连续时间序列上的相关性分析示意图。[0069] 图12是本发明具体实施例Dubois模型下土壤后向散射系数与均方根高度之间的关系。[0070] 图13是本发明具体实施例Oh模型中土壤后向散射系数与土壤水分之间的关系图。具体实施方式[0071] 下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。[0072] 本发明如图1所示,利用植被散射模型(WCM模型)分别耦合裸土后向散射模型(Ulaby模型、Oh模型、Dubois模型)来构建合适的土壤‑植被耦合模型,其中Ulaby模型用于对发明方法结果对比验证。其中WCM用于模拟植被后向散射贡献并建立SAR总后向散射与植被和土壤散射贡献之间的关系。裸土后向散射模型用来消除土壤对后向散射的贡献,从而得到植被的后向散射系数来反演出研究区的VOD。[0073] 1.模型的数据来源[0074] 选取黑河流域草地为研究区域,黑河流域的地理位置和土地利用概况如图2所示。黑河流域(37.7°~42.7°N,97.1°~102.0°E)是我国第二大内陆河流域,位于干旱区河西走2廊,流域面积约为1.43×106km,气候具有明显的东西差异和南北差异。流域上游降水量由东向西递减,多年平均降水量超过350mm,年平均蒸发量为800‑1200mm,年平均气温在‑5‑4℃。中游降水由东部的250mm降低至西部的50mm,蒸发量则从东部的2000mm增加至西部的4000mm以上,年平均气温在2.8‑7.6℃。下游属于干旱荒漠气候,年降水量小于50mm,年蒸发量大于3500mm,年平均气温8~10℃。该流域地貌形态多种多样,土地覆盖呈现出高度异质性,自上游到下游依次为冰川、高山草原、高寒草地、人工绿洲‑荒漠‑河岸带‑湿地、沙漠、天然绿洲等生态系统。其中最主要的土地利用类型为草地,由北向南依次为荒漠化草原、山地4 2森林草原、山地高寒草甸草原和高寒草甸,面积约为9.5×10km ,占流域面积的60%以上。此外,黑河流域自20世纪80年代起就被视为流域科学研究的天然实验平台,使得该流域具有丰富数据类型的和长时间观测数据,为后续VOD的反演验证提供便捷。[0075] 1.1Sentinel‑1SAR数据[0076] C波段(5.405GHz)的S1SAR卫星是欧洲哥白尼计划中的专用观测卫星,由S1A和S1B两颗在轨卫星组成,分别发射于2014年4月和2016年4月。新一代的S1A和S1B卫星使用渐进扫描SAR(TOPSAR)成像技术,遵循完全相同的重复轨道模式,在距地约700km的近极地太阳同步轨道上飞行,能获取不同极化下(VV(Vertical–Vertical)和VH(Vertical‑Horizontal))的升(早)降(晚)轨数据。S1卫星具有四种成像模式,其中干涉宽幅模式(InterferometricWideSwath,IW)的空间分辨率为5mx20m,总条带宽250km,单轨的重返周期为12d,双轨重复观测时间分辨率可提升至6d。其高时空分辨率的优势使其成为大范围反演高分辨率VOD的最佳选择。此外,VV极化数据较VH极化数据信号更强,能表达更加丰富的地表信息。同时由于白天温度较高,会造成VWC的损失(蒸腾作用)。因此本发明选取了2018‑2020年VV极化下的降轨S1数据来对VOD进行反演。[0077] 1.2土壤水分数据[0078] 本文所使用的SM数据是欧洲中期天气预报中心(EuropeanCentreforMedium‑RangeWeatherForecasts,ECMWF)的ERA5再分析数据集,该数据来自第五代气候变化服务3 3(C3S),时间分辨率为逐小时,空间分辨率为0.25°,单位为m/m 。ERA5包含垂直方向上四层(0‑7cm、7‑28cm、28‑100cm、100‑289cm)SM,本文选择2018‑2020年上午11:00(地方太阳时)表层SM(0‑7cm)数据来作为辅助反演数据。[0079] 本文同时采用了全球陆地数据同化系统(GlobalLandDataAssimilationSystem,GLDAS)Noah模型的SM数据来分析不同SM对VOD反演的影响。该数据是由美国国家航空航天局(NASA)戈达德太空飞行中心(GoddardSpaceFlightCenter,GSFC)和美国国家海洋和大气管理局(NationalOceanicandAtmosphericAdministration,NOAA)的科学家共同开发的,旨在利用先进的陆地表面建模和数据同化技术,整合卫星和地面观测数据产品,生成陆地表面状态和通量的最佳数据(Rodelletal.,2004)。GLDAS数据集包括四个土层(0‑10、10‑40、40‑100、100‑200cm)的SM数据,空间分辨率为0.25°×0.25°,时间分辨率2为3h。本文使用的是上午9:00(地方太阳时)的表层SM(0‑10cm)。GLDASSM的单位为kg/m ,3 3因此在代入模型前需先将其转换为体积含水量(以m/m表示)以便后续计算。本文设所有SM数据在每个像元内都是均匀分布的,并使用最近邻插值方法重新采样到1km的空间分辨率。[0080] 1.3MODIS植被指数数据[0081] 由于缺少大范围站点数据来验证VOD反演的准确性,本文选取了各种VIs作为评价VOD精度的指标,包括NDVI、EVI和LAI。此外,NDVI也用来对土壤和植被模型参数进行标定。[0082] 本文使用的VIs来源于NASA研制的大型空间遥感仪器‑中分辨率成像光谱仪(Moderate‑resolutionImagingSpectroradiometer,MODIS),它包括Terra和Aqua两颗太阳同步极轨卫星,其中Terra为上午星,每日上午10:30(地方太阳时)过境,Aqua为下午星,每日下午1:30(地方太阳时)过境。NDVI和EVI数据来自于MODIS的MOD13A2和MYD13A2产品,时间分辨率为8d,空间分辨率为1km。LAI数据来自于MCD15A3H产品,时间分辨率为4d,空间分辨率为500m。为了提高VIs观测数据的质量,本文已在预处理阶段使用MODIS提供的质量控制文件(PixelReliability=0)剔除有云或误差较大的像元,并利用线性平均法将VIs数据重采样到1km。[0083] 本文同时基于Google地球引擎(GEE)平台上的哨兵2号(Sentinel‑2,S2)卫星计算了NDVI数据,它的时间分辨率为5d,空间分辨率为10m。相比于MODIS产品,S2与S1的过境时间和空间分辨率更相似,匹配度更高。本文首先对S2数据进行去云处理以提高数据质量后再计算NDVI数据,并利用线性平均法将NDVI重采样到1km。[0084] VIs产品和S1数据的过境时间不同。但是根据Hajj等(2019)之前的研究,VIs动态变化在4天内是稳定的,因此本文假设VIs产品与间隔时间最近的S1观测数据相同(时间间隔最多为4天)。该假设也意味着本文所有分析都是基于S1的时间序列上进行的。[0085] 1.4土地利用数据[0086] 本文使用的土地利用数据由欧洲航天局气候变化倡议(ESACCI)提供(ESA,2017),时间为2015年,空间分辨率为300m。该数据集是基于AVHRR、MERIS、PROBA‑V、SPOT‑VGT、Sentinel‑3OLCI和SLSTR(ESA,2017)的全球每日地表反射率数据,采用机器学习和无监督分类技术合成的年土地利用数据。经评估,该土地利用产品的总体准确性达到71%。此外,在全球范围内,它与美国地质调查局(USGS)全球土地利用验证数据的相关系数(R)高达0.68(ESA,2017)。[0087] 在本文中,该数据用于土壤和植被模型参数的校准以及不同土地利用的VOD数据的提取。该产品基于土地覆盖分类系统,将数据集划分成22种主要土地覆盖类型。本文按照一级大类将研究区划分为6类(耕地、林地、草地、裸地、水体和城镇用地)来分析算法在不同土地利用下的反演精度。为了获得与S1数据(1km)相同的空间分辨率,本文利用主要类型法,将每个1km像元的土地利用类型设置为该像元内覆盖率最高土地利用类型。[0088] 1.5地表参数数据[0089] 土壤和地形对微波信号有着重要的影响。因此在土壤模型参数校准时需加入土壤和地形因素为预测因子以考虑它们对土壤模型参数的影响。本文中的土壤和地形参数统称为地表参数数据,详细信息已在表1中阐述。[0090] 土壤参数包括土壤质地和土壤温度数据。土壤质地数据来自于SoilGrids250m数据集,分辨率为250m。该数据集基于数字土壤测绘方法,对400多个基于遥感的土壤协变量和25万个土壤剖面的观测结果进行拟合,通过机器学习的方法在全球范围内对土壤属性和类别进行预测。目前SoilGrids250m提供了七个标准深度(0、5、15、30、60、100和200cm)的全球预测土壤质地数据(土壤有机质碳含量、土壤体积密度、土壤总氮含量、阳离子交换量、土壤PH值、土壤质地、土壤颗粒等)。本文从中选取了11个土壤质地数据,并使用每种土壤质地对应的第一个深度(0cm,对应于土壤表层)和第二个深度(5cm)的平均值来作为RF的预测参数。[0091] 土壤温度数据来自于ERA5再分析数据集,与ERA5SM一样,本文选择了2018‑2020年上午11:00(地方太阳时)的表层土壤(0‑7cm)温度来计算每年土壤温度的平均值、标准差和变异系数。[0092] 地形参数(如高程、坡度、曲率、粗糙度等)由数字高程模型计算得到,本文使用的DEM数据是由美国地质调查局和国家地理空间情报局共同制作的全球多分辨率地形高程数据2010(GMTED2010),空间分辨率为15″(相当于500m)。该数据集取代了GTOPO30成为全球和大陆(大陆即大型的陆地区域)尺度应用的首选高程数据集。与GTOPO30相比,该数据集提供了七种新的高程产品,包括最小高程、最大高程、平均高程、中位高程、高程标准差、系统统计采样和增强特征曲线。本文使用平均高程、高程标准差、高程变异系数作为地形参数。并利用SAGA(SystemforAutomatedGeoscientificanalysis,SAGA)GIS软件计算6个地形参数:坡度、地形表面凸度(TSC)、地形表面纹理(TST)、地形强度指数(TRI)、平面曲率(PlanCur)和剖面曲率(ProfCur)。详细信息见表1。[0093] 表1地表参数描述[0094][0095] 2.植被散射模型构建[0096] 在WCM中,SAR总后向散射系数分为两部分,分别是植被的冠层散射 和经植被衰减后的土壤层散射 表达式如公式(8)所示:[0097][0098] 其中,τ2代表植被透过率,可用公式(9)表示:[0099][0100] 植被的后向散射系数 可用公式(10)表示:[0101][0102] 当植被非常茂密时,植被冠层的透过率近似于0(τ2=0),这时我们假设土壤的后向散射 会完全衰减,可以忽略不计。因此在植被茂密期的像元,植被的后向散射可以等于总的后向散射 公式(10)可简化为公式(11):[0103][0104] 其中植被茂密期的像元可通过总的后向散射 来求解参数A(以下称为A0),计算公式为:[0105][0106] 最后选取第t天所有植被茂密期像元的A0(i,j,t),取其前95%处的值来获得整个研究区像元尺度的A(t):[0107][0108] 最初,我们设置A(i,j,t)等于所有植被茂密期像元的 即假设所有像元在第t天具有相同的A值。然而,研究发现,当对不同土地利用类型设置不同的A值时,WCM模型获得了更好的反演能力。因此,我们将研究区划分成几个部分,每部分只包含一种土地利用类型像元,利用各自的A0(i,j,t)来计算该类型像元尺度的A(t)。[0109] 在上述过程中提到的植被茂密期像元的选择,本文采用NDVI阈值法进行提取:[0110] NDVIVDV>NDVI75%(i,j)(14)[0111] 其中,NDVIVDV为植被茂密期的NDVI阈值,取其像元NDVI时间序列前75%处的值。[0112] 3.土壤散射模型构建[0113] 在实际情况下,地表通常覆盖着不同浓密程度的植被。这时就需要构建合适的土壤散射模型来实现土壤散射贡献的准确表征。为避免植被覆盖的复合影响以及为了充分理解土壤散射与SM、土壤质地等空间异质性的定量关系,我们首先选择在裸土状况或植被影响可以忽略的条件下,构建考虑SM、土壤质地等空间异质性的土壤后向散射模型。同时在不同土地利用类型的地表也需分别进行建模分析,重新量化土壤对总后向散射的贡献,以提高模型参数的反演精度:[0114] (1)提取裸土像元[0115] 该步骤的目的是选取“裸露土壤”的像元,在该像元内可以判定观测到的后向散射完全来自土壤。像元提取存在两种情况,一是全年无任何植被覆盖的裸地,判定条件为ESACCI的土地利用类型为“baresoil”的像元。二是稀疏植被覆盖时期的土地。我们借助MODISNDVI的值,当NDVI<0.1时,表示该像元属于植被相对稀疏的时期(如植被发育前或衰老后)。[0116] (2)裸土像元土壤模型参数的计算[0117][0118] 其中, 为裸露地表后向散射系数,x是土壤散射模型待求解的参数,[0119] 针对裸露地表区域,本文选择了三个土壤散射模型(Ulaby模型、Oh模型和Dubois模型)分别建立SM与后向散射之间的关系,模拟出裸土像元的土壤散射模型中核心参数(x),构建裸露地表的土壤散射模型,定量分析土壤对雷达后向散射系数的贡献。[0120] (3)整个研究区土壤模型参数的校准[0121] 土壤的后向散射系数与SM之间的关系非常复杂,并不能看成是简单的线性关系。它不仅仅与SM有关,还会受到土壤质地、地形等多种因素的影响,这使得在计算土壤模型核心参数时会存在很多不确定性。因此本文引入了RF回归模型,以上述裸土像元的模型参数作为先验知识,选取土壤温度、地形、土壤质地等数据(表1)作为预测因子,模拟出整个研究区的土壤散射模型核心参数,实现研究区土壤后向散射模型构建。为了剔除表现不佳的预测因子,构建最佳回归模型,通过交叉验证的方式执行递归特征消除(RFE)迭代遴选出可用于预测C和D的最优预测因子组合,获取模型核心参数的预测模型,进而基于该预测模型,利用研究区的最优预测因子组合,实现研究区的土壤后向散射模型构建。[0122] 4.土壤‑植被耦合模型构建[0123] 将土壤散射模型以及像元尺度的参数A代入到公式(8)中,[0124][0125] 其中,τ2代表植被透过率,可用公式(9)表示:[0126][0127] 植被的后向散射系数 可用公式(10)表示:[0128][0129] 就构建了本文中的土壤‑植被耦合模型。模型的方程如下:[0130][0131] 将土壤‑植被散射模型(公式(1))转化为反演VOD的形式(公式(2)),将S1获取的总后向散射系数 和入射角θ、SM、土壤散射模型参数、植被散射参数A代入到公式(2)中,就可反演出长时间序列的研究区高分辨率VOD。[0132][0133] 4.1基于Ulaby模型的植被光学厚度反演[0134][0135] 基于Ulaby模型来构建土壤后向散射模型。表达式如公式(11)所示,针对裸土像元中模型参数C和D的求解,首先借助时间序列的SM,通过最小二乘法拟合出C和D,值得注意的是,求解过程中存在两种情况:一是针对后向散射系数 与SM呈现显著性相关(P‑value<0.05)的像元,可直接通过 和SM之间的线性关系(公式(3.2))来计算像元尺度的C和D。为了确保该线性关系的稳健性,在计算过程中必须保证 和SM正相关性(R>0);二是针对后向散射系数 与SM呈现不显著相关(P‑value>0.05)的像元,可利用3 3SM数据识别出SM极低的时期(SM<0.1m /m)来直接计C,即C为该段时期的后向散射系数的均值(公式(12)):[0136][0137] 计算得到裸土像元的土壤模型参数(C和D)后,以此为先验知识,使用RF回归模型,结合多种地表参数,发展土壤散射模型的预测模型。进而利用该预测模型,结合植被覆盖区域的地表参数,获取植被覆盖区的土壤模型参数(C和D),实现研究区的土壤散射模型构建。[0138] 基于Ulaby模型反演VOD的公式如下:[0139][0140] 4.2基于Oh模型的植被光学厚度反演[0141] 本节基于Oh模型来构建土壤后向散射模型。与VV极化数据相比,VH极化数据信号较弱,因此本文在Oh模型中仅使用VV极化数据来模拟裸土区域后向散射系数与s之间的关系。将公式(14)代入到公式(15)中,[0142][0143][0144] 其中,SM,θ,k,s分别为SM、入射角、自由空间波数和均方根高度(cm),其中k的计算方法为2π/λ; 和 分别为裸露地表的HH和VV极化后向散射数据。Oh‑2004模型的最佳3 3适用范围为:0.04[0145] 就可得到公式(3):[0146][0147] 通过式(3)求解出裸土像元的土壤模型参数(s),以此为先验知识,使用RF回归模型,结合多种地表参数,发展土壤散射模型的预测模型。进而利用该预测模型,结合植被覆盖区域的地表参数,获取植被覆盖区的土壤模型参数(s),实现研究区的土壤散射模型构建。[0148] 在土壤散射模型构建完毕之后,根据3.3.3节思路,基于Oh模型反演VOD的计算方程如下:[0149][0150] 4.2.1基于Oh模型的均方根高度校正结果[0151] 在Oh模型中,s表示地表垂直方向上的土壤粗糙度,主要用来刻画地表地势起伏的复杂程度。它是影响裸露地表雷达后向散射系数的主要因素。图3展示了研究区2018‑2020年三年年平均s的空间分布图,第一、二、三列分别表示2018年、2019年和2020年的结果。对比图2可以看到高值都分布在研究区西部,这些地区的地表覆盖以裸地为主,地形较为崎岖,因此s的值也相对较高。而低值则主要分布在地势较平坦区域,或是研究区中部或北部高程变化相对平缓的区域。总的来说,s数据的空间分布符合黑河流域南高北低,西高东低的地势分布。图3(d)‑(f)为2018年、2019年和2020年的s直方图,对比图3(d)‑(f)可以看到,2018年和2019年的s数值分布大致相同,年平均值相似,都在1.4‑1.5cm之间。[0152] 不同土地利用类型的地表粗糙度有所不同,研究区主要的土地利用类型共有5类,其中裸土占有绝对优势,主要集中于研究区的北部。其他利用类型呈斑块状相间分布。由表2可以看到,不同土地利用类型对应的s的平均值在1.4‑2.0cm之间,其中s较高的土地利用类型为城镇、林地等。城镇的s最高,达到2.00cm。城镇地区的下垫面人为因素影响较大,类型多样,而林地的地形多为山地、陡倾斜的洪积扇平原等地形陡峻地区,因而在垂直方向上土壤粗糙度较大。s相对较低的土壤类型为裸地和草地,其中裸地的s最低,三年平均值为1.53cm,分析发现这类土壤集中分布在黑河下游冲积平原区,该地区地形平坦开阔,在垂直方向上土壤粗糙度较小。[0153] 表2不同土地利用类型对应的均方根高度均值[0154][0155] 4.2.2植被光学厚度反演结果[0156] 本节基于WCM和Oh模型构建土壤‑植被耦合模型反演VOD(Oh‑VOD),得到如图4所示的研究区三年(2018‑2020年)年平均Oh‑VOD分布图。由图4可以看出研究区Oh‑VOD主要分布在0‑1之间,三年年平均值分别为0.41、0.39和0.38。总体来看,Oh‑VOD最高的地区集中在研究区的中部以及东南部,这些地区主要分布在黑河流域中游绿洲的耕地以及河流沿岸的草地,涵养水源的能力较强,植被生长较好,使得Oh‑VOD数值也相对较高。Oh‑VOD较低的部分主要集中在上游植被较稀疏的山区草地,这可能与当地的特殊地形、土壤质地等地表条件有关。[0157] 根据土地利用数据分别统计草地和耕地的平均Oh‑VOD值,得到如表3所示结果,其中草地的平均Oh‑VOD值分别为0.24、0.25和0.28,耕地的平均Oh‑VOD值分别为0.31、0.33和0.34。对比平均Oh‑VOD值可发现,黑河流域耕地的Oh‑VOD值显著高于草地Oh‑VOD值,这与之前Tian等(2018)使用AMSR‑E反演的VOD结果一致,符合我们对不同植被类型的生物量的基本认识。[0158] 表3不同土地利用类型对应的植被光学厚度均值[0159][0160][0161] 同样的,本文将Oh‑VOD数据与VIs数据(NDVI、EVI、LAI)进行了相关性分析,结果如图5所示。Oh‑VOD数据与VIs数据呈现较好的一致性且空间分布相似,三年的总平均相关性分别为0.74(NDVI)、0.75(EVI)和0.76(LAI)。其中2018年的平均相关性为0.76(NDVI)、0.73(EVI)和0.77(LAI),2019年的平均相关性为0.74(NDVI)、0.73(EVI)和0.76(LAI),2020年的平均相关性为0.76(NDVI)、0.74(EVI)和0.74(LAI)。总体而言,Oh‑VOD与EVI的平均相关性值最高,但是从图6中也可以发现Oh‑VOD与EVI显著相关像元个数(p<0.05)明显低于NDVI/LAI。这可能是因为EVI缺失值较多,且与Oh‑VOD值在时间序列上同时存在的像元个数较少,使得最后Oh‑VOD与EVI显著相关像元减少。[0162] 本文选取了大满灌区三个地面验证点(下垫面为玉米)的实测数据和NDVI数据来验证Oh‑VOD监测植被变化的能力。获取的实测数据为该站点2019年5‑9月的鲜重(FreshWeight,FW)和干重(DryWeight,DW)数据,将FW减去DW数据就可以得到玉米的VWC。图7(a)‑(b)中Oh‑VOD与VWC变化较一致,两者都在5‑6月份逐渐升高,随即在7月份达到峰值后逐渐降低。但在图7(c)中也可以发现Oh‑VOD在4‑6月份变化较为异常,检查数据发现可能是SM在这段时间异常降低后减少了土壤散射贡献,使得模型模拟的植被散射贡献升高,从而导致Oh‑VOD异常降低。[0163] 4.3基于Dubois模型的植被光学厚度反演[0164] 本节基于Topp土壤介电模型与Dubois模型耦合来构建土壤后向散射模型。Dubois模型用于模拟裸土像元后向散射系数和地表参数之间的关系,其中ε和s都是未知数。而本研究区内HH极化后向散射数据缺失,使得方程解的个数大于方程数。为了解决该问题,本节考虑通过引入Topp模型(即公式(5))来实现SM和ε之间的转换,消除Dubois模型对ε的依赖,减少模型构建时的输入参数。模型耦合方程如下:[0165][0166] 根据3.3节中模型构建方法,得出基于Dubois模型的VOD(Dubois‑VOD)反演模型。[0167][0168] 4.3.1基于Dubois模型的均方根高度校正结果[0169] 图8展示了研究区2018‑2020年三年年平均s的空间分布图,对比图2可以看到高值都分布在研究区西部,这些地区以地势起伏较大的裸地为主,s的值相对较高。而低值则主要分布在耕地、草地等地形较平坦区域,或是研究区中部或北部高程变化相对平缓的区域。总的来说,s数据的空间分布与黑河流域南高北低,西高东低的地势分布相符。[0170] 但是从图8中也可以发现,Dubois模型反演出的s在研究区东部存在着很明显的条带噪声。检查模型中反演s的三个输入参数变量(SM、 θ)发现θ同样存在着严重的条带噪声。为进一步确定条带噪声的来源,本文利用偏相关分析来验证s对θ的依赖程度。通过控制SM和 的影响分别计算s与θ三年的空间相关性,结果如表4所示,s与θ之间具有极高相似性,在2018年、2019年和2020年的空间相关性分别为0.63、0.61和0.59,而且都通过了显著性检验。其中2020年s与θ的相关性最低,对比图8也发现s在2020年的条带噪音最小。综上可得θ在Dubois模型中具有较大的贡献,从而导致了s的条带化。[0171] 表4均方根高度与入射角偏相关分析[0172][0173] 说明:“**”表示通过p<0.01显著性检验[0174] 4.3.2植被光学厚度反演结果[0175] 本节采用Dubois模型耦合Topp模型作为裸土地区的后向散射模型来反演VOD。图9给出了黑河流域2018‑2020年的年均Dubois‑VOD分布情况。如图9所示,整个研究区的Dubois‑VOD值在三年内波动范围较大,大约在0‑2之间。三年的平均值分别为0.19、0.23和1.49,其中2020年Dubois‑VOD均值显著大于2018年和2019年,偏差量约1.2‑1.3之间。从空间分布上看,Dubois‑VOD值空间分布情况相似,不同植被类型的数值差异明显,高值主要分布在草地,低值主要分布在耕地,且数值相差较大。而在相同植被类型条件下,Dubois‑VOD数据的数值大小变化也较为明显,能够描述不同植被类型的生物量空间分异特征。如研究区东南部草地的Dubois‑VOD高于其他地区草地的Dubois‑VOD,对比黑河流域降水数据发现,对比黑河流域降水数据发现,东南部降水相对于西北地区更为丰沛,在地质条件一致的条件下,降水的丰沛导致植被生长较为茂密,同时西部草地地形更加崎岖破碎,地表径流较大,以上原因可能共同造成西北地区的植被更加稀疏。[0176] 为验证Dubois‑VOD检测植被变化的能力,将VOD与VIs数据(NDVI、EVI、LAI)进行了相关性分析,研究结果显示Dubois‑VOD与NDVI的相关性分别为0.73、0.71、0.66。从图10可以看出,2018年Dubois‑VOD反演精度整体上高于2019年和2020年的反演精度,且显著相关像元个数也大于2019和2020年。从总体上来说,三年间耕地的VOD反演精度相较于草地VOD要好,对于耕地而言,Dubois‑VOD与NDVI、LAI、EVI的平均相关性分别0.74、0.68、0.56。而在草地,Dubois‑VOD与NDVI、LAI、EVI的平均相关性分别0.63、0.63、0.63。值得注意的是,不论是耕地还是草地,Dubois‑VOD与EVI的相关性均小于NDVI和LAI,且通过显著性检验的像元个数远远小于其他两种VIs。尤其在2018年耕地,91.78%的像元都没通过显著性检验。以上种种结论说明,针对土壤建立的Dubois模型和Topp模型耦合在草地并不适用。[0177] 5.植被光学厚度反演结果验证与分析[0178] 5.1不同土壤散射模型反演结果对比分析[0179] 本文使用WCM分别耦合三种裸土后向散射模型构建了三种VOD的反演算法。在算法中采用了以SM为输入数据的思想,利用裸土后向散射模型来模拟裸露地表的土壤模型参数,并以此为先验知识,利用RF模型构建复杂地表条件下的土壤模型参数预测模型,进而获取整个研究区的土壤模型参数。对于WCM中的植被参数A,使用了从密集植被区观测校准的时间动态值。三种方案都分别反演出了2018‑2020年黑河流域的VOD,其结果已在第四章中进行了详细的介绍。本节将对三种VOD进行对比分析,并对反演算法中的不确定进行简单的阐述。[0180] 5.1.1植被光学厚度对比及分析[0181] 不同散射模型的机理不同,在同一研究区的反演结果也存在差异。将第四章中三种方案反演的VOD进行对比,结果如表5所示。Ulaby‑VOD的年平均数值变化范围在0.1‑0.2之间,三年间的增长量为0.02;Oh‑VOD的年平均数值在0.2‑0.3之间,增长量为0.01;而Dubois‑VOD在三年间波动较大,从2018年年平均值0.19到2020年年平均值1.49,增长量为1.30,这与前两种VOD增长量差距过大。[0182] 表5不同土壤散射模型反演植被光学厚度的数值对比[0183][0184] 由于缺乏现场测量的参考值来定义VOD的绝对范围,因此对绝对增长值之间的比较是没有意义的。目前学者们大都通过计算相关性来关注VOD的相对变化。将三种VOD与NDVI进行三年连续时间序列上的相关性分析,结果如图11所示。图a、b、c分别表示Ulaby‑VOD、Oh‑VOD、Dubois‑VOD与NDVI的散点分布图。从图a、b中可以看出,方案一和二反演的VOD值与NDVI的相关性都较高,其R分别为0.63、0.75。说明随着植被覆盖度的增加,相应的VOD值也随之上升。而方案三中VOD和NDVI的相关性只有0.37,从图c中可以看出相关性最低的原因在于存在异常增大的VOD数值(即2020年VOD值)。[0185] 方案三中的Dubois模型是基于特定研究区的实测数据建立起来的经验模型,对实验区实际状况(如地形、传感器频率和极化)有着很强的依赖性。且Dubois模型中未考虑自相关函数和相关长度的影响,而从理论上来说自相关函数对后向散射系数也存在一定的贡献,导致与真实地表后向散射特征有一定的差异。图12给出了s对土壤后向散射系数的响应情况。[0186] 可以看出土壤的后向散射系数会随着s的增加而增加,随着入射角的增大而减小。在其他参数一定的情况下,当s到达某个阈值时,后向散射系数会达到极值,随后开始减小,出现同一后向散射系数对应两个s的情况。这个阈值的大小会随着入射角的增大而减小。对比不同入射角条件下的s与后向散射系数之间的关系可以发现,随着入射角增大,土壤后向散射对s的响应波动范围增大。但当入射角达到60°时,波动差小于7dB。由此可以看出在本研究区Dubois模型对较大或较小入射角的像元适用性较差,尤其当入射角小于20°或大于时60°时,后向散射系数的变化浮动仅在7dB左右。因此可以认为在本研究区,当s小于2cm或入射角在20°到60°之间时,Dubois模型能较好的模拟后向散射。[0187] 黑河流域的草地和耕地地形相对平坦,S1数据的入射角集中在30°‑50°之间,在Dubois模型的适用范围内。从图3对比三年的平均s可以看出,2020年的平均s最高,使得土壤后向散射系数增大,从而导致2020年的VOD异常增大。值得指出的是,本研究区s的范围多在0‑6cm之间,说明Dubois模型并不一定适合该地区VOD的反演。因此在后续结果对比分析中将不再对Dubois‑VOD详细展开讨论。[0188] 5.1.2植被光学厚度反演精度对比及分析[0189] 不同模型及模拟也可能导致不同方法之间存在精度差异。本文使用的Ulaby模型和Oh模型在研究区都取得了较好的反演效果,表6对两种模型的反演结果进行了比较,相较于Ulaby模型,Oh模型在研究区VOD反演过程中效果更好,说明耦合Oh模型和WCM的VOD反演算法是可行的。[0190] 表6不同土壤散射模型反演植被光学厚度与植被指数相关性对比[0191][0192] 不同土地利用类型对不同模型的响应特征也有所差别,表7总结了在耕地和草地条件下不同方案反演VOD的精度。通过对比可看到,草地的Ulaby‑VOD精度大于Oh‑VOD的精度,而耕地的Oh‑VOD精度大于Ulaby‑VOD。这说明Oh模型适用于黑河流域草地VOD反演且具有足够高的精度。[0193] 准确表征土壤散射贡献是VOD准确反演的关键之一,而SM对土壤后向散射系数至关重要。进一步分析不同土壤散射模型中SM的变化对模拟土壤后向散射的影响,其中Ulaby中SM与土壤后向散射呈现出简单的线性关系(公式(3.2)),图13给出了Oh模型中土壤后向散射系数与SM之间的关系图,可以看出在任意粗糙度下SM与土壤后向散射系数都保持着递3 3增的关系,且随着SM的增加,土壤后向散射系数逐渐达到饱和。当SM大于0.2m/m 时,土壤后3 3向散射系数对SM的变化敏感度不足,SM每增加0.05m/m相应的土壤后向散射系数只增加了3 32dB。因此当SM大于0.2m/m时必然会出现一定的反演误差。[0194] 对比图2可知,草地的SM明显大于耕地的SM,耕地的SM平均值在0.13‑0.14m3/m3之3 3 3 3间,而草地的平均SM在0.32–0.33m /m之间,超过了0.2m/m,所以Oh模型在草地VOD反演过程中会带来一定的反演误差,导致精度低于Ulaby的反演精度,这是由雷达散射的机理决定的。而耕地的SM受到人类活动的强烈影响,与土壤后向散射之间的关系并不能用简单的线性关系来描述,因此Ulaby模型在耕地VOD反演过程中会出现一定的误差。综上,虽然目前有关裸土后向散射模型有很多,但是也需针对具体情况选择最合适模型,以最大限度地保证反演结果的准确性。[0195] 5.2植被光学厚度反演影响因素分析[0196] 表7不同土地利用类型下模型反演植被光学厚度与植被指数相关性对比[0197][0198] 从上述相互比较和分析可以看出,本文提出的耦合模型算法在时间和空间上都取得了较好的效果。然而,该VOD反演算法同时也存在一些不确定因素,这些不确定因素都会在不同程度上影响VOD的反演精度。本节将从输入SM数据的精度、土壤和植被散射模型的标定、地形特征以及光学VIs的不确定性等几个方面来讨论这些不确定因素对VOD反演精度的影响。[0199] 5.2.1土壤水分的不确定性[0200] 准确的SM是VOD反演的关键,土壤模型中 值的精度高度依赖于SM。例如,ElHajj等通过敏感性分析评估SM的不确定性对反演VOD值的影响,结果表明,SM低估5vol.%3 3可以导致VOD值被低估0.02。Liu等人同样发现SM减少(增加)0.05m/m会导致草地VOD值减少(增加)0.02,常绿阔叶林VOD值减少(增加)0.02。在本研究中,SM的长期值变化及其对VOD值的影响并不是不确定性的主要原因,因为土壤模型参数可能会对长期SM值变化进行修正。但是,SM的短期或年内时间变异性会影响VOD值短期或年内变化,导致VOD值变异性增加。虽然目前已开发很多SM产品,但验证结果表明,大多数SM产品具有显著的不确定性,这些都将增加VOD反演的不确定性。[0201] 为提高VOD反演精度,使用更合适本研究算法框架的SM数据,我们在算法中测试了四种SM产品(SMAP‑L3,SMOS‑IC,GLDAS,ERA5SM)作为土壤散射模型的输入。由于SMOS和SMAPSM的反演受到该地区复杂地形的阻碍(因为在复杂地形情况下,地形对微波辐射的强烈影响会导致辐射计测量的TB被标记/丢弃),结果显示ERA5反演的VOD(ERA5VOD)精度最高(与NDVI、LAI、EVI的平均R分别为0.74、0.74、0.70),GLDAS反演的VOD(GLDASVOD)次之(与NDVI、LAI、EVI的平均R分别为0.69、0.69、0.70),此结果也说明SM在VOD反演算法中具有重要意义。[0202] 此外,本文中使用ERA5SM作为算法的已知输入数据,由于SM粗分辨率的限制,算法假设以25km×25km区域内的SM作为此区域内所有像元的SM。但是由于气象条件和土壤质地等的变化,SM在小范围内会呈现出较大的非均质性(Crowetal.,2012),导致该假设在大范围内应用具有较大的不确定性。然而,本研究区内目前尚缺少高精度、高分辨率(例如1km)的SM产品来提高VOD反演数据的精度,因此未来可以针对现有的SM产品进行降尺度研究,以提高它的精度和空间分辨率,从而提高VOD反演的准确性。[0203] 5.2.2土壤模型参数标定的不确定性[0204] 在土壤散射模型中,土壤模型参数校准是表征土壤散射贡献分量的关键,土壤散射贡献模拟越准确,则VOD反演精度越高。不同的校准方法往往会导致不同的土壤模型参数值。以Ulaby模型为例,由于研究区域和校准方法的不同,Shamambo等(2019)计算得到的土壤模型参数(C和D)数值比本文更高,值域更小。但同时也有大量实验研究表明,C波段的雷3 ‑3 3 ‑3达信号对SM的敏感性(直接联系D)大约在5dB/m ×m 到30dB/m×m 之间变化(Baghdadietal.,2008;Baghdadietal.,2015),这与本文的结果非常吻合。因此研究不同校准方法与模型参数值之间的关系,有助于进一步提高VOD的反演精度,了解VOD的变化规律。[0205] 对于土壤模型参数的校准,本研究首先计算了裸露地表(全年没有任何植被覆盖的裸露地表和稀疏植被覆盖时期的地表)每个像元的C和D,并以此为先验知识,利用RF回归模型模拟出整个研究区的C和D。其中训练RF模型的像元由SM与 之间R的阈值确定,使得该阈值的选取对土壤模型参数的校准有很大的影响。我们以VOD反演结果与LAI的相关性为验证依据,选取不同R阈值(R>0,R>0.2,R>0.4)来研究其对土壤模型参数的影响。结果显示,当R值阈值为零时,VOD与LAI的相关性最高(2019年平均R=0.74)。需要注意的是,用于确定土壤参数的较高R值并没有提高VOD反演,这可以从VOD和LAI之间的低R值看出。这可能是因为较高的R阈值导致训练RF模型的像元个数更少,从而增加模型潜在的不确定性。如本研究中用于估计C参数的RF模型比D参数的表现更好。原因之一也可能是用于训练D值模型的像元个数远远少于训练C值模型的像元数而影响了模型的训练。将来为了提高土壤模型参数的校准精度,将在更大尺度上进行校准,并将改变R的阈值以选择更好的像元。[0206] 5.2.3复杂地形特征影响[0207] SAR是一种主动成像系统,雷达向地面发射可穿透云层的电磁波信号并与地表相互作用,通过记录电磁波往返的时间得到雷达与目标之间的距离,将回波信号转换为图像。由于SAR图像的侧视成像原理,地形对SAR后向散射信号有着复杂的影响。在坡度较陡的区域,地表散射会使电磁波往返时间缩短,从而导致叠掩、收缩以及阴影等几何畸变的出现。同时根据朗伯余弦定理,后向散射信号也会受到坡向的影响,导致成像时后向散射面积以及地物散射机理的变化。黑河流域南部为祁连山山脉,地势起伏比较大。[0208] 预处理过程中地形归一化的目的就是利用DEM数据来消除复杂地形的影响,校正每个像元的位置,使图像的几何表示将尽可能接近真实世界。如SNAP中的距离多普勒地形校正算法利用元数据中的轨道状态矢量信息、雷达定时标注、斜地距离转换参数以及参考DEM数据得到精确的地理位置信息来实现SAR几何图像的地理编码。由于不同的DEM数据使用不同的数据源和处理技术(ALS点云、立体成像、干涉测量和雷达测量)生成,地形归一化结果在很大程度上取决于DEM特性和质量。但是在复杂地形条件下这些DEM产品(如SRTM或TanDEM‑XDEM)并不能对SAR后向散射系数进行准确辐射归一化。Borlaf‑Mena等人研究了几种全球DEM数据对两个地形复杂点的SAR后向散射归一化的影响,发现更高分辨率的DEM对地形地貌的表达能力更好,可最大程度地减少地形引起的变异,但并不能完全去除。[0209] 同时也有许多研究者提出各种地形辐射校正模型,如Hoekman引入了具有精确解的简单物理模型来补偿因为坡度引起散射体个数的变化,并成功地应用于植被茂密的地区;林起楠等提出一种半经验地形校正模型,通过结合DEM与光学影像数据寻找局部区域内水平光照和阴影像元,提高了陡峭山区影像的地形校正精度。但是在地表起伏较大(如slope>26°)的区域,校正结果都存在不同程度的偏差。总之,目前已提出多种几何校正方法来消除复杂地形对散射信号的影响。如进行多模型融合,或预先分层和分类。但是,现有的方法虽然提高了定位精度,而因地形引起的SAR后向散射值改变并未消除。[0210] 尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。

专利地区:重庆

专利申请日期:2024-03-19

专利公开日期:2024-09-03

专利公告号:CN118294953B


以上信息来自国家知识产权局,如信息有误请联系我方更正!
电话咨询
读内容
搜本页
回顶部