高时空分辨率土壤含水量遥感数据构建方法研究

来源 :兰州交通大学 | 被引量 : 0次 | 上传用户:panshuangchun
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
土壤含水量监测是农业水资源规划、干旱预警的重要研究内容,可为水资源高效使用提供基础数据支撑。随着遥感技术的日趋成熟,多传感器多方法的土壤含水量遥感反演已成为土壤含水量监测主要手段之一。基于此也产生了众多的土壤含水量产品,但是目前已有的土壤含水量产品时间分辨率较高,空间分别率普遍较低。随着高空间分辨率遥感传感器的增多,使得高时空分辨率土壤含水量产品的生产成为了可能。目前已有的高分辨率的光学传感器较多,可支持较为连续土壤含水量数据的生产,但是光学传感器易受天气的影响,这是光学传感器所固有的弊端。相较于光学传感器,微波不易受到云的影响,但是目前可用的高分辨率微波传感器相对较少,所以如何将不同传感器的土壤含水量数据进行时间序列的融合成为了土壤含水量研究方向的热点问题之一。但是受到土壤含水量反演模型的精度较低、不同传感器土壤含水量数据之间的差异性不明确、融合方法不成熟等问题的影响,有关高分辨率土壤含水量数据时间序列构建的研究相对较少,因此本文拟探讨一种适用于本研究区的高分辨率、时间连续的土壤含水量构建方法。本文以河北省南部部分地区为研究区,以GF-1和GF-6为光学土壤含水量反演数据源,以Sentinel-1为微波土壤含水量反演数据源,进行了土壤含水量的极限学习模型反演。首先,对微波土壤含水量模型的输入进行了率定;针对光学的输入,本文选取了影响土壤含水量的多因素为样本输入,选择相应的反演结果评价指标,对微波和光学土壤含水量反演进行了评价。其次,选择相应的差异性评价指标对光学和微波土壤含水量数据之间的差异性分析。最后使用相应的误差消除方法对光学和微波土壤含水量数据的差异性进行消除,实现高分辨率光学与光学、光学和微波土壤含水量数据的融合。文章的主要结论如下:(1)(1)使用极限学习机模型进行了微波土壤含水量反演模型的构建,将通过水云模型计算的VV极化、VH极化和与地表粗糙度相关的极化差DIF按照不同的组合输入模型,通过一系列的对比率定,发现当输入样本为VV+VH+DIF时,基于极限学习机模型的微波土壤含水量反演结果最优,相关系数可以达到0.75。(2)使用极限学习机模型进行了光学土壤含水量反演模型的构建,以b1、b3、b4、MSAVI、PDI以及DEM作为本文神经网络模型的输入,土壤含水量为输出,进行本研究区光学数据的土壤含水量反演。实验结果表明,综合本文的多输入下,本文光学土壤含水量反演模型的相关系数均高于0.75。(3)对比GF-1、GF-6以及Sentinel-1的土壤含水量反演结果,发现基于GF-1的土壤含水量反演结果的相关系数均优于GF-6和Sentinel-1的土壤含水量反演结果,因此在后续的融合方法研究中,本文将以GF-1为基准,将GF-6和Sentinel-1土壤含水量数据向GF-1土壤含水量数据进行转换。(2)选取均方差MSD、MPDu、MPDs、MPDu/MSD和MPDs/MSD等差异性评价指标对不同传感器数据进行定量化评价。有以下结论:(1)GF-1和GF-6土壤含水量数据之间具有较高的一致性,通过误差指标评价结果表明,GF-1和GF-6土壤含水量数据之间系统误差占主要部分。(2)GF-1和Sentinel-1土壤含水量数据一致性计算结果较低,通过对GF-1和Sentinel-1土壤含水量数据的误差指标计算结果发现,GF-1和Sentinel-1土壤含水量数据之间非系统误差占主要部分。(3)在误差特征分析的基础上,本研究发现GF-1和GF-6土壤含水量数据之间系统误差占主要部分,所以针对系统误差,本文使用了最小二乘回归模型OLS进行了转换。在对GF-1和Snetinel-1土壤含水量数据的差异性分析之后,发现非系统误差站主要部分,由于OLS只是一个单向的转换模型,其假设条件为被转换数据为无偏计算,因此在对比光学和微波土壤含水量反演结果之后,本文将微波土壤含水量反演结果进行了转换,并对微波土壤含水量数据中的非系统误差选择Frost滤波、5*5滤波窗口进行了消除。(4)选取了样本数据,对本文提出的融合方式进行了验证,发现基于回归模型转换和滤波等一系列误差的消除,可以实现由GF-6向GF-1转换以及由Sentinel-1向GF-1转换;最后选取了五个实测站对本文的时间序列土壤含水量构建方法应用,结果表明,基于本文的融合方法构建的时间序列土壤含水量与实测土壤含水量数据之间具有较好的一致性,可以构建适用于本研究区的高分辨率时间连续的土壤含水量数据。
其他文献
学位
学位
学位
学位
学位
学位
学位
信息快速发展时代,各行业产生的数据蕴含海量信息,这些数据具有冗余程度高、耦合性差的特点。如何对此类数据进行有效挖掘是目前各行业竞相探究的热点问题。模糊聚类(FCM)是对现实世界中分类界线不分明数据进行聚类的一种有效方法,克服了诊断结果的绝对化,使得聚类结果更加符合现实需求,但聚类结果对初始聚类中心依赖性较大,易导致误判或者错判,因此对FCM初始聚类中心进行优化,提高聚类正确率成为了目前亟待解决的问
阿基米德Copula作为Copula函数族的一种具有优良性质的Copula函数,由于构造简单、计算容易,且便于应用,使其在很多领域上有着广泛的应用.而Copula函数可以用于构造建立多变量模型,例如Copula-ARMA模型、Copula-ARCH模型、Copula-GARCH模型、Copula-SV模型等一系列都可用来刻画金融数据,分析数据之间可能存在的关系,选择最优模型来捕捉金融市场之间的相关
决策问题在人们的生活中处处可见,大到国家社会小到公司个人,国家利益和公司及个人命运都离不开正确的决策.伴随着决策理论的发展与完善,出现了多属性决策,多属性决策的相关知识在工程、经济以及军事等多个领域发挥了不可或缺的作用.随着社会的不断发展、经济的逐步繁荣,问题的复杂性也逐渐增加,不确定因素的数量日益增多,决策难的问题日益突出,模糊学恰好能解决此类问题.对于模糊多属性决策问题,用什么形式的模糊数能更