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。