下载文档原格式
多源遥感在土壤水分定量反演中应用概述摘要:土壤水分作为土壤的重要组成部分,对农业、水文、气象等方面具有很高的应用价值,在该领域的探索与研究一直比较活跃,遥感技术的发展为实时快速获取土壤水分信息提供了新的手段,已成为目前遥感技术应用研究的前沿领域,本文系统总结和分析了国内外土壤水分的遥感定量估测方法,并最后提出了该领域可能的发展方向,相信对从事相关工作的研究人员会有一定的参考价值。
关键词:遥感土壤水定量反演土壤水分是表示一定深度土层的土壤干湿程度的物理量,是监测土地退化和干旱的重要指标,同时也是水文学、气象学、土壤学、生态学以及农业科学等研究领域中的一个重要参数。
一方面它影响地表与大气界面的水分和能量交换,其变化会引起土壤热学特性、地表光学特性的改变,从而影响气候的变化;另一方面它是植物和作物赖以生存的主要源泉,其大小决定着植物或作物根系的发育,对进行大尺度精准农业的水分调节,节水灌溉具有重要意义。
遥感技术不仅能对农作物长势进行大面积、实时、非破坏性监测,从而实现精准农业的发展对地表土壤水分信息快速、及时的掌握,还能为精准农业的发展提供动态监测和分析作物的健康状况与影响作物产量等必要的技术支持。
目前获取土壤水分含量的方法主要有田间实测法、土壤水分模型法和遥感法三种。
其中传统的田间实测法和土壤水分模型法,因测点稀、速度慢、范围有限,无法满足精准农业中对土壤水分信息快速获取的需求。
而遥感估测土壤水分的方法原理是通过测量土壤表面发射或反射的电磁能量,研究遥感信息与土壤水分含量之间的关系,并建立相关的信息模型,从而反演出土壤水分情况,恰恰克服了前二种估测方法的实时性差、单点测量空间变异性差、不能宏观表现等缺陷,为精准农业中大面积快速获取土壤水分信息、实时准确监测提供科学依据。
1 国内外研究进展如何快速、准确地获取区域地表土壤含水量信息是定量遥感研究的热点之一,也是目前遥感技术应用研究的前沿领域。
国内外用遥感技术监测土壤水分的方法有很多,目前在该领域的研究主要集中在光学遥感(即可见光-近红外、热红外遥感)和微波遥感波段进行。
弋Ｒ４０２１０分类号ＵＤＣ密级编号中国科学院研究生院硕士学位论文全国±攮量廑区基銮丝笪遥蹙厦渲量佥堑蛊瘟申请学位级别理堂亟±学科专业名称丝圈堂皇地堡篮星丕筮论文答辩日期２ＱＱ５生鱼目论文提交日期２Ｑ逝生主旦答辩委员会主席摘要土壤湿度是进行农业、水文、气象、生态等方面研究的主要基础信息，也是进行土地退化评价及环境监测的重要指标，土壤湿度的遥感监测方法研究对于资源环境遥感有重要的意义。
本文结合“生态安全相关要素的定量遥感关键技术研究”项目中“土地退化的遥感监测指标定量提取与评价技术”子课题的工作，试图在全国范围进行土壤表层湿度的时空序列反演，并探讨全国土壤湿度分布的时空特性。
论文在对土壤湿度反演方法进行总结及评价的基础上，选择温度植被干旱指数（ＴＶＤＩ）法对全国土壤湿度进行反演。
用地表能量平衡方程对ＴＶＤＩ法的原理及影响因子进行了分析，发现对ＴＶＤＩ产生影响的因子包括太阳总辐射、气温、地表反照率、空气密度、地表发射率、风速等，在文中着重探讨了气温随高程的变化对ＴＶＤＩ反演土壤湿度的影响。
由于气温随高程变化的影响与高程有关，提出用数字高程模型（ＤＥＭ）对ＴＶＤＩ反演过程进行订正的方法。
参考气温的垂直递减率，用实测值相关分析的方法确定订正系数并得到订正后的ＴＶＤＩ结果。
订正前后土壤湿度结果的对比分析表明，进行订正后的ＴＶＤＩ能更好地反演土壤湿度。
与ＮＳＩＤＣ网站提供的ＡＭＳＲ土壤湿度数据的比较发现，ＴＶＤＩ对土壤水分含量位于Ｏ．０５－０，１５ｇ．ｃｍ。
之间的情况有最好的反映，由于这个区间包括了图像中９０％以上的像元，认为ＴＶＤＩ可以反映土壤湿度的状况。
用上述方法对２００３年３６旬的土壤湿度情况进行了反演。
对旬Ｔｓ—ＮＤＶＩ（地表温度．植被指数）空间散点图的情况进行了分析，对各旬分别确定Ｔｓ—ＮＤＶＩ特征空间干湿边边界及方程。
一般用ＴＳ的最大最小值作为干湿边边界。
由于在研究没有去除图像中的条带噪声，当噪声点较多时，用Ｔｓ的最大最小值不能得到很好的干湿边边界，对这种情况，用频率法确定干湿边的边界。
遥感反演土壤湿度的主要方法遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。
1.1 微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种。
此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。
土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。
因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。
1.1.1 主动微波遥感监测法以应用x波段侧视雷达为主，主要是后向反射系数法。
因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。
国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X 波段、HH极化机载SAR图像一起试验监测土壤水分；田国良等在河南也应用此方法也进行土壤水分研究。
主动微波遥感土壤水分精度较高，且可以全天候使用，成为监测水分最灵活、最适用、最有效的方法，随着大量的主动微波遥感器的卫星（ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM 等）的发射升空，将使微波遥感的成本不断下降，逐渐被应用于实践1.1.2 被动微波遥感监测法原理同主动微波遥感法。
值得指出，植被在地表过程研究中的影响突出，为了消除植被的影响，必须同时重视植被的遥感监测，建立相关的计算模型。
Teng等通过实验得出在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ波段，此时SMMR 的6.6GHZ波段比SSM／I的19GHZ在遥感监测土壤湿度信息方面的精度更高。
说明在植被较密时，为了消除植被对土壤湿度反演的影响，应尽量选择波段较长的微波辐射计。
1.2 作物植被指数法采用此方法是基于植被在可见光部分叶绿素吸收了70％-90％红光，反射了大部分绿光，而由于叶肉组织的作用，后行叶片在近红外波段的反射较强。
基于深度学习的土壤水分遥感反演技术研究土壤水分是影响植物生长及农业生产的关键因素之一，然而土壤水分空间和时间上的变化却相对较为复杂和难以获取。
近年来，随着遥感技术的发展和深度学习算法的广泛应用，基于深度学习的土壤水分遥感反演技术逐渐成为研究热点。
一、土壤水分遥感反演技术的现状传统的土壤水分遥感反演技术主要基于经验模型和物理模型。
经验模型主要基于统计学原理和实验数据建立的经验模型，如多元回归模型、神经网络模型等；物理模型则基于土壤水分的物理性质，如电磁学、微波散射等进行反演。
但是，这些方法在模型的构建和实施过程中存在一些局限性，如模型复杂、精度难以保证等问题。
基于深度学习的土壤水分遥感反演技术则针对传统方法的不足，通过神经网络的结构优化、特征提取及数据处理等方面的创新，提高了土壤水分的反演精度。
这种方法无需设置太多的先验知识和预定参数，而是通过大量高质量的数据学习土壤水分与遥感数据的关系，从而取得更高的准确率。
二、深度学习在土壤水分反演中的应用深度学习通常包括卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)和变换器(Transformers)等。
它们可以从大量土壤水分遥感图像中学习出高性能的土壤水分反演模型，从而反演出更加精确的土壤水分信息。
其中，CNN常用于遥感图像的特征提取，它可以使用卷积层和池化层等操作，提取图像的空间特征。
此外，在反演精度上表现较好的RCNN模型则将CNN和RNN相结合，使得模型可以对时序数据进行处理，从而更准确地反演土壤水分含量。
三、深度学习的发展趋势虽然目前基于深度学习的土壤水分遥感反演技术已经取得了很大的进展，但同时也存在许多问题需要解决。
比如，如何处理遥感数据中的噪声、影像遥感分辨率等影响反演精度的问题。
未来基于深度学习的土壤水分遥感反演技术还需要继续进行算法创新和模型优化，以进一步提高模型的精度和泛化能力。
吉林省人民政府办公厅关于印发吉林省空气、水环境、土壤环境质量巩固提升三个行动方案的通知文章属性•【制定机关】吉林省人民政府办公厅•【公布日期】2021.02.24•【字号】吉政办发〔2021〕10号•【施行日期】2021.02.24•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】环境保护综合规定正文吉林省人民政府办公厅关于印发吉林省空气、水环境、土壤环境质量巩固提升三个行动方案的通知吉政办发〔2021〕10号各市（州）人民政府，长白山管委会，长春新区、中韩（长春）国际合作示范区管委会，各县（市）人民政府，省政府各厅委办、各直属机构，驻吉中直有关部门、单位:《吉林省空气质量巩固提升行动方案》《吉林省水环境质量巩固提升行动方案》《吉林省土壤环境质量巩固提升行动方案》已经省委、省政府同意，现印发给你们，请结合实际，认真贯彻落实。
吉林省人民政府办公厅2021年2月24日吉林省空气质量巩固提升行动方案为深入贯彻十九届五中全会精神，巩固我省“十三五”大气污染防治工作成果，落实“十四五”大气生态环境保护规划目标任务，解决大气生态环境领域突出问题，补短板、强弱项，持续改善大气生态环境质量，结合实际，制定本方案。
一、主要目标到2021年底，全省地级及以上城市环境空气质量优良天数比率力争达到90%以上；细颗粒物（PM25）浓度控制在32微克/立方米以下；臭氧（O3）浓度上升的趋势得到遏制；重污染天气比率控制在1%左右。
二、重点任务（一）深入推进秸秆禁烧和氨排放控制。
1.全面推进秸秆综合利用。
持续提高“五化”利用能力，重点推进保护性耕作技术，全省实施面积力争达到2800万亩;以“秸秆变肉”工程为抓手加快推进饲料化利用，实现利用量850万吨；稳步推进秸秆生物质发电、秸秆成型燃料加工和燃煤供热锅炉生物质改造，实现利用量863万吨；积极推进秸秆新型建材、制浆造纸等原料化利用，实现利用量65万吨；有序推进秸秆基料化利用，扩大食用菌基料化生产规模，发展秸秆基质育苗产业，扩大绿色种植面积，实现利用量31万吨。
遥感土壤水分反演原理遥感土壤水分反演是指通过遥感技术获取土壤水分信息的过程。
传统的土壤水分监测方法如土壤取样和化验等，在时间和空间分辨率上受到限制，难以满足大范围和高时空分辨率的要求。
遥感技术具有高时空分辨率、全天候覆盖和定量化等优势，成为研究土壤水分的重要工具之一遥感土壤水分反演主要基于微波辐射原理，利用地球表面发射和散射的微波辐射特性与土壤水分含量之间的关系来计算土壤水分。
常用的遥感土壤水分反演方法有基于微波亮温的统计关系、基于微波散射的统计关系和基于机器学习的方法。
基于微波亮温的统计关系方法是通过统计分析亮温与土壤水分的关系建立反演模型。
该方法通常使用单通道或多通道的微波亮温数据，结合地表温度和植被指数等辅助信息，例如威斯特指数(VI)。
通过对不同土壤类型和植被覆盖条件下的地表亮温数据进行统计和回归分析，建立土壤水分与亮温之间的经验关系。
然后，根据遥感获取的亮温数据，利用建立的统计模型计算土壤水分。
基于微波散射的统计关系方法是通过微波辐射在土壤水分变化时的散射特性来进行反演。
散射特性与土壤的复介电常数有关，而复介电常数与土壤含水量之间存在一定的关系。
该方法通常使用合成孔径雷达(SAR)数据，根据雷达回波的散射特征来计算土壤含水量。
根据不同土壤类型和植被覆盖条件下的SAR数据，通过统计和回归分析建立土壤水分与散射特性之间的关系模型。
然后，根据遥感获取的SAR数据，利用建立的统计模型计算土壤水分。
基于机器学习的方法是利用机器学习算法来建立土壤水分与遥感数据之间的映射关系。
机器学习算法主要包括支持向量机(SVM)、人工神经网络(ANN)、随机森林(RF)等。
该方法通常使用多源、多时相的遥感数据，结合地表观测和土壤采样数据，通过机器学习算法训练模型，建立土壤水分与遥感数据之间的非线性关系。
然后，根据遥感获取的数据，利用已训练好的模型进行土壤水分反演。
总结起来，遥感土壤水分反演原理主要基于微波辐射特性与土壤水分含量之间的关系，通过统计和回归分析建立土壤水分与遥感数据之间的模型，或者利用机器学习算法进行非线性映射，从而实现对土壤水分的反演。
土壤水分遥感反演研究进展一、本文概述Overview of this article随着遥感技术的快速发展，其在土壤水分监测方面的应用日益广泛，成为研究土壤水分动态变化的重要手段。
土壤水分遥感反演，即通过遥感手段获取地表土壤水分信息的过程，已成为遥感科学与农业科学交叉领域的研究热点。
本文旨在综述土壤水分遥感反演的研究进展，探讨不同遥感数据源、反演算法及其在实际应用中的优缺点，为进一步提高土壤水分遥感反演的精度和效率提供参考。
With the rapid development of remote sensing technology, its application in soil moisture monitoring is becoming increasingly widespread, becoming an important means of studying the dynamic changes of soil moisture. Remote sensing inversion of soil moisture, which is the process of obtaining surface soil moisture information through remote sensing methods, has become a research hotspot in the intersection of remote sensing science and agricultural science. This article aims to review the research progress of soil moisture remotesensing inversion, explore different remote sensing data sources, inversion algorithms, and their advantages and disadvantages in practical applications, and provide reference for further improving the accuracy and efficiency of soil moisture remote sensing inversion.本文首先介绍了土壤水分遥感反演的基本原理和方法，包括遥感数据源的选择、预处理、反演算法的设计与实施等。
植被覆盖地表土壤水分遥感反演一、概述植被覆盖地表土壤水分遥感反演是当前遥感科学与农业科学交叉领域的重要研究方向。
随着遥感技术的不断进步，利用遥感手段对植被覆盖地表下的土壤水分进行反演，已经成为监测土壤水分动态变化的有效手段。
本文旨在深入探讨植被覆盖地表土壤水分遥感反演的基本原理、方法进展及实际应用，以期为相关领域的研究和实践提供有益的参考。
植被覆盖地表土壤水分遥感反演的基本原理在于，通过遥感传感器获取地表植被和土壤的综合信息，进而利用特定的反演算法提取出土壤水分含量。
这一过程中，植被覆盖对遥感信号的影响不可忽视，如何有效去除植被覆盖的影响，成为植被覆盖地表土壤水分遥感反演的关键问题。
在方法进展方面，近年来国内外学者提出了多种植被覆盖地表土壤水分遥感反演方法，包括基于植被指数的反演方法、基于热惯量的反演方法、基于微波遥感的反演方法等。
这些方法各有特点，适用于不同的研究区域和植被类型。
随着深度学习等人工智能技术的快速发展，其在植被覆盖地表土壤水分遥感反演中的应用也逐渐受到关注。
在实际应用方面，植被覆盖地表土壤水分遥感反演在农业、生态、环境等领域具有广泛的应用前景。
通过实时监测土壤水分状况，可以为农业生产提供科学的灌溉指导，提高水资源的利用效率也可以为生态环境监测和评估提供重要的数据支持，有助于维护生态平衡和可持续发展。
植被覆盖地表土壤水分遥感反演是一项具有重要意义的研究工作。
随着遥感技术的不断进步和反演算法的不断优化，相信这一领域的研究将会取得更加丰硕的成果。
1. 背景介绍：植被覆盖地表土壤水分的重要性及其在农业、生态和环境监测中的应用。
植被覆盖地表的土壤水分是地球水循环的重要组成部分，它直接影响着植被的生长和生态系统的平衡。
在农业领域，土壤水分是作物生长的关键因素之一，其含量和分布直接影响着作物的产量和品质。
准确获取植被覆盖地表的土壤水分信息，对于指导农业生产、优化水资源管理具有重要意义。
在生态方面，土壤水分与植被覆盖度之间存在着密切的相互作用关系。
