论文部分内容阅读
土壤水分是植物生长所需水分的重要来源,区域尺度或全球范围的土壤水分是陆地表面参数化的一个关键变量。卫星遥感是监测土壤水分的重要方法,但由于卫星传感器往往受云、气溶胶等影响,获取的信息常无法准确反映地表状况,这在我国南方尤为严重。为此,本文以江苏省为研究区,用2003-2011年MODIS地表温度(LST, Land Surface Temperature)产品和地表反射率产品,结合质量控制信息(QA flag),提出了基于背景数据库和mTSF原理的数据重建方法(背景库重建法),重建了LST和NDVI (Normalized Difference Vegetation Index).该方法填补了空缺数据,提高了土壤含水量的准实时反演精度,满足了业务需要,并综合应用C#和IDL构建了农田的干旱监测系统。研究主要结论有:(1)2003-2011年重建前的8天合成地表反射率产品,质量良好像元所占比例最高,云污染主要发生在夏季,其次为冬季和秋季,春季的污染像元比例相对较少。MODIS的LST日时序产品受云污染的像元比例最大,其中云干扰主要发生在夏季,其次是秋季和冬季,春季比例较低。为提高土壤水分遥感监测的精度和效率,重建NDVI和LST的时间序列数据是恢复数据质量的可用方法。(2)利用基于背景数据库和1mTSF原理的数据重建方法,重建的NDVI能够填补空值时段,并达到较高精度。通过方法对比,本文提出的重建方法和原始NDVI质量良好像元的平均相关性最高,达到0.84,而Savitzky-Golay (S-G)方法、非对称高斯方法(A-G)和双Logistic方法(D-L)分别为0.80、0.73和0.72。假设云区的验证中,基于背景库的重建NDVI精度较高,与原始NDVI的平均绝对误差为0.049,平均相对误差为10.14%,平均RMSE为0.059,平均相关性为0.82。(3)利用基于背景数据库和mTSF原理的数据重建方法,重建的LST能保留原始数据的真实值,并能反映地表温度的变化趋势。2009-2011年云覆盖区的LST重建结果和实测地表温度有较高响应关系,云污染的像元的重构LST和实测值平均相关系数达到0.87。重构后,数据的平均绝对误差减小。假设云区验证中,基于背景库的重建LST达到一定精度,与原始LST的平均绝对误差为0.57"C,平均RMSE为0.71,平均相关性为0.78。(4)重建得到的数据可为遥感实时监测土壤水分提供有效的服务,且反演结果较为准确地反映了淮北冬小麦区的土壤水分变化。无雨时段的平均反演值与实测值的偏差范围为0.22%-2.89%,平均相对误差为20.28%-26.69%。而没有对参数进行重建时,原始影像仅3月26日有与实测站点对应的像元有LST值,且反演结果的平均相对误差高达35.19%。(5)综合应用IDL和C#技术,构建了江苏省淮北冬小麦区的土壤水分遥感监测系统。系统使得用户可对研究区旱情进行近实时动态监测,提高抗旱工作的针对性和高效性。平台开发完成后可为旱情预警、抗旱决策等提供及时有效的信息服务。