论文部分内容阅读
土壤含水量作为农业用水管理中的重要内容,可为灌溉用水量监测、作物需水估算、灌溉用水计划制定等提供数据支撑。卫星遥感反演是大范围获取土壤含水量遥感信息的有效手段。提高土壤含水量的精度对于水资源的模拟、评价与优化配置具有非常重要的意义。光学卫星是目前最丰富的卫星遥感数据源。现阶段,基于可见光的土壤含水量反演方法主要是利用卫星数据反演土壤湿度指数或干旱指数,再利用实测数据建立指数与实际土壤含水量的回归关系。但是由于土壤含水量的时空变化受多种因素的综合影响,回归关系具有非线性特征,且单景、单时相影像和实测数据率定出的关系往往不具有时空可移植性,使得土壤含水量的遥感反演难以建立较为通用的模型模式,且不能脱离地面实测数据。神经网络模型具有强大的非线性映射能力。本文选用BP神经网络模型,以河北省为研究区,基于国产高分辨率光学卫星GF-1号和GF-6号WFV数据源,进行了土壤含水量反演BP神经网络模型输入和结构的优选,改善土壤含水量反演模型的精度,并通过引入描述不同时空影像光谱特征差异的指标,增强土壤含水量反演模型对时空变化的适应性,有效改善了土壤含水量反演模型的通用性。主要结论如下:(1)利用BP神经网络构建基于GF-1号数据的土壤含水量遥感反演模型,对于输入数据的选择,在DEM、植被指数、干旱指数、光谱反射率的多种组合中,DEM、修正型土壤调节植被指数(MSAVI)、垂直干旱指数(PDI)与4个波段的反射率组合训练和验证效果最优;各波段反射率对土壤含水量反演精度也有显著影响,其中影响最大的是绿光和红光波段,影响最小的为近红外波段。且基于神经网络反演的土壤含水量比传统的MPDI方法均方根误差降低0.378%,精度有明显提高。(2)GF-6号与GF-1号数据相比,利用新增红边波段构建的红边指数对土壤含水量反演模型的精度有明显改进作用。在以GF-6号为数据源时,最佳的输入组合为红边指数MTCI、PDI、DEM和8个波段的反射率,其中各波段对土壤含水量反演精度影响最大的波段为红边波段1和红边波段2,其次为黄边波段,影响最小的为紫边波段,且基于神经网络反演的土壤含水量比传统的MPDI方法均方根误差降低0.627%,精度有显著提高。(3)为探究不同时空卫星影像光谱特征差异对土壤含水量反演的影响,研究引入光谱空间的干边、湿边和土壤基线的三个线性方程,用以描述不同景影像的红光-近红外光谱特征空间的差异,并将三个线性方程的斜率和截距加入BP神经网络模型的输入中进行多时空统一建模。结果显示,输入变量引入光谱空间参数后,基于GF-1反演土壤含水量的均方根误差降低0.277%,相关性可达0.756;可见,利用该方法可建立多时空通用的土壤含水量反演模型,且经过足够的地面实测数据训练后,可脱离地面实测数据进行土壤含水量反演。