论文部分内容阅读
土壤水分是地球生态系统中非常重要的组成部分,它在农作物长势监测、作物估产和变量灌溉等农业应用中具有重要意义。随着微波遥感技术及其理论的发展,通过遥感数据进行土壤水分反演已在国内外得到广泛应用。本研究利用Sentinel多源遥感数据作为数据源进行土壤水分定量反演,Sentinel-1和Sentinel-2同属于欧空局的Sentinel系列卫星,因此监测土壤水分时在空间、时间和数据配准方面更具优势。针对微波遥感数据反演农田地表土壤水分受植被覆盖影响较大的问题,首先利用水云模型去除植被的影响,然后利用Oh模型反演土壤水分。同时,为减小植被覆盖对土壤水分反演精度的影响,本文直接把不同的植被指数作为支持向量机（Support Vector Regression,SVR）和广义回归神经网络模型（Generalized Regression Neural Network,GRNN）的输入,并没有对植被散射和土壤散射进行分离。其中,植被指数通过Sentinel-2光学遥感数据计算,包括归一化植被指数（Normalized Difference Vegetation Index,NDVI）、修改型土壤调节植被指数（Modified Soil Adjusted Vegetation Index,MSAVI）和差值植被指数（Difference Vegetation Index,DVI）三种。为了更深层次挖掘出卫星数据中对土壤水分定量反演起关键作用的特征信息,首先融合微波数据的强度信息和相位信息,然后在卷积神经网络（Convolutional Neural Networks,CNN）的基础上分析了极化分解特征对土壤水分反演的影响。对于所选研究区的农田地表状况,本文主要研究内容和结论包括:（1）针对农田地表土壤水分反演时存在植被覆盖的问题,利用水云模型去除植被的影响,然后对比Oh模型去除植被散射贡献前后的反演效果,结果表明水云模型可以有效地去除植被,提取出土壤部分的后向散射系数,在去除植被影响后,测试集R2提高了0.0297,RMSE减小了0.0022 cm3/cm3,可知去除植被影响后土壤水分反演的效果更好。（2）针对传统土壤水分反演模型存在一定局限性的问题,利用SVR和GRNN构建土壤水分反演模型,结果表明:当植被指数为MSAVI和NDVI时,SVR模型反演效果优于Oh模型;当输入增加H0、?0VV特征参数时,GRNN模型的反演效果优于Oh模型。基于SVR模型的最佳组合测试集R2和RMSE分别为0.8497和0.0214 cm3/cm3,相比于GRNN最优组合,SVR最优组合的R2提高了0.0682,RMSE减小了0.0031cm3/cm3,相比于去除植被影响后Oh模型的反演结果,SVR最优组合的R2提高了0.2229,RMSE减小了0.0081cm3/cm3。（3）为了定量分析各特征参数对土壤水分反演的重要性,在土壤水分反演模型构建的基础上,通过定义等效次数分析了各输入特征参数对土壤水分反演结果的影响,验证了雷达后向散射系数、海拔高度、本地入射角、植被指数对农田地表土壤水分反演的重要影响,并发现3种植被指数对土壤水分的相关性由大到小依次为:MSAVI、NDVI、DVI。（4）针对当前土壤水分反演研究较少考虑SAR相位信息的问题,构建了基于CNN的土壤水分反演模型,通过对比分析有无极化分解特征CNN模型的反演结果,发现当训练集比测试集分别为1:1、3:1和5:1时,相对于无极化分解特征CNN,结合极化分解特征CNN模型测试集的R2分别为增加了0.0291、0.0307和0.0337,RMSE分别减小了0.0126、0.0064和0.007cm3/cm3,结果表明随着训练样本量的增加CNN模型反演土壤水分的效果更好,且融合SAR数据的强度和相位信息可以提高土壤水分反演的精度。