一种简便的遥感土壤水分监测方法与流程

本发明涉及土壤水分监测方法，是一种基于遥感数据的简便的土壤水分监测方法。

背景技术：

土壤水分是表示土壤退化或干旱的重要表征参量，也是气候、水文、生态、农业等领域衡量干旱程度的重要指标，是影响全球气候和环境变化的重要因素。因此，了解土壤水分大小和状况在土地规划和管理，以及农牧业生产中具有十分重要的现实意义。遥感土壤水分反演是一种监测土壤水分的方法，大范围的土壤水分监测是农业过程研究和环境因子评价的重要组成部分，而区域尺度甚至全球范围的土壤水环境反演又是陆地过程模式研究中必不可少的一个参量，传统的土壤水分监测方法大多是野外实地观测，其中最准确的属质量法，能得出精确的土壤水分的质量百分比，但是消耗大量的时间和人力。还有利用土壤水分不同其相应的导电性能也不同的特点发展起来的嵌入式传感器测量法，能够节省大量的时间和劳动力，但是仍然是实验点上的监测而不能推广到大范围的面上。以上这些传统的监测手段都具有相同的缺点，既费时、费力，又可测点少，代表性差，从而导致时间分辨率低，无法实现大面积、大范围土壤水分的实时动态监测。

随着遥感技术的不断发展，在20世纪80年代遥感监测土壤水分克服了传统方法的缺陷，使大范围区域土壤水分监测成为可以实现的目标。首先，在国外有利用可见光和红外遥感监测土壤水分的研究，如利用NDVI监测干旱指数、植被状态指数(VCI)、热惯量和每日蒸发量模型、以及绘制土壤水分和地理图的热惯量方法等。到20世纪90年代中后期，随着NOAA/AVHRR和MODIS数据的普遍应用，光学和热红外波段的遥感反演也逐渐成熟。也有利用不同空间和时间及光谱分辨率的卫星数据(AVHRR、TM、SPOT等)下Ts(地表温度)、NDVI斜率与土壤湿度的关系。另外也有部分研究指出位于短波红外波段的MODIS第6波段和第7波段对水分变化较敏感，以此构建的土壤湿度指数也可以用于土壤水分的估算，也有仅用第7波段做的分析，发现该波段与土壤水分间也有较好的线性相关性。

技术实现要素：

为了解决现有技术中存在的问题，本发明提供一种简便的遥感土壤水分监测方法，克服现有技术中计算土壤水分含量计算量大、前期处理过程复杂的问题。

本发明采用的技术方案是：一种简便的遥感土壤水分监测方法，包括以下步骤：

首先确定所需数据及实验区域；然后利用MODIS遥感反射率数据，提取研究区内各实验点对应的第7波段反射率数据，从地面观测数据中选取与卫星数据过境时段一致的实测数据，利用统计软件进行卫星第7波段反射率数据与实测地表土壤水分数据的回归分析，得到最优回归模型后，对回归方程进行显著性检验，确定用于反演土壤水分的模型方程式。

本发明的有益效果是：与现有技术相比，本发明利用单波段计算土壤水分含量具有计算量更小，所需前期处理过程更少的特点，大大减化数据收集和预处理的前期过程基础上，保证了监测结果的准确度，适用于更大范围的土壤水分含量的计算。

附图说明

图1为本发明的土壤水分监测模型构建流程图；

图2为8个实验点实测土壤水分与卫星数据值间的散点图；

图3为具体实施实测土壤水分与模型估算结果间的比较图；

图4为具体实施例的某区域的春季土壤水分模型反演图；

图5为具体实施例的某区域的夏季土壤水分模型反演图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细描述。

本发明的相关技术——线性回归分析模型，在研究两个变量之间相关性时应用较多。分析MODIS第7波段地表反射率数据和野外观测土壤水分数据的关系发现，7个观测点的值基本上都在拟合直线附近波动，从而可以认为二者的关系基本上是线性负相关的，而这些点与直线的偏离是由其它一切不确定因素影响造成的，根据第7波段与土壤含水量这种线性相关关系，可以假定回归方程：

Y＝β₀+β₁X+ε (1)

为线性模型方程，其中，β₀+β₁X表示土壤水分Y随第7波段地表反射率的变化而变化的部分；ε是随机误差，是其它一切不确定因素影响的总和，其值是不可观测的。在这里假定ε～N(0，σ²)，

线性回归方程中各参数β₀、β₁最小二乘估计值的计算公式如下：

最后对方程做显著性水平检验发现，在给定的显著性水平(α＝0.05)下，回归方程均通过了回归参数和回归方程的检验，残差的标准差也很小，非常显著，但相关系数R²较小(<0.55)，说明所得的回归方程并非为最优回归方程，需要再次考虑对回归方程的改进和进一步优化。

在进一步详细考虑各观测点实验数值与卫星数据之间的关系，若考虑曲线拟合可以发现所有观测点的要素相关系数R²均会有显著提高，表明两者的关系不仅仅用简单的线性方程加以确定，因此需要建立变量和自变量间新的回归方程进行分析，并且在新的方程中把曲线拟合的关系加以考虑，在经过反复的试验分析后，最终可以将反映两者关系的回归方程假设为曲线拟合回归方程的形式，其中ε同样是随机误差，为一切不确定因素影响的总和，其值是不可观测的，β₀、β₁最小二乘估计值计算公式与(2)式给出的一致。在这里假定ε～N(0，σ²)，可以作为反演模型使用，并对回归方程的参数和方程进行检验，结果表明，与原模型相比(表1)，该模型的相关系数R²得到显著提高，平均每个点提高了0.19，因此，考虑第7波段反射率与土壤水分间的曲线拟合关系是可行的，回归方程的残差标准差也得到了更好的控制，回归方程的各参数、方程、残差标准差、相关系数均非常显著，并在给定的显著性水平下，都分别通过了T和P检验。对所有样本观测点的数据建立回归方程，得到可以用来反演土壤水分的最终模型回归方程，回归方程参数能通过(P<0.001)检验，相关系数为0.62，也通过了显著性水平检验，因此，回归方程可以作大范围土壤水分反演模型。

表1各观测点土壤水分反演回归方程及相关系数、显著性检验结果

注：显著性检验:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1

本发明的技术方案执行如图1所示的流程：首先确定MODIS卫星第7波段的反射率值和卫星过境对应时间实测土壤水分值，然后对二者画散点图并进行相关性分析，确定回归方程，并对回归方程和方程的系数进行检验。最后对回归方程反演的土壤水分值做验证分析，得到最优的回归模型为Y＝0.42395-2.37897x+3.96745x²,其中Y表示模型计算的土壤水分值，x表示的是MODIS卫星第7波段的反射率值，该模型通过了0.001显著性检验，表明模型用于土壤水分监测研究效果较好。

现以藏北地区的土壤水分反演为例，说明构建模型的具体过程。首先，将下载的MODIS卫星数据在ENVI遥感图像处理软件中进行反射率提取，并选择与卫星过境时间相一致的实测土壤水分数据。

利用统计分析工具，做出实测值与卫星反射率间的散点图如图2所示。利用最终得到的最优模型结果与实测的土壤水分做相关性验证检验如图3所示，反演结果较好，可以满足大区域尺度的土壤水分监测。

最后利用该模型对那曲地区聂荣县和那曲县春季和夏季的土壤水分做了反演如图4、5所示。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。