本发明涉及植被遥感技术应用领域，特别是一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法。
背景技术：
作物含水量是表征作物长势状况的重要因子，已成为遥感监测作物长势的热点之一。目前，基于遥感技术进行作物冠层含水量监测的方法主要包括物理模型和统计模型两种方法。物理模型由于综合考虑了叶片、冠层、土壤和观测情况等因素，更能反映复杂的地表环境，从而反演精度相对更高，被广泛应用于冠层生化参数反演。统计模型法主要是建立光谱指数或光谱指数变型与地面实测植被含水量的线性、指数、多项式等统计模型，进行含水量反演，统计法简单易懂，是估算植被含水量的常用方法。
目前应用最广泛的物理模型为PROSAIL模型，例如基于Hyperion数据实现植物冠层含水量的区域反演以及基于PROSAIL模拟和机载高光谱数据实现不同植被覆盖下的冠层含水量反演；而统计模型有综合EVI和NDWI构建新指数用来估算植被冠层含水量、根据对植被冠层高光谱数据进行所有可能的两两组合构建新型比值指数和归一化指数以及归一化水分指数NDWI。而随着植被含水量遥感反演研究的不断深入，近年来，土壤线思想逐渐被引入到植被含水量遥感反演指数构建中。
但是研究发现，基于可见光或近红外波段的光谱指数，对植被液态水敏感度不够，导致反演精度较低，而短红外波段对植被水分敏感度虽然高于可见光，但其对于叶绿素以及植被覆盖度的变化反映不够。
技术实现要素：
本发明的目的是提供一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，旨在解决当前利用光谱特征进行小麦冠层含水量反演时由于对植被水分敏感度低或对植被覆盖度的变化不够导致的反演精度低的问题，实现不同覆盖条件下的小麦冠层含水量遥感反演，且反演精度高。
为达到上述技术目的，本发明提供了一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，包括以下步骤：
S101、获取遥感数据；
S102、获取基于Nir-Red光谱特征空间的垂直干旱指数；
S103、获取基于Nir-Swir光谱特征空间的短波红外垂直失水指数；
S104、根据所述的垂直干旱指数和短波红外垂直失水指数计算综合 Nir-Red-Swir三波段垂直植被水分指数。
优选地，所述垂直干旱指数的计算公式为：
其中，M为土壤在Nir-Red光谱特征空间的土壤线斜率，Rred为红波段的反射率，Rnir为近红外波段的反射率。
优选地，所述短波红外垂直失水指数计算公式为：
其中，M为土壤在Nir-Swir二维光谱特征空间的土壤线斜率，Rswir为短波红外波段的反射率，Rnir为近红外波段的反射率。
优选地，所述垂直植被水分指数的计算公式为：
其中，M1为Nir-Red光谱特征空间的土壤线斜率，M2为Nir-Swir光谱特征空间的土壤线斜率；Rred、Rnir、Rswir分别为作物在红波段、近红外波段和短波红外波段的反射率。
优选地，所述遥感数据为四景Landsat 8 OLI影像。
优选地，所述遥感数据需进行数据预处理，所述预处理包括辐射定标、大气校正和几何校正。
优选地，所述数据预处理基于ENVI进行。
优选地，所述垂直干旱指数用于表征区域的干旱状况。
优选地，所述短波红外垂直失水指数用于表征区域植被水分胁迫。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
与现有技术相比，本发明通过综合考虑Nir-Red-Swir波段反射率对土壤和作物水分状况的响应，建立一种基于Nir-Red-Swir三波段的作物含水量遥感监测模型，即三波段垂直植被水分指数，避免了分别基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量遥感监测的局限性，解决当前利用光谱特征进行小麦冠层含水量反演时由于对植被水分敏感度低或对植被覆盖度的变化不够导致的反演精度低的问题，实现了不同覆盖条件下的小麦冠层含水量遥感反演，且反演精度高，不受植被覆盖度影响。
附图说明
图1为本发明实施例中所提供的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法流程图；
图2为本发明实施例中所提供的一种垂直干旱指数构建示意图；
图3为本发明实施例中所提供的一种短波红外垂直失水指数构建示意图；
图4为本发明实施例中所提供的基于TPVWI估测植被含水量与实测植被含水量的对比图。
具体实施方式
为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法进行详细说明。
如图1所示，本发明实施例公开了一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，包括以下步骤：
S101、获取遥感数据。
本发明实施例所用遥感数据均来自遥感数据共享网站，获取覆盖试验区的四景Landsat 8OLI影像，成像时间选择为3-26、4-18、5-4和5-13。须保证卫星数据获取时间与地面植被数据采集时间最大相差3天，在此期间，考虑到小麦3天之内地面实测光谱变化较小，且试验区未发生灌溉和降水，故认为地面实测数据与相近时间的卫星影像数据一致。
对获取到的Landsat 8OLI影像进行数据预处理，所述数据预处理基于ENVI 进行，包括：辐射定标、大气校正和几何校正等。
S102、获取基于Nir-Red光谱特征空间的垂直干旱指数。
土壤水分是作物生长的主要水分来源，当土壤水分低于某一值后，作物不能从土壤中吸收足够的水分就会表现出干旱特征。植被含水量的多少与所在区域的干旱特征相关，因此需要对所在区域的干旱特征进行提取。
垂直干旱指数通常用于衡量一个区域内的干旱状况，通过区域内的光谱特征来了解其干旱程度。本发明实施例通过采用Nir-Red三角形光谱特征空间中任意一点到土壤基线的垂线L的距离来表征区域的干旱状况，如图2所示，AD 线代表地表植被生长状况从全覆盖(A点)到部分覆盖(E点)到无植被覆盖(D 点)，水体分布在土壤线靠近B点一侧，湿土分布在土壤线的中部而干土分布在土壤线靠近C点一侧，BC一线的变化代表土壤水分状况的变化。
垂直干旱指数的计算公式如下：
其中，M为土壤在Nir-Red光谱特征空间的土壤线斜率，Rred为红波段的反射率，Rnir为近红外波段的反射率。
垂直干旱指数越大，距离L越远，表征地表越干旱。
S103、获取基于Nir-Swir光谱特征空间的短波红外垂直失水指数。
当植被水分散失超过水分吸收，会发生植被水分胁迫，是植物组织含水量下降，短波红外垂直失水指数是衡量植被失水的重要指标。
Nir和Swir波段的反差构成的指数不仅可以突出植被水分含量的信息，还可以对地表水分含量进行定量的评价，但基于Nir-Swir光谱特征空间的短波红外垂直失水指数由于不能完全排除土壤背景的干扰，其适用于全覆盖植被冠层水分失水率的遥感监测。本发明实施例通过采用Nir和Swir光谱特征空间中任意一点到土壤基线的垂线L的距离来表征植被水分胁迫，如图3所示，CD为 Nir-Swir基线，没有植被覆盖的土壤在这条线上，C点为水体或水分饱和的裸露土壤分布，D点为极度干旱的裸露土壤，A点为全植被覆盖高含水冠层，B点为全植被覆盖低含水冠层。
短波红外垂直失水指数的计算公式如下：
其中，M为土壤在Nir-Swir二维光谱特征空间的土壤线斜率，Rswir为短波红外波段的反射率，Rnir为近红外波段的反射率。
短波红外垂直失水指数越大，距离L越远，表征植被水分胁迫越严重。
S104、根据所述的垂直干旱指数和短波红外垂直失水指数计算综合 Nir-Red-Swir三波段垂直植被水分指数。
基于Nir-Red光谱特征空间构建的垂直干旱指数PDI能很好的反映地表覆盖及其变化，具有较明显的物理意义，但它只适宜于低植被覆盖区域或者裸土区域的土壤水分监测，在植被覆盖度较大的区域，基于Nir-Red波段探测植被水分精度有限。而SPSI引入了对植被水分比较敏感的短波红外波段，在作物含水量反演研究中精度有所提高，但它是在植被全覆盖条件下建立的作物失水指数，且只能在植被叶子严重缺水而失去水分后有所指示，在低植被覆盖区，SPSI 无法消除土壤的影响。
综合考虑Nir-Red-Swir波段反射率对土壤和作物水分状况的响应，建立一种基于Nir-Red-Swir三波段的作物含水量遥感监测模型，即三波段垂直植被水分指数，其计算公式如下：
对某一时期，某一地区的影像来说，为定值，并不影响TPVWI与VWC 的相关关系，因此公式可进一步简化为：
其中，M1为Nir-Red光谱特征空间的土壤线斜率，M2为Nir-Swir光谱特征空间的土壤线斜率；Rred、Rnir、Rswir分别为作物在红波段、近红外波段和短波红外波段的反射率。
为验证TPVWI指数在不同覆盖条件下作物含水量监测的有效性，保证每组都包括返青-拔节-开花灌浆期数据的条件下，本发明将地面实测小麦含水量数据随机分成两组，分别用来建模和验证模型精度。此外，为了检验TPVWI指数在不同覆盖条件下作物含水量监测的有效性，本发明实施例又测试了拔节-开花灌浆期，即基本全覆盖条件下的30个地面小麦含水量数据与TPVWI、PDI、SPSI、 PWI和NDVI的拟合方程和相关关系。
计算小麦植株含水量：
对小麦植株含水量数据进行采集，采集时间覆盖小麦返青期-拔节期-开花灌浆期，本发明实施例分别在3-29、4-18、5-6和5-11进行数据采集。
在试验区内随机选取若干个60m*60m且小麦长势比较均一的样品区域，利用GPS获得每个样品区域的四个角点和中心点经纬度，在每个样品区域内随机选取两个30cm*30cm的样方，对该样方内的地上小麦活体全部收割。将收割后的小麦植株样品放入密封袋内带回，并在实验室内对小麦植株样品称量其鲜重，然后在105℃杀青，在80℃下烘干至恒重，从而获得其干重。通过小麦鲜重和干重计算小麦植株含水量，其计算公式如下：
VWC＝(FWC-DWC)/FWC×100％
其中，FWC为小麦样品鲜重(g)，DWC为小麦样品干重(g)。
通过计算小麦真实含水量，建立其与各模型指数的相互关系，如表1所示：
表1不同植被指数与小麦冠层含水量的相关模型
根据表1可以看出，在拔节-开花灌浆期，除NDVI与VWC呈显著相关关系外，其他4种指数与VWC都极显著相关，且TPVWI与VWC拟合模型的决定系数显著高于其它3种指数拟合模型。但基于返青-拔节-开花灌浆期数据建立拟合模型中，只有垂直干旱指数PDI和本文新构建的三波段垂直植被水分指数TPVWI 与小麦冠层含水量呈现显著负相关关系，且TPVWI拟合模型的R2优于PDI拟合模型的R2，PWI、SPSI与VWC的相关性较弱。说明新指数综合Red-Nir-Swir三波段光谱特征，不仅能消除部分土壤背景的影响，而且增强了遥感信息对不同覆盖条件下植被含水量的敏感性，在一定程度上提高了作物含水量遥感监测的精度。
通过地面实测VWC数据与TPVWI估测的VWC值进行一一比对，如图4所示，模型预测VWC与实测值之间存在较好关系，其决定系数R2与RMSE分别为0.763 和2.32％，该精度能够满足农业、生态对区域植被含水量信息的需求。
本发明实施例通过综合考虑Nir-Red-Swir波段反射率对土壤和作物水分状况的响应，建立一种基于Nir-Red-Swir三波段的作物含水量遥感监测模型，即三波段垂直植被水分指数，避免了分别基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量遥感监测的局限性，解决当前利用光谱特征进行小麦冠层含水量反演时由于对植被水分敏感度低或对植被覆盖度的变化不够导致的反演精度低的问题，实现了不同覆盖条件下的小麦冠层含水量遥感反演，且反演精度高，不受植被覆盖度影响。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。