基于无人机微波及多光谱的非均质覆被农田土壤水分反演方法

1.本发明属于农业遥感技术领域，特别涉及一种基于无人机微波及多光谱的非均质覆被农田土壤水分反演方法。


背景技术：

2.适时准确的获取和评估农田尺度土壤水分信息，是实现以节本增效为目标的精准灌溉及智慧农业的前提条件之一，而覆被农田土壤水分大范围监测是世界农业领域的研究热点及难点。
3.目前，获取大范围覆被农田土壤水分信息主要是依靠卫星遥感技术，应用光学、热红外、主被动微波、多源遥感等方法，通过获取地、物在不同波段的反射率及热辐射信息等，建立土壤水分和反射信息间的对应关系，从而实现农田土壤水分信息大范围、快速、长期动态监测。其中，微波雷达凭借较好的距离分辨率、强穿透率和低功耗等优点，被越来越多的应用到覆被农田土壤水分反演问题的研究中，此外，为进一步消除植被层对覆被农田土壤水分反演精度的影响，综合应用微波及光学方法的多源数据遥感成为研究的热点。然而，卫星遥感存在时空分辨率较低、受天气影响大、受过境周期限制等缺点，难以实现农田尺度上的土壤水分信息空间变异性实时、准确获取，在实际指导灌溉及农业生产方面存在一定限制。
4.无人机遥感凭借运载便利、灵活性高、作业周期短、数据分辨率高等优势，成为实现农田尺度快速、精准感知土壤水分信息的新手段，在作物长势监测、需水估算、产量预测、农田温室气体监测等方面都取得了重要研究进展，无人机机载微波雷达的应用也为覆被农田土壤水信息的精确感知提供了新思路。
5.但是无人机遥感对农田非均质性特征更为敏感，数据的时空分辨率、雷达入射角、图幅宽度、地表粗糙度与雷达波长的相干性特征等因素也与卫星遥感有较大差异，卫星遥感的解译和反演方法无法直接应用到无人机遥感技术中来。因此，亟需针对近地遥感条件下覆被农田非均质性突出的特点，研究基于无人机多源数据遥感的土壤水分反演新方法。


技术实现要素：

6.针对精准灌溉技术对高精度、高效率、大范围农田土壤水分信息快速感知技术的迫切需求，以及卫星遥感对覆被农田水分空间变异性监测能力不足，而无人机遥感缺乏近地条件下土壤水分反演模型的问题，本发明的目的在于提供一种基于无人机微波及多光谱的非均质覆被农田土壤水分反演方法，将非均质覆被农田电磁传输机理的研究，抽象为求解近地遥感条件下非均质介质构成的多层混合模型的散射问题，研究该模型的雷达回波传输机理；协同应用光学与微波遥感数据，剔除非均质因素对土壤水分反演的影响，提取土壤水分敏感性参数；建立适用于无人机的土壤水分反演模型，实现高精度、高效率农田尺度的土壤水分信息快速感知。该研究可为农田尺度土壤水分信息空间变异性的快速精准感知提
供理论及技术依据，具有重要的科学意义和广阔的应用前景。
7.为了实现上述目的，本发明采用的技术方案是：
8.一种基于无人机微波及多光谱的非均质覆被农田土壤水分反演方法，包括如下步骤：
9.步骤1，将大气层(气溶胶层)等效为透明介质，植被层等效为非均质半透明介质，地表等效为粗糙表面自然介质，从而将近地遥感条件下覆被农田在物理上抽象为非均质多层介质模型；
10.步骤2，利用多物理场耦合仿真，研究所述非均质多层介质模型的雷达回波传输机理；
11.步骤3，协同应用无人机多光谱数据与微波遥感数据，剔除非均质因素对土壤水分反演的影响，提取土壤水分敏感性参数；
12.步骤4，利用所述土壤水分敏感性参数，建立覆被农田土壤水分无人机微波反演模型。
13.进一步地，所述步骤1中，以二维随机粗糙面表示实际农田地表，将无植被覆盖的农田表面看作是由大、小尺度起伏波或多个尺度波连续分布叠加组成的粗糙表面，将有植被覆盖的农田表面即覆被农田等效为一个非均质多层介质模型；其中植被层看作作物冠层包裹着空气组成的多孔物质，用混合介质层来近似表示。
14.进一步地，所述步骤2中，获取微波在非均质多层介质模型中的透射系数、波速和后向散射系数，并通过改变非均质多层介质模型各层介质的参数，获取相应参数对雷达回波传输特征的影响规律。
15.进一步地，所述步骤3中，对无人机机载多光谱相机获取的光谱数据即无人机多光谱数据进行预处理，通过遥感解译及多光谱数据反演，得到包括作物的种植结构、覆盖度、植被指数、植被含水率在内的植被层生长特征参数。
16.进一步地，基于植被层生长特征参数，获取包括其光学厚度、等效密度、等效介电常数在内的非均质层电磁散射特征参数，明确植被层生长特征参数对土壤水分反演的影响规律，提取其中对土壤水分信息敏感的关键性指标，即作物冠层高度、作物冠层覆盖度、作物冠层含水率、叶面积指数。
17.所述非均质因素包括地表粗糙度统计参数、植被层的等效光学厚度以及土壤层和植被层的等效介电常数，提取实际地表粗糙度及植被层的特征参数，平衡非均质多层介质模型刻画准确度与参数复杂程度的关系，建立非均质条件下农田地表电磁散射的物理模型。
18.与现有技术相比，本发明的有益效果是：
19.(1)突破以往农田土壤水分遥感反演问题中，基于实验数据的归纳和总结，建立雷达回波信号与土壤含水率之间相关关系的研究思路，将随机二维粗糙面物理模型及非均质多层介质物理模型引入到近地遥感条件下农田地表电磁散射特性的研究问题中来，从数学和物理层面深入揭示覆被农田地表雷达回波的传输机理，为提高土壤水分反演模型的精确性和适用性奠定理论基础。
20.(2)协同应用无人机微波雷达数据及多光谱数据，利用多光谱数据能够充分提取和反演大面积农田范围内作物生长及水分信息的优势，最大程度的获取非均质因素对土壤
水分微波遥感数据后向散射特征的影响，提高无人机土壤水分反演的精度。
21.(3)明确近地遥感条件下，植被层生长参数与覆被农田电磁散射特性间的相关关系，将目前研究的土壤水分遥感监测技术和理论拓展到农田尺度。
附图说明
22.图1是本发明流程图。
23.图2是本发明建立的近地遥感条件下多层非均质混合模型示意图。
24.图3是本发明建立的农田表面面元电磁散射物理模型，图(a)为无植被覆盖模型，图(b)为有植被覆盖模型。
25.图4是本发明建立的二维随机粗糙面模型，图(a)为无植被覆盖模型，图(b)为有植被覆盖模型。
具体实施方式
26.下面结合附图和实施例详细说明本发明的实施方式。
27.如图1所示，本发明为一种基于无人机微波及多光谱的非均质覆被农田土壤水分反演方法，包括如下步骤：
28.(1)建立非均质多层介质模型
29.将大气层等效为透明介质层，植被层等效为非均质半透明介质层，地表等效为粗糙表面自然介质层，从而将近地遥感条件下覆被农田在物理上抽象为非均质多层介质模型，如图2所示。
30.具体而言，本发明以二维随机粗糙面表示实际农田地表，采用均方根高度、相关函数、功率谱密度、曲率半径、均方根斜率等统计参数衡量二维随机粗糙面粗糙度。将无植被覆盖的农田表面看作是由大、小尺度起伏波或多个尺度波连续分布叠加组成的粗糙表面，如图3中(a)所示，将有植被覆盖的农田表面(即覆被农田)等效为一个非均质多层介质模型，其面元电磁散射物理模型示意图如图3中(b)所示。其中植被层看作作物冠层包裹着空气组成的多孔物质，用非均质半透明介质层来近似表示。
31.其中，在近地遥感条件下大气层影响较小，可通过大气标定的方法消除该部分影响，近地遥感条件下电磁散射特征主要受植被层及粗糙地表影响。生成的随机二维粗糙面模型如图4所示，可以看出图4(a)表示的无植被覆盖模型中土壤粗糙度有较大影响，在多物理场耦合仿真计算中无法忽略土壤层粗糙度的影响；图4(b)有植被覆盖的二维粗糙面模型中土壤层粗糙度的影响远小于植被层厚度和含水率的影响，可以忽略不计。
32.(2)利用多物理场耦合仿真，研究非均质多层介质模型的雷达回波传输机理。
33.本实施例中，超宽带微波雷达的雷达带宽为3.1g—4.8ghz，中心频率为4.3ghz。具体实施方法如下：
34.第一步，在模型计算中，采用多物理场耦合分析软件，求解入射波在不同介质层上下表面的幅值、相位角、波速，从而得到电磁波在不同介质中的透射系数，散射系数以及波速变化规律。
35.第二步，通过改变非均质多层介质模型各层介质的参数，获取相应参数对雷达回波传输特征的影响规律。其中粗糙表面自然介质的参数主要包括粗糙度和土壤层等效介电
常数。对于土壤层，当作物覆盖度达到一定程度，粗糙度的影响可以忽略；土壤层等效介电常数通常认为和含水率直接相关，通过改变土壤层等效介电常数，即可获得含水率对电磁波传输机理的影响规律。
36.非均质半透明介质的电磁散射特征参数包括等效光学厚度、占空比、等效介电常数。对应不同生育期，植被层高度、覆盖度、叶面积指数、作物冠层含水率情况发生变化，可以根据植被层生长参数由前人的计算公式和实验结论得到大致的等效光学厚度、占空比、等效介电常数取值范围，这些参数可以在多物理场耦合分析软件中自行设置，改变参数，即可分析参数变化对电磁波传输机理的影响规律。
37.(3)协同应用无人机多光谱数据与微波遥感数据，剔除非均质因素对土壤水分反演的影响，提取土壤水分敏感性参数。
38.具体实施方法如下：
39.第一步，在已知雷达发射电磁波频率、幅值、入射角情况下，根据雷达天线接收到的后向散射回波波谱，以及电磁波传输距离、雷达照射面积等雷达技术参数，截取波谱中包含覆被农田信息的波段，对其进行时频分析，可获取与覆被农田土壤水分信息相关的后向散射系数等特征值。
40.第二步，获取无人机机载多光谱相机获取的光谱数据(即无人机多光谱数据)，选取红、绿、蓝、红外、近红外五个波段的光谱数据。利用遥感数据解译软件，首先通过图像拼接、正射校正、辐射校正、地理信息配准等方法对无人机多光谱数据进行预处理；然后，根据预处理后图像的颜色、纹理、形状、空间关系、各波段光谱反射率等特征进行分析，提取植被指数及光谱特征，以此为依据反演种植结构、植被层覆盖度、植被指数、植被含水率在内的植被层生长特征参数。
41.各植被指数的计算公式如下，归一化差异植被指数(ndvi)、增强型植被指数(evi)、和归一化差异水分指数(ndwi)：
[0042][0043][0044][0045]
其中：r
nir
为近红外波段反射率；r
red
为红光波段反射率；r
blue
为蓝光波段反射率，r
swir
为短波红外波段反射率。
[0046]
由此可得一元二次型植被含水量：
[0047]
mv＝ai2+bi+c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0048]
其中：i为植被指数，包括ndvi、evi及ndwi。
[0049]
第三步，根据植被层生长特征参数和无人机多光谱图像，获得植被层等效介电常数、等效光学厚度以及植被覆盖和裸露土壤的比例(占空比)等。
[0050]
本发明采用maxwell-garnett混合介质模型来计算植被层的等效介电常数：
[0051]
[0052]
其中：ε0表示空气介电常数；εr表示叶片复相对介电常数；ε
′r表示叶片复相对介电常数实部；v表示作物冠层占空比。
[0053]
第四步，依据步骤(2)中获得的非均质多层介质模型各层介质的参数对雷达回波传输特征的影响规律，剔除非均质半透明层对微波雷达获取的覆被农田土壤水分信息相关的后向散射系数影响，提取土壤水分敏感性参数，包括作物冠层高度、作物冠层覆盖度、作物冠层含水率、叶面积指数等。
[0054]
(4)利用所述土壤水分敏感性参数，建立覆被农田土壤水分无人机微波反演模型，实现高精度、高效率农田尺度的土壤水分信息快速感知。
[0055]
具体实施方法如下：
[0056]
第一步，根据非均质农田地表电磁传输机理和提取无人机多源数据土壤水分反演敏感性特征参数，采用线性回归分析、能量平衡法等方法，建立植被覆盖条件下多指标无人机土壤水分反演模型。
[0057]
第二步，进行农田实验，同步对土壤、植被信息进行地面采集，选取合适的采样点，根据本发明建立的模型进行该区域土壤水分反演，并与地面数据进行差异性分析，研究模型的精确性及适用性，重复调整并优化模型参数，最终获得满足实际需求的高精度非均质农田土壤水分反演模型。