一种基于地基微波遥感判别土壤冻融状态的方法

1.本发明涉及土壤冻融研究技术领域，尤其涉及一种基于地基微波遥感判别土壤冻融状态的方法。


背景技术：

2.冻融循环是冰冻圈冻土的主要气候学特征主体之一，冻土其分布范围较为广泛，与气候系统也密切相关，冻土对气候变化高度敏感并且具有重要的反馈作用，具备重要的气候效应，是气候变化的敏感指示计，土壤冻融过程是冻土环境过程的主要组成部分之一，受近地层空气温度、地表温度、土壤质地、下垫面类型和积雪覆盖度等因素影响限制，伴随着控制着冻土各层土壤温度的变化、地下冰的形成和活动层厚度的变化等；
3.目前的判别方法由于冻土的分布范围在大尺度上主要受到纬度地带性和垂直地带性的双重控制，在中小尺度上又会受到许多局地因素的影响，导致冻土的空间异质性较强，使用单个站点观测值代表区域土壤水分真值误差较大，不能够有效地反映区域范围内的土壤水分信息，此外，站点观测需要实地操作，费时费力，成本较高，且后期处理、维护工作和数据采集也较为繁琐，而目前的冻融过程空间差异较大，卫星遥感空间分辨率低，存在较多的混合像元；受一日两次的回归周期限制，数据集多为逐日地表冻融数据集，而实际情况中多存在土壤冻融日循环现象，因此，本发明提出一种基于地基微波遥感判别土壤冻融状态的方法以解决现有技术中存在的问题。


技术实现要素：

4.针对上述问题，本发明的目的在于提出一种基于地基微波遥感判别土壤冻融状态的方法，该基于地基微波遥感判别土壤冻融状态的方法提高了对高寒草原下垫面活动层土壤的水热特性的认识，优选出更适应高寒草原的辐射传输模型参数化方案，为卫星遥感监测区域土壤冻融过程并判别土壤冻融状态提供了理论基础和技术参考。
5.为实现本发明的目的，本发明通过以下技术方案实现：一种基于地基微波遥感判别土壤冻融状态的方法，包括以下步骤：
6.步骤一、对地基微波辐射计elbara
‑ⅲ
和土壤温度/湿度传感器观测数据进行处理和质量控制，并进行射频干扰筛选并剔除质量差的观测数据，获得高质量观测数据；
7.步骤二、将高质量观测数据作为输入带入土壤介电模型中计算获取待判断地区土壤的介电常数；
8.步骤三、再利用τ-ω辐射传输模型计算模拟土壤的水平极化亮度温度(tbh)和垂直极化亮度温度(tbv)；
9.步骤四、基于相对冻结因子算法并结合土壤的水平极化亮度温度(tbh)和垂直极化亮度温度(tbh)计算获得土壤的相对冻结因子(relative fronst factor,rff)；
10.步骤五、根据判定阈值法，将相对冻结因子与阈值进行对比，最终得到土壤冻融状态。
11.进一步改进在于：所述步骤二中土壤的介电常数计算方法为
12.当θv≤θ
t
时，
13.当θv≥θ
t
时，
14.其中，ε
mix
、εd、ε
fw
、εb分别表示土壤的介电常数、干燥土壤固体颗粒物的介电常数、自由水的介电常数和结合水的介电常数，θv为土壤含水量，θ
t
为最大结合水含量。
15.进一步改进在于：所述步骤三中τ-ω模型公式为
16.tb
p
＝(1-ω
p
)(1-γ
p
)tc+(1-ω
p
)1-γ
p
)γ
prp
tc+(1-r
p
)γ
p
tg17.γ
p
＝exp(-τ
p
/cosψ
18.其中，上标p为极化方式，则土壤的水平极化亮度温度tbh由下式计算
19.tbh＝(1-ωh)(1-γh)tc+(1-ωh)(1-γh)γhrhtc+(1-rh)γhtg20.γh＝exp(-τh/cosψ)
21.土壤的垂直极化亮度温度tbv由下式计算
22.tbv＝(1-ωv)(1-γv)tc+(1-ωv)(1-γv)γvrvtc+(1-rv)γvtg23.γv＝exp(-τv/cosψ)
24.其中，τh和τv分别为水平极化和垂直极化植被光学厚度，ωh和ωv分别为水平极化和垂直极化有效散射反照率，γh和γv分别为水平极化和垂直极化植被透射率，rh和rv分别为水平极化和垂直极化粗糙土壤反射率，ψ为elbara
‑ⅲ
地基微波辐射计观测角度，tc和tg分别为植被和土壤的有效温度。
25.进一步改进在于：所述步骤四中相对冻结因子rff计算公式为
[0026][0027]
其中，x为冻结因子类型，包含归一化极化比值冻结因子ff
npr
、极化差值冻结因子ff
pd
、组合水平极化差值冻结因子ff
chpd
和组合垂直极化差值冻结因子ff
cvpd
，t为日期，ff
x
(t)为地基微波辐射计elbara
‑ⅲ
每日观测到的地表亮温计算得到的冻结因子，ff
x
(fr)为土壤冻结阶段的参考值，以土壤处于完全冻结状态下时的被动微波信号值表示，ff
x
(th)土壤融化阶段的参考值，以土壤处于完全融化阶段下时的被动微波信号值表示。
[0028]
进一步改进在于：所述归一化极化比值冻结因子由下式计算
[0029][0030]
所述极化差值冻结因子由下式计算
[0031]
ff
pd
＝tb
v-tbh[0032]
所述组合水平极化差值冻结因子由下式计算
[0033]
ff
chpd
＝(tb
v-tbh)*(270-tbh)
[0034]
所述组合垂直极化差值冻结因子由下式计算
[0035]
ff
cvpd
＝(tb
v-tbh)*(300-tbv)
[0036]
其中，tbh为土壤的水平极化亮度温度，tbv为垂直极化亮度温度。
[0037]
进一步改进在于：所述步骤五中判定阈值法通过阈值δ1判定土壤冻融状态的判
定公式为
[0038][0039]
再通过阈值δ2判定当天的亮度温度的标准差的大小，进一步区分开始冻结至完全冻结阶段ffp和开始融化至完全融化阶段ttp，判定公式为
[0040][0041]
其中，tb
std
表示亮度温度的标准差。
[0042]
进一步改进在于：所述阈值δ1通过迭代算法找出不同冻结因子与参考数据集匹配准确率最优的阈值，所述阈值δ2范围与观测时间内的逐日亮度温度的标准差范围相同。
[0043]
本发明的有益效果为：本发明通过土壤介电常数和亮度温度数值模拟计算，结合冻融算法判别土壤冻融状态，提高了对高寒草原下垫面活动层土壤的水热特性的认识，优选出更适应高寒草原的辐射传输模型参数化方案，为卫星遥感监测区域土壤冻融过程并判别土壤冻融状态提供了理论基础和技术参考。
附图说明
[0044]
图1为本发明判别流程图。
[0045]
图2为本发明实施例亮度温度计算方法示意图。
具体实施方式
[0046]
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
[0047]
实施例
[0048]
根据图1和图2所示，本实施例提供了一种基于地基微波遥感判别土壤冻融状态的方法，包括以下步骤：
[0049]
步骤一、基于地基微波辐射计elbara
‑ⅲ
获取观测数据，并对观测数据进行射频干扰检查，筛选并剔除质量差的观测数据，获得高质量观测数据。
[0050]
剔除不合理的观测数据时，按照以下标准进行：
①
不真实的亮度温度值，tb
p
》300k或者tb
p
《70k，
②
负的极化差值，tbh《tbv；
③
发生了不现实的临时变化的tb
p
，dtb
p
》3
·
std(dtb
p
)，其中std(dtb
p
)为连续实际测量值之间的差值。
[0051]
步骤二、将高质量观测数据作为输入带入土壤介电模型中计算获取待判断地区土壤的介电常数，计算方法为
[0052]
当θv≤θx时，
[0053]
当θv≥θ
t
时，
[0054]
其中，ε
mix
、εd、ε
fw
、εb分别表示土壤的介电常数、干燥土壤固体颗粒物的介电常数、
自由水的介电常数和结合水的介电常数，θv为土壤含水量，θ
t
为最大结合水含量。
[0055]
土壤的介电常数又可表示为折射率nm和归一化衰减系数km的函数，由下式表示
[0056][0057]
ε
″
mix
＝2n
mixkmix
[0058]
结合上式可得
[0059]
当θv≤θ
t
时
[0060][0061]
当θv≥θ
t
时
[0062][0063]
其中，自由水和结合水的折射率和归一化衰减系数可以用复介电常数的实部和虚部分别表示
[0064][0065][0066]
自由水和结合水的复介电常数则可以通过debye方程计算获得具体公式如下：
[0067][0068][0069]
其中部分参数与粘土百分含量的函数关系式为：
[0070]
nd＝1.634-0.539*10-2
*c+0.2748*10-4
*c2[0071]
kd＝0.03952-0.04038*10-2
*c
[0072]
θ
t
＝0.02863+0.30673*10-2
*c
[0073]
ε
w0b
＝79.8-85.4*10-2
c+32.7*10-4
*c2[0074]
τ
wb
＝1.062*10-11
+3.45*10-14
*c
[0075]
σb＝0.3112+0.467*10-2
*c
[0076]
σ
fw
＝0.3631+1.217*10-2
*c
[0077]
ε
0fw
＝100
[0078]
τ
fw
＝8.5*10-12
[0079]
步骤三、再利用τ-ω辐射传输模型计算模拟土壤的水平极化亮度温度(tbh)和垂直极化亮度温度(tbv)，τ-ω辐射传输模型公式为tb
p
＝(1-ω
p
)(1-γ
p
)tc+(1-ω
p
)(1-γ
p
)γ
prp
tc+(1-r
p
)γ
p
tg[0080]
γ
p
＝exp(-τ
p
/cosψ)
[0081]
其中，上标p为极化方式，则土壤的水平极化亮度温度(tbh)由下式计算
[0082]
tbh＝(1-ωh)(1-γh)tc+(1-ωh)(1-γh)γhrhtc+(1-rh)γhtg[0083]
γh＝exp(-τh/cosψ)
[0084]
土壤的垂直极化亮度温度(tbv)由下式计算
[0085]
tbv＝(1-ωv)(1-γv)tc+(1-ωv)(1-γv)γvrvtc+(1-rv)γvtg[0086]
γv＝exp(-τv/cosψ)
[0087]
其中，τh和τv分别为水平极化和垂直极化植被光学厚度，ωh和ωv分别为水平极化和垂直极化有效散射反照率，由特定植被类型决定，γh和γv分别为水平极化和垂直极化植被透射率，rh和rv分别为水平极化和垂直极化粗糙土壤反射率，ψ为elbara
‑ⅲ
地基微波辐射计观测角度，tc和tg分别为植被和土壤的有效温度。
[0088]
假定elbara
‑ⅲ
地基微波辐射计扫描期间，空气、植被和浅层土壤处于热平衡状态，则tc近似等于tg，两者可以用单一有效温度t
eff
代替，则τ-ω辐射传输模型公式可重新表示为
[0089]
tb
p
＝(1-ω
p
)(1-γ
p
)t
eff
+(1-ω
p
)(1-γ
p
)γ
prp
t
eff
+(1-r
p
)γ
p
t
eff
[0090]
土壤粗糙度对土壤发射率和反射率都有着较大的影响。土壤表面粗糙度的增加会导致土壤发射率的增加，并减少垂直极化亮度温度和垂直极化的亮度温度之差。针对粗糙地表对不同极化微波的反射率采用半经验h-q-n模型模拟计算粗糙土壤反射率，针对粗糙地表不同极化方式的反射率的计算公式如下：
[0091][0092]
其中，和分别为光滑表面对与不同极化方式微波的反射率(当p＝h时，q＝v；当p＝v时，q＝h)，可由菲涅尔方程计算获得，菲涅尔方程公式如下：
[0093][0094][0095]
其中，q为交叉极化因子，h为地表有效粗糙度因子(无量纲单位)，n为角度校正常数。而有效粗糙度因子与均方根高度之间存在线性关系，该经验方程适用于频率介于1.4-90ghz范围内的微波相关计算中，具体如下：
[0096][0097]
其中，对于裸土下垫面，通常有s＝15mm，h＝0.56(-)，对于草甸下垫面，通常有s＝
15.6mm，h＝0.58(-)。再基于数值模拟方法对模型进行评估，得出q与h线性相关，得到新的极化交叉因子q计算方法，公式为q＝0.1771*h，新的角度校正常数n参数化方案公式如下nv＝0.767*h-0.099。
[0098]
步骤四、基于相对冻结因子算法并结合土壤的水平极化亮度温度(tbh)和垂直极化亮度温度(tbv)计算获得土壤的相对冻结因子(relative fronst factor,rff)，将相对冻结因子定义为每天的观测到的被动微波信号与土壤冻结状态下的参考值之差与土壤处于冻结状态的参考值与土壤处于融化状态的参考值之差的比值，相对冻结因子rff计算公式为
[0099][0100]
其中，x为冻结因子类型，包含归一化极化比值冻结因子ff
npr
、极化差值冻结因子ff
pd
、组合水平极化差值冻结因子ff
chpd
和组合垂直极化差值冻结因子ff
cvpd
，t为日期，ff
x
(t)为地基l波段微波辐射计(elbara
‑ⅲ
)每日观测到的地表亮温计算得到的冻结因子，ff
x
(fr)为土壤冻结阶段的参考值，以土壤处于完全冻结状态下时的被动微波信号值表示，ff
x
(th)土壤融化阶段的参考值，选取一个完整冻融年内冬季期间(1月、2月)5个值最小的ff
x
(t)的平均值作为ff
x
(fr)，以土壤处于完全融化阶段下时的被动微波信号值表示，选取一个完整冻融年内夏季期间(7月、8月)5个值最大的ff
x
(t)的平均值作为ff
x
(th)；所述归一化极化比值冻结因子由下式计算
[0101][0102]
所述极化差值冻结因子由下式计算
[0103]
ff
pd
＝tb
v-tbh[0104]
所述组合水平极化差值冻结因子由下式计算
[0105]
ff
chpd
＝(tb
v-tbh)*(270-tbh)
[0106]
所述组合垂直极化差值冻结因子由下式计算
[0107]
ff
cvpd
＝(tb
v-tbh)*(300-tbv)
[0108]
其中，tbh为土壤的水平极化亮度温度，tbv为垂直极化亮度温度。
[0109]
步骤五、根据判定阈值法，将相对冻结因子与阈值进行对比，最终得到土壤冻融状态，判定阈值法通过阈值δ1判定土壤冻融状态的判定公式为
[0110][0111]
再通过阈值δ2判定当天的亮度温度的标准差的大小，进一步区分开始冻结至完全冻结阶段ffp和开始融化至完全融化阶段ttp，判定公式为
[0112][0113]
其中，tb
std
表示亮度温度的标准差，基于相对冻结因子和阈值来判断当天土壤的冻融状态。rff是由不同冻结因子归一化处理后所得，故其对应阈值δ1应在0-1之间变化，阈值δ1通过迭代算法找出不同冻结因子与参考数据集匹配准确率最优的阈值δ1，所述阈值δ2范围与观测时间内的逐日亮度温度的标准差范围相同。
[0114]
以上冻结因子是根据土壤在冻结状态和融化状态下l波段观测的变化特征选择的，当土壤发生冻结或融化，亮度温度的极化差会增加或减少。为减少降雨等随机天气事件引起的日变化和对亮度温度信号的影响，对观测结果需进行时间平均处理。尽管平均法可以方便检测信号级别的永久变化，但是也降低了相对冻结因子算法的实时性和灵敏度。因此，选择一个合适的平均时间窗口才可以平衡降低随机事件造成的随机误差以及敏感性和及时性降低引起的遗漏误差，本实施例从1到50天的滑动平均时间窗口选择，试图使这两种类型的误差总量最小。选择的入射角度范围为40
°
～60
°
，步长为5
°
。
[0115]
由于微波辐射计有多个观测入射角度，由此可以产生出多种冻结因子组合类型(4个ffxx
×
2个参考状态(fr和th)
×
n个观测入射角度)。为了校准和验证冻融算法的准确性，使用近地层2m空气温度数据集和浅层土壤温度数据集(2.5cm和5.0cm)作为参考数据集同时判别当天土壤的冻融状态。为了比较实测浅层土壤温度和近地层空气温度与相对冻结因子在反馈土壤冻融状态的一致性，将温度数据转换为土壤冻融信息：当天日平均温度大于0℃，则土壤视为融化状态；当天日平均温度小于0℃，则土壤视为冻结状态，近地层2m空气温度数据集做相同处理。然后，将相对冻结因子与参考数据集和t
air
)获得的土壤冻融状态信息进行对比，用相匹配的冻结和融化天数除以总时间(剔除数据缺测天数)，便可得出微波辐射计估算土壤冻融过程准确度。具体表达式如下
[0116][0117]
其中accuracy是冻融算法估算土壤冻融状态与过程的准确度，day
correct
是参考数据集和相对因子正确匹配天数，day
all
是总天数。
[0118]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。