一种基于降尺度的土壤墒情遥感计算方法与流程

本发明涉及遥感，特别是涉及一种基于降尺度的土壤墒情遥感计算方法。

背景技术：

1、土壤水分作为全球水循环的重要组分，通过蒸发控制着大气圈的水文学循环和气候变化，是控制地球各圈层内部水能量交换的重要参数之一；同时土壤水分通过生态系统水胁迫来降低总的初级生产力，导致植被死亡，是影响陆地碳吸收的重要因素；因此，准确获取土壤水分信息是研究陆地生态系统水碳循环的一个关键问题。

2、目前获取土壤水分信息的方法有直接和间接两种。直接方法利用传统的土壤水分观测，通常通过探针或重量测量在小范围内获取数据，但难以涵盖大范围或高时间分辨率的土壤水分信息。相比之下，利用卫星遥感探测土壤水分具有明显优势。微波遥感因其强大的穿透能力和与土壤水分相关的物理特性成为重要的土壤水分监测手段之一。目前，许多卫星平台搭载了微波传感器，因此基于微波的土壤水分产品具备较高的反演精度。这些产品包括结合了主动与被动观测的smap卫星、土壤水分海洋盐度smos卫星、sentinel系列的主动微波卫星，以及amsr2和smap等土壤水分产品。

3、尽管这些产品在获取土壤水分方面有显著优势，但它们的空间分辨率较低，因此难以准确表达强烈异质性区域的土壤水分情况。为解决这一问题，基于微波土壤水分产品的降尺度结果通常有着更高的空间分辨率，能够广泛涵盖大范围土壤水分信息，然而目前大多数降尺度后土壤水分数据的空间分辨率仍然有限，无法充分反映强烈异质性区域的土壤水分状况。

4、在公开号为：cn111639675a，申请号为：202010372048 .0的发明专利中提供了一种基于随机森林的smap土壤水分降尺度方法，包括：获取目标区域的smap土壤水分产品、modis数据和srtm数字高程数据；对获取的数据进行处理以获取与smap土壤水分产品空间分辨率相同的目标区域的modis数据和srtm数字高程数据；基于随机森林构建土壤水分降尺度模型并对模型进行训练；最后将smap土壤水分数据、modis数据和srtm数字高程数据重采样到1km空间分辨率并输入到土壤水分降尺度模型，获取目标区域1km空间分辨率的土壤水分产品，其空间分辨率仍只能达到1km，依旧存在无法充分反映强烈异质性区域的土壤水分状况的问题。

技术实现思路

1、基于此，针对上述问题，本发明提出了一种基于降尺度的土壤墒情遥感计算方法，解决了目前的降尺度后土壤水分数据的空间分辨率有限，无法充分反映强烈异质性区域的土壤水分状况的问题。

2、本发明的技术方案是：

3、一种基于降尺度的土壤墒情遥感计算方法，包括以下步骤：

4、s1：基于google earth engine提取目标区域的smap土壤水分数据、landsat8及landsat9数据、merit dem数字高程模型数据、soilgrids全球土壤数据和era5-land陆面高分辨率再分析数据；

5、s2：对landsat8及landsat9数据进行质量控制和辐射定标，得到真实的地表反射率数据；

6、s3：基于google earth engine以及landsat8及landsat9数据计算增强型植被指数evi、增强型修改土壤植被指数emsavi、归一化植被指数ndvi、归一化水体指数ndwi和归一化建筑指数ndbi；

7、s4：基于merit dem数字高程模型数据计算获取地表高程elevation、坡度slope和坡向aspect；

8、s5：采用随机森林算法，在9km空间分辨率上建立以smap土壤水分数据作为降尺度目标，增强型植被指数evi、增强型修改土壤植被指数emsavi、归一化植被指数ndvi、归一化水体指数ndwi、归一化建筑指数ndbi、地表高程elevation、坡度slope、坡向aspect、soilgrids全球土壤数据和era5-land陆面高分辨率再分析数据作为降尺度因子的映射关系，最终建立土壤水分降尺度模型；

9、s6：将原始降尺度因子重采样至100米的空间分辨率，利用土壤水分降尺度模型，得到目标区域100米高空间分辨率的土壤水分数据。

10、优选的是，步骤s1具体为：

11、基于google earth engine提取目标区域2022年度至2023年度长时间序列的smap土壤水分数据、landsat8及landsat9数据、merit dem数字高程模型数据、soilgrids全球土壤数据和era5-land陆面高分辨率再分析数据。

12、优选的是，步骤s2具体为：

13、对landsat8及landsat9数据进行质量控制，排除受云层遮蔽的数据，对landsat8及landsat9数据进行辐射定标，将google earth engine上提供的原始遥感数据转换为物理上可信的辐射亮度或反射率数据，即根据官方说明中给出的不同波段的缩放因子和偏差量，对landsat8及landsat9数据中的各个波段进行辐射定标，得到真实的地表反射率数据，包括近红外波段的反射率nir，短波红外波段的反射率swir，红波段的反射率red，绿波段的反射率green，蓝波段的反射率blue。

14、优选的是，步骤s3具体为：

15、在google earth engine中计算增强型植被指数evi，其计算公式如下：

16、

17、在google earth engine计算增强型修改土壤植被指数emsavi，其计算公式如下：

18、

19、在google earth engine计算归一化植被指数ndvi，其计算公式如下：

20、

21、在google earth engine计算归一化水体指数ndwi，其计算公式如下：

22、

23、在google earth engine计算归一化建筑指数ndbi，其计算公式如下：

24、

25、其中，nir代表近红外波段的反射率，red代表红波段的反射率，blue代表蓝波段的反射率，swir代表短波红外波段的反射率，green代表绿波段的反射率。

26、优选的是，步骤s5具体为：

27、采用随机森林算法，在9km空间分辨率上建立以smap土壤水分数据中的降轨土壤水分soil_moisture_pm作为降尺度目标，增强型植被指数evi、增强型修改土壤植被指数emsavi、归一化植被指数ndvi、归一化水体指数ndwi、归一化建筑指数ndbi、地表高程elevation、坡度slope、坡向aspect、era5-land陆面高分辨率再分析数据中的地表温度skin_temperature、era5-land陆面高分辨率再分析数据中的土壤温度soil_temperature_level_1、era5-land陆面高分辨率再分析数据中的土壤含水量volumetric_soil_water_layer_1、soilgrids全球土壤数据的0-5厘米土壤深度的粘土含量clay_0-5cm_mean、soilgrids全球土壤数据的0-5厘米土壤深度的砂土含量sand_0-5cm_mean作为降尺度因子的映射关系，最终建立土壤水分降尺度模型;

28、土壤水分降尺度模型为：

29、

30、其中，sm代表smap表层土壤水分降轨产品，fr表示基于随机森林的非线性模型。

31、优选的是，还包括步骤s51：

32、将增强型植被指数evi、增强型修改土壤植被指数emsavi、归一化植被指数ndvi、归一化水体指数ndwi、归一化建筑指数ndbi、era5-land陆面高分辨率再分析数据、soilgrids全球土壤数据、地表高程elevation、坡度slope和坡向aspect重采样至9km的空间分辨率上，结合smap土壤水分数据，建立9km的长时间序列影像集。

33、优选的是，步骤s51具体为：

34、选取era5-land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、表示土壤温度的soil_temperature_level_1数据波段和表示土壤含水量的volumetric_soil_water_layer_1数据波段；

35、将增强型植被指数evi、增强型修改土壤植被指数emsavi、归一化植被指数ndvi、归一化水体指数ndwi、归一化建筑指数ndbi、地表高程elevation、坡度slope、坡向aspect、era5-land陆面高分辨率再分析数据中表示地表温度的skin_temperature数据波段、era5-land陆面高分辨率再分析数据中表示土壤温度的soil_temperature_level_1数据波段、era5-land陆面高分辨率再分析数据中表示土壤含水量的volumetric_soil_water_layer_1数据波段、表示soilgrids全球土壤数据中的0-5厘米土壤深度的粘土含量clay_0-5cm_mean数据波段、表示soilgrids全球土壤数据中的0-5厘米土壤深度的砂土含量sand_0-5cm_mean数据波段和表示smap土壤水分数据中的降轨土壤水分的soil_moisture_pm数据波段投影至epsg:4326坐标系并进行裁剪，添加进一个新的长时间序列影像集，并使用三次卷积法内插将整个长时间序列影像集重采样至9km的空间分辨率上，创建一个空间分辨率为9km的长时间序列影像集。

36、优选的是，还包括步骤s52：

37、基于merit dem数字高程模型数据和google earth engine完成对步骤s51建立的长时间序列影像集中的像元值进行提取和导出，并建立土壤水分降尺度模型的训练集。

38、优选的是，步骤s52具体为：

39、基于merit dem数字高程模型数据对9km的长时间序列影像集进行转化，得到9km空间分辨率dem栅格数据，将9km空间分辨率dem栅格数据转换为点数据并上传至googleearth engine，基于上传后的点数据，在google earth engine中完成对步骤s51得到的9km空间分辨率的长时间序列影像集中像元的提取和导出，并建立土壤水分降尺度模型的训练集。

40、优选的是，步骤s6具体为：

41、对目标区域进行矢量裁剪，然后将原始空间分辨率的降尺度因子重采样至100米的空间分辨率，然后将重采样至100米的空间分辨率后的降尺度因子代入土壤水分降尺度模型，最终得到目标区域100米高空间分辨率的土壤水分数据。

42、与现有技术相比，本发明的有益效果是：

43、本发明充分利用了landsat8及landsat9数据在空间分辨率方面的优势，并结合遥感地表参数与土壤水分之间的非线性关系，采用随机森林构建了土壤水分降尺度模型，通过将该土壤水分降尺度模型应用于高分辨率的降尺度因子，成功将土壤水分数据从9km空间分辨率提升至100m，有效改善了原始smap数据缺失的情况，最终得到了目标区域高分辨率的土壤水分数据，本发明为目标区域表层土壤水分的提取提供了有效方法，有利于目标区域土壤水分监测，解决了目前降尺度后土壤水分数据的空间分辨率有限，无法充分反映强烈异质性区域的土壤水分状况的问题。