联合SAR与光学遥感数据的农作物生长过程土壤湿度监测方法

联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法
技术领域
1.本发明属于土壤环境监测技术领域，更具体地，本发明涉及一种联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法。

背景技术：

2.土壤湿度(即土壤水分含量)是地球系统研究中的重要参数，也是影响地表过程的核心变量之一，在能量循环、水循环、生态系统以及农业生产中扮演着重要的角。在地表与大气的能量循环中，土壤湿度的变化会影响地表反照率、土壤热容量、地表蒸散发等地表参数，改变地表向大气输送的显热、潜热和长波辐射通量，导致地表能量的再分配，对气候变化起着非常重要的调解作用。土壤水分是陆面水资源的形成、转化、消耗过程中联系地表水与地下水的纽带，在降水、径流、下渗、蒸散发等水文过程中起着至关重要的作用，土壤湿度是诸多水文模型、气候模型、生态模型、大气模型等的重要输入参数。土壤水分是陆面生态系统的重要组成部分，是陆地植物、土壤生物赖以生存的基本条件，适度的土壤湿度有利于土壤中各种营养物质的溶解和移动，改善植物的营养状况，促进营养物的循环，从而影响植被的光合作用与生产力。同时，土壤水分是农业生产中的关键因素，土壤湿度是研究植物水分胁迫、进行旱情监测、农作物估产等的一个重要指标，是作物生长状态监测和估产模型的重要参数，可在农业生产灌溉管理中起到指导作用。可见土壤湿度在地球科学的研究中有着非常重要的意义。
3.根据传感器类型的不同，当前土壤湿度遥感反演方法分为光学遥感方法、被动微波遥感方法和主动微波遥感方法3种类型：
4.1)光学遥感方法：利用土壤表面光谱反射特性、土壤表面发射率或表面温度来估算土壤湿度，主要有基于指数的方法和基于土壤热惯量的方法。前者利用干燥土壤反射率的较高，而同类的湿润土壤在各波段的反射率相应下降的原理，通过构建不同的光谱指数的方法反演土壤湿度。这里常用的指数主要有距平植被指数、温度植被干旱指数tvdi、土壤湿度指数swi、垂直干旱指数pdi、土壤水分含量温度指数swcti、作物缺水指数cwsi、植被供水指数vswi等。基于土壤热惯量的方法利用土壤热惯量与土壤湿度间良好的线性关系和较强的敏感性反演土壤湿度，在范围较小、类型单一的土壤旱情监测中具有较高的精度。光学遥感方法反演土壤湿度的优势是空间分辨率高，可供选择的卫星传感器多；但光学波段只能测量地表1mm的反射和发射，属于间接反演土壤湿度的方法，且不能穿透植被冠层和受大气衰减影响，故该方法的应用存在一定局限性。
5.2)被动微波遥感方法：利用微波辐射计测量的土壤微波发射或亮度温度反演土壤湿度。研究发现，对于裸露地表，土壤湿度与微波发射率(常用微波亮温与地温比代替)存在简单的线性关系，通过该线性关系建立经验模型即可反演裸露地表土壤湿度；对于植被覆盖地表，通常利用植被指数(可以是微波遥感植被指数，也可以是光学遥感植被指数)或τ-ω模型等定量化植被的影响，用h参数描述土壤粗糙度，再结合上述裸土的经验模型反演土
壤湿度。还发展了多波段多极化多角度的土壤湿度反演方法，成为amsr-e全球土壤水分数据集的标准算法和smos全球土壤水分数据集的标准算法，并得到相关应用。被动微波遥感方法可穿透植被层探测地表以下5cm左右深度土壤，具有较强的反演物理基础，且数据幅宽大、时间分辨率高，适合全球尺度的土壤湿度反演与应用研究；相反，其数十公里级别的低空间分辨率极大地影响到数据在小区域尺度研究中的有效使用。
6.3)主动微波遥感方法：利用低频波段(l、c波段)雷达后向散射系数对土壤湿度高度敏感的特性反演土壤湿度。反演算法可分为经验模型、理论模型和半经验模型3类。其中，经验模型多是通过建立多频多极化多角度后向散射系数与一定深度的土壤湿度、土壤粗糙度等实测值间的回归关系来反演土壤湿度，如经典的oh模型和dubois模型。理论模型是用于模拟地表后向雷达散射特征的正向模型。对于裸露地表，理论模型主要包括kirchhoff模型和小扰动模型(spm)，随后发展了统一两者的积分方程模型(iem)，能在一个很宽的地表粗糙度范围内再现真实地表后向散射情况，并经过不断改进和完善，发展成为高级积分方程模型(aiem)，使模型模拟结果和精度得到不断提高。植被层对微波后向散射的贡献是影响土壤湿度反演的重要因素，对于植被覆盖地表，学者们提出的研究微波植被散射特性的理论模型有三分量植被散射模型、一阶离散植被模型、密歇根微波植被散射模型(mimics)等。理论模型参数较多，较难直接用于反演，需要在其基础上构建半经验模型。针对裸露地表条件，半经验模型通常利用iem/aiem模拟不同地表粗糙度和土壤湿度条件下的地表后向散射特性，结合查表回归分析，建立不同极化组合或入射角度组合下后向散射系数与地表粗糙度和介电常数或土壤湿度间的相关关系，进而反演裸露地表土壤湿度，其中尤以shi模型最具代表性。针对植被覆盖地表，attema等提出了估算农作物覆盖地表土壤水分的半经验模型“水-云”模型，得到了广泛使用；mimics模型也常被用于构建植被覆盖地表的半经验散射模型，进而反演土壤湿度。主动微波遥感方法也可穿透植被层探测地表以下5cm左右深度土壤，具有较强的反演物理基础；合成孔径雷达(synthetic aperture radar,sar)还可提供米至百米级的高空间分辨率数据；且大量对比研究发现，土壤湿度反演的主动微波算法的精度要高于光学算法和被动微波算法。空间分辨率高、探测深度大和反演精度高的优势，使得利用sar数据反演土壤湿度的方法，在区域尺度的应用中具有重要应用价值和前景，成为该领域的重要研究方向之一。但总体而言，基于sar的土壤湿度反演方法在裸露或稀疏植被地表反演效果较好，在高植被覆盖度地表依然存在以下两方面的问题：
7.一是现有植被覆盖区反演模型多依赖于地面观测数据回归经验和半经验反演模型的系数，从而限制了该方法在植被覆盖区域的实际应用；
8.二是现有植被覆盖区土壤湿度反演研究中均认为植被完全覆盖地表，忽略了作物从播种到成熟的生长过程中，地表从纯净土壤像元到混合像元再到纯净植被像元的变化过程。

技术实现要素：

9.本发明提供一种联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，旨在改善上述问题。
10.本发明是这样实现的，一种联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，所述方法具体包括如下步骤：
11.s1、基于播种时期t1的sar卫星数据sar(t1,θ1)及sar(t1,θ2)计算播种时期t1的土壤表面湿度mv(t1)；
12.s2、基于时期ti的sar卫星数据sar(ti,θ)、时期t
i+1
的光学遥感数据opt(t
i+1
)及sar卫星数据sar(t
i+1
,θ)确定时期ti和时期t
i+1
时相的土壤湿度相对变化，进而获取时期t
i+1
的土壤表面湿度mv(t
i+1
)，其中i从1依次取值至h；
13.sar(t1,θ1)表示播种时期t1雷达入射角θ1下的sar卫星数据，θ1为小角度，sar(t1,θ2)表示播种时期t1、雷达入射角θ2下的sar卫星数据，θ2为大角度。
14.进一步的，土壤表面湿度mv(t1)的获取方法具体如下：
15.s11、基于sar卫星数据sar(t1,θ1)及sar(t1,θ2)获取后向散射系数及其中，θ1和θ2分别表示小角度和大角度；
16.s12、由于播种时期t1的植被覆盖度f(t1)＝0，则)＝0，则
17.s13、基于及计算出裸露土壤的组合粗糙度zs；
18.s14、将s2得到的或及土壤的组合粗糙度zs计算出播种时期t1的土壤表面湿度mv(t1)。
19.进一步的，裸露土壤的组合粗糙度zs的计算公式具体如下：
[0020][0021]
其中，c、d均为拟合系数，表示播种时期t1、雷达入射角θ1、pq极化方式下的土壤表面后向散射系数；表示播种时期t1、雷达入射角θ2、pq极化方式下的后向散射系数。
[0022]
进一步的，播种时期t1的土壤表面湿度mv(t1)计算公式具体如下：
[0023][0024]app
(θ)、b
pp
(θ)、c
pp
(θ)均是关于雷达入射角度θ的三次多项式，zs表示裸露土壤的组合粗糙度。
[0025]
进一步的，时期t
i+1
的土壤表面湿度mv(t
i+1
)的获取方法具体如下：
[0026]
s21、基于时期t
i+1
的光学遥感数据opt(t
i+1
)，获取归一化植被指数ndvi(t
i+1
)、ndvi
veg
(t
i+1
)和ndvi
soil
(t
i+1
)；
[0027]
s22、基于时期t
i+1
的sar卫星数据sar(ti+1,θ)获取后散射系数和
[0028]
s23、基于ndvi(t
i+1
)、ndvi
veg
(t
i+1
)和ndvi
soil
(t
i+1
)计算出植被覆盖度f(t
i+1
)，进而计算时期ti到时期t
i+1
的平均植被覆盖度
[0029]
s24、将和裸露土壤的组合粗糙度的zs计算时期ti和时期t
i+1
时相的土壤湿度相对变化；
[0030]
s25、将时期ti的土壤表面湿度mv(ti)输入时期ti和时期t
i+1
时相的土壤湿度相对变化，计算出时期t
i+1
土壤表面湿度mv(t
i+1
)。
[0031]
进一步的，时期ti和时期t
i+1
时相的土壤湿度相对变化公式具体如下：
[0032][0033]
进一步的，植被覆盖度f(ti)计算公式具体如下：
[0034]
f(ti)＝(ndvi(ti)-ndvi
soil
(ti))/(ndvi
veg
(ti)-ndvi
soil
(ti))
[0035]
进一步的，所述农作物生长于旱地农田，包括小麦，玉米，油菜，花生等。
[0036]
进一步的，大角度θ2与小角度θ1的差值大于10
°
。
[0037]
本发明通过正向模型模拟分析，改进裸露土壤表面湿度反演模型；并基于一阶离散植被模型，构建基于联合sar与光学数据的土壤湿度监测模型，解决植被覆盖区土壤湿度遥感反演的病态反演问题和混合像元问题；最终实现不依赖于地面观测数据的农作物生长过程时间序列土壤湿度监测。
附图说明
[0038]
图1为本发明实施例提供的联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法流程图。
具体实施方式
[0039]
下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
[0040]
本发明通过正向模型模拟分析，改进裸露土壤表面湿度反演模型；并基于一阶离散植被模型，构建基于联合sar与光学数据的土壤湿度监测模型，解决植被覆盖区土壤湿度遥感反演的病态反演问题和混合像元问题；最终实现不依赖于地面观测数据的农作物生长过程时间序列土壤湿度监测，此处的农作物包括生长于旱地农田的农作物，例如小麦，玉米，油菜，花生等，还可以适用于草地
[0041]
(1)后向散射模拟查表构建
[0042]
利用aiem模型模拟c波段不同极化方式、入射角、土壤湿度、土壤表面粗糙度(相关长度与均方根高度)下的地表后向散射系数，构建后向散射模拟查表，为后续的组合粗糙度反演算法改进、裸土表面湿度半经验反演模型对比分析提供数据支撑。
[0043]
(2)裸土表面湿度反演模型改进
[0044]
基于以上构建的后向散射模拟查表，结合裸土表面湿度半经验反演模型表达式分析，利用非线性回归分析方法，改进组合粗糙度的反演算法，进而改进裸土表面湿度反演模型。已有的研究中，利用多角度后向散射系数之差拟合组合粗糙度的函数形式有多种，包括多项式函数拟合和对数函数拟合，分别如公式(1)、公式(2)、公式(3)所示：
[0045][0046]
[0047][0048]
式中，下标s表示土壤(soil)面散射；zs表示土壤表面组合粗糙度，单位cm，为均方根高度的平方与相关长度之比；σs表示土壤表面后向散射系数，单位db；is2与is7分别表示asar的is2(19.2
°
～26.7
°
)和is7(41-.5
°
～45.2
°
)入射角模式；a，b均为拟合所得系数；上标p、q表示极化方式，pq表示hh、vv、hv或vh中的一种极化，pp表示hh或vv中的一种极化，因此，表示38
°
雷达入射角、hh极化方式下的土壤表面后向散射系数，表示22
°
雷达入射角、hh极化方式下的土壤表面后向散射系数，表示38
°
雷达入射角、vv极化方式下的土壤表面后向散射系数，表示22
°
雷达入射角、vv极化方式下的土壤表面后向散射系数，表示is2入射角模式下、pq极化方式下的土壤表面后向散射系数，表示is7入射角模式下、pq极化方式下的土壤表面后向散射系数。
[0049]
以上三个拟合表达式的复相关系数均达0.95以上，拟合效果较好。但无论是上述多项式模型(1)、(2)或对数模型(3)，在实际应用中均存在一定问题：对于公式(1)、(2)，当小角度与大角度后向散射系数之差分别大于8.013db和6.272db时，组合粗糙度会出现负值，对于(3)式亦存在负值情况。这种出现负值的情况在sar图像并不少见，从而造成反演失败的像元多有出现。
[0050]
通过观察土壤表面湿度半经验反演模型的加性模型表达式(如公式(4)所示)，发现多角度后向散射系数之差与组合粗糙度之间其实更加符合某种指数函数关系形式，如公式(5)所示：
[0051][0052][0053]
式中，ti表示小麦生长时期，当i＝1时，ti＝t1表示播种时期，为裸露土壤；mv(ti)表示时期ti时土壤体积含水量；θ为雷达的入射角度，θ＝θ1为小角度，θ＝θ2为大角度，大角度θ2与小角度θ1的差值大于10
°
以；表示时期ti、雷达入射角θ、pp极化方式下的土壤表面后向散射系数；表示播种时期t1、雷达入射角θ1、pq极化方式下的土壤表面后向散射系数；表示播种时期t1、雷达入射角θ2、pq极化方式下的后向散射系数；c、d均为拟合系数，a
pp
(θ)、b
pp
(θ)、c
pp
(θ)都是关于雷达入射角度θ的三次多项式，表达式具体如下：
[0054]app
(θ)＝a
1 sin3θ+b
1 sin2θ+c
1 sinθ+d1；
[0055]bpp
(θ)＝a
2 sin3θ+b
2 sin2θ+c
2 sinθ+d2；
[0056]cpp
(θ)＝a
3 sin3θ+b
3 sin2θ+c
3 sinθ+d3；
[0057]
式中a1，b1，c1，d1，a2，b2，c2，d2，a3，b3，c3，d3是拟合系数。
[0058]
利用aiem模拟查表依据指数函数关系拟合公式(5)，在is2与is7入射角度差的情况下，其拟合的复相关系数达到0.996，优于上述多项式模型和对数模型；且不会产生组合粗糙度出现负值的情形，更加符合实际情况，避免反演失败。因此，该上述方法在土壤粗糙度反演中将会更具优势。
[0059]
随着作物播种和生长，土壤表面植被覆盖度逐渐变化，并带来混合像元问题。一阶离散植被模型是不同植被覆盖度地表混合像元的后向散射概念模型，尚无法直接实现植被覆盖地表的土壤湿度反演，但可在获取植被覆盖度信息及消除植被双程衰减影响的前提下，实现土壤湿度相对变化监测：拟利用光学遥感数据与像元二分模型进行亚像元分解，提取多时相的像元植被覆盖度信息；利用一阶离散植被模型和三分量散射模型分离出土壤表面的面散射分量，并通过多时相面散射分量之比消除植被双程衰减因子的影响；最后结合裸露土壤表面湿度半经验反演模型及多时相多极化sar数据，构建不依赖于地面观测数据的多时相土壤湿度相对变化监测模型。
[0060]
(3)一阶离散植被模型分离面散射分量
[0061]
一阶离散植被模型是考虑不同植被覆盖度的混合像元后向散射概念模型，其模型表述为：
[0062][0063]
式中，f(ti)为时期ti的像元植被覆盖度，θ为雷达的入射角度，pp代表vv或hh极化方式，下标t，v，s，sv分别表示总散射、植被体散射、土壤面散射、植被体与土壤面的体-面交互散射项，因此，表示时期ti、雷达入射角θ、pp极化方式下植被的后向体散射系数分量，表示时期ti、雷达入射角θ、pp极化方式下植被与土壤体-面交互的后向散射系数分量，表示时期ti、雷达入射角θ、pp极化方式下土壤的后向面散射系数分量，表示时期ti、雷达入射角θ、pp极化方式下的总后向散射系数，表示时期ti的植被双程衰减因子。
[0064]
同极化pp(hh和vv极化)状态下，当雷达入射角度θ》20
°
时，一阶离散植被模型中的体-面交互散射可忽略不计；同时假设农作物覆盖层是由随机分布的细小的圆柱体组成，根据freeman a的三分量散射模型，植被层的体散射可被认为不受极化的影响，约为交叉极化总散射量的3倍，即因此，面散射分量便可分离为：
[0065][0066]
(4)光学数据像元二分模型计算像元植被覆盖度
[0067]
作物生长过程中，植被覆盖度不断变化，像元也由纯净的裸土像元过渡为土壤与植被的混合像元，再到纯净的植被像元。像元二分模型是最常用的混合像元线性分解模型，利用像元二分模型可以反演像元植被覆盖度。像元二分模型可描述为：
[0068]st
(ti)＝f(ti)
·sveg
(ti)+(1-f(ti))
·ssoil
(ti)
ꢀꢀꢀ
(8)
[0069]
式中，f(ti)为时期ti的像元植被覆盖度；s
t
(ti)表示时期ti的像元总信息；s
veg
(ti)表示时期ti的纯植被像元的遥感信息；s
soil
(ti)表示时期ti的纯土壤像元的遥感信息，由(8)式可得像元的植被覆盖度f(ti)可表示为(9)式：
[0070]
f(ti)＝(s
t
(ti)-s
soil
(ti))/(s
veg
(ti)-s
soil
(ti))
ꢀꢀꢀ
(9)
[0071]
用ndvi作为遥感信息代入(9)式，便得到植被覆盖度f(ti)计算公式，如(10)式：
[0072]
f(ti)＝(ndvi(ti)-ndvi
soil
(ti))/(ndvi
veg
(ti)-ndvi
soil
(ti))
ꢀꢀꢀ
(10)
[0073]
式中，ndvi(ti)为时期ti的像元的实际ndvi值；ndvi
veg
(ti)为时期ti的纯植被像元的ndvi值，ndvi
soil
(ti)为时期ti的无植被的裸土像元的ndvi值。
[0074]
(5)作物生长过程土壤湿度相对变化监测模型构建
[0075]
根据公式(7)可知，仅有植被覆盖度f还无法计算土壤面散射分量，还需进一步消除植被双程衰减因子l
2pp
的影响。考虑到作物生长过程中植被覆盖层变化比土壤湿度变化具有更长的时间尺度，认为时间相近的两个时相ti和t
i+1
上，植被覆盖度f与植被双程衰减因子l
2pp
变化很小，即：
[0076][0077][0078]
表示时期ti到时期t
i+1
的平均植被覆盖度，故可通过土壤面散射分量求比消除l
2pp
因子，如(13)式所示：
[0079][0080]
等式右边可由遥感数据计算得到；等式左边为土壤面散射分量之比，将(4)式代入可得：
[0081][0082]
再结合公式(5)，即可求解得到ti和t
i+1
时相的土壤湿度相对变化：
[0083]
[mv(t
i+1
)]m/[mv(ti)]n＝k
ꢀꢀꢀ
(15)
[0084]
式中，m，n，k可由(14)式化简得到。
[0085]
图1为本发明实施例提供的联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法流程图，该方法具体如下：
[0086]
s1、基于sar卫星数据sar(t1,θ1)及sar(t1,θ2)获取后向散射系数及其中，θ1和θ2分别表示小角度和大角度；
[0087]
sar(t1,θ1)表示播种时期t1雷达入射角θ1下的sar卫星数据，θ1为小角度，sar(t1,θ2)表示播种时期t1、雷达入射角θ2下的sar卫星数据，θ2为大角度；表示播种时期t1、雷达入射角θ1、pq极化方式下的总后向散射系数，表示播种时期t1、雷达入射角θ2、pq极化方式下的总后向散射系数。
[0088]
s2、由于播种时期t1的植被覆盖度f(t1)＝0，则得到)＝0，则得到
[0089]
s3、将及代入公式(5)中，计算出裸露土壤的组合粗糙度zs；
[0090]
s4、将步骤s2得到的或及土壤的组合粗糙度zs代入公式(4)计算出播种时期t1的土壤表面湿度mv(t1)；
[0091]
s5、基于t2时期的光学遥感数据opt(t2)获取归一化植被指数ndvi(t2)、ndvi
veg
(t2)和ndvi
soil
(t2)，t2时期为播种时期t1的下一个时期；
[0092]
s6、基于sar卫星数据sar(t2,θ)获取后散射系数和
[0093]
s7、将步骤s5得到的ndvi(t2)、ndvi
veg
(t2)和ndvi
soil
(t2)代入公式(10)计算出植被覆盖度f(t2)，将f(t1)与f(t2)代入公式(11)得到
[0094]
s7、将和步骤s3得到的zs代入公式(14)，化简得到t1和t2时相的土壤湿度相对变化公式(15)；
[0095]
s8、结合公式(15)和步骤s4得到的mv(t1)，计算得到mv(t2)。
[0096]
依此类推，生长过程的任一时期t
i+1
的土壤表面湿度反演：
[0097]
s9、基于光学遥感数据opt(t
i+1
)获取归一化植被指数ndvi(t
i+1
)、ndvi
veg
(t
i+1
)和ndvi
soil
(t
i+1
)；基于sar(t
i+1
,θ)获取后散射系数和
[0098]
s10、将步骤s9得到的ndvi(t
i+1
)、ndvi
veg
(t
i+1
)和ndvi
soil
(t
i+1
)代入公式(10)计算出植被覆盖度f(t
i+1
)，将f(ti)与f(t
i+1
)代入公式(11)得到
[0099]
s11、将和s3得到的zs的代入公式(14)，化简得到ti和t
i+1
时相的土壤湿度相对变化公式(15)；
[0100]
s12、结合公式(15)和上一临近时期ti的mv(ti)，计算得到mv(t
i+1
)。
[0101]
冬小麦生长过程时间序列土壤湿度监测
[0102]
以安徽省蒙城县冬小麦典型种植区域为研究实验区，以冬小麦生长过程中的播种期作为起始时相，根据播种期土壤裸露这一先验知识，利用公式(4)和公式(5)直接计算得到土壤表面组合粗糙度zs以及初始土壤湿度mv(t1)，再代入公式(15)，便可得到mv(t2)。同理，可以计算得到mv(t3)，mv(t4)，
……
，从而得到时间序列土壤湿度，实现冬小麦生长过程土壤湿度监测。
[0103]
本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

技术特征：

1.一种联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，所述方法具体包括如下步骤：s1、基于播种时期t1的sar卫星数据sar(t1,θ1)及sar(t1,θ2)计算播种时期t1的土壤表面湿度m
v
(t1)；s2、基于时期t
i
的sar卫星数据sar(t
i
,θ)、时期t
i+1
的光学遥感数据opt(t
i+1
)及sar卫星数据sar(t
i+1
,θ)确定时期t
i
和时期t
i+1
时相的土壤湿度相对变化，进而获取时期t
i+1
的土壤表面湿度m
v
(t
i+1
)，其中i从1依次取值至h；sar(t1,θ1)表示播种时期t1雷达入射角θ1下的sar卫星数据，θ1为小角度，sar(t1,θ2)表示播种时期t1、雷达入射角θ2下的sar卫星数据，θ2为大角度。2.如权利要求1所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，土壤表面湿度m
v
(t1)的获取方法具体如下：s11、基于sar卫星数据sar(t1,θ1)及sar(t1,θ2)获取后向散射系数及其中，θ1和θ2分别表示小角度和大角度；s12、由于播种时期t1的植被覆盖度f(t1)＝0，则)＝0，则s13、基于及计算出裸露土壤的组合粗糙度z
s
；s14、将s2得到的或及土壤的组合粗糙度z
s
计算出播种时期t1的土壤表面湿度m
v
(t1)。3.如权利要求2所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，裸露土壤的组合粗糙度z
s
的计算公式具体如下：其中，c、d均为拟合系数，表示播种时期t1、雷达入射角θ1、pq极化方式下的土壤表面后向散射系数；表示播种时期t1、雷达入射角θ2、pq极化方式下的后向散射系数。4.如权利要求2所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，播种时期t1的土壤表面湿度m
v
(t1)计算公式具体如下：a
pp
(θ)、b
pp
(θ)、c
pp
(θ)均是关于雷达入射角度θ的三次多项式，z
s
表示裸露土壤的组合粗糙度。5.如权利要求2所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，时期t
i+1
的土壤表面湿度m
v
(t
i+1
)的获取方法具体如下：s21、基于时期t
i+1
的光学遥感数据opt(t
i+1
)，获取归一化植被指数ndvi(t
i+1
)、ndvi
veg
(t
i+1
)和ndvi
soil
(t
i+1
)；s22、基于时期t
i+1
的sar卫星数据sar(t
i+1
,θ)获取后散射系数和s23、基于ndvi(t
i+1
)、ndvi
veg
(t
i+1
)和ndvi
soil
(t
i+1
)计算出植被覆盖度f(t
i+1
)，进而计算
时期t
i
到时期t
i+1
的平均植被覆盖度s24、将和裸露土壤的组合粗糙度的z
s
计算时期t
i
和时期t
i+1
时相的土壤湿度相对变化；s25、将时期t
i
的土壤表面湿度m
v
(t
i
)输入时期t
i
和时期t
i+1
时相的土壤湿度相对变化，计算出时期t
i+1
土壤表面湿度m
v
(t
i+1
)。6.如权利要求5所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，时期t
i
和时期t
i+1
时相的土壤湿度相对变化公式具体如下：7.如权利要求5所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，植被覆盖度f(t
i
)计算公式具体如下：f(t
i
)＝(ndvi(t
i
)-ndvi
soil
(t
i
))/(ndvi
veg
(t
i
)-ndvi
soil
(t
i
)) 。8.如权利要求1所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，所述农作物生长于旱地农田，包括小麦，玉米，油菜，花生。9.如权利要求1所述联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法，其特征在于，大角度θ2与小角度θ1的差值大于10
°
。

技术总结

本发明公开一种联合SAR与光学遥感数据的农作物生长过程土壤湿度监测方法，包括如下步骤：S1、基于播种时期T1的SAR卫星数据SAR(T1,θ1)及SAR(T1,θ2)计算播种时期T1的土壤表面湿度M

技术研发人员：

汪左 李虎 陈冬花

受保护的技术使用者：

安徽师范大学

技术研发日：

2022.09.13

技术公布日：

2022/12/16