一种基于地理分区的土壤干旱遥感监测方法与流程

1.本发明涉及遥感监测技术领域，特别是涉及一种基于地理分区的土壤干旱遥感监测方法。


背景技术：

2.土壤水分一般指保存不饱和土壤层或渗流层土壤孔隙中的水分，是主导农作物长势和产量的一个重要因素，也是干旱监测的一个重要指标；土壤水分不足会导致植被正常生长发育受阻，影响作物长势和产量，甚至导致作物因干旱而绝收。传统的土壤水分信息获取方式以地面观测为主，大范围的区域土壤水分信息获取方式则以卫星遥感为主。土壤水分遥感监测原理是土壤的物理特性和辐射理论，主要利用土壤水分特性在不同波段的反射或辐射反应来估算土壤水分；土壤水分遥感从不同波段可分为光学遥感、微波遥感，其中光学遥感具有较高的空间分辨率，技术相对成熟，常被用于区域土壤水分遥感反演，如在青海，温度植被干旱指数、表观热惯量法、垂直干旱指数被用于青海东部农业区，温度植被干旱指数被用于祁连山地区，表观热惯量法、植被状况指数被用于三江源地区，提供了较精细的土壤水分空间分布信息。
3.针对土壤水分地面观测站点及气象站点稀少且分布不均的地区，遥感监测成为了获取该地区大范围土壤水分信息的重要手段。现有技术中，基本将该区域作为一个整体来研究，或深入研究局部区域，鲜少考虑气候、植被和土壤区域差异对土壤水分遥感监测精度的影响，从而导致对干旱程度的监测效率低下。


技术实现要素：

4.本发明的目的是提供一种基于地理分区的土壤干旱遥感监测方法，以对待测区域的土壤干旱程度进行实时精准监测。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于地理分区的土壤干旱遥感监测方法，包括：
7.s1，基于待测区域的历史数据集对所述待测区域进行分区，得到分区集；
8.s2，基于所述历史数据集和遥感监测模型进行计算，得到所述分区集内各分区的历史土壤水分数据集；
9.s3，基于百分位法确定各干旱等级的概率阈值；基于各干旱等级的概率阈值和各分区的所述历史土壤水分数据集得到各分区的各干旱等级土壤水分阈值表；
10.s4，基于各分区的实时数据得到各分区的实时土壤水分数据；基于各分区的各干旱等级土壤水分阈值表和各分区的实时土壤水分数据确定各分区的实时干旱等级。
11.优选地，所述历史数据集包括：
12.历史气温数据集、历史降水数据集、历史地表温度数据集、历史反射率数据集、历史土壤线斜率和历史土壤数据集。
13.优选地，所述s1包括：
14.s11，对所述历史反射率数据集进行计算得到历史归一化植被指数集；
15.s12，基于分层权重法对所述历史土壤数据集进行计算得到初始土壤属性数据集；基于主成分分析法对所述初始土壤属性数据集进行分析，得到土壤属性数据集；
16.s13，基于极差标准化法对所述历史气温数据集、所述历史降水数据集、所述历史归一化植被指数集和所述土壤属性数据集分别进行标准化处理，得到标准历史气温数据集、标准历史降水数据集、标准历史归一化植被指数集和标准土壤属性数据集；
17.s14，基于重复自组织数据分析技术对所述标准历史气温数据集、所述标准历史降水数据集、所述标准历史归一化植被指数集和所述标准土壤属性数据集进行非监督分类得到初始分区集；基于所述待测区域的气候划分对所述初始分区集进行整理合并得到所述分区集。
18.优选地，所述s2包括：
19.s21，基于各分区的所述历史反射率数据集进行计算得到各分区的历史归一化水分指数集；
20.s22，基于各分区的所述历史归一化植被指数集进行计算得到各分区的历史植被状况指数集；
21.s23，基于各分区的所述历史反射率数据集和所述历史土壤线斜率进行计算得到各分区的历史垂直干旱指数集；
22.s24，基于各分区的所述历史归一化植被指数集和所述历史地表温度数据集进行计算得到各分区的历史温度植被干旱指数集；
23.s25，基于所述遥感监测模型，对各分区的所述历史归一化水分指数集、所述历史植被状况指数集、所述历史垂直干旱指数集和所述历史温度植被干旱指数集进行计算得到各分区的历史土壤水分数据集。
24.优选地，在所述s1之前还包括：
25.获取所述待测区域的初始历史数据集；所述初始历史数据集包括初始历史气温数据集、初始历史降水数据集、所述历史地表温度数据集、所述历史反射率数据集、所述历史土壤线斜率和所述历史土壤数据集；
26.对所述初始历史气温数据集分别进行异值去除和空间插值处理，得到所述历史气温数据集；对所述初始历史降水数据集分别进行异值去除和空间插值处理，得到所述历史降水数据集。
27.优选地，所述历史归一化植被指数集中归一化植被指数的计算公式为：
[0028][0029]
式中：ndvi为归一化植被指数，b为近红外波段反射率，a为红光波段反射率，mn为第m年内第n监测时期，m为年数，n为年内监测时期的数量。
[0030]
优选地，所述历史归一化水分指数集中归一化水分指数的计算公式如下：
[0031][0032]
式中：ndwi为归一化水分指数，c为短波红外波段反射率。
[0033]
优选地，所述历史植被状况指数集中植被状况指数的计算公式如下：
[0034][0035]
式中：为归一化植被指数在第n监测时期的m年内最大值，为归一化植被指数在第n监测时期的m年内最小值。
[0036]
优选地，所述历史垂直干旱指数集中垂直干旱指数的计算公式如下：
[0037][0038]
式中：pdi为垂直干旱指数，s为土壤线斜率。
[0039]
优选地，所述历史温度植被干旱指数集中温度植被干旱指数的计算公式如下：
[0040][0041]
式中：tdvi为温度植被干旱指数，lst为地表温度，为地表温度在第n监测时期的m年内最大值，为地表温度在第n监测时期的m年内最小值。
[0042]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0043]
本发明涉及一种基于地理分区的土壤干旱遥感监测方法，包括：首先对待测区域进行分区，再基于现有数据得到各分区的各干旱等级土壤水分阈值表，最后基于实时的数据进行计算，得到各分区的土壤水分，结合各分区的各干旱等级土壤水分阈值表，确定各分区的实时干旱等级。本发明通过对待测区域进行分区，避免了地域差异性的影响，可以精确的得到待测区域各分区的干旱等级。
附图说明
[0044]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1为本发明基于地理分区的土壤干旱遥感监测方法流程图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
本发明的目的是提供一种基于地理分区的土壤干旱遥感监测方法，以对待测区域的干旱程度进行实时精准监测。
[0048]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0049]
图1为本发明基于地理分区的土壤干旱遥感监测方法流程图，如图1所示，本发明
提供了一种基于地理分区的土壤干旱遥感监测方法，包括：
[0050]
步骤s1，基于待测区域的历史数据集对所述待测区域进行分区，得到分区集。所述历史数据集包括：历史气温数据集、历史降水数据集、历史地表温度数据集、历史反射率数据集、历史土壤线斜率和历史土壤数据集。本实施例中，所述历史气温数据集和所述历史降水数据集采用待测区域的气候中心发布的数据，所述历史气温数据集和所述历史降水数据集均包括m
×
n个数据，m为年数，n为年内监测时期的数量，m和n均为大于1的正整数；所述历史地表温度数据集和所述历史反射率数据集采用nasa官网的modis产品数据或vnp产品数据；所述历史土壤线斜率基于所述历史反射率数据集，采用最小近红外法计算得到；所述历史土壤数据集采用北京师范大学公开的数据。
[0051]
作为一种可选的实施方式，本发明所述步骤s1包括：
[0052]
s11，对所述历史反射率数据集进行计算得到历史归一化植被指数集。具体地，所述历史反射率数据集包括历史红光波段反射率集、历史近红外波段反射率集和历史短波红外波段反射率集；所示历史红光波段反射率集、所述历史近红外波段反射率集和所述历史短波红外波段反射率集均包括m
×
n个数据。
[0053]
进一步地，所述历史归一化植被指数集中归一化植被指数的计算公式为：
[0054][0055]
式中：ndvi为归一化植被指数，b为近红外波段反射率，a为红光波段反射率，mn为第m年内第n监测时期，m为年数，n为年内监测时期的数量。
[0056]
为了保证数据的完整性和准确性，本发明首先获取所述待测区域的初始历史数据集；所述初始历史数据集包括初始历史气温数据集、初始历史降水数据集、所述历史地表温度数据集、所述历史反射率数据集、所述历史土壤线斜率和所述历史土壤数据集；对所述初始历史气温数据集分别进行异值去除和空间插值处理，得到所述历史气温数据集；对所述初始历史降水数据集分别进行异值去除和空间插值处理，得到所述历史降水数据集。
[0057]
s12，基于分层权重法对所述历史土壤数据集进行计算得到初始土壤属性数据集；基于主成分分析法对所述初始土壤属性数据集进行分析，得到土壤属性数据集。所述土壤属性数据集包括m
×
n个数据。
[0058]
s13，基于极差标准化法对所述历史气温数据集、所述历史降水数据集、所述历史归一化植被指数集和所述土壤属性数据集分别进行标准化处理，得到标准历史气温数据集、标准历史降水数据集、标准历史归一化植被指数集和标准土壤属性数据集。
[0059]
s14，基于重复自组织数据分析技术对所述标准历史气温数据集、所述标准历史降水数据集、所述标准历史归一化植被指数集和所述标准土壤属性数据集进行非监督分类得到初始分区集；基于所述待测区域的气候划分对所述初始分区集进行整理合并得到所述分区集。本实施例中，所述重复自组织数据分析技术基于arcgis软件的iso功能模块实现，设置分类数为8、最小类别数目为80，得到所述初始分区集。
[0060]
步骤s2，基于所述历史数据集和遥感监测模型进行计算，得到所述分区集内各分区的历史土壤水分数据集。
[0061]
具体地，所述步骤s2包括：
[0062]
s21，基于各分区的所述历史反射率数据集进行计算得到各分区的历史归一化水
分指数集；所述历史归一化水分指数集中归一化水分指数的计算公式如下：
[0063][0064]
式中：ndwi为归一化水分指数，c为短波红外波段反射率。
[0065]
s22，基于各分区的所述历史归一化植被指数集进行计算得到各分区的历史植被状况指数集；所述历史植被状况指数集中植被状况指数的计算公式如下：
[0066][0067]
式中：为归一化植被指数在第n监测时期的m年内最大值，为归一化植被指数在第n监测时期的m年内最小值。
[0068]
s23，基于各分区的所述历史反射率数据集和所述历史土壤线斜率进行计算得到各分区的历史垂直干旱指数集；所述历史垂直干旱指数集中垂直干旱指数的计算公式如下：
[0069][0070]
式中：pdi为垂直干旱指数，s为土壤线斜率。
[0071]
s24，基于各分区的所述历史归一化植被指数集和所述历史地表温度数据集进行计算得到各分区的历史温度植被干旱指数集；所述历史地表温度数据集包括m
×
n个数据；所述历史温度植被干旱指数集中温度植被干旱指数的计算公式如下：
[0072][0073]
式中：tdvi为温度植被干旱指数，lst为地表温度，为地表温度在第n监测时期的m年内最大值，为地表温度在第n监测时期的m年内最小值。
[0074]
s25，基于所述遥感监测模型，对各分区的所述历史归一化水分指数集、所述历史植被状况指数集、所述历史垂直干旱指数集和所述历史温度植被干旱指数集进行计算得到各分区的历史土壤水分数据集。
[0075]
作为一种可选的实施方式，本发明所述历史数据集还包括有站点土壤水分数据集，对于地面观测站点覆盖的区域采用所述站点土壤水分数据集，对于地面观测站点未覆盖的区域，采用上述的方法进行计算并结合所述所述站点土壤水分数据集得到各分区的历史土壤水分数据集。
[0076]
步骤s3，基于百分位法确定各干旱等级的概率阈值；本实施例中，干旱等级包括特旱、重旱、中旱、轻旱和无旱，概率阈值如表1所示；基于各干旱等级的概率阈值和各分区的所述历史土壤水分数据集得到各分区的各干旱等级土壤水分阈值表。进一步地，可选用所述站点土壤水分数据集替换各分区的所述历史土壤水分数据集得到各分区的各干旱等级土壤水分阈值表。
[0077]
表1干旱等级的概率阈值
[0078][0079][0080]
步骤s4，基于各分区的实时数据得到各分区的实时土壤水分数据，具体计算方法同步骤s2；基于各分区的各干旱等级土壤水分阈值表和各分区的实时土壤水分数据确定各分区的实时干旱等级。
[0081]
下述以青海省作为所述待测区域进行说明：
[0082]
本实施例中，青海省的分区集如表2所示。
[0083]
表2地理分区结果
[0084][0085]
在实际应用中，基于modis产品数据及遥感监测模型得到的土壤水分数据绝对误差在2.6％～7.8％之间，平均绝对误差为5.6％；均方根误差在3.4％～9.7％之间，平均均方根误差为7.5％，具有较好应用精度。基于vnp产品数据及遥感监测模型得到的土壤水分数据绝对误差在2.1％～13.7％之间，平均绝对误差为6.3％；均方根误差在2.5％～8.1％
之间，平均均方根误差为5.7％，具有较好应用精度。
[0086]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0087]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。