一种基于极化SAR数据的植被叶片含水量遥感反演方法

一种基于极化sar数据的植被叶片含水量遥感反演方法
技术领域
1.本发明属于植被叶片含水量监测技术领域，特别是一种基于极化sar数据的植被叶片含水量遥感反演方法。


背景技术：

2.植被水分是影响绿色植物光合作用和生物量的主要因素,许多关键生物地球化学循环过程,包括光合作用、蒸发散和净初级生产力均直接与其密切相关。在山地地区，林木含水量的降低会增大森林火灾的风险。植被燃烧过程除了受植被体内有机质的影响外还受植被含水量的影响。一方面，植被含水量影响着植被的着火点，植被含水量越少，就越干燥，其着火点越低，越容易引发森林火灾；另一方面，植被含水量影响着燃烧速度以及燃烧过程中释放出的烟雾量，植被含水量越多，就需要越多的热能用以蒸发水分，从而火势蔓延的速度越低。因此，其深入研究对于准确监测与诊断植被环境胁迫程度、自然火的潜在发生以及土壤水分有效获取等具有重要研究意义。
3.目前对植被叶片含水量进行反演中，多采用基于光学卫星中的多光谱数据植被指数法，光学卫星的多光谱数据中对水分含量较为敏感的波段可以反演得到地表植被冠层含水率，在植被冠层含水率的反演研究当中得到了广泛的应用，但多光谱波段受到时间以及天气条件的影响较大，类似于夜晚或者雨雪天气则无法较好的完成植被冠层含水率的反演测量。
4.因此，如何对植被叶片含水量进行有效反演，避免时间及天气条件的影响，进行全天候，长期连续的观测植被叶片含水量，已成为本领域技术人员亟需解决的技术问题。


技术实现要素：

5.鉴于上述问题，本发明提供一种至少解决上述部分技术问题的基于极化sar数据的植被叶片含水量遥感反演方法，通过获取目标区域的植被物候信息和土壤信息结合极化sar数据就可以准确获得植被叶片含水量，不受天气影响，节省了物力和财力。
6.本发明实施例提供了一种基于极化sar数据的植被叶片含水量遥感反演方法，包括：
7.s1、将树木参数和地表参数输入植被散射模型模拟极化sar数据，建立极化sar数据库；
8.s2、基于所述极化sar数据，构建植被叶片含水量微波模型；
9.s3、基于所述植被叶片含水量微波模型，针对不同植被类型构建植被叶片含水量反演模型；
10.s4、获取目标区域的雷达slc数据，并对所述slc数据进行处理获得入射角和后向散射信息；
11.s5、将所述入射角和后向散射信息代入所述植被叶片含水量反演模型进行定量反演，得到目标区域内植被叶片含水量数据。
12.进一步地，所述s1步骤中，所述树木参数包括：树高、植被含水量、植被覆盖度、树径和树冠高度；
13.所述地表参数包括：土壤含水量、土壤介电常数。
14.进一步地，所述构建植被叶片含水量微波模型包括：构建单波段指数模型、构建比值指数模型和构建三波段指数模型。
15.进一步地，所述构建单波段指数模型如下：
16.ωc＝a1 b1*σ
vv
ꢀꢀꢀ
(1)
17.ωc＝a2 b2*σ
hh
ꢀꢀꢀꢀ
(2)
18.ωc＝a3 b3*σ
vh
ꢀꢀꢀꢀ
(3)
19.式中，ωc表示植被叶片含水量；a1、a2、a3、b1、b2、b3为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数；σ
vh
为交叉极化后向散射系数。
20.进一步地，所述构建比值指数模型如下：
21.wc＝a4 b4*exp[-(σ
hh
/σ
vv
)/c4]；
ꢀꢀꢀ
(4)
[0022]
式中，wc表示植被叶片含水量；a4、b4、c4为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数。
[0023]
进一步地，所述构建三波段指数模型如下：
[0024]
wc＝a5 b5*exp[-(σ
vh
/(σ
vv
σ
hh
))/c5]；
ꢀꢀꢀꢀ
(5)
[0025]
式中，wc表示植被叶片含水量；a5、b5、c5为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数，σ
vh
为交叉极化后向散射系数；
[0026]
wc＝a6 b6*exp[-(σ
vh
/(σ
vv
σ
vh
σ
hh
))/c6]；
ꢀꢀꢀꢀ
(6)
[0027]
式中，wc表示植被叶片含水量；a6、b6、c6为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数，σ
vh
为交叉极化后向散射系数；
[0028]
rvi＝8*σ
vh
/(σ
hh
σ
vv
2*σ
vh
)；
ꢀꢀꢀꢀ
(7)
[0029]
wc＝a7 b7*exp[-rvi/c7]；
ꢀꢀꢀꢀ
(8)
[0030]
式中，wc表示植被叶片含水量；a7、b7、c7为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数，σ
vh
为交叉极化后向散射系数，rvi为雷达指数。
[0031]
进一步地，所述s3步骤中，具体包括：
[0032]
获取拟合度最高的微波指数作为优选指数，与植被叶片含水量进行拟合，针对不同植被类型构建植被叶片含水量反演模型；
[0033]
1)针对乔木林地植被，构建单波段模型；
[0034]
2)针对灌木草地植被，构建比值植被指数模型；
[0035]
3)针对乔木林地和灌木草地混合区植被，构建三波段雷达指数rvi模型。
[0036]
进一步地，所述s4步骤中，具体包括：
[0037]
获取目标区域的雷达干涉宽幅采集模式下的slc数据，将所述slc数据进行热噪声去除、轨道文件校正、噪声滤波、辐射定标、多普勒地形校正最终获得入射角和后向散射信息。
[0038]
与现有技术相比，本发明记载的一种基于极化sar数据的植被叶片含水量遥感反演方法，至少具有如下有益效果：
[0039]
1.通过获取目标区域的植被物候信息和土壤信息结合极化sar数据就可以准确获
得植被叶片含水量数据，不受天气影响，节省了物力和财力。
[0040]
2.本发明充分利用极化sar数据的强穿透性，使其可以对植被叶片含水量进行全天候，长期的连续观测，对于林草火灾的预警和验证具有重要意义。
[0041]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0042]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0043]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0044]
图1为本发明实施例提供的植被叶片含水量的总体流程示意图。
具体实施方式
[0045]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0046]
参见图1所示，本发明实施例提供了一种基于极化sar数据的山区植被叶片含水量遥感反演方法，具体包括如下步骤：
[0047]
s1、将树木参数和地表参数输入植被散射模型模拟极化sar数据，建立极化sar数据库；
[0048]
s2、基于所述极化sar数据，构建植被叶片含水量微波模型；
[0049]
s3、基于所述植被叶片含水量微波模型，针对不同植被类型构建植被叶片含水量反演模型；
[0050]
s4、获取目标区域的雷达slc数据，并对所述slc数据进行处理获得入射角和后向散射信息；
[0051]
s5、将所述入射角和后向散射信息代入所述植被叶片含水量反演模型进行定量反演，得到目标区域内植被叶片含水量数据。
[0052]
下面以将该方法应用在西南山地地区为例，对本发明进行详细的说明；西南山区存在云层厚且天气条件影响较大的现状，充分利用极化sar数据的强穿透性，使其可适应全天候的工作，解决西南山区在反演植被叶片含水量方面的难题。
[0053]
如图1所示，首先将模型所需要的各项树木参数和地表参数输入植被散射模型(mimics)模拟极化sar数据；
[0054]
1)将模型所需要的参数，如树高(h)、植被含水量(wc)、植被覆盖度(f)、树径(d)、树冠高度(h)和地表信息土壤含水量(ws)、土壤介电常数(e)输入到植被散射模型(mimics)；
[0055]
2)模拟出极化sar数据，建立极化sar数据库；
[0056]
如图1所示，基于模拟的极化sar数据，构建植被叶片含水量微波模型如下：
[0057]
①
构建单波段指数模型：
[0058]
ωc＝a1 b1*σ
vv
；
ꢀꢀꢀꢀ
(1)
[0059]
ωc＝a2 b2*σ
hh
；
ꢀꢀꢀꢀ
(2)
[0060]
ωc＝a3 b3*σ
vh
；
ꢀꢀꢀꢀ
(3)
[0061]
式中，ωc表示西南山区植被叶片含水量；a1、a2、a3、b1、b2、b3为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数；σ
vh
为交叉极化后向散射系数
[0062]
②
构建比值指数模型：
[0063]
wc＝a4 b4*exp[-(σ
hh
/σ
vv
)/c4]；
ꢀꢀꢀꢀꢀ
(4)
[0064]
式中，wc表示西南山区植被叶片含水量；a4、b4、c4为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数；
[0065]
③
构建三波段指数模型：
[0066]
wc＝a5 b5*exp[-(σ
vh
/(σ
vv
σ
hh
))/c5]；
ꢀꢀꢀꢀꢀꢀ
(5)
[0067]
式中，wc表示西南山区植被叶片含水量；a5、b5、c5为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数，σ
vh
为交叉极化后向散射系数；
[0068]
wc＝a6 b6*exp[-(σ
vh
/(σ
vv
σ
vh
σ
hh
))/c6]；
ꢀꢀꢀꢀ
(6)
[0069]
式中，wc表示西南山区植被叶片含水量；a6、b6、c6为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数，σ
vh
为交叉极化后向散射系数；
[0070]
rvi＝8*σ
vh
/(σ
hh
σ
vv
2*σ
vh
)；
ꢀꢀꢀꢀ
(7)
[0071]
wc＝a7 b7*exp[-rvi/c7]；
ꢀꢀꢀꢀ
(8)
[0072]
式中，wc表示西南山区植被叶片含水量；a7、b7、c7为模型的相关系数；σ
vv
、σ
hh
为模拟极化sar数据的垂直和水平极化后向散射系数，σ
vh
为交叉极化后向散射系数，rvi为雷达指数；
[0073]
进一步地，基于构建的微波模型，获取拟合度最高的微波指数作为优选指数，与植被叶片含水量进行拟合，针对不同植被类型构建植被叶片含水量反演模型；
[0074]
1)针对林地和乔木等高大树木，利用σ
vh
构建单波段模型，其在林区反演效果较好；
[0075]
2)针对灌木草地等植被，构建比值植被指数模型，其在灌木丛等植被区反演效果较好；
[0076]
3)针对林地和灌木混合区植被，构建三波段雷达指数rvi模型，其在植被类型混合区反演效果较好；
[0077]
进一步地，获取西南山区sentinel-1雷达后向散射数据：
[0078]
1)从欧空局官网订购下载干涉宽幅(iw)采集模式下的slc数据；
[0079]
2)将获取的数据进行热噪声去除、轨道文件校正、噪声滤波、辐射定标、多普勒地形校正最终获得入射角和后向散射信息；
[0080]
进一步地，将卫星极化的极化sar数据(入射角和后向散射信息)；代入优选的植被叶片含水量反演模型，实现西南山区植被叶片含水量的定量反演。
[0081]
本发明实施例提供的一种基于极化sar数据的植被叶片含水量遥感反演方法，利用植被微波散射模型(michigan microwave canopy scattering model,mimics)所需的当地植被物候信息和地表信息，模拟西南山区植被的散射特性。通过对各项因子进行敏感性分析，剔除无关因子，找到最合适的波段与角度，分析植被叶片含水量与模拟的散射数据，
发展了利用指数关系模型中极化sar指数来计算西南山区植被叶片含水量的简化模型。本发明充分利用极化sar数据的强穿透性，使其可适应全天候的工作，非常适用于云层厚且天气条件影响较大的西南山区，解决了西南山区在反演植被叶片含水量方面的难题。本发明不需要特定时间采集数据，只需要研究区域上空卫星获取的极化sar数据，即可快速得到山区植被叶片含水量数据，省去了对植被的破坏性测量，节省了物力和财力，对于林草火灾的预警和验证具有重要意义。
[0082]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。