当前课程知识点:遥感数字影像处理与农业应用 > 第八章 微波遥感及农业应用 > 第七讲 土壤水分反演 > 第七讲 土壤水分反演
各位同学大家好
我是来自中国农业大学的李俐
今天我们一起继续来学习
微波遥感影像的另外一种应用
在土壤水分反演中的应用
这一部分我们首先讲一下
微波水分反演它的概述
另外讲一下
微波散射模型和相应的反演算法
然后我们看一下相应的精度分析
首先我们来看一下
微波土壤水分反演的概述
土壤水分反演
一说到反演
我们大家可能都有概念
这是一种典型的定量遥感的内容了
定量遥感的核心
它就是从观测的数据中
得到地表的一些参数
我们知道微波散射的反射值
可以表示成这个公式的这种形式
我们知道这里头P实际上是
对应的待反演的地表参数
也就是我们建立起来的一个地表参数
和相应的后向散射系数之间的关系
这个关系微波遥感反演的一个基础
我们具体再讲
土壤水分如何来进行反演之前
我们先说一下
微波进行土壤水分反演它的优势
我们说微波或者说我们常用的雷达
它进行土壤水分探测
主要优势体现在以下几个方面
首先我们一直说微波它能够穿透地物
所以微波遥感具有
不受光照 云雾等等天气的影响
然后具有全天时 全天候的特点
第二个优势主要是
微波的对植被的一种穿透特性
这样的话我们可能就能够
更直观的得到土壤的一些特性
第三个重要的因素是雷达的回波
它的后向散射系数
实际上我们前面讲过
它直接受到土壤的介电常数的影响
这样的话
介电常数又受到土壤水分的影响
因此就可以建立起来后向散射系数
和土壤水分之间的一个关系
所以我们说土壤水分影响了
土壤介电常数的变化
土壤介电常数又影响了
雷达后向散射系数的变化
因此土壤水分和
雷达互相散射系数之间
就建立起来了一个很明确的关系
而前面我们说过
水的介电常数和干土它的介电常数
是有很大的区别的
水的介电常数可以达到80
而干土它的介电常数减为3
那么土壤我们可以看成是
水和干土的一个混合
因此大家可以想象一下
它的介电常数就可以由
3到80之间怎么变化
因此我们可以看出和其他地物相比
土壤它的介电常数是变化比较大的
这里我们给出了一个
通常用的雷达数据
它进行土壤含水量分析
或者说土壤含水量反演的
这么一个流程图
大家可以看到我拿到了
雷达遥感影像之后
我经常首先要做的一件事
就是这个数据的预处理
预处理完了这个数据
我们得到了后向散射系数
这个后向散射系数
我们要用它和地面实测的土壤水分
建立起来一个关系
得到后向散射系数和土壤水分之间
一个线性的或者是经验的或者理论的
这么一个模型关系
从而得到最后的土壤水分的反演值
这是雷达数据进行土壤水分反演的一个
基本的流程
实际上从刚才流程图里头
我们可以看到
最核心的一块就是
要建立土壤水分
和雷达后向散射技术之间的一个关系
这个关系怎么建立呢
一般采用三种方法或者是三类方法
一类就是经验关系法
所谓的经验关系法
当然实际上建立起来的就是
土壤水分实测值
和雷达的后向散射系数之间的
一个经验统计关系
可以是线性的或者是更高次的
我们比较常用的就是线性关系
这种算法相对来说比较简单
易于实现
并且计算的效率也比较高
但是这种方法我们可以看出来
它就是一个数据的关系的建立
缺乏相应的物理机理的这种描述
普适性是比较差的
所谓的物理模型
当然了
它是根据微波的传输模型建立起来
土壤后向散射系数
所谓的物理模型
它是根据微波的传输模型建立起来
土壤的水分和后向散射系数之间的
这么一个数学关系
这种方法相对来说
当然物理机理非常明确
怎么散射的
有哪些因素影响等等这些
但是我们前面也讲过
因为影响雷达方向散射系数的
因素太多了
所以一般构建出来的
这些模型都很复杂
计算量也比较大
第三种方法是混合反演法
既然是混合
从字面上大家也能够理解
它应该是两种方法混在一起来使用
当然这两种方法就是我们前面说的
这种经验模型法和物理模型法
也就是说
它综合了物理模型和统计方法
来统一实现我们土壤水分和
后向散射系数之间的一个关系反演
这些方法都是在反演的过程中
融入了一些先验知识
包括对参数模型和观测数据的
一些经验知识
来解决遥感反演中的一些病态问题
下面我们就一起来看一下
我们在反演的时候可能用到的
微波传输模型
我们知道地表它可以分为
没有植被覆盖
或者是我们称为裸露的地表
另外就是有植被覆盖的地表
这两种地表它们的散射模型
也是不一样的
下面我们首先来看一下裸露地表
它的微波散射模型
同样我们将从理论模型 经验模型
和半经验模型三个方面来讲解
在讲解了这些模型之后
我们看一下主要影响
后向散射系数的因素有哪些
首先我们一起来看一下理论模型
对于裸露的地表或者是
植被比较稀疏的地表
我们也近似的可以认为是裸露地表
它的理论模型主要是由
地表的电磁波的理论发展起来的
常见的是基于基尔霍夫模型来得到的
基尔霍夫模型
实际上它是通过求解麦克斯韦方程
形成了一种散射理论模型
大家可能看到资料的时候会发现
常见的有什么几何光学模型
物理光学模型
或者是小扰动模型等等
它们都属于基于基尔霍夫模型的
这一类理论模型
当然了这些理论模型
它们具有自己的一些应用局限性
比如说我们刚才说的几何光学模型
一般用于非常粗糙的表面
而物理光学模型
它一般用于终极粗糙的表面
而结合了几何光学模型和
物理光学模型发展起来的
一个小扰动模型
它一般适用于低频率入射
相关长度比较小的
较为光滑的一种表面
这些传统的理论模型
它呢
虽然为我们土壤水分的检测
提供了可用模型
但是正如我们刚才所言
不同土壤粗糙度的地表
得采用不同的模型
也就是说粗糙度范围它是不连续的
而实际上自然的地表
它的粗糙度一般是连续的
因此人们就对理论模型
进行一些继续的探讨
发展起来了
比如说相位扰动理论模型 全波方法
小斜坡近似 算子展开方法
和积分方程模型等等
可能大家比较熟悉的就是
这个积分方程模型
简称为IEM模型
因为比较多的IEM模型
人们在使用的过程中也不断
对他进行了新的改进
比如说改进的IEM或者是
大家看资料的时候看到IEMM模型
其实就是指这种模型
还有比如说二阶多重散射积分方程模型
和改进的高级积分方程模型等等
这些呢都是现在用的比较多的
裸露地表的微波散射模型
下面我们一起来看一下裸露地表
微波散射模型里头的经验模型
所谓的经验模型当然就是根据经验
更确切的说是根据一些实测数据
建立起来的土壤水分和
微波散射系数之间的关系
常见的经验模型
就比如说有最简单的线性模型
还有OH模型和Dubois模型
OH和Dubois
当然了这是两个人了
以他们这两个人的名字
来命名这个模型
线性模型实际上从这个字面上
大家应该也比较好理解
建立起来的是一个线性关系
也就是说它根据实测值建立起来
微波后向散射系数和特定环境下
土壤含水量之间的一个线性回归关系
而OH经验模型
它是利用车载散射计获取的不同地表的
大量的后向散射系数
建立起来的一个散射系数
和地表参数的一个非线性关系模型
而Dubois模型是根据地表散射计数据
获取了不同地表粗糙环境下
后向散射系数和地表参数之间的
一个非线性关系模型
这些经验模型它们简化了
土壤水分和后向散射系数之间的关系
但是他们一般都需要在
特定的地表粗糙度状况
特定的频率 入射角
土壤水分含水量范围等等
这些参数下来使用
因此很难得到推广
第三种模型就是这种半经验模型
也就是结合了经验模型和理论模型
而出现的一些模型
我们现在比较常看到的
比如说Chen模型 OH模型 和Shi模型等等
这Chen模型 OH模型 和Shi模型
他们都是根据这个模型创造者的姓名
来命名的半经验模型
Chen模型它是以
IEM理论模型为基础
然后用指数相关方程来
表示地表的粗糙度
经过多重的线性回归
利用HH和VV的后向散射系数比值
来描述地表的后向散射系数特征
OH半经验模型它是在
SPM模型和KA模型的基础上
结合大量的车载散射计的数据
和机载的SAR数据这些实验数据
对OH的经验模型进行了
相应的扩展和修正
研究了不同极化条件下后向散射系数
和土壤含水量 地表粗糙度
等参数之间的一个关系
而Shi模型它是利用IEM理论模型
模拟了不同地表粗糙度和
不同土壤含水量条件下后向散射特性
建立起来一个L波段的地表散射模型
相比于之前的两个半经验模型
它加入了理论模型的这种
地表功率粗糙度谱
和极化幅度等等参数
模型实际的运行效果是比较好的
但是Shi模型它只适用于同极化方式
而且还需要进一步研究
用于除了L波段以外的其他波段的
这种适用性
说了理论 经验和半经验的模型之后
我们可以看到前面的模型中
除了包含和土壤水分密切相关的
这个参数之外
它还包含了另外两类参数
一个是个土壤地表 粗糙度参数
另外一个就是
相应的微波传感器的参数
就比如说频率 视角等等这些
因此我们基于雷达的后向散射系数
进行裸露地表的土壤水分反演的时候
就要考虑雷达系统参数和土壤粗糙度
对土壤水分反演的影响
第二 我们将给大家介绍一下
植被覆盖地表的微波散射模型
这个同样我们也先讲一下理论模型
和经验半经验模型
然后讲一下主要影响土壤水分反演的
一些因素
首先我们说一下理论模型
一般对于植被覆盖地表
它叫散射
我们说不仅要考虑地表的散射
还要考虑植被层
对雷达后向散射系数的影响
所以典型的植被覆盖地表
它的散射理论模型就有这么几种
一种是密歇根微波植被散射模型
我们经常看相关资料的时候看到的
MIMICS模型就是指这种模型
另外一种是一阶草类
离散相干散射模型
简称为GIMICS模型
这个是适用于草类的一种相关模型
还有是基于MIMICS模型简化后的
Roo模型等等
这些都是植被覆盖地表
相应的理论模型
MIMICS模型它是以辐射地表方程
也就是RTE方程为基础
根据微波散射特性和植被的结构特点
把地表分成三层
一部分是植被冠层
包括不同大小 朝向 形状
的枝条和叶片
还有就是植被的茎秆部分
这个一般用介质圆柱体来表示
还有植被底层 粗糙地表
它我们一般用土壤介电特性和
随机地表粗糙度来表示
那这个公式里头左端表示的是来自于
植被覆盖地表任意极化
可以是P极化也可以Q极化
实际上对应我们实际上用的
就是H极化或者V极化
它的总的雷达后向散射系数
而右边这各项代表的是
植被地表各部分
相应的雷达后向散射机制
这种MIMICS模型
它对植被结构的刻画是比较详细的
考虑了土壤的粗糙度植被等等因素的影响
然后通过计算各部分引起的
后向散射系数成分得到了
总的散射系数
这种模型总体来说
它比较好的刻画了植被
对微波散射系数的影响
但是它的输入参数是比较复杂的
而三层结构
前面我们说的这三层结构
它适用于高大的植物
而对于一些低矮的植物
相对来说就不太适用了
下面我们一起来看一下植被覆盖地表
微波散射模型中的经验 半经验模型
用的比较多的就是水云模型
就是Water Cloud模型
简称WCM
它是以农作物为研究对象
作出的一个估算
农作物覆盖地表土壤水分的一个
半经验模型
它是以辐射传输模型为基础
假设植被层为一个各项均值的
这么一个散射体
简化了植被覆盖层的散射机制
这样的话就得到了由冠层的体散射
和地表的直接散射两部分形成的
总的后向散射模型
模型的参数是由实测的数据来决定的
下面我们就看一下主要影响
植被覆盖地表土壤水分反演它的因素
在植被覆盖地表
植被层对微波后向散射系数的影响
是不容忽略的
因此植被层它是影响植被覆盖地表
土壤水分敏感性的一个重要因素
其次才是我们前面说的
土壤粗糙度等等
地表参数的影响
植被层的存在改变了土壤水分信息
和微波信号之间的这种近线性关系
增加了土壤水分信息提取的难度
所以我们在利用微波数据进行
土壤水分反演的时候
对于植被覆盖的地表
需要考虑对植被影响那些去除
这些植被影响去除可以通过
植被含水量植被的类型
航向 间距 郁密度
以及植被冠层的形状 大小 分布等等
这些参数来体现
下面我们来一起看一下反演方法
在我们知道了微波散射模型之后
根据模型来进行土壤水分反演
就相对来说简单多了
反演算法其实是要考虑两个方面
一个是影响土壤水分反演精度的
这些因素的校正
这里主要是
土壤粗糙度和植被影响校正
另外一个就是得到了校正后的
后向散射系数之后
土壤水分如何来反演
或者说如何来根据后向散射系数
得到土壤水分的结果
常用的方法当然就是
利用地面的实测数据
通常土壤水分反演研究中
我们会安排和卫星数据同步
或者是准同步的地面实验
获取地面的地表粗糙度
土壤水分等等相关的信息
这样的话在土壤水分反演的过程中
就可以采用这些数据
校正由土壤粗糙度引起的
后向散射系数的不确定性
第二是植被影响的校正
这个和粗糙度的校正类似
我们主要是通过地面实测数据
来校正植被它的影响
也就是说
我们在进行土壤水分反演的时候
根据所用的卫星数据它的获取时间
安排同步的地面实验获得一些
包含植被含水量 叶面积的大小
等等相关的这种植被相关参数
用于校正植被所引起的后向散射系数
不确定性的影响
当然了早期的研究中
由于地表参数比较不容易获取
所以通常采用的方法是
根据经验值把散射模型中植被参数
用一些定值来代替
从而克服植被对土壤水分反演精度的
一些影响
现在随着遥感数据进一步的应用
也有采用光学数据辅助
获取植被参数的这种方法
来校正由于植被造成的
后向散射系数的影响
在校正的地表粗糙度和植被
对土壤水分反应的影响之后
我们就可以通过确定的反演算法
来进行土壤水分反演了
常用的土壤水分反演方法
主要有这么一些
首先是变化检测法
变化检测
从这个字面上大家可能能领会到
它是需要有一前一后的
变化之间的分析
所以它是利用两幅不同时相的
雷达影像
通过变换检测的方法
建立起来一个土壤水分
和后向散射系数差值
之间的一个简单的关系模型
通过这种方式来反演土壤水分的
这种变化
第二种方法是回归分析法
这个回归分析
对于定量遥感是一种很常用的方法
它一般针对特定的场景
通过最小二乘法来拟合土壤水分
和后向散射系数之间的关系
这个通常采用经验模型就可以
第三是基于人工神经元网络的
土壤水分反演方法
这种方法一般是用我们前面所讲的
微波散射模型生成输入数据
然后用实际的卫星SAR影像作为输入
用训练好的神经网络反演
得到土壤水分
第四种方法是优化算法
当然所谓的优化
我们是要针对一个目标进行优化的
所以这种方法
要先确定某种误差值作为代价函数
我们的目标就使得这个代价函数最小
然后采用迭代优化的算法
来不停的寻找值
使得这个代价函数(最小)
常用的代价函数可能是
不同模型后向散射系数的差
或者是预测值与观测值的
后向散射系数的差
或者是后验概率
或者是似然函数等等
迭代优化算法
也可以是模拟退火算法
遗传算法等等
第五种常用的土壤水分反演的方法
主要是查找表法
也就是一些资料中简称为LUT的方法
这种方法当然了首先是
利用后向散射系数模型产生对应的
雷达特定参数不同土壤特性下
后向散射系数的值或者说一个表
这个表呢是我们后面用于
土壤水分反演的一个依据
后面我们就根据实测的
后向散射系数值
查找这个表
找到它对应的这一行
它的土壤水分信息
这个就是我们反演出来的土壤水分了
现在随着多极化数据越来越多地出现
多极化数据反演方法
也是一种新的土壤水分反演方法
这个一般是采用极化参数法
也就是利用极化参数
比如说多极化数据的这种去极化率
或者是同极化相关系数
或者是相干性系数(视频中重复句)
或者是相干性参数 熵 角等等这些
来分析土壤水分
和后向散射系数间的关系
另外一种方法
同样是采用这种多极化数据
只不过用到了极化分解
也就是说把极化散射矩阵
或者是相干矩阵
或者是协方差矩阵
分解成代表不同散射机理的若干项
建立起来不同散射机理的这若干项
和土壤水分之间的关系
这就是常见的土壤水分反演算法
通过这些反演算法
我们得到了土壤水分的数值
这些数值对不对
我们就需要通过精度分析
来分析一下结果的准确性
当然了要进行精度分析
我们就需要和实测值进行对比
精度分析我们主要也是通过
地面实测数据和反演的结果进行对比
来进行分析的
地面的实测数据
一般经典的土壤水分测量方法主要有
称重法 中子水分探测法 快速烘干法
电阻法等等
一般测得土壤地表的0到20公分的
土壤含水量
除了这之外
目前中国气象局在各地已经有了
数百个的这种土壤水分的观测资料
这个资料我们也可以用作验证数据
在实测土壤水分的过程中
一般采用的方法是
在地面上设置一些采样点
然后实测是多个点的土壤水分
取其平均值
我们常用的土壤含水量是
作为土壤水分实测的一个重要参数
土壤含水量一般定义为
土壤的原重减去烘干的土重
再除以烘干土种乘以百分之百
也就是说
等于水重除以烘干土重乘以百分之百
作为土壤含水量
获得了地面实测的土壤含水量之后
我们就可以计算
由雷达影像得到的在样区采样点上
土壤水分的反演值和实测值
它们之间的一个均方根误差
这个值实际上
就是我们进行精度分析的一个
重要的指标
今天就讲到这里
谢谢大家
-请您欣赏:遥感之美
--遥感之美
-第一讲 课程介绍
--课程介绍
-第二讲 绪论
--绪论
-第一章 绪论--作业
-本课程实验内容建议
-第一讲 色度学基本知识
-第二讲 遥感影像的级别和数据格式
-第三讲 遥感影像的数字表示及特征
-第二章 遥感数字影像处理基础--作业
-第一讲 影像辐射误差来源
-第二讲 影像辐射误差校正
-第三讲 影像几何误差来源
-第四讲 影像几何误差校正
-第三章 遥感影像预处理--作业
-第一讲 空间域影像增强
-第二讲 频率域影像增强
-第四章 遥感影像增强处理--作业
-第一讲 遥感影像融合概述
-第二讲 遥感影像融合方法
-第三讲 遥感影像融合效果评价
-第五章 遥感影像融合--作业
-第一讲 分类原理、特征和相似性度量
--第一讲 分类原理、特征和相似性度量--作业
-第二讲 非监督分类
--第二讲 非监督分类--作业
-第三讲 监督分类
--第三讲 监督分类
--第三讲 监督分类--作业
-第四讲 分类后处理和分类精度的评价与提高
--第四讲 分类后处理和分类精度的评价与提高--作业
-第五讲 遥感影像分类的农业应用
-第一讲 长势监测的意义及监测指标
-第二讲 植被指数构建原理
-第三讲 农作物冠层参数反演原理
-第四讲 农作物长势监测案例
-第七章 农作物长势遥感监测--作业
-第一讲 微波的物理基础
-第二讲 SAR原理
-第三讲 微波传输模型及农作物种植面积提取
-第四讲 土壤水分反演
-第五讲 微波传输模型
-第六讲 农作物种植面积提取
-第七讲 土壤水分反演
-第八章 微波遥感及农业应用