[发明专利]一种基于多源遥感数据的贝叶斯土壤水分估算方法

说明书

本发明涉及一种基于多源遥感数据的贝叶斯土壤水分估算方法。该方法针对如何获得高精度的土壤水分加权概率软数据，首次融合了12种多源数据进行加权概率软数据的计算，包括降尺度FY3‑B土壤水分产品、使用MODIS产品获取反照率（A），植被指数NDVI（V）和地表温度LST（T）；使用ASTER产品获取高程数据；并通过ASTER产品获取的高程数据计算得到坡度、坡向、平面曲率、剖面曲率、表面粗糙度、湿度指数和起伏幅度数据；并采用多变量相关分析和主成分分析两种权重确定方法获得加权概率软数据。本发明还分析了不同软数据数量的精度分析，提出保证充足的软数据数量，对于获得更高精度的土壤水分空间分布具有重要作用。

技术领域

本发明涉及一种基于多源数据的土壤水分估算方法，特别是融合降尺度土壤水分产品数据和地形地势等多源遥感数据的贝叶斯土壤水分估算方法。

背景技术

缺乏具有高空间分辨率的土壤水分（SM）数据已成为提高流域尺度生态水文模型准确性的主要瓶颈之一。贝叶斯最大熵（BME）算法是用于建模大规模空间异质性的估计算法，并且可以集成具有不同精度和质量的多种类型的数据。理论上，使用BME算法将与SM空间相关的多种类型的数据集成到SM空间估计中可以提高SM精度。

土壤水分（SM）不仅是水文模型，气候预测模型，干旱监测模型和作物产量估算模型的关键参数，也是全球气候变化和地表数据同化的重要因素。传统的原位SM测量可以在单点精确测量SM，不能满足大规模动态SM监测的要求。随着卫星遥感技术的发展和完善，开发了许多基于可见/近红外，热红外和主动/被动微波卫星数据的SM监测方法，这也使得监测SM成为可能。特别是，被动和主动微波卫星数据仅受阴天和阴雨天气的影响最小，而被动微波数据尤其提供了大规模观测SM的高灵敏度方法。因此，遥感微波数据已成为陆面SM遥感产品的主要输入，在全球SM监测中具有广泛的应用前景。然而，大多数区域中的大多数被动微波遥感产品不如预期的那样精确（RMSE> 0.06cm ³ / cm ³）。由于被动微波SM产品的精度较低，其实际价值受到很大限制。此外，大多数被动微波SM检索算法都针对均匀表面进行了优化。由于遥感装置和成像原理的限制，被动微波卫星的空间分辨率很低，在几十公里的范围内。这导致微波像素的内部异质性，这使SM产品的验证复杂化。因此，迫切需要开发具有高空间分辨率的SM产品。

发明内容

BME算法考虑数据的不确定性，并且可以根据最大信息熵的原理有效地融合各种数据。BME将准确测量的数据定义为硬数据（HD），将具有不确定性的数据定义为软数据（SD）。通过使用概率分布函数（例如直方图和高斯分布函数）将SD转换为概率SD，并且使用HD来校准SM的概率SD以获得概率后分布函数。最后，通过使用概率后分布函数来估计SM。本发明具体内容如下：

一种基于多源遥感数据的贝叶斯土壤水分估算方法，包括以下步骤：

步骤1、获得土壤水分软数据并进行数据处理

使用FY3-B土壌水分监测产品获取指定区域、指定日期的土壤水分数据；并对FY3-B土壤水分数据进行降尺度处理，通过使用回归模型将25km分辨率FY3-B 土壤水分数据空间分辨率提高为1km分辨率土壤水分数据；

（1）