[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

摘要

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。

主权项

1.一种基于多源遥感数据的贝叶斯土壤水分估算方法，其特征在于：该方法包括以下步骤：步骤1、获得土壤水分软数据并进行数据处理使用FY3‑B土壤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）其中A₂₅为反照率（A）的25 km平均值，V₂₅为植被指数NDVI（V）的25 km平均值，T₂₅为地表温度LST（T）的25 km平均值，m和n分别是FY3‑B像素中第i行和第j列中1km像素的数量；A_ij是FY3‑B中第i行和第j列中1Km像素的反照率值，V_ij是FY3‑B中第 i行和第j列中1Km像素的NDVI值、T_ij是FY3‑B中第 i行和第j列中1Km像素的地表温度LST值；线性回归模型为： SM=a₁+a₂A+a₃V+a₄T+a₅AV+a₆AT+a₇VT（2）其中SM是土壤水分；a₁、a₂、a₃、a₄、a₅、a₆和a₇是回归系数；A为反照率、V为植被指数、T为地表温度；首先， 将公式（1）计算的A₂₅、V₂₅和T₂₅带入公式（2），根据对应像元尺度25km分辨率的FY3‑B 土壤水分数据SM₂₅，通过回归分析计算模型中的回归系数；其次，将MODIS产品1km分辨率的反照率（A），植被指数NDVI（V）和地表温度LST（T）带入模型公式（2），相应计算得到了1km分辨率的土壤水分值SM₁；步骤2、获取环境因子软数据使用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；步骤3、利用步骤1获得降尺度FY3‑B土壤水分数据SM₁和步骤2获得环境因子软数据，采用直方图概率分布形式，获得概率软数据；步骤4、使用多变量相关分析方法和主成分分析方法确定步骤2中的环境因子软数据的权重值，并获得加权概率软数据；首先，计算第j个环境因子与的土壤水分数据之间的定量概率，记做P_SD（EF_j）：  （3）其中Ef 代表步骤2中获得的环境因子数据； n代表SM的 n个区间； k表示SM的第 k个区间，k取值从1到n； m代表Ef的m个区间；是Ef的第l个间隔中SM的第k个间隔中的采样点数； 是SM的第k个区间中的采样点总数；Ef_m是第m个区间的环境因子；在每个区间中，概率分布数据是常数值，并且所有区间的大小相同；其次，计算其中第j个环境因子数据的权重值w_j为：                  （4）其中，i为步骤2中环境因子的个数，i取值从1到11，Rj是第j个环境因子与FY3B土壤水分数据之间的相关系数； Ef_j是第j个环境因素；NCC（Ef_j）是第j个环境因子的归一化相关系数，所有环境因子的NCC之和等于1，其中NCC（Ef_j）值大于等于0.18的环境因子为主导环境因子，保留其环境因子相应权重值，NCC（Ef_j）值小于0.18的环境因子权重值为0；再次，计算SM的加权概率，记做W_PSD，  （5）步骤5、实测获得土壤水分硬数据在步骤1同一区域、相同日期，收集0‑5cm深度的土壤样品，并使用铝盒烘焙方法测量土壤水分含量；测量所有参数三次，并将平均值用于后续分析，记做；步骤6、采用贝叶斯最大熵方法对步骤4中的土壤水分加权概率软数据及步骤5中的实测数据作为硬数据进行融合，估算土壤水分数据，结果记做；步骤7、使用均方根误差（RMSE）和相关系数（R）评估土壤水分预测结果的准确度，其中                  (6)      (7)其中，n是步骤5中实测土壤水分的总次数，是步骤5中第i次实测土壤水分值，是步骤5中n次实测土壤水分的平均值，是步骤6中第i次的贝叶斯最大熵土壤水分，步骤6中n次贝叶斯最大熵土壤水分的平均值。