摘要
土壤湿度作为土壤中水分的含量,是土壤水分循环和生态系统中的重要组成部分.土壤湿度不仅对农业生产、生态环境和水资源管理等具有重要指示作用,而且还能通过土壤水分的蒸发作用,影响大气温度的变化和降水的形成.研究表明,受土壤质地、温度、地形和地理环境等因素的影响,土壤湿度表现出显著的空间差异性和时域变化特征.因此,对土壤湿度进行高时空分辨率的监测具有重要意义. 传统的土壤湿度监测方法通常采用基于点式的地面观测或者人工采样方法,虽其可获得高精度的土壤湿度信息,但时空连续性较差,且需要耗费大量的人力、物力和财力.基于遥感技术获取的现有土壤湿度产品虽具有全球覆盖和时域上的连续性等优势,但其时空分辨率往往较低,不足以刻画土壤湿度的短期细空间尺度变化趋势.作为我国第一颗地球同步静止轨道遥感卫星,高分四号卫星(GF4)具备高时间分辨率和较高空间分辨率的优势,已成功运用于森林火灾监测、洪水灾害监测、水体提取等方面,但其在土壤湿度反演方面的研究却鲜有报道.因此,为提高土壤湿度的时空分辨率,本文以贵阳市为研究区,以 GF4 光学遥感影像为主要数据源,协同温度(Temperature)、降水(Precipitation)、高程和哨兵一号(Sentinel-1)微波数据,开展基于GF4的土壤湿度反演研究.本文主要工作和结论如下: (1)针对归一化植被指数在中高度植被覆盖区易发生饱和的缺陷,以GF4红光波段反射率(Rred)、近红外波段反射率(Rnir)和宽范围动态植被指数(Wide Range Dynamic Vegetation Index, WRDVI)为解释变量,土壤湿度实测值为因变量,采用多元线性回归方法建立了贵阳市土壤湿度反演的线性模型,并将其与传统指数模型,以及以Rred、Rnir和NDVI为解释变量的多元线性回归模型的建模精度和土壤湿度预测精度进行了比较分析.结果表明:MLR_W 模型有更高的模型拟合精度,其平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root mean squared error,RMSE)分别为5.05%和 6.38%,预测精度仅低于 MPDI 指数模型(MAE 和 RMSE 分别为 5.17%和6.29%),但由于MLR_W模型无需确定土壤线,实际工作中较SM_M更易于实施. (2)针对各影响因子与土壤湿度间可能存在复杂的非线性关系问题,以 Rred、Rnir、NDVI、反照率(Albedo)、高程、降水量以及地表温度为影响因子,采用随机森林算法(Random Forest,RF)和广义加性模型(Generalized Additive Model,GAM)分别构建了RF和GAM土壤湿度反演模型.实验结果表明,由RF和GAM模型诊断出的各影响因子对土壤湿度影响程度的排序基本一致;但相较于 RF 模型,GAM 取得了更高的土壤湿度预测精度,预测值的MAE和RMSE分别为4.99%和6.27%,较RF模型分别降低了0.29%和0.08%. (3)基于所建 GAM模型揭示出了各影响因子与土壤湿度之间存在的线性/非线性关系,以及不同影响因子间的交互协同作用,结果表明:Rred、Rnir与土壤湿度之间存在线性关系,而 NDVI、Albedo、Precipitation和 Temperature与土壤湿度之间存在复杂的非线性关系;Rred-Rnir、Rred-Precipitation、Rred-Temperature、Rnir-Precipitation、Rnir-Temperature和Temperature-Temperature 6个交叉项在plt;0.001水平下显著影响土壤湿度. (4)针对光学遥感易受云和植被影响,以及传统 BP 神经网络模型易陷于局部最优的缺陷,以GF4光学遥感中提取的Rred和Rnir输入参量,协同Sentinel-1雷达数据中的入射角,VV极化方式的雷达后向散射系数(VVσ)和 VH极化方式的雷达后向散射系数( VHσ),构建了光学遥感和微波遥感协同的、基于遗传算法优化的GA-BP神经网络的土壤湿度反演模型.实验结果表明,相较于支持向量机(Support Vector Machine, SVM)模型和传统的 BP神经网络模型, GA-BP取得了更优的土壤湿度预测精度,土壤湿度预测值与参考值间的拟合度R2=0.866, MAE和RMSE分别为3.73%和4.72%, MAE分别降低了2.22%和2.56%,RMSE分别降低了3.17%和3.23%.相比于基于光学遥感构建的GAM模型,GA-BP神经网络模型的精度也得到了明显的改善,土壤湿度预测值的MAE和RMSE分别降低了1.26%和1.55%.
NETL