土壤水分遥感反演.pptVIP

引言 经典的牛顿力学只适用于宏观世界而不适用于微观世界便是一个典型的尺度问题。 80年代后期，用AVHRR估算中国耕地面积24亿亩（当时统计数据为15亿亩），成为“笑柄”，其实这也是一个典型的尺度问题。 地理学、生态学、水文学、气象学、物理学、天文学和信息学等众多学科和领域都存在尺度问题。 二 研究方案和技术路线1：TVDI TVDI研究进展 TVDI与水分之间的线性关系 TVDI更准确地计算 TVDI时间序列相关性问题 TVDI与水分（ 1km pixel ）之间的线性关系 TVDI更准确地计算 三 研究方案和技术路线2：降尺度方法 土壤水分计算结果 面临的问题 四 总结 Good news 只用卫星遥感数据，不依赖于地面资料 目前结果尚可 Bad news 由于TVDI局限性，通用性欠缺，无法做全球数据 算法中尺度关系的处理简单 受限于卫星遥感数据质量 谢谢大家 * 基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究 导师：李新 晋锐 报告人：曹永攀 2011-01-14 Downscaling of AMSR-E soil moisture using MODIS derived Temperature Vegetation Dryness Index 第一届中国科学院陆面/水文数据同化学术研讨会 提纲 一 背景介绍 二 研究方案和技术路线1：TVDI 三 研究方案和技术路线2：降尺度方法 四 总结 * 一 背景介绍 土壤水分的重要性 地表土壤水分作为一个非常重要的水文参数影响着陆气相互作用过程，强烈控制着显热和潜热通量之间的能量再分配。 土壤水分是气候模型，陆面过程模型，水文模型里的一个重要变量。 全球气候模型的模拟显示提高对土壤水分的估计有助于提高天气和气候的预报的准确性。 对于土壤水分时空动态过程的了解和认识对于水文，生态，农业都至关重要。 * 土壤水分的三种获取方式 地面实地定点观测（包括台站和便携仪器） 可以给出时间上的变化 难以描述空间变化，受条件限制多，花费成本高 模型模拟(土壤水动力学等) 能给出空间和时间上的变化 对输入参数要求高，不确定性较高 遥感 可以获取大范围的数据；速度快，周期短； 地表信息,瞬时值 * 基于遥感的土壤水分观测 光学遥感 热惯量 NDVI-Ts space 微波遥感 被动 亮温-介电-水分，物理关系更直接，时间分辨率高，其发展也更成熟，应用更广泛，SMOS就是专门针对土壤水分设计的 但是空间分辨率粗 主动 空间分辨率高，但时间分辨率低 其后向散射信息对地表土壤水分估计的误差较大，尤其是在植被作物覆盖地区 为什么要降尺度？ 被动微波方法做土壤水分有着天然的优越性 但是其空间分辨率粗，所以只能用来做大尺度上的观测。 而包括气象，水文，水资源管理和气候学在内的一系列流域尺度上的研究都要求中高分辨率的土壤水分观测据 流域尺度同化系统的需要 所以对土壤水分降尺度的研究很有必要 研究目标和内容 所以我们试图把被动微波遥感的土壤水分产品(25km)与从光学遥感信息中提取的土壤水分指数相结合，从而生成可靠的中分辨率(1km)土壤水分产品。 25km 25km 0.25 AMSR-E像元 1km 0.3 0.3 0.2 0.15 Downscaling TVDI 将由可见光和近红外数据所得的NDVI和由热红外数据所得的LST做成散点图，就可以得到一个三角形（Carlson et al 1994）或者梯形（Moran et al 1994）。这个散点图被称作Ts-NDVI space，它与地表土壤水分，地表蒸发等有着密切的关系。 在Ts-NDVI space中，像点在散点图中的位置表征了其土壤水分或蒸发情况。 Sandholt et al (Sandholt et al 2002) 基于Ts-NDVI space定义了一个指数，叫做 Temperature Vegetation Dryness Index (TVDI)。 TVDI的计算 TVDI=(Ts-Tsmin)/(Tsmax-Tsmin) Tsmin=c+dNDVI Tsmax=a+bNDVI TVDI的计算流程 LST NDVI QC NDVI LST TVDI 1 两条边的选取标准 2 LST/NDVI指标的替换 3 逐日数据的替换 2008-6-24 2008-7-10 TVDI在时间序列上不相关 TIME Y X TVDI (space (x, y) , time) TVDI ( space (0, 1), --- ) TVDI ( space (0, 2), --- ) TVDI ( space (1, 1), --- ) TVDI ( space (1, 2),