基于高分三号雷达数据的作物覆盖区土壤水分反演研究.pdfVIP

摘要 当前利用雷达卫星反演土壤水分主要为Radarsat-2 和 Sentinel-1，对国产 GF3 数据进行土壤水分研究相对较少。为此本文基于 GF3 雷达数据、Landsat8 光学 数据和野外实测参数，结合 PROSAIL 模型、AIEM 模型及水云模型，以河北省 栾城县拔节期的小麦为研究对象，构建了 GF3 同极化数据的高低入射角土壤水 分估算公式和通过粒子群改进的极限学习机算法两种方法。主要有以下三方面： （1）基于水云模型获取了GF3 同极化数据的土壤直接后向散射系数。首先 通过 PROSAIL 模型、野外实测参量及 Landsat8 影像从八个植被水分指数中优选 出最佳指数：归一化差异水分指数 NDWI 1640；之后结合 AIEM 模型、实测地表 参数及 GF3 原始影像率定了水云模型中 A ，B 值，并利用 landsat8 反演的植被冠 层含水量和 GF3 原始影像剔除了小麦影响，获取了 GF3 土壤直接后向散射系数 影像 VVsoil 、HHsoil 。通过分析可知，所获得的 VVsoil 、HHsoil 与 AIEM 模型模拟 的VV 2 2 AIEM 、HHAIEM 具有一致性，其中 VV 极化的 R =0.8427 ，HH 的R =0.8216 。 （2 ）基于 AIEM 模型的 GF3 高低入射角数据土壤水分估算公式。通过 AIEM 模型刻画了多种参数不同范围下的各种因子的后向散射系数值 VVAIEM 、HHAIEM ， 经过研究各种因子与其相关性后，发展了土壤水分反演模型。并利用 49°和 29° 的 GF3 土壤直接后向散射系数影像 VVsoil 、HHsoil 获取了表征地表起伏状况的组 合粗糙度 sl，从而实现了土壤水分反演。经精度验证可知：VVsoil 、HHsoil 都能较 2 3 -3 好反演土壤水分，其中 VVsoil 的精度较高，R =0.5956 ，RMSE=0.0415m m ，而 HH 2 3 -3 soil 精度较低，R =0.4737 ，RMSE=0.0538m m 。 （3 ）基于优化极限学习机算法的土壤水分反演。通过粒子群算法迭代寻找 到的全局最优值来产生极限学习机的输入权重和中间层偏置，以弥补极限学习机 输入权重和中间层偏置的随机性。通过 VV 极化和 HH 极化 100 次迭代误差分析 可知，VV 极化数据训练效果比 HH 极化好；同时，据预测结果可知，VVsoil 优 于 HH 2 3 -3 soil ，其中VVsoil 的R =0.6436 ，RMSE=0.0456 m m 。因此最终基于VVsoil 数据获取了土壤水分信息，而据反演结果可知：通过 VVsoil 获取到的土壤水分反 2 3 -3 演值与实际测量值具有不错相关性，其中 R =0.4556 ，RMSE=0.0568 m m 。 关键词：AIEM 模型，土壤水分，GF3 雷达数据，改进极限学习机算法 1 Abstract At present