基于多源数据融合技术的绿洲灌区土壤水分反演

李华伟; 朱晓春; 张旭东; 隋喆; 周黎勇; 吴迪; 王叶; 白亮亮; LI Hua-wei; ZHU Xiao-chun; ZHANG Xu-dong; SUI Zhe; ZHOU Li-yong; WU Di; WANG Ye; BAI Liang-liang

doi:10.12396/jsgg.2023331

节水灌溉 ›› 2024 ›› (6) : 19-26. DOI: 10.12396/jsgg.2023331

农业遥感反演

基于多源数据融合技术的绿洲灌区土壤水分反演

作者信息 +

Retrieval of Surface Soil Moisture at Field Scale in Oasis Irrigation Area Based on Multi-source Data

Author information +

稿件信息 +

摘要

土壤水分是联系农业、生态和水文领域的重要环境变量，而卫星遥感是监测地表土壤水分的重要手段之一。针对微波遥感空间分辨率不足和光学遥感受云雨天气影响的问题，基于Landsat 8和MODIS光学影像、SMAP微波以及CLDAS再分析等多源数据，联合增强型自适应时空融合算法和随机森林模型对土壤水分进行定量反演，获得了绿洲灌区高时空分辨率田块尺度(30 m)土壤水分。结果表明：通过ESTARFM时空融合算法可有效获得日尺度30 m分辨率归一化植被指数(NDVI)，融合后的NDVI与原始NDVI空间纹理特征一致，两者的相关系数(R)在0.85以上，均方根误差为0.05~0.08，融合效果较好。基于地表温度、NDVI、增强植被指数、叶面积指数、再分析土壤水分产品多特征参数组合下的随机森林模型反演效果最优，获得的高时空分辨率田块尺度土壤水分能够反映其时空变化，相关系数和均方根误差分别达到0.82和0.037 cm³/cm³。该方法可为灌区灌溉面积识别、旱情监测等提供技术支撑。

Abstract

Soil moisture is an important environmental variable that connects the fields of agriculture, ecology, and hydrology. Remote sensing serves as a valuable tool for monitoring surface soil moisture. In response to the problems of insufficient spatial resolution in microwave remote sensing and the impact of cloud and rainy weather in optical remote sensing, field-scale (30 m) SSM was generated in this study based on random forest models combined with quality Landsat 8 and MODIS optical images, SMAP_L4 microwave data, and CLDAS reanalysis data, and in situ SSM measurements. The results showed that the ESTARFM algorithm could generate daily continuous normalized difference vegetation index (NDVI) image at a 30m resolution, exhibiting spatial consistency with the original NDVI image. The fused NDVI image achieved a correlation coefficient (R) of above 0.85 and a root mean square error ranging from 0.05 to 0.08, indicating a good fusion performance. The random forest model yielded the best results of soil moisture at high spatio-temporal resolution, based on the combination of multiple characteristic parameters of land surface temperature, NDVI, enhanced vegetation index, leaf area index and reanalysis of soil moisture products. The obtained soil moisture data at the field scale accurately captured its spatio-temporal variations, with a correlation coefficient of 0.82 and a root mean square error of 0.037 cm³/cm³. The research methods presented in this study can provide technical support for irrigation area identification and drought monitoring in irrigation districts.

关键词

土壤水分 / 遥感反演 / 时空融合算法 / 随机森林 / 数据同化 / 多源数据

Key words

surface soil moisture / remote sensing / spatial-temporal fusion / random forest / data assimilation / multi-source data

基金

新疆水利科技项目(XSKJ-2023-26)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

李华伟 , 朱晓春 , 张旭东 , 隋喆 , 周黎勇 , 吴迪 , 王叶 , 白亮亮. 基于多源数据融合技术的绿洲灌区土壤水分反演[J].节水灌溉, 2024(6): 19-26 https://doi.org/10.12396/jsgg.2023331

LI Hua-wei , ZHU Xiao-chun , ZHANG Xu-dong , SUI Zhe , ZHOU Li-yong , WU Di , WANG Ye , BAI Liang-liang. Retrieval of Surface Soil Moisture at Field Scale in Oasis Irrigation Area Based on Multi-source Data[J].Water Saving Irrigation, 2024(6): 19-26 https://doi.org/10.12396/jsgg.2023331

0 引言

随着气候变化和全球人口增加，水资源供给和分配正面临前所未有的挑战。灌溉作为农业生产中的重要手段，尤其在干旱、半干旱地区越来越受到关注。表层土壤水分（0~10 cm）作为灌溉管理的关键指标，对于优化农业生产和水资源管理具有重要作用^[1]。传统的土壤水分测量方法需要大量时间和人力成本，限制了其在大面积区域的应用^[2]，而基于遥感影像反演土壤水分能够在一定程度上克服这些问题和不足^[3]。

光学遥感具有空间分辨率高、数据处理简单、能够提供高分辨率的土地利用信息和植被信息等优势^{[4, 5]}。然而，受云雨天气影响，光学遥感空间数据存在缺失，其应用受到限制^[6]。相比之下，微波遥感可穿透云层^[7]，获取土壤水分的垂直分布信息，且对于光学遥感不能获取的情况也有一定的适应性^[8]。但微波遥感技术空间分辨率较低，难以满足灌区精细化管理需求。再分析数据通过结合不同观测数据源和模型输出进行数据同化，具有较好的一致性和准确性，但因其空间分辨率不佳，需结合相关数据进行互补。因此，如何结合光学、微波遥感和再分析数据的优势^[9]，获得高时空分辨率地表参数来满足灌区的精细化管理是当前的研究热点^[10]。

本文通过融合光学遥感影像获得高时空分辨率参数数据集，并结合微波遥感、再分析数据和观测土壤水分数据，获得灌区高时空分辨率田块尺度表层土壤水分，为沙漠绿洲灌区提供精准的土壤水分信息，为实现精准灌溉管理提供科学依据和技术支撑。

1 数据和方法

1.1 研究区概况

若羌河灌区位于新疆巴音郭楞蒙古自治州若羌县，地理位置介于38°57'N~39°06'N，88°02'E~88°30'E。该区属于典型的温带大陆性气候，干旱少雨，蒸发强烈，年降水量27mm，年蒸发量2 920 mm，气温日较差和年较差大。灌区灌溉面积为7 333 hm²，其中纯井灌区为4 200 hm²，地表水灌区为3 133 hm²。灌区主要作物为红枣和黑枸杞，还包括部分棉花、玉米、小麦等作物，灌区近80%耕地种植红枣，灌区耕地基本为砂壤土。为监测灌区土壤水分变化情况，灌区内均匀选取8个约30 m×120 m典型红枣地块，每个地块均匀布设3台土壤墒情自动监测仪，以保证对土壤水分监测的准确性和合理性。研究区域及设备布置如图1所示。

图1 研究区域和设备分布示意图

Fig.1 Schematic diagram of study area and equipment distribution

Full size|PPT slide

1.2 数据来源及预处理

研究采用的数据包括美国航空航天局（National Aeronautics and Space Administration, NASA）官网(https://search.earthdata.nasa.gov)的研究区2022年4月1日至10月30日的MODIS^[11]全球数据产品MOD11A1(全球1 km地表温度)、MOD13Q1(全球500 m植被指数)、MOD09GA(全球500 m地表反射率)以及SMAP^[12]微波土壤水分影像；国家气象中心(http://data.cma.cn)CLDAS-V2.0 降雨、地表温度以及0~5 cm土壤水分数据^[13]；美国地质调查局（United States Geological Survey, USGS）官网(https://earthexplorer.usgs.gov/)的同期Landsat-8^[13]影像。此外还利用了灌区布设的墒情监测设备^[13]，通过测量土壤中的电传导率以提供整个植被生育期表层土壤水分数据^[14]。各类数据及其时空分辨率详见表1。

表1 数据来源及时空分辨率

Tab.1 Data source and spatiotemporal resolution

数据类型	数据名称	含义	时空分辨率
遥感数据	Landsat-8 OLI C2L2	多光谱与热红外	30 m/8 d
	MOD11A1	地表温度	1 km/1 d
	MOD13Q1	植被指数	250 m/16 d
	MOD09GA	地表反射率	500 m/1 d
	MCD12Q1	土地覆盖类型	500 m/1 a
微波土壤水分产品	SMAP L4_SM	微波土壤水分	9 km/3 h
中国气象驱动数据及产品	GST	地表温度	6.25 km/1 h
	PRE	降雨	6.25 km/1 h
	SSM	0~10 cm土壤水分	6.25 km/1 h
土壤水分观测数据	体积含水率	0~10 cm土壤水分	站点/1 h

MODIS数据产品预处理主要涉及格式转换、辐射定标、栅格投影与研究区裁剪，将下载的原始HDF数据集导出为TIF格式；将原始DN值定标为物理量，如植被指数、地表温度和反射率等；再投影到统一的投影坐标系，最后裁剪研究区的栅格影像。

Landsat-8影像预处理主要涉及辐射定标、大气校正、图像裁剪等^[15]，通过波段运算计算归一化植被指数NDVI、增强植被指数EVI、叶面积指数LAI，采用大气校正法计算地表温度^[16]。

微波土壤水分产品以及气象驱动数据预处理主要涉及格式转换、栅格投影、重采样与裁剪等。

1.3 ESTARFM时空融合算法

增强型自适应时空融合算法(ESTARFM)^[17]是对STARFM算法^[16]的改进。该算法可以有效互补不同遥感数据源的优势，以生成适宜的时间和空间分辨率影像，常应用于遥感产品的空间降尺度^[18]，如不同波段地表反射率等地表参数。本文通过ESTARFM算法对地表温度、植被指数等特征参数进行空间降尺度，以满足研究区域对高时空分辨率地表参数的需求。

该算法考虑了临近像元与目标像元之间的光谱距离权重、空间距离权重和时间距离权重，通过临近相似像元的光谱信息来预测目标像元值。算法利用与预测时期相邻2个时期同步的高分辨率影像和低分辨率影像以及预测时期低分辨影像来生成预测时期的高分辨率影像。最终预测时期高分辨率影像的计算式为：

L_{k} (x_{w / 2}, y_{w / 2}, t_{p}) = L (x_{w / 2}, y_{w / 2}, t_{k}) + \sum_{i = 1}^{N} W_{i} V_{i} [(M (x_{i}, y_{i}, t_{p}) - M (x_{i}, y_{i}, t_{k})] (k = m, n)

(1)

L (x_{w / 2}, y_{w / 2}, t_{p}) = T_{m} L_{m} (x_{w / 2}, y_{w / 2}, t_{p}) + T_{n} L_{n} (x_{w / 2}, y_{w / 2}, t_{p})

(2)

T_{k} = \frac{1 / |\sum_{j = 1}^{w} \sum_{i = 1}^{w} M (x_{j}, y_{i}, t_{k}) - \sum_{j = 1}^{w} \sum_{i = 1}^{w} M (x_{j}, y_{i}, t_{p})|}{\sum_{k = m, n} [1 / |\sum_{j = 1}^{w} \sum_{i = 1}^{w} M (x_{j}, y_{i}, t_{k}) - \sum_{j = 1}^{w} \sum_{i = 1}^{w} M (x_{j}, y_{i}, t_{p})|]} (k = m, n)

(3)

式中：

w

是相似像元搜索窗口；

(x_{w / 2}, y_{w / 2})

为中心像元位置；

x_{i}, y_{i}

为第i个相似像元；

L (x_{w / 2}, y_{w / 2}, t_{k})

和

M (x_{i}, y_{i}, t_{k})

为k(k=m,n)时期高分辨率影像和低分辨率影像；

L_{m} (x_{w / 2}, y_{w / 2}, t_{p})

和

L_{n} (x_{w / 2}, y_{w / 2}, t_{p})

为

t_{m}

和

t_{n}

时期高、低分辨率影像共同预测的

t_{p}

时期高分辨率影像；

L (x_{w / 2}, y_{w / 2}, t_{p})

为最终预测时期高分辨率影像；

V_{i}

为转换系数；

T_{m}

和

T_{n}

为

t_{m}

和

t_{n}

时期的时间权重因子；

W_{i}

为综合权重因子。

1.4 基于随机森林的反演模型

随机森林^[19]模型是一种非参数化的决策树模型，具有很强的可调节性，可以通过增加更多的样本和变量来改善模型的性能^[20]。在训练阶段，随机森林模型能够对样本和变量进行随机选择，从而避免过度拟合的问题，并且对异常值不敏感。因此，随机森林模型被广泛应用于土壤水分的降尺度研究^[21]。本文通过该方法旨在构建高时空分辨率地表参数数据集和观测土壤水分的非线性关系，提高表层土壤水分反演的精度，并为沙漠绿洲灌区提供精准的土壤水分信息，以实现更加有效的灌溉管理。在随机森林模型中，基于回归树建立输入变量与输出土壤水分之间的非线性关系：

S S M_{0} = f_{R F} (C) + ε

(4)

C = (L S T, N D V I, E V I, L A I, S M A P^{} L 4, G S T, P R E, C L D A S^{} S S M)

(5)

式中：

S S M_{0}

为地面观测的表层土壤水分；

C

为输入变量的向量，即地表温度、植被指数、SMAP L4土壤水分、CLDAS地表温度、降水和土壤水分产品数据；

f_{R F}

代表输入变量和观测土壤水分之间的非线性关系。

模型的基本原理是通过多个决策树对输入样本和变量进行随机选择，从而有效解决过拟合问题，并通过对多个回归树的结果进行平均，提高了模型的泛化能力^[22]：

p (S S M_{0} |C) = \frac{1}{m} \sum_{i = 1}^{m} p_{i} (S S M_{0} |C)

(6)

式中：

p (S S M_{0} |C)

为随机森林预测整体结果；

m

为回归树的数量；

p_{i} (S S M_{0} |C)

为每个回归树的预测结果。

1.5 精度评价指标

精度评价是衡量模型反演土壤水分准确性和可靠性的重要环节。常用的评价指标包括平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R ²）^[23]。这些指标直观地提供评估模型反演精度，有助于验证算法模型的可靠性。

2 结果与分析

2.1 时空融合结果对比分析

图2为融合后NDVI与Landsat-8 原始NDVI影像空间分布图。图2(a)、(c)、(e)分别是4月17日Landsat原始NDVI影像、融合后NDVI影像以及两者差值空间分布图，其中融合后NDVI由4月1日和5月22日Landsat 8、MODIS NDVI影像以及4月17日MODIS NDVI共5幅影像融合得到。从图2中可以看出融合后NDVI与Landsat原始NDVI空间分布特征一致，灌区边缘NDVI值较低，中部植被生长区域NDVI较高，融合后NDVI和原始NDVI相关系数为0.85，RMSE为0.08，融合前后NDVI差值空间分布较为均一，平均值为0.022 9，标准差别为0.081 3。图2(b)、(d)、(f)分别为9月8日Landsat原始NDVI影像、融合后NDVI影像以及两者差值空间分布图，其中融合后NDVI由7月22日和9月24日Landsat-8、MODIS NDVI以及9月8日MODIS NDVI5幅影像融合得到，融合后NDVI和原始NDVI相关系数为0.96，RMSE为0.05，融合前后差值空间分布较为均一，差值平均值为0.000 4，标准差为0.081 3。以上结果表明，融合所得影像与实际影像一致，融合效果较好。

图2 融合后NDVI与Landsat 原始NDVI影像空间分布

Fig.2 Spatial distribution of fused NDVI and original NDVI images from Landsat

Full size|PPT slide

2.2 随机森林特征重要性分析

图3为随机森林模型中特征因子的重要性排序。在随机森林模型的构建过程中，不同的特征因子以各自的重要性影响着模型的预测结果。特征重要性的计算基于每个特征在所有树的所有节点划分中所减少的不纯度的平均量，当一个特征因子在许多节点上被选为划分特征，且每次划分都显著地减少了不纯度，则该特征的重要性就会相应地增加。从图3中可以看出，重要性超过0.1的特征因子包括LST、NDVI、EVI、LAI、SSM。在所有特征重要性排序中，LST居首位，重要性达到了0.238，表明其对模型预测土壤水分的影响最为显著。而SMAP、GST、PRE特征因子的重要性均低于0.05，其中降水量的重要性仅0.003，说明在该研究地区降水并不是模型的主要驱动因素，主要原因为该地区降水量极小，对土壤水分时空变化的影响较小。

图3 随机森林模型特征因子重要性

Fig.3 Random Forest Feature Importance

Full size|PPT slide

2.3 随机森林模型训练与验证

本文通过随机森林模型构建了LST、NDVI、EVI、LAI、SMAP、GST、PRE、SSM与观测土壤水分之间的非线性关系，并应用于灌区土壤水分反演。模型构建中，采用的样本数据共1 368组，并按4∶1随机划分为训练集与验证集。为了确定最优模型，利用全子集回归对8个输入的特征参数共计255种组合进行筛选，以确定最优特征参数组合。结果表明，LST、NDVI、EVI、LAI以及SSM为最优特征参数组合，该组合与特征重要性排序分析结果一致。通过随机搜索与网格搜索调参设置树的数量为110，最小分裂样本数为2。在训练集中，R ²达到了0.97，MAE为0.01 cm³/cm³，RMSE为0.014 cm³/cm³。在验证集中，R ²达到了0.68，MAE为0.026 cm³/cm³，RMSE为0.037 cm³/cm³。图4为训练集与验证集中的观测土壤水分和模型反演土壤水分的散点图，结果表明所构建的随机森林模型反演的土壤水分与观测土壤水分较一致，散点均匀分布在1∶1线附近，效果良好。为进一步评估模型的效果及其可靠性和稳定性，对样本进行了1 000次随机抽样，并按照4∶1的比列分为训练集和验证集，验证统计结果如表2所示。结果表明，该模型预测的土壤水分与观测土壤水分的MAE、RMSE、R ²的均值分别为0.027、0.039、0.670，标准差分别为0.001 7、0.002 4、0.020 0，效果良好。

图4 训练集与验证集土壤水分散点图

Fig.4 Scatter plot of soil moisture for training and validation datasets

Full size|PPT slide

表2 模型性能统计指标汇总

Tab.2 Aggregated Statistical Indicators of Model Performance

项目	MAE/（cm³•cm^-3）	RMSE/（cm³•cm^-3）	R ²
最大值	0.032 8	0.046 7	0.769 1
最小值	0.022 4	0.032 5	0.447 5
平均值	0.027 0	0.039 2	0.670 1
标准差	0.001 7	0.002 4	0.016 9

2.4 土壤水分时空变化

图5为作物生育期内每月15日土壤水分空间分布图。可以看出，不同日期土壤水分在空间分布上呈现出明显的差异，其中灌区中部植被覆盖较密的区域表层土壤水分相对较高，灌区边缘植被稀疏区域土壤水分较低，主要是由于边缘区域灌水量少或未灌溉引起的。南部地区土壤水分含量普遍较高，6-8月基本维持在20%以上，北部以及东部土壤水分相对较低，可能是因为若羌河灌区干渠自南向北贯穿整个灌区，北部位于灌溉水源末端，供水不及时或供水不足；东部地区狭长，为井灌区同时受戈壁沙漠等干热气流影响比较严重。

图5 作物生育期内土壤含水量分布

Fig.5 Spatial distribution of soil moisture during the crop growth period

Full size|PPT slide

从时间变化上看，4月灌区的土壤水分整体较低，4月底到5月初，随着作物灌溉的推进，灌区土壤水分开始上升，随后整体呈上升趋势直至7月，夏季7月灌区平均土壤水分含量达到最大，维持至8月中下旬开始下降。9月，不同作物陆续进入收获期，灌溉减少，土壤水分呈逐渐减小的趋势。

从不同作物分布来看，5月灌区红枣已经开始灌溉，中西部红枣的土壤含水率明显高于东部靠北的黑枸杞区，在6月初左右，黑枸杞所在区域土壤水分开始回升，在6月中旬基本与红枣持平，而后到9月初至9月中旬，种植黑枸杞地块停止灌溉，土壤水分率先开始呈下降趋势。土壤水分的这种时空变化特征与灌区不同作物播种、灌水与收获时间基本一致。

2.5 土壤水分与地表温度相关性

地表温度一定程度上可以反映土壤水分的干湿变化，两者相关关系在绿洲灌区尤为明显。图6为每月15日地表温度与同期土壤水分空间分布图，可以看出地表温度与土壤水分之间存在明显的负相关关系，地表温度高值、低值区域与土壤水分低值、高值区域分布较为一致。灌区周边的温度明显高于中心区域，生育期6-8月灌区边缘地表温度最高可达50~70 ℃左右，对应的土壤水分也低于灌区内部。5月灌区边缘主要种植作物黑枸杞未开始灌溉，因此其土壤水分较灌区中部更低，地表温度较高，此外，从图6中可看出灌区边缘部分地块在整个生育期内土壤水分均较低，经实地调查该地块无作物和灌溉发生。

图6 土壤水分和地表温度空间对比

Fig.6 Comparison of spatial distribution between soil moisture and land surface temperature

Full size|PPT slide

3 讨论

数据融合技术的优点是通过融合多源数据优势信息，可提高时空分辨率，获得更精细化、更高质量的地表参数^[24]。本文通过ESTARFM数据融合技术，获得了高时空分辨率的逐日30 m 地表温度、NDVI等地表参数，并应用于高时空分辨率土壤水分反演，提高和丰富土壤水分空间信息。但融合结果的优劣依赖于研究时段内原始影像数据质量，如影像数量、云覆盖比例等。因此，在数据融合过程中，应充分考虑可用的多源遥感影像数量和质量，尤其是多平台组网和云覆盖比例低的数据源^[25]。

利用融合算法与机器学习相结合的方法，对表层土壤水分进行反演，并获得了2022年若羌河灌区作物生育期内高时空分辨率（逐日30 m）表层土壤水分分布，研究结果能够较好地反映灌区表层土壤水分的时空变化特征。由于若羌河灌区年降水极少，在模型参数优选中并未纳入降水因素，因此，该模型更适用于干旱少雨地区的土壤水分反演监测。当该模型移植或应用到其他降水较多区域或灌区时，需要考虑不同地区气候条件差异和降水事件对土壤水分的直接影响。

此外，模型构建中部分数据源的空间分辨率较低，如CLDAS土壤水分数据，无法直接映射到土壤水分的精细尺度，仅作为约束变量参与模型构建；同时，地面监测智墒仪容易受到农耕活动的影响或破坏，数据存在部分缺失等情况，因此在使用时需要对数据可用性进行判断并进行数据清洗。土壤质地是反映土壤水分值域范围的重要指标，当土壤质地空间变异性强烈时，需考虑该因素对土壤水分空间变异性带来的影响。因此，在多参数模型构建中，需要综合考虑区域特点、多源数据特征影响，尽可能降低多源数据不同的“噪声”对模型构建带来的不确定性。

4 结论

本文联合Landsat和MODIS影像，通过ESTARFM融合算法，获得了高时空分辨率NDVI地表参数数据集，融合后的NDVI在空间纹理特征上与Landsat原始影像保持一致，且具有较好的精度，融合后NDVI与原始影像相关系数达到了0.85以上，均方根误差介于0.05~0.08。融合后的地表参数数据集为进一步遥感反演高时空分辨率土壤水分提供了良好数据基础。同时，利用随机森林方法建立的研究区土壤含水量反演模型在验证集R ²达到了0.68，MAE为0.026 cm³/cm³，RMSE为0.037 cm³/cm³，反演结果较好。在时间和空间变化上，反演所得的土壤水分时空特征分布基本符合点位实测特征与经验判定，契合灌区种植结构，该方法可为灌区精细化灌溉和管理提供技术支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	王丽丽, 王振龙, 索梅芹, 等. 基于神经网络的冬小麦生育期日土壤水分预测模型研究[J]. 节水灌溉, 2020(11) : 64-67. WANG L L, WANG Z L, SUO M Q, et al. Study on daily soil moisture prediction model during winter wheat growth stages based on neural network[J]. Water Saving Irrigation, 2020(11): 64-67. 本文引用 [1]

2	郭晓娟, 周妍妍, 郭建军, 等. 疏勒河流域土壤含水率反演[J]. 干旱区研究, 2018, 35(6) : 1 317-1 326. GUO X J, ZHOU Y Y, GUO J J, et al. Soil moisture inversion in the Shule River Basin[J]. Journal of Arid Zone Research, 2018, 35(6): 1 317-1 326. 本文引用 [1]

3	郭文, 马梦梦, 孙培彦. 基于Sentinel-1A数据和BP神经网络的裸露地表土壤含水量反演研究[J]. 中国农村水利水电, 2023(1) : 89-94. GUO W, MA M M, SUN P Y. Study on the inversion of bare surface soil moisture content based on Sentinel-1A data and BP neural network[J]. China Rural Water and Hydropower, 2023(1): 89-94. 本文引用 [1]

4	高琪, 彭杰, 冯春晖, 等. 基于Landsat 8数据的荒漠土壤水分遥感反演[J]. 水土保持通报, 2021, 41(1) : 125-131, 151. Gao Q, PENG J, FENG C H, et al. Remote sensing inversion of desert soil moisture based on Landsat 8 data[J]. Bulletin of Soil and Water Conservation, 2021, 41(1): 125-131, 151. 本文引用 [1]

5	厉芳婷,胡菡,张亮,等.基于土地利用分类的夜间灯光和GDP分量相关性研究[J].测绘地理信息,2023,48(1):82-85. LI F T; HU H; ZHANG L,et al. Correlation research between night light data and GDP component based on land use classification[J].Journal of Geomatics,2023,48(1):82-85. 本文引用 [1]

6	艾璐, 孙淑怡, 李书光, 等. 光学与SAR遥感协同反演土壤水分研究进展[J]. 自然资源遥感, 2021, 33(4) : 10-18. AI L, SUN S Y, LI S G, et al. Research progress on optical and SAR synergistic retrieval of soil moisture[J]. Remote Sensing of Natural Resources, 2021, 33(4): 10-18. 本文引用 [1]

7	邓小东, 王宏全. 土壤水分微波遥感反演算法及应用研究进展[J]. 浙江大学学报(农业与生命科学版), 2022, 48(3) : 289-302. DENG X D, WANG H Q. Research progress on microwave remote sensing algorithms and applications for soil moisture retrieval[J]. Journal of Zhejiang University (Agriculture and Life Sciences), 2022, 48(3): 289-302. 本文引用 [1]

姜红, 玉素甫江·如素力, 拜合提尼沙·阿不都克日木, 等. 基于支持向量机回归算法的土壤水分光学与微波遥感协同反演[J]. 地理与地理信息科学, 2017, 33(6): 30-36.

JIANG

, RUSULI

, ABUDOUKERIMU

, et al. Optical and microwave synergistic inversion of soil moisture based on support vector machine regression algorithm[J]. Geography and Geo-Information Science, 2017, 33(6): 30-36.

本文引用 [1]

9	李艳,张成才,恒卫冬,等.基于多源遥感数据反演土壤墒情方法研究[J].节水灌溉, 2020(8):6. LI Y, ZHANG C C, HENG W D, et al. Study on the method of soil moisture retrieval based on multi-source remote sensing data[J]. Water Saving Irrigation, 2020(8): 6. 本文引用 [1]

10	马春芽, 王景雷, 黄修桥. 遥感监测土壤水分研究进展[J]. 节水灌溉, 2018(5) : 70-74, 78. MA C Y, WANG J L, HUANG X Q. Research progress on remote sensing monitoring of soil moisture[J]. Water Saving Irrigation, 2018(5): 70-74, 78. 本文引用 [1]

11	JUSTICE C O, GIGLIO L, KORONTZI S, et al. The MODIS fire products [J]. Remote Sensing of Environment, 2002, 83(1-2) : 244-262. 本文引用 [1]

12	ENTEKHABI D, NJOKU E G, O’NEILL P E, et al. The soil moisture active passive (SMAP) mission [J]. Proceedings of the IEEE, 2010, 98(5): 704-716. 本文引用 [1]

13	LI X, HUANG C L, CHE T, et al. Development of a Chinese land data assimilation system: its progress and prospects [J]. Progress in Natural Science, 2007, 17(8): 881-892. 本文引用 [3]

14	ROY D P, WULDER M A, LOVELAND T R, et al. Landsat-8: science and product vision for terrestrial global change research [J]. Remote Sensing of Environment, 2014, 145: 154-172. 本文引用 [1]

15	TOPP G C, DAVIS J L, ANNAN A P. Electromagnetic determination of soil water content: measurements in coaxial transmission lines [J]. Water Resources Research, 1980, 16(3): 574-582. 本文引用 [1]

郭二旺, 郭乙霏, 罗蔚然, 等. 基于Landsat8和Sentinel-1A数据的焦作广利灌区夏玉米土壤墒情监测方法研究[J]. 中国农村水利水电, 2019(7): 22-25, 34.

GUO

E W

, GUO

Y F

, LUO

W R

, et al. Study on soil moisture monitoring method for summer maize in Jiaozuo Guangli irrigation district based on Landsat 8 and Sentinel-1A data[J]. China Rural Water and Hydropower, 2019(7): 22-25, 34.

本文引用 [2]

17	王文婷, 郭乙霏. 多源遥感数据及其融合技术在土壤墒情监测中的应用[J]. 节水灌溉, 2018(6): 63-66, 70. WANG W T, GUO Y F. Application of multi-source remote sensing data and fusion techniques in soil moisture monitoring[J]. Water Saving Irrigation, 2018(6): 63-66, 70. 本文引用 [1]

18	ZHU X, CHEN J, GAO F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions [J]. Remote Sensing of Environment, 2010, 114(11): 2 610-2 623. 本文引用 [1]

19	FENG G, MASEK J, SCHWALLER M, et al. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2 207-2 218. 本文引用 [1]

20	尉毓姣, 朱琳, 曹鑫宇, 等. 基于ESTARFM模型的南京地区蒸散发降尺度研究[J]. 生态学报, 2022 (15): 1-11. YU Y J, ZHU L, CAO X Y, et al. Downscaling study of evapotranspiration in Nanjing area based on ESTARFM model[J]. Acta Ecologica Sinica, 2022(15): 1-11. 本文引用 [1]

21	BREIMAN L. Random forests [J]. Machine Learning, 2001, 45(1): 5-32. 本文引用 [1]

22	罗亚东, 许齐, 郭宇宏, 等. 尺度效应对多光谱遥感监测土壤水分影响研究[J]. 节水灌溉, 2023(2): 20-27. LUO Y D, XU Q, GUO Y H, et al. Study on the influence of scale effect on multispectral remote sensing monitoring of soil moisture[J]. Water Saving Irrigation, 2023(2): 20-27. 本文引用 [1]

23	WILLMOTT C J. On the validation of models[J]. Physical Geography, 1981, 2(2): 184-194. 本文引用 [1]

24	匡中正,涂超,李江沙,等.基于多源数据融合的城市雨污排水WebGIS系统及应用[J].测绘地理信息,2023,48(6):138-141. KUANG Z Z, TU C, LI J S,et al. Urban rainwater and sewage drainage WebGIS system based on multi-source data fusion application[J]. Journal of Geomatics, 2023,48(6):138-141. 本文引用 [1]

25	曾炜健,张棋斐,吴志峰,等.对比多源遥感数据在滨海湿地提取中的差异[J].测绘地理信息,2023,48(3):71-78. ZENG W J, ZHANG Q F, WU Z F,et al. Comparison of the differences of multi-source remote sensing data in coastal wetland extraction[J]. Journal of Geomatics, 2023,48(3):71-78. 本文引用 [1]

26	BELGIU M, DRĂGUŢ L. Random forest in remote sensing: A review of applications and future directions [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31.

27	ZHANG H, WANG S, LIU K, et al. Downscaling of AMSR-E soil moisture over North China using random forest regression [J]. ISPRS International Journal of Geo-Information, 2022, 11(2): 101.

PDF(3709 KB)

509

访问

引用

详细情况

段落导航

收稿日期	接受日期	出版日期
2023-08-30	2024-03-13	2024-06-10
发布日期
2024-06-24

选择文件类型/文献管理软件名称

选择包含的内容