土壤水分和表面粗糙度的二向性反射模型的建立方法

技术领域

本发明涉及一种二向性反射模型的建立方法。

背景技术

土壤表面水分(SMC)是影响土壤理化性质与作物生长的关键因素，是评估农业旱情最直接的环境指标，是反映地表各系统之间能量流动、物质交换以及土地、水资源和环境管理的重要性参数。获取精准的田块和流域尺度SMC时空变化信息对农田旱涝灾害监测、预防土壤侵蚀、管理农田灌溉和产量预测具有重要意义。

传统的原位测量和采样方法可以获得高精度的SMC，但昂贵且耗时。遥感技术因具有大面积实时观测、成本低的特点，被广泛应用于SMC反演研究。与热红外、微波遥感相比，光学遥感可以实现多波段、多角度、多平台观测现，并具有对土壤水分敏感的特点，更适用于SMC的大面积实时监测。

自然农田土壤表面是典型的非朗伯体，其反射率受土壤成分(如原生和次生矿物、有机质)、表面结构(如表面粗糙度、土壤水分)和观测条件(如光照和观测方向)等多种因素影响。土壤表面各向异性反射通常用二向性反射模型来描述，常用的模型主要分为经验和半经验模型、物理模型和计算机模拟模型，其中，由辐射传递模型和几何光学模型推导出的半经验模型应用最为广泛。但现有的半经验二向性反射模型参数较多且难以获取，在土壤参数反演过程中需要输入多角度反射率数据，且无法有效分离土壤水分和表面粗糙度的耦合影响，不适用于农田土壤参数反演。

发明内容

本发明为了解决现有半经验模型大多需要获取高成本的多角度反射率数据，参数模型较多且难以获取，无法有效分离土壤水分和表面粗糙度的耦合影响的问题，而提供土壤水分和表面粗糙度的二向性反射模型的建立方法。

本发明有效分离土壤水分和表面粗糙度耦合影响的二向性反射模型建立的方法按照以下步骤进行：

步骤一、在研究区域内的裸土表面布设不同土壤水分和表面粗糙度等级的N个子区域，N为≥10的整数；

步骤二、采用ASD光谱仪获取N个子区域的土壤表面多角度反射率数据、并测量相应的土壤参数；其中土壤参数包括0-5cm土壤表面水分SMC、平均坡度角

步骤三、通过比尔定律和Hapke阴影函数将土壤参数SMC、

通过阴影函数

EHM模型(Hapke扩展模型)表达式如下：

其中，r

通过比尔定律将湿土反射率r

其中，λ表示波段，F

通过r

步骤四、结合N组实验数据和粒子群优化算法对EHM模型进行参数优化；代价函数如下：

其中，n

步骤五、对EHM模型参数ω、b、c、b′、c′、h、B

建立IHM模型，其表达式如下：

步骤六、采用IHM模型分别模拟土壤表面多角度反射率和光学卫星获取的土壤反射率，对IHM模型进行精度验证与适用性分析；

步骤七、利用野外获取的M组光学多光谱影像数据对土壤水分和表面粗糙度进行反演，采用的反演模型为：

其中，r

本发明的有益效果为：

本发明基于辐射传输理论，利用比尔定律和阴影函数将土壤水分参数和粗糙度参数引入Hapke原有模型中，构建了适用于描述自然农田地表反射和散射特性的EHM模型。在此基础上，利用粒子群优化算法、全局敏感性分析和参数拟合方法实现EHM模型参数降维，构建仅包括

附图说明

图1为实施例1中研究区概况与农田裸土表面粗糙度的布设情况示意图；

图2为实施例1中多角度反射率观测实验太阳入射角度与观测角度示意图；

图3为实施例1中实验获取的研究区干土反射率与波长的关系示意图；

图4为实施例1中应用粒子群优化算法进行参数优化的P值结果；

图5为实施例1中EHM模型参数敏感性分析结果；

图6为实施例1中土壤表面二向性反射率模拟值与实测值对比结果；

图7为实施例1中土壤表面二向性反射率模拟值与基于Sentinel-2光学遥感影像提取值对比结果；

图8为实施例1中基于Sentinel-2光学遥感影像提取数据的土壤水分和表面粗糙度反演值和实测值比较结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

具体实施方式一：本实施方式土壤水分和表面粗糙度耦合影响的二向性反射模型建立的方法按照以下步骤进行：

步骤一、在研究区域内的裸土表面布设不同土壤水分和表面粗糙度等级的N个子区域，N为≥10的整数；

步骤二、采用ASD光谱仪获取N个子区域的土壤表面多角度反射率数据、并测量相应的土壤参数；其中土壤参数包括土壤表面水分SMC、平均坡度角

步骤三、通过比尔定律和Hapke阴影函数将土壤参数SMC、

通过阴影函数

EHM模型(Hapke扩展模型)表达式如下：

其中，r

通过比尔定律将湿土反射率r

其中，λ表示波段，F

通过r

步骤四、结合N

其中，n

步骤五、对EHM模型参数ω、b、c、b′、c′、h、B

建立IHM(Improved Hapke Model)模型，其表达式如下：

步骤六、采用IHM模型分别模拟土壤表面多角度反射率和光学卫星获取的土壤反射率，对IHM模型进行精度验证与适用性分析；

步骤七、利用野外获取的M组光学多光谱影像数据对土壤水分和表面粗糙度进行反演，采用的反演模型为：

其中，r

本实施方式步骤一中，N为15；所述步骤七中，M为88。

本实施方式步骤七基于IHM模型和野外获取的M组光学多光谱影像数据构建反演算法，实现了土壤水分和表面粗糙度的有效分离。

本实施方式通过阴影函数和比尔定律将SMC、

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤五中结合N组地面多角度反射率观测实验数据对EHM模型进行参数率定，建立了IHM模型，即采用ASD光谱仪观测的光谱反射率提取出六个波段的光谱反射率数据，其中六个波段为BLUE、GREEN、RED、NIR、SWIR1和SWIR2。其他步骤及参数与具体实施方式一相同。

实施例1本实施例以吉林省长春市总面积为108m

土壤水分和表面粗糙度耦合影响的二向性反射模型建立的方法按照以下步骤进行：

步骤一、研究区设置在吉林省长春市(北纬43°52′59″，东经125°24′05″)，总面积为108m

步骤二、采用ASD光谱仪对研究区的子区域进行多角度反射率的测量，同时测量相应的土壤参数。为了保证光谱数据质量，测量选择在晴朗、无云，风速小于4米/秒天气进行，测量时间在11:00至14:00之间，观测2次共获取15组数据，图2为多角度反射率观测实验太阳入射角度与观测角度示意图；其中，采用粗糙度剖面板测量土壤表面粗糙度；采用环刀取样、室内烘干的方法获取土壤水分SMC；通过粗糙表面的获取的数据计算平均坡度角

步骤三、通过比尔定律和Hapke阴影函数将土壤参数

由于土壤光谱反射率受到土壤水分的影响并非单调递减的，且当土壤水分明显小于田间持水量时，湿润土壤反射率r

其中，λ表示波段，F

Hapke扩展模型的输入参数中，单次散射反照率ω可以通过r

由此，通过比尔定律和Hapke阴影函数模型将土壤参数

其中，r

步骤四、基于步骤二中实测得到的15组数据和粒子群优化算法对EHM模型进行参数优化，代价函数表达式如下：

其中，n

非线性优化的过程就是找使P最小的方程参数组合的过程，P值越小，说明模型模拟的二向性反射率值与实测值越接近。由于Hapke扩展模型的参数多，是一个典型的非线性模型，为了解决非线性模型求解过程中会出现的局域最优解和多解性的问题，采用粒子群优化(PSO)算法来找寻使同一实验区内多角度反射率模拟值与实测值最接近的参数组合。标准PSO算法的流程包括四步，分别是初始化、个体极值与全局最优解、更新位置和速度、终止条件。本次实验采用最大迭代次数作为终止条件，并以NIR波段为例，计算模拟值与实测值之间的P值，结果发现当优化次数大于500次时，模拟结果相对稳定，因此，本研究将最大迭代次数设置为500作为优化的终止条件；

将二向性反射特性观测实验中获取的15组多角度反射率数据分为优化数据集(14组)和验证数据集(1组)，将优化数据集的14组多角度反射率及计算得到的平均坡度角

步骤五、对EHM模型参数ω、b、c、b′、c′、h、B

结果发现，单次散射反照率ω对BRF的贡献最大，可达80％以上，影响的角度范围也最广；热点效应参数B

由于模型本身的复杂性，以及光学多光谱数据观测角度的单一性，在求解Hapke扩展模型中的土壤表面粗糙度和含水量时容易造成病态反演问题，需要采用模型参数优化、全局敏感性分析和回归分析方法，建立ω、b、b′与平均坡度角

研究采用GREEN、RED、NIR、SWIR1和SWIR2五个波段进行分析，通过回归分析将土壤水分引入到模型中，利用参数ω和b计算各个采样点在各个波段的等效水吸收率F

根据模型参数优化、全局敏感性分析和参数间回归分析的结果表明，土壤表面反射率可以表示为土壤表面粗糙度(平均坡度角

步骤六、采用IHM模型模拟土壤表面多角度反射率，与地面实测的多角度反射率对比，验证IHM模型参数优化结果的可靠性。

选取GREEN、RED、NIR、SWIR1和SWIR2五个特征波段，采用IHM模型进行二向性反射率的模拟，并与地面实测值进行对比分析。模型中的输入参数包括：太阳天顶角i，观测天顶角e，观测方位角φ，平均坡度角

图6为土壤表面二向性反射率模拟值与实测值对比结果，从图6可以看出简化后的Hapke扩展模型模拟的反射率具有较强的规律性，在太阳主平面上，反射率由前向至后向散射方向逐渐增大，在垂直主平面上，具有明显的对称性，呈明显的“碗状”结构。EHM模拟结果和IHM模拟结果如表1所示，IHM模型在SWIR1波段拟合决定系数R

表1EHM模拟结果和IHM模拟结果

采用IHM模型模拟光学卫星获取的土壤反射率，对IHM模型进行精度验证与适用性分析。图7为土壤表面二向性反射率模拟值与基于Sentinel-2光学遥感影像提取值对比结果，表2为精度验证与适用性分析结果，如图7和表2所示，IHM模型在各个波段拟合决定系数R

表2精度验证与适用性分析

步骤七、利用野外获取的88组光学多光谱影像数据对土壤水分和表面粗糙度进行反演，即本实施例基于Hapke降维模型和星地同步实验中获取的GREEN、RED、NIR、SWIR1和SWIR2等五个波段哨兵2号卫星多光谱影像数据，构建对土壤水分和表面粗糙度反演的模型，表达式如下：

其中，r

图8为基于Sentinel-2光学遥感影像提取数据的土壤水分和表面粗糙度反演值和实测值比较结果，图中左图为土壤表面粗糙度(平均坡度角