土壤水分研究概述
土壤水分是水循环、能量循环和生物地球化学循环的重要组成部分。对于水资源管理、农业生产以及气候变化等领域的研究至关重要。土壤水分监测的方法有很多种,其中基于遥感数据的方法因其观测范围广阔,受限制较少,成为了研究的热点之一。
早期的土壤水分反演研究主要使用单一遥感数据源,如可见光近红外的反射率法、热红外的热惯量法等。然而,由于土壤水分受到多种因素的影响,这些方法往往难以满足实际需求。近年来,研究者们开始关注多特征变量在土壤水分反演中的应用。
多特征变量指的是综合利用土壤特征、植被特征、气象特征等多种因素进行反演。通过综合考虑这些因素,可以提高土壤水分反演的精度和可靠性。未来,可以进一步研究不同特征变量之间的关联性,探讨更多元化的反演方法,为土壤水分监测提供更为科学的支持。
多因素对反演的干扰具体表现
1. 土壤特征:土壤的类型、质地、含水量等因素会直接影响土壤的反射率和热红外特性,进而影响遥感影像中土壤的表现。不同类型的土壤对光谱波段和热红外波段的反射率和热特性响应不同,因此需要根据具体土壤特征来选择合适的遥感方法和模型。
2. 植被特征:植被的覆盖度、类型、生长状态等因素会影响遥感影像中的植被指数和反射率,进而影响土壤的表观特征。植被可以减少土壤表面的直接照射,降低土壤的温度,同时植被本身的含水量也会影响遥感影像中土壤水分的表现。
3. 气象特征:气象因素如降水量、温度、湿度等会直接影响土壤水分的蒸发和渗透过程,进而影响土壤的含水量和温度。这些气象特征会影响土壤的反射率和热特性,从而影响遥感影像中土壤水分的估算。
光学影像波段监测土壤水
原理
在自然界中,水体的反射率通常较低,而土壤水分的变化会导致土壤在可见光波段的反射率特征发生变化。因此,可以利用土壤的光学反射率特征来监测土壤水分的变化。这一方法可以分为两个阶段进行研究。
在第一阶段,研究者通常在理想实验环境下控制变量,研究土壤的光学反射率与土壤水分之间的关系。他们发现,短波红外波段对土壤水分具有较高的敏感性,裸土水分含量与反射率存在一定的相关性。这些研究为后续应用性研究奠定了基础。
在第二阶段,随着遥感技术的发展,研究人员结合遥感影像进行了大量实验。他们利用遥感数据中的单波段反射率特征或多波段组合特征,结合实测土壤水分数据,建立了反射率和实测土壤水分数据之间的关系。通过筛选敏感波段并建立统计经验模型,实现了对土壤水分的反演。
方法
如何利用土壤的反射率特征来监测土壤水分的变化。研究发现,当土壤含水量增加时,土壤的反射率会降低,而当土壤含水量减少时,反射率会增加。这个规律对于土壤水分监测非常重要。
过去的研究主要集中在验证这个规律的基础上,进一步探讨了如何利用土壤反射率来估算土壤水分含量。研究人员发现,在一定范围内,不同类型的土壤反射率与水分含量和吸收率之间存在一定的线性关系。但是,这些研究也发现,对于不同的土壤类型和不同的水分条件,最适合用于估算土壤水分的光谱波段和方法可能会有所不同。
为了更准确地估算土壤水分含量,一些研究人员提出了利用高斯模型来提取土壤反射率光谱外包络线的方法。通过分析这个模型中的参数和土壤水分之间的关系,可以更好地估算土壤水分含量。然而,研究也发现,光学反射率和土壤含水量之间的关系非常复杂,选择合适的波段和方法来获取土壤含水量信息仍然具有挑战性。
什么是线性关系
线性关系是指两个变量之间的关系可以用一条直线来描述或表示。在数学上,如果两个变量的关系可以表示为y = mx + b的形式,其中y是因变量,x是自变量,m是斜率,b是截距,那么这两个变量之间就存在线性关系。换句话说,当自变量x的变化引起因变量y的变化时,这种变化是按照一定比例或固定的增减关系进行的,就可以说它们之间存在线性关系。
什么是高斯模型
高斯模型是数学上常用的一种函数形式,用于描述一些连续变量的分布情况。高斯模型也称为正态分布,其曲线呈钟形,两边逐渐下降,中间最高。在土壤水分研究中,高斯模型通常用于描述土壤反射率光谱外包络线的形状,以帮助估算土壤的含水量。
高斯模型有两个主要参数:
1. 均值(μ):高斯分布的中心点,对应于曲线的峰值位置,表示分布的平均值。
2. 方差(σ^2):描述分布的离散程度,方差越大,曲线越宽,分布越分散。
高斯模型的函数表达式为:
其中,x 是自变量,μ 是均值,σ 是标准差。
根据热红外特征监测土壤水分
烃能超过绝对零度的物体会释放红外能量,其中超过3微米的红外能量称为热辐射。由于水体温度较低且热容量较大,土壤中的水分会影响土壤的热红外特性。因此,我们可以通过观察土壤的热红外特性来间接了解土壤中的水分情况。常用的热红外特性包括亮度温度(地表温度)和热惯量。
-
亮度温度特性:这是指观测地表的温度。然而,地表温度受到许多因素的影响,因此直接利用地表温度来了解土壤水分可能会有一定的不确定性和局限性。
-
热惯量特性:由于水分具有较大的比热容,土壤中的水分和热惯量呈正相关关系。因此,一些研究人员提出了利用热惯量来间接估算土壤水分的方法。然而,在实际应用中,受到云层遮挡和昼夜影像精确匹配困难等因素的影响,热惯量法可能在某些情况下应用受到限制,尤其是在表层土壤水分较高或有植被覆盖的区域。
微波遥感监测土壤水分
微波遥感技术在监测土壤水分方面具有重要的应用价值。微波能够穿透云层和雾霾,且对水分含量敏感,因此成为一种有效的土壤水分监测手段。在微波遥感中,主动和被动微波是两种常见的应用方式。
主动微波遥感
主动微波遥感主要利用后向散射系数来分析地物特性。低频波段的后向散射系数对土壤水分具有高度敏感性,而高频波段对植被更为敏感。在反演土壤水分时,常采用经验、半经验或物理模型建立后向散射系数与土壤水分之间的关系,然后结合土壤参数和植被参数信息来准确反演土壤水分。
主动微波遥感算法通常包括经验模型、物理模型和半经验模型。经验模型通过观测值建立后向散射系数与实际土壤含水量的线性回归关系来反演土壤水分。标准的后向散射理论模型包括几何光学模型、物理光学模型和小扰动模型,根据地表粗糙度的不同选择适合的模型。半经验模型则主要针对植被覆盖区域进行研究。
利用微波遥感技术反演土壤水分具有不受大气和云层影响、物理意义明确、空间分辨率高等优点。然而,其时间分辨率较低,成本相对较高,并且受地表粗糙度和植被覆盖等因素的影响较大。
被动微波遥感
被动微波技术是监测土壤水分的另一种重要方法,主要通过测量土壤本身的微波发射或亮度温度来实现。土壤的亮度温度受到多种因素的影响,包括土壤水分、植被覆盖、雪覆盖、地形和地表粗糙度等。
Njoku和Li等研究者利用C波段、X波段和Ka波段的微波亮度温度数据,通过迭代算法反演土壤水分,建立了全球土壤水分数据集的标准算法。Wigneron等研究者则利用L波段多角度数据,采用最优化迭代算法来反演土壤水分,该算法成为了SMOS全球土壤水分数据集的标准算法。
被动微波技术具有一定的优势,如具有一定的穿透深度,能够避免云和大气的影响,且具有较高的时间分辨率和广泛的空间覆盖范围,可以在较短时间内进行大范围土壤水分监测。然而,该方法的空间分辨率较低,并且受到地表粗糙度和植被覆盖等因素的影响。
参考文献:
王俊霞, 潘耀忠, 朱秀芳, 等. 土壤水分反演特征变量研究综述. 土壤学报, 2019, 56(1): 23-35.