基于植被光学特征使用遥感影像监测土壤水

最新推荐文章于 2024-08-06 14:49:15 发布

微波遥感小白

最新推荐文章于 2024-08-06 14:49:15 发布

阅读量1.4k

点赞数 21

文章标签： arcgis 算法论文阅读论文笔记

本文链接：https://blog.csdn.net/weixin_52257359/article/details/136192916

版权

理论基础

敏感波段特征

土壤水分的多少会直接影响植物的生长状况。我们可以通过观察植物的生长情况来间接了解土壤的水分情况。植物在不同波段的光下反射率不同，这与植物叶片的特性有关。比如，在可见光波段，叶绿素的吸收会导致反射率较低；而在近红外波段，叶片的结构会导致反射率较高；在短波红外波段，叶片中的水分会导致反射率下降，形成两个吸收谷。

当土壤水分较低时，植物会因为缺水而表现出特殊的光谱特征，比如在短波红外部分的反射率会增加，近红外波段的反射率会降低。因此，研究人员可以根据植物在不同波段的反射率特征，来构造一些植被指数，从而间接监测干旱情况或评估土壤水分的情况。

干枯树叶与新鲜树叶的光谱反射率曲线
来源：A visible and shortwave infrared drought index for monitoring soil and vegetation moisture based on optical remote sensing

植被指数类型

归一化植被指数（NDVI）：这是一种常用的植被指数，通过计算可见光波段和近红外波段的反射率之差来反映植被覆盖度和生长状况。NDVI越高，表示植被覆盖度越高，生长状况越好。

NDVI
来源： NDVI: Normalized Difference Vegetation Index – African Surveyors Connect
植被状态指数（VCI）：这是一种基于长时间序列NDVI构建的指数，用来评估植被的生长状态。VCI可以反映植被的健康状况和受到的影响。

植被状态指数
来源： Vegetation Condition Index VCI using ArcGIS
距平植被指数（AVI）：这是一种反映植被生长情况偏离平均水平的指数，用来评估植被的异常情况。

距平植被指数
来源： Distribution of vegetation index anomaly across southwest China.

简单来说，这些植被指数可以通过监测植被的生长状态来间接了解土壤水分情况。比如，NDVI等指数越高，表示植被覆盖度和生长状况越好，可能对应着土壤水分较充足的情况。

植被指数的计算方法

1. 归一化植被指数（NDVI）的计算公式为：

$\text{NDVI} = \frac{NIR - RED}{NIR + RED}$

其中，NIR代表近红外波段的反射率，RED代表红光波段的反射率。这个指数的取值范围在-1到1之间，数值越高表示植被覆盖度越高，生长状况越好。

2. 植被状态指数（VCI）通常是通过比较某一时段的NDVI值与历史同期的平均值或标准差来计算。

3. 距平植被指数（AVI）的计算方法也是基于NDVI的长时间序列数据。AVI通常是通过比较某一时段的NDVI值与历史同期的平均值或标准差来计算，以评估植被生长情况是否偏离平均水平。

区别：

反映内容：

VCI主要反映植被的当前生长状态，即植被在某一时期内的健康状况和受到的影响程度。
AVI主要反映植被的生长状态偏离平均水平的程度，即评估植被生长情况是否异常或异常程度。

植被含水量指数

1. 归一化水分指数（NDWI)：Gao发现，引入短波红外波段可以更有效地表示植被冠层含水量。基于这一发现，他构建了归一化水分指数（NDWI），利用近红外和短波红外波段的反射率来反映植被的水分情况。

$\text{NDWI} = \frac{R_{\text{NIR}} - R_{\text{SWIR}}}{R_{\text{NIR}} + R_{\text{SWIR}}}$

2. 全球植被水分指数（GVMI）：Ceccato等人利用SPOT数据构建了GVMI，这个指数对植被水分含量敏感，且受大气噪声影响较小。

$\text{NDWI} = \frac{R_{\text{NIR}} - R_{\text{SWIR}}}{R_{\text{NIR}} + R_{\text{SWIR}}}$

3. 地表水指数（LSWI）：Xiao等人利用SPOT-VGT和MODIS数据的近红外和短波红外数据构建了LSWI，用于反映地表的水分情况。

$\text{NDWI} = \frac{R_{\text{NIR}} - R_{\text{SWIR}}}{R_{\text{NIR}} + R_{\text{SWIR}}}$

4. 可见光-短波红外干旱指数（VSDI）：Zhang等人构建了VSDI，以监测不同土壤覆盖类型的干旱情况。VSDI可以实时监测干旱情况，并且与实测土壤水分高度相关。

$\text{VSDI} = 1 - \frac{R_{\text{SWIR}} - R_{\text{Blue}}}{R_{\text{Red}} - R_{\text{Blue}}}$

其中，NIR、SWIR、Blue、Red分别是近红外、短波红外、蓝光和红光波段的反射率。NDWI、GVMI、LSWI指数计算方法相同，使用的数据存在差异，不同数据来源的传感器的波段波长不同

因此，通过分析植被覆盖区的光谱特征间的差异，可以通过数学公式对敏感波段进行综合提高反演精度。

波段特征空间

红光-近红外特征空间：这是一个在遥感领域中用来表示地表特征的二维空间，其中横轴表示红光波段的反射率，纵轴表示近红外波段的反射率。这个特征空间最早由Richardson和Wiegand建立，用来表示植被覆盖情况。

土壤水分遥感监测模型（SMMRS）：这是一种利用红光-近红外特征空间来反演土壤水分的模型。根据特征空间中点到一条直线的距离来表示土壤水分含量，通过构建这种关系模型来实现对土壤水分的遥感监测。

SMMRS公式：

$\text{SMMRS} = 1 - \frac{1}{M^2 + \frac{1}{\sqrt{R_{\text{red}} + M \cdot R_{\text{NIR}}}}}$

其中，NIR和RED分别为近红外和红光波段的反射率，M是土壤线的斜率。

实现过程：每个像元单元的红光波段和近红外波段的数值做散点图，对红光波段的最大值和近红外波段的最小值绘制一元回归直线，土壤线即是过原点与回归直线垂直的线。M即为土壤线的斜率。

如何判断土壤湿度：如图所示，B点土壤含水量最高，D点次之、C点最低，距离土壤线越近，含水量越高，反之越低。

参考文献：

宫兆宁, 赵雅莉, 赵文吉, 林川, 崔天翔 GONG Zhaoning, ZHAO Yali, ZHAO Wenji, LIN Chuan, CUI Tianxiang 基于光谱指数的植物叶片叶绿素含量的估算模型

Zhang N, Hong Y, Qin Q, et al. VSDI:A visible and shortwave infrared drought index for monitoring soil and vegetation moisture based on optical remote sensing . International Journal of Remote Sensing, 2013, 34(13): 4585-4609.

詹志明, 秦其明, 阿布都瓦斯提·吾拉木, 等. 基于NIR-Red光谱特征空间的土壤水分监测新方法. 中国科学.D辑:地球科学, 2006(11): 1020-1026.

微波遥感小白

关注

21
点赞
踩
30

收藏

觉得还不错? 一键收藏
0
评论
基于植被光学特征使用遥感影像监测土壤水

本文介绍了利用遥感数据构建的多种植被光学特征指数，如归一化植被指数（NDVI）、植被状态指数（VCI）、距平植被指数（AVI）等，以及它们在监测植被生长和土壤水分含量方面的应用。这些指数通过分析植被反射光谱特征的差异，提供了有效的工具来监测植被生长和土壤水分，为农业生产和资源管理提供重要参考。
复制链接

扫一扫