本發(fā)明涉及地理測(cè)繪技術(shù)領(lǐng)域，特別是涉及一種土壤含水量產(chǎn)品降尺度方法。

背景技術(shù)：

土壤含水量作為氣候與環(huán)境干旱化的重要指示因子之一，影響著土壤的理化性質(zhì)與植被的生長(zhǎng)，進(jìn)而影響我國(guó)的糧食產(chǎn)量。同時(shí)，土壤含水量是地表能量平衡和水循環(huán)的重要組成部分，是全球變化研究中的重要監(jiān)測(cè)因子。目前，各種基于全球觀測(cè)站點(diǎn)資料建立的土壤含水量數(shù)據(jù)集，由于觀測(cè)點(diǎn)的密度和空間代表性不足，模擬和預(yù)報(bào)的精度難以滿足應(yīng)用需求。

先進(jìn)微波掃描輻射計(jì)AMSR-2(Advanced Microwave Scanning Radiometer for the Earth Observing System)，土壤水分和海洋鹽分傳感器SMOS(Soil Moisture and Ocean Salinity)，SMAP(Soil Moisture Active Passive)以及風(fēng)云三號(hào)氣象衛(wèi)星均具有全天時(shí)、全天候、觀測(cè)尺度大、重訪周期短等突出優(yōu)勢(shì)，能夠提供高覆蓋度高時(shí)效性的全球土壤含水量數(shù)據(jù)。但這些數(shù)據(jù)的空間分辨率(9-40km)較低，無法滿足流域尺度土壤含水量時(shí)空動(dòng)態(tài)監(jiān)測(cè)的需求。光學(xué)遙感數(shù)據(jù)空間分辨率可以達(dá)到1km以下，高空間分辨率、低時(shí)間分辨率、易受天氣影響的特點(diǎn)，與被動(dòng)微波遙感數(shù)據(jù)恰恰相反。

為了解決被動(dòng)微波土壤含水量產(chǎn)品的空間分辨率低的問題，國(guó)內(nèi)外學(xué)者也提出了各種不同的降尺度方法：一類降尺度模型是以遙感技術(shù)獲得的土壤物理參數(shù)為基礎(chǔ)，如利用光學(xué)遙感數(shù)據(jù)反演土壤的蒸散量建立降尺度算法，但是這種算法的局限性在于沒有考慮微波遙感數(shù)據(jù)反演的土壤含水量和光學(xué)遙感數(shù)據(jù)反演的土壤有效蒸發(fā)量之間存在很強(qiáng)的非線性關(guān)系。還有一類模型是四維變分同化方法，就是在微波遙感數(shù)據(jù)的第四維尺度上分析土壤含水量。但是這種方法對(duì)地表資料的獲得要求較高。

由此可見，目前迫切需要發(fā)展一種新的土壤含水量產(chǎn)品降尺度方法，建立一種可行的空間降尺度模型，逐步提高土壤含水量數(shù)據(jù)的空間分辨率，推動(dòng)流域尺度土壤含水量的時(shí)空動(dòng)態(tài)監(jiān)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種土壤含水量產(chǎn)品降尺度方法，使其提高被動(dòng)微波土壤含水量數(shù)據(jù)產(chǎn)品的空間分辨率，滿足流域尺度水資源和農(nóng)業(yè)管理的應(yīng)用需求，克服目前土壤含水量產(chǎn)品數(shù)據(jù)集空間代表性不足、空間分辨率低等的不足。

為解決上述技術(shù)問題，本發(fā)明提供一種土壤含水量產(chǎn)品降尺度方法，所述方法包括以下步驟：

A.獲取待研究區(qū)的被動(dòng)微波土壤含水量產(chǎn)品和同一時(shí)間的光學(xué)遙感影像數(shù)據(jù)；

B.基于多端元混合像元分解方法對(duì)所述光學(xué)遙感影像數(shù)據(jù)進(jìn)行土壤光譜的提??；

C.利用GA-PLS建立所述土壤光譜反射特征與從所述被動(dòng)微波土壤含水量產(chǎn)品中獲取的土壤含水量之間的定量關(guān)系模型；

D.基于步驟C建立的所述定量關(guān)系模型，利用泰勒級(jí)數(shù)展開形式構(gòu)建土壤含水量降尺度模型，獲得高空間分辨率的土壤含水量數(shù)據(jù)。

作為本發(fā)明的一種改進(jìn)，所述步驟A中被動(dòng)微波土壤含水量產(chǎn)品采用SMAP土壤含水量數(shù)據(jù)；所述光學(xué)遙感影像數(shù)據(jù)采用MODIS影像數(shù)據(jù)。

進(jìn)一步改進(jìn)，所述步驟B中提取所述土壤光譜的方法為：將高空間分辨率的MODIS圖像重采樣到與SMAP數(shù)據(jù)同樣的低空間分辨率，分別對(duì)該高空間分辨率的MODIS影像和重采樣后低空間分辨率的MODIS應(yīng)用MESMA方法進(jìn)行土壤光譜的提取。

進(jìn)一步改進(jìn)，所述MESMA方法包括光譜庫(kù)創(chuàng)建、最優(yōu)光譜庫(kù)選取和多端元混合像元分析步驟，

所述光譜庫(kù)創(chuàng)建包括基于ROI創(chuàng)建光譜庫(kù)、光譜庫(kù)元數(shù)據(jù)制作和光譜庫(kù)管理；

所述最優(yōu)光譜庫(kù)的選取包括創(chuàng)建方形陣列和光譜庫(kù)優(yōu)選；

所述多端元混合像元分析采用植被-不透水面-土壤模型，將優(yōu)選的植被、不透水面、土壤光譜集組合構(gòu)成2EM、3EM、4EM混合像元分析模型，基于所述最優(yōu)光譜庫(kù)的優(yōu)選結(jié)果對(duì)MESMA結(jié)果進(jìn)行陰影歸一化處理，得到各端元豐度值和表示結(jié)果精度的均方根誤差，再利用所述各端元豐度值和下列公式得到研究區(qū)土壤端元光譜，

其中，R_s(λ)為土壤光譜在波段λ的反射率，R(λ)為像元在波段λ上的反射率，R(i，λ)為第i個(gè)端元在波段λ上的反射率，f_i為第i個(gè)端元豐度值，N為端元個(gè)數(shù)，ε_λ是殘差，所有端元組分的豐度值之和定義為1。

進(jìn)一步改進(jìn)，所述步驟C建立所述土壤光譜反射特征與所述土壤含水量定量關(guān)系模型是基于所述土壤光譜計(jì)算得到的每個(gè)像元的土壤光譜中各波段的反射率、波段比值、曲率與所述土壤含水量的定量關(guān)系。

進(jìn)一步改進(jìn)，所述步驟D中泰勒級(jí)數(shù)展開形式的表達(dá)式為：

其中，θ_n-1和θ_n分別代表低空間分辨率和高空間分辨率土壤含水量，R_n-1(λ_i)_s和R_n(λ_i)_s分別表示低空間分辨率和高空間分辨率的土壤光譜在第i波段的反射率，Ratio_n-1(j)_s)和Ratio_n(j)_s分別表示低空間分辨率和高空間分辨率的土壤光譜波段比值，Curv_n-1(k)_s和Curv_n(k)_s分別表示高空間分辨率和低空間分辨率的土壤光譜曲率，M、N和L分別代表反射率i、波段比值j和曲率k的變量總數(shù)。

進(jìn)一步改進(jìn)，所述步驟D中降尺度模型的建立方法采用逐步遞減方式進(jìn)行降尺度運(yùn)算，逐步達(dá)到高空間分辨率的要求。

進(jìn)一步改進(jìn)，所述步驟D中高空間分辨率的土壤含水量數(shù)據(jù)是指500m空間分辨率的土壤含水量數(shù)據(jù)。

進(jìn)一步改進(jìn)，所述步驟A中還同時(shí)獲取所述待研究區(qū)的土壤輔助數(shù)據(jù)，所述土壤輔助數(shù)據(jù)包括：土地利用或土地覆蓋分類數(shù)據(jù)，以及DEM數(shù)據(jù)。

進(jìn)一步改進(jìn)，所述步驟C建立的GA-PLS模型還可以增加每個(gè)像元的DEM數(shù)據(jù)或坡度數(shù)據(jù)作為GA-PLS模型的輸入?yún)?shù)。

采用上述技術(shù)方案，本發(fā)明至少具有以下優(yōu)點(diǎn)：

(1)本發(fā)明基于光學(xué)遙感和被動(dòng)微波遙感數(shù)據(jù)，獲取高空間分辨率的土壤含水量方法，可滿足大范圍流域尺度區(qū)域研究，準(zhǔn)確度高，易于建立，省時(shí)省力。

(2)本發(fā)明可擴(kuò)展性高，在應(yīng)用的過程中，可根據(jù)實(shí)際情況，進(jìn)行輔助數(shù)據(jù)或土壤含水量定量反演模型關(guān)系項(xiàng)的增減，還可以采用逐級(jí)回歸式的降尺度方法，以逐步推進(jìn)的方式提高被動(dòng)微波土壤含水量產(chǎn)品的空間分辨率，不斷提高模型的計(jì)算精度。

附圖說明

上述僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，以下結(jié)合附圖與具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。

圖1是本發(fā)明土壤含水量產(chǎn)品降尺度方法的原理流程圖。

圖2是本發(fā)明中土壤最優(yōu)光譜選取結(jié)果圖。

圖3是本發(fā)明中植被最優(yōu)光譜選取結(jié)果圖。

圖4是本發(fā)明中9km空間分辨率MODIS圖像MESMA結(jié)果圖。

圖5是本發(fā)明中樣本點(diǎn)分布圖。

圖6是本發(fā)明中9km尺度GA-PLS模型精度評(píng)價(jià)結(jié)果。

圖7是本發(fā)明中5km空間分辨率MODIS圖像MESMA結(jié)果圖。

圖8是本發(fā)明中5km土壤含水量降尺度精度評(píng)價(jià)結(jié)果。

圖9是本發(fā)明中500m空間分辨率MODIS圖像MESMA結(jié)果圖。

圖10是本發(fā)明中5km尺度GA-PLS模型精度評(píng)價(jià)結(jié)果。

圖11是本發(fā)明中500m土壤含水量降尺度精度評(píng)價(jià)結(jié)果。

具體實(shí)施方式

本發(fā)明在現(xiàn)有技術(shù)的基礎(chǔ)上，利用土壤的反射光譜特性，即土壤含水量是影響土壤光譜反射率的一個(gè)重要因素，又由于土壤含水量具有非常大的時(shí)空變異性，高空間分辨率的土壤光譜信息能夠更好的反映土壤含水量在時(shí)空范圍上的變化特征，則本發(fā)明利用土壤的光譜特征與土壤含水量之間的定量關(guān)系來完成土壤含水量的降尺度研究，為土壤含水量的高時(shí)空分辨率監(jiān)測(cè)提供了一個(gè)全新的思路。

又鑒于被動(dòng)微波遙感在全球土壤含水量數(shù)據(jù)獲取方面的優(yōu)勢(shì)，創(chuàng)設(shè)一種可行的空間降尺度模型，逐步提高土壤含水量數(shù)據(jù)的空間分辨率，通過光學(xué)遙感和被動(dòng)微波遙感的綜合應(yīng)用，提高被動(dòng)微波土壤含水量數(shù)據(jù)產(chǎn)品的實(shí)用性，最終推動(dòng)流域尺度土壤含水量的時(shí)空動(dòng)態(tài)監(jiān)測(cè)。其具體的土壤含水量產(chǎn)品降尺度方法如下。

參照附圖1所示，本發(fā)明土壤含水量產(chǎn)品降尺度方法，主要包括以下步驟：

A.獲取被動(dòng)微波土壤含水量產(chǎn)品和同一時(shí)間的光學(xué)遙感影像數(shù)據(jù)；

其具體的數(shù)據(jù)獲取方法為：

獲得待研究區(qū)SMAP土壤含水量產(chǎn)品。SMAP衛(wèi)星是于2015年1月由美國(guó)NASA發(fā)射，其上搭在一個(gè)L波段的雷達(dá)和一個(gè)L波段的輻射計(jì)。下述實(shí)施例選取的是SMAP L4空間分辨率為9km的土壤水日平均數(shù)據(jù)。下載地址為：https://ns idc.org/。

目前高空間分辨率的光學(xué)圖像時(shí)間分辨率往往較低，受氣象條件的影響，影像獲取成功率低，相比之下，中低空間分辨率的光學(xué)影像因時(shí)間分辨率高更易獲取。下述實(shí)施例光學(xué)遙感影像數(shù)據(jù)選取的是與SMAP土壤含水量數(shù)據(jù)同步的空間分辨率為500m的MODIS陸地產(chǎn)品中的MOD09地面反射率數(shù)據(jù)。其中采用該產(chǎn)品的1-7波段(620～670，841～876，459～479，545～565，1230～1250，1628～1652，2105～2155nm)數(shù)據(jù)建立土壤含水量反演模型。

該步驟中同時(shí)還獲取待研究區(qū)土壤輔助數(shù)據(jù)，其包括：(1)土地利用/土地覆蓋分類數(shù)據(jù)，可以獲得MODIS土地覆蓋類型產(chǎn)品，用于混合像元分解過程中端元組分的選取和驗(yàn)證，最大程度去除植被等其它地物對(duì)農(nóng)業(yè)土壤光譜的影響；(2)DEM數(shù)據(jù)，在受到地形影響的地區(qū)，該數(shù)據(jù)可用于本發(fā)明降尺度模型的修正和驗(yàn)證。

B.基于多端元混合像元分解方法進(jìn)行土壤光譜的提??；

多端元混合像元分解法(Multiple Endmember Spectral Mixture Analysis，MESMA)，首先以端元的物理意義為理論基礎(chǔ)，為每類地物選取多條光譜，并以此生成多個(gè)端元組合(每個(gè)端元組合由不同地物中的某一條光譜組成)，接著對(duì)每個(gè)像元尋找最小二乘法誤差最小的端元組合，進(jìn)而求出每個(gè)像元的端元比例。

本發(fā)明中，將500m空間分辨率的MODIS圖像重采樣到與SMAP數(shù)據(jù)同樣的空間分辨率9km，分別對(duì)500m的MODIS影像和重采樣后9km的MODIS應(yīng)用MESMA方法進(jìn)行土壤光譜的提取，獲得9km空間分辨率和500m空間分辨率的土壤光譜。

其中，MESMA處理分析過程主要包括光譜庫(kù)創(chuàng)建、最優(yōu)光譜庫(kù)選取、多端元混合像元分析三部分。其光譜庫(kù)創(chuàng)建包括基于ROI創(chuàng)建光譜庫(kù)、光譜庫(kù)元數(shù)據(jù)制作和光譜庫(kù)管理；其最優(yōu)光譜庫(kù)的選取是多端元混合像元分解成功的關(guān)鍵，該最優(yōu)光譜庫(kù)選取過程包括創(chuàng)建方形陣列和光譜庫(kù)優(yōu)選，其優(yōu)選的方法是結(jié)合COB(Count-based Endmember Selection)、EAR(Endmember Average RMES)、MASA(Minimum Average Spectral Angle)計(jì)算，得到最能代表各類地物的光譜庫(kù)；其混合像元分解過程主要采用V-I-S(植被-不透水面-土壤)模型，將優(yōu)選的植被、不透水面、土壤光譜集組合構(gòu)成2EM、3EM、4EM混合像元分析模型，基于優(yōu)選結(jié)果對(duì)MESMA結(jié)果進(jìn)行陰影歸一化處理，最終得到不同端元組合的混合像元分解結(jié)果，即各端元豐度值和表示結(jié)果精度的均方根誤差(RMSE)。

再利用上述MESMA得到的端元豐度值和下列公式(1)得到研究區(qū)土壤端元光譜。

其中，R_s(λ)為土壤光譜在波段λ的反射率，R(λ)為像元在波段λ上的反射率，R(i，λ)為第i個(gè)端元在波段λ上的反射率，f_i為第i個(gè)端元豐度值。N為端元個(gè)數(shù)，ε_λ是殘差。所有端元組分的豐度值之和定義為1。

本實(shí)施例還結(jié)合ENVI和Matlab設(shè)計(jì)了純凈像元光譜的自動(dòng)化提取方法。利用ENVI軟件提取各個(gè)采樣點(diǎn)端元組合模型的豐度值、RMSE和殘差，確定采樣點(diǎn)選取的端元組合模型并輸出采樣點(diǎn)組合豐度值f_i。

首先在隨機(jī)選取的采樣點(diǎn)中根據(jù)土地利用分類類型剔除掉包含不透水面的采樣點(diǎn)，對(duì)影像只建立S-V模型，對(duì)S-V光譜的組合模型賦屬性值，提取各組合模型中土壤端元和植被端元的坐標(biāo)值，提取光譜庫(kù)各條光譜坐標(biāo)值，并對(duì)兩者進(jìn)行匹配，得到S-V光譜組合模型的組合光譜；提取各個(gè)采樣組合模型屬性值，與S-V光譜組合模型庫(kù)中屬性值匹配得到各個(gè)采樣點(diǎn)的S-V端元組合光譜R(i,λ)。根據(jù)上述混合像元分解公式(1)計(jì)算得到每一個(gè)采樣點(diǎn)土壤光譜。

C.利用GA-PLS建立土壤光譜和被動(dòng)微波獲取的土壤含水量之間的定量關(guān)系模型；

在上述9km空間分辨率的土壤光譜獲取的基礎(chǔ)上，基于土壤光譜隨土壤含水量變化的特征規(guī)律，引入偏最小二乘－遺傳算法(GA-PLS)，構(gòu)建土壤含水量與光譜的定量關(guān)系模型，作為降尺度的基礎(chǔ)。

其中PLS是多因變量對(duì)多自變量的回歸建模方法，可以應(yīng)用在全譜數(shù)據(jù)或部分譜數(shù)據(jù)的分析。它將數(shù)據(jù)矩陣的分解和回歸相結(jié)合，得出與預(yù)測(cè)組分相關(guān)的特征值向量，這使其可以應(yīng)用于復(fù)雜的分析體系，得到更穩(wěn)健的結(jié)果。遺傳算法(GA)的基本思想是在演化過程中進(jìn)行自然選擇，該演化過程由基因重組和變異來實(shí)現(xiàn)。該算法最顯著的優(yōu)點(diǎn)是避免了初始值選擇的問題。本發(fā)明為了減小計(jì)算量，提高PLS模型的精度，使用遺傳算法(GA)對(duì)光譜參數(shù)進(jìn)行篩選，剔除對(duì)含水量變化反應(yīng)不明顯的變量。

本發(fā)明使用GA-PLS模型建立土壤含水量反射光譜特征模型，如將9km的MODIS反射率、波段比值、曲率及SMAP L4土壤水產(chǎn)品作為GA-PLS模型的輸入變量，得到9km尺度上的MODIS反射率、波段比值、曲率與土壤含水量之間的GA-PLS模型，并進(jìn)行精度評(píng)價(jià)。

D.基于步驟C建立的定量關(guān)系模型，利用泰勒級(jí)數(shù)展開的形式構(gòu)建土壤含水量降尺度模型，獲得空間分辨率為500m的土壤含水量數(shù)據(jù)。

本發(fā)明降尺度的依據(jù)是土壤含水量與土壤光譜反射率之間的定量關(guān)系，即在步驟C中闡述的基于被動(dòng)微波土壤水產(chǎn)品與MODIS土壤反射特征如各波段的反射率、波段比值(如MODIS3/MODIS1)、曲率(如：MODIS3×MODIS1/(MODIS2)²)的GA-PLS模型。在空間尺度的變化過程中，土壤含水量與反射率、波段比值、曲率等的關(guān)系變化是非線性的，所以本發(fā)明利用泰勒級(jí)數(shù)展開的形式，如公式(2)，來構(gòu)建不同尺度下的土壤含水量之間的關(guān)系。

其中，θ_n-1和θ_n分別代表低空間分辨率(如：9km)和高空間分辨率(如：500m)土壤含水量，R_n-1(λ_i)_s和R_n(λ_i)_s分別表示低空間分辨率和高空間分辨率的土壤光譜在第i波段的反射率，Ratio_n-1(j)_s)和Ratio_n(j)_s分別表示低空間分辨率和高空間分辨率的土壤光譜波段比值，Curv_n-1(k)_s和Curv_n(k)_s分別表示高空間分辨率和低空間分辨率的土壤光譜曲率。M、N和L分別代表反射率(i)、波段比值(j)和曲率(k)的變量總數(shù)。關(guān)系式f表示由GA-PLS模型分別得到的關(guān)于低空間分辨率土壤光譜反射率、波段比值和曲率與土壤含水量的關(guān)系式。

該步驟D可根據(jù)情況，采用逐步遞減的方式進(jìn)行降尺度運(yùn)算，如先選擇一個(gè)尺度間隔t(如4km)將9km土壤含水量數(shù)據(jù)降到(9-t)尺度，通過反復(fù)使用公式(2)，將前一步計(jì)算出的高空間分辨率數(shù)據(jù)作為下一次公式低空間分辨率數(shù)據(jù)再次計(jì)算得到更高空間分辨率的土壤含水量，最終逐步逼近達(dá)到最后500m空間分辨率的要求。其中最優(yōu)尺度間隔t，可以根據(jù)實(shí)際數(shù)據(jù)獲取情況和結(jié)果精度來確定。

該分步降尺度方法的另一個(gè)目的是在降尺度計(jì)算過程中，不斷控制土壤含水量結(jié)果的反演精度。每降一級(jí)尺度反演的土壤含水量結(jié)果，將與同一空間分辨率土壤含水量實(shí)測(cè)數(shù)據(jù)建立相關(guān)關(guān)系，若驗(yàn)證數(shù)據(jù)相關(guān)性較高，降尺度計(jì)算繼續(xù)；若驗(yàn)證數(shù)據(jù)相關(guān)性較差，降尺度運(yùn)算適時(shí)停止，并進(jìn)行影響因素分析。如果降尺度的精度受到地形、植被等因素的影響，可為降尺度模型增加新的關(guān)系項(xiàng)，及時(shí)進(jìn)行調(diào)整和優(yōu)化。最后，模型的降尺度結(jié)果將通過同步野外土壤含水量試驗(yàn)數(shù)據(jù)得到驗(yàn)證。

下述以對(duì)美國(guó)中部平原地區(qū)的SMAP土壤含水量數(shù)據(jù)進(jìn)行降尺度的具體實(shí)例來說明本發(fā)明基于土壤光學(xué)特性的土壤含水量產(chǎn)品降尺度方法的過程。

在該實(shí)例中，被動(dòng)微波土壤含水量產(chǎn)品選擇9km空間分辨率SMAP L4數(shù)據(jù)，光學(xué)圖像選擇500m空間分辨率的MODIS 09A1數(shù)據(jù)。

獲取數(shù)據(jù)后，首先對(duì)MODIS數(shù)據(jù)利用ENVI軟件進(jìn)行投影轉(zhuǎn)換、鑲嵌、裁剪、重采樣等預(yù)處理。

然后進(jìn)行最優(yōu)光譜庫(kù)的選取，通過目視識(shí)別的方式分別建立土壤、植被類型光譜庫(kù)，利用COB(Count-based Endmember Selection)、EAR(Endmember Average RMES)、MASA(Minimum Average Spectral Angle)計(jì)算優(yōu)選最能代表土壤和植被的光譜曲線，建立最優(yōu)光譜庫(kù)，最終選擇出土壤最優(yōu)光譜13條，如附圖2所示，植被最優(yōu)光譜6條，如附圖3所示。

再將優(yōu)選的植被、土壤光譜集組合構(gòu)成3EM混合像元分析模型，對(duì)結(jié)果進(jìn)行陰影歸一化處理，最終得到不同端元組合的混合像元分解結(jié)果。將500m空間分辨率的MODIS圖像進(jìn)行重采樣，獲得9km、5km空間分辨的圖像。

對(duì)9km分辨率的MODIS圖像進(jìn)行MESMA分析，如附圖4所示。計(jì)算得到9km分辨率土壤光譜的反射率、波段比值和曲率。隨機(jī)選取51個(gè)采樣點(diǎn)，如附圖5所示，其中，36個(gè)點(diǎn)作為校正集，15個(gè)點(diǎn)作為驗(yàn)證集，分別提取51個(gè)采樣點(diǎn)的土壤光譜和SMAP土壤含水量，并將其作為參數(shù)輸入建立土壤光譜和含水量之間的GA-PLS模型。結(jié)果顯示，校正集決定系數(shù)為0.78，驗(yàn)證集決定系數(shù)為0.72，如附圖6所示。

GA-PLS模型作為降尺度模型的基礎(chǔ)，建立逐級(jí)空間降尺度模型。逐級(jí)降尺度選擇空間間隔t＝4km，先將土壤含水量降至5km，需要對(duì)重采樣至5km分辨率MODIS數(shù)據(jù)進(jìn)行MESMA處理分析，如附圖7所示，進(jìn)一步計(jì)算得到5km尺度的土壤光譜的反射率、波段比值和曲率，利用上述公式(2)得到5km空間分辨率的土壤含水量，經(jīng)驗(yàn)證5km分辨率含水量數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)相關(guān)性較9km并未降低，與站點(diǎn)得到的實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析的精度R²為0.54，如附圖8所示。

重復(fù)上一步操作，在5km尺度下建立土壤光譜和含水量的GA-PLS模型，共選取了89個(gè)采樣點(diǎn)，如附圖5所示，其中62個(gè)校正集樣本，27個(gè)驗(yàn)證集樣本，結(jié)果顯示，5km尺度下校正集決定系數(shù)為0.71，驗(yàn)證集決定系數(shù)為0.67，如附圖9所示。將500m分辨率MODIS數(shù)據(jù)進(jìn)行MESMA處理分析，如附圖10所示，并計(jì)算得到500m尺度的土壤光譜的反射率、波段比值和曲率，利用5km尺度建立的GA-PLS模型，再次運(yùn)用公式(2)得到500m空間分辨率土壤含水量數(shù)據(jù)。利用實(shí)測(cè)土壤含水量與500m土壤含水量進(jìn)行相關(guān)性分析，與站點(diǎn)得到的實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析的精度R²為0.49，如附圖11所示。

本發(fā)明利用被動(dòng)微波遙感數(shù)據(jù)和光學(xué)遙感數(shù)據(jù)二者在時(shí)空分辨率上的優(yōu)勢(shì)，將二者有效整合進(jìn)行土壤含水量產(chǎn)品的降尺度研究，實(shí)現(xiàn)了流域尺度土壤含水量實(shí)時(shí)或準(zhǔn)實(shí)時(shí)的動(dòng)態(tài)監(jiān)測(cè)。

以上所述，僅是本發(fā)明的較佳實(shí)施例而已，并非對(duì)本發(fā)明作任何形式上的限制，本領(lǐng)域技術(shù)人員利用上述揭示的技術(shù)內(nèi)容做出些許簡(jiǎn)單修改、等同變化或修飾，均落在本發(fā)明的保護(hù)范圍內(nèi)。