从L-和C波段获取土壤水分的有效模型SAR数据外文翻译资料

 2022-12-05 16:49:59

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

从L-和C波段获取土壤水分的有效模型SAR数据

Liangliang Tao1,2 bull; Jing Li1,2 bull; Xi Chen1,2 bull; Qingkong Cai3 bull; Yunfei Zhang1,2

Page 1

摘要

此项研究的目的是寻求一个适当的方法来通过雷达图像同步测量裸露的土壤和植被稀疏地区的土壤含水量。我们采用的方法是基于单个散射积分方程方法(IEM)来建立后向散射系数和表面土壤参数包括体积土壤含水量和表面粗糙度之间的关系。IEM的性能在0 - 7.6cm比在0-20cm时更好。此外,IEM只有在一定条件下才能正确测量后向散射系数。在利用指数相关函数计算时，要求在c波段时，均方根(RMS)s＜1.5cm，而在l波段时，s＜2.5cm。在使用高斯函数计算时，要求在c波段时s＞1.5cm，在l波段时s＞2.5cm。但是，由于在获取土壤表面粗糙度参数时存在困难，通过IEM反演的精度很难令人满意。本文结合粗糙度参数和菲涅耳反射系数来建立一个实证模型，再通过仿真来验证试验结果并突出土壤含水量和表面粗糙度在不同偏振时对结果的影响。结果表明，IEM的模拟值和SAR测量的土壤含水量和表面粗糙度特征值存在很好的广泛联系。此模型在反演土壤含水量时有着很大的优势。l波段的相关系数为77.03%，均方根误差为0.515dB；c波段的相关系数为81.45%，均方根误差为0.4996dB。此外，此项工作也满足了反演大面积干旱地区土壤含水量所需要的精度。

关键字 土壤含水量 SAR IEM 自相关函数 后向散射系数 表面粗糙度

Page 2

引言

合成孔径雷达（SAR）在监测表面参数方面很有前景，在农业研究中尤其是土壤水分估算具有重要应用（Engman and Chauhan 1995; Wang et al.1997）。雷达信号与雷达参数、土壤表面粗糙度和土壤含水量密切相关（Rakotoarivony et al.1996; Zribi and Dechambre 2003; Holah et al.2005）。在过去的四十年中，许多表面散射模型被广泛应用于通过SAR数据反演土壤的含水量。一些经验和半经验模型，提供了表面变量和SAR观测之间的简单统计关系（Oh et al. (1992, 1994, 2002)；Oh 2004, Dubois et al. 1995；Shi et al. 1997）。但是，这些模型只适用于那些拥有固定传感器并能被获取的站点(Ji et al. 1996; Van Oevelen and Hoekman 1999; Fung and Chen 2004; Baghdadi and Zribi 2006;Alvarez-Mozos et al. 2007)。基于物理的模型，如积分方程模型 (IEM) (Fung et al. 1992)，我们可以通过雷达频率、入射角、表面粗糙度和介电常数，有效地模拟裸土的性质。 但是，这种方法很复杂，需要庞大的计算量。

在估算裸露土壤含水量时，后向散射信号也受土壤表面粗糙度的影响。 研究表面粗糙度参数化的最新进展已经表明，使用这些粗糙度参数对于反演SAR的土壤含水量仍然不能令人满意 (Jester and Klik 2005; Callens et al. 2006; Srivastava et al. 2008; Marzahn and Ludwig 2009)。 由于土壤的自然变异性，现场测量的表面粗糙度很难表征表面粗糙度 (Bryant et al. 2007; Lievens et al. 2009)。另一方面，背向散射模型不能使用建模和观察到的反向散射系数信息来准确地描述土壤表面的粗糙度 (Mattia et al. 2003; Wagner et al. 2007)。 鉴于相关性长度的不确定性，Baghdadi 等人于2006年提出了一种半经验校准技术，并引入了一个建模的校准参数，其中包含了后向散射系数计算中的最佳相关长度。这些标准参数使模拟结果和SAR图像数据有了很好的一致性。Oh等人将RMS和相关长度合并为一个参数S / L来表示表面粗糙度。zribi和dechambre在2002年结合表面粗糙度参数S2／L来反演地表参数。Fan和Yingshi于2010年开发的分组参数S3 / L2替代了RMS和相关长度。然而，这种反演土壤粗糙度的模型仍然得出了很差的结果。同时，这些组合的粗糙度参数的应用主要集中在使用C波段传感器，而使用L-波段数据的研究仍有很大的不足。

在本文中，提出了一种旨在确定雷达测量与表面参数之间关系的新的经验模型。通过模拟来论证实验结果，并突出的土壤含水量和表面粗糙度在C波段和L波段的效应。 结合粗糙度参数和菲涅尔反射系数，通过用于反演土壤含水量的模型进行相应变化。

研究网站和数据库

本研究的第一个实验区位于中国北京大兴区 (116.2°–116.7°E, 39.3°– 39.8°N)。 这个地区的土壤组成大约是35.02％粉砂，31.36％粘土和33.62％砂。 它主要由裸露的土壤和稀疏植被构成。 在本研究中，于2010年11月14日在两个区域进行了70次测量（50：Field I，20：Field II）。

第二个研究区是山西省杨凌国家农业示范区的农业区 (107.8°–108.3°E, 34.1°–34.5°N)。 这个地块的土壤组成大约是57.42％的泥沙，20.59％的土壤和20.99％的粘土。 2014年3月29日，在两个区域进行了测量，共得到了84个观察结果（49：Field III，35：Field IV）。

在两个研究点，土壤含水量，土地表面温度和粗糙度参数分别收集在12.5m*12.5m和8 m*8m的区域。 在每个领域，通过使用0-7.6厘米的时域反射（TDR）探针连续测量体积土壤含水量。 在第三场地也获得了0-20厘米土壤深度的土壤水分。 五次测量的平均值被确定为每个采样点土壤水分的最终值。 水分含量的重量由实验室中采样的土壤的鲜重和干重（在105℃烘箱直到恒重）测定。 从土壤粗糙度轮廓曲线中提取粗糙度参数，如RMS和相关长度，采用二进制表面粗糙度照片绘制。 这些测量的特征在表1中提供。

本研究中使用的SAR图像的细节如表2所示。在第一个研究区域，采用L波段ALOS / PALSAR图像 入射角为34.3°，频率为1.27 GHz，HH和HV极化以及12.5 m的分辨率。 RADARSAT-2 C波段卫星图像在第二个研究区获得，使用28°的入射角，5.4 GHz的频率，四极偏振模式和8 m的分辨率。 利用辐射校准和地形校正，以实现反向散射系数的推导。 对于每个参考图，通过使用地面控制点对SAR图像进行地理参考，以计算平均反向散射系数。

方法

在本研究中，IEM是在简化假设条件下，根据粗糙表面的电磁波散射建立的。 该模型适用于模拟随机介质粗糙表面的反向散射系数(Fung et al. 1992)。 来自模型的单个后向散射系数由下式给出：

Page3

Table1在两个研究区收集的测量结果

Table2两个研究点的雷达采集摘要

在上述等式中，pd降低了极化状态。K是波数，k= kz cos (h), h是入射角，s是RMS高度，Wn是已知表面相关函数的第n次幂的傅里叶变换。Fpq是基尔霍夫系数，Fpq是互补场系数，菲涅尔反射系数与土壤介电常数有关，根据Dobson模型可以将其转化为土壤水分(Dobson et al. 1985).

Shi et al. (1997)发现后向散射系数与表面粗糙度和土壤含水量有关。它们的关系可以表示为：

公式中，g（Rs,h）是表面粗糙度函数，由表面粗糙度参数和入射角度决定。是与土壤水分有关的函数。菲涅尔反射系数表示如下：

是土壤介电常数。

结果和讨论

土壤水分含量对两种土壤深度的影响

在L和C波段，通过使用多极化雷达数据可以检测土壤顶部5厘米以内的土壤含水量。在这个部分，土壤含水量在两个土壤深度上（包括0-7.6cm和0-20cm）对后向散射系数的影响是在Field III上进行的，基于RADARSAT-2的观测和地面数据。也可以在Fig.1里看到土壤含水量在两个土壤深度上的值得范围是9％到41％。同时，土壤深度在0-20厘米的（土壤含水量）数值明显高于在0-7.6厘米处的数值，平均差异为6％。通过IEM模拟和测量出的在两个土壤深度上的后向散射系数之间的散点图如Fig.2所示。0-7.6 cm土壤深度模拟反向散射的情况表现通常优于0〜20 cm。同时，与HH极化相比，IEM在VV极化中的表现显示出较低的偏差和RMSE。所以VV极化对土壤含水量要比HH极化更敏感。由于采样地点位于均匀区，土壤含水量的统计指标在两个土层深度略有不同。

Fig.1 所有采样点在不同土壤深度上的土壤水分

Page 4

横坐标：测量的后向散射系数。纵坐标:估测反向散射系数。

（图2） IEM用两种深度土壤含水量所计算出的反向散射系数与从不同极化的SAR图像中测量的观测值的比较。

IEM的两个ACF的影响

表面粗糙度在利用散射模型和SAR图像来估计反向散射系数中起着非常重要的作用，包括RMS高度，相关长度和自相关系数。但是，它们不足以确定土壤的真实几何结构。因此，Zribi (1998)提出了裸露农业土壤的分形相关系数。因此，对于一维粗糙度轮廓，自相关函数定义为三种类型包括指数、高斯和分形函数。指数分布用于低的表面粗糙度值，高斯用于高的表面粗糙度值。Baghdadi et al. (2011)发现当REMS高度slt;1.5cm时用指数相关函数和在X波段时sgt;1.5cm时用高斯函数时IEM可以正确的再现后向散射系数。本部分研究了两种自相关函数条件下模拟相关系数与SAR图像测量的差异。从Fig.3 a-d中可以看到，在C波段的HH和VV极化中，当slt;1.5cm使用指数相关函数和sgt;1.5cm使用高斯函数时IEM的表现良好。但是，在L波段时的HH和VV极化，如图Fig.3 e-f，IEM更适合在slt;2.5cm时用指数函数和在sgt;2.5cm时用高斯函数来模拟反向散射系数。这些结果表明，L波段的REMS高度一直比C波段的高，这已经被Lievens et al. (2011)所观察到。

对于HH极化中的指数函数(Fig. 3a, e)，对于s 2.5 cm，L波段的偏差为0.6486 dB，C / 1.5 cm时为0.3506 dB，RMSE为2.603和2.11 dB。

Page 5

Fig.3 使用两种自相关函数的IEM计算出的反向散射系数与从SAR图像的出的观察值（pol:极化），C波段：a-d,L波段：e-f

Page 6

同时，对于C波段slt;1.5cm的情况和L波段sgt;2.5cm的情况，使用高斯函数（Fig.3.f），平方差和均方根（RMSEs?）均优于在C波段和L波段使用指数函数的情况。在C波段的VV极化（Fig.3c,d），IEM得到的值和测量值之间的偏差，在表面的slt;1.5cm时使用指数函数和sgt;1.5cm时使用高斯函数的两种情况下，分别为0.5869和0.4979dB。REMS与HH极化具有相同的数量级（slt;1.5cm时为1.796dB,sgt;1.5cm时为1.664dB）

模型构建与验证

如上所述，IEM可以通过利用适当的土壤中的含水量和具有特定粗糙度参数的自相关函数来有效的再现后向散射系数。但是，估计的精度差，RMSEs为3-4dB，偏差为7dB.有研究报告指出粗糙度参数的测量无法达到良好的准确度(Oh and Kay1998; Verhoest et al. 2008)。在本研究中，建立了一个有效的模型，通过引入组合粗糙度参数和菲涅尔反射系数来提高IEM的性能。

表面粗糙度函数：

为了考虑表面粗糙度对后向散射系数的影响，根据Zribi (1998)提出的分形相关函数引入组合粗糙度参数。通过IEM模型建立了一个模拟数据库，旨在探讨反散射系数与表面粗糙度参数之间的数学关系。在L波段，由ALOS/PALSAR数据得到的入射角和频率来确定HH极化，土壤体积含水量假定为20%。RMS的高度范围为0.5~3.5cm,步长为0.5cm，相关长度范围为20~65cm，步长为5cm。该关系用多元回归分析表示如下。

(4)

相关系数为0.998。上面的公式可以重写如下：

(5)

因此，表面粗糙度参数可以是组合成一个参数：，变换后的方程可以表示如下：

A,B可以通过统计回归分析计算。

为了说明参数Rs的优越性，模拟反向散射系数和表面粗糙度参数的散点图如Fig.4所示，结果表明，在回归中使用l

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25232]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章