导读:本文包含了次地表土壤湿度论文开题报告文献综述及选题提纲参考文献，主要关键词:土壤水分,降尺度,机器算法,MODIS
次地表土壤湿度论文文献综述
吴颖菊,朱奎,鲁帆,岳小雨[1]（2019）在《基于CLDAS数据和机器算法模型的大清河流域地表土壤湿度降尺度研究》一文中研究指出土壤水分是"四水"转换的纽带,农业生产的基础,传统的野外定点测量土壤水分的方法难以实现空间上的展布,现代微波遥感数据可以得到大尺度的土壤水分,但分辨率低。本文利用CLDAS数据,将机器算法应用到遥感影像指数运算中,开展土壤水分的降尺度研究。论文分别采用OLS算法、Bagging算法、BRT算法和随机森林算法模型建立MODIS光学遥感数据(LST、Albedo、NDVI、ET)与土壤水分的关系模型。研究结果表明:四种算法中随机森林算法的拟合效果更优(R~2=0.961 28,RMSE=0.006 99)。利用该算法算出降尺度后的土壤体积水分,可以得到大尺度且空间分辨率更高的土壤水分数据。大清河流域西北部土壤含水量高于东南部,土壤含水量差异可达0.2 mm~3/mm~3,在流域土壤含水量空间分布的季节变化显着,3月土壤水分低至0.16 mm~3/mm~3,9月土壤水分高达0.33 mm~3/mm~3。(本文来源于《水利水电技术》期刊2019年10期）
鲍艳松,林利斌,吴善玉,Khidir,Abdalla,Kwal,Deng,George,P.Petropoulos[2]（2018）在《基于Sentinel-1和Landsat 8数据的植被覆盖地表土壤湿度反演》一文中研究指出基于Sentinel-1合成孔径雷达(SAR)和LandsatOLI数据,结合水‐云模型和地表散射模型,提出了一种植被覆盖条件表层土壤水分(surface soil moisture,SSM)反演模型。为了消除植被对SSM反演的影响,应用Landsat OLI光谱指数建立植被含水量估计模型。将该模型代入原始水‐云模型,建立一套改进的带有光谱指数的水‐云模型。最后,基于改进的水云模型开发了SSM估计模型。为检验模型精度,在英国和西班牙两个实验区进行了试验研究,试验中使用International Soil Moisture Network (ISMN)观测网络。研究结果表明:(1)对于植被覆盖地表的土壤水分估计,从1.57-1.65μm波段反射率数据得到的归一化水分指数(normalized difference water index,NDWI)更适合去除植被覆盖的影响;(2)与Sentinel-1VH极化相比,VV极化的后向散射系数更适用于土壤水分反演,并且精度较高;(3)所建模型具有较高的土壤湿度反演精度,与实测土壤湿度的相关系数R为0.911,均方根误差RMSE为0.053 cm3/cm3。本文提出的模型可用于区域土壤湿度监测,为农业生产提供高时空分辨率土壤湿度信息,具有较高的应用价值。(本文来源于《第35届中国气象学会年会 S21 卫星气象与生态遥感》期刊2018-10-24）
冯呈呈,程航,傅瑜[3]（2018）在《RFI信号对地表土壤湿度反演的影响》一文中研究指出土壤湿度作为全球能量和水循环中的重要变量,可以通过蒸发、降水、地表径流、植物生长以及蒸腾作用间接的影响天气的发生、发展过程。许多研究结果表明,土壤湿度对天气预报和气候预测的准确性有重要影响(Shukla J,Mintz Y,1982;Fennessy M J,Shukla J,1999;Chen F et al,2001;Dirmeyer P A.2001;Guo Z et al,2006)。土壤湿度的变化往往会滞后于天气过程,对天气的变化有一个记忆的效果,同时对气候异常会有加强和反馈的作用(Koster R D,Suarez M J,2000;Dong J et al,2007)。对土壤湿度时空分布的准确模拟可以帮助了解大尺度的能量和水循环过程,同时对季节和年际间的气候和降水预报起到改善效果(KosterRDetal,2004)。被动微波遥感在低分辨率情况下可以做到对土壤含水量的短周期重复覆盖测量,对于大尺度的陆地水文和气候过程研究具有重大意义,这也是被动微波遥感监测土壤湿度的巨大优势之一。微波遥感探测仪器具有很好的穿透性,可以穿透云层和部分的地表植被、土壤等,同时不受光照条件的限制,做到全天时、全天候的对地探测,为科学研究、业务使用提供很好的探测数据。微波辐射计反演地表土壤湿度主要利用低频通道亮温数据,但已有研究表明低频通道中存在明显的干扰信号,即无线电频率干扰(Radio-frequency interference,RFI)(Li L,et al.2004)。受RFI信号影响,在反演陆地表面土壤湿度的时候AMSR-E观测数据中的6.925 GHz通道亮温没有被使用(Li L,et al.2004)。当前的研究主要集中于确定RFI信号的存在及寻找更有效的识别方法。针对RFI信号多于反演结果的影响研究较少。本文选取AMSR-E多年亮温数据,分别利用订正前、后的AMSR-E观测数据,通过陆面参数反演模型算法(LPRM)反演得出地表土壤湿度,结果表明:(1)通过与NCEP、ECMWF再分析数据中的地表土壤湿度数据对比,LPRM方法能够有效地反演出地表土壤湿度。(2)对识别出的RFI污染信号通过线性拟合的方法,利用邻近高频通道观测亮温对其进行订正,基本可以消除识别出的RFI影响。(3)对比RFI订正前后亮温数据通过LPRM方法反演得到的地表土壤湿度,可以看出RFI信号的存在对反演结果有着较大的影响,订正后的反演结果可以较好地表现出与再分析数据相同的分布及变化趋势。(4)LPRM方法反演地表土壤湿度对RFI信号有着较高的敏感性,可以通过反演结果的收敛与否验证识别出的RFI信号分布位置。(本文来源于《第35届中国气象学会年会 S21 卫星气象与生态遥感》期刊2018-10-24）
蒋婷[4]（2018）在《基于多时相Radarsat-2的冬小麦覆盖地表土壤湿度反演研究》一文中研究指出土壤含水量作为陆表生态系统水循环的重要组成部分,能够影响土壤性质和植被生长,从而对土壤侵蚀和水土流失产生影响。对土壤湿度进行遥感定量反演,便于短时间内获取大面积的土壤水分分布信息,以对土壤含水量的时空分布特性进行分析,为水土保持工作的开展、生态环境的建设、水资源的可持续利用提供一定的理论依据和指导。极化合成孔径雷达(Polarimetric SAR,PolSAR)具有全天时、全天候、对地物有一定穿透性、对地物几何特征和地表土壤水分十分敏感等突出优势,能够记录地物目标完整的极化散射信息,从而提高地物目标分类的精度。然而,植被体散射和地表粗糙度对雷达后向散射系数的影响,降低了地表土壤湿度反演的精度,限制了土壤湿度反演模型的推广应用。本文以河北省保定市定兴县为研究区,获取了该区域2013年3~6四个月份的Radarsat-2全极化SAR影像和2013年4~6叁个月份的Landsat-8准同步光学遥感影像,并对植被参数、土壤重量含水量、土壤体积含水量、地表粗糙度参数等进行了同步实地测量。借助于ENVI5.3、ArcGIS10.1、MATLAB 2004a和SPSS等软件平台,对获取的实验数据进行相关处理。然后选取70%的样点数据作为训练集,正演获取模型的参数拟合值,用剩余30%的样点数据作为验证集,对反演模型的精度进行验证。最后生成研究区的土壤水分时序空间分布图,并对其土壤水分时空变化特征进行分析。主要研究内容及结论如下:(1)本文首先采用水云模型对植被层的后向散射影响进行矫正,然后基于Chen模型,利用同极化比(HH/VV)消除地表粗糙度对地表后向散射系数的影响,避免了地表粗糙度参数的输入,可减轻实地测量的工作量,取得了较好的反演效果,与实测值的吻合度约为73%,则该模型符合土壤湿度反演的精度要求,同时也验证了微波遥感技术反演土壤湿度的有效性;(2)本文分别用NDWI、NDVI和RVI对植被含水量进行计算,消除植被对后向散射系数的影响,对裸土反演模型的反演精度进行评价,分析叁者消除植被层对雷达后向散射系数的影响的效果,实验结果表明,与单独使用SAR数据反演土壤湿度相比,联合多源遥感数据能够取得更好的反演效果,从而提高植被覆盖地表下土壤湿度的反演精度;(3)本文通过对植被指数、全局Moran I指数和土壤水分时序空间分布图的分析,发现研究区的土壤水分具有明显的聚类特性和空间正相关关系,从时间维度的进程视角出发,冬小麦覆盖度会逐月增大,加之降雨量的增加,其土壤含水量也会相应升高。(本文来源于《西华师范大学》期刊2018-04-01）
王国杰,薛峰,齐道日娜,谭龑,娄丹[5]（2018）在《基于风云叁号卫星微波资料反演我国地表土壤湿度及其对比》一文中研究指出土壤湿度是联系陆地水循环和能量循环的纽带,是地表最重要的水资源,也是一个重要的气象预报因子。基于风云叁号卫星微波资料,采用能量辐射传输模型反演了我国逐日地表土壤湿度(FY-3B),并估算了其系统误差;然后,与中国气象局农业气象站观测资料和ERA-Interim、NCEP再分析资料进行了对比分析。研究结果表明,FY-3B土壤湿度呈由西北地区向东北和东南地区逐渐增加的空间分布特征,与农气站观测资料和两套再分析资料基本一致;其系统误差与植被覆盖度密切相关,我国西南部植被茂密的地区系统误差较大。FY-3B土壤湿度的季节性变化与农气站观测资料在全国范围有较好的一致性,总体表现为冬季土壤湿度较高,随着春季气温升高蒸散发增加,土壤湿度逐渐降低;夏天雨季来临,土壤湿度回升。然而,FY-3B土壤湿度与ERA-Interim和NCEP再分析资料在东北部分地区和长江流域以南呈很强的负相关,这主要是由于季节性干湿变化的不一致性所致;这表明,ERA-Interim和NCEP土壤湿度再分析资料在这些地区存在较大的不确定性。(本文来源于《大气科学学报》期刊2018年01期）
冯呈呈[6]（2015）在《微波辐射计数据中无线电频率干扰识别及其对地表土壤湿度反演影响》一文中研究指出随着气象预报需求的提高和科学技术的不断发展,气象卫星探测技术逐步成为常规气象观测的重要补充手段。其中,微波探测技术因为较好的穿透性,能够做到全天时、全天候的对地探测,越来越受到人们的重视。星载被动微波辐射计资料一个重要应用就是对地表土壤湿度的反演。但微波辐射计的低频通道探测数据中存在由其他主动微波信号造成的污染,即无线电频率干扰(RFI)。因此,为保证微波辐射数据的准确应用,在使用之前正确的识别出其中的无线电频率干扰是必不可少的一步。本文主要针对微波辐射计数据,使用双主成分分析方法识别其中的无线电频率干扰信号,得到干扰信号的多年变化趋势,并且将这一识别和订正方法运用到地表土壤湿度微波反演计算中,分析干扰信号对地表土壤湿度反演结果产生的影响。文章的主要内容和结论如下：(1)为了验证双主成分分析方法的识别效果和优势,选取美国地区一次暴风雪过程,使用多种识别方法(主成分分析法、标准化主成分分析法以及双主成分分析方法)识别在这一天气过程中,有积雪散射作用影响时的AMSR-E 6.925GHz通道亮温探测数据中的无线电频率干扰。通过对比不同的识别方法所得的结果,表明双主成分分析方法可以准确地识别出AMSR-E亮温数据中的RFI信号,并能够有效地去除积雪表面的散射影响。(2)针对我国风云叁号B星上的微波成像仪(MWRI)亮温观测数据,使用双主成分分析方法分别识别其陆面和海洋区域内的无线电频率干扰信号。识别结果表明,双主成分分析方法同样适用于FY-3B MWRI亮温数据中的无线电频率干扰识别。识别得出了MWRI 10.65GHz通道中的RFI分布情况,在陆面范围内主要出现在英格兰、意大利、土耳其以及日本等地。在海洋范围内升轨过程中RFI信号较弱,受陆面信号影响出现在近岸地区,主要集中在欧洲、地中海地区；降轨过程中会受到洋面对静止卫星信号的反射影响,较强的RFI信号10.65GHz通道多出现在地中海、18.7GHz通道多出现在美国东海岸附近地区。(3)为提高长时间的微波辐射探测数据在气候研究中的应用,使用双主成分分析方法识别2002年9月至2011年9月AMSR-E陆面月平均亮温数据中的无线电频率干扰,并分析其随时间的变化特征。同时,采用频谱差异法识别结果对RFI信号变化趋势进行验证。结果显示,无线电频率干扰的空间位置和强度随时间会发生变化。其中,C波段中识别出的无线电频率干扰数量随时间呈减少趋势；X波段中的无线电频率干扰随时间呈增加趋势。(4)针对RFI的存在对地表土壤湿度微波反演的可能影响,选择AMSR-E亮温数据,使用双主成分分析方法识别其6.925GHz和10.65GHz通道中的无线电频率干扰,并通过线性拟合的方法对受到污染的亮温数据做出订正。分别使用订正前后的亮温数据通过陆面参数反演模型(LPRM)反演地表土壤湿度,结果表明订正后的反演结果很大程度上改善了RFI信号对反演结果造成的影响,订正后的反演结果更接近于再分析数据表现出的空间分布情况。此外,该反演方法对RFI影响的敏感性也可以用于验证RFI识别和订正效果。(本文来源于《南京信息工程大学》期刊2015-06-01）
尤加俊,安如[7]（2015）在《基于CCI和MODIS数据的淮河流域地表土壤湿度降尺度方法研究》一文中研究指出土壤湿度是控制陆地和大气间水热能量交换的一个关键参数,同时也是陆面生态系统水循环的重要组成部分。本文选用25 km分辨率的CCI(Climate Change Initiative)土壤湿度产品数据,并结合1 km分辨率的MODIS数据,构建微波土壤湿度产品数据降尺度回归算法,获取淮河流域1 km空间分辨率的土壤湿度数据。降尺度后所获取淮河流域1 km空间分辨率的土壤湿度数据总体上提高了25 km空间分辨率的CCI土壤湿度产品数据的精度.(本文来源于《测绘与空间地理信息》期刊2015年02期）
尹楠,姜琦刚,孟治国,李远华[8]（2013）在《基于RADARSAT-2全极化数据反演周期性地表土壤湿度》一文中研究指出土壤湿度是农作物估产和旱情监测的关键参量。目前常用的土壤湿度反演模型都建立在随机粗糙地表条件下,对周期性垄行结构的土壤并不适用。基于RADARSAT-2全极化数据和野外实测数据,分析了交叉极化(vh)后向散射系数对垄行方位角无明显响应;同极化(hh,vv)对方位角的响应为余弦函数,但在方位角为90o±2o位置易出现偏离曲线的异常高亮度值。通过雷达影像上采样点的实测值和Oh模型推算的理论值,拟合得到周期性地表和随机地表之间的误差函数,进而对同极化影像进行纠正。纠正后的同极化比(p)去除了方位角和异常值的影响,交叉极化比(q)受到异常值的影响。通过Oh模型中的p和vh对研究区的地表参数进行反演,17个检验点的验证结果表明,预测的土壤湿度平均相对误差为11.13%,标准差为0.0256cm3/cm3;预测的均方根高度平均相对误差为13%,标准差为0.1315cm。结果与随机粗糙地表土壤湿度和均方根高度的反演精度相当,证明了该模型的有效性。(本文来源于《农业工程学报》期刊2013年17期）
严颂华,龚健雅,张训械,李冻秀[9]（2011）在《GNSS-R测量地表土壤湿度的地基实验》一文中研究指出应用地基GNSS-R测量土壤湿度,相比空基而言,反射信号接收天线安装位置低,反射区面积小,反射区域内土壤构成成分一致,可以克服空基实验带来的反射区面积大、反射区内土壤地貌复杂的因素,有利于提高反演的精度.本文介绍了地基GNSS-R反演土壤湿度的原理和方法.首先通过归一化处理消除电离层和中性大气对信号强度的影响,然后利用光滑地表散射模型和土壤介电常数模型反演土壤湿度.为验证GNSS-R反演结果的精度,利用配置右旋天线和左旋天线的GNSS-R接收机在武汉华中农业大学试验田开展地基GNSS-R测量土壤湿度实验,用土壤湿度计(TDR)与GNSS-R一起进行了联合观测,对实测数据进行分析和统计,在低洼区和平整区观测的对比结果表明,利用多颗高仰角卫星进行联合反演,减小了单颗星反演的误差.实验证明地基实验对于GNSS-R土壤湿度的定量反演研究具有重要作用,其也为利用GNSS-R技术构建大范围的土壤湿度监测网提供了可能性.(本文来源于《地球物理学报》期刊2011年11期）
王军战,鲍艳松,张友静,屈建军,张伟民[10]（2010）在《多极化多角度ASAR数据反演裸露和小麦地表土壤湿度》一文中研究指出为了更好地监测地表土壤湿度,利用多极化、多角度ASAR-APP影像数据,研究了裸露和小麦地表土壤湿度反演方法。对裸露地表,基于AIEM(advance integral equation model)模型,建立多项式半经验模型反演土壤湿度;对小麦地表,小入射角HH极化ASAR数据与土壤湿度相关性更好,大入射角HH极化ASAR数据与小麦含水率相关性更好。基于水云模型,首先利用大入射角HH极化ASAR数据去除小麦冠层对雷达后向散射的影响,然后利用多角度ASAR数据推导建立小麦地表土壤湿度反演半经验模型;实测数据验证了裸露和小麦地表土壤湿度反演模型的适用性,利用验证数据反演裸露和小麦地表土壤湿度精度(RMSE)分别为3.55%、3.81%。结果表明,该文半经验模型具有较高的反演精度。(本文来源于《农业工程学报》期刊2010年06期）
次地表土壤湿度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于Sentinel-1合成孔径雷达(SAR)和LandsatOLI数据,结合水‐云模型和地表散射模型,提出了一种植被覆盖条件表层土壤水分(surface soil moisture,SSM)反演模型。为了消除植被对SSM反演的影响,应用Landsat OLI光谱指数建立植被含水量估计模型。将该模型代入原始水‐云模型,建立一套改进的带有光谱指数的水‐云模型。最后,基于改进的水云模型开发了SSM估计模型。为检验模型精度,在英国和西班牙两个实验区进行了试验研究,试验中使用International Soil Moisture Network (ISMN)观测网络。研究结果表明:(1)对于植被覆盖地表的土壤水分估计,从1.57-1.65μm波段反射率数据得到的归一化水分指数(normalized difference water index,NDWI)更适合去除植被覆盖的影响;(2)与Sentinel-1VH极化相比,VV极化的后向散射系数更适用于土壤水分反演,并且精度较高;(3)所建模型具有较高的土壤湿度反演精度,与实测土壤湿度的相关系数R为0.911,均方根误差RMSE为0.053 cm3/cm3。本文提出的模型可用于区域土壤湿度监测,为农业生产提供高时空分辨率土壤湿度信息,具有较高的应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
次地表土壤湿度论文参考文献
[1].吴颖菊,朱奎,鲁帆,岳小雨.基于CLDAS数据和机器算法模型的大清河流域地表土壤湿度降尺度研究[J].水利水电技术.2019
[2].鲍艳松,林利斌,吴善玉,Khidir,Abdalla,Kwal,Deng,George,P.Petropoulos.基于Sentinel-1和Landsat8数据的植被覆盖地表土壤湿度反演[C].第35届中国气象学会年会S21卫星气象与生态遥感.2018
[3].冯呈呈,程航,傅瑜.RFI信号对地表土壤湿度反演的影响[C].第35届中国气象学会年会S21卫星气象与生态遥感.2018
[4].蒋婷.基于多时相Radarsat-2的冬小麦覆盖地表土壤湿度反演研究[D].西华师范大学.2018
[5].王国杰,薛峰,齐道日娜,谭龑,娄丹.基于风云叁号卫星微波资料反演我国地表土壤湿度及其对比[J].大气科学学报.2018
[6].冯呈呈.微波辐射计数据中无线电频率干扰识别及其对地表土壤湿度反演影响[D].南京信息工程大学.2015
[7].尤加俊,安如.基于CCI和MODIS数据的淮河流域地表土壤湿度降尺度方法研究[J].测绘与空间地理信息.2015
[8].尹楠,姜琦刚,孟治国,李远华.基于RADARSAT-2全极化数据反演周期性地表土壤湿度[J].农业工程学报.2013
[9].严颂华,龚健雅,张训械,李冻秀.GNSS-R测量地表土壤湿度的地基实验[J].地球物理学报.2011
[10].王军战,鲍艳松,张友静,屈建军,张伟民.多极化多角度ASAR数据反演裸露和小麦地表土壤湿度[J].农业工程学报.2010