基于多源遥感数据与模型对比的冬小麦土壤含水量区域监测研究

doi:10.11924/j.issn.1000-6850.casb2023-0687

中国农学通报 ›› 2024, Vol. 40 ›› Issue (25): 147-154.doi: 10.11924/j.issn.1000-6850.casb2023-0687

基于多源遥感数据与模型对比的冬小麦土壤含水量区域监测研究

吴东丽¹^,²^,³(), 刘聪¹(), 郭超凡⁴, 丁明明¹, 吴苏⁵, 阙艳红⁶, 姜明梁⁷, 李雁¹^,⁸^,⁹

¹ 中国气象局气象探测中心，北京 100081
² 中国气象局大气探测重点开放实验室，北京 100081
³ 中国气象局气象探测工程技术研究中心，北京 100081
⁴ 衢州学院，浙江衢州 324000
⁵ 中国电子科技集团公司第二十七研究所，郑州 450047
⁶ 河南中原光电测控技术有限公司，郑州 450047
⁷ 中国农业科学院农田灌溉研究所，河南新乡 453002
⁸ 中国气象科学研究院，北京 100081
⁹ 中国气象局气象发展与规划院，北京 100081

收稿日期:2023-09-19 修回日期:2024-04-03 出版日期:2024-09-05 发布日期:2024-08-27
通讯作者:
刘聪，男，1989年出生，吉林蛟河人，副高级工程师，博士，主要从事生态与农业气象观测研究。通信地址：100081 北京市海淀区中关村南大街46号北区32号楼，Tel：010-58993029，E-mail：lc524793824@cma.gov.cn。
作者简介:
吴东丽，女，1977年出生，山西临汾人，正研级高级工程师，博士，主要从事农业气象观测研究。通信地址：100081 北京市海淀区中关村南大街46号北区32号楼，Tel：010-58995834，E-mail：wudongli666@126.com。
基金资助:
国家自然科学基金项目“高时空遥感地表温度融合与冷—热积量模型耦合的苹果花期预测研究”(42171303); 国家重点研发计划“流域-城市外洪内涝一体化协同监测与风险感知”(2022YFC3090602); 联合基金开放课题“地空天综合生态气象协同观测方法研究及试验（农田和森林）”(U2021Z07)

Regional Monitoring of Soil Moisture Content in Winter Wheat Field Based on Multi-source Remote Sensing Data and Optimal Model Selection

WU Dongli¹^,²^,³(), LIU Cong¹(), GUO Chaofan⁴, DING Mingming¹, WU Su⁵, QUE Yanhong⁶, JIANG Mingliang⁷, LI Yan¹^,⁸^,⁹

¹ Meteorological Observation Center of China Meteorological Administration, Beijing 100081
² Key Laboratory of Atmosphere Sounding, China Meteorological Administration, Beijing 100081
³ CMA Research Centre on Meteorological Observation Engineering Technology, Beijing 100081
⁴ Quzhou University, Quzhou, Zhejiang 324000
⁵ The 27^th Research Institute of China Electronics Technology Group Corporation,Zhengzhou 450047
⁶ Henan Zhongyuan Optoelectronic Measurement and Control Technology Limited Corporation, Zhengzhou 450047
⁷ Farmland Irrigation Research Institute, Xinxiang, Henan 453002
⁸ Chinese Academy of Meteorological Sciences, Beijing 100081
⁹ Institute for Development and Programme Design, China Meteorological Administration, Beijing 100081

Received:2023-09-19 Revised:2024-04-03 Published:2024-09-05 Online:2024-08-27

摘要/Abstract

摘要：

实时、精准的土壤水分含量监测是农业用水管理的基础，探究冬小麦土壤水分反演的最优模型对于提高农业用水效率和可持续发展均具有重要的意义。本研究以河南省鹤壁市浚县冬小麦种植区域的土壤水分含量为研究对象，采用无人机遥感数据、卫星遥感数据、田间采样数据，分别运用温度植被干旱指数模型、水云模型和改进的水云模型3种方法，进行土壤含水量反演对比分析与最优模型选择。结果表明，3种方法中10 cm深度的反演精度均高于20 cm，且R²均大于0.4。其中采用改进的水云模型方法在10 cm深度的R²为0.7055、RMSE为0.0209，20 cm深度的R²为0.5069、RMSE为0.0271，优于水云模型和温度植被干旱指数的反演效果。因此，改进的水云模型是一种适合用于麦田土壤水分反演的方法，它能够提供较高的反演精度。

关键词: 冬小麦, 土壤水分含量监测, 土壤水分反演, 反演精度, 无人机遥感, 卫星遥感, 温度植被干旱指数模型, 水云模型

Abstract:

Real-time and accurate monitoring of soil moisture content is the foundation of agricultural water management. Exploring the optimal model for soil moisture inversion in winter wheat is of great significance for improving agricultural water efficiency and sustainable development. This study took the soil moisture content in the winter wheat planting area of Jun County, Hebi City, Henan Province as the research object. Using unmanned aerial vehicle remote sensing data, satellite remote sensing data and field sampling data, three methods of temperature vegetation drought index model, water cloud model and improved water cloud model were used to perform comparative analysis of soil water content inversion and optimal model selection. The results showed that the inversion accuracy at a depth of 10 cm was higher than that in 20 cm in all three methods, and R² was greater than 0.4. The use of an improved water cloud model method resulted in R² of 0.7055 and RMSE of 0.0209 at a depth of 10 cm, R² of 0.5069 and RMSE of 0.0271 at a depth of 20 cm, which was superior to the inversion effect of water cloud model and temperature vegetation drought index. This indicated that using the improved water cloud model method for wheat field soil water inversion was appropriate and had high inversion accuracy.

Key words: winter wheat, monitoring of soil moisture content, soil moisture inversion, inversion accuracy, UAV remote sensing, satellite remote sensing, temperature vegetation drought index model, water cloud model

吴东丽, 刘聪, 郭超凡, 丁明明, 吴苏, 阙艳红, 姜明梁, 李雁. 基于多源遥感数据与模型对比的冬小麦土壤含水量区域监测研究[J]. 中国农学通报, 2024, 40(25): 147-154.

WU Dongli, LIU Cong, GUO Chaofan, DING Mingming, WU Su, QUE Yanhong, JIANG Mingliang, LI Yan. Regional Monitoring of Soil Moisture Content in Winter Wheat Field Based on Multi-source Remote Sensing Data and Optimal Model Selection[J]. Chinese Agricultural Science Bulletin, 2024, 40(25): 147-154.

图/表 10

图1. 研究区概况图和采样点位置

样本	样本数	最大值/(cm³/cm³)	最小值/(cm³/cm³)	平均值/(cm³/cm³)	置信区间(95%)
0~10 cm土壤水分含量	25	0.40	0.32	0.36	0.35~0.37
0~20 cm土壤水分含量	25	0.38	0.33	0.35	0.34~0.36

表1. 样本点土壤水分含量统计结果

图2. Ts/NDVI特征空间图和TVDI特征空间图

图3. 10 cm和20 cm土壤含水量反演效果精度验证

图4. 10 cm和20 cm的实测土壤含水量与土壤后向散射系数关系图

图5. 10 cm和20 cm土壤含水量反演效果精度验证

图6. 10 cm和20 cm实测土壤含水量与土壤后向散射系数关系图

图7. 10 cm和20 cm土壤含水量反演效果精度验证

图8. 10 cm和20 cm深度土壤含水量反演图

深度	土壤含水量/(cm³/cm³)	面积/m²	面积占比/%	深度	土壤含水量/(cm³/cm³)	面积/m²	面积占比/%
0~10 cm	<0.34	8766.79	4.8	0~20 cm	<0.34	10337.33	5.7
	0.34~0.42	139773.81	77.8		0.34~0.40	123836.43	68.9
	0.42~0.44	15544.18	8.7		0.40~0.43	31355.89	17.5
	0.44~0.46	7185.93	4.0		0.43~0.45	7326.00	4.1
	>0.46	8396.30	4.7		>0.45	6811.36	3.8

表2. 土壤含水量反演结果统计

参考文献 24

[1]	杨天鹏. 雷达/光学遥感数据在麦田土壤水分监测中的应用研究[D]. 上海: 华东师范大学, 2018.
[2]	COLLIANDER A, JACKSON T J, BINDLISH R, et al. Validation of SMAP surface soil moisture products with core validation sites[J]. Remote sensing of environment, 2017, 191:215-231.
[3]	冯珊珊, 梁雪映, 樊风雷, 等. 基于无人机多光谱数据的农田土壤水分遥感监测[J]. 华南师范大学学报(自然科学版), 2020, 52(6):74-81.
[4]	王俊霞, 潘耀忠, 朱秀芳, 等. 土壤水分反演特征变量研究综述[J]. 土壤学报, 2019, 56(1):23-35.
[5]	刘钇廷. 基于哨兵1/2的冬小麦田间地表土壤水分反演方法研究[D]. 塔里木: 塔里木大学, 2022.
[6]	赵飞飞. 多源遥感数据协同的贵州石漠化地区土壤水分反演研究[D]. 贵阳: 贵州大学, 2021.
[7]	蔡庆空, 李二俊, 陶亮亮, 等. 基于改进作物散射模型的陕西杨凌区麦田土壤水分反演研究[J]. 土壤, 2020, 52(4):846-852.
[8]	钟若飞, 郭华东, 王为民. 被动微波遥感反演土壤水分进展研究[J]. 遥感技术与应用, 2005, 20(1):49-57.
[9]	田国良. 土壤水分的遥感监测方法[J]. 环境遥感, 1991(2):89-98,161.
[10]	BINDLISH R, BARROS A P. Parameterization of vegetation backscatter in radar-based, soil moisture estimation[J]. Remote sensing of environment, 2001, 76(1):130-137.
[11]	李艳, 张成才, 罗蔚然. 利用改进的水云模型反演夏玉米拔节期土壤墒情方法研究[J]. 水利水电技术, 2019, 50(3):212-218.
[12]	TORRES R, SNOEIJ P, GEUDTNER D, et al. GMES Sentinel-1 mission[J]. Remote sensing of environment, 2012, 120:9-24.
[13]	TAGHADOSI M M, HASANLOU M, EFTEKHARI K. Soil salinity mapping using dual-polarized SAR Sentinel-1 imagery[J]. International journal of remote sensing, 2019, 40(1):237-252.
[14]	相涛, 栾元重, 许章平, 等. 基于Pix4Dmapper的无人机低空摄影测量数据处理[J]. 测绘与空间地理信息, 2019, 42(3):75-78.
[15]	KUMAR P, PRASAD R, GUPTA D K, et al. Estimation of winter wheat crop growth parameters using time series Sentinel-1A SAR data[J]. Geocarto international, 2018, 33(9):942-956.
[16]	GUO J, BAI Q, GUO W, et al. Soil moisture content estimation in winter wheat planting area for multi-source sensing data using CNNR[J]. Computers and electronics in agriculture, 2022, 193:106670.
[17]	KIM J, HOGUE T S. Improving spatial soil moisture representation through integration of AMSR-E and MODIS products[J]. IEEE transactions on geoscience and remote sensing, 2012, 50(2):446-460.
[18]	ATTEMA E P W, ULABY F T. Vegetation modeled as a water cloud[J]. Radio science, 1978, 13(2):357-364.
[19]	YANG Z, LI K, SHAO Y, et al. Estimation of paddy rice variables with a modified water cloud model and improved polarimetric decomposition using multi-temporal RADARSAT-2 images[J]. Remote sensing, 2016, 8(10):878.
[20]	张琛. 基于遥感影像的植被覆盖度变化分析[J]. 经纬天地, 2022(6):41-44.
[21]	陈平男, 王瑞燕, 刘洪义, 等. 基于卫星-无人机遥感数据的麦田植被覆盖度估算[J]. 河南科技学院学报(自然科学版), 2022, 50(4):79-84.
[22]	王普. 基于Sentinel-1A数据的焦作广利灌区夏玉米土壤墒情反演方法研究[D]. 郑州: 郑州大学, 2018.
[23]	胥雪炎, 李补喜. 不同被解释变量选择对决定系数R²的影响研究[J]. 太原科技大学学报, 2007, 28(5):363-365.
[24]	吕沛恒, 孙坚, 刘绍. 新型遥感卫星土壤水分产品在不同地表覆盖下的精度验证与分析[J]. 中国农村水利水电, 2021(9):96-101.

基于多源遥感数据与模型对比的冬小麦土壤含水量区域监测研究

Regional Monitoring of Soil Moisture Content in Winter Wheat Field Based on Multi-source Remote Sensing Data and Optimal Model Selection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	丁豪, 高海涛, 毕香君, 李升东. 不同播种方式对冬小麦产量构成和旗叶光合特性的影响[J]. 中国农学通报, 2024, 40(9): 9-19.
[2]	段国辉, 田文仲, 高海涛, 杨洪强, 张少澜, 董中东, 温红霞, 吕树作, 顾晶晶. 不同灌水对黄淮冬小麦茎秆、产量及水分利用效率的影响[J]. 中国农学通报, 2024, 40(5): 1-8.
[3]	王锦杰, 陈昊, 庞礴, 周航, 沈伟, 颜雅琼, 徐敏. 基于多源卫星的黄淮海平原冬小麦种植丰度定量评估[J]. 中国农学通报, 2024, 40(25): 155-164.
[4]	尹逊栋, 吕广德, 亓晓蕾, 陈永军, 牟秋焕, 孙盈盈, 孙宪印, 米勇, 钱兆国, 崔兆韵, 邹俊丽. 播期对不同穗型冬小麦生长及产量的影响[J]. 中国农学通报, 2024, 40(24): 9-16.
[5]	韩明明, 牟群, 李文倩, 陈军, 吕连杰, 张海军, 安霞, 李晓宇, 常振凯. 秸秆还田条件下氮磷钾养分管理对冬小麦籽粒灌浆特性及产量的影响[J]. 中国农学通报, 2024, 40(23): 1-6.
[6]	武术兰, 任频频, 侯术海, 王树森, 宋佰联, 黄峰. 鲁西平原冬小麦水分生产力时空格局及其变化分解[J]. 中国农学通报, 2024, 40(23): 7-15.
[7]	薛远赛, 彭科研, 陈希彦, 李秋芹, 张艳, 邹士国, 朱静行, 韩伟. 沟播对中轻度盐碱地小麦土壤养分、叶片荧光动力学参数及产量的影响研究[J]. 中国农学通报, 2024, 40(22): 1-7.
[8]	陈英丽, 毕建杰. 灌溉和干旱及氮素水平对孕穗期冬小麦冠层光分布影响[J]. 中国农学通报, 2024, 40(21): 12-19.
[9]	焦润安, 李旭华, 齐月, 雷俊, 苟志文, 臧亚军, 薛潇. 黄土高原半干旱雨养农业区冬小麦气候适宜度评价——以通渭县为例[J]. 中国农学通报, 2024, 40(17): 73-80.
[10]	张红妮, 李祥科, 张洪芬, 张天峰, 周忠文, 车可. 陇东塬区春季气候变化对冬小麦产量的影响评估[J]. 中国农学通报, 2024, 40(11): 78-83.
[11]	王敬云, 胡晓航, 董心久, 马亚怀, 李彦丽. 基于多光谱技术的甜菜块根糖分增长期施氮决策模型[J]. 中国农学通报, 2024, 40(10): 132-139.
[12]	赵凯, 黄玲, 冯维营, 邵敏敏, 王福玉, 陈贵菊, 张玉丹, 杨本洲, 孙雷明, 闫璐, 王霖. 播期和播量对冬小麦生长发育和产量的影响[J]. 中国农学通报, 2023, 39(32): 1-7.
[13]	庄东英, 殷敏, 耿安红, 李卫国, 崔必波. 基于HJ卫星的冬小麦白粉病监测研究[J]. 中国农学通报, 2023, 39(28): 137-141.
[14]	张娟, 廖菊阳, 刘艳, 王玲, 李巧云, 吴林世, 黄雅奇. 多源遥感数据在森林资源监测上的应用现状与发展趋势[J]. 中国农学通报, 2023, 39(19): 159-164.
[15]	郭海英, 张谋草, 周忠文, 祁鸿雁, 秦乐, 张俊林. 气候暖湿化及其对陇东冬小麦生产的影响[J]. 中国农学通报, 2023, 39(15): 127-131.