ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. ISSN 1684-1719. 2023. №1
Оглавление выпускаТекст статьи (pdf)
DOI: https://doi.org/10.30898/1684-1719.2023.1.8
УДК: 631.4
Метод мониторинга влажности почвы,
покрытой растительным покровом,
с использованием нейронной сети, радарных и
мультиспектральных оптических данных Sentinel-1,2
А.М. Зейлигер 1, К.В. Музалевский 2, Е.В. Зинченко 3, О.С. Ермолаева 4
1 Саратовский государственный университет генетики, биотехнологий и инженерии им. Н.И. Вавилова
410012, Саратов, пр-кт им. Петра Столыпина, 4, стр. 3
2 Институт физики им. Л.В. Киренского СО РАН
660036, Красноярск, Академгородок, 50, стр. №383 Всероссийский научно-исследовательский институт орошаемого земледелия
400002, Волгоград, ул. им. Тимирязева, 9
4 Российский государственный аграрный университет МСХА им. К.А. Тимирязева
127434, Москва, ул. Тимирязевская, 49
Статья поступила в редакцию 7 ноября 2022 г.
Аннотация. В данной работе проведен мониторинг пространственного распределения влажности поверхностного слоя агропочв тестового участка поля, покрытого растительностью, в Волгоградской области на основе данных радарной съемки спутника Sentinel-1 и мультиспектральной оптической съемки спутника Sentinel-2. Алгоритм восстановления влажности основан на применении нейронной сети для прогноза коэффициента отражения электромагнитной волны от почвенного покрова, с последующей инверсией во влажность почвы с использованием диэлектрической модели, учитывающей гранулометрический состав агропочвы. Входным параметром нейронной сети является отношение микроволнового радарного растительного индекса (рассчитанного на основе данных спутника Sentinel-1) к мультиспектральному оптическому индексу (рассчитанного на 8-11 каналах спутника Sentinel-2). Это отношение индексов обнаруживает существенно большую зависимость с влажностью почвы, чем с высотой растительности. Восстановленные значения влажности почвы сопоставлялись с влажностью отобранных образцов почвы, измеренных в лабораторных условиях термостатно-весовым методом. Предложенный метод позволяет с коэффициентом детерминации 0,435 и среднеквадратическим отклонением 2,4 % прогнозировать влажность почвы тестового участка, покрытого растительным покровом, относительно влажности почвы, измеренной контактным методом. Проведенное исследование создает научные основы новой всепогодной технологии мониторинга влажности агропочв как элемента системы точного земледелия.
Ключевые слова: радиолокация, влажность почв, нейронные сети, диэлектрическая проницаемость.
Финансирование: Грант РФФИ №19-29-05261 «Картографическое моделирование влагозапасов почвенного покрова на основе комплексной геофизической влагометрии для целей цифрового орошаемого земледелия».
Автор для переписки: Музалевский Константин Викторович, rsdkm@ksc.krasn.ru
Литература
1. Oh Y., Sarabandi K., Ulaby F.T. An empirical model and an inversion technique for radar scattering from bare soil surfaces. IEEE Transactions on Geoscience and Remote Sensing. 1992. V.30. №2. P.370-381.
2. Dubois P.C., van Zyl J., Engman T. Measuring soil moisture with imaging radars. IEEE Transactions on Geoscience and Remote Sensing. 1995. V.33. №4.
P.915-926.3. Fung A.K., Li Z.Q., Chen K.S. Backscattering from a randomly rough dielectric surface. IEEE Transactions on Geoscience and Remote Sensing. 1992. V.30. №2. P.356-369.
4. Choker M., Baghdadi N., Zribi M., El Hajj, et al. Evaluation of the Oh, Dubois and IEM Backscatter Models Using a Large Dataset of SAR Data and Experimental Soil Measurements. Water. 2017. V.9. №1. P.38.
5. Baghdadi N., Zribi M. Evaluation of radar backscatter models IEM, OH and Dubois using experimental observations. International Journal of Remote Sensing. 2006. V.27. №18. P.3831-3852.
6. Davidson M.W.J., Le Toan T., Mattia F., et al. On the characterization of agricultural soil roughness for radar remote sensing studies. IEEE Transactions on Geoscience and Remote Sensing. 2000. V.38. №2. P.630-640.
7. Baghdadi N., King C., Chanzy A., Wigneron J.P. An empirical calibration of the integral equation model based on SAR data, soil moisture and surface roughness measurement over bare soils. Int. Journal of Remote Sensing. 2002. V.23. №20. P.4325-4340.
8. Panciera R., Tanase M.A., Lowell K., Walker J.P. Evaluation of IEM, Dubois, and Oh Radar Backscatter Models Using Airborne L-Band SAR. IEEE Transactions on Geoscience and Remote Sensing. 2014. V.52. №8. P.4966-4979.
9. Ayehu G., Tadesse T., Gessesse B., Yigrem Y.M., Melesse A. Combined Use of Sentinel-1 SAR and Landsat Sensors Products for Residual Soil Moisture Retrieval over Agricultural Fields in the Upper Blue Nile Basin, Ethiopia. Sensors. 2020. V.20. №11. P.1-23.
10. Mirsoleimani H.R., Sahebi M.R., Baghdadi N., El Hajj M. Bare Soil Surface Moisture Retrievalfrom Sentinel-1 SAR Data Based on the Calibrated IEM and Dubois Models Using Neural Networks. Sensors. 2019. V.19. №14. P.1-12.
11. Hachani A., Ouessar M., Paloscia S., Santi E., Pettinato S. Soil moisture retrieval from Sentinel-1 acquisitions in an arid environment in Tunisia: application of Artificial Neural Networks techniques. International Journal of Remote Sensing. 2019. V.40. №24. P.1-22.
12. Li Y., Yan S., Chen N., Gong J. Performance Evaluation of a Neural Network Model and Two Empirical Models for Estimating Soil Moisture Based on Sentinel-1 SAR Data. Progress In Electromagnetics Research C. 2020. V.105. P.85-99.
13. Shutko A.M., Chukhlantsev A.A. Microwave radiation peculiarities of vegetative covers. IEEE Trans. Geosci. Remote Sensing. 1982. V.20. P.27-29.
14. Chukhlantsev A. A., Shutko A.M. Microwave attenuation spectra of forest crowns. XXXth URSI General Assembly and Scientific Symposium. Istanbul. 2011. P.1-3.
15. Jackson T.J., Schmugge T.J. Vegetation effects on the microwave emission of soils. Remote Sensing of Environment. 1991. V.36. №3. P.203-212.
16. Родионова Н.В., Кудряшова С.Я., Чумбаев А.С. Оценка некоторых параметров верхнего слоя почвы по радарным и оптическим данным спутников Sentinel 1/2 на примере Новосибирской области. Исследование Земли из Космоса. 2022. №1. C.68-79.
17. Bao Y., Lin L., Wu S., et al. Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model. International Journal of Applied Earth Observation and Geoinformation. 2018. V.72. P.76-85.
18. Park S.-E., et al. Theoretical Evaluation of Water Cloud Model Vegetation Parameters. Remote Sensing. 2019. V.11. №8. P.894.
19. Yadav V.P., Prasad R., Bala R., Vishwakarma A.K. Estimation of soil moisture through water cloud model using sentinel -1A SAR data. IEEE International Geoscience and Remote Sensing Symposium. 2019. P.6961-6964.
20. Bai X. et al. First Assessment of Sentinel-1A Data for Surface Soil Moisture Estimations Using a Coupled Water Cloud Model and Advanced Integral Equation Model over the Tibetan Plateau. Remote Sensing. 2017. V.9. №7. P.714.
21. Paloscia S., Pettinato S., Santi E., Notarnicola C., Pasolli L., Reppucci A. Soil moisture mapping using Sentinel-1 images: Algorithm and preliminary validation. Remote Sensing of Environment. 2013. V.134. P.234-248.
22. Nativel S., et al. Hybrid Methodology Using Sentinel-1/Sentinel-2 for Soil Moisture Estimation. Remote Sens. 2022. V.14. P.2434.
23. Reza A., et al. Synergetic Use of Sentinel-1 and Sentinel-2 Data for Soil Moisture Mapping at Plot Scale. Remote Sensing. 2018. V.10. №8. P.1285.
24. Mironov V.L., Bobrov P.P., Fomin S.V. Dielectric model of moist soils with varying clay content in the 0.04 to 26.5 GHz frequency range. International Siberian Conference on Control and Communications (SIBCON). 2013. P.1-4.
Для цитирования:
Зейлигер А.М., Музалевский К.В., Зинченко Е.В., Ермолаева О.С. Метод мониторинга влажности почвы, покрытой растительным покровом, с использованием нейронной сети, радарных и мультиспектральных оптических данных Sentinel-1,2. Журнал радиоэлектроники [электронный журнал]. 2023. №1. https://doi.org/10.30898/1684-1719.2023.1.8