本發(fā)明涉及環(huán)境保護技術(shù)領(lǐng)域，具體涉及一種基于作物信息遙感精確反演的非點源污染源強估算方法。
背景技術(shù)：
名詞解釋：
非點源污染指溶解性或固體物質(zhì)在大面積降雨和徑流沖刷作用下匯入受納水體(河流、湖泊等)而引起的水體污染，其主要來源包括農(nóng)藥化肥的過量使用、農(nóng)村生活污水等。
污染源是指造成環(huán)境污染的污染物發(fā)生源，通常指向環(huán)境中排放的有害物質(zhì)或?qū)Νh(huán)境產(chǎn)生的有害影響的場所、設(shè)備或人體。
污染源強主要用于計算污染物的總量。
農(nóng)業(yè)面源污染是最為重要且分布最廣泛的面源污染。全球30％～50％的地表已受到非點源污染的影響。非點源污染已成為江河湖泊，尤其是巢湖、太湖、滇池等湖泊水質(zhì)惡化的主要原因；非點源污染主要集中在水土流失嚴重的地區(qū)和農(nóng)業(yè)區(qū)，然而長期以來中國重點控制點源污染，側(cè)重城市環(huán)境管理，至今尚未把非點源污染納入水污染總量控制中去，導(dǎo)致中國非點源研究相對滯后。
非點源污染具有隨機性、時空差異性、潛伏性和滯后性等特點，其地理邊界和位置難以準確的識別和確定，加上涉及范圍廣、影響因素及作用過程復(fù)雜多樣，對它的形成機理尚不清楚。目前的非點源污染二元模型中，受限于長期連續(xù)同步監(jiān)測數(shù)據(jù)匱乏，常使用統(tǒng)計分析方法對模型各參數(shù)進行估算，造成非點源污染源強估算模型存在較大的精度與不確定性問題。
非點源污染模型的構(gòu)建必須與農(nóng)業(yè)生產(chǎn)活動聯(lián)系，考慮農(nóng)作物生長機理、耕作方式、施肥、灌溉、收割等，涉及農(nóng)業(yè)生產(chǎn)的方方面面。這也是非點源污染模型構(gòu)建的一大難點。傳統(tǒng)的抽樣或監(jiān)測手段在空間分布上和時間跨度上都有局限，缺乏動態(tài)性數(shù)據(jù)支持，導(dǎo)致污染累計過程不清。另外，不同作物其產(chǎn)生的非點源污染是不同的，目前作物類型區(qū)分不明確，常常用統(tǒng)一的標(biāo)準來估算污染源強，造成精確度不夠。對于大面積非點源污染源強估算，傳統(tǒng)的方法在進行農(nóng)田施肥量估算時，由于缺乏準確的物候信息，很難進行不同區(qū)域不同作物的施肥量估算，往往將整個作物的生長周期作為一個參數(shù)來計算，在存在多茬種植時容易造成很大的誤差。
綜上所述，目前國內(nèi)外非點源污染模型偏向應(yīng)用型，模型具有明顯的區(qū)域性，不利于推廣，由于受缺乏實測的詳盡的非點源污染負荷各環(huán)節(jié)監(jiān)測資料，模型存在的不確定性等的影響，模擬結(jié)果缺乏有效的驗證、缺乏可靠性。
技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供了一種基于作物信息遙感精確反演的非點源污染源強估算方法，利用高時間分辨率、高空間分辨率數(shù)據(jù)的融合數(shù)據(jù)對研究區(qū)內(nèi)非點源污染的時空分布進行反演估算，獲取作物的施肥節(jié)點和種植面積，進而估算出非點源污染源強。
為解決上述技術(shù)問題，本發(fā)明提供了一種基于作物信息遙感精確反演的非點源污染源強估算方法，其特征是，包括以下步驟：
步驟s1，獲取連續(xù)的同類型同一物候作物的高時間分辨率遙感圖像；
步驟s2，提取遙感圖像的evi時序數(shù)據(jù)，得到此作物的物候曲線；以獲取作物不同施肥節(jié)點不同施肥類型的施肥量；
步驟s3，將高空間分辨率和高時間分辨率的遙感數(shù)據(jù)進行estarfm時空融合，提取融合后遙感圖像的evi時序數(shù)據(jù)；
步驟s4，根據(jù)融合后的evi時序數(shù)據(jù)得到作物不同施肥節(jié)點的種植面積；
步驟s5，根據(jù)作物不同施肥節(jié)點的施肥量和種植面積，估算非點源污染源強。
進一步的，在步驟s4中，時間節(jié)點t是否種植此作物類型i判別模型為：
式中，tai為作物i的生長判定系數(shù)，evit為特征時間節(jié)點t的evi值，evit0為植被生長起始點t0的evi值，且t>t0；判定時，如果tai>a，則說明該目標(biāo)區(qū)域有作物類型i種植；
根據(jù)遙感圖像信息計算此作物的種植面積：
計算在施肥節(jié)點時刻作物的種植面積，需要先判斷在施肥節(jié)點時作物是否還有種植，因此，先根據(jù)判別模型計算
進一步，種植區(qū)的土地分為平耕地和坡耕地，平耕地或坡耕地的種植面積計算過程：
進一步的，依據(jù)估算模型計算出污染源強，模型公式如下：
平耕地污染源強估算模型：
坡耕地污染源強估算模型：
式中，qf為平耕地農(nóng)田產(chǎn)生的非點源污染物排放總量；qs為坡耕地農(nóng)田產(chǎn)生的非點源污染物排放總量；i為作物類型；n為總類型數(shù)；j為污染物指標(biāo)類型，m為類型數(shù)；k為施肥的時間節(jié)點，pi為施肥的時間節(jié)點數(shù)，aik為作物類型i在施肥節(jié)點k的種植面積，ωijk為作物類型i在施肥節(jié)點k施肥類型j的重量；εf為平耕地修正系數(shù)，εs為坡耕地修正系數(shù)。
進一步的，將農(nóng)田種植作物類型分為糧食、雜糧和蔬菜共三個類型。
進一步的，對遙感圖像進行s-g濾波。
進一步的，施肥類型包括氮、磷和氨氮3種類型。
與現(xiàn)有技術(shù)相比，本發(fā)明所達到的有益效果是：本發(fā)明充分考慮農(nóng)作物非點源污染負荷是隨著不同施肥的時間節(jié)點而累積的，通過遙感的技術(shù)方法從空間上準確的提取作物類型，通過作物物候特征和施肥節(jié)點，確定施肥量隨作物生長的累積過程，為非點源污染源強提供更為精確的估算值。
附圖說明
圖1是本發(fā)明方法的流程圖。
具體實施方式
下面結(jié)合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護范圍。
如圖1所示，本發(fā)明的一種基于作物信息遙感精確反演的非點源污染源強估算方法，包括以下步驟：
步驟s1，獲取連續(xù)的同類型同一物候作物的高時間分辨率遙感圖像；
基于多年的土地利用數(shù)據(jù)，將農(nóng)田種植分為糧食種植區(qū)、雜糧種植區(qū)和蔬菜種植區(qū)，相應(yīng)的，本發(fā)明中將作物類型主要分為糧食、雜糧和蔬菜共三個類型。
遙感圖像中包含多種類型作物，以遙感圖像中某一類型的作物圖像作為目標(biāo)區(qū)域，選擇同類型同一物候的作物在某時間段內(nèi)連續(xù)的高時間分辨率的遙感數(shù)據(jù)序列備用，確定像元全部為同類型同一物候的作物。在本發(fā)明中用變量i代表作物類型；n為總類型數(shù)(本發(fā)明中n為3)。此處先選擇作物類型i的高時間分辨率遙感圖像作為目標(biāo)區(qū)域。
已知從遙感圖像中提取的evi(增強植被指數(shù))能夠很好地反映高植被覆蓋區(qū)的植被生長狀況。
evi的計算公式為：
式中：g為放大系數(shù)，ρnir為近紅外波段地表反射率，ρred為紅波段地表反射率，ρblue為藍波段地表反射率，l為土壤背景調(diào)節(jié)系數(shù)，c1,c2為大氣修正紅光、藍光校正系數(shù)，本實施例中取l＝1,c1＝6,c2＝7.5,g＝2.5。
選擇高時間分辨率的遙感數(shù)據(jù)，由于傳感器，云層大氣等因素影響，不可避免的會產(chǎn)生一些噪聲，在evi數(shù)據(jù)使用前可進行濾波和重構(gòu)。s-g濾波器對這些噪聲有較好的去除作用，并且其重構(gòu)的時序數(shù)據(jù)能夠清晰描述序列的長期變化趨勢以及局部的突變信息，對植被指數(shù)時序數(shù)據(jù)的重構(gòu)有較好的適用性。利用s-g濾波算法，evi時序數(shù)據(jù)進行重構(gòu)。s-g濾波是1964年savitzky和golay提出的一種應(yīng)用最小二乘法確定加權(quán)系數(shù)進行移動窗口加權(quán)平均的濾波方法，移動窗口的大小對時序數(shù)據(jù)的重建效果起主要作用。
步驟s2，提取遙感圖像的evi時序數(shù)據(jù)，得到此作物的物候曲線；以獲取作物不同施肥節(jié)點不同施肥類型的施肥量。
濾波后的遙感圖像取出了噪聲，提取此遙感圖像的evi時序數(shù)據(jù)，可以獲得此作物的物候曲線，由物候曲線可以知道此作物播種、發(fā)芽、生長、成熟的全生長周期規(guī)律。
在作物的整個生長周期內(nèi)需要在不同的時間節(jié)點進行施肥，通常施用的肥料類型主要包括氮、磷和氨氮3種類型。并且在不同的時間節(jié)點，施肥的量與作物的生長規(guī)律和當(dāng)?shù)氐氖┓柿?xí)慣均有關(guān)。根據(jù)作物的生長規(guī)律和當(dāng)?shù)氐氖┓史绞?，確定不同施肥節(jié)點不同施肥類型的施肥量(重量)，此施肥節(jié)點是指根據(jù)作物的情況應(yīng)該進行施肥的時間節(jié)點，在本發(fā)明中用變量k代表作物施肥的時間節(jié)點，pi為施肥的時間節(jié)點總數(shù)。
步驟s3，將高空間分辨率和高時間分辨率的遙感數(shù)據(jù)進行estarfm時空融合，提取融合后遙感圖像的evi時序數(shù)據(jù)。
estarfm融合模型由starfm模型的基礎(chǔ)上發(fā)展而來的，其考慮到了模擬數(shù)據(jù)與基準數(shù)據(jù)之間的時間差異，并引入混合像元分解理論，一定程度上克服了starfm在地物類型復(fù)雜情況下適用性較差的缺點(gao，2006；zhu，2010)。estarfm(enhancedspatialandtemporaladaptivereflectancefusionmodel)，利用高空間分辨率和高時間分辨率的反射率數(shù)據(jù)在像元距離，光譜，獲取時間等信息的差異，模擬出modis數(shù)據(jù)對應(yīng)時相的landsat反射率數(shù)據(jù)，具體計算過程參見現(xiàn)有技術(shù)。
融合后的遙感數(shù)據(jù)具有高空間高時間分辨率的特征，landsat數(shù)據(jù)按時間順序放在一起組成一個數(shù)據(jù)集，即為evi時序數(shù)據(jù)(物候曲線)。
步驟s4，根據(jù)融合后的evi時序數(shù)據(jù)得到作物不同施肥節(jié)點的種植面積。
根據(jù)物候曲線的特征，取曲線上兩個具有不同特征的點，判別該區(qū)域內(nèi)是否有作物類型種植，此作物類型判別模型為：
式中，tai為作物i的生長判定系數(shù)，evit為特征時間節(jié)點t的evi值,evit0為植被生長起始點t0的evi值，且t>t0。判定時，如果tai>a，則說明該目標(biāo)區(qū)域有作物類型i種植，此a為設(shè)定值，可由不同作物的經(jīng)驗值確定。
已知遙感圖像的每個像素都具有面積的含義，基于獲取的各種植面積上種植的作物，根據(jù)某時間節(jié)點的遙感圖像信息計算此作物的種植面積：
估算污染源強時候?qū)τ谄礁睾推赂氐墓浪愎绞遣煌?，因此還需進一步判斷此種植區(qū)是屬于平耕地還是坡耕地。通過坡度數(shù)據(jù)(dem)數(shù)據(jù)得到坡度信息，判斷的具體過程如下：
如果耕地的坡度slope≤b(式中，slope為坡度，b為坡耕地設(shè)定的數(shù)值)，則判斷該地塊為平耕地，否則為坡耕地。
農(nóng)田污染源強主要考慮將農(nóng)田施用的肥料作為污染源，估算其污染物總量，因此需要計算在施肥節(jié)點時刻作物的種植面積，而在計算此值之前需要先判斷在施肥節(jié)點時作物是否還有種植。
因此，先根據(jù)判別模型計算
步驟s5，根據(jù)作物不同施肥節(jié)點的施肥量和種植面積，估算非點源污染源強。
估算待監(jiān)測區(qū)域的所有作為類型的污染物總量時，按照以上步驟計算出所有作物類型的施肥量和種植面積，在依據(jù)以下估算模型計算出污染源強，模型公式如下：
平耕地污染源強估算模型：
坡耕地污染源強估算模型：
式中，qf為平耕地農(nóng)田產(chǎn)生的非點源污染物排放總量；qs為坡耕地農(nóng)田產(chǎn)生的非點源污染物排放總量；i為作物類型；n為總類型數(shù)(本實施例中為3)；j為污染物指標(biāo)類型(或者稱為施用的肥料類型，也可簡稱為施肥類型)，主要包括氮、磷和氨氮3種類型，m為類型數(shù)；k為施肥的時間節(jié)點，pi為施肥的時間節(jié)點數(shù)，aik為作物類型i在施肥節(jié)點k的種植面積(在平耕地模型中指平耕地面積，在坡耕地模型中指坡耕地面積)，ωijk為作物類型i在施肥節(jié)點k施肥類型j的重量；εf為平耕地修正系數(shù)，土壤、化肥和降水量為其影響因子，此數(shù)值通常采用經(jīng)驗值，εs為坡耕地修正系數(shù)，坡度、土壤、化肥和降水量為其影響因子，此數(shù)值通常采用經(jīng)驗值。
本發(fā)明旨在充分考慮農(nóng)作物非點源污染負荷是隨著不同施肥的時間節(jié)點而累積的，通過遙感的技術(shù)方法從空間上準確的提取作物類型，通過作物物候特征和施肥節(jié)點，確定施肥隨作物生長的累積過程，為非點源污染負荷提供更為精確的估算值。
以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和變型，這些改進和變型也應(yīng)視為本發(fā)明的保護范圍。