Estimation Model of Equivalent Water Thickness in the Road Area

Yunkai GUO; Xiaojiong ZHANG; Min XU; Yuling LIU; Jia QIAN; Qiong ZHANG

doi:10.12082/dqxxkx.2020.190254

Journals >Journal of Geo-information Science >Volume 22 >Issue 2 >Page 308 > Article

Journal of Geo-information Science
Vol. 22, Issue 2, 308 (2020)

Estimation Model of Equivalent Water Thickness in the Road Area

Yunkai GUO^{1、1、2、2}, Xiaojiong ZHANG^{1、1、2、2、*}, Min XU^{1、1、2、2}, Yuling LIU^1、1, Jia QIAN^1、1, and Qiong ZHANG^1、1

Author Affiliations

¹School of Traffic and Transportation Engineering, Changsha University of Science & Technology, Changsha 410014, China

¹长沙理工大学交通运输工程学院,长沙 410014

²Institute of Surveying and Mapping Remote Sensing Application Technology, Changsha University of Science & Technology, Changsha 410076, China

²长沙理工大学测绘遥感应用技术研究所,长沙 410076

show less

DOI: 10.12082/dqxxkx.2020.190254 Cite this Article

Yunkai GUO, Xiaojiong ZHANG, Min XU, Yuling LIU, Jia QIAN, Qiong ZHANG. Estimation Model of Equivalent Water Thickness in the Road Area[J]. Journal of Geo-information Science, 2020, 22(2): 308 Copy Citation Text

show less

Fig. 1. Comparison of estimated EWT by three models

Download full size | View in the Article

Fig. 2. Fitting relationship between predicted and measured values of EWT

Download full size | View in the Article

输入参数	输入值
结构参数（N）	1.22
叶绿素含量（Cab）/（μg/cm²）	42.93
类胡萝卜素含量（Car）/（μg/cm²）	8
褐色素含量（Cbrown）/（μg/cm²）	0
干物质重量（Cm）/（μg/cm²）	0.02316
平均叶倾角（LAD）	30
叶面积指数（LAI）	4~6,步长：0.2
等效水厚度（EWT）	0.01~0.03,步长：0.001
热点参数（hspot）	0.15
太阳天顶角（θs）/°	23.9
观测天顶角（θv）/°	0
土壤反射率（rsoil）	0.2

Table 1. Input parameters of the PRO4SAIL model

水分指数	计算公式	公式编号	参考文献
新近红外肩部区域光谱比值指数（Spectral Ratio Index in theNIR Shoulder Region, NSRI）	$NSRI = \frac{ρ_{890}}{ρ_{780}}$	（1）	[15]
水分指数（Water Index, WI）	$WI = \frac{ρ_{900}}{ρ_{970}}$	（2）	[15]
归一化差值植被指数（Normalized difference vegetation index, NDVI）	$NDVI = \frac{(ρ_{860} - ρ_{680})}{(ρ_{860} + ρ_{680})}$	（3）	[15]
归一化差值红外指数（Normalized Difference Infrared Index, NDII）	$NDII = \frac{(ρ_{850} - ρ_{1650})}{(ρ_{850} + ρ_{1650})}$	（4）	[15]
Datt水分指数（DattWater Index, DWI）	$DWI = \frac{(ρ_{816} - ρ_{2218})}{(ρ_{816} + ρ_{2218})}$	（5）	[15]
简单水比指数（Simple Ratio Water Index, SRWI）	$SRWI = \frac{ρ_{860}}{ρ_{1240}}$	（6）	[15]、[20]
湿度胁迫指数（Moisture Stress Index, MSI）	$MSI = \frac{ρ_{1600}}{ρ_{819}}$	（7）	[15]、[19]
水比指数（Simple Ratio, SR）	$SR = \frac{ρ_{895}}{ρ_{675}}$	（8）	[15]
归一化差值水分指数（Normalized Difference Water Index, NDWI）	$NDWI = \frac{(ρ_{860} - ρ_{1240})}{(ρ_{860} + ρ_{1240})}$	（9）	[15]
归一化多波段干旱指数（NormalizedMulti-band Drought Index, NMDI）	$NMDI = \frac{ρ_{860} - (ρ_{1640} - ρ_{2130})}{ρ_{860} + (ρ_{1640} + ρ_{2130})}$	（10）	[15]
全球植被水分指数（Global Vegetation Moisture Index, GVWI）	$GVWI = \frac{(ρ_{820} + 0.1) - (ρ_{1600} - 0.02)}{(ρ_{820} + 0.1) + (ρ_{1600} + 0.02)}$	（11）	[18]
土壤调整植被指数（Soil Adjusted Vegetation Index, SAVI）	$SAVI = \frac{(ρ_{860} - ρ_{680}) \times (1 + L)}{(ρ_{860} + ρ_{860} + L)}, L = 0.5$	（12）	[18]

Table 2. Twelve different water indices

特征编号	植被指数	重要性	特征编号	植被指数	重要性
1	NDWI	0.2241	7	DWI	0.0678
2	NMDI	0.1932	8	MSI	0.0571
3	SRWI	0.1581	9	SAVI	0.0491
4	SR	0.0734	10	NSRI	0.0301
5	NDII	0.0723	11	NDVI	0.0033
6	WI	0.0711	12	GVWI	0.0003

Table 3. Importance analysis and ordination between the water indices and EWT

反演模型	建模样本		预测样本
反演模型	自变量	应变量	自变量	应变量
PLS	PRO4SAIL模拟NDWI、NMDI、SRWI、SR	PRO4SAIL模拟EWT	实测NDWI、NMDI、SRWI、SR	实测EWT
SVM	PRO4SAIL模拟NDWI、NMDI、SRWI、SR、NDII、WI、DWI、MSI、SAVI	PRO4SAIL模拟EWT	实测NDWI、NMDI、SRWI、SR、NDII、WI、DWI、MSI、SAVI	实测EWT
GA-SVM	PRO4SAIL模拟NDWI、NMDI、SRWI、SR	PRO4SAIL模拟EWT	实测NDWI、NMDI、SRWI、SR	实测EWT

Table 4. Descriptive statistics of the data samples for modeling and validation

Yunkai GUO, Xiaojiong ZHANG, Min XU, Yuling LIU, Jia QIAN, Qiong ZHANG. Estimation Model of Equivalent Water Thickness in the Road Area[J]. Journal of Geo-information Science, 2020, 22(2): 308

Download Citation

Tools

Save the article for my favorites

Paper Information