en
×

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。
参考文献 1
卓嘎, 陈涛, 周刊社, 等. 2009-2010年青藏高原土壤湿度的时空分布特征. 冰川冻土 , 2015, 37(3): 625~634.
参考文献 2
独文惠, 覃志豪, 黎业. 热红外遥感及其在农业旱情监测中的应用研究进展. 中国农业信息 , 2018, 30(2): 24~41.
参考文献 3
盛磊, 何亚娟, 吴全, 等. 河南省冬小麦产量遥感监测精度比较研究. 中国农业信息 , 2018, 30(2): 95~102.
参考文献 4
PearsonR L, MillerL D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie . Remote Sensing of Environment, VIII . 1972: 1355.
参考文献 5
Rouse JrJ W, HaasR H, SchellJ A, et al. Monitoring vegetation systems in the Great Plains with ERTS. 1974.
参考文献 6
MallickK, BhattacharyaB K, PatelN K. Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI. Agricultural and Forest Meteorology , 2009, 149(8): 1327~1342.
参考文献 7
郭瑞宁, 郭青霞, 冯雨豪, 等. 基于TVDI的土壤湿度时空分布及影响因子分析. 灌溉排水学报 , 2018, 37(4): 51~58.
参考文献 8
李海霞, 杨井, 陈亚宁, 等. 基于MODIS数据的新疆地区土壤湿度反演. 草业学报 , 2017, 26(6): 16~27.
参考文献 9
李亮亮, 依艳丽, 凌国鑫, 等. 地统计学在土壤空间变异研究中的应用. 土壤通报 , 2005(2): 265~268.
参考文献 10
FriedlM A, DavisF W, MichaelsenJ, et al. Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables: An analysis using a scene simulation model and data from FIFE. Remote Sensing of Environment , 1995, 54: 223~246.
参考文献 11
白照广. 高分一号卫星的技术特点. 中国航天 , 2013(8): 5~9.
参考文献 12
李哲, 王磊, 王林. 基于AMSR-E反演青藏高原夏季表层土壤湿度. 高原气象 , 2017, 36(1): 67~69.
参考文献 13
Yang.K. , QinJ. , ZhaoL. , et al. A Multi-Scale Soil Moisture and Freeze-Thaw Monitoring Network on the Third Pole, Bull. Am. Meteorol. Soc. , 2013, DOI: 10. 1175/BAMS-D-12-00203. 1.
参考文献 14
SowellJ. Desert ecology: an introduction to life in the arid southwest M. University of Utah Press , 2001.
参考文献 15
DidanK, HueteA, JacobsonA, et al. The MODIS Vegetation Index (MOD13) product series: specifications, performance and status. MODIS Vegetation Workshop II . 1994.
参考文献 16
任学敏, 朱雅, 王小立, 等. 花生冠层温度日变化及其与地表温度和光照度的关系. 西北农林科技大学学报(自然科学版) , 2015, 43(1): 77~84.
参考文献 17
赵梦启, 高满, 陈喜, 等. 不同覆被下的温度日变化特征及空间尺度效应——以贵州陈旗小流域为例. 长江流域资源与环境 , 2015, 24(S1): 115~122.
参考文献 18
张月, 王鸿斌, 韩兴. NDMI与TCW 在西藏低植被区土壤湿度监测中的比较. 土壤通报 , 2016, 47(3): 543~548.
参考文献 19
王仑, 虞敏, 戚一应, 等. 基于MODIS数据的祁连山南坡土壤水分反演研究. 青海师范大学学报(自然科学学版) , 2017(2): 84~90.
参考文献 20
夏虹, 武建军, 刘雅妮. 中国用遥感方法进行干旱监测的研究进展. 遥感信息 , 2005(1): 55~57.
参考文献 21
RijalS. , ZhangX. , JiaX. . 2013. Estimating Surface Soil Water Content in the Red River Valley of the North using Landsat 5 TM Data. Soil Science Society of America Journal (SSSAJ) , 77(4), 1133~1143. doi: 10. 2136/sssaj2012. 0295.
目录 contents

    摘要

    目的

    利用光学遥感数据获取的植被供水指数来反演西藏那曲地区的土壤湿度,结合高分辨率的遥感数据(GF-1)和中低分辨率的遥感数据(Landsat、MODIS)分别建立土壤湿度反演模型,通过比较不同空间尺度反演模型的精度和适用性,拓宽国产高分遥感数据在农牧业信息定量获取等方面的应用范围,为“天地网一体化”的现代农业信息获取和农情信息遥感监测提供理论基础。

    方法

    以西藏那曲地区为研究区,以代表高、中、低分辨率卫星数据的高分一号(GF-1)、Landsat-8及MODIS影像数据和土壤湿度实测数据为数据源,利用植被供水指数(Vegetation Supply Water Index,VSWI)构建土壤湿度反演模型,比较3种遥感影像在反演土壤湿度方面的差异。

    结果

    (1)VSWI反演土壤湿度的最佳深度为10 cm左右;(2)基于GF-1、Landsat-8和MODIS构建的反演模型得到的土壤湿度预测值与实测值的均方根误差分别为5.145、5.227和6.298,可见GF-1和Landsat-8的反演效果相当,均优于MODIS的反演效果;GF-1土壤反演模型的拟合效果最佳;(3)研究区土壤湿度在空间上呈东南向西北递减的趋势,与实地采样点的土壤湿度分布趋势一致,说明利用高分辨率遥感数据监测土壤湿度是可行的。

    结论

    利用GF-1遥感数据和植被供水指数可以实现对藏北地区的土壤湿度反演,研究结果可以为干旱或者半干旱地区大范围的土壤墒情监测提供理论依据和实践参考。

    Abstract

    Purpose

    In this paper,the VSWI (Vegetation Supply Water Index) is obtained from different sources of optical remote sensing images and is used to invert soil moisture. Moreover,the accuracy is compared among different data sources,in order to assess their applicability and to provide implications for both theory and application development in agricultural remote sensing.

    Methods

    By using GF-1,Landsat-8 and MODIS as the data sources representing of satellite data with high,medium and low resolution,we choose Naqu County in Tibet as the study area,three soil moisture inversion models were built based on VSWI to compare different remote sensor’s ability on soil moisture inversion and analyze the uncertainty of the models.

    Result

    The results showed as follows:firstly,the optimal depth of the inversion model for soil moisture based on VSWI is 10 cm. Secondly,the model based on GF-1 data performs better than the other models in the soil moisture inversion. The root mean square errors between the field-surveyed soil moisture and the satellite-derived soil moisture are 5.145,5.227 and 6.298 for the GF-1,Landsat-8 and MODIS respectively. GF-1 and landsat-8 data have shown a similar inversion effect,which are both better than MODIS. It indicates that medium and high resolution remote sensing data has the advantages in soil moisture inversion. According to the results of inversion,the soil moisture in the study area is declining from southeast to northwest,which is consistent with the in-situ soil moisture monitoring results.

    Conclusion

    This research indicates that VSWI is an ideal indicator for estimating soil moisture and is able to provide theoretical basis and practical reference for future works,such as the larger scale inversion of soil moisture in the northern Tibet region.

  • 0 引言

    0

    土壤湿度又称土壤含水量,是水文、气候、生物、生态过程、环境、农业等领域的重要参数,作为陆地和大气相互作用过程中的关键变量,在地表—大气间的水分和能量交换中起到调控和支配作1,它的时空分布及演变特征对于掌握地表的热量平衡、水分蒸散、农业墒情等信息十分重要。传统的土壤湿度测量技术能够精确地提供单点的土壤湿度,但区域代表性有限,不能满足大范围土壤湿度动态监测的需求。遥感技术的出现弥补了这一缺2,3,通过光学遥感影像获取的植被指数可以指示植被的生长状态,进而表征土壤湿度对植被生长的影响。如1972年Pearson4人为了估算和监测植被覆盖,最早提出了比值植被指数(Ratio Vegetation Index,RVI),RVI虽然强化了植被在近红外和红外波段反射率的差异,但在实际应用中存在对低植被覆盖区分辨能力弱的缺点;Rouse等5在RVI的基础上,进行非线性归一化处理后提出了归一化植被指数(Normalized Difference Vegetation Index,NDVI),NDVI对植被响应能力较强,是目前应用最广的植被指数。近年来也有众多学者利用植被指数来反演土壤湿度,例如Mallick等6利用地表温度和NDVI估算耕地的地表湿度;郭瑞宁7利用温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI)对岔口流域的土壤湿度时空分布进行研究;李海霞等8基于MOIDS数据,利用植被指数和地表温度(Surface Temperature,Ts)构建特征空间来分析新疆地区的土壤干湿状况。但是,大多数研究都没有考虑尺度效应对土壤湿度反演的影响。李亮亮等9发现随着采样尺度的增大,土壤水分的空间变异性也增大;Friedl等10的研究表明不同像元尺度下获取的植被指数对于土壤湿度的反演效果存在差异,因此要实现准确的土壤墒情遥感监测,高分辨率的遥感数据成为首要选择。

    高分一号(GF-1)遥感卫星作为中国高分辨率对地观测系统国家科技重大专项的首发星,在农业监测与评估应用方面具有独特的优势,因其较高的空间分辨率和较大的成像幅宽可以满足大范围的土壤湿度监测需11。本文基于植被指数对土壤湿度的响应特征,利用光学遥感数据中获取的植被供水指数(Vegetation Supply Water Index,VSWI)反演西藏那曲地区土壤湿度,结合高分辨率的遥感数据(GF-1)和中低分辨率的遥感数据(Landsat、MODIS)分别建立土壤湿度反演模型,通过比较不同空间尺度反演模型的精度和适用性,拓宽国产高分遥感数据在农牧业信息定量获取方面的应用范围,为“天地网一体化”的现代农业信息获取和农情信息遥感监测提供理论基础。

  • 1 研究区概况与研究方法

    1
  • 1.1 研究区概况

    1.1

    本研究试验区位于西藏自治区北部的青藏高原腹地,地处唐古拉山脉、念青唐古拉山脉和冈底斯山脉之间,位于羌塘高原的东端(图1)。该地区属典型高原亚寒带半干旱季风气候,平均海拔在4 750 m以上,属高原丘陵地形。年平均气温为-2.2℃,年降水量在400 mm以上,年日照时数为2 886 h以上。5—10月为夏季,冬季降雨稀少,并存在一定厚度的冻土层。土壤质地主要为淤泥(体积约占50%)和沙土(体积约占46%),表层土壤的有机碳含量较高,但随土层深度的增加有机碳含量逐渐降低。高山草甸是该区域的主要植被类型,作为中国重要的畜牧业生产基地,掌握该区域的土壤湿度变化对于农牧估产具有重要意义。

    考虑到研究区内存在冻土,4月下旬至10月中旬,高寒生态系统土壤活动层处于完全解冻状12,为了减少地表冻土对土壤湿度反演的影响,选择夏季6月天然牧草生长期进行土壤湿度反演研究。

    图1
                            研究区位置

    图1 研究区位置

    Fig.1 Location of study area

  • 1.2 数据采集与处理

    1.2

    本文采用GF-1 WFV(Wide Field View,WFV)、Landsat-8和MODIS的遥感影像数据,以成像时间接近和云量少为原则,获取研究区夏季的GF-1、Landsat-8和MODIS 3景影像,成像日期分别为2014年6月6日、6月10日和6月18日。GF-1数据为中国资源卫星应用中心提供的WFV1多光谱数据产品,空间分辨率为16 m;Landsat-8数据为地理空间数据云下载的30 m空间分辨率的L1T级地形校正产品;MODIS数据采用由NASA官方网站提供的MODIS09A1 500 m空间分辨率8 d地表反射率合成产品。

    土壤湿度实测数据来自青藏高原科学数据中心的青藏高原中部土壤湿度多尺度观测网数据集网站(http://www.tpedatabase.cn/portal/index.jsp)。通过安装在ECH2O土壤含水量监测系统上的5TM,EC-TM电容探针,获得0~5 cm、10 cm、20 cm和40 cm四个观测深度的土壤温度、湿度数据,测量精度分别为±1℃和±3%VWC(Volumetric Water Content,VWC)。该数据集包含57个观测站30 min分辨率和每日分辨率的2010—2014年大、中、小3个观测网络的土壤湿度和温度数据。数据集包含3个典型空间尺度,分别对应GCM网络(1°)、被动版微波卫星像元(0.3°)以及雷达卫星像元(0.1°13。本研究采用2014年6月30 min分辨率的土壤湿度、温度数据,选取与遥感影像成像日期接近的数据源,除去因冰雪覆盖、设备故障导致的无效样点。GF-1、Landsat-8和MODIS影像成像日期中有效样点数分别为45、49和49,其中各预留10个监测站点作为检验样本点,对土壤湿度反演模型进行验证,其余样点作为建模样本点,用于构建土壤湿度反演模型,样点分布如图2

    对影像数据进行坐标系转换、几何精校正、辐射定标、大气校正、影像裁剪等预处理操作,各遥感影像的坐标系统一为WGS-84地理坐标系。

    图2
                            研究区样点分布

    图2 研究区样点分布

    Fig.2 Sample point distribution in the study area

  • 1.3 研究方法

    1.3

    VSWI由Carlson提出,它有效结合植被冠层温度Ts和归一化植被指数NDVI 2种土壤湿度监测指标,综合考虑作物缺水时红外-近红外以及热红外波段的响应,能够有效反映土壤的湿度状况,VSWI和NDVI的计算公式如下:

    VSWI=NDVI/Ts (1)

    NDVI=(Rnir-Rred)/(Rnir+Rred) (2)

    式中,Rnir代表近红外波段,Rred代表红光波段,NDVI适合在低植被覆盖地区表征植被的生长状14,15,Ts代表的是植被冠层温度,可近似看为地表温16,17。作物供水正常时,蒸腾作用旺盛,作物冠层温度保持稳定;当供水不足时,作物因为水分胁迫关闭部分气孔,导致冠层温度升高。通过VSWI的计算公式可以推导出,VSWI和土壤湿度存在明显的正相关关系。

    本文研究是根据遥感影像计算并提取出各样点处的NDVI值,基于植被冠层温度可近似看作地表温度的假设,通过反演的地表温度Ts计算得到植被供水指数VSWI,将VSWI和对应的土壤实测湿度值采用线性公式拟合计算,建立土壤湿度反演模型:

    S=a×VSWI+b (3)

    式中,S为土壤湿度监测站点实测的土壤湿度,a、b为线性公式拟合系数。

  • 2 土壤湿度反演的最适深度分析

    2

    在构建土壤湿度反演模型之前,首先探讨VSWI指数对土壤湿度反演的最优深度,对实测的不同深度土壤湿度数据与通过遥感数据获得的VSWI指数做相关性分析,选用Landsat-8的遥感数据作为遥感数据源的代表。利用ENVI软件提取遥感影像上每一个样本点像元处的NDVI值,将NDVI值与实测的Ts值代入VSWI的计算公式得出每一个样点处的VSWI值,将不同深度的土壤实测湿度与样本点的VSWI值分别进行线性拟合,不同土壤深度湿度值与VSWI的拟合效果如表1

    表1 Landsat-8不同深度的土壤湿度与VSWI模型的线性关系

    Table1 Linear relationship of Landsat-8 between soil moisture at different depths and VSWI model

    土壤深度(cm)样本数(N)线性回归方程R2PRMSE(%)
    554Y=3.860 3x+0.1490.357 1<0.010.064
    1049Y=3.184 1x+0.1020.455 4<0.010.054
    2050Y=1.629 3x+0.113 70.380 3<0.010.046
    4048Y=0.378 9x+0.169 20.028 80.2490.066
    表1
                    Landsat-8不同深度的土壤湿度与VSWI模型的线性关系

    由表1可知,各土壤深度与VSWI线性回归效果由好到差依次为10 cm,20 cm,5 cm,40 cm,除40 cm土壤深度样本与VSWI没有表现出任何相关性外,其余3个深度样本与VSWI模型具有较好的正相关关系,并且均通过了显著性检验(P<0.01),说明利用植被供水指数法进行土壤湿度反演的有效深度可以达到20 cm,但随着土壤深度的增加,VSWI对土壤湿度的响应减弱,反演精度明显降低。

    在0~20 cm深度范围内,相较于5 cm和20 cm,10 cm深度的土壤湿度与VSWI的决定系数最高,即拟合效果最佳。VSWI与土壤湿度的相关关系没有随深度增加而降低,反而在10 cm达到最大,原因可能是虽然研究中利用的遥感影像与土壤湿度实测值的获取时间基本同步,但0~5 cm深度的表层土壤湿度极易受到地面风速、灌溉方式等外在因素的影响,表现出较大的不稳定性,同时其变化具有瞬时性,导致遥感影像难以获得土壤湿度的瞬时特18。而当土壤深度处于10 cm左右时,土壤湿度的变化较为稳定,受外界的干扰较小,其湿度状况与遥感影像获取的光谱特征较为一致,因此VSWI与土壤湿度的相关性也较高。此外,20 cm的土壤湿度与VSWI的相关性没有随土壤深度的增加而明显降低也表明了VSWI对土壤深度的变化并不敏感,在一定深度范围内其反演精度不会随土壤深度的增加而降低。

    综上所述,本文利用研究区10 cm深度的土壤湿度数据与通过不同遥感数据源获取的VSWI构建土壤湿度反演模型,以比较不同遥感数据在研究区土壤湿度反演中的精度和适用性。

  • 3 土壤湿度反演模型的建立与检验

    3
  • 3.1 土壤湿度反演模型的构建

    3.1

    借助ENVI工具,分别对3种遥感数据进行处理,利用前述方法计算出每个建模样本点处的VSWI值,与建模样本点实测得到的10 cm土壤湿度数据在SPSS上进行相关性分析,并进行线性拟合构建土壤湿度反演模型,GF-1、Landsat-8和MODIS模型的建模样点数分别为35、39和39。结果显示,各数据源得到的VSWI与10 cm深度的土壤湿度均呈良好的正相关关系,即VSWI值越大,土壤湿度越高。各模型的决定系数均在0.44以上,并通过显著性检验(P<0.01),说明基于3种遥感数据构建的土壤湿度反演模型在一定程度上都能够较好地反映土壤湿度的实际状况。其中,基于GF-1构建的反演模型决定系数最高(0.570 2)且标准误差最小(0.048),说明该模型具有较高的稳定性和预测能力,建模效果最好,体现了VSWI与高分辨率影像结合的优势。而Landsat-8模型的决定系数为0.509 3,标准误差为0.053,拟合效果次之;MODIS模型的决定系数和标准误差分别为0.441 6、0.058,拟合效果一般。各反演模型的拟合效果如图3所示。

    图3
                            基于不同遥感数据的VSWI与土壤湿度线性拟合模型

    图3 基于不同遥感数据的VSWI与土壤湿度线性拟合模型

    Fig.3 Linear fitting of VSWI and soil moisture based on different remote sensing data sources

  • 3.2 反演模型精度验证与评价

    3.2

    基于预处理后的3幅遥感影像,利用前面建立的3种土壤湿度指数反演模型,经反演分别获取10个验证样本点的植被供水指数及其所对应的土壤湿度值,将反演值与对应验证样点的实测土壤湿度值进行对比分析,计算各模型的相关系数R、均方根误差RMSE和平均绝对误差MAE,验证和定量评价3种模型的精度,检验结果见表2

    表2 VSWI模型反演结果误差检验

    Table2 Error test of inversion result based on VSWI model

    数据源RRMSE(%)MAE(%)
    GF-10.730 25.1453.855
    Landsat-80.556 65.2273.869
    MODIS0.538 96.2985.504
    表2
                    VSWI模型反演结果误差检验

    结果表明,根据GF-1、Landsat-8和MODIS构建的反演模型得到的土壤湿度值与实测值的相关系数分别为0.730 2、0.556 6和0.538 9,均有较好的正相关关系。其中GF-1模型的相关性更为突出,说明利用该模型反演得到的湿度值更接近土壤湿度的真实水平。均方根误差(RMSE)是衡量预测值与真实值之间的偏差,RMSE越大,说明预测值与真实值的偏离程度越大,模型的精度越低。平均绝对误差(MAE)反映预测值误差的实际情况,MAE越小,模型的预测结果越准确。总体来说,3个反演模型的RMSE和MAE远低于10%,模型的反演精度较高,具有一定的可靠性。相较MODIS模型而言,GF-1和Landsat-8模型的RMSE和MAE数值接近,且误差值较低,反演效果更好。

  • 4 研究区土壤湿度反演结果分析

    4

    以经过预处理的GF-1、Landsat-8、MODIS遥感影像为基础,利用ENVI工具分别计算3幅遥感影像每个像元处的VSWI值,并根据前述构建的3种土壤湿度反演模型计算每个像元的土壤湿度,得到研究区土壤湿度反演结果分布图(图4)。因为Landsat-8的热红外波段分辨率较高,因此研究区的地表温度Ts根据Landsat-8的热红外波段通过辐射传输方程法反演得到,辐射传输方程需要用到的气压、温度、相对湿度等大气参数,通过中国气象数据网(http://data.cma.cn/)查询得到。

    土壤湿度反演分布图可直观展示研究区土壤湿度的空间分布情况,像元颜色由红色至蓝色表示土壤湿度值逐渐增加,研究区土壤湿度集中分布在10%~35%之间,与监测站点实测的土壤湿度范围大致相同。根据站点实测湿度数据,GF-1、Landsat-8和MODIS 3

    /html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F004.jpg
    /html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F005.jpg
    /html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F006.jpg

    图4 研究区土壤湿度反演分布

    Fig.4 Distribution of soil moisture inversion results in the study area

    幅遥感影像成像日期对应的10 cm深度的土壤湿度均值分别为20.2%、22.5%和18.9%,由土壤湿度反演分布图可见,MODIS反演图中占比较大的为红色和黄色像元,GF-1反演图中是黄色和绿色像元,Landsat-8反演结果图中是绿色和蓝色像元,说明MODIS、GF-1、Landsat-8遥感影像反演的土壤湿度水平依次增大,与实测数据结果相符。

    基于GF-1、Landsat-8和MODIS遥感影像通过VSWI反演得到的土壤湿度在空间分布上整体均呈现由东南部向西北部递减的趋势,即东部和南部地区较为湿润,西部和北部地区较为干旱。东部和南部地区的像元颜色以蓝色、绿色为主,这可能是因为研究区的东南部为高海拔山区,海拔高的地方有雨水补给,土壤湿度相对较19,而研究区的中部地区和西部地区像元颜色主要为红色和黄色,可能是因为中部和西部地区分别为那曲县城城区和裸土区,植被稀少,因此土壤湿度较低。反演结果的土壤湿度空间分布特征与实际情况相符合,说明利用VSWI反演研究区的土壤湿度具有一定可靠性,反演效果较好。

    GF-1、Landsat-8和MODIS分别代表高、中、低3种不同分辨率的遥感影像,空间分辨率分别为16 m、30 m和500 m,分辨率的不同导致了反演效果的差异。基于MODIS影像反演得到的土壤湿度呈现集中、连片的分布特点,像元间的湿度差异不明显,说明较低分辨率的MODIS影像在500 m像元尺度上对地表信息进行了综合概括,难以突出土壤湿度的细节信息。而基于GF-1和Landsat-8影像得到的土壤湿度反演分布图中,相邻像元的颜色差异较大,能够较好地反映研究区土壤湿度的空间异质性,体现了中高分辨率遥感影像在土壤湿度反演中的优势。

    结合遥感影像和那曲地区的土地利用类型图可知,在植被覆盖度不同的区域,3种传感器的误差表现形式不同,在低植被覆盖度地区,Landsat-8和MODIS模型土壤湿度反演结果差异较大,而在高植被覆盖度地区,GF-1模型的土壤湿度反演结果差异较大。出现该差异的原因可能是,在低植被覆盖区,由于Landsat-8和MODIS的空间分辨率较低,像元中包含了大量混合像元信息,而Landsat-8热红外波段的空间分辨率仅为100 m,未能对植物冠层温度与裸露地表温度做到有效分20,导致反演的植被冠层温度偏低,VSWI数值偏大,反演精度下降;而在高植被覆盖区,由于NDVI进行非线性变换过程中增强了低值部分而抑制了高值部分,导致NDVI数值容易饱和,对高植被覆盖区的敏感性降低。GF-1空间分辨率高的特点凸显了土壤湿度反演中NDVI饱和的现象。

    综上,VSWI更适用于中等植被覆盖区的土壤湿度反演,在植被覆盖度偏高和偏低的区域,分别容易出现NDVI高端饱和以及冠层温度反演结果偏低的现象,在一定程度上会造成VSWI模型的反演偏差。

  • 5 结论与讨论

    5
  • 5.1 结论

    5.1

    (1)本文利用Landsat-8的遥感数据,首先探讨了植被供水指数的最佳反演深度,研究结果表明,在0~20 cm的土壤深度范围内,VSWI与土壤湿度有明显的相关性,VSWI进行土壤湿度反演的最佳深度为10 cm;表明光学遥感技术在反演深度上与微波遥感技术相比有较明显的优势,更适合作为大范围、多层次的土壤湿度遥感监测手段。

    (2)在上述结论的基础上,基于GF-1、Landsat-8和MODIS遥感影像构建土壤湿度反演模型,其中GF-1反演模型的拟合优度最高,建模效果最好。从反演效果看,GF-1和Landsat-8影像构建的反演模型精度较高,对土壤湿度的预测能力相近,反演得到的土壤湿度分布图中均较好地体现了土壤湿度的空间分异特征,总体上比MODIS数据更有优势。

  • 5.2 讨论

    5.2

    地面土壤湿度测量采用的是单点采样,而卫星数据的像元尺度即使是最小的GF-1号数据也为16 m,两者存在空间尺度上的差别,一定程度上会影响反演模型的精度。这是因为土壤水分存在空间变异性,受地形地貌、植被覆盖、气候等各种因素影响,像元尺度内一个土壤湿度样点难以代表整个像元的土壤湿度水平,因此后续研究需要在实地土壤采样上考虑土壤水分的空间变异性和卫星的像元尺度,以获得更为准确的实测数据,提高反演模型的精度。

    土壤在湿度超过0.45 cm3/cm3时水分达到饱和,此时水分对红光和近红外波段的吸收无法再继续影响土壤的光谱特征,导致土壤的反射率上升,而当土壤湿度低于0.15 cm3/cm3时,卫星传感器对于土壤水分变化的敏感性也降低,土壤反射率基本维持不21,因此通过植被供水指数来反演土壤湿度将会有一个应用范围,反演的土壤水分处于0.15~0.45 cm3/cm3时精度较高。

    通过植被供水指数来反演土壤湿度有一定滞后性,后续研究应将遥感成像日期与实测土壤湿度日期之间存在的时间差考虑进来,进一步提高反演的时效性;研究区的地貌地形差异和植被覆盖度的不同也会对土壤湿度反演的精确度造成影响,后续研究中,需要进一步根据不同的研究区属性划分反演分区,选择不同的植被指数,构建适合不同分区的反演模型,提高遥感反演监测土壤墒情的精确性和适用性。

  • 参考文献

    • 1

      卓嘎, 陈涛, 周刊社, 等. 2009-2010年青藏高原土壤湿度的时空分布特征. 冰川冻土 , 2015, 37(3): 625~634.

    • 2

      独文惠, 覃志豪, 黎业. 热红外遥感及其在农业旱情监测中的应用研究进展. 中国农业信息 , 2018, 30(2): 24~41.

    • 3

      盛磊, 何亚娟, 吴全, 等. 河南省冬小麦产量遥感监测精度比较研究. 中国农业信息 , 2018, 30(2): 95~102.

    • 4

      Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie . Remote Sensing of Environment, VIII . 1972: 1355.

    • 5

      Rouse Jr J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS. 1974.

    • 6

      Mallick K, Bhattacharya B K, Patel N K. Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI. Agricultural and Forest Meteorology , 2009, 149(8): 1327~1342.

    • 7

      郭瑞宁, 郭青霞, 冯雨豪, 等. 基于TVDI的土壤湿度时空分布及影响因子分析. 灌溉排水学报 , 2018, 37(4): 51~58.

    • 8

      李海霞, 杨井, 陈亚宁, 等. 基于MODIS数据的新疆地区土壤湿度反演. 草业学报 , 2017, 26(6): 16~27.

    • 9

      李亮亮, 依艳丽, 凌国鑫, 等. 地统计学在土壤空间变异研究中的应用. 土壤通报 , 2005(2): 265~268.

    • 10

      Friedl M A, Davis F W, Michaelsen J, et al. Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables: An analysis using a scene simulation model and data from FIFE. Remote Sensing of Environment , 1995, 54: 223~246.

    • 11

      白照广. 高分一号卫星的技术特点. 中国航天 , 2013(8): 5~9.

    • 12

      李哲, 王磊, 王林. 基于AMSR-E反演青藏高原夏季表层土壤湿度. 高原气象 , 2017, 36(1): 67~69.

    • 13

      Yang. K. , J. Qin , L. Zhao , et al. A Multi-Scale Soil Moisture and Freeze-Thaw Monitoring Network on the Third Pole, Bull. Am. Meteorol. Soc. , 2013, DOI: 10. 1175/BAMS-D-12-00203. 1.

    • 14

      Sowell J. Desert ecology: an introduction to life in the arid southwest M. University of Utah Press , 2001.

    • 15

      Didan K, Huete A, Jacobson A, et al. The MODIS Vegetation Index (MOD13) product series: specifications, performance and status. MODIS Vegetation Workshop II . 1994.

    • 16

      任学敏, 朱雅, 王小立, 等. 花生冠层温度日变化及其与地表温度和光照度的关系. 西北农林科技大学学报(自然科学版) , 2015, 43(1): 77~84.

    • 17

      赵梦启, 高满, 陈喜, 等. 不同覆被下的温度日变化特征及空间尺度效应——以贵州陈旗小流域为例. 长江流域资源与环境 , 2015, 24(S1): 115~122.

    • 18

      张月, 王鸿斌, 韩兴. NDMI与TCW 在西藏低植被区土壤湿度监测中的比较. 土壤通报 , 2016, 47(3): 543~548.

    • 19

      王仑, 虞敏, 戚一应, 等. 基于MODIS数据的祁连山南坡土壤水分反演研究. 青海师范大学学报(自然科学学版) , 2017(2): 84~90.

    • 20

      夏虹, 武建军, 刘雅妮. 中国用遥感方法进行干旱监测的研究进展. 遥感信息 , 2005(1): 55~57.

    • 21

      Rijal S. , X. Zhang , X. Jia . 2013. Estimating Surface Soil Water Content in the Red River Valley of the North using Landsat 5 TM Data. Soil Science Society of America Journal (SSSAJ) , 77(4), 1133~1143. doi: 10. 2136/sssaj2012. 0295.

周逍峰

机 构:华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉430079

Affiliation:Hubei Provincial Key Laboratory for Geographical Process Analysis and Simulation,Central China Normal University,Wuhan 430062,China

角 色:第一作者

Role:First author

邮 箱:zhouxf@mails.ccnu.edu.cn

第一作者简介:周逍峰(1995—),男,汉族,硕士研究生。研究方向:土壤遥感反演。Email:zhouxf@mails.ccnu.edu.cn

聂艳

机 构:华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉430079

Affiliation:Hubei Provincial Key Laboratory for Geographical Process Analysis and Simulation,Central China Normal University,Wuhan 430062,China

刘秀芸

机 构:华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉430079

Affiliation:Hubei Provincial Key Laboratory for Geographical Process Analysis and Simulation,Central China Normal University,Wuhan 430062,China

梁美盈

机 构:华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉430079

Affiliation:Hubei Provincial Key Laboratory for Geographical Process Analysis and Simulation,Central China Normal University,Wuhan 430062,China

谭盈

机 构:华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉430079

Affiliation:Hubei Provincial Key Laboratory for Geographical Process Analysis and Simulation,Central China Normal University,Wuhan 430062,China

于婧

机 构:湖北大学资源环境学院,武汉430062

Affiliation:College of Resources and Environment,Hubei University,Wuhan 430062,China

角 色:通讯作者

Role:Corresponding author

邮 箱:yjing@hubu.edu.cn

作者简介:于婧(1982—),女,汉族,博士,教授,硕士生导师。研究方向:资源评价与规划、土壤地理。Email:yjing@hubu.edu.cn

/html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F001.jpg
/html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F002.jpg
土壤深度(cm)样本数(N)线性回归方程R2PRMSE(%)
554Y=3.860 3x+0.1490.357 1<0.010.064
1049Y=3.184 1x+0.1020.455 4<0.010.054
2050Y=1.629 3x+0.113 70.380 3<0.010.046
4048Y=0.378 9x+0.169 20.028 80.2490.066
/html/zgnyxx/20180408/media/81447e3c-a0e2-4c83-82b8-b5139c47921c-image003.png
数据源RRMSE(%)MAE(%)
GF-10.730 25.1453.855
Landsat-80.556 65.2273.869
MODIS0.538 96.2985.504
/html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F004.jpg
/html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F005.jpg
/html/zgnyxx/20180408/alternativeImage/81447e3c-a0e2-4c83-82b8-b5139c47921c-F006.jpg

图1 研究区位置

Fig.1 Location of study area

图2 研究区样点分布

Fig.2 Sample point distribution in the study area

表1 Landsat-8不同深度的土壤湿度与VSWI模型的线性关系

Table1 Linear relationship of Landsat-8 between soil moisture at different depths and VSWI model

图3 基于不同遥感数据的VSWI与土壤湿度线性拟合模型

Fig.3 Linear fitting of VSWI and soil moisture based on different remote sensing data sources

表2 VSWI模型反演结果误差检验

Table2 Error test of inversion result based on VSWI model

图4 研究区土壤湿度反演分布

Fig.4 Distribution of soil moisture inversion results in the study area

图4 研究区土壤湿度反演分布

Fig.4 Distribution of soil moisture inversion results in the study area

图4 研究区土壤湿度反演分布

Fig.4 Distribution of soil moisture inversion results in the study area

image /

无注解

无注解

无注解

无注解

无注解

无注解

无注解

无注解

  • 参考文献

    • 1

      卓嘎, 陈涛, 周刊社, 等. 2009-2010年青藏高原土壤湿度的时空分布特征. 冰川冻土 , 2015, 37(3): 625~634.

    • 2

      独文惠, 覃志豪, 黎业. 热红外遥感及其在农业旱情监测中的应用研究进展. 中国农业信息 , 2018, 30(2): 24~41.

    • 3

      盛磊, 何亚娟, 吴全, 等. 河南省冬小麦产量遥感监测精度比较研究. 中国农业信息 , 2018, 30(2): 95~102.

    • 4

      Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie . Remote Sensing of Environment, VIII . 1972: 1355.

    • 5

      Rouse Jr J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS. 1974.

    • 6

      Mallick K, Bhattacharya B K, Patel N K. Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI. Agricultural and Forest Meteorology , 2009, 149(8): 1327~1342.

    • 7

      郭瑞宁, 郭青霞, 冯雨豪, 等. 基于TVDI的土壤湿度时空分布及影响因子分析. 灌溉排水学报 , 2018, 37(4): 51~58.

    • 8

      李海霞, 杨井, 陈亚宁, 等. 基于MODIS数据的新疆地区土壤湿度反演. 草业学报 , 2017, 26(6): 16~27.

    • 9

      李亮亮, 依艳丽, 凌国鑫, 等. 地统计学在土壤空间变异研究中的应用. 土壤通报 , 2005(2): 265~268.

    • 10

      Friedl M A, Davis F W, Michaelsen J, et al. Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables: An analysis using a scene simulation model and data from FIFE. Remote Sensing of Environment , 1995, 54: 223~246.

    • 11

      白照广. 高分一号卫星的技术特点. 中国航天 , 2013(8): 5~9.

    • 12

      李哲, 王磊, 王林. 基于AMSR-E反演青藏高原夏季表层土壤湿度. 高原气象 , 2017, 36(1): 67~69.

    • 13

      Yang. K. , J. Qin , L. Zhao , et al. A Multi-Scale Soil Moisture and Freeze-Thaw Monitoring Network on the Third Pole, Bull. Am. Meteorol. Soc. , 2013, DOI: 10. 1175/BAMS-D-12-00203. 1.

    • 14

      Sowell J. Desert ecology: an introduction to life in the arid southwest M. University of Utah Press , 2001.

    • 15

      Didan K, Huete A, Jacobson A, et al. The MODIS Vegetation Index (MOD13) product series: specifications, performance and status. MODIS Vegetation Workshop II . 1994.

    • 16

      任学敏, 朱雅, 王小立, 等. 花生冠层温度日变化及其与地表温度和光照度的关系. 西北农林科技大学学报(自然科学版) , 2015, 43(1): 77~84.

    • 17

      赵梦启, 高满, 陈喜, 等. 不同覆被下的温度日变化特征及空间尺度效应——以贵州陈旗小流域为例. 长江流域资源与环境 , 2015, 24(S1): 115~122.

    • 18

      张月, 王鸿斌, 韩兴. NDMI与TCW 在西藏低植被区土壤湿度监测中的比较. 土壤通报 , 2016, 47(3): 543~548.

    • 19

      王仑, 虞敏, 戚一应, 等. 基于MODIS数据的祁连山南坡土壤水分反演研究. 青海师范大学学报(自然科学学版) , 2017(2): 84~90.

    • 20

      夏虹, 武建军, 刘雅妮. 中国用遥感方法进行干旱监测的研究进展. 遥感信息 , 2005(1): 55~57.

    • 21

      Rijal S. , X. Zhang , X. Jia . 2013. Estimating Surface Soil Water Content in the Red River Valley of the North using Landsat 5 TM Data. Soil Science Society of America Journal (SSSAJ) , 77(4), 1133~1143. doi: 10. 2136/sssaj2012. 0295.