應用MODIS遙感數據反演棉花水分信息

易秋香，王福民，包安明，王強，趙金

（1.中國科學院新疆生態與地理研究所，烏魯木齊 830011；2.浙江大學，杭州 310058）

1 引 言

水分是控制植物光合作用、呼吸作用和生物量的主要因素之一，水分虧缺會直接影響植物的生理生化過程和形態結構，從而影響植物生長產量與品質，對研究植物水分狀況具有重要的意義［1-2］。

由于遙感手段可以很好滿足植被水分監測的空間廣泛性和時間連續性的要求，國際上對遙感反演植被水分的研究早在20世紀70年代的下半期就已開始。早期遙感反演植被水分所采用的遙感數據多是NOAA衛星的AVHRR傳感器影像數據［3］以及Landsat TM數據［4］，但由于這些數據獲取周期較長以及有效波段有限等問題，制約了大面積作物水分遙感反演信息的應用。重訪周期短、光譜波段多的中低分辨率遙感影像成為作物水分遙感監測的重要數據源。

MODIS數據具有20個可見、近紅外波段，16個熱紅外波段，涵蓋了0.4μm～14μm的波段范圍，具有很高的波譜分辨率，同時MODIS傳感器每天可對我國絕大部分地區進行一次觀測，時間分辨率較高，對于大面積、長時期、動態的植被含水量的監測具有潛力。Perterson等人［5-6］利用 MODIS影像植被指數反演了草地以及灌木的葉片相對含水量，發現對草地葉片含水量的反演精度較高，判定系數達到0.914；Chen等［7］利用 MODIS影像反演了玉米的含水量，效果較佳；張友水等人利用MODIS影像的NDVI－LSWI梯形特征空間進行了干燥植被指數的空間分布估算［8］。這些已有的利用MODIS影像數據進行水分含量信息反演的研究，主要集中在探討各類MODIS植被指數對某種水分表征參數的估算精度，通常只是分析了MODIS植被指數與某一類水分含量表征參數之間的相關關系，但對于MODIS植被指數與最為常用的水分含量表征參數之間相關關系的對比分析，目前還沒有明確研究。

針對這一問題，本文采用篩選適宜的植被指數類型以及水分含量表征參數類型的方式，探討利用MODIS數據進行棉花水分信息遙感估算的可行性。根據MODIS數據波段分布特點，共采用了6類光譜指數，分別是歸一化植被指數NDVI、綠色植被指數VIgreen、差異紅外指數6NDII6、差異紅外指數7NDII7以及增強植被指數EVI；水分含量參數包括棉花葉片尺度的EWTleaf（leaf Equivalent Water Thickness）［9］、FMC （Fuel Moisture Content）［10］以及冠層尺度的 EWTcan（canopy Equivalent Water Thickness）［11］、VWC（Vegetation Water Conten）［12-13］。研究旨在通過各類水分含量表征參數與MODIS植被指數之間相關關系的全面對比分析，篩選確定MODIS遙感數據進行作物水分含量信息監測時適宜的水分信息表征參數類型以及MODIS植被指數類型，為提高基于MODIS遙感數據的作物水分監測精度提供理論依據。

2 材料與方法

2.1 研究區概況

研究區位于新疆維吾爾自治區北部石河子墾區（圖1），地處天山北麓中段，古爾班通古特大沙漠南緣，地理坐標位于東經84°58＇～86°24＇，北緯43°26＇～45°20＇，系典型的灌溉農業區。

圖1 研究區描述

在研究區內，依據棉花種植面積，選取面積超過1km2的棉花種植區作為觀測點，共選取了8個樣區進行布設，各樣點的觀測經緯度如表1所示。

2.2 棉花水分含量測定

冠層光譜測定完成后，對應光譜測定位置選取1～2株棉花連根拔起，為了防止水分流失，在將整株棉花分離為葉片、莖、蕾鈴后，當場立即稱鮮重，然后運送至實驗室后，放入烘箱105℃殺青30分鐘左右后置于75℃下烘干至恒重，測定干重。

葉片等效水厚度（leaf Equivalent Water Thickness，EWTleaf）和葉片水含量（Fuel Moisture Content，FMC）是最為普遍采用的葉片水含量表征參數，植株含水量（Vegetation Water Content，VWC）和冠層等效水厚度（canopy Equivalent Water Thickness，EWTcanopy）是最為普遍采用的冠層水分含量表征參數。因此，本研究選用EWTleaf、FMC、VWC和EWTcan這4類水分含量表征參數，各類參數的計算公式如下：

表1 觀測點坐標

其中，EWTleaf表示葉片等效水厚度；FW和DW分別表示葉片鮮重和干重（g）；dw表示水比重（1g·cm－3）；A表示葉片面積（cm2）；η表示單位土地面積上的棉株數（個·m－2）；FWstem和DWstem分別表示莖鮮重和干重（kg）；LAI為葉面積指數。

2.3 MODIS遙感影像處理

共計開展了4次地面觀測：6月11日（苗期）、7月16日（現蕾期）、8月4日（花期）以及9月11日（鈴期）。獲取與地面觀測時間同步的MODIS數據產品。由于所采用的是MOD09GA數據產品，根據MODIS數據產品處理流程已無需再對其進行幾何校正、輻射校正和大氣校正，所以首先利用MRT軟件對其影像進行重投影操作，輸出格式選擇為GEOtif格式，投影類型變換為UTM地理坐標，橢球體為WGS84，空間分辨率為500m。按照采樣點的分布范圍及石河子墾區灌區空間分布利用ArcGIS對影像各波段GEOtif格式圖像進行裁剪，使之更符合研究需要。

表2 MODIS植被指數及計算方法

影像裁剪完畢后，利用裁剪好的MODIS影像計算表2中所列出的各類植被指數，得到各植被指數圖像，根據測定點的經緯度在指數圖像中提取樣點的各類植被指數值。

3 結果與分析

3.1 水分含量統計特征分析

首先分析各類水分含量表征參數的統計特征，結果如表3所示。從表可見，各類水分含量表征參數的最大最小值取值區間較為寬泛，能覆蓋水分含量參數取值的分布范圍，符合建模數據要求。

3.2 水分含量與光譜指數的相關關系分析

分別分析了不同日期水分含量參數與植被指數之間的相關關系以及兩者之間的總體相關關系，結果如表4所示。

表3 水分含量表征參數統計特征分析

表4 水分含量與光譜指數的相關關系

首先，對比4個水分含量參數與植被指數之間的相關性。從表4可見，不論是單個日期還是總體，EWTcan與各植被指數之間的相關性都普遍優于其他3個水分含量參數，同時VWC也在各個日期及總體相關性中與植被指數之間有顯著及極顯著相關，相較EWTcan表現略差；FMC只在總體相關性中與各植被指數之間呈現極顯著相關；EWTleaf在4個水分含量參數中與各類植被指數相關性最差，均沒有達到顯著或極顯著相關。

其次，對比各個日期水分含量參數與植被指數之間的相關性可見：苗期，EWTcan與NDVI植被指數相關性最佳，FMC也在苗期與NDVI具有顯著相關；現蕾期，EWTcan以及VWC與各個植被指數之間都具有顯著相關關系，而FMC和EWTleaf與植被指數之間相關性較差；花期，仍舊是EWTcan與植被指數之間相關性較好，但略差與現蕾期；鈴期，所有水分含量與植被指數之間的相關性都達到了最低。究其原因，不同發育期棉花冠層的蓋度可能是造成這種差異的主要原因。

最后，對比不同植被指數與水分含量參數之間的相關水平。從總體相關中對比可發現，6個植被指數都與VWC和FMC達到了極顯著相關水平，NDVI、NDII6、NDII7以及 EVI這4個指數與EWTcan之間均達到了極顯著相關水平。

3.3 水分含量與光譜指數之間的估算模型

通過以上相關性分析可知，EWTleaf與各類植被指數之間的相關性均較低，在此不構建EWTleaf的估算模型。同時，相關性分析可發現水分含量參數與植被指數的總體相關要顯著優于與單個日期植被指數的相關性，而且考慮到單個日期樣本數較少，因此將4個日期的水分含量參數以及對應的植被指數作為整體參與模型構建。不構建單個日期的水分含量參數估算模型。

采用一元線性以及非線性方法構建水分含量參數與植被指數之間的估算模型。非線性模型主要包括對數模型、指數模型以及乘冪函數模型。在模型構建過程中發現，乘冪函數模型普遍優于對數模型以及指數模型，在此只列出一元線性以及乘冪模型的表達式及各模型的判定系數，結果如表5所示。

表5 基于不同植被指數的水分參數估算模型

判定系數（R2）也叫擬合優度，主要反映自變量對因變量的擬合程度，如果R2＝0.8，就是說自變量解釋了因變量變動的80%，通常是越大越好，但判定系數達到多少為宜沒有一個統一的明確界限值；若建模的目的是預測應變量值，一般需考慮有較高的判定系數。從表5可見，由NDVI、NDII7以及EVI指數所構建的一元線性模型以及乘冪模型的判定系數R2要明顯優于相應的VIgreen、VARI以及NDII6指數。尤其是由EVI指數所構建的EWTcan、VWC以及FMC的乘冪模型，判定系數R2分別達到了0.745、0.773以及0.58。

3.4 模型精度檢驗及對比

為了進一步檢驗模型的估算精度，本研究采用RMSE、REP以及相關系數r和斜率a這4類精度檢驗指標對由NDVI、NDII7以及EVI所構建的EWTcan、VWC以及FMC的線性以及乘冪模型進行精度檢驗。

均方根誤差（RMSE）和相對預測誤差（REP）越小證明方程精度越高，根據RMSE和REP之間的關系，通常采用REP進行比較。相關系數r的絕對值越大表明兩變量之間的相關程度越高，但是相關系數只刻畫了變量間的線性關系程度，當兩個變量之間有很密切的曲線關系時，相關系數的絕對值也可能很小。此外，還采用實測值與估算值之間線性回歸的斜率a來進行模型的精度檢驗。各類模型的精度檢驗結果如表6所示。

表6 水分含量參數估算模型精度檢驗結果

從表6可見，整體上各類模型之間的精度檢驗結果差距不大，不同指數之間對比發現，NDVI和EVI的表現要略優于NDII7指數；不同水分含量參數之間對比發現，FMC的實測值和估算值之間的相關系數r以及REP值要略優于EWTcan和VWC。進一步對比各類方程的精度檢驗結果，認為EWTcan和VWC的最佳估算模型均是由NDVI構建的一元線性模型，FMC的最佳估算模型是由EVI構建的線性模型。

同時，為了更直觀地體現各類水分含量參數的實測值與估算值之間的擬合情況，由各類模型所得到的水分含量參數的實測值和估算值的散點圖如圖2所示。當實測值和估算值的擬合線越接近于1∶1線時，說明兩者之間的擬合關系越好。

圖2 各水分含量參數實測值與估算值散點分布圖

3.5 模型應用及制圖

通過相關性分析結果以及模型反演精度檢驗結果，挑選適宜不同日期遙感圖像反演的水分參數以及植被指數和模型類型。結果如表7所示。從表可見，EWTcan可適用于苗期、現蕾期以及初花期的水分含量估算；VWC可用于現蕾期的水分含量估算。由于水分含量參數與鈴期遙感植被指數之間的相關性均較差，因此沒有對鈴期的水分含量進行遙感反演制圖。不同日期各水分含量參數遙感反演制圖如圖3所示。

圖3（a）表示利用6月11日研究區MODIS數據的NDVI植被指數圖以及基于NDVI的EWTcan線性估算模型得到的EWTcan反演結果圖，以及利用EVI植被指數圖和基于EVI的EWTcan乘冪估算模型得到的EWTcan的反演結果圖；同樣，圖3（b）和圖3（c）分別是基于7月16日以及8月4日的NDVI植被指數圖以及EVI植被指數圖進行的EWTcan反演結果；圖3（d）是VWC的反演結果圖。

表7 棉花不同發育期適宜遙感反演的水分參數及植被指數類型

4 結束語

本研究對葉片以及冠層尺度水分含量參數與MODIS植被指數之間的相關關系進行了全面對比分析，篩選確定了最適宜的水分含量參數類型以及各水分含量參數的估算模型及其精度，得出以下結論：

①EWTcan與各植被指數之間的相關性普遍優于其他3個水分含量參數（EWTleaf、FMC以及VWC）。

②相比EWTleaf、FMC以及 VWC，EWTcan與各發育期植被指數之間的相關性最為穩定，除了與鈴期的植被指數之間相關性較弱外，與其他發育期的植被指數之間均達到了顯著或極顯著相關水平；其次VWC也與現蕾期的植被指數之間相關性較好；FMC只與苗期的NDVI指數之間具有極顯著相關關系；EWTleaf與各類指數之間的相關關系最差，與所有指數之間的相關關系均未達到顯著水平。

③總體上EWTcan、VWC以及FMC與各類植被指數之間的相關性都較單個發育期提高，尤其FMC與各類植被指數之間的相關性在總體中的表現相較單個發育期中的表現得到顯著提高，與6個植被指數之間的相關性均達到了極顯著相關水平，相關性甚至優于EWTcan與植被指數之間的相關關系。

④對EWTcan、VWC和FMC的各類估算方程的精度檢驗結果表明，EWTcan的最佳估算模型是由NDVI構建的一元線性模型（REP＝45.38，r＝0.681）以及EVI構建的乘冪模型（REP＝50.67，r＝0.632），VWC的最佳估算模型同樣是由NDVI構建的一元線性模型（REP＝53.91，r＝0.686）以及EVI構建的乘冪模型（REP＝56.79，r＝0.659），FMC的最佳估算模型是由EVI構建的線性（REP＝14.88，r＝0.731）和乘冪模型（REP＝14.98，r＝0.729）。

本研究為利用MODIS數據進行大面積棉花水分遙感診斷研究提供了理論依據，但限于數據只有一年的觀測試驗，還有待對得出的結論采用不同年份不同研究區的數據進行進一步驗證。

［1]ZARCO－TEJADA P J，RUEDA C A，USTIN S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods［J］.Remote Sensing of Environment，2003，85（1）：109－124.

［2]王潔，徐瑞松，馬躍良，等.植被含水量的遙感反演方法及研究進展［J］.遙感信息，2008，（1）：100－105.

［3]PALTRIDGE G W，BARBER J.Monitoring grassland dryness and fire Potential in Australia with NOAA／AVHRR data［J］.Remote Sensing of Environment，1998，25（3）：381－394.

［4]CHUVIEEO E，RIAN D，AGUADO I，et al.Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper refleetance data：applications in fire danger assessment［J］.International Journal of Remote sensing，2001，23（11）：2145－2162.

［5]PETERSON S H，ROBERTS D A，Dennison P E.Mapping live fuel moisture with MODIS data：A multiple regression approach［J］.Remote Sensing of Environment，2008，112（12），4272－4284.

［6]韓曉勇.基于MODIS和地物光譜的植被水分定量遙感研究［D］.2009.

［7]CHEN D Y，HUANG J F，JACKSON T J.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near－infrared and short－wave infrared bands［J］.Remote Sensing of Environment，2005，98（2）：225－236.

［8]張友水，謝元禮.MODIS影像的 NDVI和LSWI植被水分含量估算［J］.地理科學，2008，28（1）：72－76.

［9]MARTA Y，EMILIO C，DAVID R.Estimation of live fuel moisture content from MODIS images for fire risk assessment［J］.Agricultural and Forest Meteorology，2008，148（4）：523－536.

［10]DANSON F M，STEVEN M D，MALTHUS T J，et al.Highspectral resolution data for determining leaf water content［J］.International Journal of Remote Sensing，1992，13（3）：461－470.

［11]CECCATO P，GOBRON N，FLASSE S，et al.Designing a spectral index to estimate vegetation water content from remote sensing data：Part 1：Theoretical approach［J］.Remote Sensing of Environment，2002，82（2）：188－197.

［12]JACKSON T J，SCHMUGGE T J，WANG J R.Passive microwave remote sensing of soil moisture under vegetation canopies［J］.Water Resources Research，1982，18（4）：1137－1142.

［13]YILMAZ M T，HUNT JR E R，JACKSON T J.Remote sensing of vegetation water content from equivalent water thickness using satellite imagery［J］.Remote Sensing of Environment，2008，112（5）：2514－2522.