基于干旱區地面實測熱紅外光譜的土壤含水量反演研究

丁建麗， 曾小箕， 李爭光

(1.新疆大學 資源與環境科學學院， 新疆 烏魯木齊 830046; 2.綠洲生態教育部重點實驗室， 新疆 烏魯木齊 830046)

在地球系統中，土壤含水量是陸地和大氣能量交換過程中的重要因子，對陸地表面蒸散、水的運移、碳循環具有很強的控制作用，是氣候、生態、水文、農業等領域衡量土壤干旱水平的重要指標[1-2]。在干旱地區由于土壤水分蒸發較大，導致土壤缺水而干旱，易引起水土流失、植被退化、土壤沙化等生態環境惡化現象，因此對土壤水分實時動態監測的研究具有重要意義。目前使用的測定土壤含水量的方法中，較為常用的有稱重法、濕度計法、時域反射法、中子法等，這些常用的方法都是以點為測定基礎的，雖然能夠精確地測定多個不同層次的土壤參數，但其不足之處也是顯而易見的，例如費時，費力，難以準確科學地揭示出土壤參數的空間分布及其特征[3]。遙感技術的出現和發展，彌補了傳統方法上的不足之處，也為實現土壤特征參數的宏觀、實時、動態的監測提供了一些新的思路，然而進行大面積的土壤特征參數定量反演一直都是科學界中公認的難題[4-5]。相對其他遙感方法來說，基于土壤的熱學特性，熱紅外波段對土壤水分更為敏感，目前也已逐漸成為監測土壤含水量的主要方法之一[6-7]。

國內外學者在熱紅外遙感進行監測土壤水分的研究中開展了大量的工作。Myers等[8]和Watson等[9]最早提出了利用地表溫度日較差來推算熱慣量的模型，并成功地應用了該模型。Price等[10]在研究中首次提出了表觀熱慣量(ATI)的概念，并通過衛星傳感器的熱紅外輻射溫度差算出了熱慣量，進一步估算出了土壤含水量。Nemani等[11]在研究植被冠層熱輻射時，證實了冠層溫度/植被指數(Ts/NDVI)對土壤含水量變化的敏感程度非常高，在利用熱紅外遙感技術反演土壤水分上也取得了一定的成果。隋洪智等[12]利用NOAA/AVHRR數據計算出熱慣量，得出了土壤表觀熱慣量與土壤含水量的線性關系。張可慧等[13]構造出不同深度土壤含水量和NOAA/AVHRR的線性回歸模型和冪指數模型。趙杰鵬等[14]結合可見光紅外與被動微波遙感的土壤水分協同反演。

本文通過結合野外和實驗室實測的土壤熱紅外發射率數據，分析研究地表土壤含水量的光譜特征，并模擬計算得到MODIS，ASTER，HJ-1B衛星的熱紅外波段與土壤含水量的回歸分析結果。這項研究可為該區域土壤退化和環境監測提供熱紅外的理論基礎和部分技術支持，對加強新疆土壤水分監測、促進遙感技術在新疆生態環境監測中的應用具有重要意義[15]。

1 材料與方法

1.1 研究區概況

選擇渭干河—庫車河三角洲綠洲(簡稱渭庫綠洲)為研究區，地理坐標為83°15′—83°35′E，41°30′—41°40′N。渭庫綠洲位于塔里木盆地的中北部, 地處南疆腹地，是一個典型而完整的扇形平原綠洲，總面積達5.24×106hm2。屬大陸性暖溫帶極端干旱氣候,年均降水量與蒸發量比約為40∶1，蒸發強烈, 透水性差, 為典型的綠洲農業, 農作物生長全靠灌溉[16]。

1.2 數據獲取

本研究在綠洲內部及綠洲外圍交錯帶均勻選擇30個采樣點，其植被及地表土壤水分有著非常明顯的梯度變化，有助于通過遙感手段進行各種土壤參數反演的研究。數據采集所采用的儀器是美國Design & Prototypes公司出產的便攜式FTIR光譜儀(102F機型)。測量期間盡量避免環境變化過大，選擇晴朗無風的天氣，在室外自然光照條件下垂直或者小角度向下采用多點多地物，一點多次測量的方法，取單點多次測量結果的平均值為該地物的發射率光譜。測量時段范圍為07：00—09:00和20：00—22:00。

在野外土壤熱紅外光譜測量時，同時進行土壤樣本的采樣。去除采樣點的表層浮土，選取地表以下約為5 cm的土壤，裝入鋁盒進行密封編號，稱其鋁盒重量，并送回實驗室進行土壤含水量的測定[17]。同時取0—5 cm不同深度的混合土約200 g，密封后自然風干碾碎，過0.5 mm細篩，取20 g進行土壤樣本參量的測定，剩余的使用FTIR光譜儀對風干后的土樣進行輻射光譜測量。

1.3 光譜數據的預處理

1.3.1 土壤熱紅外光譜的分離獲取 熱紅外高光譜數據擁有大量的連續光譜波段，為解讀目標物的熱特性提供了極其豐富的信息，也有助于對目標進行更為細致的識別和分類[18]，這就要求對地物溫度和發射率進行分離計算。目前常采用的溫度/發射率分離算法有包絡線法、黑體擬合法、參考通道法、獨立變量迭代法、光譜平滑迭代法，除此之外還有針對熱紅外高光譜數據的一些方法。例如灰體法、發射率歸一化法、a剩余法和最大最小值發射率法等[19]。采用光譜平滑迭代法可以獲得較高的發射率分離精度，首先得到擬合后的發射率光譜曲線，然后修改擬合溫度來改變曲線的平滑度，最終得到一個最為平滑的曲線，該曲線即為此溫度下的土壤發射率光譜曲線。

1.3.2 光譜曲線去噪 由于實測土壤光譜中摻雜著大量的環境背景和儀器自身產生的噪聲，在進行溫度/發射率分離后，如果直接用于其數據進行分析建模會造成較大的誤差，因此需要對其光譜數據進行光譜去噪。本文對所選取的土壤發射率光譜進行一階微分處理，由于地物的熱紅外發射率對測量環境非常敏感，即使在測量中已經減少外界不利因素的影響，依舊會存在噪聲。本文采用了五點移動平均光滑的算法，去除了儀器在測量中因為波段對相應能量上的差異所產生的噪聲，并獲取了與原始光譜曲線總體趨勢相似的新光譜曲線，該光譜曲線更加平滑，更有利于對光譜特征的分析。

2 結果與討論

2.1 土壤含水量建模波段的確定

通過對不同含水量土壤的發射率光譜測量，對其光譜特征曲線進行分析，土壤水分含量主要在8.0～8.2，8.7～8.9，9.5～11.9，12.5～13 μm的幾個波段區間里有明顯變化。如圖1a所示，由于水分含量不同，土壤發射率曲線出現了不同程度的上下起伏，尤其是在峰值點最為明顯。從曲線的整體上可以看出，土壤的發射率隨著含水量的增加而變大。在11～13 μm波段，光譜曲線的對比度在下降，曲線開始趨直；在8.5～8.7和11.9～12.5 μm兩個波段區間內，光譜出現不同程度的重疊交叉，說明在該波段土壤發射率隨含水量的變化并不明顯。

圖1b是對30個不同含水量土壤樣品在每個波段對應求取的發射率與含水量之間的相關系數?？煽闯鰣D1b中相關系數的變化同圖1a中光譜曲線的變化基本保持一致。土壤發射率隨含水量變化明顯的波段區間，其相關系數也高，光譜重疊現象比較明顯的區間相關系數較低。尤其在8.0，8.6和9.7 μm波長附近，相關系數達到了0.35以上，說明該波長處，土壤發射率對水分含量最為敏感。

圖1 不同含水量土壤發射率光譜曲線及逐波段與土壤含水量的相關性

通過進一步的主成分分析(表1)，發現上述3個相關系數最高的波長點全都落在前兩個主成分對應的波段范圍內。累計貢獻率達到了94.52%的主成分所對應的波段幾乎覆蓋了整個窗口，也就是說土壤發射率隨水分變化的“信息”基本上存在于整個熱紅外波段內。其中，9.45～11.90 μm的貢獻率達到57.13%，而8.26～8.45和8.71～8.83 μm兩個區間的貢獻率也達到了32.52%。

表1 土壤含水量敏感波段的主成分分析

2.2 土壤含水量發射率模型建立與分析

研究區土壤含水量和野外實測的土壤發射率光譜具有良好的相關性，本文嘗試建立土壤發射率與土壤含水量的統計模型，通過模擬MODIS，ASTER和HJ-1B衛星的波段發射率和發射率比值數據與土壤含水量進行回歸分析，實現了一定程度的量化，最后并用實測的土壤含水量對其模型進行驗證。

本文對研究區野外實測和室內測定的土壤發射率數據按照不同的通道分段，最終選擇了MODIS的B30和B30/B32，ASTER的B12和B12/14，HJ-1B星紅外相機的B8作為自變量，土壤水分作為因變量，進行回歸分析，回歸模型選擇線性、一元二次方程、對數函數、冪函數和指數函數，分析結果如表2所示。研究表明，由于土壤表面并不光滑，所以其溫度分布也不均勻，而且土壤結構和狀態發生微小的變化也會引起表面溫度的改變，在實測土壤發射率光譜時，很難對其表面溫度進行控制。但是通過發射率比值的運算可抑制土壤樣品表面溫度對其發射率的影響，因此，通過發射率比值的方式可更好地進行土壤水分的反演。從不同的傳感器上來看，通過ASTER的波段通道建立模型，整體精度上要大于MODIS，而HJ-1B星的效果最差，這主要取決于傳感器的波段通道是否與土壤含水量敏感波段具有良好的響應關系，從波段選擇可看出，土壤的不同含水量的最佳敏感波段完全位于ASTER傳感器的波段通道內。從模型類型上來看，如果只進行R2檢驗，則一元二次方程建立的模型效果最好；如果只做F檢驗，則冪函數模型更優；如果同時考慮兩個檢驗方式，可看出線性模型的R2值和F值都比較高?？紤]到模型的難易程度，本研究認為線性模型是最佳選擇。圖2—3為B30/B32，B12/B14波段比值與土壤含水量的散點圖及線性回歸分析。

圖2 B30/B32波段比值與土壤含水量關系

圖3 B12/B14波段比值與土壤含水量關系

表2土壤發射率、發射率比值與土壤含水量之間的擬合模型

注：x為波段發射率值或波段比值； y為土壤含水量； R2值為相關系數檢驗值； F值為方差齊性檢驗值。

2.3 熱紅外發射率模型的精度驗證

(1)

(2)

(3)

Pλ=σλ×Rλ

(4)

式中：Pλ——熱紅外光譜診斷指數；σλ——波段上發射率數值的均方差；Rλ——波段上發射率與土壤水分含量之間的相關系數。Rλ絕對值越大，說明土壤參數在該波段和其發射率的相關性越高。

在確定土壤含水量對其發射率的影響時，本文通過分別計算Pλ，σλ，Rλ的絕對值，選取了綜合之后Pλ絕對值最大的6個波段(表3)。由表3中可見，土壤含水量在波長為9.480 2～9.790 1 μm對時其發射率最為敏感，相比特征分析參數所獲得的敏感波段來說，土壤水分光譜診斷指數提取的敏感波段更為集中，冗余度更低，因此可選擇該波段區間進行反演土壤含水量。

表3 土壤含水量光譜診斷指數

表4 土壤含水量熱紅外發射率預測模型精度驗證結果

圖4 土壤含水量實測值與預測值對比

3 結 論

(1)在熱紅外輻射傳輸模型理論的支持下，利用便攜式FTIR光譜儀，分別設計出野外與室內實測土壤熱紅外光譜數據的方法。可人為地減少因環境輻射而引起的土壤發射率的變化；在室內通過樣品的制備可以很好地分析土壤特征參數對其發射率的影響。

(2)對研究區的各樣點進行了土壤發射率光譜的測量，通過對數據的分析，發現選擇植被覆蓋度低，類型比較均勻的自然裸土更適合進行研究區土壤含水量的反演研究

(3)對野外實測的不同土壤含水量的土壤發射率光譜曲線研究發現，在8.0～8.2，8.7～8.9，9.5～11.9，12.5～13 μm的4個波段區間隨著土壤含水量的增加，土壤的發射率變化明顯，在12.1～12.5 μm波段，土壤發射率受含土壤水量的影響較小，而在8.0～8.2和9.3～9.7 μm波段隨著含水量的增加，土壤的發射率卻出現一定程度的降低。

(4)通過分析光譜特征參數與土壤含水量的關系，發現土壤含水量在波段9.480 2～9.790 1 μm對其發射率最為敏感。

(5)利用實測的光譜數據，建立了基于實測土壤熱紅外發射率光譜的土壤含水量反演模型，對比模型的結果，認為模擬熱紅外傳感器波段比值數據與土壤含水量的相關性更高，而且模擬ASTER的波段比值數據要優于模擬MODIS的波段比值數據。

(6)土壤發射率一般同時受多個因子的綜合影響，有必要對多因素復合作用下的土壤發射光譜特征進行深入的研究。

[參考文獻]

[1]楊濤,宮輝力,李小娟,等.土壤水分遙感監測研究進展[J].生態學報，2010,30(22):6264-6277.

[2]余凡,趙英時.ASAR和TM 數據協同反演植被覆蓋地表土壤水分的新方法[J].中國科學(D輯):地球科學, 2011,21(3):532-540.

[3]薛輝,倪紹祥.我國土壤水分熱紅外遙感監測研究進展[J].干旱地區農業研究,2006,24(6):168-172.

[4]仝兆遠,張萬昌.土壤水分遙感監測的研究進展[J].水土保持通報,2007,27(4):107-113.

[5]徐金鴻,徐瑞松,夏斌,等.土壤遙感監測研究進展[J].水土保持研究,2006,13(2):17-20.

[6]陳書林,劉元波,溫作民.衛星遙感反演土壤水分研究綜述[J].地理科學進展，2012,27(11):1192-1203.

[7]周鵬,丁建麗,王飛,等.植被覆蓋地表土壤水分遙感反演[J].遙感學報，2010,14(5):966-973.

[8]Myers V I, Heilman H D. Thermal IR for soil temperature studies[J]. Photogrammetric Engineering and Remote Sensing, 1969,35:1024-1032.

[9]Watson K, Rowan L C, Offield T W. Application of thermal modeling in the geologic interpretation of IR images(Thermal modeling for IR images geologic interpretation, discussing physical parameters role in materials natural environmental diurnal temperature behavior)[C]∥International Symposium on Remote Sensing of Environment, 7th, University of Michigan, Ann Arbor, Mich. 1971:2017-2041.

[10]Price J C, Li L. The potential of remotely sensed thermal infrared data to infer surface soil moisture and evaporation[J]. Water Resources Research, 1980,16(4):787-795.

[11]Nemani R R, Running S W, Pierce L. Developing satellite-derived estimates of surface moisture status[J]. Journal of Applied Meteorology, 1993,32(3):548-557.

[12]隋洪智,田國良,李付琴.農田蒸散雙層模型及其在遙感干旱監測中的應用[J].遙感學報,1997,1(3):220-224.

[13]張可慧,劉芳圓,劉劍峰,等.河北省土壤水分遙測研究[J].地理學與國土研究,2002,18(3):101-104.

[14]趙杰鵬,張顯峰,包慧漪,等.基于可見光紅外與被動微波遙感的土壤水分協同反演[J].紅外與毫米波學報,2012,31(2):137-142.

[15]張顯峰,趙杰鵬,劉羽.一種改進的土壤水分微波遙感反演模型[J].地理科學進展，2013,32(1):78-86.

[16]羅江燕,塔西甫拉提·特依拜,陳金奎.基于表觀反射率的渭—庫綠洲植被動態變化分析[J].水土保持研究,2008,15(5):65-67.

[17]張軍紅,吳波,楊文斌,等.半干旱沙地3種土壤水分測定方法對比研究[J].水土保持通報,2012,32(2):147-149.

[18]申柯婭.紅外光譜在仿古玉石鑒定中的應用[J].光譜實驗室,2010,27(4):1393-1397.

[19]程潔,柳欽火,李小文,等.基于相關性的熱紅外溫度與發射率分離算法[J].中國科學, 2008,38(2):261-272.

[20]肖武,李小昱,李培武,等.基于近紅外光譜土壤水分檢測模型的適應性[J].農業工程學報,2009,25(3):33-36.