基于中分辨率遙感影像的濕地土壤水分提取方法

摘要：利用中分辨率的TM遙感影像反演濕地土壤水分，探尋濕地土壤水分和非濕地土壤水分提取的不同之處，對濕地監測具有重要意義。建立地表溫度（Ts）與歸一化植被指數（NDVI）之間的二維特征空間，用IDL編程在特征空間內提取對應的特征點，擬合溫度植被干旱指數（TVDI）法需要的干濕邊方程，能快速反演出野鴨湖濕地的土壤水分情況。反演結果與實測值的相關系數為0.860，呈極顯著相關，均方根誤差為0.104 2，平均絕對誤差為0.084 5。結果證明利用溫度植被干旱指數（TVDI）法進行野鴨湖濕地這樣的小尺度范圍的反演土壤水分含量，方法可行，且中分辨率影像的土壤水分反演精度高于低分辨率影像的反演精度。

關鍵詞：溫度植被干旱指數（TVDI）；土壤水分反演；濕地；TM影像

中圖分類號：S127；S152.7 文獻標識碼：A 文章編號：0439-8114（2015）05-1066-07

DOI：10.14088/j.cnki.issn0439-8114.2015.05.010

Abstract： The two-dimensional feature space between the surface temperatures（Ts）and normalized differential vegetation index （NDVI） was established by using the TM remote sensing images. The dry and wet side equation needed by the method of arid vegetation index was fitted in the feature space with the programming of IDL. The soil moisture condition of Yeyahu wetland was inversed rapidly. The correlation coefficient between inversion results and measured values was 0.860， with root mean square error of 0.1042 and the average absolute error of 0.0845. The results of soil moisture inversion showed that image retrieval accuracy of middle-resolution was better than that of the low-resolution， proving that using temperature vegetation dryness index（TVDI） to invert the wetland soil moisture content on a small scale such as in Wild Duck Lake wetland was feasible.

Key words： TVDI； soil moisture； wetland； TM image

濕地的水文條件創造了濕地獨特的物理化學環境，使得濕地生態系統與深水水域生態系統以及排水良好的陸地生態系統有極大的不同。在濕地水文、濕地植被和濕地土壤對濕地的識別中，濕地水文是決定性的因素，它能促成其他兩個濕地特征的形成[1]。濕地水文特征在非淹沒區重點表現為土壤水分含量，由此可見土壤水分在濕地研究中的重要意義。在濕地土壤水分的相關研究中，關注土壤水分對濕地植被特征分布以及對濕地土壤結構特征和養分變化分布影響的較多[2-4]。在獲取濕地土壤水分時，采用野外實測數據居多。隨著遙感技術的發展，用遙感方法監測濕地土壤水分將成為一種趨勢，可以為濕地的監測和保護提供可靠、準確的面上基礎數據。濕地系統的水文特性不同于其他陸上系統的特征，土壤水分數值區間分布相對較寬，在模型的選擇上可以利用這一特點，有利于反演精度的提高。

在土壤干濕情況的監測中，相較于以點源數據監測為基礎的傳統土壤水分監測方法，遙感技術監測土壤水分是用面數據來實時監測，具有時效性高、覆蓋范圍廣、監測結果連續性好等特點。遙感技術主要從可見光-近紅外、熱紅外及微波波段入手，結合一些植被指數、地表溫度、后向散射系數、地表粗糙度等變量，建立一定的模型來反映土壤水分含量。微波遙感因為自身特點優越性，在反演土壤水分方面具有一定的優勢，但是如何消除地表植被蓋度以及地表粗糙度對反演結果的影響依然是當前的一個研究熱點和難點[5]。基于光學的遙感檢測方法主要是熱慣量法和建立在植被指數（NDVI）與地表溫度指數（Ts）基礎上的方法，其中溫度植被干旱指數（TVDI）方法使用較廣泛[6]。TVDI方法是建立在NDVI-Ts特征空間基礎上的方法，綜合了植被指數和地表溫度信息，增強了對土壤濕度狀況的理解，是近年來廣泛使用的估算模型[7]。國內學者利用TVDI開展了大量的研究工作：姚春生等[8]利用溫度植被干旱指數法反演了新疆8、9兩個月每16天的土壤濕度，使用野外與衛星同步采樣的土壤濕度數據進行驗證，發現TVDI指標與實測土壤濕度數據顯著相關。陳斌等[9]利用溫度植被干旱指數（TVDI）對內蒙古錫林郭勒盟草原的土壤干旱情況進行了監測，證明了基于NDVI-Ts特征空間的TVDI更適用于干旱監測。齊述華等[10]利用溫度植被干旱指數（TVDI）法反演了全國的土壤水分，表明該方法能較好地反映表層土壤水分變化趨勢，同時討論了TVDI同NDVI和Ts之間的敏感性，得出TVDI隨Ts的變化而變化的規律更明顯。國內學者的研究表明TVDI模型能很好表征土壤墑情，同時這些研究都提到空間分辨率對反演結果的影響。當用點數據驗證相對較大的空間分辨率的面數據時，會導致兩者不能很好匹配，進而產生誤差。同時，TVDI模型在估算較大區域的土壤水分時，由于統計特征空間區域內太陽總輻射不均和大氣背景條件不一致而導致反演精度降低，而在小尺度范圍內可以將這些方面因素的影響降得更低。

基于此，利用2010年6月TM遙感影像，反演北京野鴨湖濕地保護區的土壤水分，以期在小尺度范圍內，利用中分辨率衛星數據進行土壤水分的反演，達到利用遙感技術快速監測濕地土壤墑情，提高反演精度的目的。

1 研究區概況

研究區為北京市野鴨湖濕地保護區及周邊區域。野鴨湖市（省）級濕地自然保護區是華北最大、北京惟一濕地鳥類自然保護區，位于北京市延慶縣西南部的官廳水庫上游，其地理位置為東經115°47′-115°54′，北緯40°25′-40°30′。屬北溫帶大陸性季風氣候，處于暖溫帶與中溫帶、半干旱到半濕潤之間的過度地帶，具有四季分明的特點，降水大多集中在夏季的6～8月，占全年降水量的75%。該區域土壤類型以褐土為主，濕地植被資源豐富，為水禽和各種鳥類提供了優越的覓食、隱藏、繁殖場所，是候鳥南北遷徙的主要信道。地表河流為發源于北京延慶縣黑漢嶺的媯水河[11，12]（圖1）。

2 數據資料來源及研究方法

2.1 數據源

利用遙感影像反演土壤水分，除了受到大氣氣溶膠的影響外，植被的疏密程度也會左右反演結果。植被太茂密，NDVI會出現飽和現象[13]，在NDVI飽和后，如果地表蒸散量繼續提高，NDVI將無法正常反映土壤的干濕情況[14]。植被長勢太過稀疏，說明雨水不夠充沛，不利于濕地植物生長，裸土面積較大，NDVI較低，影響特征方程的擬合和反演精度。根據研究區的植被和氣候特點，6、7、8月是雨季，選擇植被覆蓋度相對適中的6月數據比較合理。

考慮遙感數據的光譜信息豐富度、空間分辨率及時間分辨率的合適度、價格的合理性，選擇美國國家航天局（NASA）發射的Landsat 5號衛星數據作為此次試驗的基礎數據。因此采用野鴨湖地區2010年6月5日的Landsat TM遙感數據，軌道號123/32，空間分辨率為30 m（TM6為120 m），包含從藍光波段到熱紅外波段的光譜信息，有利于根據不同需要進行不同波段組合和信息提取。

2.2 影像預處理

做過幾何校正的影像預處理主要包括輻射校正和大氣校正兩部分。輻射校正可以消除因傳感器自身條件、太陽高度角、大氣條件等引起的傳感器測量值與被測目標實際輻亮度或光譜反射率等物理量之間的差異。利用Landsat TM 影像數字量化值（DN）與表觀輻亮度（At-sensor spectral radiance）之間的定量關系，完成兩者之間的轉換。綜合表觀輻亮度、大氣參數、傳感器信息，利用6S大氣校正模型消除大氣影響，得到地表目標的光譜反射率信息。

2.3 技術路線與研究方法

2.3.1 技術路線圖 對TM數據進行幾何精校正、6S大氣校正[15]，經過大氣校正后的數據能更好地去除氣溶膠的影響。綜合研究比較了主要的利用光譜數據反演土壤水分模型[16，17]后，本研究采用建立在地表溫度（Ts）和植被指數（NDVI）二維特征空間基礎上的溫度植被干旱指數（TVDI）法來反演土壤水分。利用Erdas建模求出地表比輻射率；選擇覃志豪等[18，19]的單窗算法模型，利用TM影像的熱紅外波段（波段6）結合野鴨湖濕地氣象站的數據估算地表溫度Ts；利用可見光和近紅外范圍的波段（波段3、4）得出歸一化植被指數NDVI（Normalized difference vegetation index）。利用Ts和NDVI構建二維特征空間，通過IDL編程篩選出特征圖的邊界點圖，擬合需要的干濕邊方程，從而反演出土壤墑情。通過實測值對反演的土壤水分進行精度驗證（圖2）。

國內學者在遙感技術反演不同深度土壤水分方面取得了一些成果。王純枝等[20]研究了TVDI和0～10 cm、10～20 cm、20～30 cm土壤濕度的相關性后發現，TVDI能穩定反映地表10～20 cm土壤水分情況；陳懷亮等[21]認為表層土壤水分易受環境因素影響，與遙感資料的關系不好且不穩定，20 cm左右深度土壤水分與影像數據相關性好；郭鈮等[22]用NOAA/AVHRR分別反演了10、20、30 cm深度的土壤相對濕度，同樣得出20 cm土壤濕度與遙感數據的相關關系最好且穩定的結論；孫麗等[23]通過研究冬小麥的10、20 cm土壤水分，也表明TVDI能更好地反映20 cm深度土壤濕度。所以大部分學者認為多光譜反演土壤水分時，20 cm左右深度土壤水分與遙感資料相關性較好[24]。本研究的實測數據也采用10～20 cm深度的土壤水分。

2.3.2 溫度植被干旱指數（TVDI）法 在利用光譜數據反演土壤水分的模型中，主要有基于指數的方法、基于土壤熱慣量的方法[25]，在反演模型的選擇上不僅需要具有良好的精度，而且要簡單易行，容易實現，盡可能少用地面實測資料，盡可能多地從遙感影像上提取所需要的信息。對于裸地或者低植被蓋度區域，選擇表觀熱慣量模型可滿足要求；在有植被覆蓋的情況下，作物缺水指數法雖然精度較高，但其計算復雜。對于中高植被蓋度的區域選擇溫度植被干旱指數法（TVDI）比較合理[26]。結合本研究區實際情況以及國內相關研究，此次研究也采用溫度植被干旱指數法（TVDI）反演野鴨湖濕地的土壤水分。

Sandholt等[27]在研究土壤濕度時提出了溫度植被干旱指數（Temperature-vegetation dryness index， TVDI）的概念。TVDI由植被指數和地表溫度計算得到，其定義為：

式中，Ts是任意像元的地表溫度；Tsmin對應的是濕邊方程，表示最小的地表溫度；Tsmax對應的是干邊方程，表示最大的地表溫度。

Moran等[28]研究發現，在假設Ts-NDVI特征空間呈梯形的基礎上，從理論上計算梯形4個頂點坐標的研究結果表明，在不同的植被覆蓋度條件下，Ts-NVDI特征空間中最低溫度Tsmin隨植被覆蓋度變化而變化。Price[29]研究發現，一般情況下，某時刻某區域的地表溫度和植被指數的散點圖不能覆蓋由干到濕的整個范圍，此時特征空間呈三角形或者梯形。三角形的下邊表示TVDI對應的最低溫度，對應特征空間的濕邊，三角形的上邊表示TVDI對應的最高地表溫度，對應特征空間的干邊[30]。濕邊和干邊的線性擬合方程為：

式中，a，b為系數。

基于國內專家的研究，TVDI在反演土壤水分方面方法成熟，利用廣泛，具有可信度。

2.3.3 研究區地表溫度的反演 覃志豪等[19]從輻射傳輸方程發展了用于TM數據的對溫度反演的單窗算法。單窗算法的表達如下：

式中，Ts單位為K；a、b為常量，是根據熱輻射強度和亮溫關系擬合出來的系數，在亮度溫度范圍為10～40 ℃時，a=-63.188 5，b=0.444 11，只剩下3個位置量Ta、C、D。

Ta為大氣平均作用溫度，覃志豪等[19]根據溫度隨高度的變化對4個標準大氣剖面進行擬合，得到一系列的經驗公式，對于中緯度夏季，由下式計算：Ta=16.011 0+0.926 21T0。其中T0為近地層大氣溫度，單位為K；C、D為中間變量。

式中，τ為大氣透射率，ε為地表比輻射率。

覃志豪等[19]根據大氣中的水氣含量對大氣透射率進行估算，分別根據地面附近大氣溫度為高和低時作出了不同的估算方程，且在沙漠干燥氣候區，大氣水分含量一般較低，只有0.5～1.5 g/cm2，所以在這里選擇氣溫較高且水分含量為2.0～3.5 g/cm2的估算模型：

式中，ω 為大氣水氣含量。

以上的氣象數據可以從野鴨湖濕地保護區內的氣象站獲得。

2.3.4 干濕邊方程的確定 植被指數和地表溫度組成的散點圖通常呈現為梯形或三角形，上邊界稱為熱邊（即干邊），下邊界即為濕邊。熱邊的理想狀態為一近似斜線，實際上常常為不同程度的凹形或凸型。常用軟件編程在溫度Ts和植被指數NDVI建立的特征空間內提取相同NDVI對應的Ts的最大值像元，根據這些像元進行擬合得到熱邊方程，從而得到每個像元的Tsmax值。濕邊的理想狀態為一近似水平的直線，是散點圖的下邊界，實際上為不同程度的“S”形。可利用最小值方法，選擇濕邊的像元進行擬合得到濕邊方程的參數。也可根據經驗，根據濕邊的平均值，參考區域內水面溫度以及同期多年平均值綜合確定濕邊。

利用地表溫度（Ts）和歸一化植被指數（NDVI）建立二維特征空間，可以發現NDVI值介于-1和1之間，而Ts介于290.27 K和312.84 K之間，且散點圖符合梯形特征，符合該模型的使用條件。當NDVI<0時，通常我們判定為水體，所以試驗不予考慮。當NDVI從0開始逐漸變大時，Ts也是隨之逐漸升高，兩者呈現正相關；當增大到一定程度后，Ts會隨著NDVI的變大而逐漸下降，兩者呈現負相關；當NDVI達到更高值后，Ts會出現更加明顯的下降，原因在于，當植被覆蓋度大于80%以上時，其NDVI增加延緩而呈現飽和狀態，對植被檢測靈敏度下降。所以此次試驗選取0.15

將擬合的干邊方程（R2=0.948）、濕邊方程（R2=0.901）公式代入TVDI定義式（1），于是可以得出反演公式為：

從擬合結果來看，干邊的斜率小于0，說明隨著植被覆蓋度的增加，地表溫度的最大值有減小的趨勢，濕邊斜率是近乎水平的直線，在植被覆蓋度較高區域溫度有降低趨勢，這和實際情況也是相符的，因為植被稀疏區的整體溫度要高于植被稠密區的整體溫度。

2.3.5 TVDI轉換為土壤水分相對濕度 利用溫度干旱植被指數（TVDI）反演土壤水分得到的只是一個表征某一區域的干旱相對程度的指數，它的值介于0～1。范遼生等[31]提供的模型將干旱植被指數（TVDI）轉化成土壤的相對濕度。通過下式獲得土壤的相對濕度（%）：

式中，RSM表示某一像元土壤相對含水量； RSMW是濕邊對應的土壤相對含水量（最大）；RSMD 是干邊對應的土壤相對含水量（最小）。

1）濕邊的土壤相對濕度的確定。在擬合野鴨湖濕地Ts-NDVI特征空間濕邊方程時，選取水體的溫度作為特征空間溫度的最小值，而且水體的濕度可以確定為100%，因此濕邊上的土壤相對濕度確定為100%。

2）干邊土壤相對濕度的確定。通過實地測量，理論上能獲得干邊的土壤相對濕度，但是操作難度較大。設法通過抽樣的方式在實地測量一部分點的土壤相對濕度，結合相應的TVDI得到干邊對應的土壤相對濕度。知道了濕邊的土壤相對濕度，借助式（12）得到利用某一點的干邊土壤相對濕度，計算公式為：

式中，RSMDi為利用某點實測值得到的干邊土壤相對濕度；Yi為該點實測的土壤相對濕度；Xi為該點對應的TVDI。然后對所有計算出的 RSMDi值求平均，以均值作為干邊上的土壤相對濕度RSMD。

3）利用求得的干邊、濕邊的土壤相對濕度RSMD和RSMW，結合式（12）反演野鴨湖濕地土壤相對濕度。

3 結果與分析

3.1 土壤水分反演結果

經遙感軟件ENVI、ArcGIS操作處理后，反演的野鴨湖濕地土壤水分結果圖如圖4所示。

在反演的濕地土壤水分含量效果圖中，右下方山區的土壤濕度值比平原區域的值高；平原區靠近水體的土壤濕度值高于遠離水體的值；濕地保護區內地勢較高區域、土壤中含沙量較多區域的土壤濕度值低于地勢較低區域；植被茂密區域的值高于植被稀疏區域的值，這些跟實際情況基本一致。

3.2 反演精度評價

選取部分實測點對反演的土壤濕度進行分析并做精度評價。

從實測數據和反演數據的分布趨勢圖圖5中可以得出，反演的土壤水分含量和實際測量值的增減趨勢大體一致。利用統計軟件SPSS分析兩者相關性（圖6），相關系數為0.860，呈顯著相關，說明反演結果具有可信度。反演值與實測值的回歸方程的r2值為0.739 3，高于陳斌等[9]的草原干旱監測研究的0.335，同時也高于齊述華等[10]全國旱情檢測研究的0.461 6。從表1還可以看出，兩者之間的平均相對誤差為0.249 3，平均絕對誤差在0.084 5左右，均方根誤差為0.104 2，優于閆峰等[32]對河北省土壤水分估算研究的結果，說明反演精度較高，反演效果較好，溫度植被干旱指數法（TVDI）適用于野鴨湖濕地保護區土壤水分的反演。

從實測數據和反演數據的分布趨勢圖圖6中可以得出，反演的土壤水分含量值和實際測量值的增減趨勢大體一致。當土壤含水量>60%時，遙感反演結果低于實測值；當土壤含水量<20%時遙感反演結果高于實測值。出現這樣的結果，主要原因是在擬合模型的方程時，處于中間數值的像素點多于邊緣數值，造成取值范圍邊緣的數值權重低于中間權重，使得擬合方程向中間數值收緊，無形中縮小了最大值，同時放大了最小值。當20%<土壤含水量<60%時，實測值和遙感反演結果有高有低，呈交織分布狀態。主要原因是遙感數據基于像元單位，像元內的數值是各種地貌特征下反演數值的一個平均結果，反映的為面上數據，而實測數據是點數據。如果能使兩者很好一一對應，就會大大提高反演準確度，如圖5中對應的點6、點7、點15、點16、點17。這也是定量遙感面對的一個難題。雖然圖6展示的只是部分數據，不能涵蓋所有，但是實測值和反演結果之間的這一趨勢值得思考，為后續定量反演模型的改進提供思路。

4 結論與討論

研究采用2010年6月5日的TM影像數據對野鴨湖濕地保護區內的土壤水分進行反演。利用該方法反演的土壤水分的反演結果和實測值的相關系數為0.860，P<0.01。經過精度評價計算后得出均方根誤差為0.104 2。誤差分析結果顯示，與國內其他同行利用低分辨率遙感影像，在大范圍尺度內進行的反演精度相比相關系數明顯提高，均方根誤差優于同類研究結果。說明溫度植被干旱指數法（TVDI）不僅適用于省級、全國大尺度區域的土壤墑情遙感監測，對于小尺度范圍的濕地土壤水分監測同樣可以達到預期效果，且反演精度相比大尺度范圍有一定程度的提高。為快速、高效、準確地監測濕地土壤水分提供了可能，為后續的濕地監測與保護提供依據。例如在此次試驗結果的基礎上，可以進一步研究濕地植被信息與濕地土壤水分信息的對應關系；可以利用此方法進行濕地水文特征的長時間序列變化監測等。

由于遙感技術發展需要一個過程，相應技術需要不斷完善，同時植物-土壤-水分系統擁有自身的復雜性，造成土壤水分遙感監測的困難，也產生了一些誤差和不足。因此在以后的研究中應該從以下幾方面考慮，有助于提高反演精度：

1）遙感監測方法通常是先將地表物理參數進行反演，再建立相應關系式。所以，定量遙感推算地表物理參量成為這一過程的關鍵，推算精度直接影響監測效果。因此建立更高效的參量反演模型顯得十分重要。譬如，在該反演模型中，與地表溫度相比，植被指數反映土壤墑情的能力有限。國內學者做過相應研究，在植被指數很小或者很大時，會降低該方法的精度。可以考慮使用其他遙感參量替代來表示植被覆蓋度。由于在NDVI接近飽和時，葉面積指數與植被覆蓋度仍然具備良好的關系，可以考慮用葉面積指數替換，具體研究方法有待于進一步研究。

2）遙感數據空間分辨率的存在，以點狀數據驗證面狀數據的方法決定遙感影像數據和地面實測數據不能很好一一對應，導致誤差的出現，這也是定量遙感的難題之一。本次試驗采用了中分辨率TM遙感影像，反演精度也高于此前研究采用的低分辨率MODIS遙感影像，誤差隨之降低。說明提高影像數據空間分辨率對反演精度提高有幫助。下一步可以采用更高分辨率影像數據進行試驗，以提高精度。

參考文獻：

[1] Committee On Characterization Of Wetlands， WSAT. Wetlands： Characteristics and Boundaries [R]. Washington，DC： National Academy Press， 1995.

[2] 張華兵，劉紅玉，李玉鳳，等.自然條件下鹽城海濱濕地土壤水分/鹽度空間分異及其與植被關系研究[J].環境科學，2013，34（2）：540-546.

[3] 張華兵，劉紅玉，李玉鳳，等.鹽城海濱濕地景觀演變關鍵土壤生態因子與閾值研究[J].生態學報，2013，33（21）：6975-6983.

[4] 仲崇慶，王進欣，邢 偉，等.不同植被和水文條件下蘇北鹽沼土壤TN、TP和OM剖面特征[J].北京林業大學學報，2010，32（3）： 186-190.

[5] 汪 瀟，張增祥，趙曉麗，等.遙感監測土壤水分研究綜述[J].土壤學報，2007，44（1）：157-163.

[6] 趙杰鵬，張顯峰，廖春華，等.基于TVDI的大范圍干旱區土壤水分遙感反演模型研究[J].遙感技術與應用，2011，26（6）：742-750.

[7] 楊 曦，武建軍，閆 峰，等.基于地表溫度-植被指數特征空間的區域土壤干濕狀況[J].生態學報，2009，29（3）：1205-1216.

[8] 姚春生，張增祥，汪 瀟.使用溫度植被干旱指數法（TVDI）反演新疆土壤濕度[J].遙感技術與應用，2004，19（6）：473-478.

[9] 陳 斌，張雪霞，華 開，等.溫度植被干旱指數（TVDI）在草原干旱監測中的應用研究[J].干旱區地理，2013，36（5）：160-167.

[10] 齊述華，王長耀，牛 錚.利用溫度植被旱情指數（TVDI）進行全國旱情監測研究[J].遙感學報，2003，7（5）：420-427，436.

[11] 王 穎，宮輝力，趙文吉，等.北京野鴨湖濕地資源變化特征[J]. 地理學報，2005，60（4）：656-664.

[12] 林 川，宮兆寧，趙文吉，等.基于光譜特征變量的濕地典型植物生態類型識別方法——以北京野鴨湖濕地為例[J].生態學報， 2013，33（4）：1172-1185.

[13] HUETE A，DIDAN K， MIURA T， et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment， 2002，83： 195-213.

[14] 韓麗娟，王鵬新，王錦地，等.植被指數-地表溫度構成的特征空間研究[J].中圖科學（D輯）：地球科學，2005，35（4）：371-377.

[15] 阿布都瓦斯提·吾拉木，秦其明，朱黎江.基于6S模型的可見光、近紅外遙感數據的大氣校正[J].北京大學學報（自然科學版），2004，40（4）：611-618.

[16] 王鵬新，龔健雅，李小文，等.基于植被指數和土地表面溫度的干旱監測模型[J].地球科學進展，2003，18（4）：527-533.

[17] 王鵬新，孫 威.基于植被指數和地表溫度的干旱監測方法的對比分析[J].北京師范大學學報（自然科學版），2007，43（3）： 319-323.

[18] 覃志豪，ZHANG M H，ARNON K，等.用陸地衛星TM6數據演算地表溫度的單窗算法[J].地理學報，2001，56（4）：456-466.

[19] 覃志豪，LI W J，ZHANG M H，等.單窗算法的大氣參數估計方法[J].國土資源遙感，2003（2）：37-43.

[20] 王純枝，毛留喜，何延波，等.溫度植被干旱指數法（TVDI）在黃淮海平原土壤濕度反演中的應用研究[J].土壤通報，2009，40（5）：998-1005.

[21] 陳懷亮，馮定原，鄒春輝.麥田土壤水分NOAA/AVHRR遙感監測方法研究[J].遙感技術與應用，1998，13（4）：27-35.

[22] 郭 鈮，陳添宇，雷建勤，等.用NOAA衛星可見光和紅外資料估算甘肅省東部農田區土壤濕度[J].應用氣象學報，1997，8（2）：85-91.

[23] 孫 麗，吳 全，裴志遠，等.溫度植被干旱指數（TVDI）與多因子關系研究[J].地理與地理信息科學，2010，26（2）：31-34，88.

[24] 許小燕.表層土壤水分預測下層土壤水分的模型研究[D].陜西楊凌：西北農林科技大學，2005.

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

[26].姚春生.使用MODIS數據反演土壤水分研究[D].北京：中國科學院，2003.

[27] SANDHOLT I，RASMUSSEN K，ANDERSEN J. A simple interpretation of the surface temperature vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment， 2002，79： 213-234.

[28] MORAN M S， CLARKE T R， INOUE Y， et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sens Environ， 1994， 49： 246-263.

[29] PRICE J C. Thermal inertia mapping：a new view of the earth[J]. Journal of Geophysical Research，1977，82： 2582-2590.

[30] 張增祥，姚春生.使用溫度植被干旱指數（TVDI）反演新疆土壤濕度[J].中國農業氣象，2009，19（6）：230-234.

[31] 范遼生，姜紀紅，盛 輝.利用溫度植被干旱指數（TVDI）方法反演杭州伏旱期土壤水分[J].中國農業氣象，2009，19（2）：230-234.

[32] 閆 峰，王艷姣.基于Ts-EVI特征空間的土壤水分估算[J].生態學報，2009，29（9）：4884-4891.