基于NDVI-LST模型對遼寧月尺度土壤水分的反演*

張啟霖，殷 紅，紀瑞鵬，武晉雯，張海旭

（1．沈陽農業大學，沈陽110866；2．中國氣象局沈陽大氣環境研究所，沈陽110016；3．沈陽市蘇家屯區氣象局，沈陽110101）

基于NDVI-LST模型對遼寧月尺度土壤水分的反演*

張啟霖1，殷 紅1，紀瑞鵬2，武晉雯2，張海旭3

（1．沈陽農業大學，沈陽110866；2．中國氣象局沈陽大氣環境研究所，沈陽110016；3．沈陽市蘇家屯區氣象局，沈陽110101）

利用MODIS衛星數據集中的歸一化植被指數NDVI（Normalized Difference Vegetation Index，NDVI）與地表溫度LST（Land Surface Temperature，LST）數據建立NDVI-LST模型，對遼寧省2015年5-8月的土壤水分進行反演，建立土壤水分與干邊斜率的相關關系，得到該模型反演下的土壤水分。結果表明：（1）該時間段的 NDVI-LST實際模型能夠形成類似“三角”的特征空間，與理論模型吻合，利用該模型反演的5-8月土壤水分含量與地面實際監測結果相關性較高，除8月外，相關系數均在0.8以上，反演結果空間布局與地面實際土壤水分基本一致；（2）8月土壤水分反演結果不理想，相關系數為0.48，反演和地面實際空間特征差異也較大，其原因是8月NDVI對7月降水極少的響應時間的延后。整體而言，NDVI-LST模型反演土壤水分的試驗結果較理想，可為利用衛星遙感手段快速反演遼寧月尺度的土壤水分、干旱災害防御評估等決策工作提供一種新思路。

MODIS；NDIV-LST模型；土壤水分；特征空間

土壤水分是指土壤未飽和層的水分含量，是一個表示一定深度土層干濕程度的量，與環境、水文和生態關系密切[1]，同時也在反映氣候變化及農業生產中發揮重要作用[2]。土壤水分的變化與地表能量平衡、區域徑流、農作物生產等息息相關[3-4]。因此，土壤水分數據在科研和生產中都有著重要作用，但其準確探測卻較復雜，需要投入大量的人力和財力。遙感技術的應用改變了這一現象，衛星能提供直接的土壤水分數據或結合相關數據反演得到土壤水分數據。

基于衛星遙感方法的土壤水分研究始于20世紀60年代，世界各國學者為此做了大量工作。發展至今，其方法可分為兩種，一是可見光、近紅外和熱紅外方法，二是微波的方法。Kahle[5]于 1977年提出了熱慣量概念，Price[6]在能量平衡的基礎上，總結了熱慣量方法的遙感機理，從而于 1985年使得利用紅外數據反射率反演土壤水分成為可能。Goward等[7]于2002年結合可見光與紅外數據，實現了利用歸一化植被指數（NDVI）與地表溫度（LST）構建 NDVI-LST特征空間模型來反演土壤水分，李正國等[8]利用該模型分析了黃土高原地表水分的季節變化，發現通過模型反演而來的TVDI與土壤水分具有密切聯系，辛景峰[9]通過實驗建立了該模型與土壤水分的數學關系。除熱慣量法和NDVI-LST方法外，作物缺水指數法（CWSI）也是常用的反演土壤水分的方法，Idso等[10-11]發現CWSI可用來監測作物根部的土壤有效水分。由于可見光和紅外波段都不具有穿透土壤的能力，能直接對土壤水分進行探測的只有微波數據，微波可對地表以下一定深度的土壤層進行觀測。在土壤水分的研究中，常被用到的微波數據包括 Aqua上的AMSR-E[12]（已停止工作）、Coriolis的WIND-SAT數據[13]、MetOp-A的ASCAT數據[14]，以及風云系列數據[15]。Schumugge等[16]通過分析實驗數據，發現了亮度溫度與土壤濕度有著較好的線性關系。田國良等[17]利用機載合成孔徑雷達 X波段對封丘縣的麥田土壤含水量進行了監測，并將含水量劃分成 8類，相對誤差可控制在 21%左右。楊虎等[18]利用 50m分辨率的雷達數據反演了土壤表層含水量的變化模式信息，與實測土壤水分含量對比后發現，均方根誤差為0.44。

雖然可見光、紅外線的方法被廣泛地用于研究土壤水分，但無論是 CWSI還是熱慣量法都無法考慮風速的影響，余濤等[19]在研究如何改進熱慣量方法時，取的是研究地點一段時間內的平均風速，但平均風速和實時風速存在差異。盡管 CWSI模型較為成熟，但需要大量的氣象數據作為支撐，且模型方法復雜，要達到一定精度仍有難度，不能被有效推廣。微波數據雖然有著高時效性和較強穿透力，但數據的處理過程繁瑣，在不同地區、不同植被覆蓋度狀況下有著較大誤差，且在微波數據上構建的土壤水分反演模型仍處在探索階段，實用化較低。Muskett等[20]利用 AMSR-E數據分析了阿拉斯加和俄羅斯的土壤水分，發現10.65GHz波段的數據在土壤水分的反演中易出現較大誤差。基于 NDVI-LST模型反演土壤水分的研究報道目前不多。在國外，利用 NDVI-LST模型對土壤水分進行反演的結果已經證明該方法是有效的[21-25]。建立在 NDVI-LST模型基礎上的溫度植被干旱指數 TVDI（Temperature Vegetation Dryness Index）不僅能反應干旱狀況，更與土壤水分有著密切聯系，因此本文嘗試從該方法入手，反演遼寧省土壤水分，并利用實測數據對該方法進行驗證。

遼寧省位于東北地區南端，總面積 1.48×105km2，地理位置在 118°E-125°E、38°N-43°N，東臨渤海和黃海，是東北亞地區重要的出海口。近年來，遼寧省干旱災情頻發，災情嚴重，特別是 2015年7月，遭遇了64a以來最嚴重的干旱，全省作物受旱面積150萬hm2。本文選取2015年5-8月為研究時段，正是考慮到了其代表性。雖然也有國內學者對該模型在中國不同地區反演土壤水分的精度進行了驗證[26-30]，但在遼寧省的應用報道鮮見。本研究在結合氣象站土壤墑情數據、降水量數據對反演結果進行驗證的基礎上，分析反演結果與氣象站探測結果的差異，并對月尺度上反演結果進行解釋說明，以期達到利用遙感手段快速監測較長時間尺度土壤水分的目的，以期為利用衛星遙感手段快速反演遼寧月尺度的土壤水分、干旱災害防御評估等提供新思路，豐富環境、水文和生態等相關學科的研究方法。

1 資料與方法

1.1 數據及其來源

遙感數據來源于 MODIS衛星每月植被指數產品（MOD13C2）和地表溫度產品（MOD11C3），空間分辨率為5km，時間分辨率為30d，兩種產品均經幾何校正與大氣校正。數據時相覆蓋了2015年5-8月遼寧省主要農作物生長季。

地面實測的土壤水分數據，來自遼寧省52個自動土壤水分觀測站資料，其時間分辨率為小時，包含0-200cm的土壤含水率，考慮到遙感數據的穿透能力，提取 0-40cm土層土壤含水量數據對 NDVILST模型進行驗證。

降水量資料來自遼寧省56個地面站點的觀測，其時間分辨率為逐小時。由于北京時間與MODIS所采用的世界時有8h的差距，因此，本文將土壤水分和降水量資料均統一到世界時的時間范圍下進行計算得到月土壤水分和降水數據。圖 1為降水站點和土壤水分的觀測和采樣點，從圖可知，兩種數據的空間分布非常均一，涵蓋了遼寧省的各個區域，足以滿足研究要求。

圖1 遼寧省土壤水分及降水觀測站點分布Fig. 1 Distribution of gauge points of soil moisture （GSM）and gauge points of rainfall in Liaoning province

1.2 研究方法

1.2.1 NDVI-LST模型

植被指數（NDVI）反映地表植被的生長狀況，同時也可衡量植被覆蓋度，是利用植被對紅光及近紅外波段的反射特性所確定的一個量[31]。NDVI值在-1～1，數值越大說明植被越茂盛。地表溫度（LST，單位：K）是一個客觀記錄地表能量的量。

NDVI-LST模型被定義為溫度植被干旱指數模型（Temperature Vegetation Dryness Index，即 TVDI），該模型是由 Sandholt等[32]在研究土壤濕度時，發現LST隨NDVI變化且其空間特征類似于一個梯形或三角形，逐步發展提出的，其示意圖見圖2。

圖2 NDVI-LST模型Fig. 2 Feature space of NDVI-LST module

1.2.2 TVDI模型

溫度植被干旱指數TVDI的計算式為

式中，TS為實際地表溫度（單位：K），即LST；TSmax代表特征空間干邊，表示某一NDVI對應的地表最高溫度，由圖 2中的干邊線性擬合而來。TSmin代表特征空間濕邊，表示某一 NDVI對應的地表最低溫度，由圖 2中的濕邊線性擬合而來，是 NDVI與最小溫度的擬合結果。計算分別為

式中，a1和b1為干邊方程的擬合系數，a2和b2為濕邊的擬合系數。TVDI的值在0～1之間，值越小說明植被蒸散量越小，土壤水分含量越高；值越大說明土壤蒸散發量越大，土壤水分含量越低。

1.2.3 土壤水分模型

Goward等[33-34]研究發現，NDVI-LST直線的斜率與土壤水分有著密切聯系，當提取不同地點的NDVI-LST斜率時，可建立斜率與土壤水分的關系式，Goetz等[35]研究發現，NDVI-LST斜率隨時間地點的變化還可反映區域土壤水分的年際變化特點。其原理是基于 NDVI-LST模型的干濕邊與歸一化后有著式（4）的關系，將其變形為式（5），在 Goetz等[35]的研究基礎上，建立DGSM 與干邊方程斜率的關系如式（6），將式（6）代入（5）中，即得到土壤水分的反演結果。

式中，GSM為最后反演的土壤水分，GSMW為濕邊最大土壤水分含量，計算中取100%，GSMD為干邊土壤最低含水量，δ為NDVI-LST模型中的干邊斜率b1，a3和 a4是GSM與b1的擬合系數，利用采樣點中0-40cm的土壤水分最低值與所研究月份內的干邊斜率擬合即可計算得到GSMD。

2 結果與分析

2.1 遼寧月尺度NDVI-LST模型的特征空間

根據2015年5-8月遼寧省MODIS資料繪制每月NDVI隨最大及最小LST變化過程，數據處理過程中，去掉NDVI＜0的像元點，從NDVI的最小值開始，以0.01為步長，提取這一NDVI范圍內的LST最大值與最小值，結果見圖3。從圖2的TVDI理論模型上分析，干邊應是一條下降的直線，而濕邊應是一條與X軸平行的直線，圖3中的結果與理論模型存在差異，其干邊變化呈現先上升而后下降的空間特征，濕邊變化則先下降再上升。

當NDVI處于0～0.2區間時，干邊對應的最高溫度呈上升趨勢，這是由于當植被覆蓋度小于15%時，植被NDVI比裸土高，植被可以被監測出來，特別是在干旱和半干旱區域，NDVI難以指示區域內的植物生長量，因此出現這樣的變化特點。當NDVI處于0～0.8區間時，濕邊對應的最低溫度隨植被覆蓋度增加而降低，在理論上這是正確的，而當NDVI＞0.8時，溫度隨NDVI增加而增加，這是由于植被覆蓋度超過80%時，植被覆蓋趨于飽和，NDVI對植被的靈敏度檢驗下降所造成的[36]。

圖3 2015年5-8月NDVI-LST特征空間Fig. 3 Feature space of NDVI-LST from May to August

剔除干邊中NDVI在0～0.2范圍內對應的數據和濕邊中的數值，利用 IDL編程對每個月干濕邊方程中系數進行最小二乘法擬合，得到干濕邊擬合方程，結果見表1。由表中可見，各月擬合的干濕方程，相關系數均達到了0.8以上，通過了0.01水平的顯著性檢驗；各月擬合方程的斜率值、特征空間的變化也相同，干濕邊斜率值均為負，且構成類三角或梯形的結構，干濕邊截距的大小可以反映當月的土壤水分程度，如果兩個截距之間的差值較大，說明當月的土壤水分變化空間也較大，從表中可知，5月的截距差值最大，為19.08，這與春夏之交土壤水分變化幅度的因素有關。

表1 特征空間中干、濕邊方程的擬合結果Table 1 Feature space of drought and wet edge from May to August

2.2 月尺度土壤水分反演結果的時空特征

在公式（6）的基礎上，通過 MATLAB軟件擬合4個月的GSMD為

將式（7）代入式（5），即得到土壤水分反演值。

圖 4是反演的土壤水分、實測土壤水分以及各月對應降水總量的空間分布情況。從圖中反演結果看，衛星反演土壤水分在空間分布上，與實際情況吻合度較高，說明了反演結果是正確的。從圖中土壤水分總體空間分布可知，遼寧省東北部有一個土壤水分高值區，該地區是遼寧傳統農業生產區和植被覆蓋度較高的區域，具有較高的土壤含水量。

圖4a1-圖4a3中，遼寧省西部朝陽市（地理位置見圖1，下同）5月實測土壤水分明顯比6、7、8月低，但朝陽市在該月的降水量卻并非很小，這可能與每年 3-5月從來自內蒙古的沙塵天氣有關，但實測的朝陽市土壤水分低的現象卻并未反映在模型反演結果中，這與該地區的植被覆蓋度有關，當植被覆蓋度不高時，NDVI與土壤水分的相關關系會降低，且當NDVI小于0.15時，這種現象更加明顯[37-39]。圖4a1-圖4a3中，降水量與土壤水分的關系在朝陽市、葫蘆島市以及包括沈陽和阜新在內的區域內有著正向相關關系，即降水量低時，土壤水分也低，同時，大連市 5月降水量低，其土壤水分也很低，而且土壤水分低的區域超出了降水低值區。在土壤水分較高的東北部，降水在 5月的最大值也出現在東北部地區。

圖4b1-圖4b3中，NDVI-LST模型反演結果與實測土壤水分類似，只在東北部和西南部有不同，但降水與土壤水分的關系卻不明顯，甚至有負相關的現象，如在東北部地區降水量不多，但其土壤水分卻在當月最大，這或許與降水的發生到植物或農作物將其反應出來的時間間隔有關。圖 4c1-圖 4c3中，7月遼寧省遭受了64a來最嚴重的旱災，全省月平均降水量僅19.8mm，造成了農業及相關產業的巨大損失，這也可從選用的降水站點所記錄的最大降水量上得以證實，該月最大降水量約為24mm，明顯低于其它月份，而土壤水分在7月也比5、6月低，東部地區對 7月的模型反演結果與實測的土壤水分類似，考慮到TVDI可單獨用來反演干旱[32]，NDVILST模型下的土壤水分又與實測土壤水分結果吻合，說明反演結果也有反映干旱的能力。由圖4d1-圖4d3可見，8月的反演結果與實際測量結果存在較大差異，這與7月的干旱有一定關系，由于遼寧省7月有過半區域在20多日內未見降水，植被覆蓋度大幅降低，8月的降水改善了干旱的局面，但降水與植被的生長之間有著一段時間的延遲，從降水的發生到植被將降水事件反映出來存在幾天至十幾天，在高緯地區甚至存在上月的延遲[38-39]，這就導致了NDVI不能及時對土壤水分作出反應，因而反演結果誤差較大，同時，從降水與土壤濕度的空間分布上可得知，8月的降水與土壤濕度差異很大，僅在遼寧省北部有正相關關系。但從整體情況而言，反演結果仍較精確，能正確反映土壤水分的分布情況，對土壤水分量的記錄與實測數據也很接近，表明NDVI-LST模型具有對遼寧省土壤水分的反演能力。

圖4 2015年5-8月各月土壤水分模型NDVI反演結果、實測值和當月降水量的空間分布FIG.4 Spatila distribution of monthly soil moisture computed by NDVI-LST module,measured data and rainfall in 2015

2.3 月尺度土壤水分反演結果與實測值的相關分析

為了檢驗反演結果，利用地表實際土壤水分觀測數據與同期反演土壤水分進行相關性對比，其結果如圖5所示。由圖可見，除8月外，其余3個月的相關系數均在0.8以上，均通過了p<0.01水平的顯著性檢驗。相關分析結果也與圖4中的結果與實測土壤水分存在差異，兩種數據的相關系數在該月也僅有0.48，與前三個月相比，差異巨大。散點的分布結果與圖4中的結果相互對應，說明反演結果具有正確反映土壤水分的能力。

3 結論與討論

3.1 結論

本文利用了MODIS月尺度歸一化植被指數（NDVI）與地表溫度（LST）兩種產品數據，在建立NDVI-LST模型的基礎上對遼寧省2015年5-8月的土壤水分進行了反演，并與實測的土壤水分、實測降水量進行對比分析。研究發現，NDVI與LST能構建與模型相似的特征空間，且干濕邊擬合結果的相關系數均在0.8以上。NDVI-LST模型反演的土壤水分，除8月外，5-7月的反演結果與實測土壤水分均有較好的空間一致性。在8月，由于干旱的影響，反演的土壤水分與實測土壤水分之間存在較大差異，相關系數僅0.48，但兩者在5-7月的相關系數分別為0.87、0.88和0.82，均通過了p<0.01水平的顯著性檢驗，說明NDVI-LST模型具有對土壤含水量的反演能力。

圖5 遙感反演與實測土壤含水率散點圖Fig. 5 Scatter points of soil moisture from NDVI-LST module and validation data

3.2 討論

由于7月遼寧省大面積干旱的影響，8月的反演結果并不好，這是由于NDVI與降水存在滯后響應所引起的。要解決這一問題，必須有更高時間精度的 NDVI、LST和更多的地面實測數據作支撐，這也是本文存在的不足之處。本文也未能解決NDVI＜0.2和NDVI＞0.8時的NDVI與植被覆蓋度的相互關系問題，這或許也是造成反演結果存在誤差的原因，但若拋開這個區間范圍內的值進行擬合并反演，則遼寧省諸多區域就不能參與到計算當中，因此予以保留。與熱慣量法和植被缺水指數法相比較，本研究所采用的方法更簡潔，在數據獲取、處理上更方便，減少了對氣象數據的依賴性，且反演結果也較好。

總之，NDVI-LST模型在氣象條件正常的情況下，能夠對土壤水分進行準確反演。希望能夠利用這一特點，對將來的防災減災以及在缺少氣象站數據的情形下的管理決策工作提供快速而有效的數據支持。

References

[1]Dorigo W A,Wagner W,Hohensinn R,et al.The international soil moisture network:a data hosting facility for global in-situ soil moisture measurement[J].Hydrol.Earth Syst.Sci.,2011,15,1675-1698.doi:10.5194/hess-15-1675-2011.

[2]Chen C F,Son N T,Chang L Y,et al.Monitoring of soil moisture variability in relation to rice cropping systems in the Vietnamese Mekong Delta using MODIS data[J].Applied Geography,2011,(31):463-475.

[3]李麗,申雙和,孫鋼,等.土壤水分對冬小麥氣孔導度及光合速率的影響與模擬[J].中國農業氣象,2016,37(6):666-673.Li L,Shen S H,Sun G,et al.Simulation on and impact of soil moisture on stomatal conductance and photosynthesis rate of winter wheat[J].Chinese Journal of Agrometeorology, 2016,37(6):666-673.(in Chinese)

[4]張曼義,楊再強,候夢媛.土壤水分脅迫對設施黃瓜葉片光合及抗氧化酶系統的影響[J].中國農業氣象,2017,38(1):21-30.Zhang M Y,Yang Z Q,Hou M Y.Effects of soil water stress on photosysthetic characteristics and antioxidant enzyme system of cucumber leaves in greenhouse[J].Chinese Journal of Agrometeorology,2017,38(1):21-30.(in Chinese)

[5]Kahle A B.Surface emittance,temperature,and thermal inertia derived from Thermal Infrared Multispectral Scanner(TIMS)data for Death Valley,California[J]. Geophysics,2012,52(7):858-874.

[6]Price J C.On the use of satellite data to infer surface fluxes at meteorological scales[J].Journal of Applied Meteorology,1982,21(8):1111-1122.

[7]Goward S N,Xue Y,Gzajkowski K P.Evaluatiing land surface moisture conditions from the remotely sensed temperature/vegetation index measurements:an exploration with the simplified simple biosphere model[J].Remote Sensing of Environment,2002,79(2-3):325-242.

[8]李正國,王仰麟,吳健生,等.不同土地利用方式對黃土高原植被覆蓋季節變化的影響:以陜北延河流域為例[J].第四紀研究,2005,25(6):762-769.Li Z G,Wang Y L,Wu J S,et al.Relationship between surface dryness degree and landuse types based on TVDI on Loess Plateau[J].Quaternary Sciences,2005,25(6):762-769.(in Chinese)

[9]辛景峰.區域旱情遙感監測研究[D].北京:中國科學院遙感應用研究所,2003.Xin J F.Study and monitoring on regional drought inspection using remote sensing[D].Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences,2003.(in Chinese)

[10]Idso K E,Idso K E.The recovery of physiological processes following irrigation of water-stressed extra long-staple cotton[D].The University of Arizona,1992.

[11]Santos W J R,Silva B M,Oliveira G C,et al.Soil moisture in the root zone and its relation to plant vigor assessed by remote sensing at management scale[J].Geoderma,2014,221-222(2):91-95.

[12]Bindlish R,Jackson T J,Gasiewski A J,et al.Soil moisture mapping and AMSR-E validation using the PSR in SMEX02[J].Remote Sensing of Enviroment,2006,103(2):127-139.

[13]Wang X,Liu T,Li F,et al.Simulated soil erosion from a semiarid typical steppe watershed using an integrated aeolian and fluvial prediction model[J].Hydrological Processes,2014,28(2):325-340.

[14]Parrens M,Zakharova E,Lafont S,et al.Comparing soil moisture retrievals from SMOS and ASCAT over France[J].Hydrology & Earth System Sciences Discussions,2011,16(2):423-440.

[15]王國杰,齊道日娜,王磊,等.基于風云三號氣象衛星微波亮溫資料反演東北地區土壤濕度及其對比分析[J]. 大氣科學,2016,40(4):792-804.Wang G J,Chyidorina,Wang L,et al.Soil moisture retrieval over Norheast China on microwave brightness temperature of FY3B satellite and its comparison with other datasets[J].Chinese Journal of Atomospheric Sciences,2016,40(4):792-804.(in Chinese)

[16]Schmugge T,O'Neill P E,Wang J R.Passive microwave soil moisture research[J].Geoscience & Remote Sensing IEEE Transactions on,1986, GE-24(1):12-22.

[17]田國良.土壤水分的遙感監測方法[J].遙感學報,1991,(2):89-98.Tian G L.Methods for monitoring soil moisture using remote sensing technique[J].Journal of Remote Sensing,1991,(2):89-98.(in Chinese)

[18]楊虎.植被覆蓋地表土壤水分變化雷達探測模型和應用研究[D].北京:中國科學院遙感應用研究所,2003.Yang H.On the modeling of canopy covered surface soil moisture change detection using multi-temporal radar images[D].Beijing:Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,2003.(in Chinese)

[19]余濤,田國良.熱慣量法在監測土壤表層水分變化中的研究[J].遙感學報,1997,1(1):24-31.Yu T,Tian G L.The application of Thermal Inertia Method the monitoring of soil moisture of North China Plain based on NOAA-AVHRR data[J].Journal of Remote Sensing,1997,1(1):24-31.(in Chinese)

[20]Muskett R R,Romanovsky V E,Cable W L,et al.Active-Layer soil moisture content regional variations in alaska and russia by ground-based and satellite-based methods,2002 through 2014[J].International Journal of Geosciences,2015,6(1):12-41.

[21]Younis S M Z,Iqbal J.Estimation of soil moisture using multispectral and FTIR techniques[J].Egyptian Journal of Remote Sensing & Space Science,2015,18(2):151-161.

[22]Mekuria E F.Spatial and temporal analysis of recent drought using vegetation temperature condition index: case of Somali regional state of Ethiopia[D].Master of Science in Geospatial Technologies,Case of Somali Regional State of Ethiopia, 2012.

[23]Mehdi H,Mohammad R S.Multi-index-based soil moisture estimation using MODIS images[J].International Journal of Remote Sensing,2011,32(21):6799-6809.

[24]Park J Y,Ahn S R,Hwang S J,et al.Evaluation of MODIS NDVI and LST for indicating soil moisture of forest areas based on SWAT modeling[J].Paddy and Water Environment,2014,12(1):77-88.

[25]Parida B R,Collado W B,Borah R,et al.Detecting drought-prone areas of rice agriculture using a MODISDerived soil moisture index[J].Giscience & Remote Sensing,2008,45(1):109-129.

[26]宋春橋,游松財,柯靈紅,等.藏北高原土壤濕度MODIS遙感監測研究[J].土壤通報,2012,(2):294-300.Song C Q,You S C,Ke L H,et al.The study of MODIS remote sensing for monitoring soil moisture over Northern Tibetan Plateau[J].Chinese Journal of Soil Science,2012,(2): 294-300.(in Chinese)

[27]鮑艷松,嚴婧,閔錦忠,等.基于溫度植被干旱指數的江蘇淮北地區農業旱情監測[J].農業工程學報,2014,30(7):163-172.Bao Y S,Yan J,Min J Z,et al.Agricultural drought monitoring in north Jiangsu by using temperature vegetation dryness index[J].Transaction of the CSAE,2014,30(7):163-172.(in Chinese)

[28]康悅,文軍,張堂堂,等.衛星遙感數據評估黃土高原陸面干濕程度研究[J].地球物理學報,2014,(8):2473-2483.Kang Y,Wen J,Zhang T T,et al.Assessment of the land surface wetness by using satellite remote sensing data over the Loess Plateau[J].Chinese Journal of Geophysics,2014,(8):2473-2483.(in Chinese)

[29]韓陽.長白山地區森林土壤含水量定量遙感研究[D].長春:東北師范大學,2011.Han Y.Research on the forest soil moisture in the Changbai mountains using the Quantitative Remote Sensing methods[D].Changchun:Northeast Normal University,2011.(in Chinese)

[30]張芳.基于 MODIS的陜西省干旱遙感監測研究[D].西安:陜西師范大學,2008.Zhang F.Research and monitoring of drought in Shanxi province based on MODIS data[D].Xi’an:Shaanxi Normal University,2008.(in Chinese)

[31]Defries R S,Townshend J R G.NDVI-derived land cover classifications at a global scale[J].International Journal of Remote Sensing,1994,15(17):3567-3586.

[32]Sandholt I,Stisen S,Fensholt R.Meteosat second generation data for assessment of surface moisture status[J].Eclética Química,2004,35(2):1559.

[33]Goward S N,Hope A S.Evapotranspiration from combined reflected solar and emitted terrestrial radiation:preliminary FIFE results from AVHRR data[J].Advances in Space Research,1989,9(7):239-249.

[34]Nemani R R,Running S W.Estimation of regional surface resistance to evapotranspiration from NDVI and Thermal-IR AVHRR data[J].Journal of Applied Meteorology,1989,28(4):276-284.

[35]Goetz S J.Multi-sensor analysis of NDVI,surface temperature and biophysical variables at a mixed grassland site[J].International Journal of Remote Sensing,1997,18(1): 71-94.

[36]姚春生.使用 MODIS數據反演土壤水分研究[D].北京:中國科學院遙感應用研究所, 2003.Yao C S.Retrieve of soil moisture using MODIS data[D].Beijing:Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,2003.(in Chinese)

[37]Garcia M,Fernandez N,Villagarcia L,et al.Accuracy of the Temperature–Vegetation Dryness Index using MODIS under water-limited vs.energy-limited evapotranspiration conditions[J].Remore Sensing of Environment,2014,149: 100-117.

[38]Zheng Y F,Guo J Y,Yin L Q,et al.The relationship between NDVI and precipitation in ordos from 2002 to 2012[J].Global Seabuckthorn Research & Development,2014,12(2):39-43.

[39]Luo H,Wang L,Fang J,et al.NDVI,temperature and precipitation variables and their relationships in Hainan Island from 2001 to 2014 based on MODIS NDVI[M].Springer Berlin Heidelberg,2015.

Retrieving on Monthly Soil Moisture in Liaoning Province Based on NDVI-LST Module

ZHANG Qi-lin1，YIN Hong1，JI Rui-peng2，WU Jin-wen2，ZHANG Hai-xu3
（1．Shenyang Agricultural University, Shenyang 110866, China；2．Institute of Atmospheric Environment（IAE）,CMA, Shenyang 110016；3．Metelogical Bureau of Shenyang Sujiatun District, Shenyang 110101）

To verify the application of NDVI(Normalized Difference Vegetation Index) and LST(Land surface Temperature)module in Liaoning Province, the NDVI and LST data from MODIS May to August in 2015 were used to establish the module and used as the slope from the module fitting curves to compute the soil moisture. The results showed that: (1) the module of NDIV/LST had the same feature with the theory module which was a triangle module,the soil moisture computed from this module had high correlation coefficient with the measured soil moisture values.The values of correlation coefficient were all above 0.8 except for August, and the spatial distribution of computed soil moisture was same with the measured values except for August. (2) The result of computed soil moisture in August was not ideal, the correlation coefficient was only 0.48, which was possibly due to NDVI had a delayed reflection of July precipitation and the influence of August drought in Liaoning province. Overall, the result form retried NDVI-LST module was ideal. It could provide a new idea for the quick retrieval of soil moisture in Liaoning and provide the decision making for disaster prevention and mitigation.

MODIS; NDVI-LST module; Soil moisture; Feature space1

10.3969/j.issn.1000-6362.2017.11.004

張啟霖,殷紅,紀瑞鵬,等.基于NDVI-LST模型對遼寧月尺度土壤水分的反演[J].中國農業氣象,2017,38(11):720-728

2017-02-13**

。E-mail：snyinhong@126.com

國家自然科學基金青年科學基金項目（31600350）

張啟霖（1992-），滿族，碩士生，研究方向：氣象災害遙感研究。E-mail：18804050011@163.com