三種干旱指數在干旱區沼澤濕地土壤水分遙感反演中的應用

葛少青, 張 劍, 孫 文, 王利平, 耿亞軍, 范雙萍

西北師范大學地理與環境科學學院, 蘭州 730070

濕地是地球上與海洋、森林生態系統并列的三大自然生態系統之一。它不僅具有豐富的生物多樣性,還在涵養水源、調節氣候、補充地下水、降解環境污染、蓄洪防旱、維持區域生態平衡等方面具有重要作用[1- 2]。干旱區濕地多分布于生態敏感地帶,一旦被破壞就很難恢復[3]。濕地土壤與水有著密切的聯系,水是濕地中許多生態過程的主要決定因素,水文條件的不斷變化,不僅改變濕地的分布面積和形態,而且對濕地植物群落的結構、分布乃至生態系統服務功能起著決定性作用,因此水文條件是濕地發育演化和濕地生態系統維持的基礎,濕地土壤水分的動態監測對濕地管理和保護有著重要意義。

傳統的土壤水分監測方法需要進行大量的野外實地采樣和一系列復雜的后續處理過程,不僅耗時費力,而且難以及時、宏觀和動態的反映大尺度的土壤水分信息,有很大的局限性。而衛星遙感具有快速、實時、動態和覆蓋范圍廣等優點,且容易實現,目前遙感監測土壤水分已成為國內外研究的熱點,自21世紀以來,大量干旱指數被應用于土壤墑情監測中[4- 12]。國外最早開始利用遙感進行土壤水分監測是在20世紀60年代,Ghulam等[13]考慮到NIR-Red特征空間中的植被覆蓋信息,提出了能夠較好反映旱情動態變化的改進垂直干旱指數(MPDI);England等[14]對裸露或植被覆蓋度低的地表采用熱慣量方法反演土壤水分。國內在土壤水分遙感反演方面雖起步晚,但發展迅速,姚云軍等[15]分析了MODIS水分敏感的波段,并利用MODIS第六和第七波段建立光譜特征空間,提出了短波紅外土壤濕度指數(SIMI);吾拉木等[16]分析了NIR-SWIR特征空間上地物的分異規律,提出了適宜于植被冠層葉片含水量的遙感監測指數-短波紅外垂直失水指數SPSI。上述這些方法雖然都在一定程度上反映了該地區的干旱狀況,但都無法直接反映該區域的土壤水分分布狀況,并且未證實在干旱區濕地土壤水分中的適用性。

由于人類強烈的社會活動,導致疏勒河流域脆弱生態系統環境日趨惡化,主要表現為綠色生態嚴重惡化和濕地面積縮小[17],且天氣持續干旱等因素的影響,使研究區濕地的水源補給受到威脅[18],為能更好的反映研究區濕地土壤水分的現狀,本研究以Landat8OLI遙感影像為基礎,典型干旱區疏勒河中下游沼澤濕地為研究對象,選取廣泛應用的溫度植被干旱指數(TVDI)和垂直干旱指數(PDI)以及適用于不同植被覆蓋情況下的歸一化干旱監測指數(NPDI)3種干旱指數,與濕地野外實測0—40 cm各層土壤水分數據相結合,探究3種指數在干旱區濕地土壤水分反演中的精度,以此展開對干旱區濕地土壤水分反演的研究,以期為干旱區濕地土壤水分監測和濕地生態保護提供科學依據和決策參考。

1 研究區概況

疏勒河流域位于甘肅省河西走廊西端,在河西走廊三大內陸河流域中僅次于黑河流域。源于青海省祁連山脈西段疏勒南山和托來南山之間的沙果林那穆吉木嶺。向西北流,通過音德爾達坂東北坡羅溝轉北流入河西走廊,流域面積4.13萬km2。疏勒河中下游地勢總體呈南北高、中間低,分布有大量綠洲,海拔1100—2010 m;由于獨特的地理位置和氣候條件,形成晝夜溫差大、蒸發強烈的氣候環境,研究區屬于溫帶大陸性干旱區[17],干旱少雨多風,年降水量37.63 mm,年蒸發量3000 mm以上,年日照3033—3246 h;疏勒河中下游包括敦煌、瓜州和玉門的絕大部分地方。天然植被主要有胡楊、檉柳、蘆葦、白刺等,土壤類型為棕漠土、鹽土、草甸土、沼澤土、風沙土、灌淤土和潮土,濕地類型以沼澤濕地為主(圖1)。

圖1 研究區示意圖Fig.1 Illustration of the study area

2 數據來源與研究方法

2.1 數據來源

本研究采用的遙感數據為四景2016年8月的Landsat8OLI遙感影像,影像來源于地理空間數據云(http://www.gscloud.cn/search),其軌道行列號分別為135,32、136,32、137,32和138,32。Landsat衛星是由美國國家航天航空局(NASA)發射,用以獲取地球表面影像的一種遙感平臺,以觀測陸地資源和環境為主。作為當前全球應用最廣的民用衛星,Landsat以其豐富的光譜信息、較高的空間分辨率、優異的性價比以及連續的發射計劃為全球的各類科學研究提供了豐富的遙感資料。研究區的矢量邊界來源于寒區旱區科學數據中心(http://westdc.westgis.ac.cn)。

濕地土壤水分實測數據來源于2016年8月,分別在敦煌市、瓜州縣以及玉門市沼澤濕地設置的53個樣地,樣地大小與所選用遙感影像的空間分辨率一致,在30 m×30 m的正方形網格中使用一個系統的抽樣方法,取樣深度為10、20、40 cm,每個樣地采集3個重復。土壤水分測定采用烘干法[19]。

2.2 研究方法

2.2.1 溫度植被干旱指數(Temperature Vegetation Dryness Index,TVDI)

地表溫度與植被指數是描述地表特征的兩個重要參數,Price[20]、Sandholt[21]等根據地表溫度和植被指數,提出了溫度植被干旱指數(TVDI),其表達式為：

(1)

式中,Ts為地表溫度,Tsmax為特征空間干邊,Tsmax=a1+b1× NDVI,表示某一NDVI 對應的地表最大溫度;Tsmin為特征空間濕邊,Tsmin=a2+b2× NDVI 表示某一NDVI 對應的地表最小溫度;a1、b1、a2、b2分別為干邊和濕邊線性擬合方程的系數。其中地表溫度采用Landsat8大氣校正法反演所得。

2.2.2 垂直干旱指數(Perpendicular Drought Index,PDI)

詹志明等[22]使用經由大氣校正的Landsat ETM+遙感影像的第3波段和第4波段反射率數據,建立了NIR-Red光譜特征空間,構建散點圖,獲得NIR-Red二維光譜空間中的土壤線,發現地表土壤水分在NIR-Red 特征空間的分布規律,并提出了一個基于NIR-Red光譜空間特征的植被水分指數,即垂直干旱指數(PDI),其表達式為：

(2)

式中,Rred為紅波段光譜反射率,Rnir為近紅外波段光譜反射率,m為NIR-Red土壤擬合線斜率。

2.2.3 歸一化干旱監測指數(Normalized Perpendicular Drought Index,NPDI)

馮海霞等[23]選擇對水分敏感的紅光和短波紅外波段,并且考慮到土壤和植被在光譜特征中的分異規律,提出了干旱監測的新方法,即歸一化干旱監測指數(NPDI),其表達式為：

(3)

式中,Rs為經過大氣校正的短波紅外和紅光反射率的差值,Rd為經過大氣校正的短波紅外和紅光反射率的和,m為Rs-Rd土壤擬合線斜率。

2.2.4 指數的評價

干旱指數方程的精度驗證采用留一交叉驗證法[24]。對于n個樣本的數據組,每次取n-1個數據進行線性擬合,確定其擬合參數,然后將剩下的一組樣本代入擬合方程進行檢驗,交叉驗證共進行n次,確保每個樣本都進行一次檢驗。交叉驗證的結果能夠反映一個模型對未知樣本是否具有良好的預測能力,且留一交叉驗證能夠找出數據中的異常值。用于擬合檢驗的統計量有：決定系數(R2)、平均相對誤差(MRE,%)、平均偏差(MBE)、相對均方根誤差(RRMSE,%)和復合相對誤差(CRE,%)。計算公式如下：

(4)

(5)

(6)

(7)

(8)

2.2.5 數據處理

常規統計分析在Excel 2010軟件中進行;利用ENVI 5.1軟件對遙感影像進行預處理,將灰度值轉化為實際的物理量,如反射率、輻亮度等,并采用6s指數進行大氣校正;利用ArcGIS 10.0軟件提取與實測點對應的模擬值;在SPSS 19.0軟件中采用Kolmogorov-Smirnov法進行殘差的正態性檢驗,P>0.05說明數據近似呈正態分布;OriginPro 9.0軟件進行制圖。

3 結果與分析

3.1 土壤水分反演指數精度驗證與比較

3.1.13種干旱指數在不同深度濕地土壤水分的反演

通過篩選剔除異常值后,采用40個實測點的土壤水分分別與Landsat8OLI影像相對應像元的TVDI、PDI和NPDI反演結果進行線性擬合(圖2);對不同深度土壤水分的標準化殘差進行了正態分布的擬合(圖3)。

如圖2所示,3種干旱指數在不同深度濕地土壤中均隨著土壤水分的增加而呈現下降趨勢,研究區TVDI、PDI、NPDI3種干旱指數均與土壤實測水分呈顯著負相關(P<0.01),從不同土層看,TVDI、PDI和NPDI3種干旱指數均與表層0—10 cm的土壤水分擬合效果最好,且NPDI指數的擬合效果最佳;10—20 cm次之,20—40 cm擬合程度最低。從不同干旱指數看,在0—10 cm表層土壤,NPDI與土壤水分的擬合效果最優,TVDI次之,PDI最低;在10—20 cm深度處,NPDI與土壤水分的擬合程度最高,TVDI次之,PDI最低;在20—40 cm深度處,3種干旱指數與土壤水分的擬合效果依然為NPDI最高、PDI次之,TVDI最低。

如圖3所示,0—10、10—20 cm和20—40 cm深度土壤水分的標準化殘差均近似呈正態分布,且殘差通過了K-S正態性檢驗(P>0.05)。

圖2 TVDI、PDI、NPDI與不同土層土壤實測水分之間的關系Fig.2 Relationship between TVDI, PDI, NPDI and soil moisture content in different soil layers

圖3 不同深度土壤水分的標準化殘差的正態分布擬合Fig.3 Normal distribution fitting of standardized residuals of soil moisture at different depths

3.1.2 3種干旱指數在不同深度土壤水分反演的精度驗證

利用留一交叉驗證法對3種干旱指數在不同深度土壤水分的反演精度進行檢驗,3種干旱指數在不同深度的土壤水分估算結果均通過α=0.01水平的顯著性檢驗。

如表1所示,TVDI在不同深度土壤水分反演的模擬結果和驗證結果的決定系數的大小均為0—10 cm>10—20 cm>20—40 cm,平均偏差均趨向于0,在0—10 cm深度處,模擬結果和驗證結果的平均相對誤差和相對均方根誤差在20%以內,其他各層隨深度增加而逐漸增大,且均大于20%,模擬結果和驗證結果的復合相對誤差在各層土壤中均在20%以內。

如表2所示,PDI在不同深度土壤水分反演的模擬結果和驗證結果的決定系數的大小均為0—10 cm>10—20 cm>20—40 cm,平均偏差均趨于0,平均相對誤差、相對均方根誤差和復合相對誤差均大于20%。

如表3所示,NPDI在不同深度土壤水分反演的模擬結果和驗證結果的決定系數的大小均為0—10 cm>10—20 cm>20—40 cm,平均偏差均接近于0,平均相對誤差、相對均方根誤差和復合相對誤差均在20%以內。

因此,3種干旱指數均在0—10 cm處對土壤水分的反演精度最高,10—20 cm次之,20—40 cm最低,且3種干旱指數在不同土層的土壤水分反演中,均為NPDI的精度最高,TVDI次之,PDI最低。

表1 TVDI不同深度土壤水分擬合及交叉驗證評價結果

表2 PDI不同深度土壤水分擬合及交叉驗證評價結果

表3 NPDI不同深度土壤水分擬合及交叉驗證評價結果

Ⅰ：擬合結果;Ⅱ：交叉驗證結果

3.2 土壤水分反演指數實證研究

本研究采用反演精度較高的歸一化干旱監測指數NPDI,以疏勒河中下游濕地數據為基礎,依據濕地分類標準[25](表4),提取了沼澤化草甸、草本沼澤、季節性咸水沼澤和內陸鹽沼4種濕地類型的NPDI平均值,然后根據NPDI模擬值與實測土壤水分之間的線性關系,模擬出四種濕地類型的平均土壤水分(圖4)。

表4 濕地類型及劃分標準

圖4 疏勒河中下游不同濕地類型土壤水分垂直分布 Fig.4 Vertical distribution of soil moisture in different wetland types in Shule River middle and lower reaches不同大寫字母表示同一土層不同濕地類型之間的顯著性差異(P<0.05);不同小寫字母表示同一濕地類型不同土層之間的顯著性差異(P<0.05)

如圖4所示,疏勒河中下游0—10、10—20 cm和20—40 cm各土層中同一濕地類型的土壤水分差異顯著(P<0.05),且同一土層中,沼澤化草甸、草本沼澤、季節性咸水沼澤和內陸鹽沼4種濕地類型間土壤水分也存在顯著差異(P<0.05)。

如表5所示,研究區濕地表層土壤中,沼澤化草甸的土壤水分為35.20%,草本沼澤的土壤水分為20.17%,季節性咸水沼澤的土壤水分為17.45%,內陸鹽沼的土壤水分為12.36%;深度為10—20 cm的土壤,沼澤化草甸的土壤水分為32.81%,草本沼澤的土壤水分為20.35%,季節性咸水沼澤的土壤水分為18.09%,內陸鹽沼的土壤水分為13.87%;深度為20—40 cm的土壤,沼澤化草甸的土壤水分為35.66%,草本沼澤的土壤水分為24.04%,季節性咸水沼澤的土壤水分為21.94%,內陸鹽沼的土壤水分為18.01%。從垂直方向上看,除了沼澤化草甸土壤水分最小值出現在深度為10—20 cm土壤處,其他3種濕地類型的最小土壤水分均出現在表層0—10 cm土壤中,4種濕地類型的最大土壤水分均出現在深度為20—40 cm的土壤中,因此,隨著土層深度的增加,沼澤化草甸的土壤水分先減后增,草本沼澤、季節性咸水沼澤和內陸鹽沼的土壤水分則都呈現上升趨勢。從水平方向上看,各層的土壤水分均為沼澤化草甸最高,草本沼澤次之,季節性咸水沼澤較低,內陸鹽沼最低。因此,疏勒河中下游0—10、10—20 cm和20—40 cm土層,土壤水分的分布規律均為：沼澤化草甸>草本沼澤>季節性咸水沼澤>內陸鹽沼。

4 討論

4.1 模型的精度

溫度植被干旱指數(TVDI)在估算較大區域的土壤水分時,由于太陽總輻射不均和大氣背景條件不一致對統計特征空間的溫度有一定的影響,從而導致反演精度降低[26];垂直干旱指數(PDI)最大的缺點：對于地表覆蓋類型差異較大的不同區域之間,不具有可比性,同時,PDI的本質是對裸土或低植被覆蓋區的土壤水分的監測[27],該研究區為濕地,屬于高植被覆蓋區,因此主要的誤差來源于植被覆蓋度的反演精度;而歸一化的干旱監測指數(NPDI),從光譜特征空間的角度出發,研究土壤、植被在光譜特征空間中的分異規律,增大了植被在含水量較低和較高時,在紅光和短波紅外波段的差異,縮小了干燥土壤和濕潤土壤在紅光和短波紅外波段的差異,并對兩個波段進行了歸一化處理,建立的一種適合不同植被覆蓋情況下的土壤水分監測指數[23],因此,NPDI在該區域具有較好的監測效果。本研究中,3種干旱指數均與表層0—10 cm土壤水分的擬合效果最好,主要是因為本文研究區為干旱區濕地,土壤水分隨土層深度的增加而增大,而遙感監測的精度隨土層深度的增加而降低[28],這與張喆等[29]研究結果一致。

表5 疏勒河中下游不同濕地類型隨土層深度的土壤水分統計分析

4.2 模型的適用性

不同濕地類型的土壤水分含量總體上表現為隨著土壤深度的增加呈遞增態勢。主要由于濕地水源補給通常來源于冰川、河流泛濫、大氣降水和地下水,而疏勒河中下游地區降水量少、蒸發量大、空氣相對濕度低,且受農業大量用水和天氣持續干旱等因素的影響,造成了流域地表水資源銳減,在氣候的影響下,高山冰雪融水滲入地下,有利于地下水的儲存,因此,研究區沼澤濕地的水源補給主要來自于地下水,形成在垂直方向上,土壤隨土層深度的增加而濕度增大。這與馬曉東等[30]、王元峰等[31]對干旱區濕地土壤水分垂直變化特征的研究結果相一致。

不同土層中土壤水分的水平分布規律均為：沼澤化草甸>草本沼澤>季節性咸水沼澤>內陸鹽沼。沼澤濕地的形成受地質地貌、氣候、水文、植被和土壤等綜合因素的影響,4種沼澤濕地的形成背景不同,這一分布規律與濕地類型的劃分標準[25]相一致。

在本研究中,僅考慮了土壤、植被覆蓋和地表溫度對土壤水分的影響,在干旱區,地形和降水存在空間上的差異,這些也會對該區域的土壤干濕狀況產生影響,由于采樣時間和條件限制,只對2016年的數據進行指數的建立和驗證,且驗證樣點未覆蓋全區域。歸一化干旱監測指數(NPDI)的提出雖然取得了較好的監測效果,但缺乏對該指數的驗證,本研究中對NPDI指數的驗證結果具有一定的科學性。未來的研究重點應在此基礎上,運用多年多期數據,與多種土壤水分影響因素相結合,嘗試結合更大尺度上的土壤水分數據,進行更大范圍的深度分析,并進行不同濕地類型土壤水分長時間序列的研究,以探索不同濕地類型的土壤水分的變化及其驅動因素,為干旱區濕地的生態保護及環境的可持續發展提供更直接的科學依據。

5 結論

(1)不同土層中,TVDI、PDI和NPDI均與土壤實測水分呈顯著負相關(P<0.01),即TVDI、PDI、NPDI值越小,土壤越濕潤;且NPDI指數與表層土壤水分的擬合效果最好;不同土層中,3種干旱指數與土壤水分的擬合優度大小均為NPDI>TVDI>PDI。

(2)疏勒河中下游地區同一濕地類型不同土層的土壤水分存在顯著差異(P<0.05),且不同濕地類型的土壤水分總體上表現為隨土壤深度的增加呈遞增態勢。

(3)疏勒河中下游地區同一土層不同濕地類型的土壤水分差異顯著(P<0.05)。且不同土層中土壤水分的水平分布規律均為：沼澤化草甸>草本沼澤>季節性咸水沼澤>內陸鹽沼。

參考文獻(References):

[1] Knight T L, Kadlec R H. Constructed treatment wetlands-a golobal technology. Water 21, 2000, 40: 57- 58.

[2] 楊永興. 國際濕地科學研究進展和中國濕地科學研究優先領域與展望. 地球科學進展, 2002, 17(4): 508- 514.

[3] 王曉, 張克斌, 楊曉暉, 顧嵐. 半干旱區濕地—干草原交錯帶邊界判定及其變化. 生態學報, 2012, 32(16): 5121- 5127.

[4] Wu J J, Zhou L, Mo X Y, Zhang J, Jia R J. Drought monitoring and analysis in China based on the Integrated Surface Drought Index (ISDI). International Journal of Applied Earth Observation and Geoinformation, 2015, 41: 23- 33.

[5] Del Frate F, Ferrazzoli P, Schiavon G. Retrieving soil moisture and agricultural variables by microwave radiometry using neural networks. Remote Sensing of Environment, 2003, 84(2): 174- 183.

[6] 張偉東, 石霖. 區域干旱帕默爾旱度指標的修正. 地理科學, 2011, 31(2): 153- 158.

[7] 吳春雷, 秦其明, 李梅, 張寧. 基于光譜特征空間的農田植被區土壤濕度遙感監測. 農業工程學報, 2014, 30(16): 106- 112.

[8] Amani M, Salehi B, Mahdavi S, Masjedi A, Dehnavi S. Temperature-vegetation-soil moisture dryness index (TVMDI). Remote Sensing of Environment, 2017, 197: 1- 14.

[9] 伍漫春, 丁建麗, 王高峰. 基于地表溫度-植被指數特征空間的區域土壤水分反演. 中國沙漠, 2012, 32(1): 148- 154.

[10] 張學藝, 李劍萍, 秦其明, 韓穎娟, 張曉煜, 王連喜, 官景得. 幾種干旱監測模型在寧夏的對比應用. 農業工程學報, 2009, 25(8): 18- 23, 317- 317.

[11] 李新輝, 宋小寧, 周霞. 半干旱區土壤濕度遙感監測方法研究. 地理與地理信息科學, 2010, 26(1): 90- 93, 113- 113.

[12] 周磊, 武建軍, 張潔. 以遙感為基礎的干旱監測方法研究進展. 地理科學, 2016, 35(5): 630- 636.

[13] Ghulam A, Qin Q M, Zhan Z M. Designing of the perpendicular drought index. Environmental Geology, 2007, 52(6): 1045- 1052.

[14] England A W, Galantowicz J F, Schretter M S. The radio brightness thermal inertia measure of soil moisture. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(1): 132- 139.

[15] 姚云軍, 秦其明, 趙少華, 袁蔚林. 基于MODIS短波紅外光譜特征的土壤含水量反演. 紅外與毫米波學報, 2011, 30(1): 9- 14, 79- 79.

[16] 阿布都瓦斯提·吾拉木. 基于n維光譜特征空間的農田干旱遙感監測[D]. 北京: 北京大學, 2006.

[17] 孫棟元, 金彥兆, 王啟優, 李文金, 胡想全. 疏勒河中游綠洲生態環境需水時空變化特征研究. 環境科學學報, 2016, 36(7): 2664- 2676.

[18] 孫棟元, 楊俊, 胡想全, 金彥兆, 張云亮. 基于生態保護目標的疏勒河中游綠洲生態環境需水研究. 生態學報, 2017, 37(3): 1008- 1020.

[19] 魯如坤. 土壤農業化學分析方法. 北京: 中國農業科技出版社, 1999.

[20] Price J C. Using spatial context in satellite data to infer regional scale evapotranspiration. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(5): 940- 948.

[21] Sandholt I, Rasmussen K, Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote Sensing of Environment, 2002, 79(2/3): 213- 224.

[22] 詹志明, 秦其明, 阿布都瓦斯提·吾拉木, 汪冬冬. 基于NIR-Red光譜特征空間的土壤水分監測新方法. 中國科學D輯 地球科學, 2006, 36(11): 1020- 1026.

[23] 馮海霞, 秦其明, 李濱勇, 劉芳, 蔣洪波, 董恒, 王金梁, 劉明超, 張寧. 基于SWIR-Red光譜特征空間的農田干旱監測新方法. 光譜學與光譜分析, 2011, 31(11): 3069- 3073.

[24] 王敏政, 周廣勝. 基于地面遙感信息與氣溫的夏玉米土壤水分估算方法. 應用生態學報, 2016, 27(6): 1804- 1810.

[25] 國家林業局. GB/T 24708—2009 濕地分類. 北京: 中國標準出版社, 2010.

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

[27] 朱長明. 干旱區濕地信息遙感自動提取及其時空變化過程研究[D]. 北京: 中國科學院遙感應用研究所, 2012.

[28] 彭學峰, 萬瑋, 李飛, 陳秀萬. GNSS-R土壤水分遙感的適宜性分析. 遙感學報, 2017, 21(3): 341- 350.

[29] 張喆, 丁建麗, 李鑫, 鄢雪英. TVDI用于干旱區農業旱情監測的適宜性. 中國沙漠, 2015, 35(1): 220- 227.

[30] 馬曉東, 李衛紅, 朱成剛, 陳亞寧. 塔里木河下游土壤水分與植被時空變化特征. 生態學報, 2010, 30(15): 4035- 4045.

[31] 王元峰, 王輝, 馬維偉, 馮宜明, 李俊臻. 尕海4種濕地類型土壤水分特性研究. 干旱區研究, 2012, 29(4): 598- 603.