基于植被供水指數的旱區土壤濕度反演方法研究

楊彥榮 胡國強

關鍵詞： 土壤濕度; 地表溫度; 植被供水指數; MODIS; 遙感反演; 植被指數

中圖分類號： TN911.23?34 ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）02?0138?05

Research on soil moisture retrieval method based on VSWI for drought region

YANG Yanrong， HU Guoqiang

（Network & Education Technology Center， Northwest A&F University， Yangling 712100， China）

Abstract： The vegetation supply water index （VSWI） is an efficient index for drought research， and an important method for regional soil moisture retrieval. Parameters of normalized difference vegetation index （NDVI）， modified soil?adjusted vegetation index （MSAVI）， enhanced vegetation index （EVI） and land surface temperature （Ts） are extracted by using the MODIS data， so as to build the VSWI， MSAVI?based VSWI （VSWI?M） and EVI?based VSWI （VSWI?E）. The soil moisture retrieval effects using the three indexes are compared. On this basis， the mixed VSWI （MVSWI） model based on sub?regions and NDVI threshold is built. The actual moisture measured data of 20 cm of soil is used to verify the model. The RE and RMSE results show that the MVSWI model has a good accuracy， which can be used for soil moisture estimation.

Keywords： soil moisture; land surface temperature; VSWI; MODIS; remote sensing retrieval; vegetation index

0 ?引 ?言

土壤濕度是進行農業旱澇監測的重要指標，并與氣候、環境有十分緊密的聯系，利用遙感技術進行大區域土壤濕度監測是目前研究的重點。植被供水指數法綜合植被指數和地表溫度信息，通過二者構成的特征空間來反映土壤濕度，是植被生長季節土壤濕度監測的常用方法之一。該方法所需遙感參數少、時效性強且物理意義明確，在土壤濕度監測中獲得廣泛的應用[1?4]。

針對VSWI方法的研究，目前多采用單一的NDVI指數、增強型植被指數（EVI）或修正的土壤調整植被指數（MSAVI）建立植被指數與地表溫度特征空間[5?6]，而針對三種植被指數分別與地表溫度構成的特征空間的比較研究還不多見;針對基于VSWI的土壤濕度反演模型的研究，大多針對整個研究區建立統一的模型，事實上由于下墊面情況復雜，在較大區域范圍內采用統一的模型在一定程度上影響了模型的精度。目前雖然已有建立分區域的土壤濕度模型[7?8]，但現有的研究未考慮NDVI指數對模型的影響，針對研究區地表NDVI指數差異而建立VSWI監測模型相對較少。

本文用MSAVI和EVI分別取代NDVI對植被供水指數進行修正，對比基于MSAVI，EVI和NDVI三種植被指數的植被供水指數效果分析其在干旱半旱區反演土壤濕度方面的表現;此外，嘗試建立一種考慮區域地貌和NDVI差異的混合植被供水指數（MVSWI）模型，并探討模型的適用性。

1 ?研究區和數據

1.1 ?研究區概況

陜西關中地區位于陜西省中部，地處北緯33°34′～35°52′和東經106°18′～110°38′之間;包括西安、寶雞、咸陽、渭南、銅川五市及楊凌區，是陜西省主要農作物種植區;關中地區地貌復雜多樣，山區、平原、黃土塬區并存，年均氣溫6～13 ℃，年均降水量500～800 mm，屬干旱半干旱氣候區，春旱、伏旱較為頻繁。

1.2 ?數據和預處理

遙感數據選用2016年5月27日MODIS L1B數據（MOD021KM）和MODIS全球每日地表溫度合成產品（MOD11A1），遙感數據空間分辨率均為1 km。數據處理平臺為ENVI 4.8和Arcgis 9.3，對數據進行去除條帶噪聲、bowtie處理、幾何校正、輻射定標、鑲嵌、裁剪等預處理，獲取研究區的影像。投影方式選擇Albers正軸等面積圓錐投影，橢球體為WGS?84。

地面實測數據來自關中地區韓城、合陽、澄城、白水、彬縣、蒲城、大荔、富平、麟游、三原、華陰、潼關、華縣、臨渭、扶風、長安、鄠邑17個氣象臺站4月下旬的20 cm土壤相對濕度數據。由于氣象站點的土壤墑情數據每月上、中、下旬逢8日提供，因此，實驗中采用的是各氣象站點2016年5月28日的土壤濕度數據。

2 ?研究方法

2.1 ?地表溫度的提取

目前針對MODIS數據進行地表溫度反演的方法有單通道算法、基于MODIS白天/夜間圖像的溫度計算方法和劈窗算法等。劈窗算法雖然計算過程比較復雜，但精度相對較高，因此本文采用劈窗算法，主要步驟如下：

1） 計算混合像元比輻射率;

2） 用第2，19波段計算大氣水汽含量，進而計算大氣透過率;

3） 利用PLANK函數計算31，32波段的亮溫;

4） 利用計算出的比輻射率、大氣透過率、亮溫等參數計算Ts，具體計算過程參考文獻[9?10]。

2.2 ?植被指數的提取

歸一化植被指數（NDVI）是目前應用最廣泛的植被指數，但NDVI同時存在不足，如在高植被覆蓋區易飽和、對低植被覆蓋區的土壤背景影響沒有處理、對大氣影響的糾正不徹底等。修正的土壤調整植被指數（MSAVI）用一個自動調節因子L來修正NDVI對土壤背景的敏感，能夠更好地描述植被覆蓋[11]。增強型植被指數（EVI）在描述高植被覆蓋變化方面更敏感，并能有效處理大氣溶膠影響，在研究中得到了廣泛的應用[12]。三種植被指數計算公式分別為：

[NDVI=ρNIR-ρREDρNIR+ρRED] （1）

[MSAVI=[（2ρNIR+1）-（（2ρNIR+1）2- ? ? ? ? ? ? ? ? ?8（ρNIR-ρRED））1/2]2] （2）

[EVI=2.5（ρNIR-ρRED）（ρNIR+C1ρRED-C2ρBLUE+L）] （3）

式中：[ρRED]為紅光波段反射率，對應MODIS第1波段;[ρNIR]為近紅外波段反射率，對應MODIS第2波段;[ρBLUE]為藍光波段反射率，對應MODIS第3波段;L為土壤調節參數;[C1，C2]為大氣修正參數，通常取L=1，[C1]=6，[C2]=7.5。

2.3 ?土壤濕度指數提取

2.3.1 ?植被供水指數

植被供水指數（VSWI）的原理是：當土壤水分充足時，植被生長正常;當土壤水分不足時，植物生長受土壤水分脅迫，會同時出現兩種情況：一是作物由于缺水導致生長狀況受到影響，NDVI減小;二是作物被迫關閉部分氣孔以減少蒸騰量，從而導致冠層溫度升高[13]。VSWI計算公式為：

[VSWI=NDVITs] （4）

式中：NDVI為歸一化植被指數;[Ts]為地表溫度。VSWI值越小，表明土壤水分越小，即旱情越嚴重。分別用MSAVI和EVI代替式（4）中的NDVI，得到植被供水指數的另外兩種形式VSWI?M，VSWI?E的計算公式為：

[VSWI?M=MSAVITs] （5）

[VSWI?E=EVITs] （6）

2.3.2 ?混合植被供水指數

研究表明，NDVI與VSWI具有較高的正相關性，相對于[Ts]，NDVI對VSWI指數的影響更大。楊勇等根據地貌把關中地區分為三大區域：黃土塬區、平原區和山區[14]。本研究中所用氣象站點具體分布如下：

Ⅰ區（黃土塬區）：包括韓城、合陽、白水、彬縣、蒲城、大荔、臨渭、長安共8個氣象站點。

Ⅱ區（平原區）：包括華縣、華陰、潼關、富平、三原、鄠邑、扶風、麟游、澄城9個氣象站點。

為了避免不同地區運用同一植被供水指數給土壤濕度反演模型帶來誤差，通過對比分析VSWI，VSWI?M和VSWI?E三種植被供水指數在Ⅰ區和Ⅱ區的適用性，分別選出最適合Ⅰ區和Ⅱ區的一種指數，構建適合整個研究區的混合植被供水指數（Mixed?VSWI，MVSWI）。

[MVSWI=X1， ? ?NDVI≤cX2， ? ?NDVI>c] （7）

式中：MVSWI為混合植被供水指數;X1，X2為VSWI，VSWI?M或VSWI?E三種指數中的任意一個;c為常量，表示NDVI的某一特定值，取值范圍為（0，1）。

2.4 ?土壤濕度反演模型

土壤濕度反演是通過建立土壤濕度與土壤濕度指數之間的關系模型實現的，通常借助于經驗模型。常用經驗模型為線性模型、指數模型和對數模型，計算公式分別為：

[Y=aX+b] （8）

[Y=aebX] （9）

[Y=aln X+b] （10）

式中：a，b為回歸系數;Y為土壤濕度;X為土壤濕度指數（如VSWI等）。

對于模型的選擇，應從結果的精度和計算復雜度兩方面綜合考慮。在三種模型精度相差不大時，線性模型由于計算簡單往往被優先采用。

2.5 ?模型評價

借助于地面樣點實測土壤濕度數據，通過計算反演值和實測值的誤差對模型進行評價。本文采用相對誤差（RE）和均方根誤差（RMSE）對模型進行檢驗，RE和RMSE的計算公式為：

[RE=Yi-Y′iYi×100%] （11）

[RMSE=i=1n（Yi-Y′i）2n×100%] （12）

式中：[Yi為i]站點實測土壤濕度;[Y′i為i]站點模擬土壤濕度;n站點數目。

3 ?結果與分析

3.1 ?地表溫度計算結果

使用劈窗算法計算Ts，并將反演值與NASA提供的地表溫度產品（LST）進行比較，得到二者的差值直方圖見圖1。由圖1可知，誤差值大部分在-2～2 K之間，使用ENVI的快速統計功能，獲得差值的平均值、標準差分別是0.25 K，1.15 K，說明反演的地表溫度具有較好的精度。

3.2 ?植被指數計算結果

運用式（1）～式（3）分別計算NDVI，MSAVI，EVI三種植被指數，其中NDVI計算結果見圖2。NDVI，MSAVI和EVI對比見圖3。

3.3 ?SWI與土壤濕度的關系

根據式（4）～式（6）通過比值計算出每個像素的VSWI，VSWI?M和VSWI?E值。提取各氣象站點對應的VSWI，VSWI?M和VSWI?E值，分別與20 cm土壤濕度實測數據進行統計分析，采用線性、對數、指數三種方式擬合，對比三種方式的擬合效果見表1。

由表1可以看出，三種指數與土壤濕度線性擬合的效果較好，其中，VSWI?M，VSWI?E與土壤濕度線性相關性相對較好且相差不大。在此只將VSWI?M與土壤濕度進行線性回歸分析，得到土壤濕度的反演公式為：

[Y=20.37X+42.08] （13）

式中：X為植被供水指數（VSWI?M）;Y為土壤相對濕度。

3.4 ?MVSWI與土壤濕度關系

上述實驗表明，對整個研究區采用單一模型時，植被供水指數與土壤濕度相關系數整體偏低，且未能達到5%顯著性水平。實驗同時表明在分區域的情況下VSWI指數與土壤濕度相關性較強。因此，將Ⅰ區的8個站點和Ⅱ區的9個站點的VSWI，VSWI?M，VSWI?E值分別與對土壤濕度實測數據進行相關分析，研究分區域的土壤濕度模型，結果如表2所示。

表2表明，Ⅰ區和Ⅱ區三種植被供水指數與土壤濕度實測數據均有較好的相關性;Ⅰ區VSWI?M模型效果最好，指數擬合方式最佳，其次是線性擬合;Ⅱ區VSWI?E模型效果最好，線性模型擬合方式最佳。因此，在Ⅰ區采用VSWI?M，Ⅱ區采用VSWI?E，建立混合植被供水指數（MVSWI）。對研究區NDVI統計分析及K均值聚類分析，得到Ⅰ區NDVI均值為0.25，因此，以NDVI=0.25為閾值，建立MVSWI計算公式為：

[MVSWI=VSWI?M， ?NDVI≤0.25VSWI?E， ? NDVI>0.25] （14）

根據式（14），計算每個像元的MVSWI值，將17個樣點的MVSWI值和實測值以NDVI=0.25為閾值分別進行回歸分析（見圖4）。考慮到線性擬合效果較好且計算簡單，因此兩個分區均采用線性回歸分析，建立土壤相對濕度Y與MVSWI的關系為：

[Y=122.54 MVSWI+8.28， ?NDVI≤0.2529.91 MVSWI+21.62， ?NDVI>0.25] （15）

3.5 ?模型驗證分析

利用式（13）、式（15）分別計算并導出各站點VSWI?M，MVSWI模型的模擬值，運用式（11）、式（12）計算兩個模型的誤差，MVSWI模型的RMSE、RE的均值、RE小于10%的比例分別為4.11%，6.4%，76%，對應VSWI?M模型的6.83%，10.38%，70%。

對比分析表明，MVSWI模型的誤差較小，與VSWI?M模型相比更適用于研究區的土壤濕度反演。

3.6 ?土壤濕度空間分布

參考現有的劃分標準[15]，把土壤濕度分為5個級別：土壤相對濕度大于80%為濕潤;60%～80%為正常;50%～60%為輕旱;40%～50%為中旱;小于40%為重旱。對土壤濕度圖按上述5個等級進行密度分割，得到關中地區2016年5月27日土壤濕度分布圖見圖5。

根據陜西省2016年5月27日土壤墑情簡報顯示，關中地區因氣溫升高較快，土壤水分隨之損失嚴重。韓城、澄城、旬邑、彬縣等地有輕到中旱，鄠邑、周至南部地區有中旱，扶風、岐山等地由于5月下旬累計降雨較多部分地區土壤濕度較大，其他地區土壤濕度適宜，與圖4土壤濕度分布一致，此外，西安市區周圍土壤濕度較低，與實際情況相符合。

4 ?結 ?論

利用MODIS數據和植被供水指數模型對關中地區土壤濕度進行反演，得到以下結論：

1） 對整個研究區采用單一植被供水指數模型進行研究，分別采用VSWI，VSWI?M，VSWI?E三種植被供水指數，實驗表明三種植被供水指數與土壤濕度的相關性都不高。

2） 根據地貌和NDVI差異構建了混合植被供水指數模型，用關中地區2016年5月27日的個案對模型進行檢驗，實驗表明，MVSWI模型，均方根誤差RMSE為4.11%，相對誤差均值為6.4%，具有較好的精度。

3） 與VSWI?M相比，MVSWI誤差更小，更適用關中地區5月下旬的土壤濕度反演。

混合植被供水指數模型優點是考慮了地貌和地表NDVI差異，發揮了三種VSWI指數在對應的NDVI閾值下與土壤濕度相關性較高的優勢，使計算精度得到一定程度的提高。本文所用到的氣象站點數量有限，更多的地面觀測資料有助于提高模型的精度;植被生長狀況不同會影響NDVI閾值的選取，限制了模型的通用性，更科學的閾值設置需要進一步的研究。為提高模型的精度，還需要考慮季節變化、植被類型、高程等因素對模型的影響。此外，本研究僅對某一天的土壤濕度進行了反演，因此，還需在月、年等時間尺度上進行深入研究。

注：本文通訊作者為胡國強。

參考文獻

[1] 李海亮，戴聲佩，胡盛紅，等.基于空間信息的農業干旱綜合監測模型及其應用[J].農業工程學報，2012，28（22）：181?188.

LI Hailiang， DAI Shengpei， HU Shenghong， et al. Comprehensive monitoring model for agricultural drought and its application based on spatial information [J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（22）： 181?188.

[2] 劉虹利，王紅瑞，吳泉源，等.基于MODIS數據的濟南市農田區土壤含水量模型[J].中國農村水利水電，2012（8）：12?15.

LIU Hongli， WANG Hongrui， WU Quanyuan， et al. Forecasting model of soil moisture in farming areas of Jinan based on MODIS data [J]. China rural water and hydropower， 2012（8）： 12?15.

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

WU Chunlei， QIN Qiming， LI Mei， et al. Soil moisture monitoring of vegetative area in farmland by remote sensing based on spectral feature space [J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（16）： 106?112.

[4] 李海亮，田光輝，劉海清.基于MODIS數據的海南島干旱監測研究[J].廣東農業科學，2011，38（6）：204?206.

LI Hailiang， TIAN Guanghui， LIU Haiqing. Study on drought monitoring in Hainan island based on MODIS data [J]. Guangdong agricultural sciences， 2011， 38（6）： 204?206.

[5] 孫麗，王飛，吳全.干旱遙感監測模型在中國冬小麥區的應用[J].農業工程學報，2010，26（1）：243?249.

SUN Li， WANG Fei， WU Quan. Drought monitoring by remote sensing in winter?wheat?growin area of China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2010， 26（1）： 243?249.

[6] 權文婷，李紅梅，周輝，等.FY?3C/MERSI數據應用于陜西省干旱時空動態監測研究[J].干旱地區農業研究，2016，34（3）：193?197.

QUAN Wenting， LI Hongmei， ZHOU Hui， et al. Investigation on FY?3C/MERSI data to monitor the spatial?temporal dynamics of drought in Shaanxi Province [J]. Agricultural research in the arid areas， 2016， 34（3）： 193?197.

[7] 景毅剛，張樹譽，喬麗，等.陜西省干旱預測預警技術及其應用[J].中國農業氣象，2010，31（1）：115?120.

JING Yigang， ZHANG Shuyu， QIAO Li， et al. Research on the application of drought forecast and early?warning technology in Shaanxi [J]. Chinese journal of agrometeorology， 2010， 31（1）： 115?120.

[8] 劉惠敏，馬小群，孫秀幫.安徽省MODIS干旱監測技術研究[J].氣象，2010，36（4）：111?115.

LIU Huimin， MA Xiaoqun， SUN Xiubang. Drought monitoring composite MODIS satallite remote sensing technique in Anhui province [J]. Meteorological monthly， 2010， 36（4）： 111?115.

[9] 毛克彪，覃志豪，施建成，等.針對MODIS影像的劈窗算法研究[J].武漢大學學報（信息科學版），2005，30（8）：703?707.

MAO Kebiao， QIN Zhihao， SHI Jiancheng， et al. The research of split?window algorithm on the MODIS [J]. Geomatics and Information Science of Wuhan University， 2005， 30（8）： 703?707.

[10] 覃志豪，高懋芳，秦曉敏，等.農業旱災監測中的地表溫度遙感反演方法：以MODIS數據為例[J].自然災害學報，2005，14（4）：64?71.

QIN Zhihao， GAO Maofang， QIN Xiaomin， et al. Methodology to retrieve land surface temperature from MODIS data for agricultural drought monitoring in China [J]. Journal of natural disasters， 2005， 14（4）： 64?71.

[11] 楊峰，李建龍，錢育蓉，等.天山北坡典型退化草地植被覆蓋度監測模型構建與評價[J].自然資源學報，2012，27（8）：1340?1348.

YANG Feng， LI Jianlong， QIAN Yurong， et al. Estimating vegetation coverage of typical degraded grassland in the Northern Tianshan Mountains [J]. Journal of natural resources， 2012， 27（8）： 1340?1348.

[12] 楊波，馬蘇，王彬武，等.基于MODIS的湖南省農業干旱監測模型[J].自然資源學報，2012，27（10）：1788?1796.

YANG Bo， MA Su， WANG Binwu， et al. Agricultural drought monitoring model based on MODIS data in Hunan province [J]. Journal of natural resources， 2012， 27（10）： 1788?1796.

[13] 劉歡，劉榮高，劉世陽.干旱遙感監測方法及其應用發展[J].地球信息科學學報，2012，14（2）：232?239.

LIU Huan， LIU Ronggao， LIU Shiyang. Review of drought monitoring by remote sensing [J]. Journal of geo?information science， 2012， 14（2）： 232?239.

[14] 楊勇，任志遠.關中地區土地利用綜合分區及對策研究[J].地理研究，2010，29（1）：154?162.

YANG Yong， REN Zhiyuan. Land use regionalization and countermeasures in Guanzhong region [J]. Geographical research， 2010， 29（1）： 154?162.

[15] 張潔，武建軍，周磊，等.基于MODIS數據的農業干旱監測方法對比分析[J].遙感信息，2012，27（5）：48?54.

ZHANG Jie， WU Jianjun， ZHOU Lei， et al. Comparative study on remotely sensed methods of monitoring agricultural drought based on MODIS data [J]. Remote sensing information， 2012， 27（5）： 48?54.