阿克蘇流域表層土壤濕度指數反演研究*

彭 婕，于 婧※，陳唐冰瑩，聶 艷

（1.湖北大學資源環境學院，武漢430062；2.華中師范大學地理過程分析與模擬湖北省重點實驗室，武漢430079）

0 引言

土壤濕度的時空分布及其演變不僅關系到地表植被水分的正常供應，還是開展農業、水文、生態等領域研究的關鍵基礎信息［1］。目前，遙感技術的發展，尤其是在不同傳感器、不同時相、不同波段以及多光譜技術方面的探索，給大規模、及時、準確地監測土壤濕度帶來可能性，國內外眾多學者基于此進行了大量研究［2］。自1980年以來，關于以多源遙感數據和波段特征為基礎的土壤濕度監測模型和理論不斷被提及和深入探討，各觀點中被引用較多且認可度較高的分別是熱慣量法［3］、微波遙感監測法［4］、熱紅外遙感監測法［5］、溫度—植被綜合指數法［6-7］和光譜特征空間法［8］等。由于受各類遙感數據和土地生長植被品種的影響，每種監測模型和指數有其自身的限制因素。由于數據獲取途徑限制，大部分學者通常采用質量一般或分辨率適中或較低的遙感影像為土壤濕度遙感反演的數據源［5，9］，使得反演結果的精度不理想，因此大范圍區域高精度土壤濕度動態監測的目的通常難以達到。

1977年Richardson和Wiegand［10］利用MSS紅光和近紅外波段灰度值構建起Nirr-Red二維光譜特征空間，并得到以土壤背景線為基礎的垂直植被指數（Perpendicular Vegetation Index，PVI）。近幾年，以植被指數為基礎延伸出許多精簡、便于操作的干旱監測指數不斷被學者們加以探索和研究。詹志明等［11］發現了Nir-Red光譜空間內遙感像元的布局形式，并得到PDI，以順義、固原為研究區，基于ETM+數據源進行研究，實踐結果良好。李喆等［12］以華南多雨區域為研究區，探討PDI在土壤濕度監測中的可行性。Ghulam A等［13］基于垂直干旱指數，添加植被覆蓋因子，得到改進版的垂直干旱指數（Modified Perpendicular Drought Index，MPDI），解決了遙感影像中植被混合像元問題。楊學斌等［14］對MPDI和PDI兩種指數的反演結果進行了比較，指出MPDI具有更高監測精度。以上研究中得到的結論均較為理想，但基本使用的是TM、ETM+或者MODIS數據作為遙感數據源，目前，以GF-1遙感數據為基礎的理論和實踐探索卻較為缺乏，而討論國產GF-1數據在新疆干旱半干旱農業區土壤濕度監測的精度及可行性則更加稀少。GF-1的高時空分辨率、廣覆蓋范圍的優點在未來研究中具有重要意義。定量監測阿克蘇流域土壤濕度的時空變化信息，以協調各分閘口的灌溉定額，改善流域水資源的分配情況并使其得到最大化利用，同時繼續拓展延伸國產高分影像數據在農業信息定量提取、精準農業等領域的應用范疇。

1 研究區與數據

1.1 研究區概況

阿克蘇流域所屬行政區為新疆維吾爾自治區，位于新疆天山南麓，塔里木盆地西北部的阿克蘇—阿拉爾一帶，地處阿克蘇三角洲和塔里木河上游平原地區［15］，地理位置為北緯 40°～41°35′，東經 78°47′～82°43′，研究區位置如圖 1 所示。該區氣候干燥，年均降水量約45 mm，20 m2水面蒸發量1 500 mm，年均太陽輻射量達到6 000 MJ/m2，農業灌溉基本依賴地表水渠系統以及地下水井取水［16］。阿克蘇流域綠洲是新疆重要的產糧區，果蔬生產及培育基地，也是綠洲灌溉農業區之一，同時是中國重要的棉花產源地。近年來，隨著阿克蘇地區社會經濟的發展，流域內地下水位持續下降，為農業生產帶來不同程度的影響，胡楊林等重要旱地生態系統質量正逐漸降低。因此，通過高分遙感數據實現大面積高精度的土壤濕度的實時監測對流域水資源集約利用及生態安全評價具有一定的現實意義。

1.2 數據源

土壤濕度實地測量數據來自2016年7月3—6日，為期4d的研究區土壤表層單位體積中的相對含水率，該數據借助了TDR-300土壤水分速測儀進行實測，從理論上而言，對相對誤差值的控制應在3%以內，采樣范圍包括阿克蘇流域阿瓦提灌區的河口鎮、多浪鄉、阿依巴格鄉等5個鄉（鎮），采樣期間，確保樣點地有連續一周的時間段維持氣象狀況良好，無明顯降水。在采樣過程中，依據地表植被覆蓋的差異，劃定一個范圍超過16 m×16 m的矩形，在矩形的中心再劃定一個1 m×1 m的矩形，在這個小矩形中任意實測3次值，最終以均值為準，測值的同時將GPS信息錄入，在實驗區最終測得了63個樣點，然后將其分為42個回歸樣本集與21個驗證樣本集。

圖1 阿克蘇流域區位及土壤濕度樣點采集分布Fig.1 Akesu watershed location and soil moisture sample collection map

遙感數據來源于中國資源衛星應用中心的GF-1 WFV多光譜影像，由阿克蘇流域的以往同一時期和近期氣象變化記錄可知，該區域自2016年7月2—6日采樣工作時間范圍內沒有大量且持續的降水天氣，相同區域內的土壤相對濕度差異可忽略不計。于是在實踐研究中借助了日期接近本次土壤濕度監測的2016年7月2日GF-1 WFV影像，其空間分辨率為16 m，共包含4個波段信息，而在此次實測中紅光波段（Band 3）與近紅外波段（Band 4）將作為重要的影像信息來源。

1.3 數據預處理

遙感影像原始數據都需進行預處理，如按區域裁剪柵格、輻射定標、大氣校正［17］等。借助ENVI5.1軟件，對影像定標，變換圖像的DN值，使其從實際物理意義的角度來看，具備大氣表觀反射率；接著借助FLAASH輻射傳輸模型完成大氣校正，得到影像各波段的地表真實反射率；最后借助研究區DEM數據（30 m空間分辨率）對遙感影像做幾何校正，其誤差小于0.5個像素。通過進行輻射定標和大氣校正，使遙感影像的質量得到較大提升，有助于PDI、VAPDI兩種遙感干旱指數的測算、對比參照及驗證。

2 研究方法

2.1 垂直干旱指數

考慮到水分吸收紅光（Red）、近紅外（Nir）的強度較高，土壤含水率容易影響土壤反射率，土壤含水率偏高時，Red和Nir波段的反射率會降低。基于此特性，通過獲取Red和Nir波段所呈現的不同光譜信息，能測算土壤中的相對含水率。接著，空間離散化Nir-Red所建立的二維光譜信息，形成普通的三角形布局，并可發現一條清晰的土壤線［11］。

如圖2所示，A表示全植被覆蓋區，B為濕潤裸土地表，C為干燥裸土地表，BC即土壤線，從B出發越靠近C，意味著土壤越干，含水率越低。BC是通過ENVI 5.1軟件，將像元匹配到Nir-Red光譜信息空間內的散點圖運算而出。

圖2 垂直干旱指數模型示意圖Fig.2 Vertical drought index model

經坐標軸的原點作法線O垂直于BC，Nir-Red二維光譜空間中的任意點（E）與O點之間的距離都能表示其土壤濕度程度，此為垂直干旱指數PDI，當PDI升高時，任意點（E）越遠離O，則可知土層含水率越低。

PDI的測算公式為［13］：

式（1）中，Rred為紅光波段反射率，Rnir為近紅外波段反射率，M為土壤斜線率。

2.2 植被調整垂直干旱指數

普通的PDI未涉及土地植物覆被在紅光與近紅外這兩個波段的強散射影響，由此可知PDI對于較低植物覆被區以及裸土區域的土壤濕度反演更加合適。在研究部分土地植物覆被程度及類別存在分布不均勻和差別較大等問題的地域時，PDI的精確性則無法達到可信程度［13-14］。為解決該問題，減少土壤濕度特征受到來自Nir-Red空間內混合像元的限制，保證研究區各類覆被下土壤濕度反演的精確性，有研究將垂直植被指數用作地表覆被表征量，分解Nir-Red空間的混合像元，然后可以得到包含土壤濕度的較為精準的土壤特征，并在以PVI-PDI構建的二維空間中對PDI模型實施改良，得到適用于植被覆蓋的植被調整垂直干旱指數（Vegetation Adjusted Perpendicular Drought Index，VAPDI）［17］。

圖3 PVI-PDI光譜特征空間像元分布形狀示意圖Fig.3 PVI-PDI spectral feature space pixel distribution shape diagram

如圖3所示，在面ABC中每一條土壤濕度等值線都接近直線，并近似相交于點A。裸土區中，PVI=0時，使用PDI估算土壤濕度更為精準，因此在ABC中，土壤濕度等值線（AE）與點F的PDI能夠替換任意一點E的PDI，OF代表E點修正之后的PDI。由三角形相似原理，可得任意X點的VAPDI公式［18］為：

PVI的公式為：

式（3）中，I為土壤線在縱坐標上的截距。理論上，在裸土區即PVI趨于0時，VAPDI等于 PDI。

3 結果與分析

3.1 土壤濕度監測模型構建

使用完成預處理后的研究區GF-1 WFV影像，利用ENVI 5.1軟件，得到全部土壤濕度采樣點的像元在Nir與Red的反射率，用63個實測樣點的反射率在Nir-Red構成的光譜特征空間內進行離散化，并對其趨勢線擬合，最終得出研究區的土壤線斜率值M為1.371 7。根據公式（3）計算出實驗區各采樣點的垂直植被指數，再按照上述公式得到研究區所有采樣點PDI、VAPDI的值。任意選擇42個回歸采樣點，線性擬合土壤濕度實際觀測值及其PDI、VAPDI值［19］，建立土壤濕度監測模型，結果見圖4。

圖4 PDI和VAPDI與實測土壤濕度值線性擬合圖Fig.4 Linear fit of PDI and VAPDI to measured soil moisture values

由圖4可知，土壤濕度值同PDI、VAPDI指數同時存在較為直觀的負向聯系，這表明當PDI與VAPDI指數升高，土壤濕度將逐漸降低。通過研究區GF-1 WFV影像得到的PDI、VAPDI，同土壤濕度觀測值的決定系數R2分別為0.589 2、0.735 4，可知這兩類干旱指數同實測區表土含水量有顯著線性關系，且該研究區內用VAPDI監測土壤濕度，其準確性比PDI更好。原因是在Nir-Red空間內，土質、覆蓋度以及與之相關的地物特征往往在同一時間影響了像元的反射率，而植被覆蓋度這一重要因素沒能被PDI指數納入到影響土壤光譜特征的因子中，從而不能將表土濕度的真實數值完整地傳達。在這種情況下，VAPDI指數采用多種各異的植被覆蓋表征量修正光譜信息，其反饋的土壤濕度數據會更為可信，且比PDI同測量值的關聯度更好。

接著，建立PDI和VAPDI同表土濕度測量值的回歸關系，并統計校驗，發現VAPDI與土壤濕度實測值之間的回歸方程通過了P=0.01的顯著性檢驗，而PDI與土壤濕度實測值之間的回歸方程則通過了P=0.05的顯著性檢驗，驗證結果是可以接受的，說明基于這兩種干旱指數構建的模型其精確性均較為可信，有潛力進一步反演更大規模的土壤濕度區域分異。

3.2 監測模型精度驗證及評價

通過PDI與VAPDI兩種監測模型測算出的土壤濕度反演值，與其相對的21個驗證樣點的土壤濕度測量值完成相關性檢驗，然后通過各項精度評價指標（表1［19-20］）對樣點集反演值與測量值進行評價，以便定量評定這兩個模型的精度。

表1 土壤濕度監測模型精度評價指標值Table 1 Soil moisture monitoring model accuracy evaluation index value

由表1可知，兩種監測模型得到的土壤濕度反演值同實際測量值之間的相關系數分別是0.574 3和0.741 8，其相應的均方根誤差RMSE為8.19%和4.87%，可見兩個模型的反演值同測量值間都存在可接受的誤差，表明它們均可以保證一定程度上的監測精度，證實了通過GF-1 WFV影像的PDI、VAPDI指數構建模型監測研究區的表土濕度具有可行性。將表1中各模型精度評價指標的結果對比后，可以發現基于VAPDI指數監測模型所得到的反演值與實測值間的相關系數、平均絕對誤差、平均相對誤差與均方根誤差［18］指標都顯著優于PDI指數模型，進一步驗證了PDI指數雖然能夠在一定程度上反映表層土壤的濕度信息，但卻更適合于裸土或者植被稀疏的地區，而在植被覆蓋度較高的區域監測精度有限；經PVI修正的VAPDI指數建立的土壤濕度監測模型，使用植被和裸土像元二者的綜合反射率進行擬合，精度更高。

3.3 土壤濕度反演結果分析

基于研究區的GF-1 WFV遙感影像，在ENVI/IDL中計算出了各像元的PDI和VAPDI指數值，分別利用基于PDI和VAPDI指數構建的兩種土壤濕度反演模擬進行模擬，得到阿克蘇流域2016年7月2日的土壤濕度空間分布格局（圖5），圖5（a）為基于PDI指數的反演結果，圖5（b）則是基于VAPDI指數的反演結果。圖中白色區域是在掩膜時剔出的水域、中心城鎮及背景，圖例中紅到藍表明土壤濕度逐步上升。

由圖5可知，兩種監測模型得到的阿克蘇流域土壤濕度的空間分布格局基本一致，即流域內靠近河流遇到大型水庫的區域土壤濕度相對較高，尤其是上游地區，土壤濕度最高；而流域周邊的荒漠區域和流域下游土壤濕度整體較低。這主要是因為阿克蘇流域綠洲植被完全依靠地表水渠灌溉，靠近水源的農業生產區，能夠得到充足的人工灌溉，土壤濕度較高，而遠離水源的荒漠、天然林地及荒草地由于得不到灌溉常年干旱，因此土壤濕度較低。進一步對比兩種模型的監測結果發現，盡管兩幅圖中土壤濕度總體空間分布趨勢一致，但部分區域存在明顯差異：圖5（a）、（b）中流域邊緣的無植被區域兩者的監測效果一致，但在流域中部及下游的植被覆蓋區域，土壤濕度分布的差異較大。在上述區域圖5（a）以中等濕度的黃色和綠色像元為主，紅色與藍色像元少，而圖5（b）則顏色差異更大，分布較多代表土壤干燥的紅、黃區域，還有一定代表土壤濕潤的藍色區域，說明土壤濕度的級別層次更為清晰顯著。主要因為在植被覆蓋區土壤光譜信息會被土地覆被干擾，造成PDI無法清晰準確地測算土壤濕度的真實數值，從而造成基于PDI指數構建起來的模型反演得到的流域內部植被覆蓋區土壤濕度在區域上的差別不大，主要集中在中等濕度這一層級上。而以VAPDI指數為基礎構建的監測模型加入了植被覆蓋因子，并分別引入了垂直植被指數用于修正PDI指數，用以解決混合像元對濕度信息造成的干擾，使其更精確地展現出土壤濕度的分布差異特點。

根據上述兩種模型的土壤濕度監測結果顯示，阿克蘇流域土壤干濕擁有顯著的空間分異特點：河流以及附近區域受人工灌溉影響，土壤濕度較高；流域邊緣遠離河流的區域及下游地區呈現明顯的干旱現象；尤其是無植被覆蓋的荒漠地帶，土壤濕度接近于0，極度干旱。在阿克蘇流域的內部，土壤濕度較為穩定，而在流域的邊緣地區，綠洲與荒漠的交錯地帶，土壤濕度變化劇烈，呈現明顯的差異性。

圖5 基于GF-1 WFV影像的阿克蘇流域土壤濕度空間分布圖Fig.5 Spatial distribution of soil moisture in Aksu Basin based on GF-1 WFV image PDI（a），VAPDI（b）

4 結論與討論

通過國產GF-1 WFV影像分析得到的PDI和VAPDI同研究區域土壤濕度測量值間的決定系數為0.589和0.735，可認為GF-1 WFV影像適用于阿克蘇流域灌溉農業區這類植物覆蓋度較高的區域，且用其進行土壤濕度監測具有一定程度的可靠性。

利用VAPDI分解影像內的混合像元，通過植被與裸土兩種像元的綜合反射率完成擬合，比PDI指數模型的監測精度更高，變化更敏感，更能準確呈現出土壤濕度的內部空間分異，此結果與吳春雷等［15］的研究結果一致。

在地球表層三大圈層的物質循環中，土壤濕度所展現的光譜信息經常會因植被覆蓋度的不同而呈現出不同的信息，同時還會受到氣象狀態、傳感器的差異、土壤本身的質量和歷史情況等多變的地理因素影響，尤其是在阿克蘇流域這種荒漠—綠洲特殊的地理區域，土壤濕度時空變化劇烈，使用遙感數據進行大范圍的濕度監測，其精度仍然受到限制；此外，同一期的影像不能使研究成果具有代表性和普遍性，在今后的研究中，應該適當使用不同時期遙感數據進行動態監測和多層面分析。