陈立文,张友静,2,邓世赞,曹 明,钱志奇

(1.河海大学地球科学与工程学院,江苏 南京 210098;2.河海大学水文水资源与水利工程科学国家重点实验室,江苏 南京 210098;3.江苏省地质勘查技术院信息中心,江苏 南京 210008)

土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象等多个学科的关注[1-5]。

在众多土壤水分遥感模型中,利用地表温度/归一化植被指数(land surface temperature/normalized difference vegetation index,LST/NDVI)特征空间以及LST/NDVI斜率反演土壤含水量,是土壤含水量领域研究的热点[6-9]。Moran等[10]认为,在一个区域若地表覆盖类型从裸土到密闭植被冠层,土壤含水量存在从凋萎含水量到田间持水量之间的变化,则每个像元的归一化植被指数(normalized difference vegetation index,NDVI)和地表温度组成的散点图呈梯形。Nemani等[11]分析了在同一幅图像上提取不同地点的LST/NDVI斜率,可以反映各点的土壤湿度状况。Goetz[12]提出 LST/NDVI斜率的变化还可以反映地区土壤湿度的时间变化和年际变化。柳钦火等[13]利用8km分辨率的NOAA/AVHRR合成数据集,采用9×9像元窗口提取的LST/NDVI干边斜率,反演了1981—1994年全国土壤含水量。姚春生[14]利用1km分辨率的MODIS数据,提取49×49像元窗口LST/NDVI干边斜率,反演了全国2003年8—10月土壤含水量。上述研究表明:以全国为整体区域进行干湿边参数提取相对容易,分区则存在很多不确定性。此外,不同区域的像元窗口的选择和拟合精度也是制约利用LST/NDVI斜率反演土壤含水量的重要因素。

本文针对黄河源区水资源日益缺少问题,在国家自然科学基金重点项目“气候变化下黄河源区区域水循环模型与不确定性分析研究”成果基础上,以黄河源区为研究区,利用 2006年第 65—321天MODIS产品数据生成LST/NDVI干边斜率,结合土壤相对含水量实测数据,分析土壤相对含水量反演的适宜窗口,并对研究区第65—321天的土壤相对含水量及其季节变化进行分析。

1 研究区与研究数据

黄河源区海拔高度在3000m以上,指河源至唐乃亥之间的汇水区域,属高原大陆性气候,主要为湿润半湿润气候区,多年平均气温为5.2～-4.0℃,集水面积为12.20万km2,占黄河流域面积的15.3%,据资料统计分析,多年平均径流量205.1亿m3,占全流域的34.5%,是黄河流域重要的水源地或产流区,被誉为黄河流域的“水塔”。黄河源区土壤的水平分布规律为经度地带性明显,纬度地带性不显著。受地理条件的影响,黄河源区植被分布由东南向西北依次是森林、草原、高寒草甸、荒漠等基本类型。

本文研究数据为2006年3—11月(日序数为第65—321天)黄河源区的地表温度和NDVI的MODIS影像数据,分别为16 d合成的1km分辨率的MOD13A2植被指数产品数据和8 d合成的1km分辨率的MOD11A2地表温度产品数据。在 ENVI(environment forvisualizing images)软件中对上述数据进行几何校正、投影变换,为了防止水体对特征空间造成影响,对NDVI数据水体进行了掩膜处理。此外,在建立LST/NDVI特征空间之前利用1km分辨率DEM对地表温度数据进行地形校正。

土壤含水量实测数据为2006年3—11月的实测10cm土壤含水量数据,本研究区内有6个实测站点的实测数据,该数据为每10 d获取1次。

2 研究方法

2.1 干湿边的计算

温度植被干旱指数(temperature vegetation drought index,TVDI)的定义式[6]为

式中:T为TVDI;N为NDVI;Ts为研究区某像元的地表温度,即LST;Tsmin为某一NDVI对应的最低地表温度,对应的是湿边;Tsmax为某一NDVI对应的最高地表温度,对应的是干边,T smax=a+bN;a,b为干边线性拟合方程的系数。湿边并不是平行于NDVI轴的一条直线,因此通常需要对湿边也进行线性拟合,即

式中:a′,b′为湿边线性拟合方程的系数。

T的取值在0到1之间,湿边的 T最小,为0,土壤含水量接近田间持水量;干边的T最大,为1,土壤含水量接近萎蔫含水量。T越大,土壤越干旱;反之,越湿润。

通过地表温度及NDVI二维散点图建立LST/NDVI特征空间如图1所示,利用LST/NDVI特征空间中的相应最高和最低地表温度,回归拟合可获得干湿边,从图1可以看出干边的斜率为负值,地表温度与NDVI呈负相关关系,湿边的斜率为正值,地表温度与NDVI呈正相关关系。最高地表温度随着NDVI的增大而减小,最低地表温度随着NDVI的增大而增大,且最高、最低地表温度与NDVI呈近似线性关系且回归系数R2都大于0.8。

图1 LST/NDVI特征空间

根据LST/NDVI特征空间提取该天的干湿边,线性拟合得到拟合函数如表1所示。根据拟合函数确定式(1)中的系数 a,b和a′,b′;利用式(1)计算出该天的TVDI值。从图1可以看出每一期的特征空间的干边和湿边都具备相似的形状。由于NDVI小于0.1时很难指示区域的植物生物量,在0.1～0.9之间时,随植物量的增大呈线性迅速增加,大于0.9时,增大延缓而呈现饱和状态,对植被检测灵敏度下降,所以在拟合干湿边方程时,选择0.1～0.9的中间范围特征点来拟合LST/NDVI特征空间。

表1 LST/NDVI特征空间干湿边方程

2.2 土壤相对含水量的反演

土壤相对含水量即土壤含水量与田间持水量之比,根据已有研究[15],为了估算每个像元的土壤含水量状况,首先建立LST/NDVI斜率与土壤相对含水量的定量关系:

式中:R为某一像元土壤相对含水量;RW为湿边上最大土壤相对含水量,RW=1;RD为干边上土壤相对含水量,RD=c+dx,c,d为由某一窗口尺度的干边斜率与土壤相对含水量经过模拟得出的系数,用干边斜率代替x用于计算RD。

考虑到研究区和研究尺度的差异,影像与观测点数据的拟合存在窗口大小或适宜尺度选择问题。在逐一比较分析了多种尺度拟合精度的基础上,发现9×9像元窗口与49×49像元窗口的拟合结果较好,并对这两种尺度窗口的模拟精度进行了比较,由图2可见,随着LST/NDVI斜率减小,土壤相对含水量呈减小趋势;利用站点附近9×9像元窗口模拟的效果更好,回归系数 R2为0.65,49×49像元窗口的回归系数R2为0.53,说明不同时空条件下,存在着适宜的拟合窗口;同时还发现,9×9像元窗口对土壤湿度高值具有较强的敏感性。

图2 土壤相对含水量与LST/NDVI斜率拟合关系

进一步分析各季节土壤相对含水量与LST/NDVI斜率的关系发现,模拟精度较之以年为尺度的模拟结果均有所提高。图3是夏季9×9像元窗口和49×49像元窗口LST/NDVI斜率与土壤相对含水量回归关系。由图3可见,9×9像元窗口模拟相关系数R2为0.76,49×49像元窗口的模拟相关系数R2为0.70,均大于图2的以年为尺度的模拟结果。这表明在黄河源区,季节尺度的土壤相对含水量拟合效果更好,其原因在于,随着时间尺度减小,拟合的不确定性也随之减小。

图3 夏季土壤相对含水量与LST/NDVI斜率拟合关系

为了分析反演结果的精度,根据黄河源区夏季地面实测点的位置(经、纬度),在ENVI软件中查询出土壤相对含水量的模拟值,并与实测数据进行对比分析,结果见表2。

表2 土壤相对含水量实测值与模拟值

由表2中实测值和模拟值经过计算得出模拟值与实测值的均方根误差为0.09,其精度高于类似研究中的土壤相对含水量模拟精度。同时,所有数据中的94.4%的模拟值与实测值偏差小于0.14;75%的偏差小于0.10,表明本研究的模拟精度可以满足区域模型输入参数的要求。表2中实测值和模拟值的相对误差最大值出现在兴海站的第145天,偏差为0.28。由于本研究中实测值和模拟值代表的时间尺度不同,均化过程和前期降水可能是导致这种偏差出现的主要原因。但总体而言,利用LST/NDVI斜率反演土壤含水量的方法适用于黄河源区。

2.3 土壤含水量时空分异

图4为黄河源区6—8月土壤相对含水量模拟值,土壤相对含水量值在0～1之间。从图4可以看出,在第161天(6月上旬)时黄河源中西部地区土壤相对含水量较高,但两湖北部较低。东部地区整体土壤相对含水量较低,大部分地区在0.5以下。在第193天(7月中旬)黄河源东部地区变得湿润,中、西部比较干旱,但在阿尼玛卿与玛多交界地区土壤相对含水量较高。在第225天(8月中旬)从东部到西部研究区土壤湿度比较均匀,但南部地区含水量较低。从第161—225天在阿尼玛卿区土壤相对含水量均小于0.7,变化不大。黄河源区大部分地区的土壤相对含水量在0.5～0.8之间。

图4 黄河源区土壤相对含水量时空分布

3 结 语

采用1km分辨率MODIS数据,对黄河源区2006年土壤相对含水量进行反演,考虑到地域的差异和气象、植被等条件的影响,在模拟LST/NDVI斜率与土壤相对含水量实测值关系时,同时采用多种尺度的像元窗口计算LST/NDVI斜率,结果表明,9×9像元窗口为黄河源区反演土壤相对含水量最适宜窗口。目前基于实测土壤相对含水量与LST/NDVI斜率模拟进行土壤相对含水量反演存在空间尺度问题:对于其他传感器数据或者不同分辨率的数据此尺度像元窗口是否适合还需更多的研究;对于其他地区反演土壤相对含水量此尺度像元窗口是否适合还需要更多验证。

[1]许丽娜,牛瑞卿,尚秀枝.利用温度植被干旱指数反演三峡库区土壤水分[J].计算机工程与应用,2011,47(25):235-244.

[2]白志远,邢立新,潘军,等.土壤湿度信息遥感研究[J].测绘与空间地理信息,2011,34(3):50-55.

[3]王丽娜,王崇倡.阜新地区干旱监测研究[J].测绘科学,2011,4(35):86-88.

[4]霍艾迪,康相武,张广军,等.基于MODIS数据的毛乌素沙地土壤水分模型的建立[J].干旱地区农业研究,2010,28(4):19-23.

[5]扎西央宗,杨秀海,边巴次仁,等.基于TVDI的西藏地区旱情遥感监测[J].气象科技,2010,38(4):495-499.

[6]王文种,张友静.半干旱区旱情监测指数应用分析[J].地球信息科学,2008,10(2):273-278.

[7]宋春桥,游松财,刘高焕,等.基于TVDI的藏北地区土壤湿度空间格局[J].地理科学进展,2011,30(5):569-576.

[8]康为民,罗宇翔,向红琼,等.贵州卡斯特山区的NDVITs特征及其干旱监测应用研究[J].气象,2010,36(10):78-83.

[9]陈晨,刘媛媛,王文种,等.基于温度植被干旱指数的三花间流域旱情监测[J].东北水利水电,2008,26(2):32-34.

[10]MORAN M S,CLARKE T R,INOUE Y.Estimating crop water deficitusing the relation between surface air temperature and spectralvegetation index[J].Remote Sensing of Environment,1994,49:246-263.

[11]NEMANI R R,RUNNING S W.Estimation of regionalsurface resistance to evapotranspiration from NDVI and thermal IRAVHRR data[J].Journal of Applied Meteorology,1989,28(4):276-284.

[12]GOETZ S J.Multisensor,analysis of NDVI,surface temperature and biophysical variables at a mixed grassland site[J].InternationalJournalof Remote Sensing,1997,18(15):71-94.

[13]柳钦火,辛景峰,辛晓洲,等.基于地表温度和植被指数的农业干旱遥感监测方法[J].科技导报,2007,25(6):12-17.

[14]姚春生.使用MODIS数据反演土壤水分研究[D].北京:中国科学院研究生院,2003.

[15]范辽生,姜纪红,盛晖,等.利用温度植被干旱指数(TVDI)方法反演杭州伏旱期土壤水分[J].中国农业气象,2009,30(2):230-234.