岳 辉，朱 蓉，刘 英，魏嘉莉，毕银丽，姜凯升

（1.西安科技大学测绘科学与技术学院，陕西 西安 710054；2.西安科技大学西部矿山生态环境修复研究院，陕西 西安 710054；3.西安科技大学地质与环境学院，陕西 西安 710054；4.神华新疆能源有限责任公司红沙泉露天煤矿，新疆 乌鲁木齐 838100）

0 引 言

土壤湿度在全球气候和水分、能量循环中扮演着非常重要的角色［1］，监测其时空动态变化对研究和评价地表环境变化具有重要意义［2］。 土壤湿度监测方法主要有传统土壤湿度测量法及遥感反演法。 传统土壤湿度测量方法耗时、耗力且测量范围有限，难以被大范围应用。 遥感技术的发展克服了传统土壤湿度测量的缺陷，能快速、高效、实时动态的获取大范围的数据，从而被广泛应用于土壤湿度的动态监测。 遥感反演土壤湿度的方法可分为光学遥感法和微波遥感法2 类［3］，光学遥感涉及基于可见光-近红外波段组合的植被指数法、基于热红外波段的热惯量法以及可见光、近红外、热红外组合的光谱特征空间法3 类［4］。 微波遥感包括被动微波遥感法、主动微波遥感法以及主被动相结合的微波遥感法等。

国外利用遥感技术反演土壤湿度的研究起步较早，始于20 世纪60 年代，Price 等［5］提出的表观热惯量（Apparent Thermal Inertial，ATI）以能量平衡方程为基础定量反演裸地或低植被覆盖区域的土壤水分，这一方法为可见光、近红外、热红外波段相结合计算土壤湿度提供了新的思路。 进入80 年代，学者基于植被信息建立的土壤监测指数逐渐得到应用，JACKSON 等［6］利用NDVI （Normalized Difference Vegetation Index）指数监测干旱，发现作物的生长只有受到水分胁迫的严重阻碍时才会影响植被指数的变化。 NDVI 虽被广泛用来表征干旱［7］，但是其对农业干旱、降水的响应存在一定的滞后性，对土壤湿度的响应也存在一定的滞后性［8］。 因此，以NDVI为基础而发展起来的其他植被干旱指数如比值植被指数RVI（Ratio Vegetation Index，RVI）［9］、距平植被指数AVI（Anomalies of Vegetation Index，AVI）［10］、条件植被指数VCI （Vegetation Condition Index，VCI）［11］以及作物供水指数VSWI（Vegetation Supply Water Index，VSWI）［12］等均因NDVI 对干旱及土壤湿度的滞后性而被认为不是土壤湿度监测的最佳指数［13］。 以VCI 指数为基础，KONGAN［14］于1995 年建立条件温度指数（Temperature Condition Index，TCI），并指出TCI 应作为监测干旱和过度湿润的工具。 21 世纪以来，国内外学者基于特征空间对土壤湿度指数进行研究，SANDHOLT 等［15］利用NDVI 以及NDVI 对应地表温度的干湿边构成三角形特征空间，建立温度植被干旱指数TVDI（Temperature Vege⁃tation Drought Index，TVDI），该指数计算中NDVI 在低值区易受到土壤背景因素的影响，而在高值区对高覆盖植被反应不够敏感［16］。 国内学者王鹏新等［17］通过NDVI 及其对应的最大最小地表温度LST（Land Surface Temperature，LST）构建三角形特征空间，提出条件植被温度指数VTCI（Vegetation Temperature Condition Index，VTCI），并利用该指数监测陕西关中平原地区的干旱状况，表明VTCI 具有地方专一性和时域专一性的特点。 GHUALM等［13］根据遥感影像的光谱反射率在红光-近红外波段的二维光谱特征空间呈三角形的分布规律，提出了垂直干旱指数PDI（Perpendicular Drought Index，PDI），该指数适用于裸土区以及植被生长季初期［18］。 GHULAM 等［19］在PDI 的基础上考虑到植被覆盖度的影响，提出了改进型垂直干旱指数MPDI（Modified Perpendicular Drought Index，MPDI），研究证明MPDI 在高植被覆盖区的干旱监测效果明显优于PDI［20］。 刘英提出了不依赖于土壤背景线的新的土壤湿度监测指数SMMI（Soil Moisture Moni⁃toring Index，SMMI）［21］和考虑到植被覆盖度影响的改进型土壤湿度监测指数MSMMI（Modified Soil Moisture Monitoring Index，MSMMI）［22］，并对比分析PDI、MPDI、SMMI 和MSMMI 监测关中平原农业区旱情的有效性，结果表明4 个指数均可作为旱情监测指标且SMMI 略优于其它3 种指数，然而SMMI 指数在低植被覆盖区监测结果较好，MSMMI 在植被覆盖高的区域有较好的精度及适用性。 基于SMMI 指数，刘英等［23］构建尺度化土壤湿度监测指数（S-SMMI，Scaled Soil Moisture Monitoring Index）并利用该指数反演神东矿区及大柳塔矿井的土壤湿度，证明S-SMMI 可以有效反映矿区开采活动对地表土壤水分的影响。

学者以往的研究多集中在裸土区和不同程度的植被覆盖区，根据区域特点建立土壤湿度监测模型，或对模型改进以增强适用性。 针对矿区这一特殊的生态系统，学者对矿区的土壤湿度及其环境变化进行研究，如刘英［24］、赵菲菲［25］、侯莉琴［26］等学者利用TVDI 监测神东矿区、伊敏露天煤矿以及山西沁水煤田的土壤湿度，证明该指数的NDVI 低值区易受到土壤背景因素的影响；马保东等［27］使用热惯量模型ATI 反演神东矿区土壤湿度并验证该指数适用于植被稀疏区域；刘英［21］、王晓雪［28］采用SMMI 指数反演神东矿区和辽宁南芬露天矿的土壤湿度验证其低植被区域的监测结果较好。 但对于典型化荒漠矿区，罕有被证明适用的模型。 红沙泉露天煤矿地处干旱荒漠化地区［29］，目前学者对红沙泉矿区的研究主要集中在采矿引起的粉尘及景观格局的变化［30-31］，对土壤湿度的相关研究较少。 因此选取红沙泉矿区为研究区，建立一种适用于荒漠化露天矿的土壤湿度监测模型。 笔者鉴于以红沙泉矿区内裸地和裸岩石砾地广泛分布的地表类型特征，考虑到NDVI、RVI、VCI 可有效的反演植被生长状态，而ATI、TCI、PDI 及SMMI 适用于低植被覆盖或裸土区，选取上述7 个指数反演研究区的土壤湿度，并基于现场采样实测土壤湿度对各指数的反演结果进行验证。 经验证单一的土壤湿度监测指数不能准确反映研究区土壤湿度状况，因此构建一个新的适用于荒漠化矿区的土壤湿度监测指数。 通过研究土壤湿度的时空分布，及时有效的了解采矿活动对土壤湿度的影响，为合理开采露天矿提供基础数据。

1 研究区概况

红沙泉露天矿位于新疆维吾尔自治区昌吉州奇台县城北直线距离78 km 处（东经90.25°～90.42°，北纬44.41°～44.52°）古尔班通古特沙漠北端，区地势呈由东南向西北降低的趋势，地貌形态为残丘状的剥蚀平原，海拔高度在657～753 m，相对高差约在30 m（图1）。 年均降水量约为106 mm，年蒸发量为1 200～2 400 mm，年温差和昼夜温差比较大。 区内土壤以风沙土、棕钙土为主，另外有少量栗钙土以及碱土，土壤干旱十分贫瘠。 经实地勘察研究区植被类型有盐角草、碱蓬、刺旋花、梭梭、红沙、骆驼刺等。矿区地表开采范围东西均长9.4 km，南北均宽7.5 km，面积为70.32 km2；深部开采范围东西均长8.4 km，南北均宽6.5 km，面积54.7 km2。 红沙泉露天矿是国家规划的大型煤炭基地内的特大型煤矿，最大的开采深度为700 m，开采境界地质资源量3 907.74 Mt，可采原煤量为3 676.28 Mt，露天矿服务年限大约为334.2 a。 该煤矿于2011 年9 月正式开工，采用沿煤层走向拉沟，倾向推进的开采方式。

图1 研究区概况Fig.1 Overview of the study area

2 数据与方法

2.1 数据来源

所利用的遥感数据为Landsat 系列卫星数据。Landsat OLI 影像来自美国地质调查局（United States Geological Survey，USGS），数据获取日期为2020 年9月18 日。 研究区位于西北干旱荒漠化地区，经实地勘察发现地表类型较单一，为精准探究不同地表覆盖类型下的土壤湿度指数方法的适用性及精度，在参考《我国土地利用现状分类标准修订研究》和《土地利用现状分类》（GB／T21010—2017）的基础上，将研究区分为草地（04）、林地（03）、交通运输用地（10）、水域及水利设施（11）、裸地（1206）、裸岩石砾地（1207）、工矿仓储用地（06）：设施占用地、露采区土地、排土场等类型。 借助先验知识、判读经验及野外实地勘察，结合Landsat 遥感影像的波谱特性，选择SWIR1、SWIR2、Red 三个标准差较大的波段赋予RGB 三通道，并根据地物的纹理、亮度、几何形状，对研究区2020 年Landsat 系列遥感影像进行人工目视解译，获得研究区的土地利用分类数据（图2）。 另外，本研究用来验证的2020-06-12—2020-06-14 实测0 ～10 cm 土壤湿度数据为研究团队于2020 年6 月在红沙泉矿区调研实测的土壤湿度结果。

图2 基于Landsat 数据的目视解译结果Fig.2 Visual interpretation results based on Landsat data

2.2 不同土壤湿度指数

土壤湿度指数、数据源、公式和文献见表1。 其中NDVI、RVI、VCI 是基于植被指数法的土壤湿度指数，TCI 和ATI 基于热红外波段的土壤湿度指数，PDI、SMMI 是基于Red-NIR 特征空间法的土壤湿度指数。

表1 土壤湿度指数Table 1 Summary of soil moisture indices

3 结果分析

3.1 传统土壤湿度遥感方法的适用性

3.1.1 传统土壤湿度监测方法反演土壤湿度空间分布特征

1）基于植被指数法的土壤湿度空间分布特征。NDVI、RVI、VCI 空间分布图如图3a—图3c 所示，NDVI、RVI 和VCI 反映的是研究区的植被信息，对比实测土壤湿度发现3 种指数在西南部植被覆盖区域的土壤湿度高于其他非植被区域，尤其是比东北部的裸岩石砾地高，3 种指数的整体变化趋势为由西南部向东北部降低。 在红沙泉矿区范围内，矿区西部人工林地土壤湿度普遍高于其他地物类型。 虽然通过NDVI、RVI 和VCI 可以有效地反演研究区的植被生长状态，但这些指数仅在植被生长时期能够通过植被的长势来探究旱情的产生，对于非植被生长区域或者无植被生长时期无法进行持续动态监测。 研究区覆盖大范围的裸岩石砾地和裸地，且研究显示NDVI 对干旱和降水的响应存在滞后性，进而利用其反演的土壤湿度也存在一定的滞后性［13］。因此，根据NDVI 发展起来的其他植被指数RVI、VCI 均存在对干旱和土壤湿度变化响应的滞后性，被认为不适用于单独对土壤湿度进行监测［14］。 不同地表类型下的NDVI、RVI、VCI 均值如图3d 所示，可知NDVI、RVI、VCI 均能准确提取植被信息，3 种指数在草地与林地的均值较高，其实测点的土壤含水率均值为3.748%，在各实测地物类型下含水量最高。

图3 NDVI、RVI、VCI 空间分布图及不同地表类型下的均值Fig.3 Spatial distribution and meanchange of NDVI，RVI and VCI and the mean values under different land types

2）基于热红外波段的土壤湿度空间分布特征。ATI 与TCI 指数反演的结果与土壤湿度成正比［33］，即ATI、TCI 值越大则土壤湿度越大，反之土壤湿度则越小。 ATI 和TCI 指数法空间结果分布图如图4所示，由图4a 可知，研究区整体东北部大面积土壤湿度高于其他区域，西北部、红沙泉矿区东南部及a区所处林地、草地的土壤湿度较低，西南部植被覆盖区域的土壤湿度高于裸地，低于东北部裸岩石砾地。红沙泉矿区范围内，中北部土壤湿度高于中南部，露天采坑的土壤湿度较高；b处的裸地土壤湿度比a处林地低，这与实测裸地与林地处土壤湿度数据一致，位于c处裸岩石砾地实测土壤含水量低于植被覆盖样点，但从图4a 及热惯量模型与土壤湿度的关系来看，裸岩石砾地土壤湿度高，这与实测结果相反。

图4 ATI 和TCI 指数法空间结果分布Fig.4 Spatial distribution of thermal inertia method and TCI index method

不同地表类型下TCI、ATI 均值如图5 所示，植被、裸地、裸岩石砾地实测土壤含水量均值分别为3.75%、3.64%和3.62%，其中裸岩石砾地的土壤含水量均值最低。 裸地ATI 均值为-0.025，小于草地，由热惯量法与土壤湿度的正相关关系可知，裸地土壤湿度低于草地，与实测结果一致，但裸岩石砾地与草地相比，裸岩石砾地ATI 均值为-0.016，高于草地ATI均值-0.017，且ATI 的空间结果分布也表明草地土壤湿度低于裸岩石砾地，与实测结果不一致，根据先验知识及实地勘测，一般情况下露天采坑土壤湿度比较低，但ATI 反演的土壤湿度在整个研究区处于最高。 因此，ATI 不适用于本研究区的土壤湿度反演。

图5 不同地表类型下TCI、ATI 均值Fig.5 Mean value of TCI and ATI under different land surface types

TCI 值越接近于1，表明研究区的土壤湿度越大；由图4b 可知，西南部稀疏植被覆盖区的土壤湿度低于西北部裸地，a区的林地的土壤湿度较高，b区的裸地的土壤湿度较高，高于西南部植被区域土壤湿度，这与实测样点在植被覆盖类型下的土壤湿度高于裸地相反；在红沙泉矿区范围内，TCI 指数反演的土壤湿度在露天采坑、排土场（红沙泉矿区北部）的土壤湿度高于中部裸地。 由图5 可知，草地区TCI 均值为0.302，低于其他地表类型。 由于TCI的原理为当地表温度升高时，植物叶片气孔关闭可以降低蒸腾作用所造成的水分减少，进而造成地表潜热通量的降低，经实地勘察，研究区的主要植被类型为梭梭、猪毛菜以及盐碱草等茎叶较细的低矮植被，由于这些植被耐旱性较好，所以地表温度的变化对植被本身的蒸腾作用可能不会产生明显的影响。 因此，TCI 对草地植被区土壤湿度反演效果不佳。

3）基于Red-NIR 特征空间法的土壤湿度空间分布特征。 根据SMMI、PDI 的原理可知，其与土壤湿度呈负相关性［32］，即干旱指数值越小，土壤湿度越大，反之亦然。 由图6 可知，SMMI 的取值范围为［0.007，0.547］，影像值越接近于0.547 表明研究区土壤湿度越低。 研究区东北部SMMI 值较小，土壤湿度较大且分布范围较广；位于西北部的裸地值较大，土壤湿度低，位于西南部稀疏植被覆盖区土壤湿度高于裸地但低于裸岩石砾地，红沙泉矿区内南部的土壤湿度低于中部裸岩石砾地。 从影像反映的结果来看，位于a处的林地的土壤湿度高于其周围草地及位于b处的裸地，位于b处的裸地SMMI 值低于a处的林地，这与裸地和林地的实测土壤湿度数据的关系一致。

图6 SMMI、PDI 空间结果分布Fig.6 Spatial distribution of SMMI and PDI

PDI 监测结果表明西北部裸地土壤湿度较低，低于西南部以及南部的植被覆盖区，东北部土壤湿度在整个研究区内处于较高水平；c处裸岩石砾地的土壤湿度高于a处林地及b处裸地，这与林地、裸地、裸岩石砾地的实测土壤湿度关系不一致。 红沙泉矿区内采矿区域附近的林地土壤湿度较高，采矿周围排土场的土壤湿度较低，南部区域PDI 值高，土壤湿度较低。

不同地表类型下的SMMI、PDI 均值如图7 所示，分析可知，露采区的SMMI、PDI 均值均表现为最低值，裸岩石砾地均值分别为0.198、0.266，草地均值分别为0.211、0.282，裸地均值分别为0.256、0.344。 由图8 可知，裸地实测土壤湿度和裸岩石砾地土壤湿度均较高。 结合图8，SMMI、PDI 可以正确反映研究区植被、裸地的土壤湿度，但不能准确反映裸岩石砾地区土壤湿度，由于研究区内裸岩石砾覆盖范围较大，因此，上述4 种指数不能作为单一指数因子监测研究区土壤湿度。

图7 不同地表类型下SMMI、PDI 均值Fig.7 Mean values of SMMI、PDI under different land surface types

图8 实测样点的土壤湿度均值Fig.8 Mean value of soil moisture at the measured sample points

综上所述，ATI、SMMI、PDI 能够正确反映研究区内的植被和裸地土壤湿度，但反演的裸岩石砾地土壤湿度较高，这与实测土壤湿度在裸岩石砾地较低相矛盾，因此上述指数均不能单独用来反演整个研究区土壤湿度；NDVI、RVI 及VCI 对旱情响应具有一定的滞后性且不能正确反映无植被覆盖区土壤湿度，也不能作为单一因子直接用来反演研究区的土壤湿度；TCI 反演的露天采坑和排土场的土壤湿度较高，且某些植被覆盖区土壤湿度低于裸岩石砾地，与实测结果相悖，因此也不能用来反演研究区土壤湿度。

3.1.2 不同指数与实测土壤湿度的相关性

由表2 可知，PDI（P＜0.01）、SMMI（P＜0.01）与实测土壤湿度呈负相关，SMMI 的相关性最高（r＝-0.463）；NDVI、RVI、VCI、TCI 和ATI 与实测土壤湿度呈正相关，其中，NDVI、VCI 与实测土壤湿度的相关系数分别为0.445（P＜0.01）和0.432（P＜0.01），其余相关性均未通过95%的显著性检验；在植被覆盖区域，VCI、NDVI 与实测土壤湿度的相关系数分别达到0.749（P＜0.01）和0.751（P＜0.01）；在裸地覆盖区域，PDI、SMMI 与实测土壤湿度的相关性分别为-0.577（P＜0.01）、-0.583（P＜0.01）。 从各土壤湿度指数反演的土壤湿度空间分布与实测土壤湿度的对比可知，单一土壤湿度指数无法正确反演整个研究区的土壤湿度状况，需考虑结合各指数的优缺点和研究区实际情况，建立新的土壤湿度指数来反演研究区土壤湿度。

表2 各指数在不同地物覆盖类型下与土壤湿度的相关性验证Table 2 Validation of correlation between soil moisture and indices under different land cover types

3.2 荒漠化矿区土壤湿度遥感反演

3.2.1 新型修正土壤湿度监测指数NMSMI 的构建

构建的综合多指数模型是反演特殊地表类型土壤湿度及其土壤干旱状况的新途径之一［34］。 考虑构建土壤湿度综合指数——新型修正土壤湿度监测指数NMSMI 来反演研究区土壤湿度。 PDI、SMMI及ATI 反演的土壤湿度空间分布一致，能准确监测出植被、裸地区域的土壤湿度，且研究表明，SMMI不依赖于土壤线［21］，因此，笔者将SMMI 作为构建新型修正土壤湿度监测指数的因子之一。 根据影像目视解译可知，研究区内覆有稀疏植被存在且面积较大，验证植被生长状态好坏的因子之一是植被在生长过程中根系含水量的高低，而根系含水量的高低与植被生长环境下的土壤湿度有关。 因此，考虑将通过表征稀疏植被生长状态的NDVI 作为构建新型修正土壤湿度监测指数的因子之一。

1）裸岩石砾地指数的建立。 由3.1.2 节可知，单一土壤湿度指数不能正确反映裸岩石砾地、露天采坑及排土场的土壤湿度，根据Landsat 8 OLI 不同地物的波谱反射率特征，露天采坑与裸岩石砾地在短波2 波段的波谱反射率（2.11 ～2.29 μm）高于短波1 波段（1.57～1.65 μm），而其他地物在短波2 波段的波谱反射率低于短波1（图9）。 根据这一特性，提出新裸岩石砾地指数（New Gravel Land Index，NGLI），计算公式如下：

图9 Landsat 8 OLI 光谱反射曲线Fig.9 Spectral reflectance curve of Landsat 8 OLI

NGLI＝（RSWIR2-RSWIR1）／（RSWIR2+RSWIR1） （1）

其中，RSWIR1、RSWIR2分别为短波红外1 波段（SWIR1＝1.609 μm） 和短波红外2 波段（SWIR2＝2.201 μm）地物的光谱反射率。 NGLI 的取值范围为［-1，1］，裸岩石砾地和露天采坑的NGLI 大于0，水体NGLI 接近于0，其他地物类型NGLI 小于0。

利用NGLI 指数，结合2020-06-14 Landsat OLI影像，得到研究区NGLI 指数的空间分布图（图10），结合遥感影像目视解译分类图2 可知，b区域的露天采坑及c区域的裸岩石砾地均可正确识别，且裸岩石砾地、露天采坑的NGLI 值均大于其他地物类型。采用2020-06-12—2020-06-14 实测土壤湿度0 ～10 cm 数据和均方根误差（Root Mean Square Error，RMSE）来验证NGLI 指数的实验结果与实测数据的偏差（RMSE 反映了实验数据偏离真实值的程度，RMSE 越小，表示数据精度越高）。 选取49 个样点之中85%的样点（42 个）用来建立回归模型量化两者的相关性，再利用剩余15%的样点（7 个）作为验证点来验证建立模型的精确性（图11），由图11 可知，NGLI 与实测土壤湿度之间呈显著负相关（R2＝0.245，P＜0.01），NGLI 越大土壤湿度越小，反之则亦然。 验证点与实测土壤湿度的相关系数达到0.878，并计算剩余15%的样点（7 个）的RMSE，计算得到验证点的RMSE 为0.009。 NGLI 可以反映研究区土壤湿度的实际状况且能正确识别裸岩石砾地及露天采坑，因此，考虑将NGLI 作为构建新型修正土壤湿度监测指数的因子之一。

图10 NGLI 指数空间分布Fig.10 Spatial distribution of NGLI index

2）新型修正土壤湿度监测指数的建立。 单一的土壤湿度指数均不能准确表征研究区整体的土壤湿度状况，例如SMMI 仅能准确监测植被、裸地区的土壤湿度状况；NDVI 仅能表征稀疏植被生长状态，NGLI 仅能准确反映裸岩石砾地的土壤湿度状况。考虑通过线性加权法将SMMI、NGLI 和NDVI 组合构建成新型修正土壤湿度监测指数NMSMI 来反演红沙泉矿区土壤湿度。 NMSMI 的构建过程如下：①熵权法求权重。 熵权法中，熵代表系统内无序内容的量度，其值越小，表明系统内有序的信息量越大，则该指标对于综合评价的影响程度就越大，应对其赋予较大的权重系数，反之亦然。 熵权法能够避免人为因素的影响，使用计算过程程序化、客观性更强，得出的权重系数精度较高、可靠性更强。 于是采用熵权法对NMSMI 中各指数进行权重的确定。 权重的计算过程参见文献［35］。 ②新型修正土壤湿度指数NMSMI 的构建。 NMSMI 由NDVI、SMMI、NGLI 三种指数线性加权组合而成，具体公式如下所示：

NMSMI＝ω1+ω2+ω3（2）

其中，NMSMI 为新型修正土壤湿度指数，其值越小表明土壤湿度越大，反之则亦然；ω1、ω2、ω3分别为NDVI、SMMI 及NGLI 指数各自的权重。

3.2.2 NMSMI 的验证

利用2020-06-12—2020-06-14 实测0～10 cm土壤湿度来验证NMSMI 指数的精度。 选取49 个样点之中85%的样点（42 个）用来建立回归模型量化两者的相关性，再利用剩余15%的样点（7 个）作为验证点来验证建立模型的精确性（图12），由图12可知，NMSMI 与实测土壤湿度呈负相关，随着土壤湿度的增加，NMSMI 呈明显减小趋势，两者的相关系数R2＝0.517，且通过了99%的显著性检验，验证点与实测土壤湿度的相关系数达到0.891，并计算剩余15%的样点（7 个）的RMSE，计算得到验证点的RMSE 为0.004，说明NMSMI 与实测1 ～10 cm 土壤湿度具有较好的相关性。 由图13 可知，NMSMI 反演的红沙泉矿区东北部的土壤湿度低于西南部，这与研究区地物类型有关，东北部地物类型主要以裸岩石砾地及裸地为主，而西南部地物类型主要以稀疏植被覆盖为主；且由于红沙泉矿井及其他周边矿井采矿活动的影响，采矿及周围地区NMSMI 值较高，土壤湿度较低。 经过与实测土壤湿度的对比及实地勘察表明，NMSMI 指数可以用来准确反演研究区的土壤湿度。

图12 NMSMI 与实测土壤湿度的相关性结果Fig.12 Correlation between NMSMI and soil moisture

图13 NMSMI 指数的空间分布Fig.13 Spatial distribution of NMSMI index

4 讨 论

研究选取了基于植被信息的归一化植被指数NDVI、比值植被指数RVI、条件植被指数VCI，基于热红外波段的表观热惯量ATI 和条件温度指数TCI以及基于反射率特征空间的垂直干旱指数PDI、土壤湿度监测指数SMMI 反演荒漠化矿区的土壤湿度，经实测土壤湿度数据验证得到，上述模型的反演结果与实测样点的土壤湿度不符：ATI、SMMI、PDI反演的裸岩石砾地土壤湿度偏高，NDVI、RVI 及VCI具有滞后性且不能正确反映无植被覆盖区土壤湿度，TCI 反演的露天采坑和排土场的土壤湿度偏高，且植被覆盖区与裸岩石砾地与实测结果相悖。 因此传统的土壤湿度指数不能单独作为研究区土壤湿度的指数因子。

笔者基于SMMI、NGLI 和NDVI 通过线性加权提出适用于红沙泉矿区的新型修正土壤湿度监测指数NMSMI，该指数能正确反映裸岩石砾地、露天采坑区域的土壤湿度，弥补了传统土壤监测指数的不足。 尽管新型修正土壤湿度指数（NMSMI）在红沙泉矿区土壤湿度监测得到了较好的验证，但该指数并未在其他地区展开验证及应用，后续研究可以基于将该指标应用于其他地区，探寻该指数的对不同地区不同地物类型的土壤湿度进行反演并与已有的研究做对比，以提高NMSMI 指标的适用性。 另外，进一步研究可采用高分辨率影像监测土壤湿度，以获取更精准的监测结果。

5 结 论

1）基于Landsat 数据在研究区地物的光谱反射特性，发现裸岩石砾地和露天采坑在短波2 的波谱反射率高于短波1 波段，而其它地物类型在这两个波段刚好相反，基于此提出了裸岩石砾地指数（NG⁃LI）；经验证NGLI 与实测土壤湿度呈显著负相关性（R2＝0.245，P＜0.01），验证点的均方根误差RMSE 为0.009，NGLI 可以反映研究区土壤湿度的实际状况且能正确识别裸岩石砾地及露天采坑。

2）基于NDVI、NGLI、SMMI 指数利用线性加权法构建适用于红沙泉矿区的新型修正土壤湿度指数NMSMI；与实测数据对比，NMSMI 与实测土壤湿度呈负相关，相关系数达到R2＝0.517 且通过了99%的显著性检验，验证点的均方根误差RMSE 为0.004，且NMSMI 的反演结果在空间分布上与实测土壤湿度相符。