梁守真,王猛,韩冬锐,王菲,王国良,隋学艳

(山东省农业科学院 济南 250100)

干旱是气候灾害中最主要的灾害之一。联合国政府间气候变化专门委员会(IPCC)在全球气候变化评估报告中指出,在未来,干旱风险有增加的趋势,预防和减轻干旱灾害已成为当今世界的重要课题之一[1-2]。土壤湿度是反映土壤干旱程度最直观的指标,是全球气候观测系统中50 个基本气候变量之一[3-4]。土壤湿度的准确测定对地表植物蒸散发、局部气候变化和旱涝灾害的监测等有着重大意义[5]。土壤湿度可通过田间实测、土壤湿度模型以及遥感观测反演获取。田间实测法为基于特定位置的离散测量,结果精度高,但每个测量点的代表范围有限,而土壤湿度的空间异质性较大,导致田间实测方法在反映连续空间的土壤湿度时存在困难[6-7]。土壤湿度模型法通过建立水分平衡方程来求解土壤湿度,可提供面信息,但参数复杂,需要大量气象数据支持,估测误差较大[8]。遥感通过对遥感监测值与地面土壤水分之间的关系进行分析和建模来反演土壤湿度,可快速获取大尺度时空连续的土壤湿度信息,遥感观测和地面实测的联合运用已经成为目前土壤湿度监测研究的主要方向之一。根据所使用波段的不同可分为微波遥感反演、光学遥感反演和光学微波融合反演[9-12]。其中基于光学遥感的反演方法由于其数据的易获取性、时空分辨率高、反演模型较简单等优点得到广泛应用,最典型的是以地表温度和植被指数为基础的温度植被干旱指数(TVDI)法。TVDI综合了作物冠层温度和长势特征,考虑了植被覆盖度对温度的影响,相比单纯使用温度或作物长势的土壤湿度监测方法原理性更强[13-14]。

目前,包含热红外波段的传感器仍旧偏少,MODIS,AVHRR 以及Landsat8 种常用的计算TVDI的数据源。但Landsat回归周期过长,有效数据不足,开展定期的监测较为困难;而AVHRR 和MODIS 每天都可过境,数据充足。相比于AVHRR 传感器,MODIS发射晚,但其有更好的空间分辨率和波谱分辨率,并且在定标、大气校正、云屏蔽方面有更高的精度,更适于开展土壤湿度的反演[15-16]。MODIS产品丰富,包含多个时间尺度的反射率、植被指数以及地表温度数据,所以基于MODIS数据产品可生成不同时间尺度的TVDI数据集。但当前的研究多采用某一时间尺度的数据产品开展研究,缺乏对多时间尺度的TVDI与土壤湿度之间的关系的比较和分析。鉴于此,本研究从多个时间尺度(8 d,16 d和月)来分析植被指数-温度二维空间,研究TVDI在不同时间尺度上与土壤湿度的关联性,以确定MODIS数据产品开展土壤湿度监测的时间尺度,准确监测农业干旱。

1 数据与方法

1.1 数据来源

遥感数据来自NASA-Land Processes DAAC数据中心,包括2016年3—5月Terra MODIS地表温度产品MOD11A2,植被指数产品MOD13A2,A3以及地表反射率产品MOD09A1。MOD11A2为8 d合成的空间分辨率为1 km 的地表温度(LST)产品,包含白天LST、夜间LST,31,32波段通道发射率及质量控制等资料;MOD13A2,A3分别是MODIS 16 d、每月合成空间分辨率为1 km 的植被指数产品,包含NDVI,EVI和几个主要波段反射率以及其他辅助信息;MOD09A1为经过大气校正后8 d合成的500 m分辨率的反射率产品,包括MODIS前7个波段的反射率以及其质量标识信息。8 d的植被指数是利用MOD09A1的反射率数据依据植被指数公式来计算,并通过平均的方式将500 m 分辨率数据升尺度为1 km 的数据,形成8 d 1 km 的植被指数。采用同样的方式,将8 d的地表温度产品转换为16 d,月尺度的温度数据以每天的数据为基础生成。最终形成8 d,16 d和月的植被指数和地表温度数据集。

土壤湿度数据为2016年山东省冬小麦重点种植区的31个土壤湿度观测站点3—5月逐日20 cm 深度的土壤相对湿度数据。每天的数据通过平均的方法合成为8 d,16 d和每月的数据,时间尺度与卫星数据保持一致。同时选用2016 年山东省冬小麦数据,该由山东省农业遥感工程技术研究中心提供,通过目视解译和计算机自动解译相结合的方式获取。

1.2 方法

1.2.1 TVDI Carlson等[17]研究发现,当一个研究地区,土壤湿度从湿润到干旱、土地覆盖从裸土到植被全覆盖变化时,NDVI和地表温度Ts二维空间中像元散点呈明显的三角形关系[18],Sandholt等[18]在植被指数—温度三角形特征空间的基础上提出了TVDI,其函数表达式如下:

式中VI为植被指数;Tsi为i日期的地表温度;a1,b1和a2,b2分别为干边和湿边的回归方程系数;Tsmin为植被指数-温度空间的干边,代表研究区内某一时期的同一VI值对应的最高地表温度;Tsmin为湿边,代表研究区内某一时期的同一VI对应的最低地表温度。

TVDI的关键在于特征空间中干边和湿边的确定,干边和湿边分别为特征空间散点图上下边界的直线,其方程通过线性拟合得到。TVDI取值在0～1,TVDI值越大,表明该地区土壤湿度越低,水分缺失越严重。TVDI受植被指数影响大,早期的时候,TVDI主要采用归一化植被指数NDVI和地表温度来反演,NDVI指数在高植被覆盖条件下,容易饱和,而在低植被覆盖度时,又容易受背景影响,不能很好地反映植被状况[19],这导致基于Ts-NDVI特征空间的作物土壤湿度反演精度受到影响[13,20]。为了降低NDVI的影响,一些替代性的植被指数逐渐在TVDI中得到应用,如EVI。EVI是一个优化的植被指数,除了包含近红外波段和红波段反射率,EVI公式还增加了蓝波段反射率和土壤背景调节因子,一方面降低了植被背景和大气对植被指数的影响,另一方面使得EVI不易饱和,在高植被覆盖条件下时仍能捕捉能监测植被冠层的变化。因此,EVI可用于不同背景和植被覆盖条件下的植被监测,相比于NDVI,适用范围更加广泛,其与温度结合能更有效地反映地表湿度状况[21-22]。因此,在本研究中,我们采用EVI代替NDVI去计算TVDI,其计算公式为

式中:RNIR,RRED,RBLUE分别为MODIS 传感器的近红外(841～876 nm)、红波段(620～670 nm)和蓝波段(545～565 nm)反射率。

1.2.2 土壤湿度反演与旱情划分 通常,评价土壤墒情一般采用土壤湿度作为指标,因此,需将TVDI转化为土壤湿度。根据土壤湿度观测点位置,匹配相应的TVDI值,建立不同时间尺度的TVDI、土壤湿度数据集,然后采用线性回归的方法构建不同尺度TVDI与实测土壤湿度数据的关系模型,选择反演土壤湿度的最佳时间尺度数据,以其时间尺度的TVDI为自变量反演区域土壤湿度值,确定区域旱情分布。土壤湿度值越低,表示旱情越严重。根据国家农业旱情划分标准,将土壤相对湿度RH ＜60%,RH ＜50%,RH＜40%,RH＜30%分别划定为轻早、中旱、重旱、特旱、轻旱[23]。

2 结果与分析

2.1 不同时间尺度数据的植被指数-温度特征空间

不同时间尺度下山东省冬小麦EVI和地表面温度形成的EVI-Ts特征空间如图1所示。EVI与地表温度的边界像元呈三角形状,温度较高的像元点形成了二维空间的干边界,而温度低的像元的构成为湿边界。在二维空间中,干边上的Ts随EVI的增加而降低,而在湿边上,随着EVI的增加,Ts也在不断增大,湿边并非理想状态下与坐标轴平行的直线。从3月到5月,随着时间的推进,气温不断升高,冬小麦经历返青、拔节、抽穗、灌浆、成熟等生育期,其冠层温度和植被覆盖度随之发生改变,EVI-Ts空间形状有所变动,Ts值不断攀升,5月份达到最大值。

图1 不同时间尺度的植被指数—温度特征空间Fig.1 Vegetation index and temperature space for different temporal scales

尽管不同时间尺度的EVI和Ts组成的二维空间形状类似,但是由于时间涵盖的范围等因素的影响,其在空间分布仍存在一定差异。干边和湿边是描述二维空间特征的主要因子,它们在不同时间不同尺度的表达形式见表1。从表中可以看出,无论是二维空间的干边还是湿边,Ts与EVI之间存在着显著的线性相关关系。各时相的干边斜率总小于0,这表示EVI与Ts呈负相关关系,而大部分湿边斜率大于0,表示植被指数与温度同时增减。除了月尺度上,3月份干边斜率的绝对值小于湿边斜率绝对值,其他时期的干边有更高的变率。

表1 不同时间EVI-Ts特征空间干边和湿边方程Table 1 Dry edge and wetness edge equations of EVI-Ts spaces in different times

2.2 TVDI与土壤湿度的关系

基于干边和湿边方程,利用MODIS地表温度和EVI数据分别计算不同时间尺度各像元的TVDI值,地面土壤湿度观测点的相对湿度与TVDI的空间分布如图2所示。从图中可以看出TVDI值越高,土壤湿度往往降低。不同时间尺度数据TVDI和土壤湿度之间的紧密程度不一致,根据相关性统计结果(图3),不论是8 d,16 d还是每月尺度的数据,TVDI与土壤相对湿度实测值之间的相关系数均通过了α=0.05置信度检验,这说明两者之间的相关性是显著的,同时也证明TVDI指数可以有效反映土壤水分状况变化。

图2 不同时间尺度TVDI与土壤湿度散点图Fig.2 Scatter plots for TVDI and soil moisture in different temporal scales

图3 不同时间尺度TVDI与土壤湿度相关系数Fig.3 Correlation coefficients between TVDI and soil moisture in different temporal scales

在月尺度上,4月份的TVDI与土壤湿度之间的相关性最高,为0.67,而在3月和5 月,相关系数接近;在16 d时间尺度上,相关系数最高值出现在129 d(DOY,年序),即5月中旬,145 d(DOY)的相关系数最小,为0.57;而在8 d 时间尺度上,121 d(DOY)TVDI与土壤湿度相关性最佳,相关系数达到了0.78,最低值出现在145 d(DOY)。对于3个时间尺度的相关系数,可以看出,随着时间尺度的降低,TVDI与土壤湿度之间的相关系数越来越大,相同时间内,即相关系数值8 d时间尺度＞16 d＞月。这在一定程度上说明相对于大时间尺度的数据,短时间尺度的TVDI能更准确映田间土壤湿度。

众所周知,MODIS植被指数产品是采用最大值合成方法将合成期内的植被指数数据进行合成,以最大值代表合成期的植被状态[24],而地表温度采用了合成期内的温度均值。在合成期内,土壤水分、温度、植被指数都可能会产生较大的变化,尤其是在作物生长旺盛期,植被冠层随时间变化大,但它们的变化并非线性同步,这意味以合成的植被指数和温度数据构建的TVDI反映的可能并不是田间水分的平均状态。合成期越长,各参数的变动就越大,这就导致了时间尺度越大,TVDI与土壤相对湿度的相关性越弱。

3.3 旱情时空分布与降水的关联性

由于8 d时间尺度的TVDI与土壤湿度相关性最佳,因此在研究中依据8 d时间尺度的TVDI来反演2016年春季的土壤湿度,绘制山东省冬小麦春季旱情空间分布(图4)。2016 年3 月上旬(DOY65),旱情主要出现在聊城、菏泽以及济宁西部,到了DOY73,聊城地区的旱情面积大幅减少,而菏泽,济宁旱情有所加重,干旱面积增加,潍坊的高密、青岛平度以及章丘北部旱情严重;3月下旬,山东省大部分地区的旱情得到缓解;进入4月份以后,鲁西、鲁西北平原地区的旱情基本消失,只有在临沂南部以及潍坊的高密、诸城以及平度有中等以上旱情;4月中下旬,大部分地区冬小麦生长正常,未受到干旱的胁迫;5月初,鲁西南地区出现中等以上的旱情,5月中旬开始,济宁市周围有中等以上旱情,而5月下旬,胶东地区的旱情较重,其他地区未有严重的干旱。

图4 2016年春季山东省冬小麦旱情分布Fig.4 Spatial distribution of winter wheat drought in Shandong in spring of 2016

对春季干旱面积进行统计,结果如图5 所示,3月份受干旱胁迫的冬小麦面积占全部冬小麦面积的一半以上,尤其是DOY73,干旱区域面积占67%,但大部分以轻旱和中旱为主;4月份,总体旱情得到了缓解,尤其是到了4月中下旬(DOY105),受干旱胁迫的冬小麦面积为全部面积的14.79%,其中重旱和特旱区仅占1.2%;5 月份干旱区面积所占比例小,25%左右的面积为轻旱,重旱和特旱区仅占5%。同时对比山东降水序列,可以看出冬小麦干旱区的比例与降水有很强的相关关系。3月份,山东省平均降水量仅为3.5 mm,导致冬小麦受干旱胁迫的面积比重大,4月中旬(DOY105),山东省出现一场大范围的降雨,缓解了冬小麦旱情,干旱面积大幅减少;5月份,山东省降水逐渐增多,但是具有局部性的特点,主要集中在北部,济宁的汶上、金乡、曲阜、邹城、嘉祥等区域偏少,导致该地区旱区较其他区域严重。

图5 不同时期干旱面积与降水量Fig.5 Area suffered from drought and precipitation in different times

3 结论

(1)无论是8 d,16 d还是月时间尺度,3—5月植被指数与地表温度像元点在二维空间中呈三角形,干边地表温度随着植被指数的增加而降低,湿边地表温度随着植被指数的增加而升高,而并非保持不变;

(2)TVDI与土壤湿度之间相关关系显著,从相关系数值来看,8 d尺度＞16 d尺度＞月尺度,表明时间尺度越小,TVDI对土壤湿度的代表性越好;

(3)2016年山东省冬小麦旱情分布随时间而发生变化,干旱面积与降水存在高度的一致性。

在本研究中,冬小麦干旱状况由TVDI反演的土壤湿度来划分,但在早期的一些研究中直接采用TVDI来对旱情进行等级划分,监测区域旱情[25-26]。TVDI对土壤湿度具有良好的代表性,但是采用TVDI划分土壤旱情需要解决两个问题,一是划分标准,二是区域是否包含植被覆盖从裸地到全覆盖、土壤湿度由极干旱到极湿润的地面。TVDI是以干边和湿边为基础进行计算,反映的是某一区域像元的相对干湿程度。若研究区的土壤湿度并未能覆盖极干旱到极湿润的范围,那么TVDI无法确定作物是否真正处于干旱状态。当区域的土壤湿度范围较窄时,TVDI将可能低估或高估土壤湿度。同时,由于区域下垫面条件的异质性,不同的研究在划分干旱程度时,标准并不统一,导致研究结果的可对比性不足。准确地监测农田旱情,需要地面土壤水分数据的支撑,建立TVDI与土壤水分之间的反演模型,以土壤湿度来划分旱情,则更具农学意义,但大量地面数据的获取,仍是具有一定挑战性的工作。由于数据限制,本研究只分析了春季的TVDI的表现,更深入的研究有待进一步开展,获取更广泛的地面数据支持。