基于TVDI与气象因子的土壤含水量估算

虞文丹，张友静,2，陈立文，郑淑倩

（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.吉林省气象科学研究所，吉林 长春 130062；4.浙江华东测绘有限公司，浙江 杭州 310030）

基于TVDI与气象因子的土壤含水量估算

虞文丹1，张友静1,2，陈立文3，郑淑倩4

（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.吉林省气象科学研究所，吉林 长春 130062；4.浙江华东测绘有限公司，浙江 杭州 310030）

基于TVDI的干边斜率，结合降雨和实际蒸散发等气象因子，构建表层土壤相对含水量估算模型。利用MODIS地表参数产品数据，提取了TVDI干边斜率，根据淮河流域2010年3～5月实测降水和遥感估算实际蒸散发等计算表层平均土壤相对含水量，以6～10月实测数据对模型进行验证。结果表明，0～50 cm土体平均含水量估算结果与实测值的决定系数R2=0.82，平均相对误差为5.22%，优于仅用TVDI干边斜率的估算结果（R2=0.71，平均相对误差为9.86%）。在验证期，其决定系数为R2=0.80，平均相对误差为5.63%。

土壤相对含水量；TVDI干边斜率；降雨；实际蒸散发；淮河流域

土壤含水量是地表和大气界面的重要状态参数，直接影响地表的热量和水量平衡，受到水文、气象和农业灌溉等多个学科的关注[1]。

土壤中水分的含量集成了很多地表水文特征的环境指标，反映了在气候、气象和水文等因素共同作用下的当前地表状况[2]。目前墒情监测站测定土壤剖面含水量的主要方法包括重量法、中子仪法、张力计法等。中子仪法适合于大面积水分检测，却需要对不同质地的土壤进行校正，生产中难以实现，其他方法或因监测费时费力或精确度不高而不适合大面积土壤水分监测[3]。刘可群等基于农田水分平衡，利用荆州、随州和麻城3个气象站点数据，建立了不同土壤层含水量和前期有效降水量之间的线性回归方程[4]。纪瑞鹏等利用气温、降水等常规气象资料，建立了以旬为单位的农田土壤水分动态估算模式[5]。上述方法能够进行大面积的土壤水分预测，但不能反映地表土壤和植被覆盖上的空间差异，难以描述土壤相对含水量的空间差异性。随着遥感技术的发展，出现了热惯量法、作物缺水指数法、温度植被指数法等遥感监测土壤含水量方法[6,7]。遥感的优势在于能以不同的时空尺度连续地对地表进行监测，缺点是缺乏足够的土壤湿度观测资料而难以对区域土壤含水量进行有效预测。

利用TVDI（温度植被干旱指数，temperature vegetation dryness index）对土壤含水量进行估算已经比较成熟，Moran等认为土壤含水量存在从凋萎含水量到田间持水量之间的变化，每个像元的NDVI（归一化植被指数，normalized difference vegetation index）和地表温度组成的散点图呈梯形[8]。Goetz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[9]。柳钦火等利用8 km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年全国土壤相对含水量[10]。

在TVDI干边斜率的基础上考虑气象因子的影响，结合遥感提取的地表参数进行土壤相对含水量估算，是发展区域土壤相对含水量估算与预测的有效途径，能够对土壤含水量的大面积估算与预测提供一定的参考。本文依据TVDI干边斜率与降雨量、实际蒸散发和土壤质地等数据，构建了旬尺度的淮河流域土壤表层含水量估算模式，并利用实测数据进行验证。

1 研究区与研究数据

淮河流域气候温和，年平均气温为11℃～16℃，多年平均降水量880 mm，降水量年内分配不均匀，6～9月降水量占年降水量的50%～80%，3～5月降水量占年降水量的10%～30%；实际蒸散发量夏季最大，春秋次之，常有旱情发生。

研究区遥感数据为2010年3～10月淮河流域MODIS 16 d合成的1 km分辨率的植被指数产品数据和8 d合成的1 km分辨率的地表温度产品数据。对上述数据进行几何校正、投影变换和地表温度数据的地形校正，并对水体的NDVI数据进行掩膜处理。上述数据插值到10 d尺度，与土壤相对含水量实测数据匹配。蒸散发数据为本课题组2010年淮河流域遥感日蒸散发成果[11]。

研究区观测数据为气象站日降雨量数据。土壤相对含水量为28个实测站点2010年3～10月的10 cm、20 cm和50 cm旬实测数据（部分旬、月缺测），测量站点见图1。土壤相对含水量数据中3～5月数据用于建模，6～10月数据用于模型验证。每个像元的田间持水量根据土壤质地数据计算得到。

图1 研究区站点分布图

2 研究方法

2.1 基于TVDI干边斜率的土壤相对含水量估算模型

利用TVDI估算土壤相对含水量，是基于混合像元的地表蒸散发对地表温度降低作用的原理。Sandholt等利用温度植被干旱指数表示土壤相对含水量的相对状态，以此评价土壤水分状况[12]。TVDI的表达式如下：

式中，Ts为像元的地表温度为某一NDVI对应的地表最低温度，对应的是湿边为某一NDVI对应的地表最高温度，对应的是干边b为干边线性拟合方程的系数，b即干边斜率。

构建9×9像元窗口尺度的特征空间[13]，提取TVDI干边斜率，将土壤10 cm、20 cm和50 cm含水量观测值与TVDI干边斜率进行线性回归，建立土壤相对含水量估算模型，结果见表1。

表1 基于干边斜率的土壤相对含水量估算模型

2.2 基于干边斜率与气象因子的土壤相对含水量估算模型

根据土壤水量平衡方程，某地在给定的时间内，其总收入水量O与总支出水量G间有如下关系：

在无灌溉情况下，某一时刻土壤含水量的主要水分来源是前期到达地面的降水，这些降水一部分通过地表径流、地下渗透等形式流失，剩余部分则暂时滞留在土壤中，它是当前土壤含水量最重要的决定因子，本文称这部分为土壤水分的有效降水。考虑饱和状态下土体水分的动态变化，以像元土壤田间持水量作为临界值，当降雨量小于临界值时，无地表径流量和土壤渗漏，即有效降水等于实际降雨量；当降雨量大于等于临界值时，有效降水等于田间持水量，即

式中，Fm为土壤的田间持水量；PE为有效降水。有效降水量PE在时间段内主要用于土体蒸散和土壤水分增加，所以，

式中，Δ W为时段内土体土壤水分变化量；ET为实际蒸散发量。

将有效降水量与实际蒸散量的差值Δ W作为一个气象因子结合TVDI干边斜率建立土壤相对含水量的估算模型，结果见表2。

表2 基于干边斜率结合气象因子的土壤相对含水量估算模型

3 结果与分析

3.1 基于干边斜率的土壤相对含水量

由表1中R2值可知，土壤相对含水量与干边斜率有明显的相关性，但随着土壤层的加深，土壤相对含水量与干边斜率的决定系数逐渐减小。TVDI干边斜率主要探测地表含水量状况，深度越大，探测能力越差。将土壤各层含水量取相同的权重，其均值代表0～50 cm土壤深度的土壤相对含水量平均状态，平均土壤相对含水量与干边斜率的决定系数R2=0.71，平均相对误差为9.86%（见图2），高于各层估算精度，均值减小了数据的离差。

3.2 基于干边斜率与气象因子的土壤相对含水量

由表2中R2值可知，土壤相对含水量与干边斜率和土壤水分变化量之间存在明显的相关关系。20 cm处的决定系数明显高于其他土壤层，R2=0.70，平均相对误差为9.38%，原因在于犁底层土壤水分受降雨、气温、蒸散等因素的影响较大。

土体平均土壤相对含水量与干边斜率和土壤总储水变化量的决定系数R2=0.82，平均相对误差为5.22%。与仅用干边斜率的估算模型相比，土壤各层平均土壤相对含水量的估算精度都有提高且平均相对误差都有所减小，土体平均土壤相对含水量的估算误差减小了4.64%。从图2中看出，平均土壤相对含水量估算值与实测值关系图的截距基本为0，斜率为1，即估算模型没有系统误差，总体看建模结果比较合理。

图2 土壤相对含水量估算模型反演值与实测值关系图

3.3 流域土体平均土壤相对含水量的估算与验证

利用淮河流域2010年6～10月各旬平均土壤相对含水量对估算模型进行验证（7月中旬到9月中旬土壤相对含水量缺测），结果见图3。实测值与估算值的决定系数为0.80，平均相对误差5.63%，误差大于建模期。拟合直线截距为5.26，土壤相对含水量在低值区存在低估现象。6～7月土壤相对含水量散点离散度较高，究其原因，淮河流域6月上中旬是小麦收割期，6月下旬和7月是作物播种期，收割和播种灌溉的地域差异导致该时段土壤相对含水量的差异巨大。

图3 6～10月各站点土体平均土壤相对含水量实测值与估算值关系图

依据我国水利行业标准中《旱情等级标准》和本文方法，制作了淮河流域4月下旬旱情等级图（图4）。该图制图单元为像元，平均误差5%左右。由图可见，4月下旬淮河流域东部和北部较为干燥，南部和西部较为湿润，特大干旱区与严重干旱区主要分布在淮河流域北部且受灾面积较大。特大干旱区主要分布在商丘一带，流域西南部为伏牛山-大别山区，植被覆盖度较高；江苏里下河地区因水网密布而较为湿润。

图4 淮河流域4月下旬旱情等级图

4 结 语

依据TVDI干边斜率结合前期降水量与实际蒸散发量构建的土壤相对含水量估算模型，估算精度较高，而且可根据气象预报，考虑降雨和实际蒸散发的影响，不依赖于前期土壤湿度数据，对预测下一个时段土壤含水量的变化具有参考价值，对旱情的发生、发展预测具有实际意义。

降雨和实际蒸散作为土体水分的主要来源和水分消耗主要因素，其差值能够大致代表土体水分变化。在未考虑时段内灌溉的条件下，模拟计算结果能够达到较高的精度，表明该假设具有可行性。灌溉、土壤层间水分交换等的考虑成为下一步努力的方向。同时，本研究仅用了3个月的土壤湿度观测资料进行建模研究，时序较短，今后将进一步优化模型。

[1] 张友静,王军战,鲍艳松.多源遥感数据反演土壤水分方法[J].水科学进展,2010,21(2):222-228

[2] 魏伟,任皓晨,赵军,等.基于MODIS的ATI和TVI组合法反演石羊河流域土壤含水量[J].国土资源遥感，2011,23(2):104-109

[3] 薛晓萍,王新,张丽娟,等.基于支持向量机方法建立土壤湿度预测模型的探讨[J].土壤通报,2007,38(3):437-443

[4] 刘可群,刘志雄,梁益同,等.基于前期有效降水推算耕作层土壤含水量的方法[J].中国农业气象,2009,30(3):365-369

[5] 纪瑞鹏,张玉书,陈鹏狮,等.农田土壤水分动态估算模型的研究[J].干旱区资源与环境,2004,18(1):64-67

[6] 仝兆远,张万昌.土壤水分遥感监测的研究进展[J].水土保持通报,2007,27(4):108-112

[7] 孙丽,陈焕伟,赵立军,等.遥感监测旱情的研究进展[J].农业环境科学学报,2004,23(1):201-206

[8] Moran M S, Clarke T R, Inoue Y,et al.Estimating Crop Water Deficit Using the Relation Between Surface-air Temperature and spectral Vegetation Index[J].Remote Sensing of Environment,1994,49(3):246-263

[9] Goetz S J.Multisensor,Analysis of NDVI,Surface Temperature and Biophysical Variables at a Mixed Grassland Site[J].International Journal of Remote Sensing,1997,18(15):71-94

[10] 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

[11] 郑淑倩.结合土壤水分可供率的双层蒸散发模型及其在淮河流域的应用[D].南京:河海大学,2013

[12] Sandholt I,Rasmussen K.,Andersen J..A Simple Interpretation of the Surface Temperature/Vegetation Index Space for Assessment of Surface Moisture Status[J].Remote Sensing of Environment,2002,79(2): 213-224

[13] 陈立文,张友静,邓世赞,等.基于温度植被干旱指数的黄河源区土壤表层含水量反演[J].水利水电科技进展, 2012,32(4):6-9

P237.9

B

1672-4623（2015）01-0137-03

10.3969/j.issn.1672-4623.2015.01.045

虞文丹，硕士，主要从事地理信息系统与遥感研究。

2014-03-31。

项目来源：国家重点基础研究发展计划资助项目(2010CB951101)。