柴达木盆地土壤湿度的遥感反演及对蒸散发的影响

2016-10-10 04:25王凯霖金晓媚郭任宏魏善蓉
现代地质 2016年4期
关键词:柴达木盆地惯量土壤湿度

王凯霖,金晓媚,郭任宏,魏善蓉,梁 华

(1.中国地质大学(北京)水资源与环境学院,北京 100083;2.中国城市建设研究院有限公司,北京 100120)



柴达木盆地土壤湿度的遥感反演及对蒸散发的影响

王凯霖1,金晓媚1,郭任宏2,魏善蓉1,梁华1

(1.中国地质大学(北京)水资源与环境学院,北京100083;2.中国城市建设研究院有限公司,北京100120)

土壤水分是地下水-土壤水-大气水循环系统的核心与纽带,蒸散是该系统的重要驱动力。从区域尺度上研究土壤含水量的分布特征及土壤含水量对蒸散的影响对干旱区的生态环境保护具有重要意义。基于MODIS数据和GLDAS数据,应用表观热惯量法对GLDAS地表0~10 cm土壤湿度数据降尺度处理,估算柴达木盆地平原区2014年间6—9月的月均土壤湿度,并结合归一化植被指数(NDVI)和实测土壤湿度数据对反演结果进行验证;利用地表能量平衡系统(SEBS)模型对平原区9个子流域的日均蒸散量进行计算,分析了土壤湿度与日均蒸散量之间的关系。结果表明:反演得到的表观热惯量(ATI)与GLDAS地表0~10 cm土壤含水量数据相关性较好,决定系数R2整体在0.7以上;利用ATI对GLDAS数据降尺度处理,得到的土壤含水量与NDVI和实测土壤湿度的决定系数R2分别为0.954和0.791,因此使用ATI法对GLDAS土壤含水量数据降尺度反演柴达木盆地平原区土壤湿度是可靠的。平原区日蒸散量与土壤湿度呈明显的正相关关系,决定系数R2整体在0.96以上,在影响蒸散的各考虑因素中,土壤湿度对蒸散的影响远大于其他因素。

土壤湿度;蒸散发;表观热惯量法;地表能量平衡系统(SEBS);MODIS;GLDAS;柴达木盆地

0 引 言

土壤水分是地球上重要的水资源,在水资源形成、转化和消耗过程中起重要作用,直接影响地表的能量和水量平衡,是大气-植被-土壤-地下水系统的核心和纽带。在干旱半干旱区,蒸散作用是地下水的主要排泄方式,在大气-植被-土壤-地下水系统中起重要的驱动作用,因此了解干旱区-半干旱区土壤湿度的分布特征及其对蒸散的影响,不但是地下水资源量计算的关键,而且是深入了解地下水-地表水-大气水相互转换机理的核心问题,对植被生态的保护具有重要意义[1-2]。

国内外学者对于利用遥感技术反演土壤湿度和区域蒸散发的计算已做了大量的研究工作。2011年,杨树聪等[3]通过设计了10个不同植被覆盖、不同土壤水分含量的控制试验对热惯量计算结果进行验证,结果表明在植被覆盖度较低情况下(NDVI<0.35),表观热惯量法具有较好的效果。2014年,武晋雯等[4]利用辽宁省52个气象站2008—2010年土壤相对湿度人工观测资料以及对应时段的卫星遥感资料,采用热惯量在低、中、高植被覆盖条件下定量反演土壤水分,结果表明在中低植被覆盖期热惯量法最适合。2005年,崔亚莉等[5]应用遥感方法估算了黄河三角洲的地表蒸发量,分析了不同下垫面下蒸发量的时空分布特征。金晓媚等[2]基于SEBS模型利用NOAA-AVHRR数据计算了张掖盆地的区域蒸散量,并通过水均衡法对模型计算结果的可靠性进行了验证。2011年,Elhag等[6]应用AATSR数据和MERIS数据,基于SEBS模型估算了尼罗河三角洲的日蒸散量和蒸发比,并通过分布在研究区的92个观测点获取的地面实测数据对计算结果的准确性进行了验证,结果表明,应用SEBS原理获取的计算结果是可靠的。

柴达木盆地为内陆盆地,降水稀少,蒸发强烈,水资源时空分布极不均匀,支撑资源开发的生态环境十分脆弱。由于研究区地广人稀,自然条件十分恶劣,因此近年来对柴达木的研究工作多在个别子流域展开,从盆地整个尺度上的研究比较少。本文利用遥感数据,反演盆地平原区的土壤湿度及探究土壤湿度对蒸散发的影响,研究结果对柴达木盆地的生态环境保护及水资源的评价利用具有重要的科学意义。

1 研究区概况

柴达木盆地为高原型盆地,地处青海省西北部,地理位置位于90°16′—99°16′E,35°00′—39°20′N。盆地略呈三角形,北西西—南东东方向延伸,东西长约800 km,南北宽约300 km,面积约为276 233 km2,为中国四大内陆盆地之一(图1)。

图1 柴达木盆地地理位置及实测点分布Fig.1 The location of Qaidam Basin and measured data

盆地内大面积由荒漠覆盖。盆地植被属荒漠半荒漠植被,分布德令哈、察汗乌苏、香日德、诺木洪、格尔木等绿洲农业区,使得柴达木盆地在青海省的农业生产发展中具有举足轻重的地位[7]。

柴达木盆地的荒漠气候特征非常显著,属于高原大陆性气候,太阳辐射强,气候干燥、寒冷、多风,蒸发强烈,以干旱为主,生态环境十分脆弱。受地形的影响,柴达木盆地的气温中间高,四周低,处于低纬度的南部气温高于北部。柴达木盆地四周山区降水多在200 mm以上,盆地西部和中心地带降水为25 mm左右;降水分布具有由东南向西北、由四周山区向盆地中心递减的趋势。

2 研究数据及方法

2.1研究数据

2.1.1MODIS数据

本文反演区域土壤湿度选用的遥感数据是Aqua卫星采集的中等分辨率MODIS数据,主要包括2014年间6—9月份的MYD09A1(地表反射率产品,500 m空间分辨率)和MYD11A2(地表温度产品,1 000 m空间分辨率)数据,时间分辨率为8天,共计128景。计算区域蒸散量选用的是Terra卫星采集的MODIS数据,主要包括2014年间6—9月的MOD09A1(地表反射率产品,500 m空间分辨率)和MOD11A2(地表温度及比辐射率产品,1 000 m空间分辨率)数据,时间分辨率为8天,共计128景。数据来源于美国NASA网站(http://reverb.echo.nasa.gov/reverb/)。为了研究数据的一致性,将数据重采样为500 m分辨率。

2.1.2DEM数据

SEBS模型中使用到的相关地形数据包括地表高程、坡向和坡度,其中坡向和坡度可以通过地表高程数据通过数字地形分析得到。本项研究中选用了空间分辨率为90 m的SRTM-DEM数据(http://datamirror.csdb.cn/)。为了确保研究中数据的一致性,将DEM数据进行重采样,使其与MODIS数据的空间分辨率一致。

2.1.3GLDAS数据

GLDAS(the Global Land Data Assimilation System)是美国航空航天局NASA提供的基于地表信息系统,是结合大量地表观测数据、全球尺度的多重地表模型。其空间分辨率为25~100 km。本文选取的数据为Noah模型驱动的月均数据GLDAS_NOAH025_25,分辨率为0.25°。GLDAS数据有22个波段,本次计算蒸散量选用的是14和19—22的共5个波段,分别为土壤平均含水量、比湿、风速、气温和气压波段[8]。该研究应用了2014年间6—9月份4幅GLDAS数据来估算盆地的区域蒸散量。

2.2研究方法

2.2.1土壤湿度的反演

柴达木盆地内大面积被荒漠覆盖,国内外学者对温度植被干旱指数(TVDI)法和热惯量法的适用条件做了很多研究[9-12]。区域内归一化植被指数NDVI<0.3的区域约占90.94%,选用温度植被干旱指数法构建的干湿边在NDVI值大于0.3后由于像元点少,构建最高、最低温度线会向中间聚敛,无法准确代表干湿边,因此选用适合干旱区的热惯量法。

热惯量是地物阻止其温度变化幅度的一个度量,反映了土壤的热学特性,其定义为:

(1)

式中:P为热惯量;k为热传导率,W/m·K;ρ为密度,kg/m3;c为定压比热容,J/kg·K。由于土壤密度、热传导率和热容量等特性的变化在一定条件下,主要取决于土壤含水量的变化,所以土壤热惯量与土壤含水量之间存在一定相关性。因此通过分析热惯量的变化,建立热惯量与土壤水分之间的关系,就可以求得土壤含水量的变化。

由于常规土壤热惯量的计算模型涉及很多物理参数,如近地表气温、陆面气温、空气湿度、风速、表面粗糙度等,难投入实际应用。1985年Price[13]系统地总结了热惯量法及热惯量的遥感成像机理,在能量平衡方程的基础上,不考虑太阳高度角、纬度等因素,简化潜热蒸散发形式,引入地表综合参量概念,利用卫星影像提供的热红外辐射温差和反射率计算表观热惯量进而估算土壤含水量。简化形式为:

(2)

式中:ATI是表观热惯量,A是地表反照率,Td表示一天中最高地表温度,K;Tn表示一天中最低地表温度,K。地表反照率A的计算采用Liang[14]提出的用宽波段反照率代替全波段反照率算法,α代表各波段地表反射率,计算公式为:

A=0.16α1+0.291α2+0.243α3+0.116α4+

0.112α5+0.081α7-0.0015

(3)

表观热惯量的计算简化了参数,式中一天中最高地温Td、最低地温Tn及计算地表反照率的各参数容易从遥感数据中获得。在遥感影像处理软件MRT中将影像数据进行投影变换和重采样,然后在ENVI软件中进行裁剪和公式计算得到表观热惯量。

2.2.2区域蒸散量计算

表面能量平衡系统( Surface Energy Balance System,SEBS) 是由荷兰科学家Z.Bob.Su 等[15]开发的利用卫星对地观测数据结合气象站实测数据,估算地表相对蒸散的方法。在SEBS模型中,表面能量平衡方程为:

Rn=G0+H+λE

(4)

式中:Rn是地表净辐射通量,W·m-2;G0是土壤热通量,W·m-2;H是湍流感热通量,W·m-2;λE是湍流潜热通量(λ是汽化潜热,J/kg;E是实际蒸散发,mm/d)。

蒸发比的计算公式为:

(5)

式中:Λ是蒸发比,Λr是相对蒸发。

日蒸发量的计算公式为:

(6)

3 结果与分析

3.1土壤湿度分布特征

图2 柴达木盆地平原区ATI分布特征Fig.2 The spatial distribution of ATI in the Qaidam Basin

柴达木盆地四周高山环绕,高海拔山区气温受地形影响较大,且分布少数冰川积雪,使用表观热惯量法反演土壤湿度受到一定限制,因此本次研究利用表观热惯量法只反演柴达木盆地海拔4 km以下平原区土壤湿度。表观热惯量的高低一定程度上代表土壤湿度的高低,对2014年6—9月份柴达木盆地平原区进行热惯量反演,结果显示ATI的分布东高西低,水体周边地区高于其他区域。其空间分布如图2所示。

用ILWIS软件获取GLDAS平均土壤含水量数据,经ENVI软件校准、裁剪输出为像元分辨率为0.25°的图像。将反演土壤湿度的ATI图像重采样为对应像元大小的图像并与GLDAS土壤湿度图像对应像元值读出,以0.001ATI步长统计区间内GLDAS土壤湿度像元的平均值,建立2014年6—9月份的ATI与GLDAS表层0~10 cm土壤含水量数据的相关性分析(图3)。

图3 ATI与GLDAS土壤湿度相关性分析Fig.3 The analysis of correlation between the ATI and soil moisture data of GLDAS

2014年6—9月土壤湿度相关性(图3)显示,4个月ATI与GLDAS土壤湿度数据拟合较好,整体决定系数R2在0.7以上,且相关性直线斜率波动小,基本吻合。因此可以根据6—9月份热惯量与GLDAS土壤含水量数据的关系,对GLDAS数据土壤含水量数据进行降尺度计算,估算柴达木盆地平原区土壤含水量(图4)。

根据GLDAS数据降尺度计算的土壤含水量分布结果可以发现,土壤湿度高的地方主要分布在柴达木盆地降水较多的东部地区、植被较好的农业区和湖等水体周边地区。盆地东部土壤湿度明显高于西部,符合降水分布上东多西少的特征;德令哈、诺木洪、乌图美仁、花海子等地区植被覆盖率较高,土壤湿度也较好;湖等水体周边由于地下水位埋深较浅,土壤湿度也相应较高。整体上土壤湿度分布情况符合实际情况。

3.2结果验证

图4 柴达木盆地土壤含水量分布图Fig.4 The distribution of soil water content in Qaidam Basin

在干旱区,植被对土壤湿度有一定的指示作用,土壤湿润地区相对土壤干燥地区植被长势要好[16]。对应2014年8月份NDVI图比较反演的土壤含水量分布结果,反演得到的土壤湿度分布特征与柴达木盆地NDVI值分布比较吻合。以0.02 NDVI步长统计区间内土壤含水量平均值,对平原区NDVI值与反演的土壤含水量进行相关性分析,决定系数达到0.954,说明反演结果理论上比较可靠(图5)。

图5 反演土壤含水量与NDVI相关性分析Fig.5 The analysis of correlation between soil water content and NDVI

图6 反演土壤湿度与实测土壤湿度相关性分析Fig.6 The analysis of correlation between measured soil moisture and retrieval result of soil water

图7 柴达木平原区日均蒸散量分布Fig.7 The distribution of the mean daily ET of plains in Qaidam Basin

为了验证反演土壤湿度,2015年8月份进行野外实地数据采集(点位见图1)。本次采样使用仪器为英国Delta-T公司产的ML3 ThetaProbe便携式土壤湿度探头配合HH2读数表,仪器基于FDR (Frequency Domain Reflectometry)频域反射原理来测量土壤的表观介电常数,从而得到土壤容积含水量,测量精度±1%。盆地内大部分地表为冲积砂砾石层或坚硬的盐壳,开挖剖面和插入探头有一定困难,因此采集的数据点较少,但对土壤湿度分布有一定的指示作用。由于2014年和2015年在气温、降水等气象条件上相近,因此对野外实测数据与2014年反演土壤湿度对应像元建立相关性分析(图6)。统计结果显示,两者有较好的相关性,决定系数R2达到0.791。

使用ATI法对GLDAS平均土壤含水量数据进行降尺度计算,计算结果低于实测土壤含水量,可能存在两方面原因:(1)GLDAS土壤含水量数据分辨率为0.25°,在柴达木盆地内,荒漠占了绝大数面积,只在格尔木、诺木洪、乌图美仁等分布绿州农业区,在这些基于25 km分辨率构建的混合像元,一定程度上被荒漠拉低了像元平均土壤含水量。野外数据是基于点上采集的数据,每个点位的数据取相互间距100 m的3个测量点数据的平均值,但在点位的选取上偏于湿润区域仪器探头容易插入的区域,测得的土壤湿度偏高于混合像元的值;(2)盆地内地表多为冲积砂砾石层和坚硬的盐壳,测量困难,测量数据偏少。

3.3蒸散量的计算及受土壤湿度的驱动影响

本次研究通过SEBS模型来计算9个子流域2014年6—9月每月的日均蒸散量(图7)。根据地形、河流等要素将柴达木盆地内部平原区分为9个子流域,分别为尕斯库勒湖流域、那棱郭勒河流域、格尔木河流域、柴达木河流域、乌兰盆地、德令哈(巴音河)流域、大小柴旦湖流域、鱼卡河流域、塔塔棱河(大小苏干湖)流域。9个子流域总面积约为75 331.77 km2,柴达木盆地90%以上人口、农业区位于流域内,子流域外多为沙漠、雅丹地貌、坚硬的盐壳地等,日均蒸散量为0或接近于0,后期统计处理干扰较大,因此此次研究选取具有研究意义的平原区9个子流域来作为研究范围,分析土壤含水量对日均蒸散量的影响。以0.001ATI步长统计区间内日均蒸散量的均值,近似替代该ATI区间中值的日均蒸散量,与对应月份反演的月均ATI进行相关性分析,分析结果见图8。

图8 土壤含水量与日均蒸散量相关性分析Fig.8 The analysis of correlation between the soil moisture and the mean daily ET

本次研究4个月土壤含水量与蒸散发决定系数都在0.96以上,具有很高相关性。Dirmeyer等[17]研究发现在干旱条件下土壤湿度成为蒸散的限制因素时,土壤湿度对感热通量和潜热通量有很大的影响。2014年Ford等[18]在美国南部大平原0~10 cm的土壤湿度与蒸发比耦合拟合中,无论是实测数据还是模型模拟数据,蒸发比对土壤湿度都有较高的响应,当土壤体积含水量小于30%且净辐射通量大于27 MJ/m2充足时,蒸发比与土壤含水量有较好的线性关系。柴达木盆地大部分是荒漠,日照充足,太阳辐射强,降水稀少,符合Ford等研究中土壤体积含水量小于30%和净辐射通量充足的条件,且蒸散量与ATI相关性很高,与前人研究结果一致。

4 结 论

本次研究基于MODIS数据和GLDAS数据,基于表观热惯量法对GLDAS土壤含水量数据降尺度处理,反演柴达木盆地土壤湿度,并应用SEBS模型计算了子流域的日均蒸散量,分析了土壤湿度对蒸散量的影响。综上所述,本项研究得到以下重要结论。

(1)表观热惯量法反演2014年6—9共4个月的ATI与对应月份GLDAS数据0~10 cm土壤含水量相关性较高,决定系数分别达到0.712 1、0.738 1、0.714 7、0.818 8。因此可以根据4个月关系方程对GLDAS数据降尺度处理,得到柴达木平原区1 km分辨率的土壤湿度分布特征。

(2)反演得到的柴达木盆地土壤湿度与植被的分布特征基本吻合,植被覆盖率高的地方对应的土壤湿度也较高,两者决定系数R2达到0.954,说明基于表观热惯量法反演柴达木盆地土壤湿度理论上是可行的。

(3)利用野外实测点土壤湿度数据对降尺度反演结果进行验证,实测数据与反演数据相关性较好,决定系数R2达到0.791。但由于混合像元的影响,降尺度反演的土壤湿度偏低于实测数据。

(4)2014年6—9共4个月的反演土壤含水量与月均蒸散量相关性分析结果显示,4个月的决定系数分别为0.981、0.969、0.979、0.988,整体相关性很高,远大于其他因素对蒸散量的驱动作用。

[1]JIN X M, SCHAEPMAN M E, CLEVERS J G P W, et al. Impact and consequences of evapotranspiration changes on water resources availability in the arid Zhangye Basin, China[J]. International Journal of Remote Sensing, 2009, 30(12):3223-3238.

[2]金晓媚,万力,SU Z B. 遥感与区域地面蒸散量估算方法[M].北京:地质出版社, 2008:62-95.

[3]杨树聪,沈彦俊,郭英,等.基于表观热惯量的土壤水分监测[J].中国生态农业学报,2011,19(5):1157-1161.

[4]武晋雯,孙龙彧,张玉书,等.不同植被覆盖下土壤水分遥感监测方法的比较研究[J].中国农学通报,2014,30(23):303-307.

[5]崔亚莉,徐映雪,邵景力,等.应用遥感方法研究黄河三角洲地表蒸发及其与下垫面关系[J].地学前缘, 2005,12(增刊):159-165.

[6]ELHAG M, PSILOVIKOS A, MANAKOS I, et al. Application of the Sebs Water Balance Model in estimating daily evapotranspiration and evaporative fraction from remote sensing data over the Nile Delta[J]. Water Resources Management, 2011, 25(11):2731-2742.

[7]李健,王辉,黄勇,等.柴达木盆地格尔木河流域生态需水量初步估算探讨[J].水文地质工程地质, 2008,35(1):71-75.

[8]郭任宏,金晓媚,王晓林,等.基于中等分辨率遥感数据的柴达木盆地实际蒸散量的计算[J].地学前缘,2014,21(4):107-114.

[9]吴黎,张有智,解文欢,等.改进的表观热惯量法反演土壤含水量[J].国土资源遥感,2013,25(1):44-49.

[10]王艳姣,闫峰.旱情监测中高植被覆盖区热惯量模型的应用[J].干旱区地理, 2014, 37(3):539-547.

[11]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,2011,2(2):104-109.

[12]CHANG T Y, WANG Y C, FENG C C,et al.Estimation of root zone soil moisture using apparent thermal inertia with MODIS imagery over a tropical catchment in Northern Thailand[J]. Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(3):752-761.

[13]PRICE J C. On the analysis of thermal infrared imagery: the limited utility of apparent thermal inertia[J]. Remote Sensing of Environment, 1985, 18(1):59-73.

[14]LIANG S L. Narrowband to broadband conversions of land surface albedo I:Algorithms[J]. Remote Sensing of Environment, 2001,76(2):213-238.

[15]SU Z B. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes[J]. Hydrology and Earth System Sciences, 2002, 6(1):85-99.

[16]孙宪春,金晓媚,万力.地下水对银川平原植被生长的影响[J].现代地质,2008,22(2):321-324.

[17]DIRMEYER P A, ZENG F J, DUCHARNE A, et al. The sensitivity of surface fluxes to soil water content in three land surface schemes[J]. Journal of Hydrometeorology,2000,1(2):121-134.

[18]FORD T W, WULFF C O, QUIRING S M. Assessment of observed and model-derived soil moisture-evaporative fraction relationships over the United States Southern Great Plains[J]. Journal of Geophysical Research, 2014, 119(11):6279-6291.

Soil Moisture Retrieval from Remote Sensing and Its Impact on Evapotranspiration in Qaidam Basin

WANG Kailin1,JIN Xiaomei1,GUO Renhong2,WEI Shanrong1, LIANG Hua1

(1.School of Water Resources and Environment, China University of Geosciences, Beijing100083, China;2.ChinaUrbanConstructionDesign&ResearchInstituteCo.Ltd.,Beijing100120,China)

Soil moisture is the core content and link of the groundwater-soil water-atmospheric water circulation system. Evapotranspiration(ET) is the important driving force of this system. The study of distribution of soil moisture and its effect on ET from regional scale has great significance on eco-environmental protection in arid areas. Based on MODIS and GLDAS data, the monthly soil moisture from June to September in 2014 was estimated in plain area in Qaidam Basin after downscale treatment of 0-10 cm GLDAS surface soil moisture data using Apparent Thermal Inertia(ATI) method. The retrieval results were validated by combination of field measurement and NDVI. Furthermore, the mean daily ET was estimated in 9 drainage basins of plain using the Surface Energy Balance System(SEBS), and the relationship between soil moisture and ET was also analyzed in this study. The result indicated that the correlation between ATI soil moisture and 0-10 cm downscaling GLDAS data was good and the determination coefficientR2is more than 0.7. The determination coefficientR2between retrieval result of soil water content and field measurement is 0.791, and theR2between soil water content and NDVI is 0.954. Therefore, it is reliable to retrieve soil moisture in Qaidam Basin based on downscale treatment of GLDAS data using ATI method. The daily ET is positively correlated with soil moisture and the determination coefficientR2is more than 0.96. The impact of soil moisture on ET is much more than other impact factors.

soil moisture; evapotranspiration(ET); Apparent Thermal Inertia(ATI); Surface Energy Balance System(SEBS); MODIS; GLDAS; Qaidam Basin

2015-09-11;改回日期:2016-03-22;责任编辑:戚开静。

国家自然科学基金项目(41372250)。

王凯霖,男,硕士研究生,1991年出生,环境工程专业,主要从事水环境遥感和生态水文学方面的研究。Email:kailin24@163.com。

金晓媚,女,教授,博士生导师,1968年出生,水文学与水资源专业,主要从事生态水文学方面的研究。Email:jinxm@cugb.edu.cn

P641

A

1000-8527(2016)04-0834-08

猜你喜欢
柴达木盆地惯量土壤湿度
并网模式下虚拟同步发电机的虚拟惯量控制策略
青海省柴达木盆地大气电场随高度的变化特征
柴达木盆地北缘锂多金属矿成矿条件及找矿潜力
土壤湿度传感器在园林绿化灌溉上的应用初探
基于随机权重粒子群优化极限学习机的土壤湿度预测
基于51单片机控制花盆土壤湿度
双馈风电机组基于非最大风功率跟踪的虚拟惯量控制
双馈风电机组基于非最大风功率跟踪的虚拟惯量控制
贵州喀斯特区域土壤湿度变化规律研究
一种基于模拟惯量偏差的电惯量控制算法