基于NDVI-LST模型对辽宁月尺度土壤水分的反演*

张启霖，殷 红，纪瑞鹏，武晋雯，张海旭

（1．沈阳农业大学，沈阳110866；2．中国气象局沈阳大气环境研究所，沈阳110016；3．沈阳市苏家屯区气象局，沈阳110101）

基于NDVI-LST模型对辽宁月尺度土壤水分的反演*

张启霖1，殷 红1，纪瑞鹏2，武晋雯2，张海旭3

（1．沈阳农业大学，沈阳110866；2．中国气象局沈阳大气环境研究所，沈阳110016；3．沈阳市苏家屯区气象局，沈阳110101）

利用MODIS卫星数据集中的归一化植被指数NDVI（Normalized Difference Vegetation Index，NDVI）与地表温度LST（Land Surface Temperature，LST）数据建立NDVI-LST模型，对辽宁省2015年5-8月的土壤水分进行反演，建立土壤水分与干边斜率的相关关系，得到该模型反演下的土壤水分。结果表明：（1）该时间段的 NDVI-LST实际模型能够形成类似“三角”的特征空间，与理论模型吻合，利用该模型反演的5-8月土壤水分含量与地面实际监测结果相关性较高，除8月外，相关系数均在0.8以上，反演结果空间布局与地面实际土壤水分基本一致；（2）8月土壤水分反演结果不理想，相关系数为0.48，反演和地面实际空间特征差异也较大，其原因是8月NDVI对7月降水极少的响应时间的延后。整体而言，NDVI-LST模型反演土壤水分的试验结果较理想，可为利用卫星遥感手段快速反演辽宁月尺度的土壤水分、干旱灾害防御评估等决策工作提供一种新思路。

MODIS；NDIV-LST模型；土壤水分；特征空间

土壤水分是指土壤未饱和层的水分含量，是一个表示一定深度土层干湿程度的量，与环境、水文和生态关系密切[1]，同时也在反映气候变化及农业生产中发挥重要作用[2]。土壤水分的变化与地表能量平衡、区域径流、农作物生产等息息相关[3-4]。因此，土壤水分数据在科研和生产中都有着重要作用，但其准确探测却较复杂，需要投入大量的人力和财力。遥感技术的应用改变了这一现象，卫星能提供直接的土壤水分数据或结合相关数据反演得到土壤水分数据。

基于卫星遥感方法的土壤水分研究始于20世纪60年代，世界各国学者为此做了大量工作。发展至今，其方法可分为两种，一是可见光、近红外和热红外方法，二是微波的方法。Kahle[5]于 1977年提出了热惯量概念，Price[6]在能量平衡的基础上，总结了热惯量方法的遥感机理，从而于 1985年使得利用红外数据反射率反演土壤水分成为可能。Goward等[7]于2002年结合可见光与红外数据，实现了利用归一化植被指数（NDVI）与地表温度（LST）构建 NDVI-LST特征空间模型来反演土壤水分，李正国等[8]利用该模型分析了黄土高原地表水分的季节变化，发现通过模型反演而来的TVDI与土壤水分具有密切联系，辛景峰[9]通过实验建立了该模型与土壤水分的数学关系。除热惯量法和NDVI-LST方法外，作物缺水指数法（CWSI）也是常用的反演土壤水分的方法，Idso等[10-11]发现CWSI可用来监测作物根部的土壤有效水分。由于可见光和红外波段都不具有穿透土壤的能力，能直接对土壤水分进行探测的只有微波数据，微波可对地表以下一定深度的土壤层进行观测。在土壤水分的研究中，常被用到的微波数据包括 Aqua上的AMSR-E[12]（已停止工作）、Coriolis的WIND-SAT数据[13]、MetOp-A的ASCAT数据[14]，以及风云系列数据[15]。Schumugge等[16]通过分析实验数据，发现了亮度温度与土壤湿度有着较好的线性关系。田国良等[17]利用机载合成孔径雷达 X波段对封丘县的麦田土壤含水量进行了监测，并将含水量划分成 8类，相对误差可控制在 21%左右。杨虎等[18]利用 50m分辨率的雷达数据反演了土壤表层含水量的变化模式信息，与实测土壤水分含量对比后发现，均方根误差为0.44。

虽然可见光、红外线的方法被广泛地用于研究土壤水分，但无论是 CWSI还是热惯量法都无法考虑风速的影响，余涛等[19]在研究如何改进热惯量方法时，取的是研究地点一段时间内的平均风速，但平均风速和实时风速存在差异。尽管 CWSI模型较为成熟，但需要大量的气象数据作为支撑，且模型方法复杂，要达到一定精度仍有难度，不能被有效推广。微波数据虽然有着高时效性和较强穿透力，但数据的处理过程繁琐，在不同地区、不同植被覆盖度状况下有着较大误差，且在微波数据上构建的土壤水分反演模型仍处在探索阶段，实用化较低。Muskett等[20]利用 AMSR-E数据分析了阿拉斯加和俄罗斯的土壤水分，发现10.65GHz波段的数据在土壤水分的反演中易出现较大误差。基于 NDVI-LST模型反演土壤水分的研究报道目前不多。在国外，利用 NDVI-LST模型对土壤水分进行反演的结果已经证明该方法是有效的[21-25]。建立在 NDVI-LST模型基础上的温度植被干旱指数 TVDI（Temperature Vegetation Dryness Index）不仅能反应干旱状况，更与土壤水分有着密切联系，因此本文尝试从该方法入手，反演辽宁省土壤水分，并利用实测数据对该方法进行验证。

辽宁省位于东北地区南端，总面积 1.48×105km2，地理位置在 118°E-125°E、38°N-43°N，东临渤海和黄海，是东北亚地区重要的出海口。近年来，辽宁省干旱灾情频发，灾情严重，特别是 2015年7月，遭遇了64a以来最严重的干旱，全省作物受旱面积150万hm2。本文选取2015年5-8月为研究时段，正是考虑到了其代表性。虽然也有国内学者对该模型在中国不同地区反演土壤水分的精度进行了验证[26-30]，但在辽宁省的应用报道鲜见。本研究在结合气象站土壤墒情数据、降水量数据对反演结果进行验证的基础上，分析反演结果与气象站探测结果的差异，并对月尺度上反演结果进行解释说明，以期达到利用遥感手段快速监测较长时间尺度土壤水分的目的，以期为利用卫星遥感手段快速反演辽宁月尺度的土壤水分、干旱灾害防御评估等提供新思路，丰富环境、水文和生态等相关学科的研究方法。

1 资料与方法

1.1 数据及其来源

遥感数据来源于 MODIS卫星每月植被指数产品（MOD13C2）和地表温度产品（MOD11C3），空间分辨率为5km，时间分辨率为30d，两种产品均经几何校正与大气校正。数据时相覆盖了2015年5-8月辽宁省主要农作物生长季。

地面实测的土壤水分数据，来自辽宁省52个自动土壤水分观测站资料，其时间分辨率为小时，包含0-200cm的土壤含水率，考虑到遥感数据的穿透能力，提取 0-40cm土层土壤含水量数据对 NDVILST模型进行验证。

降水量资料来自辽宁省56个地面站点的观测，其时间分辨率为逐小时。由于北京时间与MODIS所采用的世界时有8h的差距，因此，本文将土壤水分和降水量资料均统一到世界时的时间范围下进行计算得到月土壤水分和降水数据。图 1为降水站点和土壤水分的观测和采样点，从图可知，两种数据的空间分布非常均一，涵盖了辽宁省的各个区域，足以满足研究要求。

图1 辽宁省土壤水分及降水观测站点分布Fig. 1 Distribution of gauge points of soil moisture （GSM）and gauge points of rainfall in Liaoning province

1.2 研究方法

1.2.1 NDVI-LST模型

植被指数（NDVI）反映地表植被的生长状况，同时也可衡量植被覆盖度，是利用植被对红光及近红外波段的反射特性所确定的一个量[31]。NDVI值在-1～1，数值越大说明植被越茂盛。地表温度（LST，单位：K）是一个客观记录地表能量的量。

NDVI-LST模型被定义为温度植被干旱指数模型（Temperature Vegetation Dryness Index，即 TVDI），该模型是由 Sandholt等[32]在研究土壤湿度时，发现LST随NDVI变化且其空间特征类似于一个梯形或三角形，逐步发展提出的，其示意图见图2。

图2 NDVI-LST模型Fig. 2 Feature space of NDVI-LST module

1.2.2 TVDI模型

温度植被干旱指数TVDI的计算式为

式中，TS为实际地表温度（单位：K），即LST；TSmax代表特征空间干边，表示某一NDVI对应的地表最高温度，由图 2中的干边线性拟合而来。TSmin代表特征空间湿边，表示某一 NDVI对应的地表最低温度，由图 2中的湿边线性拟合而来，是 NDVI与最小温度的拟合结果。计算分别为

式中，a1和b1为干边方程的拟合系数，a2和b2为湿边的拟合系数。TVDI的值在0～1之间，值越小说明植被蒸散量越小，土壤水分含量越高；值越大说明土壤蒸散发量越大，土壤水分含量越低。

1.2.3 土壤水分模型

Goward等[33-34]研究发现，NDVI-LST直线的斜率与土壤水分有着密切联系，当提取不同地点的NDVI-LST斜率时，可建立斜率与土壤水分的关系式，Goetz等[35]研究发现，NDVI-LST斜率随时间地点的变化还可反映区域土壤水分的年际变化特点。其原理是基于 NDVI-LST模型的干湿边与归一化后有着式（4）的关系，将其变形为式（5），在 Goetz等[35]的研究基础上，建立DGSM 与干边方程斜率的关系如式（6），将式（6）代入（5）中，即得到土壤水分的反演结果。

式中，GSM为最后反演的土壤水分，GSMW为湿边最大土壤水分含量，计算中取100%，GSMD为干边土壤最低含水量，δ为NDVI-LST模型中的干边斜率b1，a3和 a4是GSM与b1的拟合系数，利用采样点中0-40cm的土壤水分最低值与所研究月份内的干边斜率拟合即可计算得到GSMD。

2 结果与分析

2.1 辽宁月尺度NDVI-LST模型的特征空间

根据2015年5-8月辽宁省MODIS资料绘制每月NDVI随最大及最小LST变化过程，数据处理过程中，去掉NDVI＜0的像元点，从NDVI的最小值开始，以0.01为步长，提取这一NDVI范围内的LST最大值与最小值，结果见图3。从图2的TVDI理论模型上分析，干边应是一条下降的直线，而湿边应是一条与X轴平行的直线，图3中的结果与理论模型存在差异，其干边变化呈现先上升而后下降的空间特征，湿边变化则先下降再上升。

当NDVI处于0～0.2区间时，干边对应的最高温度呈上升趋势，这是由于当植被覆盖度小于15%时，植被NDVI比裸土高，植被可以被监测出来，特别是在干旱和半干旱区域，NDVI难以指示区域内的植物生长量，因此出现这样的变化特点。当NDVI处于0～0.8区间时，湿边对应的最低温度随植被覆盖度增加而降低，在理论上这是正确的，而当NDVI＞0.8时，温度随NDVI增加而增加，这是由于植被覆盖度超过80%时，植被覆盖趋于饱和，NDVI对植被的灵敏度检验下降所造成的[36]。

图3 2015年5-8月NDVI-LST特征空间Fig. 3 Feature space of NDVI-LST from May to August

剔除干边中NDVI在0～0.2范围内对应的数据和湿边中的数值，利用 IDL编程对每个月干湿边方程中系数进行最小二乘法拟合，得到干湿边拟合方程，结果见表1。由表中可见，各月拟合的干湿方程，相关系数均达到了0.8以上，通过了0.01水平的显著性检验；各月拟合方程的斜率值、特征空间的变化也相同，干湿边斜率值均为负，且构成类三角或梯形的结构，干湿边截距的大小可以反映当月的土壤水分程度，如果两个截距之间的差值较大，说明当月的土壤水分变化空间也较大，从表中可知，5月的截距差值最大，为19.08，这与春夏之交土壤水分变化幅度的因素有关。

表1 特征空间中干、湿边方程的拟合结果Table 1 Feature space of drought and wet edge from May to August

2.2 月尺度土壤水分反演结果的时空特征

在公式（6）的基础上，通过 MATLAB软件拟合4个月的GSMD为

将式（7）代入式（5），即得到土壤水分反演值。

图 4是反演的土壤水分、实测土壤水分以及各月对应降水总量的空间分布情况。从图中反演结果看，卫星反演土壤水分在空间分布上，与实际情况吻合度较高，说明了反演结果是正确的。从图中土壤水分总体空间分布可知，辽宁省东北部有一个土壤水分高值区，该地区是辽宁传统农业生产区和植被覆盖度较高的区域，具有较高的土壤含水量。

图4a1-图4a3中，辽宁省西部朝阳市（地理位置见图1，下同）5月实测土壤水分明显比6、7、8月低，但朝阳市在该月的降水量却并非很小，这可能与每年 3-5月从来自内蒙古的沙尘天气有关，但实测的朝阳市土壤水分低的现象却并未反映在模型反演结果中，这与该地区的植被覆盖度有关，当植被覆盖度不高时，NDVI与土壤水分的相关关系会降低，且当NDVI小于0.15时，这种现象更加明显[37-39]。图4a1-图4a3中，降水量与土壤水分的关系在朝阳市、葫芦岛市以及包括沈阳和阜新在内的区域内有着正向相关关系，即降水量低时，土壤水分也低，同时，大连市 5月降水量低，其土壤水分也很低，而且土壤水分低的区域超出了降水低值区。在土壤水分较高的东北部，降水在 5月的最大值也出现在东北部地区。

图4b1-图4b3中，NDVI-LST模型反演结果与实测土壤水分类似，只在东北部和西南部有不同，但降水与土壤水分的关系却不明显，甚至有负相关的现象，如在东北部地区降水量不多，但其土壤水分却在当月最大，这或许与降水的发生到植物或农作物将其反应出来的时间间隔有关。图 4c1-图 4c3中，7月辽宁省遭受了64a来最严重的旱灾，全省月平均降水量仅19.8mm，造成了农业及相关产业的巨大损失，这也可从选用的降水站点所记录的最大降水量上得以证实，该月最大降水量约为24mm，明显低于其它月份，而土壤水分在7月也比5、6月低，东部地区对 7月的模型反演结果与实测的土壤水分类似，考虑到TVDI可单独用来反演干旱[32]，NDVILST模型下的土壤水分又与实测土壤水分结果吻合，说明反演结果也有反映干旱的能力。由图4d1-图4d3可见，8月的反演结果与实际测量结果存在较大差异，这与7月的干旱有一定关系，由于辽宁省7月有过半区域在20多日内未见降水，植被覆盖度大幅降低，8月的降水改善了干旱的局面，但降水与植被的生长之间有着一段时间的延迟，从降水的发生到植被将降水事件反映出来存在几天至十几天，在高纬地区甚至存在上月的延迟[38-39]，这就导致了NDVI不能及时对土壤水分作出反应，因而反演结果误差较大，同时，从降水与土壤湿度的空间分布上可得知，8月的降水与土壤湿度差异很大，仅在辽宁省北部有正相关关系。但从整体情况而言，反演结果仍较精确，能正确反映土壤水分的分布情况，对土壤水分量的记录与实测数据也很接近，表明NDVI-LST模型具有对辽宁省土壤水分的反演能力。

图4 2015年5-8月各月土壤水分模型NDVI反演结果、实测值和当月降水量的空间分布FIG.4 Spatila distribution of monthly soil moisture computed by NDVI-LST module,measured data and rainfall in 2015

2.3 月尺度土壤水分反演结果与实测值的相关分析

为了检验反演结果，利用地表实际土壤水分观测数据与同期反演土壤水分进行相关性对比，其结果如图5所示。由图可见，除8月外，其余3个月的相关系数均在0.8以上，均通过了p<0.01水平的显著性检验。相关分析结果也与图4中的结果与实测土壤水分存在差异，两种数据的相关系数在该月也仅有0.48，与前三个月相比，差异巨大。散点的分布结果与图4中的结果相互对应，说明反演结果具有正确反映土壤水分的能力。

3 结论与讨论

3.1 结论

本文利用了MODIS月尺度归一化植被指数（NDVI）与地表温度（LST）两种产品数据，在建立NDVI-LST模型的基础上对辽宁省2015年5-8月的土壤水分进行了反演，并与实测的土壤水分、实测降水量进行对比分析。研究发现，NDVI与LST能构建与模型相似的特征空间，且干湿边拟合结果的相关系数均在0.8以上。NDVI-LST模型反演的土壤水分，除8月外，5-7月的反演结果与实测土壤水分均有较好的空间一致性。在8月，由于干旱的影响，反演的土壤水分与实测土壤水分之间存在较大差异，相关系数仅0.48，但两者在5-7月的相关系数分别为0.87、0.88和0.82，均通过了p<0.01水平的显著性检验，说明NDVI-LST模型具有对土壤含水量的反演能力。

图5 遥感反演与实测土壤含水率散点图Fig. 5 Scatter points of soil moisture from NDVI-LST module and validation data

3.2 讨论

由于7月辽宁省大面积干旱的影响，8月的反演结果并不好，这是由于NDVI与降水存在滞后响应所引起的。要解决这一问题，必须有更高时间精度的 NDVI、LST和更多的地面实测数据作支撑，这也是本文存在的不足之处。本文也未能解决NDVI＜0.2和NDVI＞0.8时的NDVI与植被覆盖度的相互关系问题，这或许也是造成反演结果存在误差的原因，但若抛开这个区间范围内的值进行拟合并反演，则辽宁省诸多区域就不能参与到计算当中，因此予以保留。与热惯量法和植被缺水指数法相比较，本研究所采用的方法更简洁，在数据获取、处理上更方便，减少了对气象数据的依赖性，且反演结果也较好。

总之，NDVI-LST模型在气象条件正常的情况下，能够对土壤水分进行准确反演。希望能够利用这一特点，对将来的防灾减灾以及在缺少气象站数据的情形下的管理决策工作提供快速而有效的数据支持。

References

[1]Dorigo W A,Wagner W,Hohensinn R,et al.The international soil moisture network:a data hosting facility for global in-situ soil moisture measurement[J].Hydrol.Earth Syst.Sci.,2011,15,1675-1698.doi:10.5194/hess-15-1675-2011.

[2]Chen C F,Son N T,Chang L Y,et al.Monitoring of soil moisture variability in relation to rice cropping systems in the Vietnamese Mekong Delta using MODIS data[J].Applied Geography,2011,(31):463-475.

[3]李丽,申双和,孙钢,等.土壤水分对冬小麦气孔导度及光合速率的影响与模拟[J].中国农业气象,2016,37(6):666-673.Li L,Shen S H,Sun G,et al.Simulation on and impact of soil moisture on stomatal conductance and photosynthesis rate of winter wheat[J].Chinese Journal of Agrometeorology, 2016,37(6):666-673.(in Chinese)

[4]张曼义,杨再强,候梦媛.土壤水分胁迫对设施黄瓜叶片光合及抗氧化酶系统的影响[J].中国农业气象,2017,38(1):21-30.Zhang M Y,Yang Z Q,Hou M Y.Effects of soil water stress on photosysthetic characteristics and antioxidant enzyme system of cucumber leaves in greenhouse[J].Chinese Journal of Agrometeorology,2017,38(1):21-30.(in Chinese)

[5]Kahle A B.Surface emittance,temperature,and thermal inertia derived from Thermal Infrared Multispectral Scanner(TIMS)data for Death Valley,California[J]. Geophysics,2012,52(7):858-874.

[6]Price J C.On the use of satellite data to infer surface fluxes at meteorological scales[J].Journal of Applied Meteorology,1982,21(8):1111-1122.

[7]Goward S N,Xue Y,Gzajkowski K P.Evaluatiing land surface moisture conditions from the remotely sensed temperature/vegetation index measurements:an exploration with the simplified simple biosphere model[J].Remote Sensing of Environment,2002,79(2-3):325-242.

[8]李正国,王仰麟,吴健生,等.不同土地利用方式对黄土高原植被覆盖季节变化的影响:以陕北延河流域为例[J].第四纪研究,2005,25(6):762-769.Li Z G,Wang Y L,Wu J S,et al.Relationship between surface dryness degree and landuse types based on TVDI on Loess Plateau[J].Quaternary Sciences,2005,25(6):762-769.(in Chinese)

[9]辛景峰.区域旱情遥感监测研究[D].北京:中国科学院遥感应用研究所,2003.Xin J F.Study and monitoring on regional drought inspection using remote sensing[D].Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences,2003.(in Chinese)

[10]Idso K E,Idso K E.The recovery of physiological processes following irrigation of water-stressed extra long-staple cotton[D].The University of Arizona,1992.

[11]Santos W J R,Silva B M,Oliveira G C,et al.Soil moisture in the root zone and its relation to plant vigor assessed by remote sensing at management scale[J].Geoderma,2014,221-222(2):91-95.

[12]Bindlish R,Jackson T J,Gasiewski A J,et al.Soil moisture mapping and AMSR-E validation using the PSR in SMEX02[J].Remote Sensing of Enviroment,2006,103(2):127-139.

[13]Wang X,Liu T,Li F,et al.Simulated soil erosion from a semiarid typical steppe watershed using an integrated aeolian and fluvial prediction model[J].Hydrological Processes,2014,28(2):325-340.

[14]Parrens M,Zakharova E,Lafont S,et al.Comparing soil moisture retrievals from SMOS and ASCAT over France[J].Hydrology & Earth System Sciences Discussions,2011,16(2):423-440.

[15]王国杰,齐道日娜,王磊,等.基于风云三号气象卫星微波亮温资料反演东北地区土壤湿度及其对比分析[J]. 大气科学,2016,40(4):792-804.Wang G J,Chyidorina,Wang L,et al.Soil moisture retrieval over Norheast China on microwave brightness temperature of FY3B satellite and its comparison with other datasets[J].Chinese Journal of Atomospheric Sciences,2016,40(4):792-804.(in Chinese)

[16]Schmugge T,O'Neill P E,Wang J R.Passive microwave soil moisture research[J].Geoscience & Remote Sensing IEEE Transactions on,1986, GE-24(1):12-22.

[17]田国良.土壤水分的遥感监测方法[J].遥感学报,1991,(2):89-98.Tian G L.Methods for monitoring soil moisture using remote sensing technique[J].Journal of Remote Sensing,1991,(2):89-98.(in Chinese)

[18]杨虎.植被覆盖地表土壤水分变化雷达探测模型和应用研究[D].北京:中国科学院遥感应用研究所,2003.Yang H.On the modeling of canopy covered surface soil moisture change detection using multi-temporal radar images[D].Beijing:Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,2003.(in Chinese)

[19]余涛,田国良.热惯量法在监测土壤表层水分变化中的研究[J].遥感学报,1997,1(1):24-31.Yu T,Tian G L.The application of Thermal Inertia Method the monitoring of soil moisture of North China Plain based on NOAA-AVHRR data[J].Journal of Remote Sensing,1997,1(1):24-31.(in Chinese)

[20]Muskett R R,Romanovsky V E,Cable W L,et al.Active-Layer soil moisture content regional variations in alaska and russia by ground-based and satellite-based methods,2002 through 2014[J].International Journal of Geosciences,2015,6(1):12-41.

[21]Younis S M Z,Iqbal J.Estimation of soil moisture using multispectral and FTIR techniques[J].Egyptian Journal of Remote Sensing & Space Science,2015,18(2):151-161.

[22]Mekuria E F.Spatial and temporal analysis of recent drought using vegetation temperature condition index: case of Somali regional state of Ethiopia[D].Master of Science in Geospatial Technologies,Case of Somali Regional State of Ethiopia, 2012.

[23]Mehdi H,Mohammad R S.Multi-index-based soil moisture estimation using MODIS images[J].International Journal of Remote Sensing,2011,32(21):6799-6809.

[24]Park J Y,Ahn S R,Hwang S J,et al.Evaluation of MODIS NDVI and LST for indicating soil moisture of forest areas based on SWAT modeling[J].Paddy and Water Environment,2014,12(1):77-88.

[25]Parida B R,Collado W B,Borah R,et al.Detecting drought-prone areas of rice agriculture using a MODISDerived soil moisture index[J].Giscience & Remote Sensing,2008,45(1):109-129.

[26]宋春桥,游松财,柯灵红,等.藏北高原土壤湿度MODIS遥感监测研究[J].土壤通报,2012,(2):294-300.Song C Q,You S C,Ke L H,et al.The study of MODIS remote sensing for monitoring soil moisture over Northern Tibetan Plateau[J].Chinese Journal of Soil Science,2012,(2): 294-300.(in Chinese)

[27]鲍艳松,严婧,闵锦忠,等.基于温度植被干旱指数的江苏淮北地区农业旱情监测[J].农业工程学报,2014,30(7):163-172.Bao Y S,Yan J,Min J Z,et al.Agricultural drought monitoring in north Jiangsu by using temperature vegetation dryness index[J].Transaction of the CSAE,2014,30(7):163-172.(in Chinese)

[28]康悦,文军,张堂堂,等.卫星遥感数据评估黄土高原陆面干湿程度研究[J].地球物理学报,2014,(8):2473-2483.Kang Y,Wen J,Zhang T T,et al.Assessment of the land surface wetness by using satellite remote sensing data over the Loess Plateau[J].Chinese Journal of Geophysics,2014,(8):2473-2483.(in Chinese)

[29]韩阳.长白山地区森林土壤含水量定量遥感研究[D].长春:东北师范大学,2011.Han Y.Research on the forest soil moisture in the Changbai mountains using the Quantitative Remote Sensing methods[D].Changchun:Northeast Normal University,2011.(in Chinese)

[30]张芳.基于 MODIS的陕西省干旱遥感监测研究[D].西安:陕西师范大学,2008.Zhang F.Research and monitoring of drought in Shanxi province based on MODIS data[D].Xi’an:Shaanxi Normal University,2008.(in Chinese)

[31]Defries R S,Townshend J R G.NDVI-derived land cover classifications at a global scale[J].International Journal of Remote Sensing,1994,15(17):3567-3586.

[32]Sandholt I,Stisen S,Fensholt R.Meteosat second generation data for assessment of surface moisture status[J].Eclética Química,2004,35(2):1559.

[33]Goward S N,Hope A S.Evapotranspiration from combined reflected solar and emitted terrestrial radiation:preliminary FIFE results from AVHRR data[J].Advances in Space Research,1989,9(7):239-249.

[34]Nemani R R,Running S W.Estimation of regional surface resistance to evapotranspiration from NDVI and Thermal-IR AVHRR data[J].Journal of Applied Meteorology,1989,28(4):276-284.

[35]Goetz S J.Multi-sensor analysis of NDVI,surface temperature and biophysical variables at a mixed grassland site[J].International Journal of Remote Sensing,1997,18(1): 71-94.

[36]姚春生.使用 MODIS数据反演土壤水分研究[D].北京:中国科学院遥感应用研究所, 2003.Yao C S.Retrieve of soil moisture using MODIS data[D].Beijing:Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,2003.(in Chinese)

[37]Garcia M,Fernandez N,Villagarcia L,et al.Accuracy of the Temperature–Vegetation Dryness Index using MODIS under water-limited vs.energy-limited evapotranspiration conditions[J].Remore Sensing of Environment,2014,149: 100-117.

[38]Zheng Y F,Guo J Y,Yin L Q,et al.The relationship between NDVI and precipitation in ordos from 2002 to 2012[J].Global Seabuckthorn Research & Development,2014,12(2):39-43.

[39]Luo H,Wang L,Fang J,et al.NDVI,temperature and precipitation variables and their relationships in Hainan Island from 2001 to 2014 based on MODIS NDVI[M].Springer Berlin Heidelberg,2015.

Retrieving on Monthly Soil Moisture in Liaoning Province Based on NDVI-LST Module

ZHANG Qi-lin1，YIN Hong1，JI Rui-peng2，WU Jin-wen2，ZHANG Hai-xu3
（1．Shenyang Agricultural University, Shenyang 110866, China；2．Institute of Atmospheric Environment（IAE）,CMA, Shenyang 110016；3．Metelogical Bureau of Shenyang Sujiatun District, Shenyang 110101）

To verify the application of NDVI(Normalized Difference Vegetation Index) and LST(Land surface Temperature)module in Liaoning Province, the NDVI and LST data from MODIS May to August in 2015 were used to establish the module and used as the slope from the module fitting curves to compute the soil moisture. The results showed that: (1) the module of NDIV/LST had the same feature with the theory module which was a triangle module,the soil moisture computed from this module had high correlation coefficient with the measured soil moisture values.The values of correlation coefficient were all above 0.8 except for August, and the spatial distribution of computed soil moisture was same with the measured values except for August. (2) The result of computed soil moisture in August was not ideal, the correlation coefficient was only 0.48, which was possibly due to NDVI had a delayed reflection of July precipitation and the influence of August drought in Liaoning province. Overall, the result form retried NDVI-LST module was ideal. It could provide a new idea for the quick retrieval of soil moisture in Liaoning and provide the decision making for disaster prevention and mitigation.

MODIS; NDVI-LST module; Soil moisture; Feature space1

10.3969/j.issn.1000-6362.2017.11.004

张启霖,殷红,纪瑞鹏,等.基于NDVI-LST模型对辽宁月尺度土壤水分的反演[J].中国农业气象,2017,38(11):720-728

2017-02-13**

。E-mail：snyinhong@126.com

国家自然科学基金青年科学基金项目（31600350）

张启霖（1992-），满族，硕士生，研究方向：气象灾害遥感研究。E-mail：18804050011@163.com