多源遥感数据及其融合技术在土壤墒情监测中的应用

王文婷，郭乙霏

(1.焦作市抗旱防汛通讯站，河南 焦作 454150；2.东北农业大学水利与土木工程学院，哈尔滨 150003)

0 引 言

土壤墒情是反映土壤中水分状况的指标，农业部门对土壤墒情的及时准确预报，对指导农作物的管理有着重要的意义[1-3]。多源遥感影像融合能提高遥感信息提取的及时性、可靠性和精度并提高遥感数据的使用效率，影像信息的空间分辨率得到提高。利用遥感数据进行土壤墒情的监测具有范围广、速度快、时效性强等优势，因此遥感数据在土壤墒情监测中的应用越来越多[4]。

本文利用TM遥感影像与SPOT影像数据进行融合，用融合后的影像数据，通过单窗模型反演地表温度，再利用地表温度与土壤湿度进行回归分析，建立反演土壤墒情模型。通过三种模型的结果精度对比分析，探讨土壤墒情反演时选取影像的优劣以及对于结果精度的影响。

1 研究区概况及数据处理

1.1 研究区域概况

本文研究区域为郑州市的惠济区、管城区、金水区、中原区和二七区等五个辖区。研究区气候属暖北温带大陆性气候，四季分明，年平均气温为14.4 ℃，最高气温43.0 ℃，最低气温17.9 ℃。年平均降雨量640.9 mm。市区西南部及西北部地区为侵蚀的丘陵地区，惠济区与金水区分布有洼地，其余地区为冲积平原区。市区的平均海拔为110.4 m，地势西南高，东北低。

1.2 遥感数据选取及处理

本文所使用的Landsat-ETM+影像数据来自于国际科学数据服务平台。影像成像时间为2009年6月25日，平均云量为0.39%，中心纬度为34.609 38°,中心经度为113.455 08°。SPOT数据为2004年郑州市过境影像。由于ETM+卫星2003年后的传感器出现了故障，所获取的图像中出现条带现象。因此在进行其他的影像处理之前，需要对数据进行条带修复，修复结果如图1所示。对条带修复后的影像进行辐射定标、大气校正及几何校正等处理，使得处理后的Landsat-ETM+数据与SPOT数据完全匹配。

图1 Landsat-ETM+条带修复结果

2 研究方法

2.1 数据融合

本文采用主成分变换融合[5]和Gram-Schmidt融合方法[6]对ETM+数据和SPOT 全色影像数据进行融合。影像融合结果如图2、图3所示。从图中可以看出，融合后的影像既能保留其光谱信息，又能使影像的空间分辨率有所增加，增强了对于目标特征以及动态监测区域的识别。影像经融合后可以更好地突出其细节纹理信息，使融合后的影像清晰度增加。

图2 PCA变换融合前后对比结果图

图3 G-S融合前后对比结果图

2.2 地表温度反演

地表温度对于土壤墒情的反演具有重要作用。覃志豪等[7]提出了一种单窗算法来反演地表温度，该方法计算方便且具有较高的精度，因此，研究采用单窗算法反演地表温度，其计算公式如下：

Ts={a(1-C-D)+[B(1-C-D)+

C+D]T6-DTa}/C

(1)

式中：Ts为地表温度；a和b为经验系数(a=- 67.355 351,b=0.458 606)；T6为亮温；Ta为大气评价作用温度；C和D的计算公式如下：

C=τ·ε

(2)

D=(1-τ)·[1+τ(1-ε)]

(3)

式中：τ为大气透过率；ε为地表比辐射率。

地表比辐射率根据归一化植被指数NDVI来进行计算[8]，公式如下：

大气透过率τ的计算公式如下：

(5)

式中：w为大气水汽含量。

大气平均作用温度Ta的计算公式如下：

(6)

式中：T0表示近地表气温。根据公式地表温度反演结果如图4所示。

图4 地表温度反演结果

2.3 土壤墒情反演

本文采用ETM+影像数据与SPOT影像融合后的数据，计算地表温度，通过地表温度与实测土壤水分建立回归模型。首先建立不同融合方法的地表温度和实测数据的散点图(图5)，由图发现，地表温度与土壤含水量之间大致呈线性关系。因此，采用分析所得的线性模型作为地表温度与土壤含水量之间的函数模型。

研究将建立的线性模型应用到整个研究区域，利用ENVI波段运算功能即可反演出郑州市2009年6月25日的土壤墒情，再利用ArcGIS软件将上述3个结果进行重分类，生成的土壤墒情分布图如图6所示。

图5 地表温度与土壤含水量二维散点图

图6 土壤墒情分布图

3 结果验证与分析

3.1 精度验证

研究通过实测土壤墒情的平均值与反演的平均值进行比较，对结果进行检验，通过对三个土壤墒情反演结果进行统计，研究区的平均土壤墒情分别为：

(7)

(8)

(9)

(10)

(11)

(12)

(13)

式中：φ1、φ2、φ3分别为未经融合影像、PCA融合影像以及经G-S融合影像反演土壤墒情结果的精度。

3.2 结果分析

研究区大部分地区的土壤墒情状况为10%～15%，其次是15%～20%，而在10%以下和30%以上的地区很少。整体上来看，该研究区属于适合农作物生长的土壤湿度。有小部分地区的土壤墒情值在10%以下，该地区属于轻微干旱地区。通过对3种计算结果进行比较，经融合的数据反演模型精度有所提高。所以，多源遥感影像及其融合技术在土壤墒情监测中的应用具有很大的优势，在未来的墒情估算及管理等方面前景广阔。

4 结 论

土壤墒情影响农作物的生长、灌溉等，墒情监测可以实时提供可靠数据信息，具有重要的科学指导作用。本文通过对Landsat-ETM+数据与SPOT数据进行融合，反演地表温度，以此来反演土壤墒情，得出如下结论：

(1)对于土壤墒情监测中遥感影像数据的选择，融合后的影像数据较之前的单一数据源包含更多的信息，同时空间分辨率也得到提高，因此融合数据在墒情监测应用中比单一数据更有优势。

(2)在遥感影像反演土壤墒情过程中，采用单窗模型的方法反演出地表温度图。单窗模型法用到第3、4、6波段影像，是一种比较简单实用的地表温度算法。

(3)基于地表温度和土壤墒情实测数据建立土壤墒情反演模型精度可以达到80%以上，在实际应用中具有利用价值。其中，利用传统的线性模型基本是可行的，而且模型的建立所涉及的参数较少且易于调试，模型容易推广。

参考文献：

[1] 肖 斌,沙晋明.土壤水分遥感反演方法概述[J].遥感信息, 2007,(6):94-98.

[2] 杨 涛,宫辉力,李小娟，等.土壤水分遥感监测研究进展[J].生态学报,2010,30(22):6 264-6 277.

[3] Jackson T, Mansfield K, Saafi M, et al. Measuring soil temperature and moisture using wireless MEMS sensors[J]. Measurement, 2008,41(4):381-390.

[4] 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.

[5] 樊旭艳,付春龙,石继海,等. 基于主成分分析的遥感图像模拟真彩色融合法[J].测绘科学技术学报,2006,(4):287-289,292.

[6] Aiazzi B, Baronti S, Selva M, et al. Enhanced Gram-Schmidt spectral sharpening based on multivariate regression of MS and pan data[C]∥Geoscience and Remote Sensing Symposium, 2006. IGARSS 2006. IEEE International Conference on. IEEE, 2006:3 806-3 809.

[7] 覃志豪, Minghua Z, Karnieli A, 等.用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 2001,56(4):456-466.

[8] Van de Griend A A, Owe M. On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces[J]. International Journal of Remote Sensing, 1993,14(6):1 119-1 131.