基于Landsat8 OLI遥感影像的延河流域土壤水分反演研究

姚 静， 薛超玉， 焦 峰,3*

(1. 西北农林科技大学水土保持研究所， 陕西 杨凌712100； 2. 中科宇图科技股份有限公司， 北京100000；3. 中国科学院水利部水土保持研究所， 陕西 杨凌712100)

土壤水分是大气和陆地之间物质能量交换中的关键因子，是气候、植被、地形及土壤因素等自然条件的综合反映，同时也是水文学、气象学、土壤学、生态学以及农业科学等领域衡量土地退化和土壤干旱程度的重要指标[1-5]。因此对于区域或全球范围的土壤水分进行实时、有效地监测和反演研究具有很重要意义，这也一直是国内外研究的热点问题[1,4,6]。

传统的土壤水分监测方法存在采样速度慢、样点较稀疏，而且需花费大量人力物力、代表范围有限、数据收集时效性差等不足，使其难以满足大范围土壤水分分析研究的需要[7]。随着遥感技术的不断发展，特别是“3S”集成技术的日益成熟，不仅使大面积土壤水分实时动态监测成为可能，而且提高了土壤水分与旱情遥感监测的可行性和实用精度[8-9]。国内外用遥感技术监测土壤水分反演方法主要有热惯量法[10-11]、植被指数法(Ts-NDVI)[12]和微波遥感法[13-14]。其中，温度植被干旱指数(TVDI)是目前可见光和热红外波段遥感监测土壤水分理论相对成熟，应用比较广泛的一种方法[4]。TVDI耦合了地表温度(Ts)和植被指数(NDVI)信息，通过Ts-NDVI特征空间的变化特征分析土壤水分状况以及时空动态演变规律。一方面，国内相关领域的学者利用TVDI指数进行了全国级、区域级、省级、市级等不同空间尺度上的土壤水分反演、旱情监测、作物产量估计[1-3,15-21]等相关研究，并取得一定成果，但关于黄土高原地区的土壤水分反演研究较少；另一方面，随着Landsat OLI/TIRS系列数据的开放，为区域土壤水分的遥感监测和反演提供了新的数据源，但目前以Landsat 8为数据源进行的土壤水分反演的相关研究较少。

黄土高原地区由于长期的水力、重力等自然作用的侵蚀以及人类不合理的开垦，水土流失严重，土壤贫瘠，有效养分缺乏，基础肥力低，导致植被和生态系统严重退化[22-23]。延河流域是黄土高原典型丘陵沟壑区，一直以来也是黄土高原水土流失重点治理地区之一。土壤水分既是制约该地区植被恢复和重建的主要限制因子[24],也是决定土壤生产力的重要因素之一[25]，充分认识延河流域的土壤水分的空间分布状况对该地区的生态系统的发展、植被恢复和重建都具有重要的意义。故本研究选择黄土丘陵区延河流域作为研究区，以2013年的延河流域Landsat8 OLI遥感影像为数据源，利用TDVI对研究区进行土壤水分状况反演，分析探究该流域各土层的土壤水分分布状况，为该流域的土壤水分监测与生态恢复提供依据。

1 材料与方法

1.1 研究区概况

延河流域(36°23'～37°17' N，108°45'～110°28' E)发源于陕西省靖边县天赐湾乡的周山，属黄河中游河口镇-龙门区间的一级支流。流域总面积7 687 km2，干流总长度286.9 km，河网密度约4.7 km·km-2，海拔为495～1 795 m。该区气候属暖温带半干旱大陆季风气候，年平均气温9℃，多年平均降水量为495.6 mm，降雨多集中在7—9月份。延河流域属于黄土丘陵沟壑区第二副区，地形破碎，主要土壤类型为黄绵土，土质比较疏松，抗蚀抗冲性差，土壤侵蚀严重，生态环境脆弱[26-28]。该地区植被类型随环境梯度变化明显，从南向北主要物种有刺槐(Robiniapseudoacacia)、辽东栎(Quercuswutaishanica)、柠条(CaraganaKorshinskii)、白羊草(Bothriochloaischaemum)、百里香(Thymusvulgaris)、长芒草(StipaBungeana)等。

1.2 数据与方法

1.2.1数据源与预处理 本研究采用2013年9月6日和2013年9月13日的Landsat8 OLI影像数据，均为雨季后影像，分辨率30×30 m，且云量≤2%。利用ENVI5.3软件对影像进行预处理，主要包括辐射定标、FLAASH模型大气校正(能见度参数来自https://www.wunderground.com/)、几何校正、镶嵌和裁剪等，其中几何校正误差在0.5个像元之内，精度符合研究标准。本研究基于降雨、温度、植被分带等因子在延河流域均匀选取10个野外实测区，包括张家滩、化子坪、谭家营、安塞、招安、县南沟、高桥、万花山、甘谷驿、张家滩。2013年6月雨季后开始进行野外测定，采用烘干法来测定土壤水分。土壤水分采样点为178个，选取148个作为土壤水分反演模型回归点，30个作为验证点。

图1 土壤水分野外验证点分布图Fig.1 Distribution of soil moisture verification point

1.2.2植被覆盖度 (1)计算NDVI的值

归一化植被指数(NDVI)是地表植被覆盖状况的遥感指标，可以将它定义为近红外波段的反射值与红光波段的反射值之差比上两者之和，归一化植被指数(NDVI)的公式如下：

NVDI=(ρNIR-ρRED)/(ρNIR+ρRED)

(1)

式中，为band5的反射率即近红外波段，为band4的反射率即红光波段。

(2)基于像元二分模型提取植被覆盖度，公式如下：

FC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

(2)

式中，NDVIveg为纯植被像元的NDVI值，NDVIsoil为纯裸土像元的NDVI值。

1.2.3地表温度 采用辐射传导方程计算得到同温度下的黑体辐射亮度后，根据普朗克定律反函数，计算得到真实的地表温度。公式如下：

(3)

式中，Ts为真实地表温度，K1和K2均为常量校订系数，K1为774.89W/(m2·μm·sr)，K2为1321.08 K。

1.2.4植被覆盖干旱指数 Nemani和Moran等[29-30]发现Ts和NDVI的散点图为梯形，即Ts-NDVI特征空间。Sandholt等[12]在Moran等提出的Ts-NDVI梯形特征空间的基础上将特征空间从梯形简化为三角形，提出了温度植被干旱指数TVDI(Temperature-Vegetation Dryness Index)的概念，公式为：

TVDI=(Ts-Tsmin)/(Tsmax-Tsmin)

(4)

Tsmin=a1+b1*NDVI

(5)

Tsmax=a2+b2*NDVI

(6)

式中，Ts为地表温度，Tsmin(湿边)为相同NDVI条件下对应的最小地表温度(℃)，Tsmax(干边)为相同NDVI条件下对应的最大地表温度(℃)。将公式干边和湿边带入TVDI的计算模型中，得到TVDI的计算公式：

(7)

式中，a1、b1、a2、b2为Ts-NDVI特征空间干湿边拟合方程的斜率与截距。

TVDI值的范围在[0，1]之间，干边所对应TVDI值为1，湿边所对应TVDI值为0，TVDI的值随着地表温度的升高而增大，土壤水分随TVDI值增大而减小，因而土壤水分与温度、TVDI值都呈负相关关系。

2 结果与分析

2.1 Ts-NDVI特征空间及干湿边方程

本文选取IDL编程语言，在ENVI5.3-IDL环境下利用ZONALMAX、ZONALMIN函数计算TVDI特征空间的干湿边拟合方程，NDVI作为横坐标(自变量X)，Ts作为纵坐标(因变量Y)。设置NDVI的步长值为0.01，将NDVI(0～1)等分100份，利用NDVI单波段影像查找固定范围值的索引，分别提取相同NDVI值对应的地表温度的最大值和最小值。在NDVI大于0时，随着NDVI的增大，地表温度的最大值呈减小趋势；同时随着植被覆盖度增加，地表温度的最小值呈增大趋势，并且地表温度的最大值、最小值与NDVI呈线性关系。

根据上述干、湿边的计算模型，利用2013年影像数据Ts-NDVI干、湿边特征空间的趋势拟合方程，得到2013年影像数据的干边拟合回归方程为y=-25.9840x+303.542(R2=0.90)；湿边拟合回归方程为y=13.9418x+268.711(R2=0.75)。其中，湿边的斜率大于0，干边的斜率小于0，干、湿边斜率的变化可以归因于蒸散、冠层传导度以及土壤水分含量。从线性拟合的效果来看，干边线性拟合的效果更好。

2.2 延河流域土壤水分的反演

2.2.1土壤表层TDVI指数 延河流域温度植被干旱指数反演结果表明(图2)：微旱和干旱的分布范围广且多分布于延河流域上游杏子河和延河主河道上游，王尧水库和化子坪西北部，TVDI的数值范围主要集中在0.6～0.8；湿润地区的分布范围较小且多分布于延安以南的南川河流域等地，呈现边缘式分布方式，TVDI的数值范围为0～0.5。

不同的地表覆盖类型(图3)，土壤水分存在很大的差异，各地表覆盖类型的TVDI呈现出不同的分布格局，总体表现趋势为：低覆盖度>中覆盖度>

高覆盖度。延河流域西北地区的植被覆盖度低，水土流失严重，土壤的蓄水性能较差，土壤比较干旱；在城市建成区及流域的沿岸地带，多为城市建筑用地土壤透水性差，呈干旱状态；在植被覆盖度良好的区域，土壤蓄水性能好，土壤水分状况正常。

2.2.2不同深度土壤水分反演回归模型 将5个土层深度(0～20 cm，20～40 cm，40～60 cm，60～80 cm，80～100 cm)各回归样点与对应的TVDI作线性回归分析，得各个土层深度的线性回归方程(表1)。

图2 延河流域TVDI空间分布图Fig.2 Spatial distribution of TVDI

图3 延河流域植被覆盖度Fig.3 Yanhe River basin Vegetation Coverage

表1 各土层深度TVDI回归方程Table 1 TVDI regression equation for different soil depth

各土层深度的实测土壤水分与TVDI的反演值具有较好的负相关性，这表明TVDI指数适用于延河流域的土壤水分信息反演。其中0～20 cm，20～40 cm，40～60 cm土层的土壤水分与TVDI反演值的相关系数分别为0.65、0.78和0.64，其中20～40 cm土层的土壤水分实测值与TVDI反演值的相关性较强；60～80 cm，80～100 cm土层的相关系数分别为0.52和0.37，其中60～80 cm土层实测土壤水分与TVDI反演值相关性较弱，80～100 cm土层的相关性最差，标准差最高。

2.2.3不同深度土壤水分反演结果 0～20 cm深度的土壤含水量最低，20～40 cm深度的土壤含水量最高，40～60 cm深度的土壤含水量相对较高，60～80 cm，80～100 cm深度的土壤含水量较低。其中：0～20 cm土层(图4A)小于5%的土壤含水量在西北和东南部的边缘地区呈现较小的片状分布；5%～7%和7%～13%的土壤含水量在延河流域西北部、中部、东南部均有大面积分布；大于18%的土壤含水量主要分布在水体和南部的林地区域。20～40 cm土层(图4B)土壤含水量小于5%只在西北和东南部的边角地带有所分布；5%～7%的土壤含水量分布区域大致与0～20 cm中5%～7%的土壤含水量的分布区域一致，但其分布范围大大缩小；7%～13%和13%～18%土壤含水量的分布范围扩大，其主要分布在延河流域西北部、中部、东南部；大于18%的土壤含水量在中部和东南部的分布范围明显扩大。40～60 cm土层(图4C)小于5%的土壤含水量主要分布在西北部的边角地区；5%～7%的土壤含水量在西北和东南部地区呈零星片状分布；7%～13%的土壤含水量在整个延河流域均有分布；大于18%的土壤含水量主要分布在水体和南部的林地区域，中部和东南部。60～80 cm(图4D)和80～100 cm(图4E)土层的土壤含水量分布图相对一致，小于5%和5%～7%的土壤含水量主要分布在西北部、南部和东南部的边缘地区，分布范围较广；7%～13%和13%～18%的土壤含水量分布范围缩小；大于18%的土壤含水量的分布范围明显缩小，其集中分布在南部边缘地区和流域水体区域。

2.3 精度检验

利用未参与回归模型建立的30个野外采样点数据对提取的各深度土层的土壤含水量反演值进行精度验证，选取的验证点均匀的分布在周家山小流域、陈家坬小流域、毛堡则小流域，精度验证(表2)如下：

图4 延河流域不同深度土壤含水量分布图Fig.4 Distribution of soil water content at different depths in the Yanhe River Basin

表2 各层土壤含水量反演值精度验证Table 2 Accuracy verification of inversion value of soil moisture in each layer

注：表中Sc代表土壤含水量实测值，Fy代表土壤含水量反演值，Jd代表精度

Note：Sc represents the measured value of soil water content,Fy represents the inversion value of soil water content,and Jd represents the accuracy

0～20 cm，20～40 cm，40～60 cm，60～80 cm和80～100 cm土层深度的土壤水分反演值的平均相对精度分别为70.2%，80.6%，72.6%，67.3%和55.4%，其中20～40 cm土层深度的土壤水分反演值的相对精度最高；60～80 cm的土壤水分反演值的整体精度最低，且波动性最大。

结果表明TVDI法能够对浅层土层的土壤水分进行有效的监测，特别是能够更稳定反映和指示20～40 cm土层的土壤水分状况，但是不能实现对更深土层土壤水分信息提取，这与夏燕秋等[1]、王纯枝等[31]和姚春生等[32]的研究结果一致。

3 讨论

土壤水分是黄土高原关键带中的关键要素，同时又是黄土高原植被恢复与生态环境重建的决定因子[33-36]。故本研究基于Landsat8 OLI数据，选用温度植被干旱指数法对延河流域的土壤水分进行反演，结果表明延河流域微旱和干旱的分布范围广且多分布于西北地区，分析陕西省水利厅网站雨情简报中的降雨数据可以发现[37]，2013年暴雨分布和降雨空间分布表现出由南到北逐渐降低的趋势，这与延河流域的地表土壤水分的空间分布规律有很大的一致性，已有研究也表明了降水格局是影响延安-安塞地区土壤水分空间格局主导因素[38]。

利用植被干旱指数法进行土壤水分反演，其反演精度在20～40 cm最高，这与夏燕秋等[1]、王纯枝等[31]和姚春生等[32]的研究结果一致。该地区近地表的表土层是降水、土壤水、热量、生物利用的一个交换面(作用面)，除受上述因素影响外，植被、土壤、地形等对土壤水分动态变化也有着重要影响，故浅层土壤水分不稳定，变动较大[22,39]。由于土层较深，土壤水分对光学影像热红外波段的敏感度下降，与TVDI指数的相关性较弱，导致深层土壤的土壤水分反演精度也较低[1]。

目前，利用遥感影像进行土壤水分的遥感监测和反演已经取得一定的成果，但单期的遥感影像的研究结果仅能反映特定时期的土壤水分状况，而未能反映土壤水分的动态变化。因此，今后对延河流域土壤水分进行长时间序列的动态监测和反演时，应考虑多种传感器及多时相的遥感影像。

4 结论

延河流域微旱和干旱的分布范围广且多分布于西北地区，不同的地表覆盖类型，土壤水分的总体趋势表现为：低覆盖度>中覆盖度>高覆盖度；各土层深度的实测土壤水分与TVDI的反演值具有较好的负相关性，表明TVDI指数法适用于延河流域的土壤水分反演；土壤水分反演值的精度检验结果中，20～40 cm的土壤水分反演值为80.57%，整体精度最高，表明TVDI更能稳定反映和指示地表20～40 cm土壤水分状况，但对于提取更深土层深度的土壤水分信息不能满足精度要求。