基于植被供水指数的旱区土壤湿度反演方法研究

杨彦荣 胡国强

关键词： 土壤湿度; 地表温度; 植被供水指数; MODIS; 遥感反演; 植被指数

中图分类号： TN911.23?34                        文献标识码： A                    文章编号： 1004?373X（2019）02?0138?05

Research on soil moisture retrieval method based on VSWI for drought region

YANG Yanrong， HU Guoqiang

（Network & Education Technology Center， Northwest A&F University， Yangling 712100， China）

Abstract： The vegetation supply water index （VSWI） is an efficient index for drought research， and an important method for regional soil moisture retrieval. Parameters of normalized difference vegetation index （NDVI）， modified soil?adjusted vegetation index （MSAVI）， enhanced vegetation index （EVI） and land surface temperature （Ts） are extracted by using the MODIS data， so as to build the VSWI， MSAVI?based VSWI （VSWI?M） and EVI?based VSWI （VSWI?E）. The soil moisture retrieval effects using the three indexes are compared. On this basis， the mixed VSWI （MVSWI） model based on sub?regions and NDVI threshold is built. The actual moisture measured data of 20 cm of soil is used to verify the model. The RE and RMSE results show that the MVSWI model has a good accuracy， which can be used for soil moisture estimation.

Keywords： soil moisture; land surface temperature; VSWI; MODIS; remote sensing retrieval; vegetation index

0  引  言

土壤湿度是进行农业旱涝监测的重要指标，并与气候、环境有十分紧密的联系，利用遥感技术进行大区域土壤湿度监测是目前研究的重点。植被供水指数法综合植被指数和地表温度信息，通过二者构成的特征空间来反映土壤湿度，是植被生长季节土壤湿度监测的常用方法之一。该方法所需遥感参数少、时效性强且物理意义明确，在土壤湿度监测中获得广泛的应用[1?4]。

针对VSWI方法的研究，目前多采用单一的NDVI指数、增强型植被指数（EVI）或修正的土壤调整植被指数（MSAVI）建立植被指数与地表温度特征空间[5?6]，而针对三种植被指数分别与地表温度构成的特征空间的比较研究还不多见;针对基于VSWI的土壤湿度反演模型的研究，大多针对整个研究区建立统一的模型，事实上由于下垫面情况复杂，在较大区域范围内采用统一的模型在一定程度上影响了模型的精度。目前虽然已有建立分区域的土壤湿度模型[7?8]，但现有的研究未考虑NDVI指数对模型的影响，针对研究区地表NDVI指数差异而建立VSWI监测模型相对较少。

本文用MSAVI和EVI分别取代NDVI对植被供水指数进行修正，对比基于MSAVI，EVI和NDVI三种植被指数的植被供水指数效果分析其在干旱半旱区反演土壤湿度方面的表现;此外，尝试建立一种考虑区域地貌和NDVI差异的混合植被供水指数（MVSWI）模型，并探讨模型的适用性。

1  研究区和数据

1.1  研究区概况

陕西关中地区位于陕西省中部，地处北纬33°34′～35°52′和东经106°18′～110°38′之间;包括西安、宝鸡、咸阳、渭南、铜川五市及杨凌区，是陕西省主要农作物种植区;关中地区地貌复杂多样，山区、平原、黄土塬区并存，年均气温6～13 ℃，年均降水量500～800 mm，属干旱半干旱气候区，春旱、伏旱较为频繁。

1.2  数据和预处理

遥感数据选用2016年5月27日MODIS L1B数据（MOD021KM）和MODIS全球每日地表温度合成产品（MOD11A1），遥感数据空间分辨率均为1 km。数据处理平台为ENVI 4.8和Arcgis 9.3，对数据进行去除条带噪声、bowtie处理、几何校正、辐射定标、镶嵌、裁剪等预处理，获取研究区的影像。投影方式选择Albers正轴等面积圆锥投影，椭球体为WGS?84。

地面实测数据来自关中地区韩城、合阳、澄城、白水、彬县、蒲城、大荔、富平、麟游、三原、华阴、潼关、华县、临渭、扶风、长安、鄠邑17个气象台站4月下旬的20 cm土壤相对湿度数据。由于气象站点的土壤墒情数据每月上、中、下旬逢8日提供，因此，实验中采用的是各气象站点2016年5月28日的土壤濕度数据。

2  研究方法

2.1  地表温度的提取

目前针对MODIS数据进行地表温度反演的方法有单通道算法、基于MODIS白天/夜间图像的温度计算方法和劈窗算法等。劈窗算法虽然计算过程比较复杂，但精度相对较高，因此本文采用劈窗算法，主要步骤如下：

1） 计算混合像元比辐射率;

2） 用第2，19波段计算大气水汽含量，进而计算大气透过率;

3） 利用PLANK函数计算31，32波段的亮温;

4） 利用计算出的比辐射率、大气透过率、亮温等参数计算Ts，具体计算过程参考文献[9?10]。

2.2  植被指数的提取

归一化植被指数（NDVI）是目前应用最广泛的植被指数，但NDVI同时存在不足，如在高植被覆盖区易饱和、对低植被覆盖区的土壤背景影响没有处理、对大气影响的纠正不彻底等。修正的土壤调整植被指数（MSAVI）用一个自动调节因子L来修正NDVI对土壤背景的敏感，能够更好地描述植被覆盖[11]。增强型植被指数（EVI）在描述高植被覆盖变化方面更敏感，并能有效处理大气溶胶影响，在研究中得到了广泛的应用[12]。三种植被指数计算公式分别为：

[NDVI=ρNIR-ρREDρNIR+ρRED] （1）

[MSAVI=[（2ρNIR+1）-（（2ρNIR+1）2-                  8（ρNIR-ρRED））1/2]2] （2）

[EVI=2.5（ρNIR-ρRED）（ρNIR+C1ρRED-C2ρBLUE+L）] （3）

式中：[ρRED]为红光波段反射率，对应MODIS第1波段;[ρNIR]为近红外波段反射率，对应MODIS第2波段;[ρBLUE]为蓝光波段反射率，对应MODIS第3波段;L为土壤调节参数;[C1，C2]为大气修正参数，通常取L=1，[C1]=6，[C2]=7.5。

2.3  土壤湿度指数提取

2.3.1  植被供水指数

植被供水指数（VSWI）的原理是：当土壤水分充足时，植被生长正常;当土壤水分不足时，植物生长受土壤水分胁迫，会同时出现两种情况：一是作物由于缺水导致生长状况受到影响，NDVI减小;二是作物被迫关闭部分气孔以减少蒸腾量，从而导致冠层温度升高[13]。VSWI计算公式为：

[VSWI=NDVITs] （4）

式中：NDVI为归一化植被指数;[Ts]为地表温度。VSWI值越小，表明土壤水分越小，即旱情越严重。分别用MSAVI和EVI代替式（4）中的NDVI，得到植被供水指数的另外两种形式VSWI?M，VSWI?E的计算公式为：

[VSWI?M=MSAVITs] （5）

[VSWI?E=EVITs] （6）

2.3.2  混合植被供水指数

研究表明，NDVI与VSWI具有较高的正相关性，相对于[Ts]，NDVI对VSWI指数的影响更大。杨勇等根据地貌把关中地区分为三大区域：黄土塬区、平原区和山区[14]。本研究中所用气象站点具体分布如下：

Ⅰ区（黄土塬区）：包括韩城、合阳、白水、彬县、蒲城、大荔、临渭、长安共8个气象站点。

Ⅱ区（平原区）：包括华县、华阴、潼关、富平、三原、鄠邑、扶风、麟游、澄城9个气象站点。

为了避免不同地区运用同一植被供水指数给土壤湿度反演模型带来误差，通过对比分析VSWI，VSWI?M和VSWI?E三种植被供水指数在Ⅰ区和Ⅱ区的适用性，分别选出最适合Ⅰ区和Ⅱ区的一种指数，构建适合整个研究区的混合植被供水指数（Mixed?VSWI，MVSWI）。

[MVSWI=X1，    NDVI≤cX2，    NDVI>c] （7）

式中：MVSWI为混合植被供水指数;X1，X2为VSWI，VSWI?M或VSWI?E三种指数中的任意一个;c为常量，表示NDVI的某一特定值，取值范围为（0，1）。

2.4  土壤湿度反演模型

土壤湿度反演是通过建立土壤湿度与土壤湿度指数之间的关系模型实现的，通常借助于经验模型。常用经验模型为线性模型、指数模型和对数模型，计算公式分别为：

[Y=aX+b] （8）

[Y=aebX] （9）

[Y=aln X+b] （10）

式中：a，b为回归系数;Y为土壤湿度;X为土壤湿度指数（如VSWI等）。

对于模型的选择，应从结果的精度和计算复杂度两方面综合考虑。在三种模型精度相差不大时，线性模型由于计算简单往往被优先采用。

2.5  模型评价

借助于地面样点实测土壤湿度数据，通过计算反演值和实测值的误差对模型进行评价。本文采用相对误差（RE）和均方根误差（RMSE）对模型进行检验，RE和RMSE的计算公式为：

[RE=Yi-Y′iYi×100%] （11）

[RMSE=i=1n（Yi-Y′i）2n×100%] （12）

式中：[Yi为i]站点实测土壤湿度;[Y′i为i]站点模拟土壤湿度;n站点数目。

3  结果与分析

3.1  地表温度计算结果

使用劈窗算法计算Ts，并将反演值与NASA提供的地表温度产品（LST）进行比较，得到二者的差值直方图见图1。由图1可知，误差值大部分在-2～2 K之间，使用ENVI的快速统计功能，获得差值的平均值、标准差分别是0.25 K，1.15 K，说明反演的地表温度具有较好的精度。

3.2  植被指数计算结果

运用式（1）～式（3）分别计算NDVI，MSAVI，EVI三种植被指数，其中NDVI计算结果见图2。NDVI，MSAVI和EVI对比见图3。

3.3  SWI与土壤湿度的关系

根据式（4）～式（6）通过比值计算出每个像素的VSWI，VSWI?M和VSWI?E值。提取各气象站点对应的VSWI，VSWI?M和VSWI?E值，分别与20 cm土壤湿度实测数据进行统计分析，采用线性、对数、指数三种方式拟合，对比三种方式的拟合效果见表1。

由表1可以看出，三种指数与土壤湿度线性拟合的效果较好，其中，VSWI?M，VSWI?E与土壤湿度线性相关性相对较好且相差不大。在此只将VSWI?M与土壤湿度进行线性回归分析，得到土壤湿度的反演公式为：

[Y=20.37X+42.08] （13）

式中：X为植被供水指数（VSWI?M）;Y为土壤相对湿度。

3.4  MVSWI与土壤湿度关系

上述实验表明，对整个研究区采用单一模型时，植被供水指数与土壤湿度相关系数整体偏低，且未能达到5%显著性水平。实验同时表明在分区域的情况下VSWI指数与土壤湿度相关性较强。因此，将Ⅰ区的8个站点和Ⅱ区的9个站点的VSWI，VSWI?M，VSWI?E值分别与对土壤湿度实测数据进行相关分析，研究分区域的土壤湿度模型，结果如表2所示。

表2表明，Ⅰ区和Ⅱ区三种植被供水指数与土壤湿度实测数据均有较好的相关性;Ⅰ区VSWI?M模型效果最好，指数拟合方式最佳，其次是线性拟合;Ⅱ区VSWI?E模型效果最好，线性模型拟合方式最佳。因此，在Ⅰ区采用VSWI?M，Ⅱ区采用VSWI?E，建立混合植被供水指数（MVSWI）。对研究区NDVI统计分析及K均值聚类分析，得到Ⅰ区NDVI均值为0.25，因此，以NDVI=0.25为阈值，建立MVSWI计算公式为：

[MVSWI=VSWI?M，  NDVI≤0.25VSWI?E，   NDVI>0.25] （14）

根据式（14），计算每个像元的MVSWI值，将17个样点的MVSWI值和实测值以NDVI=0.25为阈值分别进行回归分析（见图4）。考虑到线性拟合效果较好且计算简单，因此两个分区均采用线性回归分析，建立土壤相对湿度Y与MVSWI的关系为：

[Y=122.54 MVSWI+8.28，  NDVI≤0.2529.91 MVSWI+21.62，  NDVI>0.25] （15）

3.5  模型验证分析

利用式（13）、式（15）分别计算并导出各站点VSWI?M，MVSWI模型的模拟值，运用式（11）、式（12）计算两个模型的误差，MVSWI模型的RMSE、RE的均值、RE小于10%的比例分别为4.11%，6.4%，76%，对应VSWI?M模型的6.83%，10.38%，70%。

对比分析表明，MVSWI模型的误差较小，与VSWI?M模型相比更适用于研究区的土壤湿度反演。

3.6  土壤湿度空间分布

参考现有的划分标准[15]，把土壤湿度分为5个级别：土壤相对湿度大于80%为湿润;60%～80%为正常;50%～60%为轻旱;40%～50%为中旱;小于40%為重旱。对土壤湿度图按上述5个等级进行密度分割，得到关中地区2016年5月27日土壤湿度分布图见图5。

根据陕西省2016年5月27日土壤墒情简报显示，关中地区因气温升高较快，土壤水分随之损失严重。韩城、澄城、旬邑、彬县等地有轻到中旱，鄠邑、周至南部地区有中旱，扶风、岐山等地由于5月下旬累计降雨较多部分地区土壤湿度较大，其他地区土壤湿度适宜，与图4土壤湿度分布一致，此外，西安市区周围土壤湿度较低，与实际情况相符合。

4  结  论

利用MODIS数据和植被供水指数模型对关中地区土壤湿度进行反演，得到以下结论：

1） 对整个研究区采用单一植被供水指数模型进行研究，分别采用VSWI，VSWI?M，VSWI?E三种植被供水指数，实验表明三种植被供水指数与土壤湿度的相关性都不高。

2） 根据地貌和NDVI差异构建了混合植被供水指数模型，用关中地区2016年5月27日的个案对模型进行检验，实验表明，MVSWI模型，均方根误差RMSE为4.11%，相对误差均值为6.4%，具有较好的精度。

3） 与VSWI?M相比，MVSWI误差更小，更适用关中地区5月下旬的土壤湿度反演。

混合植被供水指数模型优点是考虑了地貌和地表NDVI差异，发挥了三种VSWI指数在对应的NDVI阈值下与土壤湿度相关性较高的优势，使计算精度得到一定程度的提高。本文所用到的气象站点数量有限，更多的地面观测资料有助于提高模型的精度;植被生长状况不同会影响NDVI阈值的选取，限制了模型的通用性，更科学的阈值设置需要进一步的研究。为提高模型的精度，还需要考虑季节变化、植被类型、高程等因素对模型的影响。此外，本研究仅对某一天的土壤湿度进行了反演，因此，还需在月、年等时间尺度上进行深入研究。

注：本文通讯作者为胡国强。

参考文献

[1] 李海亮，戴声佩，胡盛红，等.基于空间信息的农业干旱综合监测模型及其应用[J].农业工程学报，2012，28（22）：181?188.

LI Hailiang， DAI Shengpei， HU Shenghong， et al. Comprehensive monitoring model for agricultural drought and its application based on spatial information [J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（22）： 181?188.

[2] 刘虹利，王红瑞，吴泉源，等.基于MODIS数据的济南市农田区土壤含水量模型[J].中国农村水利水电，2012（8）：12?15.

LIU Hongli， WANG Hongrui， WU Quanyuan， et al. Forecasting model of soil moisture in farming areas of Jinan based on MODIS data [J]. China rural water and hydropower， 2012（8）： 12?15.

[3] 吴春雷，秦其明，李梅，等.基于光谱特征空间的农田植被区土壤湿度遥感监测[J].农业工程学报，2014，30（16）：106?112.

WU Chunlei， QIN Qiming， LI Mei， et al. Soil moisture monitoring of vegetative area in farmland by remote sensing based on spectral feature space [J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（16）： 106?112.

[4] 李海亮，田光辉，刘海清.基于MODIS数据的海南岛干旱监测研究[J].广东农业科学，2011，38（6）：204?206.

LI Hailiang， TIAN Guanghui， LIU Haiqing. Study on drought monitoring in Hainan island based on MODIS data [J]. Guangdong agricultural sciences， 2011， 38（6）： 204?206.

[5] 孙丽，王飞，吴全.干旱遥感监测模型在中国冬小麦区的应用[J].农业工程学报，2010，26（1）：243?249.

SUN Li， WANG Fei， WU Quan. Drought monitoring by remote sensing in winter?wheat?growin area of China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2010， 26（1）： 243?249.

[6] 权文婷，李红梅，周辉，等.FY?3C/MERSI数据应用于陕西省干旱时空动态监测研究[J].干旱地区农业研究，2016，34（3）：193?197.

QUAN Wenting， LI Hongmei， ZHOU Hui， et al. Investigation on FY?3C/MERSI data to monitor the spatial?temporal dynamics of drought in Shaanxi Province [J]. Agricultural research in the arid areas， 2016， 34（3）： 193?197.

[7] 景毅刚，张树誉，乔丽，等.陕西省干旱预测预警技术及其应用[J].中国农业气象，2010，31（1）：115?120.

JING Yigang， ZHANG Shuyu， QIAO Li， et al. Research on the application of drought forecast and early?warning technology in Shaanxi [J]. Chinese journal of agrometeorology， 2010， 31（1）： 115?120.

[8] 刘惠敏，马小群，孙秀帮.安徽省MODIS干旱监测技术研究[J].气象，2010，36（4）：111?115.

LIU Huimin， MA Xiaoqun， SUN Xiubang. Drought monitoring composite MODIS satallite remote sensing technique in Anhui province [J]. Meteorological monthly， 2010， 36（4）： 111?115.

[9] 毛克彪，覃志豪，施建成，等.针对MODIS影像的劈窗算法研究[J].武汉大学学报（信息科学版），2005，30（8）：703?707.

MAO Kebiao， QIN Zhihao， SHI Jiancheng， et al. The research of split?window algorithm on the MODIS [J]. Geomatics and Information Science of Wuhan University， 2005， 30（8）： 703?707.

[10] 覃志豪，高懋芳，秦晓敏，等.农业旱灾监测中的地表温度遥感反演方法：以MODIS数据为例[J].自然灾害学报，2005，14（4）：64?71.

QIN Zhihao， GAO Maofang， QIN Xiaomin， et al. Methodology to retrieve land surface temperature from MODIS data for agricultural drought monitoring in China [J]. Journal of natural disasters， 2005， 14（4）： 64?71.

[11] 杨峰，李建龙，钱育蓉，等.天山北坡典型退化草地植被覆盖度监测模型构建与评价[J].自然资源学报，2012，27（8）：1340?1348.

YANG Feng， LI Jianlong， QIAN Yurong， et al. Estimating vegetation coverage of typical degraded grassland in the Northern Tianshan Mountains [J]. Journal of natural resources， 2012， 27（8）： 1340?1348.

[12] 杨波，马苏，王彬武，等.基于MODIS的湖南省农业干旱监测模型[J].自然资源学报，2012，27（10）：1788?1796.

YANG Bo， MA Su， WANG Binwu， et al. Agricultural drought monitoring model based on MODIS data in Hunan province [J]. Journal of natural resources， 2012， 27（10）： 1788?1796.

[13] 刘欢，刘荣高，刘世阳.干旱遥感监测方法及其应用发展[J].地球信息科学学报，2012，14（2）：232?239.

LIU Huan， LIU Ronggao， LIU Shiyang. Review of drought monitoring by remote sensing [J]. Journal of geo?information science， 2012， 14（2）： 232?239.

[14] 杨勇，任志远.关中地区土地利用综合分区及对策研究[J].地理研究，2010，29（1）：154?162.

YANG Yong， REN Zhiyuan. Land use regionalization and countermeasures in Guanzhong region [J]. Geographical research， 2010， 29（1）： 154?162.

[15] 张洁，武建军，周磊，等.基于MODIS数据的农业干旱监测方法对比分析[J].遥感信息，2012，27（5）：48?54.

ZHANG Jie， WU Jianjun， ZHOU Lei， et al. Comparative study on remotely sensed methods of monitoring agricultural drought based on MODIS data [J]. Remote sensing information， 2012， 27（5）： 48?54.