MODIS干旱指数结合RBFNN反演冬小麦返青期土壤湿度

黄友昕，胡茂胜，沈永林，刘修国，罗 琼，孙 飞

MODIS干旱指数结合RBFNN反演冬小麦返青期土壤湿度

黄友昕1，胡茂胜1，沈永林1，刘修国1※，罗 琼2，孙 飞1

（1. 中国地质大学（武汉）地理与信息工程学院，武汉 430074；2. 武汉大学测绘遥感信息工程国家重点实验室，武汉 430079）

土壤湿度是农业干旱信息最重要的表征因子，它的反演对区域乃至全球农业干旱监测及预报都具有重要意义。该文基于MODIS遥感干旱监测指数构建了冬小麦返青期土壤湿度的评价指标体系，在此基础上，结合径向基函数神经网络（RBFNN）协同反演农地土壤湿度。首先，针对单一利用遥感干旱指数反演土壤湿度具有一定的局限性问题，选取监测土壤含水量、作物需水形态变化、冠层含水量、冠层温度等参量的遥感干旱监测指数作为综合评价指标；并利用实测土壤湿度作为验证标准，从原始遥感干旱监测指数中选取出适宜的指标集；然后，以选取的评价指标集为输入层，以实测土壤湿度作为输出层的输出，构建RBFNN的农地土壤湿度反演模型。研究结果表明：应用在河南省冬小麦返青期时，基于MODIS遥感干旱监测指数与RBFNN协同反演的土壤湿度模型具有较好的反演效果；模型的评价指标集与10 cm深度的土壤湿度相关性更好，而且能综合多通道遥感信息来反映土壤湿度的变化；模型的平均预测精度达到93.27%，与BP-NN和线性回归反演模型相比，反演精度分别提高了2.92和9.97百分点；模型回归分析相对1:1斜线的偏差最小；相关系数为0.846 49，回归决定系数为0.862 6。研究结果可为区域土壤湿度的遥感反演提供新的案例参考。

遥感；土壤；湿度；干旱指数；径向基函数神经网络；MODIS

0 引 言

土壤湿度（soil moisture，SM）是农作物生长发育的基本条件，是农作物产量预测的重要参数[1]，也是气候、水文、生态等领域衡量土壤干旱程度的重要指标，在陆面过程模式和全球气候模型预测方面也扮演着重要的角色[2]。尤其在农业干旱监测中，土壤湿度不足会直接影响农作物的正常发育，致使作物生长受胁迫，使作物生物量和产量减少，进而导致农业干旱现象发生[3]。因而，SM是农业干旱信息最重要的表征因子，它的反演对区域乃至全球农业干旱监测及预报都具有重要意义[4]。

土壤湿度的获取方法一般有3种：田间实测法、土壤水分模型法和遥感法[1,5]。田间实测法可准确测量土壤含水量，但测量范围有限，实时性欠佳；土壤水分模型法可提供实时的土壤水分信息，但需大量的气象数据支持，较耗费人力财力。而遥感法具有实效性强、经济、覆盖范围广等优势，已成为区域动态监测SM的有效手段[5-13]。多年来，国内外学者基于遥感干旱指数对SM的遥感反演方法进行了大量研究。Waston等[6]最早利用热惯量模型与热红外波段估测SM；Price[7]提出了用表观热惯量（apparent thermal inertia，ATI）来近似代替真实热惯量，指出在裸露土壤或植被覆盖度低的区域ATI反演SM效果较好。Kogan[8]研究论证了冠层温度可以有效评价作物土壤表面水分亏缺，并提出了温度条件指数（temperature condition index，TCI）；冯强等[9]建立了植被条件指数（vegetation condition index，VCI）与SM在农作物生长季节的统计模型，并应用于全国耕地的SM监测中；Carlson等[10]研究了地表温度与归一化植被指数（normalized different vegetation index，NDVI）的斜率与SM的关系，并发展了植被供水指数（vegetation supply water index，VSWI）；鲍艳松等[11]基于合成孔径雷达微波数据，建立了冬小麦不同生育期的SM反演模型；李华朋等[12]研究指出归一化红外差异指数（normalized difference infrared index band6 or band7，NDIIB6/7）比同类型的植被水分指数对冠层含水量更敏感；Wang等[13]研究指出结合近红外与短波红外构建的归一化多波段干旱指数（normalized multi-band drought index，NMDI）更适合于评估土壤与植被的水分。然而，现有研究中存在的主要问题是：单一地利用可见光、近红外、短波红外，热红外等构建的遥感干旱指数，在反演SM时均具有一定的局限性[1]，如微波易受地表粗糙度与植被覆盖的影响；ATI仅适用于裸露土壤或植被覆盖低的区域；而植被指数在植被相对稀少的干旱地区监测SM并不合适[12]；因此，在实际应用中若能综合运用这些遥感干旱指数进行SM的协同反演，将是一种提高SM反演精度的有效途径。

土壤湿度是一个复杂的非线性耦合系统[13]，受土壤复杂结构和环境多因子影响显著，而人工神经网络（artificial neural networks，ANN）模型能自动分析多源输入与输出间的非线性映射关系。由于ANN的独特优势，国内外不少学者利用ANN模型开展对SM反演的研究[13-16]。大部分学者采用反向传播神经网络（back-propagation neural networks，BP-NN）建模反演SM；但BP-NN存在学习算法收敛速度较慢、需参数调节多、训练过程中总体误差易陷入局部极小等不足[16-17]。然而径向基函数神经网络（radial basis function neural networks，RBFNN）的算法原理在一定程度上克服了BP-NN的缺点，能以任意精度逼近任意连续函数，可广泛应用于自适应非线性建模中[17-20]。

针对上述现状，本文提出一种基于MODIS的遥感干旱指数与RBFNN协同反演农地SM的方法，即以2001—2012年河南省冬小麦返青期为研究对象，选取监测土壤含水量、作物需水形态变化、冠层含水量及冠层温度等参量的6种遥感干旱指数作为综合评价指标集，尝试结合MODIS的遥感干旱指数与RBFNN对农地的SM进行协同反演，并与BP-NN和线性回归（linear regression，LR）模型进行比较，以期为区域SM反演提供一种新的案例参考。

1 材料与方法

1.1 研究区概况

河南省位于中国中东部、黄河中下游，地理坐标介于110°21′-116°39′E，31°23′-36°22′N之间（图1）。该地区地貌与气候具有明显的过渡特征，气候自南向北由亚热带向暖温带过渡，自东向西由平原向丘陵山地气候过渡；地貌由西向东阶梯变化，北、西、南三面为山地环绕，中东部为华北平原，西南部为南阳盆地；该研究区土壤类型也随地形与气候的变化而演替：豫东、豫北平原多为潮土；豫南平原多砂姜黑土；豫西北山地丘陵多为褐土、红黏土；豫南多为水稻土等[21]。由于受季风气候的影响，降水量时空分布极其不均，干旱缺雨天气较多，因而造成该地区农业干旱事件频发。

1.2 数据源及其处理

遥感数据源采用美国国家航空航天局的Terra卫星搭载的中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer，MODIS）的3个数据产品：MOD09A1、MOD11A2和MCD12Q1（表1）。MOD09A1是地表反射率产品，包括7个波段（band）信息，分别是红光band1（620～670 nm）、近红外band2（841～876 nm）、蓝光band3（459～479 nm）、绿光band4（545～565 nm）及3个短波红外band5（1230～1250 nm）、band6（1628～1652 nm）)和band7（2105～2155 nm）；MOD11A2是地表温度（land surface temperature，LST）产品，包含2个热红外波段band31（10780～11280 nm）和band32（11770～12270 nm），以及白天与晚上的LST；以上2个产品用于计算遥感干旱监测指数的值。MCD12Q1是MODIS全球土地覆盖产品，选用包括17类国际地圈生物圈计划的全球植被分类方案，该数据用于掩膜过滤得到农地的遥感信息。

非遥感数据包括河南省的行政区划矢量数据和SM数据集。其中SM数据集来源于中国气象数据网的“中国农作物生长发育和农田土壤湿度旬值数据集”（http://data.cma.cn/site/index.html），该数据集是河南省17个土壤墒情站每旬观测的10和20 cm土层的土壤相对湿度（记为SM10与SM20），即土壤含水量占田间持水量的百分率，以百分比（%）表示。研究区墒情监测站点分布如图1所示。

基于前人的研究基础[22]，将冬小麦的返青期时间设定为3月上旬，对应的土壤墒情观测时间是3月8日。由于2011—2012年3月上旬南部降雨量较同期偏少，其他地区基本无降水，因而选取与之时间最接近的遥感数据MOD065，并下载表1中前3类产品共36景遥感数据。基于ENVI与ArcGIS软件，对遥感数据进行质量检查、投影、重采样、裁剪、掩膜、中值滤波等预处理过程。

1.3 研究方法

首先分析土壤含水量、作物需水形态变化、冠层含水量及冠层温度等参量的8种遥感干旱监测指数自身的适应性[23]（见表2）；然后与冬小麦返青期实测的SM做相关性分析，选取出与SM相关性相对较高的指标集，得到综合评价指标集（输入层）；以SM为输出层，基于RBFNN构建农地的SM反演模型。同时与BP-NN和LR构建的SM反演模型进行对比分析。

1.3.1 构建基于MODIS遥感干旱指数的评价指标体系

SM是表征农业干旱信息最重要的因子之一[1]，国内外学者曾利用SM来验证不同遥感干旱监测指数的区域适用性[24-25]。本文基于MODIS多波段遥感信息构建的遥感干旱监测指数作为综合评价指标，结合RBFNN协同反演农地的SM。

针对冬小麦返青期，首先计算出监测土壤含水量、作物需水形态变化、冠层含水量及冠层温度等参量的8种原始遥感干旱监测指数值，包括：监测土壤含水量指数：ATI[6]和VSWI[9]；监测作物需水形态变化指数：增强型植被指数（enhanced vegetation index，EVI）[26]和VCI[27]；监测冠层含水量指数：NDIIB6/7[28-30]和NMDI[12]；监测冠层温度指数：TCI[7]；由于这些指数的构建来源于MODIS不同波段，能够综合反映可见光、近红外、短波红外及热红外等波段对SM的变化。取土壤墒情站点对应的影像位置上3×3窗口内遥感信息，根据表2计算各指数的值。

1.3.2 RBFNN模型原理

RBFNN模型是一种具有单隐层的3层前馈网络，其设计与数值分析、线性适应滤波很好地结合，在逼近能力、分类能力和学习速度等方面都优于BP-NN[16-19]，RBFNN的网络拓扑结构共分为3层，如图2。

注：H1, H2… Hj指有个隐含层神经单元，Wj指个隐含层到输出层的线性连接权值，SM指土壤湿度。

第二层为隐含层，其节点数视所描述问题的需要而定，该层的变换函数采用RBF。RBF作用是对输入模式进行一次变换，将低维模式输入数据变换到高维空间内，使得在低维空间的线性不可分问题在高维空间内线性可分。隐含层是非线性优化策略，采用高斯核函数。

第三层为输出层，即为2011—2012年墒情监测站点的SM10。该层对输入模式做出的响应采用线性优化策略，对隐含层神经元输出的信息进行线性加权后输出，本文只有1个输出结点SM，其公式为：

式中表示权值，代表输出层的个数（=1, 2,…,）。

2 结果与分析

由于在不同区域、不同时间段，用于反演SM的遥感干旱监测指数往往存在不同的时空适应性[21]。即使在同一区域，也存在如作物生长的不同季节、土壤及气候等因素的影响，如果笼统地、随意地选用遥感干旱指数，则很难实现在不同区域的SM精确反演。因此，针对研究区冬小麦返青期，本文首先分析不同遥感干旱监测指数与SM10、SM20的相关性，选取适宜于该生长阶段的农业干旱遥感监测指数作为指标集；然后，以选取的评价指标集为输入层，以实测墒情站点土壤湿度作为输出层的输出，构建RBFNN的农地SM反演模型，最后根据该网络模型预测SM的值。

2.1 遥感干旱监测指数与SM的相关分析

首先，利用SPSS Statistics19软件，针对2012年冬小麦返青期，把原始的8种遥感干旱监测指数值进行标准化，使其具有可比性；然后用标准化后的值与实测SM10、SM20进行相关分析，两者的相关系数矩阵见表3。

表3 遥感干旱监测指数与2012年SM的相关系数矩阵

注：SM10、SM20分别表示10和20 cm土层的土壤相对湿度，%。

Note: SM10、SM20 represents soil relative humidity in 10 and 20 cm soil layers, respectively,%.

由表3可见，在冬小麦返青期（即早春麦田半数以上的麦苗心叶长1～2cm时），SM10与反映土壤含水量的指数ATI、VSWI以及反映作物形态与绿度的指数EVI的相关性均高于SM20，且通过0.05水平显著性检验；而反映冠层含水量的指数NDIIB6/7与反映作物温度的指数TCI与SM20的相关性要稍微高于SM10；但从整体来看，除了VCI之外，SM10与其余7个遥感干旱监测指数均达到显著相关（即通过0.05水平显著性检验），故本文选择SM10作为选取合适的遥感干旱指数的基准，从8个原始的遥感干旱指数中选取与SM相关性较高的6个指数（ATI、VSWI、EVI、NDIIB7、NMDI和TCI）作为SM反演模型的评价指标集。

图3 2012年3月上旬研究区遥感干旱指数与SM10的变化规律

在2012年冬小麦返青期，研究区17个墒情站点的SM10与遥感干旱指数ATI、VSWI、EVI、NDIIB7、NMDI和TCI的变化规律如图3。由图3可知，这6个遥感干旱指数相比VCI、NDIIB6与SM10的总体变化趋势更相似，说明这6个指数在该生长期较适宜冬小麦的SM监测。

综上所述，为了使构建的农地SM反演模型既能反映作物因干旱导致的生理变化，也能反映形态变化[22]；本文选择监测作物生理变化的干旱指数：ATI、VSWI、NDIIB7、NMDI和TCI；以及监测作物形态的干旱指数EVI（共6个指数）作为反演SM的综合评价指标集。

2.2 基于RBFNN构建土壤湿度反演模型

将2011和2012年共34组墒情站点（样本）获得的前30组数据作为训练样本，后4组数据作为预测样本。根据表4对反演SM的输入输出参数进行统计分析，评价该组测试数据的离散程度较好。

表4 SM反演模型的输入和输出参数

在Matlab神经网络工具箱中用newrb函数设计RBFNN。RBF通常被用作逼近函数，用newrb函数创建RBF网络是一个不断尝试的过程，计算过程中不断给隐含层增加中间层神经元，直到网络的输出满足设定的均方误差（mean squared error，MSE）为止。

2.3 土壤湿度反演模型测试及对比分析