基于MODIS干旱指数与RBFNN方法的江苏冬小麦需水关键期土壤水分遥感监测应用

李 菁，任义方，戴竹君,4，金 琼，沈 澄，张 蕾

(1.南京市气象台,江苏 南京 210019；2.江苏省气候中心，江苏 南京 210000；3.国家气象中心，北京 100081;4.中国气象局交通气象重点实验室，江苏 南京，210041)

干旱的危害程度、影响范围及持续时间对人类生活生产及社会发展影响较大，从气象、农业、水文及社会经济这几个角度可将干旱分为4种类型[1-2]。传统的干旱监测主要采取田间定点监测和随机调查等方法，存在时间人力花费较多、效率低下、精度较差等缺点，目前已难以满足实时大范围监测旱情的需求[3]。随着遥感技术的发展，如何及时准确获得区域土壤旱情的问题得到了较好的解决，通过卫星遥感可以获取大范围多种不同类型的地表综合信息，包括土壤供水信息及作物的需水状况，利用遥感技术进行作物长势监测与评估已成为农业遥感的一个重要研究领域[4-5]。

近年来，许多学者对干旱指标、遥感监测旱情、以气象和土壤水分为主的实测旱情资料进行了大量的研究[6]。目前，利用卫星传感器不同波段通道计算土壤水分[6-11]且使用高光谱遥感监测作物水分[12]及采用微波遥感反演土壤水分[13-14]较为常见且使用频率较高[15]。不同的遥感干旱监测方法各有其优缺点。由于干旱受到气温、降水、作物生长习性等多种因素的影响，单一要素往往难以及时准确表征干旱信息。利用多种遥感干旱监测方法与神经网络相结合，可以更好地掌握当地旱情的发生发展，在干旱遥感监测中具有十分重要的作用。

近年来随着全球气候暖干化的发展，我国旱涝格局也随之发生改变，一方面以往干旱发生频率较高的北方形势依然严峻，另一方面，南方部分区域也明显变干，重大干旱事件发生频率有所增加[1]。作为南方麦区的重点种植区域，江苏省年降水量由南向北递减，南北差异明显，一年中旱涝交替发生。随着气候暖干化发展，江苏省干旱强度及干旱频率逐年增高，对冬小麦生产的影响越发明显[16]。目前，我国对于干旱的研究多集中于西北、华北等干旱发生频率较高的地区，对于江苏的干旱研究较少。本研究根据土壤含水量、作物的需水变化、作物的冠层温度等特征，选取7种遥感干旱指数，计算遥感干旱指数与实测土壤相对湿度的相关性，选择其中较为适宜的遥感干旱指数并结合径向基函数神经网络(Radial Basis Function Neural Networks,RBFNN)对农地相对湿度进行协同反演，以提高土壤湿度的反演精度，为旱情监测提供参考。

1 数据来源和研究方法

1.1 数据来源

采用2014—2018年3—5月的MODIS遥感数据(https://www.nasa.gov/)，包括地表温度产品(MOD11A2)和反射率数据产品(MOD09A1)。其中，MOD09A1尽量降低了云及气溶胶浓度造成的不利影响，提供了7个波段的500 m分辨率8 d合成的数据产品[17]。MOD11A2产品是由分辨率为1 km的地表温度/发射率产品(MOD11A1)合成，与MOD09A1产品时间分辨率相同。8 d的时间分辨率对于土壤水分变化有较好的捕捉，利于探测旱情的发生发展。非遥感数据包括江苏省的行政区划矢量数据和江苏省农业气象观测站每旬逢8观测的10 cm和20 cm土层的土壤相对湿度，以百分比(%)表示。

1.2 研究方法

1.2.1 遥感干旱指数测算 对MODIS数据利用MRT、ENVI软件进行拼接、重投影、裁剪、剔除无效值等预处理操作。为了保证数据空间分辨率一致，利用ArcGIS软件对MOD11A2地表温度数据采用双线性内插法采样到500 m。而后利用IDL软件对预处理得到各个波段数据，根据表1的公式算法进行运算操作，得到以下7种干旱遥感指数。

表1 干旱监测参量和指数算法Table 1 The parameters and algorithms of drought monitoring index

表1中参数b1、b2、b6、b7分别代表MOD09A1产品的band1(620～670 nm)、band2(841～876 nm)、band6(1 628～1 652 nm)及band7(2 105～2 155 nm)；LST为地表温度，LSTmax和LSTmin对应LST的最大值和最小值；NDVI为归一化植被指数，NDVImin和NDVImax对应NDVI的最小值和最大值。

1.2.2 构建RBFNN的土壤相对湿度反演模型 RBFNN分为输入层、输出层及隐含层[18]。相较于BPNN神经网络，RBFNN在学习速度、分类能力等方面都具有一定优势。RBFNN逼近能力强、结构简单、学习收敛速度快，在理论上它不仅是前向网络中最优的网络，在学习方法上它也避免了局部最优问题[19]。高斯函数作为径向基函数为RBFNN神经网络充当传递函数：

(1)

网络输出为：

(2)

式(1)、(2)中，xP为第P个输入样本，P=1,2,…(P表示样本总数)，ci为网络隐含层结点的中心，ωij为从隐藏层到输出层的权值，i=1,2,…,h为隐含层的结点数；yj为与输入样本对应的网络的第j个输出结点的实际输出[19]。

本研究利用Matlab软件中的newrb函数来构建RBFNN。RBFNN通常被用作逼近函数，用newrb函数不断尝试创建RBFNN网络，直到网络的输出满足设定的均方误差(mean squared error，MSE)为止[20]。

net=newrb(P,T,goal,spread,MN,DF)

(3)

式中，newrb为RBF；net作为newrb的返回参数；P是输入矩阵，每列是一个输入样本；T是每列一个输出样本，为期望输出矩阵；goal是标量，为指定的均方误差，缺省值为0，本文设置为0.001；spread也是标量，表示径向基函数的扩散速度；DF是两次显示之间所添加的神经元数目[21]。spread与MN需多次重复进行试验评估，选择平均错误率最小的一次获取RBFNN的预测模型。

针对江苏省冬小麦的需水关键期，分析遥感干旱监测指数与实测不同深度土壤相对湿度之间的关联性，在其中选取适宜的干旱遥感监测指数为输入层，各农气站实测土壤相对湿度为输出层，得到基于RBFNN的土壤相对湿度反演模型。

2 结果与分析

2.1 不同区域遥感干旱指标与土壤相对湿度相关性分析

以淮河和长江为界限，自北向南将江苏省分为淮北、江淮及沿江苏南，研究这3个区域不同深度土壤相对湿度和7个遥感干旱指数之间的相关性发现(表2)，对于淮北地区，10 cm深度土壤相对湿度表现为NDVI>VSWI>VCI>NDIIB7>NMDI>SWCI>TCI；20 cm深度土壤相对湿度表现为NDVI>VSWI>VCI>NMDI>TCI>SWCI>NDBII7。总体来看，NDVI指数反演效果较好，相关系数在0.2左右，其次为VSWI指数及VCI指数。对于江淮地区，10 cm深度土壤相对湿度表现为VCI>NDVI>VSWI>NMDI>NDBII7>TCI>SWCI；20cm深度土壤相对湿度表现为VCI>NMDI>NDVI>VSWI>SWCI>TCI>NDBII；7种干旱遥感指数在江淮地区反演效果中，VCI指数反演效果更好，与各层土壤水分的相关系数接近0.25，其次为NDVI指数及VSWI指数。沿江苏南区域，10 cm深度土壤相对湿度表现为VSWI>NMDI>SWCI>NDBII7>TCI>NDVI>VCI；20 cm深度土壤相对湿度表现为TCI>NMDI>SWCI>VSWI>NDBII7>VCI>NDVI；除NDVI及VCI指数与土壤相对湿度的相关系数较低以外，其他指数都有较好的反演效果，其中VSWI指数对10 cm深度的土壤相对湿度反演效果最佳，相关系数达到0.5，TCI指数与20 cm土层的土壤相对湿度相关系数为-0.2933。分析江苏全省不同深度土壤相对湿度和7个遥感干旱指数之间的相关性发现，10 cm深度土壤水分表现为VSWI>NDVI>TCI>SWCI>NDBII7>NMDI>VCI；20 cm深度土壤水分表现为VSWI>SWCI>NMDI>NDVI>NDBII7>VCI>TCI。VSWI指数对于土壤水分监测效果最佳，相关系数在0.27左右；其次为NDVI指数和SWCI指数，二者较为接近；NDIIB7对于土壤湿度的反演在0.22左右，VCI反演效果略低于其他6种指数。有研究表明，植被指数通常只反映植被生长状况的变化，由于降水与植被响应模式，气象干旱与植被活动之间一般存在一定的时间滞后效应；温度指数只反映地表温度异常，其低值也可能来自于热浪等其他因素导致的温度异常[21-22]。因此，为了更准确地进行农业干旱监测，本文在7种遥感干旱指数中选取VSWI、NDVI、NDIIB7、TCI和 SWCI作为10 cm深度土壤相对湿度的反演模型的评价指标集；对于20 cm深度的土壤相对湿度，研究根据相关程度选取VSWI、NDVI、NDIIB7、NMDI及SWCI这5种指数作为评价指标集。

表2 2014—2018年不同地区7种遥感土壤湿度反演模型比较Table 2 Comparison of test results of 7 remote sensing soil moisture models in different areas in 2014-2018

2.2 基于RBFNN构建土壤湿度反演模型有效性验证

利用Matlab软件中newrb函数构建2018年不同深度土壤水分的RBFNN反演模型，并对其有效性进行验证。对于10 cm深度土壤相对湿度，spread取0.001，MN取55，DF为5，逼近效果最佳。对于20 cm深度土壤相对湿度，spread取0.001，MN取50，DF为7，逼近效果较好。

将6个遥感干旱指数分别与江苏省2018年冬小麦的需水关键期的实测土壤水分进行相关分析发现(如表3)，对10 cm深度土壤水分的反演效果均优于20 cm。利用地表温度和NDVI相结合运算得到的VSWI指数反演效果优于其他指数，与2个土层相关系数分别达到0.4712和0.3619，NDMI指数对于10 cm深度土壤水分反演效果最差，相关系数为-0.1839；NDIIB7指数与20 cm深度土壤相对湿度相关性低于其他指数，为0.2181。采用干旱遥感指数协同RBFNN构建的土壤水分模型对土壤水分的反演效果均明显优于以上6种遥感干旱指数，与2个土层相关系数分别达到0.5161和0.4307。另外，研究同时应用BPNN函数反演土壤水分发现，其与VSWI指数反演结果较为接近。以上研究结果表明，相较于单一的遥感指数及BPNN网络，RBFNN模型的反演效果更好，能更准确地监测研究区土壤水分的变化。

为了更进一步验证RBFNN反演土壤相对湿度模型的有效性，将研究区自北向南分为3个区域对其2018年冬小麦需水关键期的土壤相对湿度进行分析，利用相关系数r来检验模型的有效性。研究发现(如图1)，各区域对于20 cm深度土壤水分的RBFNN反演土壤相对湿度效果优于10 cm。从分区域来看，RBFNN对于10 cm深度土壤相对湿度的反演效果以江淮地区最好(r=0.3951)，其次为沿江苏南，淮北地区反演效果较弱(r=0.2834)；对于20 cm深度土壤相对湿度，则是对淮北反演效果最佳(r=0.6348)，江淮一带反演效果次之(r=0.5430)。

表3 不同深度土壤水分遥感反演模型结果比较Table 3 Comparison of the soil moisture from inversion model at different depths

图1 2018年小麦需水关键期不同区域RBFNN协同遥感干旱指数反演土壤水分Fig.1 Soil moisture retrieval by RBFNN collaborated with remote sensing drought index in different regions during the critical water demand period of winter wheat in 2018

2.3 典型个例分析

干旱是制约农业生产的主要气象灾害之一，不同地区适用的干旱指数不同[23]。利用降水距平百分率可直观反映因降水异常而导致的干旱，适用于平均气温高于10℃的半湿润、半干旱地区。本研究采用国标《气象干旱等级》(GB/T 20481-2006)中的降水距平百分率指标[24]，规定月尺度下，-40%<降水距平百分率≤-60%为轻旱，-60%<降水距平百分率≤-80%为中旱，-95%<降水距平百分率≤-80%为重旱，降水距平百分率≤-95%为特旱。根据江苏省气候中心报告，2017年5月江苏省小麦处于抽穗开花～灌浆乳熟～成熟期。其中，5月中下旬江苏省以晴好天气为主，气温异常偏高，5月各站降水量为23.4 mm(沛县)～111.7 mm(宜兴)，全省平均降水量为59.7 mm，较常年偏少28%左右(如图2)。与常年同期相比，除张家港、宜兴和盱眙略偏多不足5%外，全省其他大部普遍偏少10%～68%。其中，沿淮及其以北大部分地区降水量较常年偏少20%～50%，达轻旱水平；江苏西北部徐州地区及沿淮东部降水较常年平均偏少50%以上，达中旱水平。

图2 2017年5月江苏省降水量距平百分率Fig.2 Percentage of precipitation anomalies in May 2017 of Jiangsu Province

图3 RBFNN协同遥感干旱指数反演江苏2017年5月农田10 cm深度土壤相对湿度Fig.3 The soil relative humidity at the depth of 10 cm retrieved by RBFNN collaborated with remote sensing drought index in May 2017 of Jiangsu Province

本研究利用IDL软件计算出5个遥感干旱指数的值，根据以上结果通过Matlab软件得到2017年5月上、中、下旬全省14个农业气象观测站点RBFNN的土壤相对湿度值，在ArcGIS中采用反距离权重法对预测值进行插值，反演得到2017年冬小麦5月上、中、下旬江苏省的土壤相对湿度分布图。如图3所示，受降水持续偏少影响，江苏5月旱情逐步显现，旱情主要出现在沿淮东部及淮北部分地区，其中，根据预测结果，兴化和徐州地区在5月下旬10 cm深度土壤相对湿度为49%，达中旱水平；盐城、淮安及如皋为50%～65%，属于轻旱。与实测土壤墒情监测结果比较，土壤水分高值反演效果略偏低，其中，对于土壤相对湿度在90%以上的区域，RBFNN预测的结果均在85%～90%之间。而土壤水分低值区反演结果略偏高，其中，对于相对湿度在50%以下的区域，RBFNN的预测结果基本在50%左右。总体而言，预测结果和实测结果较为接近，说明反演模型较为有效。

3 讨论与结论

1)对7种遥感干旱监测指数与实测10 cm/20 cm深度的土壤相对湿度进行相关分析，发现在冬小麦的需水关键期，对于淮北而言，NDVI指数反演效果较好，相关系数在0.2左右，其次为VSWI指数及VCI指数。对于江淮地区，7种干旱遥感指数中VCI指数反演效果更好，与各层土壤水分的相关系数接近0.25，其次为NDVI指数及VSWI指数。对于沿江苏南一带，除NDVI及VCI指数与土壤相关湿度的相关系数较低以外，其他指数都有较好的反演效果，其中VSWI指数对10 cm深度的土壤相对湿度反演效果最佳，相关系数达到0.5。TCI指数与20 cm深度的土壤相对湿度相关系数为-0.2933。对于全省来说，VSWI指数对于土壤水分监测效果最佳，相关系数在0.27左右；其次为NDVI指数和SWCI指数，二者较为接近；NDIIB7对于土壤湿度的反演在0.22左右，VCI反演效果略低于其他6种指数。本研究在7种遥感干旱指数中选取VSWI、NDVI、NDIIB7、TCI和SWCI作为10 cm深度土壤相对湿度的反演模型的评价指标集；选取VSWI、NDVI、NDIIB7、NMDI及SWCI作为20 cm深度土壤相对湿度的反演模型的评价指标集。

2)通过RBFNN和BPNN模型以及6种干旱遥感监测模型对江苏省2018年冬小麦需水关键期的反演研究发现，利用RBFNN对土壤相对湿度的反演效果均明显高于以上6种遥感干旱指数，10 cm和20 cm深度相关系数分别达到0.5161及0.4307。而利用BPNN反演土壤湿度发现，其与VSWI指数反演结果较为接近。总体来看，RBFNN模型反演土壤相对湿度的效果更好，能准确地反映研究区土壤水分的变化。而对2017年5月江苏省利用RBFNN进行反演得到的冬小麦10 cm深度土壤相对湿度分布图与实测土壤墒情监测结果比较接近，说明反演模型有效。

3)本研究以冬小麦需水关键期为研究时段，选取该时期土壤相对湿度反演的综合评价指标集时，对于冬小麦生长发育期划分不够细致，而作物的生长与土壤相对湿度之间也存在一定的滞后反应。另外，由于实测土壤相对湿度为单点数据，与卫星数据空间分辨率上存在不匹配，因而两者之间的相关性存在一定的误差。对于反演模型的训练样本，由于全省的农气站点有限，数据存在缺测等因素影响，因此，训练样本也存在代表性不足的问题。研究发现，微波遥感数据与农气站点数据吻合度较好[25]，后续可进一步利用微波遥感监测数据对其进行改善。