基于FY-3D/MERSI数据的东北地区干旱监测方法研究

王 岩,王敬宜,2,冯 锐,李嘉宁,武晋雯,许常华,林 毅,纪瑞鹏,于文颖,汪利诚,2

(1.沈阳建筑大学交通与测绘工程学院,辽宁 沈阳 110168;2.中国气象局沈阳大气环境研究所,辽宁 沈阳 110166;3.辽宁省农业气象灾害重点实验室,辽宁 沈阳 110166;4.辽宁省气象服务中心,辽宁 沈阳 110166;5.锦州市气象局,辽宁 锦州 121000)

干旱是指某一地区长期无雨或少雨而使土壤水分不足、作物水分平衡遭到破坏,导致作物减产的气象灾害,其具有地区性、持续性和季节性的特点,是一种反复发生的极端事件,对人类生产生活造成巨大的影响[1-2]。据统计,2004年中国农作物受旱面积达到1 725万 hm2,因旱造成粮食损失231亿 kg,造成直接经济损失348.2亿元[3],对人民生活造成严重影响。东北三省是全国主要的粮食生产区之一,其处于季风区域,受季风进退影响,降水量呈现季节和年际变化。在降水稀少的情况下,该区域极易发生干旱灾害,影响粮食生产。因此,准确地监测土壤相对湿度,并采取有效的旱情应对手段,能很大程度上减少干旱造成的损失,保障粮食安全,对农业生产和国民经济建设具有重要意义。

干旱监测方法主要包括地面监测和空间监测[4-5],地面监测是以人工记录为主,通过统计地面观测点的数据分析干旱情况,这种方法在操作上费时费力、时效性低且精度差。空间监测是利用卫星遥感技术获取影像,利用可见光、近红外、短波红外和热红外等波段数据构建干旱监测指数,当植被遭到水分胁迫时,其生长形态发生改变,干旱监测指数也会随之变化[6-7],从而实现干旱监测,该方法具有速度快、范围广和精度高等特点,已成为干旱监测的主要手段。以往干旱监测多采用单一指数,在农业干旱监测中有一定的局限性,如由降水因子构成的监测指数在雨水充沛的时期才具备明显监测能力,表观热惯量(ATI)等与土壤含水量相关的指数适用于地面裸露或植被覆盖度低的时期[8],以植被因子建立的监测指数则更适宜监测植被茂密和地表覆盖度高的时期[9-11]。为了克服单一指数监测精度不足的问题,越来越多的国内外学者开始利用多指数权重组合、多变量联合分布和机器学习的方法构建干旱监测模型[12-13],同时考虑气象、地形地貌、水分蒸散发等因素,开展基于温度-植被指数监测模型[14]、降水量-土壤水分综合干旱模型[15-16]、多种干旱指数集成模型[17-18]等综合干旱监测研究,将监测因子根据时空差异划分不同组合形式建立综合干旱监测模型[19-21],提高了干旱监测的能力和精度。

目前开展的综合干旱监测指数研究多围绕作物生长旺盛时期或整个生长期进行,由于干旱监测指数存在明显的时空适应性差异[13],在整个生长期利用同一干旱指数开展监测会出现监测能力不足的问题[22-23]。因此,针对全时期监测能力不足、单发育期监测不全面等问题,本研究以东北三省为主要研究区域,基于多时段FY-3D卫星数据,结合地面土壤相对湿度观测数据,根据东北地区大田作物玉米、大豆的作物发育期,划分5个研究时期,并选择土壤湿度类、作物需水形态变化类、冠层含水量和作物冠层温度类等干旱监测指数,分析不同研究时期干旱监测指数与土壤深度的相关性,采用径向基函数神经网络(RBFNN)方法,构建全时期和分时期土壤相对湿度反演模型,实现东北三省大面积干旱动态监测,为提高干旱监测准确性、连续性以及保障粮食安全提供必要的理论依据和技术支持。

1 材料与方法

1.1 研究区域

研究区域包括黑龙江省、吉林省和辽宁省(117°～137°E,37°～54°N),东北三省属于温带季风气候,大部分在中温带,少部分处于寒温带和暖温带,全年四季分明,天气多变,冬季寒冷干燥,夏季温热短促,年降水量300～1 000 mm,且自东南向西北逐渐减少,其中受地形影响,降水量最多的是长白山东南部。东北三省主要以平原、山地为主,包括三江平原、松嫩平原、辽河平原等,土壤肥沃,土层深厚,山地主要集中在东北部和西北部两侧,境内有黑龙江、松花江、辽河等多条河流,适合农作物生长,具有重要的经济价值和生态价值。

1.2 研究数据来源及处理

1.2.1 卫星遥感数据 选取2020年和2021年3月1日—9月30日FY-3D/MERSI卫星数据进行干旱监测指数计算,影像选取时尽量选择晴空少云的数据,数据来源于风云卫星遥感数据服务网(http://satellite.nsmc.org.cn/portalsite/default.aspx)。中分辨率光谱成像仪MERSI共有25个观测通道,其中可见光-近红外通道16个、短波红外通道3个、中长波红外通道6个;25个通道中有6个250 m地面分辨率通道,19个1 000 m地面分辨率通道[24]。L1数据格式为HDF,包括1 km分辨率观测数据文件、1 km分辨率定位文件以及250 m分辨率观测数据文件、250 m分辨率定位文件。利用卫星监测分析遥感应用系统进行数据投影、地理定位等处理,生成分辨率为250 m的基础数据集。

1.2.2 遥感干旱监测指数 遥感监测指数是对地表植被和地物状况简单、有效和经验的度量,利用可见光、近红外、中红外和红外波段组合而成[4],已广泛地应用于植被覆盖变化、作物长势定量评价和大范围干旱监测等方面。本研究选取10种与干旱监测相关的指数,计算公式见表1。

1.2.3 地面观测数据 土壤相对湿度地面观测数据采用2020—2021年东北三省气象台站观测数据,包括人工观测站和自动观测站数据,使用数据以人工站为主、自动站为辅。人工观测站有183个(图1A),其中黑龙江省73个,每年2月28日—11月8日逢8日观测;吉林省52个,每年3月20日—5月31日,每5 d观测一次;辽宁省58个,每年2月28日—5月28日逢3日和8日观测;观测深度均为0～20 cm。自动观测站有137个(图1B),数据间隔1 h,观测深度为0～60、80、100 cm。

1.2.4 地理信息数据 行政区划数据来源于中国气象局下发的1∶25万基础地理信息。以上数据的地理坐标系均为WGS84坐标系。

1.3 主要研究方法

分析作物不同生长时期的干旱监测指数与土壤相对湿度相关性,构建不同时期的遥感干旱指数集,基于径向基函数神经网络模型,以遥感干旱指数集为输入层,进行分时期、分深度土壤相对湿度反演,利用均方根误差,对比分时期土壤相对湿度反演模型与全时期土壤相对湿度反演模型精度开展模型评价。

1.3.1 研究时段划分 目前的研究在干旱建模时一般未考虑作物生长状况,大多建立全生育期模型,不能准确反映作物在生长过程中的干旱问题,因此,本研究以东北地区大田作物发育期为切入点,根据作物生长状态划分研究时段,开展针对性地干旱实时监测。

已有东北三省农作物生长情况的研究表明,干旱监测主要针对旱田农作物玉米和大豆开展[25]。玉米拔节前是营养生长阶段,拔节～抽雄是营养生长与生殖生长并进阶段,抽雄后是生殖生长阶段;大豆分枝前为营养生长阶段,分枝～开花期是营养生长与生殖生长并进阶段,结荚后是生殖生长阶段,因此将6月下旬和7月下旬作为干旱监测的2个时间节点。此外,东北三省3月份大部分地区土壤尚未完全化冻,4月份处于未播种状态。因此,共将研究时段分为5个时期(见表2)建立土壤相对湿度反演模型。

1.3.2 土壤干旱等级划分 参照《北方春玉米干旱等级》(QXT 259-2015)[26],对不同研究时段的土壤干旱等级进行划分,分为湿润、无旱、轻旱、中旱、重旱和特旱6个等级(表3)。

图1 东北三省人工观测土壤墒情观测点及自动站点分布图

表2 干旱监测研究时段表

表3 土壤相对湿度干旱等级划分表

1.3.3 遥感干旱指数集的构建与匹配 针对2020年和2021年3—9月遥感数据,利用Envi 5.3软件,采用遥感干旱监测指数公式(表1)进行波段运算,得到遥感干旱监测指数集。针对地面土壤相对湿度观测数据,采用反距离加权插值方法[27],得到东北三省各个时期不同土壤深度相对湿度栅格数据集。将各时期的遥感干旱监测指数集与地面土壤相对湿度栅格数据集在空间上分别进行匹配,最终形成干旱监测指数-土壤相对湿度数据集,用于径向基函数神经网络建模。

1.3.4 径向基函数神经网络 径向基函数神经网络是一种具有输入层、隐含层、输出层3层结构的神经网络,主要通过隐含层将非线性不可分的输入层转换到线性可分的特征空间,即实现数据从低维空间到高维空间的变换,使输出的数据线性可分离[28]。第1层是输入层,该层输入土壤相对湿度指数集;第2层是隐含层,包括n个隐含层神经单元,神经单元数量根据问题需要决定,隐含层采用高斯函数,通过Python语言编程实现;第3层是输出层,采用线性优化策略,对隐含层的输出信息进行线性加权,输出预测土壤相对湿度值。

随机抽取80%数据作为训练集,剩余20%数据作为测试集,训练集和测试集数据相斥。使用聚类法[29]无监督学习确定中心点,随机初始化中心点,将隐藏层中心点个数设置为50,标准差初始化定义为10,当建模训练集数据量较大时,需对数据进行间隔划分,提升训练速度,数据间隔设置为625。

1.3.5 模型精度验证方法 为验证土壤相对湿度反演模型的精度与准确率,采用均方根误差(RMSE)和模型精度(R)作为模型评判指标。研究中根据作物生长期和土壤深度建立不同的模型,调用已完成训练的模型参数,用测试集数据输入到模型中得到反演值,将反演结果进行反归一化后,分别计算均方根误差和模型精度,均方根误差越小,模型精度越高,说明模型质量越高;反之,说明模型质量越低。

均方根误差计算公式为:

(1)

模型精度计算公式为:

(2)

2 结果与分析

2.1 遥感干旱指数与土壤相对湿度相关性分析

根据表2中研究时段划分结果,对不同时段的10种遥感监测指数和土壤相对湿度数据(10 cm、20 cm)进行相关性计算,从图2可以看出,由于监测指数的适用性差异,不同时期遥感干旱指数集发生变化,在全时期NDVI、NDWI、VCI和WI与土壤相对湿度的相关系数绝对值均超过0.1;在冻土期NDVI、NDWI和VCI与土壤相对湿度相关性明显高于其他指数;而WI在播种～拔节期、拔节～抽雄期和成熟期3个时期与土壤相对湿度的相关性均较高。通过分析各干旱监测指数在不同时段与土壤相对湿度的相关性,以及各干旱指数适用性前期研究结果[30],确定了不同研究时段的最佳干旱监测指数集(表4)。

注:10 cm和20 cm分别表示这两个土层的土壤相对湿度。

2.2 分时期与全时期模型精度对比分析

将遥感干旱指数集和土壤相对湿度栅格数据进行匹配,通过RBF神经网络建立全时期和分时期土壤相对湿度反演模型,对东北地区大范围土壤相对湿度进行反演,利用土壤相对湿度实测值进行模型精度评定和误差分析(图3)。

表4 不同生长期干旱监测指数集

注:柱形图上方数字为均方根误差。

从图3可以看出,分时期土壤相对湿度反演模型比全时期模型具有更高的精确度和准确率,分时期模型最高精度出现在冻土期的20 cm土壤深度(R=92.6%,RMSE=8.14%),模型最低精度出现在拔节～抽雄期10 cm土壤深度(R=81.7%,RMSE=15.09%),而同期全时期模型精度分别为71.5%和68.0%,分时期模型精度较其提高了10%～25%。可见,不同的遥感参量能够反映作物生长状态差异,在进行土壤相对湿度反演时,通过划分研究时段有针对性地建模,能够更准确地掌握作物各生育时期的干旱情况。

2.3 东北地区大范围干旱监测

选取拔节～抽雄期卫星遥感影像,利用分时期模型和全时期模型进行土壤相对湿度反演,根据表3的土壤相对湿度干旱划分等级,将分时期模型土壤相对湿度反演数据、全时期模型土壤相对湿度反演数据和地面实测土壤相对湿度栅格数据分别制作干旱等级分布图(图4)。

图4 东北地区土壤相对湿度反演效果图

图4A显示,东北三省旱情自南向北逐渐减轻,其中,辽宁西北部旱情最严重,达到重旱至特旱等级;吉林中西部、黑龙江西部等地区干旱程度较轻,大部分为轻旱等级;研究区的北部及东北部地区土壤相对湿润,未出现干旱的情况。拔节～抽雄期模型与地面实测土壤相对湿度栅格图(图4C)对比,干旱分布区域与实际情况吻合,尤其是旱情较严重的区域监测更为准确。全时期模型干旱等级图(图4B)显示,除吉林西部和黑龙江西南部部分地区外,重旱到特旱等级遍布东北三省,整体干旱程度较严重;与地面实测土壤相对湿度栅格图对比,两者干旱分布区域有较大差异,尤其在黑龙江中部和辽宁东部的山区,全时期模型整体反演湿度值较低,反映的干旱等级较实际旱情严重。

为进一步比较分时期模型和全时期模型的反演精度,在研究区域的东部、南部、西部、北部和中部随机抽取测站点,提取分时期和全时期模型站点土壤相对湿度反演值,与实测土壤相对湿度进行比较(图5A)。由图5A可以看出,分时期模型土壤相对湿度反演值更接近实测土壤相对湿度值(R2=0.7119),表明反演值和实际值之间有较好的相关性;而全时期模型反演的土壤相对湿度值与实测值之间偏差较大(R2=0.0438)。

根据模型反演土壤相对湿度值和实测土壤相对湿度值,计算不同模型的反演精度(图5B),并比较两种模型的精度差异。由图5B可以看出,大部分站点分时期模型反演精度大于90.0%,其中松原测站点的反演精度最高达99.3%。大部分站点全时期反演精度介于60.0%～90.0%,且均低于同站点的分时期模型反演精度,最大差值出现在本溪,分时期模型反演精度为97.4%,全时期模型反演精度仅为44.1%;最小差值出现在洮南,分时期模型反演精度较全时期反演精度高2.5%。综上所述,分时期土壤相对湿度反演模型的反演精度均有所提高,其反演的土壤相对湿度值更贴近实际情况,能精准地反映各地旱情,反演效果具有说服力和可信度。

图5 随机抽取站点土壤相对湿度检验

3 讨 论

干旱已经成为影响农作物生长发育的重要灾害,及时、准确地进行干旱监测能够减小干旱带来的经济损失。本研究基于FY-3D/MERSI数据,结合径向基函数神经网络方法,实现了东北区域大范围干旱监测。东北地区干旱发生时段通常为农作物发育初期,到降水季节其影响逐渐减弱,在作物成熟季节出现反弹,但旱情较轻[31-32],根据干旱发生频率和发生时段构建不同生长期的监测模型,监测效果更好。

本研究中,在遥感干旱指数相关分析时,个别时期的土壤相对湿度与遥感干旱指数间的相关性虽然通过了显著性检验,但其相关系数偏低,这与温庆志等[22]基于干旱监测模型指数进行相关性分析的结果相似,可能是因为干旱形成的过程涉及多种致灾因子,且受不同外界环境因素影响,土壤相对湿度与单一指数间并非线性关系,造成两者间的相关性较低[33]。王溥等[34]认为WI是作物开花期后最适宜的干旱监测指数,而本研究发现在玉米开花后、播种～拔节期、拔节～抽雄期,WI与土壤相对湿度的相关性均高于其他监测指数,可能是因为WI是由短波红外波段形成的比值指数,在这几个时间段内作物逐渐生长并完成发育过程,植被叶片及冠层含水量随着时间推移发生变化,而短波红外对植被含水量的吸收反应敏感,通过其探测能力能够获得水分变化情况,因此WI与土壤相对湿度的相关性较高[35]。此外,NDVI、NDWI和VCI指数在冻土期与土壤相对湿度有较高相关性,可能与这3种指数在计算时均采用红光、绿光和近红外反射率有关,受该时期常绿型植被影响,这3种指数较其他遥感干旱指数的监测效果更显著。

神经网络方法克服了多指数权重组合和多变量联合分布等方法在权重分配和复杂建模过程的矛盾和缺陷[12],解决了遥感干旱指数与土壤相对湿度之间的非线性问题,使得复杂问题简单化;与线性回归模型相比,其提高了建模速度和完成效率,土壤相对湿度反演效果较好。本研究中分时期模型反演干旱准确率能够达到90%以上,比其他监测方法[36-37]反演的准确率提高了约5%～10%,因此,采用神经网络结合不同作物生长期建模,基本能够实现地区干旱监测的准确性。

FY-3D是风云三号系列卫星的第4颗,于2017年11月发射,在风云卫星遥感数据服务网可下载2019年1月以来数据,由于2019年部分夜间数据不可用,无法满足本研究的数据需求,因此,本文仅分析了2020年和2021年的遥感数据。干旱是一种缓慢发生且持续时间长的自然灾害,本研究时限较短,所得结果仍存在一定的局限性,随着卫星数据序列延长,今后可选取更长时间卫星数据,扩大数据样本量,完善研究结论。分时期干旱监测模型具有较高的模型精度以及良好的监测效果,但由于研究区域南北跨度大,农作物种植种类有所不同,研究中出现某些特定区域干旱监测结果异常的情况,影响结果的准确性,将来可考虑地域影响,改进指数选择方式,适当调整遥感干旱指数集;同时,在保证模型监测效果的前提下,尽可能地减少监测指数数量,进一步提高模型监测效率。

4 结 论

1)不同干旱监测指数在作物的不同生长期具有其适用性,ATI在冻土期、裸土期和播种～拔节期等植被覆盖率低的时期监测作用明显,WI适用于播种～拔节期、拔节～抽雄期和成熟期等作物生长发育时期,其余监测指数没有明显适用时期。

2)通过分析各干旱监测指数在不同时段与土壤相对湿度的相关性,建立了不同时期干旱监测指标集,ATI、BVI、NDIIB7、NDVI、NDWI和VCI为冻土期的干旱监测指标集,ATI、LSWI、NDIIB7、NDVI、TCI和VCI为裸土期的干旱监测指标集,ATI、NDIIB7、TCI和WI为播种～拔节期的干旱监测指标集,NDIIB7、NDVI、NDWI、VCI和WI为拔节～抽雄期的干旱监测指标集,BVI、LSWI、NDIIB7和WI为成熟期的干旱监测指标集,可为今后分时期干旱监测提供参考。

3)FY-3D/MERSI遥感数据结合RBF神经网络协同反演东北地区土壤相对湿度具有可行性,分时期土壤相对湿度反演模型精度介于81.7%～92.6%,远高于全时期模型精度(70.0%),且其与实际干旱情况基本一致,分时期土壤相对湿度反演模型在进行东北地区大范围干旱监测时更具优势。因此,按照作物不同时期的生长特性选取适宜干旱监测指数进行建模,有助于提高干旱监测精度。