遥感反演土壤水分指数的适用性研究

Applicability Research of Parameters in Soil Moisture Inversion

摘要: 土壤水分是地表过程的核心变量之一，实时准确掌握土壤水分的空间分布信息有利于水资源管理、洪水预测以及全球气候变化研究，且对于农业发展及灌溉等都具有重要的意义。遥感反演土壤水分指数发展十分迅速，但对于不同指数的适用性还缺乏定量的认识。本文利用2012至2014年那曲地区MODIS数据计算多种遥感反演土壤水分指数，并与地面观测数据进行相关性分析，结果表明：在非冻融时期，ATI、SEE以及TVDI与土壤水分相关性较好，从相关系数来看，在不考虑植被覆盖条件和低植被覆盖条件下与土壤水分相关性较好的指数依次是ATI、SEE和TVDI；而在高植被覆盖条件下与土壤水分相关性较好的指数依次是SEE、TVDI、SWCTI和ATI；同时本文认为综合使用多种指数是实现土壤水分监测一种有效的途径，在不考虑植被覆盖和低植被覆盖条件下综合使用ATI、SEE组合，在高植被覆盖条件下综合使用SEE、ATI、NDVI组合可以更有效地监测土壤水分的时空分布。

Abstract: Soil moisture is one of the core variables of the surface process, and accurately grasping the spatial distribution information of soil moisture in real time is not only beneficial to water resources management, flood forecasting and global climate change, but also can be important for agricultural development and irrigation management. At present research, remote sensing parameters for retrieving soil moisture have been well developed, however, the applicability of different parameters has not yet been quantitatively recognized. In this paper, the MODIS data from Naqu area are used to calculate a variety of remote sensing soil water parameters, and carry out the correlation analysis with ground observation data, the result shows that ATI, SEE and TVDI are well correlated with soil moisture during non-freezing period. From the correlation coefficient, the parameters related to soil moisture under arbitrary vegetation and low vegetation cover conditions are ATI, SEE and TVDI. The parameters related to soil moisture under high vegetation cover conditions are SEE, TVDI, SWCTI and ATI. At the same time, this paper believes that the comprehensive use of multiple parameters is an effective way to achieve soil moisture. Under the condition of not considering vegetation and low vegetation cover, the combination of ATI and SEE can be used, and under the condition of high vegetation coverage, the combination of SEE, ATI and NDVI can be used.

1. 引言

土壤水分作为联系地表和大气之间物质和能量交换的重要纽带，是水文模型、气候模型、生态模型和地表过程模型的关键输入参数，在水资源管理、洪水预测和天气预报等方面发挥着重要作用 [1]。目前，用于监测土壤水分的方法主要有地面测量法和遥感反演法，地面测量方法包括烘干称重法、中子仪法、时域反射仪法、频域反射仪法、宇宙射线法等，虽然可以较精确地进行监测，但土壤水分动态监测的空间范围受限 [2] [3]。与传统监测手段相比，利用遥感技术进行土壤水分反演具有高时效性、高空间分辨率及经济高效等优势，为实现大面积土壤水分的动态监测提供了可能 [4]。

现有遥感反演土壤水分的方法主要基于可见光、近红外、短波近红外、热红外以及微波波段，其中微波方法被认为是目前最有效的一种土壤水分反演方法 [5] [6]。光学遥感主要利用土壤表面光谱反射特性、发射率、地表温度对土壤水分进行估算 [7]。微波遥感方法又分为主动微波和被动微波方法，被动微波具有时间分辨率较高、对土壤水分敏感的优势，但同时存在着空间分辨率较低(20~50 km)的问题。而主动微波具有较高的空间分辨率，对地表粗糙度等较为敏感，但其时间分辨率(16~25天)又较低，因此目前更多研究利用空间和时间分辨率都相对较高的可见光、近红外以及热红外波段来获取地表土壤水分信息 [8]。

通过光学遥感进行土壤水分反演主要分为基于指数和土壤热惯量的方法 [7]。指数方法利用卫星数据建立不同的遥感模型，定量的对土壤水分分布进行获取和评估 [9]。Qiu等 [10] 利用归一化多波段指数(NMDI)对玉米这一农作为不同生长阶段地表信息进行了获取，发现在不同植被覆盖条件下NMDI反映的土壤水分和植被水含量有所差异。土壤热惯量法则是通过实验将土壤水分含量与土壤热特性指数建立统计关系，借助能量平衡将遥感卫星数据与热惯量相连接 [11]。杨树聪等 [12] 开展了不同土壤覆被下改进的表观热惯量模型与土壤水分进行相关性分析，发现低植被覆盖下表观热惯量的反演效果更好。

近年来，许多学者利用遥感光谱信息进行土壤水分指数的原理和算法研究，为更加精确的借助遥感数据获取土壤水分信息。例如Watson等 [13] 提出通过热红外波段获取地表温度日变化幅度与热模型结合来估测土壤水分；Sandholt等 [14] 研究发现LST/NDVI特征空间中存在土壤水分等值线，并基于此提出反映区域干、湿状况的温度植被干旱指数(TVDI)；Fensholt等 [15] 考虑到叶片水分在短波红外波段具有较高的吸收率提出了短波红外水分胁迫指数(SIWSI)；Yao等 [16] 基于MODIS第6、7波段提出了短波红外土壤水分指数(SIMI)等。而各指数原理和适用性的差别使得对各指数进行比较与优选成为科研工作者的研究目标之一。赵泽斌等 [17] 基于SiB2模型比较了表观热惯量、蒸发比、实际蒸发比等参数与土壤水分的相关性，结果表明实际蒸发比与植被根区土壤水分的相关性最好，更能反映根区土壤水分的变化动态；杨永民等 [18] 比较了热红外遥感的四种土壤水分估算方法，发现温度植被干旱指数(TVDI)误差较大，而基于蒸散比/潜在蒸散比的方法会在一定程度上改善TVDI进行估算时产生的误差；Ghulam等 [19] 通过研究证明了改进垂直植被指数(MPDI)能较好反映研究区旱情动态变化，而且在高植被覆盖区，MPDI的干旱监测效果明显优于垂直植被指数(PDI)；Zhao等 [20] 利用温度植被干旱指数(TVDI)和定量温度植被指数(TVQI)对北京市土壤水分进行了获取和预测，发现TVDI在不同季节交换数值变化较大，TVQI则在月尺度上对降水更为敏感。

土壤水分相关指数的研究主要对同类型的指数进行对比分析，目前现有研究中对于综合利用多种指数实现土壤水分监测的适用情况没有一个定量的认识，因此本文以青藏高原那曲地区为研究区域，对多种土壤水分相关指数进行了分类和对比研究，对其适用性进行了探讨分析。青藏高原作为地球第三极，也是亚洲水塔，探讨青藏高原土壤水变化对于研究青藏高原热力学特征变化及其对东亚乃至全球变化的影响具有重要意义。本研究通过对现有的多种遥感反演土壤水分指数进行计算和对比分析，探讨各指数与土壤水分的相关程度，确定各指数在研究区的适用性，为青藏高原高精度土壤水分信息的获取和土壤水分监测相关研究提供参考。

2. 数据来源与处理

2.1. 研究区和地面观测数据

那曲市地处西藏北部，位于青藏高原腹地，属于典型的高寒气候。年平均气温为−0.9℃至−3.3℃，年相对湿度为48%至51%。青藏高原内部年降水量为400~500 mm，其中绝大多数降水出现在6月至8月的季风期，为主要植被生长期。那曲市的自然资源十分丰富，但总体农业、经济等领域的发展速度和发展质量仍需提高。目前那曲地区的遥感土壤水分产品存在着精度及空间分辨率普遍偏低的情况，难以满足该地区中小尺度研究的需求，因此需要进行更高精度、高空间分辨率的卫星遥感产品研究。Yang等 [21] 在该区域建立了一个密集的观测网络来监测土壤水分和土壤温度的变化。观测网络的平均海拔为4500 m，而区域内部起伏较少相对平坦。研究区内地表主要覆盖类型为高寒草地(93.46%)，生物量较低。区域内土壤质地空间异质性较大，主要为粉土和沙土，同时包含少量粘土，土壤表面的有机碳含量较高。观测网络包含三个尺度上的嵌套网络(1.0˚、0.3˚、0.1˚)，每个网络节点包括四层观测(0~5、10、20和40 cm)。土壤水分传感器网络数据目前已在青藏高原科学数据中心(http://www.tpedatabase.cn/)发布，在本文中使用的是2012~2014年度非冻融时期(4月至10月)中尺度网络0~5 cm的土壤水分观测数据(27个节点)，具体分布如图1所示。

Figure 1. The DEM map of research area and the location of soil moisture wireless sensor network

图1. 研究区概况及土壤水分无线传感器网络分布示意图

2.2. 遥感数据

本文主要利用2012~2014年获取的MODIS地表反射率产品(MOD09GA)、地表温度产品(MOD11A1、MYD11A1)以及反照率产品(MCD43A3)来计算反演土壤水分指数。为了保证遥感数据质量，在研究中利用质量控制数据剔除了研究区内受云和气溶胶影响的像元，质量控制标准如表1所示。对于MOD09GA数据，如果质量控制数据中位于0~1、2、6~7、8~9、12、13位的值分别为00、0、01、00、0、0，则保留像元，否则删除像元；同样的，对于MOD11A1、MYD11A1以及MCD43A3也利用质量控制数据删除不满足要求的像元。

Table 1. Qualification control standard

表1. 质量控制标准

3. 土壤水分指数及评价指标

3.1. 土壤水分相关指数及其计算方法

土壤水分作为地表水和地下水间的纽带，是研究地表能量交换的基本要素，其自身的变化能够影响地表指数产生改变，如地表反射率、植被生长状况等。光学遥感反演土壤水分可分为可见光–红外方法和热红外法两种。可见光–近红外方法主要依赖于土壤和植被的反射光谱特性，借助遥感数据通过数值计算直接获取与地表土壤水分信息相关的各种指数，是使用遥感进行土壤水分和旱情监测的一种直接有效的方法。相关指数又根据其计算原理可分为植被指数法、植被–温度指数法和湿度指数法 [22]。而热红外遥感法主要基于地表发射率和温度对土壤水分进行研究，其中热惯量作为决定地物日温差大小的物理量被广泛研究 [23]。本文主要基于可见光–红外方法和热红外法选取了13种土壤水分指数进行分类研究，具体指数分类及计算方法如表2所示：

Table 2. Classification and methods of remote sensing soil moisture index

表2. 遥感反演土壤水分指数分类与方法

各指数具体计算公式可参考对应代表性文献。

利用遥感数据通过表2中的公式分别计算出各土壤水分指数，建立各指数与土壤水分间的关系并进行相关性分析。需要说明的是，研究中需要的是各指数与土壤水分之间稳定的经验关系，然而由于土壤水分的高时空异质性以及地面站点观测和遥感观测的尺度不匹配问题，导致单个站点的土壤水分观测值无法对应MODIS像元获得的土壤水分信息，也就是说直接利用地面点测量值与对应像元值来建立回归关系具有不确定性，本研究采用空间上求平均的方法来减小不确定性 [36]，即将研究区内27个节点的平均土壤水分作为地面测量值。

3.2. 评价指标

指数的优选实际上就是对指数和土壤水分之间的回归关系进行评价，常用的指标包括决定系数(R²)和均方根误差(RMSE)，RMSE单位为m³/m³。其中决定系数反映的是指数与土壤水分之间的相关程度，决定系数越大，相关性越好，而均方根误差则反映了由回归关系得到的土壤水分估计值和地面观测值之间的偏差，值越小，表示回归误差越小。计算公式如下 [37]：

$R^2=1-\frac{{{\displaystyle \sum }}_i^n{\left(S{M}_i^{reg}-S{M}_i^{obs}\right)}^2}{{{\displaystyle \sum }}_i^n{\left(S{M}_i^{reg}-\overline{S{M}^{obs}}\right)}^2}$ (1)

$\text{RMSE}=\sqrt{\frac{{{\displaystyle \sum }}_i^n{\left(S{M}_i^{reg}-S{M}_i^{obs}\right)}^2}{n}}$ (2)

其中n为选用数据的量，i为数据的序号， $S{M}^{reg}$ 为通过回归关系得到的土壤水分估计值， $S{M}^{obs}$ 为地面观测值。

4. 分析与讨论

4.1. 单一指数分析

根据上文计算得到的遥感反演土壤水分指数，建立各指数与土壤水分之间的关系并进行相关性分析。由于研究区内非冻融期的主要植被覆盖类型为草地，植被生长种类较为均一，因此在研究中采用NDVI作为区分植被覆盖度的参考指标。根据吴黎等 [38] 的研究结果将研究区分为低植被覆盖0 < NDVI ≤ 0.35和高植被覆盖0.35 < NDVI ≤ 1两种情况，保留了0 < NDVI ≤ 1，即不考虑植被覆盖度的情况，同时根据各指数类型进行了排列，结果如表3所示：

从表3可以看出在四类指数中，热惯量法在不同植被覆盖条件下的相关性都比较好，植被–温度指数法的各指数的相关性总体要优于植被指数法和湿度指数法，而湿度指数法中各指数相关性的差别较大。植被–温度指数法相较于植被指数法和湿度指数法将温度和光谱反映的植被信息进行了综合计算，考虑的影响量更为复杂，因此相关性更强。在不考虑植被覆盖和低植被覆盖条件下总体与土壤水分的决定系数较高的指数依次是ATI、SEE、TVDI；而在高植被覆盖条件下与土壤水分的决定系数较高的指数依次是SEE、TVDI、SWCTI以及ATI；其中ATI、SEE以及TVDI在三种情况下与土壤水分之间都存在较好的相关性，如图2所示。

Table 3. Evaluation results between remote sensing soil moisture index and soil moisture

表3. 遥感反演土壤水分指数与土壤水分评价结果

表观热惯量(ATI)作为描述土壤阻止其自身温度变化能力大小的指数，与土壤水分之间存在较为密切的关系。从表3中可以看出，在不考虑植被覆盖时，ATI与土壤水分之间的相关性较好，R²达到0.798；而根据NDVI区分植被覆盖条件后，在低植被覆盖条件下ATI与土壤水分之间的关系达到最好，R²达到0.846，RMSE为0.028；而在高植被覆盖条件下，两者的相关性明显降低。这是由于高植被覆盖下卫星监测的温度为冠层温度，受植被热量储存影响，最高温度会降低、最低温度会升高，使得日温差减小。植被长势覆盖度越高，日温差减小的程度越大，计算获取到的ATI数值出现误差，因此在高植被覆盖度下相关性较低。

SEE定义为实际土壤蒸发与潜在土壤蒸发的比值，因为与土壤水分存在较好相关性而被广泛应用于土壤水分遥感产品的降尺度研究中。在SEE的计算过程中包含了地表温度、NDVI等指数，将地表蒸发信息与植被蒸腾进行了综合，可以较为准确地反映土壤水分含量。从表3中可以看出SEE在三种条件下与土壤水分之间都存在较好的相关性，尤其是在高植被覆盖条件下SEE与土壤水分的相关性最好，R²达到0.791，RMSE达到最小值0.028，这主要是因为地表蒸散发受土壤含水量影响较大，使得SEE与土壤水分之间存在较好的相关性。

注：从左至右依次为：不考虑、低、高植被覆盖

Figure 2. The scatter diagram between ATI, SEE, and TVDI and soil moisture

图2. ATI、SEE、TVDI与土壤水分关系散点图

TVDI同样作为基于NDVI-LST特征空间来监测土壤水分的方法，是目前光学遥感反演地表土壤水分研究中使用最多的方法之一。Cho等 [39] 通过研究发现TVDI和地表土壤水分之间存在负线性关系，相关系数在−0.9~−0.7之间，本文结果与之吻合。在不考虑植被或低植被覆盖条件TVDI与土壤水分之间的R²都为0.71，略低于ATI和SEE，而在高植被覆盖条件下R²为0.69，仅低于SEE，这说明可以通过建立TVDI与土壤水分之间的经验关系模型来间接估算地表土壤水分的含量。而从三种指数与土壤水分的散点图中可以看出相对于ATI和SEE两种指数，TVDI的数据结果更加分散，因此在使用TVDI作为单一指数作为反演指数时可能会产生更大的误差。

植被–温度指数中，SWCTI作为最新提出的用于监测土壤水分的指数，在高植被覆盖条件下与土壤水分之间也存在较好的相关性，但作为土壤水分的监测指数具有一定局限性；VSWI和VTCI均在植被覆盖较低的情况下与土壤水分的相关性较高，不适用于高植被覆盖。而湿度指数法中SIMI、SWCI、SIWSI均为低植被覆盖下表现优于高植被覆盖，其中NMDI在本文中与土壤水分相关性最弱，原因可能是研究区的高寒草甸下垫面土壤水分含量大于0.1 m³/m³，Wang等 [30] 的研究表明NMDI在监测干燥裸土(0.005~0.1 m³/m³)的土壤水分状态时表现较好，且NMDI与土壤水分的相关性随着叶面积指数(LAI)和土壤水分的增高迅速降低，因此不适用于本研究；Zhang等 [34] 的研究表明VSDI与分水指数(FWI)之间存在一定的相关性，在一定程度上可以反应土壤水分的空间分布差异，而Schneider等 [40] 的研究表明FWI与土壤体积含水量之间存在非线性关系，且只能反映0.24至0.36 m³/m³之间的土壤水分变化，因此本文中VSDI与土壤水分体积含水量的相关性也较弱；与ATI、SEE、TVDI对比发现，虽然许多指数也使用了对水敏感的短波红外波段，能够反映植被水分胁迫，但在这些指数的计算过程中并不包括对水分胁迫也敏感的热红外波段，由于缺少热红外波段信息参与计算，影响了这些指数在土壤水分监测中的应用 [29] [41]；PDI、MPDI在本文中表现也较差，可能是受波段和土壤线的影响，这两种指数都只利用了近红外波段，而没有采用对土壤水分更敏感的热红外等波段，且这两种指数认为土壤线是固定不变的，因此在范围较大的地区应用可能受到限制 [42]。

4.2. 指数组合分析

单一的遥感反演土壤水分指数通常只包含有限的土壤水分信息，本文希望通过综合利用多种遥感反演土壤水分指数进而提高地表土壤水分信息的监测效率。逐步回归分析是多元回归分析中的一种方法，其基本思想是逐个引入新变量，每引入一个新变量时考虑是否剔除已选变量，直至不再引入新变量，这种方法既保障了回归模型可以保留具有显著影响的变量，同时能够剔除不显著的变量，通常用于建立获取更加优化的回归模型，从而更加深入地研究各变量间的依赖关系 [43]。本文利用逐步回归分析建立多种遥感反演土壤水分指数与土壤水分之间的关系，结果如表4所示：

Table 4. The result of stepwise regression

表4. 逐步回归分析结果

注：从左至右依次为：不考虑、低、高植被覆盖

Figure 3. The Relationship between combined indexes and soil moisture

图3. 指数组合与土壤水分之间的关系

结合表4可知，在不考虑植被覆盖的条件下，单个指数与土壤水分相关性最高时R²为0.798，RMSE等于0.036，而通过逐步回归分析法综合利用ATI、SEE两种指数，使得R²提高到0.883，RMSE减小到0.028；而在低植被覆盖条件下，通过逐步回归分析法引入SEE、ATI两种指数使得R²由最高时的0.85提高到0.895，RMSE由最低时的0.028降低到0.024；同样的，在高植被覆盖条件下，综合利用SEE、ATI、NDVI三种指数使得R²由最高时的0.79提高到0.868，RMSE由0.028降低到0.023，使用指数组合预测结果如图3所示。由此可见，综合利用多种遥感反演土壤水分指数确实能够提高土壤水分的监测精度。相关研究证明高覆盖的高寒草甸草地土壤具有较高的腐殖质和草皮结构，因此上层的土壤持水量较大 [44]，将NDVI纳入作为变量能够更加准确地对植被覆盖度进行描述，获取精度更高的土壤水分反演结果。

5. 结论

本文通过MODIS遥感数据分类计算了多种遥感反演土壤水分指数，并与实测土壤水分数据进行了相关性分析，结果发现：在不考虑植被覆盖条件下与土壤水分相关性较好的指数依次是ATI、SEE、TVDI；而根据NDVI区分植被覆盖作为条件可以提高各指数与土壤水分的相关性。在不考虑植被覆盖条件和低植被覆盖条件下与土壤水分相关性较好的指数依次是ATI、SEE、TVDI，而在高植被覆盖条件下与土壤水分相关性较好的指数依次是SEE、TVDI、SWCTI以及ATI。

单一的遥感反演土壤水分指数通常只在某些条件下具有较为突出的优势，比如ATI在低植被覆盖条件下和土壤水分相关性较高，但高植被覆盖条件下SEE更为适用，因此在不同条件下选择使用多种指数构成综合的土壤水分反演模型将会是一种更为有效的途径。基于研究结果，本文认为在不考虑植被覆盖和低植被覆盖时使用ATI、SEE组合，在高植被覆盖时使用SEE、ATI、NDVI组合可以更有效的监测土壤水分的时空分布。而NDVI作为描述植被覆盖程度的指数，在描述高植被覆盖条件下的土壤水分含量时也可以纳入作为自变量之一。

本文的研究区位于青藏高原中部高寒草地，区域内地表情况较为均一，因此未对土壤类型、植被类型等进行差异分析并进行针对性研究。将研究范围进行扩大时，地表土壤和植被的差异性可能会对结果产生影响，出现一定误差。而对于裸土或植被类型相对均一的草地等区域时，本文的研究将更为适用。本文研究方法也还具有一定的局限性，主要通过逐步回归法进行指数的组合分析，而逐步回归法从数学的角度出发，缺少对于卫星获取地表数据背后物理机制的学习参考。因此从物理意义上着手，更加细致的分析可以为土壤水分反演提供更精确、合理的参考。

基金项目

国家自然科学基金项目(41671336)。

NOTES

^*通讯作者。