引用本文
魏伟, 任皓晨, 赵军, 王旭峰. 基于MODIS的ATI和TVI组合法反演石羊河流域土壤含水量[J]. 国土资源遥感, 2011,23(2): 104-109
WEI Wei, REN Hao-chen, ZHAO Jun, WANG Xu-feng. Retrieving Soil Moisture of Shiyang River Basin by ATI and TVI Based on EOS/MODIS Data[J]. REMOTE SENSING FOR LAND & RESOURCES,2011,23(2): 104-109  
Permissions
Copyright©2011, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于MODIS的ATI和TVI组合法反演石羊河流域土壤含水量
魏伟1, 任皓晨1, 赵军1, 王旭峰2
1.西北师范大学地理与环境科学学院,兰州 730070
2.中国科学院寒区旱区环境与工程研究所,兰州 730000

第一作者简介: 魏 伟(1982-),男,助教,主要从事GIS和RS的应用研究。

收稿日期: 2010-04-07
基金: 国家自然科学基金项目(编号: 40971078); 西北师范大学青年教师科研能力提升计划项目(编号: SKQNYB10034)
摘要

利用MODIS数据产品MOD11A2、MOD13A1和MCD43A3获取NDVI、ATI(表观热惯量)和TVI(温度植被指数)等参数,以NDVI作为判别阈值将ATI和TVI进行组合建立土壤含水量反演模型,并用预留的实地采样数据对模型进行了验证。最后,结合DEM数据进一步分析了石羊河流域土壤含水量的空间分异规律,结果表明: 该方法可实现ATI和TVI方法的优势互补,提高反演精度; 研究区土壤含水量从上、中至下游呈现3个依次递减的阶梯,且随高程、坡向及坡度等地形因子的变化呈明显的分异规律。

关键词: 土壤含水量; 遥感反演; ATI; TVI; 石羊河流域
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2011)02-0104-06
Retrieving Soil Moisture of Shiyang River Basin by ATI and TVI Based on EOS/MODIS Data
WEI Wei1, REN Hao-chen1, ZHAO Jun1, WANG Xu-feng2
1.College of Geographical and Environment Science, Northwest Normal University, Lanzhou 730070, China
2.Cold and Arid Regions Environmental and Engineering Research Institute, Chinese Academy of Sciences, Lanzhou 730000, China
Abstract

This paper intends to examine spatial distribution of soil moisture in Shiyang River basin in eastern Hexi corridor, an important arid ecosystem in Northwest China. The MODIS data MOD11A2, MOD13A1 and MCD43A3 were used to compute such parameters as NDVI, ATI and TVI required for the study. An applicable approach from ATI and TVI has been proposed to estimate the soil moisture in the basin, using NDVI as a threshold for each pixel. The approach was validated with the field data. The distribution pattern of the soil moisture in Shiyang River basin was further analyzed using DEM data. The results show that the compound ATI and TVI models can effectively improve retrieval accuracy and remedy the shortage of one-sided method. The results were acceptable through a comparison with the field data. The study reveals that in Shiyang River basin, the soil moisture is degressive from the upstream area to downstream area, and it is obviously lower in the sloping land of foothills, the edge of oasis and desert area. Relatively, the soil moisture has observably changed in the upstream and downstream areas and marginal areas of oasis. In Shiyang River basin, the soil moisture distribution shows significant differentiation with the change of elevation, slope and other terrain factors. In Shiyang River basin, the drought is mainly distributed in farmland and grassland, and the drought extent of farmland is in different degrees of seriousness in different landuse types.

Keyword: Soil moisture; Retrieve by remote sensing; ATI; TVI; Shiyang river basin
0 引言

土壤中水分的含量集成了很多地表水文特征的环境指标, 反映了在气候、气象(降水量和潜在蒸散量)和水文等因素共同作用下的当前地表状况, 对气候、气象及水文等研究具有重要的意义[1]。土壤水分含量随着空间和时间变化较大, 传统的观测方法难以做到密集的高空间分辨率观测。遥感的优势在于能以不同的时空尺度连续地对地表进行监测, 提供地表特征信息, 这对于传统的以少数离散点为基础的对地观测手段是一场革命性的变化[2]。

国外利用遥感技术进行土壤水分监测的可行性研究始于20世纪60年代末。进入20世纪70年代后, 逐步开展了土壤水分遥感监测应用研究。其中, Watson等[3]最早应用了热模型; Bijleveld[4]进一步发展了Watson的工作, 提出了热惯量和每日蒸发量的计算模型; Price等人[5]在能量平衡方程的基础上, 简化潜热蒸发(散)形式, 引入了地表综合参量β , 较为系统地总结了热惯量法及热惯量的遥感成像机理; Carlson等[6]采用NOAA/AVHRR资料进行了大面积土壤水分监测研究。国内开展土壤水分遥感监测实验研究从20世纪80年代中期开始。20世纪90年代后, 我国在土壤水分遥感监测理论方面的研究得到了深入, 隋洪智等[7]提出了部分植被覆盖条件下的农田蒸散双层模型; 金一愕等[8]提出了利用气象卫星GMS和AVHRR资料推算地面水分含量的方法。同时GIS和GPS技术的应用研究也得到长足的发展, 如魏振超等[9]建立的基于GIS的土壤信息系统能够提供土壤肥力数据和土壤分类信息等的查询、检索, 并能制作专题地图。王晓云等[10]利用GIS及GPS技术手段, 对土壤水分卫星遥感监测结果的分析能力进行了探讨, 提出了具有一定物理意义和应用价值的遥感模式网。

石羊河流域深居大陆腹地, 属大陆性温带干旱气候, 是我国内陆河流域中人口最密集、水资源开发利用程度最高、用水矛盾最突出、生态环境问题最严重的流域之一。而在干旱区, 土壤含水量是绿洲-荒漠生态系统稳定性的重要指标[11]。因此, 通过对石羊河流域土壤含水量的遥感反演研究, 可更全面地揭示绿洲-荒漠生态脆弱区土壤水分的运动规律, 更深刻、更系统地理解生态环境变迁机理。

1 研究区概况

研究区位于甘肃省河西走廊东部、祁连山北麓, 介于101° 22'~104° 16'E、36° 29'~39° 27'N之间[12], 属河西走廊三大内陆河流域之一。该流域地势南高北低, 自西南向东北倾斜, 海拔在1 250~5 200 m之间, 属大陆性温带干旱气候, 温差大, 降水少, 蒸发强烈, 空气干燥。南部祁连山地区年降水量300~600 mm, 年蒸发量700~1 200 mm, 干旱指数1~4; 中部平原区年降水量150~300 mm, 年蒸发量1 300~2 000 mm, 干旱指数4~15; 民勤北部接近腾格里沙漠边缘地带年降水量50 mm, 年蒸发量2 000~2 600 mm, 干旱指数15~25。

2 资料及方法
2.1 数据资料及预处理

根据MODIS数据波段特征, 本研究采用NASA(http://edcimswww.cr.usgs.gov/pub/imswelcome/)提供的MODIS全球数据产品MOD11A2(全球1 km地表温度/发射率8 d合成)、MOD13A1(全球500 m植被指数16 d合成)和MCD43A3(全球500 m地表反照率8 d合成), 时间为2008年5月24日~2008年5月31日。由于研究区内河网多, 地形复杂, 景观多样, 根据地形特征和研究需要, 在野外利用GPS在3个样区布设了80个样点, 样点间距为500 m, 逐点用土钻采集0~10 cm和10~20 cm深度的2个样品。为了保证与卫星同步观测, 土样的采集时间为同期卫星每天过境时刻(上午10:30左右), 并在天气晴朗, 风力较小的天气条件下进行; 在参考了他人研究成果[13, 14]、同时考虑农业耕作层的深度后将采样深度定为20 cm。利用石羊河流域的NDVI选取15个较均匀分布的点作为验证样点, 将剩余的66个样点分成低、高植被覆盖两组, 用于与ATI、TVI回归分析建模。

2.2 技术路线

利用地表温度、反照率和地表昼夜温差等参数计算ATI, 通过NDVI计算得到TVI; 将ATI和TVI进行组合, 得到空间建模所需参数, 反演模拟研究区土壤含水量空间分布。最后, 将反演结果与采样数据对比分析, 进行精度检验(图1)。

图1 技术路线Fig.1 The technical rout

2.3 研究方法

2.3.1 反照率的计算

全波段反照率应由地物波长从0~∞ 反射率计算, 它是太阳辐射到达地表再分配的重要参数。由于太阳辐射能量主要集中在0.25~1.5 μ m很窄的波段范围, 所以可以由可见光与近红外波段的地物反射率近似地计算。Liang[15]用宽波段反照率来代替全波段反照率, 得出针对MODIS数据的一般计算公式, 即

A=0.160α 1+0.291α 2+0.243α 3+0.116α 4+0.112α 5+0.081α 7-0.001 5(1)

式中, A为全波段反照率; α 1~α 5、α 7分别为MODIS相应波段的地物反射率。

2.3.2 地表昼夜温差的计算

遥感数据代表的是卫星过境时刻的瞬间数据, 其昼夜最大温差可以由当地积累的季节标准日变化曲线(近似正弦曲线)来校正[14]。昼夜最大温差Δ T的推算公式为

ΔT=2T(t1)-T(t2)sin(πt1/12+ω˙)-sin(πt2/12+ω˙)(2)

式中, T(t1)和T(t2)分别为t1、t2时刻的地表温度; ω˙=cos-1(-tgφ tgδ ), φ 为当地纬度, δ 为太阳赤纬角。

以上各参数均在ERDAS软件支持下建模计算, ATI计算公式为

ATI=(1-A)/Δ T(3)

式中, ATI为表观热惯量; A为全波段地表反照率; Δ T为地表昼夜温差。

2.3.3 TVI值的计算

TVI(温度植被指数)表明了植被冠层的温度特征, 利用植被指数和植被冠层温度, 可计算出植被生长所需的光热信息。计算公式为

TVI= TsNDVI(4)

式中, TVI为温度植被指数; NDVI为归一化植被指数; Ts为植被的冠层温度。由于遥感反演冠层温度有一定困难, 这里以地表温度代替。

2.3.4 数据匹配及回归分析

将低、高植被覆盖度的两组地面实测数据导入, 作为点图层, 以实测数据为横坐标, 以不同计算值出现的频率为纵坐标, 分别对ATI和TVI进行回归分析(图2, 图3)。经计算, ATI与地面实测数据的决定系数R2=0.799, TVI与地面实测数据的决定系数R2=0.769, 均通过置信度为0.01的相关性检验。

图2 ATI与地面实测数据回归分析Fig.2 The correlation analysis betweenATI and field data

图3 TVI与地面实测数据回归分析Fig.3 The correlation analysis betweenTVI and field data

2.3.5 判别阈值的确定

为了确定判别阈值, 将预留的15个验证样点分别代入回归方程, 计算预测值和实测值之间的绝对误差和相对误差, 其结果如表1所示。

表1 ATI与TVI方法的误差统计 Tab.1 The error analysis of ATI and TVI methods

分析表1可知, 当NDVI=0.223时, 两种方法的计算结果与实测值较为接近, 由此可以判断, 将0.223作为判别阈值是适宜的, 这也与Henricksen[16]在研究NDVI与土壤水分关系中所确定的0.22和赵立军[17]所确定的0.2接近。

2.3.6 反演模型的构建

利用图2、图3上的回归方程和上述确定的判别阈值, 建立土壤含水量反演模型, 即

W=482.85ATI-0.1355, 当NDVI≤0.223-0.0092TVI+25.707, 当NDVI> 0.223(5)

式中, W为含水量; ATI为表观热惯量; TVI为温度植被指数。

利用该模型和判别阈值, 逐像元进行判断, 如果NDVI≤ 0.223, 则使用ATI模型计算土壤含水量; 反之, 则使用TVI模型计算土壤含水量。最后对反演结果中处于0~100%之外的部分溢出值进行邻域平滑处理, 得到计算后的土壤含水量分布图(图4)。

图4 石羊河流域土壤含水量Fig.4 The soil moisture of Shiyang river basin

为了检验反演结果的精度, 计算了检验样点的反演值与实测值之差。结果表明, 平均误差为9.212%, 最大误差平均不超过14.010%, 最小误差仅为2.775%, 这说明所构建的遥感反演模型具有较高的精度。

3 结果分析与讨论
3.1 石羊河流域土壤含水量空间格局分析

分析发现, 在冰雪寒冻垫状植被区域、中下游绿洲区及高寒草甸、灌丛草甸、森林灌丛草甸区, 土壤含水量较高; 在浅山区的山间盆地、石质低山、山前坡地、山前丘陵和冲洪积扇上部的砾质倾斜平原地带的荒漠、半荒漠区域, 土壤含水量较低; 在绿洲外围的广大荒漠、沙漠及盐漠地带土壤含水量最低。为进一步分析石羊河流域土壤含水量空间分布特征, 在反演的土壤含水量图上作NE-SW方向的剖面曲线图(图5)。

图5 NE-SW方向的土壤含水量空间剖面曲线Fig.5 Spatial profile curve of soil moisture in northeast-southwest direction

从图5可明显看出, 石羊河流域土壤含水量的分布格局及变化态势如下:

(1)土壤含水量分布格局存在明显的4个不同阶梯, 并以海拔500 m、1 295 m及2 000 m为分界线, 呈现从上游至下游递减的趋势;

(2)在山麓坡地、绿洲边缘和荒漠区, 含水量明显较低;

(3)上游地区由于地形复杂多变, 土壤含水量变化很剧烈, 下游绿洲区由于自然条件和灌溉条件较差, 变化也比较剧烈;

(4)绿洲内部土壤含水量较为稳定, 边缘土壤含水量变化比较剧烈。

3.2 地形因子对土壤含水量分布的影响

3.2.1 海拔的影响

为了分析土壤含水量随高程的分异规律, 将高程划分为< 1.4 km、1.4~1.6 km、1.6~1.8 km、1.8~2.0 km、2.0~2.4 km、2.4~2.7 km、2.7~3.0 km、3.0~3.4 km、3.4~3.8 km和> 3.8 km等10个级别, 如图6所示。

图6 石羊河DEM分级Fig.6 The DEM classification map

统计不同级别的土壤含水量均值, 如图7所示。

图7 土壤含水量的高程分异Fig.7 The elevation differentiation of the soil moisture in Shiyang river basin

从图7可以看出, 石羊河流域土壤含水量随着海拔高度的下降而降低的趋势明显。这主要是因为在石羊河流域, 上游海拔高的地区, 降水较多, 是整个石羊河流域的水资源供给区, 而中下游主要依靠上游的冰雪融水进行补给, 且中游的灌溉条件要好于下游。

3.2.2 坡度的影响

为了分析土壤含水量在不同坡度上的分异规律, 首先利用DEM数据得到坡度图, 然后将坡度分为0~2° 、2~4° 、4~6° 、6~9° 、9~12° 、12~15° 、15~19° 、19~23° 、23~30° 、30~45° 等10个级别, 如图8所示。

图8 石羊河流域坡度分级Fig.8 The slope map of Shiyang river basin

统计各个坡度级别土壤含水量均值, 如图9所示。

图9 土壤含水量的坡度分异Fig.9 The slope differentiation of the soil moisture

从图9可以看出, 当坡度小于30° 时, 石羊河流域的土壤含水量随坡度的增大而增加, 但当大于30° 后, 反而减小。产生这一现象的原因是石羊河流域产流区主要在上游, 小于30° 的坡度占很大比例, 其含水量较大; 当地形坡度变得徒峭时, 土壤入渗性能变差, 所以当坡度大于30° 后, 土壤含水量反而下降。

3.2.3 坡向的影响

为了分析土壤含水量在不同坡向上的分异规律, 首先利用高程数据得到了石羊河流域的坡向图(图10), 然后将其重分类为E(67.5~112.5° )、SE(112.5~157.5° )、S(157.5~202.5° )、SW(202.5~247.5° )、W(247.5~292.5° )、NW(292.5~337.5° )、N(337.5~360° , 0~22.5° )和NE(22.5~67.5° )等8个方向, 统计各个方向上的土壤含水量均值。研究发现, 石羊河土壤含水量在不同坡向上存在明显的分异, 表现为以SE— NW为界, 坡向为N、NE、E的土壤含水量要高于坡向为S、SW、W的, 最高均值出现在NE坡向上, 最低均值出现在S坡向上。这反映了在蒸发较弱的阴坡、半阴坡区域, 土壤含水量较高, 而在蒸发较强的阳坡、半阳坡区域, 土壤含水量较低。也就是说, 土壤含水量在坡向上的分异受降水和蒸发2个因素共同影响。

图10 石羊河流域坡向Fig.10 The aspect map of Shiyang river basin

4 结论

(1)在石羊河流域, 土壤含水量空间分布存在明显的阶梯状分布特点, 并呈现从上、中至下游依次递减趋势; 从祁连山涵养林区到绿洲边缘和荒漠区, 含水量变化十分明显。

(2)土壤含水量在绿洲内部较为稳定, 边缘变化比较剧烈; 流域中游地区较为稳定, 上游地区和下游绿洲区含水量变化剧烈。

(3)土壤含水量与高程、坡度及坡向等地形因子有较高的相关性, 并呈现出一定的分布规律, 具体表现为: 土壤含水量随着海拔高度的下降而降低; 当坡度小于30° 时, 土壤含水量随坡度的增大而增加, 但当大于30° 后, 反而开始减小; 土壤含水量在不同坡向上存在明显的分异, 表现为以SE— NW为界, 坡向为N、NE、E的土壤含水量要高于坡向为S、SW、W, 最高均值出现在NE坡向上, 最低均值出现在S坡向上。

(4)利用MODIS数据产品, 以植被指数为判别阈值, 结合ATI和TVI两种方法构建反演模型可以弥补各自方法的不足, 有效地实现优势互补, 提高反演土壤含水量的精度, 在区域土壤水分研究中是值得关注和应用的方法。

The authors have declared that no competing interests exist.

参考文献
[1] Gert A S, Edwin T E. 水文与水管理中的遥感技术[M]. 韩敏, 译. 北京: 水利水电出版社, 2006: 187-188. [本文引用:1]
[2] 刘志明, 张柏, 晏明, 等. 土壤水分与干旱遥感研究的进展与趋势[J]. 地球科学进展, 2003, 18(4): 576-583. [本文引用:1]
[3] Watson K, Phon H A. Thermal Inertia Mapping from Satellites Discrimination of Geologic Units in Oman[J]. Jres Geol Suvr, 1974, 2(2): 147-158. [本文引用:1]
[4] Bijleveld R A. ‘Tell Us’A Combined Surface Temperature, Soil Moisture and Evaporation Mapping Approach [R]. Paper Presented at 12th Int Symp on Rem Sens of Env, Mnaila, Philippines, 1978: 20-26. [本文引用:1]
[5] Price J C. On the Analysis of Thermal Infrared Imagery, The Limited Utility of Apparent Thermal Inertia[J]. Remote Sens Environ, 1985, 18: 59-73. [本文引用:1] [JCR: 4.769]
[6] Carlson T N. Regional-Scale Estimates of Surface Luoisture Availability and Thermal Inertia Using Remote Thermal Measurements[J]. Remote Sens Environ, 1986(1): 197-247. [本文引用:1] [JCR: 4.769]
[7] 隋洪智, 田国良, 李付琴. 农田蒸散双层模型及其在干旱遥感监测中的应用[J]. 遥感学报, 1997, 1(3): 220-224. [本文引用:1]
[8] 金一愕, 刘长盛, 张文忠. 利用气象卫星GMS和AVHRR资料推算地面水分含量的方法[J]. 应用气象学报, 1998, 9(2): 197-204. [本文引用:1]
[9] 魏振超, 何离庆, 等. 基于GIS的土壤信息系统[J]. 重庆大学学报, 2003, 26(6): 39-41. [本文引用:1]
[10] 王晓云, 郭文利, 等. 利用“3S”技术进行北京地区土壤水分监测应用技术研究[J]. 应用气象学报, 2002, 13(4): 442-429. [本文引用:1]
[11] 乔平林, 张继贤, 林宗坚. 石羊河流域水质环境遥感监测评价研究[J]. 国土资源遥感, 2003(4): 39-45. [本文引用:1]
[12] 陈权, 李震, 王磊. 环境小卫星S波段SAR监测土壤水分变化应用分析[J]. 国土资源遥感, 2005(2): 12-15. [本文引用:1]
[13] 肖乾广, 陈维英, 盛永伟, 等. 用气象卫星监测土壤水分的试验研究[J]. 应用气象学报, 1994, 5(3): 312-318. [本文引用:1]
[14] 宋承运, 邓孺孺, 王中挺. 基于植被-土壤二向反射模型的土壤含水量遥感[J]. 国土资源遥感, 2006(3): 29-32. [本文引用:2]
[15] Liang S L. Narrowband to Broadband Conversions of Land Surface Albedo Ⅱ: Algorithms[J]. Remote Sensing of Environment, 2000(76): 213-238. [本文引用:1] [JCR: 4.769]
[16] Henricksen B L. Reflections on Drought-Ethiopia 1983-1984[J]. International Journal of Remote Sensing, 1986, 7(11): 1447-1451. [本文引用:1]
[17] 赵立军. 基于MODIS数据的北京地区土壤含水量遥感信息模型研究[D]. 北京: 中国农业大学, 2004. [本文引用:1]