任中杰 黃秋鋒

土壤水分遙感產(chǎn)品降尺度方法研究

任中杰 黃秋鋒

(江西理工大學建筑與測繪工程學院，江西贛州341000)

微波遙感獲得的土壤濕度數(shù)據(jù)分辨率一般不高，不能滿足流域尺度上中高分辨率的土壤濕度數(shù)據(jù)的需求?；诖?，采用8天合成的LST數(shù)據(jù)MOD11A2以及16天合成產(chǎn)品MOD13A2 NDVI數(shù)據(jù)與10km的土壤濕度數(shù)據(jù)進行回歸分析，對其進行降尺度處理獲得1km土壤濕度數(shù)據(jù)，同時對其進行驗證，分別求得10km分辨率和1km分辨率的TVDI，判斷土壤濕度數(shù)據(jù)與TVDI之間的相關性。結(jié)果顯示，1km分辨率濕度數(shù)據(jù)與TVDI之間相關系數(shù)為0.91，而10km分辨率濕度數(shù)據(jù)與TVDI之間相關系數(shù)為0.36，降尺度后的數(shù)據(jù)能夠更好地反映研究區(qū)土壤濕度空間分布。

地表溫度；歸一化植被指數(shù)；MODIS；土壤濕度；溫度植被干旱指數(shù)

1 研究意義

土壤濕度是土壤水的容積占土壤容積的百分數(shù)，它表明土壤水填充土壤孔隙的程度[1]。土壤水分的變化會影響地表溫度、植被指數(shù)等物理量，對研究植被水分脅迫進行地區(qū)旱情監(jiān)測與農(nóng)產(chǎn)品產(chǎn)量估算具有重要的作用[2]。傳統(tǒng)意義上，土壤濕度監(jiān)測采用建立觀測站點進行實測，需要人員進行實地測量，無法在需求時間內(nèi)獲取大范圍地表土壤水分的宏觀空間分布信息，難以捕捉土壤水分的時空異質(zhì)性[3]，應用上具有很大局限性。

近年來，遙感監(jiān)測土壤濕度主要分為光學遙感反演、被動微波反演、主動微波反演以及多傳感器聯(lián)合反演等。其中微波遙感具有良好的穿透云霧的能力，能全天候在任何氣象條件下工作，提供豐富的土壤信息。在微波遙感中主動微波遙感空間分辨率高，但被動微波遙感時間分辨率較高，對土壤濕度具有優(yōu)異的靈敏度，算法更加成熟，適合實現(xiàn)大區(qū)域范圍內(nèi)的實時動態(tài)監(jiān)測。實際應用中被動微波遙感由于空間分辨率低導致其不能完成現(xiàn)實中的各種需求，因此有必要采用降尺度方法獲取區(qū)域內(nèi)高分辨率土壤濕度數(shù)據(jù)。

尺度一般可以分為兩種：一種為空間意義上的尺度，一種為時間意義上的尺度[4]。本文所指的降尺度是空間意義的降尺度。在數(shù)據(jù)選擇上，一般有主動微波遙感或者光學數(shù)據(jù)分別與被動微波遙感數(shù)據(jù)相結(jié)合的兩種方式。因為主動微波遙感成本較高，所以通常選取第二種方法[5]。

2 研究背景

地球表面空間具有異質(zhì)多樣性，同時較為復雜，遙感觀測中其具有多尺度、多時空分辨率的特點，所以通過定量遙感獲取的遙感產(chǎn)品，會產(chǎn)生多尺度現(xiàn)象。通過對一個尺度的數(shù)據(jù)進行處理分析歸納總結(jié)所得到的理論，同樣適用于其他尺度。本文采用被動微波遙感與光學數(shù)據(jù)相結(jié)合的方法，利用10km分辨率土壤濕度數(shù)據(jù)，1km分辨率NDVI、LST重采樣后的10km分辨率的數(shù)據(jù)進行多元回歸分析，獲取回歸公式，進而獲取2013年7月12日1km土壤濕度數(shù)據(jù)。并對降尺度得到的1km分辨率濕度數(shù)據(jù)與1km分辨率溫度植被干旱指數(shù)進行相關分析，同時將原始數(shù)據(jù)10km分辨率的濕度數(shù)據(jù)與相對應的10km分辨率TVDI進行相關性分析。

3 研究區(qū)與研究數(shù)據(jù)

3.1 研究區(qū)概況

江蘇省位于中國大陸東部沿海中心，全境邊界3 000km，面積10.72萬 km2，其平原面積超過7萬 km2。江蘇全境70%都屬于平原，耕地面積2013年接近7 000萬畝，沿海灘涂超過1 000萬畝，在全國各省中位居前列。因此，高分辨率土壤濕度產(chǎn)品對于江蘇省災害監(jiān)測預防以及農(nóng)業(yè)發(fā)展具有重要的經(jīng)濟意義和科學意義。

3.2 研究數(shù)據(jù)

3.2.1 AMSR2土壤濕度數(shù)據(jù)

2012年5月18日發(fā)射的GCOM-W1衛(wèi)星所搭載的被動微波輻射計AMSR2，是AMSR-E輻射計的新一代產(chǎn)品。10km空間分辨率的AMSR2全球升軌3級土壤濕度產(chǎn)品，利用降尺度后的C波段(6.9 GHz)亮溫，通過地表參數(shù)反演模型LPRM獲得[6-7]。LPRM方法基于前向輻射傳輸模型，將微波亮溫與地表環(huán)境參數(shù)建立聯(lián)系，通過能量輻射傳輸模型和非線性循環(huán)方法，以最小化微波極化差指數(shù)與衛(wèi)星觀測微波極化差指數(shù)間的差值為目標函數(shù)，可同時對土壤濕度與植被含水量進行反演[8]。

3.2.2 MODIS相關數(shù)據(jù)與產(chǎn)品

本文使用的MODIS數(shù)據(jù)來自于兩種MODIS產(chǎn)品：第一種LST數(shù)據(jù)為8天合成產(chǎn)品MOD11A2，數(shù)據(jù)分辨率為1km，日期為2013年7月12日至7月20日;第二種NDVI數(shù)據(jù)為16天合成產(chǎn)品MOD13A2，日期為2013年7月12至7月28日，分辨率為1km。其中NDVI適用于植物生長中期或中等覆蓋度的觀測[9]，江蘇省區(qū)域的植被覆蓋度以及MODIS數(shù)據(jù)采集日期符合這一條件，保證了數(shù)據(jù)使用的質(zhì)量與效果。

4 研究方法

4.1 土壤濕度降尺度方法

Maria Piles進行的相關實驗顯示土壤濕度與 NDVI、LST、亮溫之間具有一種特殊的關系。而土壤濕度的大、小隨NDVI、LST的變化有較明顯的變化。所以三種參數(shù)之間存在著特殊的關系：SM＝f(LST，NDVI)。隨著土壤濕度降低，地表溫度反而上升。而土壤水分與NDVI之間呈明顯的正相關關系。因此，要獲取1km的高分辨率土壤濕度數(shù)據(jù)，需要對10km分辨率的三個地表參數(shù)進行多元回歸分析，得到系數(shù)代入公式 SM＝a×NDVI＋b×LST＋c，將 1km 分辨率的兩個參數(shù)代入公式即可求得1km分辨率的土壤濕度數(shù)據(jù)。

4.2 溫度植被干旱指數(shù)(TVDI)計算

溫度植被干旱指數(shù)是一種通過LST與植被指數(shù)特征空間提取的水分脅迫指標。LST與NDVI的二維空間，TVDI的公式為：

TVDI取值在0-1之間。建立地表溫度與植被指數(shù)的特征空間獲取相應大小植被指數(shù)區(qū)域內(nèi)的Tsmin、Tsmax。通過線性擬合，求出干濕邊系數(shù)，進而求出TVDI值[11]。通過TVDI值，可以評估其與土壤濕度之間的相關性。

5 結(jié)果與分析

10km分辨率土壤濕度如圖1所示，而地表溫度數(shù)據(jù)、植被指數(shù)原始數(shù)據(jù)空間分辨率為1km，將其在10?10網(wǎng)格內(nèi)取平均值得到10km分辨率。

圖1 濕度分布圖(10km)

5.1 土壤濕度降尺度結(jié)果分析

對土壤濕度與兩個參數(shù)進行回歸分析，其方程為SM＝a×NDVI＋b×LST＋c。 在 10km 分辨率下，對方程進行回歸分析，方程相關系數(shù)為0.384。通過了顯著性水平為0.01的檢驗，方程公式為：

將1km分辨率LST，NDVI代入公式(2)進行計算，得到1km分辨率土壤濕度，如圖2。

圖2 濕度分布圖(1km)

實驗結(jié)果顯示，不同區(qū)域農(nóng)作物類型所體現(xiàn)的土壤濕度在濕度分布圖上能較好地反映出來。為了評價降尺度后1km分辨率土壤濕度的波動性以及像元變化趨勢，可以將1km土壤濕度重采樣為10km分辨率土壤濕度。低空間分辨率上的各個像元的DN值表示為該像元在高空間分辨上對應的像元DN值的平均值。按10?10的網(wǎng)格取出有效值的平均值作為一個像元。將升尺度得到的10km分辨率濕度數(shù)據(jù)與原始10km分辨率數(shù)據(jù)進行相關分析，所得10km分辨率濕度數(shù)據(jù)與原始數(shù)據(jù)之間相關系數(shù)為0.384。從定性的角度觀察，土壤濕度高低趨勢能夠很好地對應相應區(qū)域。而降尺度后的土壤濕度變得較為集中均勻。將原始10km分辨率土壤濕度重采樣至1km分辨率，重采樣得到1km分辨率濕度數(shù)據(jù)較之回歸分析濕度高低趨勢較為明顯，但回歸分析得到的1km分辨率土壤濕度顯示質(zhì)量更好，能更加精細地體現(xiàn)地區(qū)濕度的差異性，色調(diào)更加豐富。

5.2 基于TVDI的降尺度精度驗證

求取TVDI中需要LST與NDVI數(shù)據(jù)，但MODIS數(shù)據(jù)能提供的是1km分辨率的數(shù)據(jù)，10km分辨率的NDVI、LST需要進行重采樣對其升尺度操作得到。

分別根據(jù)1km分辨率LST、NDVI數(shù)據(jù)與10km分辨率LST、NDVI數(shù)據(jù)可以求得相應的TVDI。如圖3、圖4所示。通過TVDI插件，求得TVDI圖像，獲得擬合曲線以及干濕邊圖像。

圖3 TVDI分布圖(1km)

圖4 TVDI分布圖(10km)

TVDI與土壤濕度有一定的負相關關系，可以通過求得其相關系數(shù)，以及分析像元值增減趨勢來驗證這一關系。雖然TVDI與土壤濕度之間不一定就是線性關系，但TVDI在某種程度上反映了土壤濕度變化的趨勢。從圖上可以看出10km分辨率TVDI與1km分辨率TVDI具有明顯相同的分布趨勢。實驗結(jié)果為1km分辨率濕度數(shù)據(jù)與TVDI之間相關性高達0.91，10km分辨率土壤濕度數(shù)據(jù)與TVDI之間相關性為0.36，結(jié)果表明，回歸分析所得濕度數(shù)據(jù)與TVDI具有明顯相關性。而10km分辨率數(shù)據(jù)相關性明顯低于1km分辨率，說明像元內(nèi)均值會造成較明顯的誤差?？傮w而言，圖像質(zhì)量與精度仍很大程度上受原始數(shù)據(jù)本身的影響。

6 結(jié)語與展望

實驗結(jié)果證明了土壤濕度、地表溫度、植被指數(shù)之間的相關關系，同時通過精度驗證證明了結(jié)果的可信度。圖像反映了土壤濕度在江蘇省區(qū)域內(nèi)分布的差異性。通過高分辨率土壤濕度數(shù)據(jù)可以對干旱監(jiān)測提供有力支持，能夠準確判讀土壤濕度分布區(qū)域以及預警程度，為糧食安全提供了保障。同時，MODIS數(shù)據(jù)的普及性、經(jīng)濟性以及高時間分辨率保證了研究數(shù)據(jù)來源的穩(wěn)定性。

本文依然存在一定的不足，地表溫度以及植被指數(shù)數(shù)據(jù)沒有保證時間分辨率的匹配，如果能夠同時保證空間分辨率與時間分辨率的一致，可以進一步提高數(shù)據(jù)準確程度與可信度。其中LST 8天合成產(chǎn)品需要兩組數(shù)據(jù)進行合成才能保證與16天的時間分辨率的一致性，方法一般選擇最大值合成法。采用多日合成數(shù)據(jù)可以避免天氣原因?qū)е聰?shù)據(jù)缺失的情況。從降尺度結(jié)果看，區(qū)域土壤濕度與流域氣候土地利用類型等條件相吻合，同時方法簡單，利用參數(shù)較少，數(shù)據(jù)完全免費，獲取難度很低，能夠較好地提供高分辨率土壤濕度數(shù)據(jù)，具有很好的應用前景。

[1]尤加俊.基于CCI和MODIS數(shù)據(jù)的淮河流域地表土壤濕度降尺度方法研究[J].測繪與空間地理信息，2015，38(2):30-34.

[2]王安琪.大尺度被動微波輻射計土壤水分降尺度方法研究[D].北京:首都師范大學，2013.

[3]曹永攀.基于MODIS和AMSR-E遙感數(shù)據(jù)的土壤水分降尺度研究[J].遙感技術與應用，2011，26(5):590-597.

[4]韓鵬.遙感尺度選擇問題研究進展[J].遙感信息，2008，2008(1):96-99.

[5]婁利嬌.被動微波遙感土壤濕度數(shù)據(jù)降尺度研究[D].長春:中國科學院東北地理與農(nóng)業(yè)生態(tài)研究所，2014.

[6]張瀅，丁建麗，周鵬.干旱區(qū)土壤水分微波遙感反演算法綜述[J].干旱區(qū)地理，2011，34(4):671-678.

[7]De Jeu R，Holmes T，Parinussa RM，et al.A spatial coherent global soil moisture product with improved temporal resolution[J]Journal of Hydrology，2014(516):284-296.

[8]Owe M，De Jeu R，Holmes T.Multisensor historical climatology of satellite-derived global land surface moisture[J].Journal of Geophysical Research， 2008， 113， F01002.

[9]李夢云.基于VSDI指數(shù)的土壤濕度遙感降尺度研究——以吉林省西部為例[D].長春:東北師范大學，2014.

[10]趙杰鵬.基于TVDI的大范圍干旱區(qū)土壤水分遙感反演模型研究[J].遙感技術與應用，2011，26(6):742-750.

[11]王安琪.MODIS溫度變化率與AMSR-E土壤水分的關系的提出與降尺度算法的推廣[J].光譜學與光譜分析，2013，33(3):623-627.

責任編輯：富春凱

Study on the Downscaling Method of Remote Sensing Products of Soil Moisture

REN Zhong-jie，HUANG Qiu-feng
(Jiangxi University of Science and Technology， Ganzhou 341000， China)

The resolution of soil moisture data obtained by microwave remote sensing generally is not high， and cannot meet the requirement of the high resolution soil moisture data in the watershed scale.Based on this，carry out regression analysis by adopting surface temperature data MOD11A2 for 8 days and synthetic products MOD13A2 NDVIdata for 16 days，along with soil moisture data of 10 kilometers.By downscaling treatment， it obtains soil moisture data of 1 kilometer， at the same time，it verifies the obtained soil moisture，and separately gains the resolution of 10km and resolution TVDIof 1km，and judges the correlation between moisture data and TVDI.The result shows that the direct correlation coefficient between resolution moisture data of 1km and TVDI is 0.91，while the correlation coefficient between resolution moisture data of 10km and TVDI is 0.36;the data after downscaling to can better reflect the spatial distribution of soil moisture of studying area.

NDVI;MODIS;Soil moisture;TVDI

TP751

A

1674-6341(2017)05-0029-03

10.3969/j.issn.1674-6341.2017.05.010

2017-06-02

任中杰(1994-)，男，安徽宿州人，在讀研究生。研究方向:測繪工程。