王文婷，郭乙霏

(1.焦作市抗旱防汛通訊站，河南 焦作 454150；2.東北農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，哈爾濱 150003)

0 引 言

土壤墑情是反映土壤中水分狀況的指標(biāo)，農(nóng)業(yè)部門對(duì)土壤墑情的及時(shí)準(zhǔn)確預(yù)報(bào)，對(duì)指導(dǎo)農(nóng)作物的管理有著重要的意義[1-3]。多源遙感影像融合能提高遙感信息提取的及時(shí)性、可靠性和精度并提高遙感數(shù)據(jù)的使用效率，影像信息的空間分辨率得到提高。利用遙感數(shù)據(jù)進(jìn)行土壤墑情的監(jiān)測(cè)具有范圍廣、速度快、時(shí)效性強(qiáng)等優(yōu)勢(shì)，因此遙感數(shù)據(jù)在土壤墑情監(jiān)測(cè)中的應(yīng)用越來越多[4]。

本文利用TM遙感影像與SPOT影像數(shù)據(jù)進(jìn)行融合，用融合后的影像數(shù)據(jù)，通過單窗模型反演地表溫度，再利用地表溫度與土壤濕度進(jìn)行回歸分析，建立反演土壤墑情模型。通過三種模型的結(jié)果精度對(duì)比分析，探討土壤墑情反演時(shí)選取影像的優(yōu)劣以及對(duì)于結(jié)果精度的影響。

1 研究區(qū)概況及數(shù)據(jù)處理

1.1 研究區(qū)域概況

本文研究區(qū)域?yàn)猷嵵菔械幕轁?jì)區(qū)、管城區(qū)、金水區(qū)、中原區(qū)和二七區(qū)等五個(gè)轄區(qū)。研究區(qū)氣候?qū)倥睖貛Т箨懶詺夂?，四季分明，年平均氣溫?4.4 ℃，最高氣溫43.0 ℃，最低氣溫17.9 ℃。年平均降雨量640.9 mm。市區(qū)西南部及西北部地區(qū)為侵蝕的丘陵地區(qū)，惠濟(jì)區(qū)與金水區(qū)分布有洼地，其余地區(qū)為沖積平原區(qū)。市區(qū)的平均海拔為110.4 m，地勢(shì)西南高，東北低。

1.2 遙感數(shù)據(jù)選取及處理

本文所使用的Landsat-ETM+影像數(shù)據(jù)來自于國(guó)際科學(xué)數(shù)據(jù)服務(wù)平臺(tái)。影像成像時(shí)間為2009年6月25日，平均云量為0.39%，中心緯度為34.609 38°,中心經(jīng)度為113.455 08°。SPOT數(shù)據(jù)為2004年鄭州市過境影像。由于ETM+衛(wèi)星2003年后的傳感器出現(xiàn)了故障，所獲取的圖像中出現(xiàn)條帶現(xiàn)象。因此在進(jìn)行其他的影像處理之前，需要對(duì)數(shù)據(jù)進(jìn)行條帶修復(fù)，修復(fù)結(jié)果如圖1所示。對(duì)條帶修復(fù)后的影像進(jìn)行輻射定標(biāo)、大氣校正及幾何校正等處理，使得處理后的Landsat-ETM+數(shù)據(jù)與SPOT數(shù)據(jù)完全匹配。

圖1 Landsat-ETM+條帶修復(fù)結(jié)果

2 研究方法

2.1 數(shù)據(jù)融合

本文采用主成分變換融合[5]和Gram-Schmidt融合方法[6]對(duì)ETM+數(shù)據(jù)和SPOT 全色影像數(shù)據(jù)進(jìn)行融合。影像融合結(jié)果如圖2、圖3所示。從圖中可以看出，融合后的影像既能保留其光譜信息，又能使影像的空間分辨率有所增加，增強(qiáng)了對(duì)于目標(biāo)特征以及動(dòng)態(tài)監(jiān)測(cè)區(qū)域的識(shí)別。影像經(jīng)融合后可以更好地突出其細(xì)節(jié)紋理信息，使融合后的影像清晰度增加。

圖2 PCA變換融合前后對(duì)比結(jié)果圖

圖3 G-S融合前后對(duì)比結(jié)果圖

2.2 地表溫度反演

地表溫度對(duì)于土壤墑情的反演具有重要作用。覃志豪等[7]提出了一種單窗算法來反演地表溫度，該方法計(jì)算方便且具有較高的精度，因此，研究采用單窗算法反演地表溫度，其計(jì)算公式如下：

Ts={a(1-C-D)+[B(1-C-D)+

C+D]T6-DTa}/C

(1)

式中：Ts為地表溫度；a和b為經(jīng)驗(yàn)系數(shù)(a=- 67.355 351,b=0.458 606)；T6為亮溫；Ta為大氣評(píng)價(jià)作用溫度；C和D的計(jì)算公式如下：

C=τ·ε

(2)

D=(1-τ)·[1+τ(1-ε)]

(3)

式中：τ為大氣透過率；ε為地表比輻射率。

地表比輻射率根據(jù)歸一化植被指數(shù)NDVI來進(jìn)行計(jì)算[8]，公式如下：

大氣透過率τ的計(jì)算公式如下：

(5)

式中：w為大氣水汽含量。

大氣平均作用溫度Ta的計(jì)算公式如下：

(6)

式中：T0表示近地表氣溫。根據(jù)公式地表溫度反演結(jié)果如圖4所示。

圖4 地表溫度反演結(jié)果

2.3 土壤墑情反演

本文采用ETM+影像數(shù)據(jù)與SPOT影像融合后的數(shù)據(jù)，計(jì)算地表溫度，通過地表溫度與實(shí)測(cè)土壤水分建立回歸模型。首先建立不同融合方法的地表溫度和實(shí)測(cè)數(shù)據(jù)的散點(diǎn)圖(圖5)，由圖發(fā)現(xiàn)，地表溫度與土壤含水量之間大致呈線性關(guān)系。因此，采用分析所得的線性模型作為地表溫度與土壤含水量之間的函數(shù)模型。

研究將建立的線性模型應(yīng)用到整個(gè)研究區(qū)域，利用ENVI波段運(yùn)算功能即可反演出鄭州市2009年6月25日的土壤墑情，再利用ArcGIS軟件將上述3個(gè)結(jié)果進(jìn)行重分類，生成的土壤墑情分布圖如圖6所示。

圖5 地表溫度與土壤含水量二維散點(diǎn)圖

圖6 土壤墑情分布圖

3 結(jié)果驗(yàn)證與分析

3.1 精度驗(yàn)證

研究通過實(shí)測(cè)土壤墑情的平均值與反演的平均值進(jìn)行比較，對(duì)結(jié)果進(jìn)行檢驗(yàn)，通過對(duì)三個(gè)土壤墑情反演結(jié)果進(jìn)行統(tǒng)計(jì)，研究區(qū)的平均土壤墑情分別為：

(7)

(8)

(9)

(10)

(11)

(12)

(13)

式中：φ1、φ2、φ3分別為未經(jīng)融合影像、PCA融合影像以及經(jīng)G-S融合影像反演土壤墑情結(jié)果的精度。

3.2 結(jié)果分析

研究區(qū)大部分地區(qū)的土壤墑情狀況為10%～15%，其次是15%～20%，而在10%以下和30%以上的地區(qū)很少。整體上來看，該研究區(qū)屬于適合農(nóng)作物生長(zhǎng)的土壤濕度。有小部分地區(qū)的土壤墑情值在10%以下，該地區(qū)屬于輕微干旱地區(qū)。通過對(duì)3種計(jì)算結(jié)果進(jìn)行比較，經(jīng)融合的數(shù)據(jù)反演模型精度有所提高。所以，多源遙感影像及其融合技術(shù)在土壤墑情監(jiān)測(cè)中的應(yīng)用具有很大的優(yōu)勢(shì)，在未來的墑情估算及管理等方面前景廣闊。

4 結(jié) 論

土壤墑情影響農(nóng)作物的生長(zhǎng)、灌溉等，墑情監(jiān)測(cè)可以實(shí)時(shí)提供可靠數(shù)據(jù)信息，具有重要的科學(xué)指導(dǎo)作用。本文通過對(duì)Landsat-ETM+數(shù)據(jù)與SPOT數(shù)據(jù)進(jìn)行融合，反演地表溫度，以此來反演土壤墑情，得出如下結(jié)論：

(1)對(duì)于土壤墑情監(jiān)測(cè)中遙感影像數(shù)據(jù)的選擇，融合后的影像數(shù)據(jù)較之前的單一數(shù)據(jù)源包含更多的信息，同時(shí)空間分辨率也得到提高，因此融合數(shù)據(jù)在墑情監(jiān)測(cè)應(yīng)用中比單一數(shù)據(jù)更有優(yōu)勢(shì)。

(2)在遙感影像反演土壤墑情過程中，采用單窗模型的方法反演出地表溫度圖。單窗模型法用到第3、4、6波段影像，是一種比較簡(jiǎn)單實(shí)用的地表溫度算法。

(3)基于地表溫度和土壤墑情實(shí)測(cè)數(shù)據(jù)建立土壤墑情反演模型精度可以達(dá)到80%以上，在實(shí)際應(yīng)用中具有利用價(jià)值。其中，利用傳統(tǒng)的線性模型基本是可行的，而且模型的建立所涉及的參數(shù)較少且易于調(diào)試，模型容易推廣。

參考文獻(xiàn)：

[1] 肖 斌,沙晉明.土壤水分遙感反演方法概述[J].遙感信息, 2007,(6):94-98.

[2] 楊 濤,宮輝力,李小娟，等.土壤水分遙感監(jiān)測(cè)研究進(jìn)展[J].生態(tài)學(xué)報(bào),2010,30(22):6 264-6 277.

[3] Jackson T, Mansfield K, Saafi M, et al. Measuring soil temperature and moisture using wireless MEMS sensors[J]. Measurement, 2008,41(4):381-390.

[4] 張友靜,王軍戰(zhàn),鮑艷松.多源遙感數(shù)據(jù)反演土壤水分方法[J].水科學(xué)進(jìn)展,2010,21(2):222-228.

[5] 樊旭艷,付春龍,石繼海,等. 基于主成分分析的遙感圖像模擬真彩色融合法[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào),2006,(4):287-289,292.

[6] Aiazzi B, Baronti S, Selva M, et al. Enhanced Gram-Schmidt spectral sharpening based on multivariate regression of MS and pan data[C]∥Geoscience and Remote Sensing Symposium, 2006. IGARSS 2006. IEEE International Conference on. IEEE, 2006:3 806-3 809.

[7] 覃志豪, Minghua Z, Karnieli A, 等.用陸地衛(wèi)星TM6數(shù)據(jù)演算地表溫度的單窗算法[J]. 地理學(xué)報(bào), 2001,56(4):456-466.

[8] Van de Griend A A, Owe M. On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces[J]. International Journal of Remote Sensing, 1993,14(6):1 119-1 131.