黃友昕，胡茂勝，沈永林，劉修國(guó)，羅 瓊，孫 飛

MODIS干旱指數(shù)結(jié)合RBFNN反演冬小麥返青期土壤濕度

黃友昕1，胡茂勝1，沈永林1，劉修國(guó)1※，羅 瓊2，孫 飛1

（1. 中國(guó)地質(zhì)大學(xué)（武漢）地理與信息工程學(xué)院，武漢 430074；2. 武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，武漢 430079）

土壤濕度是農(nóng)業(yè)干旱信息最重要的表征因子，它的反演對(duì)區(qū)域乃至全球農(nóng)業(yè)干旱監(jiān)測(cè)及預(yù)報(bào)都具有重要意義。該文基于MODIS遙感干旱監(jiān)測(cè)指數(shù)構(gòu)建了冬小麥返青期土壤濕度的評(píng)價(jià)指標(biāo)體系，在此基礎(chǔ)上，結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）協(xié)同反演農(nóng)地土壤濕度。首先，針對(duì)單一利用遙感干旱指數(shù)反演土壤濕度具有一定的局限性問(wèn)題，選取監(jiān)測(cè)土壤含水量、作物需水形態(tài)變化、冠層含水量、冠層溫度等參量的遙感干旱監(jiān)測(cè)指數(shù)作為綜合評(píng)價(jià)指標(biāo)；并利用實(shí)測(cè)土壤濕度作為驗(yàn)證標(biāo)準(zhǔn)，從原始遙感干旱監(jiān)測(cè)指數(shù)中選取出適宜的指標(biāo)集；然后，以選取的評(píng)價(jià)指標(biāo)集為輸入層，以實(shí)測(cè)土壤濕度作為輸出層的輸出，構(gòu)建RBFNN的農(nóng)地土壤濕度反演模型。研究結(jié)果表明：應(yīng)用在河南省冬小麥返青期時(shí)，基于MODIS遙感干旱監(jiān)測(cè)指數(shù)與RBFNN協(xié)同反演的土壤濕度模型具有較好的反演效果；模型的評(píng)價(jià)指標(biāo)集與10 cm深度的土壤濕度相關(guān)性更好，而且能綜合多通道遙感信息來(lái)反映土壤濕度的變化；模型的平均預(yù)測(cè)精度達(dá)到93.27%，與BP-NN和線性回歸反演模型相比，反演精度分別提高了2.92和9.97百分點(diǎn)；模型回歸分析相對(duì)1:1斜線的偏差最小；相關(guān)系數(shù)為0.846 49，回歸決定系數(shù)為0.862 6。研究結(jié)果可為區(qū)域土壤濕度的遙感反演提供新的案例參考。

遙感；土壤；濕度；干旱指數(shù)；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；MODIS

0 引 言

土壤濕度（soil moisture，SM）是農(nóng)作物生長(zhǎng)發(fā)育的基本條件，是農(nóng)作物產(chǎn)量預(yù)測(cè)的重要參數(shù)[1]，也是氣候、水文、生態(tài)等領(lǐng)域衡量土壤干旱程度的重要指標(biāo)，在陸面過(guò)程模式和全球氣候模型預(yù)測(cè)方面也扮演著重要的角色[2]。尤其在農(nóng)業(yè)干旱監(jiān)測(cè)中，土壤濕度不足會(huì)直接影響農(nóng)作物的正常發(fā)育，致使作物生長(zhǎng)受脅迫，使作物生物量和產(chǎn)量減少，進(jìn)而導(dǎo)致農(nóng)業(yè)干旱現(xiàn)象發(fā)生[3]。因而，SM是農(nóng)業(yè)干旱信息最重要的表征因子，它的反演對(duì)區(qū)域乃至全球農(nóng)業(yè)干旱監(jiān)測(cè)及預(yù)報(bào)都具有重要意義[4]。

土壤濕度的獲取方法一般有3種：田間實(shí)測(cè)法、土壤水分模型法和遙感法[1,5]。田間實(shí)測(cè)法可準(zhǔn)確測(cè)量土壤含水量，但測(cè)量范圍有限，實(shí)時(shí)性欠佳；土壤水分模型法可提供實(shí)時(shí)的土壤水分信息，但需大量的氣象數(shù)據(jù)支持，較耗費(fèi)人力財(cái)力。而遙感法具有實(shí)效性強(qiáng)、經(jīng)濟(jì)、覆蓋范圍廣等優(yōu)勢(shì)，已成為區(qū)域動(dòng)態(tài)監(jiān)測(cè)SM的有效手段[5-13]。多年來(lái)，國(guó)內(nèi)外學(xué)者基于遙感干旱指數(shù)對(duì)SM的遙感反演方法進(jìn)行了大量研究。Waston等[6]最早利用熱慣量模型與熱紅外波段估測(cè)SM；Price[7]提出了用表觀熱慣量（apparent thermal inertia，ATI）來(lái)近似代替真實(shí)熱慣量，指出在裸露土壤或植被覆蓋度低的區(qū)域ATI反演SM效果較好。Kogan[8]研究論證了冠層溫度可以有效評(píng)價(jià)作物土壤表面水分虧缺，并提出了溫度條件指數(shù)（temperature condition index，TCI）；馮強(qiáng)等[9]建立了植被條件指數(shù)（vegetation condition index，VCI）與SM在農(nóng)作物生長(zhǎng)季節(jié)的統(tǒng)計(jì)模型，并應(yīng)用于全國(guó)耕地的SM監(jiān)測(cè)中；Carlson等[10]研究了地表溫度與歸一化植被指數(shù)（normalized different vegetation index，NDVI）的斜率與SM的關(guān)系，并發(fā)展了植被供水指數(shù)（vegetation supply water index，VSWI）；鮑艷松等[11]基于合成孔徑雷達(dá)微波數(shù)據(jù)，建立了冬小麥不同生育期的SM反演模型；李華朋等[12]研究指出歸一化紅外差異指數(shù)（normalized difference infrared index band6 or band7，NDIIB6/7）比同類型的植被水分指數(shù)對(duì)冠層含水量更敏感；Wang等[13]研究指出結(jié)合近紅外與短波紅外構(gòu)建的歸一化多波段干旱指數(shù)（normalized multi-band drought index，NMDI）更適合于評(píng)估土壤與植被的水分。然而，現(xiàn)有研究中存在的主要問(wèn)題是：?jiǎn)我坏乩每梢?jiàn)光、近紅外、短波紅外，熱紅外等構(gòu)建的遙感干旱指數(shù)，在反演SM時(shí)均具有一定的局限性[1]，如微波易受地表粗糙度與植被覆蓋的影響；ATI僅適用于裸露土壤或植被覆蓋低的區(qū)域；而植被指數(shù)在植被相對(duì)稀少的干旱地區(qū)監(jiān)測(cè)SM并不合適[12]；因此，在實(shí)際應(yīng)用中若能綜合運(yùn)用這些遙感干旱指數(shù)進(jìn)行SM的協(xié)同反演，將是一種提高SM反演精度的有效途徑。

土壤濕度是一個(gè)復(fù)雜的非線性耦合系統(tǒng)[13]，受土壤復(fù)雜結(jié)構(gòu)和環(huán)境多因子影響顯著，而人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）模型能自動(dòng)分析多源輸入與輸出間的非線性映射關(guān)系。由于ANN的獨(dú)特優(yōu)勢(shì)，國(guó)內(nèi)外不少學(xué)者利用ANN模型開(kāi)展對(duì)SM反演的研究[13-16]。大部分學(xué)者采用反向傳播神經(jīng)網(wǎng)絡(luò)（back-propagation neural networks，BP-NN）建模反演SM；但BP-NN存在學(xué)習(xí)算法收斂速度較慢、需參數(shù)調(diào)節(jié)多、訓(xùn)練過(guò)程中總體誤差易陷入局部極小等不足[16-17]。然而徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（radial basis function neural networks，RBFNN）的算法原理在一定程度上克服了BP-NN的缺點(diǎn)，能以任意精度逼近任意連續(xù)函數(shù)，可廣泛應(yīng)用于自適應(yīng)非線性建模中[17-20]。

針對(duì)上述現(xiàn)狀，本文提出一種基于MODIS的遙感干旱指數(shù)與RBFNN協(xié)同反演農(nóng)地SM的方法，即以2001—2012年河南省冬小麥返青期為研究對(duì)象，選取監(jiān)測(cè)土壤含水量、作物需水形態(tài)變化、冠層含水量及冠層溫度等參量的6種遙感干旱指數(shù)作為綜合評(píng)價(jià)指標(biāo)集，嘗試結(jié)合MODIS的遙感干旱指數(shù)與RBFNN對(duì)農(nóng)地的SM進(jìn)行協(xié)同反演，并與BP-NN和線性回歸（linear regression，LR）模型進(jìn)行比較，以期為區(qū)域SM反演提供一種新的案例參考。

1 材料與方法

1.1 研究區(qū)概況

河南省位于中國(guó)中東部、黃河中下游，地理坐標(biāo)介于110°21′-116°39′E，31°23′-36°22′N之間（圖1）。該地區(qū)地貌與氣候具有明顯的過(guò)渡特征，氣候自南向北由亞熱帶向暖溫帶過(guò)渡，自東向西由平原向丘陵山地氣候過(guò)渡；地貌由西向東階梯變化，北、西、南三面為山地環(huán)繞，中東部為華北平原，西南部為南陽(yáng)盆地；該研究區(qū)土壤類型也隨地形與氣候的變化而演替：豫東、豫北平原多為潮土；豫南平原多砂姜黑土；豫西北山地丘陵多為褐土、紅黏土；豫南多為水稻土等[21]。由于受季風(fēng)氣候的影響，降水量時(shí)空分布極其不均，干旱缺雨天氣較多，因而造成該地區(qū)農(nóng)業(yè)干旱事件頻發(fā)。

1.2 數(shù)據(jù)源及其處理

遙感數(shù)據(jù)源采用美國(guó)國(guó)家航空航天局的Terra衛(wèi)星搭載的中分辨率成像光譜儀（moderate-resolution imaging spectroradiometer，MODIS）的3個(gè)數(shù)據(jù)產(chǎn)品：MOD09A1、MOD11A2和MCD12Q1（表1）。MOD09A1是地表反射率產(chǎn)品，包括7個(gè)波段（band）信息，分別是紅光band1（620～670 nm）、近紅外band2（841～876 nm）、藍(lán)光band3（459～479 nm）、綠光band4（545～565 nm）及3個(gè)短波紅外band5（1230～1250 nm）、band6（1628～1652 nm）)和band7（2105～2155 nm）；MOD11A2是地表溫度（land surface temperature，LST）產(chǎn)品，包含2個(gè)熱紅外波段band31（10780～11280 nm）和band32（11770～12270 nm），以及白天與晚上的LST；以上2個(gè)產(chǎn)品用于計(jì)算遙感干旱監(jiān)測(cè)指數(shù)的值。MCD12Q1是MODIS全球土地覆蓋產(chǎn)品，選用包括17類國(guó)際地圈生物圈計(jì)劃的全球植被分類方案，該數(shù)據(jù)用于掩膜過(guò)濾得到農(nóng)地的遙感信息。

非遙感數(shù)據(jù)包括河南省的行政區(qū)劃矢量數(shù)據(jù)和SM數(shù)據(jù)集。其中SM數(shù)據(jù)集來(lái)源于中國(guó)氣象數(shù)據(jù)網(wǎng)的“中國(guó)農(nóng)作物生長(zhǎng)發(fā)育和農(nóng)田土壤濕度旬值數(shù)據(jù)集”（http://data.cma.cn/site/index.html），該數(shù)據(jù)集是河南省17個(gè)土壤墑情站每旬觀測(cè)的10和20 cm土層的土壤相對(duì)濕度（記為SM10與SM20），即土壤含水量占田間持水量的百分率，以百分比（%）表示。研究區(qū)墑情監(jiān)測(cè)站點(diǎn)分布如圖1所示。

基于前人的研究基礎(chǔ)[22]，將冬小麥的返青期時(shí)間設(shè)定為3月上旬，對(duì)應(yīng)的土壤墑情觀測(cè)時(shí)間是3月8日。由于2011—2012年3月上旬南部降雨量較同期偏少，其他地區(qū)基本無(wú)降水，因而選取與之時(shí)間最接近的遙感數(shù)據(jù)MOD065，并下載表1中前3類產(chǎn)品共36景遙感數(shù)據(jù)?；贓NVI與ArcGIS軟件，對(duì)遙感數(shù)據(jù)進(jìn)行質(zhì)量檢查、投影、重采樣、裁剪、掩膜、中值濾波等預(yù)處理過(guò)程。

1.3 研究方法

首先分析土壤含水量、作物需水形態(tài)變化、冠層含水量及冠層溫度等參量的8種遙感干旱監(jiān)測(cè)指數(shù)自身的適應(yīng)性[23]（見(jiàn)表2）；然后與冬小麥返青期實(shí)測(cè)的SM做相關(guān)性分析，選取出與SM相關(guān)性相對(duì)較高的指標(biāo)集，得到綜合評(píng)價(jià)指標(biāo)集（輸入層）；以SM為輸出層，基于RBFNN構(gòu)建農(nóng)地的SM反演模型。同時(shí)與BP-NN和LR構(gòu)建的SM反演模型進(jìn)行對(duì)比分析。

1.3.1 構(gòu)建基于MODIS遙感干旱指數(shù)的評(píng)價(jià)指標(biāo)體系

SM是表征農(nóng)業(yè)干旱信息最重要的因子之一[1]，國(guó)內(nèi)外學(xué)者曾利用SM來(lái)驗(yàn)證不同遙感干旱監(jiān)測(cè)指數(shù)的區(qū)域適用性[24-25]。本文基于MODIS多波段遙感信息構(gòu)建的遙感干旱監(jiān)測(cè)指數(shù)作為綜合評(píng)價(jià)指標(biāo)，結(jié)合RBFNN協(xié)同反演農(nóng)地的SM。

針對(duì)冬小麥返青期，首先計(jì)算出監(jiān)測(cè)土壤含水量、作物需水形態(tài)變化、冠層含水量及冠層溫度等參量的8種原始遙感干旱監(jiān)測(cè)指數(shù)值，包括：監(jiān)測(cè)土壤含水量指數(shù)：ATI[6]和VSWI[9]；監(jiān)測(cè)作物需水形態(tài)變化指數(shù)：增強(qiáng)型植被指數(shù)（enhanced vegetation index，EVI）[26]和VCI[27]；監(jiān)測(cè)冠層含水量指數(shù)：NDIIB6/7[28-30]和NMDI[12]；監(jiān)測(cè)冠層溫度指數(shù)：TCI[7]；由于這些指數(shù)的構(gòu)建來(lái)源于MODIS不同波段，能夠綜合反映可見(jiàn)光、近紅外、短波紅外及熱紅外等波段對(duì)SM的變化。取土壤墑情站點(diǎn)對(duì)應(yīng)的影像位置上3×3窗口內(nèi)遙感信息，根據(jù)表2計(jì)算各指數(shù)的值。

1.3.2 RBFNN模型原理

RBFNN模型是一種具有單隱層的3層前饋網(wǎng)絡(luò)，其設(shè)計(jì)與數(shù)值分析、線性適應(yīng)濾波很好地結(jié)合，在逼近能力、分類能力和學(xué)習(xí)速度等方面都優(yōu)于BP-NN[16-19]，RBFNN的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)共分為3層，如圖2。

注：H1, H2… Hj指有個(gè)隱含層神經(jīng)單元，Wj指?jìng)€(gè)隱含層到輸出層的線性連接權(quán)值，SM指土壤濕度。

第二層為隱含層，其節(jié)點(diǎn)數(shù)視所描述問(wèn)題的需要而定，該層的變換函數(shù)采用RBF。RBF作用是對(duì)輸入模式進(jìn)行一次變換，將低維模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間的線性不可分問(wèn)題在高維空間內(nèi)線性可分。隱含層是非線性優(yōu)化策略，采用高斯核函數(shù)。

第三層為輸出層，即為2011—2012年墑情監(jiān)測(cè)站點(diǎn)的SM10。該層對(duì)輸入模式做出的響應(yīng)采用線性優(yōu)化策略，對(duì)隱含層神經(jīng)元輸出的信息進(jìn)行線性加權(quán)后輸出，本文只有1個(gè)輸出結(jié)點(diǎn)SM，其公式為：

式中表示權(quán)值，代表輸出層的個(gè)數(shù)（=1, 2,…,）。

2 結(jié)果與分析

由于在不同區(qū)域、不同時(shí)間段，用于反演SM的遙感干旱監(jiān)測(cè)指數(shù)往往存在不同的時(shí)空適應(yīng)性[21]。即使在同一區(qū)域，也存在如作物生長(zhǎng)的不同季節(jié)、土壤及氣候等因素的影響，如果籠統(tǒng)地、隨意地選用遙感干旱指數(shù)，則很難實(shí)現(xiàn)在不同區(qū)域的SM精確反演。因此，針對(duì)研究區(qū)冬小麥返青期，本文首先分析不同遙感干旱監(jiān)測(cè)指數(shù)與SM10、SM20的相關(guān)性，選取適宜于該生長(zhǎng)階段的農(nóng)業(yè)干旱遙感監(jiān)測(cè)指數(shù)作為指標(biāo)集；然后，以選取的評(píng)價(jià)指標(biāo)集為輸入層，以實(shí)測(cè)墑情站點(diǎn)土壤濕度作為輸出層的輸出，構(gòu)建RBFNN的農(nóng)地SM反演模型，最后根據(jù)該網(wǎng)絡(luò)模型預(yù)測(cè)SM的值。

2.1 遙感干旱監(jiān)測(cè)指數(shù)與SM的相關(guān)分析

首先，利用SPSS Statistics19軟件，針對(duì)2012年冬小麥返青期，把原始的8種遙感干旱監(jiān)測(cè)指數(shù)值進(jìn)行標(biāo)準(zhǔn)化，使其具有可比性；然后用標(biāo)準(zhǔn)化后的值與實(shí)測(cè)SM10、SM20進(jìn)行相關(guān)分析，兩者的相關(guān)系數(shù)矩陣見(jiàn)表3。

表3 遙感干旱監(jiān)測(cè)指數(shù)與2012年SM的相關(guān)系數(shù)矩陣

注：SM10、SM20分別表示10和20 cm土層的土壤相對(duì)濕度，%。

Note: SM10、SM20 represents soil relative humidity in 10 and 20 cm soil layers, respectively,%.

由表3可見(jiàn)，在冬小麥返青期（即早春麥田半數(shù)以上的麥苗心葉長(zhǎng)1～2cm時(shí)），SM10與反映土壤含水量的指數(shù)ATI、VSWI以及反映作物形態(tài)與綠度的指數(shù)EVI的相關(guān)性均高于SM20，且通過(guò)0.05水平顯著性檢驗(yàn)；而反映冠層含水量的指數(shù)NDIIB6/7與反映作物溫度的指數(shù)TCI與SM20的相關(guān)性要稍微高于SM10；但從整體來(lái)看，除了VCI之外，SM10與其余7個(gè)遙感干旱監(jiān)測(cè)指數(shù)均達(dá)到顯著相關(guān)（即通過(guò)0.05水平顯著性檢驗(yàn)），故本文選擇SM10作為選取合適的遙感干旱指數(shù)的基準(zhǔn)，從8個(gè)原始的遙感干旱指數(shù)中選取與SM相關(guān)性較高的6個(gè)指數(shù)（ATI、VSWI、EVI、NDIIB7、NMDI和TCI）作為SM反演模型的評(píng)價(jià)指標(biāo)集。

圖3 2012年3月上旬研究區(qū)遙感干旱指數(shù)與SM10的變化規(guī)律

在2012年冬小麥返青期，研究區(qū)17個(gè)墑情站點(diǎn)的SM10與遙感干旱指數(shù)ATI、VSWI、EVI、NDIIB7、NMDI和TCI的變化規(guī)律如圖3。由圖3可知，這6個(gè)遙感干旱指數(shù)相比VCI、NDIIB6與SM10的總體變化趨勢(shì)更相似，說(shuō)明這6個(gè)指數(shù)在該生長(zhǎng)期較適宜冬小麥的SM監(jiān)測(cè)。

綜上所述，為了使構(gòu)建的農(nóng)地SM反演模型既能反映作物因干旱導(dǎo)致的生理變化，也能反映形態(tài)變化[22]；本文選擇監(jiān)測(cè)作物生理變化的干旱指數(shù)：ATI、VSWI、NDIIB7、NMDI和TCI；以及監(jiān)測(cè)作物形態(tài)的干旱指數(shù)EVI（共6個(gè)指數(shù)）作為反演SM的綜合評(píng)價(jià)指標(biāo)集。

2.2 基于RBFNN構(gòu)建土壤濕度反演模型

將2011和2012年共34組墑情站點(diǎn)（樣本）獲得的前30組數(shù)據(jù)作為訓(xùn)練樣本，后4組數(shù)據(jù)作為預(yù)測(cè)樣本。根據(jù)表4對(duì)反演SM的輸入輸出參數(shù)進(jìn)行統(tǒng)計(jì)分析，評(píng)價(jià)該組測(cè)試數(shù)據(jù)的離散程度較好。

表4 SM反演模型的輸入和輸出參數(shù)

在Matlab神經(jīng)網(wǎng)絡(luò)工具箱中用newrb函數(shù)設(shè)計(jì)RBFNN。RBF通常被用作逼近函數(shù)，用newrb函數(shù)創(chuàng)建RBF網(wǎng)絡(luò)是一個(gè)不斷嘗試的過(guò)程，計(jì)算過(guò)程中不斷給隱含層增加中間層神經(jīng)元，直到網(wǎng)絡(luò)的輸出滿足設(shè)定的均方誤差（mean squared error，MSE）為止。

2.3 土壤濕度反演模型測(cè)試及對(duì)比分析