朱燕香,潘劍君,白浩然,康翔

(南京農(nóng)業(yè)大學(xué)資源與環(huán)境科學(xué)學(xué)院,江蘇 南京 210095)

土壤水分在農(nóng)業(yè)生產(chǎn)、氣象變化和水文過程中具有重要作用,是干旱監(jiān)測(cè)和管理的關(guān)鍵[1]。土壤水分傳統(tǒng)研究耗時(shí)耗力,且研究區(qū)域受限[2],而遙感技術(shù)為大范圍、多時(shí)空監(jiān)測(cè)土壤水分提供了有力手段,同時(shí)還具有快速、及時(shí)和便捷等優(yōu)點(diǎn)[3]。遙感技術(shù)發(fā)展至今,各國為監(jiān)測(cè)地表土壤水分已發(fā)射多種高時(shí)空分辨率的衛(wèi)星,如歐洲土壤濕度與海洋鹽度(SMOS)衛(wèi)星[4]、高級(jí)散射儀(ASCAT)[5]以及主被動(dòng)微波衛(wèi)星SMAP[6]等。

近年來,國內(nèi)外學(xué)者對(duì)土壤水分監(jiān)測(cè)進(jìn)行了大量的研究[7-10]。條件植被溫度指數(shù)(VTCI)是利用條件植被指數(shù)、條件溫度指數(shù)以及距平植被指數(shù)對(duì)研究區(qū)年度間相對(duì)干旱程度進(jìn)行監(jiān)測(cè)的指數(shù)[11]。詹志明等[12]利用近紅外波段和紅光波段反射率建立光譜特征空間,根據(jù)土壤水分在該特征空間的分布規(guī)律,提出遙感干旱監(jiān)測(cè)新指數(shù)——垂直干旱指數(shù)(PDI),改進(jìn)的垂直干旱指數(shù)(MPDI)[13]是在垂直干旱指數(shù)的基礎(chǔ)上加入植被覆蓋度后提出的干旱監(jiān)測(cè)指標(biāo)。吳春雷等[14]根據(jù)垂直干旱指數(shù)和垂直植被指數(shù)的空間分布規(guī)律提出了植被調(diào)整垂直干旱指數(shù)(VAPDI)。

傳統(tǒng)的梯形模型(thermal-optical trapezoid model,TOTRAM)是一種將熱遙感數(shù)據(jù)和光學(xué)遙感數(shù)據(jù)相結(jié)合反演土壤水分的模型。如:由Sandholt基于地表溫度(Ts)與歸一化植被指數(shù)(NDVI)之間關(guān)系的空間數(shù)據(jù)關(guān)系,提出的溫度植被干旱指數(shù)(TVDI)[15]。它存在2個(gè)明顯的問題:模型所用遙感數(shù)據(jù)必須同時(shí)包含光學(xué)波段和熱紅外波段,故不適用于不提供熱波段數(shù)據(jù)的衛(wèi)星(例如:Sentinel-2);地表溫度不僅受土壤水分的影響,還受大氣條件如風(fēng)速、空氣溫度和空氣濕度等影響[16]。因此,傳統(tǒng)的梯形模型需要多種對(duì)應(yīng)的大氣參數(shù)進(jìn)行校準(zhǔn)。為解決這2個(gè)問題,Sadeghi等[17]提出基于物理的OPTICAL TRApezoid模型(OPTRAM)反演地表土壤水分。OPTRAM模型是由NDVI與短波紅外變換反射率(STR)組成的,它不需要熱波段數(shù)據(jù),可用于僅提供光學(xué)波段的衛(wèi)星;并且,短波紅外反射率不會(huì)隨大氣條件發(fā)生顯著變化。因此,OPTRAM模型可以免于大氣參數(shù)校準(zhǔn)。

Sentinel-2是具有時(shí)空分辨率高、重返周期短等優(yōu)勢(shì)的遙感衛(wèi)星,但由于該衛(wèi)星發(fā)射時(shí)間較短,目前光學(xué)遙感的土壤水分反演研究主要集中在基于Landsat 或MODIS等衛(wèi)星的大中型研究區(qū),應(yīng)用Sentinel-2影像反演小區(qū)域土壤水分的研究較少。本文以Sentinel-2A影像為數(shù)據(jù)源,應(yīng)用OPTICAL TRApezoid模型(OPTRAM)對(duì)南京市六合區(qū)北部地區(qū)進(jìn)行土壤水分反演適用性研究,并利用NDVI-DFI像元三分模型對(duì)該模型進(jìn)行改進(jìn),使土壤水分反演精度提高,并分析改進(jìn)模型反演取得更高精度的原因,從而推動(dòng)后續(xù)的土壤水分反演工作。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于江蘇省南京市六合區(qū)(118°33′～119°00′E,32°21′～32°37′N),約有750 km2,地貌大部分屬寧鎮(zhèn)揚(yáng)山區(qū),北部為丘陵崗地,南部為平原崗地,平均海拔20 m。該地區(qū)位于北亞熱帶濕潤(rùn)的季風(fēng)氣候區(qū),雨熱同期,日照充足,四季分明,年平均氣溫為16 ℃,年平均降雨量為1 157 mm。研究區(qū)土地利用類型多樣,以農(nóng)用地為主,林地所占比例較大,全區(qū)林地覆蓋率約為6%。主要農(nóng)業(yè)種植物是油菜、水稻和小麥,數(shù)據(jù)采集時(shí)為小麥成熟期。

1.2 實(shí)測(cè)數(shù)據(jù)

2019年5月22—23日對(duì)研究區(qū)進(jìn)行野外數(shù)據(jù)采集。獲得的數(shù)據(jù)包括TDR(time-domain reflectometry)水分儀測(cè)得的表層10 cm土壤水分?jǐn)?shù)據(jù)、GPS點(diǎn)位數(shù)據(jù)以及采樣點(diǎn)的土地利用狀況數(shù)據(jù)等。研究區(qū)地理位置及采樣點(diǎn)分布如圖1所示。每個(gè)采樣點(diǎn)測(cè)定5個(gè)數(shù)據(jù),取平均值作為采樣點(diǎn)的實(shí)測(cè)值。本次采集數(shù)據(jù)共39個(gè),用于模型的擬合驗(yàn)證。

1.3 遙感數(shù)據(jù)

Sentinel-2A是2015年6月23日成功發(fā)射的第1顆“哥白尼計(jì)劃”的光學(xué)遙感衛(wèi)星,有13個(gè)光譜波段,重返周期為10 d,空間分辨率最高可至10 m,在非商業(yè)衛(wèi)星中具有極大的優(yōu)勢(shì),常被用于全球陸地觀測(cè)以及自然災(zāi)害的監(jiān)測(cè)與管理等。

本研究獲得2019年5月22日2景Sentinel-2A L1C影像,均來自于歐洲空間局(https://scihub.conpernicus.ed/dhus/#/home)。Sentinel-2A L1C影像是經(jīng)過正射校正和幾何精校正后的大氣表觀反射率產(chǎn)品,但是并沒有經(jīng)過輻射定標(biāo)和大氣校正。利用歐洲空間局提供的Sen2cor插件,生成能直接使用的Sentinel-2A L2A數(shù)據(jù)。重采樣分辨率至10 m,在ENVI中將所需的6個(gè)光譜波段(Band 2、Band 3、Band 4、Band 8、Band 11和Band 12)合成,再進(jìn)行影像拼接和裁剪,并運(yùn)用歸一化水指數(shù)(normalized difference water index,NDWI)和NDVI指數(shù)閾值法進(jìn)行水體掩膜處理,監(jiān)督分類法進(jìn)行不透水層掩膜處理。

2 研究方法

2.1 OPTRAM模型

有研究發(fā)現(xiàn)短波紅外轉(zhuǎn)換反射率(shortwave infrared transformed reflectance,STR)與裸土和植被覆蓋區(qū)根系土壤水分之間有線性物理關(guān)系[16]。Sadeghi等[17]以此為基礎(chǔ)提出一種新的光學(xué)梯形模型(OPTICAL TRApezoid Model,OPTRAM)。該模型根據(jù)STR與NDVI的特征空間分布進(jìn)行土壤水分估算。

(1)

式(1)中:STR代表短波紅外轉(zhuǎn)換反射率;STRd和STRw分別代表土壤的干、濕狀態(tài)的STR。

(2)

式(2)中:RSWIR表示短波紅外的反射率。本文中短波紅外波段為Sentinel-2A中的中心波長(zhǎng)為2 190 nm的Band 12。

STRd=id+sdNDVI

(3)

STRw=iw+swNDVI

(4)

式(3)、式(4)中:id、sd和iw、sw分別表示干邊和濕邊擬合方程的截距和斜率,用于求解梯形模型中有固定間隔的NDVI的短波紅外轉(zhuǎn)換反射率最大值STRmax和短波紅外轉(zhuǎn)換反射率最小值STRmin。目前,已有不少研究將遙感植被指數(shù)量化進(jìn)而分析植物生長(zhǎng)狀態(tài)并將其與根系土壤水分聯(lián)系起來。土壤水分狀況會(huì)影響植被的水分狀況,從而改變植被的光譜特征。本文假定土壤水分與植被含水量存在線性關(guān)系。

由上述公式可以看出該模型與傳統(tǒng)的梯形模型類似,不同之處在于以STR代替地表溫度(land surface temperature,LST)。OPTRAM模型的STR-NDVI散點(diǎn)圖也存在干邊和濕邊之分。干邊代表地表干旱情況下的STR,濕邊代表地表水分充足情況下的STR。

2.2 改進(jìn)的OPTRAM模型

2.2.1 NDVI-DFI像元三分模型非光合植被(non-photosynthetic vegetation,NPV)是指不能將太陽能轉(zhuǎn)化為用于其自身生長(zhǎng)和發(fā)育的化學(xué)能的植物[18],包括衰老或死亡的植被。常見非光合植被有凋落物、作物茬、枯葉等。在傳統(tǒng)梯形模型和OPTRAM模型中常用NDVI作為植被量的衡量指標(biāo),但是模型中真正需要的信息為光合植被的覆蓋量,所以單純用植被指數(shù)去計(jì)算會(huì)出現(xiàn)一定的誤差。國內(nèi)外學(xué)者發(fā)現(xiàn)將干枯燃料指數(shù)(dead fuel index,DFI)用于估算非光合植被覆蓋度時(shí)具有很大的潛力,將其與NDVI相結(jié)合建立NDVI-DFI模型,通過該模型的二維空間分布可以將混合像元分解為土壤(BS)、光合植被(PV)和非光合植被(NPV)3個(gè)端元。

(5)

(6)

式中:RSWIR1、RSWIR2、RRED、RNIR分別為Sentinel-2A影像的Band 12、Band 11、Band 4和Band 8。為避免水體和建筑用地等影響產(chǎn)生異常值,在計(jì)算指數(shù)前對(duì)影像進(jìn)行指數(shù)閾值法和監(jiān)督分類法掩膜處理。

圖2為NDVI-DFI像元三分模型示意圖,特征空間近似表現(xiàn)為三角形,其中NPV的NDVI高、DFI低,位于三角形的左上部;BS的NDVI和DFI均很低,位于三角形的左下部;PV的NDVI高,DFI很低,位于右側(cè)中部;混合像元分布在三角形內(nèi)部[19]。

2.2.2 OPTRAM模型的改進(jìn)在ENVI中對(duì)預(yù)處理過的Sentinel-2A影像進(jìn)行最小噪聲分離(MNF)變換降維,選擇能代表大部分信息的前5個(gè)分量進(jìn)行投影。然后設(shè)定參數(shù),其中迭代次數(shù)為2 000,閾值系數(shù)為2.5,得到像元純凈指數(shù)(PPI)。最后取PPI大于3且又靠近NDVI-DFI模型特征空間定點(diǎn)的像元為純凈像元,分別計(jì)算3個(gè)頂點(diǎn)純凈像元的平均指數(shù)作為相應(yīng)端元的特征值。

用PPI指數(shù)法確定BS、PV、NPV端元值,利用ENVI 5.2軟件中的Triangular Linear Spectral Unmixing擴(kuò)展工具對(duì)預(yù)處理的Sentinel-2影像進(jìn)行分解,得到光合植被覆蓋度(Fpv)、非光合植被覆蓋度(Fnpv)和土壤覆蓋度(Fbs)的RGB合成圖。用Fpv代替OPTRAM模型中的NDVI,用以改進(jìn)OPTRAM模型。

3 結(jié)果與分析

3.1 NDVI-DFI模型反演光合植被覆蓋度

3.1.1 NDVI-DFI模型可分性從圖3可知:當(dāng)NDVI小于0.25時(shí),DFI隨NDVI的增大而增大;當(dāng)NDVI大于0.25時(shí),DFI隨NDVI的減小而減小。同時(shí)能夠看出該特征空間分布表現(xiàn)為三角形。BS、PV、NPV在NDVI和DFI的分布具有明顯的差異,可以將BS、PV和NPV 3個(gè)端元區(qū)分開來,即NDVI-DFI模型用于本研究區(qū)混合像元分解可行。因此,本文基于Sentinel-2A影像所構(gòu)建的NDVI-DFI特征空間滿足該模型線性分解的基本假設(shè)。

3.1.2 混合像元三分結(jié)果研究區(qū)的植被覆蓋度空間差異較大,植被覆蓋達(dá)到100%的區(qū)域主要位于西北部以及中部地區(qū)的山地和林地。像元二分模型假設(shè)混合像元為土壤和植被2種端元組成,本文分別取NDVI累積頻率置信度5%和95%作為NDVIsoil和NDVIvegetable的近似值對(duì)混合像元進(jìn)行分解。由ENVI對(duì)像元二分植被覆蓋度(Fv)的6 261 761個(gè)像元統(tǒng)計(jì)結(jié)果(圖4-A)可知,零植被覆蓋度為研究區(qū)的4.89%,全植被(100%)覆蓋度為5.15%。在0

像元三分模型得到的光合植被覆蓋度(圖4-B)與像元二分模型得到的植被覆蓋度數(shù)值大致一致,但是整體上像元三分模型得到的光合植被覆蓋度要大于像元二分植被覆蓋度。山湖水庫正下方的16號(hào)采樣點(diǎn)位于戀山壩上草原,該樣點(diǎn)無裸露的土壤,像元三分模型得出光合植被覆蓋度(Fpv)為50.78%,非光合植被覆蓋度(Fnpv)為49.22%,像元二分結(jié)果的植被覆蓋度(Fv)為62.66%,土壤覆蓋度(Fbs)為37.34%;山湖水庫上方的28號(hào)采樣點(diǎn)為一片荒地,土壤、枯草和綠草混合交錯(cuò),像元三分結(jié)果顯示:Fbs、Fnpv和Fpv分別為22.22%、49.79% 和27.99%,像元二分結(jié)果Fv為35.96%,Fbs為64.04%。Fpv低于Fv的原因可能是像元二分模型直接將非光合植被端元當(dāng)作土壤端元進(jìn)行處理,無法判別非光合植被和土壤,還可能因?yàn)橄裨帜Ｐ痛嬖趯⒉糠滞寥琅c光合植被混肴的問題。

3.2 OPTRAM及其改進(jìn)模型特征空間的構(gòu)建結(jié)果

取NDVI=0.01為固定間隔,切割STR與NDVI組成的二維空間散點(diǎn)圖,分別找到間隔內(nèi)STR的最大值(STRmax)和最小值(STRmin),最后線性擬合STR-NDVI值,得到干邊和濕邊。OPTRAM特征空間分布圖以NDVI為橫坐標(biāo),STR為縱坐標(biāo)。

由圖5和表1可知:與傳統(tǒng)的梯形模型相似,OPTRAM和改進(jìn)的OPTRAM的特征空間分布均表現(xiàn)為梯形,干、濕邊擬合效果良好,其中OPTRAM的STR-NDVI空間的干邊擬合決定系數(shù)(coefficient of determination,R2)為0.56,濕邊R2為0.34,改進(jìn)的OPTRAM的STR-Fpv特征空間的干、濕邊擬合度都優(yōu)于STR-NDVI特征空間,干邊R2為0.60,濕邊R2為0.42,2個(gè)模型的干邊均表現(xiàn)為負(fù)相關(guān),濕邊均表現(xiàn)為正相關(guān)。

表1 STR-NDVI和STR-Fpv的干、濕邊擬合Table 1 The fitting dry and wet edges of STR-NDVI and STR-Fpv

NDVI能夠增加植被在遙感影像中的反應(yīng)特征,同時(shí)減少土壤反射信息的影響。但是NDVI在反映植被覆蓋時(shí)仍有一定的局限性,當(dāng)植被覆蓋度較低,NDVI對(duì)植被量的指示作用下降[20]。土壤和非光合植被的光譜反射曲線相似,僅用NDVI是很難區(qū)分2個(gè)端元,所以STR-NDVI特征空間中當(dāng)NDVI較小時(shí),與STR的特征空間里的散點(diǎn)分布比較離散。由于NDVI的飽和性問題,當(dāng)NDVI達(dá)到0.8左右,就無法再表達(dá)更加茂盛的植被覆蓋度情況。由圖5可以看到:STR-NDVI特征空間中當(dāng)NDVI大于0.8時(shí),與STR的擬合曲線更趨于曲線,而非直線。STR-Fpv特征空間中用光合植被覆蓋度Fpv表示植被覆蓋狀況,在植被量過低或過高時(shí),解決了NDVI對(duì)植被覆蓋度反應(yīng)靈敏度下降的問題。2個(gè)模型的特征空間的干、濕邊擬合精度結(jié)果顯示,改進(jìn)的OPTRAM模型更具優(yōu)勢(shì)。

3.3 與實(shí)測(cè)含水量的相關(guān)性驗(yàn)證

利用野外獲取的GPS經(jīng)緯度定位信息,提取對(duì)應(yīng)的各采樣點(diǎn)的TVDI、OPTRAM、OPTRAM(Fpv)值,與TDR水分儀實(shí)測(cè)的39個(gè)地表10cm土壤水分含量進(jìn)行最小二乘回歸分析。從圖6可見:土壤水分與遙感反演指數(shù)均表現(xiàn)為良好的負(fù)相關(guān)線性關(guān)系,TVDI、OPTRAM和OPTRAM(Fpv)模型計(jì)算的指數(shù)值越高,土壤含水量越低,土壤干旱越嚴(yán)重。因此,本文所用指數(shù)均能用于土壤水分反演研究。OPTRAM與實(shí)測(cè)土壤含水量的擬合決定系數(shù)(R2=0.38)與較為成熟的TVDI方法的擬合結(jié)果(R2=0.39)相近。這一結(jié)果表明OPTRAM模型在南京六合區(qū)反演土壤水分的可適用性,其反演精度與TVDI反演精度近似。

改進(jìn)的OPTRAM(Fpv)模型的模擬值與實(shí)測(cè)數(shù)據(jù)的擬合效果達(dá)顯著水平(R2=0.55,RMSE=0.03,P<0.01),反演得到的指數(shù)能反映土壤水分情況,相較于OPTRAM模型的擬合效果(R2=0.38,RMSE=0.03,P<0.01)大大提高。去除非光合作用植被(NPV)的影響,改進(jìn)的OPTRAM(Fpv)模型能更加準(zhǔn)確地反映研究區(qū)的植被覆蓋狀況。改進(jìn)的OPTRAM(Fpv)模型的反演效果要比OPTRAM模型的效果好,有更高的擬合精度和更好的模型穩(wěn)定性。

4 結(jié)論與討論

本文基于Sentinel-2A影像通過構(gòu)建STR-NDVI特征空間建立OPTRAM模型對(duì)南京市六合區(qū)進(jìn)行土壤水分反演研究。通過NDVI-DFI像元三分模型將研究區(qū)混合像元分解為土壤、光合植被和非光合植被3種端元,將得到的光合植被覆蓋度(Fpv)引入OPTRAM模型,構(gòu)建STR-Fpv特征空間,建立改進(jìn)的OPTRAM模型。

由于研究區(qū)為多種地表覆蓋混合地區(qū),并非在常應(yīng)用NDVI-DFI模型的草原等地區(qū),生成的特征空間沒有表現(xiàn)為一個(gè)理想的三角形。研究區(qū)以農(nóng)用地為主,林地所占比例也較大。5月為植被生長(zhǎng)茂盛時(shí)期,大量的光合植被存在,土壤和非光合植被覆蓋,導(dǎo)致DFI值較低。同時(shí),研究區(qū)的純凈光合植被像元要遠(yuǎn)遠(yuǎn)多于純凈的土壤像元和非光合植被像元,使空間分布傾向于光合植被。

蠟熟期小麥開始衰亡,到完熟期體內(nèi)水分含量降低至10%左右,葉綠素含量幾乎為0,干物質(zhì)停止累積,麥稈逐漸失去彈性,光合作用減弱,吸收率下降,紅光反射率上升[21]。植被指數(shù)是基于植被葉綠素在0.69μm處的強(qiáng)吸收,像元三分模型根據(jù)光譜反射率計(jì)算得到的NDVI和DFI將完熟期小麥歸類為非光合植被。完熟期冬小麥反射率較基底枯落物(長(zhǎng)期的NPV)反射率偏高,計(jì)算得到的DFI偏低。由于裸土像元與非光合植被光譜相似,像元二分模型直接將完熟期的小麥作土壤處理,這也是像元二分模型將土壤與非光合植被混肴的根本原因。像元三分模型得到的光合植被覆蓋度(Fpv)與像元二分模型得到的植被覆蓋度Fv分布總體相似,但是Fpv值要略低于Fv。

OPTRAM是基于STR-NDVI特征空間構(gòu)建的模型,其核心是干、濕邊擬合方程的確定[22]。OPTRAM模型的STR-NDVI特征空間分布與改進(jìn)的OPTRAM(Fpv)模型的STR-Fpv特征空間分布為明顯的梯形,干、濕邊擬合效果顯著,均表現(xiàn)干邊為負(fù)相關(guān),濕邊為正相關(guān)。STR-Fpv特征空間的干、濕邊擬合方程的決定系數(shù)都大于STR-NDVI特征空間的決定系數(shù)。

傳統(tǒng)的梯形模型(如TVDI)是較為成熟的土壤水分反演研究方法。溫度植被干旱指數(shù)(TVDI)利用植被指數(shù)與地表溫度的強(qiáng)相關(guān)性和對(duì)土壤水分信息的互補(bǔ),通過構(gòu)建LST/NDVI特征空間,確定植被指數(shù)在水分充足和嚴(yán)重缺水條件時(shí)的地表溫度之間的關(guān)系,達(dá)到反演土壤水分的目的。近年來,國內(nèi)外不少學(xué)者用TVDI來監(jiān)測(cè)土壤干旱情況[23-25]。TVDI、OPTRAM和改進(jìn)的OPTRAM(Fpv)與實(shí)測(cè)土壤水分?jǐn)?shù)據(jù)擬合結(jié)果顯示為顯著負(fù)相關(guān)(P<0.01),OPTRAM與TVDI的反演效果近似,在南京地區(qū)OPTRAM模型具有可適用性。相對(duì)于OPTRAM模型,改進(jìn)的OPTRAM(Fpv)模型與實(shí)測(cè)土壤水分的擬合精度大大提升。