ADI土壤水分反演方法

高中靈，王建華，鄭小坡，孫越君，秦其明,3*

1.北京大學遙感與地理信息系統(tǒng)研究所，北京 100871 2.中國交通通信信息中心，北京 100011 3.地理信息基礎軟件與應用國家測繪信息局工程技術研究中心，北京 100871

ADI土壤水分反演方法

高中靈1,2，王建華1，鄭小坡1，孫越君1，秦其明1,3*

1.北京大學遙感與地理信息系統(tǒng)研究所，北京 100871 2.中國交通通信信息中心，北京 100011 3.地理信息基礎軟件與應用國家測繪信息局工程技術研究中心，北京 100871

土壤水分是影響植被、土壤和大氣之間能量和水分循環(huán)的重要因素，及時準確獲取土壤濕度信息有利于提高作物估產精度和改善田間管理措施。本文基于紅光與近紅外光譜特征空間(NIR-RED)發(fā)展了一種新型土壤水分遙感監(jiān)測模型ADI(angle dryness index)，提高了可見光與近紅外波段監(jiān)測土壤水分的精度。經(jīng)過研究表明，在紅光與近紅外(NIR-RED)特征空間中，存在一個中間角度變量θ，利用光譜反射率與土壤水分之間的經(jīng)驗關系式模型以及混合像元分解公式證明該變量能夠表征土壤濕度情況，而不受植被覆蓋度的影響，因此利用該原理構建了ADI方法。最后利用兩組遙感數(shù)據(jù)(分別為TM5與MODIS產品數(shù)據(jù))以及對應的地面觀測數(shù)據(jù)進行驗證，結果表明計算值與實測值均具有較高的一致性，R2分別達到0.74與0.64。同時，將MPDI的計算結果與實測值進行了比較，兩組數(shù)據(jù)的R2均小于0.60，表明ADI方法的計算精度高于MPDI。在MPDI的計算過程中用到了植被覆蓋度，這可能是引起計算結果誤差的主要因素。此外，MPDI的計算結果表征土壤濕度的相對值，而ADI則能定量的獲取土壤水分含量。MODIS像元除了具有植被與土壤兩個端元，還有其他類型端元的概率高于TM數(shù)據(jù)，因而MODIS數(shù)據(jù)的計算精度低于TM。因此，ADI是一種簡單可行且具有較大應用前景的土壤水分反演方法，適合于推廣應用。

土壤濕度； NIR-RED特征空間； ADI

引 言

土壤水分是影響植被、土壤和大氣之間能量與水分流動的重要因素，及時準確獲取土壤濕度信息有利于提高作物估產精度和改善田間管理措施。利用遙感技術監(jiān)測土壤水分具有重要的實際應用價值，發(fā)展符合客觀、實時、動態(tài)特征的土壤水分反演方法具有重要的實際意義[1]。

20世紀60年代，國外學者就已開展了土壤光譜特征變化研究。目前已經(jīng)實現(xiàn)了利用可見光、近紅外、短波紅外、熱紅外以及微波等多譜段遙感數(shù)據(jù)進行土壤水分監(jiān)測。其中，基于可見光與近紅外波段反射率光譜變化特征的系列方法出現(xiàn)較早且可操作性較強。歸一化植被指數(shù)(normalized difference vegetation index，NDVI)表達為近紅外與紅光波段反射率之差與兩者之和的比值，是應用最為廣泛的植被指數(shù)之一，能夠反映農業(yè)干旱的面積和程度[2]，并且利用NDVI發(fā)展了多種干旱遙感監(jiān)測模型，包括距平植被指數(shù)(anomaly vegetation index, AVI)[3]、植被狀態(tài)指數(shù)(vegetation condition index，VCI)[4]，以及溫度植被指數(shù)(temperature vegetation dryness index，TVDI)[5-6]等。其中，TVDI需要結合地表溫度參數(shù)進行農業(yè)干旱監(jiān)測。距平植被指數(shù)操作方法簡單，適用于大尺度范圍的干旱監(jiān)測，能夠反映氣候變化特征，但是需要多年連續(xù)時間序列的有效NDVI資料，所需數(shù)據(jù)量較大，而且在對干旱定量化方面存在一定的局限。植被狀態(tài)指數(shù)需要長時間序列的NDVI資料，干旱監(jiān)測的效果受到地表覆蓋類型年際變化影響，只有植被覆蓋類型不變、能代表正常年份NDVI的資料參與運算，并且植被狀態(tài)指數(shù)僅僅考慮了干旱的影響，不能排除其他自然災害以及人為活動等的作用結果。

針對基于紅光與近紅外波段反射率土壤水分遙感監(jiān)測方法存在的問題，在研究NIR-RED光譜特征空間基礎上，發(fā)現(xiàn)了與土壤水分密切相關但獨立于植被覆蓋度的中間角度變量θ，并在此基礎上，構建了新型土壤水分反演模型ADI，提高了土壤水分監(jiān)測精度。

1 研究區(qū)與數(shù)據(jù)

利用兩組數(shù)據(jù)對新型土壤水分遙感反演模型ADI進行驗證，分別為北京區(qū)域獲取的TM5遙感影像，以及陜西省關中地區(qū)獲取的MODIS數(shù)據(jù)。TM5數(shù)據(jù)需要進行大氣校正，采用精度較高的大氣輻射傳輸模型MODTRAN，而MODIS數(shù)據(jù)則直接獲得相應的產品數(shù)據(jù)MOD09GA與MOD09A1，均從NASA EOS數(shù)據(jù)中心(http://ladsweb.nascom.nasa.gov/data/)下載。針對獲取的遙感數(shù)據(jù)分別開展了地面觀測實驗，地面觀測項目均包括土壤含水量，土壤反射率，冠層反射率等。其中，土壤水分含量數(shù)據(jù)利用土壤水分速測儀TDR300采集，TDR 300是一款便攜性土壤水分速測儀，可通過選配不同長度的測量探頭來測量不同深度的土壤水分。實驗中采用20 cm的探針，在每個點位測量5個數(shù)值，然后取平均作為該點的土壤濕度值，光譜數(shù)據(jù)采用ASD2500測量。

2 理論與方法

綠色植被在紅光波段具有較強的吸收特性，而在近紅外波段具有較強的反射特性，而裸露土壤在紅光與近紅外波段反射率均隨著土壤水分含量的增加而降低。Ghulam利用紅光與近紅外波段反射率在NIR-RED光譜特征空間的分布規(guī)律，發(fā)展了垂直干旱指數(shù)PDI與MPDI干旱指數(shù)用于監(jiān)測土壤濕度[7-8]。圖1為NIR-RED光譜特征空間示意圖，O表示植被覆蓋度最高，生物量最大的點，Lsoil-line表示土壤線，像元Pi到土壤線的距離PiE定義為垂直植被指數(shù)PVI[9]，PVI越大表示植被覆蓋度與生物量等參數(shù)越大。L為過原點且垂直于土壤線的直線，像元Pi到直線L的距離定義為PDI，表達式如式(1)所示，PDI越大土壤含水量越低。

圖1 NIR-RED光譜特征空間示意圖

(1)

其中，Rred與Rnir分別為紅光與近紅外波段反射率，K表示土壤線斜率。但是PDI只適用于裸土或低植被覆蓋區(qū)域，不適用于高植被覆蓋區(qū)域土壤水分監(jiān)測，因而改進了PDI，發(fā)展了MPDI，計算公式如式(2)所示。

(2)

其中，Rred-s與Rnir-s表示裸露土壤紅光與近紅外波段反射率。假定混合像元只包含植被與土壤兩個端元，那么根據(jù)混合像元線性分解公式，紅光與近紅外波段反射率分別可用如式(3)和式(4)表達。

Rred=Rred-v×fv+(1-fv)×Rred-s

(3)

Rnir=Rnir-v×fv+(1-fv)×Rnir-s

(4)

其中，Rred-v表示植被紅光波段反射率，Rnir-v表示植被近紅外波段反射率，fv表示植被覆蓋度。綜合式(2)—式(4)，MPDI可以表達為如式(5)。本文植被覆蓋度的計算采用式(6)[10]。

(5)

(6)

其中，NDVImax與 NDVImin表示研究區(qū)最大與最小NDVI值。在植被覆蓋區(qū)域MPDI的監(jiān)測精度高于PDI，但是MPDI的計算結果仍然是土壤濕度相對值。前人研究結果表明，土壤紅光或近紅外波段光譜反射率與土壤濕度之間呈指數(shù)關系[11]，表達式如式(7)和式(8)所示。

Rred-s=a1×exp(a2×SMC)

(7)

Rnir-s=b1×exp(b2×SMC)

(8)

其中，a1,a2,b1與b2為擬合系數(shù)。在NIR-RED光譜特征空間中，直線OPi的斜率(kv)的計算式見式(9)。

(9)

其中，Rred-o與Rnir-o分別為特征空間頂點O的紅光與近紅外波段反射率。綜合式(3)，式(4)，式(7)，式(8)，式(9)，kv可以表示為式(10)

(10)

O點表示植被覆蓋度最高，生物量最大的像元，因此可以認為該點為純植被像元，那么O點的紅光與近紅外波段反射率分別等于植被紅光與近紅外波段反射率，即Rred-v=Rred-o，Rnir-v=Rnir-o，因此，kv可以簡化為式(11)

(11)

從式(11)可以看出，SMC可以利用該公式計算得到，而且不受植被覆蓋度的影響。SMC與kv呈負相關性，kv為-∞至0區(qū)間的負值，為了便于計算和分析，將kv轉化為OPi與紅光反射率軸的夾角(θ)，計算公式如式(12)

θ=π+arctan(kv)

(12)

SMC與kv之間為非線性關系，采用牛頓迭代方法計算SMC。

3 驗證與討論

為了驗證ADI方法的準確性，本文利用兩組遙感數(shù)據(jù)對其進行測試，分別獲得兩個區(qū)域的土壤濕度分布情況，并將計算結果與實測土壤水分數(shù)據(jù)進行比對，結果顯示利用TM5與MOD09GA數(shù)據(jù)的R2分別為0.74與0.64，如圖2所示。

圖2 ADI驗證實驗

驗證結果表明基于ADI方法的計算結果與實測值具有較高的一致性，而且利用TM5遙感數(shù)據(jù)的準確性高于MOD09GA數(shù)據(jù)。用于生產MOD09GA的MODIS遙感影像空間分辨率較低，一個混合像元不僅只有植被與土壤兩個端元的可能性大于高分辨率遙感影像，這時混合像元線性分解式(3)與式(4)不再適用，進而導致土壤水分計算結果的誤差變大。

同時，將MPDI的計算結果與實測值進行了比較，兩組數(shù)據(jù)的R2均小于0.60，表明ADI方法的計算精度高于MPDI。在MPDI的計算過程中用到了植被覆蓋度，這可能是引起計算結果誤差的主要因素。此外，MPDI的計算結果表征土壤濕度的相對值，而ADI則能定量的獲取土壤水分含量。

最后，利用2013年DOY049與DOY081 MOD09A1產品數(shù)據(jù)，得到關中地區(qū)土壤水分空間分布情況，如圖3所示。計算結果顯示，關中地區(qū)東部土壤水分含量總體上均低于西部，這與該地區(qū)實際的氣候特征符合。關中地區(qū)東部季風性氣候明顯，出現(xiàn)干旱的頻率與程度高于西部。

圖3 渭河平原土壤水分空間分布圖

4 結 論

SMC在許多研究領域中都具有重要的應用，開展土壤水分遙感監(jiān)測具有重要的意義。針對多數(shù)土壤濕度遙感監(jiān)測模型受植被覆蓋度的影響較大的問題，利用與土壤濕度相關但獨立于植被覆蓋度的中間變量θ，發(fā)展了一種新型土壤土壤濕度計算方法ADI，消除了植被覆蓋度的影響，并利用兩組野外觀測數(shù)據(jù)對新方法進行了驗證，均具有較高的精度，表明該方法在植被覆蓋區(qū)域具有廣泛的應用前景。

ADI模型在假定混合像元只包括土壤與植被兩個端元的基礎上構建，但是對于地物破碎度比較大的區(qū)域，尤其對于空間分辨率比較低的遙感數(shù)據(jù)，一個混合像元可能會包括多個端元，利用混合像元線性分解公式[式(3)與式(4)]，將會引起計算結果的誤差，因此本研究團隊下一步將深入開展這方面的研究工作。

[1] YU Fan, ZHAO Ying-shi, LI Hai-tao(余 帆，趙英時，李海濤).J.Infrared Millim.Waves(紅外與毫米波學報)，2012，31(3)：283.

[2] Kogan F N.International Journal of Remote Sensing, 1990, 11：1405.

[3] Chen Weiying, Xiao Qiankun, Sheng Yongwei.Remote Sensing of Environment, 1994, 9: 106.

[4] Kogan F N.Bulletin of the American Meteorological Society, 1995, 76(5): 655.

[5] Sandholt I, Rasmussen K, Andersen J.Remote Sensing of Environment, 2002, 79: 213.

[6] Chen Jian, Wang Chunzhi, Jiang Hong, et al.International Journal of Remote Sensing, 2011, 32(4): 1165.

[7] Ghulam A, Qin Qiming, Zhan Zhiming.Environmental Geology, 2007, 52: 1045.

[8] Ghulam A, Qin Qiming, Tashpolat T.Journal of Photogrammetry and Remote Sensing, 2007, 62(2): 150.

[9] Richardson A J, Wiegand C L.Photogrammetric Engineering and Remote Sensing, 1977, 43(12)：1541.

[10] Baret F, Clevers J G P W, Steven M D.Remote Sensing of Environment, 1995, 54(3)：14.

[11] Muller E, Decamps H.Remote Sensing of Environment, 2000, 76：173.

*Corresponding author

(Received Mar.19, 2015; accepted Jul.8, 2015)

Soil Moisture Monitoring Based on Angle Dryness Index

GAO Zhong-ling1,2, WANG Jian-hua1, ZHENG Xiao-po1, SUN Yue-jun1, QIN Qi-ming1,3*

1.Institute of Remote Sensing and GIS, Peking University, Beijing 100871, 2.China Transport Telecommunications & Information Center, Beijing 100011, 3.Engineering and Technique Research Center of Geographic Information Fundamental Software and Application of NASMG (National Administration of Surveying, Mapping and Geoinformation of China), Beijing 100871, China

Soil moisture content (SMC) is one of the most important indicators influencing the exchange of energy and water among vegetation, soil, and the atmosphere.Accurate detection of soil moisture content is beneficial to improving the precision of crop yield evaluating and field management measures.In this paper, a novel method ADI (Angle Dryness Index) based on NIR-RED spectral feature space used for calculating SMC was proposed, which improved the accuracy of calculating SMC with red and near infrared band reflectance.It was found that an intermediate parameterθin NIR-RED feature space was significantly related to SMC, and independent of vegetation coverage according to the linear decomposition of mixed pixel and the empirical correlation between SMC and red/NIR band reflectance which were achieved by previous researches.Then, ADI was proposed with the feature discovered in the paper.The mathematical expression on SMC is nonlinear, and the newton iterative method is applied to ADI for calculation SMC.Then, the newly proposed method was validated with two kinds of remote sensing imagery data (Thematic Mapper (TM) and moderate resolution imaging spectrometer (MODIS)) and the synchronous observed data in the field.Validation results revealed that the ADI-derived SMC was highly accordant with the in-situ results with high correlation (R2=0.74 with TM andR2=0.64 with MODIS data).We also calculated MPDI (Modified Perpendicular Drought Index) developed by Ghulam, which is also proposed with the red and near infrared reflectance.The result showed that the accuracy of MPDI was lower than that of ADI.The most likely reason was that ADI was insensitive tofv, but the calculation errors offvwould reduce the accuracy of SMC estimation.MODIS had a low spatial resolution, thus there may be more than two end members in a mixed pixel.In this case, the linear decomposition of mixed pixel was not applicable and the errors would finally be enlarged.ADI achieved good results in monitoring SMC in vegetated area because it was less influenced by vegetation coverage than other similar approaches.ADI only requires the satellite image data including the red and near infrared band which are available from most of the optical sensors.Therefore, it is an effective and promising method for monitoring SMC in vegetated area, and would be widely used in agriculture, meteorology, and hydrology.

Soil moisture content; Red-NIR spectral space; Angle dryness index (ADI)

2015-03-19，

2015-07-08

中國博士后科學基金項目(2014M550550)，國家自然科學基金重點項目(41230747)資助

高中靈，女，1980年生，北京大學遙感與地理信息系統(tǒng)研究所博士后 e-mail: gzhongling@126.com *通訊聯(lián)系人 e-mail：qmqinpku@163.com

S152.7

A

10.3964/j.issn.1000-0593(2016)05-1378-04