土壤水分遙感產(chǎn)品降尺度方法研究

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(xué)建筑與測(cè)繪工程學(xué)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(jìn)行回歸分析，對(duì)其進(jìn)行降尺度處理獲得1km土壤濕度數(shù)據(jù)，同時(shí)對(duì)其進(jìn)行驗(yàn)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(guān)性。結(jié)果顯示，1km分辨率濕度數(shù)據(jù)與TVDI之間相關(guān)系數(shù)為0.91，而10km分辨率濕度數(shù)據(jù)與TVDI之間相關(guān)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?jǐn)?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(huì)影響地表溫度、植被指數(shù)等物理量，對(duì)研究植被水分脅迫進(jìn)行地區(qū)旱情監(jiān)測(cè)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(cè)采用建立觀測(cè)站點(diǎn)進(jìn)行實(shí)測(cè)，需要人員進(jìn)行實(shí)地測(cè)量，無(wú)法在需求時(shí)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(shí)空異質(zhì)性[3]，應(yīng)用上具有很大局限性。

近年來(lái)，遙感監(jiān)測(cè)土壤濕度主要分為光學(xué)遙感反演、被動(dòng)微波反演、主動(dòng)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(dòng)微波遙感空間分辨率高，但被動(dòng)微波遙感時(shí)間分辨率較高，對(duì)土壤濕度具有優(yōu)異的靈敏度，算法更加成熟，適合實(shí)現(xiàn)大區(qū)域范圍內(nèi)的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。實(shí)際應(yīng)用中被動(dòng)微波遙感由于空間分辨率低導(dǎo)致其不能完成現(xiàn)實(shí)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(shí)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(dòng)微波遙感或者光學(xué)數(shù)據(jù)分別與被動(dòng)微波遙感數(shù)據(jù)相結(jié)合的兩種方式。因?yàn)橹鲃?dòng)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(shí)較為復(fù)雜，遙感觀測(cè)中其具有多尺度、多時(shí)空分辨率的特點(diǎn)，所以通過定量遙感獲取的遙感產(chǎn)品，會(huì)產(chǎn)生多尺度現(xiàn)象。通過對(duì)一個(gè)尺度的數(shù)據(jù)進(jìn)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(dòng)微波遙感與光學(xué)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(jìn)行多元回歸分析，獲取回歸公式，進(jìn)而獲取2013年7月12日1km土壤濕度數(shù)據(jù)。并對(duì)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(jìn)行相關(guān)分析，同時(shí)將原始數(shù)據(jù)10km分辨率的濕度數(shù)據(jù)與相對(duì)應(yīng)的10km分辨率TVDI進(jìn)行相關(guān)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(guó)大陸東部沿海中心，全境邊界3 000km，面積10.72萬(wàn) km2，其平原面積超過7萬(wàn) km2。江蘇全境70%都屬于平原，耕地面積2013年接近7 000萬(wàn)畝，沿海灘涂超過1 000萬(wàn)畝，在全國(guó)各省中位居前列。因此，高分辨率土壤濕度產(chǎn)品對(duì)于江蘇省災(zāi)害監(jiān)測(cè)預(yù)防以及農(nóng)業(yè)發(fā)展具有重要的經(jīng)濟(jì)意義和科學(xué)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(dòng)微波輻射計(jì)AMSR2，是AMSR-E輻射計(jì)的新一代產(chǎn)品。10km空間分辨率的AMSR2全球升軌3級(jí)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(cè)微波極化差指數(shù)間的差值為目標(biāo)函數(shù)，可同時(shí)對(duì)土壤濕度與植被含水量進(jìn)行反演[8]。

3.2.2 MODIS相關(guān)數(shù)據(jù)與產(chǎn)品

本文使用的MODIS數(shù)據(jù)來(lái)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(zhǎng)中期或中等覆蓋度的觀測(cè)[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(jìn)行的相關(guān)實(shí)驗(yàn)顯示土壤濕度與 NDVI、LST、亮溫之間具有一種特殊的關(guān)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(guān)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(guān)關(guān)系。因此，要獲取1km的高分辨率土壤濕度數(shù)據(jù)，需要對(duì)10km分辨率的三個(gè)地表參數(shù)進(jìn)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(gè)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(jì)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(biāo)。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(yīng)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(jìn)而求出TVDI值[11]。通過TVDI值，可以評(píng)估其與土壤濕度之間的相關(guān)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(duì)土壤濕度與兩個(gè)參數(shù)進(jìn)行回歸分析，其方程為SM＝a×NDVI＋b×LST＋c。 在 10km 分辨率下，對(duì)方程進(jìn)行回歸分析，方程相關(guān)系數(shù)為0.384。通過了顯著性水平為0.01的檢驗(yàn)，方程公式為：

將1km分辨率LST，NDVI代入公式(2)進(jìn)行計(jì)算，得到1km分辨率土壤濕度，如圖2。

圖2 濕度分布圖(1km)

實(shí)驗(yàn)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(lái)。為了評(píng)價(jià)降尺度后1km分辨率土壤濕度的波動(dòng)性以及像元變化趨勢(shì)，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(gè)像元的DN值表示為該像元在高空間分辨上對(duì)應(yīng)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(gè)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(jìn)行相關(guān)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(guān)系數(shù)為0.384。從定性的角度觀察，土壤濕度高低趨勢(shì)能夠很好地對(duì)應(yīng)相應(yīng)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(shì)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(xì)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(yàn)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(jìn)行重采樣對(duì)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(yīng)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(fù)相關(guān)關(guān)系，可以通過求得其相關(guān)系數(shù)，以及分析像元值增減趨勢(shì)來(lái)驗(yàn)證這一關(guān)系。雖然TVDI與土壤濕度之間不一定就是線性關(guān)系，但TVDI在某種程度上反映了土壤濕度變化的趨勢(shì)。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(shì)。實(shí)驗(yàn)結(jié)果為1km分辨率濕度數(shù)據(jù)與TVDI之間相關(guān)性高達(dá)0.91，10km分辨率土壤濕度數(shù)據(jù)與TVDI之間相關(guān)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(guān)性。而10km分辨率數(shù)據(jù)相關(guān)性明顯低于1km分辨率，說(shuō)明像元內(nèi)均值會(huì)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(yǔ)與展望

實(shí)驗(yàn)結(jié)果證明了土壤濕度、地表溫度、植被指數(shù)之間的相關(guān)關(guān)系，同時(shí)通過精度驗(yàn)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(duì)干旱監(jiān)測(cè)提供有力支持，能夠準(zhǔn)確判讀土壤濕度分布區(qū)域以及預(yù)警程度，為糧食安全提供了保障。同時(shí)，MODIS數(shù)據(jù)的普及性、經(jīng)濟(jì)性以及高時(shí)間分辨率保證了研究數(shù)據(jù)來(lái)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(shí)間分辨率的匹配，如果能夠同時(shí)保證空間分辨率與時(shí)間分辨率的一致，可以進(jìn)一步提高數(shù)據(jù)準(zhǔn)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(jìn)行合成才能保證與16天的時(shí)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(shí)方法簡(jiǎn)單，利用參數(shù)較少，數(shù)據(jù)完全免費(fèi)，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(yīng)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(cè)繪與空間地理信息，2015，38(2):30-34.

[2]王安琪.大尺度被動(dòng)微波輻射計(jì)土壤水分降尺度方法研究[D].北京:首都師范大學(xué)，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(shù)與應(yīng)用，2011，26(5):590-597.

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

[5]婁利嬌.被動(dòng)微波遙感土壤濕度數(shù)據(jù)降尺度研究[D].長(zhǎng)春:中國(guó)科學(xué)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(mèng)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(zhǎng)春:東北師范大學(xué)，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(shù)與應(yīng)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(guān)系的提出與降尺度算法的推廣[J].光譜學(xué)與光譜分析，2013，33(3):623-627.

責(zé)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(cè)繪工程。