基于綜合干旱指數(shù)的淮河流域土壤含水量反演

張 文， 任 燕， 馬曉琳， 胡藝杰

(1.武漢大學(xué)遙感信息工程學(xué)院，武漢 430079； 2.國家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作河南中心，鄭州450046； 3.河南省白沙水庫管理局，禹州 461670； 4.華北水利水電大學(xué)資源與環(huán)境學(xué)院，鄭州 450045)

0 引言

陸表土壤水不僅是旱情監(jiān)測(cè)的重要指標(biāo)，還是氣候、水文、生態(tài)、農(nóng)業(yè)等領(lǐng)域的重要參數(shù)，也是全球氣候變化的重要組成部分[1]。傳統(tǒng)測(cè)量方法只能采集到點(diǎn)和小范圍的墑情信息[2]，而遙感技術(shù)的發(fā)展為獲取大范圍地表土壤水分提供了有效手段。遙感的主要特點(diǎn)是探測(cè)范圍廣、速度快、周期短、受地面條件限制少，能夠頻繁持久地提供地表的信息[3]。因此，利用遙感技術(shù)來進(jìn)行大區(qū)域的土壤水分信息提取具有極其廣闊的應(yīng)用前景。

從20世紀(jì)60年代開始，遙感技術(shù)已經(jīng)開始應(yīng)用到土壤水分監(jiān)測(cè)中，歷年來，國內(nèi)外科研工作者提出過許多模型和方法。1969年，Jordan[4]提出了最早的一種植被指數(shù)，比值植被指數(shù)(ratio vegetation index，RVI)； 1977年，Kahle[5]得到第一個(gè)遙感熱慣量影像; Price給出了用遙感數(shù)據(jù)計(jì)算熱慣量的一般方法[6]，并于1985年提出了表觀熱慣量(apparent thermal inertia，ATI)模型[7]； Jackson等[8]綜合分析研究土壤水分、葉片溫度和植被指數(shù)相互之間關(guān)系,于1981年提出了作物缺水指數(shù)法(crop water stress index，CWSI)； Carlson等[9]于1994年提出了綜合考慮植被指數(shù)和植被冠層溫度的植被供水指數(shù)(vegetation supply water index，VSWI)； 2002年，Sandholt等[10]運(yùn)用陸地表面溫度(land surface temperature，LST)與歸一化植被指數(shù)(normalized differential vegetation index，NDVI)，建立了NDVI-Ts特征空間，并提出了溫度植被干旱指數(shù)(temperature vegetation dryness index，TVDI)。各種干旱指數(shù)都有其優(yōu)缺點(diǎn)與不同的適用范圍，綜合多種干旱指數(shù)對(duì)土壤水分進(jìn)行反演會(huì)得到更可靠的效果。因ATI模型與VSWI模型計(jì)算簡便，效果良好，本文選取這2種模型進(jìn)行實(shí)驗(yàn)。已有研究表明ATI模型只適用于低植被覆蓋區(qū)域[11]，而VSWI模型在作物覆蓋度較高時(shí)比較有效[9]，本文通過NDVI來區(qū)分地表植被覆蓋度，結(jié)合ATI與VSWI模型，建立綜合干旱指數(shù)(comprehensive drought index，CDI)模型，進(jìn)行土壤水分的初步反演。

但是僅利用遙感數(shù)據(jù)來監(jiān)測(cè)土壤水分也有不足，因?yàn)槔蒙鲜瞿Ｐ突谶b感影像提取到的土壤水分信息都只能反映土壤的相對(duì)干濕情況，并不是真實(shí)的土壤含水量值，對(duì)土壤含水量的定量分析和使用有較大的限制。因此，本研究引入實(shí)測(cè)的土壤含水量數(shù)據(jù)，探究CDI結(jié)果與實(shí)測(cè)土壤含水量之間的相關(guān)關(guān)系，選出一種最佳的相關(guān)模型，則可利用該模型把CDI結(jié)果轉(zhuǎn)化為真實(shí)的土壤含水量數(shù)據(jù)，以期提高大區(qū)域的陸表土壤含水量監(jiān)測(cè)效率，便于土壤水分產(chǎn)品的業(yè)務(wù)化生產(chǎn)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

淮河流域地處我國東部，介于長江和黃河2流域之間，位于E111°55′～121°25′，N30°55′～36°36′，面積約27萬km2(圖1)?；春恿饔蛭鞑俊⑽髂喜考皷|北部為山區(qū)、丘陵區(qū)，其余為廣闊的平原[12]。平原面積約占總面積的2/3，在我國農(nóng)業(yè)生產(chǎn)中占有重要地位。

圖1 研究區(qū)及實(shí)測(cè)站點(diǎn)示意圖

淮河流域地處我國南北氣候過渡帶，冬春干旱少雨，夏秋悶熱多雨，冷暖和旱澇轉(zhuǎn)變急劇，多年平均降水量約為920 mm，由南向北遞減，山區(qū)多于平原，沿海大于內(nèi)陸，旱澇時(shí)有發(fā)生。因此，對(duì)淮河流域進(jìn)行業(yè)務(wù)化的土壤含水量監(jiān)測(cè)具有極大的價(jià)值。因其流域面積大，地貌特征復(fù)雜，利用MODIS影像選取ATI和VSWI模型進(jìn)行綜合研究，是一種有效可行的方法。

1.2 數(shù)據(jù)源

1.2.1 MODIS數(shù)據(jù)

MODIS數(shù)據(jù)是美國國家航空航天局(National Aeronautics and Space Administration,NASA)對(duì)地觀測(cè)系統(tǒng)系列遙感衛(wèi)星平臺(tái)上的主要傳感器，它具有36個(gè)光譜通道，每1～2 d可以獲取一次全球地表數(shù)據(jù)[13]。因其波段范圍廣，數(shù)據(jù)更新頻率快，在全球范圍免費(fèi)接收等優(yōu)點(diǎn)，本實(shí)驗(yàn)選用MODIS數(shù)據(jù)為主要數(shù)據(jù)源[14]。

選取空間分辨率為1 000 m的MODIS 1B產(chǎn)品數(shù)據(jù)，即MOD021KM, 以及其對(duì)應(yīng)的地理定位文件，即MOD03。使用ENVI+IDL進(jìn)行編程，完成數(shù)據(jù)預(yù)處理和相關(guān)指數(shù)的計(jì)算。

1.2.2 實(shí)測(cè)數(shù)據(jù)

地面實(shí)測(cè)土壤含水量數(shù)據(jù)來自中國水利部數(shù)據(jù)中心，其墑情數(shù)據(jù)主要由水利部門的土壤墑情監(jiān)測(cè)站提供。墑情監(jiān)測(cè)站點(diǎn)以縣為單元，根據(jù)氣候類型、地形地貌、作物布局、灌排條件和土壤類型等因素，設(shè)置在區(qū)域范圍內(nèi)代表性較強(qiáng)的地塊。墑情采集方法主要為固定監(jiān)測(cè)法，即埋設(shè)固定式自動(dòng)監(jiān)測(cè)設(shè)備，傳感器分別埋入土層深度10 cm，20 cm和40 cm處，按0～10 cm，10～20 cm和20～40 cm共3個(gè)層次監(jiān)測(cè)土壤含水量，并于每月的1日、11日和21日各觀測(cè)一次。

淮河流域耕地面積為1 333 hm2，農(nóng)作物以冬小麥、水稻、棉花和油菜等為主。每年的5月上中旬是冬小麥的抽穗揚(yáng)花期，5月中下旬為灌漿乳熟期，5月底到6月上旬為收割期，因此5月份是冬小麥生長需水的最關(guān)鍵時(shí)期，一旦出現(xiàn)旱情，則會(huì)抑制子粒灌漿及干物質(zhì)向子粒的運(yùn)輸與積累，從而直接影響到小麥單產(chǎn)水平。故本文選取了2014年5月1日、11日、21日和6月1日4天作為實(shí)驗(yàn)日。其中5月1日、11日屬于小麥生長的中后期，葉面基本覆蓋農(nóng)田； 5月21日和6月1日屬于小麥成熟期，部分地區(qū)小麥開始收割，地表覆蓋情況不一。

2 研究方法

2.1 干旱指數(shù)模型選擇

目前利用衛(wèi)星影像反演土壤水分的方法己經(jīng)有很多，例如ATI、距平植被指數(shù)、CWSI、條件溫度植被指數(shù)(vegetation-temperature condition index,VTCI)、VSWI等。現(xiàn)將使用比較廣泛的幾種方法進(jìn)行介紹與分析。

2.1.1 ATI模型

土壤熱慣量隨土壤含水量的變化而變化，因此可建立土壤熱慣量模型來監(jiān)測(cè)土壤含水量。Price[7]提出的ATI是在熱慣量定義的基礎(chǔ)上，不考慮太陽高度角和緯度等因素，其形式為

ATI=(1-A)/(Tmax-Tmin)，

(1)

式中：ATI為表觀熱慣量；A為全波段反照率，可由 MODIS數(shù)據(jù) 1和2 通道的反射率得到；Tmax和Tmin分別為一天中最高和最低溫度，可分別由MODIS數(shù)據(jù) 31 通道的地表溫度得到。ATI值越高，表示土壤含水量越大，反之亦然。ATI模型參數(shù)都可從遙感影像中獲取，且計(jì)算簡便，但僅適用于低植被覆蓋區(qū)域[10]。

2.1.2 CWSI模型

CWSI以能量平衡為基礎(chǔ)，是最常用的植被蒸散法之一，定義為[15]

CWSI=1-ET/ETp，

(2)

式中：CWSI為作物缺水指數(shù)；ET為水分的日蒸散量；ETp為在水分供應(yīng)充分條件下的日潛在蒸散量。ET值越小，CWSI值越大，土壤的含水量也越少，反之亦然。但是ET與ETp值不能夠從遙感影像上直接獲取，需要大量的地面實(shí)測(cè)資料，應(yīng)用起來也比較困難。

2.1.3 VTCI模型

在NDVI-Ts構(gòu)成三角形空間的基礎(chǔ)上，王鵬新等[16]提出了VTCI模型 ，其計(jì)算公式為

(3)

式中：VTCI為條件植被溫度指數(shù)；LSTNDVIi,max和LSTNDVIi,min分別為研究區(qū)域內(nèi)具有相同NDVI值的像元的最高溫度和最低溫度;LSTNDVImax為NDVI最大值相應(yīng)像元的溫度；LSTNDVIi為NDVI值為NDVIi的相應(yīng)像元的溫度。VTCI的值越小代表土壤含水量越低，反之亦然。該模型對(duì)大區(qū)域的旱情監(jiān)測(cè)效果較好，但計(jì)算比較復(fù)雜。

2.1.4 VSWI模型

VSWI是通過計(jì)算NDVI和植物冠層溫度的比值得到的，其公式為[17]

VSWI=NDVI/T，

(4)

式中：VSWI為植被供水指數(shù)；T為植被的冠層溫度。VSWI值越大，表明土壤含水量越大； VSWI值越小則代表土壤含水量越小。但VSWI值是根據(jù)植被覆蓋狀況的變化來進(jìn)行反演的，所以不適用于低植被覆蓋地區(qū)[18]。

2.2 建立綜合干旱指數(shù)模型

淮河流域面積大，地貌特征復(fù)雜，僅用一種干旱指數(shù)無法滿足監(jiān)測(cè)復(fù)雜地表土壤含水量的需求。通過2.1節(jié)對(duì)各干旱指數(shù)模型的優(yōu)缺點(diǎn)與適用性特征的分析，可知ATI與VSWI模型效果良好且計(jì)算簡便，但ATI模型比較適用于低植被覆蓋地區(qū)和裸土區(qū)域，而VSWI模型適用于植被覆蓋度較高的地區(qū)，所以本文結(jié)合這2種模型來建立一種新的干旱指數(shù)模型——CDI模型。

建立CDI模型需要對(duì)植被覆蓋情況進(jìn)行分類，而NDVI反映了植被覆蓋情況，故本文利用NDVI設(shè)置閾值來區(qū)分植被覆蓋類型，以便合理使用適合不同覆蓋類型的指數(shù)來反演土壤水分，以提高整個(gè)區(qū)域土壤水分反演精度。已有實(shí)驗(yàn)證明，在NDVI>0.3的情況下VSWI非常有效[19]，而在NDVI<0.35的情況下ATI非常有效[20]，因此本研究閾值選為0.33。

由于ATI和VSWI的取值范圍不在同一個(gè)尺度上，因此在綜合使用這2種模型之前，需要把它們歸一化到同一個(gè)區(qū)間范圍內(nèi)，以便最終建立CDI，其公式為

(5)

式中：CDIi為在任意像元點(diǎn)i的綜合干旱指數(shù)；ATIi為任意像元點(diǎn)i的表觀熱慣量；VSWIi為任意像元點(diǎn)i的植被供水指數(shù)；ATImax和ATImin分別為表觀熱慣量的最大值和最小值；VSWImax和VSWImin分別為植被供水指數(shù)的最大值和最小值。

2.3 基于實(shí)測(cè)數(shù)據(jù)建立相關(guān)模型

根據(jù)2.2節(jié)所述的原理與公式，利用ENVI+IDL編程可以得到每個(gè)實(shí)驗(yàn)日的CDI結(jié)果。但CDI的結(jié)果是個(gè)無量綱常數(shù)，只能反映土壤相對(duì)的干濕情況，并不能代表土壤含水量的定量結(jié)果。為了得到CDI與實(shí)際土壤含水量之間的關(guān)系，需要在這2種數(shù)據(jù)上分別取樣點(diǎn)進(jìn)行分析，建立兩者之間的函數(shù)關(guān)系，分別用經(jīng)典的線性、指數(shù)和對(duì)數(shù)函數(shù)進(jìn)行擬合，根據(jù)精度選擇一個(gè)最佳的函數(shù)對(duì)應(yīng)關(guān)系。

實(shí)測(cè)站點(diǎn)分布如圖1所示，選擇2014年5月1日的數(shù)據(jù)進(jìn)行建模。因?yàn)镃DI值是遙感影像反演得到的，而理論上遙感只能穿透土壤表層，所以選用0～10 cm深度的實(shí)測(cè)數(shù)據(jù)來與CDI值進(jìn)行建模。根據(jù)2.2節(jié)所述，首先用ENVI編程計(jì)算得到5月1日的CDI結(jié)果； 然后用ArcGIS把實(shí)測(cè)點(diǎn)對(duì)應(yīng)的CDI值提取出來，去掉其中CDI值為空的數(shù)據(jù)，再去掉實(shí)測(cè)點(diǎn)為0或極端大的異常數(shù)據(jù)； 最后留下了81組樣點(diǎn)。這些樣點(diǎn)均勻分布在研究區(qū)域內(nèi)，基本上能代表整個(gè)研究區(qū)域的情況。

常見的用于統(tǒng)計(jì)建模的數(shù)學(xué)模型有3種： 線性模型、對(duì)數(shù)模型和指數(shù)模型。為了建立選擇的81組數(shù)據(jù)之間的函數(shù)關(guān)系，分別用這3種模型進(jìn)行擬合，然后通過比較其精度來選擇最優(yōu)模型。相同的置信度下，用于判定擬合優(yōu)度的指標(biāo)相關(guān)系數(shù)R2越大越好。通過實(shí)驗(yàn)，3種模型結(jié)果如圖2所示。由圖可知選取線性模型函數(shù)進(jìn)行擬合時(shí)，R2值最高。于是擬建立線性回歸關(guān)系，進(jìn)一步做置信度分析，結(jié)果如表1所示。

(a) 線性關(guān)系 (b) 對(duì)數(shù)關(guān)系 (c) 指數(shù)關(guān)系

圖2 擬合關(guān)系對(duì)比Fig.2 Comparison of fitting relationships表1 淮河流域土壤含水量與CDI值之間的線性統(tǒng)計(jì)關(guān)系Tab.1 Linear statistical relationship between measured soilmoisture and CDI value in Huaihe River Basin

綜上，得到了把CDI轉(zhuǎn)換為真實(shí)土壤含水量值的模型,即

SM=0.265 6CDI+0.048 6，

(6)

式中SM為土壤含水量。

對(duì)該模型的可靠性進(jìn)行檢驗(yàn)，顯著水平取α=0.01，R=0.87>0.283=Rn-2，α，檢驗(yàn)通過。F=434.67>7.08=F1-α(1，n-2)，檢驗(yàn)通過。SignificanceF是在顯著性水平下的Fα臨界值，等于P值，故本例中，P=7.43e-34<0.001，故置信度達(dá)到99.9%以上。因此可以使用該線性模型把淮河流域的CDI結(jié)果轉(zhuǎn)化為實(shí)際土壤含水量。

3 結(jié)果與分析

3.1 土壤含水量反演結(jié)果

如上述方法，利用MODIS影像計(jì)算出CDI指數(shù)后，根據(jù)線性模型式(6)，反演出2014年5月11日、21日和6月1日3 d的淮河流域土壤含水量結(jié)果，如圖3所示。

(a) 5月11日 (b) 5月21日 (c)6月1日

圖3淮河流域土壤含水量分布

Fig.3DistributionofsoilmoistureinHuaiheRiverBasin

由圖3可見，土壤含水量分布大致趨勢(shì)為南部地區(qū)略大于北部地區(qū)，東部地區(qū)略大于西部地區(qū)。江蘇省土壤含水量普遍較其他區(qū)域略高，可能與靠近海洋空氣濕潤有關(guān)。而河南和安徽等地區(qū)土壤含水量則相對(duì)略低，這主要是因?yàn)槿A北地區(qū)蒸發(fā)較強(qiáng)，夏季風(fēng)弱，地下水位低。初步判斷土壤含水量反演結(jié)果比較合理。整體看淮河流域土壤含水量大多在0.1～0.3 m3/m3之間，5月11日整體相對(duì)較高，5月21日整體相對(duì)較低。且5月11日土壤含水量分布不均勻，浮動(dòng)較大，土壤含水量高與低的區(qū)域過度較不平緩。

3.2 精度驗(yàn)證及分析

為了驗(yàn)證本文提出的反演模型的可靠性，結(jié)合地面實(shí)測(cè)土壤含水量數(shù)據(jù)，對(duì)反演得到的土壤含水量結(jié)果進(jìn)行精度驗(yàn)證。實(shí)測(cè)數(shù)據(jù)點(diǎn)去除數(shù)據(jù)為 0 和異常大值的記錄，最終每個(gè)實(shí)驗(yàn)日選擇了90個(gè)左右質(zhì)量比較好的數(shù)據(jù)點(diǎn)。

圖4為實(shí)測(cè)0～10 cm、10～20 cm深度土壤含水量與反演土壤含水量的對(duì)比?？煽闯龇囱莸耐寥篮颗c實(shí)測(cè)土壤含水量無論是從絕對(duì)值還是變化趨勢(shì)上都大體一致，特別是0～10 cm深度土壤含水量與反演結(jié)果相似度很高，只是反演值比實(shí)測(cè)值略偏低。0～20 cm深度的土壤含水量也與反演結(jié)果比較相關(guān)，但是相較而言相關(guān)性不如0～10 cm深度數(shù)據(jù)。這主要是由于遙感監(jiān)測(cè)穿透土壤深度有限，所以反演結(jié)果與淺層土壤含水量的相關(guān)性更好。可以看出3個(gè)實(shí)驗(yàn)日中2014年5月21日土壤含水量較低，大致在0.1～0.2 m3/m3之間，在圖3(b)上也有表現(xiàn)，其他實(shí)驗(yàn)日土壤含水量均在0.2 m3/m3左右浮動(dòng)。

(a) 5月11日 (b) 5月21日 (c) 6月1日

圖4淮河流域?qū)崪y(cè)土壤含水量與反演土壤含水量對(duì)比

Fig.4ComparisonofmeasuredsoilmoistureandestimatedsoilmoistureinHuaiheRiverBasin

具體精度需要進(jìn)行誤差統(tǒng)計(jì)分析，定義地面觀測(cè)土壤含水量為X，反演的土壤含水量為X0，N為參與比較的總樣本數(shù)。通過對(duì)比分析，統(tǒng)計(jì)出最大誤差(MaxE)、絕對(duì)誤差(ABVR)和均方根誤差(RMSE)。

3個(gè)實(shí)驗(yàn)日的實(shí)測(cè)0～10 cm、10～20 cm土壤含水量數(shù)據(jù)與反演得到的土壤含水量數(shù)據(jù)的誤差分析如表2所示。

表2 實(shí)測(cè)土壤含水量與反演土壤含水量誤差分析Tab.2 Error analysis of measured soil moisturewith estimated soil moisture

根據(jù)表2中的數(shù)據(jù)可知，反演精度比較理想，特別是與0～10 cm深度土壤含水量相關(guān)性較好，平均RMSE為0.022 3。而反演結(jié)果與10～20 cm深度土壤含水量的相關(guān)性略差，因?yàn)檫b感只能穿透表層土壤，隨著土壤深度增加，遙感反演的精度會(huì)降低。反演結(jié)果與0～10 cm和10～20 cm深度的RMSE最小值都出現(xiàn)在5月21日，從圖3(b)和圖4(b)中可以看出，當(dāng)日土壤含水量在0.1～0.2m3/m3左右，相對(duì)較低。所以推斷在土壤水分較低的區(qū)域，該反演模型的結(jié)果相對(duì)更加精確。而5月11日RMSE較大，從圖3(a)和圖4(a)中可以看出該日土壤含水量相對(duì)較高且浮動(dòng)范圍比較大，特別是從圖3(a)可以看出土壤含水量高與低的區(qū)域過度不太平滑，可能是由于局部灌溉造成，在此種狀況下模型反演精度略有降低。

(a) 5月11日 (b) 5月21日 (c) 6月1日

圖50～10cm實(shí)測(cè)土壤含水量與反演土壤含水量相關(guān)性分析

Fig.5Correlationanalysisofmeasured0～10cmsoilmoistureandestimatedsoilmoisture

圖5為0～10 cm深度的實(shí)測(cè)站點(diǎn)土壤含水量與反演土壤含水量之間的線性回歸分析結(jié)果。因?yàn)樯衔慕Y(jié)果已經(jīng)證實(shí)，遙感反演的土壤含水量與0～10 cm深度的實(shí)際土壤含水量關(guān)系比較密切，所以在此著重分析反演結(jié)果與0～10 cm深度土壤含水量的關(guān)系。圖中紅線是擬合的直線，黑線是斜率為1的輔助線，理論上，紅線應(yīng)該與黑線重合。紅線在黑線下的部分說明反演的土壤含水量較實(shí)測(cè)值低估，紅線在黑線上的部分說明反演的土壤含水量較實(shí)測(cè)值高估。由圖5中的相關(guān)系數(shù)可以看出，3個(gè)實(shí)驗(yàn)日中，相關(guān)系數(shù)R2均在0.7左右，說明反演的土壤含水量結(jié)果是比較可靠的，可以用反演的土壤含水量來反應(yīng)實(shí)際的土壤含水量情況。

4 結(jié)論與展望

本文基于MODIS數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)，反演了淮河流域的土壤含水量。該反演方法具有以下優(yōu)點(diǎn)：

1)提出的CDI模型考慮了低植被覆蓋區(qū)與高植被覆蓋區(qū)的不同適用性特點(diǎn)，綜合ATI和VSWI這2種模型來進(jìn)行研究。CDI模型可適用于復(fù)雜的植被覆蓋區(qū)域，相較使用單一的反演模型，反演精度將大大提高。

2)建立的CDI與實(shí)測(cè)土壤含水量轉(zhuǎn)換模型，可對(duì)遙感反演的無量綱結(jié)果進(jìn)行轉(zhuǎn)換，從而得到真實(shí)的土壤含水量值。這對(duì)于土壤含水量的定量監(jiān)測(cè)與分析有較大的意義。

經(jīng)過精度驗(yàn)證，反演的土壤含水量與0～10 cm和10～20 cm深度土壤含水量的平均均方根誤差分別為0.022 3和0.036 0，特別是與0～10 cm深度數(shù)據(jù)的相關(guān)性較高，R2在0.7左右，精度較好，可滿足日常業(yè)務(wù)化監(jiān)測(cè)需要，且簡便快捷，具有較大的應(yīng)用潛力。

本次實(shí)驗(yàn)中也存在一些誤差，在2.3節(jié)建立相關(guān)模型時(shí)，選取的是2014年5月1日的樣本數(shù)據(jù)，樣本所選取的日期不同，可能會(huì)對(duì)數(shù)據(jù)的相關(guān)性結(jié)果產(chǎn)生影響，這也會(huì)對(duì)反演的精度造成影響。將來可考慮進(jìn)行更多后續(xù)實(shí)驗(yàn)，以求獲得具有更高精度、更高效率的土壤含水量成熟產(chǎn)品。

參考文獻(xiàn)(References)：

[1] Chen C F,Son N T,Chang L Y,et al.Monitoring of soil moisture variability in relation to rice cropping systems in the Vietnamese Mekong Delta using MODIS data[J].Applied Geography, 2011,31(2):463-475.

[2] 劉 敏,王亮亮,蔡秋鵬.FDR和TDR測(cè)定幾種典型土壤含水量的對(duì)比分析[J].水利信息化,2016(6):32-36.

Liu M,Wang L L,Cai Q P.Compaveral typical soil’s water content measuring with FDR and TDR[J].Water Resources Informatization,2016(6):32-36.

[3] Wagner W,Hahn S,Kidd R,et al.The ASCAT soil moisture product:A review of its specifications,validation results,and emerging applications[J].Meteorologische Zeitschrift,2013,22(1):5-33.

[4] Jordan C F.Derivation of leaf-area index from quality of light on the forest floor[J].Ecology,1969,50(4):663-666.

[5] Kahle A B.A simple thermal model of the Earth’s surface for geologic mapping by remote sensing[J].Journal of Geophysical Research,1977,82(11):1673-1680.

[6] Price J C.Thermal inertia mapping:A new view of the earth[J].Journal of Geophysical Research,1977,82(18):2582-2590.

[7] Price J C.On the analysis of thermal infrared imagery:The limited utility of apparent thermal inertia[J].Remote Sensing of Environment,1985,18(1):59-73.

[8] Jackson R D,Pinter Jr P J.Detection of water stress in wheat by measurement of reflected solar and emitted thermal IR radiation[C]//Spectral Signatures of Objects in Remote Sensing.Versailles:Institut National de la Recherche Agronomique,1981:399-406.

[9] Carlson T N,Gillies R R,Perry E M.A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J].Remote Sensing Reviews,1994,9(1/2):161-173.

[10] Sandholt I,Rasmussen K,Andersen J.A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J].Remote Sensing of Environment,2002,79(2/3):213-224.

[11] 趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003.

Zhao Y S.Analysis Principle and Method of Remote Sensing Applications[M].Beijing:Science Press,2003.

[12] 郭月婷,徐建剛.基于模糊物元的淮河流域城市化與生態(tài)環(huán)境系統(tǒng)的耦合協(xié)調(diào)測(cè)度[J].應(yīng)用生態(tài)學(xué)報(bào),2013,24(5):1244-1252.

Guo Y T,Xu J G.Coupling coordination measurement of urbanization and eco-environment system in Huaihe River Basin of China based on fuzzy matter element theory[J].Chinese Journal of Applied Ecology,2013,24(5):1244-1252.

[13] 張 怡,何政偉,薛東劍.MODIS數(shù)據(jù)預(yù)處理方法[J].地理空間信息,2013,11(3):49-51.

Zhang Y,He Z W,Xue D J.Pre-processing method of MODIS data[J].Geospatial Information,2013,11(3):49-51.

[14] 刁 偉,孟令奎,張東映,等.MODIS數(shù)據(jù)在湖北旱情監(jiān)測(cè)中的應(yīng)用[J].水利信息化,2013(1):12-15.

Diao W,Meng L K,Zhang D Y,et al.Application of MODIS data on the drought monitoring of Hubei Province[J].Water Resources Informatization,2013(1):12-15.

[15] 申廣榮,田國良.基于GIS的黃淮海平原旱災(zāi)遙感監(jiān)測(cè)研究——作物缺水指數(shù)模型的實(shí)現(xiàn)[J].生態(tài)學(xué)報(bào),2000,20(2):224-228.

Shen G R,Tian G L.Remote sensing monitoring of drought in Huanghe, Huaihe and Haihe Plain based on GIS：The calculation of crop water stress index model[J].Acta Ecologica Sinica,2000,20(2):224-228.

[16] 王鵬新,龔健雅,李小文.條件植被溫度指數(shù)及其在干旱監(jiān)測(cè)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào),2001,26(5):412-418.

Wang P X,Gong J Y,Li X W.Vegetation temperature condition index and its application for drought monitoring[J].Geomatics and Information Science of Wuhan University,2001,26(5):412-418.

[17] Nichol J E,Abbas S.Integration of remote sensing datasets for local scale assessment and prediction of drought[J].Science of the Total Environment,2015,505:503-507.

[18] Cai G Y,Du M Y,Liu Y.Regional drought monitoring and analyzing using MODIS data：A case study in Yunnan Province[C]//Proceedings of the 4th IFIP TC 12 Conference on Computer and Computing Technologies in Agriculture IV.Nanchang,China:Springer,2010:243-251.

[19] 宋榮杰.基于遙感的旱區(qū)土壤濕度反演方法研究[D].楊凌:西北農(nóng)林科技大學(xué),2013.

Song R J.Study on Soil Moisture Inversion Method Based on Remote Sensing[D].Yangling:Northwest A and F University,2013.

[20] 吳 黎,張有智,解文歡,等.改進(jìn)的表觀熱慣量法反演土壤含水量[J].國土資源遙感,2013,25(1):44-49.doi:10.6046/gtzyyg.2013.01.08.

Wu L,Zhang Y Z,Xie W H,et al.The inversion of soil water content by the improved apparent thermal inertia[J].Remote Sensing for Land and Resources,2013,25(1):44-49.doi:10.6046/gtzyyg.2013.01.08.