應(yīng)用粒子濾波同化條件植被溫度指數(shù)的土壤水分估測(cè)

解 毅，王鵬新，李 俐，荀 蘭，張樹譽(yù)

(1. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083； 2. 農(nóng)業(yè)部農(nóng)業(yè)災(zāi)害遙感重點(diǎn)實(shí)驗(yàn)室，北京 100083；3. 陜西氣象局，陜西 西安 710014)

大面積的土壤水分監(jiān)測(cè)是農(nóng)業(yè)水管理、灌溉制度確定、農(nóng)作物旱情預(yù)報(bào)以及農(nóng)業(yè)增產(chǎn)的重要內(nèi)容[1-2]。水文、氣象站點(diǎn)僅能提供有限點(diǎn)的土壤水分信息，雖然精度較高，但不能從空間上反映土壤水分分布與變化規(guī)律，而遙感觀測(cè)技術(shù)能夠獲取地表時(shí)空信息，達(dá)到全面監(jiān)測(cè)土壤水分的目的[3-4]。

遙感監(jiān)測(cè)土壤水分的方法主要包括：直接反演土壤水分，通過作物生長(zhǎng)狀況反映土壤水分，以及通過下墊面蒸散虧缺反映陸地生態(tài)系統(tǒng)總體水分狀況[5]。直接反演土壤水分的方法適用于裸露地表，如有植被存在就會(huì)受到干擾[5]。利用遙感數(shù)據(jù)反演的植被指數(shù)能夠反映作物生長(zhǎng)狀況，進(jìn)而用于土壤水分的估測(cè)，然而，植被指數(shù)對(duì)土壤水分的響應(yīng)有一定的滯后性。為了綜合利用土壤和植被兩方面信息監(jiān)測(cè)土壤水分狀況，Moran等[6]從能量平衡方程出發(fā)，提出了基于陸氣溫差-植被指數(shù)梯形特征空間的水分虧缺指數(shù)，用于判斷陸面整體水分虧缺。王鵬新等[7]基于遙感反演歸一化植被指數(shù)(NDVI)和地表溫度(LST)的散點(diǎn)圖呈三角形區(qū)域分布的特征，提出了條件植被溫度指數(shù)(CVTI)的干旱監(jiān)測(cè)方法，并用于區(qū)域干旱監(jiān)測(cè)和預(yù)測(cè)。Sun等[8]將關(guān)中平原農(nóng)田土壤淺層含水量和CVTI進(jìn)行線性相關(guān)分析，結(jié)果表明，CVTI和0～20 cm層土壤含水量間的線性相關(guān)性顯著。Patel等[9]的研究表明，CVTI和作物水分指數(shù)間的相關(guān)性顯著。因此，CVTI適用于區(qū)域土壤水分的估測(cè)[10]。

基于遙感數(shù)據(jù)能夠獲取大面積的土壤水分信息，但僅能估測(cè)衛(wèi)星過境時(shí)刻的瞬時(shí)狀態(tài)，在時(shí)間上是不連續(xù)的。作物生長(zhǎng)模型能夠連續(xù)模擬單點(diǎn)尺度的土壤含水量，但當(dāng)其應(yīng)用到區(qū)域尺度時(shí)，模型參數(shù)的區(qū)域化方面存在困難，此外，模擬誤差在模型運(yùn)行過程中不斷積累，導(dǎo)致模擬精度無法保證[11]。利用數(shù)據(jù)同化方法將作物生長(zhǎng)模型和遙感數(shù)據(jù)相結(jié)合，能夠發(fā)揮作物模型和遙感數(shù)據(jù)各自的優(yōu)勢(shì)，同時(shí)，在衛(wèi)星過境時(shí)刻實(shí)時(shí)修正模型模擬的土壤水分，從而提高土壤水分的估測(cè)精度。陳鶴等[11]將集合卡爾曼濾波同化方法集成到水文強(qiáng)化陸面過程模型HELP(hydrologically-enhanced land process)中，對(duì)模型中的土壤水分和表面溫度等狀態(tài)變量進(jìn)行優(yōu)化，結(jié)果表明，數(shù)據(jù)同化方法能夠提高土壤水分的模擬精度。Nagarajan等[12]應(yīng)用粒子濾波算法同化田間實(shí)測(cè)土壤水分和SVAT-植被耦合模型，并模擬甜玉米生長(zhǎng)季的根區(qū)土壤水分，結(jié)果表明，同化后的土壤水分模擬精度比模型直接模擬土壤水分的精度得到提高。

本文利用Landsat-8遙感數(shù)據(jù)反演CVTI，基于CVTI和實(shí)測(cè)土壤含水量間的線性相關(guān)性構(gòu)建土壤水分反演模型。利用粒子濾波(PF)算法同化遙感反演的和CERES-Wheat模型模擬的土壤水分，得到以天為步長(zhǎng)的土壤水分同化值，基于田間實(shí)測(cè)土壤水分分別檢驗(yàn)?zāi)M的、反演的土壤水分和同化的土壤水分的精度，分析數(shù)據(jù)同化方法對(duì)土壤水分估測(cè)精度的影響，以期獲取準(zhǔn)確的農(nóng)田土壤水分信息，為大面積農(nóng)業(yè)干旱監(jiān)測(cè)和農(nóng)田水分管理奠定基礎(chǔ)。

1 土壤水分的反演

1.1 遙感數(shù)據(jù)預(yù)處理

研究區(qū)域關(guān)中平原覆蓋了3個(gè)Landsat衛(wèi)星軌道：126/036(關(guān)中平原東部)、127/036(關(guān)中平原中部)和128/036(關(guān)中平原西部)。本研究獲取了2013—2015年關(guān)中平原冬小麥主要生育期(3月上旬至5月下旬，包括返青期、拔節(jié)期、抽穗～灌漿期和乳熟期)的Landsat-8遙感影像，所獲取影像的云覆蓋面積均小于5%。對(duì)Landsat-8影像進(jìn)行輻射定標(biāo)和大氣校正，獲取紅光波段(第4波段)和近紅外波段(第5波段)的反射率，以及熱紅外波段(第10、11波段)的輻射亮度。

1.2 地表溫度的反演

根據(jù)Rozenstein等[13]提出的適用于Landsat-8數(shù)據(jù)的劈窗算法反演LST：

LST=A0+A1·BT10-A2·BT11

(1)

式中，BT10和BT11分別為第10、11波段的亮度溫度(BT)，BTi=K2/ln1+K1/Li，i=10, 11，其中，Li為第i波段的輻射亮度，K1和K2為發(fā)射前預(yù)設(shè)的常量，在影像頭文件中獲??；A0、A1和A2是系數(shù)：

(2)

(3)

(4)

式中，ai和bi分別為第10、11波段根據(jù)不同溫度范圍確定的回歸系數(shù)[13]；Ci、Di是由地表比輻射率(εi)和大氣透射率(τi)所確定的參數(shù)：

Ci=εi·τi

(5)

Di=1-τi·1+(1-εi)·τi

(6)

根據(jù)覃志豪等[14]和宋挺等[15]對(duì)自然表面的比輻射率估計(jì)方法進(jìn)行εi的估算：

εi=Pv·Rv·εiv+1-Pv·Rs·εis+dε

(7)

式中，εiv和εis分別為植被和裸土在第i波段的地表比輻射率，分別取ε10v=0.98672，ε11v=0.98990，ε10s=0.96767，ε11s=0.97790；在地表相對(duì)較平整的情況下，一般取dε=0；Pv為植被覆蓋度；Rv和Rs分別為植被和裸土的溫度比率。Pv的計(jì)算方法為：

Pv=(NDVI-NDVIs)/(NDVIv-NDVIs)

(8)

式中，NDVIv和NDVIs分別為完全植被和完全裸土覆蓋像素的NDVI，取NDVIv為0.5，NDVIs為0.2。當(dāng)NDVI>NDVIv時(shí)，取Pv=1；當(dāng)NDVI

利用中緯度夏季大氣模式估算Landsat-8 TIRS第10、11波段的大氣透射率[13]，即τ10=1.0335-0.1134ω，τ11=1.0078-0.1546ω，其中，ω為大氣水分含量。采用與Landsat-8影像獲取日期相同且過境時(shí)刻接近的MODIS L1B Calibrated Radiances產(chǎn)品，通過其第2、19波段的比值計(jì)算大氣水分含量[16]：

ω=α-lnρ19/ρ2/β2
(α=0.02;β=0.6321)

(9)

式中，ρ2和ρ19分別為MODIS數(shù)據(jù)第2和第19波段的表觀反射率。

1.3 CVTI的反演

應(yīng)用Landsat-8數(shù)據(jù)第4、5波段的反射率計(jì)算NDVI?；贜DVI、LST的散點(diǎn)圖呈三角形區(qū)域分布的基礎(chǔ)上計(jì)算CVTI：

(10)

其中

LSTmax(NDVIi)=a+b·NDVIi

(11)

LSTmin(NDVIi)=a′+b′·NDVIi

(12)

式中，LSTmax(NDVIi)和LSTmin(NDVIi)分別表示在研究區(qū)域內(nèi)，當(dāng)NDVIi等于某一特定值時(shí)所有像素的LST最大值和最小值，被稱作熱邊界和冷邊界；LST(NDVIi)表示像素的NDVI為NDVIi時(shí)的LST；a、b、a′和b′為待定系數(shù)，由研究區(qū)域的NDVI和LST的散點(diǎn)圖近似獲得。

1.4 土壤水分反演模型的構(gòu)建

基于研究樣點(diǎn)的地理坐標(biāo)信息，獲取樣點(diǎn)所在像素的CVTI。將樣點(diǎn)的實(shí)測(cè)0～20 cm層土壤含水量(θ)和反演CVTI進(jìn)行線性相關(guān)分析，并構(gòu)建CVTI和θ間的線性回歸模型，進(jìn)而反演區(qū)域土壤含水量。

2 土壤水分的同化

2.1 田間實(shí)測(cè)數(shù)據(jù)

在2013—2015年冬小麥生長(zhǎng)季，課題組在陜西省關(guān)中平原選取了12～15個(gè)典型的冬小麥種植區(qū)域作為研究樣點(diǎn)，包括灌溉樣點(diǎn)和旱作樣點(diǎn)(圖1)。分別在冬小麥的播種期、拔節(jié)期、抽穗期以及成熟期實(shí)測(cè)和調(diào)查研究樣點(diǎn)的田間數(shù)據(jù)，調(diào)查日期根據(jù)Landsat衛(wèi)星的過境時(shí)間確定。

在冬小麥播種期實(shí)測(cè)樣點(diǎn)土壤剖面各層的理化參數(shù)和土壤含水量。土壤剖面分為7層(0～12 cm、12～20 cm、20～50 cm、50～80 cm、80～120 cm、120～160 cm、160～200 cm)，采集土壤剖面各層的土壤樣品，通過烘干法得到土壤剖面各層的體積含水量；在小麥拔節(jié)期和抽穗期，實(shí)測(cè)樣點(diǎn)的土壤耕層(0～20 cm)含水量，同時(shí)調(diào)查作物田間管理數(shù)據(jù)和觀測(cè)小麥生長(zhǎng)狀況；在小麥?zhǔn)斋@時(shí)測(cè)量土壤剖面各層的體積含水量，并實(shí)測(cè)籽粒單產(chǎn)。

2.2 CERES-Wheat模型

CERES-Wheat模型的輸入?yún)?shù)包括氣象數(shù)據(jù)、土壤參數(shù)、田間管理數(shù)據(jù)和作物遺傳參數(shù)[17]，其中，氣象數(shù)據(jù)通過分布在關(guān)中平原的氣象站點(diǎn)觀測(cè)獲得；土壤參數(shù)和田間管理數(shù)據(jù)通過田間試驗(yàn)和地面調(diào)查得到?；谔镩g觀測(cè)數(shù)據(jù)對(duì)冬小麥遺傳參數(shù)進(jìn)行標(biāo)定，實(shí)現(xiàn)模型的“本地化”[18]，應(yīng)用標(biāo)定的CERES-Wheat模型模擬冬小麥整個(gè)生長(zhǎng)季以天為步長(zhǎng)的土壤水分，并將模擬土壤水分和遙感反演土壤水分進(jìn)行同化，得到小麥主要生育期的土壤水分同化值。

圖1 研究區(qū)域位置和典型樣點(diǎn)分布Fig.1 Location of the research areas and distribution of the sampling sites

2.3 PF算法

(13)

(14)

再次進(jìn)入預(yù)測(cè)階段，重復(fù)上述過程，得到第k+2時(shí)刻的土壤水分同化值，依次重復(fù)，直至將所有的反演θ代入同化過程為止。

2.4 區(qū)域土壤水分估測(cè)

將研究樣點(diǎn)的θ反演值和θ同化值進(jìn)行線性相關(guān)分析，并構(gòu)建小麥不同生育期的Landsat數(shù)據(jù)反演θ和同化θ間的線性回歸模型。將遙感反演的區(qū)域土壤水分代入回歸模型，估算關(guān)中平原冬小麥主要生育期的區(qū)域土壤含水量[19]?；诓煌瑓^(qū)域的累計(jì)降水量對(duì)估測(cè)土壤水分的空間分布進(jìn)行分析。

3 結(jié)果與分析

3.1 CVTI和土壤水分的相關(guān)性分析

在冬小麥各主要生育期分別選取和田間試驗(yàn)日期相對(duì)應(yīng)的Landsat遙感數(shù)據(jù)，將所有樣點(diǎn)的遙感反演CVTI和田間實(shí)測(cè)θ進(jìn)行線性回歸分析，構(gòu)建反演CVTI和實(shí)測(cè)θ間的線性回歸模型。由于2013—2014年在126/036軌道未選取試驗(yàn)樣點(diǎn)，以及2014—2015年在126/036軌道僅獲取了1景云覆蓋面積小于5%的影像且僅選取了3個(gè)試驗(yàn)樣點(diǎn)，因此，以2013—2015年127/036和128/036軌道的分析結(jié)果為例(表1)，將不同生育期的反演CVTI和實(shí)測(cè)θ間的相關(guān)性進(jìn)行對(duì)比。結(jié)果表明，在小麥主要生育期，反演CVTI和實(shí)測(cè)θ間的線性相關(guān)性顯著。隨著冬小麥進(jìn)入返青期(3月15日)，至拔節(jié)期(3月24日)，CVTI和θ間的相關(guān)性逐漸增大；在拔節(jié)期和抽穗～灌漿期(4月28日)，CVTI和θ間的相關(guān)性達(dá)到極顯著水平(拔節(jié)期：r=0.78，P<0.01；抽穗～灌漿期：r=0.79，P<0.01)；進(jìn)入乳熟期后(5月11日和5月18日)，小麥葉片逐漸變黃和枯萎，CVTI和θ間的相關(guān)性逐漸減小，其中，5月18日的CVTI和θ間的相關(guān)性(r=0.65，P<0.05)相對(duì)較低。在冬小麥生長(zhǎng)旺盛的拔節(jié)期和抽穗～灌漿期，CVTI和θ間的相關(guān)性大于其它生育期CVTI和θ間的相關(guān)性，說明CVTI適用于高植被覆蓋條件下的土壤水分監(jiān)測(cè)。

表1 CVTI和實(shí)測(cè)θ 間的線性回歸分析

注： *表示0.05顯著水平；**表示0.01顯著水平。下同。

Note: * means significant at 0.05 level; ** means significant at 0.01 level. The same as below.

3.2 土壤水分的估測(cè)

3.2.1 土壤水分的同化 基于CVTI和實(shí)測(cè)土壤水分間的線性回歸模型反演冬小麥不同生育期的土壤含水量。利用PF算法同化CERES-Wheat模型模擬的和遙感反演的θ，獲取冬小麥主要生育期以天為步長(zhǎng)的θ同化值，以2013—2014年灌溉樣點(diǎn)扶風(fēng)縣杏林鎮(zhèn)、武功縣代家鄉(xiāng)和旱作樣點(diǎn)武功縣武功鎮(zhèn)、永壽縣甘井鎮(zhèn)的同化結(jié)果為例(圖2)，將同化θ分別和模擬θ、反演θ進(jìn)行對(duì)比?？傮w上，同化θ保持了CERES-Wheat模型模擬θ的變化趨勢(shì)，同時(shí)，在遙感反演θ的影響下，θ同化值得到增大或減小，且更接近θ實(shí)測(cè)值。

在扶風(fēng)縣杏林鎮(zhèn)播種后第161天，CERES-Wheat模型模擬的θ偏低，在遙感反演θ的修正下，θ同化值得到提高；在播種后第164天，θ同化值(θ=0.22 mm3·mm-3)比θ模擬值(θ=0.16 mm3·mm-3)更接近θ實(shí)測(cè)值(θ=0.23 mm3·mm-3)。同樣，在武功縣代家鄉(xiāng)播種后第165天，在遙感反演θ的修正下，θ同化值比θ模擬值增大；在播種后第166天，θ同化值和θ實(shí)測(cè)值間的絕對(duì)誤差(AE)(AE=0.025 mm3·mm-3)低于θ模擬值和θ實(shí)測(cè)值間的AE(AE=0.060 mm3·mm-3)，說明θ同化值的精度大于θ模擬值的精度，同化過程降低了CERES-Wheat模型模擬θ的累積誤差。

分析所有樣點(diǎn)的θ模擬值、θ反演值和θ同化值分別與θ實(shí)測(cè)值間的線性相關(guān)性，并計(jì)算其與θ實(shí)測(cè)值間的平均相對(duì)誤差(MRE)和均方根誤差(RMSE)(表2)。結(jié)果表明，θ同化值與θ實(shí)測(cè)值間的線性相關(guān)性(r=0.96，P<0.001)大于θ模擬值與θ實(shí)測(cè)值間的相關(guān)性(r=0.71，P<0.01)；θ同化值與θ實(shí)測(cè)值間的相關(guān)性大于θ反演值與θ實(shí)測(cè)值間的相關(guān)性(r=0.89，P<0.001)。θ同化值的RMSE和MRE比θ模擬值的RMSE和MRE分別降低了0.025 mm3·mm-3和2.70%，比θ反演值的RMSE和MRE分別降低了0.016 mm3·mm-3和4.15%。綜上所述，基于PF算法同化過程能夠充分結(jié)合遙感反演θ和CERES-Wheat模型模擬θ各自的優(yōu)勢(shì)，得到的θ同化值的精度高于θ模擬值和θ反演值的精度，因此，同化θ比模擬θ和反演θ更準(zhǔn)確地反映了土壤水分的時(shí)間變化特征。

3.2.2 區(qū)域土壤水分的估測(cè) 將小麥不同生育期的Landsat數(shù)據(jù)反演θ和研究樣點(diǎn)的θ同化值進(jìn)行線性回歸分析，得到反演θ和同化θ間的線性回歸模型(以2014年3月15日的回歸模型為例，代表返青期)：

PFθ1=1.28θ1-0.05R2=0.87P<0.001

(15)

式中，PFθ1為2014年3月15日的θ同化值；θ1為遙感反演θ。

表2 模擬θ、反演θ 和同化θ 與實(shí)測(cè)θ 間的RMSE、MRE和r

注：***代表0.001顯著水平。

Note: *** means significant at the 0.001 level.

將遙感反演區(qū)域θ代入反演θ和同化θ間的線性回歸模型，估測(cè)關(guān)中平原冬小麥不同生育期的區(qū)域土壤含水量，以2014年3月15日(返青期)、5月18日(乳熟期)和2015年4月28日(抽穗～灌漿期)的θ估測(cè)結(jié)果為例，基于不同區(qū)域的累計(jì)降水量對(duì)估測(cè)土壤含水量的空間分布進(jìn)行分析(圖3)。在2014年3月15日，鳳翔縣和乾縣北部的土壤含水量低于岐山縣東南部、扶風(fēng)縣西南部和眉縣以北等區(qū)域(渭河以北區(qū)域)的土壤含水量。原因可能為，在2014年3月1日至3月15日期間，關(guān)中平原西部?jī)H有兩日出現(xiàn)降水，其中，鳳翔縣和乾縣的累計(jì)降水量相對(duì)較低，分別為4.7 mm和6.4 mm；渭河以北的區(qū)域多為灌溉小麥地，雖然降水量較低，但3月10日左右的田間灌溉對(duì)土壤含水量影響較大，灌溉量一般為75～90 mm，灌溉區(qū)域的土壤含水量相對(duì)較高。

整體上，2015年4月28日的研究區(qū)域土壤含水量相對(duì)高于2014年3月15日和5月18日的土壤含水量。原因可能為，關(guān)中平原每年4月份的降水量較多，在2015年4月1日至4月28日期間，有10 d左右出現(xiàn)降水且降水量較大，例如，乾縣4月1日至4月28日的累計(jì)降水量為106 mm，武功縣為102 mm，臨潼區(qū)為108 mm，藍(lán)田縣為114 mm；而在2014年5月1日至5月18日期間，關(guān)中平原西部?jī)H有4 d左右出現(xiàn)降水且降水量相對(duì)較少，例如，鳳翔縣的累計(jì)降水量為29 mm，岐山縣為26 mm，扶風(fēng)縣為25 mm。在2015年4月28日，白水縣以及臨潼區(qū)東部、臨渭區(qū)南部和華縣西南部等區(qū)域的土壤含水量高于其它區(qū)域的土壤含水量，原因可能為，白水縣在4月26日和27日均出現(xiàn)降水，臨潼區(qū)、臨渭區(qū)和華縣在4月26日出現(xiàn)降水，且臨潼區(qū)、臨渭區(qū)和華縣在4月18日至28日的累計(jì)降水量分別為57.5 mm、49.8 mm和40.0 mm，降水量相對(duì)較高；而相鄰的富平縣、涇陽縣和高陵縣在4月26日和27日均無降水，其在4月18日至28日的累計(jì)降水量分別為20.1 mm、14.5 mm和24.7 mm，降水量相對(duì)較低。綜上所述，不同研究區(qū)域的估測(cè)土壤含水量和累計(jì)降水量較吻合，準(zhǔn)確反映了累計(jì)降水量對(duì)土壤水分的影響。

圖2 2013—2014年冬小麥主要生育期的土壤水分同化曲線Fig. 2 The soil moisture assimilated curve in the main growing period of winter wheat during 2013 to 2014

圖3 區(qū)域尺度土壤水分估測(cè)結(jié)果Fig.3 Estimated results of soil moisture at the regional scale

4 討 論

土壤有效水分的減少會(huì)導(dǎo)致作物生長(zhǎng)受限制，NDVI減小，通過計(jì)算同一時(shí)期NDVI和多年NDVI平均值間的差距，能夠反映土壤水分狀況，然而，NDVI對(duì)土壤水分的響應(yīng)有一定的滯后性，不能用于農(nóng)業(yè)干旱的實(shí)時(shí)監(jiān)測(cè)。LST比NDVI更早地響應(yīng)土壤水分的變化，在土壤水分降低時(shí)，植株葉片氣孔關(guān)閉以減少蒸騰造成的水分損失，導(dǎo)致潛熱通量減小，由于能量通量必須保持平衡，顯熱通量增大，LST增大。在NDVI、LST的散點(diǎn)圖呈三角形區(qū)域分布的基礎(chǔ)上反演得到CVTI，其不僅與NDVI的變化相關(guān)，而且在不同像素的NDVI相同時(shí)，與LST的變化相關(guān)。以往研究表明，CVTI是一種近實(shí)時(shí)的干旱監(jiān)測(cè)方法，被廣泛應(yīng)用于干旱監(jiān)測(cè)、預(yù)測(cè)和干旱影響評(píng)估等。本文將CVTI和0～20 cm層土壤含水量進(jìn)行線性相關(guān)分析，在冬小麥主要生育期，CVTI和土壤含水量間的相關(guān)性顯著，說明CVTI適用于高植被覆蓋條件下的土壤水分監(jiān)測(cè)。

CERES-Wheat模型能夠連續(xù)模擬土壤含水量的時(shí)間變化信息[20]，然而，由于模型結(jié)構(gòu)的不確定性，模擬誤差在模型運(yùn)行過程中不斷積累，導(dǎo)致θ模擬值的精度降低?；贚andsat數(shù)據(jù)反演θ具有實(shí)時(shí)監(jiān)測(cè)土壤含水量的優(yōu)勢(shì)，缺點(diǎn)為數(shù)量少，不能獲取土壤水分的連續(xù)變化信息。利用數(shù)據(jù)同化算法將作物生長(zhǎng)模型和遙感數(shù)據(jù)相結(jié)合，能夠?qū)崿F(xiàn)作物生長(zhǎng)模型和遙感數(shù)據(jù)的優(yōu)勢(shì)互補(bǔ)。目前得到廣泛應(yīng)用的集合卡爾曼濾波(EnKF)同化算法，是在卡爾曼濾波基礎(chǔ)上發(fā)展而來的，EnKF算法由于采用集合的思想近似地估計(jì)狀態(tài)變量的概率密度分布，能用于非線性系統(tǒng)的數(shù)據(jù)同化，然而，EnKF算法仍沒能擺脫狀態(tài)變量服從高斯分布的假設(shè)，相比于卡爾曼濾波系列算法，粒子濾波算法不受模型狀態(tài)變量和誤差高斯分布假設(shè)的約束，適用于任意非線性非高斯分布的動(dòng)態(tài)系統(tǒng)。本文基于PF同化算法，通過離散的遙感反演θ實(shí)時(shí)修正CERES-Wheat模型連續(xù)模擬的θ，得到以天為步長(zhǎng)的θ同化值，且θ同化值的精度大于θ模擬值和θ反演值的精度，說明PF算法同化過程能夠提高時(shí)間序列土壤含水量的估測(cè)精度。

由于Landsat衛(wèi)星重訪周期的限制和云對(duì)影像的干擾，難以獲取頻率較高的大面積土壤水分信息。MODIS-CVTI的空間分辨率較低，但其具有較高的時(shí)間分辨率?；诮党叨人惴ê蚆ODIS-CVTI數(shù)據(jù)，得到空間尺度為30 m且周期較短的CVTI，進(jìn)而反演土壤水分信息，將是今后研究工作的重點(diǎn)。

5 結(jié) 論

利用Landsat-8數(shù)據(jù)反演CVTI，基于CVTI和田間實(shí)測(cè)θ間的線性相關(guān)性構(gòu)建土壤水分反演模型，并反演區(qū)域θ，通過PF算法同化反演的和CERES-Wheat模型模擬的θ，得到冬小麥主要生育期的θ同化值。主要結(jié)論為：從小麥的返青期至乳熟期，CVTI和實(shí)測(cè)θ間的線性相關(guān)性顯著，尤其在小麥拔節(jié)期和抽穗-灌漿期，其相關(guān)性達(dá)到極顯著水平，表明CVTI適用于高植被覆蓋條件下的土壤水分監(jiān)測(cè)?；赑F同化算法實(shí)現(xiàn)了遙感反演θ和CERES-Wheat模型模擬θ的優(yōu)勢(shì)互補(bǔ)，在反演θ的修正下，同化θ和實(shí)測(cè)θ間的線性相關(guān)性大于模擬θ和實(shí)測(cè)θ間的相關(guān)性以及反演θ和實(shí)測(cè)θ間的相關(guān)性，且同化θ的RMSE和MRE分別低于模擬θ和反演θ的RMSE和MRE，同化方法提高了θ的估測(cè)精度。此外，基于CVTI和PF算法估測(cè)的區(qū)域θ和累計(jì)降水量較吻合，反映了降水量對(duì)土壤水分的影響。因此，應(yīng)用數(shù)據(jù)同化方法能夠準(zhǔn)確估測(cè)冬小麥不同生育期的土壤耕層含水量，為實(shí)現(xiàn)區(qū)域尺度作物干旱的實(shí)時(shí)監(jiān)測(cè)提供了方法和依據(jù)。

參考文獻(xiàn)：

[1] 吳春雷, 秦其明, 李梅, 等. 基于光譜特征空間的農(nóng)田植被區(qū)土壤濕度遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(16): 106-112.

[2] 周鵬, 丁建麗, 王飛, 等. 植被覆蓋地表土壤水分遙感反演[J]. 遙感學(xué)報(bào), 2010, 14(5): 959-973.

[3] 鄭小坡, 孫越君, 秦其明, 等. 基于可見光-短波紅外波譜反射率的裸土土壤含水量反演建模[J]. 光譜學(xué)與光譜分析, 2015, 35(8): 2113-2118.

[4] 胡猛, 馮起, 席海洋. 遙感技術(shù)監(jiān)測(cè)干旱區(qū)土壤水分研究進(jìn)展[J]. 土壤通報(bào), 2013, 44(5): 1270-1275.

[5] 王敏政, 周廣勝. 基于地面遙感信息與氣溫的夏玉米土壤水分估算方法[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2016, 27(6): 1804-1810.

[6] Moran M S, Clarke T R, Inoue Y, et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index.[J]. Remote Sensing of Environment, 1994, 49(3): 246-263.

[7] 王鵬新, 孫威. 基于植被指數(shù)和地表溫度的干旱監(jiān)測(cè)方法的對(duì)比分析[J]. 北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007, 43(3): 319-323.

[8] Sun W, Wang P X, Zhang S Y, et al. Using the vegetation temperature condition index for time series drought occurrence monitoring in the Guanzhong Plain, PR China[J]. International Journal of Remote Sensing, 2008, 29(17-18): 5133-5144.

[9] Patel N R, Parida B R, Venus V, et al. Analysis of agricultural drought using vegetation temperature condition index (CVTI) from Terra/MODIS satellite data.[J]. Environmental Monitoringand Assessment, 2012, 184(12): 7153-7163.

[10] Peng J, Loew A, Zhang S Q, et al. Spatial downscaling of satellite soil moisture data using a vegetation temperature condition index[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 54(1): 558-566.

[11] 陳鶴, 楊大文, 劉鈺, 等. 集合卡爾曼濾波數(shù)據(jù)同化方法改進(jìn)土壤水分模擬效果[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(2): 99-104.

[12] Nagarajan K, Judge J, Graham W D, et al. Particlefilter-based assimilation algorithms for improved estimation of root-zone soil moisture under dynamic vegetation conditions[J]. Advances in Water Resources, 2011, 34(4): 433-447.

[13] Rozenstein O, Qin Z, Derimian Y, et al. Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm[J]. Sensors, 2014, 14(4): 5768-5780.

[14] 覃志豪, 李文娟, 徐斌, 等. 陸地衛(wèi)星TM6波段范圍內(nèi)地表比輻射率的估計(jì)[J]. 國(guó)土資源遙感, 2004, 16(3): 28-32.

[15] 宋挺, 段崢, 劉軍志, 等. Landsat 8數(shù)據(jù)地表溫度反演算法對(duì)比[J]. 遙感學(xué)報(bào), 2015, 19(3): 451-464.

[16] 胡德勇, 喬琨, 王興玲, 等. 單窗算法結(jié)合Landsat8熱紅外數(shù)據(jù)反演地表溫度[J]. 遙感學(xué)報(bào), 2015, 19(6): 964-976.

[17] 王文佳, 馮浩, 宋獻(xiàn)方. 基于DSSAT模型陜西楊凌不同降水年型冬小麥灌溉制度研究[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2013, 31(4): 1-10.

[18] 解毅, 王鵬新, 劉峻明, 等. 基于四維變分和集合卡爾曼濾波同化方法的冬小麥單產(chǎn)估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(1): 187-195.

[19] 解毅, 王鵬新, 王蕾, 等. 基于作物及遙感同化模型的小麥產(chǎn)量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(20): 179-186.

[20] 趙海燕, 侯美亭, 王志偉. 利用CERES-Wheat模型分析冬小麥所需灌溉量的時(shí)空變化—以河南省為例[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2015, 33(4): 125-133.