光學(xué)與微波遙感協(xié)同反演藏北表層土壤水分研究①

王梅霞，馮文蘭*，扎西央宗，王永前，牛曉俊

光學(xué)與微波遙感協(xié)同反演藏北表層土壤水分研究①

王梅霞1，馮文蘭1*，扎西央宗2，王永前1，牛曉俊2

(1 成都信息工程大學(xué)資源環(huán)境學(xué)院，成都 610225；2 西藏高原大氣環(huán)境科學(xué)研究所，拉薩 850000)

表層土壤水分是定量干旱監(jiān)測的重要參量，對干旱區(qū)生態(tài)環(huán)境具有十分重要的意義。在采用歸一化植被指數(shù)閾值法劃分地表覆蓋類型的基礎(chǔ)上，利用MODIS數(shù)據(jù)選擇適用的光學(xué)遙感算法估算土壤水分基準值，以及利用風(fēng)云三號B星搭載的微波成像儀(Fengyun-3B/Microware Radiation Imagery, FY3B/MWRI)數(shù)據(jù)采用微波遙感算法反演土壤水分日變化量，最后構(gòu)建藏北表層土壤水分協(xié)同反演的遙感模型并應(yīng)用于區(qū)域土壤水分的估算。結(jié)果表明：光學(xué)遙感與微波遙感協(xié)同反演的土壤水分含量與實測數(shù)據(jù)呈顯著相關(guān)，決定系數(shù)達到0.89，均方根誤差為0.97，協(xié)同反演模型具有較高的反演精度，并且協(xié)同反演的結(jié)果優(yōu)于單一遙感源的反演結(jié)果。該模型可以較好地適用于藏北地區(qū)表層土壤水分的動態(tài)監(jiān)測。

土壤水分；FY3B/MWRI；MODIS；協(xié)同反演；藏北地區(qū)

土壤水分是農(nóng)業(yè)過程研究和環(huán)境因子評價的重要組成部分，是區(qū)域乃至全球尺度水循環(huán)研究中一個必不可少的參數(shù)，在水文、氣候變化及土地退化研究等方面具有重要意義。傳統(tǒng)的土壤水分監(jiān)測主要依靠人工手動測量或站點監(jiān)測，數(shù)據(jù)的精確度高，但是獲取成本過高，無法滿足長時間序列、大面積的土壤水分監(jiān)測。隨著遙感技術(shù)的發(fā)展，實現(xiàn)了大面積、動態(tài)獲取土壤水分的目標。目前，土壤水分遙感監(jiān)測方法主要有可見光-近紅外遙感、高光譜遙感、熱紅外遙感、微波遙感等方法[1]。其中，以光學(xué)遙感監(jiān)測應(yīng)用相對廣泛和比較成熟，具體方法主要包括熱慣量法、植被指數(shù)法、蒸散模型等[2-4]。另外，微波遙感由于具有高時相、堅實的物理基礎(chǔ)以及不受云干擾的優(yōu)勢，在全球土壤水分監(jiān)測中也具有很好的應(yīng)用前景[5]。近年來，許多攜帶微波傳感器的遙感衛(wèi)星相繼發(fā)射，進一步推動了微波遙感，尤其是被動微波遙感反演土壤水分的發(fā)展[6-8]。我國第二代極軌氣象衛(wèi)星風(fēng)云三號B星搭載的微波成像儀(microwave radiation imager，F(xiàn)Y3B/MWRI)，在反演陸表參數(shù)中得到了較好的應(yīng)用。王國杰等[9]基于風(fēng)云三號衛(wèi)星微波亮溫數(shù)據(jù)反演了土壤濕度資料。然而，不管是光學(xué)遙感還是微波遙感，都因存在自身的不足而在區(qū)域土壤水分反演中受到一定的制約[10]。因此，不少學(xué)者嘗試聯(lián)合多源遙感數(shù)據(jù)進行較大區(qū)域范圍的土壤水分估算，取得了較好的效果。Zhang等[11]基于高級合成孔徑雷達(advanced synthetic aperture radar，ASAR)數(shù)據(jù)和光學(xué)數(shù)據(jù)，以歸一化植被指數(shù)(normalized difference vegetation index, NDVI)參數(shù)化植被冠層微波輻射傳輸特性，并結(jié)合水云模型構(gòu)建了植被覆蓋下地表土壤含水量的反演算法。馬紅章等[12]基于SEMX02數(shù)據(jù)集，分析了L波段土壤發(fā)射率與地表土壤水分之間的關(guān)系，將NDVI引入土壤水分的反演算法中。張顯峰等[13]利用熱慣量法和溫度植被干旱指數(shù)法估算土壤水分基準值，利用高級微波掃描輻射計(advanced microwave scanning radiometer，AMSR-E)傳感器的X波段反演土壤水分的日變化量，然后集二者建立土壤水分協(xié)同反演模型，得到較高時空分辨率的土壤水分結(jié)果。

藏北地區(qū)地處青藏高原腹地，海拔高，很多地方人跡罕至，土壤水分觀測資料十分缺乏。遙感技術(shù)無疑是獲取藏北地區(qū)土壤水分數(shù)據(jù)的最佳手段。然而，由于地表覆被類型復(fù)雜多樣，常規(guī)的土壤水分遙感方法在藏北地區(qū)的監(jiān)測效果不佳。一方面，植被光譜與土壤水分的關(guān)系易受植被類型和植被蓋度的影響，單一的遙感模型不能很好適用于整個區(qū)域；另一方面，地理環(huán)境比較復(fù)雜，土壤水分具有較強烈的時空差異，遙感指標與土壤水分關(guān)系的不確定性增加。因此，本文擬在藏北地區(qū)植被覆蓋類型劃分的基礎(chǔ)上，耦合適用于不同地表類型的光學(xué)遙感模型，并協(xié)同被動微波遙感反演表層土壤水分，以期提高研究區(qū)遙感反演土壤水分的精度，為藏北地區(qū)生態(tài)環(huán)境評價、水資源調(diào)查以及全球氣候變化研究提供重要的土壤水分信息，同時也為其他陸表參數(shù)的定量遙感反演提供相應(yīng)的參考。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

研究區(qū)范圍包括西藏那曲地區(qū)和阿里地區(qū)，平均海拔4 500 m以上，地理位置大概在78° ~ 95°E，29°~ 36°N(圖1)。該區(qū)是西藏自治區(qū)重要的畜牧業(yè)生產(chǎn)基地，草地是區(qū)內(nèi)主要的生態(tài)系統(tǒng)類型。研究區(qū)東西跨度大，地形非常復(fù)雜。東南部受構(gòu)造作用、冰川作用及強烈的流水切割作用，為典型的高山峽谷地貌；中部高原地形保持完整，為高原寬谷區(qū)；西部地區(qū)為高原湖盆區(qū)。

區(qū)內(nèi)屬于典型的溫帶大陸性氣候，年平均氣溫為–2.8 ~ 1.6 ℃，春冬多大風(fēng)，降水主要集中在6—8月，年降水量247.3 ~ 513.6 mm。受大氣環(huán)流和地形的影響，降水量總體呈現(xiàn)出由東向西、由東南向西北遞減的趨勢。此外，植被覆蓋從東南向西北依次出現(xiàn)亞高山疏林、灌叢草甸、高寒草甸、高寒草原、高寒荒漠草原等基帶[14]。

(該圖基于國家測繪局(http://bzdt.ch.mnr.gov.cn)提供的標準地圖審圖號：GS(2019)3333號制作，底圖無修改，以下同)

1.2 數(shù)據(jù)來源

綜合交通條件和地表覆被情況，本研究于2015年7月25日至8月6日在研究區(qū)范圍內(nèi)進行了土壤水分野外調(diào)查，共獲得36個采樣點數(shù)據(jù)(圖1)。調(diào)查中利用土壤水分速測儀TDR200獲取10 cm深度的土壤水分數(shù)據(jù)，同時利用GPS記錄采樣點位置信息?？紤]到光學(xué)遙感影像的空間分辨率，實地采樣時在1 km × 1 km的范圍內(nèi)大致按對角線每隔200 ~ 300 m距離進行土壤水分值的測定，依據(jù)拉依達準則[15]剔除其中粗大誤差的異常值，最后對剩余數(shù)據(jù)求取平均值得到樣點土壤含水量。選取26個樣點數(shù)據(jù)作為建模樣本，剩余10個數(shù)據(jù)進行模型驗證和精度分析。

微波遙感數(shù)據(jù)選取2015年7月20日至8月6日的風(fēng)云三號B星MWRI數(shù)據(jù)。風(fēng)云三號MWRI可全天候、全天時地監(jiān)測云中液態(tài)水含量、大氣可降水量、地面降水量等。MWRI在10.65 ~ 89 GHz頻段內(nèi)設(shè)有水平和垂直兩種極化方式的5個微波頻點，共有10個探測頻道。其中，低頻10.65 GHz通道具有穿透云雨大氣的能力，并對地表粗糙度和介電常數(shù)比較敏感，可以用于全天候獲取風(fēng)速、土壤水分含量等地球物理參數(shù)。研究選用FY3B/MWRI的一級(L1)產(chǎn)品降軌資料(10.65 GHz通道)，數(shù)據(jù)來源于國家衛(wèi)星氣象中心(http://www.nsmc.org.cn)。獲取的對地觀測亮溫數(shù)據(jù)首先經(jīng)地理位置查找表法(geographic lookup table, GLT)進行幾何校正，然后利用ENVI5.0的band math工具進行輻射定標，最后經(jīng)裁剪后得到研究區(qū)MWRI數(shù)據(jù)。

光學(xué)遙感數(shù)據(jù)選用NASA的Land Processes DAAC數(shù)據(jù)中心(lpdaac.usgs.gov/data access/data pool)的MODIS數(shù)據(jù)，包括Aqua衛(wèi)星(PM 14:30過境)的8 d合成地表溫度產(chǎn)品(MYD11 A2)、地表反照率產(chǎn)品(MCD43 B4)及16 d合成植被指數(shù)產(chǎn)品(MYD13 A2)，空間分辨率為1 km。以上產(chǎn)品數(shù)據(jù)首先經(jīng)美國地質(zhì)調(diào)查局(USGS)提供的MODIS數(shù)據(jù)處理工具(MODIS Reprojection Tool, MRT)進行影像拼接和投影轉(zhuǎn)換處理。

其他輔助數(shù)據(jù)包括空間分辨率為30 m的全球數(shù)字高程數(shù)據(jù)(GDEMV2)，數(shù)據(jù)來源于地理空間數(shù)據(jù)云(http://www.gscloud.cn)，經(jīng)重采樣生成空間分辨率為1 km的數(shù)字高程數(shù)據(jù)(digital elevation model，DEM)，用于地表溫度校正。此外，還有由西藏氣象局提供的2015年7月和8月藏北地區(qū)15個氣象監(jiān)測站點的日累積降水量和氣溫數(shù)據(jù)，用于對土壤水分估算結(jié)果的精度分析。

1.3 研究方法

1.3.1 光學(xué)遙感和被動微波遙感協(xié)同反演地表土壤水分的方法 根據(jù)美國學(xué)者生產(chǎn)土壤水分產(chǎn)品使用的半經(jīng)驗回歸模型[16]，Zhang等[17]對該模型作了進一步的改進，使之更適用于干旱區(qū)表層土壤水分的遙感監(jiān)測與估算，改進的土壤水分遙感估算半經(jīng)驗回歸模型可以表示為：

sm()=m+Δm() (1)

式中：m為觀測周期內(nèi)遙感影像的第行第列像元的土壤水分基準；Δm()為時刻第行第列土壤水分與基準m的差異變化量；sm()為該像元通過遙感反演得到的土壤水分。公式(1)表示假定在不長的一個觀測時段內(nèi)，表層土壤水分變化可以分解成基準值和日變化量兩部分。其中，基準值(m)反映這段時期內(nèi)土壤水分的一個最低狀況，與區(qū)域自然條件和氣候相關(guān)；變化量Δm()反映了氣象因子如降水、蒸散等引起的土壤水分短周期波動。正常情況下，在較短的時間范圍內(nèi)植被和地表粗糙度沒有顯著變化，那么，估算表層土壤水分變化量時只需消除地表溫度的差異即可。因此，利用光學(xué)遙感數(shù)據(jù)可獲得土壤水分基準值的反演，利用MWRI數(shù)據(jù)可獲得土壤水分日變化量，兩者協(xié)同能夠?qū)崿F(xiàn)表層土壤水分估算。

1.3.2 光學(xué)遙感反演地表土壤水分基準的方法 1)裸地或低植被覆蓋下的熱慣量法。熱慣量法具有較好的重復(fù)性、準確性和同一性，可以通過土壤水分含量與其熱慣量間的良好線性關(guān)系直接反演土壤水分，但是只適合于裸地或低植被覆蓋區(qū)。同時，由于求解真實熱慣量所需參數(shù)比較復(fù)雜難解，實際應(yīng)用中常用表觀熱慣量代替真實熱慣量建立表觀熱慣量與土壤水分之間的遙感統(tǒng)計模型[18]。表觀熱慣量的計算公式為：

ATI=(1–)/Δ(2)

式中：ATI為表觀熱慣量；Δ為晝夜溫差；為全波段反照率。采用Liang[19]針對MODIS數(shù)據(jù)提出的公式計算：

=1.1601+0.2912+0.2433+0.1164+0.1125+

0.0817–0.0015 (3)

式中：ρ(=1，2，3，4，5，7)為MODIS產(chǎn)品的各波段地物反射率。

2)中等植被覆蓋下的溫度植被干旱指數(shù)(tem-perature vegetation dryness Index, TVDI)模型。TVDI是利用Ts-NDVI特征空間提取的水分脅迫指標來估算陸面表層土壤水分的一種方法，可以表示為[20]：

式中：s和NDVI分別為給定像元的地表溫度和歸一化植被指數(shù)。1、1和2、2分別是濕邊(min)和干邊(max)的擬合系數(shù)。由此看出，TVDI的計算由s和NDVI決定，但稀疏植被區(qū)的s和NDVI受到土壤和植被的影響變得更加復(fù)雜，直接影響參數(shù)的估計。因此，TVDI模型比較適合用于中等植被覆蓋區(qū)域。研究采用MODIS地表溫度產(chǎn)品進行云掩膜和16 d平均值合成(利用連續(xù)兩期的MODIS 8 d合成地表溫度產(chǎn)品進行均值合成得到)以降低云對表層土壤水分反演的影響，針對地勢起伏引起的地表溫度差異問題則通過地面高程進行校正[21]，利用重采樣成1 km DEM數(shù)據(jù)對其進行高程校正，最后結(jié)合NDVI產(chǎn)品數(shù)據(jù)構(gòu)建TVDI模型。

3)密集植被覆蓋下的植被供水指數(shù)(vegetation supply water index, VSWI)模型。在密集植被覆蓋區(qū)域，NDVI值越大，TVDI的不確定性增大，因此在較高的植被覆蓋區(qū)監(jiān)測土壤水分不宜采用TVDI法。VSWI適合于高植被覆蓋情況下的土壤水分監(jiān)測，該方法獲取資料容易、時效性強、物理意義明確，是進行大范圍旱情監(jiān)測的有效和常用方法[22]。VSWI值越大，表明植被蒸騰旺盛，土壤水分含量較高，反之表明植被供水不足，土壤水分含量較低。同時，本文估算土壤水分基準值的前提假設(shè)是較短時期內(nèi)植被和地表粗糙度基本維持不變，因此，密集植被覆蓋下的土壤水分采用植被供水指數(shù)法進行估算[23]。以MODIS 31通道的亮溫數(shù)據(jù)反映植被冠層溫度，計算NDVI與之植被冠層溫度的比值得到VSWI。

1.3.3 被動微波遙感估算地表土壤水分日變化量的方法 一般情況下，亮溫極化率P是指某一頻率亮溫的水平、垂直極化差與兩者之和的比值，用其可以有效降低大氣與地表溫度對土壤水分的影響。因此，利用微波P和半經(jīng)驗?zāi)Ｐ涂捎嬎阃寥浪秩兆兓縖24]：

2 結(jié)果與分析

2.1 土壤水分基準值反演

參考相關(guān)文獻[25-26]，依據(jù)2015年第209天到217天16 d合成的NDVI數(shù)據(jù)將研究區(qū)地表類型劃分為3類：裸地或低植被覆蓋區(qū)(0

表1 不同地表覆蓋下土壤水分與遙感指數(shù)(ATI、TVDI、VSWI)的擬合模型

圖2 基于NDVI的藏北地表植被覆蓋類型

由表1可知，在裸地或低植被覆蓋和密集植被覆蓋下，ATI值、VSWI值與實測土壤水分擬合的冪函數(shù)模型效果均優(yōu)于線性模型的結(jié)果，決定系數(shù)2分別為0.62、0.85，而中等植被覆蓋的TVDI值與地面實測土壤水分存在良好的一元線性相關(guān)，決定系數(shù)2為0.63。3種地表類型區(qū)域的擬合模型的相關(guān)性均通過了置信度為0.05的顯著性檢驗，說明依據(jù)地表類型劃分的結(jié)果選擇相應(yīng)的模型對土壤水分進行估算可以取得較好的效果。

綜合表1中的擬合方程，估算得到2015年7月21日至8月5日16 d合成的土壤水分基準值(圖3)。由圖3可以看出，藏北地區(qū)土壤水分干濕狀況存在明顯的空間分異：東南、西北部地區(qū)土壤水分含量較高，冰雪覆蓋的較高海拔的高山區(qū)土壤水分也較充足，土壤含水量在10% 以上；中部地區(qū)的尼瑪縣大部分地區(qū)、改則縣南部地區(qū)及班戈縣等地，土壤水分含量較低，土壤水分含量在0 ~ 10%，部分區(qū)域土壤處于缺水狀態(tài)，土壤含水量低于5%。

利用地面實測數(shù)據(jù)對3種遙感模型聯(lián)合反演的土壤水分基準值進行精度分析(圖4)，可以看出，土壤水分基準值的估算結(jié)果與地面實測數(shù)據(jù)的決定系數(shù)2為0.65，均方根誤差RMSE為1.19，說明依據(jù)地表覆蓋類型構(gòu)建的光學(xué)遙感估算模型在一定程度上可以實現(xiàn)對土壤水分的估算，但估算精度仍然不高，主要原因一方面可能是NDVI最大值法雖然對去云是有效的，但卻忽略了地表方向性反射，造成由NDVI反演的地表參數(shù)的誤差；另一方面，由于采樣沿線地表特征差異較大，通過TDR測量獲得的真實土壤水分數(shù)據(jù)本身也有一定的誤差，導(dǎo)致土壤水分基準值估算結(jié)果的整體精度偏低，最高90.21%，最低54.73%，平均為74.69%，反映出復(fù)合模型反演的土壤水分基準值誤差的波動性較大。另外，實測數(shù)據(jù)是10cm的土壤水分含量，而衛(wèi)星遙感反演結(jié)果主要反映表層土壤水分，這也會對估算結(jié)果產(chǎn)生影響。因此，還需要多源遙感數(shù)據(jù)協(xié)同反演提高土壤水分精度。

2.2 基于微波遙感的土壤水分變化值估算

選擇2015年7月29日和8月5兩天的FY3B/ MWRI輻射亮溫數(shù)據(jù)，采用公式(5)計算土壤水分日變化量，運用卷積算法重采樣生成空間分辨率為1 km的土壤水分日變化量結(jié)果圖(圖5)。由圖5可以看出，兩期的土壤水分日變化量估算結(jié)果存在較大差異。8月5日土壤水分日變化量(圖5B)明顯高于7月29日(圖5A)，平均變化量為18.5%，最小僅為0.16%，最大達47.88%。土壤水分日變化量較高的區(qū)域主要分布在納木錯湖、昆侖山南坡、雙湖縣、班戈縣、改則和尼瑪縣北部，土壤水分變化量多在20% 以上。結(jié)合氣象資料分析，土壤水分日變化量較高的主要原因可能與當日研究區(qū)大部分地區(qū)有不同強度的降雨有關(guān)，導(dǎo)致土壤水分變化量明顯增大。研究區(qū)中部土壤水分日變化量的空間差異較明顯，這可能受降水時空分布不均、陸表蒸散發(fā)量較大等因素的影響，氣溫升高引起地表蒸發(fā)加快，導(dǎo)致土壤水分變化量減小[27]。另外，土壤水分日變化量在5% 以下的地區(qū)主要分布在西部、東部，且這些區(qū)域土壤水分變化量的值比較穩(wěn)定。分析原因，主要是這部分地區(qū)植被覆蓋度較高，植被對土壤水分的調(diào)節(jié)作用使得土壤水分變化波動較小[28]。

圖3 藏北地區(qū)土壤水分基準值

圖4 地面實測值與土壤水分基準的相關(guān)性分析

2.3 光學(xué)和微波遙感協(xié)同反演土壤水分

根據(jù)公式(1)，聯(lián)合土壤水分基準和日變化量得到藏北地區(qū)表層土壤水分結(jié)果(圖6)。總體上看，整個研究區(qū)土壤水分空間分異明顯，在高山區(qū)、林區(qū)以及湖泊周邊地區(qū)土壤水分含量較高，這與高山積雪融化補給以及降水量高有關(guān)。同時，結(jié)合氣象條件分析，氣溫和降水引起土壤水分產(chǎn)生時空分布變化。研究區(qū)2015年7月29日天氣狀況為晴天，而8月5日在安多縣北部、雙湖縣、改則縣中部地區(qū)、尼瑪縣中部、革吉縣東部等地均有降雨過程，因而8月5日當天土壤水分含量明顯增加，尤其對于裸土及稀疏植被覆蓋區(qū)域，土壤水分基準值偏低，降水過程使該區(qū)域的表層土壤水分迅速增加[29]，因而土壤水分變化量較大。在中等植被覆蓋區(qū)或密集植被覆蓋區(qū)，一定強度的降水易引起土壤水分出現(xiàn)飽和而使其隨地表徑流流走，因而土壤水分的變化量相對較小。

利用預(yù)留的10個實測土壤含水量數(shù)據(jù)驗證協(xié)同反演模型的精度與合理性(圖7)。由圖7可知，協(xié)同反演值與實測值表現(xiàn)出顯著的線性相關(guān)，決定系數(shù)2為0.89，均方根誤差RMSE為0.97。結(jié)合圖4的結(jié)果可以看出，相比于利用單一的光學(xué)遙感方法，微波與光學(xué)遙感協(xié)同反演的方法明顯提高了對土壤水分含量的估算精度。進一步利用2015年7月25日至8月6日藏北地區(qū)15個氣象站點記錄的地面實測降水數(shù)據(jù)對土壤水分協(xié)同反演估算結(jié)果的合理性進行分析(圖8)。由圖8可以看出，降水量與土壤水分含量估算結(jié)果之間有較好的對應(yīng)關(guān)系，兩者的變化趨勢基本一致，相關(guān)系數(shù)達到0.79，這也反映出估算結(jié)果的可信性。

圖7 地面實測值與協(xié)同反演值的相關(guān)性分析

圖8 降雨量與協(xié)同反演值的關(guān)系

綜上所述，針對藏北地區(qū)土壤水分實測數(shù)據(jù)獲取困難，結(jié)合MODIS數(shù)據(jù)的適中空間分辨率特性和微波數(shù)據(jù)對土壤水分定量估算的良好效果，協(xié)同光學(xué)與微波遙感反演土壤水分的方法簡單易行且效果較好。由于在利用光學(xué)和微波遙感協(xié)同反演土壤水分時考慮了植被覆蓋類型、地形對估算結(jié)果的影響，加之僅對比了較短時期土壤水分估算結(jié)果的動態(tài)變化，因此，在本研究中地表參數(shù)條件對土壤水分估算結(jié)果的影響較小。而實際上，環(huán)境條件的變化，比如空氣濕度、風(fēng)速、局部地形差異、土壤質(zhì)地等，都會引起估算結(jié)果產(chǎn)生偏差。因此，下一步工作需要考慮更多的影響因素對藏北地區(qū)土壤水分遙感估算結(jié)果的影響。另外，受實測數(shù)據(jù)的時間限制，對降水引起的土壤水分變化，本研究僅僅分析了降水當日的土壤水分變化量，土壤水分隨降水過程的變化情況還有待更深入的研究。

3 結(jié)論

1)利用NDVI閾值法劃分地表植被覆蓋類型，并在不同覆蓋類型區(qū)選用適用的光學(xué)土壤水分估算模型，可以在一定程度上提高地表類型復(fù)雜區(qū)域的光學(xué)遙感估算土壤水分的精度。

2)區(qū)分不同的地表植被覆蓋類型，協(xié)同光學(xué)遙感與微波遙感，可以取得更好的土壤水分估算結(jié)果。本研究光學(xué)與微波遙感協(xié)同反演的土壤水分含量與實測值之間具有顯著的線性相關(guān)性，決定系數(shù)2為0.89，均方根誤差RMSE為0.97，表明在藏北地區(qū)利用該方法進行土壤水分的反演是可行的。

[1] 胡猛, 馮起, 席海洋. 遙感技術(shù)監(jiān)測干旱區(qū)土壤水分研究進展[J]. 土壤通報, 2013, 11(5): 1270–1275

[2] 劉振華, 趙英時. 遙感熱慣量反演表層土壤水分的方法研究[J]. 中國科學(xué), 2006, 36(6): 552–558

[3] 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 Environment, 2002, 79(2/3): 213–224

[4] Nidson D C. Scheduling irrigation for soybeans with the crop water stress index (CWS1)[J]. Field Crops Research, 1990, 23(2): 103–116

[5] Kerr Y H, Njoku E G. A semi-empirical model for interpreting microwave emission from semiarid land surfaces as seen from space[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(3): 384–393

[6] Sanchez-Ruiz S, Piles M, Sanchez N, et al. Combining SMOS with visible and near/shortwave/thermal infrared satellite data for high resolution soil moisture estimates[J]. Journal of Hydrometeorology, 2014, 516: 273–283

[7] 李小英, 段爭虎. 基于SMOS的黃土高原區(qū)域尺度表層土壤水分時空變化[J]. 中國沙漠, 2014, 34(1): 133–139

[8] Robert M. Parinuss, Thomas R. H. Holmes, Niko Wanders, et al. A preliminary study toward consisted soil moisture from AMSR2[J]. Journal of Hydrometeorology, 2015, 4(16): 932–947

[9] 王國杰, 齊道日娜, 王磊, 等. 基于風(fēng)云三號氣象衛(wèi)星微波亮溫資料反演東北地區(qū)土壤濕度及其對比分析[J]. 大氣科學(xué), 2016, 40(4): 792–804

[10] 鮑艷松, 毛飛, 閔錦忠, 等. 基于FY-3B/MWRI數(shù)據(jù)的裸土區(qū)土壤濕度反演[J]. 國土資源遙感, 2014, 26(4): 131–137

[11] Zhang Y J, Wang J Z, Bao Y S. Soil moisture retrieval from multi-resource remotely sensed images over a wheat area[J]. Advances in Water Science, 2010, 21(2): 222–228

[12] 馬紅章, 張臨晶, 孫林, 等. 光學(xué)與微波數(shù)據(jù)協(xié)同反演農(nóng)田區(qū)土壤水分[J]. 遙感學(xué)報, 2014, 18(3): 673–685

[13] 張顯峰, 趙鵬杰, 包慧漪, 等. 基于AMSR-E與MODIS數(shù)據(jù)的新疆土壤水分協(xié)同反演與驗證[J]. 土壤學(xué)報, 2012, 49(2): 205–211

[14] 拉巴, 卓嘎, 陳濤. 藏北地區(qū)土壤水分遙感反演模型的研究[J]. 土壤, 2017, 49(1): 171–176

[15] 張敏, 袁輝. 拉依達(PauTa)準則與異常值剔除[J]. 鄭州工業(yè)大學(xué)學(xué)報, 1997(1): 87–91

[16] Njoku E G, Ashcroft P, Chan T K, et al. Global survey and statistics of radio-frequency interference in AMSR-E land observations[J]. IEEE Transactions on Geoscience & Remote Sensing, 2005, 43(5): 938–947

[17] Zhang X, Zhao J, Sun Q, et al. Soil moisture retrieval from AMER-E data in Xinjiang (China) models and validation[J]. Selected Topics in Applied Earth Observations and Remote Sensing, 2010, 4(1): 117–127

[18] 邸蘭杰, 王衛(wèi), 成賀璽, 等. 基于ATI和TVDI模型的河北平原土壤濕度遙感反演[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2014, 22(6): 737–743

[19] Liang S L. Narrowband to broadband conversions of land surface albedo algorithms[J]. Remote Sensing of Environment, 2000, 76(2): 213–238

[20] 趙杰鵬, 張顯峰, 廖春華, 等. 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

[21] 冉瓊, 張增祥, 張國平, 等. 溫度植被干旱指數(shù)反演全國土壤濕度的DEM訂正[J]. 中國水土保持科學(xué), 2005(2): 32–36,50

[22] 曹廣真, 侯鵬, 范錦龍, 等. TM與MODIS植被供水指數(shù)反演及其對比分析[J]. 遙感科學(xué)與技術(shù), 2010, 25(1): 63–68

[23] 焦俏, 王飛, 李銳, 等. ERS衛(wèi)星反演數(shù)據(jù)在黃土高原近地表土壤水分中的應(yīng)用[J]. 土壤學(xué)報, 2014, 51(6): 1338–1397

[24] 張顯峰, 趙鵬杰, 劉羽. 一種改進的土壤水分微波遙感反演模型[J]. 地理科學(xué)進展, 2013, 32(1): 78–86

[25] 鄧輝. 基于MODIS數(shù)據(jù)的大區(qū)域土壤水分遙感監(jiān)測研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2004

[26] 邊多, 普布次仁, 尼珍, 等. 基于MODIS-NDVI時序數(shù)據(jù)的西藏阿里地區(qū)草地覆蓋時空變化[J]. 中國草地學(xué)報, 2014, 36(3): 73–78

[27] 蘭鑫宇, 郭子祺, 田野, 等. 土壤濕度遙感估算同化研究綜述[J]. 地球科學(xué)進展, 2015, 30(6): 668–679

[28] Jackson R D, Idso S B, Reginato R J. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133–1138

[29] 蔣金豹, 張玲, 崔希民, 等. 基于L波段的裸土區(qū)土壤水分微波遙感反演研究[J]. 土壤, 2014, 46(2): 361–365

Cooperative Inversion of Topsoil Moisture Based on Optical and Microwave Remote Sensing Data in Northern Tibet

WANG Meixia1, FENG Wenlan1*, ZHAXI Yangzong2, WANG Yongqian1, NIU Xiaojun2

(1 College of Environmental and Resource Science, Chengdu University of Information Technology, Chengdu 610225, China; 2 Tibet Institute of Plateau Atmospheric and Environmental Science, Lhasa 850000, China)

Topsoil moisture is an important parameter to quantitatively monitor drought, and it plays an important role in the ecological environment in arid areas. The normalized difference vegetation index (NDVI) of threshold methods were used to classify land vegetation types, MODIS data were used to select optical remote sensing algorithm feasible to calculate the benchmark of soil moisture, FY3B/MWRI radiance data and microwave remote sensing algorithm were used to invert daily variation of top soil moisture, and finally the two techniques were combined to setup a cooperative inversion model of soil moisture for northern Tibet. The results showed a significant correlation between the inversed and in situ soil moistures, the determination coefficient was 0.89 and RMSE was 0.97, which indicated the cooperative inversion model was more accurate than the inversion model derived from single remote sensing data, and it is suitable for inversing topsoil moisture in northern Tibet.

Soil moisture; FY3B/MWRI; MODIS; Cooperative inversion; Northern Tibet

國家自然科學(xué)基金項目(41465006，41631180)和四川省教育廳項目(16TD0024，18ZA0110)資助。

fwl@cuit.edu.cn)

王梅霞(1990—)，女，甘肅會寧人，碩士研究生，主要研究方向為資源環(huán)境遙感。E-mail：1146793401@qq.com

TP722；TP79

A

10.13758/j.cnki.tr.2019.05.025