基于MODIS干旱指數(shù)與RBFNN方法的江蘇冬小麥需水關(guān)鍵期土壤水分遙感監(jiān)測應用

李 菁，任義方，戴竹君,4，金 瓊，沈 澄，張 蕾

(1.南京市氣象臺,江蘇 南京 210019；2.江蘇省氣候中心，江蘇 南京 210000；3.國家氣象中心，北京 100081;4.中國氣象局交通氣象重點實驗室，江蘇 南京，210041)

干旱的危害程度、影響范圍及持續(xù)時間對人類生活生產(chǎn)及社會發(fā)展影響較大，從氣象、農(nóng)業(yè)、水文及社會經(jīng)濟這幾個角度可將干旱分為4種類型[1-2]。傳統(tǒng)的干旱監(jiān)測主要采取田間定點監(jiān)測和隨機調(diào)查等方法，存在時間人力花費較多、效率低下、精度較差等缺點，目前已難以滿足實時大范圍監(jiān)測旱情的需求[3]。隨著遙感技術(shù)的發(fā)展，如何及時準確獲得區(qū)域土壤旱情的問題得到了較好的解決，通過衛(wèi)星遙感可以獲取大范圍多種不同類型的地表綜合信息，包括土壤供水信息及作物的需水狀況，利用遙感技術(shù)進行作物長勢監(jiān)測與評估已成為農(nóng)業(yè)遙感的一個重要研究領(lǐng)域[4-5]。

近年來，許多學者對干旱指標、遙感監(jiān)測旱情、以氣象和土壤水分為主的實測旱情資料進行了大量的研究[6]。目前，利用衛(wèi)星傳感器不同波段通道計算土壤水分[6-11]且使用高光譜遙感監(jiān)測作物水分[12]及采用微波遙感反演土壤水分[13-14]較為常見且使用頻率較高[15]。不同的遙感干旱監(jiān)測方法各有其優(yōu)缺點。由于干旱受到氣溫、降水、作物生長習性等多種因素的影響，單一要素往往難以及時準確表征干旱信息。利用多種遙感干旱監(jiān)測方法與神經(jīng)網(wǎng)絡相結(jié)合，可以更好地掌握當?shù)睾登榈陌l(fā)生發(fā)展，在干旱遙感監(jiān)測中具有十分重要的作用。

近年來隨著全球氣候暖干化的發(fā)展，我國旱澇格局也隨之發(fā)生改變，一方面以往干旱發(fā)生頻率較高的北方形勢依然嚴峻，另一方面，南方部分區(qū)域也明顯變干，重大干旱事件發(fā)生頻率有所增加[1]。作為南方麥區(qū)的重點種植區(qū)域，江蘇省年降水量由南向北遞減，南北差異明顯，一年中旱澇交替發(fā)生。隨著氣候暖干化發(fā)展，江蘇省干旱強度及干旱頻率逐年增高，對冬小麥生產(chǎn)的影響越發(fā)明顯[16]。目前，我國對于干旱的研究多集中于西北、華北等干旱發(fā)生頻率較高的地區(qū)，對于江蘇的干旱研究較少。本研究根據(jù)土壤含水量、作物的需水變化、作物的冠層溫度等特征，選取7種遙感干旱指數(shù)，計算遙感干旱指數(shù)與實測土壤相對濕度的相關(guān)性，選擇其中較為適宜的遙感干旱指數(shù)并結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(Radial Basis Function Neural Networks,RBFNN)對農(nóng)地相對濕度進行協(xié)同反演，以提高土壤濕度的反演精度，為旱情監(jiān)測提供參考。

1 數(shù)據(jù)來源和研究方法

1.1 數(shù)據(jù)來源

采用2014—2018年3—5月的MODIS遙感數(shù)據(jù)(https://www.nasa.gov/)，包括地表溫度產(chǎn)品(MOD11A2)和反射率數(shù)據(jù)產(chǎn)品(MOD09A1)。其中，MOD09A1盡量降低了云及氣溶膠濃度造成的不利影響，提供了7個波段的500 m分辨率8 d合成的數(shù)據(jù)產(chǎn)品[17]。MOD11A2產(chǎn)品是由分辨率為1 km的地表溫度/發(fā)射率產(chǎn)品(MOD11A1)合成，與MOD09A1產(chǎn)品時間分辨率相同。8 d的時間分辨率對于土壤水分變化有較好的捕捉，利于探測旱情的發(fā)生發(fā)展。非遙感數(shù)據(jù)包括江蘇省的行政區(qū)劃矢量數(shù)據(jù)和江蘇省農(nóng)業(yè)氣象觀測站每旬逢8觀測的10 cm和20 cm土層的土壤相對濕度，以百分比(%)表示。

1.2 研究方法

1.2.1 遙感干旱指數(shù)測算 對MODIS數(shù)據(jù)利用MRT、ENVI軟件進行拼接、重投影、裁剪、剔除無效值等預處理操作。為了保證數(shù)據(jù)空間分辨率一致，利用ArcGIS軟件對MOD11A2地表溫度數(shù)據(jù)采用雙線性內(nèi)插法采樣到500 m。而后利用IDL軟件對預處理得到各個波段數(shù)據(jù)，根據(jù)表1的公式算法進行運算操作，得到以下7種干旱遙感指數(shù)。

表1 干旱監(jiān)測參量和指數(shù)算法Table 1 The parameters and algorithms of drought monitoring index

表1中參數(shù)b1、b2、b6、b7分別代表MOD09A1產(chǎn)品的band1(620～670 nm)、band2(841～876 nm)、band6(1 628～1 652 nm)及band7(2 105～2 155 nm)；LST為地表溫度，LSTmax和LSTmin對應LST的最大值和最小值；NDVI為歸一化植被指數(shù)，NDVImin和NDVImax對應NDVI的最小值和最大值。

1.2.2 構(gòu)建RBFNN的土壤相對濕度反演模型 RBFNN分為輸入層、輸出層及隱含層[18]。相較于BPNN神經(jīng)網(wǎng)絡，RBFNN在學習速度、分類能力等方面都具有一定優(yōu)勢。RBFNN逼近能力強、結(jié)構(gòu)簡單、學習收斂速度快，在理論上它不僅是前向網(wǎng)絡中最優(yōu)的網(wǎng)絡，在學習方法上它也避免了局部最優(yōu)問題[19]。高斯函數(shù)作為徑向基函數(shù)為RBFNN神經(jīng)網(wǎng)絡充當傳遞函數(shù)：

(1)

網(wǎng)絡輸出為：

(2)

式(1)、(2)中，xP為第P個輸入樣本，P=1,2,…(P表示樣本總數(shù))，ci為網(wǎng)絡隱含層結(jié)點的中心，ωij為從隱藏層到輸出層的權(quán)值，i=1,2,…,h為隱含層的結(jié)點數(shù)；yj為與輸入樣本對應的網(wǎng)絡的第j個輸出結(jié)點的實際輸出[19]。

本研究利用Matlab軟件中的newrb函數(shù)來構(gòu)建RBFNN。RBFNN通常被用作逼近函數(shù)，用newrb函數(shù)不斷嘗試創(chuàng)建RBFNN網(wǎng)絡，直到網(wǎng)絡的輸出滿足設定的均方誤差(mean squared error，MSE)為止[20]。

net=newrb(P,T,goal,spread,MN,DF)

(3)

式中，newrb為RBF；net作為newrb的返回參數(shù)；P是輸入矩陣，每列是一個輸入樣本；T是每列一個輸出樣本，為期望輸出矩陣；goal是標量，為指定的均方誤差，缺省值為0，本文設置為0.001；spread也是標量，表示徑向基函數(shù)的擴散速度；DF是兩次顯示之間所添加的神經(jīng)元數(shù)目[21]。spread與MN需多次重復進行試驗評估，選擇平均錯誤率最小的一次獲取RBFNN的預測模型。

針對江蘇省冬小麥的需水關(guān)鍵期，分析遙感干旱監(jiān)測指數(shù)與實測不同深度土壤相對濕度之間的關(guān)聯(lián)性，在其中選取適宜的干旱遙感監(jiān)測指數(shù)為輸入層，各農(nóng)氣站實測土壤相對濕度為輸出層，得到基于RBFNN的土壤相對濕度反演模型。

2 結(jié)果與分析

2.1 不同區(qū)域遙感干旱指標與土壤相對濕度相關(guān)性分析

以淮河和長江為界限，自北向南將江蘇省分為淮北、江淮及沿江蘇南，研究這3個區(qū)域不同深度土壤相對濕度和7個遙感干旱指數(shù)之間的相關(guān)性發(fā)現(xiàn)(表2)，對于淮北地區(qū)，10 cm深度土壤相對濕度表現(xiàn)為NDVI>VSWI>VCI>NDIIB7>NMDI>SWCI>TCI；20 cm深度土壤相對濕度表現(xiàn)為NDVI>VSWI>VCI>NMDI>TCI>SWCI>NDBII7?？傮w來看，NDVI指數(shù)反演效果較好，相關(guān)系數(shù)在0.2左右，其次為VSWI指數(shù)及VCI指數(shù)。對于江淮地區(qū)，10 cm深度土壤相對濕度表現(xiàn)為VCI>NDVI>VSWI>NMDI>NDBII7>TCI>SWCI；20cm深度土壤相對濕度表現(xiàn)為VCI>NMDI>NDVI>VSWI>SWCI>TCI>NDBII；7種干旱遙感指數(shù)在江淮地區(qū)反演效果中，VCI指數(shù)反演效果更好，與各層土壤水分的相關(guān)系數(shù)接近0.25，其次為NDVI指數(shù)及VSWI指數(shù)。沿江蘇南區(qū)域，10 cm深度土壤相對濕度表現(xiàn)為VSWI>NMDI>SWCI>NDBII7>TCI>NDVI>VCI；20 cm深度土壤相對濕度表現(xiàn)為TCI>NMDI>SWCI>VSWI>NDBII7>VCI>NDVI；除NDVI及VCI指數(shù)與土壤相對濕度的相關(guān)系數(shù)較低以外，其他指數(shù)都有較好的反演效果，其中VSWI指數(shù)對10 cm深度的土壤相對濕度反演效果最佳，相關(guān)系數(shù)達到0.5，TCI指數(shù)與20 cm土層的土壤相對濕度相關(guān)系數(shù)為-0.2933。分析江蘇全省不同深度土壤相對濕度和7個遙感干旱指數(shù)之間的相關(guān)性發(fā)現(xiàn)，10 cm深度土壤水分表現(xiàn)為VSWI>NDVI>TCI>SWCI>NDBII7>NMDI>VCI；20 cm深度土壤水分表現(xiàn)為VSWI>SWCI>NMDI>NDVI>NDBII7>VCI>TCI。VSWI指數(shù)對于土壤水分監(jiān)測效果最佳，相關(guān)系數(shù)在0.27左右；其次為NDVI指數(shù)和SWCI指數(shù)，二者較為接近；NDIIB7對于土壤濕度的反演在0.22左右，VCI反演效果略低于其他6種指數(shù)。有研究表明，植被指數(shù)通常只反映植被生長狀況的變化，由于降水與植被響應模式，氣象干旱與植被活動之間一般存在一定的時間滯后效應；溫度指數(shù)只反映地表溫度異常，其低值也可能來自于熱浪等其他因素導致的溫度異常[21-22]。因此，為了更準確地進行農(nóng)業(yè)干旱監(jiān)測，本文在7種遙感干旱指數(shù)中選取VSWI、NDVI、NDIIB7、TCI和 SWCI作為10 cm深度土壤相對濕度的反演模型的評價指標集；對于20 cm深度的土壤相對濕度，研究根據(jù)相關(guān)程度選取VSWI、NDVI、NDIIB7、NMDI及SWCI這5種指數(shù)作為評價指標集。

表2 2014—2018年不同地區(qū)7種遙感土壤濕度反演模型比較Table 2 Comparison of test results of 7 remote sensing soil moisture models in different areas in 2014-2018

2.2 基于RBFNN構(gòu)建土壤濕度反演模型有效性驗證

利用Matlab軟件中newrb函數(shù)構(gòu)建2018年不同深度土壤水分的RBFNN反演模型，并對其有效性進行驗證。對于10 cm深度土壤相對濕度，spread取0.001，MN取55，DF為5，逼近效果最佳。對于20 cm深度土壤相對濕度，spread取0.001，MN取50，DF為7，逼近效果較好。

將6個遙感干旱指數(shù)分別與江蘇省2018年冬小麥的需水關(guān)鍵期的實測土壤水分進行相關(guān)分析發(fā)現(xiàn)(如表3)，對10 cm深度土壤水分的反演效果均優(yōu)于20 cm。利用地表溫度和NDVI相結(jié)合運算得到的VSWI指數(shù)反演效果優(yōu)于其他指數(shù)，與2個土層相關(guān)系數(shù)分別達到0.4712和0.3619，NDMI指數(shù)對于10 cm深度土壤水分反演效果最差，相關(guān)系數(shù)為-0.1839；NDIIB7指數(shù)與20 cm深度土壤相對濕度相關(guān)性低于其他指數(shù)，為0.2181。采用干旱遙感指數(shù)協(xié)同RBFNN構(gòu)建的土壤水分模型對土壤水分的反演效果均明顯優(yōu)于以上6種遙感干旱指數(shù)，與2個土層相關(guān)系數(shù)分別達到0.5161和0.4307。另外，研究同時應用BPNN函數(shù)反演土壤水分發(fā)現(xiàn)，其與VSWI指數(shù)反演結(jié)果較為接近。以上研究結(jié)果表明，相較于單一的遙感指數(shù)及BPNN網(wǎng)絡，RBFNN模型的反演效果更好，能更準確地監(jiān)測研究區(qū)土壤水分的變化。

為了更進一步驗證RBFNN反演土壤相對濕度模型的有效性，將研究區(qū)自北向南分為3個區(qū)域?qū)ζ?018年冬小麥需水關(guān)鍵期的土壤相對濕度進行分析，利用相關(guān)系數(shù)r來檢驗模型的有效性。研究發(fā)現(xiàn)(如圖1)，各區(qū)域?qū)τ?0 cm深度土壤水分的RBFNN反演土壤相對濕度效果優(yōu)于10 cm。從分區(qū)域來看，RBFNN對于10 cm深度土壤相對濕度的反演效果以江淮地區(qū)最好(r=0.3951)，其次為沿江蘇南，淮北地區(qū)反演效果較弱(r=0.2834)；對于20 cm深度土壤相對濕度，則是對淮北反演效果最佳(r=0.6348)，江淮一帶反演效果次之(r=0.5430)。

表3 不同深度土壤水分遙感反演模型結(jié)果比較Table 3 Comparison of the soil moisture from inversion model at different depths

圖1 2018年小麥需水關(guān)鍵期不同區(qū)域RBFNN協(xié)同遙感干旱指數(shù)反演土壤水分Fig.1 Soil moisture retrieval by RBFNN collaborated with remote sensing drought index in different regions during the critical water demand period of winter wheat in 2018

2.3 典型個例分析

干旱是制約農(nóng)業(yè)生產(chǎn)的主要氣象災害之一，不同地區(qū)適用的干旱指數(shù)不同[23]。利用降水距平百分率可直觀反映因降水異常而導致的干旱，適用于平均氣溫高于10℃的半濕潤、半干旱地區(qū)。本研究采用國標《氣象干旱等級》(GB/T 20481-2006)中的降水距平百分率指標[24]，規(guī)定月尺度下，-40%<降水距平百分率≤-60%為輕旱，-60%<降水距平百分率≤-80%為中旱，-95%<降水距平百分率≤-80%為重旱，降水距平百分率≤-95%為特旱。根據(jù)江蘇省氣候中心報告，2017年5月江蘇省小麥處于抽穗開花～灌漿乳熟～成熟期。其中，5月中下旬江蘇省以晴好天氣為主，氣溫異常偏高，5月各站降水量為23.4 mm(沛縣)～111.7 mm(宜興)，全省平均降水量為59.7 mm，較常年偏少28%左右(如圖2)。與常年同期相比，除張家港、宜興和盱眙略偏多不足5%外，全省其他大部普遍偏少10%～68%。其中，沿淮及其以北大部分地區(qū)降水量較常年偏少20%～50%，達輕旱水平；江蘇西北部徐州地區(qū)及沿淮東部降水較常年平均偏少50%以上，達中旱水平。

圖2 2017年5月江蘇省降水量距平百分率Fig.2 Percentage of precipitation anomalies in May 2017 of Jiangsu Province

圖3 RBFNN協(xié)同遙感干旱指數(shù)反演江蘇2017年5月農(nóng)田10 cm深度土壤相對濕度Fig.3 The soil relative humidity at the depth of 10 cm retrieved by RBFNN collaborated with remote sensing drought index in May 2017 of Jiangsu Province

本研究利用IDL軟件計算出5個遙感干旱指數(shù)的值，根據(jù)以上結(jié)果通過Matlab軟件得到2017年5月上、中、下旬全省14個農(nóng)業(yè)氣象觀測站點RBFNN的土壤相對濕度值，在ArcGIS中采用反距離權(quán)重法對預測值進行插值，反演得到2017年冬小麥5月上、中、下旬江蘇省的土壤相對濕度分布圖。如圖3所示，受降水持續(xù)偏少影響，江蘇5月旱情逐步顯現(xiàn)，旱情主要出現(xiàn)在沿淮東部及淮北部分地區(qū)，其中，根據(jù)預測結(jié)果，興化和徐州地區(qū)在5月下旬10 cm深度土壤相對濕度為49%，達中旱水平；鹽城、淮安及如皋為50%～65%，屬于輕旱。與實測土壤墑情監(jiān)測結(jié)果比較，土壤水分高值反演效果略偏低，其中，對于土壤相對濕度在90%以上的區(qū)域，RBFNN預測的結(jié)果均在85%～90%之間。而土壤水分低值區(qū)反演結(jié)果略偏高，其中，對于相對濕度在50%以下的區(qū)域，RBFNN的預測結(jié)果基本在50%左右?？傮w而言，預測結(jié)果和實測結(jié)果較為接近，說明反演模型較為有效。

3 討論與結(jié)論

1)對7種遙感干旱監(jiān)測指數(shù)與實測10 cm/20 cm深度的土壤相對濕度進行相關(guān)分析，發(fā)現(xiàn)在冬小麥的需水關(guān)鍵期，對于淮北而言，NDVI指數(shù)反演效果較好，相關(guān)系數(shù)在0.2左右，其次為VSWI指數(shù)及VCI指數(shù)。對于江淮地區(qū)，7種干旱遙感指數(shù)中VCI指數(shù)反演效果更好，與各層土壤水分的相關(guān)系數(shù)接近0.25，其次為NDVI指數(shù)及VSWI指數(shù)。對于沿江蘇南一帶，除NDVI及VCI指數(shù)與土壤相關(guān)濕度的相關(guān)系數(shù)較低以外，其他指數(shù)都有較好的反演效果，其中VSWI指數(shù)對10 cm深度的土壤相對濕度反演效果最佳，相關(guān)系數(shù)達到0.5。TCI指數(shù)與20 cm深度的土壤相對濕度相關(guān)系數(shù)為-0.2933。對于全省來說，VSWI指數(shù)對于土壤水分監(jiān)測效果最佳，相關(guān)系數(shù)在0.27左右；其次為NDVI指數(shù)和SWCI指數(shù)，二者較為接近；NDIIB7對于土壤濕度的反演在0.22左右，VCI反演效果略低于其他6種指數(shù)。本研究在7種遙感干旱指數(shù)中選取VSWI、NDVI、NDIIB7、TCI和SWCI作為10 cm深度土壤相對濕度的反演模型的評價指標集；選取VSWI、NDVI、NDIIB7、NMDI及SWCI作為20 cm深度土壤相對濕度的反演模型的評價指標集。

2)通過RBFNN和BPNN模型以及6種干旱遙感監(jiān)測模型對江蘇省2018年冬小麥需水關(guān)鍵期的反演研究發(fā)現(xiàn)，利用RBFNN對土壤相對濕度的反演效果均明顯高于以上6種遙感干旱指數(shù)，10 cm和20 cm深度相關(guān)系數(shù)分別達到0.5161及0.4307。而利用BPNN反演土壤濕度發(fā)現(xiàn)，其與VSWI指數(shù)反演結(jié)果較為接近?？傮w來看，RBFNN模型反演土壤相對濕度的效果更好，能準確地反映研究區(qū)土壤水分的變化。而對2017年5月江蘇省利用RBFNN進行反演得到的冬小麥10 cm深度土壤相對濕度分布圖與實測土壤墑情監(jiān)測結(jié)果比較接近，說明反演模型有效。

3)本研究以冬小麥需水關(guān)鍵期為研究時段，選取該時期土壤相對濕度反演的綜合評價指標集時，對于冬小麥生長發(fā)育期劃分不夠細致，而作物的生長與土壤相對濕度之間也存在一定的滯后反應。另外，由于實測土壤相對濕度為單點數(shù)據(jù)，與衛(wèi)星數(shù)據(jù)空間分辨率上存在不匹配，因而兩者之間的相關(guān)性存在一定的誤差。對于反演模型的訓練樣本，由于全省的農(nóng)氣站點有限，數(shù)據(jù)存在缺測等因素影響，因此，訓練樣本也存在代表性不足的問題。研究發(fā)現(xiàn)，微波遙感數(shù)據(jù)與農(nóng)氣站點數(shù)據(jù)吻合度較好[25]，后續(xù)可進一步利用微波遙感監(jiān)測數(shù)據(jù)對其進行改善。