王思楠，李瑞平，李夏子

基于綜合干旱指數(shù)的毛烏素沙地腹部土壤水分反演及分布

王思楠1，李瑞平1※，李夏子2

（1. 內(nèi)蒙古農(nóng)業(yè)大學水利與土木建筑工程學院，呼和浩特 010018；2. 內(nèi)蒙古氣象科學研究所，呼和浩特 010051）

為了克服單一干旱監(jiān)測指數(shù)在復雜覆蓋類型的適用性問題，以復雜覆蓋類型的毛烏素沙地腹部烏審旗為例，在傳統(tǒng)歸一化干旱指數(shù)（normalized difference drought index，NDDI）、土壤濕度監(jiān)測指數(shù)（soil moisture monitoring index ，SMMI）、溫度植被干旱指數(shù)（temperature vegetation drought index，TVDI）3個單一干旱監(jiān)測指數(shù)的基礎(chǔ)上，通過層次分析法確定各指數(shù)的權(quán)重，結(jié)合野外不同覆蓋類型實測的土壤含水率數(shù)據(jù)，分別進行回歸分析，建立多指數(shù)綜合干旱監(jiān)測模型，基于此模型分析研究區(qū)表層土壤水分的空間分布。結(jié)果表明：3個單一干旱指數(shù)在一定程度上均能客觀反映旱情特征，與表層土壤含水率呈現(xiàn)不同程度的負相關(guān)，溫度植被干旱指數(shù)相關(guān)性最好為0.604。引入結(jié)合多指數(shù)的綜合干旱監(jiān)測指數(shù)模型，在8月、9月草地和沙地與表層土壤含水率指數(shù)模型的決定系數(shù)2均在0.7以上，高于基于單一指數(shù)模型的擬合精度?；谠撃Ｐ?，研究區(qū)研究區(qū)表層土壤含水率整體較低，體積含水率不高于0.15 cm3/cm3的面積分別占96.47％（8月）和94.8％（9月）?？傮w上從東到西，由北到南土壤含水率逐漸降低，與實測表層土壤樣本的描述性統(tǒng)計結(jié)果有較好的空間一致性。

土壤；水分；遙感；干旱；干旱指數(shù)；荒漠草原

0 引 言

土壤水分是土壤—植被—大氣連接的關(guān)鍵因子，是農(nóng)牧業(yè)發(fā)展的一個重要組成部分，其分布在很大程度上決定著作物的生長和生產(chǎn)力，提高土壤水分估算的準確性具有重要意義[1]。在利用間接手段的空間探測技術(shù)中的遙感數(shù)據(jù)反演土壤水分之前，傳統(tǒng)土壤水分一般都是采用直接手段在氣象站點進行監(jiān)測以及使用氣象數(shù)據(jù)和基礎(chǔ)地理數(shù)據(jù)進行模擬[2]。其中，基于遙感數(shù)據(jù)的土壤水分反演通過面的形式對地表進行觀測，不受地面站點位置的限制，可以快速、高效連續(xù)地獲取監(jiān)測區(qū)的空間信息，擴展了土壤水分的監(jiān)測范圍，更能體現(xiàn)出地表水分平衡系統(tǒng)失衡的真實情況[3]。

20世紀60年代初，一些學者開始從土壤和植被2個方面入手利用遙感數(shù)據(jù)反演土壤水分，出現(xiàn)了許多監(jiān)測方法如基于單波段、組合波段的反射率法和植被指數(shù)法、基于特征空間的溫度條件植被指數(shù)和溫度植被指數(shù)法與基于L波段、C波段、X波段的主動微波和被動微波等方法[4-5]。其中溫度植被指數(shù)法是最常用的方法，但針對較高覆蓋的自然植被與農(nóng)作物，使用（normalized diff-erence vegetation index，NDVI）構(gòu)成的特征空間會由于其特性在高植被或者低植被產(chǎn)生飽和背景影響，這種飽和的變化影響了歸一化植被指數(shù)在極端情況下的空間一致性[6]。Qi等[7]在此基礎(chǔ)上采用土壤調(diào)節(jié)植被指數(shù)（modified soil adjusted vegetation index，MSAVI）對植被密度參數(shù)進行調(diào)節(jié)，取得了較好的效果。除此之外，還發(fā)展了一些考慮多因素的的綜合干旱監(jiān)測指數(shù)，如Brown等[8]于2008年提出的植被干旱響應(yīng)指數(shù)（vegetation drought response index，vegDRI）；Wu等[9]依照植被干旱響應(yīng)指數(shù)（vegetation drought response index，VegDRI）的理論，進一步計算出了表層綜合干旱指數(shù)（integrated surface drought index，ISDI）；Du等[10]在考慮植被、土壤和降水虧缺等致旱因素的基礎(chǔ)上，利用主成分變換構(gòu)建的綜合干旱監(jiān)測指數(shù)（synthesized drought index，SDI），隨后在2013年又綜合了土地利用類型、土壤有效持水量等因素，利用分類回歸樹方法，對SDI進行了改進；包欣[11]利用氣象、遙感與土壤墑情3種數(shù)據(jù)源信息，并計算3種數(shù)據(jù)源的干旱指標，對各個干旱指標進行相關(guān)分析，進一步構(gòu)建多指標干旱監(jiān)測模型，對河南春季旱情監(jiān)測結(jié)果具有較好的精度。這些指數(shù)的發(fā)展，表現(xiàn)為由單因素向多因素、由單指標向多指標綜合發(fā)展，為土壤水分的綜合監(jiān)測提供了新的思路[12]。

烏審旗地處毛烏素沙地腹部，地表植被覆蓋類型差異較大，土壤水分又是該地區(qū)生態(tài)系統(tǒng)穩(wěn)定性的重要指標，雖然單一的歸一化干旱指數(shù)（normalized difference drought index，NDDI）、土壤濕度監(jiān)測指數(shù)（soil moisture monitoring index ，SMMI）、溫度植被干旱指數(shù)（tem-perature vegetation drought index，TVDI）都能夠間接地對土壤水分狀況進行不同程度的反演，倘若僅僅采用單一的監(jiān)測指數(shù)是不能準確地反映研究區(qū)的實際土壤水分，絕大部分原因在于各種干旱指數(shù)具有不同的優(yōu)缺點與適用范圍。已有研究表明SMMI指數(shù)只適用于低植被覆蓋區(qū)域，而NDDI指數(shù)在覆蓋度較高的區(qū)域比較有效，TVDI模型適應(yīng)于不同的植被覆蓋區(qū)域。除此筆者在相關(guān)研究中考慮了單一TVDI指數(shù)的基礎(chǔ)上，與荒漠化差值指數(shù)（desertification difference index，DDI）結(jié)合反演土壤含水率，雖然彌補了TVDI反演土壤含水率精度問題，但反演精度仍然不理想[13]?；诖?，本文擬構(gòu)建一種基于NDDI、SMMI、TVDI多指數(shù)的綜合干旱指數(shù)（compre-hensive drought index，CDI），并通過層次分析法確定各指數(shù)的權(quán)重，以求克服基于經(jīng)驗法賦權(quán)的主觀性問題。該指數(shù)綜合考慮了各干旱指數(shù)的適用范圍的特點，有效地提高了土壤水分反演結(jié)果的可靠性，以期為決策者監(jiān)測、預(yù)防干旱提供有力支持。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

烏審旗屬于內(nèi)蒙古自治區(qū)鄂爾多斯市管轄（108°17′～109°40′E、37°38′～39°23′N），位于毛烏素沙地腹部，平均海拔1 305 m。四季分明，干燥多風，年平均風速3.4 m/s。年平均降雨量350～400 mm，多集中在6—9月，屬于少雨地區(qū)。年平均氣溫6.8 ℃，無霜期113～156 d。主要土壤類型有栗鈣土、草甸土、鹽堿土或沼澤潛育土以及各類風沙土。主要土地利用有草地、沙地、林地、耕地、水體和建設(shè)用地，所占比例分別為55.66％、29.3％、10.9％、2.75％、0.7％和0.69％，所占面積分別為6 481.66、3 402.83、1 276.48、321.15、82.52和80.36 km2。

圖1 研究區(qū)地理位置與采樣區(qū)分布圖

1.2 研究區(qū)數(shù)據(jù)

通過USGS網(wǎng)站下載2016年8月26日、9月28日過境研究區(qū)無云或天氣狀況較好的空間分辨率為30 m的Landsat 8 OLI遙感影像數(shù)據(jù)。利用ENVI 5.1對Landsat 8 OLI遙感影像數(shù)據(jù)進行融合、裁剪、輻射定標、FLAASH大氣校正等精度較高的研究區(qū)預(yù)處理基礎(chǔ)數(shù)據(jù)。

為了使野外采樣點可以充分代表烏審旗區(qū)域內(nèi)不同植被覆蓋類型的土壤情況，以提高土壤含水率遙感監(jiān)測模型的精度，根據(jù)不同土地利用類型狀況，在研究區(qū)布設(shè)24個采樣區(qū)（沙地12個、草地12個）。每個樣區(qū)有5個采樣點，各樣點之間的間距大致為1 km，取樣深度為表層0～10 cm。土壤樣本于相對應(yīng)遙感影像成像時間的前后3 d內(nèi)完成采集，并用烘干法測定土壤水分。

2 研究方法

2.1 歸一化干旱指數(shù)

歸一化干旱指數(shù)利用可以對土壤濕度信息具有明顯優(yōu)勢的歸一化水體指數(shù)（normalized difference water index，NDWI）和可以對植被生長期反映干旱信息的植被長勢情況，具有明顯優(yōu)勢的歸一化植被指數(shù)的各自優(yōu)勢信息特征進一步快速綜合反映當前地表的干旱的變化過程[14]。在計算過程中，對于有云覆蓋的像元，將其對應(yīng)的值賦為空值，從而保證后續(xù)敏感性分析的精度。歸一化干旱指數(shù)被定義為

NDDI=（NDVI-NDWI）/（NDVI+NDWI） （1）

式中NDVI為歸一化植被指數(shù)；NDWI為歸一化水體指數(shù)。

2.2 土壤濕度監(jiān)測指數(shù)

劉英等[15]利用TM/ETM+影像的SWIR-NIR波段的地表反射率數(shù)據(jù)，建立不同波段構(gòu)成的光譜特征空間，進一步提出了土壤濕度監(jiān)測指數(shù)SMMI。且基于SWIR（band7）-NIR（band4）特征空間的SMMI（7，4）在監(jiān)測地表土壤水分是最優(yōu)的。由于TM/ETM+遙感數(shù)據(jù)與OLI遙感數(shù)據(jù)的對應(yīng)波段信息不同使其4、7波段分別對應(yīng)第5、7波段[16]，因此，本文利用OLI遙感數(shù)據(jù)構(gòu)建了土壤濕度監(jiān)測指數(shù)SMMI（7，5）。SMMI計算公式為

式中ρNIR、ρSWIR分別為Landsat8OLI影像第5、7波段地表反射率，｜OE｜距離的變化反映了土壤濕度的變化（圖2），｜OD｜的值為。

2.3 溫度植被干旱指數(shù)

Sandholt等[17]在歸一化植被指數(shù)和地表溫度的特征空間有一系列可以代表的土壤水分等值線，構(gòu)成特征空間的溫度植被干旱指數(shù)的斜率與土壤水分呈負相關(guān)。用于間接表示土壤含水狀況。TVDI由遙感數(shù)據(jù)計算的植被指數(shù)和地表溫度計算得到，其定義為

TVDI=（LST-LSTmin）/（LSTmax-LSTmin） （3）

式中LST為任意像元地表溫度；LSTmax為干邊上的地表溫度，即為研究內(nèi)具有某個MSAVI值像元的最高地表溫度；LSTmin為濕邊上的地表溫度，即為研究區(qū)內(nèi)具有某個MSAVI值像元的最低地表溫度?！案蓾襁叀倍x為

LSTmax=·MSAVI +

LSTmin=·MSAVI +（4）

式中是干、濕邊通過線性擬合的模型參數(shù)。

2.3.1 植被指數(shù)

土壤調(diào)節(jié)植被指數(shù)通過植被密度變化的參數(shù)的變化，來反映土壤背景與植被覆蓋的關(guān)系，修正了歸一化植被指數(shù)在極端情況下的高植被覆蓋區(qū)或者低植被覆蓋區(qū)出現(xiàn)偏大或者偏小的估測誤差。

式中4和5分別為Landsat 8 OLI影像的第4和5波段的反射率。

2.3.2 地表溫度

本研究使用單窗算法（mono -window algorithm）是由覃志豪等[18]根據(jù)TM6波段地表熱輻射在大氣傳輸?shù)奶匦越⒌摹Ｓ嬎愎綖?/p>

其中：

式中T為地表溫度，K；和為常數(shù)，取值分別為-67.355和0.459；T為星上的亮度溫度，K；和為中間變量；T為大氣平均作用溫度，K；為大氣透射率；為地表比輻射率。

2.4 綜合干旱指數(shù)監(jiān)測模型

為能精確地進行土壤水分反演，本文通過處理好的單一干旱監(jiān)測指數(shù)，突破數(shù)據(jù)自身的缺陷[19]，構(gòu)建可在區(qū)域尺度上應(yīng)用的綜合干早指數(shù)監(jiān)測模型，以較好地彌補單個監(jiān)測指數(shù)過于片面或者存在的不足問題。

2.4.1 模型構(gòu)建

為了使歸一化干旱指數(shù)NDDI、土壤濕度監(jiān)測指數(shù)SMMI、溫度植被干旱指數(shù)TVDI具有可結(jié)合性，首先對干旱指數(shù)歸一化處理為0～1的無量綱。與此同時使用同一土壤含水率與這3個干旱監(jiān)測指數(shù)，以及這3個干旱監(jiān)測指數(shù)間進行相關(guān)性分析，結(jié)果如表1所示。

表1 實測0~10 cm土壤體積含水率與干旱指數(shù)間的相關(guān)性

注：**為0.01水平的顯著相關(guān)，樣本數(shù)為98。

Note：** is significant level in 0.01 and sample number is 98.

從表1可以看出，無論是土壤含水率數(shù)據(jù)與NDDI、SMMI、TVDI指數(shù)之間的相關(guān)性，還是這3個單一干旱指數(shù)彼此之間的相關(guān)性，其分析結(jié)果均成正相關(guān)并且都通過了0.01的雙側(cè)性顯著檢驗。結(jié)果表明遙感干旱監(jiān)測植被指數(shù)中的TVDI與NDDI相關(guān)性為0.502。在遙感干旱監(jiān)測植被指數(shù)與遙感干旱光譜監(jiān)測指數(shù)中，首先TVDI與SMMI之間的相關(guān)性最高，為0.467，其次是NDDI與SMMI之間的相關(guān)性，為0.424。由此，從干旱監(jiān)測的機理與反映干旱信息的方面出發(fā)，同一類型的干旱監(jiān)測指數(shù)之間的相關(guān)性會高于不同類型指數(shù)之間的相關(guān)性，且相互之間具有互補性[20]。此外，3個干旱監(jiān)測指數(shù)與表層0～10 cm的土壤含水率之間也有良好的相關(guān)性。其中，遙感干旱監(jiān)測植被指數(shù)與土壤含水率的相關(guān)性分析中，TVDI與土壤含水率的相關(guān)性最高為0.604，其次為歸一化干旱指數(shù)NDDI，相關(guān)性為0.456。遙感干旱監(jiān)測光譜指數(shù)與土壤含水率的分析中，尺度化土壤濕度監(jiān)測指數(shù)SMMI與土壤含水率的相關(guān)性達到了0.531。因此，TVDI指數(shù)相對于其他2種NDDI、SMMI監(jiān)測指數(shù)對于研究區(qū)土壤水分反演的效果較好。

綜上，為了提高干旱監(jiān)測指數(shù)在毛烏素沙地地區(qū)復雜地形中的適應(yīng)性，建立綜合NDDI、SMMI、TVDI的遙感旱情監(jiān)測模型，稱為綜合干旱指數(shù)監(jiān)測模型，構(gòu)建模型如下：

國內(nèi)外蓄熱氧化換向流動反應(yīng)器的研究，主要包括數(shù)學模型及驗證、試驗研究、反應(yīng)機理簡化、反應(yīng)動力學、蓄熱床層阻力、甲烷轉(zhuǎn)化率、反應(yīng)器運行穩(wěn)定性、蓄熱材料熱疲勞及反應(yīng)器設(shè)計方法等方面，不一而足。而通過不同研究的時間區(qū)間，亦不難得出該項技術(shù)的研究歷程，如圖2所示。

CDI=1·NDDI+2·SMMI+3·TVDI （8）

式中CDI為綜合旱情監(jiān)測指數(shù)，其值越大表明研究區(qū)旱情越嚴重，取值范圍為0～1；NDDI、SMMI和TVDI數(shù)值越大越容易發(fā)生干旱；1、2和3分別為各個干旱指數(shù)的權(quán)重系數(shù)，且1+2+3=1，其中1，2，3分別通過層次分析法方法[21]賦給3個基本參量不同權(quán)重系數(shù)。

2.4.2 權(quán)重確定

層次分析法確定權(quán)重的步驟如下。

1）構(gòu)造判斷矩陣

判斷矩陣是層次分析法把定性問題轉(zhuǎn)化為定量分析的基礎(chǔ)，采用Saaty提出的5標度方法[22]，通過同一層次間兩兩指標相互比較，從而確定相應(yīng)的判斷矩陣如下式（9）。

式中a為判斷矩陣的元素，表示第個指標相對于第個指標重要性的程度，且滿足條件=；當=時，a=1；a=1/a，a>0。

2）層次單排序及一致性檢驗

層次單排序是是層次分析法最關(guān)鍵的步驟，它是層次分析法的出發(fā)點用于確定本層次與本層次的關(guān)系與本層次與上層次單一指標根據(jù)重要性對權(quán)重大小進行排列，評價的各個單一指標的權(quán)重需經(jīng)過計算判斷矩陣得到。利用方根法計算判斷矩陣的特征值max與特征向量并對其進行歸一化且進一步確定評價指標的權(quán)重。計算步驟如下。

c）求取最大特征值max。

d）一致性檢驗。說明檢驗指標CI與判斷矩陣偏離兩者之間對于一致性的偏離大小，其中CI的計算公式為：

式中為判斷矩陣的階數(shù)，CI 值越小，判斷矩陣的一致性越好。

然后計算出一致性比率CR

CR=CI/RI （14）

式中RI為隨機一致性指標，當CR<0.1時，說明判斷矩陣具有滿意的一致性。否則就調(diào)整，直到滿意為止，若滿足一致性檢驗，則1、2、3就是得到的權(quán)重。

e）計算結(jié)果。通過層次分析進行計算CR=0.004<0.1，滿足一致性檢驗得到的1、2、3分別為0.18、0.30、0.52。

f）構(gòu)建綜合干旱指數(shù)監(jiān)測模型。將3個權(quán)重系數(shù)代入式（8）得到如下模型：

CDI=0.18NDDI+0.30SMMI+0.52TVDI （15）

3 結(jié)果與分析

3.1 表層土壤水分的描述性統(tǒng)計

對2016年8月和9月草地和沙地的所有樣點的表層土壤分別進行描述性統(tǒng)計分析，如表2所示。從表2可知，8月草地和沙地表層土壤水分的平均值分別為0.093和0.039 cm3/cm3，最大值與最小值之間相差很大，最大值分別達到0.143和0.050 cm3/cm3，9月草地和沙地表層土壤水分的平均值分別為0.089和0.031 cm3/cm3，最大值與最小值之間相差很大，最大值分別達到0.142和0.052 cm3/cm3，說明不同覆蓋類型的表層土壤水分含量的差異性較大，引起這種差異可能在于草地、沙地的持水能力不同[23]。整體上8月、9月表層土壤水分的平均值與標準差分別為0.065 cm3/cm3、0.035與0.060 cm3/cm3、0.037。參考變異系數(shù)（coefficient of variation，CV）的等級劃分標準（CV<0.1為弱變異，0.11為強變異）[24]從變異程度發(fā)現(xiàn)，8月草地、沙地的變異系數(shù)分別為0.290，0.410，在整體上達到了0.538，9月草地、沙地變異系數(shù)分別為0.348，0.419，在整體上達到了0.617，說明整體的干、濕度存在一定差異，且草地、沙地、整體表層土壤水分含量均呈現(xiàn)中等變異性

表2 表層0～10 cm土壤水分統(tǒng)計分析結(jié)果

3.2 基于綜合干旱指數(shù)與土壤含水率相關(guān)性

常見統(tǒng)計建模的有線性模型、指數(shù)模型、對數(shù)模型和冪函數(shù)這4種數(shù)學模型。為了建立草地、沙地、整體各樣點綜合干旱指數(shù)值與烘干法實測得到的表層0～10 cm深度的土壤含水率之間的函數(shù)關(guān)系，分別用這4種數(shù)學模型進行擬合，然后通過比較其決定系數(shù)來選擇精度較高的最優(yōu)模型。由圖3和圖4可知選取指數(shù)模型函數(shù)進行擬合時，決定系數(shù)最高。從圖3可知，2016年8月與9月綜合干旱監(jiān)測指數(shù)與沙地、草地、整體的野外實測土壤含水率間關(guān)系均顯著（<0.01）。從圖3a和圖3b可知，草地和沙地的含水率與CDI的指數(shù)模型的擬合效果較好，決定系數(shù)分別為0.751和0.749。從圖3d和圖3e可知，草地和沙地含水率與CDI的指數(shù)模型的擬合效果較好，決定系數(shù)分別為0.730和0.653。從圖3c、圖3f可知，研究區(qū)整體含水率與CDI的4種模型的決定系數(shù)達到了0.7以上，其中最優(yōu)的指數(shù)模型分別達到了0.744、0.727，明顯優(yōu)于最優(yōu)單一指數(shù)TVDI（其與土壤含水率的相關(guān)系數(shù)為0.604），且隨著土壤含水率增大，CDI值呈現(xiàn)明顯的減小趨勢，按關(guān)系密切程度排序為草地>沙地>整體。說明綜合干旱監(jiān)測指數(shù)能較好地反映出整體表層土壤水分實際水平，表征干旱情況，基于多指數(shù)的擬合效果比單一指數(shù)TVDI的擬合效果要好。

注：草地、沙地、整體的樣本數(shù)分別為49、49、98。

注：草地、沙地、整體的樣本數(shù)分別為11、11、22。MRE為平均相對誤差；RMSE為均方根誤差。

Note: Sample size of grassland and sand and whole are 11，11 and 22, respectively. MRE is the average relative error; RMSE is root mean square error.

圖4 2016年表層0~10 cm土壤含水率實測值與反演值對比

Fig.4 Comparison between measured and inversion values of soil moisture content of 0-10 cm in surface layer in 2016

3.3 模型驗證

為了驗證綜合干旱監(jiān)測指數(shù)模型的可靠性和適用性，使用8—9月未參加回歸分析的樣區(qū)（沙地、草地）中的22個樣點實測數(shù)據(jù)分別進行精度檢驗，采用平均相對誤差和均方根誤差這2種評價指標來進行精度驗證，結(jié)果如下圖4所示。由圖可知，8月在草地均方根誤差分別為0.054 cm3/cm3；沙地均方根誤差為0.076 cm3/cm3；而在整體的均方根誤差分別為0.081 cm3/cm3，9月在草地的均方根誤差為0.049 cm3/cm3；在沙地均方根誤差為0.083 cm3/cm3；而在整體的均方根誤差分別為0.075 cm3/cm3，平均相對誤差都在10%以下，反演精度較理想。

3.4 土壤水分空間分布特征

精度檢驗結(jié)果表明基于新建立的綜合干旱監(jiān)測指數(shù)對毛烏素沙地腹部表層0～10 cm土壤水分反演具有較高的精度，其分布情況如圖5所示。

圖5 2016年8—9月表層0~10 cm土壤水分空間分布圖

研究區(qū)土壤水分面積分布（表3）結(jié)果表明，8月研究區(qū)表層0～10 cm土壤體積含水率低于0.15 cm3/cm3的面積占96.47%，主要集中于＞0.05～0.10 cm3/cm3之間的區(qū)域占總面積的52.31%；＞0.10～0.15 cm3/cm3之間的區(qū)域占總面積的33.33%，9月研究區(qū)表層0～10 cm土壤體積含水率不高于0.15的面積占94.8%，主要集中于＞0.05～0.10 cm3/cm3之間區(qū)域占總面積的35.1%；體積含水率在＞0.10～0.15 cm3/cm3之間的區(qū)域占總面積的38.9%，且這些區(qū)域大多位于遠離湖和水庫的區(qū)域，反映研究區(qū)內(nèi)表層0～10 cm土壤含水率整體偏低。結(jié)合土地利用（圖1）和土壤體積含水率分布結(jié)果（圖5），對草地、沙地2種不同程度覆蓋土地利用的土壤含水率進行了統(tǒng)計分析，結(jié)果發(fā)現(xiàn)，不同覆蓋類型含水率存在較大差異，8月草地分布土壤含水率均值為0.087，沙地分布土壤含水率均值為0.026，9月草地分布土壤含水率均值為0.102，沙地分布土壤含水率均值為0.029，與野外實測表層土壤樣本的描述性統(tǒng)計結(jié)果較為一致[25]。同時表層土壤水分空間分布特征與研究區(qū)沙地、草地分布特征一致，整體呈東北—西南方向逐漸減少，南部農(nóng)業(yè)生產(chǎn)區(qū)域大多為砂質(zhì)的土地，中部大部分區(qū)域為連片分布的沙地，含水率較少，北部臨湖的浩通音查干淖爾、巴彥淖爾區(qū)域大都是草地，含水率較高，分布特征與前人的研究結(jié)論大體一致[26]。表明本文提出基于多指數(shù)的綜合干旱監(jiān)測指數(shù)反演的土壤水分信息能較準確地刻畫研究區(qū)的土壤含水率分布情況。

表3 土壤表層0~10 cm土壤水分面積分布

4 討 論

本文提出了一種多遙感指數(shù)結(jié)合的土壤水分反演的新方法，以適應(yīng)研究區(qū)烏審旗地表覆蓋類型差異較大的前提下，首先針對溫度植被干旱指數(shù)在大范圍遙感土壤水分反演中存在的精度不足問題，進行了以土壤調(diào)節(jié)植被指數(shù)代替歸一化植被指數(shù)進行溫度植被干旱指數(shù)的計算的改進，改進后的TVDI指數(shù)與表層土壤含水率的相關(guān)系數(shù)達到0.604，高于王思楠等[27]基于未改進TVDI指數(shù)反演的烏審旗土壤含水率精度（決定系數(shù)為0.517）。由于在同一時間研究區(qū)內(nèi)存在不同的覆蓋類型（草地和沙地）容易造成單一指數(shù)監(jiān)測土壤含水率所存在的適用性問題。因此，不同覆蓋類型不能一起使用單一指數(shù)監(jiān)測土壤水分，這與陳艷華等[28]的研究結(jié)果一致。雖然蔡亮紅等[29]使用灰度直方圖對研究區(qū)分割后用分段模型反演的土壤含水率與實測值之間的決定系數(shù)達到了0.720。而本研究針對一這問題利用層次分析法，結(jié)合NDDI指數(shù)、SMMI指數(shù)、改進后的TVDI指數(shù)，建立多指數(shù)的干旱監(jiān)測模型，盡可能減少了使用單一指數(shù)監(jiān)測土壤含水率所存在的精度低問題。同時，結(jié)合地面實測數(shù)據(jù)的驗證結(jié)果表明，本文提出的基于綜合干旱監(jiān)測指數(shù)在2016年8月、9月具有較高的精度達到了0.744、0.727。

烏審旗地勢由西北向東南傾斜，土壤水分存在明顯的空間分異規(guī)律，總體上從東到西，由北到南土壤含水率逐漸降低，在本研究中，在考慮了土壤、覆蓋類型對土壤水分的影響，發(fā)現(xiàn)在草地、沙地和整體變異系數(shù)分別為0.389、0.212、0.623（8月）和0.290、0.264、0.545（9月），土壤水分變異系數(shù)越大，意味著土壤干濕差異性大。在干旱區(qū)，不同的地形和降水分布，對于區(qū)域土壤水分的分布以至于對于遙感數(shù)據(jù)反演土壤水分的精度都會產(chǎn)生不同程度的影響[30]，單純的遙感方法雖然可以反映一定區(qū)域土壤水分的空間分布狀態(tài)，但影響區(qū)域的土壤水分在某一時段的土壤水分是一個多因素作用的結(jié)果[31]。本研究中針對綜合遙感多指數(shù)新方法的土壤水分反演的驗證結(jié)果具有一定的理論支撐性，這說明綜合多指數(shù)、多因素這一思路在解決土壤水分反演的精度不足問題中有著巨大的應(yīng)用潛力。由于云覆蓋對光學遙感數(shù)據(jù)影響的情況，導致研究區(qū)可以利用的遙感數(shù)據(jù)比較少，不能夠采用多期遙感數(shù)據(jù)對于綜合干旱監(jiān)測指數(shù)的適用性，進一步需要嘗試采用時空融合算法去解決遙感數(shù)據(jù)有云這一問題。除遙感影響之外，首先僅考慮了研究區(qū)主要的土地利用草地、沙地2種不同覆蓋的情況下利用綜合干旱指數(shù)對土壤含水率的反演并能保證較高的反演精度，至于占面積較少的森林覆蓋影響反演精度有待進一步研究。其次本研究是在研究區(qū)毛烏素沙地腹部干旱情況比較嚴重、土壤含水率相對較低的基礎(chǔ)下構(gòu)建的綜合干旱監(jiān)測指數(shù)；但對于是否適用于雨后不久、土壤體積含水率分布相對較高的區(qū)域，還需要進一步研究解決。最后應(yīng)引入土壤質(zhì)地等因子的空間信息進行定量、定性的動態(tài)分析并提高反演精度，為區(qū)域干旱監(jiān)測提供更直接的科學依據(jù)。

5 結(jié) 論

1）本研究通過綜合3個歸一化干旱指數(shù)（normalized difference drought index，NDDI）、土壤濕度監(jiān)測指數(shù)（soil moisture monitoring index ，SMMI）、溫度植被干旱指數(shù)（tem-perature vegetation drought index，TVDI）的單一遙感旱情監(jiān)測指數(shù)構(gòu)建了適用于復雜的覆蓋區(qū)域的綜合干旱指數(shù)監(jiān)測模型，并與野外實測土壤含水率進行擬合分析，其最優(yōu)的指數(shù)模型分別達到了0.744、0.727，相較使用單一最優(yōu)TVDI指數(shù)，綜合干旱指數(shù)可以較準確地反演研究區(qū)表層土壤含水率。

2）基于綜合干旱指數(shù)監(jiān)測模型對土壤表層0~10 cm土壤水分反演，結(jié)果表明：8月、9月遙感反演表層0~10 cm土壤體積含水率不高于0.15 cm3/cm3的面積分別占96.47％、94.8％，土壤含水率整體相對偏低，土壤體積含水率在空間上的分布差異隨著不同土地利用類型的變化而變化，草地分布土壤含水率均值分別為0.087、0.102，沙地分布土壤含水率均值分別為0.026、0.029，與野外地面樣點實測表層土壤樣本的描述性統(tǒng)計結(jié)果較為一致。

[1] 周會珍，劉紹民，白潔，等. 毛烏素沙地土壤水分的遙感監(jiān)測[J]. 農(nóng)業(yè)工程學報，2008，24(10)：134－140. Zhou Huizhen, Liu Shaomin, Bai Jie, et al. Remote sensing monitoring of soil moisture in the Mu Us sandland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008，24(10): 134－140. (in Chinese with English abstract)

[2] 杜靈通，田慶久，王磊，等. 基于多源遙感數(shù)據(jù)的綜合干旱監(jiān)測模型構(gòu)建[J]. 農(nóng)業(yè)工程學報，2014，30(9)：126－132. Du Lingtong, Tian Qingjiu, Wang Lei, et al. A synthesized drought monitoring model based on multi-source remot-esensing data [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(9): 126－132. (in Chinese with English abstract)

[3] 于敏，高玉中，張洪玲. 地表溫度-植被指數(shù)特征空間干旱監(jiān)測方法的改進[J]. 農(nóng)業(yè)工程學報，2010，26(9)：243-250. Yu Min, Gao Yuzhong, Zhang Hongling. Improvement of Ts-NDVI space method in drought monitoring [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(9): 243－250. (in Chinese with English abstract)

[4] Baghdadi N, King C, Chanzy A. An empirical calibration of the integral equation model based on SAR data, soil moisture and surface roughness measurement over bare soils[J]. International Journal of Remote Sensing, 2002, 23 (20): 4325－4340.

[5] Frate D, Schiavon G.Retrieving soil moisture and agricultural variables by microwave radiometry using neural networks[J]. Remote Sensing of Environment, 2003, 84 (2): 174－183.

[6] 閆峰，王艷姣. 基于Ts-EVI特征空間的土壤水分估算[J].生態(tài)學報，2009，29(9)：4884－4891. Yan Feng, Wang Yanjiao. Estimation of soil moisture based on Ts-EVI feature space [J]. Acta Ecologica Sinica, 2009, 29(9): 4884－4891. (in Chinese with English abstract)

[7] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environ-ment, 1994, 48(2): 119－126.

[8] Brown J F, Wardlow B D, Tadesse T, et al. The Vegetation Drought Response Index (VegDRI): A new integrated approach for monitoring drought stress in vegetation[J]. GIScience and Remote Sensing, 2008, 45 (1): 16－46.

[9] Wu J, Zhou L, Liu M, et al. Establishing and assessing the integrated surface drought index (ISDI) for agricultural drought monitoring in mid-eastern China [J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 23(1): 397－410.

[10] Du L, Tian Q, Yu T, et al. A comprehensive drought monitoring method integrating MODIS and TRMM data [J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 23(1): 245－253.

[11] 包欣. 基于多源數(shù)據(jù)的旱情監(jiān)測方法研究[D]. 合肥：安徽理工大學，2013． Bao Xin. Study on Drought Monitoring Method based on Multi-source Data [D]. Hefei：Anhui University of Science and Technology, 2013. (in Chinese with English abstract)

[12] 屈艷萍，呂娟，蘇志誠，等. 抗旱減災(zāi)研究綜述及展望[J].水利學報，2018，49(1)：115－125. Qu Yanping, Lü Juan, Su Zhicheng, et al. Research review and perspective of drought mitigation[J]. Journal of Hydr-aulic Engineering, 2018, 49(1): 115－125. (in Chinese with English abstract)

[13] 王思楠，李瑞平，韓剛，等. 基于MTVDI與DDI二元回歸模型對毛烏素沙地腹部土壤表層水分的研究[J]. 干旱地區(qū)農(nóng)業(yè)研究，2019，37(2)：209－214. Wang Sinan，Li Ruiping，Hang Gan，et al. Study on the surface soil water in Mu Us Desert using binaryregression models of MTVDI and DDI[J]. Agricultural Research in the Arid Areas, 2019, 37(2): 209－214. (in Chinese with English abstract)

[14] 白開旭，劉朝順，施潤和，等. 2010年中國西南旱情的時空特征分析—基于MODIS數(shù)據(jù)歸一化干旱指數(shù)[J]．地球信息科學學報，2012，14(1)：32－48. Bai Kaixu, Liu Chaoshun, Shi Runhe, et al. Analysis of spatio-temporal characteristics of drought in southwest China in 2010 by using MODIS-based normalized difference drought index[J].Journal of Geo-Information Science, 2012, 14(1): 32－48 (in Chinese with English abstract)

[15] 劉英，吳立新，馬保東. 基于TM/ETM+光譜特征空間的土壤濕度遙感監(jiān)測[J]. 中國礦業(yè)大學學報，2013，42(2)：296－301. Liu Ying, Wu Lixin, Ma Baodong. Remote sensing monitoring of soil moisture on the basis of TM/ETM+ spectral space[J]. Journal of China University of Mining & Technology, 2013, 42(2): 296－301. (in Chinese with English abstract)

[16] 馬威，陳登魁，楊娜，等. 時序雙極化SAR開采沉陷區(qū)土壤水分估計[J]. 遙感學報，2018，22(3)：521－534. Ma Wei, Chen Dengkui,Yang Na, et al. Time-series approach to estimate the soil moisture of a subsidence area by using dual polarimetric radar data[J]. Journal of Remote Sensing, 2018, 22(3): 521－534. (in Chinese with English abstract)

[17] 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): 213－224.

[18] 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[J]. 國土資源遙感，2004，61(3)：36－41. Qin Zhihao,Li Wenjuan, Xu Bin, et al. The estimation of land surface emissivity for landsat TM6[J]. Remote Sensing for Land and Resources, 2004, 61 (3): 36－41. (in Chinese with English abstract)

[19] 張婧嫻，沈潤平，郭佳. 不同數(shù)據(jù)挖掘方法在綜合干旱監(jiān)測模型構(gòu)建中的應(yīng)用研究[J]. 江西農(nóng)業(yè)大學學報，2017，39(5)：1047－1056. Zhang Jingxian, Shen Runping, Guo Jia. A study of application of different data mining method in integrated drought monitoring [J]. Acta Agriculturae Universitatis Jiangxiensis, 2017, 39(5): 1047－1056. (in Chinese with English abstract)

[20] 張建平，劉宗元，王靖，等. 西南地區(qū)綜合干旱監(jiān)測模型構(gòu)建與驗證[J]. 農(nóng)業(yè)工程學報，2017，33(5)：102－107. Zhang Jianping, Liu Zongyuan, Wang Jing, et al. Construction and validation of comprehensive drought monitoring model in Southwest China [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 102－107. (in Chinese with English abstract)

[21] 王俊霞，朱秀芳，劉憲鋒，等. 基于多源遙感數(shù)據(jù)的旱情評價研究：以河南省為例[J]. 國土資源遙感，2018，30(1)：180－186. Wang Junxia, Zhu Xiufang, Liu Xianfeng, et al. Research on agriculture drought monitoring method of Henan Province with multi-sources data[J]. Remote Sensing for Land and Resources, 2018, 30(1): 180－186. (in Chinese with English abstract)

[22] 代麗，朱愛華，趙勻. 應(yīng)用層次分析法計算分插機構(gòu)優(yōu)化目標的權(quán)重[J]. 農(nóng)業(yè)工程學報，2013，29(2): 60－65. Dai Li, Zhu Aihua, Zhao Yun. Using AHP to calculate optimization objective weights of transplanting mechanism [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 60－65. (in Chinese with English abstract)

[23] 李卓，吳普特，馮浩，等. 黏粒質(zhì)量分數(shù)對土壤水分蓄持能力影響的模擬試驗[J]. 中國水土保持科學，2009，7(5)：94－99. Liu Zhuo, Wu Pute, Feng Hao, et al. Effects of soil clay content on soil water-holding capacity by simulated experiments [J]. Science of Soil and Water Conservation, 2009, 7(5): 94－99. (in Chinese with English abstract)

[24] 張飛，李怡博，王東芳，等. 精河綠洲鹽漬土表層土壤鹽分因子的空間變異及分布格局[J]. 生態(tài)與農(nóng)村環(huán)境學報，2018，34(1)：64－73. Zhang Fei, Li Yibo,Wang Dongfang, et al. Analysis of distribution patterns and spatial variability of soil salinity affecting factors in topsoil layer of salinized soil in jinhe oasis[J]. Journal of Ecology and Rural Environment, 2018, 34(1): 64－73. (in Chinese with English abstract)

[25] 肖武，陳佳樂，笪宏志，等. 基于無人機影像的采煤沉陷區(qū)玉米生物量反演與分析[J]. 農(nóng)業(yè)機械學報，2018，49(8)：169－180. Xiao Wu, Chen Jiale, Da Hongzhi, et al. Inversion and analysis of maize biomass in coal mining subsidence area based on uvn images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(8): 169－180. (in Chinese with English abstract)

[26] 韓剛，李瑞平，王思楠，等. 基于多尺度遙感數(shù)據(jù)的荒漠化草原旱情監(jiān)測及時空特征[J]. 江蘇農(nóng)業(yè)學報，2017，33(6)：1301－1308. Han Gang, Li Ruiping, Wang Sinan, et al.Study on drought monitoring and spatial and temporal characteristics ofdesertification grassland based on multicale remote sensing data[J]. Jiangsu Journal of Agricultural Sciences, 2017, 33(6): 1301－1308. (in Chinese with English abstract)

[27] 王思楠，李瑞平，韓剛，等. 基于多源遙感數(shù)據(jù)的TVDI方法在荒漠草原旱情監(jiān)測的應(yīng)用[J] .安徽農(nóng)業(yè)大學學報，2017，44(3)：458－464. Wang Sinan, Li Ruiping, Han Gang, et al. Application of the multi-source remote sensing data-based TVDI method in monitoring desert grassland drought[J]. Journal of Anhui Agricultural University, 2017, 44(3): 458－464. (in Chinese with English abstract)

[28] 陳艷華，張萬昌. 植被類型對溫度植被干旱指數(shù)(TVDI)的影響研究：以黑河綠洲區(qū)為例[J]. 遙感技術(shù)與應(yīng)用，2007，22(6)：700－706.

Chen Yanhua, Zhang Wanchang. Evaluating effects of vegetation types on temperature vegetation drought index (TVDI) in the Heihe oasis region[J]. Remote Sensing Technology and Application, 2007, 22(6): 700－706. (in Chinese with English abstract)

[29] 蔡亮紅，丁建麗，魏陽. 基于多源數(shù)據(jù)的土壤水分反演及空間分異格局研究[J]. 土壤學報，2017，54(5)：1057－1067. Cai Lianghong, Ding Jianli, Wei Yang. Spatial variation and inversion of soil moisture based on multi-source data[J]. Acta Pedologica Sinica, 2017, 54(5)：1057－1067. (in Chinese with English abstract)

[30] 葛少青，張劍，孫文，等. 三種干旱指數(shù)在干旱區(qū)沼澤濕地土壤水分遙感反演中的應(yīng)用[J]. 生態(tài)學報，2018，38(7)：2299－2307. Ge Shaoqing, Zhang Jian, Sun Wen, et al. Application of three drought indexes in soil moisture inversion using remote sensing in marsh wetlands of arid area [J]. Acta Ecologica Sinica, 2018, 38(7): 2299－2307. (in Chinese with English abstract)

[31] 張文，任燕，馬曉琳，等. 基于綜合干旱指數(shù)的淮河流域土壤含水量反演[J]. 國土資源遙感，2018，30(2)：73－79. Zhang Wen, Ren Yan, Ma Xiaolin, et al. Estimation of soil moisture with drought indices in Huaihe River Basin of East China[J]. Remote Sensing for Land and Resources, 2018, 30(2): 73－79. (in Chinese with English abstract)

Inversion and distribution of soil moisture in belly of Maowusu sandy land based on comprehensive drought index

Wang Sinan1, Li Ruiping1※, Li Xiazi2

(1.010018,2.010051,)

In order to accurately estimate soil moisture content based on index of drought monitored in the complex type cover, this paper studied the feasibility of integrating the single index to estimate soil moisture. Wushen Banner in the abdomen of Maowusu sandy land was the study area. The annual wind velocity of this area was 3.4 m/s. The land use of this area included grassland, sandy land, forest, farmland, water body and construction land, which accounted for 55.66%, 29.3%, 10.9%, 2.75%, 0.7% and 0.69% of the total area, respectively. The remote sensing data were from Landsat 8 OLI images on August 26 and September 28 of 2016. The spatial resolution was 30 m. The data were carefully preteated. The sampling was carried out in 24 plots of 12 sandy land and 12 grassland. Traditional 3 single drought monitoring indexes were selected. The weights of each index was determined by analytic hierarchy process. Together with the measured soil moisture data from different cover types, regression analysis was applied to establish the multi-index comprehensive drought monitoring model (CDI). The accuracy of the model was validated by determination coefficient, average relative error and root mean square error (RMSE). Moreover, the spatial distribution of surface soil moisture in the studied area was inverted and analyzed based on multi-index model. The results showed that the 3 single drought indexes could objectively reflect the drought characteristics, displaying a negative correlation with surface soil moisture content. The best temperature vegetation dryness index (TVDI) correlation was 0.604. The comprehensive drought monitoring index model and multiple indexes were introduced. The determination coefficient in surface soil moisture index models for grassland and sandy land in August and September were 0.751 and 0.749, respectively. On the whole, the determination coefficient of the exponential model reached 0.744 and 0.727, respectively, which were higher than the fitting effect of a single index. With the increase of soil moisture content, the CDI value showed an obvious decreasing trend, which was ranked as sandy land higher in grassland in size. It indicated that the comprehensive drought monitoring index could better reflect soil moisture distribution in the studied area. The surface soil moisture in this area based on the model inversion was generally low, and the area with the moisture content less than 0.15 cm3/cm3accounted for 96.47%. And most of these areas were far away from lakes and reservoirs. According to different land types and soil moisture distribution, 2 different land types such as grassland and sandy land were statistically analyzed. The results showed that the different cover types had a quite different moisture content, with an average of 0.087 cm3/cm3for grassland in August, 0.026 cm3/cm3for sandy land in August, 0.102 cm3/cm3for grassland in September, 0.029 cm3/cm3for a sandy land in September. The surface characteristics of soil moisture spatial distribution for grassland was consistent with the sandy land. The accuracy verification of grassland, sandy land and the whole inversion results showed that the average relative error was less than 10%. Generally, the soil moisture content in the studied area decreased gradually from east to west and from north to south.

soils; moisture; remote sensing; drought; drought index; desert grassland

10.11975/j.issn.1002-6819.2019.13.012

TP79

A

1002-6819(2019)-13-0113-09

2018-11-14

2019-06-14

國家自然科學基金（51769021）；內(nèi)蒙古自治區(qū)科技計劃重點項目

王思楠，博士生，主要從事水利遙感信息技術(shù)研究。Email：nmgnydx2016@163.com

李瑞平，博士，博士生導師，主要從事節(jié)水灌溉與農(nóng)業(yè)水利遙感信息技術(shù)研究。Email：nmglrp@163.com

王思楠，李瑞平，李夏子.基于綜合干旱指數(shù)的毛烏素沙地腹部土壤水分反演及分布[J]. 農(nóng)業(yè)工程學報，2019，35(13)：113－121. doi：10.11975/j.issn.1002-6819.2019.13.012 http://www.tcsae.org

Wang Sinan, Li Ruiping, Li Xiazi. Inversion and distribution of soil moisture in belly of Maowusu sandy land based on comprehensive drought index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 113－121. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.13.012 http://www.tcsae.org