王金鑫，于百順，李聰玲，姚 靜

(鄭州大學水利科學與工程學院，河南 鄭州 450001)

0 引 言

土壤墑情一般指地表土壤的濕度狀況。是水文學、氣象學以及農(nóng)業(yè)科學研究領域中的一個重要指標參數(shù)[1]，是土壤-植物-大氣連續(xù)體的一個重要因子[2]，對氣候、農(nóng)業(yè)、旱情監(jiān)測都具有極為重要的意義[3]。傳統(tǒng)臺站式離散監(jiān)測方法難以表達大區(qū)域連續(xù)的土壤墑情，已逐漸被能夠快速進行周期性、大面積同步觀測的遙感方法以及基于傳感器的物聯(lián)網(wǎng)自動監(jiān)測方法所取代。早在1965年，西方地理學家Bowers與Hanks[4]就指出，將土壤光譜反射特性和熱紅外數(shù)據(jù)信息相結(jié)合的方法在探究土壤信息方面是可行的；1971年，Waston與 Rowen[5]使用地表溫度日較差推導了熱慣量公式，創(chuàng)立了熱慣量墑情監(jiān)測方法，成為日后該領域研究的理論基礎；Kogan[6]在歸一化植被指數(shù)(NDVI)的基礎上提出了植被狀態(tài)指數(shù)(VCI)，減弱了由于地理位置和土壤條件等因素導致的差異；Sandholt[7]等人運用陸地表面溫度(LST)與歸一化植被指數(shù)(NDVI)，建立了NDVI-Ts 特征空間，并在此基礎上提出了溫度植被干旱指數(shù)(TVDI)，用來估算土壤的表層的水分分布情況；Ulaby等人[8]最早開始研究主動微波遙感，通過實驗得出，微波后向散射系數(shù)相對于土壤的介電常數(shù)有很大的相關性。我國開展土壤水分遙感監(jiān)測的研究起步較晚，張仁華[9]提出一個改進的熱慣量模型，該模型綜合概括了地表顯熱通量和潛熱能量等影響因素，并利用改進模型來反演土壤含水量；隋洪智[10]等人在直接利用衛(wèi)星資料基礎上，依據(jù)能量平衡方程的原理，進行簡化推算出表面熱慣量，通過經(jīng)驗模型擬合熱慣量與土壤水分之間的相互關系對旱災進行探測分析；姚春生[11]通過對各種遙感定量反演土壤含水量的模型進行了綜合比較分析，提出對于裸地或作物的生長初期應該運用表觀熱慣量模型，對于稍高植被覆蓋度選擇TVDI或Ts/NDVI模型，以此來反演全國土壤含水量的分布情況；胡蝶等人[12]以甘肅定西為研究區(qū)，用Radarsat-2數(shù)據(jù)和土壤水分分析儀，較精確地解析了共極化反射系數(shù)與不同深度土壤水分之間的關系，結(jié)果表明共極化散射系數(shù)和 10～20 cm 土壤的濕度之間具有最高的相關性。墑情遙感監(jiān)測從原理上可分為土壤熱慣量法、土壤波譜特征法、能量平衡模型法和植被光譜特征法等四類方法[13]，它們各有其適用條件?；谥脖恢笖?shù)(即植被光譜特征)的土壤墑情監(jiān)測方法利用光學和紅外遙感實現(xiàn)，其在時空間分辨率方面有較大優(yōu)勢，數(shù)據(jù)類型多、數(shù)量足，且方便實現(xiàn)大區(qū)域土壤墑情的遙感監(jiān)測，一般適用于較高植被覆蓋期[14]。植被指數(shù)直接反映植被的生長狀況，影響植被生長狀況的因子十分復雜，溫度、濕度和肥力無疑是最主要的影響因子。在一定區(qū)域、一定時間內(nèi)，氣溫、土壤、地形等因素相對穩(wěn)定，只降雨量變化會對作物生長造成較顯著影響[15]，因而，植被指數(shù)的變化與土壤墑情之間有較顯著相關性[16]。雖然植被的缺水脅迫相對于其生長狀態(tài)有一定的時滯性[17](研究表明，NDVI滯后于墑情波動約4～6 d[16])，但在農(nóng)作物的整個生育期內(nèi)，墑情的波動與植被指數(shù)的變化頻率與趨勢應該是一致的[16]。由于每種植被指數(shù)對水分的響應存在差異，而且植物在不同的季節(jié)、不同的生長階段，具有不同的水分利用特征[18]，所以植被指數(shù)作為水分響應指標，本身存在適用性及其適宜的時空尺度[19]。因而，在利用遙感數(shù)據(jù)進行長時間、大范圍農(nóng)業(yè)干旱遙感監(jiān)測過程中，如何根據(jù)不同區(qū)域、不同作物生長時期，綜合考慮作物與其生長環(huán)境之間的關系，選擇最合適的監(jiān)測指標[19]就成為問題的關鍵。本文以河南省中東部黃淮海平原冬小麥主產(chǎn)區(qū)的農(nóng)田墑情為研究對象，對歸一化植被指數(shù)(NDVI) 、增強型植被指數(shù)(EVI) 、植被供水指數(shù)(VSWI) 、溫度植被干旱指數(shù)(TVDI)這幾種典型的植被指數(shù)與土壤含水量進行相關性分析，對比不同深度、不同植被指數(shù)對土壤含水量的響應，并且分別選用這四種植被指數(shù)與對應的土壤墑情數(shù)據(jù)進行回歸分析，得到最優(yōu)的響應深度及響應指數(shù)，為土壤墑情的監(jiān)測提供指導。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

河南省黃淮海平原(圖1)位于北緯32°08′～36°21′和東經(jīng)112°51′～116°35′之間，地勢西高東低。西起海拔100 m等高線和豫西北丘陵邊緣，東至豫魯、豫皖分界線，北起豫冀交界，南至淮河一線，面積約8.7 萬km2，占河南省總面積的52.4%。自北向南橫跨海河、黃河、淮河三大流域。地處暖溫帶和北亞熱帶，屬于濕潤至半濕潤季風氣候。多年平均氣溫在12～16 ℃之間，氣溫年較差、日較差均較大，全年無霜期從北向南約為180～240 d。年平均降水量在500～900 mm，受到季風影響，年降水量時空分布不均，由北向南逐漸遞增，全年降水量主要集中在夏季，大約占全年降水量的一半左右，冬季降水較少。日照時數(shù)2 100～2 600 h，光熱資源較充足，基本可以滿足一年兩熟的農(nóng)作物需求。年均蒸發(fā)量1 300～1 600 mm，由北向南逐漸遞減[20]。該區(qū)自然條件優(yōu)越，土壤類型眾多，農(nóng)業(yè)發(fā)達，是我國主要的冬小麥生產(chǎn)區(qū)。

1.2 數(shù)據(jù)源及數(shù)據(jù)預處理

本研究所涉及的遙感數(shù)據(jù)包括：研究區(qū)域2015年2-6月的MODIS紅光波段、近紅光波段和藍光波段的地表反射率數(shù)據(jù)，MODIS的每日地表溫度數(shù)據(jù)(數(shù)據(jù)來源： https:∥ladsweb.nascom.nasa.gov/)。其中，從MOD09GQK/全球250 m地表反射率產(chǎn)品中得到紅光波段、近紅光波段的反射率，分辨率為250 m；從MOD09GHK/全球500 m地表反射率產(chǎn)品中得到藍光波段的反射率，分辨率為500 m；從MOD11_L2/1KM地表溫度產(chǎn)品中得到每日地表溫度，分辨率為1 000 m，該地表溫度產(chǎn)品分為白天和晚上兩幅影像，這里取其平均值作為當天的地表溫度。以上數(shù)據(jù)都已經(jīng)經(jīng)過幾何校正和大氣校正。利用MRT軟件統(tǒng)一轉(zhuǎn)換為WGS84基準的Albers等積投影，并將地表溫度數(shù)據(jù)和藍色波段地表反射率數(shù)據(jù)重采樣為250 m的分辨率。

本研究所涉及的其他數(shù)據(jù)包括：研究區(qū)域2015年2-6月的0～10 cm和10～20 cm土壤水分含量實測數(shù)據(jù)(進而可得到0～20 cm實測數(shù)據(jù))、2014-2015年河南省冬小麥種植區(qū)域數(shù)據(jù)以及河南省行政界線數(shù)據(jù)，從河南省氣象局調(diào)研獲取。土壤含水量實測數(shù)據(jù)是研究區(qū)102個站點的0～10 cm和10～20 cm每日土壤體積含水量的平均值，所有站點均位于小麥大田內(nèi)。其中豫北區(qū)域29個站點，豫中區(qū)域57個站點，豫南區(qū)域15個站點，分布如圖1所示。每個站點通過經(jīng)緯度坐標與MODIS圖像像元進行匹配。將2014-2015年冬小麥種植區(qū)域數(shù)據(jù)、河南省界線數(shù)據(jù)也轉(zhuǎn)換為與上述遙感數(shù)據(jù)統(tǒng)一的基準與投影，然后對影像數(shù)據(jù)進行剪裁。

圖1 研究區(qū)站點分布圖Fig.1 Site map of the study area

2 研究方法與過程

2.1 冬小麥生長區(qū)域及生長期的劃分

本文以33°N緯線(駐馬店市與漯河市交界處)和黃河為界，將河南省主要種植冬小麥的區(qū)域分為豫北，豫中，豫南3個地區(qū)[16]。

中原地區(qū)冬小麥生長的茂盛期為拔節(jié)到灌漿之間，不同地區(qū)略有差異，如表1[16]所示。

表1 研究區(qū)域冬小麥生長茂盛期的劃分Tab.1 Division of the flourishing period of winter wheat in the study area

2.2 土壤墑情監(jiān)測指標

歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)：

NDVI=(NIR-RED)/(NIR+RED)

(1)

式中：NIR表示近紅外波段的反射值；RED表示紅光波段的反射值。NDVI越大，植被長勢越好；但其在較高植被覆蓋度和較高產(chǎn)量水平下，易出現(xiàn)飽和現(xiàn)象[21-24]。

地表溫度(Land Surface Temperature，LST)是反映土壤墑情的重要參數(shù)。裸地區(qū)域，上層土壤溫度代表了地表溫度。其含水量越低，土壤熱容量越小，在接收太陽輻射后表面溫度上升得越高；在植被覆蓋區(qū)域，遙感監(jiān)測到的地表溫度實際上是植被的冠層溫度[25]。當土壤含水量下降時，作物為了減少由于蒸騰作用所導致的水分損失而閉合葉片的部分氣孔，引起地表潛熱通量的降低和感熱通量的增加，從而導致冠層溫度的升高[26]。

增強型植被指數(shù)(Enhanced Vegetation Index，EVI)是對NDVI飽和性的一種改進。它引入了藍光波段和土壤調(diào)節(jié)因子，有效地消除了大氣和植被的影響，有研究表明EVI和NDVI存在很大的相關性[27]，其計算公式如下：

EVI=2.5(NIR-RED)/(NIR+6.0RED-7.5BLUE+1)

(2)

式中：NIR、RED、BLUE分別代表近紅外波段、紅光波段、藍光波段的反射值。

由于植被指數(shù)對作物水分的反映具有一定的延遲，而冠層溫度又容易受大氣環(huán)境狀況的影響，單一考慮植被指數(shù)或冠層溫度來反映作物水分不夠敏感和有效[28]。植被供水指數(shù)(Vegetation Supply Water Index，VSWI)是綜合歸一化植被指數(shù)和地表植被冠層溫度的一種用于監(jiān)測土壤缺水狀況的綜合指數(shù)。其定義如下：

VSWI=NDVI/Ts

(3)

式中：VSWI為植被供水指數(shù)；NDVI為歸一化植被指數(shù)；Ts為植被冠層溫度。

當植被供水正常時，歸一化植被指數(shù)在一定的生長期內(nèi)穩(wěn)定在一個范圍，衛(wèi)星遙感的植被冠層溫度也保持在一個穩(wěn)定的范圍；若土壤含水量下降，植被供水不足，一方面植被的生長受到影響，歸一化植被指數(shù)降低，另一方面植被為避免過多失水而關閉部分的葉片的氣孔，導致植被冠層溫度升高。因其利用的是作物缺水時在不同反射波段上的反應，所以在植被覆蓋度比較高的地區(qū)尤其是在作物生長茂盛期更為適用[29]。由于VSWI數(shù)值很小，為方便計算比較在實驗中將VSWI放大100倍。

Price[30]、Carlson等[31]研究發(fā)現(xiàn)利用遙感反演地表溫度與植被指數(shù)所構(gòu)成的散點分布圖呈三角形，而Nemani等[32]、Moran等[33]研究認為LST和NDVI構(gòu)成的散點分布圖為梯形，即LST-NDVI特征空間。Sandholt等[7]在基于LST-NDVI特征空間的基礎上提出了溫度植被干旱指數(shù)(Temperature Vegetation Dryness Index，TVDI)。計算公式如下：

TVDI=(Ts-Tsmin)/(Tsmax-Tsmin)

(4)

式中：Ts表示待測像元的地表溫度；Tsmax和Tsmin表示待測像元NDVI在特征空間中對應的最大地表溫度(干邊溫度)和最小地表溫度(濕邊溫度)，其計算公式如下：

Tsmin=a1+b1NDVI

(5)

Tsmax=a2+b2NDVI

(6)

式中：a1、b1和a2、b2分別為擬合的濕邊方程和干邊方程對應的系數(shù)。

實際應用中，應根據(jù)研究區(qū)植被覆蓋狀況和遙感數(shù)據(jù)源來選擇LST-NDVI特征空間的形狀[34,35]。在植被覆蓋度較高或者使用衛(wèi)星遙感數(shù)據(jù)時，采用梯形特征空間較好[34]。在冬小麥主要生長期內(nèi)，TVDI與土壤水分具有顯著的相關性[36]。

2.3 研究過程

考慮到地域和物候期的差異，在選擇數(shù)據(jù)樣本時，本文將豫北、豫中、豫南3個地區(qū)按照植被生長狀態(tài)相近的原則進行匹配，并考慮數(shù)據(jù)質(zhì)量因素，每隔10 d左右的時間選擇一組數(shù)據(jù)，共選擇8組數(shù)據(jù)進行研究。表2為各組數(shù)據(jù)對應的日期(均為2015年)。

確立好八組樣本數(shù)據(jù)后，首先對每個站點各相關植被指數(shù)進行計算提??；接著進行各植被指數(shù)與各層土壤墑情進行相關分析，得出最佳響應指數(shù)；最后建立各植被指數(shù)與各層土壤墑情的回歸方程，實現(xiàn)墑情的定量反演，進一步驗證實驗結(jié)果。圖2為研究區(qū)LST-NDVI特征空間實例。

3 結(jié)果與分析

3.1 植被指數(shù)與土壤墑情的相關性分析

表3所示的是土壤墑情與植被指數(shù)的相關情況。可以看出：

表2 各組數(shù)據(jù)對應日期Tab.2 Date corresponding to each group of data

圖2 豫中地區(qū)第60天LST-NDVI特征空間Fig.2 LST-NDVI feature space on the 60th day of center Henan area

(1)各指數(shù)對不同深度土壤墑情在置信度(雙測)為 0.01 時顯著相關；

(2)NDVI、EVI、VSWI與土壤墑情呈現(xiàn)正相關，TVDI與土壤墑情呈現(xiàn)負相關；

(3)橫向上，相關性呈現(xiàn)出NDVI

(4)縱向上，相關性呈現(xiàn)出10～20 cm>0～20 cm>0～10 cm的規(guī)律。NDVI與10～20 cm土壤墑情的相關性最佳的組數(shù)為6組，NDVI與0～20 cm土壤墑情相關性大于0～10 cm土壤墑情的組數(shù)為7組，總體呈現(xiàn)出10～20 cm>0～20 cm>0～10 cm的趨勢；EVI與10～20 cm土壤墑情的相關性最佳的組數(shù)為5組，EVI與0～20 cm土壤墑情相關性大于0～10 cm土壤墑情的組數(shù)為7組，總體呈現(xiàn)出10～20 cm>0～20 cm>0～10 cm的趨勢；VSWI與10～20 cm土壤墑情的相關性最佳的組數(shù)為7組，VSWI與0～20 cm土壤墑情相關性大于0～10 cm土壤墑情的組數(shù)為6組，總體呈現(xiàn)出10～20 cm>0～20 cm>0～10 cm的趨勢；TVDI與10～20 cm土壤墑情的相關性最佳組數(shù)為4組，TVDI與0～20 cm土壤墑情相關性大于0～10 cm土壤墑情的組數(shù)為4組，不同深度土壤墑情與TVDI的相關性較均勻?？梢钥闯觯?種植被指數(shù)均對10～20 cm深度土壤墑情的反應最敏感。

表3 土壤墑情與植被指數(shù)Pearson相關性Tab.3 Pearson correlation between soil moisture and vegetation index

注：** 表示在置信度(雙測)為 0.01 時，相關性是顯著的。

圖3為不同深度土壤墑情與各植被指數(shù)相關系數(shù)的八組平均趨勢(為方便比較，對TVDI的相關系數(shù)取絕對值)。

圖3 不同深度土壤墑情與各植被指數(shù)相關性比較Fig.3 Correlation between soil moisture and vegetation index at different depths

3.2 土壤墑情對植被指數(shù)的回歸分析

在相關分析的基礎上，對不同深度的土壤墑情與各植被指數(shù)進行回歸分析。經(jīng)過選擇的站點按照4∶1的比例進行關系建立與驗證。選擇兩組數(shù)據(jù)進行結(jié)果展示。

表4和表5分別為是第4組和第6組樣本不同深度的土壤墑情和各植被指數(shù)的回歸方程情況。

表5 第6組樣本土壤墑情與植被指數(shù)的回歸方程Tab.5 Regression equations for soil moisture and vegetation index of group 6

圖4為第六組樣本10～20 cm深度土壤墑情與各植被指數(shù)的回歸情況，可代表本次實驗不同深度土壤墑情與各植被指數(shù)的回歸趨勢。

圖4 第6組樣本10～20 cm土壤墑情與各植被指數(shù)的回歸曲線Fig.4 Regression curve of 10～20 cm soil moisture and vegetation index of group 6

圖5展示了這兩組數(shù)據(jù)不同深度土壤墑情與各植被指數(shù)回歸R2的變化趨勢。

圖5 第4組和第6組土壤墑情與植被指數(shù)回歸R2變化趨勢Fig.5 Regression trend of soil moisture and vegetation index in Group 4 and Group 6

從上面圖表中，可以得出：各層土壤墑情與各植被指數(shù)的回歸結(jié)果與前面相關性分析結(jié)果一致。橫向上，回歸方程的R2都基本呈現(xiàn)出NDVI0～20 cm>0～10 cm的規(guī)律。

3.3 預測精度分析

表6為利用植被指數(shù)預測土壤墑情的精度情況統(tǒng)計。

表6 第4組與第6組樣本各指數(shù)預測墑情與實際墑情差的標準偏差Tab.6 Standard deviations of the indices of the 4th and 6th samples for predicting and actual soil moisture

從表6中可以看出：各組土壤墑情定量預測的標準偏差橫向上符合NDVI>EVI>VSWI>TVDI，縱向上符合10～20 cm<0～20 cm<0～10 cm的規(guī)律。與前面的實驗結(jié)一致。

4 結(jié)論與討論

4.1 結(jié) 論

本文以中原地區(qū)大區(qū)域冬小麥土壤墑情的遙感監(jiān)測為研究對象，利用共享遙感數(shù)據(jù)和實測墑情數(shù)據(jù)，選擇4種典型的植被指數(shù)，考慮地域和農(nóng)作物物候期差異，探究不同深度土壤墑情與各植被指數(shù)的響應關系。主要結(jié)論如下。

(1)從相關系數(shù)的角度，各植被指數(shù)與不同深度土壤含水量的相關系數(shù)呈現(xiàn)出NDVI0～20 cm>0～10 cm的規(guī)律性。其中，NDVI、EVI、VSWI為正相關，TVDI為負相關(這里TVDI的相關系數(shù)取其絕對值)；

(2)從回歸顯著性檢驗的角度，各植被指數(shù)與不同深度土壤含水量的回歸R2呈現(xiàn)出NDVI0～20 cm>0～10 cm的規(guī)律性；

(3)從土壤墑情定量反演的角度，各植被指數(shù)與不同深度土壤含水量定量預測標準偏差呈現(xiàn)出NDVI>EVI>VSWI>TVDI、10～20 cm<0～20 cm<0～10 cm的規(guī)律性。

NDVI、EVI與VSWI直接反映植被的生長狀況，與植被根部的墑情密切相關。墑情越好，植被生長就越茂盛。冬小麥的根部大致位于10～20 cm深處，所以其上述指數(shù)與10～20 cm的土壤墑情成較顯著的正相關。相反，一定條件下，土壤含水量越高，其溫度就越低，所以，主要反映土壤溫度因子的TVDI與土壤墑情成負相關。

綜上，針對中原地區(qū)的冬小麥而言，4種植被指數(shù)與不同深度土壤墑情均具有較顯著的相關性。其中，TVDI是最佳的墑情響應指數(shù)，10～20 cm是植被指數(shù)最佳的墑情響應深度。利用TVDI進行遙感農(nóng)田墑情反演是一種成本低、適應性廣、精度較高的有效方法。本文的研究結(jié)果對于冬小麥田間管理、產(chǎn)量估測以及糧倉安全保障具有重要參考價值。

4.2 討 論

本文在研究中發(fā)現(xiàn)，原始的植被指數(shù)和實測墑情數(shù)據(jù)的統(tǒng)計關系不是很明顯，常常需要刪除很多噪聲點才能夠達到比較好的效果。分析認為有以下幾點原因：

(1)受多種因素影響，遙感數(shù)據(jù)和實測數(shù)據(jù)均普遍存在較大的粗差。如何發(fā)現(xiàn)并剔除這些粗差，提高基礎數(shù)據(jù)的質(zhì)量是土壤墑情遙感監(jiān)測重點要解決的問題；

(2)實測站點數(shù)量較少，一定程度上影響了實驗結(jié)果的精度；

(3)遙感影像的重采樣，可能導致監(jiān)測站點與像元匹配存在一定誤差；

(4)使用每日陸面溫度數(shù)據(jù)代替植被冠層溫度理論上也存在一定的誤差，二者的關系有待進一步地深入研究。