国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

古爾班通古特沙漠SMAP土壤水分產(chǎn)品降尺度分析

2023-05-29 05:47薛智暄王新軍李永康張冠宏李沛堯
干旱區(qū)研究 2023年4期
關(guān)鍵詞:干旱區(qū)土壤水分分辨率

薛智暄,張 麗,王新軍,李永康,張冠宏,李沛堯

(1.新疆農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,新疆 烏魯木齊 830052;2.新疆土壤與植物生態(tài)過程實(shí)驗(yàn)室,新疆 烏魯木齊 830052)

土壤水分(Soil Moisture,SM)作為全球水循環(huán)的重要組分,通過蒸發(fā)控制著大氣圈的水文學(xué)循環(huán)和氣候變化,是控制地球各圈層內(nèi)部水能量交換的重要參數(shù)之一[1];同時(shí)土壤水分通過生態(tài)系統(tǒng)水脅迫來降低總初級(jí)生產(chǎn)力(Net Primary Productivity,NPP),導(dǎo)致植被死亡,是影響陸地碳吸收的重要因素[2];因此,準(zhǔn)確獲取土壤水分信息是研究陸地生態(tài)系統(tǒng)水碳循環(huán)的一個(gè)關(guān)鍵問題。目前獲取土壤水分的途徑有直接方法和間接方法。直接方法即傳統(tǒng)土壤水分觀測方法,主要利用探針或重量測量法在小范圍內(nèi)測量土壤水分。無法獲取大范圍高時(shí)相土壤水分信息。相較于計(jì)重采樣等地面測量的傳統(tǒng)方法,利用衛(wèi)星遙感探測土壤水分信息的手段具有很大的優(yōu)勢(shì)。其中微波遙感由于具有穿透能力強(qiáng)、與土壤水分具有較強(qiáng)的物理聯(lián)系等特點(diǎn),而成為監(jiān)測土壤水分信息的主要手段之一[3-4]。目前,眾多衛(wèi)星平臺(tái)搭載了微波傳感器且基于微波的土壤水分產(chǎn)品也達(dá)到了較高的反演精度,如主被動(dòng)觀測結(jié)合的SMAP 衛(wèi)星、土壤水分海洋鹽度SMOS 衛(wèi)星、Sentinel 系列主動(dòng)微波衛(wèi)星以及AMSR2、SMAP土壤水分產(chǎn)品等?;谖⒉ǖ耐寥浪之a(chǎn)品往往時(shí)間分辨率較高,可大范圍、高時(shí)相獲取土壤水分信息,但其空間分辨率較低(數(shù)千米到數(shù)十千米),不能很好的表達(dá)強(qiáng)異質(zhì)性區(qū)域的土壤水分。

被動(dòng)微波土壤水分空間降尺度是獲取高時(shí)空分辨率土壤水分產(chǎn)品的有效途徑。被動(dòng)微波降尺度方法是采用模型確定低空間分辨率微波像元值與高空間分辨率地表信息兩者之間的關(guān)系,并借此實(shí)現(xiàn)空間分辨率的提高[5-7]。有研究表明,降尺度因子往往選擇NDVI、LST 以及數(shù)字高程模型DEM 作為降尺度因子構(gòu)建經(jīng)驗(yàn)降尺度模型[8-9],但是對(duì)于古爾班通古特沙漠稀疏植被區(qū),植被指數(shù)易受裸沙影響,嚴(yán)重限制了對(duì)土壤水分關(guān)聯(lián)關(guān)系的表達(dá)。因此對(duì)于干旱區(qū)沙漠稀疏植被區(qū),找到一些與土壤水分有更好的關(guān)聯(lián)關(guān)系降尺度因子是實(shí)現(xiàn)降尺度的關(guān)鍵環(huán)節(jié)。

本文以古爾班通古特沙漠為研究區(qū),基于隨機(jī)森林算法,在優(yōu)化修改型土壤調(diào)整植被指數(shù)(Modified Soil Moisture Vegetation Index,MSAVI)基礎(chǔ)上提出EMSAVI 指數(shù),構(gòu)建適用于沙漠環(huán)境特征的土壤水分降尺度模型。將綜合考慮稀疏植被和裸沙的新土壤水分降尺度模型與傳統(tǒng)降尺度模型進(jìn)行對(duì)比,探索新的降尺度模型對(duì)SMAP 土壤水分產(chǎn)品降尺度的合理性,實(shí)現(xiàn)高時(shí)空分辨率土壤水分的探測。以期為干旱區(qū)土壤水分降尺度的研究提供思路,為荒漠生態(tài)系統(tǒng)碳匯研究提供重要的數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況

古爾班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于準(zhǔn)噶爾盆地中部、瑪納斯河流域以東及烏倫古河以南地區(qū)(圖1)。是中國第二大沙漠,面積約4.88×104km2[10-11],屬溫帶干旱荒漠區(qū),是新疆北部典型的沙漠生態(tài)系統(tǒng)[12]。全年降水量70~150 mm,受冬季融雪水入滲補(bǔ)給、春季降水入滲補(bǔ)給和蒸散發(fā)的共同影響,春季為土壤水分補(bǔ)給期(濕季),夏季為土壤水分耗損期(干季),蒸發(fā)量約為2000~2800 mm,年均氣溫7.19 ℃,土壤以風(fēng)沙土為主,容重1.54~1.65 g·cm-3[13-15]。沙漠內(nèi)部大部分為固定和半固定沙丘,固定沙丘上植被覆蓋度大約30%~50%,半固定沙丘大約達(dá)15%~25%[16-17]。融雪水和春季降水作為古爾班通古特沙漠植被生存的主要水分來源,占全年降水的65%以上[18];冬季有穩(wěn)定積雪且穩(wěn)定積雪日100~150 d,積雪的消融下滲為春季短命植物的生長提供了有利的條件,受此影響春夏季短命植物生長旺盛[19-21]。

圖1 研究區(qū)概況示意圖Fig.1 Schematic diagram of the study area

1.2 數(shù)據(jù)來源

1.2.1 土壤水分?jǐn)?shù)據(jù) SMAP 土壤水分?jǐn)?shù)據(jù)采用SMAP 增強(qiáng)型全球每日9 km 土壤水分產(chǎn)品(SMAP Enhanced L3 Radiometer Global Daily 9 km EASEGrid Soil Moisture,V004,下文簡稱為SMAP L3),反映0~5 cm土壤深度的平均含水量,單位為cm3·cm-3,上午(降軌)和下午(升軌)的星下點(diǎn)過境時(shí)間分別為當(dāng)?shù)貢r(shí)間早上06:00 和下午18:00。由于近地表土層和植被覆蓋的熱平衡和均質(zhì)大氣環(huán)境在上午的時(shí)候更接近地表真實(shí)情況[22],選擇該產(chǎn)品的降軌數(shù)據(jù)作為粗分辨土壤水分。通過降水量變化和研究區(qū)已有的研究結(jié)論[23],并考慮SMAP L3數(shù)據(jù)覆蓋完整情況,分別選取2018 年濕季、干季中4 月15 日和8 月24 日的土壤水分作為檢驗(yàn)新舊降尺度模型估算土壤水分的驗(yàn)證數(shù)據(jù),探索方法的可行性。

1.2.2 遙感數(shù)據(jù) MODIS 數(shù)據(jù)以MOD09A1 的8 d

合成反射率產(chǎn)品為基礎(chǔ),計(jì)算NDVI、RSBI、EMSAVI數(shù)據(jù);地表溫度數(shù)據(jù)選用MOD11A1 日地表溫度產(chǎn)品(https://ladsweb.modaps.eosdis.nasa.gov)。

1.2.3 地形數(shù)據(jù) SRTM(Shuttle Radar Topography Mission),由美國太空總署(NASA)和國防部國家測繪局(NIMA)聯(lián)合測量,能夠提供60°N~56°S 的高分辨率地表高程數(shù)據(jù)。研究使用的是SRTM DEM 30 m分辨率高程數(shù)據(jù)(https://earthexplorer.usgs.gov/)。

1.3 研究方法

1.3.1 隨機(jī)森林算法 眾多研究已經(jīng)討論了集成學(xué)習(xí)方法(如隨機(jī)森林)來解決遙感中的分類和非線性回歸問題[24-26]。隨機(jī)森林(RF)由Breiman[27]提出,是一種用途廣泛、高度靈活的機(jī)器學(xué)習(xí)算法,通過bootstrap重采樣技術(shù)從原始樣本中抽取并生成訓(xùn)練樣本子集,然后根據(jù)訓(xùn)練樣本集生成多個(gè)決策樹,最終通過決策樹的投票分?jǐn)?shù)確定結(jié)果[28-29]。根據(jù)算法的自適應(yīng)性質(zhì),RF在確定自變量和因變量之間復(fù)雜的非線性關(guān)系方面具有優(yōu)勢(shì)[30-31],與其他機(jī)器學(xué)習(xí)方法相比,隨機(jī)森林抗過擬合能力強(qiáng),異常值和噪聲的容忍度高[32]。此外,模型內(nèi)置了特征重要性評(píng)價(jià)機(jī)制,擁有較強(qiáng)的模型可解釋性,變量重要性評(píng)分(Variable Importance Measures,VIM)用以計(jì)算每個(gè)特征在隨機(jī)森林中的每棵樹中所做出的貢獻(xiàn),通常選擇基尼系數(shù)(Gini index)或者袋外數(shù)據(jù)誤差(Error of out-of-bag,EOOB)進(jìn)行衡量,評(píng)價(jià)公式如下:

式中:N為OOB 樣本個(gè)數(shù);Y?( )Xi為給定樣本Xi時(shí),RF模型的預(yù)測數(shù)據(jù);Yi為實(shí)際數(shù)據(jù)。

首先計(jì)算每棵決策樹EOOB1,然后對(duì)特征M 隨機(jī)加入噪聲,并再次計(jì)算袋外數(shù)據(jù)誤差EOOB2,由此得到特征M的重要性(VIMM)計(jì)算式:

式中:n為隨機(jī)森林中的樹的數(shù)量。

若給某個(gè)特征隨機(jī)加入噪聲之后,袋外數(shù)據(jù)誤差大幅度提高,則說明這個(gè)特征對(duì)于數(shù)據(jù)的預(yù)測結(jié)果影響很大,即此特征重要性較高。因此,本文基于隨機(jī)森林算法整合多元參數(shù)來反演土壤水分。

1.3.2 土壤水分降尺度模型構(gòu)建 目前,隨機(jī)森林算法的土壤水分降尺度模型,往往是基于土壤水分與植被蓋度、地表溫度三者之間關(guān)系的理論基礎(chǔ)[9]。與土壤水分有密切聯(lián)系的輔助數(shù)據(jù)作為降尺度因子,如地表溫度、植被指數(shù)、地形因子等,其中NDVI和地表溫度被廣泛使用。然而,相關(guān)研究表明,土壤水分不僅受到植被蓋度影響,而且受到地表蓋度類型和土壤屬性的影響[33-34]。故在傳統(tǒng)降尺度模型中降尺度因子的基礎(chǔ)上,考慮稀疏植被和裸沙的環(huán)境特征,增加了與荒漠土壤水分關(guān)聯(lián)性更高的EMSAVI與RSBI分別作為反映研究區(qū)植被蓋度和裸沙分布狀況的降尺度因子,構(gòu)建干旱區(qū)土壤水分降尺度模型。

(1)增強(qiáng)型修改土壤植被指數(shù)(EMSAVI)

植被指數(shù)利用光譜信息實(shí)現(xiàn)對(duì)植被狀態(tài)信息的表達(dá),如NDVI可定量地評(píng)價(jià)植被蓋度、生長活力及生物量等。但NDVI 對(duì)土壤和植被的敏感度不同,在植被密度低的地區(qū),NDVI 受土壤背景影響較大,會(huì)忽略部分植被信息;在植被密度高的地區(qū),NDVI 則會(huì)出現(xiàn)光譜飽和現(xiàn)象。而改進(jìn)的植被指數(shù)(MSAVI)整合了土壤背景狀況和大氣調(diào)整因子,使用MSAVI 能使植被指數(shù)固有的背景“噪聲”降到最小,便于消除植被冠層信息及土壤背景的影響[35]。

式中:BNIR為近紅外波段的反射率;BR為紅波段的反射率。有研究表明,只有2 個(gè)波段組成的植被指數(shù)因有顯著的相關(guān)性,而導(dǎo)致構(gòu)建的模型不穩(wěn)定[36],故提出EMSAVI。

式中:BNIR為近紅外波段的反射率;BR為紅波段的反射率;BSWIR為短波紅外波段的反射率。有研究發(fā)現(xiàn),短波紅外波段對(duì)土壤水分變化具有重要指示作用且對(duì)土壤水分反演精度提升有一定價(jià)值[37]且與可見光和近紅外相比,BSWIR對(duì)背景的敏感度較?。?8],故在MSAVI 基礎(chǔ)上引入對(duì)土壤水分敏感度更高的短波紅外波段,得到EMSAVI,減少植被冠層及沙漠對(duì)土壤水分探測的影響,最終提高植被指數(shù)與土壤水分的相關(guān)性。

(2)比值沙地亮度指數(shù)(RSBI)

RSBI 指數(shù)綜合紅波段、短波紅外與綠波段3 個(gè)波段的光譜信號(hào),增強(qiáng)了光譜信息,該指數(shù)通過計(jì)算沙地反射率最高與最低波段間的比值,進(jìn)一步擴(kuò)大波段間差異范圍,從而在影像上提高了沙地與非沙地識(shí)別的靈敏度[39]。

式中:BSWIR表示短波紅外波段的反射率;BR表示紅波段的反射率;BG表示綠波段的反射率。

利用隨機(jī)森林采用非線性函數(shù)FR算法建立EMSAVI、NDVI、RSBI、DEM 及LST 與 土 壤 表 層 水 分(SM)之間的相互關(guān)系:

SM=FR(EMSAVI,NDVI,RSBI,DEM,LST) (6)

基于SMAP被動(dòng)微波土壤水分的干旱區(qū)表層土壤水分降尺度技術(shù)路線如圖2所示。

圖2 技術(shù)路線圖Fig.2 Flowchart of the downscaling procedure in this study

降尺度模型構(gòu)建步驟如下:

(1)將1 km 分辨的EMSAVI、NDVI、RSBI、LST和DEM 數(shù)據(jù)重采樣至9 km 分辨率,與9 km 空間分辨率的SMAP土壤水分?jǐn)?shù)據(jù)的像元進(jìn)行匹配。

(2)將9 km空間分辨率的SMAP土壤水分?jǐn)?shù)據(jù)作為目標(biāo),升尺度后得到的EMASVI、NDVI、RSBI、LST 與DEM 數(shù)據(jù)作為降尺度因子,組成2 種組合使用隨機(jī)森林進(jìn)行訓(xùn)練,在9 km空間尺度上構(gòu)建降尺度因子與土壤水分之間的映射關(guān)系,利用土壤水分?jǐn)?shù)據(jù)對(duì)新舊降尺度模型進(jìn)行精度驗(yàn)證并對(duì)比,檢驗(yàn)新構(gòu)建模型在干旱區(qū)荒漠的適用性并通過一些評(píng)價(jià)指標(biāo)對(duì)精度驗(yàn)證結(jié)果進(jìn)行評(píng)價(jià)。

(3)將高分辨率降尺度因子重采樣至1 km 空間分辨率,并應(yīng)用于降尺度模型中,得到1 km 空間分辨率土壤水分?jǐn)?shù)據(jù)。

1.3.3 評(píng)價(jià)指標(biāo) 本研究選取一些典型的評(píng)價(jià)指標(biāo)對(duì)基于隨機(jī)森林的新舊土壤水分降尺度模型進(jìn)行精度評(píng)價(jià),指標(biāo)包括:決定系數(shù)R2(Coefficient of Determination)、均方根誤差(Root Mean Square Error,RMSE)、局部二值模式(Local Binary Pattern,LBP)和皮爾森相關(guān)系數(shù)(Pearson Correlation Coefficient,r)。計(jì)算公式如下:

式中:SHi和SYi分別為9 km降尺度數(shù)據(jù)和9 km土壤水分產(chǎn)品的LBP 值;LBPC為降尺度數(shù)據(jù)與原始產(chǎn)品像元差值的絕對(duì)值之和。

2 結(jié)果與分析

2.1 降尺度因子與土壤含水量的相關(guān)性分析

對(duì)5個(gè)降尺度因子與表層(0~5 cm)土壤水分計(jì)算斯皮爾曼相關(guān)系數(shù)及顯著性檢驗(yàn),進(jìn)而分析干、濕季土壤含水量與不同降尺度因子之間的相關(guān)性。如表1所示,濕季土壤含水量與各降尺度因子相關(guān)性為:EMSAVI(-0.34)>LST(-0.31)>RSBI(-0.25)>NDVI(0.08)>DEM(0.07),而傳統(tǒng)模型中降尺度因子之一的NDVI相比增加的光譜指數(shù)表現(xiàn)出較弱相關(guān)性(r=0.08),低于EMSAVI(-0.34)與RSBI(-0.25),且與土壤水分間無顯著相關(guān);干季土壤含水量與各降尺度因子相關(guān)性為:DEM(-0.59)>LST(-0.47)>RSBI(-0.42)>EMSAVI(-0.37)>NDVI(-0.21)。干、濕季的降尺度因子相關(guān)系數(shù)與改進(jìn)后降尺度因子相比,LST具有較強(qiáng)的相關(guān)性,產(chǎn)生該現(xiàn)象的主要原因是地表溫度對(duì)水分蒸發(fā)起決定性作用,通常情況下地表高溫區(qū)域(或裸沙區(qū)域)土壤水分含量較低;DEM在干季時(shí)表現(xiàn)較強(qiáng)的相關(guān)性,原因可能是該降尺度因子是通過對(duì)氣溫和植被的影響來間接影響土壤水分含量,干季時(shí)降水較少繼而導(dǎo)致DEM對(duì)表層土壤水分的影響大幅提高;NDVI 在干旱區(qū)沙漠稀疏植被區(qū)對(duì)土壤水分的指示作用較小,表明傳統(tǒng)降尺度模型在荒漠地區(qū)適用性較弱。

表1 降尺度因子與土壤含水量相關(guān)系數(shù)Tab.1 Correlation coefficient between environmental variables and soil water content

綜上所述,本模型新增的EMSAVI(r濕=-0.34、r干=-0.37)、RSBI(r濕=-0.25、r干=-0.42)均高于傳統(tǒng)模型中NDVI 與土壤水分的相關(guān)系數(shù)(r濕=-0.08、r干= -0.21),表明添加的EMSAVI 和RSBI 對(duì)荒漠土壤水分有較好指示作用且效果優(yōu)于NDVI,選擇的降尺度因子具有合理性。不同降尺度因子與表層土壤水分的相關(guān)性表現(xiàn)出不同的穩(wěn)定性,EMSAVI、RSBI 和LST 在干濕季中與表層土壤水分的相關(guān)系數(shù)結(jié)果中具有較強(qiáng)的穩(wěn)定性,DEM 和NDVI 則受干濕季影響較大,穩(wěn)定性較差。

2.2 降尺度因子重要性分析

在非線性關(guān)系構(gòu)建過程中,隨機(jī)森林算法能夠根據(jù)輸入因子即降尺度因子建立模型,并提供每個(gè)降尺度因子的重要性。重要性越大,說明該變量對(duì)模型的影響越大。由圖3可知,干、濕季降尺度因子重要性總體均值表現(xiàn)為:DEM(39.3%)>LST(18.9%)>EMSAVI(18.7%)>NDVI(13.2%)>RSBI(10.0%)。

圖3 干、濕季降尺度因子重要性得分平均值Fig.3 Average of downscaling factor importance scores for two periods

降尺度因子與土壤水分相關(guān)性統(tǒng)計(jì)結(jié)果與隨機(jī)森林中降尺度因子的重要性結(jié)果有所差異。干季的DEM(r=-0.59)略高于LST(r=-0.47),但在相同時(shí)期DEM 重要性相比LST 增加了20.4%;相關(guān)性與重要性分析結(jié)果均表明新增的EMSAVI(r=-0.35,重要性=18.7%)對(duì)新構(gòu)建干旱區(qū)土壤水分降尺度模型的貢獻(xiàn)高于NDVI(r=-0.15,重要性=13.2%);RSBI 的貢獻(xiàn)度略低于NDVI,但對(duì)模型的貢獻(xiàn)度依然較高(重要性=10.0%)。結(jié)果說明,相關(guān)性較低的NDVI 也能為干旱區(qū)土壤水分降尺度模型的構(gòu)建提供一些信息,但是改進(jìn)后得到的EMSAVI 更適合作為干旱區(qū)土壤水分降尺度因子構(gòu)建模型。

2.3 SMAP土壤水分降尺度新舊模型對(duì)比

由于研究區(qū)空間異質(zhì)性明顯,土壤水分在不同季節(jié)相差顯著,因此分別選取土壤水分相對(duì)差異較大時(shí)間節(jié)點(diǎn)中云量較少的降尺度數(shù)據(jù)與SMAP L3精度驗(yàn)證后對(duì)比,以此檢驗(yàn)新舊模型在研究區(qū)的適用性。

圖4 為2018 年濕季和2018 年干季分別利用傳統(tǒng)與新構(gòu)建的降尺度模型得到土壤水分預(yù)測值與SMAP L3的散點(diǎn)圖。由圖4可知,干、濕季預(yù)測值與產(chǎn)品值均具有較高的決定系數(shù)(R2>0.88)、相關(guān)性(r>0.93)以及較低的誤差(RMSE<0.009 cm3·cm-3)。在濕季相比于傳統(tǒng)降尺度模型,本文構(gòu)建的改進(jìn)降尺度模型精度有所提升,提高了17.10%;在干季相比傳統(tǒng)降尺度模型,本文構(gòu)建的改進(jìn)降尺度模型精度提升了14.77%。綜合分析表明,考慮干旱區(qū)稀疏植被和裸沙的環(huán)境特征所構(gòu)建的改進(jìn)模型預(yù)測效果,整體相較于傳統(tǒng)模型略微提高了精度,表現(xiàn)出更高的決定系數(shù)、相關(guān)性以及更低的誤差,更適用于干旱區(qū)的土壤水分降尺度研究。

圖4 不同時(shí)期土壤水分降尺度數(shù)據(jù)與SMAP土壤水分散點(diǎn)圖Fig.4 Soil water downscaling data in different periods and SMAP soil water scatter plot

2.4 降尺度結(jié)果空間一致性評(píng)價(jià)

SMAP 土壤水分產(chǎn)品與基于RF 的回歸方法建立的干旱區(qū)環(huán)境因子之間的定量關(guān)系模型性能良好,可將高分辨率變量應(yīng)用于該模型,從而得到高分辨率的表層土壤水分?jǐn)?shù)據(jù)。本文對(duì)1 km 空間分辨率表層土壤水分降尺度數(shù)據(jù)與9 km 空間分辨率原始SMAP土壤水分?jǐn)?shù)據(jù)進(jìn)行了空間一致性評(píng)價(jià)及可視化比較(圖5)。

圖5 古爾班通古特沙漠干、濕季SMAP L3和相應(yīng)的土壤表層水分降尺度數(shù)據(jù)Fig.5 SMAP L3 and corresponding soil surface water downscaling data for two periods in the Gurbantunggut Desert

評(píng)估降尺度結(jié)果表征SMAP單個(gè)像元土壤水分空間變化的能力是十分重要的,空間精度可以通過計(jì)算9 km 降尺度數(shù)據(jù)和土壤水分產(chǎn)品之間的空間特征(如紋理)的差異來量化。因此,本文通過計(jì)算新舊模型9 km 降尺度數(shù)據(jù)與土壤水分產(chǎn)品之間局部二值模式(Local Binary Patterns,LBP)的差值(LBPC)評(píng)價(jià)新舊模型數(shù)據(jù)與SMAP L3的空間一致性(表2)??傮w結(jié)果表明,干旱區(qū)土壤水分降尺度模型(LBPC-n=0.0585)性能優(yōu)于傳統(tǒng)降尺度模型(LBPC-o=0.0645)。

表2 空間一致性評(píng)價(jià)結(jié)果Tab.2 Spatial consistency evaluation results

研究結(jié)果表明,改進(jìn)后的降尺度模型能夠?qū)MAP 被動(dòng)微波土壤水分產(chǎn)品的空間分辨率提高(9 km到1 km),改善了原始產(chǎn)品的空間細(xì)節(jié),同時(shí)保證降尺度前后數(shù)據(jù)在大多數(shù)區(qū)域內(nèi)土壤水分的空間格局一致。濕季時(shí),高含量土壤水分主要分布于東部和東南部,而低含量土壤水分出現(xiàn)在中部和西南部區(qū)域;干季時(shí),高含量土壤水分主要分布于西部和西南部,而低含量土壤水分出現(xiàn)在中部和東南部區(qū)域。SMAP土壤水分產(chǎn)品的數(shù)值范圍與得到的土壤水分?jǐn)?shù)據(jù)基本保持一致(0.02~0.13 cm3·cm-3),表明與其他基于機(jī)器學(xué)習(xí)的降尺度算法相比,RF能夠保持粗分辨率土壤水分的動(dòng)態(tài)范圍[40]。

3 討論

前人研究主要通過NDVI 表達(dá)植被狀態(tài)信息,將其作為一個(gè)重要的降尺度因子構(gòu)建土壤水分降尺度模型[7-8]。本研究區(qū)為古爾班通古特沙漠,植被稀疏,傳統(tǒng)土壤水分降尺度模型中NDVI 因子易受植被密度、裸沙的影響,在干旱區(qū)土壤水分降尺度研究表現(xiàn)出極大的局限性,因此本研究基于隨機(jī)森林算法,在以往研究中廣泛選擇LST、NDVI、DEM作為降尺度因子的基礎(chǔ)上[41],同時(shí)考慮本研究區(qū)的土地覆被類型的差異,新增EMASAVI、RSBI 以提高干旱區(qū)中植被與裸沙的識(shí)別精度,并反映裸沙對(duì)表面土壤水分的影響,建立了適用于干旱區(qū)的表層土壤水分的降尺度模型。本文構(gòu)建的干旱區(qū)地表土壤水分降尺度相較以往傳統(tǒng)模型的誤差有略微的降低,但是干濕季精度均提升了10%以上。本文在干旱區(qū)地表土壤水分降尺度研究中的降尺度因子選擇及地表土壤水分降尺度模型的構(gòu)建,可以作為后續(xù)對(duì)干旱區(qū)的土壤水分降尺度研究的參考,如:(1)本文在MSAVI 中引入波長范圍為1.1~2.5 μm,能有效探測植被和土壤水分變化,對(duì)背景的敏感度較小且包含更多信息的SWIR 波段[38-42],因此引入SWIR波段可以大幅提高植被指數(shù)與土壤水分之間的關(guān)聯(lián)度,這與姚云軍等[42]的研究一致;(2)因?yàn)椴煌ǘ位蚬庾V指數(shù)有較強(qiáng)相關(guān)性[43],因此本文在MSAVI的基礎(chǔ)上加入SWIR 波段,可以最大程度的降低波段之間的冗余信息進(jìn)而提高光譜指數(shù)的指示效果,這與蔡亮紅等[36]的研究一致,且在不同時(shí)段也具有更好的穩(wěn)定性。(3)加入的RSBI 結(jié)合了紅外、近紅外及綠波段的光譜信息,能夠較好表示沙地與非沙地的分布特征[39],故構(gòu)建的干旱區(qū)荒漠土壤水分降尺度模型能夠?qū)MAP 土壤水分?jǐn)?shù)據(jù)由9 km 空間分辨率提升至1 km,一定程度上改善了SMAP 土壤水分?jǐn)?shù)據(jù)缺失的狀況,最終得到全天候、高時(shí)空分辨率的土壤水分?jǐn)?shù)據(jù),拓寬隨機(jī)森林算法應(yīng)用領(lǐng)域,為數(shù)據(jù)稀缺區(qū)表層土壤水分獲取提供有效方法,說明本文構(gòu)建的降尺度模型具有較大潛力,可為后續(xù)土壤水分含量預(yù)測提供參考。

本文表明基于隨機(jī)森林建立的土壤水分降尺度模型能夠建立與5 個(gè)降尺度因子的非線性關(guān)系,并且構(gòu)建模型具有較強(qiáng)的魯棒性,這與Im等[40]的研究結(jié)果相一致;研究發(fā)現(xiàn)地表溫度對(duì)土壤水分相關(guān)性及對(duì)降尺度模型的貢獻(xiàn)率均較高,是影響地表土壤水分的關(guān)鍵降尺度因子,這與Zhao等[44]的研究結(jié)果一致。在以往研究中,DEM與地表水分具有較低的相關(guān)性及重要性,但在本研究結(jié)果中海拔表現(xiàn)出較高的重要性,分析其原因可能是沙漠邊緣海拔相對(duì)較高的綠洲表層水分?jǐn)?shù)值較高,故而提高了海拔的重要性。在本文中NDVI雖然與地表土壤水分相關(guān)性不高,但是在構(gòu)建的地表土壤水分降尺度模型中表現(xiàn)出一定的重要性,原因可能是由于研究區(qū)面積遼闊,地表覆被差異明顯,NDVI 能夠彌補(bǔ)EMSAVI 在描述特定區(qū)域植物生長狀況方面的不足?;陔S機(jī)森林的降尺度模型相較于傳統(tǒng)的經(jīng)驗(yàn)?zāi)P蜆?gòu)建更加便捷,并且能夠提供構(gòu)建模型時(shí)各降尺度因子的重要性,便于對(duì)環(huán)境因子與土壤水分關(guān)系的逆向推理,大大提高了獲取大范圍、高時(shí)相地表土壤水分的可行性,可為干旱區(qū)表層土壤水分降尺度模型研究提供參考。借鑒了Zhu等[45]用時(shí)空融合方法的評(píng)價(jià)指標(biāo)來衡量得到的高分辨率水分的精度,結(jié)果表明改進(jìn)的降尺度模型較傳統(tǒng)模型具有更高的空間一致性,更適用于干旱區(qū)土壤水分降尺度的研究,后續(xù)可以增加更多與地表土壤水分相關(guān)的數(shù)據(jù)作為模型的降尺度因子,如后向散射系數(shù)和地表反照率,同時(shí)可以繼續(xù)提高降尺度結(jié)果的空間分辨率,以期更好的減少誤差和克服空間異質(zhì)性。

4 結(jié)論

SMAP是可以表征土壤水分的高時(shí)間分辨率的柵格數(shù)據(jù)產(chǎn)品,但較低的空間分辨率限制了在地表高異質(zhì)性的干旱區(qū)沙漠稀疏植被區(qū)的適用性。本文利用隨機(jī)森林算法,以LST、NDVI、RSBI、DEM、EMSAVI為輔助數(shù)據(jù),探索新的SMAP降尺度模型在干旱區(qū)沙漠稀疏植被區(qū)的合理性,得到以下結(jié)論:

(1)通過相關(guān)性分析可知,改進(jìn)的EMSAVI(-0.35)和新增的RSBI(-0.34)均高于NDVI與土壤水分的相關(guān)性(-0.15),且提升明顯。新增的植被指數(shù)和土壤指數(shù)對(duì)荒漠土壤水分有更好的指示作用,效果優(yōu)于NDVI。不同降尺度因子與地表水分表現(xiàn)出不同的相關(guān)程度,在不同時(shí)期相關(guān)程度也存在差異。各環(huán)境因子與土壤水分的相關(guān)性表現(xiàn)為濕季:EMSAVI(-0.34)>LST(-0.31)>RSBI(-0.25)>NDVI(0.08)>DEM(0.07);干季表現(xiàn)為:DEM(-0.59)>LST(-0.47)>RSBI(-0.42)>EMSAVI(-0.37)>NDVI(-0.21)。

(2)降尺度因子相關(guān)性統(tǒng)計(jì)結(jié)果與重要性結(jié)果有所差異。干季DEM 相關(guān)性(r=-0.59)略高于LST(r=-0.47),但同時(shí)期DEM 重要性相比LST 增加了20.4%;在環(huán)境因子相關(guān)性和重要性結(jié)果中,EMSAVI的統(tǒng)計(jì)結(jié)果均要高于NDVI;干、濕季RSBI與土壤含水量的相關(guān)性均高于NDVI,但在重要性結(jié)果中,NDVI(13.2%)重要性高于RSBI(10.0%)。表明相關(guān)性較低的NDVI也能為干旱區(qū)土壤水分降尺度模型的構(gòu)建提供一些信息,但改進(jìn)后得到的EMSAVI 相較于NDVI更適合作為干旱區(qū)土壤水分降尺度因子構(gòu)建模型。并且,重要性結(jié)果對(duì)環(huán)境因子與土壤水分關(guān)系的逆向推理具有重要作用。

(3)選取LST、NDVI和DEM作為傳統(tǒng)土壤水分降尺度因子,同時(shí)在此基礎(chǔ)上增加RSBI 與引入SWIR 波段改進(jìn)得到的EMSAVI 構(gòu)建干旱區(qū)土壤水分降尺度模型。新舊模型總體精度驗(yàn)證結(jié)果表明,新構(gòu)建的模型精度R2較傳統(tǒng)模型提升了0.031、達(dá)到0.913;RMSE 下降了0.0013 cm3·cm-3,達(dá)到0.0069 cm3·cm-3。

(4)空間一致性評(píng)價(jià)結(jié)果表明,干旱區(qū)土壤水分降尺度模型(LBPC-n=0.0585)性能優(yōu)于傳統(tǒng)降尺度模型(LBPC-o=0.0645),能夠得到與SMAP 產(chǎn)品之間的空間分布特征更為一致的降尺度數(shù)據(jù)。

本研究在傳統(tǒng)降尺度模型基礎(chǔ)上,增加與稀疏植被和裸沙的環(huán)境特征具有較好關(guān)聯(lián)性的光譜指數(shù),得到精度及空間一致性較高的干旱區(qū)高時(shí)空分辨率土壤水分?jǐn)?shù)據(jù),能夠?qū)Ω珊祬^(qū)土壤水分降尺度研究提供思路,為荒漠生態(tài)系統(tǒng)碳匯研究提供重要的數(shù)據(jù)支撐。

猜你喜歡
干旱區(qū)土壤水分分辨率
黑龍江半干旱區(qū)飼用谷子高產(chǎn)栽培技術(shù)
干旱區(qū)生態(tài)修復(fù)的實(shí)踐——以古爾班通古特沙漠為例
EM算法的參數(shù)分辨率
原生VS最大那些混淆視聽的“分辨率”概念
基于深度特征學(xué)習(xí)的圖像超分辨率重建
一種改進(jìn)的基于邊緣加強(qiáng)超分辨率算法
西藏高原土壤水分遙感監(jiān)測方法研究
氣候變化背景下西北干旱區(qū)旱澇的變化規(guī)律
干旱區(qū)影響水面蒸發(fā)的氣象因素多元回歸分析
不同覆蓋措施對(duì)棗園土壤水分和溫度的影響
衡山县| 娱乐| 青岛市| 布拖县| 砚山县| 隆回县| 沁水县| 江孜县| 郸城县| 尚义县| 张家界市| 西城区| 东兴市| 中超| 英吉沙县| 资溪县| 遂平县| 上林县| 平邑县| 安溪县| 灵石县| 若羌县| 云林县| 蒲城县| 上思县| 安吉县| 高淳县| 碌曲县| 大邑县| 铁岭市| 南华县| 张家口市| 鹤峰县| 土默特右旗| 石狮市| 金川县| 利辛县| 株洲市| 惠州市| 新兴县| 吴川市|