东辽河流域土壤含水量遥感模拟

刘立文，邢立新，潘 军，曹 会，白志远，王建雷

（1.吉林大学地球探测科学与技术学院，吉林 长春 130026；2.吉林省基础地理信息中心，吉林 长春 130051；3.山西农业大学资源环境学院，山西 太谷 030801）

遥感监测土壤含水量的研究始于20世纪60年代末，伴随着遥感技术的不断发展，出现了基于不同遥感原理的监测方法，文章选取基于光学遥感的地表温度（Ts）—植被指数（VI）特征空间法。该方法由Price[1]在1990年首先提出，Sandholt等[2]在2002年基于Ts和NDVI的关系提出了应用温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）估测土壤表层水分状况。国内利用Ts/NDVI进行土壤含水量监测研究较晚。冉琼等[3]（2005）用数字高程模型对地表温度进行了订正，结果表明，经过 DEM校正获取的温度植被干旱指数（TVDI）能更好地反映土壤湿度；李春强等[4]（2008）应用NOAA/AVHRR资料，反演归一化植被指数（NDVI）、土壤调整植被指数（SAVI）和地表温度（Ts），采用TVDI研究了冬小麦旱情状况，研究表明基于SAVI的温度植被干旱指数更适于监测冬小麦春季的旱情。但是，由于受到统计特征空间区域内太阳总辐射不均和大气背景条件不一致的影响，反演精度降低。

TVDI模型不仅要考虑遥感数据精度，而且要考虑能量平衡和植被指数的变化对结果精度的影响。该研究首先利用DEM影像对研究区做地形校正，消除地形起伏和覆盖类型差对地表温度的影响；其次选用比值植被指数（RVI），归一化植被指数（NDVI）、增强型植被指数(EVI)、改进的修正土壤调整植被指数（MSAVI）和地表温度（Ts）分别研究TVDI与土壤含水量之间的线性相关性；最后对结果进行分析与验证。研究结果表明，利用植被指数与地表温度的融合信息，可为区域旱情遥感监测提供一定的科学依据。

1 研究区概况

东辽河发源于吉林省东辽县的萨哈陵五座庙福安屯附近，流经四平、梨树、内蒙古三江口、双辽等市县，于辽宁省昌图县福德店与西辽河汇合，源区海拔360 m。干流全长360 km，其中在吉林省的河长占总河长的80%以上，流域面积11 500 km2。东辽河地处吉林省中部，年平均降雨量450～700 mm。年内分配很不均匀，6～9月占年降雨量的75%。

该流域的地形从东南部的山地丘陵地貌逐渐向西北部过渡成平原；主要土壤类型是草甸土、盐化黑钙土、草原风沙土；土地利用类型主要是耕地[5]。结合流域的地形地貌特征，根据DEM影像，通过arcgis中的水文分析模块生成流域图（图1）。

2 TVDI的原理

Sandholt等[2]在研究土壤湿度时发现，Ts/NDVI的特征空间中有很多等值线，于是提出了温度植被干旱指数的概念。TVDI由植被指数和地表温度计算得到，只依靠图像数据，其定义为：

其中：Tsmin表示最小地表温度，对应的是湿边；Ts是任意像元的地表温度；Tsmax=a+bNDVI，为某一NDVI对应的最高温度，即干边；a、b是干边拟合方程的系数。

在干边上TVDI=1，在湿边上TVDI=0。对于每个像元，利用NDVI确定Tsmax，根据Ts在Ts—NDVI梯形中的位置计算TVDI。TVDI越大，土壤湿度越低；TVDI越小，土壤湿度越高。估计这些参数要求研究区域的范围足够大，地表覆盖从裸土变化到比较稠密的植被覆盖，土壤表层含水量从萎蔫含水量变化到田间持水量。

Moran等[6]发现散点图呈梯形，在相同大气和地表湿度状况下，不同的地表类型有着不同的Ts/NDVI斜率和截距。Ts与NDVI的关系，如图2所示。图中A点代表低NDVI、高Ts干旱裸土，B点代表低NDVI、低Ts的富水裸土，C点代表高NDVI、高Ts的缺水植被，D点代表高NDVI、低Ts的富土植被，即A/C为干边、B/D为湿边。介于干湿边之间的像元，其土壤湿度也介于干湿边之间；越接近于干边，土壤越干；越接近于湿边，土壤越湿[5]。

3 数据源和预处理

植被指数提供了植被生长状况和覆盖信息，地表温度能反映土壤的湿度情况[8]，通过温度植被干旱指数方法对两者信息进行综合处理并与相应的实测数据拟合，可以得到土壤含水量。

3.1 遥感数据来源

文章选取时间为2007年8月29日、无云无雪、行列号为（119/29）（119/30）（118/29）的 Landsat TM5影像数据和30 m分辨率的ASTER GDEM数据作为基础遥感数据进行研究。数据来源于中国科学院中国应用环境中心。

3.2 地表温度获取

文章对TM影像进行几何校正、辐射定标和大气校正等图像预处理，再通过辐射传输方程法反演得到地表温度。辐射传输方程法（Radiative Transfer Equatio），又称大气校正法[9]，其基本思路为：首先利用与卫星同步的大气数据来估计大气对地表热辐射的影响；然后把这部分大气影响从卫星高度上传感器所观测到的热辐射总量中减去，从而得到地表热辐射强度；再把这一热辐射强度转化为相应的地表温度，如图3所示。

3.3 植被指数获取

图3 地表温度遥感反演流程

为使增加了植被信息的动态范围较好地消除大气和土壤背景对植被指数的影响，文章采用2007年8月份的TM影像，在遥感图像处理平台（ENVI）中通过波段运算得到了东辽河流域的比值植被指数（RVI），归一化植被指数（NDVI）、增强型植被指数(EVI)和修正土壤调整植被指数（MSAVI）。

4 结果与分析

4.1 地面温度的高程校正

气温通过大气与下垫面的湍流热交换影响地表温度，用DEM可以对地表温度进行简单的高程校正。从东南部到西北部，东辽河流域的地形由山地过渡到平原，地形起伏度较大，高程能引起相同NDVI条件下地形起伏度大的像元对应的Ts值有所降低，TVDI值减小，导致地形起伏度大的地区表现出土壤含水量高的特性。文章通过太阳高度角、太阳方位角、地形来进行地形校正，有效地解决了这一问题。

由图4中可知，经过地形校正后的影像的相关系数增大，R2从0.549 6提高到0.600 5，拟合效果较好。通过拟合图可看出，利用DEM校正后的Ts/NDVI反演水分精度更高。

4.2 不同植被指数与地表温度指数、土壤含水量的相关性

根据实测的点位数据与地形校正后的不同温度/指数模型，利用最小二乘法进行回归分析（图5）。 结 果 表 明 ，Ts/NDVI、Ts/EVI、Ts/RVI 和 Ts/MSAVI与土壤含水量呈现不同程度的负相关，即温度植被指数越高，土壤含水量越低，农业旱情越严重。

从图5中可见，2007年8月份东辽河地区土壤含水量对于植被指数与地表温度较为敏感，可以作为预测干旱的一个重要指标。通过比较发现，Ts/MSAVI与土壤的含水量相关性最高，RVI次之，EVI最低。与传统的Ts/NDVI比较，Ts/MSAVI的拟合效果更好，R2从0.600 5提高到0.643 4，Ts/MSAVI值越大，土壤含水量越低。同时研究表明：MSAVI在描述植被覆盖和土壤背景方面有着较大的优势。对于半干旱地区的土地利用而言，由于考虑了裸土土壤线，MSAVI比NDVI对于低植被覆盖有更好的指示作用，因此用Ts/MSAVI能够更准确地反映土壤含水量状况。

4.3验 证

由以上分析可知，Ts/MSAVI较其他的植被指数得到的TVDI而言，反演土壤含水量更具有优越性，因此该研究选择Ts/MSAVI基于实测土壤含水量通过Ts/NDVI斜率法[10]对东辽河流域土壤含水量进行反演（图6）。结果显示，东部山区的土壤含水量明显高于西部平原地区，具有与地势相一致的空间差异；沿河地区由于河网密集和水田的存在，土壤含水量明显高于玉米种植区和城镇，结果与土地利用类型相一致。

在计算干边上的土壤含水量和与温度植被指数拟合时，选取了11个土壤含水量监测站中的7个来计算，用剩下4个站点的数据进行反演效果的误差检验，结果见表1。

表1 2007年8月东辽河流域土壤含水量反演值与实测值对比 （%）

从表1中可知，土壤含水量的最低相对误差是0，最大相对误差是27%，整体相对误差的平均值是14.5%。土壤含水量的最低值9.14和最高值27.17都出现在实测值里面，即遥感反演的结果处在地面实测的最高值和最低值之间。反演结果相对误差小于25%的点是3个，占总数的75%，表明模拟值与实测值的一致性较好，模拟结果准确可靠。

5 结语

（1）高程能引起相同NDVI条件下地形起伏度大的像元对应的地表温度降低，TVDI值减小，土壤含水量增大，导致结果精度降低。在土壤含水量的遥感模拟中加入地形校正能够有效地解决这一问题，与校正前相比，R2从0.549 6提高到0.600 5，能够有效提高土壤含水量的精度。

（2）比较 Ts/NDVI、Ts/EVI、Ts/RVI和 Ts/MSAVI与土壤含水量的相关性，结果表明，以上TVDI均能体现土壤含水量状况的负相关关系，其中Ts/MSAVI相关性最好；通过建立 Ts/MSAVI特征空间，反演得到东辽河的土壤含水量图。结果表明，此方法较好地反映了东辽河流域的干旱状况，同时考虑了土壤背景和植被覆盖度的影响，使其结果的准确性得到了显著提高。

（3）如果有与遥感数据同步的地面实测数据，结果精度会更高。今后要针对影响土壤含水量的其他因素进行研究，以提高遥感反演土壤含水量的精度。

[1]Price J C.Using Spatial context in satellite data to infer regional scale evapotranspiration[J].IEEE Transactions on Geoscience and Remote Sensing，1990，28:940-948.

[2]Sandholt I，Rasmussen K，Andersen J.A simple interpretation of the surface temperature/vegetation index space for assess/ment of surface moisture status[J].Remote Sensing of Environment，2002，79:213-224.

[3]冉 琼，张增祥，张国平，等.温度植被干旱指数反演全国土壤湿度的 DEM 订正[J].中国水土保持科学，2005，3（2）：32-36.

[4]李春强，李红军.TVDI在冬小麦春季干旱监测中的应用[J].遥感技术与应用，2008，23（2）：161-165.

[5]王 坤，严登华，周德民，等.基于Ts/NDVI的东辽河流域土壤含水量遥感反演研究[J].2010 International Conference on Remote Sensing(ICRS)，2010，556-561.

[6]Moran M S，Clarke T R，Inoue Y，et al.Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J].Remote sensing of environment，2002，79（2）:123-224.

[7]Goward，S.N.and HOPE，A，S.Evapotranspiration from combine deflected sola rand emitted Terrestrial radiation:Preliminary FIFE results from AVHRR data[J].Advanees in Space Research，1989，9（7）:239-249.

[8]刘晓婧.基于 TM数据的延河流域土壤水分反演研究[D].杨凌:西北农林科技大学，2010.

[9]Qin Z H，Kamieli A，Berliner P.A Mono-window Algorithm for Retrieval Land Surface Temperature from Landsat TM Data and Its Application to the Israel/Egypt Border Region[J].International Journal of Remote Sensing，2001，22（18）:3719-3746.

[10]柳钦火，辛景峰，辛晓洲，等.基于地表温度和植被指数的农业干旱遥感监测方法[J].科技导报，2007，25（6）：12-18.