应用MODIS遥感数据反演棉花水分信息

易秋香，王福民，包安明，王强，赵金

（1.中国科学院新疆生态与地理研究所，乌鲁木齐 830011；2.浙江大学，杭州 310058）

1 引 言

水分是控制植物光合作用、呼吸作用和生物量的主要因素之一，水分亏缺会直接影响植物的生理生化过程和形态结构，从而影响植物生长产量与品质，对研究植物水分状况具有重要的意义［1-2］。

由于遥感手段可以很好满足植被水分监测的空间广泛性和时间连续性的要求，国际上对遥感反演植被水分的研究早在20世纪70年代的下半期就已开始。早期遥感反演植被水分所采用的遥感数据多是NOAA卫星的AVHRR传感器影像数据［3］以及Landsat TM数据［4］，但由于这些数据获取周期较长以及有效波段有限等问题，制约了大面积作物水分遥感反演信息的应用。重访周期短、光谱波段多的中低分辨率遥感影像成为作物水分遥感监测的重要数据源。

MODIS数据具有20个可见、近红外波段，16个热红外波段，涵盖了0.4μm～14μm的波段范围，具有很高的波谱分辨率，同时MODIS传感器每天可对我国绝大部分地区进行一次观测，时间分辨率较高，对于大面积、长时期、动态的植被含水量的监测具有潜力。Perterson等人［5-6］利用 MODIS影像植被指数反演了草地以及灌木的叶片相对含水量，发现对草地叶片含水量的反演精度较高，判定系数达到0.914；Chen等［7］利用 MODIS影像反演了玉米的含水量，效果较佳；张友水等人利用MODIS影像的NDVI－LSWI梯形特征空间进行了干燥植被指数的空间分布估算［8］。这些已有的利用MODIS影像数据进行水分含量信息反演的研究，主要集中在探讨各类MODIS植被指数对某种水分表征参数的估算精度，通常只是分析了MODIS植被指数与某一类水分含量表征参数之间的相关关系，但对于MODIS植被指数与最为常用的水分含量表征参数之间相关关系的对比分析，目前还没有明确研究。

针对这一问题，本文采用筛选适宜的植被指数类型以及水分含量表征参数类型的方式，探讨利用MODIS数据进行棉花水分信息遥感估算的可行性。根据MODIS数据波段分布特点，共采用了6类光谱指数，分别是归一化植被指数NDVI、绿色植被指数VIgreen、差异红外指数6NDII6、差异红外指数7NDII7以及增强植被指数EVI；水分含量参数包括棉花叶片尺度的EWTleaf（leaf Equivalent Water Thickness）［9］、FMC （Fuel Moisture Content）［10］以及冠层尺度的 EWTcan（canopy Equivalent Water Thickness）［11］、VWC（Vegetation Water Conten）［12-13］。研究旨在通过各类水分含量表征参数与MODIS植被指数之间相关关系的全面对比分析，筛选确定MODIS遥感数据进行作物水分含量信息监测时适宜的水分信息表征参数类型以及MODIS植被指数类型，为提高基于MODIS遥感数据的作物水分监测精度提供理论依据。

2 材料与方法

2.1 研究区概况

研究区位于新疆维吾尔自治区北部石河子垦区（图1），地处天山北麓中段，古尔班通古特大沙漠南缘，地理坐标位于东经84°58＇～86°24＇，北纬43°26＇～45°20＇，系典型的灌溉农业区。

图1 研究区描述

在研究区内，依据棉花种植面积，选取面积超过1km2的棉花种植区作为观测点，共选取了8个样区进行布设，各样点的观测经纬度如表1所示。

2.2 棉花水分含量测定

冠层光谱测定完成后，对应光谱测定位置选取1～2株棉花连根拔起，为了防止水分流失，在将整株棉花分离为叶片、茎、蕾铃后，当场立即称鲜重，然后运送至实验室后，放入烘箱105℃杀青30分钟左右后置于75℃下烘干至恒重，测定干重。

叶片等效水厚度（leaf Equivalent Water Thickness，EWTleaf）和叶片水含量（Fuel Moisture Content，FMC）是最为普遍采用的叶片水含量表征参数，植株含水量（Vegetation Water Content，VWC）和冠层等效水厚度（canopy Equivalent Water Thickness，EWTcanopy）是最为普遍采用的冠层水分含量表征参数。因此，本研究选用EWTleaf、FMC、VWC和EWTcan这4类水分含量表征参数，各类参数的计算公式如下：

表1 观测点坐标

其中，EWTleaf表示叶片等效水厚度；FW和DW分别表示叶片鲜重和干重（g）；dw表示水比重（1g·cm－3）；A表示叶片面积（cm2）；η表示单位土地面积上的棉株数（个·m－2）；FWstem和DWstem分别表示茎鲜重和干重（kg）；LAI为叶面积指数。

2.3 MODIS遥感影像处理

共计开展了4次地面观测：6月11日（苗期）、7月16日（现蕾期）、8月4日（花期）以及9月11日（铃期）。获取与地面观测时间同步的MODIS数据产品。由于所采用的是MOD09GA数据产品，根据MODIS数据产品处理流程已无需再对其进行几何校正、辐射校正和大气校正，所以首先利用MRT软件对其影像进行重投影操作，输出格式选择为GEOtif格式，投影类型变换为UTM地理坐标，椭球体为WGS84，空间分辨率为500m。按照采样点的分布范围及石河子垦区灌区空间分布利用ArcGIS对影像各波段GEOtif格式图像进行裁剪，使之更符合研究需要。

表2 MODIS植被指数及计算方法

影像裁剪完毕后，利用裁剪好的MODIS影像计算表2中所列出的各类植被指数，得到各植被指数图像，根据测定点的经纬度在指数图像中提取样点的各类植被指数值。

3 结果与分析

3.1 水分含量统计特征分析

首先分析各类水分含量表征参数的统计特征，结果如表3所示。从表可见，各类水分含量表征参数的最大最小值取值区间较为宽泛，能覆盖水分含量参数取值的分布范围，符合建模数据要求。

3.2 水分含量与光谱指数的相关关系分析

分别分析了不同日期水分含量参数与植被指数之间的相关关系以及两者之间的总体相关关系，结果如表4所示。

表3 水分含量表征参数统计特征分析

表4 水分含量与光谱指数的相关关系

首先，对比4个水分含量参数与植被指数之间的相关性。从表4可见，不论是单个日期还是总体，EWTcan与各植被指数之间的相关性都普遍优于其他3个水分含量参数，同时VWC也在各个日期及总体相关性中与植被指数之间有显著及极显著相关，相较EWTcan表现略差；FMC只在总体相关性中与各植被指数之间呈现极显著相关；EWTleaf在4个水分含量参数中与各类植被指数相关性最差，均没有达到显著或极显著相关。

其次，对比各个日期水分含量参数与植被指数之间的相关性可见：苗期，EWTcan与NDVI植被指数相关性最佳，FMC也在苗期与NDVI具有显著相关；现蕾期，EWTcan以及VWC与各个植被指数之间都具有显著相关关系，而FMC和EWTleaf与植被指数之间相关性较差；花期，仍旧是EWTcan与植被指数之间相关性较好，但略差与现蕾期；铃期，所有水分含量与植被指数之间的相关性都达到了最低。究其原因，不同发育期棉花冠层的盖度可能是造成这种差异的主要原因。

最后，对比不同植被指数与水分含量参数之间的相关水平。从总体相关中对比可发现，6个植被指数都与VWC和FMC达到了极显著相关水平，NDVI、NDII6、NDII7以及 EVI这4个指数与EWTcan之间均达到了极显著相关水平。

3.3 水分含量与光谱指数之间的估算模型

通过以上相关性分析可知，EWTleaf与各类植被指数之间的相关性均较低，在此不构建EWTleaf的估算模型。同时，相关性分析可发现水分含量参数与植被指数的总体相关要显著优于与单个日期植被指数的相关性，而且考虑到单个日期样本数较少，因此将4个日期的水分含量参数以及对应的植被指数作为整体参与模型构建。不构建单个日期的水分含量参数估算模型。

采用一元线性以及非线性方法构建水分含量参数与植被指数之间的估算模型。非线性模型主要包括对数模型、指数模型以及乘幂函数模型。在模型构建过程中发现，乘幂函数模型普遍优于对数模型以及指数模型，在此只列出一元线性以及乘幂模型的表达式及各模型的判定系数，结果如表5所示。

表5 基于不同植被指数的水分参数估算模型

判定系数（R2）也叫拟合优度，主要反映自变量对因变量的拟合程度，如果R2＝0.8，就是说自变量解释了因变量变动的80%，通常是越大越好，但判定系数达到多少为宜没有一个统一的明确界限值；若建模的目的是预测应变量值，一般需考虑有较高的判定系数。从表5可见，由NDVI、NDII7以及EVI指数所构建的一元线性模型以及乘幂模型的判定系数R2要明显优于相应的VIgreen、VARI以及NDII6指数。尤其是由EVI指数所构建的EWTcan、VWC以及FMC的乘幂模型，判定系数R2分别达到了0.745、0.773以及0.58。

3.4 模型精度检验及对比

为了进一步检验模型的估算精度，本研究采用RMSE、REP以及相关系数r和斜率a这4类精度检验指标对由NDVI、NDII7以及EVI所构建的EWTcan、VWC以及FMC的线性以及乘幂模型进行精度检验。

均方根误差（RMSE）和相对预测误差（REP）越小证明方程精度越高，根据RMSE和REP之间的关系，通常采用REP进行比较。相关系数r的绝对值越大表明两变量之间的相关程度越高，但是相关系数只刻画了变量间的线性关系程度，当两个变量之间有很密切的曲线关系时，相关系数的绝对值也可能很小。此外，还采用实测值与估算值之间线性回归的斜率a来进行模型的精度检验。各类模型的精度检验结果如表6所示。

表6 水分含量参数估算模型精度检验结果

从表6可见，整体上各类模型之间的精度检验结果差距不大，不同指数之间对比发现，NDVI和EVI的表现要略优于NDII7指数；不同水分含量参数之间对比发现，FMC的实测值和估算值之间的相关系数r以及REP值要略优于EWTcan和VWC。进一步对比各类方程的精度检验结果，认为EWTcan和VWC的最佳估算模型均是由NDVI构建的一元线性模型，FMC的最佳估算模型是由EVI构建的线性模型。

同时，为了更直观地体现各类水分含量参数的实测值与估算值之间的拟合情况，由各类模型所得到的水分含量参数的实测值和估算值的散点图如图2所示。当实测值和估算值的拟合线越接近于1∶1线时，说明两者之间的拟合关系越好。

图2 各水分含量参数实测值与估算值散点分布图

3.5 模型应用及制图

通过相关性分析结果以及模型反演精度检验结果，挑选适宜不同日期遥感图像反演的水分参数以及植被指数和模型类型。结果如表7所示。从表可见，EWTcan可适用于苗期、现蕾期以及初花期的水分含量估算；VWC可用于现蕾期的水分含量估算。由于水分含量参数与铃期遥感植被指数之间的相关性均较差，因此没有对铃期的水分含量进行遥感反演制图。不同日期各水分含量参数遥感反演制图如图3所示。

图3（a）表示利用6月11日研究区MODIS数据的NDVI植被指数图以及基于NDVI的EWTcan线性估算模型得到的EWTcan反演结果图，以及利用EVI植被指数图和基于EVI的EWTcan乘幂估算模型得到的EWTcan的反演结果图；同样，图3（b）和图3（c）分别是基于7月16日以及8月4日的NDVI植被指数图以及EVI植被指数图进行的EWTcan反演结果；图3（d）是VWC的反演结果图。

表7 棉花不同发育期适宜遥感反演的水分参数及植被指数类型

4 结束语

本研究对叶片以及冠层尺度水分含量参数与MODIS植被指数之间的相关关系进行了全面对比分析，筛选确定了最适宜的水分含量参数类型以及各水分含量参数的估算模型及其精度，得出以下结论：

①EWTcan与各植被指数之间的相关性普遍优于其他3个水分含量参数（EWTleaf、FMC以及VWC）。

②相比EWTleaf、FMC以及 VWC，EWTcan与各发育期植被指数之间的相关性最为稳定，除了与铃期的植被指数之间相关性较弱外，与其他发育期的植被指数之间均达到了显著或极显著相关水平；其次VWC也与现蕾期的植被指数之间相关性较好；FMC只与苗期的NDVI指数之间具有极显著相关关系；EWTleaf与各类指数之间的相关关系最差，与所有指数之间的相关关系均未达到显著水平。

③总体上EWTcan、VWC以及FMC与各类植被指数之间的相关性都较单个发育期提高，尤其FMC与各类植被指数之间的相关性在总体中的表现相较单个发育期中的表现得到显著提高，与6个植被指数之间的相关性均达到了极显著相关水平，相关性甚至优于EWTcan与植被指数之间的相关关系。

④对EWTcan、VWC和FMC的各类估算方程的精度检验结果表明，EWTcan的最佳估算模型是由NDVI构建的一元线性模型（REP＝45.38，r＝0.681）以及EVI构建的乘幂模型（REP＝50.67，r＝0.632），VWC的最佳估算模型同样是由NDVI构建的一元线性模型（REP＝53.91，r＝0.686）以及EVI构建的乘幂模型（REP＝56.79，r＝0.659），FMC的最佳估算模型是由EVI构建的线性（REP＝14.88，r＝0.731）和乘幂模型（REP＝14.98，r＝0.729）。

本研究为利用MODIS数据进行大面积棉花水分遥感诊断研究提供了理论依据，但限于数据只有一年的观测试验，还有待对得出的结论采用不同年份不同研究区的数据进行进一步验证。

［1]ZARCO－TEJADA P J，RUEDA C A，USTIN S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods［J］.Remote Sensing of Environment，2003，85（1）：109－124.

［2]王洁，徐瑞松，马跃良，等.植被含水量的遥感反演方法及研究进展［J］.遥感信息，2008，（1）：100－105.

［3]PALTRIDGE G W，BARBER J.Monitoring grassland dryness and fire Potential in Australia with NOAA／AVHRR data［J］.Remote Sensing of Environment，1998，25（3）：381－394.

［4]CHUVIEEO E，RIAN D，AGUADO I，et al.Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper refleetance data：applications in fire danger assessment［J］.International Journal of Remote sensing，2001，23（11）：2145－2162.

［5]PETERSON S H，ROBERTS D A，Dennison P E.Mapping live fuel moisture with MODIS data：A multiple regression approach［J］.Remote Sensing of Environment，2008，112（12），4272－4284.

［6]韩晓勇.基于MODIS和地物光谱的植被水分定量遥感研究［D］.2009.

［7]CHEN D Y，HUANG J F，JACKSON T J.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near－infrared and short－wave infrared bands［J］.Remote Sensing of Environment，2005，98（2）：225－236.

［8]张友水，谢元礼.MODIS影像的 NDVI和LSWI植被水分含量估算［J］.地理科学，2008，28（1）：72－76.

［9]MARTA Y，EMILIO C，DAVID R.Estimation of live fuel moisture content from MODIS images for fire risk assessment［J］.Agricultural and Forest Meteorology，2008，148（4）：523－536.

［10]DANSON F M，STEVEN M D，MALTHUS T J，et al.Highspectral resolution data for determining leaf water content［J］.International Journal of Remote Sensing，1992，13（3）：461－470.

［11]CECCATO P，GOBRON N，FLASSE S，et al.Designing a spectral index to estimate vegetation water content from remote sensing data：Part 1：Theoretical approach［J］.Remote Sensing of Environment，2002，82（2）：188－197.

［12]JACKSON T J，SCHMUGGE T J，WANG J R.Passive microwave remote sensing of soil moisture under vegetation canopies［J］.Water Resources Research，1982，18（4）：1137－1142.

［13]YILMAZ M T，HUNT JR E R，JACKSON T J.Remote sensing of vegetation water content from equivalent water thickness using satellite imagery［J］.Remote Sensing of Environment，2008，112（5）：2514－2522.