基于植被指数的藏北牧区土壤湿度反演

张 月，王鸿斌，王一凡，韩 兴，赵兰坡

（1.吉林农业大学资源与环境学院，长春130118；2.吉林省商品粮基地土壤资源可持续利用重点实验室，长春130118）

基于植被指数的藏北牧区土壤湿度反演

张 月，王鸿斌※，王一凡，韩 兴，赵兰坡

（1.吉林农业大学资源与环境学院，长春130118；2.吉林省商品粮基地土壤资源可持续利用重点实验室，长春130118）

土壤湿度的遥感动态监测在农牧业生产中具有重要意义。近年来，多种基于遥感指数的土壤湿度监测方法被提出并得到广泛关注，但当前对不同深度土壤湿度的反演及植被指数反映土壤湿度滞后性的研究较少。该文针对遥感指数反演土壤湿度的精度问题，对MODIS（moderate resolutionimaging spectroradiometer）的2种植被指数产品归一化差异植被指数（normalized difference vegetation index，NDVI）和增强型植被指数（enhanced vegetation index，EVI）与土壤湿度实测值进行相关分析，并利用在其中一个样点得到相关系数最高的回归模型对距离较远的其它点进行土壤湿度值估算，最后用土壤湿度实测值对模型的精度进行验证。结果表明，2种植被指数均与土壤湿度值呈现出较强的相关性，且利用植被指数估算土壤湿度的延迟天数为5～10 d。在相同气候模式、土壤类型和植被类型的条件下，高程为影响回归模型精度的主要因素。该研究可为牧区多层深度土壤湿度反演方法的选择和监测提供参考依据。

土壤；湿度；遥感；NDVI；EVI；土壤湿度；相关分析；回归模型

张 月，王鸿斌，王一凡，韩 兴，赵兰坡.基于植被指数的藏北牧区土壤湿度反演[J].农业工程学报，2016，32（6）：149-154. doi：10.11975/j.issn.1002-6819.2016.06.020 http://www.tcsae.org

Zhang Yue,Wang Hongbin,Wang Yifan,Han Xing,Zhao Lanpo.Soil moisture inversion in pasture of northern Tibet based on vegetation index[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE）,2016,32(6): 149-154.(in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.06.020 http://www.tcsae.org

0 引言

土壤湿度在近地表水分循环和生态系统功能中扮演着重要角色[1]，它直接关系到水文循环中的能量平衡，影响植被的组成和多样性[2]，同时还对生态系统的生产力发挥着作用[3]。因此，作为地表过程和陆地生态系统的重要组成部分，十分有必要对土壤湿度进行较高频率且准确地监测。但是，现存的大面积土壤湿度监测网很少能够进行高频率且多层土壤深度的监测。由此看来，探索可靠的土壤湿度监测方法并能开展高频不同深度的反演具有一定的现实意义。

遥感数据使大尺度环境参数的监测更加便捷，主动遥感和被动遥感均已被应用到对土壤湿度的监测当中[4-5]。如有研究利用微波波段对土壤水敏感的特点而采用其对土壤水分含量进行监测，但缺点是微波仅能穿过土壤表层几厘米且不能获得整个根区的土壤湿度[6-7]。虽然光学遥感不能直接获得根区的土壤湿度，但它可以提供充足的有关植被生长状态方面的信息，而植被的生长状态在一定程度上要受到土壤湿度的影响。因此，探索土壤湿度与植被生长状态的定量关系对监测大尺度范围的土壤湿度具有重要意义，尤其是在降水稀少的地区。

从光学遥感影像中获取的植被指数可用来监测植被的生长状态参数，如叶面积指数、生物量、色素含量和冠层的水分含量等[8-10]。通过捕捉植被冠层结构变化、植被的健康状况及光合作用强度等，植被指数可获得植被对土壤湿度变化的响应[11]。因此很多研究利用植被指数反演土壤湿度，如Adegoke和Carleton[12]的研究表明基于AVHRR（advanced very high resolution radiometer）的NDVI（normalized difference vegetation index）与土壤湿度有较强的相关性；Wang等人[13]研究发现 MODIS(moderate resolutionimaging spectroradiometer)的短波红外波段对土壤湿度变化十分敏感；Mallick等人[14]利用地表温度和NDVI来估算耕地的地表湿度。另外，由于半干旱地区拥有比湿润地区相对低的生物量[15]，且相关研究表明NDVI对监测半干旱地区的绿色植被更加敏感[16]，这间接指出NDVI更适于估计半干旱地区的土壤水含量。但是，大多数研究更加关注植被指数与土壤湿度的关系，目前对于不同深度土壤湿度的反演及植被指数反演土壤湿度的滞后性研究较少。

本研究基于土壤湿度对植被生长状况的影响，利用光学遥感影像中提取的植被指数NDVI和EVI（enhanced vegetation index）估算土壤湿度。排除气候、土壤及植被等因素的干扰，本文主要考虑高程和距离因素对模型反演精度的影响。首先，找出各样点的植被指数NDVI和EVI与不同深度土壤湿度的相关关系，并得到利用植被指数反映土壤湿度的延迟天数；然后，基于这种相关关系，本研究在其中1个样点建立回归模型，并将其应用到对4个高程和距离均不相同样点各深度土壤湿度值的估算上，再用实测土壤湿度值验证其精度，以此验证高程和距离因素对模型精度的影响。

1 研究区与数据

1.1 研究区概况

本研究的试验区位于中国西藏自治区北部的青藏高原腹地，地处唐古拉山脉和念青唐古拉山脉之间（图1）。该地区属典型高原亚寒带半干旱季风气候，平均海拔在4 450 m以上，属高原丘陵地形。年平均气温为-2.2℃，年降水量在400 mm以上，年日照时数为2 886 h以上。夏季从5-10月，冬季降雨稀少，并存在一定厚度的冻土层。土壤质地主要为淤泥（体积约占50%）和沙土（体积约占46%），表层土壤的有机碳含量较高，但随土层深度的增加有机碳含量逐渐降低。作为中国重要的畜牧业生产基地，高山草甸是该区域的主要植被类型，土壤湿度的变化对该区域牧草的产量具有重要意义。

图1 研究区的地理位置与采样点的分布Fig.1 Location map of study area and sampling sites

为获得土壤湿度与植被指数间的关系，本研究选取30个样点（图1）用于试验，且这30个样点的气候模式、土壤类型及植被类型均相同，这为后面探索如何利用植被指数估算土壤湿度提供了前提条件。图中样点1-5是用于讨论高程和距离因素对回归模型精度的影响而另外设置的。

1.2 数据源

NDVI是Rouse等人[17]利用红光波段与近红外波段在色素吸收特征上的差异，而提出的国际上较为通用的一种植被指数。它是表征地表植被特征的重要手段，在植被分类、作物长势和物候监测等方面均得到广泛应用[18-19]。但其本身也存在一定缺陷，如在高植被覆盖区易饱和等。因此，为了改善NDVI的不足，Liu和Huete等人[20]利用MODIS的蓝光、红光和近红外波段，建立了EVI，它可以将大气与植被冠层背景的影响降低，从而提高较高植被覆盖区植被信号的敏感性。本文采用MODIS提供的3级产品，包括研究区内2种植被指数NDVI/EVI的MOD13Q1数据，空间分辨率为250 m，时间分辨率为16 d。时间从2012年1月1日至2012年12月31日，行列号为h25v05，共23个时相的影像，由此构建该地区2012年的植被指数时间序列。

土壤湿度的实测数据来自中国科学院青藏高原研究所的土壤湿度/温度监测网络数据（soil moisture temperature monitoring network，SMTMN），下载地址为http: //dam.itpcas.ac.cn/。该数据集共包括3个尺度，本文采用其中的大尺度数据。测量使用安装在ECH2O土壤含水量监测系统上的5TM，EC-TM电容探针，得到0～5、10、20和40 cm四层深度的土壤湿度数据。土壤水分传感器的测量精度为±2%[21]。数据站点的土壤湿度数据为每30 min获取一次，每天的土壤湿度值取全天所有数据的平均值。为了进行后续土壤湿度与植被指数的相关性分析，以天为单位的土壤湿度数据需要经过处理，使其与16 d间隔的植被指数相匹配，即某天的土壤湿度值为这一天的值以及与其连续的15 d值的平均值。

2 研究方法

2.1 时间序列与季节性变化特征

为了探讨不同深度的土壤湿度与植被指数间的关系，本文首先获得两者的年内季节性变化特征，然后在此基础上找出其中的关联性。根据研究区的气候特点，在非生长季，大多数植被处于休眠期，植被指数并不能反映出这一时期的土壤湿度，因此本文只选择植被的生长季作为关注的时间段，即5-10月，那么30个样点2012年土壤湿度与植被指数的时间序列可直接获得。由于多数时间序列变量都存在着一定程度的自相关性[22]，因此本文考虑再生成一组去自相关性的时间序列作为对照。具体的方法为：对2012年的原始数据采用移动平均法处理，得到该序列的季节性变化规律，再从2012年原始数据中去除掉该变化规律，即为去自相关性的时间序列。本研究对土壤湿度数据以47个点为间隔进行移动平均，而与之相应地，植被指数则需以3个点为间隔进行相应处理。

2.2 相关分析

考虑到根区可被利用的水分为影响植被生长状态的主要因素，同时植被指数又可监测植被生长状态[23]，因此本研究假设处于生长季的植被指数与土壤湿度间将呈现出较好的相关性。本文将Pearson相关系数[24]用于对30个样点不同深度土壤湿度与2种植被指数时间序列的相关分析，分别包括原始序列和去季节性的序列。同时，为了探索植被指数反映土壤湿度的延迟性，本文将延迟天数引入到相关分析过程中，考虑的延迟天数范围是0～40 d，以5 d为间隔，获取使植被指数与土壤湿度相关性最强时所对应的延迟天数。例如，假设延迟天数为5 d，那么第17天的植被指数（第17天到第32天的植被指数的合成值）应与第12天的土壤湿度值（第12天到第27天土壤湿度的平均值）相对应。

2.3 回归分析与模型验证

由于相邻的2个样点具有相似的气候模式、土壤类型和植被类型，因此，本研究假设在一个样点建立的土壤湿度与植被指数的回归模型可用来估算相邻样点的土壤湿度。在完成相关分析之后，本研究从原始序列和去季节性序列中选择植被指数与土壤湿度相关性最强的回归模型，用于估算其它站点的土壤湿度值，并用土壤湿度实测值对模型精度进行验证。此处本文将其中样点1的回归模型用于估算不同方向上其它4个样点的土壤湿度值，并对影响模型精度的因素进行分析。

3 结果分析

3.1 土壤湿度与植被指数的时间变化特征

本研究对2012年30个样点土壤湿度与NDVI和 EVI的原始时间序列与季节性变化序列进行分析，发现所有样点所表现的趋势相似，均具有季节性变化特征，但因样点数量较多，此处只列出较有代表性的3个样点（样点1，2，3）进行说明，如图2所示。从图中可以看出，对2种序列来说，这2个植被指数均表现出较强的季节性变化特征，但NDVI的值要略高于EVI，两者的数值约在4月中下旬开始增加，6-8月出现峰值，在11月末左右下降到最低点。5-10月也恰好为该研究区植被的生长季，可见NDVI和EVI均能较好地反映植被的生长状态。同时，土壤湿度也呈现出与植被指数相似的季节性变化特征，3个样点在0～5、10、20和40 cm四层深度均呈现出相似的变化趋势，只是各层的土壤湿度值差异明显。从图中3个样点植被指数与土壤湿度的变化特征不难看出，两者的变化趋势基本一致，由此推测两者之间存在着一定的关系。

图2 3个样点2012年土壤湿度、NDVI和EVI变化的原始与季节性序列（NDVI和EVI没有单位。）Fig.2 Raw and seasonal time series of soil moisture,NDVI,and EVI for 2012 at the 3 sites,respectively.(NDVIand EVI have no unit.)

如图2b所示，样点1的土壤湿度季节性变化特征较为明显，土壤湿度值从2月开始升高，到6月底达到最高点，然后开始回落，到11月末到达最低点。其中，以0～5 cm和10 cm深度的土壤湿度值变化范围最大，其在5月前和10月后值基本低于其它土层深度，而在6-7月的值最大，这主要由于表层土壤易受到外界因素干扰而导致，在旱季因蒸发量大而干燥，雨季因降水量大而湿润；20 cm深度的土壤湿度值在全年均处于最低水平，这是因为该层的土壤粘粒较粗，保水能力较弱；40 cm深度的土壤不易受蒸发等因素的影响，且该层的细粘粒较多，土壤的保水性较好，因此其湿度值变幅相对不大。

如图2d所示，样点2的土壤湿度季节性变化特征与样点1十分相似，只是其10、20和40 cm深度的土壤湿度值变化较为同步，且在各时间节点三者的差异不大，这与样点2的沙土含量较少，淤泥与粘土含量较高，导致土壤的保水能力较强有关。

如图2f所示，样点3的土壤湿度季节性变化特征没有样点1明显，土壤湿度值从4月开始升高，5-10月一直呈现出较高的态势，到11月该值迅速回落，这表明样点3在5-10月的降水量一直较为充足，导致各层土壤湿度都处于峰值状态。其中，以40 cm深度的土壤湿度值最高，由于持续的降水导致该层土壤湿度丰沛，且该层较深，蒸发量较小，因此土壤湿度值得以保持在较高状态。20 cm深度的土壤湿度值同样在全年处于最低水平，原因同上。0～5 cm深度的土壤湿度值也相对较低，主要由于该层土壤的蒸发量较大，不利于水分的保持。

总之，从3个样点的原始与季节性序列都能看出，NDVI和EVI与各层土壤湿度值的变化趋势基本一致，且这一特征在植被的生长季尤为明显，为获取植被指数与土壤湿度间的关系，本文将对两者进行相关分析。

3.2 土壤湿度与植被指数的相关分析

由于研究区内非生长季的植被大多处于休眠状态，而且从3.1部分得知处在生长季的植被指数与土壤湿度的变化特征表现出较高的一致性，因此本研究选择5-10月的土壤湿度与植被指数进行相关分析。由于NDVI和EVI为16 d的合成值，且土壤湿度值的取样间隔也要与其一致，因此在2012年生长季内的样本点共10个。因为去季节性的植被指数与土壤湿度相关性高于由原始数据得到的相关性，这与前人的研究结果相一致。如Li[25]等人的研究表明在去除季节性影响后，NDVI与土壤湿度的相关性有所提高；而Cashion[26]等人的结果表明未去除季节性影响的NDVI与土壤湿度几乎没有呈现出任何相关性。所以，本文只对30个样点去季节性并考虑时间延迟的NDVI和EVI与土壤湿度的最大相关系数统计结果进行分析，其中考虑时间延迟的NDVI与土壤湿度的最大相关系数范围为0.51～0.95，考虑时间延迟的EVI与土壤湿度的最大相关系数范围为0.50～0.92，且绝大部分均通过99%的显著性检验，延迟天数多在5～10 d。由于后面对回归模型精度验证的需要，此处只列出3.3部分用到的5个样点（1-5）的详细统计结果（见表1）。

表1 去季节性的NDVI和EVI与土壤湿度的最大相关系数及对应延迟天数Table 1 Maximum correlation coefficient and time lag for correlation between deseasonalized NDVI and EVI with soil moisture

如表1所示，对5个样点的4层土壤深度，去季节性的NDVI和EVI与土壤湿度的相关性都较强，最大相关系数均为0.50以上，且大部分均通过置信度为99%的显著性检验。2种植被指数所对应的延迟天数多集中在5～10 d，这与Schnur[27]的研究结果相一致。表明利用5～10 d后的植被指数值可以估算当天的0～40 cm的土壤湿度值。对比两种植被指数的统计结果，在样点1和2，EVI所对应的最大相关系数要高于NDVI，而在样点3、4和5则相反；在样点1、3、4和5，2种植被指数出现最大相关系数时所对应的延迟天数基本一致，而在样点2，利用NDVI估算的延迟天数为5 d，利用EVI估算结果为10 d，两者相差不大。由于该研究区的植被类型主要为草甸，并没有较高的生物量，NDVI能够较好地反映植被的生长状态，不存在高植被覆盖区易饱和现象，因此利用NDVI与EVI对土壤湿度进行反演的结果基本一致。但是，对于高植被覆盖地区，NDVI易出现饱和现象，这时建议选择EVI进行土壤湿度值的反演。在本研究中，由于考虑时间延迟的EVI与各层土壤湿度相关系数的统计结果与NDVI类似，因此本文在3.3部分将仅给出利用NDVI进行土壤湿度值估计与模型验证的结果。

对比原始与去季节性的NDVI与各层土壤湿度关于延迟天数的相关系数统计结果，原始数据中所对应相关系数系数随延迟天数变化的波动较大，而去季节性数据中所对应相关系数的变化较为稳定。因此，为得到各层深度土壤湿度相对可靠的估值，应尽量选择使用去季节性的植被指数与土壤湿度时间序列进行模型的建立。

3.3 土壤湿度的估算与模型验证

在对各层土壤湿度与考虑时间延迟的植被指数进行相关分析之后，本研究将进一步分析高程和距离因素对前面得到回归模型精度的影响。为此，将在样点2得到的最大相关系数所对应的回归模型分别应用到样点1，3，4和5，进行4个点各层土壤湿度值的估算，并将估计值与实测值进行相关分析，各层土壤湿度的估计值与实测值的相关系数如表2所示。

表2 利用样点2的回归模型获得样点1，3，4和5同深度土壤湿度估算值与实测值的相关系数Table 2 Correlation coefficient between estimated and observed soil moisture for the regression models developed at the No.2 sites and applied to the No.1,No.3,No.4 and No.5 sites,at 0～5,10,20,and 40 cm

从表2可以看出，由样点2的回归模型推算其余4个点各层土壤湿度估计值与实测值的相关系数，在样点1为0.64～0.68，在样点3为0.42～0.55，在样点4为0.88～0.94，在样点5为0.67～0.92。显然在样点1、4和5的相关系数高于样点3，且样点1、4和5的相关分析均通过95%的显著性检验，而样点3的相关分析并未通过显著性检验。由于样点1、4和5到样点2的距离远近不一，但3个点的估算值与实测值的相关系数均较高，可见距离并不是制约上述回归模型精度的主要因素。而从高程角度来看，只有样点3的高程相对较高，考虑到研究区的气候特点，土壤湿度随高程的改变其值波动也应较大。因此，在气候模式、土壤类型和植被类型都相同的前提下，本文推断高程为影响样点2回归模型适用性的主要因素，且该模型对高程因素较为敏感，因此应用该模型时需关注高程范围。

4 结论与讨论

本文利用MODIS NDVI和EVI的植被指数产品，在获得2012年30个样点各层土壤湿度与植被指数全年变化特征的基础上，对两者进行相关分析，并利用其中相关系数最高的回归模型对土壤湿度值进行估算，最后验证模型的精度，得到的结论如下：

1）对各层土壤湿度与植被指数的原始与去自相关性时间序列来说，两者均呈现出较强的季节性变化规律，且土壤湿度与植被指数的变化特征较为一致，但去自相关性序列的上述特征要比原始序列更加明显。

2）去季节性植被指数与土壤湿度的相关性优于原始序列，同时去季节性的NDVI和EVI与土壤湿度的相关性都较强，最大相关系数均为0.50以上，且均通过置信度为99%的显著性检验。利用NDVI和EVI估算土壤湿度的延迟天数均为5～10 d。

3）在气候模式、土壤类型与植被类型都相同的条件下，由其中某一样点获得的回归模型可用于估算其它点的土壤湿度，但该模型要受到高程因素的影响，随高程的增加模型精度会降低。

4）对比NDVI和EVI两种植被指数，在本研究中两者与土壤湿度的相关性均较强，都可用于土壤湿度值的估算。但考虑本研究区为低植被覆盖区，NDVI不存在易饱和现象，因此两者的结果较一致，而对于高植被覆盖区，建议使用EVI进行土壤湿度的估算。

由于本研究采用的是2012年16 d合成的植被指数产品，且进行土壤湿度与植被指数相关分析时只利用植被的生长季这段时间长度，导致全年能利用的样本数较少，后续研究考虑利用影像直接提取以天为单位的植被指数，或考虑增加研究的年限长度，以期使数据具有更广泛的代表性。另外，本研究为在半湿润地区展开的实验，后面可考虑在湿润、干旱及半干旱等多种地区进行相应的分析与模型验证，以期获得该研究方法的适用范围。

[1]Montzka C.et al.Hydraulic parameter estimation by remotelysensed top soil moisture observations with the particle filter[J]. Journal of Hydrology,2011,399:410-421.

[2]Svoray T,Mazor S,Bar P.How is shrub cover related to soil moisture and patch geometry in the fragmented landscape of the Northern Negev desert[J].Landscape Ecology,2007,22:105-116.

[3]Reynolds J F,Kemp P R,Ogle K,et al.Modifying the‘pulsereserve’paradigm for deserts of North America:precipitation pulses,soil water,and plant responses[J].Oecologia,2004,141: 194-210.

[4]Engman E T,Chauhan N.Status of microwave soil moisture measurements with remote sensing[J].Remote Sensing of Environment,1995,51:189-198.

[5]Schmugge T,O’Neill P E,Wang J R.Passive microwave soil moisture research[J].Geoscience and Remote Sensing,2007,24 (1):12-22.

[6]Jackson T J,Schmugge J,Engman E T.Remote sensing applications to hydrology:soil moisture[J].Hydrological Sciences Journal,1996,41(4):517-530.

[7]Schmugge T J,Kustas W P,Ritchie J C,et al.Remote sensing in hydrology[J].Advances in Water Resources,2002,25(8-12): 1367-1385.

[8]Rouse J W,Haas R H,Schell J A,et al.Monitoring vegetation systems in the great plains with ERTS[C].In:Third ERTS Symposium,NASA SP-351,1973,1:309-317.

[9]Gao B C.NDWI-a normalized difference water index for remote sensing of vegetation liquid water from space[J].Remote Sensing of Environment,1996,58(3):257-266.

[10]Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment,2002,80:76-87.

[11]Liu Shishi,Roberts D A,Chadwick O A,et al.Spectral responses to plant available soil moisture in a Californian grassland[J]. InternationalJournalofApplied Earth Observation and Geoinformation,2012,19:31-44.

[12]Adegoke J O,Carleton A M.Relations between soil moisture and satellite vegetation indices in the U.S.Corn Belt[J].American Meteorological Society,2002,3:395-405.

[13]Wang Lingli,Qu J J,Hao Xianjun,et al.Sensitivity studies of the moisture effects on MODIS SWIR reflectance and vegetation water indices[J].International Journal of Remote Sensing,2008, 29(24):7065-7075.

[14]Mallick K,Bhattacharaya B K,Patel N K.Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI[J].Agricultural and Forest Meteorology,2009,149:1327-1342.

[15]Sowell J.Desert Ecology:an Introduction to Life in the Arid Southwest[M].The University of Utah Press,2001.

[16]Didan K,Huete A,Jacobson A,et al.The MODIS Vegetation Index(MOD13)product series:specifications,performance and status[EB/OL].Terrestrial Biophysics&Remote Sensing Lab, Department of Soil,Water,and Environmental Science,The University of Arizona,Tucson,AZ,2004.Accessed May 2008 from http://www.ntsg.umt.edu/MODISVeg.2004/posters/K_Didan_ VI_Product_Montana_Worskho.pdf.

[17]Rouse Jr J W,Haas R H,Schell J A,et al.Monitoring Vegetation Systems in the Great Plains with ERTS[C].Presented at Third Earth Resources Technology Satellite-1 Symposium,NASA, Washington,D C,1974:309-317.

[18]杨嘉，郭铌，贾建华.西北地区MODIS/NDVI与MODIS/EVI对比分析[J].干旱气象，2007，25(1)：38-43. Yang Jia,Guo Ni,Jia Jianhua.Comparison between MODIS/ NDVI and MODIS/EVI in northwest China[J].Arid Meteorology, 2007,25(1):38-43.(in Chinese with English abstract)

[19]Piyachat R,Yuan Yin,Alfredo R H,et al.Interrelation among Modis vegetation products across an Amazon Eco-climatic Gradient.IEEE International Geoscience and Remote Sensing Symposium Proceedings[C].Korea,2005:3009-3012.

[20]Liu Huiqing,Huete A R.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience and Remote Sensing,1995,33:457-465.

[21]Yang Kun,Qin Jun,Zhao Long,et al.A multiscale soil moisture and freeze-thaw monitoring network on the third pole[J].Bulletin of the American Meteorological Society,2013,94:1907-1916.

[22]Kendall S M,Ord J K.Time Series,third ed.[M].Oxford University Press,New York,1990.

[23]Martyniak L,Dabrowska-Zielinska K,Szymczyk R,et al. Validation ofsatellite-derived soil-vegetation indices for prognosis of spring cereals yield reduction under drought conditions-case study from central-western Poland[J].Advances in Space Research,2007,39:67-72.

[24]Korin B P.Statistical Concepts for the Social Sciences[M]. Winthrop publishers,Inc.,Cambridge,1975.

[25]Li Haibin,Robock A,Liu Suxia,et al.Evaluation of reanalysis soil moisture simulations using updated Chinese soil moisture observations[J].Journal of Hydrometeorology,2005,6:180-193.

[26]Cashion J,Lakshmi V,Bosch D,et al.Microwave remote sensing of soil moisture:evaluation of the TRMM microwave imager (TMI)satellite for the Little River Watershed Tifton,Georgia[J]. Journal of Hydrology,2005,307:242-253.

[27]Schnur M T,XieHongjie,Wang Xianwei.Estimating root zone soil moisture at distant sites using MODIS NDVI and EVI in a semi-arid region of southwestern USA[J].Ecological Informatics, 2010,5:400-409.

Soil moisture inversion in pasture of northern Tibet based on vegetation index

Zhang Yue,Wang Hongbin※,Wang Yifan,Han Xing,Zhao Lanpo
(1.College of Resources and Environment,Jilin Agricultural University,Changchun 130118,China;2.Key Laboratory of Soil Resource Sustainable Utilization for Jilin Province Commodity Grain Bases,Jilin Agricultural University,Changchun 130118,China)

Dynamic monitoring of soil moisture by remote sensing can play a significant role in agricultural production.In recent years,continual attention has been focused on the thought that soil moisture information can be extracted by remote sensing indices.However,the majority of the studies on soil moisture estimation are applied without considering different depths and the time lag that vegetation index(VI)responds to soil moisture.This study investigated the potential of using the moderate resolution imaging spectroradiometer(MODIS)products,including normalized difference vegetation index(NDVI) and enhanced vegetation index(EVI),to estimate soil moisture at distant in-situ measured sites.In this study,30 sites were sampled under the same climatic setting,with the same soil type and the same vegetation type.The MOD13Q1 series data were selected to receive both NDVI and EVI products,which were 16-day composites with 250-meter spatial resolution.We alsoobtainedthe in-situ soil moisturedata that were measured once every 30 min from Soil Moisture/Temperature Monitoring Network(SMTMN)in the pasture of northern Tibet.Daily soil moisture was the average of soil moisturesthat were measured once every 30 min.To study the correlation between VIs and soil moisture,the daily time series of soil moisture data had to be processed to match the 16-day VIs.In order to move autocorrelation of most time series data,a simple moving averagemethod was used to identify the seasonal components:47-point moving average for the daily soil moisture and 3-point moving average for the 16-day VIs.Deseasonalized time series was then produced by subtracting seasonal time series from raw time series.Collocatethe deseasonalized time series of soil moisture at 4 depths(0～5,10,20and 40 cm)and the NDVI,EVI in 2012 were used for correlation analysis.Similar analysis was also conducted for the comparison.Pearson Product Moment correlation coefficients were calculated during the growing season(from May to October)for 4 depths.Our hypothesis was that the soil moisture-VI regression model developed at one site could be used to estimate soil moisture using VIs at a distant site,providing that other sites had similar soil type,vegetation,and climate regime.Wetested the hypothesis by developing a regression model(at No.2 site)using the deseasonalized NDVI with a 5-day time lag as the independent variable and the deseasonalized soil moisture as the dependent variable at 4 native sites(No.1,No.3,No.4 and No.5)within the growing season.Results showed that the deseasonalized time series and the raw time series had the consistent results between NDVI,EVI and soil moisture at the 30 sites.Both NDVI and EVI needed longer time to respond to soil moisture change.Correlation based on raw time series of VIs and soil moisture was consistent with that based on deseasonalized time series at every depth.The maximum correlation value between deseasonalized NDVI,EVI and soil moisture was from 0.50 to 0.95,and the correlation was significant at the 99%level.Most correlation reached the maximum value whenVIslaged soil moisture by 5-10 days.Regression analysis was conducted using the deseasonalizedsoil moisture time series and the deseasonalizedNDVI time series with a 5-day time lag at No.2 site.Regression models developed at one site and applied to a similar distant site could estimate soil moistures.The correlation coefficient values between estimated and in-situ measured soil moisture at different depths varied from 0.64 to 0.68 at No.1 site,from 0.42 to 0.55 at No.3 site, from 0.88 to 0.94 at No.4 site,and from 0.67 to 0.92 at No.5 site,and higher elevationhad smaller correlation coefficient. Thus,elevation is the main factor that affects the accuracy of the regression model.This research can provide valuable information for method selection in pasture soil moisture estimation at different depths by remote sensingindices.

soils;humidity;remote sensing;NDVI;EVI;soil moisture;correlation analysis;regression model

10.11975/j.issn.1002-6819.2016.06.020

S127

A

1002-6819（2016）-06-0149-06

2015-10-22

2016-01-22

公益性行业（农业）科研专项经费项目（201503116-06）；国家科技支撑计划项目（2013BAC09B01）；吉林省科技厅重大科技攻关专项（20130204050SF）；国家科技重大专项（2014ZX07201-011-006）；吉林农业大学科研启动基金项目（201240）

张 月（1985-），女，吉林扶余人，讲师，硕士，主要从事农业遥感与气候变化方面的研究。长春 吉林农业大学资源与环境学院，130118。Email:lisa_ling7892002@163.com

※通信作者：王鸿斌（1970-），男，吉林辽源人，教授，博士，从事土壤肥力调控与土壤改良工作。长春 吉林农业大学资源与环境学院，130118。Email：asionwang@163.com