基于温度植被干旱指数的华东地区AMSR-E土壤水分数据的空间降尺度研究

辛强，李兆富，李瑞娟，郭泰，吴敏，潘剑君

（南京农业大学资源与环境科学学院，江苏 南京 210095）

基于温度植被干旱指数的华东地区AMSR-E土壤水分数据的空间降尺度研究

辛强，李兆富*，李瑞娟，郭泰，吴敏，潘剑君

（南京农业大学资源与环境科学学院，江苏 南京 210095）

土壤水分一直是土壤学领域中较为活跃的研究内容，是陆面过程与水循环的重要影响因素。以AMSR-E为代表的被动微波遥感技术的发展为土壤水分的研究提供了方便，但是其粗糙的空间分辨率限制了其在中小尺度内的应用。因此，本研究利用MODIS温度产品MOD11A2和归一化植被指数产品MOD13A3构建了月时间尺度下的温度植被干旱指数（TVDI）；其次，利用温度植被干旱指数TVDI和土壤水分之间的线性负相关关系，对AMSR-E三级土壤水分反演产品进行空间降尺度研究，获取2003年连续月时间尺度下空间分辨率为1 km的土壤水分反演结果，并利用地面实测土壤水分数据对反演结果进行验证。地面实测土壤水分值与降尺度反演结果显著相关，每月的线性相关决定系数均在0.8以上，表明降尺度后的土壤水分反演结果具有较高的精度，能够用来表示土壤水分的分布特征。

AMSR-E；TVDI；华东地区；土壤水分；降尺度

辛强， 李兆富， 李瑞娟， 郭泰， 吴敏， 潘剑君. 基于温度植被干旱指数的华东地区AMSR-E土壤水分数据的空间降尺度研究［J］.农业现代化研究， 2016， 37（5）: 956-963.

Xin Q， Li Z F， Li R J， Guo T， Wu M， Pan J J. Downscaling AMSR-E soil moisture data based on temperature vegetation drought index in Eastern China［J］. Research of Agricultural Modernization， 2016， 37（5）: 956-963.

土壤水分是描述地表和大气之间能量、水分交换的关键参数，对于水文、生态以及农林牧业等研究具有非常重要的意义［1-2］。随着微波遥感技术的发展，为区域尺度的土壤水分信息的获取提供了有效手段［3］，极大促进了土壤水分的研究进程。国内外许多学者开始使用遥感手段进行土壤水分研究［4-7］，其中以AMSR-E为代表的被动微波遥感反演土壤水分已经成为目前最主要的研究方法［8］。然而，被动微波辐射数据空间分辨率较低，大部分传感器空间分辨率为25 km［9］，导致地表空间信息丢失［10］，难以满足中小尺度对于数据的精度要求［11］以及在农业应用中的精度要求［12］。因此，基于被动微波辐射计的土壤水分数据降尺度研究以获取高分辨率土壤水分数据具有现实意义［13-14］。

事实上，国内外学者已经尝试使用遥感手段进行AMSR-E土壤水分的降尺度反演研究［1，15-20］。其中，Sandholt等［21］提出的温度植被干旱指数TVDI在土壤水分的研究中应用较为广泛。但是在现有的温度植被干旱指数TVDI与被动微波辐射计土壤水分数据的降尺度研究中，由于数据等方面的限制，大多数研究只集中于某一天或者某几天的时间尺度，如曹永攀等［1］利用温度植被干旱指数和MODIS数据对AMSR-E的降尺度研究，还有部分年际尺度上的研究，但是缺少对于连续月时间尺度下的AMSR-E土壤水分数据的降尺度研究，而月尺度下的土壤水分遥感监测对于土壤干旱的研究必不可少［20］。另外一方面，土壤水分的季节性变化规律愈来愈得到重视，而季节性变化又是以月尺度变化为基础的［22］，因此，利用温度植被干旱指数TVDI进行AMSR-E土壤水分数据的月尺度下的降尺度研究是非常必要的。

目前国内关于土壤水分的研究，大多数选择西部及西北部干旱以及半干旱地区作为研究区域［23，24］，而对于华东地区土壤水分的研究比较少见，而在邴飞龙等［25］的研究中指出，华东地区土壤水分蒸散量较高，土壤水分变化剧烈，针对华东地区展开土壤水分的研究具有重要的意义。因此，本研究选择华东地区作为研究区域，首先利用MODIS温度产品MOD11A2和归一化植被指数产品MOD13A3计算2003年连续月时间尺度下的温度植被指数TVDI，然后利用温度植被干旱指数TVDI与土壤水分之间的负相关关系［21］，通过AMSR-E土壤水分反演结果计算TVDI与土壤水分间的负相关参数，进而得到空间分辨率为1 km的土壤水分降尺度结果，并利用中国气象数据共享网提供的地面实测土壤湿度数据对反演结果进行验证。验证结果表明基于AMSR-E土壤水分数据的空间降尺度反演结果具有较高的精度。

1　研究区概况

本研究选取华东地区为研究区域（图1a），包括山东省、江苏省、安徽省、浙江省、江西省、福建省和上海市，面积为79.83万km2，经纬度范围24°27′36″—38°14′24″N，113°32′24″—122°42′36″E。气候属于亚热带湿润性季风气候和温带季风气候，以淮河为界限，淮河以北为温带季风气候，以南为亚热带季风气候。华东地区土地覆被类型多样，以耕地和林地为主，兼有草地等用地类型（图1b）。其中，耕地主要分布在山东、江苏、安徽以及浙江北部，林地主要位于江西、福建以及浙江南部区域。地势的总体特点是南北高、中部低，根据地形地貌特点大致可分为三部分：北部为黄淮平原，中部为长江中下游平原，南部为低山丘陵地区，最大高程为2 018 m（图1c），地形地貌差异显著，土壤水分含量差异较大。

2　研究方法

图1　华东地区行政区划及土壤水分测量站点（a）、土地覆被类型（b）与高程（c）Fig. 1　Administrative area and ground-based soil moisture （a）， land cover type （b）， and elevation of Eastern China （c）

2.1AMSR-E土壤水分降尺度方法

本研究选择的土壤水分数据AMSR-E空间分辨率为25 km，并且在现有大尺度的土壤水分研究中已经得到广泛应用［2，10，26］，但是其粗糙的空间分辨率难以满足中小尺度的精度要求。为了保证华东地区AMSR-E土壤水分数据的精度，本研究利用温度植被干旱指数TVDI与土壤水分之间的负相关关系［21］进行AMSR-E土壤水分数据的降尺度研究。温度植被干旱指数最早是由Sandholt等［21］基于植被指数和地表温度的关系提出的。TVDI越大，土壤湿度越低，反之，土壤湿度越高［27］，也就是TVDI与土壤水分之间存在良好的线性负相关关系。温度植被干旱指数TVDI由植被指数和地表温度计算得到，只依靠图像数据，其表达式为：

式中：Ts为任意像元的地表温度，Tsmin为最小的地表温度，对应的是湿边；Tsmax=a+ b×NDVI，Tsmax为最大的地表温度，对应的是干边，a和b为干边拟合方程的系数。在干边上TVDI为1，湿边上TVDI为0，对于每个像元，利用NDVI确定Tsmax，进而计算温度植被干旱指数TVDI。TVDI越大，土壤湿度越低；TVDI越小，土壤湿度越高，也就是TVDI与土壤水分呈负相关关系［1］。在1 km空间分辨率尺度上，TVDI与AMSR-E土壤水分的负相关关系表述为：

如能求得参数a和b，则可由公式（2）计算得到分辨率为1 km的土壤湿度。AMSR-E空间分辨率为25 km，由25×25个1 km的网格组成，本研究将像元采取平均计算，即25 km网格的土壤湿度是其中所有1 km网格的土壤湿度的平均值［1，10，11］，公式表示为：

公式（3）中f （tvdi1，tvdi2，…，tvdii，…）则为空间分辨率为25 km的温度植被干旱指数TVDI在1 km尺度上的平均值［1，21］，即：

由此，则可以通过公式（4）计算参数a与b，从而利用公式（2）得到空间分辨率为1 km的土壤水分降尺度反演结果。

2.2降尺度结果验证方法

本研究使用单点验证方法［28］验证土壤水分降尺度反演结果。AMSR-E土壤湿度产品及反演结果的精度验证的常用方法有四种［28］：第一，长时间土壤湿度地面观测站验证。地面站点测得的结果都是单点数据，不能完全代表像元尺度内的整体土壤湿度，因此验证结果会存在一定程度的误差。但是由于观测的规律性和持续性，地面观测的土壤湿度数据可以与AMSR-E土壤湿度反演值比较变化趋势，来验证长时间序列基于AMSR-E的反演结果的精度。这种方法省事省力，在本研究中就是选择的该方法。第二，短期野外试验验证。野外试验由于试验区域有限，只能在少数几个像元内做精度验证，而地球表面的异质性限制了该方法的应用。第三，再分析资料土壤湿度比较。通过模型得到的土壤湿度在精度上比野外试验获得的精度低，验证结果较差。第四，同卫星不同传感器，或者不同卫星传感器的类似产品做比较。该方法属于交叉验证法，但是很难保证土壤水分结果的实时性。

华东地区地面测量站点测得的土壤水分结果为土壤相对湿度，而降尺度反演得到的土壤水分数据为体积含水量。土壤水分体积含水量θv与质量含水量θm之间的换算关系如公式（5）所示：

式中：sc为土壤容重（g/cm3）。

土壤相对湿度q为土壤质量含水量θm与土壤田间持水量fc之比，如公式（6）所示：

结合公式（5）和（6），土壤体积含水量θv为土壤相对湿度q与田间持水量fc以及土壤容重sc的乘积，即：

利用转化后的地面实测土壤湿度数据对降尺度后的土壤湿度反演结果进行验证，并选取以下几个参数：相对误差REVR，绝对误差ABVR，均方根误差RMSE以及最大偏差MaxE和最小偏差MinE，定义地面土壤水分为X，降尺度反演结果为X0，N是参与比较的样本数，此处即地面土壤水分测量数目，公式定义如下：

3　数据来源与处理

3.1AMSR-E土壤水分产品

研究区土壤水分产品选择AMSR-E三级地表土壤水分产品，该产品为基于Qp模型开发的双通道反演的结果，其数值为土壤体积含水量，单位为m3/m3，每天的数据包括升轨和降轨数据，空间分辨率为25 km。本研究选择以2003年为例，对研究年限内每天的土壤水分升轨、降轨数据进行拼接、裁剪处理并进行算数平均［10］，得到华东地区每月的土壤水分数据，进而通过对2003年十二个月的土壤水分数据进行算数平均得到当年的土壤水分数据［10］。

3.2MODIS数据

本研究选择MODIS提供的1 km空间分辨率的8日地表温度产品MOD11A2以及以月为时间步长的归一化植被指数产品MOD13A3来计算温度植被干旱指数TVDI。由于MODIS地表温度产品MOD11A2存在少量数据缺失的情况，为了保证数据的完整性，对地表温度产品MOD11A2采用最大值合成每月的地表温度产品，最大值合成法可有效剔除、替换非正常像元值，保留正常值［11］，同时在计算温度植被干旱指数的过程中会进一步剔除异常高温值的影响，所以此处选择最大值合成月时间尺度下的地表温度。由此与归一化植被指数MOD13A3时间周期统一，进而计算月时间尺度下的温度植被干旱指数TVDI。

3.3地面土壤水分数据

利用中国气象科学数据共享服务网（http://cdc. nmic.cn/）提供的土壤湿度数据验证空间降尺度结果的准确性。该土壤湿度数据来源于以农业气象观测为基础的土壤相对湿度数据，数据集名称为“中国农作物生长发育状况资料数据集”。华东地区共有125个土壤水分地面测量站点（图1a），测量的土壤水分结果为土壤相对湿度，对每月三期的土壤湿度观测结果进行平均计算，以此来表示每月土壤湿度观测结果，与AMSR-E时间步长统一。地面测得的土壤水分数据为土壤相对湿度，在转化为土壤体积含水量过程中所需要的土壤容重和田间持水量数据来源于Land-Atmosphere Interaction Research Group at Beijing Normal University （http://globalchange.bnu.edu.cn/）。

4　结果与分析

4.1华东地区AMSR-E土壤水分降尺度结果

表1统计了2003年十二个月内温度植被干旱指数TVDI与AMSR-E土壤水分数据的线性回归参数及两者的决定系数R2。R2最大值为七月的0.91，最小值为十月的0.79。十二个月内温度植被干旱指数TVDI与AMSR-E土壤水分数据均表现出较好的线性负相关关系，因此可以利用该线性参数对AMSR-E土壤湿度数据进行降尺度运算，得到空间分辨率为1 km的土壤水分降尺度反演结果（图2）。

表1　AMSR-E与TVDI的线性回归拟合参数Table 1　Linear fitting parameters between AMSR-E and TVDI

结合华东地区2003年AMSR-E土壤水分的降尺度反演结果，土壤水分含量及时空分布具有较大的变化。其中在二月份，山东北部地区土壤水分含量明显偏高，造成该现象的原因是由于在研究中所使用的地表温度数据存在部分缺失，这对于温度植被干旱指数具有一定的影响，因此在反演结果上存在一定误差，使得在山东区域内土壤水分含量变化较为明显。三、四、五月份山东、安徽等地土壤水分含量普遍偏低，浙江、福建土壤水分含量较前几个月呈明显增加的趋势，主要原因在于山东、安徽等地属于我国地理意义上的北方，此时进入春旱时期，土壤水分含量明显减少。从七月份开始，浙江、福建等南方地区开始进入伏旱时期，尤其是在八月份，土壤水分含量与前段时期相比呈现出减少的变化趋势。虽然土壤水分在时空分布上存在较大变化，但是从整个华东地区来说，以浙江、福建等林地覆盖下土壤水分含量要高于山东、安徽等地耕地覆被下的土壤水分含量。

根据每月降尺度后的土壤水分反演结果，计算得到华东地区2003年土壤水分反演结果。降尺度前后AMSR-E土壤水分反演结果如图3所示。图3中左图是经过降尺度运算后的结果，右图是降尺度之前的原始AMSR-E土壤水分结果。经过空间降尺度运算后，将AMSR-E土壤水分数据空间分辨率提高至1 km。与AMSR-E相比，降尺度后的土壤水分反演结果能够满足中小研究尺度范围内的数据精度要求，提高了研究精度，扩大了AMSR-E土壤水分数据的应用范围及领域。

图2　华东地区2003年每月AMSR-E土壤水分降尺度反演结果Fig. 2　Retrieved soil moisture based on AMSR-E for each month of 2003 in Eastern China

图3　AMSR-E降尺度前后对比图Fig. 3　Comparison between downscaled result and AMSR-E soil moisture data

降尺度运算后的土壤水分反演结果较原始影像相比，土壤水分最大值减小，并且部分区域土壤水分含量也较低。出现这种现象的原因主要是由于传感器本身的影像：原始AMSR-E土壤水分影像是根据亮温结果反演而来，每天亮温数据的变化对于AMSR-E最终的土壤水分结果有较大影响，而降尺度反演结果在计算过程中采用算术平均计算，能够减少由于温度变化造成的土壤水分的影响。因此，降尺度反演结果比原始影像土壤水分值偏低。但是，经过地面实测土壤水分的验证，降尺度反演的结果是符合精度要求的。

4.2AMSR-E土壤水分降尺度结果验证

计算降尺度后的土壤水分结果与地面实测值之间的决定系数R2，REVR，ABVR，RMSE，MaxE，MinE，统计结果如表2所示。土壤水分降尺度反演结果与地面实测土壤水分数据间的决定系数R2均在0.80以上，表明两者之间具有较好的线性关系。降尺度反演值与实测值最大差值为0.025 m3/m3，最小差值0.009 m3/m3，分别占降尺度土壤水分结果的17.86%和6.92%，误差参数最大的是六月份，此时均方根误差0.081，其次为七月、八月，主要原因是此时处于夏季，降雨量大，地面实测土壤水分含量较高，而降尺度的土壤水分则是月平均后的结果，因此存在部分误差。其余月份均方根误差均在0.070左右，最小值为十一月份的0.062。从绝对误差和相对误差值以及偏差值中也可以得出同样的结论，即在夏季反演精度较低，春秋季反演精度较高。

表2　降尺度土壤水分反演结果误差分析Table 2　Error analysis about retrieved soil moisture data

土壤水分反演结果与地面实测土壤水分数据之间的验证结果证明：降尺度土壤水分结果具有较高的精度，线性回归拟合决定系数R2均在0.8以上，表明降尺度土壤水分结果与地面土壤水分数据具有较好的线性相关性，降尺度结果能够描述土壤湿度的变化情况。虽然验证结果表明反演得到的土壤湿度具有较高的精度，但是仍然存在部分误差，十二个月内的地面土壤水分值均高于反演结果，综合原因，主要有以下三个方面：第一，验证方法的选择。如前所述，地面测量数据为点数据，用以验证面数据会存在一定程度的误差。但是由于观测的规律性和持续性，地面观测的土壤湿度数据可以与AMSR-E土壤湿度反演值比较变化趋势［29］。第二，测量深度的不同。地面实测土壤水分数据测量深度在10 cm左右，而利用AMSR-E反演得到的土壤水分数据的测量深度在0-5 cm土层，地表的土壤水分运动较深土层剧烈，土壤水分散失严重，因此深土层土壤水分含量大于浅土层土壤水分含量。第三，土地覆被类型对结果的影响。华东地区土地覆被类型多样，以耕地和林地为主（图1）。地面测量站点分布于不同的土地覆被类型之上，不同用地类型的蓄水保水能力各不相同，总体来说，林地的蓄水保水能力要高于耕地和草地，这对地面测量值和反演值也有一定程度的影响。综上所述，虽然土壤水分反演结果与地面实测土壤水分之间存在一定误差，但是反演值仍然具有较高精度，能够用来描述华东地区土壤水分的变化情况。

4.3华东地区土壤水分分布特征

由华东地区2003年每月的土壤水分反演结果进行算数平均，得到2003年的土壤水分降尺度结果，如图4所示。降尺度结果反映了土壤湿度的空间分布规律，其格局十分明显，整体呈现北部低，南部高，中间过渡的分布形态，其中土壤水分含量最低的地区位于山东地区，土壤水分含量在0.113 m3/m3，其次是安徽、上海以及江苏部分地区，土壤水分含量最大值的区域位于福建南部以及浙江部分地区，土壤水分含量最大值为0.146 m3/m3。这种分布规律与华东地区的经度地带性规律相符，同时也与研究区内土地覆被类型紧密相关。因为受光照和季风影响，区域降水量自北向南逐渐增加，蒸发量则逐渐减少，而降水量和蒸发量基本上共同决定了该区域土壤水分状况，同时由于在研究区域内，耕地主要位于华东地区北部，以山东、江苏、安徽、上海等地为主，而浙江、福建则以林地为主，林地的蓄水保水能力远远高于耕地，同时能够减少水分的蒸发［30］，因此造成了土壤水分在华东地区内的整体分布格局为南高北低。

图4　2003年华东地区土壤水分分布Fig. 4　Spatial distribution of soil moisture in Eastern China in 2003

5　结论

本研究选择MODIS地表温度产品MOD11A2和归一化植被指数产品MOD13A3，构建温度植被干旱指数TVDI，并利用土壤水分与温度植被干旱指数之间的负相关关系，通过AMSR-E三级地表土壤水分产品计算得到TVDI与土壤水分之间的负相关线性参数，进而对AMSR-E进行降尺度计算，得到空间分辨率为1 km的土壤水分反演结果，并利用中国气象数据共享服务网提供的地面实测土壤水分数据对降尺度结果进行验证。验证结果表明降尺度结果与地面实测土壤水分之间具有较好的线性关系，两者的决定系数均大于0.8。不仅如此，还计算了土壤实测值与反演值之间的绝对误差、相对误差、均方根误差以及最大差值和最小差值，得到的计算结果显示了相同的结论：土壤水分实测值与降尺度反演结果具有很好的线性关系，反演结果能够满足精度要求。研究区域土壤水分时空分布差异较大，总体来说土壤水分含量较高的区域位于浙江、福建、江西等林地面积较大的地区，而山东、江苏、安徽、上海等以耕地为主的地区，土壤水分含量较低。

6　讨论

本研究利用Sandholt温度植被干旱指数TVDI与土壤水分之间的线性负相关关系，对AMSR-E土壤数据进行了空间降尺度运算操作，获取了连续月时间尺度下的空间分辨率为1 km的土壤水分反演结果。目前，在现有的研究中对连续时间尺度的AMSR-E土壤水分的降尺度研究还较为缺乏，本研究则是对该方面的一个补充。在后续的研究中，考虑如何进一步减小中间参数的误差是一个具有现实意义的研究方向。因为在目前计算温度植被干旱指数的过程中，使用的都是MODIS提供的地表温度产品和归一化植被指数产品，而MODIS提供的日时间尺度和本研究应用的8日时间尺度的地表温度产品均存在不同程度的数据缺失。采用何种方法获取日时间尺度下的温度植被干旱指数，进而得到连续日时间尺度下的高空间分辨率的土壤水分结果，是后续研究中比较重要的延伸方向。

致谢：感谢National Snow and Ice Data Center提供的AMSR-E土壤水分数据，美国宇航局提供地表温度和归一化植被指数数据，中国气象科学数据共享服务网提供的地面土壤水分测量数据，Land-Atmosphere Interaction Research Group at Beijing Normal University提供的土壤容重和田间持水量数据。

［1］ 曹永攀， 晋锐， 韩旭军， 等. 基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究［J］. 遥感技术与应用， 2011， 26（5）: 590-597.

Cao Y P， Jin R， Han X J， et al. A downscaling method for AMSR-E soil moisture using MODIS derived dryness index［J］. Remote Sensing Technology and Application， 2011， 26（5）: 590-597.

［2］ Chen X Z， Su Y X， LI Y， et al. Retrieving China’s surface soil moisture and land surface temperature using AMSR-E brightness temperatures［J］. Remote Sensing Letters， 2014， 5（7）: 662-671.

［3］ D’urso G， Minacapilli M. A semi-empirical approach for surface soil water content estimation from radar data without a-priori information on surface roughness［J］. Journal of Hydrology， 2006，321（1/2/3/4）: 297-310.

［4］ Notarnicola C， Ventura B， Pasolli L， et al. Towards an Operational Daily Soil Moisture Index Derived from Combination of MODIS，ASAR and AMSR-E Data［M］. Ieee International Geoscience and Remote Sensing Symposium， 2010: 816-819.

［5］ Brocca L， Hasenaure S， Lacava T， et al. Soil moisture estimation through ASCAT and AMSR-E sensors: An intercomparison and validation study across Europe［J］. Remote Sensing of Environment， 2011， 115（12）: 3390-3408.

［6］ Han N L， Chen S B， Wang Z J. Retrieval of Bare Surface Soil Moisture from AMSR-E Data［M］. 2nd Ieee International Conference on Advanced Computer Control， 2010: 67-72.

［7］ 杨涛， 宫辉力， 李小娟， 等. 土壤水分遥感监测研究进展［J］.生态学报， 2010， 30（22）: 6264-6277.

Yang T， Gong H L， Li X J， et al. Research progress of remote sensing monitoring soil moisture［J］. Acta Ecologica Sinica， 2010，30（22）: 6264-6277.

［8］ Sridhar V， Jaksa W T A， Fang B， et al. Evaluating bias-corrected AMSR-E soil moisture using in situ observations and model estimates［J］. Vadose Zone Journal， 2013， 12（3）: 299-314.

［9］ Song C Y， Jia L， Menenti M. Retrieving high-resolution surface soil moisture by downscaling AMSR-E brightness temperature using MODIS LST and NDVI data［J］. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014，7（3）: 935-942.

［10］ Feng H， Liu Y. Trajectory based detection of forest-change impacts on surface soil moisture at a basin scale Poyang Lake Basin， China［J］. Journal of Hydrology， 2014， 514: 337-346.

［11］ Zhao W， Li A N. A downscaling method for improving the spatial resolution of AMSR-E derived soil moisture product based on MSG-SEVIRI data［J］. Remote Sensing， 2013， 5（12）: 6790-6811.

［12］ Crow W T， Wood E F. The value of coarse-scale soil moisture observations for regional surface energy balance modeling［J］. Journal of Hydrometeorology， 2002， 3（4）: 467-482.

［13］ Crow W T， Wood E F， Dubayah R. Potential for downscaling soil moisture maps derived from spaceborne imaging radar data［J］. Journal of Geophysical Research: Atmospheres （1984-2012），2000， 105（D2）: 2203-2212.

［14］ Carlson T. An overview of the “triangle method” for estimating surface evapotranspiration and soil moisture from satellite imagery［J］. Sensors， 2007， 7（8）: 1612-1629.

［15］ Tuttle S E， Salvucci G D. A new approach for validating satellite estimates of soil moisture using large-scale precipitation: Comparing AMSR-E products ［J］. Remote Sensing of Environment， 2014， 142（4）: 207-222.

［16］ Pellarin T， Louvet S， Gruhier C， et al. A simple and effective method for correcting soil moisture and precipitation estimates using AMSR-E measurements［J］. Remote Sensing of Environment， 2013， 136（5）: 28-36.

［17］ Zeng J Y， Li Z， Chen Q， et al. A simplified physically-based algorithm for surface soil moisture retrieval using AMSR-E data［J］. Frontiers of Earth Science， 2014， 8（3）: 427-438.

［18］ 张显峰， 赵杰鹏， 包慧漪， 等. 基于AMSR-E与MODIS数据的新疆土壤水分协同反演与验证［J］. 土壤学报， 2012， 49（2）: 205-211.

Zhang X F， Zhao J P， Bao H Y， et al. Co-inversion and validation of large-area soil moisture based on MODIS and AMSR-E data［J］. Acta Pedologica Sinica， 2012， 49（2）: 205-211.

［19］ 冯徽徽， 刘元波， 杨风亭. 高植被覆盖区AMSR-E土壤水分数据校准方法［J］. 土壤通报， 2014， 45（4）: 816-822.

Feng H H， Liu Y B， Yang F T. Calibration of the AMSR-E soil moisture data in dense vegetation area［J］. Chinese Journal of Soil Science， 2014， 45（4）: 816-822.

［20］ 李明星， 马柱国. 基于模拟土壤湿度的中国干旱检测及多时间尺度特征［J］. 中国科学: 地球科学， 2015， 45（7）: 994-1010.

Li M X， Ma Z G. Soil moisture drought detection and multitemporal variability across China［J］. Science China: Earth Sciences， 2015， 45（7）: 994-1010.

［21］ Sandholt I， Rasmussen K， Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status［J］. Remote Sensing of Environment， 2002，79（2/3）: 213-224.

［22］ 戴智慧. 贵州坡地黄壤水分时空变异特征研究［D］. 重庆: 西南大学， 2009.

Dai Z H. Soil moisture spatial and temporal variation characteristics research in Guizhou yellow［D］. Chongqing: Southwest University， 2009.

［23］ 李洪建， 王孟本， 柴宝峰. 黄土高原土壤水分变化的时空特征分析［J］. 应用生态学报， 2003， 14（4）: 515-519.

Li H J， Wang M B， Chai B F. Spatial and temporal characteristics of soil moisture dynamics in Loess Plateau［J］. Chinese Journal of Applied Ecology， 2003， 14（4）: 515-519.

［24］ 李云鹏， 司瑶冰， 刘朋涛， 等. 基于空间信息的内蒙古农业干旱监测研究［J］. 干旱区资源与环境， 2011， 25（11）: 125-131.

Li Y P， Si Y B， Liu P T， et al. Inner Mongolia agricultural drought monitoring research based on spatial information［J］， Resources and Environment in Arid Areas， 2011， 25（11）: 125-131.

［25］ 邴龙飞， 苏红波， 邵全琴， 等. 近30年来中国陆地蒸散量和土壤水分变化特征分析［J］. 地球信息科学学报， 2012， 14（1）: 1-13.

Bing L F， Su H B， Shao Q Q， et al. Changing characteristic of land surface evapotranspiration and soil moisture in China during the past 30 years［J］. Journal of Geo-information Science， 2012， 14（1）: 1-13.

［26］ Njoku E G， Chan S K. Vegetation and surface roughness effects on AMSR-E land observations［J］. Remote Sensing of Environment，2006， 100（2）: 190-199.

［27］ 王纯枝， 毛留喜， 何延波， 等. 温度植被干旱指数法（TVDI）在黄淮海平原土壤湿度反演中的应用研究［J］. 土壤通报， 2009，40（5）: 998-1005.

Wang C Z， Mao L X， He Y B， et al. Application of temperaturevegetation dryness index （TVDI） in estimation of soil moisture in the HHH Plain［J］. Chinese Journal of Soil Science， 2009， 40（5）: 998-1005.

［28］ Xie X M， Xu J W， Zhao J F， et al. Validation of AMSR-E soil moisture retrievals over Huaihe River Basin， in China［J］. Applied Mechanics and Materials. 2014， 507: 855-858.

［29］ 陈洁. AMSR-E土壤湿度产品在我国西北地区的精度验证［D］.北京: 中国气象科学研究院， 2010.

Chen J. Validation of AMSR-E soil moisture products in Northwest of China［D］. Beijing: The Chinese Academy of Meteorological Sciences， 2010.

［30］ Huang L， Shao Q， Liu J. Forest restoration to achieve both ecological and economic progress， Poyang Lake Basin， China［J］. Ecological Engineering， 2012， 44（3）: 53-60.

（责任编辑：王育花）

Downscaling AMSR-E soil moisture data based on temperature vegetation drought index in Eastern China

XIN Qiang， LI Zhao-fu， LI Rui-juan， GUO Tai， WU Min， PAN Jian-jun
（College of Resources and Environmental Sciences， Nanjing Agricultural University， Nanjing， Jiangsu 210095， China）

Soil moisture is not only an important factor in water cycle and land surface process， but also hot topic in soil science research. As a representative of passive microwave remote sensing technology， AMSR-E provides an avenue for soil moisture study. It is， however， restricted by the small and medium scales involved. Therefore， MOD11A2 and MOD13A3 were used to build the temperature vegetation drought index （TVDI） at a monthly time scale， the linear negative relationship between TVDI and soil moisture was then employed to downscale the spatial resolution of AMSR-E. This final objective was to obtain soil moisture at a spatial resolution of 1 km for each month in 2003. The results were well validated by the ground measured soil moisture data. Decision coefficients in all months were above 0.8. It indicated that the soil moisture results by downscaling were accurate enough and it could be used to characterize spatial distribution of soil moisture.

AMSR-E； TVDI； Eastern China； soil moisture； downscaling

Fundamental Research Funds for the Central Universities （KYZ201522）； National Natural Science Foundation of China （41571171，41171071）.

LI Zhao-fu， E-mail: lizhaofu@njau.edu.cn.

13 December， 2015；Accepted 5 April， 2016

S152.7

A

1000-0275（2016）05-0956-08

10.13872/j.1000-0275.2016.0099

中央高校基本科研业务费专项（KYZ201522）；国家自然科学基金项目（41571171、41171071）。

辛强（1988-），男，山东济南人，硕士研究生，主要从事土壤湿度遥感反演，E-mail：xinqiang0711@126.com；通讯作者：李兆富（1977-），男，山东新泰人，博士，副教授，主要从事资源环境遥感研究，E-mail：lizhaofu@njau.edu.cn。

2015-12-13，接受日期：2016-04-05