基于HJ-1B数据的作物根系土壤水分遥感监测

陈亮, 姚保顺, 何厚军, 张波

(黄河水利委员会信息中心,河南 郑州 450004)

IVSW=INDV/TS，

INDV=100(RNIR-RRED)/(RNIR+RRED)。

INDW=(RGREEN-RNIR)/(RGREEN+RNIR)。

MCR=a·IVSW+b·INDW+c。

表1 基于不同监测指数的土壤水分监测模型



基于HJ-1B数据的作物根系土壤水分遥感监测

陈亮, 姚保顺, 何厚军, 张波

(黄河水利委员会信息中心,河南 郑州 450004)

针对作物生长期不同土层田间耗水发生变化的特点,在对植被供水指数(VSWI)和归一化水体指数(NDWI)构建原理进行分析的基础上,综合VSWI和NDWI构建了作物根系土壤水分监测指数(CRM),采用HJ-1B数据计算VSWI、NDWI、CRM等指数,基于不同指数分别建立土壤水分监测模型并对反演结果进行对比分析。结果表明:与单一指数模型相比,综合VSWI和NDWI的作物根系土壤水分监测指数与实测土壤水分的相关性更高,相关系数达0.6以上;降雨后浅层土壤含水量增高时,作物根系土壤水分监测指数反演精度提高更为明显,可减轻降雨对土壤水分监测的影响。

根系土壤水分;遥感监测;作物;HJ-1B;VSWI;NDWI

旱灾是我国农业生产的最大威胁,波及范围广、历时长,每年直接经济损失达(4～7)亿元,占我国农业自然灾害损失的近60%[1]。土壤水分是地表和大气界面的重要状态参数,直接影响地表的热量平衡和水量平衡,与干旱关系密切[2-3]。土壤水分监测是墒情监测的主要内容,对农田水分管理、作物旱情分析和水资源调配具有重要意义。

随着全球对地观测技术的迅猛发展,土壤水分(或干旱)遥感监测技术取得了大量的研究成果,发展出多种土壤水分(或干旱)遥感监测模型,建立了数十个遥感监测指数,并得到了成功应用[4]。常用干旱监测指数包括:归一化植被指数(Normalized Difference Vegetation Index,NDVI)、距平植被指数(Anomaly Vegetation Index,AVI)、植被状况指数(Vegetation Condition Index,VCI)、增强的植被指数(Enhanced Vegetation Index,EVI)、归一化水分指数(Normalized Difference Water Index,NDWI)、垂直干旱指数(Perpendicular Drought Index,PDI)、修正的垂直干旱指数(Modified Perpendicular Drought Index,MPDI)、半干旱区水分指数(Semi-arid Water Index,SAWI)、表观热惯量、温度状况指数(Temperture Condition Index,TCI)、植被健康指数(Vegetation Health Index,VHI)、植被供水指数(Vegetation Supply Water Index,VSWI)、温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI)、条件植被温度指数(Vegetation Temperature Condition Index,VTCI)、作物缺水指数(Crop Water Stress Index,CWSI)、微波集成干旱指数(Microwave Integrated Drought Index,MIDI)等[5-6]。由于土壤水分受降水、蒸散量、土壤、植被的生理状况、地表热状况等多个因素的影响,单一指数模型因其局限性难以完全描述土壤水分特征,多要素土壤水分(干旱)监测模型表现出更好的适应能力。陈怀亮等[7]基于NDVI和表层水分含量指数(Surface Water Capacity Index,SWCI)构建了农田浅层土壤湿度指数(Cropland Soil Moisture Index,CMSI),在农作物中后期的农田土壤水分监测中具有良好的实时应用效果。杜灵通等[8]利用TRMM(Tropical Rainfall Measuring Mission)-Z降水亏缺指数、MODIS(Moderate Resolution Imaging Spectrometer)植被指数产品和地表温度产品构建了综合干旱指数,对山东省2010年的旱情变化进行了监测,取得了较好效果。周磊[9]通过对传统遥感和气象干旱指数对比分析,采用基于数据挖掘的回归决策树技术,综合地表水热环境信息、植被生长状况和地球表层生物物理特征变量建立了我国黄淮海地区的综合地表干旱指数。美国地质勘探局和干旱减灾中心等单位利用历史长时间序列的NDVI、帕尔默干旱强度指数(Palmer Drought Severity Index,PDSI)和标准降水指数(Standardized Precipitation Index,SPI)的气候数据,结合土地覆盖/土地利用类型、土壤特性、生态环境卫星观测等其它生物物理信息,研发了植被干旱响应指数(Vegetation Drought Response Index,VegDRI),在美国得到了很好的应用[10]。集成多种指数建立土壤水分遥感监测模型已成为土壤水分遥感监测研究的热点之一。

本研究从作物田间实际耗水特点出发,在对植被供水指数(VSWI)和归一化水体指数(NDWI)构建原理分析的基础上,基于HJ-1B数据研究建立综合VSWI和NDWI的作物根系土壤水分监测指数,并进行小麦土壤水分监测。

1 研究区与数据

1.1 研究区

本研究以黄河下游河南引黄灌区为研究区。河南省在沿黄城市已建引黄口门50多处,以口门为依托建成引黄干流自流灌区26处,支流灌区4处,灌区范围涉及三门峡、焦作、济源、新乡、洛阳、郑州、开封、濮阳、商丘、安阳、鹤壁、许昌、周口等13个地级市,共计40多个县。河南省引黄灌区是全省重要的粮棉产区,也是我国重要的商品粮基地,在我国国民经济中具有重要的战略地位。河南省引黄灌区设计灌溉面积15 767 km2,约占全省耕地面积的22%,有效灌溉面积7 213 km2。灌区主要农作物为小麦和玉米,作物种植模式以小麦和玉米轮作为主。

1.2 研究数据

HJ-1B卫星载有可见光CCD(Charge-coupled Device)相机和红外相机。CCD相机具有4波段,空间分辨率为30 m,单星成像幅宽为360 km。红外相机具有近、短、中、长4个光谱谱段,幅宽为720 km,地面像元分辨率为150 m/300 m。该卫星具有4 d的重复观测能力。小麦拔节、灌浆期是水量需求的重要时期,该时期河南引黄灌区干旱较易发生。2013年 4月上中旬研究区冬小麦种植区正遭遇干旱,本研究采集2013年4月11日和4月26日HJ-1B数据进行土壤水分监测研究。对采集的HJ-1B数据首先利用ENVI软件Flaash大气校正模块进行大气校正,消除大气影响;然后采用多项式法对HJ-1B数据进行几何精校正,误差控制在半个像元以内。

为建立土壤水分模型,收集了引黄灌区16个土壤墒情站的土壤水分数据。选取的土壤墒情站建于灌区田块内,站内作物耕作和灌溉情况保持与田块其他区域相一致,观测的土壤水分数据能够真实地反映田间实际情况。土壤墒情站每日自动记录各站点的土壤水分数据,观测的土层深度为10、20、40 cm。

2 指数构建

2.1 植被供水指数

作物供水正常时,植被指数和冠层温度在一定的生长期内保持在一定范围内;如果植被供水不足,作物根部缺水使蒸腾作用受到抑制,叶面气孔关闭则作物冠层温度升高,同时作物生长将受到影响而使植被指数降低[11]。植被供水指数(VSWI)正是基于这一原理构建的,其计算公式如下:

IVSW=INDV/TS，

(1)

INDV=100(RNIR-RRED)/(RNIR+RRED)。

(2)

式中:IVSM为植被供水指数；INDV为归一化植被指数；TS为植被冠层温度,本研究以地表温度来代替,采用单通道算法进行HJ卫星地表温度反演[12];RNIR为近红外波段反射率;RRED为红色波段反射率。IVSW越大,土壤水分越高,植被供水越充足,植被长势越好，蒸腾越旺盛;反之，植被供水不足,土壤水分较低。由于植被供水指数主要通过植被长势及作物蒸腾作用与根区土壤水分的关系建立的,而作物中后期根系大部分分布在20 cm以下的土层,该指数不能较好地反映浅层土壤的水分状况。

2.2 归一化水分指数

Mcfeeters[13]利用水体在绿波段和近红外波段与植被和土壤等信息的显著反射差异,提出归一化水分指数(NDWI)进行水体信息提取,其计算公式为:

INDW=(RGREEN-RNIR)/(RGREEN+RNIR)。

(3)

式中:INDW为归一化水分指数；RGREEN为绿色波段反射率。NDWI一定程度上可以反映地表各地物类型的水分状况,如毛海颖等[14]以遥感影像提取的NDWI值作为土壤水分指标，进行了永定河流域土壤水分的影响因子分析。

2.3 作物根系土壤水分监测指数

作物对土壤水分的消耗主要是通过根系吸水进行蒸腾作用来实现的,根区土壤水分状况是影响作物长势与健康的重要因素。因此,基于作物长势遥感影像表征的土壤水分监测,从作物实际耗水特性出发是建立模型的关键。

作物耗水主要集中在0～40 cm的土层,包括植株棵间的土壤蒸发和作物蒸腾耗水。棵间土壤蒸发主要发生在0～20 cm的土层,生长期蒸发量占其总耗水量的1/4～1/3[15]。土壤蒸发受土壤表层土壤水分状况的影响,与田间灌水和降雨相关。作物蒸腾耗水与作物根系分布密切相关。根系密度大的土层,消耗较多的土壤水分;根系密度低的土层,土壤水分消耗则少[16]。同时,作物根系分布又受作物生育期及土壤水分条件的影响。作物生长初期,根系主要分布在20 cm以内的土层,随着作物根系的生长发育,逐渐向深层土壤发展。当土壤水分亏缺时,会促使根系向纵深方向伸展,对深层土壤水分的利用增大。在干旱缺水的华北地区,冬小麦生育中后期50%以上根系处于20～50 cm的土层,该土层水分消耗主要用于作物蒸腾[15]。由此可见,进行作物田间土壤水分监测,尤其是作物生育中后期,需要综合考虑根系的主要耗水层,即包括消耗于作物蒸腾的深层土壤水分和消耗于棵间土壤蒸发的表层土壤水分。

从作物根系土层实际耗水特性出发,基于VSWI和NDWI的构建原理,综合两种指数对不同深度土层土壤水分的表现能力,构建集成VSWI和NDWI的作物根系土壤水分(Crop Root Soil Moisture,CRM)这一监测指数。其计算公式如下:

MCR=a·IVSW+b·INDW+c。

(4)

式中:MCR为作物根系土壤水分(CRM),本研究采用0～40 cm土层的相对土壤含水量;a、b、c为系数,可以根据地面实测土壤水分确定。该指数兼顾作物根系浅层土壤水分和深层土壤水分,可以克服单一指数对不同土层土壤水分监测的局限性,提高了模型对土壤水分的监测能力。

3 结果与分析

分别利用2013年4月11日与4月26日的HJ-1B数据计算IVSW和INDW,并与土壤墒情站观测的0～40 cm土层的土壤水分数据进行多元回归分析,求解公式(4)中的系数a、b和c,得到基于VSWI和NDWI的CRM监测模型,见表1。为将作物根系土壤水分监测指数与VSW、NDWI单一监测指数进行比较,分别将IVSW和INDW与土壤墒情站土壤水分观测数据进行一元回归分析，建立土壤水分监测模型,结果见表1。

表1 基于不同监测指数的土壤水分监测模型

数据日期指数监测模型相关系数2013年4月11日CRMMCR=7.333IVSW+2.299INDW+0.0260.63VSWIMCR=2.483IVSW+0.0670.54NDWIMCR=-0.884INDW+0.10.422013年4月26日CRMMCR=18.839IVSW+5.572INDW-0.1730.72VSWIMCR=2.483IVSW+0.0670.56NDWIMCR=-0.884INDW+0.10.44

由表1可知,与VSWI、NDWI等单一监测指数相比,CRM监测指数与实测土壤水分的相关性更高,4月11日和26日的相关系数分别为0.63和0.72,比VSWI分别提高了0.09和0.16,比NDWI分别提高了0.21和0.28。4月26日数据与11日数据相比,CRM监测指数与实测土壤水分的相关系数值提高幅度更大。

为了进一步分析研究区内土壤水分实际变化情况,选择区内郭庄站降雨量及土壤水分观测数据进行分析,如图1所示。4月上中旬,研究区处于小麦拔节-抽穗期,小麦生长需水量较大,郭庄站10、20、40 cm土层相对土壤含水量持续减少,发生轻度干旱且有趋于严重的倾向;4月20日至23日研究区内有一个降雨过程,灌区田间土壤水分得到补给,10 cm及20 cm土层的浅层土壤水分明显增加,而40 cm土层土壤水分没有明显改变,郭庄站的旱情得到缓解。结合表1可见,作物根系土壤水分在构建时兼顾了深层和浅层,在降雨后,农田浅层土壤水分增高时指数优势更为明显,表明该指数一定程度上可以消减降雨等对土壤水分监测的影响。

图1 2013年4月郭庄站降雨量及土壤水分观测数据

利用CRM的监测指数分别计算2013年4月11日和26日黄河下游河南引黄灌区田间小麦根系土壤水分,结果如图2所示。监测结果显示,4月11日研究区农田土壤水分偏低,大部分地区遭受不同程度的干旱威胁。与11日相比,4月26日研究区除赵口灌区部分地区旱情依然严峻外,大部分地区农田土壤水分明显提高,墒情得到好转,旱情基本缓解。农田土壤水分遥感监测结果与图1中农田相对土壤含水量变化情况基本一致,较好地反映农田的实际情况。

(a) 2013年4月11日

(b) 2013年4月26日

4 结 语

1)随着作物根系的发育，不同土层耗水特点发生变化。生长早期作物蒸腾与田间蒸发都发生在浅层土壤；生长中、后期根系向深层土壤发育,作物蒸腾耗水主要发生于深层土壤：因此进行作物根系土壤水分遥感监测需兼顾浅层和深层土壤水分。

2)综合VSWI和NDWI构建的作物根系土壤水分监测指数,可以弥补单一指数的不足,提高土壤水分的反演精度;在降雨后,浅层土壤水分增高时,作物根系土壤水分监测指数优势更为明显,可减轻降雨等对土壤水分监测的影响。

3)土壤水分遥感监测指数众多,适用范围各异,本研究仅选取了VSWI和NDWI进行集成多指数的根系土壤水分监测,对于其他指数组合尚需在未来研究中进一步探讨。

[1]邓辉,周清波.土壤水分遥感监测方法进展[J].中国农业资源与区划,2004,25(3):46-49.

[2]张友静,王军战,鲍艳松.多源遥感数据反演土壤水分方法[J].水科学进展,2010,21(2):222-228.

[3]MA H Z,ZHANG L J,SUN L,et al.Farmland soil moisture inversion by synergizing optical and microwave remote sensing data[J].Journal of Remote Sensing,2014,18(3):673-685.[4]BRIAN D W,MARTHA C A,JAMES P V．Remote sensing of drought:innovative monitoring approaches[M].CRC Press,Taylor & Francis Group,2012.

[5]郭铌,王小平．遥感干旱应用技术进展及面临的技术问题与发展机遇[J].干旱气象,2015,33(1):1-18.

[6]韩宇平,张功瑾,王富强.农业干旱监测指标研究进展[J].华北水利水电学院学报,2013,34(1):74-78.

[7]陈怀亮,张红卫,刘荣花,等.中国农业干旱的监测、预警和灾损评估[J].科技导报,2009,27(11):82-92.

[8]杜灵通,田庆久,王磊,等.基于多源遥感数据的综合干旱监测模型构建[J].农业工程学报,2014,30(9):126-132.[9]周磊.集成多源数据的干旱综合监测模型研究[D].北京:北京师范大学,2011.

[10]JESSLYN F B,BRIAN D W,TSEGAYE T.The vegetation drought response index(VegDRI):a new integrated approach for monitoring drought stress in vegetation[J].GIScience and Remote Sensing, 2008,45:16-46.[11]孙丽,王飞,吴全.干旱遥感监测模型在中国冬小麦区的应用[J].农业工程学报,2010,26(1):243-249.

[12]JIMENEZ-MUNOZ J C,SOBRINO J A.A generalized single-channel method for retrieving land surface temperature from remote sensing data[J].Journal of Geophysical Research,2003,108(D22):4688-4697.[13]MCFEETERS S K.The use of the normalized difference water index (NDWI) in the delineation of open water features[J].International Journal of Remote Sensing,1996,17:1425-1432.

[14]毛海颖,冯仲科,巩垠熙,等.多光谱遥感技术结合遗传算法对永定河土壤归一化水体指数的研究[J].光谱学与光谱分析,2014,34(6):1649-1655.

[15]肖俊夫,刘战东,段爱旺,等.不同土壤水分条件下冬小麦根系分布规律及其耗水特性研究[J].中国农村水利水电,2007(8):18-21.

[16]孙丽,汪庆发,黄大彤.全国土壤水分及作物长势地面监测体系的初步设想[J].农业工程学报,2007,23(2):173-176.

(责任编辑：陈海涛)

Monitoring Soil Moisture in Root-system Zone Based on HJ-1B Data with Remote Sensing Technology

CHEN Liang, YAO Baoshun, HE Houjun, ZHANG Bo

(Information Center of Yellow River Conservancy Commission, Zhengzhou 450004, China)

For the change characteristics of water consumption in different soil layers during crop growth period, based on the analytical results on the construct principles of Vegetation Supply Water Index (VSWI) and Normalized Difference Water Index (NDWI), Crop Root Zone Soil Moisture Monitoring Index (CRM) was constructed by synthesizing VSWI and NDWI, the indexes of VSWI, NDWI and Crop Root Zone Soil Moisture Monitoring Index (CRM)， were calculated according to HJ-1B data, the monitoring models of soil moisture were built based on the three indexes, and the inversions were compared and analyzed using the monitoring models of soil moisture. The results show that compared to the single-index model, Crop Root Zone Soil Moisture Monitoring Index (CRM) constructed by synthesizing VSWI and NDWI is high correlative with the soil moisture measured in the field, the correlation coefficient is over 0.6, the inversion accuracy of Crop Root Zone Soil Moisture Monitoring Index (CRM) obviously increases when the shallow soil moisture increases after rain, and the influence of rain on monitoring soil moisture should be lightened.

soil moisture in root-system zone; remote sensing monitoring; crop; HJ-1B; VSWI; NDWI

2016-03-16

水利部公益性科研资助项目(200901021)。

陈亮(1983—),男,江苏南通人,工程师,硕士,主要从事遥感与地理信息系统方面的研究。E-mail:chlg564@163.com。

10.3969/j.issn.1002-5634.2016.03.005

TV93;TP79

A

1002-5634(2016)03-0027-05