混合像元对遥感干旱指数监测能力的影响

王丽娟，郭 铌，沙 莎，胡 蝶，王 玮，邓祖琴，刘伟刚

(中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃 兰州 730020)



混合像元对遥感干旱指数监测能力的影响

王丽娟，郭 铌，沙 莎，胡 蝶，王 玮，邓祖琴，刘伟刚

(中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃 兰州 730020)

混合像元是卫星遥感中常见的现象，也是影响卫星遥感地表参数精度的重要因子。为了解不同植被盖度的混合像元对遥感干旱指数监测能力的影响，利用一次陇东黄土高原卫星—地面准同步的观测数据，以常用的垂直干旱指数(Perpendicular Drought Index, PDI)为例，研究不同植被盖度下混合像元对PDI监测表层含水量能力的影响，提出了一个考虑混合像元的表层含水量(SMsur)，并在此基础上建立表层含水量的遥感监测模型。结果表明：(1)在不考虑混合像元的情况下，PDI与裸土和植被区表层土壤含水量的相关系数(R2)最高分别为0.5、0.05；(2)考虑混合像元后，PDI与SMsur相关性较好，相关系数(R2)最高达0.6，说明在遥感指数监测能力评估中考虑混合像元问题，可以更加准确地衡量遥感干旱指数在研究区的适用性及监测效果；(3)基于PDI建立的模型反演研究区表层含水量与考虑混合像元的SMsur接近，可以反映不同植被盖度下地表的水分状况，相关系数(R2)达到0.85，相对偏差低于8.0%，均方根误差最小达到2.17%。模型估算的研究区SMsur区域分布特征与实地考察结果基本一致，植被覆盖浓密的农田湿度最大，SMsur最高可达到30%以上。

Landsat8；垂直干旱指数；土壤含水量；植被含水量；黄土高原

引 言

任何的监测指数都需要适用性检验和监测精度评价，遥感作为一种宏观监测手段，基于其发展起来的干旱监测指数同样也需要进行适用性检验和监测精度评价。只有给出各种干旱监测指数的客观评估才能使其在科学研究中得到更广泛的应用[1-2]。卫星遥感主要获取的是像元尺度上下垫面的信息，加上地表的非均匀性，这就导致混合像元无处不在，这也是导致尺度效应的根源[3]。

在适用性检验和精度评价中常用的地面观测数据为像元尺度内的单点观测数据或多点采样数据，但无论使用单点还是多点观测数据都难以实现地面与待检验指数之前的尺度匹配，混合像元的问题依然存在，这就不得不考虑像元尺度内组分的差异[4-5]。

以地表水分条件监测为例，土壤水分条件的变化主要是通过土壤含水量和植被含水量来表现。因此地表水分条件的监测就主要基于以下2种途径来实现：一是直接使用土壤含水量来反映地表的干湿状况[6-8]；二是通过植被含水量来间接反映地表的干湿状况[9-11]。监测地表水分状况的遥感干旱指数主要由土壤含水量或植被含水量来进行检验和评价。然而由于空间的不匹配，像元尺度内下垫面可能不是由单一的裸土或植被组成，这时使用单一的土壤含水量或植被含水量来评价遥感干旱指数就有可能导致指数的监测效果欠佳[12-13]。面对这一问题，现有的工作主要是针对遥感影像进行处理，去除影像中的植被信息，仅保留与土壤水分相关的信息[12]。但由于植被对降水、露水具有截流作用，导致植被覆盖条件下农田的土壤含水量与裸土存在很大差异，这就有可能导致监测的地表水分条件偏离实际状况。非均一的下垫面水分条件应该由土壤含水量和植被含水量共同决定，这就迫使我们寻求一种新的途径来解决混合像元问题，以提高遥感指数适用性及监测精度评价的准确性。

为研究不同植被盖度混合像元对卫星遥感干旱指数监测能力的影响，在平凉地区开展了非均一下垫面卫星—地面准同步的观测试验，分别对裸土和植被区的土壤含水量及植被含水量进行观测。并结合遥感影像提出一种计算混合像元表层含水量的新方法，讨论不同植被盖度条件下土壤含水量、植被含水量与PDI的相关性，并给出适用于研究区不同植被盖度下垫面表层含水量的遥感反演模型，为该地区的干旱遥感监测提供可靠依据，并为相应部门防灾减灾提供参考。

1 研究区及试验概况

平凉市位于甘肃省东部，地处六盘山东麓，泾河上游，东临陕西咸阳，西连甘肃定西、白银，南接陕西宝鸡和甘肃天水，北与宁夏固原、甘肃庆阳毗邻，是古代“丝绸之路”的必经之路。属于泾、渭河冷温带亚湿润区，在农业区划中属于陇东温和半湿润雨养农业气候区，各季降水分布不均匀，冬春少雨雪，6月下旬进入雨季，至10月上旬左右雨季结束，降水主要集中在7—9月，降水年际变化较大，平均年降水量约511 mm，年均气温8.7 ℃[14]。

观测点主要分布在平凉东北部草峰塬的农田区域，地势平坦、开阔，周边无高大建筑，海拔1 480 m，离城市边缘直线距离23 km，经度106.926°E —106.961°E，纬度35.499°N—35.540°N，具体地理位置如图1所示，图中红点表示观测点。研究区为非均一下垫面，下垫面主要为农作物与裸地相间分布，农作物类型以冬小麦为主。

陇东黄土高原卫星—地面准同步观测试验于2014年5月7—9日在平凉地区进行，观测主要包括以下要素：(1)表层土壤温度、含水量及介电常数，主要利用土壤三参数速测仪对裸露地表、作物根部及作物行间土壤表层0～6 cm的体积含水量、温度及介电常数进行测量，并将体积含水量换算成重量含水量；(2)利用差分GPS对采样点的经度、纬度和海拔高度进行测量；(3)利用LAI3000对植被进行叶面积指数观测，同时收集单位面积内作物的行数和株数信息，并在每个观测点采集作物样本。对采集的作物样本进行烘干处理，得到烘干前后样本的重量，用于植被含水量的计算。

图1 研究区地理位置及观测点分布

2 资料与方法

2.1 资料来源及处理

Landsat8是由美国国家航空航天局和美国地质调查局联合运行的陆地卫星，上面搭载有OLI (Operational Land Imager)和TIRS(Thermal Infrared Sensor)2个载荷，卫星主要为陆地资源、环境及城市规划等方面的研究提供可靠资料。本文使用Landsat8 2014年5月2日过境时的OLI遥感影像，空间分辨率为30 m×30 m，重访周期为16 d，利用ENVI5.1对影像进行辐射和大气校正。

2.2 方法介绍

2.2.1 垂直干旱指数(PDI)

图2是二维特征光谱空间示意图及研究区Landsat8波段反射率构成的特征空间。由于水体对红光、近红外和短波红外波段的吸收极强，所以这些波段的反射率随土壤湿度的增加而减小，即图2a中由C点至B点反射率是减小的。植被对近红外和短波红外有较强的反射作用，而对红光有强烈的吸收作用，但这种吸收作用很快会达到饱和，只有近红外和短波红外的反射率变化来表示植被的增加，即图2a中的土壤背景线BC上的点到A点的变化。所以，理论上讲红光与近红外、短波红外组成的光谱特征空间应该呈现三角形特征[15]。在特征空间内，可以得到土壤背景线的表达式为rswir=M·rred+I，取纵截距I=0，得到BC的法线方程：rswir=-1/M·rred，图2a中GH即为垂直于土壤背景线的法线。任意点E的表层含水量与红光、短波红外的波段反射率呈现较好的相关性，而E点到法线GH的垂直距离EF即可以表示该点的干湿状况，且EF值越大越接近于干燥裸土，含水量就越小，反之亦然。所以，垂直干旱指数(PDI)就定义为研究点到土壤背景线法线的垂直距离，即EF的值，其数学表达式为：

(1)

其中，M为土壤背景线的斜率，rred和rswir分别表示红光和短波红外的反射率。但由于研究区内绝大部分为小麦、苜蓿幼苗等较为低矮的作物，缺乏高植被盖度的像元，所以研究区二维光谱特征空间的三角形特征不及理论模型明显，如图2b所示。

图2 二维特征光谱空间示意图及研究区Landsat8波段反射率构成的特征空间

2.2.2 植被含水量

常用的植被含水量表示方法主要有以下3种：叶片含水量[16]、相对含水量[17]和等效水深[18]，为与实测的表层土壤含水量在数量级和单位上保持一致，选用植被的相对含水量(RWC)进行计算。

(2)

2.2.3 混合像元表层含水量

考虑到遥感影像中像元对应的下垫面并非均一，利用归一化植被指数(NDVI)计算盖度pv，并由此得到混合像元的表层含水量SMsur，具体公式如下：

(3)

(4)

其中，NDVI为像元的归一化植被指数；NDVImin和NDVImax分别为研究区最小和最大NDVI值；SMwet为土壤三参数速测仪(W.E.T sensor)测量的表层土壤含水量(单位：%)，计算得到的混合像元表层含水量单位也为%。

2.3 估算结果精度评价

使用以下3个统计量来评价估算结果：

(1)均方根误差RMSE

(5)

(2)平均相对误差MAPE

(6)

(3)相关系数R2

(7)

3 结果分析

3.1 二维光谱特征空间的波段选择

从观测数据中选择土壤含水量和植被参数同时存在的观测点作为本文的样本点，共55个，其中有植被覆盖的样本点41个、裸土样本点14个。对PDI与表层土壤含水量观测值进行相关性分析(表1)，可以看出，裸土条件下PDI与表层土壤含水量存在很好的相关性，相关系数通过了0.01的显著性检验，而PDI与植被覆盖条件下的表层土壤含水量相关性较差。鉴于此，考虑在植被覆盖条件下使用植被含水量来表征地表的干湿状况，即对PDI与植被相对含水量(RWC)进行相关分析，从表1可知，PDI与RWC也不存在相关，相关系数均不超过0.1，最小相关系数仅为0.0。说明在植被覆盖条件下用单一的植被含水量或表层土壤含水量来衡量PDI对地表水分状况的监测效果都存在一定的缺陷，这种缺陷主要与植被覆盖条件下的混合像元有关。

由于像元的空间分辨率为30 m×30 m，涵盖的下垫面情况并非均一，而卫星影像信息反映的是像元尺度上下垫面的综合情况。于是这里利用植被盖度来简单区分植被和裸土在像元中所占的比例，即利用公式(3)计算植被覆盖条件下对应于像元尺度的每个观测点的表层含水量SMsur。PDI与SMsur的相关系数见表1，可以看到SMsur与PDI相关性较好，相关系数较前面2种结果都有很大改善。其中，基于红光(第4波段)—短波红外(第6、7波段)的PDI与SMsur的相关系数达到或接近0.6，通过0.01的显著性检验；而基于近红外(第5波段)—短波红外(第6、7波段)计算的PDI与SMsur的相关系数较前面2种结果也有很大改善，特别是第5和第7波段计算的PDI(5,7)与SMsur的相关系数通过了0.05的显著性检验。这说明Landsat8 OLI的红光—短波红外二维光谱特征空间可以反映不同盖度下垫面的干湿状况。

综合考虑裸土和植被覆盖条件下表层含水量与PDI的相关性，选择PDI(4,6)进行研究。图3为 PDI(4,6)与裸土、植被覆盖条件下土壤表层含水量的散点图，可以看到散点都均匀分布在拟合线的两侧，相关系数都通过了0.01的显著性检验。

3.2 模型的建立及验证

在55个有效样本中选取22个植被覆盖样本和7个裸土样本进行建模，再利用剩下的26个样本对模型的估算结果进行检验。

不区分植被和裸土的情况下，利用29个建模样本数据进行回归分析，得到的经验模型(模型1)为：SMsur=-91.12PDI(4,6)+49.36。图4是利用该模型估算的SMsur与观测值之间的对比。如图4a所示，估算值接近于观测值，两者之间的相关系数达到0.61，通过0.01的显著性检验，平均相对误差为11.78%，均方根误差仅为3.3%；从图4b中可以看到，误差较大的点主要为裸土样本点。由于裸土条件下土壤表层的含水量相对较低，在不区分植被和裸土的情况下，模型对裸土表层含水量的估算明显偏高。

表1 PDI与表层土壤含水量及植被含水量(RWC)的相关系数

注：*表示通过0.05的显著性检验，**通过0.01的显著性检验

图3 PDI(4,6)与裸土(a)、植被覆盖条件下(b)土壤表层含水量的散点图

图4 模型1估算的SMsur与实测值对比(a)散点图，(b)样本序列

在区分植被和裸土的情况下，分别利用22个植被样本点和7个裸土样本点进行回归分析，得到植被和裸土条件下的经验模型(模型2)，即植被条件下：SMsur=-79.52PDI(4,6)+47.37，裸土条件下：SMsur=-74.57PDI(4,6)+39.55。分别利用这2个模型估算SMsur，将结果与观测值进行比较，如图5所示。可以看出，与不区分植被和裸土的模型1结果相比，估算结果有了很大改善，整体上更接近于观测值，尤其是裸土部分。估算值与观测值的散点更接近于1:1线，相关系数提高到0.85，平均相对误差减小到7.71%，均方根误差仅为2.17%。利用模型2估算的研究区SMsur分布如图6所示，从整体上看，农田的SMsur较其他下垫面高，大部分超过20%，少数农田的SMsur超过30%，这与实地采样调查结果基本一致，说明该模型在研究区是适用的。

图5 模型2估算的SMsur与实测值对比(a)散点图，(b)样本序列

图6 利用模型2估算的试验区SMsur(单位：%)的空间分布

4 结 论

以Landsat8 OLI遥感影像为基础，通过陇东黄土高原卫星—地面准同步观测试验，讨论了混合像元对PDI监测黄土高原不同盖度条件下地表水分条件的影响，并通过引入植被盖度计算混合像元的地面观测值，从而减小混合像元的影响。并由此建立PDI反演不同植被盖度条件下表层含水量的经验模型，最后利用观测结果对模型进行检验，主要得到以下结论：

(1) 研究区基于红光—短波红外波段建立的二维光谱特征空间呈三角形特征，说明该特征空间在研究区是适用的；

(2) 在裸土条件下，像元的尺度效应较弱，基于红光—短波红外波段计算的垂直干旱指数(PDI)与表层土壤含水量相关性较好，相关系数都达到0.5左右，通过0.01的显著性检验；

(3) 在植被区，未考虑混合像元时，各波段计算的PDI与表层土壤含水量及植被含水量之间均不存在相关；考虑混合像元后，引入植被盖度得到的混合像元实测表层含水量SMsur与各波段计算的PDI相关性均较好，特别是与PDI(4,6)的相关系数达到0.6。说明在遥感干旱指数监测能力的评估中需要考虑混合像元的影响，尤其是在像元尺度效应较强的区域；

(4) 利用PDI(4,6) 对植被覆盖和裸土2种下垫面分别进行建模，模型估算的SMsur精度高于不区分植被和裸土的整体数据建模结果。经验模型估算的研究区表层含水量与观测值相关系数最高达到0.85，平均相对误差为7.71%，均方根误差仅为2.17%。模型反映的研究区干湿分布特征与实地采样调查的结果基本一致，说明经验模型在该地区是适用的。

[1] Justice C, Belward A, Morisette L, et al. Developments in the ‘validation’ of satellite sensor products for the study of the land surface[J]. International Journal of Remote Sensing, 2000,21(17):3383-3390.

[2] 张仁华,田静,李召良,等. 定量遥感产品真实性检验的基础与方法[J]. 中国科学(地球科学),2010,40(2):211-222.

[3] 李小文,王锦地, Strahler A H. 尺度效应及几何光学模型用于尺度纠正[J]. 中国科学(E辑),2000,30(增刊):12-17.

[4] 李小文,赵红蕊,张颢,等. 全球变化与地表参数的定量遥感[J]. 地学前缘,2002,9(2):365-370.

[5] 李小文,王祎婷. 定量遥感尺度效应刍议[J]. 地理学报,2013,68(9):1163-1169.

[6] 赵军,任皓晨,赵传燕,等. 黑河流域土壤含水量遥感反演及不同地类土壤水分效应的分析[J]. 干旱区资源与环境,2009,23(8):139-144.

[7] 刘志明,张柏,晏明,等. 土壤水分与干旱遥感研究的进展与趋势[J]. 地球科学进展,2003,18(4):576-583.

[8] 郭英,沈彦俊,赵超. 主被动微波遥感在农业区土壤水分监测中的应用初探[J]. 中国生态与农业学报,2011,19(5):1162-1167.

[9] 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.

[10] 黄晚华,杨晓光,曲辉辉,等. 基于作物水分亏缺指数的春玉米季节性干旱时空特征分析[J]. 农业工程学报,2009,25(8):28-34.

[11] 张文江,陆其缝,高志强,等. 基于水分距平指数的2006年四川盆地东部特大干旱遥感相应分析[J]. 中国科学(D辑),2008,38(2):251-260.

[12] 阿布都瓦斯提·吾拉木. 基于n 维光谱特征空间的农田干旱遥感监测[D]. 北京:北京大学博士学位论文,2006.

[13] Qin Q, Ghulam A, Zhu L, et al. Evaluation of MODIS derived perpendicular drought index for estimation of surface dryness over northwestern China[J]. International Journal of Remote Sensing, 2008,29(7):1983-1995.

[14] 王胜,张强,王兴,等. 黄土高原不同气候区裸地水、热特征对比[J]. 中国沙漠,2013,33(4):1166-1173.

[15] 詹志明,秦其明,阿布都瓦斯提·吾拉木,等. 基于NIR_Red光谱特征空间的土壤水分监测新方法[J]. 中国科学(D辑):地球科学,2006,36(11):1020-1026.

[16] Viegas D X, Viegas M T S P, Ferreira A D. Moisture content of fine forest and fire occurrence in central Portugal[J]. The International Journal of Wildland Fire, 1992(2):69-85.

[17] Inoue Y, Morinaga S, Shibayama M. Non-destructive estimation of water status of intact crop leaves based on spectral reflectance measurements[J]. Japan Journal of Crop Science, 1993,62(3):462-469.

[18] Danson F M, Steven M D, Malthus T J M J A. High spectral resolution data for determing leaf water content[J]. International Journal of Remote Sensing, 1992,13(3):461-470.

Effect of Mixed Pixel on Monitoring Ability of Remote Sensing Drought Index

WANG Lijuan, GUO Ni, SHA Sha, HU Die,WANG Wei, DENG Zuqin, LIU Weigang

(KeyLaboratoryofAridClimaticChangeandReducingDisasterofGansuProvince,KeyLaboratoryofAridClimaticChangeandDisasterReductionofCMA,InstituteofAridMeteorology,CMA,Lanzhou730020,China)

Mixed pixel is not only a common phenomenon in remote sensing but also an important factor influencing accuracy of surface parameters retrieval. To understand the influence of mixed pixel on monitoring ability of remote sensing drought index, using the Perpendicular Drought Index (PDI) as an example, the ground-satellite experiment data were used to verify the applicability of PDI on surface moisture monitoring under different coverage conditions in Longdong loess plateau, and a new surface water content (named SMsur) considering mixed pixel was proposed, and on this basis, the remote sensing monitoring model for surface water content was established. The results are as follows: (1) Without considering mixed pixel, the maximum correlation coefficients between PDI and soil water content were 0.5 and 0.05 for bare soil and vegetation conditions, respectively. (2) Considering mixed pixel, the maximum correlation coefficient between PDI and SMsurwas 0.6, which indicated that it could describe the applicability and monitoring effect more accurately about remote sensing indexes considering mixed pixel in monitoring ability evaluation in study area. (3)The surface water content estimated by PDI model considering mixed pixel could reflect the status of surface moisture under different vegetation coverage underlying surface, and their values were close to the observed data, the correlation coefficient of them was 0.85, the mean absolute percent error was less than 8.0%, and the minimum root mean square error was 2.17%. The regional distribution of the estimated SMsurwas consistent with the investigation result in the study area, and the moisture of the farmland was largest with SMsurmore than 30%.

Landsat8; Perpendicular Drought Index; soil water content; vegetation water content; loess plateau

10.11755/j.issn.1006-7639(2016)-05-0772

2016-03-23；改回日期：2016-09-06

公益性行业(气象)科研专项(重大专项)(GYHY201506001-5)资助

王丽娟(1986-)，女，四川广安人，助理研究员，主要从事卫星遥感研究. E-mail:wanglijuan01@126.com

1006-7639(2016)-05-0772-07 DOI:10.11755/j.issn.1006-7639(2016)-05-0772

P407

A

王丽娟，郭 铌，沙 莎，等.混合像元对遥感干旱指数监测能力的影响[J].干旱气象，2016，34(5)：772-778, [WANG Lijuan, GUO Ni, SHA Sha, et al. Effect of Mixed Pixel on Monitoring Ability of Remote Sensing Drought Index[J]. Journal of Arid Meteorology, 2016, 34(5):772-778],