MODIS数据支持下的土壤湿度模型构建——以河南商丘地区为例

王小洁，闵锦忠，薛丰昌，王 伟

(1. 南京信息工程大学大气科学学院， 江苏 南京 210044； 2. 南京信息工程大学地理与遥感学院， 江苏 南京 210044)

MODIS数据支持下的土壤湿度模型构建
——以河南商丘地区为例

王小洁1，闵锦忠1，薛丰昌2，王 伟1

(1. 南京信息工程大学大气科学学院， 江苏 南京 210044； 2. 南京信息工程大学地理与遥感学院， 江苏 南京 210044)

土壤湿度是农作物在生长过程中主要供水因子，实际测量土壤湿度较为复杂,卫星遥感成为反演和监测土壤湿度的重要手段。本文利用商丘地区2012和2013年MODIS数据，采用滤波方法减小云、气溶胶影响下的MODIS产品噪声，利用农田浅层土壤湿度指数(CSMI)与实测土壤相对湿度值进行了相关性分析，构建了适用于商丘地区的土壤湿度模型，并利用2013年的土壤实测数据对模型反演出来的土壤湿度进行了验证。结果表明，CSMI指数能够有效反演该地区0～50 cm深的土壤湿度值(通过了0.01的显著性检验)。

土壤湿度反演；农田浅层土壤湿度指数(CSMI)；监测模型

土壤湿度一直是各个相关研究领域中重点研究的物理参数，土壤湿度不仅在农作物生长过程中有重要影响，还会影响气候变化[1]。土壤湿度是植物生长中所需水分的重要来源，也是判断是否干旱的基本条件之一[2]。目前我国的农田用水利用率低，为了能够制定出合理的灌溉方案，提高水分利用率，就要准确掌握土壤湿度的含量及其变化[3]。

日常土壤湿度观测通常利用传统的人工观测方法[4-6]，并根据观测的数据建立监测模式。有的研究中根据实测数据利用不同的方法估算土壤湿度[7]，虽然能估算不同深度的土壤湿度，但只能得到单点数据，且耗费大量的人力物力。在大范围非均匀地表条件下，此类监测方法不能准确表达土壤湿度的空间分布，实用性差。国内外学者研究发现归一化植被指数(NDVI)在干旱监测中具有直观性和易用性[8]，但是受植被覆盖的影响大。因此杜晓等[9]根据水的光谱特性，提出了地表含水量指数(SWCI)，结果表明能较好地反映地表含水量和含水量的变化。张红卫等[10]将两个指数结合起来，构建了一个能监测0～50 cm土壤湿度的指数，监测研究区域的土壤含水量情况。而这些研究均适用于较大空间尺度上的反演监测，在监测小范围区域内的土壤湿度时，与实际的土壤湿度情况存在较大误差。因此，需要对小范围的研究区域的土壤湿度进行监测。

本文选取MODIS数据，根据农田浅层土壤湿度指数(cropland soil moisture index，CSMI)，建立适用于商丘地区的土壤湿度模型。为了减小数据的噪声，先利用Savitzky-Golay(S-G)滤波法，对CSMI指数的长时间序列数据进行滤波；然后，利用商丘地区2012年的实测土壤相对湿度数据和滤波后CSMI指数进行分析，建立土壤湿度反演模型；最后，通过2013年的实测土壤湿度数据，验证和评价土壤湿度监测模型的精度。

一、资料与方法

1. 研究区域和数据集

研究区域位于商丘市，位于北纬33°98′—34°80′、东经114°82′—116°45′之间,是重要粮食产地。年平均气温14.2℃，年平均降水量623 mm。该研究区域受到降水时空分布不均和季风的影响，易受干旱影响。本文采用2012和2013年8 d地表反射率产品MOD09A1数据(其空间分辨率为500 m，共92景)，以及2012和2013年商丘地区的土壤相对湿度数据，构建了土壤湿度反演模型及验证反演模型的准确性。

2. 图像预处理

对MOD09A1产品进行拼接和重投影，将其转换成WGS-84坐标系、Lambert Conformal Conic下的投影，并提取1、2、6、7通道反射率数据及其对应的QC(质量控制)数据。

遥感影像因为云、气溶胶等因素的影响，使得遥感反演的地表数据都存在着很大的噪声。重建地表数据能够有效地减小数据中的噪声[11]。学者研究表明S-G滤波法在指数重构上有较好的效果[12]。利用TIMESAT软件读入商丘2012和2013年的8 d合成数据，包括92景的反射率数据及其对应的QC(质量控制)影像数据。对图像数据进行S-G滤波，处理后的数据作为土壤湿度遥感反演的数据源。

二、结果与分析

1. 数据重建

图1为2012和2013年商丘地区小麦种植区某像元CSMI指数数据重构前后比较图。从图中可以看出在重建前CSMI指数的时间序列曲线波动比较大，数据存在着误差；经过滤波后，CSMI指数的误差值得到了修正。在实际应用中对遥感数据进行滤波处理能够有效地去除数据噪声，提高数据质量。

图1 2012和2013年商丘地区小麦种植区某像元CSMI指数数据重构前后比较

2. 地表湿度反演模型

为了建立一个适用于商丘土壤湿度的反演模型，利用计算得到的CSMI指数分布图像，根据观测站点的经纬度提取对应像元的指数值，将提取的值用于分析CSMI指数与土壤湿度之间的关系。对2012年4个站的0～50 cm深的实测土壤湿度数据经过剔除缺测值和极端异常值后的共131个样本来分析CSMI值和实测0～50 cm深的土壤湿度数据之间的关系，如图2所示。通过对数据进行相关性分析，可以得出拟合的判定系数为0.62，F值为209.77，显著性水平为0.002，通过了0.01的显著性检验，表明了数据间有显著的线性相关关系，这表明经过计算出来的CSMI指数与0～50 cm深的土壤湿度有较好的线性相关关系,也说明通过指数反演土壤湿度的结果较理想。

图2 2012年商丘地区农田浅层土壤湿度指数和0～50 cm深土壤湿度散点

从图2中可以看出研究区域内大部分点都符合相关性，但还存在部分离散点，而且在反演较高土壤湿度时，CSMI指数方法反演效果不好。通过试验结果发现可能是CSMI指数在反演植被覆盖度较小的土壤湿度时结果不精确，存在着一定程度上的偏差。

为了验证该反演土壤湿度的模型的精确度和准确度，选用2013年的土壤湿度实测数据对模型进行验证。从结果中可以看出，反演的土壤相对湿度与实测的相对湿度有着显著的相关关系，可以看出反演模型在反演实际土壤相对湿度时结果较好，可以通过构建的土壤湿度监测模型来评判该地区干旱情况。从图3可以看出，实测的土壤湿度值和模拟的土壤湿度值具有小于0.001的极显著的相关关系，且RMSE为5.48%，决定系数为0.66，说明构建的土壤相对湿度反演模型是具有较高的精度。

图3 实测和模拟的土壤相对湿度散点

表1为0～50 cm深土壤相对湿度反演值和实测值对比表。选取商丘地区内4个样点2013年4个不同时段的MODIS数据产品对0～50 cm深的土壤相对湿度情况进行反演，并与对应实测的0～50 cm深的土壤相对湿度进行验证。反演的土壤湿度与实测的土壤湿度之间的平均误差为0.08，平均相对误差较小。可以说明，基于卫星数据反演土壤湿度能够弥补无法实时监控土壤湿度的问题，反演研究区域内的土壤湿度，并且反演结果较为理想。

表1 2013年0～50 cm深土壤相对湿度反演结果精度对比表

三、总结与讨论

本文利用具有较高时空分辨率的MODIS卫星数据产品，首先对卫星数据进行滤波，减小数据误差，实现数据重构，然后利用重建后的数据，通过CSMI 指数构建适用于商丘地区的土壤相对湿度反演模型，最后对结果进行验证。本文研究的主要结论如下：

1) 利用经过质量重构的农田浅层土壤湿度指数(CSMI)间接反映农田0～50 cm深的土壤湿度，尤其在反演小麦这种植被覆盖率大的后期农田土壤湿度时，相关性高，但还是受到地形和地表覆盖物的影响。

2) 通过实测的土壤湿度模型检验，可以看出实测的土壤湿度与反演的土壤湿度之间具有较高的线性相关相关关系(P<0.001)，并且均方根误差较小，决定系数为0.66。反演结果与实测结果较为一致，平均相对误差为0.08。说明通过MODIS卫星数据建立适用于商丘地区的小范围的0～50 cm土壤湿度监测是可行的。

本文主要基于多期的遥感数据和地面观测数据，建立在时间上具有较为精确的适用于商丘地区的土壤湿度的反演模型。通过该模型，反演出实际的土壤湿度，结果表明这个模型具有较好的适用性。但是土壤湿度会受到地形和边界层大气的影响，今后的研究工作中可以考虑采用更高时空分辨率的土壤湿度数据对地区的土壤湿度进行监测。

[1] 柴波, 余锦华, 刘晶淼, 等. 东北地区夏季旬土壤湿度推算模型的初步探讨[J]. 气象科学, 2012, 32(4): 430-436.

[2] 高小六，张慧慧. 粗糙度对被动微波遥感反演土壤水分影响的实验研究[J]. 测绘通报, 2014(8):59-61.

[3] 邓天宏. 河南省农田土壤湿度变化规律及动态预报研究 [D]. 南京: 南京信息工程大学, 2005.

[4] 时新玲, 王国栋. 土壤含水量测定方法研究进展[J]. 中国农村水利水电, 2003(10): 84-86.

[5] 张兵, 袁寿其, 成立. 节水灌溉自动化技术的发展及趋势[J]. 排灌机械, 2003, 21(2): 37-41.

[6] TYLER S W. Neutron Moisture Meter Calibration in Large Diameter Boreholes[J]. Soil Science Society of America Journal, 1988, 52(3): 890-893.

[7] BISWAS B C, DASGUPTA S K. Estimation of Soil Moisture at Deeper Depth from Surface Layer Data[J]. Mausam, 1979, 30(4):511-516.

[8] JÖNSSON P, EKLUNDH L. Seasonality Extraction by Function Fitting to Time-series of Satellite Sensor Data[J].IEEE Geoscience and Remote Sensing,2002, 40(8): 1824-1832.

[9] 杜晓, 王世新, 周艺, 等.一种新的基于MODIS的地表含水量模型构造与验证[I]. 武汉大学学报(信息科学版), 2007,32(3):205-208.

[10] 张红卫, 陈怀亮, 申双和, 等. 基于 MODIS 数据的农田浅层土壤湿度指数的构造与应用 [C]∥第 26 届中国气象学会年会农业气象防灾减灾与粮食安全分会场论文集.杭州：[s.n.]，2009.

[11] SHEN R, YU P, YAN J, et al. Retrieving Soil Moisture by TVDI Based on Different Vegetation Index: A Case Study of Shanxi Province[C]∥2012 International Conference on Computer Science and Electronics Engineering (ICCSEE).[S.l.]： IEEE, 2012:418-422.

[12] 严婧. 基于参数重建的土壤湿度遥感监测及系统研制[D]. 南京: 南京信息工程大学, 2013.

[13] 李晓光. 基于 MODIS-NDVI 的内蒙古植被覆盖变化及其驱动因子分析[D].呼和浩特：内蒙古大学, 2014.

[14] 张学艺. 基于 EOS/MODIS 的几种植被指数[J]. 安徽农业科学, 2009 (26): 12842-12845.

Construction of Soil Moisture Model Based on MODIS Data——A Case Study of Shangqiu Area，Henan

WANG Xiaojie，MIN Jinzhong，XUE Fengchang，WANG Wei

2016-05-17；

江苏省自然科学基金(BK20151458)；江苏省博士后科研基金(1101024B)；中国气象局北京城市气象科研所城市气象科学研究基金(IUMKY&UMRF201103)

王小洁(1992—)，女，硕士生，主要从事土壤湿度反演研究。E-mail：jade_wang666@163.com

王小洁，闵锦忠，薛丰昌，等.MODIS数据支持下的土壤湿度模型构建——以河南商丘地区为例[J].测绘通报，2016(12)：48-50.

10.13474/j.cnki.11-2246.2016.0399.

P237

B

0494-0911(2016)12-0048-03

修回日期：2016-06-13