基于VSWI法的云南省土壤水分反演研究

曹 言，王 杰，李竹芬，刘永宇，张 雷，戚 娜

(1.云南省水利水电科学研究院，昆明 650228；2.河海大学，南京 210098)

干旱是指水分的收支或供求不平衡而形成的水分短缺现象，当供水不能满足需水时，就表现为干旱[1]。随着全球气候变暖，我国干旱灾害爆发越来越频繁，且呈现出干旱强度大、影响范围广、持续时间长的特点[2,3]。2010年春季，西南五省发生严重干旱，有些地区甚至出现了特旱，而云南遭遇了80年一遇干旱，其中云南中部、东部及西北部大部分地区出现了100年一遇干旱[4]。2014年全国12省区遭遇严重大旱，居民生活用水遇到困难，农田一季收成颗粒无收[5]。随着人口的不断增长，水资源供需矛盾越发突出，监测和预防干旱成为一个研究热点和难点，同时也是亟待解决的问题。

云南省气象灾害呈现种类多、频率高、分布广、区域性突出等特点，其中旱灾影响范围最广[6]。干旱研究的关键在于对土壤含水量的监测[7]，传统的土壤墒情监测方法只是基于站点监测，但其数量有限，且大范围的旱情监测和评估缺乏时效性和代表性[8]。近年来，MODIS和TM等高分辨率数据被广泛应用于土壤水分信息的提取[9]，其能够及时、准确的监测农田农作物生长状况反映的干旱信息及土壤水分状况，可以弥补传统监测成本高、空间分辨率低和观测滞后的缺点，对于提高水利抗旱减灾日常业务具有重要的意义[10]。目前基于遥感数据监测干旱和土壤水分的方法有：归一化植被指数NDVI[11]、植被条件指数VCI、表观热惯量ATI[12]、植被干旱指数TVDI[13]、作物缺水指数CWSI[14]、植被供水指数VSWI[15]等，其中VSWI能够综合的反映作物冠层表面温度和植被指数信息，能够有效的反映出土壤水分对作物长势状况的影响。

本研究根据MODIS遥感数据计算冠层表面温度和植被指数，构建云南省植被供水指数VSWI反演模型，结合地面土壤墒情站的实测数据，进行土壤表层不同深度的土壤含水量与VSWI的相关性分析，并对模型进行验证分析，从而反演2008-2012年云南省土壤相对含水量，分析不同时间尺度下云南土壤水分的动态变化特征，不仅为云南省土壤水分的动态监测提供科学依据，同时也为农业旱情的定量监测提供一定的参考。

1 研究区概况

云南地势呈现西北高东南低的趋势，地形地貌复杂多样，山河相间，山地面积最大约占全省总面积的84%，高原、丘陵约占10%。全省有16种土壤类型，以红壤和黄壤分布范围最为广泛。全省气候类型复杂多样，立体气候明显，多年平均气温为5～24 ℃，降水时空分布极不均匀，多年平均降水量为1 332 mm，其中汛期(5-10月)占年降水量的85%，枯水期(11月至次年4月)仅占年降水量的15%；空间上呈现南多北少，西多东少，山区大，平坝和河谷少的特点。

2 数据及研究方法

2.1 数据源

(1)MODIS数据。选取MODIS数据产品的MOD11A2数据(地表温度产品)和MOD13A3数据(植被指数产品)。其中，MOD11A2数据时间分辨率为8 d，空间分辨率为1 km，MOD13A3数据时间分辨率为30 d，空间分辨率为1 km。MOD11A2和MOD13A3数据序列为2008年1月1日至2012年12月31日。

(2)土壤水分观测数据。土壤含水量数据选用云南省水文水资源局提供的全省23个土壤墒情站观测数据(见图1)，数据序列为2008-2012年月观测数据，并对观测数据进行统计分析和质量控制。

图1 云南省土壤墒情站点分布Fig.1 The spatial distribution of the soilmoisture monitoring stations in Yunnan province

2.2 研究方法

(1)数据预处理。为便于MOD11A2、MOD13A3和土壤墒情观测值在时间序列上一一对应和计算分析，利用ENVI软件中的波段运算功能，把8 d的地表温度产品MOD11A2数据合成1个月的地表温度数据，空间分辨率为1 km。

(2)归一化植被指数NDVI和增强植被指数EVI。植被指数既可以反映植被生长的状况，也可以作为判断土壤水分的情况因子[16]。利用反射率计算归一化植被指数NDVI和增强型植被指数EVI[17]。

NDVI=(ρ2-ρ1)/(ρ2+ρ1)

(1)

EVI=G(ρ2-ρ1)/(ρ2+C1ρ1-C2ρ3+L)

(2)

式中：ρ1、ρ2、ρ3分别是MODIS 遥感影像第1 、2、3波段反射率；G为系数，G=2.5，G1=6，G2=7.5，L=1。

(3)植被供水指数法VSWI。植被供水指数是以遥感数据处理计算得到的冠层表面温度和植被指数作为因子，其可以一定程度上反映作物生长季受旱状况[18]。国家卫星气象中心推荐的计算公式为：

VSWI=TS/NDVI

(3)

由于NDVI对植被高覆盖区的易饱和问题、对大气颗粒的反射等纠正不彻底、对低植被覆盖地区土壤背景影响未进行修正以及“最大值合成法”不能保证选择最佳像元等问题[18,19]，本研究选取NDVI和增强型植被指数EVI，探究其与土壤含水量的关系，进而为反演模型的确定提供依据。公式如下：

VSWIN=TS/NDVI

(4)

VSWIE=TS/EVI

(5)

式中：TS为植被的冠层温度，K；NDVI为归一化植被指数；EVI为增强型植被指数；VSWI为植被供水指数。

VSWI值越大表明土壤含水量越低而受旱越重，VSWI值越小表明土壤含水量越大，受旱越轻。

3 结果与分析

3.1 基于MODIS数据的云南土壤墒情反演模型构建与验证

3.1.1 VSWIN、VSWIE与土壤含水量的拟合精度比较

土壤相对含水量指标是目前研究比较成熟，且能较好反映作物旱情状况的可行指标[20]。土壤相对含水量一般以土壤重量含水量与田间持水量的比值表示。根据2008-2012年云南省23个土壤墒情站土壤表层10、20和40 cm的实测月土壤湿度数据(土壤重量含水量)和不同地区田间持水量，计算不同站点不同深度的土壤相对含水量，分别与同一时段所在栅格的VSWIN和VSWIE数据进行相关分析，具体见图2。

注：**和*分别表示通过了0.01和0.05水平的显著性检验。图2 土壤相对含水量与植被供水指数VSWI的对比验证Fig.2 The comparison validation of the relative soil moisture and VSWI

由统计图2可以看出，植被供水指数VSWI与土壤表层相对含水量之间表现出显著的相关性，随着土壤湿度增大，VSWI值呈减小趋势，且VSWI与40 cm土壤相对含水量最为显著相关，与20 cm土壤相对含水量显著性较差。而比较VSWIN和VSWIE与不同深度土壤相对含水量的关系可以发现，在4、5、10和11月VSWI与不同深度土壤相对含水量显著性最强，且呈极显著关系，一方面由于该月份降水相对适中，MODIS遥感数据质量较好，精度误差小，另一方面土壤相对含水量整体较高，不同深度处土壤相对含水量的变异系数小，其平均值波动最小，因此显著的相关性最强；在6-9月VSWI与不同深度土壤相对含水量基本上表现为无显著关系，其主要由于该时间段内降水最多，天气原因导致MODIS遥感数据质量偏差，计算误差偏大；1-3月和12月VSWI与不同深度土壤相对含水量大部分表现出显著性较强，该时间段内虽处于旱季(11月至次年4月)降水少，但土壤相对含水量整体偏低，变异系数较大，尤其是10 cm和20 cm处，其离散程度较大[21]。不同月份VSWIN与土壤相对含水量的显著相关性明显强于VSWIE，除7月和8月外，VSWIN与土壤相对含水量均存在显著的相关性，其中4、5、10和11月均通过了0.01水平的显著性检验，均表现为极显著相关性，其余月份均通过了0.05水平的显著性检验，部分通过了0.01水平的显著性检验，大部分表现为显著相关性。因此本研究采用VSWIN开展云南省土壤相对含水量的反演研究。

3.1.2 VSWIN与降水的响应关系

选取东风站、黄家坡站、老城梁子站、桥头站、三棵树站和盈江站，根据2008-2012年5 a各月土壤表层不同深度的土壤相对含水量，计算出各站点各月份的土壤平均相对含水量，分析6个站点不同月份VSWIN、土壤平均相对含水量与降水的响应关系(见图3)。

由图3可以看出，VSWIN与土壤平均相对含水量呈现出相反的变化趋势，即VSWIN值越大，土壤平均相对含水量越小。此外，VSWIN能够有效的捕捉到降水事件的影响，但其表现有一定的滞后性，大概滞后1个月左右。VSWIN最大值出现在春季(3-5月)，主要集中在4月份，一方面由于降水偏少，另一方面由于冬季土壤墒情偏低持续的影响，导致此时土壤相对含水量最低，VSWIN值最大；VSWIN最小值则出现在降水最多的夏季(7月或8月)，受降水的影响，土壤相对含水量最大，VSWIN值最小。综上表明VSWIN能够较为准确的反映土壤水分变化趋势。

图3 VSWIN和降水响应分析Fig.3 The trend analysis of the VSWIN and precipitation

3.2 基于MODIS数据的云南土壤墒情年变化

根据地表温度TS和植被指数NDVI数据，利用公式(4)计算2008-2012年云南省VSWIN值，建立VSWIN和土壤平均相对含水量之间的回归方程，反演出2008-2012年云南省逐月的土壤平均相对含水量，得到土壤年平均相对含水量(见表1)，进而分析土壤相对含水量在不同时间尺度下的时空变化特征。

表1 不同年份土壤平均相对含水量分布情况 %

从表1可以看出，从2008-2012年期间云南省土壤墒情整体表现出波动降低的趋势，其中土壤相对含水量为50%～60%的地区范围呈增加趋势，且增加幅度最大，土壤相对含水量为60%～90%的地区范围呈减少趋势，且减少幅度最大。2009和2012年土壤平均相对含水量集中分布在50%～60%之间，其面积分别占云南省总面积的51.61%和45.49%；2008、2010和2011年，土壤平均相对含水量则集中分布在60%～90%，其面积占比分别为71.66%、61.31%和56.61%。整体上看，2009和2012年土壤平均相对含水量相对较低，土壤平均相对含水量在50%以下的地区面积最大，其所占比例分别达到8.21%和7.27%；2008和2011年土壤平均相对含水量相对较高，土壤相对含水量在60%以上的地区面积最大，其所占比例分别达到80.56%和67.78%。

从土壤平均相对含水量空间分布情况(见图4)可以看出，滇中地区东北部和东部、滇东北区南部、滇东南区西部土壤年平均相对含水量较低，而滇西南区、滇西北区、滇东北北部和滇东南东部地区土壤年平均相对含水量较高，整体呈现出中部低，四周高的趋势。

图4 2008-2012年云南省土壤相对含水量空间分布情况Fig.4 The spatial distribution of the relative soil moisture of Yunnan province during 2008-2012 year

3.3 基于MODIS数据的云南土壤墒情季节分布

从2008-2012年四季的土壤平均相对含水量(见图5)可以看出：云南省土壤墒情从夏季到春季整体上表现降低的趋势，具体表现为夏秋两季高，冬春两季低的趋势，且夏季最高，春季最低。春季土壤平均相对含水量主要介于40%～50%之间，其中2009年面积比例最高为70.98%；夏季土壤平均相对含水量基本上介于60%～90%之间，其中2008年面积比例最大为77.46%；秋季除2012年土壤相对含水量主要介于50%～60%之间，其余年份均分布在60%～90%之间，其中2010年所占比例最大为82.83%；冬季土壤相对含水量大部分上介于50%～60%之间，而2009年和2010年土壤平均相对含水量集中分布在40%～50%之间，其中2008年土壤相对含水量在50%～60%之间面积比例最大为60.82%，2010年土壤相对含水量在40%～50%之间面积比例最大为48.79%。

4 结 语

本研究采用2008-2012年MODIS遥感数据和云南省23个土壤墒情站的土壤含水量数据，构建植被供水指数VSWI模型对云南省土壤水分进行了动态反演，结果表明：①通过开展植被供水指数法VSWI与土壤墒情站点实测值的相关性分析，发现VSWI与土壤表层不同深度土壤相对含水量呈负相关，VSWI与40 cm处土壤相对含水量相关性最为显著，与20 cm处土壤相对含水量显著性最差，且VSIMN比VSIME更适合用于云南土壤水分的监测。②VSWIN能够有效的捕捉到降水事件的影响，准确的反映土壤水分的变化趋势，其中VSWIN最大值出现在春季(3-5月)，VSWIN最小值出现在降水最多的夏季(7月或8月)。③通过植被供水指数VSWI模型反演出2008-2012年云南省逐月的土壤平均相对含水量，云南省土壤墒情在时间上表现出波动降低的趋势，其中2009和2012年土壤平均相对含水量相对较低，2008和2011年土壤平均相对含水量相对较高，在季节上表现出夏秋两季高，冬春两季低的趋势，且夏季最高，春季最低；云南省土壤墒情在空间上表现出中部低，四周高的趋势，其中滇西南区和滇西北区土壤平均相对含水量较高，滇中地区、滇东北区南部、滇东南区西部土壤平均相对含水量较低。

图5 2008-2012年四季的土壤平均相对含水量分布情况Fig.5 The distribution of the average relative soil moisture in different seasons during 2008-2012 year

本研究基于MODIS遥感数据，构建植被供水指数模型VSWI反演土壤含水量，并对其进行动态监测，虽然具有较好的监测精度，但由于云南省土壤墒情站建设存在滞后性，目前站点数量较少，且空间分布不均，60%以上的土壤墒情站集中分布在滇中地区，而现有土壤墒情数据序列短、缺测和异常值较多等状况也较为明显，从而导致反演模型精度下降，今后随着土壤墒情数据的不断丰富，同时采用分辨率更高的遥感影像对反演模型进行改进和验证，以便更好地监测土壤水分的动态变化，为农业旱情的定量监测提供一定的参考。

□

[1] 成福云.旱灾及抗旱减灾对策探讨[J].中国农村水利水电,2001,(10):9-10.

[2] 叶笃正,黄荣辉.长江黄河流域旱涝规律和成因研究[M].济南:山东科技出版社,1996.

[3] 国家防汛抗旱总指挥部,中华人民共和国水利部.中国水旱灾害公报2010[M].北京:气象出版社,2010:34-48.

[4] 陈云芬.全省干旱等级达80年以上一遇[N].云南日报,2010-03-17(1).

[5] 全国12省区遭遇严重干旱[Z].新闻1+1，2014-08-01.

[6] 解明恩,程建刚.云南气象灾害特征及成因分析[J].地理科学,2004,24(6):721-726.

[7] 杜灵通,侯 静,胡 悦,等.基于遥感温度植被干旱指数的宁夏2000-2010年旱情变化特征[J].农业工程学报,2015,31(14):209-216.

[8] 马建威,黄诗峰,胡健伟,等.基于MODIS数据的山东省土壤墒情遥感动态监测与分析[J].水文,2013,33(3):29-42.

[9] 汝博文,缴锡云,王耀飞,等.基于MODIS数据的土壤水分空间变异规律[J].中国农村水利水电，2016,(4):38-42.

[10] 李 喆,谭德宝,张 穗.遥感干旱监测在抗旱减灾应用中的若干思考[J].人民长江,2012,43(8):84-87.

[11] Rouse J W, Haas R H, Scheu J A, et al.Monitoring the vernal advancements and retrogradation (green wave effect) of nature vegetation[R].NASA/GSFC Final Report,NASA,1974:371-375.

[12] Shutko A M. Microwave radiometry of lands under natural and artificial moistening [J].IEEE Transactions on Geoscience and Remote Sensing, 1982,(20):18-26.

[13] 鲍艳松,严 婧,闵锦忠,等.基于温度植被干旱指数的江苏淮北地区农业干旱监测[J].农业工程学报,2014,30(7):163-172.

[14] 赵福年,张 虹,陈家宇,等.作物水分胁迫指数监测红壤农田短期干旱的分析[J].土壤通报,2013,(2):314-320.

[15] 王建傅,王蕾彬.基于植被供水指数的山东省2013年春季旱情监测[J].山东农业科学,2015,47(7):111-116.

[16] 肖国杰,李国春,赵丽华,等.植被供水指数法在辽西干旱监测中的应用[J].农业网络信息,2006,(4):106-107.

[17] 吴金亮,王玉成,杨国范.基于条件温度植被指数的土壤水分反演研究[J].节水灌溉,2014,(7):16-18.

[18] 杨丽萍,杨晓华,张存厚.植被供水指数发在内蒙古干旱监测中的应用[J].内蒙古农业科技,2008,(1):58-59.

[19] 王正兴,刘 闯.植被指数研究进展:从AVHRR-NDVI 到MODIS-EVI[J].生态学报,2003,23(5):979-987.

[20] 王密侠,马成军.农业干旱指标研究与进展[J].干旱地区农业研究,1998,16(3):119-124.

[21] 王 杰,曹 言,张 鹏,等.云南省土壤墒情时空变化特征分析[J].节水灌溉,2016,(5):97-101.