土壤水分遥感产品降尺度方法研究

任中杰 黄秋锋

土壤水分遥感产品降尺度方法研究

任中杰 黄秋锋

(江西理工大学建筑与测绘工程学院，江西赣州341000)

微波遥感获得的土壤湿度数据分辨率一般不高，不能满足流域尺度上中高分辨率的土壤湿度数据的需求。基于此，采用8天合成的LST数据MOD11A2以及16天合成产品MOD13A2 NDVI数据与10km的土壤湿度数据进行回归分析，对其进行降尺度处理获得1km土壤湿度数据，同时对其进行验证，分别求得10km分辨率和1km分辨率的TVDI，判断土壤湿度数据与TVDI之间的相关性。结果显示，1km分辨率湿度数据与TVDI之间相关系数为0.91，而10km分辨率湿度数据与TVDI之间相关系数为0.36，降尺度后的数据能够更好地反映研究区土壤湿度空间分布。

地表温度；归一化植被指数；MODIS；土壤湿度；温度植被干旱指数

1 研究意义

土壤湿度是土壤水的容积占土壤容积的百分数，它表明土壤水填充土壤孔隙的程度[1]。土壤水分的变化会影响地表温度、植被指数等物理量，对研究植被水分胁迫进行地区旱情监测与农产品产量估算具有重要的作用[2]。传统意义上，土壤湿度监测采用建立观测站点进行实测，需要人员进行实地测量，无法在需求时间内获取大范围地表土壤水分的宏观空间分布信息，难以捕捉土壤水分的时空异质性[3]，应用上具有很大局限性。

近年来，遥感监测土壤湿度主要分为光学遥感反演、被动微波反演、主动微波反演以及多传感器联合反演等。其中微波遥感具有良好的穿透云雾的能力，能全天候在任何气象条件下工作，提供丰富的土壤信息。在微波遥感中主动微波遥感空间分辨率高，但被动微波遥感时间分辨率较高，对土壤湿度具有优异的灵敏度，算法更加成熟，适合实现大区域范围内的实时动态监测。实际应用中被动微波遥感由于空间分辨率低导致其不能完成现实中的各种需求，因此有必要采用降尺度方法获取区域内高分辨率土壤湿度数据。

尺度一般可以分为两种：一种为空间意义上的尺度，一种为时间意义上的尺度[4]。本文所指的降尺度是空间意义的降尺度。在数据选择上，一般有主动微波遥感或者光学数据分别与被动微波遥感数据相结合的两种方式。因为主动微波遥感成本较高，所以通常选取第二种方法[5]。

2 研究背景

地球表面空间具有异质多样性，同时较为复杂，遥感观测中其具有多尺度、多时空分辨率的特点，所以通过定量遥感获取的遥感产品，会产生多尺度现象。通过对一个尺度的数据进行处理分析归纳总结所得到的理论，同样适用于其他尺度。本文采用被动微波遥感与光学数据相结合的方法，利用10km分辨率土壤湿度数据，1km分辨率NDVI、LST重采样后的10km分辨率的数据进行多元回归分析，获取回归公式，进而获取2013年7月12日1km土壤湿度数据。并对降尺度得到的1km分辨率湿度数据与1km分辨率温度植被干旱指数进行相关分析，同时将原始数据10km分辨率的湿度数据与相对应的10km分辨率TVDI进行相关性分析。

3 研究区与研究数据

3.1 研究区概况

江苏省位于中国大陆东部沿海中心，全境边界3 000km，面积10.72万 km2，其平原面积超过7万 km2。江苏全境70%都属于平原，耕地面积2013年接近7 000万亩，沿海滩涂超过1 000万亩，在全国各省中位居前列。因此，高分辨率土壤湿度产品对于江苏省灾害监测预防以及农业发展具有重要的经济意义和科学意义。

3.2 研究数据

3.2.1 AMSR2土壤湿度数据

2012年5月18日发射的GCOM-W1卫星所搭载的被动微波辐射计AMSR2，是AMSR-E辐射计的新一代产品。10km空间分辨率的AMSR2全球升轨3级土壤湿度产品，利用降尺度后的C波段(6.9 GHz)亮温，通过地表参数反演模型LPRM获得[6-7]。LPRM方法基于前向辐射传输模型，将微波亮温与地表环境参数建立联系，通过能量辐射传输模型和非线性循环方法，以最小化微波极化差指数与卫星观测微波极化差指数间的差值为目标函数，可同时对土壤湿度与植被含水量进行反演[8]。

3.2.2 MODIS相关数据与产品

本文使用的MODIS数据来自于两种MODIS产品：第一种LST数据为8天合成产品MOD11A2，数据分辨率为1km，日期为2013年7月12日至7月20日;第二种NDVI数据为16天合成产品MOD13A2，日期为2013年7月12至7月28日，分辨率为1km。其中NDVI适用于植物生长中期或中等覆盖度的观测[9]，江苏省区域的植被覆盖度以及MODIS数据采集日期符合这一条件，保证了数据使用的质量与效果。

4 研究方法

4.1 土壤湿度降尺度方法

Maria Piles进行的相关实验显示土壤湿度与 NDVI、LST、亮温之间具有一种特殊的关系。而土壤湿度的大、小随NDVI、LST的变化有较明显的变化。所以三种参数之间存在着特殊的关系：SM＝f(LST，NDVI)。随着土壤湿度降低，地表温度反而上升。而土壤水分与NDVI之间呈明显的正相关关系。因此，要获取1km的高分辨率土壤湿度数据，需要对10km分辨率的三个地表参数进行多元回归分析，得到系数代入公式 SM＝a×NDVI＋b×LST＋c，将 1km 分辨率的两个参数代入公式即可求得1km分辨率的土壤湿度数据。

4.2 温度植被干旱指数(TVDI)计算

温度植被干旱指数是一种通过LST与植被指数特征空间提取的水分胁迫指标。LST与NDVI的二维空间，TVDI的公式为：

TVDI取值在0-1之间。建立地表温度与植被指数的特征空间获取相应大小植被指数区域内的Tsmin、Tsmax。通过线性拟合，求出干湿边系数，进而求出TVDI值[11]。通过TVDI值，可以评估其与土壤湿度之间的相关性。

5 结果与分析

10km分辨率土壤湿度如图1所示，而地表温度数据、植被指数原始数据空间分辨率为1km，将其在10∗10网格内取平均值得到10km分辨率。

图1 湿度分布图(10km)

5.1 土壤湿度降尺度结果分析

对土壤湿度与两个参数进行回归分析，其方程为SM＝a×NDVI＋b×LST＋c。 在 10km 分辨率下，对方程进行回归分析，方程相关系数为0.384。通过了显著性水平为0.01的检验，方程公式为：

将1km分辨率LST，NDVI代入公式(2)进行计算，得到1km分辨率土壤湿度，如图2。

图2 湿度分布图(1km)

实验结果显示，不同区域农作物类型所体现的土壤湿度在湿度分布图上能较好地反映出来。为了评价降尺度后1km分辨率土壤湿度的波动性以及像元变化趋势，可以将1km土壤湿度重采样为10km分辨率土壤湿度。低空间分辨率上的各个像元的DN值表示为该像元在高空间分辨上对应的像元DN值的平均值。按10∗10的网格取出有效值的平均值作为一个像元。将升尺度得到的10km分辨率湿度数据与原始10km分辨率数据进行相关分析，所得10km分辨率湿度数据与原始数据之间相关系数为0.384。从定性的角度观察，土壤湿度高低趋势能够很好地对应相应区域。而降尺度后的土壤湿度变得较为集中均匀。将原始10km分辨率土壤湿度重采样至1km分辨率，重采样得到1km分辨率湿度数据较之回归分析湿度高低趋势较为明显，但回归分析得到的1km分辨率土壤湿度显示质量更好，能更加精细地体现地区湿度的差异性，色调更加丰富。

5.2 基于TVDI的降尺度精度验证

求取TVDI中需要LST与NDVI数据，但MODIS数据能提供的是1km分辨率的数据，10km分辨率的NDVI、LST需要进行重采样对其升尺度操作得到。

分别根据1km分辨率LST、NDVI数据与10km分辨率LST、NDVI数据可以求得相应的TVDI。如图3、图4所示。通过TVDI插件，求得TVDI图像，获得拟合曲线以及干湿边图像。

图3 TVDI分布图(1km)

图4 TVDI分布图(10km)

TVDI与土壤湿度有一定的负相关关系，可以通过求得其相关系数，以及分析像元值增减趋势来验证这一关系。虽然TVDI与土壤湿度之间不一定就是线性关系，但TVDI在某种程度上反映了土壤湿度变化的趋势。从图上可以看出10km分辨率TVDI与1km分辨率TVDI具有明显相同的分布趋势。实验结果为1km分辨率湿度数据与TVDI之间相关性高达0.91，10km分辨率土壤湿度数据与TVDI之间相关性为0.36，结果表明，回归分析所得湿度数据与TVDI具有明显相关性。而10km分辨率数据相关性明显低于1km分辨率，说明像元内均值会造成较明显的误差。总体而言，图像质量与精度仍很大程度上受原始数据本身的影响。

6 结语与展望

实验结果证明了土壤湿度、地表温度、植被指数之间的相关关系，同时通过精度验证证明了结果的可信度。图像反映了土壤湿度在江苏省区域内分布的差异性。通过高分辨率土壤湿度数据可以对干旱监测提供有力支持，能够准确判读土壤湿度分布区域以及预警程度，为粮食安全提供了保障。同时，MODIS数据的普及性、经济性以及高时间分辨率保证了研究数据来源的稳定性。

本文依然存在一定的不足，地表温度以及植被指数数据没有保证时间分辨率的匹配，如果能够同时保证空间分辨率与时间分辨率的一致，可以进一步提高数据准确程度与可信度。其中LST 8天合成产品需要两组数据进行合成才能保证与16天的时间分辨率的一致性，方法一般选择最大值合成法。采用多日合成数据可以避免天气原因导致数据缺失的情况。从降尺度结果看，区域土壤湿度与流域气候土地利用类型等条件相吻合，同时方法简单，利用参数较少，数据完全免费，获取难度很低，能够较好地提供高分辨率土壤湿度数据，具有很好的应用前景。

[1]尤加俊.基于CCI和MODIS数据的淮河流域地表土壤湿度降尺度方法研究[J].测绘与空间地理信息，2015，38(2):30-34.

[2]王安琪.大尺度被动微波辐射计土壤水分降尺度方法研究[D].北京:首都师范大学，2013.

[3]曹永攀.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.

[4]韩鹏.遥感尺度选择问题研究进展[J].遥感信息，2008，2008(1):96-99.

[5]娄利娇.被动微波遥感土壤湿度数据降尺度研究[D].长春:中国科学院东北地理与农业生态研究所，2014.

[6]张滢，丁建丽，周鹏.干旱区土壤水分微波遥感反演算法综述[J].干旱区地理，2011，34(4):671-678.

[7]De Jeu R，Holmes T，Parinussa RM，et al.A spatial coherent global soil moisture product with improved temporal resolution[J]Journal of Hydrology，2014(516):284-296.

[8]Owe M，De Jeu R，Holmes T.Multisensor historical climatology of satellite-derived global land surface moisture[J].Journal of Geophysical Research， 2008， 113， F01002.

[9]李梦云.基于VSDI指数的土壤湿度遥感降尺度研究——以吉林省西部为例[D].长春:东北师范大学，2014.

[10]赵杰鹏.基于TVDI的大范围干旱区土壤水分遥感反演模型研究[J].遥感技术与应用，2011，26(6):742-750.

[11]王安琪.MODIS温度变化率与AMSR-E土壤水分的关系的提出与降尺度算法的推广[J].光谱学与光谱分析，2013，33(3):623-627.

责任编辑：富春凯

Study on the Downscaling Method of Remote Sensing Products of Soil Moisture

REN Zhong-jie，HUANG Qiu-feng
(Jiangxi University of Science and Technology， Ganzhou 341000， China)

The resolution of soil moisture data obtained by microwave remote sensing generally is not high， and cannot meet the requirement of the high resolution soil moisture data in the watershed scale.Based on this，carry out regression analysis by adopting surface temperature data MOD11A2 for 8 days and synthetic products MOD13A2 NDVIdata for 16 days，along with soil moisture data of 10 kilometers.By downscaling treatment， it obtains soil moisture data of 1 kilometer， at the same time，it verifies the obtained soil moisture，and separately gains the resolution of 10km and resolution TVDIof 1km，and judges the correlation between moisture data and TVDI.The result shows that the direct correlation coefficient between resolution moisture data of 1km and TVDI is 0.91，while the correlation coefficient between resolution moisture data of 10km and TVDI is 0.36;the data after downscaling to can better reflect the spatial distribution of soil moisture of studying area.

NDVI;MODIS;Soil moisture;TVDI

TP751

A

1674-6341(2017)05-0029-03

10.3969/j.issn.1674-6341.2017.05.010

2017-06-02

任中杰(1994-)，男，安徽宿州人，在读研究生。研究方向:测绘工程。