基于综合干旱指数的毛乌素沙地腹部土壤水分反演及分布
2019-08-23王思楠李瑞平李夏子
王思楠，李瑞平，李夏子
基于综合干旱指数的毛乌素沙地腹部土壤水分反演及分布
王思楠1，李瑞平1※，李夏子2
（1. 内蒙古农业大学水利与土木建筑工程学院，呼和浩特 010018；2. 内蒙古气象科学研究所，呼和浩特 010051）
为了克服单一干旱监测指数在复杂覆盖类型的适用性问题，以复杂覆盖类型的毛乌素沙地腹部乌审旗为例，在传统归一化干旱指数（normalized difference drought index，NDDI）、土壤湿度监测指数（soil moisture monitoring index ，SMMI）、温度植被干旱指数（temperature vegetation drought index，TVDI）3个单一干旱监测指数的基础上，通过层次分析法确定各指数的权重，结合野外不同覆盖类型实测的土壤含水率数据，分别进行回归分析，建立多指数综合干旱监测模型，基于此模型分析研究区表层土壤水分的空间分布。结果表明：3个单一干旱指数在一定程度上均能客观反映旱情特征，与表层土壤含水率呈现不同程度的负相关，温度植被干旱指数相关性最好为0.604。引入结合多指数的综合干旱监测指数模型，在8月、9月草地和沙地与表层土壤含水率指数模型的决定系数2均在0.7以上，高于基于单一指数模型的拟合精度。基于该模型，研究区研究区表层土壤含水率整体较低，体积含水率不高于0.15 cm3/cm3的面积分别占96.47％（8月）和94.8％（9月）。总体上从东到西，由北到南土壤含水率逐渐降低，与实测表层土壤样本的描述性统计结果有较好的空间一致性。
土壤；水分；遥感；干旱；干旱指数；荒漠草原
0 引 言
土壤水分是土壤—植被—大气连接的关键因子，是农牧业发展的一个重要组成部分，其分布在很大程度上决定着作物的生长和生产力，提高土壤水分估算的准确性具有重要意义[1]。在利用间接手段的空间探测技术中的遥感数据反演土壤水分之前，传统土壤水分一般都是采用直接手段在气象站点进行监测以及使用气象数据和基础地理数据进行模拟[2]。其中，基于遥感数据的土壤水分反演通过面的形式对地表进行观测，不受地面站点位置的限制，可以快速、高效连续地获取监测区的空间信息，扩展了土壤水分的监测范围，更能体现出地表水分平衡系统失衡的真实情况[3]。
20世纪60年代初，一些学者开始从土壤和植被2个方面入手利用遥感数据反演土壤水分，出现了许多监测方法如基于单波段、组合波段的反射率法和植被指数法、基于特征空间的温度条件植被指数和温度植被指数法与基于L波段、C波段、X波段的主动微波和被动微波等方法[4-5]。其中温度植被指数法是最常用的方法，但针对较高覆盖的自然植被与农作物，使用（normalized difference vegetation index，NDVI）构成的特征空间会由于其特性在高植被或者低植被产生饱和背景影响，这种饱和的变化影响了归一化植被指数在极端情况下的空间一致性[6]。Qi等[7]在此基础上采用土壤调节植被指数（modified soil adjusted vegetation index，MSAVI）对植被密度参数进行调节，取得了较好的效果。除此之外，还发展了一些考虑多因素的的综合干旱监测指数，如Brown等[8]于2008年提出的植被干旱响应指数（vegetation drought response index，vegDRI）；Wu等[9]依照植被干旱响应指数（vegetation drought response index，VegDRI）的理论，进一步计算出了表层综合干旱指数（integrated surface drought index，ISDI）；Du等[10]在考虑植被、土壤和降水亏缺等致旱因素的基础上，利用主成分变换构建的综合干旱监测指数（synthesized drought index，SDI），随后在2013年又综合了土地利用类型、土壤有效持水量等因素，利用分类回归树方法，对SDI进行了改进；包欣[11]利用气象、遥感与土壤墒情3种数据源信息，并计算3种数据源的干旱指标，对各个干旱指标进行相关分析，进一步构建多指标干旱监测模型，对河南春季旱情监测结果具有较好的精度。这些指数的发展，表现为由单因素向多因素、由单指标向多指标综合发展，为土壤水分的综合监测提供了新的思路[12]。
乌审旗地处毛乌素沙地腹部，地表植被覆盖类型差异较大，土壤水分又是该地区生态系统稳定性的重要指标，虽然单一的归一化干旱指数（normalized difference drought index，NDDI）、土壤湿度监测指数（soil moisture monitoring index ，SMMI）、温度植被干旱指数（temperature vegetation drought index，TVDI）都能够间接地对土壤水分状况进行不同程度的反演，倘若仅仅采用单一的监测指数是不能准确地反映研究区的实际土壤水分，绝大部分原因在于各种干旱指数具有不同的优缺点与适用范围。已有研究表明SMMI指数只适用于低植被覆盖区域，而NDDI指数在覆盖度较高的区域比较有效，TVDI模型适应于不同的植被覆盖区域。除此笔者在相关研究中考虑了单一TVDI指数的基础上，与荒漠化差值指数（desertification difference index，DDI）结合反演土壤含水率，虽然弥补了TVDI反演土壤含水率精度问题，但反演精度仍然不理想[13]。基于此，本文拟构建一种基于NDDI、SMMI、TVDI多指数的综合干旱指数（comprehensive drought index，CDI），并通过层次分析法确定各指数的权重，以求克服基于经验法赋权的主观性问题。该指数综合考虑了各干旱指数的适用范围的特点，有效地提高了土壤水分反演结果的可靠性，以期为决策者监测、预防干旱提供有力支持。
1 研究区概况与数据
1.1 研究区概况
乌审旗属于内蒙古自治区鄂尔多斯市管辖（108°17′～109°40′E、37°38′～39°23′N），位于毛乌素沙地腹部，平均海拔1 305 m。四季分明，干燥多风，年平均风速3.4 m/s。年平均降雨量350～400 mm，多集中在6—9月，属于少雨地区。年平均气温6.8 ℃，无霜期113～156 d。主要土壤类型有栗钙土、草甸土、盐碱土或沼泽潜育土以及各类风沙土。主要土地利用有草地、沙地、林地、耕地、水体和建设用地，所占比例分别为55.66％、29.3％、10.9％、2.75％、0.7％和0.69％，所占面积分别为6 481.66、3 402.83、1 276.48、321.15、82.52和80.36 km2。
图1 研究区地理位置与采样区分布图
1.2 研究区数据
通过USGS网站下载2016年8月26日、9月28日过境研究区无云或天气状况较好的空间分辨率为30 m的Landsat 8 OLI遥感影像数据。利用ENVI 5.1对Landsat 8 OLI遥感影像数据进行融合、裁剪、辐射定标、FLAASH大气校正等精度较高的研究区预处理基础数据。
为了使野外采样点可以充分代表乌审旗区域内不同植被覆盖类型的土壤情况，以提高土壤含水率遥感监测模型的精度，根据不同土地利用类型状况，在研究区布设24个采样区（沙地12个、草地12个）。每个样区有5个采样点，各样点之间的间距大致为1 km，取样深度为表层0～10 cm。土壤样本于相对应遥感影像成像时间的前后3 d内完成采集，并用烘干法测定土壤水分。
2 研究方法
2.1 归一化干旱指数
归一化干旱指数利用可以对土壤湿度信息具有明显优势的归一化水体指数（normalized difference water index，NDWI）和可以对植被生长期反映干旱信息的植被长势情况，具有明显优势的归一化植被指数的各自优势信息特征进一步快速综合反映当前地表的干旱的变化过程[14]。在计算过程中，对于有云覆盖的像元，将其对应的值赋为空值，从而保证后续敏感性分析的精度。归一化干旱指数被定义为
NDDI=（NDVI-NDWI）/（NDVI+NDWI） （1）
式中NDVI为归一化植被指数；NDWI为归一化水体指数。
2.2 土壤湿度监测指数
刘英等[15]利用TM/ETM+影像的SWIR-NIR波段的地表反射率数据，建立不同波段构成的光谱特征空间，进一步提出了土壤湿度监测指数SMMI。且基于SWIR（band7）-NIR（band4）特征空间的SMMI（7，4）在监测地表土壤水分是最优的。由于TM/ETM+遥感数据与OLI遥感数据的对应波段信息不同使其4、7波段分别对应第5、7波段[16]，因此，本文利用OLI遥感数据构建了土壤湿度监测指数SMMI（7，5）。SMMI计算公式为
式中ρNIR、ρSWIR分别为Landsat8OLI影像第5、7波段地表反射率，｜OE｜距离的变化反映了土壤湿度的变化（图2），｜OD｜的值为。
2.3 温度植被干旱指数
Sandholt等[17]在归一化植被指数和地表温度的特征空间有一系列可以代表的土壤水分等值线，构成特征空间的温度植被干旱指数的斜率与土壤水分呈负相关。用于间接表示土壤含水状况。TVDI由遥感数据计算的植被指数和地表温度计算得到，其定义为
TVDI=（LST-LSTmin）/（LSTmax-LSTmin） （3）
式中LST为任意像元地表温度；LSTmax为干边上的地表温度，即为研究内具有某个MSAVI值像元的最高地表温度；LSTmin为湿边上的地表温度，即为研究区内具有某个MSAVI值像元的最低地表温度。“干湿边”定义为
LSTmax=·MSAVI +
LSTmin=·MSAVI +（4）
式中是干、湿边通过线性拟合的模型参数。
2.3.1 植被指数
土壤调节植被指数通过植被密度变化的参数的变化，来反映土壤背景与植被覆盖的关系，修正了归一化植被指数在极端情况下的高植被覆盖区或者低植被覆盖区出现偏大或者偏小的估测误差。
式中4和5分别为Landsat 8 OLI影像的第4和5波段的反射率。
2.3.2 地表温度
本研究使用单窗算法（mono -window algorithm）是由覃志豪等[18]根据TM6波段地表热辐射在大气传输的特性建立的。计算公式为
其中：
式中T为地表温度，K；和为常数，取值分别为-67.355和0.459；T为星上的亮度温度，K；和为中间变量；T为大气平均作用温度，K；为大气透射率；为地表比辐射率。
2.4 综合干旱指数监测模型
为能精确地进行土壤水分反演，本文通过处理好的单一干旱监测指数，突破数据自身的缺陷[19]，构建可在区域尺度上应用的综合干早指数监测模型，以较好地弥补单个监测指数过于片面或者存在的不足问题。
2.4.1 模型构建
为了使归一化干旱指数NDDI、土壤湿度监测指数SMMI、温度植被干旱指数TVDI具有可结合性，首先对干旱指数归一化处理为0～1的无量纲。与此同时使用同一土壤含水率与这3个干旱监测指数，以及这3个干旱监测指数间进行相关性分析，结果如表1所示。
表1 实测0~10 cm土壤体积含水率与干旱指数间的相关性
注：**为0.01水平的显著相关，样本数为98。
Note：** is significant level in 0.01 and sample number is 98.
从表1可以看出，无论是土壤含水率数据与NDDI、SMMI、TVDI指数之间的相关性，还是这3个单一干旱指数彼此之间的相关性，其分析结果均成正相关并且都通过了0.01的双侧性显著检验。结果表明遥感干旱监测植被指数中的TVDI与NDDI相关性为0.502。在遥感干旱监测植被指数与遥感干旱光谱监测指数中，首先TVDI与SMMI之间的相关性最高，为0.467，其次是NDDI与SMMI之间的相关性，为0.424。由此，从干旱监测的机理与反映干旱信息的方面出发，同一类型的干旱监测指数之间的相关性会高于不同类型指数之间的相关性，且相互之间具有互补性[20]。此外，3个干旱监测指数与表层0～10 cm的土壤含水率之间也有良好的相关性。其中，遥感干旱监测植被指数与土壤含水率的相关性分析中，TVDI与土壤含水率的相关性最高为0.604，其次为归一化干旱指数NDDI，相关性为0.456。遥感干旱监测光谱指数与土壤含水率的分析中，尺度化土壤湿度监测指数SMMI与土壤含水率的相关性达到了0.531。因此，TVDI指数相对于其他2种NDDI、SMMI监测指数对于研究区土壤水分反演的效果较好。
综上，为了提高干旱监测指数在毛乌素沙地地区复杂地形中的适应性，建立综合NDDI、SMMI、TVDI的遥感旱情监测模型，称为综合干旱指数监测模型，构建模型如下：
国内外蓄热氧化换向流动反应器的研究，主要包括数学模型及验证、试验研究、反应机理简化、反应动力学、蓄热床层阻力、甲烷转化率、反应器运行稳定性、蓄热材料热疲劳及反应器设计方法等方面，不一而足。而通过不同研究的时间区间，亦不难得出该项技术的研究历程，如图2所示。
CDI=1·NDDI+2·SMMI+3·TVDI （8）
式中CDI为综合旱情监测指数，其值越大表明研究区旱情越严重，取值范围为0～1；NDDI、SMMI和TVDI数值越大越容易发生干旱；1、2和3分别为各个干旱指数的权重系数，且1+2+3=1，其中1，2，3分别通过层次分析法方法[21]赋给3个基本参量不同权重系数。
2.4.2 权重确定
层次分析法确定权重的步骤如下。
1）构造判断矩阵
判断矩阵是层次分析法把定性问题转化为定量分析的基础，采用Saaty提出的5标度方法[22]，通过同一层次间两两指标相互比较，从而确定相应的判断矩阵如下式（9）。
式中a为判断矩阵的元素，表示第个指标相对于第个指标重要性的程度，且满足条件=；当=时，a=1；a=1/a，a>0。
2）层次单排序及一致性检验
层次单排序是是层次分析法最关键的步骤，它是层次分析法的出发点用于确定本层次与本层次的关系与本层次与上层次单一指标根据重要性对权重大小进行排列，评价的各个单一指标的权重需经过计算判断矩阵得到。利用方根法计算判断矩阵的特征值max与特征向量并对其进行归一化且进一步确定评价指标的权重。计算步骤如下。
c）求取最大特征值max。
d）一致性检验。说明检验指标CI与判断矩阵偏离两者之间对于一致性的偏离大小，其中CI的计算公式为：
式中为判断矩阵的阶数，CI 值越小，判断矩阵的一致性越好。
然后计算出一致性比率CR
CR=CI/RI （14）
式中RI为随机一致性指标，当CR<0.1时，说明判断矩阵具有满意的一致性。否则就调整，直到满意为止，若满足一致性检验，则1、2、3就是得到的权重。
e）计算结果。通过层次分析进行计算CR=0.004<0.1，满足一致性检验得到的1、2、3分别为0.18、0.30、0.52。
f）构建综合干旱指数监测模型。将3个权重系数代入式（8）得到如下模型：
CDI=0.18NDDI+0.30SMMI+0.52TVDI （15）
3 结果与分析
3.1 表层土壤水分的描述性统计
对2016年8月和9月草地和沙地的所有样点的表层土壤分别进行描述性统计分析，如表2所示。从表2可知，8月草地和沙地表层土壤水分的平均值分别为0.093和0.039 cm3/cm3，最大值与最小值之间相差很大，最大值分别达到0.143和0.050 cm3/cm3，9月草地和沙地表层土壤水分的平均值分别为0.089和0.031 cm3/cm3，最大值与最小值之间相差很大，最大值分别达到0.142和0.052 cm3/cm3，说明不同覆盖类型的表层土壤水分含量的差异性较大，引起这种差异可能在于草地、沙地的持水能力不同[23]。整体上8月、9月表层土壤水分的平均值与标准差分别为0.065 cm3/cm3、0.035与0.060 cm3/cm3、0.037。参考变异系数（coefficient of variation，CV）的等级划分标准（CV<0.1为弱变异，0.1
表2 表层0～10 cm土壤水分统计分析结果
3.2 基于综合干旱指数与土壤含水率相关性
常见统计建模的有线性模型、指数模型、对数模型和幂函数这4种数学模型。为了建立草地、沙地、整体各样点综合干旱指数值与烘干法实测得到的表层0～10 cm深度的土壤含水率之间的函数关系，分别用这4种数学模型进行拟合，然后通过比较其决定系数来选择精度较高的最优模型。由图3和图4可知选取指数模型函数进行拟合时，决定系数最高。从图3可知，2016年8月与9月综合干旱监测指数与沙地、草地、整体的野外实测土壤含水率间关系均显著（<0.01）。从图3a和图3b可知，草地和沙地的含水率与CDI的指数模型的拟合效果较好，决定系数分别为0.751和0.749。从图3d和图3e可知，草地和沙地含水率与CDI的指数模型的拟合效果较好，决定系数分别为0.730和0.653。从图3c、图3f可知，研究区整体含水率与CDI的4种模型的决定系数达到了0.7以上，其中最优的指数模型分别达到了0.744、0.727，明显优于最优单一指数TVDI（其与土壤含水率的相关系数为0.604），且随着土壤含水率增大，CDI值呈现明显的减小趋势，按关系密切程度排序为草地>沙地>整体。说明综合干旱监测指数能较好地反映出整体表层土壤水分实际水平，表征干旱情况，基于多指数的拟合效果比单一指数TVDI的拟合效果要好。
注：草地、沙地、整体的样本数分别为49、49、98。
注：草地、沙地、整体的样本数分别为11、11、22。MRE为平均相对误差；RMSE为均方根误差。
Note: Sample size of grassland and sand and whole are 11，11 and 22, respectively. MRE is the average relative error; RMSE is root mean square error.
图4 2016年表层0~10 cm土壤含水率实测值与反演值对比
Fig.4 Comparison between measured and inversion values of soil moisture content of 0-10 cm in surface layer in 2016
3.3 模型验证
为了验证综合干旱监测指数模型的可靠性和适用性，使用8—9月未参加回归分析的样区（沙地、草地）中的22个样点实测数据分别进行精度检验，采用平均相对误差和均方根误差这2种评价指标来进行精度验证，结果如下图4所示。由图可知，8月在草地均方根误差分别为0.054 cm3/cm3；沙地均方根误差为0.076 cm3/cm3；而在整体的均方根误差分别为0.081 cm3/cm3，9月在草地的均方根误差为0.049 cm3/cm3；在沙地均方根误差为0.083 cm3/cm3；而在整体的均方根误差分别为0.075 cm3/cm3，平均相对误差都在10%以下，反演精度较理想。
3.4 土壤水分空间分布特征
精度检验结果表明基于新建立的综合干旱监测指数对毛乌素沙地腹部表层0～10 cm土壤水分反演具有较高的精度，其分布情况如图5所示。
图5 2016年8—9月表层0~10 cm土壤水分空间分布图
研究区土壤水分面积分布（表3）结果表明，8月研究区表层0～10 cm土壤体积含水率低于0.15 cm3/cm3的面积占96.47%，主要集中于＞0.05～0.10 cm3/cm3之间的区域占总面积的52.31%；＞0.10～0.15 cm3/cm3之间的区域占总面积的33.33%，9月研究区表层0～10 cm土壤体积含水率不高于0.15的面积占94.8%，主要集中于＞0.05～0.10 cm3/cm3之间区域占总面积的35.1%；体积含水率在＞0.10～0.15 cm3/cm3之间的区域占总面积的38.9%，且这些区域大多位于远离湖和水库的区域，反映研究区内表层0～10 cm土壤含水率整体偏低。结合土地利用（图1）和土壤体积含水率分布结果（图5），对草地、沙地2种不同程度覆盖土地利用的土壤含水率进行了统计分析，结果发现，不同覆盖类型含水率存在较大差异，8月草地分布土壤含水率均值为0.087，沙地分布土壤含水率均值为0.026，9月草地分布土壤含水率均值为0.102，沙地分布土壤含水率均值为0.029，与野外实测表层土壤样本的描述性统计结果较为一致[25]。同时表层土壤水分空间分布特征与研究区沙地、草地分布特征一致，整体呈东北—西南方向逐渐减少，南部农业生产区域大多为砂质的土地，中部大部分区域为连片分布的沙地，含水率较少，北部临湖的浩通音查干淖尔、巴彦淖尔区域大都是草地，含水率较高，分布特征与前人的研究结论大体一致[26]。表明本文提出基于多指数的综合干旱监测指数反演的土壤水分信息能较准确地刻画研究区的土壤含水率分布情况。
表3 土壤表层0~10 cm土壤水分面积分布
4 讨 论
本文提出了一种多遥感指数结合的土壤水分反演的新方法，以适应研究区乌审旗地表覆盖类型差异较大的前提下，首先针对温度植被干旱指数在大范围遥感土壤水分反演中存在的精度不足问题，进行了以土壤调节植被指数代替归一化植被指数进行温度植被干旱指数的计算的改进，改进后的TVDI指数与表层土壤含水率的相关系数达到0.604，高于王思楠等[27]基于未改进TVDI指数反演的乌审旗土壤含水率精度（决定系数为0.517）。由于在同一时间研究区内存在不同的覆盖类型（草地和沙地）容易造成单一指数监测土壤含水率所存在的适用性问题。因此，不同覆盖类型不能一起使用单一指数监测土壤水分，这与陈艳华等[28]的研究结果一致。虽然蔡亮红等[29]使用灰度直方图对研究区分割后用分段模型反演的土壤含水率与实测值之间的决定系数达到了0.720。而本研究针对一这问题利用层次分析法，结合NDDI指数、SMMI指数、改进后的TVDI指数，建立多指数的干旱监测模型，尽可能减少了使用单一指数监测土壤含水率所存在的精度低问题。同时，结合地面实测数据的验证结果表明，本文提出的基于综合干旱监测指数在2016年8月、9月具有较高的精度达到了0.744、0.727。
乌审旗地势由西北向东南倾斜，土壤水分存在明显的空间分异规律，总体上从东到西，由北到南土壤含水率逐渐降低，在本研究中，在考虑了土壤、覆盖类型对土壤水分的影响，发现在草地、沙地和整体变异系数分别为0.389、0.212、0.623（8月）和0.290、0.264、0.545（9月），土壤水分变异系数越大，意味着土壤干湿差异性大。在干旱区，不同的地形和降水分布，对于区域土壤水分的分布以至于对于遥感数据反演土壤水分的精度都会产生不同程度的影响[30]，单纯的遥感方法虽然可以反映一定区域土壤水分的空间分布状态，但影响区域的土壤水分在某一时段的土壤水分是一个多因素作用的结果[31]。本研究中针对综合遥感多指数新方法的土壤水分反演的验证结果具有一定的理论支撑性，这说明综合多指数、多因素这一思路在解决土壤水分反演的精度不足问题中有着巨大的应用潜力。由于云覆盖对光学遥感数据影响的情况，导致研究区可以利用的遥感数据比较少，不能够采用多期遥感数据对于综合干旱监测指数的适用性，进一步需要尝试采用时空融合算法去解决遥感数据有云这一问题。除遥感影响之外，首先仅考虑了研究区主要的土地利用草地、沙地2种不同覆盖的情况下利用综合干旱指数对土壤含水率的反演并能保证较高的反演精度，至于占面积较少的森林覆盖影响反演精度有待进一步研究。其次本研究是在研究区毛乌素沙地腹部干旱情况比较严重、土壤含水率相对较低的基础下构建的综合干旱监测指数；但对于是否适用于雨后不久、土壤体积含水率分布相对较高的区域，还需要进一步研究解决。最后应引入土壤质地等因子的空间信息进行定量、定性的动态分析并提高反演精度，为区域干旱监测提供更直接的科学依据。
5 结 论
1）本研究通过综合3个归一化干旱指数（normalized difference drought index，NDDI）、土壤湿度监测指数（soil moisture monitoring index ，SMMI）、温度植被干旱指数（temperature vegetation drought index，TVDI）的单一遥感旱情监测指数构建了适用于复杂的覆盖区域的综合干旱指数监测模型，并与野外实测土壤含水率进行拟合分析，其最优的指数模型分别达到了0.744、0.727，相较使用单一最优TVDI指数，综合干旱指数可以较准确地反演研究区表层土壤含水率。
2）基于综合干旱指数监测模型对土壤表层0~10 cm土壤水分反演，结果表明：8月、9月遥感反演表层0~10 cm土壤体积含水率不高于0.15 cm3/cm3的面积分别占96.47％、94.8％，土壤含水率整体相对偏低，土壤体积含水率在空间上的分布差异随着不同土地利用类型的变化而变化，草地分布土壤含水率均值分别为0.087、0.102，沙地分布土壤含水率均值分别为0.026、0.029，与野外地面样点实测表层土壤样本的描述性统计结果较为一致。
[1] 周会珍，刘绍民，白洁，等. 毛乌素沙地土壤水分的遥感监测[J]. 农业工程学报，2008，24(10)：134－140. Zhou Huizhen, Liu Shaomin, Bai Jie, et al. Remote sensing monitoring of soil moisture in the Mu Us sandland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008，24(10): 134－140. (in Chinese with English abstract)
[2] 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. Du Lingtong, Tian Qingjiu, Wang Lei, et al. A synthesized drought monitoring model based on multi-source remotesensing data [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(9): 126－132. (in Chinese with English abstract)
[3] 于敏，高玉中，张洪玲. 地表温度-植被指数特征空间干旱监测方法的改进[J]. 农业工程学报，2010，26(9)：243-250. Yu Min, Gao Yuzhong, Zhang Hongling. Improvement of Ts-NDVI space method in drought monitoring [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(9): 243－250. (in Chinese with English abstract)
[4] Baghdadi N, King C, Chanzy A. An empirical calibration of the integral equation model based on SAR data, soil moisture and surface roughness measurement over bare soils[J]. International Journal of Remote Sensing, 2002, 23 (20): 4325－4340.
[5] Frate D, Schiavon G.Retrieving soil moisture and agricultural variables by microwave radiometry using neural networks[J]. Remote Sensing of Environment, 2003, 84 (2): 174－183.
[6] 闫峰，王艳姣. 基于Ts-EVI特征空间的土壤水分估算[J].生态学报，2009，29(9)：4884－4891. Yan Feng, Wang Yanjiao. Estimation of soil moisture based on Ts-EVI feature space [J]. Acta Ecologica Sinica, 2009, 29(9): 4884－4891. (in Chinese with English abstract)
[7] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119－126.
[8] Brown J F, Wardlow B D, Tadesse T, et al. The Vegetation Drought Response Index (VegDRI): A new integrated approach for monitoring drought stress in vegetation[J]. GIScience and Remote Sensing, 2008, 45 (1): 16－46.
[9] Wu J, Zhou L, Liu M, et al. Establishing and assessing the integrated surface drought index (ISDI) for agricultural drought monitoring in mid-eastern China [J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 23(1): 397－410.
[10] Du L, Tian Q, Yu T, et al. A comprehensive drought monitoring method integrating MODIS and TRMM data [J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 23(1): 245－253.
[11] 包欣. 基于多源数据的旱情监测方法研究[D]. 合肥：安徽理工大学，2013． Bao Xin. Study on Drought Monitoring Method based on Multi-source Data [D]. Hefei：Anhui University of Science and Technology, 2013. (in Chinese with English abstract)
[12] 屈艳萍，吕娟，苏志诚，等. 抗旱减灾研究综述及展望[J].水利学报，2018，49(1)：115－125. Qu Yanping, Lü Juan, Su Zhicheng, et al. Research review and perspective of drought mitigation[J]. Journal of Hydraulic Engineering, 2018, 49(1): 115－125. (in Chinese with English abstract)
[13] 王思楠，李瑞平，韩刚，等. 基于MTVDI与DDI二元回归模型对毛乌素沙地腹部土壤表层水分的研究[J]. 干旱地区农业研究，2019，37(2)：209－214. Wang Sinan，Li Ruiping，Hang Gan，et al. Study on the surface soil water in Mu Us Desert using binaryregression models of MTVDI and DDI[J]. Agricultural Research in the Arid Areas, 2019, 37(2): 209－214. (in Chinese with English abstract)
[14] 白开旭，刘朝顺，施润和，等. 2010年中国西南旱情的时空特征分析—基于MODIS数据归一化干旱指数[J]．地球信息科学学报，2012，14(1)：32－48. Bai Kaixu, Liu Chaoshun, Shi Runhe, et al. Analysis of spatio-temporal characteristics of drought in southwest China in 2010 by using MODIS-based normalized difference drought index[J].Journal of Geo-Information Science, 2012, 14(1): 32－48 (in Chinese with English abstract)
[15] 刘英，吴立新，马保东. 基于TM/ETM+光谱特征空间的土壤湿度遥感监测[J]. 中国矿业大学学报，2013，42(2)：296－301. Liu Ying, Wu Lixin, Ma Baodong. Remote sensing monitoring of soil moisture on the basis of TM/ETM+ spectral space[J]. Journal of China University of Mining & Technology, 2013, 42(2): 296－301. (in Chinese with English abstract)
[16] 马威，陈登魁，杨娜，等. 时序双极化SAR开采沉陷区土壤水分估计[J]. 遥感学报，2018，22(3)：521－534. Ma Wei, Chen Dengkui,Yang Na, et al. Time-series approach to estimate the soil moisture of a subsidence area by using dual polarimetric radar data[J]. Journal of Remote Sensing, 2018, 22(3): 521－534. (in Chinese with English abstract)
[17] Sandholt I, Rasmussen K, Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment, 2002, 79(2): 213－224.
[18] 覃志豪，李文娟，徐斌，等. 陆地卫星TM6波段范围内地表比辐射率的估计[J]. 国土资源遥感，2004，61(3)：36－41. Qin Zhihao,Li Wenjuan, Xu Bin, et al. The estimation of land surface emissivity for landsat TM6[J]. Remote Sensing for Land and Resources, 2004, 61 (3): 36－41. (in Chinese with English abstract)
[19] 张婧娴，沈润平，郭佳. 不同数据挖掘方法在综合干旱监测模型构建中的应用研究[J]. 江西农业大学学报，2017，39(5)：1047－1056. Zhang Jingxian, Shen Runping, Guo Jia. A study of application of different data mining method in integrated drought monitoring [J]. Acta Agriculturae Universitatis Jiangxiensis, 2017, 39(5): 1047－1056. (in Chinese with English abstract)
[20] 张建平，刘宗元，王靖，等. 西南地区综合干旱监测模型构建与验证[J]. 农业工程学报，2017，33(5)：102－107. Zhang Jianping, Liu Zongyuan, Wang Jing, et al. Construction and validation of comprehensive drought monitoring model in Southwest China [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 102－107. (in Chinese with English abstract)
[21] 王俊霞，朱秀芳，刘宪锋，等. 基于多源遥感数据的旱情评价研究：以河南省为例[J]. 国土资源遥感，2018，30(1)：180－186. Wang Junxia, Zhu Xiufang, Liu Xianfeng, et al. Research on agriculture drought monitoring method of Henan Province with multi-sources data[J]. Remote Sensing for Land and Resources, 2018, 30(1): 180－186. (in Chinese with English abstract)
[22] 代丽，朱爱华，赵匀. 应用层次分析法计算分插机构优化目标的权重[J]. 农业工程学报，2013，29(2): 60－65. Dai Li, Zhu Aihua, Zhao Yun. Using AHP to calculate optimization objective weights of transplanting mechanism [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 60－65. (in Chinese with English abstract)
[23] 李卓，吴普特，冯浩，等. 黏粒质量分数对土壤水分蓄持能力影响的模拟试验[J]. 中国水土保持科学，2009，7(5)：94－99. Liu Zhuo, Wu Pute, Feng Hao, et al. Effects of soil clay content on soil water-holding capacity by simulated experiments [J]. Science of Soil and Water Conservation, 2009, 7(5): 94－99. (in Chinese with English abstract)
[24] 张飞，李怡博，王东芳，等. 精河绿洲盐渍土表层土壤盐分因子的空间变异及分布格局[J]. 生态与农村环境学报，2018，34(1)：64－73. Zhang Fei, Li Yibo,Wang Dongfang, et al. Analysis of distribution patterns and spatial variability of soil salinity affecting factors in topsoil layer of salinized soil in jinhe oasis[J]. Journal of Ecology and Rural Environment, 2018, 34(1): 64－73. (in Chinese with English abstract)
[25] 肖武，陈佳乐，笪宏志，等. 基于无人机影像的采煤沉陷区玉米生物量反演与分析[J]. 农业机械学报，2018，49(8)：169－180. Xiao Wu, Chen Jiale, Da Hongzhi, et al. Inversion and analysis of maize biomass in coal mining subsidence area based on uvn images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(8): 169－180. (in Chinese with English abstract)
[26] 韩刚，李瑞平，王思楠，等. 基于多尺度遥感数据的荒漠化草原旱情监测及时空特征[J]. 江苏农业学报，2017，33(6)：1301－1308. Han Gang, Li Ruiping, Wang Sinan, et al.Study on drought monitoring and spatial and temporal characteristics ofdesertification grassland based on multicale remote sensing data[J]. Jiangsu Journal of Agricultural Sciences, 2017, 33(6): 1301－1308. (in Chinese with English abstract)
[27] 王思楠，李瑞平，韩刚，等. 基于多源遥感数据的TVDI方法在荒漠草原旱情监测的应用[J] .安徽农业大学学报，2017，44(3)：458－464. Wang Sinan, Li Ruiping, Han Gang, et al. Application of the multi-source remote sensing data-based TVDI method in monitoring desert grassland drought[J]. Journal of Anhui Agricultural University, 2017, 44(3): 458－464. (in Chinese with English abstract)
[28] 陈艳华，张万昌. 植被类型对温度植被干旱指数(TVDI)的影响研究：以黑河绿洲区为例[J]. 遥感技术与应用，2007，22(6)：700－706.
Chen Yanhua, Zhang Wanchang. Evaluating effects of vegetation types on temperature vegetation drought index (TVDI) in the Heihe oasis region[J]. Remote Sensing Technology and Application, 2007, 22(6): 700－706. (in Chinese with English abstract)
[29] 蔡亮红，丁建丽，魏阳. 基于多源数据的土壤水分反演及空间分异格局研究[J]. 土壤学报，2017，54(5)：1057－1067. Cai Lianghong, Ding Jianli, Wei Yang. Spatial variation and inversion of soil moisture based on multi-source data[J]. Acta Pedologica Sinica, 2017, 54(5)：1057－1067. (in Chinese with English abstract)
[30] 葛少青，张剑，孙文，等. 三种干旱指数在干旱区沼泽湿地土壤水分遥感反演中的应用[J]. 生态学报，2018，38(7)：2299－2307. Ge Shaoqing, Zhang Jian, Sun Wen, et al. Application of three drought indexes in soil moisture inversion using remote sensing in marsh wetlands of arid area [J]. Acta Ecologica Sinica, 2018, 38(7): 2299－2307. (in Chinese with English abstract)
[31] 张文，任燕，马晓琳，等. 基于综合干旱指数的淮河流域土壤含水量反演[J]. 国土资源遥感，2018，30(2)：73－79. Zhang Wen, Ren Yan, Ma Xiaolin, et al. Estimation of soil moisture with drought indices in Huaihe River Basin of East China[J]. Remote Sensing for Land and Resources, 2018, 30(2): 73－79. (in Chinese with English abstract)
Inversion and distribution of soil moisture in belly of Maowusu sandy land based on comprehensive drought index
Wang Sinan1, Li Ruiping1※, Li Xiazi2
(1.010018,2.010051,)
In order to accurately estimate soil moisture content based on index of drought monitored in the complex type cover, this paper studied the feasibility of integrating the single index to estimate soil moisture. Wushen Banner in the abdomen of Maowusu sandy land was the study area. The annual wind velocity of this area was 3.4 m/s. The land use of this area included grassland, sandy land, forest, farmland, water body and construction land, which accounted for 55.66%, 29.3%, 10.9%, 2.75%, 0.7% and 0.69% of the total area, respectively. The remote sensing data were from Landsat 8 OLI images on August 26 and September 28 of 2016. The spatial resolution was 30 m. The data were carefully preteated. The sampling was carried out in 24 plots of 12 sandy land and 12 grassland. Traditional 3 single drought monitoring indexes were selected. The weights of each index was determined by analytic hierarchy process. Together with the measured soil moisture data from different cover types, regression analysis was applied to establish the multi-index comprehensive drought monitoring model (CDI). The accuracy of the model was validated by determination coefficient, average relative error and root mean square error (RMSE). Moreover, the spatial distribution of surface soil moisture in the studied area was inverted and analyzed based on multi-index model. The results showed that the 3 single drought indexes could objectively reflect the drought characteristics, displaying a negative correlation with surface soil moisture content. The best temperature vegetation dryness index (TVDI) correlation was 0.604. The comprehensive drought monitoring index model and multiple indexes were introduced. The determination coefficient in surface soil moisture index models for grassland and sandy land in August and September were 0.751 and 0.749, respectively. On the whole, the determination coefficient of the exponential model reached 0.744 and 0.727, respectively, which were higher than the fitting effect of a single index. With the increase of soil moisture content, the CDI value showed an obvious decreasing trend, which was ranked as sandy land higher in grassland in size. It indicated that the comprehensive drought monitoring index could better reflect soil moisture distribution in the studied area. The surface soil moisture in this area based on the model inversion was generally low, and the area with the moisture content less than 0.15 cm3/cm3accounted for 96.47%. And most of these areas were far away from lakes and reservoirs. According to different land types and soil moisture distribution, 2 different land types such as grassland and sandy land were statistically analyzed. The results showed that the different cover types had a quite different moisture content, with an average of 0.087 cm3/cm3for grassland in August, 0.026 cm3/cm3for sandy land in August, 0.102 cm3/cm3for grassland in September, 0.029 cm3/cm3for a sandy land in September. The surface characteristics of soil moisture spatial distribution for grassland was consistent with the sandy land. The accuracy verification of grassland, sandy land and the whole inversion results showed that the average relative error was less than 10%. Generally, the soil moisture content in the studied area decreased gradually from east to west and from north to south.
soils; moisture; remote sensing; drought; drought index; desert grassland
10.11975/j.issn.1002-6819.2019.13.012
TP79
A
1002-6819(2019)-13-0113-09
2018-11-14
2019-06-14
国家自然科学基金（51769021）；内蒙古自治区科技计划重点项目
王思楠，博士生，主要从事水利遥感信息技术研究。Email：nmgnydx2016@163.com
李瑞平，博士，博士生导师，主要从事节水灌溉与农业水利遥感信息技术研究。Email：nmglrp@163.com
王思楠，李瑞平，李夏子.基于综合干旱指数的毛乌素沙地腹部土壤水分反演及分布[J]. 农业工程学报，2019，35(13)：113－121. doi：10.11975/j.issn.1002-6819.2019.13.012 http://www.tcsae.org
Wang Sinan, Li Ruiping, Li Xiazi. Inversion and distribution of soil moisture in belly of Maowusu sandy land based on comprehensive drought index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 113－121. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.13.012 http://www.tcsae.org
