基于物候特征的农田土壤表层含水率遥感反演

2021-11-09张晓春刘海若严忆辉

灌溉排水学报 2021年10期

张晓春，刘海若，严忆辉，唐蓉，张煜

（1.武汉大学水资源与水电工程科学国家重点实验室，武汉430072；2.长江水利委员会长江科学院空间信息技术应用研究所，武汉430010）

0 引言

【研究意义】传统的土壤含水率测定常以点代面进行定点测量，但取样点的选取对结果有较大影响，能代表的实际范围也比较有限[1]。而基于遥感影像监测土壤含水率具有监测时空范围大、分析速度快和经济高效等优点[2]。遥感监测土壤含水率方法主要分为光学遥感和微波遥感2 种监测方法。光学遥感监测有基于指数的方法，例如距平植被指数、植被状态指数（VCI）、温度植被干旱指数（TVDI）和垂直干旱指数（PDI）等，以及基于土壤热惯量的方法[3]。光学遥感利用的波段主要为热红外和可见光—近红外波段，对土层的穿透能力有限，一般只能监测表层几微米的土壤含水率，且光学影像受云雨天气的影响较大。微波遥感中的微波波段可以监测到土壤表层几厘米到十几厘米的土壤含水率，特别是星载合成孔径雷达（SAR）的工作波段波长比一般微波波段波长长，且不受云雨遮盖的影响，具有全天候全天时优点，但会受到地表植被覆盖的影响[4-5]。可基于光学数据消除植被覆盖的影响，并基于雷达数据反演得到土壤含水率分布图，因此与使用单一数据相比，融合多种数据源能够提高土壤含水率反演精度[6]。

【研究进展】利用光学数据消除植被覆盖影响的模型主要是半经验模型，其中水云模型应用最为广泛。Attema 等[7]以农作物为研究对象，通过研究农作物覆盖地表植被后向散射特性，提出估算农作物覆盖地表土壤水分的“水云”模型（Water-Cloud Model）。水云模型将辐射传输模型中的植被冠层概化成水平均匀的云层，不考虑植被和土壤表层之间的多次散射，重要的变量仅为冠层高度和云密度，因而可假设与冠层体积含水率成比例，能够有效反演耕地土壤含水率。Baghdadi 等[8]基于哨兵一号卫星影像和光学影像，在水云模型中添加NDVI数据作为输入数据，研究不同极化条件下雷达信号数据的差异性。曾旭婧等[9]基于Sentine-1A（哨兵一号）双极化雷达影像和Landsat 8光学影像，对不同植被覆盖条件下的土壤含水率进行研究，发现VV 极化图像和双极化组合在低植被覆盖条件下更具有优势。胡佩敏等[10]利用ASAM GM 和MODIS 数据监测湖北省四湖地区的土壤表层含水率的时空分布，结果表明该方法实际可行。张友静等[11]利用ASAM APP 和TM 数据，基于水云模型下反演小麦覆盖条件下的土壤含水率，与实测数据相比，其相关性可达90%以上。综上所述，基于水云模型监测农作物覆盖区的土壤含水率是可行的。

【切入点】Zribi 等[12]研究表明土壤相对体积含水率和遥感反演的后向散射系数具有良好的线性相关性。目前研究大多数是基于某一年的点测土壤含水率，通过线性回归法建立后向散射系数与土壤含水率的关系，并基于遥感反演的后向散射系数获取土壤含水率分布图[13-14]。然而不同的作物在不同时期具有不同的需水量，不同物候时期的降水量也不同，且作物需水量和区域降水量直接关系到土壤含水率，因此需进一步开展农田土壤水分研究[15]，考虑作物物候特征，将土壤后向散射系数转换为土壤含水率。

【拟解决的关键问题】选用Sentine-1 雷达影像和环境卫星CCD 光学数据，对研究区表层土壤含水率进行反演监测，并辅以landsat 8 卫星对环境卫星影像进行几何校正。本研究首先对遥感影像进行预处理，从Sentine-1 SAR 影像提取总体后向散射系数，并从环境卫星影像提取NDVI植被指数，基于水云模型消除植被覆盖的影响，推求出土壤的后向散射系数。然后根据作物的物候特征，利用土壤后向散射系数与土壤含水率之间的线性关系分生育阶段推求土壤水分，最后用点测土壤含水率对遥感反演值进行验证。

1 研究区与数据来源

1.1 研究区概况

研究区域为安徽省蚌埠市固镇县和亳州市利辛县（图1）。固镇县气候属亚热带和暖温带过渡带，气候兼有南北之长，四季分明，光照充足，年平均气温14.9 ℃，降水量871 mm，日照时间2 170 h。利辛县区域总面积约2 005 km2。利辛县属暖温带半湿润季风气候区，且有明显的过渡性特征，气候温和，光照充足，雨量适中，但集中于夏季，冬季时间长并且较为干燥。安徽省区位优势明显，常年农作物种植面积超过860 万hm2，为全国粮食主产省。其中，固镇县与利辛县均为传统农业大县，种植业发达。2 个县夏收和秋收主要作物为冬小麦和夏玉米，本研究在固镇县实测了冬小麦土壤含水率，在利辛县实测了夏玉米土壤含水率，具有较长时间序列的实测数据，具有一定的代表性。

图1 研究区地理位置Fig.1 Location of the study area

1.2 数据来源

1.2.1 遥感数据及预处理

1）哨兵一号数据

哨兵一号（Sentinel-1）卫星由哨兵1-A 和哨兵1-B组成，均载有C 波段合成孔径雷达。Sentinel-1 单颗卫星重访周期为12 d，2 颗卫星组成系统的重访周期为6 d。哨兵一号卫星拥有干涉宽幅模式（IW）和波模式（WV）2 种主要工作模式，还有条带模式（SM）和超宽幅模式（EW）2 种附加模式。哨兵数据来源于NASA EarthData 数据网站（https://earthdata.nasa.gov/）。研究选取2016年到2018年IW 模式和VV 极化条件下的110 幅景象。Sentinel-1 原始影像带有因噪声、辐射、地形起伏等因素造成的干扰，需对其进行预处理。研究使用SNAP Desktop 软件对110 幅雷达影像进行处理，主要包括辐射校正、多视处理、斑点噪声抑制、几何校正、拼接和裁剪等步骤。

2）环境卫星数据

环境卫星系列卫星由2 颗光学卫星HJ-1A 和HJ-1B，以及1 颗雷达卫星HJ-1C 组成。其中A 星和B 星均搭载CCD 相机。环境卫星数据来源于中国科学院的地理空间数据云网站（http://www.gscloud.cn/）。研究选择固镇县2015年到2018年期间的55 幅CCD影像和利辛县2020年的11 幅CCD 影像作为NDVI数据源。预处理步骤包括辐射定标、大气校正、几何校正、图像裁剪等。以Landsat 8 影像作为基准影像，对环境卫星影像进行几何校正，其中Landsat 8 数据来自USGS 网站（https://earthexplorer.usgs.gov/）。以上遥感影像均采用UTM/WGS84 投影系统。

1.2.2 地面点测数据

在固镇县和利辛县均采集了地面点土壤含水率数据，其中固镇县仅有冬小麦种植区田间土壤含水率数据，利辛县仅有夏玉米种植区土壤含水率数据。

固镇县土壤含水率实测数据在新马桥灌排试验站（位置如图2（a）所示）采集，采集方法是在试验田选取3 个点，在地表下0～10 cm 处用环刀取土，用铝盒封存。在实验室用称质量法测得土壤质量含水率。取3 次测量的平均值，利用环刀法测定土壤体积质量为1.36 g/cm3，并换算得到土壤体积含水率，测定的土壤田间持水率为40.6%。固镇县站点数据时间如表1 所示。

利辛县实测数据的设备是智墒土壤监测设备，设备基于频域反射法（Frequency Domain Reflectometry，FDR），通过测量电解质常量的变化测量土壤的体积含水率。研究区监测点一和监测点二分别设有智墒一号和智墒二号仪器，分别于2020年6月21日和8月24日安装，按照1 h 间隔监测土壤表层10 cm 体积含水率，保证数据测量时间与卫星过境时间一致，监测点经纬度使用手持GPS 采集。利辛县监测点数据时间如表1 所示。

表1 2016—2020年试验区实测数据日期Table 1 Date of measured data in the test area from 2016 to 2020

以固镇县2017年和2018年实测土壤含水率作为拟合数据，2016年的实测数据作为遥感反演结果的验证数据。利辛县共有2 个监测点（位置如图2（b）所示），采用较为新型的土壤监测设备测得土壤含水率，以利辛县监测点一的数据作为拟合数据源，监测点二的数据作为遥感反演结果的验证数据。

图2 地面实测数据位置Fig.2 Location of ground measured data

1.2.3 种植结构数据

首先基于2017年与2020年的landsat 8 影像对固镇和利辛区域进行监督分类，分出城镇和水体部分，并通过掩膜提取后得到作物种植区。利用HJ 卫星提取2017年固镇县地区长时间序列影像以及2020年利辛县地区长时间序列影像的NDVI值，分别结合冬小麦与夏玉米的NDVI特征曲线进行决策树分类，筛选出符合特征的农作物种植区。通过查询安徽省农业统计年鉴以及政府统计公告，得到2017年固镇县种植冬小麦的总面积以及2020年利辛县种植夏玉米的总面积，对分类结果进行修正，最终得到固镇县冬小麦种植区域和利辛县冬小麦种植区域分布图。农业统计年鉴在中国知网的统计数据平台下载（https://data.cnki.net/），政府统计公告从利辛县人民政府官网得到（http://lxxxgk.bozhou.gov.cn/）。具体的区域提取精度如表2 所示。

2 研究方法

2.1 基于水云模型计算土壤后向散射系数

水云模型即植被散射理论模型，是Attema 等[7]基于辐射传输方程提出的经典方程。该模型认为雷达传感器所接受的散射回波是由于植被和土壤之间散射而成，并假设植被中的植被层水分是均匀分布的。模型忽略植被与土壤表面的多次相互散射，模型中的变量仅为植被高度和植被含水率[16]。水云模型用于去除植被对后向散射系数的影响，计算式为：

式中：σ0(θ)为总的后向散射系数；为土壤表层后向散射系数；为植被散射系数；γ2(θ)为植被双层衰减因子（透过率）；θ为入射角（rad）；A、B值取决于植被类型及电磁波频率的经验系数；mv为植被含水率（kg/m2）。

参数A、B值的大小与植被类型密切相关，不同植被覆盖条件下的A、B值有着较大的差异。研究区植被覆盖条件相对较复杂，主要包括小麦、玉米和油菜等，且各自分布不集中。参考Bindlish 等[17]总结所得到的在不同地表覆盖条件下的水云模型参数，选取其中所有植被的综合方式能更好地反映研究区的实际情况，即A=0.001 2，B=0.091。

选取Jackson[18]的经验模型计算植被含水率：

式中：VMC为植被含水率；NDVI为归一化植被指数。根据式（1）—式（4）和水云模型参数A、B值的选取，即可提取出在VV 极化条件下考虑作物覆盖下的土壤后向散射系数：

计算土壤体积相对含水率和遥感反演的后向散射系数（分贝）的线性相关性时，需要将无单位的后向散射系数转换成单位为分贝的后向散射系数：

式中：为土壤表层后向散射系数；为单位为分贝的土壤表层后向散射系数。

2.2 结合物候特征的土壤含水率遥感反演模型

2.2.1 基于后向散射系数的土壤含水率计算方程

本文土壤含水率（Soil Moisture，SM）统一用土壤相对体积含水率表示。土壤体积相对含水率和遥感反演的后向散射系数具有线性相关性[12]：

式中：C和D均为无单位的经验系数；σ0soil-db为单位为分贝的土壤表层后向散射系数。

2.2.2 结合物候特征的时间分段方法

本文研究对象为农作物区，研究区域作物类型以及不同生长期需水的不同会对表层土壤含水率产生不同程度的影响。作物需水量和区域降雨量也直接关系到土壤含水率的值，因此需要根据不同的时间段并结合作物物候特征来分别确定式（7）中系数C和D值。研究区域种植作物主要为夏玉米和冬小麦，以下将结合2 种作物的物候特征介绍分段方法。

作物系数Kc是指作物不同发育期中需水量与可能蒸散量的比值。冬小麦不同生育期具有不同的作物系数Kc，作物系数变化能反映出作物需水量的变化，而土壤含水率与作物需水量具有相关性。因缺少淮北平原生育期作物系数的研究资料，且淮北平原与黄淮海平原地理位置接近，因此，用黄淮平原冬小麦生育期作物系数[19]近似代替淮北平原冬小麦作物系数。如表3 所示，研究区域冬小麦种植期一般从10月初开始一直到次年6月，生育期较长。在冬小麦的生长发育过程中，从播种期到分蘖期作物系数Kc值逐渐上升，需水量逐渐增多。从越冬期开始，冬小麦停止生长，作物系数Kc值降低，需水量达到低谷。返青期后气温逐渐恢复正常，冬小麦开始重新生长，作物需水量逐渐上升。根据冬小麦生育期作物需水特征的变化，将全生育期分为3 个阶段：播种—分蘖期（10—12月）、越冬期（1—3月）、返青期—成熟期（4—6月）。在研究区实地田间调查也发现，一般6月开始种植夏玉米，到10月收割，接着11月种植冬小麦，第二年4月左右收割。研究区域夏玉米种植期一般从6月开始一直到9月底，生育期较短，将夏玉米全生育期划分为一段。

表3 冬小麦全生育期作物系数（Kc）的变化[19]Table 3 Variation of crop coefficient(Kc)during the whole growth period of winter wheat

根据往年实测点土壤含水率，发现以上划分的冬小麦3 个时间段和夏玉米全生育期内相应的土壤含水率变化规律较为明显。冬小麦从播种开始生长发育，此时冬季降水少且作物需水量也小，土壤含水率维持在较低水平，随后进入越冬期。越冬期内作物生长缓慢，需水量低，土壤含水率变化平稳。从返青期开始作物生长加快，作物需水量变大，土壤含水率迅速降低并持续最低。而夏玉米全生育期内的土壤含水率基本维持在比较均衡的水平。同时，在气候变化背景下，作物的生育期也存在年际变化。就华北平原地区冬小麦而言，在1961—2017年中各个生育期均有推迟变化的趋势，平均推迟3～7 d，但各生育期所在月份几乎不会产生变化[20]。故在以月为单位的函数中，作物物候特征及生育期变化可以忽略。

因此，本文将全年共划分为4 个时间段来分别通过土壤后向散射系数计算土壤含水率。4 个时间段为：冬小麦的3 个生育期播种—分蘖期（10—12月）、越冬期（1—3月）、返青期—成熟期（4—6月），和夏玉米的全生育期（6—9月）。

2.2.3 结合物候特征的土壤含水率分生育阶段估算模型

土壤含水率遥感反演模型采用分生育阶段函数方法来转换土壤后向散射系数，分别为冬小麦越冬期（overwintering period，OW）、冬小麦返青—成熟期（growing stage from reviving to maturity，RM）、夏玉米全生育期（whole grow phase of summer-sown corn，SC）、冬小麦播种—分蘖期（growing stage from sowing to tillering，ST），分生育阶段函数为：

式中：Ci、Di分别为对应生育期的经验系数，其中i=1、2、3、4；SMST为冬小麦播种—分蘖期土壤含水率；SMOW为冬小麦越冬期土壤含水率；SMRM为冬小麦返青—成熟期土壤含水率；SMSC为夏玉米全生育期土壤含水率；σ0soil-db是单位为分贝的土壤表层后向散射系数。

3 结果与分析

3.1 去除植被前后的后向散射系数对比

通过水云模型去除地表植被覆盖影响后，后向散射系数会衰减，并得到更为准确的土壤后向散射系数。以固镇县2017年数据为例，去除植被影响前后的后向散射系数如图3 所示。图中实线为去除前的后向散射系数，虚线为去除后的后向散射系数，去除后的后向散射系数整体比去除前的值小。在利用水云模型分离出植被层散射和吸收的贡献后，地表后向散射系数均有衰减，如图3 所示，基于水云模型去除后的后向散射系数比去除前的减小5 db 左右，去除效果较好。

图3 去除植被影响前后效果Fig.3 Effect before and after removing vegetation

3.2 结合物候特征的土壤含水率遥感反演经验系数

基于2017年和2018年固镇县地区土壤含水率实测值和遥感计算的后向散射系数值拟合冬小麦3 个生育期的经验系数值，基于2020年利辛县监测点一的土壤含水率实测值和遥感计算的土壤后向散射系数值拟合夏玉米生育期的经验系数值，并对农作物各生育期后向散射系数与土壤相对体积含水率数据进行拟合后做统计分析，得到复相关系数R2、平均绝对误差MAE和均方根误差RMSE，最后得到遥感反演模型的系数如表4 所示。

表4 研究区不同作物生育期的系数值Table 4 Coefficient values of different crop growth periods in the study area

如表4 所示，固镇县冬小麦播种期—分蘖期时间段内模拟精度不高，原因在于此时间段内地表几乎无植被覆盖，冬小麦根系开始生长但此时根长密度较低，导致土壤含水率受实时天气等因素影响较大，模拟精度降低。具体的分生育阶段函数为：

3.3 模型验证与精度评价

基于实测土壤含水率数据，对土壤含水率遥感反演模型进行验证和精度评价，如图4 所示。

冬小麦分生育阶段土壤含水率模型以2015年11月至2016年5月固镇县新马桥试验点的数据进行验证。如图4（a）所示，计算得2 组数据复相关系数R2为0.73，平均绝对误差MAE=0.051，最大误差MaxE=0.072，最小误差MinE=0.025，均方根误差RMSE=0.056。夏玉米土壤含水率模型以2020年利辛县监测点二采集的数据进行验证。如图4（c）所示，计算得2 组数据复相关系数R2达到0.82，平均绝对误差MAE=0.069，最大误差MaxE=0.112，最小误差MinE=0.027，均方根误差RMSE=0.078。2 种作物土壤含水率模拟精度满足要求。

如图4（b）所示，实测土壤含水率与反演土壤含水率总体趋势几乎相同，但存在差距。根据相关新闻（http://www.weather.com.cn/anhui/tqyw/01/2642620.s html）与研究资料[21]，安徽省2016年降水量为55 a来最多，4月起降水明显增多，4—7月安徽省平均降雨较往年偏多近6 成，且6月左右暴雨洪涝灾害严重，因此实际土壤含水率较往年偏高，反演值较实测值偏低。

图4 遥感反演精度验证Fig.4 Verification of remote sensing inversion accuracy

3.4 土壤含水率反演结果

根据上述分生育阶段函数反演了固镇县2016—2018年农作区的土壤含水率空间分布，以及利辛县2020年农作区的土壤含水率分布（图5），在2017年固镇县冬小麦3 个生育期挑选3 幅土壤相对体积含水率图，以及2020年利辛县夏玉米生育期中的一幅土壤相对体积含水率图，作为示例展示。

图5 农作物区土壤相对体积含水率Fig.5 Relative volumetric water content of each growth period

如图5（a）—图5（c）所示，从时间上冬小麦越冬期土壤含水率较低，其他生育期土壤含水率明显高于越冬期土壤含水率，与冬小麦生育期需水特性符合。从空间上，固镇县东南方的土壤含水率略高于西北方，与固镇县自西北向东南倾斜的地势吻合。如图5（d）所示，从空间上，利辛县东南方的土壤含水率略高于西北方，与利辛县西北略高，东南略低的地势吻合。

4 讨论

传统的烘干法监测土壤含水率是各国公认的最为准确且经典的方法，但监测费时费力且具有很大的空间局限性。利用已建立的模型，可直接得到农田区域的土壤含水率，在时间和空间尺度上都有更好的发展。在未来的研究中，利用大面积反演的土壤含水率，结合区域水文模型反演出农田中水分变化，进而求得农田涝渍灾害，对农业生产和灾害评估进行指导。

基于水云模型结合物候特征反演土壤表层含水率，在地表植被覆盖的条件下拥有较好精度。本研究中，安徽省固镇县冬小麦各生育期土壤含水率变化不一致，其中返青—拔节期土壤含水率变化最大，越冬期土壤含水率变化最小，同时冬小麦生育期出现日期与持续时间的年际波动大，年内变化趋势不明显的结果，与张佩[22]等针对淮北地区冬小麦发育期特征的研究结论相一致。这也是用不同年同测站的数据进行验证精度不高，用同年不同测站的数据进行验证精度较好的原因。由图5 可知，反演的土壤含水率空间分布结果与区域地势和地区气候有较好的一致性，在地势较低的地方含水率高，地势较高的地方含水率相对较低，这进一步表明，基于遥感数据反演的土壤含水率空间分布结果可靠。

固镇县冬小麦播种时间大多在10月初，在刚播种的一段时间内，农作物区土壤表面很少或无植被覆盖而形成裸地，且通过遥感反演的土壤表层含水率随天气波动大，进一步削弱遥感数据反演的精度。相反，在较多植被覆盖的生育期内土壤含水率保持较为平稳，反演精度高。实际应用中，针对冬小麦播种期—分蘖期的生育阶段，在接下来的工作中还需进一步单独进行研究，选择不同的土壤水分反演方式提高反演精度。从验证结果也可看出，结合物候特征的土壤表层含水率反演模型具有较好的精度，尽管用于模型反演的地面实测数据与区域较为有限，且影响反演精度的因素较多，但结果仍具有一定代表性，能为相关研究提供一些思路与参考。