基于Suomi NPP/VIIRS数据的青海省东部农业区夏季土壤水分监测模型的应用研究

2023-08-07李素雲陈国茜祝存兄史飞飞曹晓云周秉荣

干旱地区农业研究 2023年4期

李素雲,陈国茜,祝存兄,乔斌,史飞飞,曹晓云,周秉荣

(1.青海省气象科学研究所,青海西宁 810001;2.青海省防灾减灾重点实验室,青海西宁 810001)

干旱是全球分布范围最广、持续时间最长、对人类影响最大的自然灾害[1-2],主要包括农业干旱、气象干旱、水文干旱和社会经济干旱等[3]。土壤水分作为表征干旱程度的重要指标,如何对其准确监测一直是科学界关注的热点问题[4-5]。不少学者已利用卫星遥感结合地面观测的方式反演土壤水分状况,这在旱情的实时监测和灾情评估方面发挥了重要作用[6-8]。利用遥感技术获取长时间尺度地表温度、植被状况等特征来监测或反演干旱的研究很多,如在国外,Quiring等[9]分析德克萨斯州植被状况指数VCI与常用气象干旱指数之间的关系时发现,VCI对长期的水分胁迫有响应,但对短期降水不太敏感;Baniya等[10]利用卫星植被状况指数VCI对尼泊尔1982—2015年干旱情况进行了时空变化研究;Khan等[11]在综合考虑归一化植被指数NDVI与地表温度LST的基础上获得了植被温度条件指数VTCI,采用地理空间近实时耦合NRTC方法对巴基斯坦Punjab平原的干旱情况进行了深入研究。而在国内,曲学斌等[12]在内蒙古东部发现植被供水指数VSWI适用于植物生长季初期干旱情况的监测,而温度状态指数TCI和植被状态指数VCI更适用于生长季以及中、后期监测;刘小磊等[13]在江西夏旱中得出植被水分指数NDWI比NDVI对植被冠层水分更为敏感,且在短期干旱监测中NDWI能够更加准确地反映旱情的时空变化特征;陈炳寅等[14]利用改进后的温度植被干旱指数TVDI对新疆干旱区旱情进行研判,发现新指数能够有效开展新疆干旱区旱情监测,且精度较高;谷佳贺等[15]利用NDWI对河南省干旱情况进行监测时发现其在监测平原地区作物干旱时精度较高,同时该指数也可用于预测干旱发展趋势和程度;陈国茜等[16]基于MODIS数据计算了青海省曲麻莱县垂直干旱指数PDI、归一化植被水分指数NDWI和植被状况指数VCI,并发现VCI更适合当地的夏旱监测。

前人关于土壤水分监测的研究大多数是基于MODIS数据源进行[17-21],但进入21世纪20年代后,MODIS处于超期服役阶段,其数据质量明显下降,学者们开始逐渐转移数据源[22-27]。Suomi NPP(Suomi national polar-orbiting partnership)卫星于2011年发射升空,搭载了可见光/红外辐射成像仪(Visible infrared imaging radiometer suit,VIIRS),VIIRS具有3个主要特征[28]：较高的空间分辨率(375～750 m),并且随着远离星下点空间分辨率有控制的减小;最小化的制造和运行成本;足够多的通道,可满足科研产品的需要。目前国内以Suomi NPP/VIIRS作为数据源,在青藏高原地区进行土壤水分遥感监测与评估的研究相对较少。本研究以Suomi NPP/VIIRS为遥感数据源,计算青海省东部农业区2012—2020年归一化植被水分指数NDWI、植被状况指数VCI和温度植被干旱指数TVDI,分别与东部农业区地面生态观测站0～20 cm土层土壤质量含水率建立夏季土壤水分模型,同时进行回代检验以及应用检验;并对3种模型在东部农业区2017年夏旱的发生发展过程进行了分析与评价,以期为青海省乃至青藏高原农区土壤水分遥感监测的应用和发展提供科学支撑,为区域干旱预警和抗旱减灾提供科学依据。

1 研究区与数据源

1.1 研究区概况

青海省东部农业区位于黄土高原向青藏高原过渡的镶嵌地带,总面积约3.5万 km2,其耕地面积超过青海省耕地总面积的70%,是青海省乃至青藏高原主要的粮食生产基地,海拔介于1 659～5 149 m,年平均气温介于2.0～8.6℃,年总降水量介于229.9～489.6 mm;因此,干旱成为限制此地各类农作物产量提高的重要因素[29-31]。

1.2 数据来源与预处理

地面数据包括3部分:(1)2012—2018年东部农业区生态站点土壤含水率:由各站观测人员按照生态气象观测规范每月进行3次人工取土样烘干获得,观测土层深度分为0～10、10～20、20～30 cm,本研究所用0～20 cm土层数据取0～10、10～20 cm两土层平均值,观测时段为表层土壤解冻后至6月初、8月底至表层土壤封冻前,其中2012—2016年数据用于建模,2017—2018年数据用于验证;(2)2018—2020年互助野外调查点土壤含水率数据集:由青海省气象科学研究所业务人员每半月按照生态气象观测规范进行人工取土样烘干获得,观测土层深度分为0～10、10～20、20～30 cm,本研究所用0～20 cm土层数据取前两层平均值,观测时段为表层土壤解冻后至封冻前,此数据用于模型验证;(3)2017年7月13日青海省气象局组织调查队赴东部农业区进行了干旱情况实地调查,同时采集了实测数据(共计19个样点,包括乐都3个、循化4个、化隆2个、尖扎3个、民和4个、同仁2个、贵德1个),用于模型构建(图1,见303页)。

本研究所用VNP09A1和VNP21A2为搭载于Suomi NPP卫星上的的可见光/红外辐射成像仪VIIRS观测数据,从NASA官网(https://ladsweb.modaps.eosdis.nasa.gov/)获得。所选时间段为2012—2020年,其中VNP09A1数据为8 d合成的地表反射率产品,VNP21A2为8 d合成的地表温度产品,空间分辨率均为1 000 m。本研究所有遥感数据使用前进行了波段提取、格式转换、质量控制及投影转换。

2 遥感干旱指数

2.1 温度植被干旱指数TVDI

温度植被干旱指数TVDI(Temperature-vegetation dryness index)是一种基于光学与热学红外遥感通道数据进行植被覆盖区域表层土壤水分反演的指标,植被指数和地表温度组成的NDVI-Ts特征空间散点图呈梯形或三角形,上边界为干边,下边界为湿边。在NDVI-Ts特征空间中,TVDI越小则越接近湿边,表示地表越湿润。其公式如下[32]：

(1)

干边:

LSTmax=a1+b1×NDVI

(2)

湿边:

LSTmin=a2+b2×NDVI

(3)

式中,TVDI为i时期的温度植被干旱指数;LSTi为i时期的地表温度(K);NDVI为归一化植被指数;LSTmax为相同NDVI值的最高地表温度(K);LSTmin为相同NDVI值的最低地表温度(K);a1为干边截距;b1为干边斜率;a2为湿边截距;b2为湿边斜率。本研究使用VNP09A1和VNP21A2数据分别计算了2012—2020年归一化植被指数NDVI和白天地表温度LST,进而计算干湿边系数。

2.2 植被状况指数VCI

植被状况指数VCI(Vegetation condition index)是反映植被受环境胁迫程度或者环境干旱情况的指标,该指数可以消除因地理位置、气候背景和生态类型不同而产生的NDVI区域差异问题[2,10]。其公式如下:

(4)

式中,VCI为i时期的植被状况指数;NDVIi为i时期的NDVI值;NDVImax、NDVImin分别为同期多年NDVI的最大值、最小值。

2.3 归一化植被水分指数NDWI

归一化植被水分指数NDWI(Normalized difference water index)可以有效地提取植被冠层的水分含量,及时响应植被冠层受水分胁迫情况,在干旱实时监测中具有重要意义[16,20]。其公式如下:

(5)

式中,NDWI为i时期的归一化植被水分指数;NIRi为i时期的近红外波段反射率值;SWIRi为i时期的短波红外波段反射率值。

3 土壤水分夏季遥感监测模型构建与检验

3.1 模型构建

本研究计算了2012—2020年青海省东部农业区温度植被干旱指数TVDI、植被状况指数VCI、归一化植被水分指数NDWI。将2012—2016年6—8月(第153～241天)东部农业区生态站(不包含共和、门源)及2017年7月13日的0～20 cm土层土壤含水率与对应的3种遥感指数值分别进行逐步回归来构建新的模型(表1),各模型均通过了α=0.01的显著性检验。

表1 3 种遥感指数模型与0～20 cm土层土壤含水率线性回归结果

3.2 模型回代检验

将3种模型回代于2012—2016年并利用东部农业区夏季生态站实测数据进行检验,结果显示:TVDI指数模型平均绝对误差(MAE)为3.6%,均方根误差(RMSE)为4.4%;VCI指数模型的MAE为3.8%,RMSE为4.7%;NDWI指数模型的MAE为4.1%,RMSE为5.2%。综上可知,TVDI指数模型表现最优,其次为VCI指数模型,NDWI指数模型表现最差(表2)。

3.3 模型应用检验

3.3.1 模型在2017—2018年生态站的应用效果将3种模型应用于2017—2018年夏季,利用东部农业区夏季生态站实测数据进行检验,结果显示,NDWI指数模型的MAE为6.3%,RMSE为8.3%;VCI指数模型的MAE为7.2%,RMSE为9.5%;TVDI指数模型的MAE为7.7%,RMSE为9.2%。从MAE值来看,NDWI指数模型最优,其次为VCI指数模型,TVDI指数模型最差;而从RMSE值来看,NDWI指数模型最优,其次为TVDI指数模型,VCI指数模型最差,但TVDI指数模型与VCI指数模型的RMSE相差不大(表3)。

表2 3 种模型在东部农业区2012 —2016 年夏季土壤含水率的回代检验结果

表3 3 种模型在2017 —2018 年生态站的夏季应用结果

3.3.2 模型在2018—2020年定点调查点的应用效果利用2018—2020年6—8月青海省海东市互助山区定点观测点实测数据,对NDWI、TVDI、VCI指数模型应用效果进行检验,结果显示,TVDI指数模型MAE为3.1%,RMSE为3.8%;VCI指数模型MAE为4.0%,RMSE为5.0%;NDWI指数模型的MAE为7.3%,RMSE为8.8%(表4)。从应用效果来看,2018—2020年TVDI指数模型表现最好,VCI指数模型次之,NDWI指数模型表现最差。

由于2020年的野外调查点相对固定,本研究重点分析了2020年位于青海省海东市互助县山区的6个野外调查点所对应的3种遥感指数监测模型的反演结果。从各点曲线变化图来看(图2),2020年夏季各观测点0～20 cm深度土壤含水率大部分介于10%～30%之间,且呈现升-降-升-降的趋势。其中,TVDI指数模型与VCI指数模型表现接近实际值,但TVDI指数模型的无效值较VCI指数模型多;NDWI指数模型在7—8月反演结果偏大,如在样点5和样点6的7—8月份反演值明显偏大7.5%以上;TVDI与VCI两个模型对旱情发生发展过程更详细的响应分析需要东部农业区典型干旱过程来进一步检验。

注:GH001～GH006分别代表2020年选取的6个野外调查点。

3.3.3 模型在2017年夏季干旱的检验东部农业区是青海省最主要的农业种植区,同时又是干旱易发区[29]。2017年7月6日开始,青海省东部农业区的12个县从东到西先后发生了干旱灾害;民和发生最早,其次为7月9日开始的乐都区、化隆县,7月10—11日尖扎县、平安区和湟中县发现干旱灾害,7月12—14日互助县、大通县、湟源县、同德县46个乡镇受灾,兴海县和贵德县最晚出现干旱灾害。以上灾害共造成131个乡镇受灾,草场及农作物受灾面积达19.4万hm2,直接经济损失达7.755亿元[33]。

利用2017年第193天新构建的TVDI、VCI、NDWI指数模型反演了7月中旬的土壤墒情并与2017年7月13日实地调查数据进行对比,结果显示:TVDI指数模型的MAE为4.3%,RMSE为5.6%;样点4、6～8、12～13与实测相差较大,其余观测点接近实际情况。VCI指数模型的MAE为4.8%,RMSE为6.2%;样点1出现负值,与实测相差较大,样点4、6～8、12、18与实测相差较大,其余观测点基本符合实际情况。NDWI指数模型的MAE为6.0%,RMSE为7.9%;样点1～8、17～19比较接近实际,而样点9～12与实际相差较大,样点13～16虽然数值相差相对较大,但能反演出干旱变化特征。从平均绝对误差MAE和均方根误差RMSE来看,TVDI指数模型最优,其次为VCI指数模型,NDWI指数模型最差;从变化幅度来看,TVDI指数模型最小,NDWI指数模型最大(图3)。

为了进一步分析各模型与实测旱情在时空发生发展过程中的一致性,本研究利用遥感数据反演了2017年6月下旬～8月上旬东部农业区3种模型的干旱空间分布情况。TVDI指数模型监测显示(图4):6月下旬(第177天)河谷地带出现轻度至中度旱情,7月上旬发展成中度旱情,7月中旬干旱范围扩大至浅山地区,旱情等级变为重度,8月上旬(第209～217天)旱情解除,TVDI指数模型反演的东部农业区旱情变化、空间分布范围与实际旱情吻合。VCI指数模型监测显示(图5,见304页):6月下旬(第177天)监测到河谷地带出现轻度至中度旱情,7月上旬发展成中度旱情,7月中旬干旱范围扩大至浅山地区,旱情等级变为重度,8月上旬(第209～217天)旱情缓解;虽然VCI指数模型反演的旱情发生、加重过程变化与实际旱情变化一致,但在旱情减轻(或解除)过程中表现出滞后现象,2017年8月上旬旱情解除后其反演结果显示仍存在大范围旱情。而NDWI指数模型监测显示(图6,见304页):2017年夏季干旱范围明显偏小,旱情主要分布在河谷地带,在浅山地区无旱情发生,与上报灾情情况出入较大。因此,TVDI指数模型在2017年夏季旱情空间分布上比NDWI指数模型、VCI指数模型更符合实际。

4 结论与讨论

本研究基于2012—2020年6—8月Suomi NPP数据和地面实测数据,构建了3种常用光学遥感干旱指数与青海省东部农业区地面土壤水分之间的回归模型,并将其回代至2012—2016年以及应用于2017—2018年生态站、2018—2020年互助固定调查点来检验各模型的表现情况,同时对3种模型反演的东部农业区2017年夏旱的时空发生发展过程进行分析与评价,主要结论如下:

(1)将3种模型回代至2012—2016年夏季,TVDI指数模型表现最优(RMSE为4.4%),其次为VCI指数模型(RMSE为4.7%),NDWI指数模型表现最差(RMSE为5.2%);将3种模型应用于2017—2018年夏季生态站,NDWI指数模型表现最优(RMSE为8.3%),TVDI指数模型(RMSE为9.2%)与VCI指数模型(RMSE为9.5%)相差不大。

(2)2018—2020年夏季互助野外调查点中,TVDI指数模型(RMSE为3.8%)表现最好,VCI指数模型(RMSE为5.0%)次之,NDWI指数模型表现最差(RMSE为8.8%)。其中,2020年6个调查点的NDWI指数模型在7—8月反演结果偏大,TVDI指数模型与VCI指数模型表现比较接近,但TVDI指数模型无效值较VCI指数模型多。

图3 基于2017 年第193 天3 种模型反演土壤含水率的结果与7 月13 日地面实测情况对比

(3)将各模型回代至2017年东部农业区旱情发生时段,NDWI指数模型在2017年夏季干旱的旱情发展过程中的空间分布变化大,该模型反演的旱情分布范围明显偏小;VCI指数模型不能反映旱情缓解、解除期的变化,而TVDI指数模型反演夏季旱情分布范围和夏季旱情发生发展缓解过程变化上更符合实际。

本研究基于Suomi NPP/VIIRS数据,使用统计分析方法建立了青海省东部农业区土壤水分遥感监测模型,基于地面各阶段实测数据验证了模型精度,研究发现模型RMSE均小于10.0%,可在业务监测服务中推广使用。本研究只考虑了青海省东部农业区地面土壤水分与单个遥感指数之间的关系,后期研究可考虑从作物的不同生长阶段、不同类型、地理要素以及综合遥感干旱指标与更高分辨率数据源等角度出发,提高模型的精度[34];由于遥感反演的数据时间周期为8 d,与地面实测日期无法很好地对应,可能与验证结果存在一定偏差。光学遥感数据易受云影响,未来可以考虑使用机器学习等新技术手段发展区域适用的、精度较高的、多源数据融合的土壤水分遥感监测方法。