基于植被指數(shù)的藏北牧區(qū)土壤濕度反演

張 月，王鴻斌，王一凡，韓 興，趙蘭坡

（1.吉林農(nóng)業(yè)大學資源與環(huán)境學院，長春130118；2.吉林省商品糧基地土壤資源可持續(xù)利用重點實驗室，長春130118）

基于植被指數(shù)的藏北牧區(qū)土壤濕度反演

張 月，王鴻斌※，王一凡，韓 興，趙蘭坡

（1.吉林農(nóng)業(yè)大學資源與環(huán)境學院，長春130118；2.吉林省商品糧基地土壤資源可持續(xù)利用重點實驗室，長春130118）

土壤濕度的遙感動態(tài)監(jiān)測在農(nóng)牧業(yè)生產(chǎn)中具有重要意義。近年來，多種基于遙感指數(shù)的土壤濕度監(jiān)測方法被提出并得到廣泛關注，但當前對不同深度土壤濕度的反演及植被指數(shù)反映土壤濕度滯后性的研究較少。該文針對遙感指數(shù)反演土壤濕度的精度問題，對MODIS（moderate resolutionimaging spectroradiometer）的2種植被指數(shù)產(chǎn)品歸一化差異植被指數(shù)（normalized difference vegetation index，NDVI）和增強型植被指數(shù)（enhanced vegetation index，EVI）與土壤濕度實測值進行相關分析，并利用在其中一個樣點得到相關系數(shù)最高的回歸模型對距離較遠的其它點進行土壤濕度值估算，最后用土壤濕度實測值對模型的精度進行驗證。結果表明，2種植被指數(shù)均與土壤濕度值呈現(xiàn)出較強的相關性，且利用植被指數(shù)估算土壤濕度的延遲天數(shù)為5～10 d。在相同氣候模式、土壤類型和植被類型的條件下，高程為影響回歸模型精度的主要因素。該研究可為牧區(qū)多層深度土壤濕度反演方法的選擇和監(jiān)測提供參考依據(jù)。

土壤；濕度；遙感；NDVI；EVI；土壤濕度；相關分析；回歸模型

張 月，王鴻斌，王一凡，韓 興，趙蘭坡.基于植被指數(shù)的藏北牧區(qū)土壤濕度反演[J].農(nóng)業(yè)工程學報，2016，32（6）：149-154. doi：10.11975/j.issn.1002-6819.2016.06.020 http://www.tcsae.org

Zhang Yue,Wang Hongbin,Wang Yifan,Han Xing,Zhao Lanpo.Soil moisture inversion in pasture of northern Tibet based on vegetation index[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE）,2016,32(6): 149-154.(in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.06.020 http://www.tcsae.org

0 引言

土壤濕度在近地表水分循環(huán)和生態(tài)系統(tǒng)功能中扮演著重要角色[1]，它直接關系到水文循環(huán)中的能量平衡，影響植被的組成和多樣性[2]，同時還對生態(tài)系統(tǒng)的生產(chǎn)力發(fā)揮著作用[3]。因此，作為地表過程和陸地生態(tài)系統(tǒng)的重要組成部分，十分有必要對土壤濕度進行較高頻率且準確地監(jiān)測。但是，現(xiàn)存的大面積土壤濕度監(jiān)測網(wǎng)很少能夠進行高頻率且多層土壤深度的監(jiān)測。由此看來，探索可靠的土壤濕度監(jiān)測方法并能開展高頻不同深度的反演具有一定的現(xiàn)實意義。

遙感數(shù)據(jù)使大尺度環(huán)境參數(shù)的監(jiān)測更加便捷，主動遙感和被動遙感均已被應用到對土壤濕度的監(jiān)測當中[4-5]。如有研究利用微波波段對土壤水敏感的特點而采用其對土壤水分含量進行監(jiān)測，但缺點是微波僅能穿過土壤表層幾厘米且不能獲得整個根區(qū)的土壤濕度[6-7]。雖然光學遙感不能直接獲得根區(qū)的土壤濕度，但它可以提供充足的有關植被生長狀態(tài)方面的信息，而植被的生長狀態(tài)在一定程度上要受到土壤濕度的影響。因此，探索土壤濕度與植被生長狀態(tài)的定量關系對監(jiān)測大尺度范圍的土壤濕度具有重要意義，尤其是在降水稀少的地區(qū)。

從光學遙感影像中獲取的植被指數(shù)可用來監(jiān)測植被的生長狀態(tài)參數(shù)，如葉面積指數(shù)、生物量、色素含量和冠層的水分含量等[8-10]。通過捕捉植被冠層結構變化、植被的健康狀況及光合作用強度等，植被指數(shù)可獲得植被對土壤濕度變化的響應[11]。因此很多研究利用植被指數(shù)反演土壤濕度，如Adegoke和Carleton[12]的研究表明基于AVHRR（advanced very high resolution radiometer）的NDVI（normalized difference vegetation index）與土壤濕度有較強的相關性；Wang等人[13]研究發(fā)現(xiàn) MODIS(moderate resolutionimaging spectroradiometer)的短波紅外波段對土壤濕度變化十分敏感；Mallick等人[14]利用地表溫度和NDVI來估算耕地的地表濕度。另外，由于半干旱地區(qū)擁有比濕潤地區(qū)相對低的生物量[15]，且相關研究表明NDVI對監(jiān)測半干旱地區(qū)的綠色植被更加敏感[16]，這間接指出NDVI更適于估計半干旱地區(qū)的土壤水含量。但是，大多數(shù)研究更加關注植被指數(shù)與土壤濕度的關系，目前對于不同深度土壤濕度的反演及植被指數(shù)反演土壤濕度的滯后性研究較少。

本研究基于土壤濕度對植被生長狀況的影響，利用光學遙感影像中提取的植被指數(shù)NDVI和EVI（enhanced vegetation index）估算土壤濕度。排除氣候、土壤及植被等因素的干擾，本文主要考慮高程和距離因素對模型反演精度的影響。首先，找出各樣點的植被指數(shù)NDVI和EVI與不同深度土壤濕度的相關關系，并得到利用植被指數(shù)反映土壤濕度的延遲天數(shù)；然后，基于這種相關關系，本研究在其中1個樣點建立回歸模型，并將其應用到對4個高程和距離均不相同樣點各深度土壤濕度值的估算上，再用實測土壤濕度值驗證其精度，以此驗證高程和距離因素對模型精度的影響。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

本研究的試驗區(qū)位于中國西藏自治區(qū)北部的青藏高原腹地，地處唐古拉山脈和念青唐古拉山脈之間（圖1）。該地區(qū)屬典型高原亞寒帶半干旱季風氣候，平均海拔在4 450 m以上，屬高原丘陵地形。年平均氣溫為-2.2℃，年降水量在400 mm以上，年日照時數(shù)為2 886 h以上。夏季從5-10月，冬季降雨稀少，并存在一定厚度的凍土層。土壤質地主要為淤泥（體積約占50%）和沙土（體積約占46%），表層土壤的有機碳含量較高，但隨土層深度的增加有機碳含量逐漸降低。作為中國重要的畜牧業(yè)生產(chǎn)基地，高山草甸是該區(qū)域的主要植被類型，土壤濕度的變化對該區(qū)域牧草的產(chǎn)量具有重要意義。

圖1 研究區(qū)的地理位置與采樣點的分布Fig.1 Location map of study area and sampling sites

為獲得土壤濕度與植被指數(shù)間的關系，本研究選取30個樣點（圖1）用于試驗，且這30個樣點的氣候模式、土壤類型及植被類型均相同，這為后面探索如何利用植被指數(shù)估算土壤濕度提供了前提條件。圖中樣點1-5是用于討論高程和距離因素對回歸模型精度的影響而另外設置的。

1.2 數(shù)據(jù)源

NDVI是Rouse等人[17]利用紅光波段與近紅外波段在色素吸收特征上的差異，而提出的國際上較為通用的一種植被指數(shù)。它是表征地表植被特征的重要手段，在植被分類、作物長勢和物候監(jiān)測等方面均得到廣泛應用[18-19]。但其本身也存在一定缺陷，如在高植被覆蓋區(qū)易飽和等。因此，為了改善NDVI的不足，Liu和Huete等人[20]利用MODIS的藍光、紅光和近紅外波段，建立了EVI，它可以將大氣與植被冠層背景的影響降低，從而提高較高植被覆蓋區(qū)植被信號的敏感性。本文采用MODIS提供的3級產(chǎn)品，包括研究區(qū)內2種植被指數(shù)NDVI/EVI的MOD13Q1數(shù)據(jù)，空間分辨率為250 m，時間分辨率為16 d。時間從2012年1月1日至2012年12月31日，行列號為h25v05，共23個時相的影像，由此構建該地區(qū)2012年的植被指數(shù)時間序列。

土壤濕度的實測數(shù)據(jù)來自中國科學院青藏高原研究所的土壤濕度/溫度監(jiān)測網(wǎng)絡數(shù)據(jù)（soil moisture temperature monitoring network，SMTMN），下載地址為http: //dam.itpcas.ac.cn/。該數(shù)據(jù)集共包括3個尺度，本文采用其中的大尺度數(shù)據(jù)。測量使用安裝在ECH2O土壤含水量監(jiān)測系統(tǒng)上的5TM，EC-TM電容探針，得到0～5、10、20和40 cm四層深度的土壤濕度數(shù)據(jù)。土壤水分傳感器的測量精度為±2%[21]。數(shù)據(jù)站點的土壤濕度數(shù)據(jù)為每30 min獲取一次，每天的土壤濕度值取全天所有數(shù)據(jù)的平均值。為了進行后續(xù)土壤濕度與植被指數(shù)的相關性分析，以天為單位的土壤濕度數(shù)據(jù)需要經(jīng)過處理，使其與16 d間隔的植被指數(shù)相匹配，即某天的土壤濕度值為這一天的值以及與其連續(xù)的15 d值的平均值。

2 研究方法

2.1 時間序列與季節(jié)性變化特征

為了探討不同深度的土壤濕度與植被指數(shù)間的關系，本文首先獲得兩者的年內季節(jié)性變化特征，然后在此基礎上找出其中的關聯(lián)性。根據(jù)研究區(qū)的氣候特點，在非生長季，大多數(shù)植被處于休眠期，植被指數(shù)并不能反映出這一時期的土壤濕度，因此本文只選擇植被的生長季作為關注的時間段，即5-10月，那么30個樣點2012年土壤濕度與植被指數(shù)的時間序列可直接獲得。由于多數(shù)時間序列變量都存在著一定程度的自相關性[22]，因此本文考慮再生成一組去自相關性的時間序列作為對照。具體的方法為：對2012年的原始數(shù)據(jù)采用移動平均法處理，得到該序列的季節(jié)性變化規(guī)律，再從2012年原始數(shù)據(jù)中去除掉該變化規(guī)律，即為去自相關性的時間序列。本研究對土壤濕度數(shù)據(jù)以47個點為間隔進行移動平均，而與之相應地，植被指數(shù)則需以3個點為間隔進行相應處理。

2.2 相關分析

考慮到根區(qū)可被利用的水分為影響植被生長狀態(tài)的主要因素，同時植被指數(shù)又可監(jiān)測植被生長狀態(tài)[23]，因此本研究假設處于生長季的植被指數(shù)與土壤濕度間將呈現(xiàn)出較好的相關性。本文將Pearson相關系數(shù)[24]用于對30個樣點不同深度土壤濕度與2種植被指數(shù)時間序列的相關分析，分別包括原始序列和去季節(jié)性的序列。同時，為了探索植被指數(shù)反映土壤濕度的延遲性，本文將延遲天數(shù)引入到相關分析過程中，考慮的延遲天數(shù)范圍是0～40 d，以5 d為間隔，獲取使植被指數(shù)與土壤濕度相關性最強時所對應的延遲天數(shù)。例如，假設延遲天數(shù)為5 d，那么第17天的植被指數(shù)（第17天到第32天的植被指數(shù)的合成值）應與第12天的土壤濕度值（第12天到第27天土壤濕度的平均值）相對應。

2.3 回歸分析與模型驗證

由于相鄰的2個樣點具有相似的氣候模式、土壤類型和植被類型，因此，本研究假設在一個樣點建立的土壤濕度與植被指數(shù)的回歸模型可用來估算相鄰樣點的土壤濕度。在完成相關分析之后，本研究從原始序列和去季節(jié)性序列中選擇植被指數(shù)與土壤濕度相關性最強的回歸模型，用于估算其它站點的土壤濕度值，并用土壤濕度實測值對模型精度進行驗證。此處本文將其中樣點1的回歸模型用于估算不同方向上其它4個樣點的土壤濕度值，并對影響模型精度的因素進行分析。

3 結果分析

3.1 土壤濕度與植被指數(shù)的時間變化特征

本研究對2012年30個樣點土壤濕度與NDVI和 EVI的原始時間序列與季節(jié)性變化序列進行分析，發(fā)現(xiàn)所有樣點所表現(xiàn)的趨勢相似，均具有季節(jié)性變化特征，但因樣點數(shù)量較多，此處只列出較有代表性的3個樣點（樣點1，2，3）進行說明，如圖2所示。從圖中可以看出，對2種序列來說，這2個植被指數(shù)均表現(xiàn)出較強的季節(jié)性變化特征，但NDVI的值要略高于EVI，兩者的數(shù)值約在4月中下旬開始增加，6-8月出現(xiàn)峰值，在11月末左右下降到最低點。5-10月也恰好為該研究區(qū)植被的生長季，可見NDVI和EVI均能較好地反映植被的生長狀態(tài)。同時，土壤濕度也呈現(xiàn)出與植被指數(shù)相似的季節(jié)性變化特征，3個樣點在0～5、10、20和40 cm四層深度均呈現(xiàn)出相似的變化趨勢，只是各層的土壤濕度值差異明顯。從圖中3個樣點植被指數(shù)與土壤濕度的變化特征不難看出，兩者的變化趨勢基本一致，由此推測兩者之間存在著一定的關系。

圖2 3個樣點2012年土壤濕度、NDVI和EVI變化的原始與季節(jié)性序列（NDVI和EVI沒有單位。）Fig.2 Raw and seasonal time series of soil moisture,NDVI,and EVI for 2012 at the 3 sites,respectively.(NDVIand EVI have no unit.)

如圖2b所示，樣點1的土壤濕度季節(jié)性變化特征較為明顯，土壤濕度值從2月開始升高，到6月底達到最高點，然后開始回落，到11月末到達最低點。其中，以0～5 cm和10 cm深度的土壤濕度值變化范圍最大，其在5月前和10月后值基本低于其它土層深度，而在6-7月的值最大，這主要由于表層土壤易受到外界因素干擾而導致，在旱季因蒸發(fā)量大而干燥，雨季因降水量大而濕潤；20 cm深度的土壤濕度值在全年均處于最低水平，這是因為該層的土壤粘粒較粗，保水能力較弱；40 cm深度的土壤不易受蒸發(fā)等因素的影響，且該層的細粘粒較多，土壤的保水性較好，因此其濕度值變幅相對不大。

如圖2d所示，樣點2的土壤濕度季節(jié)性變化特征與樣點1十分相似，只是其10、20和40 cm深度的土壤濕度值變化較為同步，且在各時間節(jié)點三者的差異不大，這與樣點2的沙土含量較少，淤泥與粘土含量較高，導致土壤的保水能力較強有關。

如圖2f所示，樣點3的土壤濕度季節(jié)性變化特征沒有樣點1明顯，土壤濕度值從4月開始升高，5-10月一直呈現(xiàn)出較高的態(tài)勢，到11月該值迅速回落，這表明樣點3在5-10月的降水量一直較為充足，導致各層土壤濕度都處于峰值狀態(tài)。其中，以40 cm深度的土壤濕度值最高，由于持續(xù)的降水導致該層土壤濕度豐沛，且該層較深，蒸發(fā)量較小，因此土壤濕度值得以保持在較高狀態(tài)。20 cm深度的土壤濕度值同樣在全年處于最低水平，原因同上。0～5 cm深度的土壤濕度值也相對較低，主要由于該層土壤的蒸發(fā)量較大，不利于水分的保持。

總之，從3個樣點的原始與季節(jié)性序列都能看出，NDVI和EVI與各層土壤濕度值的變化趨勢基本一致，且這一特征在植被的生長季尤為明顯，為獲取植被指數(shù)與土壤濕度間的關系，本文將對兩者進行相關分析。

3.2 土壤濕度與植被指數(shù)的相關分析

由于研究區(qū)內非生長季的植被大多處于休眠狀態(tài)，而且從3.1部分得知處在生長季的植被指數(shù)與土壤濕度的變化特征表現(xiàn)出較高的一致性，因此本研究選擇5-10月的土壤濕度與植被指數(shù)進行相關分析。由于NDVI和EVI為16 d的合成值，且土壤濕度值的取樣間隔也要與其一致，因此在2012年生長季內的樣本點共10個。因為去季節(jié)性的植被指數(shù)與土壤濕度相關性高于由原始數(shù)據(jù)得到的相關性，這與前人的研究結果相一致。如Li[25]等人的研究表明在去除季節(jié)性影響后，NDVI與土壤濕度的相關性有所提高；而Cashion[26]等人的結果表明未去除季節(jié)性影響的NDVI與土壤濕度幾乎沒有呈現(xiàn)出任何相關性。所以，本文只對30個樣點去季節(jié)性并考慮時間延遲的NDVI和EVI與土壤濕度的最大相關系數(shù)統(tǒng)計結果進行分析，其中考慮時間延遲的NDVI與土壤濕度的最大相關系數(shù)范圍為0.51～0.95，考慮時間延遲的EVI與土壤濕度的最大相關系數(shù)范圍為0.50～0.92，且絕大部分均通過99%的顯著性檢驗，延遲天數(shù)多在5～10 d。由于后面對回歸模型精度驗證的需要，此處只列出3.3部分用到的5個樣點（1-5）的詳細統(tǒng)計結果（見表1）。

表1 去季節(jié)性的NDVI和EVI與土壤濕度的最大相關系數(shù)及對應延遲天數(shù)Table 1 Maximum correlation coefficient and time lag for correlation between deseasonalized NDVI and EVI with soil moisture

如表1所示，對5個樣點的4層土壤深度，去季節(jié)性的NDVI和EVI與土壤濕度的相關性都較強，最大相關系數(shù)均為0.50以上，且大部分均通過置信度為99%的顯著性檢驗。2種植被指數(shù)所對應的延遲天數(shù)多集中在5～10 d，這與Schnur[27]的研究結果相一致。表明利用5～10 d后的植被指數(shù)值可以估算當天的0～40 cm的土壤濕度值。對比兩種植被指數(shù)的統(tǒng)計結果，在樣點1和2，EVI所對應的最大相關系數(shù)要高于NDVI，而在樣點3、4和5則相反；在樣點1、3、4和5，2種植被指數(shù)出現(xiàn)最大相關系數(shù)時所對應的延遲天數(shù)基本一致，而在樣點2，利用NDVI估算的延遲天數(shù)為5 d，利用EVI估算結果為10 d，兩者相差不大。由于該研究區(qū)的植被類型主要為草甸，并沒有較高的生物量，NDVI能夠較好地反映植被的生長狀態(tài)，不存在高植被覆蓋區(qū)易飽和現(xiàn)象，因此利用NDVI與EVI對土壤濕度進行反演的結果基本一致。但是，對于高植被覆蓋地區(qū)，NDVI易出現(xiàn)飽和現(xiàn)象，這時建議選擇EVI進行土壤濕度值的反演。在本研究中，由于考慮時間延遲的EVI與各層土壤濕度相關系數(shù)的統(tǒng)計結果與NDVI類似，因此本文在3.3部分將僅給出利用NDVI進行土壤濕度值估計與模型驗證的結果。

對比原始與去季節(jié)性的NDVI與各層土壤濕度關于延遲天數(shù)的相關系數(shù)統(tǒng)計結果，原始數(shù)據(jù)中所對應相關系數(shù)系數(shù)隨延遲天數(shù)變化的波動較大，而去季節(jié)性數(shù)據(jù)中所對應相關系數(shù)的變化較為穩(wěn)定。因此，為得到各層深度土壤濕度相對可靠的估值，應盡量選擇使用去季節(jié)性的植被指數(shù)與土壤濕度時間序列進行模型的建立。

3.3 土壤濕度的估算與模型驗證

在對各層土壤濕度與考慮時間延遲的植被指數(shù)進行相關分析之后，本研究將進一步分析高程和距離因素對前面得到回歸模型精度的影響。為此，將在樣點2得到的最大相關系數(shù)所對應的回歸模型分別應用到樣點1，3，4和5，進行4個點各層土壤濕度值的估算，并將估計值與實測值進行相關分析，各層土壤濕度的估計值與實測值的相關系數(shù)如表2所示。

表2 利用樣點2的回歸模型獲得樣點1，3，4和5同深度土壤濕度估算值與實測值的相關系數(shù)Table 2 Correlation coefficient between estimated and observed soil moisture for the regression models developed at the No.2 sites and applied to the No.1,No.3,No.4 and No.5 sites,at 0～5,10,20,and 40 cm

從表2可以看出，由樣點2的回歸模型推算其余4個點各層土壤濕度估計值與實測值的相關系數(shù)，在樣點1為0.64～0.68，在樣點3為0.42～0.55，在樣點4為0.88～0.94，在樣點5為0.67～0.92。顯然在樣點1、4和5的相關系數(shù)高于樣點3，且樣點1、4和5的相關分析均通過95%的顯著性檢驗，而樣點3的相關分析并未通過顯著性檢驗。由于樣點1、4和5到樣點2的距離遠近不一，但3個點的估算值與實測值的相關系數(shù)均較高，可見距離并不是制約上述回歸模型精度的主要因素。而從高程角度來看，只有樣點3的高程相對較高，考慮到研究區(qū)的氣候特點，土壤濕度隨高程的改變其值波動也應較大。因此，在氣候模式、土壤類型和植被類型都相同的前提下，本文推斷高程為影響樣點2回歸模型適用性的主要因素，且該模型對高程因素較為敏感，因此應用該模型時需關注高程范圍。

4 結論與討論

本文利用MODIS NDVI和EVI的植被指數(shù)產(chǎn)品，在獲得2012年30個樣點各層土壤濕度與植被指數(shù)全年變化特征的基礎上，對兩者進行相關分析，并利用其中相關系數(shù)最高的回歸模型對土壤濕度值進行估算，最后驗證模型的精度，得到的結論如下：

1）對各層土壤濕度與植被指數(shù)的原始與去自相關性時間序列來說，兩者均呈現(xiàn)出較強的季節(jié)性變化規(guī)律，且土壤濕度與植被指數(shù)的變化特征較為一致，但去自相關性序列的上述特征要比原始序列更加明顯。

2）去季節(jié)性植被指數(shù)與土壤濕度的相關性優(yōu)于原始序列，同時去季節(jié)性的NDVI和EVI與土壤濕度的相關性都較強，最大相關系數(shù)均為0.50以上，且均通過置信度為99%的顯著性檢驗。利用NDVI和EVI估算土壤濕度的延遲天數(shù)均為5～10 d。

3）在氣候模式、土壤類型與植被類型都相同的條件下，由其中某一樣點獲得的回歸模型可用于估算其它點的土壤濕度，但該模型要受到高程因素的影響，隨高程的增加模型精度會降低。

4）對比NDVI和EVI兩種植被指數(shù)，在本研究中兩者與土壤濕度的相關性均較強，都可用于土壤濕度值的估算。但考慮本研究區(qū)為低植被覆蓋區(qū)，NDVI不存在易飽和現(xiàn)象，因此兩者的結果較一致，而對于高植被覆蓋區(qū)，建議使用EVI進行土壤濕度的估算。

由于本研究采用的是2012年16 d合成的植被指數(shù)產(chǎn)品，且進行土壤濕度與植被指數(shù)相關分析時只利用植被的生長季這段時間長度，導致全年能利用的樣本數(shù)較少，后續(xù)研究考慮利用影像直接提取以天為單位的植被指數(shù)，或考慮增加研究的年限長度，以期使數(shù)據(jù)具有更廣泛的代表性。另外，本研究為在半濕潤地區(qū)展開的實驗，后面可考慮在濕潤、干旱及半干旱等多種地區(qū)進行相應的分析與模型驗證，以期獲得該研究方法的適用范圍。

[1]Montzka C.et al.Hydraulic parameter estimation by remotelysensed top soil moisture observations with the particle filter[J]. Journal of Hydrology,2011,399:410-421.

[2]Svoray T,Mazor S,Bar P.How is shrub cover related to soil moisture and patch geometry in the fragmented landscape of the Northern Negev desert[J].Landscape Ecology,2007,22:105-116.

[3]Reynolds J F,Kemp P R,Ogle K,et al.Modifying the‘pulsereserve’paradigm for deserts of North America:precipitation pulses,soil water,and plant responses[J].Oecologia,2004,141: 194-210.

[4]Engman E T,Chauhan N.Status of microwave soil moisture measurements with remote sensing[J].Remote Sensing of Environment,1995,51:189-198.

[5]Schmugge T,O’Neill P E,Wang J R.Passive microwave soil moisture research[J].Geoscience and Remote Sensing,2007,24 (1):12-22.

[6]Jackson T J,Schmugge J,Engman E T.Remote sensing applications to hydrology:soil moisture[J].Hydrological Sciences Journal,1996,41(4):517-530.

[7]Schmugge T J,Kustas W P,Ritchie J C,et al.Remote sensing in hydrology[J].Advances in Water Resources,2002,25(8-12): 1367-1385.

[8]Rouse J W,Haas R H,Schell J A,et al.Monitoring vegetation systems in the great plains with ERTS[C].In:Third ERTS Symposium,NASA SP-351,1973,1:309-317.

[9]Gao B C.NDWI-a normalized difference water index for remote sensing of vegetation liquid water from space[J].Remote Sensing of Environment,1996,58(3):257-266.

[10]Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment,2002,80:76-87.

[11]Liu Shishi,Roberts D A,Chadwick O A,et al.Spectral responses to plant available soil moisture in a Californian grassland[J]. InternationalJournalofApplied Earth Observation and Geoinformation,2012,19:31-44.

[12]Adegoke J O,Carleton A M.Relations between soil moisture and satellite vegetation indices in the U.S.Corn Belt[J].American Meteorological Society,2002,3:395-405.

[13]Wang Lingli,Qu J J,Hao Xianjun,et al.Sensitivity studies of the moisture effects on MODIS SWIR reflectance and vegetation water indices[J].International Journal of Remote Sensing,2008, 29(24):7065-7075.

[14]Mallick K,Bhattacharaya B K,Patel N K.Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI[J].Agricultural and Forest Meteorology,2009,149:1327-1342.

[15]Sowell J.Desert Ecology:an Introduction to Life in the Arid Southwest[M].The University of Utah Press,2001.

[16]Didan K,Huete A,Jacobson A,et al.The MODIS Vegetation Index(MOD13)product series:specifications,performance and status[EB/OL].Terrestrial Biophysics&Remote Sensing Lab, Department of Soil,Water,and Environmental Science,The University of Arizona,Tucson,AZ,2004.Accessed May 2008 from http://www.ntsg.umt.edu/MODISVeg.2004/posters/K_Didan_ VI_Product_Montana_Worskho.pdf.

[17]Rouse Jr J W,Haas R H,Schell J A,et al.Monitoring Vegetation Systems in the Great Plains with ERTS[C].Presented at Third Earth Resources Technology Satellite-1 Symposium,NASA, Washington,D C,1974:309-317.

[18]楊嘉，郭鈮，賈建華.西北地區(qū)MODIS/NDVI與MODIS/EVI對比分析[J].干旱氣象，2007，25(1)：38-43. Yang Jia,Guo Ni,Jia Jianhua.Comparison between MODIS/ NDVI and MODIS/EVI in northwest China[J].Arid Meteorology, 2007,25(1):38-43.(in Chinese with English abstract)

[19]Piyachat R,Yuan Yin,Alfredo R H,et al.Interrelation among Modis vegetation products across an Amazon Eco-climatic Gradient.IEEE International Geoscience and Remote Sensing Symposium Proceedings[C].Korea,2005:3009-3012.

[20]Liu Huiqing,Huete A R.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience and Remote Sensing,1995,33:457-465.

[21]Yang Kun,Qin Jun,Zhao Long,et al.A multiscale soil moisture and freeze-thaw monitoring network on the third pole[J].Bulletin of the American Meteorological Society,2013,94:1907-1916.

[22]Kendall S M,Ord J K.Time Series,third ed.[M].Oxford University Press,New York,1990.

[23]Martyniak L,Dabrowska-Zielinska K,Szymczyk R,et al. Validation ofsatellite-derived soil-vegetation indices for prognosis of spring cereals yield reduction under drought conditions-case study from central-western Poland[J].Advances in Space Research,2007,39:67-72.

[24]Korin B P.Statistical Concepts for the Social Sciences[M]. Winthrop publishers,Inc.,Cambridge,1975.

[25]Li Haibin,Robock A,Liu Suxia,et al.Evaluation of reanalysis soil moisture simulations using updated Chinese soil moisture observations[J].Journal of Hydrometeorology,2005,6:180-193.

[26]Cashion J,Lakshmi V,Bosch D,et al.Microwave remote sensing of soil moisture:evaluation of the TRMM microwave imager (TMI)satellite for the Little River Watershed Tifton,Georgia[J]. Journal of Hydrology,2005,307:242-253.

[27]Schnur M T,XieHongjie,Wang Xianwei.Estimating root zone soil moisture at distant sites using MODIS NDVI and EVI in a semi-arid region of southwestern USA[J].Ecological Informatics, 2010,5:400-409.

Soil moisture inversion in pasture of northern Tibet based on vegetation index

Zhang Yue,Wang Hongbin※,Wang Yifan,Han Xing,Zhao Lanpo
(1.College of Resources and Environment,Jilin Agricultural University,Changchun 130118,China;2.Key Laboratory of Soil Resource Sustainable Utilization for Jilin Province Commodity Grain Bases,Jilin Agricultural University,Changchun 130118,China)

Dynamic monitoring of soil moisture by remote sensing can play a significant role in agricultural production.In recent years,continual attention has been focused on the thought that soil moisture information can be extracted by remote sensing indices.However,the majority of the studies on soil moisture estimation are applied without considering different depths and the time lag that vegetation index(VI)responds to soil moisture.This study investigated the potential of using the moderate resolution imaging spectroradiometer(MODIS)products,including normalized difference vegetation index(NDVI) and enhanced vegetation index(EVI),to estimate soil moisture at distant in-situ measured sites.In this study,30 sites were sampled under the same climatic setting,with the same soil type and the same vegetation type.The MOD13Q1 series data were selected to receive both NDVI and EVI products,which were 16-day composites with 250-meter spatial resolution.We alsoobtainedthe in-situ soil moisturedata that were measured once every 30 min from Soil Moisture/Temperature Monitoring Network(SMTMN)in the pasture of northern Tibet.Daily soil moisture was the average of soil moisturesthat were measured once every 30 min.To study the correlation between VIs and soil moisture,the daily time series of soil moisture data had to be processed to match the 16-day VIs.In order to move autocorrelation of most time series data,a simple moving averagemethod was used to identify the seasonal components:47-point moving average for the daily soil moisture and 3-point moving average for the 16-day VIs.Deseasonalized time series was then produced by subtracting seasonal time series from raw time series.Collocatethe deseasonalized time series of soil moisture at 4 depths(0～5,10,20and 40 cm)and the NDVI,EVI in 2012 were used for correlation analysis.Similar analysis was also conducted for the comparison.Pearson Product Moment correlation coefficients were calculated during the growing season(from May to October)for 4 depths.Our hypothesis was that the soil moisture-VI regression model developed at one site could be used to estimate soil moisture using VIs at a distant site,providing that other sites had similar soil type,vegetation,and climate regime.Wetested the hypothesis by developing a regression model(at No.2 site)using the deseasonalized NDVI with a 5-day time lag as the independent variable and the deseasonalized soil moisture as the dependent variable at 4 native sites(No.1,No.3,No.4 and No.5)within the growing season.Results showed that the deseasonalized time series and the raw time series had the consistent results between NDVI,EVI and soil moisture at the 30 sites.Both NDVI and EVI needed longer time to respond to soil moisture change.Correlation based on raw time series of VIs and soil moisture was consistent with that based on deseasonalized time series at every depth.The maximum correlation value between deseasonalized NDVI,EVI and soil moisture was from 0.50 to 0.95,and the correlation was significant at the 99%level.Most correlation reached the maximum value whenVIslaged soil moisture by 5-10 days.Regression analysis was conducted using the deseasonalizedsoil moisture time series and the deseasonalizedNDVI time series with a 5-day time lag at No.2 site.Regression models developed at one site and applied to a similar distant site could estimate soil moistures.The correlation coefficient values between estimated and in-situ measured soil moisture at different depths varied from 0.64 to 0.68 at No.1 site,from 0.42 to 0.55 at No.3 site, from 0.88 to 0.94 at No.4 site,and from 0.67 to 0.92 at No.5 site,and higher elevationhad smaller correlation coefficient. Thus,elevation is the main factor that affects the accuracy of the regression model.This research can provide valuable information for method selection in pasture soil moisture estimation at different depths by remote sensingindices.

soils;humidity;remote sensing;NDVI;EVI;soil moisture;correlation analysis;regression model

10.11975/j.issn.1002-6819.2016.06.020

S127

A

1002-6819（2016）-06-0149-06

2015-10-22

2016-01-22

公益性行業(yè)（農(nóng)業(yè)）科研專項經(jīng)費項目（201503116-06）；國家科技支撐計劃項目（2013BAC09B01）；吉林省科技廳重大科技攻關專項（20130204050SF）；國家科技重大專項（2014ZX07201-011-006）；吉林農(nóng)業(yè)大學科研啟動基金項目（201240）

張 月（1985-），女，吉林扶余人，講師，碩士，主要從事農(nóng)業(yè)遙感與氣候變化方面的研究。長春 吉林農(nóng)業(yè)大學資源與環(huán)境學院，130118。Email:lisa_ling7892002@163.com

※通信作者：王鴻斌（1970-），男，吉林遼源人，教授，博士，從事土壤肥力調控與土壤改良工作。長春 吉林農(nóng)業(yè)大學資源與環(huán)境學院，130118。Email：asionwang@163.com