基于溫度植被干旱指數的華東地區AMSR-E土壤水分數據的空間降尺度研究

辛強，李兆富，李瑞娟，郭泰，吳敏，潘劍君

（南京農業大學資源與環境科學學院，江蘇 南京 210095）

基于溫度植被干旱指數的華東地區AMSR-E土壤水分數據的空間降尺度研究

辛強，李兆富*，李瑞娟，郭泰，吳敏，潘劍君

（南京農業大學資源與環境科學學院，江蘇 南京 210095）

土壤水分一直是土壤學領域中較為活躍的研究內容，是陸面過程與水循環的重要影響因素。以AMSR-E為代表的被動微波遙感技術的發展為土壤水分的研究提供了方便，但是其粗糙的空間分辨率限制了其在中小尺度內的應用。因此，本研究利用MODIS溫度產品MOD11A2和歸一化植被指數產品MOD13A3構建了月時間尺度下的溫度植被干旱指數（TVDI）；其次，利用溫度植被干旱指數TVDI和土壤水分之間的線性負相關關系，對AMSR-E三級土壤水分反演產品進行空間降尺度研究，獲取2003年連續月時間尺度下空間分辨率為1 km的土壤水分反演結果，并利用地面實測土壤水分數據對反演結果進行驗證。地面實測土壤水分值與降尺度反演結果顯著相關，每月的線性相關決定系數均在0.8以上，表明降尺度后的土壤水分反演結果具有較高的精度，能夠用來表示土壤水分的分布特征。

AMSR-E；TVDI；華東地區；土壤水分；降尺度

辛強， 李兆富， 李瑞娟， 郭泰， 吳敏， 潘劍君. 基于溫度植被干旱指數的華東地區AMSR-E土壤水分數據的空間降尺度研究［J］.農業現代化研究， 2016， 37（5）: 956-963.

Xin Q， Li Z F， Li R J， Guo T， Wu M， Pan J J. Downscaling AMSR-E soil moisture data based on temperature vegetation drought index in Eastern China［J］. Research of Agricultural Modernization， 2016， 37（5）: 956-963.

土壤水分是描述地表和大氣之間能量、水分交換的關鍵參數，對于水文、生態以及農林牧業等研究具有非常重要的意義［1-2］。隨著微波遙感技術的發展，為區域尺度的土壤水分信息的獲取提供了有效手段［3］，極大促進了土壤水分的研究進程。國內外許多學者開始使用遙感手段進行土壤水分研究［4-7］，其中以AMSR-E為代表的被動微波遙感反演土壤水分已經成為目前最主要的研究方法［8］。然而，被動微波輻射數據空間分辨率較低，大部分傳感器空間分辨率為25 km［9］，導致地表空間信息丟失［10］，難以滿足中小尺度對于數據的精度要求［11］以及在農業應用中的精度要求［12］。因此，基于被動微波輻射計的土壤水分數據降尺度研究以獲取高分辨率土壤水分數據具有現實意義［13-14］。

事實上，國內外學者已經嘗試使用遙感手段進行AMSR-E土壤水分的降尺度反演研究［1，15-20］。其中，Sandholt等［21］提出的溫度植被干旱指數TVDI在土壤水分的研究中應用較為廣泛。但是在現有的溫度植被干旱指數TVDI與被動微波輻射計土壤水分數據的降尺度研究中，由于數據等方面的限制，大多數研究只集中于某一天或者某幾天的時間尺度，如曹永攀等［1］利用溫度植被干旱指數和MODIS數據對AMSR-E的降尺度研究，還有部分年際尺度上的研究，但是缺少對于連續月時間尺度下的AMSR-E土壤水分數據的降尺度研究，而月尺度下的土壤水分遙感監測對于土壤干旱的研究必不可少［20］。另外一方面，土壤水分的季節性變化規律愈來愈得到重視，而季節性變化又是以月尺度變化為基礎的［22］，因此，利用溫度植被干旱指數TVDI進行AMSR-E土壤水分數據的月尺度下的降尺度研究是非常必要的。

目前國內關于土壤水分的研究，大多數選擇西部及西北部干旱以及半干旱地區作為研究區域［23，24］，而對于華東地區土壤水分的研究比較少見，而在邴飛龍等［25］的研究中指出，華東地區土壤水分蒸散量較高，土壤水分變化劇烈，針對華東地區展開土壤水分的研究具有重要的意義。因此，本研究選擇華東地區作為研究區域，首先利用MODIS溫度產品MOD11A2和歸一化植被指數產品MOD13A3計算2003年連續月時間尺度下的溫度植被指數TVDI，然后利用溫度植被干旱指數TVDI與土壤水分之間的負相關關系［21］，通過AMSR-E土壤水分反演結果計算TVDI與土壤水分間的負相關參數，進而得到空間分辨率為1 km的土壤水分降尺度結果，并利用中國氣象數據共享網提供的地面實測土壤濕度數據對反演結果進行驗證。驗證結果表明基于AMSR-E土壤水分數據的空間降尺度反演結果具有較高的精度。

1　研究區概況

本研究選取華東地區為研究區域（圖1a），包括山東省、江蘇省、安徽省、浙江省、江西省、福建省和上海市，面積為79.83萬km2，經緯度范圍24°27′36″—38°14′24″N，113°32′24″—122°42′36″E。氣候屬于亞熱帶濕潤性季風氣候和溫帶季風氣候，以淮河為界限，淮河以北為溫帶季風氣候，以南為亞熱帶季風氣候。華東地區土地覆被類型多樣，以耕地和林地為主，兼有草地等用地類型（圖1b）。其中，耕地主要分布在山東、江蘇、安徽以及浙江北部，林地主要位于江西、福建以及浙江南部區域。地勢的總體特點是南北高、中部低，根據地形地貌特點大致可分為三部分：北部為黃淮平原，中部為長江中下游平原，南部為低山丘陵地區，最大高程為2 018 m（圖1c），地形地貌差異顯著，土壤水分含量差異較大。

2　研究方法

圖1　華東地區行政區劃及土壤水分測量站點（a）、土地覆被類型（b）與高程（c）Fig. 1　Administrative area and ground-based soil moisture （a）， land cover type （b）， and elevation of Eastern China （c）

2.1AMSR-E土壤水分降尺度方法

本研究選擇的土壤水分數據AMSR-E空間分辨率為25 km，并且在現有大尺度的土壤水分研究中已經得到廣泛應用［2，10，26］，但是其粗糙的空間分辨率難以滿足中小尺度的精度要求。為了保證華東地區AMSR-E土壤水分數據的精度，本研究利用溫度植被干旱指數TVDI與土壤水分之間的負相關關系［21］進行AMSR-E土壤水分數據的降尺度研究。溫度植被干旱指數最早是由Sandholt等［21］基于植被指數和地表溫度的關系提出的。TVDI越大，土壤濕度越低，反之，土壤濕度越高［27］，也就是TVDI與土壤水分之間存在良好的線性負相關關系。溫度植被干旱指數TVDI由植被指數和地表溫度計算得到，只依靠圖像數據，其表達式為：

式中：Ts為任意像元的地表溫度，Tsmin為最小的地表溫度，對應的是濕邊；Tsmax=a+ b×NDVI，Tsmax為最大的地表溫度，對應的是干邊，a和b為干邊擬合方程的系數。在干邊上TVDI為1，濕邊上TVDI為0，對于每個像元，利用NDVI確定Tsmax，進而計算溫度植被干旱指數TVDI。TVDI越大，土壤濕度越低；TVDI越小，土壤濕度越高，也就是TVDI與土壤水分呈負相關關系［1］。在1 km空間分辨率尺度上，TVDI與AMSR-E土壤水分的負相關關系表述為：

如能求得參數a和b，則可由公式（2）計算得到分辨率為1 km的土壤濕度。AMSR-E空間分辨率為25 km，由25×25個1 km的網格組成，本研究將像元采取平均計算，即25 km網格的土壤濕度是其中所有1 km網格的土壤濕度的平均值［1，10，11］，公式表示為：

公式（3）中f （tvdi1，tvdi2，…，tvdii，…）則為空間分辨率為25 km的溫度植被干旱指數TVDI在1 km尺度上的平均值［1，21］，即：

由此，則可以通過公式（4）計算參數a與b，從而利用公式（2）得到空間分辨率為1 km的土壤水分降尺度反演結果。

2.2降尺度結果驗證方法

本研究使用單點驗證方法［28］驗證土壤水分降尺度反演結果。AMSR-E土壤濕度產品及反演結果的精度驗證的常用方法有四種［28］：第一，長時間土壤濕度地面觀測站驗證。地面站點測得的結果都是單點數據，不能完全代表像元尺度內的整體土壤濕度，因此驗證結果會存在一定程度的誤差。但是由于觀測的規律性和持續性，地面觀測的土壤濕度數據可以與AMSR-E土壤濕度反演值比較變化趨勢，來驗證長時間序列基于AMSR-E的反演結果的精度。這種方法省事省力，在本研究中就是選擇的該方法。第二，短期野外試驗驗證。野外試驗由于試驗區域有限，只能在少數幾個像元內做精度驗證，而地球表面的異質性限制了該方法的應用。第三，再分析資料土壤濕度比較。通過模型得到的土壤濕度在精度上比野外試驗獲得的精度低，驗證結果較差。第四，同衛星不同傳感器，或者不同衛星傳感器的類似產品做比較。該方法屬于交叉驗證法，但是很難保證土壤水分結果的實時性。

華東地區地面測量站點測得的土壤水分結果為土壤相對濕度，而降尺度反演得到的土壤水分數據為體積含水量。土壤水分體積含水量θv與質量含水量θm之間的換算關系如公式（5）所示：

式中：sc為土壤容重（g/cm3）。

土壤相對濕度q為土壤質量含水量θm與土壤田間持水量fc之比，如公式（6）所示：

結合公式（5）和（6），土壤體積含水量θv為土壤相對濕度q與田間持水量fc以及土壤容重sc的乘積，即：

利用轉化后的地面實測土壤濕度數據對降尺度后的土壤濕度反演結果進行驗證，并選取以下幾個參數：相對誤差REVR，絕對誤差ABVR，均方根誤差RMSE以及最大偏差MaxE和最小偏差MinE，定義地面土壤水分為X，降尺度反演結果為X0，N是參與比較的樣本數，此處即地面土壤水分測量數目，公式定義如下：

3　數據來源與處理

3.1AMSR-E土壤水分產品

研究區土壤水分產品選擇AMSR-E三級地表土壤水分產品，該產品為基于Qp模型開發的雙通道反演的結果，其數值為土壤體積含水量，單位為m3/m3，每天的數據包括升軌和降軌數據，空間分辨率為25 km。本研究選擇以2003年為例，對研究年限內每天的土壤水分升軌、降軌數據進行拼接、裁剪處理并進行算數平均［10］，得到華東地區每月的土壤水分數據，進而通過對2003年十二個月的土壤水分數據進行算數平均得到當年的土壤水分數據［10］。

3.2MODIS數據

本研究選擇MODIS提供的1 km空間分辨率的8日地表溫度產品MOD11A2以及以月為時間步長的歸一化植被指數產品MOD13A3來計算溫度植被干旱指數TVDI。由于MODIS地表溫度產品MOD11A2存在少量數據缺失的情況，為了保證數據的完整性，對地表溫度產品MOD11A2采用最大值合成每月的地表溫度產品，最大值合成法可有效剔除、替換非正常像元值，保留正常值［11］，同時在計算溫度植被干旱指數的過程中會進一步剔除異常高溫值的影響，所以此處選擇最大值合成月時間尺度下的地表溫度。由此與歸一化植被指數MOD13A3時間周期統一，進而計算月時間尺度下的溫度植被干旱指數TVDI。

3.3地面土壤水分數據

利用中國氣象科學數據共享服務網（http://cdc. nmic.cn/）提供的土壤濕度數據驗證空間降尺度結果的準確性。該土壤濕度數據來源于以農業氣象觀測為基礎的土壤相對濕度數據，數據集名稱為“中國農作物生長發育狀況資料數據集”。華東地區共有125個土壤水分地面測量站點（圖1a），測量的土壤水分結果為土壤相對濕度，對每月三期的土壤濕度觀測結果進行平均計算，以此來表示每月土壤濕度觀測結果，與AMSR-E時間步長統一。地面測得的土壤水分數據為土壤相對濕度，在轉化為土壤體積含水量過程中所需要的土壤容重和田間持水量數據來源于Land-Atmosphere Interaction Research Group at Beijing Normal University （http://globalchange.bnu.edu.cn/）。

4　結果與分析

4.1華東地區AMSR-E土壤水分降尺度結果

表1統計了2003年十二個月內溫度植被干旱指數TVDI與AMSR-E土壤水分數據的線性回歸參數及兩者的決定系數R2。R2最大值為七月的0.91，最小值為十月的0.79。十二個月內溫度植被干旱指數TVDI與AMSR-E土壤水分數據均表現出較好的線性負相關關系，因此可以利用該線性參數對AMSR-E土壤濕度數據進行降尺度運算，得到空間分辨率為1 km的土壤水分降尺度反演結果（圖2）。

表1　AMSR-E與TVDI的線性回歸擬合參數Table 1　Linear fitting parameters between AMSR-E and TVDI

結合華東地區2003年AMSR-E土壤水分的降尺度反演結果，土壤水分含量及時空分布具有較大的變化。其中在二月份，山東北部地區土壤水分含量明顯偏高，造成該現象的原因是由于在研究中所使用的地表溫度數據存在部分缺失，這對于溫度植被干旱指數具有一定的影響，因此在反演結果上存在一定誤差，使得在山東區域內土壤水分含量變化較為明顯。三、四、五月份山東、安徽等地土壤水分含量普遍偏低，浙江、福建土壤水分含量較前幾個月呈明顯增加的趨勢，主要原因在于山東、安徽等地屬于我國地理意義上的北方，此時進入春旱時期，土壤水分含量明顯減少。從七月份開始，浙江、福建等南方地區開始進入伏旱時期，尤其是在八月份，土壤水分含量與前段時期相比呈現出減少的變化趨勢。雖然土壤水分在時空分布上存在較大變化，但是從整個華東地區來說，以浙江、福建等林地覆蓋下土壤水分含量要高于山東、安徽等地耕地覆被下的土壤水分含量。

根據每月降尺度后的土壤水分反演結果，計算得到華東地區2003年土壤水分反演結果。降尺度前后AMSR-E土壤水分反演結果如圖3所示。圖3中左圖是經過降尺度運算后的結果，右圖是降尺度之前的原始AMSR-E土壤水分結果。經過空間降尺度運算后，將AMSR-E土壤水分數據空間分辨率提高至1 km。與AMSR-E相比，降尺度后的土壤水分反演結果能夠滿足中小研究尺度范圍內的數據精度要求，提高了研究精度，擴大了AMSR-E土壤水分數據的應用范圍及領域。

圖2　華東地區2003年每月AMSR-E土壤水分降尺度反演結果Fig. 2　Retrieved soil moisture based on AMSR-E for each month of 2003 in Eastern China

圖3　AMSR-E降尺度前后對比圖Fig. 3　Comparison between downscaled result and AMSR-E soil moisture data

降尺度運算后的土壤水分反演結果較原始影像相比，土壤水分最大值減小，并且部分區域土壤水分含量也較低。出現這種現象的原因主要是由于傳感器本身的影像：原始AMSR-E土壤水分影像是根據亮溫結果反演而來，每天亮溫數據的變化對于AMSR-E最終的土壤水分結果有較大影響，而降尺度反演結果在計算過程中采用算術平均計算，能夠減少由于溫度變化造成的土壤水分的影響。因此，降尺度反演結果比原始影像土壤水分值偏低。但是，經過地面實測土壤水分的驗證，降尺度反演的結果是符合精度要求的。

4.2AMSR-E土壤水分降尺度結果驗證

計算降尺度后的土壤水分結果與地面實測值之間的決定系數R2，REVR，ABVR，RMSE，MaxE，MinE，統計結果如表2所示。土壤水分降尺度反演結果與地面實測土壤水分數據間的決定系數R2均在0.80以上，表明兩者之間具有較好的線性關系。降尺度反演值與實測值最大差值為0.025 m3/m3，最小差值0.009 m3/m3，分別占降尺度土壤水分結果的17.86%和6.92%，誤差參數最大的是六月份，此時均方根誤差0.081，其次為七月、八月，主要原因是此時處于夏季，降雨量大，地面實測土壤水分含量較高，而降尺度的土壤水分則是月平均后的結果，因此存在部分誤差。其余月份均方根誤差均在0.070左右，最小值為十一月份的0.062。從絕對誤差和相對誤差值以及偏差值中也可以得出同樣的結論，即在夏季反演精度較低，春秋季反演精度較高。

表2　降尺度土壤水分反演結果誤差分析Table 2　Error analysis about retrieved soil moisture data

土壤水分反演結果與地面實測土壤水分數據之間的驗證結果證明：降尺度土壤水分結果具有較高的精度，線性回歸擬合決定系數R2均在0.8以上，表明降尺度土壤水分結果與地面土壤水分數據具有較好的線性相關性，降尺度結果能夠描述土壤濕度的變化情況。雖然驗證結果表明反演得到的土壤濕度具有較高的精度，但是仍然存在部分誤差，十二個月內的地面土壤水分值均高于反演結果，綜合原因，主要有以下三個方面：第一，驗證方法的選擇。如前所述，地面測量數據為點數據，用以驗證面數據會存在一定程度的誤差。但是由于觀測的規律性和持續性，地面觀測的土壤濕度數據可以與AMSR-E土壤濕度反演值比較變化趨勢［29］。第二，測量深度的不同。地面實測土壤水分數據測量深度在10 cm左右，而利用AMSR-E反演得到的土壤水分數據的測量深度在0-5 cm土層，地表的土壤水分運動較深土層劇烈，土壤水分散失嚴重，因此深土層土壤水分含量大于淺土層土壤水分含量。第三，土地覆被類型對結果的影響。華東地區土地覆被類型多樣，以耕地和林地為主（圖1）。地面測量站點分布于不同的土地覆被類型之上，不同用地類型的蓄水保水能力各不相同，總體來說，林地的蓄水保水能力要高于耕地和草地，這對地面測量值和反演值也有一定程度的影響。綜上所述，雖然土壤水分反演結果與地面實測土壤水分之間存在一定誤差，但是反演值仍然具有較高精度，能夠用來描述華東地區土壤水分的變化情況。

4.3華東地區土壤水分分布特征

由華東地區2003年每月的土壤水分反演結果進行算數平均，得到2003年的土壤水分降尺度結果，如圖4所示。降尺度結果反映了土壤濕度的空間分布規律，其格局十分明顯，整體呈現北部低，南部高，中間過渡的分布形態，其中土壤水分含量最低的地區位于山東地區，土壤水分含量在0.113 m3/m3，其次是安徽、上海以及江蘇部分地區，土壤水分含量最大值的區域位于福建南部以及浙江部分地區，土壤水分含量最大值為0.146 m3/m3。這種分布規律與華東地區的經度地帶性規律相符，同時也與研究區內土地覆被類型緊密相關。因為受光照和季風影響，區域降水量自北向南逐漸增加，蒸發量則逐漸減少，而降水量和蒸發量基本上共同決定了該區域土壤水分狀況，同時由于在研究區域內，耕地主要位于華東地區北部，以山東、江蘇、安徽、上海等地為主，而浙江、福建則以林地為主，林地的蓄水保水能力遠遠高于耕地，同時能夠減少水分的蒸發［30］，因此造成了土壤水分在華東地區內的整體分布格局為南高北低。

圖4　2003年華東地區土壤水分分布Fig. 4　Spatial distribution of soil moisture in Eastern China in 2003

5　結論

本研究選擇MODIS地表溫度產品MOD11A2和歸一化植被指數產品MOD13A3，構建溫度植被干旱指數TVDI，并利用土壤水分與溫度植被干旱指數之間的負相關關系，通過AMSR-E三級地表土壤水分產品計算得到TVDI與土壤水分之間的負相關線性參數，進而對AMSR-E進行降尺度計算，得到空間分辨率為1 km的土壤水分反演結果，并利用中國氣象數據共享服務網提供的地面實測土壤水分數據對降尺度結果進行驗證。驗證結果表明降尺度結果與地面實測土壤水分之間具有較好的線性關系，兩者的決定系數均大于0.8。不僅如此，還計算了土壤實測值與反演值之間的絕對誤差、相對誤差、均方根誤差以及最大差值和最小差值，得到的計算結果顯示了相同的結論：土壤水分實測值與降尺度反演結果具有很好的線性關系，反演結果能夠滿足精度要求。研究區域土壤水分時空分布差異較大，總體來說土壤水分含量較高的區域位于浙江、福建、江西等林地面積較大的地區，而山東、江蘇、安徽、上海等以耕地為主的地區，土壤水分含量較低。

6　討論

本研究利用Sandholt溫度植被干旱指數TVDI與土壤水分之間的線性負相關關系，對AMSR-E土壤數據進行了空間降尺度運算操作，獲取了連續月時間尺度下的空間分辨率為1 km的土壤水分反演結果。目前，在現有的研究中對連續時間尺度的AMSR-E土壤水分的降尺度研究還較為缺乏，本研究則是對該方面的一個補充。在后續的研究中，考慮如何進一步減小中間參數的誤差是一個具有現實意義的研究方向。因為在目前計算溫度植被干旱指數的過程中，使用的都是MODIS提供的地表溫度產品和歸一化植被指數產品，而MODIS提供的日時間尺度和本研究應用的8日時間尺度的地表溫度產品均存在不同程度的數據缺失。采用何種方法獲取日時間尺度下的溫度植被干旱指數，進而得到連續日時間尺度下的高空間分辨率的土壤水分結果，是后續研究中比較重要的延伸方向。

致謝：感謝National Snow and Ice Data Center提供的AMSR-E土壤水分數據，美國宇航局提供地表溫度和歸一化植被指數數據，中國氣象科學數據共享服務網提供的地面土壤水分測量數據，Land-Atmosphere Interaction Research Group at Beijing Normal University提供的土壤容重和田間持水量數據。

［1］ 曹永攀， 晉銳， 韓旭軍， 等. 基于MODIS和AMSR-E遙感數據的土壤水分降尺度研究［J］. 遙感技術與應用， 2011， 26（5）: 590-597.

Cao Y P， Jin R， Han X J， et al. A downscaling method for AMSR-E soil moisture using MODIS derived dryness index［J］. Remote Sensing Technology and Application， 2011， 26（5）: 590-597.

［2］ Chen X Z， Su Y X， LI Y， et al. Retrieving China’s surface soil moisture and land surface temperature using AMSR-E brightness temperatures［J］. Remote Sensing Letters， 2014， 5（7）: 662-671.

［3］ D’urso G， Minacapilli M. A semi-empirical approach for surface soil water content estimation from radar data without a-priori information on surface roughness［J］. Journal of Hydrology， 2006，321（1/2/3/4）: 297-310.

［4］ Notarnicola C， Ventura B， Pasolli L， et al. Towards an Operational Daily Soil Moisture Index Derived from Combination of MODIS，ASAR and AMSR-E Data［M］. Ieee International Geoscience and Remote Sensing Symposium， 2010: 816-819.

［5］ Brocca L， Hasenaure S， Lacava T， et al. Soil moisture estimation through ASCAT and AMSR-E sensors: An intercomparison and validation study across Europe［J］. Remote Sensing of Environment， 2011， 115（12）: 3390-3408.

［6］ Han N L， Chen S B， Wang Z J. Retrieval of Bare Surface Soil Moisture from AMSR-E Data［M］. 2nd Ieee International Conference on Advanced Computer Control， 2010: 67-72.

［7］ 楊濤， 宮輝力， 李小娟， 等. 土壤水分遙感監測研究進展［J］.生態學報， 2010， 30（22）: 6264-6277.

Yang T， Gong H L， Li X J， et al. Research progress of remote sensing monitoring soil moisture［J］. Acta Ecologica Sinica， 2010，30（22）: 6264-6277.

［8］ Sridhar V， Jaksa W T A， Fang B， et al. Evaluating bias-corrected AMSR-E soil moisture using in situ observations and model estimates［J］. Vadose Zone Journal， 2013， 12（3）: 299-314.

［9］ Song C Y， Jia L， Menenti M. Retrieving high-resolution surface soil moisture by downscaling AMSR-E brightness temperature using MODIS LST and NDVI data［J］. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014，7（3）: 935-942.

［10］ Feng H， Liu Y. Trajectory based detection of forest-change impacts on surface soil moisture at a basin scale Poyang Lake Basin， China［J］. Journal of Hydrology， 2014， 514: 337-346.

［11］ Zhao W， Li A N. A downscaling method for improving the spatial resolution of AMSR-E derived soil moisture product based on MSG-SEVIRI data［J］. Remote Sensing， 2013， 5（12）: 6790-6811.

［12］ Crow W T， Wood E F. The value of coarse-scale soil moisture observations for regional surface energy balance modeling［J］. Journal of Hydrometeorology， 2002， 3（4）: 467-482.

［13］ Crow W T， Wood E F， Dubayah R. Potential for downscaling soil moisture maps derived from spaceborne imaging radar data［J］. Journal of Geophysical Research: Atmospheres （1984-2012），2000， 105（D2）: 2203-2212.

［14］ Carlson T. An overview of the “triangle method” for estimating surface evapotranspiration and soil moisture from satellite imagery［J］. Sensors， 2007， 7（8）: 1612-1629.

［15］ Tuttle S E， Salvucci G D. A new approach for validating satellite estimates of soil moisture using large-scale precipitation: Comparing AMSR-E products ［J］. Remote Sensing of Environment， 2014， 142（4）: 207-222.

［16］ Pellarin T， Louvet S， Gruhier C， et al. A simple and effective method for correcting soil moisture and precipitation estimates using AMSR-E measurements［J］. Remote Sensing of Environment， 2013， 136（5）: 28-36.

［17］ Zeng J Y， Li Z， Chen Q， et al. A simplified physically-based algorithm for surface soil moisture retrieval using AMSR-E data［J］. Frontiers of Earth Science， 2014， 8（3）: 427-438.

［18］ 張顯峰， 趙杰鵬， 包慧漪， 等. 基于AMSR-E與MODIS數據的新疆土壤水分協同反演與驗證［J］. 土壤學報， 2012， 49（2）: 205-211.

Zhang X F， Zhao J P， Bao H Y， et al. Co-inversion and validation of large-area soil moisture based on MODIS and AMSR-E data［J］. Acta Pedologica Sinica， 2012， 49（2）: 205-211.

［19］ 馮徽徽， 劉元波， 楊風亭. 高植被覆蓋區AMSR-E土壤水分數據校準方法［J］. 土壤通報， 2014， 45（4）: 816-822.

Feng H H， Liu Y B， Yang F T. Calibration of the AMSR-E soil moisture data in dense vegetation area［J］. Chinese Journal of Soil Science， 2014， 45（4）: 816-822.

［20］ 李明星， 馬柱國. 基于模擬土壤濕度的中國干旱檢測及多時間尺度特征［J］. 中國科學: 地球科學， 2015， 45（7）: 994-1010.

Li M X， Ma Z G. Soil moisture drought detection and multitemporal variability across China［J］. Science China: Earth Sciences， 2015， 45（7）: 994-1010.

［21］ 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（2/3）: 213-224.

［22］ 戴智慧. 貴州坡地黃壤水分時空變異特征研究［D］. 重慶: 西南大學， 2009.

Dai Z H. Soil moisture spatial and temporal variation characteristics research in Guizhou yellow［D］. Chongqing: Southwest University， 2009.

［23］ 李洪建， 王孟本， 柴寶峰. 黃土高原土壤水分變化的時空特征分析［J］. 應用生態學報， 2003， 14（4）: 515-519.

Li H J， Wang M B， Chai B F. Spatial and temporal characteristics of soil moisture dynamics in Loess Plateau［J］. Chinese Journal of Applied Ecology， 2003， 14（4）: 515-519.

［24］ 李云鵬， 司瑤冰， 劉朋濤， 等. 基于空間信息的內蒙古農業干旱監測研究［J］. 干旱區資源與環境， 2011， 25（11）: 125-131.

Li Y P， Si Y B， Liu P T， et al. Inner Mongolia agricultural drought monitoring research based on spatial information［J］， Resources and Environment in Arid Areas， 2011， 25（11）: 125-131.

［25］ 邴龍飛， 蘇紅波， 邵全琴， 等. 近30年來中國陸地蒸散量和土壤水分變化特征分析［J］. 地球信息科學學報， 2012， 14（1）: 1-13.

Bing L F， Su H B， Shao Q Q， et al. Changing characteristic of land surface evapotranspiration and soil moisture in China during the past 30 years［J］. Journal of Geo-information Science， 2012， 14（1）: 1-13.

［26］ Njoku E G， Chan S K. Vegetation and surface roughness effects on AMSR-E land observations［J］. Remote Sensing of Environment，2006， 100（2）: 190-199.

［27］ 王純枝， 毛留喜， 何延波， 等. 溫度植被干旱指數法（TVDI）在黃淮海平原土壤濕度反演中的應用研究［J］. 土壤通報， 2009，40（5）: 998-1005.

Wang C Z， Mao L X， He Y B， et al. Application of temperaturevegetation dryness index （TVDI） in estimation of soil moisture in the HHH Plain［J］. Chinese Journal of Soil Science， 2009， 40（5）: 998-1005.

［28］ Xie X M， Xu J W， Zhao J F， et al. Validation of AMSR-E soil moisture retrievals over Huaihe River Basin， in China［J］. Applied Mechanics and Materials. 2014， 507: 855-858.

［29］ 陳潔. AMSR-E土壤濕度產品在我國西北地區的精度驗證［D］.北京: 中國氣象科學研究院， 2010.

Chen J. Validation of AMSR-E soil moisture products in Northwest of China［D］. Beijing: The Chinese Academy of Meteorological Sciences， 2010.

［30］ Huang L， Shao Q， Liu J. Forest restoration to achieve both ecological and economic progress， Poyang Lake Basin， China［J］. Ecological Engineering， 2012， 44（3）: 53-60.

（責任編輯：王育花）

Downscaling AMSR-E soil moisture data based on temperature vegetation drought index in Eastern China

XIN Qiang， LI Zhao-fu， LI Rui-juan， GUO Tai， WU Min， PAN Jian-jun
（College of Resources and Environmental Sciences， Nanjing Agricultural University， Nanjing， Jiangsu 210095， China）

Soil moisture is not only an important factor in water cycle and land surface process， but also hot topic in soil science research. As a representative of passive microwave remote sensing technology， AMSR-E provides an avenue for soil moisture study. It is， however， restricted by the small and medium scales involved. Therefore， MOD11A2 and MOD13A3 were used to build the temperature vegetation drought index （TVDI） at a monthly time scale， the linear negative relationship between TVDI and soil moisture was then employed to downscale the spatial resolution of AMSR-E. This final objective was to obtain soil moisture at a spatial resolution of 1 km for each month in 2003. The results were well validated by the ground measured soil moisture data. Decision coefficients in all months were above 0.8. It indicated that the soil moisture results by downscaling were accurate enough and it could be used to characterize spatial distribution of soil moisture.

AMSR-E； TVDI； Eastern China； soil moisture； downscaling

Fundamental Research Funds for the Central Universities （KYZ201522）； National Natural Science Foundation of China （41571171，41171071）.

LI Zhao-fu， E-mail: lizhaofu@njau.edu.cn.

13 December， 2015；Accepted 5 April， 2016

S152.7

A

1000-0275（2016）05-0956-08

10.13872/j.1000-0275.2016.0099

中央高校基本科研業務費專項（KYZ201522）；國家自然科學基金項目（41571171、41171071）。

辛強（1988-），男，山東濟南人，碩士研究生，主要從事土壤濕度遙感反演，E-mail：xinqiang0711@126.com；通訊作者：李兆富（1977-），男，山東新泰人，博士，副教授，主要從事資源環境遙感研究，E-mail：lizhaofu@njau.edu.cn。

2015-12-13，接受日期：2016-04-05