MODIS干旱指數結合RBFNN反演冬小麥返青期土壤濕度

黃友昕，胡茂勝，沈永林，劉修國，羅 瓊，孫 飛

MODIS干旱指數結合RBFNN反演冬小麥返青期土壤濕度

黃友昕1，胡茂勝1，沈永林1，劉修國1※，羅 瓊2，孫 飛1

（1. 中國地質大學（武漢）地理與信息工程學院，武漢 430074；2. 武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079）

土壤濕度是農業干旱信息最重要的表征因子，它的反演對區域乃至全球農業干旱監測及預報都具有重要意義。該文基于MODIS遙感干旱監測指數構建了冬小麥返青期土壤濕度的評價指標體系，在此基礎上，結合徑向基函數神經網絡（RBFNN）協同反演農地土壤濕度。首先，針對單一利用遙感干旱指數反演土壤濕度具有一定的局限性問題，選取監測土壤含水量、作物需水形態變化、冠層含水量、冠層溫度等參量的遙感干旱監測指數作為綜合評價指標；并利用實測土壤濕度作為驗證標準，從原始遙感干旱監測指數中選取出適宜的指標集；然后，以選取的評價指標集為輸入層，以實測土壤濕度作為輸出層的輸出，構建RBFNN的農地土壤濕度反演模型。研究結果表明：應用在河南省冬小麥返青期時，基于MODIS遙感干旱監測指數與RBFNN協同反演的土壤濕度模型具有較好的反演效果；模型的評價指標集與10 cm深度的土壤濕度相關性更好，而且能綜合多通道遙感信息來反映土壤濕度的變化；模型的平均預測精度達到93.27%，與BP-NN和線性回歸反演模型相比，反演精度分別提高了2.92和9.97百分點；模型回歸分析相對1:1斜線的偏差最小；相關系數為0.846 49，回歸決定系數為0.862 6。研究結果可為區域土壤濕度的遙感反演提供新的案例參考。

遙感；土壤；濕度；干旱指數；徑向基函數神經網絡；MODIS

0 引 言

土壤濕度（soil moisture，SM）是農作物生長發育的基本條件，是農作物產量預測的重要參數[1]，也是氣候、水文、生態等領域衡量土壤干旱程度的重要指標，在陸面過程模式和全球氣候模型預測方面也扮演著重要的角色[2]。尤其在農業干旱監測中，土壤濕度不足會直接影響農作物的正常發育，致使作物生長受脅迫，使作物生物量和產量減少，進而導致農業干旱現象發生[3]。因而，SM是農業干旱信息最重要的表征因子，它的反演對區域乃至全球農業干旱監測及預報都具有重要意義[4]。

土壤濕度的獲取方法一般有3種：田間實測法、土壤水分模型法和遙感法[1,5]。田間實測法可準確測量土壤含水量，但測量范圍有限，實時性欠佳；土壤水分模型法可提供實時的土壤水分信息，但需大量的氣象數據支持，較耗費人力財力。而遙感法具有實效性強、經濟、覆蓋范圍廣等優勢，已成為區域動態監測SM的有效手段[5-13]。多年來，國內外學者基于遙感干旱指數對SM的遙感反演方法進行了大量研究。Waston等[6]最早利用熱慣量模型與熱紅外波段估測SM；Price[7]提出了用表觀熱慣量（apparent thermal inertia，ATI）來近似代替真實熱慣量，指出在裸露土壤或植被覆蓋度低的區域ATI反演SM效果較好。Kogan[8]研究論證了冠層溫度可以有效評價作物土壤表面水分虧缺，并提出了溫度條件指數（temperature condition index，TCI）；馮強等[9]建立了植被條件指數（vegetation condition index，VCI）與SM在農作物生長季節的統計模型，并應用于全國耕地的SM監測中；Carlson等[10]研究了地表溫度與歸一化植被指數（normalized different vegetation index，NDVI）的斜率與SM的關系，并發展了植被供水指數（vegetation supply water index，VSWI）；鮑艷松等[11]基于合成孔徑雷達微波數據，建立了冬小麥不同生育期的SM反演模型；李華朋等[12]研究指出歸一化紅外差異指數（normalized difference infrared index band6 or band7，NDIIB6/7）比同類型的植被水分指數對冠層含水量更敏感；Wang等[13]研究指出結合近紅外與短波紅外構建的歸一化多波段干旱指數（normalized multi-band drought index，NMDI）更適合于評估土壤與植被的水分。然而，現有研究中存在的主要問題是：單一地利用可見光、近紅外、短波紅外，熱紅外等構建的遙感干旱指數，在反演SM時均具有一定的局限性[1]，如微波易受地表粗糙度與植被覆蓋的影響；ATI僅適用于裸露土壤或植被覆蓋低的區域；而植被指數在植被相對稀少的干旱地區監測SM并不合適[12]；因此，在實際應用中若能綜合運用這些遙感干旱指數進行SM的協同反演，將是一種提高SM反演精度的有效途徑。

土壤濕度是一個復雜的非線性耦合系統[13]，受土壤復雜結構和環境多因子影響顯著，而人工神經網絡（artificial neural networks，ANN）模型能自動分析多源輸入與輸出間的非線性映射關系。由于ANN的獨特優勢，國內外不少學者利用ANN模型開展對SM反演的研究[13-16]。大部分學者采用反向傳播神經網絡（back-propagation neural networks，BP-NN）建模反演SM；但BP-NN存在學習算法收斂速度較慢、需參數調節多、訓練過程中總體誤差易陷入局部極小等不足[16-17]。然而徑向基函數神經網絡（radial basis function neural networks，RBFNN）的算法原理在一定程度上克服了BP-NN的缺點，能以任意精度逼近任意連續函數，可廣泛應用于自適應非線性建模中[17-20]。

針對上述現狀，本文提出一種基于MODIS的遙感干旱指數與RBFNN協同反演農地SM的方法，即以2001—2012年河南省冬小麥返青期為研究對象，選取監測土壤含水量、作物需水形態變化、冠層含水量及冠層溫度等參量的6種遙感干旱指數作為綜合評價指標集，嘗試結合MODIS的遙感干旱指數與RBFNN對農地的SM進行協同反演，并與BP-NN和線性回歸（linear regression，LR）模型進行比較，以期為區域SM反演提供一種新的案例參考。

1 材料與方法

1.1 研究區概況

河南省位于中國中東部、黃河中下游，地理坐標介于110°21′-116°39′E，31°23′-36°22′N之間（圖1）。該地區地貌與氣候具有明顯的過渡特征，氣候自南向北由亞熱帶向暖溫帶過渡，自東向西由平原向丘陵山地氣候過渡；地貌由西向東階梯變化，北、西、南三面為山地環繞，中東部為華北平原，西南部為南陽盆地；該研究區土壤類型也隨地形與氣候的變化而演替：豫東、豫北平原多為潮土；豫南平原多砂姜黑土；豫西北山地丘陵多為褐土、紅黏土；豫南多為水稻土等[21]。由于受季風氣候的影響，降水量時空分布極其不均，干旱缺雨天氣較多，因而造成該地區農業干旱事件頻發。

1.2 數據源及其處理

遙感數據源采用美國國家航空航天局的Terra衛星搭載的中分辨率成像光譜儀（moderate-resolution imaging spectroradiometer，MODIS）的3個數據產品：MOD09A1、MOD11A2和MCD12Q1（表1）。MOD09A1是地表反射率產品，包括7個波段（band）信息，分別是紅光band1（620～670 nm）、近紅外band2（841～876 nm）、藍光band3（459～479 nm）、綠光band4（545～565 nm）及3個短波紅外band5（1230～1250 nm）、band6（1628～1652 nm）)和band7（2105～2155 nm）；MOD11A2是地表溫度（land surface temperature，LST）產品，包含2個熱紅外波段band31（10780～11280 nm）和band32（11770～12270 nm），以及白天與晚上的LST；以上2個產品用于計算遙感干旱監測指數的值。MCD12Q1是MODIS全球土地覆蓋產品，選用包括17類國際地圈生物圈計劃的全球植被分類方案，該數據用于掩膜過濾得到農地的遙感信息。

非遙感數據包括河南省的行政區劃矢量數據和SM數據集。其中SM數據集來源于中國氣象數據網的“中國農作物生長發育和農田土壤濕度旬值數據集”（http://data.cma.cn/site/index.html），該數據集是河南省17個土壤墑情站每旬觀測的10和20 cm土層的土壤相對濕度（記為SM10與SM20），即土壤含水量占田間持水量的百分率，以百分比（%）表示。研究區墑情監測站點分布如圖1所示。

基于前人的研究基礎[22]，將冬小麥的返青期時間設定為3月上旬，對應的土壤墑情觀測時間是3月8日。由于2011—2012年3月上旬南部降雨量較同期偏少，其他地區基本無降水，因而選取與之時間最接近的遙感數據MOD065，并下載表1中前3類產品共36景遙感數據。基于ENVI與ArcGIS軟件，對遙感數據進行質量檢查、投影、重采樣、裁剪、掩膜、中值濾波等預處理過程。

1.3 研究方法

首先分析土壤含水量、作物需水形態變化、冠層含水量及冠層溫度等參量的8種遙感干旱監測指數自身的適應性[23]（見表2）；然后與冬小麥返青期實測的SM做相關性分析，選取出與SM相關性相對較高的指標集，得到綜合評價指標集（輸入層）；以SM為輸出層，基于RBFNN構建農地的SM反演模型。同時與BP-NN和LR構建的SM反演模型進行對比分析。

1.3.1 構建基于MODIS遙感干旱指數的評價指標體系

SM是表征農業干旱信息最重要的因子之一[1]，國內外學者曾利用SM來驗證不同遙感干旱監測指數的區域適用性[24-25]。本文基于MODIS多波段遙感信息構建的遙感干旱監測指數作為綜合評價指標，結合RBFNN協同反演農地的SM。

針對冬小麥返青期，首先計算出監測土壤含水量、作物需水形態變化、冠層含水量及冠層溫度等參量的8種原始遙感干旱監測指數值，包括：監測土壤含水量指數：ATI[6]和VSWI[9]；監測作物需水形態變化指數：增強型植被指數（enhanced vegetation index，EVI）[26]和VCI[27]；監測冠層含水量指數：NDIIB6/7[28-30]和NMDI[12]；監測冠層溫度指數：TCI[7]；由于這些指數的構建來源于MODIS不同波段，能夠綜合反映可見光、近紅外、短波紅外及熱紅外等波段對SM的變化。取土壤墑情站點對應的影像位置上3×3窗口內遙感信息，根據表2計算各指數的值。

1.3.2 RBFNN模型原理

RBFNN模型是一種具有單隱層的3層前饋網絡，其設計與數值分析、線性適應濾波很好地結合，在逼近能力、分類能力和學習速度等方面都優于BP-NN[16-19]，RBFNN的網絡拓撲結構共分為3層，如圖2。

注：H1, H2… Hj指有個隱含層神經單元，Wj指個隱含層到輸出層的線性連接權值，SM指土壤濕度。

第二層為隱含層，其節點數視所描述問題的需要而定，該層的變換函數采用RBF。RBF作用是對輸入模式進行一次變換，將低維模式輸入數據變換到高維空間內，使得在低維空間的線性不可分問題在高維空間內線性可分。隱含層是非線性優化策略，采用高斯核函數。

第三層為輸出層，即為2011—2012年墑情監測站點的SM10。該層對輸入模式做出的響應采用線性優化策略，對隱含層神經元輸出的信息進行線性加權后輸出，本文只有1個輸出結點SM，其公式為：

式中表示權值，代表輸出層的個數（=1, 2,…,）。

2 結果與分析

由于在不同區域、不同時間段，用于反演SM的遙感干旱監測指數往往存在不同的時空適應性[21]。即使在同一區域，也存在如作物生長的不同季節、土壤及氣候等因素的影響，如果籠統地、隨意地選用遙感干旱指數，則很難實現在不同區域的SM精確反演。因此，針對研究區冬小麥返青期，本文首先分析不同遙感干旱監測指數與SM10、SM20的相關性，選取適宜于該生長階段的農業干旱遙感監測指數作為指標集；然后，以選取的評價指標集為輸入層，以實測墑情站點土壤濕度作為輸出層的輸出，構建RBFNN的農地SM反演模型，最后根據該網絡模型預測SM的值。

2.1 遙感干旱監測指數與SM的相關分析

首先，利用SPSS Statistics19軟件，針對2012年冬小麥返青期，把原始的8種遙感干旱監測指數值進行標準化，使其具有可比性；然后用標準化后的值與實測SM10、SM20進行相關分析，兩者的相關系數矩陣見表3。

表3 遙感干旱監測指數與2012年SM的相關系數矩陣

注：SM10、SM20分別表示10和20 cm土層的土壤相對濕度，%。

Note: SM10、SM20 represents soil relative humidity in 10 and 20 cm soil layers, respectively,%.

由表3可見，在冬小麥返青期（即早春麥田半數以上的麥苗心葉長1～2cm時），SM10與反映土壤含水量的指數ATI、VSWI以及反映作物形態與綠度的指數EVI的相關性均高于SM20，且通過0.05水平顯著性檢驗；而反映冠層含水量的指數NDIIB6/7與反映作物溫度的指數TCI與SM20的相關性要稍微高于SM10；但從整體來看，除了VCI之外，SM10與其余7個遙感干旱監測指數均達到顯著相關（即通過0.05水平顯著性檢驗），故本文選擇SM10作為選取合適的遙感干旱指數的基準，從8個原始的遙感干旱指數中選取與SM相關性較高的6個指數（ATI、VSWI、EVI、NDIIB7、NMDI和TCI）作為SM反演模型的評價指標集。

圖3 2012年3月上旬研究區遙感干旱指數與SM10的變化規律

在2012年冬小麥返青期，研究區17個墑情站點的SM10與遙感干旱指數ATI、VSWI、EVI、NDIIB7、NMDI和TCI的變化規律如圖3。由圖3可知，這6個遙感干旱指數相比VCI、NDIIB6與SM10的總體變化趨勢更相似，說明這6個指數在該生長期較適宜冬小麥的SM監測。

綜上所述，為了使構建的農地SM反演模型既能反映作物因干旱導致的生理變化，也能反映形態變化[22]；本文選擇監測作物生理變化的干旱指數：ATI、VSWI、NDIIB7、NMDI和TCI；以及監測作物形態的干旱指數EVI（共6個指數）作為反演SM的綜合評價指標集。

2.2 基于RBFNN構建土壤濕度反演模型

將2011和2012年共34組墑情站點（樣本）獲得的前30組數據作為訓練樣本，后4組數據作為預測樣本。根據表4對反演SM的輸入輸出參數進行統計分析，評價該組測試數據的離散程度較好。

表4 SM反演模型的輸入和輸出參數

在Matlab神經網絡工具箱中用newrb函數設計RBFNN。RBF通常被用作逼近函數，用newrb函數創建RBF網絡是一個不斷嘗試的過程，計算過程中不斷給隱含層增加中間層神經元，直到網絡的輸出滿足設定的均方誤差（mean squared error，MSE）為止。

2.3 土壤濕度反演模型測試及對比分析