含植被覆蓋影響的石羊河流域土壤水分遙感估算及空間格局分析

楊志輝,趙 軍,*,朱國鋒,2,劉家良,郭文镈,黃治化,王炎強

1 西北師范大學地理與環境科學學院, 蘭州 730070

2 中國科學院西北生態環境資源研究院,冰凍圈科學國家重點實驗室, 蘭州 730000

土壤水分(SM,soil moisture)是陸氣系統中的變量[1- 2],是水文循環和水熱平衡的組成部分[3],對地表植被生長也至關重要[4]。此外,SM對地表大氣溫度的演變[5]、降水的形成[6]和碳循環[7]有重要影響,對干旱事件的形成和發展也有重要的驅動作用[8]。因此土壤水分在氣候、水文、生態和農業研究中起著重要的作用。

遙感技術的發展為大范圍、及時、準確的SM遙感監測提供了可能[9],成為檢測和監測SM的主要手段[10]。早期SM光學遙感估算方法主要有光譜反射率法、短波紅外水分脅迫指數、植被狀況指數和溫度植被干燥指數等[11-13]。這些方法在估算SM時取得了較好的效果,但由于地表條件的差異,應用于不同研究區也存在一定的差異。表觀熱慣量法適用于裸露土壤,溫度/植被指數法適用于植被覆蓋度較大區域[14],但由于不同植被覆蓋率的影響,降低了SM的估算精度。因此探索遙感估算SM的方法必須通過消除植被覆蓋影響來實現。消除混合像素中植被反射率貢獻的方法主要有：光譜混合分析法、光學植被覆蓋度法和梯形特征空間法[15]。但在實際應用中光譜混合分析和光學植被覆蓋度法計算處理復雜,估算條件較難滿足。而梯形特征空間散點圖是由地表溫度/植被指數或反照率/植被覆蓋度的散點圖形成,對SM較為敏感且不依賴于地面觀測數據,并可以與其他模型組合,所以梯形特征空間被廣泛應用于估計植被蒸騰作用、土壤蒸發和土壤含水量[16]。

石羊河流域生態問題受廣大學者關注[17]。該流域農業用水量比重較高,土壤水分的準確估算對農業灌溉用水的精確計算至關重要[18],因此,提高SM的估算精度、分析SM的空間格局是該流域目前亟待解決的問題之一。基于此本文引入散點圖梯形特征空間來消除植被的影響,提高SM估算精度,進而分析空間格局,為土壤水分的有效利用提供依據。

1 數據與方法

1.1 研究區概況

石羊河流域位于甘肅河西走廊東部,祁連山北麓,介于101°22′—104°16′E,36°29′—39°27′N[19],屬河西走廊三大內陸河流域之一,總面積4.16萬km2(圖1)。流域太陽輻射強,溫差大,降水少,年降水量自南至北約為700—50mm、潛在蒸發量約為1200—2600mm,屬于典型的大陸溫帶干旱氣候,且氣候特征具明顯垂直分異。上游祁連山高寒半干旱濕潤區,植被以高山和亞高山草甸為主,水土保持能力較強；中游走廊平原干旱區,是重要的灌溉農業區；下游溫暖干旱區,主要為民勤綠洲和荒漠[20]。

圖1 研究區位置概況Fig.1 Location of the study area

1.2 研究數據

本文采用空間分辨率500m,時間分辨率8d的MODIS-MYD09A1數據的1—7波段計算地表反照率,從2018年11月至2019年10月共46期數據,該數據能夠滿足生產活動對土壤濕度數據快速獲取和及時更新的要求。由空間分辨率為250m,時間分辨率為16d的MODIS-MYD13A1 NDVI產品數據計算植被覆蓋度(fractional vegetation cover,FVC),從2018年11月至2019年10月共24期。上述數據來源于NASA(https://ladsweb.modaps.eosdis.nasa.gov/)。

土地利用數據和土壤類型數據來源于中國科學院資源環境科學數據中心(http://www.resdc.cn)。

于2019年8月下旬用土鉆對石羊河流域0—10cm地表進行土壤采樣,用手持GPS記錄樣點位置,樣點分布如圖1所示。將土壤樣本裝入鋁盒中并現場稱重,帶回實驗室放入105℃的烤箱中持續烘烤8h,然后將其放置在干燥器中冷卻和稱重,持續操作至兩者差小于3mg,最后計算實際土壤含水量。實測SM數據用于構建土壤水分估算模型和精度驗證。

1.3 研究方法

1.3.1地表反照率

采用Liang Shunlin在2001年提出的MODIS表面反照率模型來計算地表反照率[21],該模型在反演華北土壤水分時也得到了充分應用[22],公式如下：

a=0.16ρ1+0.29ρ2+0.243ρ3+0.116ρ4+0.112ρ5+0.08ρ7-0.0015

(1)

式中：a為全波段反照率,ρ1—ρ5、ρ7分別為MODIS相應波段的地物反射率。

1.3.2建立梯形特征空間

梯形由asd,avd,avw和asw四個點形成(圖2)。其中asd和asw表示植被覆蓋率為零的最大和最小地表反照率。點avd和點avw表示植被覆蓋率為100%時最大和最小地表反照率。其中上邊界稱為“理論干燥邊”,表示在給定的植被覆蓋條件下土壤是非常干燥的。但在實際應用中,“理論干燥邊”通常無法準確獲得,取而代之的是“實際干邊”,表示植被覆蓋率變化時的實際表面反照率。“理論濕邊”表示在一定植被覆蓋條件下土壤水分是充足的。同樣,在實際應用中使用“實際濕邊”。位于“理論干邊”和“理論濕邊”之間的SM等值線便可以通過線性插值計算[23]。在SM等值線的基礎上可以容易計算裸土反照率。本文根據像元二分模型和歸一化植被指數計算研究區植被覆蓋度[24]。

圖2 表面反照率/植被覆蓋梯形特征空間示意圖Fig.2 Trapezoid space schematic diagram of surface albedo/vegetation coverage

1.3.3裸土反照率計算

研究區地表反照率主要取決于當地植被和土壤特征。因此,反照率是土壤和植被的加權總和[25],結合梯形特征空間得到裸土反照率計算公式,計算步驟詳見文獻[26]。

(2)

式中：asoil代表裸土反照率,a代表地表反照率。FVC表示植被覆蓋度。kd和kw分別表示“實際干邊”和“實際濕邊”的斜率。ai,max和ai,min表示植被覆蓋度較低時的實際地面最大和最小反照率。

1.3.4模型精度評估

計算SM估算值與實測土壤水分值的擬合度(R2),均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)、不等式系數(TIC)、絕對誤差(AE)和相對誤差(RE)來評估土壤水分估算模型精度。此外,通過逐像元計算植被覆蓋度和土壤水分的Pearson′s相關系數來評估植被覆蓋對土壤水分空間分布的影響[27]。

1.3.5穩定性計算

標準差是衡量數據分布程度的方法,可用于評估時間序列上SM的穩定性[28]。公式如下：

(3)

1.3.6空間自相關

為分析整體尺度上SM在地理空間上是否存在集聚特征,采用全局Moran′sI(式(4))評估SM在空間上的自相關性。同時用局部空間相關 Moran′sI(式(5))系數進一步量化空間要素與周圍要素之間的差異程度及空間分布特征[29-30]。

(4)

(5)

1.3.7地理探測器模型

地理探測器主要包含以下4種: 因子探測,探測每個影響因子對 SM空間分異的影響大小,q值越高則對SM的影響力越大。風險探測,探測因子對SM是否具有風險性,指示因子在不同等級內對SM分布的影響。交互作用探測,用于判斷不同影響因子對SM 的交互作用。生態探測,用于比較兩因子對SM空間分布的影響是否有顯著差異。分析過程詳見文獻[31]。q值是衡量一個因子對因變量的解釋力,表達式為：

(6)

2 結果與分析

2.1 生成梯形特征空間散點圖

Toby Carlson的研究已表明：沙漠可視為地表裸露的干土,反照率幾近于裸露的干土反照率；水體可視為地表裸露的濕土,反照率等于裸露的濕土反照率[32]。基于此并考慮了不同植被覆蓋條件的地表反照率特征,在無覆蓋、少覆蓋、多覆蓋和全覆蓋四類植被覆蓋度區域內劃定樣方(圖3)。獲得樣方內對應格網點的植被覆蓋率和地表反照率值,剔除異常值(FVC <0,或FVC> 1)后繪制反照率/植被覆蓋梯形特征空間散點圖(圖4)。

圖3 不同植被覆蓋度下樣方分布Fig.3 Sample distribution under different vegetation coverage

圖4 植被覆蓋度/表面反照率梯形特征空間散點圖Fig.4 Trapezoidal feature space scatter plot of vegetation coverage / surface albedo

2.2 土壤濕度估算模型的建立

劉培君等研究表明SM與地表反照率或裸土反照率呈自然對數關系[33]。因此,根據實測SM值和對應樣點的地表反照率或裸土反照率值通過回歸分析建立估算模型和確定精度系數R2(表1),從R2可以看出,裸土反照率模型的準確性要明顯高于地表反照率模型。

表1 地表反照率/裸土反照率的土壤水分回歸模型Table 1 Sregression model of surface albedo / bare soil albedo

2.3 模型精度分析

實測數據與SM估算模型之間的誤差分析(表2)表明：除01、02、11和12號點外,所有裸土反照率模型結果的AE和RE都小于地表反照率模型,RMSE、MAPE、TIC和R2值皆是裸土反照率模型小于地表反照率模型。此外,本文擬合度(R2=0.92)與同類研究(R2=0.57)和同流域研究(R2=0.79)比較精度都有所提高[34- 35]。結果表明裸土反照率模型能有效地消除植被覆蓋對地表土壤光譜的影響,明顯地提高了SM的估算精度。

表2 模型的精度分析與比較Table 2 Accuracy analysis and comparison of models

2.4 土壤濕度空間分布

參考WU Chengyong在青海對土壤水分的分級標準[36],結合研究區SM實際狀況,對石羊河流域全年平均土壤水分分級(圖5),結果顯示流域內土壤水分整體較低,上游至下游土壤水分依次遞減,且各級區域依次相鄰分布。其中,SM大于25%的區域1254.53km2,占比最低為3.09%,主要分布在流域西南部祁連山山麓地帶；SM為15%—25%的區域面積占比8.68%；這兩級皆分布在海拔較高區域,中游僅紅崖山水庫區有小范圍分布；SM為7%—15%的區域占比最高為33.91%,主要分布于涼州農灌區和民勤綠洲鄰近水庫部分；SM小于7%的區域則分布在民勤縣荒漠區。

圖5 土壤水分空間分布Fig.5 Spatial distribution of soil moisture

2.5 土壤水分穩定性

用2018年10月—2019年11月的46期SM數據,依據式(3)計算SM的穩定性(圖6),反映土壤水分的年內變化。良好的穩定性代表SM幾乎保持不變,受季節變化和外部影響較小；差的穩定性則變化較大,不利于SM的保持。圖6表明：穩定性最好的區域主要分布于下游,因為該區域常年裸露且SM值低。穩定性較好的區域主要分布于中游和民勤綠洲,穩定性差的區域主要分布于上游,但占比最小,主要受林地植被覆蓋隨季節變化和積雪的影響。SM不同水平穩定性的面積占比如圖6所示。

圖6 土壤水分穩定性特征Fig.6 Characteristics of soil moisture stability

2.6 SM空間自相關特征

利用ArcGIS和Geoda軟件分析研究區土壤水分的空間聚集特征,全局Moran′sI系數為0.88(Z-score=1852.94,P<0.01),表明石羊河流域SM存在強烈的全局空間自相關性； Moran′sI散點圖如圖7所示,樣點主要分布在第一(高-高,正相關,占總散點41.95%)和第三象限(低-低,正相關,占總散點57.97%),表明研究區SM值呈現高-高和低-低聚集格局。

圖7 土壤水分全局 Moran′s I 系數散點圖Fig.7 Scatter plot of soil moisture global Moran′s I coefficient

此外,基于局域Moran′sI指數分析(P<0.05)得到局部空間自相關特征(圖8)。SM聚類被分為四種類型：高-高(正空間自相關,占21.95%),主要分布于石羊河上游的肅南、天祝、武威、永昌等地；低-低(正空間自相關,占30.33%),主要集中分布于下游民勤荒漠區；低-高(負空間自相關,占0.04%)和高-低(負空間自相關,占0.01%)區域占比極低,且未出現聚集特征。中游區域則未表現出顯著的空間自相關特征。

圖8 土壤水分聚類分布圖Fig.8 Soil moisture cluster distribution

2.7 空間分異分析

利用地理探測器模型對SM空間分異特征歸因,按照不同因子對SM空間分異特征的解釋能力排序:植被覆蓋度(q=0.42,P<0.001)>土壤類型(q=0.37,P<0.001)>高程(q=0.22,P<0.001)>土地利用(q=0.09,P<0.001)。表明FVC是該地區SM空間分布的主導因素,土壤類型次之。風險探測分析(圖9)和交互探測器分析(表3)表明：不同土地利用對SM的影響存在差異,其中林地SM均值最大,耕地次之,未利用地最小。不同土壤類型對SM的影響也存在較大差異。且SM往往不受單因子作用,而是多因子協同交互影響。表3得出,交互作用最強的因子組合為土壤類型和植被覆蓋度(q=0.503),說明土壤類型的不同顯著增加了FVC對 SM的解釋力。因子組合皆產生了較高的q值,同時因子交互作用表現為較強的非線性增強交互作用,且兩因子對SM空間分布的影響有顯著差異。

圖9 風險探測器結果Fig.9 Results of risk detector

表3 交互探測器和生態探測器結果Table 3 Results of interactive detector and ecological_detector

3 討論

空間統計不同土壤類型的SM特征(表4)表明：石羊河流域內半淋溶土面積最小,主要分布在海拔較高的山谷和陰坡,其SM均值最高為24.28%。鈣層土和干旱土依次與半淋溶土鄰近分布,其SM均值也相對較高。漠土和初育土分布廣泛,覆蓋中下游廣大區域,該土壤類型區內無河流分支,植被稀少,蒸散發強烈,故SM均值較低。半水成土主要分布在武威和民勤綠洲邊緣區,處在初育土和人為土的過渡帶,鹽堿土零星分布在初育土中,SM值皆較低。而人為土分布在中游,主要由灌溉農田組成。高山土分布在流域內海拔最高的西北部高山區,該區域常年氣溫較低,林地植被郁閉度較高,土壤腐殖質層厚,蒸發量小,益于SM的保持。這種現象與其自身的理化性質、地形因素、局地氣候和植被郁閉度等有關,這些因素對SM的有效保持和空間分布都產生了重要的影響[37]。

表4 石羊河流域主要土壤類型的土壤水分特征Table 4 Soil moisture characteristics of the main soil types in the Shiyang River Basin

為探討不同土地利用類型的土壤水分特征,依據土地利用圖(圖10)空間統計各土地利用的SM狀況(表5)。草地大部分處于中等以下水平,其中較干區域占29.79%,中等濕度區域占53.48%。耕地SM大部分處于中等水平,其中中等濕度區域占69.92%。結合圖6,發現草地與耕地的SM穩定性較好。林地SM整體較高,中等濕度及以上部分占80.97%。未利用地大部分的SM較低,其中干土壤44.7%,較干土壤49.63%。不同的土地利用類型對SM有重要影響,林地在涵養土壤水分方面優于耕地和草地[38]。

圖10 土地利用類型Fig.10 Types of land use

表5 不同土地利用的不同土壤水分百分比Table 5 Different soil moisture percentages for different land uses

土壤水分和植被覆蓋度空間相關性分析(圖11)表明：SM和FVC具有較強的相關性,植被覆蓋度對土壤水分產生了重要的影響,涼州區和民勤縣低海拔區表現為負向強相關(R=-0.57,P<0.01),其中草地占66.51%,耕地占25.96%。主要因為該區域降水稀少、蒸散發強烈,淺根系植被水分吸收以地表土壤水為主,不利于土壤水的保持,但耕地長期耕作土壤質地松軟且有灌溉水源,因此耕地占比較小。FVC與SM存在負相關(R=-0.37,P<0.01)區域則主要分散在下游,該區域靠近巴丹吉林沙漠和騰格里沙漠,沙漠化效應影響較大。結論與柳菲等研究結論基本一致[39]。上游高海拔區域SM與FVC則為正向強相關(R=0.49,P<0.01),其中林地占80.16%,海拔較高區域的FVC與SM為正相關(R=0.13,P<0.01),其中林地占38.25%,因此林地對SM表現出了正向影響。

圖11 土壤水分與植被覆蓋相關性Fig.11 Correlation between soil moisture and vegetation cover

李浙華等[40]研究顯示,土壤水分通常受到氣候、水文、地形、植被覆蓋度以及人類活動等因素的影響。但在小尺度上氣象和水文要素基本一致,地形、植被和土地利用的變化則成為影響SM保持和變化的重要因素。植被覆蓋度高的區域地表蒸散發較小,有利于SM保持。同時,不同高程也有影響作用,上游高海拔區域溫度較低且多為林地,使地表蒸散發更小,且植被多為高大灌木,根系發達,水分吸收多源于深層土壤。而下游植被則多為草本和農田,冠層密度低且根系較淺,主要吸收地表土壤水。從而不同的高程和土地利用影響了植被對土壤水分的影響程度。

限于作者水平,高山地區冰川積雪對土壤水分遙感估算的影響有待于后續深入研究,以期進一步提高土壤水分的遙感估算精度。

4 結論

(1)通過地表反照率和植被覆蓋度構建梯形特征空間計算裸土反照率,進而估算地表土壤水分,可明顯地消除植被覆蓋的影響,提高遙感土壤水分估算精度,為流域尺度的SM計算提供了方法參考。該模型適用于石羊河流域,結果符合研究區實際情況。

(2)石羊河流域土壤水分表現出西南高東北低的態勢,上游至下游SM值逐漸降低,SM值大于15%的區域面積為11.77%,主要分布在上游高海拔區域,SM值7%—15%的區域面積為33.91%,主要分布在武威綠洲和民勤綠洲鄰近水庫部分,SM值小于7%的區域面積為54.32%,主要分布在下游民勤境內的荒漠區。

(3)石羊河流域SM空間自相關特征顯著,高-高聚集主要分布于石羊河上游林地,占研究區21.95%,低-低聚集主要集中分布于下游民勤的荒漠,占研究區30.33%。上游林地區SM呈高高聚集,下游荒漠區SM呈低低聚集。土壤水分和植被覆蓋度存在顯著相關性且不同土地利用影響程度存在差異,上游林地與SM呈顯著正相關(R=0.49,P<0.01),中游草地與SM呈顯著負相關(R=-0.57,P<0.01)。

(4)石羊河流域植被覆蓋因素對SM的空間差異解釋力最強,各因子對SM空間分異的解釋能力存在顯著差異,且因子間交互作用均增強了其對SM空間分異的解釋力。

(5)石羊河流域土壤水分穩定性整體較好,中下游皆表現為穩定。不同土地利用類型的SM差異較大,未利用地大部分SM小于7%,大部分草地和耕地SM處于中等水平,SM值為7%—15%,林地SM值大于25%,水平整體較高。