基于表觀熱慣量與溫度植被指數的FY-3B土壤水分降尺度研究

宋承運，胡光成，王艷麗，湯超

(1.安徽理工大學空間信息與測繪工程學院，淮南 232001；2.中國科學院空天信息創新研究院遙感科學國家重點實驗室，北京 100101)

0 引言

利用遙感技術監測土壤水分具有快速、宏觀、周期觀測等優勢，一直是農業、氣候、水文等研究領域的熱點[1]。與可見光、紅外波段相比，微波遙感監測土壤水分，具有對土壤水分敏感、全天時、全天候等優勢，是土壤水分遙感反演的常用方法，其中，由國產風云三號氣象衛星B星FY-3B與C星FY-3C搭載的微波成像儀觀測數據反演的FY-3B土壤水分可以提供2011年7月至今土壤水分產品，為大尺度下土壤水分變化提供了長時序有效的數據支持。但由于微波成像儀與獲取的數據空間分辨率較低，反演得到的土壤水分空間分辨率為25 km，在區域尺度下應用受到限制[2]。因此，如何由低分辨率FY-3B土壤水分產品降尺度得到高分辨率土壤水分對于土壤水分遙感產品在氣象、農業、生態、林業等領域的應用，以及國產衛星數據的應用等方面具有重要的意義。

事實上，土壤水分降尺度已有許多研究[3-5]，其中，結合可見光、紅外遙感數據土壤水分監測模型的降尺度方法具有算法簡單、數據獲取可行性高等特點，是一種可操作性較高的方法。Chauhan等[6]利用地表溫度、植被指數構成的特征空間中構成“不規則三角形”的特點，結合地表反照率構建土壤水分降尺度模型;Piles等[7]在此基礎上通過增加微波亮溫數據對SMOS土壤水分降尺度；曹永攀等[8]利用溫度植被干旱指數(temperature vegetation dryness index，TVDI)估算土壤水分經驗模型對AMSR-E土壤水分進行降尺度；孟祥金等[9]建立基于TVDI的空間權重土壤水分降尺度模型。以及利用表觀熱慣量(apparent thermal inertia，ATI)指數模型在裸露地表或低植被覆蓋區域對FY-3B土壤水分進行降尺度也開展了相關研究[10]。Kim等[11]利用歸一化植被指數(normalized difference vegetation index,NDVI)對低分辨率CCI土壤水分進行降尺度研究。在結合土壤水分監測模型降尺度研究中，往往采用單一的土壤水分監測模型進行土壤水分降尺度，而由于單一的土壤水分監測模型很難適用于各種干旱及植被覆蓋度環境，如基于ATI模型適用于裸露地表或低植被覆蓋區域[12]，基于溫度植被指數(temperature vegetation index,TVI)、距平植被指數(anomaly vegetation index，AVI)等模型適用于植被覆蓋度較高的區域[13]。因此，在土壤水分降尺度中，需要結合不同土壤水分監測模型進行研究，適應不同的土壤水分與植被覆蓋環境下土壤水分降尺度。

在以上研究的基礎上，以MODIS為數據源，利用ATI與TVI估算土壤水分模型適用于不同植被覆蓋度條件的特點，構建綜合ATI與TVI的土壤水分估算模型，結合FY-3B土壤水分，利用土壤水分降尺度方法，獲取高分辨率土壤水分。通過青藏高原那曲地區地面觀測數據，對降尺度方法進行驗證分析。

1 研究區概況與數據源

1.1 研究區與地面觀測資料

研究區位于青藏高原那曲市東部地區，E89°50′～92°35′,N30°45′～32°15′之間(圖1)。研究區地形以高原丘陵地形為主，大多數山丘呈渾圓狀，坡度較為平緩，平均海拔4 500 m以上。氣候較周圍地區寒冷干燥，年平均氣溫-2.9～3.4℃,年日照時數為2 400～3 200 h 。年降水量400 mm以上，主要集中于6—8月。植被以草地為主，4—6 月進入返青期,7—9月植被覆蓋度較高,長勢良好,8月下旬—10月中旬開始枯黃。

地面觀測資料由位于研究區內的青藏高原中部土壤溫濕度多尺度觀測網數據集提供[14]。該數據網可以提供大尺度(1.0°)、中尺度(0.3°)與小尺度(0.1°)的土壤溫度與土壤水分的觀測數據，土壤水分觀測深度為0～5 cm，10 cm，20 cm和40 cm共4種深度，觀測間隔為30 min。由于FY-3B土壤水分產品的空間分辨率為25 km，以及微波數據只能反映地表表層的土壤信息，本次實驗選取中尺度(0.3°，如圖1所示)范圍內的土壤水分觀測站，深度為0～5 cm的土壤水分觀測數據。

圖1 研究區高程及地面觀測站點示意圖Fig.1 Schematic diagram of elevation and ground observation stations in the study area

研究區內的區域環境與地面觀測資料為區域土壤水分的監測與分析提供了良好的條件。研究中選取雨季2014年7月與非雨季2014年10月進行分析。

1.2 遙感數據

研究中使用的遙感數據主要為FY-3B土壤水分與MODIS反射率、地表溫度等數據。

FY-3B土壤水分由FY-3B衛星搭配的微波成像儀觀測的亮溫數據反演得到。FY-3B衛星采用近極地太陽同步軌道，其搭載的微波成像儀為覆蓋10.65～89 GHz波段的5個頻段10個通道被動微波輻射計。FY-3B土壤水分采用基于QP模型的雙通道土壤水分反演算法[15]，并通過與植被含水量相關的植被光學厚度校正植被影響[16]，其空間分辨率為25 km，產品周期為日產品，單位為cm3/cm3。研究中數據由“國家氣象科學數據中心”(http://data.cma.cn/site/index.html)下載2014年7月與10月份全球土壤水分產品，共62景影像。

MODIS地表溫度數據為MODIS每日地表溫度產品MYD11A1，空間分辨率為1 km；地表反射率產品為MYD09GA每日反射率產品，空間分辨率為500 m，將其重采樣至1 km；地表反照率產品為MCD43A3每日反照率產品，空間分辨率為500 m，將其重樣至1 km。MODIS數據由NASA Earthdata Search (https://search.earthdata.nasa.gov/search)下載。下載2014年7月與10月數據，共186景影像。

2 研究方法

2.1 土壤水分估算模型

2.1.1 ATI模型

土壤熱慣量是反映土壤熱變化幅度的一個重要參數，而土壤水分含量的變化是影響土壤熱變化的重要參數，因此，可以通過熱慣量反映土壤水分的變化。在實際應用中，Price[17]提出計算較為簡便的表觀熱慣量ATI，更適合于遙感數據的應用，可行性更高，ATI的表達式為：

ATI=(1-A)/ΔT，

(1)

式中：A為全波段反照率，由MODIS的MCD43A3反照率數據得到；ΔT為晝夜溫差，可由MODIS MYD11A1產品中白天與夜間的溫度計算得出。

ATI與土壤水分的關系模型中，相較于其他模型，對數模型應用較多，在低植被覆蓋度區域土壤水分估算與降尺度研究中得到應用[10]，其表達式為：

sm=a·ln(ATI)+b，

(2)

式中：sm為土壤水分；a和b為模型系數。

由于熱慣量是對土壤熱變化的監測，易受到上層植被的影響，基于ATI的土壤水分估算模型更適用于裸土或低植被覆蓋度區域[18]。

2.1.2 溫度植被指數

溫度植被指數(temperature vegetation index,TVI)的原理為在植被覆蓋區域，土壤水分變低時，上層植被葉子關閉氣孔，植被冠層溫度可以反映土壤水分的變化，計算式可以表示為[19]:

(3)

式中，TS為植被冠層溫度。在實際應用中，植被覆蓋度較高時通常采用遙感反演的地表溫度代替冠層溫度。

TVI與土壤水分之間存在線性關系[20]，其數學表達式為:

sm=c·TVI+d，

(4)

式中c和d為模型系數。

2.1.3 基于ATI與TVI的土壤水分估算模型的建立

由于ATI與TVI分別適用于裸露或低植被覆蓋區域以及高植被覆蓋區域，則綜合兩種模型的特點可以適合應用于不同植被覆蓋度下的土壤水分估算。采用植被覆蓋度fc作為權重，建立基于ATI與TVI的土壤水分綜合估算模型，其數學表達式為：

sm=(1-fc)·(a·ln(ATI)+b)+fc·(c·TVI+d)，

(5)

其中，植被覆蓋度fc由MODIS計算的NDVI計算得到[21]，其表達式為：

fc=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)，

(6)

式中NDVIsoil和NDVIveg分別為裸土或無植被覆蓋區的NDVI值與植被完全覆蓋時像元的NDVI值。

由式(5)可得：

sm=a·(1-fc)·ln(ATI)+(d-b)·fc+c·fc·TVI+b。

(7)

2.2 降尺度方法

2.2.1 降尺度模型的構建

式(7)中經驗系數往往需要通過實測或高分辨率土壤水分產品回歸分析得到，其中，高分辨率土壤水分smH可通過均值升尺度方法得到低分辨率土壤水分smL即：

(8)

式中：smHi為高分辨率像元i的土壤水分；n為低分辨率一個像元覆蓋范圍內高分辨率數據像元的個數。

將式(7)代入式(8)中，得：

(9)

式中fci，(ln(ATI)i)和TVIi分別為高分辨率像元i的fc，ln(ATI)和TVI。

式(9)建立起低分辨率土壤水分與式(7)經驗系數關系式，經回歸分析，可得模型系數a，b，c，d，并代入式(7)中，得到降尺度后高分辨率土壤水分。

2.2.2 土壤水分殘差再分配

降尺度后的土壤水分經均值升尺度后得到的低分辨率土壤水分值應與FY-3B土壤水分值相同，但在實際應用中，兩者之間存在差值Δsm，其表達式為：

Δsm=smL-smHL，

(10)

式中，smHL為降尺度后土壤水分經過升尺度后得到的低分辨率土壤水分。

為消除降尺度土壤水與FY-3B土壤水分的殘差，將此殘差采用線性插值方法[22]，對降尺度后的土壤水分進行殘差分配，得到最終的降尺度后土壤水分。

2.3 技術路線

利用MODIS 地表溫度、反照率、反射率等數據，計算fc，ATI與TVI，并通過均值升尺度法得到25 km分辨率下式(9)中各變量；結合25 km分辨率下FY-3B土壤水分數據，進行加回歸分析，得到式(9)中的模型系數；將系數與MODIS 1 km遙感數據代入式(7)中，得到1 km分辨率土壤水分；計算FY-3B土壤水分與得到的由1 km升尺度后的土壤水分之間的差值，并將差值進行再分配，得到降尺度后1 km的土壤水分。技術路線如圖2所示。

圖2 技術路線Fig.2 The technical route

3 結果與分析

3.1 基于站點實測數據的土壤水分估算模型分析

由于地面觀測站分布較為分散，遙感數據的單個像元覆蓋范圍內只有一個觀測站，選取周圍地勢較為平坦、地表覆蓋類型較為一致的地面觀測站，其觀測值能夠代替所對應像元覆蓋范圍的土壤水分值。對站點所對應的像元在時間尺度上應用模型(式(7))進行回歸分析。表1為不同觀測站在2014年7月與10月通過式6回歸分析后的相關系數。由表1可以看出，在觀測站點7月與10月的相關系數R大于0.6，大部分在0.8以上，表明觀測站點模型較為穩定。

表1 模型(式(7))回歸分析相關系數R與模型系數Tab.1 Model (equation (7))regression analysis correlation coefficient R and model coefficient

3.2 FY-3B土壤水分降尺度

利用FY-3B土壤水分與MODIS數據代入式(9)中，經回歸分析求得式(9)的系數，圖3為相關系數的時間序列圖。由于FY-3B微波成像儀MWRI圖像幅寬為1 400 km，受到FY-3B衛星軌道間隔以及云覆蓋對MODIS數據等的影響，2014年7月與10月共有26 d有效數據，相關系數大部分在0.6以上，表明所建立的模型具有較好的穩定性。

(a)2014年7月 (b)2014年10月

圖4為2014年7月27日、10月4日、10月11日FY-3B低分辨率土壤水分與降尺度后的高分辨率土壤水分空間分布對比圖。圖中，降尺度后土壤水分與FY-3B土壤水分空間分布一致，7月27日土壤水分值東部大于西部，此時為植被生長茂盛期，東部為高植被覆蓋度區，西部多為低植被覆蓋度與裸土區域，土壤水分分布與植被分布區域相一致；10月份進入植被枯萎期，植被覆蓋度降低，降尺度后土壤水分降低，東部高土壤水分值區域減少；10月11日降尺度后土壤水分東部與西部相似。處于雨季的7月27日土壤水分值高于非雨季10月4日與10月11日的土壤水分值。根據研究區內區域環境、季節變化以及FY-3B土壤水分變化情況，降尺度后土壤水分空間分布合理。

(a)7月27日 (b)10月4日 (c)10月11日

3.3 誤差分析

結合地面觀測數據，對降尺度后的土壤水分精度進行驗證分析。由于地面觀測站分布較為分散，選取與3.1節相同的地面觀測站的觀測值與降尺度后土壤水分進行對比分析。

圖5為降尺度后土壤水分與地面觀測值散點圖。由圖中可以看出，降尺度后土壤水分與實測土壤水分決定系數在0.41～0.51之間，降尺度后土壤水分與實測土壤水分呈現較好的線性關系且較為穩定。RMSE值變化較大，最小值為10月4日的0.055 cm3/cm3，最大值為7月27日0.103 cm3/cm3。雨季的7月27日降尺度后土壤水分值大部分高于地面觀測值，非雨季10月4日與11日降尺度后土壤水分值低于地面觀測值，其中，10月11日的降尺度后土壤水分值明顯低于地面觀測值。通過分析，在植被覆蓋區域土壤水分值偏高，主要是由于一方面在植被生長茂盛期，參與計算的可見光、紅外遙感數據中的植被信息，引起降尺度后土壤水分值往往會包含有植被含水量等信息；另一方面，FY-3B土壤水分在植被覆蓋區域反演過程中，由植被含水量等信息估算的植被光學厚度校正植被影響，反演的土壤水分值高于地面觀測值。

(a)2014年7月27日 (b)2014年10月4日 (c)2014年10月11日

圖6為FY-3B土壤水分與中尺度地面觀測網觀測平均值的時間序列圖中，從中可知，7月植被生長茂盛，土壤水分反演值高于地面觀測值，在部分日期內達到0.5 cm3/cm3。圖6中，7月27日FY-3B土壤水分值為0.41 cm3/cm3，地面觀測的平均值為0.29 cm3/cm3，各地面站點觀測值范圍在0.247～0.38 cm3/cm3之間，導致降尺度后土壤水分大于地面實測值，RMSE值較大。10月4日FY-3B土壤水分為0.275 cm3/cm3，與地面觀測平均值(0.287 cm3/cm3)較為接近，降尺度后土壤水分與地面觀測值RMSE較小。10月11日FY-3B土壤水分為0.245 cm3/cm3，低于地面觀測平均值0.264 cm3/cm3，降尺度后土壤水分低于地面觀測值，且RMSE值高于10月4日。通過以上分析可以看出，FY-3B土壤水分與實測土壤水分變化趨勢相一致，但在7月絕對值相差較大，10月相差較小，是影響降尺度后土壤水分精度的一個重要因素。

(a)2014年7月 (b)2014年10月

綜合以上分析，降尺度后土壤水分與實測土壤水分變化趨勢較為一致，考慮到FY-3B土壤水分本身的精度，該降尺度方法能夠較好地對以FY-3B為代表的微波遙感反演土壤水分進行降尺度，得到高分辨率土壤水分。

4 結論與討論

本文基于表觀熱慣量ATI與溫度植被指數TVI土壤水分估算模型，以MODIS數據為數據源，對FY-3B土壤水分進行降尺度，得到高分辨率土壤水分，該方法具有以下特點：

1)利用ATI與TVI土壤水分估算模型在不同植被覆蓋度下適用性的特點，以植被覆蓋度作為權重，構建適用于不同植被覆蓋度下土壤水分估算模型。充分利用兩種土壤水分估算模型的優勢，在一定程度上解決了單一土壤水分估算模型在不同土壤水分環境下應用的缺點，為土壤水分反演提供了一種可行的方法。

2)FY-3土壤水分降尺度中，應用土壤水分升尺度方法，建立起低分辨率土壤水分與高分辨率土壤水分估算模型的關系，充分考慮到不同尺度下土壤水分估算模型系數的不一致性，避免了土壤水分模型系數在不同尺度下相一致的假設。

3)對比分析了季風期、高植被覆蓋度與非季風期、低植被覆蓋度條件下降尺度結果，降尺度土壤水分與地面觀測值分布趨勢一致，但在高植被覆蓋區，由于受到FY-3B土壤水分精度，以及可見光、紅外數據中植被含水量等信息的影響，RMSE值較高。

在研究中，存在以下問題：

1)由于可見光、紅外波段數據易受到云覆蓋的影響，很難獲取連續的ATI計算時所需要晝夜溫度值，產生較多的無效值，進而影響降尺度模型的應用及長時序數據的構建。

2)在高植被覆蓋區，由于受到FY-3B土壤水分反演精度以及土壤水分降尺度方法等方面的影響，與地面觀測水分觀測值相差較大。

3)在結果驗證中，由于地面觀測網分布較為分散，降尺度后土壤水分像元中只有一個觀測站點，雖然選取了周圍地勢較為平坦，地表覆蓋較為一致的地面觀測站數據，但降尺度結果的真實性檢驗方面仍需進一步改進。

在進一步工作中，云下地表溫度與長時序地表溫度的重建[23]、FY-3B土壤水分反演算法的改進、地面驗證方法的改進等方面的研究，可以有效地提高降尺度算法的精度與可操作性。