基于NDVI分區的全國草地生態系統覆蓋區土壤水分遙感反演

楊 娜, 郭興國

(1.濟南市勘察測繪研究院, 濟南 250100; 2.三峽大學 水利與環境學院, 湖北 宜昌 443002)

草地生態系統作為陸地生態系統中的敏感成員，在發展畜牧業、維持生物多樣性、維持生態系統平衡等方面發揮著重要作用，但其發育與演替受氣候、人類活動等影響較為嚴重[1-2]。據氣象報告顯示過去幾十年間氣候經歷了明顯變化，這勢必會對我國(尤其在干旱半干旱地區)草地生長產生顯著影響，進而影響全球的物質循環和能量流動，對生態系統的穩定性產生重要影響[3-4]。土壤水分是表示土壤干旱程度的重要物理量，是地表和大氣—水熱過程的重要紐帶，是監測土地退化的一個重要指標[5-8]，其含量雖僅占全球水循環分量的0.005%左右，卻影響著地—氣界面間的物質循環和能量交換[9]，特別對干旱事件和高溫熱浪的形成和發展及其嚴重程度有重大驅動作用[10]。傳統的土壤水分測量方法(如烘干稱重法)是利用探針或重量測量法測定不同深度的土壤水分[11-13]，雖可得到較為精確的土壤水分數據，但數據代表性差、獲取過程勞民傷財，獲得的基于站點的數據已不能準確刻畫大尺度范圍內土壤水分的時空變化[13-16]。20世紀70年代中期，遙感技術因具有時效快、范圍廣、長期動態監測及高時空分辨率等優點，被廣泛應用在土壤水分的反演工作中[17-21]。利用遙感監測土壤水分的方法有可見光—近紅外法(如反射率法、植被指數法)、熱紅外法(如表觀熱慣量法)、微波法(被動微波遙感法和主動微波遙感法)和多源遙感法等[21-30]。其中，可見光—近紅外法雖具有高空間和時間分辨率、大范圍長時間動態監測的優勢，但因其穿透能力較弱，且易受到天氣、植被覆蓋類型等的影響，使反演精度較低[5]。熱紅外法僅適用于裸土和植被覆蓋度低的區域，在植被覆蓋度高的區域因植被覆蓋了土壤的信息，嚴重影響土壤水分反演精度[10,31-32]。土壤水分遙感反演方法很多，但對不同下墊面(可謂裸土、部分植被覆蓋和全植被覆蓋區域)需使用不同的反演模型[33]。雖目前已有很多學者對土壤水分遙感反演做了大量工作，但因研究數據、研究區、植被類型和起始年份不同而存在差異[30-33]。而土壤水分研究作為草地生態系統動態監測的一項長期性、經常性的工作，被列為生態保護與修復工程的重要任務之一，引入土壤水分探究在生態保護與修復工程措施下草地覆蓋動態及其對氣候變化的響應情況，對掌握和評價生態保護與修復等工程的所取得的效果有重大意義。

鑒于此，本文以全國草地生態系統為研究區，鑒于表觀熱慣量和溫度植被干旱指數模型優缺點，基于2012年、2016年已有的實測數據與反演結果在精度驗證的基礎上確定NDVI閾值，建立土壤水分遙感反演模型。并使用該模型反演2016年全國草地生態系統0—10 cm土壤水分，分析土壤水分時空分布格局，以期為我國生態環境改善、畜牧業管理措施及未來生態環境建設提供科學依據。

1 材料與方法

1.1 研究區概況

草地類型數據源于中國生態系統評估與生態安全數據庫(http:∥www.ecosystem.csdb.cn/ecosys/)提供的草地生態系統數據。由中國科學院生態環境研究中心依據《中國生態系統》的分類方法，采用6級分類單位將草地生態系統分為了草原生態系統(分布于我國溫帶地區，如東北，華北地區，青藏高原，黃土高原等)、草叢生態系統(主要分布在在熱帶和亞熱帶，向北可以分布到華北地區。)、草甸生態系統(普遍分布于我國北方各省區及青藏高原)、高寒生態系統(廣泛分布在青藏高原以及外緣山地，北起祁連山，南至橫斷山、天山北坡、瑪納斯河上游的大中大坂)四大類。中國草地生態系統總面積達3.9億hm2，占世界草地總面積的13%，占全國國土面積的41%(圖1)。

1.2 數據來源

DEM數據：DEM數據源于地理空間數據云(http:∥www.gscloud.cn/sources/accessdata/310?pid=302)的SRTM產品數據，分辨率為90 m。

土壤水分實測數據：2012年土壤水分實測數據由地球大數據科學工程數據共享服務系統(http:∥data.casearth.cn/)提供，多為人工觀測，觀測頻率為5～15 d一次，觀測深度有0—10，0—20，0—40，0—80，0—120 cm。2016年土壤水分實測數據由寒區旱區科學數據中心(http:∥westdc.westgis.ac.cn/data/)提供的大沙龍站和峨堡站及國家青藏高原科學數據中心(http:∥www.tped-atabase.cn/portal/MetaDataInfo.jsp?MetaDataId=249 456)提供包含寒冷半干旱的那曲站、寒冷潮濕的瑪曲站、寒冷干旱的阿里站和獅泉站，每隔15 min觀測一次距地面5 cm，10 cm，30 cm，50 cm，80 cm處的土壤水分。

土壤濕度產品數據：由中國氣象數據網(http:∥data.cma.cn/ data/ cdcdetail/ dataCode)提供的“CLDASV2.0”產品。土壤相對濕度產品數據有0—10 cm，0—20 cm，0—50 cm觀測深度數據。利用中國區域業務的質量控制后的土壤水分自動站觀測資料對其評估，結果表明：CLDAS-V2.0土壤相對濕度產品與地面實際觀測相關系數0.8左右，均方根誤差小于0.1，偏差為0.1。

遙感數據：遙感數據包括MOD09GA(時間分辨率為1 d，空間分辨率為500 m的地表反射率數據，提供1～7波段的反射率、質量評價等數據)，MOD11A1和MYD11A1(時間分辨率為 1 d、空間分辨率為 1 km的陸地表面溫度 ，包含晝夜地表面溫度和對應的質量控制數據)，所有數據均由Google Earth Engine平臺處理并下載。投影為Albers正軸等面積雙標準緯線圓錐投影，并利用質量控制文件對MOD09GA和MOD11A1數據進行質量控制，最大限度減少云等其他噪聲影響。使用MOD09GA數據提供的波段分別計算得到NDVI和EVI。NDVI，EVI計算公式見(1)，(2)：

NDVI=(NIR-R)/(NIR+R)

(1)

EVI=2.5(NIR-R)/(NIR+6R-7.5B+1)

(2)

式中:NIR為MOD09GA數據對應的近紅外波段;R為紅光波段;B為藍光波段。

2 研究方法

2.1 遙感數據處理方法

2.1.1 地表溫度的地形訂正 不同海拔高度下，地表溫度受氣溫和大氣湍流的影響。當研究區有明顯地形起伏時，隨高程增加，氣溫降低，地溫也降低，不經高程訂正，高程高區地表溫度低，會造成對該區域土壤濕度的高估。對地表溫度數據(LST)使用DEM數據對其進行訂正，訂正見公式(1)[7,16,26]。

Td=Ts+aH

(3)

式中:Td為經DEM訂正后的地表溫度值;Ts為原始的地表溫度值;H數字高程(DEM)值;a表示地表溫度隨海拔高度增加而降低的程度,結合相關參考文獻,本文的a取值為-0.6/100℃。

2.1.2 遙感數據缺失值填充 因NASA提供的 MODIS LST標準產品采用的是劈窗算法和晝夜地表溫度反演算法，在晴空條件下經度可達1 K，但熱紅外波段易受云和其他干擾因素影響，使獲得的數據存在大量數據缺失，需對數據做填充。本文是采用上午星(Terra，從北向南于地方時10∶30左右通過赤道)獲得的MOD11A1數據和下午星(Aqua，從南向北于地方時13∶30左右通過赤道)獲得的MYD11 A1數據，在質量控制文件的控制下，分別對兩種數據的對應的白天數據和夜晚數據進行最大值合成，實現數據填充。

2.2 土壤水分遙感反演方法

2.2.1 溫度植被干旱指數(TVDI) Price[34]、Sandholt[35]等研究發現植被覆蓋度與土壤水分之間的變化范圍較大時，NDVI與LST間構成的散點圖是一個三角形。并在大量研究下提出了溫度植被干旱指數(TVDI)的概念，指出TVDI是利用Ts-NDVI特征空間提取的水分脅迫指標來估算陸面表層土壤水分的一種方法，Moran等[36]對Ts-NDVI特征空間的研究中發現地表最低溫度與植被覆蓋度和植被覆蓋類型存在一定的關系。TVDI的計算公式如下所示：

(4)

式中:Ts為地表溫度;Tsmax為最高地表溫度;Tsmin為最低地表溫度。干濕邊方程如下所示。

Tsmax=a1+b1×NDVI

(5)

Tsmin=a2+b2×NDVI

(6)

式中:a1,b1,a2,b2分別為干濕邊擬合方程的系數;NDVI為歸一化植被指數。

TVDI的數據獲取與處理過程較為簡單，但NDVI對土壤背景變化較為敏感，當植被覆蓋度過低，NDVI難以指示區域內植物生物量，植被覆蓋度過高，NDVI增加延緩而呈飽和狀態，對植被檢測靈敏度下降[37]，導致反演的土壤水分與實際值偏差較大。因此，本文在NDVI高于某個值之后，采用基于增強型植被指數(EVI)的TVDI反演該區域土壤水分。

2.2.2 表觀熱慣量模型(ATI) 土壤熱慣量是土壤的一種熱特性，是引起土壤表層溫度變化快慢的內在因素，與土壤水分有密切關系[37-39]。Price[34]于1985年提出了表觀熱慣量(ATI)的概念，考慮到在一定條件下入射的太陽輻射可視為常數，公式如下:

ATI=1-A/ΔT

(7)

式中:ATI為表觀熱慣量;A為全波段地表反照率;ΔT為最大地表溫差。本研究采用馬里大學Liang的寬波段反射率算法[38],公式為:

A=0.16a1+0.291a2+0.243a3+0.116a4+

0.112a5+0.08a7-0.0015

(8)

式中:ai(i=1,2,3,4,5,7)為MODIS數據產品對應的波段地物反射率。采用ATI模型的方法反演土壤相對濕度簡單方便,但只適合于裸土和低植被覆蓋區域,沒有考慮到地表蒸發的影響[39]。

2.3 土壤水分關系模型的建立

本文采用的土壤目前最為廣泛的線性模型，建立每天采樣點的實測數據與對應的遙感反演的TVDI值或ATI值的關系模型，進而反演研究區每天的土壤水分值，然后以每天的土壤濕度值為基礎合成2016年全國草地的各月內每旬的土壤水分數據[39,40-42]。

W=d·X+c

(9)

式中:W為各觀測深度的土壤水分值;d為回歸模型系數；c為回歸模型常數項;X為表觀熱慣量值或溫度干旱植被指數值。

3 結果與分析

3.1 確定NDVI閾值

為選取出適合本研究的NDVI閾值，參考前人閾值設置[37,43-45]，選取343組土壤水分實測數據。選取NDVI小于0.15的采樣點22個、0.15～0.18的20個、0.18～0.2的40個、0.2～0.215的采樣點35個、0.215～0.25的40個、0.7～0.75的51個、0.75～0.78的45個、0.78～0.8的60個、0.8～0.82的20個、0.82～0.85的10個。在不同的閾值設置下，使用不同模型進行反演，計算站點土壤水分含水量與不同深度實測土壤水分的相對誤差。結果發現NDVI≤0.2時，不同深度的土壤水分采用ATI反演的土壤水分與實測值之間的相對誤差小于基于NDVI的溫度干旱植被模型的相對誤差，且隨著土層深度的加深，相對誤差呈現增加趨勢，即ATI模型適合于地表的土壤水分反演，隨著深度的加深，ATI和TVDI的相對誤差均呈現增加趨勢，因此在NDVI≤0.2時采用ATI模型反演精度較高；NDVI≥0.78時，采用基于EVI的TVDI與實測數據的相對誤差較小，且在土層深度小于40 cm時，其相對誤差并沒有隨著深度的加深而加大，但當深度大于40 cm之后，基于EVI的TVDI反演的土壤水分與實測土壤水分之間的誤差迅速增加。NDVI∈[0.2,0.78]時，采用基于NDVI的TVDI模型反演土壤水分精度較高(圖2)。根據以上確定的閾值，對NDVI<0.2的82個點、0.20.78的90個點的土壤水分實測數據與對應的ATI、基于NDVI計算的TVDI和基于EVI的TVDI建立一元線性回歸模型，公式見表1。

表1 土壤水分模型

3.2 土壤水分反演模型

通過每日的中國草地覆蓋區域的NDVI值，借助于GEE(Google Earth Engine)平臺通過設定不同的NDVI閾值，分別獲得NDVI<0.2，0.2≤NDVI≤0.78，NDVI>0.78的遙感影像，并使用NDVI<0.2的影像對MOD09GA的B1-B7波段進行裁剪，以便于使用ATI模型反演得到土壤水分。然后對遙感反演得到的土壤水分采用平均值法將日數據合成月數據，并采用最小二乘法點對點的回歸擬合各月ATI、基于NDVI計算的TVDI和基于EVI計算的TVDI和實測數據的0—10 cm的土壤水分，由于存在短暫的降雨等情況，土壤水分的變化可能不連續，在擬合過程中剔除極端值，計算得到不同NDVI值得情況下的土壤水分反演模型。可以看出，中國草地覆蓋區域土壤水分于ATI，TVDI呈現除不同程度的相關性，并對各月回歸擬合得到的土壤水分反演模型進行統計檢驗，檢驗結果表明各月擬合結果均通過了0.01的假設檢驗，具備統計學意義，模型反演效果較好(表2)。

表2 土壤水分與 ATI、基于NDVI的TVDI、基于EVI的TVDI回歸擬合模型

3.3 土壤水分反演值、CLDASV2.0產品與實測值散點圖

從散點圖(圖3)可以看出遙感反演土壤水分與不同來源地面實測土壤水分比較，本文研究結果與其具有很好的一致性，但CLDASV2.0土壤水分產品數據與地面實測數據之間偏差較大：(1) 地面實測的土壤水分集中在5%～35%，遙感反演的土壤水分也集中在5%～35%，與地面實測土壤水分的R2=0.7853(p<0.01)， RMSE=3.9841。但在25%～30%間時，大部分遙感反演值比地面觀測值高，在土壤水分大于30%時，地面觀測土壤水分比遙感反演值低，但大部分站點與地面實測值誤差小于5%，這一誤差仍在可接受范圍之內；(2) CLDASV2.0土壤水分產品值集中在5%～25%，與地面實測土壤水分的R2=0.5553(p<0.01)， RMSE=7.321 8%。在5%～10%間時，大部分CLDASV2.0土壤水分產品值低，土壤水分介于15%～20%間時，CLDASV2.0土壤水分產品值遠低于地面觀測值。CLDASV2.0土壤水分產品值與地面實測值之間的差距較大。

圖3 土壤水分遙感反演值、CLDASV2.0土壤水分產品值與站點實測數據比較

3.4 遙感反演與CLDASV2.0產品的空間尺度分析

分析2016年草地遙感反演的土壤水分含水量年均值分布圖(圖4A)：全年草地土壤水分集中在0%～40%。總體來看，內蒙古土壤水分高于新疆、青海、西藏和四川。土壤水分最低值分布在昆侖山脈的西藏與青海交界處、天山山脈北坡，為0～10%，新疆與西藏交界處土壤水分分布在30%～40%。同是昆侖山脈，但地域差異性尤其明顯。中國南方地區土壤水分集中在30%～40%，比北方草地普遍高，這與南北降水、氣溫差異有關，中國南部的土壤水分常年比北方土壤水分高。與“CLDASV2.0”產品的0—10 cm的土壤水分(圖4B)相比，“CLDASV2.0”產品的土壤水分在北方地區集中在10%～20%，只有西藏少部分地區、新疆塔里木盆地分布在0～10%。總體來看，遙感反演的土壤水分較“CLDASV2.0”產品數據在數值上存在較小差異，但在空間分布上保持較高的一致性。

3.5 土壤水分空間分布

通過平均法對每日土壤水分空間數據合成月土壤水分空間分布數據(圖5)，發現：全國草地土壤水分存在明顯的時空差異性。從全局來看，在2016年1月全國草地土壤水分由西北向東南增加，最低值(0～10%)出現在青海、西藏及新疆和內蒙古地區，最高值集中在南方各省的大部分區域。從局部分布來看，在喜馬拉雅山脈、昆侖山脈、岡底斯山脈、橫斷山脈、天山山脈、祁連山山脈及陰山山脈地區的土壤水分較同一省份內的其他區域的土壤水分高，高出約10%。究其原因可能是該地區海拔較高，在9月、10月份，氣溫較低，土壤蒸發量較少，土壤保濕度比其他地區較低，1月份仍存有往年的土壤水分和積雪，因此土壤水分較高。

圖4 全國草地0-10 cm土壤水分年均值分布

2月的土壤水分較1月平均高出約20%，空間變化與1月份較為相似，但很多地區的土壤水分緩慢增加，增加不明顯；3月全國草地土壤水分迅速降低，4月變化區域基本是在3月的基礎上緩慢增長。5月到6月內蒙古區域的土壤水分顯著提高，從20%～30%提高到70%～90%，其他地區的土壤水分也從0～40%提高到30%～70%。據中國氣象數據網提供的降水量在線產品數據顯示，2016年5月降水量比3月、4月份的降水量增加很多；6月到7月的土壤水分下降了約10%；在7月到9月中國北方草地土壤水分普遍提高，據調查數據顯示，2016年8月北方地區降雨量比往年偏多近7%，夏、秋季降水分別偏多了10%和6%，夏季暴雨過程頻繁，其中，黑龍江、四川、甘肅、青海、寧夏等地區屬于異常豐年，因此導致土壤水分在8月、9月大大提高。9月到11月，土壤水分顯著降低，11月到12月土壤水分集中在0～50%，與前幾月相比較低。

3.6 時間分布特征

通過比較土壤水分遙感反演值與CLDASV2.0土壤水分產品值的月平均值變化特征發現二者雖存在一定差異，但月際變化基本保持一致的變化趨勢：(圖6)全國草地土壤水分年內呈現由“升—降”的變化周期與產品數據、平均降水量變化趨于一致，特別在夏季，降水量對土壤水分有直接影響。7月、8月土壤水分比其他月高，1—6月與9—12月土壤水分偏低。其中“升—降”的第一個周期為1—7月為上升趨勢，1—6月變化較小，基本在20%之內，7月、8月突增到25%；第二周期為8—12月呈下降趨勢，下降趨勢比1—7月的上升趨勢顯著。從季節變化特征來看，土壤水分最大值出現在8月，最小值出在3月。按季節看，全國整體土壤水分的最高值出現在夏季(7月、8月份)，其次是秋(9月、10月、11月份)和冬季(12月、1月、2月份)，最低值出現在是春季(3月份)。

4 討論與結論

4.1 討 論

針對NDVI對不同植被覆蓋狀況下敏感性不同的問題，本文對比分析了不同NDVI閾值設置下采用不同的土壤水分反演模型對土壤濕度狀況的監測效果，得到了合理的結論，NDVI≤0.2時，采用ATI模型監測土壤水分效果更好，0.20.78時，采用基于EVI的TVDI監測土壤水分精度較高。這一研究結果與前人發現的NDVI對土壤背景的變化較為敏感，當NDVI<0時，可認為地表濕度為100%，但是當植被覆蓋度<20%時，NDVI對區域內的植被很難有指示意義，植被覆蓋度>80%時，NDVI呈現飽和狀態，NDVI值得增加出現緩慢得延遲趨勢，對植被檢測得靈敏度下降的研究結論基本保持一致。因此，使用單一的TVDI指數獲取土壤水分干濕信息時，會由于NDVI對植被檢測的靈敏度的原因而對植被覆蓋較高區域效果較好，但在植被稀疏、荒漠或者裸土地區、植被覆蓋度很高區域效果可能不佳。張順謙[46]、盧遠[47]、楊曦[48]等提出用EVI取代NDVI，降低NDVI易于飽和對TVDI的影響，結果發現 EVI-LST構建的TVDI特征空間更具有優勢，但在植被覆蓋度較低的裸土、荒漠地區的模擬精度提高并不是很好。戴睿等[49]研究發現TVDI-NDVI的相關系數總體高于TVDI-EVI。楊茹等[50]基于LANDSAT數據計算不同植被指數建立TVDI反演土壤水分，發現TVDI-NDVI的反演精度高于TVDI-EVI反演精度，因此，在直接使用EVI替代NDVI建立TVDI模型反演土壤水分的精度上仍存在爭議。而ATI被很多研究證明在植被覆蓋度較低的地區反演的土壤水分精度較高[37]。

因此，本研究綜合考慮了ATI和TVDI模型優勢，反演2012年、2016年草地土壤水分，并以實測土壤水分和反演土壤水分的相對誤差為判斷指標，確定NDVI閾值，建立2016年全國草地0—10 cm土壤水分反演模型，并基于實測數據對遙感反演土壤水分、CLDASV2.0產品數據的精度對比并分析2016年全國草地生態系統覆蓋區域土壤水分時空變化特征、發現：基于本文提出的模型反演的土壤水分與地面實測土壤水分的R2=0.7853(p<0.01)，RMSE=3.9841，且集中分布范圍較為一致；CLDASV2.0土壤水分產品與地面實測土壤水分的R2=0.5553(p<0.01)，RMSE=7.321 8%，遠低于地面觀測值。并從遙感反演土壤水分產品與 “CLDASV2.0”產品數據對比發現，土壤水分值上存在較小差異，但在空間分布上保持較高的一致性，兩者的時間變化趨勢基本保持一致，相關系數較高。就草地類型來看，草原生態系統、草甸生態系統和高寒稀疏植被和凍原生態系統分布區域，“CLDASV2.0”產品值明顯低于遙感反演值。崔園園等[51]通過研究CLDAS在東北地區的適用性發現CLDAS在對極值的描述上有所欠缺；劉歡歡[52]、于月明[53]等研究發現CLDAS的土壤水分監測結果具有較高的使用價值，但在不同地區的偏差不盡相同，系統性的偏干/偏濕站點分布區域明顯，呈東部偏干、西部偏濕的態勢；甄熙等[54]研究發現CLDAS能夠很好地反映土壤相對濕度的空間分布狀況，但在數值上存在一定偏差；黃曉龍等通過實測站點對CLDAS對比發現CLDAS在某一些地區與實測值存在較大差異，誤差來源主要與輻照度為受數據采集時間、局地環境和云影響有較大關系。這些研究結論能夠解釋本研究遙感反演產品與CLDAS在數值上存在的差異(如草原生態系統、草甸生態系統和高寒稀疏植被和凍原生態系統分布區域，究其原因可能是該區域地形復雜，云量影響等引起)，而兩者在時間變化趨勢和空間分布特征較為一致。

圖5 全國草地生態系統覆蓋區0-10 cm土壤水分空間分布

圖6 全國草地土壤相對濕度月均值與各月降水量均值分布

本研究在不同植被覆蓋狀況下選取不同的模型反演土壤水分，雖在一定程度上提高土壤濕度狀況反演的準確性，但是土壤濕度受多種因素的影響，下一步可以考慮使用數據同化、機器學習建立綜合多種影響因素的土壤濕度狀況監測模型，進一步提高監測的準確性。在本研究過程中主要使用MODIS產品的數據，雖能夠監測大尺度的土壤濕度狀況，也取得了較好的結果，但MODIS影響容易受云、雨雪天氣、地形等影響，且分辨率較低，后期可以考慮基于大數據處理平臺GEE上實現利用高分辨率的雷達影像建立土壤水分模型，已達到更為細致的研究。

4.2 結 論

(1) 可將NDVI作為不同植被覆蓋度下遙感信息模型的判別閾值，在NDVI≤0.2的像元上，采用適于植被覆蓋較低的ATI模型進行土壤水分遙感反演；NDV≥0.78時，采用能夠避免NDVI飽和的問題的EVI的TVDI模型反演土壤水分；在0.2

(2) 模型反演的土壤水分與地面實測土壤水分的R2=0.7853(p<0.01)，RMSE=3.9841。CLDASV2.0土壤水分產品與地面實測土壤水分的R2=0.5553(p<0.01)，RMSE=7.3218%。

(3) 全國草地0—10 cm土壤水分由西北向東南增加，最低值(0%～10%)出現在青海、西藏、新疆和內蒙古地區，最高值集中在南方大部分地區。時間分布上全年草地土壤水分集中在0～40%，春冬季節土壤水分較少，平均在0～60%，夏季較高，大部分像元集中在30%～80%，秋天次之，集中在0～70%。