基于TVDI的大范围干旱区土壤水分遥感反演模型研究_赵杰鹏

合集下载

（毕业论文）利用TVDI反演地表含水量方法研究.doc

利用TVDI反演地表含水量方法研究利用MODIS资料构建了地表温度(Ts)-增强植被指数(EVI)的特征空间，拟合了特征空间中的干、湿边方程，计算了温度植被干旱指数(TVDI),并推导出利用TVDI和干、湿边土壤水分计算土壤含水量的方程。

在计算TVDI的过程中，为了减少高程的影响，利用数字高程模型(DEM)对Ts进行了订正；利用同期野外实测土壤湿度数据计算了干边上的土壤水分值，从而反演出帄均土壤含水量。

结果表明：①TVDI方法能反演土壤表层水分，实测值与预测值之间帄均绝对误差在15个百分点左右。

②高程校正后的TVDI能更好的反映土壤水分，与校正前相比，帄均绝对误差减少5个百分点，基本满足业务需要。

③使用野外与卫星同步采样的土壤湿度数据进行验证，发现TVDI指标与实测土壤湿度数据显著相关，能够较好地反映表层土壤湿度。

关键词:TVDI；土壤水分；MODIS；地表温度;DEM土壤水分是监测土地退化的一个重要指标，是气候、水文、生态、农业等领域的主要参数，在地表与大气界面的水分和能量交换中起重要作用。

遥感能够快速方便地获取大区域的地表信息，因此使用遥感监测土壤水分意义秉大。

20世纪80年代以来，以遥感监测地表辐射温度信息反演土壤水分的方法如应用于稀疏植被的热惯量法得到了广泛应用。

在多数情况下，地面一般为植被不完全覆盖，因此遥感探测到的地表温度必然受到植被覆盖度影响,较高的土壤背景温度会严重干扰旱情信息。

为了消除土壤背景的影响，将地表温度和反映植被覆盖度的植被指数联合考虑将会是提萬反演精度的右效途径。

Price、Carlson等人发现植被指数(NDVI)与地表温度(Ts)之间存在负相关关系，而且如果研宄区植被覆盖包含从裸土到全覆盖、土壤湿度从极干旱到极湿润的各种情况，以遥感资料获得NDVI和Ts为横、纵坐标的散点图呈三角形。

在这个三角形特征空间中，Goetz研究发现Ts与NDVI的斜率与土壤湿度之间为一元线性关系［1］，Sandholt等进一步结合对该特征空间生态特征的解释，提出用温度植被早情指数(TVDI, Temperature-Vegetation Dryness Index) 估算土壤表层水分状况，取得了良好的效果:1°］。

基于TVDI_的河南省遥感土壤墒情反演研究

地球科学与环境工程河南科技Henan Science and Technology总第800期第6期2023年3月基于TVDI 的河南省遥感土壤墒情反演研究李艳（厦门大学嘉庚学院环境科学与工程学院，福建漳州363000）摘要：【目的目的】精准高效地监测土壤墒情是现代化农业发展的重要环节。

【方法方法】以我国农业大省河南省为研究区，基于MODIS 遥感数据，提取归一化植被指数（NDVI ）和增强型植被指数（EVI ）分别与地表温度和地表温差建立温度-植被指数特征空间和温差-植被指数特征空间。

通过研究区土壤水分站点的数据，讨论分别由Ts-NDVI 、Ts-EVI 、DT-NDVI 和DT-EVI 特征空间计算得到的温度植被干旱指数（TVDI ）与土壤墒情站点的数据的相关性，以此验证基于MODIS 数据的TVDI 反演大区域土壤墒情的能力。

【结果结果】Ts-EVI 特征空间构建的TVDI 与实测土壤墒情具有较稳定的相关性。

【结论结论】TVDI 不仅能够反映土壤表层的干湿状况；还能有效的反映土壤湿度的时空差异，是一种有效的实时监测土壤干湿状况的手段。

关键词：土壤墒情；反演；遥感数据；温度植被干旱指数中图分类号：TV93；S127文献标志码：A文章编号：1003-5168（2023）06-0099-06DOI ：10.19968/ki.hnkj.1003-5168.2023.06.020Remote Sensing Retrieval for Soil Moisture in Henan Province Based onTVDILI Yan（School of Environmental Science &Engineering,Xiamen University Tan Kah Kee College,Zhangzhou363000,China ）Abstract:[Purposes ]Accurate and efficient retrieval of soil moisture is an important link in the develop⁃ment of modern agriculture.[Methods ]In this paper,Henan Province is taken as the study area.Based on MODIS remote sensing data,the normalized vegetation index (NDVI )and enhanced vegetation index (EVI )extracted from MODIS remote sensing data are respectively used to establish the surface temperature-vegetation index space and the temperature difference -vegetation index space.Through the data of soil moisture stations in the study area,the correlation between the temperature vegetationdryness index (TVDI )calculated from the Ts-NDVI 、Ts-EVI 、DT-NDVI and DT-EVI characteristic spaces and the data of soil moisture stations is discussed,so as to verify the ability of TVDI based onMODIS data to retrieve soil moisture in large regions.[Findings ]The results showed that the TVDI con⁃structed by Ts-EVI feature space has a stable correlation with the measured soil moisture.[Conclusions ]TVDI could not only reflect the dry and wet condition of soil surface;It can also effectively reflect the temporal and spatial differences of soil moisture,and is an effective means of real-time monitoring of soilmoisture status.Keywords:soil moisture;inversion;remote sensing data;TVDI收稿日期：2022-11-10基金项目：厦门大学嘉庚学院校级科研孵化项目（YY2022L05）0引言土壤墒情影响着农作物的生长状况，依据精准的土壤墒情可以准确制定作物生长灌溉用水计划，有助于现代化农业的发展［1］。

土壤水分遥感反演研究进展

土壤水分遥感反演研究进展一、本文概述Overview of this article随着遥感技术的快速发展，其在土壤水分监测方面的应用日益广泛，成为研究土壤水分动态变化的重要手段。

土壤水分遥感反演，即通过遥感手段获取地表土壤水分信息的过程，已成为遥感科学与农业科学交叉领域的研究热点。

本文旨在综述土壤水分遥感反演的研究进展，探讨不同遥感数据源、反演算法及其在实际应用中的优缺点，为进一步提高土壤水分遥感反演的精度和效率提供参考。

With the rapid development of remote sensing technology, its application in soil moisture monitoring is becoming increasingly widespread, becoming an important means of studying the dynamic changes of soil moisture. Remote sensing inversion of soil moisture, which is the process of obtaining surface soil moisture information through remote sensing methods, has become a research hotspot in the intersection of remote sensing science and agricultural science. This article aims to review the research progress of soil moisture remotesensing inversion, explore different remote sensing data sources, inversion algorithms, and their advantages and disadvantages in practical applications, and provide reference for further improving the accuracy and efficiency of soil moisture remote sensing inversion.本文首先介绍了土壤水分遥感反演的基本原理和方法，包括遥感数据源的选择、预处理、反演算法的设计与实施等。

农田土壤水分多源遥感协同反演研究

农田土壤水分多源遥感协同反演研究农田土壤水分多源遥感协同反演研究近年来，农业生产中的关键问题之一是如何准确测量和监测农田土壤水分。

农田土壤水分的变化对作物生长、灌溉和农业管理等方面都有重要影响。

因此，研究如何高效地监测和预测农田土壤水分变化，对于提高农田水资源利用效率、实现农业可持续发展具有重要意义。

传统地面监测方法如土壤样品采集和实地测量等，虽然准确性较高，但其在时间和空间上的限制也存在明显的不足。

近年来，随着遥感技术的快速发展，利用遥感数据反演农田土壤水分的方法逐渐成为研究的热点。

遥感技术通过利用卫星或无人机等载体获取大范围地表信息，并结合模型和算法对土壤水分进行反演。

然而，由于遥感数据本身的局限性，单一遥感源往往无法提供足够的信息来准确估计土壤水分。

因此，将多源遥感数据进行协同反演成为当今研究的趋势。

多源遥感协同反演是指利用多种遥感数据源，如光学、热红外、微波等数据，通过数据融合和模型组合的方法，以提高土壤水分反演的准确性和稳定性。

不同遥感数据源具有各自独立的特点和信息，相互协同可以弥补各自的不足，提高反演精度。

在多源遥感协同反演中，数据融合是一个重要的环节。

数据融合是指将不同遥感数据源的信息有机地结合在一起，形成更全面、更准确的地表信息。

主要的数据融合方法包括特征级融合、决策级融合和基于模型的融合等。

特征级融合是将不同遥感数据源的特征进行组合，形成新的特征量以提高反演精度。

决策级融合是将不同遥感数据源独立做出的反演决策进行组合，形成最终的反演结果。

基于模型的融合是将不同遥感数据源在模型中进行融合，通过模型的建立和优化来提高反演精度。

此外，模型的选择和优化也对多源遥感协同反演的结果产生重要影响。

不同的模型适用于不同的遥感数据源和土壤水分特征。

常用的模型包括物理模型和统计模型。

物理模型基于土壤水分与遥感数据之间的物理规律进行建模，可以更准确地反演土壤水分。

统计模型是基于大量观测数据进行统计分析和建模，可以快速实现反演，并具有一定的稳定性和适用性。

(完整版)土壤水分遥感反演

6
为什么要降尺度？
• 被动微波方法做土壤水分有着天然的优越性 • 但是其空间分辨率粗，所以只能用来做大尺度上
的观测。 • 而包括气象，水文，水资源管理和气候学在内的
一系列流域尺度上的研究都要求中高分辨率的土壤水分观测据 • 流域尺度同化系统的需要
所以对土壤水分降尺度的研究很有必要
7
研究目标和内容
4
土壤水分的三种获取方式
• 地面实地定点观测（包括台站和便携仪器）
– 可以给出时间上的变化 – 难以描述空间变化，受条件限制多，花费成本高
• 模型模拟(土壤水动力学等)
– 能给出空间和时间上的变化 – 对输入参数要求高，不确定性较高
• 遥感
– 可以获取大范围的数据；速度快，周期短； – 地表信息,瞬时值
X TVDI ( space (1, 2), --- )
“TVDI 在空间上可以…但在时间上…”
TVDI (--- , DOY 200 ) TVDI (--- , DOY 201 ) TVDI (--- , DOY 202 ) TVDI (--- , DOY 203 )
?
18
三研究方案和技术路线2：降尺度方法
报告人：曹永攀
2011-01-14
1
提纲
一背景介绍二研究方案和技术路线1：TVDI 三研究方案和技术路线2：降尺度方法四总结
2
引言
• 经典的牛顿力学只适用于宏观世界而不适用于微观世界便是一个典型的尺度问题。
• 80年代后期，用AVHRR估算中国耕地面积 24亿亩（当时统计数据为15亿亩），成为 “笑柄”，其实这也是一个典型的尺度问题。
• 地理学、生态学、水文学、气象学、物理学、天文学和信息学等众多学科和领域都存在尺度问题。

土壤水分反演与干旱监测

DT时代
从无序的、庞杂的海量数据中挖掘有价值的信息甚至知识
社会管理智能电网公共交通智慧农业医疗诊断应
用
金融
电子商务精准气象新闻传媒
教育
基于气象数据的监测指数
优点：方法成熟数据精度高，时间序列长
缺点：站点分布不均，不利于大尺度的干旱监测
指数名称帕尔默指数作物水分指数标准降雨指数综合气象干旱指数
土壤水分和干旱监测的必要性
干旱是全球发生频率最高、持续时间最长、影响面积最广的自然灾害造成重大经济损失，每年造成我国农业生产的直接经济损失多达4-7亿元引起土地的荒漠化，沙漠化影响人民生命安全和国家和谐稳定
全球气候变暖等因素导致我国干旱发生频率显著增加、强度显著增强。(Dai A,2011) 深入研究干旱监测的技术方法，对提高干旱监测水平、提升政府防灾减灾能力具有重要的意义！
j
Ts
Ts
Ti
i

Ts
TT
T
j
Ts
i
j
Ti Tj
极化指数
反演方程
SM 0.33 10.99947 * NDE18.7GHz 10.7GHz
563.80628NDE
2 18.7GHz
10.7GHz
微波指数与植被关系
NDVI与MPI关系当NDVI≤0.1时,MPI≥0.04，在被动微波尺度下，可以认为像元为裸地或者植被非常少，因此在土壤水分反演中可以不考虑植被的影响；
不同地物的波谱曲线是不一样的，在近红外区域的水吸峰是变化的；
同一种作物在不同的生长期波谱曲线也是变化的
大气水汽含量变化也是影响监测的主要原因，当大气水分含量变化时，

基于TVDI的土壤干旱遥感监测分析

基于TVDI的土壤干旱遥感监测分析作者：袁田玉阁蔡迪来源：《科学导报·学术》2020年第18期摘 ;要：干旱作为一种全球性自然灾害，发生与发展规律较为复杂，且人们对其了解较少，而该自然灾害带来的影响却远超其他自然灾害。

据悉，我国自建国以来，平均每年受旱灾面积高达2100万公顷，占耕地面积20%左右，成灾面积达到870万公顷，干旱频率较高，持续时间较长，波及范围较广，为我国国民经济带来严重影响。

为解决该问题，文章通过TVDI 法对土壤干旱情况进行遥感监测，以此准确展现土壤干旱情况与旱情变化规律，及时预警土壤旱情，为缓解干旱问题提供支持。

关键词：TVDI;土壤干旱;遥感监测引言从古至今，旱灾一直是困扰我国农业发展的重要难题，即使科技不断发展，干旱问题带来的影响仍然存在。

尤其是环境污染，生态平衡被打破，旱灾的发生几率更是频繁，严重影响了农业生产。

在过往干旱监测中，主要通过气象站监测分析，却因经济条件等原因，气象站分布并不均匀，影响了干旱监测。

科技的不断发展，遥感技术的出现，实现了对土壤干旱的全天候、全面积监测，为干旱监测提供了条件[1]。

而TVDI作为NDVI、LST构建而成，能够准确展现干旱情况，下文对其在土壤干旱遥感监测内的应用展开探析。

1 遥感监测方法的简单概述在自然环境下，土壤内水分具有较大时空变动，在测量时，很难连续、规模性的精确测量其时空变化，而遥感技术的出现，能够有效监测区域内土壤的湿度情况、时空变化等。

因为，对土壤干旱遥感监测时，他主要通过土壤表面发射或者反射的电池辐射能，了解不同波段下土壤内水分特性。

经过多年发展，我国遥感监测方式越发多样化。

常见如下几类：其一，可见光红外遥感监测。

该方式主要通过植被指数、植被状态指数等对一个地区、一段时间内土壤干旱情况进行监测，得到定性结果[2]。

其中，常用的植被指数包括AVI、NDVI、VCI、植被，供水指数等。

其二，热红外遥感监测。

该方式追主要通过对土壤内水分对土壤表面温度、发射率等的依赖程度，以此了解土壤干旱情况。

ENVI土壤湿度遥感反演与干旱灾害监测

遥感建模与应用综合实习实验报告学期2017-2018学年第二学期姓名学号指导教师闵爱莲实验题目:土壤湿度遥感反演研究1.实验目的1.1熟悉遥感图像大气校正、几何校正的流程，掌握NDVI的计算及密度分割的过程。

1.2 学会利用TM热红外波段反演地表温度，了解TVDI的原理，制图输出黄骅市TVDI图像。

1.3 掌握基本的统计学评价指标（R2值、相关系数、线性拟合模型精度评价等），建立干旱指数TVDI和土壤相对湿度之间的关联模型。

2.实验要求2.1 大气校正，几何校正后NDVI计算并制图输出。

2.2地表温度反演；Ts-NDVI散点图制作；TVDI指数计算；除云、除水、除建筑物，保留植被区域的TVDI。

2.3建立TVDI和土壤相对湿度之间的关联模型。

模型精度评价。

土壤相对湿度制图。

3.实验数据TM200205图像、BASE IMAGE图像、研究区矢量边界图。

4.实验步骤:4.1图像预处理以及NDVI制图。

①大气校正。

本实验选择黑暗像元法进行大气校正。

打开TM200205,快速统计图像DN值，记录7个波段每个波段的黑暗像元。

本实验选择DN值像元个数为十位数时对应的DN值作为黑暗像元DN值。

所有像元均减去此黑暗像元的DN,达到校正目的。

所依据原理为认为黑暗像元的辐射记录值为0，且认为图像各处大气影响一致，之所以不为0是由于大气程辐射的影响，减去此DN，即为整体消除大气程辐射的影响。

②几何校正。

加载并打开base image和TM200205图像，基于Map下的图像到图像校正方法进行几何校正。

以base image为基准图像，以TM200205为待校正图像。

本实验选择20个地面同名地物点作为控制点，总的均方根误差为0.8257个像元，选择的原则是：控制点要分布均匀，图像边缘部分要多选取。

选择大桥桥头、河流拐弯处、道路交叉口、机场等易于区分且不易随时间变化太大的地物。

几何位置变换公式为多项式变换，二次多项式。

重采样方法为线性插法。

土壤水分遥感反演研究进展-国家林业局调查规划设计院

ＰｒｏｇｒｅｓｓｏｆＲｅｓｅａｒｃｈｏｎＲｅｔｒｉｅｖａｌｏｆＳｏｉｌＭｏｉｓｔｕｒＢａｓｅｄｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇ
ＸＵＰｅｉ，ＺＨＡＮＧＣｈａｏ
（ＳｏｕｔｈｗｅｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｋｕｎｍｉｎｇ６５０２２４，Ｃｈｉｎａ）
２０１５年８月第４期
林业资源管理ＦＯＲＥＳＴＲＥＳＯＵＲＣＥＳＭＡＮＡＧＥＭＥＮＴ
Ａｕｇｕｓｔ２０１５Ｎｏ４
土壤水分遥感反演研究进展
徐㊀沛，张㊀超
（西南林业大学，昆明６５０２２４）
摘要：近年来，随着人们对全球气候变化的逐渐重视，环境遥感领域中的土壤水分遥感反演技术已成为研究热点和前沿之一。通过对区域宏观土壤水分进行遥感反演，对于研究植被生长状况、农作物生长发育及产量预估、气候变化及环境响应机制等提供基础依据，具有重要的理论意义。在广泛了解和分析国内外土壤水分遥感反演研究进展的基础上，分别从可见光－近红外法、热红外法和微波遥感法３个方面总结和归纳了目前土壤水分遥感反演的主要方法，分析了各方法的原理与特点，讨论了国内外在该领域研究方面存在的主要技术问题，最后从４个方面对基于遥感技术的土壤水分反演研究进行了展望。关键词：土壤水分；反演模型；光学遥感；微波遥感中图分类号：Ｓ７７１８㊀文献标识码：Ａ㊀文章编号：１００２－６６２２（２０１５）０４－０１５１－０６ＤＯＩ：１０．１３４６６／ｊ．ｃｎｋｉ．ｌｙｚｙｇｌ．２０１５．０４．０２６

基于集成学习的土壤含水量遥感反演研究

摘要土壤含水量是水文、气象、农业和生态等领域中的关键指标，对土壤含水量进行宏观、动态的监测可为土壤旱情分析、区域洪涝预警、土地退化预报以及生态环境评估等提供有效信息。

遥感技术的发展为获取大范围、长时间的土壤含水量实时信息提供了有效途径。

遥感反演是指基于地物电磁波产生的遥感影像特征去反推目标的实时状态参数，即将遥感数据转变为各种地表实用参数的过程。

目前针对土壤含水量的遥感反演模型可分为经验模型与物理模型：经验模型构造简单、便于实践但监测精度有限；物理模型具有坚实的理论基础，但涉及参数过多、适用性较差。

本文综合了经验模型与物理模型的优点，选择青藏高原为研究区、以MODIS卫星传感器资料作为主要数据源，构建了基于集成学习的土壤含水量遥感反演模型。

本文主要研究内容和结论如下：（1）土壤含水量相关光谱参数的提取收集并整理了青藏高原地区土壤温湿度实测数据以及遥感数据，完成了相关数据预处理操作；基于土壤的光谱反射特性，以MODIS地表反射率产品MOD09A1为数据源，对植被指数、植被覆盖度和叶面积指数等土壤含水量相关的光谱参数进行了反演。

（2）基于随机森林的地表温度重建基于随机森林算法对MODIS地表温度产品MOD11A1进行了重建，削弱了植被和地形的干扰，同时对数据缺失值进行了补充。

验证结果表明重建后的地表温度与实测地表温度具有良好的相关性，其准确性与空间连续性均得到了提升。

（3）基于温度-植被干旱指数的土壤湿度状况评估基于归一化差分植被指数（NDVI）反演结果与地表温度（LST）重建结果，构建NDVI-LST特征分布空间；针对特征分布空间中主体边界处的散点干扰问题，考虑各离散点的分布频率并进行干湿边方程的拟合；最后反演得到温度-植被干旱指数（TVDI），并据此对青藏高原地区土壤湿度状况进行评估。

结果表明TVDI在一定程度上能够反映土壤湿度分布的一般规律，但却不能对土壤含水量进行定量表述，其结果仍然具有局限性。

不同植被指数在基于tvdi方法反演土壤水分中的应用

测绘与空间地理信息GEOMATICS & SPATIAL INFORMATION TECHNOLOGY第43卷第2期2020年2月Vol.43，No.2Feb.，2020不同植被指数在基于TVDI 方法反演土壤水分中的应用杨茹1，高超2，查芊郁1，阮甜1（1.安徽师范大学地理与旅游学院，安徽芜湖241000； 2.宁波大学地理与空间信息技术系，浙江宁波315000）摘要：研究增强型植被指数基于Landsat-8数据反演土壤水分的可行性及适用性，分析研究区土壤水分总体分布，提高该地区应对干旱灾害的能力。

基于温度植被干旱指数方法，以淮河流域上游地区作为研究区，基于2017年2月的Landsat-8影像，分别计算了地表温度、归一化植被指数、增强型植被指数，基于TVDI 构建了两种土壤水分反演模型。

研究比较了： 1） EVI 在TM 数据中的应用特点;2）研究区土壤含水率的空间分布特征；3）两种模型反演结果的差异。

结果表明：1）基于TM 数据计算的EVI 总体明显低于NDVI ,但不同时间段的结果并不总是低于NDVI ；2）基于EVI 的模型结果精度低于基于NDVI 模型结果。

3）两种模型结果与植被覆盖度、地表温度的关系均为负相关，其中，基于EVI 的模型结果与地表温度的负相关程度极高，即基于EVI 的模型结果受植被影响较小，受温度影响程度高。

关键词：TVDI ;EVI ; 土壤水分；Landsat-8 ;淮河上游中图分类号：P237 文献标识码：A文章编号：1672-5867（ 2020） 02-0033-05Application of Different Vegetation Indexes inSoil Moisture Inversion Based on TVDIYANG Ru 1 , GAO Chao 2, ZHA Qianyu 1 , RUAN Tian 1(l.School of Geography and Tourism , Anhui Normal University , Wuhu 241000, China ；2. Department of Geography and Spatial Information Technology , Ningbo University , Ningbo 315000, China )Abstract : To study the feasibility and applicability of enhanced vegetation index based on Landsat 8 data to retrieve soil moisture , andto analyze the distribution characteristics of soil moisture in this area , so as to improve the ability to deal with drought disasters in thisarea.Based on the temperature vegetation dryness index method and Landsat 8 image in February 2017, two TVDI soil moisture inver sion models were constructed. The following are studied : (1) the application characteristics of EVIl n TM data ； (2) the spatial distri bution characteristics of soil moisture in the study area ； ( 3) the difference between the inversion results of the two models. The results show that : (1) The EVI based on TM data was significantly lower than that based on NDVI , but the results of different time periodswere not always lower than that of NDVI . ( 2) the accuracy of the model based on EVI is lower than that based on NDVI . ( 3) the resultsof the two models were negatively correlated with vegetation coverage and surface temperature , and the results of the EV-based model were highly negatively correlated with surface temperature , that is , the EW-based model was less affected by vegetation and more af fected by temperature.Key words : TVDI ； EVI ; soil moisture ； Landsat-8； the upper reaches of Huaihe0 引言环境因子，是陆面生态系统水循环的重要环节之一［1］。

土壤水分和干旱的遥感监测方法与研究

目录摘要 (I)ABSTRACT (II)第一章前言 (1)1.1研究意义 (1)1.2旱情与干旱的概念、描述指标 (4)1.3干旱的危害 (5)1.4我国干旱的特点、分布状况 (7)1.5常用的干旱分等定级方法 (10)1.6目前针对干旱及土壤水分的监测方法 (11)第二章国内外土壤水分遥感监测研究进展情况 (12)2.1国外遥感监测土壤水分发展状况 (12)2.2国内遥感监测土壤水分发展状况 (13)第三章遥感监测土壤水分的理论基础 (15)第四章遥感干旱监测及土壤水分监测的方法介绍 (17)4.1 基于地表温度的遥感干旱监测方法 (17)4.1.1热惯量法 (17)4.1.2表观热惯量植被干旱指数 (19)4.1.3条件温度指数法 (20)4.1.4归一化差值温度指数 (20)4.2 基于植被指数的遥感干旱监测方法 (21)4.2.1简单植被指数 (22)4.2.2比值植被指数 (22)4.2.3归一化植被指数 (22)4.2.4增强植被指数 (23)4.2.5条件植被指数 (24)4.2.6距平植被指数 (24)4.3 基于植被指数和温度的遥感干旱监测方法 (26)4.3.1条件植被温度指数 (26)4.3.2 温度植被旱情指数 (27)4.3.3植被温度梯形指数 (29)4.3.4作物缺水指数法 (30)4.4基于红外的遥感干旱监测方法 (32)4.4.1垂直干旱指数法 (32)4.4.2修正的垂直干旱指数法 (33)4.5 微波遥感法 (35)4.5.1被动微波遥感监测土壤水分 (35)4.5.2 主动微波遥感监测土壤水分 (36)4.6 高光谱法 (38)第五章主要方法的分析与比较 (40)第六章结论与展望 (42)参考文献 (45)土壤水分和干旱的遥感监测方法与研究摘要干旱作为我国频发的气象灾害之一，其持续时间长，波及范围，涉及领域之广，对我国的国民经济造成严重影响，特别是农业生产损失惨重。

基于中分辨率遥感影像的湿地土壤水分提取方法

基于中分辨率遥感影像的湿地土壤水分提取方法阿多;赵文吉;程立海;宫兆宁;周廷刚【摘要】利用中分辨率的TM遥感影像反演湿地土壤水分,探寻湿地土壤水分和非湿地土壤水分提取的不同之处,对湿地监测具有重要意义.建立地表温度(Ts)与归一化植被指数(NDVI)之间的二维特征空间,用IDL编程在特征空间内提取对应的特征点,拟合温度植被干旱指数(TVDI)法需要的干湿边方程,能快速反演出野鸭湖湿地的土壤水分情况.反演结果与实测值的相关系数为0.860,呈极显著相关,均方根误差为0.1042,平均绝对误差为0.084 5.结果证明利用温度植被干旱指数(TVDI)法进行野鸭湖湿地这样的小尺度范围的反演土壤水分含量,方法可行,且中分辨率影像的土壤水分反演精度高于低分辨率影像的反演精度.【期刊名称】《湖北农业科学》【年(卷),期】2015(054)005【总页数】7页(P1066-1072)【关键词】温度植被干旱指数(TVDI);土壤水分反演;湿地;TM影像【作者】阿多;赵文吉;程立海;宫兆宁;周廷刚【作者单位】首都师范大学资源环境与旅游学院/三维信息获取与应用教育部重点实验室/资源环境与地理信息系统北京市重点实验室,北京 100048;首都师范大学资源环境与旅游学院/三维信息获取与应用教育部重点实验室/资源环境与地理信息系统北京市重点实验室,北京 100048;国家测绘地理信息局管理信息中心,北京100830;首都师范大学资源环境与旅游学院/三维信息获取与应用教育部重点实验室/资源环境与地理信息系统北京市重点实验室,北京 100048;西南大学地理科学学院,重庆400715【正文语种】中文【中图分类】S127;S152.7湿地的水文条件创造了湿地独特的物理化学环境，使得湿地生态系统与深水水域生态系统以及排水良好的陆地生态系统有极大的不同。

在湿地水文、湿地植被和湿地土壤对湿地的识别中，湿地水文是决定性的因素，它能促成其他两个湿地特征的形成［1］。

基于TVDI的滇西北土壤水分反演研究

基于TVDI的滇西北土壤水分反演研究王丽霞;王金亮;刘广杰【摘要】以香格里拉为研究区,以2002年、2005年、2009年、2013年以及2015年的Landsat系列影像和气象数据为数据源,利用单窗算法反演地表温度.以Ts-NDVI特征空间原理为基础,应用温度植被干旱指数(TVDI)反演香格里拉的土壤水分.通过GIS空间分析法完成对香格里拉2002—2015年的土壤水分动态反演.结果表明:2002年土壤水分含量最高,2005年土壤水分含量大幅度降低,2005—2015年呈持续上升的状态.宏观上比较典型的房屋建筑区及裸地处于严重干旱的状态,典型的耕地林地处呈现出中度干旱或轻度干旱的状态,植被覆盖度高的地区则受干旱影响较小,土壤较湿润.TVDI反演结果切合研究区的下垫面性质,与土地覆被类型密切相关.【期刊名称】《环境科学导刊》【年(卷),期】2017(036)002【总页数】5页(P7-11)【关键词】土壤水分;TVDI;地表温度;单窗算法;香格里拉【作者】王丽霞;王金亮;刘广杰【作者单位】云南师范大学旅游与地理科学学院,云南昆明650500;云南师范大学旅游与地理科学学院,云南昆明650500;云南师范大学旅游与地理科学学院,云南昆明650500【正文语种】中文【中图分类】X144随着全球气候变暖，干旱发生概率增大。

统计数据显示，香格里拉市近年来持续干旱，特别是重旱到特旱年发生次数与20世纪相比明显增多[1]。

为了保护香格里拉市生态环境安全，促进其经济可持续发展，开展了香格里拉土壤水分监测，揭示其干旱时空分布状况，以期为香格里拉市相关部门提供决策依据。

对于大范围监测土壤水分，遥感反演法相较于传统测量法有较大的优势。

目前国内外利用遥感技术监测土壤水分的研究不胜枚举。

主要包括四种监测方法：综合监测模型、微波遥感监测法、基于植被指数监测法、基于温度的监测法[2]。

其中，基于温度的遥感监测方法综合了大气-土壤-植被系统内物质和能量交换的结果，可反映土壤含水量的变化，从而揭示植被盖度的作用[3]，但影响地表温度的因素很多，因此该方法考虑的因素并不全面。

干旱区土壤水分微波遥感反演算法综述

干旱区土壤水分微波遥感反演算法综述张滢;丁建丽;周鹏【期刊名称】《干旱区地理》【年(卷),期】2011()4【摘要】土壤水分是气候、水文、生态和农业系统的关键组成要素,同时也是监控土地退化和干旱的重要指标,土壤水分信息的及时获取对于规划和管理这些系统来说具有极其重要的意义。

微波具有全天候、穿透性以及不受云层影响的独特物理机制使其在研究大尺度土壤水分反演时具有明显优势,已成为当前土壤水分遥感研究的主要大气窗口。

在干旱区微波遥感土壤水分反演过程中,粗糙度和植被覆盖对地表土壤后向散射的影响是必须解决的因素,因此植被覆盖地区的土壤水分信息提取成为了算法反演中的难点。

基于此考虑,从简略介绍微波反演土壤水分原理入手,继而着重介绍其研究进展、趋势、算法以及干旱区植被覆盖条件下土壤水分反演主要应用模型如IEM模型、水云模型。

通过对比这些反演方法及模型的优缺点,进而分析并探讨其在干旱区地表土壤水分反演时的适用性情况。

【总页数】8页(P671-678)【关键词】土壤水分;地表粗糙度;植被覆盖;微波遥感;【作者】张滢;丁建丽;周鹏【作者单位】新疆财经大学旅游学院;新疆大学地理学博士后流动站;新疆大学资源与环境科学学院绿洲生态教育部重点实验室【正文语种】中文【中图分类】P9【相关文献】1.像元尺度有效粗糙度的土壤水分微波遥感反演算法研究 [J], 王锐欣; 陈鲁皖; 赵淑鲜; 杨家辉2.基于改进粒子群算法的主动微波遥感土壤水分反演方法研究 [J], 钟侠;陈鲁皖;王锐欣;杨家辉;赵淑鲜3.基于粗糙度参数的土壤水分微波遥感反演算法适用性研究 [J], 赵淑鲜;陈鲁皖;王锐欣;杨嘉辉;钟侠4.被动微波遥感土壤水分反演研究综述 [J], 毛克彪;唐华俊;周清波;陈佑启5.基于支持向量机回归算法的土壤水分光学与微波遥感协同反演 [J], 姜红;玉素甫江.如素力;拜合提尼沙.阿不都克日木;何辉;艾则孜提约麦尔.麦麦提因版权原因，仅展示原文概要，查看原文内容请购买。

农业旱灾监测中土壤水分遥感反演研究进展

15卷6期2006年12月自　然　灾　害　学　报JOURNAL OF NAT URAL D I S ASTERS Vol .15,No .6Dec .2006收稿日期:2006-03-07;　修订日期:2006-07-10 基金项目:国家自然科学基金资助项目(30571078);国家社会公益研究项目(2004D I B 4J154,2005D I A 3J032);国家科技支撑计划课题(2006BAD04B07) 作者简介:闫峰(1973-),男,江苏连云港人,博士研究生,主要从事环境遥感、地理信息系统和灾害学研究.文章编号:100424574(2006)0620114208农业旱灾监测中土壤水分遥感反演研究进展闫　峰1,2,覃志豪1,3,李茂松2,王艳姣4,5(1.南京大学国际地球系统科学研究所,江苏南京210093; 2.中国农业科学院农业环境与可持续发展研究所,北京100081;3.中国农业科学院农业资源与农业区划研究所,北京100081;4.中国科学院大气物理研究所,北京100029; 5.中国气象局国家气候中心,北京100081)摘要:土壤水分是农业干旱监测最重要的指标之一。

文章全面回顾了光学遥感和微波遥感土壤水分遥感反演进展,重点讨论了各种反演方法的优点和不足。

光学遥感中,热惯量法和作物缺水指数法可分别较好地应用于裸露地和作物覆盖地的土壤水分监测;距平植被指数、植被条件指数采用了植被指数因子实现农业旱情监测,温度植被指数、植被供水指数和条件植被温度指数同时考虑了作物植被指数和地表温度。

微波遥感被认为是当前土壤水分监测中最有效的方法。

主动微波遥感空间分辨率较高,但对土壤粗糙度和植被敏感;被动微波遥感空间分辨率低,重访周期短,对大尺度农业旱灾监测具有较大潜力。

为提高农业旱灾监测中土壤水分遥感反演的精度和效率,采用光学遥感和微波遥感的结合可能是较为实际的方法。

关键词:农业旱灾;土壤水分;遥感;光学;微波中图分类号:TP79;S152.7;S423 文献标识码:AProgress i n so il m o isture esti m a ti on from rem ote sen si n gda t a for agr i cultura l drought m on itor i n gY AN Feng 1,2,Q I N Zhi 2hao 1,3,L IMao 2s ong 2,WANG Yan 2jiao 4,5(1.I nternati onal I nstitute for Earth Syste m Science,Nanjing University,Nanjing 210093,China; 2.I nstitute of Envir onment and SustainableDevel opment in Agriculture,Chinese Acade my of Agricultural Sciences,Beijing 100081,China; 3.I nstitute of Agr o 2Res ourcesand Regi onal Planning,Chinese Acade my of Agricultural Sciences,Beijing 100081,China; 4.The I nstitute of A t m os phericPhysics,Chinese Acade my of Sciences,Beijing 100029,China; 5.Nati onal Cli m ate Center,China Meteor ol ogical Adm inistrati on,Beijing 100081,China )Abstract:Soil moisture is one of the most i m portant indices for agricultural dr ought monit oring .I n this paper we p resent a comp rehensive revie w f or the p r ogress in re mote sensing of s oil moisture,with f ocus on discussi on of the method details and p r oble m s existing in s oil moisture esti m ati on fr o m re mote sensing data .Ther mal inertia and cr op water stress index (C W SI )can be used t o s oil moisture esti m ati on of bare s oil and vegetati on envir on ments res pec 2tively .Anomaly vegetati on index (AV I )and vegetati on conditi on index (VC I )are another alternative methods for s oil moisture esti m ati on with nor malized difference vegetati on index (NDV I ).Both NDV I and land surface te mpera 2ture (LST )are considered in te mperature vegetati on index (T V I ),vegetati on supp ly water index (VS W I )and vegetati on te mperature conditi on index (VTC I ).M icr owave re mote sensing is the most effective technique f or s oil moisture esti m ati on .Active m icr owave can p r ovide high s patial res oluti on but is sensitive t o s oil r ough and vegeta 2ti on .Passive m icr owave has a l ow res oluti on and revisit peri od but it has more potential for large scale agriculturaldr ought monit oring .I ntegrati on of op tical and m icr owave re mote sensings may be the p ractical method of dr ought monit oring in both accuracy and efficiency .Key words:agricultural dr ought;s oil moisture;re mote sensing;op tics;m icr owave农业旱灾是世界上最常见、影响最大的气候灾害,不但直接造成了粮食减产和经济损失,而且严重影响了农业的可持续发展和社会的稳定。

区域土壤水分遥感反演方法研究

项目资助:国家自然科学基金项目(40601103),西部联合人才培养计划(0634021001)共同资助收稿日期:2007-12-10;修订日期:2008-01-18;作者E-mail:zhangqing@第一作者简介:张清(1972-),女,河北保定人,2005年获中国科学院硕士学位,北京大学在读博士生,从事生态遥感及GIS 应用工作区域土壤水分遥感反演方法研究张清1,周可法2,赵庆展3,尹小君3(1.北京大学遥感与地理信息系统研究所,北京 100871;2.中国科学院新疆生态与地理研究所,新疆乌鲁木齐 830011;3.石河子大学信息科学与技术学院,新疆石河子 841000)摘要:土壤水分是陆地表面参数化的一个关键变量.土壤水分含量随时空的转换而变化,对地面、大气间的热量平衡、土壤温度及农田墒情等都会产生明显的影响.传统的土壤水分测量方法采样速度慢、费用高、代表性差,无法满足实时、大范围监测的需要.遥感监测土壤水分克服了以上的缺点,利用遥感技术监测土壤水分是目前定量遥感研究的前沿和难题之一.总结了目前国内外遥感计算土壤含水量的主要方法和研究进展,同时进行了对比研究,对不同方法的原理及应用情况进行分析,指出这些方法的适用条件、存在问题及改进措施. 关键词:土壤水分;遥感监测;模型土壤水分与干旱的遥感监测是目前遥感技术应用研究的前沿领域,是公认的世界性研究难题之一.在地球系统中,地表土壤水分是陆地和大气能量交换过程中的重要因子,对陆地表面蒸散、水的运移、碳循环有很强的控制作用,是气候、水文、生态、农业等领域衡量土壤干旱程度的重要指标.土壤含水量的时空分布与变化对陆地-大气间热量平衡、陆面大气环流和土壤温度变化产生显著的影响.大范围的土壤水分监测是农业过程研究和环境因子评价的基础,而区域尺度乃至全球范围的地表土壤水分反演又是陆面过程模式研究的重要组成部分,在改善区域及全球气候、预测区域干湿状况研究中意义重大[1,2].土壤水分或土壤湿度是指土壤中所含水分数量,目前土壤含水量的获取可分为三类:田间实测法、土壤水分模型法和遥感法.田间实测法包括重量水分法、中子仪法、土壤湿度计法、伽马射线衰减法、电阻法.该方法可以准确估测土体剖面的含水量,测定的土层较多,深度较大,可以不考虑大气、植被的影响.但其仅限于单点,代表范围有限,数据的实时性较差,动态性很难保证,人力财力消耗大,很难表现土壤、地形、植被覆盖上的空间变异性,宏观性得不到体现,数据得不到及时更新.土壤水分模型方法是根据物质守恒定律,建立水分平衡方程来求解土壤水分,可提供适时的土壤水分信息,具快速、可预测、可提供面信息的优势.但实验需要大量气象数据支持,参数复杂、难以确定,估测误差较大.20世纪80年代发展的遥感监测土壤水分克服了以上二种方法的缺陷.土壤水分的遥感估测方法是通过测量土壤表面发射或反射的电磁能量,研究遥感信息与土壤湿度间的关系,建立土壤湿度与遥感数据间的信息模型,从而反演出土壤水分.其时效快、动态对比性强,为大面积地表水、热的实时准确监测提供了有效手段.1 土壤水分遥感测量模型及方法国内外用遥感技术监测干旱区土壤水分的方法很多,目前该领域的研究主要集中在光学遥感(即可见光-近红外、热红外遥感)和微波遥感波段进行[4].遥感监测地表水热方法主要有:微波遥感监测土壤水分法、基于可见光-近红外土壤水分光谱法、基于热红外遥感的温度法、基于热红外遥感的植被指数法、基于可见光及热红外遥感的植被指数-冠层温度法及陆面数据同化法.1.1 微波遥感土壤湿度法微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种.此方法物理基础坚实,即土壤的介电特性和土壤含水量密切相关,水分的介电常数大约为80,干土仅为3~5,存在较大的反差.土壤的介电常数随土壤湿度的变化而变化,表现于卫星遥感图像上是灰度值G 亮度温度的变化. 1.1.1 主动微波遥感土壤湿度法以应用X 波段侧视雷达为主,主要是后向反射系数法.主动微波遥感器发射一束经调制的电磁波能量,并且接收后向散射回波,通过后向散射系数,建立目标108 新疆地质物的形态和物理特征与后向散射回波的关系.Ulaby 、Weimann 等研究了线性关系的土壤水分和雷达参数的关系.Ulaby 等在研究中发现土壤湿度在田间持水量的50％~150％范围时,对植被的影响较大,必须建立线性关系排除植被在监测中的干扰成分.Dobson 等认为干的或饱和的土壤,不适用线性关系,而是非线性的关系.粗糙度对微波遥感土壤水分的影响,主动微波大于被动微波.Sano 等对考虑粗糙度的影响进行了研究[5~7].主动微波遥感土壤水分精度较高,且可以全天候使用,成为监测水分最灵活、最适用、最有效的方法.虽然成本较高,但随着一系列携带主动微波传感器的卫星(ERS 系列、EOS ．SAR 、Radar sat 、ADEOS 、TRMM 等)的发射升空,以及美国奋进号航天飞机的多次飞行试验获得大量的雷达图像及数据的应用,将使微波遥感的成本不断下降,逐渐被应用于实践.1.1.2 被动微波遥感监测土壤水分土壤湿度是影响被动微波辐射测量的关键因子,也是被动遥感监测土壤水分的理论基础.为此,国内外专家围绕土壤水分与亮度温度的关系进行了大量理论研究和航空遥感实验,得出许多有实用性的模型算法.Schmugge 等对试验数据进行了分析,发现亮温Tb 与土壤水分(重量百分比)具有较好的线性关系,引入田间持水力FC (field capacity),建立亮温与FC 之间的线性关系[8].Njoku 等基于辐射传输方程,建立了Tb 与土壤水分等参数的非线性方程[9].植被对土壤水分反演的影响是不可忽视的因素,很多算法在植被密集处无法使用,为了消除植被的影响,必须注重植被的遥感监测,建立相关的计算模型.Wang 、Teng 等研究了植被对土壤水分监测的影响,结果表明在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ 波段,尽量选择较长波段微波辐射,以消除植被对土壤湿度反演的影响[10].1.2 基于可见光-近红外土壤水分光谱法土壤水分光谱法是应用遥感估算光学植被度,利用分解象元排除法来提取土壤水分光谱信息.刘培君等研究表明,土壤水分含量约大于5%时,随土壤水分含量的增加反射率有呈指数下降趋势[11],两者关系为:b PR a e = (1)式中:R ——光谱反射率;P ——土壤水分百分数; a ,b ——待定系数.在此基础上,引入“光学植被盖度”.其定义为:实有植被的光学信息量占观测范围内全部植被光学信息量的比.观测区内实际的光学植被信息跟该区内理想为全植被覆盖时光学植被信息的比.对于TM 数据而言,可由2、3和4波段的光谱亮度来估算,其表达式为:4233423m a x ()/()C v o B B r B B =−−− (2) 式中:423max ()B B −——理想的全植被覆盖时(无裸土面)4波段和2、3波段(平均)光谱亮度的差值(极大值).此定义方法更着眼于土壤水分与光谱的直接关系,其具体过程为利用近红外波段和低波长波段的光谱反射率差值提取植被信息.裸土的光学植被盖度为0,全植被覆盖时光学植被盖度为1.差值较大的为作物,差值较小的是裸土,负值可能是水体或湿土.光学植被盖度是掩盖土壤水分信息的一个比较精确的量度.利用样本统计和相关分析相结合的方法,李建龙等建立了光学植被盖度的TM 模型[12]:4230.0046320.0026460.0019860.07124VO C B B B =−−−(3) 式中:C vo ——光学植被盖度;B 4,B 2,B 3——TM 4、2、3波段的光谱亮度. 根据分解复合象元原理,可排除植被的光谱信息,提取土壤水分的光谱信息.建立TM 的土壤水分监测模型如下:23444230.55970.41990.179715.060.87120.004630.0026460.001956B B B B B B B ±+−+=−++ (4) 234234230.51900.38940.1084 1.6670.87120.004630.0026460.001956B B B B B B B ±+−+=−++ (5) 上两式分别是用TM 4、2波段表达的土壤水分含量的定性公式,可用于监测土壤含水量的多少.而利用N0AA ／A VHRR 遥感信息建立的土壤水分监测模型为:P A1=42.51-31.42lg (04.0002447.0004956.08712.06.71126.04657.0A1A2A2A1++−+−B B B B -2.4) (6)12210.51550.191521.2145.2534.33lg(14.4)0.87120.0049560.0024470.04A A A A B B PA B B −+=−−−++(7)上式分别是用A VHRR 1、2通道数据为主建立的土壤水分遥感监测模型.1.3 基于热红外遥感的温度法 1.3.1 热惯量法土壤热惯量是土壤的一种热特性,是引起土壤表层温度表化的内在因素.水分有较大的热容量和热传导率,使较湿的土壤具有较大的热惯量,而这一热惯量可由光学遥感监测地表温度的变化得到,这使得热惯量法在遥感监测土壤水分中具有可行性.Watson 等最早应用了热模型[13].1978年热容量制图卫星(HCMM)发射成功,随后具有较高分辨率的土壤水分遥感监测方法的研究.Price 通过系统的研究,阐述了热惯量的遥感成像原理,提出了表观热惯量的概念,从而使采用卫星提供的可见光—近红外反射率和热红外辐射温度差计算热惯量并估算出土壤水分成为可能[14,15].Enland 等提出了辐射亮度热惯量(RTI)的概念,且认为PRTI 对土壤水分的敏感性好于PATI [16].研究表明,对于同一类型的土壤,其含水量越高,则热惯量越大,二者间存在正相关.土壤热惯量法是土壤热特性的综合性参数,定义为:P = (8) 式中:P ——热惯量(J/m k.S 1/2);Ρ——密度(kg/m 3);C ——比热(J/kg ·k);Λ——热导率(J/m ·s ·k).由于原始热惯量模型中的参数λ、ρ和c 难以直接利用遥感手段获取信息,因此,Price 、Kahle 根据地表热量平衡方程和热传导方程,对土壤热惯量模式进行了改进[17].Price 简化了潜热通量蒸发形式,并引入了一个地表综合参量B (B 为土壤辐射率、比湿及温度等气象要素的函数),P 与地表综合参量B 有关,而B 值计算复杂,需要大量地面数据支持.()R T I P =(9)012(1)r S C A a T−α=∆ (10) 式中:S 0——太阳常数;C r ——太阳辐射的大气透过率;A 1——太阳赤纬和当地纬度的函数,为地球自转的角速度,即周日的角频率; α——全波段的反射率,α=a ×C H 1+b×C H 2;a 、b ——系数;C H 1、C H 2——1、2通道的反射率.在实际应用时,不考虑地理纬度的影响,可以用表观热惯量ATI 来近似代替真实热惯量P ,直接建立表观热惯量ATI 与土壤含水量间的遥感统计模式,该模式表达为:(1-)/(-)d n ATI T T =α (11)式中:ATI ——土壤表观热惯量;T d 、T n ——昼夜的最高、最低温度,可分别用NOAA/A VHRR 卫星通道4的昼夜亮温CH4和NCH4求得.在实际应用时,常用表观热惯量ATI 来代替真实热惯量,该模式更适于航天遥感应用.常用线性经验公式为:W A A T I B =×+ (12)式中:W ——某层土壤湿度; A 、B ——系数. 1.3.2 蒸散比模型地表蒸散是土壤-植被-大气间能量相互作用和交换的体现,其核心是能量流的传输.蒸散法的理论基础来源于P-M 彭曼公式.国内外学者研究表明,实际蒸散(E )与潜在蒸散(E p)的比值与土壤水分的关系密切.当土壤水分供给充足时,蒸散作用较强,冠层温度处于较低状态;反之,蒸散作用较弱,冠层温度较高. Jackson 应用单层模型发展了估算植被缺水状态模型,作物缺水指数(CWSI )在较均一的环境条件下可以与平均日蒸发量联系起来,作为植物根层土壤水分状况的估算指标[18].其定义为: 01/C W S I E T E T =− (13)式中:ET ——实际蒸散;ET 0——潜在蒸散.由上式可知,ET 越小,CWSI 越大(CWSI 的值在0~1之间变动),反映出供水能力越差,即土地越干旱.用NOAA ／A VHRR 可得到热红外温度T 5,它与日蒸散量有简单的线性关系,而用热红外温度又可使作物缺水指数(CWSI )得到广泛的应用. 单层模型的思想是将土壤和植被作为一个整体的边界层来建立与大气间热交换模型,与外界空气交换动量、热量和水汽,即将土壤和植被的混合层看作一个“大叶”,所以也叫“大叶模型”.由于潜在蒸散量与作物长势、供水状态有很好的相关性,马蔼乃等对其作了进一步发展[19].()()()()11napR r T c T a d C C W S I d T c T a δγγ⎡⎤−−+∆++⎢⎥⎢⎥⎣⎦=+∆−⎡⎤⎣⎦ (14) 式中:T c ——作物冠层温度; T a ——与作物同高度的空气温度; γ——通风干湿表常数; △——饱和水汽压与温度关系曲线的斜率; d ——空气上部空气饱和差; δ——与作物最热点显热通量之比; R n ——净辐射通量; r a——空气动力学阻力; ρ——空气密度; C ρ——空气定压比热. 从这一思想出发,以能量平衡为基础,运用遥感数据反演地表反照率和地表辐射温度,结合有关气象资料建立蒸散模型.针对不同的下垫面情况又发展了双110 新疆地质层和多层模型.Shuttleworth 等于1985 年提出双层模型,该模型的核心思想是将下垫面的冠层和下面的土壤分别看作独立的通量源与大气进行能量交换[20].双层模型除了要考虑植被和土壤两个因素外还要考虑遥感反演土壤表面温度T g 与冠层温度T v 以及植被覆盖度f ,遥感所得的地表温度T s 为土壤和植被的混合温度,表示为Ts =fTv +(1+f )Tg .此外,遥感可以反演模型所需要的地表反照率、粗糙度、冠层表面阻力、叶面积指数等参数,再加上地面观测参考高度的温度和湿度等,带入双层模型,可推算出界面的蒸发量.随着模型和微气象试验研究的深入,抽象出通量的多层模型[21].单层模型适用于下垫面为单一、密闭、均一植被的情况,与二层、多层模型相比,单层模型输入的参数较简单、数据少,常用于区域或全球气候和生态系统的研究[22].由于多层模型参数的复杂性,其应用范围有限.作物缺水指数法(CWSI )作为蒸散法的主要方法之一,是利用热红外遥感温度和气象资料来间接反演作物覆盖条件的土壤水分.该方法以热量平衡原理为基础,物理意义明确.其使用区域优势明显,精度较高,对植被覆盖地区的土壤水分反演精度优于热惯量法.但是CWSI 模式是以冠层能量平衡单层模型为理论基础的,在作物生长的早期,冠层稀疏时效果较差;作物缺水指数法所需的资料较多、计算复杂.地表气象数据主要来自地面气象站,实时性不强.地表气象数据确定外推的范围和方法也对作物缺水指数法的精度产生影响.1.3.3 温度状态指数和亮温指数温度状态指数(TCI )与VCI 的定义相似,但它强调了温度与植物生长的关系,即高温对植物生长不利.Kogan 将TCI 定义为[23]: m a x 100%m a x m inT T i T C I T T −=×− m a x 100%m a x m i n B T B T iT C I B T B T −=×− (15) 式中:T max 和T min ——在长时间序列的白天的遥感影像中最大和最小的地表温度; BT ——亮度温度; BTi ——某一特定年第i 个时期的亮度温度的值; BT max 、BT min ——所研究年限内第i 个时期亮度温度的最大值和最小值. TCI 愈小,表示愈干旱[24]. 因此,可以通过对NDVI 、亮温与土壤水分的统计分析来建立三者间的数理关系,从而利用遥感反演的亮温和NDVI 计算土壤水分含量.TCI 的优点是只需要一定时间段的日间热红外遥感影像就可以估算TCI 的值,但是其未考虑白天的气象条件,如净辐射、风速、湿度等对热红外遥感的影响及土地表面温度的季节性变化,因此有一定误差. 1.3.4 归一化温度指数在地表温度的反演过程中,为消除地表温度季节变化的影响,Mcvicar 等提出归一化温度指数,定义为[25]: 0L S T L S T N D T I L S T L S T ∞∞−=− (16)式中:LST ∞和LST 0——地表阻抗无限大和为零时模拟的地表温度,被认为是在特定气象条件和地表阻抗下的土地表面温度的上限(干条件)和下限(湿条件).可通过能量平衡-空气动力学阻抗模型计算,需要卫星过境时刻的气温、太阳辐射、相对湿度、风速和叶面积指数等数据.这些数据不易获得,加之还存在着从点测量数据向遥感数据的转化问题,使模型在实际应用中变得困难.1.4 基于可见光-近红外-热红外遥感的植被指数法监测地面水、热状况的方法仍采用植被指数法.常用的植被指数有NDVI 、RVI 、SWVI 、AVI 、CVI.采用此方法是基于植被在可见光部分叶绿素吸收了70％~90％红光,反射了大部分绿光,而由于叶肉组织的作用,后行叶片在近红外波段的反射较强.通过各光谱波段反射的太阳辐射比来表达,这就叫植被指数,其通常与绿色植被的丰度有关,可定量化地描述植被的覆盖度,反演土壤水分含量.一般来讲,当作物缺水时,作物的生长将受到影响,植被指数将会降低. 1.4.1 归一化植被指数 43214321T M T M C H C H N D V I T M T M C H C H −−==++(17)利用不同植被对可见光红波段的强吸收和对近红外波段的高反射之间的对比,建立此二波段的线性或非线性组合,是植被湿度的一个指示因子,也是描述植被绿度及生长状况指数,同时NDVI 与环境参数(降水量、热量分配、土壤湿度等)的关系是应用NDVI监测环境状况的基础.Prout 等用NOAA ／AVHRR 的植被指数(NDVI )与气象资料(降水等)预报加拿大东部地区的农田干旱及对农业产量的影响[26]. 1.4.2 距平植被指数该法是从植被的角度考虑.由于植被生长状况主要和水分相关(当光照、温度条件变化不大时),水分供应量成为作物生长的关键因素.水分充足供应,植被生长良好,反之植被生长受到影响.此方法是通过多年遥感资料,计算出常年旬平均植被指数,然后由当年植被指数与常年平均值相比较,观察当年作物生长状况,进而对作物受旱程度作出判断. 距平植被指数(AVI)概念的目的是将NDVI 的变化与天气、气候研究中“距平”的概念联系起来,对比分析NDVI 的变化与短期气候变化间的关系. AVI 的定义为:-A V I N D V Ii N D V I = (18)式中:NDVI i——某一特定年某一时期(如旬、月等)NDVI 的值; NDVI ——多年该时期NDVI 的平均值.AVI 作为监测干旱的一种方法,以某一地点某一时期多年的NDVI 平均值为背景值,用当年该时期的NDVI 减去背景值,即可计算出AVI 的变化范围,即NDVI 的正、负距平值.正距平值反映植被生长较一般年份好,负距平值表示植被生长较一般年份差.一般而言,距平植被指数为-0.1~-0.2表示旱情出现,-0.3~0.6表示旱情严重.1.4.3 植被状态指数植被状态指数也被称做条件植被指数(VCI ),其定义为:VCI=minmax minNDVI NDVI NDVI NDVI i −−×100% (19) 式中:NDVI i——某一特定年某一时期(如旬、月等)NDVI 的值;NDVI max ,NDVI min ——所研究年限内第i 个时期NDVI 的最大值和最小值.VCI 计算式的分母部分是在研究年限内第i 个时期植被指数的最大值和最小值之差,它在一定意义上代表了NDVI 的最大变化范围,反映了当地植被的生长环境.分子部分表示某一特定年第i 个时期当地的气象信息,若NDVI i 和NDVI min 之间差值小,表示该时段作物长势很差.Cogan 将在多年极端天气条件(干旱和非干旱)下计算出的NDVI 绝对最大、最小值作为量化气候影响(区域分异)的指标,并提出了条件植被指数(VCI )的概念,他认为VCI 不仅描述了土地覆盖和植被时空变化,而且反映了天气气候条件对植被的影响[27].Liu 等发现应用VCI 动态地监测干旱的范围及其边界比应用其它方法如NDVI 和降水量的监测更有效、更实用,这一技术的优势尤其表现在时空方面,NDVI 适用于研究大尺度范围的气候变异,而VCI 适用于估算区域级的干旱程度[28].使用VCI ,比较简单,操作性强,同时可反映出NDVI 随气候变化产生的影响,每点的NDVI max 和NDVI min 本身就隐含了区域背景的影响,在一定程度上消除或弱化了地理环境条件对NDVI 的影响,可表达出大范围干旱状况,尤其适用于绘制低于50°纬度地区的干旱分布图干旱,多为定性结果. 1.4.4 标准植被指数标准植被指数是通过对某个时期植被指数偏离多年平均值的程度进行归一化而得到的.计算SVI 先要得到研究区每个像元的Z 值[30]-100%N D V Ii Z i i σ=× (20)式中:Zi ——像元某个时期的Z 值; Σi ——多年NDVI 的标准差. Z 反映了某个时期植被指数相对多年植被长势的状况.由于其变化范围很大,不同地表类型的概率密度分布函数也存在较大区别,因此在大尺度的空间范围内不具备可比性.若有足够的样本数,Z 的分布呈正态分布,根据概率密度函数确定SVI. m in(,)ZZ S V I N Z d Z σ=∫ (21)式中:Z ,σ——均值和标准差.SVI 取值在0~1间,当像元的Z 值越大,SVI 越大,说明植被生长状况良好,反之亦然.SVI 算法较为简单,操作性强,但只适用于大尺度的植被生长区域干旱和气候变化监测. 1.5 基于可见光和热红外遥感的植被指数、冠层温度集成空间法单纯利用植被指数或冠层温度法监测土壤水分状况有其局限性.科学家将二者集成起来创建了植被指数(NDVI )与地表温度(T s)进行干旱监测的综合模型.综合模型是建立在表面温度与指标指数构筑的二维特征空间内.Lambin 等曾经系统地分析过T s 与NDVI 间的关系,其可用于估算地表蒸散量、反演地表热通量、估算表层水分状况和土地覆盖分类等[31,32].基于T s 与NDVI 的散点图,Price 和Carlson 等发现当研究区域的植被覆盖度范围较大,以遥感资料得到的T s 和NDVI 为横纵坐标得到的特征空间呈三角形[33,34];Moran 等则发现特征空间呈梯形[35].基于温度植被指数集成法研究土壤水分状况产生了许多模型,从不同的角度通过温度与植被指数的关系来估测土壤水分状况.目前通过T s/NDVI 特征空间建立的土壤水分或干旱程度估测模型主要有:1.5.1 T s-NDVI 比率模型(温度植被指数TVI 和植被供水指数VSWI ) T s/NDVI 比率是一种简单的干旱监测模型,二者的结合能够提供地表植被和水分条件信息.Nemani 等认为对于全部植被覆盖的地表,T s/NDVI 的比率与冠层的阻抗相关[36].Goetz(1997)证实由植被覆盖变化和土壤112 新疆地质水分变化,T s 和NDVI 在数种空间尺度下(从25 m 2到1.2k ｍ2)均存在着负相关关系.McVicar 等发现在干旱发生期间,T s/NDVI 比率增加,以月为单位的T s/NDVI 年累积量与年降水量的倒数呈显著相关关系,并将其用于干旱监测和食物缺乏评估[37].T s/NDVI 比率方法的缺点是很难得出表示干旱程度的量化指标.温度植被指数(TVI )和植被供水指数(VSWI )可表示为:T s T V I N D V I= (22)N D V I V S W I T s= (23)式中:Ts ——植被的冠层温度;NDVI ——归一化植被指数.VSWI 的物理意义为:当作物供水正常时,卫星遥感影像植被指数在一定生长期内保持在一个稳定的范围,遥感得到的作物冠层表面温度也会保持在一定的范围内,如果供水状态发生明显改变,作物生长将受到影响.因此卫星遥感的归一化植被指数(NDVI )将降低,作物冠层表面温度将升高.用气象卫星遥感监测的植被指数(NDVI )和作物冠层温度(T )可较好地监测干旱动态.可以用植被供水指数(VSWI )来衡量,其形式为:15/VSW I B T NDVI =× (24)式中:T ——NOAA 卫星遥感监测到的作物冠层温度;NDVI ——归一化植被指数;B 1——增强图象层次的增强系数.这种方法仅适用于植被覆盖度高的地区,而在作物生长前期,此法往往会夸大植被的作用. 1.5.2 水分亏缺指数水分亏缺指数,是为了克服CWSI (作物缺水指数)在部分植被覆盖时监测效果差的弱点,由Moran 等(1994)将植被指数和土壤-植被混合温度结合起来,将CWSI 扩展到部分植被覆盖状况下,在能量平衡双层模型的基础上,建立的一个新指标.WDI 是基于以地面温度与空气温度差作为横坐标,以植被指数作为纵坐标,构筑的散点图,具梯形特征空间,以此来估算土壤相对含水量(图1).其4个定点分别表示:1代表水分供应充足的密闭植被;2代表水分胁迫无蒸腾作用下的密闭植被;3代表湿裸土;4代表干裸土.梯形的边1—3称为湿边,边2—4称为干边.对于一定的植被覆盖度下,其WDI 定义为TTT I I I T WDI 13.24.13.∆−∆∆−∆= (25)图1 WDI 指数的梯形特征空间示意图Fig.1 Sketch map of WDI(Moran et al,1994)式中:∆T ——某一植被覆盖率(NDVI )下的地气温差;∆T I.13——湿边上相同植被覆盖(NDVI )下的湿边点上的地气温差;∆T I.24——干边上相同植被覆盖(NDVI )下的地气温差.从图形上来看,WDI 实际上就是线段AC 与线段AB 长度的比值(图1).A C W D I A B= (26)WDI 指数是由作物水分胁迫指数(CWSI )演化过来的.由于CWSI 是以冠层能量平衡单层模型为理论基础,单层模型的适用条件是作物叶面积指数应大于3,尽量减少土壤在能量交换中的影响,这样CWSI 的应用在作物生长的早期冠层较为稀疏时应用效果较差.另外它所要求的温度是纯粹的叶片温度或者在植物全覆盖时,用冠层温度来代替,在观测视野内出现土壤都会对正确观测叶温或冠层温度,以及CWSI 的计算产生巨大的影响[6、7].这种情况下,CWSI 一般不能使用由航空和卫星遥感获取的分辨率相对较低的地表混合温度信息,而多使用地面的红外探测装置如手持式红外测温仪等[8].与CWSI 指数相比,可以通过航空、航天数据获取的表面温度借助气象数据就可以估测土壤水分,而且对于各种植被覆盖状态的土壤均适用.其不足之处就是必须有地面气象数据的配合(如气温,还需要饱和水汽压差、风速、动力学阻抗等参数来定义梯形特征空间的边界),利用纯遥感数据无法实现土壤水的估测,而气象数据受站点限制和地表状态的差异性影响,通过内插能获取逐像元气温值误差明显. 1.5.3 条件植被温度指数王鹏新等在用条件植被指数、条件温度指数和距平植被指数监测年度间相对干旱的基础上,提出了条。

基于 TVDI的福州地区土壤干湿状况遥感监测

基于 TVDI的福州地区土壤干湿状况遥感监测刘玉琴;沙晋明;王德生【摘要】土壤干湿状况的监测对于区域生态资源环境具有重要意义．本研究选取福州地区为研究区，利用HJ-1B CCD/IRS遥感影像建立基于不同植被指数（ NDVI和EVI）的地表温度-植被指数特征空间，分析和比较了2种特征空间差异，并计算得到2种地表温度-植被干旱指数TVDI．将TVDI与同期野外采集的实测土壤湿度数据进行线性回归分析，结果表明这2种植被指数计算得到的TVDI在研究区进行表层土壤湿度监测具有一定的可行性，且Ts/EVI的监测精度更高，其能很好地反映区域表层土壤湿度状况，是一种有效的表层土壤湿度监测方法．%Soil moisture monitoring is important significance in the management of regional resources and environment .Based on two kinds of vegetation index ( NDVI and EVI ) , this study used HJ-1 B CCD/IRS images to establish surface temperature-vegetation index ( Ts/VI) characteristic spaces in Fuzhou , and analyzed and compared the two results .Two kinds of temperature-vegetation dryness in-dex were calculated from the Ts/NDVI and Ts/EVI spaces.Regression analysis was made between TV-DI and contemporaneous field measured soil moisture data .The results showed that both TVDIN and TVDIE could be used to predict the near surface soil moisture , and TVDIE has a higher precision than TVDIN .Therefore, TVDIE can be used to monitor and assess near surface moisture in study area , it is a more useful method to monitor soil moisture .【期刊名称】《亚热带资源与环境学报》【年(卷),期】2013(000)004【总页数】6页(P75-80)【关键词】土壤湿度;特征空间;TVDI;HJ-1B CCD/IRS【作者】刘玉琴;沙晋明;王德生【作者单位】福建师范大学地理科学学院，福州350007;福建师范大学地理科学学院，福州350007;福建师范大学地理科学学院，福州350007【正文语种】中文【中图分类】TP79;S152.7土壤水分是作物吸收水分的主要来源，因此是作物生存的重要条件，它在气候、农业、陆地生态环境、全球变化等多个领域都有广泛的应用［1-2］．随着城镇化及相关环境要素的变化，土壤水分空间分布发生重大变化，该变化对地表水热平衡、蒸腾蒸散、土壤温度和农业墒情等都会产生显著的影响［3-4］．因此，准确地估计土壤干湿状况，获取区域土壤水分空间分布差异，进而分析其对区域生态资源环境的影响，是区域生态资源环境动态监测的重要内容［5］．传统的土壤湿度信息获取主要是通过有限个地面点的观测数据来监测和分析区域土壤水分的空间差异，其缺点是不连续，既费时又费力，无法满足大区域的连续观测．相对于传统的监测方法，多分辨率、多时相、时效性强的遥感技术成为研究的重要手段［6-7］．目前，土壤干湿状况遥感监测方法主要是利用可见光－近红外法、热红外法、微波法等［8］．近年来，利用提取的植被指数－地表温度特征空间综合植被指数和地表温度信息，增进了对土壤干湿状况的理解，成为众多的土壤水分遥感反演方法中较为广泛研究和使用的．本研究基于HJ-1A CCD/IRS(Charge-coupledDevice/infrared scanner)影像数据，选择福州市及其毗邻地区作为研究区，首先分别采用2种植被指数归一化植被指数 (Normalized Difference Vegetation Index，NDVI)和增强型植被指数(Enhanced Vegetation Index，EVI)与地表温度数据构建Ts-VI特征空间并计算温度植被干旱指数 (Temperature Vegetation Dryness Index，TVDI);然后利用同步采样获取的实测土壤表层水分含量数据与反演结果进行拟合验证，分析和比较两者在反演表层土壤干湿状况的差异;最后分析研究区土壤湿度空间分布格局及规律．1 研究方法与原理1.1 植被指数植物叶片在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这2个波段测值的不同组合可得到不同的植被指数．已有40多种植被指数广泛地应用在全球土地覆盖、植被分类和干旱监测等方面［10］，其中NDVI和EVI应用较为广泛．式 (1) ～ (2)中，ρRED为红波段 (0.63～0.69μm)反射率，ρNIR为近红外波段(0.76～0.90μm)反射率，ρBLUE为蓝波段 (0.45～0.52μm)反射率．其中，EVI能够矫正土壤背景和气溶胶散射的影响，同时提高了在高植被覆盖区域的敏感性，弥补了NDVI过早出现饱和的现象．1.2 地表温度 (LST)卫星传感器接收到的热红外信号受到大气和地表热特征的双重影响，星上亮温与地表温度有很大的差异，一般可达5～10℃．因此，直接利用星上亮温来进行农田土壤墒情反演，必然产生较大的误差．以热辐射传输方程为理论依据，地表温度遥感反演方法比较成熟的有单通道温度反演、双通道温度反演、大气校正法等．本研究用热红外单通道算法反演地表温度，该算法是经过修正的JM＆S(Jimenez-Munoz and Sobrino)的基于一个热红外通道的遥感反演地表温度的单通道算法［11］．具体计算公式如下:式 (3)～(5)中，Ts为地表温度，Lsensor为星上辐射亮度，Tsensor为星上辐射亮度对应的亮度温度，λ为有效波长，ε为地表比辐射率，C1、C2是普朗克函数常量，C1=1.191 04×108(Ω·um·m2·sr－1)，C2=1.438 77×104(um·K)，大气函数ψ1、ψ2和ψ3是关于大气水汽含量ω的函数．1.3 温度植被干旱指数 (TVDI)Price［12］和Carlson等［13］研究发现，对于一个区域而言，如果地表覆盖情况从裸土到密闭植被，土壤湿度从干旱到湿润，那么该区域的每个像元对应的植被指数和地表温度组成的散点图表现为三角形(梯形)．通过对简化的VI-Ts三角形空间进行研究发现，空间中不同的等值线代表着地表不同的干旱程度．由此，Sandholt等［14］提出了温度植被干旱指数 (TVDI)的土壤湿度监测方法，其表达式如下所示:式 (6)中，Ts为任意像元的地表温度，VI为对应像元的植被指数，Ts min和Ts max是对应的地表最低温度和最高温度．Ts min和Ts max可以通过湿边和干边线性回归获取，如Ts min=a1+b1VI，TS max=a2+b2VI;其中，a1、a2、b1、b2为湿边和干边的地表温度和VI的拟合方程的系数;干边对应TVDI值为1，湿边为0，计算得到任一点TVDI值介于0和1之间;TVDI值越大，对应的土壤湿度越低，TVDI值越小，对应的土壤湿度越高．2 研究区概况与数据处理2.1 研究区概况本研究以福州市城区及毗邻范围为研究区，其位于闽江下游区域，地理范围在25°15'～26°39'N、118°08'～120°37'E之间，该区属于亚热带季风气候，地貌类型为典型的河口盆地，城区位于盆地中央，盆地四周被群山峻岭所环绕，海拔600～1 000 m，年平均气温约20℃，年平均降雨量1 200～1 700 mm，年平均相对湿度77%，境内植被覆盖率较高．2.2 数据准备与处理研究数据来自中国资源卫星应用中心提供的2009年10月17日的HJ-1B星CCD2影像和IRS影像数据L2产品．由于CCD2影像数据L2产品的地面分辨率是30 m，而IRS影像数据L2产品的地面分辨率为300 m，利用ENVI图像处理软件平台，首先对两景遥感影像数据进行几何精校正，实现IRS影像重采样，达到两者分辨率的统一;然后根据影像头文件的参数对数据进行辐射定标，将数据灰度值(DN值)转化为表观辐射亮度值;最后参考石峰等［15］计算得到的各个波段的大气校正参数对影像数据进行大气校正，校正后得到影像各个波段的地表真实反射率．运用上述方法和原理，选取预处理后的CCD2影像数据的蓝、红、近红外3个波段计算得到植被指数VI，并结合IRS第4波段根据单通道算法计算得到地表温度Ts数据．本研究使用实测数据来验证反演结果，首先对研究区进行卫星同步的实地勘查和土壤样品采集;然后采用烘干法测定表层土壤含水量，计算获取各个实测点土壤样品0～10 cm土壤湿度重量百分比数据;最后以TVDI值为纵坐标，以实测土壤含水量百分比为横坐标，形成 TVDI－土壤含水量的二维散点图．使用上述数据和方法计算和验证温度植被干旱指数的精确性流程如图1所示．图1 研究区土壤湿度模拟流程Figure 1 Procedure of soil moisture calculation in study area3 结果与分析3.1 特征空间参数分析基于预处理后的遥感数据，建立Ts-NDVI和Ts-EVI二维特征空间，从Ts-VI构成的特征空间 (图2)可以看出，研究区土壤干湿空间分布状况各异，从而散点图形成较好的三角形形状，拟合出对应的干湿边方程．比较这2种特征空间发现，Ts-NDVI和Ts-EVI构成的特征空间虽然形状相似，但Ts-NDVI构成的特征空间散点图较为分散，主要表现在:高植被覆盖区的点对EVI值较小 (0.8～0.9)，NDVI值较大(0.9～1.0)，说明EVI对植被冠层变化敏感，NDVI比EVI更容易达到饱和．图2 HJ-1B CCD数据构建的Ts-VI光谱特征空间Figure 2 Ts-VI spatial pattern of scattered points established by HJ-1B CCD images同样，由图2可以得到线性拟合的参数情况．通过Ts-VI散点图中取出不同VI值对应的最大和最小Ts，从而根据这些值拟合出不同VI对应Ts的线性方程，确定干湿边拟合的方程系数 a1、a2、b1、b2，由此得到土壤干湿状况监测所需要的干湿边．从线性拟合的效果看，在植被覆盖度较低甚至裸土的情况下，植被指数反映植被覆盖实际情况会有所偏差，如图2中Ts-EVI特征空间干湿边拟合的决定系数较小，这会影响干湿边拟合的斜率和精度．为了使拟合效果更好，去除EVI值低于0.1的散点不参与干湿边线性回归拟合，以保证拟合效果能满足整体TVDI的模拟精度．因此，Ts-EVI特征空间拟合的效果图如3所示．图3 HJ-1B CCD数据构建的Ts-EVI光谱特征空间Figure 3 Ts-EVI spatial pattern of scattered points established by HJ-1B CCD images3.2 土壤干湿遥感监测结果验证利用ENVI遥感图像处理软件，基于预处理后的数据 (VI和Ts)根据公式 (6)计算出影像数据对应的 TVDI N和TVDI E．根据实地GPS定位获取的各采样点经纬度，提取各样点对应的TVDI值与样点0～10 cm深度的表层土壤湿度数据，然后对2种TVDI值和植被区实测土壤表层含水量数据进行线性拟合分析，结果如图4所示．图4 TVDI N和TVDI E与实测土壤表层含水量拟合结果Figure 4 Comparison of TVDI N and TVDI E against soil moisture图 4表明，TVDI N与实测表层土壤湿度数据拟合方程的决定系数 (R2)为0.615 5，TVDI E与实测土壤湿度数据拟合方程的决定系数 (R2)为0.641 5，表明在该研究区TVDI E对表层土壤湿度状况的监测精度要高于TVDI N．这主要是由于EVI能够矫正土壤背景和气溶胶散射的影响，提高了在高植被覆盖区域的敏感性，因此，TVDI E在植被覆盖区具有更好的表层土壤湿度监测效果．3.3 TVDI N和TVDI E与土壤含水量相关性比较图5显示了TVDI N和TVDI E随实测表层土壤湿度数据的变化趋势．可以发现，TVDI N和TVDI E的变化趋势与实测土壤湿度数据的变化趋势刚好相反，表征了这2种温度植被干旱指数的意义，也就是TVDI值越高，土壤湿度就越低，旱情则越严重，且TVDI值越接近于1表示越干旱．同时可以看出虽然TVDI N和TVDIE2种温度植被干旱指数的总体变化趋势一致，但TVDI E的波段幅度相对较大．这是由于试验点选在植被覆盖区，这表明在植被覆盖区，TVDI E比TVDI N对地表土壤湿度更为敏感，能更准确地反演表层土壤湿度，从而能更有效地进行表层土壤湿度状况监测．3.4 TVDI的空间分布格局本研究以HJ-1B CCD影像的3、2、1波段合成的真彩色图像为参照来定性地验证表层土壤湿度反演结果．由于TVDI E比TVDI N反映土壤湿度分布状况更有优越性，因此整个研究区域以TVDI E作为干湿分级指标进行分析，对干湿状况进行分级:湿润 (0＜TVDI＜0.2)、偏湿 (0.2＜TVDI＜0.4)、正常(0.4＜TVDI＜0.6)、偏干(0.6＜TVDI＜0.8)和干旱 (0.8＜TVDI＜1.0)．图6显示了研究区TVDI的空间分布格局和作为参照的真彩色图像，从TVDI反映的研究区土壤湿度情况来看，其基本与福州市植被状况相一致，重旱地区主要集中在福州市区人口密集的地区如鼓楼区、台江区、晋安区、仓山区、马尾区等，主要原因应该是这些地区是福州市的核心城市区，人口密集、高楼林立、下垫面多为水泥和沥青，汽车尾气排放多，植被覆盖相对较少，地面温度较高，土壤湿度偏低;而福州市区毗邻地区如闽侯、闽清、罗源等植被覆盖状况相对较好，海拔较高，人为干涉较少，土壤湿度偏高．前者体现了城市的热岛效应．但是，闽江湿度有点偏离实际情况，这可能是由于植被指数－地表温度的反演要求研究区域的地表信息应该是从裸土到完全植被覆盖所致，其主要是针对非水体区域．总体上来说，使用遥感手段获取的地表土壤湿度信息可以反映真实地表土壤湿度分布的整体情况，具有一定的可行性．图5 研究区TVDI N和TVDI E随实测土壤含水量的变化趋势Figure 5 Comparison of the trend of TVDI N and TVDI E against the trends of soil moisture图6 研究区真彩色影像与相应的土壤湿度分布Figure 6 Comparison of true color image and corresponding spatial pattern of soil moisture in study area4 结语利用HJ-1B CCD/IRS遥感影像，本研究采用基于不同植被指数 (NDVI和EVI)的地表温度－植被干旱指数监测方法在福州市区及毗邻区域进行了土壤湿度状况监测．Ts-NDVI和Ts-EVI构成的特征空间形状相似，但Ts-EVI构成的特征空间散点图较为集中．通过对比分析TVDI E和TVDI N随实测土壤含水量的变化趋势发现，2种干旱指数变化的总体趋势一致，但TVDI E的波段范围相对较大，表明TVDI E比TVDI N反映土壤湿度分布状况更有优越性．这主要是由于EVI能够矫正土壤背景和气溶胶散射的影响，有效地提高了TVDI在高植被覆盖区域的敏感性．通过对TVDI E和TVDI N这2种干旱指数的分析和验证，可以得出在土壤湿度状况监测中，TVDI E比TVDI N更适合应用于具有一定植被覆盖度的区域．虽然应用植被指数－地表温度特征空间反映地表土壤湿度状况是一种简单且具有物理意义的方法，但是它还存在一些不足之处，主要表现在遥感数据的预处理和地表实测数据的获取存在误差，以及福州复杂的地形等因素，在今后的研究中需要进一步改进．参考文献 (References):【相关文献】［1］Jackson T，Mansfield K，Saafi M，et al．Measuring soil temperature and moisture using wireless MEMSsensors［J］．Measurement，2008，41(4):381-390．［2］Perry M A，Niemann J D．Analysis and estimation of soil moisture at the catchment scale using EOFs［J］．Journal of Hydrology，2007，334(3/4):388-404．［3］Li Zhe，Tan De-bao，Cui Yuan-lai，et al．Soil moisture monitoring by remote sensing for Zhanghe irrigation system based on PDI［J］．Yangtze River，2010，41(1):92-95．［李喆，谭德宝，崔远来，等．基于PDI的湖北漳河灌区土壤含水量遥感监测［J］．人民长江，2010，41(1):92-95．］［4］Wu Man-chun，Ding Jian-li，Wang Gao-feng，et al．Regional soil moisture inversion based on surface temperature and vegetation index characteristic spaces ［J］．Journal of Desert Research，2012，32(1):148-154．［伍漫春，丁建丽，王高峰，等．基于地表温度－植被指数特征空间的区域土壤水分反演［J］．中国沙漠，2012，32(1):148-154．］［5］Xiao Bin，Sha Jin-ming．The moisture and temperature index and its DEM correction based on MODIS data［J］．Remote Sensing Information，2007(5)，35-39．［肖斌，沙晋明．基于MODIS数据的水热指数及其DEM订正［J］．遥感信息，2007(5):35-39．］［6］Wang Zong-min，Yang Hai-bo，Ji Qi-cai，et al．Remote sensing monitoring for drought in Henan province based on MODIS［J］．Bulletin of Soil and Water Conservation，2012，32(1):139-143．［王宗敏，杨海波，计淇才，等．基于MODIS的河南省遥感干旱监测研究［J］．水土保持通报，2012，32(1):139-143．］［7］Yang Xi，Wu Jian-jun，Yan Feng，et al．Assessment of regional soil moisture statusbased on characteristics of surface temperature/vegetation index space［J］．Acta Ecologica Sinica，2009，29(3):1205-1216．［杨曦，武建军，闫峰，等．基于地表温度－植被指数特征空间的区域土壤干湿状况［J］．生态学报，2009，29(3):1205-1216．］［8］Idso S D，Schmugge T J，Jackson R D，et al．The utility of surface temperature measurements for remote sensing of soil water studies［J］．Journal of Geophysical Research，1975，80:3044-3049．［9］Song Chun-qiao，You Song-cai，Liu Gao-huan，et al．The spatial pattern of soil moisture in northern Tibet based on TVDI method［J］．Process In Geography，2011，30(5):569-576．［宋春桥，游松财，刘高焕，等．基于TVDI的藏北地区土壤湿度空间格局［J］．地理科学进展，2011，30(5):569-576．］［10］Kang Wei-min，Luo Yu-xiang，Zheng Xiao-bo，et al．The characteristic of temperature/vegetation drought index(TVDI)and its application in remote sensing drought monitoring in Guizhou［J］．Guizhou Agricultural Sciences，2008，36(4):27-30．［康为民，罗宇翔，郑小波，等．贵州温度植被干旱的指数 (TVDI)特征及其遥感干旱的监测应用［J］．贵州农业科学，2008，36(4):27-30．］［11］Gao Wen-lan，Li Xin-tong，Shi Feng，et al．Improving single-channel methods for land surface temperature retrieval from HJ-1B IRS4［J］．Science China，2011，(41):89-98．［高文兰，李新通，石锋，等．环境一号B星热红外波段单通道算法温度反演［J］．中国科学，2011，(41):89-98．］［12］Price JC．Using spatial context in satellite data to infer regional scale evapotranspiration［J］．IEEE Transactions on Geoscience and Remote Sensing，1990，28(5):940-948．［13］Carlson T N，Gillies R R，Perry E M．A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover［J］．Remote Sensing Reviews，1994，9:161-173．［14］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):213-224．［15］Shi Feng，Sha Jin-ming，Gao Wen-lan．Atmospheric Correction for HJ-1B CCD image using dense dark vegetation method［J］．Journal of Fujian Normal University:Natural Science Edition，2012，28(3):72-78．［石锋，沙晋明，高文兰．基于浓密植被法的HJ-1B星CCD影像大气校正［J］．福建师范大学学报:自然科学报，2012，28(3):72-78．］。

ENVI土壤湿度遥感反演及干旱灾害监测

1.2 学会利用TM热红外波段反演地表温度，了解TVDI的原理，制图输出黄骅市TVDI图像。

1.3 掌握基本的统计学评价指标（R2值、相关系数、线性拟合模型精度评价等），建立干旱指数TVDI和土壤相对湿度之间的关联模型。

2.实验要求2.1 大气校正，几何校正后NDVI计算并制图输出。

2.2地表温度反演；Ts-NDVI散点图制作；TVDI指数计算；除云、除水、除建筑物，保留植被区域的TVDI。

2.3建立TVDI和土壤相对湿度之间的关联模型。

模型精度评价。

土壤相对湿度制图。

3.实验数据TM200205图像、BASE IMAGE图像、研究区矢量边界图。

4.实验步骤:4.1图像预处理以及NDVI制图。

①大气校正。

本实验选择黑暗像元法进行大气校正。

打开TM200205,快速统计图像DN值，记录7个波段每个波段的黑暗像元。

本实验选择DN值像元个数为十位数时对应的DN值作为黑暗像元DN值。

所有像元均减去此黑暗像元的DN,达到校正目的。

②几何校正。

加载并打开base image和TM200205图像，基于Map下的图像到图像校正方法进行几何校正。

以base image为基准图像，以TM200205为待校正图像。

本实验选择20个地面同名地物点作为控制点，总的均方根误差为0.8257个像元，选择的原则是：控制点要分布均匀，图像边缘部分要多选取。

选择大桥桥头、河流拐弯处、道路交叉口、机场等易于区分且不易随时间变化太大的地物。

几何位置变换公式为多项式变换，二次多项式。

重采样方法为线性内插法。

使用温度植被干旱指数法(TVDI)反演新疆土壤湿度

使用温度植被干旱指数法(TVDI)反演新疆土壤湿度
姚春生;张增祥;汪潇
【期刊名称】《遥感技术与应用》
【年(卷),期】2004(19)6
【摘要】利用MODIS合成产品数据MOD11A2和MOD13A2获取的归一化植被指数(NDVI)和陆地表面温度(Ts)构建Ts-NDVI特征空间,依据该特征空间计算的温度植被干旱指数(TVDI)作为土壤湿度监测指标,反演了新疆8、9两个月份每16d 的土壤湿度。

使用野外与卫星同步采样的土壤湿度数据进行验证,发现TVDI指标与实测土壤湿度数据显著相关,能够较好地反映表层土壤湿度,反映的新疆土壤湿度的空间分布与新疆的年降水量分布、年平均相对湿度分布很吻合;同时表明8、9两个月份期间新疆土壤湿度低的区域在不断扩大。

【总页数】6页(P473-478)
【关键词】土壤湿度;归一化植被指数;地表温度;遥感;温度植被干旱指数法
【作者】姚春生;张增祥;汪潇
【作者单位】中国科学院遥感应用研究所
【正文语种】中文
【中图分类】TP79
【相关文献】
1.基于温度植被干旱指数法(TVDI)的朝阳县干旱监测 [J], 刘艳伟;王淑莹;焦忠帅;杨国范;杨启良
2.利用温度植被干旱指数反演伊犁博州地区土壤湿度 [J], 肖继东;姚坤;师庆东;逄淑女;师庆三
3.温度植被干旱指数反演全国土壤湿度的DEM订正 [J], 冉琼;张增祥;张国平;周全斌
4.利用温度植被干旱指数(TVDI)方法反演杭州伏旱期土壤水分 [J], 范辽生;姜纪红;盛晖;黄晓萍
5.基于温度植被干旱指数(TVDI)的土壤干湿反演 [J], 高培霞;张吴平;梁爽;毕如田;王国芳
因版权原因，仅展示原文概要，查看原文内容请购买。