ADI土壤水分反演方法

高中灵，王建华，郑小坡，孙越君，秦其明,3*

1.北京大学遥感与地理信息系统研究所，北京 100871 2.中国交通通信信息中心，北京 100011 3.地理信息基础软件与应用国家测绘信息局工程技术研究中心，北京 100871

ADI土壤水分反演方法

高中灵1,2，王建华1，郑小坡1，孙越君1，秦其明1,3*

1.北京大学遥感与地理信息系统研究所，北京 100871 2.中国交通通信信息中心，北京 100011 3.地理信息基础软件与应用国家测绘信息局工程技术研究中心，北京 100871

土壤水分是影响植被、土壤和大气之间能量和水分循环的重要因素，及时准确获取土壤湿度信息有利于提高作物估产精度和改善田间管理措施。本文基于红光与近红外光谱特征空间(NIR-RED)发展了一种新型土壤水分遥感监测模型ADI(angle dryness index)，提高了可见光与近红外波段监测土壤水分的精度。经过研究表明，在红光与近红外(NIR-RED)特征空间中，存在一个中间角度变量θ，利用光谱反射率与土壤水分之间的经验关系式模型以及混合像元分解公式证明该变量能够表征土壤湿度情况，而不受植被覆盖度的影响，因此利用该原理构建了ADI方法。最后利用两组遥感数据(分别为TM5与MODIS产品数据)以及对应的地面观测数据进行验证，结果表明计算值与实测值均具有较高的一致性，R2分别达到0.74与0.64。同时，将MPDI的计算结果与实测值进行了比较，两组数据的R2均小于0.60，表明ADI方法的计算精度高于MPDI。在MPDI的计算过程中用到了植被覆盖度，这可能是引起计算结果误差的主要因素。此外，MPDI的计算结果表征土壤湿度的相对值，而ADI则能定量的获取土壤水分含量。MODIS像元除了具有植被与土壤两个端元，还有其他类型端元的概率高于TM数据，因而MODIS数据的计算精度低于TM。因此，ADI是一种简单可行且具有较大应用前景的土壤水分反演方法，适合于推广应用。

土壤湿度； NIR-RED特征空间； ADI

引 言

土壤水分是影响植被、土壤和大气之间能量与水分流动的重要因素，及时准确获取土壤湿度信息有利于提高作物估产精度和改善田间管理措施。利用遥感技术监测土壤水分具有重要的实际应用价值，发展符合客观、实时、动态特征的土壤水分反演方法具有重要的实际意义[1]。

20世纪60年代，国外学者就已开展了土壤光谱特征变化研究。目前已经实现了利用可见光、近红外、短波红外、热红外以及微波等多谱段遥感数据进行土壤水分监测。其中，基于可见光与近红外波段反射率光谱变化特征的系列方法出现较早且可操作性较强。归一化植被指数(normalized difference vegetation index，NDVI)表达为近红外与红光波段反射率之差与两者之和的比值，是应用最为广泛的植被指数之一，能够反映农业干旱的面积和程度[2]，并且利用NDVI发展了多种干旱遥感监测模型，包括距平植被指数(anomaly vegetation index, AVI)[3]、植被状态指数(vegetation condition index，VCI)[4]，以及温度植被指数(temperature vegetation dryness index，TVDI)[5-6]等。其中，TVDI需要结合地表温度参数进行农业干旱监测。距平植被指数操作方法简单，适用于大尺度范围的干旱监测，能够反映气候变化特征，但是需要多年连续时间序列的有效NDVI资料，所需数据量较大，而且在对干旱定量化方面存在一定的局限。植被状态指数需要长时间序列的NDVI资料，干旱监测的效果受到地表覆盖类型年际变化影响，只有植被覆盖类型不变、能代表正常年份NDVI的资料参与运算，并且植被状态指数仅仅考虑了干旱的影响，不能排除其他自然灾害以及人为活动等的作用结果。

针对基于红光与近红外波段反射率土壤水分遥感监测方法存在的问题，在研究NIR-RED光谱特征空间基础上，发现了与土壤水分密切相关但独立于植被覆盖度的中间角度变量θ，并在此基础上，构建了新型土壤水分反演模型ADI，提高了土壤水分监测精度。

1 研究区与数据

利用两组数据对新型土壤水分遥感反演模型ADI进行验证，分别为北京区域获取的TM5遥感影像，以及陕西省关中地区获取的MODIS数据。TM5数据需要进行大气校正，采用精度较高的大气辐射传输模型MODTRAN，而MODIS数据则直接获得相应的产品数据MOD09GA与MOD09A1，均从NASA EOS数据中心(http://ladsweb.nascom.nasa.gov/data/)下载。针对获取的遥感数据分别开展了地面观测实验，地面观测项目均包括土壤含水量，土壤反射率，冠层反射率等。其中，土壤水分含量数据利用土壤水分速测仪TDR300采集，TDR 300是一款便携性土壤水分速测仪，可通过选配不同长度的测量探头来测量不同深度的土壤水分。实验中采用20 cm的探针，在每个点位测量5个数值，然后取平均作为该点的土壤湿度值，光谱数据采用ASD2500测量。

2 理论与方法

绿色植被在红光波段具有较强的吸收特性，而在近红外波段具有较强的反射特性，而裸露土壤在红光与近红外波段反射率均随着土壤水分含量的增加而降低。Ghulam利用红光与近红外波段反射率在NIR-RED光谱特征空间的分布规律，发展了垂直干旱指数PDI与MPDI干旱指数用于监测土壤湿度[7-8]。图1为NIR-RED光谱特征空间示意图，O表示植被覆盖度最高，生物量最大的点，Lsoil-line表示土壤线，像元Pi到土壤线的距离PiE定义为垂直植被指数PVI[9]，PVI越大表示植被覆盖度与生物量等参数越大。L为过原点且垂直于土壤线的直线，像元Pi到直线L的距离定义为PDI，表达式如式(1)所示，PDI越大土壤含水量越低。

图1 NIR-RED光谱特征空间示意图

(1)

其中，Rred与Rnir分别为红光与近红外波段反射率，K表示土壤线斜率。但是PDI只适用于裸土或低植被覆盖区域，不适用于高植被覆盖区域土壤水分监测，因而改进了PDI，发展了MPDI，计算公式如式(2)所示。

(2)

其中，Rred-s与Rnir-s表示裸露土壤红光与近红外波段反射率。假定混合像元只包含植被与土壤两个端元，那么根据混合像元线性分解公式，红光与近红外波段反射率分别可用如式(3)和式(4)表达。

Rred=Rred-v×fv+(1-fv)×Rred-s

(3)

Rnir=Rnir-v×fv+(1-fv)×Rnir-s

(4)

其中，Rred-v表示植被红光波段反射率，Rnir-v表示植被近红外波段反射率，fv表示植被覆盖度。综合式(2)—式(4)，MPDI可以表达为如式(5)。本文植被覆盖度的计算采用式(6)[10]。

(5)

(6)

其中，NDVImax与 NDVImin表示研究区最大与最小NDVI值。在植被覆盖区域MPDI的监测精度高于PDI，但是MPDI的计算结果仍然是土壤湿度相对值。前人研究结果表明，土壤红光或近红外波段光谱反射率与土壤湿度之间呈指数关系[11]，表达式如式(7)和式(8)所示。

Rred-s=a1×exp(a2×SMC)

(7)

Rnir-s=b1×exp(b2×SMC)

(8)

其中，a1,a2,b1与b2为拟合系数。在NIR-RED光谱特征空间中，直线OPi的斜率(kv)的计算式见式(9)。

(9)

其中，Rred-o与Rnir-o分别为特征空间顶点O的红光与近红外波段反射率。综合式(3)，式(4)，式(7)，式(8)，式(9)，kv可以表示为式(10)

(10)

O点表示植被覆盖度最高，生物量最大的像元，因此可以认为该点为纯植被像元，那么O点的红光与近红外波段反射率分别等于植被红光与近红外波段反射率，即Rred-v=Rred-o，Rnir-v=Rnir-o，因此，kv可以简化为式(11)

(11)

从式(11)可以看出，SMC可以利用该公式计算得到，而且不受植被覆盖度的影响。SMC与kv呈负相关性，kv为-∞至0区间的负值，为了便于计算和分析，将kv转化为OPi与红光反射率轴的夹角(θ)，计算公式如式(12)

θ=π+arctan(kv)

(12)

SMC与kv之间为非线性关系，采用牛顿迭代方法计算SMC。

3 验证与讨论

为了验证ADI方法的准确性，本文利用两组遥感数据对其进行测试，分别获得两个区域的土壤湿度分布情况，并将计算结果与实测土壤水分数据进行比对，结果显示利用TM5与MOD09GA数据的R2分别为0.74与0.64，如图2所示。

图2 ADI验证实验

验证结果表明基于ADI方法的计算结果与实测值具有较高的一致性，而且利用TM5遥感数据的准确性高于MOD09GA数据。用于生产MOD09GA的MODIS遥感影像空间分辨率较低，一个混合像元不仅只有植被与土壤两个端元的可能性大于高分辨率遥感影像，这时混合像元线性分解式(3)与式(4)不再适用，进而导致土壤水分计算结果的误差变大。

同时，将MPDI的计算结果与实测值进行了比较，两组数据的R2均小于0.60，表明ADI方法的计算精度高于MPDI。在MPDI的计算过程中用到了植被覆盖度，这可能是引起计算结果误差的主要因素。此外，MPDI的计算结果表征土壤湿度的相对值，而ADI则能定量的获取土壤水分含量。

最后，利用2013年DOY049与DOY081 MOD09A1产品数据，得到关中地区土壤水分空间分布情况，如图3所示。计算结果显示，关中地区东部土壤水分含量总体上均低于西部，这与该地区实际的气候特征符合。关中地区东部季风性气候明显，出现干旱的频率与程度高于西部。

图3 渭河平原土壤水分空间分布图

4 结 论

SMC在许多研究领域中都具有重要的应用，开展土壤水分遥感监测具有重要的意义。针对多数土壤湿度遥感监测模型受植被覆盖度的影响较大的问题，利用与土壤湿度相关但独立于植被覆盖度的中间变量θ，发展了一种新型土壤土壤湿度计算方法ADI，消除了植被覆盖度的影响，并利用两组野外观测数据对新方法进行了验证，均具有较高的精度，表明该方法在植被覆盖区域具有广泛的应用前景。

ADI模型在假定混合像元只包括土壤与植被两个端元的基础上构建，但是对于地物破碎度比较大的区域，尤其对于空间分辨率比较低的遥感数据，一个混合像元可能会包括多个端元，利用混合像元线性分解公式[式(3)与式(4)]，将会引起计算结果的误差，因此本研究团队下一步将深入开展这方面的研究工作。

[1] YU Fan, ZHAO Ying-shi, LI Hai-tao(余 帆，赵英时，李海涛).J.Infrared Millim.Waves(红外与毫米波学报)，2012，31(3)：283.

[2] Kogan F N.International Journal of Remote Sensing, 1990, 11：1405.

[3] Chen Weiying, Xiao Qiankun, Sheng Yongwei.Remote Sensing of Environment, 1994, 9: 106.

[4] Kogan F N.Bulletin of the American Meteorological Society, 1995, 76(5): 655.

[5] Sandholt I, Rasmussen K, Andersen J.Remote Sensing of Environment, 2002, 79: 213.

[6] Chen Jian, Wang Chunzhi, Jiang Hong, et al.International Journal of Remote Sensing, 2011, 32(4): 1165.

[7] Ghulam A, Qin Qiming, Zhan Zhiming.Environmental Geology, 2007, 52: 1045.

[8] Ghulam A, Qin Qiming, Tashpolat T.Journal of Photogrammetry and Remote Sensing, 2007, 62(2): 150.

[9] Richardson A J, Wiegand C L.Photogrammetric Engineering and Remote Sensing, 1977, 43(12)：1541.

[10] Baret F, Clevers J G P W, Steven M D.Remote Sensing of Environment, 1995, 54(3)：14.

[11] Muller E, Decamps H.Remote Sensing of Environment, 2000, 76：173.

*Corresponding author

(Received Mar.19, 2015; accepted Jul.8, 2015)

Soil Moisture Monitoring Based on Angle Dryness Index

GAO Zhong-ling1,2, WANG Jian-hua1, ZHENG Xiao-po1, SUN Yue-jun1, QIN Qi-ming1,3*

1.Institute of Remote Sensing and GIS, Peking University, Beijing 100871, 2.China Transport Telecommunications & Information Center, Beijing 100011, 3.Engineering and Technique Research Center of Geographic Information Fundamental Software and Application of NASMG (National Administration of Surveying, Mapping and Geoinformation of China), Beijing 100871, China

Soil moisture content (SMC) is one of the most important indicators influencing the exchange of energy and water among vegetation, soil, and the atmosphere.Accurate detection of soil moisture content is beneficial to improving the precision of crop yield evaluating and field management measures.In this paper, a novel method ADI (Angle Dryness Index) based on NIR-RED spectral feature space used for calculating SMC was proposed, which improved the accuracy of calculating SMC with red and near infrared band reflectance.It was found that an intermediate parameterθin NIR-RED feature space was significantly related to SMC, and independent of vegetation coverage according to the linear decomposition of mixed pixel and the empirical correlation between SMC and red/NIR band reflectance which were achieved by previous researches.Then, ADI was proposed with the feature discovered in the paper.The mathematical expression on SMC is nonlinear, and the newton iterative method is applied to ADI for calculation SMC.Then, the newly proposed method was validated with two kinds of remote sensing imagery data (Thematic Mapper (TM) and moderate resolution imaging spectrometer (MODIS)) and the synchronous observed data in the field.Validation results revealed that the ADI-derived SMC was highly accordant with the in-situ results with high correlation (R2=0.74 with TM andR2=0.64 with MODIS data).We also calculated MPDI (Modified Perpendicular Drought Index) developed by Ghulam, which is also proposed with the red and near infrared reflectance.The result showed that the accuracy of MPDI was lower than that of ADI.The most likely reason was that ADI was insensitive tofv, but the calculation errors offvwould reduce the accuracy of SMC estimation.MODIS had a low spatial resolution, thus there may be more than two end members in a mixed pixel.In this case, the linear decomposition of mixed pixel was not applicable and the errors would finally be enlarged.ADI achieved good results in monitoring SMC in vegetated area because it was less influenced by vegetation coverage than other similar approaches.ADI only requires the satellite image data including the red and near infrared band which are available from most of the optical sensors.Therefore, it is an effective and promising method for monitoring SMC in vegetated area, and would be widely used in agriculture, meteorology, and hydrology.

Soil moisture content; Red-NIR spectral space; Angle dryness index (ADI)

2015-03-19，

2015-07-08

中国博士后科学基金项目(2014M550550)，国家自然科学基金重点项目(41230747)资助

高中灵，女，1980年生，北京大学遥感与地理信息系统研究所博士后 e-mail: gzhongling@126.com *通讯联系人 e-mail：qmqinpku@163.com

S152.7

A

10.3964/j.issn.1000-0593(2016)05-1378-04