多源遥感数据反演土壤水分方法

1、多源遥感数据反演土壤水分方法张友静1,王军战2,鲍艳松3(1河海大学水文水资源与水利工程科学国家重点实验室，江苏南京210098;2中国科学院寒区旱区环境与工程研究所，甘肃兰州730000;3南京信息工程大学大气物理学院，江苏南京210044摘要:基于ASARAPP影像数据和光学影像数据，根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利用TM和MODIS影像构建的植被生物、物理参数与实测小麦含水量进行回归分析，发现TM影像提取的归一化水分指数(NDWI反演精度较好，相关系数达到087。根据这一关系，结合水云模型并联立裸露地表土壤湿度反演模型，建立了基于多源遥感数据的土壤含水量反演模型和

2、参数统一求解方案。反演结果表明：该方案可得到理想的土壤水分反演精度，并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为09,均方根误差为383%。在此基础上，分析了模型参数的敏感性，并制作了研究区土壤缺水量分布图。关键词:土壤含水量；多源遥感数据；水云模型;ASAR;多尺度中图分类号：P3389文献标志码:A文章编号:10016791(201002022207基金项目：国家自然科学基金资助项目(40701130;40830639乍者简介:张友静(1955-,男，江苏南京人，教授，主要从事遥感机理与方法研究。Emai:lzhangyjhhueducn土壤含水量是地表和大气界面的重

3、要状态参数，并直接影响地表的热量和水量平衡，因而受到水文、气象和农业灌溉等多个学科的关注。微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是Ulaby利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量1。80年代后,Dobson和Ulaby利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式，并一致认为小角度入射后向散射系数对土壤湿度最敏感2。随着微波散射模型不断发展，相继出现微波散射的小扰动模型、几何光学模型、物理光学模型、两尺度模型和积分方程模型AIEM。Doboson等在物理模型和试验研究的基础上各自建立了经验和半经验模型，成功地反演了裸土的土壤含水量34

4、02000年以来，随着Rardrsa,tENVISATASAR传感器发射，基于卫星雷达数据的土壤湿度反演逐步开展。李震等综合主动和被动微波数据，建立一种半经验模型，用于估算地表土壤水分的变化56。研究表明ASAR数据在半干旱区农田土壤湿度反演方面具有独特的优势79。在植被覆盖条件下，微波信号的组成十分复杂。研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号， 以使用土壤的后向散射信号估算植被覆盖下的土壤含水量。 直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号9,具有很好的同步性和物理意义。但遥感数据获取较为困难，同时求解所需的地面同步观测的

5、数据要求很高，因而区域尺度的监测应用还有待深入研究。根据植被的生物、物理特征与植被散射信号之间的关系采用同步光学遥感数据反演植被散射信号是近年来的研究热点911。但在植被特征参数表达农作物后向散射信号的能力评价、 模型参数的识别以及整体求解方案等方面的研究较少。此外，为满足土壤水分监测和灌溉决策的需求，还需研究不同时空分辨率数据反演植被散射信号的能力。本文根据水云模型，研究多尺度下不同植被特征参数与小麦含水量的关系，采用将所有参数放入统一框架下估算的策略，构建了结合光学和微波遥感数据的土壤水分估算模型，并分析了模型参数的敏感性。经准同步实测数据检验，小麦覆盖下土壤水分的估算达到了较高的精度。第

6、21卷第2期2010年3月水科学进展ADVANCESINWATERSCIENCEVol21,No2Mar.,20101土壤水分估算模型11水云模型农作物微波后向散射模型一般可分为经验模型、理论模型和半经验模型3类。在半经验模型中，最具有影响力和应用最广泛的是Attema和Ulaby建立的水云(watercloud模型12。该模型将辐射传输模型中的植被冠层概化成水平均匀的云层:不考虑植被和土壤表层之间的多次散射；重要的变量仅为冠层高度和云密度，因而可假设与冠层体积含水量成比例。因此，总的后向散射包括冠层自身散射、地表散射和冠层与地表的交互散射。在不考虑雷达阴影时，水云模型可由下式表达：0=0ve

7、g+T20soil,0veg=AMvcos(1-T2,T2=exp(-2BMvsec(1式中0为后向散射系数，由ASAR影像计算得到；0soil为土壤后向散射系数；0veg为植被直接后向散射系数;Mv为植被含水量，kg/m2;利用水云模型的研究中，植被含水量即为等效水厚度15,为入射角;T2为微波穿过植被的双程衰减因子,A、B为经验常数。对水云模型的参数估计有许多研究912。结合理论模型(如IEM,MIMICS计算关键参数时需要大量的同步地面参数；应用实用方法求解不同的参数将导致误差难以控制。本文利用TM和MODIS数据分析不同尺度下植被参数与小麦含水量的关系，在此基础上，采用最小二乘方法统一

8、求解系数的方案才勾建结合光学和微波遥感数据的土壤水分估算模型。13多源遥感数据土壤含水量估算模型由光学影像数据计算植被生物、物理指数VI，建立VI与实测植被含水量Mv的关系Mv=f(VI(2若f为线性关系，则有Mv=cVI+d(3将Mv代入式(1水云模型，整理可得soil=0-A(cVI+dcos1-exp-2B(cVI+dsecexp-2B(cVI+dsec(4根据土壤后向散射与土壤含水量的关系7,又可得Ms=0-A(cVI+dcos1-exp-2B(cVI+dsecexp-2B(cVI+dsec-f/e=0-A(cVI+dcosexp2B(cVI+dsec+A(cVI+dcos-f/e(5

9、式中c,d,e1为经验常数， 将该式中的exp2B(cVI+dsec项按泰勒级数展开并取第一项整理得Ms=C+k10+k2VI+k3VI2+k40sec+k50VIsec(6上式可根据遥感影像和同步实测的数据，采用最小二乘法求解系数C和k1,k2,k5。2结果与分析21研究区与数据研究区为北京郊区农田，主要种植小麦、紫花苜蓿等作物。数据包括陆地卫星TM、MODIS和ENVISATASAR影像数据，以及地面准同步实测数据。地面试验内容包括土壤体积含水量测量、小麦生物量及等效水厚度测量和测点GPS定位等。试验中，选择田块中央较土匀的一块区域，使用GPS接收机进行定位测量。在离定位点5m的范围内布置

10、3个采样点，样点分布成等边三角形分布。用TDR测量每个样点处的体积含水量；同时取GPS位置点处的冬小麦植株，放入塑料袋内密封。试验室内采用烘干称重法，计算冬小麦植223第2期张友静,等:多源遥感数据反演土壤水分方法株等效水厚度。对每块地3个样点土壤含水量求平均，用以表示GPS定位点处的土壤含水量。Taconet14等研究表明，在高频波段和小入射角时，以植被含水量和土壤湿度为主要驱动因子的水云模型能够很好地模拟小麦的后向散射特性。同时,IS2入射角HH极化模式（IS2HH的总后向散射包含的土壤散射信息更多，更适合土壤湿度的反演。22不同分辨率光学影像的植被含水量反演植被含水量一般有3种表示方法：

11、 叶片含水量CFM、 相对含水量CRW和等效水厚度TEW。Ceccato等15研究发现用遥感数据反演含水量时，短波红外波段与TEW相关性较好，而与CFM的相关性较差。本研究Mv即为同步地面测量的叶和穗等效水厚度之和。大量研究表明，植物含水量对红外波段比较敏感，因此可通过建立植被生物、物理指数和植被含水量的统计关系模型来反演TEW。Penuela舜16发现植被水分指数与归一化植被指数（NDVI的比值可以预测叶片的水分含量。Rock等17综合考虑了叶片内部结构、叶片水分含量以及干物质等影响，发现1600nm和820nm的反射率之比与等效水厚度TEW高度相关。Jackson和Chen18研究利用TM

12、和MODIS影像计算NDVI、归一化水分指数（NDWI来反演大豆和玉米覆盖地表的TEW。以上研究表明用植被指数反演植被含水量是可行的。本研究利TM和MODIS数据提取NDVI、NDWI、增强型植被指数（EVI、叶面积指数（LAI,比较在不同分辨率下指数反演小麦含水量的能力。221基于TM影像的小麦含水量反演利用TM影像计算NDVI、NDWI和EVI,并分别做NDVI、NDWI、EVI与Mv的关系图，如图1所示。反ipntt-ipntt-YIJtftwYIJtftw图1NDVI、NDWI、EVI、LAI与小麦含水量关系Fig1RelationshipbetweenNDVI、NDWI、EVI、LA

13、IandM演的Mv与实测值的相关系数和均方根误差见表1eZXv表1计算Mv与实测值的相关系数和均方根误差Table1AccuracyofMvretrievedbyTMandMODISVIs传感器指数NDVINDWIEVILAITM均方根误差012011011013相关系数078087080076MODIS均方根误差015012015相关系数054077057由表1可以看出，由NDWI建立的小麦含水量反演模型结果较好,EVI次之,NDVI和LAI反演结果较差。这与Jackson和Chen18研究的大豆、玉米等植被的结论相似。EVI的反演精度高于NDVI,因为EVI引入了修正后大气和土壤背景的参数

14、，且具有不易饱和的特点。而LAI和绿量等联系更为紧密，在本文中反演Mv精度较差。222基于MODIS影像的小麦含水量反演利用MODIS影像计算NDVI、NDWI和EVI,并分别做这些参数与Mv的关系图，如图2所示。反演的Mv与实测值的相关系数和均方根误差见表1。224水科学进展第21卷由表1可见，两种尺度影像反演Mv结论相似，即NDWI精度较好,EVI、NDVI次之;同时,TM影像比MODIS具有更好的估算结果。究其原因，可能是研究区小麦地块较为破碎，地表覆盖的空间异质性导致较低分辨率的MODIS反演小麦含水量误差较大。但如果进行大面积、持续性小麦含水量监测,MODIS无疑具NDVI融叩即UR

15、HOOH|”即日CP!CP!汕步有高时间分辨率的优势。图2NDVI、NDWI、EVI与小麦含水量散点图Fig2RelationshipbetweenNDVI、NDWI、EVIandMv23土壤含水量估算水反演半经验模型的建立根据上述分析可得小麦含水量Mv计算的一般线性模型。Mv=cNDWI+d(7在确定ASAR数据的入射角和极化模式后，利用实测数据通过最小二乘法求解模型（6的各项系数将到下式：Ms=137303-38717IS2HH-322234NDWI+564687NDWI2+38798IS2HHsec+1429IS2HHNDWIsec（8利用该式反演得到土壤水分，结果如图3所示。由图3可见

16、，式（8反演土壤含水量的均方根误差（RMSE为383%,反演的土壤含水量与实测的土壤含水量相关性为09,具有较高的反演精度，可用于小麦覆盖下的土壤水分估算。24模型参数的贡献与敏感性分析为进一步分析模型的效用，做Ms与NDWI、sec、IS2HH的敏感性分析，如图4所示。由图可见,NDWI和IS2HH的敏感性较高。 当NDWI和IS2HH增加时,土壤水分也增加； 增加量在050%之间，两者的变化基本一致。也即小麦冠层含水量越高，雷达后向散射与土壤含水量成正比。因此，,IkrKBJL-,IkrKBJL-n nK K小植被冠层与后向散射的交互225第2期张友静，等:多源遥感数据反演土壤水分方法作用

17、是影响土壤含水量反演的关键因素之一。雷达入射角的变化与土壤水分变化成反比18o即入射角增加时，反演的土壤水分减小，这与Taconet等13的研究结论一致。sec的敏感度最低，当sec变化范围为80%时，土壤含水量仅改变13%,因而可对sec取均值。由上述分析可知，NDWI、和IS2HH对土壤含水量反演是较敏感参数这也吻合了水云模型表达式中的参数形式，证明本文的参数估计与求解策略是有效且具有实际意义的。根据本文的土壤水分估算模式，计算出试验区小麦覆盖下的土壤表层水分分布如图5所示。由图可知，昌平区大部分小麦地块的水分合适；I*Fig,3Resultsof*K)ilmoisturederivedb

18、ythemodelFig,3Resultsof*K)ilmoisturederivedbythemodelig.4Sensitivilyig.4SensitivilyWH(WH(旧 BongBongIHfll!,iJMiW4li|T1SK|IHfll!,iJMiW4li|T1SK|胸一占寸3!3! 昌平顺义和通县部分地块都有一定的缺水。这与实地调查基本吻合图52005年5月8日土壤水分填图Fig5SoilmoisturemaponMay8,20053结论水云模型中植被含水量是一个很重要的参数，它和双程衰减因子、直接植被后向散射直接密切相关。利用不同尺度的TM和MODIS数据计算植被的生物、物理

19、参数，并反演小麦等效水厚度TEW。结果表明两种分辨率影像反演的结论相似，即NDWI较好,EVI、NDVI次之。因此，NDWI反演小麦含水量具有更好的一致性和适应性。和TM影像相比,MODIS影像提取的NDWI反演TEW，精度虽稍差，但因其高时间分辨率的特点，依然具有较好的应用价值。根据上述关系，并联立裸露地表土壤湿度反演线性模型，建立了水云模型参数的统一求解方案。结果表明：该方案得到理想的土壤水分反演精度，有利于参数估计的误差控制。反演土壤含水量和实测数据的相关系数为09,均方根误差为383%,可为土壤含水量或土壤缺水量制图服务。参考文献：1ULABYFT,BATLIVALAPP,DOBSON

20、MCMicrowavebackscatterdependenceonsurfaceroughness,soilmoisture,andsoiltexture:PartIBaresoilJIEEETransactionsonGeoscienceElectronics,1978,16(4:2862952DOBSONMC,UlabyFTActivemicrowavesoilmoistureresearchJIEEETransGeosciRemoteSensing,1986,24(1:23353DUBOISPC,VANZJ,ENGMANTMeasuringsoilmoisturewithimaging

21、radarsJIEEETransGeosciRemoteSensing,1995,33(4:9159264WANGJR,HSUA,SHIJC,etalAcomparisonofsoilmoistureretrievalmodelsusingSIRCmeasurementsoverthelittleWashitariverwatershedJRemoteSensingofEnvironment,1997,59(2:3083205李震,郭华东,施建成综合主动和被动微波数据监测土壤水分变化J遥感学报,2002,6(6:481484(LIZhen,GUO226水科学进展第21卷第2期张友静，等：多源遥

22、感数据反演土壤水分方法227Huadong,SHIJianchengMeasuringthechangeofsoilmoisturewithvegetationcoverintegrationpassiveandactivemicrowavedataJJournalofRemoteSensing,2002,6(6:481484(inChinese6陈权，李震，王磊机载雷达和辐射计数据反演植被覆盖区土壤水分的初步研究J水科学进展，2007,18(5:756761(CHENQuan,LIZhen,WANGLeiSoilmoistureretrievalusingairborneradarandra

23、diometerintheregionwithvegetationcoverJAdvancesinWaterScience,2007,18(5:756761(inChinese7MATTIAF,SATALINOG,DENTEL,etalUsingaprioriinformationtoimprovesoilmoistureretrievalfromENVISATASARAPdatainsemiaridregionsJIEEETransactionsonGeoscienceandRemoteSensing,2006,44(4:9009128LOEWA,LUDWIGR,MAUSERWDerivat

24、ionofsurfacesoilmoisturefromENVISATASARwideswathandimagemodedatainagriculturalareasJIEEETransactionsonGeoscienceandRemoteSensing,2006,44(4:889899鲍艳松，刘良云，王纪华综合利用光学微波遥感数据反演土壤湿度研究J北京师范大学学报：自然科学版，2007,43(3:228233(BAOYansong,LIULiangyun,WANGJihuaSoilmoistureestimationbasedonopticalandmicrowaveremotesensi

25、ngdataJJournalofBeijingNormalUniversity:NaturalScienceJ2007,43(3:228233(inChinese10DABROWSKAZIELINSKAAK,INOUEBY,KOWALIKW,etalInferringtheeffectofplantandsoilvariablesonCandLbandSARbackscatteroveragriculturalfields,basedonmodelanalysisJ14811CLAUDIAN,MARIELLAA,FRANCESCOPUseofradarandopticalremotelysen

26、seddataforsoilmoistureretrievalovervegetatedareasJIEEETransGeosciRemoteSensing,2006,44(4:92593512ATTEMAEP,ULABYFTVegetationmodelasawatercloudJRadioScience,1978,13(2:35736413RAJATB,ANAPBParameterizationofvegetationbackscatterinradarbased,soilmoistureestimationJRemoteSensingofEnvironment,2001,76(1:130

27、13714TACONETO,VIDALMADJARD,EMBLANCHC,etalTakingintoaccountvegetationeffectstoestimatesoilmoisturefromCbandradarmeasurementsJRemoteSensingofEnvironment,1996,56(1:525615CECCATOP,FLASSES,TARANTOLAS,eta1DetectingvegetationleafwatercontentusingreflectanceintheopticaldomainJRemoteSensingofEnvironment,2001

28、,77(1:223316PENUELASJ,PIFMLJ,OGAYAR,eta1Estimationofplantwaterconcentrationbythereflectancewaterindex(R900/R970JInternationalJournalofRemoteSensing,1997,18(13:2869287517ROCKBN,VOGELMARMJE,WILLIAMSDL,eta1RemotedetectionofforestdamageJBioscience,1986,36(7:43944518JACKSONTJ,CHENDaoy,iCOSHM,etalVegetati

29、onwatercontentmappingusingLandsatdataderivednormalizeddifferencewaterindexforcornandsoybeansJRemoteSensingofEnvironment,2004,92(4:2252361即伟,施建成应用极化雷达估算农作物覆盖地区土壤水分相对变化J水科学进展，2005,16(4:596601(LIUWe,iSHIJianchengApplyingtheradartechnologytoestimaterelativechangeofsoilmoistureinvegetatedareaJAdvancesinW

30、aterScience,2005,16(4:596601(inChineseAdvancesinSpaceResearch,2007,39(1:139228水科学进展第21卷Soilmoistureretrievalfrommultiresourceremotelysensedmagesoverawheatarea*iZHANGYoujing,WANGJunzhan,BAOYansong123(1StateKeyLaboratoryofHydrologyWaterResourceandHydraulicEngineering,HohaiUniversity,Nanjing210098,Chin

31、a;2ColdandAridRegionsEnvironmentalandEngineeringResearchInstitute,ChineseAcademyofSciences,Lanzhou730000,China;3NanjingUniversityofInformationScience&Technology,Nanjing210044,ChinaAbstract:TheaimofthisstudyistousethemultiresourceremotelysensedimagesoverlandsurfacesinasemiaridregioninnorthernChinatoinferthesoilmoisturecontent(SMCinthepresenceofwheatThemultiimagesincludeAdvancedSyntheticApertureRadar(ASAR,LandsatThematicMapper(TMandModerateresolutionImagingSpectroradiometer(MODISTheinfluenceofvegetationonthesatellitesignalcanbedescribedbyawatercloudm