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A S AR A PP 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M OD IS 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T M 影像提取的归一化水分指数(N D W I反演精度较好,相关系数达到0 87。

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0 9,均方根误差为3 83%。

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;A S AR;多尺度中图分类号:P338 9 文献标志码:A 文章编号:1001 6791(201002 0222 07收稿日期:2009 03 09基金项目:国家自然科学基金资助项目(40701130;40830639作者简介: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。

E m a i:l zhangy @j hhu edu cn 土壤含水量是地表和大气界面的重要状态参数,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U laby 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U laby 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A I E M 。

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[3 4]。

2000年以来,随着Rardrsa,t ENV I SAT AS AR 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[5 6]。

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[7 9]。

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,以便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[9 11]。

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21卷第2期2010年3月水科学进展ADVANCES I N WATER SC I E NCE V o l 21,N o 2 M ar .,20101 土壤水分估算模型1 1 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A tte m a 和U laby 建立的水云(w ater c l o ud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= 0veg +T 2 0soil , 0veg =AM v cos (1-T 2,T 2=exp (-2BM v sec(1式中 0为后向散射系数,由ASAR 影像计算得到; 0so il 为土壤后向散射系数;0veg 为植被直接后向散射系数;M v 为植被含水量,kg /m 2;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;T 2为微波穿过植被的双程衰减因子,A 、B 为经验常数。

1 2 参数估计方案对水云模型的参数估计有许多研究[9 12]。

结合理论模型(如I E M,M I M I CS 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T M 和MOD I S 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求解系数的方案,构建结合光学和微波遥感数据的土壤水分估算模型。

1 3 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V I ,建立V I 与实测植被含水量M v 的关系。

M v =f (V I(2若f 为线性关系,则有M v =cV I +d(3将M v 代入式(1水云模型,整理可得soil = 0-A (cV I +d cos {1-exp [-2B (cV I +d sec ]}exp [-2B (cV I +d sec ](4根据土壤后向散射与土壤含水量的关系[7],又可得M s = 0-A (cV I +d co s {1-exp [-2B (cV I +d sec ]}exp [-2B (cV I +d sec ]-f /e = {[ 0-A (cV I +d co s ]exp [2B (cV I +d sec ]+A (cV I +d cos -f }/e(5式中 c ,d,e ,f 为经验常数,将该式中的exp [2B (cV I +d sec ]项按泰勒级数展开,并取第一项整理得M s =C +k 1 0+k 2V I +k 3V I 2+k 4 0sec +k 5 0V I sec(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k 1,k 2, ,k 5。

2 结果与分析2 1 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 、MOD I S 和ENV I SAT ASAR 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,选择田块中央较均匀的一块区域,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。

Taconet[14]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,I S2入射角HH极化模式(I S2 HH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。

2 2 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:叶片含水量C F M、相对含水量C R W和等效水厚度T EW。

C eccato等[15]研究发现用遥感数据反演含水量时,短波红外波段与T EW相关性较好,而与C F M的相关性较差。

本研究M v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T EW。

Penuelas等[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1600n m和820 n m的反射率之比与等效水厚度T EW高度相关。

Jackson和Chen[18]研究利用T M和MOD I S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T EW。

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MODI S数据提取NDVI、NDW I、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。

2 2 1 基于T M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M v的关系图,如图1所示。

反演的M v与实测值的相关系数和均方根误差见表1。

图1 ND VI、NDW I、EV I、LA I与小麦含水量关系F i g 1R e lati onship bet ween ND VI、NDW I、EVI、LA I and Mv表1 计算Mv与实测值的相关系数和均方根误差Tab le1A ccuracy of Mvretrieved by T M and MOD IS V Is传感器指数NDVI NDW I EVI LAIT M 均方根误差0 120 110 110 13相关系数0 780 870 800 76MODIS 均方根误差0 150 120 15相关系数0 540 770 57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Chen[18]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,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M v精度较差。

2 2 2 基于MODIS影像的小麦含水量反演利用MODIS影像计算NDVI、NDW I和EVI,并分别做这些参数与M v的关系图,如图2所示。