土壤水分的遥感监测方法概述吴黎图文.docx
《土壤水分的遥感监测方法概述吴黎图文.docx》由会员分享,可在线阅读,更多相关《土壤水分的遥感监测方法概述吴黎图文.docx(25页珍藏版)》请在冰豆网上搜索。
土壤水分的遥感监测方法概述吴黎图文
第26卷,第2期国土资源遥感
Vol.26,No.22014年06月
REMOTESENSINGFORLAND&RESOURCES
Jun.,2014
doi:
10.6046/gtzyyg.2014.02.04
引用格式:
吴黎,
张有智,解文欢,等.土壤水分的遥感监测方法概述[J].国土资源遥感,2014,26(2:
19-26.(WuL,ZhangYZ,XieWH,etal.Summaryofremotesensingmethodsformonitoringsoilmoisture[J].RemoteSensingforLandandResources,2014,26(2:
19-26.
土壤水分的遥感监测方法概述
吴黎1,张有智1,解文欢1,李岩1,宋静波
2
(1.黑龙江省农业科学院遥感技术中心,哈尔滨150086;2.黑龙江省社会科学院应用经济所,哈尔滨150000
摘要:
回顾了目前国内外土壤水分的遥感监测方法,介绍了反射率法、植被指数法、地表温度法、温度-植被指数法、作物水分胁迫指数法、热惯量法和微波法,并对各方法的优缺点进行了详细比对;在总结国内外土壤水分遥感监测研究方法的基础上,对目前该研究领域的重点、难点和未来的发展方向进行了评价。
认为:
热惯量法和植被温度指数法是较为成熟的方法;微波遥感因其独特的优越性,将是该领域的重点研究方向。
关键词:
遥感;土壤水分;地表温度;热惯量;微波中图法分类号:
TP79
文献标志码:
A
文章编号:
1001-070X(201402-0019-08
收稿日期:
2013-04-15;修订日期:
2013-06-19
基金项目:
0引言
土壤水分是自然界水分平衡的重要参量,根据土壤-作物-大气连续体(soil-plant-atmospherecontinuum,SPAC理论,水分在连续体内的运动主要由水势差决定。
土壤水分与干旱存在密切关系,而干旱是我国农业生产的最大威胁。
我国农业自然灾害的近60%是干旱造成的,每年直接经济损失达47亿元[1]。
土壤水分的变化及区域差异不但对于区
域水文,
而且通过植被、土壤等因素对气候产生很大影响。
土壤水分监测在农业生产、旱情监测、农田水
分管理、水资源管理、水文模拟和预报等许多方面都有重要意义。
由于影响土壤水分的因素很多,大范围、实时准确地监测土壤水分仍是一个难题。
传统监测土壤水分含量的方法有重量法、中子仪法、张力计法、时域反射法等,这些方法只能采集样点的离散数据,需要投入大量的人力物力,耗费长、效率低、成本高、代表性差,很难完成大范围的土壤水分数据的获取。
遥感监测土壤水分是通过遥感器测量得到土壤表面反射或发射的电磁能量,然后分析、建立该信息与土壤水分之间的关系从而得到土壤水分含量。
目前遥感监测土壤水分主要用到的遥感波段为可见光-近红外、热红外和微波。
热红外遥感因其对土壤水分的敏感性,在土壤水分含量监测中已日益成熟,
并得到了较广泛的应用。
微波遥感因其全天时、全
天候、多极化、高分辨率、穿透性及对土壤水分含量敏感性的优势,使其成为该领域未来发展的主要方向。
本文在查阅了大量相关资料的基础上,就土壤水分的遥感监测方法进行了总结、分析、评价和展望。
1
土壤水分的遥感监测方法
1.1
反射率法
土壤在可见光-近红外波段的反射率随波长增
加而增大;对于给定类型的土壤,同一波段的反射率随土壤水分的增加而减小,可以建立土壤反射特
性与土壤水分的关系来监测土壤水分。
Bowers[2]
等发现土壤水分的增加会引起土壤反射率的降低,随
后Curran
[3-6]
等学者的研究也证实了反射率与土壤水分含量存在密切关系,并建立了不同模型反演土
壤水分。
国内,刘培君[7]
等提出“光学植被覆盖度”的概念,通过分解像元从土壤中分离出植被信息,建立了利用AVHRR可见光与近红外通道数据监测土壤水分的模型;张仁华
[8]
通过地面控制试验发现,
采用不同遥感仪器研究近红外波段反射率与土壤水
分之间的关系,仍然可以得到一致的结论,并建立了10cm土层含水量与近红外波段反射率的线性关系模型;詹志明
[9]
等提出了一个基于红光和近红外反射率光谱空间特征的土壤水分监测模型,并进行了黑龙江省农业科学院科研项目青年基金(编号:
2012QN027及国防科工局重大专项科研项目子项目—高分辨率对地观
测系统重大专项子项目“东北地区农业遥感行业应用先期攻关”(编号:
E0201/1112-2共同资助。
国土资源遥感2014年
验证,取得了满意的效果。
1.2植被指数法
植被指数是反映植物生长状况的参数,是传感
器不同通道数据的线性或非线性组合。
最常用的植
被指数为归一化植被指数(normalizeddifferenceveg-
etationindex,NDVI,即
NDVI=(ρ
NIR-ρ
RED
/(ρ
NIR
+ρ
RED
(1
式中,ρNIR和ρRED分别为近红外和红光波段反射率。
在有植被覆盖地区,土壤水分状况越好植被生长状况越好,植被指数越高,所以可建立土壤水分与植被指数之间的关系监测土壤水分。
目前已经发展了很多用于监测土壤水分的植被指数模型,常用的有距平植被指数(anomalyvegetationindex,AVI和条件植被指数(vegetationconditionindex,VCI。
AVI定义为
AVI=NDVI
i
-NDVI,(2式中:
NDVIi为某一特定年份某一时期(旬、月等的NDVI值;NDVI为多年同一时期NDVI的平均值。
AVI>0说明该时期植被生长较一般年份好,AVI<0则说明较一般年份差,土壤水分亏缺,旱情出现。
VCI定义为
VCI=(NCVI
i-NDVI
min
/(NDVI
max
-NDVI
min
(3
式中:
NDVIi为特定年份第i个时期的值;NDVImax和NDVImin分别代表所研究年内第i个时期NDVI的最大值和最小值。
国内陈维英[10]等利用NOAA卫星数据计算AVI,对1992年中国干旱状况进行了监测;王鹏新等[11]用VCI和AVI对陕西关中平原的土壤水分进行了监测;蔡斌等[12]应用VCI结合常规资料进行综合分析对我国的干旱状况进行宏观动态监测。
植被指数法监测土壤水分方法是建立在计算植被指数的基础上进行的,所以该方法只能应用于有植被覆盖地区;在大区域范围应用时,由于地表覆盖状况非常复杂,需要先判断是不是满足该方法的应用要求,再决定可否应用此方法进行监测。
1.3地表温度法
地表温度(Ts是大气-土壤-植被系统内物质(水分和能量(热能交换共同作用的结果。
水的比热大,接受太阳辐射后温度变化较慢,白天下垫面温度的空间分布能间接反映土壤水分的分布,据此建立地表温度与土壤水分的关系来监测土壤水分状况。
McvicarTR[13]通过对地表温度的归一化处理提出了归一化温度指数(normalizeddifferencetemperatureindex,NDTI的概念;Kogan[14]提出了条件温度指数(temperatureconditionindex,TCI的概念并进行了干旱监测。
国内刘志明[15]研究发现白天地表温度与土壤水分存在较好的负相关,而夜晚温度与土壤水分没有确定的相关关系,并利用该方法对四川省的土壤水分进行了动态监测;乔平林等[16]利用TM6波段反演得到的地表温度监测了甘肃石羊河流域民勤盆地区土壤水分,结果表明在某些土壤水分范围内可以获得成功;张树誉[17]等利用NOAA/AVHRR的热红外通道对陕西省的土壤水分进行了监测;张仁华[8]通过对地表温度归一化处理得到了一个相对温差模型,即
T
s
=K(T
max
-T
min
/(T
max
+T
min
(4式中:
Ts为地表温度;K为与天气、植被类型、季节等因素相关的系数;Tmax和Tmin分别为最大和最小亮度温度。
研究表明,(Tmax-Tmin可以较好地反映土壤热通量G;而(Tmax+Tmin则较好地表达了土壤热量收入,并建立了该温差模型与土壤水分的线性回归方程。
研究结果表明,用该模型与土壤水分建立的回归方程比单纯的利用地表温度效果要好。
地表温度对下垫面湿度状况敏感,反应迅速,该方法简单易行。
但影响地表温度的因素很多,除土壤水分外,太阳辐射、显热、潜热、风及植被等因素都对地表温度有很大影响。
到目前为止,遥感反演地表温度并没有非常完美精确的方法;土壤水分与地表温度的关系也比较复杂,如何找到两者合适的定量关系也是需要近一步研究。
1.4温度-植被指数法
土壤水分、地表温度、植被指数3者之间相互影响。
单一使用植被指数或者地表温度都存在某些不足,比如作物类型、地理位置、气候类型等对NDVI有影响,而地表温度除受土壤水分影响之外,地表—大气之间传导作用、混合像元分解精度、发射率等都影响地表温度状况。
毛学森[18]发现,冬小麦在受到水分胁迫时NDVI对土壤水分的反应具有一定的滞后性,所以将地表温度和植被指数联合起来监测土壤水分效果更好。
1.4.1温度植被干旱指数法
Goetz[19]通过分析认为NDVI和T
s
之间存在明显的负相关关系,主要原因是植被受到水分胁迫时下垫面温度会急剧升高,并估算了区域平均的土壤湿度条件,且认为传感器的分辨率对两者之间的关系没有太大影响;Price等[20]分析了不同卫星传感器得到的NDVI和Ts数据,认为NDVI和地表辐射温度构成的散点图呈三角形(图1。
·
02
·
第2期吴黎,等:
土壤水分的遥感监测方法概述
图1地表温度和植被指数构成的三角形空间[21]
Fig.1
Triangularspaceofvegetationindexand
groundsurfacetemperature[21]
Nemani[21]从理论上分析认为地表温度和植被
指数之间应为梯形关系;Moran[22]
等加入空气温度
(Ta数据,建立植被覆盖度和植被指数之间的线性关系,定义了植被指数-地表温度梯形图(图2
。
图2植被覆盖和地表温度构成的梯形图[22]
Fig.2
Ladderspaceofvegetationindexand
groundsurfacetemperature
通过卫星资料得到区域植被指数和地表温度,建立二者散点图,确定干边、湿边和模型各个顶点坐标,就可以得到区域土壤水分的空间分布。
国内外
学者对此进行了大量的研究和应用。
Sandholt[23]
等在植被指数-地表温度特征空间时发现了很多条直线,据此提出了温度植被干旱指数(temperatureveg-etagledrynessindex,TVDI监测地表湿度状况,即
TVDI=
Ts-Ts-min
Ts-max-Ts-min
=
Ts-(a2+b2NDVI
(a1+b2NDVI-(a2+b2NDVI
(5
式中:
Ts为地表温度;Ts-min为相同NDVI条件下的最小地表温度,对应Ts-NDVI特征空间的湿边;Ts-max为相同NDVI条件下的最大地表温度,对应Ts-NDVI特征空间的干边;a1,a2,b1,b2为回归系数。
Lambin[24]研究认为在NDVI-Ts特征空间中,
确定干、湿边后,可以进一步确定在相同植被覆盖条
件下因土壤供水能力差异而造成的温差变化范围,并以此为条件反演得到土壤水分含量;韩丽娟[25]
等详细解释了NDVI-Ts特征空间,并用蒸散和温
度植被干旱指数解释了此特征空间的内涵;刘良云等[26]
利用两者关系对地物进行分类,提取了植被覆盖和土壤水分的信息;姚春生[27]
利用MODIS数据得到的TVDI反演了新疆地区2个月的土壤水分;
王鹏新[11]
等在NDVI-Ts特征空间和TVDI的基础上,提出了条件植被温度指数(vegetabletemperatureconditionindex,VTCI模型,监测土壤水分和干旱。
1.4.2
植被供水指数法
考虑到植被指数和地表温度与土壤水分的关
系,Carlson[28]综合考虑植物受旱时在红光、近红外及热红外波段上的反应,提出了植被供水指数(veg-etationsupplywaterindex,VSWI,即
VSWI=NDVI/Ts。
(6
VSWI值越小,说明植被受干旱胁迫,土壤水分越少。
该指数计算简单,易于实现,适用于植被覆盖
区,尤其在作物覆盖良好的情况下效果很好。
刘丽等
[29]
应用NOAA数据建立了VSWI监测贵州干旱状况的模型,认为VSWI方法监测干旱效果较好,并适合常年植被覆盖较高地区;莫伟华等[30]
使用该方法根据NOAA资料对广西贵港地区进行了干旱遥感监测,均取得了良好的效果。
1.5作物水分胁迫指数法
Idso[31]在Monteith等人研究的基础上提出作物水分胁迫指数(cropwaterstressindex,CWSI,即
CWSI=
(Tc-Ta-(Tc-TaLL
(Tc-TaUL-(Tc-TaLL,(7式中:
Tc为地表(灌层温度;Ta为空气温度;(Tc-TaLL表示充分湿润条件下的冠气温差下限;(Tc-TaUL表示极端干旱条件下的冠气温差上限。
Idso认为冠气温差的上下限可以与空气饱和水气压建立线性方程来计算,被称为CWSI的经验模
式。
Jackson[32]
在Idso经验模式的基础上,
根据冠层热量平衡方程对冠气温差的上下限进行理论解释,
得到新的计算模型,即
CWSI=1-ET
ETp
=γ(1+
γc
γa-γ(1+γcpγa
Δ+γ(1+γc
γa
。
(8
式中:
γ为干湿表常数;γa为空气动力学阻力;γcp
为潜在蒸发条件下的冠层阻力,
随植被类型变化而变化;Δ为饱和水汽压随温度变化的斜率。
·
12·
国土资源遥感2014年
Jackson的CWSI计算公式机理性较强,物理意
义明确,适于结合冠层温度和微气象条件研究土壤
水分状况。
许多学者针对CWSI的计算模型和影响
因素进行了深入研究,并广泛应用于土壤水分和干
旱监测。
张仁华[8]通过重新定义水汽饱和活动面
得到了一个新的CWSI微气象参数模型,并对模型
进行了验证和灵敏行分析;田国良[33]等利用NOAA
资料和气象站资料,计算了CWSI,并与气象站观测
的550cm土壤水分建立关系,对河南省进行了土
壤水分估算;申广荣[34]等在地理信息系统的支持
下,通过分析NOAA遥感数据和地面气象站资料进
行了黄淮海平原土壤水分监测;刘安麟[35]等通过
能量平衡方程对潜在蒸散的计算进行简化,得到一
种计算CWSI的模型,根据NOAA数据和气象资料
计算了CWSI,并对陕西地区春季土壤水分状况进行
了监测。
作物水分胁迫指数法基于明确的物理公式推
导,意义明确,机理性强,精度较高,是监测土壤水分
状况的理想方法。
但计算作物水分胁迫指数的方法
需要大量参数,特别是微气象参数在遥感中不易获
得;另外差值过程也会产生一定的误差。
1.6热惯量法
土壤热惯量是度量土壤阻止其自身温度变化能
力大小的物理量,反映土壤与周围环境能量交换能
力的强弱,表征了土壤的热学特性,即
P=λρ
槡C,(9
式中:
P为土壤热惯量;λ为土壤热传导率;ρ为土
壤密度;C为比热容。
土壤热惯量随土壤水分增加而增大,可以通过
建立二者之间的关系来监测土壤水分。
目前还不能
通过遥感手段得到3个参数直接计算真实热惯量,
主要通过求解热传导方程和地表热量平衡方程来实
现。
Watson[36]于1973年提出了利用地表温度日较
差计算热惯量的模型,随后很多学者发展了热惯量
的计算模型;Kahle[37]在热量平衡方程中加入显热
和潜热通量,计算了热惯量;Price[38]在地表能量平
衡方程基础上通过引入“地表综合参量”的概念,提
出了一个热惯量计算模型,即
P=2Q(1-A/|槡ω(T
午后-T
夜间
|-0.9B/槡ω,
(10
式中:
Q为到达地表的太阳总辐射;A为地表反照率;ω为地球自转频率;T午后和T夜间分别为由卫星数据反演得到的午后和夜间的地表温度;B为一地表综合参量,需要地面实测数据计算。
由于B的计算比较困难,Price[39]简化以上热惯量的计算模型,提出表观热惯量的概念,并认为真实热惯量在某些情况下可以用表观热惯量计算。
表观热惯量(ap-parentthermalinertia,ATI计算公式为
ATI=1000π(1-A/(T
1330
-T
0230
。
(11
式中,T1330与T0230为由卫星数据反演得到的13:
30时刻和02:
30时刻的地表温度。
如果只考虑研究区域的反照率和温度变化,上式可以进一步简化为
ATI=(1-A/△T,(12
式中△T为地表温度日较差。
表观热惯量计算模型简单,所需资料可以由卫星数据提供。
但是根据Carlson[40]等人的研究,当地表蒸发量很大时,表观热惯量为无效,在植被覆盖度较大和地表适度较大的情况下,不能用表观热惯量代替真实热惯量。
热惯量遥感土壤水分的研究主要集中在热惯量计算模型和热惯量与土壤水分关系2个方面,并取得了很大进步。
Xue[41]和Cai[42]等对热惯量模型进行了深入研究,提出了不同的计算模型;Sobrino[43]等通过3个时刻的遥感信息建立了一种只用卫星数据计算真实热惯量的模型。
国内也有很多学者提出了不同的热惯量模式,张仁华[44]提出了一个考虑显热和潜热通量的热惯量模型,利用遥感影像中最干点和最湿点订正显热和潜热通量对热惯量计算的影响;余涛[45]等通过简化地表能量平衡方程,建立了地表综合参量与热惯量直接的关系,发展了一种计算真实热惯量的方法;郭茜[46]等利用表观热惯量对东北地区土壤水分进行了监测;黄妙芬[47]等提出一个利用地表辐射温度计算表观热惯量的模型;刘振华[48]等提出了一个利用地表最高温度结合土壤热平衡方程和显热、潜热通量的真实热惯量模型。
另外很多学者研究了各种因素对热惯量影响,如李星敏[49]等分析了植被覆盖对热惯量的影响,陈怀亮[50]等分析了风速对热惯量的影响,这些工作提高了热惯量的反演精度。
表观热惯量模型相对简单,需要参数较少,有的表观热惯量模型可以只用遥感手段计算得到。
对表观热惯量的研究是目前热惯量模式反演土壤水分的重点,但表观热惯量是表示热惯量相对大小的一个量,只能表达理论热惯量的一部分。
在裸土和低植被覆盖区热惯量模式监测土壤水分效果较好,但不能用在浓密植被覆盖地区。
1.7微波法
微波波段(1mm1m对云层和地表有较强的穿透力,不依赖太阳光,可以全天候工作,具有光学
·
22
·
第2期吴黎,等:
土壤水分的遥感监测方法概述
遥感不具备的优势。
土壤的介电特性与土壤水分含量有着密切的关系,水的介电常数大约为80,而干土仅为3,它们之间巨大的反差使得土壤的介电常数随土壤湿度的变化而变化,成为遥感监测土壤水分的重要切入点,因而微波法具有很好的应用前景。
微波遥感法根据工作原理差异可以分为主动微波遥感法和被动微波遥感法。
1.7.1主动微波遥感法
主动微波遥感是通过遥感器主动发射已知的微波信号,然后接受所发射的微波信号与地表相互作用后的回波信号,通过分析2种信号的差异获取地表的后向散射系数(σ,而后向散射系数与地表介电常数(ε直接相关。
如前所述,土壤的地表介电常数与土壤含水量密切相关,随着含水量的增加,介电常数几乎呈线性增加;土壤含水量越高,介电常数也越高,雷达信号穿透深度便越小,后向散射与回波强度越强,后向则越大。
根据以上原理可建立后向散射系数和土壤水分含量的关系用来反演地表土壤水分。
通过实验数据的相关分析建立土壤水分与后向散射系数之间的线性回归这种方法简单实用。
有的学者还从面散射理论和介电常数模型等理论上建立两者之间的定量关系。
Ulady[51]等针对两者的关系进行了定量研究,提出了一个后向散射模型,对土壤水分进行了反演,并估算了植被覆盖对反演精度的影响;Dobson[52]等则认为对于太干或者太湿润的土壤不能用线性模拟;Narayannan等[53]对两者进行了相关的研究,并发展了一个非线性算法反映两者的关系。
国内李杏朝[54]通过同步测量土壤水分、土壤后向散射系数和同步机载雷达图像,建立了土壤湿度与后向散射系数的线性关系;田国良[55]等利用合成孔径雷达对冬小麦田进行了土壤水分监测。
1.7.2被动微波遥感法
被动微波遥感是利用微波辐射计对地表本身发射的微波辐射进行测量来监测土壤水分。
在微波波段,土壤的比辐射率从0.6(湿土变化到0.9(干土,通常利用微波辐射计得到土壤的亮度温度,研究亮度温度与土壤水分的关系,通过建立亮度温度与土壤水分的关系反演得到土壤水分。
被动微波遥感用来监测地表土壤水分的历史更长,相对来说算法更为成熟。
在20世纪70年代NASA就在美国进行了航空平台的被动微波遥感试验,1987年Schmugge[56]根据试验结果得到了亮度温度与土壤水分的线性关系。
许多学者针对地表粗糙度、植被信息等对亮度温度的影响进行了研究,提高了被动微波遥感法反演土壤水分的精度。
常用的反演算法可以分为3类:
基于数理统计的经验算法、基于正向模型的算法和神经网络算法。
经验算法是在统计描述和相关分析的基础上直接建立遥感参数与土壤水分之间的统计关系,应用简单,对于特定地区适用性较好,但是缺乏物理基础,普适性较差;基于正向模型的算法是充分考虑微波由地表到达传感器的物理过程,选择一个正向模型,建立模型参数与土壤水分之间的关系,其物理意义较明确,反演精度较高,但需要的模型参数较多,反演过程较复杂;神经网络方法是利用神经网络具有非常强大的模拟任意复杂的非线性关系这个优点来建立遥感数据与土壤水分的关系,该方法不需要复杂的物理模型和算法,但受到算法输入端参数特点的限制。
2方法对比
1反射率法简单易行,操作简单快捷,适宜地形平坦、单一土壤组成较典型的区域。
但不同类型土壤发射率的差异对土壤的反射率的影响与土壤水分的作用在同一个量级甚至更大[57],加之太阳高度、大气条件和地表状况等引起的误差,使得利用这类方法监测土壤水分精度难以保证。
2植被指数法需要有较长时间的NDVI积累,对遥感数据要求较多。
3在温度-植被指数特征空间中确定干湿边和顶点时只通过温度和NDVI散点图的拟合,有一定的随意性,缺乏严格的物理定义,因此在高植被覆盖区该方法会失效。
4作物水分胁迫指数法中概念明确、考虑因素多,具有广泛的理论和实用价值,但在应用上受到参数的获取性困难和尺度转换问题的制约,且在作物地表植被较少时,可能会夸大植被的作用。
5微波遥感具有明确的物理基础,具有全天候、高精度的优势;且对云层有较强的穿透力,在地球表面被云层覆盖时,有其独特的优越性。
但是微波遥感数据对地表粗糙度、植被覆盖、地形等参数与对土壤水分同样敏感,如何确定各种因素对微波遥感信息的影响程度是还需要深入研究的问题。
另外,微波遥感的相对成本过高,使其在国内的研究和应用都受到了一定的限制。
3结论与展望
土壤水分的遥感监测方法经过几十年的发展已经取得了巨大的进步,并且越来越显示出其优越性。
然而土壤水分监测是一个非常复杂的问题,到目前
·
32
·
·24·国土