基于光学遥感和微波遥感的土壤水分反演模型研究

doi:10.3969/j.issn.1673-503X.2023.01.009

摘要/Abstract

摘要：

选用2020年5月17日Sentinel-1和Landsat 8影像数据, 结合田间人工测墒数据, 以辽宁省朝阳市为例, 分别利用植被温度指数法和光学协同微波遥感反演算法反演土壤水分, 构建高精度土壤水分预报模型。结果表明: 基于光学遥感的植被温度指数(TVDI)不能较好反演农田土壤水分; 微波反射能够较好反馈土壤水分的空间变化, Sentinel-1雷达数据VV极化对土壤水分的拟合精度(R²=0.71)优于VH极化(R²=0.27);基于全球植被水分指数(GVMI)改进的水云模型效果最优(R²=0.80)。利用微波和光学遥感协同反演, 能够反演得到高空间分辨率、高精度的农田土壤水分数据, 有助于农业干旱的监测。

关键词: 土壤水分, 哨兵数据, 光学遥感, 预报模型

Abstract:

Based on the Sentinel-1 and Landsat 8 image data on May 17, 2020, and in combination with the field manual moisture measurement data, taking Chaoyang of Liaoning province as an example, the soil moisture was retrieved using the vegetation temperature index method and the optical collaborative microwave remote sensing inversion algorithm, respectively, and a high-precision soil moisture forecasting model was built.The results showed that the Vegetation Temperature Index (TVDI) based on optical remote sensing cannot well retrieve farmland soil moisture.Microwave reflection could be better feedback on the spatial variation of soil moisture, and the fitting accuracy of VV polarization of Sentinel-1 radar data for soil moisture (R²=0.71) is better than VH polarization (R²=0.27).The improved water cloud model (WCM) based on Global Vegetation Moisture Index (GVMI) has the best performance (R²=0.80).Using collaborative inversion of microwave and optical remote sensing can retrieve high-spatial-resolution and high-precision farmland soil moisture data, which is helpful for agricultural drought monitoring.

Key words: Soil moisture, Sentinel data, Optical remote sensing, Forecasting model

中图分类号:

P407.8

王井利, 高天娇, 李荣平, 余鹏程, 马运涛, 米娜, 温日红, 张凯. 基于光学遥感和微波遥感的土壤水分反演模型研究[J]. 气象与环境学报, 2023, 39(1): 73-82.

Jing-li WANG, Tian-jiao GAO, Rong-ping LI, Peng-cheng YU, Yun-tao MA, Na MI, Ri-hong WEN, Kai ZHANG. Research on soil moisture retrieval model based on optical remote sensing and microwave remote sensing[J]. Journal of Meteorology and Environment, 2023, 39(1): 73-82.

图/表 11

图1

表1

表2

表3

图2

图3

图4

图5

图6

图7

图8

参考文献 40

1	吴秀兰, 张婧莉, 余行杰, 等. 新疆天山山区干旱灾害综合风险评估与区划[J]. 气象与环境学报, 2022, 38 (4): 161- 167.
2	闫平, 季生太, 孙彦坤, 等. 富裕县农田土壤湿度变化及其对玉米发育期和产量的影响[J]. 气象与环境学报, 2020, 36 (4): 74- 82.
3	李占杰, 陈基培, 刘艳民, 等. 土壤水分遥感反演研究进展[J]. 北京师范大学学报(自然科学版), 2020, 56 (3): 474- 481.
4	马春芽, 王景雷, 黄修桥. 遥感监测土壤水分研究进展[J]. 节水灌溉, 2018, (5): 70- 74. 70-74, 78
5	覃湘栋, 庞治国, 江威. 土壤水分光学遥感反演方法研究进展和挑战[J]. 人民珠江, 2021, 42 (11): 38- 45. 38-45, 111
6	Jackson R D , Idso S B , Reginato R J , et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17 (4): 1133- 1138. doi: 10.1029/WR017i004p01133
7	Moran M S , Clarke T R , Inoue Y , et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sensing of Environment, 1994, 49 (3): 246- 263. doi: 10.1016/0034-4257(94)90020-5
8	Kogan , F N . Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing, 1990, 11 (8): 1405- 1419. doi: 10.1080/01431169008955102
9	Inge Sandholt , Kjeld Rasmussen , Jens Andersen . 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.
10	徐霞. 基于TVDI指数的农业干旱遥感监测应用研究[D]. 乌鲁木齐: 新疆大学, 2010.
11	潘宁, 王帅, 刘焱序, 等. 土壤水分遥感反演研究进展[J]. 生态学报, 2019, 39 (13): 4615- 4626.
12	Wang J R , O'Neill P E , Jackson T J , et al. Multifrequency Measurements of the Effects of Soil Moisture, Soil Texture, And Surface Roughness[J]. IEEE Transactions on Geoscience & Remote Sensing, 1983, 21:1 (1): 44- 51.
13	Wigneron J P , Calvet J C , Pellarin T , et al. Retrieving near-surface soil moisture from microwave radiometric observations: current status and future plans[J]. Remote Sensing of Environment, 2003, 85 (4): 489- 506. doi: 10.1016/S0034-4257(03)00051-8
14	Jackson T J, Vine D, Swift C T, et al. Large area mapping of soil moisture using the ESTAR passive microwave radiometer in Washita'92[J]. 1995, 54(1): 27-37.
15	李伯祥. 基于光学与微波遥感数据的植被覆盖区农田土壤水分反演[D]. 南昌: 东华理工大学, 2020.
16	邓小东, 王宏全. 土壤水分微波遥感反演算法及应用研究进展[J]. 浙江大学学报(农业与生命科学版), 2022, 48 (3): 289- 302.
17	陈书林, 刘元波, 温作民. 卫星遥感反演土壤水分研究综述[J]. 地球科学进展, 2012, 27 (11): 1192- 1203.
18	Attema E P , Ulaby F T . Vegetation Modeled as a Water Cloud[J]. Radio Science, 1978, 13 (2): 357- 364. doi: 10.1029/RS013i002p00357
19	王二龙, 王建萍, 韩进军, 等. 基于Sentinel-1和Sentinel-2协同反演干旱区地表土壤水分: 以格尔木河中下游为例[J]. 盐湖研究, 2022, 30 (1): 16- 24.
20	王树果, 马春锋, 赵泽斌, 等. 基于Sentinel-1及Landsat 8数据的黑河中游农田土壤水分估算[J]. 遥感技术与应用, 2020, 35 (1): 13- 22. 13-22+47
21	李伯祥, 陈晓勇. 基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演[J]. 生态与农村环境学报, 2020, 36 (6): 752- 761.
22	方缘, 陈妮娜, 姜鹏, 等. 基于WOFOST模型的辽西地区典型旱年不同播期玉米干旱损失评估[J]. 气象与环境学报, 2022, 38 (4): 93- 101.
23	李晶, 王婉昭, 刘东明, 等. 2017年辽宁省春夏季精细化气象干旱监测评估[J]. 气象与环境学报, 2019, 35 (3): 100- 105.
24	马术, 蒲智. 基于Landsat8数据的地表温度反演算法研究——以乌鲁木齐市为例[J]. 计算机与数字工程, 2020, 48 (10): 2316- 2320.
25	Bindlish R , Barros A P . Parameterization of Vegetation Backscatter in Radar-based, Soil Moisture Estimation[J]. Remote Sensing of Environment, 2001, 76 (1): 130- 137.
26	Jackson T J , Chen D , Cosh M , et al. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment, 2004, 92 (4): 475- 482.
27	张瑞. 联合光学与雷达遥感的植被含水量估算方法[D]. 长春: 吉林大学, 2020.
28	陈哲璐, 黄万里, 叶士琳, 等. 基于不同TVDI指数的福建省2018年农业干旱监测差异分析[J]. 自然灾害学报, 2021, 30 (6): 233- 243.
29	姜蓝齐, 王萍, 姜丽霞, 等. 温度植被干旱指数(TVDI)在农业干旱监测中的应用[J]. 中国农学通报, 2021, 37 (29): 132- 139.
30	李姝蕊, 孙昭. 基于Landsat-8 OLI TIRS对黑河流域的土壤湿度反演研究[J]. 测绘与空间地理信息, 2021, 44 (Z1): 159- 163.
31	杨嘉辉, 陈鲁皖, 王锐欣, 等. 基于改进水云模型的土壤水分反演研究[J]. 科技创新与应用, 2020, (10): 13- 15.
32	Price J C . Using spatial context in satellite data to infer regional scale evapotranspiration[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28, 940- 948.
33	Carlson Toby N , Gillies Robert R , Perry Eileen 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 (1/2): 161- 173.
34	Moran M S , Clarke T R , Inoue Y , et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sensing of Environment, 1994, 49 (3): 246- 263.
35	叶伟林, 周自强, 石三娥, 等. 基于TVDI的甘肃黑方台土壤湿度分布及影响因素分析[J]. 甘肃科学学报, 2020, 32 (6): 50- 58.
36	李伯祥, 陈晓勇, 徐雯婷. 基于DEM校正TVDI的华北地区旱情监测分析[J]. 东华理工大学学报(自然科学版), 2019, 42 (3): 266- 273.
37	杨贵军, 岳继博, 李长春, 等. 基于改进水云模型和Radarsat-2数据的农田土壤含水量估算[J]. 农业工程学报, 2016, 32 (22): 146- 153.
38	马腾, 韩玲, 刘全明. 考虑地表粗糙度改进水云模型反演西班牙农田地表土壤含水率[J]. 农业工程学报, 2019, 35 (24): 129- 135.
39	何连, 秦其明, 任华忠, 等. 利用多时相Sentinel-1 SAR数据反演农田地表土壤水分[J]. 农业工程学报, 2016, 32 (3): 142- 148.
40	黄对, 刘九夫, 张建云, 等. 基于多时相SAR的IEM和Oh模型地表土壤含水率反演与融合[J]. 地理与地理信息科学, 2021, 37 (6): 24- 31.

传感器	波段	波长范围/μm	空间分辨率/m
OLI	1-COASTAL/AEROSOL	0.43~0.45	30
	2-Blue	0.45~0.51	30
	3-Green	0.53~0.59	30
	4-Red	0.64~0.67	30
	5-NIR	0.85~0.88	30
	6-SWIR1	1.57~1.65	30
	7-SWIR2	2.11~2.29	30
	8-PAN	0.50~0.68	15
	9-Cirrus	1.36~1.38	30
TIRS	10-TIR1	10.60~11.19	100
TIRS	11-TIR2	11.50~12.51	100

植被指数	计算公式
归一化植被指数(NDVI, Normalized Difference Vegetation Index)	${\rm{NDVI}} = \frac{{{\rho _{{\rm{NIR}}}} - {\rho _R}}}{{{\rho _{{\rm{NIR}}}} + {\rho _R}}}$
比值植被指数(RVI, Ratio Vegetation Index)	$\mathrm{RVI}=\frac{\rho_{\mathrm{NIR}}}{\rho_{\mathrm{R}}}$
大气阻抗植被指数(ARVI, Atmospherically Resistant Vegetation Index)	$\mathrm{ARVI}=\frac{\rho_{\mathrm{NIR}}-\left(2 \rho_R-\rho_{\mathrm{BLUE}}\right)}{\rho_{\mathrm{NIR}}+\left(2 \rho_R-\rho_{\mathrm{BLUE}}\right)}$
修正土壤调整植被指数(MSAVI, Modified Soil Adjusted Vegetation Index)	$\mathrm{MSAVI}=\frac{2 \rho_{\mathrm{NIR}}+1-\sqrt{\left(2 \rho_{\mathrm{NIR}}+1\right)^2-8\left(\rho_{\mathrm{NIR}}-\rho_R\right)}}{2}$

参数	综合方式	草地	冬小麦	牧场
A	0.0012	0.0009	0.0018	0.0014
B	0.091	0.032	0.138	0.084

[1]	方楠, 谢国权, 阮小建, 任晨平, 姜舒婕, 张玮玮. 长短期记忆神经网络(LSTM)模型在低能见度预报中的应用[J]. 气象与环境学报, 2022, 38(5): 34-41.
[2]	吕国红, 温日红, 谢艳兵, 王笑影. 不同土壤水分控制对东北地区玉米农田土壤呼吸的影响[J]. 气象与环境学报, 2017, 33(5): 76-81.
[3]	张淑杰, 孙立德, 马成芝, 张菁, 陈艳秋, 李广霞, 韩秀君, 吴曼丽, 郭海. 日光温室番茄低温冻害指标确定及温度预报模型建立[J]. 气象与环境学报, 2016, 32(4): 98-105.
[4]	党冰刘博尹岭周忠玉何史林黎檀实尚可政王式功. 气象条件对北京夏季中暑的影响及预测研究[J]. 气象与环境学报, 2015, 31(2): 67-72.
[5]	信飞,陈伯民,孙国武. 上海梅汛期强降水的低频特征及延伸期预报[J]. 气象与环境学报, 2014, 30(6): 61-67.
[6]	杨文艳,袁潮, 孙卓, 白如玉,王斌飞. 盘锦市脑血管病气象敏感因子分析及其预报模型[J]. 气象与环境学报, 2014, 30(3): 85-90.
[7]	曲晓黎,赵娜,张金满,武辉芹,张成伟. 春灌期气象条件对河北南网日用电负荷峰值的影响[J]. 气象与环境学报, 2013, 29(5): 154-158.
[8]	吴杞平,王树雄,李燕,刘晓初,赵胜利. 2004-2009年大连地区短时暴雨分析预报[J]. 气象与环境学报, 2012, 28(2): 71-76.
[9]	丛菁,孙立娟. 大连市负氧离子浓度分布及预测模型的建立[J]. 气象与环境学报, 2010, 26(4): 44-47.
[10]	张淑杰李广霞张玉书吴微微武晋雯. 玉米螟越冬死亡率的气象条件及其预报模型研究[J]. 气象与环境学报, 2008, 24(6): 34-38.
[11]	何平,毕伯钧,魏军. 本溪地区土壤水分盈亏与农业干旱关系的研究[J]. 气象与环境学报, 2005, 21(2): 9-10.
[12]	刘景利,张丽华,史奎桥,周丽坤,杨扬,高伟,张昊. 1985～2002年锦州耕地土壤水分状况变化分析 [J]. 气象与环境学报, 2005, 21(2): 11-13.
[13]	张丹梅. 阜新地区寒潮天气分析和预报模式检验[J]. 气象与环境学报, 2002, 18(2): 8-9.
[14]	张彩凤,刘桂琴 . 大连地区冰雹预报业务系统[J]. 气象与环境学报, 1999, 15(1): 14-15.