img

官方微信

遥感技术与应用, 2020, 35(1): 120-131 doi: 10.11873/j.issn.1004-0323.2020.1.0120

土壤水分专栏

基于Landsat影像和不规则梯形方法遥感反演延安城市森林表层土壤水分

张新平,1,2, 乔治2, 李皓2, 闫杰2, 张芳芳3, 赵栋锋1,5, 王得祥,1, 康海斌1, 杨航1, 冯扬4

1. 西北农林科技大学林学院,陕西 杨凌 712100

2. 西安理工大学艺术与设计学院,陕西 西安 710054

3. 陕西省农业广播电视学校 西安市高陵分校, 陕西 西安 710200

4. 西北农林科技大学;风景园林与艺术学院,陕西 杨凌 712100

5. 延安市林业勘察规划设计院,陕西 西安 716000

Remotely Sensed Retrieving the Surface Soil Moisture of Yan’an Urban Forest based on Landsat Image and Trapezoid Method

Zhang Xinping,1,2, Qiao Zhi2, Li Hao2, Yan Jie2, Zhang Fangfang3, Zhao Dongfeng1,5, Wang Dexiang,1, Kang Haibin1, Yang Hang1, Feng Yang4

1. College of Forestry, Northwest A&F University, Yangling 712100, China

2. College of Art and Design, Xi’an University of Technology, Xi’an 710054, China

3. Branch School of Gaoling District Xi’an City, Shaanxi Agricultural Broadcasting and Television School, Xi’an 710200, China

4. College of Landscape Architecture and Arts, Northwest A&F University, Yangling 712100, China

5. Yan'an Forestry Survey Planning and Design Institute, Yan'an 716000, China

通讯作者: 王得祥(1966-),男,青海乐都人,教授,博士生导师,主要从事森林生态与森林可持续经营研究。E⁃mail: wangdx66@sohu.com

收稿日期: 2018-08-16   修回日期: 2020-02-20   网络出版日期: 2020-03-25

基金资助: 国家“十二五”科技支撑计划课题 “环境友好型城镇景观林构建技术研究与示范”.  2015BAD07B06
国家自然科学基金项目“秦岭松栎林建群种更新格局对种子扩散过程及影响因素的响应”.  31470644
文化部文化艺术研究项目“西北地区工业遗产型产业园地域文化创意因子植入及景观活化研究”.  17DH17
教育部人文社科青年基金项目“工业遗产型创意产业园文化传承及地域认同研究:内涵重塑、业态培育、主题营造”.  18YJC760063
陕西省社科界重大理论与现实问题研究项目“基于生态视角的陕西关中地区农村人居环境建设模式研究”.  20192097

Received: 2018-08-16   Revised: 2020-02-20   Online: 2020-03-25

作者简介 About authors

张新平(1981-),男,陕西柞水人,讲师,博士,主要从事景观规划与遥感监测研究E⁃mail:jhonxinping81@nwsuaf.edu.cn , E-mail:jhonxinping81@nwsuaf.edu.cn

摘要

反演模型对土壤水分评估结果有重要影响,基于此,以黄土沟壑区城市森林表层土壤为研究对象,以3期Landsat影像和实地土壤水分传感器测定数据为数据源,分别通过像元在二维空间(LST-NDVI与STR-NDVI,LST为地表温度,NDVI为归一化植被指数,STR为短波红外转换反射系数)中的散点图及其拟合的干燥边界与湿润边界,获取TOTRAM(热学—光学不规则梯形模型)和OPTRAM(光学不规则梯形模型)的参数,然后在像素水平上(30 m×30 m)反演出延安城市森林表层土壤水分(W),验证两模型的精度,并比较两模型估算结果的差异及线性边界与非线性边界对反演结果的影响。结果发现:①除OPTRAM 模型在Landsat 7和Landsat 8上干湿边界呈现非线性外,像素在LST-NDVI空间和STR—NDVI空间中的干湿边界均呈线性,且包络成不规则梯形形状;②与实地测定数据相比,TOTRAM与OPTRAM两模型的平均误差(ME)分别为0.009和0.0455,表明两模型估算结果均偏高,但OPTRAM模型的均方根误差(RMSE)较TOTRAM模型更接近0。OPTRAM模型估算的W值均匀地分布在1∶1参考线两侧,且位于参考线上的点数多于TOTRAM模型,表明OPTRAM准确度高于TOTRAM模型,且非线性边界的反演精度高于线性边界;③与TOTRAM模型相比,OPTRAM模型估算出的W空间分异规律与土地利用/覆被类型具有较高的相关性,且OPTRAM模型对植被覆盖度极低的区域敏感。因此,在后续研究中,应在OPTRAM模型中探讨干湿边界复杂性与模型准确性改善之间的关系,同时考虑周围环境、降雨量、森林干扰和NDVI饱和等因素对两模型估算准确性的影响。

关键词: 归一化植被指数 ; 土壤湿度 ; 卫星遥感 ; 地表温度 ; 地表反射率

Abstract

It is crucial for soil moisture assessment to know the prediction accuracy of inversion model. Urban forest surface soil in a gully-loess region (Yan’an), was taken as the research object, and the three scenes of Landsat satellite remotely sensed imagery in different periods and soil moisture sensor in situ measurement data were used as the data source. The parameters of TOTRAM (Thermal-Optical TRApezoid Model) and OPTRAM (OPtical TRApezoid Model) were obtained through the scatter diagram of pixels in two-dimensional spaces (LST-NDVI and STR-NDVI, LSTis land surface temperature,NDVIis normalized vegetation index, and STR is shortwave infrared conversion reflection coefficient) and their fitting dry edge and wet edge, respectively. Then, the w values (soil moisture in percentage) of Yan’an urban forest were retrieved at the pixel level (30 m by 30 m), the accuracy of the two models was verified, the differences between the estimated results of the two models, and the influence of linear and nonlinear edge on the inversion results were compared. The results indicate that: (1) Except that the dry edge and wet edge of OPTRAM models on Landsat 7 and Landsat 8 were non-linear, the other dry and wet edges of pixels in LST-NDVI space and STR-NDVI space are almost linear and enveloped into a trapezoid shape. (2) Compared with the field measurement data, the mean error (ME) of TOTRAM and OPTRAM were 0.009 and 0.045 5, respectively, which indicating that the estimation results of both models were relatively high, but the root mean square error (RMSE) of the OPTRAM model was closer to zero than the TOTRAM model. The value of w estimated by the OPTRAM model is evenly distributed on both sides of the 1∶1 reference line, and the number of points on the reference line is more than that of the TOTRAM model in scatterplots, indicating that the accuracy of OPTRAM is higher than that of the TOTRAM model, moreover, the inversion precision of nonlinear edge is higher than that of linear edge. Thus, in further research, the relationship between the complexity of the dry edge and wet edge and the model’s accuracy improvement should be discussed in the OPTRAM model, and the influences of surrounding environment, rainfall, forest disturbance and NDVI saturation on the estimation accuracy of the two models need to be considered.

Keywords: Normalized Difference Vegetation Index (NDVI) ; Soil moisture ; Satellite remote sensing ; Land surface temperature ; Surface reflectance

PDF (11764KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张新平, 乔治, 李皓, 闫杰, 张芳芳, 赵栋锋, 王得祥, 康海斌, 杨航, 冯扬. 基于Landsat影像和不规则梯形方法遥感反演延安城市森林表层土壤水分. 遥感技术与应用[J], 2020, 35(1): 120-131 doi:10.11873/j.issn.1004-0323.2020.1.0120

Zhang Xinping, Qiao Zhi, Li Hao, Yan Jie, Zhang Fangfang, Zhao Dongfeng, Wang Dexiang, Kang Haibin, Yang Hang, Feng Yang. Remotely Sensed Retrieving the Surface Soil Moisture of Yan’an Urban Forest based on Landsat Image and Trapezoid Method. Remote Sensing Technology and Application[J], 2020, 35(1): 120-131 doi:10.11873/j.issn.1004-0323.2020.1.0120

1 引 言

土壤含水量评估在农业、水文、微气象、国防、土木工程和其他环境领域中至关重要[1]。地球表面湿度极端的时空变化,控制着径流、入渗和蒸发等基本的水文化过程[2]。表层土壤水分(0~5 cm)是影响土地表面与大气过程间相互作用的重要水文变量[3],强烈地控制着能量在显热通量与和潜热通量之间的分配。城市森林是城市生态系统的主体[4]和重要保障[5],具有固碳释氧、固土保肥、节约能源、改善空气质量、美学感受、休闲游憩、生物多样性保护、健康疗养等诸多生态功能与生态服务。表层土壤水分是城市森林树木生长的重要环境因子,量化表层土壤水分时空变化规律,有助于城市森林的动态管理[6]。由于土壤光学反射、热量释放、微波散射等均与土壤水分含量具有高度的相关性,为遥感监测地表土壤水分提供了科学前提[7,8]。目前土壤水分遥感监测方法主要有光学、热红外和微波3种[9,10]。目前,通过微波卫星数据反演土壤水分常用的方法有物理模型(例如Dubois模型[11])、统计模型(例如多层感知器神经网络[12]),统计模型需要特定地点的校准来模拟雷达配置(频率、极化、入射角)和反向散射系数,从而实现土壤参数的反演,而物理模型则不需要特定地点的校准[13]。尽管近年来雷达微波技术有了快速发展,尤其是TerraSAR(陆地合成孔径雷达卫星),雷达微波数据具有较高的时空分辨率(例如,3 d/0.5 m)且可以直接地与土壤水分建立关系,然而,雷达数据对表面粗糙度的影响高度敏感,克服这一缺陷,通常需要用现场实测数据进行校准且存在饱和问题。基于热红外数据反演土壤水分存在以下缺陷:①当输入能量有限时,热量与土壤水分的关系比较微弱;②在阴天和夜间不能使用;③时间分辨率较低(8 d及其以上)[13]

不规则梯形(Trapezoid)模型是应用光学和热学数据遥感监测土壤水分应用最广泛的方法之一,目前有两种模型:①热学-光学不规则梯形模型(Thermal-Optical TRAapezoid Model,TOTRAM),该模型以解释像元在LST-VI空间中的分布为依据,其中LST为地表温度,VI是一个基于遥感的植被指数,通常为NDVI(归一化植被指数)。Nemani等[14]于1993年首次利用LST-VI空间估算了表层土壤水分和实际蒸散[14]。如果存在足够大数量的像素,并且剔除掉其中的云和地表水体像素,那么这些像素就会包络成一个三角形或不规则梯形[15]。TOTRAM模型主要依赖于光学和热红外卫星的遥感观测,不需要辅助的大气的和地表数据,使得其容易实现参数化 [16]。在过去的20 a间,这一方法已经成功应用于估算表层土壤水分[5,14,17]。近年来,学术界提出了几个关于传统不规则梯形模型修正的方法。Rahimzadeh-Bajgiran为了改善TOTRAM模型的精度,在假定土壤水分与LST呈线性关系的原始模型中,引入了土壤水分与LST呈非线性关系[17];随后,Shafian 和Maas通过用热红外波段的原始亮度值取代LST来进一步简化TOTRAM模型;②基于土壤水分与短波红外转换的反射率(STR)之间物理关系的不规则梯形模型,即OPTRAM(OPtical TRAapezoid Model)[16,18]。OPTRAM模型在一定程度可以解决TOTRAM模型依赖经验的局限性[8]。然而,关于OPTRAM模型与TOTRAM模型在反演森林表层土壤水分的比较研究未见报道。

本研究基于OPTRAM模型与TOTRAM模型,以延安城市森林表层土壤为研究对象,运用Landsat 系列卫星观测数据,反演延安城市森林表层土壤水分,并通过实测数据和相关辅助数据验证和比较两个模型及干湿边拟合方法在量化表层土壤水分中的可靠性和差异性。研究结果将为监测表层土壤水分时空动态提供理论启示和实践参考。

2 研究区和数据

2.1 研究区概况

延安城市森林位于陕西省北部延安市腹地,地处黄土高原丘陵沟壑区,是黄河中游水土流失最为严重的区域之一,地理范围为:36°11′13.89″~36°45′53.45″N,109°11′13.89″~109°46′57.09″E,涵盖延安市宝塔区的9个乡镇,即河庄坪镇、枣园镇、李渠镇、姚店镇、柳林镇、桥儿沟镇、南泥湾镇、川口乡和万花山乡(图1),面积1 545.05 km2,占宝塔区总面积的43.57 %。森林地处西北内陆干旱半湿润区,地势西北高而东南低,高程介于900~1 460 m之间,年均降水量500 mm,年均水面蒸发量996 mm,年均气温9.2 ℃,属于暖温带-中温带过渡区的大陆性季风气候。境内水系有2个主流域组成,分别为延河流域(包含西沟、丰富川、西川河、杜甫川、南川河、马寺川和延河)和汾川河流域(九龙泉沟和瓦渣河),年均径流量约为7.41×107 m3,水资源相对贫乏[19]。该区域土壤以黄绵土为主,土层厚度介于50~200 m,土壤母质为第四纪黄土[20]。由于延安市为典型的沟壑型城市,建成区沿着谷地分布,使得延安城市森林被分割成城郊森林、城区绿地和行道树3大类。本研究中,以不透水面为主的建设用地区域,在反演土壤表层土壤水分时,假设该区域的表层土壤水分含量为0,故在反演表层土壤含水量和实地取样验证时,均将建设用地区排除在外。

图1

图1   延安城市森林现状图及表层土壤水分实测样点

Fig.1   Status map of Yan'an urban forest and measured sample sites of surface soil moisture


2.2 数据来源

选用全球公开且连续观测能力强的多光谱卫星数据,即美国宇航局的Landsat系列卫星,Landsat 5(L5),Landsat 7(L7)和Landsat 8(L8),数据的获取网址为:http://glovis.usgs.gov,所获取的3期影像(表1)均无云层覆盖,且为Level 1T产品,已经过几何校正,经检查,3景影像地理位置叠加准确,因此无需几何校正。在2015年6月27日至7月5日(天气晴朗,与同期的L8过境条件相近),利用土壤水分传感器(由杨凌乾泰电子科技公司生产)对空间均布的95个样点(图1)进行表层(0~5 cm)土壤水分测定,并对95个样点的表层土壤水分实测数据进行极差归一化,作为比较TOTRAM与OPTRAM两模型精度的验证数据。

表1   基于延安城市森林的Landsat系列卫星数据获取的TOTRAM与OPTRAM模型的参数(线性边界)

Table 1  TOTRAM and OPTRAM parameters obtained for the Yan’an urban forest based on Landsat series satellite data (Linear edges)

卫星(传感器)日期模型干燥边界湿润边界
idsdR2iwswR2
L5(TM)1995-06-08TOTRAM313.90-6.900.812 3298.20-3.300.907 2
(10:25 a.m.)OPTRAM0.151.150.953 81.152.950.935 6
L7(ETM+)2001-05-31TOTRAM327.65-25.150.912 6307.80-14.950.706 2
(11:09 a.m.)OPTRAM-0.102.780.793 80.706.020.950 0
L8(OLI&TIRS)2015-07-01TOTRAM314.45-4.750.574 6309.30-12.150.758 5
(11:18 a.m.)OPTRAM0.152.550.791 41.258.550.801 5

新窗口打开| 下载CSV


3 研究方法

3.1 水体的剔除

由于TOTRAM模型与OPTRAM模型对湿度过度饱和的像元比较敏感,所以待评估区域中不应含有滞留的水域(standing water)[8,15]。本研究借鉴Feyisa等2014年提出的自动的水体提取指数(Automated Water Extraction Index,AWEI),依据公式(1)和(2)通过不同波段的组合运算,最大化地区分水体和非水体像素。

AWEInsh=4×(Green-SWINR1)-(0.25×NIR+2.75×           SWINR2)

其中:AWEInsh为一个有效地消除城市背景中非水体(含暗色的建筑表面)像素的指数。在不受阴影影响的区域,使用AWEInsh指数可以强健而准确地分离出水体和非水体[21]。公式(1)中Blue、Green、NIR、SWINR1和SWINR2分别代表蓝波段、绿波段、红波段、近红外波段、短红外波段1和短红外波段2的大气校正后的表观反射率[21]。本研究中,主要水体的分离精度主要受城市区高反射率的彩钢瓦屋面(蓝色)影响,使用AWEInsh指数来分离水体,以同期高分辨率Google Earth TM和土地利用现状图设定为阈值,像元值低于该阈值的区域为非水体,像元值高于该阈值的区域则为水体[21]

3.2 TOTRAM模型反演土壤表层湿度算法

3.2.1 TOTRAM模型

W=LSTd-LSTLSTd-LSTw

公式(2)中,W为被当地最小的干燥土壤水分含量所归一化的土壤水分含量,LST为地表温度,LSTd, LSTw分别为干燥边界和湿润边界,在LST⁃NDVI空间中的拟合成以NDVI(归一化植被指数)表示的直线或曲线。对于线性干湿边界,表层土壤水分(W)也可以用公式3表示:

W=id+sdNDVI-LSTid-iw+(sd-s)NDVIw

其中:id, sd分别为干燥边界在LST⁃NDVI空间中的截距和斜率,iw, sw分别为湿润边界在LST-NDVI空间中的截距和斜率(图2(a))。非线性干湿边界采用公式(2)。TOTRAM模型与OPTRAM模型梯形矩阵散点图的呈现与相关参数的提取在ENVI 5.3中的Display/2D Scatter plot中完成。

图2

图2   反演表层土壤水分的TOTRAM与OPTRAM模型参数概念图

Fig. 2   Conceptual diagrams illustrating parameters of the traditional thermal-optical trapezoid model (TOTRAM) and the new optical trapezoid model (OPTRAM) for the retrival of surface soil moisture


3.2.2 归一化植被指数(NDVI)

NDVI与植物生物量、叶面积指数(LAI)和植被覆盖度均有密切的关系,是使用最广泛的植被指数[22]

NDVI=(NIR-Red)/(NIR+Red)

3.2.3 地表温度(LST)

本研究中,地表温度通过Landsat卫星的热红外波段反演得到,其中TM-6和ETM+ -61/62采用单通道算法[23];TIRS-10/11采用广义单通道算法[24]与劈裂窗协方差—方差比率(SWCVR)[25]相结合的算法[26,27];影像的预处理主要为辐射定标和大气校正,采用Landsat用户手册的模型和FLAASH大气校正模型[26,27]将所有影像的亮度值(DN)转换为大气顶部传感器处反射率(at-sensor reflectance)。

LST=γε-1[ψ1(GainDN+Offset)+ψ2]+ψ3+δ

其中:DN为Landsat卫星的热红外波段的数字量化值,GainOffset分别为增益与偏置值,可以从Landsat影像头文件中获得,ε为地表比辐射率,ψ1 ψ2ψ3为大气参数,γδ为中间反演参数,这些参数具体的计算过程参照相关的文献[23,27,30,31,32]

3.3 OPTRAM模型反演土壤表层湿度算法
3.3.1 OPTRAM模型
W=STR-STRdSTRw-STRd

其中:W为被当地最小的干燥土壤水分含量所归一化的土壤水分含量,STR为短波红外转换反射系数,STRd,STRw分别为干燥边界和湿润边界,在STR⁃NDVI空间中的拟合成以NDVI表示的直线或曲线。对于线性干湿边界,表层土壤水分(W)也可以用公式(7)表示:

W=id+sdNDVI-STRid-iw+(sd-s)NDVIw

其中:id, sd分别为干燥边界STR⁃NDVI空间中的截距和斜率,iw, sw分别为湿润边界在STR⁃NDVI空间中的截距和斜率(图2(b))。

3.3.2 短波红外转换反射系数
STR=(1-SWINR2)22SWINR2

其中:SWINR2代表短波近红外波段2(2 080~2 350 nm)的大气校正后的表观反射率。

3.4 估算精度评价

在2015年6月27至7月8日(连续晴天,上午)利用土壤湿度传感器测量的表层土壤相对含水量数据(cm3/cm3)为参照,借助估算模型精度评价指标[7,33],即平均误差(ME)、平均相对误差(MRE)和均方根误差(RMSE)比较TOTRAM与OPTRAM在估算表层土壤水分中的效能差异。

ME=1mj=km(Zk-Ẑk)
MRE=1mk=1mZk-ẐkZk×100
RMSE=1mk=1m(Zk-Ẑk)2

其中:m 为土壤水分测定样点数目,Zk 为第k个样点的土壤水分测定值,Ẑk为为第k个样点的土壤水分估算值。ME是对模型偏差的度量,其正值表示高估,负值则表示低估,对于无偏差的方法,它应该接近0。MRE与 RMSE是对模型估算精度的度量,理论上,它们越低越好。

4 结果与分析

4.1 模型参数

表1列出了以上两个模型的相关参数,即干燥边界的截距(id)与斜率(sd)、湿润边界的截距(iw)与斜率(sw)。表2呈现了L7与L8的非线性边界的拟合方程。

表2   基于延安城市森林的Landsat系列卫星数据获取的TOTRAM与OPTRAM模型的参数(非线性边界)

Table 2  TOTRAM and OPTRAM parameters obtained for the Yan’an urban forest based on Landsat series satellite data (Nonlinear edges)

卫星模型边界类型曲线方程R2
L7

TOTRAM

(x=NDVI)

干燥边界y=317.903 1+69.034 2x-317.974 0x2+476.945 9x3-268.520 0x40.977 5
湿润边界y=302.832 9-14.042 2x+106.471 7x2-244.677 6x3+149.357 9x40.982 8
L7

OPTRAM

(x=NDVI)

干燥边界y=0.993 3-12.763 1x+70.953 1x2-128.957 4x3+82.146 5x40.972 2
湿润边界y=0.044 9+21.923 2x-83.412 7x2+156.310 0x3-87.360 2x40.996 0
L8

TOTRAM

(x=NDVI)

干燥边界y=317.182 8-44.295 1x+197.230 6x2-325.459 7x3+156.739 9x40.649 7
湿润边界y=304.781 3+39.125 8x-265.385 1x2+567.742 2x3-412.209 7x40.852 4
L8

OPTRAM

(x=NDVI)

干燥边界y=0.179 2+1.727 8x+7.473 8x2-29.221 2x3+31.030 1x40.760 3
湿润边界y=2.220 9-9.448 2x+76.920 1x2-180.963 7x3+151.225 9x40.960 3

新窗口打开| 下载CSV


图3呈现了3期Landsat影像的像元在LST-NDVI与STR-NDVI空间中的分布,并描绘了相应的TOTRAM模型与OPTRAM模型的相关参数视觉匹配。尽管干湿边界不是完美的线性,除OPTRAM 模型在Landsat 7和Landsat 8上干湿边界呈现非线性外(图3(d)和3(f)),其余数情况下,像素在LST⁃NDVI空间和STR⁃NDVI空间中的干湿边界均呈线性,且包络成不规则梯形形状。

图3

图3   三期影像在STR-NDVI (OPTRAM) 和LST-NDVI (TOTRAM)空间中的像元分布图

Fig.3   Pixel distributions within the STR-NDVI (OPTRAM) and LST-NDVI (TOTRAM) spaces for three images


4.2 总体精度

4.2.1 模型的验证

图4表明,与实地测定数据相比,基于线性干湿边界(蓝色圆圈),TOTRAM模型与OPTRAM模型反演的2015年7月1日上午(11:18)表层土壤水分含量的平均误差(ME)分别为0.009和0.046,表明两模型估算的结果均偏高。但OPTRAM模型的均方根误差(RMSE)较TOTRAM模型更接近0,且从散点图上看,OPTRAM模型估算的表层土壤水分相对均衡地分布在1∶1参考线(灰色对角线)两侧,且落参考线上的点数目多于TOTRAM模型估算的结果(图4(b)),表明OPTRAM准确度高于TOTRAM模型,但其预测结果低于实测结果。基于非线性干湿边界(红色叉号),TOTRAM模型与OPTRAM模型反演的表层土壤水分含量的平均误差(ME)与均方根误差(RMSE)均低于相应的TOTRAM模型反演的结果。故,在同一个不规则梯形模型(TOTRAM或OPTRAM)中,非线性边界优于线性边界。

图4

图4   95个样点表层土壤水分实测数值与两模型估算值的比较

Fig.4   Comparison of estimated surface soil moisture against observed ones at each observation site (n=95)


4.2.2 两模型估算的表层土壤水分二维散点图比较

由OPTRAM模型与TOTRAM模型所估算的表层土壤水分二维散点图(图5)可以看出,在三期(1995-06-08、2001-05-31、2015-07-01)Landsat影像上均表现出相似的规律,土壤水分像元在OPTRAM-TOTRAM空间中,分布均偏右下方,表明OPTRAM模型估算出的W值总体上比TOTRAM模型估算出的W值偏小。

图5

图5   基于OPTRAM and TOTRAM参数化方法生成的三期土壤湿度二维散点图比较

Fig. 5   Comparison of 2D scatter plots of soil moisture based on OPTRAM and TOTRAM parameterization methods


4.3 表层土壤水分时间空间分布及其与土地利用/覆被的关系

图6呈现了3期(1995年6月8日、2001年5月31日、2015年7月1日)分别由TOTRAM与OPTRAM模型的线性边界估算出的延安城市森林表层土壤水分空间分布。从基本统计(平均值±标准偏差)来看, TOTRAM模型估算结果依次为:0.608±0.187,0.483±0.193,0.556±0.218; OPTRAM模型估算结果依次为:0.280±0.194, 0.458±0.270, 0.387±0.210。总体上,TOTRAM模型估算值高于OPTRAM模型估算值,这与图4图5的结果相一致。从空间分布规律看,OPTRAM模型反演出表层土壤水分(W)较TOTRAM模型更接近实际的土地利用/覆被类型,故OPTRAM模型可信度相对较高。即,建设用地与农田的W相对较低,草地的W相对较高,除水体外,森林的W最高。相比TOTRAM模型,OPTRAM模型对植被覆盖度极低的区域敏感,如农田、削山造城区域(图6(i))等,能够准确地识别出这些区域的边界。

图6

图6   基于OPTRAM 与 TOTRAM及线性边界生成的3期延安城市森林土壤水分空间分布图

Fig. 6   Soil moisture maps generated with OPTRAM and TOTRAM based on linear edge for the Yan’an urban forest


图7图8表明,在L7上,OPTRAM模型中,线性边界反演的表层土壤水分高于非线性边界反演的结果;在TOTRAM模型中,非线性边界反演的表层土壤水分略高于线性边界反演的结果。在L8上,线性边界反演的表层土壤水分在OPTRAM模型与TOTRAM模型中均高于非线性边界反演的结果。综合图4图5(c)、图7(c)和7(d),建议在Landsat 8上采用OPTRAM模型的非线性边界反演方法。

图7

图7   基于OPTRAM 与 TOTRAM及非线性边界生成的2期延安城市森林土壤水分空间分布图

Fig. 7   Soil moisture maps generated with OPTRAM and TOTRAM based on nonlinear edges for the Yan’an urban forest


图8

图8   线性边界和非线性边界反演的表层土壤水分比较

Fig. 8   Comparison of surface soil moisture between linear and nonlinear edge inversion


5 讨 论

5.1 OPTRAM模型与TOTRAM模型遥感估算表层土壤水分的差异性

Landsat 7和Landsat 8影像的像元在STR-NDVI空间中的分布形成的不规则四边形,其边界不是完美的线性(图3)。这主要由于以下两个原因造成的:①NDVI在植被茂密区易出现饱和;②土壤水分与STR和植被密集区(如,NDVI>0.6)高度相关[8]。Landsat 5和Landsat 7的像元在LST⁃NDVI空间中的呈现平行线型的离散分布,表明LST依赖于周围环境因子,包括土壤水分和植被指数,也暗示出获取TOTRAM模型通用的参数是不可能的。这一现象在OPTRAM模型中表现不明显。非线性边界中LST依赖于周围因子也依然存在,只不过是,非线性边界可以在一定程度上考虑到周围因子对LST的影响[34]

OPTRAM与TOTRAM模型是基于土壤含水量(W)与LST和STR呈线性关系,且干燥边界与湿润边界均是线性的这一假设。然而,图3中非线性的干燥边界或湿润边界,表明这些假设的关系也不准确,正如Mallick等在TOTRAM模型中进行了线性边界和非线性边界的评估[35,36],在后续的研究中,需要深入地开展线性边界和非线性边界的评估研究,特别是要评估更复杂边界需要考虑到何种程度才能改善模型的准确性。正如上述所讨论的一样,图4的误差有如下确定的来源:①遥感和测量深度之间的差异,尤其是裸地;②周围环境条件对TOTRAM模型中LST的影响;③地表粗糙度造成的阴影对OPTRAM模型中STR的影响;④其他潜在误差来源。

5.2 表层土壤水分与降雨量、NDVI及森林干扰指数之间的时空关系

综合图6图7图9可以看出,年降雨量、夏季NDVI与森林干扰的年际变化均在时间和空间上影响着延安城市森林表层土壤水分。研究区南部区域(南泥湾镇),年均降雨量明显高于北部区域,且距离城区相对较远(20 km以上),植被受人为干扰较小,加之政府部门的大力保护,使得南泥湾镇保存着大面积的天然林,植被生长茂盛,NDVI较高,林下地表残存大量的枯落物、其平均厚度在5 cm以上,这些条件有力地保存了南部区域的土壤表层水分。相反,年降雨量相对稀少、植被以人工幼林为主的北部区域,林下地表枯落物相对较少,不利于地表土壤水分的截获和保存,因此,北部区域的表层土壤水分相对较低。1995~2015年间,研究区的森林干扰因素主要为石油开采、放牧、新区建设和强降雨所致的滑坡,这些因素破坏地表植被,会产生部分裸地,在相同条件下,裸地位点的表层土壤水分一般显著低于其他位点。

图9

图9   1995~2015年年均降雨量、夏季NDVI与森林干扰指数年变化趋势分空间分布图[37]

Fig. 9   The spatial distribution maps for mean annual precipitation, the annual variations of NDVI and forest disturbance index in summer, from 1995 to 2015


6 结 语

本研究以黄土沟壑区城市森林为研究对象,以Landsat系列卫星影像为数据源,在两个经典的表层土壤水分反演模型(OPTRAM与TOTRAM)中开展了比较研究,进而分析了线性干湿边界与非线性干湿边界对其各自结果反演结果的影响情况。主要得到以下结论:①OPTRAM模型优于TOTRAM模型,且非线性边界的反演精度高于线性边界;②后续研究需要在表层土壤水分反演模型中融入环境因子、植被状况、地形条件和气候因素的变量,实现森林土壤水分的精准定量。

参考文献

Bablet A , Vu P V H , Jacquemoud S , et al .

MARMIT: A Multilayer Radiative Transfer Model of Soil Reflectance to Estimate Surface Soil Moisture Content in The Solar Domain (400~2500 nm)

[J]. Remote Sensing of Environment, 2018, 217:1-17.

[本文引用: 1]

Ochsner T E , Cosh M H , Cuenca R H , et al .

State of the Art in Large-Scale Soil Moisture Monitoring

[J]. Soil Science Society of America Journal, 2013, 77:1888.doi:10.2136/sssaj2013.03.0093 .

[本文引用: 1]

Yang H , Xiong L H , Ma Q M .

Utilizing Satellite Surface Soil Moisture Data in Calibrating a Distributed Hydrological Model Applied in Humid Regions Through a Multi-Objective Bayesian Hierarchical Framework

[J]. Remote Sensing, 2019, 11(11):1335.doi:10.3390/rs11111335 .

[本文引用: 1]

Zhang Qingfei , Xu Rongdi .

The Significance and Approaches of Urban Forest Construction

[J]. Discovery of Nature, 1999, 18: 82-86.

张庆费,徐绒娣

城市森林建设的意义和途径探讨

[J]. 大自然探索, 1999, 18:82-86.

[本文引用: 1]

Yu Kongjian , Li Dihua , Li Wei .

On Establishing the Great Canal Regional Ecological Infrastructure: Strategy and Approaches

[J]. Progress in Geography, 2004, 23: 1-12.

俞孔坚,李迪华,李伟

论大运河区域生态基础设施战略和实施途径

[J]. 地理科学进展, 2004, 23: 1-12.

[本文引用: 2]

Wang Cheng .

A Community of Common Environment for City Cluster and Strategy of Urban Forest Construction in China

[J]. Journal of Chinese Urban Forestry, 2016, 14:1-7.

王成

中国城市生态环境共同体与城市森林建设策略

[J]. 中国城市林业, 2016, 14: 1-7.

[本文引用: 1]

Zeng W Z , Xu C , Huang J S , et al .

Predicting Near-surface Moisture Content of Saline Soils from Near-infrared Reflectance Spectra with a Modified Gaussian Model

[J]. Soil Science Society of America Journal, 2016, 80:1496.

[本文引用: 2]

Sadeghi M , Babaeian E , Tuller M , et al .

The Optical Trapezoid Model: A Novel Approach to Remote Sensing of Soil Moisture Applied to Sentinel-2 and Landsat-8 Observations

[J]. Remote Sensing of Environment, 2017, 198:52-68.

[本文引用: 4]

Carlson T N , Petropoulos G P .

A New Method for Estimating of Evapotranspiration and Surface Soil Moisture from Optical and Thermal Infrared Measurements: The Simplified Triangle

[J]. International Journal of Remote Sensing, 2019,40(20):7716-7729.

[本文引用: 1]

Mohanty B P , Cosh M H , Lakshmi V , et al .

Soil Moisture Remote Sensing: State-of-the-Science

[J]. Vadose Zone Journal, 2017, 16(1).doi:10.2136/vzj2016.10.0105 .

[本文引用: 1]

Baghdadi N , Choker M , Zribi M , et al .

A New Empirical Model for Radar Scattering from Bare Soil Surfaces

[J]. Remote Sensing, 2016, 8(11):920.doi:10.3390/rs8110920 .

[本文引用: 1]

Hajj M E , Baghdadi N , Zribi M , et al .

Soil Moisture Retrieval over Irrigated Grassland Using X-Band Sar Data

[J]. Remote Sensing of Environment, 2016, 176:202-218.

[本文引用: 1]

Amazirh A , Merlin O , Er-Raki S , et al .

Retrieving Surface Soil Moisture At High Spatio-temporal Resolution from A Synergy between Sentinel-1 Radar and Landsat Thermal Data: A Study Case over Bare Soil

[J]. Remote Sensing of Environment, 2018, 211:321-337.

[本文引用: 2]

Nemani R , Pierce L , Running S , et al .

Developing Satellite-Derived Estimates of Surface Moisture Status

[J]. Journal of Applied Meteorology, 1993, 32:548-557.

[本文引用: 3]

Carlson T N .

Triangle Models and Misconceptions

[J]. Journal of Applied Remote Sensing, 2013, 3:155-158.

[本文引用: 2]

Carlson T .

An Overview of the "Triangle Method" for Estimating Surface Evapotranspiration and Soil Moisture from Satellite Imagery

[J]. Sensors, 2007, 7:1612-1629.

[本文引用: 2]

Rahimzadeh-Bajgiran P , Berg A A , Champagne C , et al .

Estimation of Soil Moisture Using Optical/Thermal Infrared Remote Sensing in the Canadian Prairies

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 83: 94-103.

[本文引用: 2]

Sadeghi M , Jones S B , Philpot W D .

A Linear Physically-Based Model for Remote Sensing of Soil Moisture Using Short Wave Infrared Bands

[J]. Remote Sensing of Environment, 2015, 164:66-76.

[本文引用: 1]

Lin Pengfei Zhu Xi He Zhibin et al .

Research Progress on Soil Moisture Temporal Stability

[J]. Acta Ecologica Sinica,2018383403-3413.蔺鹏飞,朱喜,何志斌, .

土壤水分时间稳定性研究进展

[J]. 生态学报,2018383403-3413.

[本文引用: 1]

Zhang Xiaofei , Wang Yanglin , Li Zhengguo , et al .

Relationships between Soil Barenss and Landscape Pattern in the Loess Plateau: A Case Studies on the Tower Region of the Yan’an City

[J]. Quaternary Sciences, 2004, 24:709-716.张小飞, 王仰麟, 李正国, .

黄土高原土壤裸露与景观格局关系—以延安市宝塔区为例

[J]. 第四纪研究, 2004, 24:709-716.

[本文引用: 1]

Zhao W F , Xiong L Y , Ding H , et al .

Automatic Recognition of Loess Landforms Using Random Forest Method

[J]. Journal of Mountain Science, 2017, 14:885-897.

[本文引用: 3]

Feyisa G L , Meilby H , Fensholt R , et al .

Automated Water Extraction Index: A New Technique for Surface Water Mapping Using Landsat Imagery

[J]. Remote Sensing of Environment, 2014, 140: 23-35.

[本文引用: 2]

Ghahremanloo M , Mobasheri M R , Amani M .

Soil Moisture Estimation Using Land Surface Temperature and Soil Temperature at 5 cm Depth

[J]. International Journal of Remote Sensing, 2019, 40(1):104-117.

[本文引用: 2]

Walawender J P , Szymanowski M , Hajto M J , et al .

Land Surface Temperature Patterns in the Urban Agglomeration of Krakow (Poland) Derived from Landsat-7/ETM+ Data

[J]. Pure and Applied Geophysics, 2014, 171:913-940.

[本文引用: 1]

Jiménez-Muñoz J C , Sobrino J A .

A Generalized Single-Channel Method for Retrieving Land Surface Temperature from Remote Sensing Data

[J]. Journal of Geophysical Research, 2003, 108.doi:10.1029/2003jd003480 .

[本文引用: 1]

Wang Mengmeng , He Guojin , Zhang Zhaoming , et al .

Atmospheric Water Vapor Retrieval from Landsat-8 TIRS Data Using Split-window Algorithm

[J]. Remote Sensing Technology and Application, 2017,32(1):166-172.王猛猛, 何国金, 张兆明, .

基于Landsat 8 TIRS数据的大气水汽含量反演劈窗算法

[J].遥感技术与应用, 2017,32(1):166-172.].

[本文引用: 2]

Zhang Z , He G , Wang M , et al .

Towards An Operational Method For Land Surface Temperature Retrieval from Landsat 8 Data

[J]. Remote Sensing Letters,2016, 7: 279-288.

[本文引用: 3]

Xu Hanqiu .

Retrieval of the Reflectance and Land Surface Temperature of the Newly-Landsat 8 Satellite

[J]. Chinese Journal of Geophysics, 2015, 58:741-747.

徐涵秋

新型Landsat8卫星影像的反射率和地表温度反演

[J]. 地球物理学报,2015, 58: 741-747.

Deng Shubin , Chen Qiujin , Du Huijian , et al .

ENVI Remote Sensing Image Processing Method

[M]. BeijingHigher Education Press2014.邓书斌,陈秋锦,杜会建, .

ENVI遥感图像处理方法

[M]. 北京高等教育出版社2014.

Chavez P S J .

Image-based Atmospheric Corrections-Revisited and Improved

[M]. Engineering and Remote Sensing, 1996, 62:1025-1036.

[本文引用: 1]

Zhang X P Wang D X Hao H K et al .

Effects of Land Use/Cover Changes and Urban Forest Configuration on Urban Heat Islands in a Loess Hilly Region: Case Study Based on Yan’an City, China

[J]. International Journal of Environmental Research and Public Health, 2017, 14:840.doi:10.3390/ijerph14080840 .

[本文引用: 1]

Wang M M , Zhang Z J , Hu T .

A Practical Single-Channel Algorithm for Land Surface Temperature Retrieval: Application to Landsat Series Data

[J]. Journal of Geophysical Research-Atmospheres, 2019,124(1):299-316.

[本文引用: 1]

Wang M M , He G J , Zhang Z M , et al .

NDVI-based Split-Window Algorithm for Precipitable Water Vapour Retrieval from Landsat-8 TIRS Data over Land Area

[J]. Remote Sensing Letters, 2015, 6:904-913.

[本文引用: 1]

Klinke R , Kuechly H , Frick A , et al .

Indicator-based Soil Moisture Monitoring of Wetlands by Utilizing Sentinel and Landsat Remote Sensing Data

[J]. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 2018,86:71-84.

[本文引用: 1]

Li Q Q , Zhang X , Wang C Q , et al .

Spatial Prediction of Soil Nutrient in a Hilly Area Using Artificial Neural Network Model Combined With Kriging

[J]. Archives of Agronomy and Soil Science, 2016, 62:1541-1553.

[本文引用: 1]

Xia L , Song, X N, Leng P , et al .

A Comparison of Two Methods for Estimating Surface Soil Moisture based on the Triangle Model Using Optical/Thermal Infrared Remote Sensing over the Source Area of the Yellow River

[J]. International Journal of Remote Sensing, 2019, 40 (SI): 2120-2137.

[本文引用: 1]

Zhang Xinping .

Study on Landscape Pattern Dynamics and Driving Forces in Yan'an Urban Forest

[D]. Yangling: Northwest A&F University, 2018.

张新平. 延安城市森林景观格局动态及驱动力研究

[D]. 杨凌: 西北农林科技大学, 2018.

[本文引用: 1]

/