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
1.
2.
3.
4.
5.
Remotely Sensed Retrieving the Surface Soil Moisture of Yan’an Urban Forest based on Landsat Image and Trapezoid Method
1.
2.
3.
4.
5.
通讯作者:
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: |
|
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:
关键词:
Keywords:
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.
Zhang Xinping, Qiao Zhi, Li Hao, Yan Jie, Zhang Fangfang, Zhao Dongfeng, Wang Dexiang, Kang Haibin, Yang Hang, Feng Yang.
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:
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
卫星(传感器) | 日期 | 模型 | 干燥边界 | 湿润边界 | ||||
---|---|---|---|---|---|---|---|---|
id | sd | R2 | iw | sw | R2 | |||
L5(TM) | 1995-06-08 | TOTRAM | 313.90 | -6.90 | 0.812 3 | 298.20 | -3.30 | 0.907 2 |
(10:25 a.m.) | OPTRAM | 0.15 | 1.15 | 0.953 8 | 1.15 | 2.95 | 0.935 6 | |
L7(ETM+) | 2001-05-31 | TOTRAM | 327.65 | -25.15 | 0.912 6 | 307.80 | -14.95 | 0.706 2 |
(11:09 a.m.) | OPTRAM | -0.10 | 2.78 | 0.793 8 | 0.70 | 6.02 | 0.950 0 | |
L8(OLI&TIRS) | 2015-07-01 | TOTRAM | 314.45 | -4.75 | 0.574 6 | 309.30 | -12.15 | 0.758 5 |
(11:18 a.m.) | OPTRAM | 0.15 | 2.55 | 0.791 4 | 1.25 | 8.55 | 0.801 5 |
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。
3.2 TOTRAM模型反演土壤表层湿度算法
3.2.1 TOTRAM模型
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:
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]。
3.2.3 地表温度(LST)
3.3 OPTRAM模型反演土壤表层湿度算法
3.3.1 OPTRAM模型
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:
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
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
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,
4 结果与分析
4.1 模型参数
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
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 0x4 | 0.977 5 |
湿润边界 | y=302.832 9-14.042 2x+106.471 7x2-244.677 6x3+149.357 9x4 | 0.982 8 | ||
L7 | OPTRAM (x=NDVI) | 干燥边界 | y=0.993 3-12.763 1x+70.953 1x2-128.957 4x3+82.146 5x4 | 0.972 2 |
湿润边界 | y=0.044 9+21.923 2x-83.412 7x2+156.310 0x3-87.360 2x4 | 0.996 0 | ||
L8 | TOTRAM (x=NDVI) | 干燥边界 | y=317.182 8-44.295 1x+197.230 6x2-325.459 7x3+156.739 9x4 | 0.649 7 |
湿润边界 | y=304.781 3+39.125 8x-265.385 1x2+567.742 2x3-412.209 7x4 | 0.852 4 | ||
L8 | OPTRAM (x=NDVI) | 干燥边界 | y=0.179 2+1.727 8x+7.473 8x2-29.221 2x3+31.030 1x4 | 0.760 3 |
湿润边界 | y=2.220 9-9.448 2x+76.920 1x2-180.963 7x3+151.225 9x4 | 0.960 3 |
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和图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和图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
MARMIT: A Multilayer Radiative Transfer Model of Soil Reflectance to Estimate Surface Soil Moisture Content in The Solar Domain (400~2500 nm)
[J]. ,
State of the Art in Large-Scale Soil Moisture Monitoring
[J]. ,
Utilizing Satellite Surface Soil Moisture Data in Calibrating a Distributed Hydrological Model Applied in Humid Regions Through a Multi-Objective Bayesian Hierarchical Framework
[J]. ,
The Significance and Approaches of Urban Forest Construction
[J]. ,张庆费,徐绒娣
城市森林建设的意义和途径探讨
[J]. ,
On Establishing the Great Canal Regional Ecological Infrastructure: Strategy and Approaches
[J]. ,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]. ,
A Community of Common Environment for City Cluster and Strategy of Urban Forest Construction in China
[J]. ,王成
中国城市生态环境共同体与城市森林建设策略
[J]. ,
Predicting Near-surface Moisture Content of Saline Soils from Near-infrared Reflectance Spectra with a Modified Gaussian Model
[J]. ,
The Optical Trapezoid Model: A Novel Approach to Remote Sensing of Soil Moisture Applied to Sentinel-2 and Landsat-8 Observations
[J]. ,
A New Method for Estimating of Evapotranspiration and Surface Soil Moisture from Optical and Thermal Infrared Measurements: The Simplified Triangle
[J]. ,
Soil Moisture Remote Sensing: State-of-the-Science
[J]. ,
A New Empirical Model for Radar Scattering from Bare Soil Surfaces
[J]. ,
Soil Moisture Retrieval over Irrigated Grassland Using X-Band Sar Data
[J]. ,
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]. ,
Developing Satellite-Derived Estimates of Surface Moisture Status
[J]. ,
An Overview of the "Triangle Method" for Estimating Surface Evapotranspiration and Soil Moisture from Satellite Imagery
[J]. ,
Estimation of Soil Moisture Using Optical/Thermal Infrared Remote Sensing in the Canadian Prairies
[J]. ,
A Linear Physically-Based Model for Remote Sensing of Soil Moisture Using Short Wave Infrared Bands
[J]. ,
Research Progress on Soil Moisture Temporal Stability
[J]. ,土壤水分时间稳定性研究进展
[J]. ,
Relationships between Soil Barenss and Landscape Pattern in the Loess Plateau: A Case Studies on the Tower Region of the Yan’an City
[J]. ,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]. ,
Automatic Recognition of Loess Landforms Using Random Forest Method
[J]. ,
Automated Water Extraction Index: A New Technique for Surface Water Mapping Using Landsat Imagery
[J]. ,
Soil Moisture Estimation Using Land Surface Temperature and Soil Temperature at 5 cm Depth
[J]. ,
Land Surface Temperature Patterns in the Urban Agglomeration of Krakow (Poland) Derived from Landsat-7/ETM+ Data
[J]. ,
A Generalized Single-Channel Method for Retrieving Land Surface Temperature from Remote Sensing Data
[J]. ,
Atmospheric Water Vapor Retrieval from Landsat-8 TIRS Data Using Split-window Algorithm
[J]. ,基于Landsat 8 TIRS数据的大气水汽含量反演劈窗算法
[J].,
Towards An Operational Method For Land Surface Temperature Retrieval from Landsat 8 Data
[J]. ,
Retrieval of the Reflectance and Land Surface Temperature of the Newly-Landsat 8 Satellite
[J]. ,徐涵秋
新型Landsat8卫星影像的反射率和地表温度反演
[J]. ,
ENVI Remote Sensing Image Processing Method
[M].ENVI遥感图像处理方法
[M].
Image-based Atmospheric Corrections-Revisited and Improved
[M]. ,
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]. ,
A Practical Single-Channel Algorithm for Land Surface Temperature Retrieval: Application to Landsat Series Data
[J]. ,
NDVI-based Split-Window Algorithm for Precipitable Water Vapour Retrieval from Landsat-8 TIRS Data over Land Area
[J]. ,
Indicator-based Soil Moisture Monitoring of Wetlands by Utilizing Sentinel and Landsat Remote Sensing Data
[J]. , ,
Spatial Prediction of Soil Nutrient in a Hilly Area Using Artificial Neural Network Model Combined With Kriging
[J]. ,
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]. ,
Study on Landscape Pattern Dynamics and Driving Forces in Yan'an Urban Forest
[D].张新平. 延安城市森林景观格局动态及驱动力研究
[D]. ,
/
〈 | 〉 |