基于中分辨率遥感影像的湿地土壤水分提取方法

文章编号：0439-8114（2015）05-1066-07

DOI：10.14088/j.cnki.issn0439-8114.2015.05.010

Abstract： The two-dimensional feature space between the surface temperatures（Ts）and normalized differential vegetation index （NDVI） was established by using the TM remote sensing images. The dry and wet side equation needed by the method of arid vegetation index was fitted in the feature space with the programming of IDL. The soil moisture condition of Yeyahu wetland was inversed rapidly. The correlation coefficient between inversion results and measured values was 0.860， with root mean square error of 0.1042 and the average absolute error of 0.0845. The results of soil moisture inversion showed that image retrieval accuracy of middle-resolution was better than that of the low-resolution， proving that using temperature vegetation dryness index（TVDI） to invert the wetland soil moisture content on a small scale such as in Wild Duck Lake wetland was feasible.

Key words： TVDI； soil moisture； wetland； TM image

湿地的水文条件创造了湿地独特的物理化学环境，使得湿地生态系统与深水水域生态系统以及排水良好的陆地生态系统有极大的不同。在湿地水文、湿地植被和湿地土壤对湿地的识别中，湿地水文是决定性的因素，它能促成其他两个湿地特征的形成[1]。湿地水文特征在非淹没区重点表现为土壤水分含量，由此可见土壤水分在湿地研究中的重要意义。在湿地土壤水分的相关研究中，关注土壤水分对湿地植被特征分布以及对湿地土壤结构特征和养分变化分布影响的较多[2-4]。在获取湿地土壤水分时，采用野外实测数据居多。随着遥感技术的发展，用遥感方法监测湿地土壤水分将成为一种趋势，可以为湿地的监测和保护提供可靠、准确的面上基础数据。湿地系统的水文特性不同于其他陆上系统的特征，土壤水分数值区间分布相对较宽，在模型的选择上可以利用这一特点，有利于反演精度的提高。

在土壤干湿情况的监测中，相较于以点源数据监测为基础的传统土壤水分监测方法，遥感技术监测土壤水分是用面数据来实时监测，具有时效性高、覆盖范围广、监测结果连续性好等特点。遥感技术主要从可见光-近红外、热红外及微波波段入手，结合一些植被指数、地表温度、后向散射系数、地表粗糙度等变量，建立一定的模型来反映土壤水分含量。微波遥感因为自身特点优越性，在反演土壤水分方面具有一定的优势，但是如何消除地表植被盖度以及地表粗糙度对反演结果的影响依然是当前的一个研究热点和难点[5]。基于光学的遥感检测方法主要是热惯量法和建立在植被指数（NDVI）与地表温度指数（Ts）基础上的方法，其中温度植被干旱指数（TVDI）方法使用较广泛[6]。TVDI方法是建立在NDVI-Ts特征空间基础上的方法，综合了植被指数和地表温度信息，增强了对土壤湿度状况的理解，是近年来广泛使用的估算模型[7]。国内学者利用TVDI开展了大量的研究工作：姚春生等[8]利用温度植被干旱指数法反演了新疆8、9两个月每16天的土壤湿度，使用野外与卫星同步采样的土壤湿度数据进行验证，发现TVDI指标与实测土壤湿度数据显著相关。陈斌等[9]利用温度植被干旱指数（TVDI）对内蒙古锡林郭勒盟草原的土壤干旱情况进行了监测，证明了基于NDVI-Ts特征空间的TVDI更适用于干旱监测。齐述华等[10]利用温度植被干旱指数（TVDI）法反演了全国的土壤水分，表明该方法能较好地反映表层土壤水分变化趋势，同时讨论了TVDI同NDVI和Ts之间的敏感性，得出TVDI随Ts的变化而变化的规律更明显。国内学者的研究表明TVDI模型能很好表征土壤墒情，同时这些研究都提到空间分辨率对反演结果的影响。当用点数据验证相对较大的空间分辨率的面数据时，会导致两者不能很好匹配，进而产生误差。同时，TVDI模型在估算较大区域的土壤水分时，由于统计特征空间区域内太阳总辐射不均和大气背景条件不一致而导致反演精度降低，而在小尺度范围内可以将这些方面因素的影响降得更低。