TVDI與土壤濕度關系的多時間尺度分析與旱情監測

梁守真,王猛,韓冬銳,王菲,王國良,隋學艷

(山東省農業科學院 濟南 250100)

干旱是氣候災害中最主要的災害之一。聯合國政府間氣候變化專門委員會(IPCC)在全球氣候變化評估報告中指出,在未來,干旱風險有增加的趨勢,預防和減輕干旱災害已成為當今世界的重要課題之一[1-2]。土壤濕度是反映土壤干旱程度最直觀的指標,是全球氣候觀測系統中50 個基本氣候變量之一[3-4]。土壤濕度的準確測定對地表植物蒸散發、局部氣候變化和旱澇災害的監測等有著重大意義[5]。土壤濕度可通過田間實測、土壤濕度模型以及遙感觀測反演獲取。田間實測法為基于特定位置的離散測量,結果精度高,但每個測量點的代表范圍有限,而土壤濕度的空間異質性較大,導致田間實測方法在反映連續空間的土壤濕度時存在困難[6-7]。土壤濕度模型法通過建立水分平衡方程來求解土壤濕度,可提供面信息,但參數復雜,需要大量氣象數據支持,估測誤差較大[8]。遙感通過對遙感監測值與地面土壤水分之間的關系進行分析和建模來反演土壤濕度,可快速獲取大尺度時空連續的土壤濕度信息,遙感觀測和地面實測的聯合運用已經成為目前土壤濕度監測研究的主要方向之一。根據所使用波段的不同可分為微波遙感反演、光學遙感反演和光學微波融合反演[9-12]。其中基于光學遙感的反演方法由于其數據的易獲取性、時空分辨率高、反演模型較簡單等優點得到廣泛應用,最典型的是以地表溫度和植被指數為基礎的溫度植被干旱指數(TVDI)法。TVDI綜合了作物冠層溫度和長勢特征,考慮了植被覆蓋度對溫度的影響,相比單純使用溫度或作物長勢的土壤濕度監測方法原理性更強[13-14]。

目前,包含熱紅外波段的傳感器仍舊偏少,MODIS,AVHRR 以及Landsat8 種常用的計算TVDI的數據源。但Landsat回歸周期過長,有效數據不足,開展定期的監測較為困難;而AVHRR 和MODIS 每天都可過境,數據充足。相比于AVHRR 傳感器,MODIS發射晚,但其有更好的空間分辨率和波譜分辨率,并且在定標、大氣校正、云屏蔽方面有更高的精度,更適于開展土壤濕度的反演[15-16]。MODIS產品豐富,包含多個時間尺度的反射率、植被指數以及地表溫度數據,所以基于MODIS數據產品可生成不同時間尺度的TVDI數據集。但當前的研究多采用某一時間尺度的數據產品開展研究,缺乏對多時間尺度的TVDI與土壤濕度之間的關系的比較和分析。鑒于此,本研究從多個時間尺度(8 d,16 d和月)來分析植被指數-溫度二維空間,研究TVDI在不同時間尺度上與土壤濕度的關聯性,以確定MODIS數據產品開展土壤濕度監測的時間尺度,準確監測農業干旱。

1 數據與方法

1.1 數據來源

遙感數據來自NASA-Land Processes DAAC數據中心,包括2016年3—5月Terra MODIS地表溫度產品MOD11A2,植被指數產品MOD13A2,A3以及地表反射率產品MOD09A1。MOD11A2為8 d合成的空間分辨率為1 km 的地表溫度(LST)產品,包含白天LST、夜間LST,31,32波段通道發射率及質量控制等資料;MOD13A2,A3分別是MODIS 16 d、每月合成空間分辨率為1 km 的植被指數產品,包含NDVI,EVI和幾個主要波段反射率以及其他輔助信息;MOD09A1為經過大氣校正后8 d合成的500 m分辨率的反射率產品,包括MODIS前7個波段的反射率以及其質量標識信息。8 d的植被指數是利用MOD09A1的反射率數據依據植被指數公式來計算,并通過平均的方式將500 m 分辨率數據升尺度為1 km 的數據,形成8 d 1 km 的植被指數。采用同樣的方式,將8 d的地表溫度產品轉換為16 d,月尺度的溫度數據以每天的數據為基礎生成。最終形成8 d,16 d和月的植被指數和地表溫度數據集。

土壤濕度數據為2016年山東省冬小麥重點種植區的31個土壤濕度觀測站點3—5月逐日20 cm 深度的土壤相對濕度數據。每天的數據通過平均的方法合成為8 d,16 d和每月的數據,時間尺度與衛星數據保持一致。同時選用2016 年山東省冬小麥數據,該由山東省農業遙感工程技術研究中心提供,通過目視解譯和計算機自動解譯相結合的方式獲取。

1.2 方法

1.2.1 TVDI Carlson等[17]研究發現,當一個研究地區,土壤濕度從濕潤到干旱、土地覆蓋從裸土到植被全覆蓋變化時,NDVI和地表溫度Ts二維空間中像元散點呈明顯的三角形關系[18],Sandholt等[18]在植被指數—溫度三角形特征空間的基礎上提出了TVDI,其函數表達式如下:

式中VI為植被指數;Tsi為i日期的地表溫度;a1,b1和a2,b2分別為干邊和濕邊的回歸方程系數;Tsmin為植被指數-溫度空間的干邊,代表研究區內某一時期的同一VI值對應的最高地表溫度;Tsmin為濕邊,代表研究區內某一時期的同一VI對應的最低地表溫度。

TVDI的關鍵在于特征空間中干邊和濕邊的確定,干邊和濕邊分別為特征空間散點圖上下邊界的直線,其方程通過線性擬合得到。TVDI取值在0～1,TVDI值越大,表明該地區土壤濕度越低,水分缺失越嚴重。TVDI受植被指數影響大,早期的時候,TVDI主要采用歸一化植被指數NDVI和地表溫度來反演,NDVI指數在高植被覆蓋條件下,容易飽和,而在低植被覆蓋度時,又容易受背景影響,不能很好地反映植被狀況[19],這導致基于Ts-NDVI特征空間的作物土壤濕度反演精度受到影響[13,20]。為了降低NDVI的影響,一些替代性的植被指數逐漸在TVDI中得到應用,如EVI。EVI是一個優化的植被指數,除了包含近紅外波段和紅波段反射率,EVI公式還增加了藍波段反射率和土壤背景調節因子,一方面降低了植被背景和大氣對植被指數的影響,另一方面使得EVI不易飽和,在高植被覆蓋條件下時仍能捕捉能監測植被冠層的變化。因此,EVI可用于不同背景和植被覆蓋條件下的植被監測,相比于NDVI,適用范圍更加廣泛,其與溫度結合能更有效地反映地表濕度狀況[21-22]。因此,在本研究中,我們采用EVI代替NDVI去計算TVDI,其計算公式為

式中:RNIR,RRED,RBLUE分別為MODIS 傳感器的近紅外(841～876 nm)、紅波段(620～670 nm)和藍波段(545～565 nm)反射率。

1.2.2 土壤濕度反演與旱情劃分 通常,評價土壤墑情一般采用土壤濕度作為指標,因此,需將TVDI轉化為土壤濕度。根據土壤濕度觀測點位置,匹配相應的TVDI值,建立不同時間尺度的TVDI、土壤濕度數據集,然后采用線性回歸的方法構建不同尺度TVDI與實測土壤濕度數據的關系模型,選擇反演土壤濕度的最佳時間尺度數據,以其時間尺度的TVDI為自變量反演區域土壤濕度值,確定區域旱情分布。土壤濕度值越低,表示旱情越嚴重。根據國家農業旱情劃分標準,將土壤相對濕度RH ＜60%,RH ＜50%,RH＜40%,RH＜30%分別劃定為輕早、中旱、重旱、特旱、輕旱[23]。

2 結果與分析

2.1 不同時間尺度數據的植被指數-溫度特征空間

不同時間尺度下山東省冬小麥EVI和地表面溫度形成的EVI-Ts特征空間如圖1所示。EVI與地表溫度的邊界像元呈三角形狀,溫度較高的像元點形成了二維空間的干邊界,而溫度低的像元的構成為濕邊界。在二維空間中,干邊上的Ts隨EVI的增加而降低,而在濕邊上,隨著EVI的增加,Ts也在不斷增大,濕邊并非理想狀態下與坐標軸平行的直線。從3月到5月,隨著時間的推進,氣溫不斷升高,冬小麥經歷返青、拔節、抽穗、灌漿、成熟等生育期,其冠層溫度和植被覆蓋度隨之發生改變,EVI-Ts空間形狀有所變動,Ts值不斷攀升,5月份達到最大值。

圖1 不同時間尺度的植被指數—溫度特征空間Fig.1 Vegetation index and temperature space for different temporal scales

盡管不同時間尺度的EVI和Ts組成的二維空間形狀類似,但是由于時間涵蓋的范圍等因素的影響,其在空間分布仍存在一定差異。干邊和濕邊是描述二維空間特征的主要因子,它們在不同時間不同尺度的表達形式見表1。從表中可以看出,無論是二維空間的干邊還是濕邊,Ts與EVI之間存在著顯著的線性相關關系。各時相的干邊斜率總小于0,這表示EVI與Ts呈負相關關系,而大部分濕邊斜率大于0,表示植被指數與溫度同時增減。除了月尺度上,3月份干邊斜率的絕對值小于濕邊斜率絕對值,其他時期的干邊有更高的變率。

表1 不同時間EVI-Ts特征空間干邊和濕邊方程Table 1 Dry edge and wetness edge equations of EVI-Ts spaces in different times

2.2 TVDI與土壤濕度的關系

基于干邊和濕邊方程,利用MODIS地表溫度和EVI數據分別計算不同時間尺度各像元的TVDI值,地面土壤濕度觀測點的相對濕度與TVDI的空間分布如圖2所示。從圖中可以看出TVDI值越高,土壤濕度往往降低。不同時間尺度數據TVDI和土壤濕度之間的緊密程度不一致,根據相關性統計結果(圖3),不論是8 d,16 d還是每月尺度的數據,TVDI與土壤相對濕度實測值之間的相關系數均通過了α=0.05置信度檢驗,這說明兩者之間的相關性是顯著的,同時也證明TVDI指數可以有效反映土壤水分狀況變化。

圖2 不同時間尺度TVDI與土壤濕度散點圖Fig.2 Scatter plots for TVDI and soil moisture in different temporal scales

圖3 不同時間尺度TVDI與土壤濕度相關系數Fig.3 Correlation coefficients between TVDI and soil moisture in different temporal scales

在月尺度上,4月份的TVDI與土壤濕度之間的相關性最高,為0.67,而在3月和5 月,相關系數接近;在16 d時間尺度上,相關系數最高值出現在129 d(DOY,年序),即5月中旬,145 d(DOY)的相關系數最小,為0.57;而在8 d 時間尺度上,121 d(DOY)TVDI與土壤濕度相關性最佳,相關系數達到了0.78,最低值出現在145 d(DOY)。對于3個時間尺度的相關系數,可以看出,隨著時間尺度的降低,TVDI與土壤濕度之間的相關系數越來越大,相同時間內,即相關系數值8 d時間尺度＞16 d＞月。這在一定程度上說明相對于大時間尺度的數據,短時間尺度的TVDI能更準確映田間土壤濕度。

眾所周知,MODIS植被指數產品是采用最大值合成方法將合成期內的植被指數數據進行合成,以最大值代表合成期的植被狀態[24],而地表溫度采用了合成期內的溫度均值。在合成期內,土壤水分、溫度、植被指數都可能會產生較大的變化,尤其是在作物生長旺盛期,植被冠層隨時間變化大,但它們的變化并非線性同步,這意味以合成的植被指數和溫度數據構建的TVDI反映的可能并不是田間水分的平均狀態。合成期越長,各參數的變動就越大,這就導致了時間尺度越大,TVDI與土壤相對濕度的相關性越弱。

3.3 旱情時空分布與降水的關聯性

由于8 d時間尺度的TVDI與土壤濕度相關性最佳,因此在研究中依據8 d時間尺度的TVDI來反演2016年春季的土壤濕度,繪制山東省冬小麥春季旱情空間分布(圖4)。2016 年3 月上旬(DOY65),旱情主要出現在聊城、菏澤以及濟寧西部,到了DOY73,聊城地區的旱情面積大幅減少,而菏澤,濟寧旱情有所加重,干旱面積增加,濰坊的高密、青島平度以及章丘北部旱情嚴重;3月下旬,山東省大部分地區的旱情得到緩解;進入4月份以后,魯西、魯西北平原地區的旱情基本消失,只有在臨沂南部以及濰坊的高密、諸城以及平度有中等以上旱情;4月中下旬,大部分地區冬小麥生長正常,未受到干旱的脅迫;5月初,魯西南地區出現中等以上的旱情,5月中旬開始,濟寧市周圍有中等以上旱情,而5月下旬,膠東地區的旱情較重,其他地區未有嚴重的干旱。

圖4 2016年春季山東省冬小麥旱情分布Fig.4 Spatial distribution of winter wheat drought in Shandong in spring of 2016

對春季干旱面積進行統計,結果如圖5 所示,3月份受干旱脅迫的冬小麥面積占全部冬小麥面積的一半以上,尤其是DOY73,干旱區域面積占67%,但大部分以輕旱和中旱為主;4月份,總體旱情得到了緩解,尤其是到了4月中下旬(DOY105),受干旱脅迫的冬小麥面積為全部面積的14.79%,其中重旱和特旱區僅占1.2%;5 月份干旱區面積所占比例小,25%左右的面積為輕旱,重旱和特旱區僅占5%。同時對比山東降水序列,可以看出冬小麥干旱區的比例與降水有很強的相關關系。3月份,山東省平均降水量僅為3.5 mm,導致冬小麥受干旱脅迫的面積比重大,4月中旬(DOY105),山東省出現一場大范圍的降雨,緩解了冬小麥旱情,干旱面積大幅減少;5月份,山東省降水逐漸增多,但是具有局部性的特點,主要集中在北部,濟寧的汶上、金鄉、曲阜、鄒城、嘉祥等區域偏少,導致該地區旱區較其他區域嚴重。

圖5 不同時期干旱面積與降水量Fig.5 Area suffered from drought and precipitation in different times

3 結論

(1)無論是8 d,16 d還是月時間尺度,3—5月植被指數與地表溫度像元點在二維空間中呈三角形,干邊地表溫度隨著植被指數的增加而降低,濕邊地表溫度隨著植被指數的增加而升高,而并非保持不變;

(2)TVDI與土壤濕度之間相關關系顯著,從相關系數值來看,8 d尺度＞16 d尺度＞月尺度,表明時間尺度越小,TVDI對土壤濕度的代表性越好;

(3)2016年山東省冬小麥旱情分布隨時間而發生變化,干旱面積與降水存在高度的一致性。

在本研究中,冬小麥干旱狀況由TVDI反演的土壤濕度來劃分,但在早期的一些研究中直接采用TVDI來對旱情進行等級劃分,監測區域旱情[25-26]。TVDI對土壤濕度具有良好的代表性,但是采用TVDI劃分土壤旱情需要解決兩個問題,一是劃分標準,二是區域是否包含植被覆蓋從裸地到全覆蓋、土壤濕度由極干旱到極濕潤的地面。TVDI是以干邊和濕邊為基礎進行計算,反映的是某一區域像元的相對干濕程度。若研究區的土壤濕度并未能覆蓋極干旱到極濕潤的范圍,那么TVDI無法確定作物是否真正處于干旱狀態。當區域的土壤濕度范圍較窄時,TVDI將可能低估或高估土壤濕度。同時,由于區域下墊面條件的異質性,不同的研究在劃分干旱程度時,標準并不統一,導致研究結果的可對比性不足。準確地監測農田旱情,需要地面土壤水分數據的支撐,建立TVDI與土壤水分之間的反演模型,以土壤濕度來劃分旱情,則更具農學意義,但大量地面數據的獲取,仍是具有一定挑戰性的工作。由于數據限制,本研究只分析了春季的TVDI的表現,更深入的研究有待進一步開展,獲取更廣泛的地面數據支持。