论文部分内容阅读
土壤水分是陆表过程的核心变量之一，强烈影响着地表-植被-大气间的能量平衡和水分交换。当前基于星载被动微波传感器的土壤水分遥感产品空间分辨率普遍较粗（一般在25～40km之间），难以满足流域尺度水文气象、生态水文模拟以及水资源管理等研究和应用的需求，而土壤水分的降尺度方法是目前较为可行的解决方案之一;此外，在遥感真实性检验的过程中往往需要开展点尺度观测向遥感像元的尺度上推研究，即对地面观测做升尺度处理。不论在降尺度还是升尺度研究中，辅助信息均起到重要的桥梁作用。但目前对辅助信息的适用性缺乏比较研究。因此，本文通过SiB2(Simple Biosphere ModelⅡ)模拟和真实遥感数据分别开展对各种辅助指标的比较研究，分析确定每种辅助指标的适用条件，为土壤水分的尺度转换提供基础性的参考信息，最后利用随机森林方法进行土壤水分制图。 首先，从模型角度出发，利用2013年5月1日～9月30日黑河中游人工绿洲试验区大满超级站的气象数据驱动SiB2模型，分别模拟了土壤水分、土壤表层温度、植被冠层温度以及地表蒸散发、土壤蒸发等变量;并利用Penman-Monteith公式计算了地表潜在蒸散发。利用SiB2模拟结果与Penman-Monteith公式计算结果估算获得六种常用的土壤水分尺度转换的辅助指标:表观热惯量(ATI，Apparent Thermal Inertia)、土壤蒸发（E，Evaporation）、土壤蒸发/实际蒸散发(E/ETa，Evaporation/Actual Evapotranspiration)、土壤蒸发/潜在蒸散发(E/ETp，Evaporation/Potential Evapotranspiration)、蒸发比(EF,Evaporative Fraction)、实际蒸发比(AEF，Actual Evaporation Fraction)。分别在整个植被生长季（5月1日～9月30日）、植被封垄前（5月1日～7月10日）、植被封垄后（7月11日～9月30日）三个阶段分析了以上辅助指标与各层土壤水分之间的关系，结果表明:(1)在整个植被生长季，6种辅助指标与土壤水分之间都具有较好的相关性(0.61＜R＜0.80)，其中ATI、E、E/ETa、E/ETp以及EF这5种指标与土壤水分之间的相关性都是随着土壤深度的增加而逐渐减弱;而AEF与植被根区(10cm)土壤水分的相关性最好，更能反映根区土壤水分的动态变化。从可决系数来看，各指标与土壤水分的相关性排序如下:2cm:E/ETp＞E/ETa＞EF＞E＞AEF＞ATI;10cm:AEF＞E/ETp＞EF＞E/ETa＞E＞ATI;80cm:EF＞AEF＞E/ETp＞E/ETa＞E＞ATI。(2)植被封垄前（株高＜1.6m，植被覆盖度＜0.8）:2cm:E＞E/ETa＞E/ETp＞EF＞AEF＞ATI(Ts)＞ATI(Tc);10cm:E＞EF＞E/ETp＞AEF＞E/ETa＞ATI(Ts)＞ATI(Tc);80cm:EF＞AEF＞E＞E/ETp＞ATI(Ts)＞E/ETa＞ATI(Tc);(3)植被封垄后(株高＞1.6m，植被覆盖度＞0.8):2cm:ATI(Ts)＞E/ETa＞E/ETp＞AEF＞EF＞ATI(Tc)＞E;10cm:ATI(Ts)＞E/ETa＞E/ETp＞EF＞AEF＞ATI(Tc)＞E;80cm:ATI(Ts)＞E/ETp＞E/ETa＞EF＞AEF＞E＞ATI(Tc)。封垄前，E对土壤水分最为敏感，ATI最不敏感，封垄后则正好相反。综合考虑以上指标与土壤水分的相关性和这些指标的遥感可获取性，对于浅层土壤水分，推荐优先考虑指标EF，对于根区土壤水分，推荐优先考虑指标AEF。此外，本文利用组分温度分解后的土壤表层温度计算的ATI(Ts)与土壤水分在整个植被生长季均具有较好的相关性，相对于之前学者利用地表温度计算的ATI(Tc)仅适应于裸土或低矮植被覆盖区的结论有了进一步改进。 在以上辅助指标适用性评价的研究基础上，考虑到前人在应用研究中用到遥感辅助指标:地表温度(LST，Land Surface Temperature)、归一化植被指数(NDVI，Normal Differential Vegetation Index)、温度植被干旱指数(TVDI，Temperature Vegetation Dryness Index)等，因此本文考虑到ATI与土壤表层温度关系密切，EF与地表温度和植被覆盖度等信息有关、AEF与蒸散关系密切，所以选取了与土壤表层温度、植被覆盖度和蒸散有关的指标:LST、NDVI、TVDI、条件植被温度指数(VTCI，Vegetation Temperature Condition Index)以及土壤蒸发效率(SEE,Soil Evaporation Efficiency)，并使用ASTER(Advanced Spaceborne Thermal Emission and Reflection Radiometer)遥感影像计算获取以上指标。其中，LST直接获取于ASTER地表温度产品;TVDI与VTCI计算之前需要先构建NDVI-LST特征空间，在特征空间所确定的干湿边的基础上进行估算;SEE是基于土壤表层温度计算的，因此计算之前需要对LST进行组分温度分解。然后分析了各个遥感辅助指标与土壤水分观测之间的相关性，又分别比较了各遥感辅助指标与PLMR土壤水分产品（700m分辨率）在空间分布模式上的一致性。结果表明:(1)五种指标都与10cm土壤水分的关系较好;定量来看，LST、NDVI、TVDI、VTCI以及SEE与土壤水分的相关性是依次增大的(0.50＜R＜0.80)，其中SEE最好（R2达0.63）。(2)从空间一致性来看，SEE与PLMR土壤水分产品在空间模式上对应最好;从直方图来看，除NDVI这一指标外，其他四个指标都与土壤水分之间存在较好的一致性。因此土壤水分遥感研究中，推荐优先选用指标SEE。 综合模型模拟和遥感数据分析，得出结论:指标EF、AEF、VTCI、SEE与土壤水分最相关，主要原因是指标EF、VTCI都与LST和植被指数这两个变量有关，AEF则与植被指数和蒸散这两个变量有关;相对于单一的LST、植被指数或蒸散来说，两个变量组合后的信息更加丰富，更能反映土壤水分的变化;SEE与土壤表层温度(TS)关系密切，相对于LST来说，Ts更能反映浅层土壤的水分状况。所以这四种指标用于土壤水分的尺度转换和遥感估算更加合理。 最后，应用随机森林机器学习的方法，基于最优土壤水分遥感辅助指标SEE和VTCI对土壤水分进行制图，然后采用水文气象观测网和生态水文无线传感器网络数据进行验证。结果表明，土壤水分产品精度较高(0.04cm3/cm3≤RMSE≤0.07cm3/cm3)，进一步证实筛选出指标的合理性和可靠性。