易秋香，王福民，包安明，王強(qiáng)，趙金

（1.中國科學(xué)院新疆生態(tài)與地理研究所，烏魯木齊 830011；2.浙江大學(xué)，杭州 310058）

1 引 言

水分是控制植物光合作用、呼吸作用和生物量的主要因素之一，水分虧缺會直接影響植物的生理生化過程和形態(tài)結(jié)構(gòu)，從而影響植物生長產(chǎn)量與品質(zhì)，對研究植物水分狀況具有重要的意義［1-2］。

由于遙感手段可以很好滿足植被水分監(jiān)測的空間廣泛性和時間連續(xù)性的要求，國際上對遙感反演植被水分的研究早在20世紀(jì)70年代的下半期就已開始。早期遙感反演植被水分所采用的遙感數(shù)據(jù)多是NOAA衛(wèi)星的AVHRR傳感器影像數(shù)據(jù)［3］以及Landsat TM數(shù)據(jù)［4］，但由于這些數(shù)據(jù)獲取周期較長以及有效波段有限等問題，制約了大面積作物水分遙感反演信息的應(yīng)用。重訪周期短、光譜波段多的中低分辨率遙感影像成為作物水分遙感監(jiān)測的重要數(shù)據(jù)源。

MODIS數(shù)據(jù)具有20個可見、近紅外波段，16個熱紅外波段，涵蓋了0.4μm～14μm的波段范圍，具有很高的波譜分辨率，同時MODIS傳感器每天可對我國絕大部分地區(qū)進(jìn)行一次觀測，時間分辨率較高，對于大面積、長時期、動態(tài)的植被含水量的監(jiān)測具有潛力。Perterson等人［5-6］利用 MODIS影像植被指數(shù)反演了草地以及灌木的葉片相對含水量，發(fā)現(xiàn)對草地葉片含水量的反演精度較高，判定系數(shù)達(dá)到0.914；Chen等［7］利用 MODIS影像反演了玉米的含水量，效果較佳；張友水等人利用MODIS影像的NDVI－LSWI梯形特征空間進(jìn)行了干燥植被指數(shù)的空間分布估算［8］。這些已有的利用MODIS影像數(shù)據(jù)進(jìn)行水分含量信息反演的研究，主要集中在探討各類MODIS植被指數(shù)對某種水分表征參數(shù)的估算精度，通常只是分析了MODIS植被指數(shù)與某一類水分含量表征參數(shù)之間的相關(guān)關(guān)系，但對于MODIS植被指數(shù)與最為常用的水分含量表征參數(shù)之間相關(guān)關(guān)系的對比分析，目前還沒有明確研究。

針對這一問題，本文采用篩選適宜的植被指數(shù)類型以及水分含量表征參數(shù)類型的方式，探討利用MODIS數(shù)據(jù)進(jìn)行棉花水分信息遙感估算的可行性。根據(jù)MODIS數(shù)據(jù)波段分布特點(diǎn)，共采用了6類光譜指數(shù)，分別是歸一化植被指數(shù)NDVI、綠色植被指數(shù)VIgreen、差異紅外指數(shù)6NDII6、差異紅外指數(shù)7NDII7以及增強(qiáng)植被指數(shù)EVI；水分含量參數(shù)包括棉花葉片尺度的EWTleaf（leaf Equivalent Water Thickness）［9］、FMC （Fuel Moisture Content）［10］以及冠層尺度的 EWTcan（canopy Equivalent Water Thickness）［11］、VWC（Vegetation Water Conten）［12-13］。研究旨在通過各類水分含量表征參數(shù)與MODIS植被指數(shù)之間相關(guān)關(guān)系的全面對比分析，篩選確定MODIS遙感數(shù)據(jù)進(jìn)行作物水分含量信息監(jiān)測時適宜的水分信息表征參數(shù)類型以及MODIS植被指數(shù)類型，為提高基于MODIS遙感數(shù)據(jù)的作物水分監(jiān)測精度提供理論依據(jù)。

2 材料與方法

2.1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)北部石河子墾區(qū)（圖1），地處天山北麓中段，古爾班通古特大沙漠南緣，地理坐標(biāo)位于東經(jīng)84°58＇～86°24＇，北緯43°26＇～45°20＇，系典型的灌溉農(nóng)業(yè)區(qū)。

圖1 研究區(qū)描述

在研究區(qū)內(nèi)，依據(jù)棉花種植面積，選取面積超過1km2的棉花種植區(qū)作為觀測點(diǎn)，共選取了8個樣區(qū)進(jìn)行布設(shè)，各樣點(diǎn)的觀測經(jīng)緯度如表1所示。

2.2 棉花水分含量測定

冠層光譜測定完成后，對應(yīng)光譜測定位置選取1～2株棉花連根拔起，為了防止水分流失，在將整株棉花分離為葉片、莖、蕾鈴后，當(dāng)場立即稱鮮重，然后運(yùn)送至實(shí)驗(yàn)室后，放入烘箱105℃殺青30分鐘左右后置于75℃下烘干至恒重，測定干重。

葉片等效水厚度（leaf Equivalent Water Thickness，EWTleaf）和葉片水含量（Fuel Moisture Content，F(xiàn)MC）是最為普遍采用的葉片水含量表征參數(shù)，植株含水量（Vegetation Water Content，VWC）和冠層等效水厚度（canopy Equivalent Water Thickness，EWTcanopy）是最為普遍采用的冠層水分含量表征參數(shù)。因此，本研究選用EWTleaf、FMC、VWC和EWTcan這4類水分含量表征參數(shù)，各類參數(shù)的計(jì)算公式如下：

表1 觀測點(diǎn)坐標(biāo)

其中，EWTleaf表示葉片等效水厚度；FW和DW分別表示葉片鮮重和干重（g）；dw表示水比重（1g·cm－3）；A表示葉片面積（cm2）；η表示單位土地面積上的棉株數(shù)（個·m－2）；FWstem和DWstem分別表示莖鮮重和干重（kg）；LAI為葉面積指數(shù)。

2.3 MODIS遙感影像處理

共計(jì)開展了4次地面觀測：6月11日（苗期）、7月16日（現(xiàn)蕾期）、8月4日（花期）以及9月11日（鈴期）。獲取與地面觀測時間同步的MODIS數(shù)據(jù)產(chǎn)品。由于所采用的是MOD09GA數(shù)據(jù)產(chǎn)品，根據(jù)MODIS數(shù)據(jù)產(chǎn)品處理流程已無需再對其進(jìn)行幾何校正、輻射校正和大氣校正，所以首先利用MRT軟件對其影像進(jìn)行重投影操作，輸出格式選擇為GEOtif格式，投影類型變換為UTM地理坐標(biāo)，橢球體為WGS84，空間分辨率為500m。按照采樣點(diǎn)的分布范圍及石河子墾區(qū)灌區(qū)空間分布利用ArcGIS對影像各波段GEOtif格式圖像進(jìn)行裁剪，使之更符合研究需要。

表2 MODIS植被指數(shù)及計(jì)算方法

影像裁剪完畢后，利用裁剪好的MODIS影像計(jì)算表2中所列出的各類植被指數(shù)，得到各植被指數(shù)圖像，根據(jù)測定點(diǎn)的經(jīng)緯度在指數(shù)圖像中提取樣點(diǎn)的各類植被指數(shù)值。

3 結(jié)果與分析

3.1 水分含量統(tǒng)計(jì)特征分析

首先分析各類水分含量表征參數(shù)的統(tǒng)計(jì)特征，結(jié)果如表3所示。從表可見，各類水分含量表征參數(shù)的最大最小值取值區(qū)間較為寬泛，能覆蓋水分含量參數(shù)取值的分布范圍，符合建模數(shù)據(jù)要求。

3.2 水分含量與光譜指數(shù)的相關(guān)關(guān)系分析

分別分析了不同日期水分含量參數(shù)與植被指數(shù)之間的相關(guān)關(guān)系以及兩者之間的總體相關(guān)關(guān)系，結(jié)果如表4所示。

表3 水分含量表征參數(shù)統(tǒng)計(jì)特征分析

表4 水分含量與光譜指數(shù)的相關(guān)關(guān)系

首先，對比4個水分含量參數(shù)與植被指數(shù)之間的相關(guān)性。從表4可見，不論是單個日期還是總體，EWTcan與各植被指數(shù)之間的相關(guān)性都普遍優(yōu)于其他3個水分含量參數(shù)，同時VWC也在各個日期及總體相關(guān)性中與植被指數(shù)之間有顯著及極顯著相關(guān)，相較EWTcan表現(xiàn)略差；FMC只在總體相關(guān)性中與各植被指數(shù)之間呈現(xiàn)極顯著相關(guān)；EWTleaf在4個水分含量參數(shù)中與各類植被指數(shù)相關(guān)性最差，均沒有達(dá)到顯著或極顯著相關(guān)。

其次，對比各個日期水分含量參數(shù)與植被指數(shù)之間的相關(guān)性可見：苗期，EWTcan與NDVI植被指數(shù)相關(guān)性最佳，F(xiàn)MC也在苗期與NDVI具有顯著相關(guān)；現(xiàn)蕾期，EWTcan以及VWC與各個植被指數(shù)之間都具有顯著相關(guān)關(guān)系，而FMC和EWTleaf與植被指數(shù)之間相關(guān)性較差；花期，仍舊是EWTcan與植被指數(shù)之間相關(guān)性較好，但略差與現(xiàn)蕾期；鈴期，所有水分含量與植被指數(shù)之間的相關(guān)性都達(dá)到了最低。究其原因，不同發(fā)育期棉花冠層的蓋度可能是造成這種差異的主要原因。

最后，對比不同植被指數(shù)與水分含量參數(shù)之間的相關(guān)水平。從總體相關(guān)中對比可發(fā)現(xiàn)，6個植被指數(shù)都與VWC和FMC達(dá)到了極顯著相關(guān)水平，NDVI、NDII6、NDII7以及 EVI這4個指數(shù)與EWTcan之間均達(dá)到了極顯著相關(guān)水平。

3.3 水分含量與光譜指數(shù)之間的估算模型

通過以上相關(guān)性分析可知，EWTleaf與各類植被指數(shù)之間的相關(guān)性均較低，在此不構(gòu)建EWTleaf的估算模型。同時，相關(guān)性分析可發(fā)現(xiàn)水分含量參數(shù)與植被指數(shù)的總體相關(guān)要顯著優(yōu)于與單個日期植被指數(shù)的相關(guān)性，而且考慮到單個日期樣本數(shù)較少，因此將4個日期的水分含量參數(shù)以及對應(yīng)的植被指數(shù)作為整體參與模型構(gòu)建。不構(gòu)建單個日期的水分含量參數(shù)估算模型。

采用一元線性以及非線性方法構(gòu)建水分含量參數(shù)與植被指數(shù)之間的估算模型。非線性模型主要包括對數(shù)模型、指數(shù)模型以及乘冪函數(shù)模型。在模型構(gòu)建過程中發(fā)現(xiàn)，乘冪函數(shù)模型普遍優(yōu)于對數(shù)模型以及指數(shù)模型，在此只列出一元線性以及乘冪模型的表達(dá)式及各模型的判定系數(shù)，結(jié)果如表5所示。

表5 基于不同植被指數(shù)的水分參數(shù)估算模型

判定系數(shù)（R2）也叫擬合優(yōu)度，主要反映自變量對因變量的擬合程度，如果R2＝0.8，就是說自變量解釋了因變量變動的80%，通常是越大越好，但判定系數(shù)達(dá)到多少為宜沒有一個統(tǒng)一的明確界限值；若建模的目的是預(yù)測應(yīng)變量值，一般需考慮有較高的判定系數(shù)。從表5可見，由NDVI、NDII7以及EVI指數(shù)所構(gòu)建的一元線性模型以及乘冪模型的判定系數(shù)R2要明顯優(yōu)于相應(yīng)的VIgreen、VARI以及NDII6指數(shù)。尤其是由EVI指數(shù)所構(gòu)建的EWTcan、VWC以及FMC的乘冪模型，判定系數(shù)R2分別達(dá)到了0.745、0.773以及0.58。

3.4 模型精度檢驗(yàn)及對比

為了進(jìn)一步檢驗(yàn)?zāi)Ｐ偷墓浪憔龋狙芯坎捎肦MSE、REP以及相關(guān)系數(shù)r和斜率a這4類精度檢驗(yàn)指標(biāo)對由NDVI、NDII7以及EVI所構(gòu)建的EWTcan、VWC以及FMC的線性以及乘冪模型進(jìn)行精度檢驗(yàn)。

均方根誤差（RMSE）和相對預(yù)測誤差（REP）越小證明方程精度越高，根據(jù)RMSE和REP之間的關(guān)系，通常采用REP進(jìn)行比較。相關(guān)系數(shù)r的絕對值越大表明兩變量之間的相關(guān)程度越高，但是相關(guān)系數(shù)只刻畫了變量間的線性關(guān)系程度，當(dāng)兩個變量之間有很密切的曲線關(guān)系時，相關(guān)系數(shù)的絕對值也可能很小。此外，還采用實(shí)測值與估算值之間線性回歸的斜率a來進(jìn)行模型的精度檢驗(yàn)。各類模型的精度檢驗(yàn)結(jié)果如表6所示。

表6 水分含量參數(shù)估算模型精度檢驗(yàn)結(jié)果

從表6可見，整體上各類模型之間的精度檢驗(yàn)結(jié)果差距不大，不同指數(shù)之間對比發(fā)現(xiàn)，NDVI和EVI的表現(xiàn)要略優(yōu)于NDII7指數(shù)；不同水分含量參數(shù)之間對比發(fā)現(xiàn)，F(xiàn)MC的實(shí)測值和估算值之間的相關(guān)系數(shù)r以及REP值要略優(yōu)于EWTcan和VWC。進(jìn)一步對比各類方程的精度檢驗(yàn)結(jié)果，認(rèn)為EWTcan和VWC的最佳估算模型均是由NDVI構(gòu)建的一元線性模型，F(xiàn)MC的最佳估算模型是由EVI構(gòu)建的線性模型。

同時，為了更直觀地體現(xiàn)各類水分含量參數(shù)的實(shí)測值與估算值之間的擬合情況，由各類模型所得到的水分含量參數(shù)的實(shí)測值和估算值的散點(diǎn)圖如圖2所示。當(dāng)實(shí)測值和估算值的擬合線越接近于1∶1線時，說明兩者之間的擬合關(guān)系越好。

圖2 各水分含量參數(shù)實(shí)測值與估算值散點(diǎn)分布圖

3.5 模型應(yīng)用及制圖

通過相關(guān)性分析結(jié)果以及模型反演精度檢驗(yàn)結(jié)果，挑選適宜不同日期遙感圖像反演的水分參數(shù)以及植被指數(shù)和模型類型。結(jié)果如表7所示。從表可見，EWTcan可適用于苗期、現(xiàn)蕾期以及初花期的水分含量估算；VWC可用于現(xiàn)蕾期的水分含量估算。由于水分含量參數(shù)與鈴期遙感植被指數(shù)之間的相關(guān)性均較差，因此沒有對鈴期的水分含量進(jìn)行遙感反演制圖。不同日期各水分含量參數(shù)遙感反演制圖如圖3所示。

圖3（a）表示利用6月11日研究區(qū)MODIS數(shù)據(jù)的NDVI植被指數(shù)圖以及基于NDVI的EWTcan線性估算模型得到的EWTcan反演結(jié)果圖，以及利用EVI植被指數(shù)圖和基于EVI的EWTcan乘冪估算模型得到的EWTcan的反演結(jié)果圖；同樣，圖3（b）和圖3（c）分別是基于7月16日以及8月4日的NDVI植被指數(shù)圖以及EVI植被指數(shù)圖進(jìn)行的EWTcan反演結(jié)果；圖3（d）是VWC的反演結(jié)果圖。

表7 棉花不同發(fā)育期適宜遙感反演的水分參數(shù)及植被指數(shù)類型

4 結(jié)束語

本研究對葉片以及冠層尺度水分含量參數(shù)與MODIS植被指數(shù)之間的相關(guān)關(guān)系進(jìn)行了全面對比分析，篩選確定了最適宜的水分含量參數(shù)類型以及各水分含量參數(shù)的估算模型及其精度，得出以下結(jié)論：

①EWTcan與各植被指數(shù)之間的相關(guān)性普遍優(yōu)于其他3個水分含量參數(shù)（EWTleaf、FMC以及VWC）。

②相比EWTleaf、FMC以及 VWC，EWTcan與各發(fā)育期植被指數(shù)之間的相關(guān)性最為穩(wěn)定，除了與鈴期的植被指數(shù)之間相關(guān)性較弱外，與其他發(fā)育期的植被指數(shù)之間均達(dá)到了顯著或極顯著相關(guān)水平；其次VWC也與現(xiàn)蕾期的植被指數(shù)之間相關(guān)性較好；FMC只與苗期的NDVI指數(shù)之間具有極顯著相關(guān)關(guān)系；EWTleaf與各類指數(shù)之間的相關(guān)關(guān)系最差，與所有指數(shù)之間的相關(guān)關(guān)系均未達(dá)到顯著水平。

③總體上EWTcan、VWC以及FMC與各類植被指數(shù)之間的相關(guān)性都較單個發(fā)育期提高，尤其FMC與各類植被指數(shù)之間的相關(guān)性在總體中的表現(xiàn)相較單個發(fā)育期中的表現(xiàn)得到顯著提高，與6個植被指數(shù)之間的相關(guān)性均達(dá)到了極顯著相關(guān)水平，相關(guān)性甚至優(yōu)于EWTcan與植被指數(shù)之間的相關(guān)關(guān)系。

④對EWTcan、VWC和FMC的各類估算方程的精度檢驗(yàn)結(jié)果表明，EWTcan的最佳估算模型是由NDVI構(gòu)建的一元線性模型（REP＝45.38，r＝0.681）以及EVI構(gòu)建的乘冪模型（REP＝50.67，r＝0.632），VWC的最佳估算模型同樣是由NDVI構(gòu)建的一元線性模型（REP＝53.91，r＝0.686）以及EVI構(gòu)建的乘冪模型（REP＝56.79，r＝0.659），F(xiàn)MC的最佳估算模型是由EVI構(gòu)建的線性（REP＝14.88，r＝0.731）和乘冪模型（REP＝14.98，r＝0.729）。

本研究為利用MODIS數(shù)據(jù)進(jìn)行大面積棉花水分遙感診斷研究提供了理論依據(jù)，但限于數(shù)據(jù)只有一年的觀測試驗(yàn)，還有待對得出的結(jié)論采用不同年份不同研究區(qū)的數(shù)據(jù)進(jìn)行進(jìn)一步驗(yàn)證。

［1]ZARCO－TEJADA P J，RUEDA C A，USTIN S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods［J］.Remote Sensing of Environment，2003，85（1）：109－124.

［2]王潔，徐瑞松，馬躍良，等.植被含水量的遙感反演方法及研究進(jìn)展［J］.遙感信息，2008，（1）：100－105.

［3]PALTRIDGE G W，BARBER J.Monitoring grassland dryness and fire Potential in Australia with NOAA／AVHRR data［J］.Remote Sensing of Environment，1998，25（3）：381－394.

［4]CHUVIEEO E，RIAN D，AGUADO I，et al.Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper refleetance data：applications in fire danger assessment［J］.International Journal of Remote sensing，2001，23（11）：2145－2162.

［5]PETERSON S H，ROBERTS D A，Dennison P E.Mapping live fuel moisture with MODIS data：A multiple regression approach［J］.Remote Sensing of Environment，2008，112（12），4272－4284.

［6]韓曉勇.基于MODIS和地物光譜的植被水分定量遙感研究［D］.2009.

［7]CHEN D Y，HUANG J F，JACKSON T J.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near－infrared and short－wave infrared bands［J］.Remote Sensing of Environment，2005，98（2）：225－236.

［8]張友水，謝元禮.MODIS影像的 NDVI和LSWI植被水分含量估算［J］.地理科學(xué)，2008，28（1）：72－76.

［9]MARTA Y，EMILIO C，DAVID R.Estimation of live fuel moisture content from MODIS images for fire risk assessment［J］.Agricultural and Forest Meteorology，2008，148（4）：523－536.

［10]DANSON F M，STEVEN M D，MALTHUS T J，et al.Highspectral resolution data for determining leaf water content［J］.International Journal of Remote Sensing，1992，13（3）：461－470.

［11]CECCATO P，GOBRON N，F(xiàn)LASSE S，et al.Designing a spectral index to estimate vegetation water content from remote sensing data：Part 1：Theoretical approach［J］.Remote Sensing of Environment，2002，82（2）：188－197.

［12]JACKSON T J，SCHMUGGE T J，WANG J R.Passive microwave remote sensing of soil moisture under vegetation canopies［J］.Water Resources Research，1982，18（4）：1137－1142.

［13]YILMAZ M T，HUNT JR E R，JACKSON T J.Remote sensing of vegetation water content from equivalent water thickness using satellite imagery［J］.Remote Sensing of Environment，2008，112（5）：2514－2522.