茹 晨， 段四波，姜小光，冷 佩，高懋芳，霍紅元，李召良

(1 中國(guó)科學(xué)院大學(xué)資源與環(huán)境學(xué)院， 北京 100049； 2 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所， 北京 100081)

土壤含水量是描述地表與大氣之間水分和能量交換的重要參量，精確估算土壤含水量在時(shí)空尺度上的變化，對(duì)氣候變化、農(nóng)業(yè)生產(chǎn)、環(huán)境監(jiān)測(cè)等領(lǐng)域的研究具有重要意義[1-6]。目前，雖然被動(dòng)微波數(shù)據(jù)在土壤含水量反演和產(chǎn)品生產(chǎn)方面呈現(xiàn)出較大的潛力，但是由于受地表粗糙度、植被覆蓋度等微波后向散射系數(shù)等因素的影響，使得建立通用的微波土壤含水量反演算法較為困難[7-10]。相較而言，可見光/近紅外與熱紅外遙感反演土壤含水量的方法相對(duì)成熟，且簡(jiǎn)單易行，是目前最常用的遙感反演土壤含水量的方法之一[11-13]?？梢姽?近紅外與熱紅外遙感土壤含水量反演方法包括植被指數(shù)法、熱慣量法和地表溫度-植被指數(shù)特征空間法[14-17]。其中，地表溫度-植被指數(shù)特征空間法是最常用的方法。

研究表明地表溫度與植被指數(shù)可以提供植被水分脅迫條件和土壤濕度信息[18]。如果研究區(qū)域中包含足夠的像元，且云和水體的影響均被去除，地表溫度和植被指數(shù)構(gòu)成的二維散點(diǎn)圖呈三角形或梯形形狀[19]。根據(jù)地表溫度和植被指數(shù)構(gòu)成的特征空間，Price[20]首先提出三角形特征空間的概念。他利用遙感AVHRR (advanced very high resolution radiometer) 數(shù)據(jù)構(gòu)建地表溫度-植被指數(shù)特征空間，并且分析特征空間與土壤含水量的關(guān)系。Nemani等[21]研究地形和植被類型對(duì)地表溫度-植被指數(shù)特征空間的影響，提出自動(dòng)確定干濕邊的方法。三角形特征空間方法如圖1所示，地表溫度-植被指數(shù)特征空間受干邊和濕邊的限制。特征空間中的濕邊表征最大蒸散發(fā)和土壤含水量充足的狀態(tài)，干邊表征蒸散發(fā)達(dá)到最小值，植被的生長(zhǎng)受到水分脅迫，土壤含水量為0的狀態(tài)。但是，在瞬時(shí)地表溫度與植被指數(shù)構(gòu)成的特征空間中，地表溫度的精度直接影響土壤含水量的估算結(jié)果，且前的方法多數(shù)是基于極軌衛(wèi)星數(shù)據(jù)發(fā)展而來(lái)，可能出現(xiàn)瞬時(shí)數(shù)據(jù)缺失的情況。

圖1 地表溫度-植被指數(shù)特征空間示意圖Fig.1 LST-VI space

地表溫度日較差是一天中最高溫和最低溫的差值[22]，是表征氣候變化的重要指示因子，對(duì)云覆蓋、降雨、地表徑流等因素較為敏感[23]。通過Zhang等[24]和Leng等[25]利用溫度的時(shí)間變化信息構(gòu)建特征空間的研究表明，溫度的日變化信息能夠用于土壤含水量反演。且利用溫度的日變化而不是瞬時(shí)溫度來(lái)反演土壤含水量，能夠減小溫度反演誤差給土壤含水量反演結(jié)果帶來(lái)的不確定性。本文使用Duan等[26]的方法直接從星上亮溫?cái)?shù)據(jù)計(jì)算地表溫度日較差，不需要地表溫度的反演過程，避免了計(jì)算地表溫度時(shí)產(chǎn)生的誤差。

基于此，本文利用靜止氣象衛(wèi)星高時(shí)間分辨率的特點(diǎn)，以伊比利亞半島為研究區(qū)域，利用地表溫度日較差DTR (diurnal temperature range) 和植被覆蓋度FVC (fractional vegetation cover) 代替地表溫度LST (land surface temperature) 和植被覆蓋度FVC，構(gòu)建DTR-FVC特征空間，減小由瞬時(shí)地表溫度的不確定性帶來(lái)的土壤含水量估算誤差，提高土壤含水量的反演精度。

1 研究區(qū)域和數(shù)據(jù)

1.1 研究區(qū)域

考慮到位于西歐的伊比利亞半島地區(qū)晴空無(wú)云的天氣較多，用于研究的MSG-SEVIRI數(shù)據(jù)主要覆蓋歐洲和非洲地區(qū)，能夠提供有效的衛(wèi)星數(shù)據(jù)，且該地區(qū)有土壤含水量地面觀測(cè)數(shù)據(jù)，該觀測(cè)數(shù)據(jù)被廣泛用來(lái)驗(yàn)證不同土壤含水量產(chǎn)品，因此本文選擇伊比利亞半島作為研究區(qū) (12°W～4°E，33°N～45°N)，圖2為研究區(qū)域的高程圖。該地區(qū)氣候溫和，海洋性特征顯著，夏季炎熱干燥，冬季溫和多雨。土地覆蓋類型以農(nóng)田、稀疏的植被以及開闊的灌木叢為主。

圖2 研究區(qū)域的地表高程圖Fig.2 Elevation in the study area

1.2 數(shù)據(jù)

1.2.1 衛(wèi)星數(shù)據(jù)

本文使用2012年的MSG-SEVIRI遙感數(shù)據(jù)進(jìn)行土壤含水量的反演研究。

SEVIRI傳感器是搭載在MSG衛(wèi)星上的新型傳感器，包括一個(gè)紅外通道、一個(gè)近紅外通道和兩個(gè)熱紅外通道。該傳感器具有較高的時(shí)間分辨率，每15 min獲取一次地面數(shù)據(jù)，一天可以獲得96個(gè)時(shí)刻的數(shù)據(jù)。該傳感器的星下分辨率較低，為3 km，高分辨率通道星下點(diǎn)的空間分辨率可以達(dá)到1 km。

文中使用的MSG-SEVIRI遙感數(shù)據(jù)分為4種：1) MSG Level-1.5影像數(shù)據(jù)；2)云掩膜數(shù)據(jù)；3)植被覆蓋度數(shù)據(jù)；4)地表溫度數(shù)據(jù)。其中，MSG Level-1.5數(shù)據(jù)和云掩膜數(shù)據(jù)來(lái)源于EUMETSAT (Europe Organisation for the Exploitation of Meteorological Satellites) 網(wǎng)站 (http:∥eoportal.eumetsat.int./)，植被覆蓋度數(shù)據(jù)和地表溫度數(shù)據(jù)從LSA SAF (Land Surface Analysis Satellite Applications Facility) 下載得到 (https:∥landsaf.ipma.pt)。

MSG Level-1.5影像數(shù)據(jù)是以二進(jìn)制格式存儲(chǔ)的未經(jīng)輻射校正的影像數(shù)據(jù)，文中使用SPT (SEVIRI Pre-processing Toolbox) 軟件將該數(shù)據(jù)轉(zhuǎn)換為MSG-SEVIRI第9 (10.8 μm)、第10 (12.0 μm) 通道的TOA (Top-of-the-Atmosphere) 亮溫?cái)?shù)據(jù)。

云掩膜數(shù)據(jù)中的像元可以分為以下4類：1)有云；2)陸表晴空；3)海表晴空；4)未處理。本文中需要使用陸表晴空數(shù)據(jù)，所以要用云掩膜數(shù)據(jù)剔除亮溫?cái)?shù)據(jù)中受云影響的像元。

1.2.2 土壤質(zhì)地?cái)?shù)據(jù)

研究區(qū)的土壤質(zhì)地?cái)?shù)據(jù)由聯(lián)合國(guó)糧農(nóng)組織(FAO) 和維也納國(guó)際應(yīng)用系統(tǒng)研究所 (IIASA) 所建立的世界土壤數(shù)據(jù)庫(kù)HWSD (Harmonized World Soil Database) 下載得到 (http:∥www.fao.org/soils-portal/en)，該數(shù)據(jù)包括一幅全球柵格影像及對(duì)應(yīng)的屬性數(shù)據(jù)庫(kù)。屬性數(shù)據(jù)庫(kù)中包含每個(gè)像元對(duì)應(yīng)的土壤參數(shù)，包括有機(jī)碳含量、pH值、土壤蓄水能力、0～10 cm深度的土壤含沙量和黏土含量等，數(shù)據(jù)空間分辨率為1 km。 文中需要使用土壤含沙量和黏土含量計(jì)算土壤飽和含水量及萎蔫系數(shù)，土壤質(zhì)地?cái)?shù)據(jù)在使用前需要與遙感數(shù)據(jù)進(jìn)行空間匹配。

1.2.3 土壤含水量測(cè)量數(shù)據(jù)

用于驗(yàn)證的土壤含水量地面實(shí)測(cè)數(shù)據(jù)來(lái)自西班牙Duero盆地中部地區(qū)的REMEDHUS土壤含水量觀測(cè)網(wǎng)絡(luò) (41.1°N～41.5°N，5.1°W～5.7°W)。REMEDHUS土壤含水量觀測(cè)網(wǎng)絡(luò)占地約1 300 km2，地形較為平坦，高程約700～900 m。文中使用的REMEDHUS 2012年土壤含水量實(shí)測(cè)數(shù)據(jù)來(lái)源于國(guó)際土壤含水量觀測(cè)網(wǎng)絡(luò) (http:∥ismm/geo.tuwien.ac.cn)，在此期間共有19個(gè)站點(diǎn)提供可利用的土壤含水量數(shù)據(jù)，觀測(cè)步長(zhǎng)為1 h。

表1給出每個(gè)站點(diǎn)的名稱、土壤質(zhì)地以及經(jīng)緯度數(shù)據(jù)。

表1 REMEDHUS土壤含水量觀測(cè)網(wǎng)絡(luò)站點(diǎn)信息Table 1 Information of the REMEDHUS soil moisture observation network

2 方法

本文主要基于溫度日較差-植被覆蓋度特征空間建立土壤含水量反演模型反演土壤含水量，利用實(shí)測(cè)數(shù)據(jù)對(duì)土壤含水量的反演結(jié)果進(jìn)行分析和驗(yàn)證，并與地表溫度-植被覆蓋度特征空間的土壤含水量反演結(jié)果進(jìn)行對(duì)比分析，圖3描述本文主要的技術(shù)流程。

圖3 土壤含水量反演方法流程圖Fig.3 Flow chart of the soil moisture retrieval method

2.1 地表溫度日較差估算方法

溫度日較差DTR是表征氣候變化的重要指示因子，也是利用遙感數(shù)據(jù)反演熱慣量的關(guān)鍵參數(shù)[27]。地表溫度日較差定義為一天中最高的地表溫度 (Tmax) 和最低的地表溫度 (Tmin) 之間的差值：

DTR=Tmax-Tmin，

(1)

式中：Tmax為一天中的最高溫度(K)，Tmin為一天中的最低溫度(K)。

根據(jù)Duan等[26]改進(jìn)的溫度日變化模型，時(shí)間t和參考時(shí)間tr之間的溫差ΔTs日變化可以由公式 (2)，即溫差日變化DTDC (diurnal temperature difference cycle) 模型來(lái)表示

(2)

式中：Ta為溫度振幅 (K)，tm為溫度達(dá)到最大值的時(shí)間，ts表示自由衰減開始的時(shí)間，δT為日出時(shí)的剩余溫度T0與T(t→∞) 之間的溫差 (K)。

當(dāng)t=tm時(shí)，由公式 (2) 可得

(3)

當(dāng)t→∞時(shí)，由公式(2)可得

(4)

公式 (3) 減去公式 (4)，則可以得到地表溫度日較差，即

DTR=ΔTmax-ΔTmin≈Ta-δT.

(5)

通過分裂窗算法，一天中時(shí)間t和參考時(shí)間tr之間的溫差日變化[26]可以由MSG-SEVIRI第9、第10通道的TOA亮溫計(jì)算得到：

ΔTs(t) =Ts(t)-Ts(tr)

=T9(t)+a[T9(t)-T10(t)]+

b[T9(t)-T10(t)]2-

{T9(tr)+a[T9(tr)-T10(tr)]+

b[T9(tr)-T10(tr)]2}.

(6)

式中：T9和T10分別為MSG-SEVIRI第9、第10通道的TOA亮溫；a、b為回歸系數(shù)。

式(2)等號(hào)左邊的部分可以由式(6)計(jì)算得出。在無(wú)需已知地表溫度和發(fā)射率的情況下，利用DTDC模型(式(2)) 擬合地表溫差日變化曲線(式(6))，可以直接得到DTDC模型的4個(gè)參數(shù)Ta，tm，δT，ts。在計(jì)算過程中，Duan等[26]將tr設(shè)置為每個(gè)像元的當(dāng)?shù)靥?yáng)時(shí)13：00。DTDC模型中自由參數(shù)的初始值設(shè)置為Ta=ΔTmax-ΔTmin，δT=0.5 K，tm=12.5 h，ts=17 h。由于自由參數(shù)的初始值與最終值相近，DTDC模型的結(jié)果通常會(huì)迅速收斂到最終值。圖4為利用DTDC模型擬合地表溫差日變化曲線。使用Duan等[26]提出的計(jì)算溫度日較差的方法，可以在無(wú)需得到地表溫度和地表發(fā)射率的情況下，利用靜止氣象衛(wèi)星的星上亮溫?cái)?shù)據(jù)直接計(jì)算得到溫度日較差，避免計(jì)算地表溫度時(shí)造成的誤差。

圖4 DTDC模型擬合地表溫差日變化曲線Fig.4 Fitting the DTDC model to the diurnal ΔT cycle

2.2 DTR-FVC特征空間計(jì)算土壤含水量

利用MSG Level-1.5影像數(shù)據(jù)和云掩膜數(shù)據(jù)計(jì)算出當(dāng)天的溫度日較差，溫度日較差與植被覆蓋度構(gòu)成的二維散點(diǎn)圖如圖5所示。從圖5可以看出，溫度日較差與植被覆蓋度構(gòu)成的二維散點(diǎn)圖呈三角形，當(dāng)植被覆蓋度增加時(shí)，溫度日較差降低。

圖5 溫度日較差-植被覆蓋度二維散點(diǎn)圖Fig.5 DTR-FVC scatter plot and the observed limiting edges

與LST-FVC特征空間類似，在DTR-FVC特征空間中，干邊表征沒有蒸散發(fā)和可利用水分的情況，濕邊表示水分充足且植被不受土壤含水量脅迫的情況[28]。三角形算法的一個(gè)主要限制是特征空間干濕邊的確定，干濕邊通常使用經(jīng)驗(yàn)擬合或物理方程確定[29]。通過干濕點(diǎn)像元擬合直接提取干濕邊的方法簡(jiǎn)單易行，操作性強(qiáng)，不需要輔助數(shù)據(jù)，但容易受到異常值和大氣狀況的影響，導(dǎo)致一定的誤差。通過地表能量平衡方程求解干濕邊的方法精度較高，但需要輔助數(shù)據(jù)，計(jì)算復(fù)雜[30]。

本文使用干濕點(diǎn)像元擬合直接提取干濕邊的方法，方法的主要思路是將植被覆蓋度分為等間隔的20個(gè)區(qū)間，并將每個(gè)區(qū)間等分為5個(gè)等間隔的子區(qū)間。為減少異常值帶來(lái)的誤差，將每個(gè)區(qū)間內(nèi)擁有最大溫度日較差的子區(qū)間剔除，然后對(duì)剩余的4個(gè)子區(qū)間的最大溫度日較差取平均值作為該區(qū)間的最大溫度日較差，最后將20個(gè)區(qū)間的最大溫度日較差與植被覆蓋度進(jìn)行線性擬合得到觀測(cè)干邊。濕邊的求解方法類似于干邊。

本文使用上述提取觀測(cè)干濕邊的方法，得到的擬合觀測(cè)干邊如圖5中的紅線所示，濕邊如圖5中的綠線所示。在DTR-FVC特征空間中，對(duì)于給定的植被覆蓋度FVCi，DTR從最小值(DTRi,min)到最大值(DTRi,max)變化，對(duì)應(yīng)的土壤含水量從最高 (SMi,max)到最低(SMi,min)變化。DTRi,max由DTRi,max=a1·FVCi+b1得到，DTRi,min由DTRi,min=a2·FVCi+b2得到。其中，a1，a2，b1，b2均為擬合系數(shù)。從圖中可以看出，利用散點(diǎn)擬合得到的觀測(cè)濕邊存在很多異常點(diǎn)，這些點(diǎn)主要受到云的影響的像元。

Sandholt等[29]提出，在給定的植被覆蓋和環(huán)境條件下，地表溫度會(huì)隨著土壤含水量的增加而降低。他們認(rèn)為地表溫度/歸一化植被指數(shù)特征空間中存在一系列的土壤含水量等值線，這些等值線是不同土壤含水量條件下地表溫度與歸一化植被指數(shù)的斜率。

由于遙感獲取瞬時(shí)地表溫度帶來(lái)一定的誤差，所以很多學(xué)者研究利用地表溫差來(lái)估算土壤含水量，如Zhang等[24]提出的溫度變化率植被干旱模型 (TRRVDI)。

圖6 溫度日較差-植被覆蓋度特征空間Fig.6 DTR-FVC space

當(dāng)植被覆蓋度一定時(shí)，溫度日較差與土壤含水量密切相關(guān)。利用這一關(guān)系，構(gòu)建溫度日較差-植被覆蓋度三角形特征空間，如圖6所示。y軸表示一天的溫度日較差 (K)，x軸表示植被覆蓋度。觀測(cè)干邊表示土壤含水量達(dá)到最小值，觀測(cè)濕邊表示土壤含水量充足的情況。其中，假設(shè)條件為溫度日較差與植被覆蓋度呈線性關(guān)系，且土壤含水量從干邊到濕邊線性變化。特征空間內(nèi)的插值表示土壤含水量、溫度日較差以及植被覆蓋度三者之間的關(guān)系，基于DTR-FVC特征空間，對(duì)于特定的像元B (FVCi, DTRi, SMi)，則有

(7)

式中：DTRi為像元i的溫度日較差(K)；SMi為像元i的實(shí)際土壤含水量(m3/m3)；SMi,min為像元i的最小土壤含水量(m3/m3);SMi,max為像元i的最大土壤含水量。對(duì)式(7)等號(hào)兩邊進(jìn)行變形可得

SMi= SMi,max-

(8)

在大多數(shù)情況下，一個(gè)區(qū)域內(nèi)土壤含水量不會(huì)處于極高或極低的狀態(tài)。最大土壤含水量一般處于田間持水量與飽和含水量之間，最小土壤含水量一般在萎蔫系數(shù)和剩余土壤含水量之間[31]。但是田間持水量、飽和含水量、萎蔫系數(shù)以及剩余土壤含水量這4個(gè)參數(shù)都屬于水文參數(shù)，通常需要在實(shí)驗(yàn)室條件下進(jìn)行測(cè)定。

本文假設(shè)最大土壤含水量等于飽和含水量，最小土壤含水量等于萎蔫系數(shù)。根據(jù)式(8)，土壤含水量可表示為

(9)

式中：SAT為飽和含水量(m3/m3)；WP為萎蔫系數(shù)(m3/m3)。Saxton和Rawls[32]提出利用土壤含沙量和黏土含量?jī)蓚€(gè)土壤質(zhì)地參數(shù)計(jì)算土壤飽和含水量和萎蔫系數(shù)的算法，研究區(qū)的土壤含沙量及黏土含量來(lái)源于土壤質(zhì)地?cái)?shù)據(jù)。

3 結(jié)果與分析

圖7(a)～7(c)分別顯示2012年7月16日研究區(qū)由DTR-FVC特征空間估算的土壤含水量、溫度日較差以及植被覆蓋度的空間分布圖?？梢钥闯?，研究區(qū)內(nèi)的植被覆蓋度大部分在0.5左右，且北部地區(qū)的植被覆蓋度明顯高于南部。溫度日較差在0～70 K之間變化，且內(nèi)陸地區(qū)的溫度日較差高于沿海地區(qū)。土壤含水量在0～0.3 m3/m3之間變化，東部地區(qū)的土壤含水量高于西部。

圖7 研究區(qū)的土壤含水量、溫度日較差和植被覆蓋度的分布情況Fig.7 Distributions of soil moisture (a), DTR(b), and FVC (c) in the study area

圖8 利用DTR-FVC特征空間估算土壤含水量與實(shí)測(cè)土壤含水量的對(duì)比圖Fig.8 Comparison between the estimated soil moisture using the DTR-FVC space and the observed soil moisture

圖8(a)～8(d)分別為1月2日、4月12日、6月7日和7月22日利用DTR-FVC特征空間估算的土壤含水量與實(shí)測(cè)土壤含水量之間的對(duì)比圖。從圖8可以看出，這4天估算土壤含水量與實(shí)測(cè)土壤含水量之間的RMSE均在0.05 m3/m3以內(nèi)，Bias均小于0.025 m3/m3，反演精度較高，說明利用該算法可以較好地反演土壤含水量。

圖9是不同土地覆蓋類型下利用DTR-FVC特征空間估算的土壤含水量與實(shí)測(cè)土壤含水量之間的對(duì)比圖：9(a)干旱的草地；9(b)作物；9(c)灌木叢；9(d)樹林。這4幅圖都是利用2012年第2天到第200天中共8天的有效數(shù)據(jù)得到。從圖中可以看出，在不同的植被覆蓋類型下估算土壤含水量與實(shí)測(cè)土壤含水量之間的均方根誤差都在0.06 m3/m3之內(nèi)，且土壤含水量較低的干旱草地與作物區(qū)域的RMSE小于0.04 m3/m3，在土壤含水量較高的灌木叢和樹林區(qū)域的RMSE大于0.05 m3/m3。干旱區(qū)/半干旱區(qū)的估算結(jié)果比濕潤(rùn)/半濕潤(rùn)區(qū)的估算結(jié)果相對(duì)要好，說明DTR-FVC特征空間在土壤含水量較低的區(qū)域反演精度更高，該方法更適用于干旱、半干旱地區(qū)。導(dǎo)致這種結(jié)果的原因可能是由于在土壤含水量較低時(shí)，觀測(cè)干濕邊更接近于理論值，而使土壤含水量較高時(shí)，觀測(cè)干濕邊小于理論值，會(huì)使反演結(jié)果造成一定的誤差。

圖9 2012年不同土地覆蓋類型下估算土壤含水量與實(shí)測(cè)土壤含水量的對(duì)比圖Fig.9 Estimated soil moisture versus observed soil moisture over different types of land-cover:arid grass(a), cropland (b), shrub (c), and forest (d) in 2012

圖10(a)、10(b)分別為1月份和7月份利用DTR-FVC特征空間估算的土壤含水量與實(shí)測(cè)土壤含水量的對(duì)比圖，這兩個(gè)月的均方根誤差RMSE分別為0.034和0.040 m3/m3，偏差Bias分別為0.005和0.025 m3/m3。圖11(a)、11(b)分別為1月份和7月份利用LST-FVC特征空間估算的土壤含水量與實(shí)測(cè)土壤含水量的對(duì)比圖，這兩個(gè)月的均方根誤差RMSE分別為0.054和0.058 m3/m3，偏差Bias分別為0.030和-0.005 m3/m3。對(duì)比圖10和圖11可以發(fā)現(xiàn)，使用DTR-FVC特征空間反演土壤含水量的精度比使用LST-FVC特征空間的精度有所提高，均方根誤差RMSE減小0.020 m3/m3左右。對(duì)比分析結(jié)果表明，構(gòu)建DTR-FVC特征空間，可以減小由瞬時(shí)地表溫度的不確定性帶來(lái)的土壤含水量估算誤差，提高土壤含水量的反演精度，溫度日較差DTR在土壤含水量反演研究中具有一定的潛力。

圖10 不同月份利用DTR-FVC特征空間方法估算土壤含水量與實(shí)測(cè)土壤含水量的對(duì)比圖Fig.10 Comparison between estimated soil moisture using the DTR-FVC space and in situ measured soil water content in January (a) and July (b)

圖11 不同月份利用LST-FVC特征空間方法估算土壤含水量與實(shí)測(cè)土壤含水量的對(duì)比圖Fig.11 Comparison between estimated soil moisture using the LST-FVC space and in situ measured soil water content in January (a) and July (b)

總體來(lái)說，利用DTR-FVC特征空間計(jì)算得到的土壤含水量值高于實(shí)測(cè)土壤含水量。本文的誤差主要來(lái)自于以下3點(diǎn)：一是在計(jì)算土壤含水量的過程中，無(wú)法完全消除云的影響；二是觀測(cè)干濕邊并不能代表真實(shí)的土壤含水量的極限條件，觀測(cè)干邊小于實(shí)際干邊；三是真實(shí)的土壤含水量最大值處于田間持水量和飽和含水量之間，水分最小值在萎蔫系數(shù)和剩余土壤含水量之間，簡(jiǎn)單地利用飽和含水量和萎蔫系數(shù)表示土壤含水量的最大、最小值會(huì)導(dǎo)致一定的誤差。

4 結(jié)論

地表溫度-植被指數(shù)特征空間法結(jié)合可見光與熱紅外遙感方法反演土壤含水量的優(yōu)點(diǎn)，可以反映出一定空間尺度上的土壤濕度情況，而且方法簡(jiǎn)單易用、精度較高，物理意義明確，是一種常用的土壤含水量反演方法。

溫度日較差DTR對(duì)云覆蓋、降雨、地表徑流等因素較為敏感，本文提出的DTR-FVC特征空間方法在地表溫度-植被指數(shù)特征空間原有優(yōu)勢(shì)的基礎(chǔ)上，減小了由瞬時(shí)地表溫度不確定帶來(lái)的土壤含水量估算誤差。相較于傳統(tǒng)的LST-FVC特征空間，DTR-FVC特征空間的土壤含水量反演結(jié)果具有更高的精度，證明溫度日較差DTR在土壤含水量的反演研究中具有很大潛力。而且DTR-FVC特征空間在土壤含水量較低的區(qū)域反演精度更高，更適用于干旱/半干旱地區(qū)。

和地表溫度-植被指數(shù)特征空間法一樣，DTR-FVC特征空間法同樣難以獲取受云影響的像元的土壤含水量。另外，本文只使用了西班牙Duero盆地中部地區(qū)的REMEDHUS土壤含水量觀測(cè)網(wǎng)絡(luò)對(duì)計(jì)算結(jié)果進(jìn)行驗(yàn)證，由于天氣和站點(diǎn)的原因，一天中可用的實(shí)測(cè)數(shù)據(jù)一般在15個(gè)以內(nèi)，有一定的局限性。