基于Sentinel-2A影像的OPTRAM模型及其改進模型的土壤水分估算研究

朱燕香,潘劍君,白浩然,康翔

(南京農業大學資源與環境科學學院,江蘇 南京 210095)

土壤水分在農業生產、氣象變化和水文過程中具有重要作用,是干旱監測和管理的關鍵[1]。土壤水分傳統研究耗時耗力,且研究區域受限[2],而遙感技術為大范圍、多時空監測土壤水分提供了有力手段,同時還具有快速、及時和便捷等優點[3]。遙感技術發展至今,各國為監測地表土壤水分已發射多種高時空分辨率的衛星,如歐洲土壤濕度與海洋鹽度(SMOS)衛星[4]、高級散射儀(ASCAT)[5]以及主被動微波衛星SMAP[6]等。

近年來,國內外學者對土壤水分監測進行了大量的研究[7-10]。條件植被溫度指數(VTCI)是利用條件植被指數、條件溫度指數以及距平植被指數對研究區年度間相對干旱程度進行監測的指數[11]。詹志明等[12]利用近紅外波段和紅光波段反射率建立光譜特征空間,根據土壤水分在該特征空間的分布規律,提出遙感干旱監測新指數——垂直干旱指數(PDI),改進的垂直干旱指數(MPDI)[13]是在垂直干旱指數的基礎上加入植被覆蓋度后提出的干旱監測指標。吳春雷等[14]根據垂直干旱指數和垂直植被指數的空間分布規律提出了植被調整垂直干旱指數(VAPDI)。

傳統的梯形模型(thermal-optical trapezoid model,TOTRAM)是一種將熱遙感數據和光學遙感數據相結合反演土壤水分的模型。如:由Sandholt基于地表溫度(Ts)與歸一化植被指數(NDVI)之間關系的空間數據關系,提出的溫度植被干旱指數(TVDI)[15]。它存在2個明顯的問題:模型所用遙感數據必須同時包含光學波段和熱紅外波段,故不適用于不提供熱波段數據的衛星(例如:Sentinel-2);地表溫度不僅受土壤水分的影響,還受大氣條件如風速、空氣溫度和空氣濕度等影響[16]。因此,傳統的梯形模型需要多種對應的大氣參數進行校準。為解決這2個問題,Sadeghi等[17]提出基于物理的OPTICAL TRApezoid模型(OPTRAM)反演地表土壤水分。OPTRAM模型是由NDVI與短波紅外變換反射率(STR)組成的,它不需要熱波段數據,可用于僅提供光學波段的衛星;并且,短波紅外反射率不會隨大氣條件發生顯著變化。因此,OPTRAM模型可以免于大氣參數校準。

Sentinel-2是具有時空分辨率高、重返周期短等優勢的遙感衛星,但由于該衛星發射時間較短,目前光學遙感的土壤水分反演研究主要集中在基于Landsat 或MODIS等衛星的大中型研究區,應用Sentinel-2影像反演小區域土壤水分的研究較少。本文以Sentinel-2A影像為數據源,應用OPTICAL TRApezoid模型(OPTRAM)對南京市六合區北部地區進行土壤水分反演適用性研究,并利用NDVI-DFI像元三分模型對該模型進行改進,使土壤水分反演精度提高,并分析改進模型反演取得更高精度的原因,從而推動后續的土壤水分反演工作。

1 研究區域與數據

1.1 研究區概況

研究區位于江蘇省南京市六合區(118°33′～119°00′E,32°21′～32°37′N),約有750 km2,地貌大部分屬寧鎮揚山區,北部為丘陵崗地,南部為平原崗地,平均海拔20 m。該地區位于北亞熱帶濕潤的季風氣候區,雨熱同期,日照充足,四季分明,年平均氣溫為16 ℃,年平均降雨量為1 157 mm。研究區土地利用類型多樣,以農用地為主,林地所占比例較大,全區林地覆蓋率約為6%。主要農業種植物是油菜、水稻和小麥,數據采集時為小麥成熟期。

1.2 實測數據

2019年5月22—23日對研究區進行野外數據采集。獲得的數據包括TDR(time-domain reflectometry)水分儀測得的表層10 cm土壤水分數據、GPS點位數據以及采樣點的土地利用狀況數據等。研究區地理位置及采樣點分布如圖1所示。每個采樣點測定5個數據,取平均值作為采樣點的實測值。本次采集數據共39個,用于模型的擬合驗證。

1.3 遙感數據

Sentinel-2A是2015年6月23日成功發射的第1顆“哥白尼計劃”的光學遙感衛星,有13個光譜波段,重返周期為10 d,空間分辨率最高可至10 m,在非商業衛星中具有極大的優勢,常被用于全球陸地觀測以及自然災害的監測與管理等。

本研究獲得2019年5月22日2景Sentinel-2A L1C影像,均來自于歐洲空間局(https://scihub.conpernicus.ed/dhus/#/home)。Sentinel-2A L1C影像是經過正射校正和幾何精校正后的大氣表觀反射率產品,但是并沒有經過輻射定標和大氣校正。利用歐洲空間局提供的Sen2cor插件,生成能直接使用的Sentinel-2A L2A數據。重采樣分辨率至10 m,在ENVI中將所需的6個光譜波段(Band 2、Band 3、Band 4、Band 8、Band 11和Band 12)合成,再進行影像拼接和裁剪,并運用歸一化水指數(normalized difference water index,NDWI)和NDVI指數閾值法進行水體掩膜處理,監督分類法進行不透水層掩膜處理。

2 研究方法

2.1 OPTRAM模型

有研究發現短波紅外轉換反射率(shortwave infrared transformed reflectance,STR)與裸土和植被覆蓋區根系土壤水分之間有線性物理關系[16]。Sadeghi等[17]以此為基礎提出一種新的光學梯形模型(OPTICAL TRApezoid Model,OPTRAM)。該模型根據STR與NDVI的特征空間分布進行土壤水分估算。

(1)

式(1)中:STR代表短波紅外轉換反射率;STRd和STRw分別代表土壤的干、濕狀態的STR。

(2)

式(2)中:RSWIR表示短波紅外的反射率。本文中短波紅外波段為Sentinel-2A中的中心波長為2 190 nm的Band 12。

STRd=id+sdNDVI

(3)

STRw=iw+swNDVI

(4)

式(3)、式(4)中:id、sd和iw、sw分別表示干邊和濕邊擬合方程的截距和斜率,用于求解梯形模型中有固定間隔的NDVI的短波紅外轉換反射率最大值STRmax和短波紅外轉換反射率最小值STRmin。目前,已有不少研究將遙感植被指數量化進而分析植物生長狀態并將其與根系土壤水分聯系起來。土壤水分狀況會影響植被的水分狀況,從而改變植被的光譜特征。本文假定土壤水分與植被含水量存在線性關系。

由上述公式可以看出該模型與傳統的梯形模型類似,不同之處在于以STR代替地表溫度(land surface temperature,LST)。OPTRAM模型的STR-NDVI散點圖也存在干邊和濕邊之分。干邊代表地表干旱情況下的STR,濕邊代表地表水分充足情況下的STR。

2.2 改進的OPTRAM模型

2.2.1 NDVI-DFI像元三分模型非光合植被(non-photosynthetic vegetation,NPV)是指不能將太陽能轉化為用于其自身生長和發育的化學能的植物[18],包括衰老或死亡的植被。常見非光合植被有凋落物、作物茬、枯葉等。在傳統梯形模型和OPTRAM模型中常用NDVI作為植被量的衡量指標,但是模型中真正需要的信息為光合植被的覆蓋量,所以單純用植被指數去計算會出現一定的誤差。國內外學者發現將干枯燃料指數(dead fuel index,DFI)用于估算非光合植被覆蓋度時具有很大的潛力,將其與NDVI相結合建立NDVI-DFI模型,通過該模型的二維空間分布可以將混合像元分解為土壤(BS)、光合植被(PV)和非光合植被(NPV)3個端元。

(5)

(6)

式中:RSWIR1、RSWIR2、RRED、RNIR分別為Sentinel-2A影像的Band 12、Band 11、Band 4和Band 8。為避免水體和建筑用地等影響產生異常值,在計算指數前對影像進行指數閾值法和監督分類法掩膜處理。

圖2為NDVI-DFI像元三分模型示意圖,特征空間近似表現為三角形,其中NPV的NDVI高、DFI低,位于三角形的左上部;BS的NDVI和DFI均很低,位于三角形的左下部;PV的NDVI高,DFI很低,位于右側中部;混合像元分布在三角形內部[19]。

2.2.2 OPTRAM模型的改進在ENVI中對預處理過的Sentinel-2A影像進行最小噪聲分離(MNF)變換降維,選擇能代表大部分信息的前5個分量進行投影。然后設定參數,其中迭代次數為2 000,閾值系數為2.5,得到像元純凈指數(PPI)。最后取PPI大于3且又靠近NDVI-DFI模型特征空間定點的像元為純凈像元,分別計算3個頂點純凈像元的平均指數作為相應端元的特征值。

用PPI指數法確定BS、PV、NPV端元值,利用ENVI 5.2軟件中的Triangular Linear Spectral Unmixing擴展工具對預處理的Sentinel-2影像進行分解,得到光合植被覆蓋度(Fpv)、非光合植被覆蓋度(Fnpv)和土壤覆蓋度(Fbs)的RGB合成圖。用Fpv代替OPTRAM模型中的NDVI,用以改進OPTRAM模型。

3 結果與分析

3.1 NDVI-DFI模型反演光合植被覆蓋度

3.1.1 NDVI-DFI模型可分性從圖3可知:當NDVI小于0.25時,DFI隨NDVI的增大而增大;當NDVI大于0.25時,DFI隨NDVI的減小而減小。同時能夠看出該特征空間分布表現為三角形。BS、PV、NPV在NDVI和DFI的分布具有明顯的差異,可以將BS、PV和NPV 3個端元區分開來,即NDVI-DFI模型用于本研究區混合像元分解可行。因此,本文基于Sentinel-2A影像所構建的NDVI-DFI特征空間滿足該模型線性分解的基本假設。

3.1.2 混合像元三分結果研究區的植被覆蓋度空間差異較大,植被覆蓋達到100%的區域主要位于西北部以及中部地區的山地和林地。像元二分模型假設混合像元為土壤和植被2種端元組成,本文分別取NDVI累積頻率置信度5%和95%作為NDVIsoil和NDVIvegetable的近似值對混合像元進行分解。由ENVI對像元二分植被覆蓋度(Fv)的6 261 761個像元統計結果(圖4-A)可知,零植被覆蓋度為研究區的4.89%,全植被(100%)覆蓋度為5.15%。在0

像元三分模型得到的光合植被覆蓋度(圖4-B)與像元二分模型得到的植被覆蓋度數值大致一致,但是整體上像元三分模型得到的光合植被覆蓋度要大于像元二分植被覆蓋度。山湖水庫正下方的16號采樣點位于戀山壩上草原,該樣點無裸露的土壤,像元三分模型得出光合植被覆蓋度(Fpv)為50.78%,非光合植被覆蓋度(Fnpv)為49.22%,像元二分結果的植被覆蓋度(Fv)為62.66%,土壤覆蓋度(Fbs)為37.34%;山湖水庫上方的28號采樣點為一片荒地,土壤、枯草和綠草混合交錯,像元三分結果顯示:Fbs、Fnpv和Fpv分別為22.22%、49.79% 和27.99%,像元二分結果Fv為35.96%,Fbs為64.04%。Fpv低于Fv的原因可能是像元二分模型直接將非光合植被端元當作土壤端元進行處理,無法判別非光合植被和土壤,還可能因為像元二分模型存在將部分土壤與光合植被混肴的問題。

3.2 OPTRAM及其改進模型特征空間的構建結果

取NDVI=0.01為固定間隔,切割STR與NDVI組成的二維空間散點圖,分別找到間隔內STR的最大值(STRmax)和最小值(STRmin),最后線性擬合STR-NDVI值,得到干邊和濕邊。OPTRAM特征空間分布圖以NDVI為橫坐標,STR為縱坐標。

由圖5和表1可知:與傳統的梯形模型相似,OPTRAM和改進的OPTRAM的特征空間分布均表現為梯形,干、濕邊擬合效果良好,其中OPTRAM的STR-NDVI空間的干邊擬合決定系數(coefficient of determination,R2)為0.56,濕邊R2為0.34,改進的OPTRAM的STR-Fpv特征空間的干、濕邊擬合度都優于STR-NDVI特征空間,干邊R2為0.60,濕邊R2為0.42,2個模型的干邊均表現為負相關,濕邊均表現為正相關。

表1 STR-NDVI和STR-Fpv的干、濕邊擬合Table 1 The fitting dry and wet edges of STR-NDVI and STR-Fpv

NDVI能夠增加植被在遙感影像中的反應特征,同時減少土壤反射信息的影響。但是NDVI在反映植被覆蓋時仍有一定的局限性,當植被覆蓋度較低,NDVI對植被量的指示作用下降[20]。土壤和非光合植被的光譜反射曲線相似,僅用NDVI是很難區分2個端元,所以STR-NDVI特征空間中當NDVI較小時,與STR的特征空間里的散點分布比較離散。由于NDVI的飽和性問題,當NDVI達到0.8左右,就無法再表達更加茂盛的植被覆蓋度情況。由圖5可以看到:STR-NDVI特征空間中當NDVI大于0.8時,與STR的擬合曲線更趨于曲線,而非直線。STR-Fpv特征空間中用光合植被覆蓋度Fpv表示植被覆蓋狀況,在植被量過低或過高時,解決了NDVI對植被覆蓋度反應靈敏度下降的問題。2個模型的特征空間的干、濕邊擬合精度結果顯示,改進的OPTRAM模型更具優勢。

3.3 與實測含水量的相關性驗證

利用野外獲取的GPS經緯度定位信息,提取對應的各采樣點的TVDI、OPTRAM、OPTRAM(Fpv)值,與TDR水分儀實測的39個地表10cm土壤水分含量進行最小二乘回歸分析。從圖6可見:土壤水分與遙感反演指數均表現為良好的負相關線性關系,TVDI、OPTRAM和OPTRAM(Fpv)模型計算的指數值越高,土壤含水量越低,土壤干旱越嚴重。因此,本文所用指數均能用于土壤水分反演研究。OPTRAM與實測土壤含水量的擬合決定系數(R2=0.38)與較為成熟的TVDI方法的擬合結果(R2=0.39)相近。這一結果表明OPTRAM模型在南京六合區反演土壤水分的可適用性,其反演精度與TVDI反演精度近似。

改進的OPTRAM(Fpv)模型的模擬值與實測數據的擬合效果達顯著水平(R2=0.55,RMSE=0.03,P<0.01),反演得到的指數能反映土壤水分情況,相較于OPTRAM模型的擬合效果(R2=0.38,RMSE=0.03,P<0.01)大大提高。去除非光合作用植被(NPV)的影響,改進的OPTRAM(Fpv)模型能更加準確地反映研究區的植被覆蓋狀況。改進的OPTRAM(Fpv)模型的反演效果要比OPTRAM模型的效果好,有更高的擬合精度和更好的模型穩定性。

4 結論與討論

本文基于Sentinel-2A影像通過構建STR-NDVI特征空間建立OPTRAM模型對南京市六合區進行土壤水分反演研究。通過NDVI-DFI像元三分模型將研究區混合像元分解為土壤、光合植被和非光合植被3種端元,將得到的光合植被覆蓋度(Fpv)引入OPTRAM模型,構建STR-Fpv特征空間,建立改進的OPTRAM模型。

由于研究區為多種地表覆蓋混合地區,并非在常應用NDVI-DFI模型的草原等地區,生成的特征空間沒有表現為一個理想的三角形。研究區以農用地為主,林地所占比例也較大。5月為植被生長茂盛時期,大量的光合植被存在,土壤和非光合植被覆蓋,導致DFI值較低。同時,研究區的純凈光合植被像元要遠遠多于純凈的土壤像元和非光合植被像元,使空間分布傾向于光合植被。

蠟熟期小麥開始衰亡,到完熟期體內水分含量降低至10%左右,葉綠素含量幾乎為0,干物質停止累積,麥稈逐漸失去彈性,光合作用減弱,吸收率下降,紅光反射率上升[21]。植被指數是基于植被葉綠素在0.69μm處的強吸收,像元三分模型根據光譜反射率計算得到的NDVI和DFI將完熟期小麥歸類為非光合植被。完熟期冬小麥反射率較基底枯落物(長期的NPV)反射率偏高,計算得到的DFI偏低。由于裸土像元與非光合植被光譜相似,像元二分模型直接將完熟期的小麥作土壤處理,這也是像元二分模型將土壤與非光合植被混肴的根本原因。像元三分模型得到的光合植被覆蓋度(Fpv)與像元二分模型得到的植被覆蓋度Fv分布總體相似,但是Fpv值要略低于Fv。

OPTRAM是基于STR-NDVI特征空間構建的模型,其核心是干、濕邊擬合方程的確定[22]。OPTRAM模型的STR-NDVI特征空間分布與改進的OPTRAM(Fpv)模型的STR-Fpv特征空間分布為明顯的梯形,干、濕邊擬合效果顯著,均表現干邊為負相關,濕邊為正相關。STR-Fpv特征空間的干、濕邊擬合方程的決定系數都大于STR-NDVI特征空間的決定系數。

傳統的梯形模型(如TVDI)是較為成熟的土壤水分反演研究方法。溫度植被干旱指數(TVDI)利用植被指數與地表溫度的強相關性和對土壤水分信息的互補,通過構建LST/NDVI特征空間,確定植被指數在水分充足和嚴重缺水條件時的地表溫度之間的關系,達到反演土壤水分的目的。近年來,國內外不少學者用TVDI來監測土壤干旱情況[23-25]。TVDI、OPTRAM和改進的OPTRAM(Fpv)與實測土壤水分數據擬合結果顯示為顯著負相關(P<0.01),OPTRAM與TVDI的反演效果近似,在南京地區OPTRAM模型具有可適用性。相對于OPTRAM模型,改進的OPTRAM(Fpv)模型與實測土壤水分的擬合精度大大提升。