李雪冬,紅 英,費(fèi) 龍,劉昀昊,王 浩,薛 澤

(1.長(zhǎng)春師范大學(xué)地理科學(xué)學(xué)院,吉林 長(zhǎng)春 130032;2.內(nèi)蒙古師范大學(xué)地理科學(xué)學(xué)院,內(nèi)蒙古 呼和浩特 010000)

0 前言

土壤含水量(Soil Water Content,SWC)強(qiáng)烈控制著顯熱和潛熱通量之間的能量再分配,是地表與大氣界面的重要狀態(tài)參量,直接影響土壤的性質(zhì)和植物生長(zhǎng)狀況,間接控制著植物分布以及生態(tài)系統(tǒng)小氣候的變化[1]。土壤水分是氣候、水文、生態(tài)、農(nóng)業(yè)等領(lǐng)域衡量土壤干旱程度的重要指標(biāo),更是陸面過程模型、水文模型與生態(tài)過程模型的一個(gè)必要變量[2-3]。土壤含水量的時(shí)空分布與變化研究有助于進(jìn)一步明確植被與土壤的關(guān)系,便于理解陸氣間熱量平衡與溫度變化,同時(shí)也可為土地覆被空間格局、作物估產(chǎn)、抗旱救災(zāi)以及水土資源利用等提供決策支持。

SWC時(shí)空格局特征與旱情監(jiān)測(cè)通常涉及較大區(qū)域,具有持續(xù)性和偶然性的特點(diǎn),同時(shí)受外界環(huán)境作用導(dǎo)致空間上具有較強(qiáng)的變異性。傳統(tǒng)的土壤水分測(cè)量方法[4],如烘干法、土壤時(shí)域反射儀(TDR)測(cè)量法等,雖然能夠非常精確地獲得SWC信息,但在短時(shí)間內(nèi)獲取大范圍的土壤水分信息時(shí),會(huì)受到人力與財(cái)力方面的限制。遙感技術(shù)具有時(shí)效性強(qiáng)、監(jiān)測(cè)范圍廣且成本較低等優(yōu)點(diǎn),憑借較高的時(shí)空分辨率,可以實(shí)現(xiàn)長(zhǎng)時(shí)間大區(qū)域的動(dòng)態(tài)監(jiān)測(cè)。眾多學(xué)者基于土壤水分與植被生長(zhǎng)狀況和地表溫度的關(guān)系理論,尋求基于遙感的土壤水分監(jiān)測(cè)和旱情判別方法,溫度植被干旱指數(shù)(Temperature Vegetation Dryness Index,TVDI)是最常用方法之一[5-6],基于MODIS數(shù)據(jù)的TVDI干旱監(jiān)測(cè)方法在國(guó)際上得到了廣泛的應(yīng)用和認(rèn)可,也是我國(guó)氣象部門干旱監(jiān)測(cè)業(yè)務(wù)化應(yīng)用的主要方法之一。PRICE、CARLSON、GOETZ和SANDHOLT等認(rèn)為NDVI和Ts特征空間呈三角形關(guān)系,高中靈等[7]在此基礎(chǔ)上對(duì)植被指數(shù)進(jìn)行對(duì)數(shù)變換,建立了ATVDI方法;HOLZMAN等[8]建立了LST與其他植被指數(shù)的關(guān)系,發(fā)現(xiàn)植被指數(shù)對(duì)土壤水分反演結(jié)果影響較大;劉立文等[9]引入多種植被指數(shù),并對(duì)比了各種指數(shù)之間的關(guān)系,證實(shí)了上述結(jié)論,同時(shí)還發(fā)現(xiàn)利用DEM對(duì)Ts進(jìn)行地形校正,反演TVDI具有更高的精度。

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)憑借穿透性強(qiáng)的特點(diǎn),使其獲取數(shù)據(jù)不受云層和光線的影響,并且對(duì)土壤表面水分高度敏感,在SWC反演中被廣泛使用。豐富的模型為微波遙感反演土壤水分信息提供了物理基礎(chǔ)和多樣化的工具,但在植被覆蓋條件下,微波信號(hào)的組成則變得十分復(fù)雜[10],反演植被覆蓋下的SWC重點(diǎn)在于如何有效地分離出植被對(duì)微波散射信號(hào)的相對(duì)貢獻(xiàn)[11]。借助植被的生物、物理特性挖掘植被散射信號(hào)的特征,并借助光學(xué)遙感數(shù)據(jù)定量反演植被參數(shù)信息是近年來研究熱點(diǎn)[12]。BAGHDADI等[13]利用植被指數(shù)來減少植被層的散射貢獻(xiàn),降低土壤水分反演的不確定性;BAO等[14]使用歸一化水體指數(shù)校正水云模型,減少了植被對(duì)估算SWC的影響,在植被特征參數(shù)表達(dá)后向散射信號(hào)的能力評(píng)價(jià)、模型參數(shù)的識(shí)別以及整體求解方案等方面的研究取得了一定的成果。微波數(shù)據(jù)雖然在反演SWC時(shí)表現(xiàn)出較強(qiáng)的能力,但數(shù)據(jù)獲取時(shí)間和資源上還不及可見光數(shù)據(jù)。

我國(guó)東北黑土區(qū)被稱為世界三大黑土區(qū)之一,主要分布在松嫩平原以及周圍低臺(tái)地區(qū)域,具有土層厚、有機(jī)質(zhì)含量高、肥力高等特點(diǎn),素有“土中之王”的美稱,對(duì)于我國(guó)糧食安全有著舉足輕重的意義。本研究從土壤水分含量對(duì)植被生長(zhǎng)過程健康程度與農(nóng)作物產(chǎn)量影響的相對(duì)重要性出發(fā),協(xié)同Sentinel-1的合成孔徑雷達(dá)數(shù)據(jù)與Sentinel-2多光譜數(shù)據(jù),結(jié)合修正的水云模型,實(shí)現(xiàn)東北黑土區(qū)的SWC定量反演,分析SWC的空間分異特征;為了彌補(bǔ)Sentinel數(shù)據(jù)量大、獲取時(shí)間序列數(shù)據(jù)困難的不足,借助時(shí)間序列MOD11A2和MOD13A3產(chǎn)品計(jì)算TVDI,構(gòu)建黑土區(qū)SWC時(shí)間序列數(shù)據(jù)集,分析不同土地利用類型的SWC變化趨勢(shì),進(jìn)而分析土壤水分的時(shí)空分布特征與氣象因子的關(guān)系,挖掘土壤水分變化的主導(dǎo)因子。研究結(jié)果可為黑土地保護(hù)、抗旱監(jiān)測(cè)、作物估產(chǎn)以及研究土地覆被格局特征等提供數(shù)據(jù)支撐。

1 數(shù)據(jù)源與方法

1.1 研究區(qū)

由于對(duì)“黑土”土壤類型的看法不同而導(dǎo)致東北黑土區(qū)的界限劃定存在不同方案。本研究選取的“黑土區(qū)”為劉寶元等以土壤發(fā)生學(xué)分類的黑土、黑鈣土、栗鈣土和灰色森林土作為黑土區(qū)標(biāo)志、采用“中心引力集聚法”反復(fù)迭代產(chǎn)生的東北典型黑土區(qū)[15],該區(qū)域面積為33.32萬km2,共涉及138個(gè)縣級(jí)行政區(qū)(表1),分為松嫩黑土亞區(qū)、蒙東黑土亞區(qū)以及三江黑土亞區(qū)。松嫩黑土亞區(qū)主要分布在松嫩平原及其四周臺(tái)地低丘區(qū),蒙東黑土亞區(qū)主要分布在內(nèi)蒙古東部地區(qū),三江黑土亞區(qū)為向東延伸出的部分(圖1)。本研究選取的黑土區(qū)土壤結(jié)構(gòu)良好,土層疏松軟綿,呈中性或微酸性,理化性能好,素有“土中之王”的美稱,對(duì)我國(guó)糧食安全起著關(guān)鍵作用,是重要的商品糧基地。該黑土區(qū)氣候冬季寒冷,1月平均氣溫-6～-32 ℃,春秋兩季干旱多風(fēng),年降雨量一般在400～1 200 mm,夏季雨量充沛,主要集中于6月至9月(全年降水量的70%以上)。地貌分布規(guī)律性強(qiáng)且類型多樣,自南向北跨越了暖溫帶、中溫帶、寒溫帶3個(gè)不同的自然地帶,從東到西橫穿濕潤(rùn)區(qū)、亞濕潤(rùn)區(qū)、亞干旱區(qū)等不同的氣候區(qū),自然植被由東南向西北依次為落葉闊葉林、落葉闊葉及針葉混交林、針葉林和草原,植被生長(zhǎng)茂盛,根系發(fā)達(dá),在地上與地下積累了大量的有機(jī)質(zhì)。

圖1 研究區(qū)位置圖

表1 東北典型黑土區(qū)面積統(tǒng)計(jì)

1.2 數(shù)據(jù)源

“哨兵”系列衛(wèi)星是歐洲哥白尼空間部分(GSC)的專用衛(wèi)星系列,Sentinel-1搭載了C波段SAR傳感器,涉及波模式、干涉寬幅模式、條帶模式和超寬幅模式等4種數(shù)據(jù)獲取模式,時(shí)間分辨率為12 d,極化方式為VV和VH。利用歐空局提供的SNAP軟件對(duì)Sentinel-1A的SAR數(shù)據(jù)進(jìn)行斑點(diǎn)濾波、輻射定標(biāo)和地理編碼,提取相應(yīng)的微波后向散射系數(shù)。Sentinel-2多光譜數(shù)據(jù)的時(shí)間分辨率為5 d,包含13個(gè)波段,本研究采用空間分辨率為20 m的植被紅邊波段和短波紅外波段計(jì)算NDWI用于反演植被含水量。土地利用類型數(shù)據(jù)為Sentinel-2衛(wèi)星圖像構(gòu)建的10 m分辨率數(shù)據(jù)。本研究還用到了MODIS產(chǎn)品數(shù)據(jù),其中包括地表溫度產(chǎn)品(MODIS11A2,LST)和植被指數(shù)產(chǎn)品(MODIS13A3,NDVI),空間分辨率1 km,數(shù)據(jù)來源于美國(guó)國(guó)家航空航天局(https://modis.gsfc.nasa.gov),研究區(qū)內(nèi)產(chǎn)品數(shù)據(jù)的可信度均在95%以上。DEM數(shù)據(jù)來源于地理空間數(shù)據(jù)云(http://www.gscloud.cn),圖像預(yù)處理包括拼接、裁剪以及壞道處理等,空間分辨率重采樣至1 km,將高程與坡度利用等間隔進(jìn)行分割,便于后期分析。氣象數(shù)據(jù)(月平均氣溫和降水?dāng)?shù)據(jù))來源于中國(guó)氣象局氣象數(shù)據(jù)中心(http://data.cma.cn),氣溫?cái)?shù)據(jù)對(duì)海拔變化較為敏感,插值考慮到了海拔因素的影響,采用ANUSPLIN氣象插值獲得,這樣在很大程度上消除山地區(qū)域海拔等因素對(duì)溫度的影響,因此空間插值的準(zhǔn)確率得到了極大提高。降水采用克里金插值,插值空間分辨率與MODIS產(chǎn)品數(shù)據(jù)一致。

1.2.2 地面實(shí)測(cè)數(shù)據(jù)

地面采樣時(shí)間為2020年8月1～5日(圖1),由于Sentinel-1A衛(wèi)星8月2日從研究區(qū)過境,盡量保障了地面實(shí)測(cè)與衛(wèi)星過境時(shí)間的同步性,樣點(diǎn)主要分布在吉林省和黑龍江省境內(nèi)。在研究區(qū)內(nèi)共設(shè)置29個(gè)樣方,每個(gè)樣方在2 m×2 m的正方形范圍內(nèi),選擇對(duì)角線與中心5個(gè)位置進(jìn)行取樣,使用GPS記錄坐標(biāo),每次取樣選擇土壤表面0～5 cm左右的土壤,充分混合后取雜質(zhì)較少的土壤放入鋁盒中稱重,之后在105 ℃的烘干箱中進(jìn)行充分烘干,待土壤恒重后進(jìn)行稱重記錄,測(cè)得土壤含水量[16]。

1.3 研究方法

1.3.1 土壤含水量反演模型

1.3.1.1 TVDI計(jì)算方法

研究表明植被指數(shù)與地表溫度構(gòu)建的特征空間呈現(xiàn)三角形或者梯形分布。SANDHOLT等利用簡(jiǎn)化的LST-NDVI特征空間提出了TVDI[17],其中TVDI的表達(dá)式為:

在地質(zhì)遺跡調(diào)查中發(fā)現(xiàn)的冰臼大多屬于側(cè)洞冰臼，就是冰臼的開口朝向旁側(cè)，與山頂部位開口向上的冰臼相區(qū)別。朗鄉(xiāng)花崗巖石林地質(zhì)公園是側(cè)洞冰臼分布最多的地區(qū)。

(1)

式中,T代表TVDI,L代表的是地表溫度(℃);Lmax代表的是給定植被指數(shù)下的最大地表溫度(℃);Lmin為給定植被指數(shù)下的地表溫度的最小值(℃)。Lmax和Lmin的表達(dá)式分別為:

Lmax=a+b×ND,

(2)

Lmin=c+d×ND.

(3)

式(1)為干、濕邊的擬合方程,T數(shù)值在0～1之間,其中T值越大,則代表土壤含水量越低,旱情越嚴(yán)重,在0.4之內(nèi)為地表濕潤(rùn)狀態(tài),無干旱現(xiàn)象,當(dāng)T在0.4～0.6之間為輕旱,而T大于0.6為較干旱現(xiàn)象,ND表示植被指數(shù)NDVI。

1.3.1.2 修正水云模型

1978年ATTEMA和ULABY[18]在估算農(nóng)作物覆蓋下土壤水分時(shí)提出了水云模型(Water-Cloud model),該模型假設(shè)植被覆蓋層為均值的散射體,不考慮植被與地表的多次散射,因此將獲取的散射信號(hào)看作是農(nóng)作物的直接反射以及農(nóng)作物雙次衰減后的地表散射之和,因此微波后向散射可以表示為公式(4):

σC=σV+γ2σS,

(4)

式中,σC為植被覆蓋地表獲取的總的微波后向散射系數(shù),σV與σS分別為植被層的后向散射系數(shù)和土壤層直接后向散射系數(shù),γ2為微波穿透植被層的雙層衰減因子。它們的表達(dá)式分別為:

σV=Amvcosθ(1-γ2),

(5)

γ2=exp(-2Bmvsecθ),

(6)

式中,mv(kg/m2)為植被含水量,θ為入射角,γ2為植被觀測(cè)透過率。A和B為模型的經(jīng)驗(yàn)參數(shù),水云模型參數(shù)采用BINDLISHI等[19]在不同土地覆被方式中的參數(shù)結(jié)果。將式(5)、式(6)代入式(4),并變形可獲得土壤層直接后向散射系數(shù)為:

(7)

植被含水量是水云模型的重要輸入?yún)?shù),在植被覆蓋區(qū)域的土壤水分反演中具有重要的作用,研究表明植被含水量與光譜指數(shù)之間具有良好的擬合關(guān)系,本研究采用經(jīng)驗(yàn)?zāi)Ｐ头▽?duì)不同的植被含水量進(jìn)行反演,其中模型參數(shù)借助JACKSON等[20]的研究結(jié)果。

1.3.1.3 模型評(píng)價(jià)

本研究反演的土壤水分?jǐn)?shù)據(jù)用野外實(shí)測(cè)的數(shù)據(jù)進(jìn)行校驗(yàn),反演結(jié)果精度用決定系數(shù)(R2)和均方根誤差(Re)進(jìn)行評(píng)價(jià),決定系數(shù)(R2)用于表征實(shí)測(cè)值和模擬值之間的擬合優(yōu)度,值越接近于1,代表擬合性越好,Re反映了模擬值與實(shí)測(cè)值間的偏離程度,值越小模型的反演精度越高。

(8)

式中,Qi為實(shí)測(cè)值,Pi為模型反演值,n為驗(yàn)證樣本數(shù)量。

1.3.2 分析方法

1.3.2.1 相關(guān)分析

本研究中的相關(guān)系數(shù)采用的是Pearson相關(guān)系數(shù),主要用于分析TVDI與溫度和降水間的相關(guān)關(guān)系,相關(guān)系數(shù)可用來表示兩個(gè)變量之間的緊密程度,公式如下:

(9)

式中,x表示TVDI,y表示溫度或降水,n為樣本數(shù)量。rxy為所求變量相關(guān)系數(shù),絕對(duì)值越大代表相關(guān)程度越大。采用t檢驗(yàn)判斷rxy是否顯著。

1.3.2.2 趨勢(shì)分析

本文應(yīng)用一元線性回歸法,分析黑土區(qū)2000—2020年SWC變化趨勢(shì),其變化斜率采用最小二乘法計(jì)算,公式為:

(10)

式中,n為研究時(shí)段年數(shù);Ti為某像元第i年的TVDI均值;θs為該像元TVDI年際變化斜率,θs大于零時(shí)TVDI為增大趨勢(shì),則旱情加重,反之表示旱情減輕。

2 結(jié)果分析

2.1 模型適用性評(píng)價(jià)

本研究分別用到了基于Sentinel微波數(shù)據(jù)的修正水云模型和MODIS產(chǎn)品數(shù)據(jù)的TVDI兩種方式反演研究區(qū)土壤水分含量,并且對(duì)比了Sentinel微波數(shù)據(jù)VH/VV不同極化方式下的后向散射系數(shù),反演結(jié)果用實(shí)測(cè)的29個(gè)采樣點(diǎn)對(duì)其進(jìn)行驗(yàn)證,結(jié)果如圖2所示。圖2(a)、圖2(b)分別為VH和VV極化方式下,總后向散射系數(shù)和考慮植被后的后向散射系數(shù)對(duì)比;圖3為MODIS的TVDI反演結(jié)果精度。通過圖2(a)、圖2(b)可以發(fā)現(xiàn),實(shí)測(cè)的數(shù)據(jù)與借助Sentinel反演的數(shù)據(jù)均在擬合值附近,說明Sentinel在反演土壤水分時(shí)具有一定的潛力,分別分析圖2(a)、圖2(b)可以發(fā)現(xiàn),在考慮到植被對(duì)后向散射系數(shù)的影響后,修正的水云模型在VV/VH不同極化方式下的地表后向散射反演結(jié)果精度均較高,肯定了植被與地表的交叉散射在總后向散射中的貢獻(xiàn),在考慮植被影響后的水云模型均較原始的總后向散射系數(shù)值反演的結(jié)果有明顯提升。對(duì)比圖2(a)與圖2(b)可以發(fā)現(xiàn),無論是否考慮到植被影響的條件,VV極化條件下土壤后向散射系數(shù)的反演精度均比VH極化條件下得到的土壤后向散射系數(shù)的結(jié)果要好,其中VV在考慮植被影響的前提下,反演精度最高,R2和Re分別為0.75和0.015。基于Sentinel反演的土壤水分?jǐn)?shù)據(jù)雖然可以得到較為理想的效果,但該數(shù)據(jù)的應(yīng)用受數(shù)據(jù)獲取時(shí)間的限制,因此本研究采用MODIS計(jì)算的TVDI,進(jìn)行時(shí)間序列土壤水分?jǐn)?shù)據(jù)反演。由圖3分析可知,基于MODIS的TVDI反演出的土壤水分?jǐn)?shù)據(jù)與實(shí)測(cè)數(shù)據(jù)也具有較強(qiáng)的相關(guān)關(guān)系,其中R2和Re分別為0.71和0.053。

圖2 基于Sentinel不同極化方式反演土壤水分(SWC)精度驗(yàn)證

圖3 TVDI反演土壤水分(SWC)精度驗(yàn)證

2.2 黑土區(qū)地表水分的空間變化特征

為了分析研究區(qū)內(nèi)土壤水分的空間分異情況,本研究基于MODIS產(chǎn)品2000—2020年生長(zhǎng)季TVDI的均值以及Sentinel的VV極化方式下基于修正水云模型反演的2020年土壤含水量分別生成了黑土區(qū)土壤水分的空間分布圖(圖4)。由圖4可知基于Sentinel的反演結(jié)果與MODIS的TVDI反演結(jié)果具有相似的空間分布特征,黑土區(qū)的土壤水分情況呈現(xiàn)較強(qiáng)的空間異質(zhì)性。從空間特征而言,內(nèi)蒙古黑土亞區(qū)的土壤水分含量相對(duì)較低,干旱現(xiàn)象較為明顯,在松嫩平原區(qū)腹地干旱現(xiàn)象較為突出,低值區(qū)域主要分布在該區(qū)域的耕地區(qū)域,在松嫩平原的周邊區(qū)域,土壤濕度相對(duì)較高。整個(gè)黑土區(qū)的土壤水分含量相對(duì)較低,呈現(xiàn)干旱現(xiàn)象。

圖4 黑土區(qū)土壤水分空間分布特征

2.3 黑土區(qū)土壤含水量的時(shí)間變化特征

為了討論黑土區(qū)多年來土壤水分的變化情況以及時(shí)間序列特征,本研究分別獲取黑土區(qū)2000—2020年各土地利用類型的土壤水分變化趨勢(shì),如圖5所示,(a)表示的是整個(gè)黑土區(qū),(b)～(f)分別代表的土地利用類型依次為水田、旱地、有林地、灌木林地、草地。由圖5(a)可知黑土區(qū)的TVDI值隨著年份的變化呈現(xiàn)下降趨勢(shì)并且具有較強(qiáng)的顯著性特征,在各個(gè)土地利用類型中TVDI值均隨著年份均呈現(xiàn)下降趨勢(shì),其中旱地的TVDI值最高為0.84,灌木林地和草地的最大TVDI也均大于0.8,而水田的TVDI值雖然最高值小于0.75,但是在變化趨勢(shì)上水田的下降趨勢(shì)卻最為明顯,其次為草地和灌木林地,有林地相對(duì)變化較弱。不同植被類型區(qū)TVDI的平均值由大到小排序?yàn)楹档?、灌木林地、草地、有林地、水?這不僅反應(yīng)了不同土地利用類型TVDI的差異,也強(qiáng)調(diào)了空間尺度的重要性。

圖5 不同土地利用類型土壤水分變化情況

由于年均的TVDI值并不能全面反映出研究區(qū)內(nèi)的土壤水分的時(shí)空演變特征,因此本研究借助時(shí)間序列趨勢(shì)分析方法,獲得了研究區(qū)內(nèi)2000—2020年的逐象元的土壤水分變化趨勢(shì)的空間分布,得到的趨勢(shì)分布和P值(顯著性檢驗(yàn))如圖6所示。由圖可知TVDI值呈現(xiàn)升高趨勢(shì)的區(qū)域面積較小,而呈現(xiàn)下降趨勢(shì)的區(qū)域則相對(duì)較大,研究區(qū)內(nèi)的部分區(qū)域趨向干旱,其中變化最為明顯的為松嫩平原的南部以及內(nèi)蒙古亞黑土區(qū)的北部,而三江平原亞區(qū)則呈現(xiàn)波動(dòng)下降的趨勢(shì)。

圖6 2000—2020年黑土區(qū)土壤水分變化趨勢(shì)圖

2.4 影響因素

為了探討氣候因素對(duì)土壤水分的影響,本研究將土壤水分?jǐn)?shù)據(jù)與溫度和降雨數(shù)據(jù)進(jìn)行了相關(guān)分析(圖7),結(jié)果表明,研究區(qū)內(nèi)的TVDI 與降水量呈負(fù)相關(guān),有50.2%的地區(qū)TVDI與降水量的負(fù)相關(guān)關(guān)系通過顯著性檢驗(yàn),尤其是在內(nèi)蒙古亞區(qū),土壤水分與降雨的相關(guān)性顯著特征較為明顯。研究期間整體黑土區(qū)的土壤水分情況與氣溫的相關(guān)性特征并不顯著,其中有80.2%的區(qū)域沒有通過顯著性檢驗(yàn),說明隨著氣溫的升高,TVDI 的變化并不明顯。就整個(gè)區(qū)域而言,在松嫩平原尤其是南部區(qū)域,土地利用類型相對(duì)復(fù)雜,并且耕地相對(duì)較多,人為干擾較為嚴(yán)重,從而導(dǎo)致干旱情況不受單一因素控制,是多種因素共同作用的結(jié)果,降水量只在一定程度上影響這些地區(qū)的干旱情況。

圖7 TVDI變化影響因素分析

3 結(jié)論

本文從黑土區(qū)退化嚴(yán)重以及該區(qū)域?qū)ξ覈?guó)糧食安全的重要性出發(fā),基于Sentinel-1微波數(shù)據(jù),結(jié)合Sentinel-2數(shù)據(jù),借助水云模型實(shí)現(xiàn)了研究區(qū)內(nèi)的土壤水分反演,基于實(shí)測(cè)數(shù)據(jù)驗(yàn)證了Sentinel-1不同極化方式的反演精度,探討了Sentinel在土壤水分反演過程中的潛力。因受Sentinel數(shù)據(jù)獲取時(shí)間限制,本研究進(jìn)一步借助MOD11A2 LST、MOD13A2 NDVI數(shù)據(jù)集,計(jì)算了TVDI干旱監(jiān)測(cè)指數(shù),并分析了黑土區(qū)的時(shí)空分布格局,討論了不同土地利用類型長(zhǎng)時(shí)間序列的土壤水分變化情況。研究的主要結(jié)論如下:

第一,Sentinel-1數(shù)據(jù)和MODIS數(shù)據(jù)集在監(jiān)測(cè)黑土區(qū)土壤水分過程中均具有一定的潛力。在Sentinel-1微波反演土壤水分過程中,植被對(duì)后向散射系數(shù)影響較大,在去除植被影響后,Sentinel的VV/VH極化方式反演精度均有所提升,且VV極化方式表現(xiàn)出更大的潛力。對(duì)比Sentinel-1數(shù)據(jù)和MODIS數(shù)據(jù)可以發(fā)現(xiàn),Sentinel反演的土壤水分值要低于MODIS的TVDI反演結(jié)果,主要原因可能是MODIS數(shù)據(jù)并不能有效去除植被的影響。

第二,黑土區(qū)內(nèi)植被生長(zhǎng)季的TVDI平均值為0.6,具有較強(qiáng)的空間異質(zhì)性,其中干旱現(xiàn)象主要分布在松嫩平原腹地的旱地區(qū)域。分析2000—2020年的黑土區(qū)土壤水分含量的時(shí)間變化趨勢(shì)可以發(fā)現(xiàn),研究區(qū)內(nèi)的干旱情況較為顯著,但干旱有緩解的趨勢(shì),其中旱地、草地區(qū)域旱情較為明顯。

第三,黑土區(qū)內(nèi)的土壤水分情況受到氣溫和降雨的共同作用,研究區(qū)內(nèi)TVDI與氣溫呈現(xiàn)正相關(guān)與降雨呈現(xiàn)負(fù)相關(guān),分析研究區(qū)內(nèi)的逐象元的控制因子可知,降雨相對(duì)于氣溫對(duì)研究區(qū)內(nèi)的干旱影響更為直接,其中受降雨影響的區(qū)域較大,而受溫度影響的區(qū)域較小。整體而言在松嫩平原中部受降雨的影響較為嚴(yán)重,而在內(nèi)蒙古黑土亞區(qū)受溫度的影響較為嚴(yán)重。

黑土SWC的時(shí)空變化特征研究對(duì)于黑土地保護(hù)、資源合理利用、農(nóng)業(yè)的可持續(xù)發(fā)展、農(nóng)業(yè)災(zāi)害的防治等具重要意義。借助微波的土壤水分反演可以提供較高的反演精度,但反演的過程復(fù)雜,同時(shí)受到地表粗糙度、植被覆蓋度以及土壤質(zhì)地等因素影響嚴(yán)重。微波數(shù)據(jù)的獲取受時(shí)間的限制難以實(shí)現(xiàn)長(zhǎng)時(shí)間序列的推演,因此如何實(shí)現(xiàn)快速、便捷的時(shí)間序列土壤含水量反演依舊是未來研究的熱點(diǎn)。相對(duì)于微波數(shù)據(jù)基于MODIS的TVDI反演方法更加簡(jiǎn)單,但是基于MODIS反演的數(shù)據(jù)空間分辨率較低。本研究反演結(jié)果的驗(yàn)證主要是借助實(shí)測(cè)數(shù)據(jù),就研究區(qū)的面積而言,驗(yàn)證點(diǎn)的數(shù)量略顯不足,并且驗(yàn)證點(diǎn)主要分布在黑龍江和吉林省境內(nèi),因此在驗(yàn)證的過程中存在一定的局限性。另外,在黑土區(qū)的土壤含水量反演結(jié)果與氣象因素的相關(guān)分析中,氣象因子的插值過程考慮到了地形的影響,但并未單獨(dú)分析地形因素對(duì)土壤含水量的作用。