第29卷第3期2022年6月
水土保持研究
R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o n
V o l .29,N o .3
J u n .,2022
收稿日期:2021-01-18 修回日期:2021-02-21
资助项目：国家自然科学基金 基于多相流及多场耦合的降雨诱发滑坡机理研究 (51279090
) 第一作者：杨娜(1982 )，女，山东济南人，学士，工程师，主要研究方向：地理信息技术㊁自然资源应用管理㊁遥感影像处理及应用等㊂E -m a i l
:y a n g
n a 0531@163.c o m 通信作者：郭兴国(1988 )，男，山西临汾人，在读硕士，工程师，研究方向为水土保持㊁水资源㊂E -m a i l :2700871784@q q
.c o m 基于N D V I 分区的全国草地生态系统 杨娜1，郭兴国2
(1.济南市勘察测绘研究院，济南250100;2.三峡大学水利与环境学院，湖北宜昌443002
)摘 要：为了建立土壤水分遥感反演模型，反演2016年全国草地生态系统土壤水分并分析其时空变化特征，通过结合表观热惯量(A T I )和温度植被干旱指数(T V D I )的混合模型反演2016年全国草地生态系统的土壤水分，并在实测数据与反演结果精度验证的基础上确定归一化植被指数(N D V I )阈值㊂结果表明:(1)N D V I ɤ0.2的像元区域，采用A T I 模型反演精度较高;N D V I ȡ0.78的像元上，基于增强型植被指数(E V I )的T V D I 反演精度较高;0.2<N D V I < 0.78的区域，基于N D V I 的T V D I 反演效果较好㊂(2)全国草地10c m 土壤水分存在明显时空差异㊂空间分布上由西北向东南增加，最低值(0~10%)出现在青海㊁西藏㊁新疆和内蒙古，最高值分布在南方各省㊂时间分布上，全年草地10c m 土壤水分集中在0~40%㊂春冬季节，土壤水分较少(0~60%)，夏季最高，大部分像元集中在30%~80%，秋季次之，集中在0~70%㊂建立的混合模型反演的土壤水分精度相对较高,
以期为不同植被覆盖情况的土壤水分遥感反演模型选择提供参考，对于准确监控大面积范围土壤水分将有重要的实用价值，也是目前研究中迫切需要解决的问题所在㊂
关键词：土壤水分;A T I ;T V D I
；全国草地生态系统中图分类号:T P 751 文献标识码:A 文章编号:1005-3409(2022)03-0147-09
R e s e a r c h f o rR e m o t e S e n s i n g R
背景广播系统
e t r i e v a l o
f S o i lM o i s t u r e i nG r a s s l a n d E c o s y
s t e mi nC h i n aB a s e do nN D V IP a r t i t i o n Y A N G N a 1,G U O X i n g g
u o 2
(1.J i n a nG e o t e c h n i c a l I n v e s t i g a t i o na n dS u r v e y i n g I
n s t i t u t e ,J i n a n 250100,C h i n a ;2.C o l l e g e o f H y d r a u l i c a n dE n v i r o n m e n tE n g i n e e r i n g ,C h i n aT h r e eG o r g e sU n i v e r s i t y ,Y i c h a n g ,H
u b e i 443002,C h i n a )A b s t r a c t :T h e s o i lm o i s t u r e o f g r a s s l a n d e c o s y s t e mi nC h i n a i n 2016w a s r e t r i e v e d b y u s i n g h y b r i dm o d e l w i t h t h e c o m b i n a t i o no f t h e a p p a r e n t t h e r m a l i n e r t i a (A T I )a n d t e m p e r a t u r ev e g e t a t i o nd r o u g h t i n d e x (T V D I ),a n d t h eN D V I t h r e s h o l dw a s d e t e r m i n e d b a s e d o n t h e a c c u r a c y v
e r i
f i c a t i o n o f t h em e a s u r e d d a t a a n d i n v e r s i o n r e s u l t s .T h e r e m o t e s e n s i n
中空玻璃全自动打胶机g i n v e r s i o nm o d e l o f s o i lm o i s t u r ew a s e s t a b l i s
h e d t o r e t r
i e v e t h e s o i lm o i s t u r eo f g r a s s l a n d e c o s y s t e mi nC h i n a i n2016a n da n a l y z e i t ss p a t i a l -t e m p
o r a l v a r i a t i o nc h a r a c t e r i s t i c s .T h er e s u l t s s h o wt h a t :(1)f o rN D V I ɤ0.2p i x e l s ,t h e i n v e r s i o na c c u r a c y o fA T I i s h i g
h e r ;f o rN D V I ȡ0.78p i x e l s ,t h e i n v e r s i o na c c u r a c y o fE V Ib a s e dT V D I i sh i g h e r ;0.2<N D V I <0.78p i x e l s ,t h e i n v e r s i o ne f f e c to fN D V I b a s e dT V D I i s b e t t e r ;(2)t h e s o i lm o i s t u r e i n 10c ml a y e r o f g r a s s l a n d i nC h i n aw a s s i g n i f i c a n t l y d
i f f e r e n t o n t e m p o r a l a n d s p a t i a l s c a l e ;t h e l o w e s t v a l u e (0~10%)a p p e a r e d i nQ i n g h a i ,T i b e t ,X i n j i a n g a n d I n n e rM o n -g o l i a ,a n d t h eh i g h e s tv a l u ed i s t r i b u t e d i ns o u t h e r n p r o v i n c e s ;i nt e r m so f t e m p
o r a ld i s t r i b u t i o n ,t h es o i l m o i s t u r e i n 10c ml a y e r o f g r a s s l a n d c o n c e n t r a t e d i n 0~40%;i n s p r i n g a
n dw i n t e r ,t h e s o i lm o i s t u r e c o n t e n t i s l e s s (0~60%),t h eh i g h e s tw a s o b s e r v e d i n s u mm e r ,m o s t o f t h e p i x e l s c o n c e n t r a t e d i n 30%~80%,f o l -l o w e db y a u t u m n ,t h e p i x e l s c o n c e n t r a t e d i n0~70%.T h e p r e c i s i o no f s o i lm o i s t u r e r e t r i e v e db y t
h e e s t a b -l i s h e dh y b r i dm o d e l i s r e l a t i v e l y h i g h i n t h i s p a p e r ,w e p r o v i d e r e f e r e n c e f o r t h e s e l e c t i o n o f s o i lm o i s t u r e r e -m o t e s e n s i n g r e t r i e v a lm o d e l u n d e rd i f f e r e n t v e g e t a t i o nc o v e r ,w i l l h a v e i m p
o r t a n t p r a c t i c a l v a l u e f o r a c c u -r a t e l y m o n i t o r i n g s o i lm o i s t u r e i n a l a r g e a r e a .T h e p r e c i s i o n o f s o i lm o i s t u r e r e t r i e v a l i s a n u r g e n t p r o b l e mt o b e s o l v e d i n t h e c u r r e n t r e s e a r c h .
K e y w o r d s:s o i lm o i s t u r e;a p p a r e n tt h e r m a l i n e r t i a(A T I);t e m p e r a t u r ev e g e t a t i o nd r y n e s si n d e x(T V D I);
g r a s s l a n d e c o s y s t e mi nC h i n a
草地生态系统作为陆地生态系统中的敏感成员，在发展畜牧业㊁维持生物多样性㊁维持生态系统平衡等方面发挥着重要作用，但其发育与演替受气候㊁人类活动等影响较为严重[1-2]㊂据气象报告显示过去几十年间气候经历了明显变化，这势必会对我国(尤其在干旱半干
旱地区)草地生长产生显著影响，进而影响全球的物质
循环和能量流动，对生态系统的稳定性产生重要影
响[3-4]㊂土壤水分是表示土壤干旱程度的重要物理量，是地表和大气 水热过程的重要纽带，是监测土地退化的一个重要指标[5-8]，其含量虽仅占全球水循环分量的0.005%左右，却影响着地 气界面间的物质循环和能量交换[9]，特别对干旱事件和高温热浪的形成和发展及其严重程度有重大驱动作用[10]
㊂传统的土壤水分测量方法(如烘干称重法)是利用探针或重量测量法测定不同深度的土壤水分[11-13]，虽可得到较为精确的土壤水分数据，但数据代表性差㊁获取过程劳民伤财，获得的基于站点的数据已不能准确刻画大尺度范围内土壤水分的时空变化[13-16]㊂20世纪70年代中期，遥感技术因具有时效快㊁范围广㊁长期动态监测及高时空分辨率等优点，被广泛应用在土壤水分的反演工作中[17-21]㊂利用遥感监测土壤水分的方法有可见光 近红外法(如反射率法㊁植被指数法)㊁热红外法(如表观热惯量法)㊁微波法(被动微波遥感法和主动微波遥感法)和多源遥感法等[21-30]㊂其中，可见光 近红外法虽具有高空间和时间分辨率㊁大范围长时间动态监测的优势，但因其穿透能力较弱，且易受到天气㊁植被覆盖类型等的影响，使反演精度较低[5]㊂热红外法仅适用于裸土和植被覆盖度低的区域，在植被覆盖度高的区域因植被覆盖了土壤的信息，严重影响土壤水分反演精度[10,31-32]㊂土壤水分遥感反演方法很多，但对不同下垫面(可谓裸土㊁部分植被覆盖和全植被覆盖区域)需使用不同的反演模型[33]㊂虽目前已有很多学者对土壤水分遥感反演做了大量工作，但因研究数据㊁研究区㊁植被类型和起始年份不同而存在差异[30-33]㊂而土壤水分研究作为草地生态系统动态监测的一项长期性㊁经常性的工作，被列为生态保护与修复工程的重要任务之一，引入土壤水分探究在生态保护与修复工程措施下草地覆盖动态及其对气候变化的响应情况，对掌握和评价生态保护与修复等工程的所取得的效果有重大意义㊂
鉴于此，本文以全国草地生态系统为研究区，鉴于表观热惯量和温度植被干旱指数模型优缺点，基于2012年㊁2016年已有的实测数据与反演结果在精度验证的基础上确定N D V I阈值，建立土壤水分遥
感反演模型㊂并使用该模型反演2016年全国草地生态系统0 10c m土壤水分，分析土壤水分时空分布格局，以期为我国生态环境改善㊁畜牧业管理措施及未来生态环境建设提供科学依据㊂
1材料与方法
1.1研究区概况
草地类型数据源于中国生态系统评估与生态安全数据库(h t t p:ʊw w w.e c o s y s t e m.c s d b.c n/e c o s y s/)提供的草地生态系统数据㊂由中国科学院生态环境研究中心依据‘中国生态系统“的分类方法，采用6级分类单位将草地生态系统分为了草原生态系统(分布于我国温带地区，如东北，华北地区，青藏高原，黄土高原等)㊁草丛生态系统(主要分布在在热带和亚热带，向北可以分布到华北地区㊂)㊁草甸生态系统(普遍分布于我国北方各省区及青藏高原)㊁高寒生态系统(广泛分布在青藏高原以及外缘山地，北起祁连山，南至横断山㊁天山北坡㊁玛纳斯河上游的大中大坂)四大类㊂中国草地生态系统总面积达3.9亿h m2，占世界草地总面积的13%，占全国国土面积的41%(图1)㊂
注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为G S(2020)4624号的标准地图制作，底图无修改㊂
图1中国草地类型及土壤水分站点分布
1.2数据来源
D E M数据:D E M数据源于地理空间数据云(h t-t p:ʊw w w.g s c l o u d.c n/s o u r c e s/a c c e s s d a t a/310?p i d =302)的S R T M产品数据，分辨率为90m㊂
841水土保持研究第29卷
土壤水分实测数据:2012年土壤水分实测数据由地球大数据科学工程数据共享服务系统(h t t p:ʊd a t a.c a s e a r t h.c n/)提供，多为人工观测，观测频率为5~15d一次，观测深度有0 10,0 20,0 40,0 80,0 120c m㊂2016年土壤水分实测数据由寒区旱区科学数据中心(h t t p:ʊw e s t d c.w e s t g i s.a c.c n/d a-t a/)提供的大沙龙站和峨堡站及国家青藏高原科学数据中心(h t t p:ʊw w w.t p e d-a t a b a s e.c n/p o r t a l/ M e t a D a t a I n f o.j s p M e t a D a t a I d=249456)提供包含寒冷半干旱的那曲站㊁寒冷潮湿的玛曲站㊁寒冷干旱的阿里站和狮泉站，每隔15m i n观测一次距地面5 c m,10c m,30c m,50c m,80c m处的土壤水分㊂
土壤湿度产品数据：由中国气象数据网(h t t p:ʊd a t a.c m a.c n/d a t a/c d c d e t a i l/d a t a C o d e)提供的 C L-D A S V2.0 产品㊂土壤相对湿度产品数据有0 10 c m,0 20c m,0 50c m观测深度数据㊂利用中国区域业务的质量控制后的土壤水分自动站观测资料对其评估，结果表明:C L D A S-V2.0土壤相对湿度产品与地面实际观测相关系数0.8左右，均方根误差小于0.1，偏差为0.1㊂
遥感数据：遥感数据包括MO D09G A(时间分辨率为1d，空间分辨率为500m的地表反射率数据，提供1~7波段的反射率㊁质量评价等数据), MO D11A1和MY D11A1(时间分辨率为1d㊁空间分辨率为1k m的陆地表面温度，包含昼夜地表面温度和对应的质量控制数据)，所有数据均由G o o g l e E a r t hE n g i n e平台处理并下载㊂投影为A l b e r s正轴等面积双标准纬线圆锥投影，并利用质量控制文件对MO D09G A和MO D11A1数据进行质量控制，最大限度减少云等其他噪声影响㊂使用MO D09G A数据提供的波段分别计算得到N D V I和E V I㊂N D V I, E V I计算公式见(1),(2):
N D V I=(N I R-R)/(N I R+R)(1) E V I=2.5(N I R-R)/(N I R+6R-7.5B+1)(2)式中:N I R为MO D09G A数据对应的近红外波段;R 为红光波段;B为蓝光波段㊂
2研究方法
2.1遥感数据处理方法
2.1.1地表温度的地形订正不同海拔高度下，地表温度受气温和大气湍流的影响㊂当研究区有明显地形起伏时，随高程增加，气温降低，地温也降低，不经高程订正，高程高区地表温度低，会造成对该区域土壤湿度的高估㊂对地表温度数据(L S T)使用D E M 数据对其进行订正，订正见公式(1)[7,16,26]㊂
T d=T s+a H(3)式中:T d为经D E M订正后的地表温度值;T s为原始的地表温度值;H数字高程(D E M)值;a表示地表温度随海拔高度增加而降低的程度，结合相关参考文献，本文的a取值为-0.6/100ħ㊂
2.1.2 遥感数据缺失值填充因N A S A提供的MO D I SL S T标准产品采用的是劈窗算法和昼夜地表温度反演算法，在晴空条件下经度可达1K，但热红外波段易受云和其他干扰因素影响，使获得的数据存在大量数据缺失，需对数据做填充㊂本文是采用上午星(T e r r a，从北向南于地方时10ʒ30左右通过赤道)获得的MO D11A1数据和下午星(A q u a，从南向北于地方时13ʒ30左右通过赤道)获得的MY D11A1数据，在质量控制文件的控制下，分别对两种数据的对应的白天数据和夜晚数据进行最大值合成，实现数据填充㊂2.2土壤水分遥感反演方法
2.2.1温度植被干旱指数(T V D I) P r i c e[34]㊁S a n d-
h o l t[35]等研究发现植被覆盖度与土壤水分之间的变化范围较大时,N D V I与L S T间构成的散点图是一个三角形㊂并在大量研究下提出了温度植被干旱指数(T V D I)的概念，指出T V D I是利用T s-N D V I特征空间提取的水分胁迫指标来估算陆面表层土壤水分的一种方法,M o r a n等[36]对T s-N D V I特征空间的研究中发现地表最低温度与植被覆盖度和植被覆盖类型存在一定的关系㊂T V D I的计算公式如下所示:
T V D I=T s-T s m i n
T s m a x-T s m i n(4)式中:T s为地表温度;T s m a x为最高地表温度;T s m i n为最低地表温度㊂干湿边方程如下所示㊂
T s m a x=a1+b1ˑN D V I(5)
T s m i n=a2+b2ˑN D V I(6)式中:a1,b1,a2,b2分别为干湿边拟合方程的系数; N D V I为归一化植被指数㊂
T V D I的数据获取与处理过程较为简单，但N D-V I对土壤背景变化较为敏感，当植被覆盖度过低, N D V I难以指示区域内植物生物量，植被覆盖度过高,N D V I增加延缓而呈饱和状态，对植被检测灵敏度下降[37]，导致反演的土壤水分与实际值偏差较大㊂因此，本文在N D V I高于某个值之后，采用基于增强型植被指数(E V I)的T V D I反演该区域土壤水分㊂2.2.2表观热惯量模型(A T I)土壤热惯量是土壤的一种热特性，是引起土壤表层温度变化快慢的内在因素，与土壤水分有密切关系[37-39]㊂P r i c e[34]于1985年提出了表观热惯量(A T I)的概念，考虑到在一定条件下入射的太阳辐射可视为常数，公式如下:
941
第3期杨娜等：基于N D V I分区的全国草地生态系统覆盖区土壤水分遥感反演
A T I =1-A /ΔT (7)式中:A T I 为表观热惯量;A 为全波段地表反照率;ΔT 为最大地表温差㊂本研究采用马里大学L i a n g
的宽波段反射率算法[38
]，公式为:
A =0.16a 1+0.291a 2+0.243a 3+0.116a 4+
0.112a 5+0.08a 7-0.0015(8
)式中:a i (
i =1,2,3,4,5,7)为MO D I S 数据产品对应的波段地物反射率㊂采用A T I 模型的方法反演土壤相对湿度简单方便，但只适合于裸土和低植被覆盖区
域，没有考虑到地表蒸发的影响[
39
]㊂2.3 土壤水分关系模型的建立
本文采用的土壤目前最为广泛的线性模型，建立每天采样点的实测数据与对应的遥感反演的T V D I 值或A T I 值的关系模型，进而反演研究区每天的土壤水分值，然后以每天的土壤湿度值为基础合成2016
年全国草
地的各月内每旬的土壤水分数据[
39,40-42
]㊂W =d ㊃X +c (9
)式中:W 为各观测深度的土壤水分值;d 为回归模型系数;c 为回归模型常数项;X 为表观热惯量值或温度干旱植被指数值㊂
3 结果与分析
3.1 确定N D V I 阈值
为选取出适合本研究的N D V I 阈值,
参考前人阈值设置[37,43-45]
，选取343组土壤水分实测数据㊂选
取N D V I 小于0.15的采样点22个㊁0.15~0.18的20个㊁0.18~0.2的40个㊁0.2~0.215的采样点35个㊁
0.215~0.25的40个㊁0.7~0.75的51个㊁0.75~0.78
的45个㊁0.78~0.8的60个㊁0.8~0.82的20个㊁0.82~0.85的10个㊂在不同的阈值设置下，使用不同模型进行反演，计算站点土壤水分含水量与不同深度实测土壤水分的相对误差㊂结果发现N D V I ɤ0.2时,
不同深度的土壤水分采用A T I 反演的土壤水分与实测值之间的相对误差小于基于N D V I 的温度干旱植被模型的相对误差，且随着土层深度的加深，相对误差呈现增加趋势，即A T I 模型适合于地表的土壤水分反演，随着深度的加深,A T I 和T V D I 的相对误差均呈现增加趋势，因此在N D V I ɤ0.2时采用A T I
模型反演精度较高;N D V I ȡ0.78时，采用基于E V I
的T V D I 与实测数据的相对误差较小，且在土层深度小于40c m 时，其相对误差并没有随着深度的加深而加大，但当深度大于40c m 之后，基于E V I 的T V D I 反演的土壤水分与实测土壤水分之间的误差
迅速增加㊂N D V I ɪ[0.2,0.78]时，采用基于N D V I 的T V D I 模型反演土壤水分精度较高(图2)㊂根据以上确定的阈值，对N D V I <0.2的82个点㊁0.2<N D V I <0.78的166个点㊁N D V I >0.78的90个点的
土壤水分实测数据与对应的A T I ㊁基于N D V I 计算的T V D I 和基于E V I 的T V D I 建立一元线性回归模型，公式见表1㊂
图2 不同N D V I 阈值时混合模型的预测结果对比
表1 土壤水分模型
土层深度基于A T I 土壤水分模型
基于N D V I 的T V D I 土壤水分模型
基于E V I 的T V D I 土壤水分模型
10c m
W =211.3721A T I -5.5617W =-43.0917T V D I +39.3931
W =-54.2151T V D I +51.5704
3.2 土壤水分反演模型
通过每日的中国草地覆盖区域的N D V I 值,
sofa燃烧器
借助于G E E (G o o g l eE a r t hE n g
i n e )平台通过设定不同的N D V I 阈值，分别获得N D V I <0.2,0.2ɤN D V I ɤ0.78,N D V I >
aa1830.78的遥感影像，并使用N D V I<0.2的影像对
M O D 09G A 的B 1-B 7波段进行裁剪，以便于使用A T I 模型反演得到土壤水分㊂然后对遥感反演得到的土壤
水分采用平均值法将日数据合成月数据，并采用最小二乘法点对点的回归拟合各月A T I ㊁基于N D V I 计
算的T V D I 和基于E V I 计算的T V D I 和实测数据的0 10c m 的土壤水分,
由于存在短暂的降雨等情况，土壤水分的变化可能不连续，在拟合过程中剔除极端
值，计算得到不同N D V I 值得情况下的土壤水分反演模型㊂可以看出，中国草地覆盖区域土壤水分于
051 水土保持研究 第29卷
A T I ,T V D I 呈现除不同程度的相关性,
并对各月回归拟合得到的土壤水分反演模型进行统计检验，检验
结果表明各月拟合结果均通过了0.01的假设检验，具备统计学意义，模型反演效果较好(表2
)㊂表2 土壤水分与A T I ㊁基于N D V I 的T V D I ㊁基于E V I 的T V D I 回归拟合模型
月份基于A T I 土壤水分模型
样本数模型
R 2F 基于N D V I 的T V D I 土壤水分模型
样本数
模型制作智能卡
R 2F 基于E V I 的T V D I 土壤水分模型
样本数模型R 2F
1月59W =328.14A T I -2.980.4919.1989y =-38.59T V D I +35.610.47
15.230
2月26W =193.15A T I +4.620.6151.58102y =-31.26T V D I +27.990.6625.1112y =-47.88T V D I +54.580.5
51.613月54W =180.54A T I +5.890.71
30.01100y =-32.99T V D I +28.750.6947.499y =-30.34T V D I +32.210.51
51.584月66W =157.72A T I +16.460.8262.53104y =-27.68T V D I +24.100.7655.4819y =-31.36T V D I +33.350.4847.495月60W =132.52A T I +18.530.8771.46101y =-44.37T V D I +43.790.8062.6720y =-33.57T V D I +35.240.4243.876月93W =127.98A T I +20.360.7373.84133y =-28.68T V D I +26.020.7553.3621y =-39.83T V D I +38.190.6262.537月26W =118.55A T I +27.80.7736.41145y =-36.00T V D I +37.060.7955.9215y =-31.75T V D I +31.760.5555.488月54W =99.56A T I +34.480.7060.97110y =-30.24T V D I +27.350.6958.4819y =-27.53T V D I +28.110.5454.349月
68W =145.33A T I +9.680.7020.53120y =-29.39T V D I +26.330.6839.0413y =-35.95T V D I +31.730.4950.5410月61W =161.55A T I +7.430.7253.09101y =-29.26T V D I +26.220.7051.6117y =-40.96T V D I +45.460.4545.6111月51W =187.61A T I +5.920.7150.66120y =-29.05T V D I +27.190.7242.177y =-34.74T V D I +33.690.7373.8412月21
W =219.98A T I -1.450.6626.22
100y =-31.41T V D I +33.840.76
26.73
3.3 土壤水分反演值㊁C L D A S V 2.0产品与实测值散
点图
从散点图(图3)可以看出遥感反演土壤水分与不同
来源地面实测土壤水分比较，本文研究结果与其具有很好的一致性，但C L D A S V 2.0土壤水分产品数据与地面实测数据之间偏差较大:(1)地面实测的土壤水分集中在5%~35%，遥感反演的土壤水分也集中在5%~
35%，与地面实测土壤水分的R 2=0.7853(p <
0.01),R M S E =3.9841㊂但在25%~30%间时，大部分遥感反演值比地面观测值高，在土壤水分大于30%时，地面观测土壤水分比遥感反演值低，但大部分站点与地面实测值误差小于5%,
密封性测试这一误差仍在可接受范围之内;(2)C L D A S V 2.0土壤水分产品值集中在5%~25%,
与地面实测土壤水分的R 2=0.5553(p <0
.01),R M S E =7.3218%㊂在5%~10%间时，大部分C L D A S V 2.0土壤
水分产品值低，土壤水分介于15%~20%间时,C L D A S V 2.0土壤水分产品值远低于地面观测值㊂C L D A S V 2.0土壤水分产品值与地面实测值之间的差距较大㊂
图3 土壤水分遥感反演值㊁C L D A S V 2.0土壤水分产品值与站点实测数据比较
3.4 遥感反演与C L D A S V 2.0产品的空间尺度分析
分析2016年草地遥感反演的土壤水分含水量年均值分布图(图4A )：全年草地土壤水分集中在0%~40%㊂总体来看,
内蒙古土壤水分高于新疆㊁青海㊁西藏和四川㊂土壤水分最低值分布在昆仑山脉的西藏与青海交界处㊁天山山脉北坡，为0~10%,
新疆与西藏交界处土壤水分分布在30%~40%㊂同是昆仑山脉，但地域差异性尤其明显㊂中国南方地
区土壤水分集中在30%~40%，比北方草地普遍高，这与南北降水㊁气温差异有关，中国南部的土壤水分常年比北方土壤水分高㊂与 C L D A S V 2.0 产品的0 10c m 的土壤水分
(图4B )相比, C L D A S V 2.0 产品的土壤水分在北方地区集中在10%~20%，只有西藏少部分地区㊁新疆塔里木盆地分布在0~10%㊂总体来看，遥感反演的土壤水分较 C L D A S V 2.0 产品数据在数值上存在较小差异，但在空间分布上保持较高的一致性㊂3.5 土壤水分空间分布
通过平均法对每日土壤水分空间数据合成月土壤水分空间分布数据(图5)，发现：全国草地土壤水分存在明显的时空差异性㊂从全局来看，在2016年1月全国草
1
51第3期 杨娜等：基于N D V I 分区的全国草地生态系统覆盖区土壤水分遥感反演
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议