㊀南京农业大学学报㊀２０２０ꎬ４３(４):６８２－６８９ｈｔｔｐ://ｎａｕｘｂ.ｎｊａｕ.ｅｄｕ.ｃｎ㊀ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ
ＤＯＩ:１０.７６８５/ｊｎａｕ.２０１９１００１２收稿日期:２０１９－１０－１４
基金项目：江苏高校优势学科建设工程资助项目
作者简介：朱燕香ꎬ硕士研究生ꎮ∗通信作者：潘剑君ꎬ博导ꎬ教授ꎬ主要从事土壤调查与评价方面的研究ꎬＥ￣ｍａｉｌ:ｊｐａｎ＠ｎｊａｕ.ｅｄｕ.ｃｎꎮ
朱燕香ꎬ潘剑君ꎬ白浩然ꎬ等.基于Ｓｅｎｔｉｎｅｌ￣２Ａ影像的ＯＰＴＲＡＭ模型及其改进模型的土壤水分估算研究[Ｊ].南京农业大学学报ꎬ２０２０ꎬ４３(４):６８２－６８９.ＺＨＵＹａｎｘｉａｎｇꎬＰＡＮＪｉａｎｊｕｎꎬＢＡＩＨａｏｒａｎꎬｅｔａｌ.ＳｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｉｏｎｗｉｔｈｔｈｅＯＰＴＲＡＭｍｏｄｅｌａｎｄｉｔｓｉｍｐｒｏｖｅｄｍｏｄｅｌｂａｓｅｄｏｎＳｅｎｔ
ｉｎｅｌ￣２ＡＤａｔａ[Ｊ].ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬ２０２０ꎬ４３(４):６８２－６８９.
基于Ｓｅｎｔｉｎｅｌ￣２Ａ影像的ＯＰＴＲＡＭ模型及其改进模型的
土壤水分估算研究
朱燕香ꎬ潘剑君∗ꎬ白浩然ꎬ康翔
(南京农业大学资源与环境科学学院ꎬ江苏南京２１００９５)
摘要:[目的]本文旨在探讨基于Ｓｅｎｔｉｎｅｌ￣２Ａ影像的ＯＰＴＲＡＭ模型反演土壤水分在江苏省南京市六合区的适用性ꎬ并改进ＯＰＴＲＡＭ模型提高反演精度ꎮ[方法]利用ＮＤＶＩ￣ＤＦＩ像元三分模型对Ｓｅｎｔｉｎｅｌ￣２Ａ影像混合像元进行分解ꎬ将得到的光合植被覆盖度代替ＯＰＴＲＡＭ模型中的归一化植被指数(ＮＤＶＩ)ꎮ[结果]ＯＰＴＲＡＭ土壤水分反演效果(Ｒ２＝０.３８)与温度植被干旱指数(ＴＶＤＩ)方法的拟合结果(Ｒ２＝０.３９)相近ꎬ特征空间分布均呈梯形ꎻ像元三分模型在南京地区具有可分性ꎬ在此基础上改进的ＯＰＴＲＡＭ模型的ＳＴＲ￣Ｆｐｖ空间分布符合该基础模型的分布特征ꎬ改进的模型与实测１０ｃｍ土壤水分的相关系数(Ｒ２)提高到０.５５ꎮ[结论]ＯＰＴＲＡＭ模型在南京市六合区反演土壤水分是可行的ꎬ用像元三分模型改进的ＯＰＴＲＡＭ模型能够提高反演精度ꎬ可进一步应用于其他相关模型ꎮ
关键词:Ｓｅｎｔｉｎｅｌ￣２ＡꎻＯＰＴＲＡＭꎻ混合像元分解ꎻＮＤＶＩ￣ＤＦＩ模型
中图分类号:ＴＰ７９㊀㊀㊀㊀文献标志码:Ａ㊀㊀㊀㊀文章编号:１０００－２０３０(２０２０)０４－０６８２－０８
ＳｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｉｏｎｗｉｔｈｔｈｅＯＰＴＲＡＭｍｏｄｅｌａｎｄｉｔｓｉｍｐｒｏｖｅｄｍｏｄｅｌｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ￣２Ａｄａｔａ
ＺＨＵＹａｎｘｉａｎｇꎬＰＡＮＪｉａｎｊｕｎ∗ꎬＢＡＩＨａｏｒａｎꎬＫＡＮＧＸｉａｎｇ(ＣｏｌｌｅｇｅｏｆＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓꎬＮａｎｊｉｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＮａｎｊｉｎｇ２１００９５ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ:[Ｏｂｊｅｃｔｉｖｅｓ]ＴｈｉｓｓｔｕｄｙｗａｓｔｏｅｘｐｌｏｒｅｔｈｅａｐｐｌｉｃａｂｉｌｉｔｙｏｆｔｈｅＯＰＴＩＣＡＬＴＲＡｐｅｚｏｉｄＭｏｄｅｌ(ＯＰＴＲＡＭ)ｆｏｒｓｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｉｏｎｉｎＮａｎｊｉｎｇＬｕｈｅＤｉｓｔｒｉｃｔｕｔｉｌｉｚｉｎｇＳｅｎｔｉｎｅｌ￣２ｉｍａｇｅｄａｔａꎬａｎｄｉｎｃｒｅａｓｅｔｈｅｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌａｃｃｕｒａｃｙｔｈｒｏｕｇｈｕｔｉｌｉｚｉｎｇｔｈｅｉｍｐｒｏｖｅｄＯＰＴＲＡＭ.[Ｍｅｔｈｏｄｓ]Ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ(ＮＤＶＩ)ｉｎｔｈｅＯＰＴＲＡＭｗａｓｒｅｐｌａｃｅｄｗｉｔｈｔ
ｈｅｐｈｏｔｏｓｙｎｔｈｅｔｉｃｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅꎬｗｈｉｃｈｗａｓｏｂｔａｉｎｅｄｂｙｔｈｅＮＤＶＩ￣ＤＦＩｍｏｄｅｌｄｅｃｏｍｐｏｓｉｎｇｔｈｅｍｉｘｅｄ￣ｐｉｘｅｌｏｆＳｅｎｔｉｎｅｌ￣２Ａｉｍａｇｅ.[Ｒｅｓｕｌｔｓ]ＴｈｅｉｎｖｅｒｓｉｏｎｅｆｆｅｃｔｏｆＯＰＴＲＡＭｓｏｉｌｍｏｉｓｔｕｒｅ(Ｒ２＝０.３８)ｗａｓｓｉｍｉｌａｒｔｏｔｈｅｆｉｔｔｉｎｇｒｅｓｕｌｔｏｆＴＶＤＩｍｅｔｈｏｄ(Ｒ２＝０.３９)ꎬａｎｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｗａｓｔｒａｐｅｚｏｉｄａｌꎻｔｈｅＮＤＶＩ￣ＤＦＩｍｏｄｅｌｗａｓｓｅｐａｒａｂｌｅｉｎＮａｎｊｉｎｇꎻｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＳＴＲ￣ＦｐｖｏｆｔｈｅｉｍｐｒｏｖｅｄＯＰＴＲＡＭｍｏｄｅｌｃｏｎｆｏｒｍｅｄｔｏｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｂａｓｉｃｍｏｄｅｌ.Ｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆｔｈｅｉｍｐｒｏｖｅｄｍｏｄｅｌｗｉｔｈｔｈｅｍｅａｓｕｒｅｄ１０ｃｍｓｏｉｌｍｏｉｓｔｕｒｅｉｎｃｒｅａｓｅｄｔｏ０.５５.[Ｃｏｎｃｌｕｓｉｏｎｓ]ＴｈｅＯＰＴＲＡＭｈａｄａｇｒｅａｔｆｅａｓｉｂｉｌｉｔｙｏｎｔｈｅｒｅｔｒｉｅｖａｌｏｆｓｏｉｌｍｏｉｓｔｕｒｅｉｎＬｕｈｅＤｉｓｔｒｉｃｔｏｆＮａｎｊｉｎｇ.ＴｈｅｉｍｐｒｏｖｅｄＯＰＴＲＡＭｍｏｄｅｌｂａｓｅｄｏｎｔｈｅＮＤＶＩ￣ＤＦＩｍｏｄｅｌｃｏｕｌｄｉｍｐｒｏｖｅｔｈｅｒｅｔｒｉｅｖａｌａｃｃｕｒａｃｙꎬｗｈｉｃｈａｌｓｏｃｏｕｌｄｂｅａｐｐｌｉｅｄｔｏｏｔｈｅｒｒｅｌａｔｅｄｍｏｄｅｌｓｉｎｔｈｅｆｕｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:Ｓｅｎｔｉｎｅｌ￣２ＡꎻＯＰＴＩＣＡＬＴＲＡｐｅｚｏｉｄＭ
ｏｄｅｌ(ＯＰＴＲＡＭ)ꎻｍｉｘｅｄ￣ｐｉｘｅｌｄｅｃｏｍｐｏｓｉｔｉｏｎꎻＮＤＶＩ￣ＤＦＩｍｏｄｅｌ
土壤水分在农业生产㊁气象变化和水文过程中具有重要作用ꎬ是干旱监测和管理的关键[１]ꎮ土壤水分传统研究耗时耗力ꎬ且研究区域受限[２]ꎬ而遥感技术为大范围㊁多时空监测土壤水分提供了有力手段ꎬ同时还具有快速㊁及时和便捷等优点[３]ꎮ遥感技术发展至今ꎬ各国为监测地表土壤水分已发射多种高时空分辨率的卫星ꎬ如欧洲土壤湿度与海洋盐度(ＳＭＯＳ)卫星[４]㊁高级散射仪(ＡＳＣＡＴ)[５]以及主被动微波卫星ＳＭＡＰ[６]等ꎮ
近年来ꎬ国内外学者对土壤水分监测进行了大量的研究[７－１０]ꎮ条件植被温度指数(ＶＴＣＩ)是利用条件植被指数㊁条件温度指数以及距平植被指数对研究区年度间相对干旱程度进行监测的指数[１１]ꎮ詹志明
㊀第４期朱燕香ꎬ等：基于Ｓｅｎｔｉｎｅｌ￣２Ａ影像的ＯＰＴＲＡＭ模型及其改进模型的土壤水分估算研究等[１２]利用近红外波段和红光波段反射率建立光谱特征空间ꎬ根据土壤水分在该特征空间的分布规律ꎬ提出遥感干旱监测新指数  垂直干旱指数(ＰＤＩ)ꎬ改进的垂直干旱指数(ＭＰＤＩ)[１３]是在垂直干旱指数的基础上加入植被覆盖度后提出的干旱监测指标ꎮ吴春雷等[１４]根据垂直干旱指数和垂直植被指数的空间分布规律提出了植被调整垂直干旱指数(ＶＡＰＤＩ)ꎮ
传统的梯形模型(ｔｈｅｒｍａｌ￣ｏｐｔｉｃａｌｔｒａｐｅｚｏｉｄｍｏｄｅｌꎬＴＯＴＲＡＭ)是一种将热遥感数据和光学遥感数据相结合反演土壤水分的模型ꎮ如：由Ｓａｎｄｈｏｌｔ基于地表温度(Ｔｓ)与归一化植被指数(ＮＤＶＩ)之间关系的空间数据关系ꎬ提出的温度植被干旱指数(ＴＶＤＩ)[１５]ꎮ它存在２个明显的问题：模型所用遥感数据必须同时包含光学波段和热红外波段ꎬ故不适用于不提供热波段数据的卫星(例如:Ｓｅｎｔｉｎｅｌ￣２)ꎻ地表温度不仅受土壤水分的影响ꎬ还受大气条件如风速㊁空气温度和空气湿度等影响[１６]ꎮ因此ꎬ传统的梯形模型需要多种对应的大气参数进行校准ꎮ为解决这２个问题ꎬＳａｄｅｇｈｉ等[１７]提出基于物理的ＯＰＴＩＣＡＬＴＲＡｐｅｚｏｉｄ模型(ＯＰＴＲＡＭ)反演地表土壤水分ꎮＯＰＴＲＡＭ模型是由ＮＤＶＩ与短波红外变换反射率(ＳＴＲ)组成的ꎬ它不需要热波段数据ꎬ可用于仅提供光学波段的卫星ꎻ并且ꎬ短波红外反射率不会随大气条件发生显著变化ꎮ因此ꎬＯＰＴＲＡＭ模型可以免于大气参数校准ꎮＳｅｎｔｉｎｅｌ￣２是具有时空分辨率高㊁重返周期短等优势的遥感卫星ꎬ但由于该卫星发射时间较短ꎬ目前光学遥感的土壤水分反演研究主要集中在基于Ｌａｎｄｓａｔ或ＭＯＤＩＳ等卫星的大中型研究区ꎬ应用Ｓｅｎｔｉｎｅｌ￣２影像反演小区域土壤水分的研究较少ꎮ本文以Ｓｅｎｔｉｎｅｌ￣２Ａ影像为数据源ꎬ应用ＯＰＴＩＣＡＬＴＲＡｐｅｚｏｉｄ模型(ＯＰＴＲＡＭ)对南京市六合区北部地区进行土壤水分反演适用性研究ꎬ并利用ＮＤＶＩ￣ＤＦＩ像元三分模型对该模型进行改进ꎬ使土壤水分反演精度提高ꎬ并分析改进模型反演取得更高精度的原因ꎬ从而推动后续的土壤水分反演工作ꎮ
１㊀研究区域与数据
１.１㊀研究区概况
研究区位于江苏省南京市六合区(１１８ʎ３３ᶄ~１１９ʎ００ᶄＥꎬ３２ʎ２１ᶄ~３２ʎ３７ᶄＮ)ꎬ约有７５０ｋｍ２ꎬ地貌大部分属宁镇扬山区ꎬ北部为丘陵岗地ꎬ南部为平原岗地ꎬ平均海拔２０ｍꎮ该地区位于北亚热带湿润的季风气候区ꎬ雨热同期ꎬ日照充足ꎬ四季分明ꎬ年平均气温为１６ħꎬ年平均降雨量为１１５７ｍｍꎮ研究区土地利用类型多样ꎬ以农用地为主ꎬ林地所占比例较大ꎬ全区林地覆盖率约为６％ꎮ主要农业种植物是油菜㊁水稻和小麦ꎬ数据采集时为小麦成熟期
ꎮ
图１㊀研究区地理位置及采样点分布Ｆｉｇ １㊀Ｔｈｅｌｏｃａｔｉｏｎａｎｄｓａｍｐｌｉｎｇｐｏｉｎｔｓｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｒｅｓｅａｒｃｈａｒｅａ
１.２㊀实测数据２０１９年５月２２ ２３日对研究区进行野外数据采集ꎮ获得的数据包括ＴＤＲ(ｔｉｍｅ￣ｄｏｍａｉｎｒｅｆｌｅｃｔｏｍｅｔｒｙ)水分仪测得的表层１０ｃｍ土壤水分数据㊁ＧＰＳ点位数据以及采样点的土地利用状况
数据等ꎮ研究区地理位置及采样点分布如图１所
示ꎮ每个采样点测定５个数据ꎬ取平均值作为采
样点的实测值ꎮ本次采集数据共３９个ꎬ用于模型
的拟合验证ꎮ
１.３㊀遥感数据Ｓｅｎｔｉｎｅｌ￣２Ａ是２０１５年６月２３日成功发射的第１颗 哥白尼计划 的光学遥感卫星ꎬ有１３个光
谱波段ꎬ重返周期为１０ｄꎬ空间分辨率最高可至１０ｍꎬ在非商业卫星中具有极大的优势ꎬ常被用于全球陆地观测以及自然灾害的监测与管理等ꎮ本研究获得２０１９年５月２２日２景Ｓｅｎｔｉｎｅｌ￣２ＡＬ１Ｃ影像ꎬ均来自于欧洲空间局(ｈｔｔｐｓ://ｓｃｉｈｕｂ.ｃｏｎｐｅｒｎｉｃｕｓ.ｅｄ/ｄｈｕｓ/＃/ｈｏｍｅ)ꎮＳｅｎｔｉｎｅｌ￣２ＡＬ１Ｃ影像是经过正射校正和几何精校正后的大气表观反射率产品ꎬ但是并没有经过辐射定标和大气校正ꎮ利用欧洲空间局提供的Ｓｅｎ２ｃｏｒ插件ꎬ生成能直接使用的Ｓｅｎｔｉｎｅｌ￣２ＡＬ２Ａ数据ꎮ重采样分辨率至１０ｍꎬ在ＥＮＶＩ中将所需的６个光谱波段(Ｂａｎｄ２㊁Ｂａｎｄ３㊁Ｂａｎｄ４㊁３８６
南㊀京㊀农㊀业㊀大㊀学㊀学㊀报第４３卷Ｂａｎｄ８㊁Ｂａｎｄ１１和Ｂａｎｄ１２)合成ꎬ再进行影像拼接和裁剪ꎬ并运用归一化水指数(ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｗａｔｅｒｉｎｄｅｘꎬＮＤＷＩ)和ＮＤＶＩ指数阈值法进行水体掩膜处理ꎬ监督分类法进行不透水层掩膜处理ꎮ２㊀研究方法２.１㊀ＯＰＴＲＡＭ模型
有研究发现短波红外转换反射率(ｓｈｏｒｔｗａｖｅｉｎｆｒａｒｅｄｔｒａｎｓｆｏｒｍｅｄｒｅｆｌｅｃｔａｎｃｅꎬＳＴＲ)与裸土和植被覆盖区根系土壤水分之间有线性物理关系[１６]ꎮＳａｄｅｇｈｉ等[１７]以此为基础提出一种新的光学梯形模型(ＯＰＴＩＣＡＬＴＲＡｐｅｚｏｉｄＭｏｄｅｌꎬＯＰＴＲＡＭ)ꎮ该模型根据ＳＴＲ与ＮＤＶＩ的特征空间分布进行土壤水分估算ꎮＷ＝ＳＴＲ－ＳＴＲｄＳＴＲｗ－ＳＴＲｄ(１)式(１)中:ＳＴＲ代表短波红外转换反射率ꎻＳＴＲｄ和ＳＴＲｗ分别代表土壤的
干㊁湿状态的ＳＴＲꎮ
ＳＴＲ＝
(１－ＲＳＷＩＲ)２２ＲＳＷＩＲ(２)式(２)中:ＲＳＷＩＲ表示短波红外的反射率ꎮ本文中短波红外波段为Ｓｅｎｔｉｎｅｌ￣２Ａ中的中心波长为２１９０ｎｍ的
Ｂａｎｄ１２ꎮＳＴＲｄ＝ｉｄ＋ｓｄＮＤＶＩ㊀
(３)ＳＴＲｗ＝ｉｗ＋ｓｗＮＤＶＩ(４)
式(３)㊁式(４)中:ｉｄ㊁ｓｄ和ｉｗ㊁ｓｗ分别表示干边和湿边拟合方程的截距和斜率ꎬ用于求解梯形模型中有固定间隔的ＮＤＶＩ的短波红外转换反射率最大值ＳＴＲｍａｘ和短波红外转换反射率最小值ＳＴＲｍｉｎꎮ目前ꎬ已有不少研究将遥感植被指数量化进而分析植物生长状态并将其与根系土壤水分联系起来ꎮ土壤水分状况会影响植被的水分状况ꎬ从而改变植被的光谱特征ꎮ本文假定土壤水分与植被含水量存在线性关系ꎮ
由上述公式可以看出该模型与传统的梯形模型类似ꎬ不同之处在于以ＳＴＲ代替地表温度(ｌａｎｄｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅꎬＬＳＴ)ꎮＯＰＴＲＡＭ模型的ＳＴＲ￣ＮＤＶＩ散点图也存在干边和湿边之分ꎮ干边代表地表干旱情况下的ＳＴＲꎬ湿边代表地表水分充足情况下的ＳＴＲ
ꎮ
amber刘逸云
图２㊀ＮＤＶＩ￣ＤＦＩ像元三分模型Ｆｉｇ ２㊀Ｔｒｉ￣ｅｎｄｍｅｍｂｅｒｌｉｎｅｒｍｉｘｔｕｒｅｍｏｄｅｌｗｉｔｈｔｈｅＮＤＶＩ￣ＤＦＩ㊀㊀ＢＳ：裸土ＢａｒｅｓｏｉｌꎻＰＶ：光合植被Ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ
ｖｅｇｅｔａｔｉｏｎꎻＮＰＶ：非光合植被Ｎｏｎ￣ｐｈｏｔｏｓｙｎｔｈｅｔｉｃｖｅｇｅｔａｔｉｏｎꎻＮＤＶＩ：归一化植被指数ＮｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎻＤＦＩ：干枯燃料指数Ｄｅａｄｆｕｅｌｉｎｄｅｘ.２.２㊀改进的ＯＰＴＲＡＭ模型２.２.１㊀ＮＤＶＩ￣ＤＦＩ像元三分模型㊀非光合植被(ｎｏｎ￣ｐｈｏｔｏｓｙｎｔｈｅｔｉｃｖｅｇｅｔａｔｉｏｎꎬＮＰＶ)是指不能将太阳能转化为用于其自身生长和发育的化学能的植物[１８]ꎬ包括衰老或死亡的植被ꎮ常见非光合植被有凋落物㊁作物茬㊁枯叶等ꎮ在传统梯形模型和ＯＰＴＲＡＭ模型中
常用ＮＤＶＩ作为植被量的衡量指标ꎬ但是模型中真正需要的信息为光合植被的覆盖量ꎬ所以单纯用植被指数去计算会出现一定的误差ꎮ国内外学者发现将干枯燃料指数(ｄｅａｄｆｕｅｌｉｎｄｅｘꎬＤＦＩ)用于估算非光合植被覆盖度时具有很大的潜力ꎬ将其与ＮＤＶＩ相结合建立ＮＤＶＩ￣ＤＦＩ模型ꎬ通过该模型的二维空间分布可以将混合像元分解为土壤(ＢＳ)㊁光合植被(ＰＶ)和非光合植被(ＮＰＶ)３个端元ꎮ
ＮＤＶＩ＝ＲＮＩＲ－ＲＲＥＤＲＮＩＲ＋ＲＲＥＤ㊀㊀㊀㊀(５)ＤＦＩ＝１００ˑ(１－ＲＳＷＩＲ１ＲＳＷＩＲ２)ˑＲＲＥＤＲＮＩＲ(６)式中:ＲＳＷＩＲ１㊁ＲＳＷＩＲ２㊁ＲＲＥＤ㊁ＲＮＩＲ分别为Ｓｅｎｔｉｎｅｌ￣２Ａ影像的Ｂａｎｄ１２㊁Ｂａｎｄ１１㊁Ｂａｎｄ４和Ｂａｎｄ８ꎮ为避免水体和建筑用地等影响产生异常值ꎬ在计算指数前对影像进行指
数阈值法和监督分类法掩膜处理ꎮ
图２为ＮＤＶＩ￣ＤＦＩ像元三分模型示意图ꎬ特征空间
近似表现为三角形ꎬ其中ＮＰＶ的ＮＤＶＩ高㊁ＤＦＩ低ꎬ位于
三角形的左上部ꎻＢＳ的ＮＤＶＩ和ＤＦＩ均很低ꎬ位于三角
形的左下部ꎻＰＶ的ＮＤＶＩ高ꎬＤＦＩ很低ꎬ位于右侧中部ꎻ
混合像元分布在三角形内部[１９]ꎮ２.２.２㊀ＯＰＴＲＡＭ模型的改进㊀在ＥＮＶＩ中对预处理过４８６
㊀第４期朱燕香ꎬ等：基于Ｓｅｎｔｉｎｅｌ￣２Ａ影像的ＯＰＴＲＡＭ模型及其改进模型的土壤水分估算研究的Ｓｅｎｔｉｎｅｌ￣２Ａ影像进行最小噪声分离(ＭＮＦ)变换降维ꎬ选择能代表大部分信息的前５个分量进行投影ꎮ然后设定参数ꎬ其中迭代次数为２０００ꎬ阈值系数为２.５ꎬ得到像元纯净指数(ＰＰＩ)ꎮ最后取ＰＰＩ大于３且又靠近ＮＤＶＩ￣ＤＦＩ模型特征空间定点的像元为纯净像元ꎬ分别计算３个顶点纯净像元的平均指数作为相应端元的特征值ꎮ
用ＰＰＩ指数法确定ＢＳ㊁ＰＶ㊁ＮＰＶ端元值ꎬ利用ＥＮＶＩ５.２软件中的ＴｒｉａｎｇｕｌａｒＬｉｎｅａｒＳｐｅｃｔｒａｌＵｎｍｉｘｉｎｇ扩展工具对预处理的Ｓｅｎｔｉｎｅｌ￣２影像进行分解ꎬ得到光合植被覆盖度(Ｆｐｖ)㊁非光合植被覆盖度(Ｆｎｐｖ)和土壤覆盖度(Ｆｂｓ)的ＲＧＢ合成图ꎮ用Ｆｐｖ代替ＯＰＴＲＡＭ模型中的ＮＤＶＩꎬ用以改进ＯＰＴＲＡＭ模型
ꎮ
图３㊀ＮＤＶＩ￣ＤＦＩ像元三分模型结果Ｆｉｇ ３㊀Ｔｈｅｒｅｓｕｌｔｏｆｔｒｉ￣ｅｎｄｍｅｍｂｅｒｌｉｎｅｒｍｉｘｔｕｒｅｍｏｄｅｌｗｉｔｈｔｈｅＮＤＶＩ￣ＤＦＩ３㊀结果与分析
３.１㊀ＮＤＶＩ￣ＤＦＩ模型反演光合植被覆盖度３.１.１㊀ＮＤＶＩ￣ＤＦＩ模型可分性㊀从图３可知：当
ＮＤＶＩ小于０.２５时ꎬＤＦＩ随ＮＤＶＩ的增大而增大ꎻ
当ＮＤＶＩ大于０.２５时ꎬＤＦＩ随ＮＤＶＩ的减小而减
小ꎮ同时能够看出该特征空间分布表现为三角
形ꎮＢＳ㊁ＰＶ㊁ＮＰＶ在ＮＤＶＩ和ＤＦＩ的分布具有明
显的差异ꎬ可以将ＢＳ㊁ＰＶ和ＮＰＶ３个端元区分
开来ꎬ即ＮＤＶＩ￣ＤＦＩ模型用于本研究区混合像元
分解可行ꎮ因此ꎬ本文基于Ｓｅｎｔｉｎｅｌ￣２Ａ影像所构
建的ＮＤＶＩ￣ＤＦＩ特征空间满足该模型线性分解的
基本假设ꎮ
３.１.２㊀混合像元三分结果㊀研究区的植被覆盖
度空间差异较大ꎬ植被覆盖达到１００％的区域主
要位于西北部以及中部地区的山地和林地ꎮ像
元二分模型假设混合像元为土壤和植被２种端
元组成ꎬ本文分别取ＮＤＶＩ累积频率置信度５％和９５％作为ＮＤＶＩｓｏｉｌ和ＮＤＶＩｖｅｇｅｔａｂｌｅ的近似值对混合
像元进行分解ꎮ由ＥＮＶＩ对像元二分植被覆盖度
(Ｆｖ)的６２６１７６１个像元统计结果(图４－Ａ)可知ꎬ零植被覆盖度为研究区的４.８９％ꎬ全植被(１００％)覆盖度为５.１５％ꎮ在０<Ｆｖ<１００范围内ꎬ像元最多的为Ｆｖ＝６.６７％ꎬ占总像元的比例为０.４５％ꎬ像元最少的为Ｆｖ＝９３.７３％ꎬ占０.２７％ꎬ其余植被覆盖像元比例较为均匀ꎮ表明研究区从裸土到全植被的地表覆盖ꎬ满足构建特征空间需要的不同植被覆盖度的要求
ꎮ
图４㊀植被覆盖度空间分布
Ｆｉｇ ４㊀Ｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ
像元三分模型得到的光合植被覆盖度(图４－Ｂ)与像元二分模型得到的植被覆盖度数值大致一致ꎬ但是整体上像元三分模型得到的光合植被覆盖度要大于像元二分植被覆盖度ꎮ山湖水库正下方的１６号采样点
位于恋山坝上草原ꎬ该样点无裸露的土壤ꎬ像元三分模型得出光合植被覆盖度(Ｆｐｖ)为５０.７８％ꎬ非光
５８６
南㊀京㊀农㊀业㊀大㊀学㊀学㊀报第４３卷合植被覆盖度(Ｆｎｐｖ)为４９.２２％ꎬ像元二分结果的植被覆盖度(Ｆｖ)为６２.６６％ꎬ土壤覆盖度(Ｆｂｓ)为３７.３４％ꎻ山湖水库上方的２８号采样点为一片荒地ꎬ土壤㊁枯草和绿草混合交错ꎬ像元三分结果显示:Ｆｂｓ㊁Ｆｎｐｖ和Ｆｐｖ分别为２２.２２％㊁４９.７９％和２７.９９％ꎬ像元二分结果Ｆｖ为３５.９６％ꎬＦｂｓ为６４.０４％ꎮＦｐｖ低于Ｆｖ的原因可能是像元二分模型直接将非光合植被端元当作土壤端元进行处理ꎬ无法判别非光合植被和土壤ꎬ还可能因为像元二分模型存在将部分土壤与光合植被混肴的问题ꎮ
３.２㊀ＯＰＴＲＡＭ及其改进模型特征空间的构建结果
取ＮＤＶＩ＝０.０１为固定间隔ꎬ切割ＳＴＲ与ＮＤＶＩ组成的二维空间散点图ꎬ分别到间隔内ＳＴＲ的最大值(ＳＴＲｍａｘ)和最小值(ＳＴＲｍｉｎ)ꎬ最后线性拟合ＳＴＲ￣ＮＤＶＩ值ꎬ得到干边和湿边ꎮＯＰＴＲＡＭ特征空间分布图以ＮＤＶＩ为横坐标ꎬＳＴＲ为纵坐标ꎮ
由图５和表１可知：与传统的梯形模型相似ꎬＯＰＴＲＡＭ和改进的ＯＰＴＲＡＭ的特征空间分布均表
现为梯形ꎬ干㊁湿边拟合效果良好ꎬ其中ＯＰＴＲＡＭ的ＳＴＲ￣ＮＤＶＩ空间的干边拟合决定系数(ｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉ￣ｎａｔｉｏｎꎬＲ２)为０.５６ꎬ湿边Ｒ２为０.３４ꎬ改进的ＯＰＴＲＡＭ的ＳＴＲ￣Ｆｐｖ特征空间的干㊁湿边拟合度都优于ＳＴＲ￣ＮＤＶＩ特征空间ꎬ干边Ｒ２为０.６０ꎬ湿边Ｒ２为０.４２ꎬ２个模型的干边均表现为负相关ꎬ湿边均表现为正相关
ꎮ图５㊀ＯＰＴＲＡＭ(Ａ)和改进的ＯＰＴＲＡＭ(Ｆｐｖ)(Ｂ)特征空间分布
Ｆｉｇ ５㊀ＴｈｅｆｅａｔｕｒｅｓｐａｃｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅＯＰＴＲＡＭ(Ａ)ａｎｄｉｍｐｒｏｖｅｄＯＰＴＲＡＭ(Ｆｐｖ)(Ｂ)
表１㊀ＳＴＲ￣ＮＤＶＩ和ＳＴＲ￣Ｆｐｖ的干㊁湿边拟合Ｔａｂｌｅ１㊀ＴｈｅｆｉｔｔｉｎｇｄｒｙａｎｄｗｅｔｅｄｇｅｓｏｆＳＴＲ￣ＮＤＶＩａｎｄＳＴＲ￣Ｆｐｖ
模型Ｍｏｄｅｌ
拟合线Ｆｉｔｔｉｎｇｌｉｎｅ拟合方程Ｆｉｔｔｉｎｇｅｑｕａｔｉｏｎ决定系数(Ｒ２)ＣｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎＳＴＲ￣ＮＤＶＩ
干边Ｄｒｙｅｄｇｅｓ湿边Ｗｅｔｅｄｇｅｓｙ＝－３４７２.７４ｘ＋４３４７.０７ｙ＝３４.１３ｘ＋４６.３２０.５６０.３４ＳＴＲ￣Ｆｐｖ干边Ｄｒｙｅｄｇｅｓ
湿边Ｗｅｔｅｄｇｅｓｙ＝－１２１９.５０ｘ＋２１７８.８５ｙ＝３３.７７ｘ＋４７.５１
０.６００.４２㊀㊀ＮＤＶＩ能够增加植被在遥感影像中的反应特征ꎬ同时减少土壤反射信息的影响ꎮ但是ＮＤＶＩ在反映植被覆盖时仍有一定的局限性ꎬ当植被覆盖度较低ꎬＮＤＶＩ对植被量的指示作用下降
[２０]ꎮ土壤和非光合植被的光谱反射曲线相似ꎬ仅用ＮＤＶＩ是很难区分２个端元ꎬ所以ＳＴＲ￣ＮＤＶＩ特征空间中当ＮＤＶＩ较小时ꎬ与ＳＴＲ的特征空间里的散点分布比较离散ꎮ由于ＮＤＶＩ的饱和性问题ꎬ当ＮＤＶＩ达到０.８左右ꎬ就无法再表达更加茂盛的植被覆盖度情况ꎮ由图５可以看到:ＳＴＲ￣ＮＤＶＩ特征空间中当ＮＤＶＩ大于０.８时ꎬ与ＳＴＲ的拟合曲线更趋于曲线ꎬ而非直线ꎮＳＴＲ￣Ｆｐｖ特征空间中用光合植被覆盖度Ｆｐｖ表示植被覆盖状况ꎬ在植被量过低或过高时ꎬ解决了ＮＤＶＩ对植被覆盖度反应灵敏度下降的问题ꎮ２个模型的特征空间的干㊁湿边拟合精度结果显示ꎬ改进的ＯＰＴＲＡＭ模型更具优势ꎮ
３.３㊀与实测含水量的相关性验证利用野外获取的ＧＰＳ经纬度定位信息ꎬ提取对应的各采样点的ＴＶＤＩ㊁ＯＰＴＲＡＭ㊁ＯＰＴＲＡＭ(Ｆｐｖ)值ꎬ与ＴＤＲ水分仪实测的３９个地表１０ｃｍ土壤水分含量进行最小二乘回归分析ꎮ从图６可见：土壤水分与遥感反演指数均表现为良好的负相关线性关系ꎬＴＶＤＩ㊁ＯＰＴＲＡＭ和ＯＰＴＲＡＭ(Ｆｐｖ)模型计算的指数值越高ꎬ土６８６