阿 多１，赵文吉１，程立海２，宫兆宁１，周廷刚３
（１．首都师范大学资源环境与旅游学院／三维信息获取与应用教育部重点实验室／资源环境与地理信息系统北京市重点实验室，北京 １０００４８；２． 国家测绘地理信息局管理信息中心，北京 １００８３０；３．西南大学地理科学学院，重庆 ４００７１５）
摘要：利用中分辨率的ＴＭ遥感影像反演湿地土壤水分，探寻湿地土壤水分和非湿地土壤水分提取的不同之处，对湿地监测具有重要意义。建立地表温度（Ｔｓ）与归一化植被指数（ＮＤＶＩ）之间的二维特征空间，用ＩＤＬ编程在特征空间内提取对应的特征点，拟合温度植被干旱指数（ＴＶＤＩ）法需要的干湿边方程，能快速反演出野鸭湖湿地的土壤水分情况。反演结果与实测值的相关系数为０．８６０，呈极显著相关，均方根误差为０．１０４ ２，平均绝对误差为０．０８４ ５。结果证明利用温度植被干旱指数（ＴＶＤＩ）法进行野鸭湖湿地这样的小尺度范围的反演土壤水分含量，方法可行，且中分辨率影像的土壤水分反演精度高于低分辨率影像的反演精度。
教育期刊网 http://www.jyqkw.com
关键词 ：温度植被干旱指数（ＴＶＤＩ）；土壤水分反演；湿地；ＴＭ影像
中图分类号：Ｓ１２７；Ｓ１５２．７ 文献标识码：Ａ 文章编号：０４３９－８１１４（２０１５）０５－１０６６－０７
ＤＯＩ：１０．１４０８８／ｊ．ｃｎｋｉ．ｉｓｓｎ０４３９－８１１４．２０１５．０５．０１０
收稿日期：２０１４－１２－１６
基金项目：国家自然科学基金青年科学基金项目（４１１０１４０４）
作者简介：阿 多（１９８３－），男，河南南阳人，在读博士研究生，研究方向为环境遥感，（电话）１８５０２９０３２７６（电子信箱）ｂａｉｓｈａ．ａｄ＠１６３．ｃｏｍ。
通讯作者，赵文吉，教授，主要从事遥感技术与地学应用研究，（电子信箱）zhwenji1215@163．com。
湿地的水文条件创造了湿地独特的物理化学环境，使得湿地生态系统与深水水域生态系统以及排水良好的陆地生态系统有极大的不同。在湿地水文、湿地植被和湿地土壤对湿地的识别中，湿地水文是决定性的因素，它能促成其他两个湿地特征的形成［１］。湿地水文特征在非淹没区重点表现为土壤水分含量，由此可见土壤水分在湿地研究中的重要意义。在湿地土壤水分的相关研究中，关注土壤水分对湿地植被特征分布以及对湿地土壤结构特征和养分变化分布影响的较多［２－４］。在获取湿地土壤水分时，采用野外实测数据居多。随着遥感技术的发展，用遥感方法监测湿地土壤水分将成为一种趋势，可以为湿地的监测和保护提供可靠、准确的面上基础数据。湿地系统的水文特性不同于其他陆上系统的特征，土壤水分数值区间分布相对较宽，在模型的选择上可以利用这一特点，有利于反演精度的提高。
在土壤干湿情况的监测中，相较于以点源数据监测为基础的传统土壤水分监测方法，遥感技术监测土壤水分是用面数据来实时监测，具有时效性高、覆盖范围广、监测结果连续性好等特点。遥感技术主要从可见光－近红外、热红外及微波波段入手，结合一些植被指数、地表温度、后向散射系数、地表粗糙度等变量，建立一定的模型来反映土壤水分含量。微波遥感因为自身特点优越性，在反演土壤水分方面具有一定的优势，但是如何消除地表植被盖度以及地表粗糙度对反演结果的影响依然是当前的一个研究热点和难点［５］。基于光学的遥感检测方法主要是热惯量法和建立在植被指数（ＮＤＶＩ）与地表温度指数（Ｔｓ）基础上的方法，其中温度植被干旱指数（ＴＶＤＩ）方法使用较广泛［６］。ＴＶＤＩ方法是建立在ＮＤＶＩ－Ｔｓ特征空间基础上的方法，综合了植被指数和地表温度信息，增强了对土壤湿度状况的理解，是近年来广泛使用的估算模型［７］。国内学者利用ＴＶＤＩ开展了大量的研究工作：姚春生等［８］利用温度植被干旱指数法反演了新疆８、９两个月每１６天的土壤湿度，使用野外与卫星同步采样的土壤湿度数据进行验证，发现ＴＶＤＩ指标与实测土壤湿度数据显著相关。陈斌等［９］利用温度植被干旱指数（ＴＶＤＩ）对内蒙古锡林郭勒盟草原的土壤干旱情况进行了监测，证明了基于ＮＤＶＩ－Ｔｓ特征空间的ＴＶＤＩ更适用于干旱监测。齐述华等［１０］利用温度植被干旱指数（ＴＶＤＩ）法反演了全国的土壤水分，表明该方法能较好地反映表层土壤水分变化趋势，同时讨论了ＴＶＤＩ同ＮＤＶＩ和Ｔｓ之间的敏感性，得出ＴＶＤＩ随Ｔｓ的变化而变化的规律更明显。国内学者的研究表明ＴＶＤＩ模型能很好表征土壤墒情，同时这些研究都提到空间分辨率对反演结果的影响。当用点数据验证相对较大的空间分辨率的面数据时，会导致两者不能很好匹配，进而产生误差。同时，ＴＶＤＩ模型在估算较大区域的土壤水分时，由于统计特征空间区域内太阳总辐射不均和大气背景条件不一致而导致反演精度降低，而在小尺度范围内可以将这些方面因素的影响降得更低。
基于此，利用２０１０年６月ＴＭ遥感影像，反演北京野鸭湖湿地保护区的土壤水分，以期在小尺度范围内，利用中分辨率卫星数据进行土壤水分的反演，达到利用遥感技术快速监测湿地土壤墒情，提高反演精度的目的。
１ 研究区概况
研究区为北京市野鸭湖湿地保护区及周边区域。野鸭湖市（省）级湿地自然保护区是华北最大、北京惟一湿地鸟类自然保护区，位于北京市延庆县西南部的官厅水库上游，其地理位置为东经１１５°４７′－１１５°５４′，北纬４０°２５′－４０°３０′。属北温带大陆性季风气候，处于暖温带与中温带、半干旱到半湿润之间的过度地带，具有四季分明的特点，降水大多集中在夏季的６~８月，占全年降水量的７５％。该区域土壤类型以褐土为主，湿地植被资源丰富，为水禽和各种鸟类提供了优越的觅食、隐藏、繁殖场所，是候鸟南北迁徙的主要信道。地表河流为发源于北京延庆县黑汉岭的妫水河［１１，１２］（图１）。
２ 数据资料来源及研究方法
２．１ 数据源
利用遥感影像反演土壤水分，除了受到大气气溶胶的影响外，植被的疏密程度也会左右反演结果。植被太茂密，ＮＤＶＩ会出现饱和现象［１３］，在ＮＤＶＩ饱和后，如果地表蒸散量继续提高，ＮＤＶＩ将无法正常反映土壤的干湿情况［１４］。植被长势太过稀疏，说明雨水不够充沛，不利于湿地植物生长，裸土面积较大，ＮＤＶＩ较低，影响特征方程的拟合和反演精度。根据研究区的植被和气候特点，６、７、８月是雨季，选择植被覆盖度相对适中的６月数据比较合理。
考虑遥感数据的光谱信息丰富度、空间分辨率及时间分辨率的合适度、价格的合理性，选择美国国家航天局（ＮＡＳＡ）发射的Ｌａｎｄｓａｔ ５号卫星数据作为此次试验的基础数据。因此采用野鸭湖地区２０１０年６月５日的Ｌａｎｄｓａｔ ＴＭ遥感数据，轨道号１２３／３２，空间分辨率为３０ ｍ（ＴＭ６为１２０ ｍ），包含从蓝光波段到热红外波段的光谱信息，有利于根据不同需要进行不同波段组合和信息提取。
２．２ 影像预处理
做过几何校正的影像预处理主要包括辐射校正和大气校正两部分。辐射校正可以消除因传感器自身条件、太阳高度角、大气条件等引起的传感器测量值与被测目标实际辐亮度或光谱反射率等物理量之间的差异。利用Ｌａｎｄｓａｔ ＴＭ 影像数字量化值（ＤＮ）与表观辐亮度（Ａｔ－ｓｅｎｓｏｒ sｐｅｃｔｒａｌ rａｄｉａｎｃｅ）之间的定量关系，完成两者之间的转换。综合表观辐亮度、大气参数、传感器信息，利用６Ｓ大气校正模型消除大气影响，得到地表目标的光谱反射率信息。
２．３ 技术路线与研究方法
２．３．１ 技术路线图 对ＴＭ数据进行几何精校正、６Ｓ大气校正［１５］，经过大气校正后的数据能更好地去除气溶胶的影响。综合研究比较了主要的利用光谱数据反演土壤水分模型［１６，１７］后，本研究采用建立在地表温度（Ｔｓ）和植被指数（ＮＤＶＩ）二维特征空间基础上的温度植被干旱指数（ＴＶＤＩ）法来反演土壤水分。利用Ｅｒｄａｓ建模求出地表比辐射率；选择覃志豪等［１８，１９］的单窗算法模型，利用ＴＭ影像的热红外波段（波段６）结合野鸭湖湿地气象站的数据估算地表温度Ｔｓ；利用可见光和近红外范围的波段（波段３、４）得出归一化植被指数ＮＤＶＩ（Ｎｏｒｍａｌｉｚｅｄ dｉｆｆｅｒｅｎｃｅ vｅｇｅｔａｔｉｏｎ iｎｄｅｘ）。利用Ｔｓ和ＮＤＶＩ构建二维特征空间，通过ＩＤＬ编程筛选出特征图的边界点图，拟合需要的干湿边方程，从而反演出土壤墒情。通过实测值对反演的土壤水分进行精度验证（图２）。
国内学者在遥感技术反演不同深度土壤水分方面取得了一些成果。王纯枝等［２０］研究了ＴＶＤＩ和０～１０ ｃｍ、１０～２０ ｃｍ、２０～３０ ｃｍ土壤湿度的相关性后发现，ＴＶＤＩ能稳定反映地表１０～２０ ｃｍ土壤水分情况；陈怀亮等［２１］认为表层土壤水分易受环境因素影响，与遥感资料的关系不好且不稳定，２０ ｃｍ左右深度土壤水分与影像数据相关性好；郭铌等［２２］用ＮＯＡＡ／ＡＶＨＲＲ分别反演了１０、２０、３０ ｃｍ深度的土壤相对湿度，同样得出２０ ｃｍ土壤湿度与遥感数据的相关关系最好且稳定的结论；孙丽等［２３］通过研究冬小麦的１０、２０ ｃｍ土壤水分，也表明ＴＶＤＩ能更好地反映２０ ｃｍ深度土壤湿度。所以大部分学者认为多光谱反演土壤水分时，２０ ｃｍ左右深度土壤水分与遥感资料相关性较好［２４］。本研究的实测数据也采用１０～２０ ｃｍ深度的土壤水分。
２．３．２ 温度植被干旱指数（ＴＶＤＩ）法 在利用光谱数据反演土壤水分的模型中，主要有基于指数的方法、基于土壤热惯量的方法［２５］，在反演模型的选择上不仅需要具有良好的精度，而且要简单易行，容易实现，尽可能少用地面实测资料，尽可能多地从遥感影像上提取所需要的信息。对于裸地或者低植被盖度区域，选择表观热惯量模型可满足要求；在有植被覆盖的情况下，作物缺水指数法虽然精度较高，但其计算复杂。对于中高植被盖度的区域选择温度植被干旱指数法（ＴＶＤＩ）比较合理［２６］。结合本研究区实际情况以及国内相关研究，此次研究也采用温度植被干旱指数法（ＴＶＤＩ）反演野鸭湖湿地的土壤水分。
Ｓａｎｄｈｏｌｔ等［２７］在研究土壤湿度时提出了温度植被干旱指数（Ｔｅｍｐｅｒａｔｕｒｅ－vｅｇｅｔａｔｉｏｎ dｒｙnｅｓｓ iｎｄｅｘ， ＴＶＤＩ）的概念。ＴＶＤＩ由植被指数和地表温度计算得到，其定义为：
式中，Ｔｓ是任意像元的地表温度；Ｔｓｍｉｎ对应的是湿边方程，表示最小的地表温度；Ｔｓｍａｘ对应的是干边方程，表示最大的地表温度。
Ｍｏｒａｎ等［２８］研究发现，在假设Ｔｓ－ＮＤＶＩ特征空间呈梯形的基础上，从理论上计算梯形４个顶点坐标的研究结果表明，在不同的植被覆盖度条件下，Ｔｓ－ＮＶＤＩ特征空间中最低温度Ｔｓｍｉｎ随植被覆盖度变化而变化。Ｐｒｉｃｅ［２９］研究发现，一般情况下，某时刻某区域的地表温度和植被指数的散点图不能覆盖由干到湿的整个范围，此时特征空间呈三角形或者梯形。三角形的下边表示ＴＶＤＩ对应的最低温度，对应特征空间的湿边，三角形的上边表示ＴＶＤＩ对应的最高地表温度，对应特征空间的干边［３０］。湿边和干边的线性拟合方程为：
Ｔｓｍｉｎ＝ａ１＋ｂ１ＮＤＶＩ （２）
Ｔｓｍａｘ＝ａ２＋ｂ２ＮＤＶＩ （３）
式中，ａ，ｂ为系数。
基于国内专家的研究，ＴＶＤＩ在反演土壤水分方面方法成熟，利用广泛，具有可信度。
２．３．３ 研究区地表温度的反演 覃志豪等［１９］从辐射传输方程发展了用于ＴＭ数据的对温度反演的单窗算法。单窗算法的表达如下：
式中，Ｔｓ单位为Ｋ；ａ、ｂ为常量，是根据热辐射强度和亮温关系拟合出来的系数，在亮度温度范围为１０～４０ ℃时，ａ＝－６３．１８８ ５，ｂ＝０．４４４ １１，只剩下3个位置量Ｔａ、Ｃ、Ｄ。
Ｔａ为大气平均作用温度，覃志豪等［19］根据温度随高度的变化对４个标准大气剖面进行拟合，得到一系列的经验公式，对于中纬度夏季，由下式计算：Ｔａ＝１６．０１１ ０＋０．９２６ ２１Ｔ0。其中Ｔ０为近地层大气温度，单位为Ｋ；Ｃ、Ｄ为中间变量。
式中，τ为大气透射率，ε为地表比辐射率。
覃志豪等［19］根据大气中的水气含量对大气透射率进行估算，分别根据地面附近大气温度为高和低时作出了不同的估算方程，且在沙漠干燥气候区，大气水分含量一般较低，只有０．５～１．５ ｇ／ｃｍ２，所以在这里选择气温较高且水分含量为２．０～３．５ ｇ／ｃｍ２的估算模型：
τ＝１．０３１ ４１２－０．１１５ ３６ω （７）
式中，ω 为大气水气含量。
以上的气象数据可以从野鸭湖湿地保护区内的气象站获得。
２．３．４ 干湿边方程的确定 植被指数和地表温度组成的散点图通常呈现为梯形或三角形，上边界称为热边（即干边），下边界即为湿边。热边的理想状态为一近似斜线，实际上常常为不同程度的凹形或凸型。常用软件编程在温度Ｔｓ和植被指数ＮＤＶＩ建立的特征空间内提取相同ＮＤＶＩ对应的Ｔｓ的最大值像元，根据这些像元进行拟合得到热边方程，从而得到每个像元的Ｔｓｍａｘ值。湿边的理想状态为一近似水平的直线，是散点图的下边界，实际上为不同程度的“Ｓ”形。可利用最小值方法，选择湿边的像元进行拟合得到湿边方程的参数。也可根据经验，根据湿边的平均值，参考区域内水面温度以及同期多年平均值综合确定湿边。
利用地表温度（Ｔｓ）和归一化植被指数（ＮＤＶＩ）建立二维特征空间，可以发现ＮＤＶＩ值介于－１和１之间，而Ｔｓ介于２９０．２７ Ｋ和３１２．８４ Ｋ之间，且散点图符合梯形特征，符合该模型的使用条件。当ＮＤＶＩ＜０时，通常我们判定为水体，所以试验不予考虑。当ＮＤＶＩ从０开始逐渐变大时，Ｔｓ也是随之逐渐升高，两者呈现正相关；当增大到一定程度后，Ｔｓ会随着ＮＤＶＩ的变大而逐渐下降，两者呈现负相关；当ＮＤＶＩ达到更高值后，Ｔｓ会出现更加明显的下降，原因在于，当植被覆盖度大于８０％以上时，其ＮＤＶＩ增加延缓而呈现饱和状态，对植被检测灵敏度下降。所以此次试验选取０．１５＜ＮＤＶＩ＜０．７５的范围，进行模型公式的拟合。将归一化植被指数（ＮＤＶＩ）按照０．０１尺度分割，提取每一尺度间隔内对应的地表温度（Ｔｓ）的最大值和最小值，提取结果见图３，拟合出温度植被干旱指数（ＴＶＤＩ）模型里需要的干湿边方程［９］。该过程通过ＩＤＬ编程实现。ＮＤＶＩ在植被覆盖度较低的情况下有增强植被信息的效果，而在植被覆盖度较高地区又有抑制效果，所以选择ＮＤＶＩ为０．１５～０．７５的数据进行干湿边方程的拟合。拟合结果图见图３。
Ｔｓ＝２６．６６１Ｘ＋３１８．０３ （８）
Ｔｓ＝８．５５８ ７Ｘ＋２９８．１４ （９）
将拟合的干边方程（Ｒ２＝０．９４８）、湿边方程（Ｒ２＝０．９０１）公式代入ＴＶＤＩ定义式（１），于是可以得出反演公式为：
从拟合结果来看，干边的斜率小于０，说明随着植被覆盖度的增加，地表温度的最大值有减小的趋势，湿边斜率是近乎水平的直线，在植被覆盖度较高区域温度有降低趋势，这和实际情况也是相符的，因为植被稀疏区的整体温度要高于植被稠密区的整体温度。
２．３．５ ＴＶＤＩ转换为土壤水分相对湿度 利用温度干旱植被指数（ＴＶＤＩ）反演土壤水分得到的只是一个表征某一区域的干旱相对程度的指数，它的值介于０～１。范辽生等［３１］提供的模型将干旱植被指数（ＴＶＤＩ）转化成土壤的相对湿度。通过下式获得土壤的相对湿度（％）：
ＲＳＭ＝ＲＳＭＷ－ＴＶＤＩ（ＲＳＭＷ－ＲＳＭＤ）（１１）
式中，ＲＳＭ表示某一像元土壤相对含水量； ＲＳＭＷ是湿边对应的土壤相对含水量（最大）；ＲＳＭＤ 是干边对应的土壤相对含水量（最小）。
１）湿边的土壤相对湿度的确定。在拟合野鸭湖湿地Ｔs－ＮＤＶＩ特征空间湿边方程时，选取水体的温度作为特征空间温度的最小值，而且水体的湿度可以确定为１００％，因此湿边上的土壤相对湿度确定为１００％。
２）干边土壤相对湿度的确定。通过实地测量，理论上能获得干边的土壤相对湿度，但是操作难度较大。设法通过抽样的方式在实地测量一部分点的土壤相对湿度，结合相应的ＴＶＤＩ得到干边对应的土壤相对湿度。知道了湿边的土壤相对湿度，借助式（１２）得到利用某一点的干边土壤相对湿度，计算公式为：
式中，ＲＳＭＤｉ为利用某点实测值得到的干边土壤相对湿度；Ｙｉ为该点实测的土壤相对湿度；Ｘｉ为该点对应的ＴＶＤＩ。然后对所有计算出的 ＲＳＭＤｉ值求平均，以均值作为干边上的土壤相对湿度ＲＳＭＤ。
３）利用求得的干边、湿边的土壤相对湿度ＲＳＭＤ和ＲＳＭＷ，结合式（１２）反演野鸭湖湿地土壤相对湿度。
３ 结果与分析
３．１ 土壤水分反演结果
经遥感软件ＥＮＶＩ、ＡrcＧＩＳ操作处理后，反演的野鸭湖湿地土壤水分结果图如图４所示。
在反演的湿地土壤水分含量效果图中，右下方山区的土壤湿度值比平原区域的值高；平原区靠近水体的土壤湿度值高于远离水体的值；湿地保护区内地势较高区域、土壤中含沙量较多区域的土壤湿度值低于地势较低区域；植被茂密区域的值高于植被稀疏区域的值，这些跟实际情况基本一致。
3.2 反演精度评价
选取部分实测点对反演的土壤湿度进行分析并做精度评价。
从实测数据和反演数据的分布趋势图图５中可以得出，反演的土壤水分含量和实际测量值的增减趋势大体一致。利用统计软件ＳＰＳＳ分析两者相关性（图６），相关系数为０．８６０，呈显著相关，说明反演结果具有可信度。反演值与实测值的回归方程的r２值为０．７３９ ３，高于陈斌等［９］的草原干旱监测研究的０．３３５，同时也高于齐述华等［１０］全国旱情检测研究的０．４６１ ６。从表１还可以看出，两者之间的平均相对误差为０．２４９ ３，平均绝对误差在０．０８４ ５左右，均方根误差为０．１０４ ２，优于闫峰等［３２］对河北省土壤水分估算研究的结果，说明反演精度较高，反演效果较好，温度植被干旱指数法（ＴＶＤＩ）适用于野鸭湖湿地保护区土壤水分的反演。
从实测数据和反演数据的分布趋势图图６中可以得出，反演的土壤水分含量值和实际测量值的增减趋势大体一致。当土壤含水量＞60%时，遥感反演结果低于实测值；当土壤含水量＜20%时遥感反演结果高于实测值。出现这样的结果，主要原因是在拟合模型的方程时，处于中间数值的像素点多于边缘数值，造成取值范围边缘的数值权重低于中间权重，使得拟合方程向中间数值收紧，无形中缩小了最大值，同时放大了最小值。当20%＜土壤含水量＜60%时，实测值和遥感反演结果有高有低，呈交织分布状态。主要原因是遥感数据基于像元单位，像元内的数值是各种地貌特征下反演数值的一个平均结果，反映的为面上数据，而实测数据是点数据。如果能使两者很好一一对应，就会大大提高反演准确度，如图5中对应的点６、点７、点１５、点１６、点１７。这也是定量遥感面对的一个难题。虽然图６展示的只是部分数据，不能涵盖所有，但是实测值和反演结果之间的这一趋势值得思考，为后续定量反演模型的改进提供思路。
４ 结论与讨论
研究采用２０１０年６月５日的ＴＭ影像数据对野鸭湖湿地保护区内的土壤水分进行反演。利用该方法反演的土壤水分的反演结果和实测值的相关系数为０．８６０，P<０．０１。经过精度评价计算后得出均方根误差为０．１０４ ２。误差分析结果显示，与国内其他同行利用低分辨率遥感影像，在大范围尺度内进行的反演精度相比相关系数明显提高，均方根误差优于同类研究结果。说明温度植被干旱指数法（ＴＶＤＩ）不仅适用于省级、全国大尺度区域的土壤墒情遥感监测，对于小尺度范围的湿地土壤水分监测同样可以达到预期效果，且反演精度相比大尺度范围有一定程度的提高。为快速、高效、准确地监测湿地土壤水分提供了可能，为后续的湿地监测与保护提供依据。例如在此次试验结果的基础上，可以进一步研究湿地植被信息与湿地土壤水分信息的对应关系；可以利用此方法进行湿地水文特征的长时间序列变化监测等。
由于遥感技术发展需要一个过程，相应技术需要不断完善，同时植物－土壤－水分系统拥有自身的复杂性，造成土壤水分遥感监测的困难，也产生了一些误差和不足。因此在以后的研究中应该从以下几方面考虑，有助于提高反演精度：
１）遥感监测方法通常是先将地表物理参数进行反演，再建立相应关系式。所以，定量遥感推算地表物理参量成为这一过程的关键，推算精度直接影响监测效果。因此建立更高效的参量反演模型显得十分重要。譬如，在该反演模型中，与地表温度相比，植被指数反映土壤墒情的能力有限。国内学者做过相应研究，在植被指数很小或者很大时，会降低该方法的精度。可以考虑使用其他遥感参量替代来表示植被覆盖度。由于在ＮＤＶＩ接近饱和时，叶面积指数与植被覆盖度仍然具备良好的关系，可以考虑用叶面积指数替换，具体研究方法有待于进一步研究。
２）遥感数据空间分辨率的存在，以点状数据验证面状数据的方法决定遥感影像数据和地面实测数据不能很好一一对应，导致误差的出现，这也是定量遥感的难题之一。本次试验采用了中分辨率ＴＭ遥感影像，反演精度也高于此前研究采用的低分辨率ＭＯＤＩＳ遥感影像，误差随之降低。说明提高影像数据空间分辨率对反演精度提高有帮助。下一步可以采用更高分辨率影像数据进行试验，以提高精度。
教育期刊网 http://www.jyqkw.com
参考文献：
［１］ Ｃｏｍｍｉｔｔｅｅ Ｏｎ Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ Ｏｆ Ｗｅｔｌａｎｄｓ， ＷＳＡＴ． Ｗｅｔｌａｎｄｓ： Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ Ｂｏｕｎｄａｒｉｅｓ ［Ｒ］． Ｗａｓｈｉｎｇｔｏｎ，ＤＣ： Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ Ｐｒｅｓｓ， １９９５．
［２］ 张华兵，刘红玉，李玉凤，等．自然条件下盐城海滨湿地土壤水分／盐度空间分异及其与植被关系研究［Ｊ］．环境科学，２０１３，３４（２）：５４０－５４６．
［３］ 张华兵，刘红玉，李玉凤，等．盐城海滨湿地景观演变关键土壤生态因子与阈值研究［Ｊ］．生态学报，２０１３，３３（２１）：６９７５－６９８３．
［４］ 仲崇庆，王进欣，邢 伟，等．不同植被和水文条件下苏北盐沼土壤ＴＮ、ＴＰ和ＯＭ剖面特征［Ｊ］．北京林业大学学报，２０１０，３２（３）： １８６－１９０．
［５］ 汪 潇，张增祥，赵晓丽，等．遥感监测土壤水分研究综述［Ｊ］．土壤学报，２００７，４４（１）：１５７－１６３．
［６］ 赵杰鹏，张显峰，廖春华，等．基于ＴＶＤＩ的大范围干旱区土壤水分遥感反演模型研究［Ｊ］．遥感技术与应用，２０１１，２６（６）：７４２－７５０．
［７］ 杨 曦，武建军，闫 峰，等．基于地表温度－植被指数特征空间的区域土壤干湿状况［Ｊ］．生态学报，２００９，２９（３）：１２０５－１２１６．
［８］ 姚春生，张增祥，汪 潇．使用温度植被干旱指数法（ＴＶＤＩ）反演新疆土壤湿度［Ｊ］．遥感技术与应用，２００４，１９（６）：４７３－４７８．
［９］ 陈 斌，张雪霞，华 开，等．温度植被干旱指数（ＴＶＤＩ）在草原干旱监测中的应用研究［Ｊ］．干旱区地理，２０１３，３６（５）：１６０－１６７．
［１０］ 齐述华，王长耀，牛 铮．利用温度植被旱情指数（ＴＶＤＩ）进行全国旱情监测研究［Ｊ］．遥感学报，２００３，７（５）：４２０－４２７，４３６．
［１１］ 王 颖，宫辉力，赵文吉，等．北京野鸭湖湿地资源变化特征［Ｊ］． 地理学报，２００５，６０（４）：６５６－６６４．
［１２］ 林 川，宫兆宁，赵文吉，等．基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例［Ｊ］．生态学报， ２０１３，３３（４）：１１７２－１１８５．
［１３］ ＨＵＥＴＥ Ａ，ＤＩＤＡＮ Ｋ， ＭＩＵＲＡ Ｔ， ｅｔ ａｌ． Ｏｖｅｒｖｉｅｗ ｏｆ ｔｈｅ ｒａｄｉｏｍｅｔｒｉｃ ａｎｄ ｂｉｏｐｈｙｓｉｃａｌ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ＭＯＤＩＳ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２，８３： １９５－２１３．
［１４］ 韩丽娟，王鹏新，王锦地，等.植被指数-地表温度构成的特征空间研究[J].中图科学（D辑）：地球科学，2005，35（4）：371-377.
［１５］ 阿布都瓦斯提·吾拉木，秦其明，朱黎江．基于６Ｓ模型的可见光、近红外遥感数据的大气校正［Ｊ］．北京大学学报（自然科学版），２００４，４０（４）：６１１－６１８．
［１６］ 王鹏新，龚健雅，李小文，等．基于植被指数和土地表面温度的干旱监测模型［Ｊ］．地球科学进展，２００３，１８（４）：５２７－５３３．
［１７］ 王鹏新，孙 威．基于植被指数和地表温度的干旱监测方法的对比分析［Ｊ］．北京师范大学学报（自然科学版），２００７，４３（３）： ３１９－３２３．
［１８］ 覃志豪，ＺＨＡＮＧ Ｍ Ｈ，ＡＲＮＯＮ Ｋ，等．用陆地卫星ＴＭ６数据演算地表温度的单窗算法［Ｊ］．地理学报，２００１，５６（４）：４５６－４６６．
［１９］ 覃志豪，ＬＩ Ｗ Ｊ，ＺＨＡＮＧ Ｍ Ｈ，等．单窗算法的大气参数估计方法［Ｊ］．国土资源遥感，２００３（２）：３７－４３．
［２０］ 王纯枝，毛留喜，何延波，等．温度植被干旱指数法（ＴＶＤＩ）在黄淮海平原土壤湿度反演中的应用研究［Ｊ］．土壤通报，２００９，４０（５）：９９８－１００５．
［２１］ 陈怀亮，冯定原，邹春辉．麦田土壤水分ＮＯＡＡ／ＡＶＨＲＲ遥感监测方法研究［Ｊ］．遥感技术与应用，１９９８，１３（４）：２７－３５．
［２２］ 郭 铌，陈添宇，雷建勤，等．用ＮＯＡＡ卫星可见光和红外资料估算甘肃省东部农田区土壤湿度［Ｊ］．应用气象学报，１９９７，８（２）：８５－９１．
［２３］ 孙 丽，吴 全，裴志远，等．温度植被干旱指数（ＴＶＤＩ）与多因子关系研究［Ｊ］．地理与地理信息科学，２０１０，２６（２）：３１－３４，８８．
［２４］ 许小燕．表层土壤水分预测下层土壤水分的模型研究［Ｄ］．陕西杨凌：西北农林科技大学，２００５．
［２５］ 陈书林，刘元波，温作民．卫星遥感反演土壤水分研究综述［Ｊ］． 地球科学进展，２０１２，２７（１１）：１１９２－１２０３．
［２６］． 姚春生．使用ＭＯＤＩＳ数据反演土壤水分研究［Ｄ］．北京：中国科学院，２００３．
［２７］ ＳＡＮＤＨＯＬＴ Ｉ，ＲＡＳＭＵＳＳＥＮ Ｋ，ＡＮＤＥＲＳＥＮ Ｊ． Ａ ｓｉｍｐｌｅ ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｏｆ ｔｈｅ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ｓｐａｃｅ ｆｏｒ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｓｕｒｆａｃｅ ｍｏｉｓｔｕｒｅ ｓｔａｔｕｓ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２，７９： ２１３－２３４．
［２８］ ＭＯＲＡＮ Ｍ Ｓ， ＣＬＡＲＫＥ Ｔ Ｒ， ＩＮＯＵＥ Ｙ， ｅｔ ａｌ． Ｅｓｔｉｍａｔｉｎｇ ｃｒｏｐ ｗａｔｅｒ ｄｅｆｉｃｉｔ ｕｓｉｎｇ ｔｈｅ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｓｕｒｆａｃｅ－ａｉｒ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｓｐｅｃｔｒａｌ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓ Ｅｎｖｉｒｏｎ， １９９４， ４９： ２４６－２６３．
［２９］ ＰＲＩＣＥ Ｊ Ｃ． Ｔｈｅｒｍａｌ ｉｎｅｒｔｉａ ｍａｐｐｉｎｇ：ａ ｎｅｗ ｖｉｅｗ ｏｆ ｔｈｅ ｅａｒｔｈ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ，１９７７，８２： ２５８２－２５９０．
［３０］ 张增祥，姚春生．使用温度植被干旱指数（ＴＶＤＩ）反演新疆土壤湿度［Ｊ］．中国农业气象，２００９，１９（６）：２３０－２３４．
［３１］ 范辽生，姜纪红，盛 辉．利用温度植被干旱指数（ＴＶＤＩ）方法反演杭州伏旱期土壤水分［Ｊ］．中国农业气象，２００９，１９（２）：２３０－２３４．
［３２］ 闫 峰，王艳姣．基于Ｔｓ－ＥＶＩ特征空间的土壤水分估算［Ｊ］．生态学报，２００９，２９（９）：４８８４－４８９１．
（责任编辑 郑威）