全 文 ：中国生态农业学报 2014年 6月 第 22卷 第 6期
Chinese Journal of Eco-Agriculture, Jun. 2014, 22(6): 737−743


* 河北省应用基础研究计划重点基础研究项目(08966712D)和河北省高校重点学科建设项目资助
** 通讯作者: 王卫, 主要从事土地利用/覆被变化与土地评价研究。E-mail: wangwei@mail.hebtu.edu.cn
邸兰杰, 主要从事资源评价与可持续利用研究。E-mail: dilanjie1@163.com
收稿日期: 2013−11−12 接受日期: 2014−03−12
DOI: 10.3724/SP.J.1011.2014.31115
基于 ATI和 TVDI模型的河北平原土壤湿度遥感反演*
邸兰杰 王 卫** 成贺玺 牛子宁
(河北师范大学资源与环境科学学院/河北省环境演变与生态建设重点实验室 石家庄 050024)
摘 要 为了进一步提高河北平原土壤湿度时空变化的监测精度, 本文以 MODIS 数据和实测土壤相对湿度
数据为数据源, 按照优势互补的设计思想, 联合应用表观热惯量模型(ATI)和温度植被干旱指数模型(TVDI)反
演河北平原地区的土壤相对湿度。在 3—5月、10—11月采用基于 NDVI=0.2阈值分区分方案的反演方法反演
河北平原地区的土壤相对湿度, 其中在每旬 NDVI>0.2的区域采用 TVDI模型, NDVI≤0.2的区域采用 ATI模型,
而 6—9月单独使用 TVDI模型来反演土壤相对湿度值。在 1—2月和 12月, 由于植被覆盖度较低和实测土壤相
对湿度数据缺测, 采用 ATI 模型。模拟模型全部通过 0.01 的显著性检验。研究结果表明, 河北平原地区的土
壤相对湿度在年内时间变化上呈现两个由升到降的变化周期, 第 1 个周期为 12 月—翌年 6 月, 其中, 12 月—
翌年 3月为上升, 3—6月为下降, 3月为峰值; 第 2个周期为 6—12月, 其中, 6—8月上升, 8—12月下降, 8月
为峰值; 全年土壤相对湿度的平均最大值出现在 8月, 最小值出现在 6月。土壤相对湿度的空间分布主要受降
水、人工灌溉和土地利用方式的影响, 冀东和沧州滨海平原同期的土壤相对湿度值高于平原其他部分, 春季太
行山山前平原和燕山山前平原的土壤相对湿度值相对较高。对 3个代表性月份(5月、7月和 10月)进行的点对
点验证表明, 各月遥感反演结果的平均相对误差分别为 21.4%、19.25%和 22.22%。可见, 遥感反演的土壤相
对湿度和实测土壤相对湿度具有良好的相关性。将本文研究结果和全部用 ATI 模型和全部用 TVDI 模型反演
的结果进行对比发现, 联合应用 ATI 和 TVDI 模型分区反演模型反演的土壤相对湿度的平均相对误差均小于
其他两种单一反演模型。
关键词 河北平原 土壤相对湿度 MODIS数据 温度植被干旱指数模型(TVDI) 表观热惯量模型(ATI)
中图分类号: X24 文献标识码: A 文章编号: 1671-3990(2014)06-0737-07
Remote sensing inversion of soil moisture in Hebei Plain based on
ATI and TVDI models
DI Lanjie, WANG Wei, CHENG Hexi, NIU Zining
(College of Resources and Environmental Sciences, Hebei Normal University / Hebei Key Laboratory of Environmental Change and
Ecological Construction, Shijiazhuang 050024, China)
Abstract Soil moisture, as a strong indicators for soil water content, is a critical element for crop growth in Hebei Plain, one of the
main crop production bases in Hebei Province. Scientific monitoring of soil relative moisture in Hebei Plain is vital for sustainable
development of agriculture in the province. With respect to research on soil relative moisture monitoring, a series of soil relative moisture
inversion models have been established. Inversion models based on thermal inertia and temperature vegetation index have been the most
widely used models in recent years. However, the single use of any inversion model has always posed certain limitations in application
scope. In terms of the advantages and disadvantages of the above two models, this paper used MODIS data and measured soil relative
moisture data to retrieve soil moisture in Hebei Plain by integrating Apparent Thermal Inertia (ATI) model and Temperature Vegetation
Dryness Index (TVDI) model. NDVI was employed as the division factor in March, April, May, October and November. TVDI model
was used in area with NDVI > 0.2 for each ten days; in the area with NDVI ≤ 0.2, ATI model was used. TVDI model was used alone to
retrieve soil relative moisture in June, July, August and September. Because of low vegetation coverage and missing measured soil
relative moisture data in January, February and December, ATI model was used to invert soil relative moisture. The models were tested
738 中国生态农业学报 2014 第 22卷


through P value, which was generally less than 0.01 for all the models. The retrieval results showed that soil relative moisture in Hebei
Plain had two cycles, which changed from increasing to decreasing in the year. In the first cycle, from December to June of the next year,
soil relative moisture increased from December to March and then decreased from March to June, with the maximum value in March. In
the second cycle, from June to December, soil relative moisture increased from June to August and then decreased from August to
December, with the peak value in August. While the average annual maximum value was in August, the average annual minimum value
was in June. The spatial distribution of soil relative moisture was influenced mainly by precipitation, irrigation and land use patterns.
During the same period, soil relative moisture in the east Hebei Plain and coastal plain in Cangzhou was relatively higher than that in
other regions of the plain. The soil relative moisture in the piedmont plains of Taihang Mountain and Yanshan Mountain was relatively
higher in spring. The point-to-point validation of three representative months (May, July, October) showed that the average relative errors
of retrieval results were 21.4%, 19.25% and 22.22%, respectively, consistent with what was in the literature. The study showed that soil
relative moisture from remote sensing inversion was in good correlation with field-measured data. The average relative error of the union
of ATI and TVDI models was less than those from separate ATI and TVDI model.
Keywords Hebei Plain; Soil relative moisture; MODIS data; Temperature Vegetation Dryness Index (TVDI); Apparent
Thermal Inertia (ATI)
(Received Nov. 12, 2013; accepted Mar. 12, 2014)
土壤湿度是气候、水文、生态、农业等领域的
主要参数之一, 在地表与大气界面的物质和能量交
换中起重要作用, 表层土壤湿度也是影响土壤风蚀
的重要因子 [1], 对大气颗粒物中自然尘的来源研究
具有重要意义, 土壤湿度在农作物生长方面也发挥
着举足轻重的作用。河北平原是河北省主要的粮棉
产区和人口与经济密集分布区, 近年来也成为全国
大气污染最严重的区域之一。对河北平原土壤相对
湿度的科学监测, 将为该区域大气污染综合治理和
农业健康发展提供重要保障。
基于遥感技术的土壤相对湿度反演研究是当今区
域土壤湿度监测的主要途径之一, 目前在区域土壤相
对湿度遥感监测方面, 广大学者建立了众多土壤相对
湿度反演模型, 其中基于表观热惯量(ATI)[2−6]和温度
植被干旱指数(TVDI)[7−10]的反演模型是近年来应用广
泛且精度较高的模型。但是单独使用某一种模型进行
的反演, 忽略了反演模型的适用范围, 例如表观热惯
量模型只适合于裸土和低植被覆盖区域, 而温度植被
干旱指数模型只适合中、高植被覆盖区域[9]。目前国
内学术界采用上述模型对河北平原地区土壤相对湿度
的遥感反演研究主要集中在冬小麦生长季的干旱评价
方面[11], 对全年土壤相对湿度的遥感反演研究以及
这两种模型的互补应用还比较少。本文以河北平原为
研究区, 鉴于表观热惯量模型和温度植被干旱指数
模型反演土壤相对湿度的优缺点, 联合应用两种模
型进行全年分月反演研究, 实现两种模型的优势互补,
构建适合本研究区应用的土壤相对湿度遥感反演模
型, 实现对研究区土壤相对湿度的全面监测与评价。
1 研究区概况与研究数据来源
1.1 研究区概况
河北平原位于河北省东南部, 南界黄河, 北至
燕山, 西邻太行山, 东濒渤海, 面积约15万km2(图1)。
主要由黄河和海河等冲积而成。属暖温带半湿润气
候 , 冬季干燥寒冷 , 夏季高温多雨 , 多年平均降水
量 500~600 mm, 且降水的季节分布极其不均, 80%
的降雨主要集中在雨季(6—8 月), 因此, 常常形成
春旱、夏涝的气候特点。主要土壤类型为褐土、潮
土、盐化草甸土等。河北平原经济繁荣, 交通发达,
是我国北方重要的粮棉产区和工业基地。主要土地
利用类型为耕地和城乡居民点及工矿用地等, 主要
粮食作物有小麦、玉米、杂粮、水稻等, 主要经济
作物有棉花、花生、芝麻、大豆等。

图 1 河北平原位置与土壤相对湿度实测站点
Fig. 1 Hebei Plain location and soil relative moisture meas-
urement sites
第 6期 邸兰杰等: 基于 ATI和 TVDI模型的河北平原土壤湿度遥感反演 739


1.2 研究数据
1.2.1 遥感数据及预处理
本文采用 2009 年 1—12 月的 MODIS 数据, 该
数据由美国 NASA 网站下载, 包括 MOD11A1(时间
分辨率为 1 d、空间分辨率为 1 km的陆地表面温度
产品, 包含昼夜地表面温度)和 MOD09GA(每天分
辨率 500 m的 1~7波段的反射率产品)。先对每天的
MODIS 产品数据进行预处理 , 主要包括去条带现
象、几何校正、大气校正、云检测、去云。并通过
MRT 工具对 MODIS 产品数据进行拼接、重投影、
裁切等。
1.2.2 实测土壤相对湿度数据
实测土壤相对湿度数据为中国气象科学数据共
享网(http://cdc.cma.gov.cn/home.do)提供的数据。研究
区共有 124个土壤墒情监测站点, 数据包括 10 cm、
20 cm、50 cm深度的土壤相对湿度。本文采用的是
2009年 3—11月每旬的 10 cm土壤相对湿度数据(每
月逢 8 日监测的数据代表每旬的数据), 由于河北省
冬季土壤冰冻, 实测土壤相对湿度数据仅包括植物
生长季(3—11月)的数据。根据分层抽样法原则选取
采样点, 并结合河北平原的土壤质地图, 选取面积
为 1 km2、质地均一的地块, 经过逐一筛选, 最后筛
选出河北平原 87 个样本点参与土壤相对湿度的反
演(图 1)。
2 研究方法
2.1 热惯量法与温度植被干旱指数法原理
2.1.1 热惯量法
土壤热惯量是土壤的一种热特性, 它是引起土
壤表层温度快慢变化的内在因素, 与土壤含水量有
密切相关。土壤热惯量的计算公式为:
=P K Cρ (1)
式中, P为土壤热惯量(J·m−2·K−1·s−1/2), K为热传导系
数(J·m−1·s−1·K−1), ρ为密度(kg·m−3), C为土壤的体积
热容量(J·kg−1·K−1)[3−4]。由于这个公式所需要的参数
较多, 计算相对复杂, 在实际应用方面存在一定困
难, Price[5]于1985年提出了表观热惯量的概念, 考虑到
在一定条件下入射的太阳辐射可以视为常数, 表观
热惯量的公式可以简化为:
( )1 /ATI A T= − Δ (2)
式中: ATI 为表观热惯量, 是无量纲的相对值, 反映
了热惯量的相对大小; A为全波段反照率; ΔT为一天
中地表最大温差。采用 ATI 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[2−5], 并且没有考虑到地表蒸发[3]的影响。
2.1.2 温度植被干旱指数法
Price[12]研究发现如果研究区植被覆盖和土壤相
对湿度变化范围大时, 以归一化植被指数(NDVI)和
地表温度 (Ts)为横纵坐标的散点图呈三角形。
Sandholt 等[13]通过对简化的 Ts-NDVI 三角形空间进
行研究发现, 在 Ts-NDVI 的特征空间中有很多等值
线 , 由此提出了温度植被干旱指数 (TVDI)的概念 ,
定义为:
min 2 2
max min 1 1 2 2
( )
( ) ( )
Ts Ts Ts a b NDVITVDI
Ts Ts a b NDVI a b NDVI
− + ×= = + × − + ×
-
-
(3)
式中, Ts为任意像元的地表温度, Tsmin为某一 NDVI
值对应的最小地表温度, Tsmax为某一 NDVI 值对应
的最大地表温度。其中, Tsmax=a1+b1×NDVI , 称为干
边; Tsmin=a2+b2×NDVI, 称为湿边; a1、b1 和 a2、b2
分别为干边和湿边的拟合系数。使用 TVDI 方法反
演土壤相对湿度简单方便, 但只适合中、高植被覆
盖区域[8−10]。
2.2 反演模型的建立
鉴于 ATI 模型和 TVDI 模型反演土壤相对湿度
的适用范围, 本文联合使用两种模型。根据研究区
由 NDVI表征的植被覆盖度时空变化特点, 确定 3—
5月、10—11月采用 NDVI分区, 参考有关学者的相
关文献[14−15], 将NDVI=0.2确定为分区阈值, 将 3—5
月、10—11 月每旬中 NDVI＞0.2 的区域, 用 TVDI
模型反演土壤相对湿度, NDVI≤0.2的区域采用 ATI
模型反演土壤相对湿度。在 6—9月份, 由于 NDVI≤
0.2 的区域所占面积很小, 所以单独使用 TVDI 模型
来反演土壤相对湿度。在 1—2 月、12 月由于植被
覆盖度较低和该时段实测土壤相对湿度数据缺测 ,
所以采用 11月的 ATI模型直接反演 12月的土壤相
对湿度, 采用 3 月的 ATI 模型直接反演 2 月的土壤
相对湿度, 用 11月和 3月的 ATI回归模型系数的均
值, 产生新的 ATI模型来反演 1月的土壤相对湿度。
2.2.1 ATI模型参数的反演
根据表观热惯量的计算公式(2)需要求解全波段
反照率和地表昼夜最大温差 ΔT。全波段反照率 A是
由地物波长 0~∞的反射率所求得的, 是太阳辐射到
达地球表面进行再分配的重要参数, 因为太阳辐射
主要集中在 0.25~1.5 m 波段范围较狭小的区域, 所
以采用可见光和近红外波段反射率近似表征全波段
反照率[14]。本文采用 Liang[16]针对 MODIS数据的宽
波段反照率计算公式:
A=0.16α1+0.291α2+0.243α3+0.116α4+0.112α5+
0.081α7−0.001 5 (4)
式中, A 为宽波段反照率, αi(i=1, 2, 3, 4, 5, 7)为
MODIS产品的各波段地物反射率。
740 中国生态农业学报 2014 第 22卷


反演 ATI 的昼夜温差和宽波段反照率是在 ArcGIS
9.0和 Envi 4.8技术平台的支撑下, 通过 IDL语言编
程的方式实现。
2.2.2 TVDI模型参数的反演
在 ENVI 技术平台的支撑下, 以 0.01 的 NDVI
阈值为步长, 提取对应像元的最大、最小地表温度,
对 Tsmax 和 Tsmin 进行线性拟合 , 根据公式(3)计算
TVDI。在进行拟合干边和湿边方程时, 剔除 NDVI<
0.2 的值[8−10], 只选择处于中等−高植被区、像元所占
比例较多的 NDVI。反演 TVDI所需要的 NDVI数值采
用最大合成法, 将每天的 NDVI合成每旬的 NDVI。
2.2.3 土壤相对湿度的反演和合成
将研究区各月内每旬样点像元的 ATI值或 TVDI
值, 代入以下应用最为广泛的线性模型 [17−20], 建立
与实测土壤相对湿度数据的关系模型, 进而反演研
究区的土壤相对湿度值。
W=c1+d1×ATI (5)
W=c2+d2×TVDI (6)
式中, W为 10 cm深度实测土壤相对湿度值, c1、d1、
c2、d2 分别为回归模型系数, ATI 为表观热惯量值,
TVDI为温度植被干旱指数值。
反演每旬的土壤相对湿度值, 并以每旬的土壤
相对湿度值为基础, 去除影像中的无效值, 按照逐
像元平均法对选取的影像进行每月的土壤相对湿度
值合成。
3 结果与分析
3.1 土壤相对湿度反演模型拟合结果
采用最小二乘法, 分别对各月内每旬的 ATI 值
或 TVDI值与 10 cm深度的实测土壤相对湿度值进行
回归拟合。在拟合过程中, 适当剔除实测土壤相对
湿度的异常值。并对回归模型进行统计检验, 各月拟
合结果均通过了置信度为 0.01 的假设检验(表 1), 模
拟效果良好。
表 1 河北平原分月土壤相对湿度与 ATI 和 TVDI 拟合模型及显著性检验结果
Table 1 Fitted ATI and TVDI models of monthly soil relative moisture in Hebei Plain and the significant test results
月份
Month
样本数
Number of samples
土壤深度
Soil depth (cm)
模型
Model
系数(b)
Coefficient
常数(a)
Constant
R2 F Sig.
215 10 TVDI −39.97 83.66 0.10 24.88 0.000 3
159 10 ATI 785.58 32.05 0.10 17.67 0.000
210 10 TVDI −36.68 78.73 0.07 15.13 0.000 4
87 10 ATI 1 066.31 21.89 0.13 12.83 0.001
242 10 TVDI −34.87 80.40 0.07 16.95 0.000 5
78 10 ATI 1 348.72 1.07 0.15 13.03 0.001
6 152 10 TVDI −53.78 92.97 0.11 18.75 0.000
7 109 10 TVDI −33.32 89.80 0.04 4.44 0.003
8 89 10 TVDI −34.05 98.61 0.10 10.14 0.002
9 132 10 TVDI −26.22 90.84 0.07 9.78 0.002
188 10 TVDI −35.55 76.28 0.08 16.35 0.000 10
91 10 ATI 910.03 12.14 0.12 12.11 0.001
117 10 TVDI −35.10 94.33 0.12 16.11 0.000 11
77 10 ATI 267.77 46.51 0.20 18.70 0.000

3.2 反演结果分析
采用上述拟合模型和合成方法, 根据国家气象
部门[21]关于土壤相对湿度遥感监测的干旱等级划分
标准, 得到 2009年河北平原每月的土壤相对湿度值
反演结果(图 2)。
根据反演结果, 研究区土壤相对湿度的时间变
化表现为两个由升到降的变化周期: 第1个周期为12
月—翌年 6月, 其中 12月—翌年 3月为上升, 3—6月
为下降, 3 月为峰值; 第 2 个周期为 6—12 月, 其中
6—8月为上升, 8—12月为下降, 8月为峰值。从土壤
相对湿度的全年变化看, 最大值出现在 8 月, 最小值
出现在 6 月(图 3)。上述变化规律与影响土壤相对湿
度变化的降水与气温组合的年内变化规律相一致。
研究区土壤相对湿度的空间分布表现为如下特
征: 一是受年降水量空间差异的影响, 年降水量相
对较大的冀东平原和沧州沿海平原的土壤相对湿度
高于其他平原部分; 二是受人工灌溉空间差异的影
响, 灌溉用水量较大的太行山山前平原和燕山山前
平原的土壤相对湿度高于其他平原部分, 尤以春季
最为明显; 三是受土地利用方式的影响, 滨海地带
以盐田和水田为主, 年内多数时间为水面覆盖, 土
壤相对湿度明显高于其他平原部分。
第 6期 邸兰杰等: 基于 ATI和 TVDI模型的河北平原土壤湿度遥感反演 741



图 2 河北平原 2009 年 1—12 月土壤相对湿度(从左至右、从上到下)
Fig. 2 Soil relative moisture in Hebei Plain from January to December in 2009 (from left to right, from top to bottom)

图 3 2009 年河北平原各月平均土壤相对湿度变化
Fig. 3 Average soil relative moisture in Hebei Plain in each
month of 2009
3.3 土壤相对湿度反演模型的精度检验
为了检验本文反演土壤相对湿度的可行性和准
确性, 从具有代表性意义的春、夏、秋 3 个季节中
分别选取 1 个月份, 将反演的土壤相对湿度值和实
测土壤相对湿度值进行点对点的检验(表 2)。由检验
结果可知, 2009 年 5 月、7 月、10 月的平均相对误
差与其他学者的研究结论基本一致[22−24], 说明本文
的反演模型具有一定的可行性, 并且反演结果与实
测土壤相对湿度的时空分布规律相符合。
3.4 土壤相对湿度反演模型的对比
选择 3 月、4 月、5 月、10 月、11 月各月中相
742 中国生态农业学报 2014 第 22卷


表 2 河北平原代表性月份土壤相对湿度反演模型精度
验证
Table 2 Verification accuracy of soil relative moisture
inversion models in representative months in Hebei Plain
月份
Month
样本数
Number of
samples
最大误差
Maximum
error (%)
最小误差
Minimum
error (%)
平均相对误差
Average relative
error (%)
5 177 31.40 0.05 21.40
7 127 28.06 0.45 19.25
10 204 32.06 0.10 20.22

同的样本实测点, 分别对利用 ATI模型、TVDI模型
和联合应用分区反演模型反演的土壤相对湿度进行
点对点的检验。结果发现 , 联合应用 ATI 模型和
TVDI 模型分区反演模型反演土壤相对湿度的平均
相对误差均小于其他两种单一反演模型, 两种模型
联合应用分区反演的方法比单一使用这两种模型的
任何一种的反演精度相对较高(表 3)。进一步说明联
合应用两种模型可以实现优势互补, 提高反演精度。
表 3 河北平原典型月份 3 种土壤相对湿度反演方案的精度对比
Table 3 Comparison of accuracy of three typical inversion schemes on soil relative moisture in typical months in Heibei Plain
月份
Month
样本数
Number of samples
方案
Scheme
最大误差
Maximum error (%)
最小误差
Minimum error (%)
平均相对误差
Average relative error (%)
TVDI模型 TVDI model 34.25 0.05 19.65
ATI模型 ATI model 32.11 0.06 19.73
3 181
TVDI和 ATI联合 Union of TVDI and ATI models 34.25 0.06 19.33
TVDI模型 TVDI model 31.34 0.82 20.50
ATI模型 ATI model 38.89 0.16 23.96
4 179
TVDI和 ATI联合 Union of TVDI and ATI models 29.72 0.82 19.84
TVDI模型 TVDI model 31.40 0.05 21.82
ATI模型 ATI model 42.05 0.16 25.25
5 177
TVDI和 ATI联合 Union of TVDI and ATI models 31.40 0.05 21.40
TVDI模型 TVDI model 32.06 0.10 20.39
ATI模型 ATI model 39.18 0.18 21.56
10 204
TVDI和 ATI联合 Union of TVDI and ATI models 32.06 0.10 20.22
TVDI模型 TVDI model 34.19 0.15 19.31
ATI模型 ATI model 31.47 0.48 19.77
11 100
TVDI和 ATI联合 Union of TVDI and ATI models 31.47 0.46 19.25

4 结论
考虑到 ATI 模型和 TVDI 模型的适用范围 ,
本文反演河北平原的土壤相对湿度时, 在 3—5 月、
10—11月采用 NDVI分区方法进行土壤相对湿度反
演, 在每旬中 NDVI＞0.2的区域采用 TVDI模型、使
用表观热惯量模型反演 NDVI≤0.2 地区的土壤相对
湿度, 而反演 6—9 月份的土壤相对湿度单独使用
TVDI模型, 12月份的土壤相对湿度用 11月份的ATI
模型的回归拟合方程反演, 2月份的土壤相对湿度值
通过 3 月份的 ATI 模型的回归拟合方程进行反演,
将 11 月份的 ATI 模型的回归拟合方程的系数和 3
月份 ATI 模型的回归拟合方程的系数进行运算求均
值, 产生新的 ATI 模型的回归拟合方程系数用来反
演 1月份的土壤相对湿度值。研究发现联合应用 ATI
模型和 TVDI 模型分区反演的土壤相对湿度值和实
测土壤相对湿度数据的相关性较高, 反演结果更接
近研究区实际土壤相对湿度的时空变化情况。
河北平原土壤相对湿度的年内时间变化主要表
现为两个从升到降的周期变化, 第 1 个变化周期表
现在 12 月—翌年 6 月, 其中 12 月—翌年 3 月的变
化呈上升趋势, 3—6月的变化呈现下降趋势, 3月整
个研究区的土壤相对湿度达到峰值; 第 2 个土壤相
对湿度的变化周期出现在 6—12 月, 其中土壤相对
湿度值在 6—8 月份呈上升趋势, 8—12 月份的土壤
相对湿度的变化为下降趋势, 8月为研究区土壤相对
湿度值达到峰值的月份, 全年河北平原的土壤相对
湿度的平均最大值出现在 8 月, 土壤相对湿度的平
均最小值出现在 6 月。河北平原的土壤相对湿度的
空间分布情况主要与降水量的多少、人工灌溉和土
地利用方式有着密切的联系, 冀东和沧州滨海平原
各季节的土壤相对湿度都相对偏高, 春季太行山和
燕山山前平原的土壤相对湿度相对较高。
所采用的实测土壤相对湿度数据为点数据, 而
表观热惯量和温度植被干旱指数等遥感反演参数为
1 km2的面数据, 二者之间存在空间尺度差异, 实测
土壤相对湿度数据用逢 8日监测(每月 8日、18日、
28 日)的日数据代表各旬的平均状况与遥感反演参
数会产生时间尺度差异, 根据回归模型系数的月际
变化特征, 采用 ATI 替代模型法反演冬季的土壤相
对湿度, 方法较为粗糙。上述因素会影响反演精度,
今后研究中需要进一步探索消除尺度差异的方法和
第 6期 邸兰杰等: 基于 ATI和 TVDI模型的河北平原土壤湿度遥感反演 743


无地面监测数据约束下的较精准的反演方法。
参考文献
[1] 王友胜. 淮河流域黄泛区风水侵蚀格局及其驱动因子研究
[D]. 泰安: 山东农业大学, 2012
Wang Y S. Study on distribution pattern and driving factors of
water/wind erosion in Yellow River Alluvial Area of Huaihe
River Basin[D]. Tai’an: Shandong Agricultural University, 2012
[2] 刘振华 , 赵英时 . 遥感热惯量反演表层土壤水的方法研
究[J]. 中国科学 D辑, 2006, 36(6): 552–558
Liu Z H, Zhao Y S. Thermal inertia method of inversion of surface
soil water[J]. Scientia Geographica Sinica, 2006, 36(6): 552–558
[3] 蔡国印. 基于 MODIS数据的地表温度、热惯量反演研究及
其在土壤水分、地气间热交换方面的应用[D]. 北京: 中国
科学院遥感应用研究所, 2006
Cai G Y. MODIS data based thermal inertia and land surface
temperature modeling and their application in determination of
soil moisture and heat exchange[D]. Beijing: Institute of Remote
Sensing Applications, Chinese Academy of Sciences, 2006
[4] 张仁华. 土壤含水量的热惯量模型及其应用[J]. 科学通报,
1991, 36(12): 924–927
Zhang R H. Thermal inertia of soil moisture model and its appli-
cation[J]. Chinese Science Bulletin, 1991, 36(12): 924–927
[5] Price J C. On the analysis of thermal infrared imagery: The
limited utility of apparent inertia[J]. Remote Sensing of En-
vironment, 1985, 18(1): 59–47
[6] Verstraeten W W, Veroustraete F, Vander Sande C J, et al. Soil
moisture retrieval using thermal inertia, determined with visible
and thermal spaceborne data, validated for European Forests[J].
Remote Sensing of Environment, 2006, 101(3): 299–314
[7] Sandholt I, Rasmussen K, Andersen J. A simple interpretation
of surface temperature/vegetation index space for assessment
of surface moisture status[J]. Remote Sensing of Environment,
2002, 79(2/3): 213–224
[8] 李正国, 王仰麟, 周清波, 等. 基于 TVDI 方法的黄土高原
地表水分时空分异研究 [J]. 中国农业资源与区划 , 2008,
29(2): 13–20
Li Z G, Wang Y L, Zhou Q B, et al. Studies on separation of
time and space for surface water at the Loess Plateau based on
TVDI method[J]. Chinese Journal of Agricultural Resources
and Regional Planning, 2008, 29(2): 13–20
[9] 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
Yao C S, Zhang Z X, Wang X. Evaluating soil moisture status
in Xinjiang using the temperature vegetation dryness index
(TVDI)[J]. Remote Sensing Technology and Application,
2004, 19(6): 473–478
[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): 420–428
Qi S H, Wang C Y, Niu Z. Evaluating soil moisture status in
China using the temperature/vegetation dryness index
(TVDI)[J]. Journal of Remote Sensing, 2003, 7(5): 420–428
[11] 闫峰 . 冬小麦旱情监测中土壤水分估算模型的互补性——
以河北省为例[J]. 土壤学报, 2009, 46(6): 998–1005
Yan F. Complementarity of soil moisture estimation models
for drought monitoring of winter wheat: A case study of He-
bei[J]. Acta Pedologica Sinica, 2009, 46(6): 998–1005
[12] Price J C. Using spatial context in satellite data to infer re-
gional scale evapotranspiration[J]. IEEE Transactions on
Geoscience and Remote Sensing, 1990, 28: 940–948.
[13] Sandholt I, Rasmussen K, Andersen J. A simple interpretation
of the surface temperature/vegetation index space for assess-
ment of surface moisture status[J]. Remote Sensing of Envi-
ronment, 2002, 79(2): 299–314
[14] 赵立军. 基于 MODIS 数据的北京地区土壤含水量遥感信
息模型研究[D]. 中国农业大学, 2004: 19–23
Zhao L J. Research on the remote sensing information models
of soil moisture based on MODIS data in Beijing[D]. China
Agricultural University, 2004: 19–23
[15] 魏伟, 任皓晨, 赵军, 等. 基于MODIS的 ATI和 TVI组合法反
演石羊河流域土壤含水量[J]. 国土资源遥感, 2011(2): 105–108
Wei W, Ren H C, Zhao J, et al. Retrieving soil moisture of
Shiyang River basin by ATI and TVI based on MODIS data[J].
Remote Sensing for Land & Resources, 2011(2): 105–108
[16] Liang S L. Narrowband to broadband conversions of land surface
albedo I algorithms[J]. Remote Sensing of Environment, 2000,
76(2): 213–238
[17] 姚春生 . 使用 MODIS 数据反演土壤水分研究[D]. 北京 :
中国科学院遥感应用研究所, 2003
Yao C S. Using MODIS data to inverse the soil moisture[D].
Beijing: Institute of Remote Sensing Applications, Chinese
Academy of Sciences, 2003
[18] 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): 1001–1002
Wang C Z, Mao L X, He Y B, et al. Application of tempera-
ture-vegetation dryness index (TVDI) in estimation of soil
moisture in the Huanghuaihai Plain[J]. Chinese Journal of
Soil Science, 2009, 40(5): 1001–1002
[19] 张晓煜 . 宁夏土壤湿度遥感监测热惯量模型的建立[J]. 宁
夏农林科技, 1998(3): 25–34
Zhang X Y. Ningxia soil moisture remote sensing monitoring
model of thermal inertia[J]. Ningxia Agriculture and Forestry
Science and Technology, 1998(3): 25–34
[20] 李杏朝. 利用遥感资料进行旱情监测的研究[J]. 卫星应用,
1996, 4(4): 39–43
Li X C. Drought monitoring using remote sensing data[J].
Satellite Applications, 1996, 4(4): 39–43
[21] 国气象局政策法规司. 干旱监测和影响评价业务规定(气发
[2005]135 号)[S]. 中华人民共和国气象法规汇编 2005. 北
京: 气象出版社, 2005: 198–200
National Weather Service Policies and Regulations. Drought
Monitoring and Impact Evaluation of Operational Requirements
(Qifa [2005] No. 135)[S]. China Meteorological Codification
2005. Beijing: Meteorological Press, 2005: 198–200
[22] 郭茜 , 李国春 . 用表观热惯量法计算土壤含水量探讨 [J].
中国农业气象, 2005, 26(4): 215–219
Guo Q, Li G C. Monitoring of soil moisture by apparent
thermal inertia method[J]. Chinese Journal of Agrometeo-
rology, 2005, 26(4): 215–219
[23] 程宇. 考虑植被覆盖和热辐射方向性的热惯量法土壤水分
反演研究[D]. 北京: 中国科学院遥感应用研究所, 2006
Cheng Y. Consider vegetation cover and heat radiation direc-
tivity thermal inertia of soil moisture retrieval[D]. Beijing:
Institute of Remote Sensing Applications, Chinese Academy
of Sciences, 2006
[24] 邓辉. 基于 MODIS数据的大区域土壤水分遥感监测研究[D].
北京: 中国农业科学院农业资源与农业区划研究所, 2004
Deng H. Study on monitoring of soil moisture of large region
with MODIS data[D]. Beijing: Institute of Agricultural Re-
sources and Regional Planning, Chinese Academy of Agri-
cultural Sciences, 2004