云参数法干旱遥感监测模型在非洲地区的适应性研究

张 穗 ，向大享，孙忠华

（1.长江水利委员会 长江科学院，武汉 430010；2.长江水利委员会 网络与信息中心，武汉 430010）

干旱不仅是一种影响面大、损失严重的主要自然灾害［1］，而且也是一种没有确切定义、难以监测的自然灾害现象.非洲地区常年干旱，缺乏先进的监测技术与手段，给防旱抗旱工作造成较大的困难.云参数法干旱监测模型是一种能适合较大时空尺度的监测模型，目前在国内和亚太地区的干旱监测中取得了很好的成效，本文拟探讨该模型在非洲地区的适应情况，拓展该模型的适用范围，为非洲地区的干旱监测工作提供一种新技术.

本文以欧洲静止气象卫星METAOSAT 搭载的SEVIRI传感器数据为实验数据，首先分析了该数据的干旱监测潜力，并构建了一种多光谱云检测模型；针对非洲地区的特点，对云参数法干旱遥感监测模型进行了适应性改进，并分析验证了该模型在非洲地区的干旱监测效果.

1 研究区概况

非洲是全球第二大面积的大陆，四周环海，经度范围从17.7°W～51.6°E，纬度范围从35.1°S～37.5°N，包括岛屿在内共有3.2千万km2，占全球大陆面积的20.4%.非洲大陆跨越赤道两侧，从南半球温带到北半球温带，包含各种不同的气候区域.非洲大陆北部大部分地区是沙漠或裸地，中部地区主要是稀树草原和热带雨林地区.在生态和环境方面，这个区域是高度不稳定的，超过60%的面积是干旱或半干旱地区，大多数国家的降雨量不规则，并且常常遇到干旱.非洲的降水量波动比较大，研究表明在不同的空间、时间层面具有不同的降水量趋势［2］.由于农作物对降水的依赖性，在整个非洲地区，干旱对农业生产有很大的影响.

2 数据与方法

2.1 METEOSAT SEVIRI数据及干旱监测潜力分析

欧洲第二代静止气象卫星Meteosat－9于2002年8月29日发射升空，定位于3.3°W的36000km的高空.自旋式增强型可见光及红外成像仪（Spinning Enhanced Visible and Infrared Imager，SEVIRI）是该卫星上搭载的主要传感器，其星下点空间分辨率达到3km，时间分辨率达到15min，高时间分辨率使得能获取更多的地表信息［3］.该传感器包含从可见光到热红外的11个多光谱波段和1个全色波段（如表1）.

从表1可以看出，SEVIRI数据的波谱段较丰富，可以通过获取的植被、水汽、温度等信息综合分析提取云信息，且其时间分辨率很高.根据该数据较高的时间分辨率、光谱分辨率，因此该数据可以作为云参数法干旱遥感监测模型的输入数据.本文选择2009年底和2010年初的每天中午12时左右的影像作为研究数据.

表1 SEVIRI传感器波段设置特性Tab.1 Characteristics of the SEVIRI sensor channels.

2.2 多光谱云检测模型

云信息是云参数法干旱遥感监测模型的基本要素，如何获取高精度的云检测结果将成为关键.通常情况下，在遥感影像中，云相对于晴空地表有高反射率和低温度的特点.但是由于云的不稳定性、多样性以及地表辐射的影响，很多种云都很难检测［4］.例如，沙漠也具有较高的反射率，用可见光波段数据就很难区分云和沙漠，尤其是沙漠地区上空的云边缘.然而由于多个光谱段可以从不同的谱段来获取地表辐射信息，因此这些异物同谱、同物异谱现象可以通过多光谱方法来解决［5］.目前为止，多光谱云检测模型都是基于可见光和红外通道的光谱响应，通过各种不同的组合，并给定各种组合的决策规则，同时根据云与晴空条件的属性来决定各个规则的阈值.

图1 为典型目标（云、晴空地表、沙漠等）在SEVIRI多光谱通道中的光谱曲线（中午12 点影像，UTC）.

图1 典型目标的光谱曲线Fig.1 Spectral curves of typical objectives

从图1可以看出，在两个可见光和一个近红外通道，沙漠、云和晴空地表等的反射率变化有明显差别.在可见光通道，云的反射率比晴空地表的反射率高.但是，云与沙漠可能有相似的反射率，特别是沙漠上空的云边缘像元，因此单波段绝对阈值法是不适合分离云和沙漠的.而在近红外与短波红外之间，云像元反射率急剧下降，沙漠的反射率在增大，其他晴空地物的反射率以较缓的幅度下降.因此，可以用这两个通道之间的光谱斜率来分离沙漠像元.另外，在热红外通道，晴空地表的亮度温度比云像元的要高，因此亮度温度可以作为云像元与晴空像元的判定标准之一.根据以上的分析，建立针对SEVIRI数据的多光谱云检测模型：

其中，Ri是通道i（i＝1，2，3）的反射率，T10是通道10的亮度温度，THR1和THT10是第1通道反射率和第10 通道亮度温度的阈值，ε（f）是阶跃函数.由于云像元在可见光通道有高反射率、短波通道有低反射率以及热红外通道有低亮度温度的特点，从理论上来讲，上式CI的值为3 时像元即为云像元.

2.3 云参数法干旱遥感监测模型

云参数法的前提条件是：1）无云意味着没有降水，干旱的可能性增大；2）无云意味着地面接收的太阳短波辐射增强、地面温度上升、地面蒸散能力增大，干旱的可能性增大［6］.

连续最大无云天数、连续最大有云天数、有云天数比3个云参数是该模型的核心，3个云参数与干旱指数之间的基本函数为［7］：

本来想拍拍叔你老人家的马屁，没想到戳到你的疼处，没看出来，叔是个重情的人哩。好啦。不说啦。晚上，我陪您喝上一杯。

其中，W是影响函数，F为各影响函数的权重函数.

太阳辐射的时空分布主要受到日地距离、太阳高度角以及日照时长等因素的影响，具体因素包括季节、时刻、经纬度、大气透过率以及高程等.时空条件的变化导致干旱范围及强度等的多样性，例如，不同季节同一地区，由于太阳高度角的不同导致相同云参数可能会对应不同程度的干旱.同样地，空间尺度的变化也会导致类似情况发生.因此，模型有必要进行时空修正改进［8－9］：

其中，P是修正后影响函数，Q是3个云参数的空间修正函数，R是3个云参数的时间修正函数，CI即为3个云参数.

本文通过分析非洲地区的3个云参数随着时空分布的规律，调整云参数的修正函数具体参数，在此基础上建立适合非洲地区的云参数法干旱遥感监测模型.

2.4 监测效果评估模型

云参数法干旱遥感监测模型把降水和蒸散作为地表水分系统的输入输出，两者之间的差距可以比较准确地反映地表的土壤水分情况.美国国家气候预测中心官网发布了与云参数模型监测周期相同的月度降水和蒸散数据［10］，本文选定降水与蒸散数据的差值作为评估云参数法在非洲地区的干旱遥感监测结果的评估指标.

月度降水和蒸散数据具有相同的计量单位（毫升／月，mL／mon），两者之间的差值ΔDpe可以很简单的计算得到.通常情况下，干旱发生的可能性及严重性随着这个差值的增加而增强，反之亦是.另外，由于干旱是一种持续积累状态，不会因为短时间内的水分缺乏而发生严重干旱，也不会因为短时间降水消除严重干旱，因此在干旱监测的过程中需考虑到前期干旱情况.为了增强评估数据的准确性，在一定程度上需要考虑到前期水分状况，建立干旱评估指数（Drought Evaluation Index，DEI）：

其中，ΔDpe＿cur为监测期内的降水量和蒸散量差值，ΔDpe＿his为前一监测期内的差值，a、b以及c为系数.

3 实验与分析

3.1 云检测

从图1可以看出，地物的反射率和温度会受到季节变化的影响，使用固定阈值对云检测的精度有所局限，为此，本文考虑到季节的影响提出了一种半固定阈值法.经过多次实验，最终确定了随月份变化的反射率和亮度温度半固定阈值，如表2.

表2 反射率和亮度温度阈值Tab.2 Thresholds of reflectance and bright temperature

两阈值随着季节的变化关系在上表中是显而易见的，反射率和亮度温度半固定阈值在夏季达到最大，在冬季降至最低.根据公式（1）中的多光谱云检测模型结合上述半固定阈值表，部分云检测结果如图2所示.

从图2可以看出，云检测整体效果较好，但由于边缘云、薄云等像元受到地表覆盖的影响，其反射率和亮度温度特性不太明显，使得像图2（a）、2（c）圈中的云检测结果发生偏差.鉴于云参数法的前提条件是有云意味着降水，即该模型对不足以引起降水的薄云、云边缘等是否正确监测没有苛刻要求，因此该检测结果足以满足云参数法干旱遥感监测模型的精度要求.但如果需作其他精细用途，该模型还有待改进，特别是地物对云检测的影响.

3.2 干旱监测模型验证

为了满足云参数法干旱遥感监测模型的要求，干旱监测过程中监测周期设置为1个月.在得到云检测结果后，根据3个云参数的定义统计计算得到每个像元在监测周期内的3个云参数.然后，利用3个云参数进行干旱监测并进行时空修正.3个云参数均值随时间的分布规律如图3.

图2 云检测结果Fig.2 Result of cloud detecting

图3 3个云参数重旱情况下随时间变化曲线Fig.3 Curves between the three cloud parameters and months in the serious drought level

从图3可以看出，非洲地区的3个云参数均值随时间的变化趋势与中国地区的基本一致，只是在回归系数上有些许差异.本文根据各级干旱情况下采集的数据进行变化趋势函数回归，从而调整时空修正函数［7］，在此基础上构建云参数法干旱遥感监测模型.

3.3 适应性分析

参考数据是从美国国家气象预测中心获得的月度降水和蒸散数据，通过几何纠正、兴趣区提取以及分级等处理后作为标准数据进行干旱评估.

为了评估2010年1月的干旱遥感监测的准确性，需要根据公式（5）计算出2009年12月、2010年1月的蒸散与降水差值.由于干旱过程具有持续缓慢特性，历史是否干旱、干旱程度等因素对当前状态有一定的影响作用，且这种影响关系随着当前与历史的干旱程度不同而变化.经过充分的实验发现，系数c的调节作用很小，为了简化计算过程，本文中暂定c＝0，公式（5）中的另外两个系数a、b如表3所示.

从表3可以看出，当历史干旱状态为两种极端情况（重旱与湿润）时，其对当前状态的影响相对于其他等级来说要大一些.

对比分析遥感监测结果与参照数据结果，两者的总体干旱等级趋势是完全一致的.具体各项精度如表4所示.

表3 系数值（a、b）Tab.3 Values of three coefficients（a，b）

表4 精度分析表／%Tab.4 Evaluate accuracy／%

从表4可以看出，云参数法干旱遥感监测结果相对于参考数据的可接受精度高达83.877 5%.但是，部分生产者精度与用户精度偏低，例如用户精度在正常和湿润级别达到最低8.7112%和7.8316%.这种现象可能是由于参考数据的干旱等级分类误差导致的，但在正常和湿润两个级别的误差对干旱监测结果影响不大.

4 结论

通过本文的充分实验及论证证明，在欧洲静止气象卫星数据的支持下，云参数法在非洲大陆地区具有较好的适应性：

首先，尽管通过云检测方法的统计特性以及云像元、非云像元的样本训练保证了方法的鲁棒性，但一些特殊情况如薄云检测仍存在较大误差.在实际实验中，考虑到下垫面不同光谱段特性（尤其是植被），训练信息加入了季节变化物理量，提高了云信息的检测精度.

其次，云参数法干旱遥感监测模型是基于物理统计建立的，其物理特性保证了模型与降水和蒸散数据的一致性.本文通过几个月的降水和蒸散数据处理来评估干旱遥感监测结果，最终的相对精度高达83.877 5%，说明云参数法干旱遥感监测模型适合用于非洲地区的干旱监测.

［1］Wilhite D A.Drought and water crisis：science，technology and management issues［M］.Oxfordshire，UK：Taylor ＆Francis Group，2005.

［2］Nicholson S.The nature of rainfall variability over Africa on time scales of decades to millennia［J］.Global and Planetary Change，2000，26：137－158.

［3］Fensholt R，Sandholt I，Stisen S，et al.Analysing NDVI for the African continent using the geostationary meteosat second generation SEVIRI sensor［J］.Remote Sensing of Environment，2006，101：212－229.

［4］Amato U，Antoniadis A，Cuomo V，et al.Statistical cloud detection from SEVIRI multispectral images［J］，Remote sensing of Environment，2008，112：750－766.

［5］Yang Y，Lin H，Jiang J.Cloud analysis by modeling the integration of heterogeneous satellite data and imaging［J］.IEEE Transactions on Systems，Man and Cybernetics—Part A：Systems and Humans，2006，36：162－172.

［6］Yan Handong，He Baoyin，Cai Shuming，et al.Environmental Implications of Magnetic Measurements on Recent Sediments from Lake Donghu［J］.Water，Air and Soil Pollution，1997，98：187－195.

［7］谭德宝，刘良明，鄢俊洁，等.MODIS数据的干旱监测模型研究［J］.长江科学院院报，2004（3）：11－15.

［8］刘良明，向大享，文雄飞，等.云参数法干旱遥感监测模型的完善［J］.武汉大学学报：信息科学版，2009，34（2）：207－209.

［9］何报寅，徐贵来，杜 耘，等.神农架大九湖盆地岩溶塌陷的高分辨率遥感调查［J］.华中师范大学学报：自然科学版，2008，42（3）：458－461.

［10］刘灿德，何报寅，李茂田，等.利用MODIS 反演长江中游悬浮泥沙含量的初步研究［J］.地质科技情报，2006，25（2）：99－102.

［11］Liu L M，Xiang D X，Zhou Z，et al.Analyses the modification functions of the drought monitoring model based on the cloud parameters method［C］.The 2008international congress on image and signal processing，2008，687－691.

［12］向大享.云参数法干旱遥感监测模型研究［D］.武汉：武汉大学博士学位论文，2011.

［13］NWS.National Weather Service［EB／OL］.［2012－08－10］.http：／／www.cpc.ncep.noaa.gov／cgi－bin／gl＿Soil－Moisture－Monthly.sh＃.