FY-3A／MERSI与MODIS的温度植被干旱指数反演及对比分析

姜 琳，冯文兰，刘志红，李 刚，郭 兵

（1.成都信息工程学院，成都610225；2.中国科学院遥感与数字地球研究所，北京100094）

近年来，在全球气候变暖的影响下，我国干旱灾害发生频率逐渐增加，干旱区域不断扩大，且有从干旱区向湿润区发展的趋势［1］。干旱灾害的发生给农业生产和人民生活造成巨大的经济损失。传统的干旱监测是用稀疏点上的土壤水分含量数据来监测干旱的程度和范围，代表性差，无法实现大范围干旱灾害的监测。应用遥感技术是实现大范围面上干旱监测的可行性技术途径之一。对地观测卫星（EOS）中分辨率光谱成像仪因其具有高时间分辨率、高光谱分辨率以及适中的空间分辨率等特点，已经在大范围的、长时期动态干旱监测中得到了很好的应用。其中，利用MODIS地表温度产品和植被指数（NDVI）产品计算TVDI或者VTCI干旱指数的方法由于数据易于获取、监测效果好而在干旱遥感监测中广泛使用［2－8］。然而，由于 MODIS温度产品与植被产品空间分辨率不一致，在干旱反演中需要对分辨率低的数据进行重采样从而降低了数据结果的精度。FY-3A是我国自主研发的极轨气象卫星，其搭载的中分辨率光谱成像仪（MERSI）具有多光谱和高分辨率成像的特点，且MERSI传感器的波段设置与MODIS的某些波段基本一致，特别是用于监测地表植被、大气水汽以及地表温度的通道。与EOS／MODIS相比，FY-3 A／MERSI的250 m分辨率的可见光、热红外通道可分别用于植被指数和地表温度信息的提取。因此，利用FY-3 A／MERSI数据进行干旱监测可以在保证植被指数与地表温度空间分辨率一致的同时将干旱监测反演的空间分辨率提高到250 m［9］。

攀西地区位于四川省西南部的攀西大裂谷，地处干热河谷区，由于受冬夏季风的交替影响，形成了干雨季分明的气候变化规律，每年10月至翌年5月底，降水量仅占全年的10%左右，造成冬春连旱。因此，选取该地区作为干旱监测的研究区域具有代表性。本文采用广泛使用的TVDI干旱指数法，应用FY－3 A／MERSI数据，分析并揭示攀西地区复杂山区NDVI-Ts空间的形态特征，同时将监测结果与同期EOS／MODIS数据监测结果进行比较，以此对FY－3 A／MERSI数据在攀西地区的干旱监测能力进行评价，为攀西地区遥感数据的应用和相关部门的防灾减灾提供借鉴和决策支持。

1 实验材料与方法

1.1 研究区概况

攀西地区位于四川省西南部，地理坐标为26°03′—29°27′N，100°08′—103°53′E，总面积约6.36万k m2，行政上包括攀枝花市和凉山彝族自治州，共计20县（市）。境内海拔差异大，高山河谷南北相间排列，地貌类型复杂多样。气候特征属以南亚热带为基带的立体气候类型，太阳辐射强，蒸发量大，旱、雨季分明，是四川省近几年旱灾频发的地区［10］。

1.2 数据源与数据处理

所用数据源主要是 FY-3 A／MERSI和 EOSMODIS数据，FY-3 A／MERSI原始数据来源于中国气象局国家卫星中心，其可见光和热红外通道的空间分辨率为250 m，数据时间为2012年5月18日。数据处理使用MAS风云数据处理软件将其投影转换为阿尔伯斯等面积投影并对其进行几何校正。EOSMODIS数据选择2012年5月18日白天的地表反射

式中：Lsensor——传感器观测到的辐射亮度［W／（m2·sr·μm）］；Tsensor——传感器观测到的亮温（K）；λ——有效作用波长（μm）；ε——比辐射率；c1＝1.19104×108［W／（m2·sr·μm）］；c2＝1.43877×104μm·K；ψ1，ψ2，ψ3——大气水汽含量ω的函数，可由下式计算：

1.3.3 温度植被干旱指数的（TVDI）反演 目前，国内外学者运用遥感技术进行干旱监测多是基于植被指数和地表温度的模型。Sandholt等［13］基于植被指数和地面温度的关系，提出了温度植被干旱指数（TVDI）估算土壤表层水分状况。在国内被广泛用来进行不同地区的大范围的旱情监测，其准确性也得到很好的验证。其中张顺谦等［14］就利用NOAA数据依据温度植被干旱指数（TVDI）对2006年四川伏旱进行监测与评估，并验证了TVDI在四川地区进行率产品以及地表温度产品，其中地表反射率产品空间分辨率为250 m，地表温度产品空间分辨率为1 000 m，在MRT软件下对其进行投影转换为阿尔伯斯等面积投影并统一重采样为250 m。

1.3 研究方法

1.3.1 归一化植被指数（NDVI）的反演 NDVI是反映土地覆盖植被状况的一种遥感指标，定义为近红外通道与可见光红通道反射率之差与之和的商［11］，近年来被广泛应用，其公式为

式中：QNIR——近红外波段的反射率；QR——红波段反射率。对于 MERSI数据，QNIR，QR——大气校正后的其第4和第3波段的反射率。对于MODIS数据，QNIR与QR则采用了反射率产品中的第2和第1波段的反射率。

1.3.2 FY-3 A MERSI数据地表温度的反演 由于FY-3 A／MERSI只有一个热红外通道，所以本文采用Ji menez-Munoz和 Sobrino［12］建立的适用于各种传感器的普适性单通道算法。该算法简便适用，只需要知道热红外通道的中心波长，地表比辐射率和大气水汽含量即可。其具体公式为：旱情监测的可行性。TVDI的计算公式如下：

式中：Tsmin——某一NDVI对应的最小地表温度，对应的是湿边Tsmin＝a1＋b1NDVI；Ts——任意像元的地表温度；a1，b1——湿边拟 合方程的 系数；smax——某一NDVI对应的最大地表温度，对应的是干边Tsmax＝a＋b NDVI；a，b——干边拟合方程的系数。TVDI取值范围为0～1，TVDI越大，表明越接近干边，旱情就越严重。

2 结果与分析

2.1 FY-3A／MERSI与 MODIS数据 NDVI-Ts特征空间的比较

基于TVDI干旱指数模型进行干旱监测最重要的一步就是确定其干湿边，干湿边的确定直接影响监测结果［14］。本文以 NDVI步长为0.002提取不同NDVI条件下的最大陆地表面温度和最小陆地表面温度，得到NDVI-LST二维特征空间变化，见图1。

从图1中可以看出，两者的变化趋势大概一致，但是MERSI数据的最小温度、最大温度与植被指数拟合的线性关系更好一些，而MODIS数据的植被指数与地表温度的二维散点图要散乱一些，这主要是由于在对MODIS地表温度数据进行采集时把云像元误判成晴空地表造成的。同时，从两幅散点图可以看出，同一NDVI所对应的最大地表温度MODIS数据要大一些，说明MODIS数据在晴空状态下监测的地表温度要比MERSI数据好一些。

图1 NDVI-TS特征空间关系

根据TVDI的原理，随着植被指数的增加，地表最大温度应该逐渐降低，但是由于攀西地区空气中水分含量高，以及植被覆盖度过低的时候，NDVI会高估，而植被覆盖度过高的时候，NDVI会低估等原因，造成NDVI-TS在左右两端不符合实际规律，结合两者散点图的空间拟合特征发现，NDVI在0.2到0.8的区间内，地表温度与植被指数呈现较好的线性关系。因此只取NDVI在0.2到0.8的中等植被覆盖度区间的数据进行干湿边的拟合，拟合结果见表1。

表1 MODIS和 MERSI数据确定的干湿边方程

由表1可知，MERSI数据的干湿边方程的拟合系数分别为0.890 1，0.866 5，要高于 MODIS数据的0.710 6，0.706 5，说明 MERSI数据的地表温度与植被指数的变化有着较高的一致性，从而可以很好地体现出研究区的干旱发生变化机理。

2.2 MERSI-TVDI与 MODIS-TVDI的整体相关性分析

为了验证FY-3 A／MERSI数据反演的TVDI与MODIS数据反演的TVDI数值的整体相关性，对两种数据反演结果按照0.25°×0.25°共设置120个样点，采用随机均匀布点法进行取样。对提取的相应数据进行相关性分析结果显示（图2），两者呈线性相关，相关系数达到0.919 9，同时将MODIS和MERSI数据所有样点进行差值计算，所得差值变化区间为－0.12到0.23，均值为0.11，说明 MODIS-TVDI整体数值要比 MERSI-TVDI要略微大一些，可能与MERSI数据反演的地表温度比MODIS数据低一些有关，但是两者的干旱监测结果整体数值上有着较好的一致性。

图2 MERSI-TVDI与 MODIS-TVDI样点验证图

2.3 不同地表覆盖类型下MERSI-TVDI与 MODISTVDI的对比分析

考虑到TVDI模型在对较大区域进行干旱监测时会受到地表覆盖类型差异的影响［15］，本文进一步分析FY-3 A／MERSI数据与MODIS数据在不同不同覆盖类型下监测结果的相关性。以攀西地区受干旱影响的林地、灌木、旱地、水田和草地5种土地利用类型为分析对象，按照不同海拔高度、不同坡度以及均一较大斑块的原则来进行 MERSI-TVDI与 MODIS-TVDI取样，采样点监测结果的相关分析结果如表2所示。从表2中可以看出，MERSI与MODIS数据反演的TVDI在这5种土地利用类型中都表现出较好的相关性，其中草地、林地和灌木的相关系数分别达到了0.944，0.903和0.915，而水田和旱地的相关系数则略小。

表2 MERSI-TVDI与 MODIS-TVDI相关分析

2.4 MERSI-TVDI与 MODIS-TVDI的空间分布分析

在温度植被干旱指数的基础上，根据攀西地区的旱情统计数据，按最大概率法，将攀西地区的TVDI进行如下分级：＜0.67为无干旱区、0.67～0.74为轻度干旱、0.74～0.84为中度干旱、＞0.84为重度干旱，结果如附图12所示，从干旱监测结果空间分布的对比来看，MERSI-TVDI的纹理特征更加明显，而MODIS的纹理特征则相对要差一些，主要是由于对MODIS的地表温度数据进行重采样造成其精度的降低。从干旱的分布情况来看，MODIS-TVDI和MERSI－TVDI都反映出攀西地区的西南部包括盐源县的中部、攀枝花市辖区、会理县、米易县、宁南县的南部都存在着大面积的重度干旱，而东北部的大部分地区干旱情况比较轻。

2.5 验证分析

为了验证干旱监测结果的准确性，利用攀西地区及周围20个气象站点2012年4月1日到5月17日的日降雨量数据进行累加，然后考虑高程因素对其进行协和克里金插值，插值后数据分辨率为250 m。得到结果如附图13所示，从图中可以看出攀西地区西部和南部地区2012年4，5月份的降雨量比东部和北部地区要明显偏少，而且降水极少的两个中心区域与TVDI的监测结果两个重度干旱区域基本重合，整个降雨分布情况与TVDI干旱情况分布数据变化趋势基本一致。为了进一步说明MODIS与MERSI数据的干旱监测结果可信，本研究采用均匀网格划分法将攀西地区均匀划分为0.5°×0.5°网格，利用 Arc GIS的Zonal statistic功能统计每个网格相应的降雨量和MODIS（TVDI）、FY3 A-MERSI（TVDI）均值，并对其进行定量的相关性分析，该方法避免了以点为单元进行验证时像元尺度的问题。研究结果表明：MODIS（TVDI）、FY3 A-MERSI（TVDI）与当前月份降雨量存在显著负相关，其线性相关系数分别为－0.83，－0.91，并且FY3A-MERSI数据反演的TVDI数据与降雨量的线性负相关性更好。

3 讨论与结论

MERSI数据的植被指数和地表温度数据所构造的干湿边的散点分布图相关性要高于MODIS数据，说明MERSI数据可以更好地来体现干旱信息。MODIS-TVDI与 MERSI-TVDI的差值结果表明，两者之间数值上存在着一定的差别，变化范围在－0.12到0.23，而且MODIS的监测结果要比MERSI的监测结果略大，这主要是由于探测仪器本身的参数、光谱响应差异、太阳高度角、几何畸变及云污染状况等因素的存在。

通过对两种数据监测结果的整个区域的均匀取样点以及不同植被覆盖类型的取样点的相关性分析发现，MERSI-TVDI和 MODIS-TVDI不论在整体上还是典型样点上都呈现明显的线性相关性。从攀西地区旱情空间分布情况来看，两者的无旱、轻旱、中旱以及重旱4个干旱等级的的分布情况大概一致。但是MERSI数据的纹理特征相比于MODIS数据更加明显。攀西地区2012年4月、5月份的整个降雨分布情况与TVDI干旱情况分布数据变化趋势基本一致，说明两者干旱监测结果是可信的。综上，FY3 AMERSI数据具备干旱监测能力，且其监测结果与MODIS数据的监测结果具有可比性。

致谢：感谢四川省气象局和国家气象卫星中心为本研究提供数据资料以及国家气象中心的韩秀珍和陈楠老师为本次研究提供的方法和技术指导。

［1］ 尹晗，李耀辉.我国西南干旱研究最新进展综述［J］.干旱气象，2013，31（1）：182-193.

［2］ 李永亮，林辉，马延辉.基于 MODIS数据的湖南省旱情监测研究［J］.水土保持研究，2010，17（2）：111-114.

［3］ 柳锦宝，何政伟，段英杰.MODIS数据支持下的西藏干旱遥感监测［J］.干旱区资源与环境，2013，27（6）：134-139.

［4］ 李慧，王鹏新.基于Terra-MODIS和 NOAA-AVHRR数据的条件植被温度指数干旱监测及其对比分析［J］.干旱区资源与环境，2013，27（3）：61-66.

［5］ 康为民，罗宇翔，郑小波，等.贵州温度植被干旱的指数（TVDI）特征及其遥感干旱的监测应用［J］.贵州农业科学，2008，36（4）：27-30.

［6］ 范辽生，姜纪红，盛晖，等.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，2009，30（2）：230-234.

［7］ 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.

［8］ 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.

［9］ 向大亨，刘良明，韩涛.FY-3 A MERSI数据干旱监测能力评价［J］.武汉大学学报，2010，35（3）：56-62.

［10］ 王小广.生态脆弱区农业经济发展模式及对策研究：以四川攀西地区为例［J］.生态农业研究，1994，2（1）：41-46.

［11］ 冯锐，纪瑞鹏，武晋雯，等.FY3／MERSI和 EOS／MODIS归一化植被指数差异分［J］.中国农学通报，2010，26（19）：359-362.

［12］ Ji ménez-Muñoz J C，Sobrino J A.A generalized singlechannel method f or retrieving land surface temperature fro m remote sensing data［J］.Jour nal of Geophysical Research： At mospheres （1984—2012），2003，108（D22）：4688-4694.

［13］ Sandholt I，Rasmussen K，Andersen J.A si mple interpretation of the surface temperature／vegetation index space f or assess ment of surface moisture status［J］.Remote Sensing of Environment，2002，79（2）：213-224.

［14］ 张顺谦，卿清涛，侯美亭，等.基于温度植被干旱指数的四川伏旱遥感监测与影响评估［J］.农业工程学报，2007，23（9）：141-146.

［15］ 易佳，杨世琦，田永中，等.基于温度植被特征空间的夏季重庆土壤干湿状况与土地利用关系研究［J］.中国农学通报，2010，26（22）：183-189.