土壤墒情监测方法综述

吴金亮　单丽佳

摘要：干旱监测的主要方法包括土壤含水量的中子仪测量法、TDR测量法、湿度计法、称重烘干发法以及几种卫星遥感监测方法等。对各类干旱监测方法存在的问题和发展趋势进行探讨，并提出加强我国干旱遥感监测技术研究的建议，为我国农业旱情监测提供一定的帮助。

关键词：土壤墒情；干旱监测；遥感

中图分类号：X171 文献标识码：A 文章编号：1674-1161（2014）06-0065-04

干旱是指因天气久晴无雨或少量降雨、土壤中水分缺失、空气干燥等而引发的农作物枯死、人畜饮水不足等现象。从天气影响角度考虑，干旱还应包括高温、热浪天气和干热风等。干旱是全世界面临的重大自然灾害之一，而中国也是受旱情灾害影响较大的国家，主要体现在危害中国农业上。我国每年农作物平均受旱耕地面积达0.20亿hm2，成灾耕地面积达0.08亿hm2，作物减产达100～150亿kg，经济损失达2 000多亿元。农业干旱灾害面积受年际及季节变化影响较大。通常情况下，将年总降水量小于200 mm的地区定义为干旱区域，年总降水量在200～500 mm之间的地区定义为半干旱区域。

目前用于土壤干旱和水分监测的方法主要有常规地面监测和卫星遥感监测两种。常规地面监测是利用地面监测站将各监测点形成网络，实时对地面土壤湿度等情况进行监测记录，常见测量方法包括中子仪测量法、TDR测量法、湿度计法、称重烘干发法等。卫星遥感监测则借助于卫星传感器与遥感信息相结合，从而达到大面积监测。常用测量方法有作物缺水指数和主动、被动微波法，特征波段空间法，基于多光谱数据信息的热惯量方法，以及垂直干旱指数法等。

2 干旱监测方法

2.1 传统的土壤含水量测量方法

传统土壤含水量测量方法主要包括野外烘干称重法、光学测量法、张力计土壤法、驻波比法、中子法、电阻法、γ-射线法、时域反射法、TDR法等。我国大部分气象站测定土壤水分采用的是烘干法，少部分地区采用中子法、TDR法等自动测站。

野外烘干称重法是直接测量土壤水分含量的有效方法，在数据精度上优于其他方法，但费时费力，时效性较差，且连续取样会损坏当地土壤结构。基于辐射原理的中子法和γ-射线法因其危害人体健康而被国外弃用，在我国也很少使用。张力计土壤法的取样对象为基质势，与其他测定土壤含水量的方法相结合，可测定土壤水分特征曲线。电阻法的标定过程较为繁琐，且随着时间的推移其结果很快失效，加上测定精度较低，测量范围也存在一定的限制，因此基本上已被淘汰。光学测量法具有非接触的优势，但适应性低，易受土壤变异性影响，应用前景并不乐观。TDR的优点是测量速度快、操作简便、精确度高（能达到0.5%）、可连续测量，既可测量土壤表层水分、也可用于测量剖面水分，既可用于手持式的实时测量、也可用于远距离多点自动监测，测量数据易处理。近20 a来，基于测量土壤介电常数的方法与其他方法相比，在测量精度和实时性上更具优势，在操作上更加方便灵活，已成为国内外广泛使用的一种土壤水分测量方法。

2.2 遥感干旱监测原理及方法

遥感影像的植被相关信息主要通过植被冠层与叶片光谱特性及差异变化来获得，不同光谱特性波段所读取的植被信息与植被不同波段信息或某些特征状态存在不同的相关性。研究表明，在可见光波段与近红外波段，土壤含水量与其反照率密切关联，两者协同变化，水量较高的湿土比干土的反照率高。为此，可通过遥感影像在可见光和近红外波段的反照率差异来计算土壤水分。此外，地表反照率还与土质种类、地表纹理、地表起伏、遥感影像太阳入射角以及植被、作物覆盖程度等因素相关。通常采用几个波段值组合的形式来反演土壤水分，这样可以去除土质类型不同等因素的干扰。

微波遥感是指借助传感器来接收微波信号，这些微波信号主要来自地面上各类物体的发射或反射作用，并从信号中研究出有价值的内容。利用遥感进行土壤水分监测时，微波对水成分存在明显的感应能力，这就使遥感监测成为测定土壤含水量的较为合理的方式（包含主动方式和被动方式）。主动微波遥感主要测量土壤的后散射参量，而土壤粗糙度和介电常数可以决定土壤后散射参量，土壤湿度决定介电常数，因此土壤墒情可以较好地反演出来。被动式微波遥感的传感器接收来自地面物体自身辐射的微波，而这些微波土壤湿度由计算出的土壤亮温来反演得到，介电常量和热量共同评测出土壤亮温，介电常量与温度和土壤含水量关联，因此含水量可借助于土壤亮温计算得出[1-3]。

2.2.1 物缺水指数法 1981年Jackson提出了作物缺水指数（CWSI），其基本原理是通过计算出来的临近空气温度与植物冠层温度间的差值来估算监测土壤含水量。作物缺水指数介于0～1之间，指数的增加可以反映出水分的胁迫程度逐渐增加，指数等于1时为最大。

作物缺水指数法的最初假设是冠层温度值可以测量得到，地表作物完全覆盖。但这种假设被现实否定了，原因在于地表裸露会导致虚拟干旱。Moran又提出植被指数温度梯形模型理论，即在二维特征空间中，冠气温差与植被覆盖是以一种梯形分布而存在的，4种极端干旱情况可用梯形的4个顶点来表示：裸土在干旱状态下、裸土在饱和水分状态下、遭水分胁迫时植被完全覆盖、水分供给充足时的植被完全覆盖。在这个定理基础上有人又提出水分亏缺指数（WDI），其定义公式为：

WDI=1-Ed/Ep

式中：Ed为白天实际蒸散发量；Ep为潜在蒸散发量。为了得到WDI值，首先要通过遥感热红外数据来反演地表作物的植被辐射率、冠层温度、临近冠层的气温等因子，其次再推算实际的蒸腾蒸发量，利用彭曼公式计算出潜在蒸散发能力的强弱，这样，作物缺水指数就可以计算得出。但在实际应用中，需要较多的气象实测数据才能计算得到潜在蒸腾蒸发量，因此，水分亏缺指数的计算存在较大难度。

2.2.2 微波遥感法 微波遥感监测水分的理论基础是干燥土壤与水的介电常数具有强烈反差。土壤含水量直接影响土壤的介电特性，使雷达回波对土壤湿度极为敏感。微波遥感监测土壤水分精度较高，且具备全天候和全天时观测的特点，不受光照条件限制，可穿透云层，长波段微波还能够穿透植被并对土壤具有一定的穿透能力。微波遥感监测干旱主要有被动微波法和主动微波法两种。对于被动微波法，在植被覆盖区，微波辐射测量土壤湿度的有效采样深度约为5～10 cm，且选择较长的波跃更具优越性；主动微波法以应用x波段侧视雷达为主，方法主要是后向散射系数法（Back Scattering Coefficient）。用微波遥感研究土壤水分始于20世纪70年代，现雷达遥感技术在土壤水分方面的研究已较为成熟。李杏朝根据微波后向散射系数法，用微波遥感监测土壤水分的相对误差率仅12%。Rajat Bindlish等（2001）在积分模型基础上通过改进，将实际测得的土壤水分与雷达获取的数据相关系数由0.84提高到0.95。Moeremans等（2000）利用卫星和雷达遥感监测田间和区域两个不同尺度的土壤含水量，认为在裸地或植被稀疏的地区近地表土壤含水量与后向散射系数有很高的相关性。Tansey等（2001）也得到了相同的结论，同时认为地表的粗糙度对土壤水分的监测有很大影响。施建成等（2002）利用目标分解技术方法分离出植被散射部分，在一定程度上克服了植被层和表面粗糙度的变化对雷达后向散射对土壤水分的影响[4]。微波遥感监测土壤水分尽管受地表参数影响较大，但估算土壤水分精度较高，可全天候使用，不受云的干扰，若综合其他可见光与近红外图像，将是监测土壤水分最有希望的方法。但要进入实用阶段还有许多问题需要解决，如怎样选择有关参数，如何更好地消除植被、垄向、地表粗糙度、土壤质地等因素的影响。现有大多数模型都是经验的线性统计模型，不具有普遍适应性。另外，雷达遥感数据的获取途径较少，价格相对较高，这在一定程度上限制了其在监测土壤水分上的应用。

2.2.3 Ts-NDVI特征空间法 Carlson，Price和Moran等得出在二维特征空间中Ts-NDVI分布是三角形或梯形，不同学者据此提出了很多监测指数。Inge Sanholt等提出了条件温度植被指数（TVDI），计算公式如下：

湿边方程是指归一化植被指数等于某一特定值时的最小值温度，干边方程是指当归一化植被指数值等于某一特定值时地表的最大温度。a，b，a'，b'是4个待定系数。通常根据研究区域的地表温度和归一化植被指数二维散点图来近似提取干、湿边方程。

该指数对研究区域有如下要求：区域内有植被处于凋萎状态时的象元，此时土壤水分含量是比较低的，同时也存在促使植被良好生长发育的象元，此时土壤水量较大，通常用于表示年内某地区的干旱等级[5-6]。

2.2.4 土壤热惯量法 当土壤含水量较多时，会产生更大的热惯量，两者具有一定的关联性。热惯量值的计算式如下：

通常计算时无法直接利用遥感数据计算以上参数。为此，Price等提出了表观热惯量（ATI）定义，可以利用遥感影像数据的热红外辐射温度差、近红外反射率和可见光数据，计算热惯量值。计算公式如下：

通过遥感可获取地表的有关信息，例如MODIS遥感影像采用的是近红外波段（第1通道、第2通道、第3通道、第4通道）和第31热红外通道值，来反演推算大气透过率、地表温度、反射率等参数，进而计算土壤表观热惯量（ATI），再通过表观热惯量与土壤水分量之间的拟合关系，建立干旱模型，反演土壤墒情变化程度和干旱程度。该原理仅适用于植被覆盖度不是很高的情况，对于植被覆盖度较高的区域，其监测结果会明显降低[7-8]。

2.2.5 垂直干旱指数法 植物叶表面对红光和蓝紫光的吸收能力强，对近红外波段具有较高的反射表现，因此，从红波段（Red）到近红外波段（Nir），裸地反射率值较高但其增幅却不明显。植被对红光波段的吸收很快就能达到饱和状态，所以植被的增加可通过近红外反射的增加而得到反映。秦明和詹志明等在分析前人研究以及红光和近红外特征空间后，提出了基于土壤线斜率的垂直干旱指数，计算公式如下：

该指数假想了一条通过原点的直线L与土壤线垂直，其二维特征空间中任意一个点到直线L的距离都可表示为水分的分布状况。水分含量越高代表距离越近，水分含量越少则代表越远。该方法的优点是用光谱曲线特征直接代替了地表温度和反射率的反演，简便实效。

秦明等研究指出，用垂直干旱指数监测裸地地表水分效果良好，但遇到植被覆盖度较高的田间，垂直干旱指数监测会受到很大影响。不同土壤类型下地形特征会分布成非平面，为了改进模型，阿布都瓦斯提等提出了修正的垂直千旱指数法 （MPDI），定义为：

植被地面和部分植被覆盖程度是植被冠层的两个重要参量因子，前两者与叶片面积指数相关性很大。植被光谱指数可以计算出地表的植被覆盖度。例如，归一化植被指数（NDVI）和植被覆盖度关联性非常高，国内部分学者提出对植被覆盖度与归一化植被指数进行幂次方变换和均方根可提升植被覆盖度的精度，还有研究指出使用归一化植被指数（NDVI）计算出的地表覆盖度要低于土壤调节的植被指数（SAVI）。Jiang等在研究归一化植被指数的空间属性后，在多数情况下发现归一化植被指数尺度方法会使植被覆盖度升高。因此，不提倡用归一化植被指数尺度模型来推算，而应采用植被指数尺度差分方法（DVI）。Ghulam等采用Baret提出NDVI的x次幂来推算植被覆盖度，公式如下：

减小大气扰动可以采用归一化植被指数幂函数法，要最大限度降低大气的影响，基于比值指数就可以实现。

假想一个图像象元是混合的，即由完全植被覆盖和裸露土地两个部分组成，则该混合象元波段的反射率可通过植被与土壤线性函数推算，即R=fvRv，i+（1-fv）RS，i，则MPDI可以表示为：

假设在同种土壤类型下保持含水量的相对稳定，干旱指数的影响主要发生在植被的fvPDIv和（1-fv）-1。相关研究指出， 随着植被覆盖度线性增加，在植被覆盖度达到0.7之前， （1-fv）-1不会显著变化，直到fv>0.7之后才会曲线增加。

3 结语

目前，利用遥感技术进行干旱监测逐步趋于成熟。为了提高国内借助遥感技术进行干旱实时监测的研究水平，降低干旱对我国农业发展的危害程度，提出如下建议： 一是由于下载的卫星遥感数据往往是二级数据（系统几何校正产品），因此需要进行辐射定标、几何精校正、大气校正、裁剪、云掩膜等多个前期处理工作[9]。二是由于不同研究区域的土壤下垫面土质种类不同，因此选取的模型方法会严重影响最后反演旱情的精度和可信度。三是每个植被指数均涉及农作物生长状况，对其进行旱情监测，可拓宽遥感数据源在干旱监测中的研究。四是微波遥感方法对反演土壤水量的精度较好，可连续使用且不受云层干扰，但相关系数较难获取，应与其他遥感数据结合使用。五是在特征空间法的应用过程中，要针对不同时相、不同分辨率的遥感数据，分析不同植被覆盖类型和水分盈亏状况下干、湿边的变化规律及其在干旱监测中的应用，以提高模型精度。

参考文献

[1] 李付琴，隋洪智.农作物遥感估产研究进展[J].地球科学进展，1992，7（3）：30-36.

[2] 陈述彭，童庆禧，郭华东.遥感信息机理研究[M].科学出版社，1998.

[3] 郭广猛，赵冰茹.使用MODIS数据监测土壤湿度[J].土壤，2004，36（2）：219-221.

[4] 黄杨，耿淮滨，王松，等.潮湿裸露土壤的微波散射特性[J].遥感信息，1986（1）：24-27.

[5] 刘良云，张兵，郑兰芬.利用温度和植被指数进行地物分类和土壤水分反演[J].红外与毫米波学报，2002，21（4）：269-273.

[6] 张红卫，陈怀亮，申双和，等. NDVI-ST特征空间及干湿边变化特征[J].气象科技，2010，38（1）：45-52

[7] 李星敏，刘安麟，张树誉，等.热惯量法在干旱遥感监测中的应用研究[J].干旱地区农业研究，2005，23（1）：54-59.

[8] 张仁华.改进的热惯量模式及遥感土壤水分[J].地理研究，1990，9（2）：101-112.

[9] 蒋耿明.MODIS数据基础处理方法研究和软件实现[D].北京：中国科学院遥感应用研究所，2003.

2.2.3 Ts-NDVI特征空间法 Carlson，Price和Moran等得出在二维特征空间中Ts-NDVI分布是三角形或梯形，不同学者据此提出了很多监测指数。Inge Sanholt等提出了条件温度植被指数（TVDI），计算公式如下：

湿边方程是指归一化植被指数等于某一特定值时的最小值温度，干边方程是指当归一化植被指数值等于某一特定值时地表的最大温度。a，b，a'，b'是4个待定系数。通常根据研究区域的地表温度和归一化植被指数二维散点图来近似提取干、湿边方程。

该指数对研究区域有如下要求：区域内有植被处于凋萎状态时的象元，此时土壤水分含量是比较低的，同时也存在促使植被良好生长发育的象元，此时土壤水量较大，通常用于表示年内某地区的干旱等级[5-6]。

2.2.4 土壤热惯量法 当土壤含水量较多时，会产生更大的热惯量，两者具有一定的关联性。热惯量值的计算式如下：

通常计算时无法直接利用遥感数据计算以上参数。为此，Price等提出了表观热惯量（ATI）定义，可以利用遥感影像数据的热红外辐射温度差、近红外反射率和可见光数据，计算热惯量值。计算公式如下：

通过遥感可获取地表的有关信息，例如MODIS遥感影像采用的是近红外波段（第1通道、第2通道、第3通道、第4通道）和第31热红外通道值，来反演推算大气透过率、地表温度、反射率等参数，进而计算土壤表观热惯量（ATI），再通过表观热惯量与土壤水分量之间的拟合关系，建立干旱模型，反演土壤墒情变化程度和干旱程度。该原理仅适用于植被覆盖度不是很高的情况，对于植被覆盖度较高的区域，其监测结果会明显降低[7-8]。

2.2.5 垂直干旱指数法 植物叶表面对红光和蓝紫光的吸收能力强，对近红外波段具有较高的反射表现，因此，从红波段（Red）到近红外波段（Nir），裸地反射率值较高但其增幅却不明显。植被对红光波段的吸收很快就能达到饱和状态，所以植被的增加可通过近红外反射的增加而得到反映。秦明和詹志明等在分析前人研究以及红光和近红外特征空间后，提出了基于土壤线斜率的垂直干旱指数，计算公式如下：

该指数假想了一条通过原点的直线L与土壤线垂直，其二维特征空间中任意一个点到直线L的距离都可表示为水分的分布状况。水分含量越高代表距离越近，水分含量越少则代表越远。该方法的优点是用光谱曲线特征直接代替了地表温度和反射率的反演，简便实效。

秦明等研究指出，用垂直干旱指数监测裸地地表水分效果良好，但遇到植被覆盖度较高的田间，垂直干旱指数监测会受到很大影响。不同土壤类型下地形特征会分布成非平面，为了改进模型，阿布都瓦斯提等提出了修正的垂直千旱指数法 （MPDI），定义为：

植被地面和部分植被覆盖程度是植被冠层的两个重要参量因子，前两者与叶片面积指数相关性很大。植被光谱指数可以计算出地表的植被覆盖度。例如，归一化植被指数（NDVI）和植被覆盖度关联性非常高，国内部分学者提出对植被覆盖度与归一化植被指数进行幂次方变换和均方根可提升植被覆盖度的精度，还有研究指出使用归一化植被指数（NDVI）计算出的地表覆盖度要低于土壤调节的植被指数（SAVI）。Jiang等在研究归一化植被指数的空间属性后，在多数情况下发现归一化植被指数尺度方法会使植被覆盖度升高。因此，不提倡用归一化植被指数尺度模型来推算，而应采用植被指数尺度差分方法（DVI）。Ghulam等采用Baret提出NDVI的x次幂来推算植被覆盖度，公式如下：

减小大气扰动可以采用归一化植被指数幂函数法，要最大限度降低大气的影响，基于比值指数就可以实现。

假想一个图像象元是混合的，即由完全植被覆盖和裸露土地两个部分组成，则该混合象元波段的反射率可通过植被与土壤线性函数推算，即R=fvRv，i+（1-fv）RS，i，则MPDI可以表示为：

假设在同种土壤类型下保持含水量的相对稳定，干旱指数的影响主要发生在植被的fvPDIv和（1-fv）-1。相关研究指出， 随着植被覆盖度线性增加，在植被覆盖度达到0.7之前， （1-fv）-1不会显著变化，直到fv>0.7之后才会曲线增加。

3 结语

目前，利用遥感技术进行干旱监测逐步趋于成熟。为了提高国内借助遥感技术进行干旱实时监测的研究水平，降低干旱对我国农业发展的危害程度，提出如下建议： 一是由于下载的卫星遥感数据往往是二级数据（系统几何校正产品），因此需要进行辐射定标、几何精校正、大气校正、裁剪、云掩膜等多个前期处理工作[9]。二是由于不同研究区域的土壤下垫面土质种类不同，因此选取的模型方法会严重影响最后反演旱情的精度和可信度。三是每个植被指数均涉及农作物生长状况，对其进行旱情监测，可拓宽遥感数据源在干旱监测中的研究。四是微波遥感方法对反演土壤水量的精度较好，可连续使用且不受云层干扰，但相关系数较难获取，应与其他遥感数据结合使用。五是在特征空间法的应用过程中，要针对不同时相、不同分辨率的遥感数据，分析不同植被覆盖类型和水分盈亏状况下干、湿边的变化规律及其在干旱监测中的应用，以提高模型精度。

参考文献

[1] 李付琴，隋洪智.农作物遥感估产研究进展[J].地球科学进展，1992，7（3）：30-36.

[2] 陈述彭，童庆禧，郭华东.遥感信息机理研究[M].科学出版社，1998.

[3] 郭广猛，赵冰茹.使用MODIS数据监测土壤湿度[J].土壤，2004，36（2）：219-221.

[4] 黄杨，耿淮滨，王松，等.潮湿裸露土壤的微波散射特性[J].遥感信息，1986（1）：24-27.

[5] 刘良云，张兵，郑兰芬.利用温度和植被指数进行地物分类和土壤水分反演[J].红外与毫米波学报，2002，21（4）：269-273.

[6] 张红卫，陈怀亮，申双和，等. NDVI-ST特征空间及干湿边变化特征[J].气象科技，2010，38（1）：45-52

[7] 李星敏，刘安麟，张树誉，等.热惯量法在干旱遥感监测中的应用研究[J].干旱地区农业研究，2005，23（1）：54-59.

[8] 张仁华.改进的热惯量模式及遥感土壤水分[J].地理研究，1990，9（2）：101-112.

[9] 蒋耿明.MODIS数据基础处理方法研究和软件实现[D].北京：中国科学院遥感应用研究所，2003.

2.2.3 Ts-NDVI特征空间法 Carlson，Price和Moran等得出在二维特征空间中Ts-NDVI分布是三角形或梯形，不同学者据此提出了很多监测指数。Inge Sanholt等提出了条件温度植被指数（TVDI），计算公式如下：

湿边方程是指归一化植被指数等于某一特定值时的最小值温度，干边方程是指当归一化植被指数值等于某一特定值时地表的最大温度。a，b，a'，b'是4个待定系数。通常根据研究区域的地表温度和归一化植被指数二维散点图来近似提取干、湿边方程。

该指数对研究区域有如下要求：区域内有植被处于凋萎状态时的象元，此时土壤水分含量是比较低的，同时也存在促使植被良好生长发育的象元，此时土壤水量较大，通常用于表示年内某地区的干旱等级[5-6]。

2.2.4 土壤热惯量法 当土壤含水量较多时，会产生更大的热惯量，两者具有一定的关联性。热惯量值的计算式如下：

通常计算时无法直接利用遥感数据计算以上参数。为此，Price等提出了表观热惯量（ATI）定义，可以利用遥感影像数据的热红外辐射温度差、近红外反射率和可见光数据，计算热惯量值。计算公式如下：

通过遥感可获取地表的有关信息，例如MODIS遥感影像采用的是近红外波段（第1通道、第2通道、第3通道、第4通道）和第31热红外通道值，来反演推算大气透过率、地表温度、反射率等参数，进而计算土壤表观热惯量（ATI），再通过表观热惯量与土壤水分量之间的拟合关系，建立干旱模型，反演土壤墒情变化程度和干旱程度。该原理仅适用于植被覆盖度不是很高的情况，对于植被覆盖度较高的区域，其监测结果会明显降低[7-8]。

2.2.5 垂直干旱指数法 植物叶表面对红光和蓝紫光的吸收能力强，对近红外波段具有较高的反射表现，因此，从红波段（Red）到近红外波段（Nir），裸地反射率值较高但其增幅却不明显。植被对红光波段的吸收很快就能达到饱和状态，所以植被的增加可通过近红外反射的增加而得到反映。秦明和詹志明等在分析前人研究以及红光和近红外特征空间后，提出了基于土壤线斜率的垂直干旱指数，计算公式如下：

该指数假想了一条通过原点的直线L与土壤线垂直，其二维特征空间中任意一个点到直线L的距离都可表示为水分的分布状况。水分含量越高代表距离越近，水分含量越少则代表越远。该方法的优点是用光谱曲线特征直接代替了地表温度和反射率的反演，简便实效。

秦明等研究指出，用垂直干旱指数监测裸地地表水分效果良好，但遇到植被覆盖度较高的田间，垂直干旱指数监测会受到很大影响。不同土壤类型下地形特征会分布成非平面，为了改进模型，阿布都瓦斯提等提出了修正的垂直千旱指数法 （MPDI），定义为：

植被地面和部分植被覆盖程度是植被冠层的两个重要参量因子，前两者与叶片面积指数相关性很大。植被光谱指数可以计算出地表的植被覆盖度。例如，归一化植被指数（NDVI）和植被覆盖度关联性非常高，国内部分学者提出对植被覆盖度与归一化植被指数进行幂次方变换和均方根可提升植被覆盖度的精度，还有研究指出使用归一化植被指数（NDVI）计算出的地表覆盖度要低于土壤调节的植被指数（SAVI）。Jiang等在研究归一化植被指数的空间属性后，在多数情况下发现归一化植被指数尺度方法会使植被覆盖度升高。因此，不提倡用归一化植被指数尺度模型来推算，而应采用植被指数尺度差分方法（DVI）。Ghulam等采用Baret提出NDVI的x次幂来推算植被覆盖度，公式如下：

减小大气扰动可以采用归一化植被指数幂函数法，要最大限度降低大气的影响，基于比值指数就可以实现。

假想一个图像象元是混合的，即由完全植被覆盖和裸露土地两个部分组成，则该混合象元波段的反射率可通过植被与土壤线性函数推算，即R=fvRv，i+（1-fv）RS，i，则MPDI可以表示为：

假设在同种土壤类型下保持含水量的相对稳定，干旱指数的影响主要发生在植被的fvPDIv和（1-fv）-1。相关研究指出， 随着植被覆盖度线性增加，在植被覆盖度达到0.7之前， （1-fv）-1不会显著变化，直到fv>0.7之后才会曲线增加。

3 结语

目前，利用遥感技术进行干旱监测逐步趋于成熟。为了提高国内借助遥感技术进行干旱实时监测的研究水平，降低干旱对我国农业发展的危害程度，提出如下建议： 一是由于下载的卫星遥感数据往往是二级数据（系统几何校正产品），因此需要进行辐射定标、几何精校正、大气校正、裁剪、云掩膜等多个前期处理工作[9]。二是由于不同研究区域的土壤下垫面土质种类不同，因此选取的模型方法会严重影响最后反演旱情的精度和可信度。三是每个植被指数均涉及农作物生长状况，对其进行旱情监测，可拓宽遥感数据源在干旱监测中的研究。四是微波遥感方法对反演土壤水量的精度较好，可连续使用且不受云层干扰，但相关系数较难获取，应与其他遥感数据结合使用。五是在特征空间法的应用过程中，要针对不同时相、不同分辨率的遥感数据，分析不同植被覆盖类型和水分盈亏状况下干、湿边的变化规律及其在干旱监测中的应用，以提高模型精度。

参考文献

[1] 李付琴，隋洪智.农作物遥感估产研究进展[J].地球科学进展，1992，7（3）：30-36.

[2] 陈述彭，童庆禧，郭华东.遥感信息机理研究[M].科学出版社，1998.

[3] 郭广猛，赵冰茹.使用MODIS数据监测土壤湿度[J].土壤，2004，36（2）：219-221.

[4] 黄杨，耿淮滨，王松，等.潮湿裸露土壤的微波散射特性[J].遥感信息，1986（1）：24-27.

[5] 刘良云，张兵，郑兰芬.利用温度和植被指数进行地物分类和土壤水分反演[J].红外与毫米波学报，2002，21（4）：269-273.

[6] 张红卫，陈怀亮，申双和，等. NDVI-ST特征空间及干湿边变化特征[J].气象科技，2010，38（1）：45-52

[7] 李星敏，刘安麟，张树誉，等.热惯量法在干旱遥感监测中的应用研究[J].干旱地区农业研究，2005，23（1）：54-59.

[8] 张仁华.改进的热惯量模式及遥感土壤水分[J].地理研究，1990，9（2）：101-112.

[9] 蒋耿明.MODIS数据基础处理方法研究和软件实现[D].北京：中国科学院遥感应用研究所，2003.