基于LAI-Ts特征空间的河南省冬小麦返青−成熟期旱情监测∗

刘 英，岳 辉，张 锋，杨 坤

（西安科技大学测绘科学与技术学院，西安 710054）

遥感技术因其具有监测范围广、多时相、快速、动态等特点，近年来已成为旱情监测的主要手段[1-2]。旱情遥感监测的方法主要有热惯量法、植被供水指数法、微波法、温度植被干旱指数法（Temperature Vegetation Dryness Index，简称 TVDI）等，其中 TVDI因综合考虑了研究区植被状况和温度条件而被广泛采用。国际上，Sandholt等[3]利用简化的归一化植被指数（Normalized Difference Vegetation Index，简称NDVI）和地表温度（Land surface temperature，简称Ts）构成的特征空间，提出了TVDI计算公式；Naira等[4]指出基于NDVI-Ts特征空间的TVDI能够描述土壤水分时空变化；Patel等[5]指出TVDI与土壤湿度之间存在明显的负相关关系；Dhorde等[6]指出在干旱条件下稀疏植被的 TVDI与叶面积指数（Leaf area index，简称 LAI）呈显著的负相关关系；Cao等[7]利用中分辨率成像光谱仪（Moderate-resolution imaging spectroradiometer，简称MODIS）数据，基于 NDVI-Ts三角形特征空间的 TVDI监测了蒙古高原土壤湿度状况；Zhang等[8]利用MODIS等数据计算了垂直植被干旱指数、TVDI、降雨状态指数等，并利用这些指数监测了美国大陆的干旱状况，指出气象干旱指数得出的美国大陆严重干旱等级面积比例大于农业干旱指数，且在不同气象条件下各指数在监测旱情方面各有利弊。

国内，沈润平等[9]以利用MODIS数据提取的植被状态指数、温度状态指数和土地覆盖类型等多个遥感及土壤资料提取的干旱因子为自变量，以气象站点的综合气象干旱指数为因变量，利用随机森林模型构建遥感干旱监测模型，结果表明该模型能较好地应用于监测区域旱情监测；薄燕飞等[10]利用MODIS数据，基于增强型植被指数EVI（Enhanced Vegetation Index）-Ts特征空间计算TVDI，指出TVDI能监测河北省旱情；王莺等[11]利用MODIS数据，基于 EVI-Ts特征空间计算 TVDI，分析了广东省 2011年旱情分布状况，指出广东省冬旱非常严重；孙丽等[12]基于NDVI-Ts特征空间建立TVDI，并结合降水量距平指数，构建了综合干旱监测指数，并对武陵山区旱情进行了监测，指出该指数比TVDI更具有稳定性。随欣欣等[13]基于MODIS LAI-Ts特征空间，构建温度-叶面积干旱指数（Temperature LAI drought index，简称TLDI）监测农田水分含量，指出TLDI弥补了TVDI在NDVI达到饱和后监测精度降低的缺陷。

相关学者利用 TVDI进行旱情监测时基本都依赖于NDVI-Ts和EVI-Ts特征空间，涉及其它植被指数的研究并不常见，随欣欣等[13]指出基于LAI-Ts特征空间的TLDI适用于NDVI达到饱和后的农田旱情监测。但在植被覆盖度较低时，NDVI尚未达到饱和时是否也可用LAI-Ts特征空间代替NDVI-Ts特征空间有待验证。本研究旨在探索当 NDVI未达到饱和时，LAI能否代替NDVI及基于LAI-Ts特征空间的温度-叶面积干旱指数（Temperature LAI drought index，简称TLDI）能否用于旱情监测，并利用实地观测土壤湿度数据验证该指数的监测精度。进一步以TLDI为旱情监测指标，分析评估2000年、2005年、2010年和2015年2月26日-6月1日河南省干旱的时空分布特征和规律，以期为研究区农业生产、防旱避灾提供参考依据。

1 资料与方法

1.1 数据来源与处理

MODIS/Terra卫星数据下载于美国NASA网站（http://revert.echo.nnsn.gov/revert/），获取河南省2000、2005、2010年和2015年2月26日-6月1日的叶面积指数（LAI）和光合有效辐射 8d合成数据集MOD15A2和8d合成地表温度（Ts）/发射率数据集MOD11A2，数据分辨率为1km。实测土壤湿度数据来自于中国气象局气象数据中心提供的中国农作物生长发育状况资料数据集，从该数据集中提取河南省17个气象站点2000、2005、2010和2015年2月26日-6月1日每月8、18和28日的10cm实测土壤湿度数据。研究区及站点分布见图1。

图1 研究区及站点分布Fig. 1 The location of meteorological stations in Henan province

从MOD15A2、MOD11A2中分别提取河南省8d合成 LAI和 Ts数据，利用最大化合成法将 LAI和Ts进行 16d合成，获得 2000、2005、2010和 2015年2月26日-6月1日每16d合成LAI和Ts数据；以0.01为步长，利用JAVA语言编程提取研究区每个LAI对应的最高地表温度（Tsmax）、最低地表温度（Tsmin）。

1.2 研究方法

Sandholt等[3]2002年研究认为，在 NDVI-Ts三角形特征空间中，土壤含水量最低、干旱程度最严重的边界为特征空间的干边，土壤含水量高、干旱程度最轻的边界为特征空间的湿边，并提出由NDVI-Ts特征空间计算温度植被干旱指数（TVDI）的表达式，即

式中，TVDI为温度植被干旱指数；Ts为任意像元地表温度（K）；Tsmax为某一 NDVI对应的最大地表温度，对应NDVI-Ts特征空间的干边；Tsmin为某一NDVI的对应最小地表温度，对应NDVI-Ts特征空间的湿边。TVDI值在 0～1，TVDI越大，土壤湿度越低，农业旱情越严重；反之，农业旱情越轻。Tsmax和Tsmin计算式为

式中，a1和b1、a2和b2分别为干、湿边方程系数，由NDVI-Ts特征空间散点图线性拟合得到；NDVI为归一化植被指数。

随欣欣等[13-14]指出，当 NDVI达到饱和后，可用LAI-Ts特征空间代替NDVI-Ts特征空间。当NDVI未达到饱和，植被覆盖度较低时，LAI-Ts特征空间能否代替 NDVI-Ts特征空间有待验证。因此，本文尝试利用LAI-Ts特征空间计算TLDI。本研究发现，在 LAI-Ts特征空间中 Tsmax和 Tsmin二次多项式拟合方程精度比线性拟合精度高，故采用二次多项拟合Tsmax和Tsmin，计算式为

式中，c1和c2分别为干、湿边方程系数。

2 结果与分析

2.1 冬小麦返青-成熟期LAI-Ts特征空间分析

利用研究区2000、2005、2010和2015年2月26日-6月1日每16d合成的影像资料，提取每个像元LAI值对应的最高地表温度（Tsmax）、最低地表温度（Tsmin），绘制散点图得到每个阶段的LAI-Ts特征空间，其中，LAI-Tsmax对应干边、LAI-Tsmin对应湿边，结果见图2、3、4和图5。由图中可见，在冬小麦返青-成熟期，LAI-Ts特征空间中干边、湿边均可用一元二次方程拟合，干边方程的决定系数均在 0.72以上（P＜0.05）。Tsmax随着 LAI的增加而减小、Tsmin随着LAI的增加而增加，两条线随着生育期形成了动态合围变化态势。从合围情况看，返青期即3月上旬前后（图a、b），干、湿边线呈明显三角形，随着植被覆盖的提高逐渐演变成梯形，且 Tsmin逐渐演变为近似水平线（图 f）。在LAI-Ts特征空间中任意一点越接近干边，TLDI值越大，旱情越严重；反之，越接近湿边，TLDI值越小，则旱情越轻。

2.2 冬小麦返青-成熟期 TVDI与土壤湿度的相关性验证

中国气象局气象数据中心缺乏2013年之后的实测土壤湿度数据，故利用河南省的17个气象站2000、2005、2010和2013年每年2月26日-6月1日实测地表10cm土壤湿度数据与气象站点3×3像元对应的TLDI（温度-叶面积干旱指数）均值进行相关性分析，并计算其相关系数（表1）。由表1可知，TLDI与地表10cm土壤湿度存在负相关关系，TLDI越大，土壤湿度越低。F检验发现，2000、2005、2010和2013年各时段TLDI与10cm土壤湿度线性回归方程均通过了95%的显著性检验（表1）。

进一步利用2005年3月30日-6月1日每16d TLDI与同时相实测土壤湿度数据进行相关性分析，并建立两者之间的土壤湿度反演模型（图6a）。由图6a可知，TLDI与实测土壤湿度（SM）呈显著负相关关系（P＜0.05），计算式为

利用式（1）反演2005年2月26-3月13日和3月14-29日土壤湿度，并与同时相实测土壤湿度进行对比（图6b）。由图6b可知，反演土壤湿度与实测土壤湿度之间存在显著正相关关系（P＜0.05），拟合方程决系数 R2为 0.4237，均方根误差 RMSE（Root mean square error）14.60%，表明基于LAI-Ts特征空间的 TLDI监测旱情具有可靠性，可作为旱情监测指标。

图2 2000年2月26日-6月1日LAI-Ts特征空间Fig. 2 LAI-Ts space from February 26 to June 1, 2000

图3 2005年2月26日-6月1日LAI-Ts特征空间Fig. 3 LAI-Ts space from February 26 to June 1, 2005

图4 2010年2月26日-6月1日LAI-Ts特征空间Fig. 4 LAI-Ts space from February 26 to June 1, 2010

图5 2015年2月26日-6月1日LAI-Ts特征空间Fig. 5 LAI-Ts space from February 26 to June 1, 2015

表1 2000、2005、2010和2013年TLDI（温度-叶面积干旱指数）与10cm深土壤湿度（SM）的相关系数Table 1 Correlation between TLDI(Temperature LAI drought index) and 10cm soil moisture in 2000, 2005, 2010 and 2013

图6 TLDI与实测土壤湿度的关系Fig. 6 Correlation between TLDI and filed measured soil moisture

2.3 冬小麦返青-成熟期旱情遥感分析

利用基于LAI-Ts特征空间的TLDI分析冬小麦的旱情状况，根据Liu等[15]的研究，将旱情划分为5类：极湿润（TLDI为0～0.2）；湿润（TLDI为0.2～0.4）；正常（TLDI为 0.4～0.6）；干旱（TLDI为 0.6～0.8）；极干旱（TLDI为0.8～1.0）。因为研究区存在水体、建筑物及数据缺失情况，因此添加以下 3种分类：无数据区域TLDI为-1.50～1.49；水体TLDI为-1.49～1.20；建设用地 TLDI为-1.2～0.0。利用ArcGIS10.0制作河南省2000、2005、2010、2015年每年2月26日-6月1日期间的旱情等级时空分布图（图7、8、9、10），并统计各时段干旱与极干旱区域占河南省总面积的比例如表2。

由图7、8、9和10可知，河南省旱情存在以下特点：

（1）2000年2月26日-6月1日

2月26日-3月29日：河南省全省大部分地区均出现严重春旱，全省受旱灾影响的农田面积约357.1万hm2，占麦播面积的71.4%，重旱地区主要分布在西部、西南部和中部，而北部、东部、东南部也出现干旱。总体来说旱情较严重，虽然北部和东南部地区 3月有降雨，但豫中部分地区旱情未能缓解。

3月30日-4月30日：旱情主要分布在西南部，虽然全省降雨较多，但均集中在东部和北部部分地区，西南部旱情依旧未能得到缓解。至 4月下旬，北部、中部部分地区又出现旱情，西南部旱情加剧。

5月1日-6月1日：5月上旬旱情主要分布在西北部、东南以及中部局部地区，其它地区基本无旱情；5月下旬西北部旱情加剧，东南部旱情得以缓解，中部部分地区旱情加重。

（2）2005年2月26日-6月1日

2月26日-3月29日：全省再次出现春旱，重旱地区主要分布在西北部以及靠近西北部的中部地区，其它地区无旱情。随着各地降水量的增加，旱情仅在中部局地出现。

3月30日-4月30日：4月上旬降水较多，仅西部局地存在旱情，但下旬西北部旱情略微加重。总体来说对小麦生长较有利。

5月1日-6月1日：在河南省西部、南部出现旱情，中部局部地区旱情较严重，至 5月下旬东南部旱情减轻，但北部以及中部大部分地区旱情均明显增加。

（3）2010年2月26日-6月1日

2月26日-3月29日：早春时期全省相对湿润，西南部有轻微旱情，对冬小麦的生长极为有利。

3月30日-4月30日：在河南省西北部有轻微旱情，其它地区较湿润。

5月1日-6月1日：5月上旬全省相对湿润，下旬旱情突然严重加剧，全省大部分地区出现旱情。

（4）2015年2月26日-6月1日

2月26日-3月29日：北部旱情较轻，旱情主要出现在西部以及中部地区，总体全省墒情良好，对冬小麦进入返青期较有利；下旬旱情无明显变化。

3月30日-4月30日：上旬全省平均降雨量21mm，中部、北部地区降雨量较少，但全省旱情并不严重。4月下旬中部、北部大部分地区出现轻度干旱，仅个别地区为中度干旱，全省其它地区土壤墒情良好，对小麦生长较为有利。

5月1日-6月1日：全省5月上旬出现轻度干旱，但下旬北部、南部以及中部地区旱情均加剧，全省旱情较严重。总体来说，对小麦生长较为不利。

由表2可知，2000、2005、2010和2015年每年3月上旬及整个5月是河南省干旱频发期，2000年和2005年干旱比例均达全省面积的50%以上，2005年、2015年5月1-31日及2010年5月17-30日干旱比例均达 50%以上。进一步分析可知，每年3月上旬和整个5月分别处于冬小麦返青期和开花-灌浆期，此时如果干旱发生将严重影响冬小麦产量，应采取积极的抗旱措施。相比各年份干旱情况来说，2000年、2005年和2015年每年2-5月旱情较严重，2010年2-5月属轻度干旱，相对湿润。

图7 河南省2000年2月26日-6月1日旱情等级时空分布Fig. 7 The spatio-temporal distribution of drought in Henan province from February 26 to June 1, 2000

图9 河南省2010年2月26日-6月1日旱情等级时空分布Fig. 9 The spatio-temporal distribution of drought in Henan province from February 26 to June 1, 2010

图10 河南省2015年2月26日-6月1日旱情等级时空分布Fig. 10 The spatio-temporal distribution of drought in Henan province from February 26 to June 1, 2015

表2 典型年河南省冬小麦返青-成熟各阶段干旱面积的比例（%）Table 2 Drought area ratio of winter wheat from the turning green to mature stage in Henan province in 2000, 2005, 2010 and 2015（%）

3 结论与讨论

3.1 讨论

Han等[14,16]等指出，当植被覆盖度较高，NDVI达到饱和后可用LAI-Ts特征空间代替NDVI-Ts特征空间。随欣欣等[13]利用宁夏地区 2005年 4-8月的MODIS LAI和Ts数据，验证作物封垄后基于LAI-Ts特征空间的TLDI能否代替基于NDVI-Ts特征空间的TVDI及其旱情监测精度，指出当NDVI达到饱和后 TLDI可代替 TVDI，且其旱情监测精度高于TVDI。本研究利用河南省2000、2005、2010和2015年每年2月26日-6月1日 MODIS LAI和Ts产品数据，验证当植被覆盖度较低，NDVI未达到饱和时基于 LAI-Ts特征空间的 TLDI能否用于旱情监测。研究发现LAI-Ts特征空间在3月中上旬植被覆盖度较低时呈明显三角形，随着入春转暖植被覆盖度提高逐渐演变成梯形，这种演变特征进一步验证了Han等[14]提出的早期植被覆盖较低时应采用三角形特征空间，而后期植被覆盖度增加时则采用梯形特征空间的理论。本研究仅采用了河南省数据对TLDI进行验证，该指数是否适用于其它区域的旱情监测需要进一步验证与分析。另外，文献[17]虽对基于双抛物线型 NDVI-Ts、EVI-Ts及三角形NDVI-Ts、LAI-Ts特征空间作了一定的对比研究，但侧重于双抛物线型NDVI-Ts特征空间的提出和验证，因而这几种特征空间的适用条件和优劣程度需进一步研究。

3.2 结论

（1）基于三角形或梯形LAI-Ts特征空间的TLDI与实测土壤湿度呈显著负相关性（P＜0.05），R2变化范围为0.2716～0.5576。当NDVI未达到饱和时，基于LAI-Ts特征空间的TLDI可用于旱情监测。TLDI基于MODIS产品数据展开，避免了利用MODIS原始数据进行LAI和Ts计算和反演的复杂处理过程，丰富和补充了基于植被指数和地表温度特征空间的TVDI监测方法。

（2）河南省旱情主要分布在中西部、西南部以及北部地区，其它区域发生旱情的时间相对较少。2000、2005、2010和2015年每年2月下旬-5月下旬河南省干旱频发于每年3月上旬和整个5月，干旱比例均达 50%以上，此时正处于冬小麦返青期和开花-灌浆期的关键时刻。因此，抗旱需要在早春时期就积极应对，早春是小麦拔节生长的重要阶段，而后在初夏阶段，植被蒸腾作用加剧，更需要对旱情及时预防和应对，保证小麦在灌浆成熟期能健康发育。

References

[1]刘勤,严昌荣,何文清.黄河流域干旱时空变化特征及其气候要素敏感性分析[J].中国农业气象,2016,37(6):623-632.Liu Q, Yan C R, He W Q. Drought variation and its sensitivity coefficients to climatic factors in the Yellow River Basin[J].Chinese Journal of Agrometeorology,2016,37(6): 623-632.(in Chinese)

[2]Du L,Song N,Liu K,et al.Comparison of two simulation methods of the temperature vegetation dryness index (TVDI)for drought monitoring in semi-arid regions of China[J].Remote Sensing,2017,9(2):177-196.

[3]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(2):213-224.

[4]Naira C,Robert L,Ramata M.Surface soil moisture status over the Mackenzie River Basin using a temperature/vegetation index[A].Geoscience and Remote Sensing Symposium,2007[C].IEEE,2007:1846-1848.

[5]Patel N R,Anapashsha R,Kumar S,et al.Assessing potential of MODIS derived temperature/vegetation condition index(TVDI) to infer soil moisture status[J].International Journal of Remote Sensing,2009,30(1):23-39.

[6]Dhorde A G,Patel N R.Spatio-temporal variation in terminal drought over western India using dryness index derived from long-term MODIS data[J].Ecological Informatics,2016,32:28-38.

[7]Cao X,Feng Y,Wang J.An improvement of the Ts-NDVI space drought monitoring method and its applications in the Mongolian plateau with MODIS,2000-2012[J].Arabian Journal of Geosciences,2016,9(6):1-14.

[8]Zhang L,Jiao W,Zhang H,et al.Studying drought phenomena in the Continental United States in 2011 and 2012 using various drought indices[J].Remote Sensing of Environment,2017,190:96-106.

[9]沈润平,郭佳,张婧娴,等.基于随机森林的遥感干旱监测模型的构建[J].地球信息科学学报,2017,19(1):125-133.Shen R P,Guo J,Zhang J X,et al.Construction of a drought monitoring model using the random forest based remote sensing[J].Journal of Geo-information Science,2017,19(1):125-133.(in Chinese)

[10]薄燕飞,白建军,刘永林.基于TVDI及气象干旱指数的河北省春旱时空变化特征[J].兰州大学学报(自科版),2016,52(2):188-195.Bo Y F,Bai J J,Liu Y L.The spatial-temporal variations of spring drought in Hebei province based on TVDI and meteorological drought index[J].Journal of Lanzhou University:Natural Science,2016,52(2):188-195.(in Chinese)

[11]王莺,王劲松,姚玉璧,等.基于温度植被干旱指数的广东省旱情动态监测[J].草业学报,2014,23(2):98-107.Wang Y,Wang J S,Yao Y B,et al.Dynamic monitoring of drought based on temperature vegetation dryness index in Guangdong province[J].Acta Prataculturae Sinica,2014,23(2):98-107.(in Chinese)

[12]孙丽,王飞,李保国,等.基于多源数据的武陵山区干旱监测研究[J].农业机械学报,2014,45(1):246-252.Sun L,Wang F,Li B G,et al.Study on drought monitoring of Wuling Mountain Area based on multisource data[J].Transactions of the Chinese Society for Agricultural Machinery,2014,45(1):246-252.(in Chinese)

[13]随欣欣,秦其明,董恒,等.基于 LST_LAI特征空间的农田干旱监测研究[J].光谱学与光谱分析,2013,33(1):201-205.Sui X X,Qin Q M,Dong H,et al.Monitoring of farmland drought based on LST-LAI spectral feature space[J]. Spectroscopy and Spectral Analysis,2013,33(1): 201-205.(in Chinese)[14]Han L J,Wang P X,Yang H,et al.Study on NDVI-Tsspace by combining LAI and evapotranspiration[J].Science in China(D Series):Earth Sciences,2006,49(7):747-754.

[15]Liu Y,Wu L X,Yue H.Biparabolic NDVI-Tsspace and soil moisture remote sensing in an arid and semiarid area[J].Canadian Journal of Remote Sensing,2015,41(3): 159-169.

[16]Fan X,Liu Y.A global study of NDVI difference among moderate-resolution satellite sensors[J].Isprs Journal of Photogrammetry & Remote Sensing,2016,121:177-191.

[17]刘英,马保东,吴立新,等.基于 NDVI-ST 双抛物线特征空间的冬小麦旱情遥感监测[J].农业机械学报,2012,43(5): 55-63.Liu Y,Ma B D,Wu L X,et al.Drought remote sensing for winter wheat based on double parabola NDVI-ST space[J].Transactions of the Chinese Society for Agricultural Machinery,2012, 43(5):55-63.(in Chinese)