基于温度植被干旱指数的湖南省林地干旱反演研究

肖化顺 ，张 贵 ，符朝曦 ，吴 鑫

（1.中南林业科技大学，湖南 长沙 410004；2.数字洞庭湖南省重点实验室，湖南 长沙 410004）

湖南属中亚热带、雨量较多，但降水量时空分布不均，同时，气候变化和社会发展加剧了干旱的影响程度；湖南境内森林资源丰富，但森林资源质量不高，抗逆能力较差，干旱是湖南影响林业可持续发展的主要瓶颈之一；旱灾遥感监测方法较多[1-3]，而基于植被指数的监测方法更适用于植被覆盖度高的区域[4-7]。MODIS数据具有时空及光谱上的分辨率优势，能够很好的获取植被指数数据、地表温度数据[8-11]。因此，本研究以MODIS遥感影像作为数据源，提取林地干旱遥感监测因子植被指数（NDVI）与地表温度（LST），利用植被指数与地表温度结合起来的温度植被干旱指数（TVDI）模型，进行湖南省植被生长季节的林地干旱反演，是湖南省卫星减灾应用工程的基础研究。

1 数据来源与研究方法

1.1 数据来源

数据来源于国内地理空间数据云提供的中国以及相邻地区各级合成数据，主要数据类型如表1。

表1 林地干旱反演的MODIS数据Table 1 The MODIS data of land drought inversion

1.2 温度植被干旱指数计算方法

温度植被干旱指数适用于评价特定年份整个区域的某个时节内的相对干旱程度[7]。其原理为简化的NDVI-LST特征空间，在特征空间中，将不同植被指数对应的下垫面最高温度以及最低温度相对应，分别构成了干边与湿边，由定义的NDVI-Ts(NDVI-LST)特征空间可写出TVDI的计算公式：

式中：Ts为对应的地表温度数值，Tmax，Tmin由干湿边数据拟合得到，NDVI植被指数描述如下：

式中：ai、bi（i=1，2）均为求解系数，以Tmax计算公式拟合为例，令：

则根据最小二乘公式可求得参数值：

1.3 温度植被干旱指数计算模型实现

ArcMap提供了模型构建器及ArcPy函数接口，通过ArcGIS模型构建器提供的图形化建模环境，实现上述干旱模型。模型整体如图（1）所示，该工作流由数据准备、干旱指数计算两个部分构成；数据准备任务执行完成后会得到分析对象的植被指数与地表温度裁剪结果，并作为输入数据计算植被干旱指数，输出相应的TVDI值以及计算过程中干湿边拟合信息。

图1 基于温度植被指数的干旱模型Fig.1 Model for temperature vegetation drought index

（1）数据准备。数据准备模型，如图2。由ArcGIS提供的轮廓裁剪工具和重采样工具实现；由于植被指数影像和地表温度影像的图像分辨率可能存在不一致的情况，因此对影进行像裁剪后，需要通过重采样工具将其分辨率调整为一致，进行后续的干旱指数计算。

图2 数据准备模型Fig.2 Data preparation model

（2）干旱指数计算：采用Python脚本，通过脚本工具嵌入到ArcGIS与数据准备工具箱串联。算法实现主要包含两个部分：

①干湿边拟合：首先提取干边与湿边对应的温度与植被数据，保存至数组，然后使用最小二乘法求解干湿边对应参数

②栅格叠置计算：通过矩阵乘法结合计算出来的干湿边参数，将温度影像数据与植被指数数据结合起来最终得到干旱指数。

2 结果与分析

2.1 湖南省TVDI模型的实现

基于Python编程的TVDI计算模型及实现流程，计算研究区相应年份的NDVI，并与地表温度建立相关关系，对湖南省2013—2015年对林木生长的重要影响的月份进行干旱反演，获得每个月份对应的干旱遥感监测等级图。在对干湿边方程进行拟合时，选择NDVI为0.25～0.60的区域；土壤的干旱程度，根据TVDI的值划分为了五级：湿润（0＜TVDI≤0.4）、正常无旱（0.4＜TVDI≤0.6）、轻度干旱（0.6＜ TVDI≤ 0.75）、 中 度 干 旱（0.75＜TVDI≤0.85）、重度干旱（0.85＜TVDI≤1）。且监测等级图中的无林地及非林地区域在不影响区域整体效果的前提下均用白色区域替代显示。

2.2 湖南省林地干旱反演结果

干旱对处于生长期（每年的3—8月）的森林植被影响最大，应用温度植被干旱指数模型，首先提取并分析2013年3—8月TVDI值，结合ArcGIS得到2013年3—8月湖南省林地干旱等级专题图3。能够有效反映2013年湖南林地干旱的时空分异。

图3 2013年森林植被生长季节林地干旱遥感监测Fig.3 Forest drought remote sensing monitoring chart of forest vegetation growth season in 2013

如图3，2013年森林植被生长期内，8月份干旱相对严重。生长季前期干旱区域基本上分布在湘南，干旱继续扩展，则会扩展到整个湖南，并且旱情较为严重的区域多分布在湘南和湘中局部；生长季后期干旱区域则围绕洞庭湖区，湘中干旱较为严重，因该地区林地面积较少，干旱程度受降水影响大有关，而2013年夏季降水量少。

选取湖南气象局发布的2013年8月全省97个站点的干旱监测等级与相应像元TVDI值进行对比分析，部分结果见表3。其中13个站点的气象局干旱等级高于反演的干旱等级，占总数的13.4%，主要集中于湖南西部地区，以吉首、怀化为代表；5个站点的气象局干旱等级略低于反演干旱等级，占总数的5.2%；其他79个站点公布的干旱等级与TVDI值确定的干旱等级吻合，占总数的81.4%，具有较高的准确度。

同样，利用温度植被干旱指数模型，进一步反演2014年和2015年每年3—5月湖南干旱时空分异特点，生成各时段的干旱遥感专题图（见图4）。

表3 湖南省气象局2013年8月干旱监测等级对比由干旱反演得出的TVDI值干旱等级†Table 3 The comparison of the drought monitoring gradational data of The weather bureau issued in hunan of August 2013 with the level of drought determined by TVDI

图4 2014与2015年的3～5月林地干旱遥感监测Fig.4 Forest drought remote sensing monitoring chart from march to May in 2014 and 2015

在时间尺度上，2015年3—5月旱情相对而言比较严重，与2014年相比，对应月份的干旱程度较高。在空间分布上，干旱区域基本上分布在湘南地区，若干旱情况继续扩展，则将会扩展到湖南全境，旱情较为严重的区域多分布在湘南地区和湘中地区的局部区域。由于湖南2014年3—5月旱情较轻，对森林植被生长影响较小。文中仅列出湖南2015年3—5月旱情的发展趋势，如表4。

表4 湖南省2015年3—5月旱情发展趋势Table 4 The trend chart of drought in Hunan from march to May in 2015

2015年3月，湖南省出现了不同程度的干旱，郴州重旱；2015年4月全省旱情得以缓解，但湘东南旱情仍在持续；到了5月，旱情出现了逆转，尤其是湘东南和湘西旱情较为严重，对该区域森林生长和森林防火不利。由2014年和2015年湖南省林地旱情的发展趋势来看，2015年3—5月的旱情重于同期的2014年的旱情，与建立在林业用地上的气象监测站点的旱情一致。

3 结论与讨论

（1）遥感技术结合GIS技术，采用温度植被干旱指数模型对湖南省2013年森林植被生长季的干旱程度进行TVDI指数反演，得到全境林地旱情从3月到8月发生不同程度的加重现象，干旱发生区域由湘南至湘中地区转移。

（2）利用温度植被干旱指数模型，进一步反演2014年和2015年每年3—5月湖南干旱时空分异特点，在时间尺度，2015年3—5月旱情有逐月加重趋势，与2014年相比，其同比月份的干旱程度较高。在空间分布上，旱情较为严重的区域多分布在湘南地区和湘中地区的局部区域。

（3）将湖南省气象局发布的2013年8月的干旱监测数据与干旱反演得出的TVDI值确定的干旱等级进行比较，进行干旱反演结果验证，其中81.4%的站点气象局干旱等级与相对应的TVDI值确定的干旱等级一致，因此，卫星减灾应用工程是林地干旱监测预警的有效实现途径。

（4）植被指数采用的是MOD11A3数据，地表温度采用的是MOD11C3数据，经数据预处理及重采样。在GIS环境中基于Python编程构建的TVDI模型，可以得到分析对象的植被指数与地表温度裁剪结果，并输出相应的TVDI值以及计算过程中干湿边拟合信息，功能相对较为全面。在时空数据处理上具有高效性，在干旱监测上具有针对性，能够快速、有效的对林地旱情进行监测与预警，随着时空数据系列不断改善，林地干旱监测效果可得到进一步提高。

[1]赵 越.热惯量法干旱监测研究[J].黑龙江科技信息,2014(14): 93-94.

[2]田国良,柳钦火,陈良富,等.热红外遥感[M].北京:电子工业出版社,2014.

[3]范锦龙,张明伟,曹广真,等.全球干旱卫星监测计划.Advances in Meteorological Science and Technology 气象科技进展,2014(5):54-57.

[4]王鹏新,孙 威.基于植被指数和地表温度的干旱监测方法的对比分析[J].北京师范大学学报, 2007,43(3):319-323.

[5]王玉娟,王树东,曾红娟,等.基于作物缺水指数法的渭河流域干旱特征[J].干旱区研究, 2014, 31(1):118-124.

[6]刘小磊,覃志豪.NDWI与NDVI指数在区域干旱监测中的比较分析——以2003年江西夏季干旱为例[J].遥感技术与应用, 2007,22(5):608-612.

[7]王卫东,赵青兰,李化龙,等.基于FY-3 VIRR的温度植被干旱指数在陕西省的应用及其IDL实现[J].中国农业气象,2015, 36(4):513-520.

[8]黎良财,陆灯盛,张晓丽,等.基于时序遥感的喀斯特山区植被覆盖研究[J]中南林业科技大学学报,2017,37(7):11-17.

[9]严建武,陈报章,房世峰,等.植被指数对旱灾的响应研究—以中国西南地区2009年—2010年特大干旱为例[J].遥感学报,2012,16(4):720-737.

[10]Sung-Gon K, Chang-Woo C, Kyo Han A.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.

[11]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.