热红外遥感及其在农业旱情监测中的应用研究进展

独文惠，覃志豪，黎 业

（中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室，北京100081）

0 引言

我国是人口大国，也是传统农业大国，同时是农业灾害多发国之一。农业的持续稳定发展是关系国计民生的头等大事，也是促进农民持续增收的基本保障。农业旱灾一旦发生，不但会使作物减产，而且会造成人畜饮水困难。积极做好农业旱情监测，掌握农业旱灾的时空分布特点，有利于采取合理灌溉措施，提高农业用水效率和节约农业用水。开展农业旱情监测预警，识别农业旱灾发生和发展过程，有利于国家有关部门及时调集抗旱力量，采取相应的抗旱减灾措施，从而减少农业旱灾损失。农业旱情监测与评价对保障我国粮食生产，积极应对国际金融危机，保持我国经济平稳较快发展具有重要意义。

传统的旱情监测主要是基于台站网络的观测，通过气象数据和土壤水分含量来判断干旱的发生和发展，同时利用部分水文和社会经济数据来辅助评价旱灾程度。然而干旱经常发生在大面积范围内，基于台站的观测难以在短时间内获取大范围的干旱信息，并会耗费大量人力、物力。若要通过点位的观测来推测较大区域内的农田土壤含水量时空动态变化特征，则会产生较大误差，难以满足农业旱情监测的需要。

自20世纪60年代初，计算机科学、现代物理学和地球科学等的快速发展，对地观测技术逐步兴起，遥感技术成为获取地球资源与环境多层次、多视角观测信息的重要手段，大面积、周期性获取地表信息成为可能，使其越来越广泛地应用到农业、林业、地质、海洋和气象等领域[2-3]。遥感通过传感器获取地表反射或辐射的电磁波能量，并根据接收到的电磁波能量强弱来分析研究地表的综合特征，它可以充分地利用地物表面的光谱、时间、空间和方向(多角度)信息，监测农田作物长势和土壤水分状况，进而判断区域农业旱灾发生和发展的时空动态变化。农业旱情遥感监测方法的优势在于它能快速、周期性地对大范围地区进行多波段、多角度的观测，获得连续的有关农田地表特征的面状信息。近年来，热红外成像技术日益成熟，热红外遥感传感器的发展十分迅速，现在使用和即将投入使用的热红外传感器达到几十种之多。热红外遥感技术提高了人类信息获取的能力，对地观测的波谱域进一步扩展，人类不仅可以通过对地观测仪器获得地表的可见光近红外信息，还可以获取地表的热红外信息[3-4]。国内外针对基于遥感技术的农业旱情监测和评估进行了一些研究，提出了可见光近红外、热红外、微波遥感等多种监测方法，其中土壤热特性为基础的热红外遥感技术在农业旱情监测领域具有巨大应用潜力和广阔的发展前景。

1 热红外遥感研究进展

热红外遥感是利用地面、机载或星载的传感器获取地表热红外辐射信息（波段范围是8～14μm），开展地表温度遥感定量反演，进行地表物体热辐射遥感识别，分析研究地表热辐射时空动态变化，揭示地表热辐射时空特征及其差异。由于地表温度是地表水热过程和水碳氮等物质循环的基本参数，因此热红外遥感在气候变化、农业干旱灾害监测等方面有广泛的应用[3-5]。地表温度(LST)和地表蒸散是农作物生长发育过程中的重要参数，对农作物干旱灾害形成与发展有着决定性作用，因此其研究进展直接关系着农业旱情遥感监测研究的发展方向。

1.1 地表温度反演

地表温度是地—气相互作用过程中物质和能量交换的综合结果，表征了地表能量状态。农作物叶片含水量是其蒸腾作用的影响因素之一，土壤水分发生一定变化时，农作物通过蒸腾作用调节冠层温度，热红外遥感通过监测农作物冠层亮温的变化，间接得到其根系附近土壤水分的变化，最终实现农业旱情监测[6]。基于不同的理论假设，国内外学者针对不同的传感器发展了诸多地表温度反演算法，取得了较大的进展，主要包括单通道算法、多通道算法（劈窗算法）、多时相算法、多角度算法和高光谱反演算法等。

单通道算法多是基于物理模型的算法，主要包括辐射传输方程法、单窗算法和普适性单通道算法。辐射传输方程法即根据成熟的大气辐射传输模型（如MODTRAN模型）结合实时的大气廓线进行温度反演，但是实时的大气廓线往往难以获取，采用标准大气廓线则会造成较大的反演误差，故在缺少实时大气廓线数据时该方法不再适用。Qin等[7]在2001年发展了Landsat TM6的单通道地表温度算法，该算法采用了3个基本参数：地表发射率、大气透过率和大气平均作用温度，后两个参数使用实时大气廓线计算或者根据标准大气廓线总结得到经验公式进行计算。Jiménez-Muñoz和Sobrino[8]提出了通用型的普适性单通道算法，Jiménez-Muñoz等[9]在2009年对该算法进行了修订。普适性单通道算法可以针对不同传感器的半高全宽约1μm的热红外通道数据进行温度反演，大气水汽含量参数是算法实现的关键，水汽含量较高时，该算法的误差较大。Sobrino等[10]在2004年比较上述算法，结果表明具备实时大气廓线时，辐射传输模型法精度最高，没有实时大气廓线时，普适性单通道法精度最高。

多通道算法利用多个热红外通道的遥感数据进行地表温度反演，其中分裂窗算法是目前最为成熟的LST反演算法，国内外公开发表了十几种分裂窗算法。分裂窗算法最早由McMillin[11]于1975年提出，原理是应用AVHRR中具有不同吸收特性的相邻波段4和5，利用其辐射亮温的某种组合消除大气效应，该算法不用大气廓线数据。Qin等[12]在2001年针对NOAA/AVHRR数据研究设计分裂窗算法，而后在2009年又提出了针对MODIS数据的两因素分裂窗算法[13]，计算公式如下：

式（1）中，Ts是地表温度（K），T31和T32分别是MODIS第31和32波段的亮度温度；A0、A1和A2是分裂窗算法的参数，分别定义如下：

式（2）～（4）中，a31，b31，a32和b32是常量，根据MODIS的波段特征确定，在地表温度0～50℃范围内分别可取其它中间参数分别计算如下：

式（5）、（6）中，i是指MODIS的第31和32波段，分别为i=31或32；τi（θ）是视角为θ的大气透过率；ɛi是波段i的地表比辐射率。

对于某个特定的像元而言，遥感器的视角是已知的。这一分裂窗算法要求已知大气透过率和地表比辐射率这两个重要参数，是该算法的重要组成部分。Becker和Li[14]提出了针对天顶角大于46°区域的局域分裂窗算法，Wan和Dozier[15]又在此基础上同时考虑了观测角和大气水汽含量的变化，将算法改进推出了一种推广的分裂窗法，该方法是MODIS温度产品的计算算法。Gillespie等[16]在1996年利用ASTER数据最早发展了温度与发射率分离（TES）算法，即利用基于光谱反差和最小发射率之间的经验关系利用同一时间观测的热红外遥感数据求取发射率和温度的方法[3]。

多时相算法是在假定不同观测时间的地表发射率不变前提下，利用不同时相获取的观测数据来分离发射率和地表温度[17]，最典型的方法是双温双通道法[18]和日夜双时相多通道物理反演法[19]。双温双通道法假定发射率不随时间变化，这是误差的主要来源[3]，并且对传感器噪声和大气校正产生的误差非常敏感[18-20]。Wan和Li[19]在1997年提出了日夜物理反演法，即通过结合白天和晚上的中红外及热红外数据来同时反演地表温度和发射率[3]。Becker和Li[21]提出了利用NOAA和AVHRR的夜晚和白天共3个通道（第3、4和5通道）进行温度反演，定义了与温度无关的温度不变光谱指数（TISI）进行地表发射率的计算，结合劈窗法进行地表温度反演。

多角度算法是利用同一地物在不同观测角度的热红外遥感数据进行地表温度的反演。其前提是不同角度观测时所经过的大气路径不同，大气的吸收作用不同。由于通道间信息高度相关性及不能直接反演混合像元组分温度，在建立非同温混合像元热辐射方向性模型基础上，热红外多角度遥感数据可以用于反演组分温度[22]。搭载在“欧洲遥感卫星”（ERS）的沿轨扫描辐射计（ATSR）数据可提供实时多角度热红外星载遥感数据。李召良等[23]利用多角度数据与劈窗法结合进行了组分温度的反演。大气校正和数据获取困难制约了多角度遥感数据的应用，而角度效应的未知性使多角度数据仅适用于理想大气条件下的均质区域（如海洋表面或浓密森林植被），而不适用于非均质地表[3，24]。

随着热红外高光谱传感器的不断发展，热红外定量反演逐渐进入高光谱应用时代。高光谱能够提供地物数十到上百的很窄的电磁波波段进而生成连续的地物光谱曲线。热红外高光谱数据光谱精细程度的增加有助于提炼具有物理意义的方程约束条件，提高温度和发射率分离的精度。目前基于地物地表发射率光谱特性的高光谱热红外地表温度反演方法中，最具有代表性的是光谱平滑迭代温度发射率分离法（ISSTES）[25]和线性发射率约束法[26]。光谱平滑迭代算法（ISSTES）用高光谱测量结果基于平滑度指数通过迭代方法实现温度与发射率的分离，发射率奇异值的存在会导致结果不收敛，影响分离结果。线性发射率约束法从经过大气校正的高光谱热红外数据进行温度反演。

在单景LST反演的基础上，建立常规的地表温度遥感反演数据产品，是农业旱情遥感监测的迫切需要。由于云的影响，目前基本上是根据多景合成进行农业旱情遥感监测。这种多天多景合成的方法有平均值法和高温法。

1.2 农田蒸散定量估算

地表蒸散是地表水分散失的主要方式，是水资源管理的重要参数。陆面蒸散是植被及地面整体向大气输送的水汽总通量，包括土壤蒸发和植物蒸腾，是土壤—植物—大气连续系统中水分运动重要而复杂的过程，也是植被、土壤水分状况的重要指标，同时又与植物的生理活动以及生态系统生产力的形成有着密切的关系；作为水循环的重要环节，蒸散主导着局部与区域性的水平衡。若能获取整个地区大面积的水分蒸散发信息，将对认识和理解区域水循环规律、合理利用和分配水资源都有重大意义。通过将蒸散能量平衡和水平衡联系起来，遥感可以提供是水平衡信息，因而可用于进行旱情监测[4]。在以往传统方法的蒸散量研究中，获取的仅是点分布信息，尽管蒸散估算精度比较高，但是难以进行大面积区域的推广应用。气象条件（太阳辐射、风速、温度、空气湿度）以及下垫面条件（地表类型、土壤湿度、植被覆盖状况等）的非均匀性，限制了蒸散发估算的准确性。相比传统蒸散估算方法，尤其在非均匀下垫面区域蒸散发估算上遥感技术具有明显的优势。

目前热红外遥感农田蒸散估算方法有很多，如基于能量平衡余项法（如单层模型、双层模型和多层模型）、地表温度—植被指数关系法和统计经验模型法、热红外数据与地面同化模型法等。这些模型和方法针对不同土地覆盖类型需一定的适用条件，普遍不能通用[27-28]。

单层模型中假设感热和潜热交换是在相同的空气温度下进行，用于植被覆盖度较高、下垫面均匀的陆面蒸散发估算时精度较高，实现较容易，应用比较广泛。目前最典型的单层模型是陆面能量平衡算法（Surface Energy Balance Algorithm for Land，SEBAL）[29-30]和陆面能量平衡系统（Surface Energy Balance System，SEBS）[31]。

双层模型由Shuttleworth和Wallace[32]在1985年首先提出来的描述冠层湍流热通量，而后经过多次修改[33]，逐步完善为地表热通量传输规律的经典模型。双层模型更适用于只有部分植被覆盖的区域，能更好地刻画土壤—植被—大气系统（Soil-Vegetation-Atmosphere System，SVAT）水热交换机制[4]。田国良等人[34]利用农田蒸散的双层模型进行了旱情监测的应用研究。大气—陆地交换反演模型（ALEXI）是基于系列冶阻抗理论和能量平衡原理的经典双层模型[28]，耦合了TSEB模型[35]和简化边界层模型，可直接估算地表气温状况，完成对地表辐射温度的组分分解，以及组分通量的估算[28]。ALEXI模型可实现瞬时通量的日、月乃至更长的时间拓展估算，在地表水热通量方面应用具有较好的稳定性和可靠性[36-37]。

2 热红外遥感在农业旱情监测中的应用

农业旱情遥感监测方法的优势在于它能快速、周期性地对大范围地区进行多波段、多角度的观测，获得连续的有关农田地表特征的面状信息。热红外遥感在旱情监测中有重要的实际意义，国内外在该方面有诸多研究。目前主要的热红外遥感在农业旱情监测方法分为以下几种类型。

2.1 热惯量法

土壤热惯量（Thermal Inertia）是物体阻止土壤温度变化程度的一种物理量，其表达式为：

最先应用热模型的是Watson等人[38-39]；Rosema等人[40]在其基础上进一步发展了该过程，提出了计算热惯量、日蒸发的模型；基于热传导方程和能量平衡方程，Price[41-42]和Pratt[43]简化了潜热蒸发形式，引入了地表综合参量B概念，系统地梳理了热惯量方法及其遥感成像原理，其求解过程中需要应用实测数据，实时应用具有局限性。之后Price[42]提出了表观热惯量（PATI）概念，表达式如下：

式（8）中，PATI为表观热惯量；S为太阳常数（1 380J/m2）；V为大气透明度（假定为0.75）；α为地表反照率；C1为太阳赤纬和经纬度函数；ω为地球自转频率（7.27×10-5s-1）；ΔT为地温日较差（K）；Q为太阳总辐射通量（J/m2）。隋洪智等[44]考虑地面和大气的影响简化了能量平衡方程，并在此基础上提出通过用过卫星数据直接推算地表热特性参量，定义为表观热惯量（ATI），表达式为：

基于Price、Pratt等人的研究，余涛等人[45]改进了土壤表层热惯量求解方法，在已有的地表温差ΔTg、热惯量P、地表综合参量B关系式的基础上，适当化简后由B的定义导出另一个P、B、ΔTg，实现利用NOAA/AVHRR图像定量计算P的值，反演土壤表层水分含量。

热惯量土壤水分反演法只适合于裸露地或者植被非常稀疏的地区。热惯量是基于水平尺度和垂直方向的土壤异质性计算的，现实条件不能满足该条件。遥感热惯量图像只能反映土壤表面几厘米甚至是几毫米的信息；土壤水分在空间分布上受到地形、风速、坡度、坡向等影响。因此，在实际应用中为了提高土壤水分热惯量遥感反演精度，必须综合考虑土壤水分的影响因子，建立合适的热惯量—土壤水分模型，同时考虑其适用的范围。

2.2 作物缺水指数法

Idso[46]认为作物在潜在蒸发条件下的冠层温度与空气温度的差与空气的饱和水汽压差具有线性关系，提出了作物水分胁迫指数（Crop Water Stress Index，CWSI）的概念，并给出了作物水分胁迫指数的经验模式：

式（10）中，Tc指作物冠层温度（℃）；Ta指空气温度（℃）；（Tc-Ta）Ⅱ为作物在潜在蒸发状态下的冠层温度与空气温度的差，是温差的下限；（Tc-Ta）uⅠ为作物无蒸腾条件下的冠层温度与空气温度的差，是温差的上限。Jackson等[47-48]用冠层能量平衡的单层模型对Idso的冠层空气温差上下限方程[46]进行了理论解释，基于能量平衡的阻抗模式基础之上提出了作物水分胁迫指数的理论模式：

式（11）中，ET为实际蒸散；ETP为潜在蒸散。根据彭曼蒸散公式可以得到：

式（12）～（14）中，γ为干湿表常数（Pa/℃）；rc为作物冠层对水汽传输的阻抗（s/m）；ra为空气动力学阻力（s/m）；Δ为饱和水汽压和温度关系曲线的斜率（Pa/℃）；rCp为潜在蒸散时的冠层阻抗（s/m）；Rn为净辐射（w/m2）；ρ为空气密度（kg/m3）；Cp为空气比热[J/（kg·℃）]；为空气在 Ta时的饱和水汽压（Pa）。

CWSI理论模式从冠层能量平衡的角度出发，有效地弥补了经验方法的缺陷，使作物缺水指标的研究从单纯研究冠层温度发展到考虑冠层与大气的微气象条件，理论基础较强，得到了广泛认可。国外许多学者针对不同作物的土壤水分进行了CWSI研究并为相应的干旱预警和灌溉指导工作提供了理论基础。国内学者对CWSI的研究也取得了一定的成果，如张仁华[49]改进了Jackson的CWSI理论模式[47-48]；田国良等[50]基于NOAA/AVHRR遥感影像和气象站数据得出了河南省北部土壤旱情分布图；申广荣等[51]利用缺水指数法实现黄淮海平原旱情监测。

作物缺水指数法的理论基础是冠层能量平衡单层模型，将遥感反演温度与气象数据相结合综合反应土壤表面水分，物理意义明确且精度相对较高，在植被覆盖区该方法的土壤水分反演精度优于热惯量法[52]，但其计算过程复杂、所需数据较多，气象站点等数据限制该方法的实时应用。

2.3 温度植被干旱指数

在一定的生长期内，影响作物生长的其它条件相对变化不大时，若作物供水正常，则遥感的植被指数和作物冠层温度（Ts）将稳定在一定的范围；若作物供水不足，作物的生长将受到影响，植被指数将降低，同时由于蒸腾作用受到抑制，叶面气孔关闭使作物的冠层温度将升高。国内外学者尝试采用遥感反演的地表温度和植被指数所构成的特征空间推算土壤湿度。遥感反演LST和NDVI有较强的相关性，不同时期的LST/NDVI斜率反应该区域的土壤湿度状况，采用表层温度植被指数（Temperature Vegetation Index，TVI）来监测土壤水分的变化，表示为：

由于Ts和NDVI的斜率受到多种因素的影响，Sandholt等［53］发现已有Ts-NDVI特征空间中的等值线，于是改进了TVI，提出了温度植被干旱指数（Temperature Vegetation Drought Index，TVDI）的概念，公式为：-

式（16）中，Tsmin为Ts-NDVI空间三角形中定义了湿边的最低表面温度（℃）；a和b为定义干边的线性模型（Tsmax=a+bNDVI）参数，Tsmax为和NDVI对应的最高表面温度（℃）。该指数仅利用遥感观测数据可以实现大范围的土壤水分监测。综合考虑作物胁迫状态下在红光、近红外及热红外波段上的反应，Carlson［54-55］提出了植被供水指数（Vegetation Supply Water Index，VSWI）的概念，该指数在我国应用较多，表示为：

式（17）中，VSWI值越大，表示作物土壤中水分越充足，干旱程度越低；相反，VSWI值越小，表明作物土壤水分不足，旱情越严重，植被生长状况越差。遥感图像上作物冠层温度和NDVI的准确获取是该方法精度提高的关键。温度植被指数综合考虑作物冠层温度与植被指数对土壤水分变化的响应，物理意义比较明确。

2.4 条件植被温度指数

干旱的发生存在着时空变异，导致在像素水平上的距平植被指数、条件植被指数和条件温度指数所使用的指标（如研究年限内NDVImax和）可能不同，使某一特定时期内不同像素间监测结果的可比性较差。王鹏新等［56］在3种指数的基础上，提出了条件植被温度指数（Vegetation Temperature Condition Index，VTCI）的概念，公式为：

该方法考虑了区域内NDVI指数的变化，又考虑了在相同NDVI指数条件下的地表温度的变化，适用于监测某一特定年内某一时期（如旬）区域级的相对干旱程度，并可用于研究干旱程度的空间变化特征且能较好地监测该区域的相对干旱程度。另外，一定情况下，区域气候条件、土壤质地、植被类型和分布情况、地形条件、观测条件等都可能会对NDVI值产生影响，在农作物不同的生长季节都可能对过高或者过低估计；且NDVI对于土壤水分反应具有一定的滞后性等，在实际应用时必须综合考虑这些影响因子。

2.5 水分亏缺指数

植被覆盖区的土壤水分含量影响植被蒸腾作用，进而导致植被冠层温度发生变化。Moran等[52]考虑到Idso、Jackson等[46-48]提出的作物缺水指数（CWSI）多数理论参数与植被覆盖度有近线性关系，以及完全植被覆盖和裸土条件下的很多参数相对容易获取这两个原因，对其应用范围进行扩展，建立了水分亏缺指数（Water Deficit Index，WDI）模型（图1）一定植被覆盖度下的WDI定义为：

式（19）中，ΔT、ΔTi.13、ΔTi.24分别为某一植被覆盖度下地表与空气之间的温度差以及干边、湿边上的地表与空气之间的温度差。对照图形可以看出，WDI实际上就是线段AC与AB长度的比值。

图1 WDI梯形特征空间（1～3为干边，2～4为湿边）Fig.1 WDI trapezoidal eigenspace（1～3 dry edge，2～4 wet edge）

WDI是在CWSI基础上，假设土壤与植被冠层之间没有感热交换，结合冠气温差与植被指数得到的区域干旱指标。在作物生长初期冠层稀疏时反演精度较CWSI好，并且克服了CWSI只能应用于观测点尺度的郁闭植被冠层条件的缺陷。但是其梯形特征空间4个顶点的确定是从蒸散发和能量平衡的角度推导出来的，需要气象数据的配合。尽管WDI与CWSI非常相近，但其定义与作物水分胁迫并不严格相关，因为它同时考虑到了裸土的蒸发。因此，WDI高于0时并不一定像CWSI那样表示作物出现水胁迫，遥感器视角里出现的无水分胁迫植被以及干土等也会导致其值大于0；另外在炎热干旱的夏季土壤背景温度与冠层温度相差较大时，忽略土壤与冠层之间的感热通量会导致WDI与CWSI有较大差异，从而降低了WDI的适用性。

2.6 植被健康指数法

Kogan[57]在1995年基于观测序列中同时期的最大和最小的植被指数，提出了植被状态指数（vegetation condition index，VCI），用于监测某一时段的干旱情况，其公式是：

植被状态指数用于监测植被区域时空的相对变化，因其短暂的水分胁迫并不会严重阻碍作物生长，不会引起植被状态指数的变化，对短暂的水分胁迫不敏感[4，57]。基于气温上升引起的冠层温度的理论基础，Kogan又提出了温度状态指数（TCI）[4，57]，公式为：

其中Tmax和Tmin分别是所用图像中最大、最小地表温度，j是日期。温度状态指数的计算方法较为简单，可操作性好，但是忽略了净辐射、湿度等气象要素以及季节变化等影响。

由于VCI和TCI指数对植被的反映在时空上存在不同的差异，Kogan[58]通过旱情对植被生长环境的研究，利用TCI和VCI复合成植被健康指数（VHI）对旱情进行监测，其计算公式如下：

式（22）中，a为VCI对VHI的贡献，是VHI指数的权重。

TCI指数对农业旱情反应敏感，适合于全国农业旱情监测，总体上VHI对全国农业旱情的反映较TCI和VCI敏感[60]。国内Fan等[59]利用基于改进的MODIS-LST数据的植被健康指数对中国东部地区进行旱情监测研究。

2.7 归一化差分温度指数

Mcviar[61]提出归一化差分温度指数（Normalized difference temperature index，NDTI）法，该方法利用地表温度变化和特定气象和地表阻抗条件下的地表温度的上限（干条件）和下限（湿条件）的变化监测旱情[61-62]。其表达式为

式（23）中，T∞表示地表阻抗为无限大即理论上是无水可利用情况下的地表温度，T0为阻抗为零、土壤水分达到饱和时的地表温度。两个值被认为是地表阻抗下的土地表面温度的上限（干条件）和下限（湿条件）[63]。从理论上说，归一化温度指数（NDTI）考虑了气象要素（气温、太阳辐射、相对湿度和风速等）和像元间植被指数差异，旱情监测结果可应用性更好。但实际监测过程时，常因无法获取相应卫星过境时刻高分辨率气象数据导致难以实现[62]。

2.8 热红外高光谱遥感反演

土壤类型、结构、组分、位置、温度等对土壤反射率具有较大影响，利用高光谱遥感技术探索土壤水分和光谱间的规律和寻找水分敏感波段对于土壤水分反演研究具有十分重要的意义。

20世纪60年代以来，国内外学者针对土壤水分和光谱反射率展开了诸多研究。Bowers等[64-65]研究发现土壤光谱反射率在整个波长范围内随土壤水分的增加而降低，指出土壤含水量与水分在吸收波段的吸收强度之间具有较好的线性相关；Liu等[66]分析了400～2 500nm范围内土壤光谱和土壤水分的关系，发现在低于一定的土壤水分临界值时，土壤光谱反射率随土壤湿度的增加而降低，高于临界值后反射率随土壤水分的增加而增加，二者之间存在非线性关系，该临界值通常大于田间持水量；Lobell等[67]分析了400～2 500nm范围内土壤光谱和土壤水分的关系，认为土壤的体积含水量或相对含水量跟土壤光谱之间的指数相关关系比土壤重量含水量要好。刘伟东等[68]通过对土壤的光谱反射率与土壤的表面湿度进行分析，比较5种方法在反演土壤表面湿度的能力，并对我国小汤山精准农业试验区的土壤表面湿度进行高光谱填图，通过使用相对反射率方法、一阶微分方法、差分方法对土壤表面湿度进行预测并且进行验证，指出反射率倒数的对数的一阶微分与差分方法对土壤水分的预测能力较强。

反射率倒数的一阶微分法主要是基于两个相邻波段得到的反射率或A（反射率倒数的对数）的一阶微分，表示为：

式（24）中，θ为土壤含水量；A为土壤反射倒数的对数，λi与λi+1是光谱仪测定反射率的两个相邻的波长。当一阶微分对土壤水分很敏感而对背景的干扰信号不敏感时，土壤水分预测效果较好。

两个不连续波长的λi与λj反射率或A（反射率倒数的对数）的差分能够增强与土壤水分的敏感性而降低与背景干扰信号的敏感性，因此可使用差分法来估算土壤水分，表示为：

高光谱遥感技术作为近年来最重要的遥感技术之一，在实际应用中显示了巨大的潜力。航空高光谱技术、航天高光谱中的EO-1/Hyperion、MODIS、ASTER、欧空局小型高光谱小卫星系统（CHRIS）和ENVISAT系统中的MERIS等的应用对高光谱遥感技术发展起到了巨大的推动作用。当前国内外对于土壤光谱做了大量的研究，但在大面积土壤水分遥感反演应用上仍处于探索阶段。随着高光谱遥感理论技术的不断成熟、高光谱卫星系列计划的实现和应用的推广普及，高光谱土壤水分遥感技术的应用潜力将会得到进一步的体现。

2.9 其它监测模型

地表能量平衡算法（Surface Energy Balance Algorithm for Land，SEBAL）[2-3]是基于遥感影像的计算区域实际蒸散和潜在蒸散的方法，其主要数据输入为极轨卫星的可见光、近红外和红外数据，此外需要气象数据，如气温、太阳辐射、湿度和风速等。SEBAL模型的理论基础为地表能量平衡方程，即

式（26）中，Rn为净辐射通量，ET为蒸散量，λ为水的汽化潜热，G为土壤热通量，H为感热通量。SEBAL模型根据遥感影像及相关气象数据逐像元的计算出研究区地面反照率、植被指数、比辐射率和地表温度资料，并依据反演参数逐步计算出卫星过境时刻的Rn，G，H值，利用（26）式求出瞬时ET值，最终推求出时段的ET量。国内外在干旱区域的蒸散估算中该模型应用广泛[4-8]。

荷兰EARS公司的能量和水平衡监测系统（EWBMS）是基于地表能量平衡算法，结合气象观测的日降雨数据，估测总辐射、净辐射、实际蒸散、潜在蒸散和降水，进而进行旱情监测[3]。

3 目前存在问题

近年来，国内外学者针对热红外地表温度反演和农田蒸散估算展开了大量的研究，在理论和技术及其在旱情监测中的应用方面都取得了较大进展，然而，热红外遥感定量反演和旱情监测应用中仍存在一些关键性的科学问题有待探讨和研究。

3.1 热红外地表温度反演

3.1.1 云覆盖的影响难以获取全天候长时间序列的地表温度

在农业旱情监测应用中通常需要全天候长时间序列数据，全天候长时间序列的地表温度产品的生产对于农业旱情监测应用具有重要价值和实用意义。传统的热红外地表温度反演算法多数是以晴空无云为先决条件，目前晴空条件下的地表温度热红外遥感反演方法取得较大进展。在非晴空条件下，由于热红外波段无法穿透云层获取云下地表有效热辐射信息，云覆盖限制了热红外地表温度反演的范围和精度，全天候长时间序列的地表温度反演是目前地表温度反演的一大难题。

3.1.2 遥感反演的地表温度值各像元间不具可比性，影响农业旱情遥感监测精度

利用遥感图像数据反演得到的LST因太阳高度角、成像时间、纬度和高程不同而造成各像元之间的LST差异，导致通过热红外观测数据反演得到的LST 不具可比性，不能满足作物旱情遥感监测对各像元LST的基本要求。现有作物旱情遥感监测基本上都是直接使用LST遥感反演的结果，没有对LST进行归一化处理消除各像元之间的不可比性。目前国内外关于像元LST不可比性及其消除途径的研究还很少。

3.1.3 热红外观测数据时空特性的局限性制约了不同尺度的旱情监测

受地表形态复杂性、水热过程非线性等因素的影响，导致不同时空尺度测量的同一区域、同一时间段地表关键参数如地表温度等往往存在较大时空差异。在实际应用中为了更有效地表征旱情特征和综合分析，极大地提高热红外遥感反演产品的实际应用价值，往往需将旱情监测信息进行时空尺度转换，如通过遥感手段反演的地表温度是卫星过境时刻的瞬时温度，将其转换为日为单位的温度（如日最高温、最低温和平均温度等）。另外在农业旱情监测应用中土壤水分含量的监测，常需要较高的时间和空间分辨率的遥感数据，而热红外影像空间分辨率普遍不高，且因地表异构性热红外遥感影像的像元中不可避免地存在非同温混合像元，去除高空间分辨率卫星邻近像元热效应影响和中低空间分辨率卫星像元地表组分(植被与土壤)温度分离也是地表温度遥感反演的有待解决的问题之一。

3.1.4 热红外遥感所观测的是表面温度，难以满足旱情监测需求

旱情监测中基于冠层温度的作物缺水指标的研究，是从使用冠层温度发展到使用冠层与土壤的复合温度和考虑冠层的微气象条件（如气温等）。当作物水分亏缺时气孔自动关闭，植物潜热通量的减少导致叶片和树冠温度上升。作物在充分供水条件下冠层温度-气温差变化较平缓，缺水时变化较大。冠层温度—气温差可较合理反映土壤水分变化状况和作物水分亏缺程度，可较好地用于诊断作物的缺水状况，进行旱情监测。目前热红外遥感观测的仅是地表温度，难以满足旱情监测需求。

3.2 农田蒸散遥感定量估算

地表蒸散发估算主要是基于复杂的地表水热过程模型，目前遥感蒸散发模型由经验型模型向机理性模型转化，综合考虑了遥感数据和气象观测数据，但机理模型中需要的地表参数难以获取，难以实现全遥感化，限制其推广应用。在地表蒸散发特征空间估算方面虽然取得较大的进展，但仍有如下难题需要研究解决：一是蒸发比在特征空间内变化的线性与非线性问题；二是理论干湿边与观测干湿边的差异及其区域影响问题。另外绝大多数遥感蒸散发模型计算的是卫星过境时的瞬时潜热通量，而在应用当中往往需要小时、日乃至旬、月及年等长时段的蒸散量估算，但因阴天的蒸散难以确定，长时间的蒸散常无法获取，此外不同时空尺度应用的不确定性，也制约了多尺度旱情监测。当前基于热红外遥感的农田蒸散模型和方法很多都处于理论实验阶段，还需要大量的实测数据订正模型中的参数。

3.3 旱情监测机理模型构建

国内外对于农田土壤水分以及农业旱情遥感监测方法的研究已经开展了几十年，但大多数还是处于试验探索阶段，大范围区域的业务化运行还存在局限性。旱情监测中应用单一的指数方法精度难以满足需求且应用范围有限，无法保证大范围内的适用性，尽管一些指数可相对精确地监测旱情，但其计算过程多较为复杂，需要的地表参数比较多且不易获取，对于长期的业务化运行及旬汇报并不适用。另外大多数的遥感旱情监测模型只利用遥感数据，没有考虑不同地区气候、土壤、灌溉条件等多种因素的差异，导致旱情监测的结果常与实际情况差别较大。

4 总结与展望

近年来随着对地观测技术的迅速发展,应用多源、多时相、多光谱和多角度的遥感数据进行定性和定量的地表信息提取,为实现实时动态的农业旱情监测开辟了全新的途径。其中表征地表热特性的热红外遥感技术在土壤水分和旱情监测中具有不可替代的作用，热红外遥感定量反演结果的应用，有助于正确解释地表动态变化特征，综合有效地进行多尺度旱情监测[69]。为从根本上提高旱情监测的精度，针对目前热红外遥感技术在农业旱情监测应用中存在的诸多问题，考虑从热红外地表温度反演、地表蒸散估算和旱情监测机理模型等方面探索新的道路。

4.1 全天候高精度地表温度遥感反演

综合分析前人研究成果，可以考虑从以下方面展开研究实现全天候高精度地表温度遥感反演：分析云覆盖条件下地表温度变化过程及其关键作用因子，结合被动微波遥感反演的地表温度，进行两种温度产品融合，建立全天候地表温度反演方法；研究薄云和气溶胶对地表热辐射传输和热红外遥感探测的影响机制，构建有效消除薄云和气溶胶影响的热红外地表温度反演方法；研究高空间分辨率邻近像元热效应对地表温度反演方法的影响，发展去除邻近像元效应影响的高空间分辨率热红外地表温度反演方法；研究复杂地表条件下植被与其背景土壤间的温差形成机制，建立中低空间分辨率卫星像元组分（植被及其背景）温度分离方法；针对热红外遥感地表温度反演结果进行角度和时间归一化处理，尤其是针对基于低分辨率数据的大范围旱情监测，切实提高旱情监测的精度。

4.2 高精度农田蒸散遥感定量估算

为提高农田蒸散的精度，在遥感蒸散发模型改进方面考虑通过分析地表蒸散发时空变化机理机制，确定关键作用因子和蒸发比的时空变化规律，构建高精度特征空间的理论干湿边物理模型；研究地表水热过程及其在植被和土壤组分上的分配机制，阐明影响植被蒸腾和土壤蒸发的关键作用因子及其作用过程，构建有别于特征空间的土壤蒸发与植被蒸腾遥感分离估算模型；多种蒸散模型相结合的农田蒸散遥感定量估算。另外考虑多源遥感数据协同反演及非遥感参数的融合，如运用微波遥感数据进行阴雨天地表蒸散估算研究；在遥感蒸散发模型估算过程中引入数据同化技术，建立陆面数据同化系统，综合应用地面数据和不同时空分辨率和光谱分辨率的遥感数据，加强农田蒸散定量估算地面验证尺度问题与其空间代表性问题的研究。

4.3 热红外遥感反演时空尺度转换与多尺度旱情监测

研究地表温度和农田蒸散在不同时空尺度上的信息转换规律，建立多时空尺度转换模型，拓宽地表参数遥感定量反演在多尺度旱情监测的适用性。目前新型遥感传感器的数据质量在不断提升，利用中高分辨率遥感数据与中低分辨率遥感数据相结合的方法进行空间尺度的扩展，满足相应的旱情监测应用需求。研究地表水热变化过程及其对地表蒸散动态变化的影响，建立遥感反演地表蒸散由瞬时尺度向日尺度扩展的机理模型有利于实现不同尺度的旱情监测的转换，实现多尺度旱情监测。

4.4 机载热红外遥感数据和高光谱数据的应用

与星载红外遥感数据相比，机载热红外遥感技术为农业旱情监测提供了新的技术手段。尽管机载遥感获取数据相对较难，范围相对小，但是其数据获取的时效性和灵活性高，对于针对性的区域干旱监测，机动性强。高光谱数据对光谱信息刻画更加详细，用于提炼更具物理意义的方程约束条件，有助于提高地表温度反演的精度。传感器已经由多光谱向高光谱方向发展，在热红外谱段实施高光谱成像相对于可见光和短波红外独具优势，具有广阔应用前景。

4.5 农业旱情监测机理模型研究

现有的农业旱情监测模型主要是根据干旱发生后所表现出来的特征来构建的，即干旱越严重，叶面蒸散作用越低，叶冠温度越高。常利用叶冠温度与表示生长状态的植被指数来反映农业的干旱缺水程度（如供水模型和缺水模型）。未来可考虑针对诸多影响叶冠温度和植被指数的其他因素，如太阳高度角和光照角度等，将遥感数据与区域气候、土壤和灌溉条件等多种因素复合，突破简单表征法，实现多种方法相结合，建立基于干旱机理基础上的旱情监测模型，使监测结果与实际情况更接近，提高旱情监测的精度。