多种干旱遥感监测模型在河北地区的适用性研究

杨 鹏， 李春强， 高 祺， 张 莹， 崔生成

(1.石家庄市气象局，河北石家庄 050081； 2.河北省气象科学研究所，河北石家庄 050021；3.中国科学院安徽光学精密机械研究所/中国科学院大气成分与光学重点实验室，安徽合肥 230031)

旱灾是世界上影响较广、造成经济损失较大的自然灾害之一。我国旱灾发生频繁、影响广泛，是可造成农业经济损失的严重气象灾害。我国是农业大国，干旱已严重影响到我国农业可持续发展和粮食安全[1-3]。河北省作为我国粮食重要产区，加强干旱监测和预报预警能力，为政府制定合理的防旱、抗旱决策提供科学依据迫在眉睫。因此，探讨一种客观、实时、动态的干旱监测方法，了解河北地区的干旱发生和发展规律及其对农业生产的影响有着重要意义[4-5]。

卫星遥感技术的发展，为大面积农业干旱客观、实时、动态监测评估提供了一条新途径[6]。国外利用遥感方法进行土壤表层湿度监测的研究较早，我国从20世纪80年代中期开始相关研究。随着干旱遥感监测方法的不断发展，出现了热惯量法、作物供水指数法、温度植被干旱指数法、植被状态指数法等监测方法[7]。Price提出了表观热惯量法(ATI)，采用可见光、近红外波段反射率和热红外辐射温度差来计算ATI，并估算土壤水分[8]；Gillies等利用植被指数和地表温度的三角方法估测土壤有效水分[9]；王鹏新等于2001年在三角形特征空间的基础上，提出了条件植被温度指数(VTCI)，用于干旱监测[10]；Sandholt等基于植被指数和地表温度的关系，提出了温度植被干旱指数(TVDI)，估测监测表层土壤含水量状况[11]。此后，TVDI在国内得到了应用，逐渐成为当前旱情遥感监测的主要模型之一[12-14]。不同干旱遥感监测模型的原理、方法和适用范围不同，为了研究不同干旱遥感监测模型在河北地区的适用性，本研究选取温度植被干旱指数、植被供水指数(VSWI)和植被状态指数(VCI)3种干旱遥感监测模型进行对比分析，总结出适用于河北地区的遥感干旱监测模型，用于河北地区的干旱遥感监测业务，旨在提高河北地区干旱遥感监测的准确性，为提升河北地区的农业干旱监测、预警水平提供可靠的理论支撑和技术参考。

1 研究区概况和数据来源

1.1 研究区介绍

河北省地处36°05′～42°37′N、113°11′～119°45′E之间，属于温带半湿润半干旱大陆性季风气候，大部分地区四季分明，春季干燥多风，夏季炎热多雨，秋季凉爽晴朗，冬季寒冷少雨。地势由西北向东南倾斜，西北部为山区、丘陵和高原，其间分布有盆地和谷地，中南部为广阔的平原。河北平原是华北大平原的一部分，海拔多在50 m以下，占全省总面积的44%。受地形地势以及海拔的影响，河北省冬小麦主要分布在中南部平原地区，主要集中在保定市、廊坊市、沧州市、石家庄市、衡水市、邢台市、邯郸市等地区。考虑到山区地形起伏对遥感数据的可靠性以及模型反演精度的影响，本研究将研究区域选取在河北省中南部平原地区[15](图1)，采用ENVI5.0软件从90 m数字高程模型(DEM)中沿西部山区提取100 m等高线获得研究区域矢量图，将其以东的平原地区作为研究区域，图1给出了研究区域内土壤墒情站站点分布，土壤墒情站点资料来源于河北省气象科学研究所。

1.2 数据来源

本研究所选取的中分辨率成像光谱仪(MODIS)遥感数据为美国国家航空航天局(NASA)官网上免费提供的MODIS全球植被指数16 d合成产品MOD13A2和地表温度8 d合成产品MOD11A2，空间分辨率均为1 km，投影坐标需要由正弦变化到阿尔伯斯(Albers)等面积投影，时间为2010—2015年3—10月，分别对应2010—2015年065～177、273和289时段(设1月1日的时次为1，以此类推)，研究区景号为h27v5，遥感数据处理工具选用ENVI和MRT软件[16]。

本研究所用的土壤墒情站土壤相对湿度数据和降水量数据均来源于河北省气象局，其中土壤墒情数据分别包含10、20、50 cm不同深度下的土壤相对湿度数据，降水量数据为对应站点的逐日降水量数据。为了与卫星观测时间分辨率保持一致，将逐日的土壤相对湿度数据和降水量数据处理成以 16 d 为单位的数据序列。

2 理论与方法

2.1 温度植被干旱指数

Sandholt等对Ts-NDVI(地表温度-归一化植被指数)三角形特征空间进行研究，提出了温度植被干旱指数，要求研究区域必须足够大，涵盖的地表覆盖信息应该从裸土一直变化到完全植被覆盖，土壤水分从缺乏到充足[11]。当研究区的植被类型和土壤含水量变化较小时，NDVI和Ts的散点图呈梯形分布。TVDI的表达式：

(1)

Tmax=a1+b1×NDVI；

(2)

Tmin=a2+b2×NDVI。

(3)

式中：Ts为任意像元的地表温度；Tmax为某一NDVI对应的最高地表温度，对应Ts-NDVI特征空间的干边；Tmin为NDVI对应的最低地表温度，对应Ts-NDVI特征空间的湿边；a1、b1、a2、b2分别是干边和湿边的拟合系数。从式(1)可以看出，TVDI与土壤湿度呈负相关关系，TVDI越大，土壤湿度越小，越干旱；TVDI越小，土壤湿度越大，越湿润[17]。

2.2 植被供水指数

作物在受旱的情况下，植物供水不足，作物冠层通过关闭部分气孔而减少蒸腾量，导致叶面温度升高。因此，在一定生长发育期，作物冠层温度的高低可视为量度作物受旱程度的一种标准。在综合考虑植被指数和地表温度的基础上，提出了植被供水指数[18]，其定义见下式：

(4)

从式(4)可以看出，VSWI越小，干旱越严重；反之，VSWI越大，越湿润。

2.3 植被状态指数

作物在生长发育过程中，干旱缺水状态不利于作物生长，植被状态指数是利用卫星监测资料反演的植被指数，可反映作物生长变化状况，进而反映干旱状况。其定义如下[19]：

(5)

式中：NDVIi为某一特定年第i时段的NDVI值；NDVImax和NDVImin分别为多年同一时段NDVI的最大值和最小值。

3 结果与分析

3.1 构建地表温度-植被指数(Ts-VI)特征空间

本研究收集了2010—2015年3—10月的植被指数16 d合成产品MOD13A2和地表温度8 d合成产品MOD11A2，基于MOD11A2地表温度数据和MOD13A2植被指数数据，分别提取Ts、NDVI、增强型植被指数(EVI)，借助ENVI软件对研究区数据进行剪裁工作。由于MOD13A2产品和MOD11A2产品在时间上不匹配，需要将8 d的MOD11A2产品采用均值法合成为16 d的地表温度值。利用ENVI/IDL二次开发编程技术，以0.01的NDVI/EVI步长间隔，分别提取2010—2015年3—10月对应的最大、最小地表温度，以最大值、最小值合成法合成通用特征空间干、湿边地表温度[20-21]，通用特征空间合成流程见图2，利用最小二乘法拟合Ts-NDVI和Ts-EVI 通用特征空间干、湿边方程，拟合过程中根据方差逐步排除异常点的干扰，拟合结果如表1所示。

研究表明，通用特征空间的干、湿边解决了单一时段特征空间边界不稳定的问题，与单一时段特征空间相比，通用特征空间干、湿边异常点明显减少，拟合结果优于单一时段特征空间。湿边反映作物水分胁迫条件，理论上湿边方程应为1条斜率为0的水平直线，但由于MODIS产品数据生产过程中云剔除的不够精确以及数据预处理的影响，湿边方程有一定的斜率(斜率>0)或部分波动，通常情况下干、湿边方程采用线性拟合方式。从表1可以看出，干边线性拟合效果好于湿边，湿边斜率大多数小于干边的拟合斜率，EVI与Ts的相关性整体高于NDVI与Ts的相关性。而且，在高值区NDVI较EVI更容易达到饱和，从式(6)和式(7)可以看出，NDVI增强了近红外与红光波段的对比度，其结果增强了低值部分，拟制了高值部分，在高值区容易饱和；EVI是在NDVI基础上的改进，较好地解决了NDVI红光饱和、土壤和大气噪声的影响[22]。由于近红外波段反射率(NIR)对植被较为敏感，图3给出了NDVI、EVI与NIR的散点图。

表1 Ts-NDVI和Ts-EVI特征空间通用干边方程和湿边方程

注：表中所列方程均通过0.01信度检验。LSTd表示干边的的地表温度(K)，LSTw代表湿边的地表温度(K)。

从图3可以看出，随着NIR的变化，NDVI在0.2～0.8之间拟合效果相对较好，0.8以上部分基本趋于饱和，EVI对高植被覆盖区域的变化较NDVI更为敏感，因此EVI在特征空间中更能体现出植被覆盖的变化情况；与NDVI相比，EVI增强了干旱监测指数的敏感性，能更好地反映土壤湿度的变化情况。

(6)

(7)

式中：ρnir、ρred、ρblue分别代表近红外波段反射率、红光波段反射率、蓝光波段反射率。

3.2 与土壤相对湿度(RSM)的相关性

为了分析不同干旱遥感监测模型在河北地区的适用性及适用范围，采用EVI分别计算TVDI、VSWI、VCI干旱指数，利用土壤墒情站地面10、20、50 cm 3种深度土壤相对湿度数据对模型进行验证。以2015年129时次(5月9日至5月24日)为例，图4为TVDI、VSWI、VCI监测结果，图5为同一时次10、20、50 cm深土壤的相对湿度，可以看出，TVDI、VSWI、VCI 3种干旱遥感监测模型反演的干旱空间分布情况与土壤墒情站观测结果基本保持一致，出现旱情的地区基本集中在衡水南部、邢台和邯郸东部以及沧州、廊坊地区。图6给出了2015年129时次(5月9日至5月24日)TVDI、VSWI、VCI 3种干旱遥感监测模型与10、20、50 cm不同深度土壤相对湿度的相关性。3种模型与10、20、50 cm深土壤相对湿度都具有一定的相关性；3种模型与10、20 cm的相关性明显高于 50 cm，说明3种模型均对表层土壤相对湿度更为敏感，可以较好地反映0～20 cm表层土壤水分，对深层土壤水分响应效果相对较差，这可能是因为太阳辐射对表层土壤的影响效果强于深层土壤。

从表2可以看出，TVDI与10、20 cm土壤相对湿度的相关性整体好于VSWI、VCI，说明TVDI更适合河北省中南部平原地区的干旱监测，VSWI次之，VCI最差。分析冬小麦不同生长发育期与不同深度土壤相对湿度的相关性发现，在小麦返青期—拔节期(065、081时次)，植被指数相对较低，TVDI与10、20 cm土壤相对湿度的相关系数与VSWI相当，而到了拔节期—抽穗期(097、113时次)、抽穗期—乳熟期(129时次)、乳熟期—成熟期(145、161时次)，TVDI与RSM在10、20 cm 的相关性均高于VSWI，表明TVDI模型在中、高植被覆盖下干旱监测能力优势明显。TVDI、VSWI综合了植被指数和地表温度2种参数，而VCI只是植被变化的表征。上述研究结论与前人研究结论存在一定差异，有人研究得出，TVDI与10 cm处RSM的相关性优于20 cm，50 cm最差，而本研究结果为20 cm处RSM的相关性优于10 cm，分析其原因可能是由于前人的土壤相对湿度验证数据为人工观测的，在样本取样时会加入人为判断因素影响，而本研究的验证数据选用的是2014年10月以后的自动土壤墒情站观测数据，考虑到设备安装以及田间管理等因素，20 cm处的数据采集结果较10 cm处更稳定，这可能是影响本研究结论与前人结论有所不同的原因。

3.3 对降水量的响应

TVDI干旱遥感监测模型可以较好地反映表层土壤水分状况，而降水能够引起土壤水分含量的变化，为了比较TVDI监测结果与降水量之间的关系，选取栾城区、魏县、南宫市、黄骅市4个典型气象站点的降水资料进行分析，4个站点在研究区域空间上分布较为均匀，且4个站点所在区域降水量有明显差异。从图7可以看出，总体上，TVDI对降水量的变化较为敏感，TVDI与降水量呈反相关关系，在一定时间段降水量较多时，TVDI值较低，旱情较轻；反之，降水量较少时，TVDI值较高，旱情变重。TVDI低值伴随着较高的降水量；TVDI高值则伴随着较低的降水量。在065时次(3月6日至3月21日)前期均无降水， 4个站点的TVDI值都很高， 旱情较为明显；到了081～097时次(3月22日至4月21日)栾城、魏县、黄骅、南宫的累积降水量分别为22.5、47.8、29.6、29.6 mm，降水过程均集中在3月31日至4月2日，为2015年首场透雨，可以看出，首场透雨对改善土壤墒情、缓解旱情非常有利，气象部门抓住有利时机，在灌溉条件困难的地区开展人工增雨作业是十分必要的。随着前期累积降水量的增大，TVDI值在一段时间内会保持在一个较低的水平，旱情较轻，即便后期降水量较少，仍不会出现较大的旱情，可见TVDI对前期总体降水量的响应较为敏感。

表2 河北省冬小麦不同生长发育期3种干旱遥感监测模型与不同深度土壤相对湿度的相关性

注：“*”表示通过0.05的信度检验，其余均通过0.01信度检验。

3.4 TVDI在FY3数据上的应用

FY3系列是我国自主研发的极轨气象卫星，由FY3A、FY3B和FY3C组成，其搭载的可见光红外扫描辐射计(VIRR)和中分辨率光谱成像仪(MERSI)与MODIS一样具备多光谱和高时间分辨率的特点，表3给出了VIRR和MODIS部分波段介绍，其中VIRR的第1、2、7通道和MODIS的第1、2、3通道用于反演增强型植被指数EVI，VIRR的第4和第5通道、MODIS的第31和第32通道用于反演地表温度，两者的空间分辨率均为1 000 m[23-24]。

为了探讨FY3与MODIS在干旱监测方面的差异，选用2017年3月9日14：14的FY3B VIRR数据和2017年3月9日13：53的AQUA卫星的MODIS数据(可以近似认为是同一时次)分别反演河北省中南部平原地区植被指数和地表温度。为了方便计算，使用FY3B/VIRR第4波段和AQUA/MODIS第31波段的亮温代替地表温度，由图8可以看出，FY3B-VIRR数据与AQUA-MODIS数据在植被指数和地表温度上均具有较好的相关性，r2分别为0.54和0.41。

图9是利用TVDI模型分别反演FY3B-VIRR和AQUA-MODIS的干旱空间分布，两者的相关性见图10。可以看出，AQUA-MODIS与FY3B-VIRR的TVDI干旱空间分布趋势基本保持一致，FY3B-VIRR的TVDI细节更为明显；两者的TVDIr2为0.373，AQUA-MODIS的TVDI值比FY3B-VIRR的TVDI值略偏大；FY3在干旱监测能力上与MODIS基本相当，有力地证实了国产FY3卫星数据的可靠性和可用性较高。

表3 VIRR和MODIS通道波段

4 结论与讨论

本研究以河北省中南部平原地区为研究区，采用MODIS卫星遥感数据，基于植被指数(NDVI、EVI)和地表温度(Ts)等信息，构建Ts-VI特征空间，拟合干边、湿边方程，对比研究了TVDI、VSWI和VCI等3种干旱遥感监测模型在河北地区的适用性，得出以下结论：

(1)TVDI与不同深度土壤相对湿度的相关性最高，VSWI次之，VCI最差；3种模型与20 cm深土壤相对湿度相关性最高，10 cm深土壤的相关性次之，50 cm深土壤的相关性最差。说明TVDI模型更适合河北省中南部的干旱监测。

(2)在低植被覆盖的情况下，TVDI与VSWI干旱监测能力相当，而在中、高植被覆盖的情况下，TVDI优势明显；在高值区，NDVI较EVI更容易达到饱和，EVI对高植被覆盖区域的变化较NDVI更为敏感。

(3)研究TVDI与降水量的关系发现，TVDI与降水量呈反相关关系，TVDI对前期总体降水量的响应较为敏感。

(4)FY3和MODIS的干旱空间分布高度一致，FY3在干旱监测能力上与MODIS基本相当。

由于MODIS数据为1 000 m空间分辨率数据，土壤墒情站地面实测数据为点数据，两者在空间尺度上差异较大，今后可以考虑引入更高分辨率的遥感数据进行分析。另外，不同干旱遥感监测模型都有其适用性和局限性，考虑到利用植被指数、地表温度等多因子构建的模型结果优于单因子，在今后的模型研究中，应引入其他因子进行模型改进。