温度植被干旱指数(TVDI)在农业干旱监测中的应用

姜蓝齐，王 萍，姜丽霞，宫丽娟，李秀芬，张恒翀,王晓迪

（1哈尔滨学院黑龙江省寒区湿地生态与环境研究重点实验室，哈尔滨 150086；2黑龙江省气象科学研究所，哈尔滨 150030；3中国气象局东北地区生态气象创新开放实验室，哈尔滨 150030）

0 引言

中国农业干旱灾害频发，尤其东北地区干旱发生频率呈明显增多趋势，并对农业生产造成严重影响[1-2]。黑龙江省是中国东北地区最重要的粮食生产基地之一，及时准确监测黑龙江省农业干旱情况对制定减灾策略、降低经济损失等方面具有重要意义。

在对农业作物干旱情况的监测中，土壤水分情况一直是干旱评估的关键因素[3-5]，当土壤中的水分含量低于土壤田间持水量时将发生水分亏缺，植被开始不在最佳生长状态[6]；当土壤中的水分含量进一步降低，将产生水分胁迫作用，进而影响植被生长，最终影响粮食产量[7]。与传统土壤水分含量监测方法相比，卫星遥感手段因其在获取作物陆面分布信息中具有覆盖范围广、时效性强的特点而具有独特优势，其中Terra/Aqua卫星因其重访周期较短、具有高时间分辨率和适中的空间分辨率[8-9]，使实时监测区域干旱状况成为可能。

已有研究中利用热惯量、植被指数、地表温度、后向散射系数等变量，构建遥感模型反演土壤水分含量，如宋小宁等[10]通过MODIS遥感影像的不同波段构建指示植被-温度-水分的综合指数；Qin等[11]同样基于MODIS遥感影像构建垂直干旱指数，对中国北方干旱区进行干旱监测应用。其中温度植被干旱指数(temperature vegetation dryness index,TVDI)因其综合考虑植被指数和地表温度有效减小植被覆盖度对干旱监测的影响，提高了监测结果的准确性和实用性，且其具有特征空间所需数据少，获取方便，物理意义明确等特征，而被广泛应用于农业干旱监测[12-13]。在中国对农业干旱监测应用研究中，已广泛使用TVDI指数，且TVDI指数相较于其他植被指数的优越性已经获得了许多学者的验证，如孙灏等[1]研究表明在指示植被冠层温度变化一类的指数中，TVDI是更为理想的选择；于敏等[14]、刘慧敏等[15]均认为与其他植被指数相比，TVDI指数在指示表层土壤湿度变化中更为准确和敏感。

在已有基于TVDI指数监测农业旱情的研究中，多选取一期遥感影像作为研究对象，验证TVDI指数在研究区监测旱情的合理性，缺少干旱动态监测的研究，尤其在对农业干旱过程的监测中，缺少作物发育期内连续的动态干旱监测过程。因此，本研究基于MODIS数据构建黑龙江省5—9月NDVI-Ts特征空间，以TVDI为指标研究黑龙江省旱地作物干旱监测方法，并分析旱地作物生长期内干旱监测动态变化，具体步骤为：（1）采用Savitzky-Golay(S-G)滤波方法，消除归一化植被指数(Normalized Difference Vegetation Index,NDVI)和陆地表面温度(Land Surface Temperature,LST)数据噪声，获得2017年5—9月黑龙江省8天NDVI和LST数据；（2）基于作物发育期内5—9月每隔8天的NDVI和LST数据，构建温度-植被指数特征空间，拟合“干湿边”模型，并计算不同时段TVDI指数；（3）拟合生育期内实测土壤湿度数据与TVDI指数，分析其相关性；（4）根据干旱分级指标，对黑龙江省旱地旱情进行监测和评价，并对监测结果进行验证。本研究进一步揭示2017年黑龙江省旱地作物生育期内干旱时空规律，以期为黑龙江省农业干旱动态监测提供有效可行方法，为科学防旱抗旱、提高作物产量提供决策依据。

1 材料与方法

1.1 研究区域概况

黑龙江省经纬度范围为 45°06′N—52°36′N，123°42′N—134°45′N，位于中国东北部地区（图1）。地貌上西部为松嫩平原、东部为三江平原，整体地势起伏平缓，为农业发展提供了良好的条件；研究区属于黑土带，土壤腐殖质高、土层深厚，有较高的农业生产能力；农作物为一年一熟作物，其中旱地作物以玉米、大豆为主，是中国重要的商品粮基地[16-17]。研究区属于寒温带-温带湿润-半湿润季风气候，南北温差大，1月平均气温-31～-15℃，7月为16～23℃，无霜期3～4个月，年平均降水量300～700 mm[18]。

图1 研究区示意图

1.2 数据来源及预处理

研究中采用的MODIS遥感影像均来自于NASA网站，选取受云影响较小的8 d合成地表温度和反射率产品。其中地表温度选取MOD11A2数据（空间分辨率为1 km）；植被指数通过波段计算获取，基于MOD09A1地表反射率产品计算（空间分辨率为500 m）。本研究利用MRT(MODIS Reprojection Tool)图像处理工具对上述产品进行拼接和重投影，统一坐标和投影。在ENVI软件中对上述产品进行定标、投影变换、裁剪和去噪等处理。

此外，黑龙江省2017年旱地作物空间分布数据基于MODIS数据构建决策树提取[19]。土壤相对湿度数据、逐月降水数据来自中国气象科学数据共享网(http://data.cma.cn/)，其中土壤湿度数据共筛选出2017年覆盖黑龙江省旱地区域台站37个，选取2017年5—9月0～10 cm土壤相对湿度数据；逐月降水数据为覆盖黑龙江省的62个气象台站。

1.3 NDVI和LST数据重构

本研究采用S-G滤波方法对受云、阴影影响的缺失值进行重构，进一步得到研究区更为准确的数据。S-G滤波实质上是一种移动窗口的加权平均算法，其加权系数不是简单的常数，而是通过在移动窗口内对给定高阶多项式进行最小二乘拟合得到[20]。Chen等[21]、黎治华等[22]研究表明，当滤波参数设置为m=4、d=6时，NDVI时序重建结果与地表真实状况较为一致；当滤波参数设置为m=2、d=3时可以获得较好的LST重建结果[23]，因此，本研究参照前人研究采用相同参数设置对NDVI和LST数据进行重建。

1.4 温度植被干旱指数计算

在NDVI和Ts构成的三角形特征空间当中，将不同植被指数条件下的最高下垫面温度(Tmax)相连，即构成三角形干边，代表区域内的干旱上限；将不同植被指数下的最低下垫面温度(Tmin)相连构成三角形的湿边，代表该区域内的湿润上限。基于此，Sandholt等[24]提出基于TVDI指数估测土壤表层水分的方法，见公式(1)～(3)。

式中，Tsmax、Tsmin分别由植被指数与地表温度根据干边、湿边线性拟合获得，本研究中采用NDVI指数，a、b、c、d分别是干边和湿边线性拟合方程的系数。在三角形区域内任一点的土壤湿度越低，Ts越接近干边，TVDI值越大，表示土壤干旱情况越严重；反之，TVDI越小，土壤含水量越高。

2 结果与分析

2.1 NDVI-Ts特征空间及干、湿边方程拟合

利用ENVI扩展程序，获取黑龙江省2017年5—9月（日序121-273期，自1月1日期每8天合成影像记作1期）每隔8天的NDVI最大和最小陆地温度Tmax和Tmin。图2为相应时段NDVI-Ts二维特征空间图，其中横坐标为NDVI值，纵坐标为LST，本研究对NDVI小于0.2的像元不作处理，因为该范围NDVI基本是水体、城镇和水陆混合像元。考虑到篇幅有限，且各月NDVI-Ts二维特征空间均呈相似分布，本研究以每月第一期影像数据为代表进行展示（图2）。可以看出NDVI-Ts的特征空间在作物生育期不同时相都呈相似形状，表现为随NDVI值增加，陆地表面温度的最大与最小值趋势曲线有逐渐接近并相交于一点的趋势，存在三角形关系。该趋势与前人基于特征空间提取干、湿边结果趋势一致[25]，说明本结果可以用来获取作物生育期不同时相的TVDI指数。

图2 2017年5—9月每月第一期NDVI-Ts特征空间

具体来说，整个作物生育期内，总体表现为随NDVI值的增加地表温度最大值呈减小趋势而最小值呈增加趋势。其中5月、6月和7月（121～209天）NDVITs的特征空间三角形关系明显，特征空间拟合方程决定系数高；而8月和9月（217～273天）特征空间三角形关系特征减弱，有向相对平行趋势发展，说明在8—9月植被覆盖程度对地表温度最大、最小值的影响相对降低，植被对受旱变化的敏感性有所减弱。有研究表明理想情况下，地表覆被从裸地到被植被覆盖呈现出均匀变化，而土壤表层含水量从凋萎系数到田间持水量均匀变化时，其温度-植被特征空间的干、湿边将表现为直线[26]，与生育期内8—9月NDVI-Ts空间特征趋于一致。

2.2 TVDI与表层土壤湿度的相关性

基于覆盖黑龙江省旱地区域的37个土壤墒情站收集的表层(0～10 cm)土壤相对湿度数据，建立其与空间位置相对应的TVDI数据相关关系。以土壤相对湿度为横坐标，TVDI为纵坐标建立方程。实测土壤湿度数据为每旬第8天提取（即每月8日、18日、28日），基于此本研究选取与土壤湿度数据最为接近日期的TVDI数据，拟合结果如表1所示，可以看出，在作物生育期内整体呈现出TVDI指数随表层土壤湿度的增加而减小的趋势，具体表现为TVDI指数值越大，其土壤湿度越小，满足TVDI指数值越趋近于1，土壤含水量越小的原理。说明TVDI指数能够反映出土壤水分的变化情况，以TVDI指数为作物生育期内监测旱情的指标是适用可行的。但由于数据点相对离散，点观测与像元的相关分析没有达到很高的相关水平，因此在本研究中没有基于TVDI指数反演旱地土壤湿度的方式对干旱情况进行监测分级，直接采用TVDI指数的划分进行干旱的评价。

表1 2017年5—9月旱地TVID(x)与10 cm土壤相对湿度(y)关系

2.3 作物生育期TDVI时空分布

本研究基于ENVI软件构建模型，利用已获取的干边、湿边系数计算研究区内各网格点TVDI指数，并生成灰度值文件。本研究参考齐述华[27]、王一昊[28]等前人利用TVDI模型对东北地区干旱监测的研究成果，将TDVI按照干旱等级划分为4个级别，分别是：无旱(0≤TVDI＜0.6)、轻旱(0.6≤TVDI＜0.7)、中旱(0.7≤TVDI＜0.8)和重旱(0.8≤TVDI≤1)，在ArcGIS软件中实现分级赋色，制成黑龙江省旱地作物生育期干旱等级分布图（图3）。由于篇幅限制，本研究中仅选取相关重要过程空间分布格局进行展示。

图3 2017年5—9月主要过程黑龙江省旱地TVDI时空变化

从黑龙江省旱田作物整个发育期来看，2017年各时段均有干旱状况发生，其中西部地区干旱发生频率和范围大于东部地区。5、6月黑龙江省西部地区普遍偏旱，其中5月中上旬作物播种期（121天、129天），黑龙江省西部齐齐哈尔市春旱较为严重，齐齐哈尔东部、绥化市中部、哈尔滨市西部和大庆市东北部地区有中旱发生；5月中下旬齐齐哈尔东部地区春旱加重，西部地区春旱缓解，随着作物的生长全区春旱范围缩小（137天、145天）；6月（153—177天）黑龙江省西部地区重旱范围大于5月，主要发生在黑龙江省西部齐齐哈尔地区；该春旱发生与同年黑龙江省西部地区降水偏少有关，同年作物播种前期3—4月无明显降水，5—6月中旬降水量偏少50%～80%。进入7月（185天）上旬，黑龙江省西部地区受干旱影响程度减轻，干旱影响范围逐渐缩小，7月下旬至8月上旬伏旱期正值春玉米发育关键期，大庆市、齐齐哈尔市受旱影响较大。8月中旬（225天）黑龙江旱地全区无旱，8月下旬起（233天），黑龙江省东部地区有干旱发生，其中双鸭山市、七台河市表现为重旱，之后旱情开始得到缓解。

2.4 基于TVDI监测与实测土壤湿度的干旱判对率一致性检验

本研究采用干旱判对率对TVDI指数监测结果进行检验，干旱判对率即遥感监测结果与实测干旱结果同时判定为发生干旱或无旱发生的概率，计算见公式(4)。

式中，f为干旱判对率，m为基于实际观测的土壤湿度干旱结果与基于TVDI指数进行分级的干旱结果相同的样点数，n为总样点数。

本研究以实测土壤湿度为依据，以气象行业标准《北方春玉米干旱等级》[29](QX/T 259—2015)规定的作物不同生育期土壤相对湿度所判定的干旱等级作为实测干旱分级标准。为方便直观比较，将基于实际观测的土壤湿度干旱等级与TVDI指数进行分级的干旱等级均划分为4级。黑龙江省土壤类型以黑土为主，因此参照壤土相对湿度干旱等级标准执行（表2）。

表2 壤土相对湿度干旱等级划分表 %

为了更加真实准确的检验TVDI干旱分级结果与土壤相对湿度干旱分级结果的一致性，将基于旱地提取的TVDI像元分级结果降尺度到县域，计算该县域旱地TVDI均值，该操作在ArcGIS平台中完成，并与该地区的代表性监测站点土壤相对湿度干旱分级结果进行对比，结果见表3。可以看出，TVDI与土壤相对湿度干旱等级判对率一致性整体较高，其中5月上旬、6月下旬、8月上中旬、9月判对率一致性均达到90%以上；仅7月开花-抽穗阶段判对率一致性相对较低，也达到86.49%。表明基于TVDI的干旱分级结果可用于黑龙江省旱地旱情监测。

表3 基于TVDI与土壤相对湿度干旱等级划分判对率一致性检验

3 讨论

本研究基于温度植被干旱指数(TVDI)对黑龙江省旱地生育期干旱过程进行动态监测，补充了已有研究中影像时相单一问题。研究构建的NDVI-Ts特征空间表现为三角形关系，即随NDVI值的增加，陆地表面温度的最大和最小值趋势曲线逐渐接近并相交于一点，王鹏新等[30]在干旱监测模型的综述研究中结果趋势一致。此外，研究建立的土壤相对湿度与TVDI的相关方程表明TVDI指数值越大，其土壤湿度越小，该结论与熊世为等[13]对冬小麦旱情监测、鲍艳松等[23]对江苏淮北地区农区春旱监测中建立的方程结果一致，满足TVDI指数值越趋近于1，土壤含水量越小的原理。但本研究仍有不足有待提高，具体讨论如下。

3.1 基于SPI指标干旱监测结果对比分析

由于本文研究区与研究时段的独特性，还没有研究结果可进行对比，因此现对本研究监测结果与基于标准化降水指数(Standardized Precipitation Index,SPI)监测的大气干旱结果进行比较，尝试分析其异同。根据《气象干旱等级GB/T 20481—2006》国家标准的定义，SPI是表征某时段降水量出现概率多少的指标，其适用于月以上尺度当地气候状况的干旱监测与评估[31-32]。在本研究中，基于黑龙江省地面气象观测站点逐月降水资料，计算2017年5—9月月尺度SPI1，并按《气象干旱等级GB/T 20481—2006》中的分级标准分为特旱(SPI1≤-2.0)、重旱(-2.0＜SPI1≤-1.5)、中旱(-1.5＜SPI1≤-1.0)、轻旱(-1.0＜SPI1≤-0.5)和无旱(-0.5＜SPI1)，用于与基于TVDI监测的干旱等级空间分布进行比较。由于SPI是基于月尺度的计算结果，因此将TVDI也同步到月尺度，计算均值，如图4所示。

图4 基于TVDI与SPI干旱等级空间分布对比

可以看出，TVDI干旱监测表现为齐齐哈尔、绥化地区有春旱发生，且同年6月干旱发生程度和范围大于5月，进入7月干旱发生范围和强度均减弱，直至9月成熟期。SPI降水干旱指示显示5月齐齐哈尔北部、绥化西部有春旱发生，与TVDI空间分布趋势相同；7月SPI指标显示绥化、大庆、哈尔滨西部地区降水较少、干旱较重，与TVDI指示齐齐哈尔、大庆、绥化地区有重旱发生空间趋势一致；相较于SPI指标，TVDI有更强的空间性。其中6月和9月SPI指标显示全区无旱，与TVDI监测结果有所差异。造成该差异的原因可能是由于SPI仅仅是气象干旱的评价方法，虽然降水异常偏低时可以反映一段时间内大气的干旱情况，但作物的水分来源主要通过土壤，大气干旱与土壤干旱之间存在延迟性。

3.2 干旱指标等级划分标准讨论

目前基于TVDI指数进行干旱监测的研究中，关于干旱等级的划分主要有两种方式，一种是基于齐述华[27]等研究直接对TVDI指数进行分级；另一种是基于TVDI指数与土壤湿度的相关关系，反演土壤湿度数据，再根据土壤湿度干旱等级进行分级[33]。本研究中考虑到（1）TVDI指数和土壤湿度在作物发育期不同阶段均呈负相关关系，TVDI指数的分级可以很好的指示干旱情况；（2）在基于TVDI指数反演土壤湿度的过程中势必会拟合掉一些信息，尤其在TVDI和土壤湿度相关系数并未达到极好的情况下，对其干旱指示性会有一定影响，所以研究中采取的是基于TVDI对干旱等级进行分类，而该干旱分类等级也有待进一步标准化和规范化。

3.3 精度验证方法有效性讨论

在验证结果精度中本研究采用基于TVDI指数干旱分级结果与基于土壤湿度干旱分级结果的一致性进行评价，在比较的过程中会受二者数据在空间和时间上匹配度降低的影响，即空间上土壤湿度数据是以观测点的形式记录，而TVDI指数是以像元形式计算；时间上土壤湿度数据以旬为单位记录，而TVDI指数是间隔8天的数据，将导致二者在时空匹配中的差异。虽然研究中通过选取相邻时间，和以县域单元为尺度进行对比的方法试图减小差异，但该差异依旧存在，在今后的精度验证中需要更好的验证方式。

4 结论

本研究选取在农业干旱监测指数中对土壤水分含量更为敏感的TVDI指数，对作物生育期不同阶段的干旱监测，结合实地观测土壤湿度数据进行定量检验，得到结论为：2017年黑龙江旱地作物生育期内西部地区干旱发生频率和范围整体大于东部地区，其中齐齐哈尔市春旱较为严重，进入7月上旬西部地区受旱程度减轻，影响范围缩小；7月下旬至8月上旬春玉米发育关键期，大庆市、齐齐哈尔市受旱影响较大；8月下旬东部双鸭山、七台河等地有旱发生。基于MODIS数据构建的TVDI指数能够反映黑龙江省农业干旱状况，TVDI指数与土壤相对湿度干旱等级判对率一致性达到90%以上。