基于多種衛星的縣級尺度干旱監測指數比較——以河北玉田縣為例

孫麗，裴志遠，馬尚杰，王連林，馬志平，宋振華，錢鳳嬌

（1.農業部規劃設計研究院，北京 100125；2.玉田縣發展計劃局，河北 唐山 064100）

0 引言

干旱是全球最為常見的自然災害之一。由于減災成本的增加，政府越來越關注干旱監測、發生、發展、早期預警、預測、影響評估和管理，以此減少干旱帶來的負面影響［1，2］。遙感數據可彌補地面數據的不足，用于干旱監測和產量評估。遙感系統提供的連續時空尺度數據，在區域干旱監測和產量估計方面具有較好的潛力和經濟性［3，4］。近幾十年國內外基于土壤水分的干旱遙感監測研究取得很大進展，其中，光學遙感主要是利用植被在可見光和近紅外的光譜特征以及植被在干旱時冠層溫度偏高等特點，構建了不同的干旱指數，包括熱慣量法、植被指數法、植被指數與地表溫度組合法等。

目前利用遙感技術在區域尺度進行干旱監測使用的光學數據源主要包括分辨率較低的EOS／MODIS［5－7］、NOAA／AVHRR［8］、SPOT－VGT［9，10］、FY－3A［11］等，中高分辨率數據主要有環境減災星［12，13］、TM［14，15］，尚未見到更高分辨率數據用于干旱監測的研究報道。高時空分辨率衛星數據是遙感干旱監測水平提高的重要前提。本文針對環境減災星－1A和1B、SPOT4、RAPIDEYE 3種衛星數據源特點分別實現了垂直干旱指數、修正垂直干旱指數、溫度植被干旱指數3種干旱遙感監測模型，并在河北玉田縣進行了應用比較。

1 研究方法

1.1 垂直干旱指數

垂直干旱指數（Perpendicular Drought Index，PDI）由紅光和近紅外兩個波段計算得到，操作簡單，易于實現，近年被廣泛用于土壤水分的監測［16－18］。公式如下：

式中：Rred、Rnir分別是經過大氣校正的紅光和近紅外波段反射率，M為土壤基線斜率，I為土壤線在縱坐標上的截距。

圖1描述了區域植被覆蓋狀況，即由A－E－D的植被覆蓋變化趨勢。B－D－C為土壤水分由多到少的變化趨勢，隨著土壤缺水程度的逐漸加重，干燥土壤在NIR－Red特征空間的遷移軌跡和土壤基線保持一致。阿不都瓦提斯·吾拉木等［17］認為，在NIR－Red特征空間上，可以利用任一點到直線L的距離描述區域土壤含水量分布狀況，即距離L線越遠，表明越缺水，反之亦然。一般認為，最接近L線的空間是水分較多或濕潤的區域，遠離L線的空間為水分較少或較干旱的區域。從指數角度看，PDI值越大，表明越干旱。該方法物理意義明確，避免了反照率和地表溫度的反演。

圖1 基于NIR－Red光譜特征空間的PDI指數原理［17］Fig.1 Theory of PDI based on NIR－Red feature space

1.2 修正垂直干旱指數

Ghulam等［19］研究認為，PDI在針對從裸地到茂密植被農田的干旱監測中有一定局限性，主要是由于不同土壤類型表現出非平面地形特征，從而影響干旱監測精度，由此提出修正垂直干旱指數（Modified Perpendicular Drought Index，MPDI）。公式為：

式中：Rred，v、Rnir，v分別為植被在紅光和近紅外波段的反射率，可以取經驗值，分別為0.05和0.50；fv是植被覆蓋度。

PDI和MPDI均為無量綱指數。與PDI的區別是，MPDI的大小由植被覆蓋和土壤水分兩種因素確定，在裸露的土壤表面，土壤水分對MPDI影響大，而在植被覆蓋的地表或農田，植被覆蓋狀況決定了MPDI，土壤水分和植被覆蓋度的增加都會使MPDI下降。

1.3 溫度植被干旱指數

溫度植被干旱指數（Temperature－Vegetation Dryness Index，TVDI）的基本原理是：對于一個區域，若地表覆蓋從裸土到密閉植被冠層，土壤濕度由干旱到濕潤，則該區域每個像元的歸一化植被指數（NDVI）和地表溫度（Ts）組成的散點圖呈現為梯形［20，21］。Ts／NDVI特征空間得到理論模型的論證和田間數據的支持，在此基礎上Sandholt等［22］提出了TVDI的概念，公式為：

式中：Ts是任意像元的冠層溫度（K）；Tsmax是某一NDVI對應的最高冠層溫度（K），即干邊；Tsmin是某一NDVI對應的最低冠層溫度（K），即濕邊。

式中：a1、b1、a2、b2為干濕邊方程擬合系數。

由公式可知，TVDI為無量綱指數，值閾范圍是：0～1。TVDI值越大，表明越干旱。

2 研究試驗

2.1 研究區域

本研究試驗地點位于華北平原河北省玉田縣（117°31′～117°56′E和39°30′～39°58′N），全縣面積為1 165km2，耕地面積為729km2，主要地貌為北部丘陵、中部平原、南部低平原或洼地，土壤類型主要是褐土和潮土，土質主要為中壤土和重壤土。該區氣候屬于暖溫帶半濕潤大陸性季風氣候，年均溫為11.2℃，無霜期為190d，平均降水量693mm且多集中在7－9月。主要農作物類型為春玉米、夏玉米和冬小麥，冬小麥主要品種為京冬8號和輪選987，平均產量約為3 750～6 000kg／hm2。

2.2 數據來源與處理

2.2.1 地面數據 根據自然條件和冬小麥種植情況，并在充分考慮試驗點空間分布均勻性和代表性的基礎上，選擇15個試驗地塊進行地面數據采集，每個試驗地塊面積為500m＊500m，種植比例大于60%，以盡量滿足像元的純度要求。根據該地區冬小麥物候規律，選擇在作物返青期、拔節期、抽穗期、灌漿期采集試驗地塊數據，5月2－6日采集樣本對應拔節后期，5月12－17日采集樣本對應抽穗開花期。

土壤水分采集方法：在每個地塊內均勻布設4個重復采樣點，4點間距離以150～200m為宜。使用土壤水分快速測試儀對每個重復采樣點按0～10 cm、10～20cm、20～40cm、40～60cm 4個土層深度進行土壤體積含水量測量，每層分別取4個重復采樣點的平均值作為該地塊相應層次的平均土壤含水量。然后將土壤體積含水量數據結合相應地塊的田間持水量數據得到不同地塊不同深度層次的土壤相對含水量。除土壤水分外，同時記錄的地面數據還有試驗地塊中心經緯度、不同生育階段的LAI以及冬小麥株高、畝穗數、穗粒數、千粒重和作物單產等，這些參量采集是在每個500＊500m地塊內，按照對角線3點取樣法，劃定3個1m2小區，分別進行量測，再換算成畝尺度的相應參量值。

2.2.2 遙感數據 本試驗中采用了3種不同衛星遙感數據源，包括環境減災衛星 （HJ星）、SPOT4和RAPIDEYE。3種數據具有較高空間分辨率和豐富的波譜信息，已被廣泛應用于土地覆被、農業資源監測、水文地質勘測等研究領域，但SPOT4和RAPIDEYE被用于農業干旱定量遙感中的研究比較少。表1為3種數據源的特征參數，遙感數據獲取時間見表2。

表1 衛星數據源特征參數對比Table 1 Parameter list of remotely sensed data

表2 衛星數據時間Table 2 Schedule of remotely sensed data

為了準確獲取地表反射率和輻射率，需對3種影像進行輻射定標、大氣校正和幾何精校正等工作，本研究遙感影像處理均在ENVI／IDL軟件中實現。

2.3 試驗結果與分析

2.3.1 不同指數與土壤含水量關系對比分析 為了解不同遙感數據源所構建干旱指數對土壤含水量反映的差別和規律，分別將不同干旱指數與準同期地面土壤含水量進行對比分析。圖2a、圖2b為小麥作物拔節期（即4月下旬－5月初）的對比結果，圖2c、圖2d為抽穗期（即5月中旬）對比結果，橫軸為樣點，縱軸是PDI／MPDI指標值及土壤相對含水量值。其中，拔節期作物株高45cm左右，土壤含水量分布是：0～10cm深度土壤含水量最低，基本在0.6～0.8之間；10～20cm深度土壤含水量基本在0.8以上；20cm以上深度土壤含水量更高，局部處于過飽和狀態。抽穗期作物株高65cm左右，各層土壤含水量值較接近，局部地塊土壤含水量低于0.6，少數地塊土壤處于過飽和狀態。

圖2 不同指數與土壤水分關系Fig.2 Correlations between different indexes and soil moisture

圖2a中，利用3種衛星數據源構建的PDI指數總體上波動平緩，沒有很好反映土壤含水量的起伏變化，但PDI整體處于低值區間，SPOT4的PDI值略低，這符合PDI指數構建機理，即土壤含水量較高時，其值偏低。圖2b中，SPOT4的MPDI數值雖然偏低，但能夠較好反映較低的土壤含水量特征。小麥抽穗期由于缺乏較好質量的RAPIDEYE影像，本文只對HJ星和SPOT4進行比較。圖2c中，HJ星的PDI較好反映了耕層土壤含水量的變化特點，SPOT4整體數值偏低，波動較平緩，不能反映土壤水分的變化趨勢。圖2d中，由于經過了植被覆蓋修正，HJ星和SPOT4的MPDI對土壤含水量變化的反映較PDI有明顯改善，特別是對土壤含水量偏低地塊的反映更為顯著，且HJ星的MPDI監測效果優于SPOT4。

由于本研究選取的3種遙感影像均為光學影像，小麥的拔節期和抽穗期土壤上有植被冠層覆蓋，而光學影像對于植被冠層的穿透能力較弱，因而往往難以反映出植被冠層下的土壤水分含量，特別是地下10～60cm的土壤含水量，這也是導致圖2中除0～10cm深度外，其他層次對應關系不顯著的原因。

2.3.2 不同指數與冬小麥單產關系分析 由HJ星數據建立的PDI、MPDI和TVDI指數中，兩期TVDI與冬小麥單產均呈顯著負相關性（表3），其中，抽穗期達到極顯著水平；PDI指數與單產呈弱的負相關性，由于其構建的MPDI與PDI有較強的線性相關性，MPDI與單產呈較弱的相關性，可以認為，基于HJ星建立的PDI和MPDI指數不適宜進行單時

表3 各時期指數與小麥單產相關性分析Table 3 Correlations between different indexes and winter－wheat yield in different stages

基于上述產量擬合方法，在玉田縣級尺度進行產量估計，在疊加該縣冬小麥本底數據基礎上，得到冬小麥拔節期和抽穗期的產量預測結果（圖3）。由圖3可以看出，兩期估產結果有一定差異，主要分布于玉田縣中部和北部地區，南部預測結果較為一致。這主要與土壤環境條件、耕作管理措施有關。南部主要是重壤土或黏土，土壤水分含量持續適宜或較高，作物生長狀況較為穩定，因此前后兩期結果趨勢一致；中部和北部主要是壤土或砂壤土，當土壤水分偏低時，部分地區會及時采取灌溉等措施，保持了較好的土壤墑情，有利于保持較好苗情，部分地區管理措施滯后，導致HJ星獲取的TVDI值偏高，使得估產結果偏低。在作物生育后期，基于該方法的估產結果趨于穩定。相的產量估計。同樣，由SPOT4建立的PDI指數和MPDI指數與冬小麥單產有較弱的相關性，且作用力相反，這種干旱指示性和產量擬合之間具有不確定性，也不適宜進行單時相的估產。基于RAPIDEYE構建的PDI和MPDI指數與單產相關系數均超過－0.30，在一定程度上有指示作用，由于數據獲取限制，無法進一步論證其效果，有待深入研究。鑒于利用HJ星構建的TVDI與冬小麥單產有較好的相關性并通過顯著性檢驗，因此，在本研究中，分別選取冬小麥拔節期和抽穗期建立了產量擬合方程，結果如表4所示。

圖3 不同時期冬小麥估產Fig.3 Estimate yield of winter－wheat in different stages

表4 基于TVDI的小麥單產擬合分析Table 4 Fitting analysis of winter－wheat yield based on TVDI

3 結論

干旱指數可以反映土壤含水量情況，在小麥拔節期（中等植被覆蓋時），基于HJ星和RAPIDEYE的PDI和MPDI指數變化趨勢一致，且均高于SPOT4構建的相應指數，在土壤含水量較高時，不易反映土壤含水量起伏變化特征；SPOT4構建的MPDI雖然數值偏低，但能夠反映較低土壤含水量；在抽穗階段（高植被覆蓋時），基于HJ星的PDI和MPDI能夠較好反映各層土壤含水量的起伏變化，特別是對偏低的土壤含水量較為敏感，而基于SPOT4建立的MPDI指數能在一定程度上反映土壤含水量的變化特點，其構建的PDI指數對土壤含水量變化不敏感。從干旱監測遙感數據源選取角度，利用HJ星進行縣域尺度干旱監測具有一定可行性，由于RAPIDEYE與HJ星具有相近的波譜區間，可以提供更高精度的驗證信息，而SPOT4不具有監測優勢。

本研究將不同干旱指數與冬小麥單產進行相關性分析，結果表明，基于HJ星構建的TVDI指數與冬小麥單產呈顯著負相關性，可以進行不同階段的估產，但后期估產效果更為穩定，是一種簡單易于實現的旱災預警手段；另外，基于RAPIDEYE構建的PDI和MPDI指數與單產也有較好的負相關性，其應用前景有待于進一步研究；SPOT4構建的PDI和MDPI與產量的作用關系不一致，是否適宜作單時相的產量估計有待進一步研究。

［1］ WILHITE D A.Planning for drought：A methodology，drought assessment，management and planning；theory and case studies［A］.WILHITE D A.Drought Assessment，Management and Planning：Theory and Case Studies［C］.1993.87－109.

［2］ WORLD METEOROLOGICAL ORGANIZATION.Quarterly Bulletin［R］.Geneva，1994.

［3］ TUCKER C J，CHOUDHURY B J.Satellite remote sensing of drought conditions［J］.Remote Sens.Environ.，1987，23：243－251.

［4］ KOGAN F N.NOAA plays leadership role in developing satellite technology for drought watch［J］.Earth Obs.Mag.，1994，18－21.

［5］ 佘萬明，葉彩華.MODIS資料遙感監測土壤水分與干旱研究進展［J］.河南氣象，2006（1）：44－46.

［6］ QIN Q，GHULAM A，ZHU L，et al.Evaluation of MODIS derived perpendicular drought index for estimation of surface dryness over northwestern China［J］.International Journal of Remote Sensing，2008，29（7）：1983－1995.

［7］ 孫麗，王飛，吳全.干旱遙感監測模型在中國冬小麥區的應用［J］.農業工程學報，2010，26（1）：243－249.

［8］ 鄭寧，嚴平，孫秀邦，等.基于NOAA／AVHRR衛星數據的淮北地區干旱監測［J］.干旱氣象，2009，25（1）：256－259.

［9］ 杜靈通，李國旗.利用SPOT數據進行干旱監測的應用研究［J］.水土保持通報，2008，28（2）：153－156，172.

［10］ 吳楊潔.基于SPOT和NOAA數據的河北省干旱遙感監測研究［D］.石家莊：河北師范大學，2012.

［11］ 朱琳，劉健，張曄萍，等.FY－3A／MERSI數據在中國北方干旱監測中的應用［J］.遙感學報，2010，14（5）：2010－2016.

［12］ 鐘仕全，羅永明，莫建飛，等.環境減災衛星數據在干旱監測中的應用［J］.中國農業氣象，2011，32（4）：593－597.

［13］ 熊世為，景元書，李衛國.基于HJ－1B遙感數據的冬小麥旱情監測研究［J］.麥類作物學報，2013，33（1）：84－88.

［14］ 張智韜，李援農，楊江濤，等.遙感監測土壤含水率模型及精度分析［J］.農業工程學報，2008，24（8）：152－156.

［15］ 楊學斌，秦其明，姚云軍，等.PDI與MPDI在內蒙古干旱監測中的應用和比較［J］.武漢大學學報，2011，36（2）：195－198.

［16］ 詹志明，秦其明，阿不都瓦提斯·吾拉木，等.基于NIR－Red光譜特征空間的土壤水分監測新方法［J］.中國科學（D輯），2006，36（11）：1020－1026.

［17］ 阿不都瓦提斯·吾拉木.基于n維光譜特征空間的農田干旱遙感監測［D］.北京：北京大學，2006.

［18］ 李喆，譚德寶，崔遠來，等.基于PDI的湖北漳河灌區土壤含水量遙感監測［J］.農業工程學報，2010，41（1）：92－95.

［19］ GHULAM A.Modified perpendicular drought index（MPDI）：A real－time drought monitoring method［J］.Photogrammetry＆ Remote Sensing，doi：10.1016／j.isprsjprs.2007.03.002

［20］ MORAN M S，CLARKE T R，INOUE Y，et al.Estimating crop water deficit using the relation between surface－air temperature and spectral vegetation index［J］.Remote Sens.Environ.，1994，49：246－263.

［21］ CARLSON T N，GILLIES R R，PERRY E M.A method to make use of thermal infrared temperature and NDVI measurement to infer surface soil water content and fractional vegetation cover［J］.Remote Sensing Reviews，1994，52：45－49.

［22］ 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（2／3）：213－224.