基于LAI-Ts特征空間的河南省冬小麥返青?成熟期旱情監測?

劉 英，岳 輝，張 鋒，楊 坤

（西安科技大學測繪科學與技術學院，西安 710054）

遙感技術因其具有監測范圍廣、多時相、快速、動態等特點，近年來已成為旱情監測的主要手段[1-2]。旱情遙感監測的方法主要有熱慣量法、植被供水指數法、微波法、溫度植被干旱指數法（Temperature Vegetation Dryness Index，簡稱 TVDI）等，其中 TVDI因綜合考慮了研究區植被狀況和溫度條件而被廣泛采用。國際上，Sandholt等[3]利用簡化的歸一化植被指數（Normalized Difference Vegetation Index，簡稱NDVI）和地表溫度（Land surface temperature，簡稱Ts）構成的特征空間，提出了TVDI計算公式；Naira等[4]指出基于NDVI-Ts特征空間的TVDI能夠描述土壤水分時空變化；Patel等[5]指出TVDI與土壤濕度之間存在明顯的負相關關系；Dhorde等[6]指出在干旱條件下稀疏植被的 TVDI與葉面積指數（Leaf area index，簡稱 LAI）呈顯著的負相關關系；Cao等[7]利用中分辨率成像光譜儀（Moderate-resolution imaging spectroradiometer，簡稱MODIS）數據，基于 NDVI-Ts三角形特征空間的 TVDI監測了蒙古高原土壤濕度狀況；Zhang等[8]利用MODIS等數據計算了垂直植被干旱指數、TVDI、降雨狀態指數等，并利用這些指數監測了美國大陸的干旱狀況，指出氣象干旱指數得出的美國大陸嚴重干旱等級面積比例大于農業干旱指數，且在不同氣象條件下各指數在監測旱情方面各有利弊。

國內，沈潤平等[9]以利用MODIS數據提取的植被狀態指數、溫度狀態指數和土地覆蓋類型等多個遙感及土壤資料提取的干旱因子為自變量，以氣象站點的綜合氣象干旱指數為因變量，利用隨機森林模型構建遙感干旱監測模型，結果表明該模型能較好地應用于監測區域旱情監測；薄燕飛等[10]利用MODIS數據，基于增強型植被指數EVI（Enhanced Vegetation Index）-Ts特征空間計算TVDI，指出TVDI能監測河北省旱情；王鶯等[11]利用MODIS數據，基于 EVI-Ts特征空間計算 TVDI，分析了廣東省 2011年旱情分布狀況，指出廣東省冬旱非常嚴重；孫麗等[12]基于NDVI-Ts特征空間建立TVDI，并結合降水量距平指數，構建了綜合干旱監測指數，并對武陵山區旱情進行了監測，指出該指數比TVDI更具有穩定性。隨欣欣等[13]基于MODIS LAI-Ts特征空間，構建溫度-葉面積干旱指數（Temperature LAI drought index，簡稱TLDI）監測農田水分含量，指出TLDI彌補了TVDI在NDVI達到飽和后監測精度降低的缺陷。

相關學者利用 TVDI進行旱情監測時基本都依賴于NDVI-Ts和EVI-Ts特征空間，涉及其它植被指數的研究并不常見，隨欣欣等[13]指出基于LAI-Ts特征空間的TLDI適用于NDVI達到飽和后的農田旱情監測。但在植被覆蓋度較低時，NDVI尚未達到飽和時是否也可用LAI-Ts特征空間代替NDVI-Ts特征空間有待驗證。本研究旨在探索當 NDVI未達到飽和時，LAI能否代替NDVI及基于LAI-Ts特征空間的溫度-葉面積干旱指數（Temperature LAI drought index，簡稱TLDI）能否用于旱情監測，并利用實地觀測土壤濕度數據驗證該指數的監測精度。進一步以TLDI為旱情監測指標，分析評估2000年、2005年、2010年和2015年2月26日-6月1日河南省干旱的時空分布特征和規律，以期為研究區農業生產、防旱避災提供參考依據。

1 資料與方法

1.1 數據來源與處理

MODIS/Terra衛星數據下載于美國NASA網站（http://revert.echo.nnsn.gov/revert/），獲取河南省2000、2005、2010年和2015年2月26日-6月1日的葉面積指數（LAI）和光合有效輻射 8d合成數據集MOD15A2和8d合成地表溫度（Ts）/發射率數據集MOD11A2，數據分辨率為1km。實測土壤濕度數據來自于中國氣象局氣象數據中心提供的中國農作物生長發育狀況資料數據集，從該數據集中提取河南省17個氣象站點2000、2005、2010和2015年2月26日-6月1日每月8、18和28日的10cm實測土壤濕度數據。研究區及站點分布見圖1。

圖1 研究區及站點分布Fig. 1 The location of meteorological stations in Henan province

從MOD15A2、MOD11A2中分別提取河南省8d合成 LAI和 Ts數據，利用最大化合成法將 LAI和Ts進行 16d合成，獲得 2000、2005、2010和 2015年2月26日-6月1日每16d合成LAI和Ts數據；以0.01為步長，利用JAVA語言編程提取研究區每個LAI對應的最高地表溫度（Tsmax）、最低地表溫度（Tsmin）。

1.2 研究方法

Sandholt等[3]2002年研究認為，在 NDVI-Ts三角形特征空間中，土壤含水量最低、干旱程度最嚴重的邊界為特征空間的干邊，土壤含水量高、干旱程度最輕的邊界為特征空間的濕邊，并提出由NDVI-Ts特征空間計算溫度植被干旱指數（TVDI）的表達式，即

式中，TVDI為溫度植被干旱指數；Ts為任意像元地表溫度（K）；Tsmax為某一 NDVI對應的最大地表溫度，對應NDVI-Ts特征空間的干邊；Tsmin為某一NDVI的對應最小地表溫度，對應NDVI-Ts特征空間的濕邊。TVDI值在 0～1，TVDI越大，土壤濕度越低，農業旱情越嚴重；反之，農業旱情越輕。Tsmax和Tsmin計算式為

式中，a1和b1、a2和b2分別為干、濕邊方程系數，由NDVI-Ts特征空間散點圖線性擬合得到；NDVI為歸一化植被指數。

隨欣欣等[13-14]指出，當 NDVI達到飽和后，可用LAI-Ts特征空間代替NDVI-Ts特征空間。當NDVI未達到飽和，植被覆蓋度較低時，LAI-Ts特征空間能否代替 NDVI-Ts特征空間有待驗證。因此，本文嘗試利用LAI-Ts特征空間計算TLDI。本研究發現，在 LAI-Ts特征空間中 Tsmax和 Tsmin二次多項式擬合方程精度比線性擬合精度高，故采用二次多項擬合Tsmax和Tsmin，計算式為

式中，c1和c2分別為干、濕邊方程系數。

2 結果與分析

2.1 冬小麥返青-成熟期LAI-Ts特征空間分析

利用研究區2000、2005、2010和2015年2月26日-6月1日每16d合成的影像資料，提取每個像元LAI值對應的最高地表溫度（Tsmax）、最低地表溫度（Tsmin），繪制散點圖得到每個階段的LAI-Ts特征空間，其中，LAI-Tsmax對應干邊、LAI-Tsmin對應濕邊，結果見圖2、3、4和圖5。由圖中可見，在冬小麥返青-成熟期，LAI-Ts特征空間中干邊、濕邊均可用一元二次方程擬合，干邊方程的決定系數均在 0.72以上（P＜0.05）。Tsmax隨著 LAI的增加而減小、Tsmin隨著LAI的增加而增加，兩條線隨著生育期形成了動態合圍變化態勢。從合圍情況看，返青期即3月上旬前后（圖a、b），干、濕邊線呈明顯三角形，隨著植被覆蓋的提高逐漸演變成梯形，且 Tsmin逐漸演變為近似水平線（圖 f）。在LAI-Ts特征空間中任意一點越接近干邊，TLDI值越大，旱情越嚴重；反之，越接近濕邊，TLDI值越小，則旱情越輕。

2.2 冬小麥返青-成熟期 TVDI與土壤濕度的相關性驗證

中國氣象局氣象數據中心缺乏2013年之后的實測土壤濕度數據，故利用河南省的17個氣象站2000、2005、2010和2013年每年2月26日-6月1日實測地表10cm土壤濕度數據與氣象站點3×3像元對應的TLDI（溫度-葉面積干旱指數）均值進行相關性分析，并計算其相關系數（表1）。由表1可知，TLDI與地表10cm土壤濕度存在負相關關系，TLDI越大，土壤濕度越低。F檢驗發現，2000、2005、2010和2013年各時段TLDI與10cm土壤濕度線性回歸方程均通過了95%的顯著性檢驗（表1）。

進一步利用2005年3月30日-6月1日每16d TLDI與同時相實測土壤濕度數據進行相關性分析，并建立兩者之間的土壤濕度反演模型（圖6a）。由圖6a可知，TLDI與實測土壤濕度（SM）呈顯著負相關關系（P＜0.05），計算式為

利用式（1）反演2005年2月26-3月13日和3月14-29日土壤濕度，并與同時相實測土壤濕度進行對比（圖6b）。由圖6b可知，反演土壤濕度與實測土壤濕度之間存在顯著正相關關系（P＜0.05），擬合方程決系數 R2為 0.4237，均方根誤差 RMSE（Root mean square error）14.60%，表明基于LAI-Ts特征空間的 TLDI監測旱情具有可靠性，可作為旱情監測指標。

圖2 2000年2月26日-6月1日LAI-Ts特征空間Fig. 2 LAI-Ts space from February 26 to June 1, 2000

圖3 2005年2月26日-6月1日LAI-Ts特征空間Fig. 3 LAI-Ts space from February 26 to June 1, 2005

圖4 2010年2月26日-6月1日LAI-Ts特征空間Fig. 4 LAI-Ts space from February 26 to June 1, 2010

圖5 2015年2月26日-6月1日LAI-Ts特征空間Fig. 5 LAI-Ts space from February 26 to June 1, 2015

表1 2000、2005、2010和2013年TLDI（溫度-葉面積干旱指數）與10cm深土壤濕度（SM）的相關系數Table 1 Correlation between TLDI(Temperature LAI drought index) and 10cm soil moisture in 2000, 2005, 2010 and 2013

圖6 TLDI與實測土壤濕度的關系Fig. 6 Correlation between TLDI and filed measured soil moisture

2.3 冬小麥返青-成熟期旱情遙感分析

利用基于LAI-Ts特征空間的TLDI分析冬小麥的旱情狀況，根據Liu等[15]的研究，將旱情劃分為5類：極濕潤（TLDI為0～0.2）；濕潤（TLDI為0.2～0.4）；正常（TLDI為 0.4～0.6）；干旱（TLDI為 0.6～0.8）；極干旱（TLDI為0.8～1.0）。因為研究區存在水體、建筑物及數據缺失情況，因此添加以下 3種分類：無數據區域TLDI為-1.50～1.49；水體TLDI為-1.49～1.20；建設用地 TLDI為-1.2～0.0。利用ArcGIS10.0制作河南省2000、2005、2010、2015年每年2月26日-6月1日期間的旱情等級時空分布圖（圖7、8、9、10），并統計各時段干旱與極干旱區域占河南省總面積的比例如表2。

由圖7、8、9和10可知，河南省旱情存在以下特點：

（1）2000年2月26日-6月1日

2月26日-3月29日：河南省全省大部分地區均出現嚴重春旱，全省受旱災影響的農田面積約357.1萬hm2，占麥播面積的71.4%，重旱地區主要分布在西部、西南部和中部，而北部、東部、東南部也出現干旱。總體來說旱情較嚴重，雖然北部和東南部地區 3月有降雨，但豫中部分地區旱情未能緩解。

3月30日-4月30日：旱情主要分布在西南部，雖然全省降雨較多，但均集中在東部和北部部分地區，西南部旱情依舊未能得到緩解。至 4月下旬，北部、中部部分地區又出現旱情，西南部旱情加劇。

5月1日-6月1日：5月上旬旱情主要分布在西北部、東南以及中部局部地區，其它地區基本無旱情；5月下旬西北部旱情加劇，東南部旱情得以緩解，中部部分地區旱情加重。

（2）2005年2月26日-6月1日

2月26日-3月29日：全省再次出現春旱，重旱地區主要分布在西北部以及靠近西北部的中部地區，其它地區無旱情。隨著各地降水量的增加，旱情僅在中部局地出現。

3月30日-4月30日：4月上旬降水較多，僅西部局地存在旱情，但下旬西北部旱情略微加重。總體來說對小麥生長較有利。

5月1日-6月1日：在河南省西部、南部出現旱情，中部局部地區旱情較嚴重，至 5月下旬東南部旱情減輕，但北部以及中部大部分地區旱情均明顯增加。

（3）2010年2月26日-6月1日

2月26日-3月29日：早春時期全省相對濕潤，西南部有輕微旱情，對冬小麥的生長極為有利。

3月30日-4月30日：在河南省西北部有輕微旱情，其它地區較濕潤。

5月1日-6月1日：5月上旬全省相對濕潤，下旬旱情突然嚴重加劇，全省大部分地區出現旱情。

（4）2015年2月26日-6月1日

2月26日-3月29日：北部旱情較輕，旱情主要出現在西部以及中部地區，總體全省墑情良好，對冬小麥進入返青期較有利；下旬旱情無明顯變化。

3月30日-4月30日：上旬全省平均降雨量21mm，中部、北部地區降雨量較少，但全省旱情并不嚴重。4月下旬中部、北部大部分地區出現輕度干旱，僅個別地區為中度干旱，全省其它地區土壤墑情良好，對小麥生長較為有利。

5月1日-6月1日：全省5月上旬出現輕度干旱，但下旬北部、南部以及中部地區旱情均加劇，全省旱情較嚴重。總體來說，對小麥生長較為不利。

由表2可知，2000、2005、2010和2015年每年3月上旬及整個5月是河南省干旱頻發期，2000年和2005年干旱比例均達全省面積的50%以上，2005年、2015年5月1-31日及2010年5月17-30日干旱比例均達 50%以上。進一步分析可知，每年3月上旬和整個5月分別處于冬小麥返青期和開花-灌漿期，此時如果干旱發生將嚴重影響冬小麥產量，應采取積極的抗旱措施。相比各年份干旱情況來說，2000年、2005年和2015年每年2-5月旱情較嚴重，2010年2-5月屬輕度干旱，相對濕潤。

圖7 河南省2000年2月26日-6月1日旱情等級時空分布Fig. 7 The spatio-temporal distribution of drought in Henan province from February 26 to June 1, 2000

圖9 河南省2010年2月26日-6月1日旱情等級時空分布Fig. 9 The spatio-temporal distribution of drought in Henan province from February 26 to June 1, 2010

圖10 河南省2015年2月26日-6月1日旱情等級時空分布Fig. 10 The spatio-temporal distribution of drought in Henan province from February 26 to June 1, 2015

表2 典型年河南省冬小麥返青-成熟各階段干旱面積的比例（%）Table 2 Drought area ratio of winter wheat from the turning green to mature stage in Henan province in 2000, 2005, 2010 and 2015（%）

3 結論與討論

3.1 討論

Han等[14,16]等指出，當植被覆蓋度較高，NDVI達到飽和后可用LAI-Ts特征空間代替NDVI-Ts特征空間。隨欣欣等[13]利用寧夏地區 2005年 4-8月的MODIS LAI和Ts數據，驗證作物封壟后基于LAI-Ts特征空間的TLDI能否代替基于NDVI-Ts特征空間的TVDI及其旱情監測精度，指出當NDVI達到飽和后 TLDI可代替 TVDI，且其旱情監測精度高于TVDI。本研究利用河南省2000、2005、2010和2015年每年2月26日-6月1日 MODIS LAI和Ts產品數據，驗證當植被覆蓋度較低，NDVI未達到飽和時基于 LAI-Ts特征空間的 TLDI能否用于旱情監測。研究發現LAI-Ts特征空間在3月中上旬植被覆蓋度較低時呈明顯三角形，隨著入春轉暖植被覆蓋度提高逐漸演變成梯形，這種演變特征進一步驗證了Han等[14]提出的早期植被覆蓋較低時應采用三角形特征空間，而后期植被覆蓋度增加時則采用梯形特征空間的理論。本研究僅采用了河南省數據對TLDI進行驗證，該指數是否適用于其它區域的旱情監測需要進一步驗證與分析。另外，文獻[17]雖對基于雙拋物線型 NDVI-Ts、EVI-Ts及三角形NDVI-Ts、LAI-Ts特征空間作了一定的對比研究，但側重于雙拋物線型NDVI-Ts特征空間的提出和驗證，因而這幾種特征空間的適用條件和優劣程度需進一步研究。

3.2 結論

（1）基于三角形或梯形LAI-Ts特征空間的TLDI與實測土壤濕度呈顯著負相關性（P＜0.05），R2變化范圍為0.2716～0.5576。當NDVI未達到飽和時，基于LAI-Ts特征空間的TLDI可用于旱情監測。TLDI基于MODIS產品數據展開，避免了利用MODIS原始數據進行LAI和Ts計算和反演的復雜處理過程，豐富和補充了基于植被指數和地表溫度特征空間的TVDI監測方法。

（2）河南省旱情主要分布在中西部、西南部以及北部地區，其它區域發生旱情的時間相對較少。2000、2005、2010和2015年每年2月下旬-5月下旬河南省干旱頻發于每年3月上旬和整個5月，干旱比例均達 50%以上，此時正處于冬小麥返青期和開花-灌漿期的關鍵時刻。因此，抗旱需要在早春時期就積極應對，早春是小麥拔節生長的重要階段，而后在初夏階段，植被蒸騰作用加劇，更需要對旱情及時預防和應對，保證小麥在灌漿成熟期能健康發育。

References

[1]劉勤,嚴昌榮,何文清.黃河流域干旱時空變化特征及其氣候要素敏感性分析[J].中國農業氣象,2016,37(6):623-632.Liu Q, Yan C R, He W Q. Drought variation and its sensitivity coefficients to climatic factors in the Yellow River Basin[J].Chinese Journal of Agrometeorology,2016,37(6): 623-632.(in Chinese)

[2]Du L,Song N,Liu K,et al.Comparison of two simulation methods of the temperature vegetation dryness index (TVDI)for drought monitoring in semi-arid regions of China[J].Remote Sensing,2017,9(2):177-196.

[3]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.

[4]Naira C,Robert L,Ramata M.Surface soil moisture status over the Mackenzie River Basin using a temperature/vegetation index[A].Geoscience and Remote Sensing Symposium,2007[C].IEEE,2007:1846-1848.

[5]Patel N R,Anapashsha R,Kumar S,et al.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.

[6]Dhorde A G,Patel N R.Spatio-temporal variation in terminal drought over western India using dryness index derived from long-term MODIS data[J].Ecological Informatics,2016,32:28-38.

[7]Cao X,Feng Y,Wang J.An improvement of the Ts-NDVI space drought monitoring method and its applications in the Mongolian plateau with MODIS,2000-2012[J].Arabian Journal of Geosciences,2016,9(6):1-14.

[8]Zhang L,Jiao W,Zhang H,et al.Studying drought phenomena in the Continental United States in 2011 and 2012 using various drought indices[J].Remote Sensing of Environment,2017,190:96-106.

[9]沈潤平,郭佳,張婧嫻,等.基于隨機森林的遙感干旱監測模型的構建[J].地球信息科學學報,2017,19(1):125-133.Shen R P,Guo J,Zhang J X,et al.Construction of a drought monitoring model using the random forest based remote sensing[J].Journal of Geo-information Science,2017,19(1):125-133.(in Chinese)

[10]薄燕飛,白建軍,劉永林.基于TVDI及氣象干旱指數的河北省春旱時空變化特征[J].蘭州大學學報(自科版),2016,52(2):188-195.Bo Y F,Bai J J,Liu Y L.The spatial-temporal variations of spring drought in Hebei province based on TVDI and meteorological drought index[J].Journal of Lanzhou University:Natural Science,2016,52(2):188-195.(in Chinese)

[11]王鶯,王勁松,姚玉璧,等.基于溫度植被干旱指數的廣東省旱情動態監測[J].草業學報,2014,23(2):98-107.Wang Y,Wang J S,Yao Y B,et al.Dynamic monitoring of drought based on temperature vegetation dryness index in Guangdong province[J].Acta Prataculturae Sinica,2014,23(2):98-107.(in Chinese)

[12]孫麗,王飛,李保國,等.基于多源數據的武陵山區干旱監測研究[J].農業機械學報,2014,45(1):246-252.Sun L,Wang F,Li B G,et al.Study on drought monitoring of Wuling Mountain Area based on multisource data[J].Transactions of the Chinese Society for Agricultural Machinery,2014,45(1):246-252.(in Chinese)

[13]隨欣欣,秦其明,董恒,等.基于 LST_LAI特征空間的農田干旱監測研究[J].光譜學與光譜分析,2013,33(1):201-205.Sui X X,Qin Q M,Dong H,et al.Monitoring of farmland drought based on LST-LAI spectral feature space[J]. Spectroscopy and Spectral Analysis,2013,33(1): 201-205.(in Chinese)[14]Han L J,Wang P X,Yang H,et al.Study on NDVI-Tsspace by combining LAI and evapotranspiration[J].Science in China(D Series):Earth Sciences,2006,49(7):747-754.

[15]Liu Y,Wu L X,Yue H.Biparabolic NDVI-Tsspace and soil moisture remote sensing in an arid and semiarid area[J].Canadian Journal of Remote Sensing,2015,41(3): 159-169.

[16]Fan X,Liu Y.A global study of NDVI difference among moderate-resolution satellite sensors[J].Isprs Journal of Photogrammetry & Remote Sensing,2016,121:177-191.

[17]劉英,馬保東,吳立新,等.基于 NDVI-ST 雙拋物線特征空間的冬小麥旱情遙感監測[J].農業機械學報,2012,43(5): 55-63.Liu Y,Ma B D,Wu L X,et al.Drought remote sensing for winter wheat based on double parabola NDVI-ST space[J].Transactions of the Chinese Society for Agricultural Machinery,2012, 43(5):55-63.(in Chinese)