多種干旱遙感監(jiān)測模型在河北地區(qū)的適用性研究

楊 鵬， 李春強， 高 祺， 張 瑩， 崔生成

(1.石家莊市氣象局，河北石家莊 050081； 2.河北省氣象科學研究所，河北石家莊 050021；3.中國科學院安徽光學精密機械研究所/中國科學院大氣成分與光學重點實驗室，安徽合肥 230031)

旱災是世界上影響較廣、造成經(jīng)濟損失較大的自然災害之一。我國旱災發(fā)生頻繁、影響廣泛，是可造成農(nóng)業(yè)經(jīng)濟損失的嚴重氣象災害。我國是農(nóng)業(yè)大國，干旱已嚴重影響到我國農(nóng)業(yè)可持續(xù)發(fā)展和糧食安全[1-3]。河北省作為我國糧食重要產(chǎn)區(qū)，加強干旱監(jiān)測和預報預警能力，為政府制定合理的防旱、抗旱決策提供科學依據(jù)迫在眉睫。因此，探討一種客觀、實時、動態(tài)的干旱監(jiān)測方法，了解河北地區(qū)的干旱發(fā)生和發(fā)展規(guī)律及其對農(nóng)業(yè)生產(chǎn)的影響有著重要意義[4-5]。

衛(wèi)星遙感技術(shù)的發(fā)展，為大面積農(nóng)業(yè)干旱客觀、實時、動態(tài)監(jiān)測評估提供了一條新途徑[6]。國外利用遙感方法進行土壤表層濕度監(jiān)測的研究較早，我國從20世紀80年代中期開始相關研究。隨著干旱遙感監(jiān)測方法的不斷發(fā)展，出現(xiàn)了熱慣量法、作物供水指數(shù)法、溫度植被干旱指數(shù)法、植被狀態(tài)指數(shù)法等監(jiān)測方法[7]。Price提出了表觀熱慣量法(ATI)，采用可見光、近紅外波段反射率和熱紅外輻射溫度差來計算ATI，并估算土壤水分[8]；Gillies等利用植被指數(shù)和地表溫度的三角方法估測土壤有效水分[9]；王鵬新等于2001年在三角形特征空間的基礎上，提出了條件植被溫度指數(shù)(VTCI)，用于干旱監(jiān)測[10]；Sandholt等基于植被指數(shù)和地表溫度的關系，提出了溫度植被干旱指數(shù)(TVDI)，估測監(jiān)測表層土壤含水量狀況[11]。此后，TVDI在國內(nèi)得到了應用，逐漸成為當前旱情遙感監(jiān)測的主要模型之一[12-14]。不同干旱遙感監(jiān)測模型的原理、方法和適用范圍不同，為了研究不同干旱遙感監(jiān)測模型在河北地區(qū)的適用性，本研究選取溫度植被干旱指數(shù)、植被供水指數(shù)(VSWI)和植被狀態(tài)指數(shù)(VCI)3種干旱遙感監(jiān)測模型進行對比分析，總結(jié)出適用于河北地區(qū)的遙感干旱監(jiān)測模型，用于河北地區(qū)的干旱遙感監(jiān)測業(yè)務，旨在提高河北地區(qū)干旱遙感監(jiān)測的準確性，為提升河北地區(qū)的農(nóng)業(yè)干旱監(jiān)測、預警水平提供可靠的理論支撐和技術(shù)參考。

1 研究區(qū)概況和數(shù)據(jù)來源

1.1 研究區(qū)介紹

河北省地處36°05′～42°37′N、113°11′～119°45′E之間，屬于溫帶半濕潤半干旱大陸性季風氣候，大部分地區(qū)四季分明，春季干燥多風，夏季炎熱多雨，秋季涼爽晴朗，冬季寒冷少雨。地勢由西北向東南傾斜，西北部為山區(qū)、丘陵和高原，其間分布有盆地和谷地，中南部為廣闊的平原。河北平原是華北大平原的一部分，海拔多在50 m以下，占全省總面積的44%。受地形地勢以及海拔的影響，河北省冬小麥主要分布在中南部平原地區(qū)，主要集中在保定市、廊坊市、滄州市、石家莊市、衡水市、邢臺市、邯鄲市等地區(qū)。考慮到山區(qū)地形起伏對遙感數(shù)據(jù)的可靠性以及模型反演精度的影響，本研究將研究區(qū)域選取在河北省中南部平原地區(qū)[15](圖1)，采用ENVI5.0軟件從90 m數(shù)字高程模型(DEM)中沿西部山區(qū)提取100 m等高線獲得研究區(qū)域矢量圖，將其以東的平原地區(qū)作為研究區(qū)域，圖1給出了研究區(qū)域內(nèi)土壤墑情站站點分布，土壤墑情站點資料來源于河北省氣象科學研究所。

1.2 數(shù)據(jù)來源

本研究所選取的中分辨率成像光譜儀(MODIS)遙感數(shù)據(jù)為美國國家航空航天局(NASA)官網(wǎng)上免費提供的MODIS全球植被指數(shù)16 d合成產(chǎn)品MOD13A2和地表溫度8 d合成產(chǎn)品MOD11A2，空間分辨率均為1 km，投影坐標需要由正弦變化到阿爾伯斯(Albers)等面積投影，時間為2010—2015年3—10月，分別對應2010—2015年065～177、273和289時段(設1月1日的時次為1，以此類推)，研究區(qū)景號為h27v5，遙感數(shù)據(jù)處理工具選用ENVI和MRT軟件[16]。

本研究所用的土壤墑情站土壤相對濕度數(shù)據(jù)和降水量數(shù)據(jù)均來源于河北省氣象局，其中土壤墑情數(shù)據(jù)分別包含10、20、50 cm不同深度下的土壤相對濕度數(shù)據(jù)，降水量數(shù)據(jù)為對應站點的逐日降水量數(shù)據(jù)。為了與衛(wèi)星觀測時間分辨率保持一致，將逐日的土壤相對濕度數(shù)據(jù)和降水量數(shù)據(jù)處理成以 16 d 為單位的數(shù)據(jù)序列。

2 理論與方法

2.1 溫度植被干旱指數(shù)

Sandholt等對Ts-NDVI(地表溫度-歸一化植被指數(shù))三角形特征空間進行研究，提出了溫度植被干旱指數(shù)，要求研究區(qū)域必須足夠大，涵蓋的地表覆蓋信息應該從裸土一直變化到完全植被覆蓋，土壤水分從缺乏到充足[11]。當研究區(qū)的植被類型和土壤含水量變化較小時，NDVI和Ts的散點圖呈梯形分布。TVDI的表達式：

(1)

Tmax=a1+b1×NDVI；

(2)

Tmin=a2+b2×NDVI。

(3)

式中：Ts為任意像元的地表溫度；Tmax為某一NDVI對應的最高地表溫度，對應Ts-NDVI特征空間的干邊；Tmin為NDVI對應的最低地表溫度，對應Ts-NDVI特征空間的濕邊；a1、b1、a2、b2分別是干邊和濕邊的擬合系數(shù)。從式(1)可以看出，TVDI與土壤濕度呈負相關關系，TVDI越大，土壤濕度越小，越干旱；TVDI越小，土壤濕度越大，越濕潤[17]。

2.2 植被供水指數(shù)

作物在受旱的情況下，植物供水不足，作物冠層通過關閉部分氣孔而減少蒸騰量，導致葉面溫度升高。因此，在一定生長發(fā)育期，作物冠層溫度的高低可視為量度作物受旱程度的一種標準。在綜合考慮植被指數(shù)和地表溫度的基礎上，提出了植被供水指數(shù)[18]，其定義見下式：

(4)

從式(4)可以看出，VSWI越小，干旱越嚴重；反之，VSWI越大，越濕潤。

2.3 植被狀態(tài)指數(shù)

作物在生長發(fā)育過程中，干旱缺水狀態(tài)不利于作物生長，植被狀態(tài)指數(shù)是利用衛(wèi)星監(jiān)測資料反演的植被指數(shù)，可反映作物生長變化狀況，進而反映干旱狀況。其定義如下[19]：

(5)

式中：NDVIi為某一特定年第i時段的NDVI值；NDVImax和NDVImin分別為多年同一時段NDVI的最大值和最小值。

3 結(jié)果與分析

3.1 構(gòu)建地表溫度-植被指數(shù)(Ts-VI)特征空間

本研究收集了2010—2015年3—10月的植被指數(shù)16 d合成產(chǎn)品MOD13A2和地表溫度8 d合成產(chǎn)品MOD11A2，基于MOD11A2地表溫度數(shù)據(jù)和MOD13A2植被指數(shù)數(shù)據(jù)，分別提取Ts、NDVI、增強型植被指數(shù)(EVI)，借助ENVI軟件對研究區(qū)數(shù)據(jù)進行剪裁工作。由于MOD13A2產(chǎn)品和MOD11A2產(chǎn)品在時間上不匹配，需要將8 d的MOD11A2產(chǎn)品采用均值法合成為16 d的地表溫度值。利用ENVI/IDL二次開發(fā)編程技術(shù)，以0.01的NDVI/EVI步長間隔，分別提取2010—2015年3—10月對應的最大、最小地表溫度，以最大值、最小值合成法合成通用特征空間干、濕邊地表溫度[20-21]，通用特征空間合成流程見圖2，利用最小二乘法擬合Ts-NDVI和Ts-EVI 通用特征空間干、濕邊方程，擬合過程中根據(jù)方差逐步排除異常點的干擾，擬合結(jié)果如表1所示。

研究表明，通用特征空間的干、濕邊解決了單一時段特征空間邊界不穩(wěn)定的問題，與單一時段特征空間相比，通用特征空間干、濕邊異常點明顯減少，擬合結(jié)果優(yōu)于單一時段特征空間。濕邊反映作物水分脅迫條件，理論上濕邊方程應為1條斜率為0的水平直線，但由于MODIS產(chǎn)品數(shù)據(jù)生產(chǎn)過程中云剔除的不夠精確以及數(shù)據(jù)預處理的影響，濕邊方程有一定的斜率(斜率>0)或部分波動，通常情況下干、濕邊方程采用線性擬合方式。從表1可以看出，干邊線性擬合效果好于濕邊，濕邊斜率大多數(shù)小于干邊的擬合斜率，EVI與Ts的相關性整體高于NDVI與Ts的相關性。而且，在高值區(qū)NDVI較EVI更容易達到飽和，從式(6)和式(7)可以看出，NDVI增強了近紅外與紅光波段的對比度，其結(jié)果增強了低值部分，擬制了高值部分，在高值區(qū)容易飽和；EVI是在NDVI基礎上的改進，較好地解決了NDVI紅光飽和、土壤和大氣噪聲的影響[22]。由于近紅外波段反射率(NIR)對植被較為敏感，圖3給出了NDVI、EVI與NIR的散點圖。

表1 Ts-NDVI和Ts-EVI特征空間通用干邊方程和濕邊方程

注：表中所列方程均通過0.01信度檢驗。LSTd表示干邊的的地表溫度(K)，LSTw代表濕邊的地表溫度(K)。

從圖3可以看出，隨著NIR的變化，NDVI在0.2～0.8之間擬合效果相對較好，0.8以上部分基本趨于飽和，EVI對高植被覆蓋區(qū)域的變化較NDVI更為敏感，因此EVI在特征空間中更能體現(xiàn)出植被覆蓋的變化情況；與NDVI相比，EVI增強了干旱監(jiān)測指數(shù)的敏感性，能更好地反映土壤濕度的變化情況。

(6)

(7)

式中：ρnir、ρred、ρblue分別代表近紅外波段反射率、紅光波段反射率、藍光波段反射率。

3.2 與土壤相對濕度(RSM)的相關性

為了分析不同干旱遙感監(jiān)測模型在河北地區(qū)的適用性及適用范圍，采用EVI分別計算TVDI、VSWI、VCI干旱指數(shù)，利用土壤墑情站地面10、20、50 cm 3種深度土壤相對濕度數(shù)據(jù)對模型進行驗證。以2015年129時次(5月9日至5月24日)為例，圖4為TVDI、VSWI、VCI監(jiān)測結(jié)果，圖5為同一時次10、20、50 cm深土壤的相對濕度，可以看出，TVDI、VSWI、VCI 3種干旱遙感監(jiān)測模型反演的干旱空間分布情況與土壤墑情站觀測結(jié)果基本保持一致，出現(xiàn)旱情的地區(qū)基本集中在衡水南部、邢臺和邯鄲東部以及滄州、廊坊地區(qū)。圖6給出了2015年129時次(5月9日至5月24日)TVDI、VSWI、VCI 3種干旱遙感監(jiān)測模型與10、20、50 cm不同深度土壤相對濕度的相關性。3種模型與10、20、50 cm深土壤相對濕度都具有一定的相關性；3種模型與10、20 cm的相關性明顯高于 50 cm，說明3種模型均對表層土壤相對濕度更為敏感，可以較好地反映0～20 cm表層土壤水分，對深層土壤水分響應效果相對較差，這可能是因為太陽輻射對表層土壤的影響效果強于深層土壤。

從表2可以看出，TVDI與10、20 cm土壤相對濕度的相關性整體好于VSWI、VCI，說明TVDI更適合河北省中南部平原地區(qū)的干旱監(jiān)測，VSWI次之，VCI最差。分析冬小麥不同生長發(fā)育期與不同深度土壤相對濕度的相關性發(fā)現(xiàn)，在小麥返青期—拔節(jié)期(065、081時次)，植被指數(shù)相對較低，TVDI與10、20 cm土壤相對濕度的相關系數(shù)與VSWI相當，而到了拔節(jié)期—抽穗期(097、113時次)、抽穗期—乳熟期(129時次)、乳熟期—成熟期(145、161時次)，TVDI與RSM在10、20 cm 的相關性均高于VSWI，表明TVDI模型在中、高植被覆蓋下干旱監(jiān)測能力優(yōu)勢明顯。TVDI、VSWI綜合了植被指數(shù)和地表溫度2種參數(shù)，而VCI只是植被變化的表征。上述研究結(jié)論與前人研究結(jié)論存在一定差異，有人研究得出，TVDI與10 cm處RSM的相關性優(yōu)于20 cm，50 cm最差，而本研究結(jié)果為20 cm處RSM的相關性優(yōu)于10 cm，分析其原因可能是由于前人的土壤相對濕度驗證數(shù)據(jù)為人工觀測的，在樣本取樣時會加入人為判斷因素影響，而本研究的驗證數(shù)據(jù)選用的是2014年10月以后的自動土壤墑情站觀測數(shù)據(jù)，考慮到設備安裝以及田間管理等因素，20 cm處的數(shù)據(jù)采集結(jié)果較10 cm處更穩(wěn)定，這可能是影響本研究結(jié)論與前人結(jié)論有所不同的原因。

3.3 對降水量的響應

TVDI干旱遙感監(jiān)測模型可以較好地反映表層土壤水分狀況，而降水能夠引起土壤水分含量的變化，為了比較TVDI監(jiān)測結(jié)果與降水量之間的關系，選取欒城區(qū)、魏縣、南宮市、黃驊市4個典型氣象站點的降水資料進行分析，4個站點在研究區(qū)域空間上分布較為均勻，且4個站點所在區(qū)域降水量有明顯差異。從圖7可以看出，總體上，TVDI對降水量的變化較為敏感，TVDI與降水量呈反相關關系，在一定時間段降水量較多時，TVDI值較低，旱情較輕；反之，降水量較少時，TVDI值較高，旱情變重。TVDI低值伴隨著較高的降水量；TVDI高值則伴隨著較低的降水量。在065時次(3月6日至3月21日)前期均無降水， 4個站點的TVDI值都很高， 旱情較為明顯；到了081～097時次(3月22日至4月21日)欒城、魏縣、黃驊、南宮的累積降水量分別為22.5、47.8、29.6、29.6 mm，降水過程均集中在3月31日至4月2日，為2015年首場透雨，可以看出，首場透雨對改善土壤墑情、緩解旱情非常有利，氣象部門抓住有利時機，在灌溉條件困難的地區(qū)開展人工增雨作業(yè)是十分必要的。隨著前期累積降水量的增大，TVDI值在一段時間內(nèi)會保持在一個較低的水平，旱情較輕，即便后期降水量較少，仍不會出現(xiàn)較大的旱情，可見TVDI對前期總體降水量的響應較為敏感。

表2 河北省冬小麥不同生長發(fā)育期3種干旱遙感監(jiān)測模型與不同深度土壤相對濕度的相關性

注：“*”表示通過0.05的信度檢驗，其余均通過0.01信度檢驗。

3.4 TVDI在FY3數(shù)據(jù)上的應用

FY3系列是我國自主研發(fā)的極軌氣象衛(wèi)星，由FY3A、FY3B和FY3C組成，其搭載的可見光紅外掃描輻射計(VIRR)和中分辨率光譜成像儀(MERSI)與MODIS一樣具備多光譜和高時間分辨率的特點，表3給出了VIRR和MODIS部分波段介紹，其中VIRR的第1、2、7通道和MODIS的第1、2、3通道用于反演增強型植被指數(shù)EVI，VIRR的第4和第5通道、MODIS的第31和第32通道用于反演地表溫度，兩者的空間分辨率均為1 000 m[23-24]。

為了探討FY3與MODIS在干旱監(jiān)測方面的差異，選用2017年3月9日14：14的FY3B VIRR數(shù)據(jù)和2017年3月9日13：53的AQUA衛(wèi)星的MODIS數(shù)據(jù)(可以近似認為是同一時次)分別反演河北省中南部平原地區(qū)植被指數(shù)和地表溫度。為了方便計算，使用FY3B/VIRR第4波段和AQUA/MODIS第31波段的亮溫代替地表溫度，由圖8可以看出，F(xiàn)Y3B-VIRR數(shù)據(jù)與AQUA-MODIS數(shù)據(jù)在植被指數(shù)和地表溫度上均具有較好的相關性，r2分別為0.54和0.41。

圖9是利用TVDI模型分別反演FY3B-VIRR和AQUA-MODIS的干旱空間分布，兩者的相關性見圖10。可以看出，AQUA-MODIS與FY3B-VIRR的TVDI干旱空間分布趨勢基本保持一致，F(xiàn)Y3B-VIRR的TVDI細節(jié)更為明顯；兩者的TVDIr2為0.373，AQUA-MODIS的TVDI值比FY3B-VIRR的TVDI值略偏大；FY3在干旱監(jiān)測能力上與MODIS基本相當，有力地證實了國產(chǎn)FY3衛(wèi)星數(shù)據(jù)的可靠性和可用性較高。

表3 VIRR和MODIS通道波段

4 結(jié)論與討論

本研究以河北省中南部平原地區(qū)為研究區(qū)，采用MODIS衛(wèi)星遙感數(shù)據(jù)，基于植被指數(shù)(NDVI、EVI)和地表溫度(Ts)等信息，構(gòu)建Ts-VI特征空間，擬合干邊、濕邊方程，對比研究了TVDI、VSWI和VCI等3種干旱遙感監(jiān)測模型在河北地區(qū)的適用性，得出以下結(jié)論：

(1)TVDI與不同深度土壤相對濕度的相關性最高，VSWI次之，VCI最差；3種模型與20 cm深土壤相對濕度相關性最高，10 cm深土壤的相關性次之，50 cm深土壤的相關性最差。說明TVDI模型更適合河北省中南部的干旱監(jiān)測。

(2)在低植被覆蓋的情況下，TVDI與VSWI干旱監(jiān)測能力相當，而在中、高植被覆蓋的情況下，TVDI優(yōu)勢明顯；在高值區(qū)，NDVI較EVI更容易達到飽和，EVI對高植被覆蓋區(qū)域的變化較NDVI更為敏感。

(3)研究TVDI與降水量的關系發(fā)現(xiàn)，TVDI與降水量呈反相關關系，TVDI對前期總體降水量的響應較為敏感。

(4)FY3和MODIS的干旱空間分布高度一致，F(xiàn)Y3在干旱監(jiān)測能力上與MODIS基本相當。

由于MODIS數(shù)據(jù)為1 000 m空間分辨率數(shù)據(jù)，土壤墑情站地面實測數(shù)據(jù)為點數(shù)據(jù)，兩者在空間尺度上差異較大，今后可以考慮引入更高分辨率的遙感數(shù)據(jù)進行分析。另外，不同干旱遙感監(jiān)測模型都有其適用性和局限性，考慮到利用植被指數(shù)、地表溫度等多因子構(gòu)建的模型結(jié)果優(yōu)于單因子，在今后的模型研究中，應引入其他因子進行模型改進。