第27卷第1期长　江　科　学　院　院　报Vol .27　No .1 2010年1月Journal of Yangtze River Scientific Research I nstitute Jan .2010 收稿日期:2009207202基金项目:农业科技成果转化资金项目(05EF N216800404);长江科学院博士启动课题(YJJ0910/KJ02)作者简介:李　喆(19802),男,湖北监利人,工程师,理学博士,博士后,主要从事水旱灾情监测、生态环境监测与评估、数字流域、“3S ”技术在水利中的应用研究工作,(电话)027*********(电子信箱)lizhe@mail .crsri .cn 。

文章编号:1001-5485(2010)01-0037-05基于特征空间的遥感干旱监测方法综述李　喆1,2,谭德宝2,秦其明3,崔远来1(1.武汉大学水利水电学院,武汉　430070;2.长江科学院空间信息技术应用研究所,武汉　430010;3.北京大学地球与空间科学学院,北京　100871)摘要:遥感干旱监测是干旱监测中一个很有潜力的发展方向,其中研究比较多的是遥感特征空间法。

为此介绍了几种具有代表性的遥感特征空间方法,并将其分为3大类,即LST 2NDV I 特征空间法、N I R 2Red 特征空间法和N I R 2S W I R 特征空间法。

深入地分析它们的基本原理、方法和适用范围,对各类干旱监测方法存在的问题和发展趋势进行了探讨,指出下一步的研究方向。

关　键　词:特征空间;干旱监测;遥感中图分类号:TP79 文献标识码:A1　概　述干旱主要分为气象干旱、农业干旱、水利干旱和社会经济干旱,其中最为基础的是农业干旱。

决定农业干旱的一个重要因素是土壤水分。

土壤水分是描述地气能量变换和水循环的重要参数,也是研究地表植被水分供应正常与否的关键变量。

土壤水分的时空分布及其变化对地表水热平衡、蒸散发、土壤温度、农业墒情和区域干旱状况等都会产生显著的影响。

干旱监测一直是科学界公认的难题。

常规观测方法多采用基于测站的定点监测,需要投入大量的人力、物力和财力,而且只能获得少量的点上观测信息,难以及时地获得大面积土壤水分和作物长势信息,使得大范围旱情监测和评估缺乏时效性和代表性。

遥感技术具有覆盖范围广、空间分辨率高、重访周期短、数据获取快捷方便等优点,已经成为干旱监测领域一个很有潜力的研究方向。

根据土壤在不同光谱波段呈现不同的辐射特性,遥感干旱监测主要分为可见光2近红外、热红外和微波遥感3大类型,出现了众多的模型和方法。

可见光2近红外方法借助于土壤反射率随土壤水分增加而降低的特点,综合考虑植被生长状况和水分胁迫状况估算土壤含水量,得到了距平植被指数法[1]、土壤水分光谱法[2]等。

由于土壤光谱特征容易受到表面粗糙度、土壤质地结构、有机质含量等的影响,该类方法监测精度十分有限。

热红外遥感依据水分平衡与能量平衡的基本原理,通过土壤表面发射率(比辐射率)和地表温度之间的关系估算土壤水分,得到了热惯量法[325]、植被蒸散法[6]和作物缺水指数法[7]等。

这类方法需要较多的地面同步气象观测资料,而且容易受到地表植被状况、地形地貌等因素的干扰,计算复杂。

微波遥感基于土壤介电常数、后向散射系数和土壤水分含量之间的关系,数理模型严密,监测精度较高,可以穿透云层遮挡进行全天时、全天候观测,但容易受到地形坡度坡向、地表粗糙度、植被生长状况等干扰,监测成本非常高[8]。

陆地表面温度(LST )、归一化差值植被指数(NDV I )和反照率(albedo )等是反映地表生态物理状况的重要参数,这些要素的综合应用能够准确地反映地表干旱和水分状况。

因此,可见光2近红外、热红外和微波遥感相结合是目前农业干旱遥感监测的一个重要发展方向[9]。

其中,研究较为深入的是遥感特征空间法。

本文综述了几种具有代表性的遥感特征空间方法,将其分为3大类:LST 2NDV I 特征空间法、N I R 2Red 特征空间法和N I R 2S W I R 特征空间法,深入分析它们的基本原理、方法和适用范围,对各类干旱监测方法存在的问题和发展趋势进行了探讨,指出下一步的研究方向。

2　LST 2NDV I 特征空间法2.1　温度植被干旱指数在LST 2NDV I 特征空间的基础上,Price[10]提出 长江科学院院报 2010年 温度植被干旱指数(te mperature vegetati on dryness index,T VD I )为T VD I =T s -T s,m in T s,max -T s,m in=T s -T s,m ina +b NDV I -T s,m in,(1)其中,T s,m in =a 1+b 1NDV I,T s,max =a 2+b 2NDV I 。

式中:T s 为任意像元的地表温度;T s,m in 和T s,max 分别为地表最低和最高温度,T s,m in 和T s,max 可以通过线性回归分析提取湿边(wet edge )和干边(dry edge )获取,a 1,a 2,b 1,b 2分别为待定系数。

图1所示的LST 2NDV I 三角形特征空间中,完全缺水的干边之上的像元干旱指数为1;干边和湿边之间的像元干旱指数在0～1之间;任意数据点(NDV I,T s )的像元干旱指数为T VD I =A /B。

图1　温度植被干旱指数(TV D I)F i g .1　Te m pera ture veget a ti on dryness i n dex Price [10]认为LST 2NDV I 特征空间呈梯形分布,并采用数学方法建模,进行地面蒸散量的分析。

齐述华[11]构建了全中国3个农业气候区的NDV I 2LST,NDV I 2T 和NDV I 2ATI 空间,分别建立了温度植被干旱指数(T VD I )、温差植被干旱指数(DT VD I )和表观热惯量植被干旱指数(AVD I )3个干旱指标评价全国干旱分布,并利用实测土壤湿度对于3个指标进行检验评价。

2.2　条件植被干旱指数王鹏新等[12]提出条件植被温度指数(vegetati on te mperature conditi on index,VT C I ):VTC I =LST NDV I i ,max -LST NDV I I LST NDV I i ,max -LST NDV I i ,m in　,(2)其中,LST NDV I i ,max =a 1+b 1NDV I i ,LST NDV I i ,m in =a 2+b 2NDV I i 。

式中:LST NDV I i ,max ,LST NDV I I ,m in 分别为当NDV I i 值等于某一特定值时的土地表面温度的最大值和最小值。

a 1,a 2,b 1,b 2为待定系数,可通过NDV I 2LST 特征空间散点图线性回归而获得(图2)。

图2　条件植被温度指数(VTC I)F i g .2　Veget a ti on te m pera ture cond iti on i n dex 王鹏新等[12]综述了土地表面温度和归一化植被指数在干旱监测中的应用前景和进展,分析了距平植被指数、条件植被指数、条件温度指数和归一化温度指数等干旱监测方法的优缺点,提出了条件植被温度指数的干旱监测模型,并探讨了其应用前景。

王鹏新、孙威等[13]以陕西省关中平原和渭北旱塬为研究区域,应用199922005年每年5月上旬的AVHRR 卫星遥感数据,对比分析了条件植被指数(VC I )、条件温度指数(TC I )、距平植被指数(AV I )和条件植被温度指数(VTC I )等,结果认为:VC I 的干旱监测结果不符合研究区域干旱的分布规律,VTC I 更适合于研究区域的旱情监测。

2.3　模型评述温度植被干旱指数(T VD I )和条件植被温度指数(VT C I )都是斜率比值,其主要缺点是必须保证LST 2NDV I 特征空间具有区域代表性,即地表覆盖从裸土变化到植被完全覆盖,土壤表层含水量从凋萎系数到田间持水量的变化,因此需要研究区气象条件、地表覆盖类型、土壤属性、水系分布和灌溉状况以及作物栽培等相关背景数据[12-14]。

同时,构建LST 2NDV I 特征空间时,需要通过重采样处理统一NDV I 和LST 的空间分辨率,损失了可见光、近红外波段的一些信息;而且,陆地表面温度的反演方法比较复杂,包含了一定的误差,加大了旱情估算的不确定性。

3　N I R 2Red 特征空间法3.1　垂直干旱指数詹志明等[14]利用N I R 2Red 三角形特征空间中任意一点E (R red ,R nir )到土壤基线L 的垂直距离作为表征区域干旱状况的指标(图3),提出了垂直干旱指数(per pendicular dr ought index,P D I ),其表达式为PD I =1M 2+1(R red +M R nir ),(3)83第1期李　喆等　基于特征空间的遥感干旱监测方法综述其中,R nir =M R red +I 。

式中:R red ,R nir 分别为经过大气校正的红光和近红外波段反射率;M ,I 分别为土壤基线的斜率和截距,可以通过NDV I 2LST 特征空间中土壤基线散点图线性回归而获得。

图3　垂直干旱指数(P D I)F i g .3　Perpend i cul ar drought i n dex 詹志明[14]基于ET M +数据构建N I R 2Red 特征空间计算P D I,并以北京顺义为实验区,并使用0～20c m 平均土壤水分观测数据进行模型验证,取得较好的成果。

吾拉木[15]利用宁夏固原地区为实验区,分别选择0～10c m 和10～20c m 平均土壤水分观测数据进行模型对比,结果认为:P D I 与1～20c m 平均土壤水分观测数据的相关度最高。

同时,P D I 模型本质上是针对裸露土壤的遥感监测。

3.2　改进型垂直干旱指数针对P D I 模型的缺点,吾拉木[15]引入植被覆盖度的概念,分解混合像元以获取与旱情有关的纯净土壤信息,提出改进的垂直干旱指数(modified per 2pendicular dr ought index,MP D I ),即M PD I =R red +M R nir -f v (R red ,v +M R nir ,v )(1-f v )M2+1,(4)其中,R i,s =(R i -f v R i,v )/(1-f v )。

式中:R red ,R nir 分别为经过大气校正的红光和近红外波段反射率;f v 为植被覆盖度;M 为土壤基线的斜率,可以通过NDV I 2LST 特征空间中土壤基线散点图线性回归而获得;R i,v 和R i,s 为i 波段经过大气校正的混合像元中植被和土壤的反射率部分。