黄河三角洲地区地下水埋深遥感反演
罗浩, 王红, 施长惠
河海大学地球科学与工程学院,南京 210098
通讯作者:王 红(1968-),女,副教授,主要研究方向为湿地健康监测及恢复。 E-mail:hongwang@hhu.edu.cn

第一作者简介: 罗 浩(1986-),男,硕士研究生,主要研究方向为湿地遥感应用。 E-mail:bobo9ok@hotmail.com

摘要

黄河三角洲地区地理位置特殊,水资源供需矛盾尖锐,为了研究其地下水分布状况,使用MODIS遥感数据、实测土壤相对含水量和地下水埋深数据,利用温度植被干旱指数(temperature vegetation dryness index,TVDI)和表观热惯量法(apparent thermal inertia,ATI)对研究区土壤相对含水量进行遥感估算; 通过分析不同深度处土壤相对含水量与地下水埋深的相关性,建立了反演地下水埋深的线性方程,得到了研究区地下水埋深分布状况图。结果表明: 利用地表10cm深度处测得的土壤相对含水量反演地下水埋深的结果较为合理; 在缺少土壤相对含水量数据时,可以用反映土壤相对含水量高低的因子估算地下水的埋深。

关键词: 温度植被干旱指数(TVDI); 热惯量; 土壤相对含水量; 地下水埋深; MODIS; 黄河三角洲
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)03-0145-08 doi: 10.6046/gtzyyg.2013.03.24
Retrieving groundwater in Yellow River Delta area using remote sensing
LUO Hao, WANG Hong, SHI Changhui
School of Earth Science and Engineering, Hohai University, Nanjing 210098, China
Abstract

The geographical position of the Yellow River Delta is unique and there is a sharp contradiction between the supply and the demand of water resources. In order to study its groundwater distribution, the authors adopted MODIS satellite remote sensing data to measure soil moisture and groundwater level. The relative soil moisture was estimated by using temperature vegetation dryness index (TVDI) and apparent thermal inertia (ATI) methods. The correlation between the soil moisture at different depths and the groundwater level was analyzed, which helped to get the linear equations and calculate the groundwater depth distribution. A comparison with the measured groundwater level data shows that it is feasible to retrieve groundwater distribution by using MODIS data, and 10 cm is the best depth for the inversion of relative soil water content and groundwater level in the study area. In case when the soil moisture data are lacking, we can estimate the groundwater depth distribution by using the factors which can reflect the relative soil water content.

Keyword: temperature vegetation dryness index(TVDI); thermal inertia; relative soil water content; groundwater depth; MODIS; Yellow River Delta
0 引言

黄河三角洲是我国三大河口三角洲之一, 对我国的经济、农业等有至关重要的意义。黄河三角洲地区地下水水位高是该地区土壤盐碱化的重要原因之一[1]。地下水位高、矿化度大还会引起生态环境退化, 自然保护区鸟类数量减少等问题[2, 3]。对黄河三角洲地区地下水空间分布情况进行分析研究, 对保持当地生态平衡、防止土壤次生盐碱化以及优化调控区域水盐运动等都具有重要的作用[4]

传统的地下水位监测方法费时费力, 而且控制点少, 代表性差, 无法实现大面积动态监测。遥感技术作为宏观、综合、动态、快速监测和评价自然资源的有效手段, 为快速、大面积监测地下水提供了新的探测手段[4]。目前对地下水进行遥感探测的主要方法有环境因素遥感分析法、热红外地表异常监测法和建立遥感信息定量反演模型[5]。环境因素遥感分析法基于理论知识和实地考察, 如Finch等[6]结合流域、水系和植被光谱特征, 以目视判读为主推断出地下水存储带, 但是该方法精度不高, 应用效果相对较低; 热红外地表异常监测法利用地面温度判断地下水的存在, 较为困难, 目前尚未有成功案例; 遥感信息定量反演模型通过实验的、数学的或物理的模型将遥感信息与观测地表目标参量联系起来, 建立从遥感图像能识别和测定的与地下水有密切关系的水文因素和地下水位的定量评价模型。该方法案例较多, 如David[7]根据年度降水量和总蒸散量, 对17 a间的地下水变化进行了拟合分析; 塔西甫拉提等[8]利用卫星遥感数据, 采用遥感-数学-模型学融合的研究方法, 建立干旱区域土壤水分和地下水位的实验方程, 提出了评价地下水位分布的遥感模型— — GLDRS; 霍艾迪、郭娇等[9, 10]利用GLDRS模型对干旱区和非干旱区的地下水位分布进行遥感反演, 研究结果符合实际情况。但GLDRS模型采用光学遥感法分析像元中的土壤反射光谱来计算土壤含水量, 在高植被覆盖区的土壤含水量与地下水位的计算结果可能存在较大误差。

本次遥感反演地下水的主要依据是地下水与植被、温度、土壤相对含水量等遥感信息的相关性。黄河三角洲地区的土壤类型主要为盐土(约51%)、滨海潮土(约44.5%)、褐土(约3.5%)和少量的黑土[11]。地下水极易通过土壤毛细管作用影响地表浅层土壤含水量[12]: 当地下水埋深较浅时, 表层土壤能够保持较高的含水量; 地下水埋深较高时, 表层土壤含水低, 这使得本文建立土壤相对含水量与地下水埋深分布的关系模型具备了理论依据[8~10]。在反演地表土壤相对含水量时, 分别对高植被覆盖区与低植被覆盖区的土壤相对含水量进行反演, 以提高地下水埋深的反演精度。

1 研究区概况与数据源
1.1 研究区概况

黄河三角洲位于山东省东营市境内的黄河入海口, E 117° 30'~119° 20', N 36° 55'~38° 16'之间, 面积约6 010 km2。该地区属于温带季风型大陆性气候, 年平均气温11~13℃, 年平均降水量为530~630 mm, 其中70%的降水集中在夏季, 多年平均蒸发量为1 800~2 300 mm, 蒸降比约为3:1。近年来由于农业生产、油田开发等的用水量大增, 导致区域内地下水位降低, 生态需水难以得到充分保证; 同时土壤盐碱化与海水入侵等问题依然严重, 大片淡水湿地因缺水而萎缩, 其典型和珍稀的生态环境难以得到有效保护[13]。分析黄河三角洲地区地下水空间分布状况, 对该地区保持生态平衡具有重要意义。

1.2 数据源

本研究选取的遥感数据为2012年5月1日(Day 122)和5月4日(Day125)2期MODIS L1B原始数据, 空间分辨率有250 m, 500 m和1 000 m共3种。数据从地球观测系统计划的NASA网站上下载, 并使用MODISSWATHTOOLS软件进行了重投影参数设置, 使用ENVI对其进行大气校正等预处理。

采用的土壤水分数据为土壤相对含水量, 由野外采集所得, 数据采集时间为2012年4月30日— 5月4日。采用剖面取土的方法对每个样点(图1)分别在地表10 cm, 20 cm, 30 cm处取样, 将取得的土样放入铝盒中, 同时测量样点处地下水埋深, 并使用GPS进行样点的精确定位。对采集完成的土样进行称重, 并在实验室烘干(烘干箱温度设定为105° , 烘干时间7 h), 然后再称量干土和铝盒的共同质量, 最后共获取59个有效样点处的数据。

图1 研究区地貌类型及采样点分布[11]Fig.1 Landform types of study area and the sample points distribution[11]

2 研究方法

首先对MODIS图像进行处理, 得到比辐射率、植被指数、地表温度、地表反照率等数据, 使用植被温度指数模型与热惯量模型反演地表土壤相对含水量; 然后确定地表土壤相对含水量对地下水埋深反演的最佳深度; 最后建立土壤相对含水量与地下水埋深之间的关系模型, 反演得到地下水埋深分布图。

2.1 温度植被指数模型

应用遥感手段反演土壤相对含水量时, 如果单独以遥感获取的地表温度作为指标, 在植被覆盖不完全条件下, 较高的土壤背景温度会严重干扰土壤湿度信息[14]。植被指数提供了绿色植被的生长状况和覆盖度信息, 但它对短暂的水分协迫不敏感, 具有一定的滞后作用[15]。结合植被指数和地表温度的综合信息, 可消除土壤背景的影响, 能够较好地计算植被覆盖区的土壤相对含水量[14]

2.1.1 地表温度计算

选取覃志豪[16~17]提出的适用于MODIS数据的劈窗算法反演地表温度。该算法以地表热辐射传导方程为基础, 通过对两个热红外通道的数据建立方程来反演地表温度。在针对某些已知地表比辐射率的地表进行局地反演时, 可达到较高的反演精度, 且有较高的反演效率, 是目前应用非常广泛的陆地表面温度反演算法[18]

在用劈窗算法反演地表温度时, 大气透过率和地表比辐射率是该算法的关键参数。利用MODIS第2, 19波段计算得到大气水分含量后, 根据大气辐射传输模型LOWTRAN来模拟大气透过率与大气水分含量的关系, 最后进行大气透过率的温度校正和视角校正, 得到精度较高的大气透过率参数, 再根据此参数计算得到研究区地表温度。

2.1.2 温度植被干旱指数

一般情况下, 陆地表面温度与植被指数呈显著的负相关关系[19~20], 当研究区域的植被覆盖度和土壤水分条件变化范围较大时, Moran等[20]发现以遥感资料得到的温度(Ts)和植被指数(NDVI)分别为横、纵坐标得到的散点图呈梯形, 这就是所谓的温度植被指数空间。Sandhol等[21]在简化的三角形Ts-NDVI特征空间的基础上, 进一步提出了温度植被干旱指数(temperature vegetation dryness index, TVDI)的概念, 表示为

TVDI=(Ts-Tmin)/(Tmax-Tmin)。 (1)

对于干边, Tmax=a NDVI+b; (2)

对于湿边, Tmin=c NDVI+d。 (3)

式中: a, b, cd分别为Ts-NDVI特征空间中干边和湿边线性回归方程的拟合系数; TmaxTmin分别为地表最高温度和最低温度。在Ts-NDVI特征空间中, TVDI越大, 土壤表层水分越少, 土壤相对越干旱。对干边和湿边散点的分布进行线性拟合结果作为湿边和干边的分布位置较为合理。

在计算TVDI的过程中, 首先需要确定干边、湿边方程对应的参数, 计算研究区内植被指数条件下地表温度的极大值与极小值, 通过线性回归的方法获取Ts-NDVI特征空间的干边、湿边的方程。陆地表面水体以外地物NDVI的范围主要介于0~1.0之间, 因此, 在计算分析Ts-NDVI特征空间时主要针对此范围进行Ts-NDVI关系分析。

2.2 表观热惯量模型

在植被覆盖区, 使用TVDI法反演土壤含水量时需要确定植被覆盖度的阈值, 低于此阈值时, TVDI计算精度不高[22], 而热惯量模型在低植被覆盖区与土壤湿度有很高的相关性, 能够很好地用于反演土壤相对含水量[23]

热惯量(thermal inertia, TI)是热力学中的一个不变的物理量, 是地物阻止其温度变化幅度的一种特征, 热特征不同的物体具有不同的热惯量[24]。地表热惯量可以通过对土壤反照率和反映日温度变化的最高与最低温度的测量来获得[25]。Price[26, 27]在地表热能量平衡方程的基础上, 简化潜热蒸散发形式, 引入地表综合参数B的概念, 结合热惯量法和热惯量的遥感成像机理, 提出以下模型

Δ T= 2C1(1-A)ωP2+B2+ωPB。 (4)

式中: P为表观热惯量; A为土壤反照率; Δ T为昼夜温差; S为太阳常数(1.37× 103J· m-2); τ 为大气透过率; C1为太阳赤纬和当地纬度的函数; ω 为地球自转频率; B为表征土壤反射率、空气比湿、土壤比湿等地表综合参数。其中Sτ C1为入射的太阳总辐射量, 可用Q表示。对于一般均匀的大气条件、平坦的地表来说, τ B可认为是常数, 则式(4)可简化成

P=2Q(1-A)/Δ T 。 (5)

式中的Q(1-A)表示地表对太阳辐射的净收入。若不考虑研究区纬度、太阳偏角、日照时数, 而只考虑地表反照率和温差, 则上式可以简化为

P=(1-A)/Δ T , (6)

即表观热惯量(apparent thermal inertia, ATI)。在表观热惯量计算中包含了2个重要参数: 昼夜温差和土壤反照率。利用昼夜图像计算得到的温度相减可得到昼夜温差; 利用MODIS窄波段、宽波段的转换系数和1— 7波段的地表反射率可以得到地表土壤反照率A, 即

A=0.397 3a1+0.238 21a2+0.348 9a3+0.265 5a4+0.160 4a5-0.013 8a6+0.068 2a7+0.003 6。 (7)

A和Δ T代入式(6), 可以得到2012年5月研究区的表观热惯量。

2.3 地下水埋深反演

本次实验选取的图像成像时间为研究区降水量极少的时段, 同时也避开了当地农业生产灌溉时间(本次野外数据采集阶段, 大部分农田离最近的灌水时间已超过了2星期, 极少部分农田的灌溉时间也已过了1星期左右), 这时地表浅层土壤含水量直接受控于地下水埋深[4]。因此, 可以根据反映地表土壤干湿情况的指数(TVDI, ATI)来进行地表土壤相对含水量和地下水埋深分布的遥感反演。

温度植被干旱指数法(TVDI)适用于反演植被覆盖区域的土壤相对含水量[14], 表观热惯量法(ATI)适用于反演裸土区域的土壤相对含水量[23]。在对研究区土壤相对含水量进行遥感估算时对2种方法进行了分析, 选出了较为精确的反演结果。为得到研究区地下水分布情况, 还分析了不同深度处的土壤相对含水量和地下水埋深之间的关系, 建立了相关的数学模型, 再利用反演得到的整个研究区的土壤相对含水量计算地下水埋深。

3 结果与分析
3.1 土壤相对含水量反演

根据劈窗算法计算得到的温度显示, 2012年5月初黄河三角洲白天平均温度为26.67 ℃, 最高温度为27~35 ℃, 日温差可达7~16 ℃。湿地、河流、大型水域等由于水面比热容大, 相对于周围温度要低4 ℃左右。查阅黄河三角洲的气象资料得知, 2012年5月1日— 5月4日之间该地区降雨较少(日降水量低于1 mm), 最高气温为25~34 ℃, 最低气温12~18 ℃, 平均气温25.7 ℃。两者对比表明, 劈窗算法的计算结果准确度较高。

根据温度(Ts)和植被指数(NDVI)计算研究区的Ts-NDVI特征空间(图2)。

图2 Ts-NDVI特征空间Fig.2 Ts-NDVI space

随着NDVI的增加, 对应干边和湿边的变化趋势具有明显拐点(斜率正负的变化)。在建立干边、湿边线性拟合方程时, 须对不同NDVI像元处的变化状况进行分析: 若从NDVI=0处开始计算干边湿边, 计算的结果不准确且不能构成准确的Ts-NDVI特征空间[27]。目视判读可知, 在NDVI=0.35处, 湿边变化趋势有明显的拐点, 在NDVI≥ 0.35处开始计算的干边湿边能很好地构成Ts-NDVI特征空间, 可以使用温度植被指数法来估算土壤相对含水量; NDVI< 0.35的区域占研究区总面积的26.65%, 主要为河流、湖泊和沿海滩涂, 这些地区土壤相对含水量高, 需要另外分析。最终计算出干边、湿边的拟合结果(图3)。

图3 干、湿地的拟合结果Fig.3 Fitting results of the dry edge and wet edge

使用TVDI法计算得到的研究区TVDI值主要位于0~1之间。其中水域的面积占研究区的2%, TVDI< 0, 这部分像元拟合时不需要考虑。本次研究选取了41个样点(该部分样点位于NDVI≥ 0.35区域内), 对各样点土壤相对含水量数据与该点的TVDI值进行插值分析, 其余点作为验证点。结果如图4所示。

图4 不同深度处土壤相对含水量与TVDI的相关性Fig.4 Correlation between TVDI and soil moisture in different depth

图4可以看出: TVDI值越高, 土壤相对含水量越低。对TVDI与10 cm, 20 cm, 30 cm深度处的土壤相对含水量的相关性进行分析, 其对数函数均通过了α =0.001水平的t检验, 其中TVDI值与10 cm深度处的土壤相对含水量相关性最好, 决定系数R2=0.772 3。因此可以根据10 cm处的土壤相对含水量与TVDI值的回归方程, 计算得到图像中的地表土壤相对含水量。

同时对NDVI< 0.35的区域使用表观热惯量模型反演土壤相对含水量。首先计算得到整个研究区的表观热惯量, 热惯量值主要集中在0.06~0.1之间, 大于0.1的区域为水域, 将NDVI< 0.35的区域提取出来。此区域主要为沿海滩涂, ATI> 0.1, 区域内有12个采样点, 样点测得的10 cm处土壤相对含水量在22.2%~53.9%之间。根据热惯量法反演得到的土壤相对含水量与实测值之间差异较大, ATI值与土壤相对含水量之间的拟合方程没有通过置信度α =0.001水平的t检验, 显著性P> 0.5, R2=0.217。

已有研究表明, TVDI能够较好地反映全国4— 10月的土壤水分情况[28]。本次研究中高、低植被覆盖区的土壤相对含水量均较高, Ts-NDVI特征空间较好地反映了整个研究区的土壤含水量情况: 高NDVI地区蒸发量随着NDVI增大而增大; 但是在低NDVI的沿海滩涂地区, 蒸发量随着NDVI降低而增大。在计算研究区的土壤相对含水量时, 对低植被覆盖区单独拟合干边、湿边, 并计算得到了TVDI值。最后根据土壤相对含水量与地下水埋深关系, 计算了整个研究区土壤相对含水量的分布状况。

3.2 地下水埋深反演

3.2.1 用土壤相对含水量反演地下水埋深

为了确定反演地下水埋深的最佳深度, 需要对不同深度处(10 cm, 20 cm, 30 cm)的土壤相对含水量和地下水埋深的相关性进行分析, 结果如图5所示。

图5 不同深度土壤相对含水量与地下水埋深之间的关系Fig.5 Correlation between soil moisture in different depth and groundwater depth

图5可知, 在10 cm深度处研究区土壤相对含水量与地下水埋深之间的相关性最好, 20 cm处次之, 30 cm处最差。根据土壤相对含水量与地下水埋深的关系模型计算得到研究区2012年5月1日的地下水埋深分布图(图6)。

图6 土壤相对含水量反演地下水埋深Fig.6 Groundwater depth inversion with soil moisture

图6可知, 研究区地下水埋深在0~3.5 m之间, 平均值1.22 m。

3.2.2 用TVDI反演地下水埋深

由于10 cm, 20 cm深度处的土壤相对含水量和地下水埋深位之间的相关性关分析通过了α =0.001水平的t检验, 可以使用由TVDI估算得到的研究区10 cm深度处的土壤相对含水量来反演地下水埋深。TVDI直接反映了土壤含水量的高低, 所以TVDI可以间接反映地下水的埋深情况。对TVDI与地下水埋深之间的关系进行分析, 结果如图7所示。

图7 TVDI与地下水埋深的相关性Fig.7 Correlation between TVDI and groundwater depth

图7可知, TVDI与地下水埋深之间的相关性较高, 决定系数R2=0.789 7, 在缺少地表实测土壤相对含水量的情况下, 可以首先根据TVDI值来反演地下水埋深, 然后计算整个研究区地下水埋深, 制作水深分布图(图8)。

图8 TVDI反演地下水埋深Fig.8 Groundwater depth inversion with TVDI

分析图8可知, 利用TVDI反演得到的地下水分布情况与图6一致, 但数值上存在一定差异: 地下水埋深最低值0 m, 最高值3.92 m, 平均埋深1.12 m。在黄河两岸, 地下水埋深向两侧递减; 在沿海区域, 地下水埋藏较浅。结合图1的地貌图可以看出, 地下水的埋深分布受到地貌的影响, 使用插值方法和TVDI法反演的地下水埋深分布图与范晓梅[9]使用Modflow模型模拟的的春季的黄河三角洲地下水位分布一致。

3.2.3 反演结果验证

在得到研究区地下水埋深分布图后, 选取2012年其余18个点的点位数据对反演结果进行了验证。根据实测样点的经纬度值, 从反演的结果图像上选出对应的地下水埋深值, 对实测数据和反演结果进行比较, 如图9所示。

图9 实测地下水埋深与遥感反演结果比较Fig.9 Comparison between measured groundwater depth and remote sensing retrieval results

图9可知, 根据土壤相对含水量反演得到的地下水埋深精度较高, 均方根误差为0.431; 根据TVDI反演得到的地下水埋深精度略低, 均方根误差为0.439。Ts-NDVI空间中干边湿边的拟合结果对反演精度影响最大; 反演结果中较为精确的点位于沿海滩涂, 该区域位于研究区中最湿润的地区, 土壤相对含水量高, 地下水埋深小于1 m, 计算得到的地下水埋深数据与实测值差异小; 在黄河两岸, 反演得到的地下水埋藏较深, 该地区主要为棉田和居民区, 受人类活动的影响, 该地区的地下水埋深反演结果误差相对其他地区为大; 部分实测样点处的数据对1 km× 1 km范围内的土壤相对含水量和地下水埋深数据的代表性不够好(如验证点中有7, 8, 10号点位于居民区附近), 反演结果与实测值相差较大; 在较干旱地区, 各样点之间10 cm深度处的土壤相对含水量相差不大, 反演得到的地下水埋深分布与实际情况存在较大误差, 使用20 cm深度处土壤相对含水量数据反演的结果可能会相对精确些, 但研究区干旱区所占面积很少, 对整个研究区并不适用。由于研究区地下水观测井较少, 使用土钻所能测得的地下水埋深最大值为2.5 m, 在地下水埋深较深的地区的反演结果未能验证。

4 结论

1) 在地下水埋藏深度较浅的区域, 通过MODIS图像对地下水埋深进行遥感反演是可行的, 该方法能够简单快速地得到大范围地区地下水埋深分布状况。

2) 用温度植被指数法反演土壤相对含水量时, 温度和降水情况对结果影响很大, 需要选取前后几天无降水时的图像。在Ts-NDVI特征空间中观察得到的干边很大程度上受研究区土壤相对含水量的影响, 不能代表理论上的最干旱情况。

3) 高植被覆盖区与低植被覆盖区尚没有理想的区分方法。在土壤含水量高的低植被覆盖区, 热惯量法反演得到的结果精度不高。

4) 在缺少实测的土壤含水量数据时, 可以根据反映土壤相对含水量高低的因子(TVDI, ATI等)间接地反演地下水埋深分布状况。

The authors have declared that no competing interests exist.

参考文献
[1] 张效龙, 孙永福, 刘敦武. 黄河三角洲地区地下水分析[J]. 海洋地质动态, 2005, 21(6): 26-28.
Zhang X L, Sun Y F, Liu D W. Analysis of groundwater in the Yellow River Delta areas[J]. Marine Geology Letters, 2005, 21(6): 26-28. [本文引用:1] [CJCR: 0.468]
[2] 陈利顶, 傅伯杰. 黄河三角洲地区人类活动对景观结构的影响分析[J]. 生态学报, 1996, 16(4): 337-344.
Chen L X, Fu B J. Analysis of impact of human activity on land scape structure in Yellow River Delta[J]. Acta Ecologica Sinica, 1996, 16(4): 337-344. [本文引用:1]
[3] 郗金标, 宋玉民. 黄河三角洲生态系统特征与演替规律[J]. 东北林业大学学报, 2002, 30(6): 100-102.
Xi J B, Song Y M. The characteristics and succession law of ecosystem in Yellow River Delta[J]. Journal of Northeast Forestry University, 2002, 30(6): 100-102. [本文引用:1] [CJCR: 0.63]
[4] 姚荣江, 杨劲松, 刘广明. 黄河三角洲地区典型地块地下水特征的空间变异性研究[J]. 土壤通报, 2006, 37(6): 1071-1075.
Yao R J, Yang J S, Liu G M. Spatial variability of groundwater properties in some typical areas of the Yellow River Delta[J]. Chinese Journal of Soil Science, 2006, 37(6): 1071-1075. [本文引用:3] [CJCR: 0.89]
[5] 阿布都瓦斯提·吾拉木, 秦其明. 地下水遥感监测研究进展[J]. 农业工程学报, 2004, 20(1): 184-188.
Ghulam A, Qin Q M. Overview on methods and theories of remote sensing monitoring and exploration of groundwater[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(1): 184-188. [本文引用:1] [CJCR: 2.121]
[6] Finch J W. Location of high yielding groundwater sites in zimbabwe use of remote sensed data[C]//Remote Sensing: An Operational Technology for the Mining and Petroleum Industries, 1990, 147-152. [本文引用:1]
[7] Groeneveld D. Remotely-sensed groundwater evapotranspiration from alkaliscrubaffected by declining water table[J]. Journal of Hydrology, 2008, 356(3-4): 294-303. [本文引用:1] [JCR: 2.693]
[8] 塔西普拉提·特依拜, 阿布都瓦斯提·吾拉木. 绿洲—荒漠交错带地下水位分布的遥感模型研究[J]. 遥感学报, 2002, 6(4): 299-305.
Tiyip T, Ghulam A. Research on model of groundwater level distribution in the oasis and desert ecotone using remote sensing[J]. Journal of Remote Sensing, 2002, 6(4): 299-305. [本文引用:2] [CJCR: 1.077]
[9] Huo A D, Chen X H, Li H K, et al. Development and testing of a remote sensing-based model for estimating groundwater levels in Aeolian desert areas of China[J]. Canadian Journal of Soil Science, 2011, 91(1): 29-37. [本文引用:2] [JCR: 1.0]
[10] 郭娇, 石建省, 叶浩, . 黄河三角洲地下水位分布的遥感模型研究[J]. 水文地质工程地质, 2009, 36(2): 19-24.
Guo J, Shi J S, Ye H, et al. Remote sensing modeling of groundwater level distribution in the Yellow River Delta[J]. Hudrogeology and Engineering Geology, 2009, 36(2): 19-24. [本文引用:2]
[11] 刘高焕, Drost H J. 黄河三角洲可持续发展图集[M]. 北京: 测绘出版社, 1997: 6-7.
Liu G H, Drost H J. Atlas of the Yellow River Delta[M]. Beijing: The Publishing House of Serveying and Mapping, 1997: 6-7. [本文引用:1]
[12] 范晓梅. 黄河三角洲土壤盐渍化时空动态及水盐运移过程模拟[D]. 北京: 中国科学院研究生院, 2010.
Fang X M. The soatiotemporal dynamics of saline soils and combing water and salt siimulation in the Yellow River Delta[D]. Beijing: Chinese Academy of Sciences, 2010. [本文引用:1]
[13] 陈维峰, 周维芝, 史衍玺. 黄河三角洲湿地面临的问题及其保护[J]. 农业环境科学学报, 2003, 22(4): 499-5024.
Chen W F, Zhou W Z, Shi Y X. Crisis of wetland s in the Yellow River Delta and its protection[J]. Journal of Agro-Environmental Science, 2003, 22(4): 499-502. [本文引用:1]
[14] 姚春生, 张增祥, 汪潇. 使用温度植被干旱指数法(TVDI)反演新疆土壤湿度[J]. 遥感技术与应用, 2004, 19(6): 473-478.
Yao C S, Zhang Z X, Wang X. Evaluating soil moisture status in Xinjiang using the temperature vegetation dryness index[J]. Remote Sensing Technology and Application, 2004, 19(6): 473-478. [本文引用:3] [CJCR: 1.047]
[15] Son N T, Chen C F, Chen C R, et al. Monitoring agricultural drought in the Lower Mekong Basin using MODIS NDVI and land surface temperature data[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 417-427. [本文引用:1] [JCR: 2.539]
[16] 覃志豪, 高懋芳, 秦晓敏, . 农业旱灾监测中的地表温度遥感反演方法——以MODIS数据为例[J]. 自然灾害学报, 2005, 14(4): 64-71.
Qin Z H, Gao M F, Qin X M, et al. Methodology to retrieve land surface temperature from MODIS data for agricultural drought monitoring in China[J]. Journal of Natural Disasters, 2005, 14(4): 64-71. [本文引用:1] [CJCR: 1.081]
[17] 毛克彪, 覃志豪, 施建成, . 针对MODIS影像的劈窗算法研究[J]. 武汉大学学报信息科学版, 2005, 30(8): 703-707.
Mao K B, Qin Z H, Shi J C, et al. The Research of split-window algorithm on the MODIS[J]. Editorial Board of Geomatics and Information Science of Wuhan University, 2005, 30(8): 703-707. [本文引用:1]
[18] 俞宏, 石汉青. 利用分裂窗算法反演陆地表面温度的研究进展[J]. 气象科学, 2002, 22(4): 494-499.
Yu H, Shi H Q. Progress in split-window algorithms for retrieving land surface temperature[J]. Scientia Meteorological Sinica, 2002, 22(4): 494-499. [本文引用:1]
[19] Goetz S J. Multi-sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site[J]. International Journal of Remote Sensing, 1997, 18(1): 71-79. [本文引用:1]
[20] Moran M S, Clarke T R, Inoue Y, et al. Estimating crop water deficit using the relation between surface-air temperatureand spectural vegetation index[J]. Remote Sensing of Environment, 1994, 49(3): 246-263. [本文引用:2] [JCR: 4.769]
[21] Sand holt 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. [本文引用:1] [JCR: 4.769]
[22] Carlson T N, Gillies R R, Perry M A. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews, 1994, 9(1/2): 161-173. [本文引用:1]
[23] Price J C. The limited utility of apparent thermal inertia original research article[J]. Remote Sensing of Environment, 1985, 18(1): 59-73. [本文引用:2] [JCR: 4.769]
[24] Watson K, Pohn H A. Thermal inertia mapping from satellites discrimination of geologic units in Oman[J]. Journal of Research of U. S. Geological Survey, 1974, 2(2): 147-158. [本文引用:1]
[25] Pratt D A, Foster S J, Ellyett C D. A calibration procedure for fourier series thermal inertia model[J]. Photogram-metric Engineering and Remote Sensing, 1980, 46(4): 529-538. [本文引用:1]
[26] Price J C. Using spatial context in satellite data to infer regional scale evapotranspi-ration[J] . IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(5): 940-948. [本文引用:1] [JCR: 2.933]
[27] Price J C. Thermal inertia mapping: A new view of the earth[J]. Journal of Geophysical Research, 1982, 82(18): 2582-2590. [本文引用:2]
[28] 冉琼. 全国土壤湿度及其变化的遥感反演与分析[D]. 北京: 中国科学院研究生院, 2005.
Ran Q. Retrieval of soil moisture status in China and analysis of spatial and temporal distribution characteristics[D]. Beijing: Chinese Academy of Sciences, 2005. [本文引用:1]