国土资源遥感, 2019, 31(2): 172-179 doi: 10.6046/gtzyyg.2019.02.24

技术应用

MODIS数据在陕西省干旱监测中的应用

刘英1, 岳辉1, 侯恩科2

1.西安科技大学测绘科学与技术学院,西安 710054

2.西安科技大学地质与环境学院,西安 710054

Drought monitoring based on MODIS in Shaanxi

LIU Ying1, YUE Hui1, HOU Enke2

1.College of Geomatics, Xi’an University of Science and Technology, Xi’an 710054, China;

2.School of Geology and Environment, Xi’an University of Science and Technology, Xi’an 710054, China;

责任编辑: 张仙

收稿日期: 2017-11-2   修回日期: 2018-07-5   网络出版日期: 2019-06-15

基金资助: 国家自然科学基金项目“荒漠化矿区土壤湿度多分辨率时空演变机理研究”.  41401496
中国博士后科学基金项目“荒漠化矿区湖泊水量平衡遥感估算”共同资助.  2016M592815

Received: 2017-11-2   Revised: 2018-07-5   Online: 2019-06-15

作者简介 About authors

刘英(1982-),女,副教授,博士,主要从事环境遥感研究。Email:liuying712100@163.com。 。

摘要

以MODIS归一化差异植被指数(normalized difference vegetation index,NDVI)和陆地表面温度(land surface temperature,Ts)数据为基础,构建双抛物线型NDVI-Ts特征空间,利用实测土壤湿度对其进行验证,并基于该特征空间的温度植被干旱指数(temperature vegetation dryness index,TVDI)监测和分析了2000—2016年间陕西省旱情时空分布特征和规律。结果表明,NDVI-Ts特征空间呈双抛物线型,基于该特征空间的TVDI与10 cm深土壤湿度呈显著负相关关系(P<0.05)。空间上,2000—2016年间陕西省旱情主要分布在陕北西北部、北部以及关中北部、东部地区; 时间上,2000年陕西省受旱面积占比为31.95%,2016年为27.65%。榆林市北部大部分地区、延安市中部部分地区、关中地区中部以及陕南零散地区旱情得到显著缓解,约占14.45%,而全省84.48%地区旱情虽发生了变化,但变化不显著; 全省97.62%地区变异系数较小,位于00.8之间,主要分布在陕北北部和关中南部,表明全省旱情较稳定。全省23.74%地区旱情与降雨量呈显著负相关关系(P<0.1),随着降雨量的增加TVDI减少,旱情越轻,主要分布在陕西省榆林市大部分地区,延安市中部部分地区,汉中市北部、西北部,安康市、渭南市北部、商洛市东部部分地区及宝鸡市西部、北部部分地区; 其余地区旱情变化并未受到降雨量显著影响。进一步分析表明,平均气温也不是影响陕西省旱情变化的主导因素。

关键词： 干旱 ; 遥感 ; MODIS ; 双抛物线型NDVI-Ts特征空间 ; 陕西省

Abstract

Based on MODIS normalized difference vegetation index (NDVI) and land surface temperature (Ts) data, the authors constructed a bi-parabolic NDVI-Ts space which was verified by the filed measured soil moisture, and monitored the spatial and temporal distribution characteristics of drought conditions in Shaanxi Province from 2000 to 2016 based on the TVDI obtained from bi-parabolic NDVI-Ts space. The results show that the NDVI-Ts space was bi-parabolic and there was a significant negative correlation (P<0.05) between TVDI and 10 cm depth filed measured soil moisture. Spatially, the drought in Shaanxi Province during 2000—2016 were mainly distributed in the northwest, north of Shaanxi and the northeastern regions of Guanzhong plain; the drought area of Shaanxi Province accounted for 31.95% in 2000 and 27.65% in 2016, respectively. It is found that drought was significantly relieved in most northern part of Yulin City, the middle part of Yan’an City and the central part of Guanzhong Plain and some parts of southern Shaanxi, which accounted for 14.45 %. The drought conditions in 84.48 % of the province were changed, but the change failed to pass the significant test. 97.62% of the province had a small variation coefficient, which was between 0 and 0.8. It was mainly distributed in northern Shaanxi, south of Guanzhong Plain, and it showed that the drought conditions were stable in Shaanxi Province. There was a significant negative correlation between drought and annual precipitation, accounting for 23.74 % (P<0.1). With the increase of rainfall, TVDI decreased, and the drought was relieved. It was mainly distributed in most areas of Yulin City, central parts of Yan’an City, north and northwest of Hanzhong City, Ankang City, northern parts of Weinan City, eastern parts of Shangluo City and western and northern parts of Baoji City. It is found that the changes of drought in other areas were not significantly affected by precipitation. The annual temperature was not dominant factors that resulted in the change of drought in Shaanxi Province.

Keywords： drought ; remote sensing ; MODIS ; bi-parabolic NDVI-Ts space ; Shaanxi Province

PDF (3809KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘英, 岳辉, 侯恩科. MODIS数据在陕西省干旱监测中的应用. 国土资源遥感[J], 2019, 31(2): 172-179 doi:10.6046/gtzyyg.2019.02.24

LIU Ying, YUE Hui, HOU Enke. Drought monitoring based on MODIS in Shaanxi. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(2): 172-179 doi:10.6046/gtzyyg.2019.02.24

0 引言

干旱是一种水量相对缺失的自然现象,大致分为气象干旱、农业干旱、水文干旱和社会经济干旱4种类型[1]。作为一种较常见而且危害较大的自然灾害,干旱可以导致人的免疫力下降,严重危害农牧业的生产,导致生态环境进一步恶化,并可能引起其他自然灾害的发生。我国旱情具有危害范围广、持续时间长、灾害呈地区性、周期性出现等特点[2]。

在旱情遥感监测方面,国外很早就提出了使用归一化差异植被指数(normalized difference vegetation index,NDVI)等植被指数和陆地表面温度(land surface temperature,Ts)进行土壤湿度监测[3]。2002年,Sandholt等[4]基于简化三角形NDVI-Ts特征空间提出温度植被干旱指数(temperature vegetation dryness index,TVDI)计算公式。2004年,Wan等[5]基于中分辨率成像扫描仪(moderate resolution imaging spectroradiomete,MODIS)数据获取NDVI和Ts,提出条件温度植被指数(vegetation-temperature condition index,VTCI),指出VTCI是一种实时旱情监测方法; 2008年,Bajgiran等[6]发现NDVI和植被条件指数能够反映降雨量的波动,并反映干旱情况; 2016年,Haroon等[7]利用干旱严重程度指数监测旱情,指出该指数可用于评价平原地区农地旱情; 2017年,Du等[8]提出改进型温度植被干旱指数(modified TVDI,TVDIm),指出与TVDI相比,TVDIm在中国半干旱地区旱情监测中表现更好。

国内有很多学者对陕西全省或其他地区进行过旱情监测。2010年,闫娜等[9]使用MODIS数据NDVI和增强型植被指数(enhanced vegetation index,EVI),分别构建NDVI-Ts和EVI-Ts特征空间,指出基于上述特征空间的TVDI均可用于监测陕西省旱情; 2014年,李菁等[10]利用改进型能量指数、垂直干旱植被指数和地表含水量指数分别监测陕北旱情,并用实测土壤湿度数据进行验证,指出3种指数均可用于土壤湿度或干旱监测; 2015年,白雪娇等[11]在计算关中平原2003—2014年间每年3月上旬—5月下旬的旬时间尺度VTCI的基础上,采用结构相似度定量研究关中平原VTCI的空间变化特征,指出引入结构相似度的VTCI能够定量、准确、形象地描述旱情的空间分布特征和变化规律; 2016年,权文婷等[12]利用风云3号卫星中分辨率光谱成像仪(medium resolution imagery,MERSI)数据及同期MODIS数据,分别构建多波段干旱指数,并利用实测土壤湿度数据进行验证,指出相比MODIS,MERSI能更好地监测旱情。

陕西省素有“十年九旱”之称,由粮仓关中平原、陕北荒漠化能源基地和陕南旅游区3部分组成,对干旱的响应极为敏感,准确、有效的旱情监测对确保粮食生产、能源供给和经济发展至关重要。本文利用陕西省2000—2016年间MODIS NDVI和Ts数据,构建双抛物线型NDVI-Ts特征空间,利用基于该特征空间的TVDI监测陕西省干旱时空分布特征和规律,并分析陕西省旱情变化趋势、稳定性及其影响因素,以期为陕西省防灾减灾提供科学依据。

1 研究区概况及数据源

1.1 研究区概况

陕西省位于我国西北部,地理坐标: E105°29'111°15',N34°42'39°35',面积约20.58万km2。陕西省地势南北较高、中间相对较低,从北往南可分为陕北的高原地区、关中的平原地区以及陕南的山地地区。由北向南横跨3种气候区: 陕北的中温带气候区、关中的暖温带气候区及陕南的亚热带气候区。全年平均气温为18.7 ℃,自北向南,自西向东递增; 年平均降雨量为3401 240 mm,南多北少,由南向北递减[12]。

1.2 数据源及其预处理

在美国国家航空航天局(National Aeronautics and Space Administration,NASA)网站(http://revert.echo.nnsn.gov/revert/)下载陕西省2000—2016年8 d合成全球1 km 地表温度/发射率数据集MOD11A2、全球1 km植被指数月合成数据集MOD13A2。数据预处理包括投影转换、裁剪等。从MOD13A2和MOD11A2 中分别获取研究区NDVI和Ts数据,并利用最大化合成法[13]获取2000—2016年间每年最大化NDVI和Ts。

2 研究方法

2.1 基于NDVI-Ts特征空间的土壤湿度监测模型

本文利用双抛物线型NDVI-Ts特征空间的TVDI进行旱情监测[13,14],其计算公式为[4]

TVDI=Ts-TsminTsmax-Tsmin,

式中: TVDI为温度植被干旱指数; Ts为任意像元地表温度,K; Tsmin为某一NDVI对应的最小地表温度,对应NDVI-Ts 特征空间的湿边; Tsmax为某一NDVI对应的最大地表温度,对应NDVI-Ts 特征空间的干边。

Tsmax 和Tsmin 可通过双抛物线型NDVI-Ts特征空间干、湿边模拟得到[13,14],即

Tsmax=a1NDVI2+b1NDVI+c1,
Tsmin=a2NDVI2+b2NDVI+c2,

式中a1,a2,b1,b2,c1和c2分别为干湿边方程系数,由线性拟合得到。

TVDI的取值范围为[0,1],TVDI越大,Ts越接近干边,旱情越严重; 反之,TVDI越小,Ts 越接近湿边,旱情越轻。

2.2 一元线性回归分析

采用一元线性回归法分析每一个像元在2000—2016年间的变化趋势,TVDI的变化率即为每一个像元17 a间的一元线性回归方程的斜率,计算公式为[15]

slope=n∑i=1niTVDIi-∑i=1ni∑i=1nTVDIin∑i=1ni2-(∑i=1ni)2,

式中: slope为TVDI的变化趋势; TVDIi为某一年的温度植被干旱指数; 变量i为时间单位年的序号; n为总年数,本文为17。

2.3 稳定性分析

变异系数反映事物离散程度,其值越大反映该地区TVDI越不稳定,说明该地区土壤湿度不稳定、变化程度大; 反之,其值越小反映该地区TVDI越稳定,说明该地区土壤湿度稳定、变化程度大。其计算公式为

Cv=S/TVDI————,
S=∑in(TVDIi-TVDI————)2n-1　,

式中: Cv为变异系数; S为标准差; TVDI————为17 a间TVDI平均值。

2.4 相关系数法

从中国气象数据网(http://data.cma.cn)下载陕西省境内30个气象站点2000—2013年间的年降雨量、降雨距平百分率、平均气温和平均气温距平数据。借助Pearson相关系数分析TVDI与上述4个气象因子的相关性。其计算公式为

R=N∑xiyi-∑xi∑yiN∑xi2-(∑xi)2　N∑yi2-(∑yi)2　

式中: R为Pearson相关系数; xi为TVDI; yi为气象因子。R值的范围为[-1,1],当R=0时,2个变量之间无相关性; 当R>0时为正相关,且越接近于1正相关性越强; 当R<0时为负相关,且越接近于-1负相关性越强。

3 结果与分析

3.1 NDVI-Ts特征空间

图1为NDVI-Ts特征空间散点图示例。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   2000—2016年间NDVI-Ts特征空间散点图

Fig.1   Scatter plots in NDVI-Ts space from 2000 to 2016


利用JAVA软件按0.01步长编程分别提取2000—2016年间各年的干湿边散点,并在Excel软件中获取NDVI-Ts特征空间干、湿边方程,并选择2000年、2005年、2010年和2016年展示。由图1可知,特征空间大致呈双抛物线型特征,干边的可决系数R2绝大部分在0.75以上; 湿边的R2绝大部分在0.5以上,说明二次多项式拟合方程能够很好地反映干湿边变化趋势。

3.2 TVDI与土壤湿度相关性验证

利用陕西省30个气象站实测地表1">表10 cm,20 cm和50 cm深度土壤湿度数据分别与TVDI进行相关分析。分别以2013年5月9日、24日和9月14日、30日TVDI为横坐标,以土壤湿度数据为纵坐标,构建TVDI-土壤湿度散点图,并计算其R2(表1)。

表1   实测土壤湿度与TVDI可决系数R2

Tab.1  Linear correlation R2 between TVDI and field-measured soil moisture

时间R2
10 cm深度20 cm深度50 cm深度
201305090.555*0.4050.211
201305240.325*0.2730.099
201309140.318*0.2360.267
201309300.445*0.4330.217

注: *表示通过P<0.05显著性检验。

新窗口打开| 下载CSV


各期TVDI与表层土壤湿度之间均存在负相关关系,TVDI越大,土壤湿度越低; 反之,土壤湿度越高。由表1可知,随着土壤深度的增加TVDI与土壤湿度相关性逐渐下降,说明TVDI与土壤表层湿度相关性更好,且与10 cm深度处土壤湿度相关性通过了P<0.05显著性验证。总体来看,TVDI虽与土壤湿度散点图离散程度较高,但相关性较高,因此基于双抛物线型NDVI-Ts 特征空间的TVDI可作为旱情遥感监测指标。

3.3 陕西省旱情时空分布特征

依据TVDI的大小将旱性划分为5类[14]: TVDI位于[0,0.2)之间为极湿润; TVDI位于[0.2,0.4)之间为湿润; TVDI位于[0.4,0.6)之间为正常; TVDI位于[0.6,0.8)之间为干旱; TVDI位于[0.8,1]之间为极干旱。影像中水体或云层区域TVDI为负值,因此将TVDI<0的地区划分为水或云。利用ArcGIS10.2软件,制作了陕西省2000—2016年间每一年的旱情等级分布图,统计了每一年的各旱情等级面积比例,并选择2000年、2005年、2010年和2016年典型年份展示(图2)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2000—2016年陕西省旱情时空分布

Fig.2   Drought distribution of Shaanxi Province during 2000—2016


由2000—2016年陕西省旱情时空分布情况可知,17 a间陕西省旱情时空分布特征为:

1)17 a间陕西省受到旱情影响面积比例在16.58%43.13%之间波动,17 a来受旱面积比例均值为30.26%; 其中,2014年旱情面积最小,为16.58%; 2001年旱情面积高达43.13%。

2)2000年陕西省受旱总面积占比为31.95%,旱情集中分布在陕北地区及关中的偏南地区,少数分布在陕南地区的西侧区域; 2001年旱情较2000年严重,受旱总面积占比为43.13%,在陕北地区及关中地区均出现大面积旱情,陕南地区鲜有旱情出现; 2002年受旱总面积占29.42%,旱情主要发生在陕北及关中地区,且关中地区旱情相较于2001年向北扩散; 2003年受旱总面积占22.76%,主要发生在关中、陕北地区,但关中北部大部分地区土壤较湿润; 2004年受旱面积占31.59%,受旱面积仍然主要集中在陕北及关中地区的北侧。

3)2005年受旱面积占37.82%,陕北旱情加剧,尤其是陕北北部,关中地区旱情相对集中在南部及东部,陕南地区基本无旱情。2006年受旱面积占31.49%,陕北北部及关中中部等部分地区出现了严重干旱,陕北其他地区也出现旱情; 2007年受旱面积占28.36%,陕北西部、关中南部及陕南东部出现干旱和极干旱情况; 与往年相比,2008年旱情有所缓解,受旱面积占19.99%,旱情发生在陕北西部及关中南部,陕北东部少部分地区出现旱情; 2009年受旱面积占36.14%,陕北整个地区出现大面积旱情,其中西部地区出现了极干旱情况,关中南部旱情有所缓解。

4)2010年受旱面积占37.72%,陕北地区依旧大面积受旱,但极干旱情况相对减少,关中南部地区旱情有所加剧。2011年受旱面积占27.66%,陕北旱情略有缓解,关中南部旱情也明显缓解,但陕南东部部分地区出现了旱情。2012年受旱面积占30.86%,陕北地区干旱分布相对零散,但遍及整个陕北,关中南部及东部大部分地区出现干旱和少量极干旱; 2013年受旱面积占28.69%,陕北旱情有所缓解,集中分布于西部和中部,关中南部及中部地区旱情加重; 2014年全省旱情明显缓解,受旱面积占16.58%,旱情只出现在了陕北北部和关中南部部分地区; 2015年受旱总面积上升为31.91%,集中在陕北和关中南部,但全省湿润及极湿润地区尤其是在陕南地区出现明显减少,正常地区明显增加。2016年受旱面积占27.65%,旱情集中于陕北北部及关中南部及东部少量地区,湿润地区较2015年有明显增加,且正常地区明显减少。

3.4 变化趋势与稳定性分析

利用式(4)计算得到17 a间TVDI变化趋势值slope,并进行显著性检验(P<0.05)(图3(a)); 进一步利用式(5)和(6)计算得到TVDI变异系数Cv(图3(b))。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   陕西省TVDI变化趋势及变异系数

Fig.3   Classification of TVDI slope and variation coefficient in Shaanxi Province


由图3(a)可知,全省大约69.13%区域旱情缓解不显著,主要分布在陕南大部分地区、关中南部和北部地区、榆林市北部和南部部分地区以及延安市南部、北部和中部大部分地区,也就是说这些地区旱情状况在这17 a间变化不大; 全省大约14.45%地区旱情得到显著缓解,主要分布在榆林市北部大部分地区、延安市中部部分地区、关中地区中部以及陕南零散地区; 全省大约15.35%地区旱情有所加剧,但是加剧不显著,主要分布在榆林市南部及西北部、关中北部及南部部分地区、陕南部分地区,在上述地区中仅有0.88%地区旱情显著加剧。

由图3(b)可知,全省97.62%地区Cv<0.8,主要分布在陕北、关中和陕南大部分地区,说明17 a来这些地区TVDI变化不大,旱情比较稳定,土壤湿度变化不大; 仅有2.38%区域Cv>0.8,主要分布在陕南西南部及南部部分地区,基本与陕南旱情有所加剧的区域重合或者分布其周围。

以上分析表明,全省约84.48%区域旱情发生了变化,但是变化不显著,旱情变化显著区域仅占15.52%。

3.5 影响因素分析

为探究TVDI的影响因素,选择降雨量、平均温度和平均气温距平3个因素与TVDI进行相关性分析(图4)。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   TVDI与降雨量、平均温度和平均气温距平相关系数分级

Fig.4   Correlation coefficient classification between TVDI and precipitation, annual temperature and temperature anomaly


由图4(a)中降雨量与TVDI的相关系数可知,23.74%区域TVDI与降雨量呈显著负相关关系(P<0.1),主要分布在陕北榆林市大部分地区,延安市中部部分地区,汉中市北部、西北部,安康市、渭南市北部、商洛市东部部分地区及宝鸡市西部、北部部分地区,说明这些地区旱情主要受降雨量影响,随着降雨量的增加TVDI减少,旱情越轻; 全省其余地区与降雨量相关关系没有通过显著性检验,说明降雨量不是影响这些区域旱情变化的重要因素。由图4(b)中平均温度与TVDI相关系数可知,8.21%区域TVDI与平均温度呈正相关关系,主要分布在宝鸡市中部和南部、汉中市西部和西北部,说明这些地区旱情主要受平均温度影响,随着温度增加TVDI也增加,旱情加重; 14.11%区域TVDI与平均温度呈负相关关系,主要分布在延安市中部和南部、渭南市北部、商洛市大部分地区及西安市东部,说明这些地区旱情主要受平均温度影响,随着温度增加TVDI也减少,旱情减轻; 结合图4(c)可知,全省58.70%区域TVDI与平均气温距平呈正相关关系,35.62%区域与平均气温距平呈负相关关系,但均未通过P<0.1显著性检验,说明温度不是影响陕西省旱情变化的主要因素。

4 讨论

本文利用陕西省2000—2016年间MODIS NDVI和Ts数据,构建双抛物线型NDVI-Ts特征空间,并计算TVDI,利用气象站点实测土壤湿度数据对TVDI进行验证,最后利用TVDI对陕西省旱情的时空分布特征进行了分析。国内外学者研究发现,利用三角形或者梯形NDVI-Ts特征空间计算TVDI进行旱情监测的较多。Carlson等[16]发现当植被覆盖和土壤湿度变化范围较大时,以NDVI为横坐标和以Ts为纵坐标的散点图特征空间呈三角形; Moran等[17]则认为NDVI和Ts散点图呈现梯形; 而后相关学者利用该三角形或梯形特征空间进行了大量研究[9,18-19]。相关学者又根据研究区域不同情况,提出适合该地区新的干旱指数或者对之前学者提出的TVDI计算公式进行了改进,使之能够更加准确监测旱情。笔者之前研究[13-14,20]认为三角形或梯形NDVI-Ts特征空间将NDVI<0.15部分去除不能真实反映地表状况,并指出包含NDVI<0.15部分的NDVI-Ts特征空间呈双抛物线型,基于此特征空间的TVDI在监测土壤湿度方面略优于三角形和梯形NDVI-Ts特征空间的TVDI。因此本文进一步利用MODIS数据对双抛物线型NDVI-Ts特征空间进行验证,并对陕西省旱情进行了长时间序列监测。

5 结论

1)基于双抛物线型NDVI-Ts特征空间的TVDI与实测土壤湿度呈显著负相关关系(P<0.05),表明基于双抛物线型NDVI-Ts 特征空间的TVDI可用于旱情监测。

2)陕西省旱情主要分布在陕北的西北部、北部以及关中的北部、东部地区,其他区域发生旱情的时间相对适中,严重程度也相对适中。在时间上,2000年陕西省受旱面积为31.95%,2016年为27.65%,17 a间陕西省旱情呈波动变化特点,没有出现明显减少或增加的趋势; 但2000年、2005年、2010年和2015年旱情比相近年份的受旱面积大,有周期变化的趋势。

3)17 a间全省约84.48%区域旱情发生了变化,但是变化不显著,14.45%地区旱情得到显著缓解,主要分布在榆林市北部大部分地区、延安市中部部分地区、关中地区中部以及陕南零散地区。全省97.62%的面积变异系数在00.8之间,变异系数较小,旱情稳定,主要分布在陕北的北部、关中南部。

4)陕北榆林市大部分地区,延安市中部部分地区,汉中市北部、西北部,安康市、渭南市北部、商洛市东部部分地区及宝鸡市西部、北部部分地区(约占23.74%)旱情与降雨量呈显著负相关关系(P<0.1),随着降雨量的增加TVDI减少,旱情越轻; 但降雨量不是其余地区旱情的主要影响因素。总体来看,温度不是影响陕西省旱情变化的主要因素。

结合地表反射率和热红外辐射信息的NDVI-Ts特征空间方法,虽能反映出一定时空尺度土壤湿度状况,但易受植被覆盖、土地覆盖/土地利用和卫星数据传输质量的影响。因此,在今后工作中需要从不同下垫面状况分析其干旱状况。

参考文献

Liu L Y, Liao J S, Chen X Z , et al.

The microwave temperature vegetation drought index (MTVDI) based on AMSR-E,brightness temperatures for long-term drought assessment across China(2003—2010)

[J]. Remote Sensing of Environment, 2017,199(15):302-320.

DOI:10.1016/j.rse.2017.07.012      URL     [本文引用: 1]

张强, 姚玉璧, 李耀辉 , 等.

中国西北地区干旱气象灾害监测预警与减灾技术研究进展及其展望

[J]. 地球科学进展, 2015,30(2):196-213.

DOI:10.11867/j.issn.1001-8166.2015.02.0196      Magsci     [本文引用: 1]

<p>干旱灾害是制约中国西北地区社会经济发展、农业生产和生态文明建设的重要自然灾害,而且随着气候变暖西北地区极端干旱事件发生频率和强度均呈增加趋势,影响不断加重。 &ldquo;中国西北干旱气象灾害监测预警及减灾技术研究&rdquo;成果是在数十个国家级科研项目的支持下,经过过去20年的理论研究和应用技术开发所取得的一系列创新性成果。该成果对西北干旱形成机理及重大干旱事件发生、发展的规律取得了新认识,尤其是发现了形成西北干旱环流模态的4种主要物理途径;研制了西北干旱预测的新指标、干旱监测的新指数及监测农田蒸散的新设备,明显提高了干旱监测准确性和针对性;提出了山地云物理气象学新理论,研发了水源涵养型国家重点生态功能区&mdash;&mdash;祁连山空中云水资源开发利用技术;发现了干旱半干旱区陆面水分输送和循环的新规律,揭示了绿洲自我维持的物理机制;认识了干旱气候变化对农业生态系统影响的新特征,建立了旱作农业对干旱灾害的响应关系;开发了旱区覆膜保墒、集雨补灌、垄沟栽培、适[JP2]宜播期等应对气候变化的减灾技术,为西北实施种植制度、农业布局及结构调整和农业气候资源高效利用提供了科学方案。该成果的完成提升了中国干旱防灾减灾技术水平,培养了中国干旱气象科技队伍,推进了西北地区干旱气象业务服务能力,对西北地区社会经济发展、农业现代化和生态文明建设等方面起到了重要的促进作用。在此基础上,展望了西北地区干旱气象科学研究中迫切需要、有可能突破的主要领域。</p>

Zhang Q, Yao Y B, Li Y H , et al.

Research progress and prospect on the monitoring and early warning and mitigation technology of meteorological drought disaster in Northwest China

[J]. Advances in Earth Science, 2015,30(2):196-213.

Magsci     [本文引用: 1]

王丽涛, 王世新, 周艺 , 等.

旱情遥感监测研究进展与应用案例分析

[J]. 遥感学报, 2011,15(6):1322-1330.

DOI:10.11834/jrs.20110351      Magsci     [本文引用: 1]

在大范围、长时序的旱情监测中,遥感技术以其快速、经济和大空间范围获取的特点,弥补了基于台站气象数据旱情监测的不足,为防旱和抗旱决策提供了实时、动态、宏观的辅助决策数据。本文对已有旱情遥感监测方法进行分析和整理,将其总结为基于土壤热惯量、基于土壤波谱特征、基于蒸散模型和基于植被指数的旱情监测方法,并对各类方法从监测原理、适用范围和应用进展等方面进行了阐述。在此基础之上,详细介绍一种结合了全球植被水分指数和短波角度归一化指数的优势建立的旱情遥感监测模型和方法。以2010年春季西南地区旱情为应用案例,从监测模型方法、数据处理流程和应用分析等方面,介绍一种基于植被水分指数的旱情监测方法,并对其监测结果进行统计分析与评价。

Wang L T, Wang S X, Zhou Y , et al.

Advances and application analysis of drought monitoring using remote sensing

[J]. Journal of Remote Sensing, 2011,15(6):1322-1330.

Magsci     [本文引用: 1]

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.

DOI:10.1016/S0034-4257(01)00274-7      URL     [本文引用: 2]

Wan Z, Wang P, Li X P .

Using MODIS land surface temperature and normalized difference vegetation index products for monitoring drought in the southern Great Plains,USA

[J]. International Journal of Remote Sensing, 2004,25(1):61-72.

DOI:10.1080/0143116031000115328      URL     [本文引用: 1]

Bajgiran P R, Darvishsefat A A, Khalili A , et al.

Using AVHRR-based vegetation indices for drought monitoring in the northwest of Iran

[J]. Journal of Arid Environments, 2008,72(6):1086-1096.

DOI:10.1016/j.jaridenv.2007.12.004      URL     [本文引用: 1]

Haroon M A, Zhang J H, Yao F M .

Drought monitoring and performance evaluation of MODIS-based drought severity index (DSI) over Pakistan

[J]. Natural Hazards, 2016,84(2):1349-1366.

DOI:10.1007/s11069-016-2490-y      URL     [本文引用: 1]

Du L T, Song N P, 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.

DOI:10.3390/rs9020177      URL     [本文引用: 1]

闫娜, 李登科, 杜继稳 , 等.

基于MODIS产品LST/NDVI/EVI的陕西旱情监测

[J]. 自然灾害学报, 2010,19(4):178-182.

[本文引用: 2]

Yan N, Li D K, Du J W , et al.

Monitoring of drought situation in Shaanxi Province based on MODIS land product LST,NDVI and EVI

[J]. Journal of Natural Disaster, 2010,19(4):178-182.

[本文引用: 2]

李菁, 王连喜, 沈澄 , 等.

几种干旱遥感监测模型在陕北地区的对比和应用

[J]. 中国农业气象, 2014,35(1):97-102.

DOI:10.3969/j.issn.1000-6362.2014.01.015      Magsci     [本文引用: 1]

利用陕北20个测墒站不同土层深度的土壤湿度和对应的MODIS卫星资料，分析了3种干旱遥感指数即改进型能量指数（MEI）、垂直干旱植被指数（PDI）和地表含水量指数（SWCI），由此得到陕北旱情空间分布图，并对其分等定级。结果表明：3种遥感干旱监测模型监测土壤水分的最佳土层深度均为20cm，其次为10cm。对2008年4-9月的植物生长季土壤相对湿度进行动态反演表明，3种指数均能及时、准确得到大范围的土壤含水量情况及旱情，适宜在当地应用推广。

Li J, Wang L X, Shen C , et al.

Application and comparison of several drought monitoring models in Northern Shaanxi

[J]. Chinese Journal of Agrometeorology, 2014,35(1):97-102.

Magsci     [本文引用: 1]

白雪娇, 王鹏新, 解毅 , 等.

基于结构相似度的关中平原旱情空间分布特征

[J]. 农业机械学报, 2015,46(11):345-351.

[本文引用: 1]

Bai X J, Wang P X, Xie Y , et al.

Spatial distribution characteristics of droughts in Guanzhong Plain based on structural similarity

[J]. Transactions of the Chinese Society for Agricultural, 2015,46(11):345-351.

[本文引用: 1]

权文婷, 周辉, 李红梅 , 等.

FY-3C/MERSI与MODIS的多波段干旱指数反演及对比分析

[J]. 干旱区地理, 2016,39(4):835-842.

Magsci     [本文引用: 2]

以陕西省为研究区，选取2014年代表旱情发展过程的5、7和8月份的FY-3C/MERSI数据及与其同期的MODIS反射率产品和陆表温度数据，构建多波段干旱指数（<em>MBDI</em>），比较两种数据<em>MBDI</em>结果的空间相关性，结合研究区土壤相对湿度数据对<em>MBDI</em>进行相关性分析，比较<em>MBDI</em>监测结果的空间分布特征及不同干旱程度下像元数的变化趋势。结果表明：（1）MERSI-<em>MBDI</em>与MODIS-<em>MBDI</em>呈显著正相关，<em>R</em><sup>2</sup>达0.7以上，通过0.001水平显著性检验；（2）MERSI-<em>MBDI</em>与MODIS-<em>MBDI</em>与10 cm土壤相对湿度均通过0.05水平显著性检验，MERSI-<em>MBDI</em>与土壤相对湿度具有更好的相关性，通过了0.01水平显著性检验；（3）MERSI-<em>MBDI</em>与MODIS-<em>MBDI</em>旱情监测结果在空间上具有良好的一致性，并与研究区实际情况相符，且不同干旱程度下像元数的变化趋势也十分一致。研究表明，通过与MODIS数据对比，MERSI数据可以很好的进行陕西省旱情变化监测。

Quan W T, Zhou H, Li H M , et al.

Multiple band drought index(MBDI)retrieve and comparison between FY-3C/MERSI and MODIS

[J]. Arid Land Geography, 2016,39(4):835-842.

Magsci     [本文引用: 2]

刘英, 马保东, 吴立新 , 等.

基于NDVI-ST双抛物线特征空间的冬小麦旱情遥感监测

[J]. 农业机械学报, 2012,43(5):55-63.

[本文引用: 4]

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.

[本文引用: 4]

Liu Y, Wu L X, Yue H .

Biparabolic NDVI-Ts space and soil moisture remote sensing in an arid and semi-arid area

[J]. Canadian Journal of Remote Sensing, 2015,41(3):159-169.

DOI:10.1080/07038992.2015.1065705      URL     [本文引用: 4]

刘英, 侯恩科, 岳辉 .

基于MODIS的神东矿区植被动态监测与趋势分析

[J]. 国土资源遥感, 2017,29(2):132-137.doi: 10.6046/gtzyyg.2017.02.19.

[本文引用: 1]

Liu Y, Hou E K, Yue H .

Dynamic monitoring and trend analysis of vegetation change in Shendong mining area based on MODIS

[J]. Remote Sensing for Land and Resources, 2017,29(2):132-137.doi: 10.6046/gtzyyg.2017.02.19.

[本文引用: 1]

Carlson T N, Gillies R R, Perry E M .

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 Review, 1994,9(1-2):161-173.

DOI:10.1080/02757259409532220      URL     [本文引用: 1]

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 Sensing of Environment, 1994,49(3):246-263.

DOI:10.1016/0034-4257(94)90020-5      URL     [本文引用: 1]

何建村, 白云岗, 张严俊 .

基于MODIS数据新疆土壤干旱特征分析

[J]. 干旱区地理, 2015,38(4):735-742.

Magsci     [本文引用: 1]

干旱是一种常见的自然灾害,严重影响着新疆的农业生产。利用中分辨率成像光谱仪MODIS影像MOD11A2数据和MOD13A2数据,数字高程模型(DEM)对<em>Ts</em>进行了纠正,提取归一化植被指数(<em>NDVI</em>)和地表温度(<em>Ts</em>)构建<em>NDVI-Ts</em>特征空间,并依据特征空间计算的温度植被干旱指数(<em>TVDI</em>)作为监测土壤湿度指标,反演了新疆2013年5、6、7三个月每16 d的土壤湿度。较好地反映地表图层土壤湿度,分析了新疆土壤湿度的时空分布特征,新疆北部地区土壤湿度高于南部,西部的土壤湿度高于东部,且土壤湿度由西北向东南逐步减小,依次表现为湿润&gt;正常&gt;轻旱&gt;中旱&gt;重旱&gt;极旱;由5月到7月土壤湿度不断增大,这与新疆降水量分布和实地土壤含水率十分吻合,监测结果可信,能够为决策部门防旱抗旱提供有力的信息支持。

He J C, Bai Y G, Zhang Y J .

Soil drought characteristics in Xinjiang with remote sensing data

[J]. Arid Land Geography, 2015,38(4):735-742.

Magsci     [本文引用: 1]

刘英, 岳辉, 张锋 , 等.

基于LAI-Ts特征空间的河南省冬小麦返青—成熟期旱情监测

[J]. 中国农业气象, 2018,39(2):129-139.

[本文引用: 1]

Liu Y, Yue H, Zhang F , et al.

Drought monitoring of winter wheat in Henan Province based on LAI-Ts space

[J]. Chinese Journal of Agrometeorology, 2018,39(2):129-139.

[本文引用: 1]

Liu Y, Yue H .

The temperature vegetation dryness index (TVDI) based on bi-parabolic NDVI-Ts space and gradient-based structural similarity (GSSIM) for long-term drought assessment across Shaanxi Province,China(2000—2016)

[J]. Remote Sensing, 2018,10(6):959.

DOI:10.3390/rs10060959      URL     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发