中国农业旱灾严重,1949年以来旱灾多年平均受灾面积为2.14×107 hm2 ,多年平均成灾面积为9.6×106 hm2 ,每年因旱灾造成的粮食减产和经济损失约占气象灾害造成经济损失的50%以上[1 ] 。干旱已成为影响中国最严重的气象灾害之一,且具有发生频率高、影响范围广、持续时间长等特点[2 ] 。严重的旱灾不但给中国的农业生产造成了巨大损失,而且直接影响了人民生活水平的提高[3 ~6 ] 。积极做好旱情的监测预警对于农业生产者及管理部门及时采取措施减少旱灾损失具有重要意义。遥感技术克服了旱情监测常规方法的不足近年来得到了较快的发展,并体现出地面、航空、航天等多平台以及可见光、近、中、远、热红外和微波等多波段相结合的局面,旱情遥感监测的理论和技术不断得到加强[7 ,8 ] 。
在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] 。在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形。与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用。中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] 。已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] 。Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] 。在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用。NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异。针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持。
图1 研究区示意
Fig.1 Sketch map of study area
1 研究区概况与研究数据
1.1 研究区概况
河北省地处中国华北地区,位于36°03′N~42°40′N,113°27′E~119°50′E之间(图1 )。西以太行山与山西为邻,西北部、北部和东北部同内蒙古自治区和辽宁省接壤,东部濒临渤海,东南部和南部与山东、河南两省交界,中部包括京、津两市,总面积187 693 km2 。气候类型为北温带大陆性季风气候,年平均气温为- 0.3℃~14.0℃,年降水量为522 mm,年内降水量以夏季最多,冬季最少,秋季多于春季。受地理位置、大气环流等因素的影响,河北省素有“十年九旱”的旱灾发生规律,春、夏、秋、冬4季均易发生旱灾,其中季节性干旱以春旱最为严重,干旱发生概率大于30%的旱情多发地区在全省各市均有分布,夏、秋和冬季全省大部分地区干旱发生概率亦保持在20%~30%的水平[2 ] ,频发而严重的旱灾成为制约当地农业生产发展的重要因素之一。
1.2 研究数据
1.2.1 遥感数据
NASA提供的MODIS-Ts产品主要有1 d、8 d和1月等时间尺度,相对于1 d和8 d尺度Ts的1 km空间分辨率,1月尺度Ts产品0.05°的分辨率无法较好适用于省域级旱情监测;MODIS-VI产品具有16 d和1月等时间尺度,虽然VI对土壤水分胁迫响应具有时滞性,但对于灌溉条件较好、农业生产精细化水平较高的华北平原,一般不会出现任由土壤水分胁迫持续发生1个月的情况,16 d以及由MODIS反射率产品衍生出的1 d、8 d等短时间尺度的VI指示旱情发生发展实况更具实际意义。本文采用NASA提供的2011年5月28日的AQUA-MODIS系列Ts和EVI产品进行旱情监测研究,主要包括1 d时间尺度的MYD11A1和MYD09GA(DOY:148)、8 d时间尺度的MYD11A2和MYD09A1(DOY:145)以及16 d时间尺度的MYD13A2(DOY: 137)。其中1 d时间尺度(DOY: 148)对应日期为2011年5月28日、8 d时间尺度(DOY:145)对应日期为2011年5月25日~6月1日、16 d时间尺度(DOY: 137)对应日期为2011年5月17日~6月1日。此外,研究中还选用了METI和NASA提供的ASTER-GDEM2全球数字高程模型数据。对订购的MODIS和GDEM2数据产品进行拼接和投影转换,采用类型为WGS-84经纬度坐标系,以最近邻法重采样把图像插值为空间分辨率1 km×1 km可直接供研究使用的遥感数据产品。把MYD09GA和MYD09A1数据的近红外、红外和蓝光3个波段的反射率,代入EVI公式计算获得1 d和8 d时间尺度的EVI[25 ] 。
1.2.2 土壤水分数据
采用的土壤水分数据为与遥感图像实时对应的2011年5月28日土壤相对含水量(relative soil moisture, RSM),数据来源于中国气象局国家气象信息中心。RSM实测样点的选择充分考虑地方代表性,由浅入深取样深度为10 cm、20 cm和50 cm(分别表示为RSM10 、RSM20 和RSM50 )。本文研究中为了减少地形因素对Ts和EVI的影响,主要选择分布于河北省中南部海拔低于200 m的平原地区RSM样点,结合同期的AUQA-MODIS产品质量控制文件对云覆盖区样点和无效测点数据进一步剔除后,最终获得地面RSM实测有效样点数据36个(图1 )。
2 研究方法
2.1 RSM-TVDI关系分析
在Ts-NDVI特征空间研究中,Sandholt等[18 ] 根据大量的遥感观测资料和先验知识,提出了TVDI的概念
TVDI = (Ts -Ts min )/(a+b ×NDVI -Ts min ) (1)
式中,Ts min 为三角形中的最低地表温度,对应的是湿边,Ts 为给定像元对应的地表温度,NDVI 为归一化植被指数,a 和b 为定义了干边的模型拟合参数。对于Ts-EVI构建的特征空间,则TVDI 可表示为:
TVDI = (Ts -Ts min )/(a+b ×EVI -Ts min ) (2)
为了减少Ts -EVI 特征空间计算TVDI 过程中的误差,首先采用ASTER-GDEM2产品对Ts 和EVI 进行掩膜处理,去除海拔大于200 m的丘陵和山地等地区;其次,根据Ts 和EVI 产品的图像质量控制文件仅保留数据反演结果可信度最佳区域,如对于MYD11A2仅保留质量控制文件QC =0的地区;在此基础上,保留1 d、8 d和16 d等不同时间尺度Ts和EVI产品共有地区的Ts和EVI为研究对象。
针对研究区内不同EVI条件下Ts的极大与极小值,通过线性回归的方法拟合Ts-EVI特征空间的干湿边方程。利用IDL编程读取Ts和EVI,以0.01为步长得到不同EVI对应的Tsmax 和Tsmin 。根据能保留最大量信息和较高拟合精度的原则[23 ] ,分别建立不同时间尺度Ts- EVI特征空间的干、湿边方程,代入式(2)计算基于不同时间尺度Ts- EVI特征空间的TVDI。
采用地面实测的RSM10 、RSM20 和RSM50 分别和TVDI建立线性回归模型(表1 ),结果表明在不同土壤深度处RSM估算能力方面,不同时间尺度TVDI均表现出与RSM20 的决定系数最高、RSM10 次之、RSM50 最低,这可能主要与春末阶段随着气温、降水量的增加,植物大部分根分布于地下20 cm处及以上地带有关,该深度水分状况差异影响了植物生长状况进而表现为EVI差异有关[28 ] 。在基于不同时间尺度Ts-EVI特征空间的TVDI与相关性最高的RSM20 关系研究中,Ts148 -EVI148 和Ts148 -EVI145 尺度RSM20 -TVDI决定系数相对较高,R2 分别为0.418 4和0.418 3;Ts145 -EVI145 、Ts148 -EVI137 和Ts145 -EVI137 对应的RSM20 -TVDI决定系数相对较低,这与旱情发生时Ts表现出瞬时敏感性而EVI作为前期土壤水分胁迫结果表现出一定的滞后性有关。总体上不同时间尺度的RSM20 -TVDI决定系数相差不大,这主要由于受云覆盖等因素的影响,Ts145 产品合成时Ts148 所占权重较大有关;此外,5月中下旬随着植被的生长,其EVI值总体上仍处于持续增加过程,MODIS-VI产品计算中采用的MVC法使16 d、8 d和1 d时间尺度的EVI在数值上较为接近,这也是多时间尺度RSM20 -TVDI决定系数相差不大的重要原因。对于年内植被生长由盛期至凋萎EVI值总体上呈降低趋势的时段,16 d、8 d和1 d时间尺度EVI产品数值则可能存在较大的差异。
2.2 多时间尺度TVDI旱情监测的差异性
为进一步分析多时间尺度Ts-EVI特征空间TVDI对于旱情遥感监测能力的差异,在36个实测RSM样本中预留10个检验样本,用剩下样本建立RSM20 -TVDI估算模型(表2 ),并采用平均绝对误差MAE、平均相对误差MRE和均方根误差RMSE对RSM20 -TVDI估算模型进行误差检验(表3 )。结果表明:不同时间尺度的RSM20 -TVDI模型的最大MAE、MRE和RMSE分别不大于4.85%、8.33%和0.054,建立的RSM20 -TVDI模型具有较好的代表性能保持较高的估算精度。不同时间尺度RSM20 -TVDI模型的误差存在一定的差异,其中以Ts148 -EVI148 的MAE、MRE和RMSE相对最低、Ts148 -EVI145 次之、Ts148 -EVI137 相对最高,因此,在基于不同时间尺度Ts-EVI特征空间进行RSM估算能力方面,以Ts148 -EVI148 最佳、Ts148 -EVI145 次之、Ts145 -EVI137 相对较差。
根据《中华人民共和国气象干旱等级国家标准》,按照正常(RSM >60%)、轻旱(60%≥RSM >50%)、中旱(50%≥RSM >40%)、重旱(40%≥RSM >30%)和特旱(RSM ≤30%)干旱等级,采用RSM20 -TVDI模型实现基于不同时间尺度Ts-EVI特征空间的旱情监测(图3 )。监测表明:在旱情空间分布方面,1 d和8 d时间尺度的Ts148 和Ts145 分别与1 d、8 d和16 d时间尺度的EVI148 、EVI145 和EVI137 建立多时间尺度Ts-EVI特征空间的旱情监测在空间分布上具有较好的一致性,利用包含旱情监测日的1 d和8 d时间尺度的Ts和16 d以及由反射率产品衍生出的1 d、8 d时间尺度的VI产品构建Ts-EVI特征空间均可较好地实现旱情监测。旱情监测结果表明:2011年5月28日无旱情地区占总监测区面积的58.97%以上,主要分布在廊坊市北部、保定市东南部、石家庄市东部、衡水市中西部、邢台市中部和邯郸市东南部;轻旱地区占总监测面积的25.90%,主要分布在廊坊市北部、沧州市北部、衡水市南部、邢台市中南部和邯郸市北部;中旱地区占总监测面积的13.10%,主要分布在沧州市西南部和邢台市东部;重旱和特旱地区分别占总监测面积的1.88%和0.15%,主要分布在保定市西南部、石家庄市南部和邯郸市中北部。
分析不同时间尺度Ts-EVI特征空间实现的旱情监测面积(表4 ),以1 d时间尺度实时性较好的Ts148 -EVI148 实现的旱情监测为基准,研究其它时间尺度Ts-EVI特征空间旱情监测结果的差异性。在无旱情发生地区方面,1 d尺度的Ts148 与8 d时间尺度的EVI145 、16 d时间尺度的EVI137 实现的监测面积分别比Ts148 -EVI148 多0.002%和0.022%,8 d尺度的Ts148 与8 d时间尺度的EVI145 、16 d时间尺度的EVI137 实现的监测面积分别比Ts148 -EVI148 多0.005%和0.035%;Ts148 -EVI145 、Ts148 -EVI137 、Ts145 -EVI145 和Ts148 -EVI137 轻旱监测面积分别比Ts148 -EVI148 低0.041%、0.019%、0.036%和0.008%;Ts148 -EVI145 、Ts148 -EVI137 、Ts145 -EVI145 和Ts148 -EVI137 中旱监测面积分别比Ts148 -EVI148 高0.014%、0.000%、0.008%和低0.014%;Ts148 -EVI145 、Ts148 -EVI137 、Ts145 -EVI145 和Ts148 -EVI137 的重旱监测面积分别比Ts148 -EVI148 高0.022%、- 0.005%、0.019%和- 0.016%;Ts148 -EVI145 、Ts148 -EVI137 、Ts145 -EVI145 和Ts148 -EVI137 特旱监测面积比Ts148 -EVI148 高0.003%。鉴于多时间尺度Ts-EVI特征空间旱情监测面积存在一定的差异,选用较佳时间尺度组合的Ts-EVI对于提高旱情监测精度具有重要意义。由于短时期内EVI变化较小但Ts变化具有较强的瞬时性,在利用MODIS数据产品进行旱情监测实际应用中,在数据可用性较好的前提下,Ts-EVI特征空间构建中以选择1 d尺度的Ts和1 d尺度的EVI最佳,1 d尺度的Ts和8 d尺度的EVI次之,再次为8 d尺度的Ts和8 d尺度的EVI,最后选择1 d或8 d尺度的Ts和16 d时间尺度的EVI。
图2 多时间尺度Ts-EVI特征空间旱情监测
Fig.2 Drought monitoring based on multi-time scales Ts-EVI featured spaces
3 结 论
本文以河北省平原地区为例,采用2011年5月28日MODIS数据产品和地面实测的RSM数据,对多时间尺度Ts-EVI特征空间旱情监测结果的差异性进行了研究,主要得出以下结论:
1) 不同时间尺度Ts-EVI特征空间构建的TVDI表现出随着RSM升高而降低的特征,TVDI与不同土壤深度处RSM间的相关性存在差异,其中以20 cm深度处最高、10 cm深度处次之、50 cm深度处较差。不同时间尺度Ts-EVI特征空间构建的TVDI与RSM20 关系分析表明Ts148 -EVI148 和Ts148 -EVI145 尺度的RSM-TVDI决定系数相对较高,Ts145 -EVI145 、Ts148 -EVI137 和Ts145 -EVI137 的RSM-TVDI决定系数相对较低。
2) 同步实测的36个RSM样本中预留10个检验样本,用剩下的样本建立RSM20 -TVDI估算模型,采用平均绝对误差MAE、平均相对误差MRE和均方根误差RMSE作为评价指标对RSM20 -TVDI估算模型进行误差检验。检验结果表明不同时间尺度的RSM20 -TVDI模型的最大MAE、MRE和RMSE分别不大于4.85%、8.33%和0.054,所建模型能较好地实现旱情遥感监测。
3) 监测旱情在空间分布方面,1 d和8 d时间尺度的Ts148 和Ts145 分别与1 d、8 d和16 d时间尺度的EVI148 、EVI145 和EVI137 建立的多时间尺度Ts-EVI特征空间实现的旱情监测分布具有较好的一致性。旱情监测表明:2011年5月28日无旱情区主要分布在廊坊市北部、保定市东南部、石家庄市东部、衡水市中西部、邢台市中部和邯郸市东南部;轻旱区分布在廊坊市北部、沧州市北部、衡水市南部、邢台市中南部和邯郸市北部;中旱区分布在沧州市西南部和邢台市东部;重旱和特旱区分布在保定市西南部、石家庄市南部和邯郸市中北部。
4) 多时间尺度Ts-EVI特征空间实现的旱情监测面积存在一定的差异,由于相对于短时期内EVI的变化较小而言Ts的变化具有较强的瞬时性,在利用MODIS数据产品进行旱情监测实际应用中,在数据可用性较强的前提下,Ts-EVI特征空间构建中以选择1 d尺度的Ts和1 d尺度的EVI最佳,1 d尺度的Ts和8 d尺度的EVI次之,再次为8 d尺度的Ts和8 d尺度的EVI,1 d或8 d尺度的Ts和16 d时间尺度的EVI则相对最差。
The authors have declared that no competing interests exist.
参考文献
文献选项
[1]
闫峰 ,李茂松 ,王艳姣 ,等 .遥感技术在农业灾害监测中的应用
[J].自然灾害学报 ,2006 ,15 (6 ): 131 ~136 .
[本文引用: 1]
[2]
闫峰 ,王艳姣 ,吴波 .近50年河北省干旱时空分布特征
[J].地理研究 ,2010 ,29 (3 ):423 ~430 .
[本文引用: 2]
[3]
张伟东 ,石霖 .区域干旱帕默尔旱度指标的修正
[J].地理科学 ,2011 ,31 (2 ):153 ~158 .
[本文引用: 1]
[4]
郑彬 ,林爱兰 .广东省干旱趋势变化和空间分布特征
[J].地理科学 ,2011 , 31 (6 ):715 ~720 .
[5]
邱海军 ,曹明明 ,郝俊卿 ,等 .1950~2010年中国干旱灾情频率-规模关系分析
[J].地理科学 ,2013 ,33 (5 ):576 ~580 .
[6]
袭祝香 ,杨雪艳 ,刘实 ,等 .东北地区夏季干旱风险评估与区划
[J].地理科学 ,2013 , 33 (6 ):735 ~740 .
[本文引用: 1]
[7]
闫峰 ,王艳姣 .冬小麦旱情监测中土壤水分估算模型的互补性——以河北省为例
[J].土壤学报 ,2009 ,46 (6 ):998 ~1005 .
[本文引用: 2]
[8]
闫峰 ,覃志豪 ,李茂松 ,等 .农业旱灾监测中土壤水分遥感反演进展
[J].自然灾害学报 ,2006 ,15 (6 ):114 ~121 .
[本文引用: 1]
[9]
Friedl M A ,Davis F W. Sources of variation in radiometric surface temperature over a tallgrass prairie
[J].Remote Sensing of Environment ,1994 ,48 (1 ):1 -17 .
[本文引用: 1]
[10]
Goward S N ,Xue Y ,Czajkowski K P. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: an exploration with the simplified simple biosphere model
[J].Remote Sensing of Environment ,2002 ,79 (2-3 ):225 -242 .
[11]
Son N T ,Chen C R ,Chang L Y ,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 .
[12]
Rahimzadeh-Bajgiran R ,Omasa K ,Shimizu Y. Comparative evaluation of the Vegetation Dryness Index (VDI), the Temperature Vegetation Dryness Index (TVDI) and the improved TVDI (iTVDI) for water stress detection in semi-arid regions of Iran
[J].ISPRS Journal of Photogrammetry and Remote Sensing ,2012 ,68 :1 -12 .
[13]
Sun L ,Sun R ,Li X ,et al. Monitoring surface soil moisture status based on remotely sensed surface temperature and vegetation index information[J].Agricultural and Forest Meteorology ,2012 ,166-
167 :175 -187 .
[本文引用: 1]
[14]
Nemani R R ,Pierce L ,Running S W. Developing satellite-derived estimates of surface moisture status
[J].Journal of Applied Meteorology ,1993 ,32 (3 ):548 -557 .
[本文引用: 1]
[15]
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 .
[本文引用: 1]
[16]
Price J C. Using spatial context in satellite data to infer regional scale evapotranspiration
[J]. IEEE Transactions on Geoscience and Remote Sensing ,1990 ,28 (5 ):940 -948 .
[本文引用: 1]
[17]
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 Reviews ,1994 ,9 (1-2 ):161 -173 .
[本文引用: 1]
[18]
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 (2-3 ):213 -224 .
[本文引用: 2]
[19]
Wan Z ,Wang P ,Li X. 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 .
[本文引用: 1]
[20]
齐述华 ,王长耀 ,牛铮 . 利用温度植被旱情指数(TVDI)进行全国旱情监测研究
[J].遥感学报 ,2003 ,7 (5 ):420 ~427
[本文引用: 1]
[21]
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 .
[本文引用: 1]
[22]
张顺谦 ,卿清涛 ,侯美亭 ,等 .基于温度植被干旱指数的四川伏旱遥感监测与影响评估
[J].农业工程学报 ,2007 ,23 (9 ):141 ~146 .
[本文引用: 1]
[23]
闫峰 ,王艳姣 .基于Ts-EVI特征空间的土壤水分估算
[J].生态学报 ,2009 ,29 (9 ):4884 ~4891 .
[本文引用: 2]
[24]
伍漫春 ,丁建丽 ,王高峰 .基于地表温度-植被指数特征空间的区域土壤水分反演
[J].中国沙漠 ,2012 ,32 (1 ):148 ~154 .
[本文引用: 1]
[25]
Huete A ,Didan K ,Shimabokuro Y ,et al. Regional Amazon Basin and global analysis of MODIS vegetation indices: early results and comparisons with AVHRR
[J].Proceeding of IGARSS ,2000 ,6 (2 ):536 -538 .
[本文引用: 2]
[26]
Liu H Q ,Huete A R. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise
[J].IEEE Transactions on Geoscience and Remote Sensing ,1995 ,33 (2 ):457 -465 .
[本文引用: 1]
[27]
Huete A ,Didan K ,Miura T ,et al. Overview of the radiometric and biophysical performance of the MODIS Vegetation Indices
[J].Remote Sensing of Environment ,2002 ,83 (1-3 ):195 -213 .
[本文引用: 1]
[28]
闫峰 ,王艳姣 ,武建军 .基于Ts-EVI特征空间的春旱遥感监测——以河北省为例
[J].干旱区地理 ,2009 ,32 (5 ):769 ~775 .
[本文引用: 1]
遥感技术在农业灾害监测中的应用
1
2006
... 中国农业旱灾严重,1949年以来旱灾多年平均受灾面积为2.14×107 hm2 ,多年平均成灾面积为9.6×106 hm2 ,每年因旱灾造成的粮食减产和经济损失约占气象灾害造成经济损失的50%以上[1 ] .干旱已成为影响中国最严重的气象灾害之一,且具有发生频率高、影响范围广、持续时间长等特点[2 ] .严重的旱灾不但给中国的农业生产造成了巨大损失,而且直接影响了人民生活水平的提高[3 ~6 ] .积极做好旱情的监测预警对于农业生产者及管理部门及时采取措施减少旱灾损失具有重要意义.遥感技术克服了旱情监测常规方法的不足近年来得到了较快的发展,并体现出地面、航空、航天等多平台以及可见光、近、中、远、热红外和微波等多波段相结合的局面,旱情遥感监测的理论和技术不断得到加强[7 ,8 ] . ...
近50年河北省干旱时空分布特征
2
2010
... 中国农业旱灾严重,1949年以来旱灾多年平均受灾面积为2.14×107 hm2 ,多年平均成灾面积为9.6×106 hm2 ,每年因旱灾造成的粮食减产和经济损失约占气象灾害造成经济损失的50%以上[1 ] .干旱已成为影响中国最严重的气象灾害之一,且具有发生频率高、影响范围广、持续时间长等特点[2 ] .严重的旱灾不但给中国的农业生产造成了巨大损失,而且直接影响了人民生活水平的提高[3 ~6 ] .积极做好旱情的监测预警对于农业生产者及管理部门及时采取措施减少旱灾损失具有重要意义.遥感技术克服了旱情监测常规方法的不足近年来得到了较快的发展,并体现出地面、航空、航天等多平台以及可见光、近、中、远、热红外和微波等多波段相结合的局面,旱情遥感监测的理论和技术不断得到加强[7 ,8 ] . ...
... 河北省地处中国华北地区,位于36°03′N~42°40′N,113°27′E~119°50′E之间(图1 ).西以太行山与山西为邻,西北部、北部和东北部同内蒙古自治区和辽宁省接壤,东部濒临渤海,东南部和南部与山东、河南两省交界,中部包括京、津两市,总面积187 693 km2 .气候类型为北温带大陆性季风气候,年平均气温为- 0.3℃~14.0℃,年降水量为522 mm,年内降水量以夏季最多,冬季最少,秋季多于春季.受地理位置、大气环流等因素的影响,河北省素有“十年九旱”的旱灾发生规律,春、夏、秋、冬4季均易发生旱灾,其中季节性干旱以春旱最为严重,干旱发生概率大于30%的旱情多发地区在全省各市均有分布,夏、秋和冬季全省大部分地区干旱发生概率亦保持在20%~30%的水平[2 ] ,频发而严重的旱灾成为制约当地农业生产发展的重要因素之一. ...
区域干旱帕默尔旱度指标的修正
1
2011
... 中国农业旱灾严重,1949年以来旱灾多年平均受灾面积为2.14×107 hm2 ,多年平均成灾面积为9.6×106 hm2 ,每年因旱灾造成的粮食减产和经济损失约占气象灾害造成经济损失的50%以上[1 ] .干旱已成为影响中国最严重的气象灾害之一,且具有发生频率高、影响范围广、持续时间长等特点[2 ] .严重的旱灾不但给中国的农业生产造成了巨大损失,而且直接影响了人民生活水平的提高[3 ~6 ] .积极做好旱情的监测预警对于农业生产者及管理部门及时采取措施减少旱灾损失具有重要意义.遥感技术克服了旱情监测常规方法的不足近年来得到了较快的发展,并体现出地面、航空、航天等多平台以及可见光、近、中、远、热红外和微波等多波段相结合的局面,旱情遥感监测的理论和技术不断得到加强[7 ,8 ] . ...
1950~2010年中国干旱灾情频率-规模关系分析
0
2013
东北地区夏季干旱风险评估与区划
1
2013
... 中国农业旱灾严重,1949年以来旱灾多年平均受灾面积为2.14×107 hm2 ,多年平均成灾面积为9.6×106 hm2 ,每年因旱灾造成的粮食减产和经济损失约占气象灾害造成经济损失的50%以上[1 ] .干旱已成为影响中国最严重的气象灾害之一,且具有发生频率高、影响范围广、持续时间长等特点[2 ] .严重的旱灾不但给中国的农业生产造成了巨大损失,而且直接影响了人民生活水平的提高[3 ~6 ] .积极做好旱情的监测预警对于农业生产者及管理部门及时采取措施减少旱灾损失具有重要意义.遥感技术克服了旱情监测常规方法的不足近年来得到了较快的发展,并体现出地面、航空、航天等多平台以及可见光、近、中、远、热红外和微波等多波段相结合的局面,旱情遥感监测的理论和技术不断得到加强[7 ,8 ] . ...
冬小麦旱情监测中土壤水分估算模型的互补性——以河北省为例
2
2009
... 中国农业旱灾严重,1949年以来旱灾多年平均受灾面积为2.14×107 hm2 ,多年平均成灾面积为9.6×106 hm2 ,每年因旱灾造成的粮食减产和经济损失约占气象灾害造成经济损失的50%以上[1 ] .干旱已成为影响中国最严重的气象灾害之一,且具有发生频率高、影响范围广、持续时间长等特点[2 ] .严重的旱灾不但给中国的农业生产造成了巨大损失,而且直接影响了人民生活水平的提高[3 ~6 ] .积极做好旱情的监测预警对于农业生产者及管理部门及时采取措施减少旱灾损失具有重要意义.遥感技术克服了旱情监测常规方法的不足近年来得到了较快的发展,并体现出地面、航空、航天等多平台以及可见光、近、中、远、热红外和微波等多波段相结合的局面,旱情遥感监测的理论和技术不断得到加强[7 ,8 ] . ...
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
农业旱灾监测中土壤水分遥感反演进展
1
2006
... 中国农业旱灾严重,1949年以来旱灾多年平均受灾面积为2.14×107 hm2 ,多年平均成灾面积为9.6×106 hm2 ,每年因旱灾造成的粮食减产和经济损失约占气象灾害造成经济损失的50%以上[1 ] .干旱已成为影响中国最严重的气象灾害之一,且具有发生频率高、影响范围广、持续时间长等特点[2 ] .严重的旱灾不但给中国的农业生产造成了巨大损失,而且直接影响了人民生活水平的提高[3 ~6 ] .积极做好旱情的监测预警对于农业生产者及管理部门及时采取措施减少旱灾损失具有重要意义.遥感技术克服了旱情监测常规方法的不足近年来得到了较快的发展,并体现出地面、航空、航天等多平台以及可见光、近、中、远、热红外和微波等多波段相结合的局面,旱情遥感监测的理论和技术不断得到加强[7 ,8 ] . ...
Sources of variation in radiometric surface temperature over a tallgrass prairie
1
1994
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: an exploration with the simplified simple biosphere model
0
2002
Monitoring agricultural drought in the Lower Mekong Basin using MODIS NDVI and land surface temperature data
0
2012
Comparative evaluation of the Vegetation Dryness Index (VDI), the Temperature Vegetation Dryness Index (TVDI) and the improved TVDI (iTVDI) for water stress detection in semi-arid regions of Iran
0
2012
166-
1
2012
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
Developing satellite-derived estimates of surface moisture status
1
1993
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
Estimating crop water deficit using the relation between surface air temperature and spectral vegetation index
1
1994
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
Using spatial context in satellite data to infer regional scale evapotranspiration
1
1990
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover
1
1994
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
A simple interpretation of the surface temperature/ vegetation index space for assessment of surface moisture status
2
2002
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
... 在Ts-NDVI特征空间研究中,Sandholt等[18 ] 根据大量的遥感观测资料和先验知识,提出了TVDI的概念 ...
Using MODIS land surface temperature and Normalized Difference Vegetation Index products for monitoring drought in the southern Great Plains, USA
1
2004
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
利用温度植被旱情指数(TVDI)进行全国旱情监测研究
1
2003
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
使用温度植被干旱指数法(TVDI)反演新疆土壤湿度
1
2004
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
基于温度植被干旱指数的四川伏旱遥感监测与影响评估
1
2007
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
基于Ts-EVI特征空间的土壤水分估算
2
2009
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
... 针对研究区内不同EVI条件下Ts的极大与极小值,通过线性回归的方法拟合Ts-EVI特征空间的干湿边方程.利用IDL编程读取Ts和EVI,以0.01为步长得到不同EVI对应的Tsmax 和Tsmin .根据能保留最大量信息和较高拟合精度的原则[23 ] ,分别建立不同时间尺度Ts- EVI特征空间的干、湿边方程,代入式(2)计算基于不同时间尺度Ts- EVI特征空间的TVDI. ...
基于地表温度-植被指数特征空间的区域土壤水分反演
1
2012
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
Regional Amazon Basin and global analysis of MODIS vegetation indices: early results and comparisons with AVHRR
2
2000
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
... NASA提供的MODIS-Ts产品主要有1 d、8 d和1月等时间尺度,相对于1 d和8 d尺度Ts的1 km空间分辨率,1月尺度Ts产品0.05°的分辨率无法较好适用于省域级旱情监测;MODIS-VI产品具有16 d和1月等时间尺度,虽然VI对土壤水分胁迫响应具有时滞性,但对于灌溉条件较好、农业生产精细化水平较高的华北平原,一般不会出现任由土壤水分胁迫持续发生1个月的情况,16 d以及由MODIS反射率产品衍生出的1 d、8 d等短时间尺度的VI指示旱情发生发展实况更具实际意义.本文采用NASA提供的2011年5月28日的AQUA-MODIS系列Ts和EVI产品进行旱情监测研究,主要包括1 d时间尺度的MYD11A1和MYD09GA(DOY:148)、8 d时间尺度的MYD11A2和MYD09A1(DOY:145)以及16 d时间尺度的MYD13A2(DOY: 137).其中1 d时间尺度(DOY: 148)对应日期为2011年5月28日、8 d时间尺度(DOY:145)对应日期为2011年5月25日~6月1日、16 d时间尺度(DOY: 137)对应日期为2011年5月17日~6月1日.此外,研究中还选用了METI和NASA提供的ASTER-GDEM2全球数字高程模型数据.对订购的MODIS和GDEM2数据产品进行拼接和投影转换,采用类型为WGS-84经纬度坐标系,以最近邻法重采样把图像插值为空间分辨率1 km×1 km可直接供研究使用的遥感数据产品.把MYD09GA和MYD09A1数据的近红外、红外和蓝光3个波段的反射率,代入EVI公式计算获得1 d和8 d时间尺度的EVI[25 ] . ...
A feedback based modification of the NDVI to minimize canopy background and atmospheric noise
1
1995
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
Overview of the radiometric and biophysical performance of the MODIS Vegetation Indices
1
2002
... 在众多的旱情遥感监测模型中,温度植被干旱指数(Temperature Vegetation Drought Index, TVDI)耦合了地表温度Ts和植被指数VI信息,通过Ts-VI特征空间的变化特征分析土壤水分状况和实现农业旱情监测得到了快速发展[9 ~13 ] .在Ts-VI特征空间关系研究中,Nemani等[14 ] 和Moran等[15 ] 认为Ts-VI空间表现为梯形,Price[16 ] 、Carlson等[17 ] 、Sandholt等[18 ] 和Wan等[19 ] 则认为Ts-VI空间表现为三角形.与梯形空间比较,三角形空间所需参数较少且运算简单而被广泛应用.中国学者在TVDI模型应用方面开展了较多的研究,齐述华等利用NOAA-AVHRR资料构建NDVI-Ts特征空间,对中国2000年春季逐旬旱情进行了研究[20 ] ;姚春生等采用MODIS产品数据8 d时间尺度的Ts和16 d尺度的NDVI对新疆土壤湿度进行了估算[21 ] ;张顺谦等利用NOAA/AVHRR旬Ts和NDVI数据对四川伏旱进行了监测与评估[22 ] ;闫峰等采用基于MODIS 数据的8 d时间尺度的Ts和增强型植被指数EVI,对EVI-Ts特征空间中干湿边方程参数的确定方法进行了研究,并对TVDI模型在旱情监测中的适用性进行了分析[23 ,7 ] ;伍漫春等利用TM影像研究了Ts与NDVI和MSAVI构建特征空间对土壤水分估算能力的差异[24 ] .已有的研究大多采用NDVI数据,但对于覆盖较好的天然植被和农作物,使用NDVI造成的红光饱和问题比较严重,背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[25 ] .Liu和Huete构建的EVI则较好地解决NDVI的红光饱和、土壤和大气噪声的影响[26 ,27 ] .在遥感数据源方面,MODIS作为当前世界上新一代图谱合一的高光谱传感仪器具有较高的光谱分辨率和时间分辨率,MODIS数据产品免费的分发政策优势使其在旱情遥感监测中广为应用.NASA提供MODIS的Ts和VI产品具有1 d、8 d、16 d和1月等时间尺度,不同时间尺度产品算法差异必然使Ts和VI的数值分布存在一定的差异.针对以上问题,本文选择中国农业春旱多发的河北省为研究区,研究基于多时间尺度Ts-EVI特征空间旱情遥感监测结果的差异性,为旱情遥感监测提供理论和技术支持. ...
基于Ts-EVI特征空间的春旱遥感监测——以河北省为例
1
2009
... 采用地面实测的RSM10 、RSM20 和RSM50 分别和TVDI建立线性回归模型(表1 ),结果表明在不同土壤深度处RSM估算能力方面,不同时间尺度TVDI均表现出与RSM20 的决定系数最高、RSM10 次之、RSM50 最低,这可能主要与春末阶段随着气温、降水量的增加,植物大部分根分布于地下20 cm处及以上地带有关,该深度水分状况差异影响了植物生长状况进而表现为EVI差异有关[28 ] .在基于不同时间尺度Ts-EVI特征空间的TVDI与相关性最高的RSM20 关系研究中,Ts148 -EVI148 和Ts148 -EVI145 尺度RSM20 -TVDI决定系数相对较高,R2 分别为0.418 4和0.418 3;Ts145 -EVI145 、Ts148 -EVI137 和Ts145 -EVI137 对应的RSM20 -TVDI决定系数相对较低,这与旱情发生时Ts表现出瞬时敏感性而EVI作为前期土壤水分胁迫结果表现出一定的滞后性有关.总体上不同时间尺度的RSM20 -TVDI决定系数相差不大,这主要由于受云覆盖等因素的影响,Ts145 产品合成时Ts148 所占权重较大有关;此外,5月中下旬随着植被的生长,其EVI值总体上仍处于持续增加过程,MODIS-VI产品计算中采用的MVC法使16 d、8 d和1 d时间尺度的EVI在数值上较为接近,这也是多时间尺度RSM20 -TVDI决定系数相差不大的重要原因.对于年内植被生长由盛期至凋萎EVI值总体上呈降低趋势的时段,16 d、8 d和1 d时间尺度EVI产品数值则可能存在较大的差异. ...