基于特征空间的遥感干旱监测方法综述

李 ?，谭德宝，秦其明，崔远来

基于特征空间的遥感干旱监测方法综述

李 ?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）

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-NDVI特征空间法、NIR-Red特征空间法和NIR-SWIR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。

特征空间；干旱监测；遥感

1 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-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-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［3-5］、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（NDVI）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-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-NDVI特征空间法、NIR-Red特征空间法和NIR-SWIR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-NDVI特征空间法

2.1 温度植被干旱指数

在LST-NDVI特征空间的基础上，Price［10］提出温度植被干旱指数（temperature vegetation dryness index，TVDI）为

其中，Ts，min＝a1＋b1NDVI，Ts，max＝a2＋b2NDVI。

式中：Ts为任意像元的地表温度；Ts，min和Ts，max分别为地表最低和最高温度，Ts，min和Ts，max可以通过线性回归分析提取湿边（wet edge）和干边（dry edge）获取，a1，a2，b1，b2分别为待定系数。

图1所示的LST-NDVI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（NDVI，Ts）的像元干旱指数为TVDI＝A／B。

图1 温度植被干旱指数（TVDI）Fig.1 Temperature vegetation dryness index

Price［10］认为LST-NDVI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NDVI-LST，NDVI-T和NDVI-ATI空间，分别建立了温度植被干旱指数（TVDI）、温差植被干旱指数（DTVDI）和表观热惯量植被干旱指数（AVDI）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（vegetation temperature condition index，VTCI）：

其中，LSTNDVIi，max＝a1＋b1NDVIi，

式中：LSTNDVIi，max，LSTNDVII，min分别为当NDVIi值等于某一特定值时的土地表面温度的最大值和最小值。a1，a2，b1，b2为待定系数，可通过NDVI-LST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（VTCI）Fig.2 Vegetation temperature condition index

王鹏新等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1999- 2005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（VCI）、条件温度指数（TCI）、距平植被指数（AVI）和条件植被温度指数（VTCI）等，结果认为：VCI的干旱监测结果不符合研究区域干旱的分布规律，VTCI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（TVDI）和条件植被温度指数（VTCI）都是斜率比值，其主要缺点是必须保证LST-NDVI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-NDVI特征空间时，需要通过重采样处理统一NDVI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。［12］

3 NIR-Red特征空间法

3.1 垂直干旱指数

詹志明等［14］利用NIR-Red三角形特征空间中任意一点E（Rred，Rnir）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（perpendicular drought index，PDI），其表达式为

其中，Rnir＝MRred＋I。

式中：Rred，Rnir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NDVI-LST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（PDI）Fig.3 Perpendicular drought index

詹志明［14］基于ETM＋数据构建NIR-Red特征空间计算PDI，并以北京顺义为实验区，并使用0～20 cm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0～10 cm和10～20 cm平均土壤水分观测数据进行模型对比，结果认为：PDI与1～20 cm平均土壤水分观测数据的相关度最高。同时，PDI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PDI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-pendicular drought index，MPDI），即

其中，Ri，s＝（Ri－fvRi，v）／（1－fv）。

式中：Rred，Rnir分别为经过大气校正的红光和近红外波段反射率；fv为植被覆盖度；M为土壤基线的斜率，可以通过NDVI-LST特征空间中土壤基线散点图线性回归而获得；Ri，v和Ri，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。

吾拉木［15］以北京顺义地区为实验区，利用ETM＋数据分别计算PDI与MPDI，并与实测干旱指数进行相关性比较，结果表明：MPDI与实测干旱指数的趋势线拟合度较高，其相关性达到0.90。他认为：MPDI在一定程度上分解植被和土壤信息，更加准确地反映旱情信息，实验结果进一步论证遥感数据和10～20 cm土壤水分的关系较为稳定。金川［16］在MPDI的基础上，进一步提出了三角分布旱情指数（TDI），并以宁夏固原实测数据进行模型验证，取得较好的结果。

3.3 模型评述

垂直干旱指数（PDI）和改进的垂直干旱指数（MPDI）简单实用，其主要缺点是：假设土壤基线是一条固定直线，实际上土壤基线的形状与土壤类型和有机质含量有关，甚至不一定是一条直线；对于地表覆盖类型差异较大的不同区域之间，不具有可比性，可能在同样水分状态下的不同区域呈现出不同的干旱监测值。同时，PDI只在低植被覆盖或裸露土壤的条件下对土壤水分有较好的监测效果；而PDI适宜于对于植被覆盖度较高条件下的土壤水分监测，其主要误差来源于植被覆盖度的反演精度。

4 NIR-SWIR特征空间法

4.1 短波红外垂直干旱指数

受到垂直干旱指数（PDI）启发，吾拉木［17］利用NIR-SWIR梯形特征空间中任意点到垂线L的垂直距离来描述植被干旱状况（图4），提出短波红外垂直干旱指数（shortwave infrared perpendicular drought index，SPDI）为

式中：Rnir和RSWIR分别为像元近红和短波红外的反射率；M为垂线CD的斜率，可以通过NIR-SWIR特征空间中基线散点图线性回归而获得。

图4 短波红外垂直干旱指数（SPDI）Fig.4 Shortwave infrared penperdicular drought index

吾拉木等［17］分析地物在NIR-SWIR光谱特征空间的分异规律，建立短波红外垂直失水指数（SP-SI），并以北京顺义为实验区，通过实地观测数据和叶片、冠层辐射传输模型进行验证，结果表明：SPSI和实地观测的植被冠层水分含量（FMC）具有较高的相关性，R2和RMSE分别为0.79和26.41%。

4.2 模型评述

NIR-SWIR特征空间法特别适宜于植被冠层叶片含水量遥感监测。短波红外垂直干旱指数（SP-DI）的主要缺点在于，模型反演的是植被冠层的叶片含水量。由于农业干旱的滞后效应，作物可以通过缩小气孔等方式来减少水分损失，只能到作物叶片严重缺水、枯萎、甚至死亡之后，该类模型才能反映出来。

5 结 论

大范围干旱快速监测评估及决策支持系统是干旱监测领域的一个重要研究方向。遥感和地理信息系统作为空间信息快速获取和高效管理的有效工具，已经在干旱监测研究中取得了广泛的应用。基于特征空间的干旱遥感监测方法各有优缺点，LST-NDVI特征空间法是对归一化温度指数的简化处理，相关理论与方法较为成熟，具有一定的推广应用价值；NIR-Red特征空间法适宜于对作物生长全过程的实时旱情监测；NIR-SWIR特征空间法对于高植被覆盖度地区能够取得较好的旱情监测精度。

综合应用多角度、多波段、多时相、多分辨率遥感数据，并结合气象模型、水文模型与作物生长模型，开发基于多源遥感数据的干旱决策支持系统，是农业干旱遥感监测从基础理论走向业务化应用的必由之路。高光谱遥感、微波遥感等进一步深入发展，将在未来的农业干旱遥感监测中发挥愈来愈重要的作用。

［1］ 肖乾广，陈维英，盛永伟.用气象卫星监测土壤水分的试验研究［J］.应用气象学报，1994，5（2）：312－317.（XIAO Qian-guang，CHENGWei-ying，SHENG Yong-wei.Experimentof soilmoisturemonitoring usingmeteor-ological satellite［J］.Journal of Applied Meteorology，1994，5（2）：312－317.（in Chinese））

［2］ 刘培君，张 琳，艾里西尔库尔班，等.卫星遥感估测土壤水分的一种方法［J］.遥感学报，1997，1（2）：135－138.（LIU Pei-jun，ZHANG Lin，et al.A soil mois-ture estimate approach using satellite reomote sensing［J］.Chinese Journal of Remote Sensing，1997，1（2）：135－138.（in Chinese））

［3］ WASTON K，ROWEN LC，OFFIELD TW.Application of thermalmodeling in geologic interpretation of IR images［J］.Remote Sensing Environ，1971，（3）：2017－2041.

［4］ 张仁华.土壤含水量的热惯量模型及其应用［J］.科学通报，1991，（12）：924－927.（ZHANG Ren-hua.Thermal inertiamodel of soilmoisture and its application［J］.Chinese Science Bulletin，1991，（12）：924－927.（in Chinese））

［5］ 余 涛，田国良.热惯量法在监测土壤表层水分变化中的研究［J］.遥感学报，1997，1（1）：24－31.（YU Tao，TIAN Guo-liang.Thermal inertiamodel in soil sur-face water dynamics［J］.Chinese Journal of Remote Sensing，1997，1（1）：24－31.（in Chinese））

［6］ 田国良，杨希华，郑 柯.冬小麦旱情遥感监测模型研究［J］.环境遥感，1992，7（2）：83－89.（TIAN Guo-liang，YANG Xi-hua，ZHENG Ke.Winter wheat remote sensing droughtmonitoringmodel［J］.Remote Sensing of Environment，1992，7（2）：83－89.（in Chinese））

［7］ JACKSON R D，IDSO SB.Canopy temperature as a crop water stress indicator［J］.Water Resources Research，1981，（17）：133－138.

［8］ 金亚秋.星载微波遥感在中国东北华北农田的辐射特征分析［J］.遥感学报，1998，2（1）：19－25.（JIN Ya-qiu.Radiation characteristics of farmland in north china using spacebornemicrowave remote sensing［J］.Chinese Journal of Remote Sensing，1998，2（1）：19－25.（in Chinese））

［9］ 王鹏新，龚健雅，李小文.条件植被温度指数及其在干旱监测中的应用［J］.武汉大学学（信息科学版），2001.26（5）：412－418（WANG Peng-xin，GONG Jian-ya，LIXiao-wen.Conditonal vegetation temperature index and its application in droughtmonitoring［J］.Journal of Wuhan University（Information Science Edition）.2001，26（5）：412－418.（in Chinese））

［10］PRICE JC.Using spatial context in satellite data to infer regional scale evaportranspiration［J］.IEEE transactions on Geoscience and Remote Sensing，1990，（28）：940－948.

［11］齐述华.干旱遥感监测模型和中国干旱时空分析［D］.北京：中国科学院，2004.（QI Shu-hua.Remote sensing droughtmonitoringmodel and drought spatio－temporal a-nalysis in China［D］.Beijing：Chinese Academy of Sci-ences，2004.（in Chinese））

［12］王鹏新，WAN Z，龚健雅，等.基于植被指数和土地表面温度的干旱监测模型［J］.地球科学进展，2003，18（8）：527－533.（WANG Peng-xin，WAN Z，GONG Jian-ya，et al.Remote sensing drought monitoring model based on vegetation index and land surface temperature［J］.Advance of Earth Science，2003，18（8）：527－533.（in Chinese））

［13］王鹏新，孙 威.基于植被指数和地表温度的干旱监测方法的对比分析［J］.北京师范大学学报（自然科学版），2007，43（3）：319－323.（WANG Peng-xin，SUN Wei.Comparative analysis of remote sensing droughtmo-nitoringmodel based on vegetation index and land surface temperature［J］.Journal of Beijing Normal University（Nature Science Edition），2007，43（3）：319－323.（in Chinese））

［14］詹志明，秦其明，阿布都瓦斯提·吾拉木，等.基于NIR-Red光谱特征空间的土壤水分监测新方法［J］.中国科学D辑，2006，36（11）：1020－1026.（ZHAN Zhi-ming，QIN Qi-ming，Abuduwasit ULAM，et al.A new ap-proach for soilmoisture remote sensing monitoring based on NIR-Red spectral feature space［J］.Science in China（D Edition）.2006.36（11）：1020－1026.（in Chi-nese））

［15］阿布都瓦斯提·吾拉木.基于n维光谱特征空间的农田干旱遥感监测［D］.北京：北京大学，2006.（Abudu-wasit ULAM.Agricultural drought remote sensing monito-ringmodel based on N-dimensional spectral feature space［D］.Beijing：Peking University，2006.（in Chinese））

［16］金 川.基于三维特征空间的农田干旱遥感监测模型研究［D］.北京：北京大学，2008.（CHUAN JIN.Agri- cultural drought remote sensing monitoring model based on 3-dimensional spectrual feature space［D］.Beijing：Peking University，2008.（in Chinese））

［17］阿布都瓦斯提·吾拉木，李召良，秦其明，等.全覆盖植被冠层水分遥感监测的一种方法：短波红外垂直失水指数［J］.中国科学（D辑），2007，37（7）：957－965.（Abuduwasit ULAM，LI Zhao-liang，QING Qi-ming，et al.A new remote sensing monitoring approach for ful cover canopy water：shortwave infrad perpendicular dehydration index［J］.Science in China（D Edition），2007，37（7）：957－965.（in Chinese））

（编辑：易兴华）

Recent Advance of Remote Sensing Drought M onitoring Approaches Based on Spectral Feature Space

LIZhe1，2，TAN De-bao1，QIN Qi-ming3，CUIYuan-lai2
（1.State Key Laboratory ofWater Resources and Hydropower Engineering Science，Wuhan University，Wuhan 430070，China；2.Spatial Information Technology Application Institute，Yangtze River Scientific Research Institute，Wuhan 430010，China；3.School of Earth and Space Science，Peking University，Beijing 100871，China）

Spectral feature space has large potential tomonitor agricultural drought and it becomes a hotspot in the field of remote sensing droughtmonitoring approaches.This paper summarizes some spectrum feature space approa-ches，divides them into three categories：LST-NDVIapproach，NIR-Red approach and NIR-SWIR approach，ana-lyzes deeply their basic principles，mathematical equations and application scope，discusses thoroughly their inner problems and development trends，and also points out their prospect and future work.

spectrum feature space；droughtmonitoring； remote sensing

TP79

A

1001－5485（2010）01－0037－05

2009-07-02

农业科技成果转化资金项目（05EFN216800404）；长江科学院博士启动课题（YJJ0910／KJ02）

李 ?（1980-），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）027-82926550（电子信箱）lizhe＠mail.crsri.cn。