基于MODIS遥感反演冠层温度在东北地区的应用

程 涛，孙文超，徐宗学，洪思扬

(1.北京师范大学水科学研究院，北京 1000875；2.城市水循环与海绵城市技术北京市重点实验室，北京100875)

0 引 言

作物缺水研究对于指导农业生产具有重要的意义，用作物自身的生理指标变化来反映作物的水分状况是作物缺水研究中的一个主要方面，这些生理变化指标包括叶水势、叶片相对含水量、叶温或冠层温度、叶气孔阻力以及作物光谱反射率等[1]。基于冠层温度反映作物水分状况的方法能在较大范围内对作物进行快速测定，且对植株表面不具有破坏性，是对大田作物进行缺水诊断最有效的方法之一[2]。冠层温度作为作物生长状态的一个重要指标，能够表征作物缺水状况，并进一步反映土壤墒情，对于了解当前的干旱情况、进行旱情监测和“精准农业”灌溉管理并最终实现降低灌溉成本、提高粮食产量具有十分重要的现实意义。

冠层温度是作物冠层茎、叶两者表面温度的平均值，受到环境和作物内部因素共同影响。作物的水分供应减少会导致其蒸腾潜热的减少和显热的增加，冠层温度随之上升[3]，Tanner[4]首先提出采用冠层温度指示作物水分状况，许多研究也已经表明，作物冠层温度是反映作物水分状况的一个良好指标[5]。近些年来，红外热成像技术快速发展并逐渐应用于农业领域。通过红外热像仪测量目标区域的温度分布状况并进行热图像分析处理，从而可以获得较为准确的作物冠层温度。国内外学者围绕作物冠层温度，利用红外热成像技术监测作物水分状况开展了大量研究工作[6-12]。传统的红外测温装置观测作物的冠层表面温度采用手持式红外测温仪，大部分的研究只能在田间尺度进行，范围比较小，不能进行大面积的干旱监测和预警工作。卫星遥感监测具有范围广、观测频率高等优势，近些年在干旱监测方面已得到较为广泛的应用[13-15]。随着热红外遥感技术的发展，利用遥感数据反演陆地表面温度(Land Surface Temperature，LST)的算法已经较为成熟，反演的精度在1 K以内，这为大范围提取作物冠层温度提供了可能[8, 16]。

通过卫星反演的地表温度是陆地表面各种地物的综合温度，将地表温度作为植被冠层温度的假设大多数情况下并不成立。在作物生长的中后期，植被覆盖率较高，地表温度近似等于冠层温度[17, 18]；而在作物生长前期和低植被覆盖率的农田，裸土表面会产生强大的背景辐射，对植被的辐射信号产生干扰，这将导致在白天反演的地表温度会比实际的冠层温度要高[16, 19]。本文应用MODIS卫星地表温度LST数据和归一化植被指数NDVI数据，基于植被指数温度NDVI～TS特征空间和线性混合模型，建立从地表温度LST中提取作物冠层温度(Canopy Temperature)的简化算法，为大范围地应用冠层温度监测农作物水分胁迫状况奠定了基础，为进一步对农业干旱的大范围实时监测预报、实时配水和及时的灌溉决策提供了技术支撑。

1 研究区和数据资料

1.1 研究区概况

研究区(图1)位于中国东北三省(辽宁、吉林、黑龙江)，经纬度范围在38.67°～53.56°N 和118.84°～135.09°E之间，总面积78.73 万km2里，年平均降水量604 mm，年平均温度6.2 ℃。东北肥沃的黑土地使其成为我国产粮大户，多年来一直是我国重要的商品粮生产基地，黑龙江省粮食总产多年全国第一，吉林省粮食单产多年全国第一，其中2015年东北三省的粮食总产量占到全国粮食总产量的19.3%[20]，是我国粮食贡献最大的区域。最近几年，全国大范围的干旱开始由南向北、由几年一发到几乎两年一旱的程度。东北农业生产以“雨养农业”为主，农业基础设施薄弱，抗灾能力较差，产量丰、歉收主要靠天。因此，对东北地区的干旱情况进行研究，利用遥感反演冠层温度，对东北干旱进行实时监测，对于指导农业抗旱、发展精准农业和增收增产是极为重要的。

图1 研究区概况Fig.1 Location and topography of the study area

1.2 资料来源

本文研究的目标时间是2015年作物生长期间，目标区域是东北地区，使用的资料来自两个方面的数据：一是来自美国地质勘探局的MODIS数据，分别是地表温度数据LST和植被指数数据NDVI，可以通过美国地质勘探局网站https:∥lpdaac.usgs.gov/data_access/data_pool进行下载。地表温度数据采用Terra卫星的MOD11A2数据产品，时间分辨率为8 d，空间分辨率大约为1 km，植被指数数据采用Terra卫星的MOD13A2数据产品，时间分辨率为16 d，空间分辨率为1km。下载2015年5月25日-9月14日每隔16 d一次的地表植被指数数据和每隔8 d一次的地表温度数据，通过最大值合成，将地表温度数据合成为16 d，与植被指数保持一致，最后通过影像拼接裁剪、投影转换以及数值的处理得到最终需要的计算输入数据；二是于2015年6-9月间在吉林省四平市梨树县农业气象站实际测量的玉米大田冠层温度数据，大田大约50 m×50 m，每次测量选取每棵植株上位置大致相同的叶片取其冠层温度值，然后对测量范围内所有叶片温度求平均值，得到该次测量的大田冠层温度平均值。

2 研究方法

2.1 作物冠层温度的计算方法

有较多的研究表明[17, 18, 21, 22]，像元的辐射温度与像元组分温度之间存在近似的线性关系。辛晓洲[23]对模拟的数据进行分析发现，辐射温度与像元中的植被面积比例基本上呈线性关系。本研究基于线性混合模型估算混合像元中作物冠层温度，线性混合模型公式如下：

Tsurface=Tcanopy×fc+Tsoil×(1-fc)

(1)

式中：Tcanopy，Tsoil分别为冠层温度和裸土温度；Tsurface为像元的混合温度；fc为作物覆盖度。

通过式(1)得到冠层温度的计算式如下：

(2)

以上与Sobrino[17]等用于柑橘霜冻监测的公式是一致的。植被覆盖度fc是植被冠层的垂直投影面积与土壤总面积之比，即植土比，采用Gutman的公式进行计算[24]：

(3)

式中：NDVImin和NDVImax分别对应地表为完全裸土和常绿植被时的NDVI，分别取值为0.04和0.52[24]。

2.2 裸土温度的计算方法

基于植被指数VI和地表辐射温度LST的组合方法利用卫星遥感数据估算地表蒸散已形成了一套较为成熟的方法[25]，这个方法又称为VI～Ts特征空间法，国内外学者利用该方法在地表蒸散的估算和农业干旱的监测方面进行了大量的研究和应用[26-29]。通常VI～Ts特征空间呈现梯形或三角形的空间分布特征，两者之间的关系随土壤湿度的变化而发生变化[27, 28]。假设研究区包含着干燥裸土和湿润裸土，其中干燥裸土在特征空间中用A点表示，该点具有较高的温度和较低的植被覆盖度，湿润裸土用C点表示，该点同时具有较低的植被覆盖度和温度。随着地表植被覆盖度的增加，地表温度也随之下降。B点表示植被完全覆盖、土壤水分充足的状况。通过VI～Ts组成的特征三角形ACB(图1)的关系来推算裸土可能存在的最大温度和最小温度以及裸土的实际温度。

在研究区域内，首先求出VI值范围从NDVImin至NDVImax间所有每一个NDVIi值所对应得像元温度最大值LSTNDVIi,max和最小值LSTNDVIi,min，然后分别对NDVIi与LSTNDVIi,max、NDVIi与LSTNDVIi,min进行线性拟合，得到拟合直线AB和BC的方程如下：

LSTNDVIi,max=a1+b1×NDVIi

(4)

LSTNDVIi,min=a2+b2×NDVIi

(5)

当NDVIi等于NDVImin时，根据AB和BC的拟合方程计算得到的LSTNDVIi,max和LSTNDVIi,min分别对应Tsoil,max和Tsoil,min，根据三角几何关系，可以计算VI值为NDVIi的某一像元中裸土成分的温度Tsoil，计算表达式如下：

(7)

图2 VI～Ts三角形特征空间示意图[16]Fig.2 Diagram for illustrating the relationship of VI～Ts

3 结果分析

3.1 冠层温度反演结果与验证

基于2.1和2.2节介绍的计算方法，对研究区逐像元计算作物冠层温度并提取地面测量点对应位置的冠层温度值，将该点冠层温度与在地面用手持式红外测温仪测量的冠层温度进行比较，进而分析误差原因。由于卫星遥感的时间周期为16天，对应地面测量时间范围附近一共有6次数据，但两者时间不完全一一对应，因此，本文对时间相近的也进行对比。

如表1所示，能够比较的6组对应数据中，有3组冠层温度的遥感反演值和地面测量值绝对误差较小，分别是7月12日(对应于地面测量的11日)、8月13日，和8月29日(对应于地面测量的20日)，绝对误差分别为1.87、0.19和1.71 ℃。同时可以看到，冠层温度地面测量值在7月11日之后，应该有一个冠层温度先降后升的阶段，因此7月12日的实际反演误差可能稍微更大一些。而冠层温度地面测量值在8月20日之后有一个稍微上升的趋势，因此8月29日的实际反演误差可能会稍微更小一些。

表1 地面观测与遥感反演的冠层温度对比Tab.1 Comparison between observed canopy temperature andremote sensing derived canopy temperature

在冠层温度反演值误差较大的3组中，6月10日的反演误差最大，达到17.37 ℃，其次是6月26日，但同时可以看到，此时的归一化植被指数NDVI相对较小，为0.38。根据前面的介绍，在植被覆盖度较小的情况下，裸土表面的强大背景辐射会对植被的辐射信号产生干扰，这将对植被冠层温度的反演产生较大的干扰，可以看到6月26日反演的冠层温度数值明显比6月10日要小。而对于7月28日反演的冠层温度，可以看到误差也相对较大，但是实测值在7月27日之后有一个下降的趋势，因此实际反演误差应稍微减小。

地表温度LST数据也显示在6、7月份初很多区域的LST值超过30 ℃，其精度本身相对较低，这进一步影响了冠层温度反演精度。

3.2 冠层温度反演结果分析

图3为研究区2015年每隔10天的冠层温度反演结果。从图中可以看到，5月底到6月底，研究区西南部冠层温度较高，尤其是6月10日，大面积区域的冠层温度超过了30 ℃，局部超过了40 ℃。可能的原因是在作物生长的初期，植被覆盖率比较低(图5)，如前所述，在植被覆盖比较低的情况下，由于裸土表面背景辐射的影响，反演的冠层温度比实际的要高，且从图4的地表温度LST也可以看到，MODIS所提供的LST数据自身精度的问题也会影响到冠层温度的反演。

图3 研究区2015年5月-8月冠层温度反演结果Fig.3 Canopy temperature of the study area from May to August in 2015

图4 研究区2015年5-8月地表温度Fig.4 Surface temperature of the study area from May to August in 2015

图5 研究区2015年5-8月归一化植被指数Fig.5 NDVI of the study area from May to August in 2015

随着NDVI值的增大，裸土辐射影响减少，可以发现东北地区西南部冠层高温情况减少，但相对于其他区域冠层温度仍然较高，主要原因是该区域降雨较少，植被根部的水分胁迫会导致冠层温度的升高。随着时间进入到秋冬季节，作物需水量减少、气温降低，可以明显看到整个东北区域的冠层温度有明显的下降趋势。

3.3 结果讨论

利用冠层温度反映作物水文状况是一个较为有效且相对及时的方法，Gerhards等[30]对多种利用地面光学测量获得的指标进行分析得到，叶片温度指标对于作物水分状况具有较为迅速的反映效果，在作物停止灌溉2天后，作物开始出现水分胁迫，而叶片温度指标在第7天就能够很明显地指示水分胁迫的出现。本文基于冠层温度对作物缺水的良好指示作用，利用遥感手段进行大范围、相对连续的冠层温度提取，用于区域农业干旱的监测。

冠层温度反演值与地面测量值对比发现，在作物生长前期由于植被覆盖度较低，地表裸土的辐射影响造成冠层温度反演值与实测值有较大出入，而在作物生长的中后期，植被覆盖度增大，地表裸土辐射较小，遥感反演的冠层温度大致能够反映作物实际冠层温度，因此反演误差较小。同时，由于本文实际安排的地面测量时间与遥感数据的周期并不完全吻合，不能够对遥感反演结果一一对应地进行分析，但根据趋势分析也能较为恰当地说明遥感反演冠层温度的效果。

另外，本文利用VI～TS方法反演地表温度时，发现VI～TS特征空间并不呈现明显的三角形特征，而是近似抛物线形状，这在刘英等[31]的研究也有说明。但也有研究[32]指出，NDVI值特低的区域大部分是水体和城镇，为了提高对农业干旱的反演精度，可以不考虑NDVI特低的区域。本文仅对NDVI>0.15的区域进行分析，此时VI～TS特征空间呈近似三角形，可以对地表裸土温度进行较为精确的反演。

4 结 论

本文利用卫星遥感数据，基于植被指数温度(NDVI～TS)特征空间和线性混合模型，建立冠层温度的反演算法，并用地面实测值进行验证，得到较好的效果。基于以上分析与计算，可以得到如下结论：

(1)本文建立的反演算法所得到的冠层温度与实测值较为一致，反演的误差相对较小，能够较为准确地反映作物生长状况；

(2)反演算法在作物生长前期对冠层温度的反演效果较差，主要原因是低植被覆盖度所造成的土壤辐射影响，而在中后期，由于植被覆盖度较高，反演效果较好；

(3)本文建立的反演算法，计算方法相对简单，方便自动化处理，遥感数据易于获得，且监测范围较为广泛，可以用于大面积农业干旱监测。

□

[1] 袁国富, 唐登银, 罗 毅, 等. 基于冠层温度的作物缺水研究进展[J]. 地球科学进展, 2001,16(1):49-54.

[2] 吴晓磊, 张寄阳, 刘 浩, 等. 基于红外热像仪的棉花水分状况诊断方法[J]. 应用生态学报, 2016,27(1):165-172.

[3] Yuan G F, Tang D Y, Luo Y, et al. Advances in canopy-temperature-based crop water stress research[J]. Advance in Earth Sciences, 2001,16(1):45-54.

[4] Tanner C B. Plant Temperatures[J]. Agronomy Journal, 1963,55(2):210-211.

[5] 蔡焕杰, 康绍忠. 棉花冠层温度的变化规律及其用于缺水诊断研究[J]. 灌溉排水学报, 1997,16(1):1-5.

[6] Leinonen I, Jones H G. Combining thermal and visible imagery for estimating canopy temperature and identifying plant stress.[J]. Journal of Experimental Botany, 2004,55(401):1 423-1 431.

[7] Cohen Y, Alchanatis V, Meron M, et al. Estimation of leaf water potential by thermal imagery and spatial analysis.[J]. Journal of Experimental Botany, 2005,56(417):1 843-1 852.

[8] 黄华国, 柳钦火, 刘 强, 等. 利用多角度热图像提取冠层组分温度和方向亮温[J]. 北京师范大学学报(自然科学版), 2007,43(3):292-297.

[9] Meron M, Sprintsin M, Tsipris J, et al. Foliage temperature extraction from thermal imagery for crop water stress determination[J]. Precision Agriculture, 2013,14(5):467-477.

[10] Cheng Q, Huang C Y, Wang D W, et al. Correlation between Cotton Canopy CWSI and Photosynthesis Characteristics Based on Infrared Thermography[J]. Cotton Science, 2012,24(4):341-347.

[11] Zhang X Y, Sun H Y, Wang Y Z, et al. Application of a Simplified Method for Estimating CWSI with Infrared Thermography[J]. Chinese Journal of Agrometeorology, 2013,34(5):569-575.

[12] Huang C Y, Wang D W, Xiao L J, et al. Study of Relationship between Water Stress Index and Leaf Water Potential Based on Infrared Thermography[J]. Infrared, 2013,60(4):1 463-1 477.

[13] 温 奇, 范一大, 陈世荣, 等. 环境减灾卫星数据在旱灾预警监测中的应用[J]. 遥感技术与应用, 2012,27(4):591-599.

[14] 郭 铌, 王小平. 遥感干旱应用技术进展及面临的技术问题与发展机遇[J]. 干旱气象, 2015,33(1):1-18.

[15] 范一大, 吴 玮, 王 薇, 等. 中国灾害遥感研究进展[J]. 遥感学报, 2016,20(05):1 170-1 184.

[16] 侯英雨, 孙 林, 何延波, 等. 利用EOS-MODIS数据提取作物冠层温度研究[J]. 农业工程学报, 2006,22(12):8-12.

[17] Sobrino J A, Coll C, Caselles V. Atmospheric corrections for land surface temperature using AVHRR channel 4 and 5[J]. 1991,38(1):19-34.

[18] SOBRINO J A, CASELLES V. A methodology for obtaining the crop temperature from NOAA9 AVHRR data[J]. International Journal of Remote Sensing, 1991,12(12):2 461-2 475.

[19] 王纯枝. 作物冠层温度和旱情遥感监测及估产研究[D]. 北京: 中国农业大学生态学, 2006.

[20] 中华人民共和国国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2015.

[21] Lhomme J P, Monteny B, Chehbouni A, et al. Determination of sensible heat flux over Sahelian fallow savannah using infra-red thermometry[J]. AGRICULTURAL AND FOREST METEOROLOGY -AMSTERDAM- ELSEVIER-, 1994,27(12):236-248.

[22] Norman J M, Becker F. Terminology in thermal infrared remote sensing of natural surfaces[J]. Remote Sensing Reviews, 1995,12(3-4):153-166.

[23] 辛晓洲. 用定量遥感方法计算地表蒸散[D]. 北京: 中国科学院研究生院(遥感应用研究所), 2003.

[24] Gutman G, Ignatov A. The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing, 1998,19(8):1 533-1 543.

[25] Nishida K, Nemani R R, Running S W, et al. An operational remote sensing algorithm of land surface evaporation[J]. Journal of Geophysical Research Atmospheres, 2003,108(108):469-474.

[26] 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.

[27] 沙 莎, 郭 铌, 李耀辉, 等. 我国温度植被旱情指数TVDI的应用现状及问题简述[J]. 干旱气象, 2014,32(1):128-134.

[28] 刘立文, 张吴平, 段永红, 等. TVDI模型的农业旱情时空变化遥感应用[J]. 生态学报, 2014,34(13):3704-3711.

[29] 孟可竹. 应用TVDI于监测内蒙古之干旱[D]. 台北: 国立中央大学, 2012.

[30] Gerhards M, Rock G, Schlerf M, et al. Water stress detection in potato plants using leaf temperature, emissivity, and reflectance[J]. International Journal of Applied Earth Observation & Geoinformation, 2016,53:27-39.

[31] 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.

[32] 熊世为. 基于环境卫星数据的冬小麦旱情反演研究[D]. 南京: 南京信息工程大学, 2013.