国产HJ-1B卫星数据的地表温度及湿度反演方法——以呼伦贝尔草原伊敏露天煤矿区为例

赵菲菲， 包妮沙， 吴立新,3， 孙瑞

(1.东北大学测绘遥感与数字矿山研究所,沈阳 110819； 2.北京国测星绘信息技术有限公司，北京 100048；3.中南大学地球科学与信息物理学院，长沙 410083； 4.江苏省地质测绘院,南京 210008)

国产HJ-1B卫星数据的地表温度及湿度反演方法
——以呼伦贝尔草原伊敏露天煤矿区为例

赵菲菲1,2， 包妮沙1， 吴立新1,3， 孙瑞4

(1.东北大学测绘遥感与数字矿山研究所,沈阳 110819； 2.北京国测星绘信息技术有限公司，北京 100048；3.中南大学地球科学与信息物理学院，长沙 410083； 4.江苏省地质测绘院,南京 210008)

草原露天煤矿的土壤湿度遥感监测可以反映露天开采活动对生态环境的扰动程度。选择国产环境卫星(HJ-1B)多光谱及热红外光谱数据，探讨HJ-1B数据在中国北部呼伦贝尔草原伊敏露天煤矿区地表温度及湿度的反演模型及适宜性，对比分析JM&S,Qin和Artis算法在研究区温度反演中的精度及适用性； 进一步利用归一化植被指数和地表温度(NDVI-LST)的特征空间反演温度植被干旱指数(temperature vegetation dryness index，TVDI)； 通过野外实测土壤湿度数据对NDVI-LST特征空间中的干边模型进行修正。结果表明： 基于Qin算法反演的温度数据精度最高； 干边纠正系数为0.3时，TVDI与实测土壤含水量相关性最高，“湿边”呈现剖物线特征，“干边”呈现线性规律。反演结果能够很好地反映露天煤矿区内不同地物的地表干旱状况及空间异质性，可为草原露天煤矿区的长周期陆面演变监测提供基础数据。

国产环境卫星(HJ-1B)； 露天煤矿区； 干边模型； 地表温度(LST)； 土壤湿度； 温度植被干旱指数(TVDI)

0 引言

土壤湿度作为“大气―土壤―植被”系统物质与能量交换的主要环节，在一定程度上决定了土壤的形成与性质，同时也是影响气候的重要因素，对全球气候变化敏感，可作为地表水文过程的一个综合表征[1]。干旱-半干旱区约占全球陆地总面积的30%，区域降水稀少、水资源缺乏、生态环境极其脆弱，对全球变化的响应十分敏感[2]。因此，开展土壤湿度的监测、预测与评估研究，不仅迫在眉睫，而且具有重大现实意义。随着卫星遥感技术和GIS技术集成的迅速发展，通过对地面温度变化、作物生理参数变化以及云层覆盖等进行建模，建立评估土壤水分含量变化状况的干旱监测模型，可以及时有效地完成大面积、实时动态的干旱地区旱情监测[3]。

土壤湿度的遥感反演方法主要有微波遥感法、可见光法与热红外法[4]等。随着星载遥感仪器开始为地表温度(land surface temperature,LST)反演研究提供热红外遥感数据，利用可见光与近红外法获取的能够反演作物形态指标与生理特性的土壤湿度监测综合指数也得到了广泛应用[5-6]，目前NOAA系列卫星、Landsat系列卫星、Terra/Aqua系列卫星等搭载的遥感仪器为土壤水分的估测提供了可见光与热红外数据[7]。然而，由于中等空间分辨率或时间分辨率的限制，联合光学遥感与热红外遥感的干旱监测只能应用在大尺度的区域。环境一号A/B卫星(HJ-1A/B)是我国自主研发的、专门用于环境和灾害监测的对地观测卫星[8-9]。环境一号B星(HJ-1B)搭载了CCD相机和红外相机(IRS)，其30 m空间分辨率的可见光与近红外波段、300 m空间分辨率的热红外波段以及4 d的重访周期，为我国自主完成小尺度的土壤湿度监测提供了高时间分辨率和较高空间分辨率的遥感数据源[10-11]。地表数据与从遥感图像获取的归一化差值植被指数(normalized difference vegetation index,NDVI)和LST是描述地球表面特征的2个重要参数，与植被的生理特性和土壤水分状况密切相关[12]。温度植被干旱指数[13](temperature vegetation dryness index,TVDI)综合了NDVI与LST这2个参数，有效地减小了植被覆盖度对土壤湿度监测的影响，可更多地提供地表水分含量与植被覆盖的变化信息，解决植物在受水分胁迫时短期内仍能保持原有绿色的时间滞后问题，从而为干旱监测提供准确的数据支持[14]。TVDI是基于NDVI-LST的空间特征关系得到的，LST数据的反演精度对土壤湿度的反演结果尤为重要。目前，利用单个热红外波段进行温度反演的算法主要有JM&S单通道算法[15]、单窗算法[16]和Artis算法[17]，而对HJ-1B数据的不同温度反演算法的适用性与精度有待进一步探讨。

内蒙古自治区东部草原(简称蒙东草原)是我国半干旱区域气候变化响应的敏感区域，这一区域持续而又频繁的煤炭开采活动，改变了草原区域的地下水位，破坏了周边植被，因而出现了植被退化、土壤沙化等环境问题，进一步加重了半干旱化的进程。尽管蒙东草原植被退化及沙漠化的时空变化得到了广泛研究[18-21]，但对与草原退化与沙漠化密切相关的LST与土壤湿度变化研究较少。因此，本文的目的是探讨适合HJ-1B数据的小尺度草地生态系统的LST与土壤湿度的反演模型，以推动国产卫星在蒙东草原长周期地面演变监测和半干旱区域矿区干旱动态监测中的应用。

1 研究区概况

以伊敏露天煤矿为研究区，该区地处我国大兴安岭以西、海拉尔盆地以西的呼伦贝尔草原(蒙东草原的重要组成部分)，伊敏河中下游的西侧，占地面积371 hm2(图1(a))。

(a) HJ-1B B3(R)B2(G)B1(B)彩色合成图像(b) 矿区地物分类结果(2014年9月)

图1伊敏露天煤矿

Fig.1Yiminopen-castcoalmine

研究区寒温带大陆性季风气候特点显著，年平均降水量为28 mm，降水期主要集中在7—8月。矿区主要土壤类型为黑钙土、暗栗钙土和栗钙土，其地带性高原型地貌的主要植被覆盖为羊草、针茅和披碱草等牧草。伊敏露天煤矿开采始于1985年，服务年限设计为90 a，现已经形成3个排土场与1个采坑区，其中将剥离的岩石、土壤进行堆置并覆以30 cm的标称原地貌土壤而形成排土场，排土场主要复垦植被为针茅与沙棘。

2 数据源及其预处理

2.1 遥感数据

HJ-1A/B星于2008年9月6日成功发射，HJ-1A星搭载了超光谱成像仪和CCD相机，HJ-1 B星搭载了红外相机和CCD相机，重访周期为4 d。根据2014年6―9月份的降水量数据，确定研究区的降水集中在7―8月份，因此本文选取2014年9月覆盖伊敏煤矿区半干旱草原的HJ-1B卫星数据。对HJ-1B数据进行了必要的预处理，包括对IRS数据的辐射定标与CCD数据大气校正，以及图像几何配准(配准误差小于1个像元)、数据裁剪和统一至30 m空间分辨率的重采样。

2.2 地面采样

本研究于2014年9月6―12日进行了地面采样及观测实验，采样时间与HJ-1B卫星遥感数据获取时间基本同步，采样范围以伊敏露天煤矿区为中心外扩10 km, 采样涉及范围达1 600 km2。根据研究区土地利用现状图(图1(b))，采用分区随机采样法布设样点，共布设46个样方、14个控制点。采样单元均匀分布在1 km×1 km样地中，每个采样单元大小为30 m×30 m； 在采样单元内按照“V”形状选取3个1 m×1 m样方，样方采集的土样深度为0～10 cm； 对每一样方采用四分法进行取样，并测量土壤的含水量； 取3个样方土壤含水率的均值作为基本采样单元的土壤湿度值，同时利用GPS记录每个样方的地理坐标和植被类型等。土壤含水率测算方法为： 将土样在105℃的环境下烘干至恒重； 用精度为0.01 g的天平称土样的湿重与干重，分别秤3次，计算均值，得到土壤的含水量。

2.3 气象数据

研究区的气象数据由距离矿区50 km的气象站提供，分别为2014年9月的平均水汽压(e)数据、平均温度数据(T0)以及6―9月份的降水量数据。

2.4 验证数据

分别利用MODIS数据和野外实测数据对利用HJ-1B数据反演的LST数据进行验证。下载与HJ-1B星数据获取时间一致的MODIS LST数据产品。MODIS的温度产品MOD11A1是采用Sinusoidal投影方式的3级网格数据产品，具有1 000 m的空间分辨率，每天提供一次。为了避免因地面配准产生的误差导致遥感卫星数据反演的土壤湿度像元和地面样方不能一一对应，以野外基本采样单元(30 m×30 m)为中心像元，生成3像元×3像元窗口，取该窗口内图像的土壤湿度的均值，与地面土壤湿度建立对应关系，从而利用野外采样数据验证遥感反演结果。

3 研究方法

3.1 温度反演

TS=γ[ε-1(ψ1Lsensor+ψ2)+ψ3]+δ,

(1)

其中

(2)

δ=-γLsensor+Tsensor,

(3)

式中：Ts为地表温度，K；Tsensor为星上亮温，K；Lsensor为星上辐射值，Wm-2·sr-1·μm-1；ε为地表比辐射率；λ为有效波长，根据JM&S算法中的计算公式得到λ=11.511 μm；γ与δ为与普朗克公式线性展开有关的变量； c1和c2为辐射常数，c1=1.191 043 56×108Wm-2·sr-1·μm4，c2=1.438 765 8×104μm·K；ψ1,ψ2和ψ3为大气参数，与波长和大气含水量(ω)有关，针对HJ-1B热红外波段，参考段四波等[22]文献，其计算公式为

(4)

式中ω=0.138e1.001，e为气象站提供的平均水汽压数据。

Qin等[16]根据地表热辐射传导公式提出了单窗算法，与传统的辐射传导方程法相比，仅需要近地表温度与大气水分含量2个大气参数，即

(5)

其中

C=ετ，

(6)

D=(1-τ)[1+(1-ε)τ],

(7)

式中：ε为地表比辐射率； a和b为根据图像的温度变化范围得到的常数，在本研究区，a=-60.896 9,b=0.439 078；Tsensor为星上亮温，K；Ta为大气平均温度，即

Ta=20.430 72+0.905 07T0(中纬度夏季大气) ;

(8)

T0为近地表温度；τ为大气透过率，可由大气水汽含量估算得到，即

τ=0.983 1-0.124 1ω。

(9)

Artis等[17]提出的基于图像的反演算法，反演过程较为简单，易操作，但忽略了大气辐射因素的影响。其计算公式为

(10)

ρ=hc/σ,

(11)

式中：T为星上亮温，K；λ为有效波长(11.511 μm )；ε为比辐射率； h为普朗克常量，h=6.626×10-24J·s； c为光速，c=2.992 8×108m·s-1；σ为玻尔兹曼常数，σ=1.38×10-23J·K-1。

3.2 地表比辐射率计算

采用分类法与NDVI法相结合的方法获取地表比辐射率，可有效消除部分由分类带来的误差和单纯使用NDVI法导致某些地物混淆的误差。应用面向对象分类的方法完成研究区的地物判别，最终得到5种地物： 水体、植被、建筑物表面、裸土和植被与裸土的混合像元。通过对研究区的NDVI值概率分布结果统计，获取累积概率分别为5%和95%的NDVI值作为NDVI最小值和NDVI值，计算植被覆盖度Pv，即

Pv=[(NDVI-NDVImin)/(NDVImax-NDVImin)]2,

(12)

式中：NDVImin和NDVImax分别为研究区NDVI最小值和最大值。

参考覃志豪等[23]的比辐射率估算方法，确定水体、植被、建筑表面和裸土的比辐射率分别为εω=0.995，εv=0.99，εb=0.968和εs=0.974； 植被与裸土的混合像元的比辐射率计算公式为

ε=PvRvεv+(1-Pv)Rsεs,

(13)

其中

Rv=0.933 2+0.058 5Pv,

(14)

Rs=0.990 2+0.106 8Pv,

(15)

式中：εv和εs分别为植被和裸土的比辐射率；Rv和Rs分别为植被和裸土的温度比率。

3.3 干旱监测指数及其修正

2002年Sandholt等[13]基于NDVI与LST的关系，提出了TVDI模型。该模型不受作物生长季的限制，可以监测区域相对干旱程度的空间变化，具有地区专一性和地域专一性特点； 同时该方法要求研究区域NDVI值的动态变化范围大，有裸土到密闭植被的变化，以及土壤表层含水量应有从萎蔫含水量到田间持水量的动态变化范围[12]。TVDI的表达式为

(16)

式中：TS为图像中某一像元的LST；TSmin为某一NDVI值对应的最低LST，对应湿边；TSmax为某一NDVI值对应的最高LST，对应干边。

本文利用研究区的NDVI与LST图像提取每个NDVI值对应的最高LST与最低LST，进而采用多元逐步回归方法对NDVI值及其对应的最高LST和最低LST分别进行二次拟合与一次拟合，分别获取干边与湿边的拟合方程。

分析NDVI-LST特征空间可知，LST达到模拟干边的温度时，植被关闭叶片气孔，出现零蒸散现象[24]。实际上，由于土壤中植被靠根部吸水，在高植被覆盖区域(即使是在干旱区)几乎不存在零蒸散现象； 因此，基于遥感图像数据获取的干边的温度要低于真实干边的温度，并且植被覆盖越高，模拟干边与真实干边的差距越大(图2)。

图2 真实干边与模拟干边的差距

为了修正上述误差，需将模拟干边“还原”为真实干边。Stisen等[25]认为真实干边与拟合干边呈非线性相关，其蒸发修正量随着NDVI的增大而迅速增长。根据他们提出的修正方法，本文对TVDI模型中的模拟干边进行如下修正，即

(17)

式中：φi,min为非线性拟合干边的Priestly-Taylor(P-T)参数；φmax为NDVI-LST特征空间湿边的P-T参数(最大蒸散情况下)。

根据Stisen等[25]的假设，将式(17)中对TVDI的改进用于反演土壤水分，即

(18)

式中：C为用于将模拟干边校正到真实干边的修正系数，C与该时间段内的降雨和蒸散状况有关，一般情况下，降雨量越大，C的取值越大；TVDIi，NDVIi和TVDI(Ci)分别为像元i修正前的TVDI与NDVI和修正后的TVDI。C的取值范围为0～1，当野外实地土壤含水量数据与基于不同干边纠正系数获取的TVDI相关性最高时，C为该区域内干边修正的最适宜值。由于C的大小与区域内降雨量相关，参考赵杰鹏等[26]对干旱-半干旱地区的C值修正结果，本文选择C值范围为0～0.5，并以0.1为步长，结合野外观测数据测试得到最适宜的C值，从而完成研究区内干边修正模型。

4 结果与讨论

4.1 不同温度反演方法对比分析

利用以上参数、基于3种不同方法得到研究区温度反演图。对不同算法获取的温度产品与MODIS LST产品的统计对比结果(表1)表明，JM&S与Qin方法在最大值、最小值和平均值上与参考数据较为接近，而Artis算法则在标准差方面表现较好。

表1 不同算法获取的温度产品与MODIS LST产品统计对比

为了进一步直观分析3种算法的温度反演图，使用MOD1S LST产品对反演的HJ-1B 温度数据进行验证，分别选取矿区北部的湖泊位置与矿区位置做剖面线(图1(a))，统计LST值沿剖面线方向的变化(图3)。

(a) 剖面线1 (b) 剖面线2

图33种算法反演温度与参考温度剖面对比

Fig.3ProfilecomparisonbetweenLSTsretrievedbyusingthreealgorithmsandreferencedata

从图3可以看出，3种算法反演的LST在数值上均低于同时期的MODIS LST数据； 与Artis算法相比，JM&S与Qin算法反演的LST数据在数值和曲线走势、起伏状况上与参考数据更为相似。此外，基于HJ-1B卫星数据反演的LST数据比MODIS LST数据的空间分辨率更高，剖面线的温度起伏变化更为显著，存在更多个小的波峰波谷变化。这与Sobrino等[27]利用3种算法对Landsat 5数据进行LST反演、得到JM&S与Qin算法反演精度更高的结论是相同的。

4.2 修正后的TVDI空间分布特征

对TVDI指数修正的过程充分考虑了降雨量与蒸散，一般情况下降雨量越大，相应地C的取值应该越大。由于研究区位于干旱-半干旱气候带，因此选择C的步长为0.1，变化范围为0.1～0.5，共5个数值。利用野外采样获取的土壤含水量对不同算法以及用不同干边纠正系数获取的干旱指数进行相关性分析，从而完成干边的修正(图4)。

图4 不同修正参数的TVDI反演精度与土壤含水量的相关性

从图4可以看出，利用JM&S与Qin算法获取的TVDI值，当C=0.3时，TVDI与土壤含水量的相关性最大。对于国产卫星HJ-1B数据，Qin算法反演的TVDI与土壤含水量的相关系数(R2)要高于JM&S算法。通过Qin算法反演得到的LST，进一步分析NDVI-LST空间分布特征以及干边、湿边方程，NDVI与其对应的LST最大值构成二次曲线模型，而与LST最小值呈线性分布(图5)。

图5 Qin算法反演的LST与NDVI空间分布关系

因此，本文基于NDVI图像与LST图像，采用多元逐步回归方法完成干、湿边的拟合。干边的最高拟合系数达到0.944，湿边的最高拟合系数为0.784。当NDVI<0.3时，温度基本保持不变； 而NDVI>0.3后，随着NDVI的增加，温度降低与NDVI成负相关。Gao等[28]也得到了相似的结论： 在植被覆盖度高的草地或农场，当NDVI≥0.18时，温度就会急剧下降。

4.3 矿区温度及土壤湿度空间分异规律

基于Qin算法获取的研究区温度与湿度空间分布如图6所示。从中可以看出，区内土壤水分含量较高的地方集中在河流、湖泊以及植被高覆盖区域，温度较低(在282～286 K)； 而矿区采坑及其未复垦的排土场等裸土区域则呈现出缺水与干旱的状况，温度高(292～298 K)； 矿区排土场复垦区域与未复垦区域温度与湿度差异明显，空间异质性强。对不同地物所对应的温度与湿度进行比较分析(图7)可以看出，LST较高的土地利用类型为围栏草场和裸土，其次为复垦区和放牧区。围栏草场在7―8月份植被覆盖度最高，土壤储存了大量的水分； 9月经过收割后，地表裸露，加快了水分的蒸发作用，地表含水量迅速降低。在大于20 a的复垦区，地表植被类型以灌木为主，而且复垦区受到人工管护与浇灌，LST低，土壤湿度均高于围栏草场和放牧草场。在小于20 a的复垦区，植被类型以人工种植的苜蓿为主，植被根系下扎深，土壤保水性能增强，同时排土场植被未遭到收割与放牧，覆盖度略高于放牧区与围栏区，因此LST值低、土壤湿度略高于围栏草场和放牧草场。综合考虑植被与LST值，研究区TVDI指数在裸土区域最高，围栏草场和放牧草场的TVDI指数在9月份的遥感数据反演结果中差异并不大，围栏草场和放牧草场的TVDI值均高于复垦区。

(a) 温度空间分布 (b) 土壤TVDI分布

图6矿区温度与湿度空间分布图

Fig.6SpatialdistributionofLSTandTVDIofsoilinminingarea

(a) 温度统计 (b) 湿度统计

图7不同地物类型对应的温度与湿度统计值对比

Fig.7ComparisonofLSTandsoilmoisturefromdifferentlandcover

5 结论

本文利用HJ-1B卫星数据反演归一化植被指数(NDVI)和地表温度(LST)，通过分析NDVI与LST的空间特征生成温度植被干旱指数(TVDI)与基于干边纠正系数的TVDI，从而建立了研究区LST与土壤湿度反演模型。基于同时期的MODIS LST产品与野外调研获取的土壤含水量数据，对不同算法得到的LST数据以及不同干边纠正系数获取的土壤湿度指数进行了验证。得到如下结论：

1)利用野外实测数据和MODIS LST产品数据对LST反演结果进行验证，Qin算法在研究区的反演精度最高。这是因为Qin算法考虑了地表比辐射率影响的同时，加入了大气辐射的影响。本文通过对地物精细分类，计算了裸土、水体、植被与建筑物的比辐射率，并根据热辐射传输方程加入大气透过率以及大气平均作用温度等参数，消除了大气辐射的影响，从而获取了精度较高的LST。

2)通过考虑研究区降雨量与蒸发量，对TVDI进行了修正。研究区干边纠正系数C=0.3时，TVDI与土壤含水量的拟合系数R2最高，干边纠正后TVDI指数大大提高了与土壤含水量的相关性，能够很好地反映地表水分含量。研究区NDVI-LST的空间分布特征中，“湿边”呈现双抛物线特征，“干边”呈现线性规律； 当植被覆盖度处于较低或较高水平时，NDVI均不能有效地显示区域植物生物量。Carlson等[29]指出在NDVI低值和高值部分，干边不是线性的。刘英等[30]提出了双抛物线型的NDVI-TS空间特征。本文的研究区植被覆盖度涵盖范围较广，在涵盖NDVI=0附近的裸土的同时，河流周边的植被覆盖度较高，抛物线型的干边很好地考虑了较低与较高植被覆盖度的情况，完整体现了研究区的植被指数与温度之间的关系。

3)矿区不同复垦年限的LST与湿度差异明显，大于20 a复垦年限的土壤较围栏草场与放牧草场土壤含水量高，不到20 a复垦区域的排土场与放牧区域温度相似，土壤湿度高。相同温度下的收割的围栏草场与裸土区域中，裸土的含水量要低于围栏草场区域。放牧区的地表温度要远远低于围栏草场，两者所对应的土壤含水量却相近，说明单一因素地表温度在表征土壤含水量方面存在缺陷，通过LST与植被指数的综合表征才能有效而精确地表征土壤含水量信息。

本研究表明，相比国外的Landsat与MODIS数据，具有高空间分辨率与高时间分辨率的我国环境卫星(HJ-1B)数据可以更好地完成矿区小尺度的地表土壤湿度监测，改变国内仅仅依靠中等空间分辨率国外遥感卫星数据的现状。通过分析矿区干旱指数空间格局的变化，可快速有效完成矿区干旱动态监测以及生态复垦工作评价工作。随着我国卫星遥感技术的发展，将高分辨率国产卫星遥感数据应用于矿山旱情动态监测，既可大幅度节约数据的购置成本，也可提高年度监测的频次，为大规模开展多期次动态矿山遥感监测作提供数据保障。

志谢： 华能伊敏煤电公司提供了野外调研基地与数据支持，国家气象信息中心提供了气象数据，在此一并表示衷心感谢。

[1] Petropoulos G P,Ireland G,Barrett B.Surface soil moisture retrievals from remote sensing:Current status, products & future trends[J].Physics and Chemistry of the Earth,Parts A/B/C,2015,83-84:36-56.

[2] 黄建平,季明霞,刘玉芝,等.干旱半干旱区气候变化研究综述[J].气候变化研究进展,2013,9(1):9-14. Huang J P,Ji M X,Liu Y Z,et al.An overview of arid and semi-arid climate change[J].Progressus Inquisitiones de Mutatione Climatis,2013,9(1):9-14.

[3] Zhang F,Zhang L W,Shi J J,et al.Soil moisture monitoring based on land surface temperature-vegetation index space derived from MODIS data[J].Pedosphere,2014,24(4):450-460.

[4] 杨涛,宫辉力,李小娟,等.土壤水分遥感监测研究进展[J].生态学报,2010,30(22):6264-6277. Yang T,Gong H L,Li X J,et al.Progress of soil moisture monitor-ing by remote sensing[J].Acta Ecologica Sinica,2010,30(22):6264-6277.

[5] Piles M,Camps A,Vall-Llossera M,et al.Downscaling SMOS-derived soil moisture using MODIS visible/infrared data[J].IEEE Transactions Geoscience and Remote Sensing,2011,49(9):3156-3166.

[6] 刘星含,张佳华,许晓宏.MODIS-TVDI指数监测新疆干旱动态[J].遥感信息,2015,30(2):111-115. Liu X H,Zhang J H,Xu X H.Drought monitoring in Xinjiang by using MODIS-TVDI[J].Remote Sensing Information,2015,30(2):111-115.

[7] 梁顺林,李小文,王锦地.定量遥感:理念与算法[M].北京:科学出版社,2013. Liang S L,Li X W,Wang J D.Quantitative Remote Sensing:Idea and Algorithm[M].Beijing:Science Press,2013.

[8] Shahabfar A,Ghulam A,Eitzinger J.Drought monitoring in Iran using the perpendicular drought indices[J].International Journal of Applied Earth Observation and Geoinformation,2012,18:119-127.

[9] Ozelkan E,Chen G,Ustundag B B.Multiscale object-based drought monitoring and comparison in rainfed and irrigated agriculture from Landsat 8 OLI imagery[J].International Journal of Applied Earth Observation and Geoinformation,2016,44:159-170.

[10]徐剑波,赵凯,赵之重,等.利用HJ-1B遥感数据反演西北地区近地表气温[J].农业工程学报,2013,29(22):145-153. Xu J B,Zhao K,Zhao Z Z,et al.Estimation of near-surface air temperature from HJ-1B satellite data in Northwest China[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(22):145-153.

[11]周纪,李京,赵祥,等.用HJ-1B卫星数据反演地表温度的修正单通道算法[J].红外与毫米波学报,2011,30(1):61-67. Zhou J,Li J,Zhao X,et al.A modified single-channel algorithm for land surface temperature retrieval from HJ-1B satellite data[J].Journal of Infrared and Millimeter Waves,2011,30(1):61-67.

[12]高磊,覃志豪,卢丽萍.基于植被指数和地表温度特征空间的农业干旱监测模型研究综述[J].国土资源遥感,2007,19(3):1-7.doi:10.6046/gtzyyg.2007.03.01. Gao L,Qin Z H,Lu L P.An overview on agricultural drought monitoring models based on vegetation index and surface temperature feature space[J].Remote Sensing for Land and Resources,2007,19(3):1-7.doi:10.6046/gtzyyg.2007.03.01.

[13]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.

[14]陈斌,张学霞,华开,等.温度植被干旱指数(TVDI)在草原干旱监测中的应用研究[J].干旱区地理,2013,36(5):930-937. Chen B,Zhang X X,Hua K,et al.Application study of temperature vegetation drought index(TVDI) in grassland drought monitoring[J].Arid Land Geography,2013,36(5):930-937.

[16]Qin Z H,Karnieli A,Berliner P.A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J].International Journal of Remote Sensing,2001,22(18):3719-3746.

[17]Artis D A,Carnahan W H.Survey of emissivity variability in thermography of urban areas[J].Remote Sensing of Environment,1982,12(4):313-329.

[18]张存厚,王明玖,张立,等.呼伦贝尔草甸草原地上净初级生产力对气候变化响应的模拟[J].草业学报,2013,22(3):41-50. Zhang C H,Wang M J,Zhang L,et al.Response of meadow steppe ANPP to climate change in Hulunbeir,Inner Mongolia:A simulation study[J].Acta Prataculturae Sinica,2013,22(3):41-50.

[19]闫瑞瑞,辛晓平,王旭,等.不同放牧梯度下呼伦贝尔草甸草原土壤碳氮变化及固碳效应[J].生态学报,2014,34(6):1587-1595. Yan R R,Xin X P,Wang X,et al.The change of soil carbon and nitrogen under different grazing gradients in Hulunber meadow steppe[J].Acta Ecologica Sinica,2014,34(6):1587-1595.

[20]胡志超,李政海,周延林,等.呼伦贝尔草原退化分级评价及时空格局分析[J].中国草地学报,2014,36(5):12-18. Hu Z C,Li Z H,Zhou Y L,et al.The partitioning of degradation and analysis of its spatio-temporal pattern of Hulunbeier grassland,China[J].Chinese Journal of Grassland,2014,36(5):12-18.

[21]赵菲菲,包妮沙,刘善军,等.国产高分数据在草原露天煤矿植被监测中的应用[J].测绘与空间地理信息,2015,38(8):108-110. Zhao F F,Bao N S,Liu S J,et al.The application of Chinese GF-1 satellite high resolution in monitoring the semi-arid grassland for large surface mining area[J].Geomatics & Spatial Information Technology,2015,38(8):108-110.

[22]段四波,阎广建,钱永刚,等.利用HJ-1B模拟数据反演地表温度的两种单通道算法[J].自然科学进展,2008,18(9):1001-1008. Duan S B,Yan G J,Qian Y G,et al.Two single channel algorithms for retrieving land surface temperature using HJ-1B remote sensing data[J].Progress in Natural Sccience,2008,18(9):1001-1008.

[23]覃志豪,李文娟,徐斌,等.利用Landsat TM6反演地表温度所需地表辐射率参数的估计方法[C]//第十四届全国遥感技术学术交流会论文选集.青岛:中国海洋学会,2003:9. Qin Z H,Li W J,Xu B,et al.Estimation method of land surface emissivity for retrieving land surface temperature from Landsat TM6 data[C]//The 14th China Symposium of Remote Sensing Technology.Qingdao:Chinese society of Oceanography,2003:9.

[24]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.

[25]Stisen S,Sandholt I,Nørgaard A,et al.Combining the triangle method with thermal inertia to estimate regional evapotranspiration-Applied to MSG-SEVIRI data in the Senegal River basin[J].Remote Sensing of Environment,2008,112(3):1242-1255.

[26]赵杰鹏,张显峰,廖春华,等.基于TVDI的大范围干旱区土壤水分遥感反演模型研究[J].遥感技术与应用,2011,26(6):742-750. Zhao J P,Zhang X F,Liao C H,et al.TVDI based soil moisture retrieval from remotely sensed data over large arid areas[J].Remote Sensing Technology and Application,2011,26(6):742-750.

[27]Sobrino J A,Jiménez-Muoz J C,Paolini L.Land surface temperature retrieval from LANDSAT TM 5[J].Remote Sensing of Environment,2004,90(4):434-440.

[28]Gao Z Q,Gao W,Chang N B.Integrating temperature vegetation dryness index(TVDI) and regional water stress index(RWSI) for drought assessment with the aid of LANDSAT TM/ETM+ images[J].International Journal of Applied Earth Observation and Geoinformation,2011,13(3):495-503.

[29]Carlson T N,Perry E M,Schmugge T J.Remote estimation of soil moisture availability and fractional vegetation cover for agricultural fields[J].Agricultural and Forest Meteorology,1990,52(1/2):45-69.

[30]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. 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.

(责任编辑：刘心季)

RetrievinglandsurfacetemperatureandsoilmoisturefromHJ-1Bdata：AcasestudyofYiminopen-castcoalmineregioninHulunbeiergrassland

ZHAO Feifei1,2， BAO Nisha1， WU Lixin1,3， SUN Rui4

(1.InstituteforGeo-information&DigitalMineResearch，NortheasternUniversity，Shenyang110819，China； 2.BeijingSatImageInformationTechnologyCo.,Ltd,Beijing100048,China； 3.SchoolofGeoscienceandInfo-Physics,CentralSouthUniversity,Changsha410083,China; 4.JiangsuGeologicSurveyingandMappingInstitute，Nanjing210008，China)

The soil moisture can be considered as an appropriate indicator to investigate the level of ecological environment disturbance resulting from mining activities in semi-arid grassland. The main objective of this research is to explore the applicability of Chinese HJ-1B data for LST and soil moisture monitoring around mining-affected areas on the local scale. The JM&S, Qin and Artis methods for temperature retrieval were comparatively analyzed. The relationship space of NDVI-LST was used to generate temperature vegetation dryness index(TVDI). Furthermore, the reference data including in situ soil moisture and MODIS LST products were used for “dry edge” correcting of TVDI. Some conclusions have been reached： The Qin’s mono-window algorithm performs best in LST retrieval from HJ-1B data; there is a highest correlation between corrected TVDI value withC=0.3 and in situ soil moisture value; the feature of NDVI-LST space indicates that there is a linear relationship for “wet edge”, while the relationship for “dry edge” is conic; the TVDI imagery and LST imagery show different drought conditions of different features. The obvious geographical heterogeneity has been found from the TVDI and LST imagery in this area as well.

China HJ-1B satellite； open-cast coal mine region； dry-edge model； land surface temperature(LST)； soil moisture； temperature vegetation dryness index(TVDI)

10.6046/gtzyyg.2017.03.01

赵菲菲,包妮沙,吴立新,等.国产HJ-1B卫星数据的地表温度及湿度反演方法——以呼伦贝尔草原伊敏露天煤矿区为例[J].国土资源遥感,2017,29(3)：1-9.(Zhao F F,Bao N S,Wu L X,et al.Retrieving land surface temperature and soil moisture from HJ-1B data：A case study of Yimin open-cast coal mine region in Hulunbeier grassland[J].Remote Sensing for Land and Resources,2017,29(3)：1-9.)

2016-03-07；

2016-04-07

国家自然科学基金项目“干旱半干旱草原区露天煤矿土壤光谱特征模型研究”(编号： 4140010440)资助。

赵菲菲(1991-),女,硕士研究生,主要研究方向为摄影测量与遥感应用。Email： sgerphy@163.com。

包妮沙(1985-),女,博士,副教授,主要从事环境遥感方面的研究。Email： baonisha@126.com。

TP 751.1

： A

： 1001-070X(2017)03-0001-09