温度植被干旱指数、干燥度指数、水体分布与干湿特征的关系

李淏源 邱新法 曾燕

摘要：干湿研究的手段分为站点监测研究与遥感监测2种，由于遥感监测应用较晚，且不具有明显的周期性，二者的监测原理不同等原因，很少有人将2种手段的监测结果进行直接的比较研究。本研究基于气象数据和中分辨率成像光谱仪（moderate-resolution imaging spectroadiometer，简称MODIS）数据，分别计算得到山东省聊城市干燥度指数（aridity index，简称AI）和温度植被干旱指数（temporature vegetation drought index，简称TVDI），基于高分辨率卫星遥感影像数据，提取聊城市地面详细的水体信息及其分布，得到水体分布的相对密集区域以及相对稀疏区域，最后将三者的结果进行对比分析。结果表明，（1）山东省聊城市AI、TVDI之间存在着很大的相关性，聊城西部地区2种指数明显偏高更为干燥，其中东部、西部TVDI均值分别为0.42、0.53，AI均值分别为1.79、1.86;（2）2种干湿指数的年尺度上升下降趋势基本吻合，季节间特征表现形式不同，但都可以反映相似的干湿状况空间分布规律;（3）东部、西部河流及缓冲区不覆盖区占东部、西部地区总面积比例分别为17.37%、37.71%，也呈现出西部干东部湿的特征，且与2种指数的分布规律相似。

关键词：干湿特征;TVDI;AI;河流分布;山东聊城

降水是一个区域水资源的主要来源，蒸发则是一个地区水分损失的主要形式，是地表层水分以及干湿分布规律的重要影响因素，也是水各种相态转变的主要环节。潜在蒸散是在不考虑其他复杂因素影响的情况下一个地区水分蒸发量的预估值，也是计算实际蒸散发的关键因素。潜在蒸散发和降水的比值为干燥度指数（aridity index，简称AI），该指数能够反映一个地区干湿程度，同时也是反映区域气候的重要指标[1]，在干湿情况分布以及植被变化研究中被广泛应用。

卫星遥感数据因其覆盖区域广，空间上连续，减少大量人工劳动等特点在大面积监测方面具有特殊的优势。利用遥感手段进行大范围干湿监测的研究已经取得很大进展，发展了许多监测方法和指标。尤其是近年来，中分辨率成像光谱仪（moderate-resolution imaging spectroadiometer，简称MODIS）数据具有高时间分辨率、高光谱分辨率、适中空间分辨率等特点，使得其在干湿的遥感监测中被广泛应用。目前比较常用的干湿遥感监测方法有热惯量法、微波遥感法、蒸散法、植被指数法、温度植被干旱指数法等。其中，由植被指数（vegetation index，简称VI）和地表温度（surface temperature，简称TS）的特征空间搭建而成的温度植被干旱指数（temperature vegetation drought Index，简称TVDI）综合了2个参数特有的生理生态意义，能有效减小植被覆盖度对干湿情况监测的影响，准确性更高，实用性更强，数据获取较为容易，计算中各个物理量简单明确，在气象干湿研究中应用较为广泛。且已在国内许多地方得到验证，齐述华等通过TVDI对我国2000年春季干旱情况进行了研究[2]。范辽生等利用TVDI方法反演伏旱期土壤水分变化[3]。王海等运用TVDI监测研究了云南省2009—2010年重大干旱情况[4]。杨曦等研究得出，TVDI能够表现华北平原不同时空尺度土壤表层的干湿状况差异[5]。

以往的气象研究更注重于单一方法的大区域大尺度的气象要素研究分析，很少对气象站点数据与遥感面数据进行对比研究，也很少对站点数据的时间延续性和遥感数据的瞬时性对实际情况的解读进行仔细探究。其次是没有过多的关注精细化地面要素对干湿情况的影响，本研究提出的水体分布，在实际生活中，农田的灌溉甚至土壤水分的湿度等要素与各种大小河流水体的广泛分布密不可分。

笔者对比分析利用遥感手段获取的研究区TVDI与利用气象数据计算获得的AI在研究区干湿空间分布指征上的异同;并充分利用高分辨率卫星的遥感数据，在研究區域内，采用监督分类方法提取出水体分布信息，进而获取研究区河流缓冲区密度，并将之与2种干旱指数所表达的干湿区域进行空间上的对比分析。

1 材料与方法

1.1 研究区概况和数据来源

山东省聊城市地处鲁西平原，是山东省的西大门，毗邻河南省、河北省，位于华东、华中、华北三大区域交界处（图1）。聊城市位于35°47′～37°02′N和115°16′～116°32′E之间，属半干旱大陆性气候，南北直距为138 km，东西直距为114 km，总面积为8 646.8 km2，其中耕地面积为6 359.6 km2，占总面积的73.69%。聊城市境内流经徒骇河、马颊河、京杭大运河，水资源分布不平衡，东部和东南部沿黄河一带水资源较多，西部和西北部地区水资源匿乏[6]。聊城市乃至山东省在以往的科学研究中经常被认定为干旱或半干旱地区，由于紧邻黄河，过去黄河一直遭受洪水影响，而现在黄河的综合治理使得农业灌溉得以发展，四通八达的河流基本能满足农业发展的需求。

遥感数据：本研究使用2种遥感数据：（1）来源于谷歌卫星地图下载器下载的普通地图，该地图共有20个缩放级别，由于高缩放级别的地图数据量比较大，本研究选用的缩放级别为12，空间分辨率为69 m，比例尺为1 ∶ 20万，视点高度为76.5 km;（2）为2000—2014年15年来的MODIS数据，包括MODND1M中国500 m归一化差分植被数（normalized difference vegetation index，简称NDVI）月合成产品和MODLT1M中国1 km地表温度（land surface temperture，简称LST）月合成产品，该数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站（http：//www.gscloud.cn）。

气象站点数据：选取山东省聊城市行政辖区内8个常规气象站2000—2014年15年来逐日平均气温、最高气温、最低气温、平均风速、平均相对湿度及日照时数等资料。所用数据来源于中国气象数据网（http：//data.cma.cn/）。

1.2 研究方法

1.2.1 TVDI模型 本研究采用的是Sandholt等提出的温度植被干旱指数方法[7]，即三角法反演地表干湿情况。Price等在分析研究遥感数据中的归一化植被指数和地表温度二者的关系时发现，当研究区域内的植被覆盖度和表层土壤水分含量要素分布比较全面时，NDVI-LST散点图呈三角形[8-9]。而Moran等发现，NDVI-LST散点图呈梯形，且在其他条件基本相同的情况下，地表类型不同会引起斜率和截距改变[10]，即所谓的“干边”“湿边”，这些散点的分布就是 NDVI-LST特征空間[11]。

从图2可以看出，其中横坐标为归一化差分植被指数，纵坐标为地表温度，A点是无植被覆盖的裸土，植被覆盖度低，地表水容易流失、下渗或者蒸发，地表温度较高;B点是低植被覆盖，但土壤肥沃，蓄水能力强，土壤水分蒸发正常进行，地表温度较低;C点是高植被覆盖且土壤水分充足，冠层温度由于植物表面的蒸腾作用而降低。三角区间的3个角代表3种极端情况，AB边是表征不同土壤含水量及表层蒸发的不同，引起地表温度的不同，BC边温度较低，水分充足，受植被覆盖影响小，地表蒸散等于潜在蒸散，称为“湿边”，AC边说明土

1.2.3 河流提取 水可以吸收也可以散射通过水汽界面的波谱辐射能量，但水的散射会增加天空辐射能量，而水则会同时吸收二者。遥感图像可以记录收集各种地物向外发出的辐射信息，相对于陆地上各种地物，水体在近红外、中红外和短波红外这几个波段的反射率相对较低，可以明显区分，水体的低反射率有助于通过遥感数据提取水体信息。

提取水体信息的方法主要有2种：（1）通过目视判读的方法判断水体分布，利用地理信息软件如Arcgis等直接在遥感图像的地图上重新数字化;（2）通过已经写好的算法模式对遥感影像信息的自动提取。如通过各种波段反演的水体指数、事先指定水体像元类型或者其反射率表现的阈值区间，进行监督分类;或是不指定类型，直接通过计算机把图像上的各种相似类型的像元进行统计的非监督分类;还有运用概率与图论中的树对决策中的不同方案进行比较分析，判断出最优方案的决策树分类方法等。

通过遥感影像提取河流信息的方法已经得到了广泛应用，徐灵等利用监督分类方法，首先确定一定的阈值范围，得到水体分布[23]。付晓等则是将监督分类和非监督分类方法结合起来，既发挥了人的主观能动性，又吸取了计算机算法的优点，分类效果很好[24]。本研究采取付晓等的分类方法[24]，利用监督分类方法提取出水体大致轮廓，然后考虑各种不同类型水体、不同大小水体、水体中心与边缘等因素的差异，对监督分类的结果进行补充，得到最终的水体结果。

2 结果与分析

2.1 TVDI和AI的空间尺度干湿特征

气象站数据为点数据，因此通过其计算获得的干燥指数需通过空间插值获得其空间分布。利用ArcGIS对气象站点计算获得的干燥度指数进行空间插值，使用反距离权重插值方法获得山东省聊城市干湿空间分布。2000—2014年聊城市多年平均TVDI空间分布见图3，2000—2014年聊城市多年平均AI空间分布见图4。研究区温度植被干旱指数为 0.187～0.672，均值为0.49，AI值变化区间为1.668～2.024，均值为1.82，二者干旱定义标准不同，数值没有很大直接对照参考价值。但无论是AI还是TVDI，干湿情况的分布规律较为相似，聊城市西部地区相对较为干燥。由于AI的计算是基于站点信息插值计算，区域性更为明显，因此对图3、图4中聊城市8个区域进行分区统计，见图5、图6。从图中可以看出，聊城市西部的莘县、冠县区域在2个干旱指数的分布图中均属于较为干燥的地区，而东部的茌平县，聊城市区和东阿县均属于较湿润地区，除了阳谷地区有差异外，其他地区的干湿润情况都基本吻合。将8个地区的干湿状况量化，其折线走势见图7，可以更为直观的看到，2种指数显示的干湿状况在各个地区间的相互关系都是基本相似的。从干湿指数的数值大小关系上来看，TVDI>0.5的地区为西部临清市、冠县、莘县3个地区，三者的均值为0.53，而东部另外5个地区的均值为0.42;AI>1.8的地区为临清市、冠县、莘县、阳谷县，西部3个地区临清市、冠县、莘县均值为1.86，东部5个地区的均值为1.79，基本干湿规律是吻合的。

2.2 TVDI和AI时间尺度干湿特征

本研究使用的是月尺度的数据，将时间尺度缩小到季节上，且不同季节干湿情况差别较大，异常值影响会略有明显。2000—2014年这15年来TVDI均值的四季分布情况见图8-a，干湿情况在春、秋、冬3季地区性分布较为明显， 春季干燥

主要分布在西北区域，秋季冬季主要分布在西南区域，夏季分布较为均匀，地区性分布不明显。结合四季干燥情况的数值统计（图8-b）可以看出，TVDI不能明显看出季节性明显差异，但是冠县、临清市、莘县等3个西部地区的四季TVDI均值都大于 0.6，这也是聊城地区西部地区较为干燥的重要原因之一。

15年来AI平均值的四季分布情况见图9-a，可以看出春、夏、秋3季干燥地区多分布在聊城西部，冬季干燥地区为西南和东北地区， 反映不同地区内季节干燥度指数的大小特

征见图9-b，且季节性区别较为明显，干燥情况呈现出冬季>春季>秋季>夏季的特征，表明研究区春、冬2季较为干燥。由于春季为作物出苗和生长的关键季节，且该地区多为冬小麦，因此加强冬旱春旱防御工作对农作物至关重要。

TVDI和AI 2种干旱指数15年来变化趋势的对比见图10，2种干旱指数相邻年份的升降趋势除了2000—2001年间和2013—2014年间存在差异，其他相邻年份之间都相同，区别在于干旱指数变化的大小。如2000—2003年间AI的下降趋势远大于TVDI，2004—2005年间TVDI的下降趋势又明显大于AI。但是如果从干湿等级定义的角度去看，二者几乎都没有发生什么变化，结合趋势线的走向可以看出，AI是从半干旱半湿润（1.0～3.0）逐渐转变为半湿润（1.0～1.7），而TVDI由于受植被覆盖影响较明显，受天气状况影响较小，所以更加稳定，15年来一直保持正常水平，在0.4～0.6之间。

2.3 TVDI和AI干湿特征与河流分布密度的相关性分析

聊城市地处运河和黄河交界处，水系相对于其他内陆地区较发达，因此灌溉是聊城市农业、林业的重要补给方式，聊城地区水系的分布及4 000 m缓冲区见图11，水系分布在中部和东部比较密集，西部则比较稀疏。结合图3、图4可以发现，水系分布情况与TVDI和AI这2种指数的干湿表征情况相一致，表明在聊城地区，干湿区分布与河流分布有着密不可分的联系。

如果将河流缓冲区的分布进行区域化的统计，从表1可以看出，聊城地区西部冠县、临清市、莘县等3个地区的湿润区占比均值仅有60%左右，而中部及东部地区湿润区占比均值达87%左右，相差接近30%。

将表1中的非水体缓冲区占地比数据与图7结果进行叠加比较（图12、图13）可知，聊城市8个区域的TVDI、AI、非水体缓冲区占地比例的折线趋势几乎一致。

3 结论与展望

通过遥感数据和气象站点数据计算得到2000—2014年15年间聊城地区的2种干湿指数（TVDI、AI）的时空分布情况和变化规律，发现2种指数的相关性很高;进而将这种相似的干湿分布规律与聊城地区的实际水体及缓冲区的分布进行对比分析发现，2种指数反映的干湿情况与河流分布也存在很大的相关性：（1）聊城市15年来的AI、TVDI二者之间存在着很大的相关性，均呈现西部干燥、东部湿润的空间分布特征，其中东西部TVDI均值分别为0.422 51、0.531 35，东西部AI均值分別为1.788 49、1.863 21;（2）2种指数表现的干湿特征在时间尺度上规律也很明显，2000—2014年这15年的年尺度湿润变化规律的升降趋势基本吻合，季节间特征表现形式不同，但都可以反映相同的干湿状况，即春季、冬季干燥发生较为严重;（3）东西部河流及缓冲地带不覆盖区占东部、西部地区面积的比例分别为17.367%、37.714%，也呈现出西干东湿的特征，且与2种指数的干湿分布规律吻合。

由于研究区面积原因，干湿情况没有很大的跨度，但是小区域内的干湿状况在现如今精细化农业的大背景下也会有很重要的研究意义。由于聊城地区地处华北平原中南部，温带季风性气候区的中南部，且位于大运河和黄河的交汇处，这对华北平原地区的农业种植分布规划、天气与水系二者对农业的影响研究、遥感干旱与气象干旱对比研究等都有很大的参考意义。

参考文献：

[1]孟 猛，倪 健，张治国. 地理生态学的干燥度指数及其应用评述[J]. 植物生态学报，2004，28（6）：853-861.

[2]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.

[3]范辽生，姜纪红，盛 晖，等. 利用温度植被干旱指数（TVDI）方法反演杭州伏旱期土壤水分[J]. 中国农业气象，2009，30（2）：230-234.

[4]王 海，杨祖祥，王 麟，等. TVDI在云南2009/2010年干旱监测中的应用[J]. 云南大学学报（自然科学版），2014，36（1）：59-65.

[5]杨 曦，武建军，闫 峰，等. 基于地表温度—植被指数特征空间的区域土壤干湿状况[J]. 生态学报，2009，29（3）：1205-1216.

[6]李 楠. 聊城地区冬小麦干旱灾害评估[D]. 南京：南京信息工程大学，2015.

[7]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.

[8]Price J C. Using spatial context in satellite data to infer regional scale evapotranspiration[J]. Geoscience and Remote Sensing，IEEE Transactions on，1990，28（5）：940-948.

[9]Carlson T N，Gillies R R，Eileen M P. 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）：161-173.

[10]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.

[11]宋小宁，赵英时. 应用MODIS卫星数据提取植被-温度-水分综合指数的研究[J]. 地理与地理信息科学，2004，20（2）：13-17.

[12]王 华，邵 瀚. 基于TVDI的江苏省淮北地区干旱监测技术研究[J]. 地理空间信息，2016，14（2）：53-55，65，8.

[13]王利平，文 明，宋进喜，等. 1961—2014年中国干燥度指数的时空变化研究[J]. 自然资源学报，2016，31（9）：1488-1498.

[14]Allen R G，Pereira L S，Raes D，et al. Crop evapotranspiration：Guidelines for computing crop water requirements[R]. FAO Irrigation & Drainage Paper，1998：56.

[15]Dehghanisanij H，Yamamoto T，Rasiah V. Assessment of evapotranspiration estimation models for use in semi-arid environments[J]. Agricultural Water Management，2004，64（2）：91-106.

[16]張晓琳，熊立华，林 琳，等. 五种潜在蒸散发公式在汉江流域的应用[J]. 干旱区地理，2012，35（2）：229-237.

[17]Lecina S，Martinez-Cob A，Perez P J，et al. Fixed versus variable bulk canopy resistance for reference evapotranspiration estimation using the Penman-Monteith equation under semiarid conditions[J]. Agricultural Water Management，2003，60（3）：181-198.

[18]Irmak S，Allen R G，Whitty E B. Daily grass and alfalfa-reference evapotranspiration estimates and alfalfa-to-grass evapotranspiration ratios in Florida[J]. Journal of Irrigation and Drainage Engineering，2003，129（5）：360-370.

[19]刘晓英，林而达. 气候变化对华北地区主要作物需水量的影响[J]. 水利学报，2004（2）：77-82，87.

[20]高 歌，陈德亮，任国玉，等. 1956—2000年中国潜在蒸散量变化趋势[J]. 地理研究，2006，25（3）：378-387.

[21]霍再林，史海滨，陈亚新，等. 参考作物潜在蒸散量的人工神经网络模型研究[J]. 农业工程学报，2004，20（1）：40-43.

[22]尹云鹤，吴绍洪，戴尔阜. 1971—2008年我国潜在蒸散时空演变的归因[J]. 科学通报，2010，55（22）：2226-2234.

[23]徐 灵，侯小风. 基于区域生长的遥感影像河流提取[J]. 测绘与空间地理信息，2015，38（3）：198-200.

[24]付 晓，严 华，贺 新. 基于遥感图像的河流提取方法及应用研究[J]. 人民黄河，2014，36（3）：10-12.祁迎春，王 建，黄 瑶，等. 延安市蔬菜大棚土壤重金属污染评价及影响因素[J]. 江苏农业科学，2019，47（6）：249-253.