基于MODIS-TVDI的山东省干旱监测研究

焦云峰, 郭 鹏,高仁凤，孔令伟

(山东农业大学 信息科学与工程学院，山东 泰安 271018)

干旱自古以来是我国频发的自然灾害，干旱使水源匮乏，危害作物生长，造成作物减产，严重时还会危害居民生活，影响工业生产及其他社会经济活动。山东省是黄淮海地区的主要产粮大省，受季风影响极大，属于水资源短缺省份[1]，同时也是受旱灾影响比较严重的省份之一，有“十年九旱”之说。因此找到一种实时、有效、精准的监测方法来对其进行监测，对山东省政府进行抗旱救援工作有很大的帮助意义。

目前国内外干旱监测方法较多，主要有基于反射率的植被指数法[2]、基于地表辐射的植被指数法[3]、热惯量法[4]、微波遥感法[5]。其中Sandholt[6]等提出的温度植被干旱指数(Temperature Vegetation Dryness Index, TVDI)方法被广泛应用，如齐述华[7]等人利用温度植被干旱指数(TVDI)进行全国旱情监测研究；闫娜[8]等通过构建TVDI特征空间进行陕西省干旱监测；Zhang[9]等人基于近红外和红色波段数据，构建了比率干燥监测指数(RDMI)，发现该指数可用于不同尺度的干燥监测；Pandey[10]等人通过地表温度、蒸散蒸腾量和归一化植被指数对印度本德尔坎德邦进行干旱灾害评估，研究结果表明可以在更大尺度上进行干旱评估；Liu[11]等结合光学遥感和微波遥感建立微波归一化植被指数，经实验发现该指数能在不同程度上区分干旱水平；Park[12]等人研究提出了高分辨率土壤水分干旱指数，并验证了该指数特别是在旱季能够很好地描述气象干旱；Yang[13]等人利用干旱严重程度指数、聚类算法和严重-区域-持续时间方法识别干旱事件，分析中国各种干旱特征的时空分布，并对中国未来旱情做了预测；高雅[14]等人通过构建NDVI-LST特征空间计算得到TVDI，由此对曲靖市进行干旱监测。随着该方法的广泛使用，利用温度植被干旱指数(TVDI)进行干旱监测已成为遥感干旱监测常用方法之一。本文以山东省为研究区域，利用MODIS的LST(Land Surface Temperature)、NDVI(Normalized Difference Vegetation Index)、EVI(Enhanced Vegetation Index)产品，分别构建NDVI-LST、EVI-LST特征空间，计算TVDI值，基于TVDI值得到山东省干旱监测专题图，分析山东省干旱情况。

1 数据与方法

1.1 研究区概况

山东省地处中国华东沿海地区，位于北纬34°22.9′～38°24.01′、东经114°47.5′～122°42.3′之间，东西长721.03 km，南北长437.28 km，全省陆域面积15.58万km2。山东省内最高点位于泰山，海拔高度为1 532.7 m；最低处位于黄河三角洲，一般海拔2～10 m。气候类型为暖温带季风气候，降水集中，雨热同季，春秋短暂，冬夏较长，年平均气温11～14 ℃，年平均降水量一般在550～950 mm之间，但是降水季节分布不均衡，极易形成旱涝灾害，对农业生产甚至其他社会经济活动影响较大。因此对山东省进行实时的大范围干旱监测对社会经济发展有极大的辅助作用。山东省海拔与气象站点分布如图1所示。

图1 山东省海拔与气象站点分布图

1.2 数据来源与预处理

本文使用的MODIS数据从NASA网站(https://search.earthdata.nasa.gov/)下载得到，时间为2018年1月～2018年12月，分辨率为1 km的8天合成的地表温度产品(MOD11A2)和16天合成的植被指数产品(MOD13A2)，下载得到的原始数据格式均为EOS-HDF。首先利用MRT(MODIS Reprojection Tools)工具对MODIS原始数据进行预处理，包括对原始影像的镶嵌，数据格式的转换，影像重采样、重投影、裁剪等批处理。得到研究区格式为TIFF的23幅16天合成的NDVI/EVI植被指数产品数据和46幅8天合成的陆地表面温度(LST)产品数据，随后通过最大值合成法(MVC)对46幅地表温度产品进行处理，最终得到与23幅16天合成的NDVI/EVI植被指数产品相对应的23幅16天合成的地表温度(LST)产品，再利用ArcGIS软件和ENVI软件进行裁剪，得到最终的研究区域数据。

本文使用的三个国家级气象站点数据来源于温室数据共享平台(http://data.sheshiyuanyi.com/)。三个国家级气象站分别为济南站、潍坊站、定陶站，数据分别是2018年日平均温度和日平均降水量。数据起止时间为2018年1月1日～2018年12月31日。对三个气象站获取的日平均温度和降水量分别按月计算平均值，得到每月的平均温度和平均降水量。

1.3 植被指数-地表温度特征空间

Price[15]等通过研究发现在植被覆盖区NDVI与LST形成的散点图大多呈三角形或梯形分布，Sandholt[6]根据NDVI与LST相对应而构建的特征空间，提出了温度植被干旱指数(TVDI)，公式如下：

(1)

式中，Ts为在某一分辨率条件下任意像元的地表温度；Tsmin为某一NDVI对应的最低地表温度值，称为湿边，由地表温度最小值拟合而成；Tsmax为某一NDVI对应的最高地表温度值，称为干边，由地表温度最大值拟合而成。Tsmax和Tsmin的计算公式如下：

Tsmax=a1+b1×NDVI

(2)

Tsmin=a2+b2×NDVI

(3)

式中，a1、b1是干边拟合方程的系数；a2、b2是湿边拟合方程的系数。

在计算TVDI时，NDVI与LST一一对应。由TVDI定义可知，TVDI值位于0～1之间，当地表温度等于地表最低温度时TVDI值为0，地表温度等于地表最高温度时TVDI值为1。因此，若某地区TVDI值越大、距干边越近，则该地区干旱程度越严重，反之TVDI值越小、距离湿边越近，则干旱程度越轻[16]。

2 结果与分析

2.1 TVDI计算

研究表明，当利用NDVI与LST计算TVDI，在NDVI小于0.2时，意味着该区域植被覆盖率小于20%，不能有效地反映该区域的植被情况；在NDVI大于0.8时，意味着植被覆盖率大于80%，此时植被趋于饱和，NDVI增加不明显，对于植被监测有一定的影响。由此确定NDVI的有效范围是[0.2,0.8][17]。利用ENVI软件中的扩展工具进行TVDI的计算,首先对NDVI/EVI和LST值分别进行波段运算，前者分别乘以0.000 1得到实际的植被指数影像，后者乘以0.02得到真实地表温度；随后分别以NDVI/EVI作为x轴，LST作为y轴绘制NDVI/EVI-LST的二维散点图，提取每一步长的NDVI/EVI相对应LST的最大值与最小值，再将提取出的LST的最大值和最小值与对应的NDVI/EVI建立特征空间得到对应的干湿边，并对其进行干湿边的拟合，得到干湿边的拟合曲线以及干湿边方程，之后根据干湿边方程计算TVDI值，得到研究区域的TVDI图像。

比较NDVI-LST与EVI-LST二者所拟合的干湿边方程，可发现在全年大部分时间内EVI-LST拟合干湿边方程的相关系数要大于NDVI-LST拟合干湿边方程的相关系数，虽然有部分日期NDVI-LST拟合方程的相关系数要大于EVI-LST所拟合方程，其原因可能是由于EVI-LST干、湿边拟合线的斜率较小，最高温度和最低温度变化区间小，虽然总体呈现上升或下降的趋势，局部的变化趋势有反复，数据点在较小的温度变化区间内分散分布所致[18]。因此选用EVI和LST来进行TVDI的计算。

2.2 研究区干旱时空分析

根据前面的分析，利用EVI-LST计算出TVDI后，通过ENVI软件对TVDI图像进行干旱等级的划分，国家标准中主要以降水量、土壤湿度等5种单项指标并综合其他指标将旱情分为5个等级：正常或湿涝、轻旱、中旱、重旱和特旱[19]，同时依据山东省气候实际情况，将旱情划分为五个等级，分别是：潮湿(0

图2 山东省2018年TVDI干旱等级分布图

根据旱情等级分布图，2018年山东省的旱情在第65～81天这个时间段内旱情较为严重；在第145天前后开始出现轻微旱情，到第177天前后旱情加重，随后旱情逐渐减弱；到第273天前后，出现较为严重的旱情，最后到2018年底都未再次出现大规模的干旱情况。根据TVDI在一年内对应天数转换到月份，将以第129天为第一天的16天合成的TVDI值获得的干旱分布图定为5月，其余图像每两幅归为一个月，从月尺度上来看，山东省2018年干旱主要分布在3月、5～7月、9～10月。2018年3月以来山东省进入春旱，至4月份旱情有所好转，这与山东省气象局资料符合；到6月份进入夏季，气温迅速升高、植被生长迅速，出现干旱现象，但随后到8～9月干旱面积迅速减少，同期气象资料显示该时期受台风和气压影响，降水增多，使得旱情大幅缓解；到2018年冬季全省气候基本稳定，没有较大旱情发生。从空间来看，山东省旱情主要发生在鲁南地区和内陆地区，与山东省气象资料基本相同。

2.3 TVDI与地面气象站实测数据的相关性分析

由于卫星数据受天气、云层等影响过大，本文还通过对济南、潍坊、定陶三个国家级地面气象站收集到的每日的平均温度和平均降水量按月合成，分别与TVDI值进行相关性分析，结果如表1所示。通过分析表1的结果可发现，三个气象站的月平均温度与TVDI值的相关系数均在0.6以上，平均降水与TVDI值的相关系数在0.31以上，这说明通过对从卫星获取的地表温度与植被指数产品进行反演，进而获取的TVDI指数可以作为判断是否干旱的指标。同时还可以通过对比温度和降水量二者分别与TVDI的相关系数，发现温度与TVDI的相关系数大于降水量与TVDI的相关系数，由此可发现TVDI受温度影响多大于受降水影响。因为TVDI值受温度与降水的影响不同，所以在之后的研究中可以对温度和降水按照不同的权重进行相关性分析，使通过TVDI值进行的干旱划分监测更加准确可靠，相关性更高。此外，由于气象站点收集的数据代表的范围较小，即使使用ArcGIS软件对气象站点进行缓冲区分析，扩大站点的覆盖范围，仍不能较好地代表大面积地区的实际情况，从而使得部分站点的气温与降水量和TVDI的相关性系数较低。因此在以后进行相关性分析时，可增加气象站点的个数，使之尽量均匀地分布在研究区域内，以此来更好地对卫星数据反演进行验证。

表1 温度和降水量与TVDI相关系数表

3 结论与讨论

(1)本研究利用MODIS植被指数产品(MOD13A2)和地表温度产品(MOD11A2)分别构建了NDVI-LST特征空间和EVI-LST特征空间。通过对比两种特征空间，发现NDVI-LST特征空间更为平缓，像元点范围更大；而EVI-LST特征空间则更为紧凑，像元更为集中。因此在进行干湿边曲线拟合时，EVI-LST特征空间干湿边拟合程度较好，相关性更高。

(2)从时间上来看，山东省2018年旱情主要出现在春季，夏季和秋季也曾出现过短暂的旱情；从空间上来看，山东省2018年的干旱地区主要分布在鲁南、鲁西等内陆地区和鲁中与半岛交界处，呈现出一种围绕山东省内陆边界依次干旱的现象。湿润及正常范围主要分布在鲁中以及胶东半岛等地区。

(3)通过三个国家级气象站的温度和降水与TVDI之间的相关系数可以发现，TVDI受温度影响明显大于受降水影响。此外降水对于TVDI值的影响与降水量有关，降水越多TVDI值越大。

由于本研究所需的数据产品为地表温度产品和植被指数产品，受外界因素如云层等影响较大，容易产生噪声使LST、NDVI、EVI产生异常值，在TVDI值计算时会产生相应的影响，因此对卫星数据进行了Hants滤波，使其光谱曲线变平滑，但是效果提升有限。在查阅部分文献后发现S-G滤波相较于Hants滤波处理效果更优，因此在以后进行相关研究时，可利用相应的滤波技术如S-G滤波对地表温度和植被指数进行重建，以此来减小噪声去除异常值。