农业干旱遥感监测研究进展与展望

陈媛媛，孙丽，杜英坤，韩巍，胡华浪

(农业农村部大数据发展中心，北京 100125)

0 引言

近些年，随着气候状态不稳定，极端气候事件频发，干旱已成为世界范围内影响最为广泛的自然灾害[1]，是全球气候变化领域学者们的关注点。持续干旱导致的负面影响随着时间的累积而越发严重，地表、地下水资源短缺，土地资源退化，生态环境遭到破坏，影响社会的可持续发展。干旱发生频次高，地域范围影响大，对农业的损害无疑是最直接最严重的[2-3]。我国是世界第一人口和农业大国，受大陆性季风气候和复杂地貌影响，降水具有较大的区域差异性，自古以来农业旱灾频发。干旱对我国农业造成的损失在各类农业气象灾害中占据首位，比重达60%左右，且近年来有逐步加剧的趋势[4-5]，是牵制我国农业高质量发展的重要胁迫因子。因此，开展农业干旱监测研究对于保障我国粮食安全和农业生产具有重要现实意义，为抗旱减灾政策的制定提供科学依据。

农业干旱的本质是土壤含水量在一段时间内低于作物对水分的需求量，从而影响植被的正常生长。传统的以点或随机样方的调查方式不便于在大范围上开展。随着空间信息技术的发展，卫星遥感以其时效性高、监测范围广以及客观准确等优势在农业干旱监测工作中发挥了无可替代的作用。目前农业干旱遥感监测主要围绕两方面开展：一是作物生长初期，地表裸露或低植被覆盖，主要是通过监测土壤含水量或构建反映土壤湿度的指标来反映旱情[6]；二是作物生长中后期，地表部分或全部被植被覆盖，要综合考虑土壤水分和植被因子来监测旱情[7-8]。

近几十年来，国内外学者做了大量研究，提出了多种不同类型、不同特点的农业干旱遥感监测方法或模型。然而，不同方法的适用性受特定环境条件的影响，不同模型的建立机理也不同。立足对农业干旱遥感监测方法有全面深入的认识及探究新的发展方向，本文重点对各种农业干旱遥感监测方法进行梳理和对比分析，指出每种方法的优缺点，为旱情监测工作中方法的选择提供依据，也为农业干旱遥感监测未来的发展方向奠定基础。

1 农业干旱遥感监测方法

根据各监测模型所利用的遥感波段范围，可以将典型的农业干旱遥感监测方法分为光学方法、热红外方法、光学-热红外耦合方法、微波方法和多源数据融合方法等几类。

1.1 光学方法

正常条件下，在一定的生长期内，植被供水充足，作物长势良好，叶绿素会吸收蓝、红光，植被在蓝、红波段的反射率很低；受叶片内部细胞结构控制，植被在近红外(near-infrared，NIR)波段反射率呈现高峰；由红至近红外波段反射率大幅升高的区间为红边[9]，这是植物光谱曲线独有的特征。当植被受到干旱胁迫时，叶绿素含量、叶面积指数及覆盖度等指标下降，可见光和NIR波段的光谱特征会发生显著变化。土壤反射率曲线相对平滑，当受到水分胁迫时，土壤反射率升高。根据植被和土壤干旱胁迫情况下的反射率变化，近几十年国内外学者构建了多种旱情监测指数。距平植被指数(anomaly vegetation index，AVI)通过计算某一时期的归一化植被指数(normalized difference vegetation index，NDVI)值和多年同期NDVI值的偏离程度来间接反映旱情[10]。植被状态指数(vegetation condition index，VCI)以一段时间内NDVI的最大、最小值之差为参考量，计算当前NDVI、最小NDVI之差与该参考量的比值[11]。AVI和VCI方法的实质是对比当前植被长势和历年(业务监测应用中可选用5年)平均长势状况，并认为若长势良好，则发生干旱的几率或干旱程度较低。

基于植被在红波段的反射低谷和近红外波段反射高峰，而裸土反射率从红到近红外变化很小这一原理，学者们在红-近红外波段的光谱特征空间基础上，基于空间中任一点到过坐标原点且垂直于土壤线的直线的距离，发展了垂直干旱指数(perpendicular drought index，PDI)和修正垂直干旱指数(modified perpendicular drought index，MPDI)[12-13]。相比PDI，MPDI考虑了植被覆盖度的影响，更适于有植被覆盖的地表，同时也因为受植被覆盖度因子的影响，稳定性比PDI要低，当植被覆盖度较高，尤其是接近于1时，计算结果容易出现极端负值。为消除PDI和MPDI计算过程中土壤线这一关键因素的影响，刘英等[14]利用特征空间中任一点到坐标原点的距离，提出了土壤湿度监测指数(soil moisture monitoring index，SMMI)及加入植被覆盖度因子的改进型土壤湿度监测指数(modified soil moisture monitoring index，MSMMI)。研究表明，SMMI与5 cm、10 cm深土壤湿度的负相关性优于PDI；在植被覆盖区域，MSMMI较MPDI表现更佳[15]。

由于短波红外(shortwave infrared，SWIR)波段的反射率主要由叶细胞内水分含量控制，而植被液态水对NIR波段的反射率影响很小，因此NIR和SWIR波段的反射率组合可以反映植被冠层含水量的多少。据此，研究者设计了多种用于间接表征植被含水量多少的遥感指数，包括归一化差异水分指数(normalized difference water index，NDWI)[16]、短波红外垂直失水指数(shortwave infrared perpendicular water stress index，SPSI)、短波红外水分胁迫指数(shortwave infrared water stress index，SIWSI)[17]等。其中，SPSI的构建思想类似于PDI，是利用NIR-SWIR的光谱特征空间发展而来，Yue等[18]的研究表明，在光谱特征空间中用SWIR替换PDI中的红波段，能有效提高旱情监测精度。而NDWI和SIWSI是利用NIR和SWIR波段，基于NDVI的构建原理发展而来。

1.2 热红外方法

植物受到水分胁迫时，叶片气孔关闭以减少蒸腾作用导致水分流失，地表潜热通量随之降低，根据能量平衡原理，地表感热通量增加，地表温度进而升高。因此地表温度升高可作为捕捉干旱发生的信息，这一变化甚至在植物未发生萎蔫时就可能出现[19]。基于冠层温度的旱情监测方法最为典型的是Kogan在1995年提出的温度条件指数(temperature condition index，TCI)[20]。TCI方法假设光照强度、土壤质地、作物类型等因素对土壤水分的影响较小，通过冠层温度的变化间接指示旱情。实际监测中，TCI的值易受到传感器、大气状况、植被类型等因素影响，监测准确性有时会降低。

1.3 光学-热红外耦合方法

耦合光学与热红外遥感信息可以同时获取地表参数的反射和热辐射特性，更有利于反映旱情状况。

1)热惯量法。土壤热惯量表征了土壤与周围环境能量交换的结果，是土壤水分状况的指示因子，可以通过建立土壤热惯量和含水量间的转换模型来获取农业旱情信息[21]。由于真实土壤热惯量的计算需要丰富的地面数据支持，Price[22]提出用表观热惯量来代替真实热惯量。表观热惯量模型计算相对简单，需要地表反照率和地表温度日较差参数，这些参数可以从遥感数据获取。

热惯量旱情监测方法的研究点主要体现在以下两个方面，即土壤表观热惯量的计算和热惯量、含水量转换模型的建立[23-24]。当前表观热惯量与土壤含水量的转换模型仍然是基于传统的统计学方法和经验关系建立[25]，而这些经验模型并不是唯一的，模型中的系数通常会随着土壤质地以及研究区的变化而变化，这一状况会影响热惯量法在区域土壤旱情监测中的应用。另外，由于表观热惯量受到蒸发影响较大，当蒸发明显时，表观热惯量通常会失效。故表观热惯量法不适用于植被覆盖度较大或土壤湿度变化较大的地区[26-27]。针对这一问题，宋承运等[28]采用植被覆盖度作为权重因子，将表观热惯量模型和适合于中高等植被覆盖状况的植被供水指数进行线性组合，建立了土壤水分估算模型。但是该模型也仅是基于9个地面站点值进行了评估分析，模型的时空尺度扩展性还需进一步验证。

2)蒸散法。依据土壤蒸发和植物蒸腾与土壤水分有很大关系这一原理，利用能量守恒，研究者提出了蒸散法来进行农业干旱监测。Jackson等[29]在1981年提出了作物缺水指数(corp water stress index，CWSI)，该指数通过计算植物实际蒸腾与最大潜在蒸腾量的差距表征旱情。CWSI值越大，表明作物实际蒸腾越小，水分供应越发不足，干旱越严重。CWSI结合作物冠层温度和周围小区域的气象条件研究土壤水分状况，较适于中等及高度植被覆盖度的区域[30]。Moran等[31]考虑陆表温度与气温之差，对CWSI指数进一步改进和发展，于1994年提出了水分亏缺指数(water deficit index，WDI)。CWSI、WDI方法的使用除了需要遥感数据外，还需要气象、农学参数等辅助数据。

3)温度-植被指数组合法。温度和植被指数组合进行农业旱情监测的方法之一是特征空间法，即从遥感资料获得的温度(Ts)和植被指数(NDVI应用最多)等数据所构成的散点呈三角形或梯形分布[32]。Carlson和Buffum指出土壤湿度的变化可以用特征空间中的一系列等值线来描述，这些等值线是不同土壤湿度条件下Ts与NDVI散点拟合线的斜率，而土壤湿度则可以被表达成Ts和NDVI的函数[33]。在此基础上，Sandholt等[34]构建了温度植被干旱指数(temperature vegetation dryness index，TVDI)，王鹏新[35]构建了条件植被温度指数(vegetation temperature condition index，VTCI)，TVDI和VTCI的原理相似，TVDI值表示到湿边的距离，越大表明越干旱，VTCI值表示到干边的距离，越小表明越干旱[36]。梁韶卿[37]对特征空间中的Ts进行了改进，表明基于高程和纬度校正的Ts能有效提高TVDI的监测精度；但基于昼夜温差和昼夜均温的特征空间并不能有效表征旱情信息。

方法之二是通过数学运算将Ts与NDVI进行组合。Carlson等[38]提出了植被供水指数(vegetation supply water index，VSWI)，使用Ts和NDVI的比值作为旱情监测的简便有效方法。文献[11]利用线性关系模型组合VCI和TCI，提出了植被健康指数(vegetation health index，VHI)，而VCI、TCI分别是NDVI和Ts的数学函数。实际应用中，VHI方法中VCI和TCI的权重具有不确定性，一般可以使用0.5。

不少学者比较评价了以特征空间为代表的TVDI和以数学运算为代表的VSWI在干旱监测和灌溉指导方面的应用[39-40]，结果表明两种指数均可反映旱情状况，但精度因不同时空尺度和不同研究区域而不同。

1.4 微波方法

基于光学、热红外波段建立的旱情监测模型只在晴天或微云天气状况下适用，微波遥感凭借穿云透雾的特性在多云雨情况下备受欢迎。微波遥感的C波段(4～8 GHz)、X波段(8～12 GHz)，以及近年来被使用的L 波段(1～2 GHz)，可以穿透稀疏和中等浓度植被，并能穿透表层土壤，被认为是获取表层土壤水分的最佳波段[41-42]。主动微波遥感旱情监测的原理主要在于土壤和水的介电特性差异较大，水的介电常数大约为80，而干土仅为3，因此，土壤的介电常数与土壤含水量的多少明显相关，而介电常数与微波获取的后向散射系数直接相关，据此来实现农业旱情微波遥感监测[43-44]。植被是影响主动微波反演土壤水分精度的最主要因素，如何有效消除植被对后向散射的影响是主动微波干旱监测方法的热点[45]。水云模型假定植被层是均匀介质，通过一个参数来简化植被层与土壤层复杂的雷达散射效应，常用来估算农作物覆盖情况下的土壤含水量。李新尧[46]研究表明，基于Sentinel-1数据，用水云模型和径向基神经网络算法进行农田土壤水分监测是可行的。

被动微波旱情监测方法主要是建立亮温数据和土壤含水量之间的关系。目前存在3类主要的土壤水分被动微波反演算法，分别是基于数理统计的经验算法、基于辐射传输模型的算法和神经网络算法[47]。经验算法是在统计描述和相关分析的基础上直接建立土壤水分和星上亮温间的关系，应用简单，对特定地区适用性较好，但由于缺乏物理基础，普适性较差。基于辐射传输模型的算法充分考虑微波由地表到达传感器的物理过程，构造观测亮温与土壤含水量的非线性方程，通过迭代或最小二乘法等算法求解非线性方程中的目标参数，反演精度较高，但需要的模型参数较多[48-50]。神经网络算法主要是基于神经网络非常强大的模拟任意复杂非线性关系的特点，不需要复杂的物理模型，但受算法输入端特定参数的限制[51]。

1.5 多源数据融合方法

由于农业干旱是一种受气象、地形、土壤、作物等多因素耦合作用的复杂现象，单一利用光学、热红外或微波构建的旱情监测指数不能全面反映作物形态、生理、土壤水分等的综合响应特征，具有一定局限性。因此，构建多源数据融合的干旱监测方法已经成为当前研究趋势。温度-植被-降水指数(temperature vegetation precipitation drought index，TVPDI)[52]、优化植被干旱指数(optimized vegetation drought index，OVDI)[53]、合成干旱指数(synthesized drought index，SDI)[54]、综合干旱监测指数(integrated drought monitoring index，IDMI)[55]等模型综合利用光学、热红外、微波以及气象等多源数据，对降水条件指数、土壤水分条件指数、TCI、VCI等指数采用线性加权、联合分布函数等方式进行组合，一般适用于特定地理气候区域。如何科学地确定各分量指数的权重系数成为该类方法的关键。黄友昕[56]基于深度学习方法优选不同干湿气候区域的适宜监测指数，并自动获取优选指数的权重系数，以此建立复合农业干旱遥感监测指数。不同于其他文献中一个研究区域用统一的权重系数，Jiao等[57]利用局部有序加权平均算法获取分量指数在每个像元的权重系数，并构建了地理独立综合干旱指数。

这类方法要求多种具有长时间历史积累的数据源，深度学习算法可以有效挖掘多年及多源信息中隐含的内在规律，成为这类旱情监测方法中新的研究热点。张东映[58]对15年的植被覆盖度、归一化地表温度以及地表反照率等参量构建深度神经网络模型，用于估算国家尺度上的土壤含水量。李增[59]将40年的10个气象参数用作输入变量，建立了基于深度学习的长短期记忆网络干旱预测模型，整体预测性能好于传统的神经网络模型。胡小枫等[60]利用Tensorflow深度学习框架构建了京津冀地区的综合干旱评估模型。

以上对代表性的农业干旱遥感监测模型进行了系统梳理与总结。总地来看，农业干旱遥感监测研究与应用在过去40年里取得了较好发展。需要注意的是，上述各类方法并不是土壤水分或干旱程度的量化指标，而是通过表征土壤的相对干湿状况来间接指示旱情。

2 方法适用性分析

农业干旱遥感监测方法一般具有地域性和时域性特征，到目前为止还没有哪一种方法是完美的和具有普适性的[61]。本节对不同方法的适用性和局限性进行分析。

2.1 单独应用NDVI或Ts的方法

假定NDVI或Ts数据的变化主要由干旱引起，计算相对简单，仅需要多年的NDVI或Ts数据积累，多用于研究年际间的相对干旱程度。实际上，影响NDVI或Ts数据变化的因素很多，除干旱外，作物病虫害、风灾引起的倒伏、植被生理生长周期等都会对NDVI或Ts数据产生影响，因此，这类方法应用需避免有其他因素干扰的时段或区域。另一点需要注意的是，单独利用NDVI或Ts监测干旱时，会出现植被对于暂时的水分胁迫不能敏感反映的时间滞后或不完全植被覆盖条件下土壤背景影响的问题。

2.2 基于Ts-NDVI特征空间的方法

一般适用于研究区域的土壤表层满足从比较干旱到比较湿润、植被覆盖度满足从低到高的条件。且在确定Ts-NDVI特征空间的干湿边时，只是通过像元值对应的Ts、NDVI散点分布拟合得到，有一定的不确定性，缺乏严格的物理意义[62]。关于此类方法的应用主要集中于Ts和NDVI的结合，虽有学者也探讨了Ts与植被覆盖度、归一化水汽指数、叶面积指数等其他反映作物生长状态参量的关系，但所得结论也只是适用于特定研究区域[63-64]，该领域并未有哪一指数是替代NDVI的最好选择。

2.3 基于地表能量平衡的蒸散模型

该模型具有物理机理明确、监测精度较高等优点，但其需要输入较多的地面同步观测和气象等辅助数据，在应用上受到参数获取困难和尺度转换问题的制约。且模型模拟出的蒸散是卫星过境时的瞬时情况，如果一天内温度较高或风速较大时，蒸散信息会变化较快，模型精度会受到影响。

2.4 微波遥感监测方法

在云层覆盖时，该方法有其独特的优越性。但微波遥感数据对地表粗糙度、植被覆盖、地形等参数的敏感性会影响对土壤水分的监测。另外，微波方法获取的土壤湿度信息通常为几公里至几十公里级别，很难在较小区域尺度上发挥良好作用，更适合于全球尺度旱情的研究。

2.5 多源数据融合方法

该方法计算过程复杂，监测精度较高。但需注意，干旱发生时，往往不能够及时获取高质量长时间序列的多源遥感与非遥感数据，且大量数据的标准化等处理也需要一定时间，影响了方法的监测时效性和业务应用性。

总体来看，与土壤水分密切相关的方法，如PDI指数、表观热惯量法较适于作物生长前期未封垄时，植被覆盖度较低情况下的农业旱情监测。表征作物生长形态及内部生理变化的几种方法，如AVI、VCI、MPDI、TCI、VSWI、CWSI等指数较适于作物生长中后期的旱情监测。

3 问题与展望

农业干旱遥感监测在过去几十年的发展中取得了巨大进步，遥感技术越来越显示出独特的优越性。然而，当前的遥感干旱监测研究中还存在一些未解的科学问题。立足我国农业干旱监测应用需求，该领域今后的发展需重点考虑以下3个方面。

3.1 理论方法研究与模型应用间的差距

一些学者对监测模型机理研究较为深入，而机理模型需要的气象或地面等多个参数一般难以精确获取，各参数的不确定性会影响模型的监测精度，一定程度上阻碍机理模型在实用化与业务化监测工作中的应用。如张小雨等[65]、崔静[66]的研究都表明基于理论模式计算的CWSI较经验模式在指示作物缺水状况时表现欠佳。在中国农业干旱遥感监测实际工作中，当前应用广泛的VHI、VSWI方法多是定性描述干旱状况，而非干旱机理的定量表征。同时，当前中国农业生产面临两方面的实际情况，一是农业干旱的发生具有复杂性、频发性与大尺度性，二是国际粮食供需趋紧，中国保障粮食安全的需求日益迫切，因此努力缩小理论方法研究与模型应用间的差距，以满足全国农业旱情监测需要成为该领域的必然驱动方向。

3.2 非均一地表农业干旱监测

不同种类的作物对遥感监测方法有不同的响应程度，同种作物的不同生育期对水分胁迫的响应也不同，从而导致对遥感监测方法的敏感性不同。因此，前述几类方法的实际应用需考虑地表覆盖程度，如表观热惯量等方法适于裸露和低植被覆盖的地表，CSWI、TCI等方法适于较高植被覆盖的地表。如果监测范围较大、地表覆盖不均一，如何从遥感信息直接获取反映非均一地表的旱情信息，快速、准确掌握农业旱情状况，是未来农业干旱遥感监测领域的热点和难点。

3.3 国产卫星体系建设

卫星遥感是农业遥感监测的主要信息源。目前，旱情监测领域对中国自主运行的卫星数据可应用率较低，对国外的MODIS、Sentinel、Landsat等系列卫星数据依赖性较高，且国产高分系列卫星数据普遍存在几何位置偏差现象，难以与其他地理数据叠加分析。另外，旱灾一般大范围成片发生，往往是省级尺度，目前普遍使用的中等分辨率数据难以满足大范围监测时空连续性要求。因此，在国际粮食供需趋紧背景下，发展国产卫星体系对保障中国粮食安全意义重大。

4 结束语

卫星遥感技术的进步使得利用遥感数据进行大范围农业干旱监测与评估研究不断深入。及时梳理农业干旱遥感监测当前的研究进展，有助于厘清并推动未来的发展方向。本文立足表征农业干旱的遥感指数，以遥感数据源为主线，从光学、热红外、光学-热红外耦合、微波及融合多源数据的角度，系统总结了国内外农业干旱遥感监测的各类方法，介绍了方法的原理和发展过程；之后，从模型归纳的角度，重点分析单独应用NDVI或Ts、基于Ts-NDVI特征空间、基于地表能量平衡的蒸散模型、微波以及融合多源数据等几类方法的适用性；最后，思考农业干旱遥感监测领域的未来发展方向，认为在理论方法研究与模型应用间的差距、非均一地表农业干旱监测、国产卫星体系建设等方面尚存在不足，并进行了展望。