利用遥感数据和气象观测数据结合监测德州旱情方法探讨

利用遥感数据和气象观测数据结合监测德州旱情方法探讨鹿国武;王逸鹏;王秀芹
【摘要】利用MODIS遥感数据结合德州本地区地温、土壤含水量数据,建立本地区干旱反演模式,从而可以求出本地区土壤含水量,从而做出干旱情况的分布图,可以直观、及时的了解旱情.本文主要探讨热惯量法和温度植被干旱指数来分别做无植被和有植被情况下监测干旱,并尽量将其简化,并将计算过程简化,在ENVI软件下做了波段运算模块,可以让业务人员掌握运用.最后得到的结果比较准确,直观,适用于大面积干旱监测.
【期刊名称】《农业科技与信息》
【年(卷),期】2016(000)008
【总页数】3页(P52-53,55)
【关键词】遥感监测;干旱;热惯量;温度植被干旱指数
【作者】鹿国武;王逸鹏;王秀芹
【作者单位】山东省德州市陵城区气象局,山东德州253500;山东省德州市陵城区气象局,山东德州253500;山东省德州市陵城区气象局,山东德州253500
【正文语种】中文
【中图分类】S423
监测干旱的方法有很多，例如热惯量法、微波遥感法、植被指数法等，可以使用的的遥感数据也有多种，如MODIS、TM、AVHRR等。

但本文意在为基层气象业务人员易于掌握的监测方法，在冬季裸土情况下，作者对适合于裸土使用的热惯量法
进行探讨。

在有植被情况下，作者使用温度植被干旱指数（TDVI）。

MODIS 1B
数据是基层业务人员易于取得的遥感数据，故作者想利用此数据。

土热惯量是土壤阻止温度变化的一种度量，它反映土壤的热学特性。

热惯量定义为：式中：P为热惯量；λ为土壤热传导率；p为土壤密度；c为比热。

在实际干旱监测应用中，热惯量不易得到，常用表观热惯量ATI热惯量代替热惯
量P。

式中，ABE为全波段反照率，△T为一天之内的温差。

2.1 数据预处理
首先要对MODIS数据进行预处理，这包括几何校正和研究区域裁剪。

作者使用的遥感图像处理软件是ENVI4.5，数据是2015年3月15日的MODIS 1B数据，
几何校正可以使用ENVI 中MAP→GEOREFERENCE校正，研究区域裁剪作者使
用德州地区地图（shp格式）建立roi（感兴趣区）进行裁剪［1］。

2.2 温差数据计算
本次使用的地表温度反演方法为较为成熟的劈窗算法。

劈窗算法需要使用MODIS 数据的31、32波段的亮温，同时计算此两个波段的大气透过率、地表发射率等因素，来建立31、32波段的亮温与实际地表温度的关系。

31、32波段的波段的的
亮温可以使用普朗克函数计算，但直接使用普朗克函数计算复杂，针对特定的热红外波段和温度区间，可将planck函数简化如线性方程：
作者使用的是毛克彪［1］等提出的31、32波段亮温T31、T32计算参数：
得到31、32波段的亮温数据后，利用劈窗算法来计算地表温度，根据算法原理，地表温度和31、32波段亮温关系：为大气透过率、地表发射推导出的参数。

由于计算大气透过率需要用到大气含水量，而计算大气含水量。

计算大气含水量需要用到反射率波段［2］。

但夜间无反射率波段数据，无法计算出相关参数图像。

为了解决此问题，作者使用德州市各地面气象观测站观测数据中地表温度，与31、
32波段对应的亮温值来建立经验函数。

此时我们将a、b、c设定为固定值，这样虽然误差加大，但对德州这一地区范围小，差别较小，并且白天的地表温度与夜间地表温度相减会抵消部分误差，通过实践，计算地温数据与实际观测数据较为接近，可以使用。

得到的经验函数为：
本方法选用的MODIS1B数据是2015年3月15日13：37和3月16日1：39
分的AQUE影像作为白天高温和夜间地温数据。

地表温度计算结果（见图1、图2）。

由夜间低温数据可以看出，德州东北角异常偏低，经查气象观测数据得知，东北角的庆云、乐陵县市出现了能见度3 km左右的轻雾，导致数据异常，此部分地区数据不可信。

2.3 表观热惯量计算
由公式（2）可知，计算表观热惯量ATI还要需要计算全波段反照率ABE，毛克彪等人提出了全波段反照率的计算方法：
ABE=0.137b1+0.071b2+0.142b3+0.128b4+0.099b9+0.082b10
+0.08b11+0.037b14+0.043b15+0.039b17+0.059b19（7）
b1对应为第一波段、b2为第二波段，依次类推［2］。

最后计算出表观热惯量，由于我们使用的影像数据并非是全天的最高温和最低温，所以这个表观热惯量不准确，但只是由于温差差别所致，与准确的热惯量成比例关系，故我们可以直接用此热惯量与实际观测到的土壤相对湿度U来建立经验函数，来直观反应土壤的干旱情况。

作者得到的经验函数为：
U=5.328ATI- 94.25 （8）
其中函数的ATI为得到的实际的1000倍。

将计算的土壤相对湿度图像按照60%
＜R为无旱，50＜R≤60为轻度干旱，40＜R≤50为中度干旱，30＜R≤40为重度干旱，R≤30为特别重度干旱的标准经行分级。

得到以下结果（见图3）。

上面图像中蓝色代表水体或常绿林地，绿色表示无旱情，黄色表示轻旱，红色表示重旱，但其中东北角部分数据因夜间出现较大轻雾，反演的夜间地温偏低温差偏大，使此区域反演干旱过高或部分地区异常（紫色区域）。

除去异常区域，德州整体东北角旱情较重，其它区域无旱情或轻旱，德州城区为轻旱是由于建筑物群导致［3］。

TVDI的普遍特征研究发现，陆地表面温度与植被指数呈显著的负相关关系。

当研究区域的植被覆盖度和土壤水分条件变化范围较大时，以遥感资料得到的NDVI
和TS为横纵坐标得到的散点图呈三角形。

散点图呈梯形，在相同大气和地表湿度状况下，不同的地表类型有着不同的TS/NDVI斜率和截距。

这些分布形态就是所谓的NDVI- TS空间。

干边，湿边对应方程如下：
其中，Tsmin为在相应NDVI下的最低陆地表面温度，亦即湿边温度，Tsmax为
在相应NDVI下的最高陆地表面温度，亦即干边温度；a1、b1、a2、b2为回归
系数，分别代表湿边和干边方程的截距和斜率。

TDVI计算公式为［3］
4.1 归一化植被指数计算
从1972年发射第一颗人造地球资源卫星开始，科学家就开始了地表植被覆盖的研究，并把含有植被信息的波段的不同组合方式统称为植被指数，其中应用最广的植被指数就是归一化植被差值指数NDVI（normalized difference vegetation index），它在植被指数中占有重要的位置。

其计算式如下所示：
式中，NIR为MODIS第2波段，R为MODIS第1波段。

4.2 地表温度计算
因TDVI需要有植被的情况，此方法选用的是2015年6月11日11时的MODIS
1B数据。

因为只需要计算白天温度，直接使用劈窗算法来计算地表温度，而不用经验公式，劈窗算法原理同上述。

作者使用的具体算法参考毛克彪［1］和姜立鹏［4］等人的算法。

4.3 LST- NDVI空间建立
以NDVI为横坐标，LST（地表温度）为纵坐标建立LST- NDVI空间，建立的空间（见图4）。

干湿边方程为：
以TVDI值作为干旱分级指标，将研究区地表湿润程度分为水体和云层（0＜TVDI ＜0.1）、湿润（0.1＜TVDI＜0.3）、正常（0.3＜TVDI＜0.5）和轻旱（0.5＜TVDI＜0.8）和中旱0.8＜TVDI）5个级别［5］，得到干旱等级分布图（图5）分别对应蓝色、绿色、紫色、黄色、红色。

4.4 TDVI值与实际土壤相对湿度值相比较
TDVI值应该与干旱程度正相关，与土壤湿度负相关，下面作者就德州10个墒情站的数据与TDVI值作比较，可以看出呈负相关关系（见图6）。

本文基于热惯量法和温度植被干旱指数来利用MODIS数据来监测地区的干旱，为了使本文的方法能够为没有遥感基础的基层业务人员所掌握，尽量用简单的方法来做，使用了很多经验函数，这些经验函数在德州地区符合较好，但一定不适用于其他地区，但有一定基础人员可以参照本文的方法建立其他地区反演经验公式。

通过与实测数据比较，本文的方法可以简单、快速、较准确的的反演出德州地区干旱状况。

参考文献
［1］毛克彪.基于热红外和微波数据的地表温度和土壤水分反演算法研［M］.北京：中国农业科学技术出版社，2007.
［2］毛克彪，覃志豪.用MODIS影像反演环渤海地区的大气水汽含量［J］.遥感信息，2004，（4）.
［3］王鹏新，龚健雅，李小文.条件植被温度指数及其在干旱监测中的应用［J］.武汉大学学报（信息科学版），2001，（5）.。