干旱遥感监测中不同指数方法的比较研究

干旱遥感监测中不同指数方法的比较研究
胡荣辰1,朱宝1,孙佳丽23　(1.江苏省气象局,江苏南京210008;2.南京信息工程大学,江苏南京210044)
摘要　干旱是主要的气象灾害之一,严重危害农业生产,及时准确地了解干旱信息具有重要意义。

目前卫星遥感技术已成为干旱监测的重要手段之一。

比较了干旱遥感监测中几种不同的指数方法,旨在为抗旱救灾提供参考。

关键词　干旱;遥感;指数方法中图分类号　S127 文献标识码　A 文章编号　0517-6611(2009)17-08289-03Comp arative Study on Different I ndex M ethods in R emote Sensing Monitoring of Drought HU R ong 2chen et al (M eteorological Bureau of Jiangsu Province ,Nanjing ,Jiangsu 210008)
Abstract Drought is one of m ain m eteorological disasters that seriously endangers the agricultural production.T herefore ,to understand drought in form a 2tion prom ptly and accurately has the im portant m eaning.S atellite rem ote sensing has becom ing one of the im portant tools to m onitor the drought.S everal different index m eth ods in the rem ote sensing m onitoring of drought were com pared ,in order to provide reference for drought relief.K ey w ords Drought ;Rem ote sensing ;Index m eth ods
作者简介　胡荣辰(1985-),男,江苏扬州人,助理工程师,从事环境遥感研究。

3通讯作者,E 2mail :carrie.1984@ 。

收稿日期　2009203209
干旱是目前世界普遍关心的重大问题,大多数第三世界国家都受到干旱的严重威胁。

由于环境进一步恶化,科学家预测,未来50年,世界某些地方将进一步干旱。

据不完全统计,我国各种受灾面积中,旱灾占61%,水灾占24%,冰雹灾占9%,霜冻灾占6%。

通常干旱是指某地因长期没有降水或降水显著偏少造成空气干燥、土壤缺水甚至干涸的现象[1]。

从干旱的定义及其指标的分类中可以看出,干旱没有唯一的标准,可以从各个方面去定义,但都离不开水和植被。

我国每年都有干旱发生,尤其是2008年入冬以来,我国北方大部降水稀少,全国大部分地区发生旱情,部分地区粮食作物受旱严重,其中冬小麦受旱影响最为严重,目前干旱已成为河南、山西等地农业生产中最为突出的问题。

为了合理利用水资源,有效地抗旱救灾,必须迅速知道何处受旱,程度如何,因此干旱监测倍受人们关注。

传统的干旱监测是用点上的数据来监测干旱的程度和范围,如称重法或中子仪法,不仅费时、费力,而且测点少,代表性差,无法实现大面积土壤水分的实时动态监测。

而遥感技术可以迅速、大面积、多时相地获得地面信息,因此卫星遥感监测是干旱监测的一种有效方法。

笔者就干旱遥感监测中常见的几种指数方法进行了比较研究,分析各种方法的利弊,以期在实际应用中能根据具体情况选择合适的方法来进行监测。

1　干旱遥感监测中的主要指数模型
1.1　植被指数法和距平植被指数法　植被长势受到许多因
素的影响。

在干旱年份,水对植被长势起关键作用。

水分亏损,植被长势不好,叶面积指数和叶片内的叶绿素含量下降,对太阳的近红外光的反射能力降低,卫星遥感得到的植被指数会明显降低,以此来表明干旱程度,就是监测干旱的植被指数法。

目前比较常用的植被指数是归一化植被指数(N ormalized
Difference Vegetation Index ,NDVI )。

NDVI 定义为
[2]
:
NDVI =
CH 2-CH 1CH 2+CH 1
式中,CH 1、CH 2分别表示NOAA/A VHRR 的第1、2通道反照率。

为了监测大范围作物干旱,中国气象局国家卫星气象中心还发展了距平植被指数法。

提出距平植被指数(An omaly
Vegetation Index ,A VI )概念的目的是将NDVI 的变化与天气、
气候研究中“距平”的概念联系起来,对比分析NDVI 的变化与短期气候变化之间的关系。

A VI 的定义为[3]:
A VI =NDVI i -NDVI
式中,NDVI i 为某一特定年某一时期(如旬、月等)NDVI 的值,
NDVI 为多年该时期NDVI 的平均值。

A VI 作为监测干旱的一种方法,它是用植被指数(NDVI )
多年的旬(月)平均值作为背景值,然后用作物受灾旬或月的植被指数(NDVI )减去背景值,即可计算出A VI 的变化范围,即NDVI 的正、负距平值。

正距平反映植被生长较一般年份好,负距平表示植被生长较一般年份差,即旱情出现。

一般而言,距平植被指数为-0.1～-0.2表示旱情出现,-0.3～
-0.6表示旱情严重。

陈维英等[4]利用距平植被指数法对1992年特大干旱进行了监测,结果表明,当月的距平植被指
数与当月降水量距平百分率相一致。

周咏梅[5]提出了利用距平植被指数和干旱指数确定干旱区和干旱等级的方法,运用该方法评估1995年青海省牧区草场旱情,与农业气象旬报的旱情分析吻合较好。

郑宁等[6]针对安徽省淮北地区季节性农业干旱,利用NOAA/A VHRR 数据建立距平植被指数模型(A VI ),并对模型进行适用性论证,从区域尺度探讨干旱遥感监测方法。

1.2　条件植被指数法　条件植被指数(Vegetation C ondition Index ,VCI )的定义为[7]:
VCI =
NDVI i -NDVI m in
NDVI m ax -NDVI m in
×100
式中,NDVI i 为某一特定年第i 个时期的NDVI 值,NDVI m ax 和
NDVI m in 分别代表所研究年限内第i 个时期NDVI 的最大值
和最小值。

上式的分母部分是在研究年限内第i 个时期植被指数的最大值和最小值之差,它在一定意义上代表了NDVI 的最大变化范围,反映了当地植被的生境;分子部分在一定意义上表示某一特定年第i 个时期的当地气象信息,若NDVI i 和
NDVI m in 之间差值小,表示该时段作物长势很差。

VCI 不仅描
安徽农业科学,Journal of Anhui Agri.Sci.2009,37(17):8289-8291,8297 责任编辑　金琼琼　责任校对　张士敏
述了土地覆盖和植被时空变化,而且反映了天气气候条件对植被的影响。

Liu等[8]用NOAA/A VHRR的2个时期的NDVI和VCI数据,得到区域干旱状况分布图,并认为其与当地的降水分布是一致的。

Unganai等[9]利用VCI对南部非洲的干旱进行监测并进行了玉米估产试验。

蔡斌等参照当时降水用VCI对全国1991年春季干旱进行了监测和研究,结果表明,该方法可以对干旱进行宏观动态监测。

1.3　条件植被温度指数法　条件植被温度指数(Vegetation T em perature C ondition Index,VTCI)定义如下[10]:
VTCI=
LST ND VI
i max
-LST ND VI
i LST ND VI
i max
-LST ND VI
i min
式中,LST ND VI
i min 和LST ND VI
i max
分别为研究区域内具有相同NDVI
值的像元的最低温度和最高温度,LST ND VI
i max
=a1+b1×
NDVI i,LST ND VI
i min =a2+b2×NDVI i,LST ND VI
i
为NDVI值为
NDVI i的一个像元的温度,系数a1、b1、a2、b2可通过绘制研究区域的LST和NDVI的散点图近似地获得。

VTCI是在NDVI和LST的散点图呈三角形区域分布的基础上提出的,是在假设研究区域内土壤表层含水量从萎蔫含水量到田间持水量的基础上进行干旱监测的,适用于区域尺度的干旱监测。

式中,分子为研究区域内NDVI为某一特定值的所有像素中LST的最大值与其中某一像素LST值的差值,分母为该条件下LST最大值与最小值的差值。

LST m ax 被认为是“热边界(warm edge)”,在此边界上土壤水分的有效性很低,干旱程度最严重;LST m in被认为是“冷边界(C old Edge)”,在此边界上土壤水分不是植物生长的限制因素。

应用VTCI最重要的一点是确定NDVI和LST特征空间的热边界和冷边界。

VTCI的取值范围为[0,1]。

一般地说,VTCI的值越小,干旱程度越严重;VTCI的值越大,干旱程度越轻或者没有旱情发生。

王鹏新等[11]应用NOAA2A VHRR数据,对2000年3月下旬陕西省关中平原地区干旱情况进行了监测,结果表明,条件植被温度指数能较好地监测该区域的相对干旱程度,并可用于研究干旱程度的空间变化特征,对干旱的监测结果与用土壤热惯量模型反演的土壤表层含水量的结果基本吻合。

杨鹤松等[12]以华北平原部分地区为研究区域,应用条件植被温度指数对研究区域2003～2006年每年5月上旬的干旱进行了监测,并应用降水量数据和土壤表层含水量数据对干旱监测结果进行了验证,结果表明,VTCI与最近1个月的降水量具有显著的线性相关性,VTCI与土壤表层含水量有较好的线性相关性,验证了VTCI是一种近实时的干旱监测方法。

1.4　植被供水指数法　在有植被覆盖情况下,特别是在植被覆盖度很高时,植被改变了土壤的热传导性质。

为了对高植被覆盖区农作物的旱灾进行遥感监测,中国气象局国家气象中心发展了“植被供水指数法”。

植被供水指数(Vegetation Supply W ater Index,VSWI)的定义式为[13]:
VSWI=NDVI/T5
式中,T5为美国NOAA卫星或我国FY21卫星遥感监测到的作物冠层温度。

其物理意义是:当作物供水正常时,卫星遥感的植被指数在一定的生长期内保持在一定的范围,而卫星遥感的作物冠层温度也保持在一定的范围内;如果遇到干旱,作物供水不足,一方面作物的生长受到影响,卫星遥感的植被指数将降低,另一方面,作物的冠层温度将会升高,这是由于干旱造成的作物供水不足,作物没有足够的水供叶面蒸发(蒸发带走热量),被迫关闭一部分气孔,致使植被冠层温度升高。

供水植被指数越小,旱情越严重。

该方法综合考虑了作物受到干旱影响时在红光、近红外、热红外波段上的反应,具有较好的应用效果。

刘丽等[14]利用NOAA气象卫星A VHRR通道1,2,4数据建立了植被供水指数(VSWI)监测贵州干旱遥感模型,确定了VSWI遥感图上干旱指标和干旱面积,并与地面干旱指数确定的旱情作了比较,建立了植被供水指数和地面干旱指数之间的回归方程。

莫伟华等[15]利用1995～2000年NOAA卫星资料,计算各典型作物代表区的平均、最大、最小VSWI特征值,归纳分析水田和旱地的干旱指标,继而根据典型代表区的平均VSWI值划分旱情等级,生成农田旱情遥感图像,评估干旱情况。

1.5　作物缺水指数法　作物缺水指数(Crop W ater S tress In2 dex,C WSI)最初是由T Jacks on以能量平衡为基础提出的。

C WSI定义为[16]:
C WSI=
γ(1+r
c
/r a)-γ3
△+γ(1+r c/r a)
式中,γ为干湿球常数(Pa/℃),r a为空气动力学阻力(sm-1),r c为冠层对水汽向空气中传输时的传输阻力(sm-1),△为饱和水汽压与温度关系的斜率,γ3=γ(1+ r cp/r a),r cp为植被以潜在蒸腾速率蒸腾时的冠层阻力(sm-1)。

由于蒸散作用与能量和土壤水分含量关系密切,当能量较高、土壤水分供给充足时,蒸散作用较强,冠层温度处于较低状态;反之,土壤水分亏缺时,蒸散作用较弱,冠层温度较高。

该指数是以植物叶冠表面温度和周围空气温度的测量差值,以及太阳净辐射的估算值计算出来的,实质上反映出植物蒸腾与最大可能蒸发的比值。

因此,在较均一的环境条件下可以把作物缺水指数与平均日蒸发量联系起来,作为植物根层土壤水分状况的估算指标,即:
C WSI=1-ET/ET0
式中,ET为植被实际蒸散量(mm/d),是太阳净辐射、阻抗和冠气温差的函数;ET0为植被潜在蒸散量(mm/d),可由彭曼公式求出。

由公式可以看出,C WSI越大,反映土壤供水能力越差,即土壤越干旱;反之,亦然。

目前,可通过NOAA/A VHRR和M ODIS等获取植被冠层的热红外温度以及地表反照率,从而可以计算出实际蒸散量。

在利用缺水指数法来计算土壤含水量时,地表温度和反照度可以通过遥感来获得。

其他数据可取自地面气象站。

而地表温度是作物冠层的重要参量。

在NOAA29的A VHRR 第1、2通道中(0.580～0.680、0.725～1.100μm)可以获得2个波段的反射率,而第4通道(11.500～12.500μm)可以获得地表辐射温度。

李韵珠等[17]根据邯郸地区的大范围观测资料,对小麦
0928 安徽农业科学 2009年
的作物缺水指数(C WSI)及其与土壤水分的关系进行了研究,并分析了C WSI的影响因素和在旱情监测中的实用性。

申广荣等[18]研究了在黄淮海平原旱灾监测中,通过遥感数字图像获得的数据和地面气象站资料估算农田蒸散量进而计算作物缺水指数来监测旱灾的方法,以及为此而进行的对气象数据的最优插值处理,并发展了确定最优插值所需初值的线性插值模型。

刘安麟等[19]从能量平衡原理出发,对潜在蒸散量的计算进行了简化,从而对作物缺水指数法干旱遥感监测模型进行了简化,利用该方法及NOAA/A VHRR卫星遥感资料和有关气象要素资料,对陕西省关中地区春季干旱进行了监测。

1.6　温度植被干旱指数法　S andh olt等[20]首先提出了温度植被干旱指数(T em perature Vegetation Dryness Index,T VDI)的概念。

其表达式为:
T VDI=
T S-T S m in T S m ax-T S m in
式中,T
S m in 表示最小地表温度,对应的是湿边;T
S
是任意像元
的地表温度;T S m ax=a+bNDVI,为某一NDVI对应的最高温度,即干边;a、b是干边拟合方程的系数。

在干边上T VDI= 1,在湿边上T VDI=0。

T VDI值越大,土壤湿度越低,表明干旱越严重。

齐述华等[21]对我国2000年3月和5月各旬的旱情进行了研究,结果表明,利用T VDI旱情指标能够较好地反映表层土壤水分变化趋势,将其作为旱情评价指标是合理的;对T VDI随NDVI和T S变化的敏感性评价结果表明,以陆地表面温度为基础的旱情指标相对比以植被指数为基础的旱情指标更合理。

姚春生等[22]利用温度植被干旱指数(T VDI)作为土壤湿度监测指标,反演了新疆8、9月份每16d的土壤湿度,发现T VDI指标与实测土壤湿度数据显著相关,能够较好地反映表层土壤湿度,其空间分布与新疆的年降水量分布、年平均相对湿度分布很吻合。

康为民等[23]利用温度植被干旱指数(T VDI)法和E OS/M ODIS遥感资料反演了贵州表层土壤干旱情况,并与同期当地气象站土壤湿度观测数据进行了定量验证,证明T VDI与土壤湿度显著相关。

该方法适宜于较大区域、复杂地形的干旱检测与预警。

2　讨论
(1)归一化植被指数可以间接地反映旱情,但在时间上有一定的滞后性,在干旱初期,很难通过植被指数监测出来。

大多数基于植被指数的模型一般情况下只适合植被覆盖度比较高的地区;对于稀疏植被或裸地,监测结果存在较大的偏差。

得到的NDVI时间序列越长,就越能更好地反映土壤供水状况及干旱程度。

(2)地表植被较多时,采用距平植被指数法监测干旱效果较好,该方法简单易用,也比较直观,操作性强,但需要一定的资料积累,而且无法和干旱之间建立定量的关系,只适用于大尺度或全球范围的干旱和气候变化的监测,而不太适用于小尺度或区域级干旱监测。

(3)条件植被指数不仅能定量地描述植被干旱的空间变化,还能反映长期气候对其起到的正反作用,但是地表覆盖类型的年际变化会影响干旱监测的准确性,因而在解释监测结果时最好使用最新土地覆盖类型图;计算过程中最大和最小NDVI值确定比较困难,需要长时间的连续数据,工作量大;只能用于植被生长的中后期,播种期和成熟期无法用该方法确定地表旱情。

(4)条件植被温度指数是在NDVI和LST的散点图呈三角形区域分布的基础上提出的,是在假设研究区域内土壤表层含水量从萎蔫含水量到田间持水量的基础上进行干旱监测的。

因此,该方法要求研究区足够大而且土壤表层含水量变化范围为凋萎含水量到田间持水量之间,适合于研究一定区域某一特定年内某一时期干旱程度。

该方法具有地方专一性和时域专一性的特点,能较好地反映该区域的相对干旱程度,适用于植物生长期间的干旱监测。

(5)植被供水指数法计算简单,受限制少,只需要14:00左右的一次晴空卫星观测资料,即可进行旱情监测,物理意义明确。

但在定量监测中效果不佳,当下垫面差异较大时,监测结果的误差较大,给出的只是相对的干旱等级,无法针对不同的地物类型确定不同的干旱指标。

该方法适用于植被蒸腾较强的季节。

(6)作物缺水指数法物理意义明确,精度高、可靠性强,但因涉及到农学和气象参数较多,计算量大,实现起来比较困难,有些参数只能取参考值。

遥感反演地表参数的精度目前还很难达到模型定量化计算的要求,在一定程度上阻碍了该模型的推广应用。

(7)温度植被干旱指数较好地改变了单纯基于植被指数或单纯基于陆面温度进行土壤水分状态监测的不足,有效地减小了植被覆盖度对干旱监测的影响,提高了旱情遥感监测的准确度和实用性。

(8)VCI监测干旱、降水动态变化的效果比A VI更有效、更实用,尤其在地形起伏大的区域,VCI的估算精度远比NDVI好;NDVI或从NDVI得到干旱指数适用于研究大尺度范围的气候变异,而VCI适用于估算区域级的干旱程度;植被生长茂盛的阶段,利用A VI和VCI来监测作物的缺水状况,效果较好,但需要有较长年代的资料积累。

参考文献
[1]王桥,杨一鹏,黄家柱,等.环境遥感[M].北京:科学出版社,2005:473-
476.
[2]FE O Y U A NG,BA UER M E.C om paris on o f im perv ious sur face area and n orm al2
ized difference vegetation index as indicators o f sur face urban heat island e ffects in Landsat im agery[J].Rem ote S ensing o f Env ironm ent,2007,106(3):375-386.
[3]郑有飞,徐芳,关福来,等.A VHRR植被产品在干旱研究中的应用[J].
科技信息(科学教研),2007(29):324-326.
[4]陈维英,肖乾广,盛永伟,等.距平植被指数在1992年特大干旱监测中
的应用[J].环境遥感,1994,9(2):106-112.
[5]周咏梅.N O A A/A VHRR资料在青海牧区草场旱情监测中的应用[J].应
用气象学报,1998,9(4):496-500.
[6]郑宁,严平,孙秀邦,等.基于N O A A/A VHRR卫星数据的淮北地区干旱
监测[J].中国农学通报,2009,25(1):256-259.
[7]李星敏,郑有飞,刘安麟.我国用N O A A/A VHRR资料进行干旱遥感监
测的方法综述[J].中国农业气象,2003,24(3):38-41.
[8]LI U W T,K OG A N F.M onitoring reg ional drought using the vegetation condition
index[J].Int J Rem ote S ensing,1996,17(14):2761-2782.
[9]U NG A N AI L S,K OG A N F N.Drought m onitoring and corn y ield estim ation in
s outhern A frica from A VHRR data[J].Rem ote S ensing Env ironm ent,1998,63
(3):219-232.
[10]侯英雨,何延波,柳钦火,等.干旱监测指数研究[J].生态学杂志,
2007,26(6):892-897.
[11]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
(下转第8297页)
1928
37卷17期 胡荣辰等　干旱遥感监测中不同指数方法的比较研究
图1　人工神经网络构架示意
Fig.1　Schem atic diagram o f arti ficial nerve netw ork structure
测,结果见表2。

由表2可知,利用该模型可以很好地预测食品的水、蛋白质、碳水化合物及脂肪含量对比热容的影响,其最大相对误差为8.40%,最大绝对误差为0.2868k J/(kg ・K )。

同时,从图2中可以看出,其预测值与目标值有良好的线性关系(R 2=0.9162),
进一步说明了利用该神经网络进行预测
图2　比热容的预测值与期望值的线性关系
Fig.2　Linear relationship o f predictive and desired values o f speci fic
heat cap acity
表2　检验样本预测值与实测值误差对比
T ab le 2　E rror comp arison o f predictive and desired values o f test samp les
食品
F ood
预测值
k J/(kg ・K )
Predictive value 实测值
k J/(kg ・K )Actual value 绝对误差k J/(kg ・K )Absolute error 相对误差
%Relative error 橙汁Orange juice 3.8330 3.82200.01100.28黄油Bu ffer 2.1666 2.12500.0416 1.96脱脂乳Skim m ilk 3.6942 3.98100.28687.20苹果Apple 3.4736 3.75900.28547.59黄瓜Cucumber 4.2989 4.10300.0959 4.77虾Shrim p 3.0245 3.30200.27758.40胡萝卜Carrot
3.6366
3.8860
0.2494
6.42
的可靠性。

3　结语
笔者运用BP 神经网络,建立了食品比热容关于水、蛋白质、碳水化合物及脂肪含量的预测模型,预测结果表明:预测值与实测值吻合较好,并且误差较小,所建立的模型具有较好的实用性,说明运用该预测方法来模拟食品的比热容具有广阔的应用前景。

参考文献
[1]R AH M A N SH AFI UR.F ood properties handb ook [M].B oca Raton ,F L :CRC
Press ,1995:238.
[2]俞微微.计算猪肉、牛肉和鳕鱼的热物理性质的经验公式[J ].大连水
产学院学报,2000,15(1):50-54.
[3]关志强,蒋小强.食品热焙和比热容的经验计算公式[J ].食品工程,
2006(3):55-58.
[4]S A NZ P D ,A LO NS O M D ,M AS CHER O NI R H.T herm ophysical properties o f
m eat products[J ].T ransactions o f AS AE ,1987,30(1):283-289.
[5]BISH OP C M.Neural netw orks and their applications[J ].Rev iew o f S cientific
Instrum ents ,1994,65(6):1803-1832.
[6]飞思科技产品研发中心.M atlab6.5辅助神经网络分析与设计[M].北
京:电子工业出版社,2003:35-38.[7]SI NG H R P ,HE LD M A N D R.食品工程导论[M].许学勤,译.北京:中国
轻工业出版社,2006:388-389.
(上接第8291页)
用[J ].武汉大学学报:信息科学版,2001,26(5):214-814.
[12]杨鹤松,王鹏新,孙威.条件植被温度指数在华北平原干旱监测中的
应用[J ].北京师范大学学报:自然科学版,2007,43(3):314-318.
[13]潘卫华,陈家金,陈惠,等.基于M O DIS 数据的福建省干旱遥感动态监
测分析[J ].中国生态农学学报,2008,16(4):1015-1018.
[14]刘丽,周颖,杨凤.用遥感植被供水指数监测贵州干旱[J ].贵州气象,
1998(6):17-21.
[15]莫伟华,王振会,孙涵,等.基于植被供水指数的农田干旱遥感监测研
究[J ].南京气象学院学报,2006,29(3):693-993.[16]Y AS AR E MEK LI ,R UHI BAST UG,D URS U N BUY UK T S ,et al.E valuation o f a
crop water stress indexfor irrigation scheduling o f bermudagrass[J ].Agricultur 2al W ater M anagem ent ,2007,90(3):205-212.
[17]李韵珠,陆锦文,吕梅,等.作物干旱指数(CW SI )和土壤干旱指数
(S W SI )[J ].土壤学报,1995,32(2):202-209.
[18]申广荣,田国良.作物缺水指数监测旱情方法研究[J ].干旱地区农业研究,1998,16(1):123-128.
[19]刘安麟,李星敏,何延波,等.作物缺水指数法的简化及在干旱遥感监测中的应用[J ].应用生态学报,2004,15(2):210-214.
[20]
S A N DH O LT I ,R AS M USSE N K,A N DERSE N J.A sim ple interpretation o f the sur face tem perature/vegetation index space for assessm ent o f sur face m oisture status[J ].Rem ote S ensing o f Env ironm ent ,2002,79:213-234.
[21]齐述华,王长耀,牛铮.利用温度植被旱情指数(T V DI )进行全国旱情监测研究[J ].遥感学报,2003,7(5):420-427.
[22]姚春生,张增祥,汪潇.使用温度植被干旱指数法(T V DI )反演新疆土壤湿度[J ].遥感技术与应用,2004,19(6):474-874.
[23]
康为民,罗宇翔,郑小波.贵州温度植被干旱的指数(T V DI )特征及其遥感干旱的监测应用[J ].贵州农业科学,2008,36(4):27-30.
7
92837卷17期 张雷杰等　食品比热容的BP 神经网络预测。