农业干旱遥感监测研究进展

农业干旱遥感监测研究进展

杨绍锷,闫娜娜,吴炳方

(中国科学院遥感应用研究所,北京100101)

收稿日期:2009-02-19

修订日期:2009-03-25

基金项目:中国科学院知识创新工程重大项目(KSCX -Y W-09-01)。国家科技支撑计划项目(2008BADA8B02-1)。作者简介:杨绍锷(1980~),男,汉族,广西浦北人,中国科学院遥感应用研究所博士生,研究方向为农业旱情监测及农业估产。E -m ail:yangshe88@ 通讯作者:吴炳方,w ubf@

摘要:农业干旱给社会经济及人民生活造成严重影响,关于农业旱情监测的研究受到了学者们的广泛关注。遥感技术的发展为准确、及时进行旱情监测提供了新的机遇。本文综述了近年来国内外采用遥感方法监测农业旱情的研究进展,包括土壤湿度、作物形态、作物生理等农业旱情指标的遥感反演,指出了在实际应用中存在的一些问题,并提出了进一步改进的思路。

关键词:农业干旱;遥感;监测

doi:10.3969/j.issn.1000-3177.2010.01.021

中图分类号:T P79 文献标识码:A 文章编号:1000-3177(2010)107-0103-07

1 引 言

干旱是世界范围内普遍发生的一种复杂的自然现象,其波及范围广,持续时间长,是农业生产和人类生活中最严重的自然灾害之一。由于所关注的领域不同,干旱通常被分为4类:农业干旱,外界环境因素造成作物体内水分亏缺影响作物正常生长发育;气象干旱,由于降水和蒸发的收支不平衡所造成的异常水分短缺;水文干旱,降水与地表水或地下水收支不平衡造成的水分短缺;社会经济干旱,自然系统与人类社会经济系统的水资源供需不平衡造成的水分短缺。应当注意农业干旱与气象干旱的联系和区别,当发生气象干旱时,不一定发生农业干旱;而当发生农业干旱时,也不一定发生气象干旱。农业干旱的发生与气象、地形、土壤、底墒、灌溉措施、种植结构、品种抗旱能力等众多因素相关,被认为是这4类干旱现象中最复杂的一种。

农业干旱,即作物体内水分亏缺,主要是由于土壤供水与作物需水不平衡造成,这取决于土壤的供水能力和作物的生理需求。判断是否发生农业干旱必须从供需两方面考虑,传统的农业旱情监测主要基于地面站点的土壤墒情数据,其准确性、代表性、完整性有限。遥感技术的发展为农业旱情监测提供了新的途径,其优势在于能够及时、客观地获取大范

围的地表综合信息,同时监测土壤供水和作物需水状况,使其已成为区域旱情监测的重要手段。

2 土壤湿度的遥感监测

土壤湿度在农业、生态、水文、气象等众多研究领域中都是一个重要参数,土壤湿度的遥感反演受到各领域的关注,已对多种方法进行了研究探讨,其中微波遥感法和热惯量法被认为是较具潜力的土壤湿度遥感反演方法。

2.1 微波遥感法

物体的微波发射率主要取决于其介电特性。水的介电常数约为80,而干土的介电常数仅为3~5,土壤的湿度大小直接影响着土壤的介电常数,这使得微波回波对土壤湿度非常敏感。由此可建立土壤湿度与后向反射系数的统计经验函数,通过遥感数据获取的后向反射系数反演土壤湿度。由于微波遥感法具有全天时、全天候、穿透能力强等优点,已成为当前遥感研究的一个热门课题。

微波遥感可分为被动微波遥感和主动微波遥感两种。通常被动微波遥感成本低,时间分辨率高,但空间分辨率低;而主动微波遥感成本高,空间分辨率高,但时间分辨率低。无论被动微波遥感或主动微波遥感,其反演结果都受到地表粗糙度和植被的影响。如何降低或消除地表粗糙度和植被的影响,是

103

当前微波遥感的一个重要研究方向。T ansey[1]和Mo eremans[2]的研究表明,在裸地和稀疏植被地区,近地表土壤湿度与后向散射系数之间有很高的相关性,并且认为地表粗糙度对于土壤水分的监测有很大影响;李震等[3]综合主动和被动微波数据以及光学数据监测土壤湿度变化,减少了植被的影响,提高了土壤湿度变化监测的精度;刘伟等[4]尝试极化分解技术克服地表粗糙度和植被的影响,较好的估算了植被覆盖地表的土壤湿度变化,但该方法要求时间分辨率较高,同时必须是全极化数据,当前的星载微波传感器难以达到这种要求;Rajat Bindlish[5]利用改进的IEM模型,得到了与实际土壤湿度相关性高达0.95的反演结果。微波遥感不受云的干扰,可以全天时使用,尽管受地表参数影响较大,但其对土壤水分的估算精度仍较高,是土壤水分监测极具潜力的方法。但当前微波遥感通常只能反演土壤表层的湿度,而作物根系通常都在10cm~20cm以下,因此应用于农业旱情监测有一定的局限性。

2.2热惯量法

由于水具有较大的热容量和热传导率,使得土壤湿度的大小决定着土壤的热惯量大小,当土壤湿度增加,土壤热惯量增大,地表温度昼夜变化小。通过遥感数据分析地表温度的变化反演土壤的热惯量,从而达到监测土壤湿度的目的。通常的作法是:先利用遥感获取的地表温度数据反演土壤表层的热惯量,然后结合地面实测的土壤湿度资料,建立土壤湿度与热惯量之间的统计模型。线性模型是较为常用的模型,也有幂函数、指数函数、对数函数等其他形式的非线性模型[6],但线性模型与其他模型的差异不明显,而且线性模型计算方便,简单实用[7],因此应用过程中通常使用线性模型。由于NOAA/ AVH RR数据成本较低,时间和空间分辨率都能满足大范围土壤湿度监测的要求,是该方法最常用的数据源。热惯量法的缺陷在于土壤热惯量受土壤质地、土壤类型影响,而且不适用于植被覆盖度较高的地区。在实际的应用中,由于受云和大气的影响,难以获取一对日夜都无云的影像。陈怀亮[7]建立了不同土壤质地的热惯量模型,同时引入地形和风场参数,提高了水分反演的精度,此类方法在实际应用中的难度在于地形和风场参数的确定。张仁华[8]利用土壤受光面和阴影面、叶子受光面和阴影面的温差信息,将热惯量模型、热量平衡模型和温差模型结合起来,开辟了利用多角度遥感数据反演土壤湿度的新途径。

土壤湿度能在一定程度上反映农业干旱,但土壤湿度不是造成农业干旱的唯一原因,不同的作物处在不同的生育期、不同的天气条件下对土壤水分的要求不同;太阳辐射强,气温高,风力大等环境因素导致作物蒸腾消耗较大,即便土壤含水量较高,但作物根系吸收的水分仍不足以补偿作物蒸腾,致使作物受旱。若仅用土壤湿度指示农业旱情,难免有失公正、客观。为了更准确地反映旱情,土壤湿度需要与作物信息相结合。

3作物需水状况的遥感监测

作物需水状况通常通过作物的形态指标和生理指标来反映。利用遥感方法的优势,结合作物的形态特点和生理特点,国内外许多学者已提出了基于遥感参数的作物形态指标和生理指标衍生出了作物遥感综合指标。

3.1作物形态指标

作物形态指标是指作物的长势或长相。当植被受水分胁迫时,植被生长状况会发生相应的变化,农学上通常采用直观地观测作物长势、长相的方法,进行定性地描述小范围内的作物旱情。遥感技术通过监测植被指数的方法来描述植被的长势。其根据是植被活性叶片在红波段有强吸收,在近红外波段有高反射,建立这两个波段的线性或非线性关系,可定量描述绿色植被的丰度、覆盖度,反映植被的生长状况。常见的有归一化植被指数、比值植被指数、距平植被指数、相对距平植被指数、条件植被指数等。其中归一化植被指数(Nor malized Different Vegeta-tion Index,NDVI)是较为常用的植被指数。

3.1.1归一化植被指数

归一化植被指数(NDVI)的计算方法为:

N D VI=(Q N I R-Q RED)/(Q NI R+Q RED)(1)其中Q RED为红波段的反射率,Q N IR是近红外波段的反射率。由于植被活性叶片中的叶肉组织在近红外波段有较高的反射率,而叶绿素在红光波段有较强的吸收,使得植被在近红外波段的反射率较高,而在红光波段的反射率较低,因此植被的NDVI值较大;而岩石、裸地在这两个波段的反射率相近, NDV I值趋于0;云、水体和积雪的近红外波段反射率小于红光波段反射率,NDVI小于0。由此可用NDV I反映植被覆盖度和作物长势,NDV I值越高,表明植被覆盖程度越高,作物长势越好。

Lozana-Garcia等[9]利用NDVI对美国印第安那州1988年的重旱进行分析,结果表明NDVI对重

104