基于VTCI的干旱监测

VTCI
• VTCI= LST NDVI
i
max
− LST NDVI i
LST NDVI i max − LST NDVI i min
Baidu Nhomakorabea
LSTNDVI imax = a + bNDVI i
LSTNDVI i min = a′ + b′NDVI i
•LSTNDVIimax,LSTNDVIimin分别表示在研究区域内,当NDVIi值等于某一特 定值时的土地表面温度的最大值和最小值;LSTNDVIi表示某一像素的NDVI值 为NDVIi时的土地表面温度;a,b,a,b′为待定系数
VTCI模型的缺点
• 对研究区域选择的要求较高： • 植被覆盖度较大时，监测精度高 • 植被覆盖度较小时，VTCI值普遍偏大
VTCI优点
• 适用于监测某一特定年内某一时期区域级 的相对干旱程度，具有地方专一性和时域 专一性的特点 • 对陕西省关中平原地区2000年3月下旬干旱 的监测结果表明,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
土壤水分反演模型---试验地区：黑 龙江军川农场
基于VTCI的干旱监测
植被指数的时空变化与干旱有一定 的相关性
• 对某一地区来说，在连续几年的时间里， 可以认为气候、土壤和生产水平处于相对 不变的状态，只有天气变化对作物生产有 短期的效应
基于植被指数的干旱监测方法
• 条件植被指数VCI, • 条件温度指数TCI， • 距平植被指数AVI
VCI = NDVI i − NDVI min × 100 NDVI max − NDVI min
0.58
0.72
反演模型的对比
• 玉米地：LST-NDVI模 型玉米的预测结果几 乎都大于地面观测值， VTCI模型监测值精度 较高 • 大豆地：LST-NDVI模 型预测结果小于VTCI • VTCI模型具有较好的 准确性 平均 方差 标准 值 偏差 LST- 1.03 1.75 1.32 NDV 0 5 5 I VTCI 0.73 0.94 0.97 5 7 3
VTCI
物理意义
VTCI
• 系数通过绘制研 究区域内NDVI和 LST 的散点图线 性拟合得到 • 特征空间为三角 形
VTCI
• VTCI的定义既考虑了区域内NDVI的变化,又 考虑了在NDVI值相同条件下LST的变化,即 高温对作物生长不利 • 取值范围为[0,1] • 值越小,相对干旱程度越严重
• LST-NDVI单因子模型: • LST和NDVI能够较好 反演0~10cm土壤含水 量 • 不能反演0~20cm土壤 水分 • 回归模型：0~10cm： W=15.12+0.01INDV0.42Ts 相关系 LST 数 0~10c 0.62 m土壤 含水量 0~20c 0.07 m土壤 含水量 NDVI
0.58
0.19
土壤水分反演模型---VTCI模型
• VTCI与土壤表层含水 量（0~10cm和 0~20cm）有较好的相 关性，可以较好反映 出地表干湿变化 • 回归模型：0~10cm： W=5.05+9.79IVTC • 0~20cm： W=6.31+8.76IVTC 相关系数 VTCI
0~10cm土 壤含水量 0~20cm土 壤含水量
BTmax − BTi TCI = ×100 BTmax − BTmin
AVI = NDVI i − NDVI
VCI\TCI\AVI的局限性
• 可以得出区域内某一时期的干旱程度及范 围，可得到像素尺度监测结果 • 干旱发生的时间和地点存在着时空变异， 在像素水平上，上述三种指数法使用的指 标有可能不同，某一特定时期内不同像素 间检测结果的可比性较差。
反演模型的对比
• 旱情较轻的地区：LST-NDVI模型监测结果 的值偏大，VTCI模型监测值的精度高。 • 旱情较重的地区：VTCI反演水分的值偏大
VTCI反演的优势
• 精确度优于LST-NDVI模型 • 与0~20cm土壤表层水分密切相关，而LSTNDVI与其不相关 • 具有明确的物理解释，而LST-NDVI只是经 验模型
实际应用判别步骤
• b负值越大，研究区域 存在干旱，若b与b‘的 值接近，表明整个区 域存在干旱，相对干 旱程度最严重，VTCI 值较小。 • b的负值较小并接近于 0，研究区域内部存在 干旱，VTCI值较大 • b与b’差值越大，研究 区域存在不同程度的 干旱，VTCI值越小， 相对干旱程度越严重， VTCI值越大，相对干 旱程度越轻。