英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

---

MODIS卫星数据和土壤湿度赤字指数（SWDI）监测干旱

摘要：

土壤水分由于它对植物生长和生物的交互的重要性被认为是农业干旱监测系统中一个关键的指标。在本研究中，土壤湿度赤字指数（SWDI）是基于土壤湿度指数评价土壤湿度偏差从而指示农业干旱。土壤湿度指数是由地表温度（LST）和植被指数（NDVI）之间的三角空间理念得到。为了获得三角空间理念，需要8天的Isfahan的MODIS地表温度数据和地表反射率。数据是从2001年1月（干旱年）到2004年5月（湿润年），八天为一个单位。结果表明SWDI指数能够反应干旱的空间分布和强度。估计累积的干旱天数(minus;4＜SWDI＜0)在2000 年到2001年有184天。结果还证实在2004－2005年有湿润的时候。此外,在这个地区在干旱条件下的湿润和干燥的时期在变化。结果还表明,植在平衡土壤数度变化中扮演一个重要的角色。

1.介绍：

干旱是气候变化的结果，频繁的发生在广阔的地理区域，没有任何特定的边界。干旱比其他自然灾害对食品安全有更大的影响。预测干旱什么时候发生、持续的时间比其他的灾害比如洪水要难。基于它对环境的影响，干旱分为气象干旱、农业干旱和水文干旱。

土壤水分含量在农业干旱中很重要。根部水分分配到土壤剖面上部一到两米。这用于作物生长和水分蒸散发。考虑到土壤水分对植物和作物生长的影响，估算水分含量对农业干旱监测十分重要。然而，由于一天中土壤水分极端的变化，它不能直接作为评价干旱严重性的指标。因此，需要一个指数来表示土壤水分的长时间变化。同时，这个指数还要能比较不同季节的土壤水分变化。

主要是，用尺度分析方法监测土壤湿度非常昂贵、耗时并且不能用于大范围地区。此外，将一定范围的土壤湿度数据转换为地图数据光用地理数据不够。因此，需要特殊的能在空间和时间上监测连续准确的监测土壤湿度数据的工具。由于时间和空间分辨率提高了，遥感技术比区域测量技术和建模更适合区域监测。

表一 用来计算土壤湿度指数的卫星数据的特征

在过去的二十年里，有大量的估算土壤水分的方法。有一些是基于光学遥感和微波遥感数据。方法包括使用反射率、热红外数据、被动和主动遥感数据。由于气溶胶粒子的散射和低透过率，光学和热红外影像比雷达和微波影像限制更多。但是，由于高时间和空间分辨率及和土壤湿度、地表温度的高相关性，光学和热红外影像的应用多了起来。

植被对水分胁迫敏感，而水分胁迫的量可以用光学卫星数据得到的植被指数得到。从光谱反射率提取植被指数是估计作物物理特性，比如叶子的水分含量、色素浓度最常用的方法。

例如，归一化植被指数（NDVI）是众所周知的植被指数，显示了短期内土壤水分变化的相关性。NDVI可以通过近红外和可见光波段的电磁波谱获得。Adegoke、Carleton （2002）和Wang et al.（2007）研究了NDVI和土壤水分的直接关系并且证实了土壤水分对NDVI的延迟影响。Wang et al. (2007)还表明NDVI和土壤水分的关系在半干旱地区延迟小更可靠。虽然，地表温度（LST）也依赖于土壤水分和部分植被覆盖，但是LST和土壤水分没有直接普遍的联系。但是，由于干旱地区植被覆盖低的区域地表温度增高了，预计LST和NDVI之间存在的负相关性。在许多研究中，三角空间理念方法被定义为NDVI和LST之间的用散点图表达的物理联系，被推荐用于估算根区平均土壤水分。

在本研究中。SWDI是基于在LST和NDVI之间应用三角空间理念而获得的土壤湿度指数（SWI），从而通过估算土壤湿度作为评价农业干旱的指标。

图1 图a LST-NDVI三角形的概念图来确定土壤湿度指数。干边SWDI的值维0，湿边SWDI的值为1。A，b，c，d的值分别为0.2，0.4，0.6，0.8

图 b 晴天下LST和NDVI关系的一个例子

图 2 　晴天下在Isfahan的土壤湿度指数分布

2.数据和方法

2.1研究区

研究区位于位于伊朗中部地区,面积214503平方公里。纬度30.6N～ 34.58N，经度49.6 E~ 55.5 E。有半干旱地区降水量有限（130毫米每年，发生在冬季从12月到4月）。大约3%的面积用来种植（609250公顷），其中95%的灌溉土地和5%雨养的土地。最高温度是30 度在7月，最低温度3度在1月。

2.2 数据准备和影像处理

有更多空间细节的植被区域能通过中分辨率（250m－1KM）传感器（MODIS TERRA和AQUA，每天过境两次）的可见光热红外数据监测短期土壤湿度的变化。使用了MODIS 250m和1000m空间分辨率2000年九月到2001年七月和2004年九月到2005年七月Isfahan的LSR（MOD09Q1） 和LST（MOD11A2）产品。NDVI是利用卫星数据通道一（～660nm），通道二（～860nm），覆盖了可见光和近红外波段。数据经过了几何校正，投影从正弦转换为UTM投影。

图3 SWDI值分级

表2 比较2001年一月到2004年五月在灌溉农田用Duncan方法求得的研究区SWI，NDVI和LST的全球平均值（确切的现象表明特定的级别存在显著的差别）

此外，热带降雨测量数据（TRMM）与SWI比较。TRMM是日本NASDA和美国国家航空航天局合作设计的,用来用联合传感器测量降雨率，包括高分辨率雷达、,被动微波辐射计和可见红外辐射计。为了本研究的目的，从TRMM产品获得了每个干旱湿润时期的累积雨量数据。为了使TRMM数据与其他影像空间分辨率一致，用最邻近像元法将影像重采样至250m。影像用MATLAB程序自动处理。

2.3 土壤湿度指数（SWI）

对LST和NDVI使用三角空间理念提取土壤湿度。如图一，干边的最高温度代表最干燥的土壤条件，而土壤湿润时接近0。最湿润的土壤条件（接近饱和）代表湿边的最低温度。假设干边到湿边水分是线性变化的。这个概念的一个例子是图1所示。图一清楚的显示了NDVI与LST在特定的时间步长干边和湿边的散点图。这种假设下，SWI可以有以下方程计算每个像素。

i代表像素，Ts是地表温度， Tmin和Tmax与NDVI和LST的干湿边有线性关系，计算公式如下：

A，b，c，d分别是干湿边斜线的斜率和偏移值。图二是SWI的空间分布。

图4 Ishafan的SWDI分布（ａ）2001：017，（b）2005：017，（c）2001： 073,，（d）2005：073，（e） 2001：183，（f）2005：183）

2.4 计算干旱指数

为了估计干湿时期的土壤湿度变化，基于SWI以八天为一个单位计算SWDI，公式如下；

SDi是八天里土壤水分赤字，MSWI是一个月的SWI平均值，max SWI 和min SWI是SWI 的最大最小值。

通过使用等式4，土壤水分的季节性被移除。因此，SWDI值可以跨季节相比。八天的SD值从－100到＋100代表非常干旱或非常湿润的条件。当干旱持续很长时间时才会影响作物生长。SD值的范围是－100到＋100,最严重的干旱可以用下面的方程表示为一条直线：

t代表8天的值，SWDI计算：

确定干旱强度的主要挑战是选择干旱值的步长。为了解决这个问题，Palmer、 Narasimhan和Srinivasan提出了基于增量计算干旱指数。

为了估计每个八天期对干旱严重性的贡献，设i=1，t=1：

如果随后的几个月正常或接近正常（-1＜SWDI＜1），极端的干旱天气将不会持续。为了将SDWI维持在恒定值，需要在等式9加一个量，所有的月份跟着原始的干旱月。

假设SWDI的值是－4，则SD的值为－100；

因此每个时间段干旱严重性的计算公式为：

SWDI的范围为－4～4，代表干旱湿润的条件。

图 5 （a）干旱时期（2001年1月）干旱的农田和灌溉的农田SWI的全球变化平均值；（b）干旱时期（2001年1月）干旱的农田和灌溉的农田NDVI的全球变化平均值；（c）干旱时期（2001年1月）干旱的农田和灌溉的农田LST的全球变化平均值；（d）干旱时期（2001年1月）干旱的农田和灌溉的农田8天累积降雨量的全球平均值（Julian day 从2000年第273天到2001年第209天）；

图 6 （a）湿润时期（2004年5月）湿润的农田和灌溉的农田SWI的全球变化平均值；（b）湿润时期（2004年5月）湿润的农田和灌溉的农田NDVI的全球变化平均值；（c）湿润时期（2004年5月）湿润的农田和灌溉的农田LST的全球变化平均值；（d）湿润时期（2004年5月）湿润的农田和灌溉的农田8天累积降雨量的全球平均值（Julian day 从2004年第273天到2005年第209天）；

图 7 （a）两个时期灌溉农田的SWDI值变化；（b）两个时期干旱农田的SWDI值变化（Julian day 2000年或2004年的第273天到下一年的209天）

3．结果与讨论

SWDI是用LST和NDVI卫星数据在MATLAB程序运行得到。

图4表示了2001年和2005年三个不同时间段（DOY：17，73，185）SWDI指数的空间分布。图a和b代表2001年和2005年第17天的SWDI，八天期间用第一天表示。例如，DOY—17—24的平均值用DOY—17表示。如图中所示，SWDI值的范围是－2～0，整个地区是干旱的（SWDI＜0）唯一不干旱的地区位于在主河的中心区域。与2001年相比，同一天2005年的干旱区域较少了50%。并且湿润地区主要在西部和南部地区，一些像元SWDI值达到了3。但是东部地区的SWDI值没有明显的变化。

在图4的c,d 中，比较了2001年和2005年的第73天的SWDI的空间分布。2001第73天年的SWDI值65%的区域－0.5～0，比2001年第17天SWDI值略高。比较2005年两个时期的值，56天里SWDI的最大值减少了，但是SWDI＞０的值增加了。

图4的e，f图，从2001年和2005年的第185天观察到了SWDI的倾向。在2001年，尽管处于干旱时期，东部地区几乎不干旱。西部地区仍然处于干旱并且情况在恶化。干旱向湿润的转变将一直持续到干旱结束的时候（2001年第209天）。

在2005年的同一时期，整个地区变干旱了，并且在湿润时期是快速转化为湿润地区。干旱时期总计184天，超过50%的区域SWDI＜０。

表一表二比较了两个时期NDVI,SWI,LST的平均变化值，并在图5，6整个区域的灌溉农田、雨水农田中表示出来。为了这个目的，每个干旱湿润时期被定义为一个整体。结果表明，全球平均值的差异很重要。证实了，土壤水分的量、LST和NDVI的值子啊2004年五月和2001年一月在灌溉和雨水农田不同（表2，3）。唯一的例外是NDVI值在雨水农田两个时期没有明显变化。

为了小尺度评估SWDI干旱指数，将灌溉农田（）和雨水农田（）（在图7中有九个像元）的SWDI短期变化值相比较。干旱地区和湿润地区在2001年一月和2004年五月都很明显。

SWDI值在雨水农田的范围为-1.7~1.2,而在灌溉农田的范围为-0.3~0.75。这个差异是由于在干旱时期用水灌溉农田从而改变了土壤水分。另一方面，这证实了SWDI对土壤水分的存在敏感。比较SWI和SWDI（图5a,6a,7）,土壤水分的增长不代表干旱区域的结束，还应该考虑它在前几个月的影响。

根据图7 a，b，SWDI平均值的最大差异发生在17—30天。几乎同时发生在NDVI和LST最小值的区域（休眠阶段）。似乎植被覆盖的缺乏导致了湿润时期湿润强度的增加，干旱时期干旱强度的增加。换句话说，植被覆盖的存在缓和了土壤水分变化。

SWDI值在2001年和2005年的末尾从干旱变为湿润。这表明，湿润或干旱时期的末尾干旱状况会发生改变。

图8 （a）2001年1月累积降雨量和SWI的比较

（b）2004年5月累积降雨量和SWI的比较

最后，图8表示了累积SWI和累积降雨量在干旱湿润期结束时的相关性，证明了SWI数据的有效性。正如预期，累积降雨量（TRMM）和SWI高度匹配，证实了降雨量岁SWI的影响。但是，在干旱时期，相关性只有50%，这表明，在干旱时期，辐射和温度对土壤湿度的影响大于降雨。

4.结论

在本研究中，SWDI是使用每8天250m空间分辨率的遥感卫星影像数据，利用SWI（从NDVI-LST三角理念中提取）来研究干湿期土壤湿度变化。

结果表明，SWDI值能在时间空间上分辨干旱湿润。相应的，不能为一个大面积地区识别干旱湿润的时间间隔。广泛的湿润干燥事件在某地区发生一次表明基于有限数量的天气预报不能确定干旱的发生。

此外，比较SWI和SWDI表明土壤湿度的增加不能表明干旱的结束，还应该考虑前段时间的影响。结果还表明，植被的存在缓和了湿润干旱状况的变化。

参考文献:

[1] Adegoke, J.O., Carleton, A.M., 2002. Relations between soil moisture and satellite vegetat

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[28112]，资料为PDF文档或Word文档，PDF文档可免费转换为Word