全 文 ：农业旱情遥感监测的一种改进方法及其应用*
郑有飞1**摇 程晋昕1 摇 吴荣军1 摇 关福来2 摇 姚树然2
( 1南京信息工程大学环境科学与工程学院, 南京 210044; 2河北省气象科学研究所, 石家庄 050021 )
摘摇 要摇 从地表蒸散的角度出发,利用基于 Priestley鄄Taylor 公式与地表温度鄄植被指数(LST鄄
VI)三角形特征空间的半经验蒸散模型,对农业干旱遥感监测方法进行改进,推导得到简化型
蒸散胁迫指数(SESI) .利用 2008、2009 年 3—11 月的 MODIS 陆地标准产品数据,构造了 3 种
特征空间建模计算了 SESI,对京津冀平原地区开展了农业旱情监测试验,并与温度植被干旱
指数(TVDI)进行比较.结果表明: SESI 有效地简化了基于地表蒸散估算的遥感干旱监测方
法,对土壤表层水分(10、20 cm)有着良好的指示作用.该方法春、秋季监测效果优于夏季,且
不同时相 SESI的可比性优于 TVDI.将 SESI指数应用于大面积农业旱情连续监测具有一定可
行性.
关键词摇 干旱监测摇 蒸散摇 三角算法摇 简化型蒸散胁迫指数
文章编号摇 1001-9332(2013)09-2608-11摇 中图分类号摇 S16; TP79摇 文献标识码摇 A
An improved method and its application for agricultural drought monitoring based on re鄄
mote sensing. ZHENG You鄄fei1, CHENG Jin鄄xin1, WU Rong鄄jun1, GUAN Fu鄄lai2, YAO Shu鄄
ran2 ( 1College of Environmental Science and Engineering, Nanjing University of Information Science
& Technology, Nanjing 210044, China; 2Hebei Institute of Meteorological Science, Shijiazhuang
050021, China) . 鄄Chin. J. Appl. Ecol. ,2013,24(9): 2608-2618.
Abstract: From the viewpoint of land surface evapotranspiration, and by using the semi鄄empirical
evapotranspiration model based on the Priestley鄄Taylor equation and the land surface temperature鄄
vegetation index ( LST鄄VI) triangle algorithm, the current monitoring technology of agricultural
drought based on remote sensing was improved, and a simplified Evapotranspiration Stress Index
(SESI) was derived. With the application of the MODIS land products from March to November in
2008 and 2009, the triangle algorithm modeling with three different schemes was constructed to cal鄄
culate the SESI to monitor the agricultural drought in the plain areas of Beijing, Tianjin, and He鄄
bei, in comparison with the Temperature Vegetation Dryness Index (TVDI). The results showed
that SESI could effectively simplify the remote sensing drought monitoring method, and there was a
good agreement between SESI and surface soil (10 and 20 cm depth) moisture content. Moreover,
the performance of SESI was better in spring and autumn than in summer, and the SESI during dif鄄
ferent periods was more comparable than TVDI. It was feasible to apply the SESI to the continuous
monitoring of a large area of agricultural drought.
Key words: drought monitoring; evapotranspiration; triangle algorithm; simplified evapotranspira鄄
tion stress index (SESI).
*淮河流域气象开放研究基金项目(HRM / y201201)和中国气象局
干旱气象研究基金项目(IAM2012101)资助.
**通讯作者. E鄄mail: zhengyf@ nuist. edu. cn
2012鄄11鄄27 收稿,2013鄄06鄄30 接受.
摇 摇 干旱是一种分布广泛的自然灾害,对农业生产
的影响尤为严重.开展以土壤供水与作物需水收支
不平为特征的农业干旱[1]监测具有重要意义,但又
是一个公认的难题. 宏观、客观、迅速和廉价的遥感
技术在很大程度上克服了基于测站的传统方法投入
成本大、代表性与时效性差等诸多缺陷,为旱情监测
开辟了一条新途径[2] .
国内外学者利用可见光鄄近红外波段提供的植
被指数及热红外波段提供的地表温度构建了多种干
旱指数,发展了一系列农业旱情遥感监测方法,如热
惯量法、距平植被指数 ( AVI) [3]、条件植被指数
(VCI) [4-5]、条件温度指数(TCI) [5]和温度植被干旱
指数 ( TVDI) [6] 等. 地表蒸散 ( evapotranspiration,
应 用 生 态 学 报摇 2013 年 9 月摇 第 24 卷摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Sep. 2013,24(9): 2608-2618
ET)既涉及土壤、植被和大气能量交换过程,又是水
循环的重要组成部分[7] .不少学者从这一的角度出
发,基于实际蒸散与潜在蒸散( potential evapotrans鄄
piration,PET)之比值对土壤湿度的良好指示作用,
构建了多种干旱指数,代表性的有:Jackson[8]基于
能量平衡方程提出的作物缺水指数 ( crop water
stress index,CWSI);Moran 等[9]在地表能量平衡双
层模型的基础上,改进了 CWSI 并发展得到的水分
亏缺指数(water deficit index,WDI);刘安麟等[10]对
CWSI进行了简化,减少了模型涉及的因子,得到了
更为实用的计算方案;Su 等[11]基于 SEBS 模型构建
的干旱严重度指数( drought severity index, DSI);
Anderson 等[12-13] 利用大气鄄陆地交换反演模型
(ALEXI)构建的蒸散胁迫指数(evaporative stress in鄄
dex,ESI).基于蒸散估算结果构建的干旱指数具有
相对明确的理论基础,能够很好地体现土壤表层与
深层的湿度信息,其对农业旱情的指示作用已在科
学研究与业务应用中得到了广泛的验证.然而,目前
基于蒸散模型的干旱监测模型普遍存在计算复杂、
数据输入繁多且难以获取的问题,很大程度上限制
了该类方法的应用与推广.而基于植被指数鄄地表温
度( VI鄄Ts) 特征空间的三角算法 ( triangle meth鄄
od) [14-15]是在 Priestley鄄Taylor( P鄄T)公式[16]的基础
上提出的.该方法计算过程相对简单,能够在缺乏气
象数据或其他站点辅助数据的条件下,仅依靠遥感
数据进行大面积蒸散估算,因此在研究中得到了广
泛应用.近年来,多位学者从不同角度改进了三角算
法,并利用多种传感器,通过不同的参数化方案,将
该方法推广到多个研究区域[17-21] .
本文以京津冀平原地区为例,在三角算法的基
础上,简化了基于蒸散的遥感干旱指数的求解方案,
应用 EOS / MODIS 标准陆地产品数据,将改进后的
指数应用于农业旱情监测中,并结合农业气象观测
站点提供的土壤湿度数据,对干旱监测结果进行多
角度的验证与分析,以期为进一步形成一套业务化
干旱监测的技术路线提供理论依据.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
京津冀地区的平原地带主要包括太行山脉、内
蒙古高原及燕山山脉以南,位于华北平原的东北端
(36. 05毅—40. 43毅 N,114. 25毅—119. 45毅 E). 北京
市、天津市与河北省境内的平原地带如图 1 所示.京
津冀地区属于北温带大陆性季风气候,四季分明,年
均气温 3. 8 ~ 13. 1 益,年降水量 319 ~ 696 mm,降水
主要集中在 6—9 月,多雨年与少雨年降水量相差较
大[22] .该区域主要作物为小麦、玉米、棉花,兼有大
豆、高粱和谷子等作物,主要种植制度为一年两熟
制.京津冀平原地区是我国重要的粮食产区,同时也
是受干旱灾害影响严重的区域. 在该区域开展干旱
遥感监测方法的研究代表性强,同时也具有重要的
现实意义.本文共选取 21 个代表性站点(表 1)开展
研究.
图 1摇 研究区域与站点分布
Fig. 1摇 Study area and sites location.
1 ~21号站点信息见表 1 1鄄21 sites information could be seen in table 1.
表 1摇 土壤湿度观测站点的名称与地理坐标
Table 1摇 Names and geographic coordinates of soil moisture
observation sites
站点编号
Site number
站点名
Site name
经度
Longitude (毅)
纬度
Latitude (毅)
1 安国 Anguo 115. 33 38. 42
2 成安 Cheng爷an 114. 70 36. 45
3 磁县 Cixian 114. 38 36. 38
4 大名 Daming 115. 15 36. 30
5 定州 Dingzhou 115. 00 38. 52
6 东光 Dongguang 116. 53 37. 88
7 肥乡 Feixiang 114. 80 36. 55
8 馆陶 Guantao 115. 28 36. 55
9 海兴 Haixing 117. 48 38. 15
10 黄骅 Huanghua 117. 35 38. 37
11 平乡 Pingxiang 115. 03 37. 07
12 丘县 Qiuxian 115. 17 36. 82
13 曲周 Quzhou 114. 95 36. 77
14 三河 Sanhe 117. 08 39. 97
15 肃宁 Suning 115. 82 38. 42
16 吴桥 Wuqiao 116. 40 37. 63
17 献县 Xianxian 116. 12 38. 18
18 行唐 Xingtang 114. 55 38. 45
19 盐山 Yanshan 117. 23 38. 03
20 元氏 Yuanshi 114. 53 37. 75
21 赵县 Zhaoxian 114. 78 37. 75
90629 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 郑有飞等: 农业旱情遥感监测的一种改进方法及其应用摇 摇 摇 摇 摇
1郾 2摇 数据来源及预处理
本文模型的建立与指数的计算均采用美国航空
航天局(NASA)陆地数据分发中心(LP DAAC)发布
的 Terra MODIS 陆地标准产品,包括 1 km 地表温
度 /发射率 8 d合成 L3 产品(MOD11A2)和 1 km 植
被指数 16 d合成 L3 产品(MOD13A2),数据时间范
围为 2008 和 2009 年的 3—10 月,积日(day of year,
DOY)为 65 ~ 305 d. 为了便于纪录与统计,本文统
一采用数据起始日期的 DOY 记录遥感数据与后期
结果的日期,如 2008 年 3 月 5 日—3 月 20 日记为
2008065,依此类推,这也与 MODIS 产品数据的编号
方式一致.利用 NASA提供的 MODIS 产品预处理软
件 MRT 提取 MOD11A2 的日间地表温度( daytime
LST)、MOD13A2 提供的归一化植被指数(NDVI)和
增强型植被指数(EVI)3 种数据集,进行多景数据的
拼接,并将数据由正弦投影(sinusoidal)转换为地理
坐标系统( geographic),以最邻近像元法重采样到
0. 01毅,在此基础上,借助 ENVI / IDL 平台编程实现
数据裁减与定标的批量处理. 由于地表温度产品与
植被指数产品在时间上不匹配,需要将 8 d 合成的
地表温度产品进一步合成为 16 d 数据. MOD11A2
产品提供的 LST 8 d 合成数据实质上是 8 d 内日产
品(MOD11A1)在晴空条件下 LST 数据的均值[23] .
因此,16 d的合成的地表温度值(LST16)可采用如下
算法得到:
LST16 =
LST8·CSD + LST忆8·CSD忆8
CSD8 + CSD忆8
(1)
式中:LST8和 LST忆8为两个相邻时相同一像元的 LST
值;CSD8和 CSD忆8为对应时相内的晴空天数,该值可
通过 MOD11A2 产品提供的日间晴空数(clear_sky_
days)数据集进行提取.
本研究以平原地区为例,一方面考虑到农业生
产主要集中在平原地区,另一方面由于山地会对模
型的应用效果带来干扰,但燕山山脉及其他地形地
貌复杂的下垫面仅通过行政界线难以剔除.因此,本
文采用 NASA 航天飞机雷达地形测绘使命( shuttle
radar topography mission,SRTM)提供的 90 m分辨率
DEM数据提取平原区域,数据来源于中国科学院数
据应用环境(http: / / datamirror. csdb. cn / dem).借助
ENVI和 ArcGIS软件,将 DEM数据重采样到 0. 01毅,
用 0. 05毅伊0. 05毅的分析窗口,计算地形起伏度,然后
提取高程小于 200 m、地形起伏度小于 30 m 的像元
作为平原区域,并结合行政边界进一步裁剪得到研
究样区.
为了验证模型与干旱指数的效果,本文采用与
京津冀平原地区年份和时期相对应的 21 个农业气
象站(图 1)实测的土壤墒情数据,包括 10 cm、20 cm
两种深度相对湿度的旬观测数据,数据来源于河北
省气象局.表 2 列出了本文所用的所有数据与资料.
1郾 3摇 研究方法
1郾 3郾 1 基于 P鄄T公式的三角算法 摇 P鄄T 公式实质上
是 Penman鄄Monteith公式[24]的一种简化,现已被广
泛应用于多种尺度下的潜在蒸散与实际蒸散的估
算,其表达式如下[16]:
ET = 渍( 驻驻 + 酌)(Rn - G) (2)
式中:ET 为蒸散量 (W·m-2 );Rn为地表净辐射
(W·m-2);G为土壤热通量(W·m-2);驻 为饱和水
汽压随温度变化的斜率;酌为干湿表常数;系数 渍反
映了地表蒸散的有效阻抗,在湿润下垫面条件下取
值 1郾 26,可用于计算潜在蒸散(PET),而对于实际
蒸散的计算,不同下垫面条件下该系数具有不同的
取值.
三角算法的基本思路是利用植被指数鄄地表温
度特征空间的三角形分布,分别确定每个像元的 渍
值.地表温度鄄植被指数特征空间三角形关系如图 2
所示:理论上,温度最大值所对应的干边,蒸散阻抗
最大,渍 值为 0;温度最小值对应的湿边,蒸发阻抗
最小,渍达到理论上的最大值(1. 26). 然而,在植被
覆盖区域,由于植被对根部水分的吸收以及受尺度
问题的影响,零蒸散现象几乎不可能存在.实际应用
中,干边上的点对应的 渍值(渍i, min)随植被覆盖程度
表 2摇 本研究的主要数据
Table 2摇 Primary data used in current study
数据源
Source
数据名称
Data name
数据集
Dataset
时间分辨率
Temporal resolution
空间分辨率
Spatial resolution
用途
Purpose
EOS / MODIS MOD11A2 地表温度 16 d 0. 01毅 特征空间
MOD13A2 植被指数
SRTM SRTM鄄DEM DEM - 90 m 地形剔除
农气观测 土壤相对湿度 10 cm土壤湿度 每旬 - 验证
Agrometeorological observation 土壤相对湿度 20 cm土壤湿度
0162 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
而变化,裸露地表条件下干边 渍min为 0,而完全植被
覆盖条件下,渍min = 渍max . 为此,Jiang 和 Islam[15]采用
NDVI值对 渍i, min进行线性内插,考虑到 NDVI 缺乏
明确的物理意义且受传感器空间分辨率影响较大,
Jiang 和 Islam[17]与 Tang 等[20]用植被覆盖度替代
NDVI,而 Stisen 等[19] 引入了真实干边 ( true dry
edge)和观测干边( observed dry edge)的概念,利用
NDVI与湿边 渍 值(渍max)的二次非线性关系修正真
实干边的 渍值.该方法与植被覆盖度替代 NDVI 的
改进方法在一定程度上是等效的[20] . 综上,干边上
的 渍值可表达为如下形式:
渍i,min =渍min·f(VI) i (3)
式中:f(VI)为植被指数,或对指数进行的某种变换,
如植被覆盖度 Fr可用如下关系得到[25]:
Fr =
NDVI - NDVImin
NDVImax - NDVI
æ
è
ç
ö
ø
÷
min
2
(4)
式中:NDVImax、NDVImin分别为整个研究区域 NDVI
的最大值和最小值,为了方便计算,可简单选取
0郾 95 和 0. 05.在计算得到 渍i, min的基础上,可通过线
性内插得到每个像元的 渍值(渍i):
渍i =
Ti,max - Ti
Ti,max - Ti,min
(渍max - 渍i,min) + 渍i,min (5)
式中:Ti为每个像元的地表温度值;Ti, max和 Ti, min分
别为该像元植被指数值所对应的干边与湿边地表温
度.
1郾 3郾 2 干旱指数的构建摇 干旱能够对陆地表面能量
平衡与水平衡造成很大的影响,在水分供应不足的
条件下,地表实际蒸散量将低于潜在蒸散量,因此,
实际蒸散(ET)与潜在蒸散(PET)的比值对土壤水
分有良好的指示作用[26] . 基于这一原理,Anderson
等[12-13]利用ALEXI模型的蒸散估算结果构建了
图 2摇 LST鄄VI特征空间及三角算法原理示意图
Fig. 2摇 Schematic diagram of LST鄄VI feature space and the tri鄄
angle method.
de:干边 Dry edge; we:湿边 Wet edge.
ESI指数:
ESI=1-ET / PET (6)
该指数在美国全境干旱监测的研究与应用中效
果良好,目前已用于美国干旱监测业务产品的生
产[27] .然而,ALEXI模型结构相对复杂、数据输入繁
多,且部分数据在我国难以找到合适的替代品. 因
此,本文以三角算法为基础对该指数进行简化,提出
简化型蒸散胁迫指数 ( simplified evaporative stress
index,SESI).将式(2)、(3)、(5)带入式(6),可得到
如下表达式:
SESI = (Ti,max -Ti / Ti,max - Ti,min)( f(VI) i -1) +
f(VI) i+1 (7)
SESI计算简单,具有一定的物理与生物学基
础,同时,气象参数(驻和 酌)以及辐射项(Rn和 G)在
表达式化简过程中得以约去,从而避免了蒸散估算
过程中气象资料及地表净辐射与土壤热通量估算带
来的误差.
为了对 SESI指数进行更好的评价,本文将温度
植被干旱指数( temperature鄄vegetation dryness index,
TVDI) [6]作为一种参考指标进行比较. 该指数计算
简单、实用性强,在国内外被广泛认可,在华北平原
的干旱监测研究与业务实践中也得到了很好的应
用.其表达式如下:
TVDI =
Ti - Ti,min
Ti,max - Ti,min
(8)
TVDI指数在结构与建模思路上与本文提出的
SESI指数有类似之处,但其物理意义相对模糊,完
全依赖于植被指数鄄地表温度特征空间.从这一角度
而言,SESI 也可看作是对 TVDI 指数的一种改进.
TVDI最早也是建立在 LST鄄NDVI 特征空间之上,但
近年来研究发现,EVI 指数能够有效改善 NDVI 在
高植被覆盖条件下不够敏感及易受背景土壤噪声影
响等问题[28-29],部分学者采用 EVI 指数构建特征空
间对 TVDI进行了改进[30-31] . 本文对这一改进思路
进行了借鉴,对 LST鄄NDVI、LST鄄EVI 及 LST鄄Fr 3 种
特征空间同时进行了分析与指数的构建,建立了 3
种 SESI指数与 2 种 TVDI 指数,根据选用的特征空
间,分别记为 SESI鄄NDVI、SESI鄄EVI、SESI鄄Fr、TVDI鄄
NDVI和 TVDI鄄EVI(表 3),并对 5 种指数进行对比
分析.
2摇 结果与分析
2郾 1摇 特征空间干湿边的获取
在 ENVI / IDL平台的支持下进行程序编写,以
11629 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 郑有飞等: 农业旱情遥感监测的一种改进方法及其应用摇 摇 摇 摇 摇
表 3摇 不同干旱指数构建方案
Table 3摇 Schemes of different drought indices
方案名称
Scheme
指数类型
Index type
特征空间
Feature space
SESI鄄NDVI SESI LST鄄NDVI
SESI鄄EVI SESI LST鄄EVI
SESI鄄Fr SESI LST鄄Fr
TVDI鄄NDVI TVDI LST鄄NDVI
TVDI鄄EVI TVDI LST鄄EVI
SESI:简化型蒸散胁迫指数 Simplified evaporative stress index; TVDI:
温度植被干旱指数 Temperature鄄vegetation dryness index; LST:地表温
度 Land surface temperature; NDVI:归一化植被指数 Normalized differ鄄
ence vegetation index; EVI:增强型植被指数 Enhanced vegetation in鄄
dex; Fr:植被覆盖度 Fraction of vegetation. 下同 The same below.
0. 01 为间隔分别提取每个 f(VI)区间内的地表温度
分布信息,绘制散点图,并提取最大值与最小值以构
建特征空间.干边采用线型拟合的方法提取,将 LST
最大值点进行一元线性回归,得到地表温度与植被
指数 /覆盖度的函数关系 Tmax =a+bf(VI)作为特征空
间的干边方程. f(VI)接近于 0 且为正值的像元理论
上为裸露地表,但考虑到植被指数计算过程中的误
差,部分水体的植被指数值会表现出裸地的特征,而
日间水体表面温度通常小于陆地表面温度,另一方
面,植被指数频率分布的极高或极低值区间的像元
总数在正常情况下很少. 因此,干边拟合过程中,仅
选取 0. 1臆f(VI)臆0. 95 区间内的地表温度值,拟合
方程的系数及 r2见表 4.
表 4摇 干边拟合参数
Table 4摇 Parameters of dry edge fitting
时期
Period
归一化植被指数 NDVI
a b r2
增强型植被指数 EVI
a b r2
植被覆盖度 Fr
a b r2
2008065 312. 446 -40. 505 0. 947 308. 704 -44. 321 0. 762 305. 330 -55. 845 0. 898
2008081 306. 741 -19. 417 0. 960 305. 751 -26. 486 0. 963 302. 584 -20. 216 0. 956
2008097 308. 871 -9. 859 0. 872 308. 734 -13. 110 0. 936 307. 058 -9. 289 0. 943
2008113 311. 096 -17. 809 0. 823 309. 859 -23. 430 0. 940 307. 788 -17. 637 0. 895
2008129 310. 926 -11. 115 0. 818 310. 694 -17. 055 0. 950 308. 818 -10. 519 0. 913
2008145 318. 198 -22. 195 0. 903 318. 390 -32. 773 0. 924 313. 406 -21. 370 0. 941
2008161 323. 781 -21. 820 0. 895 323. 494 -30. 838 0. 912 318. 125 -17. 681 0. 906
2008177 323. 541 -21. 934 0. 935 317. 896 -18. 389 0. 955 316. 378 -15. 103 0. 963
2008193 321. 676 -18. 489 0. 868 315. 510 -14. 111 0. 843 315. 417 -12. 348 0. 943
2008209 321. 322 -17. 420 0. 623 316. 037 -13. 938 0. 752 316. 171 -12. 801 0. 832
2008225 319. 091 -18. 371 0. 842 311. 834 -12. 851 0. 935 310. 778 -9. 377 0. 757
2008241 313. 988 -13. 550 0. 857 310. 611 -12. 496 0. 957 309. 139 -8. 944 0. 846
2008257 311. 571 -10. 464 0. 842 310. 143 -11. 903 0. 943 307. 806 -6. 699 0. 924
2008273 308. 947 -10. 570 0. 686 307. 735 -13. 044 0. 909 306. 776 -10. 332 0. 787
2008289 310. 621 -25. 725 0. 951 308. 133 -33. 804 0. 953 304. 612 -25. 115 0. 958
2008305 303. 630 -21. 009 0. 955 302. 703 -31. 200 0. 949 298. 275 -19. 720 0. 930
2009065 309. 210 -27. 787 0. 846 310. 507 -45. 938 0. 873 300. 979 -21. 689 0. 426
2009081 314. 150 -32. 190 0. 960 315. 191 -47. 951 0. 931 304. 399 -25. 298 0. 925
2009097 311. 190 -17. 885 0. 959 310. 614 -25. 341 0. 987 306. 264 -14. 439 0. 963
2009113 313. 199 -18. 084 0. 969 312. 185 -22. 575 0. 983 308. 036 -14. 092 0. 971
2009129 320. 103 -21. 340 0. 937 319. 115 -28. 200 0. 959 314. 828 -18. 787 0. 946
2009145 324. 580 -26. 388 0. 931 323. 567 -36. 241 0. 943 318. 521 -24. 408 0. 952
2009161 323. 972 -23. 588 0. 906 322. 874 -32. 691 0. 924 318. 310 -21. 388 0. 933
2009177 327. 798 -26. 988 0. 940 323. 865 -27. 887 0. 977 320. 853 -23. 483 0. 954
2009193 315. 590 -11. 592 0. 708 315. 515 -16. 698 0. 875 311. 865 -8. 454 0. 790
2009209 323. 008 -19. 714 0. 882 314. 710 -13. 069 0. 884 314. 786 -11. 241 0. 843
2009225 319. 648 -17. 247 0. 693 311. 672 -8. 734 0. 895 314. 049 -11. 868 0. 754
2009241 310. 103 -10. 844 0. 841 308. 163 -12. 405 0. 907 305. 863 -6. 473 0. 817
2009257 309. 181 -12. 020 0. 748 307. 704 -16. 169 0. 915 305. 373 -9. 017 0. 865
2009273 314. 614 -19. 761 0. 884 312. 650 -25. 547 0. 885 309. 924 -18. 448 0. 898
2009289 306. 936 -17. 788 0. 891 307. 124 -29. 649 0. 936 304. 122 -22. 051 0. 919
2009305 293. 077 -10. 388 0. 201 296. 614 -27. 988 0. 672 298. 428 -44. 923 0. 678
2162 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
摇 摇 湿边代表作物水分胁迫条件,理论上应近似于
一条水平直线,但由于 MODIS陆地产品数据生产过
程中对云体的剔除不够精确,以及预处理过程中重
采样的影响,特征空间散点图中湿边往往表现出不
规则曲线的形态.部分学者仍采用拟合的方式确定
湿边[32-33],但拟合效果远不如干边理想;也有学者
采取研究区域中内陆水体的平均表面温度[34]作为
湿边温度值或将干边在植被覆盖度为 1 时的地表温
度值作为干边与水平湿边的交点[20],这类方法对研
究区域的地理和气候条件有着很强的针对性,不适
用于本样区.本研究仍将湿边看作一条水平直线,采
用如下方法确定湿边:首先统计 LST 最小值的频率
分布,剔除频率极小的异常点,通过反复迭代,使所
有保留下来的点都处于双侧 95%的频率区间内.
从图 3 可以看出,总体而言,夏季高植被覆盖条
件下散点图更接近于三角形,而秋季和初春植被稀
疏,建模效果较差.由于研究区域内冬季裸露地表过
多,同时地表易受积雪覆盖影响,三角算法的应用缺
乏合理性,这也是它的一个缺陷,所以本研究未对冬
季数据进行建模与分析. 根据华北物候特征研究的
总结与归纳[35-36],2008 年 10 月 31 日至 11 月 15 日
(DOY:305 ~ 320)的冬小麦正处于出苗期,因此地
表植被覆盖面积很小,植被指数偏低,EVI与 Fr都集
中在小于 0. 4 的范围内,干边随植被指数下降过快,
湿边位置的确定也较准确,相比之下,LST鄄NDVI 建
模效果较好. 2009 年 4 月 7 日至 4 月 22 日(DOY:
97 ~ 128)正处于春季,冬小麦已进入拔节鄄抽穗阶
段,较秋冬季节相比植被覆盖度有所提高,这一阶段
Fr建模效果最佳,NDVI 次之,而 EVI 仍然受到指数
值普遍过低的影响. 2009 年 7 月 12 日至 7 月 27 日
(DOY:193 ~ 208)的主要作物为玉米(包括春玉米
与夏玉米)和棉花,地表植被茂盛,植被指数偏高,
图 3摇 3 种特征空间在不同时期的比较
Fig. 3摇 Comparison of three types of feature space in different periods.
NDVI:归一化植被指数 Normalized difference vegetation index; EVI:增强型植被指数 Enhanced vegetation index; Fr:植被覆盖度 Fraction of vegeta鄄
tion. 2008305、2009097、2009193 分别对应 2008 年 10 月 31 日—11 月 15 日、2009 年 4 月 7 日—4 月 22 日、2009 年 7 月 12 日—7 月 27 日
2008305, 2009097, 2009193 referred to 31st October 2008 to 15th November 2008, 7th April 2009 to 22nd April 2009, 12th July 2009 to 27th July
2009, respectively.
31629 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 郑有飞等: 农业旱情遥感监测的一种改进方法及其应用摇 摇 摇 摇 摇
LST鄄NDVI、LST鄄Fr散点图的形态均不接近三角形,而
EVI在植被密集条件下仍有很好的区分效果,LST鄄
EVI特征空间在夏季的应用效果最佳.然而,特征空
间的形态接近于理想状况下的三角形且干边拟合效
果好的时候,并不一定意味着指数精度更高,模型的
监测效果还需要进一步分析.
2郾 2摇 SESI指数的验证
为了对 5 种干旱指数进行评价,对比 21 个农业
气象站点 10 cm和 20 cm的土壤相对湿度观测数据
与指数值,并计算 Pearson 相关系数. 为了避免遥感
数据定位误差和图像噪声的干扰,提取每个站点周
围 3伊3 像元窗口内有效数据的均值作为该站点对
应的指数值.虽然农业气象站点的墒情观测与本文
涉及的遥感干旱指数在时间和空间尺度上均具有较
大差异,不适合用于建立定量土壤水分反演模型,但
对两种数据的相关性仍能作为干旱监测效果的一种
参考.
摇 摇 从表 5 可以看出,5 种指数与 10 cm和 20 cm深
度土壤相对湿度的相关系数均通过了置信度 琢 =
0郾 01 的极显著检验. 经比较,两种土壤深度下 5 种
指数与土壤湿度的相关性表现出相同的特征,相关
系数的绝对值由大到小依次为:SESI鄄NDVI、SESI鄄
EVI、SESI鄄Fr、TVDI鄄NDVI 和 TVDI鄄EVI,由此可见,
SESI鄄NDVI在总体上对土壤湿度的指示作用最好.
本文进一步分作物对监测效果进行分析,冬小麦、玉
米和棉花 3 种主要作物的分析结果具有很大差异.
对冬小麦而言,与 10 cm 土壤湿度相关性最好的是
SESI鄄NDVI,最差的是 SESI鄄Fr,未能通过显著性检
验;与 20 cm土壤湿度相关性最好的是 TVDI鄄NDVI,
效果最差的仍是 SESI鄄Fr .在玉米种植条件下的监测
效果普遍不够理想,仅能通过 琢 = 0. 05 的显著性检
验,相对而言,SESI鄄NDVI 与 TVDI鄄NDVI 分别对 10
cm和 20 cm土壤湿度的指示性较好. 对于棉花,10
cm和 20 cm深处土壤相对湿度监测效果最好的指
数均为 SESI鄄EVI,这与棉花生长季节主要集中在植
被覆盖度高的夏季有很大的关系. 综上说明:1)利
用 LST鄄NDVI特征空间构建的 SESI 指数效果最佳,
LST鄄EVI特征空间效果次之,LST鄄Fr特征空间建模
效果不理想;2)不同的指数构建方案对不同作物的
适用性存在差异,并与作物生长季节有一定的关系;
3)总体而言,SESI的监测结果比 TVDI更可靠.
上述研究结果与前人研究结果相比存在一些差
异,主要是由时间段、研究方法和研究角度的不同所
致.部分学者通过试验表明,利用 EVI 构建的 TVDI
指数与土壤湿度的相关性比利用 NDVI 构建的指数
更好,这些研究主要集中在植被生长旺盛的时间
段[30-31],并且植被覆盖偏低条件下也呈现出 EVI 效
果不如 NDVI的情况.此外,前人主要采取分时相验
证 TVDI指数的方法,没有综合多个时相的数据进
行验证与分析. 这是因为 TVDI 指数完全依赖于单
个时相特征空间,不同时相的指数值并不具备良好
的可比性.而 SESI 指数虽然形式上与 TVDI 相似,
但更深入地考虑了生物学和物理学意义,是 SESI 的
一个优点,使该指数在实际应用中能够对不同时间
段采用相对统一的干旱分级标准,从而避免了不同
时间指数计算结果可比性差而带来的不便.因此,本
文采用的较长时间序列既便于综合评价干旱指数对
土壤水分的指示作用,也利于全面分析干旱时空分
布的特征.
2郾 3摇 SESI指数的时空分布格局
根据上文的分析结果,仅对效果最佳的 SESI鄄
NDVI指数进行时空分布格局分析. 通过 2008 和
2009 年 3 月上旬至 11 月中旬(DOY:65 ~ 305)以 16
d为周期的32个时相SESI指数的效果图(图4 )可
表 5摇 干旱指数与 10、20 cm土壤相对湿度的相关系数
Table 5摇 Correlation coefficients of drought indices and relative soil moisture at 10 and 20 cm depth
土层
Soil layers
作物
Crop
样本数
Sample
number
相关系数 Correlation coefficient
SESI鄄NDVI SESI鄄EVI SESI鄄Fr TVDI鄄NDVI TVDI鄄EVI
10 cm 冬小麦 Winter wheat 195 -0. 325** -0. 301** -0. 109 -0. 263** -0. 266**
玉米 Maize 114 -0. 205* -0. 155 -0. 194* -0. 079 -0. 099
棉花 Cotton 48 -0. 597** -0. 614** -0. 604** -0. 540** -0. 451**
所有作物 All crops 371 -0. 397** -0. 314** -0. 255** -0. 176** -0. 142**
20 cm 冬小麦 Winter wheat 178 -0. 372** -0. 363** -0. 175* -0. 381** -0. 367**
玉米 Maize 124 -0. 186* -0. 198* -0. 212* -0. 217* -0. 212*
棉花 Cotton 47 -0. 559** -0. 560** -0. 537** -0. 467** -0. 414**
所有作物 All crops 363 -0. 422** -0. 353** -0. 308** -0. 273** -0. 211**
**P<0. 01; *P<0. 05.
4162 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
图 4摇 SESI的时空分布
Fig. 4摇 Temporal and spatial distribution of SESI.
研究样区内的白色图斑为水体、山地或云覆盖等区域 The white patch in study area referred to water body, mountain, and cloud cover.
以看出,SESI在 2008、2009 年中同一时期的分布状
况以及指数的时序变化规律在总体上是一致的. 3
月(DOY65、81)的冬小麦正处于返青鄄拔节阶段,指
数高值主要出现在河北南部地区,其中衡水南部、邢
台和邯郸东部地区旱情最严重,该区域也是多年来
干旱灾害的高发地带[37];4—5 月(DOY:97 ~ 145),
旱情逐渐向北蔓延至河北中部平原地区,除 3 月受
旱区域外,沧州北部、天津东部与中南部和廊坊全境
呈现出一定程度的旱情,其中 2008 年 4 月初较 2009
年同期 SESI值更高,但随着时间的推移,到 4 月旱
情逐渐缓解,而 2009 年 4—5 月旱情的空间分布与
强度变化不大. 2008 年 3 月下旬以前河北中部地区
较长时间无降水,在此后的 3 月下旬、4 月中旬和 5
月上旬出现了几次大范围降水,而 2009 年 5 月中北
51629 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 郑有飞等: 农业旱情遥感监测的一种改进方法及其应用摇 摇 摇 摇 摇
地区降水较常年同期偏少 2. 5 ~ 8 成,这与 SESI 的
时空变化基本吻合,证明该指数能够表征研究区域
春季旱情的发展.
摇 摇 进入夏季(DOY:161 ~ 241)以来,一方面该季
节植被生长茂盛,另一方面进入汛期后降水相对充
沛,干旱指数值呈现出逐渐降低的趋势,2008 和
2009 年 7、8 月,研究区域的大部分像元在图中接近
于 0 值的深绿色,仅有北京、天津和石家庄等城市的
中心地带由于城镇独特下垫面特征的影响而保持了
较高的指数值.虽然 SESI对季节变化有着良好的响
应,但夏季的旱情并未很好地反映出来. 7 月下旬到
8 月上旬(DOY:209)为研究区域每年的主汛期.
2009 年该时期内降水不如常年同期,8 月河北省北
部地区也出现了一定程度的旱情,但从图 4 中未能
看到 2008 年与 2009 年同期指数值的明显变化,也
未能体现旱情的空间分布. 其原因可归结为:1)即
使汛期降水较常年同期偏少,降水量仍远大于一年
中其他时期,同时考虑到夏季密集植被起到了良好
的保墒作用,故土壤湿度保持在较高水平;2)由于
夏季 NDVI集中于高值范围内,干边下降过于平缓,
且在 NDVI = 1 处与湿边的距离过大,从而造成研究
区域内 SESI值计算结果普遍较低. 另外,夏季主要
作物为玉米和棉花,与冬小麦生长季相比,无论是下
垫面光谱特征还是作物对水分的需求状况都有着一
定区别.因此,虽然通过相关分析证明了 SESI鄄NDVI
指数相对于不同时期具有更好的可比性,但考虑到
不同时期气候和下垫面条件的不同,根据季节选取
不同的干旱指数建模方案仍是必要的.
2008、2009 年的秋季降水均集中在前期,SESI
表现出了相同的趋势. 2008 年 9 月 13 日和 2009 年
9 月 14 日(DOY:257)的监测结果中,指数仍保持了
较低的取值,但与夏季相比略有升高. 9 月中下旬
(DOY:273)指数值突然升高,除缺乏降水的因素
外,该时期正处于秋熟作物收获与冬小麦播种阶段,
植被覆盖面积的减少也影响了指数的整体分布. 此
后,SESI保持升高趋势,高值区域集中在河北省南
部地区,但 2008 年与 2009 年在时空变化上有一定
差异. 2008 年 10 月上旬(DOY:273)与 10 月中下旬
(DOY:289)变化不大,而 2009 年同期有着明显的
升高. 11 月上旬(DOY:305)旱情覆盖面积开始扩
大,2009 年旱情比 2008 年略严重,且干旱区域略偏
东,蔓延到衡水全境,但考虑到 2009 年该时期的数
据缺失较严重,干边拟合效果也不理想(表 4),可能
影响到建模效果,故该时段监测结果可信度并不是
很高.
3摇 讨摇 摇 论
本文从地表蒸散的角度出发,借鉴一系列蒸散
遥感估算方法及干旱监测方案,在改进的基础上发
展了一套新的农业干旱监测方法,提出了简化型蒸
散胁迫指数(SESI).并利用 MODIS标准陆地产品数
据,对京津冀平原地区 2008 和 2009 年春、夏、秋 3
个季节开展了农业旱情监测试验. 经过多角度地比
较与分析,本文得出以下结论:1)利用基于 P鄄T公式
的三角算法推导得到的 SESI 结构简单、简便易行,
对表层土壤相对湿度有着良好的指示作用,与经典
的 TVDI指数相比,不同时相的监测结果具有更好
的可比性,将其应用于大面积农业旱情连续监测具
有一定可行性,但离土壤含水量的定量反演还有一
定差距;2)对京津冀地区而言,由于植被覆盖度在
春、秋两季均相对偏低,利用 LST鄄EVI特征空间建模
进行遥感干旱指数的计算仅适用于夏季植被生长茂
盛的时期,若进行多个季节连续监测效果不如 LST鄄
NDVI特征空间;3)虽然 SESI 可比性强,但考虑到
不同时期气候条件、下垫面光谱特征以及不同物候
期作物对土壤水分的需求的不同,有必要分时、分区
和分作物种类开展农业旱情监测研究,制定不同的
旱情分级方案.
半经验蒸散模型导出的遥感干旱指数较好地兼
顾了理论基础的可靠性与业务应用的实用性. 但作
为一种基于植被指数鄄地表温度三角形特征空间的
方法,其应用不可避免地容易受研究区域的制约,即
研究区域需要足够大,并满足土壤表层含水量和植
被覆盖度有着足够大的变化范围[38-39],这也使得该
方法难以用于华北的冬季. 另外,本文选择的 16 d
合成产品数据时效性相对较差,数据合成过程也存
在不确定性[23,40] .因此,在未来的工作中,应结合更
完备的理论基础,提高模型与指数的稳定性,另一方
面,应在 SESI的基础上开展干旱等级的科学划分,
建立土壤水分反演模型.另外,将高时间分辨率的地
球静止卫星数据应用于指数计算,以及将 SESI 与高
数值精度的微波土壤湿度产品进行融合也将成为未
来研究的重要趋势[41] .
参考文献
[1]摇 Council A. Policy statement: Meteorological drought.
Bulletin of the American Meteorological Society, 1997,
78: 847-849
[2]摇 Li J鄄R (李纪人). Method and advances of drought mo鄄
6162 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
nitoring by remote sensing. Journal of China Hydrology
(水文), 2001, 21(4): 15-17 (in Chinese)
[3]摇 Chen W鄄Y (陈维英), Xiao Q鄄G (肖乾广), Sheng Y鄄
W (盛永伟). Application of the anomaly vegetation in鄄
dex to monitoring heavy drought in 1992. Journal of Re鄄
mote Sensing (遥感学报), 1994, 9(2): 106-112 (in
Chinese)
[4]摇 Kogan FN. Remote sensing of weather impacts on vege鄄
tation in non鄄homogeneous areas. International Journal
of Remote Sensing, 1990, 11: 1405-1419
[5]摇 Kogan FN. Application of vegetation index and bright鄄
ness temperature for drought detection. Advances in
Space Research, 1995, 15: 91-100
[6]摇 Sandholt I, Rasmussen K, Andersen J. A simple inter鄄
pretation of the surface temperature / vegetation index
space for assessment of surface moisture status. Remote
Sensing of Environment, 2002, 79: 213-224
[7]摇 He Y鄄B (何延波), Su Z, Jia L, et al. Regional evapo鄄
transpiration of different land covers based on remote
sensing. Chinese Journal of Applied Ecology (应用生态
学报), 2007, 18(2): 288-296 (in Chinese)
[8]摇 Jackson RD. Canopy temperature and crop water
stress / / Hillel D, ed. Advances in Irrigation, Vol. I.
New York: Academic Press, 1982: 43-85
[9]摇 Moran M, Clarke T, Inoue Y, et al. Estimating crop
water deficit using the relation between surface鄄air tem鄄
perature and spectral vegetation index. Remote Sensing
of Environment, 1994, 49: 246-263
[10]摇 Liu A鄄L (刘安麟), Li X鄄M (李星敏), He Y鄄B (何
延波), et al. Simplification of crop shortage water index
and its application in drought remote sensing monitoring.
Chinese Journal of Applied Ecology (应用生态学报),
2004, 15(2): 210-214 (in Chinese)
[11]摇 Su Z, Yacob A, Wen J, et al. Assessing relative soil
moisture with remote sensing data: Theory, experimental
validation, and application to drought monitoring over
the North China Plain. Physics and Chemistry of the
Earth, Parts A / B / C, 2003, 28: 89-101
[12]摇 Anderson M, Norman J, Mecikalski J, et al. A climato鄄
logical study of evapotranspiration and moisture stress
across the continental United States based on thermal re鄄
mote sensing. 1. Model formulation. Journal of Geo鄄
physical Research: Atmospheres, 2007, 112: D10, doi:
10. 1029 / 2006JD007506
[13]摇 Anderson M, Norman J, Mecikalski J, et al. A climato鄄
logical study of evapotranspiration and moisture stress
across the continental United States based on thermal re鄄
mote sensing. 2. Surface moisture climatology. Journal
of Geophysical Research, 2007, 112: D11112
[14]摇 Jiang L, Islam S. A methodology for estimation of sur鄄
face evapotranspiration over large areas using remote
sensing observations. Geophysical Research Letters,
1999, 26: 2773-2776
[15]摇 Jiang L, Islam S. Estimation of surface evaporation map
over southern Great Plains using remote sensing data.
Water Resources Research, 2001, 37: 329-340
[16]摇 Priestley C, Taylor R. On the assessment of surface heat
flux and evaporation using large鄄scale parameters.
Monthly Weather Review, 1972, 100: 81-92
[17]摇 Jiang L, Islam S. An intercomparison of regional latent
heat flux estimation using remote sensing data. Interna鄄
tional Journal of Remote Sensing, 2003, 24: 2221 -
2236
[18]摇 Wang K, Li Z, Cribb Z. Estimation of evaporative frac鄄
tion from a combination of day and night land surface
temperatures and NDVI: A new method to determine the
Priestley鄄Taylor parameter. Remote Sensing of Environ鄄
ment, 2006, 102: 293-305
[19]摇 Stisen S, Sandholt I, N覬rgaard A, et al. Combining the
triangle method with thermal inertia to estimate regional
evapotranspiration: Applied to MSG鄄SEVIRI data in the
Senegal River basin. Remote Sensing of Environment,
2008, 112: 1242-1255
[20]摇 Tang R, Li ZL, Tang B. An application of the Ts鄄VI
triangle method with enhanced edges determination for
evapotranspiration estimation from MODIS data in arid
and semi鄄arid regions: Implementation and validation.
Remote Sensing of Environment, 2010, 114: 540-551
[21]摇 Shu Y, Stisen S, Jensen KH, et al. Estimation of re鄄
gional evapotranspiration over the North China Plain
using geostationary satellite data. International Journal
of Applied Earth Observation and Geoinformation, 2011,
13: 192-206
[22]摇 Wang T (王摇 涛), L俟 C鄄H (吕昌河), Yu B鄄H (于
伯华). Assessing the potential productivity of winter
wheat using WOFOST in the Beijing鄄Tianjin鄄Hebei Re鄄
gion. Journal of Natural Resources (自然资源学报),
2010, 25(3): 475-487 (in Chinese)
[23]摇 Wan Z. MODIS Land鄄surface Temperature Algorithm
Theoretical Basis Document ( LST ATBD). Santa Bar鄄
bara: Institute for Computational Earth System Science,
1999
[24]摇 Monteith JL. Evaporation and Environment. The State
and Movement of Water in Living Organisms. Symposi鄄
um of the Society for Experimental Biology, New York,
1965: 205-234
[25] 摇 Carlson TN, Ripley DA. On the relation between ND鄄
VI, fractional vegetation cover, and leaf area index. Re鄄
mote Sensing of Environment, 1997, 62: 241-252
[26]摇 Yao Y, Qin Q, Fadhil AM, et al. Evaluation of EDI de鄄
rived from the exponential evapotranspiration model for
monitoring China爷s surface drought. Environmental
Earth Sciences, 2011, 63: 425-436
[27]摇 Zheng Y鄄F (郑有飞), Chen P (陈 摇 鹏), Wu R鄄J
(吴荣军), et al. Remote sensing estimation models for
land surface evapotranspiration and their applications in
agricultural drought monitoring. Chinese Journal of
Ecology (生态学杂志), 2011, 30(4): 837-844 ( in
Chinese)
[28]摇 Liu HQ, Huete A. A feedback based modification of the
NDVI to minimize canopy background and atmospheric
noise. Geoscience and Remote Sensing, IEEE Transac鄄
tions on, 1995, 33: 457-465
[29]摇 Li H鄄J (李红军), Zheng L (郑摇 力), Lei Y鄄P (雷玉
71629 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 郑有飞等: 农业旱情遥感监测的一种改进方法及其应用摇 摇 摇 摇 摇
平), et al. Comparison of NDVI and EVI based on
EOS / MODIS data. Process in Geography (地理科学进
展), 2007, 26(1): 26-32 (in Chinese)
[30]摇 Yan F (闫摇 峰), Wang Y鄄J (王艳姣). Estimation of
soil moisture from Ts鄄EVI feature space. Acta Ecologica
Sinica (生态学报), 2009, 29(9): 4884 -4891 ( in
Chinese)
[31]摇 Yang X (杨摇 曦), Wu J鄄J (武建军), Yan F (闫摇
峰), et al. Assessment of regional soil moisture status
based on characteristics of surface temperature / vegeta鄄
tion index space. Acta Ecologica Sinica (生态学报),
2009, 29(3): 1205-1216 (in Chinese)
[32]摇 Wang P鄄X (王鹏新), Gong J鄄Y (龚健雅), Li X鄄W
(李小文 ). Vegetation鄄Temperature Condition Index
and its application for drought monitoring. Geomatics
and Information Science of Wuhan University (武汉大学
学报·信息科学版), 2001, 26 (5): 412 - 418 ( in
Chinese)
[33]摇 Wan Z, Wang P, Li X. Using MODIS land surface tem鄄
perature and normalized difference vegetation index
products for monitoring drought in the southern Great
Plains, USA. International Journal of Remote Sensing,
2004, 25: 61-72
[34]摇 Jiang L, Islam S, Guo W, et al. A satellite鄄based daily
actual evapotranspiration estimation algorithm over South
Florida. Global and Planetary Change, 2009, 67: 62-
77
[35]摇 Zhang M, Zhou Q, Chen Z, et al. Crop discrimination
in Northern China with double cropping systems using
Fourier analysis of time鄄series MODIS data. Internation鄄
al Journal of Applied Earth Observation and Geoinforma鄄
tion, 2008, 10: 476-485
[36]摇 Li Z鄄G (李正国), Yang P (杨摇 鹏), Zhou Q鄄B (周
清波), et al. Research on spatiotemporal pattern of
crop phonological characteristics and cropping system in
North China based on NDVI time series data. Acta Eco鄄
logica Sinica (生态学报), 2009, 29(11): 6216-6226
(in Chinese)
[37]摇 Yuan G鄄F (袁国富), Wu L鄄H (吴连海). Spatial and
temporal analysis on agricultural drought under double
cropping system in Beijing鄄Tianjin鄄Hebei Plain area.
Chinese Journal of Agrometeorology (中国农业气象),
2000, 21(2): 5-9 (in Chinese)
[38]摇 Wang P鄄X (王鹏新), Wang Z鄄M (王正明), Gong J鄄
Y (龚健雅), et al. Advances in drought monitoring by
using remotely sensed normalized difference vegetation
index and land surface temperature products. Advance in
Earth Sciences (地球科学进展), 2003, 18(4): 527-
533 (in Chinese)
[39]摇 Carlson T. An overview of the “triangle method冶 for es鄄
timating surface evapotranspiration and soil moisture
from satellite imagery. Sensors, 2007, 7: 1612-1629
[40]摇 Huete A, Justice C, Leeuwen W. MODIS Vegetation
Index (MOD 13). Version 3. Algorithm Theoretical ba鄄
sis Document [ EB / OL]. ( 1999鄄04鄄30 ) [ 2012鄄11鄄
25]. http: / / modis. gsfc. nasa. gov / data / atbd / landatbd.
html
[41]摇 Zhan X, Anderson M, Liu J. Merging thermal and mi鄄
crowave satellite observations for a high鄄resolution soil
moisture data product. Geoscience and Remote Sensing
Symposium ( IGARSS ), 2010 IEEE International,
Honolulu, 2010: 4440-4441
作者简介 摇 郑有飞,男,1959 年生,教授,博士生导师. 主要
从事农业气象及气候变化研究. E鄄mail: zhengyf@ nuist. edu.
cn
责任编辑摇 杨摇 弘
8162 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷