摘要:对近年来国内外利用多光谱卫星数据和近地面高光谱数据进行干旱监测研究进展及其适用性进行了归纳总结，得出以下结论:基于地表土壤水分和能量平衡理论、基于特征空间的干旱监测模型更适用于低植被或裸土地区;基于作物植被指数的干旱监测模型更适用于高植被覆盖区，并且需要长时间的序列数据;基于近地面高光谱数据的干旱监测光谱敏感波段在不同作物不同发育期存在着差异，为有效利用多光谱和高光谱卫星数据进行干旱监测提供借鉴。
关键词:干旱;多光谱;高光谱;遥感监测;研究进展
随着气候与环境的变化，未来中国的极端天气气候事件如极端高温、热浪、干旱等愈发频繁[1-2]，中国华北和东北地区干旱趋势严重，中国西北部、华北大部和东北南部干旱面积呈增加趋势[3-4]。同时，随着工业化提高、经济发展和人口增长，水资源显得日益短缺，干旱化程度越来越严重，干旱发生区域不断扩大。1970年代，我国每年有1133万hm2农田受旱，到1990年代，增加到2667万hm2，近年来，每年干旱灾害的发生频率在49%左右[5]，已成为我国面临的最为严峻的环境问题之一。
遥感技术为作物长势、地物分类等提供了有效、可靠手段，可快速实现大面积下垫面状况动态变化的定量化监测，是进行大面积干旱监测的有利手段[6-9]。而地物光谱特征是遥感技术应用的物理基础，是利用遥感信号识别地物、提取地表信息的重要参考数据[10]，1980年代已有研究者指出作物的水分胁迫状况能够在光谱反射率数据中有所体现[11-12]。本文基于地表土壤水分和能量平衡理论、基于作物植被指数、基于特征空间、基于地面光谱数据等方面进行了干旱遥感监测梳理总结，对有效利用多光谱和高光谱卫星数据进行干旱监测提供借鉴。
1基于多光谱数据的干旱监测
1.1基于地表土壤水分和能量平衡理论研究
基于地表土壤水分平衡的方法应用最为广泛、理论比较成熟的是热惯量方法，由于土壤热惯量是引起土壤温度变化的内在因素，与土壤水分有着密切的关系[13]，早在1970年代初就开始出现热惯量方法研究，该方法是基于能量平衡方程，通过地表温度的日变化计算热惯量，从而获得土壤表层水分定量反演[14-15]。由于热惯量模型计算参数复杂，Price[16]提出了表观热惯量的概念，因其计算简单易行，很多学者利用表观热惯量替代热惯量来进行土壤含水量的计算。张仁华[17]利用地面观测数据分别对模型中的显热通量和潜热通量进行计算订正，优化了热惯量计算模型。杨树聪等[18]利用地表净辐射替代全波段反射率改进了表观热惯量模型，并对其适用性进行了分析，得到NDVI=0.35是模型适用的阈值，当NDVI>0.35时，模型失效[19]。但表观热惯量受蒸发影响较大，当下垫面植被覆盖情况复杂、湿度变化较大时，表观热惯量的可用性大大降低[20]。近年来，利用日落和日出间的夜晚地表温度差异[21]、模型反演法[22]、引入地球旋转角速度的4次过境LST平均[23]等方法来改进地表温度计算，通过减少模型的输入参数[24]，或者通过增强空间分辨率[25]和时间分辨率[26]来提高热惯量反演精度，同时，将植被因子引入热惯量模型中[27-28]，增加热惯量模型在中高植被覆盖区域的监测精度。
基于蒸散的干旱监测也是以地表能量平衡方程为基础的监测方法，包括单层模型和双层模型[29]。单层模型常用的有BEBAL模型[30]、BEBS模型[31]、SSEBop模型[32]等，由于单层模型将下垫面看做均一过程来描述，因此在地表植被部分覆盖时，模拟结果不理想[33-34]。为解决这一问题，将冠层蒸腾与土壤蒸发分开，Shuttleworth[35]提出了双层模型，为蒸散量估算精度的提高奠定了理论基础，随后对该模型进行了简化和改进[36-38]。考虑到双层模型部分参数遥感获取较难，将地面实测数据引入模型中[39-41]，从而提高模型监测精度。
1.2基于作物植被指数的土壤含水量监测研究
植被指数是遥感数据对地表绿色植被生长信息的有效表达[42]可以动态监测作物长势信息，与植被蒸散量、土壤水分是密切相关的[43]，当作物缺水时，生长受到影响，植被指数也会随之变化，因此，可以用来间接反映旱情[44-45]。这种类型方法一般适合植被覆盖区或植被覆盖度较好的地区。
利用作物植被指数来进行干旱监测主要包括距平方法和归一化方法[13]，距平植被指数是用于干旱监测比较早的一种方法[46-47]，通过对旬、月植被指数求取最大值，并将其与同时段的旬、月多年平均值进行比较，判断作物是否遭到干旱灾害，比只用NDVI的瞬时值优越[48]。归一化方法即植被状态指数方法[49]，是利用同时段多年最大最小植被指数与当前植被指数进行归一化计算得到的，可以进行宏观动态干旱监测[50-51]，与气象干旱指数存在着较高的相关性[52]，同时，在进行干旱监测时，也存在着一定的滞后性[43，53]。
利用植被指数方法进行干旱监测时最初使用的是归一化植被指数，后期发展了增强植被指数EVI、土壤调节植被指数SAVI、比值植被指数RVI等植被绿度指数，NDWI、NMDI、NDII6、NDII7等植被水分指数，以及EWT等植被水含量指数[54]，在干旱监测敏感性方面，植被水分指数明显要优于植被绿度指数[55]，植被水含量指数与植被覆盖、地表温度和蒸发蒸腾有密切关系，在中度至重度干旱监测中效果不佳[56]。
1.3基于特征空间的土壤含水量监测研究
近年来，综合考虑陆地表面温度、地表植被和光谱反射率等反映地表多种参数信息，通过构建特征空间来监测地表水分状况的研究越来越多，主要包括LST-NDVI特征空间法、NIR-Red特征空间法和NIR-SWIR特征空间法等[57]。Moran[58]从理论角度分析，发现Price[59]提出以NDVI和LST为横纵坐标轴的LST-NDVI特征空间散点图呈梯形，存在着干湿边，能够监测地表植被和其水分变化状态[60]。Sandholt[61]对LST-NDVI空间进行简化，构建温度植被干旱指数(TVDI)，仅利用遥感数据即可实现大范围农田、湖区、流域等不同下垫面的土壤水分监测[62-64]，也可以实现长时间序列的干旱时空变化监测[65]。在LST-NDVI空间基础上，利用植被条件指数和温度条件指数取二者最大值构建MTVI指数[66]，将LST归一化处理后与多年平均值进行比较构建SWDI指数[67]，结合降水等气象数据构建SVDI指数[68]或者经验模型[69]，实现从空间和时间尺度上进行干旱监测，反映干旱分布范围与受灾程度。利用NIR-Red特征空间中任意一点到土壤基线的垂直距离可以表征干旱状况[70]，用EVI替代NDVI对NIR-Red空间进行改进，精测精度提高30%左右[71]。NIR-SWIR特征空间模型适合用于植被冠层叶片含水量遥感监测，对干旱灾害的反映存在滞后情况[72]。
2基于高光谱数据的干旱监测
地物波谱特征是遥感技术应用的物理基础，是利用遥感信号识别地物、提取地表信息的重要参考数据[10]，作物冠层光谱是农业干旱遥感监测的基础，针对小麦、水稻、玉米等作物[73-76]研究表明，不同植被冠层光谱对于水分的存在着敏感性[77-78]，利用不同光谱反射率可以反映作物水分状况[79-80]，不同地物在水分胁迫下，在可见光-近红外均有光谱反射率变化，1400nm-2500nm波段的光谱特别是1530nm和1720nm的SWIR波段非常适于对作物水分的估测[81]。Filella等人[82]对400nm波段处，红边位置700nm处，以及NDVI等植被指数的研究也发现了水分含量对叶片反射率的间接影响。田庆久等[83]、王纪华等[84]、谷艳芳等[85]、丛建鸥等[86]对干旱胁迫下的冬小麦进行了光谱分析，结果表明通过光谱反射率可以诊断小麦缺水状况，此外，针对玉米生长过程中的光谱变化及特征参数诊断开展的研究[87-89]，或者针对玉米生长中后期开展遥感作物水分识别研究[90-91]也表明，不同作物发育期干旱胁迫的光谱敏感波段也存在着差异[92-95]。
3结论
国内外许多学者已经利用可见光、近红外、红外等不同光谱波段，从土壤热容量、能量平衡、水分平衡等角度建立了多种土壤水分遥感监测模型，但是，由于作物生长过程的干旱是个复杂过程，进行农田干旱监测时，存在很多不确定性，每种干旱监测方法都有其适用性，应用各种成熟方法进行土壤含水量反演的结果并不总是得到理想效果[13，96-97]，应用某一干旱反演方法在作物不同发育期反演结果也不尽相同[98-99]。热惯量方法对于裸土或低植被覆盖区域有较好的反演结果[100-101]，对于植被覆盖度较高区域，此方法计算的结果不理想，甚至不可用[98，102]。植被指数方法需要长期的、能代表正常年份的历史遥感数据，由于天气状况对遥感数据的影响以及不同卫星间植被指数的差异致使其在实施上较为困难。基于特征空间的干旱监测方法适用于低植被或裸土地区，当地表覆盖类型差异较大时，可比性差[103]。
因此，利用不同的监测方法在作物发育的不同时期进行干旱灾害监测可以提高监测效果，但是作物干旱是个复杂问题，与下垫面地形地貌、土壤类型、作物类型及生长状态等因素均有关系，在未来的应用中还需要通过使用更高分辨率卫星数据、地面光谱与卫星数据结合、加大微波和雷达数据的应用等方面来提高干旱监测的精度。
基于多光谱和高光谱的干旱遥感监测研究进展相关期刊推荐：《自然灾害学报》(双月刊)创刊于1992年，由中国灾害防御协会、中国地震局工程力学所主办。本刊为灾害学学术性刊物。主要刊登各种自然灾害和发生机理、灾害与人类社会的关系及其影响、防灾减灾系统工程等方面的研究论文。读者对象为灾害学研究工作者、防灾减灾专业技术人员及相关专业大专院校师生。
转载请注明来自：http://www.lunwencheng.com/lunwen/nye/15856.html
