CN103994976B - 基于modis数据的农业旱情遥感监测方法 - Google Patents

Abstract

一种基于MODIS数据的农业旱情遥感监测方法，包括以下步骤：获取待测区域的土壤实测数据，将前述土壤实测数据与表征地表旱情的温度植被干旱指数建立函数关系式，将待测区域的MODIS遥感数据带入前述函数关系式，得到土壤重量含水量，根据土壤重量含水量得到干旱等级，获取农业旱情监测结果。本发明利用MODIS遥感数据时间分辨率较高的特点，实现了农田干旱监测。本发明利用遥感技术进行农田干旱动态监测，经实际应用检验，该方法简便、高效、易于操作、结果准确，能够广泛应用于农田干旱监测之中。

Description

基于MODIS数据的农业旱情遥感监测方法

技术领域

本发明涉及遥感技术应用领域，尤其是一种利用遥感技术监测各地区农业干旱程度的方法，具体地说是一种基于MODIS数据的农业旱情遥感监测方法。

背景技术

目前，江苏省淮北地区地处淮河下游，为南北气候过渡带，降雨、来水时空分布不均匀，是水旱灾害多发地区。近年来，该地区春季和初夏时常爆发农业气象干旱；如2011年初夏，淮北地区遭遇了60年来同期最为严重的气象干旱。然而，目前江苏省淮北地区抗旱工作存在干旱监测手段不足、旱情掌握不及时、干旱评价很难做到全面客观等问题。因此，急需开展干旱监测研究，为该地区的干旱监测预警提供技术服务。

地表干旱状况主要与土壤重量含水量和田间持水量有关。对于一个区域，田间持水量与土壤类型有关，其值取决于土壤质地。因此，干旱监测研究关键在于土壤含水量的监测。卫星遥感技术具有大范围探测地表状态的能力，可用于反演地表含水量。遥感探测土壤含水量研究始于上世纪60年代末，经过近半个世纪的发展，其研究方法趋于成熟，在干旱监测业务中逐步得到应用。近年来，温度植被干旱指数TVDI被广泛用于干旱监测研究；熊世为等人基于中国的环境卫星（HJ-1B）遥感数据，利用TVDI法对江苏宿迁市土壤水分信息进行遥感监测，结果表明：基于HJ-1B数据的TVDI指数法能够较好地监测冬小麦干旱状况。于敏和扎西央宗等利用MODIS资料，结合TVDI指数法，实现了西藏、黑龙江地区夏季干旱动态监测。齐述华等基于NOAA-AVHRR资料，以TVDI指数为旱情监测指数，实现了全国区域的旱情监测。这些研究证明了TVDI指数在区域干旱监测上具有较大潜力；但用于业务干旱监测还需解决一些问题；如：（1）建立更为规范的干旱等级划分方法，而不只是根据TVDI大小来划分干旱等级；（2）建立时间上普适的土壤湿度反演模型；（3）为遥感干旱监测提供及时、全面、定量的干旱监测结果。

发明内容

本发明的目的是针对土壤干旱监测中存在的问题，提出一种基于MODIS数据的农业旱情遥感监测方法。

本发明的技术方案是：

一种基于MODIS（Moderate-ResolutionImagingSpectroradiometer中分辨率成像光谱仪）数据的农业旱情遥感监测方法，它包括以下步骤：获取待测区域的土壤实测数据，将前述土壤实测数据与表征地表旱情的温度植被干旱指数(TVDI,Temperature-VegetationDrynessIndex)建立函数关系式，将待测区域的MODIS遥感数据带入前述函数关系式，得到该区域的土壤重量含水量，根据土壤重量含水量得到该区域干旱等级分布，获取农业旱情监测结果。

本发明的土壤实测数据包括待测区域10cm和20cm的土壤含水量，采用称重法方法获取。

本发明的方法具体包括以下步骤：

（1）、计算待测区域植被指数（NDVI，NormalizedDifferenceVegetationIndex）；（2）、基于劈窗法进行地表温度反演，获取地表温度(LST,LandSurfaceTemperature)；

（3）、构建地表土壤湿度反演模型，获取温度植被干旱指数，将前述温度植被干旱指数与实测的10cm土壤含水量数据进行最小二次拟合，获取待测区域10cm的土壤重量含水量；根据10cm土壤含水量数据与20cm土壤含水量数据的相关性，得到待测区域20cm土壤重量含水量结果；

（4）、根据待测区域20cm的土壤重量含水量计算相对含水量，进行干旱等级划分，获取农业旱情监测结果。

本发明的步骤（1）中：待测区域植被指数NDVI为归一化植被指数，

$\mathrm{NDVI}=\frac{{\mathrm{\ρ}}_{\mathrm{NIR}}-{\mathrm{\ρ}}_{\mathrm{Red}}}{{\mathrm{\ρ}}_{\mathrm{NIR}}+{\mathrm{\ρ}}_{\mathrm{Red}}}$

其中：ρ_NIR，ρ_Red分别为获取待测区域的MODIS近红外波段和红光波段的反射率。

本发明的步骤（2）中：基于劈窗法进行地表温度反演，获取地表温度T_s具体步骤如下：

T_s=A₀+A₁T₃₁+A₂T₃₂

A₀=-64.6036E₁-68.7258E₂-273.16

A₁=1+A+0.44081E₁

A₂=-(A+0.473453E₂)

E₁=D₃₁(1-C₃₁-D₃₁)/E₀

E₂=D₃₁(1-C₃₂-D₃₂)/E₀

A=D₃₁/E₀

E₀=D₃₂C₃₁-D₃₁C₃₂

C_i=ε_iτ_i

D_i=（1-τ_i)(1+(1-ε_i)τ_i)

其中，T_s为地表温度，单位K，T₃₁和T₃₂为MODIS的31和32波段的亮温温度；ε为地表比辐射率；τ为大气透过率；i对应的MODIS影像的第31和32波段，即：i=31或i=32；

对于地表比辐射率ε_i的计算，要分为路面像元和水体像元两种情况：

对于水体像元直接取ε₃₁=0.99683，ε₃₂=0.99254，

对于路面像元地表比辐射率由植被覆盖度P_V计算得出，公式如下：

P_V=(NDVI-NDVI_s)/(NDVI_v-NDVI_s)

其中，NDVI_v和NDVI_s分别是茂密植被覆盖和完全裸土像元的NDVI值，NDVI_v=0.9，NDVI_s=0.15；

计算路面像元的地表比辐射率ε_i，计算公式如下：

ε₃₁=P_VR_Vε_31V+(1-P_V)R_Sε_31S+dε、ε₃₂=P_VR_Vε_32V+(1-P_V)R_Sε_32S+dε

式中，ε₃₁和ε₃₂是MODIS数据第31、32波段的地表比辐射率，ε_31V和ε_31S分别为植被和裸土在第31波段的地表比辐射率，分别取ε_31V=0.98672，ε_31S=0.96767；ε_32V和ε_32S分别为植被和裸土在第32波段的地表比辐射率，分别取ε_32V=0.98990，ε_32S=0.97790；P_V像元为植被覆盖率；R_V和R_S分别为植被和裸土的辐射比例，R_V=0.92762+0.07003P_V，R_S=0.98782+0.08362P_V；dε是由植被和裸土之间热辐射相互作用而产生的热辐射相互校正值，其公式为，

dε=0.003796min[P_V,(1-P_V)]

式中：min[P_V,(1-P_V)]表示取P_V和(1-P_V)的最小值；

大气透过率τ_i由大气含水量W计算得到，公式如下：

当水汽含量在0.4-2.0g/cm2时：

τ₃₁=0.99513-0.0808w

τ₃₂=0.99376-0.11369w

当水汽含量在2-4.0g/cm2时：

τ₃₁=1.08692-0.12759w

τ₃₂=1.07900-0.15925w

当水汽含量在4-6.0g/cm2时：

τ₃₁=1.07268-0.12571w

τ₃₂=0.93821-0.12613w

计算大气水汽含量的公式为：

w=[(α-lnT_w)/β]²

其中w为是被监测农田地块所对应的各像元点的大气水汽含量；T_w是MODIS的第19波段与第2波段的比值，α和β是参数，分别取α=0.02，β=0.651。

本发明的步骤（3）具体为：构建地表土壤湿度反演模型，计算温度植被干旱指数TVDI，

$\mathrm{TVDI}=\frac{T_s-T_{S\min }}{T_{S\max }-T_{S\min }}$

式中，T_s为地表温度；T_Smin为待测区域内最低地表温度，对应称为湿边；T_Smax为待测区域内最高地表温度，对应称为干边；

将前述TVDI与10cm的土壤含水量进行最小二次拟合，获取待测区域10cm的土壤重量含水量y；

y=-21.601x+26.497

其中：x表示温度植被干旱指数TVDI的数值；

由于10cm的土壤含水量y与20cm的土壤含水量y’具有相关性，满足下述公式：

y’=0.7884y+4.0151。

因此，进一步建立待测区域TVDI与待测区域20cm土壤实测数据的反演方程，获取待测区域20cm的土壤重量含水量y’:

y’=-17.0302x+24.905

本发明的湿边、干边模型的公式如下：

T_Smax=a₁+b₁*NDVI

T_Smin=a₂+b₂*NDVI

式中，（a1，b1）、（a2，b2）分别为湿边、干边模型的系数，具体设置步骤如下：

选择NDVI图像中0.2≤NDVI≤0.8的像元，并在这些像元中找到最大值和最小值；

以0.01为步长，NDVI图像中0.2～0.8区间内找到的NDVI最小值至最大值的范围，并划分为n个区间；

获取每个小区间的NDVI最大值和最小值，以及对应在NDVI图像中的行列号，获取同时期地表温度图像LST对应的温度值；

对获取的数据组，分别利用最小二次拟合出湿、干边方程，最终得到干、湿边方程拟合系数（a1，b1）、（a2，b2）。

本发明的步骤（4）具体为：根据待测区域20cm的土壤重量含水量计算相对含水量；

式中，Rel_SM为相对含水量，田间持水量率由江苏省农委提供的土壤类型分布图与对应的不同土壤田间含水量确定，其中砂土的田间含水量量为24%，壤土为30%，粘土含水量为36%，基于计算的相对含水量，根据待测区域所在地区的干旱等级墒情评价标准，对干旱等级进行划分，得到农业旱情监测结果。

本发明的基于计算的相对含水量，在江苏地区，根据江苏省农委的干旱等级墒情评价标准，对研究区的干旱等级进行划分，Rel_SM≥65%为适宜，60%≤Rel_SM＜65%为轻旱,50%≤Rel_SM＜60%为中旱，45%≤Rel_SM＜50%为重旱，45%＜Rel_SM为特旱。

本发明中，要得到NDVI、LST和TVDI参数进行旱情监测，需对所选的遥感数据进行统一的预处理，主要包括辐射校正、投影变换、研究区裁剪、云监测，满足系统数据的匹配计算。

本发明的有益效果：

本发明利用MODIS遥感数据时间分辨率较高的特点，实现了农田干旱监测。利用了NDVI和LST构建温度植被干旱指数TVDI，分析TVDI和土壤湿度之间的关系，构建土壤湿度反演模型。最后，将所建土壤湿度反演模型用于干旱监测研究，并构建干旱遥感监测平台。本发明利用遥感技术进行农田干旱动态监测，经实际应用检验，该方法简便、高效、易于操作、结果准确，能够广泛应用于农田干旱监测之中。

附图说明

图1是本发明的遥感反演的干旱监测方法的步骤流程图；

图2是植被指数与地表温度构建的简化的LST/NDVI特征空间示意图；

图3是影像的“干湿边”散点图及模型；

图4是基于TVDI和10cm深土壤湿度建模结果图；

图5是10cm与20cm深土壤重量含水量散点图

图6是基于验证数据的反演结果与测试结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1所示，一种基于MODIS数据的农业旱情遥感监测方法，以江苏省淮北地区干旱监测为例，其经纬度范围为116°01′～120°08E，32°06′～35°13′N。该研究区以平原为主，北部有少许山地，其主要地表类型有农用地、农用地/自然植被、稀疏植被、草地、城市和建筑区、永久湿地、水体等。据统计，江苏省淮北地区旱栽作物主要以冬小麦为主，分布在徐州、连云港、宿迁、淮安、盐城五市。因此，对这五个市的冬小麦种植区的旱情状况进行监测研究。

首先选择研究区的MODIS数据，按常规方法对所选波段的遥感数据进行预处理，包括几何校正、云检测和研究区域裁剪。然后利用相应波段计算各像元的NDVI和LST，构建温度植被指数空间，拟合“干湿边”模型，计算图像的TVDI指数。并利用一组1到5月土壤墒情站点的实测土壤湿度数据和TVDI指数，拟合TVDI和土壤湿度之间的关系模型；利用另一组1到5月数据，验证土壤湿度模型，评价土壤湿度反演精度。最后，根据重量含水量和土壤持水量，计算土壤相对含水量，并根据旱情分级指标，对江苏淮北地区的旱情进行监测和评价。

一种基于MODIS数据的农业干旱监测方法，主要是借助遥感技术手段在大区域尺度上探讨一种客观、动态、实时、准确、易于实现的监测方法。在本方法中采用基于植被指数和地表温度的构建TVDI农业干旱监测模型来进行监测，在监测的过程中结合实测数据构建反演模型，成功监测干旱发生区域与发生等级，统计受灾面积，所表述地表旱情的相应参数按照如下方法确定:

植被指数计算：

$\mathrm{NDVI}=\frac{{\mathrm{\ρ}}_{\mathrm{NIR}}-{\mathrm{\ρ}}_{\mathrm{Red}}}{{\mathrm{\ρ}}_{\mathrm{NIR}}+{\mathrm{\ρ}}_{\mathrm{Red}}}$

NDVI为归一化植被指数，ρ_NIR和ρ_Red为MODIS的近红外和红光波段的反射率。

基于劈窗算法的地表温度反演，计算公式如下：

T_s=A₀+A₁T₃₁+A₂T₃₂

A₀=-64.6036E₁-68.7258E₂-273.16

A₁=1+A+0.44081E₁

A₂=-(A+0.473453E₂)

E₁=D₃₁(1-C₃₁-D₃₁)/E₀

E₂=D₃₁(1-C₃₂-D₃₂)/E₀

A=D₃₁/E₀

E₀=D₃₂C₃₁-D₃₁C₃₂

C_i=ε_iτ_i

D_i=（1-τ_i)(1+(1-ε_i)τ_i)

其中，T_s为地表温度（K），T₃₁和T₃₂为MODIS的31和32波段的亮温温度，可由

Plank方程获取；i是指MODIS影像的第31和32波段，分别为i=31或i=32；ε_i为对应遥感影像各像元点的波段i的地表比辐射率，τ_i为对应遥感影像各像元点的波段i的大气透过率。

对于比辐射率的计算要分为路面像元和水体像元两种情况。对于水体像元可直接取ε₃₁=0.99683，ε₃₂=0.99254。对于路面像元地表比辐射率由植被覆盖度P_V计算得出。

P_V=(NDVI-NDVI_s)/(NDVI_v-NDVI_s)

其中，NDVI_v和NDVI_s分别是茂密植被覆盖和完全裸土像元的NDVI值，通常NDVI_v=0.9，NDVI_s=0.15。

计算植被覆盖度后，可计算地表比辐射率ε_i，计算公式如下：

ε₃₁=P_VR_Vε_31V+(1-P_V)R_Sε_31S+dε

ε₃₂=P_VR_Vε_32V+(1-P_V)R_Sε_32S+dε

式中，ε₃₁和ε₃₂是MODIS数据第31、32波段的地表比辐射率，ε_31V和ε_31S分别为植被和裸土在第31波段的地表比辐射率，分别取ε_31V=0.98672，ε_31S=0.96767；ε_32V和ε_32S分别为植被和裸土在第32波段的地表比辐射率，分别取ε_32V=0.98990，ε_32S=0.97790；P_V像元为植被覆盖率；R_V和R_S分别为植被和裸土的辐射比例，取R_V=0.92762+0.07003P_V，R_S=0.98782+0.08362P_V。dε为热辐射相互校正，由植被和裸土之间热辐射相互作用产生，可由以下经验公式估算：

dε=0.003796min[P_V,(1-P_V)]

式中：min[P_V,(1-P_V)]表示取P_V和(1-P_V)的最小值。

大气透过率τ_i可由大气含水量W计算得到，公式如下：

当水汽含量在0.4-2.0g/cm2时：

τ₃₁=0.99513-0.0808w

τ₃₂=0.99376-0.11369w

当水汽含量在2-4.0g/cm2时：

τ₃₁=1.08692-0.12759w

τ₃₂=1.07900-0.15925w

当水汽含量在4-6.0g/cm2时：

τ₃₁=1.07268-0.12571w

τ₃₂=0.93821-0.12613w

计算大气水汽含量的公式为：

w=[(α-lnT_w)/β]²

其中w为是被监测农田地块所对应的各像元点的大气水汽含量；T_w是MODIS影像第18波段所对应的各像元点的反射率与第2波段所对应的各像元点的地面反射率的比值,是参数,分别取α=0.02，β=0.651。

可以进一步对NDVI和LST数据重构，以填补数据缺失和消除数据误；

遥感影像易受到云的影响，出现数据缺失，为填补数据缺失和消除数据误差，可进行NDVI数据和LST数据的重构。

S-G滤波是由Savitzky和Golay提出，该滤波器是一种平滑多项式滤波器。S-G滤波实质上是一种移动窗口的加权平均算法，其加权系数不是简单的常数窗口，而是通过在移动窗口内对给定高阶多项式进行最小二乘拟合得出。S-G滤波的公式为：

$Y_j^{*}=\underset{i=-m}{\overset{i=m}{\mathrm{\Σ}}}\frac{C_i{Y}_{j+i}}{N}$

式中，为第j天重建后数据；Y_j+i为原始时间序列2m天的数据；C_i为滤波系数，即第i+j天原始数据Y_j+i在平滑窗口N中的权重；N为滑动窗口的数据个数（2m+1），其中m为半窗口大小。

TVDI的计算

分析遥感反演的LST和NDVI数据特征，发现：对于一个区域，如果地表覆盖为从裸土到密闭植被冠层，土壤湿度从湿润到干旱，则该区域内每个像元的LST和NDVI组成的散点图构成的空间关系近似为三角形(图1)。该区域内每个像元的NDVI与LST将分布在三个极点构成的LST/NDVI特征空间中，三角形上下两条边界线分别称为“干边”和“湿边”。“干边”表示地表蒸散小，处于干旱状态；“湿边”表示土壤水分充足，地表蒸散等于潜在蒸散，因此土壤含水量可看成特征空间内的等值线。

在此基础上，基于简化三角形特征空间（图1）的温度植被干旱指数(Temperature-VegetationDrynessIndex，TVDI)，用于间接表征土壤含水状况，其定义如下所示：

$\mathrm{TVDI}=\frac{T_s-T_{s\min }}{T_{s\max }-T_{s\min }}$

式中，T_s为任意像元地表温度；T_smin为湿边上的地表温度，即为试验区内具有某个NDVI值像元的最低地表温度；T_smax为干边上的地表温度，即为试验区内具有某个NDVI值像元的最高地表温度。“干湿边”可以利用下式计算。

T_smax=a₁+b₁*NDVI

T_smin=a₂+b₂*NDVI

式中，（a1，b1）、（a2，b2）分别为“干湿边”模型的系数，由“干湿边”附近的NDVI和LST，通过线性拟合得到（图3）。

TVDI的计算基于LST/NDVI的特征空间，植被覆盖区像元TVDI的取值理论上应在[0，1]之间。在干边上TVDI=1，在湿边上TVDI=0。TVDI值越大，土壤湿度越低，表明土壤缺水越严重（图4）。

地表土壤湿度反演模型构建

根据试验点的经纬度，可从影像上提取TVDI值，用于分析TVDI和土壤湿度之间的关系。为建立时间上普适的土壤湿度反演模型，利用冬小麦整个生育期可能出现干旱灾害的生长期数据，分析TVDI指数和土壤湿度之间的关系。利用2011年1月到3月15个水文站土壤墒情站点数据和2012年4月到5月的6个站点的地面土壤湿度调查数据建模（图5），再利用2011年4-5月及2012年的1-3月实测数据对模型进行验证，表明构建的土壤湿度反演模型有较高的反演精度（图6）。

干旱等级划分

由于江苏省农田干旱等级是由20cm土壤含水量确定，因此，需要由反演的10cm深土壤湿度推算20cm深度土壤湿度。研究数据表明，10cm和20cm深土壤含水量两者之间具有非常好的线性关系。利用这种关系，可以由反演的10cm深度土壤重量含水量推算20cm深度土壤重量含水量。

为确定地表干旱等级，需要先计算相对含水量，相对含水量公式为：

式中，Rel_SM为相对含水量，田间持水量根据土壤类型分布图及其不同土壤田间含水量确定。

表1三种土壤田间持水量（省农委2010年资料）

基于计算的相对含水量，参考江苏省农委的干旱等级墒情评价标准（表2），对研究区的干旱等级进行划分，得到试验区的干旱等级图。

表2小麦苗期墒情评价标准（省农委2013资料）

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (7)

1.一种基于MODIS数据的农业旱情遥感监测方法，其特征是它包括以下步骤：获取待测区域的土壤实测数据，将前述土壤实测数据与表征地表旱情的温度植被干旱指数建立函数关系式，将待测区域的MODIS遥感数据带入前述函数关系式，得到该区域的土壤重量含水量，根据土壤重量含水量得到该区域干旱等级分布，获取农业旱情监测结果；

该方法具体包括以下步骤：

(1)、计算待测区域植被指数；

(2)、基于劈窗法进行地表温度反演，获取地表温度；

(3)、构建地表土壤湿度反演模型，获取温度植被干旱指数，将前述温度植被干旱指数与实测的10cm土壤含水量数据进行最小二次拟合，获取待测区域10cm的土壤重量含水量；根据10cm土壤含水量数据与20cm土壤含水量数据的相关性，得到待测区域20cm土壤重量含水量结果；

(4)、根据待测区域20cm的土壤重量含水量计算相对含水量，进行干旱等级划分，获取农业旱情监测结果；

步骤(3)具体为：构建地表土壤湿度反演模型，计算温度植被干旱指数TVDI，

式中，T_s为地表温度；T_Smin为待测区域内最低地表温度，对应称为湿边；T_Smax为待测区域内最高地表温度，对应称为干边；

将前述TVDI与10cm的土壤含水量进行最小二次拟合，获取待测区域10cm的土壤重量含水量y；

y＝-21.601x+26.497

其中：x表示温度植被干旱指数TVDI的数值；

由于10cm的土壤含水量y与20cm的土壤含水量y’具有相关性，满足下述公式：

y’＝0.7884y+4.0151

因此，进一步建立待测区域TVDI与待测区域20cm土壤实测数据的反演方程，获取待测区域20cm的土壤重量含水量y’:

y’＝-17.0302x+24.905。

2.根据权利要求1所述的基于MODIS数据的农业旱情遥感监测方法，其特征是土壤实测数据包括待测区域10cm和20cm的土壤含水量，采用称重法方法获取。

3.根据权利要求1所述的农业旱情遥感监测方法，其特征是步骤(1)中：待测区域植被指数NDVI为归一化植被指数，

其中：ρ_NIR，ρ_Red分别为获取待测区域的MODIS近红外波段和红光波段的反射率。

4.根据权利要求1所述的农业旱情遥感监测方法，其特征是步骤(2)中：基于劈窗法进行地表温度反演，获取地表温度T_s具体步骤如下：

T_s＝A₀+A₁T₃₁+A₂T₃₂

A₀＝-64.6036E₁-68.7258E₂-273.16

A₁＝1+A+0.44081E₁

A₂＝-(A+0.473453E₂)

E₁＝D₃₁(1-C₃₁-D₃₁)/E₀

E₂＝D₃₁(1-C₃₂-D₃₂)/E₀

A＝D₃₁/E₀

E₀＝D₃₂C₃₁-D₃₁C₃₂

C_i＝ε_iτ_i

D_i＝(1-τ_i)(1+(1-ε_i)τ_i)

其中，T_s为地表温度，单位K，T₃₁和T₃₂为MODIS的31和32波段的亮温温度；ε为地表比辐射率；τ为大气透过率；i对应的MODIS影像的第31和32波段，即：i＝31或i＝32；

对于地表比辐射率ε_i的计算，要分为路面像元和水体像元两种情况：

对于水体像元直接取ε₃₁＝0.99683，ε₃₂＝0.99254，

对于路面像元地表比辐射率由植被覆盖度P_V计算得出，公式如下：

P_V＝(NDVI-NDVI_s)/(NDVI_v-NDVI_s)

其中，NDVI_v和NDVI_s分别是茂密植被覆盖和完全裸土像元的NDVI值，NDVI_v＝0.9，NDVI_s＝0.15；

计算路面像元的地表比辐射率ε_i，计算公式如下：

ε₃₁＝P_VR_Vε_31V+(1-P_V)R_Sε_31S+dε、ε₃₂＝P_VR_Vε_32V+(1-P_V)R_Sε_32S+dε

式中，ε₃₁和ε₃₂是MODIS数据第31、32波段的地表比辐射率，ε_31V和ε_31S分别为植被和裸土在第31波段的地表比辐射率，分别取ε_31V＝0.98672，ε_31S＝0.96767；ε_32V和ε_32S分别为植被和裸土在第32波段的地表比辐射率，分别取ε_32V＝0.98990，ε_32S＝0.97790；P_V像元为植被覆盖率；R_V和R_S分别为植被和裸土的辐射比例，R_V＝0.92762+0.07003P_V，R_S＝0.98782+0.08362P_V；dε是由植被和裸土之间热辐射相互作用而产生的热辐射相互校正值，其公式为，

dε＝0.003796min[P_V,(1-P_V)]

式中：min[P_V,(1-P_V)]表示取P_V和(1-P_V)的最小值；

大气透过率τ_i由大气含水量W计算得到，公式如下：

当水汽含量在0.4-2.0g/cm2时：

τ₃₁＝0.99513-0.0808w

τ₃₂＝0.99376-0.11369w

当水汽含量在2-4.0g/cm2时：

τ₃₁＝1.08692-0.12759w

τ₃₂＝1.07900-0.15925w

当水汽含量在4-6.0g/cm2时：

τ₃₁＝1.07268-0.12571w

τ₃₂＝0.93821-0.12613w

计算大气水汽含量的公式为：

w＝[(α-lnT_w)/β]²

其中w为是被监测农田地块所对应的各像元点的大气水汽含量；T_w是MODIS的第19波段与第2波段的比值，α和β是参数，分别取α＝0.02，β＝0.651。

5.根据权利要求4所述的农业旱情遥感监测方法，其特征是湿边、干边模型的公式如下：

T_Smax＝a₁+b₁*NDVI

T_Smin＝a₂+b₂*NDVI

式中，(a1，b1)、(a2，b2)分别为湿边、干边模型的系数，具体设置步骤如下：

选择NDVI图像中0.2≤NDVI≤0.8的像元，并在这些像元中找到最大值和最小值；

以0.01为步长，NDVI图像中0.2～0.8区间内找到的NDVI最小值至最大值的范围，并划分为n个区间；

获取每个小区间的NDVI最大值和最小值，以及对应在NDVI图像中的行列号，获取同时期地表温度图像LST对应的温度值；

对获取的数据组，分别利用最小二次拟合出湿、干边方程，最终得到干、湿边方程拟合系数(a1，b1)、(a2，b2)。

6.根据权利要求1所述的农业旱情遥感监测方法，其特征是步骤(4)具体为：根据待测区域20cm的土壤重量含水量计算相对含水量；

式中，Rel_SM为相对含水量，田间持水量率由江苏省农委提供的土壤类型分布图与对应的不同土壤田间含水量确定，其中砂土的田间含水量为24％，壤土为30％，粘土含水量为36％，基于计算的相对含水量，根据待测区域所在地区的干旱等级墒情评价标准，对干旱等级进行划分，得到农业旱情监测结果。

7.根据权利要求6所述的农业旱情遥感监测方法，其特征是基于计算的相对含水量，在江苏地区，根据江苏省农委的干旱等级墒情评价标准，对研究区的干旱等级进行划分，Rel_SM≥65％为适宜，60％≤Rel_SM＜65％为轻旱,50％≤Rel_SM＜60％为中旱，45％≤Rel_SM＜50％为重旱，45％＜Rel_SM为特旱。