CN106897551A - 一种基于被动微波遥感的干旱指数构建方法 - Google Patents

Abstract

一种基于被动微波遥感的干旱指数构建方法,包括以下具体步骤：构建日际掩膜、月际掩膜，消除冰川、积雪以及水体边缘的混合像元对AMSR‑E数据在对温度反演时的影响；以AMSR‑E的10.8GHz和89.0GHz垂直极化通道Tb构建起一种地表温度反演模型用于对地表温度进行反演，所述的Tb为被动微波遥感的亮度温度数据；基于微波极化差异指数(MPDI)构建出微波归一化植被指数模型；基于已建立的地表温度反演模型和植被指数模型，分别构建起MTVDI模型的干边、湿边方程；建立起MTVDI模型对全国逐月干旱情况进行模拟、监测。优点是，有效地克服了可见光/近红外遥感易受到气象条件影响的缺陷，是对TVDI模型很大的改进。

Description

一种基于被动微波遥感的干旱指数构建方法

技术领域

本发明涉及被动微波遥感干旱反演领域，具体涉及一种基于被动微波遥感的干旱指数构建方法。

背景技术

干旱是一种由于区域水分收支或供需不平衡形成的水分短缺的现象，是一种极其复杂且难以被人们所掌控的自然灾害。在全世界所有土地上都经历过不同持续时间、不同强度、不同频率、不同空间范围的农业干旱事件，造成农作物大面积减产绝收和巨大的经济损失。如何采取有效地措施监测农业干旱，及时准确的了解农业旱情对当地政府和农业管理部门而言显得极其重要。

目前，常规的干旱监测方法由于受到地面站的分布密度的限制，很难反映精细的农业干旱状况，且监测成本由于受到人工成本的影响不断升高。随着遥感技术的发展，为了克服传统干旱监测的不足，遥感技术以其覆盖范围广、空间分辨率高、重访周期短、数据获取方便、资料客观等特性被用于农业干旱的监测。目前遥感干旱监测指数大多基于可见光/近红外波段，主要分为植被指数型、温度指数型和植被-温度指数型。植被指数型的干旱指数主要有归一化植被指数(NDVI)、植被状态指数(VCI)、标准植被指数、距平植被指数(AVI)等。但由于植被指数型干旱指数与植被绿度呈现强烈的相关性，它们往往更多的代表植被的生长情况而不是干旱情况。温度指数类型的干旱指数主要有归一化温度指数(Normalized Difference Vegetation Index，NDTI)、温度状态指数(TemperatureCondition Index，TCI)等。与植被指数型干旱指数相比，由于叶片温度与蒸腾的关系，温度指数对水分胁迫更敏感，从而导致在量化干旱的严重性方面有一些限制。如果仅考虑温度而不考虑植被，则该指数会忽略植物的不同抗旱性，从而在监测不同植被覆盖种类的干旱情况方面存在一些不准确性。为了克服植被指数型或温度指数型遥感干旱指数的不足，Sandholt提出了基于TS-NDVI三角关系的温度植被干旱指数(TVDI)。近年来，TVDI已经被广泛的用于不同尺度的干旱监测。前人的研究表明TVDI结合TS和NDVI的特性相比单一的植被指数或温度指数能够更好地反应出地表的干旱情况。

然而，目前的TVDI都是基于可见和近红外遥感进行的，其极易受到云层、大气中的水汽以及降水等的影响。星载被动微波遥感可以穿透薄云和稀疏植被，受天气和植被的影响较小，能够有效克服可见光和热红外波段遥感的不足，在地表参数反演中具有独特的优越性。此外，已有大量的研究表明基于微波遥感的地表温度反演具有较高的精度，与此同时，已有研究证明微波极化差异指数(MPDI)与地表植被覆盖具有一定的负相关性。因此结合微波遥感与TVDI构建新的微波温度植被干旱指数(M-TVDI)具有极高的可行性。

发明内容

本发明的目的是为了有效的克服可见光/近红外遥感的不足，以温度植被干旱指数(Temperature Vegetation Drought Index,TVDI)为基础，结合AMSR-E被动微波遥感，分别建立基于亮温(Tb)的地表温度反演模型和微波归一化植被指数(MNDVI)模型，从而建立了一种新的干旱指数—微波温度植被干旱指数(Microwave-Temperature VegetationDrought Index,M-TVDI)。提供一种基于被动微波遥感的干旱指数构建方法。

本发明是通过以下技术方案来实现的：一种基于被动微波遥感的干旱指数构建方法,包括以下具体步骤：

1)构建日际掩膜、月际掩膜，消除冰川、积雪以及水体边缘的混合像元对AMSR-E数据在对温度反演时的影响；

2)以AMSR-E的10.8GHz和89.0GHz垂直极化通道Tb构建起一种地表温度反演模型用于对地表温度进行反演，所述的Tb为被动微波遥感的亮度温度数据；

3)基于微波极化差异指数(MPDI)构建出微波归一化植被指数模型；

4)基于已建立的地表温度反演模型和植被指数模型，分别构建起MTVDI模型的干边、湿边方程；

5)建立起MTVDI模型对全国逐月干旱情况进行模拟、监测。

所述的日际掩膜、月际掩膜采用美国冰雪数据中心的空间分辨率为25km的每日全球近实时积雪浓度与冰川覆盖范围数据建立；月际掩膜的制作方式为：当某个自然月中，某个像元日际掩膜量达到15时，则该像元在该月被剔除。

所述的地表温度反演模型：

Ts＝A×(Tb₁+M)²+B×(Tb₂+N)²+C (1)

式中，Tb1和Tb2表示不同频率的垂直极化亮温Tb；A,B,C,M和N为常数。

所述的微波温度植被干旱指数(M-TVDI)的定义：

Ts_min＝c₁*MNDVI+d₁ (3)

Ts_max＝c₂*MNDVI+d₂ (4)

式中，Ts表示给定像元的地表温度值；MNDVI表示微波植被归一化指数；d1和c1分别表示干边的截距和斜率；d2和c2分别表示湿边的截距和斜率；Tsmax和Tsmin分别为特定MNDVI值所对应的地表观测温度的最大值和最小值；

微波极化差异指数(MPDI)与归一化植被指数之间有明显的负相关关系，因此，MPDI定义如下：

MNDVI＝f(MPDI) (5)

与归一化植被指数定义相似，微波极化差异指数(MPDI)的定义为：

式中，Tb_v表示垂直极化的Tb，Tb_h表示水平极化的Tb。

所述的以AMSR-E的10.8GHz和89.0GHz垂直极化通道Tb构建起一种地表温度反演模型用于对地表温度进行反演的反演方程为：

Ts＝0.0109827×(Tb_10V-252.35)²-0.0018958×(Tb_89V-367.858)²+301.853 (7)

本发明具有以下有益效果：本发明利用被动微波遥感的亮度温度数据(Tb)所建立的M-TVDI模型不仅结合了TVDI同时考虑Ts和VI的特点，还有效地克服了可见光/近红外遥感易受到气象条件影响的缺陷，是对TVDI模型很大的改进。

附图说明

图1为本发明的一种基于被动微波遥感的干旱指数构建方法步骤路线图。

图2为本发明的AMSR-E Tb与MODIS LST的关系图。

图3为本发明的MPDI与NDVI的关系图。

图4为本发明Ts-MNDVI二维特征空间(2007年)关系图。

图5为本发明的干、湿边的斜率、截距的随时间变化图。

图6为本发明的2010年M-TVDI模拟结果的时空变化图。

图7为本发明的2003年到2010年M-TVDI年际时空变化图。

具体实施方式

实施例1

如图1所示，一种基于被动微波遥感的干旱指数构建方法,包括以下具体步骤：

1)构建日际掩膜、月际掩膜，消除冰川、积雪以及水体边缘的混合像元对AMSR-E数据在对温度反演时的影响；

2)以AMSR-E的10.8GHz和89.0GHz垂直极化通道Tb构建起一种地表温度反演模型用于对地表温度进行反演，所述的Tb为被动微波遥感的亮度温度数据；

3)基于微波极化差异指数(MPDI)构建出微波归一化植被指数模型；

4)基于已建立的地表温度反演模型和植被指数模型，分别构建起MTVDI模型的干边、湿边方程；

5)建立起MTVDI模型对全国逐月干旱情况进行模拟、监测。

所述的日际掩膜、月际掩膜采用美国冰雪数据中心的空间分辨率为25km的每日全球近实时积雪浓度与冰川覆盖范围数据建立；月际掩膜的制作方式为：当某个自然月中，某个像元日际掩膜量达到15时，则该像元在该月被剔除。

所述的地表温度反演模型：

Ts＝A×(Tb₁+M)²+B×(Tb₂+N)²+C (1)

式中，Tb1和Tb2表示不同频率的垂直极化亮温Tb；A,B,C,M和N为常数。

所述的微波温度植被干旱指数(M-TVDI)的定义：

Ts_min＝c₁*MNDVI+d₁ (3)

Ts_max＝c₂*MNDVI+d₂ (4)

式中，Ts表示给定像元的地表温度值；MNDVI表示微波植被归一化指数；d1和c1分别表示干边的截距和斜率；d2和c2分别表示湿边的截距和斜率；Tsmax和Tsmin分别为特定MNDVI值所对应的地表观测温度的最大值和最小值；

微波极化差异指数(MPDI)与归一化植被指数之间有明显的负相关关系，因此，MPDI定义如下：

MNDVI＝f(MPDI) (5)

与归一化植被指数定义相似，微波极化差异指数(MPDI)的定义为：

式中，Tb_v表示垂直极化的Tb，Tb_h表示水平极化的Tb。

如图2所示，在垂直极化通道，各个频率的AMSR-E Tb与MODIS Ts都有着较为显著的线性关系；随着波段频率的增大，相关系数不断增加。通过对比，发现89.0GHz与Ts所呈散点图与其他频率与Ts所呈散点图有明显的区别，同时，相关的研究中指出89.0Ghz为最优的地表温度反演单一频道。因此，选择89.0Ghz为反演地表温度的主要变量带入式(1)，在分别将其余变量依次带入式(1)中，利用Levenberg-Marquardt算法分别求出5组最优解。随机选择6053个点对所求的5组最优解进行验证，通过分析得出89.0GHz与10.8GHz为最优地表温度反演组合，见表2，反演方程为：

Ts＝0.0109827×(Tb_10V-252.35)²-0.0018958×(Tb_89V-367.858)²+301.853 (7)

表2地表温度实测值与AMSR-E Tb的地表温度模拟值相关性分析结果

如图3所示，可以看出AMSR-E MPDI与MODIS NDVI有比较明显的负指数关系，同时还发现伴随着AMSR-E频率的上升，MPDI与NDVI的相关性不断增加，见表3。因此，选择89.0GHz的MPDI用于微波归一化植被指数(MNDVI)的计算。计算方程为：

表3MPDI与NDVI的相关系数

在ENVI-IDL编程环境下，以Ts为纵轴，MNDVI为横轴，得到如图4所示的逐月的Ts-MNDVI二维特征空间(2007年)。对从2003年1月至2010年12月共计96个月的干边方程和湿边方程的斜率进行统计得到图5。从统计结果可以看出，在时间序列上，干边方程和湿边方程的斜率变化趋势基本一致，它们都在冬季达到最大值而夏季达到最小值，总体呈正弦函数。干边方程的斜率在每年4-9月期间小于零，10月到次年3月期间大于零，而湿边方程斜率一直大于零。干边方程主要在每年6月时斜率达到最小值，而湿边方程主要在每年的8月斜率达到最小值，干边方程与湿边方程的斜率基本同步的在每年一月达到其最大值。与斜率相反，截距在时间序列上的变化呈余弦函数，干边方程与湿边方程的截距均在每年1月达到最小值，但其最大值分别出现在每年的8月和7月。另外，相比植被指数的变化，在任何一个变化周期中，温度的变化强度远远大于植被指数。因此，可推断出湿边主要受到植被覆盖因素的影响，而干边主要收到地表温度的限制。

实施例2

如图6所示，微波植被干旱指数模型，以2010年为例，对M-TVDI结果进行年度时空变化分析。结果表明，在10月-3月期间，干旱主要发生在云南、广西、广东一带的华南地区。4月-9月华南地区的干旱情况有所缓解，6月达到干旱强度最低点。而在中国北方地区，干旱主要于4月-9月发生在内蒙古-新疆一带。其原因可能是在4月-9月期间为中国南方地区的雨季，充沛的降水有效地减缓了干旱；然而此时北方的新疆和内蒙一带由于气温升高且降水量少，地表蒸发强，导致干旱较为严重。

如图7所示，为了进一步了解2003年-2010年来中国的干旱时空变化，以1月和7月为例，对中国进行年际干旱变化时空分析。总体而言，7月在中国北方地区，由于气温高导致地表蒸发量大，需要消耗大量的水分，但该地区降水量极少，无法满足蒸发所需的消耗，最终导致中国北部地区长期的干旱。同时期的南方地区虽然南方地区地表蒸发和植被蒸腾作用耗水量大，但该时期属于南方地区的雨季，降水量充足，水分输入远大于水分消耗，因此相比北方地区，此时中国的南方地区干旱情程度较低。在1月，广西、广东、云南等华南地区干旱情况较重，其原因主要在于，每年10月至次年3月为该地区的旱季，降水较少；同时该地区地处亚热带，植被茂密，气温较高，地表蒸发和植被蒸腾需要消耗大量的水分。但此时北方地区，气温较低、植被覆盖率低，导致水分消耗小，从而使得此时中国北方地区干旱程度较轻。

上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

Claims (5)

1.一种基于被动微波遥感的干旱指数构建方法,其特征在于，包括以下具体步骤：

1)构建日际掩膜、月际掩膜，消除冰川、积雪以及水体边缘的混合像元对AMSR-E数据在对温度反演时的影响；

2)以AMSR-E的10.8GHz和89.0GHz垂直极化通道Tb构建起一种地表温度反演模型用于对地表温度进行反演，所述的Tb为被动微波遥感的亮度温度数据；

3)基于微波极化差异指数(MPDI)构建出微波归一化植被指数模型；

4)基于已建立的地表温度反演模型和植被指数模型，分别构建起MTVDI模型的干边、湿边方程；

5)建立起MTVDI模型对全国逐月干旱情况进行模拟、监测。

2.根据权利要求1所述的一种基于被动微波遥感的干旱指数构建方法,其特征在于，所述的日际掩膜、月际掩膜采用美国冰雪数据中心的空间分辨率为25km的每日全球近实时积雪浓度与冰川覆盖范围数据建立；月际掩膜的制作方式为：当某个自然月中，某个像元日际掩膜量达到15时，则该像元在该月被剔除。

3.根据权利要求1或2所述的一种基于被动微波遥感的干旱指数构建方法,其特征在于，所述的地表温度反演模型：

Ts＝A×(Tb₁+M)²+B×(Tb₂+N)²+C (1)

式中，Tb1和Tb2表示不同频率的垂直极化亮温Tb；A,B,C,M和N为常数。

4.根据权利要求3所述的一种基于被动微波遥感的干旱指数构建方法,其特征在于，所述的微波温度植被干旱指数(M-TVDI)的定义：

$MTVDI=\frac{Ts-{\mathrm{Ts}}_{\min }}{{\mathrm{Ts}}_{\max }-{\mathrm{Ts}}_{\min }}---\left(2\right)$

Ts_min＝c₁*MNDVI+d₁ (3)

Ts_max＝c₂*MNDVI+d₂ (4)

式中，Ts表示给定像元的地表温度值；MNDVI表示微波植被归一化指数；d1和c1分别表示干边的截距和斜率；d2和c2分别表示湿边的截距和斜率；Tsmax和Tsmin分别为特定MNDVI值所对应的地表观测温度的最大值和最小值；

微波极化差异指数(MPDI)与归一化植被指数之间有明显的负相关关系，因此，MPDI定义如下：

MNDVI＝f(MPDI) (5)

与归一化植被指数定义相似，微波极化差异指数(MPDI)的定义为：

$MPDI=\frac{{\mathrm{Tb}}_V-{\mathrm{Tb}}_H}{{\mathrm{Tb}}_V+{\mathrm{Tb}}_H}---\left(6\right)$

式中，Tb_v表示垂直极化的Tb，Tb_h表示水平极化的Tb。

5.根据权利要求4所述的一种基于被动微波遥感的干旱指数构建方法,其特征在于，所述的以AMSR-E的10.8GHz和89.0GHz垂直极化通道Tb构建起一种地表温度反演模型用于对地表温度进行反演的反演方程为：

Ts＝0.0109827×(Tb_10V-252.35)²-0.0018958×(Tb_89V-367.858)²+301.853 (7)。