高 雅 ，高懋芳 ，王晓飞 ，黄 硕，李石磊

（1. 中国农业科学院农业资源与农业区划研究所，北京100081；2. 黑龙江大学电子工程学院，哈尔滨150080）

0 引言

干旱是由于水分收支或供需不平衡而形成的水分短缺现象，并且缺水在一定范围内引起或将引起某种损失［1］。全球气候变化背景下，干旱已经成为困扰经济社会发展的一个重要问题［2］。随着经济的增长、人口不断增加、水资源的短缺，我国干旱情况也逐年严重，干旱问题已经成为我国甚至世界范围内关注的重要自然灾害［3］。在各种自然灾害中，旱灾造成经济损失的可能性最大，我国干旱灾害频繁发生，给农业以及经济发展带来巨大的损失［4-5］。干旱灾害在各类灾害中，是影响最为复杂、监测以及预警最为困难的灾害之一［6］，有效进行干旱监测、预警对于抗旱防旱工作有着十分重要的意义。

国内外众多学者在干旱监测上已有一定的研究，干旱监测的方法有很多，不同地区有不同适用的干旱监测方法。如Jakson［7］等根据热量平衡原理，考虑作物最小冠层阻力、冠层温度、水汽压差和冠层净辐射，提出了作物缺水指数（CWSI）；Kogan［8］在植被状态指数（VCI）的基础上，发展出温度状态指数（TCI）；Sandholt［9］提出了温度植被指数（TVDI），主要用来检测土壤表层含水量；Kimura［10］对TVDI 进行改进提出了温度植被干旱指数（MTVDI）；Price［11］等利用植被指数和地表温度计算区域蒸散量，用于监测干旱状况；杨彦荣等利用植被供水指数（VSWI）作为干旱研究的有效指标，对研究区进行土壤湿度反演［12］；王鹏新等提出条件植被指数概念，研究表明条件植被温度指数能较好地监测研究区的相对干旱程度，并可用于研究干旱程度的空间变化特征［13］。该研究使用基于遥感数据的温度植被指数（TVDI），建立特征空间，拟合研究区的干湿边方程，进行干旱等级划分，同时引入荧光参数，结合干旱监测模型与荧光数据进一步对研究区干旱状况进行分析，有效地对研究区进行干旱监测，从而减少干旱所带来的影响。

1 研究区与数据

1.1 研究区介绍

呼伦贝尔市位于内蒙古东北部，地理位置 47°05′N～53°20′N，115°31′E～126°04′E。该地区面积25.3 万 km2［14］。大兴安岭山地以南北走向横穿呼伦贝尔市中部，大部分地区属于中温带大陆性季风气候，部分北部大兴安岭地区属于寒温带大陆季风气候［15］。该区属于半干旱气候区，年平均降水量仅有200～300 mm，冬季寒冷漫长，夏季温凉短促，春季干燥风大，秋季气温骤降，霜冻早，气象灾害频发［16］。

1.2 数据介绍

MODIS（Moderate-resolution Imaging Spectroradiometer）是中分辨率成像光谱仪，具有较高时间分辨率、较高光谱分辨率、适中的空间分辨率等特点，而且多波段数据可以同时提供地表温度、植被指数、大气水汽、气溶胶等信息，因此被广泛应用于旱情监测中。文章选用2017—2018 年呼伦贝市的8 d 合成地表温度产品MOD11A2 和16 d 合成植被指数产品MOD13A2，空间分辨率为1 km，数据从https：//ladsweb.modaps.eosdis.nasa.gov/网站下载［17-18］。

1.2.1 地表温度

地表温度（Land Surface Temperature，LST）是研究地表和大气之间物质交换和能量交换的重要参数，LST 包含植被冠层温度和裸地地表温度等。植被冠层温度升高是植物受到水分胁迫和干旱发生的最初指示器，这一变化甚至在植物为绿色时就可能发生。MODIS 数据一共有8 个热红外波段，其中第31 波段和32 波段可以用来反演地表温度。在过去的几十年中，利用卫星热红外数据进行地表温度反演的方法已经有很多，大致分为5 类：单通道算法、多通道算法、多时相算法、多角度算法以及高光谱算法［19-21］。该文使用的是MOD11A2 地表温度数据，该产品数据是8 d 合成的、空间分辨率为1 km，包含了白天地表温度、夜间地表温度、31 和32 通道发射率等资料［22］，MOD11A2 的地表温度产品是根据劈窗算法得到的。

图1 研究区示意图Fig.1 Schematic diagram of the study area

1.2.2 植被指数

植被指数因能够很好地反应绿色植被的长势、生物量和覆盖度而得到广泛应用，其中最常见的是归一化植被指数（NDVI），定义为：

式（1）中，ρNIR是近红外光波段地表反射率，ρRED是红光波段地表反射率，分别对应MODIS 的第2 通道近红外（841～876 nm）和第1 通道可见光红光（620～670 nm）。

MODIS 第1 通道所含的红光可反映植被的吸收特性，第2 通道近红外可反映植被的反射特性，用这两个波段可计算NDVI，进而提取作物长势信息。当植被叶绿素含量增高时，其在红光波段的反射值减小，而在近红外波段的反射值增大，因而NDVI 值也增大；当植被受旱导致水分减少时，叶绿素含量相应减小，其在红光波段的反射值增大，而在近红外波段的反射值减小，NDVI 的值也相应减小。根据绿色植被的上述光谱特性，许多学者提出了基于植被指数判别农作物生长状况和旱情等级的指标［23-24］。

1.2.3 GOME-2 L2 荧光产品

研究中使用的太阳诱导叶绿素荧光数据是搭载在欧洲MetOp-A 卫星的GOME-2 传感器在740 nm 附近探测到的远红光荧光产品。日本的温室气体观测卫星GOSAT 搭载的TANSO-FTS 传感器有效覆盖光谱范围755～775 nm。相比较GOSAT 的TANSO-FTS 传感器，GOME-2 有较好的时间和空间分辨率，因此该文选择GOME-2 的荧光产品。该产品是基于辐射传输模型将光谱信号分解成大气吸收、地表反射和荧光3 个部分，并利用主成分分析方法计算大气吸收线处的特征得到的荧光产品。为了尽可能深入了解荧光与TVDI 之间的关系，该研究使用日值SIF V27 二级产品，该产品在V26 产品基础上做了进一步改进，对产品偏差做了修正，同时提供了一个额外的数据质量层用于对不确定性较大或云污染观测点标记，产品星下观测点像元分辨率约为40 km×40 km。该研究使用2017—2018 年期间的 GOME-2 荧光 V27 产品，荧光单位是 mW/m2/sr/nm［25-26］。

2 研究方法

2.1 干旱指数计算

研究发现，若地表没有被植被完全覆盖，将植被指数或者地表温度作为干旱监测的单一指标，土壤或植被会对短暂的水分胁迫反应相对迟缓，不能及时有效获取土壤湿度。研究发现地表温度和植被指数呈明显负相关关系，Sandholt 等［9］将地表温度和植被指数结合在一起建立Ts-NDVI 特征空间，提出了温度植被干旱指数，计算公式如下：

式（2）～（5）中，TVDI 代表温度植被指数，Ts代表任意像元的地表温度；Tsmin和Tsmax分别代表最低地表温度和最高地表温度。Tsmin和Tsmax可以通过线性回归方程提取干边和湿边计算获取，a1，b1，a2，b2分别为干湿边拟合系数。Price 等人研究发现，在研究区的植被覆盖和土壤湿度变化范围较大时，则遥感资料获得的NDVI 和Ts数据所构成的散点图呈梯形分布。如图2 所示。

图2 TVDI 原理示意图Fig.2 Schematic diagram of TVDI

TVDI 值的变化范围为0～1，TVDI 值越大，其值离干边越接近，表明研究区干旱程度越严重；TVDI 值越小，表明研究区干旱程度越轻，该地区比较湿润。在裸地以及植被完全覆盖区，TVDI 分别受到地表温度和植被覆盖率的影响，而在植被稀疏地区的TVDI 值同时受到土壤和植被的影响。TVDI 值越大，土壤含水量越低，反之土壤含水量越高。

TVDI 的提出有效避免了只选用植被指数或地表温度作为干旱监测指标对土壤水分含水量进行监测的不足，大大降低了地表植被覆盖程度对干旱监测效果的影响，提高了遥感数据监测的精确性并且扩大了其适用范围。

2.2 干旱等级划分

干旱等级划分是干旱严重程度的一种度量。由于各地区气候差异比较大，所以采用不同的划分等级以满足各地气象灾害的需求。该文采用的是齐述华［27］的干旱等级划分方法，齐述华利用TVDI 对全国旱情进行干旱等级划分，划分为5 个等级：当0＜TVDI＜0.2 时，研究区为湿润；当 0.2＜TVDI＜0.4 时，研究区为正常；当 0.4＜TVDI＜0.6时，研究区为轻旱；当0.6＜TVDI＜0.8 时，研究区为中旱；当0.8＜TVDI＜1 时，研究区为重旱。

2.3 荧光数据处理

干旱是抑制植物光合作用的最主要环境因子之一，干旱胁迫能够导致光合器官的损伤，从而抑制植物的光合作用。叶绿素荧光参数作为植物理想的抗逆性指标，已在作物的各种抗性生理上得到广泛应用。目前，对植物体内叶绿素荧光动力学的研究已成为热点，并在强光、高温、低温、干旱等逆境生理研究中得到广泛应用，用于了解植物光合作用，监测干旱和估算初级生产力总量。所以选择荧光这一参数，是由于荧光遥感对作物水分胁迫有一定敏感性，建立荧光遥感对农业干旱发展进程的定量评估模型，为农业干旱早期诊断开辟新的解决思路。

该文选取的GOME-2 L2 级SIF_740 产品数据，基于辐射传输模型对光谱信号分解为大气吸收、地表反射和荧光3 部分。该文需要NDVI 与SIF_740 进行对比分析，所以准确找出相同经纬度下的NVDI 和SIF_740 值十分重要。

（1）下载2017—2018 年GOME-2 L2 级日数据，由于遥感数据为16 d 合成数据，要对应荧光与遥感数据，所以相对应遥感数据合成日期将16 d 的GOME-2 L2 级数据做平均处理，读取NetCDF 格式文件，然后提取SIF_740。

（2）将每16 d（与MODIS 数据相对应日期）的SIF_740 读取到一个TXT 文件中。

（3）通过IDL 程序，分别读取NDVI 数据和荧光数据，提取相同经纬度下相对应的NDVI 值和荧光值，并进行分析。

3 结果分析

根据2017—2018 年5—8 月份MOD13A2 的植被指数产品和MOD11A2 的地表温度产品，通过波段运算建立Ts-NDVI 特征空间，计算温度植被干旱指数（TVDI），图3显示的是2017—2018 年5—8 月份干湿边拟合图，表1 显示的是相对应的干湿边拟合方程。

图3 2017—2018 年5—8 月份干湿边拟合图Fig.3 The fitting diagram of dry and wet edges from May to August，2017—2018

表1 2017—2018 年5—8 月干湿边拟合方程Table 1 Dry and wet edge fitting equation from May to August，2017—2018

从图3 和表1 可以看出，通过LST 和NDVI 建立的Ts-NDVI 特征空间，得到的结果大致都呈梯形结构，与理论模型吻合，证明此方法在该区域有较好的适用性，在干边，随着植被指数的不断增加，地表温度逐渐减小，湿边不完全平行于植被指数的坐标轴，是由于地表温度随植被指数的增大在逐渐升高。NDVI 在0～1 变化范围内，地表温度的最大值随植被指数的增大而逐渐减小，地表温度的最小值逐渐增大，地表温度植被指数大体上表现出线性关系。随着NDVI 的增加，又加上植被冠层的影响，干边所对应的拟合方程有下降趋势，随温度逐渐降低，湿边则随着植被覆盖度不断上升，植被的蒸腾作用也导致温度上升。

该文所选用的干旱等级划分方法，将干旱分为5 个等级，即湿润、正常、轻旱、中旱及重旱，从图4 可以看出，呼伦贝尔西部地区受干旱影响比较严重，2017 年受干旱影响大于2018 年，所占比例较高，2017 年5 月、6 月、7 月上旬和8 月下旬干旱情况比较严重，其中2018 年5 月下旬干旱情况较为突出，呼伦贝尔地区的东部所受干旱影响较轻，结果表明该干旱等级划分方法能直观的监测和评估呼伦贝尔地区干旱时空分布状况。

图4 2017—2018 年5—8 月干旱等级分布图Fig.4 Distribution map of drought grade from May to August，2017—2018

图5 2017—2018 年NDVI 与SIF_740 随时间的变化图Fig.5 NDVI and SIF_740 time change graph from 2017 to 2018

由于植被指数（NDVI）是监测植被变化最显著的指标之一，比较荧光的干旱敏感性与植被指数之间关系，以植被指数作为一个指标参数，求得多年NDVI 平均值，通过建立该地区时间尺度上NDVI 与SIF 的分布图（图5）可以看出，NDVI 值随着时间变化逐渐上升，2017 年NDVI 逐渐上升，2018 年NDVI 先呈上升趋势，到达一定峰值后，逐渐下降。SIF 随时间变化也逐渐上升，SIF 到达峰值的时间大约在7 月中旬，而NDVI 到达峰值的时间约在8 月中下旬，SIF 的最高值早于NDVI 的最高值，是由于处在植物生长后期，植被光合作用虽然大幅度减弱或者停止，但叶片的绿度不会马上反应这一状况，所以NDVI存在一定的滞后性，而SIF 会快速反应，显示植被生理变化状态，因此SIF 较NDVI 更加敏感。

相比反映植被绿度的植被指数，通过探测植被光合作用发射的荧光信号，快速、无损伤反映植被光合作用特征的叶绿素荧光，则成为了监测植被对光能利用情况的探针，同时也可以很好反映植被的生长状况［28］。

4 结论

呼伦贝尔地区以畜牧为主，由于干旱频繁发生，给当地的农畜牧业带来了非常严重的影响，成为该地区的经济发展和人类生活的重要障碍。有效的干旱监测和综合分析，对该地区的旱情治理和相关减灾措施制定有重要意义。

（1）通过MODIS 归一化植被指数（NDVI）和地表温度（LST）产品数据，建立Ts-NDVI 特征空间，计算温度植被干旱指数（TVDI），建立的干湿边拟合图像与理论模型有很好的一致性，说明该方法能有效适用该地区的干旱监测。

（2）通过干旱等级划分，能够直观的观察整个研究区干旱分布状况，对整体宏观调控有重要的现实意义，对于干旱分布较为严重地区可加大监测频率，对干旱程度较低的地区进行防旱操作，在整个研究区内抗旱防旱能同步进行，最大限度地减少损失。

（3）SIF 与NDVI 在时间尺度上变化过程的对比分析表明，SIF 对植被水分胁迫有很好的敏感性，可以更早的探测到水分胁迫过程。相比较SIF 的变化，NDVI 存在一定的滞后性，所以在建立温度植被干旱指数模型的同时，考虑SIF 的变化趋势，能更有效监测旱情发生发展过程。借助SIF 比NDVI 对植被生理变化更加敏感的特点，能够有效对可能发生的干旱进行监测，对干旱监测有重要指导意义。