垂直干旱指数设计外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

垂直干旱指数设计

摘要：本文采用近红外和红光波段反射率，设计了一种简单有效的干旱监测方法。首先，利用经过大气校正和几何校正ETM 数据建立NIR-Red光谱反射率二维图，其散点图表现为三角形形状，并且不同地面目标在图上遵循一定的空间分布规则。其次，垂直干旱指数（PDI）是基于NIR-Red空间湿度分布特征所建立，同时，PDI和土壤湿度的关系已经得到证实。验证工作包括：PDI和研究区域的实测干旱指数数据比较，研究区域包括不同土壤深度的土壤含水量，土壤湿度和萎蔫系数等；PDI和其他干旱监测方法比较，例如LST/NDVI和植被温度状态指数（VTCI）。从结果可以看出，PDI和地面实测干旱数据，LST/NDVI和VTCI变化趋势一致。PDI和0-20cm的土壤湿度实测值高度相关，相关系数达到0.49。本文得出PDI在干旱遥感监测中可以作为一种简单有效的监测方法。

关键词：NIR-Red光谱空间 垂直干旱指数（PDI） 干旱监测

1. 引言

干旱可能是慢性的，潜在的，长期和异常缺水的自然灾害。在过去几十年中，建立了多种干旱监测模型，例如帕尔默干旱指数（PDSI）（Palmer 1965），降水异常指数（RAI）（van Rooy 1965），作物水分指数（Palmer 1968），Bhalme-Mooley指数（BMDI）（Bhalme和Mooley 1980），NOAA干旱指数（NDI）（Strommen et al.1980），地表水分供应指数（Shafer and Dezman 1982），标准化异常指数（Katz和Glantz 1986），标准化降水指数（SPI）（McKeeet al.1993），归一化差异植被指数（NDVI）植被条件指数（VCI）（Kogan 1995a）和温度条件指数（TCI）（Kogan 1995b）。 Su et al.（2003）总结了这些基于气象的指标的方法（例如，标准化降水指数），基于过程的指数（例如,蒸发分数，EF）和基于卫星的指数（例如,植被指数）。其中一些是源于气候因素，与地表水分和作物条件不太相关，而另外一些只考虑单一地表因素，如土壤水分，忽略了植被水分需求，相同的输入参数，可能会得到完全不同的结果。

干旱可能会改变地表生物物理因素，比如NDVI，反射率和地表温度，进而影响地表辐射，热量和水分平衡。一般来说，假设其他因素稳定，随着干旱的发展，NDVI降低，反照率和地表温度升高，土壤水分减少。这些参数的组合可能为定量检测干旱的空间和时间分布提供有效的方法。 LST和NDVI可以提供关于植被和地表水分的信息。Goward and Hope(1989) and Price (1990)发现了LST-NDVI特征空间。此后，LST-NDVI特征空间已经到了广泛应用于地表分类，土壤水分监测，燃料含水量估计和地表能量通量（Carlson and Sanchez-Azofeifa 1999; Carlson and Arthur 2000; Chuvieco et al.2004, Gillies and Carlson 1995; Gillies et al. 1997;Goetz 1997; Han et al. 2005; Lambin and Rhrlich 1996;Nemani and Running 1989; Ridd 1995; Owen et al.1998; Wan et al. 2004)。用整个短波反射率数据计算的地表宽波段反照率，是比任何其他通过有限波段反射率的组合获得指标更有说服力的指标。Ghulam等（2004a）试图用LST-NDVI空间的反照率替代LST，用宽波段反照率和NDVI散点图，最近的植被条件反照率干旱指数（VCADI）（Ghulam 2006），探索了干旱条件。但是，由于LST-NDVI空间中像素的位置是受到许多因素的影响，在相同的大气和表面水分条件下，地表类型可能有不同的LST/NDVI斜率和截距（Sandholtet al.2002）。另外，一些传感器如TM/ETM ，MODIS的不同空间分辨率的可见光，红外和热红外波段数据并不相同;更多有用的信息将被作为光谱采样的结果丢失，而这些信息本应该使用NDVI和LST产品建立光谱空间。然后，地表反照率和LST的反演包含很多不确定性，是由于卫星数据的大气校正，混合像元分解，双向反射分布函数（BRDF）建模和窄带频谱向宽带转换所产生（Liang 2003; Pokrovsky and 2002年Roujean Zhao et al. 2000）。因此，提取和量化干旱信息的错误将被放大。此外，当研究焦点必须是实时干旱监测而不是滞后的时候，NDVI，LST和反照率是干旱的后示指标。

本文的主要目的是构建一种新的干旱监测方法—从NIR-Red光谱反射率空间获得的垂直干旱指数（PDI）。PDI由获取的数据验证，而PDI和干旱指数如LST-NDVI，albedo-NDVI，VTCI之间的关系也被采用。

1. 试验区和数据收集

Landsat ETM 数据是2001年4月17日在中国北京注册，并在论文中使用。中国北京的顺义遥感实验场（E 116°26′-117？E，N 40°-40°21′）被选为研究区（图1）。四个核心测试站点（标记为C1-C5）被称为中心站点，西北地区（标记为NW1-NW5），东北部地区（标示NE1-NE5）和东南部场地（标记为SE1-SE5）依据分层采样方案设计，为了覆盖不同的地表条件。每个站点由五个抽样地区选定，对应于不同干旱和种植条件的裸地和冬小麦农田。在NW1，NW2，NW3，NW4，NW5的田地上西北试验场，分别对应正常浇水和施肥的裸土，缺水，浇水过多，肥料不足，施肥过多的农田，用CNC-503DR智能水收集中子仪和称重干燥方法收集5,10,20,40,60和100cm不同土壤深度的土壤水分数据。在这些区域共25个地面测量图；2001年4月17日和卫星过境的时间之际，在NW1，NW2，NW3部署了6个地块，在NW4，NW5部署了9个地块。在称重烘干方法中，土壤含水量（％）的计算是用1000克含水地球样本除以对应的干燥地球样品，然后乘以100。

1. 方法

近红外光谱空间的基本理论和光谱特征可以在Richardson和Wiegand（1977）的早期工作或者Zhan和Ghulam（2006）等人最近的报告中找到。植被层状组织强烈吸收蓝色，紫色和红色波长的入射辐射，并集中反映近红外（NIR）光谱波段。厚植被密度越，红色反射率越小，NIR反射率越高。由于红色波段的吸收很快饱和，只有近红外区域反射率的增加才能反映植被的增加。 然后，从红光到近红外光谱区，裸土的反射率高，但缓慢增加。 然而，由于水吸收最强烈，随着土壤水分的增加，特别是在近红外区域，裸露的土壤反射率明显减少。因此，任何可以加强NIR和Red之间的差异的数学运算可用于描述植被，地表干旱状况，并从植被中提取土壤信息。 植被指数如RVI，DVI和NDVI等都是基于这一理论。

覆盖北京顺义区的子图，是遥感实验领域项目，也是几何校正后的子集。数字（DN）被转换为频谱辐射和顶部的大气（TOA）反射率。随后，可见光和近红外波段用6S模型（Vermote et al，1997）大气校正，热红外波段用Modtran4大气校正，进而消除大气扰动，获得反射率和地表温度。考虑地表目标的光谱特征和ETM 光谱特征，采用ETM 3波段（红，630-690nm）和4波段（NIR，780-900nm）构建NIR—Red光谱空间。大气校正的近红外，红光反射率光谱散点图表现出典型的三角形形状（图2），这与以前的LST-NDVI光谱空间不同。不同的土地覆盖类型在NIR-Red中表现出一定的分布光谱空间。不仅可以描述植被覆盖，也可以在空间上定量表征地表干旱严重程度。

从图2可以看出，植被的空间分布特征与Richardson and Wiegand（1977）研究相似。这里，AD表示地表植被的变化从全覆盖（A）和部分覆盖（E）到裸土（D），而BC则指湿地的土壤水分状况（B），半干旱地表至极度干旱地表（C）。可以看出，BC显示的方向干旱严重。地表光谱，土地覆被和地表干旱状况之间有密切但复杂的关系。以LST-NDVI和albedo-NDVI空间为基础的干旱监测方法由于反照率和LST的反演代价高并且问题众多，这鼓励了作者建立了简单有效的近红外-红光谱反射率为基础的干旱监测指数。

土壤线由水分变化明显的非植被像元的光谱特征组成。图2不难看出，干旱严重程度从B到C逐渐升高，并达到高峰C.在这里BC代表研究区的土壤线，假设土壤线的数学表达式可以用下式表示。

这里，，分别是指大气校正后的NIR波段和红波段的反射率，而M是土壤线的斜率，I是纵轴截距。

直线L通过坐标原点，垂直于土壤线，如图3。因此，对于一条线的功能，L可以从土壤线表达式数学拟定。

对于裸土，在NIR-Red的反射空间，点到线L距离代表非植被地表的干旱严重程度。随着植被和土壤水分的增加，图像沿着垂直于土壤线的方向向上移动，同时沿着平行于土壤线的方向向上移动，并与L线正交。对于植被地表，从L到NIR-Red光谱空间中点的距离可能表示混合像元的干旱严重程度。也就是说，距离越远，干旱越严重，土壤水分越少，反之亦然。因此，可以使用点到线的数学​​表达式表征干旱程度。在近红外-红光反射率空间选取一个像元E（Rred，RNIR），从E到L的垂直距离（PDI）可以写成如下：

对于一个黑体，距离是最小的，值几乎等于零，它正好位于坐标原点。对于其他目标，具有一定的反射率和较高的含水量，目标的位置比较靠近坐标原点。一般来说，靠近线L的物体总是水体或极度的潮湿地区，而距离L的最远的地区代表干旱区。在这种情况下，干旱值无限接近1。

经过大气校正研究区域的NIR和Red反射率数据得到土壤线方程，计算得到M = 1.40426，I = -0.0703。将M引入到公式（3）中，即PDI的最终方程式，可以写成

1. 结果和讨论
2. PDI验证

从实地测量得到的综合干旱指数（K）用于验证PDI。 K可以表示如下（Zhan et al，1999）。

这里，W（％）是有效土壤水分; Wh（％）表示区域水分容量; 而Wp则指萎蔫系数。 当作物获得足够的水时，没有干旱发生，这里K = 0。如果W = Wp，有效土壤水分等于零，作物不能从土壤中吸收任何水而倾向于死亡; 这次，因此，可以看出，K可以很好代表农田的干旱数据。

那么，卫星监测土壤水分的有效深度是什么？ 与PDI进行比较时， K的计算应考虑什么深度的测量数据？ Ghulam等（2004b）认为可见光和近红外光谱数据与10厘米土壤深度的土壤水分密切相关。使用25个控制点收集的原位数据，K5，K10，K10，K0-20是在5,10,20 cm获得的土壤水分数据，根据公式5计算的平均值为0〜20cm。由于ETM 数据的高空间分辨率，表示地面控制点的像元可以通过那些地块的纬度和经度轻松识别。因此，根据方程4，使用大气校正光谱反射率数据计算PDI。 PDI，K可以归一化0到1之间，因为K值可能大于1的那些地方地面测量的土壤水分大于田间水分容量。比较结果如图4所示，表明PDI和K高度相关。在这之中， PDI和K0-20相关性最强（R2 = 0.49），接下来是K10，而最糟糕的是K5。地面测量智能水中子表面含水量（CNC-503DR），特别是0-5厘米土壤深度，受地面风速等影响条件，与K10，K20和K0-20相比，PDI和K5之间的相关性相对较差是正常的。

1. 几个干旱指数比较

随着干旱的发生，地表植被覆盖可能被破坏; 进一步，它会导致地表反射率和热通量的升高。Ergo，干旱过程不仅表现为植被覆盖度和生物量恶化，也体现为能源和水循环的失调以及地表温度和土壤湿度的变化。 这些变化可以直接反映在LST—NDVI，albedo—NDVI光谱空间。 他们是经常用于土地覆盖分类，区域干旱监测（Price 1990; Gillies and Carlson 1995; Su et al. 2003, Ghulam et al. 2004a; Wang et al.2005)。这里，PDI与LST—NDVI的斜率， albedo—NDVI和Wang等的植被温度条件指数（VTCI）的比较也可以得到。

经过几何和大气校正后，LST可以采用ETM 热红外数据，根据Qin等（2001）公式得到，数据重采样到30米。解析度。地面宽带反照率可以采用可见光和近红外波段数据，根据Zhao等提供的方法 （2000）进行估计。通过LST/NDVI，albedo/NDVI的实行，

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25268]，资料为PDF文档或Word文档，PDF文档可免费转换为Word