植被指数-地表温度特征空间研究及其在旱情监测中的应用

植被指数-地表温度特征空间已被应用于多方面的研究。本文从区域旱情监测的角度分析了该特征空间的生态学内涵，指出地表温度是地表蒸散的函数，推导出了温度蒸散旱情指数（TEDI）的计算方法。利用NOAA数据，以河北省南部平原为研究区域，分别计算出了温度植被旱情指数（TVDI）与温度蒸散旱情指数（TEDI），通过地面实测土壤相对湿度指数（SHI）验证，结果表明温度蒸散旱情指数（TEDI）可以更准确地反映下垫面的土壤墒情状况。     

大范围旱情遥感监测的分带计算

遥感技术在旱情监测中得到了广泛应用。针对常用的温度植被旱情指数法, 利用NOAA/AVHRR 数据, 分析了大范围旱情监测中下垫面因纬度、地形等因素造成的空间物候差异, 指出了旱情指数分带计算的必要性。通过分纬度计算, 提高了温度植被旱情指数法中旱边与湿边拟合方程的准确度, 与整体计算方法相比, 温度植被旱情指数与各层土壤相对湿度实测值的相关性均得到明显改善, 提高了大范围旱情遥感监测的准确性。     

基于ASTER数据黑河中游植被含水量反演研究

植被含水量是影响植物生长的主要限制因子之一,也是衡量植被生理状态和形态结构的重要参数。应用遥感技术定量估测植被含水量,对于农业旱情监测、作物产量估计和科学研究具有重要意义。基于2012年黑河生态水文遥感试验期间获得的6景ASTER遥感数据和同步观测的研究区生物量观测数据集,选取NDVI、RVI、SAVI和MSAVI 4种植被指数分别与单位面积内植被含水量的关系进行比较分析,建立了不同植被指数的植被含水量反演模型,并对反演结果进行了验证。研究结果表明:4种植被指数均与实测的植被含水量有较高的相关性(R20.846),利用MSAVI反演的植被含水量精度略优于其他3种指数,其均方根误差(RMSE)在0.794kg/m2内。模型较为可靠,可以为大范围获取植被含水量信息提供有效方法。     

基于TROPOMI叶绿素荧光遥感的冬小麦旱情监测

针对太阳诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence, SIF）可以有效指示陆表植被水分胁迫的特点,提出了归一化叶绿素荧光干旱指数（Normalized SIF Drought Index, NSDI）用于黄淮海地区冬小麦旱情监测。该方法首先基于哨兵-5p卫星（Sentinel-5p）对流层观测仪（Tropospheric Monitoring Instrument, TROPOMI）传感器反演得到的SIF原始产品集,通过0.1°等经纬步长栅格化处理为空间连续数据,然后基于时间序列分析进行了缺失值线性插补,再经过S-G滤波重建获得了高时空分辨率荧光数据集。以此数据集为基础,结合研究区冬小麦分布数据构建NSDI指数。通过选取典型旱情事件对比分析,NSDI指数与同期归一化植被指数（Normalized Difference Vegetation Index, NDVI）以及温度植被干旱指数（Temperature Vegetation Drought Index, TVDI）都有良好的相关性,其中与NDVI的R²为0.60,与TVDI的R²为0.41;NSDI指数与野外土壤水分调查结果也高度相关,其中河北样区R²为0.53,山东样区R²为0.54,整体R²为0.51;通过物联网监测数据分析显示,NSDI指数可以在优于2 d的滞后期内响应旱情的变化,其变化趋势与田间土壤水分保持高度相关。实验结果表明：NSDI指数可以在时空尺度上有效指示黄淮海地区冬小麦旱情。     

地形校正对叶面积指数遥感估算的影响

利用经过6S模型大气校正的地面反射率图像、数字地面高程数据以及改进的CIVCO地形校正模型,分别计算了褒河流域不同植被类型（阔叶林、针叶林和灌木林）的3类光谱植被指数（NDVI、SR和SAVI）,并建立了各个植被类型叶面积指数与同时相的各个植被指数的相关关系。结果表明,地形校正能有效地消除大部分的地形影响,显著地提高各植被指数与叶面积指数的相关关系;对于阴坡和阳坡来讲,阴坡较阳坡提高显著;对于不同的植被类型,针叶林和灌木较阔叶林提高较为显著;对于同一植被指数如SAVI,灌木提高较针叶林和阔叶林显著,说明地形校正对叶面积指数的遥感估算结果有很大的影响。因此在利用遥感数据定量估算叶面积指数时,尤其对于山区,不仅要进行地形校正,而且要针对不同的植被类型选择合适的植被指数进行估算。     

MODIS-TVDI指数监测新疆干旱动态

针对近年频发的干旱情况不能准确及时监测评估的问题,该文以新疆为研究区域,基于温度植被干旱指数方法,利用2007年到2012年3月~8月MODIS合成产品数据获取归一化植被指数和陆地地表温度,构建LST-NDVI特征空间,得到全区的温度植被干旱指数和旱情等级空间分布图,分析了新疆干旱变化趋势,验证了温度植被干旱指数和降水因子的关系。结果表明:2007年~2012年新疆的干旱面积逐年趋于平稳,空间上表现为南疆旱情高于北疆,春季旱情高于夏季,降水量是影响温度植被干旱指数的重要因子。该研究为政府部门对新疆旱情严重地区治理提供了有效数据保证。     

利用色调—亮度彩色分量的可见光植被指数

目的 无人机遥感具有高时效、高分辨率、低成本、操作简单等优势。但由于无人机通常只携带可见光传感器,无法计算由可见光-近红外波段组合所构造的植被指数。为解决这一问题,提出一种归一化色调亮度植被指数NHLVI （normalized hue and lightness vegetation index）。方法 通过分析HSL （hue-saturation-lightness）彩色空间模型,构建一种基于色调亮度的植被指数,将该植被指数以及其他常用的可见光植被指数,如归一化绿红差值指数NGRDI （normalized green-red difference index）、过绿指数ExG （excess green）、超绿超红差分指数ExGR （excess green minus excess red）等,分别与野外实测光谱数据和无人机多光谱数据的NDVI （normalized difference vegetation index）进行相关性比较;利用受试者工作特征曲线ROC （receiver operating characteristic curve）的特点确定阈值,并进行植被信息提取与分析。结果 NHLVI与NDVI相关性高（R²=0.776 8）,而其他可见光植被指数中,NGRDI与NDVI相关性较高（R²=0.687 4）;ROC曲线下面积大小作为评价不同植被指数区分植被与非植被的指标,NHLVI指数在ROC曲线下面积为0.777,小于NDVI （0.815）,但大于NGRDI （0.681）,区分植被与非植被能力较强。为进一步验证其精度,利用阈值法提取植被,NHLVI提取植被信息的总体精度为82.25%,高于NGRDI （79.75%）,尤其在植被稀疏区,NHLVI的提取结果优于NGRDI。结论 提出的归一化色调亮度植被指数,提取植被精度较高,适用于无人机可见光影像植被信息提取,为无人机可见光影像的应用提供了新方法。     

利用AMSR-E遥感数据反演地表温度——以2008年广东省春季寒害为例

基于2008年1月25日至2008年2月5日期间的AMSR-E/Aqua L2A微波亮度温度数据,以广东省为研究对象,依据微波极化差异指数（MPDI）、归一化植被指数（NDVI）和比率植被指数（RVI）等3种植被指数,将广东省地表植被覆盖情况分为裸地、草地、灌木林、针叶林和阔叶林等5种类型,利用逐步回归分析方法,建立了基于不同植被覆盖类型的微波亮度温度与地面气象温度多元回归模型。同步地面气象温度数据验证表明,本文建立的基于地表植被覆盖分类的多波段地表温度反演模型,地表温度反演精度基本可达到3.0℃,其中有大约86%的地区地表温度反演精度可以控制在2.5℃以内,为广东省作物寒害预测提供了微波遥感技术支持。     

基于ETM＋的北京西部山区乔木群落结构研究

利用遥感技术结合地面调查的方法对2008年春季北京西部山区乔木群落的多样性进行了研究。提取归一化植被指数（NDVI）,并计算NDVI随时间的变化率（△NDVI）;利用地面调查数据计算研究区的健康指数、Mar-galef丰富度指数、Shannon-Wiener多样性指数和Simpson多样性指数,并分析△NDVI、健康指数和多样性指数之间的关系。结果表明：（1）健康指数和多样性指数之间存在正相关关系,群落多样性指数越高,群落的整体健康状况越好。（2）△NDVI与健康指数之间呈正相关关系,健康指数越高的群落,单位时间内NDVI的增加值越大,植被群落的生长变化越明显。（3）△NDVI的高低可以代表区域植被的健康程度,反映区域植物群落的丰富度、多样性。△NDVI的值越高,植被群落的健康程度越好,植被群落的丰富度、多样性指数越高。本文的研究较好的将遥感技术和地面调查相结合,对△NDVI与群落植被健康程度、多样性指数进行了研究和验证,为以后研究植被群落多样性提供了一定的借鉴。     

仪征地区农田深层土壤湿度遥感反演初探

利用MODIS合成产品数据MOD11A2和MOD13A2获取的陆地表面温度(Ts)和归一化植被指数(NDVI)构建Ts/NDVI特征空间,依据该特征空间计算温度植被干旱指数(TVDI),进而反演了仪征地区不同季节的40 cm土壤相对湿度。使用野外同步实测数据进行验证,结果显示,总体平均相对误差为11.83%,2004年11月误差最小,为4.30%。遥感反演的仪征地区土壤湿度分布图表明该地区存在两个土壤湿度高值区,分别位于仪征南部的长江冲积平原和西北部的谷底平原地带,并且土壤平均相对湿度越大,其高值区与低值区之间的差异越小。     

遥感干旱指数在洛川苹果干旱监测中的适用性分析

目前对苹果干旱研究较少且主要运用站点数据,对空间信息表征有限,遥感干旱指数可用于大范围干旱时空动态监测,但在苹果干旱监测中的适用性还有待研究。基于2014~2018年MODIS反射率、地表温度以及地表覆被数据,结合土壤湿度数据和野外调查资料,分析洛川苹果区温度植被干旱指数（TVDI）、归一化植被水分指数（NDWI）、植被供水指数（VSWI）与10 cm深度土壤湿度（SM）的一致性,探索遥感干旱指标对土壤干湿状况表征能力,并进一步研究遥感干旱指标对干旱响应敏感时段。结果表明：①由增强型植被指数（EVI）计算的VSWI与SM的时空一致性最好,其在2014、2017年表现出的干旱特征与实际旱情相符;②VSWI（EVI）和TVDI（EVI）与SM的相关性分别高于VSWI（NDVI）和TVDI（NDVI）与SM的相关性,使用EVI能提高VSWI和TVDI对干旱的表征能力;③TVDI、NDWI、VSWI对SM存在不同时间的反应滞后,滞后3时相（24 d）的VSWI（EVI）与SM的相关性最高,而NDWI对SM滞后时间短,对干旱响应较及时,结合VSWI（EVI）和NDWI可能更有利于监测苹果干旱;④在不同苹果生育期,遥感指标对土壤湿度敏感性不同,VSWI在不同生育期敏感性差异最明显：新梢旺长期（5、6月）对土壤湿度敏感性高于萌芽开花期、果实膨大期、成熟期;该结果符合洛川县苹果不同生育期需水规律和洛川降水、干旱发生特征。研究结果可为遥感监测苹果干旱提供参考依据。     

A model for the estimation of fractional vegetation cover based on the relationship between vegetation and soil moisture

Based on surface temperature and the normalized difference vegetation index (NDVI), we calculated the temperature vegetation dryness index (TVDI). Using the relationship between TVDI and NDVI, we established a vegetation–soil moisture response model that captures the sensitivity of NDVI's response to changes in TVDI using a linear unmixing approach, and validated the model using Landsat Thematic Mapper (TM) images acquired in 1997, 2004 and 2006 and a Landsat Enhanced Thematic Mapper Plus (ETM+) image acquired in 2000. We determined the correlations between TVDI and field-measured soil moisture in 2006. TVDI was correlated significantly with soil moisture at depths of 0 to 10 cm and 10 to 20 cm, so TVDI can be used as an index that captures changes in soil moisture at these depths. By using fractional vegetation cover (FVC) data measured in the field to validate the estimated values, we estimated mean absolute errors of 0.043 and 0.137 for shrub and grassland vegetation coverage, respectively, demonstrating acceptable estimation accuracy. Based on these results, it is possible to estimate a region's FVC using the linear unmixing model. The results show bare land coverage values distributed similarly to TVDI values. In mountain areas, grassland coverage mostly ranged from 0.4 to 0.6. Shrub coverage mostly ranged from 0.4 to 0.6. Forest coverage was zero in most parts of the study area.     

基于改进温度植被干旱指数的农田土壤水分反演方法

基于植被指数 地表温度（VI Ts）特征空间的温度植被干旱指数（TVDI）被广泛应用于土壤水分监测,但TVDI为土壤水分相对值,而且利用散点图确定干湿边会造成很大的不确定性。基于能量平衡方程和TVDI,该文提出一种定量干湿边选取方法和改进的TVDI模型——定量温度植被指数（Temperature Vegetation Quantitative Index,TVQI）,以MODIS遥感数据为基础,实现了定量干湿边真实土壤水分的遥感估算。结果表明：TVQI估算结果与所观测土壤水分呈0.01水平显著相关,总体上的平均绝对误差小于0.02cm3/cm3,均方根误差RMSE小于0.035cm3/cm3;相对TVDI,TVQI克服了传统干边计算中对植被覆盖类型的限制,更能够准确反应土壤深度在0～10cm、10cm～20cm的土壤水分值,尤其与10cm～20cm土壤水分值更为贴近。     

基于LST-EVI特征空间的土壤水分含量反演

干旱是人类历史上的重大自然灾害之一,而土壤水分是干旱监测最重要的指标。利用遥感手段反演地表土壤水分,可以充分反映土壤水分的时空变化特征,适合进行大范围动态监测。研究基于Landsat TM数据,运用普适性单通道算法得到地表温度(LST,Land Surface Temperature),然后选用增强型植被指数(EVI,Enhanced Vegetation Index),构建了LST\|EVI特征空间,计算出温度植被干旱指数(TVDI,Temperature\|Vegetation Dryness Index)。在对实测土壤含水量数据和对应TVDI值进行回归分析的基础上,反演出2010年6月14日黄骅市自然地表20 cm深度处的体积含水量。结果表明:TVDI方法在该研究区是完全可行的,拟合精度较高;研究区自然地表土壤体积含水量分布差异明显,中等含水量地区面积最大,西南和部分北部地区含水量较低,而含水量高的区域主要分布在苇洼和沿海地区。     

A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status

A simplified land surface dryness index (Temperature–Vegetation Dryness Index, TVDI) based on an empirical parameterisation of the relationship between surface temperature (T_s) and vegetation index (NDVI) is suggested. The index is related to soil moisture and, in comparison to existing interpretations of the T_s/NDVI space, the index is conceptually and computationally straightforward. It is based on satellite derived information only, and the potential for operational application of the index is therefore large. The spatial pattern and temporal evolution in TVDI has been analysed using 37 NOAA-AVHRR images from 1990 covering part of the Ferlo region of northern, semiarid Senegal in West Africa. The spatial pattern in TVDI has been compared with simulations of soil moisture from a distributed hydrological model based on the MIKE SHE code. The spatial variation in TVDI reflects the variation in moisture on a finer scale than can be derived from the hydrological model in this case.     

The assessment of different vegetation indices for spatial disaggregating of thermal imagery over the humid agricultural region

ABSTRACT

Land surface temperature (LST) plays a significant role in surface water circulation and energy balance at both global and regional scales. Thermal disaggregation technique, which relies on vegetation indices, has been widely used due to its advantage in producing relatively high resolution LST data. However, the spatial enhancement of satellite LST using soil moisture delineated vegetation indices has not gained enough attention. Here we compared the performances of temperature vegetation dryness index (TVDI), normalized difference vegetation index (NDVI), and fractional vegetation coverage (FVC), in disaggregating LST over the humid agriculture region. The random forest (RF) regression was used to depict the relationship between LST and vegetation indices in implementing thermal disaggregating. To improve the model performance, we used the thin plate spline (TPS) approach to calibrate the RF residual estimation. Results suggested that the models based on TVDI performed better than those based on NDVI and FVC, with a reduced average root mean square error and mean absolute error of 0.20 K and 0.16 K, respectively. Moreover, based on the surface energy balance model, we found the surface evapotranspiration (ET) derived with the TVDI disaggregated LST as inputs achieved higher accuracy than those derived with NDVI and FVC disaggregated LST. It is indicated that TVDI, a soil moisture delineated vegetation indices, can improve the performance of LST enhancement and ET estimation over the humid agriculture region, when combining random forest regression and TPS calibration. This work is valuable for terrestrial hydrology related research.     

Estimating soil moisture using Temperature–Vegetation Dryness Index (TVDI) in the Huang-huai-hai (HHH) plain

Soil moisture is an important indicator to describe soil conditions, and can also provide information on crop water stress and yield estimation. The combination of vegetation index (VI) and land surface temperature (LST) can provide useful information on estimation soil moisture status at regional scale. In this paper, the Huang-huai-hai (HHH) plain, an important food production area in China was selected as the study area. The potential of Temperature–Vegetation Dryness Index (TVDI) from Moderate Resolution Imaging Spectroradiometer (MODIS) data in assessing soil moisture was investigated in this region. The 16-day composite MODIS Vegetation Index product (MOD13A2) and 8-day composite MODIS temperature product (MOD11A2) were used to calculate the TVDI. Correlation and regression analysis was carried out to relate the TVDI against in-situ soil moisture measurements data during the main growth stages of winter wheat/summer maize. The results show that a significantly negative relationship exists between the TVDI and in-situ measurements at different soil depths, but the relationship at 10–20 cm depth (R ²?=?0.43) is the closest. The spatial and temporal patterns in the TVDI were also analysed. The temporal evolution of the retrieved soil moisture was consistent with crop phenological development, and the spatial distribution of retrieved soil moisture accorded with the distribution of precipitation during the whole crop growing seasons. The TVDI index was shown to be feasible for monitoring the surface soil moisture dynamically during the crop growing seasons in the HHH plain.     

植被类型对温度植被干旱指数(TVDI)的影响研究-以黑河绿洲区为例

温度植被干旱指数（TVDI）是进行干旱研究的有效指标，是反演土壤湿度的重要方法。植被覆盖类型是影响TVDI大小的重要因素。利用修正的土壤调整植被指数MSAVI替换NDVI，以便最小化土壤背景影响和提高对密植被的光谱敏感性，并在此基础上，比较基于植被分类计算的TVDI与基于传统方法计算的TVDI的大小，来研究植被类型对TVDI提取结果的影响。对比分析表明，阔叶林、灌丛和密草地的平均值与传统方法计算的差别较大，变化分别是+7.2%、-5.5%和-6.6%，产生平均值偏移主要是由于植被类型的冠层结构和光学属性的差异带来的LST-MSAVI空间特征干湿边的变化引起的。因此，在应用TVDI指数进行大范围干旱化研究和土壤湿度反演时，不同植被类型不能一起作LST-MSAVI空间特征来计算TVDI指数，需要考虑植被类型等影响因素，达到提高土壤湿度反演精度的目的。