使用温度植被干旱指数法(TVDI)反演新疆土壤湿度

利用MODIS合成产品数据MOD11A2和MOD13A2获取的归一化植被指数(NDVI)和陆地表面温度(Ts)构建Ts—NDVI特征空间，依据该特征空间计算的温度植被干旱指数(TVDI)作为土壤湿度监测指标，反演了新疆8、9两个月份每16d的土壤湿度。使用野外与卫星同步采样的土壤湿度数据进行验证，发现TVDI指标与实测土壤湿度数据显著相关，能够较好地反映表层土壤湿度，反映的新疆土壤湿度的空间分布与新疆的年降水量分布、年平均相对湿度分布很吻合；同时表明8、9两个月份期间新疆土壤湿度低的区域在不断扩大。     

利用温度植被干旱指数反演三峡库区土壤水分

土壤水分是监测土地退化的一个重要指标,是气候、水文、生态、农业等领域的主要参数,在地表与大气界面的水分和能量交换中起重要作用。传统的监测土壤水分的方法只能得到单点的数据,很难获得大范围地区的土壤湿度。遥感能够快速方便地获取大区域的地表信息,因此使用遥感监测土壤水分意义重大。主要利用了温度指标干旱指数对三峡库区进行土壤水分反演及其验证。利用TM6波段的亮温方程,计算得出地表温度（Ts）,以TM3、TM4波段计算得出归一化植被指数（NDVI）;把Ts和NDVI作为基本参数,根据Ts-NDVI特征空间的形状,取中间范围的NDVI,拟合干湿边方程,确定干湿边参数;根据温度植被干旱指数（TVDI）进行土壤湿度等级划分。结果表明,利用TVDI可以很好地反演出地表的土壤湿度信息。     

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。     

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。     

温度植被旱情指数在吉林省干旱监测中的应用

遥感技术在干旱监测中具有其他技术不可替代的优势。利用2005年8~9月的MODIS产品,获取逐日地表温度数据和逐日植被指数数据,建立了LST\|NDVI特征空间,根据此特征空间建模,计算得出温度植被干旱指数作为表征干旱的监测指标,并结合2005年土壤湿度数据对该指标进行定量验证。在此基础上利用ArcGIS软件分析了2005年8~9月吉林省干旱时空分布特征。结果表明：吉林省干旱总体分布趋势从东南到西北呈现出湿润到正常-轻旱-中旱-重旱的变化规律,体现出吉林省旱情的多样性和复杂性,8月19日、8月25日、9月8日正常和轻旱分布区域面积所占总区域面积比例分别为26.84%和59.53%、41.31%和41.73%、40.40%和32.83%,9月中旬轻旱和中旱分布最广,其比例分别为38.27%和36.26%;重旱和中旱分布区主要位于白城和松原市,轻旱区主要分布在长春、四平和辽源市,正常分布区集中在吉林、通化和白山市境内,湿润分布区主要分布在延边市。     

TVDI在冬小麦春季干旱监测中的应用

应用冬小麦春季生长期的NOAA/AVHRR资料,反演归一化植被指数（NDVI）、土壤调整植被指数（SAVI）和下垫面温度（T_s）,分析了植被指数和下垫面温度空间特征,采用温度植被旱情指数（TVDI）,研究了河北省2005年3~5月的冬小麦旱情状况。结果表明：基于SAVI的温度植被旱情指数与土壤表层相对湿度的相关性好于基于NDVI的温度植被旱情指数。通过与气象站土壤水分观测资料进行相关性分析,表明温度植被旱情指数与10 cm土壤相对湿度关系最好,20 cm次之,50 cm较差。因此,基于SAVI的温度植被旱情指数更适于监测冬小麦春季的旱情。     

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。     

基于表层水分含量指数(SWCI)的土壤干旱遥感监测

土壤湿度和植被生长状况是干旱最重要和最直接的指标,对植被和土壤光谱特征的解译是进行旱情程度判断的重要因子。近期,基于水的光谱反射特性,提出的地表含水量指数(SWCI) 模型能较好地反映地表的含水量值及其变化,可用于大范围的快速的浅层土壤墒情遥感监测。通过与NDVI对比分析发现, 在对浅层(0~50 cm)土壤水分进行监测时,SWCI 比NDVI 更为敏感,这有助于在实时干旱动态监测中更好地采用不同的指数以提高监测精度。     

基于AMSR-E的微波温度植被干旱指数的应用

以热带常绿阔叶林为主的亚马逊流域在全球气候变化的背景下频繁遭受干旱胁迫。但是对于该地区实施长时间序列的干旱监测一直是难点和热点。基于Liu等2017年提出的微波温度—植被干旱指数（Microwave Temperature-Vegetation Drought Index,MTVDI）,对亚马逊流域进行了2003—2008年长时间序列的干旱监测,并采用饱和水汽压差（Vapor Pressure Deficit, VPD）、帕尔默干旱指数（Palmer Drought Severity Index, PDSI）、陆地地下水储量（Terrestrial Water Storage, TWS）、气象水分亏缺（Climatological Water Deficit, CWD）对MTVDI进行验证。结果表明：对于整个研究区而言,MTVDI与VPD （R=0.72）和CWD （R=-0.57）相关性较显著,但与TWS和PDSI相关性较弱。总体上,MTVDI能够较好地反映亚马逊地区干旱的季节动态。     

基于Landsat影像和不规则梯形方法遥感反演延安城市森林表层土壤水分

反演模型对土壤水分评估结果有重要影响,基于此,以黄土沟壑区城市森林表层土壤为研究对象,以3期Landsat影像和实地土壤水分传感器测定数据为数据源,分别通过像元在二维空间（LST-NDVI与STR-NDVI,LST为地表温度,NDVI为归一化植被指数,STR为短波红外转换反射系数）中的散点图及其拟合的干燥边界与湿润边界,获取TOTRAM（热学—光学不规则梯形模型）和OPTRAM（光学不规则梯形模型）的参数,然后在像素水平上（30 m×30 m）反演出延安城市森林表层土壤水分（W）,验证两模型的精度,并比较两模型估算结果的差异及线性边界与非线性边界对反演结果的影响。结果发现：①除OPTRAM 模型在Landsat 7和Landsat 8上干湿边界呈现非线性外,像素在LST-NDVI空间和STR—NDVI空间中的干湿边界均呈线性,且包络成不规则梯形形状;②与实地测定数据相比,TOTRAM与OPTRAM两模型的平均误差（ME）分别为0.009和0.0455,表明两模型估算结果均偏高,但OPTRAM模型的均方根误差（RMSE）较TOTRAM模型更接近0。OPTRAM模型估算的W值均匀地分布在1∶1参考线两侧,且位于参考线上的点数多于TOTRAM模型,表明OPTRAM准确度高于TOTRAM模型,且非线性边界的反演精度高于线性边界;③与TOTRAM模型相比,OPTRAM模型估算出的W空间分异规律与土地利用/覆被类型具有较高的相关性,且OPTRAM模型对植被覆盖度极低的区域敏感。因此,在后续研究中,应在OPTRAM模型中探讨干湿边界复杂性与模型准确性改善之间的关系,同时考虑周围环境、降雨量、森林干扰和NDVI饱和等因素对两模型估算准确性的影响。     

DisTrad热像元分解模型运用于高植被覆盖区的问题及改进

验证了DisTrad热像元分解模型在华南地区的可行性,发现在高植被覆盖区,由于生物量高,NDVI(Normalized Difference Vegetation Index)指数已接近饱和,在热像元分解时敏感性差。提出用EVI(Enhanced Vegetation Index)指数来代替DisTrad模型中的NDVI参数进行热像元分解。通过华南地区MODIS高分辨率EVI及NDVI资料(250 m)与地表温度(LST)的关系,获得了高分辨率(250 m)LST图像,并利用同步ASTER高分辨率LST图像(90 m)进行了验证。结果表明:即使在NDVI指数已接近饱和的高生物量地区,EVI指数仍然保持较高的敏感度,在高植被覆盖区(如华南地区)用EVI代替DisTrad模型中的NDVI指数能够减少运算量,并能获得更好的热像元分解结果。     

基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究

微波传感器获得的土壤水分产品空间分辨率一般都很粗,而流域尺度上的研究需要中高分辨率的土壤水分数据。用MODIS逐日地表温度产品MOD11A1和逐日地表反射率产品MOD09GA构建温度-植被指数特征空间,并计算得到TVDI(Temperature Vegetation Dryness Index)指数,它与土壤水分呈负相关关系,能够反映土壤水分的空间分布模式,但并不是真实的土壤水分值。在AMSR-E像元尺度上求得TVDI与土壤水分的负相关系数,进而对VUA AMSR-E土壤水分产品进行降尺度计算得到0.01°分辨率的真实土壤水分值。经NAFE06(The National Airborne Field Experiment 2006)试验地面采样数据验证,降尺度后的土壤水分均方根误差平均值为6.1%。     

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MODIS数据的森林可燃物分类方法——以黑龙江省为实验区

森林可燃物是森林燃烧环理论中的重要三要素之一,它是森林火灾发生的内因,对于火险等级预报、火行为预报、火灾扑救等森林防火工作具有重要意义。介绍了基于MODIS数据与GIS技术相结合的森林可燃物分类方法。在研究中,以黑龙江省为实验区,利用多时相的MODIS数据生成实验区16天的最大归一化植被指数后,通过主成分分析,采用非监督分类与监督分类相结合的方法,并在GIS技术的支持下,完成了实验区内的森林可燃物的分类,为进一步获得适合全国的利用现代高新技术的森林可燃物分类方法打下了坚实基础。     

利用植被覆盖度-地表温度特征空间提取厦门市土壤湿度信息

土壤湿度是水文学、气象学以及农业科学研究领域的一个重要参数。利用1989年和1996年两个时相Landsat TM遥感卫星影像来获取厦门的植被覆盖度和地表温度,并由此构建了植被覆盖度和地表温度组成的特征空间,最后利用该特征空间反演了土壤湿度,并分析湿度在两个时相中的变化情况。结果显示,在所研究的时间段内,厦门西南老城区的湿度得到增加。但是在东北部城市建成区扩展的地区,土壤湿度则明显降低。     

基于分区和多时相遥感数据的山区植被分类研究

山区地形的特殊性导致了山区植被分类的复杂性。位于不同光照区域的同种植被,其光谱亮度值具有较大差异,分区使分类规则及阈值的设计更具针对性。多时相遥感数据能够充分利用不同植被类型间光谱特征时间效应。基于此提出了利用分区和多时相遥感数据进行山区植被的分类研究。研究表明,该方法在山区植被分类中具有明显的技术优势,分类总体精度和kappa系数分别为81.3%和0.72。     

Correction of the Soil Adjusted Factors of Vegetation Indices for Monitoring Rice Leaf Index Zrea

The vegetation indices that take the soil adjustment factor into consideration can reduce the influence of soil background conditions and have been widely used in monitoring all kinds of vegetation.However,the rice has been planted in the soil covered by a certain thickness of layer of water,which is different with other various soil backgrounds.Therefore,in this paper,through two years of rice plot experiments,we obtained the rice canopy spectral data and the corresponding leaf area index (LAI) data,and then calculated a series of vegetation indices (EVI,SAVI,WDVI) by using different soil adjustment factors changing within a certain range.We compared the abilities of these vegetation indices for rice LAI estimation,and then determine the optimum soil adjustment factors of vegetation indices to adjust the background of rice.In the study,we found that the best soil adjustment factor L for EVI,L of SAVI,a of WDVI are 0.25,0.10 and 1.25 respectively,and we further compared the LAI estimation results of the best soil adjustment factor with those of the conventional soil adjustment factor.For the model taking EVI as an independent variable,the RMSE of LAI estimation using the best soil adjustment factor is 6.82 % lower than that using the conventional soil adjustment factor;In SAVI model,the RMSE using the best soil adjustment factor is 10.23% lower than that using the conventional soil adjustment factor .These results indicate that the corrected vegetation indices considering the background of rice can improve the accuracy of rice leaf area index using remotely sensed data.     

基于多源信息融合的土壤含水量估算

遥感信息在大面积土壤水分监测中具有不可替代的优势。通过对试验区域的气象数据、土壤类型数据、土壤和水体的光谱特征曲线、多时相遥感影像数据等进行预处理,提取图像信息和属性数据,并对土地利用类型和植被覆盖度进行划分。基于土壤的光谱响应机制建立像元反射光谱信息分解模型,以此计算出该区域土壤容积含水率。结果表明该方法对于低植被区的监测精度较高(理论精度89.78%),可作为土壤水分监测预警的依据。     

基于遥感数据的流域土壤侵蚀强度快速估测方法

以北京延庆县境内的妫水河流域为例, 提出了一种基于遥感数据的土壤侵蚀强度快速估测方法。首先, 利用遥感数据和植被指数模型提取流域内土地利用类型信息和植被覆盖度信息; 其次, 利用数字高程模型数据生成坡度图; 然后, 结合土壤侵蚀强度分级指标, 将坡度图与土地类型图、植被覆盖度图空间叠加, 判断和计算侵蚀强度等级, 结果获得了流域土壤侵蚀强度等级图; 最后, 计算了流域的年平均侵蚀模数。结果表明, 妫水河流域的土壤侵蚀以微度和轻度为主, 所占面积比例为74.88% , 极度和剧烈侵蚀很少, 不到总面积的2%。整个流域的年侵蚀模数估计为1 74611/ km ²·a。