基于改进型TVDI在干旱区旱情监测中的应用研究
陈丙寅 杨辽 陈曦 王伟胜
摘要
对modis数据进行投影转换、去云等预处理的基础上，利用地形校正对TVDI模型进行改进，构建了改进型的温度植被干旱指数（mTVDI）用于新疆干旱区旱情监测。
1 研究区概况及数据源
1.1研究区概况
新疆干旱区，是全球典型的干旱半干旱气候区。
1.2数据源与预处理
1.2.1遥感数据
主要采用MODIS数据产品、SRTM高程数据及TRMM降水数据。
1.2.2实测数据
实测土壤含水量数据来源于野外实测采样工作，共计50个样点
1.2.3数据预处理
MODIS数据产品需利用MRT工具对其进行几何校正、投影转换、格式转换、数据抽取等前期处理，再利用ArcGIS对研究区进行裁剪、波段运算合成等工作。SRTM数据需要利用ArcGIS进行裁剪、投影转换和重采样工作。TRMM数据需要进行裁剪、重采样和波段运算。
2研究方法
2.1植被指数
本文选取归一化植被指数NDVI和增强型植被指数EVI用来表示植被生长状况信息。具体公式：
NDVI= ( ρ2-ρ1) / (ρ2+ρ1) (2)
EVI=G[ (ρ2-ρ1) / (ρ2+C1×ρ1-C2×ρ3) +L] (3)
式中:ρ1, ρ2, ρ3分别对应MODIS的第1波段 (620～670 nm) , 第2波段 (841～876 nm) 和第3波段 (459～479 nm) 反射率。系数L为冠层背景调整参数, C1, C2为气溶胶电阻项系数, G为增益因子 [24]。
2.2TVDI原理
表示土壤湿度的温度植被干旱指数TVDI
式中:TS代表任意一点像元的地表温度值, TS (VI) max为干边拟合方程, TS (VI) min为湿边拟合方程, amax和bmax为干边线性拟合参数, amin和bmin为湿边线性拟合参数。VI在本文中表示NDVI和EVI。
2.3改进型TVDI的构建
2.3.1 mTVDI模型构建过程
TVDI作为一种水分胁迫指标, 通过LST和VI之间建立TS/VI特征空间来提取干湿边方程, 进而评估研究区的旱情状况。
本文对TVDI模型的改进：
（1）对遥感影像进行去云处理
（2）对地表温度数据（LST）进行地形校正。改进后的TVDI模型即为mTVDI。
2.3.2去云处理
现有的处理方式：（1）将受云覆盖的区域进行数据恢复, 消除云的影响;（2）另一种是检测云的存在, 利用掩膜进行去除, 不参与模型计算。
为了保证反演精度, 本文将有云的区域进行掩膜计算, 去除云对TVDI模型精度的影响。
2.3.3地形校正
本文利用数字高程数据对地表温度进行校正，以消除地形对大区域太阳辐射差异的影响
式中:T2 代表校正后的地表温度, T1代表原始地表温度, H为高程值, m为高程修正系数。
2.3.4干湿边提取
干湿边提取即利用植被指数数据与最大最小地表温度数据进行线性拟合获取干湿边方程。
本文利用R语言编程，自动提取干湿边。
3结果与分析
3.1模型计算与分析
3.1.1 TVDI计算结果对比分析
TVDI的取值范围为0～1, 当TVDI趋于1时颜色越深, 表示旱情愈加严重, 当TVDI趋于0时颜色越浅, 表示该地较为湿润。
本文使用四种TVDI模型计算2015年第177 d研究区旱情空间分布情况，四种模型均表现出一致的旱情分布特征。
3.1.2 TVDI与土壤湿度相关性比较
利用四种模型计算出的结果与6月份土壤实测数据进行相关性分析。得出与实测数据相关性最高，。相比其他模型表现出一定的优越性。因此本文选取它作为研究区旱情监测模型，对2015年干旱区植被生长季旱情进行监测。
3.2时空分布
根据图5：2016年新疆植被生长季旱情监测结果。分别从空间分布和时间分布上进行分析得出全省旱情相关结论。
3.3 TRMM降水数据与相关性分析
图6利用每月平均每小时降水数据乘以24解算得到平均每月每天降水量数据。
进一步探究新疆旱情与降水的关系，本文对4～10月mTVDIE结果与降水数据进行相关性分析。看出，生长季各月TVDI与降水之间存在负相关关系。
4结论
本文利用植被指数与改进后的地表温度数据构建了改进型的旱情监测模型mTVDI，对比分析四个模型指示旱情的优劣，选取最佳模型对2015年新疆干旱区植被生长季旱情进行时空分析并利用TRMM降水数据对其进行验证。
比较重要的结论：经过地形校正后的mTVDIE对干旱区旱情监测效果最好，与土壤实测数据相关性最高。