王晓娜 周学军 周俊利
（1.河南省遥感院，河南 郑州 450003；
2.河南省自然资源卫星遥感科技创新中心，河南 郑州 450003；
3.河南省地理信息院，河南 郑州 450003）
干旱是自然灾害中的重要灾害类型之一，每年都会造成大量的经济损失以及生态破坏，伴随旱灾的灾害类型多种多样，如火灾、虫灾等，对农作物、林地、草地等植被造成严重损坏[1]。目前，针对干旱的监测，多为事后监测，如干旱发生后进行的旱情等级及范围划分，仍然不能进行旱情刚发生时的实时监测。传统的干旱监测是用稀疏散点上的土壤水分含量数据来监测干旱的程度和范围，其代表性差，无法实现大范围干旱灾害的动态监测[2]。
遥感技术作为一门新兴的高科技，可达到非接触、远距离探测的目的，根据遥感技术的特点，选用卫星影像进行地表旱情监测，可替代传统的干旱监测手段，实现大范围干旱实时监测[3-5]。基于遥感数据监测干旱的常用方法有：基于植被指数的遥感监测方法，如距平植被指数、条件植被指数；
基于温度的遥感监测方法，如条件温度指数、表观热惯量法等。然而，在应用遥感手段进行旱情监测时，如果单独以遥感获得的陆面温度作为指标，在植被覆盖不完全条件下，较高的土壤背景温度会严重干扰旱情信息。为了消除土壤背景的影响，有必要利用光谱植被指数和陆面温度的复合信息来评价区域旱情。目前应用较多的干旱遥感监测方法多为基于归一化植被指数NDVI 与陆面地表温度LST 构建的温度植被旱情指数（Temperature/Vegetation Drought Index，TVDI），通过分析TVDI的时空分布与变化，从而判定干旱的发生情况及变化趋势[6-10]。TVDI 既考虑了区域内NDVI 的变化，又考虑了在NDVI 值相同条件下LST 的变化[11-15]。因此利用温度植被旱情指数法开展区域旱情研究具有较大优势。而MODIS 遥感数据作为新的数据源具备较好的光谱分辨率、时间分辨率和空间分辨率，价格便宜，且在大面积旱情监测方面具有很大优势。河南省干旱主要发生在夏季，本研究选用2022 年6 月至8 月MODIS数据的NDVI 产品与LST 产品进行旱情指数反演，以此达到监测河南省旱情的发生及变化趋势。
2.1 研究区介绍
河 南 省 位 于 北 纬31°23′～36°22′，东 经110 °21 ′～116 °39 ′， 东接安徽、山东，北接河北、山西，西连陕西，南临湖北。地势西高东低，北、西、南三面由太行山、伏牛山、桐柏山、大别山沿省界呈半环形分布（如图1 所示），中、东部为黄淮海冲积平原，西南部为南阳盆地。河南大部分地处暖温带，南部跨亚热带，属北亚热带向暖温带过渡的大陆性季风气候区，自东向西由平原向丘陵山地过渡，具有四季分明、雨热同期、复杂多样和气象灾害频繁的气候特点。河南省是中国的粮仓，为全国第二大粮食主产省份。河南省属于典型的温带大陆性气候，南部秦岭横贯南阳、信阳地区，使得南部地区的秋冬阴冷隔绝在秦岭南端，河南省全年降雨集中在夏季，且降雨充沛，适合植被生长，故而河南省的植被覆盖情况较好，如西部、南部山地植被指数常年保持在0.4 以上。干旱是河南省发生频率高、影响范围大、持续时间长、成灾程度严重的农业气象灾害，主要有春旱、夏旱和秋旱。在少数年份河南省夏季降雨异常稀少，同时夏季持续高温会造成夏季干旱的蔓延，加剧干旱程度，故挑选6 月、7 月、8 月三个时期作为干旱监测时间节点。
图1 河南省示意图
2.2 原理介绍
本研究选用MODIS 数据的NDVI 与LST 产品，先对两种数据进行重投影、格式转换，对温度数据进行最大值合成，再对这两种数据进行裁剪等处理，最终将两种数据构建特征空间，并计算干湿边，生成TVDI 图。TVDI 由植被指数和地表温度计算得到，公式如下：
公式中：Ts为任意像元的地表温度；
Ts,min、Ts,max分别为最低温度和最高温度；
Ts,min、Ts,max可以通过线性回归分析提取干湿边获取，a1、a2、b1、b2分别为待定系数。
研究主要应用RS 和GIS 技术，以MODIS-NDVI 和MODIS-LST 数据产品为基础，构建温度旱情指数特征空间，计算干湿边方程的拟合生成TVDI 图，分析研究区干旱时空格局。该研究的过程框架主要包括：数据预处理、干湿边方程式构建和干旱监测，如图2 所示。
图2 干旱监测流程
3.1 数据来源及预处理
2022 年6 ～8 月 遥 感 影 像MOD11C3、MOD13A3，均来源于美国国家航空航天局（NASA）（https://ladsweb.modaps.eosdis.nasa.gov/）。其中，MOD11C3中有月合成的LST，分辨率为0.05°×0.05°；
MOD13A3有月合成的NDVI，分辨率为1km；
借助软件将HDF 格式转换为GeoTiff 格式，将SIN 投影转为WGS1984/Geographic 经纬坐标系，并进行镶嵌和裁剪。根据网站提供的数据使用说明，剔除数据中的无效值并还原真实值，获得研究区LST、NDVI 数据集。
3.2 方程式构建
综合考虑NDVI 的变化及在NDVI 值相同条件下LST 的变化，NDVI-LST 空间特征中含有较多等值线，获取任意像元地表温度，及其NDVI 为某一特定值时对应的最小LST 和最大LST，即“干边”和“湿边”。经过解算，获取a1、b1和a2、b2“干边”和“湿边”的拟合系数。通过公式（1）计算TVDI。
3.3 干旱监测
通过构建6 月、7 月、8 月三个时期TVDI 的特征空间与干湿边方程，反演得到TVDI 旱情指数，生成TVDI 指数空间分布图，TVDI 空间分布图反映河南省三个时期的干旱情况，将旱情指数空间特征情况与河南省气象站获取的气象数据进行实地旱情精度验证。
4.1 曲线拟合
选择2022年6月、7月、8月三个时期的MODIS产品，通过TVDI 计算公式，带入植被指数产品NDVI、温度产品LST，进行特征空间构建以及逐像元的干湿边拟合方程计算。通过计算，三个时期的TVDI 特征空间与干湿边方程分别如图3（a）、图3（b）、图3（c）所示，由图可知 ：7 月的干湿边方程及特征空间整体优于6 月与8 月TVDI 的特征空间与干湿边方程 ；
6 月的TVDI 干湿边在0.8 左右有交叉现象，该现象直接体现了NDVI 指数在植被高覆盖地区的过饱和现象。整体来说，在特征空间构建与干湿边方程拟合结果中，TVDI 具有较好的拟合效果。
图3 不同时期干湿边拟合曲线
4.2 指数反演
通过构建TVDI 的特征空间与干湿边方程，反演得到TVDI 旱情指数。三个时期的TVDI 温度旱情指数如图4（a）、图4（b）、图4（c）所示，由图可知：6 月、7 月的数值整体低于8 月，6 月份河南省的旱情几乎未发生，旱情指数较高的地区集中在洛阳山地地区与焦作山地地区；
7 月份的旱情指数反演结果显示，旱情由西向东逐渐增多且旱情加重。到8 月份，河南省旱情达到最严重，尤其是中东部的平原地区及南阳地区，农作物种植较广泛，干旱发生情况较普遍，在TVDI 的反演成果中，南阳地区的旱情是最严重的。
图4 不同时期TVDI反演效果
4.3 精度验证
从TVDI 的反演效果图可以看出河南省2022 年6月至8 月发生干旱的程度。从中国气象网站了解到，2022 年7 月以前河南省大部分地区降雨偏少，比往年减少近30%，豫西、豫中、豫东大部分地区出现不同程度的干旱。与此同时，7 月份全省持续出现大范围高温天气，部分地区高温达到40℃以上，更加重了干旱的程度。通过将遥感监测结果与河南实际发生干旱的过程进行对比，可以看出使用TVDI 指数能够很好地将干旱区域表示出来。
本研究采用2022 年河南省气象站获取的气象数据进行实地旱情精度验证，分别选用原阳县、夏邑县、南召县、社旗县、固始县、汝南县进行验证，结果如表1 所示：整体来说TVDI 的反演精度较高，均在75%以上，其中夏邑、南召、社旗、汝南的精度达到了80%以上。而固始县的精度相对较低，为76%，究其原因是固始县多为山地丘陵，植被生长较好，该地区NDVI 处于过饱和现象，对植被的响应较差，最终导致旱情指数的反演精度较低。
表1 旱情监测精度验证
本研究基于2022 年河南省旱情发生情况，充分利用MODIS 的植被指数产品与地表温度产品，通过反演温度植被旱情指数TVDI，并拟合干湿边方程，以此监测河南省2022 年的干旱受灾情况，通过研究得出以下结论：
（1）通过影像筛选，挑选6 月、7 月、8 月三个时期作为监测时间节点。
（2）通过构建温度旱情指数特征空间与干湿边方程的拟合，分析得出TVDI 的干湿边方程与理论拟合成果高度吻合。
（3）通过对反演得到的旱情指数空间分布图进行分析，更加准确地识别与反演出河南省的干旱情况，河南省干旱在8 月份达到极值，旱情等级的分布与河南省的地貌、植被覆盖等分布特征高度吻合，符合实际情况。
（4）通过河南省各地区的县级气象站精度验证可知，TVDI 温度旱情指数的监测精度整体在75%以上，反演精度较好。
本研究得到了较为理想的成果，证明了温度植被旱情指数反演思路在河南省干旱监测中的可行性，但仍存在一定的提升空间：首先，本文选用的MODIS 数据产品的空间分辨率较粗，对大范围的干旱监测虽具有较好的便捷性，但对于局部小区域的干旱监测不能达到更好的监测精度；
其次，本文选用的植被指数仅为NDVI，未增加其他更多的植被指数，如绿度植被指数GVI、比值植被指数RVI 等。接下来将尽力解决目前温度植被旱情指数的研究与应用中存在的问题。