干旱气象
  • CN 62-1175/P
  • ISSN 1006-7639
  • 双月刊
  • 中国科技核心期刊
  • 中国学术期刊综合评价数据库统计源期刊
  • 中文科技期刊数据库收录期刊
作者投稿 专家审稿 编辑办公

干旱气象, 2024, 42(1): 27-38 DOI: 10.11755/j.issn.1006-7639(2024)-01-0027

论文

基于温度植被干旱指数（TVDI）的甘肃省农业干旱监测方法研究

沙莎,, 王丽娟,, 王小平, 胡蝶, 张良

中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃 兰州 730020

Study on monitoring method of agricultural drought in Gansu Province based on Temperature Vegetation Dryness Index

SHA Sha,, WANG Lijuan,, WANG Xiaoping, HU Die, ZHANG Liang

Institute of Arid Meteorology，CMA，Key Laboratory of Arid Climate Change and Reducing Disaster of Gansu Province，Key Laboratory of Arid Climate Change and Disaster Reduction of CMA，Lanzhou 730020，China

通讯作者: 王丽娟（1986—），女，四川广安人，副研究员，博士，主要从事卫星遥感研究。E-mail:wanglijuan01@126.com。

责任编辑: 王涓力；校对：邓祖琴

收稿日期: 2022-06-28   修回日期: 2023-09-25  

基金资助: 甘肃省气象局气象科学技术研究项目(ZcZd2022-26)
国家自然科学基金项目(42075120)
国家自然科学基金项目(42105131)
国家自然科学基金项目(41875020)
干旱气象科学研究基金项目(IAM201816)

Received: 2022-06-28   Revised: 2023-09-25  

作者简介 About authors

沙莎（1985—），女，汉族，辽宁沈阳人，副研究员，硕士，主要从事GIS、遥感的气象应用研究。E-mail:nuist_shasha@126.com。

摘要

改进温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）并明确TVDI的农业干旱等级阈值，对提高TVDI指数监测农业干旱能力有重要意义。利用近19 a的MODIS（Moderate Resolution Imaging Spectro-radiometer，MODIS）遥感数据，基于单时次和多时次方法构建NDVI（Normalized Difference Vegetation Index，NDVI）-LST（Land Surface Temperature，LST）、EVI（Enhanced Vegetation Index，EVI）-LST、RVI（Ratio Vegetation Index，RVI）-LST、SAVI（Soil-Adjusted Vegetation Index，SAVI）-LST等几种特征空间，讨论TVDI计算方法，分析TVDI在甘肃省农业干旱监测中的适用性，并明确甘肃省夏季TVDI农业干旱分级标准。结果表明：（1）基于多时次方法构建的 SAVI-LST特征空间TVDI更适合甘肃省农业干旱监测，其对土壤相对湿度（Relative Soil Moisture，RSM）拟合的均方根误差（Root Mean Squared Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）比NDVI-LST特征空间TVDI对RSM拟合的RMSE和MAE下降1%~5%；（2）TVDI适用于夏季甘肃省半干旱区、半湿润区、湿润区等非干旱区浅层10、20 cm土壤深度的农业干旱监测，RMSE和MAE约15.6%和12.6%，拟合误差湿润区<半湿润区<半干旱区；（3）利用TVDI与RSM线性关系确定的TVDI农业干旱等级更有利于提高TVDI监测农业干旱的准确性。

关键词： 温度植被干旱指数; 干旱监测; 多时次方法; 土壤相对湿度

Abstract

Improving the Temperature Vegetation Dryness Index (TVDI) and clarifying the agricultural drought grade threshold of TVDI is of great significance for improving the ability of TVDI to monitor agricultural drought. Based on MODIS (Moderate Resolution Imaging Spectroradiometer) remote sensing data in the past 19 years, several feature spaces are constructed by using the single-time and multi-time methods, including NDVI (Normalized Difference Vegetation Index) -LST (Land Surface Temperature), EVI (Enhanced Vegetation Index) -LST, RVI (Ratio Vegetation Index) - LST, and SAVI (Soil Adjusted Vegetation Index) -LST. The calculation methods of TVDI are discussed, the applicability of TVDI for agricultural drought monitoring in Gansu Province is analyzed, and classification standards for summer TVDI agricultural drought in Gansu Province are clarified. The research results are as follows: 1) The TVDI calculated from the SAVI-LST feature space is more suitable for agricultural drought monitoring in Gansu Province. The root mean squared error (RMSE) and mean absolute error (MAE) of its fitting relative soil moisture (RSM) decreased by 1%-5% compared with the RMSE and MAE of RSM fitted by NDVI-LST feature space TVDI for RSM, which is used more commonly. 2) TVDI is suitable for agricultural drought monitoring at shallow depths of 10 and 20 cm in non-arid areas such as semi-arid, semi-humid and humid areas in Gansu Province in summer. The RMSE and MAE are approximately 15.6% and 12.6%, and the fitting errors in humid areas are the least, and they are less in semi-humid areas than in semi-arid areas they are the largest. 3) Compared to TVDI drought grades divided by 0.2 intervals and TVDI with uncertain classification criteria, the TVDI agricultural drought grade determined by the linear relationship between TVDI and RSM is more conducive to improving the accuracy of TVDI monitoring agricultural drought.

Keywords： temperature vegetation dryness index; drought monitoring; multi-time method; relative soil moisture

PDF (10861KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

沙莎, 王丽娟, 王小平, 胡蝶, 张良. 基于温度植被干旱指数（TVDI）的甘肃省农业干旱监测方法研究[J]. 干旱气象, 2024, 42(1): 27-38 DOI:10.11755/j.issn.1006-7639(2024)-01-0027

SHA Sha, WANG Lijuan, WANG Xiaoping, HU Die, ZHANG Liang. Study on monitoring method of agricultural drought in Gansu Province based on Temperature Vegetation Dryness Index[J]. Arid Meteorology, 2024, 42(1): 27-38 DOI:10.11755/j.issn.1006-7639(2024)-01-0027

引言

甘肃省所处的西北地区是全球气候变化响应的敏感区（张强等，2000），也是我国水资源短缺比较严重的地区之一（杨小利和杨兴国，2007），属于典型的干旱和半干旱气候类型。尽管这些年西北地区有向暖湿转变的趋势（商沙沙等，2018），如甘肃河西走廊地区秋冬季降水呈显著增加趋势（林纾等，2014），但甘肃省河东地区降水呈下降趋势（邓振镛等，2012），这使依靠雨养的河东地区农业干旱风险加大。韩兰英等（2016）也指出全球气候变暖导致甘肃省农业干旱风险加大。因此干旱监测研究对甘肃省农业生产有着极其重要的意义。

土壤水分是监测农业干旱的最直接指标，常规的土壤水分监测通过人工测墒完成，这种方法耗时、耗力且分辨率极低，不能满足大空间范围的农业干旱监测需求，而气象干旱指数主要用于大气干旱监测（林纾等，2022；余兴湛等，2022；王莹等，2023；薛亮等，2023），往往难以准确监测土壤湿度状况。随着近几十年遥感技术快速发展，遥感已成为获取大面积区域土壤水分的重要手段（沙莎等，2014；郭铌和王小平，2015；王丽娟等，2016；陈燕丽，2022）。研究表明，地表温度（Land Surface Temperature，LST）与NDVI（Normalized Difference Vegetation Index）的斜率与作物水分指数、土壤湿度呈负相关（Goward and Hope，1989；Nemani et al.，1993；Goetz，1997）。Sandholt等（2002）认为NDVI-LST特征空间中有一系列土壤湿度等值线，这些等值线是不同水分条件下NDVI与LST的斜率，据此提出了温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）。TVDI具有一定的物理意义且能克服单独使用植被指数进行干旱监测存在的滞后性或单独使用地表温度时易受土壤背景温度影响的缺点，广泛应用于干旱监测领域。以往研究大多利用单时次的NDVI和LST数据计算TVDI（Han et al.，2010；Chen et al.，2011；伍漫春等，2012；陈少丹等，2017；Zormand et al.，2017；Wang et al.，2020）。由于增强型植被指数（Enhanced Vegetation Index，EVI）（Liu and Huete，1995）可以克服NDVI在高值区易饱和的缺点（郭铌和王小平，2015），卢远等（2007）、杨曦等（2009）、刘一哲等（2020）利用EVI替换NDVI计算了TVDI。为了减小纬度和海拔高度对地表温度的影响（Li et al.，2010），Du等（2017）又利用昼夜地表温差ΔLST替换LST改进了TVDI。

应用TVDI进行农业干旱监测还存在以下两个问题。首先，在特征空间构建方法上，土壤调节植被指数（Soil-Adjusted Vegetation Index，SAVI）（Huete，1988；Han et al.，2010）、比值植被指数（Radio Vegetation Index，RVI）（Birth and Mcvey，1968；张喆等，2015）、归一化水分指数（Normalized Difference Water Index，NDWI）（Gao，1996；Gu et al.，2007；Gu et al.，2008）等能够有效降低土壤背景对NDVI的影响或者对水分更加敏感，利用这些植被指数替换NDVI是否可以提高TVDI监测农业干旱的精度还需进一步研究；其次，TVDI用于干旱监测的分级标准仍然不统一、不明确（康为民等，2010；沙莎等，2014），且与农业干旱监测等级标准（GB/T 20481—2006）（国家气候中心等，2006）不一致。为了进一步改进TVDI监测农业干旱的准确性并确定TVDI的农业干旱监测分级标准，本文以甘肃省为研究区，利用近19 a的MODIS数据，对比单时次和多时次两种计算方法及不同特征空间TVDI与土壤相对湿度（Relative Soil Moisture，RSM）的时空相关性，在此基础上分析TVDI在甘肃省农业干旱监测的适用性并实现基于TVDI的农业干旱等级阈值划分，以期为TVDI用于农业干旱监测提供科学依据。

1 研究区概况及资料与方法

1.1 研究区域概况

甘肃省地势自西南向东北倾斜，地形东西狭长，地处黄河上游，位于黄土高原、青藏高原、蒙古高原的交汇地带，境内地形复杂，山脉纵横交错，海拔相差悬殊，包括高山、盆地、平川、沙漠和戈壁等地貌，属于山地性高原地貌（邓振镛等，1998；徐先英，2019）。从东南到西北包括北亚热带、暖温带、冷温带和高寒区等气候带，鲍文中等（鲍文中，2018）根据气候带、年干燥度以及甘肃省的地理特征，将甘肃省分为陇南南部河谷北亚热带半湿润区、陇南北部暖温带湿润区、陇中南部冷温带半湿润区、陇中北部冷温带半干旱区、河西走廊冷温带干旱区、河西西部暖温带干旱区、祁连山高寒半干旱半湿润区和甘南高寒湿润区8个气候区。因站点稀疏，有些分区内站点过少，代表性不高，因此将甘肃省合并为干旱区、半干旱区、半湿润区、湿润区四个气候区（图1）。甘肃干燥少雨且蒸散量大，降水时空差异大，河西地区为灌溉农业区（贾生海和张虎如，1997），河东地区为典型的雨养农业区（陆登荣等，2011）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   甘肃省气候区划及农业气象站点分布

Fig.1   The climate zoning and distribution of agrometeorological stations in Gansu Province


1.2 数据及其处理

（1）卫星数据：遥感数据来源于MODIS上午星Terra星（第六版数据），时间段为2000—2018年，时间分辨率为8 d。使用的数据集包括反射率（MOD09A1）和地表温度（MOD11A2）数据集，空间分辨率分别为500、1 000 m。反射率数据集包括MODIS b01~07波段的反射率及其质量控制信息，文中使用红光（b01）、近红外（b02）、蓝光（b03）、短波红外（b07）（中心波长为2.12 μm）波段的反射率，分别计算NDVI、EVI、SAVI、NDWI、RVI等植被指数，计算公式见表1。地表温度数据集中使用白天地表温度及其质量控制信息。利用最大值合成法（Maximum Value Composites，MVC）计算月尺度遥感数据。

表1   植被指数计算公式

Tab.1  Calculation formulas of vegetation indexes

植被指数计算公式
NDVINDVI=(b02-b01)(b02+b01)（Gu et al.，2007）
EVIEVI=2.5×(b02-b01)(b02+6.0×b01-7.5×b03+1)
（Liu and Huete，1995）
SAVISAVI=(b02-b01)(b02+b01+L)×(1+L),L取0.5（Huete，1988）
RVI_b2b1RVI1=b02b01（Birth and Mcvey，1968）
RVI_b2b7RVI2=b02b07
NDWINDWI=(b02-b07)(b02+b07)（Gao，1996）

注：b01、b02、b03、b07分别为MODIS的红光、近红外、蓝光、短波红外（中心波长为2.12 μm）波段的反射率。

新窗口打开| 下载CSV


（2）RSM数据：甘肃省44个农业气象站点2003—2012年RSM数据，由于冬季不测熵，不包括冬季（12、1、2月）RSM数据。观测时间为每月8、18、28日，取每月3次RSM的平均值为RSM月值，与遥感数据时间尺度相对应。

文中附图涉及地图基于中华人民共和国自然资源部地图审查技术中心标准地图服务系统下载的审图号为GS（2019）3333号的标准地图制作，底图无修改。

1.3 TVDI计算方法

TVDI=LST-LSTminLSTmax-LSTmin
LSTmin=a1+b1NDVI,LSTmax=a2+b2NDVI

式中：LST为任意像元地表温度（℃），LSTmin和LSTmax（℃）分别为一定NDVI对应的最低和最高地表温度，可通过线性回归分析提取干、湿边来确定；a1、b1、a2、b2为待定系数。

在构建特征空间时，利用某一月（如2005年6月）的植被指数和地表温度构建特征空间的方法称为单时次方法，利用历史同期（如2000—2018年6月）植被指数和地表温度构建特征空间的方法称为多时次方法。例如要计算2000—2018年6月的TVDI，单时次方法需要对每年的数据都构建特征空间，共需构建19个不同特征空间，而多时次方法仅需使用历史数据构建一个特征空间，因此多时次方法能够简化特征空间的实际应用。本文分别用两种方法构建特征空间，并对两种方法计算的TVDI进行对比分析。

1.4 利用TVDI监测农业干旱的方法

根据历史TVDI与RSM数据的一元线性关系和气象干旱等级标准（GB/T 20481—2006）中基于RSM的干旱等级划分确定TVDI干旱等级（无旱、轻旱、中旱、重旱、特旱5个等级），从而实现TVDI对农业干旱的监测。TVDI干旱等级阈值计算公式如下：

TVDIi=a×RSMi+b

式中：TVDIi为基于TVDI的某2个连续干旱等级的分界值，TVDI1、TVDI2、TVDI3、TVDI4分别代表无旱—轻旱、轻旱—中旱、中旱—重旱、重旱—特旱的分界值；RSMi为由土壤相对湿度确定的某2个连续干旱等级的分界值，参考气象干旱等级标准中对RSM的分级标准，RSM1、RSM2、RSM3、RSM4分别代表无旱—轻旱、轻旱—中旱、中旱—重旱、重旱—特旱的分界值，取值分别为60%、50%、40%、30%；a、b为拟合系数，由历史TVDI值与RSM的一元线性回归关系确定。

确定TVDI1、TVDI2、TVDI3、TVDI4后，以TVDI1、TVDI2、TVDI3、TVDI4为分界值将TVDI值划分无旱（D1）、轻旱（D2）、中旱（D3）、重旱（D4）、特旱（D5）5个干旱等级。

2 结果分析

2.1 特征空间构建

2.1.1 植被指数及地表温度逐月变化特征

对不同气候分区的植被指数和地表温度进行统计（图2），可以看到，除NDWI和RVI_b2b7外，其他植被指数和地表温度在所有气候分区均呈单峰型变化特征，半干旱区植被指数8月达到峰值，其他气候分区均是7月达到峰值，地表温度各气候分区均在7月达到峰值。各气候分区的植被指数及逐月变化幅度均是干旱区<半干旱区<半湿润区<湿润区。除干旱区外，其他气候分区5—8月植被生长快，SAVI>NDVI>EVI。干旱区NDWI和RVI_b2b7逐月变化与其他植被指数相反，且在其他气候分区明显小于其他植被指数。总的来说，NDWI和RVI_b2b7对甘肃省植被年内的变化指示不合理，因此以下不再建立NDWI-LST和RVI_b2b7-LST这两种特征空间。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   甘肃省不同气候分区植被指数和地表温度的逐月变化

Fig.2   Monthly changes of vegetation indices and surface temperature in different climatic regions in Gansu Province


2.1.2 单时次和多时次方法对比

图3为不同气候分区基于多时次和单时次方法的TVDI与10 cm RSM相关系数的逐月变化，表2列出不同气候分区用两种方法计算的TVDI与10 cm RSM时间序列的相关性统计值。通过对比可以发现：1）从空间相关性逐月变化看，各气候分区基于多时次方法的不同特征空间TVDI与RSM的相关系数相差不大，而单时次方法则相差较大，比较相关系数值发现，大部分月份单时次方法计算的TVDI与RSM的相关性比多时次方法稍差。2）从时间相关性看，无论用哪种方法，干旱区各特征空间TVDI与RSM的时间序列相关性均不显著，半干旱区、半湿润区和湿润区多时次SAVI-LST特征空间TVDI与RSM的时间序列显著相关且最好。总体而言，多时次方法构建的特征空间TVDI与10 cm RSM的空间相关性和时间相关性均好于单时次方法，因此以下分析基于多时次方法进行。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   多时次方法（左）和单时次方法（右）构建的TVDI与10 cm RSM的相关系数逐月变化

Fig.3   Monthly variation of correlation coefficient between TVDI constructed by multi-time method（the left） and single-time method（the right） and RSM at 10 cm depth


表2   不同气候分区2003—2012年不同特征空间的TVDI与10 cm RSM逐月时间序列的相关性统计值

Tab.2  Temporal correlation statistics between TVDI for different feature space and monthly RSM at 10 cm depth time series from 2003 to 2012 in different climatic regions

构建方法气候分区NDVI特征空间EVI特征空间SAVI特征空间RVI_b2b1特征空间
rprprprp
多时次方法干旱区-0.120.38-0.010.46-0.100.37-0.030.45
半干旱区-0.320.09-0.270.14-0.34*0.09*-0.300.16
半湿润区-0.360.05-0.280.14-0.38*0.03*-0.300.10
湿润区-0.260.08-0.240.16-0.29*0.02*-0.170.34
单时次方法干旱区-0.090.45-0.030.39-0.090.420.010.47
半干旱区-0.260.10-0.260.15-0.290.09-0.280.14
半湿润区-0.320.04-0.310.07-0.320.14-0.270.16
湿润区-0.220.15-0.270.11-0.260.08-0.150.35

注：r、p分别代表相关系数和显著性水平，*表示该气候分区内相关性最好并能达到p<0.10的显著性水平，下同。

新窗口打开| 下载CSV


2.2 TVDI与RSM的时空相关性

对比不同气候分区TVDI与不同深度RSM相关系数的逐月变化（图4）及其显著性水平，可以发现：1）TVDI与浅层10 cm RSM的相关性更好，TVDI更适合于10、20 cm浅层土壤的农业干旱监测。2）干旱区TVDI与RSM相关不显著，其他气候分区TVDI与RSM夏季相关显著；半干旱区与半湿润区TVDI与RSM在9、10月相关显著。3）相较NDVI-LST特征空间TVDI，在植被覆盖度较低的半干旱区及9、10月的半湿润区，SAVI-LST特征空间TVDI与RSM的相关性明显更好，而半湿润区植被覆盖度较高的夏季，SAVI-LST特征空间TVDI与RSM的相关性较差；在植被覆盖度较高的湿润区，SAVI-LST特征空间TVDI与RSM的相关性变化不大，SAVI能够一定程度上降低植被覆盖度不高时土壤背景对NDVI的影响，进而提高TVDI与RSM的相关性。从图2中可以看到甘肃省各气候分区植被指数的年内变化均呈单峰型，干旱区地处荒漠区，下垫面为稀疏植被，常年植被覆盖都很低，其他气候分区6—10月植被覆盖度较高，而TVDI在植被覆盖度较低的区域和时间段适用性都较差，这一定程度上说明TVDI更加适合于植被覆盖度较高地区和时间段的农业干旱监测。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   甘肃省不同气候分区TVDI与不同深度RSM相关系数的逐月变化

Fig.4   Monthly variations of correlation coefficients between TVDI and RSM at different depth in different climatic regions in Gansu Province


表3列出各特征空间TVDI与10 cm RSM的空间相关性，结合表2时间相关性的统计值，可以看出：1）6—8月各种特征空间TVDI与RSM的空间相关性相差较小，均呈显著相关（p≤0.05），其中6、7月SAVI-LST特征空间TVDI的拟合效果更好，8月RVI_b2b1-LST特征空间TVDI拟合效果更好，SAVI-LST特征空间TVDI的拟合效果次之；9—10月两者的空间相关性较6—8月差，达不到p≤0.10的显著性水平，NDVI-LST特征空间的空间相关性9、10月均不显著，RVI_b2b1-LST特征空间TVDI的拟合效果略好。2）就时间相关性看，各特征空间TVDI在干旱区对RSM的拟合较差（p>0.10），在半干旱区、半湿润区和湿润区拟合较好，可达到显著性水平（p≤0.10），其中SAVI-LST特征空间TVDI对RSM时间序列的拟合效果最好，NDVI-LST特征空间其次，EVI-LST特征空间和RVI-LST特征空间均达不到p=0.10的显著性水平。

表3   6—10 月不同特征空间TVDI 与10 cm RSM 的空间相关性统计值

Tab. 3  Spatial correlation statistics between TVDI for different feature space and RSM at 10 cm depth from June to October

注：6—8月统计区域为半干旱区、半湿润区、湿润区；9—10月为半干旱区、半湿润区。*表示在该月份该特征空间的相关性最好。

新窗口打开| 下载CSV


综合考虑空间相关性和时间相关性，SAVI-LST特征空间TVDI更加适合于甘肃省夏季半干旱区、半湿润区、湿润区10、20 cm浅层土壤的农业干旱监测。比较SAVI-LST和NDVI-LST两种特征空间TVDI对RSM的拟合效果发现，SAVI-LST特征空间TVDI对RSM拟合的均方根误差（Root Mean Squared Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）比更常用的NDVI-LST特征空间TVDI对RSM拟合的RMSE和MAE下降1%~5%。

2.3 甘肃省夏季TVDI的农业干旱等级阈值

基于上述分析结果，利用SAVI-LST特征空间TVDI与10 cm RSM的拟合关系，并根据RSM的干旱等级标准划分确定甘肃省夏季TVDI的农业干旱等级阈值（表4）。从甘肃省夏季RSM拟合与实测值的散点图（图5）可以看出，拟合误差8月最小、7月最大，平均RMSE、MAE分别约15.6%、12.6%；统计得到半干旱区平均RMSE约16.36%、MAE约13.69%，半湿润区平均RMSE约14.76%、MAE约11.88%，湿润区平均RMSE约14.08%、MAE约11.49%。总的来说，拟合误差湿润区<半湿润区<半干旱区。

表4   甘肃省夏季TVDI的农业干旱等级阈值

Tab.4  Agricultural drought grade thresholds based on TVDI in summer in Gansu Province

农业干旱等级6月7月8月
无旱TVDI<0.54TVDI<0.52TVDI<0.52
轻旱0.54≤TVDI<0.620.52≤TVDI<0.630.52≤TVDI<0.59
中旱0.62≤TVDI<0.700.63≤TVDI<0.750.59≤TVDI<0.65
重旱0.70≤TVDI<0.780.75≤TVDI<0.870.65≤TVDI<0.72
特旱TVDI≥0.78TVDI≥0.87TVDI≥0.72

新窗口打开| 下载CSV


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   甘肃省6（a）、7（b）、8（c）月RSM拟合值与实测值散点图

Fig.5   Scatter plots of the fitting values and measured values of RSM in Gansu Province in June（a），July（b） and August（c）


2.4 不同TVDI分级的对比分析

以2005年夏季为例，绘制以表4划分、以0.2为间隔划分及不划分等级的TVDI和实测RSM的对比图（图6），可以看出：以表4中TVDI阈值划分的干旱等级不仅与RSM干旱等级有较好的空间一致性，也能准确地指示出6—8月干旱程度和面积随时间变小的特征，统计得到干旱面积比例从57%左右下降至26%左右，其中重旱面积从17%左右下降到2%左右。而用以往研究中最常用的以0.2为间隔进行的干旱分级与农业干旱等级不一致，这造成TVDI比实际干旱程度偏轻、面积偏大，尤其是重旱偏轻，无法正确反映实际农业干旱的空间分布和时间变化特征。虽然没有分级的TVDI结果也能较好地反映实际农业干旱的时空分布，但不能进行干旱面积等的定量分析。可见，基于表4 TVDI阈值的干旱等级划分更有利于干旱特征的定量分析，能准确指示干旱的时空分布特征。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   2005年夏季TVDI以表4分级（左）、以0.2为间隔分级（中）、不分级（右）的甘肃省干旱空间分布与RSM的对比

Fig.6   Comparison of drought distribution based on TVDI classified according to the table 4（the left），in 0.2 intervals（the middle） and TVDI without classification（the right） and RSM in summer of 2005 in Gansu Province


2.5 干旱个例分析

2016年7月下旬以来，甘肃省中东部地区平均气温偏高2 ℃左右，平均最高气温为近56 a来最高，降水量为近44 a最少，其中，白银市、定西市和天水市北部降水量偏少8成以上（图7）。高温少雨致使甘肃中东部出现伏旱，其中定西市大部、天水市西北部等地达到重旱，由于农作物关键期缺少有效降水，使当地农作物土豆与玉米等出现大面积减产或绝收。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   甘肃省2016年6（a）、7（b）、8（c）月降水距平百分率（单位：%）

Fig.7   Precipitation anomaly percentage in June（a），July（b） and August（c） in 2016 in Gansu Province（Unit： %）


图8为2016年夏季TVDI的干旱等级图和6月16日、7月16日、8月16日0~30 cm RSM实测值。结合图7和图8可以看到，TVDI干旱等级的变化对降水有较好的响应，如6月兰州、白银、定西北部、庆阳北部出现中到重旱，7月兰州、白银、定西北部、庆阳北部出现有效降水后，旱情得到一定程度缓解，但到8月随着降水减少，这些地区旱情又进一步加剧。虽然时间尺度不同、土壤深度不同、干旱等级阈值不同，但基于TVDI的干旱等级与实测的RSM在空间上有一定的一致性。总的来说，TVDI干旱等级能够较好地指示甘肃省中部这次干旱的时空变化特征。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   2016年6（a）、7（c）、8（e）月TVDI的干旱等级图与2016年6月16日（b）、7月16日（d）、8月16日（f）0~30 cm实测土壤相对湿度值

Fig.8   Drought grade map based on TVDI in June（a），July（c） and August（e） and the actual measured relative soil moisture values of 0-30 cm depth on June 16（b），July 16（d） and August 16（f） of 2016


3 结论与讨论

本文以甘肃省为研究区，利用MODIS历史遥感数据，讨论TVDI的计算方法，研究TVDI在甘肃省农业干旱监测中的适用性，并对TVDI进行干旱等级阈值划分。具体结论如下：

（1）多时次方法计算的TVDI能更好地表征土壤水分的时空分布特征；SAVI-LST特征空间TVDI更加适合甘肃省农业干旱监测，尤其在植被覆盖度相对较低时SAVI-LST特征空间TVDI优于其他特征空间TVDI，其对RSM拟合的RMSE和MAE比更常用的NDVI-LST特征空间TVDI的误差降低1%~5%。

（2）SAVI_LST特征空间TVDI适用于夏季甘肃省半干旱区、湿润区、半湿润区的浅层10、20 cm土壤深度的农业干旱监测，RMSE和MAE约为15.6%和12.6%，拟合误差湿润区<半湿润区<半干旱区。

（3）SAVI_LST特征空间TVDI不划分干旱等级时不利于其进行定量分析，以0.2为间隔划分的干旱等级比实际的干旱程度偏轻、面积偏大，不能准确指示实际干旱空间范围。利用TVDI与RSM线性关系确定的TVDI农业干旱等级更有利于提高TVDI指数监测农业干旱的准确性。

通过本文分析，多时次方法构建特征空间的方法优于单时次方法，一方面能够简化特征空间方法的实际应用过程，有利于它的业务化应用，也一定程度上提高了TVDI对土壤水分的时空指示性，尤其增加了TVDI在不同时期的可比性，还有利于TVDI农业干旱等级阈值的划分。从基于TVDI指数的干旱等级划分结果来看，中旱、重旱、特旱等级在不同时期阈值相差最大可达0.15，甚至超过了一个干旱等级的跨度，这表明建立基于TVDI的农业干旱等级是十分有必要的，否则以0.2间隔划分或者不划分干旱等级的TVDI指数将难以准确监测实际干旱情况。TVDI在甘肃省的适用期为夏季，适用区域为非干旱区；TVDI在植被覆盖度较低的春、秋季适用性差，在干旱区适用性也较差，这一定程度上说明TVDI更加适合植被覆盖度较高时段和地区的农业干旱监测，但适宜的植被指数范围还需要进一步研究来确定。SAVI-LST特征空间TVDI在植被覆盖度较低时要优于其他特征空间，尤其是NDVI-LST特征空间，植被覆盖度较低时，NDVI受土壤背景影响较大，此时SAVI能够降低土壤背景对NDVI的影响，可见SAVI降低土壤背景影响的能力是SAVI-LST特征空间的适用性更好的重要原因。前期研究表明，SAVI-LST特征空间、EVI-LST特征空间、RVI-LST特征空间TVDI都要优于NDVI-LST特征空间（李春强和李红军，2008；刘一哲，2020；沙莎等，2023），这表明在利用TVDI监测干旱时，有必要找到更加适用的植被指数，以提高TVDI的干旱监测能力。

参考文献

鲍文中, 2018. 甘肃气候[M]. 北京: 气象出版社.

[本文引用: 1]

陈少丹, 张利平, 汤柔馨, 等, 2017.

基于SPEI和TVDI的河南省干旱时空变化分析

[J]. 农业工程学报, 33(24): 126-132.

[本文引用: 1]

陈燕丽, 唐梅蓉, 张会, 等, 2022.

广西喀斯特地区植被覆盖度和净初级生产力对SPEI干旱指数的响应差异

[J]. 干旱气象, 40(6): 1 042-1 050.

[本文引用: 1]

邓振镛, 谢金南, 刘德祥, 等, 1998.

甘肃气候资源特点与开发利用

[J]. 甘肃气象, 17(2): 16-19.

[本文引用: 1]

邓振镛, 张强, 赵红岩, 等, 2012.

气候暖干化对西北四省(区)农业种植结构的影响及调整方案

[J]. 高原气象, 31(2): 498-503.

[本文引用: 1]

利用陕、 甘、 宁、 青四省（区）141个气象站1961-2008年的气象要素值计算和分析得出， 暖干化是西北四省（区）现代气候变化的基本特征。年平均气温表现为一致的增温趋势， 每10年增温0.27 ℃，  1996年是突变年。年降水量自1961年以来呈持续下降趋势， 1986年是转折年， 1987-2008年年平均降水量比1961-1986年平均减少20～40 mm。以黄河为界， 黄河以东降水量呈减少趋势， 每10年减少10~40 mm; 黄河以西呈增多趋势， 每10年增加10 mm左右， 减少的幅度明显高于增加的幅度。进入21世纪， 气候暖干化的势头有所减缓。在分析不同区域自然资源特点和气候暖干化及其对农作物影响特征的基础上， 运用系统规划理论， 采用气候生态相似原理， 提出了陕、 甘、 宁、 青四省（区）13个不同地域农业种植结构调整方案。为了加快农业结构调整进程， 使农业结构调整方案收到明显的生态、 社会和经济效益， 提出了四个方面的保障措施。

郭铌, 王小平, 2015.

遥感干旱应用技术进展及面临的技术问题与发展机遇

[J]. 干旱气象, 33(1): 1-18.

DOI      [本文引用: 2]

干旱是全球各地区普遍存在的一种气候现象，也是对人类社会影响最为严重的一种自然灾害。全球气候变化和社会发展加剧了干旱的影响程度，增强了干旱灾害的风险，给全球农业水资源生态环境安全以及社会可持续发展造成巨大威胁，提高干旱监测和早期预警技术水平是应对。管理干旱和减轻干旱脆弱性的基础。近30 a来随着全球对地观测技术的迅速发展，卫星遥感监测干旱技术取得很大进步，在全球干旱监测和早期预警中发挥着不可替代的作用但是，干旱是多学科交叉的复杂问题，其发展过程缓慢时间和空间表现特征差异很大，遥感监测干旱技术在应用中还存在许多技术问题，对抗旱防灾提供支撑的力度仍不够。本文在简要总结卫星遥感监测干旱应用技术的基础上，对各种指数(模型)应用中存在的问题进行评述，指出卫星遥感干旱监测面临的主要技术问题和未来发展机遇;针对我国卫星遥感干旱应用现状，提出了亟待解决的主要问题和应该努力的方向。&nbsp;

韩兰英, 张强, 赵红岩, 等, 2016.

甘肃省农业干旱灾害损失特征及其对气候变暖的响应

[J]. 中国沙漠, 36(3): 767-776.

DOI      [本文引用: 1]

随着全球气候变暖,干旱频次和强度增大,粮食生产与安全面临严重的挑战。利用1960-2012年甘肃省农业干旱灾情和气象资料,分析不同干旱程度的农业受灾率、成灾率和绝收率变化特征,并构建了农业干旱灾害风险指数(农业干旱综合损失率),揭示了甘肃农业干旱灾害损失特征及其对气候变暖的响应,讨论了关键时段气象条件对灾害损失的影响,阐述干旱灾害损失在气温和降水气候态中的分布特征,模拟出农业干旱受灾程度的气象阈值,并对未来情景下干旱灾害风险进行预测。结果表明:甘肃省近50多年农业干旱灾害范围、程度和频次均呈增加趋势,粮食受干旱灾害减产的风险加大。受灾率、成灾率、绝收率和综合损失率均呈明显上升趋势,尤其是20世纪90年代气温突变以后干旱灾害损失增大的趋势更明显。21世纪00年代干旱增幅最大,干旱受灾率、成灾率、绝收率和综合损失率均高于全国平均水平。多年平均综合损失率为10.8%,约为全国平均值(5.1%)的2倍。气温和降水量是甘肃农业干旱灾害损失的关键致灾因子,并且关键时段降水量和气温对干旱灾害的影响比全年平均值更加明显,年降水量每减少100 mm,综合损失率增加5.6%。年平均气温每升高1 ℃时,综合损失率增加6.3%。年平均气温6.45 ℃和年降水量460 mm是干旱高风险的临界值。未来气候变暖情境下,甘肃综合损失率增幅将可能达到1.85倍,气候变暖导致农业干旱灾害风险加大。

贾生海, 张虎如, 1997.

河西灌溉农业的演变

[J]. 干旱地区农业研究, 15(2): 115-120.

[本文引用: 1]

康为民, 罗宇翔, 向红琼, 等, 2010.

贵州喀斯特山区的NDVI-Ts特征及其干旱监测应用研究

[J]. 气象, 36(10): 78-83.

[本文引用: 1]

林纾, 李红英, 党冰, 等, 2014.

甘肃河西走廊地区气候暖湿转型后的最新事实

[J]. 冰川冻土, 36(5): 1 111-1 121.

[本文引用: 1]

林纾, 李红英, 黄鹏程, 等, 2022.

2022年夏季我国高温干旱特征及其环流形势分析

[J]. 干旱气象, 40(5): 748-763.

DOI      [本文引用: 1]

在气候变暖背景下，2022年夏季我国出现1961年以来平均气温最高和降水量次少的气候异常，并伴有最强的全国性（东北地区除外）高温过程和长江中下游及川渝地区大范围强伏旱。针对这次高温干旱的持续性和极端性，本文基于2022年6—8月全国2162个气象站逐日最高气温和降水量以及NCEP（National Centers for Environmental Prediction）/NCAR（National Center for Atmospheric Research）逐日再分析资料等，分析其时空分布特征及环流形势，将对今后我国南方地区夏季高温干旱不同时间尺度的预报预测有一定参考价值。结果表明：2022年夏季，全国76.0%的站共出现48 198次高温，其中36.6%的站累计出现3001次极端高温事件，20次以上极端高温事件的站点均分布在四川盆地，高温状况远超21世纪以来的典型高温年份。全国性的高温过程从6月13日持续到8月30日，共计79 d，高温最强时段在8月11—24日。按照高温发生站次、持续时间、影响范围、强度等由强到弱综合排序，依次是华东、西南、华中、西北、华北和华南地区，其中西南地区极端性最强，而东北地区未出现高温。干旱时空分布特征与高温基本相似，全国最强干旱时段在8月中旬。2022年夏季，500 hPa欧亚中高纬度呈“两脊一槽”型，尤其在7—8月乌拉尔山和鄂霍次克海附近高压脊形成阶段性阻塞高压，强盛的副热带系统将两高之间活跃的冷空气大部分时段阻挡在50°N以北，造成我国“北涝南旱”的格局；低纬度的伊朗高压异常东伸，西太平洋副热带高压略偏北且异常西伸，两高压长时间贯通形成的高压带控制区气流辐散下沉，并持续阻碍水汽向中纬度输送，不利于长江流域产生降水。同时，对流层高层南亚高压异常偏东，与中层的西太平洋副热带高压相向而行，于8月中下旬在80°E—120°E范围内叠加，致使控制我国大范围的高压系统呈稳定正压结构，中心位于川渝上空，致使川渝地区成为高温日数和极端高温事件次数的高值中心。

刘一哲, 冯文兰, 扎西央宗, 等, 2020.

基于MODIS TVDI和模糊数学方法的藏北地区旱情等级遥感监测

[J]. 干旱区研究, 37(1): 86-96.

[本文引用: 2]

李春强, 李红军, 2008.

TVDI在冬小麦春季干旱监测中的应用

[J]. 遥感技术与应用, 23(2): 161-165.

[本文引用: 1]

陆登荣, 黄斌, 王劲松, 2011.

甘肃河东雨养农业区旬降水变化及其与土壤湿度关系

[J]. 干旱地区农业研究, 29(2): 230-235.

[本文引用: 1]

卢远, 华璀, 韦燕飞, 2007.

利用MODIS数据进行旱情动态监测研究

[J]. 地理与地理信息科学, 23(3): 55-58.

[本文引用: 1]

沙莎, 郭铌, 李耀辉, 等, 2014.

我国温度植被旱情指数TVDI的应用现状及问题简述

[J]. 干旱气象, 32(1): 128-134.

DOI      [本文引用: 2]

植被指数和地表温度是2类常见的遥感干旱监测方法，它们分别利用植被受旱时植被指数降低和植被冠层温度升高这2种重要的生理表现来监测干旱。但植被指数对干旱指示具有一定滞后性，地表温度监测干旱时易受土地背景等影响。基于特征空间的温度植被旱情指数(TVDI)综合了植被指数和地表温度监测干旱的特点，物理意义明确，克服部分单独使用植被指数或地表温度的缺点，是目前干旱研究和业务应用中使用最广的遥感干旱指数之一。本文介绍了TVDI的原理、计算方法、应用中的改进及TVDI干旱监测方法，旨在为TVDI的研究及应用提供一些参考。

沙莎, 胡蝶, 王丽娟, 等, 2023.

河南省土壤水分遥感监测方法研究

[J]. 气象与环境科学, 46(1) : 91-99.

[本文引用: 1]

商沙沙, 廉丽姝, 马婷, 等, 2018.

近54 a中国西北地区气温和降水的时空变化特征

[J]. 干旱区研究, 35(1): 68-76.

[本文引用: 1]

王丽娟, 郭铌, 沙莎, 等, 2016.

混合像元对遥感干旱指数监测能力的影响

[J]. 干旱气象, 34(5): 772-778.

DOI      [本文引用: 1]

混合像元是卫星遥感中常见的现象，也是影响卫星遥感地表参数精度的重要因子。为了解不同植被盖度的混合像元对遥感干旱指数监测能力的影响，利用一次陇东黄土高原卫星&mdash;地面准同步的观测数据，以常用的垂直干旱指数（Perpendicular Drought Index, PDI）为例，研究不同植被盖度下混合像元对PDI监测表层含水量能力的影响，提出了一个考虑混合像元的表层含水量（SMsur），并在此基础上建立表层含水量的遥感监测模型。结果表明：（1）在不考虑混合像元的情况下，PDI与裸土和植被区表层土壤含水量的相关系数（R2）最高分别为0.5、0.05；（2）考虑混合像元后，PDI与SMsur相关性较好，相关系数（R2）最高达0.6，说明在遥感指数监测能力评估中考虑混合像元问题，可以更加准确地衡量遥感干旱指数在研究区的适用性及监测效果；（3）基于PDI建立的模型反演研究区表层含水量与考虑混合像元的SMsur接近，可以反映不同植被盖度下地表的水分状况，相关系数（R2）达到0.85，相对偏差低于8.0%，均方根误差最小达到2.17%。模型估算的研究区SMsur区域分布特征与实地考察结果基本一致，植被覆盖浓密的农田湿度最大，SMsur最高可达到30%以上。

王莹, 张舒, 徐永清, 等, 2023.

近50 a黑龙江省5—9月气象干旱及大气环流异常特征

[J]. 干旱气象, 41(4): 540-549.

DOI      [本文引用: 1]

黑龙江省是我国主要的粮食生产基地，研究该区域干旱气候特征对科学开展旱灾防御治理具有重要作用。基于1971—2020年农作物生长季（5—9月）黑龙江省80个国家气象站逐日气温、降水资料，计算黑龙江省逐日气象干旱综合指数（Meteorological Drought Composite Index，MCI），分析黑龙江省中旱、重旱、特旱日数时空分布特征，进一步对比分析典型干旱、湿润年的环流特征。结果表明：1971—2020年5—9月，黑龙江省大兴安岭南部、松嫩平原西部是干旱多发区；干旱日数月际空间分布西多东少、中部腹地局部偏多；中旱、重旱、特旱日数年代际特征明显且均呈减少趋势，中旱减少趋势最明显，变化速率为-1.7 d·（10 a）-1。典型干旱年与典型湿润年的环流存在显著差异，典型干旱年，贝加尔湖以西地区受反气旋控制，黑龙江上空受西风带气流控制，盛行下沉气流，不利于冷暖空气交汇，水汽输送通道不明显，水汽难以到达黑龙江地区；典型湿润年情况则相反。

伍漫春, 丁建丽, 王高峰, 2012.

基于地表温度-植被指数特征空间的区域土壤水分反演

[J]. 中国沙漠, 32(1): 148-154.

[本文引用: 1]

针对目前西北地区广泛存在的农业干旱问题,选取了新疆塔里木盆地北缘渭干河-库车河三角洲绿洲为研究区,选择云量较少的两幅TM影像,建立地表温度-植被指数特征空间。首先利用线性方程拟合了特征空间的上下边界,比较利用归一化植被指数(NDVI)建立的地表温度-植被指数特征空间Ts/NDVI和利用改进型土壤调整植被指数(MSAVI)构建的地表温度-植被指数特征空间Ts/MSAVI形状的差异,并计算得到两种温度植被干旱指数(Temperature vegetation dryness index&mdash;TVDI,分别为TVDIN和MTVDI)。对TVDI与同期野外不同深度的实测土壤重量含水量数据进行回归分析,建立TVDI估测土壤水分的经验模型并对模型进行验证。研究结果表明,TVDIN和MTVDI均能够反演表层土壤水分,其中MTVDI与土壤水分相关性比TVDIN与土壤水分相关性要高,MTVDI能够更好地反映区域土壤水分状况,是一种更有效的土壤水分监测方法,对农业干旱监测具有一定的科学依据。

薛亮, 袁淑杰, 王劲松, 2023.

我国不同区域气象干旱成因研究进展与展望

[J]. 干旱气象, 41(1): 1-13.

DOI      [本文引用: 1]

在全球增暖背景下，我国干旱灾害的严重程度、持续时间和影响范围均呈增加趋势。气象干旱是干旱灾害发生的前提，厘清气象干旱形成原因，对提高干旱预警能力、制定干旱灾害应对策略和防御措施有重要科学意义。本文较为全面地梳理了我国气象干旱成因的研究进展。首先，考虑干旱的成因具有区域差异性，分别总结了我国西北、华北、东北、华东、华南及西南6个区域的干旱成因；考虑干旱的时间持续性，基于季节干旱、两季连旱和三季连旱，分别从冷暖空气、位势高度场、海温场异常等方面归纳各区域不同持续时间气象干旱形成的主要影响因子。其次，提出了目前我国气象干旱成因研究面临的科学问题和未来研究方向。鉴于已有的干旱成因研究多以对单一影响因子研究为主，即便考虑了干旱形成的多个影响因子，但仍然相对缺乏对多因子间协同作用的定量分析，因此未来需要关注不同影响因子对气象干旱形成的贡献率及彼此间协同作用的定量关系。

徐先英, 2019.

甘肃治沙研究60年回顾与展望

[J]. 甘肃林业,(4): 9-21.

[本文引用: 1]

杨曦, 武建军, 闫峰, 等, 2009.

基于地表温度-植被指数特征空间的区域土壤干湿状况

[J]. 生态学报, 29(3): 1 205-1 216.

[本文引用: 1]

杨小利, 杨兴国, 2007.

甘肃黄土高原气象旱度模式研究

[J]. 自然灾害学报, 16(5): 30-36.

[本文引用: 1]

余兴湛, 蒲义良, 康伯乾, 2022.

基于SPEI的广东省近50 a干旱时空特征

[J]. 干旱气象, 40(6): 1 051-1 058.

[本文引用: 1]

张强, 胡隐樵, 曹晓彦, 等, 2000.

论西北干旱气候的若干问题

[J]. 中国沙漠, 20(4): 357-362.

[本文引用: 1]

在考虑干旱气候系统的前提之下,总结了西北干旱气候的形成和演化规律,对西北干旱气候的预测理论和方法作了一些定性讨论。初步提出了西北气候干旱化的一些基本对策,特别强调了开发绿洲气候资源和提高西北水资源利用效率在干旱化对策中的作用。粗略估计了当前可实现的干旱化对策措施对西北水资源供求矛盾的缓解能力。指出了研究我国西北干旱气候系统所面临的困难和存在的不足,以及今后需要重点研究的科学问题。

张喆, 丁建丽, 李鑫, 等, 2015.

TVDI用于干旱区农业旱情监测的适宜性

[J]. 中国沙漠, 35(1): 220-227.

DOI      [本文引用: 1]

基于地表温度/植被指数(Ts/VI)特征空间建立的温度植被干旱指数(TVDI)受诸多因素的影响,其中一个重要的影响因素是植被指数,该指数在高、低植被覆盖时的敏感性不同,从而导致TVDI对旱情监测的准确度不同.针对这一问题,以新疆塔里木盆地北缘渭干河-库车河三角洲绿洲为研究区,选择2011年4月、8月两景TM影像,利用归一化植被指数(NDVI)和比值植被指数(RVI)分别建立Ts/VI特征空间,线性拟合特征空间的上、下边界,计算得到两种温度植被干旱指数(TVDI-NDVI、TVDI-RVI).用TVDI与同期野外实测的土壤含水量数据进行回归分析.结果表明:(1)植被指数、地表温度、土壤水分之间有显著互动关系,以不同植被指数计算得到的两种TVDI与表层土壤水分相关性较好,均能够反映区域土壤干旱状况;(2)由于植被指数对植被探测的敏感性,在4月低植被覆盖时,TVDI-NDVI与表层土壤水分的相关性较高,为0.4299,8月高植被覆盖时,TVDI-RVI与表层土壤水分的相关性较高,达到0.5791;(3)在低植被覆盖区域,NDVI较RVI敏感,而在高植被覆盖区域,RVI敏感性较高.RVI适用于高植被覆盖时反演土壤湿度,NDVI则更适用于中、低植被覆盖时.

国家气候中心, 中国气象科学研究院, 国家气象中心, 等, 2006. 中华人民共和国国家标准GB/T 20481—2006: 气象干旱等级[S]. 北京: 中国标准出版社: 11.

[本文引用: 1]

BIRTH G S, MCVEY G R, 1968.

Measuring the color of growing turf with a reflectance spectrophotometer

[J]. Agronomy Journal, 60(6): 640-643.

[本文引用: 2]

CHEN J, WANG C Z, JIANG H, et al, 2011.

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

[J]. International Journal of Remote Sensing, 32(4): 1 165-1 177.

[本文引用: 1]

DU L, SONG N, LIU K, et al, 2017.

Comparison of two simulation methods of the Temperature Vegetation Dryness Index (TVDI) for drought monitoring in semi-arid regions of China

[J]. Remote Sensing, 9(2): 177-196.

[本文引用: 1]

GAO B C, 1996.

NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space

[J]. Remote Sensing of Environment, 58(3): 257-266.

[本文引用: 2]

GOETZ S J, 1997.

Multi-sensor analysis of NDVI and surface temperature and biophysical variables as a mixed grassland site

[J]. International Journal of Remote Sensing, 18(1): 71-94.

[本文引用: 1]

GOWARD S N, HOPE A S, 1989.

Evapotranspiration from combined reflected solar and emitted terrestrial radiation:preliminary FIFE results from AVHRR data

[J]. Advances in Space Research, 9(7): 239-249.

[本文引用: 1]

GU Y, BROWN J F, VERDIN J P, et al, 2007.

A five-year analysis of MODIS NDVI and NDWI for grassland drought assessment over the central Great Plains of the United States

[J]. Geophysical Research Letters, 34(6), L06407. DOI: 10.1029/2006GL029127.

[本文引用: 2]

GU Y, HUNY E, WARDLOW B, et al, 2008.

Evaluation of MODIS NDVI and NDWI for vegetation drought monitoring using Oklahoma Mesonet soil moisture data

[J]. Geophysical Research Letters, 35(22), L22401. DOI: 10.1029/2008GL035772.

[本文引用: 1]

HAN Y, WANG Y Q, ZHAO Y S, 2010.

Estimating soil moisture conditions of the Greater Changbai Mountains by Land Surface Temperature and NDVI

[J]. IEEE Transactions on Geoscience and remote sensing, 48(6): 2 509-2 515.

[本文引用: 2]

HUETE A R, 1988.

A soil-adjusted vegetation index (SAVI)

[J]. Remote Sensing of Environment, 25(3): 295-309.

[本文引用: 2]

LI H, LI C, LIN Y, et al, 2010.

Surface temperature correction in TVDI to evaluate soil moisture over a large area

[J]. Journal of Food, Agriculture & Environment, 8(3): 1 141-1 145.

[本文引用: 1]

LIU H, HUETE A, 1995.

A feedback based modification of the NDVI to minimize canopy background and atmospheric noise

[J]. IEEE Transactions on Geoscience and Remote Sensing, 33(2): 457-465.

[本文引用: 2]

NEMANI R, PIERCE L, RUNNING S, et al, 1993.

Developing satellite-derived estimates of surface moisture status

[J]. Journal of Applied Meteorology, 32(3): 548-557.

[本文引用: 1]

SANDHOLT I, RASMUSSEN K, ANDERSEN J, 2002.

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

[J]. Remote Sensing of Environment, 79(2): 213-224.

[本文引用: 1]

WANG H, HE N, ZHAO R, et al, 2020.

Soil water content monitoring using joint application of PDI and TVDI drought indices

[J]. Remote Sensing Letters, 11(5): 455-464.

[本文引用: 1]

ZORMAND S, JAFARI R, KOUPAEI S S, 2017.

Assessment of PDI, MPDI and TVDI drought indices derived from MODIS Aqua/Terra Level 1B data in natural lands

[J]. Natural Hazards, 86(2): 757-777.

[本文引用: 1]

/

〈 〉



陇ICP备09004376

Copyright © 2019 《干旱气象》 编辑部

地址： 甘肃省兰州市东岗东路2070号，中国气象局兰州干旱气象研究所 730020

电话： 0931-2402270、0931-2402775   Email：ghqx@iamcma.cn、ghs_ghqx@sina.com

技术支持: 北京玛格泰克科技发展有限公司

访问总数: 当日访问总数: 当前在线人数: