0 引言
常规遥感干旱监测多以植被指数（Normalized Difference Vegetation Index，NDVI）和地表温度为主要参数构建（刘志明等，2003；郭铌和王小平，2015）。植被指数由卫星传感器可见光和近红外通道数据的线性或非线性组合形成，能够反映绿色植物生长状况，当作物缺水时植物生长受到限制，植被指数将会降低，反之则会增高（陈亮等，2019），而地表温度的变化反映了土壤含水量的变化情况（王小平和郭铌，2003；王丽娟等，2016）。因此，植被指数和地表温度能够反映从祼地到全植被地表的土壤湿度变化情况，进而衍生出众多以植被指数和地表温度为主要参数的遥感干旱监测方法，目前相对成熟且应用较广的方法有：热惯量法、距平植被指数法、植被供水指数法（Vegetation Supply Water Index，VSWI）、温度植被指数法（Temperature Vegetation Dryness Index，TVDI）、垂直干旱指数等（Lambin and Ehrlich，1996；Goetz，1997；赵伟和李召良，2007；赵杰鹏等，2011；陈国茜等，2018；王玲玲等，2021）。当土壤含水量较高时，吸收的太阳能主要用于蒸发，土壤与植被的温度变化并不明显；当土壤含水量较低时，裸土表面吸收太阳能导致地表快速升温，而植被利用根系进行蒸腾，并与周围空气进行能量交换释放热量，从而使植被冠层温度保持较低水平（Carlson et al.，1994；Hu et al.，2019）。地表蒸发与植被蒸腾在太阳能吸收和水分交换过程中起重要作用，通过地表和植被冠层温度的变化可反映下垫面土壤水分状况（张红卫等，2010）。以蒸散发为基础的作物水分胁迫指数（Crop Water Stress Index，CWSI）将水分充足条件下的蒸散发定义为潜在蒸散发，将实际水分条件下的蒸散发定义为实际蒸散发，把实际蒸散发与潜在蒸散发之比作为作物缺水的衡量标准（Price，1990），CWSI不但考虑了地表温度和植被覆盖情况，同时还考虑了太阳辐射和大气物理状况，其理论依据明确，适用性强，估算精度高，在农业干旱监测中得到广泛的应用（申广荣和田国良，2000；汪左等，2018；梁任刚等，2022）。张艳红等（2008）和王玉娟等（2014）利用气象数据计算了全国不同农业区主要生长季作物水分亏缺情况，验证了作物缺水指数法在干旱监测中适用性较好；申广荣和田国良（2000）利用遥感数据结合气象数据实时监测了黄淮海平原旱情，实现了多源数据作物缺水指数估算；汪左等（2018）和Ma等（2021）利用MODIS数据蒸散产品评估了2000年以来区域作物水分胁迫指数分布特征及影响因素，实现了大范围、动态作物缺水指数估算。
目前，基于气象数据的CWSI估算单点精度高，但面上精度不高，基于全球蒸散发数据的CWSI估算适用于大范围、平坦开阔区域的宏观监测，而对于地形复杂的小范围区域适用性研究鲜有报道。因此，本文以黄土高原东部山西省为研究区域，利用风云三号、风云二号气象卫星数据，结合气象观测数据，对CWSI中实际蒸散发算法进行本地化调整，在太阳净辐射的估算中加入晴空系数，并根据山西地形地貌和地表覆盖特征，订正地表通量估算参数，对比分析2022年5月6—12日降雨过程前后及2022年作物生长期CWSI、TVDI、VSWI 3种遥感干旱监测指数在山西省的适用性，并验证了前10 d干旱监测的累积效应，以期得到适用于地形复杂的黄土高原东部地区的遥感干旱监测方法。
1 研究区概况、资料与方法
1.1 研究区概况
图1
图1
山西省地形及气象站点空间分布
Fig.1
Topographic and spatial distribution of meteorological stations in Shanxi Province
1.2 资料
本文使用的数据主要有：（1）风云三号极轨气象卫星数据（空间分辨率250 m）反演的植被和地表温度等下垫面信息，考虑下垫面地物在短时间内变化较小，同时为了避免有云天气对数据的影响，地面参数采用逐旬合成数据；（2）风云二号静止气象卫星数据反演的逐时太阳净辐射数据（空间分辨率5 km）；（3）山西省108个气象站逐时气温、气压、风速及93个土壤墒情观测站0~20 cm土壤水分数据。其中，风云三号和风云二号数据均来源于山西省气候中心气象卫星地面接收站，数字高程模型（Digital Elevation Model，DEM）来源于SRTM3（Shuttle Radar Topography Mission3）全球高程数据（重采样分辨率为250 m），气象数据来源于山西省气象信息中心。
表1 干旱等级划分指标
Tab.1
| 等级 | 类型 | 土壤相对湿度（R） | CWSI | TVDI | VSWI |
|---|---|---|---|---|---|
| 1 | 无旱 | 0.6<R≤1.0 | 0˂CWSI≤0.4 | 0˂TVDI≤0.55 | 0.9˂VSWI |
| 2 | 轻旱 | 0.5˂R≤0.6 | 0.4˂CWSI≤0.5 | 0.55˂TVDI≤0.65 | 0.8˂VSWI≤0.9 |
| 3 | 中旱 | 0.4˂R≤0.5 | 0.5˂CWSI≤0.6 | 0.65˂TVDI≤0.75 | 0.7˂VSWI≤0.8 |
| 4 | 重旱 | 0.3˂R≤0.4 | 0.6˂CWSI≤0.7 | 0.75˂TVDI≤0.85 | 0.6˂VSWI≤0.7 |
| 5 | 特旱 | 0˂R≤0.3 | 0.7˂CWSI≤1.0 | 0.85˂TVDI≤1.00 | 0˂VSWI≤0.6 |
1.3 干旱监测模型及调整
采用修正的作物水分胁迫指数（CWSI）进行干旱监测，并与常规遥感干旱监测指数TVDI和VSWI进行对比分析。CWSI是Jackson等（1981）在能量平衡的基础上提出的，认为实际蒸散发量（Evapotranspiration，ET）与潜在蒸散发量（Potential Evapotranspiration，ETp）之间的差异主要由于缺水导致，因此可以通过计算二者的差异来进行旱情评估。其中，ET采用改进的蒸散发模型陆面能量平衡系统（Surface Energy Balance System，SEBS）计算（Su，2002），ETp由彭曼公式计算（Richard et al.，1998；赵亚迪等，2018），在ETp一定的情况下，ET越小，CWSI越大，反映下垫面供水能力越差，即土地越干旱。
1.3.1 蒸散发比参数简化
式中：H（W·m-2）为感热通量，下标w、d分别代表极端湿润、极端干旱状态；rah（s·m-1）为整体外部阻抗；Δt（℃）是参考高度和地表位温之间的温度差，可表示地表温度和气温的温差，设Tar=Δt/rah，则上式变换为：
要得到极端湿润和极端干旱状态下的Tar，需要找到区域内两个特殊点：“冷点”和“热点”，“冷点”地表湿润、植被茂盛、潜在蒸散发值最大，“热点”地表干燥、裸地、高温、蒸散发近似为0，可通过温度-植被指数特征空间近似地找到相对应点，进一步计算出“冷点”和“热点”的Tar，代入公式（2）即可得到蒸散发比。
1.3.2 太阳净辐射估算模型改进
1.3.3 地温和空气动力学参数的高程订正
2 结果与分析
2.1 一次降雨过程前后干旱监测
2022年5月6—12日，山西省中部和北部普降大雨，图2为降雨前（5月5日）后（5月13日）实测墒情和基于3种遥感方法的干旱监测结果。可以看出，降雨前实测墒情表现为山西省中部的忻州、阳泉、晋中地区和南部运城地区出现中到重旱。3种遥感干旱监测指数与实测墒情在空间上表现较为一致，其中，CWSI的旱情等级和分布范围与实测墒情结果最接近；TVDI受温度影响，普遍高估南部旱情；VSWI受植被影响较大，中部植被较差区域旱情高估。5月6—12日山西中部和北部大范围降雨后，CWSI表现为中北部旱情大幅减缓，只有南部运城的部分区域仍处于中旱及重旱，北部的天镇出现轻旱；TVDI、VSWI表现出同样的变化趋势，但监测结果的旱情减缓程度较轻；实测土壤墒情表现为运城大部分地区出现中到重旱，北部天镇出现轻到中旱，其余地区均表现为墒情适宜，部分地区甚至出现过湿，与CWSI监测结果基本一致。
图2
图2
山西省2022年5月5日（a、b、c、d）、13日（e、f、g、h）实测20 cm土壤墒情（a、e）及CWSI（b、f）、TVDI（c、g）、VSWI（d、h）干旱监测指数空间分布
Fig.2
The spatial distribution of 20 cm soil moisture （a， e） and CWSI （b， f）， TVDI （c， g）， VSWI （d， h） drought monitoring indices in Shanxi Province on May 5 （a， b， c， d） and 13 （e， f， g， h）， 2022
对比降雨前后干旱监测结果可以发现，CWSI、TVDI、VSWI干旱监测指数均表现出与实测土壤墒情一致的趋势，由于CWSI订正了高程参数，地形对CWSI的影响明显降低，其监测结果与实测结果基本一致，而TVDI、VSWI受地形和植被的影响较大，在吕梁山、太岳山等山区林地旱情监测等级明显偏低，而在城镇和耕地区域旱情监测等级偏高。当经历一场降雨后，CWSI表现为实时的旱情转变，而TVDI和VSWI受植被影响旱情缓减程度较小，由于降水对NDVI的影响具有滞后性（易雪等， 2021），导致以NDVI为主要参数的TVDI和VSWI干旱监测结果也具有滞后性，而以蒸散发为主要参数的CWSI考虑了空气和地面的水分交换状况，能实时反映降水对旱情的缓减程度，因而具有更高的时效性。
分别提取全省93个土壤墒情观测站降雨前后遥感干旱监测结果与实测数据进行对比分析（图略），发现降雨前CWSI、TVDI、VSWI与实测干旱等级一致的站点数分别为77、64、60个，占比分别为82.8%、68.8%、64.5%；降雨后CWSI、TVDI、VSWI与实测干旱等级一致的站点数分别为75、52、46个，占比分别为80.6%、55.9%、49.5%。说明降雨后3种遥感干旱监测结果的精度都有所降低，其中CWSI降低最少，与实测数据一致性最高，CWSI干旱等级监测精度达80%以上，可以满足业务服务的精度需求，其次为TVDI，VSWI相对最差。
2.2 作物生长期干旱监测
为进一步比较上述遥感干旱监测方法的特点和适用性，利用山西省2022年作物生长期（4—10月上旬）逐旬CWSI、VSWI、TVDI干旱监测结果（每旬选择一天云量较少的数据，共选取19个时段）与实测土壤墒情进行对比分析，为避免异常值干扰，遥感监测结果选取站点周围9×9个像元均值作为站点提取值。从北至南选取6个典型气象站（偏关、平定、清徐、潞城、长治、晋城）。图3为2022年4—10月上旬典型气象站点实测旱情与CWSI、VSWI、TVDI干旱监测等级逐旬变化。可以看出，CWSI与实测旱情的变化趋势最接近，波动范围最小，而TVDI、VSWI与实测旱情的变化趋势不太一致，其中前半段（4—5月）表现得较为接近，后半段（6—10月上旬）表现出相反趋势，说明CWSI在整个作物生长期反演的土壤墒情效果均较好，而VSWI、TVDI反演结果在春季植被稀疏时效果较好，对于植被茂盛的夏、秋季节则效果不好，这与陈亮等（2019）利用TVDI反演2011—2017年河南省春季干旱监测结果基本一致。由于山西省4—5月风速较大，蒸发旺盛，导致地表水分迅速流失产生旱情，从而使以蒸散发为主要参数的CWSI更接近实际旱情。
图3
图3
2022年4—10月上旬山西省典型气象站点实测及CWSI、VSWI、TVDI干旱等级逐旬变化
Fig.3
The ten days variation of drought grades of observation and CWSI， VSWI， TVDI at typical meteorological stations in Shanxi Province from April to early October in 2022
表2列出2022年4—10月上旬山西省典型气象站点实测相对湿度和TVDI、VSWI、CWSI的相关性。可以看出，3种干旱指数在作物生长期前半段和后半段表现出明显差异，各站4—10月上旬CWSI与实测数据均表现为显著负相关，所有相关系数均通过0.01的显著性检验，且相关性均高于TVDI和VSWI。4—5月，TVDI、CWSI和实测数据的相关性接近，均有1站通过0.01的显著性检验，3站通过0.05的显著性检验，2站未通过显著性检验，VSWI与实测数据的相关性，只有平定站通过0.05的显著性检验；6—10月上旬，CWSI与实测数据的相关性，除最北的偏关站，其余5站均通过0.01的显著性检验，而TVDI、VSWI与实测数据的相关性均未通过显著性检验，部分站甚至出现正相关。综上所述，除最北的偏关站，TVDI在春季的旱情监测结果较符合实际，夏、秋季的旱情监测结果较差，部分站点甚至出现与实测数据相反的情况；CWSI与实测数据在整个作物生长期均表现为高度一致；VSWI在各时段的监测结果均较差，说明CWSI适用于山西省整个作物生长期干旱监测，而TVDI只适用于春季干旱监测，VSWI则不适用于山西省干旱监测。
表2 2022年4—10月上旬山西省典型气象站点实测相对湿度和CWSI、VSWI、TVDI的相关系数
Tab.2
| 站点 | 时间段 | TVDI | VSWI | CWSI |
|---|---|---|---|---|
| 偏关 | 4—10月上旬 | 0.39 | 0.57** | -0.70** |
| 4—5月 | -0.26 | 0.26 | 0.23 | |
| 6—10月上旬 | -0.17 | -0.04 | -0.24 | |
| 平定 | 4—10月上旬 | 0.10 | 0.33 | -0.66** |
| 4—5月 | -0.86** | -0.71* | -0.74* | |
| 6—10月上旬 | 0.07 | 0.37 | -0.74** | |
| 清徐 | 4—10月上旬 | 0.22 | 0.26 | -0.74** |
| 4—5月 | -0.74* | -0.46 | -0.77* | |
| 6—10月上旬 | 0.30 | 0.22 | -0.71** | |
| 潞城 | 4—10月上旬 | -0.11 | 0.29 | -0.68** |
| 4—5月 | -0.78* | -0.38 | -0.71* | |
| 6—10月上旬 | 0.09 | 0.37 | -0.76** | |
| 长治 | 4—10月上旬 | 0.16 | 0.47 | -0.76** |
| 4—5月 | -0.71* | -0.62 | -0.43 | |
| 6—10月上旬 | 0.03 | 0.49 | -0.83** | |
| 晋城 | 4—10月上旬 | 0.13 | 0.19 | -0.78** |
| 4—5月 | -0.42 | 0.14 | -0.90** | |
| 6—10月上旬 | -0.06 | -0.09 | -0.68** |
注： **、*分别表示通过0.01、0.05的显著性检验。
2.3 干旱监测的累积效应分析
基于遥感的干旱监测模型反演的是地表（表层土壤或植被冠层）干旱状况，而土壤墒情观测站监测的是0~20 cm浅层土壤相对含水量，且大气与表层土壤之间存在水分传输与交换，也有可能出现提前时段蒸散发量对当前土壤水分状况的指示效应，因此，有必要探讨前10 d平均CWSI对当前土壤湿度的指示效应。图4为2022年4—10月上旬山西省典型气象站点前10 d平均CWSI、当前CWSI与土壤相对湿度的相关性分析（R1、R2分别为前10 d平均CWSI、当前CWSI与土壤相对湿度的相关系数）。可以看出，前10 d平均、当前CWSI和土壤相对湿度均有较高的相关性，都通过0.01的显著性检验，且前10 d平均CWSI与土壤相对湿度的相关性略高，说明基于前10 d平均CWSI值反演的土壤干旱状况具有更好的效果，即前10 d平均CWSI更能体现旱情的累积效应。
图4
图4
2022年4—10月上旬山西省典型气象站点前10 d平均CWSI、当天CWSI和实测土壤湿度的相关性分析
Fig.4
Correlation analysis of average CWSI in the first 10 days， CWSI on the same day and observed relative humidity at typical meteorological stations in Shanxi Province from April to early October in 2022
3 结论与讨论
基于温度和植被指数的遥感干旱监测方法，能够反映从裸地到全植被覆盖下垫面的干湿状况，但容易受监测时间、天气条件和卫星轨道等影响，同时不同地形条件也会影响干湿条件的变化，导致同一区域干旱分级标准不统一。因此，针对山西省地形复杂、南北跨度大的特征，本文简化和订正了CWSI中输入参数，并通过与TVDI、VSWI对比分析降雨前后及作物生长期干旱监测状况，得到以下结论。
CWSI、TVDI、VSWI 3种干旱监测结果均表现出与实测土壤墒情同样的趋势，且能反映降水对旱情的影响，由于CWSI订正了高程参数，结果受地形影响较小，且CWSI以蒸散发为主要参数，能够实时反映降水对旱情的缓减，结果具有更高的时效性，与实测土壤墒情一致性最高；TVDI、VSWI受地形和植被的影响较大，在主要山区林地旱情监测等级普遍偏低，而在城镇和耕地区域旱情监测等级偏高，且TVDI在温度高的区域易高估旱情等级，VSWI在植被低的区域易高估旱情等级，TVDI、VSWI对降水的响应具有一定滞后性。
CWSI干旱监测结果在整个作物生长期均表现出较好的效果，而TVDI干旱监测结果只在春季植被不是特别旺盛时具有较好的效果，对于植被覆盖较好的夏、秋季节则效果不好，VSWI干旱监测结果在整个作物生长期均较差，不适用于地形复杂区域遥感干旱监测；累积遥感干旱监测分析表明前10 d平均CWSI更接近实测旱情，说明前10 d累积干旱监测结果更能体现地表浅层土壤墒情，这也印证了干旱的累积性和缓变性。
基于温度和植被指数特征空间的遥感干旱监测方法需要具备从裸地到全植被的植被覆盖条件，从完全干旱到水分充足的土壤湿度条件，但单张图像常不能满足。近年来，学者通过多年数据建立通用温度植被指数空间来进行遥感监测干旱取得了较好的效果，但已有研究多集中在耕地连片的平原区（张学艺等，2009；陈亮等，2019），由于山西省地处黄土高原东麓，位于我国地势第二阶梯和第三阶梯的过渡带，地形复杂多变，常规遥感监测模型TVDI只在春季与实测结果较一致，在夏秋季准确率较低，加之夏季云的影响普遍存在，以及植被指数易饱和的影响，干旱监测结果往往较差。因此，复杂地形条件下，常规的TVDI、VSWI监测结果不能很好反映实际干旱状况。本文通过简化作物水分胁迫指数参数，修正地形、云等外在条件影响，反演的干旱监测结果准确率较高，可以作为黄土高原地形复杂区域干旱监测的有效手段之一。此外，遥感干旱监测方法只能监测到地表（表层土壤或植被冠层）水分状况，而对于植被生长影响较大的土壤水分层分布在10~20 cm，所以区域旱情监测还需结合土壤质地推算深层土壤水分，才能反映影响作物生长的真实旱情。
参考文献
青海高寒草地区曲麻莱县遥感干旱指数的适用性研究
[J].
利用2001—2016年MODIS产品数据和地面站点数据，在垂直干旱指数、归一化植被水分指数和植被状况指数与土壤水分数据相关分析基础上，筛选相关性较高的遥感干旱指数和适用时段，再结合典型干旱案例，确定青海南部典型高寒草地区曲麻莱县最优遥感干旱指数和适用时段，构建牧草生育期土壤水分估算模型，并再现2015年夏旱事件。结果表明：植被状况指数比较适合曲麻莱县夏旱监测，依据百分位法划分的土壤干旱分布区域与牧草长势较差的分布区域基本一致，旱情空间演变趋势与实际情况相符。该模型及基于百分位法的旱情评价方法能较好地满足日常干旱监测业务需求。
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。
土壤水分与干旱遥感研究的进展与趋势
[J].对土壤水分和干旱遥感监测的国内外发展情况进行了回顾，依据土壤水分和干旱遥感监测的原理，围绕着可见光与近红外、热红外、微波光谱波段的使用，分别以土壤和植被为观测对象，对国内外土壤水分与干旱遥感现状与发展趋势进行讨论。重点对微波遥感土壤湿度的算法发展和研究趋势进行了较详细的论述。在总结国内外土壤水分遥感监测研究实验中所用过的方法与原理的基础上，对目前遥感监测土壤水分研究领域的重点、难点和未来的发展方向进行了评述。土壤水分遥感监测是一个复杂的间接过程，波段及变量选择、传感器的性能等因素对土壤水分监测是至关重要的，土壤的各种理化性状、地形的分异作用以及气候变化和人为的土壤管理措施对土壤水分均有不同的影响，地表特征与土壤水分也存在着一定的相关性。改进的热惯量法和作物缺水指数法是当前土壤水分遥感监测中较为成熟的方法。GIS技术的广泛应用、土壤水分遥感监测模型的优化，微波遥感的应用将是该领域的重点研究方向。
基于CWSI的安徽省干旱时空特征及影响因素分析
[J].安徽省是我国的农业大省和重要商品粮食基地,因受自然地理位置等因素的影响,安徽省旱灾频发。论文基于MOD16产品,利用作物缺水指数CWSI,结合气象数据和MOD13数据,分析2000—2014年安徽省干旱时空分布特征和影响因素,结论如下：1）基于MOD16产品计算的作物缺水指数可用于安徽省干旱的监测。2）2000—2014年间安徽省CWSI多年均值为0.524,最大值在2011年（0.569）,最小值在2003年（0.458）,整体上呈现弱增加趋势;具有较强的空间分异性,表现为南部湿润、北部干旱。各市多年CWSI年均值相差不大,但变化趋势各异,淮北平原地区和江淮之间地区呈现显著增加趋势,而皖南地区呈显著下降趋势。3）安徽省CWSI年内月变化整体上呈先减少后增加的单谷型趋势,1—6月和10—12月CWSI值较高,最大值在3月,为0.66,7—9月CWSI值较低,最小值在8月,为0.27,具有明显的季节性差异,淮北平原易出现春旱、秋旱和冬旱,江淮丘陵易出现春旱及秋旱,沿江地区易出现春旱。4）不同土地利用类型的CWSI年内变化特征差异明显,林地和草地整体上呈现先减少后增加的单谷趋势,其月均最大值在3月,城镇和耕地则表现为多峰趋势,最大月均值在6月。5）CWSI与降雨、温度以及植被的关系密切,在降雨较多的地区,温度较低,植被指数较高,CWSI值较小,干旱程度较轻,说明降雨对CWSI变化的影响较大。
混合像元对遥感干旱指数监测能力的影响
[J].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—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。
遥感监测干旱的方法及研究进展
[J].文中回顾了干旱监测研究的国内外进展‘总结了目前干旱监测的方法.并对未来进行干旱监测的发展方向谈了自己的认识同时指出了在干旱监测方而应该走多学科综合的道路。
山西最大冻土深度时空分布特征
[J].基于山西68个气象观测站1960—2018年月最大冻土深度资料,应用EOF和小波分析等方法,研究山西年最大冻土深度的时空分布特征。结果表明:(1)1960—2018年山西68站平均年最大冻土深度平均值为71 cm,极端最大值为192 cm,极端最小值为7 cm。近59 a山西68站平均年最大冻土深度呈显著减小趋势,气候倾向率为-1.394 cm·(10 a)<sup>-1</sup>,且在1986年发生一次显著的气候突变。(2)山西68站平均年最大冻土深度存在准4 a周期。(3)山西年最大冻土深度空间分布整体上南浅北深、东浅西深。(4)山西年最大冻土深度EOF分解前2个模态的累积方差贡献率达58.4%,第1模态空间型为全省一致型,第2模态空间型为南北反向型。
A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover
[J].
Multi-sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site
[J].
Nonlinear boundaries of land surface temperature-vegetation index space to estimate water deficit index and evaporation fraction
[J].
Canopy temperature as a crop water stress indicator
[J].
Impact of clouds on the estimation of daily evapotranspiration from MODIS-derived instantaneous evapotranspiration using the constant global shortwave radiation ratio method
[J].
The surface temperature-vegetation index space for land cover and land-cover change analysis
[J].
Characterization and evaluation of MODIS-derived crop water stress index (CWSI) for monitoring drought from 2001 to 2017 over Inner Mongolia
[J].
Parameterization of land surface evaporation by means of location dependent potential evaporation and surface temperature range
[C]//
Simulation of surface urban heat islands under ‘ideal’ conditions at night part 2: Diagnosis of causation
[J].
Using spatial context in satellite data to infer regional scale evapotranspiration
[J].
Crop evapotranspiration, FAO irrigation and drainage paper NO. 56
[R].
The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes
[J].
