地球物理学报  2014, Vol. 57 Issue (8): 2473-2483   PDF    
卫星遥感数据评估黄土高原陆面干湿程度研究
康悦, 文军, 张堂堂, 田辉, 陈昊    
中国科学院寒区旱区环境与工程研究所, 中国科学院陆面过程与气候变化重点实验室, 兰州 730000
摘要:卫星遥感数据具有估算时空尺度上地表参量的优势,在陆地环境状况评估和监测等方面有很大的应用潜力.本文利用美国地球观测系统卫星搭载中等分辨率成像光谱仪(EOS/MODIS)在黄土高原2002-2010年期间获取的每16天归一化植被指数(NDVI)和每日地表温度(LST)数据,分析了黄土高原地区LST-NDVI空间的基本特征.结果发现:当研究区域足够大且遥感数据时间序列足够长时,LST-NDVI空间中(NDVI,LST)散点并非呈三角形或梯形分布.为了能够利用EOS/MODIS的NDVI和LST数据正确地评估陆面的干湿状况,本文给出了利用数据集合法确定LST-NDVI空间中干边和湿边的数值,即在LST-NDVI空间中,利用NDVI等值区间内LST最大值和最小值的集合代表干边和湿边的数值,并进一步证明了在LST-NDVI空间中干边和湿边数值并非呈线性关系.在分析LST-NDVI空间特征的基础上,通过构建地表温度-植被干旱指数(TVDI),探讨其在评估黄土高原地区陆面的干湿状况的应用潜力.结果表明:由TVDI距平表征的陆面的干湿程度与局地降水距平有很好的关联性,二者在时空分布上有较好的对应关系.在我国陇东黄土高原塬区,TDVI数值与地面观测的表层土壤湿度有很好的相关性,相关系数在0.67以上,并通过显著性为1%的检验.由此说明:如果合理选取干边和湿边的数值,TDVI可应用于区域陆面干湿程度的客观评估.
关键词黄土高原     卫星遥感     TVDI     干湿程度     降水    
Assessment of the land surface wetness by using satellite remote sensing data over the Loess Plateau
KANG Yue, WEN Jun, ZHANG Tang-Tang, TIAN Hui, CHEN Hao    
Key Laboratory of Land Surface Process and Climate Change in Cold and Arid Regions, Cold and Arid Regions Environmental and Engineering Research Institute, Chinese Academy of Sciences, Lanzhou 730000, China
Abstract: Due to its advantages in estimating regional and temporal land surface variables, satellite remote sensing has great potential in detecting and monitoring land surface wetness. In this paper, the preliminary characteristics of LST-NDVI space were analyzed by using land surface temperature (LST) and normalized difference vegetation index (NDVI) obtained from the Earth Observation System/MODerate-resolution Imaging Spectroradiometer (EOS/MODIS). The results indicated that when the study area was large enough, and the time series length of the datasets was long enough, the distribution of the points in the LST-NDVI space is not triangular or trapezoid shapes. Based on this fact, a method for estimating the values of the dry edge and wet edge was proposed, the values of dry edge and wet edge were the sets of maximum and minimum at the given NDVI internals, the NDVI and LST values on the dry edge and wet edge were not linear relationship. A land surface Temperature -Vegetation drought Difference Index (TVDI) was constructed based on the LST-NDVI space characteristics, its potential on land surface wetness assessment over the Loess Plateau was explored. The results showed that there was a relationship between the land surface wetness denoted by TVDI anomaly and meteorological drought cased by precipitation anomaly, both of them matched well at the spatial and temporal patterns. There was a good relationship between TVDI and 5.0 cm depth soil moisture over the Loess Plateau mesa, the correlation coefficient was above 0.67, it passed the test of significance at the significance level of 1 percent. Therefore, it could be concluded that TVDI is able to be used in assessing land surface wetness.
Key words: The Loess Plateau     Remote sensing     TVDI     Wetness     Precipitation    
1 引言

气候变暖影响了全球干旱及干旱化的发生和发展,已引起社会各界及相关学术领域的重视,特别是在区域降水量减少和温度升高的气候背景下,气候增暖已成为引起极端干旱灾害事件频发和干旱化加剧的重要因子之一(马柱国等,2005).土壤水分在地表-大气界面间的热量和水分交换过程中扮演着重要的角色,是陆面干旱程度监测的一个重要指标(王鹏新等,2003).通过分析由卫星辐射传感器观测的地表反射辐射能量,能够客观地估算地表综合地物参量,而利用卫星多光谱辐射仪观测资料可以为陆面过程研究提供各种空间和时间尺度的植被和地表温度信息(宋小宁等,2004江东等,2012).虽然卫星遥感获得的植被和地表温度信息在一定程度上也反映了土壤湿度的变化,但目前还缺乏其与土壤湿度间的关联机理的相关研究.国内外学者利用卫星遥感获得的地表温度(L and Surface Temperature,LST)和归一化植被指数(Normalized Difference Vegetation Index,NDVI)特征空间进行干旱灾害监测的研究较多,但 直接关联其与土壤湿度的研究并不多(王小平等,2003孙亮等,2008).因此,如何应用卫星遥感技术获得的植被和地表温度数据合理表征下垫面干湿程度成一个热点科学问题.

NDVI和LST是由卫星可见光和热红外遥感数据获得表征陆表植被生长状况和土壤表层温度的两个地物参量(康悦等,2011).自1990年以来,国内外该领域的学者对卫星遥感NDVI和LST数据及其组合进行了大量的分析研究,得到如下结论:在给定研究区域,当地表覆盖从裸土到完全植被覆盖且土壤水分的变化范围较大时,LST-NDVI空间中,(NDVI,LST)散点为近似三角形分布关系(Price,1990; Gillies et al., 1997; Carlson et al., 1995; Chen et al., 2011).在给定LST-NDVI空间中(NDVI,LST)散点呈三角形分布的基础上,S and holt等利用地表温度-植被干旱指数(Temperature-Vegetation Dryness Index,TVDI)估测土壤表层水分状况(S and holt et al., 2002).在黄淮海地区的研究表明:地表温度-植被干旱指数和土壤湿度显著负相关,相关系数在0.65以上(Chen et al., 2011).已有研究表明:黄河源区地表温度-植被干旱指数与实测表层土壤相对含水量相关系数在0.8以上,由夏季TDVI估算的土壤湿度值与实测值的均方根误差为0.09(陈立文等,2012).在美国南方大平原地区,改进的TVDI与土壤湿度有较好的一致性(Sun et al., 2012).在我国陕西省关中平原地区,将条件植被温度指数(Vegetation Temperature Condition Index,VTCI)应用于2000年3月下旬陆面干旱的监测,结果表明:利用VTCI能较好地反映该区域的相对干旱程度,并可用于研究陆面干旱程度的空间变化特征(王鹏新等,2001).利用美国国家海洋大气局气象卫星/甚高分辨率辐射计(NOAA/AVHRR)数据开展了中国旱情监测研究,通过分析LST-NDVI空间的特征,再进行干边和湿边的线性拟合并估算土壤湿度,最后根据所得土壤湿度划分干旱等级,获得了全国旱情分布图,比较客观地反映了干旱程度的空间分布(柳钦火等,2007).利用VTCI和MODIS数据产品对美国南方大平原的干旱状况进行了监测研究,取得了较好的结果(Wan et al., 2004).利用TVDI估算了2003年8—9月每16d的新疆地区陆面土壤湿度,并利用同步观测的表层土壤湿度对该表征量进行了验证,结果表明:TVDI与土壤湿度显著相关,并可以用来估算地表的土壤湿度,由卫星遥感数据估算的新疆地区土壤湿度空间分布与新疆年降水量及年平均相对湿度空间分布规律吻合(姚春生等,2004).

在以上这些研究中,假设条件是在LST-NDVI空间中的(NDVI,LST)散点呈三角形或梯形分布.然而,LST-NDVI空间的特征受很多因素的影响,例如,在不同土地利用类型、土壤质地状况和植被覆盖类型等条件下可能有不同的空间特征,研究区域范围的大小和资料时间序列的长短也会导致LST-NDVI空间特征有很大的差异(齐述华等,2005).如果将LST-NDVI空间中(NDVI,LST)散点分布简单地理想化为三角形或梯形分布,采用简单用线性拟合确定的干边和湿边则有很大的不确定性(韩丽娟等,2005).因而,如何确定LST-NDVI空间中的干边和湿边是利用卫星遥感数据评估陆面干湿程度的一个关键技术问题.为此,我们提出了利用集合法确定LST-NDVI空间中干边和湿边数值,即在LST-NDVI空间中,利用NDVI等值区间内LST最大值和最小值集合代表干边和湿边的数值,避免了线性拟合求解LST-NDVI空间干边和湿边数值时的不确定性.本文以我国黄土高原地区为研究区域,利用2002—2010年美国地球观测系统卫星搭载 的中等分辨率成像光谱仪(Earth Observation System/ Moderate-resolution Imaging Spectroradiometer,EOS/ MODIS)获取的NDVI和LST数据产品,以黄土高原地区的陆面干湿程度评估为研究对象,首先构建黄土高原地区LST-NDVI空间,然后确定LST-NDVI空间中的干边和湿边的数值解集,并在此基础上计算黄土高原地区每个像元点的TVDI,并分析讨论其与研究区域降水的关联性及地面观测土壤湿度的相关性,探讨其在评估黄土高原陆面干湿程度中应用潜力. 2 研究区域和数据 2.1 研究区域

本文研究区域为黄土高原地区,是我国第二地 形阶梯,同时也是我国水土流失和土壤风蚀最为严重的地区,地理位置在34°41′N—41°16′N/100°52′ E—114°33′E的范围,总面积约62.7万平方千米.黄土高原地区横跨我国山西省、陕西省中北部、甘肃省中东部、内蒙古自治区中南部、宁夏回族自治区及青海省东部等地区(李振朝等,2008).黄土高原地区地貌由黄土塬、沟壑、山、梁和坪等地貌组成,地势西北高东南低,海拔一般在1000.0 m以上.黄土高原植被类型自东南向西北,依次为草地、耕地、林地和荒漠等(信忠保等,2007).在气候划分上,黄土高原属大陆性气候区,从东南向西北,气候划分依次为湿润到半湿润暖温带、半湿润到半干旱温带、干旱到半干旱温带气候带,多年平均的年气温在-4.0~13.0 ℃之间,由北到南逐渐变高,东南部平均温度较高,多年平均降雨量为466.0 mm,总的趋势是从东南向西北递减,东南部600.0~700.0 mm,中部300.0~400.0 mm,西北部100.0~200.0 mm,且降水主要发生在夏季(王毅荣等,2008)(见图 1).

图 1 黄土高原地理位置(a); 年平均气温分布(b); 年平均降水分布(c)(图中背景图为黄土高原地区土地利用) Fig. 1 The geographic location of the Loess Plateau(a); The annual mean air temperature(b) and the annual mean precipitation(c)(the background map is the l and use of the Loess Plateau)
2.2 数据资料

本研究将利用EOS/MODIS数据产品获取的黄土高原地区LST和NDVI资料,资料时间跨度为2000年4月至2010年12月,空间范围覆盖黄土高原地区,卫星遥感数据产品的空间分辨率为0.05°,LST的时间分辨率为1天,NDVI时间分辨率为16天.

为了分析地表温度-植被干旱指数与研究区域降水的关联性,本文选取黄土高原地区2002—2010年期间共59个气象台站的月平均气温和降水资料,所有气象资料来源于中国气象局国家气象信息中心.为了验证TVDI与土壤湿度的关联,本文还选取了2010年在中国科学院平凉雷电与雹暴试验站开展的“黄土高原陆面过程野外观测试验”(LOPEXs)数据(集)中5.0 cm深度的土壤湿度资料(Wen et al., 2009; Liu et al., 2010). 3 理论基础 3.1 NDVI和LST及其与土壤湿度的关联

陆地表层植被是连结土壤和大气的自然纽带,而陆地生态系统中植被覆盖变化与土壤水分状况的直接关联.由于植被叶绿体在近红外波段具有较高的反射率,在红光波段有低的反射率,因此,根据MODIS观测的光谱反射率可以定义反映植被生长状态的植被指数(信忠保等,2007).由于从植被指数反映出的冠层绿度与植物的生长状态密切相关,植被指数也可用于监测下垫面植被的长势,而植被的长势与土壤水分或干湿程度也相互关联.因此,对NDVI和LST进行合理组合,可以获得表征地物信息的新参量,有助于更加准确有效地揭示植被覆盖、土地利用和土壤水分的时空变化规律,更有效地监测陆地植物生长和陆面干湿程度(覃志豪等,2005). 3.2 干边和湿边的定义

由卫星遥感数据建立的LST-NDVI空间中,在给定相同植被生长状况下,即相同NDVI的条件下,LST愈接近其最大值,则下垫面土壤愈干燥,在不同等值NDVI区间内,所有LST的最大值构成的数值集合定义为干边.同样条件下,当LST愈接近其最小值,则下垫面愈湿润,在不同等值NDVI区间内,所有LST的最小值构成的数值集合定义为湿边.在此需要强调,本文给出所谓的干边和湿边的定义仅适合植被生长季节下垫面,对于完全或永久裸土以及冬季时段,这一定义并不适合. 3.3 LST-NDVI空间实际特征 3.3.1 LST-NDVI空间散点分布

为了揭示黄土高原研究区域内LST-NDVI空间中的散点分布规律,本文任意选取2010年5月1日、5月29日、7月5日和7月29日四个典型晴朗天气条件下植物生长季的LST和NDVI数据,并给出相应的LST-NDVI空间中散点分布图(见图 2).结果表明:LST与NDVI之间存在明显的负相关关系,但不同日期的LST-NDVI空间中(NDVI,LST)散点分布并不相似,且没有固定的散点分布类型.由此说明:利用有限或短时期内的卫星遥感数据,将LST-NDVI空间中(NDVI,LST)散点分布简单理想化为三角形或梯形分布并不合理,利用简单线性拟合获取干边和湿边的数值有很大的不确定性.

图 2 黄土高原地区LST-NDVI空间中散点分布(图例为0.05NDVI×0.5K范围内点的密度) (a)2010年5月1日;(b)2010年5月29日;(c)2010年7月5日;(d)2010年7月29日. Fig. 2 The LST-NDVI scattering plots over the Loess Plateau(Legend is the dot number per 0.05NDVI×0.5K bin) (a)May 1,2010;(b)May 29,2010;(c)July 5,2010;(d)July 29,2010.
3.3.2 LST-NDVI空间特征及干边和湿边的数值集合法

为了克服过去相关研究中,研究区域较小和数据时间序列较短的局限性,避免将LST-NDV空间中(NDVI,LST)散点分布为近似三角形或梯形分布的不足,以及利用线性拟合确定干边和湿边的数值带来的误差和随意性问题,本文选取我国整个黄土高原地区为研究区域,利用EOS/MODIS在2002—2010年期间获取的每16天的NDVI数据和每日的LST资料,构建黄土高原地区LST-NDV空间,在0.01 NDVI等值区间内,提取该等值区间内的LST最大和最小地表温度,确定干边和湿边的数值集合(见图 3).

图 3 LST-NDVI空间中给定NDVI区间(0.01)内2002—2010年期间不同年度LST的最大值和最小值(a); LST-NDVI空间中给定NDVI区间(0.01)内LST在2002—2010年间最大值和最小值(b) Fig. 3 The annual maximal and minimal LST at the given NDVI intervals(0.01)in the LST-NDVI space from 2000 to 2010(a); The maximal and minimal LST at given NDVI intervals(0.01)from 2000 to 2010 in the LST-NDVI space(b)

图 3a可以看出,在2002—2010年期间,由于不同年度黄土高原植被长势和土壤水分的差异,每年的干边和湿边的数值集合并不同,LST-NDVI空间中(NDVI,LST)散点分布并不满足三角形或梯形分布特征,在LST-NDVI空间中,干边和湿边上NDVI和LST数值也并非线性关系,即使相同的下垫面,NDVI和LST时间序列数据不同,也会导致干边和湿边的数值有一定的差异.因此,应该尽量选取较长的NDVI和LST时间序列数据,确定LST-NDVI空间中干边和湿边的数值.而且,在确定LST-NDVI空间中干边和湿边的数值时,卫星遥感数据应该有足够长的时间序列.为此,我们在分析2000—2010年EOS/MODIS获取近十多年NDVI和LST数据的基础上,确定出黄土高原地区LST-NDVI空间中干边和湿边的数值集合(如图 3b所示). 4 表征陆面干湿程度的温度-植被干旱指数 4.1 温度-植被干旱指数

估算地表温度是卫星热红外波段遥感数据最重要的应用领域之一(李召良等,2000).对裸土下垫面,由卫星遥感观测资料估算的地表面温度就是土壤表层温度,而有植被覆盖时地表面温度被认为是土壤表层温度和植物冠层温度的集合(高磊等,2007张建云等,2005).植物冠层的温度升高是植物受到水分胁迫和干旱发生的最初指示器.两种变量的有机组合可以衍生出更丰富的地物信息,有助于更加准确有效地揭示植被覆盖、土地利用和土壤水分的时空变化规律,更有效地监测植物生长和陆面干湿程度(柳钦火等,2007).

在黄土高原地区的LST-NDVI空间中,在取相同NDVI值的条件下,以LSTmin表示LST-NDVI空间中的最低地表温度,则其数值集合构成湿边;LSTmax为某一像元点上给定植被指数条件下的最高地表温度,则其数值集合构成干边.将LST-NDVI空间中任意散点(NDVI,LST)中的LST用干边和湿边的数值进行归一化,并将其定义为温度-植被干旱指数(TVDI):

在LST-NDVI空间中散点(NDVI,LST)愈接近干边时,则下垫面土壤愈缺水或愈干燥,在干边上,TVDI=0.0.当LST-NDVI空间中散点(NDVI,LST)愈接近湿边,则下垫面愈湿润,在湿边上,TVDI=1.0.因此,已知下垫面某一点上的NDVI值,则当空间点(NDVI,LST)对应的TVDI值越小时,下垫面土壤水分越低.因此,TDVI可以表征下垫面的干湿程度. 4.2 黄土高原地区TVDI距平及其时空分布

在实际情况下,并不是某一地区的水分表征变量(如降水和土壤湿度等)数值越高或越低,就表示该地区陆面偏湿或偏干,而是当表征水分变量数值偏离了多年的平均值时才表明该地区陆面呈现偏湿或偏干.因此,在利用TVDI表征陆面干湿程度时,只有当其数值低于多年平均值时才表明该地区陆面偏干,有可能发生了干旱,也就是利用TVDI距平可以表征是否有干旱的发生、终止以及陆面干湿程度.为此,我们根据EOS/MODIS在2002—2010年期间获取的每16天的NDVI和每日的LST资料,分别计算出黄土高原每个像元点在2002—2010年期间每天的TVDI值和对应点平均值,利用TDVI的距平值反映黄土高原陆面干湿程度时空分布变化,正距平表示某像元点陆面土壤偏湿,负距平则表示某像元点陆面土壤偏干.

根据在LST-NDVI空间中TVDI的定义,以TVDI-A表示TDVI距平,根据2002—2010年期间TVDI-A的最大值和最小值,将其按正负距平划分为3级,分别是:-0.045~-0.025,-0.025~-0.017,-0.017~-0.011,-0.011~0,0~ 0.004,0.004~0.0013,0.013~0.026,0.026~0.065. 当TVDI-A∈(-0.045,-0.025)时,表示陆面严重偏干,当TVDI-A∈(0.00,0.004)时,研究区域土壤水分含量为正常状态,可能没有干旱发生,而当TVDI-A∈(0.013,0.026)时,研究区域的陆面偏湿.图 4给出了2003、2005和2010年植物生长季(4—9月)黄土高原地区TDVI-A空间分布图.从图中可以看出,在黄土高原地区不同年份,TDVI距平的空间差异较大,有些年份北部干旱区为正TDVI距平,而有些年份南部半湿润区为正TDVI距平.例如,2003年黄土高原北部绝大部分地区为正TDVI距平,2005年整个黄土高原地区为负TDVI距平,而2010年黄土高原地区西南部TDVI距平绝大部分地区为正,而东北部TDVI距平数值绝大部分地区为负.

根据TDVI-A表征陆面干湿状况的条件,计算出2002—2010黄土高原地区TVDI距平时空分布,本研究分别统计了研究区域陆面严重偏干的面积.结果表明:在2002—2010年期间,黄土高原地区陆面严重偏干的面积分别是49.5%、19.7%、62.1%、80.4%、35.0%、51.7%、48.8%、70.7%和38.5%,其中2003年黄土高原地区偏干的总面积最小,2005年偏干的总面积最大,2010年为正常年份.详见图 4所示.

图 4 黄土高原地区TDVI 距平的空间分布图 (a)2003年;(b)2005年;(c)2010年. Fig. 4 The distribution of TVDI anomaly over the Loess Plateau
5 黄土高原地区TDVI的分析和验证 5.1 降水与TVDI的时空分布特征

黄土高原大部分地区为自然下垫面或雨养农业区,区域降水量分布与土壤湿度有很好的关联性(杨小利等,2007Zhang et al., 2009).由于陆面植物主要生长在4—9月份,为了通过间接方法验证地表温度-植被干旱指数是否能够合理反映下垫面的干湿程度,本文利用黄土高原地区2002—2010年作物生长季节(4—9月)59个气象站的月降水资料,利用反距离加权插值方法,获得2002—2010年降水距平的空间分布图,并对比分析黄土高原地区TDVI距平和降水距平的关联性和空间分布特征.图 5分别给出了黄土高原地区2003年、2005年和2010年年降水距平插值空间分布.

图 5 黄土高原地区年降水距平插值分布图 (a)2003年;(b)2005年;(c)2010年. Fig. 5 The distribution of precipitation interpolated anomaly over the Loess Plateau

比较图 4图 5可以看出:不同年份降水距平的空间分布与TVDI距平的空间分布有较好的对应关系,在整个黄土高原地区,2003年降水距平以正值为主,表示气象湿润,而2005年降水量距平以负值为主,表示气象干旱.这一结论与TVDI距平分布特征无论在时间上还是空间都比较吻合.由于在通常情况下,降水偏多的陆面就偏湿,降水偏少的陆面就偏干,TVDI-A和降水是两个有不同物理概念的参量,此处给出降水分布只是对TVDI-A结果的一种间接验证.而2003年平凉至西安一带反位相现象与该地区耕地较多比例有关.

为了进一步探讨黄土高原不同年份降水距平与TVDI-A的关联性,分别统计了59个气象台站降水距平平均值和正TVDI距平像元点占整个黄土高原面积的百分比(TDVI正值表征陆面偏湿润,负值表征陆面偏干燥),即正TVDI距平像元点占黄土高原总面积的比例,数据统计结果见表 1所示.

表 1 2002—2010年4—9月黄土高原地区不同站点降水量距平(mm)平均值和正TVDI距平像元点占整个黄土高原面积的比例 Table 1 The mean precipitation anomaly(mm) and percentage of minus TVDI over the Loess Plateau during April to September of 2002—2010

可以看出:在2002—2010年期间,黄土高原地区在2003年TDVI像元点正距平的面积百分比最高达80.3%,与之相对应,2003年59个气象台站4—9月降水距平也为96.8 mm,而黄土高原地区2005年TDVI像元点正距平的比例仅仅19.6%,与之相对应2005年59个气象台站4—9月降水距平也为-32.5 mm;也就是说黄土高原地区2005年是非常干旱的一年.二者反映出降水与TVDI非常好的相关性.

图 6 黄土高原塬区5.0 cm深度土壤湿度与TVDI的关系 (a)2010年4月1日至9月30日;(b)2010年月4月23日至5月11日(一次降水过程中). Fig. 6 The relationship between 5.0cm depth soil moisture and TVDI at the Loess Plateau mesa (a)April 1-September 30,2010 ;(b)April 23-May 11,2010(during a rainfall event).
5.2 黄土高原地区土壤湿度与TDVI的关系

根据本文以上阐述的概念,TDVI在一定程度上可以反映下垫面的表层土壤水分含量的信息,从而可以表征研究区域的干湿程度.为了验证TVDI与下垫面表层土壤湿度的关联性,本研究从中国科学院平凉雷电与雹暴试验站“黄土高原陆面过程野外观测试验”(LOPEXs)数据集中,选取2010年4—9月5.0 cm深度的日平均土壤湿度资料,并提取同期该站点的TVDI时间序列,对二者进行对比分析.为了验证由TVDI表征黄土高原地区下垫面干湿程度时的潜力,选取一次典型降水过程中的土壤湿度观测资料,探讨土壤湿度从最大值减小到最小值期 间(2010年月4月23日—5月11日),黄土高原TDVI 的时间变化动态过程.

分析结果表明:在整个作物生长季节,中国科学院平凉雷电与雹暴试验站开展“黄土高原陆面过程野外观测试验”(LOPEXs)数据集中5.0 cm深度的日平均土壤湿度资料与由EOS/MODIS数据获取的TVDI的相关系数为0.67.由于植被、地表温度和表层土壤湿度有不同时间和空间代表性,其中陆地植被的时间分辨率为16天,地表温度和表层土壤湿度的时间分辨率为1天;TVDI的空间分辨率为8 km,而土壤湿度为点上观测.因此,在整个作物生长期,二者关系图比较离散,但仍然通过显著性为0.01的检验.而在一次典型降水过程后,当中国科学院平凉雷电与雹暴试验站观测站点的土壤湿度从较大值减小到较小值时,TVDI也有类似变化趋势,二者相关系数高达0.84.虽然以上分析仅是一次降水事件后TVDI与土壤湿度的关系,但如果考虑到地面观测站点和卫星遥感数据获取的TVDI的空间代表性,TVDI中植被的时间分辨率等原因,可以认为TVDI与表层土壤湿度有很好的关联性,在今后研究中还可以采用农业干旱表征量对TDVI-A进行检验.因此,由EOS/MODIS获取的数据构建的TVDI可以提取下垫面的土壤水分信息,可以应用于黄土高原地区的干湿程度评估. 6 结论

本文利用EOS/MODIS卫星遥感观测数据获取的黄土高原地区地表温度(LST)和植被指数(NDVI),分析了LST-NDVI空间的基本特征,构建了适合表征土壤水分含量的地表温度-植被干旱指数(TVDI),并应用于评估2002—2010年黄土高原地区的陆面干湿程度,得到以下三点结论:

(1)当选取研究区域足够大且卫星遥感数据时间系列足够长时,LST-NDVI空间中的(NDVI,LST)散点并非呈三角形或梯形分布.

(2)在确定LST-NDVI空间中干边和湿边的数值时,以前研究采用线性拟合得到结果并不完全准确.本研究建议,应该选取足够大的研究区域且有足够长的植被和地表温度数据时间系列,以NDVI的等值区间内LST的最大值和最小值数据集合表征干边和湿边的数值更为合理.

(3)地表温度-植被干旱指数(TVDI)可以表征下垫面的土壤水分的信息,能够反映出下垫面的干湿程度.TVDI距平表征的土壤干湿程度与区域降水距平反映的气象干旱有很好的关联性,二者在时空分布上有较好的对应关系.在整个作物生长期,TDVI数值与地面观测的表层土壤湿度有较好的相关性,二者相关系数在0.64以上,通过了显著性为1%的检验.

致谢 本文所用资料由中国科学院平凉雷电与暴雹试验站、中国气象科学数据共享服务网和美国航空航天管理局地球观测系统与数据和信息系统提供,特表感谢.
参考文献
[1] Carlson T N, Capehart W J, Gillies R R. 1995. A new look at the simplified method for remote sensing of daily evapotranspiration. Remote Sens. Environ., 54(2): 161-167.
[2] Chen J A, Wang C Z, Jiang H, et al. 2011. Estimating soil moisture using Temperature-Vegetation Dryness Index (TVDI) in the Huang-Huai-Hai (HHH) plain. Int. J. Remote Sens., 32(4): 1165-1177.
[3] Chen L W, Zhang Y J, Deng S Z, et al. 2012. Estimation of surface soil water content in source region of Yellow River based on TVDI. Adv. Sci. Technol. Water Resour. (in Chinese), 32(4): 6-9, 22.
[4] Gao L, Qin Z H, Lu L P. 2007. An overview on agricultural drought monitoring models based on vegetation index and surface temperature feature space. Remote Sens. Land Resour. (in Chinese), 19(3): 1-7.
[5] Gillies R R, Carlson T N, Kustas W P. 1997. A verification of the 'triangle’ method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface radiant temperature. Int. J. Remote Sens., 18(15): 3145-3166.
[6] Han L J, Wang P X, Wang J D, et al. 2005. Study on vegetation index-land surface temperature space. Sci. China (Series D) (in Chinese), 35(4): 371-377.
[7] Jiang D, Fu J Y, Zhuang D F, et al. 2012. Dynamic drought-remote sensing monitoring in north China from 2008 to 2009. J Nat Disasters (in Chinese), 21(3): 92-101.
[8] Kang Y, Li Z C, Tian H, et al. 2011. Trend of vegetation evaluation and its responses to climate change over the source region of the Yellow River. Climate Environ. Res. (in Chinese), 16(4): 505-512.
[9] Li Z C, Wei Z G, Wen J, et al. 2008. Analyses on climate variation characteristics over the Loess Plateau in recent 50 years. J. Arid Land Resour. Environ. (in Chinese), 22(3): 57-62.
[10] Li Z L, Stoll M P, Zhang R H, et al. 2000. Study on decomposition temperature of soil and plant using ATSR data. Sci. China (Series E) (in Chinese), 30(S1): 27-38.
[11] Liu Q H, Xin J F, Xin X Z, et al. 2007. Monitoring agricultural drought by vegetation index and remotely sensed temperature. Sci. Technol. Rev. (in Chinese), 25(6): 12-18.
[12] Liu R, Wen J, Wei Z G, et al. 2010. Vegetation water content retrieval using MERIS and AATSR data over the Loess Plateau. Sci. Cold Arid Reg., 2(3): 250-258.
[13] Ma Z G, Fu C B. 2005. Decadal variations of arid and semiarid boundary in China. Chinese J Geophys. (in Chinese), 48(3): 519-525.
[14] Price J C. 1990. Using spatial context in satellite data to infer regional scale evapotranspiration. IEEE Trans. Geosci. Remote Sens., 28(5): 940-948.
[15] Qi S H, Li G C, Wang C Y, et al. 2005. Study on monitoring drought in China with MODIS product. Adv. Water Sci. (in Chinese), 16(1): 56-61.
[16] Qin Z H, Gao M F, Qin X M, et al. 2005. Methodology to retrieve land surface temperature from MODIS data for agricultural drought monitoring in China. J. Nat.Disasters (in Chinese), 14(4): 64-71.
[17] Sandholt I, Rasmussen K, Andersen J. 2002. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote Sens. Environ., 79(2-3): 213-224.
[18] Song X N, Zhao Y S. 2004. Study on vegetation-temperature-water synthesis index using MODIS satellite data. Geog. Geo-Information Sci. (in Chinese), 20(2): 13-17.
[19] Sun L, Sun R, Jia C G, et al. 2008. A comparion of split-window algorithm to retrieve land surface temperature from MODIS data. J. Beijing Normal University (in Chinese), 44(4), 434-438.
[20] Sun L, Sun R, Li X W, et al. 2012. Monitoring surface soil moisture status based on remotely sensed surface temperature and vegetation index information. Agr. Forest Meteor., 166-167: 175-187.
[21] Wan Z, Wang P, Li X. 2004. Using MODIS land surface temperature and normalized difference vegetation index products for monitoring drought in the southern Great Plains, USA. Int. J. Remote Sens., 25(1): 61-72.
[22] Wang P X, Wan Z M, Gong J Y, et al. 2003. Advances in drought monitoring by using remotely sensed normalized difference vegetation index and land surface temperature products. Adv. Earth. Sci. (in Chinese), 18(4): 527-533.
[23] Wang X P, Guo N. 2003. Some research advances and methods on drought monitoring by remote sensing. J. Arid Meteor. (in Chinese), 21(4): 76-81.
[24] Wang Y R, Lü S H. 2008. Sensitivity analysis of the response of precipitation to climate change over China Loess Plateau. J. Glaciol. Geocryol. (in Chinese), 30(1): 43-51.
[25] Wen J, Wang L, Wei Z G. 2009. An overview of the Loess Plateau mesa region land surface process field experiment series (LOPEXs). Hydrol. Earth Sys. Sci., 13(6): 945-951.
[26] Xin Z B, Xu J X, Zheng W. 2007. The impacts of climate change and human activity on the vegetation cover change over the Loess Plateau. Sci. China (Series E) (in Chinese), 37(11): 1504-1514.
[27] Yang X L, Yang X G. 2007. Research on meteorological drought severity model for Loess Plateau in Gansu. J. Nat. Disasters (in Chinese), 16(5): 30-36.
[28] Yao C S, Zhang Z X, Whang X. 2004. Evaluating soil moisture status in Xinjiang using the temperature vegetation dryness index (TVDI). Remote Sens. Techn. Appl. (in Chinese), 19(6): 473-478.
[29] Zhang J Y, Yang Y, Lu G H, et al. 2005. Study and application on quantitative survey of surface drought characters based on remote sensing technique. Adv. Water Sci.(in Chinese), 16(4): 541-545.
[30] Zhang T T, Wen J, Su Z B, et al. 2009. Soil moisture mapping over Chinese Loess Plateau Using ENVISAT/ASAR data. Adv. Space Res., 43(7): 1111-1117.
[31] 陈立文, 张友静, 邓世赞等. 2012. 基于温度植被干旱指数的黄河源区土壤表层含水量反演. 水利水电科技进展, 32(4): 6-9, 22.
[32] 高磊, 覃志豪, 卢丽萍. 2007. 基于植被指数和地表温度特征空间的农业干旱监测模型研究综述. 国土资源遥感, 19(3): 1-7.
[33] 韩丽娟, 王鹏新, 王锦地等. 2005. 植被指数-地表温度构成的特征空间研究. 中国科学(D辑), 35(4): 371-377.
[34] 江东,付晶莹,庄大方等. 2012. 2008—2009年中国北方干旱遥感动态监测. 自然灾害学报, 21(3):92-101.
[35] 康悦, 李振朝, 田辉等. 2011. 黄河源区植被变化趋势及其对气候变化的响应过程研究. 气候与环境, 16(4): 505-512.
[36] 李振朝, 韦志刚, 文军等. 2008. 近50年黄土高原气候变化特征分析. 干旱区资源与环境, 22(3): 57-62.
[37] 李召良, Stoll M P, 张仁华等. 2000. 利用ATSR数据分解土壤和植被温度的研究. 中国科学(E辑), 30(S1): 27-38.
[38] 柳钦火, 辛景峰, 辛晓洲等. 2007. 基于地表温度和植被指数的农业干旱遥感监测方法. 科技导报, 25(6): 12-18.
[39] 马柱国, 符淙斌. 2005. 中国干旱和半干旱带的10年际演变特征. 地球物理学报, 48(3): 519-525.
[40] 齐述华, 李贵才, 王长耀等. 2005. 利用MODIS数据产品进行全国干旱监测的研究. 水科学进展, 16(1): 56-61.
[41] 覃志豪, 高懋芳, 秦晓敏等. 2005. 农业旱灾监测中的地表温度遥感反演方法—以MODIS数据为例. 自然灾害学报, 14(4): 64-71.
[42] 孙亮,孙睿,贾成刚等. 2008. MODIS数据反演地表温度劈窗算法比较. 北京师范大学学报,44(4):434-438.
[43] 宋小宁, 赵时英. 2004. 应用MODIS卫星数据提取植被-温度-水分综合指数的研究. 地理与地理信息科学, 20(2): 13-17.
[44] 王鹏新, Wan Z M, 龚健雅等. 2003. 基于植被指数和土地表面温度的干旱监测模型. 地球科学进展, 18(4): 527-533.
[45] 王小平, 郭铌. 2003. 遥感监测干旱的方法及研究进展. 干旱气象, 21(4): 76-81.
[46] 王毅荣, 吕世华. 2008. 黄土高原降水对气候变暖响应的敏感性研究. 冰川冻土, 30(1): 43-51.
[47] 信忠保, 许炯心, 郑伟. 2007. 气候变化和人类活动对黄土高原植被覆盖变化的影响. 中国科学(D辑), 37(11): 1504-1514.
[48] 杨小利, 杨兴国. 2007. 甘肃黄土高原气象旱度模式研究. 自然灾害学报, 16(5): 30-36.
[49] 姚春生, 张增祥, 汪潇. 2004. 使用温度植被干旱指数法(TVDI)反演新疆土壤湿度. 遥感技术与应用, 19(6): 473-478.
[50] 张建云, 杨扬, 陆桂华等. 2005. 遥感定量监测地表干旱特征的方法研究和应用试验. 水科学进展, 16(4): 541-545.