干旱是一种频繁发生的自然现象，直接和间接地影响着人类生存、社会发展、农业生产、资源与环境的可持续发展。最新研究表明，由于温度升高和降水减少的共同作用，近年来全球的干旱面积扩大了近一倍(计淇才，2011)。对干旱进行动态监测, 及时准确地反映旱情发生的范围、程度和发展变化，不仅可以指导防旱抗旱、科学灌溉，而且在为各级政府部门制定合理的防旱、抗旱措施提供科学依据时具有重要意义。

归一化差值植被指数NDVI(Normalized Differential Vegetation Index)是干旱监测的重要参照指标。植被指数VI(Vegetation Index)对植物长势反应敏感，能够反应植被生长状况。Peters等人(2002)利用连续12年的NDVI值来估计干旱的范围和程度；毛学森等人(2002)通过对冬小麦NDVI变化与水分胁迫的关系研究结果表明，NDVI对土壤水分的反应具有滞后性；晏明和张磊(2010)用植被指数法监测吉林省的旱灾，将受灾年份的NDVI与正常年份的同期NDVI进行对比，确定当年受旱的情况；刘爱霞等人(2003)利用2001年和2002年不同时相的MODIS和TM图像计算得到归一化植被指数和NDVI差值图像，将NDVI 差值图像与棉田信息叠加后并分级, 得到年际间和年内棉花长势的动态分布图和相同时相棉花长势的区域差异图；Li和Chen(2011)发现NDVI对时空跨度较大地区的干旱监测有明显优势，更适用于植被发育中期或中等以上覆盖度的植被监测。

民政部国家减灾中心(民政部卫星减灾应用中心)承担中国减灾救灾的信息管理、灾害及风险评估等工作，一直是国产高分系列卫星数据的重要用户，更是高分四号GF-4卫星的牵头用户。2016年夏季，针对GF-4卫星发射后首次大范围严重旱灾，利用GF-4卫星高时间分辨率和高空间分辨率的特点，对7月份内蒙古东南部地区的夏伏旱进行了持续的、高频次的观测，获取了旱区50 m空间分辨率的、连续多天的多光谱遥感图像。如此高空间、高时间分辨率数据的获取国内尚属首次，对中国干旱检测意义重大，可显著提高中国旱灾检测的时效性与准确性，本文的工作便是对国产高分数据，主要是GF-4卫星数据结合GF-1卫星数据提升国内干旱监测能力的探讨。

本文以2016年内蒙古自治区巴林左旗和巴林右旗地区严重旱灾为实验区，通过分析受灾年份的GF-4数据与正常年份的GF-1数据NDVI差值，对旱灾程度进行了分析，得到了干旱分布总体趋势与MODIS NDVI产品一致，且细节信息更加丰富的高质量数据结果。利用该数据结果，本文对该区域干旱的情况进行了更加细致的分析。本研究是对探索GF-4号卫星在大面积干旱监测中的应用进行的有益尝试，也为进一步的应用研究奠定了良好的基础。

GF-1是国家高分辨率对地观测系统重大专项天基系统中的首发星，于2013年4月26日由长征二号丁运载火箭在酒泉卫星发射基地成功发射入轨(白照广，2013)。卫星采用太阳同步轨道，轨道高度644.5 km，轨道倾角98.0506°，降交点地方时10:30 am，轨道回归周期41 d。有效载荷包括两台2 m全色及8 m多光谱高分辨率相机和4台16 m中分辨率多光谱相机，设计寿命5—8年，具备每天8轨成像、侧摆35°成像能力，最长成像时间12 min。GF-1实现了高分辨率与大幅宽的结合，2 m高分辨率实现大于60 km成像幅宽，16 m分辨率宽幅相机通过4台相机视场拼接实现大于800 km成像幅宽，设计了利用动量轮控制实现滚动侧摆35°的能力，可观测范围近1000 km。设计偏航90°定标模式，可在轨实现该模式相对定标。

GF-4于2015年12月29日由长征三号乙运载火箭在西昌卫星发射基地成功发射入轨，2016年6月13日正式投入使用。GF-4卫星是中国第一颗地球同步轨道遥感卫星，运行在距地36000 km的地球同步轨道，定点位置105.6°E，GF-4采用面阵凝视方式成像，具备全色、多光谱和中波红外成像能力，全色和多光谱分辨率优于50 m，中波红外谱段分辨率优于400 m。通过指向控制，GF-4可实现对中国及周边地区进行自由观测，也可采用凝视模式对幅宽400 km的固定区域进行持续观测，重访周期高达20 s。

民政部国家减灾中心大量使用GF-1 16 m与GF-4 50 m空间分辨率的多光谱数据用于灾害检测。具体参数见表1。相比于MODIS传感器，两种数据都具有较高的空间分辨率，并且GF-4还具有较高时间分辨率，能实现对地表更加精细的观测，能够为中国防灾减灾、气象预报、资源环境宏观调查和动态监测等方面的典型应用提供基础性参量和技术支持，减少对国外遥感数据的依赖，满足中国环境保护、现代农业、防灾减灾和国家安全等领域对高时间分辨率遥感数据的迫切需求。

表 1(Table 1)

表 1 遥感数据参数 Table 1 The parameters of remote sensing data 参数 GF-1 GF-4 波段范围 蓝 0.45—0.52 μm 0.45—0.52 μm 绿 0.52—0.59 μm 0.52—0.60 μm 红 0.63—0.69 μm 0.63—0.69 μm 近红 0.77—0.89 μm 0.76—0.90 μm 空间分辨率 16 m 50 m 重访周期 4 d(不侧摆) 20 s

表 1 遥感数据参数 Table 1 The parameters of remote sensing data

内蒙古地区属于干旱半干旱地区，年均降水量少，且时空分布不均匀，水资源短缺现象日趋严重，干旱是其最频发的自然灾害，已严重影响和制约了该地区社会与经济的可持续发展。由于数据源的限制，在以往的研究中使用的多为MODIS或TM等数据，存在着分辨率较低或重访周期长等限制，难以同时满足旱情监测对时间和空间分辨率的要求。

2016年内蒙古东南部旱灾集中在巴林左旗和巴林右旗的部分地区(图1)，总面积约为3515 km²。该地区属中温带半干旱气候。四季分明，年平均气温5.3℃，无霜期为110—130 d；年平均降水量为400 mm左右，是一个以农牧业为主、农牧矿结合的经济区。2016年入夏以来，内蒙古出现持续高温少雨天气，降水量较常年减少35%—75%，入汛两个多月来几乎没有有效降水，8月上旬降水量不足10 mm，较常年少80%—100%，为有观测记录以来的历史最低。

图 1 研究区 Figure 1 The study area

自2016年7月内蒙古自治区东南部区域开始出现干旱情况以来，民政部国家减灾中心制定了GF-4卫星对该区域的观测计划，获取了该区域持续每天多次的观测图像，这是国内首次获取高频次、高分辨同区域观测图像，成为研究本次旱灾的重要数据。

为评价研究区每天旱灾的程度，根据收集到的资料，认为2013年内蒙古地区无大范围旱灾发生，植被长势较好，接近正常年份，在GF-4无灾区往年数据、GF-1缺少多年持续数据的情况下，可将此年作为常态年份，此年的图像作为基准影像进行比较监测。本研究选用的数据有2016年8月14日GF-4与GF-1数据和2013年8月10日的GF-1数据。利用中国科学院遥感与数字地球研究所开发的高分卫星辐射处理系统，完成3幅实验图像的辐射定标与大气校正，将DN(Digital Number)值转换为地表反射率。具体流程是：首先，利用实验场定标数据对GF-4影像进行辐射标定；然后，基于暗像元算法反演气溶胶光学厚度，利用6SV构建查找表，通过搜索查找表计算红蓝波段反射率的比值反演气溶胶光学厚度；最后，将反演得到的气溶胶光学厚度代入大气辐射传输方程计算地表反射率。精度验证主要通过MODIS地表反射率数据产品完成。利用武汉大学开发的高分卫星几何校正系统，完成3幅图像的系统几何校正与几何精校正。具体流程是：首先，读取GF-4与GF-1数据自带的有理函数模型参数文件获得系统几何校正模型；然后，每幅图像选取至少3个控制点，根据这些控制点数据修正有理函数模型；最后根据修正后的模型完成数据的几何校正。如果存在研究区内几何误差大于1个像素的数据，则对该数据进行几何精校正，通过自动匹配获取大量控制点，选择通用的多项式模型或者三角网模型完成校正。图2(a)(b)(c)为高分数据处理结果。由于GF-4卫星和GF-1卫星遥感数据的分辨率不一致，需要对其进行空间尺度的统一。实验中，以GF-4数据为基准，将其他高分数据重采样为50 m×50 m的影像。

为了便于结果的验证分析，采用该地区2000年—2016年8月份的MODIS NDVI产品，分辨率为1 km。对16年的MODIS NDVI产品进行处理，得到2016年距平植被指数AVI(Anomaly Vegetation Index)分布图(图3)。

距平植被指数的定义为

式中，AVI为距平植被指数，NDVI_i为某一特定年某一时期(如旬、月等)NDVI的值， $\overline {\rm{NDVI}} $ 为多年该时期NDVI的平均值。

这里并没有使用空间分辨率更高的TM数据，主要原因是时间分辨率不高，Landsat卫星重访周期为16 d，不利于灾害的快速检测，基于业务化应用的研究，本文选择每天都能获取的MODIS数据。

此外还收集了2016年和2013年8月的降水量数据、农业气象数据、旬干旱监测报告和气温数据等实况资料，作为验证干旱范围和程度的参考数据。

图 2 高分卫星数据处理结果 Figure 2 GF satellite data processing results

图 3 2016年MODIS距平植被指数分布图 Figure 3 The AVI image of MODIS in 2016

通过比较干旱时期与正常时期NDVI差值来分析旱灾。方法的思路是：首先，计算影像的NDVI；其次，对GF-4 NDVI与同时间获取的GF-1 NDVI进行定量关系分析(Steven 等，2003)，得到转换方程，以消除不同传感器之间的差异；再次，计算转换后的NDVI与正常年份GF-1 NDVI的差值，并与同一时期的MODIS距平植被指数干旱分布进行对比分析；最后，对NDVI差值进行干旱分布及干旱程度的分析。本文的技术路线如图4。

图 4 技术路线图 Figure 4 Technology roadmap

近几十年来，遥感卫星为研究局部、区域尺度和全球尺度环境变化提供了海量数据(范兴旺，2015)。不同传感器由于其波段设置和响应函数不同、传感器的绝对校正、太阳天顶角大小、地—太距离变化和大气条件等诸多因素的影响，给不同传感器数据的直接比较带来困难，由此计算出来的NDVI的值也有所差异。现有研究对不同传感器之间存在的差异进行了分析，提出了应用于传感器数据间的转换方法(Hill和Aifadopoulou，1990；Guyot和Gu，1994；叶泽田 等，1999；Steven 等，2003；Miura 等，2006；徐涵秋和张铁军，2011；Miura 等，2013；赵凯 等，2013；陈星和刘智华，2015)。

本文采用了Steve等人(2003)提出的线性回归法，建立由GF-4 NDVI向GF-1 NDVI的转换关系。首先对研究区内地物覆盖类型进行采样，然后对样本进行拟合分析。

从图5中可以看出，利用直线方程能够较好地对GF-1和GF-4两组传感器的NDVI值进行线性转换。基于实验得到的转换公式为

图 5 样本拟合结果 Figure 5 Sample fitting results

为了检验拟合出的线性回归方程用于两个不同传感器NDVI转换的定量关系是否准确，即是否可以基于式(3)实现由GF-4卫星NDVI向GF-1卫星NDVI的转换，对多组数据进行了验证。图6是一组验证结果，在研究区内随机取50个样本点并统计两组数据对应的NDVI值。

图 6 GF-1和GF-4 NDVI对比 Figure 6 Comparison between GF-1 NDVI and GF-4 NDVI

从图6可见，发现大部分很吻合, 但仍有部分随机点的误差比较大。其中一部分随机点落在了云的周围，而云的存在影响了周围地物的反射率，进而导致其周围地物的反射率出现偏差；另外一部分随机点落在了山区的阴影区域，由于没有进行地形校正，导致山区的阴影区域存在一定数值差异。转换后的GF-4卫星NDVI值和同一天获取的GF-1卫星NDVI值总体相差不大，说明本研究拟合出的线性回归方程能满足两个不同遥感器NDVI转换关系。

由于干旱年份植被生长会受抑制，导致NDVI比正常年份偏低，因此可用NDVI差值进行干旱监测。以正常年份NDVI为背景值，用干旱时期的NDVI_i减去背景值，即可得到NDVI差值，即ΔNDVI，公式为

若ΔNDVI的值为正，表明植被生长状况较正常年份好；若该值为负，则表示植被生长较正常年份差。

根据已收集到的2013年—2016年的降水量数据、气温数据和干旱监测报告等资料，认为研究区内2013年8月无旱情，为正常年份。将GF-4 NDVI转换处理后，与2013年的GF-1 NDVI作差值运算，得到NDVI差值。

本文从植被的光谱反射—差值归一化植被指数角度出发来量度作物的长势。差值归一化植被指数是将其作为监测干旱的一种量度，是以2013年(正常年份)的NDVI值为背景值, 用2016年NDVI值减去背景值，计算得出差值，即NDVI差值。这个量反映了植被年际间的变化，正值反映植被生长较正常年份好，负值表示植被生长较正常年份差，即发生了干旱。

为了监测研究区的干旱情况，对转换后的GF-4 NDVI与正常年份2013年的GF-1 NDVI进行差值计算，得到研究区内干旱情况分布图(图7(a))。根据国家减灾中心上报的灾情信息和灾区地面部分点位实测数据，确定是否受旱灾，仅确定是否发生旱灾，并不明确划分等级。

从图7中可以看出，黑色区域内为植被长势正常或较好，其他区域内的黄色越深则表示干旱越严重。图7(a)中，干旱严重区域主要分布在研究区的西北部，中部平原也有部分干旱情况。其中草场受灾最为严重，东北部的平原耕地部分呈现浅蓝色，长势较2013年稍好，受灾情况不明显。

图 7 研究区干旱分布对比图 Figure 7 Comparison of drought distribution in the study area

为了验证2016年GF-4 NDVI与2013年GF-1 NDVI计算所得的NDVI差值监测干旱情况的准确性，将结果与由2000年至2016年间MODIS NDVI产品生成的距平植被指数所得到干旱分布图(图7(b))对比。从MODIS距平植被指数分布图(图3)可以看出，巴林左旗和巴林右旗都遭受不同程度的旱灾，重灾区主要分布在中部和西北部；而研究区内的东部无明显受灾，旱灾大部分分布在西部，而重灾区主要分布在研究区的西北部。比较图7(a)(b)结果可见，总体上GF-4号影像的干旱分布与MODIS影像的干旱分布趋势是一致的，受灾程度也大体相同。

从研究区内选取了两处典型区域用于局部分析(表2)。局部放大序号1可以发现(表2)，研究区内的草场都有不同程度的受灾，主要是因为内蒙古草场普遍存在过度放牧现象，过度放牧会引起土壤板结而产草量减少，还会导致草原植被结构破坏。当干旱发生时，植被的抗旱能力很弱，植被很快枯萎，有些甚至死亡，造成植被覆盖度急剧下降，受灾严重；局部放大序号2可以看出距离草场很近的耕地地区无明显干旱情况或者受灾较轻(表2)，主要是因为内蒙古中东部主要种植玉米、高粱、大豆、荞麦等作物，这些作物比较耐旱；旱灾形成过程缓慢，持续时间长，会对农作物会造成萎蔫或枯萎，但反映在遥感影像上的植被冠层信息较好，未能监测出旱情，或监测到的旱情程度好于实际情况。

由于MODIS分辨率为1 km，只能大范围地观测地面干旱情况。GF-4号卫星的分辨率提高到了50 m，宽幅可达到400 km，不仅可以大范围地观测地面、获取实时数据，还可以更加准确、细节地显示受灾情况。GF-4卫星数据的高时间分辨率与高空间分辨率的特性可明显提高中国快速监测大面积干旱方面的能力。

表 2(Table 2)

表 2 遥感数据局部放大图对比 Table 2 Comparison of partial enlarged remote sensing data 序号 GF-1 (2013) GF-4 (2016) NDVI差值 MODIS距平植被指数 1(放牧区) 2(耕地区)

表 2 遥感数据局部放大图对比 Table 2 Comparison of partial enlarged remote sensing data

GF-4号卫星是中国第一颗地球同步轨道光学卫星，具备高时间分辨率和较高空间分辨率的优势，观测面积大并且能长期对某一地区持续观测，能为干旱的监测提供实时、连续的海量数据。本文采用GF-4(2016年)，GF-1(2013年，2016年)影像数据对内蒙古自治区巴林左旗和巴林右旗部分地区进行了干旱监测试验。从高分卫星遥感监测结果与MODIS遥感产品对比来看，NDVI差值能很好的反映研究区干旱的分布，与国家灾害综合管理部门上报的灾情数据相一致。可见GF-4号遥感数据在实际干旱监测中具有较大的潜力。

对于旱灾监测来说，不同传感器NDVI之间的转换处理是很有必要的。本研究中GF-4号卫星影像与GF-1号影像是在相同时间、相同地点和相同的大气条件下获取的，为两种不同传感器NDVI之间转换参数的确定提供了有利的条件。结果显示基于线性回归转换的GF-4 NDVI与GF-1 NDVI值差异很小，可以与历史的GF-1数据相结合做研究。在实际情况中，不同传感器受大气状况、传感器角度等因素的影响，需进一步研究以适应不同条件下的参数转换并采用实际的卫星遥感数据进行验证。

本文采用的NDVI差值能反映当年的植被生长情况与往年的差异，进而对旱灾进行监测。研究中认为2013年研究区内的植被长势正常，与其计算得到的NDVI差值反映的是2013年与2016年两年间的差异，并不能完全反映2016年的干旱情况，这可能是引起最终干旱监测结果误差的原因。在实际的业务中应对多年的NDVI进行观测，以得到准确的干旱监测结果。