论文部分内容阅读
干旱是一种由于区域水分收支或供需不平衡形成的水分短缺的现象,是一种极其复杂的自然灾害。全球平均每年因干旱造成的损失高达60-80亿美元,有超过一半的地区受到干旱的影响。因此,充分利用现有的科学技术对干旱进行监测,从而尽量减少其危害就显得尤为重要。传统站点式的监测方法由于受到地面站分布密度和人工成本的限制,很难实时反映精确的大尺度连续空间的干旱状况。遥感技术具有覆盖范围广、空间分辨率高、重访周期短、数据获取方便、资料客观等优点,能够弥补常规旱情监测方法的不足,在及时、大范围的干旱监测方面具有显著优势。目前常用的遥感干旱监测模型主要有帕尔默干旱指数(Palmer Drought Severity Index,PDSI)、热惯量指数、归一化植被指数(Normalized Difference Vegetation Index,NDVI)、作物缺水指数(Crop Water Stress Index,CWSI)、条件植被指数(Vegetation Condition Index,VCI)、条件温度指数(Temperature Condition Index,TCI)、植被健康指数(Vegetation Health Index,VHI)、植被供水指数(Vegetation Supply Water Index,VSWI)和温度-植被干旱指数(Temperature-Vegetation Drought Index,TVDI)等。然而,这些方法基本都是基于可见光和热红外遥感进行的,极易受到云层、大气中的水汽以及降水等的影响。被动微波遥感可以穿透薄云和稀疏植被,受天气和植被的影响较小,能够有效克服可见光和热红外波段遥感的不足。TVDI作为一种被广泛认可的干旱指数,在进行干旱监测时其兼顾温度与植被两个层面,能够有效地避免单一层面引起的不足。因此,结合被动微波遥感与TVDI构建新的被动微波温度-植被干旱指数(Microwave Temperature Vegetation Drought Index,MTVDI)具有极高的可行性。本论文以中国内陆地区为研究区域,利用AMSR-E(The Advanced Microwave Scanning Radiometer-Earth Observing System)被动微波遥感数据,在改进温度反演模型和植被指数的基础上,创新性的构建被动微波温度-植被干旱指数模型,并对中国干旱进行了监测研究,主要内容如下:(1)构建了两种地表温度反演经验模型:以MODIS LST(Land Surface Temperature)地表温度产品作为地表实测值,对基于AMSR-E的地表温度反演进行研究,建立了两种不同的地表温度反演模型:1)在中国中南部地区以逐步回归的方式建立了针对旱、雨季差异的四变量AMSR-E被动微波遥感地表温度反演经验模型,经过检验,其中大约80%的地区反演误差<2.5K。2)在中国内陆建立了基于AMSR-0045 18.7GHz(H),23.8GHz和89.0GHz(V)组成的的非线性温度反演经验模型,该模型的RMSE(均方根误差)为6.492K。(2)构建了微波温度-植被干旱指数(MTVDI)模型:首先,以MODIS NDVI产品为基础构建23.8GHz的微波极化差异指数(Microwave Polarization Difference Index,MPDI)与NDVI的关系,构建起微波归一化植被指数(Microwave Normalized Difference Vegetation Index,MNDVI)模型。然后,以MNDVI模型和非线性地表温度反演模型为基础,分别构建干边、湿边方程,建立微波温度-植被干旱指数(MTVDI)模型。最后,采用分级机制,对研究区内2003年-2010年期间进行干旱时空变化模拟和监测。监测结果表明,总体上除塔克拉玛干沙漠以外,在旱季(10月-3月)南方(如云南、广西等)的旱情较为严重,而在雨季(4月-9月)北方(如内蒙古,青海,新疆等)旱情较重。青藏高原地区长期保持较湿润状态,东三省地区长期以来干旱较轻微。(3)利用降雨和湿润指数(降雨/潜在蒸散力(Potential Evapotranspiration),P/PET)对微波温度-植被干旱指数模型进行验证:首先,除微波温度-植被干旱指数(MTVDI)模型外,分别建立了MODIS温度-植被干旱指数(TVDI)、以地表温度与空气温度的差值代替地表温度的改进型温度-植被干旱指数(iTVDI)、以地表温度与空气温度的差值代替地表温度的改进型微波温度-植被干旱指数(Imp-MTVDI)和用曲线拟合干边和湿边的非线性微波温度-植被干旱指数(NonL-MTVDI)。然后,以降水和湿润指数(P/PET)对五种模型进行基于像元相关性验证。验证结果表明,与MODIS TVDI和iTVDI相比,MTVDI、Imp-MTVDI和Non L-MTVDI在我国中部和东部地区具有一定的优势;相反的,在新疆、甘肃、内蒙、青海一带的我国西北部地区MTVDI、Imp-MTVDI和NonL-MTVDI表现出较弱的相关性,而MODIS TVDI和iTVDI相对而言相关性较强,表明在我国西北地区MODIS TVDI和iTVDI更具有优势。总体而言,MTVDI是长期和大型空间尺度干旱监测的最佳模型。