FY-3C/MERSI数据应用于陕西省干旱时空动态监测研究
发布时间：2021-01-06 03:52
基于FY-3C/MERSI 1 km遥感数据,分别利用植被供水指数模型（VSWI）、归一化干旱指数模型（NDDI）、多波段干旱指数模型（MBDI）,对陕西省2014年夏季的干旱过程进行动态监测,结合研究区同时段10 cm土壤相对湿度资料,对3种干旱遥感监测模型的准确性和稳定性进行评价。结果表明:3种遥感监测模型对陕西省2014年夏季干旱过程监测的准确性均有较好表现,其中VSWI的动态监测稳定性更好;MBDI与VSWI对干旱中期干旱程度的反演结果准确性相当,但对于干旱前期与后期,VSWI结果的准确性更好。基于VSWI监测结果,将陕西省分为陕北、关中和陕南地区进行讨论,结果表明FY-3C/MERSI具备对陕西省这次干旱过程进行时空动态监测的能力。
【文章来源】：干旱地区农业研究. 2016,34(03)北大核心
【文章页数】：5 页
【部分图文】：
研究区与站点位置示意图
稳定性优于MBDI与NDDI，因此采用VSWI的监测结果在后续研究中进行进一步分析。2．2基于VSWI的陕西省干旱过程时空变化分析鉴于VSWI在整个干旱过程中反演结果稳定性最好，因此将VSWI灰度值结果在ArcGIS中进行分类赋色，由绿到红反映了干旱程度的加重，如图2所示。陕北地区、榆林北部区域属于防风治沙区，地表温度较高，植被指数较低;延安的黄龙山、子午岭属于天然林保护区，地表温度较低且常年植被指数维持在较高的范围。由图2可以看出，从5月下旬至6下旬，榆林地区的干旱程度较为严重，7月上旬开始至8月下旬，榆林的干旱程度逐渐减轻，而这一过程中延安的干旱程度较轻且一直维持在稳定的程度。关中地区是陕西省粮食的主产区，也是农业干旱监测中最为重要的区域。注:(a)5月21日;(b)6月7日;(c)7月2日;(d)7月13日;(e)7月25日;(f)8月19日Note:(a)May21;(b)Jun7;(c)July2;(d)July13;(e)July25;(f)August19图2基于VSWI的陕西省干旱时空动态监测结果Fig．2Monitoringresultofthespatial－temporaldynamicsofdroughtinShaanxibasedonVSWI从图2可以看出，5月下旬西安主城区与渭南大部分区域干旱程度较重，关中西部干旱程度较轻;6月上旬开始，干旱程度加重，干旱范围由东部向西部扩展;8月上旬和中旬随着全省一次大范围降水过程，遥感监测图中，8月下旬关中绝大部分地区的干旱有所缓解，干旱程度较重的区域仅在西安主城区和宝鸡部分区域。陕南大部分地区属于秦巴山区的天然林保护区，地表温度较低且植被指数较高，因此陕南绝大部分区域的干旱程度较轻，干旱程度较重的区域仅分布于平原的耕地区域，并随降水有所缓解。196干旱地区农业研究第34卷
域进行干旱监测，在进行相关性分析时也需要删除该站点数据。图1研究区与站点位置示意图Fig．1Studyareaandstationlocations1．3干旱监测模型干旱发生过程中，植被因受旱叶片不能正常生长，遥感影像上表现为NDVI减小;同时，植被的根部因缺水使蒸腾作用受到抑制，叶片气孔关闭，植被冠层温度升高，遥感影像上表现为LST增大;而一些研究［23－24］表明，与NDVI相比，NDWI监测植被冠层水分的信息同样也非常敏感，在干旱监测中具有良好的应用前景。本文拟对比运用VSWI、NDDI与MBDI这3种干旱监测遥感模型，通过与土壤相对湿度数据进行相关性分析，得出研究区内干旱监测结果最优的干旱监测模型。1．3．1植被供水指数模型(VSWI)植被供水指数干旱监测模型综合考虑了NDVI和LST两种干旱监测指标［25］，计算公式为VSWI=LSTNDVI×0．001(3)式中，0．001为系数，目的是为保证计算结果数值为0左右的一个指数。VSWI的物理意义是:当发生干旱时，一方面作物生长受到影响，NDVI值减小;另一方面作物冠层温度升高，LST增大［19］，因此VSWI随着干旱的加剧而增大。1．3．2归一化干旱指数模型(NDDI)归一化干旱指数模型将NDVI与NDWI有效结合起来反映地表因干旱导致的土壤湿度和植被长势方面的变化，从而反映地表的干旱程度［12］，公式定义为:NDDI=NDVI－NDWINDVI+NDWI(4)1．3．3多波段干旱指数模型(MBDI)多波段干旱指数模型在NDWI的基础上加入了温度因素，计算公式［16］为:MBDI=NDWILST×1000(5)式中，1000为系数，使计算结果为0左右的一个指数。MBDI在NDWI基础上增加了热红外波段的信息，在干旱监测应用研究中具有可探索性［16］。2结果与分析2．1三种干旱遥感监测模型与10cm土壤相对湿度
【参考文献】：
期刊论文
[1]不同季节下FY-3B/MERSI数据大气校正前后对比[J]. 权文婷,赵青兰,王卫东,能佳. 干旱气象. 2015(04)
[2]基于多源卫星数据的3种干旱遥感监测效果比较[J]. 蒋友严,韩涛,徐燕,王小巍,王大为. 干旱地区农业研究. 2014(02)
[3]基于作物缺水指数法的渭河流域干旱特征[J]. 王玉娟,王树东,曾红娟,蔡明勇,宋文龙. 干旱区研究. 2014(01)
[4]利用多波段遥感干旱监测方法研究[J]. 冷松,武建军,周磊. 干旱区资源与环境. 2013(02)
[5]基于MODIS数据的农业干旱监测方法对比分析[J]. 张洁,武建军,周磊,雷添杰,刘明. 遥感信息. 2012(05)
[6]干旱遥感监测方法及其应用发展[J]. 刘欢,刘荣高,刘世阳. 地球信息科学学报. 2012(02)
[7]2010年中国西南旱情的时空特征分析——基于MODIS数据归一化干旱指数[J]. 白开旭,刘朝顺,施润和,高炜. 地球信息科学学报. 2012(01)
[8]相对冷暖背景下两次干旱事件的比较——以陕西为例[J]. 李星敏,杨文峰,李红梅,袁媛,乔丽. 干旱地区农业研究. 2012(01)
[9]FY-3A/MERSI数据在中国北方干旱监测中的应用[J]. 朱琳,刘健,张晔萍,王萌. 遥感学报. 2010(05)
[10]基于MODIS产品LST/NDVI/EVI的陕西旱情监测[J]. 闫娜,李登科,杜继稳,延军平. 自然灾害学报. 2010(04)
硕士论文
[1]基于MODIS的陕西省干旱遥感监测研究[D]. 张芳.陕西师范大学 2008
本文编号：2959883
【文章来源】：干旱地区农业研究. 2016,34(03)北大核心
【文章页数】：5 页
【部分图文】：
研究区与站点位置示意图
稳定性优于MBDI与NDDI，因此采用VSWI的监测结果在后续研究中进行进一步分析。2．2基于VSWI的陕西省干旱过程时空变化分析鉴于VSWI在整个干旱过程中反演结果稳定性最好，因此将VSWI灰度值结果在ArcGIS中进行分类赋色，由绿到红反映了干旱程度的加重，如图2所示。陕北地区、榆林北部区域属于防风治沙区，地表温度较高，植被指数较低;延安的黄龙山、子午岭属于天然林保护区，地表温度较低且常年植被指数维持在较高的范围。由图2可以看出，从5月下旬至6下旬，榆林地区的干旱程度较为严重，7月上旬开始至8月下旬，榆林的干旱程度逐渐减轻，而这一过程中延安的干旱程度较轻且一直维持在稳定的程度。关中地区是陕西省粮食的主产区，也是农业干旱监测中最为重要的区域。注:(a)5月21日;(b)6月7日;(c)7月2日;(d)7月13日;(e)7月25日;(f)8月19日Note:(a)May21;(b)Jun7;(c)July2;(d)July13;(e)July25;(f)August19图2基于VSWI的陕西省干旱时空动态监测结果Fig．2Monitoringresultofthespatial－temporaldynamicsofdroughtinShaanxibasedonVSWI从图2可以看出，5月下旬西安主城区与渭南大部分区域干旱程度较重，关中西部干旱程度较轻;6月上旬开始，干旱程度加重，干旱范围由东部向西部扩展;8月上旬和中旬随着全省一次大范围降水过程，遥感监测图中，8月下旬关中绝大部分地区的干旱有所缓解，干旱程度较重的区域仅在西安主城区和宝鸡部分区域。陕南大部分地区属于秦巴山区的天然林保护区，地表温度较低且植被指数较高，因此陕南绝大部分区域的干旱程度较轻，干旱程度较重的区域仅分布于平原的耕地区域，并随降水有所缓解。196干旱地区农业研究第34卷
域进行干旱监测，在进行相关性分析时也需要删除该站点数据。图1研究区与站点位置示意图Fig．1Studyareaandstationlocations1．3干旱监测模型干旱发生过程中，植被因受旱叶片不能正常生长，遥感影像上表现为NDVI减小;同时，植被的根部因缺水使蒸腾作用受到抑制，叶片气孔关闭，植被冠层温度升高，遥感影像上表现为LST增大;而一些研究［23－24］表明，与NDVI相比，NDWI监测植被冠层水分的信息同样也非常敏感，在干旱监测中具有良好的应用前景。本文拟对比运用VSWI、NDDI与MBDI这3种干旱监测遥感模型，通过与土壤相对湿度数据进行相关性分析，得出研究区内干旱监测结果最优的干旱监测模型。1．3．1植被供水指数模型(VSWI)植被供水指数干旱监测模型综合考虑了NDVI和LST两种干旱监测指标［25］，计算公式为VSWI=LSTNDVI×0．001(3)式中，0．001为系数，目的是为保证计算结果数值为0左右的一个指数。VSWI的物理意义是:当发生干旱时，一方面作物生长受到影响，NDVI值减小;另一方面作物冠层温度升高，LST增大［19］，因此VSWI随着干旱的加剧而增大。1．3．2归一化干旱指数模型(NDDI)归一化干旱指数模型将NDVI与NDWI有效结合起来反映地表因干旱导致的土壤湿度和植被长势方面的变化，从而反映地表的干旱程度［12］，公式定义为:NDDI=NDVI－NDWINDVI+NDWI(4)1．3．3多波段干旱指数模型(MBDI)多波段干旱指数模型在NDWI的基础上加入了温度因素，计算公式［16］为:MBDI=NDWILST×1000(5)式中，1000为系数，使计算结果为0左右的一个指数。MBDI在NDWI基础上增加了热红外波段的信息，在干旱监测应用研究中具有可探索性［16］。2结果与分析2．1三种干旱遥感监测模型与10cm土壤相对湿度
【参考文献】：
期刊论文
[1]不同季节下FY-3B/MERSI数据大气校正前后对比[J]. 权文婷,赵青兰,王卫东,能佳. 干旱气象. 2015(04)
[2]基于多源卫星数据的3种干旱遥感监测效果比较[J]. 蒋友严,韩涛,徐燕,王小巍,王大为. 干旱地区农业研究. 2014(02)
[3]基于作物缺水指数法的渭河流域干旱特征[J]. 王玉娟,王树东,曾红娟,蔡明勇,宋文龙. 干旱区研究. 2014(01)
[4]利用多波段遥感干旱监测方法研究[J]. 冷松,武建军,周磊. 干旱区资源与环境. 2013(02)
[5]基于MODIS数据的农业干旱监测方法对比分析[J]. 张洁,武建军,周磊,雷添杰,刘明. 遥感信息. 2012(05)
[6]干旱遥感监测方法及其应用发展[J]. 刘欢,刘荣高,刘世阳. 地球信息科学学报. 2012(02)
[7]2010年中国西南旱情的时空特征分析——基于MODIS数据归一化干旱指数[J]. 白开旭,刘朝顺,施润和,高炜. 地球信息科学学报. 2012(01)
[8]相对冷暖背景下两次干旱事件的比较——以陕西为例[J]. 李星敏,杨文峰,李红梅,袁媛,乔丽. 干旱地区农业研究. 2012(01)
[9]FY-3A/MERSI数据在中国北方干旱监测中的应用[J]. 朱琳,刘健,张晔萍,王萌. 遥感学报. 2010(05)
[10]基于MODIS产品LST/NDVI/EVI的陕西旱情监测[J]. 闫娜,李登科,杜继稳,延军平. 自然灾害学报. 2010(04)
硕士论文
[1]基于MODIS的陕西省干旱遥感监测研究[D]. 张芳.陕西师范大学 2008
本文编号：2959883
本文链接：https://www.wllwen.com/kejilunwen/nykj/2959883.html
