遥感干旱指数反演数据及方法汇总

2024-03-05 09:20

本文主要是介绍遥感干旱指数反演数据及方法汇总,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

    干旱作为一种缓变的现象,其严重程度也是逐渐积累的结果,这就为干旱的监测和早期的预警带来了方便和可能。干旱监测方法分为地面监测方法和空间监测方法。地面监测方法是利用地面点的数据,通过统计分析进行干旱监测。而灾害的发生具有明显的空间和时间特性。空间特性是说灾害的发生总是落在某一个地域范围内,受影响的是一个面而不是一个点;时间特性是指灾害的发生具有明显的季节性与不同尺度的周期性。因而,传统的地面监测方法不能及时的对旱情信息进行快速、准确预报。空间监测方法是随着卫星遥感技术的发展而来并逐渐趋于成熟,通过测量土壤表面反射或发射的电磁能量,探讨遥感获取的信息与土壤湿度之间的关系,从而反演出地表土壤湿度。此法监测土壤湿度不仅可以得到土壤湿度在空间上的分布状况和时间上的变化情况,而且可以进行长期动态监测,具有监测范围广,速度快,成本低等特点。

图片

    遥感分为可见光、红外波段和微波波段,不同波段的遥感对干旱监测的原理不同。在可见光与近红外波段,不同湿度的土壤具有不同的地表反照率,通常湿土的地表反照率比干土低。可见光和红外波段遥感正是利用地表温度获得土壤热惯量,从而进行估测土壤湿度。此方法虽然比较成熟,但是可见光与近红外遥感容易受云,气溶胶等天气状况的影响,此局限性严重影响了其监测精度。

    微波遥感是近代兴起来一项新技术,相对于可见光和红外波段的遥感,微波波段遥感对土壤水分更加敏感。不受光照条件限制,具有全天候观测的能力,其分辨精度最高可达到几十厘米,而且微波的低频波段对冰,雪,森林,土壤具有一定穿透的能力。在一定程度上缓解了天气状况的干扰。由于土壤介电特性与土壤含水量密切相关,微波遥感通常采用土壤介电特性进行表征。土壤的介电常数随土壤变化而变化,表现于卫星遥感图像上将是灰度值和亮度温度的变化。微波遥感监测干旱又分为主动法和被动法两种。主动微波遥感主要根据地表的回波信号进行土壤湿度预测。具有较高空间分辨率,但受地表粗糙度,植被影响大。被动微波遥感监测面积大,周期短,受粗糙度影响小,并且对土壤水分更为敏感,算法更为成熟,可以应用于大面积地区干旱监测。

光学遥感中的干旱反演方法可分为:

  • 植被指数法

  • 温度法

  • 综合方法

 每种方法又包括若干种模型。

1植被指数法

(1)距平植被指数

图片

肖乾广等,1994

    式中:DVI为偏差植被指数(Difference Vegetation Index),AVI为距平植被指数(Anomaly Vegetation Index),NDVIavg为多年的归一化植被指数平均值;NDVIi为特定某月或者旬的归一化植被指数值。

    在积累多年气象卫星资料基础上,可以得到各个地方各个时间的NDVI的平均值,这个平均值大致可反映土壤供水的平均状况。当时值与该平均值的离差或相对离差,反映了偏旱或偏湿的程度,由此可确定各地的旱情等级。

    距平植被指数法在应用中需要注意平均植被指数的计算,各地的旱情等级不仅要注意资料累积期在长系列中是处于气候的正常期、枯水期还是丰水期,而且不能忽视近年种植结构调整、播种期变化、播种面积比例变化加快对当年混合象元植被指数的影响,在冬季该方法仍存在较明显的局限性,且植被指数与土壤含水状况在时间上有一定的滞后。

    一般-0.1<AVI<-0.2,表示干旱的出现,-0.3<AVI<-0.6表示重旱。

(2)标准植被指数

图片

齐述华,2004

Z ̅,σ分别为均值和标准差。SVI取值在0~1之间, 表示多年NDVI的标准差,其他同上。

(3)植被状态指数

 

图片

Kogan,1990

NDVIi 、NDVImin、 NDVImax分别是经平滑的某个时期(月或旬)、多年绝对最大、多年绝对最小的归一化植被指数。

    VCI可以反映出NDVI随气候变化而产生的影响,每点的NVDImax和NDVImin本身就隐含了区域背景的影响,因此这样的描述方法在一定程度上消除或弱化了地理环境条件差异对NDVI的影响,用其表达出的大范围干旱状况尤其适合于制作低于50°纬度地区的干旱分布图。

(4)供水植被指数

WSVI=NDVI / LST

NDVI 为归一化植被指数,LST为地表温度。

    当作物受旱时,为减少水分损失,叶面气孔会部分关闭,从而导致了叶面温度的增高。越干旱叶面温度越高。同时作物生长也受到干旱的影响,导致叶面积指数(LAI)减少,叶子在温度高时也会枯萎,这一切都会使归一化植被指数减小。供水植被指数越小,旱情越严重。

    供水植被指数方法实用化的主要障碍是:从表达式中虽无气象参数的引入,但在实际运用中为了与地面实际干旱情况相吻合,仍然要引用地面气象参数作为区域订正之需,其规律性尚未得到普遍掌握;评估结果所反映的干旱环境背景与农业干旱的界线模糊。

(5)归一化水指数法(NDWI)

 

图片

式中,ρ(λ)是在波长为λ的反射率。

    这里使用了两个通道,一个是在0.86μm附近,另一个是在1.24μm附近。这两个波段均位于植被冠层的高反射区,他们感知的植被冠层的深度相似。在0.86μm植被液态水的吸收可以忽略不计,而在1.24μm有水的弱吸收。

    散布的冠层增强了水的吸收,从而NDWI可以很灵敏的反应植被冠层水的含量。大气气溶胶的散射作用在0.86-1.24μm是很弱的。NDWI比NDVI对大气的灵敏度低。与NDVI一样,NDWI没有完全去除土壤背景的影响

2 温度法

(1)温度状态指数

图片

Kogan,1995

    T是像元地表温度,Tmin 、Tmax分别表示某个时期地表温度的最大和最小值。

(2)水分亏缺指数

图片

Moran,1994

    ET,PET分别代表实际蒸发量和潜在的蒸发量。

(3)作物水分亏缺指数

图片

Idso等,1981

    由冠层温度和水汽压差技术。dT为作物冠层温度与气温差,dTi表示作物冠层温度与气温差上限(作物完全停止蒸腾的状态),dTu表示作物冠层温度与气温差下限(作物水分充足,处在潜在蒸发量的状态)。

(4)归一化温度指数

图片

Mcvicar等,1992和Jupp,1998

    LST∞和LST0分别表示地表阻抗无限大和为零时模拟的地表温度;LST∞是理论上当没有水分可利用时出现的地表温度-即阻抗为无穷大时出现的地表温度。LST0是土壤水分达到饱和时的地表温度-即阻抗为零时出现的地表温度,它是与潜在蒸散相对应的。两个值被认为地表阻抗下的土地表面温度的上限(干条件)和下限(湿条件)。

(5)蒸散比模型

 

图片

Nishida等,2003

    ET为蒸散发量;EFveg、EFsoil分别为植被蒸发比和土壤蒸发比;Q分别是潜热通量或显热通量的形式传输到大气的能量;Qveg、Qsoil分别为Q植被分量和土壤分量;H表示显热通量;G为土壤热通量;以上参数单位均为Wm-2;fveg为植被覆盖度。

3 综合方法

(1)VI,TS斜率

LST/NDVI

Lambin&Ehrhich,1996

    在遥感观测数据中,植被指数与表面温度具有很强的负相关性,对植被指数与表面温度组成的散点图进行拟和得到一条直线,该线的斜率与土壤湿度密切相关,这一现象在多种植被类型和传感器上得到验证。在同一生长季内,根据不同日期图像的LST/NDVI斜率,可以反映该区土壤湿度的时间变化。LST/NDVI斜率还可以反映年际土壤湿度变化。

    在实际应用中,LST/NDVI斜率的确定有一定难度,它受地表覆盖类型、提取窗口、图像分辨率、地形、云等噪声的影响。从土壤湿度估测的角度出发,理想状态是,土壤湿度是决定LST/NDVI斜率的唯一重要因素。

(2)温度植被角度指数

 

图片

    Lambin&Ehrhich,1997,对LST/NDVI取arctangent函数,补充了LST/NDVI的缺陷。

(3)温度植被干旱指数

 

图片

Sandholt,2002

    TS表示地表温度,Tmin表示某一NDVI对应的最低温度,即湿边。Tmax是,即干边。a、b、c和b为地表温度和NDVI的拟合方程的系数。

在干边上TVDI=1,在湿边上TVDI=0。对于每个像元,利用NDVI确定TMIN和TMAX,根据T在NDVI/T梯形中的位置,计算TVDI。

(4)条件植被温度指数

图片

王鹏新等,2003

    LSTNDVIi max、LSTNDVIi min分别表示在研究区域内,当NDVIi值等于某一个特定值时的土地表面温度的最大值和最小值。a1、a2、b1、b2为地表温度和NDVI的拟合方程的系数,可通过绘制研究区域的NDVI和LST的散点图近似获得。

这篇关于遥感干旱指数反演数据及方法汇总的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/776029

相关文章

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

Java对象转换的实现方式汇总

《Java对象转换的实现方式汇总》:本文主要介绍Java对象转换的多种实现方式,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Java对象转换的多种实现方式1. 手动映射(Manual Mapping)2. Builder模式3. 工具类辅助映

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Windows 上如果忘记了 MySQL 密码 重置密码的两种方法

《Windows上如果忘记了MySQL密码重置密码的两种方法》:本文主要介绍Windows上如果忘记了MySQL密码重置密码的两种方法,本文通过两种方法结合实例代码给大家介绍的非常详细,感... 目录方法 1:以跳过权限验证模式启动 mysql 并重置密码方法 2:使用 my.ini 文件的临时配置在 Wi

MySQL重复数据处理的七种高效方法

《MySQL重复数据处理的七种高效方法》你是不是也曾遇到过这样的烦恼:明明系统测试时一切正常,上线后却频频出现重复数据,大批量导数据时,总有那么几条不听话的记录导致整个事务莫名回滚,今天,我就跟大家分... 目录1. 重复数据插入问题分析1.1 问题本质1.2 常见场景图2. 基础解决方案:使用异常捕获3.

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

最详细安装 PostgreSQL方法及常见问题解决

《最详细安装PostgreSQL方法及常见问题解决》:本文主要介绍最详细安装PostgreSQL方法及常见问题解决,介绍了在Windows系统上安装PostgreSQL及Linux系统上安装Po... 目录一、在 Windows 系统上安装 PostgreSQL1. 下载 PostgreSQL 安装包2.

SQL中redo log 刷⼊磁盘的常见方法

《SQL中redolog刷⼊磁盘的常见方法》本文主要介绍了SQL中redolog刷⼊磁盘的常见方法,将redolog刷入磁盘的方法确保了数据的持久性和一致性,下面就来具体介绍一下,感兴趣的可以了解... 目录Redo Log 刷入磁盘的方法Redo Log 刷入磁盘的过程代码示例(伪代码)在数据库系统中,r

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类