應(yīng)用中值融合模型的條件植被溫度指數(shù)降尺度轉(zhuǎn)換研究

王鵬新 劉 郊 李 俐 張樹譽(yù) 解 毅

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.陜西省氣象局， 西安 710014)

應(yīng)用中值融合模型的條件植被溫度指數(shù)降尺度轉(zhuǎn)換研究

王鵬新1劉 郊1李 俐1張樹譽(yù)2解 毅1

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.陜西省氣象局， 西安 710014)

為獲得基于Landsat衛(wèi)星遙感數(shù)據(jù)更為精確的定量化干旱監(jiān)測結(jié)果，以陜西省關(guān)中平原為研究區(qū)域，基于Aqua MODIS數(shù)據(jù)反演的1 km空間分辨率的條件植被溫度指數(shù)(VTCI)的定量化干旱監(jiān)測結(jié)果(MODIS-VTCI)和Landsat OLI/TIRS 數(shù)據(jù)反演的30 m空間分辨率的VTCI相對干濕監(jiān)測結(jié)果(Landsat-VTCI)，應(yīng)用降尺度的中值融合模型(MFM)將基于MODIS數(shù)據(jù)反演的VTCI降尺度至30 m空間分辨率的VTCI定量化干旱監(jiān)測，并對其結(jié)果進(jìn)行驗證。結(jié)果表明，應(yīng)用降尺度的中值融合模型轉(zhuǎn)換的VTCI定量化干旱監(jiān)測結(jié)果(MFM-VTCI)與Landsat-VTCI的空間分布及紋理特征相似，兩者間的相關(guān)系數(shù)和結(jié)構(gòu)相似度均較大，均方根誤差、差值影像及差值頻數(shù)分布圖所呈現(xiàn)的結(jié)果與定量化干旱監(jiān)測結(jié)果和相對干濕監(jiān)測結(jié)果間的系統(tǒng)誤差相符，表明Landsat-VTCI與MFM-VTCI間的可比性較強(qiáng)。MFM-VTCI與累計降水間的相關(guān)性和MODIS-VTCI與累計降水間的相關(guān)性相近，均大于Landsat-VTCI與累計降水間的相關(guān)性，表明MFM-VTCI是定量化的干旱監(jiān)測結(jié)果。

干旱遙感監(jiān)測； MODIS數(shù)據(jù)； Landsat數(shù)據(jù)； 降尺度； 條件植被溫度指數(shù)； 中值融合模型

引言

干旱災(zāi)害發(fā)生頻率高、持續(xù)時間長，對環(huán)境及農(nóng)業(yè)的危害非常大，是世界上影響最廣、造成經(jīng)濟(jì)損失最大的自然災(zāi)害之一[1-2]?；谶b感數(shù)據(jù)的干旱監(jiān)測方法充分利用了地物表面的光譜、時間、空間和方向信息，具有速度快、周期短、范圍廣等特點，在農(nóng)業(yè)干旱監(jiān)測及農(nóng)作物產(chǎn)量估測等方面發(fā)揮著重要作用[3]。利用遙感數(shù)據(jù)與地表目標(biāo)參量，在先驗知識和計算機(jī)系統(tǒng)的支持下，通過數(shù)學(xué)模型反演定量化干旱監(jiān)測指數(shù)，是解決大范圍旱情監(jiān)測的有效途徑[4-5]。

王鵬新等[3]基于歸一化植被指數(shù)(NDVI)-地表溫度(LST)的散點圖呈三角形區(qū)域分布的條件，提出的條件植被溫度指數(shù)(VTCI)在干旱監(jiān)測、預(yù)測和作物估產(chǎn)等研究中得到了廣泛應(yīng)用[6]。孫威等[7]對VTCI冷、熱邊界的確定方法進(jìn)行了完善，應(yīng)用多年旬NDVI和旬LST產(chǎn)品，確定了每旬多年共同的冷邊界和熱邊界，并對其可行性進(jìn)行了驗證，實現(xiàn)了應(yīng)用高時間分辨率衛(wèi)星遙感數(shù)據(jù)的VTCI的定量化干旱監(jiān)測。而基于VTCI的定量化干旱監(jiān)測需要利用時間分辨率較高的傳感器，獲取豐富的數(shù)據(jù)源，通過分析多年且大量的數(shù)據(jù)及某一特定時段干旱情況的整體規(guī)律，生成定量化的干旱監(jiān)測結(jié)果[8]。但基于高時間分辨率的傳感器空間分辨率較低，一般適用于大尺度的干旱監(jiān)測，而空間分辨率較高的傳感器，獲取同一區(qū)域遙感數(shù)據(jù)信息的周期較長，可獲得的數(shù)據(jù)較少，如2015年3—5月份在覆蓋陜西關(guān)中平原東部、中部和西部的126/36、127/36和128/36 3個軌道上，僅能獲取126/36軌道和127/36軌道各1景有效的Landsat 8 OLI/TIRS影像，128/36軌道上無可用數(shù)據(jù)，故其VTCI只能反映衛(wèi)星過境時刻的地表干濕情況，僅可作為衛(wèi)星過境時刻干濕情況的監(jiān)測指標(biāo)。因此，對來自不同遙感平臺的數(shù)據(jù)信息進(jìn)行空間降尺度轉(zhuǎn)換，從而獲得一個有較高空間分辨率的定量化干旱監(jiān)測結(jié)果，對地表的定量化干旱監(jiān)測研究具有重要意義。

國內(nèi)外已有學(xué)者利用不同方法進(jìn)行了降尺度轉(zhuǎn)換研究。KUSTAS等[9]假設(shè)在不同空間分辨率下LST和NDVI之間的負(fù)相關(guān)是恒定的，提出了DisTrad算法，并成功將千米級的日常地溫監(jiān)測提高到百米級。聶建亮等[10]利用基于DisTrad算法改進(jìn)后的TsHARP溫度降尺度方法[11]將1 km空間分辨率的Aqua MODIS數(shù)據(jù)反演的LST降尺度至500 m。然而，該方法的尺度因子為NDVI，對于下墊面地物類型復(fù)雜的區(qū)域來說，不同層次上對應(yīng)的最優(yōu)尺度因子可能并不是NDVI或者并不唯一[12]。MERLIN等[13-14]基于1 km空間分辨率MODIS數(shù)據(jù)的土壤蒸發(fā)率將40 km分辨率的SMOS(Soil moisture and ocean salinity)土壤濕度數(shù)據(jù)降尺度轉(zhuǎn)換至4 km，并運用混合二維導(dǎo)數(shù)降尺度方法和指數(shù)模型相結(jié)合的方法使尺度轉(zhuǎn)換后的土壤濕度精度得到了很大提高。KIM等[15]結(jié)合UCLA(University of California at Los Angeles)法將Merlin法進(jìn)行精簡，利用AMSR-E的土壤濕度產(chǎn)品(SM)和MODIS數(shù)據(jù)反演的土壤濕度指數(shù)(SW)提出一個空間尺度下推方法，將空間分辨率為25 km的AMSR-E土壤濕度下推至1 km。PENG等[16]利用CCI(Climate change initiative)SM產(chǎn)品和MODIS反演的VTCI數(shù)據(jù)，提出一個基于UCLA法的尺度下推模型，將25 km空間分辨率的CCISM尺度下推至5 km，并通過與云南省的實測SM數(shù)據(jù)對比驗證了該方法的可行性。WANG等[17]基于UCLA法以MODIS遙感數(shù)據(jù)反演的溫度植被干旱指數(shù)(TVDI)為降尺度因素，建立PKU降尺度轉(zhuǎn)換模型，將青藏高原25 km空間分辨率的SM尺度下推至1 km空間分辨率。

鑒于關(guān)中平原鮮有降尺度轉(zhuǎn)換的研究及VTCI在關(guān)中平原干旱監(jiān)測研究中的廣泛應(yīng)用，本文利用關(guān)中平原2014—2015年的3—5月份的Aqua MODIS和Landsat OLI/TIRS衛(wèi)星遙感數(shù)據(jù)，以VTCI作為降尺度轉(zhuǎn)換因素，利用中值融合降尺度轉(zhuǎn)換模型(Median fusion model,MFM)和Landsat OLI/TIRS衛(wèi)星遙感數(shù)據(jù)反演的VTCI相對干濕監(jiān)測結(jié)果(Landsat-VTCI)，將Aqua MODIS衛(wèi)星遙感數(shù)據(jù)反演的VTCI定量化干旱監(jiān)測結(jié)果(MODIS-VTCI)從1 km空間分辨率降尺度轉(zhuǎn)換至30 m。將應(yīng)用中值融合模型轉(zhuǎn)換的VTCI(MFM-VTCI)分別與Landsat-VTCI和MODIS-VTCI作對比分析，并對MFM-VTCI定量化干旱監(jiān)測結(jié)果進(jìn)行驗證，以期為關(guān)中平原的定量化干旱監(jiān)測提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)域概況

關(guān)中平原位于陜西省中部的渭河流域，南靠秦嶺，北接黃土高原，西起寶雞大散關(guān)，東至潼關(guān)，東西長約400 km，總面積約55 300 km2，包括西安市、銅川市、寶雞市、咸陽市、渭南市5市及楊凌示范區(qū)[18-19]。該地區(qū)屬大陸性季風(fēng)氣候，處于暖溫帶半濕潤與半干旱氣候的過渡地帶，降水主要集中在夏季，年平均降水量為500～700 mm，氣溫南高北低，年平均氣溫為6～13℃，因此冬春發(fā)生干旱的可能性相對較大[20-21]。

1.2 數(shù)據(jù)來源與處理

1.2.1 數(shù)據(jù)來源

選用2014—2015年的3—5月份覆蓋陜西省關(guān)中平原東部、中部和西部區(qū)域6景Landsat 8 OLI/TIRS數(shù)據(jù)(126/36軌道上獲取的日期為2014年3月17日和2014年5月4日，127/36軌道上獲取的日期為2014年5月11日和2015年4月28日，128/36軌道上獲取的日期為2014年3月15日和2014年5月18日)，以及這些數(shù)據(jù)獲取時間所在旬的 Aqua MODIS 1 km空間分辨率的數(shù)據(jù)產(chǎn)品。Landsat 8 OLI/TIRS數(shù)據(jù)過境周期為16 d，空間分辨率為30 m。Aqua MODIS 數(shù)據(jù)空間分辨率為1 km(本研究使用的相關(guān)數(shù)據(jù)產(chǎn)品的空間分辨率為926.6 m)，過境周期為1 d。

1.2.2 數(shù)據(jù)處理

1.2.2.1 MODIS數(shù)據(jù)的處理

采用Landsat衛(wèi)星數(shù)據(jù)過境日期所在旬的Aqua MODIS日地表反射率產(chǎn)品(MYD09GA)和日LST產(chǎn)品(MYD11A1)，應(yīng)用日地表反射率產(chǎn)品計算日NDVI?；谌誑DVI 和日LST，應(yīng)用最大值合成技術(shù)分別生成每年3—5月份的旬NDVI和旬LST最大值合成產(chǎn)品[2,7-8]；應(yīng)用旬NDVI和旬LST合成產(chǎn)品計算VTCI[3,22]。

(1)

其中

Lmax(Ni)=a+bNi

(2)

Lmin(Ni)=a′+b′Ni

(3)

式中Ni——研究區(qū)域內(nèi)，第i個時期某一像素的NDVI值

Lmax(Ni)——研究區(qū)域內(nèi)，當(dāng)Ni等于某一特定值時的所有像素地表溫度的最大值

Lmin(Ni)——研究區(qū)域內(nèi)，當(dāng)Ni等于某一特定值時的所有像素地表溫度的最小值

a、b、a′、b′——待定系數(shù)

生成MODIS-VTCI時，需利用基于多年某一旬的NDVI和LST最大合成產(chǎn)品，應(yīng)用最大值合成技術(shù)分別生成多年的旬NDVI和旬LST最大值合成產(chǎn)品；對多年某一旬的LST最大值合成產(chǎn)品，逐像素取最小值，生成多年旬LST最大-最小值合成產(chǎn)品[7]，并以此計算VTCI，獲得2014—2015年每年以旬為單位的VTCI。由于Aqua MODIS數(shù)據(jù)獲取周期短、時間分辨率高，數(shù)據(jù)源豐富，故應(yīng)用MODIS數(shù)據(jù)監(jiān)測干旱時可以綜合考慮多年間每旬的干旱情況整體規(guī)律。多年的遙感反演數(shù)據(jù)可以生成一個較為穩(wěn)定的特征空間，這個特征空間在較長的時間周期內(nèi)被認(rèn)為是比較準(zhǔn)確的，能夠客觀地反映某一時期的干旱情況。因此，MODIS-VTCI干旱監(jiān)測結(jié)果是一種定量的干旱監(jiān)測指標(biāo)。

1.2.2.2 Landsat數(shù)據(jù)的處理

對選用的Landsat衛(wèi)星遙感數(shù)據(jù)進(jìn)行輻射校正和幾何校正等預(yù)處理，其中輻射校正包括輻射定標(biāo)和大氣校正。

(1)歸一化植被指數(shù)的計算

應(yīng)用Landsat 8 OLI數(shù)據(jù)的近紅外波段(第5波段，ρNIR)和紅光波段(第4波段，ρR)的反射率計算NDVI。

(4)

(2)亮度溫度的計算

應(yīng)用Landsat 8的第10波段的輻射亮度計算亮度溫度(Brightness temperature,T10)[23-24]。

(5)

式中L10——第10波段的輻射亮度

與Aqua MODIS數(shù)據(jù)不同，由于Landsat數(shù)據(jù)獲取周期較長，易受云的干擾等，其可用數(shù)據(jù)較少且無法生成NDVI和LST合成產(chǎn)品，故只能應(yīng)用Landsat OLI/TIRS衛(wèi)星過境時刻的數(shù)據(jù)計算NDVI和BT，并根據(jù)VTCI計算方法生成Landsat-VTCI。單景Landsat-VTCI計算結(jié)果反映的是衛(wèi)星過境當(dāng)天的地表干濕情況，其特征空間在短時期內(nèi)是相對變化的。因此，Landsat-VTCI是一種相對干濕的監(jiān)測指標(biāo)，即相對干濕監(jiān)測結(jié)果。

1.2.3 坐標(biāo)轉(zhuǎn)換

Aqua MODIS數(shù)據(jù)投影方式為Lambert投影，而Landsat數(shù)據(jù)應(yīng)用UTM投影方式。由于兩者投影坐標(biāo)系不同，在應(yīng)用兩種遙感數(shù)據(jù)作尺度轉(zhuǎn)換之前需要先對這兩種遙感數(shù)據(jù)的坐標(biāo)進(jìn)行轉(zhuǎn)換。具體實現(xiàn)方法為：首先，通過Lambert反解算法將MODIS數(shù)據(jù)的平面坐標(biāo)轉(zhuǎn)換成經(jīng)緯度坐標(biāo)，以經(jīng)緯度坐標(biāo)作為中間變量，再通過UTM正解算法將經(jīng)緯度坐標(biāo)轉(zhuǎn)換成Landsat數(shù)據(jù)下的平面坐標(biāo)，實現(xiàn)兩種遙感數(shù)據(jù)投影方式的坐標(biāo)轉(zhuǎn)換。

1.3 中值融合模型

降尺度的中值融合模型(MFM)是以某一MODIS-VTCI像素對應(yīng)的Landsat-VTCI像素局部窗口中每個Landsat-VTCI像素與該局部窗口內(nèi)所有Landsat-VTCI像素的中值(若某些像素的VTCI值相等，則依次排列)之商作為降尺度轉(zhuǎn)換因子，即

(6)

式中VD(i+1)31+k,(j-1)31+1——降尺度轉(zhuǎn)換的VTCIVMij——第i行第j列的基于MODIS數(shù)據(jù)的定量化干旱監(jiān)測結(jié)果

VLkl——與某一MODIS-VTCI像素對應(yīng)的第k行第l列(k=1,2,…,31；l=1,2,…,31)基于Landsat數(shù)據(jù)的VTCI相對干濕結(jié)果

Vm——與MODIS-VTCI對應(yīng)的Landsat數(shù)據(jù)局部窗口內(nèi)VTCI的中值

選取時間范圍相對應(yīng)的MODIS-VTCI和Landsat-VTCI數(shù)據(jù)，對MODIS-VTCI影像數(shù)據(jù)的研究區(qū)域裁剪后通過坐標(biāo)轉(zhuǎn)換的方法找到對應(yīng)Landsat數(shù)據(jù)的平面坐標(biāo)，以此Landsat-VTCI數(shù)據(jù)的平面坐標(biāo)所在的像素為中心，向上、下、左、右4個方向分別擴(kuò)展15個像素，形成31像素×31像素的局部窗口，利用中值融合模型對MODIS數(shù)據(jù)反演的定量化VTCI值降尺度轉(zhuǎn)換至30 m空間分辨率的干旱監(jiān)測結(jié)果。

應(yīng)用位于研究區(qū)域內(nèi)氣象網(wǎng)站觀測的旬降水資料對MFM-VTCI定量化干旱監(jiān)測結(jié)果進(jìn)行驗證。選取覆蓋關(guān)中平原的6景影像中的旱作實驗樣點，根據(jù)樣點的經(jīng)緯度坐標(biāo)計算其在影像上的像素坐標(biāo)，以每個樣點所在像素為中心的3×3模板的VTCI平均值作為該樣點所在地的VTCI值，用線性相關(guān)分析的方法研究降水量與VTCI間的關(guān)系，其中降水量設(shè)置為以旬為單位的累計降水量。

1.4 降尺度轉(zhuǎn)換結(jié)果的精度評價方法

1.4.1 相關(guān)系數(shù)

相關(guān)系數(shù)的計算公式為

(7)

1.4.2 均方根誤差

均方根誤差(RMSE)可以衡量待評價數(shù)據(jù)與參考數(shù)據(jù)之間的偏差，本文運用RMSE分析MFM-VTCI定量化干旱監(jiān)測結(jié)果與Landsat-VTCI相對干濕監(jiān)測結(jié)果間的系統(tǒng)誤差，計算方法為

(8)

1.4.3 結(jié)構(gòu)相似度

利用WANG等[25]提出的結(jié)構(gòu)相似度(SSIM)，以Landsat-VTCI影像作為參考數(shù)據(jù)，MFM-VTCI作為待評價影像，根據(jù)SSIM計算方法得到Landsat-VTCI與MFM-VTCI數(shù)據(jù)的結(jié)構(gòu)相似度。即

S(VD,VL)=l(VD,VL)c(VD,VL)s(VD,VL)

(9)

其中

(10)

(11)

(12)

C3=C2/2

式中l(wèi)(VD,VL)——亮度比較函數(shù)c(VD,VL)——對比度比較函數(shù)s(VD,VL)——結(jié)構(gòu)比較函數(shù)μVD——MFM-VTCI影像均值μVL——Landsat-VTCI影像均值δVD——MFM-VTCI影像標(biāo)準(zhǔn)差δVL——Landsat-VTCI影像標(biāo)準(zhǔn)差δVD,VL——MFM-VTCI影像和Landsat-VTCI影像協(xié)方差

C1、C2、C3——用于避免分式出現(xiàn)異常情況引入的常量

本文中，考慮VTCI的值域范圍([0,1])及其對SSIM值的影響，所以令C2=C1=0.000 1。簡化式(9)～(12)得到

(13)

通過比較VD和VL間的相關(guān)系數(shù)、均方根誤差及結(jié)構(gòu)相似度評價尺度轉(zhuǎn)換的效果。Landsat-VTCI與MFM-VTCI之間相關(guān)系數(shù)和結(jié)構(gòu)相似度越大，降尺度轉(zhuǎn)換效果越好。均方根誤差越大，系統(tǒng)誤差越大，說明與Landsat-VTCI所反映的地表干濕情況的差異越大。

2 結(jié)果與分析

2.1 降尺度轉(zhuǎn)換VTCI的精度評價

應(yīng)用紋理特征及結(jié)構(gòu)相似度、相關(guān)系數(shù)及截距、RMSE及差值等指標(biāo)對MFM的轉(zhuǎn)換效果進(jìn)行評價。對6景MODIS-VTCI利用MFM進(jìn)行降尺度轉(zhuǎn)換得到MFM-VTCI，并與同一區(qū)域范圍的Landsat-VTCI進(jìn)行相關(guān)性分析(表1)，發(fā)現(xiàn)Landsat-VTCI與MFM-VTCI間的相關(guān)系數(shù)(表1)變化范圍為0.403 4～0.783 7，其中2015年4月下旬(127/36)的Landsat-VTCI與MFM-VTCI間的相關(guān)系數(shù)最大， 2014年5月中旬(127/36)的Landsat-VTCI與MFM-VTCI間的相關(guān)系數(shù)最小，但二者間的相關(guān)性均能達(dá)到顯著水平，表明MFM降尺度轉(zhuǎn)換效果較好。

表1 Landsat-VTCI與MFM-VTCI間的相關(guān)系數(shù)、均方根誤差及結(jié)構(gòu)相似度

從6景Landsat-VTCI與MFM-VTCI間的紋理特征及結(jié)構(gòu)相似度來看，兩者間的空間分布和紋理特征均相似，有一定的結(jié)構(gòu)相似度，變化范圍為0.363 7～0.779 6。其中，2014年5月上旬(126/36)MFM-VTCI影像中黃河與渭河交匯處及黃河和渭河的水域范圍和水體形狀的呈現(xiàn)與Landsat-VTCI影像基本一致；2014年3月中旬(128/36)及2015年4月下旬(127/36)MFM-VTCI影像中，渭河水體形狀呈現(xiàn)較為清晰，水域范圍較為明顯，均與Landsat-VTCI所呈現(xiàn)出的特征相吻合，表明MFM適用于關(guān)中平原的降尺度轉(zhuǎn)換研究。

綜合分析3景Landsat-VTCI與MFM-VTCI的干旱監(jiān)測結(jié)果(圖1)可以看出，兩者間的均方根誤差(表1)和差值(圖1c、1g、1k)均較大，說明兩者間存在較大的系統(tǒng)誤差。Landsat-VTCI與MFM-VTCI間的系統(tǒng)誤差越大，RMSE越大，則VTCI的差值集中分布于[-1，0]或[0，1]之間。Landsat-VTCI與MFM-VTCI間的系統(tǒng)誤差越小，RMSE越小，則VTCI的差值集中分布于0左右。若VTCI的差值集中分布于[-1，0]之間，說明該研究區(qū)域Landsat-VTCI比MFM-VTCI整體偏大。反之，VTCI的差值集中分布于[0，1]之間，說明該研究區(qū)域Landsat-VTCI比MFM-VTCI整體偏小。其中，2014年3月中旬(128/36)的RMSE(表1)較大，為0.16，VTCI的差值集中分布于[-0.45，0.25]之間，差值頻數(shù)分布直方圖峰值處VTCI差值為-0.15(圖1)，說明2014年3月中旬Landsat-VTCI偏大，即Landsat-VTCI相對干濕監(jiān)測結(jié)果比MFM-VTCI定量化干旱監(jiān)測結(jié)果偏濕潤。2014年5月上旬(126/36)的均方根誤差較大，為0.18，VTCI的差值集中分布于[0，0.55]之間，差值頻數(shù)分布直方圖峰值處VTCI差值為0.21，說明2014年5月上旬該研究區(qū)域Landsat-VTCI比MFM-VTCI小，即Landsat-VTCI相對干濕監(jiān)測結(jié)果比MFM-VTCI定量化干旱監(jiān)測結(jié)果所呈現(xiàn)的地表干濕情況較干旱。而2015年4月下旬(127/36)的均方根誤差最小，為0.08，VTCI的差值集中分布于[-0.22，0.22]之間，差值頻數(shù)分布直方圖峰值處VTCI差值為0，說明2015年4月下旬Landsat-VTCI與MFM-VTCI大小相近，即Landsat-VTCI相對干濕監(jiān)測結(jié)果與MFM-VTCI定量化干旱監(jiān)測結(jié)果干濕程度相同。

另，Landsat-VTCI與MFM-VTCI間的截距變化范圍為0.14～0.43(表1)，其中2015年4月下旬(127/36)的Landsat-VTCI與MFM-VTCI間的截距最小，說明2015年4月下旬Landsat-VTCI與MFM-VTCI間的偏差最小，2014年5月上旬(126/36)的Landsat-VTCI與MFM-VTCI間的截距最大，說明2014年5月中旬(126/36)Landsat-VTCI與MFM-VTCI間的偏差最大，該結(jié)果與均方根誤差的分析結(jié)果一致。

圖1 Landsat-VTCI與MFM-VTCI監(jiān)測結(jié)果及二者的差值Fig.1 Drought monitoring results of MFM-VTCIs, Landsat-VTCIs and their differences

2.2 降尺度轉(zhuǎn)換VTCI的定量化驗證

干旱受多種因素的影響，其中降水量是一個主要的制約因素，同時降水量與VTCI干旱監(jiān)測結(jié)果有一定的相關(guān)性[8]。Landsat-VTCI是相對干濕監(jiān)測結(jié)果，僅能反映衛(wèi)星過境時刻的地表干濕情況，與其他時期的干旱情況的可比性差，故Landsat-VTCI與降水量之間的可比性較小。而MODIS-VTCI是定量化干旱監(jiān)測結(jié)果，能夠反映一段時期內(nèi)的地表干旱情況，故MODIS-VTCI與降水量之間有較大的可比性。為此選取覆蓋關(guān)中平原東、中、西部的6景影像中的11個旱作樣點的26個實驗樣本(不同日期的相同旱作樣點視為多個樣本)，應(yīng)用降水?dāng)?shù)據(jù)對MFM-VTCI定量化干旱監(jiān)測結(jié)果進(jìn)行驗證，VTCI與累計降水量和累計降水距平間的相關(guān)系數(shù)越大，定量化干旱監(jiān)測結(jié)果越準(zhǔn)確。累計降水量從衛(wèi)星過境日期以旬為單位向前推算，以2014年3月中旬為例，2個月時間尺度的累計降水量為2014年1月下旬至3月中旬的累計降水量。累計降水距平值為1975—2015年(41年)間累計降水時間的降水量與對應(yīng)時間的平均降水量數(shù)據(jù)之間的差值。

通過分析MFM-VTCI、MODIS-VTCI和Landsat-VTCI與不同時間尺度的累計降水量(表2)和累計降水距平(表3)之間相關(guān)性發(fā)現(xiàn)，MFM-VTCI和MODIS-VTCI與不同時間尺度的累計降水量和累計降水距平之間的相關(guān)性均大于Landsat-VTCI。其中，累計降水時間為10 d時， MFM-VTCI、MODIS-VTCI和Landsat-VTCI與累計降水量之間的相關(guān)性均未達(dá)到顯著水平(P>0.05)；當(dāng)累計降水時間為20 d時，MFM-VTCI和MODIS-VTCI與累計降水量之間的相關(guān)系數(shù)分別為0.548 7和0.546 1，均達(dá)極顯著水平(P<0.01)，而Landsat-VTCI與此時間尺度的累計降水量間的相關(guān)系數(shù)為0.378 0，未達(dá)到顯著水平(P>0.05)，說明當(dāng)累計降水時間為20 d時，MFM-VTCI和MODIS-VTCI與累計降水量之間的相關(guān)性高于Landsat-VTCI，MFM-VTCI干旱監(jiān)測結(jié)果與Landsat-VTCI相比精度有所提高。當(dāng)累計降水時間為30 d時， MFM-VTCI、MODIS-VTCI和Landsat-VTCI與累計降水量之間的相關(guān)系數(shù)均達(dá)顯著水平(P<0.05)，說明三者與累計降水量之間的相關(guān)性均較高。MFM-VTCI與累計降水時間分別為60 d、90 d和180 d時的累計降水量之間的相關(guān) 系數(shù)均達(dá)極顯著水平(P<0.001)且大于Landsat-

表2 VTCI與累計降水量間的線性相關(guān)系數(shù)

注:*和*** 表示統(tǒng)計顯著性水平分別為0.05和0.001，下同。

圖2 MFM-VTCI和MODIS-VTCI干旱監(jiān)測結(jié)果及頻數(shù)分布圖Fig.2 Drought monitoring results of MFM-VTCIs, MODIS-VTCIs and their frequency distributions

累計時間/dLandsat?VTCIMFM?VTCIMODIS?VTCI10003680035800494200297305086??05197??3004457?04515?04581?6005596??08460???08490???9005184??08382???08440???18003895?07308???07359???

注：** 表示統(tǒng)計顯著性水平為0.01。

VTCI，說明當(dāng)累計降水時間為60 d、90 d和180 d時，MFM-VTCI和MODIS-VTCI與累計降水量之間的相關(guān)性高于Landsat-VTCI。VTCI與不同時間尺度的累計降水距平之間的相關(guān)性和VTCI與不同時間尺度的累計降水量之間的相關(guān)性結(jié)果相近，MFM-VTCI和MODIS-VTCI與累計降水時間分別為20 d、30 d、60 d、90 d和180 d的累計降水距平之間的相關(guān)性均大于Landsat-VTCI。這些結(jié)果表明MFM-VTCI與MODIS-VTCI一致，能夠客觀地反映一段時期內(nèi)的地表干旱情況，其干旱監(jiān)測結(jié)果是定量化的。且MFM-VTCI與MODIS-VTCI的干旱監(jiān)測結(jié)果的精度比Landsat-VTCI高，二者的近實時性也好于Landsat-VTCI。

2.3 降尺度轉(zhuǎn)換VTCI的定量化干旱監(jiān)測

從MFM-VTCI與MODIS-VTCI的結(jié)構(gòu)特征來看，MODIS-VTCI影像所呈現(xiàn)的結(jié)構(gòu)特征較為模糊，而MFM-VTCI影像的結(jié)構(gòu)特征較為清晰，且水體形狀及河域趨勢均比MODIS-VTCI明顯。以2014年3月中旬(128/36)為例(圖2)，MODIS-VTCI影像(圖2b)中的渭河僅能呈現(xiàn)部分水體形狀，河流趨勢模糊不清。而MFM-VTCI影像(圖2e)中，渭河的水體形狀及河流趨勢均清晰可見。

從Landsat-VTCI、MFM-VTCI和MODIS-VTCI的干旱監(jiān)測結(jié)果來看，MFM-VTCI干旱監(jiān)測結(jié)果與MODIS-VTCI定量化干旱監(jiān)測結(jié)果所反映的關(guān)中平原地表干濕情況一致，與Landsat-VTCI稍有差異。其中，2014年3月中旬(128/36)Landsat-VTCI(圖1i)影像較亮，表明VTCI較大，地表干旱程度較輕。而MFM-VTCI(圖2b)與MODIS-VTCI(圖2a)影像均偏暗，VTCI均偏小，說明該時期地表偏干旱。

從MFM-VTCI和MODIS-VTCI的頻數(shù)分布圖(圖2c、2f)可以看出，二者VTCI頻數(shù)分布情況相似。其中，2014年3月中旬(128/36)MODIS-VTCI集中分布于[0.2，0.5]之間，峰值處VTCI為0.3，VTCI均整體偏小，說明關(guān)中平原該時期地表偏干旱。MFM-VTCI集中分布于[0.15，0.55]之間，峰值處VTCI為0.3，與MODIS-VTCI相近。這一結(jié)果表明，MFM-VTCI能夠準(zhǔn)確地反映關(guān)中平原的干旱情況。

3 討論

鑒于干旱的嚴(yán)重性及破壞性，干旱監(jiān)測的研究非常重要，條件植被溫度指數(shù)(VTCI)定量化的干旱監(jiān)測結(jié)果能夠較大程度地解決這一問題。但由于各傳感器特點不同，單時相傳感器能夠獲取的有效數(shù)據(jù)較少，反演得到的VTCI不能實現(xiàn)定量化干旱監(jiān)測。而利用多時相傳感器獲取的大量數(shù)據(jù)反演得到的定量化干旱監(jiān)測結(jié)果空間分辨率較低，不能精確的反映地表干濕情況。降尺度的中值融合模型能夠基于有限的Landsat可用數(shù)據(jù)，將MODIS數(shù)據(jù)降尺度轉(zhuǎn)換得到與Landsat數(shù)據(jù)相同空間分辨率的定量化干旱監(jiān)測結(jié)果。MFM-VTCI能夠準(zhǔn)確反映不同時期的地表干旱情況，對關(guān)中平原的干旱監(jiān)測有重要的應(yīng)用價值。

此外，由于Landsat-VTCI為相對干濕監(jiān)測結(jié)果，而MODIS-VTCI為定量化干旱監(jiān)測結(jié)果，二者之間存在一定的系統(tǒng)誤差，MFM-VTCI中包含一小部分像素的VTCI值大于1，為正常結(jié)果。在未來的降尺度轉(zhuǎn)換模型研究中應(yīng)優(yōu)化降尺度轉(zhuǎn)換因子，以減少轉(zhuǎn)換的VTCI值大于1的現(xiàn)象。

4 結(jié)論

(1)應(yīng)用降尺度的中值融合模型對關(guān)中平原6景MODIS-VTCI進(jìn)行降尺度轉(zhuǎn)換，其轉(zhuǎn)換結(jié)果MFM-VTCI均與Landsat-VTCI在紋理特征、空間分布等方面基本一致，與Landsat-VTCI間的相關(guān)系數(shù)和結(jié)構(gòu)相似度均較大，均方根誤差的變化范圍與相對干濕監(jiān)測結(jié)果和定量化干旱監(jiān)測結(jié)果的系統(tǒng)誤差相符，表明中值融合模型降尺度轉(zhuǎn)換效果較好。

(2)MFM-VTCI與降水量間的相關(guān)性和MODIS-VTCI相近，二者與降水量間的相關(guān)性均大于Landsat-VTCI與降水量數(shù)據(jù)間的相關(guān)性，且與Landsat-VTCI相比，MFM-VTCI干旱監(jiān)測結(jié)果的精度有較大的提高，表明MFM-VTCI是定量化的干旱監(jiān)測結(jié)果，可以作為關(guān)中平原干旱監(jiān)測的定量指標(biāo)。

(3)MFM-VTCI影像空間分辨率較高，紋理特征和空間分布均比MODIS-VTCI更為清晰，其干旱監(jiān)測結(jié)果與MODIS-VTCI定量化干旱監(jiān)測結(jié)果所呈現(xiàn)出的地表干旱情況相同，表明MFM-VTCI定量化干旱監(jiān)測結(jié)果較為準(zhǔn)確，能夠為關(guān)中平原的定量化干旱監(jiān)測提供技術(shù)支持。

1 劉英, 馬保東, 吳立新, 等. 基于NDVI-LST雙拋物線特征空間的冬小麥旱情遙感監(jiān)測[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2012, 43(5): 55-63.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120510.DOI:10.6041/j.issn.1000-1298.2012.05.010. LIU Ying, MA Baodong, WU Lixin, et al. Drought remote sensing for winter wheat based on double parabola NDVI-LST space[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5): 55-63. (in Chinese)

2 黃友昕, 劉修國, 沈永林, 等. 農(nóng)業(yè)干旱遙感監(jiān)測指標(biāo)及其適應(yīng)性評價方法研究進(jìn)展[J/OL]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(16): 186-195. http:∥www.tcsae.org/nygcxb/ch/reader/view_abstract.aspx?flag=1&file_no=20151625&journal_id=nygcxb.DOI:10.11975/j.issn.1002-6819.2015.16.025. HUANG Youxin, LIU Xiuguo, SHEN Yonglin, et al. Advances in remote sensing derived agricultural drought monitoring indices and adaptability evaluation methods[J/OL]. Transactions of the CSAE, 2015, 31(16): 186-195. (in Chinese)

3 王鵬新, 龔健雅, 李小文. 條件植被溫度指數(shù)及其在干旱監(jiān)測中的應(yīng)用[J]. 武漢大學(xué)學(xué)報：信息科學(xué)版, 2001, 26(5): 412-418. WANG Pengxin, GONG Jianya, LI Xiaowen. Vegetation-temperature condition index and its application for drought monitoring[J]. Geomatics and Information Science of Wuhan University, 2001, 26(5): 412-418. (in Chinese)

4 顧行發(fā), 田國良, 李小文, 等. 遙感信息的定量化[J]. 中國科學(xué), 2005, 35(增刊1): 1-10. GU Xingfa, TIAN Guoliang, LI Xiaowen, et al. The quantification of remote sensing information[J]. Science in China, 2005, 35(Supp.1): 1-10. (in Chinese)

5 李小文, 王祎婷. 定量遙感尺度效應(yīng)芻議[J]. 地理學(xué)報, 2013, 68(9): 1163-1169. LI Xiaowen, WANG Yiting. Prospects on future developments of quantitative remote sensing[J]. Acta Geographica Sinica, 2013, 68(9): 1163-1169. (in Chinese)

6 田苗, 王鵬新, 韓萍, 等. 基于SARIMA模型和條件植被溫度指數(shù)的干旱預(yù)測[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2013, 44(2): 109-116.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130221&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2013.02.021. TIAN Miao, WANG Pengxin, HAN Ping, et al. Drought forecasts based on SARIMA models and vegetation temperature condition index[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(2): 109-116. (in Chinese)

7 孫威, 王鵬新, 韓麗娟, 等. 條件植被溫度指數(shù)干旱監(jiān)測方法的完善[J]. 農(nóng)業(yè)工程學(xué)報，2006, 22(2): 22-26. SUN Wei, WANG Pengxin, HAN Lijuan, et al. Further improvement of the approach to monitoring drought using vegetation and temperature condition indexes from multi-years’ remotely sensed data[J]. Transactions of the CSAE, 2006, 22(2): 22-26. (in Chinese)

8 林巧, 王鵬新, 張樹譽(yù), 等. 基于Aqua-MODIS數(shù)據(jù)的條件植被溫度指數(shù)干旱等級監(jiān)測研究[J]. 遙感信息, 2014, 29(3): 67-72. LIN Qiao, WANG Pengxin, ZHANG Shuyu, et al. Drought monitoring and category of vegetation temperature condition index using Aqua-MODIS data[J]. Remote Sensing Information, 2014, 29(3): 67-72. (in Chinese)

9 KUSTAS W P, NORMAN J M, ANDERSON M C, et al. Estimating subpixel surface temperatures and energy fluxes from the vegetation index-radiometric temperature relationship[J]. Remote Sensing of Environment, 2003, 85(4): 429-440.

10 聶建亮, 武建軍, 楊曦. 基于地表溫度-植被指數(shù)關(guān)系的地表溫度降尺度方法研究[J]. 生態(tài)學(xué)報, 2011, 31(17): 4961-4969． NIE Jianliang, WU Jianjun, YANG Xi. Downscaling land surface temperature based on relationship between surface temperature and vegetation index[J]. Acta Ecologica Sinica, 2011, 31(17): 4961-4969. (in Chinese)

11 AGAM N, KUSTAS W P, ANDERSON M C, et al. Utility of thermal sharpening over Texas high plains irrigated agricultural fields[J]. Journal of Geophysical Research Atmospheres, 2007, 112(D19): 5208-5210.

12 郭會敏, 宮阿都, 何汝艷. 遙感地表溫度空間分辨率降尺度研究[J]. 遙感信息, 2015, 30(4): 29-36. GUO Huimin, GONG Adu, HE Ruyan. Spatial downscaling research of the remotely land surface temperature[J]. Remote Sensing Information, 2015, 30(4): 29-36. (in Chinese)

13 MERLIN O, WALKER J P, CHEHBOUNI A, et al. Towards deterministic downscaling of SMOS soil moisture using MODIS derived soil evaporative efficiency[J]. Remote Sensing of Environment, 2008, 112(10): 3935-3946.

14 MERLIN O, AL BITAR A, WALKER J P, et al. An improved algorithm for disaggregating microwave-derived soil moisture based on red, near-infrared and thermal-infrared data[J]. Remote Sensing of Environment, 2010, 114(10): 2305-2316.

15 KIM J, HOGUE T S. Improving spatial soil moisture representation through integration of AMSR-E and MODIS products[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(2): 446-460.

16 PENG Jian, LOEW A, ZHANG Shiqiang, et al. Spatial downscaling of satellite soil moisture data using a vegetation temperature condition index[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 558-566.

17 WANG Jun, LING Ziwei, WANG Yang, et al. Improving spatial representation of soil moisture by integration of microwave observations and the temperature-vegetation-drought index derived from MODIS products[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2016, 113:144-154.

18 申建, 常慶瑞, 李粉玲, 等. 2000—2013年關(guān)中地區(qū)耕地復(fù)種指數(shù)遙感動態(tài)監(jiān)測[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(8): 280-287.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160837&flag=1.DOI:10.6041/j.issn. 1000-1298.2016.08.037. SHEN Jian, CHANG Qingrui, LI Fenling, et al. Dynamic monitoring of cropping index in Guanzhong area using remote sensing in 2000—2013[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(8): 280-287. (in Chinese)

19 王鵬新, 孫輝濤, 王蕾, 等. 基于4D-VAR和條件植被溫度指數(shù)的冬小麥單產(chǎn)估測[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(3): 263-271.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160337&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.03.037. WANG Pengxin, SUN Huitao, WANG Lei, et al. Winter wheat yield estimation based on four-dimensional variational assimilation method and remotely sensed vegetation temperature condition index [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 263-271. (in Chinese)

20 白雪嬌, 王鵬新, 解毅, 等. 基于結(jié)構(gòu)相似度的關(guān)中平原旱情空間分布特征[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2015, 46(11): 345-351.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20151147&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2015.11.047. BAI Xuejiao, WANG Pengxin, XIE Yi, et al. Spatial distribution characteristics of droughts in Guanzhong Plain based on structural similarity[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 345-351. (in Chinese)

21 楊文峰, 李星敏, 盧玲. 基于能量平衡的蒸散遙感估算模型的應(yīng)用研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報, 2013, 41(2): 46-52. YANG Wenfeng, LI Xingmin, LU Ling. Application of remote sensing model based on energy balance to estimate evapotranspiration[J]. Journal of Northwest A&F University, 2013, 41(2): 46-52. (in Chinese)

22 SUN Wei, WANG Pengxin, ZHANG Shuyu, et al. Using the vegetation temperature condition index for time series drought occurrence monitoring in the Guanzhong Plain, PR China[J]. International Journal of Remote Sensing, 2008,29(17-18): 5133-5144.

23 ROZENSTEIN O, QIN Zhihao, DERIMIAN Y, et al. Derivation of land surface temperature for Landsat 8 TIRS using a split window algorithm[J]. Sensors, 2014, 14(4): 5768-5780.

24 WANG Fei, QIN Zhihao, SONG Caiying, et al. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data[J]. Remote Sensing, 2015, 7(4): 4268-4289.

25 WANG Zhou, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612.

Down-scaling Transformation of Vegetation Temperature Condition Index Using Median Fusion Model

WANG Pengxin1LIU Jiao1LI Li1ZHANG Shuyu2XIE Yi1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.ShaanxiProvincialMeteorologicalBureau,Xi’an710014,China)

Vegetation temperature condition index (VTCI) is proved to be a quantitative drought monitoring approach by using the high temporal resolution remotely sensed data. However, with low temporal resolution data, the monitoring results are relatively wet and dry. A new model called the median fusion model (MFM) was developed for spatially down-scaling the coarse spatial quantitative VTCI (1 km) derived from the moderate-resolution imaging spectroradiometer (MODIS) data products and the relative VTCI (30 m) derived from the Landsat OLI/TIRS products in the Guanzhong Plain, China to a scale of the quantitative drought monitoring results (30 m) called MFM-VTCI, and their quantifications were proved. The results showed that the good agreements between the MFM-VTCIs and the Landsat-VTCIs were found in terms of correlation coefficient and structural similarity index (SSIM) values, and the two VTCIs had similar spatial distribution and texture features. The root mean square error (RMSE) and the differences between the MFM-VTCIs and the Landsat-VTCIs were consistent with the systematic error between the quantitative drought monitoring results and the relatively wet and dry monitoring results, indicating that it was comparable between the MFM-VTCIs and the Landsat-VTCIs. The correlation coefficients between the MFM-VTCIs and the cumulative precipitation were similar to those between the MODIS-VTCIs and the cumulative precipitation, which were larger than those between the Landsat-VTCIs and the cumulative precipitation, indicating that the down-scaled MFM-VTCIs were quantitative drought monitoring results.

drought monitoring by remote sensing; MODIS data; Landsat data; down-scaling; vegetation temperature condition index; median fusion model

10.6041/j.issn.1000-1298.2017.06.013

2016-10-11

2016-11-18

國家自然科學(xué)基金項目(41371390)

王鵬新(1965—)，男，教授，博士生導(dǎo)師，主要從事定量遙感及其在農(nóng)業(yè)中的應(yīng)用研究，E-mail: wangpx@cau.edu.cn

S125; TP79

A

1000-1298(2017)06-0100-09