一种综合考虑温度和水分胁迫的草地旱情监测方法技术

本发明专利技术公开了一种综合考虑温度和水分胁迫的草地旱情监测方法，包括以下步骤：S1、获取大尺度遥感数据并进行处理；S2、构建旱情监测模型VDI；S3、划分研究区的旱情基本单元；S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；S5、确定VDI旱情级别阈值；S6、获取旱情分布结果。本发克服了仅采用植被指数和地表温度的干旱指数模型无法及时反映旱情空间分布和变化状态的弊端，并解决了温度指数与植被指数相关性不显著情况下影响旱情监测精度的问题；此外，弥补了单一系数模型的不足，有效提高了大尺度草地旱情监测的准确性。

【技术实现步骤摘要】
一种综合考虑温度和水分胁迫的草地旱情监测方法
本专利技术涉及一种旱情监测方法，尤其涉及一种综合考虑温度和水分胁迫的草地旱情监测方法。
技术介绍
旱灾持续时间长，影响范围广，短时间内反复发生，是对人类社会特别是农业生产造成损失最严重的自然灾害之一，对国民经济的发展有重大的影响。随着全球气候变暖，干旱发生频率有明显上升的趋势，全世界有20亿人口和41％的地区受到不同程度的干旱影响。准确掌握旱情程度和分布，及时采取有效的防旱抗旱措施，科学地指导农业生产，具有重要的现实意义。传统的干旱监测方法，主要是根据有限的旱情测量站点测定土壤水分含量来进行旱情监测，采样速度慢、范围有限，而且花费大量的人力物力，难以满足当前实时、大尺度旱情监测的需求。随着遥感技术的迅速发展，通过卫星影像快速获取大尺度数据能够实现实时或准实时大范围旱情监测。目前，现有大尺度旱情监测指数多建立在地表温度与植被指数呈负相关的基础上，在地表温度与植被指数呈现正相关或不相关的地区旱情监测精度存在明显偏差，而且植被指数对土壤水分和干旱的反应具有滞后性，受不同区域地表大气环流、下垫面条件、不同生长期等因素影响，现有的大多数旱情监测指数都有其不同的适用范围，导致了旱情监测结果的精度无法得到有效保证。综合而言，现有的草地旱情监测方法主要存在以下三大技术缺陷：第一，旱情的监测需要实时快速响应，现有技术仅仅依靠植被指数和温度因子无法及时获取旱情的变化动态，导致了旱情监测响应不够及时；第二，未考虑在植被指数与温度指数相关性不显著的情况，导致不受温度胁迫情况下的旱情监测精度的降低；第三，现有技术仅依赖单一系数模型，未考虑不同下垫面类型的特殊性，导致模型适用的区域和范围十分有限。由此，基于现有的草地旱情监测技术的局限性，亟需提出一种综合考虑温度和水分胁迫的草地旱情监测方法。
技术实现思路
为了解决上述技术所存在的不足之处，本专利技术提供了一种综合考虑温度和水分胁迫的草地旱情监测方法。为了解决以上技术问题，本专利技术采用的技术方案是：一种综合考虑温度和水分胁迫的草地旱情监测方法，包括以下步骤：S1、获取大尺度遥感数据并进行处理；S2、构建旱情监测模型VDI；S3、划分研究区的旱情基本单元；S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；S5、确定VDI旱情级别阈值；S6、获取旱情分布结果。2、根据权利要求1所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S1中，获取长时间序列公里级中低分辨遥感数据作为大尺度遥感数据，中低分辨遥感数据包括MODIS日产品植被指数NDVI0和地表温度LST0，近红外反射率数据ρNIR0和短波红外反射率数据ρSWIR0，空间分辨率均为1km。进一步地，步骤S1中，通过近红外波段与短波红外波段运算，获取日植被水分指数NDWI，如式1所示：式中，ρNIR为近红外反射率产品；ρSWIR为短波红外反射率产品；NDWI为植被水分指数，反映植被冠层的水分含量；通过多项式平滑算法消除云的影响，构建逐日植被指数NDVI0、地表温度LST0、植被水分指数NDWI0长时间序列数据集；然后，根据数据质量标志和每个旬的可用天数，将植被指数、地表温度、植被水分指数以旬为周期进行均值合成，得到旬植被指数、旬地表温度以及旬植被水分指数，并获取逐旬极大值NDVImax、LSTmax和NDWImax，以及逐旬极小值NDVImin、LSTmin和NDWImin；获取长时间序列站点的气温AT0和降水数据PR0，通过反距离加权法分别将站点数据AT0和PR0插值为长时间序列栅格数据集ATL和PRL，空间分辨率为1km，对长时间序列栅格数据集ATL和PRL分别求取均值，得到年平均气温和年平均降水数据，此部分数据用于旱情区划基本单元的制备；获取长时间序列地面观测区域的草地根区土壤水分站点旬数据SM以及田间持水量站点数据FC，将土壤水分数据转化为相对土壤相对湿度，具体计算如式2所示：式中，RSM为站点相对土壤相对湿度，此部分数据用于旱情程度分级阈值的确定。进一步地，步骤S2中，旱情监测模型VDI的构建过程为：1)计算温度状态指数TCI和植被条件指数VCI；利用旬地表温度LST数据集以及旬植被指数NDVI数据集，逐像元计算出温度状态指数TCI和植被条件指数VCI，计算公式如式3和式4所示：式中，NDVImax和NDVImin分别是旬植被水分指数NDVI的历史最大值和最小值，LSTmax和LSTmin分别是旬地表温度LST的历史最大值和最小值。2)计算水分状态指数WCI；逐像元构建水分状态指数WCI，如式5所示：式中，NDWImax和NDWImin分别是植被水分指数NDWI的历史最大值和最小值，WCI是水分状态指数，表征植被含水情况；WCI越大表示水分状况越好，反之，WCI越小则干旱越严重；3)构建旱情监测模型，如式6所示：式中，TCI为温度状态指数，VCI为植被条件指数，WCI为水分状态指数，VDI为旱情监测指数模型；RNDVI&LST为植被指数NDVI与地表温度LST之间相关系数，当RNDVI&LST≤-0.4时表明NDVI与LST之间相关性显著，旱情监测指数模型VDI由TCI、VCI和WCI三种指数共同构成；当RNDVI&LST＞-0.4时，表明NDVI与LST之间没有显著的相关性，旱情不受温度胁迫，旱情监测指数模型VDI由VCI和WCI构成；t、v和w分别为模型系数，由步骤S4估算得到。进一步地，步骤S3中，研究区的旱情基本单元划分过程为：先进行草地类型划分，通过ENVI的N维可视化器在每个草地类型区内分别进行监督分类，完成每个草地类型旱情单元的划分。进一步地，步骤S4中，结合步骤S2中获取的指数数据集，即：温度状态指数TCI、植被条件指数VCI、水分状态指数WCI，逐像元获取各个主成分的载荷来估算VDI权重系数，然后结合旱情区划单元数据，在每个区划单元内估算VDI综合权重系数；VDI权重系数估算包括四个步骤：1)指数矩阵的标准化处理；2)单个主成分荷载的确定；3)基于像元的指数权重系数的确定；4)基于旱情区划单元的指数权重系数确定。进一步地，当RNDVI&LST≤-0.4时，旱情监测指数模型表示为：VDI＝t×TCI+v×VCI+w×WCI；VDI权重系数估算的具体处理过程为：1)指数矩阵的标准化处理逐像元将第二步中获取的长时间序列的温度状态指数TCI、植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：数据矩阵CIP中的元素表示为CIpj,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数，n∈[1,20]；按照式8对该矩阵进行标准化处理，结果如下：<本文档来自技高网...

【技术保护点】
1.一种综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：包括以下步骤：/nS1、获取大尺度遥感数据并进行处理；/nS2、构建旱情监测模型VDI；/nS3、划分研究区的旱情基本单元；/nS4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；/nS5、确定VDI旱情级别阈值；/nS6、获取旱情分布结果。/n

【技术特征摘要】
1.一种综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：包括以下步骤：
S1、获取大尺度遥感数据并进行处理；
S2、构建旱情监测模型VDI；
S3、划分研究区的旱情基本单元；
S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；
S5、确定VDI旱情级别阈值；
S6、获取旱情分布结果。


2.根据权利要求1所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S1中，获取长时间序列公里级中低分辨遥感数据作为大尺度遥感数据，中低分辨遥感数据包括MODIS日产品植被指数NDVI0和地表温度LST0，近红外反射率数据ρNIR0和短波红外反射率数据ρSWIR0，空间分辨率均为1km。


3.根据权利要求2所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S1中，通过近红外波段与短波红外波段运算，获取日植被水分指数NDWI，如式1所示：



式中，ρNIR为近红外反射率产品；ρSWIR为短波红外反射率产品；NDWI为植被水分指数，反映植被冠层的水分含量；
通过多项式平滑算法消除云的影响，构建逐日植被指数NDVI0、地表温度LST0、植被水分指数NDWI0长时间序列数据集；然后，根据数据质量标志和每个旬的可用天数，将植被指数、地表温度、植被水分指数以旬为周期进行均值合成，得到旬植被指数、旬地表温度以及旬植被水分指数，并获取逐旬极大值NDVImax、LSTmax和NDWImax，以及逐旬极小值NDVImin、LSTmin和NDWImin；
获取长时间序列站点的气温AT0和降水数据PR0，通过反距离加权法分别将站点数据AT0和PR0插值为长时间序列栅格数据集ATL和PRL，空间分辨率为1km，对长时间序列栅格数据集ATL和PRL分别求取均值，得到年平均气温和年平均降水数据，此部分数据用于旱情区划基本单元的制备；
获取长时间序列地面观测区域的草地根区土壤水分站点旬数据SM以及田间持水量站点数据FC，将土壤水分数据转化为相对土壤相对湿度，具体计算如式2所示：



式中，RSM为站点相对土壤相对湿度，此部分数据用于旱情程度分级阈值的确定。


4.根据权利要求3所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S2中，旱情监测模型VDI的构建过程为：
1)计算温度状态指数TCI和植被条件指数VCI；
利用旬地表温度LST数据集以及旬植被指数NDVI数据集，逐像元计算出温度状态指数TCI和植被条件指数VCI，计算公式如式3和式4所示：






式中，NDVImax和NDVImin分别是旬植被绿度指数NDVI的历史最大值和最小值，LSTmax和LSTmin分别是旬地表温度LST的历史最大值和最小值。
2)计算水分状态指数WCI；
逐像元构建水分状态指数WCI，如式5所示：



式中，NDWImax和NDWImin分别是植被水分指数NDWI的历史最大值和最小值，WCI是水分状态指数，表征植被含水情况；WCI越大表示水分状况越好，反之，WCI越小则干旱越严重；
3)构建旱情监测模型，如式6所示：



式中，TCI为温度状态指数，VCI为植被条件指数，WCI为水分状态指数，VDI为旱情监测指数模型；RNDVI&LST为植被指数NDVI与地表温度LST之间相关系数，当RNDVI&LST≤-0.4时表明NDVI与LST之间相关性显著，旱情监测指数模型VDI由TCI、VCI和WCI三种指数共同构成；当RNDVI&LST＞-0.4时，表明NDVI与LST之间没有显著的相关性，旱情不受温度胁迫，旱情监测指数模型VDI由VCI和WCI构成；t、v和w分别为模型系数，由步骤S4估算得到。


5.根据权利要求4所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S3中，研究区的旱情基本单元划分过程为：先进行草地类型划分，通过ENVI的N维可视化器在每个草地类型区内分别进行监督分类，完成每个草地类型旱情单元的划分。


6.根据权利要求5所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S4中，结合步骤S2中获取的指数数据集，即：温度状态指数TCI、植被条件指数VCI、水分状态指数WCI，逐像元获取各个主成分的载荷来估算VDI权重系数，然后结合旱情区划单元数据，在每个区划单元内估算VDI综合权重系数；
VDI权重系数估算包括四个步骤：1)指数矩阵的标准化处理；2)单个主成分荷载的确定；3)基于像元的指数权重系数的确定；4)基于旱情区划单元的指数权重系数确定。


7.根据权利要求6所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：当RNDVI&LST≤-0.4时，旱情监测指数模型表示为：VDI＝t×TCI+v×VCI+w×WCI；
VDI权重系数估算的具体处理过程为：
1)指数矩阵的标准化处理
逐像元将第二步中获取的长时间序列的温度状态指数TCI、植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：



数据矩阵CIP中的元素表示为CIpj,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数，n∈[1,20]；按照式8对该矩阵进行标准化处理，结果如下：






其中，CIpj,n为原矩阵对应的元素，p表示第p个像元，j表示第j个指数，j∈[1,3]，分别对应TCI、VCI和WCI三个指数，n为年数，n∈[...

【专利技术属性】
技术研发人员：常胜，陈虹，吴炳方，闫娜娜，张春燕，
申请(专利权)人：中国科学院空天信息创新研究院，中国自然资源航空物探遥感中心，
类型：发明
国别省市：北京;11