第27卷 增刊1 农 业 工 程 学 报 Vol.27 Supp.1
358 2011年 5月 Transactions of the CSAE May. 2011
基于HJ-1A/1B CCD数据的干旱监测
冯海霞1,2，秦其明1※，蒋洪波1，董 恒1，张 宁1，王金梁1，刘明超1
（1. 北京大学遥感与GIS研究所，北京 100871； 2. 山东交通学院，济南 250023）
摘 要：HJ-1A/1B是中国以防灾减灾和环境监测为直接应用目标的小卫星星座，为探讨HJ-1A/1B CCD数据在快速监测西南喀斯特地区旱情变化的应用潜力，以2010年遭受严重旱灾的贵州安顺地区为研究区，基于多时相的 HJ-1A/1B CCD数据，利用垂直干旱指数、改进的垂直干旱指数和归一化植被指数对研究区的干旱情况和植被长势进行时间序列的监测与分析，并研究了监测模型在干旱监测中的适宜性、差异性及影响因素。结果表明，利用HJ-1A/1B CCD数据、垂直干旱指数和改进的垂直干旱指数，可以实现对旱情变化的快速监测；改进的垂直干旱指数对干旱变化的响应比垂直干旱指数敏感，且在植被覆盖较好地区的监测效果比垂直干旱指数更为有效；降水是影响监测效果的重要因素，降水对改进的垂直干旱指数的影响比垂直干旱指数大；结合干旱监测指数（MPDI,PDI）与植被指数NDVI的时间序列分析，可以更为准确地监测研究区实际旱情变化和植被长势情况。该研究对推广HJ-1A/1B数据在西南喀斯特地区的作物长势和旱情监测中的应用，以及提高中国应对突发灾害的决策能力具有重要意义。 关键词：干旱，监测，降水，HJ-1，PDI，MDPI，时间序列 doi：10.3969/j.issn.1002-6819.2011.z1.069
中图分类号：S127 文献标志码：A 文章编号：1002-6819(2011)-Supp.1-0358-08
冯海霞，秦其明，蒋洪波，等.基于HJ-1A/1B CCD数据的干旱监测研究[J]. 农业工程学报，2011，27(增刊1)：358－365.
Feng Haixia, Qin Qiming, Jiang Hongbo, et al. Drought monitoring based on HJ-1A/1B CCD data [J]. Transactions of the CSAE, 2011, 27(Supp.1): 358－365. (in Chinese with English abstract)
0 引 言
全球气候变化，灾害频发，提高综合减灾能力已成为各国关注的热点问题之一。干旱是一种频繁发生的自然现象，遥感能够及时、快速地获取大面积土壤水分和作物长势等信息，使得大范围的旱情监测与评估成为可能，已成为干旱监测领域重要发展方向[1]。遥感干旱监测始于20世纪80年代，基于可见光、近红外、短波红外、热红外、微波等多种波段信息，提出了众多的模型和方法，具有代表性的方法包括植被缺水指数法[2-3]、植被距平指数法[4]、热惯量模型[5-6]、温度法[7-8]和光谱特征空间法[9-10]等，各监测模型都有各自的适宜条件，难以找到一通用模型来对干旱进行监测，而且近年来，干旱呈现出发生范围广、出现频率高、历时时间较长等特点，选择适宜的作物干旱监测模型，分析诸模型在干旱监测中的差异性以及影响监测精度的主要因素已成为遥感干旱监测研究的重要内容。
HJ-1A/1B是是中国首个以防灾减灾和环境监测为直接应用目标的小卫星星座，主要针对灾害、生态破坏、环境污染等进行大范围全天候、全天时动态监测 [12-14]。 收稿时间：2010-07-24 修订时间：2011-04-23
基金项目：国家高技术研究发展计划(863计划)（2008AA121806）；公益性行业（气象）专项（GYHY200806022）
作者简介：冯海霞（1976－），女，山东茌平人，博士，主要研究方向：定量遥感。北京 北京大学遥感与GIS研究所，100871。Email: fhx76@163.com ※通信作者：秦其明，北京大学教授，主要从事定量遥感和空间信息技术研究。北京 北京大学遥感与GIS研究所，100871。Email: qmqin@pku.edu.cn
HJ-1A/1B CCD2台相机组网后重访周期仅为2 d，分辨率
为30 m，幅宽700 km，兼具MODIS数据重访周期短和TM数据分辨率高等特点，在灾害监测与评估方面具有独特优势。目前利用HJ-1A/1B数据监测灾害和生态环境变化已取得大量成果[15-18]，但仍缺乏大范围的、业务化的动态监测研究，尤其是在干旱监测方面。詹志明、阿布都瓦斯提·乌拉木等基于ETM+的红光与近红外光谱空间特征提出了垂直干旱指数（perpendicular drought index，PDI）和改进的垂直干旱指数（modified perpendicular drought index，MPDI）等干旱监测方法[9-10]，其方法简单快速，经内蒙、宁夏等实地验证具有较高的精度[19]。HJ-1A/1B CCD的波段设置和空间分辨率与TM、ETM+传感器基本类似，但PDI和MPDI针对HJ-1A/1B数据的应用仍较少见，有必要发挥HJ-1A/1B数据重放周期短，分辨率较高、覆盖范围广的优势，利用PDI和MPDI方法，进行旱情变化遥感监测应用示范研究，有助于推广HJ-1A/1B CCD数据在灾害监测与评估方面的深入应用，进一步提高中国应对突发灾害的决策能力。
云贵高原是喀斯特地貌的典型分布区，土层较薄，作物对缺水情况响应较为敏感，及时准确地绘制作物在生长期间的受旱分布格局、监测旱情变化情况，对提高应对突发灾害的决策能力具有重要意义。为深入挖掘HJ-1A/1B CCD数据在旱情监测中的应用潜力，本文以2010年遭受严重旱灾的贵州省安顺地区为研究区，基于多时相HJ-1A/1B CCD数据，利用PDI、MPDI、NDVI对研究区的干旱情况和植被长势进行监测与分析；讨论
增刊1 冯海霞等：基于HJ-1A/1B CCD数据的干旱监测
359
了2种干旱监测模型在该地区的适宜性、差异性；进一步分析了影像干旱监测的主要影响因素；对推广HJ-1A/1B数据在西南喀斯特地区植被长势和旱情监测中的应用和提高应对突发灾害的决策能力具有重要意义。
1 研究区概况与数据获取
1.1 研究区概况
安顺地区位于贵州中西部，海拔1 300～1 500 m，属典型喀斯特高原型湿润亚热带季风气候，植被覆盖率达36%，气候温和，年平均气温14℃，年平均降雨量1 360 mm。图1为安顺地区2010-05-16的HJ-1 CCD影像图。
块刚翻耕过的土地作为样地，利用手持GPS进行定位，并用TDR300土壤水分仪测量了7.6 cm的土壤含水率（土壤较薄）；取3次测量的平均值为该点的土壤含水率数据，同时利用ASD光谱仪同步进行野外光谱测量光谱，共测量28个样点的光谱数据和土壤含水率数据。 1.3 数据预处理 1.3.1 大气校正
利用6S（Second Simulation of Satellite Signal in the Solar Spectrum）辐射传输模型分别对10景HJ-1A/1B CCD数据进行大气校正[20-23]。根据影像头文件的参数，首先对数据进行辐射定标，将图像灰度值转换为具有物理意义的辐亮度，计算大气顶部反射率，然后利用6S模型进行地表真实反射率反演，得到校正后每景影像4个波段的地表真实反射率数据。6S模型运行时，卫星成像时太阳天顶角等信息来自影像的头文件，气溶胶类型选择为大陆性、大气模式为中纬度夏天、地面为朗伯体。 1.3.2 几何校正
利用校正过的研究区TM影像分别对10景HJ-1A/1B CCD影像进行几何精校正。参考TM影像，在HJ-1A/1B CCD影像上寻找同名点作为几何精校正的控制点，每景影像上都选取均匀分布于影像上的15个左右的地面控制点，纠正后的误差均小于1个像元。
2 PDI、MPDI的构建与计算
2.1 PDI、MPDI的构建
PDI利用NIR-Red三角形特征空间（图2）中任意一点E(Rred, Rnir)到L的距离EF作为表征区域干旱状况。
1PDI=(Rred+MRnir) （1）
2M+1式中，Rred、Rnir为经过大气校正后的Red、NIR波段反射率；M为土壤线BC斜率；PL为过原点且垂直于土壤线的垂线[9]。
图1 研究区HJ-1 CCD影像图
Fig.1 HJ-1CCD Remote sensing image of study area
2010年上半年，研究区遭受了严重的旱灾，1951－2008、2009和2010年1－5月份安顺地区的降水量数据如表1。
表1 研究区的月降水量
Table 1 Monthly precipitation of the study area
mm
年份 2010 2009 1951～2008均
1月 2.2 10.4 20.0
2月 2.6 6.6 23.0
3月 1.7 20.9 31.0
4月 49.0 134.7 81.0
5月 93.8 144.5 210.0
从表1可知，安顺地区2010年1－3月份的总降水量只有6.5 mm，4月和5月的降水量虽较前3个月有所增加，但仍远低于同期降水量。 1.2 研究数据
卫星数据包括：2009-01-09、2009-02-13、2009-03-14、2009-04-14、2009-05-03、2010-01-03、2010-02-07、2010-03-12、2010-04-09、2010-05-16共10景HJ-1A/1B CCD数据和2007-05-08已校正过的TM数据（Path/Row:127/042）。
2010-04-27－2010-04-30期间，在安顺机场附近进行了土壤含水率和野外光谱测量。经实地踏勘，选取了11
图2 PDI构建示意图 Fig.2 Sketch map of PDI
PDI值越大，距离PL越远，说明地表越干旱。PDI模型主要是针对低植被覆盖时土壤水分的遥感监测，地
360
农业工程学报 2011年
表覆盖类型差异较大的区域之间，不具有可比性[9]。针对
PDI的局限性，提出了改进型的垂直干旱指数MPDI[10]。
MPDI=
Rred+MRnir?fv(Rred,v+MRnir,v)
(1?fv)M+12 （2）
式中，Rred,v、Rnir,v为植被在Red、NIR波段的反射率；fv
为植被覆盖度。
在NIR-Red特征空间中，平行于土壤线的方向表示土壤含水率对MPDI的影响；垂直于土壤线的方向表示植被对MPDI的影响，土壤含水率和植被覆盖度的增加都使MPDI的值降低[10]。
利用试验测量的裸土Red、NIR波段反射率，拟合出土壤线图3a，根据实测的Red、NIR波段的中心反射率数据计算PDI，PDI与测量的7.6 cm的土壤含水率的关系如图3b所示。从图3可知，PDI和土壤水分之间存在极强的相关性，其R2达0.8以上，表明用PDI检测土壤水分可行。
图3 土壤线拟合图及PDI与土壤含水率关系图
Fig.3 Soil Line by experimental data fitting and the correlation of
PDI and soil water content
2.2 HJ-1A/1B数据的Red-NIR特征空间与土壤线拟合
根据经过几何校正和大气校正的10景HJ-1A/1B CCD的Red、NIR波段反射率数据，构建的NIR-Red光谱特征空间如图4。
图4 HJ-1A/1B CCD数据构建的NIR－Red光谱特征空间
Fig 4 NIR-Red spectral feature space constructed by HJ-1A/1B CCD data
图4为2010年5景HJ-1A/1B CCD数据和2009年5景HJ-1A/1B CCD数据的NIR-Red光谱特征空间图。从图4可见根据HJ-1A/1B CCD数据构建的NIR-Red光谱特征空间，呈比较规则的三角形分布，符合PDI、MPDI的构建条件。像素点在NIR-Red空间中构成的三角形的底边即为土壤线，每景影像的土壤线见图4。 2.3 PDI、MPDI的计算
利用经大气校正、几何校正后HJ-1A/1B数据的NIR、Red波段的反射率和拟合得到的土壤线斜率，根据公式（1）可计算出研究区2010年和2009年10景数据的PDI。
在计算MPDI时，植被覆盖度的计算采取了Carlson（1997）提出的方法[24]：
?NDVI?NDVIs?fv=?? （3）
?NDVINDVIvs??
利用经大气校正、几何校正得到的HJ-1A/1BCCD数据的Red、NIR波段反射率，可计算出NDVI；NDVIv、NDVIs分别代表了植被和裸土的NDVI，在此分别取0.65和0.2[24-25]。根据（3）式计算研究区的植被覆盖度，利用Red、NIR波段反射率和拟合得到的土壤线斜率，再根据（2）式可计算出研究区2010年和2009年10景HJ-1A/1B CCD数据的MPDI（植被在Red波段范围的反射率一般在0.05以下，而在NIR波段范围内的反射率为0.5以下[25-26]，因此本文Rred,v、Rnir,v分别取值为0.05和0.5）。
2
增刊1 冯海霞等：基于HJ-1A/1B CCD数据的干旱监测
361
3 结果与分析
为监测研究区旱情的时空变化以及植被长势情况，利用多时相的HJ-1A/1B CCD数据获得研究区的PDI、
在监测旱情变化时的主要影响因素。
3.1 基于PDI、MPDI和NDVI时间序列的旱情监测和植被长势监测分析
3.1.1 基于PDI、MPDI的旱情监测分析
图5是利用10景HJ-1A/1B CCD数据计算得到的研究区2010、2009年PDI和MPDI分布图。
分别计算了研究区2009年和2010年的PDI、MPDI、NDVI均值，形成时间序列变化曲线，如图6。地表和气
MPDI分布图、时间序列曲线图，结合NDVI，对2010年1－5月份研究区的旱情变化情况和植被长势情况进行监测分析，并与2009年研究区的干旱情况进行对比分析；在此基础上进一步讨论2种干旱监测模型的差异性及其
图5 2010年、2009年的PDI、MPDI分布图
Fig.5 Distribution of PDI, MPDI of 2010 and 2009
象条件与研究区相似的贵阳观测站每月1、6、8、11、16、18、21、26、28日的10cm处的土壤湿度数据如图7。研究区PDI、MPDI均值的时间序列曲线（图6）与土壤湿度数据曲线（图7）的趋势基本上相反。
选择与影像时间相近的2010-01-01、02-06、03-16、04-08和05-16土壤湿度数据与研究区的PDI、MPDI进行拟合，其相关系数R分别为0.781和0.55，选择2009-01-08、02-11、03-16、04-16和05-06土壤湿度数据与2009年的PDI、MPDI进行拟合，其相关系数R2分别为0.69和0.52。可见，PDI、MPDI可以正确地监测旱情变化。
从2010-01-03－2010-05-16的PDI、MPDI分布图5
上可以看出，除森林覆盖的山区外，绝大部分地区是变亮的，既PDI、MPDI的值在增加；同时，根据影像均值的时间序列曲线图6， 2010-01-03－2010-05-16研究区PDI、MPDI的变化趋势基本一致，都呈上升趋势，PDI从0.196增加至0.225，MPDI从0.093增至0.206（2010-04-09例外），即从2010-01-03到2010-05-16，研究区的干旱程度是在逐渐增加的。2010年5景PDI、MPDI的分布图与2009年5景数据相比（如图5），研究区色调明显偏亮，从影像的均值时间曲线（如图6）和土壤湿度曲线（如图7），2010年的PDI、MPDI的值比2009同期的PDI、MPDI值都整体偏大，土壤湿度整体偏小（如图7），即研究区2010年比2009年同期干旱。
362
农业工程学报 2011年
图6 研究区PDI、MPDI、NDVI均值的时间序列曲线图 Fig.6 Time series of mean of PDI and MPDI、NDVI
图7 土壤湿度数据
Fig.7 Soil water content agricultural meteorological station
研究区PDI、MPDI、NDVI均值的时间序列曲线图6，2010-04-09的PDI和MPDI值急剧下降。查气象资料可知，2010-04-08日，安顺地区有9.3 mm的降水过程，造成PDI、MPDI值的急剧降低，但因为降水量较小，对缓解旱情的作用不大；2010-05-16时研究区的PDI、MPDI值又增加到0.225和0.206，说明5月份研究区的旱情仍比较严重。根据2010-04-27试验时测量的28个典型样点的光谱数据计算的PDI值分别为0.265，比4月9号的PDI值（0.153）和3月12号的PDI的值（0.226）都高，说明试验时间（2010-04-27）旱情仍然比较严重。
对比分析研究区的降水数据、土壤湿度数据和试验测量的土壤含水率数据，PDI、MPDI监测的研究区旱情变化符合当地干旱的变化的情况。
3.1.2 基于PDI、MPDI、NDVI的植被长势监测分析
从研究区NDVI、PDI、MPDI均值的时间序列曲线图6可知，研究区的NDVI值从2009-01-09－2009-04-14都是增加的；2009-05-03时NDVI值降低，查阅当地的农
4月底5月初是研究区主要农作物油菜花的业资料可知，
收割季节，因此5月初研究区农田基本为裸地，NDVI
值下降；而2010年研究区的NDVI值在2010-01-03与2009-01-09的NDVI值相近，分别为0.446和0.452，到2010-02-07其值（0.506）虽略有增加，但低于2009-02-13的NDVI值（0.564），说明研究区2010年2月份时，干旱已经影响了植被的正常生长，2010-03-12，研究区的NDVI值成急剧下降趋势，已经由2010-01-03 的0.452降至2010-03-12的0.317，而2009年同期的NDVI值由2009-01-09的0.446升至2009-03-14的0.613，说明2010年，从1月份到3月初，干旱已经严重影响了植被的正常的生长，造成研究区植被覆盖度降低，从而引起PDI、MPDI的急速升高。经实地调查，研究区的旱灾在3月份时，已经造成了植被的枯萎或死亡。
2010-04-08 日的降水，引起了研究区的NDVI值的增加，PDI、MPDI的降低。研究区4月后中后期（04-09以后）至05-15的降水量为49.2 mm，旱情有所缓解，NDVI值有所增加，至2010-05-16时NDVI为0.345，略高于2010-03-12的0.317，远低于2009-05-03时的0.496。植被长势的监测分析与PDI、MPDI对研究区的旱情变化监测和当地实际的植被长势情况相符。
经上分析可知，PDI、MPDI和NDVI结合，可以快速、有效的实现对旱情和植被长势的监测，降水量较小时，虽然影响监测的效果，但结合研究区的PDI、MPDI和NDVI时间序列曲线，可正确的监测研究区实际的旱情变化和农作物的长势情况。
3.2 PDI、MPDI在干旱监测中的差异分析
因为考虑植被盖度的影响，同一地区同一时刻MPDI值小于PDI的值，植被盖度越低，越干旱，二者越接近。
从PDI、MPDI分布图5可以看出，MPDI的分布图纹理和层次更为丰富； 在2010年和2009年的PDI分布图5上，安顺城区与周围的差别并不明显，但在MPDI分布图上，尤其是2009年MPDI的分布图上，安顺城区
PDI、明显比周围偏亮。表2是安顺城区与影像的NDVI、
MPDI均值的对比表。
表2 城区与影像的NDVI、PDI、MPDI值
Table 2 Value of NDVI、PDI、MPDI urban area and images
时间 2009-01-092009-03-142010-01-032010-03-12
市区NDVI 0.200 0.319 0.223 0.169
研究区NDVI 0.446 0.613 0.452 0.317
市区PDI 0.155 0.176 0.181 0.202
研究区PDI 0.172 0.189 0.196 0.226
市区MPDI 0.147 0.149 0.172 0.201
研究区MPDI 0.069 0.075 0.093 0.205
由表2可知，市区的NDVI均值是整个研究区NDVI均值的1/2左右；市区的PDI均值略小于研究区的均值；而市区的MPDI均值却比整个研究区均值高了近一倍（2010-03-12除外）。2010年的大旱使植被严重受灾，部分植被甚至枯死，使植被覆盖度降低，降低了城区和周围地区的差别，因此2010年城区与周围的差别不如2009年明显；但城区的PDI均值与整个研究区的均值差别都在0.02以下，所以在PDI分布图上，城区并不明显。