基于多源遥感数据融合的湖南林地干旱动态监测研究

龚 成，周 璀，肖化顺，吴 鑫，张 贵

（中南林业科技大学 数字洞庭湖南省重点实验室，湖南 长沙 410004）

在各种各样的自然灾害中，旱灾是发生的频率最高、持续时间最长、影响的人口数量最多的自然灾害。干旱对环境的影响主要是加剧环境污染和恶化以及加速土地沙漠化进程[1]，不仅带来经济损失，而且还影响社会稳定，受到了国家的高度重视[2]。

目前，我国主要是依靠地面气象站点数据获取土壤含水量、地面降水量等信息来监测干旱[3]。虽然利用气象站点数据来监测干旱的准确性较高，但是监测范围往往是单个或多个站点的周围区域，对大范围干旱监测的时效性不高，同时地面气象站点的监测成本较高，所以目前的干旱监测技术仍有待提高[4]。而随着遥感技术的不断进步，利用遥感技术进行干旱监测得到迅速发展[5]。利用遥感技术进行干旱监测具备速度快、覆盖范围广、成本较低等特点，不但可以弥补气象站点监测干旱的不足，更能在一定程度上提高干旱监测的精度。大量的研究表明，遥感技术是监测干旱最具前景的技术手段[6]。但是单一遥感影像在独自观测时存在数据缺陷，所以如何选取合适的遥感数据进行干旱信息提取变得尤为重要[7]。对多源遥感数据进行融合可以提高遥感图像的时空分辨率，利用融合后的遥感图像提取干旱因子，建立温度-植被干旱指数模型（TVDI），利用TVDI模型得到干旱时空动态分布。

1 研究区概况与数据来源

1.1 研究区概况

湖南地处长江中游洞庭湖以南，南岭以北，东部幕府罗霄山脉呈东北向西南走向，西部武陵山-雪峰山山脉呈东北-西南走向在连接着云贵高原，森林资源丰富。湖南干旱的区域性主要表现为北涝南旱，湘中地区处于盆地之中，人口较多，经济较为发达，受地形性下沉性气流影响，干旱发生频率相对较高；而湘西、湘西南地区人口相对较少，但由于受到其石灰岩地质土层薄特征的影响，蓄水与水土保持能力较差，这是气候—地形—人类经济活动共同作用的结果。林地干旱严重影响林业生产力，林木生长关键期的土壤水分含量是制约林木生长的关键因子。林木在干旱的胁迫下，林木的生理方面和形态特征会出现恶化，产生一系列次生灾害。

1.2 数据来源

（1）Landsat8数据

Landsat简称美国陆地卫星，下载数据来源于https://earthexplorer.usgs.gov/，是美国用于探测地球环境资源的系列观测地球卫星，主要用来对地表进行监测。基于Landsat8传感器设计特征和对地监测作用，本文采用此卫星数据进行干旱分析和监测[8]。

（2）MODIS数据

MODIS数据来源于中南林业科技大学卫星地面接收站。MODIS传感器可以对我国的大部分区域进行每天4次的数据采集，可以满足对干旱突然、快速、连续监测的要求。结合以上优点，MODIS传感器适合进行大范围、长期、动态的干旱监测[9]。

2 研究方法

2.1 时空自适应反射率融合STARFM模型

在忽略几何校正的误差与大气作用的影响下，在某个特定时刻t0，一个代表异质区域的低分辨率影像像元的反射率可以经过该像元覆盖下的代表不同纯净地物的高分辨率影像像元的反射率加权得到，其权重为高分辨率像元所代表的地物在低分辨率像元内所占面积的百分比，高、低分辨率像元之间反射率的关系如式（1）所示，i代表高分辨率像元在低分辨率像元中的位置[10]。

为了得到t0时刻下的高分辨率影像可以采取遥感影像时空融合，但从式（1）可以看出，在没有其他先验知识或附加条件的情况下，即使像元丰度不随时间变化，上式都没有唯一解。Gao et al在2006年提出STARFM（Spatial and temporal adaptive reflectance fusion model）模型[11-13]，此模型是基于在邻域内同类像元的反射率不会发生剧烈变化的假设，其利用邻域内同类像元进行加权得到融合高分辨率影像。该模型需要己知时相t的一对高、低分辨率影像对和预测时相t0的一景低分辨率影像，以滑动窗为单位对整幅影像逐像元的进行融合，利用公式（2）实现对t0时相当前窗口下高分辨率中心像元反射率 H(xω/2，yω/2，t0)的融合。其中，(xω/2，yω/2)代表大小为ω×ω窗口的像元坐标，(xi，yj)为该窗口内某个与中心像元反射率临近像元的坐标，n代表邻域窗口内相似像元的总个数，Wijk是坐标为(xi，yj)的第k个相似像元对中心像元的综合权重。

2.2 温度影像自适应度时空融合SADFAT模型

SADFAT模型基于ESTARFM模型的框架:

式中，MAST代表年际地表温度的平均值，YAST代表年际地表度的振幅，ω是角频率，d代表年际变化中的某一天，θ为相位偏移量。基于在一段时期内混合像元所包含的各种土地类型的丰度不变这一假设，结合该函数和普朗克定理，高分辨率影像第K个像元在观测时相t1和t2的辐射差异与其所对应的低分辨率的像元的辖射差异比是一个常数，其表达式如式（4）所示。

式中，RkH代表高分辨率影像第k个像元的辐射值，RL代表对应的低分辨率像元的辐射值，fi为第i类地物在低分辨率像元中的丰度，d为t1和t2时相的中间时相，hk相当于ESTARFM中的纯净像元与漏合像元反射率的转移系数，由此，可以将ESTARFM的整个模型框架应用于影像辐射率的时空融合，最后再将时空融合辐射率影像转化为地表温度。基于SADFAT的时空融合模型可以通过热红外辐射较好的反演出融合影像的地表温度值。

3 实验与分析

本文分别选取6月29日、7月25日、8月14日、9月5日覆盖湖南省域范围内的所有的Landsat8数据，分别与6月30日、7月14日、7月27日、8月12日、8月26日、9月7日的覆盖湖南省域范围内的MODIS数据融合。得到7月14日与8月26日的融合数据，并使用7月12日与8月27日的数据来进行验证，以证明遥感数据融合的效果。

表1 融合基础数据的日期Table 1 Fusion of basic data

通过模型融合得到2016年7月14日和2016年8月26日的Landsat数据，并与真实获取的Landsat数据进行对比，部分数据对比如图1～4所示:

图1 2016-7-12 Landsat数据Fig. 1 2016-7-12 Landsat data (red band)

图2 融合的2016-7-14Landsat数据Fig. 2 Simulated 2016-7-14 Landsat data

图3 2016-8-27Landsat数据Fig.3 2016-8-27 Landsat data (red band)

图4 2016-8-26融合的 Landsat数据Fig. 4 Simulated 2016-8-26 Landsat data (near infrared band)

由图1～图4可知，在所研究的区域内，融合模型融合出的Landsat数据与真实数据颜色较为一致，对以上模拟影像和真实影像的近红外波段、热红外波段进行相关性分析，从影像中随机选取600个样本点定量分析融合数据与真实数据的差异，结果如图5～图6所示。

图5 真实反射率与融合后反射率Fig. 5 Reflectance and fusion reflectivity

图6 真实LST与融合后LSTFig. 6 Real LST and LST after fusion

通过对融合影像与真实影像的反射率波段、热红外波段进行分析，如图5和图6所示，真实反射率与融合后的反射率、真实地表温度与融合后的地表温度的拟合效果较好，能够较好地融合出高时空遥感影像数据。

3.1 植被指数的提取

采用归一化植被指数（NDVI）对湖南省2016年7月和2016年8月的多源遥感融合数据的热红外波段和近红外波段进行运算，如图7和图8所示，具体计算公式如下:，生成归一化植被指数图[14]，定义投影坐标系，采用湖南省的矢量边界对影像进行裁剪，得到湖南省省域范围内的植被指数图。

3.2 地表温度反演

通过对大气传输方程的分析，运用单窗算法进行地表温度反演，获得大气透过率参数值，计算亮度温度值，并转化为地表温度值，得到2016年7月份和8月份的地表温度图，如图9和图10所示。

图7 2016年7月NDVIFig.7 NDVI July 2016

图8 2016年8月NDVIFig.8 August 2016 NDVI

图9 2016年7月地表温度Fig.9 Surface temperature in July 2016

图10 2016年8月地表温度Fig.10 Surface temperature in August 2016

3.3 地表温度-植被指数特征空间

通过上述得到的2016年夏季的植被指数与地表温度通过基于较小的植被指数步长，利用最大合成法选出相同NDVI值中对应的地表温度中的最大值，形成该时间段地表温度-植被指数特征空间的“干边”，用最小合成法选择出相同NDVI值对应的所有地表温度的最小值，形成该时间段特征空间的“湿边”。通过拟合得到2016夏季的地表温度-植被指数特征空间。

3.4 湖南省2016年夏季干旱分析

图11 地表温度-植被指数特征空间Fig.11 LST-NDVI feature space

本文选取2016年3—8月的MODIS数据以及Landsat8数据进行融合，得到2016年夏季不同时间段的高时空分辨率的融合遥感影像。分别选取其中每个月上中下旬的干旱图，通过与湖南省林地分布图叠加，对湖南省林地干旱进行趋势分析。采用湖南省林地干旱遥感监测的干旱分级标准，分别将干旱等级划分为:非常湿润（0.000 5～0.4），湿润（0.4～0.6），正常无旱（0.6～0.75），轻度干旱（0.75～0.85）和干旱（＞0.85），在有云不影响旱情判断的情况下用白色表示无效区域。因此，得到TVDI干旱情况分布图如图12～图20。

从以上湖南省2016年夏季（6—8月）不同时间的林地干旱分布图可以看出，湖南省进入了干旱频发时段，干旱发生的频率高，并且区域广。在7月22日可以看出湖南省林地干旱程度在这一天得到缓解。8月4日由于云层较多，数据缺失比较严重；8月12日，湖南中东部与北部干旱形势加剧，长沙市、湘潭市、岳阳市大部分区域都属于干旱区域。从森林类型来看，干旱区域的植被主要以马尾松等针叶林为主。到了8月20日，几乎湖南全境都处于干旱状况，只有湘南小部分地区没有受到干旱影响，干旱区域植被主要是以阔叶林为主，且该地地势较高，因此受干旱影响相对较小。从地势上看，地处湖南中部、北部等地势较低的地区发生干旱的概率比较大，而在湘西北与湘南，由于海拔较高，发生干旱的概率相对较小。

图12 2016年6月9日Fig.12 2016 June 9th

图13 2016年6月17日Fig. 13 17 June 2016

图14 2016年6月25日Fig. 14 25 June 2016

图15 2016年7月3日Fig. 15 3 July 2016

图16 2016年7月11日Fig. 16 11 July 2016

图17 2016年7月22日Fig. 17 22 July 2016

图18 2016年8月4日Fig. 18 4 August 2016

图19 2016年8月12日Fig. 19 12 August 2016

图20 2016年8月20日Fig. 20 20 August 2016

4 结论与讨论

（1）对2016年7—8月湖南省的MODIS数据和Landsat数据进行预处理，利用STARFM模型与SADFAT 模型融合出MODIS对应时期的Landsat数据，并对融合后的数据进行真实性检验，生成了融合影像数据集，融合后遥感数据可作为干旱监测的数据基础。

（2）从融合后的影像数据中提取干旱因子，构建了研究区地表温度-植被干旱指数特征空间，提取特征空间相同植被指数（NDVI）对应的地表温度（LST）的最大与最小值，根据地表温度的最大最小值拟合地表温度—植被指数特征空间，据此建立了TVDI指数模型。

（3）利用TVDI指数模型对融合后的遥感影像进行运算，得到了2016年夏季不同时间的湖南林地干旱分布图，并对2016年夏季林地干旱分布特征进行了分析。

（4）STARFM模型与SADFAT模型假设像元反射率随时间变化稳定且随时间的变化是线性的，此假设在估算长时间序列数据时会产生一定的误差，这在一定程度上限制了其在反射率变化非线性的植被区域的应用。

（5）研究中所选取的温度—植被指数模型，主要是建立在地表温度—植被指数特征空间之上，在植被覆盖较好的区域的TVDI反演结果与实际旱情一致性好，在植被覆盖率较差的区域温度反演效果较差。在实际应用中，影响旱情的因素很多，需要不断探索各个因素对旱情的影响。