2.3　旱情遥感监测指标

干旱是一种缓变的现象，其严重程度也随着水分亏缺逐渐积累表现出不同的旱象及影响，为旱情的监测和早期预警提供了方便和可能。旱情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观测点的数据，通过统计分析进行旱情监测。而干旱灾害的发生具有显著的时空特性。旱情空间特性是指干旱发生在某一个区域范围内，受影响的是一个面而非一个点;时间特性是指干旱的发生也具有显著的季节性与周期性。传统的干旱监测是利用气象和水文观测站获得的降水、气温、蒸发、径流等气象和水文数据，以及农业气象观测的墒情，依据各种干旱指标进行监测。土壤水分是表征干旱的重要因子，更是衡量干旱程度的重要指标。由于测点少，反映的是测量站点的土壤水分信息，而非面上土壤水分的总体状况，仅靠常规站点的观测还不能了解干旱发生发展过程的全貌，特别是在站点稀疏的地区，难以满足抗旱决策对面上灾情信息快速了解的需求。因而，传统的地面监测方法不能及时地快速获取旱情信息并准确监测、预报。

遥感作为一门新兴的科学技术被广泛引入了干旱研究中，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，为干旱的研究注入了新活力。遥感技术具有覆盖范围广、实时性强、持续动态对地观测、识别能力强的特点，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，能够准确定量监测土壤水分和诊断植被生长状态异常来开展气象、农业、生态干旱的时空动态监测。遥感监测土壤湿度不仅可以得到土壤湿度时空分布特征及动态变化情况，具有大范围、实时、快速、高效、客观、成本低的优势。在一定程度上克服了基于气象站、农业生态站、水文气象站等现有的观测台站网进行干旱监测存在站点稀疏、代表范围有限、观测时空不连续等缺陷。

随着遥感技术的迅速发展，多时相、多光谱遥感数据从定性、定量等方面反映了大范围的地表信息，为实时动态的干旱遥感监测提供了有效的数据来源，为旱情监测开辟了全新的途径。卫星从太空遥感地球，大大扩展了人类认识地表的视角、空间尺度，将传统“点”的测量扩展为“面”的信息，提供了云、降水、土壤水分、蒸散量、植被的生理生态状况、地表热状况等多个与干旱发展过程密切的参数，为大范围、快速、动态、精确了解旱情提供了丰富的信息，有效弥补了离散站点监测空间和时间不连续、以点带面之不足。近30年来，随着全球对地观测技术的迅速发展，卫星遥感监测干旱技术取得了长足的进步，已经发展出多种遥感干旱(或土壤水分)监测模型，提出了数十种遥感干旱指数，并在各国干旱监测中得到有效应用[92]，见表2.9。卫星遥感干旱监测已经成为全球抗旱减灾中不可或缺的手段。随着对连续的、高质量的、大范围特别是全球干旱数据需求的不断增加，基于站点的观测数据受到空间、时间等多种限制往往难以满足日益增长的需求。近年来，3S技术被广泛应用于干旱的监测与评估中，构建了基于3S的干旱风险区划、干旱跟踪评估、干旱灾后评估的技术体系。卫星遥感被认为是弥补这一不足的最佳手段，特别是在全球尺度上，提高干旱监测能力。

基于遥感开展干旱监测始于20世纪60年代。到20世纪90年代后期，随着全球范围监测的传感器和静止卫星平台的出现，干旱遥感监测进入了新纪元。星载传感器，例如MODIS(moderate resolution imaging spectroradiometer)、AMSR-E(advanced microwave scanning radiometer for earth observing system)、TRMM(tropical rainfall measuring mission)以及GRACE(gravity recovery and climate experiment)能够获取近每天的空间分辨率从250m到数百千米，波谱范围从可见光、红外到微波的全球数据以及重力场数据。这些遥感数据极大地促进了干旱遥感监测的革新。遥感可以提供近乎实时的高时空分辨率的数据，遥感干旱监测应向精细化方向发展，提高模拟参数精度。同时，遥感监测和地面观测数据支持的综合指数发展极为必要。

利用遥感进行旱情监测，遥感可以提供以下几个产品:①植被指数;②降水产品;③土壤湿度/地下水;④蒸散发;⑤地表水体面积。

2.3.1　植被指数

通常采用各种植被指数表征植被状态。植被指数通常选用对绿色植物强吸收的红光波段和高反射、透射的近红外波段。这两个波段不仅是植物光谱、光合作用中的最重要的波段，而且它们对同一生物物理现象的光谱响应截然相反，形成明显反差，这种反差随着叶冠结构、植被覆盖度而变化，因此可以对它们用比值、差分、线性组合等多种组合来增强或揭示隐含的植物信息。

目前，应用最广泛的植被指数是归一化差值植被指数NDVI(normalized difference vegetation index)。NDVI可以描述植被水分含量，表征植被健康状况，同时与降水、热量等环境参数具有密切关系。当干旱发生时，土壤水分含量降低，植被受到水分胁迫影响，植被健康状况会发生变化，因此，可以用NDVI监测植被状态，间接表征干旱严重程度。另外，也有很多学者研究了NDVI与降水量及土壤水分之间的关系，NDVI被广泛应用于旱情监测。

NDVI以及NDVI衍生的一些指数已经被广泛用于干旱监测，但是这些指数也有一些局限性。首先，在植被冠层浓密的区域，NDVI容易出现饱和现象;在比较湿润的生态系统中，土壤湿度不会限制植被生长。当出现干旱情况下，季节间NDVI差异很小，无法准确识别出干旱事件[93]。另外，在植被稀少的半干旱区，土壤背景对NDVI影响很大[94]。

2.3.2　降水产品

无论哪种类型的干旱均与降水亏缺有关。因此，准确及时地估算降水量是干旱监测的有效途径。以前估算降水主要采用雨量站和早期雷达测雨的方法。这两种方法估算降水误差较大，实时性也较差。目前，采用WSR 88D雷达测雨和雨量观测网来估算降水。

1.基于WSR-88D的降水估算

WSR-88D降水算法相比之前的雷达系统有明显的提高，其覆盖范围大(半径230km)、实时性好，在水文、干旱等领域都有很大的发展空间[95]。但基于雷达估算降水也受到很多因素的限制，如雷达反射率校准、信号衰减、极化、适应性参数调整、波束阻挡等[96]。

2.基于雨量观测网的降水估算

基于雨量观测网的降水估算，有两种方式:一种是实时站点，每15min传送一次数据;另一种为每24h报告一次降水信息。前者虽然实时性较好，同时误差也相对较大;后者在实时性方面不如前者。

(1)基于卫星数据的降水估算。基于雨量站的降水估算受到站点数的限制;基于雷达的估算在山区等地受到覆盖范围的限制。因此，也体现基于卫星数据降水估算的重要性。基于卫星遥感数据估算降水的算法主要有TRMM[97]、CMORPH(CPC MORPHing)[98]、PERSIANN(precipitation estimation from remotely sensed information using artificial neutral networks)[99]。

(2)多传感器的降水估算系统(MPE)。多传感器降水估算处理系统的目的是将WSR-88D产品的每小时的原始降水数据，结合其他质量控制数据(雨量站、卫星数据)进行误差改进，形成比较准确的降水数据。通过利用雨量站、雷达以及多传感器的降水估算，可以获得时空连续、近实时的降水数据，进而可用于干旱监测。

旱情监测指标包括SPI、降水距平、百分率等。利用栅格单元的降水数据计算得到的SPI指数，数据更加连续，可用于县/区尺度上的干旱监测。

2.3.3　土壤湿度/地下水

土壤湿度/含水量是土壤中包含水分的比例，主要用于描述干旱灾害的地表参数。土壤湿度变化会改变其反射率、发射率、介电常数和温度等特性，从而导致土壤表面电磁辐射强度发生变化，因此通过测量土壤电磁辐射强度便可对土壤水分进行遥感监测。基于土壤温度随土壤含水量的变化而变化的特性，利用热红外波段遥感进行地表温度产品的反演，间接开展土壤水分胁迫的监测。依据土壤水分含量不同导致土壤介电常数的差异，利用微波后向散射特征估算土壤湿度[100]。

1.土壤湿度光学反演

(1)可见光-近红外波段。可见光-近红外波段遥感监测土壤湿度主要基于土壤的反射特性会随水分含量变化而变化，同时表面粗糙度、土壤结构、有机质含量等因素也会影响地表反射率，导致通过土壤光谱反射差异来估算土壤湿度的高低。土壤水分光谱法是基于遥感反演光学植被盖度，采用分解像元排除法获取土壤水分光谱信息。通过构建基于可见光-近红外波段的各种植被遥感指数，进而建立遥感指数与土壤含水量之间的线性或非线性拟合关系来估计土壤含水量。

(2)热红外波段。热红外波段对常温反应灵敏，土壤温度与湿度关系密切，因此热红外遥感数据中也包含了土壤含水量的信息。热惯量是物质热特性的一种综合量度，反映了物质与周围环境能量交换的能力。热惯量指数监测旱情基本原理:当土壤干燥时，昼夜温差大，而土壤含水量高时，昼夜温差小。只要用遥感方法获得一天内土壤的最高温度和最低温度，通过模型就可以计算出土壤含水量。热惯量指数是进行旱情监测的重要参数，由土壤温度参数反演生成，可用热惯量指数和土壤湿度指数综合衡量旱情，是旱灾孕灾环境的重要描述指标。热惯量法主要用于裸露土壤。

2.土壤湿度微波反演

利用微波遥感反演土壤湿度的原理是土壤的介电常数对含水量的敏感程度。某种介质的介电常数用来描述电磁波在介质内的传播和衰减情况。而利用微波获取的数据可以建立与介电常数之间的关系。因此，利用微波数据可以对土壤湿度进行反演。

微波传感器分为主动和被动传感器两种。用于土壤湿度反演的主动微波传感器主要有SIR-C(spaceborne imaging radar C)、ERS(european remote sensing)、Envisat(environmental satellite)、ALOS(advanced land observing satellite)、QuikSCAT (QSCAT)。被动传感器有SMMR(scanning multichannel microwave radiometer)、SSM/ I(special sensor microwave/imager)、TMI TRMM microwave imager)、AMSR-E(advanced microwave scanning radiometer on the Earth observing system)、SMOS(soil moisture and ocean salinity sensor)。

被动微波反演土壤湿度主要是建立亮温与土壤介电常数之间的关系，而介电常数与土壤湿度密切相关，进而得到土壤湿度。关于被动微波反演土壤湿度的综述见Njoku等(2003)[101]。主动微波遥感的土壤湿度反演主要通过SAR和散射计获得土壤后向散射系数，建立其与土壤湿度的经验关系得到。目前有很多理论模型来描述湿土的后向散射信号的特征，但是由于影响因素复杂，如地表粗糙度、土壤后向散射和植被体散射，以及植被与土壤间的相互作用、不同气候模式等，目前还不能建立可行的机理反演方法。根据反演得到的土壤湿度可以用来监测干旱，常用的干旱监测指标有SMC(soil moisture change)均值产品、最大值产品。

3.地下水变化反演

近地表的土壤湿度状况受天气影响较大，限制了其作为干旱指标的可用性。目前微波土壤湿度产品探测深度为2～5cm，其受植被影响较大。而深层土壤水分包括根部水分、地下水等，对于长期天气预测和气候差异具有重要价值，适合定量地描述干旱。现有地下水的观测资料不足，水文模型模拟精度受到输入参数和计算效率的影响。鉴于现有研究的局限性，近年来，卫星重力学用于干旱监测也是目前的研究热点。

利用卫星重力监测干旱的主要原理在于水团具有重力势能，当大量水团集中时，能够改变卫星轨道，如果能够精确获取卫星轨道参数，则可以获得地表水和地下水的分布特征。GRACE(gravity recovery and climate experiment)是目前唯一的测量重力场的卫星，由NASA和德国航空航天中心研制，发射于2002年3月17日。GRACE包括两个串联的卫星，高度450～500km，二者相距200km。卫星之间有K波段的微波测距系统测量卫星因重力场变化导致的二者之间距离的变化，精度为1μm。

GRACE数据的优势在于可以大范围测量地上及地下总的水储量的变化。但基于GRACE获得的是总水储量TWS(terrestrial water storage)包含地下水、地表水、雪、冰和植被生物量等信息，无法一一区分开。基于GRACE获得的水分数据是一个相对数据，一段时间内的水量变化数据。另外，其空间分辨率较低，约为15万km2.因此，往往结合数据同化的方法，将基于GRACE数据获得的陆地水分信息分解为各个分量。

目前，大部分干旱产品以及PDSI等干旱指数仅考虑土壤上层部分(小于2m)，没有系统考虑土壤湿度、地下水等，不能全面反映干旱特征，特别是水文干旱情况。因此，同化GRACE数据进入支持地下水的地表模型作为新的干旱手段具有很好前景。

2.3.4　蒸散发

蒸散发(evapotranspiration，ET)是蒸发和植被蒸腾的总和，水分从地球表面到大气中的过程。土壤水分和植被覆盖是联系两者之间的纽带，一旦发生干旱，土壤水分减少，土壤蒸发降低，植被也因无法从根部吸收过多的土壤水分而导致蒸散相应减少，这样整个地表蒸散状况会降低。因此，蒸散的变化与地表干旱有着密不可分的联系[102]。水分、能量和水汽压是发生蒸散的三个必需条件。气象学上，按照这三个必要因素可将蒸散分为水分平衡法、能量平衡法和微气象学法三种。Wang和Dickinson(2012)对全球地表蒸散发的观测、建模和气候差异方面做了非常翔实的综述[103]。

常用的基于蒸散发的干旱监测指数有蒸散异常指数(ET anomalies index)、蒸散胁迫指数ESI(evaporative stress oindex)、作物缺水指数(CWSI)等。

2.3.5　地表水体面积

在干旱严重时，河川湖泊水库等地表水体面积发生变化，因此地表水体面积变化程度可以用来衡量旱情的严重程度。随着近年来遥感数据的时空分辨率不断提高，遥感技术可以快速、高效、动态大范围监测地表水体面积变化。在获取地表水体长时间监测数据基础上，通过构建水体指数或阈值法监测不同区域水体面积变化和典型地表水体变化等不同监测目标水体面积的变化，搭建不同水体面积变化-旱情等级监测模型，进行区域旱情严重程度的衡量。主要方法有阈值法、归一化差异水体指数(MNDWI)法。