基于點擴散函數的條件植被溫度指數降尺度轉換方法

王鵬新 劉 郊 李 俐 張樹譽 解 毅

(1.中國農業大學信息與電氣工程學院， 北京 100083； 2.農業部農業災害遙感重點實驗室， 北京 100083；3.陜西省氣象局， 西安 710014)

引言

條件植被溫度指數(Vegetation temperature condition index，VTCI)綜合了歸一化植被指數(NDVI)和地表溫度(LST)，是一種重要的干旱監測方法，在干旱監測、預測和作物估產等研究中得到了廣泛應用[1]。傳統的干旱監測方法不僅費時費力，監測成本較高，而且在空間代表性以及采樣周期上都具有一定的局限性[2-3]，而基于遙感數據的干旱監測，具有速度快、周期短、范圍廣、可近實時等特點，使其在農業干旱監測研究中具有非常重要的意義[4]。

由于地表空間異質性的存在，應用多源遙感數據的地表信息時，需要以尺度轉換的方式對不同時、空尺度的遙感數據進行整合。李小文[5]認為尺度理論、尺度轉換方法與尺度效應問題是定量遙感研究的大方向之一。AMAN等[6]運用數量統計方法，發現高空間分辨率上NDVI平均值與低空間分辨率上相應位置的NDVI值基本呈線性關系。JIN等[7]用主導覆蓋類面積百分比來表征地表異質性，通過校正因子R構建各覆蓋類尺度轉換方法，實現了基于LAI的升尺度轉換。DUAN等[8]提出了一種基于地理加權回歸的算法，并將MODIS LST從990 m降尺度轉換至90 m，結果表明該方法能有效地表征地表空間異質性，尺度轉換效果較好，但轉換過程較為復雜。KIM等[9]利用UCLA(University of California at Los Angeles)法以每個AMSR-E的土壤濕度產品(SM)像素對應的MODIS數據反演的土壤濕度指數(SW)的均值作為降尺度轉換因子，將空間分辨率為25 km的AMSR-E土壤濕度下推至1 km。王鵬新等[10]應用中值融合模型將基于Landsat數據反演的VTCI相對干濕結果和MODIS數據反演的定量化干旱監測結果降尺度轉換至Landsat數據空間分辨率的定量化干旱監測結果，但基于均值和中值的尺度轉換方法雖計算過程較為簡便，卻忽略了地表空間異質性對尺度轉換的影響。劉學軍等[11]以不同尺度的點擴散函數(Point spread function, PSF)作為模板，通過其與原始DEM的卷積實現了不同分辨率DEM的升尺度轉換，并證實PSF法受地形復雜度影響較小，尺度轉換效果好。

考慮到PSF尺度轉換方法能保持原數據的自相關性和空間異質性[11]，且利用PSF的尺度轉換研究主要集中在升尺度轉換，本文以陜西省關中平原為研究區域，應用PSF對關中平原2014—2016年3—5月份基于Aqua MODIS衛星遙感數據反演的VTCI(MODIS-VTCI)和Landsat 8衛星遙感數據反演的VTCI(Landsat-VTCI)進行空間降尺度轉換，將MODIS-VTCI定量化干旱監測結果從930 m降尺度轉換至30 m(PSF-VTCI)，并對降尺度的轉換效果進行評價和驗證，以期獲得更為精確的定量化干旱監測結果。

1 材料與方法

1.1 研究區域概況

關中平原位于陜西省中部，地理位置在106°18′～110°38′ E，33°35′～35°52′ N，區域總面積約55 833.9 km2。關中平原南靠秦嶺，北部接壤黃土高原，西起寶雞，東至潼關，西窄東寬，地勢西高東低，地勢平坦，土質肥沃，有涇、渭等河流提供水源，土地利用率較高，適宜農業生產[12]。該區域屬典型的大陸性季風半濕潤氣候區，年平均降水量為500～700 mm，年平均氣溫為6～13℃[4]。20世紀90年代以來，關中平原整體上氣候暖干化特征顯著，同時關中暖春、暖冬化、春旱、伏旱等也愈加顯著[13]。

1.2 數據處理

1.2.1Landsat數據的處理

選用2014—2016年3—5月份覆蓋陜西關中平原東部、中部和西部區域6景Landsat 8 OLI/TIRS數據(126/36軌道上獲取的日期為2014年3月17日和2015年5月23日，127/36軌道上獲取的日期為2015年4月28日和2016年3月13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)。首先對這些OLI/TIRS數據進行輻射校正和幾何校正等預處理，其中輻射校正包括輻射定標和大氣校正[14]，再進行NDVI的計算和LST的反演。

(1)NDVI的計算

應用Landsat 8 OLI數據近紅外波段(第5波段)和紅光波段(第4波段)的反射率計算NDVI[10]。

(2)LST的反演

應用Landsat 8的第10、11波段亮度溫度(T10、T11)反演LST(Ts)[15-16]的方法為

Ts=A0+A1T10-A2T11

(1)

式中T10、T11——第10、11波段的亮度溫度

A0、A1、A2——系數

(2)

式中Li——Landsat 8第i波段的輻射亮度

K1、K2——常數，從OLI/TIRS數據的頭文件中獲取

(3)

(4)

(5)

其中Ci、Di是由地表比輻射率εi和大氣透射率τi所確定的參數。

Ci=εiτi(i=10,11)

(6)

Di=(1-τi)[1+(1-εi)τi] (i=10,11)

(7)

根據覃志豪等[17]對自然表面的比輻射率估計方法對εi進行估算，將自然表面的像素簡單看作是由不同比例的植被冠層和裸土組成的混合像素。當歸一化植被指數NDVI小于0.2時，該像素被認為是完全由裸土覆蓋(第10、11波段的比輻射率分別為0.967 67、0.977 67)；當歸一化植被指數NDVI大于0.5時，該像素被認為是完全由植被覆蓋(第10、11波段的比輻射率分別為0.986 72、0.989 90)；當歸一化植被指數NDVI小于等于0.5大于等于0.2時，該像素被認為是混合像素，其比輻射率[15]的計算方法為

ε10=0.986 72PvRv+0.967 67(1-Pv)Rs

(8)

ε11=0.989 9PvRv+0.977 9(1-Pv)Rs

(9)

其中

(10)

Rv=0.933 2+0.058 5Pv

(11)

Rs=0.990 2+0.106 8Pv

(12)

式中Nv——完全植被覆蓋像素的歸一化植被指數，為0.5

Ns——完全裸土覆蓋像素的歸一化植被指數，為0.2

Pv——植被覆蓋度

Rv——植被溫度比率

Rs——裸土溫度比率

采用與Landsat 8影像獲取日期相同且過境時刻相近的MODIS L1B Calibrated Radiances產品，通過其第2、19波段反射率ρ2、ρ19的比值計算大氣含水率ω[17]

(13)

通過中緯度夏季大氣模式估算Landsat 8 TIRS第10、11波段的大氣透射率[15]

τ10=-0.113 4ω+1.033 5

(14)

τ11=-0.154 6ω+1.007 8

(15)

1.2.2MODIS數據的處理

選用Landsat衛星數據過境日期所在旬的Aqua MODIS 遙感數據產品，包括日地表反射率產品(MYD09GA)和日LST產品(MYD11A1)，應用日地表反射率產品計算日NDVI。應用最大值合成技術對日NDVI和日LST數據進行合成處理，分別生成每年3—5月份以旬為單位的NDVI和LST最大值合成產品；基于多年某一旬的LST最大合成產品，應用最大合成技術分別生成多年的旬NDVI和LST最大值合成產品；對多年某一旬的LST最大值合成產品再進行逐像素取最小值，生成多年旬LST最大-最小值合成產品[18]。通過上述方法確定冷、熱邊界后，根據VTCI計算方法，生成2014—2016年3—5月份以旬為單位的VTCI。

1.2.3VTCI的生成

條件植被溫度指數V的計算方法為[1]

(16)

其中Lmax(Ni)=a+bNi

(17)

(18)

式中Ni——研究區域內，第i個時期某一像素的歸一化植被指數

Lmax(Ni)——研究區域內，當Ni等于某一特定值時的所有像素地表溫度的最大值，被稱作VTCI的熱邊界

Lmin(Ni)——研究區域內，當Ni等于某一特定值時的所有像素地表溫度的最小值，被稱作VTCI的冷邊界

a、b、a′、b′——待定系數

Aqua MODIS衛星空間分辨率為930 m(本研究使用的相關數據產品的空間分辨率為926.6 m)，其時間分辨率高，數據獲取周期為1 d，數據源較為豐富，使得其干旱監測結果能夠綜合多年間每旬的干旱情況。同時，基于多年間以旬為單位的遙感反演數據特征空間較為穩定，該特征空間在較長的時間周期內被認為是比較準確的，可以客觀地反映某一時期的干旱情況。因此，MODIS-VTCI為定量化的干旱監測結果。

與Aqua MODIS不同，Landsat衛星數據空間分辨率為30 m，其獲取周期較長，過境周期達16 d，且受云的干擾較為嚴重，有效數據較少且不提供地表反射率和LST產品，因此在計算Landsat-VTCI時，利用Landsat OLI/TIRS衛星過境時刻的數據計算得到NDVI和LST，根據VTCI計算方法生成。單景Landsat-VTCI計算結果反映的是衛星過境當天的地表干濕情況，因此，Landsat-VTCI是一種相對干濕的監測指標，即相對干濕監測結果[10]。

1.2.4坐標轉換

Aqua MODIS數據和Landsat數據投影方式分別為Lamdbert投影和UTM投影，因此，在應用兩種遙感數據進行尺度轉換之前需要先對這兩種遙感數據的坐標進行轉換。具體實現過程為：首先，通過Lambert反解算法將MODIS數據的平面坐標轉換成經緯度坐標，以經緯度坐標作為中間變量，再通過UTM正解算法將經緯度坐標轉換成Landsat數據下的平面坐標，實現兩種遙感數據投影方式的坐標轉換。

2 點擴散函數條件植被溫度指數降尺度轉換方法

2.1 降尺度轉換的過程

空間降尺度轉換是將遙感影像從低空間分辨率轉換到高空間分辨率。由于低空間分辨率遙感影像中的一個像素可以看作是高空間分辨率的遙感影像中對應位置的多個像素的特征值[19]，因此假設一個MODIS-VTCI和對應位置的多個Landsat-VTCI的特征值之比等于每個降尺度轉換的VTCI與每個Landsat-VTCI之比，從而獲取MODIS-VTCI的空間降尺度轉換結果。鑒于一個MODIS-VTCI表示的區域范圍與31像素×31像素Landsat-VTCI表示的區域范圍大體一致，故以31像素×31像素的Landsat-VTCI為一個局部窗口，對研究區域的MODIS-VTCI數據進行降尺度轉換。即

(19)

式中VD——降尺度轉換的VTCI

VM(i,j)——第i行第j列的基于MODIS數據的定量化干旱監測結果

VL(l,d)——與某一MODIS-VTCI像素對應的第l行第d列(l=1, 2,…,31；d=1,2,…,31)的基于Landsat數據的VTCI相對干濕結果

(l,d)——特征值的平面坐標

V′L(l,d)——與某一MODIS-VTCI像素對應的Landsat-VTCI局部窗口的特征值

2.2 點擴散函數的原理

考慮到空間變異是遙感影像尺度轉換中不可回避的影響因素，因此利用能夠充分表征地表空間異質性的點擴散函數(PSF)獲取局部窗口特征值。PSF的原理是通過加權函數實現Landsat影像上不同位置的VTCI的距離加權，即以Landsat-VTCI局部窗口的中心VTCI的距離權重值為最大，使用加權函數以由中心向外VTCI距離權重值逐漸減小的賦權方式，計算VTCI的距離權重；再利用PSF與Landsat-VTCI進行卷積[20]，從而獲得每個Landsat-VTCI局部窗口的特征值

V′L(l,d)=?P(l-u,d-v)VL(u,v)dkdl

(20)

式中 (u,v)——局部窗口內Landsat-VTCI的平面坐標

VL(u,v)——Landsat數據在(u,v)處反演的VTCI的相對干濕結果

其中

(21)

式中k——傳感器的系統增益，由于數據預處理過程中考慮了系統的增益，取k=1

σ——PSF半徑，2σ為MODIS數據的空間分辨率

選取時間范圍相對應的MODIS-VTCI和Landsat-VTCI數據，對MODIS-VTCI影像數據的研究區域裁剪后通過坐標轉換的方法找到對應Landsat數據的平面坐標，以此Landsat-VTCI數據的平面坐標所在的像素為中心，向上、下、左、右4個方向分別擴展15個像素，形成31像素×31像素的局部窗口，利用PSF對MODIS數據反演的定量化VTCI值降尺度轉換至30 m空間分辨率的干旱監測結果。

2.3 降尺度轉換結果的定量化驗證方法

在關中平原東、中、西部地區選取11個旱作樣點的27個實驗樣本(不同日期的相同旱作樣點視為多個樣本)，根據樣點的經緯度坐標計算其在影像上的像素坐標，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，并通過對PSF-VTCI與以旬為單位的累計降水量、累計降水距平間的相關性分析，驗證PSF-VTCI定量化干旱監測結果。累計降水時間的降水量從衛星過境日期以旬為單位向前推算，例如，分析2016年3月中旬的相關性時，累計30 d的降水時間為2016年2月21日—2016年3月20日的累計降水量。累計降水距平為1975—2016年(42年)間累計降水時間的降水量與對應時間的平均降水量數據之間的差值。

2.4 降尺度轉換結果的定量評價指標

為了對降尺度轉換模型的精度進行定量評價，選用相關系數(r)和結構相似度(SSIM)[10,21]等參數作為評價指標對降尺度轉換的VTCI進行精度評價。相關系數和結構相似度越大，降尺度轉換效果越好[10]。

3 結果與分析

3.1 降尺度轉換VTCI的定性分析

圖1 Landsat-VTCI與MODIS-VTCI、PSF-VTCI監測結果Fig.1 Drought monitoring results of MODIS-VTCIs,Landsat-VTCIs and PSF-VTCIs

利用基于PSF的降尺度轉換方法對6景MODIS-VTCI進行降尺度轉換獲得PSF-VTCI，并與同一區域范圍的Landsat-VTCI和MODIS-VTCI的空間特征進行定性分析發現，PSF-VTCI影像均呈現出比MODIS-VTCI較為豐富的空間信息，具有與Landsat-VTCI較為吻合的紋理特征。其中，2014年3月中旬(126/36)的PSF-VTCI(圖1c)影像中黃河與渭河交匯處的呈現較為明顯，且水域范圍和水體形狀均與Landsat-VTCI影像(圖1b)大體一致，比MODIS-VTCI影像(圖1a)清晰；2014年3月中旬(128/36)和2014年5月中旬(128/36)均為關中平原西部區域，通過目視解譯Landsat-VTCI影像(圖1e、1h)發現該區域分布有水庫，在PSF-VTCI的兩景影像(圖1f、1i)中均能清晰地呈現水庫的準確位置，MODIS-VTCI影像(圖1d)由于2014年3月中旬(128/36)整體偏暗，因而影像中水庫的位置能夠依稀可見，但在5月中旬MODIS-VTCI影像(圖1g)整體偏亮時，水庫的位置則很難辨別；而PSF-VTCI影像(圖1i)即使在整體偏亮的情況下仍能準確地呈現出與Landsat-VTCI影像相同的水庫位置及水體形狀。該結果表明，PSF-VTCI影像紋理特征及空間分布均與Landsat-VTCI保持一致，比MODIS-VTCI影像呈現得更準確，能夠較為精細地刻畫研究區域地表空間異質性。

3.2 降尺度轉換VTCI的定量化驗證

降水量是地表干旱的主要制約因素之一，且VTCI與降水量存在一定的相關性[22]。Landsat-VTCI是基于衛星過境時刻的NDVI和LST數據反演的干旱監測指標，其結果僅能反映該時期的干旱情況，故Landsat-VTCI與其他時期的累計降水量之間具有較小的可比性。而MODIS-VTCI是綜合多年的NDVI和LST數據反演的近實時、定量化的干旱監測指標，能夠反映一段時期內的地表干旱情況，故MODIS-VTCI與某段時期內的累計降水量間存在較大相關性。

為此，以PSF-VTCI與不同時間尺度的累計降水量間的相關性為依據，對其干旱監測結果的近實時性和定量化特性進行驗證。分析PSF-VTCI、MODIS-VTCI和Landsat-VTCI與累計降水量之間相關性(表1)，可以看出PSF-VTCI、MODIS-VTCI和Landsat-VTCI與不同時間尺度的累計降水量間的相關系數變化范圍分別為0.179 0～0.796 2、0.246 1～0.826 1和0.154 2～0.670 2，且PSF-VTCI與累計降水量間的相關系數和MODIS-VTCI相關系數差值變化范圍為0.007 4～0.067 1，而Landsat-VTCI與累計降水量間的相關系數與MODIS-VTCI相關系數差值變化范圍為0.091 9～0.163 2，說明PSF-VTCI與累計降水量間的相關系數與MODIS-VTCI更為接近。其中，當累計降水時間為10 d時，MODIS-VTCI、PSF-VTCI和Landsat-VTCI與累計降水量間的相關系數分別為0.246 1、0.179 0和0.154 2，說明當累計降水時間為10 d時，MODIS-VTCI、PSF-VTCI和Landsat-VTCI與累計降水量間的相關性依次降低，PSF-VTCI的干旱監測結果精度較Landsat-VTCI有所提高。當累計降水時間為20 d時，MODIS-VTCI和PSF-VTCI與累計降水量間的相關系數均較大，分別為0.733 4和0.695 3，而Landsat-VTCI與此時間尺度的累計降水量間的相關系數較小，為0.588 5，說明累計降水時間為20 d和累計降水時間為10 d的結果一致，均為MODIS-VTCI和PSF-VTCI與累計降水量間的相關性高于Landsat-VTCI與累計降水間的相關性。當累計降水時間為30 d時，MODIS-VTCI、PSF-VTCI和Landsat-VTCI與累計降水量間的相關性與前兩個時間尺度的結果相同，均為MODIS-VTCI和PSF-VTCI與累計降水量間的相關性較為接近，相比于Landsat-VTCI與該時間尺度的累計降水量間的相關性較高。

表1 VTCI與累計降水量間的線性相關系數Tab.1 Linear correlation coefficients betweencumulative precipitation and VTCIs

注:*、** 和*** 表示統計顯著性水平分別為0.05、0.01和0.001，下同。

分析MODIS-VTCI、PSF-VTCI和Landsat-VTCI與累計降水距平間的相關性(表2)發現，當累計降水時間分別為10 d、20 d和30 d時，MODIS-VTCI、PSF-VTCI和Landsat-VTCI與累計降水距平間的相關性和三者與累計降水量間的相關性規律一致，為PSF-VTCI和MODIS-VTCI與累計降水距平間的相關性接近，二者均大于Landsat-VTCI與累計降水距平間的相關性。這些結果表明，PSF-VTCI和MODIS-VTCI與近30 d內的累計降水量和累計降水距平間均具有較高的相關性，能準確地反映該段時間內的干旱情況，具有定量化特性。且PSF-VTCI的近實時性也好于Landsat-VTCI。

表2 VTCI與累計降水距平間的線性相關系數Tab.2 Linear correlation coefficients betweencumulative anomaly precipitation and VTCIs

3.3 降尺度轉換VTCI的定量評價

為定量評價降尺度轉換的VTCI影像，選用相關系數和結構相似度作為評價指標。從相關系數來看，6景Landsat-VTCI與PSF-VTCI影像間的相關系數均達0.627 0以上(表3)，說明二者相關性整體較高。從結構相似度來看，6景影像的PSF-VTCI與Landsat-VTCI間的結構相似度均較大，最小為0.613 1，說明PSF降尺度轉換的VTCI與Landsat-VTCI的空間結構和地表空間異質性均較為相近，降尺度轉換結果能較為精確的刻畫研究區域的紋理特征。從6景Landsat-VTCI影像與PSF-VTCI影像間的相關系數和結構相似度的變化規律來看，二者的最小值所在時間均為2016年3月中旬(127/36)，最大值均出現在2015年4月下旬(127/36)，說明Landsat-VTCI與PSF-VTCI間的相關系數和結構相似度的變化規律一致，降尺度轉換結果較為準確，PSF降尺度轉換效果較好。

表3 Landsat-VTCI與PSF-VTCI間的相關系數和結構相似度Tab.3 Correlation coefficients and structural similaritybetween PSF-VTCIs and Landsat-VTCIs

3.4 VTCI干旱監測結果的對比分析

在6景降尺度轉換影像中，2014年3月中旬(128/36)和2014年5月中旬(128/36)為相同區域內不同日期獲得的兩景影像，從二者的PSF-VTCI、Landsat-VTCI和MODIS-VTCI的頻數分布圖(圖2)可以看出，2014年3月中旬(128/36)MODIS-VTCI(圖2a)集中分布于[0.2，0.5]之間，峰值處VTCI為0.3，VTCI均整體偏小，表明關中平原西部在該時期地表偏干旱。PSF-VTCI(圖2c)集中分布于[0.1，0.6]之間，峰值處VTCI為0.3，可見，PSF-VTCI分布規律與MODIS-VTCI分布規律相近，兩者干旱監測結果相同，PSF-VTCI監測結果較為準確；而Landsat-VTCI(圖2b)集中分布于[0.1，0.9]之間，峰值處VTCI為0.45，整體較MODIS-VTCI偏大，表明Landsat-VTCI監測結果與MODIS-VTCI所呈現的地表干濕情況有一定的差異，其干旱監測結果較不準確，是一種相對干濕的監測結果。2014年5月中旬(128/36)MODIS-VTCI(圖2d)集中分布于[0.5，1.0]之間，峰值處VTCI為0.7，VTCI整體偏大，該景影像的PSF-VTCI(圖2f)集中分布于[0.4，1.0]之間，峰值處VTCI為0.7，與MODIS-VTCI干旱監測結果相近，而與之區域和時間相對應的Landsat-VTCI(圖2e)集中分布于[0.3，0.9]之間，峰值處VTCI為0.55，整體較MODIS-VTCI偏小，這些結果也表明，PSF-VTCI與MODIS-VTCI所呈現的地表干濕情況一致，且比Landsat-VTCI所呈現的地表干濕情況更為精確，能夠準確地反映關中平原的干旱情況。

圖2 MODIS-VTCI、Landsat-VTCI和PSF-VTCI頻數分布圖Fig.2 Frequency distribution diagrams of MODIS-VTCIs, Landsat-VTCIs and PSF-VTCIs

4 討論

研究采用反演精度較高的劈窗算法[23]對Landsat的地表溫度 LST進行反演，獲得了較為準確的Landsat-VTCI相對干濕監測結果，并應用PSF對Landsat-VTCI與MODIS-VTCI進行降尺度轉換，所得PSF-VTCI不僅考慮了Landsat-VTCI的空間變異，而且保持了MODIS-VTCI定量化干旱監測結果。這是由于一方面，空間降尺度轉換模型本身有效結合了Landsat-VTCI數據和MODIS-VTCI數據，充分利用了二者的優勢，保持了原影像數據的特點。另一方面，點擴散函數的原理是對不同位置的Landsat-VTCI進行距離加權，將鄰近VTCI對中心像素的影響作為尺度轉換的主要因子，充分考慮了每個VTCI與其鄰近VTCI間的關系，即Landsat影像的空間變異，使降尺度轉換效果更好。

空間變異對于尺度轉換效果具有較為重要的影響，對空間變異性表征越準確的方法降尺度轉換效果越好。因此，探索能夠更為準確地表示研究區域地表空間變異性以提高尺度轉換效果的降尺度轉換方法，是未來降尺度轉換研究工作的重點。

5 結論

(1)應用PSF對關中平原6景MODIS-VTCI進行降尺度轉換，其轉換結果PSF-VTCI在紋理特征上與Landsat-VTCI相似，所呈現的地表信息較為詳細，表明PSF-VTCI體現了研究區域較多的空間變異。同時，Landsat-VTCI與同一區域范圍的PSF-VTCI間的相關系數和結構相似度均較大且二者變化規律一致，表明降尺度轉換結果較為準確，PSF降尺度轉換效果較好。

(2)分析VTCI與累計降水量數據間的相關性，結果表明，PSF-VTCI和MODIS-VTCI均與近期不同時間尺度的累計降水數據密切相關，該時期二者與累計降水數據間的相關性均優于Landsat-VTCI與累計降水數據間的相關性，且PSF-VTCI的干旱監測結果能準確地反映該段時期的地表干旱情況，具有定量化特性，且近實時性較好。

(3)將PSF-VTCI監測結果和Landsat-VTCI監測結果分別與MODIS-VTCI監測結果進行對比，結果表明，PSF-VTCI的頻數分布情況與MODIS-VTCI保持一致，而Landsat-VTCI的頻數分布情況與MODIS-VTCI存在一定的差別，說明PSF-VTCI所反映的關中平原地表干濕情況比Landsat-VTCI更為準確，適用于關中平原的定量化干旱監測研究。

1 王鵬新, 龔健雅, 李小文. 條件植被溫度指數及其在干旱監測中的應用[J]. 武漢大學學報：信息科學版, 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)

2 孫灝, 陳云浩, 孫洪泉. 典型農業干旱遙感監測指數的比較及分類體系[J/OL]. 農業工程學報, 2012, 28(14): 147-154.http:∥www.tcsae.org/nygcxb/ch/reader/view_abstract.aspx?file_no=20121423&flag=1.DOI:10.3969/j.issn.1002-6819.2012.14.023.

SUN Hao, CHEN Yunhao, SUN Hongquan. Comparisons and classification system of typical remote sensing indexes for agricultural drought[J/OL]. Transactions of the CSAE, 2012, 28(14): 147-154.(in Chinese)

3 黃友昕, 劉修國, 沈永林, 等. 農業干旱遙感監測指標及其適應性評價方法研究進展[J/OL]. 農業工程學報, 2015, 31(16): 186-195.http:∥www.tcsae.org/nygcxb/ch/reader/view_abstract.aspx?file_no=20151625&flag=1.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 indicesand adaptability evaluation methods[J/OL]. Transactions of the CSAE, 2015, 31(16): 186-195. (in Chinese)

4 吳炳方. 中國農情遙感速報系統[J]. 遙感學報, 2004, 8(6): 481-497.

WU Bingfang. China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004, 8(6): 481-497. (in Chinese)

5 李小文. 定量遙感的發展與創新[J]. 河南大學學報：自然科學版, 2005, 35(4): 49-56.

LI Xiaowen. Retrospect prospect and innovation in quantitative remote sensing[J]. Journal of Henan University: Natural Science, 2005, 35(4): 49-56.(in Chinese)

6 AMAN A, RANDRIAMANANTENA H P, PODAIRE A, et al. Upscale integration of normalized difference vegetation index: the problem of spatial heterogeneity[J]. IEEE Transactions on Geoscience & Remote Sensing, 1992, 30(2): 326-338.

7 JIN Z, TIAN Q, CHEN J M, et al. Spatial scaling between leaf area index maps of different resolutions[J]. Journal of Environmental Management, 2007, 85(3): 628-637.

8 DUAN Sibo, LI Zhaoliang. Spatial downscaling of MODIS land surface temperatures using geographically weighted regression: case study in Northern China[J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(11): 1-12.

9 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.

10 王鵬新, 劉郊, 李俐, 等. 應用中值融合模型的條件植被溫度指數降尺度轉換研究[J/OL]. 農業機械學報, 2017, 48(6): 100-108.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170613&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.06.013.

WANG Pengxin, LIU Jiao, LI Li, et al. Down-scaling transformation of vegetation temperature condition index using the median fusion model[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(6): 100-108.(in Chinese)

11 劉學軍, 王彥芳, 晉蓓. 利用點擴散函數進行DEM尺度轉換[J]. 武漢大學學報:信息科學版, 2009, 34(12): 1458-1462．

LIU Xuejun, WANG Yanfang, JIN Bei. A upscaling method of digital elevation model with point spread function[J]. Geomatics and Information Science of Wuhan University, 2009, 34(12): 1458-1462.(in Chinese)

12 申健, 常慶瑞, 李粉玲, 等. 2000—2013年關中地區耕地復種指數遙感動態監測[J/OL]. 農業機械學報, 2016, 47(8): 280-287.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160837&journal_id=jcsam.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)

13 王鵬新, 孫輝濤, 王蕾, 等. 基于4D-VAR和條件植被溫度指數的冬小麥單產估測[J/OL]. 農業機械學報, 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)

14 趙靜, 李靜, 柳欽火, 等. 聯合HJ-1/CCD和Landsat 8/OLI數據反演黑河中游葉面積指數[J]. 遙感學報, 2015, 19(5): 733-749.

ZHAO Jing, LI Jing, LIU Qinhuo, et al. Leaf area index inversion combining with HJ-1/CCD and Landsat 8 /OLI data in the middle reach of the Heihe River basin[J]. Journal of Remote Sensing, 2015, 19(5): 733-749. (in Chinese)

15 胡德勇, 喬琨, 王興玲, 等. 單窗算法結合Landsat 8熱紅外數據反演地表溫度[J]. 遙感學報, 2015, 19(6): 964-976.

HU Deyong, QIAO Kun, WANG Xingling, et al. Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm[J]. Journal of Remote Sensing, 2015, 19(6): 964-976. (in Chinese)

16 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.

17 覃志豪, 李文娟, 徐斌, 等. 陸地衛星TM6波段范圍內地表比輻射率的估計[J]. 國土資源遙感, 2004, 16(3): 28-32.

QIN Zhihao, LI Wenjuan, XU Bin, et al. The estimation of land surface emissivity for landsat TM6[J].Remote Sensing for Land & Resources,2004, 16(3): 28-32. (in Chinese)

18 林巧, 王鵬新, 張樹譽, 等. 基于Aqua-MODIS數據的條件植被溫度指數干旱等級監測研究[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)

19 張亞麗, 王萬同. 遙感估算伊洛河流域地表蒸散的空間尺度轉換[J]. 測繪學報, 2013, 42(6): 906-912.

ZHANG Yali, WANG Wantong. Spatial scaling transformation of evapotran spiration based on remote sensing in Yiluo River basin[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(6): 906-912.(in Chinese)

20 王鵬新, 吳高峰, 白雪嬌, 等. 基于Landsat數據的條件植被溫度指數升尺度轉換方法[J/OL]. 農業機械學報, 2015, 46(7): 264-271.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150738&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.07.038.

WANG Pengxin, WU Gaofeng, BAI Xuejiao, et al. Up-scaling transformation methods for vegetation temperature condition index retrieved from Landsat data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 264-271. (in Chinese)

21 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.

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, 2010, 29(29): 5133-5144.

23 宋挺, 段崢, 劉軍志, 等. Landsat 8數據地表溫度反演算法對比[J]. 遙感學報, 2015, 19(3): 451-464.

SONG Ting, DUAN Zheng, LIU Junzhi, et al. Comparison of four algorithms to retrieve land surface temperature using Landsat 8 satellite[J]. Journal of Remote Sensing, 2015, 19(3): 451-464.(in Chinese)