山東省遙感干旱指數(shù)的適用性及干旱對冬小麥產(chǎn)量的影響

王兆雪 白雲(yún) 張莎

摘要：針對遙感干旱指數(shù)對干旱監(jiān)測的精度和適用性問題，以山東省為研究區(qū)，基于MODIS和TRMM衛(wèi)星遙感數(shù)據(jù)，選取2002年典型干旱年，計算歸一化水分指數(shù)（normalized difference water index，NDWI）、歸一化植被供水指數(shù)（normalized vegetation supply water index，NVSWI）、歸一化降水量距平百分率（normalized percentage of precipitation anomaly，NPA），并與10 cm土壤水分數(shù)據(jù)進行相關性分析，結(jié)果顯示NVSWI與土壤水分的相關系數(shù)最高，能夠較好地表征農(nóng)業(yè)干旱的嚴重程度，是最適合山東省旱情監(jiān)測的干旱指數(shù)。之后采用NVSWI對2001—2015年山東地區(qū)的干旱進行時空特征研究和分析，并進一步分析不同生育期干旱對冬小麥產(chǎn)量的影響，結(jié)果表明，2001—2015年山東省整體干旱程度減弱，受干旱影響的區(qū)域主要集中在魯西和魯南地區(qū);4—5月份干旱對冬小麥產(chǎn)量的影響較大，因此，在抽穗期和灌漿期對水分進行管理至關重要。

關鍵詞：遙感干旱指數(shù);干旱監(jiān)測;土壤水分;冬小麥產(chǎn)量;山東省

中圖分類號：S127?文獻標識號：A?文章編號：1001-4942（2019）12-0127-10

Abstract?In the study， Shandong Province was selected as the research area to solve the accuracy and applicability of remote sensing drought index for drought monitoring. We chose the typical drought year as 2002 and calculated NDWI， NVSWI and NPA based on the MODIS and TRMM satellite remote sensing data， and conducted correlation analyses with 10-cm soil moisture data. The results showed that， the correlation coefficient of NVSWI and soil moisture was the biggest， which could better reflect drought degree in agriculture， so it was the most suitable for drought monitoring in Shandong Province. Then we researched and analyzed the spatial and temporal drought characteristics from 2001 to 2015 adopting NVSWI， and further analyzed the effects of different growth periods on the yield of winter wheat. The results showed that the overall drought degree was weaken from 2001 to 2015 in Shandong Province， and the areas affected by drought were mainly in west and south Shandong. Drought happened in April and May showed serious effect on wheat yield， so managing water during heading and filling stages was very important.

Keywords?Remote sensing drought index; Drought monitoring; Soil moisture; Winter wheat yield; Shandong Province

干旱是中國乃至全球的重大自然災害之一[1]。近些年，許多研究致力于發(fā)展不同的干旱指數(shù)及其在干旱監(jiān)測方面的應用[2，3]。傳統(tǒng)的干旱監(jiān)測主要使用降水觀測數(shù)據(jù)作為主要輸入?yún)?shù)，如降水距平百分率（PA）[4]、標準降水指數(shù)（SPI）[5]和帕爾默干旱指數(shù)（PDSI）[6]等。地面觀測資料的缺乏和分布不均，使傳統(tǒng)的干旱監(jiān)測方法不具有空間代表性[7]。衛(wèi)星遙感數(shù)據(jù)具有高時空分辨率且能獲取區(qū)域連續(xù)空間上旱情的特點，克服了傳統(tǒng)干旱監(jiān)測方法的局限性。其中，MODIS（Moderate-Resolution Imaging Spectroradiometer）衛(wèi)星數(shù)據(jù)具有易獲取、空間分辨率高、光譜波段豐富等優(yōu)點;TRMM（Tropical Rainfall Measuring Mission）能提供精確的降水數(shù)據(jù)，對于實際測量數(shù)據(jù)缺乏的區(qū)域非常有用，越來越多地被用作氣象站和旱澇監(jiān)測的替代數(shù)據(jù)[8]。因此，MODIS和TRMM遙感數(shù)據(jù)被廣泛應用于干旱監(jiān)測。Cong等[9]對TRMM數(shù)據(jù)和站點實測數(shù)據(jù)做了相關性分析，發(fā)現(xiàn)相關系數(shù)達到0.99，并用TRMM數(shù)據(jù)計算了歸一化降水距平百分率（NPA），基于降水數(shù)據(jù)的NPA在東北地區(qū)取得了良好的干旱監(jiān)測效果。

此外，基于植被生長狀況的遙感干旱指數(shù)對干旱監(jiān)測也具有較高的監(jiān)測精度。Tucker等[10]提出的歸一化植被指數(shù)（NDVI）被廣泛應用于干旱監(jiān)測。后來在NDVI的基礎上又發(fā)展出許多干旱指標，如異常植被指數(shù)（AVI）[11]、植被條件指數(shù)（VCI）[12]、標準化植被指數(shù)（SVI）[13]、月植被狀況指數(shù)（MVCI）[14]、歸一化水分指數(shù)（NDWI）[15]等，此類植被指數(shù)能較好地反映植被的生長狀況，適合于低緯度植被茂密地區(qū)的干旱監(jiān)測，但是對干旱的響應存在一定的滯后效應[16，17]。LST（land surface temperature）在一定程度上能反映土壤含水量的變化狀況，揭示植被受水分脅迫時的重要信息，可作為表征地表水分狀況的重要指標[18-20]。許多研究者將植被指數(shù)與地表水分狀況信息相結(jié)合，提出了植被健康指數(shù)（VHI）、溫度-植被干旱指數(shù)（TVDI）[21]、植被供水指數(shù)（VSWI）[19，22]、嚴重干旱指數(shù)（DSI）[23]等，結(jié)合后的干旱指數(shù)能夠提高旱情監(jiān)測的準確性與實用性。Nichol等[24]用歸一化植被供水指數(shù)（NVSWI）對云南省中部地區(qū)進行了干旱監(jiān)測，結(jié)果發(fā)現(xiàn)NVSWI具有很好的監(jiān)測效果，能夠準確反映云南地區(qū)的旱情。

山東省是我國主要糧食產(chǎn)區(qū)，近年來干旱頻發(fā)，對糧食作物特別是冬小麥的影響嚴重，及時、準確地對山東省進行干旱監(jiān)測具有重要意義。杜靈通等[25]使用 TRMM降水量資料和單站干旱監(jiān)測Z指數(shù)，對山東進行干旱監(jiān)測及可靠性檢驗;馬建威等[26]構建了NDVI-LST土壤墑情反演模型，對山東省旱情進行監(jiān)測。曹張馳等[27]利用MODIS遙感數(shù)據(jù)，指出使用溫度植被指數(shù)法建立的LST-EVI 特征空間能夠較準確地估測山東省干濕轉(zhuǎn)換期的土壤表層相對濕度。王建博等[28]使用MODIS數(shù)據(jù)構建VSWI監(jiān)測山東春季旱情的發(fā)展和分布情況。陳振等[29]采用Ts-NDVI特征空間法監(jiān)測了山東省冬小麥生長季的旱情狀況。由于不同的干旱指數(shù)在不同區(qū)域適用性不同，而且冬小麥不同生長階段發(fā)生的干旱對產(chǎn)量造成的影響也有差異，因此對不同干旱指數(shù)的地區(qū)適用性及不同生育期干旱對冬小麥產(chǎn)量影響進行研究至關重要。

本研究利用2001—2015年的MODIS及TRMM數(shù)據(jù)構建遙感干旱監(jiān)測指數(shù)，評價不同遙感干旱指數(shù)對山東省干旱監(jiān)測的適用性，進而采用表現(xiàn)最佳的NVSWI干旱指數(shù)對山東地區(qū)的干旱進行時空動態(tài)研究;同時結(jié)合冬小麥產(chǎn)量數(shù)據(jù)，分析不同生育期干旱對冬小麥產(chǎn)量的影響。

1?研究區(qū)概況

山東?。?14°47′～122°43′E，34°23′～38°24′N）位于我國東部沿海，地處黃河下游，東臨黃海，北鄰渤海。中部為魯中南山地丘陵區(qū)，東部半島為波狀丘陵區(qū)，西部、北部為黃河沖積平原區(qū)。全省總面積約15.71×104 km2，耕地面積約75 050 km2。山東省屬暖溫帶大陸性季風氣候，年平均氣溫在11～14℃，年平均降水量在 550～950 mm 之間，無霜期在180～220 d。由于山東的年內(nèi)降水時空分配極為不均，加上其地理位置和氣候特征特殊等因素，春季和冬季易受干旱威脅。冬小麥是山東的主要農(nóng)作物之一，若其主要生育期（3—6月）內(nèi)發(fā)生干旱會造成冬小麥減產(chǎn)甚至絕產(chǎn)。

2?數(shù)據(jù)來源與研究方法

2.1?數(shù)據(jù)來源

本研究使用的數(shù)據(jù)包括降水量地面觀測數(shù)據(jù)、遙感數(shù)據(jù)、全球同化土壤水分數(shù)據(jù)以及農(nóng)業(yè)統(tǒng)計數(shù)據(jù)。

2.1.1?降水量觀測數(shù)據(jù)資料[HT]月降水量地面觀測數(shù)據(jù)和山東省的旱情災害狀況均來源于中國氣象數(shù)據(jù)網(wǎng)（http：//data.cma.cn/）。年降水量數(shù)據(jù)來自于山東省水資源公報（http：//www.sdwr.gov.cn/）。為保證降水數(shù)據(jù)的連貫性和一致性，本研究篩選并使用了山東省2001—2015年28個氣象站（圖 1）的數(shù)據(jù)。

2.1.2?遙感數(shù)據(jù)及處理[HT]使用的遙感數(shù)據(jù)包括MODIS地表反射率產(chǎn)品MOD09A1（8 d，500 m）和地表溫度產(chǎn)品MOD11A2（8 d，1 km）以及TRMM降水量數(shù)據(jù)。反射率數(shù)據(jù)從陸地進程分布式活動存檔中心（https：//lpdaac.usgs.gov/）網(wǎng)站下載，TRMM數(shù)據(jù)從美國航空航天局地球觀測數(shù)據(jù)和信息系統(tǒng)（http：//reverb.echo.nasa.gov/）網(wǎng)站下載。采用NASA網(wǎng)站提供的MRT（MODIS Reprojection Tool）工具對下載的遙感數(shù)據(jù)進行投影轉(zhuǎn)換，利用ArcGIS和ENVI等遙感圖像處理軟件對遙感數(shù)據(jù)進行重采樣、裁剪等預處理;MODIS數(shù)據(jù)用于計算歸一化水分指數(shù)（NDWI）、歸一化植被供水指數(shù)（NVSWI），TRMM用于計算歸一化降水距平百分率（NPA）。

2.1.3?全球陸面數(shù)據(jù)同化系統(tǒng)（GLDAS）土壤水分數(shù)據(jù)[HT]GLDAS數(shù)據(jù)是美國航空航天局（NASA）戈達德空間飛行中心（GSFC）與美國海洋和大氣局（NOAA）國家環(huán)境預報中心（NCEP）聯(lián)合發(fā)布的基于衛(wèi)星陸面模式和地面觀測數(shù)據(jù)的同化產(chǎn)品（https：//giovanni.gsfc.nasa.gov）。本研究所使用的是0～10 cm深度的月尺度GLDAS土壤水分產(chǎn)品，其空間分辨率是0.25°，將其重采樣為500 m。利用GLDAS數(shù)據(jù)驗證三個指數(shù)，選出最適合山東地區(qū)的遙感干旱監(jiān)測指數(shù)。

2.1.4?農(nóng)業(yè)統(tǒng)計數(shù)據(jù)[HT]2001—2015年山東省的市級冬小麥產(chǎn)量數(shù)據(jù)從山東省統(tǒng)計局（http：//www.stats-sd.gov.cn/）獲得。山東省的冬小麥生育期劃分從中國氣象數(shù)據(jù)共享網(wǎng)（http：//data.cma.cn/）獲得（表1）。

2.2?研究方法

技術路線如圖2所示。首先對數(shù)據(jù)進行預處理，主要包括波段提取、重采樣、月合成和裁剪，然后計算NDWI、NPA和NVSWI。利用GLDAS的土壤濕度數(shù)據(jù)分別對3種指數(shù)進行線性擬合，選取與土壤濕度相關性最高的干旱指數(shù)作為山東旱情監(jiān)測的指標，確定山東干旱時空分布數(shù)據(jù)集，分析山東典型年份干旱的時空分布以及干旱對冬小麥產(chǎn)量的影響。

2.2.1?歸一化水分指數(shù)（NDWI）?NDWI是基于短波紅外與近紅外波段的歸一化比值指數(shù)。NDWI能有效表征植被冠層的水分含量，在植被冠層受到水分脅迫時，能及時做出響應，這對于旱情監(jiān)測具有重要意義。NDWI計算公式如下[30]：

式中RNIR指近紅外波段反射率，RSWIR指短波紅外反射率。

2.2.2?歸一化降水量距平百分率（NPA）?降水量距平百分率（PPA）是表示降雨量偏離氣候平均狀況程度的指標之一[4]，可直觀反映降雨異常導致的農(nóng)業(yè)干旱狀況。PPA的計算公式如下：

對PPA進行歸一化，計算公式如下：

2.2.3?歸一化植被供水指數(shù)（NVSWI）?當植被受到干旱脅迫時，葉片氣孔會關閉以維持冠層中的水分，因此，蒸散量減小，地表溫度（LST）增大。在土壤水分充足的情況下，由于蒸散作用，覆蓋植被的LST值會低于裸地的LST值。因此植被指數(shù)與冠層溫度可以在一定程度上反映土壤水分的含量。根據(jù)這一原理提出的植被供水指數(shù)從NDVI和LST兩個方面來表征干旱狀況。植被供水指數(shù)被定義為[22]：

其中，LST表示陸地表面溫度，NDVI表示歸一化植被指數(shù)。Abbas等[31]2014年對VSWI值作出修正，結(jié)果被表述為歸一化植被供水指數(shù)（NVSWI），定義為：

其中，VSWImin和VSWImax分別代表VSWI在某一時段的最小和最大像元值。本文計算了山東省2001—2015年月尺度的NVSWI值。

2.2.4?農(nóng)業(yè)干旱指標?除遙感指數(shù)外，本文還計算了作物產(chǎn)量損失率（yield loss ratio，YLR）用于分析干旱導致的冬小麥產(chǎn)量損失。YLR表示相對多年平均水平受干旱影響的作物減產(chǎn)百分率[32]，計算如下：

YLR為正值并且值越大說明冬小麥產(chǎn)量損失越嚴重，負值說明冬小麥無減產(chǎn)。

2.2.5?相關系數(shù)法?首先建立遙感指數(shù)與土壤水分間的線性回歸模型，將R2作為遙感指數(shù)能否有效進行干旱監(jiān)測的評價標準。然后通過計算不同時間尺度的NVSWI與冬小麥產(chǎn)量的Pearson相關系數(shù)R[公式（7）]，探討不同生育期干旱對冬小麥產(chǎn)量的影響，從而確定關鍵的干旱預警期。

其中，x代表不同時間尺度的遙感指數(shù)值，y代表產(chǎn)量或者土壤水分，n代表樣本的數(shù)量。

3?結(jié)果與分析

3.1?相關性驗證及不同指數(shù)敏感性對比分析

降水量的多少對土地是否干旱起到了決定性的作用。本研究從山東省水資源公報中獲取了2001—2015年山東省年均降水量和多年平均降水量（圖3），可以看出山東省年均降水量整體呈現(xiàn)降低趨勢。為了驗證干旱指數(shù)在不同時期的適用性，選取15年來降水量最少的2002年的1、3、5、7、9、11月共6個月份來分析干旱指數(shù)在山東的適用性。

選取2002年1、3、5、7、9、11月6個月份的GLDAS土壤水分數(shù)據(jù)分別與同時段三個指數(shù)進行相關性分析，結(jié)果（圖 4）顯示，三個指數(shù)與土壤水分的相關性均通過0.05水平顯著性檢驗，相關系數(shù)R在0.20～0.61之間。

1月份，NVSWI與土壤水分的相關性最高，相關系數(shù)為0.33;NDWI與土壤水分的相關性最差，原因可能是部分站點的反射率值受云遮擋影響導致NDWI值存在偏差，所以與土壤水分的相關性也較差。3月份，NVSWI與土壤水分的相關性最高，相關系數(shù)為0.54;NPA與土壤水分的相關性最差，相關系數(shù)為0.44，可能是因為降水量少，觀測誤差大，導致NPA有較大誤差，進而導致NPA與土壤水分相關性較低。7月份，NVSWI與土壤水分的擬合結(jié)果達到最高，相關系數(shù)為0.61，5月和9月的擬合結(jié)果與7月份接近，分別達到0.60和0.59。11月份NVSWI與土壤水分的相關系數(shù)最高，為0.41;NPA與土壤水分的相關性最低，為0.24。綜上，各月份NVSWI與土壤水分的相關性均最高，與空間分布結(jié)果相吻合。NVSWI是用NDVI和LST計算得來的，NDVI代表植被的生長狀況，LST代表植被的冠層溫度，水分是否充足是植被生長好壞的一個關鍵因素，而且植被通過吸收水分來實現(xiàn)蒸騰作用進而維持冠層溫度。當水分充足時，植被能正常生長;當水分不足時，植被會通過關閉氣孔來降低蒸騰作用，冠層溫度就會升高，從而影響植被生長，因此NVSWI可以有效地反映土壤含水量，可用于山東地區(qū)的干旱監(jiān)測。

3.2?不同干旱指數(shù)的空間分布

使用三種干旱指數(shù)（NVSWI、NPA和NDWI）對2002年的旱情特征進行分析，并根據(jù)Cong等[9]提出的劃分標準進行干旱程度劃分：0～0.2為重度干旱，0.2～0.4為中度干旱，0.4～0.6為輕度干旱，0.6～0.8正常狀態(tài)，0.8～1.0為極濕潤狀態(tài)。結(jié)果見圖5。

基于NVSWI的干旱分布顯示，6個月份山東省都遭受了不同程度的干旱，尤其是7月份和11月份，全省大部分地區(qū)都發(fā)生了嚴重干旱，魯中和魯東南地區(qū)尤為嚴重?；贜PA的干旱空間分布顯示在7月和11月山東省也出現(xiàn)了嚴重干旱情況，TRMM降水數(shù)據(jù)的空間分辨率為0.25°，因值較低導致使用其數(shù)據(jù)計算的NPA容易出現(xiàn)大片數(shù)值相同的區(qū)域，但各市的干旱情況存在差異， 所以NPA擬合結(jié)果與實際情況不太相符，不能很好地表征各地干旱的發(fā)生情況。NDWI顯示1月份和11月份山東大部分地區(qū)處于嚴重干旱狀態(tài)，而7月份無干旱發(fā)生。

據(jù)山東省水文水資源勘測局統(tǒng)計，2002年山東省2月初開始出現(xiàn)旱情，3月和4月旱情開始蔓延且急劇發(fā)展，5月上旬出現(xiàn)連續(xù)降雨，到5月中旬旱情全部解除，6月到11月份旱情持續(xù)發(fā)展?？梢姡贜VSWI的干旱空間分布結(jié)果更貼近實際情況且明顯優(yōu)于NPA和NDWI， 因此，NVSWI更適合用于山東地區(qū)的干旱監(jiān)測。

3.3?NVSWI與冬小麥產(chǎn)量的相關性分析

圖6反映了NVSWI年均值及冬小麥逐年產(chǎn)量距平隨時間變化情況，可以看出，冬小麥產(chǎn)量總體保持增長趨勢且大體上與NVSWI值呈正相關關系，換言之冬小麥產(chǎn)量與干旱程度大體呈負相關關系。

根據(jù)《中國水旱災害公報》，2001年和2002年山東省都發(fā)生了十分嚴重的干旱，因此，這兩年的NVSWI值均低于其他年份，冬小麥產(chǎn)量也低于多年的平均值。2006年以前增長速率較快，之后趨于平穩(wěn)增長，一部分原因是農(nóng)田水利建設逐步完善，對處于干旱地區(qū)的冬小麥起到了很好的緩解作用，并起到很明顯的增產(chǎn)作用;另一部分原因是科技的發(fā)展和政策的扶持帶動了冬小麥產(chǎn)量的穩(wěn)步增長[33]。整體而言，干旱與冬小麥產(chǎn)量呈負相關關系，但個別年份如2007年干旱程度減輕，產(chǎn)量卻沒有明顯上升;2010年和2013年研究區(qū)均發(fā)生了不同程度的干旱，冬小麥產(chǎn)量與上年相比并沒有下降，甚至有小幅度的增長，造成這種現(xiàn)象的原因值得進一步研究。

圖7反映了2001—2015年冬小麥主要生長季（3—6月）NVSWI與冬小麥產(chǎn)量距平相關性的比較結(jié)果。3月份冬小麥進入抽穗的關鍵時期，此期間各地市NVSWI與冬小麥產(chǎn)量距平的相關性較低，煙臺、威海和萊蕪甚至出現(xiàn)了負相關;4、5月份各地市兩者的相關性均表現(xiàn)為正相關，且值較高;6月份冬小麥進入乳熟期，6月中旬大部分地區(qū)冬小麥收割完成，相關性略低于4、5月份。綜上，4、5月份干旱對冬小麥產(chǎn)量的影響較大。

3.4?山東省各地區(qū)干旱分布特點

圖8反映的是2001—2015年15年的NVSWI年均值空間分布情況。2001年和2002年受“厄爾尼諾”現(xiàn)象影響，全省都發(fā)生較為嚴重的干旱，2002年的年均降水量僅413 mm，比常年同期偏少39%[34];2003—2006年干旱主要集中在山東西部和南部地區(qū)，2007—2008年全省處于正常情況，2009年和2010年除山東中部外其余地區(qū)均發(fā)生不同程度的干旱，2011年和2012年干旱集中發(fā)生在魯南地區(qū)，2013年山東各地區(qū)都發(fā)生輕微干旱，2014年和2015年處于偏濕潤的狀況。從時間序列的年際干旱變化可以看出，2001年到2015年山東省整體干旱程度在減弱;從空間上看，受干旱影響較重的區(qū)域主要集中在山東西部和南部地區(qū)。

4?結(jié)論

本研究選取典型干旱年，通過GLDAS土壤水分數(shù)據(jù)與三個干旱指數(shù)（NDWI、NPA和NVSWI）的相關性分析，篩選出NVSWI更適用于山東省干旱監(jiān)測，能較好地表征農(nóng)業(yè)干旱的嚴重程度。使用NVSWI分析山東省干旱的時空分布特征，結(jié)果顯示，2001—2015年山東省的整體干旱程度在減弱，受干旱影響區(qū)域主要集中在魯西和魯南地區(qū)。進一步通過NVSWI與歸一化作物產(chǎn)量NYL之間的相關性分析不同生育期干旱對冬小麥產(chǎn)量的影響，結(jié)果顯示，4—5月干旱對山東省冬小麥產(chǎn)量的影響更為顯著，表明抽穗期和灌漿期的水分管理至關重要。

參?考?文?獻：

[1]?Sheffield J， Wood E F， Roderick M L. Little change in global drought over the past 60 years[J]. Nature， 2012， 491（7424）： 435-438.

[2]?Heim R R J. A review of twentieth-century drought indices used in the United States[J]. Bulletin of the American Meteorological Society， 2002， 83（8）：1149-1166.

[3]?Yao Y J， Liang S L， Qin Q M， et al. Monitoring global land surface drought based on a hybrid evapotranspiration model[J]. International Journal of Applied Earth Observation and Geoinformation， 2011， 13（3）： 447-457.

[4]?Chen C， Zhao S H. Drought monitoring and analysis of Huanghuai Hai plain based on TRMM precipitation data[J]. Remote Sensing for Land & Resources， 2016， 28（1）： 122-129.

[5]?McKee T B， Doesken N J， Kleist J. The relationship of dro-ught frequency and duration to time scales[C]// Proceedings of 8th Conference on Applied Climatology. Anaheim， 1993： 179-184.

[6]?Palmer W C. Meteorologic drought[R/OL]. Weather Bureau Research Paper， 1965， 45： 58.

[7]?Anderson M C， Hain C， Wardlow B， et al. Evaluation of dr-ought indices based on thermal remote sensing of evapotranspiration over the continental United States[J]. J.Clim.， 2011， 24： 2025-2044.

[8]?Islam N， Uyeda H. Comparison of TRMM 3B42 products with surface rainfall over Bangladesh[C]// IGARSS. Proceedings of IEEE international geoscience and remote sensing symposium. 2005： 4112-4115.

[9]?Cong D M， Zhao S H， Chen C， et al. Characterization of droughts during 2001—2014 based on remote sensing： a case study of Northeast China[J]. Ecological Informatics， 2017， 39： 56-67.

[10]Tucker C J， Slayback D A， Pinzon J E， et al. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999[J]. International Journal of Biometeorology， 2001， 45（4）： 184-190.

[11]陳維英，肖乾廣，盛永偉.距平植被指數(shù)在1992年特大干旱監(jiān)測中的應用[J].環(huán)境遙感，1994， 9（2）： 106-112.

[12]Kogan F N. Remote sensing of weather impacts on vegetation in nonhomogeneous areas[J]. Int. J. Remote Sens.， 1990， 11： 1405-1419.

[13]Peters A J， Waltershea E A， Lel J I， et al. Drought monitoring with NDVI-based standardized vegetation index[J]. American Society for Photogrammetry and Remote Sensing， 2002， 68（1）： 71-75.

[14]McVicar T R， Jupp D L B. The current and potential operational uses of remote sensing to aid decisions on drought exceptional circumstances in Australia： a review[J]. Agricultural Systems， 1998， 57（3）： 399-468.

[15]Gao B C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sens. Environ.， 1996， 58： 257-266.

[16]Jiao W， Zhang L， Chang Q. Evaluating an enhanced vegetation condition index （VCI） based on VIUPD for drought monitoring in the continental United States[J]. Remote Sensing， 2016， 8（3）： 224.

[17]牟伶俐， 吳炳方， 閆娜娜， 等. 農(nóng)業(yè)旱情遙感指數(shù)驗證與不確定性分析[J]. 水土保持通報， 2007， 27（2）： 119-122.

[18]Goward S N， Hope A S. Evapotranspiration from combined reflected solar and emitted terrestrial radiation： preliminary FIFE results from AVHRR data[J]. Advances in Space Research， 1989， 9（7）： 239-249.

[19]Carlson T N， Perry E M， Schmugge T J. Remote sensing of soil moisture availability and fractional vegetation cover for agricultural fields[J]. Agricultural and Forest Meteorology， 1990， 52（1/2）： 45-69.

[20]Nemani R， Pierce L， Running S， et al. Developing satellite-derived estimates of surface moisture status[J]. Journal of Applied Meteorology， 1993， 32（3）： 548-557.

[21]Sandholt I， Rasmussen K， Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment， 2002， 79（2/3）： 213-224.

[22]Carlson T N， Gillies R R， Perry E M. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews， 1994， 9（1）：161-173.

[23]Mu Q， Zhao M， Kimball J S， et al. A remotely sensed global terrestrial drought severity index[J]. Bull. Am. Meteorol. Soc.， 2013， 94： 83-98.

[24]Nichol J E ， Abbas S. Integration of remote sensing datasets for local scale assessment and prediction of drought[J]. Science of The Total Environment， 2015， 505： 503-507.

[25]杜靈通， 田慶久， 黃彥. 基于TRMM數(shù)據(jù)的山東省干旱監(jiān)測及其可靠性檢驗[J]. 農(nóng)業(yè)工程學報， 2012（2）： 128-133.

[26]馬建威， 黃詩峰， 胡健偉. 基于MODIS數(shù)據(jù)的山東省土壤墑情遙感動態(tài)監(jiān)測與分析[J]. 水文， 2013， 33（3）： 29-33， 42.

[27]曹張馳， 沈潤平， 田燁， 等.山東省干濕轉(zhuǎn)換期土壤水分MODIS遙感監(jiān)測[J]. 干旱氣象， 2014， 32（3）： 340-345.

[28]王建博， 王蕾彬. 基于植被供水指數(shù)的山東省2013年春季旱情監(jiān)測[J]. 山東農(nóng)業(yè)科學， 2015， 47（7）： 117-122.

[29]陳振， 劉濤， 梁守真， 等. 基于Modis-TVDI方法的山東小麥生長季旱情遙感監(jiān)測[J]. 江蘇農(nóng)業(yè)科學， 2018， 46（19）： 331-336.

[30]Chen D， Huang J， Jackson T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J]. Remote Sensing of Environment， 2005， 98（2/3）： 225-236.

[31]Abbas S， Nichol J， Qamer F， et al. Characterization of drought development through remote sensing： a case study in central Yunnan， China[J]. Remote Sensing， 2014， 6（6）： 4998-5018.

[32]Zhang J， Mu Q Z， Huang J X. Assessing the remotely sensed Drought Severity Index for agricultural drought monitoring and impact analysis in North China[J]. Ecological Indicators， 2016， 63： 296-309.

[33]余慧倩， 張強， 孫鵬. 干旱強度及發(fā)生時間對華北平原五省冬小麥產(chǎn)量影響[J]. 地理學報， 2019， 74（1）： 89-104.

[34]張勝平， 陳希村， 蘇傳寶. 2002年山東省嚴重干旱分析[J]. 水文， 2004（3）： 42-45.