農業干旱遙感監測研究綜述

摘 要：干旱是影響農業生產的主要災害類型。傳統的農業干旱監測主要是基于地面氣象和水文數據，雖然能在單點監測上提供較為精確的干旱監測結果，但很難反映大面積的干旱狀況，難以滿足大范圍監測農業干旱的需求。隨著遙感技術的發展，基于衛星遙感信息的干旱監測指數的出現，從不同側面定性或半定量地評價土壤水分分布狀況，為大面積的農業干旱監測提供了新手段。對此，闡明了遙感農業干旱監測原理和方法，分析了農業干旱遙感監測面臨的挑戰，并探究了發展方向。

關鍵詞：農業；干旱；遙感；監測工作

中圖分類號：S127 文獻標志碼：B 文章編號：2095–3305（2024）12–0-03

干旱是指水分收支或供求不平衡導致水分短缺的現象，對國民經濟尤其是農業產生嚴重影響。干旱的特點是出現頻率高、持續時間長、波及范圍大，因此歷來被人們所關注，現在已經成為世界范圍的重大環境問題之一[1]。農業干旱的嚴重程度和持續時間會對農作物的產量和品質產生嚴重影響，進而導致糧食安全和農村經濟穩定性的下降。因此，及時準確地監測農業干旱的發生發展，對減少農業損失、災害預警和決策制定具有重要意義。而開展農業旱災研究的基礎是確立農業干旱指標。

干旱監測指標主要分為兩大類：一是傳統干旱監測指數，這類指數是基于地面氣象和水文數據建立的；二是遙感干旱監測指數，這類指數是基于衛星遙感信息建立的。傳統的干旱監測指標主要有帕默爾干旱指數（Palmer Drought Severity Index，PDSI）、地表水分供應指數（Surface Water Supply Index，SWSI）、作物濕度指數（Crop Moisture Index，CMI）和標準化降水指數（Standardized Percipitation Index，SPI）等，這些指數都是基于單點觀測，優勢是數據容易獲得、數據處理方法簡單、所需要的計算量小，劣勢是會受觀測站點的數量限制，難以反映大面積的干旱狀況，無法滿足農業干旱監測的需求。隨著遙感技術的發展，出現了基于衛星遙感信息的干旱監測指數，與基于氣象和水文數據的傳統農業災害監測技術手段相比，基于衛星遙感信息的干旱監測具有宏觀性、經濟性、動態性、時效性等特征，在一定程度上彌補了傳統農業災害監測方法的不足。

1 遙感農業干旱監測原理

農業干旱是對農業生產影響最為嚴重的氣象災害，是指在作物生育期內，由于土壤水分持續不足而造成的作物體內水分虧缺，影響作物正常生長發育的現象。土壤含水量是判斷干旱的重要指標之一，一般用重量含水率或體積含水率表示，影響土壤含水量的因素主要有區域光溫條件、土壤質地、作物長勢、冠層溫度，因此土壤含水量的函數表征為：

Sw=F（R，S，G，T）（1）

式（1）中，Sw表示土壤含水量，R表示光照條件，S表示土壤質地（如砂質土、黏質土、壤土等），G表示作物長勢（無植被覆蓋條件下，G取0），T表示作物冠層溫度（遙感監測像元內作物表層的平均溫度）。

2 農業干旱遙感監測方法

根據土壤在不同光譜波段呈現不同的輻射特性，遙感干旱監測分為四大類型：可見光—近紅外法、熱紅外法、特征空間法和微波遙感法。這4種監測方法都是基于土壤水分的遙感干旱監測。

2.1 近紅外光譜法

近紅外光譜法是利用可見光和近紅外遙感資料對土壤水分進行反演。基于這種監測方法構建的模型主要因子是地面反射率（可見光和近紅外波段反演得到）和地表溫度（熱紅外波段反演得到）。利用可見光和近紅外遙感資料進行監測，監測指標主要有植被指數和植被狀態指數兩類。

2.1.1 植被指數

當前，應用最廣泛的是歸一化植被指數（Normalize

Difference Vegetation Index），歸一化植被指數（NDVI）

的原理是利用植被葉綠素在紅光波段的強吸收，植物葉片內部結構在近紅外波段的強烈反射形成，實現對植被信息的表達。NDVI的定義如下：

歸一化植被指數（NDVI）的原理是利用植被葉綠素在紅光波段的強吸收，植物葉片內部結構在近紅外波段的強烈反射形成，實現對植被信息的表達。NDVI的計算公式為：

（2）

式（2）中，ρnir表示為近紅外波段的地表反射率，ρr表示為可見光紅光波段的地表反射率。

歸一化植被指數的優勢是可見光紅光波段（波長為0.58～0.68 μm）對葉綠素具有吸收帶，近紅外波段（波長為0.75～1.10 μm）對綠色植物有一個光譜反射區。劣勢是對土壤背景的變化敏感。大量試驗表明，植被覆蓋度為25%～80%是適合反演區，植被的NDVI值要高于裸土的NDVI值，這種情況下植被可以輕松被檢測出來，在此區間內，NDVI值將隨植物量的增加呈線性迅速增加；若植被覆蓋度＜15%，干旱、半干旱地區的NDVI值很難指示區域的植物生物量；若植被覆蓋度＞80%，NDVI檢測靈敏度下降，NDVI值會呈現飽和的狀態。

全球環境監測指數（GEMI）是通過衛星影像進行全球環境監測的非線性植被指數。GEMI的計算公式為：

GEMI=eta×（1-0.25×eta）-（[Red-0.125）/（1-Red ]）

（3）

eta=（2×（NIR2-Red2）+1.5×NIR+0.5×Red）/（NIR +Red+0.5）（4）

式（3）～（4）中，NIR表示為近紅外波段的地面反射率；Red表示為可見光紅光波段的地表反射率。

全球環境監測指數與歸一化植被指數類似，但對大氣影響的敏感度較低。優勢是可以使大氣效應降到最小，且不改變植被信息；動態范圍較大，監測范圍從稀疏植被到茂密森林都適合。劣勢是容易受到土壤顏色和土壤亮度的影響，不建議用于植被稀疏或中度茂密的區域。

2.1.2 植被狀態指數

植被狀態指數由（Vegetation Condition Index，VCI）是在距平植被指數、標準植被指數的基礎上改進而來[2]。

此指數多用以反映植被健康程度，以及在相同生理期內植被的生長狀況。VCI的計算公式為：

（5）

式（5）中，NDVImin為某像元NDVI多年的最小值，NDVImax為某像元NDVI多年的最大值，NDVI為某年具體像元的NDVI值。

植被狀態指數的優勢是可以有效監測干旱及降水的時空分布動態，在我國基于遙感技術監測農業干旱中得到了廣泛的試驗性研究[3]。植被狀態指數突破了只適用于大尺度大范圍的干旱定性監測這一限制。李新堯等[4]通過建立植被狀態指數實現了對陜西省連續14年農業干旱情況的識別與時空分布特征的研究，這表明植被狀態指數在監測陜西省農業干旱方面具有一定的優勢，以月為尺度的植被狀態指數與降水量并未表現出很好的相關性，這說明影響植被覆蓋度和長勢的因素不只是降水，植被狀態指數相對于降水變化存在一定的滯后性。

2.2 熱慣量法

熱慣量法（ATI）是利用熱紅外遙感反演土壤含水量的重要方法[5]。熱慣量是物質對熱的惰性，是衡量每個物質熱特性的指標之一。熱慣量大的物質，受周圍熱的擾動影響較少；熱慣量小的物質，易受周圍熱擾動的影響，其溫度變化較大。該模式的計算公式為：

（6）

式（6）中，ATI表示土壤熱慣量，T日表示白天的最高溫度，T夜表示夜晚的最低溫度，A表示全波段反照率，Q（1-A）表示被地面吸收的太陽凈輻射能．

大量學者的實驗表明，土壤熱慣量與土壤水分的變化有密切的關系。土壤熱慣量越大，土壤溫度的變化幅度越小。

2.3 特征空間法

特征空間法是基于植被指數和地表溫度的散點圖呈現出來的梯形分布特征，利用簡化的NDVI-Ts特征空間，構造了溫度植被干旱指數（Temperature Vegetation

Dryness Index，TVDI）。該模式的計算公式為：

TVDI=（LST-LSTmin）/（LSTmax-LSTmin）（7）

式（7）中，LSTmax（干邊）表示當NDVI等于某一特定值時，地表溫度的最大值；LSTmin（濕邊）表示當NDVI

等于某一特定值時，地表溫度的最小值；LST表示任一像元地表溫度。

Tsmin和Tsmax同時進行線性回歸，得到干、濕邊的方程式為：

濕邊方程：Tsmin=a×NDVI+b（8）

干邊方程：Tsmax=c×NDVI+d（9）

式（8）和（9）中，a、b、c、d為干濕邊的擬合系數。a、b表示濕邊方程的截距和斜率；c、d表示干邊方程的截距和斜率。

TVDI的值域為[0，1]。TVDI的值越大，表示土壤濕度越低；TVDI越小，表示土壤濕度越高。

2.4 微波遙感法

微波遙感具有全天時、全天候的優勢。合成孔徑雷達衛星發射的電磁波與可見光和熱紅外相比，對土壤水分的變化更為敏感。土壤介電常數和土壤水分的變化會引起土壤介電常數的變化，土壤介電常數變化引起微波比輻射率發生變化，微波遙感監測是通過這種微波輻射亮度、地表后向散射系數，或者主被動聯合進行土壤含水量的反演實現的[6-8]。因此，土壤的熱輻射可以通過被動微波遙感記錄地表亮溫度，從而達到監測土壤含水量的目的。有關學者針對土壤含水量的監測和在裸土或植被覆蓋率較低地區的后向散射系數與土壤含水量的相關性，利用衛星雷達在兩個不同空間尺度的區域做了分析；根據積分模型，在原有的基礎上提高了實測土壤水分與遙感獲取到的反演數據的相關系數。

3 農業干旱遙感監測面臨的挑戰與發展方向

在航空遙感技術的基礎上，農業遙感干旱監測研究萌芽于20世紀60年代。近年來，農業干旱遙感監測在方法、模型、算法及數據處理和分析技術等方面取得了一系列的研究進展。遙感監測方法的改進和創新使得干旱監測更加準確和實用。模型和算法的發展提高了干旱監測的精度和效率。數據處理和分析技術的進展使得大規模數據處理和空間分析變得更加可

行[9-10]。同時，多源數據的融合與綜合分析也為干旱監測提供了更全面的信息和洞察。雖然農業干旱遙感監測取得了一定的研究進展，但仍存在一些局限性和挑戰。

3.1 面臨的挑戰

3.1.1 遙感數據精度和分辨率的限制

連續的無云影像獲取較為困難。其中，光學遙感數據需要在無云的晴朗天氣下獲取，微波波段不受云雨、光照條件限制，可以全天候觀測，但微波在土壤水分監測上更敏感，反演地表土壤濕度受地表粗糙度、植被影響較大，遙感數據精度和分辨率有待提升。

3.1.2 單項干旱指數反演能力有限

作物的品質會影響產量下降，土壤水分不足會導致作物生長受阻。但作物的生長生理過程十分復雜，在不同的生長階段，不同的作物對水分需求狀況也不同，但土壤水分不足并非影響作物產量的唯一因素，單純的干旱指數難以實現對作物生長過程的攻臺模

擬[11-12]。因此，單項干旱指數反演能力有待提高。

3.1.3 地表表征和土壤參數獲取的困難

農業干旱遙感監測的可靠性和適應性不足，地表表征和土壤參數獲取困難，模型驗證和結果解譯仍存在不足。同時，農業干旱監測在技術和應用方面仍存在許多發展空間，包括基于機器學習和人工智能的智能監測方法的發展、高分辨率和大數據處理技術的應用、融合多源數據和多尺度監測方法的研究，以及農業干旱監測與決策支持系統的結合。

3.2 發展方向

首先，技術精度應進一步提高。隨著衛星傳感器技術的不斷進步，空間分辨率、光譜分辨率和時間分辨率都將優化。空間分辨率更高，能精準定位干旱發生的具體農田位置；光譜分辨率更高，可以獲取更多波段信息，從而更準確地反映植被和土壤的水分狀況；重訪周期縮短，能夠實現對干旱動態的近實時監測，及時捕捉干旱的發生、發展和緩解過程。

其次，數據融合應更加成熟。將光學遙感與微波遙感數據相融合，可以優勢互補。光學遙感能提供豐富的地表信息，但易受天氣影響；微波遙感不受云層干擾，能在惡劣天氣條件下工作。兩者結合可以更穩定、全面地監測干旱。同時，融合多源遙感數據以及地面觀測數據，可以構建更可靠的干旱監測模型。

最后，智能化監測是未來趨勢。利用人工智能和機器學習算法，能夠自動分析海量遙感數據，挖掘數據中與干旱有關的復雜特征和規律。通過深度學習模型，對干旱程度進行分級評估，預測干旱的發展趨勢，為農業生產提前做好應對措施提供有力支持。

4 結束語

干旱是當前我國農業生產中的主要制約因素之一。遙感技術在農業干旱監測領域具有獨特的優勢，但仍存在一些技術難題和數據處理問題亟須解決。相關研究者和決策者需要深入剖析農業干旱現象的監測原理和方法，分析現有研究中存在的問題和挑戰，推動農業干旱遙感監測領域進一步發展。

參考文獻

[1] 楊世琦，高陽華，易佳.干旱遙感監測方法研究進展[J].高原山地氣象研究，2010，30（2）：75-78.

[2] 張學藝，張曉煜，李劍萍，等.我國干旱遙感監測技術方法研究進展[J].氣象科技，2007（4）：574-578.

[3] 韓宇平，張功瑾，王富強.農業干旱監測指標研究進展[J].華北水利水電學院學報，2013，34（1）：74-78.

[4] 李新堯，楊聯安，聶紅梅，等.基于植被狀態指數的陜西省農業干旱時空動態[J].生態學雜志，2018，37（4）：1172-1180.

[5] 韓東，王鵬新，張悅，等.農業干旱衛星遙感監測與預測研究進展[J].智慧農業（中英文），2021，3（2）：1-14.

[6] 陳媛媛，孫麗，杜英坤，等.農業干旱遙感監測研究進展與展望[J].遙感信息，2022，37（6）：1-7.

[7] 王蔚丹，孫麗，裴志遠，等.典型旱年農業干旱遙感監測指標在東北地區生長季的表現[J].中國農業氣象，2021，42（4）： 307-317.

[8] 王一昊，武永峰，張立亭，等.基于TVDI的東北地區春玉米干旱監測：以2018年為例[J].河南農業科學，2020，49（3）： 167-180.

[9] 賈德偉，周磊，黃燦輝，等.農業干旱遙感監測方法及其應用的研究進展[J].安徽農業科學，2016，44（36）：233-235.

[10] 沙莎，王麗娟，王小平，等.基于溫度植被干旱指數（TVDI）的甘肅省農業干旱監測方法研究[J].干旱氣象，2024，42

（1）：27-38.

[11] 黃睿茜，趙俊芳，霍治國，等.深度學習技術在農業干旱監測預測及風險評估中的應用[J].中國農業氣象，2023，44

（10）：943-952.

[12] 趙鴻，蔡迪花，王鶴齡，等.干旱災害對糧食安全的影響及其應對技術研究進展與展望[J].干旱氣象，2023，41（2）： 187-206.

收稿日期：2024-09-14

作者簡介：張俊麗（1988—），女，山東棗莊人，農藝師，研究方向為農業信息。