基于风云3号气象卫星数据的四川盆地干旱监测

Drought Monitoring in Sichuan Basin Based on FY-3 Series Data

摘要

为探究风云3号气象卫星在四川盆地的实用性，基于FY-3D/MERSI-Ⅱ NDVI和LST产品，反演得到TVDI为监测指标，采用MODIS同类型产品数据为验证数据，对四川盆地2022年6—10月旱情的时空分布特征进行分析，并利用四川盆地具有代表性的53个土壤水分站实测的10～40 cm土壤墒情数据进行相关性验证，分析评估FY-3D/MERSI-Ⅱ TVDI在四川盆地旱情监测中的精度。结果表明：（1）晴空状态下，基于分裂窗算法反演的FY-3D/MERSI-Ⅱ LST与MODIS LST产品的R值介于0.72～0.84，NDVI产品的R值介于0.55～0.67，均通过0.05的显著性检验，可在区域旱情监测中使用。（2）2022年6—10月四川盆地大部分地区出现了不同程度的旱情。其中，7月干旱面积最大，占比达85.95%，中旱面积占比达47.07%；8月旱情程度加重，重旱面积最大，可达13.27%。（3）6—10月FY-3D/MERSI-Ⅱ TVDI与10 cm土壤相对湿度的相关系数为-0.65～-0.32，通过0.05的显著性检验，呈明显的负相关，对四川盆地旱情监测有很好的参考价值。

Abstract

To explore the applicability of the FY-3 Series in the Sichuan Basin, this study used FY-3D/MERSI-Ⅱ NDVI and LST products to calculate the Temperature-Vegetation Dryness Index (TVDI) as a drought monitoring indicator. MODIS data of the same type were used for validation. The spatiotemporal distribution characteristics of drought in the Sichuan Basin from June to October 2022 were then analyzed. Correlation validation was conducted using 10-40 cm soil moisture data from 53 representative soil moisture stations in the Sichuan Basin to evaluate the accuracy of the FY-3D/MERSI-Ⅱ TVDI for drought monitoring.The results showed that: (1)Under clear sky conditions, the correlation coefficients (R) between the FY-3D/MERSI-Ⅱ LST products and MODIS LST products, derived using the split-window algorithm, ranged from 0.72 to 0.84. The R values for NDVI products ranged from 0.55 to 0.67. Both sets of R values passed the 0.05 significance test, demonstrating that both products can be used for regional drought monitoring. (2)From June to October 2022, most areas in the Sichuan Basin experienced varying degrees of drought. The largest drought area occurred in July, covering 85.95% of the region, with 47.07% classified as moderate drought. The drought situation worsened in August, with severe drought areas increasing to 13.27%. (3)The correlation coefficient between the FY-3D/MERSI-Ⅱ TVDI and 10 cm soil relative humidity from June to October ranged from -0.65 to -0.32, passing the 0.05 significance test and showing a significant negative correlation. This indicates that the FY-3D/MERSI-Ⅱ TVDI has good potential as a reference for drought monitoring in the Sichuan Basin.

Graphical abstract

关键词

干旱 / 风云3号气象卫星 / 分裂窗算法 / TVDI

Key words

drought / FY-3 Series / split window algorithm / TVDI

随着全球变暖，极端天气频发，对农业生产和粮食安全的影响也在加大^[1]。研究表明，干旱灾害对农业生产造成的影响是各项气象灾害中最严重的^[2]。卫星遥感监测方法具有宏观、快速、经济等优点，可以弥补传统观测站点在空间尺度上的不足，是实现大范围干旱动态监测的有效办法之一^[3-5]。目前，国内外学者比较常用的几种旱情监测指数，如植被供水指数与干旱有很好的相关性，但是对城镇、裸地的监测意义不大^[6-8]。^.植被状态指数可以反映植被的综合信息，但对监测农业干旱有一定滞后性^[9-10]。温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）是使用最广、最常用的指数之一，并且在四川地区能够很好地反映土壤湿度，拟合TVDI通常使用较多的是基于Aqua/MODIS数据，FY-3D作为我国自主研发的气象卫星，在四川盆地，基于FY-3D拟合的TVDI还未有相关详细的可用性报告^[11-16]。

2022年夏季，四川地区遭受了持续的高温干旱天气，农作物受灾严重。为了探究FY-3D在四川盆地旱情监测中的可用性，本文利用MODIS同类型高精度产品数据，对FY-3D/MERSI-Ⅱ植被指数（Normalized Difference Vegetation Index，NDVI）产品和通过分裂窗算法反演的地表温度（Land Surface Temperature，LST）产品进行验证。以FY-3D/MERSI-Ⅱ TVDI为监测指标，选取四川盆地（海拔178～5 360 m）17个行政市，对其2022年6—10月旱情的时空分布特征进行分析，并利用53个土壤水分站实测的土壤墒情数据，分析评估FY-3D/MERSI-Ⅱ TVDI在四川盆地旱情监测中的适用性。

1 研究区概况与数据来源

1.1 研究区概况

四川盆地地处高原大地形与中国东部平原的过渡区，特殊的地理位置使盆地的气候既受东亚季风和印度季风的影响，又受青藏高原大气环流系统的影响，总面积约26万km²，主要包括四川省中东部和重庆市，干旱是四川盆地发生频率最高的气象灾害之一^[17-20]。研究区选取四川盆地17个行政市，如图1所示。本文插图中所涉及的行政区域界线基于审图号为GS（2019）3333号标准地图制作，底图无修改。

1.2 数据来源

FY-3D是我国第二代极地轨道气象卫星中的第四颗星，MERSI-II是搭载在FY-3D上的核心仪器之一，是世界上首台能够获取全球250 m分辨率红外分裂窗区资料的成像仪器^[21-23]。本文利用风云卫星遥感数据服务网2022年全年每天的MERSI-II L1级数据，反演得到LST日产品，数据分辨率为1 000 m，月产品数据利用平均值合成法计算得到。NDVI产品空间分辨率为1 000 m，时间分辨率为旬，采用平均值合成法得到月产品。验证数据采用公认精度较高的Aqua/MODIS MYD3A1和MYD11A1产品数据。MYD11A1 LST产品时间分辨率为1 d,空间分辨率为1 000 m，MYD13A1 NDVI产品时间分辨率为16 d，空间分辨率为500 m，利用重采样将其统一为1 000 m。土壤墒情数据来自2022年6—10月四川盆地数据具有代表性的53个土壤水分站实测的10～40 cm相对湿度数据。

2 研究方法及原理

2.1 <bold>TVDI</bold>计算方法

大量田间试验证明，LST与NDVI之间存在显著的负相关，利用LST/NDVI直线的斜率可以表示研究区土壤水分状况，LST/NDVI直线斜率越接近水平线，表示该区域土壤含水量越高，反之，直线斜率越大，则表明该区域土壤中水分含量越低。因此，结合NDVI和LST可以很好地反映土壤湿度状况^[24]。Moran M S等在此理论基础上提出NDVI-LST的散点图呈梯形的特点^[11]，本文利用Sandholt等通过NDVI和LST构建的TVDI为监测指标^[12]，公式如下：

T_{\mathrm{V}\mathrm{D}\mathrm{I}}=\frac{T-T_{\mathrm{m}\mathrm{i}\mathrm{n}}}{T_{\mathrm{m}\mathrm{a}\mathrm{x}}-T_{\mathrm{m}\mathrm{i}\mathrm{n}}}，（1）

T_{\mathrm{m}\mathrm{i}\mathrm{n}}=a_{\mathrm{1}}+b_{\mathrm{1}}·N_{\mathrm{D}\mathrm{V}\mathrm{I}}，（2）

T_{\mathrm{m}\mathrm{a}\mathrm{x}}=a_{\mathrm{2}}+b_{\mathrm{2}}·N_{\mathrm{D}\mathrm{V}\mathrm{I}}。（3）

式中：T_VDI表示TVDI值；T表示LST值；T_min为NDVI对应的最低温度，即湿边温度；T_max为NDVI对应的最高温度，即干边温度；a₁、b₁、a₂和b₂为相关系数，可由线性拟合求得。由（1）式可知，T_VDI越大，土壤湿度越低，干旱越明显；反之，T_VDI越小，土壤湿度越高^[13]。

2.2 分裂窗算法

由于目前风云卫星遥感数据服务网没有提供FY-3D/MERSI-Ⅱ LST产品数据，本文采用覃志豪等提出的分裂窗算法，反演得出FY-3D/MERSI-ⅡLST^[25-26]，公式如下：

T_s=A_{\mathrm{0}}+A_{\mathrm{1}}{T}_i-A_{\mathrm{2}}{T}_j。（4）

再利用Ottle C等提出的辐射和地表温度的关系，对辐射能公式进行简化^[27]，研究表明利用分裂窗算法反演的MERSI-Ⅱ LST与MODIS LST产品在空间分布上保持一致^[28-29]。其计算公式如下：

\begin{array}{l}{T}_s=[C_{\mathrm{25}}(B_{\mathrm{24}}+D_{\mathrm{24}})-C_{\mathrm{24}}(D_{\mathrm{25}}+B_{\mathrm{25}})]/\\ (C_{\mathrm{25}}{A}_{\mathrm{24}}-C_{\mathrm{24}}{A}_{\mathrm{25}})\end{array}，（5）

其中，各反演参数如下：

A_{\mathrm{24}}=\mathrm{0.141}\mathrm{7}{\epsilon }_{\mathrm{24}}{\tau }_{\mathrm{24}}，（6）

A_{\mathrm{25}}=\mathrm{0.119}\mathrm{3}{\epsilon }_{\mathrm{25}}{\tau }_{\mathrm{25}}，（7）

B_{\mathrm{24}}=\mathrm{0.141}\mathrm{7}{T}_{\mathrm{24}}+\mathrm{32.717}{\epsilon }_{\mathrm{24}}{\tau }_{\mathrm{24}}-\mathrm{32.717}，（8）

B_{\mathrm{25}}=\mathrm{0.119}\mathrm{3}{T}_{\mathrm{25}}+\mathrm{26.744}{\epsilon }_{\mathrm{25}}{\tau }_{\mathrm{25}}-\mathrm{26.744}，（9）

C_{\mathrm{24}}=(\mathrm{1}-{\tau }_{\mathrm{24}})[\mathrm{1}+(\mathrm{1}-{\epsilon }_{\mathrm{24}}){\tau }_{\mathrm{24}}]\times \mathrm{0.141}\mathrm{7}，（10）

C_{\mathrm{25}}=(\mathrm{1}-{\tau }_{\mathrm{25}})[\mathrm{1}+(\mathrm{1}-{\epsilon }_{\mathrm{25}}){\tau }_{\mathrm{25}}]\times \mathrm{0.119}\mathrm{3}，（11）

D_{\mathrm{24}}=(\mathrm{1}-{\tau }_{\mathrm{24}})[\mathrm{1}+(\mathrm{1}-{\epsilon }_{\mathrm{24}}){\tau }_{\mathrm{24}}]\times \mathrm{32.717}，（12）

D_{\mathrm{25}}=(\mathrm{1}-{\tau }_{\mathrm{25}})[\mathrm{1}+(\mathrm{1}-{\epsilon }_{\mathrm{25}}){\tau }_{\mathrm{25}}]\times \mathrm{26.744}。（13）

式中：T_s为地表温度（单位：K），T_i 和T_j 分别为大气窗口在10～13 μm的2个热红外通道亮温，A_λ是波长为\lambda的分裂窗算法参数，ε_λ是波长为\mathrm{\lambda }的地表发射率，τ_λ表示从目标物到传感器路径方向上的大气透过率。由公式（6）得出，通过MERSI-Ⅱ两个热红外波段的地表发射率{\epsilon }_{\lambda }和大气透过率τ_λ就可以实现FY-3D/MERSI-Ⅱ LST的反演^[25-29]。通过这种方法简化了LST反演的难度^[30]。

3 <bold>FY-3D/MERSI-Ⅱ</bold>产品验证

3.1 <bold>FY-3D/MERSI-Ⅱ LST</bold>反演及验证

LST作为TVDI指数的一个重要输入参数，其精度直接影响TVDI旱情监测的准确性，因此，评估本文采用分裂窗算法反演的FY-3D/MERSI-Ⅱ LST的精度至关重要。交叉互检法是利用已知精度的LST产品，通过产品间的交叉比较，评估另一LST产品精度的方法，该方法不需要引入地面实测资料，是一种简便快捷的LST评估方法。本文采用交叉互检法，以MODIS LST产品数据为检验数据，通过对比分析2022年春、夏、秋季任意1 d相对晴空条件下（4月20日、7月5日和10月5日）反演的FY-3D/MERSI-Ⅱ LST与MODIS LST的差异，来评估FY-3D/MERSI-Ⅱ LST的反演精度。

4月20日两种产品的LST大值区都位于成都市，盆地东部较低，空间分布基本一致（图2a、d），两者产品相关系数R为0.84，偏差值BIAS为0.41 K，MAE为0.92 K，相关系数通过0.05的显著性检验，表明相关性较好（图2g）；7月5日两种产品的LST大值区位于成都市、眉山市等地，巴中市、达州市较低，空间分布上基本一致（图2b、e），两者产品相关系数R为0.72，BIAS为-0.10 K，MAE为1.45 K，相关系数通过0.05的显著性检验，表明相关性较好（图2h）；10月5日两种产品的LST大值区都位于盆地中部，东北部较低，空间分布上基本一致（图2c、f），两产品相关系数R为0.75，BIAS为-1.53 K，MAE为1.58 K，相关系数通过0.05的显著性检验，表明相关性较好（图2i）。

综上，通过分裂窗算法反演的FY-3D/MERSI-Ⅱ LST与MODIS LST具有较好的相关性，可用于后续干旱监测使用。

3.2 <bold>FY-3D/MERSI-Ⅱ NDVI</bold>反演及验证

对比2022年6、7、8月FY-3D/MERSI-Ⅱ和MODIS NDVI来评估FY-3D/MERSI-Ⅱ NDVI产品的精度。2022年6月两产品NDVI值域均为0.2～1.0，两种产品的NDVI大值区基本一致（图3a、d），位于四川盆地北部，两产品相关系数R为0.56，偏差值BIAS为0.09，MAE为0.11，相关系数通过0.05的显著性检验，相关性较好（图3g）；2022年7月NDVI低值区位于成都市，盆地西部、北部较高，在空间分布上基本一致（图3b、e）。同一区域，MODIS的值更大，为两种产品本身参数算法不同导致。两产品相关系数R为0.55，BIAS为0.05，MAE为0.08，相关系数通过0.05的显著性检验，相关性较好（图3h）；2022年8月NDVI低值区位于盆地中部，南部、北部较高，在空间分布上一致（图3c、f）。两产品相关系数R为0.67，偏差值BIAS为-0.02，MAE为0.05，相关系数通过0.05的显著性检验，相关性较好（图3i）。

综上，FY-3D/MERSI-Ⅱ和MODIS反演的NDVI具有较好的相关性，可用于下一步四川盆地干旱监测使用。

4 四川盆地旱情监测及验证

4.1 <bold>FY-3D/MERSI-Ⅱ LST-NDVI</bold>干湿边方程

NDVI表征绿色植被的生长状况和覆盖信息，LST可以反映地表干湿状况，两者信息互补，为区域土壤湿度监测提供了潜力。Sandholt等^[12]研究表明，LST与NDVI存在显著的负相关，利用LST/NDVI三点特征空间可以表示该区域土壤中的水分含量。LST与NDVI散点图呈明显的梯形形状，NDVI值对应的LST最小值拟合的直线被称为“湿边”，NDVI对应的LST最大值拟合的直线被称为“干边”，干、湿边的拟合是计算TVDI关键的一步。表1为FY-3D/MERSI-Ⅱ NDVI和LST拟合的2022年6—10月四川盆地干湿边方程，2022年6—10月的干湿边散点满足梯形结构，干边斜率＜0，R²的均值为0.50，湿边斜率＞0，R²的均值为0.53，说明湿边的拟合效果相对较好，且随着NDVI上升，干边的LST会减小，湿边的LST会增加。2022年6、9、10月干边斜率大于湿边斜率，是因为土壤水分蒸发缓解了地表温度的增加，而2022年7、8月旱情最为严重，土壤水分含量较低，导致土壤水分无法缓解地表温度的增加。

4.2 <bold>FY-3D/MERSI-Ⅱ TVDI</bold>分析盆地旱情

利用干湿边方程即可得到TVDI^[12]。将干旱划分为5级^[13]，0.0＜TVDI≤0.2为湿润，0.2＜TVDI≤0.4为正常，0.4＜TVDI≤0.6为轻旱，0.6＜TVDI≤0.8为中旱，0.8＜T_VDI≤1.0为重旱^[31]。以TVDI为监测指标，通过Python得到四川盆地TVDI分布图（图4）。

由图4可知，盆地2022年6月西部边缘地区未出现旱情，其余地方都存在不同程度的旱情，重旱区主要位于成都市、资阳市、德阳市、绵阳市、广元市、南充市；7月西北部边缘地区未出现旱情，其余地方都有不同程度的旱情，大部分地区为重旱区，主要发生在泸州市、宜宾市、自贡市、南充市、乐山市东部；8月重旱区明显增大，主要位于盆地中部、东部，主要发生在广安市、南充市北部、遂宁市、资阳市、内江市、自贡市、宜宾市、泸州市；9月干旱区域有所减小，重旱区主要位于广元市、达州市、巴中市、泸州市、宜宾市、眉山市；10月旱情明显缓解，重旱区主要位于达州市、巴中市、德阳市、绵阳市。

为进一步分析四川盆地干旱情况，分析统计2022年6—10月四川盆地5种干旱等级的面积占比（表2）。四川盆地2022年6—10月旱情严重，大部分地区出现了不同程度的旱情，且都出现了重旱； 6月大部分地区出现轻度以上干旱；7月干旱的面积最大，占比达到85.95%，其中中旱面积占比达47.07%；8月旱情程度加重，重旱的面积最大，达到13.27%；9月旱情有所减弱；10月旱情明显减弱，但仍有3.45%的区域达到了重旱。

4.3 土壤墒情数据检验<bold>FY-3D/MERSI-Ⅱ TVDI</bold>

为进一步验证TVDI可靠性，利用四川盆地53个土壤水分站实测的10、20、30和40 cm土壤相对湿度为验证数据，检验FY-3D/MERSI-Ⅱ TVDI相关性。为消除空间定位误差以及消弱站点分布不均造成的误差，利用站点周围3×3个像元的平均值与对应日期的土壤墒情数据进行相关性分析。如表3所示，四川盆地2022年6—10月TVDI与10～40 cm土壤相对湿度的相关系数介于-0.65～-0.04，特别是10 cm，6—10月相关系数分别为-0.65、-0.32、-0.60、-0.46、-0.35，都通过了0.05显著性检验，呈明显的负相关，说明TVDI与10 cm的土壤相对湿度相关性较好，能够很好地反映四川盆地土壤的相对湿度，可以弥补气象站点在空间尺度上的不足，对四川盆地旱情监测有很好的参考价值。2022年7月相关性相对较低，通过分析原始资料发现，7月盆地多云雾天气，导致FY-3D/MERSI-Ⅱ LST产品数据中有效像元个数较少，采用平均值合成法生成的LST月产品部分区域地温分布存在一定的误差，使得LST-NDVI拟合的干边R²较低，影响了7月TVDI反演精度。

5 讨论

（1）本文利用FY-3D/MERSI-Ⅱ传感器数据实现2022年6—10月四川盆地旱情的监测与分析。在实现过程中，利用FY-3D/MERSI-Ⅱ波段数据反演得到FY-3D/MERSI-Ⅱ NDVI和LST产品，为验证两种产品的反演精度，利用MODIS同类型产品数据进行对比，由于前期数据处理时，仅利用CDI指数对FY-3D产品进行了简单的去云处理，未将云像元剔除干净，后续将对去云方面进行更加深入的机理性研究。

（2）干旱的成因受多种要素影响，是个极为复杂的过程，本文没有综合考虑地表植被类型、人为灌溉等因素影响，后续还将把植被类型、地表地貌结合进行研究。

（3）本研究选取的土壤相对湿度数据受站点分布影响，数据非常有限，后续可以增加温度、降水等多种气象要素进行验证分析，更好地对TVDI进行验证，探究FY-3D/MERSI-Ⅱ在四川盆地的适用性。

6 结论

本文结合FY-3D/MERSI-Ⅱ NDVI产品和分裂窗算法反演的LST产品，利用MODIS同类产品数据为验证数据，以TVDI为监测指标，对四川盆地2022年6—10月旱情的时空分布特征进行监测分析，并利用四川盆地数据具有代表性的53个土壤水分站实测的土壤墒情数据为验证数据，分析评估FY-3D/MERSI-Ⅱ TVDI在四川盆地旱情监测中的精度，得到以下结论。

（1）FY-3D/MERSI-Ⅱ NDVI和通过分裂窗算法得到的LST与MODIS NDVI、LST在四川盆地具有很好的相关性，两种产品的相关系数通过了0.05的显著性检验，分布较一致，可用于四川盆地干旱监测中使用。

（2）拟合FY-3D/MERSI-Ⅱ TVDI可知，四川盆地2022年6—10月旱情严重，大部分地区出现了不同程度的旱情，并都出现了重旱； 7月干旱的面积最大，占比达到85.95%，其中中旱面积占比达47.07%；8月旱情程度加重，重旱的面积最大，达到13.27%；10月旱情明显减弱，但仍有3.45%的区域达到了重旱。盆地西部高海拔地区旱情相对较轻，其余大部分地方旱情严重，其中成都市、泸州市、宜宾市、自贡市、南充市等地旱情最为突出。

（3）通过FY-3D/MERSI-Ⅱ TVDI精度验证可知，TVDI与10～40 cm土壤相对湿度相关系数介于-0.65～-0.04，相关性较好。特别是10 cm，6—10月相关系数分别为-0.65、-0.32、-0.60、-0.46、-0.35，均通过了0.05的显著性检验，呈明显的负相关，表明FY-3D/MERSI-Ⅱ TVDI能够很好地反映表层土壤的相对湿度，可以用来弥补四川盆地气象站点在旱情监测空间尺度上的不足，对四川盆地旱情监测有很好的参考价值。

参考文献

[1] 周广胜.气候变化对中国农业生产影响研究展望[J].气象与环境科学,2015,38(1):80-94.

[2] ZHOU Guangsheng.Research prospect on impact of climate change on agricultural production in China[J].Meteorological and Environmental Sciences,2015,38(1):80-94.(in Chinese)

[3] 李茂松,李森,李育慧.中国近50年旱灾灾情分析[J].中国农业气象,2003,24(1):7-10.

[4] LI Maosong, LI Sen, LI Yuhui.Studies on drought in the past 50 years in China[J].Chinese Journal of Agrometeorology,2003,24(1):7-10, .(in Chinese)

[5] 赵莉荣,武伟,刘洪斌,等.基于温度植被干旱指数法的农业干旱研究[J].西南师范大学学报(自然科学版),2009,34(2):80-84.

[6] ZHAO Lirong, WU Wei, LIU Hongbin,et al.Research on agricultural drought based on temperature／vegetation dryness index analysis[J].Journal of Southwest China Normal University (Natural Science Edition),2009,34(2):80-84.(in Chinese)

[7] 隋洪智,田国良,李付琴.农田蒸散双层模型及其在干旱遥感监测中的应用[J].遥感学报,1997,1(3):220-224.

[8] SUI Hongzhi, TIAN Guoliang, LI Fuqin.Two-layer model for monitoring drought using remote sensing[J].Journal of Remote Sensing,1997,1(3):220-224.(in Chinese)

[9] 沙莎,郭铌,李耀辉,等.我国温度植被旱情指数TVDI的应用现状及问题简述[J].干旱气象,2014,32(1):128-134.

[10] SHA Sha, GUO Ni, LI Yaohui,et al.Introduction of application of temperature vegetation dryness index in China[J].Journal of Arid Meteorology,2014,32(1):128-134.(in Chinese)

[11] 曹广真,侯鹏,范锦龙,等.TM与MODIS植被供水指数反演及对比分析[J].遥感技术与应用,2010,25(1):63-68.

[12] CAO Guangzhen, HOU Peng, FAN Jinlong,et al.VSWI retrieved and compared between TM and MODIS[J].Remote Sensing Technology and Application,2010,25(1):63-68.(in Chinese)

[13] 杨世琦,易佳,罗孳孳,等.2006年重庆特大干旱期间的遥感监测应用研究[J].中国农学通报,2010,26(23):325-330.

[14] YANG Shiqi, YI Jia, LUO Zizi,et al.The application of remote sensing monitoring during severe drought in 2006 summer in Chongqing[J].Chinese Agricultural Science Bulletin,2010,26(23):325-330.(in Chinese)

[15] 莫伟华,王振会,孙涵,等.基于植被供水指数的农田干旱遥感监测研究[J].南京气象学院学报,2006,29(3):396-401.

[16] MO Weihua, WANG Zhenhui, SUN Han,et al.Remote sensing monitoring of farm land drought based on vegetation supply water index[J].Journal of Nanjing Institute of Meteorology,2006,29(3):396-401.(in Chinese)

[17] 吕潇然,尹晓天,宫阿都,等.基于植被状态指数的云南省农业干旱状况时空分析[J].地球信息科学学报,2016,18(12):1634-1644.

[18] Xiaoran LYU, YIN Xiaotian, GONG Adu,et al.Temporal and spatial analysis of agricultural drought in Yunnan Province based on vegetation condition index[J].Journal of Geo-Information Science,2016,18(12):1634-1644.(in Chinese)

[19] 沙莎,郭铌,李耀辉,等.植被状态指数VCI与几种气象干旱指数的对比——以河南省为例[J].冰川冻土,2013,35(4):990-998.

[20] SHA Sha, GUO Ni, LI Yaohui,et al.Comparison of the vegetation condition index with meteorological drought indices:a case study in Henan Province[J].Journal of Glaciology and Geocryology,2013,35(4):990-998.(in Chinese)

[21] Moran M S, Clarke T R, Inoue Y,et al.Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J].Remote Sensing of Environment,1994,49(3):246-263.

[22] 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..

[23] 张德军,杨世琦,王永前,等.基于风云3卫星数据的温度植被干旱指数在重庆地区的应用[J].高原山地气象研究,2017,37(4):40-47.

[24] ZHANG Dejun, YANG Shiqi, WANG Yongqian,et al.Application of temperature vegetation dryness index to drought monitoring in Chongqing based on FY－3 data[J].Plateau and Mountain Meteorology Research,2017,37(4):40-47.(in Chinese)

[25] 吴黎,解文欢,张有智,等.基于温度植被干旱指数的黑龙江省20年干旱时空特征研究[J].水土保持研究,2022,29(5):358-363.

[26] WU Li, XIE Wenhuan, ZHANG Youzhi,et al.Research of drought characteristics in Heilongjiang Province nearly 20 years based on temperature vegetation dryness index by remote sensing[J].Research of Soil and Water Conservation,2022,29(5):358-363.(in Chinese)

[27] 康尧,郭恩亮,王永芳,等.温度植被干旱指数在蒙古高原干旱监测中的应用[J].应用生态学报,2021,32(7):2534-2544.

[28] KANG Yao, GUO Enliang, WANG Yongfang,et al.Application of temperature vegetation dryness index for drought monitoring in Mongolian Plateau[J].Chinese Journal of Applied Ecology,2021,32(7):2534-2544.(in Chinese)

[29] 姚丹丹,苗放,陈军.基于MODIS的四川省干旱遥感监测不同方法的比较[J].湖北农业科学,2015,54(9):2097-2101.

[30] YAO Dandan, MIAO Fang, CHEN Jun.Comparative research on different methods of drought remote sensing monitoring based on MODIS in Sichuan Province[J].Hubei Agricultural Sciences,2015,54(9):2097-2101.(in Chinese)

[31] 郑然,陈丽娟,李维京,等.四川盆地夏季降水年际变化的主模态分析[J].大气科学,2022,46(6):1454-1468.

[32] ZHENG Ran, CHEN Lijuan, LI Weijing,et al.Interannual variation of the leading modes of summertime precipitation in the Sichuan Basin[J].Chinese Journal of Atmospheric Sciences,2022,46(6):1454-1468.(in Chinese)

[33] 徐裕华.西南气候[M].北京:气象出版社,1991:298.

[34] XU Yuhua.Climate of southwest China[M].Beijing:China Meteorological Press,1991:298.(in Chinese)

[35] 白莹莹,张焱,高阳华,等.四川盆地降水变化的区域差异[J].地理科学,2011,31(4):478-484.

[36] BAI Yingying, ZHANG Yan, GAO Yanghua,et al.Spatial differences of precipitation over Sichuan Basin[J].Scientia Geographica Sinica,2011,31(4):478-484.(in Chinese)

[37] 田宏,徐崇浩,彭骏,等.四川盆地干旱动态评估指标的研究[J].气象,1998,24(4):12-16.

[38] TIAN Hong, XU Chonghao, PENG Jun,et al.A study on the consecutive estimation index of drought in Sichuan Basin[J].Meteorological Monthly,1998,24(4):12-16.(in Chinese)

[39] TANG Kai, ZHU Hongchun, CHENG Yu,et al.Destriping and evaluating FY-3D MERSI-2 data with the moment matching method based on synchronous reference image[J].Journal of Applied Remote Sensing,2020,14(4):046517.

[40] 郑伟,陈洁,唐世浩,等.基于FY-3D/MERSI-Ⅱ远红外数据的火情监测研究[J].红外与毫米波学报,2020,39(1):120-127.

[41] ZHENG Wei, CHEN Jie, TANG Shihao,et al.Fire monitoring based on FY-3D/MERSI-Ⅱ far-infrared data[J].Journal of Infrared and Millimeter Waves,2020,39(1):120-127.(in Chinese)

[42] WANG Han, MAO Kebiao, MU Fengyun,et al.A split window algorithm for retrieving land surface temperature from FY-3D MERSI-2 data[J].Remote Sensing,2019,11(18):2083.

[43] 田国良.热红外遥感[M].北京:电子工业出版社,2006:278-331.

[44] TIAN Guoliang.Thermal remote sensing[M].Beijing:Publishing House of Electronics Industry,2006:278-331.(in Chinese)

[45] 覃志豪, ZHANG Minghua, Karnieli A,等.用陆地卫星TM6数据演算地表温度的单窗算法[J].地理学报,2001,56(4):456-466.

[46] QIN Zhihao, ZHANG Minghua, KARNIELI A,et al.Mono-window algorithm for retrieving land surface temperature from Landsat TM6 data[J].Acta Geographica Sinica,2001,56(4):456-466.(in Chinese)

[47] 覃志豪, Karnieli A.用NOAA-AVHRR热通道数据演算地表温度的劈窗算法[J].国土资源遥感,2001(2):33-42.QINZhihao,KarnieliA.Split window algorithms for retrieving land surface temperature from NOAA-AVHRR data[J].Remote Sensing for Natural Resources,2001(2):33-42.(in Chinese)

[48] Ottle C, Stoll M.Effect of atmospheric absorption and surface emissivity on the determination of land surface temperature from infrared satellite data[J].International Journal of Remote Sensing,1993,14(10):2025-2037.

[49] 张德军,杨世琦,祝好,等.重庆市主城都市区热岛效应定量评估[J].应用气象学报,2023,34(1):91-103.

[50] ZHANG Dejun, YANG Shiqi, ZHU Hao,et al.Quantitative evaluation of heat island effect in Chongqing metropolitan circle[J].Journal of Applied Meteorological Science,2023,34(1):91-103.(in Chinese)

[51] ZHANG Dejun, YANG Shiqi, SUN Liang,et al.Retrieval of land surface temperature from FY3D MERSI-Ⅱ based on re-fitting Split Window Algorithm[J].European Journal of Remote Sensing,2022,55(1):1-18.

[52] WANG Han, MAO Kebiao, MU Fengyun,et al.A split window algorithm for retrieving land surface temperature from FY-3D MERSI-2 data[J].Remote Sensing,2019,11(18):2083.

[53] 于维,柯福阳,曹云昌.基于MODIS＿TVDI/GNSS＿PWV的云南省干旱特征时空分析[J].自然资源遥感,2021,33(3):202-210.

[54] YU Wei, KE Fuyang, CAO Yunchang.Spatial-temporal analysis of drought characteristics of Yunnan Province based on MODIS_TVDI/GNSS_PWV data[J].Remote Sensing for Natural Resources,2021,33(3):202-210.(in Chinese)

基金资助

川东北强天气研究南充市重点实验室科技发展基金项目(NCQXKJ202308)