植被遥感

第 7 章 植被遥感

植被是生长于地球表层的各种植物类型的总称，在地球系统中扮演着重要的角色，它是地球表层内重要的再生资源。植被是全球变化中最活跃、最有价值的影响要素和指示因子。植被影响地气系统的能量平衡,在气候、水文和生化循环中起着重要作用,是气候和人文因素对环境影响的敏感指标。

因此,地球植被及其变化一直被各国科学家和政府所关注。卫星遥感是监测全球植被的有效手段,卫星从太空遥视地球,不受自然和社会条件的限制,迅速获取大范围观测资料,为人类提供了监测、量化和研究人类有序活动和气候变化对区域或全球植被变化影响的可能。

植被遥感研究的主要内容：

（1）通过遥感影像从土壤背景中区分出植被覆盖区域，并对植被类型进行划分，区分是森林还是草场或者农田，进而可以问是什么类型的森林，什么类型的草场，什么样的农作物，如此等等。

（2）能否从遥感数据中反演出植被的各种重要参数，例如叶面积指数（LAI）、叶子宽度、平均叶倾角、植被层平均高度、树冠形状等等，这一类问题属于更深层次的遥感数据定量分析方法与反演技术。

（3）能否准确的估算出与植被光合作用有关的若干物理量，例如植被表面水分蒸腾量、光合作用强度（干物资生产率）、叶表面温度等。

关于植被资源的清查与分类方面以已取得了较为突出的成绩，后两个问题正是植被遥感所要研究的问题，虽已取得了相当的进展，但到成熟仍需时日。

7.1 植物的光谱特征

植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。同时，不同的植物各有其自身的波谱特征，从而成为区分植被类型、长势及估算生物量的依据。

7.1.1 健康植物的反射光谱特征

健康植物的波谱曲线有明显的特点（图7.1），在可见光的0.55µm附近有一个反射率为10％~20％的小反射峰。在0.45µm和0.65µm附近有两个明显的吸收谷。在0.7~0.8µm是一个陡坡，反射率急剧增高。在近红外波段0.8~1.3µm之间形成一个高的，反射率可达40％或更大的反射峰。在1.45µm，1.95µm和2.6~2.7µm处有三个吸收谷。

图7.1绿色植物有效光谱响应特征

7.1.2 影响植物光谱的因素

影响植物光谱的因素除了植物本身的结构特征，同时也受到外界的影响。外界影响主要包括季节的变化，植被的健康状况，植物的含水量的变化，植株营养物质的缺乏与否等等。但外界的影响总是通过植物本身生长发育的特点在有机体的结构特征反映出来的。

从植物的典型波谱曲线来看，控制植物反射率的主要因素有植物叶子的颜色、叶子的细胞构造和植物的水分等。植物的生长发育、植物的不向种类、灌溉、施肥、气候、土壤、地形等因素都对有机物的光谱特征发生影响，使其光谱曲线的形态发生变化。

叶子的颜色 植物叶子中含有多种色素，如叶青素、叶红素、叫黄素、叶绿素等，在可见光范围内，其反射峰值落在相应的波长范围内(图7.2)。

图 7.2不同颜色叶子的反射光谱

叶子的组织构造 绿色植物的叶子是由上表皮,叶绿素颗粒组成的栅栏组织和多孔薄壁细胞组织（海绵组织）构成。叶绿素对紫外线和紫色光的吸收率极高，对蓝色光和红色光也强烈吸收，以进行光合作用。对绿色光部分则部分吸收，部分反射，所以叶子呈绿色，并形成在0.55µm,附近的一个小反射峰值，而在0.33µm~0.45µm及0.65µm附近有两个吸收谷。

叶子的多孔薄壁细胞组织（海绵组织）对0.8µm~1.3µm的近红外光强烈地反射，形成光谱曲线上的最高峰区。其反射率可达40％，甚至高达60%，吸收率不到15％。

叶子的含水量叶子在1.45µm、1.95µm和2.6~2.7µm处各有一个吸收谷，这主要由叶子的细胞液、细胞膜及吸收水分所形成。

植物叶子含水量的增加，将使整个光谱反射率降低（图7.3)，反射光谱曲线的波状形态变得更为明显，特别是在近红外波段，几个吸收谷更为突出。

图7.3水分含量对玉米叶子反射率的影响

在近年随着高光谱遥感的兴起而发展起来的光谱数据分析技术中，植被“红边”位移现象是研究最多、成效显著的成果之一。“红边”定义为反射光谱的一阶微分最大值所对应的光谱位置，通常位于0.68~0.75µm之间。当绿色植物叶绿素含量高，生长旺盛时，“红边”会向波长增加的方向偏移，称“红移”。当植物由于受金属元素“毒害”、感染病虫害、污染受害或者缺水缺肥等原因而“失绿”时，则“红边”会向波长短的方向移动，称“蓝移”。因此，根据“红边”位移量可以精确地估计叶绿素含量或探测叶片的生化组分。其实早在二三十年前，研究者就发现生长在富含Cu，Mo等重金属元素土壤上的植物，受金属元素“毒害”影响，其光谱反射特性会发生一些变化，主要表现就是红边和绿峰会向短波区偏移10nm~20nm不等（见图7.4）。这种矿化带植物光谱异常是植物遥感探矿的有用指标。

图7.4矿区红杉林反射曲线的蓝移现象

还应该指出，不同的植物种类虽然都有共同的光谱反射特性，形成很有特色的光谱反射曲线，但并不都是千树一面。实际上，不同的种属，处于不同的生长环境，其光谱反射曲线就会有许多差异，如泡桐、杨等阔叶树，枝叶繁茂，太阳辐射经过上下多层的叶面反射，上述绿色植被的光谱反射特性表现得尤为突出；杉松等针叶树，叶面积指数低，相当比重的太阳辐射穿过枝叶空隙直接投射到地面，因此植被反射总体降低，绿光区的小反射峰值也趋于平缓；草类则基本上介于两者之间。此外．不同植被类型在可见光区的反射率彼此差异小，曲线几乎重叠在一起，进入红外区，反射率的差异就扩大了，彼此容易区分。放0.8µm、1.7µm和2.3µm都是识别不同植被类型的最佳波段。

7.2 植被生态参数的估算

植被指数是遥感领域中用来表征地表植被覆盖，生长状况的一个简单，有效的度量参数。随着遥感技术的发展，植被指数在环境、生态、农业等领域有了广泛的应用。在环境领域，通过植被指数来反演土地利用和土地覆盖的变化，逐渐成为实现对全球环境变化的研究重要手段；生态领域，随着斑块水平的生态系统研究成果拓展到区域乃至全球的空间尺度上，植被指数成了空间尺度拓展的连接点；在农业领域，植被指数广泛应用在农作物分布及长势监测、产量估算、农田灾害监测及预警、区域环境评价以及各种生物参数的提取。总之，随着人们对于全球变化研究的深入，以遥感信息推算区域尺度乃至全球尺度的植被指数日益成为令人关注的问题。

7.2.1 植被指数的概念

遥感图像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的，不同光谱通道所获得的植被信息可与植被的不同要素或某种特征状态有各种不同的相关性，如叶子光谱特性中，可见光谱段受叶子叶绿素含量的控制、近红外谱段受叶内细胞结构的控制、中红外谱段受叶细胞内水分含量的控制。

再如，可见光中绿光波段0.52µm~0.59 µm对区分植物类别敏感；红光波段0.63µm~0.69µm对植被覆盖度、植物生长状况敏感等。但是，对于复杂的植被遥感，仅用个

别波段或多个单波段数据分析对比来提取植被信息是相当局限的。因而往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值——即所谓的“植被指数”。它用一种简单有效的形式来实现对植物状态信息的表达，以定性和定量地评价植被覆盖、生长活力及生物量等。

在植被指数中，通常选用对绿色植物（叶绿素引起的）强吸收的可见光红波段和对绿色植物（叶内组织引起的）高反射的近红外波段。这两个波段不仅是植物光谱中的最典型的波段，而且它们对同一生物物理现象的光谱响应截然相反，故它们的多种组合对增强或揭示隐含信息将是有利的。

7.2.2 植被指数的种类

由于植被光谱受到植被本身、土壤背景、环境条件、大气状况、仪器定标等内外因素的影响，因此植被指数往往具有明显的地域性和时效性。20多年来，国内外学者已研究发展了几十种不同的植被指数模型见表7-1。大致可归纳为以下几类：

比值植被指数（RVI） 由于可见光红波段（R）与近红外波段（NIR）对绿色植物的光谱响应十分不同，且具倒转关系。两者简单的数值比能充分表达两反射率之间的差异。比值植被指数可表达为：

RVI DNNIR/DNR 或 RVI NIR/ R （7-1）

式中，DN为近红外、红外段的计数值（灰度值），ρ为地表反照率。

对于绿色植物叶绿素引起的红光吸收和叶肉组织引起的近红外强反射，使其R与NIR值有较大的差异，使RVI值高。而对于无植被的地面包括裸土、人工特征物、水体以及枯死或受胁迫植被，因不显示这种特殊的光谱响应，则RVI值低。因此，比值植被指数能增强植被与土壤背景之间的辐射差异。

表7-1主要植被指数表达式一览表

因此，比值植被指数能增强植被与土壤背景之间的辐射差异。土壤一般有近于1的比值，而植被则会表现出高于2的比值。可见，比值植被指数可提供植被反射的重要信息，是植被长势、丰度的度量方法之一。同理，可见光绿波段（叶绿素引起的反射）与红波段之比G/R，也是有效的。比值植被指数可从多种遥感系统中得到。但主要用于Landsat的MSS、TM和气象卫星的AVHRR。

RVI是绿色植物的一个灵敏的指示参数。研究表明，它与叶面积指数（LAI）、叶干生物量（DM）、叶绿素含量相关性高，被广泛用于估算和监测绿色植物生物量。在植被高密度覆盖情况下，它对植被十分敏感，与生物量的相关性最好。但当植被覆盖度小于50%时，它的分辨能力显著下降。此外，RVI对大气状况很敏感，大气效应大大地降低了它对植被检测的灵敏度，尤其是当RVI值高时。因此，最好运用经大气纠正的数据，或将两波段的灰度值（DN）转换成反射率（ρ）后再计算RVI，以消除大气对两波段不同非线性衰减的影响。

归一化植被指数（NDVI） 归一化指数（NDVI）被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值。即：

NDVI (DNNIR DNR)/(DNNIR DNR)或NDVI ( NIR R)/( NIR R)（7-2） 实际上，NDVI是简单比值RVI经非线性的归一化处理所得。在植被遥感中，NDVI的应用最为广泛。它是植被生长状态及植被覆盖度的最佳指示因子，与植被分布密度呈线性相关。因此又被认为是反映生物量和植被监测的指标。

经归一化处理的AVHRR的NDVI，部分消除了太阳高度角、卫星扫描角及大气程辐射的影响，特别适用于全球或各大陆等大尺度的植被动态监测。这是因为，对于陆地表面主要覆盖而言，云、水、雪在可见光波段比近红外波段有较高的反射作用，因而其NDVI值为负值（＜0〉；岩石、裸土在两波段有相似的反射作用，因ρ其NDVI值近于0；而在有植被覆盖的情况下，NDVI为正值（＞0），并随着植被覆盖度增大，其NDVI值越大。可见，几种典型的地面覆盖类型在大尺度NDVI图象上区分鲜明，植被得到有效的突出。

但是，NDVI的一个缺陷在于，对土壤背景的变化较为敏感。实验证明，当植被覆盖度小于15%时，植被的NDVI值高于裸土的NDVI值，植被可以被检测出来，但因植被覆盖度很低，如干旱、半干旱地区，其NDVI很难指示区域的植物生物量，而对观测与照明却反应敏感；当植被覆盖度由25～80%增加时，其NDVI值随植物量的增加呈线性迅速增加；当植被覆盖度大于80%时，其NDVI值增加延缓而呈现饱和状态，对植被检测灵敏度下降。

实验表明，作物生长初期NDVI将过高估计植被覆盖度，而在作物生长的结束季节，NDVI值偏低。因此，NDVI更适用于植被发育中期或中等覆盖度的植被检测。

Hµete等（1988）为了修正NDVI对土壤背景的敏感提出了可适当描述土壤——植被系统的简单模型，即土壤调整后的植被指数（Soil-Adjµsted Vegetation Index），其表达式为：

SAVI DNNIR-DNR (1 L)DN DN LNIRR （7-3）

或者：

SAVI NIR- R (1 L) LR NIR （7-4）

其中，L是一个土壤调节系数，它是由实际区域条件所决定的常量，用来减小植被指数对不同土壤反射变化的敏感性。当L为0时，SAVI就是NDVI。对于中等植被盖度区，L一般接近于0.5。因子（1+L）主要是用来保证最后的SAVI值与NDVI值一样介于-1和+1之间。

在SAVI的基础上，人们又进一步发展了转换型土壤调整指数：

（7-5）

TSAVI a(NIR aR b) /(R aNIR ab)

将土壤背景值的有关参数（a，b）直接参与指数运算。

为了减少SAVI中裸土影响，发展了修改型土壤调整植被指数：

MSAVI (2NIR 1) (2NIR 1)2 8(NIR R)/2 （7-6） Major等又依据土壤干湿强度及太阳入射角的变化等，给出SAVI的3种新的形式（SAVI2，SAVI3，SAVI4）等。

实验证明，SAVI和TSAVI在描述植被覆盖和土壤背景方面有着较大的优势。由于考虑了（裸土）土壤背景的有关参数，TSAVI比NDVI对低植被覆盖有更好的指示意义，适用于半干旱地区的土地利用制图。

此外，针对不同的区域特点和不同的植被类型，人们又发展了不同的归一化植被指数。如，用于检验植被不同生长活力的归一化差异绿度指数：

NDGI (G R)/(G R) （7-7）

用于建立光谱反射率与棉花作物残余物的表面覆盖率关系的归一化差异指数：

NDI (NIR MIR)/(NIR MIR) （7-8）

差值植被指数（DVI） 差值植被指数（DVI）又称环境植被指数（EVI），被定义为近红外波段与可见光红波段数值之差。即：

DVI DNNIR DNR （7-9）

差值植被指数的应用远不如RVI、NDVI。它对土壤背景的变化极为敏感，有利于对植被生态环境的监测。另外，当植被覆盖浓密（≥80%）时，它对植被的灵敏度下降，适用于植被发育早－中期，或低－中覆盖度的植被检测。

上述的NDVI、DVI等植被指数均受土壤背景的影响大，且这种影响是相当复杂的，它随波长、土壤特征（含水量、有机质含量、表面粗糙度等）及植被覆盖度、作物排列方向等的变化而变化。

对于植被指数的主要组成波段红光和近红外光而言，叶子对红光的作用主要是吸收，而透射、反射均很小，作为背景的土壤则红光的反射较强，因此在植被非完全覆盖的情况下，冠层的红光反射辐射中，土壤背景的影响较大，且随着覆盖度的变化而变化；但近红外波段情况完全不同，叶子对近红外光的反射、透射均较高（约各占50%），吸收极少，而土壤对近红外光的反射明显小于叶的反射。因此在植被非完全覆盖的情况下，冠层的近红外反射辐射中，叶层的多次反射及与土壤的相互作用是复杂的，土壤背景的影响仍较大。

缨帽变换中的绿度植被指数（GVI） 为了排除或减弱土壤背景值对植物光谱或植被指数的影响，除了前述出现一些调整、修正土壤亮度的植被指数（如SAVI、TSAVI、MSAVI等）外，还广泛采用了光谱数值的缨帽变换技术（Tasseled Cap，即TC变换）。该技术是由K.J.Kaµth和G.S.Thomas首先提出，故又称之为K-T变换。

缨帽变换（TC）是指在多维光谱空间中，通过线性变换、多维空间的旋转，将植物、土壤信息投影到多维空间的一个平面上，在这个平面上使植被生长状况的时间轨迹（光谱图形）

和土壤亮度轴相互垂直。也就是，通过坐标变换使值被与土壤特征分离。植被生长过程的光谱图形呈所谓的“缨帽”图形；而土壤光谱则构成一条土壤亮度线，有关土壤特征（含水量、有机质含量、粒度大小、土壤矿物成分、土壤表面粗糙度等）和光谱变化都沿土壤亮度线方向产生。

缨帽变换是一种通用的植被指数，可以被用于Landsat MMS或Landsat TM数据。对于Landsat MMS数据，缨帽变换将原始数据进行正交变换，变成四维空间（包括土壤亮度指数SBI、绿色植被指数GVI、黄色成分（stµff）指数YVI，以及与大气影响密切相关的non-sµch指数NSI）。对于Landsat TM数据，缨帽植被指数由三个因子组成——“亮度”、“绿度”与“第三”（Third）。其中的亮度和绿度相当于MSS缨帽的SBI和GVI，第三种分量与土壤特征有关，包括水分状况。

K.J.Kaµth和G.S.Thomas所提出的缨帽变换（TC变换）是以陆地卫星MSS各波段的辐度亮度值作为变量。经线性变换后，组成4个新变量：

TC1 0.433MSS4 0.632MSS5 0.586MSS6 0.264MSS7

TC2 -0.290MSS4-0.562MSS5-0.600MSS6 0.491MSS7

TC3 -0.829MSS4 0.522MSS5 0.039MSS6 0.194MSS7

TC4 0.233MSS4 0.021MSS5-0.543MSS6 0.810MSS7

对于不同传感器和地区，系数是变化的。尽管这4个新波段没有直接的物理意义，但此信息与地面景物是有关连的。其中第二分量TC2表征“绿度”，它与绿色植被长势、覆盖度等信息直接相关；第一分量TC1表征“土壤亮度”，它反映土壤亮度信息；第三分量为“黄度”，无确定意义，位于TC1、TC2的右侧；第四分量无景观意义，主要为噪声（包含系统噪声和大气信息）。第（1）二分量往往集中了95%或更多的信息。因此，植被、土壤信息主要集中在由TC1、TC2组成的二维图形中。

而对于TM而言，可见光—红外6个波段数据经缨帽变换的前三个分量主要反映土壤亮度、绿度、湿度特征，第四分量主要为噪声。其中绿度指数可表示为：

TC变换既然是以各波段的辐射亮度值作为变量的，这些亮度值中包含了太阳辐射、大气辐射、环境辐射等多要素的综合信息，因而TC变换所得的图形和数值，受大气沌度、光照角度等外界条件的变化而波动。

在作物研究中，为了突出作物本身的光谱特征的动态信息，尽量排除大气环境等因素的影响，在TC变换中选用反射率来替代亮度值，将典型的缨帽变换图形进一步发展为G-转换图形，即绿度转换图形。图形中的一维是作物在红波段（R）与近红外波段（NIR）组合的绿度模型（绿度变量G），另一维是作物在0.4~1.1的平均反射率，每一种作物在由这两个变量组成的象限里均有各自独特的变化图形和不同的空间位置。

在绿度转换图形上，土壤与植被光谱特征互不相干，植被的绿度测量可排除土壤背景的干扰，一个通过植被光谱图形反映植被的生长状况，另一个通过土壤亮度线反映植被的生长条件绿度转换图形可以直接形象地反映了G、P两维变量的变化规律和植被发育过程中空间结构的变化，且信息量得到压缩。但是它缺乏时间变量。

尽管图形反映了作物生长过程，而作物生长过程本身是时间的函数，作物光谱是随时间的变化而变化的，但由于它缺乏具体的时间变量、不能描述作物生长期的长短，特别是当两种作物在图形和空间位置相近，需用时间参数加以鉴别时，该图形反映出一定的局限性。为了弥补这一不足，往往运用多时相动态资料，绘制绿度时间剖面曲线，以显示作物不同生长期中的显著差异。

张仁华等人在山东禹城试验站，对黄淮海地区小麦、玉米、大豆、棉花等四种主要作物进行整个生长期较频繁的观测，这些作物在可见光——近红外波段的反射率差异较小，难以GVI 0.2848TM1 0.2435TM2 0.5436TM3 0.7243TM4 0.084TM5 0.18TM7

区分。但是若绘制各作物的反射光谱特征的绿度转换图形和绿度时间剖面曲线。则各具特色，易于区分。

在绿度转换图形上，作物在土壤平面上开始生长，随生长阶段的发展，逐渐离开土壤平面以曲线的轨迹向绿要素区域接近，然后聚集在黄要素区，最后又以各种不同路径返回到初始的土壤平面上。原来不易区分的作物在这二维的绿度转换图形上相互差异明显，再配以绿度时间剖面曲线分析，则易于识别。可见，运用动态遥感信息和相应的动态植被指数是进行作物识别与监测的有效方法。

垂直植被指数（PVI） 垂直植被指数（PVI）是在R、NIR二维数据中对GVI的模拟，两者物理意义相似。在R、NIR的二维坐标系内，土壤的光谱响应表现为一条斜线——即土壤亮度线。土壤在R与NIR波段均显示较高的光谱响应，随着土壤特性的变化，其亮度值沿土壤线上下移动。而植被一般在红波段响应低，而在近红外波段光谱响应高。因此在这二维坐标系内植被多位于土壤线的左上方。

不同植被与土壤亮度线的距离不同。于是Richardson（1977）把植物象元到土壤亮度线的垂直距离定义为垂直植被指数（Perpendicµlar Vegetation Index）。

PVI是一种简单的欧几米得（Eµclidean）距离。表示为：

PVI (SR VR)2 (SVIR SVR)2 （7-10）

其中S为土壤反射率，V为植被反射率，R为红波段，NIR为红外波段。

PVI表征着在土壤背景上存在的植被的生物量，距离越大，生物量越大，也可将PVI定量表达为：

PVI (DNNIR b)cos DNR sin （7-11）

其中，DNNIR、DNR分别为NIR、R两波段的反射辐射亮度值；

b为土壤基线与NIR反射率纵轴的截距；

为土壤基线与R光反射率横轴的夹角。

PVI的显著特点是较好地滤除了土壤背景的影响，且对大气效应的敏感程度也小于其它植被指数。正因为它减弱和消除了大气、土壤的干扰，所以被广泛应用于作物估产。

从理论上讲，GVI、PVI均不受土壤背景的影响，对植被具有适中的灵敏度，利于提取各种土壤背景下生长的植被专题信息。其数值已扩展到TM的6维数据（除TM6热红外数据），以及AVHRR的可见光——近红外数据，并有现成的模型和成熟的图象处理算法例如：

对于MSS数据可表示为：

GVI 0.388MSS7 0.557MSS6 0.660MSS5 0.283MSS4 32

PVI 0.933MSS7 0.334MSS5 0.09

对于AVHRR数据可以表示为：

GVI 1.6225CH2 2.2978CH1 11.0656

这里应该说明的是，气象卫星AVHRR的GVI与陆地卫星MSS的GVI有极高的相关性。这就是说，尽管它们的空间分辨率、时间分辨率差异很大，但它们可以获得数据结果十分一致的GVI，两者的绿度植被指数可以相互对比，互为替代。因而中大尺度植被监测中，多时相AVHRR的GVI可以直接用以替代或填补MSS资料的空缺，更利于植被季相节律的综合分析研究。

叶面积指数LAI是指每单位土壤表面积的叶面面积比例。它对植物光合作用和能量传输是十分有意义的。

绿色植物的叶子是它进行光合作用的基本器官，叶片的叶绿素在光照条件下发生光合作用，产生植物干物质积累，并使叶面积增大。叶面积越大则光合作用越强，而光合作用越强，又使植物群体的叶面积越大，植物干物质积累越多，生物量越大。同时，植物群体的叶面积越大，植物群体的反射辐射增强。

实验证明：当作物群体LAI大于3时，其反射率可达太阳总辐射的20%；当正常稻田LAI为4时的能量透过率为太阳总辐射的23%或低于20%；对草本植物而言，叶片倾角较大，光很容易透过冠层直达底部直至土壤则当LAI高达7.5时，有5%的入射光可到达土壤表面。

可见，叶面积指数LAI，是利用遥感技术监测植被长势和估算产量的关键参数。然而，叶面积指数LAI往往是难以直接从遥感仪器获得，但是它与遥感参数—植被指数间有密切的关系，它是联系植被指数与植物光合作用的一个主要的植冠形态参数。叶面指数一般大于1，小于10，在光谱曲线中，近红外波段的反射率随叶面指数增加而增加。

外表上的和表面覆盖面积随时间发生变化，是植物和地面其它大多数地物（特别是那些与气候无关的）相区别的标志。张仁华等人（1996）在15米塔上准垂直向下测量小麦全生育期的NDVI和RVI值，并同地面所测得的叶面积指数进行全过程对比。实验证明，NDVI与RVI表达叶面积指数LAI的效果基本一致，特别是用全过程最大值相除后所得到的相对比值更为一致。其中，当覆盖度较小时，均显示出相对值偏小的现象。这是受土壤背景光谱影响的结果。

另外根据高塔遥感实验场的大量观测资料表明，植被指数NDVI或RVI与叶面积指数LAI的相关系数很高，且与LAI呈非线性函数关系。它们之间的关系可表示为：

NDVI A 1 Bexp( C LAI)

（7-13）

RVI A' 1 B'exp( C' LAI)

两者形式相似，数值对应，从这点看，两者基本等价。

式中的A、B、C及A'、B '、C '均为经验系数，可通过模拟试验获得。其中， A、 A'值是由植物本身的光谱反射确定的，不同叶形，叶倾角及散射系数造成不同的A值及A'值；

B、B'值与叶倾角、观测角有关，当叶呈水平状，则线性关系明显；当叶呈非水平状，随着LAI的增大，植被指数增大速率较慢，两者呈余弦关系，基本是线性的。C、C'值取决于叶子对辐射的衰减，这种衰减是呈非线性的指数函数变化。

LAI K 1 ln(1 C) 1 （7-14）

式中，K为作物群体消光系数，如冬小麦拔节前K≈0.28；拔节后K≈0.35。C为作物覆盖度。

VI与LAI的关系，除了随不同物候期植物生理状况的变化而变化以外，还依赖于太阳高度角和方位角变化对植冠反射的影响，以及依赖于生态系统的类型如冠层密度、下垫面类型等。

叶子生长初期，叶绿素含量与辐射能吸收间几乎直线相关，即叶绿素含量增多，蓝、红波段吸收增强，绿被段反射率降低，近红外反射率增强，植被指数增大；但当叶绿素含量增加到一定程度后，吸收率近于饱和，反射率变化小，植被指数的差异不明显，因而植物在生长旺季较难区分。

不同作物由于植土比的差异，其表达叶绿素含量的光谱模型是不同。图7.5显示小麦几种植被指数模型与叶绿素含量的时间剖面曲线的关系。

图 7.5小麦光谱组合模型和叶绿素含量的时间剖面曲线

2从图中可见，G5曲线与叶绿素含量相当吻合。实验证明，对小麦而言，G5 NIR/R

的光谱模型表达叶绿素含量最佳。其余四个绿度模型分别为：

G1 RVI NIR/R （7-15）

（7-16） G2 (NIR/R)

(NIR R)/(NIR R)

NIR R

NIR RG3 （7-17） G4 0.5（9-18）

对大豆而言，因叶子较早封垄，土壤影响较小，则G3光谱模型反映叶绿素含量最佳。 研究还表明，可以根据红边拐点对应的反射光谱值，来估计冠层叶绿素含量（Chlf），叶绿素含量增加，拐点值相应增加。V.Demarez等（2000）指出：林冠层叶绿素含量Chlf除了以红边拐点对应的波长λi来确定外，还受叶面积指数LAI、观测方向、下垫面反射和冠层结构等因素的影响。若不考虑冠层结构（如成熟林型或杆状林型等），林冠层叶绿素含量Chlf的

估计误差可达23μg/cm2。因此，需要充分考虑LAI、视角、下垫面反射、冠层结构等因素，通过BRDF模型求解冠层反射，进行森林叶绿素含量的估计。

7.2.5 植被指数与植被覆盖度的关系

植被覆盖度指植被冠层的垂直投影面积与土壤总面积之比。即植/土比。传感器所测得的反射辐射R可表示为：

R RV C RS(1 C) （7-19）

其中，RV为植被的总反射辐射，RS为土壤的总反射辐射，C为植被覆盖度，则：

C1 (R RS)/(RV RS) （7-20）

C2 ( S)/( V S) （7-21）

式中， 为植被与土壤混合光谱反射率； V、 S分别为纯植被和纯土壤宽波段反射率。 据理论推导，RVI、NDVI与植土比分别呈指数和幂函数关系，当LAI较小时，它们与植土比的变化反应不敏感。PVI与植土比呈直线相关，其对植土比的感应能力也随LAI减小而降低。就估测作物而言，PVI较为优越，但应选LAI较大的时期。

实际上，植土比和叶面积指数同时随空间而变化，因此，需综合考虑植被指数与两者的关系。

对同一地区来说，作物品种特性差异较小，作物长势越好，叶面积指数越大作物产量就越高。也就是说，作物（主指冬小麦）的理论产量与抽穗期叶面积指数呈很好的直线相关关系。因此，可以将一个地区的平均叶面积指数（LAI）与该地区植土比（KW）的乘积（LK）作为该地区作物总产的线性相关因子。

7.2.6 植被指数与生物量的关系

以上讨论了植被指数与叶面积指数、植被覆盖度的相关性。尽管不同的植被指数与LAI、植被覆盖度的相关性大小不同，但总体看来，这种相关性是明显的。

生物量指的是植物组织的重量。它是由植物光合作用的干物质积累所致。显然，叶面积指数LAI与植被覆盖度均是生物量的重要指标，它们都与植被指数相关。关于植被指数与生物理的定量关系，将在下面的“作物估产”部分作详细论述。这里仅讨论植被条件指数与植被覆盖度、生物量的关系。

由NOAA/AVHRR数据获得的植被条件指数VCI被定义为：

VCI (NDVI NDVImed)/(NDVImax NDVImin) （7-22） 式中，NDVI、NDVImax、NDVImed、NDVImin分别为平滑化后每周（7天）的NDVI以及它的多年最大值、中值、最小值（以象元为计算单元）。

Anatoly等（1990）曾对干湿两种气候条件和不同生态区（高程与NDVI值不同），运用NOAA/AVHRR数据获得的植被条件指数VCI来估算植被覆盖度以及草场与作物生产力，并通过大量地面实测数据来验证遥感估算的结果。

研究结果表明，用植被条件指数VCI对植被覆盖度的估算误差＜16%，低覆盖区误差更小；且VCI与实测的植被覆盖度相关性较高（相关系数约0.76）。因此，用遥感卫星数据所获得的植被条件指数VCI方法，来定量估算大面积植被覆盖度和生物量是有效的。

7.2.7 植被指数与地表生态环境参数的关系

植被指数如NDVI常被认为是气候、地形、植被/生态系统和土壤/水文变量的函数。从概念上讲，可以用这些环境因子建立NDVI模型：

NDVI F(C V P S) E （7-23）

式中，C为气候子模型，V为植被/生态子模型，P为地形子模型，S为土壤/水文子模型。这些子模型又可表示为各自主因子的数：

C F1(降水、气温、日照

V F2(生态系统类型、植被类

P F3(高程、坡度、坡向

S F4(土壤持水性、肥料、透) E1 型) E2) E3 ) E4

上述的E1、E2、 E3、E4为由未考虑的环境变量或潜在的测量误差引起的模型误差。 可以看出上述模型涉及的因子很多，许多因子也难以具体化。但是由于其中一些环境变量并非完全独立，具有相关性，如日照与气温常高度相关、土壤持水性与透水性呈负相关。因此，模型可以被简化，有些变量可以由其它变量描述，则用有限的环境变量建立NDVI模型是可能的。

很显然，描述NDVI的这些环境变量均随时间/空间变化，则可以认为NDVI是个三维变量。但是对于一个特定的地理位置和一定时间尺度（如年或10年），地形子模型可认为是常量，植被/生态系统子模型及土壤/水文子模型也变化不大或基本倾向于常量。那么，应该说变化较大的是气候子模型，或者说，对一个具体时间（t），一个具体地点的NDVI主要成为相关气候变量的函数：

NDVI F(气候变量) E水性、地表水、地下水 （7-24）

7.2.8 植被指数与气候参数的关系

影响植被指数的气候参数主要指水、气温和日照，因此（9-24）式可表示为：

NDVI(t) F 降水(Tt),气温(Tt),日照(Tt) E （7-25） 式中Tt表示在具体时间t之前一段时间的某个因子的累计影响；一般说来，气温和日照是与同一年度的季节密切相关，而季节可用日期来加以描述。

因此，可用一个指定变量——日期（j），作为表示气候季节的变量，则上式可简化为：

NDVI(t) F 降水(Tt),j E （7-26）

对于一个时间分辨率为天的NDVI模型，上式的t为j ，则：

NDVI(j) F 降水(Tt),j E （7-27）

也就是说，日期为j的NDVI为降水和日期j的函数。它受日期（表征气温与日照）以及该日期前一时间段降水的影响。

Di&Rµndgµist等（1994）进一步研究了在植物缺水条件下（即干旱—半干旱环境下），植被指数NDVI与降水的关系，建立了植物生长期内降水—植被响应模型，来描述一次降水事件带来的随时间变化的NDVI响应曲线和对总的NDVI响应延续时间，以说明植被如何响应降水事件。

研究结果证实了NDVI与两三个月的累计降水有很好的相关关系：一次降水引起NDVI峰值出现，峰值出现时间约滞后15—25天。这种滞后现象可解释为降水到达植物根部，被根系吸收并田输送到叶部，并影响到叶的色素和结构所需要的时间。当然，这个响应时间是随植物生长模式、日期、土壤特性等而变化的。

不少学者（Tµcker等1985，Peters 1989，Nicholson等1990，Di 1991，Schµltz等1993）也都对NDVI与降水的关系进行研究，指出NDVI与降水空间分布及年内、年际变化有关，并建立了NDVI与降水/土壤水分含量之间的描述性/统计性关系，以说明NDVI是识别气候干旱程度的一种方法。

如Walsh（1987）的研究表明，反映Oklahoma地区气候干旱的作物水分指数（CMI）、干旱指数（PDSI）、缺水指数（HD）3个指数的空间/时间变化可以通过NOAA/AVHRR的4种植被指数来估算；Peters等（1991）的研究表明，北美半干旱的Nebraska地区NOAA/AVHRR的NDVI与干旱指数间存在统计相关。并用NDVI找出了1988年该州的干旱中心；Kogan和Sµllivan（1993）证实植被条件指数（VCI）可作为很好的干旱指标，运用长期NDVI测量所得的VCI进行全球干旱监测。

植被指数与表面温度的关系，也被许多学者研究。Nemani & Rµnning（1989）通过植被蒸腾的冠层阻力，搞清温度与NDVI有关。Smith & Choµdhµry对澳大利亚东南部地区，利用TM数据（春）和NOAA/AVHRR数据（夏），提取表面温度和NDVI，通过一个土壤——植被的表面热平衡模型，分析了农田与常绿林地的NDVI与表面温度关系。这种关系对两者是不同的。

Hope & McDowell（1992）调查高草牧区的NDVI和遥感所得的表面温度的关系，评价烧草或其它环境控制的效应。Gallo等（1993）在研究城市热岛效应时，发现由多种地表环境因子组成的城市和郊区的NDVI，与所观测的地表最小温度呈线性关系。Shigeto（1994）研究由TM数据所提取的NDVI和亮度温度及表面温度梯度之间的线性关系，并研究不同地表类型表面温度的植被效应。

7.2.9 植被指数与植物蒸发量、土壤水分的关系

一般说来，NDVI能反映植被状况，而植被状况与植被蒸发量、土壤水分有关的。对某一站点的绿色植被连续测定表明，累计的蒸发量与累计的植被指数间高度相关

Smith等（1990）对半干旱地区的研究表明，图象上测得的植被覆盖与实际地面测得的蒸发量有密切关系：Desjardins（1989、1990）的研究发现，草本植被冠层测得的CO2和H2O通量高度相关；Cihlar等（1991）通过作物生长季节每15天的NDVI、气象站点的气象数据，由土壤水分模型（VSMB、SWOM）反演计算了根系不同深度水含量以及生态、土壤等信息。在GIS支持下研究NOAA/AVHRR的NDVI与生态变量的关系以及用NDVI来估算蒸发量的可能性。

研究发现，不同的植被/土壤组合显示不同的NDVI变化轨迹，它与潜在的蒸发量（PE）

曲线的趋势密切相关。实际蒸发量（AE）与相应的NDVI间相关系数为0.77；NDVI与前15天的潜在蒸发量间相关系数为0.86；整个生长季节的累计NDVI与累计蒸发量高度相关，相关系数达0.96。

研究表明，用NDVI和潜在蒸发量（PE）可以估算15天为周期的实际蒸发量（AE），估算误差约10～15%。这个结果说明NDVI的变化轨迹可提供植物季相变化的重要信息，并能较好的估算实际蒸发量（AE）。

不少学者研究了不同的干旱—半干旱地区植被指数与土壤水分的关系，发现植被指数与各种测量所得的土壤水分有效性（availability）之间有密切的经验关系。Singh等（1988）的研究发现，植被指数与土壤水分受胁迫（Stress）的关系，依赖于植被的类型，许多研究表明，NDVI可以作为一种有用的土壤含水量指标。

Choµdhµry Golµs（1988）运用Nimbµs-7的多通道微波辐射仪（SMMR）和NOAA/AVHRR数据，由SMMR的微波数据得亮度温度和由AVHRR得植被指数NDVI，再通过降水指数（API）模型与土壤湿度进行相关分析。同时用SMMR和AVHRR的可见光—近红外数据建立土壤湿度模型（线性回归方程）得到4级土壤湿度，与不考虑植被的3级土壤湿度相比较。

Di（1991）提出用NOAA/AVHRR所得的NDVI和表面温度，以及气候数据计算区域尺度土壤水分的方法。研究结果表明，此法所得的区域土壤水分与作物水分指数（CMI）和Palmer干旱指数（PDSI）有高度相关。

7.3 灾害监测

7.3.1 病虫害监测

病虫害是农业生产的大敌，它不仅能造成减产，而且大大降低了质量。一个国家或地区，如果发生了病虫害，必须在最短的时间内了解受灾的作物（或果木）和面积。遥感技术可以随时提供情报。以便及时采取措施治理或合理安排计划。据美国农业部报告，每年由于植物病害的损失约37亿美元，由于虫害的损失约38亿美元。

松林等针叶林约占我国森林总面积的1/2，由于几乎年年都不同程度地遭受松毛虫害的侵扰，损失巨大，严重影响了我国林业的发展。由中科院遥感卫星地面站和中科院动物研究所联合研制的“森林虫害的卫星遥感监测”系统，结合卫星遥感技术和地理信息系统，在深入研究松毛虫的生态习性和遥感信息特征的基础上，依据卫星遥感信息机理，建立了虫情监测、虫灾评估的遥感信息模型，设计并实现了可执行软件包。经在南北两个试验区5年的检验、修订，达到实用化精度要求，并建立了运行系统。在遥感信息源能及时获得的条件下，可在越冬代松毛虫产生危害之前的2~3周，按1/100000图件预报轻重二级危害程度和危害面积分布。

遥感病虫害调查已有一些成功的例子。许多经验告诉我们，用近红外光谱段的彩红外片或热探测，调查病虫害的危害效果较好。

其道理，一种可能的解释是：健康叶片海绵状的叶肉组织，在其全部空间都充满了水分而膨胀时，对任何辐射能都是一种良好的反射体，对近红外波段的辐射能力也如此，间插在其间的栅状柔软网胞组织。吸收可见光中的蓝光和红光，反射绿光；当水分代谢受到妨碍，植物开始衰蔽时，叶内就逐渐毁坏，接着植物逐渐枯死，从而导致叶片对近红外辐射的反射能力减小。这种变化，在可见光部分的反射率发生改变之前的相当长一段时间内就发生了。这是因为在这段时间内，在栅状柔软网胞组织中，叶绿素的数量或质量还没有发生改变。红外波段的像片上，可以早于人的肉眼观测到病虫的危害，这对于病虫害调查和测报极其重要。

此外，树和人一样，有病的树温度升高，有时比正常温度高2.2℃。病越重的树，红外辐射越多。美国林业局有个林场试验站，在直升飞机上用红外探测装置根据树温探测病树，还研究利用这种技术在人造卫星上进行探测的可能性。试验表明：在凌晨，用8~14μm波段的红外探测装置能发现病树和健康树之间的显著温度差别。红外探测器把红外辐射送入数字计数器，后者与电视摄像机及录像带连在一起，可在电视屏幕上显示树顶的图像和树的温度。录像带可用于研究。

作物长势差的区域从遥感图像上能够识别出来。果园中，绝大部分果树都有大小一致的冠幅，如果其中一片的冠幅从周围向中心逐渐变小、肯定就有某种病害发生了。

造成近红外波段反射减少的危害因子很多，有病虫害、日灼、冻害、矿物质营养缺乏、毒害、早、涝等。判读像片时，要结合地面情况校核。

遥感技术现用于寄主植物生态学、病虫防治措施和效果评价三个领域。

对寄主植物病虫害季节性数量变化与分布范围的遥感调查，不仅能比田间调查省时省钱，而且，提早发现就能在灾害并不严重时开始防治，这样，既减少用药量，又减轻了农药对环境的污染，还保护了作物或林果。遥感调查有助于制订合理的大范围控制计划，提供国境地区最易受害作物和果林的病虫害信息以及进入途径。如桔黑刺粉虱是柑桔的危险害虫，经常从得克萨斯州柑桔生产区越过墨西哥边界。墨西哥的桔实蝇威胁得克萨斯州与加里福尼亚州的柑桔。美国农业部植保局释放不孕蝇控制进入加里福尼亚州的桔实蝇，用防治前后的红外片估计防治措施的效果。

7.3.2 森林火灾监测

随着社会的发展，人们日益关注森林、草场火灾及季节性燃烧对气候和经济的影响，迫切需要对其进行监测。1998年，全球火灾监测中心（Global Fire Monitoring Center，简称GFMC）成立，其主要目的是让世界各国通过Internet分享其火灾监测的成果，发展和规范全球火灾监测的方法，并为其它科学组织提供各种火灾监测产品。

采用航空监测火灾的手段是不经济的，而且也难以覆盖所有地区。自有了对地观测卫星，这种大范围乃至全球的火灾监测成为可能。星载扫描幅宽、每天覆盖全球的高温传感器，是提供大面积火情监测高效、经济的主要手段。

火对生物圈有着极其重要的影响力。火是许多陆地生态过程中的一个重要过程；同时，生物燃烧时释放出的气体和颗粒物对发生在大气中的物理和化学过程有重要影响。火对于热带大草原、北部森林和苔原环境区有着深远的影响，并且是热带和亚热带森林毁坏的主要制造者。此外，一些零星的很强的火也出现在许多森林、草场和荒原等生态群落。监测森林大火发生的位置和燃烧范围以及与此有关的影响是全球变化研究计划的重要组成部分。

森林火灾是森林的首要大害，全世界因火灾造成的损失约1‰。利用遥感技术监测火灾在国外其始于60年代初期的航空热红外探测。目前用于林火监测的主要有热红外数据、TM数据和NOAA/AVHRR数据。

热红外受大气窗口的局限，目前主要应用3~5 m波段和8~14 m波段这两个大气窗口，这与一般认为林火温度在600~900K之间，其峰值波在3.22~4.83 m相吻合。因此3~5 m波段是监测林火的最佳波段。由3~5 m波段的扫描图像，能清楚地显示火点，火线的形状、大小和位置，对于特别小的隐火、残火有较强的识别能力。

当林火火焰温度达到1300K左右时，其辐射峰值2.233~5 m正处在TM7（2.08~2.35 m）的光谱响应范围，故TM影像能监测林火温度很高的特大林火灾害，TM6（9.8~12.6 m）在夜间能提供热图像，对暗火、残火有一定的探测作用。另外，TM资料有丰富的植物长势信息和其它地物信息，对林火灾害后评估有很好的作用。

气象卫星用于林火监测覆盖面积大，发现火灾及时，而且能积累火灾发生、发展的整个过程，具有敏感度高、时效好、快速、成本低的优点。其中可见光通道（CH1：0. 58~0.65 m）图像清晰反映林火烟尘信息；近红外通道（CH2：0.725~1.1 m）反映过火林地信息，也能反映烟尘信息；CH1和CH2图像组合可用于火区和周边林地，以及林火前后比较分析；中红外通道（CH3：3.55~3.95 m）图像反映林火高温区的分布；热红外通道（CH4：9. 3~11.3 m； CH5：11.5~12.5 m）图像反映地表常温范围的温度，因此能反映林火燃烧区和过火区。

自对地观测卫星业务化运行以来，许多国家在火灾监测中都取得了许多成果，为全球环境和灾害监测作出了重要贡献。

美国是利用卫星进行火灾监测的最早国家，目前用多种卫星资料开展火灾监测，如NOAA/AVHRR，GOES，EOS/MODIS、国防气象卫星等。目前对全球公开的产品主要是由EOS/MODE生成的火灾监测产品，包括日产品、8天合成产品，10km和50km月格点统计产品等，后者适用于全球气候模式应用。

MODIS对10×10km及0.5º×0.5º两种火灾产品进行火灾分级，其主要参考标准是4μm通道的亮温。火灾分级标准见表7-2。过火面积的估算是根据1km分辨率的8天和月平均产品来计算得到。

表7-2 MODIS火灾产品分级标准

加拿大科研人员利用卫星遥感数据，结合常规火灾观测资料，对其国内30年森林草场火灾发生频率和过火面积进行了统计，发现由人类活动引起的火灾比诸如闪电等引起的火灾次数稍多一些。但由自然引起的火灾，其燃烧面积相比之下要大得多。

中国气象局国家卫星气象中心于1985年开始利用NOAA/AVHRR资料开展森林草场火灾监测业务研究工作，并于1986年4月13日首次监测到内蒙古草原火灾。同年开始向有关部门进行监测服务。经过有关科技人员的不懈努力，边服务边研究，火灾监测水平不断提高。先后开发了多通道火情监测彩图色合成图，火点精确定位，火点自动识别，子像元火点面积估算，过火面积计算等技术，并结合地理信息系统，对火点性质（林区火、草原火或农田火）和所处行政区划进行自动判识。目前，对火灾监测专题图像和报告的制作在卫星资料接受后半小时内即可完成，并及时发往有关部门，为扑灭大火赢得时间。自开展森林草场火灾监测业务以来，每年向森林、草场防火部门提供2000多个火点信息，每次重大火情都得到实时监测。让人们记忆犹新是1987年5月发生在东北大兴安岭的特大森林大火，在大火燃烧的26天中，卫星监测的火灾信息为扑灭大火起到了极其重要的作用。

何建邦等（1994）以NOAA/AVHRR为主要信息源，运用人工神经网络方法和智能化的专家系统相结合，建立林火信息提取的方法，在西南重点林区成功地解决了林火的识别问题，报准率和定位精度都有大幅度提高。另外，以航空遥感彩色红外影像为主要信息源，形成计算机图像处理、林火热点特征提取的技术方法，能准确地区分工业用火、生活用火和林火，识别最小的林火面积在1平方米左右，并可输出林火区的面积和强度。高世忠等（1996）选择多时相的TM影像数据为主要信息源，以SPOT、MSS数据和彩色红外航空相片为辅助资

料，在横断山中段的攀西林区云南松林一系列旧火烧迹地，进行了更新恢复和生态变化的遥感调查，对各生态因子的空间分布特征及生态变化的影响规律进行分析，利用遥感信息，以及地形、土壤、林分和林火受害程度等要素建立森林火灾后生态变化遥感监测评价模型。1999年山区吕梁地区，4月9日的TM图像上清楚可看到暗红色斑块状景象，利用旧一化植被指数（TM4-TM3）/（TM4+TM3），与火烧前的TM图像相比，即可证明暗红色斑块状物为火烧过的迹地。因而利用TM数据，对研究区域进行归一化植被指数的求算，即可探测林火的位置及范围。

7.3.3 旱灾监测

干旱是目前世界普遍关心的重大问题，第三世界大多数国家都受到干旱的严重威胁。由于环境进一步恶化，科学家们预测近50年世界某些地方将进一步干旱。我国每年都有干旱发生。据不完全统计，我国各种受灾面积中，旱灾占61%，水灾占24%，冰雹灾占9%，霜冻灾占6%。国家每年用于救济干旱灾害的费用达6.7亿元人民币。为了合理使用水资源，有效地抗旱救灾，必须迅速知道那里受旱，程度如何，而卫星遥感监测是一种有效方法。

（1）干旱概念及干旱指标

①干旱概念

通常干旱是指某地团长期没有降水或降水显著偏少造成空气干燥、土壤缺水甚至干涸的现象。

农作物是否遭到干旱的危害，要看农作物吸收和蒸发水分的平衡是否遭到破坏，它的正常生理活动是否遭到损害。因此，从农业生产的角度看，干旱的发生是一个很复杂的过程，它受到多种因素的制约。首先是气象因素，除了降水量以外，降水的强度、气温、光照、风速也在一定程度上影响干旱的强度，其次是农业生产本身的特点，这里有农林牧结构、耕作制度、农作物种类、生育时期以及耕作措施等等；除此以外还有某些自然地理条件，如土壤、水文、地形地貌等等；最后是社会经济条件，如灌溉条件、保持土壤水分所需要的物质条件等等。

②干旱指标

干旱指标是确定干旱是否发生以及发生干旱严重程度的一种量度。由于干旱的原因比较复杂，除了降水量持续偏少外，还与作物对水分的要求，人类补充水分亏缺的能力以及土壤持水、保水等因素有关。因此，人们从各个方面来定义干旱，确定干旱的指标。例如世界气象组织根据各国对干旱指标的研究，一共列出55个指标，这些指标可以概括为以下几个类型：降水；降水与平均温度比；土壤水分和作物参数；气候指标和蒸散量估算；综合指标。同时，干旱既然是一种“气候异常”现象，因此即便是同一个国家，不同的气候区域也会有不同的标准。中国农业气象学家，在进行干旱分析和预报时，往往使用下述干旱指标：降水量、降水相对变率、土壤水分、降水蒸发比、土壤水分收支差额。

（2）干旱遥感监测原理

从“干旱”的定义及其指标的分类中可以看出，干旱没有唯一的标准，可以从各个方面去定义，但都离不开水和植被。遥感监测干旱也基于土壤水分和植被状况。对于裸地，卫星遥感的重点是土壤含水量，对于有植被覆盖的区域，卫星遥感的重点是植被指数的变化及植被冠层蒸腾状况的变化。下面分别简述。

本文来源：https://www.bwwdw.com/article/cfch.html