本科畢業論文條件植被溫度指數在農業干旱監測中的應用Vegetationtemperatureconditionindexintheapplicationoftheagriculturaldroughtmonitoring學院（部）：測繪學院專業班級：學生姓名：指導教師：二○一四年五月十日條件植被溫度指數在農業干旱監測中的應用摘要以河套地區為研究區域，應用陸地衛星Landsat7ETM遙感數據計算出歸一化植被指數和利用單窗算法反演出地表溫度，作出歸一化植被指數NDVI與地表溫度LST的散點圖，建立基于條件植被溫度指數VTCI的土壤含水量反演模型。與此同時利用決策樹分類方法對葵花、玉米進行分類，選用條件植被溫度指數VTCI對葵花、玉米進行干旱監測。最后與同期葵花、玉米的土壤含水量地面試驗結果進行比較，評價條件植被溫度指數VTCI的精確性和可行性。驗證結果表明，VTCI模型能夠較好地實時監測的河套地區農作物的旱情。關鍵詞：條件植被溫度指數（VTCI），干旱監測，土壤含水量，反演模型，決策樹分類，單窗算法VEGETATIONTEMPERATIONCONDITIONINDEXINTHEAPPLICATIONOFTHEAGRICULTURALDROUGHTMONITORINGABSTRACTIntheHetaoareaofresearch,wecalculatethenormalizeddifferencevegetationindexandsurfacetemperaturethroughtheuseofLandsat7ETMsatelliteremotesensingdata.Next,wemakescatterplotaboutNDVIandLST,andbuildvegetationtemperatureconditionindexmodel.Atthesametime,weclassifysunflowerandcornbythedecisiontreeclassificationmethods.Furthermore,wemonitorsunflowerandcornbyvegetationtemperatureconditionindexmodel.Finally,Weevaluateofvegetationtemperatureconditionindexbycomparingtheexperimentalresultswiththesameperiodofthegroundsoilmoisturecontenttestresults.VerificationresultsshowthatVTCImodelcanmonitorthecropdroughtinhetaoarea.KEYWORDS：vegetationtemperatureconditionindex(VTCI),droughtmonitor,soilmoisturecontent,inversionmodel,decisiontreeclassification,singlewindowalgorithmTOC\o"1-3"\h\u20392摘要 I31849ABSTRACT II17111 118155 115428 1104 13231 220103 217370 29901 26658 38 45012 414085 426025 413639 4124 4191063.圖像預處理 56925 518088 512527 78128 711146 871434.演算地表溫度 931311 920617 914774 914869 1018169 1028982 1029405 116263 1222904 133900 136412 1431222 147446 1524398 1524145 1530458 1630679 17125165.5.2典型地物光譜值統計 1715936 1827216 1812450 1926969 196813 1914661 205751 22278646.1NDVI—LST散點圖概念 22202456.2條件植被溫度指數(VTCI)定義 221330 23259986.3.1NDVI—LST的散點圖數據 2312500 2327814 2430768 244290 2627884 268310 2616561 2613993 27315448.結論 2831442 284639 2820502參考文獻 2930732致謝 32干旱是一種常見的自然災害，據估計每年世界因干旱導致的經濟損失高達70億美元左右，遠遠高于了別的自然災害[1]。在我國自然災害中氣象災害占了70％，而干旱災害又占氣象災害的50％左右[2]。由于其研究對象及應用的范圍不同，通常又可將干旱分為氣象干旱、水文干旱、農業干旱、和社會經濟干旱等四種類型。一般所指的干旱監測，主要是指農業干旱的監測,即農作物在生長發育過程中由于供水不足,阻礙農作物的正常生長和發育而造成的水量供應不平衡現象。農業干旱的形成和發展與許多外部因素都相關，如降雨、溫度、農作物種植結構、水利灌溉條件、農作物的抗旱能力等。換而言之，干旱已成為制約我國農業發展的一個重要因素，以目前我國的技術水平而言，我們還無法制止干旱的發生，但是我們可以針對特定區域、特定時間、特定農作物建立合適的干旱監測指標體系，開展實時、動態、大面積、精確的農業干旱監測，評估某一區域在一段時間內的不同農作物缺水狀況，這樣我們就可以及時有效采取抗旱措施，減少經濟損失。本文主要是針對我國河套地區進行干旱監測，利用條件植被溫度指數法探討特定農作物（葵花、玉米）的旱情，為提升我國河套地區的農業干旱監測預警水平提供理論支撐和技術支持。總的來說，干旱監測對于科學指導我們合理灌溉農田和更有效地抗旱，確保農作物生產和農業發展具有重要意義。區域干旱的監測已成為當前世界的一個重要課題。世界氣象組織(1992)定義干旱為在較大范圍內相對長期平均水平而言降水減少,從而導致自然生態系統和雨養農業生產力下降。目前對于干旱研究多是基于點上的研究,而基于遙感技術則屬于面上的干旱監測,能夠充分利用地物表面的光譜、空間信息和時間序列，進行大面積的動態監測。當植物受到水分脅迫不同時，反映植被生長狀況的植被指數就會發生一定的變化，這種變化可以間接地反映土壤含水量狀況，用于判斷農作物的受旱情況。基于這個基本原理，國內外的專家和學者已經研究出了很多干旱監測方法，如水分虧缺指數法、溫度植被指數法、距平植被指數、條件植被溫度指數法等。Price(1990)在研究土壤水分蒸發量時，發現當研究區域有一定的植被覆蓋時,用遙感影像得到的地表溫度(Ts)為縱坐標和歸一化植被指數（NDVI）為橫坐標得到的散點圖上呈三角分布；Smith和Choudhury(1991)使用TM影像數據研究歸一化植被指數（NDVI）和地表溫度(Ts)之間關系時得出結論,發現了研究區域的植被覆蓋類型影響地表溫度(Ts)和植被指數（NDVI）斜率與土壤濕度的關系；Moran等(1994)在研究歸一化植被指數、地表溫度和空氣溫度之間關系時，發現歸一化植被指數、地表溫度和空氣溫度的差值組成了一個梯形,并根據它們之間的關系提出了適合部分一定植被覆蓋量的水分虧缺指數(WDI)。Goetz(1997)在研究不同分辨率的遙感影像數據時,發現在地表水分變化不是很大的情況下,歸一化植被指數（NDVI）與地表溫度之間存在著一定的關系,而且還發現這種關系主要受植被覆蓋度和土壤含水量的影響。總的來說，Price發現的三角形法對地面數據要求相對低一些，且具有較高的精度，它被廣泛應用于區域干旱監測。王鵬新等[10]綜合分析了條件植被指數、歸一化溫度指數、距平植被指數以及條件溫度指數等方法的優缺點，提出了一種新的干旱監測方法，即條件植被溫度指數(VTCI)，并探討了應用范圍和前景。在此之后，國內眾多學者開始著眼于對條件植被溫度指數的應用，陳陽等[11]在對我國云南地區進行干旱監測時中成功的使用了條件植被溫度指數法,楊鶴松等在對我國華北地區的干旱監測中也成功地使用了條件植被溫度指數法。隨后王鵬新等[13]對基于歸一化植被指數和地表溫度的干旱監測方法，如條件植被指數、距平植被指數、條件溫度指數、條件植被溫度指數等方法進行對比分析，得出一個重要結論，即條件植被溫度指數(VTCI)更適合于區域級的干旱監測。在我國，己經開始大規模開展用定量遙感反演土壤含水量進行干旱監測,而且取得了一定的成果。然而,由于我國采用定量遙感反演土壤含水量進行干旱監測起步較晚，在技術方法等方面還存在很問多題,有待學者和專家們做進一步的研究，逐漸改善方法。（1）過去對特定區域進行干旱監測時,很少研究干旱對于不同農作物的影響。因此，在今后的研究中應針對某一特定區域不同農作物進行干旱監測研究,制定特定區域不同農作物的監測指標體系，可以更有效采取抗旱措施，減少經濟損失。（2）國內外對土壤含水量監測的深度問題己經有了大量的研究,但是國內外利用遙感反演土壤含水量的深度都比較淺,在實際操作中都有一定的局限性。就目前而言，大家對于利用遙感反演土壤含水量的最佳深度的看法都不一致，有些學者專家認為土壤含水量的深度10cm左右深度比較好,還有些學者專家則認為20cm左右深度比較好。本文在這方面進行了深入的探討和研究，得出了一定的結論。（1）下載河套地區多景TM/ETM遙感影像，使用ENVI遙感影像處理軟件進行預處理。繪制河套地區的矢量圖，并對遙感影像進行正確切割。（2）利用決策樹方法和最大似然法分別對河套地區的玉米、葵花等農作物進行分類，比較和評價兩種方法的精確性和可行性，探討哪一種方法更適合對河套地區分類。（3）利用單窗算法反演出河套地區這一時期的真實地表溫度（LST）。（4）利用ENVI軟件，繪制由歸一化植被指數（NDVI）和真實地表溫度（LST）構成的散點圖，確定干邊（冷邊界）和濕邊（熱邊界），再根據地面實測數據，建立基于VTCI的土壤含水量反演模型。（5）對VTCI結果圖進行玉米和葵花分類掩膜，探討和對比這一時期河套地區的玉米和葵花兩種農作物旱情。（6）根據同期的土壤含水量地面試驗結果，評價VTCI的精確性和可行性。LandsatTM數據如圖1-1LandsatTM數據圖像預處理 圖像預處理LandsatTM5第三波段LandsatTM5第六波段LandsatTM5第四波段 LandsatTM5第三波段LandsatTM5第六波段LandsatTM5第四波段最大似然法決策樹分類 最大似然法決策樹分類 計算地表溫度LST計算歸一化植被指數NDVI計算地表溫度LST計算歸一化植被指數NDVI 決策樹分類決策樹分類地表溫度LST歸一化植被指數NDVI地表溫度LST歸一化植被指數NDVI 玉米葵花玉米葵花計算條件植被溫度指數VTCI 地面實測數據地面實測數據條件植被溫度指數VTCI條件植被溫度指數VTCI結論2結論1圖1-1技術路線圖結論2結論1 位于巴彥淖爾盟境內，橫跨巴彥淖爾盟七個旗縣（即：杭錦后旗、臨河區和烏拉特前、中、后旗、磴口縣、五原縣）及伊盟一個鄉、包頭市郊區兩個鄉、阿拉善盟一個農場。北緯40°19′-41°18′，東經106°20′-109°19′,東西長約250km，南北寬約50km，面積約25000平方公里。河套地區東至烏梁素海，南臨黃河，西與阿盟毗鄰，北達陰山山脈。河套地區地勢平坦、土地肥沃，農業人口100多萬，總土地面積1785萬畝，其中耕地面積1417萬畝，灌溉面積870萬畝，其中種植的主要農作物有玉米、葵花、甜菜、小麥等。河套地區是華北地區重要的糧食生產基地，被譽為“塞上糧倉”。河套地區屬于溫帶季風氣候區，夏季溫熱多雨，冬季寒冷干。全年平均氣溫為7.7℃，6、7、8這3個月最熱的3個月，7月平均溫度最高，達23.8℃。年極端最高氣溫38.2℃，極端最低氣溫零下41℃。氣溫年較差是33.4至37.3℃，氣溫日較差平均為13至14℃。從11月到第二年的2月這4個月的平均氣溫都在攝氏零度以下。河套地區地處干旱氣候帶，干燥少雨，降雨主要集中在7到8月,這兩個月的降雨量占全年總降雨量的56.3%。春季和冬季降雨極少，僅占全年降雨量的10%左右。河套地區。與降雨量相比較，年平均蒸發量卻高達2032mm至3179mm，比降雨量大10到30倍。總的來說，河套地區降水量少，蒸發量大，溫差大，四季分明。2011—2012年河套地區農作物地面實測數據，包括相應的土壤含水量數據、農作物發育狀況數據。數據源是2011年8月29日，軌道號129/31和129/32，Landsat7ETM數據，過境時間為當地時間10：30左右，坐標系統為WGS84，投影方式為UTM。Landsat衛星數據主要來自美國地質勘探局（簡稱USGS）和中科院對地觀測中心網站下載。Landsat7ETM的第1～5、7波段和Landsat4/5TM上的一樣，空間分辨率都是30m。Landsat7ETM第6波段的空間分辨率為60m，然而Landsat4/5TM第6波段空間分辨率是120m。由于在2003年5月31日，陸地衛星Landsat7ETM傳感器上機載掃描行校正器(SLC)產生故障，造成2003年5月31日之后獲取的ETM影像出現了數據條帶丟失。因此在對ETM影像進行預處理之前，需要對ETM影像進行條帶修復。我們主要通過使用ENVI軟件中條帶修復功能，采用插值方法對ETM圖像進行條帶修復。圖像預處理輻射定標是指將傳感器接收的遙感影像數據，通常都是灰度值（DN值），轉換成需要的物理量（如輻射亮度、反射率等）的過程。輻射定標的主要目的是為了消除不同時相遙感影像間的輻射差異，保證傳感器獲取的遙感影像的準確性。遙感圖像的輻射定標還是定量化遙感的一個重要環節,輻射定標精度不僅影響遙感影像數據的準確性,而且還關系著遙感影像數據應用的前景。ENVI輻射定標一般有兩種方式：第一種：通過使用ENVI軟件自帶的對陸地衛星landsatTM、ETM的輻射定標功能，可以自動獲取遙感影像的表觀輻亮度或反射率；第二種：在ENVI中通過使用自帶的波段運算器（bandmath)功能，手動輸入輻射定標公式就可以計算出波段表觀輻亮度或反射率，這一種比較麻煩。本文主要采用ENVI自帶的定標方式。輻射定標的主要操作步驟：（1）打開ENVI軟件，打開單波段圖像，點擊BasicTools→Preprocessing→Calibrationutilities→LandsatTM→LandsatCalibration。（2）在LandsatCalibration窗口中選擇參數:根據傳感器類型選擇Landsat7ETM,之后再輸入遙感影像獲取的時間2011年8月29日，在dataacquisitionband中選擇相應的波段，在CalibrationType選擇Radiance（輻射亮度）。幾何校正是指消除或改正遙感影像幾何誤差的過程。當遙感圖像在幾何位置上發生了變化，產生諸如行列不均勻，像元大小與地面大小對應不準確，地物形狀不規則變化等，即說明遙感影像發生幾何畸變。幾何校正通常可分為幾何粗校正和幾何精校正兩類。幾何粗校正的圖像處理工作一般都是由接收部門進行的。幾何精校正主要是根據已經發生幾何畸變的遙感影像與標準影像之間的同名點以及幾何畸變模型進行幾何校正。幾何精校正又可根據處理方式不同，分為重采樣成圖法和直接成圖法。本文以2009年9月20日，軌道號129/31及129/32，Landsat5TM四級數據為基準，分別對2011年8月29日，軌道號129/31及129/32，Landsat7ETM數據進行幾何校正。幾何校正控制點的選取原則：控制點盡可能滿幅均勻選取。特征變化大的地方要多選控制點，如河流拐點等。影像邊緣部分要選控制點。控制點要選影像上易區分、比較清晰的特征點，如道路交叉點。幾何校正的主要操作步驟：（1）用ENVI分別打開兩個視圖窗口，一張基準圖像和一張待校正圖像，點擊map→registration→SelectGCPS：ImagetoImage,然后在新彈出的窗口確定基準圖像和待校正圖像。（2）將兩幅圖像在zoom窗口的十字線焦點都對準到相同地物點的位置，然后選擇Addpoint添加點。在控制點數目選擇上，數目至少滿足(n+1)(n+2)/2個,n為多項式次數。控制點選取的越多，精確度越高，但也不能無限制的增加。（3）在GroundControlPointsSelection窗口上，點擊Showlist，就可以看到之前選擇的所有控制點,如果RMSErrors（誤差）比較大，則可以點擊Delete刪除列表中誤差較大的控制點，然后可以適當改變控制點的位置或是重新選取新的控制點。圖3-1上顯示選擇的控制點。圖3-1選取的控制點（4）在groundcontrolpoint對話框中選擇：options→warpfile(asimagetomap)，在新彈出的imput

warp

image窗口中選待校正的影像，點擊OK進入registration

parameters對話框。接下來選擇在對話框中選擇重采樣方法,選擇nearestneighbormethod（最近鄰法）。圖3-2和圖3-3是進行幾何校正后的圖像：圖3-2幾何校正后軌道號32圖像圖3-2幾何校正后軌道號32圖像由于河套地區的范圍比較廣，涵蓋了2景影像，因此，我們需要先將2景影像拼起來,再用矢量邊界文件裁剪出河套地區。在我們實際工作中，我們從網站下載得到的遙感影像通常覆蓋范圍較大的，而我們進行研究所需要的影像數據只是其中的一部分。遙感影像裁剪的目的主要是為了去除不必要的區域，節約磁盤存儲空間，減少數據處理時間。根據ENVI軟件提供的圖像裁剪功能，主要分為規則裁剪和不規則裁剪兩種方式。規則的分幅裁剪是指裁剪圖像的邊界范圍是一個矩形框，這個矩形框范圍的獲取方式包括手動輸入行列號、左上角和右下角兩點地理坐標、矢量文件和感興趣區域等。不規則的分幅裁剪是指裁剪圖像的邊界范圍是任意一個不規則的多邊形。不規則多邊形可以是從網上下載或者是我們自己繪制的矢量數據，也可以是一個我們自己用ENVI軟件繪制的感興趣區域。圖像鑲嵌是指將多幅來自同一場景的有重疊的遙感影像拼接成一幅大范圍的遙感影像的過程。圖像鑲嵌的主要步驟為：（1）打開ENVI軟件，選擇Basictools→Mosaicking→Georeferenced,,再分別輸入經過輻射定標和幾何校正后的軌道號129/31和129/32ETM遙感影像。（2）右鍵點擊后選擇EditEntry進行編輯，再分別對幅影像設置DataValuetoIgnore,設為零。（3）File→Apply,,得到鑲嵌后的圖像，如圖3-4。圖3-4鑲嵌后的圖像圖像裁剪就是指從大范圍的遙感影像中提取出感興趣目標的技術。圖像裁剪的主要步驟為：（1）File→openvectorfile，打開河套地區邊界矢量圖。河套地區的邊界從土地利用現狀圖中獲取，在ARCGIS軟件中對河套地區邊界進行人工矢量化，并轉化為多邊形的coverage文件。（2）將矢量數據轉為ROI，file→Export

Layersto

ROI→Convert

all

records

of

an

EVF

layer

to

one

ROI,點擊OK。 （3）Basic

Tools→Subset

Data

via

ROIs，然后在新彈出的窗口中選擇需要裁減的圖像，點擊OK，得出河套地區裁剪圖像，如圖3-5。圖3-5河套地區圖像演算地表溫度植被指數，廣義上是指利用衛星不同波段探測數據組合而成的，能夠定量說明植被的生長狀況。狹義上是指植被在紅光波段具有較強的吸收能力，而在近紅外波段具有較強的反射能力，通過這兩個波段觀測值不同的組合可得到不同的植被指數。影響農作物生長和產量的因素很多，主要是氣候、生產水平、土壤、天氣以及人類活動等。在這些因素中，對某一地區來說，在一段特定時間內，可以認為土壤、氣候、人類活動和生產水平處于相對不變的狀態，只有天氣發生變化，對農作物生長造成短期的影響。因此，植被指數可用于監測農作物生長發育狀況，尤其是監測區域農作物干旱。本文采用單窗算法反演地表真實溫度，而使用單窗算法的前提就是需要提取歸一化植被指數。歸一化植被指數,即在遙感影像中，近紅外波段的反射值與紅光波段的反射值之差與兩者之和的比值。歸一化植被指數(NDVI)是植被指數中最常用的一種，該指數對植物檢測靈敏度較高，而且在一定程度上能夠消除地形因子的影響，還可消弱大氣和太陽高度角所帶來的噪聲。它綜合地反映了植被類型、植被生長、生物量、植被覆蓋信息，是反映植被信息的一個重要指標。歸一化植被指數公式為：(NIR-R)/(NIR+R)（4-1）式（4-1）中，NIR為遙感影像中近紅外波段的反射值，R為遙感影像中紅光波段的反射值。提取歸一化植被指數主要步驟為：（1）在ENVI主菜單中選擇Transform→NDVI。（2）選擇需要提取歸一化植被指數的多波段圖像，點擊OK，得到歸一化植被指數圖像，如圖4-1。圖4-1歸一化植被指數圖像熱紅外遙感是指傳感器工作波段僅限于紅外波段范圍之內的遙感。由于熱輻射傳輸過程很復雜，有些波段還沒有到達傳感器就已經被大氣吸收、反射或折射，而剩下的沒有被大氣吸收、反射或折射的波段，形成了大氣窗口。大氣窗口在熱紅外譜段區間內主要是3-5m和8-14m兩個。利用熱紅外波段反演地表溫度通常有三種算法，即大氣校正法、單窗算法和通道算法(單通道、多通道、單通道多角度、多通道多角度)m，地面分辨率為120m×120m，主要接受地表的長波輻射，可以用來反演地表溫度(LST)。覃志豪等提出的單窗算法，主要使用LandsatTM\ETM第六波段數據，利用地表熱輻射傳導方程式，又考慮到大氣對熱波段傳輸過程的影響，提出一個簡單方便具有較高精度的地表溫度反演方法。如果反演地表溫度所用的方法使用的遙感影像數據只有一個熱波段窗口,則我們稱這種方法為單窗算法。絕對黑體的定義是對任何波長的電磁輻射都能全部吸收，其反射率和透射率都等于0。灰體是在任何溫度下所有各波長的輻射強度與絕對黑體相應波長的輻射強度比值不變。黑體是一種理想物體，自然界中并不存在黑體，但為了計算方便，自然界的物體可以近似看成灰體（graybody）。因此，使用單窗算法反演真實地表溫度還需要考慮比輻射率的影響。通常是通過歸一化植被指數（NDVI）獲得LSE影像估算發射率（比輻射率）。根據Owe和Griend等研究發現，實測的發射率值（比輻射率值）和歸一化植被指數（NDVI）值之間存在者一定的相關性，后來經回歸分析，得到了如下的相關方程。=1．009+0．0471*ln(NDVI)（4-2）式（4-2）中表示比輻射率,NDVI表示歸一化植被指數。其主要步驟為：（1）計算比輻射率,ENVI→Basic

Tools→Band

Math。（2）在Enter

an

expression窗口中中輸入公式1.009+0.047*alog(b1)，點擊Add

to

List。選中剛才輸入的公式，點擊OK。（3）選擇B1變量，在AvailableBandsList中選擇NDVI數據點擊OK。輸出的數據就是河套地區的比輻射率圖像，如圖4-2。圖4-2比輻射率圖像物體的亮度溫度(BrightTemperature)是指輻射出與觀測物體相等的輻射能量的黑體溫度。亮度溫度是衡量地物真實溫度的一個重要指標，但決不代表地物的真實溫度，因為亮度溫度還具有一部分大氣的影響。對于黑體而言，它的真實溫度大小就是亮度溫度值。由于LandsatTM\ETM數據第六波段光譜范圍太窄，一般利用普朗克(Plank)黑體輻射公式獲得地面物體的亮度溫度。公式如下：（4-3）式（4-3）中，L是地表在ETM數據第6波段的輻射亮度值（ETM數據第6波段經校正和圖像裁剪后的圖像）；K和K為計算常系數。其中在TM數據中，K=607．76，K=l260．56。在ETM數據中，K=666.09，K=1282.71。提取亮度溫度的主要步驟為：（1）計算亮度溫度,ENVI→Basic

Tools→Band

Math（2）在Enter

an

expression中輸入(1282.71)/alog(666.09/b1+1)，點擊Add

to

List.選擇亮度溫度計算公式，點擊OK。（3）在新彈出的窗口中，選中B1變量，在AvailableBandsList中選澤ETM第6波段的輻射亮度值（已經經過校正和裁剪的數據），點擊OK。輸出的數據就是亮度溫度，如圖4-3.圖4-3亮度溫度地表溫度通常定義為地表的皮膚溫度(SkinTemperature)。通常而言，地表由于覆蓋著土壤和各類植被，因此不是同質的，而是異質的。對于植被稀疏的地表，遙感反演所得到的地表溫度是地面、植被葉冠等溫度的混合平均值。對于植被茂密的地表，地表溫度是指植被葉冠的表面溫度。我們可以用亮度溫度來演算出真實地表的溫度，地表溫度的反演公式為T=（4-4）式（4-4）式中，表示比輻射率。提取地表溫度的主要步驟為：（1）計算地表溫度,ENVI→Basic

Tools→Band

Math。（2）在Enter

an

expression窗口中輸入公式b1/(b2^(1/4))，點擊Add

to

List。選中方才輸入的計算地表溫度公式，點擊OK。（3）選中B1變量，在AvailableBandsList中選亮度溫度，選中B2變量，在AvailableBandsList中選比輻射率，點擊OK。輸出的數據就是地表溫度，如圖4-4。 圖4-4地表溫度密度分割定義是把原始的遙感數字影像的灰度值分成相等間距的離散灰度值，并分別賦予不同的顏色。密度分割可以定量表示遙感影像的顏色特性，更有利于我們理解和分析遙感影像。密度分割的操作步驟：（1）打開地表溫度圖像，選擇Tools→ColorMapping→DensitySlice，在新彈出的窗口，點擊ClearRange按鈕清除默認區間。（2）選擇Options→AddNewRanges，添加以下四個區間：35℃以上，紅色;30℃至35℃，黃色;25℃至30℃，綠色;低于20℃，藍色。（3）在DensitySlice窗口中選擇File->OutputRangetoClassImage，可以將反演的溫度結果輸出。如圖4-5，表示的是密度分割后的河套地區真實溫度圖像。圖4-5密度分割后的河套地區真實溫度圖像遙感圖像分類,又稱遙感模式識別,是將圖像中的一個確定范圍內的所有像素根據其性質和特征劃分為不同類別的技術過程。同類地物在相同條件下具備相同或相似的光譜信息,故在遙感圖像上也表現出某種內在相似性。換句話說，同種類型的地物像素特征向量將集群在一個統一特征空間區域,而不同種類的地物因為光譜特征或空間信息等特征的不同,將分別集群在不同的特征空間區域中。遙感圖像的計算機自動分類技術,與遙感圖像的目視解譯技術相比,其目的基本是相同的,但是其達到目的的手段卻相差很多,前者主要是利用計算機模擬人腦的思維能力進行自動分類,后者則是解譯人員根據以往的經驗和專業知識進行判讀分類,是遙感解譯的基本方法。在我們實際操作中,絕大部分都是將目視解譯和計算機自動分類二者有機結合起來,彼此優勢互補，從而提高效率和精度。遙感數字圖像計算機自動分類因精度較高,適于定量分析,而且操作簡便和計算速度快,因而具有更好的應用前景。遙感圖像分類方法按照有無先驗知識,可劃分為監督分類和非監督分類兩種。監督分類和非監督分類這兩種方法都是傳統的分類方法。傳統的遙感圖像分類主要地物的光譜特征，即遙感圖像像素的相似度。監督分類是先根據已知訓練區提供的樣本，通過選擇特征參數，確定判別函數,據此對樣本像元進行分類，依據樣本像元的類別對未知樣本的所屬類別做出判定。非監督分類是在沒有先驗知識的情況下，即事先不知道類別特征，主要是根據像元間相似度大小進行歸類合并的方法。隨著遙感技術的發展和學科之間的交叉互補，許多新的理論和相鄰學科的相關理論不斷引入到遙感圖像分類中來，使遙感圖像分類的過程更趨于智能化，其精度得到了進一步提高。新興的分類方法有基于專家知識的決策樹分類、空間結構紋理分類、人工神經網絡分類、分層分類等。本文主要采用最大似然法和決策樹兩種分類方法對河套地區進行分類，最大似然法是傳統的計算機分類監督分類的一種，決策樹是新興分類方法的一種，并對這兩種方法進行比較分析，得到更適宜于河套地區的分類方法。訓練場地是從所要研究的區域內中確定包含所有要區分的類,并對每個類都具有代表性的樣本集合。對訓練樣本的要求:A．訓練樣本必須要具有一定的代表性，而且要在各類別面積相對很大大的中心部分選取，最好是在ZOOM窗口中選擇。B．訓練樣本必須要保證一定數目，但樣本個數也不是越多越好，樣本分布規律性差的類別一定要多選些,而分布規律性較好的類別就可以選少一些，節省時間和精力。C．訓練樣本必須要與所采用的分類方法要求的分布一致。繪制感興趣區樣本的步驟:(1)用ENVI打開分類圖像，RGB選擇543波段，在Display窗口的菜單中選擇Overlay→RegionofInterest。（2）彈出ROITool窗口中，在ROIName一欄單擊兩次左鍵，輸入樣本名稱：玉米，點擊Enter鍵。同時設置好顏色。（3）同時為了能更好的區分農作物，新開一個Display窗口，輸入NDVI圖像，在圖像中點擊右鍵，選擇linkDisplays，這樣還可以看到圖像的NDVI值。（4）選擇ZOOM窗口中用多邊形繪制樣本，樣本按照訓練樣本的要求選擇。（5）重復(2)~(4)步驟，樣本分別為玉米地、葵花、水體、城鎮、鹽土、沙丘、裸地。選取好的樣本如圖5-1。圖5-1選擇的樣本監督分類常用的算法有最小距離分類法、平行六面體分類法、馬氏距離分類法、神經元網絡分類法、模糊分類、最大似然法等方法。最大似然法是監督分類中應用最為廣泛的一種，又被稱為貝葉斯(Bayes)監督分類。它以條件概率密度函數為判別函數,以貝葉斯(Bayes)準則為判別方法，其分類風險相對較低，分類錯誤幾率也相對較小。最大似然法要求地物服從正態分布。最大似然法先要建立判別函數，再逐點計算各像元的歸屬概率，歸屬概率最大的為其相應類別。最大似然法主要操作步驟：（1)在ENVI主菜單下選擇Classification→Supervised→MaximumLikelihood。（2)在ClassificationInputFile面板中，選擇MaskOptions→BuildMask，打開MaskDefinition面板。選擇Options→ImportROI.單擊OK回ClassificationInputFile面板中。（3)在ClassificationInputFile面板中選擇要分類的影像，點擊OK,彈出MaximumLikelihood參數設置面板。（4)在MaximumLikelihood參數設置面板中，選擇樣本,再點擊OK，執行分類。分類后的圖像就是圖5-2。圖5-2最大似然法分類圖像決策樹（DecisionTree）又稱為判定樹，是基于傳統的監督分類和非監督分類方法建立起來的，主要是通過研究雜亂無章而又錯綜復雜的地物信息中潛在的總體規律以及各地物間相互制約、相互依存的聯系，建立起樹枝狀的結構框架，同時針對不同的地物，結合一定的專家知識和經驗，并選擇相應的輔助數據（DEM,NDVI等）和特征波段，然后根據決策樹的結構，最終將地物分級分層地逐個區分和識別出來。從圖形上看，決策樹看似一顆倒掛的樹，它是由一個根節點（地表特征大類），一系列的內部節點以及葉子節點（最后分類的各個子類）組成。每一個節點（除根節點）都有一個父節點，每一個節點（除葉子節點）也都有兩個子節點。決策樹的葉節點為類名，一個葉結點只對應一個類別屬性，但是不同的葉結點可以對應同一個類別屬性。決策樹分類規則易于理解，分類過程也比較簡單，與傳統分類方法相比較，最大的優勢就是綜合利用多源數據，不僅僅使用光譜，使分類更加精確。5.5.2典型地物光譜值統計通過ENVI軟件繪制各類別的感興區樣本，在利用EXCEL統計給歌類別樣本的光譜值（DN值），繪制出各地物的光譜統計圖。統計各個地物光譜值的信息，可以幫助了解地物的光譜特征在各個波段的差異，根據各個地物波段間的差異性設置適合的分類閾值可以用來區分地物，幫助提高分類精度。 圖5-3各類地物光譜統計圖從地物的光譜曲線可以看出，各個覆被類型的曲線形態各異。如植被在近紅外波段的反射率較高，在中紅外波段反射率較低，而水體在藍綠光波段反射率強，在其它波段反射率都較低。城鎮、裸地等、沙丘、鹽土非植被類型的光譜響應曲線和植被類型的光譜曲線有明顯差異。決策樹分類規則如下描述：玉米：ndvi>0.2,b4<54。葵花：ndvi>0.2,b4<54。水體：ndvi<0.2,0<b4<20。背景：ndvi<0.2,b4=0。巖土：ndvi<0.2,b4>20,b3>62。城鎮：ndvi<0.2,b4>20,b3<62,b4<41。沙丘：ndvi<0.2,b4>20,b3<62,b4>41,b2>53。裸地：ndvi<0.2,b4>20,b3<62,b4>41,b2<53。建立決策樹主要步驟：（1）在ENVI主菜單下選擇classification→DecisionTree→NewDecisionTree。（2)輸入決策樹規則。我們先依據歸一化植被指數值（NDVI）劃分第一個節點，將地物劃分為植被和非植被。單擊Node1，跳出對話框，Name填寫NDVI<0.2，在Expression中填寫:{ndvi}lt0.2。填寫完點擊OK之后，在新彈出的對話框給{ndvi}設定一個數據源。圖5-4就是依據地物的光譜值（DN值）繪制的決策樹。圖5-4構建決策樹規則（3）輸入完決策，在DecisionTree菜單上選擇Options→Execute，執行決策樹，樹規則，生成分類圖像，如圖5-5。圖5-5決策樹分類圖像 分類后處理包括很多方法，包括小斑點處理、分類后統計分析、精度評價、類別篩選、柵矢轉換等方法。分類后的圖像上有些地物會在部分區域不連續，表現為離散的斑點，即分類區域中有部分洞存在，所以我們需要在計算機自動分類后作小圖斑的處理。圖斑處理操作：在ENVI主菜單中，選擇Classification→PostClassification→clump遙感計算機分類后的圖像進行精度評價，從中得到一些結論，這對我們提升遙感圖像分類精度具有借鑒意義。分類精度評價可以說是判斷遙感影像計算機分類質量好壞最有效的方法。分類精度是指遙感分類結果與地面實際測量值比較，正確分類結果所占的百分比。遙感數據分類精度評價指標通常包括以下四種，總體精度、用戶精度、生產者精度及Kappa系數。總體精度，是由混淆矩陣中分類正確的像元數與總像元數的比值求得。用戶精度,該類別中參考數據和解譯后數據一致的數目除以解譯后數據認為是該類別的取樣點的總數(矩陣中該行的總和)。生產者精度,該類別中參考數據和解譯后數據一致的數目除以參考數據認為是該類別的樣點總數(矩陣中該列的總和)。Kappa系數(Congalton等1983年研究提出),主要應用于遙感圖像分類精度估計。它能夠有效地避免因像元類別的小變動而導致的生產者精度、總體精度和用戶精度的變化,是一種能夠客觀地評價分類結果質量好壞的計算分類精度的方法。分類精度評價需要真實的參考值，真實參考值有兩種來源：一是選擇近似真實的感興趣區，二是標準的分類圖。混淆矩陣精度評價操作步驟：在ENVI主菜單中，選擇Classification→PostClassification→ConfusionMatrix→UsingGroundTruthROI。混淆矩陣精度評價結果（1）最大似然法精度評價結果各類地物的分類精度如表5-1。OverallAccuracy=(3801/5379)70.6637%KappaCoefficient=0.6006表5-1最大似然法混淆矩陣精度評價生產精度用戶精度玉米葵花水體100城鎮86沙丘裸地鹽土（2）決策樹精度評價結果各類地物的分類精度如表5-2。OverallAccuracy=(5183/5379)96.3562%KappaCoefficient=0.9498表5-2決策樹混淆矩陣精度評價生產精度用戶精度玉米葵花水體100城鎮沙丘裸地鹽土（3）由分類評價結果來看，決策樹的分類精度高，達到了96%，Kappa系數也高達0.9498，比最大似然法的分類精度和Kappa系數高。從精度評價結果來看，應用最大似然法分類，精度最低為玉米，其次為葵花，精度最高的是水體，其次為巖土。最大似然法是一種基于光譜集群原理的分類方法，所以對于研究區內有較強反射能力的地物如水體、巖土的分類精度高。但是也正因為最大似然法主要是基于像元的分類，所以無法精確的區分像元有一定程度相似的地物如玉米和葵花。從最大似然法分類圖可以看到，這兩類地物“椒鹽現象”比較嚴重，分類的圖像不連續。另外，樣本的選擇也會影響分類最大似然法分類的結果。由于知識和經驗的有限，在選擇樣本的時候難免會帶有一定誤差，這也導致了分類結果精度受到一定的影響。從精度評價結果來看，與最大似然分類相比，決策樹對葵花、玉米分類精度提高了近10%，得出結論。對細碎地物的分類中，最大似然法的分類精度遠遠低于決策樹分類。總的來說，兩種分類方法對大面積連續分布的地物分類結果都較為理想，但是對細碎地物的分類中，最大似然法的分類精度遠遠低于決策樹分類。本文主要是研究對河套地區農作物的分類，基于專家知識的決策樹方法體現了無可比擬的優勢。6.1NDVI—LST散點圖概念如圖6-1所示，對于一定時期的特定區域而言，如果地面覆蓋類型由裸土到密閉植被冠層，土壤含水量從干旱到濕潤，則該區域每一個像素的歸一化植被指數（NDVI)和地表溫度(LST)構成的散點圖表現為一個梯形。對于裸土而言，地表溫度的變化與地表表層土壤含水量變化存在著一定關系。因此，在圖上點A表示干燥裸露的土壤(低NDVI,高LST),而點B表示濕潤裸露土壤(低NDVI,低LST)。當然，在一般情況下，隨著植被覆蓋度的增加，地表溫度降低，點D表示干旱密閉植被冠層(高NDVI,相對高LST),土壤干旱,植被蒸騰作用弱。點C表示濕潤密閉冠層(高NDVI,低LST），土壤濕潤，植被蒸騰作用強。AD代表干邊（熱邊界）表示低蒸散干旱狀態，BC代表濕邊（熱邊界）表示潛在蒸散濕潤狀態。上述內容表示對于某一時段內特定區域的NDVI與LST構成散點圖中,該區域內每一個像素的NDVI與LST值都一定分布在由圖6-1上ABCD4個點所構成的梯形內。圖6-1植被指數與地表溫度特征空間6.2條件植被溫度指數(VTCI)定義條件植被溫度指數(VTCI)干旱監測方法是王鵬新等在研究NDVI—LST的散點圖時發現分布呈三角形狀的基礎上提出來的一種新方法，但該方法需滿足一個條件，即研究區域內土壤表層含水量從萎蔫含水量到田間持水量之間。？該指數具有時空專一性，適宜研究某一特定區域在一定時期內相對干旱的程度及變化規律。其計算公式為：=a+b*(6-1)=a'+b'*(6-2)=（6-3）式中，，分別表示在研究區域中，當等于某一特定值時的所有像元的地表溫度的最大值和最小值；表示某一像元的NDVI值為時的地表溫度；a，b，a’，b’為待定系數，是通過作出研究區域關于NDVI和LST的散點圖進行分析近似獲得的。上式（6-1）、（6-2）分別被稱為條件植被指數（VTCI）的冷邊界和熱邊界。冷邊界上土壤含水分低,干旱程度最嚴重;熱邊界上土壤含水分高,干旱程度最輕。a，b，a’，b’分別是NDVI—LST的散點圖上干邊（熱邊界）和濕邊（冷邊界）的斜率和截距,通過線性擬合獲得。條件植被指數（VTCI）的取值范圍為[0,l],如果該區域VTCI的值越大,說明該區域相對干旱程度越輕，土壤表層含水量越多。反之，當VTCI的值越小，說明該區域相對干旱程度就嚴重，土壤表層含水量越少。6.3.1NDVI—LST的散點圖數據由于VTCI模型要求研究區域需滿足一定條件才能實現，如研究區域必須有植被覆蓋。所以NDVI—LST的散點圖中只研究對河套地區NDVI值大于0的區域。只研究對河套地區NDVI值大于0的區域，就需要對河套地區NDVI圖像作掩膜處理。本文采用ENVI軟件中的波段計算器進行掩膜處理，對NDVI圖像設b1>0，即可得到NDVI值大于0的區域。用ENVI打開溫度圖像，在image窗口上點擊Tools→2DScatterPlot，選擇NDVI圖像為橫坐標，LST圖像為縱坐標，即可得到散點圖，如圖6-2。 圖6-2NDVI—LST的散點圖根據NDVI—LST構成的散點圖，如圖6-2，可求得濕邊（冷邊界）和干邊（熱邊界）：a'=22.8b'=0=36.2-16.5*(6-4)=22.8+0*(6-5)根據條件植被溫度指數(VTCI)模型原理,把6.52公式(6-4)、(6-5)代入條件植被溫度指數計算公式（6-3）中，就可以獲得河套地區的干旱區域分布圖，如圖6-3。圖6-3河套地區干旱區域分布圖 獲得河套地區干旱區域分布圖之后，利用決策樹分類之后的矢量數據，分別對河套地區干旱區域分布圖（VTCI）中葵花和玉米進行掩膜，得到葵花和玉米的干旱區域分布圖。然后再根據條件植被溫度指數（VTCI）值對圖像進行密度分割，得到上圖。從總體上可以看到，研究區域中玉米地條件植被溫度指數（VTCI）值較小，而條件植被溫度指數（VTCI）值越小，則表示旱情越嚴重，因此可以看出玉米地旱情要比葵花地的旱情嚴重。從農作物分布上來看，對于玉米而言，河套地區南部，中西部旱情相對嚴重一些，對于葵花地而言，河套地區中部旱情相對嚴重一些。通過現場的調查發現，葵花的覆蓋度要比玉米的大，當植被覆蓋度增大時，一方面它能夠增加了葉子的蒸騰，使土壤含水量的減少；另一方面卻遮蔽土壤，減少土壤水分的蒸發。8月下旬正是河套地區葵花玉米即將收獲的季節，玉米、葵花的枝葉枯黃，作物蒸騰作用大大減小，根據盧敬華等的研究成果，在這個時期，植物覆蓋度較高時，能夠保護和減少表面土壤水分的蒸發，使土壤水分能夠維持在一定的水平上，所以葵花的旱情要比玉米輕。圖6-4葵花干旱區域分布圖圖6-5玉米干旱區域分布圖7.1定量遙感定量遙感又稱遙感量化研究，區別于僅僅只依靠定性方式的識別地物的一般方法（經驗判讀地物的方法）,主要是指從對地觀測的電磁波中定量提取地表參數的方法和技術研究。它有兩中含義，一種含義是遙感信息在不同的電磁波波段內給出的地表物質的準確的空間位置和定量的物理量，另一種含義是從這些定量的遙感信息中，將遙感信息與地學參量通過物理的或實驗的模型結合起來，定量的反演或推算出某些大氣或生物學及地學等目標參量。定量遙感可以說是遙感未來發展的一個重要方向,屬于前沿科學。遙感建模型主要分為正演模型和反演模型兩種。正演模型,又稱前向建模，是指通過已知的遙感研究區域內每一種地物的特定波普特性以及對應的大氣參數值,從而求出研究區域以內所有地物的輻射強度。反演模型，是指已知的遙感研究區域內每一類目標地物的發射能力、輻射強度,再利用個別的輻射值與實測值求出輻射源、地表物、大氣和與遙感有關系的任一參數。即利用所有測量到的值求出地物的輻射值與地表信息之間的關系參數。反演問題的主要內容包括以下三個方面:（1）反演模型解的適定問題。（2）反演問題的求解方法。（3）反演問題的解的評價。土壤水是土壤中各種形態水分（固態水、氣態水和液態水)的總稱。土壤水主要來源于降水，地下水，灌溉以及冰雪融化。農作物生長發育主要是依靠農作物的根系從土壤中吸取水分，因此土壤水分狀況是影響農作物生長發育的重要因素。總的來說，土壤水不僅是土壤的重要組成部分,而且還是農作物生長發育所必需水分的主要來源。土壤濕度，是指土壤中水分含量，表示在一定深度內土壤的干濕程度，即土壤水分的重量占土壤干重的百分數，是農業生產和干旱監測中的一個重要參數。土壤水分定量遙感反演模型建立根據反演計算條件植被溫度指數（VTCI）值與相同觀測站點的土壤表層含水量數據，利用SPSSstatistics軟件檢測相關分析。其分析結果顯示，條件植被溫度指數（VTCI）與土壤表層(0-10cm)含水量之間的相關系數為0，29，而與土壤表層(0-20cm)含水量之間的相關系數為0.46。這表明條件植被溫度指數(VTCI)與土壤表層含水量0—10cm和0—20cm有較好的相關性，條件植被溫度指數（VTCI)能夠較好地反映出某一特定區域內地表的干濕變化。而相關性的大小取決于相關系數，相關系數越接近1，相關性越好。通過土壤表層含水量0—10cm和0—20cm的相關性比較，得出土壤表層含水量0—20cm與條件植被溫度指數（VTCI）有更好的相關性，所以我們選擇土壤含水量(0—20cm)與條件植被溫度指數（VTCI）進行擬合，建立VTCI模型再與地面觀測值比較。土壤含水量(0—10cm)與VTCI間的回歸模型為：+9.284（10）土壤含水量(0—20cm)與VTCI間的回歸模型為：+6.528(11)其中W為某一區域的土壤含水量，為某一區域對于某一像元條件植被溫度指數（VTCI）值。評價條件植被溫度指數VTCI模型的精確性和可行性圖7-1VTCI模型預測值與地面觀測值的比較如圖7-1，通過以上分析所得，對于干旱程度較輕的地方（VTCI值相對較大），如葵花，VTCI模型監測值的相對地面觀測數據偏高，VTCI模型監測值的精度相對低一些。對于旱情相對嚴重的地區（VTCI值相對較大）的地方，如玉米地，VTCI模型監測值的精度相對高一些。結論本文得到如下結論：（1）本文分別用決策樹和監督分類中的最大似然法對河套地區分類，再對分類結果進行評價，得出決策樹方法分類精度更高，更適宜對河套地區分類。（2）采用LandsatETM衛星遙感數據反演地表溫度，再作出歸一化植被指數（NDVI）和地表溫度（LST）的散點圖，建立VTCI模型，利用條件植被指數（VTCI）對河套地區的葵花和玉米進行干旱監測，得出玉米地旱情要比葵花地的旱情嚴重。（3）通過SPSS軟件對條件植被指數（VTCI）模型與0—10cm和0—20cm土壤表層含水量進行相關性分析，表明VTCI模型與0—10cm和0—20cm土壤表層含水量都有一定的相關性，而且還發現VTCI模型與0—20cm土壤表層含水量有更好的線性相關性。（4）通過把玉米和葵花的VTCI模型與同期的地面實測數據作對比，發現對于旱情較重的地區（VTCI值小）的地方，VTCI模型監測值的精確度高。本文還存在如下問題：（1）本論文研究中只采用一個時間點的遙感影像，并只根據這一個時間點的數據建立條件植被指數VTCI模型,今后應采用多時相，多傳感器的遙感影像反演土壤含水量進行實時動態干旱監測。（2）本論文主要是應用RS技術，與GIS結合較少。今后應多注重RS技術是與GIS技術相結合，提高遙感解譯的精度與時效（3）本論文使用的遙感影像有一定的云量，由于研究時間的限制以及云量只覆蓋部分研究區域，對研究區域未造成影響，所以只對遙感影像進行了輻射定標，未進行大氣校正。（4）本論文采用決策樹分類方法統計各類別的灰度值時，由于研究時間的限制和本人精力有限，在選取樣本時每類都只選取40個樣本，可能統計的光譜圖精確度不是很高，但也具有一定的精度。（5）本論文在用VTCI模型與地面實測數據對比時，由于研究時間的限制和本人精力有限，只選用20個參考值，雖然少，但也不影響對VTCI模型精度的評價。參考文獻[1]陳懷亮，張紅衛，劉榮花,等.中國農業干早的監測、頂警和災損評估[J].科技導報.2009，27(11)：82—92.[2]劉穎秋旱災害對我國社會經濟的影響研究[M].北京:中國水利水電出版社．2005.[3]蘇濤，王鵬新,許文寧,等.基于條件植被溫度指數的旱監測研究[J].干旱地區農業研究.2009,27（3）：208—212.[4]陳鵬,基于植被指數和地表溫度的農業旱情監測適用性研究[D].南京,南京信息工程大學,2011,6.1.[5]陳陽，范建容，郭芬芬，等．條件植被溫度指數在云南干旱監測中的應用[J]．農業工程學報，2011，27(5)：23l一234.[6]PriceJC.Usingspatialcontextinsatellitedatatoinferregionalscaleevapotranspiration[J].IEEETransactionsonGeoscienceandRemoteSensing,1990,2