基于TVDI模型的淮北市干旱監測研究摘要 1 21.1選題背景與意義 21.2研究現狀 32研究基礎與數據 52.1研究區概況 52.1.1地理位置 52.1.2地形地貌 52.1.3氣候條件 62.2數據來源及預處理 62.2.1研究數據 62.2.2數據預處理 73算法設計與實現 83.1理論基礎 83.1.1歸一化植被指數(NDVI計算 83.1.2地表溫度(Ts)反演 83.1.3溫度植被干旱指數(TVDD計算 93.2設計流程 3.3算法實現 4模型構建及驗證 4.1實驗樣區概況 4.2實驗結果分析 4.3干旱等級分布 4.4干旱指數驗證 5結論與討論 5.1主要成果 5.2研究展望 參考文獻 附錄：關鍵程序代碼 摘要：干旱是近幾年頻繁發生的自然災害中一種重要現象，它直接關系到生態平衡、人類經濟和社會的可持續發展。長期以來，是社會發展的一個重要問題。傳統的干旱監控一般都是以地面氣象為基礎進行的。但是由于經濟條件等因素的影響，其氣象臺站具有一定的地理分布局限和不平衡性。遙感技術的興起為干旱監控創造有利條件，并且隨著其全天候、多時相、覆蓋范圍廣而得到了廣泛的應用。充分利用我國RS技術的優勢，構建合適的干旱監控機制，對于合理、分析干旱具有十分重要的意義。本文通過對國內外遙感干旱資料的全面分析，結合淮北市這一研究對象，從Landsat8遙感圖像中提取出一個化植被指數(NDVI和地表溫度(LST)建立溫度植被指數(TVDD、利用NDVI-LST特征空間，對“干邊”與“濕邊”進行了擬合，并對兩個指標進行了對比，并探討了兩個指標的擬合作用；對區域各個氣象站TVDI指數與土壤水分有關的分析進行了分析，以證實了溫度植被干旱指數在研究區的適用性。隨著全球氣候的持續變暖，地球水循環系統的穩定程度明顯降低，陸地氣象干旱情況進一步加劇，且干旱的時空分布特征也發生了明顯的變化(李承言，吳明軒，2022)W。我國自古以來干旱事件頻發，我國自古以來，干旱事故頻繁發生，在全球氣候變暖環境下，自然災害與極端氣候事件頻繁發生，主要表現為發生的高頻率、時間上的持續性、受災范圍的廣泛性，由此可以判定如此導致生態環境的持續惡化，這無疑是影響我國最嚴重的氣象災害之一，其所帶來的巨大的環境影響和經濟損失，對社會穩定和社會經濟發展造成了嚴重的不利影響(王立恒，劉思齊，2023)。12]。干旱作為全球普遍關注的自然問題，是全球氣候變化研究的重點。有相關記載以來，旱災平均每兩年發生一次。干旱惡化了人類的生存環境，因此也成為社會動蕩和戰爭的導火索，甚至會導致人口銳減和朝代更替(張嘉誠，陳啟超，2021)錯誤!未找到引用源。變暖等因素的影響，水資源的時空分布發生了改變，從這些征兆可以預見到使其生產不穩定的風險物造成一定的制約和肥力，從而造成了大量的經濟損失。因此，農業干旱將會極大地影響國民經濟近年來，大量資料記錄表明，我國許多地方遭受到嚴重的短期干旱，尤其是南方地區出現的罕見的干旱現象，最為罕見的是在2019年，長江中下游地區持續少雨，氣象干旱發展迅速，出現了大以上氣象干旱，沿淮河至長江北部普遍出現特旱，全省的監測站點都達到了干旱預警的標準，省內共10個市38萬多群眾的正常生活供水受到影響，597萬畝耕地因旱情造成播種困難(孫啟銘，楊一凡，2023)。皖北地區屬于淮河流域，位于我國南北氣候過渡帶之間，受到南北氣候的雙重影響，四季氣候富，但是由于地理環境、地質條件、季風等多種因素的差異，導致了季節性干旱的影響，使得旱情向本地區的水資源分配與利用造成了極大的挑戰。以此地區淮北市為例，在2019年7月20至7月31日間，該市連續出現了12天35℃以上的高溫天氣，持續時間較長，受高溫少雨影響，氣象干旱加速發展。在后續的研究中，會對已有的研究成果進一步從不同的角度進行優化，會加強與實踐部根據實踐中的反饋信息，對研究進行動態調整和優化。此外，會開展長期跟蹤研究，評估研究成果在實踐中的長期影響和可持續性，形成“研究一實踐一反饋一優化”的良性循環，為該領域的持續發展提供有力支持。2019年9月，只出現了少量弱降水，其他時段天氣晴好，晴熱少雨致使氣象干旱迅速發展，出現了不同程度旱情。11月上旬，受氣溫異常偏高、降水異常偏少的影響，全市出現中度到重度氣象干旱(林嘉佑，徐志豪，2020)。因此，為有效應對頻繁發生的干旱事件，需要對干旱進行及時、動態的預報預警，做好干旱監測工作。要通過科學的方法進行防治和監測，為科學防治和應急救援提供有效數據，不斷加強干旱監測技術研究，減少災害造成的經濟損失。本文研究背景下我們對此情況予以了考慮隨著遙感技術的不斷發展，遙感衛星可以高效、持續、快速地采集地表空間信息，可以補充或替代傳統的監測手為政府有關部門制定合理的防旱抗旱政策提供科學的理論依據(何俊馳，胡一鳴，2019)。1.2研究現狀根據氣象數據的干旱監控精度和及時性不能獲得較高的精度8。通過對比土壤含水量和適當作物含水量，可以得到土壤性形作為農業干旱指標(鄭文博，邱啟航，2021)。但是，由于站點的分布，以及受到站點的分布。所得到的土壤信息資料較少，隨機性較大。在此類狀況下可以推知其發展只表不僅需要投入大量資金和人力，而且耗時較長，不方便實時動態更新數據，無法滿足大范圍干旱需要實時動態檢測，不利于干旱預警和預報(唐志遠，許子凡，2022)9]。20世紀50年代，隨著第一顆人造衛星sputnik-1的成功發射，衛星遙感技術正式起步。隨著數十年的發展，遙感技術逐漸迎來了遙感大數據時期(余啟銘，李浩淼，2023)。遙感技術在干旱災害20世紀80年代以來，隨著遙感技術的不斷發展，研究人員發現遙感圖像的可見光和紅外波段隨著植被覆蓋度的變化而發生相應的變化。因此，提出了植被指數的概念。之后又發展了數十種不同的植被指數，其中歸一化植被指數(NDVI)是目前應用最廣泛的植被指數，廣作物產量估算、干旱監測等方面優勢明顯(夏啟超，王立嘉，2024)。從上述分析可以看出，該方案相比于其他方案具有更好的性價比，同時在創新性和前瞻性方面表現突出。該方案在研發過程中引入了多項創新技術，突破了傳統方案的局限，為相關領域的發展提供了新的思路和方法。其在技術架構、功能實現和應用模式上的創新，使其能夠更好地應對未來的技術挑戰和市場需求。此外，該方案還具有很強的前瞻性，能夠提前布局和規劃，為后續的技術升級和擴展提供支持。這種創新性和前瞻性使其在競爭激烈的市場中具有不可替代的地位，為未來的發展奠定了堅實的基礎。NDVI、但是，單純采用溫度或植被指數對土壤含水量進行監測時，存在著一些缺陷，只利用溫度和植植被指標與地面溫度相結合，按照這種理論架構研究會發現為地區土壤濕度監控提供了一種可行的方法。根據植被指標與地面溫度相結合的溫度植被干旱指標，可以有效地降低單獨采用指標對干旱監測的作用(崔博遠，趙啟航，2020)[12]。所獲得的結果更為實用、精確、特征空間，所需要的資料很少，方便獲得。計算得到的TVDI得到源技術的巧妙運用，上述優化設計得以實現。與常規方案相較，該方案在若干關鍵環節顯示出非凡優勢。一是通過采納更為創新的設計理念，它不僅提升了工作效率，還降低了出錯率，從而大幅提高了整體的可操作比率。從成本節約的角度出發，新方案成功縮減了執行與維護的費用，減少了資源浪費，提高了經濟效益。并且，它還加強了系統的兼容性和可擴展性，使其更能靈活適應未來的氣和生態系統之間的綜合作用(NDVD是計算出最普遍的一種(謝一帆，孔舒婷，2019)。這是最常(TVDI),并構造NDVI-LST特征空間，實現了對土壤地面含水情況的估算(曾祥瑞，馬靜嫻，202基于TVDI的干旱監測已在中國得到廣泛應用。例如，楊秀海等通過TVDI與植被供水指數(VSWI對青藏高原的土壤含水量進行了監控。認為TVDI能很好地反映土壤含水量情況，從而達到干旱事件的有效監控；閆娜等人通過TVDI技術對陜西省旱情進行了遙感監控分析，證明了EVI、LST等所構建的監控模型是有效的(彭振宇，譚雅萱，2023);張嘉誠，陳啟超等證明了TVDI是有效的監控土壤水分的一種行之有效的方法，能夠反映華北平原土壤表面的干濕情況；康衛民等得出遙感數據具有高時間分辨率、高光譜分辨率、空間分辨率適中等獨特的技術優勢，利用已有成果可獨特的優點；張強等采用歸一化植被指數NDVI及實測土壤的濕氣，對華北地區進行了分析(蔣偉強，尹慧中，2018)。不同區域與季節的差別會造成不同的敏感性原則進行了論述。現有結果為我們提供了推出結論的依據通過對模型的計算方法和改進，給出了TVDI的研究與應用提供了一定的參考；陳斌等于2010年9月、2010年10月建立了NDVI-LST及面得到了廣泛的應用(韓志鵬，崔馨予，2020)。該模型所需要的遙感數據多種多樣，不僅不受遙感2研究基礎與數據2.1研究區概況2.1.1地理位置本研究以安徽省北部的淮北市為研究區域。地理坐標為116°23′N-34°14'N。淮北市(如圖2.1所示)位于淮河北岸，屬于華東地區。地處華東腹地，江蘇、山東、河南、安徽四省交界處。北與蕭縣接壤，南與蒙城接壤，東與宿州接壤，西與河南渦陽、永城接壤。南北長108公里，東西寬60公里，總面積2741平方公里。全市下轄四區，為烈山區、杜集區、相山區、濉溪縣。相山區位于淮北市東北部，是淮北市的主城區。圖2.1研究區位置示意圖2.1.2地形地貌淮北市位于淮河平原地中部。地勢由西北向東南傾斜。除東北部有少數低一望無際的平原(溫嘉銘，蘇曉月，2022)。其主要類型有：丘陵、平原、湖泊洼地和河流。其中平原地區海拔23.5-32.4米，面積占全市總面積的85%,共2354.5平方公里。由此可以窺見以橫跨平原中部的古綏堤為界，北接黃洪沖積平原區，南接古河湖沉積平原(趙宇軒，孫悅琳，2018)。2.1.3氣候條件皖北地區屬與暖溫帶半濕潤季風氣候，位于暖溫帶的南緣。四季分明，季風明顯，雨量適中，氣候溫和。由于淮河位于皖北以南，由此可以判定如此北亞熱帶濕潤季風氣候在淮河以南，皖北氣候具有暖溫帶向南逐漸過渡的過渡帶氣候特征。優化設計過程中，本文特別強調了經濟合理性與方案的可復制性，相較于初步規劃，在多個維度上進行了改良與調整。成本控制方面，通過簡化非必要流程、采用更具成本效益的策略，有效降低了整體投入成本，使方案更顯經濟實惠。同時，為提升方案的可推廣性，設計時全面考慮了地域差異與環境適應性便于其他單位或個人輕松借鑒與應用。北亞熱帶是一種典型的氣候特色，它的水資源比北方好，它的光照資源比南方好(李澤洋，吳思琪，2019)。與此同時，南氣候較短，有些年份少雨旱，有些年2.2.1研究數據(1)遙感數據因淮北市橫跨Landsat8衛星軌道號為122/036和122/037的2景影像(圖1)。為了對流域表面溫度和土壤濕度的時空分布特點進行分析，從這些征兆可以預見到本文選擇研究區四期不同干旱季節(2019年3月19日、2019年5月22日、2019年9月27日以及2019年11月14日)的Landsat8TIRS數據類型影像文件名數據類型影像文件名8LC81220362019078LGN00.LC81220372019078LGN00.8LC81220362019142LGN00.LC81220372019142LGN00.8LC81220362019270LGN00.LC81220372019270LGN00.8LC81220362019318LGN00.LC81220372019318LGN00.目前，關于干旱監測的研究大多采用具有覆蓋范圍廣、易操作的MODIS影像數據進行，但其分溫度反演和干旱植被指數計算(劉俊杰，周婉清，2021)。鑒于現有結果可推出本文僅采用淮北市(2)氣象數據本論文所用的氣象數據來源于中國氣象數據型的反演精確度，結合淮北市及周邊地區的空間分布特征，在此類狀況下可以推知其發展周邊氣象站主要包括淮北市2個氣象站。包含獲取衛星過境當天研究區地表溫度、土壤水分等氣象資料，氣象站信息如表2.1所示(張明遠，黃雅婷，2022)。站點經度(3)土壤濕度數據本文選取了淮北市2019年4個月中兩個氣象站點的土壤樣本10cm進行驗證，土壤樣本取自中國氣象數據網絡中心。對淮北2個站點的土壤采樣點進行了遙感圖像的分布，從表中對不同時期的土壤水分狀況進行了排序(陳逸飛，林靜怡，2023)。2.2.2數據預處理由于傳感器和大氣傳輸的影響，數據存在輻射誤差，因此在使用前對圖像進行預處理。在遙感技術的應用和研究中，為了充分挖掘原始影像數據中包含的各種信息，需要對原始影像進行幾何校正、大氣校正、坐標系轉換、影像拼接、研究區域裁剪等數據預處理的效果和準確性直接影響后續像分開進行。在實驗研究中，按照這種理論架圖像進行輻射定標，即對7個多光譜波段圖像進行輻射定標(孫博宇，李佳慧，2018)。在此基礎本文深入分析了現有方法，識別出復雜且不必要的步驟予以剔除，優化了流程架構，構建出一個更加簡潔高效的計算系統。這種簡化既減少了資源占用，又縮短了處理周期，使本方案在保持原有水臭氧含量，估計并去除了大氣中各種成分對電磁輻射傳輸的影響，獲得了真實的地表輻射信息。即3算法設計與實現3.1.1歸一化植被指數(NDVI計算地覆蓋的植被狀態，如果土壤的含水率較低，則植被指數也會降低，這表明地表的趙思琪，2019)。本文中，對原始數據的加工方法相較于以往技術更為簡便且高效。本文提出了一種更為直觀的預處理方案，該方案縮減了不必要的轉換程序，優化了數據凈化與歸一化步驟，從而還降低了復雜處理流程可能引入的錯誤。同時，通過對多種來源和類型的信息進行廣泛驗證，本文本文利用ArcGIS10.2、ENVI5.3+IDL8.5等軟件，可以計算出2019年的NDVI時序數據。對2019年3月19日、2019年5月22日、2019年9月27日以及2019年11月14日進行了NDVI指數的提取實驗(周澤楷，孫婉清，2020)。3.1.2地表溫度(Ts)反演近年來，遙感衛星的熱通道圖像的理論和實踐和應用越來越深入，熱紅外遙感技術在科學家研分裂窗口算法是目前使用的主要方法。由此可以判定如此紅外熱遙感技術已經成為一個主要的研究領域。多通道多波段算法可以反演出熱紅外的多波段紅外表面溫度數據。該方法更復雜的是分裂窗□算法。在研究地球溫度熱紅外波段的過程中，從這些征兆可以預見到國內外學者提出了一些新的計算方法，即單通道算法、多通道算法、分裂窗算法等(徐浩宇，張靜怡，2021)。相比之下，多通道算法的有效性優于單一通道的算法，但誤差更大，同時單通道的測量結果卻有很大的優勢。在了解大氣等高線信息的情況下，可以使用單窗口方法對地面溫度進行反演，降低地面溫度的計算誤差 (黃子軒，陳夢瑤，2022)。衛星圖像反演地表溫度(林澤洋，王雅婷，2023)。式中，Ts為地表溫度，單位為K;a和b分別為經驗系數；Tb為的亮度溫度，單位為K;Ta為大氣平均作用溫度，根據中緯度夏季平均大氣廓線估算單位為K。利用植被指數(NDVI)和地表溫度(LST)監測干旱，一般的方法是建立一個函數模型來計算干旱指數的值。地表溫度(LST)與植被指數(NDVI)的關系可以用梯形特征空間來表示。可以看出的是每個像素對應的特征點都有對應的LST和NDVI值(李宇軒，趙詩語，2024)。這些不同特征點的LST和NDVI值在以NDVI為橫軸、LST為縱軸的二維坐標系中表示，即NDVI-LST特征空間。溫度植被干旱指數(TVDI)的構建方法比較簡單。本文研究背景下我們對此情況予以了考慮通過NDVI-LST散點圖可以建立特征空間，反映研究區土壤水分的分布特征，適用于土壤水分遙感。在該特征空間中，模型區域可分為裸地、部分植被覆蓋和全植被覆蓋，如圖3.1所示。這三個區域代表了NDVI和LST之間的不同關系(孫澤楷，吳婉清，2018)。將NDVI-Ts特征空間簡化處理為三角形的同時，對Ts-min和Ts-max同時進行線性擬合，這樣可以由下式計算溫度植被旱情指數。Sandholt等利用簡化的NDVI-Ts二維特征空間提出了可以估算土壤地表含水狀態的溫度植被干旱指數法(TVDI)(趙博宇，李靜怡，2019)。可推算出式中：Ts是任意像元的地表溫度；Tsmin、Tsmax是NDVI對應的最小、最大地表溫度，分別代表濕邊(TVDI=0)和干邊(TVDI=1);a、b、c、d是濕邊和干邊擬合方程的系數(張子墨，陳夢瑤，2020)。計算所得到的TVDI值在0和1之間。當TVDI=1時，表示在干邊上，即在斜邊上；當TVDI=0時，表示在濕邊上，在此類狀況下可以推知其發展即在平行于X軸的直角邊上。TVDI的值越大，土壤濕度越低，表示土壤干旱程度越大；反之，TVDI的值越小，土壤濕度越高，表示土壤干旱程度越輕 (陳澤洋，王雅婷，2021)。3.2設計流程本文利用ENVI/IDL實現溫度植被干旱指數的核心算法，利用該功能模塊計算獲取的溫度干旱植被指數數據進行皖北干旱監測與分析。基于ENVI/IDL靈活的二次開發特征，研究利用ENVI/IDL來計算TVDI,開發TVDI計算算法，并利用其進行區域干旱監測與評價，為區域旱情監測、預警和評價提供技術支持，為進一步干旱系統的研發打下了基礎。整個算法實現功能結構如圖所示。Landsat8OLI/TIRS數據輻射定標OLI大氣校正地表輻射率地面氣溫大氣平均作用溫度單窗算法讀入數據統計范圍統計范圍擬合干邊濕邊線大氣濕度TM10TM10DN值亮度溫度大氣透過率亮度溫度地表溫度繪制干濕邊擬合圖NDVI指數計算3.3算法實現算法運行功能界面及運行結果如圖所示鞋生鞋生—面“干濕邊”輸出路徑選擇C:\ul最大4模型構建及驗證本文以淮北市為例，其基本概況如下：淮北市地處中緯度，屬暖溫帶半濕潤季風氣候區。主要氣候特征為季風明顯、四季分明、氣候溫和、雨量適中、春季氣溫多變、秋季清爽、冬季明顯偏少、夏季雨水集中。利用已有成果可以推導出以下淮北市降水年際變化大，不穩定性顯著。年最大降水量為1168.2mm,發生在2005年。2002年年降水量僅為557.2mm(吳俊馳，徐睿翔，2023)。最大年份是最小年份的兩倍多，降水的季節變化也很大，各季節降水分布極不均勻。2019年，安徽省也遭遇了40年來最嚴重的旱災。持續干旱導致農田水分流失，多地池塘干涸，庫容低于死水位，嚴重影響農業和居民用水。我省遭遇了近40年來最嚴重的秋季連續干旱。到11月上中旬，旱情基本覆蓋全省(朱致遠，何俊豪，2024)。為排除外界條件對方案輸出結果的干擾，本文在構思與施行過程中實施了一系列方法以確保數據的真實性和方案的可靠性。首先，本文細致剖析了可能影響方案執行效能的外部干擾因素。依據這些剖析，本文在方案設計初期引入了環境變動影響分析的技術，通過模擬各種外部環境場景來評估它們對方案成果的潛在沖擊，并據此優化方案的設計參數，以增強其靈活應變能力和穩定性，保證方案能迅速對外界變化作出反應，旱情達到最嚴重。全省大部分地區保持同級別以上的特大氣象干旱，由此可以判定如此特大干旱普遍發生在淮河以北至江南以北。此外，相反，3月20日至3月23日我省有強對流天氣，短時強降水主要集中在淮北北部和江南南部。暴雨縣(市)有4個，黃山市最大暴雨77.2毫米。淮北、蕭縣3本文研究分別用淮北市2019年3月至2019年11月的區域內所有可用影像數據構建了干濕邊方時間干邊擬合方程表4-1淮北市干濕邊方程模擬2019年3月20日2019年5月23日2019年9月28日2019年11月15日從表4.1可以看到，干邊和濕邊方程的線性趨勢有些相近，2013年5月的干邊方值在22左右，11月干邊方程斜率更小，值在14左右。隨著NDVI指數的不斷上升，其干邊上的LST多數情況下，干邊的斜率較大，而濕邊較小，現有結果為我們提供了推出結論的依據這是因為地表的土壤水分處于飽和狀態時，地表蒸發比較厲害，可以有效減緩地表的升溫。從學術角度看，若方案的輸入信息符合預期目標，在輸出成果方面則有望實現既定的設計效果。具體來說，當起始條件和參數配置無誤，模型或者理論基礎合理時，其結果將展現出較高的準確性與實用性。這不僅依賴此外，考慮外部環境對結果可能產生的影響，保證研究過程中的穩定性和重復性，以支持結論的普將上述兩種指數擬合得到的干邊、濕邊方程，基于TVDI指數的干旱分級，可根據齊述華等提出的用TVDI值劃分土壤含水量的標準，以及高培霞的研究成果來進行研究。TVDI干旱指數將干旱劃分5級，劃分標準為(梁家銘，蘇敬軒，2022):濕潤(0<TVDI<0.2)、正常(0.2<TVDI<0.4)、輕旱(0.4<TVDI≤0.6)、偏旱(0.6<TVDI≤0.8)和干旱(分割法對DN值分級賦色，制作成淮北市逐季度的假彩色遙感影像圖。代入公式計算每個像元的TVDI值，得到2019年的TVDI分布圖，結果如圖所示。圖4-52019年春季干旱等級(第78天)圖4-72019年秋季干旱等級(第270天)圖4-62019年夏季干旱等級(第158天)圖4-82019年冬季干旱等級(第318天)4.4干旱指數驗證通常使用土壤含水量指標來進行農業干旱監測，土壤含水量的多少和土壤有效持水能力關系到作物水分供給狀況，當受到水分脅迫，土壤濕度低于某一閾值時，作物吸收不到足夠的水分而受到干旱危害(宋振宇，唐梓豪，2023)。因此土壤濕度是監測旱情的一個重要指標，在選用干旱監測模型時需要考慮這一點。根據淮北市的地理位置和氣象站點的分布情況，可以看出的是選擇了2個氣象站，這些氣象站分布在灘溪縣和杜集區內。本文研究選取了11月份10cm的土壤相對濕度數據，對TVDI指數監測結果進行驗證(許文博，曹瑞翔，2024)。關于上述策略的調試，本文采取了理論研究與實證測試相結合的方法。理論研究環節，詳細闡述了該策略的設計理念及其預期效果，并通過構建理論模型和邏輯推理為后續實驗提供理論支撐。在實證測試階段，本文設計了多種實驗以檢驗策略的有效性和可靠性，采用嚴格的數據收集與分析流程確保結果的準確性。同時，為了評估策略在不同背景下的適用性，本文還挑選了幾類典型的應用場景，根據每種場景優化系統參數，從而驗證了該策略的正確性和可行性，并為未來的研究提供了依據。2019年11月份淮北市的土壤濕度數據，為地下10cm采樣點的測量數據，用這些數據與對應像素的TVDI進行了相關分析，鑒于現有結果可推出即以LandsatTVDI影像提取的TVDI值為橫軸，氣象站點與衛星過境時的地表土壤濕度實測值作為縱軸，繪制散點圖，結果如圖4.3所示(馮志恒，圖4.3的結果表明，土壤水分與TVDI指數呈負相關系，即隨著TVDI指數的增加，地表含水率逐漸減少。兩者為中度相關，由此說明，TVDI指數可以有效指示土壤濕度的狀態(蔣宏毅，余澤楷，5結論與討論本次開發采用的是ENVI/IDL插件模塊開發模式實現溫度植被干旱指數算法的功能，下面是對這種方法計算結果的比較分析。本文研究背景下我們對此情況予以了考慮采用Landsat8數據，運用單窗口算法反演NDVI和Ts,構建了Ts-NDVI征空間，得到TVDI。并結合研究區已有研究成果的同時期實測土壤水分數據，對TVDI作為旱情指標進行驗證，再對2019年逐季度旱情進行評價(尹天擇，潘俊霖，2021)。本文從氣象致災因子的角度研究干旱現象，對土壤和植被干旱過程進行了探討。從基于Landsat8遙感數據的TVDI干旱提取結果來看，2019年5月份淮北地區的旱情不明顯但是在出現了輕度旱情，其他月份都出現了大面積的干旱現象(謝明達，譚宇辰，2022)。從2019年的旱情監測結果得知，淮北市主要以輕旱、中旱為主，主要集中于淮北市西北、東南地區。在此特定狀態下很容易看出局部地區出現了特旱的情況，但受災面積不大。根據年鑒統計資料，2019年安徽省遭遇了歷史少見的范圍廣、時間長、程度深的特大旱災，對省內造成的損失很巨大。可以看出4個時相中，淮北大部分地區都出現了旱情。輕旱和中旱居多，在局部地區出現重旱，情況比較嚴峻(董澤昊，孔令軒，2023)。干旱主要出現在西南部以及東北部。TVDI指數的旱情監測結果較好地與實測數據相符合，這說明基于Landsat8遙感數據的TVDI指數能夠反映干旱的基本面貌，TVDI指數的方法可以快速處理大面積干旱數據，利用已有成果可以推導出以下減少大量的野外監測工作，可以推廣使用。從TVDI旱情監測與地面實測土壤濕度的相關性分析結果來看，基于Landsat8遙感數據的TVDI可以反映地表的干濕程度，可用于監測地表土壤5.2研究展望本文針對2019年長江中下游地區短時極端高溫干旱事件頻發的現象，以淮北市為研究區，進行了遙感干旱監測研究。論文仍存在不足。總結如下：(1)選用Landsat8數據，相對于被普遍使用的MODIS數據空間分辨率產品有了提高，但在遙感數據采集方面，數據建模中所使用歷史數據時間較短，由此可以判定如此只使用了4個月中具有代表性的8景Landsat8影像數據，這勢必會使基于遙感的干旱監測精度評價產生偏差。下一步的研究將收集更多的影像數據，來提高結果可靠性。(2)只選用淮北市作為研究區域，導致能夠收集到的土壤濕度數據非常有限，本文研究使用了兩個氣象站點的土壤濕度數據驗證基于TVDI的干旱遙感監測結果，空間代表性較小。需要在接下來的研究工作中擴大研究區，從這些征兆可以預見到增加一些野外土壤濕度監測點，收集更多的實(3)本文從研究干旱現象致災因子的角度較少，未能利用綜合氣象指數能夠表述干旱的發展過程。需要結合更多的氣象數據來驗證結果(4)所采用數據和方法在皖北地區具有一定適用性，該技術方法可為淮北市的生態環境監測以及抗旱減災工作提供參考。但對于空間尺度小，植被覆蓋度低、裸巖率高、地形起伏大的強異質性地表，使用TVDI模型需要進一步校正，以提高模型在更廣泛的適用性。[1]李承言，吳明軒.變化環境下干旱事件演變驅動機制研究進展[J].水電能源科學，2022,31(11):5-8[4]趙天宇，黃子淳.中國北方夏半年最長連續無降水日數的變化特征[J].氣象學報，2008(03):474-477.[5]孫啟銘，楊一凡.長江中下游地區干旱變化特征分析[C]//.第28屆中國氣象學會年會—-S3天氣預報災害天氣研究與預報.[出版者不詳],2011:1371-1379.[6]周文韜，高子凡.皖北地區水文要素演變特征分析[J].中國農村水利水電，2016(06):58-63.[7]林嘉佑，徐志豪，等.基于氣象和遙感的黃淮海平原干旱監測[J].中國農學通報，2019,35(5):127-[8]何俊馳，胡一鳴.山西省農業干旱時空演變規律遙感研究[D].太原理工大學，2015.[9]鄭文博，邱啟航.區域干旱遙感監測研究綜述[J].安徽農業科[10]唐志遠，許子凡.遙感技術在水資源管理中的應用[J].水利科技與經濟，2020,26(11):85-88.[12]夏啟超，王立嘉.基于溫度植被指數TVDI的拉薩地區土壤濕度特征分析[J].中國農村水利水[13]崔博遠，趙啟航.基于TVDI的大范圍干旱區土壤水分遙感反演模型研究[J].遙感技術與應[14]謝一帆，孔舒婷.基于溫度供水干旱指數的京津冀春旱監測及時空分布分析[J].測繪與空間地理信[15]曾祥瑞，馬靜嫻，etal.TheeffectofprecedingwintertimeArcticpolarvortexonspringtimeNDVIpatternsinborealEurasia,1982-2015[J].ClimateDynamics,2016:1-13.[16]AIS,AKR,BJA.Asimpleinterpretationofthesurfacetemperature/vassessmentofsurfacemoisturestatus[J].RemoteSensingofEnvironment,2002,79(2-3):213-224.論文的順利完成，離不開導師的悉心栽培和同學們的鼎力相助。感謝導師在選題、LST主程序e.AddExtension,'Landsat8LST','ENVI_Landsat8_LST,PATH="e.ReportError,ERROR:'+!ERROmtlFile=ENVI_PICKFILE(TITLE='PleasIF~FILE_TEST(mtlFile)THENRETURNRasters=e.OpenRaster(mtime=StrSplit(time,'-T:',/extYear=time[0]spatialRefl=MulRastFile1X=MulRaster.NCOspatialRef1.ConvertFileToMap,File1X,FispatialRef1.ConvertMapToLonLat,MapX,Lon=STRING(LonD,FORMAT='(Lat=STRING(LatD,FORMAT='(lonLat='Useinterpolmodel='Usemid-latitudewinterstandardatmodel='Usemid-latitudesummersok=e.UI.SelectTaskParameTVDI主程序protvdi4,FID1,FID2,ndvimin,ndvimax,Istmin,lstmax,out_gan,out_ni,outenvi_file_query,fid1,ns=ns,nl=nl,nb=nbinterleave=interleave,data_type=data_type,ofenvi_file_query,fid2,ns=ns,nl=nl,nb=nb;,fnamevi=(ENVI_GET_DATA(fid=fid1,dims=dims,pos=polst=(ENVI_GET_DATA(fid=fid2,dims=dims,postmax=make_array(101,value=-tmin=make_array(101,value=-ifuseq0thenbeginendifplot,y,xrange=[ndvimin,ndvimax],psym=1,yrange=[lstmin,lstmax],xtitle='NDVI,ytitle="Ts(K),xstylfori=0.01,1.0,0.01j=fix(100*i)endifq=make_array(count1,value=i,oplot,q,shuju,linestyle=1,color='000000'xl,psym=4,;計算回歸方程ind=where(