一种太阳诱导叶绿素荧光干旱监测方法

技术领域

本发明涉及干旱检测技术领域，尤其涉及一种太阳诱导叶绿素荧光干旱监测方法。

背景技术

在全球气候变化的条件下，植被生长常常遭受水热胁迫的影响。而且，干旱的频率、持续时间和严重程度在近几十年中呈增加趋势，严重威胁陆地生态系统和粮食安全。随着卫星遥感技术的发展，其衍生出了新的产品，如太阳诱导叶绿素荧光(Sun-inducedchlorophyll fluorescence，SIF)等。SIF本质上是植物光合作用过程中从叶绿素中逸出的能量，其与作物的光合作用直接相关，逐渐成为监测大区域植被生长状况的新型遥感数据源，被认为是比植被指数更可靠的指标。SIF可成为直接估计GPP的一个新方法，可提供与植被生理相关的大规模胁迫响应。

目前，国内外常常利用植被/温度/降水状态指数、温度植被干旱指数法、植被健康指数法、基于近红外-红光的光谱特征空间法等监测植被干旱情况。但是，这些干旱监测方法均与植被光合作用和生理胁迫没有直接关系。例如，植被指数法是基于植被绿度间接反映植被的胁迫状况，存在滞后性；温度/降水指数是基于外界环境反映植被受到的热胁迫和水胁迫；基于近红外-红光的光谱特征空间法是基于植被光谱特征反映植被状态，但植被光谱变化也存在滞后性，不能及时反映植被受到胁迫的真实状态。上述干旱指数均与植被光合作用和生理胁迫没有直接联系。

发明内容

本发明所要解决的技术问题是提供一种太阳诱导叶绿素荧光监干旱监测方法，解决了现有技术中存在的现有的干旱指数均与植被光合作用和生理胁迫没有直接联系，不能及时反映植被受到胁迫的真实状态的问题。

为解决上述技术问题，本发明提供以下技术方案：一种太阳诱导叶绿素荧光干旱监测方法，包括以下步骤：

1)获取研究地区遥感影像数据；

2)对步骤1)的遥感影像数据采用均值法重采样统一空间分辨率；地表温度产品乘以系数得到真实的地表温度，并利用S-G滤波根据质量控制文件纠正低质量的数据；将SIF数据转化为栅格数据；

3)根据步骤2)的地表温度和SIF数据，获取研究区TCI和SCI干旱指数；

4)根据步骤3)的TCI和SCI数据，统计研究区5月到9月植被生长期所有像元数据，利用熵权法确定TCI和SCI的权重分别为α和β(α+β＝1)；

5)将步骤3)中TCI和SCI干旱指数的公式和步骤4)确定的TCI(α)和SCI(β)权重代入太阳诱导叶绿素荧光干旱指数TSDI计算公式，得到研究区TSDI影像；

6)利用EAS CCI土壤湿度数据验证步骤5)获得的TSDI干旱指数的适用性。

本发明的特点还在于：

步骤1)中，遥感影像数据包括地表温度、太阳诱导叶绿素荧光(Solar-Inducedchlorophyll Fluorescence,SIF)、土壤湿度。

步骤2)中，MODIS地表温度产品需要乘以增益系数0.02转化为真实地表温度。

步骤2)中将SIF数据转化为栅格数据的方法具体为：

将OCO-2 SIF的点状数据利用ArcGIS点转栅格工具得到对应空间分辨率(1.29km×2.25km)的栅格数据；

步骤3)中TCI和SCI干旱指数的计算方法为：

式中，LST

步骤4具体包括以下6个步骤：①异质指标同质化处理，包括正向指标和负向指标；②计算第k个指标第i个样本值占该指标的比重；③计算第k个指标的熵值；④计算第k个指标信息熵冗余度；⑤计算各项指标的权重；⑥计算各样本的综合得分。

步骤5)中，太阳诱导叶绿素荧光干旱指数TSDI计算公式为：

TSDI＝α×TCI+β×SCI (3)

式中，TSDI表示太阳诱导叶绿色荧光干旱指数；α和β分别代表TCI和SCI的权重。

本发明与现有技术相比具有的优点是：本发明提供了一种太阳诱导叶绿色荧光干旱监测方法，适用于植被覆盖条件下植被胁迫监测，该方法直接与植被光合作用和生理胁迫相关，同时比NDVI、EVI对植被水热胁迫更加敏感，而且与植被GPP相关性更好，改善了VCI、TCI、PCI、VHI、TVDI、PDI、MPDI、TVMDI干旱指数间接反映植被旱情的状况。

附图说明

图1为本发明一种太阳诱导叶绿素荧光干旱监测方法流程图；

图2为本发明实施案例中SIF、NDVI、EVI、MSAVI、PPT、SM和LST的每月变化。(黑色曲线表示多年平均值(2007-2016)；红色曲线表示2016年这些变量的每月平均值；灰色阴影区域是多年平均值的±1标准偏差)；

图3为本发明实施案例中SIF、NDVI、EVI和MSAVI与GPP散点图；

图4为本发明实施案例中2007年-2016年5月至9月干旱指数(SCI，VCI，TCI，PCI，TSDI，VHI，PDI，MPDI，TVMDI，TVDI和TVDIc)与SM的关系图；

图5为本发明实施案例中基于OCO-2SIF的2015年和2016年5月至9月的SCI，TSDI，VCI，VHI，TCI，PCI，PDI，MPDI，TVDI，TVDIc，TVMDI和SM之间的关系图(_757和_771代表基于OCO-2SIF不同波段窗口的反演)；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施案例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施案例仅用以解释本发明，并不用于限定本发明。

参照图1至图5，一种太阳诱导叶绿素荧光干旱监测方法，包括以下步骤：

1)获取研究地区遥感影像数据(地表温度、太阳诱导叶绿素荧光、土壤湿度)；

2)对步骤1)的遥感影像数据采用均值法重采样统一空间分辨率；地表温度产品乘以系数得到真实的地表温度，并利用S-G滤波根据质量控制文件纠正低质量的数据；将SIF数据转化为栅格数据；

3)根据步骤2)的地表温度和SIF数据，获取研究区TCI和SCI干旱指数数据，TCI和SCI表达式为：

式中，LST

4)根据步骤3)的TCI和SCI数据，统计研究区5月到9月(植被生长期)所有像元数据，利用熵权法确定TCI和SCI的权重分别为α和β(α+β＝1)，包括以下6个步骤：①异质指标同质化处理，包括正向指标和负向指标；②计算第k个指标第i个样本值占该指标的比重；③计算第k个指标的熵值；④计算第k个指标信息熵冗余度；⑤计算各项指标的权重；⑥计算各样本的综合得分。

5)将公式(1)、公式(2)和步骤4)确定的TCI(α)和SCI(β)权重代入太阳诱导叶绿素荧光干旱指数TSDI计算公式，得到研究区TSDI影像，TSDI的计算公式为：

TSDI＝α×TCI+β×SCI (6)

式中，TSDI表示太阳诱导叶绿色荧光干旱指数；α和β分别代表TCI和SCI的权重。

TSDI的原理是SIF在水分胁迫和热胁迫比NDVI和EVI减少更加显著且时间滞后更短，考虑植被生理作用(SIF和植被光合作用密切相关)和外界温度对植被的影响，利用熵权法确定TCI和SCI的权重，二者共同反映植被受到的胁迫程度。TSDI值越大表示植被受到胁迫作用越强。

6)利用EAS CCI土壤湿度数据验证步骤5)获得的TSDI干旱指数的适用性。

对TSDI干旱监测精度进行验证，具体验证过程为：

对TSDI的验证是采用ESA CCI土壤湿度数据，来着13种主动和被动微波传感器反演的土壤湿度产品。本示例主要针对草原，对SIF数据产品分为两种GOME-2SIF(空间分辨率为0.5°)产品和OCO-2SIF(1.29km×2.25km)产品，对于GOME-2SIF获得的TSDI主要提取2007年-2016年间5月至9月研究区草地覆盖比例大于和等于70％的像元与之对应的土壤湿度；对于OCO-2SIF计算的TSDI主要提取2015-2016年间5月至9月研究区草地覆盖比例不小于70％的像元且OCO-2SIF覆盖土壤湿度像元比例不小于50％的像元；最后利用TSDI与土壤湿度的相关系数进行定量评估。

利用呼伦贝尔草原ESA CCI土壤湿度产品数据对TSDI、SCI、VCI、VHI、TCI、PCI、TVDI、TVDIc、PDI、MPDI和TVMDI进行验证。以ESA CCI土壤湿度产品数据为横坐标，以TSDI为纵坐标，构建SM-TSDI散点图，如图4和图5所示，并与SCI、VCI、VHI、TCI、PCI、TVDI、TVDIc、PDI、MPDI和TVMDI进行对比分析，计算它们的相关系数。

干旱指数的验证数据是2007年至2016年5月至9月，包括整个草原生长期，涵盖了从无旱到严重干旱的所有阶段。因此，它可以更好地显示干旱指数的适用性和鲁棒性。图4所示，基于SIF的SCI和TSDI干旱指数，VCI、VHI、TCI、PCI、TVDI、TVDIc、PDI、MPDI和TVMDI与SM相关系数达到了显着水平(P<0.001或P<0.01)。TSDI与SM之间的相关性为-0.635(P<0.001)，仅低于VCI(-0.686，P<0.001)和VHI(-0.730，P<0.001)，排在第三(图4a，图4c和图4d)。SCI与SM相关系数为-0.409(P<0.001)，高于MPDI(-0.385，P<0.001)、TVDI(-0.138，P<0.001)和TVDIc(-0.065，P<0.01)。此外，TCI、PCI与SM相关系数为-0.620(P<0.001)和-0.550(P<0.001)，表明草原干旱与温度和降水密切相关(图4e和图4f)。TVMDI、PDI与SM相关系数分别为-0.615(P<0.001)和-0.441(P<0.001)(图4k和图4g)。TVMDI基于LST，SM和PVI的三维干旱指数，但其性能比TSDI差。

从空间分辨率上探讨了干旱指数监测效果。因为SIF(0.5°)的空间分辨率低于NDVI和LST(0.009°)的空间分辨率。因此，使用高分辨率OCO-2SIF(1.29km×2.25km)数据，但这是离散的每日数据。因此，选择OCO-2SIF数据可以覆盖研究区域中超过50％的像素，以计算SCI和TSDI。由图5可知，SCI与SM相关系数为-0.709(图5a)和-0.699(图5b)(P<0.001)，高于VCI、VHI、TCI、PCI、TVDI、TVDIc、PDI、MPDI和TVMDI(图5；TCI(图5g)除外)。TSDI月SM的相关系数最高(-0.775(图5c)，-0.783(图5d)；P<0.001)，高于VCI、VHI、TCI、PCI、TVDI、TVDIc、PDI、MPDI和TVMDI(图5)。因此，SIF的空间分辨率会影响SCI和TSDI的性能。综上可知，基于OCO-2SIF计算的TSDI在草原干旱监测的适用性最好。

SIF、NDVI、EVI、MSAVI对水热胁迫的敏感性及与GPP的相关性：

以2016年呼伦贝尔草原生长期的干旱事件为例。图2表示了2016年4月至9月VI，SIF，PPT，LST和SM的月度变化以及多年平均值的月度变化。在草原生长的早期，温度对草原生长起着重要作用。在5月LST低于多年平均水平，由于温度较低，草地生长受到抑制。但5月份SM和PPT高于多年平均水平，这表明草原没受到水分胁迫。6月气温上升，草原迅速生长，SIF整体均值增加了3.06％(图2a)，而NDVI、EVI和MSAVI分别降低了2.66％、2.21％和1.96％(图2b，图2c和图2d)。PPT和SM与多年平均值相比，在7月和8月显著下降(图2f和图2g)，同时LST升高(图2e)。此外，8月的PPT和SM高于-1SD，而7月和8月的LST也高于1SD。因此，7月和8月干旱非常严重。在7月和8月，SIF分别减少了49.54％和52.63％。相比之下，在此干旱事件中，NDVI分别降低了24.17％和32.55％；EVI分别减少了26.05％和33.33％；MSAVI分别降低了26.07％和33.78％，它们下降幅度小于SIF。因此，SIF对草原水热胁迫比VIs更加敏感。

如果使用GPP和APAR等草地生理指标更相关的指标建立干旱指数，不仅可反映草原干旱，且可更准确地反映草原生理干旱状况。尽管，在先前的研究中已证明GPP与SIF的相关性比NDVI、EVI更强，但GPP与SIF之间的关系仍然不确定，并且在不同的生物群落中有所不同。如图3所示，SIF(图3a)、NDVI(图3b)、EVI(图3c)、MSAVI(图3d)和GPP之间的相关系数分别为0.772、0.629、0.726和0.737(P<0.001)。因此，SIF和GPP之间的相关系数最高。此外，SIF(图3e)、NDVI(图3f)、EVI(图3g)、MSAVI(图3h)和APAR之间的相关系数分别为0.780、0.610、0.699和0.727(P<0.001)。因此，SIF和APAR之间的相关系数最强。结果表明，SIF与植被的光合作用和生理指标联系更加紧密，于是基于SIF的TSDI对草原生理干旱监测更为准确(图3、图4和图5)。