安徽理工大學(xué)遙感論文-條件植被溫度指數(shù)在農(nóng)業(yè)干旱監(jiān)測中的應(yīng)用

本科畢業(yè)論文條件植被溫度指數(shù)在農(nóng)業(yè)干旱監(jiān)測中的應(yīng)用Vegetationtemperatureconditionindexintheapplicationoftheagriculturaldroughtmonitoring學(xué)院（部）：測繪學(xué)院專業(yè)班級：學(xué)生姓名：指導(dǎo)教師：二○一四年五月十日條件植被溫度指數(shù)在農(nóng)業(yè)干旱監(jiān)測中的應(yīng)用摘要以河套地區(qū)為研究區(qū)域，應(yīng)用陸地衛(wèi)星Landsat7ETM遙感數(shù)據(jù)計算出歸一化植被指數(shù)和利用單窗算法反演出地表溫度，作出歸一化植被指數(shù)NDVI與地表溫度LST的散點圖，建立基于條件植被溫度指數(shù)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(shù)VTCI對葵花、玉米進行干旱監(jiān)測。最后與同期葵花、玉米的土壤含水量地面試驗結(jié)果進行比較，評價條件植被溫度指數(shù)VTCI的精確性和可行性。驗證結(jié)果表明，VTCI模型能夠較好地實時監(jiān)測的河套地區(qū)農(nóng)作物的旱情。關(guān)鍵詞：條件植被溫度指數(shù)（VTCI），干旱監(jiān)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(yù)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(tǒng)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(shù)(VTCI)定義 221330 23259986.3.1NDVI—LST的散點圖數(shù)據(jù) 2312500 2327814 2430768 244290 2627884 268310 2616561 2613993 27315448.結(jié)論 2831442 284639 2820502參考文獻 2930732致謝 32干旱是一種常見的自然災(zāi)害，據(jù)估計每年世界因干旱導(dǎo)致的經(jīng)濟損失高達70億美元左右，遠(yuǎn)遠(yuǎn)高于了別的自然災(zāi)害[1]。在我國自然災(zāi)害中氣象災(zāi)害占了70％，而干旱災(zāi)害又占?xì)庀鬄?zāi)害的50％左右[2]。由于其研究對象及應(yīng)用的范圍不同，通常又可將干旱分為氣象干旱、水文干旱、農(nóng)業(yè)干旱、和社會經(jīng)濟干旱等四種類型。一般所指的干旱監(jiān)測，主要是指農(nóng)業(yè)干旱的監(jiān)測,即農(nóng)作物在生長發(fā)育過程中由于供水不足,阻礙農(nóng)作物的正常生長和發(fā)育而造成的水量供應(yīng)不平衡現(xiàn)象。農(nóng)業(yè)干旱的形成和發(fā)展與許多外部因素都相關(guān)，如降雨、溫度、農(nóng)作物種植結(jié)構(gòu)、水利灌溉條件、農(nóng)作物的抗旱能力等。換而言之，干旱已成為制約我國農(nóng)業(yè)發(fā)展的一個重要因素，以目前我國的技術(shù)水平而言，我們還無法制止干旱的發(fā)生，但是我們可以針對特定區(qū)域、特定時間、特定農(nóng)作物建立合適的干旱監(jiān)測指標(biāo)體系，開展實時、動態(tài)、大面積、精確的農(nóng)業(yè)干旱監(jiān)測，評估某一區(qū)域在一段時間內(nèi)的不同農(nóng)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(jīng)濟損失。本文主要是針對我國河套地區(qū)進行干旱監(jiān)測，利用條件植被溫度指數(shù)法探討特定農(nóng)作物（葵花、玉米）的旱情，為提升我國河套地區(qū)的農(nóng)業(yè)干旱監(jiān)測預(yù)警水平提供理論支撐和技術(shù)支持。總的來說，干旱監(jiān)測對于科學(xué)指導(dǎo)我們合理灌溉農(nóng)田和更有效地抗旱，確保農(nóng)作物生產(chǎn)和農(nóng)業(yè)發(fā)展具有重要意義。區(qū)域干旱的監(jiān)測已成為當(dāng)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(nèi)相對長期平均水平而言降水減少,從而導(dǎo)致自然生態(tài)系統(tǒng)和雨養(yǎng)農(nóng)業(yè)生產(chǎn)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(shù)則屬于面上的干旱監(jiān)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(tài)監(jiān)測。當(dāng)植物受到水分脅迫不同時，反映植被生長狀況的植被指數(shù)就會發(fā)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(nóng)作物的受旱情況?；谶@個基本原理，國內(nèi)外的專家和學(xué)者已經(jīng)研究出了很多干旱監(jiān)測方法，如水分虧缺指數(shù)法、溫度植被指數(shù)法、距平植被指數(shù)、條件植被溫度指數(shù)法等。Price(1990)在研究土壤水分蒸發(fā)量時，發(fā)現(xiàn)當(dāng)研究區(qū)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(biāo)和歸一化植被指數(shù)（NDVI）為橫坐標(biāo)得到的散點圖上呈三角分布；Smith和Choudhury(1991)使用TM影像數(shù)據(jù)研究歸一化植被指數(shù)（NDVI）和地表溫度(Ts)之間關(guān)系時得出結(jié)論,發(fā)現(xiàn)了研究區(qū)域的植被覆蓋類型影響地表溫度(Ts)和植被指數(shù)（NDVI）斜率與土壤濕度的關(guān)系；Moran等(1994)在研究歸一化植被指數(shù)、地表溫度和空氣溫度之間關(guān)系時，發(fā)現(xiàn)歸一化植被指數(shù)、地表溫度和空氣溫度的差值組成了一個梯形,并根據(jù)它們之間的關(guān)系提出了適合部分一定植被覆蓋量的水分虧缺指數(shù)(WDI)。Goetz(1997)在研究不同分辨率的遙感影像數(shù)據(jù)時,發(fā)現(xiàn)在地表水分變化不是很大的情況下,歸一化植被指數(shù)（NDVI）與地表溫度之間存在著一定的關(guān)系,而且還發(fā)現(xiàn)這種關(guān)系主要受植被覆蓋度和土壤含水量的影響?？偟膩碚f，Price發(fā)現(xiàn)的三角形法對地面數(shù)據(jù)要求相對低一些，且具有較高的精度，它被廣泛應(yīng)用于區(qū)域干旱監(jiān)測。王鵬新等[10]綜合分析了條件植被指數(shù)、歸一化溫度指數(shù)、距平植被指數(shù)以及條件溫度指數(shù)等方法的優(yōu)缺點，提出了一種新的干旱監(jiān)測方法，即條件植被溫度指數(shù)(VTCI)，并探討了應(yīng)用范圍和前景。在此之后，國內(nèi)眾多學(xué)者開始著眼于對條件植被溫度指數(shù)的應(yīng)用，陳陽等[11]在對我國云南地區(qū)進行干旱監(jiān)測時中成功的使用了條件植被溫度指數(shù)法,楊鶴松等在對我國華北地區(qū)的干旱監(jiān)測中也成功地使用了條件植被溫度指數(shù)法。隨后王鵬新等[13]對基于歸一化植被指數(shù)和地表溫度的干旱監(jiān)測方法，如條件植被指數(shù)、距平植被指數(shù)、條件溫度指數(shù)、條件植被溫度指數(shù)等方法進行對比分析，得出一個重要結(jié)論，即條件植被溫度指數(shù)(VTCI)更適合于區(qū)域級的干旱監(jiān)測。在我國，己經(jīng)開始大規(guī)模開展用定量遙感反演土壤含水量進行干旱監(jiān)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(jiān)測起步較晚，在技術(shù)方法等方面還存在很問多題,有待學(xué)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(qū)域進行干旱監(jiān)測時,很少研究干旱對于不同農(nóng)作物的影響。因此，在今后的研究中應(yīng)針對某一特定區(qū)域不同農(nóng)作物進行干旱監(jiān)測研究,制定特定區(qū)域不同農(nóng)作物的監(jiān)測指標(biāo)體系，可以更有效采取抗旱措施，減少經(jīng)濟損失。（2）國內(nèi)外對土壤含水量監(jiān)測的深度問題己經(jīng)有了大量的研究,但是國內(nèi)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(xué)者專家認(rèn)為土壤含水量的深度10cm左右深度比較好,還有些學(xué)者專家則認(rèn)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(jié)論。（1）下載河套地區(qū)多景TM/ETM遙感影像，使用ENVI遙感影像處理軟件進行預(yù)處理。繪制河套地區(qū)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(qū)的玉米、葵花等農(nóng)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(qū)分類。（3）利用單窗算法反演出河套地區(qū)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(shù)（NDVI）和真實地表溫度（LST）構(gòu)成的散點圖，確定干邊（冷邊界）和濕邊（熱邊界），再根據(jù)地面實測數(shù)據(jù)，建立基于VTCI的土壤含水量反演模型。（5）對VTCI結(jié)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(qū)的玉米和葵花兩種農(nóng)作物旱情。（6）根據(jù)同期的土壤含水量地面試驗結(jié)果，評價VTCI的精確性和可行性。LandsatTM數(shù)據(jù)如圖1-1LandsatTM數(shù)據(jù)圖像預(yù)處理 圖像預(yù)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(shù)NDVI計算地表溫度LST計算歸一化植被指數(shù)NDVI 決策樹分類決策樹分類地表溫度LST歸一化植被指數(shù)NDVI地表溫度LST歸一化植被指數(shù)NDVI 玉米葵花玉米葵花計算條件植被溫度指數(shù)VTCI 地面實測數(shù)據(jù)地面實測數(shù)據(jù)條件植被溫度指數(shù)VTCI條件植被溫度指數(shù)VTCI結(jié)論2結(jié)論1圖1-1技術(shù)路線圖結(jié)論2結(jié)論1 位于巴彥淖爾盟境內(nèi)，橫跨巴彥淖爾盟七個旗縣（即：杭錦后旗、臨河區(qū)和烏拉特前、中、后旗、磴口縣、五原縣）及伊盟一個鄉(xiāng)、包頭市郊區(qū)兩個鄉(xiāng)、阿拉善盟一個農(nóng)場。北緯40°19′-41°18′，東經(jīng)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(qū)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(qū)地勢平坦、土地肥沃，農(nóng)業(yè)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(nóng)作物有玉米、葵花、甜菜、小麥等。河套地區(qū)是華北地區(qū)重要的糧食生產(chǎn)基地，被譽為“塞上糧倉”。河套地區(qū)屬于溫帶季風(fēng)氣候區(qū)，夏季溫?zé)岫嘤辏竞涓?。全年平均氣溫?.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(qū)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(qū)。與降雨量相比較，年平均蒸發(fā)量卻高達2032mm至3179mm，比降雨量大10到30倍?？偟膩碚f，河套地區(qū)降水量少，蒸發(fā)量大，溫差大，四季分明。2011—2012年河套地區(qū)農(nóng)作物地面實測數(shù)據(jù)，包括相應(yīng)的土壤含水量數(shù)據(jù)、農(nóng)作物發(fā)育狀況數(shù)據(jù)。數(shù)據(jù)源是2011年8月29日，軌道號129/31和129/32，Landsat7ETM數(shù)據(jù)，過境時間為當(dāng)?shù)貢r間10：30左右，坐標(biāo)系統(tǒng)為WGS84，投影方式為UTM。Landsat衛(wèi)星數(shù)據(jù)主要來自美國地質(zhì)勘探局（簡稱USGS）和中科院對地觀測中心網(wǎng)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(wèi)星Landsat7ETM傳感器上機載掃描行校正器(SLC)產(chǎn)生故障，造成2003年5月31日之后獲取的ETM影像出現(xiàn)了數(shù)據(jù)條帶丟失。因此在對ETM影像進行預(yù)處理之前，需要對ETM影像進行條帶修復(fù)。我們主要通過使用ENVI軟件中條帶修復(fù)功能，采用插值方法對ETM圖像進行條帶修復(fù)。圖像預(yù)處理輻射定標(biāo)是指將傳感器接收的遙感影像數(shù)據(jù)，通常都是灰度值（DN值），轉(zhuǎn)換成需要的物理量（如輻射亮度、反射率等）的過程。輻射定標(biāo)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(zhǔn)確性。遙感圖像的輻射定標(biāo)還是定量化遙感的一個重要環(huán)節(jié),輻射定標(biāo)精度不僅影響遙感影像數(shù)據(jù)的準(zhǔn)確性,而且還關(guān)系著遙感影像數(shù)據(jù)應(yīng)用的前景。ENVI輻射定標(biāo)一般有兩種方式：第一種：通過使用ENVI軟件自帶的對陸地衛(wèi)星landsatTM、ETM的輻射定標(biāo)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(biāo)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(biāo)方式。輻射定標(biāo)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(shù):根據(jù)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(yīng)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(dāng)遙感圖像在幾何位置上發(fā)生了變化，產(chǎn)生諸如行列不均勻，像元大小與地面大小對應(yīng)不準(zhǔn)確，地物形狀不規(guī)則變化等，即說明遙感影像發(fā)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(jù)已經(jīng)發(fā)生幾何畸變的遙感影像與標(biāo)準(zhǔn)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(jù)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(shù)據(jù)為基準(zhǔn)，分別對2011年8月29日，軌道號129/31及129/32，Landsat7ETM數(shù)據(jù)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?？刂泣c要選影像上易區(qū)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(zhǔn)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(zhǔn)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(zhǔn)到相同地物點的位置，然后選擇Addpoint添加點。在控制點數(shù)目選擇上，數(shù)目至少滿足(n+1)(n+2)/2個,n為多項式次數(shù)。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(dāng)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(qū)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(qū)。在我們實際工作中，我們從網(wǎng)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(shù)據(jù)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(qū)域，節(jié)約磁盤存儲空間，減少數(shù)據(jù)處理時間。根據(jù)ENVI軟件提供的圖像裁剪功能，主要分為規(guī)則裁剪和不規(guī)則裁剪兩種方式。規(guī)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(biāo)、矢量文件和感興趣區(qū)域等。不規(guī)則的分幅裁剪是指裁剪圖像的邊界范圍是任意一個不規(guī)則的多邊形。不規(guī)則多邊形可以是從網(wǎng)上下載或者是我們自己繪制的矢量數(shù)據(jù)，也可以是一個我們自己用ENVI軟件繪制的感興趣區(qū)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(jīng)過輻射定標(biāo)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(shè)置DataValuetoIgnore,設(shè)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(biāo)的技術(shù)。圖像裁剪的主要步驟為：（1）File→openvectorfile，打開河套地區(qū)邊界矢量圖。河套地區(qū)的邊界從土地利用現(xiàn)狀圖中獲取，在ARCGIS軟件中對河套地區(qū)邊界進行人工矢量化，并轉(zhuǎn)化為多邊形的coverage文件。（2）將矢量數(shù)據(jù)轉(zhuǎn)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(qū)裁剪圖像，如圖3-5。圖3-5河套地區(qū)圖像演算地表溫度植被指數(shù)，廣義上是指利用衛(wèi)星不同波段探測數(shù)據(jù)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(shù)。影響農(nóng)作物生長和產(chǎn)量的因素很多，主要是氣候、生產(chǎn)水平、土壤、天氣以及人類活動等。在這些因素中，對某一地區(qū)來說，在一段特定時間內(nèi)，可以認(rèn)為土壤、氣候、人類活動和生產(chǎn)水平處于相對不變的狀態(tài)，只有天氣發(fā)生變化，對農(nóng)作物生長造成短期的影響。因此，植被指數(shù)可用于監(jiān)測農(nóng)作物生長發(fā)育狀況，尤其是監(jiān)測區(qū)域農(nóng)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(shù)。歸一化植被指數(shù),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(shù)(NDVI)是植被指數(shù)中最常用的一種，該指數(shù)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(biāo)。歸一化植被指數(shù)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(shù)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(shù)的多波段圖像，點擊OK，得到歸一化植被指數(shù)圖像，如圖4-1。圖4-1歸一化植被指數(shù)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(nèi)的遙感。由于熱輻射傳輸過程很復(fù)雜，有些波段還沒有到達傳感器就已經(jīng)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(qū)間內(nèi)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(shù)據(jù)，利用地表熱輻射傳導(dǎo)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(shù)據(jù)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?；殷w是在任何溫度下所有各波長的輻射強度與絕對黑體相應(yīng)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(shù)（NDVI）獲得LSE影像估算發(fā)射率（比輻射率）。根據(jù)Owe和Griend等研究發(fā)現(xiàn)，實測的發(fā)射率值（比輻射率值）和歸一化植被指數(shù)（NDVI）值之間存在者一定的相關(guān)性，后來經(jīng)回歸分析，得到了如下的相關(guān)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(shù)。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(shù)據(jù)點擊OK。輸出的數(shù)據(jù)就是河套地區(qū)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(biāo)，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(shù)據(jù)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(shù)據(jù)第6波段的輻射亮度值（ETM數(shù)據(jù)第6波段經(jīng)校正和圖像裁剪后的圖像）；K和K為計算常系數(shù)。其中在TM數(shù)據(jù)中，K=607．76，K=l260．56。在ETM數(shù)據(jù)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(jīng)經(jīng)過校正和裁剪的數(shù)據(jù)），點擊OK。輸出的數(shù)據(jù)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(zhì)的，而是異質(zhì)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(shù)據(jù)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(shù)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(rèn)區(qū)間。（2）選擇Options→AddNewRanges，添加以下四個區(qū)間：35℃以上，紅色;30℃至35℃，黃色;25℃至30℃，綠色;低于20℃，藍(lán)色。（3）在DensitySlice窗口中選擇File->OutputRangetoClassImage，可以將反演的溫度結(jié)果輸出。如圖4-5，表示的是密度分割后的河套地區(qū)真實溫度圖像。圖4-5密度分割后的河套地區(qū)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(nèi)的所有像素根據(jù)其性質(zhì)和特征劃分為不同類別的技術(shù)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(xiàn)出某種內(nèi)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(tǒng)一特征空間區(qū)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(qū)域中。遙感圖像的計算機自動分類技術(shù),與遙感圖像的目視解譯技術(shù)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(jù)以往的經(jīng)驗和專業(yè)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(jié)合起來,彼此優(yōu)勢互補，從而提高效率和精度。遙感數(shù)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(yīng)用前景。遙感圖像分類方法按照有無先驗知識,可劃分為監(jiān)督分類和非監(jiān)督分類兩種。監(jiān)督分類和非監(jiān)督分類這兩種方法都是傳統(tǒng)的分類方法。傳統(tǒng)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(jiān)督分類是先根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過選擇特征參數(shù)，確定判別函數(shù),據(jù)此對樣本像元進行分類，依據(jù)樣本像元的類別對未知樣本的所屬類別做出判定。非監(jiān)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(jù)像元間相似度大小進行歸類合并的方法。隨著遙感技術(shù)的發(fā)展和學(xué)科之間的交叉互補，許多新的理論和相鄰學(xué)科的相關(guān)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(jié)構(gòu)紋理分類、人工神經(jīng)網(wǎng)絡(luò)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(qū)進行分類，最大似然法是傳統(tǒng)的計算機分類監(jiān)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(qū)的分類方法。訓(xùn)練場地是從所要研究的區(qū)域內(nèi)中確定包含所有要區(qū)分的類,并對每個類都具有代表性的樣本集合。對訓(xùn)練樣本的要求:A．訓(xùn)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(xùn)練樣本必須要保證一定數(shù)目，但樣本個數(shù)也不是越多越好，樣本分布規(guī)律性差的類別一定要多選些,而分布規(guī)律性較好的類別就可以選少一些，節(jié)省時間和精力。C．訓(xùn)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(qū)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(shè)置好顏色。（3）同時為了能更好的區(qū)分農(nóng)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(xùn)練樣本的要求選擇。（5）重復(fù)(2)~(4)步驟，樣本分別為玉米地、葵花、水體、城鎮(zhèn)、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(jiān)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(jīng)元網(wǎng)絡(luò)分類法、模糊分類、最大似然法等方法。最大似然法是監(jiān)督分類中應(yīng)用最為廣泛的一種，又被稱為貝葉斯(Bayes)監(jiān)督分類。它以條件概率密度函數(shù)為判別函數(shù),以貝葉斯(Bayes)準(zhǔn)則為判別方法，其分類風(fēng)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(tài)分布。最大似然法先要建立判別函數(shù)，再逐點計算各像元的歸屬概率，歸屬概率最大的為其相應(yīng)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(shù)設(shè)置面板。（4)在MaximumLikelihood參數(shù)設(shè)置面板中，選擇樣本,再點擊OK，執(zhí)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(tǒng)的監(jiān)督分類和非監(jiān)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(fù)雜的地物信息中潛在的總體規(guī)律以及各地物間相互制約、相互依存的聯(lián)系，建立起樹枝狀的結(jié)構(gòu)框架，同時針對不同的地物，結(jié)合一定的專家知識和經(jīng)驗，并選擇相應(yīng)的輔助數(shù)據(jù)（DEM,NDVI等）和特征波段，然后根據(jù)決策樹的結(jié)構(gòu)，最終將地物分級分層地逐個區(qū)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(jié)點（地表特征大類），一系列的內(nèi)部節(jié)點以及葉子節(jié)點（最后分類的各個子類）組成。每一個節(jié)點（除根節(jié)點）都有一個父節(jié)點，每一個節(jié)點（除葉子節(jié)點）也都有兩個子節(jié)點。決策樹的葉節(jié)點為類名，一個葉結(jié)點只對應(yīng)一個類別屬性，但是不同的葉結(jié)點可以對應(yīng)同一個類別屬性。決策樹分類規(guī)則易于理解，分類過程也比較簡單，與傳統(tǒng)分類方法相比較，最大的優(yōu)勢就是綜合利用多源數(shù)據(jù)，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(tǒng)計通過ENVI軟件繪制各類別的感興區(qū)樣本，在利用EXCEL統(tǒng)計給歌類別樣本的光譜值（DN值），繪制出各地物的光譜統(tǒng)計圖。統(tǒng)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(jù)各個地物波段間的差異性設(shè)置適合的分類閾值可以用來區(qū)分地物，幫助提高分類精度。 圖5-3各類地物光譜統(tǒng)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(tài)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(lán)綠光波段反射率強，在其它波段反射率都較低。城鎮(zhèn)、裸地等、沙丘、鹽土非植被類型的光譜響應(yīng)曲線和植被類型的光譜曲線有明顯差異。決策樹分類規(guī)則如下描述：玉米：ndvi>0.2,b4<54?？ǎ簄dvi>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(zhèn)：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(guī)則。我們先依據(jù)歸一化植被指數(shù)值（NDVI）劃分第一個節(jié)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(shè)定一個數(shù)據(jù)源。圖5-4就是依據(jù)地物的光譜值（DN值）繪制的決策樹。圖5-4構(gòu)建決策樹規(guī)則（3）輸入完決策，在DecisionTree菜單上選擇Options→Execute，執(zhí)行決策樹，樹規(guī)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(tǒng)計分析、精度評價、類別篩選、柵矢轉(zhuǎn)換等方法。分類后的圖像上有些地物會在部分區(qū)域不連續(xù)，表現(xiàn)為離散的斑點，即分類區(qū)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(jié)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(zhì)量好壞最有效的方法。分類精度是指遙感分類結(jié)果與地面實際測量值比較，正確分類結(jié)果所占的百分比。遙感數(shù)據(jù)分類精度評價指標(biāo)通常包括以下四種，總體精度、用戶精度、生產(chǎn)者精度及Kappa系數(shù)?？傮w精度，是由混淆矩陣中分類正確的像元數(shù)與總像元數(shù)的比值求得。用戶精度,該類別中參考數(shù)據(jù)和解譯后數(shù)據(jù)一致的數(shù)目除以解譯后數(shù)據(jù)認(rèn)為是該類別的取樣點的總數(shù)(矩陣中該行的總和)。生產(chǎn)者精度,該類別中參考數(shù)據(jù)和解譯后數(shù)據(jù)一致的數(shù)目除以參考數(shù)據(jù)認(rèn)為是該類別的樣點總數(shù)(矩陣中該列的總和)。Kappa系數(shù)(Congalton等1983年研究提出),主要應(yīng)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(dǎo)致的生產(chǎn)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(jié)果質(zhì)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(qū)，二是標(biāo)準(zhǔn)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?；煜仃嚲仍u價結(jié)果（1）最大似然法精度評價結(jié)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(chǎn)精度用戶精度玉米葵花水體100城鎮(zhèn)86沙丘裸地鹽土（2）決策樹精度評價結(jié)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(chǎn)精度用戶精度玉米葵花水體100城鎮(zhèn)沙丘裸地鹽土（3）由分類評價結(jié)果來看，決策樹的分類精度高，達到了96%，Kappa系數(shù)也高達0.9498，比最大似然法的分類精度和Kappa系數(shù)高。從精度評價結(jié)果來看，應(yīng)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(qū)內(nèi)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(qū)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(xiàn)象”比較嚴(yán)重，分類的圖像不連續(xù)。另外，樣本的選擇也會影響分類最大似然法分類的結(jié)果。由于知識和經(jīng)驗的有限，在選擇樣本的時候難免會帶有一定誤差，這也導(dǎo)致了分類結(jié)果精度受到一定的影響。從精度評價結(jié)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(jié)論。對細(xì)碎地物的分類中，最大似然法的分類精度遠(yuǎn)遠(yuǎn)低于決策樹分類?？偟膩碚f，兩種分類方法對大面積連續(xù)分布的地物分類結(jié)果都較為理想，但是對細(xì)碎地物的分類中，最大似然法的分類精度遠(yuǎn)遠(yuǎn)低于決策樹分類。本文主要是研究對河套地區(qū)農(nóng)作物的分類，基于專家知識的決策樹方法體現(xiàn)了無可比擬的優(yōu)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(qū)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(qū)域每一個像素的歸一化植被指數(shù)（NDVI)和地表溫度(LST)構(gòu)成的散點圖表現(xiàn)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(guān)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(dāng)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(tài)，BC代表濕邊（熱邊界）表示潛在蒸散濕潤狀態(tài)。上述內(nèi)容表示對于某一時段內(nèi)特定區(qū)域的NDVI與LST構(gòu)成散點圖中,該區(qū)域內(nèi)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(gòu)成的梯形內(nèi)。圖6-1植被指數(shù)與地表溫度特征空間6.2條件植被溫度指數(shù)(VTCI)定義條件植被溫度指數(shù)(VTCI)干旱監(jiān)測方法是王鵬新等在研究NDVI—LST的散點圖時發(fā)現(xiàn)分布呈三角形狀的基礎(chǔ)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(qū)域內(nèi)土壤表層含水量從萎蔫含水量到田間持水量之間。？該指數(shù)具有時空專一性，適宜研究某一特定區(qū)域在一定時期內(nèi)相對干旱的程度及變化規(guī)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(qū)域中，當(dāng)?shù)扔谀骋惶囟ㄖ禃r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(shù)，是通過作出研究區(qū)域關(guān)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(shù)（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(yán)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(shù)（VTCI）的取值范圍為[0,l],如果該區(qū)域VTCI的值越大,說明該區(qū)域相對干旱程度越輕，土壤表層含水量越多。反之，當(dāng)VTCI的值越小，說明該區(qū)域相對干旱程度就嚴(yán)重，土壤表層含水量越少。6.3.1NDVI—LST的散點圖數(shù)據(jù)由于VTCI模型要求研究區(qū)域需滿足一定條件才能實現(xiàn)，如研究區(qū)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(qū)NDVI值大于0的區(qū)域。只研究對河套地區(qū)NDVI值大于0的區(qū)域，就需要對河套地區(qū)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(shè)b1>0，即可得到NDVI值大于0的區(qū)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(biāo)，LST圖像為縱坐標(biāo)，即可得到散點圖，如圖6-2。 圖6-2NDVI—LST的散點圖根據(jù)NDVI—LST構(gòu)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(jù)條件植被溫度指數(shù)(VTCI)模型原理,把6.52公式(6-4)、(6-5)代入條件植被溫度指數(shù)計算公式（6-3）中，就可以獲得河套地區(qū)的干旱區(qū)域分布圖，如圖6-3。圖6-3河套地區(qū)干旱區(qū)域分布圖 獲得河套地區(qū)干旱區(qū)域分布圖之后，利用決策樹分類之后的矢量數(shù)據(jù)，分別對河套地區(qū)干旱區(qū)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(qū)域分布圖。然后再根據(jù)條件植被溫度指數(shù)（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(qū)域中玉米地條件植被溫度指數(shù)（VTCI）值較小，而條件植被溫度指數(shù)（VTCI）值越小，則表示旱情越嚴(yán)重，因此可以看出玉米地旱情要比葵花地的旱情嚴(yán)重。從農(nóng)作物分布上來看，對于玉米而言，河套地區(qū)南部，中西部旱情相對嚴(yán)重一些，對于葵花地而言，河套地區(qū)中部旱情相對嚴(yán)重一些。通過現(xiàn)場的調(diào)查發(fā)現(xiàn)，葵花的覆蓋度要比玉米的大，當(dāng)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(fā)。8月下旬正是河套地區(qū)葵花玉米即將收獲的季節(jié)，玉米、葵花的枝葉枯黃，作物蒸騰作用大大減小，根據(jù)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(fā)，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(qū)域分布圖圖6-5玉米干旱區(qū)域分布圖7.1定量遙感定量遙感又稱遙感量化研究，區(qū)別于僅僅只依靠定性方式的識別地物的一般方法（經(jīng)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(shù)的方法和技術(shù)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(nèi)給出的地表物質(zhì)的準(zhǔn)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(xué)參量通過物理的或?qū)嶒灥哪Ｐ徒Y(jié)合起來，定量的反演或推算出某些大氣或生物學(xué)及地學(xué)等目標(biāo)參量。定量遙感可以說是遙感未來發(fā)展的一個重要方向,屬于前沿科學(xué)。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(qū)域內(nèi)每一種地物的特定波普特性以及對應(yīng)的大氣參數(shù)值,從而求出研究區(qū)域以內(nèi)所有地物的輻射強度。反演模型，是指已知的遙感研究區(qū)域內(nèi)每一類目標(biāo)地物的發(fā)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(guān)系的任一參數(shù)。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(guān)系參數(shù)。反演問題的主要內(nèi)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(tài)水分（固態(tài)水、氣態(tài)水和液態(tài)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(nóng)作物生長發(fā)育主要是依靠農(nóng)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(nóng)作物生長發(fā)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(nóng)作物生長發(fā)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(nèi)土壤的干濕程度，即土壤水分的重量占土壤干重的百分?jǐn)?shù)，是農(nóng)業(yè)生產(chǎn)和干旱監(jiān)測中的一個重要參數(shù)。土壤水分定量遙感反演模型建立根據(jù)反演計算條件植被溫度指數(shù)（VTCI）值與相同觀測站點的土壤表層含水量數(shù)據(jù)，利用SPSSstatistics軟件檢測相關(guān)分析。其分析結(jié)果顯示，條件植被溫度指數(shù)（VTCI）與土壤表層(0-10cm)含水量之間的相關(guān)系數(shù)為0，29，而與土壤表層(0-20cm)含水量之間的相關(guān)系數(shù)為0.46。這表明條件植被溫度指數(shù)(VTCI)與土壤表層含水量0—10cm和0—20cm有較好的相關(guān)性，條件植被溫度指數(shù)（VTCI)能夠較好地反映出某一特定區(qū)域內(nèi)地表的干濕變化。而相關(guān)性的大小取決于相關(guān)系數(shù)，相關(guān)系數(shù)越接近1，相關(guān)性越好。通過土壤表層含水量0—10cm和0—20cm的相關(guān)性比較，得出土壤表層含水量0—20cm與條件植被溫度指數(shù)（VTCI）有更好的相關(guān)性，所以我們選擇土壤含水量(0—20cm)與條件植被溫度指數(shù)（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(qū)域的土壤含水量，為某一區(qū)域?qū)τ谀骋幌裨獥l件植被溫度指數(shù)（VTCI）值。評價條件植被溫度指數(shù)VTCI模型的精確性和可行性圖7-1VTCI模型預(yù)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(jiān)測值的相對地面觀測數(shù)據(jù)偏高，VTCI模型監(jiān)測值的精度相對低一些。對于旱情相對嚴(yán)重的地區(qū)（VTCI值相對較大）的地方，如玉米地，VTCI模型監(jiān)測值的精度相對高一些。結(jié)論本文得到如下結(jié)論：（1）本文分別用決策樹和監(jiān)督分類中的最大似然法對河套地區(qū)分類，再對分類結(jié)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(qū)分類。（2）采用LandsatETM衛(wèi)星遙感數(shù)據(jù)反演地表溫度，再作出歸一化植被指數(shù)（NDVI）和地表溫度（LST）的散點圖，建立VTCI模型，利用條件植被指數(shù)（VTCI）對河套地區(qū)的葵花和玉米進行干旱監(jiān)測，得出玉米地旱情要比葵花地的旱情嚴(yán)重。（3）通過SPSS軟件對條件植被指數(shù)（VTCI）模型與0—10cm和0—20cm土壤表層含水量進行相關(guān)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(guān)性，而且還發(fā)現(xiàn)VTCI模型與0—20cm土壤表層含水量有更好的線性相關(guān)性。（4）通過把玉米和葵花的VTCI模型與同期的地面實測數(shù)據(jù)作對比，發(fā)現(xiàn)對于旱情較重的地區(qū)（VTCI值?。┑牡胤剑琕TCI模型監(jiān)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(jù)這一個時間點的數(shù)據(jù)建立條件植被指數(shù)VTCI模型,今后應(yīng)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(tài)干旱監(jiān)測。（2）本論文主要是應(yīng)用RS技術(shù)，與GIS結(jié)合較少。今后應(yīng)多注重RS技術(shù)是與GIS技術(shù)相結(jié)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(qū)域，對研究區(qū)域未造成影響，所以只對遙感影像進行了輻射定標(biāo)，未進行大氣校正。（4）本論文采用決策樹分類方法統(tǒng)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(tǒng)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(shù)據(jù)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(wèi)，劉榮花,等.中國農(nóng)業(yè)干早的監(jiān)測、頂警和災(zāi)損評估[J].科技導(dǎo)報.2009，27(11)：82—92.[2]劉穎秋旱災(zāi)害對我國社會經(jīng)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(shù)的旱監(jiān)測研究[J].干旱地區(qū)農(nóng)業(yè)研究.2009,27（3）：208—212.[4]陳鵬,基于植被指數(shù)和地表溫度的農(nóng)業(yè)旱情監(jiān)測適用性研究[D].南京,南京信息工程大學(xué),2011,6.1.[5]陳陽，范建容，郭芬芬，等．條件植被溫度指數(shù)在云南干旱監(jiān)測中的應(yīng)用[J]．農(nóng)業(yè)工程學(xué)報，2011，27(5)：23l一234.[6]PriceJC.Usingspatialcontextinsatellitedatatoinferregionalscaleevapotranspiration[J].IEEETransactionsonGeoscienceandRemoteSensing,1990,2