农业干旱遥感监测研究进展

农业干旱遥感监测研究进展

杨绍锷,闫娜娜,吴炳方

(中国科学院遥感应用研究所,北京100101)

收稿日期:2009-02-19

修订日期:2009-03-25

基金项目:中国科学院知识创新工程重大项目(KSCX -Y W-09-01)。国家科技支撑计划项目(2008BADA8B02-1)。作者简介:杨绍锷(1980~),男,汉族,广西浦北人,中国科学院遥感应用研究所博士生,研究方向为农业旱情监测及农业估产。E -m ail:yangshe88@https://www.360docs.net/doc/7017028269.html, 通讯作者:吴炳方,w ubf@https://www.360docs.net/doc/7017028269.html,

摘要:农业干旱给社会经济及人民生活造成严重影响,关于农业旱情监测的研究受到了学者们的广泛关注。遥感技术的发展为准确、及时进行旱情监测提供了新的机遇。本文综述了近年来国内外采用遥感方法监测农业旱情的研究进展,包括土壤湿度、作物形态、作物生理等农业旱情指标的遥感反演,指出了在实际应用中存在的一些问题,并提出了进一步改进的思路。

关键词:农业干旱;遥感;监测

doi:10.3969/j.issn.1000-3177.2010.01.021

中图分类号:T P79 文献标识码:A 文章编号:1000-3177(2010)107-0103-07

1 引 言

干旱是世界范围内普遍发生的一种复杂的自然现象,其波及范围广,持续时间长,是农业生产和人类生活中最严重的自然灾害之一。由于所关注的领域不同,干旱通常被分为4类:农业干旱,外界环境因素造成作物体内水分亏缺影响作物正常生长发育;气象干旱,由于降水和蒸发的收支不平衡所造成的异常水分短缺;水文干旱,降水与地表水或地下水收支不平衡造成的水分短缺;社会经济干旱,自然系统与人类社会经济系统的水资源供需不平衡造成的水分短缺。应当注意农业干旱与气象干旱的联系和区别,当发生气象干旱时,不一定发生农业干旱;而当发生农业干旱时,也不一定发生气象干旱。农业干旱的发生与气象、地形、土壤、底墒、灌溉措施、种植结构、品种抗旱能力等众多因素相关,被认为是这4类干旱现象中最复杂的一种。

农业干旱,即作物体内水分亏缺,主要是由于土壤供水与作物需水不平衡造成,这取决于土壤的供水能力和作物的生理需求。判断是否发生农业干旱必须从供需两方面考虑,传统的农业旱情监测主要基于地面站点的土壤墒情数据,其准确性、代表性、完整性有限。遥感技术的发展为农业旱情监测提供了新的途径,其优势在于能够及时、客观地获取大范

围的地表综合信息,同时监测土壤供水和作物需水状况,使其已成为区域旱情监测的重要手段。

2 土壤湿度的遥感监测

土壤湿度在农业、生态、水文、气象等众多研究领域中都是一个重要参数,土壤湿度的遥感反演受到各领域的关注,已对多种方法进行了研究探讨,其中微波遥感法和热惯量法被认为是较具潜力的土壤湿度遥感反演方法。

2.1 微波遥感法

物体的微波发射率主要取决于其介电特性。水的介电常数约为80,而干土的介电常数仅为3~5,土壤的湿度大小直接影响着土壤的介电常数,这使得微波回波对土壤湿度非常敏感。由此可建立土壤湿度与后向反射系数的统计经验函数,通过遥感数据获取的后向反射系数反演土壤湿度。由于微波遥感法具有全天时、全天候、穿透能力强等优点,已成为当前遥感研究的一个热门课题。

微波遥感可分为被动微波遥感和主动微波遥感两种。通常被动微波遥感成本低,时间分辨率高,但空间分辨率低;而主动微波遥感成本高,空间分辨率高,但时间分辨率低。无论被动微波遥感或主动微波遥感,其反演结果都受到地表粗糙度和植被的影响。如何降低或消除地表粗糙度和植被的影响,是

103

当前微波遥感的一个重要研究方向。T ansey[1]和Mo eremans[2]的研究表明,在裸地和稀疏植被地区,近地表土壤湿度与后向散射系数之间有很高的相关性,并且认为地表粗糙度对于土壤水分的监测有很大影响;李震等[3]综合主动和被动微波数据以及光学数据监测土壤湿度变化,减少了植被的影响,提高了土壤湿度变化监测的精度;刘伟等[4]尝试极化分解技术克服地表粗糙度和植被的影响,较好的估算了植被覆盖地表的土壤湿度变化,但该方法要求时间分辨率较高,同时必须是全极化数据,当前的星载微波传感器难以达到这种要求;Rajat Bindlish[5]利用改进的IEM模型,得到了与实际土壤湿度相关性高达0.95的反演结果。微波遥感不受云的干扰,可以全天时使用,尽管受地表参数影响较大,但其对土壤水分的估算精度仍较高,是土壤水分监测极具潜力的方法。但当前微波遥感通常只能反演土壤表层的湿度,而作物根系通常都在10cm~20cm以下,因此应用于农业旱情监测有一定的局限性。

2.2热惯量法

由于水具有较大的热容量和热传导率,使得土壤湿度的大小决定着土壤的热惯量大小,当土壤湿度增加,土壤热惯量增大,地表温度昼夜变化小。通过遥感数据分析地表温度的变化反演土壤的热惯量,从而达到监测土壤湿度的目的。通常的作法是:先利用遥感获取的地表温度数据反演土壤表层的热惯量,然后结合地面实测的土壤湿度资料,建立土壤湿度与热惯量之间的统计模型。线性模型是较为常用的模型,也有幂函数、指数函数、对数函数等其他形式的非线性模型[6],但线性模型与其他模型的差异不明显,而且线性模型计算方便,简单实用[7],因此应用过程中通常使用线性模型。由于NOAA/ AVH RR数据成本较低,时间和空间分辨率都能满足大范围土壤湿度监测的要求,是该方法最常用的数据源。热惯量法的缺陷在于土壤热惯量受土壤质地、土壤类型影响,而且不适用于植被覆盖度较高的地区。在实际的应用中,由于受云和大气的影响,难以获取一对日夜都无云的影像。陈怀亮[7]建立了不同土壤质地的热惯量模型,同时引入地形和风场参数,提高了水分反演的精度,此类方法在实际应用中的难度在于地形和风场参数的确定。张仁华[8]利用土壤受光面和阴影面、叶子受光面和阴影面的温差信息,将热惯量模型、热量平衡模型和温差模型结合起来,开辟了利用多角度遥感数据反演土壤湿度的新途径。

土壤湿度能在一定程度上反映农业干旱,但土壤湿度不是造成农业干旱的唯一原因,不同的作物处在不同的生育期、不同的天气条件下对土壤水分的要求不同;太阳辐射强,气温高,风力大等环境因素导致作物蒸腾消耗较大,即便土壤含水量较高,但作物根系吸收的水分仍不足以补偿作物蒸腾,致使作物受旱。若仅用土壤湿度指示农业旱情,难免有失公正、客观。为了更准确地反映旱情,土壤湿度需要与作物信息相结合。

3作物需水状况的遥感监测

作物需水状况通常通过作物的形态指标和生理指标来反映。利用遥感方法的优势,结合作物的形态特点和生理特点,国内外许多学者已提出了基于遥感参数的作物形态指标和生理指标衍生出了作物遥感综合指标。

3.1作物形态指标

作物形态指标是指作物的长势或长相。当植被受水分胁迫时,植被生长状况会发生相应的变化,农学上通常采用直观地观测作物长势、长相的方法,进行定性地描述小范围内的作物旱情。遥感技术通过监测植被指数的方法来描述植被的长势。其根据是植被活性叶片在红波段有强吸收,在近红外波段有高反射,建立这两个波段的线性或非线性关系,可定量描述绿色植被的丰度、覆盖度,反映植被的生长状况。常见的有归一化植被指数、比值植被指数、距平植被指数、相对距平植被指数、条件植被指数等。其中归一化植被指数(Nor malized Different Vegeta-tion Index,NDVI)是较为常用的植被指数。

3.1.1归一化植被指数

归一化植被指数(NDVI)的计算方法为:

N D VI=(Q N I R-Q RED)/(Q NI R+Q RED)(1)其中Q RED为红波段的反射率,Q N IR是近红外波段的反射率。由于植被活性叶片中的叶肉组织在近红外波段有较高的反射率,而叶绿素在红光波段有较强的吸收,使得植被在近红外波段的反射率较高,而在红光波段的反射率较低,因此植被的NDVI值较大;而岩石、裸地在这两个波段的反射率相近, NDV I值趋于0;云、水体和积雪的近红外波段反射率小于红光波段反射率,NDVI小于0。由此可用NDV I反映植被覆盖度和作物长势,NDV I值越高,表明植被覆盖程度越高,作物长势越好。

Lozana-Garcia等[9]利用NDVI对美国印第安那州1988年的重旱进行分析,结果表明NDVI对重

104

旱有较好的反映。Gutm an等[10]利用全球1988年到1991年NOAA/AVH RR月NDVI时间序列数据对全球进行监测,发现NDVI的月变化可以对极端的天气如旱灾与洪涝进行监测。Gonzalez-alonse 等[11]对西班牙1987年~2001年每旬NDVI值的分析表明,利用NDVI最大值的方差能更好地对旱情范围、强度和动态进行监测,并成功地分析出1988年~1992年西班牙大面积的旱灾。但由于NDVI 值受植被、土壤、地形、天气等因素影响,在不同的地区、不同的植被覆盖情况下,发生旱情时的NDVI 值有所不同,如果仅把NDVI作为旱情指标,可能会造成某一特定时间内大范围旱情监测结果的可比性较差。

3.1.2条件植被指数

为消除NDVI的空间变异,减少地理和生态系统变量的影响(主要是天气、土壤、植被和地形等影响),使不同地区、不同时间之间具有可比性, Kogan[12]提出条件植被指数(Vegetation Conditio n Index,VCI)。假设NDVI最大值出现在最佳天气,而最小值出现在不利天气条件下(如干旱)[13]。利用足够长时间的NDVI序列数据,提取NDVI的最大值NDVI max和NDVI的最小值NDVI min,采用下列公式计算VCI:

VCI=

N D VI-N D Vl min

N D Vl ma x-N D Vl min(2)

使用VCI作为旱情评价的标准使得对不同地区的旱情比较更为合理。蔡斌等[14]用VCI参照降水对全国1991年春季干旱进行了监测和研究,认为VCI可用来进行旱、涝监测,并给出旱、涝的地区、范围和旱、涝程度。Liu[13]经过研究全球植被指数认为,VCI可反映低纬度地区(<50b)的大范围干旱状况。冯强等[15~18]对NDVI、V CI在中国区的时空变化进行研究,结果表明VCI的变化季节性明显,在对VCI与土壤湿度作相关性分析的基础上,提出了VCI反演土壤湿度的近似线性模型作为全国的旱情监测标准。

干旱的形成通常是一个渐进和累积的过程,发生缓慢而不易察觉,作物受旱情胁迫时,作物的长势不会迅速的发生变化,作物当前的长势是前期的生长条件综合影响的结果。例如,作物植株枯黄、矮小可能是由于前期的干旱造成,不能说明当前是否受旱;连续干旱后,即便有充足的降水或灌水,作物也不会迅速地恢复到常年的水平,而且由于作物前期生长受影响,往后的作物长势有可能都不如常年的水平。因此这种仅仅基于植被指数的旱情监测方法,对农业旱情的反映具有滞后性。另一方面,影响作物长势的因素不仅包括干旱,其他众多原因如洪涝、病虫害、土壤盐渍化、田间管理不当等都可以造成作物长势不良;种植面积和种植种类的变化也会造成NDVI和VCI的变化。仅以植被指数作为农业旱情监测的指标难免过于片面,为了更全面地表述旱情,基于植被指数的旱情监测方法应结合相关的环境因素加以说明。

3.2作物生理指标

用作物本身的生理特征变化来反映作物的受旱程度,是目前国内外普遍认可的作物旱情监测方法,其中较常用的指标包括叶水势、叶片含水量、气孔导度、产量、细胞汁液浓度、冠层温度等[19~21]。在这些指标中,冠层温度和叶片含水量的遥感反演研究得到了人们的普遍关注。

3.2.1冠层温度

植被的蒸腾作用是一个耗热过程,能降低其冠层温度。当植被受到水分胁迫时,蒸腾作用减弱,从而导致植被冠层温度升高,由此可用冠层温度作为反映植被水分状况和干旱发生的指标。通过冠层温度来指示作物水分状况的研究始于20世纪70年代[22~23]。但冠层温度的时空变化受大气、环境等多方面因素影响,利用单一的冠层温度进行旱情监测在实际应用中效果并不理想[24~25]。Kogan[26]1995年提出了基于NOAA/AVH RR数据的温度条件指数T CI(T emperature Co ndition Index,T CI)。TCI 不受作物生长季的限制,在作物播种或收割期间也可以监测。TCI的问题在于旱情的标准难以确定,因为作物的冠层温度是随着时间在变化的,因而T CI也随着时间会有所变化。Dabr ow ska-Zielins-ka[27]通过对1992年、1994年以及1998年TCI指数与土壤水分的分析指出,在作物的不同生长发育阶段,T CI所表达的内容是不同的:在春季生长季开始时叶面温度越高,T CI越小,土壤植被条件越好, T CI越高气温越低,土壤湿热条件越差;而在夏季作物的生长旺季,T CI越小,土壤的水分条件越好, T CI越大,土壤水分条件越差。

Idso等[28]于1981年根据冠层温度与空气温度的差(简称冠气温差)与空气水汽压的经验关系,提出了作物水分胁迫指数(Crop Water Stress Index, CWSI)。Jackson等[29~30]随后用冠层能量平衡的单层模型(将植被与土壤作为一个整体层面)对Idso 提出的冠气温差上、下限方程进行了理论解释,并基

105

于能量平衡的阻抗模式提出了涉及诸多气象因素的理论模式。由于单层模型要求纯粹的冠层温度,单层模型仅适合于植被覆盖度高的地区。在部分植被覆盖条件下,由于土壤和植被热特性不同,在遥感观测视野内出现的土壤会对正确观测冠层温度以及CW SI的计算造成很大的误差[31]。另外,由于空间分辨率较低的遥感数据获取的多为地表混合温度信息,因而也不宜使用单层模型进行计算。

Jupp[32]1990年提出了农田蒸散的双层模型,模型把地表覆盖分为植被层和土壤层,并引入植被覆盖度变量,实现对部分植被覆盖地区旱情的监测。Mo ran等[33]在能量平衡双层模型的基础上,采用地表混合温度信息,使用取自遥感数据的植被指数来代替植被覆盖率,建立了一个新的指标:水分亏缺指数(W ater Deficit Index,WDI),使得该方法的适用范围得到了扩展。但由于计算WDI需要一系列的假设,其机理性还有待进一步研究。

总的来说,基于冠气温差的方法兼顾了能量守恒、气象学和植物生理学等原理,具有较强的理论基础。但是,无论是单层模型还是双层模型,都涉及到大量的参数,特别是各种阻抗参数有一定的地域性,而目前这些参数的确定往往依赖于经验,在实际工作中很难准确获取;现有遥感数据普遍存在混合像元等问题,都在很大程度上限制了该方法在旱情监测中的应用。

3.2.2冠层含水量

作物的冠层含水量与水分胁迫有直接关系,可用作表征旱情的指标[34~35]。NDVI是一个综合的植被指数,能反映植被的叶绿素、叶片水分含量等信息,曾被用作反演植被含水量的指标。但由于在高植被覆盖条件下存在饱和问题[36~37],而且其波段反映的叶绿素信息大于叶片水分含量信息[36,38],从而限制了NDVI反演植被含水量的精度。Gao[38]在1996年提出了归一化差值水分指数(No rmalized Difference Water Index,NDWI)。NDWI被定义为近红外波段(NIR)反射率与短波红外波段(SW IR)反射率之差除以二者之和,即:

N D WI=Q(S WIR)-Q(N IR)

Q(S WIR)+Q(N IR)(3)

其中Q(K)是反射率,K是波长。在近红外波段(NIR),植被液态水的吸收可以忽略不计,在短波红外波段(SWIR),水的吸收很弱。这两个波段均位于植被冠层的高反射区,它们感知的植被冠层深度相似,从而利用植被在近红外波段与短波红外波段的光谱可以很灵敏的反应植被冠层的含水量。

宋小宁等[25]通过分析NDWI曲线发现,不但水体、植被覆盖区和沙地之间的湿度信息差异比较显著,而且不同退化程度草地的湿度信息也呈现出较强的层次感,正确反映出了植物体内水分信息的细微差异,说明在植被覆盖区NDWI可以客观地体现地表植被水分信息,N DWI值越大,植被水分含量越大。Chen等[39]利用NDWI反演玉米和大豆的冠层水分含量,结果显示玉米的冠层含水量与N DWI 有较好的线性关系,相关系数R2在0.72以上,而大豆的冠层含水量与NDWI的线性关系相对较差,相关系数R2为0.52,说明NDWI能有效地指示植被冠层的水分含量。可能是由于叶片含水量的差异,造成NDWI与不同作物种类叶片含水量的线性相关性有较大的差别[39]。同时也有研究表明[40],ND-WI并不适用于作物生长前期或植被覆盖度较低情况下的旱情监测。

由于作物冠层水分的变化有一个过程,发生旱情时叶片的水分不一定就会有大的变化,有充足的水分时,叶片水分也不一定就能达到饱和,因此NDWI对旱情的反映在时间上有一定的滞后。与NDV I一样,NDW I并没有完全去除土壤背景的反射作用影响。

3.3作物综合指标

遥感方法获取的植被指数NDV I、地表温度Ts 或冠层温度Tc都能在一定程度上反映作物旱情,但又各自存在着一定的缺陷。为了更好地进行旱情监测,众多学者尝试将NDVI与温度相结合。T c/ NDV I比率通常被称为植被供水指数(Vegetation Supply Water Index,VSWI),是一个较为简单的植被指数-温度作物旱情综合指数。当出现旱情时,植被指数会降低,冠层温度也会因作物气孔被迫关闭而升高,因此VSWI有增大的趋势,VSWI越大,表明旱情越严重[41~42]。该方法的缺点在于难以确定旱情的标准,不同的土壤背景、地表覆盖类型、作物种植结构、气候条件等因素都会影响VSWI的测定[43]。刘丽等[44]的研究表明VSWI适用于植被覆盖度高的地区。在作物生长前期,由于地表裸土面积较大,可能会造成监测效果不理想。

有研究表明,以NDVI和地表温度为纵横坐标的散点分布图呈梯形[33]或三角形[45]。Inge Sandho-l ta[43]由此提出了温度植被干旱指数(Tempera ture-Vegetation Dryness Index,TVDI),认为TVDI可用于大范围的土壤水分监测,但同时也指出该指数对半

106

干旱区的地表覆盖类型不敏感。王鹏新[46]2003年提出了条件植被温度指数(Vegetation Temperature Condition Index,VTCI),VTCI的前提假设条件是研究区域内土壤表层含水量在凋萎系数到田间持水量之间。此类的干旱指数需要确定梯形或三角形的干湿边方程,但往往是人为的主观选择,因此会存在着较大的不确定性。同时由于继承了NDVI对旱情指示的滞后性,因此不可避免地存在着的滞后效果。

Kogan[47]将TCI和VCI进行线性组合形成了植被健康指数(Vegetation H ealth Index,VH I),其表达式为:VH I=a*VCI+(1-a)*TCI,其中a为权重。牟伶俐等[49]在山西太谷和山东济宁的试验结果显示VH I能较好的反映作物受旱情况。Bhuiyan[50]2006年对印度Aravalli地区的旱情监测结果还表明,VH I 比气象干旱指标)))标准化降水指数(Standardised Precipitation Index,SPI)更适用于作物旱情监测。在实际应用中,对于不同区域、不同时间的旱情监测难以确定权重a,限制了VH I的推广应用。

4结束语

农业干旱发生频繁且危害严重,准确的旱情监测意义非凡。但农业干旱是一种复杂的现象,涉及农业、气象、水文、植物生理等众多学科;同时农业是一个自然与人工结合的过程,人类的干预很大程度上影响着作物的生长,这使得作物干旱的监测面临着较大困难。遥感技术的发展为农业干旱的监测提供了新的机遇。遥感数据包含着地表的综合信息,而农业干旱正是由于作物、土壤、大气等因素共同作用的结果,因而遥感技术应用于旱情监测具有较大的潜力。

当作物受旱时会通过一定的生理和形态变化来反映,但造成作物生理和形态变化的原因不仅仅是干旱,因此在判断作物是否受旱时,必须从作物及其生长环境两方面考虑。合理的农业旱情指标应该是作物与环境因素的结合,好的旱情指标还应该适用于作物的整个生长过程。进一步的农业旱情监测研究,应加强作物生理、形态指标与土壤湿度指标的结合。由于现在可用的卫星数据源较多,可考虑利用多个卫星传感器同时对农业旱情进行监测,综合雷达数据和可见光数据的优势,使监测结果更加全面、准确、及时。利用遥感方法的优势,探求一个计算简便,数据容易获取,重复周期短,适用于大尺度的农业旱情遥感指标,将是一个极具挑战的研究工作。

参考文献

1T ansey K J,M illingto n A C,Battikhi A M,et al.M onito ring soil mo isture dynamics using satellite imag ing radar in no rth-east ern Jo rdan[J].A pplied Geog r aphy,1999,19(4):325~344.

2M o eremans B,Daut rebande S.So il mo istur e eva luation by means of mult-i tempo ral ERS SA R PRI imag es and interfer ometr ic coherence[J].Jo ur nal of H y dr olo gy,2000,234(3-4):162~169.

3李震,郭华东,施建成.综合主动和被动微波数据监测土壤水分变化[J].遥感学报,2002,6(6):481~485.

4刘伟,施建成,王建明.极化分解技术在估算植被覆盖地区土壤水分变化中的应用[J].遥感信息,2005(4):3~6.

5Blindish R,Jackson T J,Gasiew ski A J,et al.So il mo isture mapping and A M SR-E validat ion using the PSR in SM EX02[J].

Remo te Sensing o f Env iro nment,2006,103(2):127~139.

6李星敏,刘安麟,张树誉,等.热惯量法在干旱遥感监测中的应用研究[J].干旱地区农业研究,2005,23(1):54~59.

7陈怀亮,冯定原,邹春辉.用NOAA/AV HRR资料遥感土壤水分时风速的影响[J].南京气象学院学报,1999,22(2):219~224. 8张仁华,孙晓敏,刘纪远,等.定量遥感反演作物蒸腾和土壤水分利用率的区域分异[J].中国科学(D辑),2001,31(11):959~968. 9L ozana-G arcia D F,Fer nandez R N,Gallo K P,et al.M o nitor ing the1988severe dro ug ht in Indiana U SA using A V HR R da-ta[J].Internatio nal Jo urnal o f Remote Sensing,1995(27):1~10.

10Gutman G,Ignatov A,Olso n S.G lo bal land monitor ing using AV H RR time ser ies[J].Advances in Space Research,1996,17

(1):51~54.

11Gonzalez-alonse F,Cuevas J,Calle A,et a1.Spanish v egetation monito ring during the period1987-2001using N OA A) AV H RR images[J].Internatio nal Jo ur nal of R emote Sensing,2004,25(1):3~6.

12Ko gan F N.Remote sensing o f w eather impacts on v egetation in non-ho mog eno us areas[J].International Journal o f Remo te Sensing,1990(11):1405~1419.

13L iu W T,Ko gan F N.M onito ring reg ional droug ht using the veg etatio n condition index[J].International Journal o f Remo te Sensing,1996,17(14):2761~2782.

14蔡斌,陆文杰,郑新江.气象卫星条件植被指数监测土壤状况[J].国土资源遥感,1995(4):45~50.

15冯强,田国良,柳钦火.全国干旱遥感监测运行系统的研制[J].遥感学报,2003,7(1):14~19.

107

16冯强,田国良,王昂生,等.基于植被状态指数的土壤湿度遥感方法研究[J].自然灾害学报,2004,13(3):81~89.

17冯强,田国良,王昂生,等.基于植被状态指数的全国干旱遥感监测实验研究)))资料分析与处理部分[J].干旱区地理, 2004,27(2):58~64.

18冯强,田国良,王昂生,等.基于植被状态指数的全国干旱遥感监测实验研究)))干旱遥感监测模型与结果分析部分[J].

干旱区地理,2004,27(4):48~53.

19宋凤斌,徐世昌.玉米抗旱性鉴定指标的研究[J].中国生态农业学报,2004,12(1):127~129.

20王密侠,马成军,蔡焕杰.农业干旱指标研究与进展[J].干旱地区农业研究,1998,16(3):119~124.

21Duff G A,M y ers B A,W illiams R J,et a1.Seasonal patterns in so il moistur e,va pour pressure deficit,tr ee canopy cover and pr edaw n w ater pot ential in a nor ther n Australian savanna[J].A ust ralian Jo ur nal of Botany,1997,45(2):211~224.

22Asto n A R,V an Bav el C H M.Soil surface water depletio n and leaf temper ature[J].A gr onomy Jour nal,1972(64):21~27. 23Jackson R D,R eg inato R J,Idso S B.W heat canopy temper atur e:A pr act ical too l for evaluat ing w ater r equirements[J].Wa-ter Resource Research,1977(13):651~656.

24Clawso n K L,Jackson R D,P inter P J Jr.Ev aluating plant wat er stress w ith cano py temper ature differences[J].A gr onomy Jo ur nal,1989(81):858~863.

25宋小宁,赵英时.应用M ODIS卫星数据提取植被-温度-水分综合指数的研究[J].地理与地理信息科学,2004,20(2):13~17. 26Ko gan F N.A pplication o f v eg etatio n index and brig htness temperature for droug ht detection[J].A dv ances in Space Re-search,1995(15):91~100.

27Dabr ow ska-Z ielinska K,Gr uszczy nska M,K ow alik W,et al.Application of mult-i sensor data for ev aluatio n of soil mo istur e [J].Advances in Space Resear ch,2002,29(1):45~50.

28I dso S B,Jackson R D,Pinter P J Jr,el al.N or malizing the str ess degr ee day fo r environmental v ariabilit y[J].A gr icultural M et eo ro lo gy,1981(24):45~55.

29Jackson R D,Idso S B,Reg inato R J,et al.Canopy temper ature as a cr op w ater stress indicato r[J].Water R eso ur ce Re-search,1981,17(4):1133~1138.

30Jackson R D,K ust as W P,Cho udhur y B J.A reexam inat ion of the cro p w ater stress index[J].Ir rig atio n Science,1988(9): 309~317.

31隋洪智,田国良,李付琴.农田蒸散双层模型及其在干旱遥感监测中的应用[J].遥感学报,1997,1(3):220~224.

32Jupp D L B.Constrained tw o layer models for estimating ev apo transpiration[A].11th A sia Conference on R emote Sensing, Zho ng shan U niv ersity[C].Guangzho u,China.1990:180~186.

33M oran M S,Clarke T R,Inoue Y,et a1.Estimating cr op w ater deficit using the relat ion between sur face)air temper atur e and spectral veg etation index[J].Remo te Sensing o f Env iro nment,1994(49):246~263.

34Ceccato P,Go bron N,F lasse S,et a1.Desig ning a spectr al index to estimate vegetat ion w ater content fr om r emo te sensing data:Par t1.T heoretica l appr oach[J].Remote Sensing of Environment,2002(82):188~197.

35Ceccato P,F lasse S,Gr g oire J M.Desig ning a spectral index t o est imate vegetat ion water co ntent fro m remote sensing da-ta:Par t2.V alidatio n and applications[J].Remote Sensing of Enviroment,2002(82):198~207.

36Gamon J A,F ield C B,Goulden M L,et al.Relat ionships betw een N DV I,canopy structure,and photosy nthesis in three Ca-l ifor nian v eg etatio n t ypes[J].Ecolog ical Applications,1995,5(1):28~41.

37Chen D,Brutsaert W.Satellite-sensed dist ribution and spatial patterns of v egetation par ameters o ver tall g rass pr air ie[J].

Jo ur nal of A tmo spheric Sciences,1998(55):1225~1238.

38Gao B C.N DWI)A N or malized Differ ence Water Index for r emo te sensing of veg et ation liquid w ater fro m space[J].Re-mo te Sensing o f Env iro nment,1996,58(3):257~266.

39Chen D Y,Huang J F,Jackso n T J.V egetation w ater co ntent estimation fo r co rn and soy beans using spect ral indices de-r ived fro m M OD IS near-and sho rt-w ave infr ared bands[J].Remo te Sensing o f Env iro nment,2005(98):225~236.

40Fensho lt R.,Sandholt I.Deriv atio n o f a shor twav e infra red water stress index from M ODI S near-and sho rtw ave infr ared data in a semiar id env iro nment[J].Remot e Sensing o f Enviro nment,2003(87):111~121.

41Gow ard S N,Xue Y K,Czajko wski K P.Evaluating land surface moisture co ndit ions fr om the remo tely sensed temperature/ vegetat ion index measur ements:an ex plor atio n w ith the simplified simple biosphere model[J].Remo te Sensing of Environ-ment,2002(79):225~242.

42莫伟华,王振会,孙涵,等.基于植被供水指数的农田干旱遥感监测研究[J].南京气象学院学报,2006,29(3):396~401. 43Sandho lt I,Rasmussen K,A ndersen J.A simple inter pretatio n of the surface temperature/veg et at ion index space for assess-ment of surface moist ur e stat us[J].Remo te Sensing Environment,2002(79):213~224.

108

44刘丽,周颖,杨凤,等.用遥感植被供水指数监测贵州干旱[J].贵州气象,1998,22(6):17~21.

45Car lson T N,Gillies R R,P err y E M.A metho d to make use o f thermal infr ared temper ature and N DVI measur ements to infer sur face so il water co nt ent and fr actional vegetat ion cover[J].Remote Sensing Rev iews,1994(9):161~173.

46王鹏新,龚健雅,李小文,等.基于植被指数和土地表面温度的干旱监测模型[J].地球科学进展,2003,8(8):527~533.

47Ko gan F N.Dro ug hts of the late1980s in the U nited States as der ived fr om N OA A polar or biting satellite data[J].Bulletin of the A merican M eteor olo gica l Society,1995(76):655~668.

48Ko gan F N.Glo ba l droug ht and floo d-w atch fr om N O Aa polar-o rbiting satellites[J].Advances in Space Research,1998,21

(3):477~480.

49牟伶俐,吴炳方,闫娜娜,等.农业旱情遥感指数验证与不确定性分析[J].水土保持通报,2007(2):119~122.

50Bhuiyan C,Singh R.P,K ogan F N.M o nitor ing droug ht dynamics in the A r av alli r eg io n(India)using differ ent indices based on g r ound and remote sensing data[J].Inter national Journal of A pplied Ear th O bser vation and G eoinfo rmatio n,2006

(8):289~302.

Advances in Agricultural Drought Monitoring by Remote Sensing

YA N G Shao-e,YA N N a-na,WU Bing-fang

(I ns titute of r emo te sens ing ap p lications Chinese academy of sciences,Beij ing100101)

Abstract:G iven the ser ious impacts o n socio eco no mic and human living,the research o n agr icultura l dr ought monito ring has been an impo rtant issue.Development of remote sensing techno log y prov ides a potential o ppo rtunity for effective,o per atio nal and r ea l time ag ricultura l dr ought monito ring.T his pa per r ev iew s the development of ag ricultura l dr ought monito ring by remo te sensing,includes the est imatio n methods of soil moist ur e,cro p co nf igurat ion and cr op physio log y.T he ex isting practical prob-lems a re discussed,and so me ideas ar e pr oposed fo r further st udy.

Key words:agr icultural dr ought;remote sensing;mo nitor

(上接第102页)

3季琦.基于网络隔离的异构数据库同步的研究与实现[J].M O DERN CO M P U T ER,2008.(5):239~245.

4胡锡伟,陈仲委.O racle数据库的XM L存储技术研究[J].计算机工程与设计,2005,26(5):1179~1181.

5Deepak V o hr a.Sto re and retr ieve XM L fr om databases w ith XSU[EB/O L].http://w ww.devx.co m/XM L/Ar ticle/32046. 6解吉波.基于XM L的多级异构空间数据库的同步架构[J].武汉大学学报,2006,(5):415~418.

7张震.异构数据库同步系统的研究与实现[J].计算机应用,2002,22(10):43~45.

Study and Implementation of a Solution to

On-demand Spatial Database Synchronization

ZH AN G K un1,o,L IU Sh-i bin1,PEN G H a-i long?

(1Center f or Ear th Observ ation and D igital Ear th,Chinese A cademy of S ciences,Beij ing100086;

oGraduate Univ er sity of Chinese A cademy of S ciences,Beij ing100049;

?N ational Satell ite Ocean A p p lication Serv ice,Beij ing100081)

Abstract:In this paper,the author propo ses a solution to keep the spatial data in two distr ibuted spatial databases synchronizing to each other under a disconnected netw ork env ironment.T he solution uses XM L as data ex chang e standard and the database tr ig ger mechanism as the ev ent sour ce for incr emental changed data recor d.At the same time the author develops a prog ram to co ntr ol the size of the database object fo r tw o-w ay synchro nization.T his solut ion is used in the H Y-1B Satellit e Dat a Ar chive and Dis-t ribution System of National O cean Satellite A pplicatio n Center successfully and is pro ved t o be feasible and efficient.

Key words:spatial dat abase;o n-demand synchr onizatio n;A rcEng ine;O racle X SU

109