0 引言

干旱是全球最为常见的自然灾害之一，其对农作物造成的损失巨大，远远超过了其他气象灾害^［1］。干旱灾害占我国农业自然灾害损失的50%以上，是我国农业最为严重的自然灾害，且近20年来有逐步加剧的趋势^［2］。日益严重的全球化干旱问题已经成为各国科学家和政府部门共同关注的热点。而传统的干旱监测方法主要采取田间定点监测和随机调查等方法，在具体操作上表现为费时、费力、效率低、精度差等缺点，已逐渐难以满足干旱监测的迫切需求。

从20世纪60年代开始，在遥感技术不断地发展之下，以极轨气象卫星、陆地资源卫星数据广泛应用为标志，利用卫星遥感数据进行大尺度区域农业干旱监测的研究不断深化^{［3,4,5,6,7］}。与传统的农业灾害监测技术手段相比，遥感监测技术具有宏观性、经济性、动态性、时效性等特征，成为传统农业灾害监测方法的重要补充并得到了广泛的应用。当前，伴随着遥感技术高时间、高空间、高光谱、多平台的发展趋势^［8］，针对全球、区域尺度农业干旱信息获取的需求，以30 m到1 000 m空间分辨率Landsat-8、HJ-1A/B、EOS/MODIS、FY和NOAA系列卫星数据及雷达卫星数据为主，在农业干旱遥感监测机理深刻认识基础上，构建适用于区域业务运行的监测系统已成为农业干旱遥感监测应用的主要趋势。

从农业干旱遥感监测的数据源上，自20世纪80年代以来，随着Landsat/TM、NOAA/AVHRR、EOS/MODIS等数据的不断发射，基于光学遥感数据的农业干旱遥感监测逐渐展开；而自20世纪90年代以来，Terra、Aqua、Radarsat等具有雷达传感器的卫星发射升空，使得基于雷达数据的土壤水分反演研究逐渐增多^{［9,10,11,12］}。近年来，随着最新的美国Landsat-8卫星、欧洲Sentinel-2卫星和Sentinel-1雷达卫星的发射升空，基于这些最新卫星资料的干旱研究迅速发展，极大地推动了农业干旱研究的应用^{［13,14,15,16］}。

农业干旱遥感监测方法可以分为以光谱反射率为基础的状态监测方法^［17］和以作物生长模型为核心的模拟方法两大类^［18］。前者是基于可见光、短波红外、热红外、微波谱等谱段的特征光谱空间原理构建干旱指数^［19,20］，结合农作物长势描述指标，能够较好地反映土壤水分的变化。该方法优点是模型构建速度较快，原理清晰；不足是受地表状况的复杂性限制，区域应用的普适性仍需要进一步深入研究。后者以农作物生长模型，基于LAI等农作物参数准确反演，通过作物模型同化的方法，可以间接获取土壤水分含量^{［21,22,23］}。其优势是农业干旱紧密结合了作物生长特征的耗水需求，原理性强；缺点是由于作物生长模型参数复杂，且不同的时间、区域参数差异较大，使其本地化、空间化存在困难，且模型运行速度较慢，限制了该方法的业务化深入应用。在这两大类农业遥感干旱监测方法基础上，基于其干旱监测指标差异，该文将农业遥感监测的方法细分为基于热惯量的土壤水分遥感监测方法、基于冠层温度的干旱遥感监测方法、基于作物长势状况的干旱遥感监测方法、综合冠层温度与作物长势的干旱遥感监测方法、基于蒸发（腾）的作物干旱遥感监测方法、基于微波的作物干旱遥感监测方法、基于作物生长模型的土壤水分监测等7个子类别，并对方法的相关研究进行介绍。

针对农业干旱遥感监测研究的业务化应用需求，当前干旱遥感监测系统的研制工作取得了一定进展，其中中国国内以中国农业农村部（农业部）农业干旱遥感监测业务系统为代表^［24］，国际上以联合国粮农组织（Food and Agriculture Organization of the United Nations，UNFAO）的“全球信息与预警系统（Global Information and Early Warning System，GIEWS）”为代表^［25］。随着农业干旱遥感监测技术的发展，评价分析各类方法在业务化运行中的应用潜力，提高农业干旱遥感监测系统的监测和预警能力，成为农业干旱遥感监测技术业务化应用的重要研究方向。

鉴于干旱遥感监测技术业务化应用的广泛应用前景，该文在遥感监测基本原理简要概述基础上，对当前干旱遥感监测方法和应用状况进行了系统性的总结，并对干旱遥感监测发展前景进行了分析，以期为加强农业干旱遥感监测的业务化应用提供借鉴。

1 农业干旱遥感监测的原理

农业干旱可以采用土壤水分表征。土壤水分是作物生长状况和环境因子的函数，其相互影响，关系复杂。区域光温条件、土壤质地、作物长势、冠层温度等，都可能是土壤水分的影响因子之一。当光照强烈、温度较高、土壤持水能力较差，可能导致作物长势较差，蒸腾作用减弱，作物冠层温度升高，这些因素又反过来影响土壤水分条件。因此，土壤水分或作物干旱表征的函数形式可以描述如下。

其中，S_w是土壤水分，一般用重量含水率或者体积含水率表示，重量含水率是指土壤中水分的重量与相应固相物质重量的比值，体积含水率是指土壤中水分占有的体积和土壤总体积的比值。R是光照条件，包括了与太阳辐射相关的变量。S是与土壤质地相关的变量，如砂质土、黏质土、壤土等质地类型，能够影响土壤的持水能力，包括热传导率、比热容等参数。G是作物长势，是指作物生长的茁壮程度，可以采用波段反射率或者植被指数的方式计算获取。T是作物冠层温度，是遥感监测像元内作物表层的平均温度，通常采用中、热红外波段数据计算获取。

裸土可以看作作物覆盖度为0情况下的特例，则公式（1）转化为以下形式：

在农业干旱遥感监测实际应用中，往往通过固定公式（1）或公式（2）中某几个变量的方式，简化农业干旱各影响因素之间的复杂关系，从而求解土壤水分状况，以下在介绍具体方法时将予以说明。

2 农业干旱遥感监测方法

作物干旱与否是由土壤的含水量和作物的需水能力决定的，将土壤水分与作物需水能力指标相结合就是农业干旱。当前的农业干旱监测方法通常是指对土壤水分的获取方法，基于遥感技术对作物需水能力及更进一步的干旱指标研究较少，该文不做深入说明。基于土壤热惯量、基于冠层温度、基于作物长势、基于综合冠层温度与作物长势、基于蒸发（腾）、基于微波技术、基于作物生长模型等7种方法是土壤水分遥感监测的主要方法，也是当前应用最多的方法。

2.1 基于热惯量的土壤水分遥感监测方法

热惯量是物质热特性的一种综合量度，反映了物质与周围环境能量交换的能力，在地物温度的变化中热惯量起着决定性的作用。通常可表示为：

其中，P为热惯量（J · m^-2·K^-1 · s^-0.5），ρ为密度（kg · m^-3），γ为热导率（J · m^-1 · K^-1 · s^-1），c为比热容（J · kg^-1 · K^-1）。土壤热惯量与土壤的热传导率、比热容等有关，而这些特性与土壤含水量密切相连，通过计算不同土壤质地的热惯量可以推算土壤水分含量。

由于遥感数据无法直接获取原始热惯量模型中参数ρ、γ、c的值，Price根据地表热量平衡方程和热传导方程提出了表观热惯量^［26］。在实际应用时，通常使用表观热惯量（ATI）来代替真实热惯量（P），建立表观热惯量与土壤含水量之间的关系，表示为：

其中，A为全波段反照率，T_max、T_min为1 d中最高、最低温度。只要用遥感方法获得1 d内土壤的最高温度和最低温度，通过模型就可以计算出土壤含水量。Watson等于1971年最早将热惯量应用于卫星遥感中，根据地物热惯量的不同来区分不同的地质单元，绘制了不同地区的热惯量图^［3］。在具体应用时，一些学者利用热惯量模型对干旱情况进行了监测^{［27,28,29,30］}，如刘振华等在热惯量模型概念下引入了地表显热通量和地表潜热通量反演表层土壤水^［31］。热惯量法及其改进方法模型都是从土壤本身的热特性出发反演土壤水分，要求获取纯土壤单元的温度信息，因此热惯量法主要适用于裸土类型，在有植被覆盖时需要考虑植被的影响。

与公式（3）所表达的理论概念相比，从表观热惯量的计算公式可以看出，表观热惯量模型是假定土壤性质一致的条件下，考虑了太阳辐射、地表温度与土壤水分的关系。因此当将土壤热惯量模型应用到不同的土壤类型时，还需要考虑土壤类型变化对土壤水分反演的影响。

2.2 基于冠层温度的干旱遥感监测方法

根据冠层温度的高低对作物干旱情况进行判别是遥感干旱监测常用方法，其中最为典型是1995年Kogan使用NOAA/AVHRR数据提出的温度条件指数（Temperature Condition Index，TCI）^［32,33］，该指数计算公式如下：

公式中，TCI_j是第j日的温度条件指数，Ts_j是第j日的地表亮温，T_max和T_min分别是图像中最大、最小地表亮温。

TCI实际上通过假设在干旱条件下，水分减少，影响了作物的生长，导致作物冠层温度升高，或者土壤表面的温度升高基础上，且其假设植被生长主要与土壤水分相关较大，而其他因素变化较小的前提下。然而，在实际的监测中，TCI的值往往受到传感器、大气状况、植被因素等影响产生变化，造成监测的准确性降低。

基于TCI的作物干旱遥感监测研究已有较多，如闫娜娜等利用TCI对全国旱情进行了监测^［34］；计淇才则以MODIS影像为基础，计算了河南省的TCI指数，对河南省TCI指数干旱监测的效果进行了评价^［35］，并对比了TCI、植被状态指数（Vegetation Condition Index，VCI）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、距平植被指数（Anomaly Vegetation Index，AVI）等几种不同干旱监测指标的监测精度和效果。

结合公式（1）分析TCI的计算条件，该算法实际上是通过假定光照强度、土壤质地、作物长势等一致或对土壤水分影响较小的条件下，直接将冠层温度的变化视为干旱情况的标志，本质上是从简化干旱计算参数的基础上获取干旱的量度，在大尺度区域时，这一假定很可能存在很大的误差，导致这一指数的计算精度降低。

2.3 基于作物长势状况的干旱遥感监测方法

利用卫星监测资料反演的植被指数，可反映作物生长变化状况，进而反映干旱状况，也是干旱遥感监测的常用方法。最为典型的是植被状态指数（Vegetation Condition Index，VCI）^［36］，计算公式如下：

（6）

式中，NDVI_i是第i年某一日的NDVI值，NDVI_max和NDVI_min分别是多年中同一日NDVI值的最大值和最小值^［37］。该指数实质上是通过对比植被长势与历年长势最好和最差之间的差异，并认为若植被长势良好，则干旱发生的可能性或程度较低。

相似的以植被长势状态进行干旱的监测方式还有距平植被指数（Anomaly Vegetation Index，AVI）^［38］、标准植被指数（Standard Vegetation Index，SVI）^［39］、归一化干旱指数（NDDI）等等^［40］。这一类指数的特征是通过NDVI等代表植被长势的指数，通过长势的差异情况来代替干旱的程度。例如AVI指数，利用NDVI与距平值的差异来评价植被长势与历年平均值（代表生长正常状态）的差异，进而评价干旱对于植被的影响。

另一类类似的指数，是以评价植被冠层水分的状态，来评价干旱的程度，如归一化差值水分指数（NDWI）^［41］、短波红外垂直失水指数（Shortwave Infrared Perpendicular Water Stress Index，SPSI）^［42］、归一化差异水分指数（Normalized Difference Water Index，NDWI）^［43］、全球植被水分指数（Global Vegetation Moisture Index，GVMI）^［44,45］、短波红外水分胁迫指数（Shortwave Infrared Water Stress Index，SIWSI）^［46］等。实际上，当干旱程度较高，植被长势较差时，造成冠层水分含量降低，从而造成相应的指数变化，间接指示干旱程度。

对比公式（1）可以看出，以VCI指数等作物长势监测为基础的干旱监测算法，是假设光照、土壤、温度等条件一致的情况下，植被的长势变化仅与土壤水分的变化有关，该算法也是通过简化计算参数实现干旱监测的。有研究指出，该类指数可以减弱土壤背景因素、地区差异等影响，可指示大范围干旱状况，尤其适合于低纬度植被茂密地区的干旱监测^{［47,48,49］}。然而，由于以植被状态表征干旱程度会有一定的滞后性，导致该方法可能存在干旱预警时效性降低等问题，同时，不同年份之间植被的地表覆盖类型可能发生变化，导致该方法检测的失效。

2.4 综合冠层温度与作物长势的干旱遥感监测方法

植被供水指数方法（Vegetation Supply Water Index，VSWI）^［50］、温度干旱植被指数（Temperature Vegetation Dryness Index，TVDI）^［51］等方法是最为典型的综合冠层温度、作物长势的干旱遥感监测方法，类似的指数还有条件植被温度指数（Vegetation Temperature Condition Index，VTCI）^［52,53］等。

植被供水指数的计算公式如下：

（7）

式中，NDVI为某一点的归一化植被指数值，T_s为植被冠层温度。植物冠层的气孔在植物缺水的压迫下会关闭气孔防止水分的蒸发。这也同时导致了植物冠层温度的升高。当出现旱情时，植被长势较差，NDVI较低，同时由于蒸腾作用等的减弱，导致冠层温度增高，因此VSWI值较小，反之则说明较为湿润。以此原理得出植被供水指数越小，指示旱情越严重。这一模型主要适用于植被覆盖度高的地区，同时容易受到土壤的物力参数和不同植被类型差异的影响，波动性比较大；另一方面，不同的地区和时段的VSWI值的对比不具有实际意义，导致其应用受限。

Gurney、Moran、Price等研究发现，如果研究区植被覆盖包含从裸土到全覆盖，土壤湿度从极干旱到极湿润的各种情况，以遥感数据获得的NDVI和LST横纵坐标的散点图呈三角形或梯形，即所谓的NDVI-LST特征空间（图1）。Sandholt等对简化的NDVI-LST三角形特征空间进行研究，认为NDVI-LST特征空间中有一系列由LST和NDVI比值构成的土壤湿度等值线，据此提出了植被干旱指数TVDI的概念。温度干旱植被指数的计算公式如下：

（8）

其中，（a₁+b₁*NDVI）为干边，即某一NDVI对应的最高地表温度，（a₂+b₂*NDVI）为湿边，即某一NDVI对应的最低地表温度。TVDI值越大，LST越接近湿边，土壤湿度越大。

图1 LST-NDVI特征空间示意图

Fig.1 Schematic diagram of LST-NDVI characteristic space

然而，在实际应用中，NDVI和LST并不总是呈线性关系，在植被生长初期NDVI值过高地估计了植被的覆盖度，而植被生长后期却容易存在饱和现象，过低地估计了植被覆盖度，所以提取干边、湿边时一般限制NDVI在0.15~0.85之间。如果研究区域较大，遥感数据分辨率过高，形成的NDVI-LST空间中数据的点过多，造成干边变小，湿边增大。因此，TVDI指数适用于小区域的干旱监测。此外，NDVI和LST之间的关系受地区、纬度、地形、季节、水分以及太阳辐射的影响，并不是规则的三角形或梯形分布，这也会在一定程度上限制其应用。

综合冠层温度和作物长势的干旱遥感监测，相比单纯使用冠层温度或作物长势的干旱监测，考虑到了不同密度植被对于温度的影响情况，更加全面，原理性更强，在区域的应用中也更多^［54］。

2.5 基于蒸发（腾）的作物干旱遥感监测方法

植物健康时，蒸腾作用的发生使得叶片温度相比裸土温度降低；而当水分亏缺时，蒸腾量减小，则可能导致叶片温度升高。通过测量叶片温度，以能量平衡原理为核心计算地表覆盖蒸发（腾）量，并通过地面观测的土壤水分进行标定，进而获取蒸发（腾）表达的土壤含水量，是有别于温度、植被指数等方法获取干旱信息的重要的干旱遥感监测方法。作物缺水指数（Crop Water Stress Index，CWSI）^{［55,56,57］}最为经典，其它类似原理的算法还有土壤干旱指数（Soil Water Stress Index，SWSI）^［58］、水分亏缺指数（Water Deficit Index，WDI）^［59］等。

作物缺水指数（CWSI）的计算公式如下：

（9）

式中，ET为实际蒸散，ET_P为潜在蒸散，可以依据Penman-Monteith蒸散公式计算获取^［57］。CWSI的值在0~1之间，值越大，表明干旱程度越高。CWSI实际上表示的是植被当前的蒸散与最大可能蒸散的关系，该值越高，表明与最大可能蒸散的差值越大，土壤的水分含量也越低。

由上可知，利用CWSI进行作物干旱反演，关键是获取植被的实际蒸发量，而潜在蒸发可以通过地面气象观测资料由Penman-Monteith蒸散公式计算。实际蒸散发可利用双层蒸散发模型计算，其将能量平衡原理方程简化为：

R_n=G+H+LE （10）

式中，R_n代表地表净辐射通量，代表的是地面所接受的总能量；G为下垫面土壤热通量，表示土壤表层和深层的热量传递状态；H是地表与大气的热交换能量，即感热通量或显热通量；LE为潜热通量，指的是地表与大气的水汽热交换，L代表水分的汽化潜热，E为瞬时蒸散量。公式中，R_n、G和H等参量可以在遥感计算与气象观测数据辅助条件下计算获取，遥感技术获取的参数包括辐射、与地表覆盖有关的比辐射率、地表温度等参数，气象观测获取风速、空气动力学阻抗、空气密度、气压和空气比热容等参数。作物缺水指数（CWSI）是土壤水分的一个度量指标，它是由作物冠层温度值转换来的，是利用热红外遥感温度和常规气象资料间接地监测植被条件下的土壤水分，对于植被覆盖度较低的地区该模型具有一定的局限性。该模型物理意义明确，适应性较强，在大尺度区域的应用也较多，如汪左等利用CWSI指数对安徽省干旱的时空特征及影响因素进行了分析^［60］，虞文丹等利用CWSI对江苏省徐州市的土壤水分时空分布及动态变化进行了分析，并对蒸散发双层模型进行改进，获得了更好的土壤相对含水量估算效果^［61］。

2.6 基于微波的干旱遥感监测方法

土壤水分与其介电系数有高度相关性，干土（2~5）和水分（80）的介电系数差异显著，随着土壤水分的增加，土壤的介电系数迅速增大。微波遥感信号与地表介电常数密切相关，介电系数越大，则信号越强，基于这一原理，微波遥感可以进行土壤水分含量的反演^［62］。微波土壤水分遥感监测有主动微波、被动微波方式。被动微波遥感是利用土壤亮度温度监测土壤含水量，主动微波利用其后向散射系数监测土壤水分含量，无论主动还是被动微波遥感，地表粗糙度、植被覆盖都是2个主要影响因素^［63,64］。当前，选择植被不敏感微波谱段，构建地表覆盖不敏感指数或方法，或者通过模型模拟准确刻画影响过程等3种方式，是降低地表粗糙度、植被覆盖影响提高监测精度的主要技术途径^{［65,66,67］}，这些模型包括几何光学模型（GOM）、物理光学模型（POM）、小扰动模型（SPM）、积分模型（IEM）、改进的积分模型（AIEM）、Q/H以及Q/P模型，以及MIMICS模型、水云模型、农作物模型和τ-ω模型等。

被动微波遥感重访周期短，大面积覆盖，计算简单，受粗糙度和地形的影响较小，对土壤水分的变化更敏感，但空间分辨率低。主动微波遥感空间分辨率高，但数据量大，计算复杂，对粗糙度比较敏感。主被动联合的方式更能发挥主动、被动微波遥感的优势。杨立娟等通过几何光学模型（GO模型）和半经验模型（QP模型）在粗糙度上的联系进行主被动微波遥感模型结合，提高了土壤水分反演精度^［68］。赵天杰等结合机载辐射计亮度温度值和基于后向散射反演的地表粗糙度值，构建BP神经网络来反演土壤水分，提高了土壤水含水量的反演精度^［69］。

微波土壤水分遥感与可见光遥感的原理相似，只是由于被动微波、主动雷达的发射特性与可见光有较大的差异，致使其反演土壤水分的具体方法有所不同。从公式（1）的原理出发，微波或者雷达土壤水分监测更多注重的是土壤水分部分的分析，将土壤参数分解的更为细致。另一方面，由于电磁波与土壤的关系实际上相比模型更为复杂，利用微波进行土壤水分反演具有很强的不确定性，为获取高精度的土壤水分，降低不确定性是重要的前提之一。

2.7 基于作物生长模型的土壤水分监测

作物生长模型模拟的基础是物质平衡和能量守恒原理，以农田的光、温、水、肥等条件因子为驱动，模拟作物光合、呼吸、蒸腾等生理过程，形成作物对生长环境响应的结果。目前应用较多的是荷兰的SWAP、美国的CERES和DSSAT、加拿大的SIMCOY、澳大利亚的APSIM等，由于作物生长过程的复杂性，致使大部分作物模型参数较多，加上作物生长环境的多变性，导致区域应用时作物参数难以获取^{［70,71,72,73］}。遥感技术在一定程度上解决了LAI、蒸发散等个别参数的区域获取问题，但对于作物模型的区域应用，众多参数仍然需要依靠地面观测获取，这也是作物模型区域化应用中的主要难点。采用同化技术是解决这一问题的有效途径。所谓同化，是以遥感技术获取的参数（如LAI）等作为“真值”，将模型数据的同种参数与之比较，对于比较合格的像元认为输入的参数是准确的并予以采用，比较不合格的像元认为输入的参数是不准确的并继续进行调整直到符合要求。以SWAP模型为例，需要输入的参数和信息包括气象数据、作物数据等，包含土壤特性、边界条件、热量模拟选项、日辐射、气温、水气压、风速、降雨、作物的生长时期、作物高度、根深度、叶面积指数等等，各项参数可以根据文献资料、地面实测等方式获取。SWAP模型的输入参数中，包括土壤水分参数，也就是说，在SWAP模型中，土壤水分含量是作为驱动因子输入的。SWAP模型的输出结果包括了水量的平衡关系、土壤剖面数据、灌溉制度、土壤水蓄变量等。通过各项因子的输入，驱动SWAP模型运行可以获取作物LAI、ET等参数，将这些参数与遥感LAI、ET比较并构建代价函数，通过调整模型输入参数，使构建的代价函数达到可接受的精度就完成了模型同化过程，其中的土壤水分结果就是作物生长模型获取的土壤水分监测结果。当然，可调节的模型参数不宜过多，过多可能会导致运行结果的不确定性^［74］。

基于作物模型进行土壤水分反演的优点是具有明确的物理—生物过程原理，当输入参数精度较高时，可以获取较高的水分监测精度，对于点状或小块区域，由于可以获取较为明确的参数，可以获取较高的精度；然而，对于大尺度区域，由于无法获取精确的各项参数，使用遥感数据进行同化等方式获取大尺度区域的土壤水分含量成为主要方式，然而其运行速度较慢，且一般同化参数较少，难以做到精确模拟，导致精度受限。

与公式（1）描述的作物土壤水分遥感监测概念性模型相比，尽管该方法更为间接，也更为复杂，但将作物模型的参数对应为光照、土壤、作物、温度等4个类别，其原理仍然是适用的。

3 农业干旱遥感监测的业务应用

农业干旱遥感监测业务应用是干旱遥感监测技术的落脚点，也是检验干旱遥感监测技术的业务运行能力的标准。美国于1974年启动了“LACIE”计划，是最早开展农情遥感监测业务的国家，并随后开展了包括面积、产量、灾害等在内的多种农情遥感监测业务^［75］。当前，中国、联合国粮农组织（FAO）、美国、欧盟和加拿大等都建立了各自的农情遥感监测业务系统或体系，农业干旱遥感监测业务在其中都有不同程度的涉及。下面对其进行具体的介绍。

3.1 中国农业干旱遥感监测业务应用

中国农业农村部农业干旱遥感监测业务建立于1997年，是属于农业农村部农情遥感监测系统的部分监测内容^［75］。该系统的技术方案是基于EOS/MODIS数据，计算表观热惯量（ATI）和植被供水指数（VSWI），以中国农业种植区划作为分区依据，采用全国200个地面监测县土壤水分观测数据分区标定，建立了以旬为周期的中国区域耕地土壤墒情遥感监测业务，多年平均监测精度在80%以上。该系统也开展了美国、南美等国家的耕地土壤墒情遥感监测业务，与中国国内一样，也实现了以旬为周期的耕地土壤水分遥感监测。上述结果选择关键监测时段结果，发布在中国农业农村部网站上（http：//www.jhs.moa.gov.cn/kcxfz/）。图2a、图2b是该系统生产的中国、美国耕地土壤墒情遥感监测结果，图2a是2018年9月6—17日中国耕地土壤墒情空间分布结果，图2b是2018年8月29日至9月13日的美国耕地土壤墒情空间分布结果。该系统自运行以来，长期连续地为国内外大尺度区域的农业干旱监测提供了可靠的遥感监测成果，并为发生严重灾情的地区提供高精度的区域性旱情监测成果，为中国农业灾害的监测、预警和防控提供了详实的数据源，为农业管理部门灾害管理提供了科学的依据。

图2 中国农业农村部农业干旱遥感监测业务监测成果

Fig.2 Monitoring results of remote sensing monitoring of agricultural drought in China’s Ministry of agriculture and rural areas

此外，中国科学院等部门也开发了全国干旱遥感监测运行系统，以NOAA卫星资料结合全国102个固定农业观测站土壤20 cm深湿度资料^［76］，建立VCI指数与土壤湿度的统计模型，实现全国的旬旱情监测^［77］。中国国家气象局也构建了旱涝监测系统，利用降水量、气温等常规观测要素，基于气候指标，实现全国干旱范围和程度的实时监测和影响评估^［78］。水利部及部分省份如北京市、山东省、黑龙江省等，也开展了旱情遥感监测业务系统的相关研制工作^{［79,80,81,82］}。

3.2 世界其他国际组织或国家的农业干旱遥感监测业务应用

联合国粮农组织（UNFAO）于1975年开发了“全球信息与预警系统（Global Information and Early Warning System，GIEWS）”，该系统当前采用METOP-AVHRR数据计算全球VHI指数，并以旬为周期对外发布全球旱情监测成果（http：//www.fao.org/giews/earthobservation/asis）。

美国农业部外国农业局（USDA Foreign Agricultural Service，FAS）和国家农业统计局（National Agricultural Statistics Service，NASS）分别负责全球及美国本土的农情遥感监测业务，FAS基于Web的Crop Explore决策支持系统，该系统提供基于土壤水分主被动探测卫星（Soil Moisture Active and Passive，SMAP）和土壤水分和海洋盐度卫星（Soil Moisture and Ocean Salinity，SMOS）数据的全球重点农区微波遥感干旱产品，以及基于气象降水数据的干旱插值产品，提供的频率能够涵盖月、季尺度（https：//ipad.fas.usda.gov/cropexplorer/）。此外，设在美国内布加斯加—林肯大学的北美干旱监测中心（North American Drought Monitor，NADM），是美国、加拿大、墨西哥联合建立的北美干旱监测机构，该机构对外发布农业干旱和水文干旱方面的信息，范围包括3个国家的国家、区域、地方等不同尺度，采用的干旱指标主要有标准降水指数和长期降水距平百分比，并可以对外提供不同时间的北美地区旱情监测图，包括SPI降水距平指数、Palmer干旱指数产品等（https：//www.ncdc.noaa.gov/temp-and-precip/drought/nadm/）。美国干旱监测中心（US Drought Monitor）是NADM的重要基础，成立于1999年，其提供了美国全境的干旱监测成果并向外提供（https：//droughtmonitor.unl.edu/）。

图3 2018年11月份美国干旱监测结果及Palmer干旱指数（https：//droughtmonitor.unl.edu/）

Fig.3 Drought monitoring and Palmer drought index in the United States in November 2018

由美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration，NOAA）建立的国家综合干旱信息系统（National Integrated Drought Information System，NIDIS），提供了美国、北美以及全球的近实时干旱监测指数和信息；美国的加利福尼亚大学则开发了全球综合干旱监测和预测系统（Global Integrated Drought Monitoring and Prediction System，GIDMaPS），提供全球的干旱监测指数，包括标准降水量指数（Standardized Precipitation Index，SPI）、标准土壤湿度指数（Standardized Soil Moisture Index，SSI）、多源标准干旱指数（Multivariate Standardized Drought Index，MSDI）等（http：//drought.eng.uci.edu/）。

欧盟于1988年启动了农业遥感监测项目（Monitoring Agriculture with Remote Sensing，MARS），此后该项目名称及组织形式虽然有较大变化，但一直由欧盟联合研究中心（Joint Research Center，JRC）执行，MARS-Food和MARS-State计划分别针对全球及欧盟本土的遥感监测，干旱作为农业、环境、森林、全球食物安全等监测内容的重要组成部分，在其发布的公报及可获取的数据中有所体现，主要是以温度和植被指数的方式开展干旱评估，同时气象干旱结果也是该系统的主要内容之一（https：//ec.europa.eu/jrc/en/mars）。

加拿大、俄罗斯和印度等国家在各自的农情业务中，干旱监测都是其重要组成部分。在加拿大，实时的牧场条件、农场地表水供应和多个干旱指数由加拿大农业和农业食品干旱观察网站（Agriculture and Agri-Food Canada’s Drought Watch）提供，其监测加拿大的主要农业地区干旱风险和状态，并致力于推广降低干旱脆弱性的方法（http：//www.agr.gc.ca/eng/programs-and-services/drought-watch/）。南亚干旱监测系统（South Asia Drought Monitoring System，SADMS）创立于2014年（http：//dms.iwmi.org/），由国际水管理研究所（International Water Management Institute ，IWMI）建设，按周发布南亚地区的旱情信息，包括一系列的干旱指数，如综合干旱严重度指数（Integrated Drought Severity Index，IDSI）、标准化降水指数SPI和土壤湿度指数等（Soil Moisture Index，SMI）。

4 结论与讨论

农业干旱遥感监测的原理明确，研究方法多层次，系统应用普遍。干旱遥感监测原理方面，光照、土壤、作物长势、冠层温度等4个物理量相互约束、影响的关系，形成了干旱遥感监测的基本原理。在这一原理指导下，假定作物自然生长条件情况下特定物理量的稳定性，就可以将复杂的变量联系，简化为相对简单、直观的，并且物理、生物意义明确的对应关系，从而实现干旱的监测。在区域参数进一步假定或简化的基础上，在观测频次较高的中低卫星数据支持下就可以实现大尺度区域业务监测，通过构建业务系统实现干旱的遥感监测。

就国家以及全球尺度遥感干旱监测结果而言，当前干旱遥感监测结果尚属于定性或者半定量性质的监测，提供较高精度的定量数据用于产量或者环境评估的目标还远远没有实现。主要原因是方法适用范围的限制，在监测区域发生变化时，由于土壤、植被、环境等条件的变化，对监测方法的适用性出现影响，由此也就影响了监测的精度。尽管可以通过时间序列距平等方法抵消一部分误差，但由于作物空间分布变化，以及时间序列数据获取的困难，该方案仍需做较多的工作。另外，由于作物空间分布图动态获取的困难，现有的干旱监测方法一般都不区分作物类型，也就是默认所有作物需要的干旱参数都是一致，这显然不合理，这也是影响农业干旱监测精度的另一个原因，也是算法改进的主要方向。增强干旱监测模型、指数的区域化适应能力，对于提升农业干旱监测精度具有重要的意义。

在未来一个时期内，中高空间分辨率遥感数据源（分辨率30 m）的快速增长是遥感技术发展的主要趋势，作物类型识别能力的提升以及土壤水分监测精度的提升，对农业干旱遥感监测定量化能力具有显著地提升效果。当前10~30 m遥感数据源重访周期已经达到5~10 d，携带短波、中长红外谱段传感器也陆续出现，类似的数据源在满足高频次干旱遥感监测同时也会提升农作物类型识别精度，满足干旱与类型识别空间分辨率一致的要求，既能够简化算法又能达到提升精度的要求。

由于干旱遥感监测的不确定性较强，监测指数较多，该文并未将所有的干旱监测指数一并列出，仅选取具有代表性的干旱监测方法。此外，加强农业干旱遥感监测的不确定性研究，为干旱监测的业务化系统提供可靠的监测成果精度信息，将对干旱监测业务的推广应用产生重要的影响，也是当前干旱遥感监测业务化应用的一个重要的研究方向。

参考文献