中巴經濟走廊2000–2017年逐月溫度植被乾旱指數數據集

中巴經濟走廊2000–2017年逐月溫度植被乾旱指數數據集
作者：馮克庭　張耀南　田德宇　康建芳
2019年7月22日

本作品收錄於《中國科學數據》

馮克庭, 張耀南, 田德宇，康建芳. 中巴經濟走廊2000–2017年逐月溫度植被乾旱指數數據集[J/OL]. 中國科學數據, 2019, 4(3). (2019-07-18). DOI: 10.11922/csdata.2018.0051.zh.

摘要&關鍵詞

摘要：中巴經濟走廊沿線乾旱災害發生頻繁，制約了沿線國家的安全和社會發展，需要開展乾旱監測研究。土壤含水量是乾旱監測的重要指標，通過溫度植被乾旱指數能夠反演表層土壤水分，進而監測旱情。本數據集基於MODIS植被指數和地表溫度產品，結合SRTM DEM數據，利用NDVI-LST特徵空間特性，提取特徵空間乾濕邊，獲得2000–2017年中巴經濟走廊逐月溫度植被乾旱指數數據集。本數據集空間範圍為北緯41°25′24.49″–23°45′24.49″，東經60°53′57.97″–79°52′27.97″，數據格式為GeoTiff，空間分辨率為1 km。與氣象站觀測降水和土壤濕度數據對比分析表明，本產品與標準化降水指數和土壤濕度呈負相關關係，相關性較好。本數據集可以為中巴經濟走廊乾旱災害監測提供基礎數據和科技支撐。

關鍵詞：中巴經濟走廊；溫度植被乾旱指數；地表溫度；歸一化植被指數

Abstract & Keywords

Abstract: Drought disasters happen frequently along the China–Pakistan Economic Corridor (CPEC), which harm the development and safety of the countries along it. It is therefore important to conduct drought monitoring along CPEC. While soil water content (SWC) is a fundamental indicator of drought prediction, temperature vegetation dryness index (TVDI) can predict drought by inverting surface soil water content. Based on a combination of MODIS normalized differential vegetation index (NDVI) and land surface temperature (LST) products and SRTM DEM data, the study used NDVI-LST spatial characteristics to extract the spatial edge of dryness and wetness along CPEC from 2000 – 2017, through which to obtain the monthly TVDI. The study area is from 41°25'24.49"N to 23°45'24.49"N and from 60°53'57.97"E to 79°52'27.97"E. The data is in GeoTiff format, with a spatial resolution of 1 km. We then compared the data with the precipitation and soil water content observed by meteorological stations. Results show that TVDI has a significantly negative correlation with Standardized Precipitation Index (SPI) and SWC . The dataset can be used to support drought monitoring and prediction along CPEC.

Keywords: China–Pakistan Economic Corridor; temperature vegetation dryness index; land surface temperature; normalized differential vegetation index

數據庫（集）基本信息簡介

數據集名稱	中巴經濟走廊2000–2017年逐月溫度植被乾旱指數數據集
數據作者	馮克庭、張耀南、田德宇
數據通信作者	張耀南（yaonan@lzb.ac.cn）
數據時間範圍	2000–2017年
地理區域	地理範圍包括北緯41°25′24.49″–23°45′24.49″，東經60°53′57.97″–79°52′27.97″，涉及中國喀什地區及周邊和巴基斯坦。
空間分辨率	1 km
數據量	634 MB
數據格式	*.tif
數據服務系統網址	http://www.sciencedb.cn/dataSet/handle/640 http://www.crensed.ac.cn/portal/metadata/34994230-7c93-4d39-8cc3-950f1db2dd7e
基金項目	國家科技基礎條件平台「特殊環境特殊功能觀測研究台站共享服務平台」（Y719H71006）、中國科學院信息化專項「寒旱區環境演變研究『科技領域雲』的建設與應用」（XXH13506）。
數據集組成	數據集由216個數據文件組成，數據文件為月溫度植被乾旱指數數據，數據格式為tif，文件名為TVDI.AYYYYDDD.1_km_month.tif。

Dataset Profile

Title	A dataset of monthly temperature vegetation dryness index along the China–Pakistan Economic Corridor from 2000 – 2017
Data corresponding author	Zhang Yaonan (yaonan@lzb.ac.cn)
Data authors	Feng Keting, Zhang Yaonan, Tian Deyu, Kang Jianfang
Time range	2000 – 2017
Geographical scope	41°25′24.49″N - 23°45′24.49″N, 60°53′57.97″E - 79°52′27.97″E
Spatial resolution	1 km
Data volume	634 MB
Data format	*.tif
Data service system	http://www.sciencedb.cn/dataSet/handle/640 http://www.crensed.ac.cn/portal/metadata/34994230-7c93-4d39-8cc3-950f1db2dd7e
Sources of funding	National R&D Infrastructure and Facility Development Program of China 「National Special Environment and Function of Observation and Research Station Shared Service Platform」 (Y719H71006); Information Program of the Chinese Academy of Sciences 「Construction and Application of 『Technology Cloud』 in Cold and Arid Regions Environment Evolution」 (XXH13506).
Dataset composition	The dataset consists of 216 files of monthly temperature vegetation dryness index data in total. The files are named in the format of TVDI.AYYYYDDD.1_km_month.tif.

引 言

中國–巴基斯坦經濟走廊（簡稱「中巴經濟走廊」），範圍包括巴基斯坦全國和中國新疆喀什地區及周邊（圖1），起點在中國新疆喀什，終點在巴基斯坦瓜達爾港，全長3000 km，北接「絲綢之路經濟帶」、南連「21世紀海上絲綢之路」，是貫通南北絲路關鍵樞紐，是一條包括公路、鐵路、油氣和光纜通道在內的貿易走廊，也是「一帶一路」倡議的重要組成部分^[1][2]，將對中巴兩國的經濟社會發展產生重大的影響，為「一帶一路」建設實施發揮示範和推動作用^[3]。中巴經濟走廊沿線乾旱災害發生頻繁，嚴重影響着沿線國家的安全和社會發展，制約着「一帶一路」重大戰略的實施^[4]。因此，有必要利用各類數據對中巴經濟走廊沿途乾旱災害開展監測研究，這將對抗旱減災及風險評價提供有力的理論依據，為進一步掌握有效的綜合乾旱指標提供科技支撐，為抗旱生產實踐提供決策參考，促進中國與「一帶一路」沿線各國的災害監測、預警、救災、減災的科技合作。

圖片

圖1 研究區示意圖

乾旱的監測和分析，長期以來都是政府和學術界高度關注的熱點問題^[5]。傳統的乾旱監測方法是基於地面台站觀測或實驗觀測，利用氣象和水文觀測站獲得的降水、氣溫、蒸發、徑流等氣象和水文數據，以及農業氣象觀測的墒情等數據，依據各種乾旱指標對觀測數據進行統計分析來對乾旱情況進行量化分析。由於觀測站點空間密度有限，僅靠地面觀測點的資料很難對乾旱進行大範圍、快速、連續的監測。隨着遙感技術的發展和應用，遙感乾旱監測已經成為全球抗旱減災中不可或缺的手段，它與傳統學科相結合，優勢互補，可以提供區域、大陸乃至全球的旱情信息^[6]，是一種宏觀、快速、客觀、經濟的有效手段^[7]。在遙感乾旱監測中，將植被指數和地表溫度相結合進行乾旱監測的方法使用廣泛^{[8][9][10][11][12][13]}。其中，溫度植被乾旱指數（Temperature Vegetation Dryness Index，TVDI）方法應用最為廣泛。Sandholt等^[14]基於植被指數和地表溫度的關係，提出了TVDI指數用以估測土壤表層水分狀況。國內學者利用TVDI指數進行了全國級、區域級、省級等不同空間尺度的乾旱監測。齊述華等^[15]應用TVDI方法對全國進行了乾旱監測，結果表明，該方法用於大範圍評價旱情是合理的。楊秀海等^[16]研究表明TVDI基本上能夠反映表層土壤濕度狀況，利用TVDI對西北地區進行夏季乾旱動態監測是可行的。姚春生等^[17]利用TVDI方法反演了新疆地區的土壤濕度。張順謙等^[18]依據TVDI對2006年四川伏旱進行監測與評估，其結果與氣候監測結果基本一致。杜靈通等^[19]利用TVDI監測寧夏地區乾旱，並分析了10年間的旱情變化特徵。沙莎等^[20]利用歷史遙感數據構建了3種植被指數與地表溫度特徵空間，討論了TVDI方法在甘肅省隴東地區的適宜性。但是，TVDI用於乾旱監測時，由於研究區內地形起伏、南北緯度跨距的差異對地表溫度數據的影響會帶來TVDI的計算誤差，從而降低TVDI反演的精度。冉瓊等^[21]考慮高程變化對地表溫度的影響，對地表溫度進行了高程校正，使得經過高程校正獲取的TVDI能更好地反映土壤濕度。趙傑鵬等^[22]利用地理緯度和地面高程，對地表溫度進行校正，從而達到對大區域太陽輻射和大氣背景差異校正的目的，使得TVDI監測土壤濕度的精度明顯提高。

本數據集採用TVDI方法^[14]，並利用高程和緯度對地表溫度校正^[22][21]，計算溫度植被乾旱指數，以MODIS植被指數和地表溫度數據為基礎，結合數字高程模型（Digital Elevation Model，DEM）數據，獲取了2000-2017年「中巴經濟走廊」區域逐月溫度植被乾旱指數數據集，為區域災害研究與決策提供基礎數據。

1 數據採集和處理方法

本數據集採用的數據為MODIS植被指數產品MOD13A3、地表溫度產品MOD11A2，SRTM DEM產品以及氣象站觀測降水數據和土壤濕度數據。其中MODIS數據來源於美國航空航天局（National Aeronautics and Space Administration，NASA）陸地產品處理分發數據中心 （Land Processes Distribution Active Archive Center，LPDAAC，https://lpdaac.usgs.gov）；DEM数据来源于地理空间数据云（http://www.gscloud.cn）提供的SRTM数据集；降水和土壤湿度数据来源于国家气象数据共享服务平台（https://data.cma.cn）。数据生产流程包括数据预处理、数据重建、计算与评估，如图2所示。

圖片

圖2 數據生產流程圖

其中數據預處理是進行數據拼接、投影轉換、波段提取、重採樣等，提取的波段包括歸一化植被指數（Normalized difference vegetation index，NDVI）、地表溫度（Land Surface Temperature，LST）及相應的質量控制文件（Quality Assurance，QA）；數據重建包括空間插值、時間序列濾波、地形校正、時間序列補齊、時間序列重建；計算與評估對TVDI進行計算，並利用標準化降水指數（Standardized Precipitation Index，SPI）和土壤濕度對指數進行評估。

1.1 數據預處理

MODIS植被指數產品MOD13A3時間分辨率為月，空間分辨率為1 km，地表溫度產品MOD11A2時間分辨率為8天，空間分辨率為1km，數據格式為hdf，投影方式為正弦曲線地圖投影。利用MODIS再投影工具（MODIS Reprojection Tool，MRT）對數據進行拼接、投影轉換、波段提取和重採樣。MRT參數設置：輸出格式為Geotiff，輸出投影採用地理投影，水準面選擇WGS84，採樣方法為最近鄰採樣，像元大小為0.0083333333度（1 km）。獲取NDVI、地表溫度及相關質量控制數據。

DEM數據格式為Geotiff，分辨率為90 m。利用ArcGIS工具，對DEM數據進行拼接、重採樣、裁剪，生成分辨率為1 km的中巴經濟走廊DEM數據。

採用Python語言編程，結合研究區矢量邊界和MODIS質量控制數據，實現數據批量裁剪和掩膜，剔除質量不可靠像元，生成中巴經濟走廊質量可靠的NDVI和地表溫度數據集。

1.2 數據重建處理

遙感數據重建旨在利用多種統計和數值分析方法，模擬缺失數據或提高反演模型精度，從而實現插補缺失觀測值，優化時間序列數據，為相關研究提供更加完備的基礎數據。遙感數據重建方法分為空間重建和時間重建兩類，本數據集生產過程中對數據進行空間和時間重建處理。

1.2.1 空間插值處理

數據預處理提取的NDVI和溫度數據，如有質量不可靠像元缺失，需要進行空間插補，採用反距離加權（IDW）方法實現數據的空間插值。利用Python首先調用ArcGIS arcpy包的RasterToPoint模塊將柵格數據集轉換為點要素，其次調用ArcGIS arcpy包的IDW模塊，將點插值成柵格表面，實現數據批量空間插值處理，IDW方法參數設置如下：

（1）距離指數：用於控制內插值周圍點的顯著性，值越高，距離較遠的數據點影像越小，通常取值範圍在0.5～3之間可以獲得最合理結果，本次處理選擇值為2；

（2）搜索半徑：定義對缺失像元值進行插值的輸入點，包括可變搜索半徑和固定距離兩種方式指定輸入採樣點，選擇可變搜索半徑方式，插值的最鄰近輸入採樣點數量為12；

（3）像元尺寸：設置為與輸入影像數據相同。

1.2.2 時間序列濾波處理

在空間重建的基礎上，採用S-G濾波，在時間序列上對多期影像進行擬合重建。S-G濾波擬合方法是由Savitzky^[23]等在1964年提出的一種基於平滑時間序列數據和最小二乘原理的卷積算法，它是一種移動窗口的加權平均算法，但其加權係數不是簡單的常數窗口，而是通過在滑動窗口內對給定高階多項式的最小二乘擬合得出，其表達式為：

圖片 （1）

式（1）中，圖片為擬合值，圖片為像元原始值，圖片為第i個值濾波時的係數，m為半個濾波窗口的寬度，N為濾波器長度，等於滑動數組的寬度2m+1。

在S-G濾波中，擬合效果指數取最小值時的迭代結果為最佳濾波效果，其計算公式為：

\({F}_{k}={\sum }_{i=0}^{N}\left|{Y}_{i}^{k}×{W}_{i}\) （2）

式（2）中，\({F}_{k}\)为第k次迭代后的序列拟合结果指数，\({Y}_{i}^{0}\)和\({Y}_{i}^{k}\)分别为未经迭代和第k次迭代后序列中第i个值，\({W}_{i}\)为序列中第i个值的权重，N为滤波器长度。

处理流程如下：

（1）确定滤波窗口的一半宽度m和多项式拟合的阶数d，通常，m值取4～7，d值取2～4，本数据集处理中选择m=4，d=2；

（2）对空间插值后的时序数据进行S-G滤波处理，生成时序数据；

（3）计算序列中每个点的权重；

（4）根据权重、空间插值的时序数据和S-G滤波后的序列，生成新的时序数据，并利用S-G滤波拟合新的时序数据；

（5）计算拟合效果指数，若拟合效果指数达到最小，退出迭代；否则，返回步骤（4）继续迭代处理。

1.2.3 温度数据地形校正处理

研究表明^[14]，TVDI模型反演的精度受地表温度、植被覆盖状况、地表参数、大气条件及太阳辐射等因子影响，而地理纬度和地面高程是影响大气背景差异和太阳辐射的两个重要因素。研究区内地形起伏、南北纬度跨距的差异对MODIS地表温度数据的影响会带来TVDI的计算误差，因此，需要对地表温度进行校正^[22][21][20]。地表温度校正的公式如式（3）。

\({T}_{c}={T}_{s}+a×H+b×L+c\) （3）

式（3）中\({T}_{c}\)为校正后地表温度，\({T}_{s}\)为校正前MODIS地表温度，H为高程，L为纬度，a为高程校正系数，b、c分别为纬度校正系数，其中a常取0.006（0.6℃/100 m）^[22][21]，也有研究表明新疆地区a的最优取值为0.003～0.005（0.3～0.5℃/100 m），纬度校正系数b、c分别取0.3～0.5、−20～−12^[22]，本数据集生产中a取值为0.003，b取值为0.4，c取值为−16。

1.2.4 数据时间序列处理

由于MODIS数据序列中部分影像期数缺失，需要对缺失期影像进行补全。处理过程中，采取多年同期数据平均值的方法补全缺失期影像。由于计算中需要的NDVI和地表温度数据时间分辨率为月，而MODIS 1 km地表温度无月分辨率数据，因此将MOD11A2数据转换为月尺度，采用方法为月内8天数据取平均。

1.3 温度植被指数计算

TVDI^[14]是一种基于NDVI-LST特征空间的土壤水分监测方法，具有一定的物理意义，较单独使用NDVI或LST能够提供更加准确、丰富的干旱信息。LST与NDVI的斜率与土壤水分的负相关关系是特征空间中的重要统计特征。随着地表植被覆盖度的增加，地表温度开始下降。当地表干旱缺水时，地表温度会迅速升高；反之，土壤湿度较大，地表温度增加较少。由特征空间原理可知，计算TVDI 的关键是干湿边的拟合。现有的研究结果表明，特征空间中干边上NDVI与LST都呈现显著的负相关关系，这说明当植被受到水分胁迫时，地表温度随着植被覆盖度的增加而降低。大多数研究中湿边上NDVI与LST呈现正相关或者不相关，以两者的正相关关系居多^[24]。TVDI的计算公式为：

\(TVDI=\frac{{T}_{c{{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}\) （4）

\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}={a}_{1}+{b}_{1}×NDVI\) （5）

\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}={a}_{2}+{b}_{2}×NDVI\) （6）

式（4）、（5）、（6）中\({T}_{c}\)為任意像元的地表溫度，\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}\)和\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}\)分別為一定NDVI對應的最低和最高地表溫度，a1 、b1 、a2 、b2 分別為待定係數，TVDI取值範圍為[0, 1]。對於一組NDVI和LST遙感影像，對NDVI取步長0.01，求取每一NDVI對應的LST最高、最低值，用最小二乘法擬合得到干、濕邊方程，進而將式（5）、（6）代入式（4），求得TVDI。圖3為研究區2009年逐月乾濕邊擬合效果，表1為乾濕邊的擬合結果。

圖片（a）

圖片（b）

圖片（c）

圖片（d）

圖片（e）

圖片（f）

圖片（g）

圖片（h）

圖片（i）

圖片（j）

圖片（k）

圖片（l）

圖3 2009年逐月NDVI-LST特徵空間及乾濕邊擬合圖（a）1月 （b）2月 （c）3月（d）4月 （e）5月 （f）6月（g）7月 （h）8月 （i）9月（g）10月 （h）11月 （i）12月

從圖3的NDVI-LST特徵空間可以看出，隨着植被指數的增加，地表溫度的最大值減小，而地表溫度的最小值增加。從擬合效果來看（表1），干邊斜率都小於0，濕邊斜率都大於0，干邊擬合相關係數R2 最小值為0.8889，其他11個月份都大於0.90，NDVI與LST呈顯著的負相關關係（p<0.001）；濕邊擬合相關係數R2 最小值為0.5113，最大值為0.9283，NDVI與LST呈顯著的正相關關係（p<0.001），乾濕邊擬合的整體效果很好。此外，乾濕邊擬合方程的常數項，在特徵空間中是乾濕邊在縱軸（地表溫度）的截距，代表了裸土像元在水分充足和水分匱乏時的地表溫度，從表1中可以看出，乾濕邊截距隨着年內溫度的變化發生相應變化，即冬季截距較小，夏季截距較大。

表1 2009年逐月乾濕邊擬合方程和相關係數

月份	干邊方程	'R'2	濕邊方程	'R'2
1月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-20.541×NDVI+32.016\)	0.9731	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=23.580×NDVI-18.242\)	0.7632
2月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-24.051×NDVI+37.845\)	0.9825	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=23.066×NDVI-12.874\)	0.7653
3月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-25.116×NDVI+45.402\)	0.9655	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=20.781×NDVI-\mathrm{ }3.754\)	0.776
4月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-22.560×NDVI+51.435\)	0.9675	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=19.035×NDVI+ 3.326\)	0.7582
5月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-14.977×NDVI+54.194\)	0.8889	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=20.063×NDVI+ 5.752\)	0.8995
6月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-16.780×NDVI+57.159\)	0.9027	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=19.858×NDVI+ 8.527\)	0.9283
7月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-30.291×NDVI+62.142\)	0.9375	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}= 7.259×NDVI+15.157\)	0.7943
8月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-31.644×NDVI+60.217\)	0.9452	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}= 8.726×NDVI+13.899\)	0.5113
9月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-31.321×NDVI+54.065\)	0.9634	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=28.402×NDVI+ 2.008\)	0.7655
10月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-26.901×NDVI+47.449\)	0.9746	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=35.480×NDVI-10.083\)	0.8256
11月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-22.410×NDVI+40.536\)	0.9789	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=26.546×NDVI-15.550\)	0.6838
12月	\({{T}_{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}=-18.601×NDVI+33.319\)	0.9733	\({{T}_{c}}_{\mathrm{m}\mathrm{i}\mathrm{n}}=22.953×NDVI-19.013\)	0.6348

2 數據樣本描述

2.1 命名規則

中巴經濟走廊2000–2017年逐月溫度植被乾旱指數數據集命名規則如下：TVDI.AYYYYDDD.1_km_month.tif，具體意義為：

（1）TVDI：表示溫度植被乾旱指數產品；

（2）AYYYYDDD：表示產品時間為YYYY年第DDD天（以每年1月1日為第一天）；

（3）1_km：表示產品空間分辨率為1 km；

（4）month：表示產品為月數據。

如TVDI.A2017032.1_km_month.tif，表示2017年2月，空間分辨率為1 km的溫度植被乾旱指數產品。

2.2 數據描述

中巴經濟走廊2000–2017年逐月溫度植被乾旱指數產品信息如表2。其中，TVDI的範圍為0～1，在存儲時放大10000倍，像元數值大小範圍為0～10000，填充值為−3000，數據類型為signed int16，使用時需乘以比例因子0.0001。

表2 溫度植被乾旱指數產品信息

序號	內容	數值
1	波段數	1
2	像素值	0～10000
3	數據類型	signed int 16
4	比例因子	0.0001
5	填充值	−3000
6	行數	2120
7	列數	2277
8	像元大小	0.0083333333, 0.0083333333
9	坐標系	WGS84

以TVDI作為乾旱分級指標，將乾旱等級劃分為5級^[15]：濕潤（0≤TVDI≤0.2）、正常（0.2＜TVDI≤0.4）、輕旱（0.4＜TVDI≤0.6）、中旱（0.6＜TVDI≤0.8）和重旱（0.8＜TVDI≤1）。圖4所示，以TVDI分級指標劃分的乾旱等級圖。

圖片（a）

圖片（b）

圖4 中巴經濟走廊乾旱等級圖（a）2017年4月 （b）2017年9月

3 數據質量控制和評估

3.1 數據質量控制

TVDI數據產品的質量與NDVI和LST產品的質量有關，因此，通過對NDVI和LST數據產品的質量控制來保證TVDI產品的質量。按照TVDI數據生產流程（圖2），質量控制包括提取質量可信數據處理和對提取的質量可信數據產品進行時空重建等處理。產品中的不可信像元一般都為雲覆蓋或者大氣效應影響較強的區域，提取質量可信數據處理依據MODIS產品質量控制文件，剔除了產品的質量不可信像元。對於不可信像元，採用其周邊可信像元值進行空間插值，以補全缺失像元，進而對插值產品進行時序濾波重建，從時空兩方面提高數據質量。

其中，提取質量可信數據處理，對NDVI數據，按照NDVI產品數據說明，依據QA值將NDVI像元分為可信和不可信兩種，提取質量可信像元。處理流程如下：

（1）像元可靠性波段（1 km monthly pixel reliability）中像元值為0的像元標定為可信像元；

（2）研究區內有大量冰川分布，因此將1 km monthly pixel reliability中像元值為2的像元標定為可信像元；

（3）1 km monthly pixel reliability中像元值為3的像元標定為不可信像元；

（4）1 km monthly pixel reliability中像元值為1的像元標定為待定像元；

（5）對於待定像元，比較相應的1km monthly VI Quality像元值0–5位數值確定該像元的可信度：當0–1位值為0時，確定為可信像元；當0–1位值為1時，依據2–5位值確定可信度；

（6）掩膜處理，剔除不可信像元，提取可信像元，生成新的NDVI數據。

對LST數據，依據LST產品質量控制（QC）文件說明，提取質量可信像元，處理流程如下：

（1）質量控制波段QC_Day中0–1位值為0的像元標定為可信像元；

（2）QC_Day中0–1位值為2和3的像元標定為不可信像元；

（3）QC_Day中0–1位值為1的像元標定為待定像元；

（4）對於待定像元，比較QC_Day中相應像元2–7位的值確定該像元的可信度：當2–3位的值為0時，標定為可信像元；當2–3位的值為1時，對應的4–5位值為0，6–7位值為0的像元標定為可信像元；其他像元標定為不可信像元；

（5）掩膜處理，剔除不可信像元，提取可信像元，生成新的地表溫度數據。

3.2 TVDI與站點SPI和土壤濕度的相關性分析

SPI已經被證實能夠很好地反映氣象乾旱，TVDI也是一種土壤水分監測方法，因此，用SPI和實測土壤水分對TVDI進行評價。由於未獲取到巴基斯坦境內的氣象站觀測資料，這裡僅利用中國境內7個氣象站降水數據計算出的月尺度SPI和3個氣象站的土壤濕度數據，對TVDI進行有效性驗證。計算1960–2016年7個氣象站的SPI，提取2000–2016年7個氣象站對應像元的TVDI值，並對各氣象站TVDI與同期逐月SPI和土壤濕度進行相關性分析。結果表明（圖5），TVDI與SPI、土壤濕度呈負相關關係，TVDI與月尺度SPI相關係數最大為−0.389，最小為−0.158，除烏恰站（p=0.024）TVDI與SPI的相關性通過了p＜0.05的顯著性檢驗外, 其他站TVDI與SPI的相關性都通過了p＜0.01的顯著性檢驗；TVDI與實測土壤濕度相關係數最大為−0.656，最小為−0.217， TVDI與土壤濕度的相關性都通過了p＜0.01的顯著性檢驗。

圖片（a）

圖片（b）

圖片（c）

圖片（d）

圖片（e）

圖片（f）

圖片（g）

圖片（h）

圖片（i）

圖片（j）

圖5 TVDI與各氣象站SPI、土壤濕度相關圖

4 數據使用方法和建議

中巴經濟走廊2000–2017年逐月溫度植被乾旱指數數據集在月尺度上反映區域乾旱的變化特徵，數據按月存儲，格式為GeoTiff格式。數據讀取和操作可以用ArcGIS、ENVI等常用的GIS與遙感軟件。TVDI以影像的像元值表示，在使用過程中，用戶可以根據自己的分級標準對數據進行分級，生成乾旱等級圖。

致 謝

感謝USGS提供MODIS數據，感謝地理空間雲提供DEM數據，感謝國家氣象數據共享服務平台提供降水和土壤濕度數據。

參考文獻

1. 王會芝, 惠之凡, 徐鶴. 「中巴經濟走廊」建設生態環境風險分析與應對策略[J]. 河海大學學報(哲學社會科學版), 2017, 19(01): 65-68, 90-91.
2. 丁思洋, 朱文泉, 江源, 等. 基於RS與GIS的中巴經濟走廊生態現狀評價[J]. 北京師範大學學報(自然科學版), 2017, 53(03): 358-365.
3. 胡鞍鋼, 馬英鈞, 高宇寧. 「一帶一路」: 打造對外開放升級版, 創造全球性開放紅利[J].河海大學學報(哲學社會科學版), 2016, 18(04): 1-5, 89.
4. 崔鵬, 蘇鳳環. 國產高分辨率衛星在「一帶一路」自然災害風險管理中的應用[J]. 衛星應用, 2016(10): 8-11.
5. 郭鈮, 王小平. 遙感乾旱應用技術進展及面臨的技術問題與發展機遇[J]. 乾旱氣象, 2015, 33(01): 1-18.
6. 柳欽火, 辛景峰, 辛曉洲, 等. 基於地表溫度和植被指數的農業乾旱遙感監測方法[J]. 科技導報, 2007 (06): 12-18.
7. 劉歡, 劉榮高, 劉世陽. 乾旱遙感監測方法及其應用發展[J]. 地球信息科學學報, 2012, 14(02): 232-239.
8. 王鵬新, WAN Z M, 龔健雅. 基於植被指數和土地表面溫度的乾旱監測模型[J]. 地球科學進展, 2003, 18(4): 527-533.
9. LAMBIN E F, EHRLICH D. The surface temperature-vegetation index space for land cover and land-cover change analysis[J]. International Journal of Remote Sensing, 1996, 17(3): 463-487.
10. KOGAN F, STARK R, GITELSON A, et al. Derivation of pasture biomass in Mongolia from AVHRR-based vegetation health indices[J]. International Journal of Remote Sensing, 2004, 25: 2889-2896.
11. KOGAN F. World droughts in the new millennium from AVHRR-based vegetation health indices[J]. Eos, Transactions American Geophysical Union, 2002, 83(48): 557.
12. KOGAN F. Application of vegetation index and brightness temperature for drought detection[J]. Advanced in Space Research, 1995, 15(11): 91-100.
13. KARNIELI A, AGAM N, PINKER R T, et al. Use of NDVI and land surface temperature for drought assessment: Merits and limitations[J]. Journal of Climate, 2010, 23: 618–633.
14. ^ ^{14.0 14.1 14.2 14.3} SANDHOLT I, RASMUSSEN K, ANDERSEN J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment, 2002, 79(2): 213-224.
15. ^ ^{15.0 15.1} 齊述華,王長耀,牛錚.利用溫度植被旱情指數(TVDI)進行全國旱情監測研究[J].遙感學報,2003(05):420-427, 436.
16. 楊秀海, 卓嘎, 羅布. 基於MODIS數據的西北地區旱情監測[J]. 草業科學, 2011, 28(08): 1420-1426.
17. 姚春生, 張增祥, 汪瀟. 使用溫度植被乾旱指數法(TVDI)反演新疆土壤濕度[J]. 遙感技術與應用, 2004(06): 473-478.
18. 張順謙, 卿清濤, 侯美亭, 等. 基於溫度植被乾旱指數的四川伏旱遙感監測與影響評估[J]. 農業工程學報, 2007(09): 141-146, 294.
19. 杜靈通, 候靜, 胡悅, 等. 基於遙感溫度植被乾旱指數的寧夏2000–2010年旱情變化特徵[J]. 農業工程學報, 2015, 31(14): 209-216.
20. ^ ^{20.0 20.1} 沙莎, 郭鈮, 李耀輝, 等. 溫度植被乾旱指數(TVDI)在隴東土壤水分監測中的適用性[J]. 中國沙漠, 2017, 37(01): 132-139.
21. ^ ^{21.0 21.1 21.2 21.3} 冉瓊, 張增祥, 張國平, 等. 溫度植被乾旱指數反演全國土壤濕度的DEM訂正[J]. 中國水土保持科學, 2005 (02): 32-36, 50.
22. ^ ^{22.0 22.1 22.2 22.3 22.4} 趙傑鵬, 張顯峰, 廖春華, 等. 基於TVDI的大範圍乾旱區土壤水分遙感反演模型研究[J]. 遙感技術與應用, 2011, 26(06): 742-750.
23. SAVITZKY A, GOLAY M J E. Smoothing and Differentiation of Data by Simplified Least Squares Procedures[J]. Analytical Chemistry. 1964, 36 (8): 1627-1639.
24. 沙莎, 郭鈮, 李耀輝, 等. 我國溫度植被旱情指數TVDI的應用現狀及問題簡述[J]. 乾旱氣象, 2014, 32(01): 128-134.

數據引用格式

馮克庭, 張耀南, 田德宇，康建芳. 中巴經濟走廊2000–2017年逐月溫度植被乾旱指數數據集[DB/OL]. Science Data Bank, 2018. (2018-08-01). DOI: 10.11922/sciencedb.640.