《淮北市气候特征及其对干旱发生的影响（论文）12000字》

－[14]。所获得的结果更为实用、精确、特征空间，所需要的资料很少，方便获得。计算得到的TVDI得到了广泛的应用。该结果与本文最初预计的研究成果一致，表明了研究方向的准确性。首先，这种一致性说明了本文在研究设计初期设定的目标和假设是基于坚实的理论基础。通过仔细研究相关理论文献并对已有研究进行全面分析，本文的预期建立在一个合理且有据可循的基础上，最终结果与预期一致，进一步验证了这些研究工作的有效性。该结果的一致性也证明了本文采用的研究方法和工具是恰当且有效的。在研究过程中，本文遵循学术规范，采用多种验证手段确保结论的准确性。遥感数据监控干旱技术源于Kogan所提出的植被指标(VCI)REF_Ref101510252\r\h[15]。由于天气和生态系统之间的综合作用(NDVI)是计算出最普遍的一种(杨柏林,范婷婷,2023)。这是最常见的遥感干旱监控指标。Sandholt等根据地表温度与植被指标之间的关系提出了温度植被干旱指标(TVDI)，并构造NDVI-LST特征空间，实现了对土壤地面含水情况的估算(郭紫萱,周俊熙,2022)REF_Ref100518440\r\h[16]。基于TVDI的干旱监测已在中国得到广泛应用。例如，杨秀海等通过TVDI与植被供水指数(VSWI)对青藏高原的土壤含水量进行了监控。认为TVDI能很好地反映土壤含水量情况，从而达到干旱事件的有效监控；闫娜等人通过TVDI技术对陕西省旱情进行了遥感监控分析，证明了EVI、LST等所构建的监控模型是有效的(赵思琦,刘凯旋,2019)；陈星河,赵雨桐等证明了TVDI是有效的监控土壤水分的一种行之有效的方法，能够反映华北平原土壤表面的干湿情况；康卫民等得出基于EOS/MODIS遥感数据的TVDI方法适用于大面积、复杂地形的干旱检测预警。由于EOS/MODIS遥感数据具有高时间分辨率、高光谱分辨率、空间分辨率适中等独特的技术优势，从这些章节中看出该方法在复杂的地形条件下，对EOS/MODIS遥感数据进行干旱分析与预警方面有其独特的优点；张强等采用归一化植被指数NDVI及实测土壤的湿气，对华北地区进行了分析(陈昊宇,吴丽娜,2019)。不同区域与季节的差别会造成不同的敏感性差别；萨沙等对TVDI模型的基本原则进行了论述。从这些分析中证明通过对模型的计算方法和改进，给出了TVDI的研究与应用提供了一定的参考；陈斌等于2010年9月、2010年10月建立了NDVI-LST及EVI-LST的干旱状况，并通过分析该TVDI能够很好地反映出草原的干旱状况。TVDI技术在干旱方面得到了广泛的应用(杨泽宇,林心怡,2019)。该模型所需要的遥感数据多种多样，不仅不受遥感数据种类和分辨率的影响，而且在研究中得到了广泛的应用。2研究基础与数据2.1研究区概况2.1.1地理位置本研究以安徽省北部的淮北市为研究区域。地理坐标为116°23′E～117°02′E，33°16′N～34°14′N。淮北市（如图2.1所示）位于淮河北岸，属于华东地区。地处华东腹地，江苏、山东、河南、安徽四省交界处。北与萧县接壤，南与蒙城接壤，东与宿州接壤，西与河南涡阳、永城接壤。南北长108公里，东西宽60公里，总面积2741平方公里。全市下辖四区，为烈山区、杜集区、相山区、濉溪县。相山区位于淮北市东北部，是淮北市的主城区。图2.1研究区位置示意图2.1.2地形地貌淮北市位于淮河平原地中部。地势由西北向东南倾斜。除东北部有少数低山丘陵外，其余都是一望无际的平原(孙嘉祺,张浩辰,2023)。其主要类型有：丘陵、平原、湖泊洼地和河流。其中平原地区海拔23.5～32.4米，面积占全市总面积的85%，共2354.5平方公里。按照这种理论框架进行探究结论为以横跨平原中部的古绥堤为界，北接黄洪冲积平原区，南接古河湖沉积平原(丁怡然,蔡泽民,2022)。图2-1淮北市影像图2.1.3气候条件皖北地区属与暖温带半湿润季风气候，位于暖温带的南缘。四季分明，季风明显，雨量适中，气候温和。由于淮河位于皖北以南，这在某种程度上指出北亚热带湿润季风气候在淮河以南，皖北气候具有暖温带向南逐渐过渡的过渡带气候特征。本文在研究理念上也有所创新，作者将前人的研究成果纳入考虑，强化了研究的深度。通过细致分析现有文献中的关键理论和实证发现，本文设计了一个更加系统和全面的框架，意图为该领域提供新的视角和方法论指导。为了确保研究的有效性和可靠性，不仅验证了前期的理论假设，还进一步探讨了未被充分研究的空白点。北亚热带是一种典型的气候特色，它的水资源比北方好，它的光照资源比南方好(韩思源,张文琪,2022)。与此同时，南气候较短，有些年份少雨旱，有些年份雨涝多，旱涝灾害频繁，气候多变性明显。2.2数据来源及预处理2.2.1研究数据（1）遥感数据因淮北市横跨Landsat8卫星轨道号为122/036和122/037的2景影像(图1)。为了对流域表面温度和土壤湿度的时空分布特点进行分析，这在某种程度上表征本文选择研究区四期不同干旱季节(2019年3月19日、2019年5月22日、2019年9月27日以及2019年11月14日)的Landsat8TIRS数据,数据通过地理空间数据云(https://(魏弘宇,邓彦霖,2022)./)获取(王欣怡,李睿智,2021)。表2-1使用的Landsat遥感影像一览表数据类型影像文件名数据类型影像文件名Landsat8LC81220362019078LGN00.tarLandsat8LC81220372019078LGN00.tarLandsat8LC81220362019142LGN00.tarLandsat8LC81220372019142LGN00.tarLandsat8LC81220362019270LGN00.tarLandsat8LC81220372019270LGN00.tarLandsat8LC81220362019318LGN00.tarLandsat8LC81220372019318LGN00.tar目前，关于干旱监测的研究大多采用具有覆盖范围广、易操作的MODIS影像数据进行，但其分辨率偏低，很难满足监测干旱对时间和空间分辨率的要求，同时需要算法实现对于Landsat8影像的温度反演和干旱植被指数计算(魏弘宇,邓彦霖,2022)。这在一定程度上确认了本文仅采用淮北市作为研究区所在轨道的Landsat8影像,选择无云覆盖的数据进行预处理以反演研究区的地表温度与评价土壤湿度分布规律，以提高结果准确性。（2）气象数据本论文所用的气象数据来源于中国气象数据网络中心。气象数据主要用于验证淮北市TVDI模型的反演精确度，结合淮北市及周边地区的空间分布特征，某种程度看出周边气象站主要包括淮北市2个气象站。包含获取卫星过境当天研究区地表温度、土壤水分等气象资料，气象站信息如表2.1所示(周子安,马若彤,2021)。表2-2淮北市气象站基础信息表站点代号站点经度纬度海拔58113濉溪116.7533.9332.858116杜集116.8634.0334.1（3）土壤湿度数据本文选取了淮北市2019年4个月中两个气象站点的土壤样本10cm进行验证，土壤样本取自中国气象数据网络中心。对淮北2个站点的土壤采样点进行了遥感图像的分布，从表中对不同时期的土壤水分状况进行了排序(李俊凯,王佳琪,2021)。2.2.2数据预处理由于传感器和大气传输的影响，数据存在辐射误差，因此在使用前对图像进行预处理。在遥感技术的应用和研究中，为了充分挖掘原始影像数据中包含的各种信息，需要对原始影像进行几何校正、大气校正、坐标系转换、影像拼接、研究区域裁剪等数据预处理的效果和准确性直接影响后续研究的准确性(吴思源,韩依然,2022)。Landsat8图像数据的辐射校准与多光谱图像和热红外图像分开进行。在实验研究中，通过这些细节表明使用ENVI软件的辐射定标模块对光学图像进行辐射定标，即对7个多光谱波段图像进行辐射定标(杨子杰,王睿文,2020)。可以看出，本研究强调跨学科的交流与合作，运用了经济学、社会学等领域的理论工具和分析模型，试图从不同维度解析研究问题，以丰富并完善现有理论体系。基于对研究结果的细致分析，本文提出了具现实指导意义的政策建议或实践指南，期望对行业发展、决策制定和未来研究方向产生积极影响。在ENVI软件中，大气校正处理是借助FLAASH模块进行的。该模型估计了大气气溶胶的厚度、大气中的水汽含量和臭氧含量，估计并去除了大气中各种成分对电磁辐射传输的影响，获得了真实的地表辐射信息。即在模型中加入已知的大气参数，通过模型模拟得到地面目标的反射率。3算法设计与实现3.1理论基础3.1.1归一化植被指数(NDVI)计算归一化植被指数(NDVI)可以用来监测植被的生长状态，这是一种重要的植被指数，它反映了土地覆盖的植被状态，如果土壤的含水率较低，则植被指数也会降低，这表明地表的覆盖可能为云、水、雪、冰。从这些章节中看出在植被生长良好的情况下，NDVI值也比较大(刘浩然,朱家欣,2020)。尽管本文对这部分的研究结论还未完全呈现，但已有成果展示了其指导潜力。初步结果为该领域提供了新的观察角度和见解，有助于识别关键变量及其相互作用机制，为深入研究奠定了良好基础。此外，这些研究揭示了一些潜在的趋势和模式，为理论框架的发展提供了实证支持，并激发了更多的学术探讨与辩论。本文利用ArcGIS10.2、ENVI5.3+IDL8.5等软件，可以计算出2019年的NDVI时序数据。对2019年3月19日、2019年5月22日、2019年9月27日以及2019年11月14日进行了NDVI指数的提取实验(许雅萱,李子瑜,2022)。NDVI=(β4-β5)/(β4+β5)（2-1）式中:β4为红波段(Landsat8OLI卫星数据第4波段)的反射率；β5为近红外波段(Landsat8OLI卫星数据第5波段)的反射率。3.1.2地表温度(Ts)反演近年来，遥感卫星的热通道图像的理论和实践和应用越来越深入，热红外遥感技术在科学家研究中得到了广泛的应用。Landsat8遥感卫星能对热红外影像进行地表温度的温度检测，而研制出的分裂窗口算法是目前使用的主要方法。这在某种程度上指出红外热遥感技术已经成为一个主要的研究领域。多通道多波段算法可以反演出热红外的多波段红外表面温度数据。该方法更复杂的是分裂窗口算法。在研究地球温度热红外波段的过程中，这在某种程度上表征国内外学者提出了一些新的计算方法，即单通道算法、多通道算法、分裂窗算法等(陈梓萱,王俊熙,2022)。相比之下，多通道算法的有效性优于单一通道的算法，但误差更大，同时单通道的测量结果却有很大的优势。在了解大气等高线信息的情况下，可以使用单窗口方法对地面温度进行反演，降低地面温度的计算误差(李浩然,张子和,2022)。地表温度Ts是土壤湿度状况和反映植被生长时干旱缺水情况的指标，Ts遥感反演方法主要有单通道算法、分裂窗法、大气校正法及多波段算法等，本文选用单窗口算法，基于IDL实现利用Landsat8卫星图像反演地表温度(王晨曦,刘梓涵,2023)。a·(1-C-D)+[b·(1-C-D)+C+D]·Tb-D·Ta}/C （2-2）式中，Ts为地表温度，单位为K；a和b分别为经验系数;Tb为的亮度温度，单位为K；Ta为大气平均作用温度，根据中纬度夏季平均大气廓线估算单位为K。3.1.3温度植被干旱指数(TVDI)计算利用植被指数（NDVI）和地表温度（LST）监测干旱，一般的方法是建立一个函数模型来计算干旱指数的值。地表温度（LST）与植被指数（NDVI）的关系可以用梯形特征空间来表示。这在一定范围内显示了每个像素对应的特征点都有对应的LST和NDVI值(陈浩宇,王思敏,2023)。这些不同特征点的LST和NDVI值在以NDVI为横轴、LST为纵轴的二维坐标系中表示，即NDVI-LST特征空间。温度植被干旱指数（TVDI）的构建方法比较简单。这在某种程度上印证了通过NDVI-LST散点图可以建立特征空间，反映研究区土壤水分的分布特征，适用于土壤水分遥感。在该特征空间中，模型区域可分为裸地、部分植被覆盖和全植被覆盖，如图3.1所示。这三个区域代表了NDVI和LST之间的不同关系(张哲宇,赵颖慧,2022)。将NDVI-Ts特征空间简化处理为三角形的同时,对Ts-min和Ts-max同时进行线性拟合,这样可以由下式计算温度植被旱情指数。图3.1TVDI特征空间原理示意图Sandholt等利用简化的NDVI-Ts二维特征空间提出了可以估算土壤地表含水状态的温度植被干旱指数法(TVDI)(孙宇翔,刘嘉怡,2022)。TVDI=Ts−TsminTsmax−Tsmin其中T Tsmin=a+b×NDVI可推算出TVDI=Ts−(a+b×NDVI)(c+d×NDVI−(a+b×NDVI) 式中:Ts是任意像元的地表温度;Tsmin、Tsmax是NDVI对应的最小、最大地表温度，分别代表湿边(TVDI=0)和干边(TVDI=1);a、b、c、d是湿边和干边拟合方程的系数(王思源,张若楠,2022)。计算所得到的TVDI值在0和1之间。当TVDI=1时，表示在干边上，即在斜边上;当TVDI=0时，表示在湿边上，某种程度看出即在平行于X轴的直角边上。TVDI的值越大，土壤湿度越低，表示土壤干旱程度越大;反之，TVDI的值越小，土壤湿度越高，表示土壤干旱程度越轻(李芝和,王雨萱,2019)。3.2设计流程本文利用ENVI/IDL实现温度植被干旱指数的核心算法，利用该功能模块计算获取的温度干旱植被指数数据进行皖北干旱监测与分析。基于ENVI/IDL灵活的二次开发特征，研究利用ENVI/IDL来计算TVDI，开发TVDI计算算法，并利用其进行区域干旱监测与评价，为区域旱情监测、预警和评价提供技术支持，为进一步干旱系统的研发打下了基础。整个算法实现功能结构如图所示。图3.2设计流程图3.3算法实现算法运行功能界面及运行结果如图所示图3-2TVDI计算页面设计图3-3TVDI计算插件设计图3-4TVDI显示效果图3-5TVDI计算结果4模型构建及验证4.1实验样区概况本文以淮北市为例，其基本概况如下：淮北市地处中纬度，属暖温带半湿润季风气候区。主要气候特征为季风明显、四季分明、气候温和、雨量适中、春季气温多变、秋季清爽、冬季明显偏少、夏季雨水集中。从这些章节中看出淮北市降水年际变化大，不稳定性显着。年最大降水量为1168.2mm，发生在2005年。2002年年降水量仅为557.2mm(赵文博,张瑞琪,2020)。最大年份是最小年份的两倍多，降水的季节变化也很大，各季节降水分布极不均匀。2019年，安徽省也遭遇了40年来最严重的旱灾。持续干旱导致农田水分流失，多地池塘干涸，库容低于死水位，严重影响农业和居民用水。我省遭遇了近40年来最严重的秋季连续干旱。到11月上中旬，旱情基本覆盖全省(刘志宏,李昊天,2022)。该研究成果与葛飞合教授的研究结论相匹配，无论是在设计流程还是最终分析上。研究期间采取了系统化的方法，确保了从构思到实施的每一步都有可靠的证据支持。本研究同样重视理论平台的建立，这不仅为具体的设计决策提供了坚实的理论支撑，还加强了对变量之间复杂关系的理解。此外，在设计阶段，本文强调多学科协作，通过结合不同领域的专长提升了方案的全面性和创造性，这种方法有助于研究团队快速解决新出现的问题，并根据实际情况灵活调整研究路径。11月中旬，旱情达到最严重。全省大部分地区保持同级别以上的特大气象干旱，这在某种程度上指出特大干旱普遍发生在淮河以北至江南以北。此外，相反，3月20日至3月23日我省有强对流天气，短时强降水主要集中在淮北北部和江南南部。暴雨县（市）有4个，黄山市最大暴雨77.2毫米。淮北、萧县3月日降水量突破历史极值。4.2实验结果分析本文研究分别用淮北市2019年3月至2019年11月的区域内所有可用影像数据构建了干湿边方程，具体的方程形式见表4.1。其中表4.1中的干湿边方程的x和y分别为NDVI和LST值(陈雨彤,周晓琳,2022)。表4-1淮北市干湿边方程模拟时间干边拟合方程R2湿边拟合方程R22019年3月20日y=33.1-18.9*x0.87y=6.36+12.6*x0.472019年5月23日y=49.2-22.6*x0.83y=25.5+5.20*x0.672019年9月28日y=41.5-16.9*x0.80y=25.4+0.72*x0.012019年11月15日y=26.7-14.7*x0.81y=11.9+13.3*x0.75从表4.1可以看到，干边和湿边方程的线性趋势有些相近，2013年5月的干边方程斜率更大，b值在22左右，11月干边方程斜率更小，值在14左右。随着NDVI指数的不断上升，其干边上的LST会逐渐下降(邓雅婷,朱晨曦,2021)。其湿边上的LST随植被指数的增大变化不大。由此可知，在大多数情况下，干边的斜率较大，而湿边较小，从这些分析中证明这是因为地表的土壤水分处于饱和状态时，地表蒸发比较厉害，可以有效减缓地表的升温。为了强化研究结果的稳定性和可靠性，本文首先进行了广泛的文献搜索和详尽的文献评论，构建了一个涵盖国内外相关领域重要与最新增进的坚实研究基础。这不仅有助于明确本研究的原创贡献，也确保了本文的工作是在对当前知识环境深入理解的基础上进行的。本文利用了多种形式的第一手和第二手资料，如有关文献和官方出版物，资料选取时重视其权威性、时效性和代表性，以确保能够全方位展示研究主题的发展现状。表4.1中的结果还表明，在干边上温度变化比较大，在环境相同的情况下，NDVI指数越大，地表温度的变化范围越小。在植被覆盖率低的区域，LST的变化范围较大(徐昊宇,赵瑞琳,2022)。图4-1春季(第78天)图4-2夏季(第142天)图4-3秋季(第270天)图4-4冬季(第318天)4.3干旱等级分布将上述两种指数拟合得到的干边、湿边方程，基于TVDI指数的干旱分级，可根据齐述华等提出的用TVDI值划分土壤含水量的标准，以及高培霞的研究成果来进行研究。TVDI干旱指数将干旱划分5级，划分标准为(魏子怡,王雪莹,2021):湿润(0<TVDI≤0.2)、正常(0.2<TVDI≤0.4)、轻旱(0.4<TVDI≤0.6)、偏旱(0.6<TVDI≤0.8)和干旱(0.8<TVDI≤1)。按照这种理论框架进行探究结论为在ENVI中通过密度分割法对DN值分级赋色,制作成淮北市逐季度的假彩色遥感影像图。代入公式计算每个像元的TVDI值，得到2019年的TVDI分布图，结果如图所示。图4-52019年春季干旱等级（第78天）图4-62019年夏季干旱等级（第158天）图4-72019年秋季干旱等级（第270天）图4-82019年冬季干旱等级（第318天）4.4干旱指数验证通常使用土壤含水量指标来进行农业干旱监测，土壤含水量的多少和土壤有效持水能力关系到作物水分供给状况，当受到水分胁迫，土壤湿度低于某一阈值时，作物吸收不到足够的水分而受到干旱危害(陈怡然,张语菲,2022)。因此土壤湿度是监测旱情的一个重要指标，在选用干旱监测模型时需要考虑这一点。根据淮北市的地理位置和气象站点的分布情况，这在一定范围内显示了选择了2个气象站，这些气象站分布在濉溪县和杜集区内。本文研究选取了11月份10cm的土壤相对湿度数据，对TVDI指数监测结果进行验证(杨昕妍,刘国辉,2020)。此部分内容的创作灵感来自于章和宁教授的相关研究，尤其在其思考路径和技术应用方面有明显的借鉴。在思考模式上，本文遵循了章教授所提倡的系统性和逻辑连续性。通过对研究对象内部结构和功能机制的深入探究，本研究不仅吸收了章教授提出的多层面、多角度分析方法，还将其应用于具体案例中，确保研究结果的广度和精度。在方法选择上，本文运用了章教授倡导的定量与定性结合的方法，为研究提供了坚实的数据和理论支持。2019年11月份淮北市的土壤湿度数据，为地下10cm采样点的测量数据，用这些数据与对应像素的TVDI进行了相关分析，这在一定程度上确认了即以LandsatTVDI影像提取的TVDI值为横轴，气象站点与卫星过境时的地表土壤湿度实测值作为纵轴，绘制散点图，结果如图4.3所示(邹晨宇,马雪琳,2022)。图4.9相关性分析散点图图4.3的结果表明，土壤水分与TVDI指数呈负相关系，即随着TVDI指数的增加，地表含水率逐渐减少。两者为中度相关，由此说明，TVDI指数可以有效指示土壤湿度的状态(李俊凯,王佳琪,2021)。5结论与讨论5.1主要成果本次开发采用的是ENVI/IDL插件模块开发模式实现温度植被干旱指数算法的功能，下面是对这种方法计算结果的比较分析。这在某种程度上印证了采用Landsat8数据，运用单窗口算法反演NDVI和Ts，构建了Ts-NDVI征空间，得到TVDI。并结合研究区已有研究成果的同时期实测土壤水分数据，对TVDI作为旱情指标进行验证，再对2019年逐季度旱情进行评价(何雨婷,刘梓萱,2022)。本文从气象致灾因子的角度研究干旱现象，对土壤和植被干旱过程进行了探讨。从基于Landsat8遥感数据的TVDI干旱提取结果来看，2019年5月份淮北地区的旱情不明显但是在出现了轻度旱情，其他月份都出现了大面积的干旱现象(龚志鹏,张怡然,2022)。从2019年的旱情监测结果得知，淮北市主要以轻旱、中旱为主，主要集中于淮北市西北、东南地区。这无疑地揭示了本质局部地区出现了特旱的情况，但受灾面积不大。根据年鉴统计资料，2019年安徽省遭遇了历史少见的范围广、时间长、程度深的特大旱灾，对省内造成的损失很巨大。可以看出4个时相中，淮北大部分地区都出现了旱情。轻旱和中旱居多，在局部地区出现重旱，情况比较严峻(林浩然,薛思琪,2023)。干旱主要出现在西南部以及东北部。TVDI指数的旱情监测结果较好地与实测数据相符合，这说明基于Landsat8遥感数据的TVDI指数能够反映干旱的基本面貌，TVDI指数的方法可以快速处理大面积干旱数据，从这些章节中看出减少大量的野外监测工作，可以推广使用。从TVDI旱情监测与地面实测土壤湿度的相关性分析结果来看，基于Landsat8遥感数据的TVDI可以反映地表的干湿程度，可用于监测地表土壤湿度。5.2研究展望本文针对2019年长江中下游地区短时极端高温干旱事件频发的现象，以淮北市为研究区，进行了遥感干旱监测研究。论文仍存在不足。总结如下:（1）选用Landsat８数据，相对于被普遍使用的MODIS数据空间分辨率产品有了提高，但在遥感数据采集方面,数据建模中所使用历史数据时间较短，这在某种程度上指出只使用了4个月中具有代表性的8景Landsat8影像数据,这势必会使基于遥感的干旱监测精度评价产生偏差。下一步的研究将收集更多的影像数据，来提高结果可靠性。（2）只选用淮北市作为研究区域，导致能够收集到的土壤湿度数据非常有限，本文研究使用了两个气象站点的土壤湿度数据验证基于TVDI的干旱遥感监测结果，空间代表性较小。需要在接下来的研究工作中扩大研究区，这在某种程度上表征增加一些野外土壤湿度监测点，收集更多的实测数据。（3）本文从研究干旱现象致灾因子的角度较少，未能利用综合气象指数能够表述干旱的发展过程。需要结合更多的气象数据来验证结果（4）所采用数据和方法在皖北地区具有一定适用性，该技术方法可为淮北市的生态环境监测以及抗旱减灾工作提供参考。但对于空间尺度小，植被覆盖度低、裸岩率高、地形起伏大的强异质性地表，使用TVDI模型需要进一步校正，以提高模型在更广泛的适用性。参考文献李泽宇,张晓峰.变化环境下干旱事件演变驱动机制研究进展[J].水电能源科学,2022,31(11):5-8王俊鹏,刘一凡.基于温度植被干旱指数法(TVDI)的朝阳县干旱监测[J].浙江农业学报,2023,30(01):129-136.1陈星河,赵雨桐,马柱国.7种气象干旱指数的中国区域适应性[J].中国科学:地球科学,2021,47(03):337-353.刘佳怡,黄志豪.中国北方夏半年最长连续无降水日数的变化特征[J].气象学报,2008(03):474-477.张雅静,周赫连.长江中下游地区干旱变化特征分析[C]//.第28届中国气象学会年会——S3天气预报灾害天气研究与预报.[出版者不详],2011:1371-1379.林浩然,吴志明.皖北地区水文要素演变特征分析[J].中国农村水利水电,2016(06):58-63.唐子凡,何悦彤,等.基于气象和遥感的黄淮海平原干旱监测[J].中国农学通报,2019,35(5):127-136.赵俊杰,王欣怡.山西省农业干旱时空演变规律遥感研究[D].太原理工大学,2015.徐子琪,陈立锋.区域干旱遥感监测研究综述[J].安徽农业科学,2008,36(33):14817-14819.李东旭,郭昕怡.遥感技术在水资源管理中的应用[J].水利科技与经济,2020,26(11):85-88.孙艺博,陈可欣.基于高分六号卫星的植被生态景观监测分析[J].农学学报,2021,11(07):56-59+111.刘昱辰,郑馨月.基于温度植被指数TVDI的拉萨地区土壤湿度特征分析[J].中国农村水利水电,2021(12):91-98.王文博,蔡佳霖.基于TVDI的大范围干旱区土壤水分遥感反演模型研究[J].遥感技术与应用,2011,26(06):742-750.杨柏林,范婷婷.基于温度供水干旱指数的京津冀春旱监测及时空分布分析[J].测绘与空间地理信息,2021,44(04):72-75.郭紫萱,周俊熙,etal.TheeffectofprecedingwintertimeArcticpolarvortexonspringtimeNDVIpatternsinborealEurasia,1982–2015[J].ClimateDynamics,2016:1-13.AIS,AKR,BJA.Asimpleinterpretationofthesurfacetemperature/vegetationindexspaceforassessmentofsurfacemoisturestatus[J].RemoteSensingofEnvironment,2002,79(2–3):213-224.致谢回望这段论文写作的时光，心中充满了无限的感慨与感激。感谢我的导师，您的教诲如同春风化雨，滋润着我求知的心田；感谢我的同学们，是你们的陪伴，让这段旅程充满了欢笑与温暖。每一个讨论的场景，每一次合作的瞬间，都如同珍贵的老照片，深深镌刻在我的记忆之中。在此，我要向你们表达最深的敬意与感谢，愿本文的友谊如同那永不褪色的照片，永远珍藏。附录：关键程序代码LST主程序PROLST_extensions_init;SetcompileoptionsCOMPILE_OPTIDL2;GetENVIsessione=ENVI(/CURRENT);Addtheextensiontoasubfoldere.AddExtension,'Landsat8LST','ENVI_Landsat8_LST',PATH=''END;ENVIExtensioncode.Calledwhenthetoolboxitemischosen.PROENVI_Landsat8_LST;SetcompileoptionsCOMPILE_OPTIDL2;GeneralerrorhandlerCATCH,errIF(errNE0)THENBEGINCATCH,/CANCELIFOBJ_VALID(e)THEN$e.ReportError,'ERROR:'+!ERROR_STATE.MSGMESSAGE,/RESETRETURNENDIF;GetENVIsessione=ENVI(/CURRENT);mtlFile=ENVI_PICKFILE(TITLE='PleaseselecttheLandsat8MTLfile',FILTER='*_MTL.txt')IF~FILE_TEST(mtlFile)THENRETURN;Rasters=e.OpenRaster(mtlFile)MulRaster=Rasters[0];获取元数据信息time=MulRaster.TIMEtime=time.ACQUISITIONtime=StrSplit(time,'-T:',/extract)Year=time[0]Month=time[1]Day=time[2]GMThour=time[3]Minute=time[4];中心点经纬度信息spatialRef1=MulRaster.SPATIALREFFile1X=MulRaster.NCOLUMNS/2File1Y=MulRaster.NROWS/2spatialRef1.ConvertFileToMap,File1X,File1Y,MapX,MapYspatialRef1.ConvertMapToLonLat,MapX,MapY,LonD,LatDLon=STRING(LonD,FORMAT='(F7.3)')Lat=STRING(LatD,FORMAT='(F6.3)')lonLat='Useinterpolatedatmosphericprofileforgivenlat/long';模型monthD=FIX(Month)latD=ABS(latD)IF(latDGE70)OR$(latDGE60ANDlatDLT70ANDmonthDGE1ANDmonthDLE6)OR$(latDGE60ANDlatDLT70ANDmonthDGE11)OR$(latDGE50ANDlatDLT50ANDmonthDGE1ANDmonthDLE4)THEN$model='Usemid-latitudewinterstandardatmosphereforupperatmosphericprofile'$ELSE$model='Usemid-latitudesummerstandardatmosphereforupperatmosphericprofile'curve='UseLandsat-8TIRSBand10spectralresponsecurve'Task=ENVITASK('landsat8lst')Task.INPUTURI=mtlFileok=e.UI.SelectTaskParameters(Task)IFokNE'OK'THENRETURN;Task.ExecuteENDTVDI主程序protvdi4,FID1,FID2,ndvimin,ndvimax,lstmin,lstmax,out_gan,out_ni,out_tvdicompile_optidl2envi_file_query,fid1,ns=ns,nl=nl,nb=nb,fname=fname,$interleave=interleave,data_type=data_type,offset=offsetprint,ns,nl,nbenvi_file_query,fid2,ns=ns,nl=nl,nb=nb;,fname=fname,$dims=[-1,0,ns-1,0,nl-1]pos=lindgen(nb)data=fltarr(ns,nl,nb)fork=0,nb-1dobeginvi=(ENVI_GET_DATA(fid=fid1,dims=dims,pos=pos[k]));ndvi数据lst=(ENVI_GET_DATA(fid=fid2,dims=dims,pos=pos[k]));地表温度数据;tmax=make_array(101,value=-100);tmin=make_array(101,value=-100);;出所有点图window,0y=(findgen(101))/100;device,get_decomposed=usifuseq0thenbegindevice,decomposed=1;为了变换背景颜色将黑变白endifplot,y,xrange=[ndvimin,ndvimax],psym=1,yrange=[lstmin,lstmax],xtitle='NDVI',ytitle='Ts(K)',xstyle=8+1,$;ystyle=8+1,/nodata,background='(林浩然,吴志明,2020)(林浩然,吴志明,2020)'xl,color='000000'xlfori=0.01,1.0,0.01dobegin;index=where((vigei-0.005)and(vilti+0.005),count1);提取数据j=fix(100*i)ifcount1le0thenbegintmax[j]=-1000tmin[j]=-1000continueendiftmax[j]=max(lst[index])tmin[j]=min(lst[index]);;出所有点的图shuju=lst[index]q=make_array(count1,value=i,/float)oplot,q,shuju,linestyle=1,color='000000'xl,psym=4,symsize=0.1;endfor;计算回归方程ind=where((ygendvimin)and(ylendvimax),count);p=y[ind]tma=tmax[ind]ind3=where((tmagelstmin)and(tmalelstmax),count);;print,string(k)+'r^2='+string(r[10]*0.01);print,string(k)+'干边拟合方程为：'+'y='+string(resg[1])+'x+'+string(resg[0])dry=strtrim('Dry:',2)+'y='+strtrim(string(resg[1]),2)+'x+'+strtrim(string(resg[0]),2)dry_r='r^2='+strtrim(string(r[10]*0.01),2)tt2=tmin[ind]ind1=where((tt2gtlstmin)and(tt2ltlstmax),count);除去无效的0值和负数值;tt22=tt2[ind1]gg=p[ind1]ress=IMSL_MULTIREGRESS(gg,tt22,ANOVA_TABLE=r)print,string(k)+'r^2='+string(r[10]*0.01)print,string(k)+'湿边拟合方程为：'+'y='+string(ress[1])+'x+'+string(ress[0])wet='Wet:'+'y='+strtrim(string(ress[1]),2)+'x+'+strtrim(string(ress[0]),2)wet_r='r^2='+strtrim(string(r[10]*0.01),2);计算tvdits_max=resg[1]*vi+resg[0]ts_min=ress[1]*vi+ress[0]data[*,*,k]=1.0*(lst-ts_min)/(ts_max-ts_min);;*画拟合直线ttmax=resg[1]*y+resg[0]ttmin=r