2.3　基于地表温度-植被指数的土壤墒情遥感监测模型

地表植被覆盖、地表温度和土壤水分状况之间有着非常密切的联系。而在植被指数方面，经过数年的研究已开发出40多种植被指数，但目前最常用的是归一化植被指数(Normalized Difference Vegetation Index，NDVI)，其可以消除仪器定标、太阳高度角、地形、云阴影和大气条件对辐照度的大部分影响，从而增强了对植被的响应能力，得到了普遍的应用。基于地表温度-植被指数的土壤墒情遥感监测模型主要是基于地表温度(Land Surface Temperature，LST)和NDVI的特征空间关系，总体来说，模型解释LST-NDVI特征空间的理论有两种:一种是在不同土壤表层含水量和地表覆盖条件下，LST和NDVI的特征空间为三角形(Price，1990)，其中的代表包括条件植被温度指数(Vegetation-Temperature Condition Index，VTCI)或温度植被干旱指数(Temperature Vegetation Dryness Index，TVDI)模型;另一种是在作物缺水指数(Crop Water Stress Index，CWSI)基础上开发的植被温度梯形指数VITT(Vegetation Index Temperature Trapezoid)模型，LST和NDVI的特征空间是梯形，两者所表达的干边和湿边的概念是一致的。

植被的状态和土壤含水量的关系极为密切，且十分复杂。土壤含水量影响到植被生长状态，而植被生长状态又影响到遥感对地表温度的探测。为了解决某一特定时期内不同像素间监测结果可比性较差的问题，VTCI将两者结合起来。VTCI定义为

式中:Ts，max为相同NDVI值的像元所对应的最高地表温度;Ts，min为相同NDVI值的像元所对应的最低地表温度;Ts为某一NDVI值所对应的特定像元的地表温度;a1、b1、a2、b2为待定系数。

可以通过绘制散点图得到Ts，max、Ts，min和NDVIi三者之间的线性方程，VTCI取值范围为[0，1]。

当干旱发生时，NDVI值比较小，此时地表温度最大值也较大。Sandholt等(2002)利用简化的NDVI-Ts特征空间提出水分胁迫指标，即TVDI，将湿边(Ts，min)处理为与NDVI轴平行的直线，干边(Ts，max)与NDVI呈线性关系，其表达式为

TVDI和VTCI为互补关系，两者的和为1。VTCI值越小，TVDI值越接近1，土壤湿度越低，干旱越严重;反之，VTCI值越接近1，TVDI值越接近0，土壤湿度越大，其原理如图2.1所示。

三角空间模型的缺点是对研究区域选择的要求较高，必须满足土壤表层含水量应包括从萎靡含水量到田间持水量的条件，对于研究区域环境背景如气象条件、地表覆盖类型、土壤属性、水系分布和灌溉状况以及作物栽培等的充分了解有助于判别是否满足该条件(王鹏新等，2006)。

图2.1　地表温度-植被指数模型反演土壤墒情的基本原理

TVDI通过统计特征空间中的数据确定顶点与干湿边，不需要其他辅助数据，比水分亏缺指数(Water Deficiency Index，WDI)方便实用，可以定性地反映土壤湿度情况。为了使特征空间的边界具有代表性，影像覆盖范围必须有裸土到密闭植被的变化，这一要求使得它在不同时间和区域的可比性较差，在大面积地区应用时需考虑这一点，对特征空间的干湿边物理意义也缺乏严格定义，边界拟合具有一定的主观性，不同算法获得的结果之间有一定的差异。

图2.2　植被温度梯形指数模型反演土壤墒情的基本原理

1994年，Moran等发现VITT具有梯形特征，其实质是将VCI和TCI结合起来，其原理如图2.2所示。VITT定义为

VITT的光谱空间分布特征广泛用于陆面的分类、土壤湿度的监测、生物燃烧产生水汽量以及下垫面层能量的估测。