农业干旱遥感指数构建与应刣是利用遥感技术构建专门用于农业干旱监测的指数，并将其应用于农业干旱识别、评估和预测的技术方法。农业干旱是指由于长期降水亏缺或土壤水分不足导致作物生长受损的灾害类型。与气象干旱和水文干旱相比，农业干旱更直接关注土壤墒情和作物水分状况，对农业生产影响最为直接。遥感技术能够获取大范围地表温度、植被状况、土壤水分等信息，为农业干旱监测提供了有效手段。构建科学合理的农业干旱遥感指数是实现精准农业干旱监测的关键。
农业干旱是影响我国农业生产最频繁、影响范围最广的自然灾害。我国地处东亚季风区，降水时空分布不均，加之全球气候变化导致极端干旱事件增多，农业干旱风险加剧。据应急管理部统计，近十年我国年均因旱灾造成粮食损失超过2000万吨，农业干旱监测预警是保障粮食安全的重要工作。
传统农业干旱监测依赖气象站网和土壤墒情站网数据，站点密度有限、空间代表性不足。遥感技术提供了全新的监测手段。时维遥感系统开展了农业干旱遥感指数构建与应用研究，发展了系列化的农业干旱监测指数，在北方旱作区、南方水稻产区等多个区域开展了应用验证，为农业抗旱决策提供了科学依据。
农业干旱形成机理
降水亏缺与土壤墒情
农业干旱的直接原因是土壤有效水分无法满足作物需水。土壤水分来源于降水入渗和灌溉补给，消耗于作物蒸腾和地表蒸发。当降水持续偏少、灌溉水源不足时，土壤含水量逐渐下降，当低于作物凋萎系数时作物永久萎蔫。
土壤墒情演变过程可分为：正常墒情期——土壤含水量适宜，作物正常生长；轻旱预警期——土壤含水量开始下降，作物尚未表现出胁迫症状；中旱发展期——土壤含水量进一步下降，作物出现叶片卷曲等轻度胁迫症状；重旱危害期——土壤含水量严重不足，作物生长严重受阻；特旱灾难期——土壤含水量低于凋萎系数，作物死亡绝收。遥感监测需要识别不同墒情阶段，及时预警。
作物需水与水分胁迫
作物需水量取决于气象条件（温度、湿度、风速、日照）和作物自身因素（品种、生育期、叶面积）。作物需水量通常用参考作物蒸散发（ET0）乘以作物系数（Kc）表示。不同作物需水量差异显著，水稻需水量最大，玉米次之，小麦相对节水。同一作物不同生育期需水量也不同，作物营养生长期和生殖生长期需水较多。
作物水分胁迫响应包括生理响应和形态响应。生理响应：气孔关闭、蒸腾减弱、光合作用下降、渗透调节物质积累；形态响应：叶片卷曲、叶色变黄、生长迟缓、落花落果。遥感能够检测到这些胁迫响应，为农业干旱监测提供依据。
干旱发展过程与时空特征
农业干旱发展是一个渐进过程，具有显著时空特征。时间上，干旱发展可分为：发生期（降水持续偏少）、发展期（土壤水分逐渐消耗）、加剧期（作物受害加重）、缓解期（出现有效降水）、结束期（土壤墒情恢复正常）。空间上，干旱分布受降水分布、地形条件、土壤类型、作物种植结构等因素影响。
干旱空间分布特征包括：气候过渡带是干旱敏感区；沙质土壤区保水能力差是干旱高发区；灌溉条件差的区域依赖降水更易受旱；同一区域内低洼地和平地墒情好于高坡地。遥感能够捕捉这些空间差异，实现精细化干旱监测。
主要农业干旱遥感指数
温度植被干旱指数（TVDI）
温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）是基于NDVI-Ts特征空间的农业干旱监测指数。该指数由Sandholt等人在2002年提出，利用地表温度（Ts）与归一化植被指数（NDVI）的负相关关系监测干旱。
TVDI原理：在NDVI-Ts特征空间中，相同NDVI条件下温度越高越干旱，相同温度条件下NDVI越低越干旱。TVDI计算公式为TVDI = (Ts - Ts_min) / (Ts_max - Ts_min)，其中Ts_min是同NDVI下的最低温度（湿边），Ts_max是同NDVI下的最高温度（干边）。TVDI值域为0至1，值越大表示越干旱。
TVDI优点：简单易行、物理意义明确、对土壤水分敏感；缺点：受作物类型、生长阶段、气象条件影响，需要确定特征空间边界。时维遥感发展的自适应边界提取方法改进了TVDI计算精度，在华北夏玉米区的应用表明TVDI与土壤含水量相关系数达0.85。
作物水分胁迫指数（CWSI）
作物水分胁迫指数（Crop Water Stress Index，CWSI）是基于能量平衡原理的干旱监测指数，由Jackson等人于1981年提出。CWSI定义为作物实际叶面温度与充分灌溉条件下叶面温度之差占可能变化范围的比例。
CWSI原理：充分灌溉条件下作物蒸腾旺盛，叶面温度接近或低于气温；严重水分胁迫条件下作物蒸腾停止，叶面温度高于气温。CWSI值域为0至1，0表示无胁迫，1表示严重胁迫。CWSI计算需要知道作物非胁迫温度（低基准）和严重胁迫温度（高基准），可由理论估算或经验确定。
CWSI改进：传统CWSI假设作物非胁迫温度等于气温，但实际中可能因湍流、热平流等因素偏离。改进方法引入参考表面温度概念，利用高植被覆盖像元建立非胁迫基准。时维遥感在CWSI基础上发展了区域化修正方法，在甘肃河西走廊灌溉农业区验证表明修正后CWSI与灌溉需水量估算精度提高。
植被干旱指数（VDI）
植被干旱指数（Vegetation Drought Index，VDI）是专门针对植被状况设计的干旱监测指数。VDI利用植被指数（如NDVI）的距平值或标准化植被指数（SVI）监测干旱。
VDI计算方法包括：NDVI距平法——当前NDVI与历史同期平均NDVI的差值，正值表示植被状况偏好于常年，负值表示偏差于常年；标准化植被指数（SVI）——对NDVI时间序列进行标准化处理，SVI<-1表示干旱；植被状况指数（VCI）——NDVI归一化到最小值和最大值之间，0表示最差，100表示最好。
VDI优势：直接反映植被受干旱影响程度，时序可比性好；局限：对干旱响应有滞后，且受季节性影响。时维遥感利用VDI建立了华北地区冬小麦干旱监测序列，识别出近二十年多个典型干旱年份。
综合干旱指数
单一干旱指数难以全面反映农业干旱复杂特征，综合多种指数构建综合干旱指数是重要方向。综合指数综合多个分指数信息，减少单一指数偏差，提高监测可靠性。
常用综合方法包括：加权融合——根据各指数在特定区域的有效性分配权重；主成分分析——提取各指数主成分作为综合指标；模糊综合评价——利用模糊逻辑处理指数的不确定性；机器学习集成——利用随机森林或神经网络融合多指数预测。时维遥感发展的综合干旱指数（CDI）整合TVDI、CWSI、VDI等指数，在多个验证区表现优于任何单一指数。
农业干旱遥感监测技术流程
数据获取与预处理
农业干旱遥感监测需要多种数据源协同：热红外遥感获取地表温度，常用数据包括Landsat 8 TIRS、MODIS、Sentinel-3等；光学遥感获取植被指数，常用数据包括Sentinel-2、Landsat 8 OLI、MODIS等；气象数据提供降水、气温、蒸发等辅助信息。
数据预处理包括：辐射定标——将原始DN值转换为物理量；大气纠正——消除大气影响；几何纠正——确保多源数据空间匹配；云检测——识别并处理云污染像元。预处理后的数据用于计算干旱指数。
指数计算与空间制图
干旱指数计算根据选定指数公式进行。TVDI计算需要先建立NDVI-Ts特征空间，确定干边和湿边方程；CWSI计算需要确定非胁迫基准温度和胁迫基准温度；VDI计算需要建立历史NDVI基准场。指数计算通常以滑动窗口方式生成空间分布图。
空间制图将干旱指数可视化展示。常用制图方式包括：单时相制图——展示某一时刻干旱空间分布；多时序动画——展示干旱演变过程；距平制图——与历史均值对比显示异常；风险制图——结合承灾体分布评估农业影响。时维遥感制图系统支持多种制图模式自动生成。
干旱等级评估与产品发布
干旱等级划分将连续指数值转换为离散等级，便于应用决策。常用等级划分包括：国家气象干旱标准规定的轻旱、中旱、重旱、特旱四级；农业干旱常用的正常、轻旱、中旱、重旱四级；特定作物生育期用水标准的灌溉干旱等级等。
干旱监测产品包括：基础产品（干旱指数空间分布图）、等级产品（干旱等级分布图）、评估产品（干旱影响评估报告）、预警产品（未来干旱趋势预测）。时维遥感建立了从数据获取到产品发布的一体化业务流程，支持定期和不定期产品发布。
农业干旱遥感应用实践
北方旱作区冬小麦干旱监测
北方旱作区是我国冬小麦主产区，降水不足是制约产量的主要因素。时维遥感建立了北方冬小麦干旱遥感监测系统，覆盖河北、山东、河南、山西、陕西等省份。
监测系统每10天生成一期干旱监测产品，包括TVDI分布图、NDVI距平图、干旱等级图等。冬小麦关键生育期（返青、拔节、灌浆）的干旱监测最为重要。当监测到中等及以上干旱时，系统自动生成干旱预警报告，报送农业管理部门。多年应用表明，遥感监测结果与地面土壤墒情观测数据吻合良好，干旱识别准确率达85%以上。
东北玉米生长季干旱监测
东北地区玉米生长季（5至9月）降水变率大，干旱频发。2021年东北出现严重伏旱，影响玉米产量形成。时维遥感利用MODIS数据开展了东北玉米生长季干旱监测。
监测采用综合干旱指数方法，整合TVDI、植被指数距平、降水距平等多个指标。结果显示：2021年7月至8月辽宁、吉林西部出现重旱至特旱，与实际灾情一致。监测还识别出黑龙江东部和北部受旱较轻，为区域产量预测提供了依据。遥感监测结果为农业保险理赔和救灾资金分配提供了参考。
南方水稻季节性干旱监测
南方水稻产区虽然降水充沛，但季节性干旱仍有发生。长江中下游地区伏旱（7至8月）和华南地区冬春旱是主要季节性干旱类型。时维遥感在南方水稻产区开展了季节性干旱遥感监测应用。
早稻生育后期和晚稻移栽期是干旱敏感阶段。干旱可能导致早稻灌浆受阻、晚稻移栽困难。遥感监测能够及时发现干旱发生区域，指导抗旱灌溉调度。在2022年长江中下游伏旱期间，遥感监测识别出湖南、江西部分县市中重度干旱，为农业部门抗旱决策提供了信息支撑。
农业干旱预警与风险评估
干旱预警方法
干旱预警是防旱减灾的关键环节。基于遥感的干旱预警方法包括：基于当前旱情的短期预警——监测当前土壤墒情和作物状况，预测未来1至2周变化；基于气象预报的延伸预警——结合天气预报预测未来1个月干旱趋势；基于气候模式的季节展望——利用ENSO等气候因子预测未来一个季度干旱风险。
干旱预警模型需要耦合遥感数据与作物模型。时维遥感发展的干旱预警系统整合了ET0计算模块、土壤水分平衡模块、作物需水模块，能够滚动预测未来土壤墒情变化和干旱风险。预警产品包括未来7天、14天、30天干旱风险等级预报。
干旱风险评估
干旱风险评估为农业规划和灾害应对提供依据。风险评估内容包括：历史干旱频率分析——识别干旱高发区域；干旱风险等级划分——综合危险性、暴露性、脆弱性评估风险；干旱损失估算——评估不同干旱等级下可能造成的产量损失；防旱减灾能力评估——评价区域灌溉条件、应急能力等。
时维遥感完成的省级农业干旱风险区划，将风险等级划分为低风险、中低风险、中风险、中高风险、高风险五个等级，为区域防旱规划提供了科学依据。风险区划成果已应用于农业保险费率厘定和农业救灾资金分配。
技术挑战与发展趋势
多源数据融合
单一遥感数据难以满足农业干旱监测全方面需求。多源数据融合是提高监测能力的重要方向。光学与热红外融合——利用光学数据计算植被指数，利用热红外数据计算温度，结合获取完整干旱信息；主被动微波融合——光学热红外受云雨限制，微波可穿透云层获取土壤水分；遥感与站点融合——遥感数据空间连续但精度有限，站点数据精确但覆盖有限，二者融合可取长补短。
时维遥感正在构建光学-热红外-微波多源融合干旱监测系统。系统采用贝叶斯数据同化方法，将多源数据融合为最优土壤墒情估算值，提高监测精度和时空完整性。
深度学习应用
深度学习在遥感数据处理领域发展迅速。卷积神经网络（CNN）可自动提取干旱特征；循环神经网络（RNN）适合时序预测；生成对抗网络（GAN）可生成干旱分布图。深度学习方法有望提高干旱监测精度和时效性。
时维遥感正在研发基于深度学习的农业干旱监测模型。初步试验表明，深度学习模型在预测土壤墒情变化方面优于传统物理模型。未来计划将深度学习模型与传统作物模型耦合，发展混合干旱预测系统。
业务化服务体系建设
农业干旱遥感监测需要从科学研究向业务化服务转变。业务化体系包括：稳定的数据源保障——建立多源卫星数据接收和处理流水线；自动化处理流程——实现从数据到产品的全自动化；标准化产品体系——建立统一的产品规范和格式；多元化服务渠道——通过Web平台、移动APP、定制报告等提供服务。
时维遥感正在建设农业干旱遥感监测业务服务平台，计划覆盖主要旱作农业区，提供每日更新的干旱监测产品和预警信息服务。平台将为农业管理部门、保险公司、种植户等不同用户群体提供定制化服务。
农业干旱遥感指数构建与应用技术为农业抗旱减灾提供了科学支撑。随着遥感技术进步和算法优化，农业干旱监测能力将持续提升，为保障国家粮食安全做出更大贡献。
