热红外遥感农作物干旱监测方法是一种利用热红外传感器获取地表热辐射信息，结合可见光近红外遥感数据反演植被状态，实现农业干旱动态监测的技术体系。该方法以作物叶片气孔关闭导致叶面温度升高为生理学基础，通过建立温度-植被-水分定量关系，将热红外遥感的温度信息转化为干旱表征指标。与传统气象站点观测相比，热红外遥感监测范围覆盖广、空间连续性强，可获取公里级至米级多尺度干旱信息；与可见光近红外遥感相比，热红外遥感能够直接感知作物水分胁迫引起的功能性响应，实现干旱的早期预警。在实际应用中，时维遥感等专业技术服务商已建立了完善的热红外干旱监测技术流程，可为农业管理部门提供每日至每周频率的干旱监测产品，支撑抗旱决策与救灾调度。据统计，我国每年因干旱造成的粮食损失约占气象灾害总损失的50%以上，热红外遥感监测技术的推广应用对于保障国家粮食安全具有重要意义。
作物水分胁迫与叶面温度响应机制
作物在水分亏缺条件下会关闭气孔以减少蒸腾失水，这一生理调节过程会导致叶面温度升高。植物生理学研究表明，正常水分条件下作物叶面温度通常低于大气温度1至3摄氏度，而严重受旱时叶面温度可高于大气温度5摄氏度以上。热红外遥感正是利用这一原理，通过测量作物冠层温度定量评估其水分状况。当土壤含水量下降导致作物吸水困难时，根系会合成并释放脱落酸（ABA），促使叶片气孔开度减小，蒸腾作用减弱，作物散热能力下降，冠层温度随之上升。因此，冠层温度与土壤水分含量呈显著负相关，与作物水分胁迫程度呈显著正相关。
热红外传感器能够探测8至14微米大气窗口波段的地表热辐射强度，根据普朗克黑体辐射定律反算地表亮度温度。现代热红外遥感卫星如Landsat 8 TIRS、ASTER、MODIS等均搭载热红外通道，可提供区域至全球尺度的地表温度观测数据。其中，ASTER热红外数据空间分辨率达90米，能够识别田块级别的干旱空间分布；MODIS数据空间分辨率虽为1000米，但时间分辨率达每日两次，适合高频干旱动态监测。
地表温度反演算法与辐射定标
热红外遥感地表温度反演需要考虑大气纠正、发射率估计、角度效应等复杂因素。目前常用的温度反演算法包括单通道算法、分裂窗算法和多通道算法。单通道算法适用于只有一个热红外通道的传感器，通过大气透过率和大气上行辐射估算进行纠正；分裂窗算法利用8至12微米两个热红外通道对大气吸收差异的敏感性，通过通道亮温差值估算大气纠正量，精度可达1开尔文以内。
地表发射率是温度反演的关键参数，不同地物类型发射率差异显著。植被覆盖区域的发射率通常在0.95至0.99之间，裸土发射率约为0.92至0.96，水体发射率接近0.99。实际生产中通常根据归一化植被指数（NDVI）进行发射率估算，当NDVI大于0.5时认为像元为纯植被像元，发射率取0.99；当NDVI小于0.2时为纯裸土像元，发射率取0.97；中间过渡区域采用线性混合方法计算。此外，太阳天顶角、观测角度、地形起伏等因素也会影响温度反演精度，高精度应用需要进行角度纠正和地形辐射校正。
干旱监测关键指数体系
温度植被干旱指数（TVDI）
温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）是目前应用最广泛的热红外干旱监测指数，由Sandholt等人在2002年提出。该指数基于NDVI-Ts特征空间理论，认为在植被覆盖区域，地表温度与植被指数构成特征空间呈三角形或梯形分布。在特征空间中，干旱条件对应高温度低NDVI区域，湿润条件对应低温度高NDVI区域，TVDI通过归一化处理将监测点映射为0至1之间的干旱指标值。
TVDI计算公式为：TVDI = (Ts - Ts_min) / (Ts_max - Ts_min)，其中Ts为监测点地表温度，Ts_min为同温度下的最低温度（对应湿润像元），Ts_max为同NDVI下的最高温度（对应干旱像元）。Ts_min和Ts_max通过建立NDVI-Ts特征空间的边缘线方程确定。TVDI值越接近1表示干旱越严重，越接近0表示越湿润。大量研究验证表明，TVDI与土壤体积含水量呈显著负相关，相关系数可达-0.7至-0.85，具有较好的干旱监测能力。
时维遥感技术团队在TVDI基础上进行了算法优化，提出了自适应特征空间边界提取方法，解决了传统方法在植被稀疏区域边界确定困难的问题。优化后的TVI方法在内蒙古草原干旱监测中相关系数提升至-0.89，监测精度显著提高。该方法已应用于北方牧区干旱监测业务系统，实现了对草原返青期水分状况的动态跟踪。
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，反映作物实际蒸腾与潜在蒸腾的偏离程度。当作物充分灌溉时，CWSI接近0；当严重受旱时，CWSI接近1。CWSI的理论基础是Penman-Monteith蒸散发方程，通过气象数据估算潜在蒸散发，再结合地表温度估算实际蒸散发，二者比值即为水分胁迫程度。
CWSI的经验计算方法避免了复杂的气象参数需求，通过建立作物冠层温度与空气温度差值（Td = Tc - Ta）的关系进行估算。研究表明，在晴天正午条件下，当Td小于-2摄氏度时作物未受水分胁迫；当Td在-2至+2摄氏度之间时作物轻度至中度胁迫；当Td大于+2摄氏度时作物严重胁迫。不同作物类型的Td阈值存在差异，需要根据当地作物品种和生长阶段进行标定。目前，CWSI已广泛应用于棉花、玉米、小麦等作物灌溉调度与干旱监测。
其他常用干旱监测指数
除TVDI和CWSI外，国内外学者还发展了多种热红外干旱监测指数。 Vegetation Temperature Condition Index（VTCI）针对稀疏植被区设计，通过近红外反射率区分植被覆盖度提高了在裸土比例较高区域的适用性。 Land Surface Water Index（LSWI）是利用短波红外波段对水分的敏感性构建的指数，与TVDI结合可提高水稻等水生作物干旱监测精度。 Thermal Normalization Difference Vegetation Index（TNDVI）将温度信息融入植被指数，改善了纯植被指数在高密度作物区干旱识别能力。
近年来，机器学习算法在干旱指数构建中应用日益广泛。随机森林、支向量机、神经网络等方法能够自动学习温度、植被指数、气象数据与土壤水分的非线性关系，建立区域化的干旱监测模型。与传统经验公式相比，机器学习方法在复杂下垫面条件下表现更好，但需要大量训练数据支撑，模型可解释性相对较弱。时维遥感平台融合了多种干旱监测指数方法，可根据不同区域特点自动选择最优算法组合，提升干旱监测的准确性与适用性。
热红外遥感干旱监测技术流程
数据获取与预处理
热红外遥感干旱监测需要多种数据源协同支撑。热红外数据主要来源包括美国地质调查局（USGS）提供的Landsat系列卫星数据、NASA提供的MODIS数据、欧洲航天局（ESA）提供的Sentinel-3卫星数据、日本ASTER数据以及国产高分系列卫星数据。可见光近红外数据用于计算植被指数，可从同一卫星的热红外通道配套数据获取，也可使用Sentinel-2、Landsat 8 OLI等高分辨率数据。气象数据包括气温、降水、相对湿度、风速等，用于大气校正和模型验证。
数据预处理流程包括辐射定标、大气纠正、几何精校正、云检测与掩膜等步骤。辐射定标将原始DN值转换为辐射亮度值，需要使用传感器绝对校准系数；大气纠正消除大气吸收和散射影响，对于热红外数据需要估算大气透过率和大气上行辐射；几何精校正控制定位误差在1个像素以内，确保温度数据与植被指数数据空间匹配；云检测需要识别并掩膜受云层影响的像元，避免云及其阴影对温度反演造成干扰。自动化预处理流水线可实现每日数据快速处理，保障干旱监测时效性。
特征提取与指数计算
预处理后的数据用于提取干旱监测特征信息。首先计算归一化植被指数NDVI和增强型植被指数EVI，反映地表植被覆盖状况和生长活力；其次计算地表温度Ts，提供作物水分胁迫的热红外信息；然后计算多种干旱指数，包括TVDI、CWSI、VTCI等，建立多指数干旱监测体系。
特征提取需要建立NDVI-Ts特征空间以确定TVDI计算参数。在实际操作中，通常选取区域内一定数量采样点建立散点图，采用最小二乘法或分位数回归方法拟合特征空间上边界（干边）和下边界（湿边）方程。干边方程描述了NDVI一定时最高温度随NDVI变化的关系，反映了土壤最干旱状态；湿边方程描述了温度一定时最低温度随NDVI变化的关系，反映了植被覆盖下最湿润状态。特征空间边界随季节动态变化，需要根据监测时期重新拟合以保证TVDI精度。
干旱等级划分与空间制图
根据计算得到的干旱指数值进行干旱等级划分是监测结果可视化与应用的关键步骤。目前国内普遍采用的干旱等级划分标准将TVDI分为五个等级：TVDI < 0.2为无旱，0.2至0.4为轻旱，0.4至0.6为中旱，0.6至0.8为重旱，TVDI > 0.8为特旱。不同地区可根据土壤类型、作物品种、气候特点进行阈值调整，提高划分结果与实际旱情的吻合程度。
干旱空间制图将连续像元的干旱指数值转换为空间分布图件，直观展示区域干旱空间格局。制图过程中需要进行制图综合处理，突出高值干旱区域的空间边界，保持与下垫面地理要素的空间对应关系。时维遥感平台生成的干旱监测产品包含TVDI空间分布图、干旱等级图、距平分析图、历史对比图等多种形式，可用于农业抗旱指挥、救灾资源调配、保险理赔核查等多种应用场景。多时相干旱监测序列还可分析干旱持续时间、影响范围、演变趋势等过程信息。
热红外遥感干旱监测应用实践
冬小麦主产区干旱监测
我国冬小麦主产区集中在华北平原和黄淮海地区，该区域春季降水稀少、蒸发强烈，是农业干旱高发区。国家卫星气象中心基于MODIS数据建立全国冬小麦干旱监测业务系统，每日发布华北、黄淮、西北等区域干旱监测产品。2021年黄淮海地区发生严重秋播干旱，热红外遥感监测显示河南、山东、安徽等省TVDI指数普遍超过0.6，局部地区达到0.8以上，与地面实测土壤墒情数据吻合良好。
冬小麦不同生育期对水分需求差异显著，需要建立与发育阶段匹配的干旱评估标准。返青期干旱主要影响分蘖数量，拔节期干旱影响穗粒数形成，灌浆期干旱影响千粒重。热红外遥感可区分不同生育期冬小麦的干旱胁迫特征，结合作物模型能够估算干旱对最终产量的影响程度。据研究表明，拔节期至抽穗期是冬小麦水分敏感期，该阶段TVDI每增加0.1单位，最终产量可能下降5%至8%。
玉米主产区干旱监测
东北地区是我国最大玉米主产区，夏季干旱对玉米产量影响显著。热红外遥感监测在东北玉米干旱监测中发挥重要作用，中国科学院东北地理与农业生态研究所建立了基于Landsat 8和Sentinel-3数据的玉米干旱监测模型，监测频率可达每周两次。2022年辽宁、吉林局部地区出现夏季伏旱，热红外监测准确捕捉了干旱发生发展过程，监测结果与省农业农村厅灾情报告高度一致。
玉米干旱监测的关键技术难点在于区分干旱胁迫与其他胁迫因素。玉米大斑病、灰斑病等叶部病害会导致叶片失绿、坏死，同样引起冠层温度升高；营养元素缺乏也会造成类似热特征异常。时维遥感技术团队发展了多参数协同诊断方法，综合利用热红外温度、红边波段信息、纹理特征等多源信息区分干旱与病害胁迫，在东北玉米产区的应用表明分类精度达到85%以上。该方法为精准区分干旱灾害与其他农业灾害提供了技术支撑。
经济作物干旱监测
热红外遥感干旱监测技术在柑橘、苹果、茶叶等经济作物种植区得到广泛应用。经济作物价值较高，干旱造成的损失更为显著，对监测精度要求也更高。南方柑橘产区春季常发生季节性干旱，影响新梢生长和花芽分化；北方苹果产区夏季干旱影响果实膨大和品质形成。
无人机搭载热红外传感器可获取厘米级分辨率的果园干旱分布图，识别干旱发生的精确位置和程度。结合多光谱数据，无人机遥感还能同步监测果树营养状况、病虫害发生情况，实现果园健康状况的全面评估。时维遥感研发的无人机热红外遥感处理系统支持自主航线规划、快速数据处理、监测报告自动生成，已在广西柑橘、四川猕猴桃、陕西苹果等产区开展应用，帮助种植户及时采取灌溉、遮荫等抗旱措施，有效降低了干旱灾害损失。
技术挑战与发展趋势
混合像元问题与尺度效应
热红外遥感干旱监测面临的主要技术挑战之一是混合像元问题。由于热红外传感器空间分辨率限制，一个像素可能同时包含植被、土壤、水体等不同地物类型，导致观测温度是多组分温度的混合值。传统方法假设同质像元，在异质性强的农田边界、破碎化地块区域会产生监测偏差。
解决混合像元问题的途径包括发展像元分解算法提高温度空间分辨率、发展亚像元制图方法估算组成分布、利用高分辨率热红外数据直接获取端元温度等。无人机和有人机载热红外传感器可获取米级至分米级温度数据，是解决混合像元问题的重要手段。国产高分5号卫星搭载热红外传感器设计空间分辨率达40米，较Landsat 8的100米有显著提升，为区域尺度干旱监测提供了更精细的温度数据。
多源数据融合与深度学习应用
单一热红外数据在复杂下垫面和极端天气条件下监测能力有限，多源数据融合是提高干旱监测精度的重要方向。光学遥感与热红外遥感融合可同时获取植被信息与温度信息，SAR遥感可穿透云层获取水分信息，微波遥感可估算土壤表层含水量。将多种传感器数据进行融合处理，取长补短，能够提高干旱监测的可靠性和适用性。
深度学习在遥感数据处理领域发展迅速，卷积神经网络、循环神经网络、Transformer等架构在图像识别、时序分析、特征提取等方面表现优异。在干旱监测中，深度学习可用于NDVI-Ts特征空间边界自动提取、多指数最优组合选择、历史干旱模式识别等任务。时维遥感平台集成深度学习干旱监测模块，在多个验证区取得了优于传统方法的监测精度。未来随着更多训练样本积累和模型优化，深度学习方法有望成为干旱监测的主流技术。
实时业务系统与决策支持
热红外遥感干旱监测正从科学研究向业务化应用转变，各级农业、气象、水利部门对干旱监测产品的时效性和可用性要求不断提高。业务化运行系统需要实现数据自动获取、快速预处理、指数实时计算、监测产品自动生成的一体化流水线，处理周期从天级向小时级甚至分钟级迈进。
干旱监测产品需要与农业抗旱决策需求对接才能发挥实际效益。时维遥感建设的农业干旱监测服务平台提供监测、预警、评估、决策一站式服务，监测产品包括实时干旱分布图、短期干旱预报图、历史干旱回溯图、影响损失评估图等多种形式，可直接用于抗旱指挥调度和救灾资源调配。系统还支持与气象预报、水文模型、作物模型耦合，实现未来一周至一个月的干旱预测预报，为防灾减灾争取主动。
热红外遥感农作物干旱监测方法经过数十年发展已成为农业干旱监测的核心技术手段。随着卫星热红外传感器空间分辨率和时间分辨率不断提高，数据处理算法持续优化，深度学习等新技术广泛应用，热红外遥感干旱监测能力将持续提升，为保障国家粮食安全和农业可持续发展做出更大贡献。
