【《基于TVDI模型的淮北市干旱监测研究（论文）》12000字】

基于TVDI模型的淮北市干旱监测研究摘要 1 21.1选题背景与意义 21.2研究现状 32研究基础与数据 52.1研究区概况 52.1.1地理位置 52.1.2地形地貌 52.1.3气候条件 62.2数据来源及预处理 62.2.1研究数据 62.2.2数据预处理 73算法设计与实现 83.1理论基础 83.1.1归一化植被指数(NDVI计算 83.1.2地表温度(Ts)反演 83.1.3温度植被干旱指数(TVDD计算 93.2设计流程 3.3算法实现 4模型构建及验证 4.1实验样区概况 4.2实验结果分析 4.3干旱等级分布 4.4干旱指数验证 5结论与讨论 5.1主要成果 5.2研究展望 参考文献 附录：关键程序代码 摘要：干旱是近几年频繁发生的自然灾害中一种重要现象，它直接关系到生态平衡、人类经济和社会的可持续发展。长期以来，是社会发展的一个重要问题。传统的干旱监控一般都是以地面气象为基础进行的。但是由于经济条件等因素的影响，其气象台站具有一定的地理分布局限和不平衡性。遥感技术的兴起为干旱监控创造有利条件，并且随着其全天候、多时相、覆盖范围广而得到了广泛的应用。充分利用我国RS技术的优势，构建合适的干旱监控机制，对于合理、分析干旱具有十分重要的意义。本文通过对国内外遥感干旱资料的全面分析，结合淮北市这一研究对象，从Landsat8遥感图像中提取出一个化植被指数(NDVI和地表温度(LST)建立温度植被指数(TVDD、利用NDVI-LST特征空间，对“干边”与“湿边”进行了拟合，并对两个指标进行了对比，并探讨了两个指标的拟合作用；对区域各个气象站TVDI指数与土壤水分有关的分析进行了分析，以证实了温度植被干旱指数在研究区的适用性。随着全球气候的持续变暖，地球水循环系统的稳定程度明显降低，陆地气象干旱情况进一步加剧，且干旱的时空分布特征也发生了明显的变化(李承言，吴明轩，2022)W。我国自古以来干旱事件频发，我国自古以来，干旱事故频繁发生，在全球气候变暖环境下，自然灾害与极端气候事件频繁发生，主要表现为发生的高频率、时间上的持续性、受灾范围的广泛性，由此可以判定如此导致生态环境的持续恶化，这无疑是影响我国最严重的气象灾害之一，其所带来的巨大的环境影响和经济损失，对社会稳定和社会经济发展造成了严重的不利影响(王立恒，刘思齐，2023)。12]。干旱作为全球普遍关注的自然问题，是全球气候变化研究的重点。有相关记载以来，旱灾平均每两年发生一次。干旱恶化了人类的生存环境，因此也成为社会动荡和战争的导火索，甚至会导致人口锐减和朝代更替(张嘉诚，陈启超，2021)错误!未找到引用源。变暖等因素的影响，水资源的时空分布发生了改变，从这些征兆可以预见到使其生产不稳定的风险物造成一定的制约和肥力，从而造成了大量的经济损失。因此，农业干旱将会极大地影响国民经济近年来，大量资料记录表明，我国许多地方遭受到严重的短期干旱，尤其是南方地区出现的罕见的干旱现象，最为罕见的是在2019年，长江中下游地区持续少雨，气象干旱发展迅速，出现了大以上气象干旱，沿淮河至长江北部普遍出现特旱，全省的监测站点都达到了干旱预警的标准，省内共10个市38万多群众的正常生活供水受到影响，597万亩耕地因旱情造成播种困难(孙启铭，杨一凡，2023)。皖北地区属于淮河流域，位于我国南北气候过渡带之间，受到南北气候的双重影响，四季气候富，但是由于地理环境、地质条件、季风等多种因素的差异，导致了季节性干旱的影响，使得旱情向本地区的水资源分配与利用造成了极大的挑战。以此地区淮北市为例，在2019年7月20至7月31日间，该市连续出现了12天35℃以上的高温天气，持续时间较长，受高温少雨影响，气象干旱加速发展。在后续的研究中，会对已有的研究成果进一步从不同的角度进行优化，会加强与实践部根据实践中的反馈信息，对研究进行动态调整和优化。此外，会开展长期跟踪研究，评估研究成果在实践中的长期影响和可持续性，形成“研究一实践一反馈一优化”的良性循环，为该领域的持续发展提供有力支持。2019年9月，只出现了少量弱降水，其他时段天气晴好，晴热少雨致使气象干旱迅速发展，出现了不同程度旱情。11月上旬，受气温异常偏高、降水异常偏少的影响，全市出现中度到重度气象干旱(林嘉佑，徐志豪，2020)。因此，为有效应对频繁发生的干旱事件，需要对干旱进行及时、动态的预报预警，做好干旱监测工作。要通过科学的方法进行防治和监测，为科学防治和应急救援提供有效数据，不断加强干旱监测技术研究，减少灾害造成的经济损失。本文研究背景下我们对此情况予以了考虑随着遥感技术的不断发展，遥感卫星可以高效、持续、快速地采集地表空间信息，可以补充或替代传统的监测手为政府有关部门制定合理的防旱抗旱政策提供科学的理论依据(何俊驰，胡一鸣，2019)。1.2研究现状根据气象数据的干旱监控精度和及时性不能获得较高的精度8。通过对比土壤含水量和适当作物含水量，可以得到土壤性形作为农业干旱指标(郑文博，邱启航，2021)。但是，由于站点的分布，以及受到站点的分布。所得到的土壤信息资料较少，随机性较大。在此类状况下可以推知其发展只表不仅需要投入大量资金和人力，而且耗时较长，不方便实时动态更新数据，无法满足大范围干旱需要实时动态检测，不利于干旱预警和预报(唐志远，许子凡，2022)9]。20世纪50年代，随着第一颗人造卫星sputnik-1的成功发射，卫星遥感技术正式起步。随着数十年的发展，遥感技术逐渐迎来了遥感大数据时期(余启铭，李浩淼，2023)。遥感技术在干旱灾害20世纪80年代以来，随着遥感技术的不断发展，研究人员发现遥感图像的可见光和红外波段随着植被覆盖度的变化而发生相应的变化。因此，提出了植被指数的概念。之后又发展了数十种不同的植被指数，其中归一化植被指数(NDVI)是目前应用最广泛的植被指数，广作物产量估算、干旱监测等方面优势明显(夏启超，王立嘉，2024)。从上述分析可以看出，该方案相比于其他方案具有更好的性价比，同时在创新性和前瞻性方面表现突出。该方案在研发过程中引入了多项创新技术，突破了传统方案的局限，为相关领域的发展提供了新的思路和方法。其在技术架构、功能实现和应用模式上的创新，使其能够更好地应对未来的技术挑战和市场需求。此外，该方案还具有很强的前瞻性，能够提前布局和规划，为后续的技术升级和扩展提供支持。这种创新性和前瞻性使其在竞争激烈的市场中具有不可替代的地位，为未来的发展奠定了坚实的基础。NDVI、但是，单纯采用温度或植被指数对土壤含水量进行监测时，存在着一些缺陷，只利用温度和植植被指标与地面温度相结合，按照这种理论架构研究会发现为地区土壤湿度监控提供了一种可行的方法。根据植被指标与地面温度相结合的温度植被干旱指标，可以有效地降低单独采用指标对干旱监测的作用(崔博远，赵启航，2020)[12]。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得到源技术的巧妙运用，上述优化设计得以实现。与常规方案相较，该方案在若干关键环节显示出非凡优势。一是通过采纳更为创新的设计理念，它不仅提升了工作效率，还降低了出错率，从而大幅提高了整体的可操作比率。从成本节约的角度出发，新方案成功缩减了执行与维护的费用，减少了资源浪费，提高了经济效益。并且，它还加强了系统的兼容性和可扩展性，使其更能灵活适应未来的气和生态系统之间的综合作用(NDVD是计算出最普遍的一种(谢一帆，孔舒婷，2019)。这是最常(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(曾祥瑞，马静娴，202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(彭振宇，谭雅萱，2023);张嘉诚，陈启超等证明了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，利用已有成果可独特的优点；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(蒋伟强，尹慧中，2018)。不同区域与季节的差别会造成不同的敏感性原则进行了论述。现有结果为我们提供了推出结论的依据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及面得到了广泛的应用(韩志鹏，崔馨予，2020)。该模型所需要的遥感数据多种多样，不仅不受遥感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′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。除东北部有少数低一望无际的平原(温嘉铭，苏晓月，2022)。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。由此可以窥见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(赵宇轩，孙悦琳，2018)。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，由此可以判定如此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。优化设计过程中，本文特别强调了经济合理性与方案的可复制性，相较于初步规划，在多个维度上进行了改良与调整。成本控制方面，通过简化非必要流程、采用更具成本效益的策略，有效降低了整体投入成本，使方案更显经济实惠。同时，为提升方案的可推广性，设计时全面考虑了地域差异与环境适应性便于其他单位或个人轻松借鉴与应用。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(李泽洋，吴思琪，2019)。与此同时，南气候较短，有些年份少雨旱，有些年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，从这些征兆可以预见到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数据类型影像文件名数据类型影像文件名8LC81220362019078LGN00.LC81220372019078LGN00.8LC81220362019142LGN00.LC81220372019142LGN00.8LC81220362019270LGN00.LC81220372019270LGN00.8LC81220362019318LGN00.LC81220372019318LGN00.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，但其分温度反演和干旱植被指数计算(刘俊杰，周婉清，2021)。鉴于现有结果可推出本文仅采用淮北市(2)气象数据本论文所用的气象数据来源于中国气象数据型的反演精确度，结合淮北市及周边地区的空间分布特征，在此类状况下可以推知其发展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(张明远，黄雅婷，2022)。站点经度(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(陈逸飞，林静怡，2023)。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像分开进行。在实验研究中，按照这种理论架图像进行辐射定标，即对7个多光谱波段图像进行辐射定标(孙博宇，李佳慧，2018)。在此基础本文深入分析了现有方法，识别出复杂且不必要的步骤予以剔除，优化了流程架构，构建出一个更加简洁高效的计算系统。这种简化既减少了资源占用，又缩短了处理周期，使本方案在保持原有水臭氧含量，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3算法设计与实现3.1.1归一化植被指数(NDVI计算地覆盖的植被状态，如果土壤的含水率较低，则植被指数也会降低，这表明地表的赵思琪，2019)。本文中，对原始数据的加工方法相较于以往技术更为简便且高效。本文提出了一种更为直观的预处理方案，该方案缩减了不必要的转换程序，优化了数据净化与归一化步骤，从而还降低了复杂处理流程可能引入的错误。同时，通过对多种来源和类型的信息进行广泛验证，本文本文利用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(周泽楷，孙婉清，2020)。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分裂窗口算法是目前使用的主要方法。由此可以判定如此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□算法。在研究地球温度热红外波段的过程中，从这些征兆可以预见到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(徐浩宇，张静怡，2021)。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 (黄子轩，陈梦瑶，2022)。卫星图像反演地表温度(林泽洋，王雅婷，2023)。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。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。可以看出的是每个像素对应的特征点都有对应的LST和NDVI值(李宇轩，赵诗语，2024)。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。本文研究背景下我们对此情况予以了考虑通过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(孙泽楷，吴婉清，2018)。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。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)(赵博宇，李静怡，2019)。可推算出式中：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(张子墨，陈梦瑶，2020)。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，在此类状况下可以推知其发展即在平行于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 (陈泽洋，王雅婷，2021)。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。Landsat8OLI/TIRS数据辐射定标OLI大气校正地表辐射率地面气温大气平均作用温度单窗算法读入数据统计范围统计范围拟合干边湿边线大气湿度TM10TM10DN值亮度温度大气透过率亮度温度地表温度绘制干湿边拟合图NDVI指数计算3.3算法实现算法运行功能界面及运行结果如图所示鞋生鞋生—面“干湿边”输出路径选择C:\ul最大4模型构建及验证本文以淮北市为例，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。利用已有成果可以推导出以下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(吴俊驰，徐睿翔，2023)。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(朱致远，何俊豪，2024)。为排除外界条件对方案输出结果的干扰，本文在构思与施行过程中实施了一系列方法以确保数据的真实性和方案的可靠性。首先，本文细致剖析了可能影响方案执行效能的外部干扰因素。依据这些剖析，本文在方案设计初期引入了环境变动影响分析的技术，通过模拟各种外部环境场景来评估它们对方案成果的潜在冲击，并据此优化方案的设计参数，以增强其灵活应变能力和稳定性，保证方案能迅速对外界变化作出反应，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，由此可以判定如此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时间干边拟合方程表4-1淮北市干湿边方程模拟2019年3月20日2019年5月23日2019年9月28日2019年11月15日从表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多数情况下，干边的斜率较大，而湿边较小，现有结果为我们提供了推出结论的依据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。从学术角度看，若方案的输入信息符合预期目标，在输出成果方面则有望实现既定的设计效果。具体来说，当起始条件和参数配置无误，模型或者理论基础合理时，其结果将展现出较高的准确性与实用性。这不仅依赖此外，考虑外部环境对结果可能产生的影响，保证研究过程中的稳定性和重复性，以支持结论的普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(梁家铭，苏敬轩，2022):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(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4-72019年秋季干旱等级(第270天)图4-62019年夏季干旱等级(第158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(宋振宇，唐梓豪，2023)。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，可以看出的是选择了2个气象站，这些气象站分布在滩溪县和杜集区内。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(许文博，曹瑞翔，2024)。关于上述策略的调试，本文采取了理论研究与实证测试相结合的方法。理论研究环节，详细阐述了该策略的设计理念及其预期效果，并通过构建理论模型和逻辑推理为后续实验提供理论支撑。在实证测试阶段，本文设计了多种实验以检验策略的有效性和可靠性，采用严格的数据收集与分析流程确保结果的准确性。同时，为了评估策略在不同背景下的适用性，本文还挑选了几类典型的应用场景，根据每种场景优化系统参数，从而验证了该策略的正确性和可行性，并为未来的研究提供了依据。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，鉴于现有结果可推出即以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(冯志恒，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(蒋宏毅，余泽楷，5结论与讨论本次开发采用的是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。本文研究背景下我们对此情况予以了考虑采用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(尹天择，潘俊霖，2021)。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(谢明达，谭宇辰，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。在此特定状态下很容易看出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(董泽昊，孔令轩，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，利用已有成果可以推导出以下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，由此可以判定如此只使用了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，从这些征兆可以预见到增加一些野外土壤湿度监测点，收集更多的实(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。[1]李承言，吴明轩.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[4]赵天宇，黄子淳.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.[5]孙启铭，杨一凡.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.[6]周文韬，高子凡.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.[7]林嘉佑，徐志豪，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-[8]何俊驰，胡一鸣.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.[9]郑文博，邱启航.区域干旱遥感监测研究综述[J].安徽农业科[10]唐志远，许子凡.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.[12]夏启超，王立嘉.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[13]崔博远，赵启航.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[14]谢一帆，孔舒婷.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[15]曾祥瑞，马静娴，etal.TheeffectofprecedingwintertimeArcticpolarvortexonspringtimeNDVIpatternsinborealEurasia,1982-2015[J].ClimateDynamics,2016:1-13.[16]AIS,AKR,BJA.Asimpleinterpretationofthesurfacetemperature/vassessmentofsurfacemoisturestatus[J].RemoteSensingofEnvironment,2002,79(2-3):213-224.论文的顺利完成，离不开导师的悉心栽培和同学们的鼎力相助。感谢导师在选题、LST主程序e.AddExtension,'Landsat8LST','ENVI_Landsat8_LST,PATH="e.ReportError,ERROR:'+!ERROmtlFile=ENVI_PICKFILE(TITLE='PleasIF~FILE_TEST(mtlFile)THENRETURNRasters=e.OpenRaster(mtime=StrSplit(time,'-T:',/extYear=time[0]spatialRefl=MulRastFile1X=MulRaster.NCOspatialRef1.ConvertFileToMap,File1X,FispatialRef1.ConvertMapToLonLat,MapX,Lon=STRING(LonD,FORMAT='(Lat=STRING(LatD,FORMAT='(lonLat='Useinterpolmodel='Usemid-latitudewinterstandardatmodel='Usemid-latitudesummersok=e.UI.SelectTaskParameTVDI主程序protvdi4,FID1,FID2,ndvimin,ndvimax,Istmin,lstmax,out_gan,out_ni,outenvi_file_query,fid1,ns=ns,nl=nl,nb=nbinterleave=interleave,data_type=data_type,ofenvi_file_query,fid2,ns=ns,nl=nl,nb=nb;,fnamevi=(ENVI_GET_DATA(fid=fid1,dims=dims,pos=polst=(ENVI_GET_DATA(fid=fid2,dims=dims,postmax=make_array(101,value=-tmin=make_array(101,value=-ifuseq0thenbeginendifplot,y,xrange=[ndvimin,ndvimax],psym=1,yrange=[lstmin,lstmax],xtitle='NDVI,ytitle="Ts(K),xstylfori=0.01,1.0,0.01j=fix(100*i)endifq=make_array(count1,value=i,oplot,q,shuju,linestyle=1,color='000000'xl,psym=4,;计算回归方程ind=where(