遥感技术与应用, 2022, 37(4): 961-970 doi: 10.11873/j.issn.1004-0323.2022.4.0961

遥感应用

基于AMSR-E的微波温度植被干旱指数的应用

以亚马逊热带雨林为例

刘礼杨,1,2,3,4,5, 杨雪琴,1,2,3,4,5, 陈修治3, 苏泳娴2,4, 任加顺3,4, 黄光庆1,4

1.中国科学院广州地球化学研究所，广东 广州 510640

2.南方海洋科学与工程广东省实验室（广州），广东 广州 511458

3.中山大学大气科学学院，广东 珠海 519082

4.广东省科学院广州地理研究所，广东 广州 510070

5.中国科学院大学，北京 100049

The Application of Microwave Temperature-Vegetation Drought Index (MTVDI) based on the AMSR-E in Amazon Basin

Liu Liyang,1,2,3,4,5, Yang Xueqin,1,2,3,4,5, Chen Xiuzhi3, Su Yongxian2,4, Ren Jiashun3,4, Huang Guangqing1,4

1.Guangzhou Institute of Geochemistry，Chinese Academy of Science，Guangzhou 510640，China

2.Southern Marine Science and Engineering Guangdong Laboratory（Guangzhou），Guangzhou 511458，China

3.School of Atmospheric Sciences，Sun Yat-sen University，Zhuhai 519082，China

4.Guangzhou Institute of Geography，Guangdong Academy of Sciences，Guangzhou 510070，China

5.University；of the Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 杨雪琴（1998-），女，四川绵阳人，博士研究生，主要从事遥感的生态学应用研究。 E⁃mail: yangxueqin20@mails.ucas.ac.cn

收稿日期: 2021-08-11   修回日期: 2022-07-07  

基金资助: 国家自然科学基金面上项目.  31971458.  41971275

Received: 2021-08-11   Revised: 2022-07-07  

作者简介 About authors

刘礼杨（1992-），男，四川泸州人，博士研究生，主要从事微波遥感应用与遥感干旱监测研究E⁃mail:liuliyang18@mails.ucas.ac.cn , E-mail：liuliyang18@mails.ucas.ac.cn

摘要

以热带常绿阔叶林为主的亚马逊流域在全球气候变化的背景下频繁遭受干旱胁迫。但是对于该地区实施长时间序列的干旱监测一直是难点和热点。基于Liu等2017年提出的微波温度—植被干旱指数（Microwave Temperature-Vegetation Drought Index，MTVDI），对亚马逊流域进行了2003—2008年长时间序列的干旱监测，并采用饱和水汽压差（Vapor Pressure Deficit， VPD）、帕尔默干旱指数（Palmer Drought Severity Index， PDSI）、陆地地下水储量（Terrestrial Water Storage， TWS）、气象水分亏缺（Climatological Water Deficit， CWD）对MTVDI进行验证。结果表明：对于整个研究区而言，MTVDI与VPD （R=0.72）和CWD （R=-0.57）相关性较显著，但与TWS和PDSI相关性较弱。总体上，MTVDI能够较好地反映亚马逊地区干旱的季节动态。

关键词： 微波温度-植被干旱指数 ; 干旱监测 ; 亚马逊流域 ; 季节性干旱

Abstract

The Amazon basin， dominated by tropical evergreen broad-leaved forests， has frequently encountered drought stress due to the global climate change. The implementation of long-term regional drought monitoring in such areas has always been a serious issue. In this paper， we conducted a long-term drought monitoring of the Amazon basin from 2003 to 2008 based on the Microwave Temperature-Vegetation Drought Index （MTVDI） proposed by Liu et al. in 2017. And the MTVDI was evaluated by using Vapor Pressure Deficit （VPD）， Palmer Drought Severity Index （PDSI）， Terrestrial Water Storage （TWS） and Climatological Water Deficit （CWD）. The results show that： For the whole study area， MTVDI is strongly associated with VPD and CWD （Pearson R are 0.72 and 0.57， respectively）. In contrast， weak correlations exist between MTVDI and TWS， CWD. In general， MTVDI has well capacity to monitor drought dynamics in Amazon.

Keywords： Microwave Temperature-Vegetation Drought Index ; Drought monitoring ; Amazon Basin ; Seasonal drought

PDF (6040KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘礼杨, 杨雪琴, 陈修治, 苏泳娴, 任加顺, 黄光庆. 基于AMSR-E的微波温度植被干旱指数的应用. 遥感技术与应用[J], 2022, 37(4): 961-970 doi:10.11873/j.issn.1004-0323.2022.4.0961

Liu Liyang, Yang Xueqin, Chen Xiuzhi, Su Yongxian, Ren Jiashun, Huang Guangqing. The Application of Microwave Temperature-Vegetation Drought Index (MTVDI) based on the AMSR-E in Amazon Basin. Remote Sensing Technology and Application[J], 2022, 37(4): 961-970 doi:10.11873/j.issn.1004-0323.2022.4.0961

1 引 言

亚马逊常绿森林的碳储量占全球陆地总碳储量的34%［1］，是陆地生态系统重要的碳汇。近年来，由于全球气候变化加快，极端天气事件增加导致亚马逊流域常绿森林干旱频发［2-6］。干旱的发生严重影响到植物的正常生理活动，持续的干旱甚至会造成树木的干旱枯萎［7-8］。同时，由于受到干旱的胁迫，植物会为了避免水力栓塞而关闭气孔以减少蒸腾作用带来的水分流失，但气孔的关闭会导致叶片光合作用能力下降，从而影响植被固碳能力［9］。这将可能对全球气候变化产生负反馈，往复循环，加重干旱的危害。因此，针对亚马逊地区的植被开展干旱监测，评估亚马逊常绿森林冠层的季节性波动显得尤为重要。

利用遥感技术进行大尺度干旱监测方法较多，主要可分为光学遥感和微波遥感两种。前者主要对植被的光谱特征曲线进行分析，构建多种植被指数，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）［10］、植被状态指数（Vegetation Condition Index，VCI）［11-12］、距平植被指数（Anomaly Vegetation Index，AVI）［13］等。此类方法从植被长势出发，刻画植被冠层受到干旱胁迫后的生长状态。而后者利用微波信号在一定程度上可穿过植被冠层直达土壤表层的特点，分析表层土壤含水量［14］，进而刻画研究区的干旱状况。由于光学遥感易受到气溶胶、云雾以及大气水汽等因素的影响［15-16］，从而导致基于光学遥感的植被指数在干旱监测方面具有一定的局限性。微波遥感通过对土壤水分的监测和分析，由土壤含水量反映植被根系的水分环境优劣。相比光学传感器，微波传感器以全天候全方位工作为优势，可以穿透植被冠层，具有探测林下地表目标的能力。但其同样也有不足，面对多年生热带常绿森林，微波并不能完全穿透茂密的冠层直达土壤表层，这同样增加了土壤水分含量获取的不确定性，导致微波遥感观测也不能准确分析亚马逊常绿森林的干旱状况，例如欧洲航天局发布的全球卫星观测土壤湿度产品（ESA CCI Soil Moisture）在热带常绿森林地区鲜有有效数据［17］。光学遥感与微波遥感各自的不足是当前开展亚马逊地区较为准确的植被干旱监测的难点。

微波温度—植被干旱指数（Microwave Temperature-Vegetation Drought Index， MTVDI）由Liu等［18］于2017年提出，该指数首次综合了被动微波遥感与光学遥感的优点，基于搭载在地球观测系统卫星上的先进微波扫描辐射仪（Advanced Microwave Scanning Radiometer for the Earth Observing System， AMSR-E），将温度—植被干旱指数（Temperature-Vegetation Drought Index，TVDI）的理论方法与微波遥感数据相结合，构建了新型植被干旱监测指数。

为了克服光学遥感易受大气干扰以及微波遥感无法穿透过于稠密的冠层的难点，研究利用MTVDI对亚马逊热带常绿森林2003年至2010年的干旱状况进行监测，探究亚马逊常绿森林的干旱季节性变化特征。同时，采用4种干旱指标：饱和水汽压差（Vapor Pressure Deficit， VPD）［19］、帕尔默干旱指数（Palmer Drought Severity Index， PDSI）［20］、陆地地下水储量（Terrestrial Water Storage， TWS）［21］和气象水分亏缺（Climatological Water Deficit， CWD）［22］对MTVDI进行验证，探究MTVDI在亚马逊热带常绿森林进行干旱监测的可靠性。

2 研究区概况与数据

2.1　研究区概况

研究区包含亚马逊流域及其周边森林覆盖地区（图1），横跨8个国家，以巴西为中心主区域，北部自东向西为法属圭亚那、苏里南、圭亚那、委内瑞拉、哥伦比亚，西部为厄瓜多尔、秘鲁，南部为玻利维亚。研究区内植被条件丰富，主要为覆盖多年生常绿森林，平均冠层高度为25—30 m，并形成大量连续稠密的冠层覆盖。在气候方面，亚马逊热带常绿森林常年受赤道低气压带控制，盛行上升气流，年平均气温27—28 ℃，年降水量约为2 100 mm［9］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区示意图

Fig.1   Study area


2.2　数据源与数据预处理

2.2.1 AMSR-E 数据与预处理

搭载在NASA对地观测卫星Aqua上的AMSR-E传感器采用极地太阳同步轨道，对于任意地区其过境时间分别为1：30和13：30［23］，除了极地地区外，在不到两天的时间内可以将全球覆盖一次，因此数据的时效性十分有利于水文方面的应用［24］。AMSR-E有6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz 共6个频段，具有水平极化（H）和垂直极化（V）两种极化方式。根据Liu 等的研究［18］，本文使用空间分辨率为0.25°、时间分辨率为天的升轨亮度温度（Brightness Temperature， Tb）数据。我们使用地球植被大气模型（Earth Vegetation Atmosphere Model，EVA）对数据进行了简单大气校正［25］，然后参照Njoku等［26］的方法去除受到射频干扰（Radio Frequency Influence，RFI）的像元。最后计算各频段亮温数据的月平均值用于MTVDI的计算。

2.2.2 其他数据

（1） Palmer干旱指数（PDSI）。Palmer干旱指数（Palmer Drought Severity Index）［20］作为定量描述气候干旱状况的良好指标，已经被广泛用于气候干旱评价［27-30］。PDSI的正值和负值分别表征较湿润和较干旱的情况。本研究使用来自Terraclimate数据集的0.5°空间分辨率的PDSI 月数据［31］。

（2） 饱和水汽压差（VPD）。VPD（Vapor Pressure Deficit）是指在特定温度下饱和水汽压与实际水汽压之间的差值，其表示大气的干燥程度，即空气的干燥程度，其数值越大表明空气越干燥，是反映植物干旱情况的重要指标［32］，本研究参照Yuan等［19］的研究，采用0.125°空间分辨率的ERA-Interim数据集［33］计算VPD。

（3） 气象水分亏缺（CWD）。CWD（Climatological Water Deficit）表征地表蒸散量（E）较降水量（P）的亏缺情况，已被广泛的应用于描述热带地区的干旱时空特征［34-35，22］。本研究选用来自CRUNCEP数据集的降水数据（P）［36］用于CWD的计算：

如果： CWDn-1-En+Pn<0

则： CWDn=CWDn-1-En+Pn

否则： CWDn=0

其中：CWDn 为n月的水分亏缺，其为前一月（CWDn-1）水分亏缺与当月降水量（Pn）与蒸散量（En）的差值的和。前人的研究指出，在亚马逊地区月蒸散量近似为100 mm［22，37-39］，因此，为了使CWD的计算较为简便，本研究中月蒸散量（En）设为定值100 mm［22］。

（4） 陆地地下水储量（TWS）。TWS（Terrestrial Water Storage）代表了对地下储水量的垂直综合估计［40］，即TWS值越大表示地下水储备越多，其主要表征地下水含量的变化从而间接表征植被所受土壤水分的胁迫程度。本研究采用来自GRACE_REC_v03数据集的空间分辨率为0.5°TWS月数据（GSFC-MSWEP TWS）［41］。

3 MTVDI的构建

MTVDI的计算流程如图2所示，首先，根据Liu 等的研究［18］分别进行了地表温度（Surface temperature，Ts）反演（公式（2））和微波归一化植被指数的反演（Microwave Normalized Difference Vegetation Index，MNDVI）（公式（3））。

Ts=6.134×10-3Tb18H-278.8182+9.934 ×10-3Tb23V -216.0292-
0.353 Tb89V + 349.582

其中：Tb18H、Tb23V和Tb89V 分别是18.7 GHz 水平极化亮温， 23.8 GHz垂直极化亮温和 89.0 GHz 垂直极化亮温。

MNDVI=-0.231 ×lnMPDI23.8-0.578

其中：MPDI23.8为23.8 GHz的微波极化差异指数（Microwave Polarization Difference Index，MPDI），其定义如下：

MPDI= TbV-TbHTbV+TbH

其中：TbV和TbH分别表示给定频率的垂直极化亮温和水平极化亮温。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   MTVDI计算流程图

Fig. 2   Flowchart of MTVDI calculation


而后，基于温度-植被指数的定义［42］，MTDVI的定义如下［18］：

MTVDI= Ts-TsminTsmax-Tsmin
Tsmin=a1×MNDVI+b1
Tsmax=a2×MNDVI+b2

其中：MTVDI为微波温度-植被干旱指数，Ts是观察到的地表温度，MNDVI是微波归一化植被指数；a1和b1是湿边的斜率和截距，a2和b2是干边的斜率和截距，Tsmax和Tsmin是给定MNDVI的最大和最小地表温度（Ts）观测值。

4 结 果

4.1　温度-植被指数三角空间

Ts-NDVI三角空间是温度-植被干旱指数建模的关键所在，其原理如图3（a）所示。在这个三角空间（图3（a））中，AC边表示Ts-NDVI三角空间的热边界（干边），此时土壤水分含量低，表面蒸散量小。BC边被认为是Ts-NDVI三角空间的冷边界（湿边），此时土壤水分充足，植被生长不受水分胁迫，表面蒸散等于潜在蒸散。以2008年6月的Ts-MNDVI特征三角空间为例（图3（b）），MTVDI的干边（红色虚线）表示给定MNDVI对应的地表温度最大值（Tsmax），湿边（蓝色虚线）表示指定MNDVI对应的地表温度最小值（Tsmin）。此外，由于亚马逊植被覆盖以多年生的常绿森林为主，这导致散点主要集中在MNDVI > 0.5的区间，在MNDVI > 0.9区间最密集（图3（b）），散点往MNDVI降低的方向发散呈现较好的三角特征。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   温度-植被指数三角空间示意图

Fig. 3   The schematic diagram of temperature-vegetation index triangular space


4.2　亚马逊流域干旱的季节性时空分布

从2003年至2010年的多年月平均值结果可以看出MTVDI具有显著的时空变化（图4），这表明亚马逊地区不同区域干旱的季节性变化具有一定的差异［43］。为了便于定量描述亚马逊地区干旱情况的季节性变化，将MTVDI进行分级量化：MTVDI≤0.5为“湿润”，0.5<MTVDI≤0.6为“轻微干旱”，0.6<MTVDI≤0.75为“中度干旱”，MTVDI>0.75为“重度干旱”。结果表明亚马逊流域干、湿季具有显著的季节性变化特征，且不同地区之间差异明显。位于研究区北部的圭亚那及法属圭亚那、苏里南、委内瑞拉等国家干旱持续时间较长，在1—6月伴随轻微干旱，7月开始干旱逐渐加剧，8、9月达到峰值，随后减轻。位于研究区西部的厄瓜多尔和秘鲁等国家西滨太平洋，降水丰富，全年均保持为湿润状态。厄瓜多尔—哥伦比亚—委内瑞拉地区，干、湿季分布状况属于北部地区和西部地区间的过渡类型，其5—11月为湿季，12月到次年4月是干季，但干旱峰值未超过北部地区，湿润程度也未超过西部地区。巴西作为亚马逊流域内面积最大的国家，有着典型的亚马逊气候特征，干湿季节性分异明显，5—9月为干季，8月达到干旱峰值，超过研究区内其他国家；10月至次年4月为湿季，此时MTVDI数值维持在较低的水平。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   亚马逊流域各月干旱程度百分比统计

Fig.4   Statistics of drought severity of Amazon basin of each month


不同干旱等级所占面积比例统计如图4所示。从统计结果可以看出，研究区的干旱情况具有显著的季节性波动，即从5月起重度干旱所占比例逐渐增高，干旱程度愈发加深，直到9月才开始有所缓解，这种变化状况主要是受占研究区面积比例最大的巴西干旱的季节波动主导（图5）。但湿润区域的比例相对稳定，其主要分布在秘鲁与厄瓜多尔地区（图5）。同时，根据同一等级的季节性变化可以看出，轻微干旱、中度干旱、重度干旱的季节性变化十分显著，尤以中度干旱和重度干旱之间比例的转换为主要变化特征。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   亚马逊流域MTVDI季节性时空分布

Fig.5   Spatial pattern of MTVDI seasonality over Amazon basin


4.3　MTVDI与干旱指标的对比

在研究区尺度上将MTVDI的季节变化与VPD、CWD、TWS、PDSI的季节变化进行对比（图6），MTVDI与VPD呈现一致的季节波动，而与 CWD、TWS和PDSI呈现相反的季节波动。总体上，MTVDI与表征大气干旱的VPD（R=0.72）以及表征气象水分亏缺的CWD（R=-0.57）具有明显的相关性，然而MTVDI与表征气候综合干旱的PDSI（R=0.05）以及表征地下水储量的TWS（R<0.01）的相关性不显著。由于地表的干旱（VPD、CWD）对地下水储量的波动（TWS）产生影响需要一定的过程，PDSI作为综合气候干旱指数在给定时间之后的降水对其衡量当时旱情影响较大［44］，因此，相比于其他干旱指标，PDSI和TWS具有一定的滞后性（图6）。这表明，相比于地下水储量变化和综合气候干旱，MTVDI更能及时地反映地表的实际水分亏缺情况。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   研究区内MTVDI与4种干旱指标的季节性变化

Fig. 6   Seasonality of MTVDI， PDSI， CWD， TWS， and VPD in Amazon basin


而后，本研究将MTVDI与VPD、CWD、TWS、PDSI进行像元尺度的季节性变化的相关性分析（图7），总体上，MTVDI能够较好地捕获亚马逊地区的干旱情况。其中，MTVDI与VPD为正相关的区域占比高达95%，与CWD、TWS、PDSI为负相关的区域各自占比93%、83%、66%。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   MTVDI与干旱指标的相关性的空间分布

Fig.7   The spatial pattern of correlation between seasonality of MTVDI and seasonality of drought index


已有的研究表明，VPD在表征亚马逊热带常绿森林物候方面具有巨大潜力［1］，而MTVDI与VPD的良好相关性表明MTVDI也存在表征亚马逊物候的潜力。但是沿着亚马逊河干流及周边区域内MTVDI与VPD的相关性较差（R<0），这可能是由于AMSR-E属于被动微波遥感，接收的是被探测物的后向反射信号，其易受水体的干扰［45］。因此在亚马逊河干流附近区域的MTVDI具有一定的不确定性。

5 讨 论

虽然TVDI是一个较为成熟的植被干旱监测指标［46］，但是受限于不同地表覆盖［47］、不同研究尺度［48］或光学遥感易受大气条件影响的特性［49-50］，导致其监测精度好坏不一。发挥TVDI理论兼顾温度和植被长势的优势，结合微波遥感数据不易受大气条件影响特性，可以克服光学遥感的不足，本文利用MTVDI对亚马逊地区植被干旱的季节性时空变化特征进行探索，并结合4种干旱指标对MTVDI的干旱监测精度进行评估。MTVDI作为一个综合性干旱指数，结果表明其能够较好地捕获亚马逊流域的季节性时空特征。利用其与分别表征大气干旱的VPD因子、表层土壤干旱的CWD因子、深层土壤干旱的TWS因子进行季节性变化统计分析，结果显示都有较好的相关性，这表明MTVDI作为一个新的指标在亚马逊地区干旱监测方面具有较好的潜力。

严重的干旱威胁着植物的生长和生存，干旱引发的过度蒸腾会导致植物自身木质部空穴化或栓塞致死［51］。本研究进一步将MTVDI与代表植被长势的增强型植被指数（Enhanced Vegetation Index， EVI）和日光诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence， SIF）进行季节性变化的相关性分析（图8）。结果显示沿赤道附近呈现明显的南北差异，即赤道以北地区主要呈现正相关（红色），赤道以南地区主要呈现负相关（绿色）。在赤道以南的区域由于受到干旱胁迫会导致森林生长受到抑制（EVI），光合能力（SIF）下降，从而导致MTVDI与植被长势呈现负相关。而在赤道以北地区，已有研究表明该地区存在显著的旱季反绿现象，即在旱季冠层呈现出更好的长势和更强的光合作用（图9）［52］，MTVDI与SIF和EVI的正相关表明，MTVDI不仅可以监测该地区的干旱特征（图4），还捕捉到该地区旱季植被反绿（图9）特性。亚马逊地区常绿森林的物候存在显著的南北差异即北部地区主要受到辐射控制，而南部地区主要受到水分胁迫的限制［53］，MTVDI与EVI和SIF的相关性的南北差异表现出MTVDI对于区分亚马逊流域不同地区物候差异具有一定潜力。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   MTVDI与植被长势的相关性空间分布

Fig. 8   The spatial pattern of the correlation between seasonality of MTVDI and seasonality of vegetation growth


图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   湿季与干季植被长势差异的空间格局

Fig. 9   The spatial pattern of multi-year average of wet minus dry season differences of vegetation growth


此外，在降水充足的热带雨林地区，MTVDI可以不依赖水分相关指标开展干旱监测，更注重植物本身的干旱胁迫程度和长势，可以有效避免以往的干旱指标只注重环境特征而可能忽略植物本身的情况。同时MTVDI作为一个相对指标，可以更为精细地区分同一气候类型下的干旱的季节变化特征。

6 结 论

本研究将温度—植被干旱指数（TVDI）理论兼顾温度和植被生长动态的优点和被动微波遥感数据不易受大气条件影响的优点相结合，构建了微波温度—植被干旱指数（MTVDI），并利用MTVDI开展了亚马逊流域地区的干旱季节性变化监测。研究结果显示，MTVDI与CWD，VPD两种干旱指标呈现较好的相关性，这表明MTVDI具有较好的在森林覆盖密集地区进行干旱监测的能力。此外，MTVDI还能清晰呈现亚马逊地区不同区域的冠层生长动态，这表明MTVDI不仅可以用于干旱监测，还可以作为新的指标来探究森林覆盖密集地区冠层物候变化动态。未来，将尝试围绕MTVDI与冠层物候、不同下垫面的植被干旱差异开展进一步的研究。

参考文献

Chen X， Maignan F， Viovy N， et al.

Novel representation of leaf phenology improves simulation of Amazonian evergreen forest photosynthesis in a land surface model

［J］. Journal of Advances in Modeling Earth Systems，2020，12（1）：e2018MS 001565. DOI： 10.1029/2018MS001565 .

[本文引用: 2]

Espinoza J C， Ronchail J， Guyot J L， et al.

Climate variability and extreme drought in the upper Solimões River （western Amazon Basin）： Understanding the exceptional 2010 drought

［J］. Geophysical Research Letters， 2011， 38（13）. DOI： 10.1029/2011GL047862 .

[本文引用: 1]

Nepstad D， Lefebvre P， Lopes da Silva U， et al.

Amazon drought and its implications for forest flammability and tree growth： A basin‐wide analysis

［J］. Global Change Biology， 2004，10（5）：704-717. DOI： 10.1111/j.1529-8817. 2003. 00772.x .

Lewis S L， Brando P M， Phillips O L， et al.

The 2010 amazon drought

［J］. Science， 2011， 331（6017）： 554-554. DOI： 10.1126/science.1200807 .

Doughty C E， Metcalfe D B， Girardin C A J， et al.

Drought impact on forest carbon dynamics and fluxes in Amazonia

［J］. Nature，2015，519（7541）：78-82. DOI： 10.1038/nature14213 .

Fan L， Wigneron J P， Ciais P， et al.

Satellite-observed pantropical carbon dynamics

［J］. Nature plants， 2019， 5（9）： 944-951. DOI： 10.1038/s41477-019-0478-9 .

[本文引用: 1]

da Costa A C L， Galbraith D， Almeida S， et al.

Effect of 7 yr of experimental drought on vegetation dynamics and biomass storage of an eastern Amazonian rainforest

［J］. New Phytologist，2010，187（3）：579-591. DOI： 10.1111/j.1469-8137. 2010.03309.x .

[本文引用: 1]

Phillips O L， Aragão L E O C， Lewis S L， et al.

Drought sensitivity of the Amazon rainforest

［J］. Science， 2009， 323（5919）： 1344-1347. DOI： 10.1126/science.1164033 .

[本文引用: 1]

Marengo J A.

Characteristics and spatio-temporal variability of the Amazon River Basin water budget

［J］. Climate Dynamics， 2005， 24（1）： 11-22. DOI： 10.1007/s00382-004-0461-6

[本文引用: 2]

Bannari A， Morin D， Bonn F， et al.

A review of vegetation indices

［J］. Remote Sensing Reviews， 1995， 13（1-2）： 95-120. DOI： 10.1080/02757259509532298 .

[本文引用: 1]

Kogan F N.

Application of vegetation index and brightness temperature for drought detection

［J］. Advances in space research， 1995， 15（11）： 91-100. DOI： 10.1016/0273-1177（95）00079-T .

[本文引用: 1]

Kogan F N.

Droughts of the late 1980s in the United States as derived from NOAA polar-orbiting satellite data

［J］. Bulletin of the American Meteorological Society， 1995， 76（5）： 655-668. DOI： 10.1175/1520-0477（1995）076<0655：DOTLIT>2.0.CO；2 .

[本文引用: 1]

Chen Weiying， Xiao Qianguang， Sheng Yongwei.

Application of the anomaly vegetation index to monitoring heavy drought in 1992

［J］. Remote Sensing of Environment China， 1994， 9（2）： 106-112.

[本文引用: 1]

陈维英， 肖乾广，盛永伟.

距平植被指数在 1992 年特大干旱监测中的应用

［J］. 环境遥感， 1994， 9（2）： 106-112.

[本文引用: 1]

Chen X， Su Y， Yong L， et al.

Retrieving China's surface soil moisture and land surface temperature using AMSR-E brightness temperatures

［J］. Remote Sensing Letters， 2014， 5（7-9）：662-671. DOI： 10.1080/2150704X.2014.960610 .

[本文引用: 1]

Samanta A， Ganguly S， Hashimoto H， et al.

Amazon forests did not green‐up during the 2005 drought

［J］. Geophysical Research Letters， 2010， 37（5）. DOI： 10.1029/2009GL042154 .

[本文引用: 1]

Samanta A， Ganguly S， Myneni R B.

MODIS enhanced vegetation index data do not show greening of Amazon forests during the 2005 drought

［J］. The New Phytologist， 2011， 189（1）： 11-15..

URL     [本文引用: 1]

Dorigo W， Wagner W， Albergel C， et al.

ESA CCI soil moisture for improved earth system understanding： State of the art and future directions

［J］. Remote Sensing of Environment，2017，203：185-215. DOI： 10.1016/j.rse.2017.07.001 .

[本文引用: 1]

Liu L， Liao J， Chen X， et al.

The Microwave Temperature Vegetation Drought Index （MTVDI） based on AMSR-E brightness temperatures for long-term drought assessment across China （2003-2010）

［J］. Remote Sensing of Environment，2017，199：302-320. DOI： 10.1016/j.rse.2017.07.012 .

[本文引用: 4]

Yuan W， Zheng Y， Piao S， et al.

Increased atmospheric vapor pressure deficit reduces global vegetation growth

［J］. Science Advances， 2019， 5（8）： eaax1396. DOI： 10.1126/sciadv.aax1396 .

[本文引用: 2]

Palmer W C.

Meteorological drought

［M］. US Department of Commerce， Weather Bureau， 1965.

[本文引用: 2]

Crowley J W， Mitrovica J X， Bailey R C， et al.

Land water storage within the Congo Basin inferred from GRACE satellite gravity data

［J］. Geophysical Research Letters， 2006， 33（19）. DOI： 10.1029/2006GL027070 .

[本文引用: 1]

Aragão L E O C， Malhi Y， Roman‐Cuesta R M， et al.

Spatial patterns and fire response of recent Amazonian droughts

［J］. Geophysical Research Letters， 2007， 34（7）. DOI： 10.1029/2006GL028946 .

[本文引用: 4]

Rüdiger C， Calvet J C， Gruhier C， et al.

An intercomparison of ERS-Scat and AMSR-E soil moisture observations with model simulations over France

［J］. Journal of Hydrometeorology， 2009， 10（2）： 431-447. DOI： 10.1175/2008JHM997.1 .

[本文引用: 1]

Meng Linda.

Land surface temperature retrieval from AMSR-E data

［D］. Changchun： Jilin University，2007.

[本文引用: 1]

孟霖达.

利用 AMSR-E 数据反演地表温度

［D］. 长春：吉林大学，2007.

[本文引用: 1]

Kerr Y H， Njoku E G.

A semiempirical model for interpreting microwave emission from semiarid land surfaces as seen from space

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1990， 28（3）： 384-393. DOI： 10.1109/36.54364 .

[本文引用: 1]

Njoku E G， Ashcroft P， Chan T K， et al.

Global survey and statistics of radio-frequency interference in AMSR-E land observations

［J］. IEEE Transactions on Geoscience and Remote Sensing，2005，43（5）：938-947. DOI：10.1109/TGRS. 2004. 837507 .

[本文引用: 1]

Mera Y E Z， Vera J F R， Pérez-Martín M Á.

Linking El Niño Southern Oscillation for early drought detection in tropical climates： The Ecuadorian coast

［J］. Science of The Total Environment， 2018， 643： 193-207. DOI： 10.1016/j.scitotenv.2018.06.160 .

[本文引用: 1]

Wang X， Piao S， Ciais P， et al.

A two-fold increase of carbon cycle sensitivity to tropical temperature variations

［J］. Nature，2014，506（7487）：212-215. DOI： 10.1038/nature12915 .

Dai A.

Increasing drought under global warming in observations and models

［J］. Nature Climate Change， 2013， 3（1）： 52-58. DOI： 10.1038/nclimate1633 .

Zhao M， Running S W.

Drought-induced reduction in global terrestrial net primary production from 2000 through 2009

［J］. Science，2010，329（5994）：940-943. DOI：10.1126/science. 1192666 .

[本文引用: 1]

Abatzoglou J T， Dobrowski S Z， Parks S A， et al.

TerraClimate， a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015

［J］. Scientific Data， 2018， 5（1）： 1-12. DOI： 10.1038/sdata.2017.191 .

[本文引用: 1]

Rawson H M， Begg J E， Woodward R G.

The effect of atmospheric humidity on photosynthesis， transpiration and water use efficiency of leaves of several plant species

［J］. Planta， 1977， 134（1）： 5-10. DOI： 10.1007/BF00390086 .

[本文引用: 1]

Dee D P， Uppala S M， Simmons A J， et al.

The ERA‐Interim reanalysis： Configuration and performance of the data assimilation system

［J］. Quarterly Journal of the Royal Meteorological Society， 2011， 137（656）： 553-597. DOI： 10.1002/qj.828 .

[本文引用: 1]

Saatchi S， Asefi-Najafabady S， Malhi Y， et al.

Persistent effects of a severe drought on Amazonian forest canopy

［J］. Proceedings of the National Academy of Sciences， 2013， 110（2）： 565-570. DOI： 10.1073/pnas.1204651110 .

[本文引用: 1]

Malhi Y， Aragão L E O C， Galbraith D， et al.

Exploring the likelihood and mechanism of a climate-change-induced dieback of the Amazon rainforest

［J］. Proceedings of the National Academy of Sciences， 2009， 106（49）： 20610-20615. DOI： 10.1073/pnas.0804619106 .

[本文引用: 1]

Viovy N.

CRUNCEP version 7-Atmospheric forcing data for the community land model

[DB/OL]. https:∥doi.org/10.5065/PZ8F-F017,2018 Research Data Archive at the National Center for Atmospheric Research， Computational and Information Systems Laboratory， 2018， 10.

[本文引用: 1]

Rocha H， Goulden M， Miller S， et al.

Seasonality of water and heat fluxes over a tropical forest in Eastern Amazonia

［J］. Ecological Applications，2004，14：22-32. DOI：10.1890/02-6001 .

[本文引用: 1]

Shuttleworth W J， Leuning R， Black T A， et al.

Micrometeorology of temperate and tropical forest

［J］. Philosophical Tran-sactions of the Royal Society B： Biological Sciences. 1989，324：299-334. DOI： 10.1098/rstb.1989.0050 .

von Randow C， Manzi A O， Kruijt B， et al.

Comparative measurements and seasonal variations in energy and carbon exchange over forest and pasture in South West Amazonia

［J］. Theoretical and Applied Climatology，2004，78：5-26. DOI： 10.1007/s00704-004-0041-z .

[本文引用: 1]

Syed T H， Famiglietti J S， Rodell M， et al.

Analysis of terrestrial water storage changes from GRACE and GLDAS

［J］. Water Resources Research， 2008， 44（2）. DOI： 10.1029/2006WR005779 .

[本文引用: 1]

Humphrey V， Gudmundsson L.

GRACE-REC： A reconstruction of climate-driven water storage changes over the last century

［J］. Earth System Science Data， 2019， 11（3）： 1153-1170. DOI： 10.5194/essd-11-1153-2019 .

[本文引用: 1]

Sandholt I， Rasmussen K， Andersen J.

A simple interpretation of the surface temperature/ vegetation index space for assessment of surface moisture status

［J］. Remote Sensing of Environment， 2002， 79（2-3）： 213-224. DOI： 10.1016/S0034-4257（01）00274-7 .

[本文引用: 1]

Tang H， Dubayah R.

Light-driven growth in Amazon evergreen forests explained by seasonal variations of vertical canopy structure

［J］. Proceedings of the National Academy of Sciences，2017，114：2640-2644. DOI：10.1073/pnas. 1616 943114 .

[本文引用: 1]

Alley W M.

The Palmer drought severity index： Limitations and assumptions

［J］. Journal of Applied Meteorology and Climatology， 1984， 23（7）： 1100-1109. DOI： 10.1175/1520-0450（1984）023<1100：TPDSIL>2.0.CO；2 .

[本文引用: 1]

Li M， Ma Z.

Soil moisture drought detection and multi-temporal variability across China

［J］. Science China Earth Sciences. 2015，58（10）：1798. DOI：10.1007/s11430-015-5076-8 .

[本文引用: 1]

Li Chao， Li Xuemei， Tian Yalin， et al.

Time and space fusion model comparison of temperature vegetation drought index

［J］. Remote Sensing Technology and Application， 2020， 35（4）： 832-844.

[本文引用: 1]

李超，李雪梅，田亚林，等.

温度植被干旱指数时空融合模型对比

［J］.遥感技术与应用，2020，35（4）：832-844.

[本文引用: 1]

Zhang Mao， Zhang Xia， Hu Guangcheng， et al.

Applicability analysis of remote sensing based drought indices in drought monitoring of apple in Luochuan

［J］. Remote Sensing Technology and Application， 2021， 36（1）： 187-197.

[本文引用: 1]

张茂，张霞，胡光成，等.

遥感干旱指数在洛川苹果干旱监测中的适用性分析

［J］. 遥感技术与应用，2021，36（1）：187-197.

[本文引用: 1]

Zhao Jiepeng， Zhang Xianfeng， Liao Chunhua， et al.

TVDI based soil moisture retrieval from remotely sensed data over large arid areas

［J］. Remote Sensing Technology and Application， 2011， 26（6）：742-750.

[本文引用: 1]

赵杰鹏，张显峰，廖春华，等.

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（6）：742-750.

[本文引用: 1]

Andela N， Liu Y Y， Van Dijk A， et al.

Global changes in dryland vegetation dynamics （1988–2008） assessed by satellite remote sensing： Comparing a new passive microwave vegetation density record with reflective greenness data

［J］. Biogeosciences， 2013， 10（10）： 6657-6676. DOI： 10.5194/bg-10-6657-2013 .

[本文引用: 1]

Shi J， Jackson T， Tao J， et al.

Microwave vegetation indices for short vegetation covers from satellite passive microwave sensor AMSR-E

［J］. Remote Sensing of Environment， 2008， 112（12）： 4285-4300. DOI： 10.1016/j.rse.2008.07.015 .

[本文引用: 1]

Zhang Shuoxin， Hanno R.

Cavitation and embolization in the Xylem of woody plants

［J］. Journal of Northwest Forestry College，1996（3）：19-30.

[本文引用: 1]

张硕新， Richter Hanno.

木本植物木质部的空穴和栓塞化

［J］. 西北林学院学报，1996（3）：19-30.

[本文引用: 1]

Guan K， Pan M， Li H，et al.

Photosynthetic seasonality of global tropical forests constrained by hydroclimate

［J］. Nature Geoscience，2015，8（4）：284-289. DOI：10.1038/ngeo 2382 .

[本文引用: 1]

Xu L， Saatchi S S， Yang Y， et al.

Satellite observation of tropical forest seasonality： Spatial patterns of carbon exchange in Amazonia

［J］. Environmental Research Letters， 2015， 10（8）： 084005. DOI： 10.1088/1748-9326/10/8/084005 .

[本文引用: 1]

/

〈 〉