呂凱，呂成文，喬天，張夢(mèng)薇，肖文憑

(1.安徽師范大學(xué) 國(guó)土資源與旅游學(xué)院，安徽 蕪湖 241000；2.安徽省自然災(zāi)害過程與防控研究省級(jí)實(shí)驗(yàn)室，安徽 蕪湖 241000；3.南京市不動(dòng)產(chǎn)登記中心，南京 210000)

0 引言

在全球氣候變暖的大背景下，干旱成為糧食安全的一個(gè)重大威脅，干旱的監(jiān)測(cè)成為國(guó)內(nèi)外近年來研究熱點(diǎn)之一。相比傳統(tǒng)的干旱監(jiān)測(cè)手段，遙感監(jiān)測(cè)具有時(shí)空范圍廣、時(shí)效性高、信息準(zhǔn)確客觀等優(yōu)勢(shì)，被廣泛應(yīng)用到干旱研究中[1-2]。遙感監(jiān)測(cè)主要是利用遙感數(shù)據(jù)獲取研究區(qū)地表溫度(LST)和植被指數(shù)(NDVI)等構(gòu)建干旱指數(shù)，間接實(shí)現(xiàn)對(duì)干旱進(jìn)行監(jiān)測(cè)。基于地表溫度(LST)的干旱監(jiān)測(cè)方法有條件溫度指數(shù)(TCI)[3]和作物水分脅迫指數(shù) (CWSI)[4-5]?；跉w一化植被指數(shù)(NDVI)的干旱監(jiān)測(cè)方法有條件植被指數(shù)(VCI)[6]和距平植被指數(shù)(AVI)[7]。但單一考慮植被或溫度的遙感監(jiān)測(cè)方法，不能充分反映干旱發(fā)生時(shí)地表的水熱變化。Sandholt等[8]結(jié)合了地表溫度(LST)和植被指數(shù)(NDVI)，在NDVI-Ts特征空間的基礎(chǔ)上，首先提出了溫度植被干旱指數(shù)(TVDI)。研究表明，TVDI能夠反映表層土壤水分變化趨勢(shì)，對(duì)區(qū)域干旱有較好的監(jiān)測(cè)效果，作為旱情評(píng)價(jià)指標(biāo)是合理的[9-10]。

TVDI指數(shù)考量的是土壤在一段連續(xù)時(shí)間內(nèi)的水分狀況。目前，關(guān)于TVDI的計(jì)算主要是基于旬尺度和月尺度的。LST和NDVI作為TVDI模型的基礎(chǔ)數(shù)據(jù)，其質(zhì)量的控制和合成方式的選取直接決定了模型的預(yù)測(cè)精度。在不同的時(shí)間尺度上，利用LST數(shù)據(jù)和NDVI數(shù)據(jù)構(gòu)建TVDI時(shí)，需要對(duì)LST和NDVI進(jìn)行合成。NDVI數(shù)據(jù)合成方式較為統(tǒng)一，通常提取時(shí)段內(nèi)的最大，即采用最大值合成方式。而LST的合成方式通常有平均值合成和最大值合成2種，前者是提取研究時(shí)段內(nèi)的平均值作為輸入數(shù)據(jù)，后者是提取最大值作為輸入數(shù)據(jù)。趙杰鵬等[11]在利用TVDI對(duì)新疆地區(qū)的土壤含水量進(jìn)行反演時(shí)提出，在構(gòu)建TVDI模型時(shí)，利用云掩膜處理和多天LST平均值合成可以最大限度的消除云的影響，同時(shí)保證數(shù)據(jù)的空間連續(xù)性。劉立文等[12]采用多天最大值合成的LST數(shù)據(jù)構(gòu)建TVDI，對(duì)農(nóng)業(yè)旱情時(shí)空變化進(jìn)行監(jiān)測(cè)，也取得了比較好的效果。在利用TVDI對(duì)土壤水分進(jìn)行監(jiān)測(cè)時(shí)，LST的最大值合成和平均值合成都得到了廣泛的應(yīng)用。采用何種合成方式處理LST可以使得TVDI干旱預(yù)測(cè)的精度更高，相關(guān)文獻(xiàn)的討論較少。

本研究擬以MODIS數(shù)據(jù)為基礎(chǔ)，以巢湖流域?yàn)檠芯繀^(qū)域，利用歸一化植被指數(shù)NDVI和地表溫度LST構(gòu)建NDVI-Ts二維空間，計(jì)算溫度植被干旱指數(shù)TVDI。在不同的時(shí)間尺度(旬、月)下，探究不同LST合成方式對(duì)TVDI預(yù)測(cè)精度的影響。

1 研究區(qū)及實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)概況

巢湖流域位于安徽省江淮地區(qū)中部，在116°24′18″E～117°55′38″E，30°58′58″N～32°04′48″N之間，流域面積約為9 196 km2。巢湖流域地形西南高東北低，總體漸向巢湖傾斜，高海拔區(qū)主要分布在西南部，最高峰海拔高度近1 400 m。地貌類型可分為低山區(qū)、低山丘陵和丘陵崗地、崗沖地和沖積平原。流域氣候類型屬亞熱帶濕潤(rùn)季風(fēng)氣候，流域降水主要集中在6～8月份，夏季降水量最大，冬季最少，年均降水為1 000～1 158 mm。流域內(nèi)植被類型主要北亞熱帶落葉與闊葉混交林。行政區(qū)劃上包括合肥市，肥東縣、肥西縣、廬江縣、長(zhǎng)豐縣、巢湖市、六安市、岳西縣、含山縣，舒城縣及霍山縣的全部或部分區(qū)域。

1.2 實(shí)驗(yàn)數(shù)據(jù)

遙感影像數(shù)據(jù)采用中科院地理空間數(shù)據(jù)云網(wǎng)站(http：∥www.gscloud.cn)提供的2013年6月的地表溫度日產(chǎn)品和NDVI日產(chǎn)品。地表溫度日產(chǎn)品是對(duì)TERRA星的MOD11A1數(shù)據(jù)進(jìn)行拼接和投影轉(zhuǎn)換而成，時(shí)間分辨率為日，空間分辨率為1 km。NDVI日產(chǎn)品是對(duì)TERRA星的MOD09GA數(shù)據(jù)進(jìn)行拼接和投影轉(zhuǎn)換而成，時(shí)間分辨率為日，空間分辨率為500 m。為便于分析，通過重采樣，將兩類數(shù)據(jù)空間分辨率統(tǒng)一設(shè)置為1 km，對(duì)大面積水體進(jìn)行掩膜去除處理。

降水?dāng)?shù)據(jù)源于安徽水文局網(wǎng)站(http：∥yc.wswj.net/ahyc)提供的安徽省雨情數(shù)據(jù)和中國(guó)氣象局網(wǎng)站(http：∥data.cma.cn/site/index.html)提供的安徽省1981—2010年近30年的旬和月平均降水歷史數(shù)據(jù)。雨情數(shù)據(jù)時(shí)間跨度為2013年6月1日—2013年6月30日，日采集時(shí)間為上午08時(shí)。巢湖流域的雨情站點(diǎn)共有118個(gè)，剔除25個(gè)研究時(shí)段內(nèi)無(wú)數(shù)據(jù)記錄站點(diǎn)，得到93個(gè)站點(diǎn)的數(shù)據(jù)，站點(diǎn)較均勻地分布于整個(gè)地區(qū)(圖1)。

圖1 巢湖流域降水測(cè)量站點(diǎn)分布圖

2 研究方法

2.1 TVDI模型

干旱發(fā)生主要是土壤水分降低導(dǎo)致植物出現(xiàn)缺水的狀況，在特定的時(shí)間內(nèi)，當(dāng)光照條件不變，降水減少，會(huì)導(dǎo)致作物缺水。當(dāng)土壤供水充足時(shí)，植被蒸騰和地面蒸發(fā)旺盛，大部分能量用于潛熱消耗，只有小部分能量用于下墊面溫度的升高，下墊面溫度則較低；而當(dāng)土壤含水量不足時(shí)，植被會(huì)因受到水分脅迫而關(guān)閉部分葉片氣孔，來減少蒸騰耗水，潛熱通量消耗的減少將導(dǎo)致感熱通量與土壤熱通量的增加，從而引起下墊面溫度升高[13]。因此，從植被生長(zhǎng)狀況和地表溫度的角度來綜合分析土壤的水分含量變化是可行的。研究發(fā)現(xiàn)，如果研究區(qū)植被覆蓋包含從裸土到全覆蓋，土壤濕度從極干旱到極濕潤(rùn)的各種情況，利用遙感資料獲得的地表溫度為縱坐標(biāo)，植被指數(shù)為橫坐標(biāo)，構(gòu)成二維空間，在該空間內(nèi)散點(diǎn)呈三角形或梯形分布[14-15]。這個(gè)二維空間的上邊界為干邊，干邊上的點(diǎn)相對(duì)濕度為0，下邊界為濕邊，濕邊上的點(diǎn)相對(duì)濕度為1。若某研究區(qū)內(nèi)的像元在NDVI-Ts的二維空間內(nèi)符合梯形或三角形分布，研究區(qū)土壤在空間上應(yīng)具有以下特性：在相同的植被覆蓋情況下，地表溫度的最高值，裸土>部分覆蓋>植被；在相同的地表溫度情況下，最大蒸發(fā)量，植被>部分覆蓋>裸土；隨著植被覆蓋的增高，地表溫度的最大值降低。TVDI 的定義為：

TVDI=[Ts-Ts(min)]/[Ts(max)-Ts(min)]

(1)

Ts(min)=a1+b1×NDVI

(2)

Ts(max)=a2+b2×NDVI

(3)

式中：TVDI為溫度植被干旱指數(shù)；Ts為某一植被指數(shù)對(duì)應(yīng)的地表溫度；Ts(min)為某一直植被指數(shù)對(duì)應(yīng)的最低溫度，即濕邊；Ts(max)為某一植被指數(shù)對(duì)應(yīng)的最高溫度，即干邊。a1、b1、a2、b2是干、濕邊的擬合系數(shù)。TVDI的取值范圍為0～1。

2.2 NDVI數(shù)據(jù)合成

NDVI數(shù)據(jù)采用最大值合成方式進(jìn)行時(shí)間序列上的合成。研究時(shí)段內(nèi)，對(duì)多期的日尺度的NDVI影像進(jìn)行像元水平的NDVI值提取，只保留最大值。NDVI最大值合成方式計(jì)算公式如下：

NDVImax=MAX(NDVI1，NDVI2，NDVI3，…，NDVIi)

(4)

式中：NDVImax為NDVI最大值；i為合成天數(shù)。

2.3 LST數(shù)據(jù)合成

LST數(shù)據(jù)采用平均值和最大值2種方式來進(jìn)行時(shí)間序列上的合成。研究時(shí)段內(nèi)，在像元水平，對(duì)多期日尺度的LST影像分別取平均值和最大值。LST平均值和最大值合成方法計(jì)算公式如下：

LSTavg=AVG(LST1，LST2，LST3，…，LSTi)

(5)

LSTmax=MAX(LST1，LST2，LST3，…，LSTi)

(6)

式中：LSTavg為地表溫度平均值；LSTmax為地表溫度最大值；i為合成天數(shù)。

地表溫度進(jìn)行平均值合成時(shí)，只對(duì)研究時(shí)段內(nèi)有數(shù)據(jù)日數(shù)的地表溫度進(jìn)行平均。若研究時(shí)段內(nèi)衛(wèi)星過境時(shí)刻，某一地區(qū)一直被云覆蓋，則該地區(qū)表示空白。

2.4 TVDI構(gòu)建及預(yù)測(cè)結(jié)果驗(yàn)證

根據(jù)NDVI-LST二維空間，獲取每個(gè)NDVI值對(duì)應(yīng)的LST的最大和最小值，通過最小二乘法進(jìn)行擬合。通過干、濕邊計(jì)算每一個(gè)像元的TVDI值。

幼兒園繪本閱讀不僅是當(dāng)前幼兒閱讀的主要形式之一，也是幼兒園課程體系的主要內(nèi)容。幼兒繪本具有生動(dòng)形象、趣味性強(qiáng)的基本特征，是培養(yǎng)幼兒閱讀習(xí)慣和了解周圍世界的重要途徑。然而，受農(nóng)村經(jīng)濟(jì)發(fā)展水平有限、師資力量較為薄弱以及幼兒教育理念比較傳統(tǒng)等多種因素的共同影響，農(nóng)村幼兒園繪本閱讀教學(xué)效果遠(yuǎn)遠(yuǎn)落后于城市幼兒園繪本閱讀教學(xué)效果，因此，農(nóng)村幼兒園老師認(rèn)識(shí)到創(chuàng)新幼兒閱讀教學(xué)模式的必要性和緊迫性，開展豐富多彩、形式新穎獨(dú)特的繪本教育活動(dòng)，讓農(nóng)村幼兒真正的感受繪本閱讀的樂趣并逐步喜愛上繪本閱讀。

干旱的發(fā)生與降水有著密切的聯(lián)系，利用降水?dāng)?shù)據(jù)來對(duì)遙感干旱監(jiān)測(cè)結(jié)果進(jìn)行驗(yàn)證是一種常用的手段。孫威等[16]利用條件植被指數(shù)對(duì)陜西關(guān)中地區(qū)的干旱進(jìn)行監(jiān)測(cè)時(shí)，采用的平均累積降水距平對(duì)干旱監(jiān)測(cè)結(jié)果進(jìn)行驗(yàn)證取得較好的效果，并且認(rèn)為條件植被指數(shù)與近期降水量相關(guān)性最好。薄燕飛等[17]通過對(duì)河北地區(qū)春旱的時(shí)空變化研究，證明了TVDI與氣象干旱指標(biāo)(PA、SPI、M)存在相關(guān)性。孫麗等[18]研究了多因子與TVDI的相關(guān)性，發(fā)現(xiàn)氣象因子中的降水指標(biāo)對(duì)TVDI影響較大。姜亞珍等[13]利用TVDI對(duì)河北省干熱風(fēng)時(shí)期的土壤濕度進(jìn)行研究，發(fā)現(xiàn)降水?dāng)?shù)據(jù)與TVDI間存在較顯著的負(fù)相關(guān)?；谝陨涎芯?，利用降水指標(biāo)來驗(yàn)證TVDI干旱預(yù)測(cè)結(jié)果具有科學(xué)依據(jù)，這里采用降水距平百分率作為干旱驗(yàn)證指標(biāo)。

降水距平百分率是一種傳統(tǒng)干旱監(jiān)測(cè)指標(biāo)，表示當(dāng)期降水與長(zhǎng)年同期平均值的差值占長(zhǎng)年同期平均值的百分比。當(dāng)僅考慮降水時(shí)，降水距平能直觀反映降水異常引起的干旱，因此在干旱監(jiān)測(cè)和評(píng)價(jià)中得到了廣泛的應(yīng)用[19-21]。PA計(jì)算公式：

(7)

3 結(jié)果分析

3.1 LST的最大值合成和平均值合成

利用最大值合成和平均值合成2種方式對(duì)2013年6月的LST進(jìn)行旬尺度和月尺度的合成。在ENVI5.1軟件的band math工具下，利用公式(5)和公式(6)對(duì)日尺度數(shù)據(jù)進(jìn)行計(jì)算，結(jié)果如圖2所示。圖2(a1)、圖2 (b1)、圖2 (c1)、圖2 (d1)分別為2013年6月上、中、下三旬和全月LST平均值合成，圖2 (a2)、圖2 (b2)、圖2 (c2)、圖2 (d2)分別為2013年6月上、中、下三旬和全月LST最大值合成。

圖2 地表溫度合成

從地表溫度的空間分布特征來看，不同時(shí)間尺度內(nèi)，2種溫度合成方式下，整個(gè)巢湖流域的高溫區(qū)均分布在合肥市市區(qū)范圍內(nèi)，而西部臨近大別山地區(qū)溫度較低。在整體區(qū)域跨度不大，氣候條件類似的情況下，建筑用地、居住用地及工業(yè)用地集中區(qū)的“熱島效應(yīng)”明顯。從溫度值大小來看，不同時(shí)間尺度內(nèi)，基于最大值合成方式的LST值高于基于平均值合成方式的LST值。但是，這種差異并不明顯，LST的空間分布總體相似，局部地區(qū)略有不同，主要表現(xiàn)在溫度較高的合肥市地區(qū)以及溫度較低的臨近大別山地區(qū)。當(dāng)研究區(qū)域較大，溫度差異非常明顯時(shí)，這2種地表溫度合成方式的結(jié)果在地表溫度的極值區(qū)會(huì)產(chǎn)生較大的差異。

通過對(duì)2013年6月上、中、下三旬?dāng)?shù)據(jù)2種方式合成結(jié)果進(jìn)行比較分析，發(fā)現(xiàn)上、中兩旬云量較少，基于最大值與平均值的LST合成方式均可以有效地減弱云對(duì)遙感數(shù)據(jù)的影響；下旬合肥部分地區(qū)一直存在云覆蓋，所以該地區(qū)為空白。最后，對(duì)圖2(a1)、圖2(b1)、圖2(c1)與圖2(d1)和圖2(a2)、圖2(b2)、圖2(c2)與圖2(d2)進(jìn)行比較分析，相較于旬尺度，基于月尺度的LST合成可以更好地減弱云的影響，彌補(bǔ)了6月下旬云覆蓋所造成LST數(shù)據(jù)的缺失。

3.2 TVDI干旱預(yù)測(cè)結(jié)果

通過公式(4)對(duì)NDVI進(jìn)行最大值合成，利用合成后的NDVI與LST數(shù)據(jù)，構(gòu)建巢湖流域旬和月尺度的NDVI-Ts二維空間。二維空間內(nèi)，橫坐標(biāo)為NDVI，縱坐標(biāo)為L(zhǎng)ST，如圖3所示。圖3(a1)、圖3 (b1)、圖3 (c1)、圖3 (d1)分別為2013年6月上、中、下旬和全月LST平均值合成，圖3 (a2)、圖3 (b2)、圖3 (c2)、圖3 (d2)分別為2013年6月上、中、下旬和全月LST最大值合成。在二維空間內(nèi)，LST最大值均隨著NDVI增加而減小，散點(diǎn)總體滿足梯形分布?；诙S空間提取NDVI值相同的不同像元的LST的最大值和最小值，并通過最小二乘法進(jìn)行擬合，分別得到干、濕邊函數(shù)，如表1所示。

圖3 NDVI-Ts 二維空間

觀測(cè)時(shí)段地表溫度合成方式干邊濕邊2013年6月上旬平均值合成Ts(max)=-17.63x+44.09Ts(min)=-2.32x+26.86最大值合成Ts(max)=-20.36x+47.26Ts(min)=-3.96x+28.992013年6月中旬平均值合成Ts(max)=-10.02x+40.01Ts(min)=-5.25x+27.03最大值合成Ts(max)=-13.73x+45.98Ts(min)=-10.57x+32.862013年6月下旬平均值合成Ts(max)=-15.92x+43.23Ts(min)=25.71x-3.06最大值合成Ts(max)=-13.20x+42.15Ts(min)=28.57x-2.712013年6月全月平均值合成Ts(max)=-8.71x+39.56Ts(min)=-1.97x+25.93最大值合成Ts(max)=-13.19x+45.74Ts(min)=-7.23x+31.91

通過對(duì)干邊擬合后二維空間內(nèi)像元分布位置進(jìn)行分析，2種溫度合成方式下，像元在二維空間內(nèi)的分布趨勢(shì)均相同。從旬尺度來看，2013年6月上、中、下旬像元點(diǎn)均偏向干邊分布，說明6月份巢湖流域整體都偏干旱，且下旬最為嚴(yán)重。上、下兩旬像元點(diǎn)分布較集中，說明整個(gè)區(qū)域干旱程度相似；而中旬像元分布較分散，該時(shí)段內(nèi)局部地區(qū)因?yàn)橛猩倭拷涤?，干旱情況得到短期的緩解。從全月來看，像元點(diǎn)分布較分散，但其仍然偏向干邊分布，說明2013年6月全月巢湖流域整體地區(qū)偏旱，局部地區(qū)因?yàn)榻涤甏嬖谖⑷醯牟町悾登橛兴煌?/p>

3.3 TVDI干旱預(yù)測(cè)結(jié)果驗(yàn)證

通過表1中NDVI-Ts二維空間的干、濕邊函數(shù)得到式(2)、式(3)中各參數(shù)，根據(jù)公式(1)計(jì)算出TVDI。由于6月下旬云覆蓋的影響，這里對(duì)部分無(wú)遙感影像降水?dāng)?shù)據(jù)點(diǎn)進(jìn)行刪除。獲取2013年6月的72個(gè)降水實(shí)測(cè)數(shù)據(jù)，利用公式(7)計(jì)算PA，并根據(jù)站點(diǎn)坐標(biāo)獲取了該像元對(duì)應(yīng)的TVDI值，驗(yàn)證TVDI與PA的相關(guān)性，SPSS分析結(jié)果如表2所示。

表2 TVDI與PA相關(guān)系數(shù)

6月上旬，基于平均值合成方式的TVDI與PA間不存在相關(guān)性(p>0.05)，最大值合成方式的TVDI與PA間存在顯著相關(guān)性(p<0.01)，相關(guān)系數(shù)為-0.29；6月中旬，平均值合成方式的TVDI與PA間不存在相關(guān)性(p>0.05)，最大值合成方式的TVDI與PA間存在顯著相關(guān)性(p<0.05)，相關(guān)系數(shù)為-0.25；6月下旬，平均值合成方式的TVDI與PA和最大值合成方式的TVDI與PA間均存在顯著相關(guān)性(p<0.01)，相關(guān)系數(shù)都為-0.31；6月全月，平均值合成方式的TVDI與PA和最大值合成方式的TVDI與PA間均存在顯著相關(guān)性，相關(guān)系數(shù)分別為-0.34和-0.41。從旬尺度和月尺度，對(duì)2種方法構(gòu)建的TVDI與PA的相關(guān)性結(jié)果進(jìn)行比較發(fā)現(xiàn)，在利用TVDI進(jìn)行干旱預(yù)測(cè)時(shí)，LST最大值合成方式優(yōu)于平均值合成方式，且月尺度TVDI與PA的相關(guān)性高于旬尺度TVDI與PA的相關(guān)性。

4 結(jié)束語(yǔ)

基于2013年6月巢湖流域MODIS地表溫度日數(shù)據(jù)，探討了不同LST數(shù)據(jù)合成方式對(duì)TVDI干旱預(yù)測(cè)精度的影響。主要結(jié)論：

①LST平均值合成構(gòu)建的干旱指數(shù)TVDI與降水距平百分率的相關(guān)性并不明顯，在不同時(shí)間尺度上表現(xiàn)出現(xiàn)較大差異。旬尺度上，6月上旬和中旬，LST平均值合成構(gòu)建的干旱指數(shù)TVDI與降水距平百分率之間不存相關(guān)性，下旬則呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.31。月尺度上，LST平均值合成構(gòu)建的干旱指數(shù)TVDI與降水距平百分率之間存在顯著負(fù)相關(guān)性，相關(guān)系數(shù)為-0.34。

②LST最大值合成構(gòu)建的干旱指數(shù)TVDI與降水距平百分率在不同的時(shí)間尺度上均表現(xiàn)出顯著的負(fù)相關(guān)性。旬尺度上，6月上、中、下三旬的最大值合成的TVDI與PA間均存在顯著的負(fù)相關(guān)性，相關(guān)系數(shù)分別為-0.29、-0.25、-0.31。月尺度上，LST最大值合成構(gòu)建的干旱指數(shù)TVDI與降水距平百分率之間存在顯著負(fù)相關(guān)性，相關(guān)系數(shù)為-0.41。LST最大值合成的TVDI與PA的相關(guān)性高于平均值合成的TVDI與PA的相關(guān)性。TVDI通過指示土壤含水量來反映區(qū)域的干旱狀況，土壤含水量又與蒸散量有著重要關(guān)系，而蒸散量又與最高溫有著重要關(guān)系。所以，采用最高溫來構(gòu)建TVDI比平均溫更能反映土壤的干旱程度。因此，在旬和月尺度上，利用TVDI進(jìn)行干旱預(yù)測(cè)時(shí)，LST的最大值合成方式更能反映土壤實(shí)際含水狀況，干旱預(yù)測(cè)穩(wěn)定性和精度相較更高。

③TVDI干旱預(yù)測(cè)的精度，月尺度好于旬尺度。月尺度上，LST最大值合成構(gòu)建的干旱指數(shù)TVDI與降水距平百分率的相關(guān)系數(shù)為-0.41，上、中、下旬對(duì)應(yīng)的相關(guān)系數(shù)分別為-0.25～-0.31。植物本身具有調(diào)節(jié)能力，當(dāng)土壤水分發(fā)生變化，如果時(shí)間尺度較短，NDVI并不能顯著地表現(xiàn)出差異。另外，對(duì)LST進(jìn)行月尺度的合成可以更好地減弱云的影響。因此，在月尺度上，采用LST最大值合成方式構(gòu)建TVDI指數(shù)對(duì)干旱預(yù)測(cè)效果更好。

在研究的過程中發(fā)現(xiàn)，采用同一種LST合成方式，在不同時(shí)段內(nèi)，其TVDI干旱預(yù)測(cè)精度存在很大差異，尤其以平均值合成最為明顯。通過劃分干旱階段，在不同階段內(nèi)，對(duì)TVDI干旱預(yù)測(cè)精度開展進(jìn)一步研究，將是接下需要做的工作。