基于 GEE 计算温度植被干旱指数 TVDI 并可视化分析
目录
1 前言
2 数据源
3 完整代码
4 运行结果
1 前言
在全球气候变化与人类活动不断加剧的背景下，干旱已经成为影响农业生产、生态环境乃至区域社会经济发展的重要自然灾害之一。随着遥感技术的快速发展，我们能够通过大尺度、多时相的卫星观测数据，获取与植被状况和地表温度密切相关的指标，从而实现对干旱过程的空间化和动态监测。在众多基于遥感的干旱指数中，温度植被干旱指数（Temperature Vegetation Dryness Index, TVDI）因其兼顾了植被覆盖度与地表温度两方面信息，成为一种被广泛应用的遥感干旱监测方法。因此，本文分享以MODIS遥感产品为例，基于GEE平台，利用NDVI与LST数据构建TVDI，并通过拟合干湿边、绘制散点图和生成空间分布图，实现对研究区干旱状况的直观展现。
相关概念：“The temperature vegetation dryness index (TVDI) method based on the vegetation index/temperature trapezoid eigenspace (VITT) (Sandholt et al., 2002) also belongs to the category of moisture index method. Thermal inertia method is the approach using thermal infrared remote sensing data to monitor soil moisture.” 译文：“基于植被指数/温度梯形特征空间（VITT）的温度植被干旱指数（TVDI）方法（Sandholt等，2002）也属于湿度指数方法的范畴。热惯性方法是利用热红外遥感数据监测土壤湿度的方法。”可以发现，TVDI是在NDVI/LST特征空间中构建的，这个特征空间具有一定的分布特征，表现如下图：
而相应地，TDVI的计算公式如下：
式中，Ts为修正后的地表温度；TsMAX为同VI值下最大地表温度，对应VI-Ts干边；TsMIN为同VI值下最小地表温度，对应VI-Ts湿边。由公式可知，TVDI的取值范围在0到1之间，越接近1说明像元越接近干边，即干旱程度越高；越接近0说明像元接近湿边，即水分条件较好。
VI和Ts的散点图在植被覆盖和土壤湿度变化较小时为梯形分布，NDVI最高最低温度可通过最大最小值方法进行提取，通过像元进行线性拟合，得出对应的干边、湿边为：
式中，a1、b1为干边拟合方程系数；a2、b2为湿边拟合方程系数；VI为植被干旱指数。
在TVDI指数计算的过程中，需要拟合干边方程和湿边方程，其中还需要用户自己设置参数，是比较重要的计算步骤。拟合的关键是怎么找到有效的NDVI（相当于自变量X）和LST（相当于因变量Y）这两组相对应的数据，本文针对干湿边的拟合过程做一下详细的说明。
<