微波遥感农业干旱监测:最近的进展和挑战
Mariette奖金
1
*
__
伊莎贝拉Greimeister-Pfeil
1
__
沃尔夫冈Preimesberger1
普Camici
2
Wouter民宿1
马库斯Enenkel
3
Robin van der Schalie
4
苏珊Steele-Dunne
5
沃尔夫冈•瓦格纳1
- 1大地测量学和地质信息,你维也纳,奥地利的维也纳
- 2研究所IRPI Geo-Hydrological保护,意大利国家研究理事会,意大利佩鲁贾
- 3剑桥哈佛大学哈佛人道主义行动,妈,美国
- 4地球实验室,荷兰哈勒姆
- 5地球科学与遥感,代尔夫特,荷兰代尔夫特科技大学
农业干旱极端事件通常多个水文气象过程之间相互影响的结果。因此,评估干旱发生、程度、持续时间和强度是复杂的,需要多个变量的组合使用,如温度、降水、土壤水分(SM)和植被状态。使用SM和植被状态信息的好处是,他们集成信息降水、温度和土壤水分蒸发蒸腾损失总量,使植物提供水和植被生产力的直接指标。微波遥感使SM和植被信息的检索,基于卫星的SM和植物产品免费可用的操作和在地区或全球范围内,每天。因此,微波遥感产品在干旱监测应用程序中扮演越来越重要的角色。在这里,我们提供最新发展的概述在使用微波遥感用于大规模农业干旱监测。我们专注于监测干旱的复杂的过程发展的复杂使用多个变量。首先,我们简要介绍微波遥感的基本概念与最新研究的概述,开发和应用的干旱指标来源于microwave-based卫星SM和植被观测。这是紧随其后的是一个更详细的概述目前研究差距和挑战microwave-based SM和植被测量结合水文气象数据集。利用微波遥感干旱监测的潜力是通过一个案例研究演示了在塞内加尔使用多个卫星和基于模型的数据集对降雨,SM、植被和组合。 The case study demonstrates the added-value of microwave-based SM and vegetation observations for drought monitoring applications. Finally, we provide an outlook on potential developments and opportunities.
介绍
由于气候变化、干旱的频率和强度增加在世界的很多地方,由于不断发展的降水和温度变化增加(戴,2013;Trenberth 2014;豪厄格-古尔伯格et al ., 2018)。干旱对生态系统和社会的影响是惊人的,导致农作物损失和饥荒,树死亡率和放大的热浪,在许多其他的影响(舒马赫et al ., 2019;Senf et al ., 2020;胸罩et al ., 2021)。由于重要和经常昂贵的干旱的影响,干旱监测预警和早期行动至关重要。然而,干旱是复杂的极端事件。详细描述的Zscheischler et al。(2020)干旱等事件可能发生由于现有的先决条件,交互的多个司机、继承或空间相互作用的事件。此外,干旱常常爬灾害,从气象干旱发展中由于长期降雨赤字或长时间温度增加到一个农业和水文干旱,影响植被和地面和地表水。社会经济干旱持续农业和水文干旱的结果,当这些影响森林、农作物产量、基础设施和为人类和牲畜的饮用水来源。由于其复杂性,识别和监测干旱是一个错综复杂的问题,存在很多方法基于单一或组合以及植被观测水文气象变量。
气象干旱通常由降水和温度监测观察,如标准化降水指数(SPI)。大多数农业干旱指标使用降水和温度结合植被生产力的信息描述主要的司机和干旱的影响。对植被监测干旱的影响,可见和近红外(VNIR)等指标归一化植被指数(NDVI)和叶面积指数(LAI)是最常用的。SM农业干旱监测的使用增加了在最近几十年里,它可以填补差距的滞后响应地表降水赤字。主要建模或卫星SM信息是全球和日常使用,因为它可以提供关于SM的信息。satellite-observed SM的优势产品是他们捕获SM的可变性比降雨和温度驱动模型,他们隐式模型(包括灌溉用水很少考虑了et al ., 2021)。
几个公开,SM产品是基于卫星微波观测,提供全球日报报道。微波信号与陆地表面和水敏感内容在厘米的土壤和地上生物量。因此,他们不仅允许SM的检索,而且水的包含在地上生物量。通常含水量在植被地上生物量参数化是通过光学深度(VOD),它描述了微波信号的衰减由植被(Attema Ulaby, 1978)。然而,研究也使用直接卫星测量作为植被动态的指标,如后向散射的斜率入射角的关系和合作之间的比例和交叉极化后向散射或亮度温度(萨奇et al ., 2013;Steele-Dunne et al ., 2019)。研究表明,microwave-based植被指标可以补充VNIR植被水含量的指标,因为他们提供信息地上生物量包括木本植物的一部分(刘et al ., 2011;Andela et al ., 2013;田et al ., 2016;Konings et al ., 2019)。
许多产品基于遥感微波观测是可用的,本文的目的是提供一个概览的卫星微波数据和产品是用于农业干旱监测。一些出版物概述的干旱遥感监测的使用从气象、社会经济干旱(表1)。最近的干旱监测概述AghaKouchak et al。(2015),西方et al。(2019),焦et al . (2021)包括卫星SM旁边的其他数据集和方法。其他评审论文关注应用程序特定的微波仪器,技术或数据集(民宿et al ., 2017;Steele-Dunne et al ., 2017;Wigneron et al ., 2021)。我们的论文区分自己从这些现有的评论通过专注于其使用微波观测和衍生产品对农业干旱监测没有集中在一个特定的传感器和数据集。我们解决监测干旱的复杂性和使用microwave-based产品和指标的优点和缺点。此外,我们讨论的挑战和机遇等使用的组合变量的降水,SM和植被指数。这些都说明使用案例研究干旱监测在塞内加尔。
表1。有关评审论文摘要干旱监测与遥感数据。
微波遥感的基本概念
微波传感器操作频率为0.3至300 GHz,对应1 m和1毫米之间的波长(Ulaby et al ., 1986)。遥感在植被树冠深度或土壤与波长有关,在长波长传感深度高于短的波长。因此,微波相互作用,更多的感觉,比可见光和近红外信号中。因此,尽管VNIR传感器测量表面特征,微波从土壤和植被内部提供信息。许多地球观测微波传感器1和18 GHz之间的操作,在所谓的L - C - X - ku波段。在这些频率,有一个大区别水的介电常数(e= 80),土壤颗粒(2 <e< 4)和干物质(1.5 <e< 2)(Ulaby El-Rayes, 1986)。因此,微波对表层土壤的含水量敏感层和地上生物量通过他们的敏感性的介电常数介质相互作用或源自。随着含水量增加,介质的介电常数增加,导致高反射率和低发射率(Ulaby et al ., 1982)。除了介电常数的敏感性,微波信号也受到介质的几何形状的影响,例如,植被结构和土壤粗糙度(Attema Ulaby, 1978;Paloscia et al ., 1998;Verhoest et al ., 2008)。
从地表反射率和辐射率可以通过主动和被动微波传感器,测量。被动传感器测量地表的自然排放。这个信号相对较弱,这些传感器必须总排放在一个相对较大的地区。所需的足迹取决于频率,但可以在l波段(几十公里Entekhabi et al ., 2010 a;克尔et al ., 2012)。一个优势是,全球覆盖率达到每隔几天在赤道,在高纬度地区更频繁。被动系统的可观测的亮度温度[K],这是一个物理的温度和发射率的函数,并且可以记录在水平和垂直方向的偏振。主动传感器用于土壤和植被遥感是散射仪和合成孔径雷达(SAR)。传感器传输微波信号和接收的回波反射回传感器,所谓的后向散射。下可以发射和接收信号的组合不同的偏振光,包括垂直和水平极化的结合,在不同入射角度。活跃的传感方式允许更高的空间分辨率。尤其是SAR系统,可以有空间分辨率高达数米,虽然这是经常在时间分辨率的成本或空间覆盖率。
的一个挑战在SM和植被信息的检索从主动和被动微波观测之间的分离信号来自土壤或植被。不同类型的方法和模型方法存在获取SM或植被信息,从简单的指数变化检测、辐射传输模型和机器学习方法(Petropoulos et al ., 2015;李et al ., 2021)。纯粹的数据驱动方法SM检索利用变化检测,测量观察之间的可观察到的在哪里了长期在干燥和潮湿的条件下(瓦格纳et al ., 1999 a),或者机器学习(Kolassa et al ., 2018)。最常见的一种土壤和植被信息的检索方法是通过反相辐射传输模型(欠et al ., 2001;克尔et al ., 2012;奥尼尔et al ., 2015)。这种发展模式特征的亮度温度或后向散射作为一个组合从土壤中排放或反射(由植被减毒),发射的植被(也由植被减毒),和两者之间的相互作用。最后一项是经常被忽视的一些研究已经表明它不明显造成的总信号在低波长(Attema Ulaby, 1978;杰克逊和Schmugge, 1991年)。SM可以从土壤贡献,检索和衰减的植被被视频点播,这是与地上生物量的含水量。注意,这种方法使得许多假设散射机制,分布的散射贡献不同成分简化模型。
主动微波遥感,多样性查看几何和/或极化可以提供洞察不同的散射机制的相对贡献从植物表面。植被可以被认为是一个体积散射体,多次散射介质内发生散射,这或多或少同样发生在各个方向(Ulaby et al ., 1986)。多次散射还能改变信号的极化,例如,在传入的垂直偏振信号改为水平极化。土壤像表面散射体,主要指导散射距离传感器在同一极化。SAR偏振测定可用于监测植被高度的变化,结构和生物量(例如,Steele-Dunne et al ., 2017),异常可以表明干旱的影响。后向散射获得了在不同入射角度时,一个可以量化入射角之间的关系和后向散射,由植被变化的强烈驱使,植被的增加导致更少的陡坡(瓦格纳et al ., 1999 b;Naeimi et al ., 2009)。斜率被用来监测植被物候学和水动力学和检索视频点播(奖金et al ., 2017;Steele-Dunne et al ., 2019;Petchiappan et al ., 2022)。此外,当正交极化后向散射测量,这可以用来量化植被动力学(Toan et al ., 1992;Paloscia et al ., 1998;萨奇et al ., 2013;Khabbazan et al ., 2019)。正交极化后向散射的增加增加植被的植被造成去极化信号。
上面描述的方法获取SM和植被信息简化复杂的流程和交互,例如和忽视多次散射的影响,植被结构在微波信号或土壤粗糙度。然而,可靠的SM检索不同微波传感器利用辐射传输、变化检测、或机器学习模型和可操作,如土壤水分海洋盐度(SMOS (克尔et al ., 2012)和土壤水分活跃被动[大声叫嚷,(Entekhabi et al ., 2010 a)、高级微波扫描辐射计(amsr - e)传感器土地参数检索模型(LPRM) (de戏言et al ., 2008;欠et al ., 2008),Metop先进散射仪(ASCAT (瓦格纳et al ., 2013)]HSAF SM产品从欧洲航天局和长期合并记录气候变化倡议(ESA CCI, (民宿et al ., 2017)]。植被光学深度气候档案[VODCA (Moesinger et al ., 2020)数据合并VOD源自土地参数检索基于辐射传输模型(·梅斯特et al ., 2005;Van der Schalie et al ., 2017)成一个长期记录。
基于微波遥感干旱监测方法和应用程序
土壤水分指标
可用性的增加操作SM产品提高了近年来农业干旱监测其使用。概述基于单一的指标用于农业干旱监测变量从微波可见和SM表2。指标的方法可以分为两类:(1)基于异常的指标从长远的意思是,和(2)指标基于植物提供水。卫星的技巧SM-based干旱指标评价了许多不同的参考数据,根据研究的重点。许多研究,更加关注气象干旱监测或干旱监测一般使用水文气象指标,如标准化降水指数(SPI),标准化降水指数(SPEI)蒸发蒸腾,大气水分亏缺(AWD)或帕尔默干旱强度指数(PDSI)作为参考评估microwave-based干旱指标。研究特别关注农业干旱监测经常使用植被数据或指标进行评价,如作物水分指数(CMI)或植被健康指数(VHI)。区域研究经常使用区域或国家现有的干旱指标,如数据来自美国干旱监测(USDM)。一些评估不使用特定的干旱参考数据,但计算相同的索引原位或SM观察和inter-compare建模。大多数研究开发的某些地区的干旱指标,只有很少有研究评估干旱监测在全球范围内利用卫星SM数据。一些研究特别关注农业干旱监测。因此,我们包括一般干旱监测研究,解决农业地区。
表2。干旱指标根据SM数据。
异常的方法
最简单的方法是基于SM异常,百分位数或指标,如标准化亮度温度指数(SBTI),标准化的土壤湿度指数(SSMI或SSI),土壤水分赤字指数(SMDI),土壤水分条件指数(SMCI)和土壤湿度异常比例指数(SMAPI) (香槟et al ., 2011;Scaini et al ., 2015;Carrao et al ., 2016;Velpuri et al ., 2016;Cammalleri et al ., 2017;Nicolai-Shaw et al ., 2017;巴勃罗et al ., 2017;Padhee et al ., 2017;Eswar et al ., 2018;距首都普里什蒂纳et al ., 2018;徐et al ., 2018;Blyverket et al ., 2019;2019年福特和你们;刘et al ., 2019;朱et al ., 2019;Modanesi et al ., 2020;方et al ., 2021;范Hateren et al ., 2021;Vroege et al ., 2021)。有很多方法准备原始SM数据计算异常强劲的长期的意思。大多数研究总原始SM数据到多个天(例如,dekadal),平均每月使用线性或季节性值或平滑窗口获得健壮的异常。异常计算偏离长期的意思。获得一个干旱指标,需要定义一个阈值在什么是干旱。研究使用百分位异常的方法设置不同的阈值对干旱条件下,不同价值观之间的低于10%到33%以下所有条件发生特定的时期。标准化的SM指数和Z -成绩,通常−1或更低的标准偏差分为中度干旱(Carrao et al ., 2016),这是由世界气象组织还建议标准化降水指数。这对应于一个百分比为15.8%,如果数据是正态分布。
这些方法的优点是数据驱动的,可以计算出卫星SM当长记录不需要辅助数据是可用的。方法获得健壮的异常只有短时间序列可用从长期SM是使用参数记录在结合短时间序列。距首都普里什蒂纳et al。(2018)安装3年(2015 - 2017)的SMAP SM贝塔分布和使用百分位数的干旱指标。然而,获得贝塔分布的范围,需要很长时间系列。为了绕过这个问题,建模SM是用来评估的质量符合基于3(2015 - 2017)相比,38(1979 - 2017)年的数据。SMAP数据只有在适合的地方使用的模型数据3年以上在统计学上显著的适合使用38年的数据。徐et al。(2018)计算了SSI和SMDI SMAP利用长期的平均值和标准偏差SM记录北美土地数据同化系统(NLDAS)和全球同化系统(GLDAS),分别。香槟et al。(2011)利用了空间时间的方法,amsr - e SM在地区同质SM聚合动力学,其中每个像素在该地区被用来获得一个稳定的频率分布。
几项研究已经评估的技巧卫星SM-based干旱指标在全球范围内通过比较模型(Cammalleri et al ., 2017;2019年福特和你们;刘et al ., 2019)。Cammalleri et al。(2017)展示了潜在的ESA CCI SM数据集的干旱监测相比Z -大量的ESA CCI SM异常的土地信息系统(LIS)建模SM和地表温度(LST)的中分辨率成像光谱仪(MODIS)作为SM的代理。尤其是在干旱地区ESA CCI SM优于另一个数据集,而LIS在地方电台更可靠的数据是可用的,例如、欧洲和北美。刘et al。(2019)相比全球范围内干旱特征使用基于ESA SMAPI CCI和GLDAS-Noah表面SM计算的SPI数据集从全球降水气候学(GPCC)降水数据中心。SMAPI的SM的性能数据是高度一致的SPI干旱尤其是空间模式。ESA CCI SMAPI在干旱频率更高比基于GLDAS-Noah SMAPI检测,他们归因于浅土壤深度由前者。此外,大差异SMAPI基于ESA CCI和GLDAS-Noah被发现在干旱和半干旱地区和茂密的植被,因为在这些地区低信噪比。Zhang et al。(2016)还发现,基于amsr - e SMCI观察圆锥密集植被地区表现不佳。福特和你们(福特和你们,2019)的技巧模型相比,基于卫星从SMOS标准化SM异常,SMAP和ESA CCI原位根据SM异常,发现在美国SSMI基于NLDAS VIC模型优于那些基于大多数卫星指标。基于SMAP的卫星指标优于那些基于ESA CCI和SMOS干旱发生。低精度的SMOS-based SSMI归因于高射频干扰。另一方面,SMAP的短时间内阻碍干旱严重程度估计SMAP,异常的计算是基于一个太短。问题数据记录的长度也会影响来自amsr - e,干旱指标香槟et al。(2011)发现温和派之间的相关性SM amsr - e和干旱指标的异常,如SPI和SPEI和将此归因于短观测时期(2003 - 2009)。Nicolai-Shaw et al。(2017)遇到问题获得可靠的干旱指标使用ESA CCI密度在1991年以前由于数据不足。1991年之后,使用百分位方法与水文气象干旱指标如温度、降水和植被指标。
Sentinel-1于2015年发射升空,至今仍有一个简短的数据记录。很少有研究Sentinel-1 SM用于干旱监测。城市et al。(2018)使用SM从10米Sentinel-1 VV检索和VH后向散射的变化检测方法监测干旱的影响在南非克鲁格国家公园。结果显示Sentinel-1 SM敏感甚至小含水率的变化,使它适合这个地区的干旱监测。观察强烈降低Sentinel-1 SM在2015 - 2016年的干旱,这在开放、植被稀疏的地区更加明显。
植物可用水资源的方法
SM植物可用水资源相关指标可以计算基于土壤信息,如凋萎点和田间持水量。用这些方法得到的值直接表明干旱或死去的条件。可以计算这些指标的优点是当没有长期记录可用来计算异常。这允许使用较短的卫星SM数据集,如nasa SMAP(于2015年)和Sentinel-1(于2014年)。例如,土壤水分亏缺指数(SWDI) (Martinez-Fernandez et al ., 2016;Mishra et al ., 2017;巴勃罗et al ., 2017;Paredes-Trejo和巴博萨,2017;白et al ., 2018;朱et al ., 2019;方et al ., 2021;周et al ., 2021;曹et al ., 2022)可以计算之间的SM了田间持水量、凋萎点表明干旱时下面的值是0。简称SWDI时间序列的好处了Mishra et al。(2017)从SMAP计算在美国大陆SWDI被动微波SM的观察。分析表明,即使原始SMAP SM没有揭示空间干旱模式,基于SMAP SWDI AWD相比和PDSI SM数据。方et al。(2021)评估SWDI和SMDI计算从缩减规模SMAP SM和SMAP结合GLDAS-Noah在澳大利亚和发现SWDI捕捉比SMDI干旱。Martinez-Fernandez et al。(2016)和Paredes-Trejo和巴博萨(2017)SMOS(分别为L2, v5.51 v6.2) SM检索SWDI在西班牙和巴西AWD和CMI相比。SWDI能够检测drought-weeks, SWDI低于0时,性能良好的检测概率相比AWD(干旱构成AWD < 0),除了在山区。巴勃罗et al。(2017)SMOS计算多个干旱指标(BEC L4 SM v.3)在西班牙和发现SWDI显示平滑时间行为与其他干旱指标相比,干旱和死去之间跳从一个观察。然而,这个方法的缺点是,为了获得这些指标需要额外的信息在田间持水量、凋萎点引入额外的辅助数据集的不确定性。
为了避免使用辅助数据,Martinez-Fernandez et al。(2017)测试SWDI凋萎点之间的比例,从土壤样品和田间持水量通过pedotransfer函数和几种方法计算凋萎点和田间持水量数据本身。然而,SM数据的准确性是非常重要的在这个方法。当田间持水量、凋萎点是从SMOS SM估计数据,干燥的偏见SMOS导致drought-weeks的高估。当通过pedotransfer功能或参数估计原位数据,drought-weeks更准确地捕捉的数量(Martinez-Fernandez et al ., 2017;巴勃罗et al ., 2017)。巴勃罗et al。(2017)计算还表明,SWDI从SMOS BEC L4 SM v。3SM overestimated the number of drought-weeks when using原位和pedotransfer函数来获取土壤特性。这也是归功于干在SMOS SM的偏见。干燥的偏见在SMOS v。3、已经解决。减少偏见的影响,一些研究倡导应用偏差纠正之前计算干旱指标。对SMAP,研究发现,偏差纠正原位或建模数据卫星SM数据改善干旱监测技术(Mishra et al ., 2017;曹et al ., 2022)。这些结果说明卫星SM产品的准确性是至关重要的估计干旱持续时间和SM的扩展原位SM或SM模型数据之前建议干旱指数的计算。
基于植物水可用性方法的一个优点是,他们可能更直接关系到干旱对植物的影响。几项研究已经评估通过比较SWDI植被观测和归一化植被指数等指标,总初级生产力(GPP)和植被状态指数(VCI)。Chatterjee et al。(2022)演示了使用SMAP SWDI在美国大陆强大的信件从MODIS植被GPP派生。这项研究特别强调了改善干旱检测SMAP SWDI, SPI相比,SPEI和综合干旱指数(CDI),当与MODIS GPP评估。周et al。(2021)计算SWDI GLDAS-Noah和ESA CCI SM在中国,看着干旱发生的落后与VCI相比。VCI之间没有滞后和SWDI被发现在作物,但随着森林比SWDI VCI随后显示干旱肆虐。吴et al。(2022)使用高分辨率(3公里)基于SMAP SM和Sentinel-1 (SPL2)和中等分辨率(9公里)SMAP只有SM (SPL3)计算SWDI和这AWD相比,和异常的长期每月对归一化植被指数和GPP对中国。SWDI之间的空间和时间模式和AWD是相似的和SPL3高度的相关性被发现,没有滞后时间。只有在非常异构,小,分散农田被观察到的相关性较低。相关性与植被指标低于AWD和8天的滞后,与领先SWDI GPP,观察到的大部分土地覆盖类型。虽然高分辨率的产品显示出更多空间细节,与AWD相关性,归一化植被指数和GPP较低。
植被指标
在他们的综述遥感干旱,AghaKouchak et al。(2015)已经主张高空间分辨率的使用微波植被指标改善的理解干旱对生态系统的影响。微波遥感的优势可能使用一天,夜间观察和信号的穿透深度越高,从而允许更全面的看整个树冠的水分状况。这里,microwave-based数据可以补充VNIR数据是敏感的树冠和伍迪的部分植被,增加波长增加灵敏度,伍迪部分。微波遥感植被监测大多数研究都集中在粗空间分辨率微波数据。
粗分辨率数据从辐射计和散射仪主要用于监测干旱对森林的影响。研究已经证明了视频点播等潜在植被参数监测干旱对植物的影响,尤其是对森林(Konings et al ., 2021),比如亚马逊在2005年,2010年和2015年(萨奇et al ., 2013;刘et al ., 2018;Petchiappan et al ., 2022),对树死亡率(Rao et al ., 2019)。在农田和牧场只有很少的研究使用粗决议执行数据,大多是被动microwave-based视频点播(Buitink et al ., 2020;Afshar et al ., 2021;Likith et al ., 2022)或活动microwave-based斜率的后向散射入射角的关系(施罗德et al ., 2016;奖金et al ., 2017;Steele-Dunne et al ., 2019;Petchiappan et al ., 2022)。大多数研究调查卫星观测直接反向散射和亮度温度等,或使用视频点播。
异常的方法
几项研究使用Z -使用微波观测分数监测干旱。奖金et al。(2017)每月使用的视频点播源自Metop ASCAT获得Z -分数从异常长期意味着评估年际变化在澳大利亚期间年干旱。在草地和农田强有力的年际动态观察,较低的值标准化的视频点播和赖在澳大利亚东南部年干旱与湿润的拉尼娜年的2010年和2011年。在澳大利亚西部,2010年拉尼娜年的干旱年,由不规则地反映低VOD农田。类似于其他的研究,VOD落后赖1 - 2个月在农田和更多的木质生物质,在没有发现滞后稀疏植被和草原。Buitink et al。(2020)利用c波段的VOD VODCA和近红外反射率的陆地植被(NIRv)来评估2018年荷兰农业干旱的剖析。31天平滑窗口应用在2016年和2017年的数据,这些都是平均获得气候学。异常偏离气候学计算。强烈的负面异常在视频点播和NIRv被观察到,虽然排在他们前面的是高于平均水平值在今年夏天早些时候,表明早期发展由于良好的温度。一般来说,两个,三个星期的延迟降低SM和减少VOD NIRv之间观察到,分别。Afshar et al。(2021)评估潜在的SMOS L-VOD (SMOS-IC v2)相比,归一化植被指数监测农业旱情。这里干旱和死去时间标准化的视频点播和归一化植被指数基于SPI比较12个月。视频点播是平滑超过30天,每月计算使用标准化的异常Z -分数的方法。平均Z -大量的视频点播和归一化植被指数计算干旱时期,作为SPI值低于1和至少3个月时间。VOD显示干旱敏感性有显著差异Z -分数之间的干旱和死去的条件。干旱发生和终止视频点播后来比SPI。评估对SPI、VOD执行比归一化植被指数在潮湿的气候,这是归因于更频繁的云层阻碍可靠的归一化植被指数的观察。此外,视频点播是更敏感的捕捉干旱在茂密的植被,作为归一化植被指数被认为患有饱和。Likith et al。(2022)评估Z -分数的VOD SMOS (l波段,CATDS-PDC L3SM)和VODCA与归一化植被指数(C -和x波段),solar-induced叶绿素荧光(SIF)和降水数据超过印度。每月平均得到规范化的数据集Z -大量长期的异常的意思。强降水之间的相关性,SIF和视频点播Z -分数被发现在印度,SIF的响应和VOD降雨滞后1 - 2个月。测试L - C - x波段,最强的x波段之间的相关性被发现视频点播和降水在印度大部分地区。
Z -得分多传感器视频点播数据集的统计数据是出了名的影响传感器融合在一个特定的时间和地点,与时间的增强噪声可能导致更高的Z -分数,因此干旱程度的高估。要克服这一点,Moesinger et al。(2020)提出了标准化植被指数(SVODI)光学深度结合VOD从多个被动微波传感器和频率估计概率的方式。尤其是water-limited地区,SVODI模式相比颞VHI模式,VCI,温度条件指数(TCI)和土壤水分,但异常发生后,表明VOD异常可能代表干旱的一个更高级的阶段。
其他方法
Shorachi et al。(2022)使用Sentinel-1后向散射和交叉比率(CR)来评估2018年荷兰干旱对不同作物类型。他们发现后向散射的下降1 - 2分贝。虽然CR并没有显示出令人信服的负异常生长季节期间,它确实显示早期洋葱和玉米生长季节的结束。此外,负异常CR在2019年被发现,表明干旱下一个生长季节的影响。也指出,负异常强大的下行(早上)比提升立交桥立交桥。在他们的研究评估干旱监测组合SMAP的潜力和Sentinel-1 SPL2 SM产品,吴et al。(2021)表明Sentinel-1 VH后向散射的归一化植被指数的预测能力高于农田亮度温度。Abdel-Hamid et al。(2020)研究了2015/2016的干旱的影响在商业和公共草地南美使用Landsat-8 Sentinel-1和归一化植被指数回归分析。分析显示强烈的干旱VV和VH后向散射的影响,较低的值在干旱时期。此外,公共草地比商业更受干旱影响草原。Ghazaryan et al。(2020)演示了使用Sentinel-1后向散射和VH的比例/ VV后向散射,和基于VNIR植被指数对不同作物干旱监测在乌克兰。干旱持续时间和空间范围从Sentinel-1后向散射和VNIR数据校准阈值在接受者操作特征曲线的面积原位数据的干旱。相比VNIR-based指数Sentinel-1干旱指标显示干旱持续时间更长和干旱出现12 - 24天前。空间模式在干旱影响VNIR和Sentinel-1指标之间的通信。此外,在干旱时期,观察高可变性的后向散射玉米作物。对麦田,后向散射是更高的干旱时期,被解释为在干旱期间减少衰减。
Steele-Dunne et al。(2017)提供了一个全面的概述的使用雷达遥感农业的树冠。这里使用雷达遥感监测昼夜差异进行了探讨,为后向散射的昼夜差异有关树冠含水量减少白天由于失水。例如,施罗德et al。(2016)发现,昼夜差异ASCAT后向散射对美国最为明显,在遭受干旱的地区。Steele-Dunne et al。(2019)展示了潜在的干旱监测的斜率和曲率backscatter-incidence角关系Metop ASCAT在北美草原。数据聚合为期10天的价值观,认同和干旱年USDM比较长期的意思是在2007 - 2016。在2011年和2012年干旱强烈的负面异常斜率观察,表明一个干旱对植被的影响。Petchiappan et al。(2022)也表现的分析塞拉多地区干旱对植物的影响。2015年的干旱发生在雨季在塞拉多,大部分的农业地区显示高于平均斜率值。这是解释为高于平均水平的辐射,导致植被活动增加。
泽田师傅et al。(2020)赖和c波段VOD检索LPRM趋势相比,发现重大的负面趋势在降水和视频点播,但不是在1993 - 2009年期间的赖。这是解释为地上生物量减少旱灾期间,而绿色是由赖保持稳定。这些结果也被发现了凡戴克et al . (2013)当评估年干旱对小麦的影响。虽然减少并发的降水预计下降三个指标,这种下降趋势并没有观察到归一化植被指数。这是解释这一事实归一化植被指数显示了长期提高作物的水分利用效率。焦et al . (2020)从SSM / I检索视频点播,TRMM amsr - e c波段观测在澳大利亚和用这个作为郁闭度的指示器(CD)。绝对和相对的大小异常月度计算聚合CD相比基线定义为CD在同一季节一年当水平衡指示器显示没有干旱。灵敏度的CD干旱评估的分数下降到正常状态时水平衡是一个标准偏差低于长期均值(1970 - 2012)。干旱耕地和草地的严重影响,在负异常与地上生物量和下降部分吸收光合有效辐射(FPAR)和光合作用的植被(PVC)从先进的高分辨率辐射计(AVHRR)观察。这项研究还显示一个高灵敏度的干旱指标,尤其是在草地和农田。此外,CD往往滞后PVC和FPAR耕地和森林,而没有发现滞后为稀疏的植被类型。
综合干旱指标
结合多个卫星数据集的干旱监测方法大多是基于降水和温度数据的组合。然而,研究已经开始整合卫星SM是一个额外的指标。Enenkel et al。(2016)开发增强干旱指数(ECDI)相结合,总结干旱作为级联过程四个变量(降水、SM、地表温度和植被状况)。为每一个变量的异常长期平均计算比率,然后乘以长度之间的比例目前的赤字,赤字的长期平均水平的兴趣。ECDI分配个人权重降雨,SM和基于历史的地表温度相关性对植被的健康与归一化植被指数作为代理。
其他几个研究使用加权和的降水、温度和SM,和一些植被,得到权重约束优化和主成分分析(张和贾,2013年;郝et al ., 2015;Zhang et al ., 2016;Arun Kumar et al ., 2021;Niaz et al ., 2021)。由此产生的综合干旱指标一直对参考数据(SPI)或SPEI评估。郝et al。(2015)测试变量的不同组合,发现一个指标基于降水、温度和SM对应大多数月SPI。当包括植被信息通过与三个月SPI VCI指标相关的更多。Arun Kumar et al。(2021)还发现一个强大的时和3个月SPI通信包括VCI的综合干旱指标和最重要的变量干旱监测研究是基于植被和降水区域在印度而不是SM。
另一个常用的综合干旱指标是SM农业干旱指数(SMADI),基于标准化的地表温度和归一化植被指数关系的斜率乘以SM标准化的最高峰,所谓的SM条件指数[SMCI (桑切斯et al ., 2016)]。干旱是由高的斜坡的LST / NDVI,有关低植被和高温条件下,高价值的SM条件指数。滞后需要包括LST / NDVI之间的斜率和SM占植被的延迟反应。这种滞后进行各种研究,但通常设置为8或14天。干旱的SMADI质量监测评估在当地的一些研究,区域和全球范围内(桑切斯et al ., 2016,2018年;Mercedes-Salvia et al ., 2021;Souza et al ., 2021)。桑切斯et al。(2016)发现SMADI SWDI和CMI计算原位在伊比利亚半岛的观察。巴勃罗et al。(2017)相比SMADI和SWDI AWD和CMI。高时间之间的相关性被发现SMADI AWD。较低的协议被发现CMI, CMI显示连续零值在生长季节的开始和结束。SMADI略微低估了数量的drought-weeks AWD相比,但类似于干旱周从CMI获得的数量。在美国大陆SMADI USDM对应,尽管它低估了空间干旱程度和强度。同时,在全球范围内SMADI与紧急事件数据库(EM-DAT)干旱事件(桑切斯et al ., 2018)。Mercedes-Salvia et al。(2021)测试SMADI的附加值,标准化的SM异常,SPI, SPEI相比,农业干旱的国家干旱监测预警在阿根廷。结果表明,检测中表现最好SMADI干旱,84%的干旱被抓获,而53%的假阳性。标准化SM异常显示最低的假阳性干旱检测,而且还降低了真阳性检测干旱(47%)。类似于其他综合干旱指标,Souza et al。(2021)表明SMADI对应三个月最多SPI在巴西。
应用程序
Crocetti et al。(2020)评估潜在的各种EO-based水,vegetation-related干旱指标对一个广泛的数据库报告的尼尔盆地干旱的影响。他们发现microwave-based土壤湿度异常有非常相似的技能确定严重干旱SPEI和蒸发压力指数基于热图像。EO-based植被指标显示更多的混合反应严重的干旱,干旱对视频点播的影响发生在本赛季的SIF和归一化植被指数。
一些研究使用基于微波干旱指标观察作物产量预测和监控。Carrao et al。(2016)表明,地表土壤湿度指数实证(ESSMI) ESA CCI累积在作物生长季节与收益率从玉米、大豆和小麦在南美洲。同时,Padhee et al。(2017)证明了SM赤字从ESA CCI指标SM与拉比作物的产量损失Bundelhand地区和是一个更好的指标收益率比vci基于光学数据损失。Modanesi et al。(2020)SSI计算从ESA CCI和现代回顾性分析的研究和应用,版本2 (MERRA-2)和SPI降水观测来自印度气象部门在印度。结果表明,SM比降水更适合农业干旱监测、SSI基于ESA CCI卫星SM是能够解释作物产量减少比SSI基于MERRA-2 SM。
微波观测还用于干旱风险融资。Vroege et al。(2021)表明,ESA的使用CCI SM获得收益指数显著降低干旱风险敞口的农民。研究表明,卫星SM的表现原位根据SM旱灾指数保险的评估异常时在长时间尺度而不是短时间尺度,由于卫星观测的数据密度降低。
案例研究
下面的案例研究的目的是演示的复杂性与不同的卫星监测干旱降雨,SM和植被数据集。重点是主要的干旱事件2014年,塞内加尔和干旱的发展,包括发病,严重程度和持续时间从不同的数据集计算和比较。
研究区域与数据
气候在塞内加尔的特点是强烈的梯度。年平均气温为27.8°C,但温度变化从沿海到内陆。降水变化强烈的从北到南。在北方,每年降雨量400毫米以下,因此,这一地区不适合每年旱作农业。塞内加尔的中心区域每年收到400至800毫米的降雨量。两个不同的季节塞内加尔的气候特征:从大约10月到5月旱季和雨季从6月到9月。作物种植区在塞内加尔对应的主要区域,根据ESA CCI土地覆盖分类,分为农田,自然植被,灌木地,或草本封面,及其混合物(图1)。大多数种植作物在塞内加尔花生、谷子、玉米、高粱和大米,和大多数作物播种在6月和7月,除了米饭。播种的作物的具体时间取决于雨季的开始。在农业主要旱作、作物高度敏感的气候灾害,如干旱和粮食不安全是常见的。许多干旱影响塞内加尔多年来,由于气候变化、干旱将变得更加普遍。在过去的十年中,塞内加尔经历了2011年的干旱,2014和2019。
图1。主要在研究区土地覆盖(ESA CCI土地覆盖分类重新取样到0.1°)。
我们选择microwave-based表面SM,土壤水分指数(瑞士)和视频点播数据集的案例研究,以及热红外/雨从啾啾降水数据集从光学数据和归一化植被指数。瑞士是基于时域滤波方法与参数T作为土壤深度的指标除以扩散系数表明渗透时间。瑞士可供不同T -更高的值T -价值与深层土壤深处。数据集提供的概述及特点表3。几项研究(Cammalleri et al ., 2017;Myeni et al ., 2019)显示所选择的数据集的良好的性能在非洲特别是塞内加尔。重叠的时间范围是2007 - 2018。所有的数据集都重新取样0.1°网格和10天(“dekadal”)平均水平。异常在不同变量类似,我们计算dekadal异常时间序列由各dekad减去平均值,计算出所有12年的数据,从原始时间序列。这些异常值被转换成百分位数。我们应用以下分类:极端赤字<第十百分位< =适度赤字< 33th百分位(p33)< =正常或接近正常情况下< 66 < =适度盈余< 90 < =极端盈余。
表3。案例研究中使用的数据集对塞内加尔及其主要特点。
相互比较干旱的监测能力
2014年,后期和不规则的降雨在生长季节开始的7月和8月,以及不稳定的降雨导致收益率赤字很高,影响近一百万人。特别是国家的西北干旱事件重创了(赛季结束非洲风险能力报告,数据库em - dat虽然记录全球粮食和农业信息及预警系统)。图2显示了2014年的时空发展干旱。在正常年份,降雨在6月初开始,允许播种的庄稼和生长季节的开始。2014年6月,降雨赤字在塞内加尔的北部,后来在全国扩张,导致赤字ESA CCI被动和HSAF SM。干旱在瑞士发展稍晚,因为它需要时间干旱发展成较低的土壤深处。同时,植被数据集可以观察到干旱影响,最早出现在哪里,最强的归一化植被指数和ku波段视频点播。所有变量显示负异常的发展从最初主要是在塞内加尔的北部和东部,西部和北部,因此随着时间的推移影响所有主要作物种植地区。2014年7月和8月,极端降雨赤字加剧已经早期生长季节的关键条件,描述了极端干旱条件在所有降雨和SM产品7月第三dekad整个国家。最干旱的植被指标,观察第一dekad 2014年8月,在瑞士对应于强烈的干旱,干旱在塞内加尔西部的中心。只有到9月中旬,情况慢慢开始放松的降雨。尽管如此,在SM和瑞士和植被指标持续干旱,尤其是北方的极端干旱条件。 The Casamance region, located in the south west, typically receives more rainfall than the rest of the country, which was also the case in 2014 and is reflected by all variables: whereas large parts of the country experienced moderate to extreme negative anomalies during the growing season, rainfall, SM and vegetation conditions were at least temporarily above average in Casamance.
图2。2014年干旱的时空发展在塞内加尔由异常百分位数在所有的数据集。
图3显示的像素数量为总数的百分比在干旱(值低于标准定为p33农田,灌丛带和树/灌木马赛克ESA CCI土地覆盖类。这允许比较干旱的程度和发生在不同的变量。三大板,显示干旱像素啾啾描述的数据集,表明近100%的三大土地覆盖类经历了非常低的雨量在2014年6月中旬。在7月和8月,有一些轻微的复苏的时期,但只有9月放松,< 50%的像素在农田和灌木地出现干旱。主动和被动传感器的表面SM显示相对相似程度的干旱除了2014年8月,干旱的分数像素被被动数据集在所有三个土地覆盖类下降到50%以下。图2表明,在8月的头两dekads,积极中观察到的异常降水数据集,也存在大面积的被动表面SM但H SAF数据集在一个较小的程度上。神经根带SM动力学非常类似于H SAF表面SM,瑞士是基于相同的数据集,但流畅,表现出滞后约一个dekad表面SM。
图3。像素在干旱的持续时间2014年干旱降雨在塞内加尔,SM和植被。
最后,植被数据集的比较,即。,NDVI and VOD, shows that NDVI reacts faster to moisture deficits than VOD at the beginning of the growing season. Of the VOD datasets, VOD-Ku is closest to NDVI in terms of drought onset and extent, followed by VOD-X and VOD-C. VOD from Ku-band usually shows the highest number of drought pixels and VOD from C-band the lowest number. In all land cover types, VOD-C lags behind NDVI, VOD-Ku and VOD-X in the beginning of the growing season. This is what one would expect from theory, as longer wavelengths penetrate deeper into the canopy and are sensitive to the larger canopy constituents (Steele-Dunne et al ., 2012,2017年;Konings et al ., 2021)。归一化植被指数和ku波段敏感的树叶在树冠表面。波长较长的感觉,可能所有的植物,因此比表面较大的水储存独自离开。此外,在c波段,VOD可能敏感的茎/秸秆。在灌木地,视频点播数据显示8月减少干旱像素一样被动的导弹,表明这是由于系统的效应,尤其是低频很敏感。
在最后的步骤中,我们计算常见的干旱所有变量的统计数据,包括干旱发生(dekad生长季节的第一个值低于p33),干旱持续时间(dekads数量与价值低于生长季节p33)和干旱程度(所有异常值的平均百分比低于植物的生长季节p33)。我们定义了生长季节是6个月到10月。
图4显示了赤字首先发生在塞内加尔和后来发生的东北也在西方。此外,时间滞后几个dekads表面和神经根带SM之间,以及归一化植被指数和不同的视频点播频率之间,是显而易见的。干旱持续时间地图的植被变量再次强调微波传感器与不同波长之间的区别。之间的空间模式是最相似的归一化植被指数和视频点播数据集更短的波长。不过,也有明显的相似之处与VOD-C,塞内加尔西部最长的时间。还需要指出的是,基于Casamance啾啾降水相对较长,严重的干旱,而植被指标显示没有干旱的影响。毛里塔尼亚的塞内加尔的边境地区可见作为一个地区较少受到干旱的影响,很可能由于使用淡水灌溉的圭尔湖河和塞内加尔。
图4。统计2014年塞内加尔干旱发作,持续时间和严重程度被降雨,SM和植被数据集。
总之,好对应的案例研究显示所选择的数据集和他们检测干旱事件的能力,包括干旱发作,持续时间和严重程度。变量之间的差异突出各自的敏感性,为干旱评估变量组合的好处。使用降雨、表面和根区SM和植被数据,可以监测干旱的发展。注意,公共数据周期是12年(2007 - 2018),这是通常被认为是()短的健壮的推导与气候相关的参数和趋势。因此巨大的价值在于长期数据记录如ESA CCI SM或VODCA数据集,组合来自不同传感器的观测和跨时期从1978年到现在,1987 - 2018,分别。
目前的研究差距和挑战
大多数研究综述中讨论的附加值使用microwave-based SM或植被干旱监测的数据。主要优势是更可靠的数据可以在地区气象站的数据是可用的,这可能会影响某些降水数据集的技能和模型。这也使得在全球范围内为干旱监测使用均匀的数据集。植被监测、microwave-based观测提供额外的信息更深层的植被,包括木本植被的组件。这提供了机会来评估通过植物干旱的影响,而不是只有表面的树冠。
有几种微波遥感的物理局限性可能与干旱相关的监控,即地形、植被密度和结构,以及潜在的增强散射在非常干燥的土壤。
所有microwave-based产品的局限性难以获得可靠的相关检索在山区。在山区地形会影响微波信号(达文波特et al ., 2008;Mialon et al ., 2008;Naeimi et al ., 2009干旱监测),这导致了不确定性在几项研究(Mishra et al ., 2017;Paredes-Trejo和巴博萨,2017)。潜在的方法来减轻地形对SAR回波信号的影响是使用伽马°(小,2011;Navacchi et al ., 2022)。
茂密的植被干旱监测是一个限制因素是微波不能穿透浓密的植被和失去敏感性SM (Magagi克尔,1997年;瓦格纳et al ., 2013;Colliander et al ., 2017;民宿et al ., 2017)。大多数SM数据集是蒙面茂密的植被,阻碍在这些区域干旱监测。在高分辨率处理SAR数据,结构效应会影响信号。Shorachi et al。(2022)看着Sentinel-1后向散射和CR /轨道,但指出,当需要从Sentinel-1密集的时间序列时,入射角效应的后向散射Sentinel-1可以扮演一个角色。特别是当监测作物,建议这个是有问题的几何影响后向散射入射角度的不同而有着不同的价值。
此外,一些研究指出一个低质量的SM检索在干旱和半干旱地区,尤其是主动微波观测。Baik et al。(2019)发现从ASCAT SWDI偏离建模的SM /澳大利亚/干旱地区,建议粗糙度和地下的散射影响信号。Enenkel et al。(2018)指出地下散射的后向散射作为干旱监测的潜在的问题。而所有当前土壤表面后向散射模型预测后向散射偏振土壤湿度增加而增加,最近的实验研究(莫里森和瓦格纳,2020年;瓦格纳et al ., 2022)已经表明,在非常干燥的土壤条件下,当微波信号穿透深度高,一个意想不到的逆后向散射和SM发生之间的关系。而不是土壤作用的主要是表面散射体,更深的土壤层诱导体积散射,即。由于地下不连续、增强散射。特别是对于检测和监测干旱,地下散射问题需要考虑,还需要更多的研究来理解这个问题的程度和严重性干旱监测。挑战特别获得可靠的干旱指标数据集使用的数据的可用性。提到的局限性之一Ghazaryan et al。(2020)是Sentinel-1观测的密度是一个限制因素来估计干旱持续时间。Vroege et al。(2021)指出,较低的数据密度的卫星数据的准确性降低使用卫星SM干旱风险的保险。同时,Nicolai-Shaw et al。(2017)确定数据密度作为限制。解决这一问题的数据差距,刘et al . (2019,2022)模型成功应用SM填缝的ESA CCI数据集的数据。需要长时间序列时绕过土壤特性的基础上,通过计算干旱指标土壤属性数据集的质量来获取可靠的干旱指标是至关重要的。因此更多的研究需要填缝的效果和使用辅助数据的干旱监测。
干旱监测,重要的是意识到微波穿透几厘米的土壤和植被,这带来了一定的优势和局限性。SM这意味着没有信息容易获得在根区。一些研究指出卫星SM干旱指标和模型之间的差异原位SM指标,因为不同的遥感卫星的深度。Zhang et al。(2017)指出,来自amsr - e显示SMCI最高月SPI通信,而vegetation-based指标的归一化植被指数更类似于3个月SPI。Mishra et al。(2017)和Zhang et al。(2021)发现基于SM指数之间的延迟1周(ESA CCI和SMAP)和AWD, SPI和SPEI。Martinez-Fernandez et al。(2016)发现了一个1周的SWDI之间的滞后原位SM观察从根区(0-50厘米)相比AWD和CDI。然而,这种滞后与基于SMOS SWDI没有观察到表面SM,证明顶层反应速度比根区。根区SM可能是一个更合适的变量来分析农业干旱,因为它可以提供植物可用水资源的信息。土壤水分指数(瓦格纳et al ., 1999 a;Albergel et al ., 2008),用于这个研究提供了一个估计的根区SM,无法直接衡量卫星。困难与聚合数据或使用瑞士是没有共识的土壤深度一定聚合时期代表。例如,只有很少有研究试图联系瑞士T -值实际土壤的深度(Albergel et al ., 2008;Brocca et al ., 2010;Paulik et al ., 2014水()或植被访问Bouaziz et al ., 2020)。因此,在利用卫星的重大研究缺口SM干旱监测是获得可靠的SM代表根区。
它还需要考虑,SM赤字和植被之间的延迟响应可能存在。研究欧洲主要的干旱,范Hateren et al。(2021)证明出现干旱干旱之间的差异从ESA CCI SM和MODIS NDVI指标。这也是在几个研究集中在干旱监测与SM和植被微波数据(奖金et al ., 2017;焦et al ., 2020;吴et al ., 2021;Likith et al ., 2022),在塞内加尔的案例研究。综合干旱指标通常占的滞后响应包括植被的植被数据滞后(桑切斯et al ., 2016;Souza et al ., 2021)。此外,并非所有的降雨或SM异常导致植被异常。范Hateren et al。(2021)显示,负异常在SM并不总是导致NDVI负异常。这也证明了许多研究对最近的欧洲2018年干旱,干旱导致植被活动增加在能量有限的区域(巴斯托斯et al ., 2006)。同样,在我们的案例研究,塞内加尔,干旱条件下观察到在一个地区南部的塞内加尔的降雨和SM指标,这并不代表在植被指标。降水之间的观察到的差异,SM和植被数据集明确强调干旱发展的复杂性和监控。
结论和潜在的发展
在这项研究中,我们演示了使用微波遥感的SM和植被对农业干旱监测。研究表明利用卫星SM数据集的好处,尤其是由于其覆盖全球,站数据的同质性和独立性。然而,有物理限制使用微波SM特别是在干旱地区,高山和茂密的植被。此外,重要的是要考虑的其他因素比水的内容可能体现在干旱异常(例如,结构性影响SAR数据),以及他们如何处理。的一个挑战是健壮的异常的计算当短数据集或暂时不连续数据是可用的。此外,一些干旱指标的计算需要额外的辅助数据(例如,土壤参数),可以主导的质量技能的干旱指标。
使用视频点播或植被从微波观测指标监测干旱对植物的影响仍处于早期阶段。植被的复杂响应干旱和植被如何减轻干旱影响,特别是植物改变液压和水分利用效率,可以研究使用microwave-based植被数据结合VNIR数据。研究综述中讨论了微波数据的互补性VNIR方法,因为它可以提供植被水含量的信息,包括它的伍迪组件。尤其是高时空分辨率Sentinel-1数据的可用性,开发有潜力的新方法对农业干旱监测和评估干旱对植物的影响。植被对水赤字的反应是不同的不同的植被类型,在植物响应通过加快它们的物候学(逃跑),水分利用效率变化或脱落,减少(避免)或容忍干旱通过改变渗透或休眠(查维斯et al ., 2003)。然而,这些反应不直接监测植被数据集。因此,只有一个研究应当集中精力发展理解干旱的复杂性以及它如何因植被类型而异。
微波使我们感觉动力学在树冠内而不是观察其表面。此外,微波观测土壤和植被的相对敏感性不同的波长、偏振和技术。现在可用微波观测的多样性,在未来几十年,干旱的复杂性发展提供了一个独特的视角。塞内加尔的案例研究证明使用不同的乐队的潜力,因为它显示不同干旱发生和微波波段之间的程度。这表明不同的乐队可以用于不同的植被含水量和作物类型获取信息最重要的地区的植被。到目前为止,很少有研究解决植被的不同敏感性的乐队(Moesinger et al ., 2020;Prigent吉梅内斯,2021年),有必要了解干旱信号在不同波段不同不同的植被类型。的限制之一是缺乏原位数据如何植物中含水量变化以应对干旱。这是至关重要的理解土壤水分亏缺的机制传播在水中各种元素内容的树冠,从而影响发射和散射的树冠。在农作物水分的垂直分布是不均匀的,在不同季节,白天,为了应对水压力(Vermunt et al ., 2020,2022年)。使用多层水云模型建模最近的一项研究表明,后向散射可以由更深的树冠层取决于树冠内的水分含量及其分布。一方面,这突显出微波的价值意义深入树冠和应对水分胁迫反应的变化。另一方面,它强调了需要改善我们对微波与植被的相互作用的理解,这样我们就可以利用最优观测在不同频率来研究干旱植被响应。这是至关重要的考虑到即将推出的Sentinel-1 NG ROSE-L,,这个和多频CIMR使命。
建立基于降水指标和VNIR数据可用analysis-ready数据产品很多年了。因此,他们被广泛使用,在大量研究来评估自己的长处和弱点。用户熟悉的产品,再加上这强大的记录有助于他们吸收由非政府组织、政府机构和保险公司。干旱指标基于微波卫星数据不太“熟悉”的用户,以及他们的解释可能不太直观的新用户。促进吸收microwave-based干旱指标,责任在微波遥感社区提供质量受控,analysis-ready干旱指标,和展示的好处包括microwave-based干旱指标。能从中学习到许多的成功的传播和使用微波SM和microwave-based植被产品(Entekhabi et al ., 2010 b;梅克伦堡et al ., 2016;Brocca et al ., 2017;民宿et al ., 2017;Wigneron et al ., 2021)。此外,microwave-based指标最近被用于干旱风险保险。Vroege et al。(2021)例如,探索satellite-retrieved SM的潜力减少农民的干旱风险敞口。此外,Enenkel et al。(2018)认为微波SM可以关闭敏感知识差距大气水分供应和陆地表面的反应操作参数的上下文中保险项目。这凸显了需要查看microwave-based干旱指标不是从VNIR数据目的作为替代指标。相反,它强调了潜在的利用多传感器所提供的独特的视角microwave-based干旱指标来补充现有的干旱指标。
作者的贡献
MV, IG-P、WP和SC概念化和设计研究。WP组织数据库。IG-P、WP和MV进行分析。MV, IG-P写了初稿的手稿。SS-D WD, SC、RS WW,我写的手稿。所有作者导致修订手稿、阅读和批准提交的版本。
资金
MV通过ESA欧洲太空总署资助生活星球奖学金,分解:Sentinel-1高分辨率监测植被动力学(4000125441/18 /说)。MV, WP, SC,资助我,IG-P SMART-DRI WorldBank作业。WW和MV ROSSIHNI尽快通过FFG资助项目(885327)。SS-D是NWO / NSO密涅瓦知识网络的支持。RS和WD承认ESA CCI的支持计划。SC和WW承认EUMETSAT卫星应用的支持设施运营水文和水资源管理的支持。
确认
作者要感谢塞巴斯蒂安·哈恩准备H SAF土壤水分数据。
的利益冲突
作者RS是受雇于行星实验室。
其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
引用
Abdel-Hamid,。Dubovyk, O。Graw, V。,Greve, K. (2020). Assessing the impact of drought stress on grasslands using multi-temporal SAR data of Sentinel-1: a case study in Eastern Cape, South Africa.欧元。j . Rem, Sens。53岁的3-16。doi: 10.1080 / 22797254.2020.1762514
Afshar, m . H。,Al-Yaari, A., and Yilmaz, M. T. (2021). Comparative Evaluation of Microwave L-Band VOD and Optical NDVI for agriculture drought detection over central Europe.快速眼动,Sens。13日,1251年。doi: 10.3390 / rs13071251
AghaKouchak,。Farahmand,。梅尔顿,f·S。特谢拉,J。安德森,M。C., Wardlow, B. D., et al. (2015). Remote sensing of drought: Progress, challenges and opportunities.启“。53岁,452 - 480。rg000456 doi: 10.1002/2014
Albergel C。,Rüdiger, C., Pellarin, T., Calvet, J. C., Fritz, N., Froissard, F., et al. (2008). From near-surface to root-zone soil moisture using an exponential filter: an assessment of the method based on in-situ observations and model simulations.二聚水分子。地球系统。科学。讨论。12日,1323 - 1337。doi: 10.5194 /赫斯- 12 - 1323 - 2008
Andela, N。刘,Y。Y., van Dijk, A., de Jeu, R. A. M., and McVicar, T. R. (2013). 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.Biogeosciences。10日,6657年。doi: 10.5194 / bg - 10 - 6657 - 2013
Arun Kumar k . C。Reddy, g . p . O。Masilamani, P。Turkar, s Y。,Sandeep, P. (2021). Integrated drought monitoring index: A tool to monitor agricultural drought by using time-series datasets of space-based earth observation satellites.放置空间物。67年,298 - 315。doi: 10.1016 / j.asr.2020.10.003
Attema, e·p·W。,Ulaby, f . T。(1978). Vegetation modeled as a water cloud.无线电科学。13日,357 - 364。doi: 10.1029 / RS013i002p00357
巴姨,J。,Cui, Q., Chen, D., Yu, H., Mao, X., Meng, L., et al. (2018). Assessment of the SMAP-Derived Soil Water Deficit Index (SWDI-SMAP) as an Agricultural Drought Index in China.Rem Sens。。10日,1302年。doi: 10.3390 / rs10081302
Baik, J。,Zohaib, M., Kim, U., Aadil, M., and Choi, M. (2019). Agricultural drought assessment based on multiple soil moisture products.j .干旱的环境。167年,43-55。doi: 10.1016 / j.jaridenv.2019.04.007
巴斯托斯,一个。,Ciais, P., Friedlingstein, P., Sitch, S., Pongratz, J., Fan, L., et al. (2006). Direct and seasonal legacy effects of the 2018 heat wave and drought on European ecosystem productivity.科学。阿德。6,eaba2724。doi: 10.1126 / sciadv.aba2724
Blyverket, J。,Hamer, P. D., Schneider, P., Albergel, C., and Lahoz, W. A. (2019). Monitoring soil moisture drought over northern high latitudes from space.Rem Sens。。11日,1200年。doi: 10.3390 / rs11101200
Bouaziz l . j . E。,Steele-Dunne, s . C。Schellekens, J。Weerts, a . H。斯塔姆,J。,Sprokkereef, E., et al. (2020). Improved understanding of the link between catchment-scale vegetation accessible storage and satellite-derived soil water index.水Resour。Res。56岁的e2019WR.026365。wr026365 doi: 10.1029/2019
胸罩,t。,Seixas, J., Carvalhais, N., and Jägermeyr, J. (2021). Severity of drought and heatwave crop losses tripled over the last five decades in Europe.环境Res列托人。16日,065012年。1748 - 9326 . doi: 10.1088 / / abf004
Brocca, L。,Crow, W. T., Ciabatta, L., Massari, C., De Rosnay, P., Enenkel, M., et al. (2017). A Review of the Applications of ASCAT Soil Moisture Products.IEEE j .选择。上面。达成。地球Observ。Rem Sens。。10日,2285 - 2306。doi: 10.1109 / JSTARS.2017.2651140
Brocca, L。,Melone, F., Moramarco, T., Wagner, W., and Hasenauer, S. (2010). ASCAT soil wetness index validation through原位在意大利中部和建模的土壤水分数据。快速眼动,参议员包围。114年,2745 - 2755。doi: 10.1016 / j.rse.2010.06.009
Buitink, J。,Swank, A. M., van der Ploeg, M., Smith, N. E., Benninga, H. J. F., van der Bolt, F., et al. (2020). Anatomy of the 2018 agricultural drought in the Netherlands using原位土壤水分和卫星植被指数。二聚水分子。地球系统。Sci。24岁,6021 - 6031。doi: 10.5194 /赫斯- 24 - 6021 - 2020
Cammalleri C。沃格特,j . V。,Bisselink, B., and de Roo, A. (2017). Comparing soil moisture anomalies from multiple independent sources over different regions across the globe.二聚水分子。地球系统。Sci。21日,6329 - 6343。doi: 10.5194 /赫斯- 21 - 6329 - 2017
曹,M。,Chen, M., Liu, J., and Liu, Y. (2022). Assessing the performance of satellite soil moisture on agricultural drought monitoring in the North China Plain.阿格利司。水管理。263年。doi: 10.1016 / j.agwat.2021.107450
Carrao, H。,Russo, S., Sepulcre-Canto, G., and Barbosa, P. (2016). An empirical standardized soil moisture index for agricultural drought assessment from remotely sensed data.j: Int。地球Observ。Geoinf。48岁,74 - 84。doi: 10.1016 / j.jag.2015.06.011
香槟,C。McNairn, H。,Berg, A. A. (2011). Monitoring agricultural soil moisture extremes in Canada using passive microwave remote sensing.快速眼动,参议员包围。115年,2434 - 2444。doi: 10.1016 / j.rse.2011.04.030
Chatterjee, S。德赛,a。R。、朱、J。,Townsend, P. A., and Huang, J. (2022). Soil moisture as an essential component for delineating and forecasting agricultural rather than meteorological drought.快速眼动,参议员包围。269年,112833年。doi: 10.1016 / j.rse.2021.112833
查维斯,M . M。,Maroco, J. P., and Pereira, J. S. (2003). Understanding plant responses to drought—from genes to the whole plant.功能。植物生物。239 - 264年。doi: 10.1071 / FP02076
Colliander,。,杰克逊,t·J。,Bindlish, R., Chan, S., Das, N., Kim, S. B., et al. (2017). Validation of SMAP surface soil moisture products with core validation sites.快速眼动,参议员包围。191年,215 - 231。doi: 10.1016 / j.rse.2017.01.021
Crocetti, L。Forkel, M。,Fischer, M., Jurecka, F., Grlj, A., Salentinig, A., et al. (2020). Earth Observation for agricultural drought monitoring in the Pannonian Basin (southeastern Europe): current state and future directions.Reg。环绕。张。20日,123年。doi: 10.1007 / s10113 - 020 - 01710 - w
达文波特,J。,Sandells, M. J., and Gurney, R. J. (2008). The effects of scene heterogeneity on soil moisture retrieval from passive microwave data.放置水Resour。31日,1494 - 1502。doi: 10.1016 / j.advwatres.2008.06.002
戏言,r . a . M。瓦格纳,W。,Holmes, T. R. H., Dolman, A. J., van de Giesen, N. C., Friesen, J., et al. (2008). Global soil moisture patterns observed by space borne microwave radiometers and scatterometers.Surv地球物理学。29日,399 - 420。doi: 10.1007 / s10712 - 008 - 9044 - 0
民宿,W。,瓦格纳,W。,Albergel C。,Albrecht, F., Balsamo, G., Brocca, L., et al. (2017). ESA CCI Soil Moisture for improved Earth system understanding: State-of-the art and future directions.快速眼动,参议员包围。203年,185 - 215。doi: 10.1016 / j.rse.2017.07.001
Enenkel, M。法拉,C。海,C。,White, A., Anderson, M., You, L., et al. (2018). What rainfall does not tell us—enhancing financial instruments with satellite-derived soil moisture and evaporative stress.快速眼动,Sens。10日,1819年。doi: 10.3390 / rs10111819
Enenkel, M。,Steiner, C., Mistelbauer, T., Dorigo, W., Wagner, W., See, L., et al. (2016). A combined satellite-derived drought indicator to support humanitarian aid organizations.快速眼动,Sens。8,340。doi: 10.3390 / rs8040340
Entekhabi D。,Njoku, E. G., O'Neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N., et al. (2010a). The soil moisture active passive (SMAP) mission.Proc。IEEE。98年,704 - 716。doi: 10.1109 / IGARSS.2011.6049669
Entekhabi D。,Reichle, R. H., Koster, R. D., and Crow, W. T. (2010b). Performance metrics for soil moisture retrievals and application requirements.j . Hydrometeorol。11日,832 - 840。jhm1223.1 doi: 10.1175/2010
Eswar, R。,Das, N. N., Poulsen, C., Behrangi, A., Swigart, J., Svoboda, M., et al. (2018). SMAP Soil Moisture Change as an Indicator of Drought Conditions.快速眼动,Sens。10日,788年。doi: 10.3390 / rs10050788
方,B。,Kansara, P., Dandridge, C., and Lakshmi, V. (2021). Drought monitoring using high spatial resolution soil moisture data over Australia in 2015–2019.j .二聚水分子。594年,125960年。doi: 10.1016 / j.jhydrol.2021.125960
福特t W。,Quiring, S. M. (2019). Comparison of contemporary原位、模型和卫星遥感土壤水分与专注于干旱监测。水Resour。Res。55岁,1565 - 1582。wr024039 doi: 10.1029/2018
恐慌,C。,Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., et al. (2015). The Clim. hazards infrared precipitation with stations—a new environmental record for monitoring extremes.科学。数据。2、150066。doi: 10.1038 / sdata.2015.66
Ghazaryan G。Dubovyk, O。Graw, V。,Kussul, N., and Schellberg, J. (2020). Local-scale agricultural drought monitoring with satellite-based multi-sensor time-series.GISci。Rem Sens。。57岁,704 - 718。doi: 10.1080 / 15481603.2020.1778332
格鲁伯,。,Scanlon, T., van der Schalie, R., Wagner, W., and Dorigo, W. (2019). Evolution of the ESA CCI Soil Moisture Clim. data records and their underlying merging methodology.地球系统。科学。数据。11日,717 - 739。doi: 10.5194 / essd - 11 - 717 - 2019
,C。,张,J。,Yao, F. (2015). Combination of multi-sensor remote sensing data for drought monitoring over Southwest China.j: Int。地球Observ。Geoinf。35岁,270 - 283。doi: 10.1016 / j.jag.2014.09.011
豪厄格-古尔伯格,O。雅各,D。,Taylor, M., Bindi, M., Brown, S., Camilloni, I., et al. (2018). “Impacts of 1.5 C global warming on natural and human systems,” in全球变暖的15°C:一个政府间气候变化专门委员会的特别报道。瑞士日内瓦:政府间气候变化专门委员会秘书处,175 - 311。
杰克逊,t·J。,Schmugge, T. J. (1991). Vegetation effects on the microwave emission of soils.快速眼动,参议员包围。36岁,203 - 212。0034 - 4257 . doi: 10.1016 / (91) 90057 - d
娇,T。,Williams, C. A., Rogan, J., De Kauwe, M. G., and Medlyn, B. E. (2020). Drought impacts on australian vegetation during the millennium drought measured with multisource spaceborne remote sensing.j .地球物理学。Biogeosci》。125年,e2019JG.005145。jg005145 doi: 10.1029/2019
娇,W。,Wang, L., and McCabe, M. F. (2021). Multi-sensor remote sensing for drought characterization: current status, opportunities and a roadmap for the future.快速眼动,参议员包围。256年,112313年。doi: 10.1016 / j.rse.2021.112313
克尔,y . H。,Waldteufel, P., Richaume, P., Wigneron, J. P., Ferrazzoli, P., Mahmoodi, A., et al. (2012). The SMOS soil moisture retrieval algorithm.IEEE成交方式代码表。Geosci。Rem Sens。。50岁,1384 - 1403。doi: 10.1109 / TGRS.2012.2184548
Khabbazan, S。Vermunt, P。,Steele-Dunne, S., Ratering Arntz, L., Marinetti, C., van der Valk, D., et al. (2019). Crop monitoring using Sentinel-1 data: a case study from The Netherlands.Rem Sens。。11日,1887年。doi: 10.3390 / rs11161887
Kolassa, J。,Reichle, R. H., Liu, Q., Alemohammad, S. H., Gentine, P., Aida, K., et al. (2018). Estimating surface soil moisture from SMAP observations using a Neural Network technique.快速眼动,参议员包围。204年,43-59。doi: 10.1016 / j.rse.2017.10.045
Konings, a·G。饶,K。,Steele-Dunne, s . C。(2019). Macro to micro: microwave remote sensing of plant water content for physiology and ecology.新植醇。223年,1166 - 1172。doi: 10.1111 / nph.15808
Konings, a·G。,萨奇,S。S., Frankenberg, C., Keller, M., Leshyk, V., Anderegg, W. R., et al. (2021). Detecting forest response to droughts with global observations of vegetation water content.全球变化生物学观点》。27日,6005 - 6024。doi: 10.1111 / gcb.15872
李,z L。,Leng, P., Zhou, C., Chen, K. S., Zhou, F. C., Shang, G. F., et al. (2021). Soil moisture retrieval from remote sensing measurements: current knowledge and directions for the future.Earth-Sci。牧师。218年,103673年。doi: 10.1016 / j.earscirev.2021.103673
Likith, M。,Harod, R., and Eswar, R. (2022). Exploring the use of satellite observations of soil moisture, solar-induced chlorophyll fluorescence and vegetation optical depth to monitor droughts across India.J地球系统科学。131年,94年。doi: 10.1007 / s12040 - 022 - 01848 - 7
刘,Y。,刘,Y。,Wang, W. (2019). Inter-comparison of satellite-retrieved and Global Land Data Assimilation System-simulated soil moisture datasets for global drought analysis.快速眼动,参议员包围。220年,队。doi: 10.1016 / j.rse.2018.10.026
刘,Y。,刘,Y。,Wang, W., Fan, X., and Cui, W. (2022). Soil moisture droughts in East Africa: Spatiotemporal patterns and Clim. drivers.j .二聚水分子。Reg。螺柱。40,101013年。doi: 10.1016 / j.ejrh.2022.101013
刘,Y Y。,de Jeu, R. A., McCabe, M. F., Evans, J. P., and van Dijk, A. I. (2011). Global long-term passive microwave satellite-based retrievals of vegetation optical depth.地球物理学。卷。gl048684 38 doi: 10.1029/2011
刘,Y Y。,凡戴克,a . i . j . M。产生,d·G。麦凯布,m F。埃文斯,j . P。,德戏言,R。A. M, et al. (2018). Enhanced canopy growth precedes senescence in 2005 and 2010 Amazonian droughts.快速眼动,参议员包围。211年,26-37。doi: 10.1016 / j.rse.2018.03.035
Magagi, r D。,克尔,y . H。(1997). Retrieval of soil moisture and vegetation characteristics by use of ERS-1 wind scatterometer over arid and semi-arid areas.j .二聚水分子。188年,361 - 384。doi: 10.1016 / s0022 - 1694 (96) 03166 - 6
Martinez-Fernandez, J。Gonzalez-Zamora,。桑切斯,N。,Gumuzzio, A., and Herrero-Jiménez, C. M. (2016). Satellite soil moisture for agricultural drought monitoring: assessment of the SMOS derived soil water deficit index.快速眼动,参议员包围。177年,277 - 286。doi: 10.1016 / j.rse.2016.02.064
Martinez-Fernandez, J。桑切斯,N。,González-Zamora, Á. (2017). “Agricultural drought monitoring using satellite soil moisture and other remote sensing data over the Iberian Peninsula,” in遥感水文气象灾害。佛罗里达州波卡拉顿的:CRC出版社。
了起来,C。,Modanesi, S。达里语,J。,格鲁伯,。,De Lannoy, G. J. M., Girotto, M., et al. (2021). A review of irrigation information retrievals from space and their utility for users.Rem Sens。。13。可以从:https://www.scopus.com/inward/record.uri?eid=2 s2.0 anddoi=10.3390%2frs13204112andpartnerid=40andmd5=5358861c43217539cd6c0cc2460c1cba——85110745042
梅克伦堡,S。Drusch, M。,Kaleschke, L., Rodriguez-Fernandez, N., Reul, N., Kerr, Y., et al. (2016). ESA's soil moisture and ocean salinity mission: from science to operational applications.快速眼动,参议员包围。180年,3-18。doi: 10.1016 / j.rse.2015.12.025
a·梅斯特,G。De戏言,r。,欠,M。(2005). Analytical derivation of the vegetation optical depth from the microwave polarization difference index.IEEE Geosci。快速眼动。参议员列托人。2,121 - 123。doi: 10.1109 / LGRS.2005.843983
Mercedes-Salvia, M . M。桑切斯,N。桩,M。,Ruscica, R. C., González-Zamora, Á., Roitberg, E., et al. (2021). The added-value of remotely-sensed soil moisture data for agricultural drought detection in Argentina.IEEE j .选择。上面。达成。地球Observ。Rem Sens。。14日,6487 - 6500。doi: 10.1109 / JSTARS.2021.3084849
Mialon,。,Coret, L., Kerr, Y. H., Secherre, F., and Wigneron, J. P. (2008). Flagging the Topographic Impact on the SMOS Signal.IEEE成交方式代码表。Geosci。Rem Sens。。46岁,689 - 694。doi: 10.1109 / TGRS.2007.914788
Mishra说,。Vu, T。,Veettil, A. V., and Entekhabi, D. (2017). Drought monitoring with soil moisture active passive (SMAP) measurements.j .二聚水分子。552年,620 - 632。doi: 10.1016 / j.jhydrol.2017.07.033
Modanesi, S。,了起来,C。,Camici, S., Brocca, L., and Amarnath, G. (2020). Do satellite surface soil moisture observations better retain information about crop-yield variability in drought conditions?水Resour。Res。56岁的e2019WR.025855。wr025855 doi: 10.1029/2019
Moesinger, L。,民宿,W。,德戏言,R。,van der Schalie, R., Scanlon, T., Teubner, I., et al. (2020). The global long-term microwave Vegetation Optical Depth Clim. Archive (VODCA).地球系统。科学。数据。12日,177 - 177。doi: 10.5194 / essd - 12 - 177 - 2020
莫里森,K。,瓦格纳,W。(2020). Explaining anomalies in SAR and scatterometer soil moisture retrievals from dry soils with subsurface scattering.IEEE成交方式代码表。Geosci。Rem Sens。。今年58岁,2190 - 2197。doi: 10.1109 / TGRS.2019.2954771
Myeni, L。,Moeletsi, M. E., and Clulow, A. D. (2019). Present status of soil moisture estimation over the African continent.j .二聚水分子。Reg。螺柱。21日,14 - 24。doi: 10.1016 / j.ejrh.2018.11.004
Naeimi, V。,Scipal, K., Bartalis, Z., Hasenauer, S., and Wagner, W. (2009). An improved soil moisture retrieval algorithm for ERS and METOP scatterometer observations.IEEE成交方式代码表。Geosci。Rem Sens。。47岁,1999 - 2013。doi: 10.1109 / TGRS.2008.2011617
Navacchi C。曹,S。,Bauer-Marschallinger, B., Snoeij, P., Small, D., Wagner, W., et al. (2022). Utilising Sentinel-1's orbital stability for efficient pre-processing of sigma nought backscatter.ISPRS j . Photogramm。Rem Sens。。192年,130 - 141。doi: 10.1016 / j.isprsjprs.2022.07.023
Niaz, m·A。,Faiz, M. A., and Yongxia, W. (2021). Development of an integrated weighted drought index and its application for agricultural drought monitoring.阿拉伯人。j . Geosci。14 . doi: 10.1007 / s12517 - 021 - 06879 w
Nicolai-Shaw, N。,Zscheischler, J。Hirschi, M。,Gudmundsson, L., and Seneviratne, S. I. A. (2017). drought event composite analysis using satellite remote-sensing based soil moisture.快速眼动,参议员包围。203年,216 - 225。doi: 10.1016 / j.rse.2017.06.014
奥尼尔,p E。Njoku, e . G。,杰克逊,t·J。陈,S。,Bindlish, R. (2015).SMAP算法理论基础文档:2级和3土壤水分(被动)数据产品。加利福尼亚州帕萨迪纳市,美国:喷气推进实验室,加州本月抛光工艺,喷气推进实验室d - 66480。
欠,M。,de Jeu, R., and Holmes, T. (2008). Multisensor historical climatology of satellite-derived global land surface moisture.j .地球物理学。研究地球冲浪。113年。jf000769 doi: 10.1029/2007
欠,M。,de Jeu, R., and Walker, J. A. (2001). methodology for surface soil moisture and vegetation optical depth retrieval using the microwave polarization difference index.IEEE成交方式代码表。Geosci。Rem Sens。。39岁,1643 - 1654。doi: 10.1109/36.942542
巴勃罗,M。,Martinez-Fernandez, J。桑切斯,N。,González-Zamora, Á. (2017). Temporal and spatial comparison of agricultural drought indices from moderate resolution satellite soil moisture data over Northwest Spain.Rem Sens。。9日,1168年。doi: 10.3390 / rs9111168
Padhee美国K。,Nikam, B. R., Dutta, S., and Aggarwal, S. P. (2017). Using satellite-based soil moisture to detect and monitor spatiotemporal traces of agricultural drought over Bundelkhand region of India.GISci。Rem Sens。。54岁,144 - 166。doi: 10.1080 / 15481603.2017.1286725
Paloscia, S。,Macelloni, G., and Pampaloni, P. (1998). “The relations between backscattering coefficient and biomass of narrow and wide leaf crops, in地球科学和遥感研讨会论文集,1998雪茄烟98 1998年IEEE国际,卷。1,100 - 102。
Paredes-Trejo F。,Barbosa, H. (2017). Evaluation of the SMOS-derived soil water deficit index as agricultural drought index in Northeast of Brazil.水。9日,377年。doi: 10.3390 / w9060377
Paredes-Trejo F。巴博萨,h·A。,Giovannettone, J., Lakshmi Kumar, T. V., Thakur, M. K., Buriti, C. O., et al. (2021). Drought assessment in the são francisco river basin using satellite-based and ground-based indices.Rem Sens。。13 . doi: 10.3390 / rs13193921
Paulik C。,民宿,W。,瓦格纳,W。,Kidd, R. (2014). Validation of the ASCAT soil water index using原位国际土壤湿度的数据网络。j: Int。地球Observ。Geoinf。1 - 8。doi: 10.1016 / j.jag.2014.01.007
Petchiappan,。,Steele-Dunne, s . C。的奖金,M。哈恩,S。,瓦格纳,W。,Oliveira, R., et al. (2022). The influence of vegetation water dynamics on the ASCAT backscatter–incidence angle relationship in the Amazon.二聚水分子。地球系统。Sci。26日,2997 - 3019。doi: 10.5194 /赫斯- 26 - 2997 - 2022
Petropoulos, g P。、爱尔兰、G。,Barrett, B. (2015). Surface soil moisture retrievals from remote sensing: Current status, products and future trends.理论物理。化学。地球上,部分A / B / C。83 - 84年,36-56。doi: 10.1016 / j.pce.2015.02.009
Prigent C。,Jimenez, C. (2021). An evaluation of the synergy of satellite passive microwave observations between 1.4 and 36 GHz, for vegetation characterization over the Tropics.快速眼动,参议员包围。257年,112346年。doi: 10.1016 / j.rse.2021.112346
饶,K。,Anderegg, W. R. L., Sala, A., Martínez-Vilalta, J., and Konings, A. G. (2019). Satellite-based vegetation optical depth as an indicator of drought-driven tree mortality.快速眼动,参议员包围。227年,125 - 136。doi: 10.1016 / j.rse.2019.03.026
萨奇,S。,Asefi-Najafabady, S., Malhi, Y., Aragão, L. E. O. C., Anderson, L. O., Myneni, R. B., et al. (2013). Persistent effects of a severe drought on Amazonian forest canopy.PNAS。110年,565 - 570。doi: 10.1073 / pnas.1204651110
距首都普里什蒂纳,S。,Wood, E. F., and Pan, M. (2018). Developing a drought-monitoring index for the contiguous US using SMAP.二聚水分子。地球系统。Sci。22日,6611 - 6626。doi: 10.5194 /赫斯- 22 - 6611 - 2018
桑切斯,N。,González-Zamora, Á., Martínez-Fernández, J., Piles, M., and Pablos, M. (2018). Integrated remote sensing approach to global agricultural drought monitoring.阿格利司。对。Meteorol。259年,141 - 153。doi: 10.1016 / j.agrformet.2018.04.022
桑切斯,N。,González-Zamora, Á., Piles, M., and Martínez-Fernández, J. A. (2016). New Soil Moisture Agricultural Drought Index (SMADI) Integrating MODIS and SMOS products: a case of study over the Iberian Peninsula.Rem Sens。。8,287。doi: 10.3390 / rs8040287
泽田师傅,Y。,Koike, T., Ikoma, E., and Kitsuregawa, M. (2020). Monitoring and predicting agricultural droughts for a water-limited subcontinental region by integrating a land surface model and microwave remote sensing.IEEE成交方式代码表。Geosci。Rem Sens。。58岁的14-33。doi: 10.1109 / TGRS.2019.2927342
Scaini,。,桑切斯,N。,Vicente-Serrano, S. M., and Martínez-Fernández, J. (2015). SMOS-derived soil moisture anomalies and drought indices: a comparative analysis using原位测量。二聚水分子。过程。29日,373 - 383。doi: 10.1002 / hyp.10150
施罗德,R。,McDonald, K. C., Azarderakhsh, M., and Zimmermann, R. (2016). ASCAT MetOp-A diurnal backscatter observations of recent vegetation drought patterns over the contiguous US: An assessment of spatial extent and relationship with precipitation and crop yield.快速眼动,参议员包围。177年,153 - 159。doi: 10.1016 / j.rse.2016.01.008
舒马赫,d . L。Keune, J。,van Heerwaarden, C. C., Vilà-Guerau de Arellano, J., Teuling, A. J., and Miralles, D. G. (2019). Amplification of mega-heatwaves through heat torrents fuelled by upwind drought.Nat。Geosci。12日,712 - 717。doi: 10.1038 / s41561 - 019 - 0431 - 6
Senf C。,Buras, A., Zang, C. S., Rammig, A., and Seidl, R. (2020). Excess forest mortality is consistently linked to drought across Europe.Nat。Commun。11日,6200年。doi: 10.1038 / s41467 - 020 - 19924 - 1
Shorachi, M。库马尔,V。,Steele-Dunne, s . C。(2022). Sentinel-1 SAR backscatter response to agricultural drought in the Netherlands.快速眼动,Sens。14日,2435年。doi: 10.3390 / rs14102435
小,d . (2011)。压扁gamma:辐射地形校正SAR图像。IEEE成交方式代码表。Geosci。Rem Sens。。49岁,3081 - 3093。doi: 10.1109 / TGRS.2011.2120616
Souza, a·g·S。里贝罗否决权,。,de Souza, L. L. (2021). Soil moisture-based index for agricultural drought assessment: SMADI application in Pernambuco State-Brazil.快速眼动,参议员包围。252年,112124年。doi: 10.1016 / j.rse.2020.112124
Steele-Dunne, s . C。,弗J。,van de Giesen, N. (2012). Using diurnal variation in backscatter to detect vegetation water stress.IEEE成交方式代码表。Geosci。Rem Sens。。50岁,2618 - 2629。doi: 10.1109 / TGRS.2012.2194156
Steele-Dunne, s . C。哈恩,S。,瓦格纳,W。,的奖金,M。(2019). Investigating vegetation water dynamics and drought using Metop ASCAT over the North American Grasslands.雷莫。参议员包围。224年,219 - 235。doi: 10.1016 / j.rse.2019.01.004
Steele-Dunne, s . C。McNairn, H。,Monsivais-Huertero, A., Judge, J., Liu, P. W., Papathanassiou, K., et al. (2017). Radar remote sensing of agricultural canopies: A review.IEEE j .选择。上面。达成。地球Observ。Rem Sens。。10日,2249 - 2273。doi: 10.1109 / JSTARS.2016.2639043
田,F。,Brandt, M., Liu, Y. Y., Verger, A., Tagesson, T., Diouf, A. A., et al. (2016). Remote sensing of vegetation dynamics in drylands: Evaluating vegetation optical depth (VOD) using AVHRR NDVI and原位绿色在西非荒漠草原生物量数据。快速眼动。参议员包围。177年,265 - 276。doi: 10.1016 / j.rse.2016.02.056
Toan, t . L。,Beaudoin, A., Riom, J., and Guyon, D. (1992). Relating forest biomass to SAR data.IEEE成交方式代码表。Geosci。Rem Sens。。403 - 411年。doi: 10.1109/36.134089
Trenberth, k . e . (2014)。挑战观察全球水循环和建模。:遥感的陆地水循环。纽约,纽约州:约翰•威利父子公司511 - 9。ch32 doi: 10.1002/9781118872086.
Ulaby, f . T。,El-Rayes, M. (1986). Microwave dielectric spectrum of vegetation material. In: International geoscience and remote sensing symposium, 1103–6. Available from:http://cat.inist.fr/?aModele=afficheNandcpsidt=8332178(2016年9月14日通过)。
Ulaby, f . T。,Moore, R. K., and Fung, A. K. (1982). Microwave Remote Sensing Active and Passive-Volume II: Radar Remote Sensing and Surface Scattering and Enission Theory. Available from:http://infoscience.epfl.ch/record/51982(2016年9月15日通过)。
Ulaby, f . T。,Moore, R. K., and Fung, A. K. (1986). Microwave Remote Sensing Active and Passive-Volume III: From Theory to Applications. Available from:http://infoscience.epfl.ch/record/51983(2016年9月15日通过)。
城市,M。,Berger, C., Mudau, T. E., Heckel, K., Truckenbrodt, J., Onyango Odipo, V., et al. (2018). Surface moisture and vegetation cover analysis for drought monitoring in the Southern Kruger National Park Using Sentinel-1, Sentinel-2, and Landsat-8.快速眼动,Sens。10日,1482年。doi: 10.3390 / rs10091482
Van der Schalie, R。de戏言,r。克尔,y . H。,Wigneron, j . P。,Rodríguez-Fernández, N. J., Al-Yaari, A., et al. (2017). The merging of radiative transfer based surface soil moisture data from SMOS and AMSR-E.快速眼动,参议员包围。189年,180 - 193。doi: 10.1016 / j.rse.2016.11.026
凡戴克,a . i . j . M。贝克,h。E。,Crosbie, R. S., de Jeu, R. A. M., Liu, Y. Y., Podger, G. M., et al. (2013). The Millennium Drought in southeast Australia (2001–2009): Natural and human causes and implications for water resources, ecosystems, economy, and society.水Resour Res。49岁,1040 - 1057。doi: 10.1002 / wrcr.20123
范Hateren, t . C。Chini, M。,Matgen, P., and Teuling, A. J. (2021). Ambiguous agricultural drought: Characterising soil moisture and vegetation droughts in europe from earth observation.Rem Sens。。13日,1990年。doi: 10.3390 / rs13101990
Velpuri: M。、Senay g B。,Morisette, J. T. (2016). Evaluating new SMAP soil moisture for drought monitoring in the rangelands of the US high plains.牧场。38岁,183 - 190。doi: 10.1016 / j.rala.2016.06.002
Verhoest: e . C。列文,H。瓦格纳,W。,Álvarez-Mozos, J., Moran, M. S., Mattia, F., et al. (2008). On the soil roughness parameterization problem in soil moisture retrieval of bare surfaces from synthetic aperture radar.传感器。8,4213 - 4248。doi: 10.3390 / s8074213
Vermunt, p . C。,Khabbazan, S。,Steele-Dunne, s . C。、法官、J。,Monsivais-Huertero, A., Guerriero, L., et al. (2020). Response of subdaily L-Band backscatter to internal and surface canopy water dynamics.IEEE成交方式代码表。Geosci。Rem Sens。。59岁,7322 - 7337。
Vermunt, p . C。,Steele-Dunne, s . C。、Khabbazan年代。、法官、J。,van de Giesen, N. C. (2022). Extrapolating continuous vegetation water content to understand sub-daily backscatter variations.二聚水分子。地球系统。Sci。26日,1223 - 1241。doi: 10.5194 /赫斯- 26 - 1223 - 2022
的奖金,M。哈恩,S。,Melzer, T., Bauer-Marschallinger, B., Reimer, C., Dorigo, W. A., et al. (2017). Assessing vegetation dynamics over mainland Australia with metop ASCAT.IEEE j .选择。上面。达成。地球Observ。Rem Sens。。10日,2240 - 2248。doi: 10.1109 / JSTARS.2016.2618838
Vroege, W。,Bucheli, J., Dalhaus, T., Hirschi, M., and Finger, R. (2021). Insuring crops from space: the potential of satellite-retrieved soil moisture to reduce farmers' drought risk exposure.欧元。启阿格利司。经济学。48岁,266 - 314。doi: 10.1093 / erae / jbab010
瓦格纳,W。哈恩,S。基德,R。,Melzer, T., Bartalis, Z., Hasenauer, S., et al. (2013). The ASCAT soil moisture product: a review of its specifications, validation results, and emerging applications.Meteorologische Zeitschrift。22日,5-33。0941 - 2948/2013/0399 doi: 10.1127 /
瓦格纳,W。,Lemoine, G., Borgeaud, M., and Rott, H. (1999b). A study of vegetation cover effects on ERS scatterometer data.IEEE成交方式代码表。Geosci。Rem Sens。。37岁,938 - 948。doi: 10.1109/36.752212
瓦格纳,W。,Lemoine, G., and Rott, H. A. (1999a). Method for estimating soil moisture from ERS scatterometer and soil data.快速眼动,参议员包围。70年,191 - 207。doi: 10.1016 / s0034 - 4257 (99) 00036 - x
瓦格纳,W。,Lindorfer, R., Melzer, T., Hahn, S., Bauer-Marschallinger, B., Morrison, K., et al. (2022). Widespread occurrence of anomalous C-band backscatter signals in arid environments caused by subsurface scattering.快速眼动,参议员包围。276年,113025年。doi: 10.1016 / j.rse.2022.113025
西方,H。,Quinn, N., and Horswell, M. (2019). Remote sensing for drought monitoring and impact assessment: Progress, past challenges and future opportunities.快速眼动。参议员包围。232年,111291年。doi: 10.1016 / j.rse.2019.111291
Wigneron, j . P。李,X。,Frappart, F., Fan, L., Al-Yaari, A., De Lannoy, G., et al. (2021). SMOS-IC data record of soil moisture and L-VOD: Historical development, applications and perspectives.快速眼动,参议员包围。254年,112238年。doi: 10.1016 / j.rse.2020.112238
吴,D。,Li, Z., Zhu, Y., Li, X., Wu, Y., Fang, S., et al. (2021). A new agricultural drought index for monitoring the water stress of winter wheat.阿格利司。水管理。2021年,244年。doi: 10.1016 / j.agwat.2020.106599
吴,Z。,Qiu, J., Crow, W. T., Wang, D., Wang, Z., Zhang, X., et al. (2022). Investigating the efficacy of the SMAP downscaled soil moisture product for drought monitoring based on information theory.IEEE j .选择。上面。达成。地球Observ。Rem Sens。。15日,1604 - 1616。doi: 10.1109 / JSTARS.2021.3136565
徐,Y。,Wang, L., Ross, K. W., Liu, C., and Berry, K. (2018). Standardized soil moisture index for drought monitoring based on soil moisture active passive observations and 36 years of north american land data assimilation system data: a case study in the Southeast United States.Rem Sens。。10日,301年。doi: 10.3390 / rs10020301
张。,Jia, G. (2013). Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data.快速眼动,参议员包围。于134年,12日至23日。doi: 10.1016 / j.rse.2013.02.023
张,G。苏,X。,Ayantobo, O. O., and Feng, K. (2021). Drought monitoring and evaluation using ESA CCI and GLDAS-Noah soil moisture datasets across China.定理:Climatol。144年,1407 - 1418。doi: 10.1007 / s00704 - 021 - 03609 - w
张,J。μ,Q。,Huang, J. (2016). Assessing the remotely sensed drought severity index for agricultural drought monitoring and impact analysis in North China.生态。表明。63年,296 - 309。doi: 10.1016 / j.ecolind.2015.11.062
张,L。,娇,W。,Zhang, H., Huang, C., and Tong, Q. (2017). Studying drought phenomena in the Continental United States in 2011 and 2012 using various drought indices.快速眼动,参议员包围。190年,96 - 106。doi: 10.1016 / j.rse.2016.12.010
周,K。李,J。,Zhang, T., and Kang, A. (2021). The use of combined soil moisture data to characterize agricultural drought conditions and the relationship among different drought types in China.阿格利司。水管理。243年,106479年。doi: 10.1016 / j.agwat.2020.106479
朱,Q。,Luo, Y., Xu, Y. P., Tian, Y., and Yang, T. (2019). Satellite soil moisture for agricultural drought monitoring: assessment of SMAP-derived soil water deficit index in Xiang River Basin, China.快速眼动,Sens。11日,362年。doi: 10.3390 / rs11030362
关键词:干旱、微波遥感、农业、土壤水分、植被
引用:奖金,Greimeister-Pfeil我Preimesberger W Camici年代,民宿W, Enenkel M, van der Schalie R, Steele-Dunne年代和瓦格纳W(2022)微波遥感农业干旱监测:最近的进展和挑战。前面。水4:1045451。doi: 10.3389 / frwa.2022.1045451
收到:2022年9月15日;接受:2022年11月10日;
发表:2022年11月30日。
编辑:
Harrie-Jan亨德瑞Franssen德国亥姆霍兹联合会研究中心(HZ),德国版权©2022的奖金,Greimeister-Pfeil Preimesberger Camici,民宿,Enenkel, van der Schalie, Steele-Dunne和瓦格纳。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:Mariette奖金,mariette.vreugdenhil@geo.tuwien.ac.at
__这些作者对这项工作同样做出了贡献,分享第一作者