《International Journal of Remote Sensing》：Agricultural drought monitoring with Sentinel-1 cross?ratio in heterogeneous tropical agriculture: a Mozambique case study
编辑推荐：
摘要：农业干旱监测对于以雨养农业为主的热带地区的粮食安全至关重要。业务化早期预警系统主要依赖光学植被指数，但云覆盖在关键生长季限制了其可用性。合成孔径雷达（SAR）卫星可穿透云层进行观测，但其在农业干旱监测中的应用仍十分有限。本研究评估了Sentinel-1交
摘要：农业干旱监测对于以雨养农业为主的热带地区的粮食安全至关重要。业务化早期预警系统主要依赖光学植被指数，但云覆盖在关键生长季限制了其可用性。合成孔径雷达（SAR）卫星可穿透云层进行观测，但其在农业干旱监测中的应用仍十分有限。本研究评估了Sentinel-1交叉极化比（CR，一种对作物含水量和冠层结构敏感的SAR植被指标）在莫桑比克中部和南部六个县的干旱监测中的应用。利用2019—2024年的数据，研究人员追踪了干旱从降水（CHIRPS）经土壤湿度（ASCAT）到植被响应（CR和NDVI）的传播过程。结果表明，在去除季节循环后，农田上CR与NDVI呈正相关。在大多数土地覆盖类型中，植被响应与土壤湿度的相关性高于与降水的相关性，但灌丛表现出更强的降水依赖性，表明存在土地覆盖特异性的响应路径。在农田上，去季节化后CR–土壤湿度关系增强，而NDVI–土壤湿度关系变为不显著，表明CR携带了超越季节性绿度信号的作物水分状态信息。干旱主要通过土壤湿度而非直接通过降水传播至植被，NDVI约在1个月内响应，而CR响应较慢，约需3个月。CR捕捉到了2019/2020年厄尔尼诺干旱及随后的恢复过程，覆盖所有县，但Chókwè的恢复更为缓慢。然而，CR的解释依赖于土地覆盖组成：以农田为主的区域呈现清晰的季节性模式，可实现基于异常的干旱检测；而典型的雨养农业系统中农田–森林/灌丛异质性镶嵌体则需要在高分辨率下进行土地覆盖分层分析，以分离农田特异性响应。这些发现表明，基于SAR的植被监测可补充光学方法，用于云多发热带地区的干旱早期预警。
论文解读：基于Sentinel-1交叉极化比（CR）的莫桑比克异质性热带农业区农业干旱监测研究
一、研究背景与问题提出
干旱是一种以长期水分亏缺为特征的自然灾害，通常始于气象干旱（降水低于平均且高温），随后发展为农业干旱（土壤湿度不足以支撑植被生长），若土壤湿度达到萎蔫点，植物将失去从土壤中提取水分的能力并遭受生理胁迫甚至死亡。持续干旱还会导致径流和水库水位下降，进而引发水文干旱，最终演变为社会经济干旱。这一级联式干旱过程对依赖降水的农业区具有深远影响。
莫桑比克每四至五年发生一次严重干旱，直接影响民生，加剧贫困和粮食不安全。该国79%的劳动力从事农业，96%的耕地由依赖降雨的小农户耕作，这使得莫桑比克对干旱尤为敏感。2015—2016年厄尔尼诺干旱影响了150万人，2019—2020年干旱导致南部地区产量低于平均水平的75%。
当前业务化早期预警系统主要依赖光学植被指数，但光学传感器需要太阳光照和晴朗大气条件，云覆盖尤其会严重影响观测甚至使影像无法使用。在南部非洲农业区，生长季恰逢云覆盖高峰期，Sentinel-2在2015年11月至2017年10月期间仅获取了21景无云观测。这一数据缺口在1月至3月最为严重，恰逢生长旺季；到4月云层消散时，作物损害往往已不可逆转。此外，NDVI作为绿度指标，主要响应可见的冠层退化，而非通过水循环逐步传播的水分胁迫过程。因此，仅基于NDVI的预警系统可能在作物损失已不可逆转之后才能检测到干旱影响。
合成孔径雷达（SAR）利用微波波长穿透云层和大气干扰，解决了上述局限。Sentinel-1星座获取双极化（VV和VH）数据，可在整个生长季提供连续观测。交叉极化比（CR = VH/VV）利用这一敏感性，减少土壤湿度影响并强调植被特异性变化。然而，CR仅在荷兰作为农业干旱指标被评估过，其热带环境下的行为特征仍不清楚——在热带地区，农田分散于茂密自然植被之中，像元级CR整合了多种土地覆盖类型的后向散射，可能掩盖农田特异性干旱响应。
本研究针对这些空白，调查2019—2024年莫桑比克中部和南部六个县（Buzi、Chókwè、Govuro、Mabote、Massinga和Muanza）农田上CR和NDVI的干旱相关响应，提出三个研究问题：（1）CR是否与NDVI在热带土地覆盖类型间存在对应关系？（2）茂密植被掩膜是否改善农业区CR-NDVI对应关系？（3）CR是否追踪从降水亏缺经土壤湿度耗竭到植被胁迫的干旱传播过程及其进展和恢复？研究发表于《International Journal of Remote Sensing》。
二、主要技术方法
研究人员采用多源遥感数据协同分析框架。Sentinel-1 CR数据来自分析就绪数据立方体，经轨道校正、热噪声去除、地形校正等预处理后，在dB域计算CR = σ?VH ? σ?VV，并转换至线性尺度；同时应用全球洪水监测（GFM）茂密植被层生成掩膜CR产品。NDVI采用MODIS Terra MOD13A1 16天合成产品。降水采用CHIRPS v2.0月数据，土壤湿度采用ASCAT表面土壤湿度气候数据记录（H129 v1），并计算标准化z-score。土地覆盖分类采用ESA CCI 2016年20m分辨率地图，灌溉信息来自FAO全球灌溉区地图（GMIA v5）。分析包括CR-NDVI逐像元相关、去季节化异常计算、有效样本量校正、滞后相关与置换检验、传播概率量化及Kruskal-Wallis检验等方法。
三、研究结果
3.1 CR-NDVI对应关系与茂密植被掩膜
未掩膜CR与NDVI的相关性分析显示，农田呈现最一致的正相关（中位数r = 0.49，79%像元为正），草地较弱（中位数r = 0.26），而树覆盖（中位数r = ?0.11）和灌丛（中位数r = ?0.09）呈弱或负相关。应用茂密植被掩膜后，所有土地覆盖类型的相关性均提升：农田中位数达0.60，91.6%像元为正相关；草地达0.51；树覆盖转为以正相关为主（中位数r = 0.44）；灌丛虽改善但仍较低（中位数r = 0.15）。去季节化后，农田异常相关性仍最强（中位数r = 0.26，48.4%显著像元），表明CR-NDVI关系在农田上超越季节循环持续存在。
3.2 干旱级联
在原始时间序列上，NDVI与土壤湿度在所有土地覆盖类型中均呈强相关（r = 0.47–0.73），农田r = 0.64；CR与土壤湿度相关性在农田上中等（r = 0.36），在草地和森林上更强（r = 0.66和0.67）。灌丛中CR与降水相关性（r = 0.66）高于与土壤湿度相关性（r = 0.58）。去季节化后，NDVI与土壤湿度和降水的相关性在几乎所有土地覆盖类型中降至不显著，而CR仍与两者显著相关。这一对比在农田上最为突出：CR–土壤湿度相关性在去季节化后增强至r = 0.62（p < 0.001），而NDVI–土壤湿度相关性变为不显著。
3.3 年际干旱与恢复信号
年际异常分析显示，降水与土壤湿度异常的空间模式总体一致。NDVI异常大体反映土壤湿度模式，CR异常与土壤湿度和NDVI均空间对应，且与NDVI的一致性更强。六个县农田CR异常均显示2019—2020年负异常，2020年最为严重，Buzi和Massinga受影响最大；2021年后逐步恢复，但Chókwè恢复更为缓慢。
3.4 干旱传播时间与概率
干旱传播沿完整级联可检测，但通过土壤湿度的传播远多于直接从降水到植被的传播。降水–土壤湿度传播覆盖34.5%像元，土壤湿度–NDVI为23.8%，土壤湿度–CR为23.1%，而直接降水–植被路径仅为13.6%（CR）和6.4%（NDVI）。传播滞后存在差异：降水–土壤湿度和土壤湿度–NDVI中位滞后均为1个月，土壤湿度–CR传播更慢且空间变异性更大（中位滞后3个月）。
3.5 不同种植系统的植被响应
不同种植系统（灌溉、混合、雨养）间的NDVI和CR季节振幅差异通过Kruskal-Wallis检验和Dunn事后检验进行评估，以区分不同农业系统对干旱的敏感性差异。
四、讨论与结论
CR在农田上携带超越季节性绿度信号的作物水分状态信息，其与土壤湿度的去季节化相关性增强而NDVI相应关系不显著，表明CR可提供光学指数之外的补充性干旱预警信息。干旱主要通过土壤湿度传播至植被而非直接由降水驱动，NDVI约1个月内响应而CR约3个月响应，这一时间差可能反映了两者探测机制的根本差异。CR成功捕捉了2019/2020年厄尔尼诺干旱及随后的恢复过程，但CR的解释依赖于土地覆盖组成：以农田为主的区域呈现清晰季节性模式，可实现基于异常的干旱检测；而异质性农田–森林/灌丛镶嵌体则需要高分辨率土地覆盖分层分析以分离农田特异性响应。这些发现表明，基于SAR的植被监测可补充光学方法，用于云多发热带地区的干旱早期预警，为南部和东部非洲的业务化农业干旱监测系统集成SAR指标提供了科学依据。
