GDAL 数据模型主要由以下几个部分构成：Dataset 即数据集、Coordinate System 即坐标系统、Affine Geo Transform 即仿射地理变换、Ground Control Points 即地面控制点、Metadata 即元数据、RasterBand 即波段信息以及 Color Table 即颜色表。其中，仿射变换和大地控制点可以用来描述栅格位置和地理参考系统之间的关系；元数据大小一般控制在 100KB 内，主要用于表达某些特定数据的辅助相关信息。通常遥感影像数据主要包含影像波段信息及其属性信息，此外还有地理参考和坐标系统的定义[6]。

GDAL 是一个非常专业的开源类库，提供标准的开发接口供二次开发，可以对多重格式类型栅格数据进行读取、写入、转换和处理等操作，由于其提供公开的源代码，所以为业内人士底层功能扩展和二次开发提供了一个非常优质的开发平台。GDAL 目前支持近百种栅格格式，例如 BMP、JPEG、HFA、GeoTIFF 等；以及近十余种矢量格式，例如DXF、GML、ESRI Shapefile 等。GDAL 是基于 C/C++ 平台的开源库，具备非常好的可扩展性和可移植性。同时支持 JAVA、PERL、Python 以及。NET 等语言环境，并且易于扩展，只需添加几个子类就可以实现支持新的数据格式。

利用GDAL进行遥感图像处理的研究已有不少。刘昌明、陈荦二人基于GDAL库实现了能够随时、动态，并可与应用程序紧密集成的转换工具，完成了多源空间数据访问功能，改善了应用系统的动态集成性能，并通过应用验证了所提出方法的有效性[7]。武汉大学的杨学博介绍了GDAL库的功能和特点，以及在开发遥感图像处理软件中的帮助和优势，以VC6。0为基础进行编程，链接GDAL库来实现对不同格式 (img，bmp 等) 遥感图像的处理[8]。中国科学院遥感应用研究所的郜风国等人发表了基于GDAL框架的多源遥感数据的解析，通过对GDAL原有功能进行完善和扩展，并重新编辑发布动态链接库(DLL）版本，设计了多源遥感数据在GDAL框架体系下的统一解析模式，实现了遥感数据解析结果存储为项目中通用的统一数据格式（Tiff格式）为后续的遥感数据处理和定量遥感数据产品的生产提供数据基础和技术支持[9]。中国测绘研究院的刘亚东等人利用GDAL进行了影像拼接，通过对该功能的实现，提供了用 GDAL 进行系统开发的简单范例，展示了GDAL强大的功能和方便开发的步骤[10]。中国科学院对地观测与数字地球科学中心的赵岩等人针对遥感图像空间尺寸较大、浏览时占用系统资源过多，为实现任意次撤销重做，解决软件支持文件格式较少、数据类型单一等问题，提出一种选择性建立与多线程更新高速缓存的机制。在当今社会，科研人员们采用结构体数组与栈对象相结合的方法，以GDAL数据库为基础，将路径层技术应用于图像显示的过程中，从而完成软件系统的研发。测试结果表明，该系统表现出较好的稳定性和鲁棒性，尤其是对空间尺寸较大的文件进行 RGB 模式显示时，缩放与漫游功能操作灵活、响应时间短，能满足工程要求与实际需要[11]。

本文拟开发一种在C#平台上基于GDAL库的遥感干旱监测系统，对MODIS遥感影像数据进行辐射校正、大气校正、几何纠正和感兴趣区域裁剪等预处理，并计算干旱指数，实现干旱遥感监测。

2 原理与方法文献综述

2。1 干旱卫星遥感监测原理

干旱直接影响到作物生物量的积累、叶面积指数及覆盖度的增长,因此可根据植物的光谱反射特性进行波段组合,求得各种植被指数,由此实现对旱情的监测[12]。植被指数是利用植物在可见光、近红外波段的反射光与土壤背景之间的差异来反映植物的生长状况。植被指数目前主要有NDVI（归一化植被指数），SAVI（土壤调节植被指数），RVI（比值植被指数），GVI（绿度植被指数），PVI（垂直植被指数）等等。在这其中，被业界广泛接受与应用的主要有NDVI、RVI。其中对不同视角和大气条件最不敏感的NDVI应用最为广泛。利用极轨气象卫星第一、第二两个通道的反射光谱数据可以定义出归一化植被指数。当植被遭受干旱灾害时，土壤对植被的水分供应不足，植被长势将受到影响，卫星遥感监测的植被指数将降低，同时植被的冠层温度也因没有足够的水分供蒸发而升高[13]。因此，采用植被指数模式可以有效地监测有植被覆盖区域受干旱危害的程度。