基于SVDI的吉林省中西部干旱识别及干旱危险性分析

李丹君, 张继权, 郭恩亮, 王 蕊

(东北师范大学 环境学院 东北师范大学自然灾害研究所, 吉林 长春130024)

基于SVDI的吉林省中西部干旱识别及干旱危险性分析

李丹君, 张继权, 郭恩亮, 王 蕊

(东北师范大学环境学院东北师范大学自然灾害研究所,吉林长春130024)

[目的] 在农作物生育期期间对吉林省中西部地区进行干旱的识别和量化，进行干旱危险性分析，为该地区农作物防旱减灾工作的展开提供参考。 [方法] 利用2005—2014年5—8月旬气象站数据和MODIS的NDVI 10 d合成产品，采用空间植被干旱指数(SVDI)研究典型年吉林省中西部干旱时空分布特征，并结合农业干旱减产及粮食产量分析其适用性，进一步利用逐旬SVDI概率密度分布计算旬时间尺度的干旱危险性及月时间尺度的干旱危险性分布。 [结果] (1) 与VCI指数相比，在作物生长前期和后期农业干旱减产和产量波动与SVDI呈现出更高的相关系数； (2) 2005—2014年吉林省中西部重旱面积波动较为明显，重旱区域呈现出向中部和西南部地区转移的趋势； (3) 吉林省中西部地区内5月上旬、下旬，6和8月下旬干旱发生概率较高；8月上旬和6月下旬干旱危险性较大；通榆县5—8月间干旱危险性较高。 [结论] 利用SVDI指数进行干旱的识别和量化是可行的，且在吉林省中西部作物生育期不同阶段干旱有明显的区域性。

SVDI; 干旱; 危险性; 时空分布特征

文献参数： 李丹君, 张继权, 郭恩亮, 等.基于SVDI的吉林省中西部干旱识别及干旱危险性分析[J].水土保持通报，2017,37(4)：321-326.DOI:10.13961/j.cnki.stbctb.2017.04.054； Li Danjun, Zhang Jiquan, Guo Enliang, et al. Identification of drought and drought hazard assessment in Midwest of Jilin Province based on SVDI[J]. Bulletin of Soil and Water Conservation, 2017,37(4)：321-326.DOI:10.13961/j.cnki.stbctb.2017.04.054

干旱灾害，由于其频发、持续时间长、危害范围大且后果严重等特点，被认为是世界上最为严重的自然灾害之一[1]。加之干旱灾害成因复杂，影响因素较多，其发生将进一步引发受旱地区社会经济的危机。在全球性气候变化的背景下，自然灾害发生的概率增大，气候变暖引发的气温升高、降水减少，将会进一步增大干旱灾害发生的可能性，并且加剧干旱引发的后果[2]。中国作为农业大国，粮食生产影响着国家发展，是富国强民的基础。因此，及时、准确地获取农业干旱信息有利于防灾减灾工作的展开及中国粮食种植业的发展[3]。目前国内外对于干旱的研究，主要从两方面展开：一方面利用气象站点的气象数据计算诸如SPI和Palmer指数来识别干旱[4-5]，进一步展布到空间范围表征其空间分布情况；另一方面则是利用遥感影像获取NDVI，计算类似VCI，TCI指数来表征由水分胁迫导致的植被受旱情况[6]。但是，过于单一的研究对象使得指数表征结果和现实情况差异较大。近些年来“3S”技术不断发展，干旱指数的研究也不断进步，从针对单一研究对象转变为综合考虑植被生长和土壤状态，例如：利用遥感影像获取归一化植被指数NDVI和地表温度构建VSWI指数和TVDI指数，用以监测农业干旱和土壤干旱，在目前干旱研究中应用较为广泛，但是此类指数应用于植被覆盖度过高或者过低的区域时，会出现较大的偏差[7-9]。空间植被干旱指数SVDI(spatial vegetation drought index)综合了遥感指数VCI和气象指数MRAI，可以在空间大范围内进行干旱的识别和等级划分[10]。在植被和作物生长过程中，不同生长阶段的受旱对植被和作物的影响程度是不同的[11]，SVDI指数的时间尺度是旬，相比于VCI来说，SVDI在识别早期的干旱有更高的准确度，对指导农业防旱工作有重大意义。本文利用MODIS 500 m分辨率NDVI 10 d合成产品和吉林省中西部气象站点2005—2014年5—8月逐日降水量来计算SVDI指数，选取典型干旱年和正常年进行时空监测对比，并结合农业干旱减产指标和产量波动的相关系数分析其在农业干旱监测的可用性；进一步利用SVDI识别干旱的发生及强度；最后构建危险性评价模型研究2005—2014年吉林省中西部旬时间尺度的干旱危险性特征及月尺度的干旱危险性空间分布，可以为吉林省中西部农业干旱早期识别及不同生育阶段防旱工作的展开提供一定帮助。

1 材料与方法

1.1 研究区概况

吉林省中西部(43°16′—46°18′N，121°38′—127°45′E)是中国东北地区的中心区域。该区域地势平坦，西北部地势较低，沿着东南方向逐渐升高，河流众多，属于温带大陆性季风气候，在蒙古高压的影响下导致全年降水不均，主要集中在6—9月，且春秋两季降水较少，夏季炎热多雨，冬季严寒，年降水量在600 mm以内，属于吉林省易旱区域[12-13]。吉林省中西部区域包含20个县市，其中的榆树、农安、前郭尔罗斯等7个县市属于全国10大产粮大县，是中国重要的商品粮生产基地。

1.2 数据来源

气象数据选用自中国气象局气象数据中心提供的中国地面累年值日值数据集，摘选吉林省中西部9个气象站点(白城、乾安、前郭尔罗斯、通榆、长岭、扶余、双辽、四平、长春)的2005—2014年4—8月逐日降水数据。以旬为时间跨度，计算获取4—8月各旬的降水总和，利用ArcGIS软件对站点降水量进行克里金空间插值，得到吉林省中西部地区4—8月每旬的降水栅格数据。遥感数据来自于中国科学院计算机网络信息中心国际科学数据镜像网站(http:∥www.gscloud.cn)中国地区NDVI的10 d合成产品。该产品由MODND1 D计算得到，计算方法为取月内每十天最大值，空间分辨率为500 m，时间分辨率为10 d，时间跨度为2005—2014年，对其进行掩膜处理，获取研究区范围内的NDVI旬合成产品。农业产量数据来源于中华人民共和国农业部种植业管理司(http:∥www.zzys.moa.gov.cn/)历史灾情数据库的2005—2014年吉林省干旱灾情数据以及县级农作物数据库的2005—2014年各县生产资料。

1.3 研究方法

1.3.1 SVDI指数 SVDI(spatial vegetation drought index)是综合了气象降水数据和遥感NDVI数据的综合性指数。其计算公式为：

SVDI=0.5VD+0.5MRAI

(1)

式中：VD——植被干旱程度； MRAI——降水导致的土壤湿润程度，取值范围为[0,100]，数值越大表示干旱程度越严重。某一像元的SVDI值大于40识别为干旱发生，其划分等级详见表1。

表1 SVDI干旱等级划分

(2)

公式(2)为植被干旱程度VD的计算方法,是由植被状态指数(VCI)演变而来[14]，VCI指数范围为[0,100]数值越小表示植被的生长情况较差，通常VCI≤50表示植被受旱情况较严重。

(3)

式中：NDVIi——某一像元第i个时期的NDVI旬合成数据； NDVImax，NDVImin——该像元多年间第i时期NDVI的最大值和最小值。

MRAI=a·RAI1+b·RAI2+c·RAI3

(4)

(5)

利用上述计算公式在ArcGIS 10.1中进行栅格计算，最终得到吉林省中西部2005—2014年5—8月间各旬SVDI分布共计120幅栅格数据图。

1.3.2 典型干旱年选取 SPEI在SPI指数基础上增加了对蒸散情况的考虑，12月尺度的SPEI可以表征年际间的干旱变化，其划分参考中国气象局制定的划分标准。本研究利用SPEI-12结合中国农业部历史灾情数据库数据，最终选取2007年为典型干旱年，该年吉林省持续异常高温少雨，多数县(市)气温均突破历史极值，且全省平均降水量仅为6.2 mm，比常年同期偏少90%；2013年为正常年代表，该年吉林省气温同往年基本持平且降水分布均匀。

1.3.3 危险性 针对灾害风险形成的机制，当前主要有“二因子说”、“三因子说”和“四因子说”，在农业气象灾害风险研究中，对致灾因子危险性识别和量化是极其重要的一步[15]。干旱灾害的危险性主要是由干旱强度和干旱发生的频次所决定，SVDI作为一个连续变化的指数，因此利用其概率密度曲线就可以同时表征干旱发生的强度及频率[16]。本研究中的干旱危险性计算公式如下：

(6)

式中：SVDI——干旱指数；f(SVDI)——SVDI的发生概率频次，分布曲线形状不同表征干旱灾害的危险性差异，统计区间为SVDI在[60,100]范围内，概率密度曲线的获取及危险性的计算通过R语言编程实现。

1.3.4 其他方法

(1)C指标。本研究利用2006年中国国家防汛抗旱总指挥部发布的农业旱灾综合减产成数来表示粮食受旱减产情况[17]。该指数计算方法为：

C(%)=I3×90%+(I2-I3)×55%+

(I1-I2)×20%

(7)

式中：C——农业干旱导致的减产成数(10%表示1成)；I1，I2，I3——干旱灾害导致的该年受灾比、成灾比和绝收比，是当年受灾面积、成灾面积、绝收面积和当年播种总面积的比值；C指标的等级划分详见表2[18]。

表2 农业干旱导致的减产成数C指标干旱等级划分

(2) 产量波动。作物的减产情况通常用产量波动来表示[19]，其计算方法为：

(8)

式中：Yr——产量波动，小于零时表示减产的发生，其数值大小表示减产率；Y——作物产量；Yt——趋势产量，本文选择滑动平均法计算，并选择3为滑动步长。

2 结果与分析

2.1 SVDI适用性分析：以典型年为例

2.1.1 SVDI指数时空对比分析 SVDI将VCI指数和MRAI指数相结合，可以综合植被长势和降水情况，能更好地表征研究区的受旱程度及分布，SVDI指数值越大，表示研究地区的干旱程度越大，其优点之一就是可以借助栅格数据的表达形式将SVDI指数展布到研究区范围内，进而分析其空间分布特征及变化情况。图1所示的是典型干旱年2007和2013年5—8月间旬时间尺度的SVDI在吉林省中西部的分布情况(以中旬为例)。其中，2007年5月上旬和中旬、6月中下旬以及8月中下旬整个研究区内受旱情况严重。5月下旬，白城、洮南和通榆县的SVDI值均在60以上，达到了中旱和重旱的程度。玉米是吉林省中西部地区范围内主要种植的农作物，5月下旬正是玉米的出苗期和拔节期，此时降水量不足将导致玉米出苗不齐，进而影响其后续生长。6月中下旬，中西部仅个别地区SVDI属于正常范围，此阶段正值玉米抽雄，属于玉米生育期的重要节点。此时发生中旱和重旱将导致玉米叶子凋萎，雌穗不孕，植株空杆进而引发严重减产。8月下旬是玉米的灌浆成熟期，这一阶段的干旱缺水不利于干物质积累，导致玉米结实饱满度不足，严重影响百粒重。

分析2013年的SVDI变化情况可以看出，作为正常年代表的2013年5—8月间SVDI值都基本处于轻旱程度以下。但尚有部分地区出现了重旱的情况，原因主要有两点：① 吉林省中西部整体气候特征；在内蒙古高压和大陆季风的综合影响下，吉林省中西部的降水情况呈现出时空分布不均的特点，使得从东南到西北逐渐由半湿润气候变为半干旱气候，干旱灾害发生可能性较高，因此部分地区出现了重旱的情况。② 植被类型对水分敏感度不同；由于本研究所选用的数据是整个研究区内的NDVI数据，并未进行植被类型的划分，致使在计算SVDI指数时，缺少植物对水分敏感度的分析。

综合分析图1，典型干旱年和正常年份间5—8月的SVDI差距较为明显。因此，利用SVDI指数进行干旱的识别，程度的划分以及区域分布特征的获取是可行的，该指数综合了降水和植被生长状态，相较于单独分析加权降水指数MRAI和植被状态指数VCI，该指数能更好地展现干旱灾害空间分布及作物生育期不同阶段的干旱程度变化。

图1 研究区5-8月逐旬SVDI空间分布(以中旬为例)

2.1.2 SVDI与农业生产相关性分析 表3展示的是各个旬的VCI和SVDI与农业干旱减产成数C指标和产量波动的相关系数。VCI与C指数呈现出负相关，SVDI与C指数正相关，分析与C指数的相关系数可以看出：5月的SVDI和C指数的相关性相比于VCI要更高，而6月SVDI的相关系数则不如VCI，7月中旬到8月下旬，SVDI与C指标呈现出更高的相关性。分析与产量波动的相关性：可以看出5月份中，SVDI展现出比VCI更高的相关系数；6月和7月上旬，作为作物生长的中期VCI与产量波动的相关性略强于SVDI，而7月中旬到8月下旬SVDI与产量波动的相关性较强，其中7月中旬的相关系数达到了-0.865 1。综合以上分析，进行干旱灾害导致的农业减产研究时，在作物生育前期和后期SVDI比VCI能够更好地识别和表征农业干旱导致的减产情况。

表3 VCI和SVDI与农业干旱减产成数C和产量波动间的相关系数

2.2 基于SVDI的时空演变特征

受到全球性气候变化的影响，近10 a来吉林省气候呈现出干旱加剧的趋势。由于气候变暖导致的气温升高、降水减少的现象，使得农业干旱灾害频发、重发，致使农业生产面临挑战，及时、准确获取灾情信息，完善灾害预警机制，制定合理的防灾减灾政策就显得尤为必要。结合表1的SVDI等级划分，将SVDI值范围在[80,100]间的识别为重旱区域，利用ArcGIS软件进行Cell Statistics处理，获取重旱面积如图2所示。图2展示2005—2014年间5—8月吉林省中西部重旱区域的面积变化情况，可以看出，2005—2014年这10 a间，重旱面积变化波动较大，其中2014年受旱最轻，重旱面积仅有1.50×104km2，而2006，2007两年重旱的面积较大，其中2007年达到了7.61×104km2，2006年7.56×104km2。这10 a间前期干旱发生频率高且强度大，后期干旱发生频率低且强度小；空间上来看，10 a间重旱区域空间变化较大，前期西部地区常年发生重旱，后期的重旱区域出现了向中部地区和东部偏移的趋势，由于研究区的西部干旱频发，所以防旱工作准备的较好，而中部和东部地区的防旱意识不强，减灾措施尚有不足导致植被受旱严重，进而导致中部和东南部地区SVDI值偏大。

图2 研究区2005-2014年5-8月重旱面积变化(以8月中旬为例)

2.3 干旱危险性分析

SVDI作为一个连续的数值，分析不同时期的概率密度曲线即可获知该时期内SVDI的强度和频率分布，进而获知该时段内干旱和湿润的趋势变化；利用累积概率即可获得该时期的干旱危险性，在概率层面增加对干旱强度等级的分析，进一步获知不同生育阶段干旱灾害的危险性变化。依据吉林省中西部5—8月间各旬的10 a概率密度曲线变化情况，以SVDI=50为中线，曲线右偏表示干旱概率增大，左偏表示有湿润倾向。综合来看，2005—2014这10 a间，5月上旬、下旬，6月上、中、下旬和8月下旬有着明显的右偏趋势，干旱发生的概率较高；7月上、中、下旬和8月上旬、中旬则有着明显的左偏倾向，表示较为湿润；而综合分析干旱的危险性，可以看出8月上旬和6月下旬干旱危险性较大，危险性指数分别为3.59，3.41，5月上旬和6月中旬的干旱危险性较小，分别为0.58，0.92。吉林省中西部是重要的玉米种植区，而6月下旬正值玉米拔节期，此阶段受旱将导致玉米生长高低不齐，影响后续阳光水分的吸收情况；8月上旬则是玉米抽雄开花阶段，此阶段受旱将导致花粉死亡，花丝干枯不能授粉，直接影响到当年的玉米产量。因此，要注意这两个阶段防旱工作的展开，及时识别干旱的发生并采取相应的防灾减灾措施，使其对农业种植的影响降到最低。图3展示了吉林省中西部5—8月的逐月干旱危险性分布情况，可以看出干旱危险性在空间上呈现出较为明显的转移趋势。其中5月干旱危险性较高的地区主要在长岭、通榆县和长春地区，6月份通榆和双辽县的危险性较高，7月干旱高危地区转移到了西南区域的白城和长岭县，8月的干旱高风险区主要位于通榆和乾安。

图3 吉林省中西部2005-2014年5-8月间逐旬SVDI干旱危险性分布

3 讨论与结论

(1) 空间植被干旱指数(SVDI)相比于VCI和MRAI等能更好地识别干旱的发生，在空间尺度上能够更好地表征干旱的分布和强度变化。并且结合不同旬尺度的SVDI与农业干旱减产和产量波动数据相关性分析，结果表明将SVDI用于吉林省中西部的干旱识别和量化是可行的。

(2) 分析2005—2014年尺度重旱面积，2006，2007年重旱面积较大，而2008和2014年受旱程度较轻重旱面积较小；这10 a间重旱情况是前期干旱发生强度大且受旱面积大，后期干旱强度小且受旱面积小；重旱的空间分布则偏向于研究区内中部和东南部的发生，与此两区域的防旱减灾措施尚不完善有关。

(3) 分析2005—2014年干旱概率密度曲线和危险性可知，吉林省中西部地区内5月上旬、下旬，6月上、中、下旬和8月下旬干旱发生概率较高；8月上旬和6月下旬干旱危险性较大；研究区内西南部属于干旱高危险性地区，其中通榆县在5—8月间干旱危险性普遍较高，应注重此县防旱工作的展开。

(4) 全球气候变化的大背景下使得农业生产面临了巨大的挑战，不仅作物生长的物候期可能变化，在作物生育期内常常面临着多种灾害并发的威胁[20-21]。SVDI综合了地面气象和空间遥感数据，较之单一数据源能更好的识别干旱灾害的发生及强度，以旬时间尺度进行干旱研究有助于干旱灾害的早期识别以及防旱减灾工作的展开，对于作物不同生育阶段干旱的识别和危险性的量化有一定的帮助。本文仅研究了干旱的发生和量化，后续可以增加其对雨涝的识别和量化，以便更好地拟合实际情景，表征农作物生长发育期间多种灾害的影响；另外，本研究未考虑气温、湿度以及地形和高程对于SVDI指数的影响，可以在之后进行更加全面、深入地研究。

[1] Dai A. Erratum: Drought under global warming: A review[J]. Wiley Interdisciplinary Reviews Climate Change, 2012, 3(1):45-65.

[2] 郑盛华,覃志豪,张文博.松嫩平原干旱变化特征及其对气候变化的响应[J].中国农业气象,2015,36(5):640-649.

[3] 林而达,谢立勇.气候变化2014:影响、适应和脆弱性对农业气象学科发展的启示[J].中国农业气象,2014,35(4):359-364.

[4] 赵丽,冯宝平,张书花.国内外干旱及干旱指标研究进展[J].江苏农业科学,2012,40(8):345-348.

[5] 孙德亮,吴建峰,李威,等.基于SPI指数的近50年重庆地区干旱时空分布特征[J].水土保持通报,2016,36(4):197-203.

[6] 孙灏,陈云浩,孙洪泉.典型农业干旱遥感监测指数的比较及分类体系[J].农业工程学报,2012,28(14):147-154.

[7] Sandholt I, Rasmussen K, Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment, 2002,79(2/3):213-224.

[8] 王正兴,刘闯, Huete A.植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J].生态学报,2003,23(5):979-987.

[9] 孙丽,王飞,吴全.干旱遥感监测模型在中国冬小麦区的应用[J].农业工程学报,2010,26(1):243-249.

[10] Patel N R, Yadav K. Monitoring spatio-temporal pattern of drought stress using integrated drought index over Bundelkhand region, India[J]. Natural Hazards, 2015,77(2):1-15.

[11] 张淑杰,张玉书,孙龙彧,等.东北地区玉米生育期干旱分布特征及其成因分析[J].中国农业气象,2013,34(3):350-357.

[12] 姜波,张薇.吉林省中西部地区田间持水量试验研究[J].吉林水利,2012(8):21-24.

[13] Guo Enliang, Zhang Jiquan, Wang Yongfang, et al. Dynamic risk assessment of waterlogging disaster for maize based on CERES: Maize model in Midwest of Jilin Province, China[J]. Natural Hazards, 2016,83(3):1-15.

[14] Kogan F N. Application of vegetation index and brightness temperature for drought detection[J]. Advances in Space Research, 1995,15(11):91-100.

[15] 王春乙,张继权,霍治国,等.农业气象灾害风险评估研究进展与展望[J].气象学报,2015(1):1-19.

[16] 张琪,朱萌,张继权,等.气候变化背景下吉林干旱风险识别研究[C]∥风险分析和危机反应中的信息技术北京：中国灾害防御协会风险分析专业委员会年会，2014.

[17] 国家防汛抗旱总指挥部办公室.办旱[2006]18号:干旱评估标准[S].北京:国家防汛抗旱总指挥部,2006.

[18] 马建勇,许吟隆.东北地区作物生长季干旱时空分布特征及其环流背景[J].中国农业气象,2013,34(1):81-87.

[19] 张琪,张继权,佟志军,等.干旱对辽宁省玉米产量影响及风险区划[J].灾害学,2010,25(2):87-91.

[20] 张梦婷,刘志娟,杨晓光,等.气候变化背景下中国主要作物农业气象灾害时空分布特征(Ⅰ):东北春玉米延迟型冷害[J].中国农业气象,2016,37(5):599-610.

[21] 杨蓉,延军平.宁夏旱涝灾害对气候变化的响应[J].水土保持通报,2014,34(5):272-277.

Identification of Drought and Drought Hazard Assessment in Midwest of Jilin Province Based on SVDI

LI Danjun, ZHANG Jiquan, GUO Enliang, WANG Rui

(School of Environment, Northeast Normal University, Natural Disaster Research Institute, Changchun, Jilin 130024, China)

[Objective] To identify and quantify the drought during crop growing season in Midwest of Jilin Province and analyze drought hazard in order to provide scientific reference for drought mitigation. [Methods] Based on the meteorological data from May to August during 2005 to 2014 and the corresponding MODIS NDVI products that was combined every ten days and have 500 m resolution, SVDI(spatial vegetation drought index) was calculated to analyze SVDI spatial and temporal distribution characteristics. The index applicability was illustrated in terms of drought-induced agricultural production decrease and yield anomaly. Furthermore, the density distribution of ten-day SVDI from May to August was calculate to demonstrate drought hazard. [Results] (1) Compared with VCI, SVDI behave better for drought recognition. Combined with agricultural drought production and yield anomaly, SVDI showed higher correlation in the initial and final growth period of crop growing season. (2) During 2005—2014, the area hited by severe drought from May to August in Midwest of Jilin Province fluctuated obviously, and had a transiting trend to central and southwest parts. (3) In Midwest of Jilin Province, drought occurrence had higher probability in periods of early and late May, June, and late August, whereas, in early August and late June, the drought hazard are higher. Tongyu County has high drought hazard from May to August so that it should be taken as a key county to be protected. [Conclusion] The results showed that using SVDI to identify and quantify drought is feasible, also drought frequency during crop growing season in Midwest of Jilin Province shows obvious regional traits.

SVDI;drought;droughthazard;temporalandspatialcharacteristics

B

： 1000-288X(2017)04-0321-06

： S423

2016-02-21

：2016-02-27

国家自然科学基金项目“多灾种农业气象灾害综合风险动态评估研究：以吉林省中西部玉米产区为例”(41571491); 中央高校基本科研业务费专项”(2412016KJ046); 公益性行业(气象)科研专项储备项目(2015001)

李丹君(1993—),女(汉族),河南省郑州市人,硕士研究生,研究方向为综合农业气象灾害风险评价与管理。E-mail:lidj327@nenu.edu.cn。

张继权(1965—),男(汉族),吉林省九台县人，博士,教授,博士生导师,主要从事自然灾害与生态环境风险评价和管理研究。E-mail:zhangjq022@nenu.edu.cn。