关中平原干旱遥感监测指数对比和应用研究

刘 英，鲁 杨，李 遥，岳 辉

(西安科技大学测绘科学与技术学院，陕西 西安 710054

干旱是制约我国经济发展和农业生产的自然灾害之一。遥感已成为干旱监测的主要手段[1-3]，其中基于波段反射率的光谱特征空间法因原理清晰、计算简单而被广泛应用。1977年，Richardson和Weigand[4]利用MSS红光(Red)和近红外(NIR)波段反射率建立NIR-Red特征空间，提出了基于土壤背景线的垂直植被指数；Ghulam等[5]基于NIR-Red特征空间，利用特征空间中任意一点到过原点的土壤线的垂线距离大小表征土壤湿度多寡，建立了PDI，并指出PDI适用于裸土或植被生长区域旱情监测；针对全植被覆盖区域，Ghulam等[6]引入植被覆盖度，提出了MPDI；Qin等[7]利用中国北方MODIS数据，验证了PDI有效性，指出PDI监测旱情状况与实测情况一致；Shahabfar等[8-9]利用MODIS数据，借助PDI分别监测了伊朗旱情及亚洲中部和西南部水文重新划分、变化及其旱情变化状况，指出PDI可用来监测旱情；Chen等[10]基于PDI、MPDI，验证了GF-1多光谱数据是否可用于监测土壤湿度，指出该数据可用于土壤湿度监测；Zhang等[11]、Zormand等[12]分别比较了PDI、MPDI、温度植被干旱指数、条件温度指数等旱情监测指数的优劣，指出这些干旱指数各有优缺点；姚云军等[13]利用MODIS短波红外第6和第7波段构建短波红外光谱特征空间，利用该特征空间任意一点到原点距离大小构建短波红外土壤湿度指数，指出该方法反演区域土壤含水量具有可靠性；刘英等[14]基于NIR-Red特征空间，利用该特征空间任意一点到原点距离大小，构建不依赖土壤背景线而变化的土壤SMMI，指出SMMI可监测土壤湿度，并利用该指数监测了神东矿区土壤湿度的变化情况[15]。

国内外学者基于NIR-Red光谱特征空间监测土壤湿度主要有两种方法：一是利用光谱特征空间中任意一点到经过坐标原点的土壤线的垂线距离大小来表征土壤湿度多寡，如PDI、MPDI；二是基于光谱特征空间中任一点到原点的直线距离大小来表征土壤湿度状况，如SMMI等。这两种监测方法原理相似，是否都具有普适性以及两者的区别和联系需要进一步验证。本文以关中平原为研究区，利用MODIS Red和NIR波段反射率数据，分别构建PDI、SMMI、MPDI和MSMMI，对比分析这四种干旱监测方法的有效性、精度，并利用SMMI监测2000-2016年关中平原时空演变特征和规律，为快速准确掌握旱情发展趋势，并及时采取有效的防旱、抗旱措施提供参考。

1 资料与方法

1.1 研究区概况

关中平原又称渭河平原，地处陕西省中部，位于北山和秦岭之间，海拔325～800 m，地理坐标33°N～37°N、106°E～111°E。关中平原西起宝鸡峡口，东到潼关港口，南接秦岭、北靠陕北高原；东西长约360 km，面积约为3.6万km2。关中平原地区属于大陆性季风气候，处于暖温带半湿润与半干旱气候的过渡地带，年均温度6～13℃；多年平均降水量为500～700 mm，其中6-9月份占60%，多为短时暴雨，冬春降水较少；多年平均蒸发量为1 000～1 200 mm。

1.2 数据来源与处理

遥感数据为2000-2016年每年的5月、16 d合成的250 m空间分辨率的MODIS影像，来源于美国国家航空航天局网(http://www.echo.nasa.gov/reverb/)。2005年5月中旬和2010年5月上旬的10 cm和20 cm农田土壤湿度旬值数据来源于中国气象数据网(http://data.cma.cn/)。

数据预处理包括投影转换、数据合成、剪裁等。

1.3 土壤湿度遥感监测指数

1.3.1 PDI PDI是Ghulam等[5]基于植被-土壤二元组合在NIR-Red二维光谱特征空间中的分布规律提出的。由图1可知，直线BC为土壤线，直线EF为特征空间中过任意一点E(Rred，Rnir)做直线BC的平行线，点E到直线L的垂线距离大小可以表征地表土壤湿度的变化情况，即直线EF的距离越小，说明地表土壤湿度越大；反之亦然。越接近L线的空间越湿润，离L线越远的空间越干旱。其计算公式为：

图1 PDI构建图Fig.1 Scheme for PDI

(1)

式中,Rred、Rnir分别为红光和近红外波段的反射率，M为土壤线BC的斜率。

1.3.2 SMMI SMMI是刘英等[14]基于NIR-Red特征空间建立的土壤湿度监测指数，该方法具有不依赖于土壤背景线而变化的优点。由图2可知，直线BC为特征空间中的土壤线，B、C分别为特征空间中的湿润裸土点和干燥裸土点，E为空间中任意一点；利用任意点E到坐标原点O距离的长短来表示土壤湿度的变化情况。即直线OE的距离越短表明土壤湿度越大，直线OE的距离越长则表明土壤湿度越小，也就是说地表越干旱。OE可表达为：

(2)

(3)

1.3.3 MPDI MPDI是Ghulam等[6]针对PDI在植被覆盖区监测精度会受到影响从而引入植被覆盖度(Fv)而提出的。MPDI的物理意义是：在NIR-Red特征空间中，任意一点旱情都由PDI和垂直植被指数(Perpendicular Vegetation Index, PVI)两个因子共同决定，土壤含水量越小则像元离坐标原点的距离就越远，MPDI值越大，旱情越严重，反之亦然。其计算公式为：

MPDI=(Rred+M×Rnir-Fv(Rv,red

(4)

图2 SMMI构建示意图Fig.2 Scheme for SMMI construction

式中，Rred、Rnir分别为红光和近红外波段的反射率，M为土壤线斜率，Fv是植被覆盖度。Rv,red、Rv,nir分别为植被在红光和近红外波段的反射率。其中，Rv,red、Rv,nir可近似看成是经验值固定的参数，分别取值0.05和0.5。

1.3.4 MSMMI MSMMI是刘英等在SMMI的基础上引入植被覆盖度(Fv)提出的。其表达式为：

(5)

式中，Rred、Rnir分别为红光和近红外波段的反射率，M为土壤线斜率，Fv是植被覆盖度。Rv,red、Rv,nir分别为植被在红光和近红外波段的反射率。其中，Rv,red、Rv,nir可近似看成是经验值固定的参数，分别取值0.05和0.5。

2 结果与分析

2.1 土壤湿度遥感监测指数精度验证

分别利用中国气象数据网下载的2005年5月中旬和2010年5月上旬10 cm和20 cm的农田土壤湿度旬值数据来验证四种土壤湿度监测方法的有效性。以土壤相对湿度数据为纵轴，PDI、MPDI、SMMI、MSMMI分别为横轴，构建不同深度土壤相对湿度与四种指数的相关性图(图3)，并计算其可决系数(表1)。从图1和表1可知，四种土壤湿度监测指数均与不同深度土壤湿度呈负相关关系，且均通过了P<0.1的显著性检验，表明四种指数均可用于监测土壤湿度状况，且SMMI和PDI两种指数的监测效果要优于MPDI和MSMMI的监测效果，且四种指数监测10 cm深土壤湿度效果优于20 cm。

2.2 关中平原地区旱情时空分布特征分析

鉴于四种土壤湿度监测指数对干旱程度划分标准不一致，因此需要对四种指数分别进行尺度化，使其值位于[0,1]之间[15]。以SMMI为例，尺度化S-SMMI公式如下：

S-SMMI=(SMMI-SMMImin)/(SMMImax-SMMImin)

(6)

式中，SMMImin为SMMI累计频率置信度为1%时所对应的值；SMMImax为SMMI累计频率置信度为99%时所对应的值。

依据一定标准对土壤湿度进行等级划分：①0～0.2为极湿润；②0.2～0.4为湿润；③0.4～0.6为正常；④0.6～0.8为干旱；⑤0.8～1为极干旱。由表1可知，SMMI与实测土壤湿度的相关性系数最高，因此利用SMMI对关中平原地区长时间序列旱情进行监测(图4)。

表1 2005年和2010年实测土壤湿度与四种指数间可决系数(R2)

由图4可知，关中平原东北部、东部、中部旱情较为严重，西南部、南部、西部部分地区旱情较轻。关中平原南部以秦岭为延伸的细带状分布的区域土壤湿度最高；北部、西部、东部边缘地带零星分布着湿润区域，这是因为秦岭是关中平原植被覆盖度最高的区域，边缘地带也多有山脉环绕，土壤含水量及持水能力较高，旱情较少发生。关中平原的岐山县、扶风县等西部地区及蒲城县、澄城县等东部地区旱情较为严重，极湿润、湿润及正常区域分布其中，这是因为平原西部及东部地区多为耕地及建筑区域，地表植被覆盖度较低及不断发生变化，因而土壤湿度较低。从旱情发生频率来说，关中平原东部的富平县、临渭区以及西部的岐山县、扶风县等是极度干旱多发区，17年间有超过一半的年份为极干旱。位于关中平原西南角的凤县和太白县是旱情低发区，其中太白县17年间基本没有旱情发生，这主要是由于太白县和凤县处于秦岭地带，地表植被覆盖度高，土壤含水量以及储水能力高。

对比不同年份干旱面积比例，局部极干旱、大面积干旱主要发生在2000年5月、2001年5月、2003-2005年5月、2007年5月、2009年5月、2010年5月、2014年5月、2016年5月，其中旱情最严重的为2004年5月，受旱总面积比例高达61.53%；极干旱情况最严重的为2010年5月，达到了22.86%；2006年5月、2008年5月、2011年-2013年5月、2015年5月旱情状况有所缓解，其中2002年5月基本上没有旱情发生。

2.3 影响因素分析

影响旱情的因素有自然、人文等因素，本文主要分析月平均气温和月降水量两个气象因素与旱情之间的关系。利用克里金插值法得到SMMI与月平均气温、月降水量的相关系数大小，通过查寻相关性系数临界表，当P>0.05时，临界值为0.497，当P>0.1时，临界值为0.426，因此将相关系数等级划分为：①<-0.497；②-0.497～-0.426；③-0.426～0；④0～0.426；⑤0.426～0.497；⑥>0.497。

由图5a和表2可知，SMMI与月降雨量相关系数为负的区域所占比例为74.34%，说明降水量越大，土壤湿度越高，旱情越轻；反之亦然。其中，关中平原陇县、千阳县等西北部地区和白水县、澄城县等平原东北部地区的干旱情况受降水量的影响呈正相关关系，且通过P<0.1显著性检验。由图5b和表2可知，SMMI与月平均气温呈正相关关系区域所占比例为75.66%，表明气温越高，旱情越严重；反之亦然。其中，关中平原岐山县、扶风县等中部地区和淳化县、富平县等平原东北部地区的干旱情况受气温的影响呈负相关关系，且通过了P<0.1显著性检验。总体上，关中平原旱情与降雨量呈负相关关系，与温度呈正相关关系，但通过90%显著性检验区域分别仅占总面积的27.36%、17.26%，说明降雨和温度不是旱情变化主导因子。

图3 2005年5月中旬10 cm深土壤湿度与MPDI、PDI、SMMI、MSMMI相关性Fig.3 The correlation between soil moisture and MPDI, PDI, SMMI and MSMMI in top 10 cm layerin the mid-May of 2005

图4 2000-2016年干旱等级分布图Fig.4 Drought distribution map during 2000-2016

图5 SMMI与气象因子相关性系数图Fig.5 Coefficient of correlation between SMMI and meteorological factors

相关系数等级Relationalcoefficient levelSMMI与月降水量分布SMMI and monthlyprecipitation distributionSMMI与月平均气温分布SMMI and averagemonthly temperaturedistribution<-0.4979.831.76-0.497～-0.4267.431.72-0.426～057.0820.860～0.42622.1248.300.426～0.4971.6910.58>0.4971.8516.78

3 结论与讨论

以关中平原为研究区，基于MODIS数据采用四种不同的土壤湿度监测指数对平原的旱情状况以及受旱面积进行了动态监测，并对四种指数的应用性、有效性进行了评价。主要结论为：(1)从四种指数与实测土壤湿度相关性来看，SMMI监测效果最好，PDI略低于SMMI，MPDI和MSMMI的监测效果基本相同但都低于SMMI和PDI；四种指数监测10 cm深土壤湿度效果优于20 cm。(2)空间上，关中平原东部、中部、西部部分地区旱情严重，西南部旱情较轻；时间及旱情发生频率上，关中平原地区旱情呈以2～3 a的间隔年际波动显著的特征，且关中平原东部的富平县、临渭区以及西部的岐山县、扶风县等是重旱的多发区，位于平原西南角的凤县和太白县是旱情低发区。(3)SMMI与月平均气温两者呈正相关关系的面积占75.66%，主要集中在岐山县、扶风县等西部地区和淳化县、富平县等平原东北部地区；SMMI与月降水量呈负相关关系的面积占74.34%，主要分布于陇县、千阳县等西北部地区和白水县、澄城县等平原东北部地区。

农业干旱是造成农业减产的最大影响因素之一，从成因及变化趋势上来看，受多种因素的制约，这些因素既包括农作物本身对干旱的耐受性，也包括周边环境对干旱的耦合性[16-19]。因此，在干旱监测中可根据作物不同生长期及不同下垫面环境具体分析[20-21]。关中平原下垫面复杂，既有平原也有山区，农作物生长受到气候、海拔、温度、降雨等多种因子的影响，因此旱情分区可能出现偏差，另外由于地面监测站的不连续和点数据的影响，在精度验证上以点带面误差难以避免，因此在未来监测验证中需要寻求误差较小的实测点来验证。同时，根据土地利用类型、海拔、水网分布等具体分析下垫面环境状况，可以有效提高监测精度。也有学者认为，集成多种监测指数的旱情预报系统是未来的主流发展方向[22-23]。在未来工作中可以尝试基于多源多传感器数据联合集成旱情监测指数的农业干旱监测和预报方法的构建和应用。