山东省遥感干旱指数的适用性及干旱对冬小麦产量的影响

王兆雪 白雲 张莎

摘要：针对遥感干旱指数对干旱监测的精度和适用性问题，以山东省为研究区，基于MODIS和TRMM卫星遥感数据，选取2002年典型干旱年，计算归一化水分指数（normalized difference water index，NDWI）、归一化植被供水指数（normalized vegetation supply water index，NVSWI）、归一化降水量距平百分率（normalized percentage of precipitation anomaly，NPA），并与10 cm土壤水分数据进行相关性分析，结果显示NVSWI与土壤水分的相关系数最高，能够较好地表征农业干旱的严重程度，是最适合山东省旱情监测的干旱指数。之后采用NVSWI对2001—2015年山东地区的干旱进行时空特征研究和分析，并进一步分析不同生育期干旱对冬小麦产量的影响，结果表明，2001—2015年山东省整体干旱程度减弱，受干旱影响的区域主要集中在鲁西和鲁南地区;4—5月份干旱对冬小麦产量的影响较大，因此，在抽穗期和灌浆期对水分进行管理至关重要。

关键词：遥感干旱指数;干旱监测;土壤水分;冬小麦产量;山东省

中图分类号：S127 文献标识号：A 文章编号：1001-4942（2019）12-0127-10

Abstract In the study， Shandong Province was selected as the research area to solve the accuracy and applicability of remote sensing drought index for drought monitoring. We chose the typical drought year as 2002 and calculated NDWI， NVSWI and NPA based on the MODIS and TRMM satellite remote sensing data， and conducted correlation analyses with 10-cm soil moisture data. The results showed that， the correlation coefficient of NVSWI and soil moisture was the biggest， which could better reflect drought degree in agriculture， so it was the most suitable for drought monitoring in Shandong Province. Then we researched and analyzed the spatial and temporal drought characteristics from 2001 to 2015 adopting NVSWI， and further analyzed the effects of different growth periods on the yield of winter wheat. The results showed that the overall drought degree was weaken from 2001 to 2015 in Shandong Province， and the areas affected by drought were mainly in west and south Shandong. Drought happened in April and May showed serious effect on wheat yield， so managing water during heading and filling stages was very important.

Keywords Remote sensing drought index; Drought monitoring; Soil moisture; Winter wheat yield; Shandong Province

干旱是中国乃至全球的重大自然灾害之一[1]。近些年，许多研究致力于发展不同的干旱指数及其在干旱监测方面的应用[2，3]。传统的干旱监测主要使用降水观测数据作为主要输入参数，如降水距平百分率（PA）[4]、标准降水指數（SPI）[5]和帕尔默干旱指数（PDSI）[6]等。地面观测资料的缺乏和分布不均，使传统的干旱监测方法不具有空间代表性[7]。卫星遥感数据具有高时空分辨率且能获取区域连续空间上旱情的特点，克服了传统干旱监测方法的局限性。其中，MODIS（Moderate-Resolution Imaging Spectroradiometer）卫星数据具有易获取、空间分辨率高、光谱波段丰富等优点;TRMM（Tropical Rainfall Measuring Mission）能提供精确的降水数据，对于实际测量数据缺乏的区域非常有用，越来越多地被用作气象站和旱涝监测的替代数据[8]。因此，MODIS和TRMM遥感数据被广泛应用于干旱监测。Cong等[9]对TRMM数据和站点实测数据做了相关性分析，发现相关系数达到0.99，并用TRMM数据计算了归一化降水距平百分率（NPA），基于降水数据的NPA在东北地区取得了良好的干旱监测效果。

此外，基于植被生长状况的遥感干旱指数对干旱监测也具有较高的监测精度。Tucker等[10]提出的归一化植被指数（NDVI）被广泛应用于干旱监测。后来在NDVI的基础上又发展出许多干旱指标，如异常植被指数（AVI）[11]、植被条件指数（VCI）[12]、标准化植被指数（SVI）[13]、月植被状况指数（MVCI）[14]、归一化水分指数（NDWI）[15]等，此类植被指数能较好地反映植被的生长状况，适合于低纬度植被茂密地区的干旱监测，但是对干旱的响应存在一定的滞后效应[16，17]。LST（land surface temperature）在一定程度上能反映土壤含水量的变化状况，揭示植被受水分胁迫时的重要信息，可作为表征地表水分状况的重要指标[18-20]。许多研究者将植被指数与地表水分状况信息相结合，提出了植被健康指数（VHI）、温度-植被干旱指数（TVDI）[21]、植被供水指数（VSWI）[19，22]、严重干旱指数（DSI）[23]等，结合后的干旱指数能够提高旱情监测的准确性与实用性。Nichol等[24]用归一化植被供水指数（NVSWI）对云南省中部地区进行了干旱监测，结果发现NVSWI具有很好的监测效果，能够准确反映云南地区的旱情。

山东省是我国主要粮食产区，近年来干旱频发，对粮食作物特别是冬小麦的影响严重，及时、准确地对山东省进行干旱监测具有重要意义。杜灵通等[25]使用 TRMM降水量资料和单站干旱监测Z指数，对山东进行干旱监测及可靠性检验;马建威等[26]构建了NDVI-LST土壤墒情反演模型，对山东省旱情进行监测。曹张驰等[27]利用MODIS遥感数据，指出使用温度植被指数法建立的LST-EVI 特征空间能够较准确地估测山东省干湿转换期的土壤表层相对湿度。王建博等[28]使用MODIS数据构建VSWI监测山东春季旱情的发展和分布情况。陈振等[29]采用Ts-NDVI特征空间法监测了山东省冬小麦生长季的旱情状况。由于不同的干旱指数在不同区域适用性不同，而且冬小麦不同生长阶段发生的干旱对产量造成的影响也有差异，因此对不同干旱指数的地区适用性及不同生育期干旱对冬小麦产量影响进行研究至关重要。

本研究利用2001—2015年的MODIS及TRMM数据构建遥感干旱监测指数，评价不同遥感干旱指数对山东省干旱监测的适用性，进而采用表现最佳的NVSWI干旱指数对山东地区的干旱进行时空动态研究;同时结合冬小麦产量数据，分析不同生育期干旱对冬小麦产量的影响。

1 研究区概况

山东省（114°47′～122°43′E，34°23′～38°24′N）位于我国东部沿海，地处黄河下游，东临黄海，北邻渤海。中部为鲁中南山地丘陵区，东部半岛为波状丘陵区，西部、北部为黄河冲积平原区。全省总面积约15.71×104 km2，耕地面积约75 050 km2。山东省属暖温带大陆性季风气候，年平均气温在11～14℃，年平均降水量在 550～950 mm 之间，无霜期在180～220 d。由于山东的年内降水时空分配极为不均，加上其地理位置和气候特征特殊等因素，春季和冬季易受干旱威胁。冬小麦是山东的主要农作物之一，若其主要生育期（3—6月）内发生干旱会造成冬小麦减产甚至绝产。

2 数据来源与研究方法

2.1 数据来源

本研究使用的数据包括降水量地面观测数据、遥感数据、全球同化土壤水分数据以及农业统计数据。

2.1.1 降水量观测数据资料[HT]月降水量地面观测数据和山东省的旱情灾害状况均来源于中国气象数据网（http：//data.cma.cn/）。年降水量数据来自于山东省水资源公报（http：//www.sdwr.gov.cn/）。为保证降水数据的连贯性和一致性，本研究筛选并使用了山东省2001—2015年28个气象站（图 1）的数据。

2.1.2 遥感数据及处理[HT]使用的遥感数据包括MODIS地表反射率产品MOD09A1（8 d，500 m）和地表温度产品MOD11A2（8 d，1 km）以及TRMM降水量数据。反射率数据从陆地进程分布式活动存档中心（https：//lpdaac.usgs.gov/）网站下载，TRMM数据从美国航空航天局地球观测数据和信息系统（http：//reverb.echo.nasa.gov/）网站下载。采用NASA网站提供的MRT（MODIS Reprojection Tool）工具对下载的遥感数据进行投影转换，利用ArcGIS和ENVI等遥感图像处理软件对遥感数据进行重采样、裁剪等预处理;MODIS数据用于计算归一化水分指数（NDWI）、归一化植被供水指数（NVSWI），TRMM用于计算归一化降水距平百分率（NPA）。

2.1.3 全球陆面数据同化系统（GLDAS）土壤水分数据[HT]GLDAS数据是美国航空航天局（NASA）戈达德空间飞行中心（GSFC）与美国海洋和大气局（NOAA）国家环境预报中心（NCEP）联合发布的基于卫星陆面模式和地面观测数据的同化产品（https：//giovanni.gsfc.nasa.gov）。本研究所使用的是0～10 cm深度的月尺度GLDAS土壤水分产品，其空间分辨率是0.25°，将其重采样为500 m。利用GLDAS数据验证三个指数，选出最适合山东地区的遥感干旱監测指数。

2.1.4 农业统计数据[HT]2001—2015年山东省的市级冬小麦产量数据从山东省统计局（http：//www.stats-sd.gov.cn/）获得。山东省的冬小麦生育期划分从中国气象数据共享网（http：//data.cma.cn/）获得（表1）。

2.2 研究方法

技术路线如图2所示。首先对数据进行预处理，主要包括波段提取、重采样、月合成和裁剪，然后计算NDWI、NPA和NVSWI。利用GLDAS的土壤湿度数据分别对3种指数进行线性拟合，选取与土壤湿度相关性最高的干旱指数作为山东旱情监测的指标，确定山东干旱时空分布数据集，分析山东典型年份干旱的时空分布以及干旱对冬小麦产量的影响。

2.2.1 归一化水分指数（NDWI） NDWI是基于短波红外与近红外波段的归一化比值指数。NDWI能有效表征植被冠层的水分含量，在植被冠层受到水分胁迫时，能及时做出响应，这对于旱情监测具有重要意义。NDWI计算公式如下[30]：

式中RNIR指近红外波段反射率，RSWIR指短波红外反射率。

2.2.2 归一化降水量距平百分率（NPA） 降水量距平百分率（PPA）是表示降雨量偏离气候平均状况程度的指标之一[4]，可直观反映降雨异常导致的农业干旱状况。PPA的计算公式如下：

对PPA进行归一化，计算公式如下：

2.2.3 归一化植被供水指数（NVSWI） 当植被受到干旱胁迫时，叶片气孔会关闭以维持冠层中的水分，因此，蒸散量减小，地表温度（LST）增大。在土壤水分充足的情况下，由于蒸散作用，覆盖植被的LST值会低于裸地的LST值。因此植被指数与冠层温度可以在一定程度上反映土壤水分的含量。根据这一原理提出的植被供水指数从NDVI和LST两个方面来表征干旱状况。植被供水指数被定义为[22]：

其中，LST表示陆地表面温度，NDVI表示归一化植被指数。Abbas等[31]2014年对VSWI值作出修正，结果被表述为归一化植被供水指数（NVSWI），定義为：

其中，VSWImin和VSWImax分别代表VSWI在某一时段的最小和最大像元值。本文计算了山东省2001—2015年月尺度的NVSWI值。

2.2.4 农业干旱指标 除遥感指数外，本文还计算了作物产量损失率（yield loss ratio，YLR）用于分析干旱导致的冬小麦产量损失。YLR表示相对多年平均水平受干旱影响的作物减产百分率[32]，计算如下：

YLR为正值并且值越大说明冬小麦产量损失越严重，负值说明冬小麦无减产。

2.2.5 相关系数法 首先建立遥感指数与土壤水分间的线性回归模型，将R2作为遥感指数能否有效进行干旱监测的评价标准。然后通过计算不同时间尺度的NVSWI与冬小麦产量的Pearson相关系数R[公式（7）]，探讨不同生育期干旱对冬小麦产量的影响，从而确定关键的干旱预警期。

其中，x代表不同时间尺度的遥感指数值，y代表产量或者土壤水分，n代表样本的数量。

3 结果与分析

3.1 相关性验证及不同指数敏感性对比分析

降水量的多少对土地是否干旱起到了决定性的作用。本研究从山东省水资源公报中获取了2001—2015年山东省年均降水量和多年平均降水量（图3），可以看出山东省年均降水量整体呈现降低趋势。为了验证干旱指数在不同时期的适用性，选取15年来降水量最少的2002年的1、3、5、7、9、11月共6个月份来分析干旱指数在山东的适用性。

选取2002年1、3、5、7、9、11月6个月份的GLDAS土壤水分数据分别与同时段三个指数进行相关性分析，结果（图 4）显示，三个指数与土壤水分的相关性均通过0.05水平显著性检验，相关系数R在0.20～0.61之间。

1月份，NVSWI与土壤水分的相关性最高，相关系数为0.33;NDWI与土壤水分的相关性最差，原因可能是部分站点的反射率值受云遮挡影响导致NDWI值存在偏差，所以与土壤水分的相关性也较差。3月份，NVSWI与土壤水分的相关性最高，相关系数为0.54;NPA与土壤水分的相关性最差，相关系数为0.44，可能是因为降水量少，观测误差大，导致NPA有较大误差，进而导致NPA与土壤水分相关性较低。7月份，NVSWI与土壤水分的拟合结果达到最高，相关系数为0.61，5月和9月的拟合结果与7月份接近，分别达到0.60和0.59。11月份NVSWI与土壤水分的相关系数最高，为0.41;NPA与土壤水分的相关性最低，为0.24。综上，各月份NVSWI与土壤水分的相关性均最高，与空间分布结果相吻合。NVSWI是用NDVI和LST计算得来的，NDVI代表植被的生长状况，LST代表植被的冠层温度，水分是否充足是植被生长好坏的一个关键因素，而且植被通过吸收水分来实现蒸腾作用进而维持冠层温度。当水分充足时，植被能正常生长;当水分不足时，植被会通过关闭气孔来降低蒸腾作用，冠层温度就会升高，从而影响植被生长，因此NVSWI可以有效地反映土壤含水量，可用于山东地区的干旱监测。

3.2 不同干旱指数的空间分布

使用三种干旱指数（NVSWI、NPA和NDWI）对2002年的旱情特征进行分析，并根据Cong等[9]提出的划分标准进行干旱程度划分：0～0.2为重度干旱，0.2～0.4为中度干旱，0.4～0.6为轻度干旱，0.6～0.8正常状态，0.8～1.0为极湿润状态。结果见图5。

基于NVSWI的干旱分布显示，6个月份山东省都遭受了不同程度的干旱，尤其是7月份和11月份，全省大部分地区都发生了严重干旱，鲁中和鲁东南地区尤为严重。基于NPA的干旱空间分布显示在7月和11月山东省也出现了严重干旱情况，TRMM降水数据的空间分辨率为0.25°，因值较低导致使用其数据计算的NPA容易出现大片数值相同的区域，但各市的干旱情况存在差异， 所以NPA拟合结果与实际情况不太相符，不能很好地表征各地干旱的发生情况。NDWI显示1月份和11月份山东大部分地区处于严重干旱状态，而7月份无干旱发生。

据山东省水文水资源勘测局统计，2002年山东省2月初开始出现旱情，3月和4月旱情开始蔓延且急剧发展，5月上旬出现连续降雨，到5月中旬旱情全部解除，6月到11月份旱情持续发展。可见，基于NVSWI的干旱空间分布结果更贴近实际情况且明显优于NPA和NDWI， 因此，NVSWI更适合用于山东地区的干旱监测。

3.3 NVSWI与冬小麦产量的相关性分析

图6反映了NVSWI年均值及冬小麦逐年产量距平随时间变化情况，可以看出，冬小麦产量总体保持增长趋势且大体上与NVSWI值呈正相关关系，换言之冬小麦产量与干旱程度大体呈负相关关系。

根据《中国水旱灾害公报》，2001年和2002年山东省都发生了十分严重的干旱，因此，这两年的NVSWI值均低于其他年份，冬小麦产量也低于多年的平均值。2006年以前增长速率较快，之后趋于平稳增长，一部分原因是农田水利建设逐步完善，对处于干旱地区的冬小麦起到了很好的缓解作用，并起到很明显的增产作用;另一部分原因是科技的发展和政策的扶持带动了冬小麦产量的稳步增长[33]。整体而言，干旱与冬小麦产量呈负相关关系，但个别年份如2007年干旱程度减轻，产量却没有明显上升;2010年和2013年研究区均发生了不同程度的干旱，冬小麦产量与上年相比并没有下降，甚至有小幅度的增长，造成这种现象的原因值得进一步研究。

图7反映了2001—2015年冬小麦主要生长季（3—6月）NVSWI与冬小麦产量距平相关性的比较结果。3月份冬小麦进入抽穗的关键时期，此期间各地市NVSWI与冬小麦产量距平的相关性较低，烟台、威海和莱芜甚至出现了负相关;4、5月份各地市两者的相关性均表现为正相关，且值较高;6月份冬小麦进入乳熟期，6月中旬大部分地区冬小麦收割完成，相关性略低于4、5月份。综上，4、5月份干旱对冬小麦产量的影响较大。

3.4 山東省各地区干旱分布特点

图8反映的是2001—2015年15年的NVSWI年均值空间分布情况。2001年和2002年受“厄尔尼诺”现象影响，全省都发生较为严重的干旱，2002年的年均降水量仅413 mm，比常年同期偏少39%[34];2003—2006年干旱主要集中在山东西部和南部地区，2007—2008年全省处于正常情况，2009年和2010年除山东中部外其余地区均发生不同程度的干旱，2011年和2012年干旱集中发生在鲁南地区，2013年山东各地区都发生轻微干旱，2014年和2015年处于偏湿润的状况。从时间序列的年际干旱变化可以看出，2001年到2015年山东省整体干旱程度在减弱;从空间上看，受干旱影响较重的区域主要集中在山东西部和南部地区。

4 结论

本研究选取典型干旱年，通过GLDAS土壤水分数据与三个干旱指数（NDWI、NPA和NVSWI）的相关性分析，筛选出NVSWI更适用于山东省干旱监测，能较好地表征农业干旱的严重程度。使用NVSWI分析山东省干旱的时空分布特征，结果显示，2001—2015年山东省的整体干旱程度在减弱，受干旱影响区域主要集中在鲁西和鲁南地区。进一步通过NVSWI与归一化作物产量NYL之间的相关性分析不同生育期干旱对冬小麦产量的影响，结果显示，4—5月干旱对山东省冬小麦产量的影响更为显著，表明抽穗期和灌浆期的水分管理至关重要。

参 考 文 献：

[1] Sheffield J， Wood E F， Roderick M L. Little change in global drought over the past 60 years[J]. Nature， 2012， 491（7424）： 435-438.

[2] Heim R R J. A review of twentieth-century drought indices used in the United States[J]. Bulletin of the American Meteorological Society， 2002， 83（8）：1149-1166.

[3] Yao Y J， Liang S L， Qin Q M， et al. Monitoring global land surface drought based on a hybrid evapotranspiration model[J]. International Journal of Applied Earth Observation and Geoinformation， 2011， 13（3）： 447-457.

[4] Chen C， Zhao S H. Drought monitoring and analysis of Huanghuai Hai plain based on TRMM precipitation data[J]. Remote Sensing for Land & Resources， 2016， 28（1）： 122-129.

[5] McKee T B， Doesken N J， Kleist J. The relationship of dro-ught frequency and duration to time scales[C]// Proceedings of 8th Conference on Applied Climatology. Anaheim， 1993： 179-184.

[6] Palmer W C. Meteorologic drought[R/OL]. Weather Bureau Research Paper， 1965， 45： 58.

[7] Anderson M C， Hain C， Wardlow B， et al. Evaluation of dr-ought indices based on thermal remote sensing of evapotranspiration over the continental United States[J]. J.Clim.， 2011， 24： 2025-2044.

[8] Islam N， Uyeda H. Comparison of TRMM 3B42 products with surface rainfall over Bangladesh[C]// IGARSS. Proceedings of IEEE international geoscience and remote sensing symposium. 2005： 4112-4115.

[9] Cong D M， Zhao S H， Chen C， et al. Characterization of droughts during 2001—2014 based on remote sensing： a case study of Northeast China[J]. Ecological Informatics， 2017， 39： 56-67.

[10]Tucker C J， Slayback D A， Pinzon J E， et al. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999[J]. International Journal of Biometeorology， 2001， 45（4）： 184-190.

[11]陈维英，肖乾广，盛永伟.距平植被指数在1992年特大干旱监测中的应用[J].环境遥感，1994， 9（2）： 106-112.

[12]Kogan F N. Remote sensing of weather impacts on vegetation in nonhomogeneous areas[J]. Int. J. Remote Sens.， 1990， 11： 1405-1419.

[13]Peters A J， Waltershea E A， Lel J I， et al. Drought monitoring with NDVI-based standardized vegetation index[J]. American Society for Photogrammetry and Remote Sensing， 2002， 68（1）： 71-75.

[14]McVicar T R， Jupp D L B. The current and potential operational uses of remote sensing to aid decisions on drought exceptional circumstances in Australia： a review[J]. Agricultural Systems， 1998， 57（3）： 399-468.

[15]Gao B C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sens. Environ.， 1996， 58： 257-266.

[16]Jiao W， Zhang L， Chang Q. Evaluating an enhanced vegetation condition index （VCI） based on VIUPD for drought monitoring in the continental United States[J]. Remote Sensing， 2016， 8（3）： 224.

[17]牟伶俐， 吳炳方， 闫娜娜， 等. 农业旱情遥感指数验证与不确定性分析[J]. 水土保持通报， 2007， 27（2）： 119-122.

[18]Goward S N， Hope A S. Evapotranspiration from combined reflected solar and emitted terrestrial radiation： preliminary FIFE results from AVHRR data[J]. Advances in Space Research， 1989， 9（7）： 239-249.

[19]Carlson T N， Perry E M， Schmugge T J. Remote sensing of soil moisture availability and fractional vegetation cover for agricultural fields[J]. Agricultural and Forest Meteorology， 1990， 52（1/2）： 45-69.

[20]Nemani R， Pierce L， Running S， et al. Developing satellite-derived estimates of surface moisture status[J]. Journal of Applied Meteorology， 1993， 32（3）： 548-557.

[21]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.

[22]Carlson T N， Gillies R R， Perry E M. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews， 1994， 9（1）：161-173.

[23]Mu Q， Zhao M， Kimball J S， et al. A remotely sensed global terrestrial drought severity index[J]. Bull. Am. Meteorol. Soc.， 2013， 94： 83-98.

[24]Nichol J E ， Abbas S. Integration of remote sensing datasets for local scale assessment and prediction of drought[J]. Science of The Total Environment， 2015， 505： 503-507.

[25]杜灵通， 田庆久， 黄彦. 基于TRMM数据的山东省干旱监测及其可靠性检验[J]. 农业工程学报， 2012（2）： 128-133.

[26]马建威， 黄诗峰， 胡健伟. 基于MODIS数据的山东省土壤墒情遥感动态监测与分析[J]. 水文， 2013， 33（3）： 29-33， 42.

[27]曹张驰， 沈润平， 田烨， 等.山东省干湿转换期土壤水分MODIS遥感监测[J]. 干旱气象， 2014， 32（3）： 340-345.

[28]王建博， 王蕾彬. 基于植被供水指数的山东省2013年春季旱情监测[J]. 山东农业科学， 2015， 47（7）： 117-122.

[29]陳振， 刘涛， 梁守真， 等. 基于Modis-TVDI方法的山东小麦生长季旱情遥感监测[J]. 江苏农业科学， 2018， 46（19）： 331-336.

[30]Chen D， Huang J， Jackson T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J]. Remote Sensing of Environment， 2005， 98（2/3）： 225-236.

[31]Abbas S， Nichol J， Qamer F， et al. Characterization of drought development through remote sensing： a case study in central Yunnan， China[J]. Remote Sensing， 2014， 6（6）： 4998-5018.

[32]Zhang J， Mu Q Z， Huang J X. Assessing the remotely sensed Drought Severity Index for agricultural drought monitoring and impact analysis in North China[J]. Ecological Indicators， 2016， 63： 296-309.

[33]余慧倩， 张强， 孙鹏. 干旱强度及发生时间对华北平原五省冬小麦产量影响[J]. 地理学报， 2019， 74（1）： 89-104.

[34]张胜平， 陈希村， 苏传宝. 2002年山东省严重干旱分析[J]. 水文， 2004（3）： 42-45.