干旱严重程度指数（DSI）在山东省干旱遥感监测中的适用性*

童德明，白 雲，张 莎，刘 琦，杨晋云

干旱严重程度指数（DSI）在山东省干旱遥感监测中的适用性*

童德明，白 雲**，张 莎，刘 琦，杨晋云

（青岛大学计算机科学技术学院遥感与数字地球研究中心，青岛 266071）

选择一个合适的干旱遥感监测指标，对于及时准确评估干旱对农作物生长影响有重要意义。本文综合植被指数和蒸散发指数，构成干旱严重程度的指数（DSI），并定量评价DSI在山东地区干旱监测的适用性，以期为该区干旱遥感动态监测提供科学依据。在定量分析DSI适用性的过程中，采用相关分析方法，针对基于标准化降水指数（SPI）长时间序列中的典型干旱时期，将月尺度的DSI、归一化干旱指数（NDDI）、温度植被干旱指数（TVDI）分别与SPI、土壤相对湿度（RSM）进行皮尔森相关关系分析。结果表明，SPI、RSM与DSI的相关系数分别在0.40、0.30左右，整体上高于SPI、RSM与NDDI和TVDI的相关性。此外，DSI表示的旱情时空分布准确地捕捉到了历史时期山东各地区的典型干旱事件的发生及其干旱的变化过程。DSI可以反映气象干旱和农业干旱，对山东干旱遥感监测有较好的适用性。

遥感；干旱指数；DSI；适用性；山东省

干旱是区域范围内因长期无降水或降水异常偏少而造成空气干燥土壤缺水至干涸，进而导致农作物受害和减产的现象[1]。干旱灾害损失占中国农业自然灾害损失的50%以上，且近20a在中国大部分地区有逐步加剧的趋势[2]，对农业生产的影响日益加重[3]。干旱的精准监测对农业生产有重要意义。

目前国内外学者提出了很多干旱的监测指标[4]，主要分为基于站点气象数据的传统指标和基于卫星数据的遥感监测指标。传统的干旱监测方法中被广泛应用的监测指数有标准降水指数（Standardized Precipitation Index，SPI）[5]、标准降水蒸散指数（Standardized Precipitation Evapotranspiration Index，SPEI）[6]、土壤相对湿度（Relative Soil Moisture，RSM）等，对中国大部分地区的干旱监测有良好的指示作用[7]。此类方法主要是利用站点的历史降水、温度、土壤湿度等气象资料评估干旱的严重程度，其优点是站点实测数据准确度高，但受站点空间分布不均的局限性影响，不利于从大范围区域对旱情作出快速准确评估[8]。而基于高时空分辨率的遥感监测方法克服了这一局限性，且具有连续空间监测的特点，被广泛应用于空间上大尺度的干旱监测[9]。

遥感干旱监测方法主要通过地表反射率、地表温度、地表蒸散发等参数来模拟干旱程度[10]。Anderson等基于蒸散（Evapotranspiration，ET）和潜在蒸散（Potential Evapotranspiration，PET），提出蒸散胁迫指数，取得较高的干旱监测精度[11−12]。Mu等[13]进一步通过综合蒸散胁迫指数与植被指数，提出干旱严重程度指数（Drought Severity Index，DSI）。此后，DSI被广泛应用于各地区的干旱监测，Um等[14]利用DSI指数分析了东亚地区旱情的时空特征，Zhang等[15]利用DSI指标对中国西南地区进行旱情监测，结果表明DSI可以在中国西南亚热带地区进行高分辨率的近实时干旱监测，此指数显示了在全球内监测干旱的巨大潜力。此外，有学者利用基于其它地表参数构成的遥感干旱指数对中国地区的旱情进行监测，如白开旭等[16]利用基于地表反射率构建的归一化干旱指数（Normalized Difference Drought Index，NDDI）宏观重现了2010年中国西南大旱的时空演变历程，齐述华等[17−18]利用基于地表反射率和地表温度构建的温度植被指数（Temperature Vegetation Dryness Index，TVDI）反映了中国大部分地区表层土壤水分的变化。然而遥感干旱指数存在明显的时空适用性差异，在不同区域、不同作物生长阶段，农作物所反映的农业干旱特征不同[19]。区域应用的普适性仍需要进一步深入研究，选择一个合适的干旱遥感监测指标，对于及时准确地评估干旱对农作物生长的影响有重要意义[20]。

山东省是以农业生产为主的省份，干旱是影响农业的典型灾害之一[21]。以往在山东地区的地级市尺度上评估遥感干旱指数对气象和农业干旱监测适用性的研究报道较少，本研究利用传统的干旱监测方法中的标准降水指数（SPI）、土壤相对湿度（RSM）指标来定量评价干旱严重程度指数（DSI）对山东地区干旱监测的适用性，以期为山东地区干旱的遥感动态监测提供科学依据。

1 资料与方法

1.1 研究区概况

山东省（34°25′−38°23′E，114°36′−122°36′N）濒临渤海与黄海，地形多半为丘陵和平原，土壤类型多样。属于暖温带大陆性季风气候，夏季温润多雨，冬季寒冷干燥，年平均降水量一般在554～1048mm，降水时空变化较大，空间上由东南向北递减。夏季易形成涝灾，而冬春又常发生旱灾。根据《山东统计年鉴》，山东地区农作物主要有冬小麦和夏玉米，冬小麦一般10月中旬播种，翌年6月中旬收割，夏玉米的生长时期一般为6月中旬−9月中旬，干旱对这两种农作物的生长影响较大[22]。

1.2 数据来源

各气象站点1980−2017年的降水量和各农业气象站点2000−2011年（气象数据共享网仅发布了2000−2011年的数据）的土壤相对湿度数据均来自中国气象数据共享网（data.cma.cn），站点分布如图1。删除缺失数据的站点，选取24个气象站和18个农业气象站。其中降水量为月累计值，选自中国地面气候资料月值数据集；土壤相对湿度选自中国农作物生长发育和农田土壤湿度旬值数据集，土层深度分别为10cm、20cm、50cm。为统一时间尺度，把每月3个旬的土壤相对湿度数据进行算术平均，得到土壤相对湿度月值数据，方便进一步与基于遥感数据的干旱指数进行相关性验证。

遥感数据为MODIS（Moderate Resolution Imaging Spectroradiometer ，中分辨率成像光谱仪）数据。影像数据分别为植被指数产品MOD13A1（L3，500m，16d分别对应为3级产品，空间分辨率为500m，时间分辨率为16d。下同），蒸散产品MOD16A2（L3，500m，8d）、地表温度产品MOD11A2（L3，1000m，8d）以及土地利用类型产品MCD12Q1（L3，1000m，1a）。数据期限为2000−2017年，均从http://ladsweb.nascom.nasa.gov下载。

图1 山东省土地利用类型及站点分布

1.3 方法

1.3.1 研究流程

研究流程如图2所示。首先，对遥感数据进行预处理得到遥感干旱指数NDDI、DSI、TVDI，对站点数据进行预处理得到各时间尺度的SPIs（SPI-1为1个月时间尺度、SPI-3为3个月时间尺度、SPI-6为6个月时间尺度）和不同深度的土壤相对湿度数据RSMs（RSM-10、RSM-20和RSM-50分别表示土层深度为10cm、20cm、50cm的土壤相对湿度）。其中，预处理操作包含：利用重投影工具MRT（Modis Reprojection Tool），将MODIS数据进行重投影，投影坐标系选用阿尔波斯投影坐标系，采用双线性内插法将数据重采样为1km；使用MOD13数据产品的质量控制文件剔除质量差的像元值，然后采用多年同期所有影像的平均值替代删除的像元值；波段计算得到月时间尺度的各指数；利用各年土地利用类型产品（MCD12Q1）提取农田、林地（森林、灌木、稀树草原）、草地，得到图1中剔除水域和城建用地的区域；提取在这3种土地类型范围内各遥感指数所在站点地级市的均值。第二步，在地级市的尺度上将各遥感干旱指数分别与各站点的SPIs和RSMs进行相关性分析，评价干旱严重程度指数在整个生长季和各月份中以及在空间上对干旱监测的适用性。

1.3.2 干旱严重程度指数（DSI）计算

DSI为干旱严重程度指数，综合了归一化植被指数（NDVI）和蒸散量（ET）与潜在蒸散量（PET）的比值（ET/PET），其中NDVI描述植被生长状况，ET/PET描述农作物受水分胁迫状况，DSI可以有效监测气象干旱和农业干旱[14]。MOD16A2中ET和PET数据分别基于Penman-Monteith公式和Penman公式计算所得[23]。DSI的计算过程中，首先通过对MOD16A2产品中ET和PET的计算得到ET/PET，然后对时间序列2000−2017年中每月多幅影像的ET/PET求均值得到月值ET/PET。月值NDVI计算同理。具体计算方法为

图2 研究流程图

1.3.3 标准降水指数（SPI）计算

SPI为标准降水指数，通过计算某一位置给定时间尺度内降雨量的累积概率，来反映该位置的干湿状况。首先通过降水量的G分布概率密度函数求累积概率，再将累积概率标准正态化得到标准降水指数（SPI）[6]。假设某一时段的降水量为x，则G分布的概率密度函数为

式中，a、b分别为形状参数和尺度参数，G(a)为gamma函数，a、b用最大似然法估算。

由于累积概率公式G(x)中不包含x=0的情况，而实际降水量x可以为0。设q为降水为0的概率，则q=m/n，m、n分别为降水为0的样本数、总样本数。则累积概率表示为

对偏态分布概率作正态标准化处理，即将式（11）求得的概率值代入标准正态化分布函数，计算式为

对式（12）进行近似求解可得

当0＜H(x)≤0.5时，则

当0.5

式中，c0=2.515517，c1=0.802853，c2=0.010328，d1=1.432788，d2=0.189269，d3=0.001308。

标准降水指数（SPI）被世界气象组织（2009）推荐为国家气象和水文机构干旱监测的主要干旱指数。其时间尺度多样，能反映不同层面的干旱，对于监测气象和农业干旱一般包括1、3、6个月的时间尺度[24]。一个月时间尺度的SPI-1，是通过将某月份的降水量和历史同期月份的降水量进行分析，得到当前月份降水累积概率值，然后将概率值代入标准化正态分布函数，最后得到SPI-1；3个月时间尺度的SPI-3，是将特定连续3个月的降水总量与历史同期的3个月降水总量相比较，如某特定年份的3月、4月、5月降水总量与历史同期3月、4月、5月降水总量进行比较，可得到该年份5月的SPI-3[6]，同理可得到其它月份的SPI-3；6个月时间尺度的SPI-6与SPI-1、SPI-3的计算方式类似。计算的完整描述可参见世界气象组织官网（http://www.wmo.int/ drought）发布的标准降水指数用户指南。

1.3.4 干旱划分标准

参照文献[15]的技术标准，基于DSI和SPI对干湿等级的划分标准如表1所示，干湿等级共分为11个类别，其中W1、W2、W3、W4、W5类表示湿润，D1、D2、D3、D4、D5类表示干旱。

2 结果与分析

2.1 基于SPI的山东省2000−2017年典型干旱期的监测

利用1980−2017年24个气象站点的月累积降水数据，计算得到24个气象站点在研究期间的各SPI-1、SPI-3、SPI-6值，取24个站点的平均值得到各时间尺度的SPI在2000−2017年（由于MODIS遥感数据从2000年开始，所以只考虑了SPI在2000年之后的数据）的变化过程（图3）。从图3看出，在2002−2003年、2006−2007年干旱持续时间较长，在2000年春季、2002年秋季、2006年秋季、2010年冬季、2011年春季发生了严重干旱，2012−2017年干旱发生的频率高，但强度低。2003−2004年、2007−2008年出现了持续的湿润时期。而在其它时期干旱发生的持续时间、干旱强度无明显规律。图3中虚线框所标记的时期（2000年春季、2002年、2006年、2011冬季和春季、2014年秋季），各尺度的SPI显示出较高的干旱强度和较长的干旱持续时间，被选为典型干旱时期。

表1 基于DSI（干旱严重程度指数）和SPI（标准降水指数）的干湿等级划分标准

图3 2000−2017年山东省不同时间尺度的SPI变化过程

注：SPI-1、SPI-3、SPI-6分别表示1个月、3个月和6个月尺度的标准降水指数。红色表示干旱，蓝色表示湿润。

Note：SPI-1，SPI-3，SPI-6 is standard precipitation indices at 1, 3 and 6 months scales, respectively. Red denotes drought and blue denotes wetness.

2.2 DSI指数对干旱监测的适用性分析

2.2.1 生长季DSI指数与SPIs、RSMs的相关性

利用MODIS数据计算得到DSI、NDDI、TVDI的遥感干旱指数，其中SPI、RSM和DSI数值越小表示越干旱，数值越大表示越湿润，NDDI和TVDI情况相反，数值越大表示越干旱，所以理论上DSI与SPI、RSM的相关系数为正，NDDI、TVDI与SPI、RSM的相关系数为负。为比较各干旱指数在不同时期对干旱监测的适用性，选取如图3虚线框所标记的典型生长季干旱时期（2000年、2002年、2006年、2011年冬小麦生长季，2002年、2006年、2014年夏玉米生长季），对各干旱指数在冬小麦生长季（3、4、5月）和夏玉米生长季（7、8、9月）的表现进行分析，结果如表2所示。

由表2可看出，在整个冬小麦生长季和夏玉米生长季，DSI与SPIs的相关系数值大于NDDI、TVDI与SPIs的相关系数值，而且其相关系数均通过0.05水平的显著性检验，显示出DSI与SPIs对干旱描述的一致性较高。DSI在两种农作物生长季与SPI-6的相关性最好，相关系数分别为0.49和0.44，说明DSI适用干旱监测，尤其对监测长期干旱的敏感性高。对DSI与RSMs各指数的相关性进行比较可知，DSI与RSM-20的相关系数在冬小麦和夏玉米生长季分别为0.25、0.37，高于DSI与RSM-10和RSM-50的相关系数，说明DSI对20cm土层深度的土壤水分变化最敏感。同时在两种农作物生长季中，DSI与RSM-20相关系数均大于NDDI、TVDI与RSM-20的相关系数。总体来说，在季节尺度上，DSI与SPIs、RSMs的相关性明显高于NDDI和TVDI，表明DSI对山东地区干旱监测的适用性强于NDDI和TVDI。

表2 冬小麦和夏玉米生长季三种遥感干旱指数与SPIs、RSMs的相关性

注：RSM-10、RSM-20和RSM-50分别表示10cm、20cm、50cm深处的土壤相对湿度。*、**分别表示相关系数通过0.05、0.01水平的显著性检验。下同。

Note: RSM-10，RSM-20 and RSM-50 represent the relative soil moisture at depths of 10cm,20cm and 50cm,respectively.*is P<0.05，**is P<0.01.The same as below.

2.2.2 月尺度DSI指数与SPIs、RSMs的相关性

为定量评价DSI在山东地区生长季中各月的监测效果，选取图3虚线框所标记的典型干旱时期中3−5月、7−9月时段的遥感干旱指数数据，与SPI-1、SPI-3、SPI-6以及RSM-20数据进行相关性分析，得到如图4所示生长季各月遥感指数与SPIs和RSM-20的相关系数。结果表明，DSI与SPI-1在3、4、7和8月的相关系数较高，在0.30～0.70，在5月和9月的相关系数较低，数值低于0.10；DSI与SPI-3在4、5、8和9月的相关系数均高于0.39，而在3月和7月DSI与SPI-3的相关系数较低，数值低于0.15；DSI与SPI-6在生长季各月的相关系数均在0.35以上，DSI与SPI-6表征干旱的一致性在生长季各月均较高。此外，DSI与SPI-1、SPI-3、SPI-6的相关系数总体上高于NDDI、TVDI与SPI-1、SPI-3和SPI-6的相关系数。

表2中RSM-20与各干旱指数的相关性依次高于RSM-10、RSM-50，所以选取土壤深度为20cm的土壤相对湿度数据进一步在生长季各月与各干旱指数作相关性分析。由图4可知，在4月、8月、9月，DSI与RSM-20的相关系数在0.30以上，高于NDDI、TVDI与RSM-20的相关系数。但在3月，DSI与RSM-20呈显著负相关，在5月、7月DSI与RSM-20的相关性较低，一方面由于站点数据空间代表性不足，另一方面是由于用旬值土壤相对湿度的平均值来代表月值导致数据精度不足。

综合来看，DSI与SPI-1、SPI-3对干旱表征的一致性随月份的变化而有所差异；DSI与SPI-6对干旱表征的一致性较稳定且相关系数在0.50左右；DSI与RSM-20的相关性在4、8和9月表现较好，相关系数在0.33～0.60；DSI与SPIs、RSM-20的相关系数普遍高于NDDI、TVDI。因此可以认为，在生长季各月中，DSI可以很好地反映由降水不足引起的气象干旱，也可以在部分月份很好地反映由土壤含水量不足引起的农业干旱，适用性强于NDDI和TVDI，可以有效用于山东地区干旱的遥感监测。

2.2.3 DSI指数时空分布特征及DSI与SPI-6的验证分析

根据图3，选择2002、2003、2006和2011年4个典型干湿时期，选取其DSI栅格数据以及气象站点的SPI-6数据，评价DSI在空间上对干旱监测的适用性，结果如图5所示。

根据表1对DSI描述干旱的划分标准，统计得到2002年的7、8和9月受干旱影响的总面积分别占研究区域总面积的84.25%、90.80%、93.31%，该时期山东地区的普遍干旱与厄尔尼诺现象以及无有效降水持续时长有关[25]，DSI在空间上较好地描述了这一时期干旱的发生。2003年山东整体上较湿润，但是山东西北和南部地区在4、5、7月出现了局部严重干旱，其它月份也出现了局部轻微干旱。2006年山东省整体处于轻微干旱状态，8月和9月，局部地区出现了严重干旱。根据图5中DSI空间分布图对干旱的描述，2011年3、4、5、7和8月受干旱影响的总面积分别占研究区域总面积的91.22%、72.18%、68.25%、83.35%、55.36%，到9月旱情得到缓解。《中国水旱灾害公报》公布的2011年山东省作物受旱灾面积达129.49万hm2，DSI准确描述了这一时期山东地区受旱面积广、干旱持续时间长的特征[26]。此外，在4个典型干湿年中的5、7、8和9月，DSI与SPI-6对干旱的描述一致。但在2002年3、4月和2003年的3、4月DSI与SPI-6对干旱的描述出现差异，是由于山东地区在春季存在人工灌溉的因素，而SPI-6的大小仅与自然降水有关。总体来说，在空间上，DSI所显示的受旱情况与历史实际遭受的旱情结果一致性高，适合用于山东地区的遥感干旱监测。

图4 月尺度SPIs、RSMs与各遥感指数的相关性分析

图5 典型干湿年份农作物生长季中DSI与SPI-6对干湿描述的空间分布

3 结论与讨论

3.1 结论

在山东地区，干旱严重程度指数DSI与标准降水指数SPI、土壤相对湿度RSM的相关系数分别在0.40和0.30左右，整体上高于归一化干旱指数NDDI、温度植被干旱指数TVDI与SPI、RSM的相关系数。在冬小麦和夏玉米生长季的各月中，DSI可以反映由降水不足引起的气象干旱和由土壤含水量不足引起的农业干旱，且对干旱监测的适用性强于NDDI和TVDI。在典型干湿年份，DSI空间分布图所显示的受旱情况与历史实际遭受的旱情结果一致。综合来看，月尺度的干旱严重程度指数DSI对监测山东地区干旱具有较好的适用性。

3.2 讨论

标准降水指数SPI、土壤相对湿度RSM作为评价干旱严重程度指数DSI的指标，本身具有一定的局限性。SPI是一个被广泛应用的气象干旱监测评估指标[8]，但SPI的计算只考虑了自然降水，山东地区存在人工灌溉的因素，用SPI来评价遥感干旱指数对干旱监测受到一定制约。土壤相对湿度RSM也是一个广泛评估旱涝灾害的指标[7]，但本研究采用土壤相对湿度旬值的平均值代表月值，存在时间代表性问题，导致DSI与RSM的相关性偏低。

本研究只评估了月尺度干旱严重程度指数DSI在山东地区干旱监测的适用性，在8d尺度、16d尺度、季节尺度以及年尺度的适用性不能确定。此外，干旱严重程度指数DSI的精度依赖于ET/PET的精度，而目前基于MODIS产品的ET数据是基于原始分辨率约为0.5°×0.6°的气象再分析数据面向全球开发的资料，导致ET数据在区域尺度上精度不高。因此，利用站点的气象资料以及利用目前学者计算ET的最优算法[27]提高ET数据的精度，是提高DSI监测精度的重点。

[1]陈晓玲,赵红梅,田礼乔. 环境遥感模型与应用[M].武汉:武汉大学出版社,2008:188-189.

Chen X L,Zhao H M,Tian L Q.Remote sensing of environment: models and applications[M].Wuhan:Wuhan University Press,2008:188-189.(in Chinese)

[2]Food and Agriculture Organization Nations(FAO).Statistical database of the food and agricultural organization of the united nations[EB/OL].http://www.fao.org/statistics/en/,2018.

[3]万能涵,杨晓光,刘志娟,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(Ⅲ):华北地区夏玉米干旱[J].中国农业气象,2018,39(4):209-219.

Wan N H,Yang X G,Liu Z J,et al.Temporal and spatial variations of agro-meteorological disasters of main crops in China in a changing climate(Ⅲ):drought of summer maize in North China Plain[J].Chinese Journal of Agrometeorology, 2018,39(4):209-219.(in Chinese)

[4]张佳华,许云,姚凤梅,等.植被含水量光学遥感估算方法研究进展[J].中国科学:技术科学,2010,(10):1121-1129.

Zhang J H,Xu Y,Yao F M,et al.Advances in estimation methods of vegetation water content based on optical remote sensing techniques[J].Sciences in China(E),2010,(10):1121- 1129.(in Chinese)

[5]张洁,武建军,周磊,等.基于MODIS数据的农业干旱监测方法对比分析[J].遥感信息,2012,27(5):48-54.

Zhang J,Wu J J,Zhou L,et al.Comparative study on remotely sensed methods of monitoring agricultural drought based on MODIS data[J].Remote Sensing Information,2012,27(5): 48-54.(in Chinese)

[6]Mckee T B,Doesken N J,Kleist J.The relationship of drought frequency and duration to time scale[J].Paper Presented at 8thConference on Applied Climatology,1993,17(22):179-183.

[7]黄中艳,钟楚,张明达,等.若干干旱指标在云南大旱年农业干旱监测评估中的适用性分析[J].中国农业气象,2013, 34(2):221-228.

Huang Z Y,Zhong C,Zhang M D,et al.Applicability analysis for several drought indices to agricultural drought evaluation during the severe drought year in Yunnan[J].Chinese Journal of Agrometeorology,2013,34(2):221-228.(in Chinese)

[8]Rhee J,Im J,Carbone G J.Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data[J].Remote Sensing of Environment,2010,114(12):2875- 2887.

[9]杜灵通,田庆久,王磊,等.基于多源遥感数据的综合干旱监测模型构建[J].农业工程学报,2014,(9):126-132.

Du L T,Tian Q J,Wang L,et al.A synthesized drought monitoring model based on multi-source remote sensing data [J].Transactions of the CSAE,2014,(9):126-132.(in Chinese)

[10]姚凤梅,杨太明,曹倩,等.合肥地区近55年气候极值与农业气候指标动态变化趋势[J].自然灾害学报,2013,22(5): 227-237.

Yao F M,Yang T M,Cao Q,et al.Dynamic change trend of climate extremes and agroclimatic indices in Hefei region over past 55 years[J].Journal of Natural Disasters,2013,22(5): 227-237.(in Chinese)

[11]Anderson M,Hain C,Wardlow B,et al.Evaluation of a drought index based on thermal remote sensing of evapotranspiration over the continental U.S.[J].Journal of Climate,2011,24( 8):2025-2044．

[12]Anderson M,Norman J M,Mecikalski J R,et al. Climatological study of evapotranspiration and moisture stress across the continental United States based on thermal remote sensing:model formulation[J].Journal of Geophysical Research,2007,112(D10):D10117.

[13]Mu Q,Zhao M,Kimball J S,et al.A remotely sensed global terrestrial drought severity index[J].Bulletin of the American Meteorological Society,2013,94(1):83-98.

[14]Um M J,Kim Y,Park D.Evaluation and modification of the Drought Severity Index(DSI) in East Asia[J].Remote Sensing of Environment,2018,209:66-76.

[15]Zhang X Q,Yamaguchi Y.Characterization and evaluation of MODIS-derived Drought Severity Index (DSI) for monitoring the 2009/2010 drought over southwestern China[J].Natural Hazards,2014,74(3):2129-2145.

[16]白开旭,刘朝顺,施润和,等.2010年中国西南旱情的时空特征分析:基于MODIS数据归一化干旱指数[J].地球信息科学学报,2012,14(1):32-40.

Bai K X,Liu S C,Shi R H,et al.Analysis of spatio-temporal characteristics of drought in southwest China in 2010 by using MODIS-based normalized difference drought index [J].Journal of Geo-information Science,2012,14(1):32-40.(in Chinese)

[17]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.

[18]齐述华,王长耀,牛铮.利用温度植被旱情指数(TVDI)进行全国旱情监测研究[J].遥感学报,2003,7(5):420-427.

Qi S H,Wang C Y,Niu Z.Evaluating soil moisture status in China using the temperature/vegetation dryness index(TVDI) [J].Journal of Remote Sensing,2003,7(5):420-427.(in Chinese)

[19]牟伶俐,吴炳方,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.

Mu L L,Wu B F,Yan N N,et al.Validation of agricultural drought indices and their uncertainty analysis[J].Bulletin of Soil and Water Conservation,2007,27(2):119-122.(in Chinese)

[20]黄友昕,刘修国,沈永林,等.农业干旱遥感监测指标及其适应性评价方法研究进展[J].农业工程学报,2015,(16): 186-195.

Huang Y X,Liu X G,Shen Y L,et al.Advances in remote sensing derived agricultural drought monitoring indices and adaptability evaluation methods[J].Transactions of the CSAE,2015,(16):186-195.(in Chinese)

[21]Kogan F N.Droughts of the late 1980s in the United States as derived from NOAA Polar-Orbiting satellite data[J]. Bulletin of the American Meteorological Society,1995, 76(5):655-668.

[22]徐钰,江丽华,张建军,等.气候变化对山东省农业生产的影响与对策[J].中国农业气象,2010,31(S1):23-26.

Xu Y,Jiang L H,Zhang J J,et al.Impact of climate change on Shandong agricultural production and the adaption countermeasure[J].Chinese Journal of Agrometeorology, 2010,31(S1):23-26.(in Chinese)

[23]黄健熙,张洁,刘峻明,等.基于遥感DSI指数的干旱与冬小麦产量相关性分析[J].农业机械学报,2015,(3):166-173.

Huang J X,Zhang J,Liu J M,et al.Correlation analysis between drought and winter wheat yields based on remotely sensed drought severity index[J].Transactions of the Chinese Society for Agricultural Machinery,2015,(3):166-173.(in Chinese)

[24]韩家琪.基于大数据思维的干旱监测方法研究[D].北京:中国农业科学院,2018:2-3.

Han J Q.The research of drought monitoring based on big data[D].Beijing:Chinese Academy of Agricultural Sciences, 2018:2-3.(in Chinese)

[25]张胜平,陈希村,苏传宝,等.2002年山东省严重干旱分析[J].水文,2004,24(3):42-45.

Zhang S P,Chen X C,Sun C B,et al.Analysis of serious drought in Shandong Province in 2002[J].Hydrology,2004, 24(3):42-45.(in Chinese)

[26]石春玲,李峰,孟祥新,等.山东省2010-2011年秋冬连旱特征及成因[J].干旱气象,2012,30(3):323-326.

Shi C L,Li F,Meng X X,et al.Charateristics and causes of continuous drought from autumn 2010 to winter 2011 in Shandong province[J].Journal of Arid Meteorology,2012, 30(3):323-326.(in Chinese)

[27]杨永刚,崔宁博,胡笑涛,等.中国三大灌区参考作物蒸散量温度法模型的修订与适应性评价[J].中国农业气象, 2018,39(6):357-369.

Yang Y G,Cui N B,Hu X T,et al.Revision and adaptability evaluation of temperature-based methods for reference crop evapotranspiration in the three irrigation districts of China[J].Chinese Journal of Agrometeorology,2018,39(6): 357-369.(in Chinese)

Applicability of Drought Severity Index(DSI) in Remote Sensing Monitoring of Drought in Shandong Province

TONG De-ming, BAI Yun, ZHANG Sha, LIU Qi, YANG Jin-yun

(1.Remote Sensing and Digital Earth Center, School of Computer Science and Technology, Qingdao University, Qingdao 266071,China)

It is important to select a suitable drought remote sensing monitoring index for timely and accurate assessment of the impact of drought on crop growth. In this paper, the vegetation index and evapotranspiration index were integrated to form the drought severity index (DSI), and the applicability of DSI was quantitatively evaluated in drought monitoring，in order to provide scientific basis for remote sensing dynamic monitoring of drought in Shandong province. In the process of quantitatively analysis of DSI applicability, the Pearson correlation analysis was carried out on the monthly scale DSI, Normalized Difference Drought Index(NDDI), Tempera-ture Vegetation Drought Index(TVDI) and Standard Precipitation Index (SPI), Relative Soil Moisture (RSM) in the typical drought period based on the long-term sequence of the SPI, respectively. The results showed that the correlation coefficients between SPI, RSM and DSI are about 0.40 and 0.30 respectively, which were higher than the correlation between SPI, RSM and NDDI, TVDI. In addition, the occurrence of typical drought events and the change process of drought were accurately described by the spatial-temporal distribution of DSI in Shandong province during the historical period. The meteorological drought and agricultural drought was reflected by DSI, which indicated the good applicability of DSI for remote sensing monitoring of drought in Shandong province.

Remote sensing; Drought indices; DSI; Applicability; Shandong Province

10.3969/j.issn.1000-6362.2020.02.005

童德明,白雲,张莎,等.干旱严重程度指数（DSI）在山东省干旱遥感监测中的适用性[J].中国农业气象,2020,41(2):102-112

2019−07−10

白雲，E-mail：baiyun@qdu.edu.cn

山东省自然科学基金重大基础研究项目（ZR2017ZB0422）；国家自然科学基金（31571565；31671585）

童德明，E-mail：18363993828 @163.com