基于作物缺水指数的农业干旱监测模型构建

宋廷强，鲁雪丽，卢梦瑶，刘德虎，孙媛媛※，颜 军，刘璐铭

·农业水土工程·

基于作物缺水指数的农业干旱监测模型构建

宋廷强1，鲁雪丽1，卢梦瑶1，刘德虎1，孙媛媛1※，颜 军2，刘璐铭2

（1. 青岛科技大学信息科学技术学院，青岛 266000；2. 珠海欧比特宇航科技股份有限公司，珠海 519000）

农业干旱监测问题对农业生产具有重要影响，因此精确监测农业干旱具有现实意义。该研究基于MOD16A2全球蒸散产品，计算作物缺水指数（Crop Water Stress Index，CWSI），结合地表温度、植被指数、降水量以及土壤湿度等多源遥感数据为自变量，以3个月时间尺度的标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index，SPEI-3）为因变量，基于偏差校正随机森林算法构建山东省2000—2019年作物生长季（4—10月）的偏差校正随机森林干旱状况指数（Bias-corrected Random Forest Drought Condition Index，BRF-DCI）。并分析CWSI对于构建山东省农业干旱监测模型的影响。结果表明：加入CWSI后，所提出的BRF-DCI指数与SPEI-3观测指数的决定系数为0.72～0.85，优于未加入CWSI之前；加入CWSI后提高了干旱等级监测的准确率；BRF-DCI指数能较好地拟合各月份的SPEI-3指数，决定系数均在0.94以上；BRF-DCI指数能够准确反映山东省典型干旱年的干旱情况，有效监测山东省农业干旱情况。该研究对山东省农业旱情监测及旱灾防御具有较大的应用潜力。

农业；干旱；随机森林；MOD16A2；CWSI；偏差校正；模型构建

0 引 言

干旱灾害发生频率高，涉及范围广，是较为常见的自然灾害之一。农业干旱的发生对于中国的经济发展和农业生产影响较大，因旱灾造成的粮食减产也非常严重。近20年来，中国50%以上的农业自然灾害损失的来自于干旱灾害[1]，因此,精准监测干旱发生对农业生产具有重要意义。

以气象站点的监测数据计算干旱指数来监测干旱的发生，是较为传统的方法。常用的干旱监测指数有帕默尔干旱指数（Palmer Drought Severity Index，PDSI）[2]、标准化降水指数（Standardized Precipitation Index，SPI）[3]、标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index，SPEI）[4]等。这类方法中数据准确率较高、易于获取，但对于在大范围内对旱情进行快速准确的评估，存在气象站点在空间上分布不均匀的缺点。随着遥感技术的快速发展，基于遥感的干旱监测方法能够较为精确地反映出干旱受植被及其他环境因素的影响。基于遥感数据监测干旱的主要指数包括植被状况指数（Vegetation Condition Index，VCI）[5]、温度状况指数（Temperature Condition Index，TCI）[6]、降水状况指数（Precipitation Condition Index，PCI）[7]、作物缺水指数（Crop Water Stress Index，CWSI）[8]以及土壤湿度状况指数（Soil Moisture Condition Index，SMCI）[9]等。基于蒸散数据的CWSI具有物理意义明确、适用范围广的特点，被广泛应用于农业干旱以及地表蒸散发的时空分布特征的研究[10-11]。

近几年来，一些学者开始研究基于多源遥感数据监测农业干旱，同时采用多元线性回归[12]、主成分分析法[13]以及客观赋权法[14]等方法构建综合干旱指数。但农业干旱的形成不仅是由于降水、植被、地表温度以及土壤水分等因素的影响，蒸散数据涉及大气、植被以及土壤之间的水分与能量交换，是农业干旱形成过程中的重要因素[15]。近年PCI、TCI以及SMCI在干旱监测模型构建中得到广泛应用，但CWSI在农业干旱监测模型构建方面的相关研究较少。而采用线性组合构建多因子干旱监测模型的方法，难以表述不同干旱因子之间的非线性关系，一些学者开始采用机器学习算法，如人工神经网络[16]、随机森林[17]等构建干旱监测模型。

本研究综合考虑蒸散数据在农业干旱发生过程中对大气、土壤以及植被等水分的影响，用多源遥感数据构建了偏差校正随机森林干旱状况指数（Bias-corrected Random Forest Drought Condition Index，BRF-DCI），同时研究CWSI在构建农业干旱监测模型中的作用。并分析BRF-DCI对山东省农业干旱监测是否适用，以期为山东省农业干旱监测评估以及防旱减灾提供新的途径。

1 研究区域与研究数据

1.1 研究区概况

山东省地处中国东部沿海，黄河的下游（图1），总面积约为15.71×104km²。地形以平原与丘陵为主，山东省西北部为黄河冲击平原区，中部为山地，相对海拔较高，地形起伏较大。气候属暖温带季风气候，四季分明，降水时空变化大，分布不均，年平均降水量550～1 050 mm。山东省是农业大省，耕地面积较大，共11.56×104km²，占山东省土地总面积的73.61%，干旱对农作物生长、产量等影响较大[18]。

1.2 数据来源

研究数据主要包括气象数据与遥感数据两部分，时间尺度为2000—2019年。气象数据包括月降水、气温等，选取山东省48个气象站点的气象数据（http://data.cma.cn/）。

遥感数据包括MODIS数据（http://ladsweb.modaps.eosdis.nasa.gov/），主要使用地表温度数据MOD11A2（时空分辨率：1 km、8 d）、归一化植被指数数据MOD13A3（时空分辨率：1 km、30 d）以及蒸散发数据MOD16A2（时空分辨率：500 m、8 d）。TRMM是1997年发射的热带测雨任务卫星，提供全球降水数据[19]，本文中主要使用TRMM_3B43（时空分辨率：0.25、30 d）（https://disc.gsfc.nasa.gov/datasets/TRMM_3B43_7/summary）。GLDAS数据（时空分辨率：0.25、30 d）是由4个陆面模型提供的陆面数据，本研究使用土壤湿度数据[20]（https://giovanni.gsfc.nasa. gov/giovanni/）。

1.3 数据预处理

1.3.1 站点数据

SPEI是计算降水量与潜在蒸散量的差值，引入概率模型得到的指数。使用Thornthwaite方法[21]计算得到潜在蒸散量(Potential Evapotranspiration，PET)，使其服从Log-logistic概率分布，同时对其进行正态标准化处理得到累计概率[22]。

当≤0.5时，

当>0.5时，取值为1-，

SPEI具有1个月、3个月、6个月等多时间尺度，因为3个月以上时间尺度可以更好地反映农业干旱的严重程度与持续时间[23]，因此本文选择3个月时间尺度的SPEI（SPEI-3）作为因变量。利用气象站点的降水与气温数据，计算山东省各气象站点的SPEI-3的值（称为观测值）。依据国家标准[22]划分SPEI的等级如表1所示。

表1 基于标准化降水蒸散指数干旱等级划分

1.3.2 遥感数据

对遥感数据进行相关的预处理，使用质量文件进行控制，剔除无效值，同时将遥感数据统一处理为1 km空间分辨率。对MODIS数据中地表温度(Land Surface Temperature，LST)、归一化植被指数(Normalized Differential Vegetation Index，NDVI)、PET与蒸散量(Evapotranspiration，ET)等数据进行处理，得到TCI[6]、VCI[5]以及CWSI[8]，计算公式如下：

式中为月份，下标Max为最大值，下标Min为最小值。

通过对TRMM_3B43数据进行预处理后提取Precipitation降水波段，PCI计算公式[7]如下：

对GLDAS数据预处理后，提取SoilMoi0_10cm_inst波段计算SMCI公式[9]如下：

2 研究方法

2.1 技术流程

农业干旱对于农作物的生长发育具有重要意义，每年4 —10月为山东省大部分农作物的生长旺季，在此期间发生干旱对于农作物的生长发育、产量等具有极大的影响，因此本文选取山东省2000—2019年的4—10月48个站点的SPEI-3作为因变量，以对应站点的遥感影像数据作为自变量，包括TCI、VCI、PCI、PCI、CWSI以及SMCI等多个旱情因子。随机以2:8划分数据集，其中20%作为测试集，80%作为训练集，基于随机森林算法构建回归模型，同时对回归模型进行偏差校正得到BRF-DCI。采用决定系数（2）、平均绝对误差（Mean Absolute Error，MAE）以及均方根误差（Root Mean Square Error，RMSE）等模型评估方法选取最优的回归模型，其中2取值越大，MAE与RMSE取值越小，说明预测值与观测值拟合度越好、相关性越高以及误差越小，预测值与观测值越接近[23]。同时判断自变量是否加入CWSI指标，分析CWSI对于BRF-DCI的影响，对BRF-DCI指数的干旱监测能力进行评估与验证。技术流程如图2所示。

2.2 随机森林回归模型构建

随机森林（Random Forest，RF）算法包含多个决策树，在分类与回归问题中有广泛的应用[24]。RF在构建过程中采取有放回的随机抽取样本集的BootStrap自助法，而且RF的每个子树在分裂过程中是从待选特征中随机选取，大大降低了过拟合[25]。本文使用R程序语言，使用其中的Randomforest程序包，通过网格搜索的参数优化方法，选取如表2参数，构建RF模型。

2.3 偏差校正方法

RF算法在预测过程中，当观测值较小时，预测值可能被高估，观测值较大时，预测值可能被低估[25]。因此为提高RF模型的精度，本文选择了Song[26]提出的基于残差旋转的最优角度旋转法（Best-angle Rotation，BR）进行偏差校正，构建基于偏差校正的回归模型，模型拟合得到BRF-DCI。校正方法如下：

表2 随机森林参数取值

3 结果与分析

3.1 CWSI对模型精度影响

为研究CWSI对构建干旱监测模型的影响，采用添加与未添加CWSI为自变量构建干旱监测模型，得到4 —10月的干旱监测模型，以2、RMSE以及MAE进行模型精度评估结果如表3所示。由表3可知，加入CWSI之后的模型得到的BCF-DCI指数与观测值SPEI-3的2范围为0.72～0.85，未加入CWSI的模型2范围为0.58～0.71，低于加入CWSI后的模型，说明加入CWSI后BRF-DCI指数与观测值SPEI-3相关性更高。同时，加入与未加入CWSI为自变量构建的回归模型中，RMSE最大值分别为0.51和0.64，MAE最大值为0.40和0.52，说明加入CWSI后BRF-DCI指数与观测值SPEI-3差异更小。

对于从不同月份、自变量不同时统计得到的模型的拟合精度来看，本文在加入CWSI之后，回归模型的2提升，RMSE与MAE均有下降。其中，4月的2最高，达到了0.85，除5月外，其余各月2均提升至少0.11，RMSE、MAE均下降至少0.11、0.09。6月2提升最高，为0.17，RMSE与MAE分别降低0.15、0.12，说明CWSI对6月影响效果最大。研究表明[10,27]，CWSI与植被覆盖度相关，山东省6月正处于冬小麦收割与种植夏玉米，出现大量裸地，地表水水分的大量蒸发造成CWSI指数对干旱监测的影响较大。

表3 自变量不同时各模型精度评估结果

据表1统计2000—2019年各月份自变量不同时，各站点监测不同干旱等级准确率即预测站点等级结果为不同干旱等级中预测正确的概率，如图3所示。可以看出，加入CWSI后，中旱、重旱以及特旱的监测准确率最大值分别为0.88、0.89以及0.91。未加入CWSI前，中旱、重旱以及特旱的监测准确率最大值分别为0.81、0.74以及0.75。整体而言，加入CWSI后除图3a的4月外，加入CWSI有效提升了干旱等级的准确率，其中对于重旱与特旱的效果最优。这说明加入CWSI对于模型监测极端干旱情况的发生也有显著优势。可见，加入CWSI指标作为因变量，对于山东省农业干旱监测模型的构建是有效的，能显著提高模型的精度。

3.2 BRF-DCI指数的干旱监测能力评估

3.2.1 基于BRF-DCI模拟山东省站点干旱情况

为评估BRF-DCI指数在山东省的适用性情况，对山东省站点模拟的BRF-DCI指数与观测值SPEI-3进行分析。将多源遥感数据输入回归模型，得到每个站点的2000 —2019年的BRF-DCI指数，与利用气象数据得到的每个站点的SPEI-3指数观测值进行比较，如图 4所示。可以看出，BRF-DCI可以很好地拟合实测指数，2均在0.94以上。其中4月BRF-DCI与SPEI-3的相关性最强为0.958，7月、8月及9月与10月的BRF-DCI与SPEI-3的决定系数也在0.95之上。7个月份的BRF-DCI指数与观测值SPEI-3的RMSE均在0.25之下。

为研究构建的BRF-DCI指数是否可准确反映山东省干旱变化趋势，根据薛明慧[10]研究，山东省秋旱较严重，且秋收作物生长成熟期为9月上旬—10月上旬，在此区间作物需水量较大，此时发生干旱对作物产量影响较大。因此，选取2000—2019年9月时6个基本站，观察SPEI-3与BRF-DCI的干旱变化趋势情况，如图5所示。由图可知，BRF-DCI与SPEI-3的值拟合度较高，尽管有个别站点的个别年份的BRF-DCI与SPEI-3的值存在不一致性，如图5b中济南站2010年SPEI-3比BRF-DCI稍高，图 5f中日照站2014年SPEI-3比BRF-DCI稍低。但绝大多数气象站点的BRF-DCI与SPEI-3的干旱变化具有一致性，并且BRF-DCI与SPEI-3值接近，表明BRF-DCI能够监测相同月份不同站点的旱情类型，以及监测相同站点、月份、不同年份的干旱变化趋势，可用于评估实际旱情状态。3.2.2 典型干旱年空间分布

采用BRF-DCI对山东省典型干旱年的干旱空间分布进行分析，验证BRF-DCI的监测能力。根据山东省统计年鉴中记载的农作物受灾、成灾面积，选取典型干旱年2002年。以4—10月为例，分析区域内干旱空间分布情况。由童德明等[28-29]研究可知，2002年4月鲁西北、鲁中等地区处于中旱、轻旱状态，其余各地区均无旱。进入5月、6月全省降水量增加，基本无旱情发生。6月之后，全省持续高温少雨致使旱情愈加严重。尤其在8—10月，鲁东南与鲁中等地区均有特旱发生，全省区域基本处于干旱状态。旱情主要发生在济南、聊城、泰安、济宁、菏泽等地。

对站点计算的SPEI-3进行空间插值，采用反距离权重插值（Inverse Distance Weighting，IDW）的方法，得到干旱空间分布的栅格数据图（图6），并利用构建的干旱监测模型得到BRF-DCI空间分布的栅格数据图（图7），评估回归模型监测精度。BRF-DCI空间分布图与SPEI-3使用IDW方法插值生成的旱情空间分布图对旱情的发展过程基本一致，与真实的旱情也较为一致。但因为气象站点个数较少，IDW方法在无站点区域对于旱情的监测不精确。例如菏泽市东部在4月时出现中度干旱，BRF-DCI监测为中旱，但菏泽市东部只有定陶站一个气象站点，IDW监测为轻旱，因此使用IDW对该区域旱情监测不准确；而10月聊城东南部出现重度干旱，BRF-DCI监测为重旱，但聊城东南部也仅有莘县站1个气象站点，使用IDW方法对旱情等级出现误判。

总体来说，由BRF-DCI反映的山东省干旱情况与IDW方法插值的站点SPEI-3有较好的一致性，并且BRF-DCI对于站点SPEI-3分布之外的栅格区域也能较好的反映旱情。2002年4—10月，BRF-DCI模拟的旱情空间分布情况，较为准确地指出了山东省遭受干旱的受灾区域，一定程度上反映了山东省内不同区域遭受干旱的旱情程度、变化趋势，说明BRF-DCI指数适用于山东省干旱监测。

4 讨 论

农业干旱的形成过程极其复杂，其受植被、降水以及其他环境因素等的影响。因此，为有效表征农业干旱的复杂性，本研究基于多源的遥感数据构建了干旱状况指数。分析不同的干旱类型，可以采用不同时间尺度的SPEI，SPEI-1更适宜于气象干旱的监测，气象干旱最先发生，农业干旱较晚于气象干旱发生，水文干旱较晚于农业干旱发生。根据Potop等[30-31]研究，气象干旱的发生比农业干旱提前约1个月，而农业干旱的发生比水文干旱提前约2个月，且SPEI-3与土壤湿度的相关性较好，更适宜于表征农业干旱，因此本文选取3个月尺度的SPEI-3指数。

为解决单一干旱指数以及不同干旱因子之间可能存在非线性关系，而不能准确反映干旱情况的问题，董婷等[32]利用RF方法，以TCI、VCI、PCI以及SMCI为自变量构建干旱监测模型，表明对于大范围的旱情监测，由RF构建的综合干旱监测指数具有较大的应用潜力。本文考虑蒸散数据对于农业干旱监测的影响，加入了蒸散数据计算的CWSI构建干旱监测指数。同时，在RF算法的基础上，加入偏差校正的方法，对多源遥感数据构建干旱状况指数，相比于原始的RF算法，本文构建的BRF-DCI指数具有更准确地农业干旱监测能力。可以进一步提高农业干旱监测能力，同时提高了对于极端干旱监测的准确性。此外本文在选取自变量时，综合考虑了降水、植被、温度以及蒸散等因素对农业干旱形成过程中的影响，构建山东省农业干旱监测模型。但是农业干旱形成复杂性不止于此，在后续研究中将会进一步考虑如高程、植被覆盖类型等对于农业干旱的影响。

5 结 论

本研究考虑了作物缺水指数（Crop Water Stress Index，CWSI）对农业干旱监测的影响，并基于偏差校正的随机森林方法构建农业干旱监测模型，得到偏差校正随机森林干旱状况指数（Bias-corrected Random Forest Drought Condition Index，BRF-DCI）。分析了BRF-DCI对山东省农业干旱监测的适用性，研究结果如下：

1）加入CWSI为自变量构建的干旱监测模型，得到的BRF-DCI指数与观测值SPEI-3的决定系数为0.72～0.85，优于未加入CWSI决定系数为0.58～0.71。

2）加入CWSI，BRF-DCI指数提高了监测极端干旱的准确率，对于中旱、重旱、特旱的准确率均有提升，表明加入CWSI作为自变量显著提高了模型对极端干旱监测的精度。

3）各站点在2000—2019年9月的BRF-DCI与SPEI-3反映的干旱趋势基本一致，BRF-DCI可以较好拟合SPEI-3；相比于反距离权重插值法，根据BRF-DCI模拟的山东省典型干旱年情况与历史遭受的旱情一致，而且BRF-DCI监测图可以较为准确地指出干旱受灾区域，更加准确地反映山东省2002年典型干旱事件的时空演变。

[1] 黎云云，畅建霞，樊晶晶，等. 气候和土地利用变化下黄河流域农业干旱时空演变及驱动机制[J]. 农业工程学报，2021，37(19)：84-93.

Li Yunyun, Chang Jianxia, Fan Jingjing, et al. Agricultural drought evolution characteristics and driving mechanisms in the Yellow River Basin under climate and land use changes[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 84-93. (in Chinese with English abstract)

[2] Palmer W C. Meteorological drought[R]. Research Paper No 45, US Dept of Commerce, 1965: 1-58.

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

[4] 王林，陈文. 标准化降水蒸散指数在中国干旱监测的适用性分析[J]. 高原气象，2014，33(2)：423-431.

Wang Lin, Chen Wen. Analysis of applicability of standardized precipitation evapotranspiration index in drought monitoring in China[J]. Plateau Meteorology, 2014, 33(2): 423-431. (in Chinese with English abstract)

[5] Kogan F N. Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing, 1990, 11(8): 1405-1419.

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

[7] Oliver J E. Monthly precipitation distribution: A comparative index[J]. Professional Geographer, 2010, 32(3): 300-309.

[8] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133-1138.

[9] 胡蝶，沙莎，王丽娟，等. 欧空局主被动微波土壤水分融合产品在甘肃省干旱监测中的应用[J]. 干旱气象，2019，37(4)：517-528.

Hu Die, Sha Sha, Wang Lijuan, et al. Application of ESA active and passive microwave soil water fusion products in Drought monitoring in Gansu Province[J]. Journal of Arid Meteorology, 2019, 37(4): 517-528. (in Chinese with English abstract)

[10] 薛明慧. 基于 MOD16 数据的河南省和山东省干旱的时空分布特征[J]. 亚热带资源与环境学报，2020，15(2)：81-87.

Xue Minghui. Spatio temporal distribution characteristics of drought in Henan and Shandong provinces based on MOD16[J]. Journal of Subtropical Resources and Environment, 2020, 15(2): 81-87. (in Chinese with English abstract)

[11] 张猛，曾永年，齐玥. 基于 MOD16 的洞庭湖流2000-2014 年地表蒸散时空变化分析[J]. 农业工程学报，2018，34(20)：160-168.

Zhang Meng, Zeng Yongnian, Qi Yue. Analyzing spatio-temporal variations of evapotranspiration in Dongting Lake Basin during 2000—2014 based on MOD16[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(20): 160-168. (in Chinese with English abstract)

[12] 余灏哲，李丽娟，李九一. 基于TRMM降尺度和MODIS数据的综合干旱监测模型构建[J]. 自然资源学报，2020，35(10)：2553-2568.

Yu Haozhe, Li Lijuan, Li Jiuyi. Establishment of comprehensive drought monitoring model based on downscaling TRMM and MODIS data[J]. Journal of Natural Resources, 2020, 35(10): 2553-2568. (in Chinese with English abstract)

[13] Arun Kumar K C, Obi Reddy G P， Masilamani P， et al. Integrated drought monitoring index: A tool to monitor agricultural drought by using time series datasets of space-based earth observation satellites[J]. Advances in Space Research, 2021,67(1): 298-315.

[14] 赵水霞，王文君，吴英杰，等. 综合干旱指数构建及其在不同草原类型中的应用[J]. 农业工程学报，2021，37(16)：99-107.

Zhao Shuixia, Wang Wenjun, Wu Yingjie, et al. Construction and application of comprehensive drought index in different steppe types[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 99-107. (in Chinese with English abstract)

[15] Han H Z, Bai J J, Yan J W，et al. A combined drought monitoring index based on multi-sensor remote sensing data and machine learning[J]. Geocarto International, 2019, 36(10): 1-16.

[16] Shen R P, Huang A Q, Li B L, et al. Construction of a drought monitoring model using deep learning based on multi-source remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 79: 48-57.

[17] 杨晋云，张莎，白雲，等. 基于机器学习融合多源遥感数据模拟SPEI 监测山东干旱[J].中国农业气象，2021，42(3)：230-242.

Yang Jinyun，Zhang Sha，Bai Yun, et al. SPEI simulation for monitoring drought based machine learning integrating multi-source remote sensing data in Shandong[J]. Chinese Journal of Agrometeorology，2021，42(3)：230-242. (in Chinese with English abstract)

[18] 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(增1)：23-26.

Xu Yu, Jiang Lihua, Zhang Jianjun, et al. Impact of climate change on Shandong agricultural production and the adaption countermeasure[J]. Chinese Journal of Agrometeorology, 2010, 31(Suppl 1): 23-26. (in Chinese with English abstract)

[19] Fang J, Yang W, Luan Y, et al. Evaluation of the TRMM3B42 and GPM IMERG products for extreme precipitation analysis over China[J]. Atmospheric Research, 2019, 223: 24-38.

[20] Rodell M, Houser P R, Jambor U, et al. The global land data assimilation system[J]. Bull Amer Meteor-Soc, 2004, 85(3): 381-394.

[21] Thornthwaite C W. An approach toward a rational classification of climate[J]. Geographical Review, 1948, 38(1): 55-94.

[22] 中国气象局.GB/T 20481—2017：气象干旱等级[S]. 北京：中国标准出版社，2006：11.

[23] Chrisgone A, Robert O, Peter W W, et al. Model ensembles of artificial neural networks and support vector regression for improved accuracy in the prediction of vegetation conditions and droughts in four northern Kenya Counties[J]. International Journal of Geo-Information, 2019, 8(12): 562.

[24] Breman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[25] Zhang G Y, Lu Y. Bias-corrected random forests in regression[J]. Journal of Applied Statistics, 2012, 39(1): 151-160.

[26] Song J. Bias corrections for random forest in regression using residual rotation[J]. Journal of the Korean Statistical Society, 2015, 44(2): 321-326.

[27] 汪左，王芳，张运. 基于CWSI的安徽省干旱时空特征及影响因素分析[J]. 自然资源学报，2018，33(5)：853-866.

Wang Zuo, Wang Fang, Zhang Yun. Spatio-temporal distribution characteristics and influencing factors of drought in Anhui province based on CWSI[J]. Journal of Natural Resources. 2018, 33(5): 853-866. (in Chinese with English abstract)

[28] 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.

Tong Deming, Bai Yun, Zhang Sha, et al. Applicability of drought severity index (DSI) in remote sensing monitoring of drought in Shandong province[J]. Chinese Journal of Agrometeorology. 2020, 41(2): 102-112. (in Chinese with English abstract)

[29] 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 Shengping, Chen Xicun, Sun Chuanbao, et al. Analysis of serious drought in Shandong province in 2002[J]. Hydrology, 2004, 24(3): 42-45. (in Chinese with English abstract)

[30] Potop V, Boroneant C, Mozny M, et al. Observed spatiotemporal characteristics of drought on various time scales over the Czech Republic[J]. Theoretical and Applied Climatology, 2014, 115(3/4): 563-581.

[31] Wu Z Y, Yun M. Exploring spatiotemporal relationships among meteorological, agricultural, and hydrological droughts in Southwest China[J]. Stochastic Environmental Research and Risk Assessment, 2016, 30(3): 1033-1044.

[32] 董婷，任东，邵攀，等. 基于多源遥感数据和随机森林的综合旱情指标构建[J]. 农业机械学报，2019，50(8)：1000-1298.

Dong Ting, Ren Dong, Shao Pan, et al. Construction of integrated drought condition index based on multi-sensor remote sensing and random forest[J]. Transactions of The Chinese Society of Agricultural Machinery，2019, 50(8): 1000-1298. (in Chinese with English abstract)

Construction of agricultural drought monitoring model based on crop water stress index

Song Tingqiang1, Lu Xueli1, Lu Mengyao1, Liu Dehu1, Sun Yuanyuan1※, Yan Jun2, Liu Lumin2

(1.,266000,;2..,.,519000,)

Agricultural drought has been one of the most damaging natural hazards in the world, due mainly to the water shortage. A timely and effective monitoring system can greatly contribute to the management and mitigation of agricultural drought for better crops yields. A drought index can be further used to support the agricultural drought monitoring, assessment, and decision-making on mitigation measures. Therefore, it is a high demand to determine the real drought and monitoring index in practice. Taking the Shandong Province in eastern China as the research area, this study aims to construct a new agricultural drought monitoring model by random forest using the Crop Water Stress Index (CWSI). A deviation correction was also used to construct the Bias-corrected Random Forest Drought Condition Index (BRF-DCI). The physical meaning of evapotranspiration data was elucidated in the occurrence of agricultural drought. The multisource remote sensing was selected, including the Vegetation Condition Index (VCI), Precipitation Condition Index (PCI), Temperature Condition Index (TCI), Soil Moisture Condition Index (SMCI), and Standardized Precipitation Evapotranspiration Index (SPEI). The accuracy of the model was evaluated by the determination coefficient, and root mean square error. Since the study area presents the warm temperate continental monsoon climate with large temporal and spatial changes in the precipitation, some considerations were made on the influence of evapotranspiration on the drought monitoring model, as well as the accuracy and application of drought condition index for different drought grades. The results were as follows: 1) A better performance was achieved, when adding the CWSI as the independent variable into the drought monitoring model, where the determination coefficient of the BRF-DCI index and the observed SPEI-3 was 0.72-0.85, and the root mean square error was 0.58-0.71. 2) The BRF-DCI index with CWSI improved the accuracy of extreme drought monitoring, where the maximum monitoring accuracies of moderate, severe, and special drought were 0.88, 0.89, and 0.91, respectively. As such, the CWSI independent variable significantly improved the accuracy of the model, particularly for the extreme drought monitoring. 3) The drought monitoring index was basically consistent with the drought trend, represented by the real SPEI-3 at different sites, suitable for the changing of the actual drought. 4) The simulation of historical drought using drought condition index was also basically consistent with the actual in the study area. Consequently, the BRF-DCI can be widely expected to accurately predict the drought-affected areas with the temporal and spatial evolution. This finding can provide an important reference to evaluate the agricultural drought monitoring index for the early warning of natural hazards..

agricultural; drought; random forest; MOD16A2; CWSI; deviation correction; model building

2021-07-20

2021-10-10

山东省重点研发计划（公益类专项）项目（2019GGX101047）；国防科工局高分专项（83-Y40G33-9001-18/20）；山东省自然科学基金项目（ZR202102180604）

宋廷强，博士，副教授，研究方向为遥感应用、人工智能。Email：116638307@qq.com

孙媛媛，博士，讲师，研究方向为农业遥感。Email：yysun@qust.edu.cn

10.11975/j.issn.1002-6819.2021.24.008

TP79；S127

A

1002-6819(2021)-24-0065-08

宋廷强，鲁雪丽，卢梦瑶，等. 基于作物缺水指数的农业干旱监测模型构建[J]. 农业工程学报，2021，37(24)：65-72. doi：10.11975/j.issn.1002-6819.2021.24.008 http://www.tcsae.org

Song Tingqiang, Lu Xueli, Lu Mengyao, et al. Construction of agricultural drought monitoring model based on crop water stress index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(24): 65-72. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.24.008 http://www.tcsae.org