典型旱年农业干旱遥感监测指标在东北地区生长季的表现*

2021-04-26王蔚丹裴志远陈媛媛

中国农业气象 2021年4期

王蔚丹，孙丽**，裴志远，陈媛媛

（1.农业农村部耕地利用遥感重点实验室，北京 100121；2.农业农村部规划设计研究院遥感与数字乡村研究所，北京 100121）

干旱是对社会影响最为严重的自然灾害之一，给粮食安全和水资源管理带来极大挑战[1−2]。近年来，干旱面积逐年增加，其产生的不利影响有增加的风险，气候变化引起的干旱等极端天气给全球粮食安全带来巨大威胁[3−4]。《2020年全球粮食危机报告》指出干旱是影响粮食安全的重要驱动因素之一[5]。积极有效地进行干旱监测对农业安全生产管理至关重要。

目前表征干旱的指数很多[6]，传统的干旱监测方法主要基于站点的降水、温度和土壤湿度等资料来评估干旱的严重程度[7]。在过去50a 里，遥感技术已经改变了传统的基于站点的测量方法，使在更大的空间尺度上观测与干旱相关的关键变量成为可能[8]。农业干旱的发生离不开气象、土壤和作物的相互作用。根据近年的研究[9−10]，将目前常用的农业干旱监测指数分为3 类：降水型、土壤型和作物型。第1类如条件降雨指数（Precipitation Condition Index，PCI）、标准化降雨指数（Standardized Precipitation Index，SPI）、TRMM-Z 指数等，主要基于TRMM（Tropical Rainfall Measuring Mission）等卫星的星载测雨雷达降水产品。第2 类如表观热惯量（Apparent Thermal Inertia，ATI）、改进型能量指数（Modified Energy Index，MEI）、垂直干旱指数（Perpendicular Drought Index，PDI）、改进的垂直干旱指数（Modified Perpendicular Drought Index，MPDI）等。第3 类包括4 个亚类：其一是作物形态及绿度类遥感监测指标，如条件植被指数（Vegetation Condition Index，VCI）、距平植被指数（Anomalies of Vegetation Index，AVI）；其二是作物冠层含水量类遥感监测指标，如归一化差异水分指数（Normalized Difference Water Index，NDWI）、全球植被水分指数（Global Vegetation Moisture Index，GVMI）；其三是作物冠层温度类遥感监测指标，如条件温度指数（Temperature Condition Index，TCI）、作物缺水指数（Crop Water Stress Index，CWSI）、归一化差异温度指数（Normalized Difference Temperature Index，NDTI）；其四是作物综合旱情类遥感监测指标，如温度植被干旱指数（Temperature Vegetation Drought Index，TVDI）、植被供水指数（Vegetation Supply Water Index，VSWI）等。

目前尚未有一种指标可以直接、精确、完整地表达农业干旱，各指数具有不同的时空适用性。已有学者对干旱指数进行了时空适宜性分析，陈少丹等[11]对TRMM 卫星降水数据在区域干旱监测中进行适用性分析，验证了TRMM 数据能够替代站点观测数据进行干旱的监测与评估。Du 等[12]基于TRMM数据计算条件降雨指数（PCI），可用于农业干旱降水量亏缺程度监测。孙丽等[13]利用MODIS 数据构建温度植被干旱指数（TVDI）和植被供水指数（VSWI），对冬小麦主要生长时期进行干旱监测应用，将其与土壤湿度进行相关分析，指出TVDI 比VSWI 更能体现区域旱情变化趋势。李菁等[14]采用改进型能量指数(MEI)、垂直干旱植被指数（PDI）以及地表含水量指数（SWCI）对陕北地区进行土壤湿度反演，表明3 种指数均能及时、准确得到大范围的土壤含水量情况及旱情。童德明等[7]用月尺度的干旱严重程度指数（Drought Severity Index，DSI）、归一化干旱指数（Normalized Difference Drought Index，NDDI）、TVDI 分别与SPI、土壤相对湿度（Relative Soil Moisture，RSM）进行相关分析，表明DSI 对山东干旱遥感监测有较好的适用性。宋扬等[15]以辽西北为研究区，分析了ATI、AVI、VSWI 3 种指数在春玉米生长前期、生长中期和生长后期监测干旱的可行性和有效性。李华朋等[16]以东北松嫩平原为研究区，合成6−9月单月的MODIS 数据，以标准化降水指数（SPI）为农业干旱敏感性的标准，对比植被绿度指数和植被水分指数在农业干旱监测上的敏感性。郑有飞等[17]利用回归拟合方法，以不同深度（10、20、50cm）的土壤相对湿度（RSM）为基准，讨论了ATI、VSWI和能量指数等3个指数在黑龙江干旱监测中的适应性，提出能量指数法的监测效果明显优于热惯量法和植被供水指数法。这些研究大多选择几种指数以月为时间尺度，以旬或更小时间尺度分类系统地进行东北全区适应性分析的研究较少。时间尺度越小，其所反映的干旱状况越精细[10]，关键生育阶段发生短时干旱也可能给农业生产造成重大影响，有时须有更高时间精度的遥感指数作支撑[18]。而大空间尺度下由于气候条件、土壤类型、作物种植方式以及地形地貌等因素存在较大差别，导致不同指数的适应性在不同时空范围可能发生变化。东北地区是中国粮食主产区之一，主要农产品在全国占有重要地位，干旱和洪涝是影响东北地区粮食生产的主要气象灾害[19]。针对不同作物生长阶段选取适宜的监测指标，对于及时、准确地评估干旱对该地区作物生长的影响，实现合理水资源调度和制定有效抗旱减灾措施都具有重要意义。安雪丽等[20]分析土壤湿度与农气灾情数据及产量数据的关系，表明RSM 在东北地区农业干旱监测中具有较好的监测能力。李阿伦等[21]分析了不同深度土层含水量，表明20cm 土层含水量较其它土层稳定，更适合作为土壤墒情的预测指标。根据统计数据，2009年黑龙江、吉林、辽宁三省受旱面积比分别为40.17%、48.06%、53.18%。本研究以东北三省为研究区，以20cm 土壤相对湿度（RSM）为参考指标，8d 为时间尺度，在区域尺度上分析比较2009年多种农业干旱指数在作物生长季内的表现，旨在更直观地为农业干旱遥感监测指数的选取，并构建科学合理的农业干旱监测指标体系提供参考。

1 资料与方法

1.1 研究区概况

选取东北三省为研究区（图1），平均海拔50～200m，地面起伏平缓，土层深厚。属温带大陆性季风气候，夏季温和湿润，冬季严寒漫长，无霜期100～200d，年降水量为400～800mm，≥10℃年积温为1300～3700℃·d，年日照时数为2300～3000h，基本能满足春玉米、大豆、水稻、小麦等多种作物的生长需要。东北地区地处中高纬度，降水时空分布不均，年际变率较大，热量资源空间变异性大，气候从湿润区、半湿润区过渡到半干旱区，农业区划上从农林区、农耕区过渡到半农半牧区，是气象灾害频繁且严重的地区之一。

图1 东北三省农气站点分布Fig.1 Distribution of 53 argo-meteorological stations in Northeast China

1.2 数据来源及处理

遥感数据包括中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）的有关产品，如MOD11A2（昼夜地表温度）、MOD09A1（地表反射率）和MOD16A2（地表蒸散发）以及TRMM 降水产品3B42（降水量）。上述数据来源于Google Earth Engine 云平台，其中，使用的MOD16A2产品数据时间为 2009年，其它数据时间均为2000−2019年。根据质量评估文件对相应的MODIS数据进行质量控制，当某像素的值无效时不参与干旱指数的计算。采用的MODIS 数据均为8d 时间尺度，3B42 数据时间分辨率为3h，对其进行时间尺度转换，得到8d 时间尺度的累积降水量。将MOD09A1和3B42 数据重采样为1km×1km，与MOD11A2、MOD16A2 空间分辨率统一。

地面验证数据来源于国家气象科学数据中心（http://cdc.cma.gov.cn）的《中国农作物生长发育和农田土壤湿度旬值数据集》，具体为2009年5−9月53 个农气站点（图1）每旬20cm RSM 数据。由于RSM 数据在每月8、18、28日测得，为减少时间不匹配带来的不确定性，如6月中旬和7月下旬RSM获取时间是8d 遥感数据的起始时间，不能表征遥感数据时段的总体状态，所以不参与相关分析，选用农作物主要生长季（5−9月）内13 组数据（表1）。将生长季分为生长季前期（5月）、中期（6、7 和8月）和后期（9月）三个阶段。

表1 2009年作物生长季各组数据对应时间（53 个农气站）Table 1 Corresponding time to each group of data during growing season in 2009 (53 stations)

1.3 农业干旱遥感监测指标

1.3.1 指标分类

以典型干旱年2009年为例，分析降水型、土壤型、作物型3 个类别10 种农业干旱遥感监测指数在东北地区作物生长季8d 尺度上的适用性，指标类别划分如表2所示。

表2 农业干旱遥感监测指数及使用数据源Table 2 Data source of remote sensing indices for monitoring agricultural drought

1.3.2 指数计算

（1）降水型干旱指数

包括条件降水指数（PCI）和累积条件降水指数（APCI），具体算法为

式中，P 表示2009年一定时段内（8d）的降水量（mm），Pmax、Pmin分别为2000−2019年同期降水量最大值（mm）、最小值（mm），k 为当前期数，k−1 表示上一期，以此类推；a0、a1、…、an表示权重系数，PCIk、PCIk−1、PCIk−n分别为当前期、当前期往前追溯1 个时间尺度和当前期往前追溯n 个时间尺度条件降水指数。指数值越小，表明越干旱。降水短缺造成的影响具有累积性[22]，参照已有研究[23]，考虑当前期和前3 期共32d 的降水量[24]，采用权重递减的思路计算APCI，即假定当前期的降水短缺对目前的干旱情况贡献最大，随着时间前移，过去的降水状况对当前干旱的影响随着时间距离递减。a0表示当前期的权重系数，取4/10，a1表示往前追溯1 个时间尺度的权重系数，取3/10，以此类推，各个权重系数4/10、3/10、2/10、1/10 的总和为1。PCI、APCI 越小，表明干旱越严重，RSM 值越小。

（2）土壤型干旱指数

包括表观热惯量（ATI）和改进型能量指数（MEI），具体算法为

式中，A、ΔT 分别表示反照率及昼夜地表温差，ρ1、ρ2、ρ3、ρ4、ρ5、ρ7分别表示MODIS 对应波段（Red、NIR、Blue、Green、TIR、SWIR）的地表反射率，LST 表示地表温度。ATI、MEI 越小，表明干旱越严重，RSM 值越低。

（3）作物型干旱指数

包括条件植被指数（VCI）、归一化差异水分指数（NDWI）、条件温度指数（TCI）、作物缺水指数（CWSI）、累积作物缺水指数（ACWSI）和温度植被干旱指数（TVDI）。具体算法为

式中， ρred、ρblue、ρnir、ρmir分别为Red、Blue、NIR、MIR 波段的反射率，EVI、EVImin、EVImax分别表示增强型植被指数（Enhanced Vegetation Index，EVI）及多年同期EVI 的最小值和最大值，TC、TCmin、TCmax分别表示地表温度及多年同期的最小值和最大值；ET、PET 分别为地表实际蒸散和潜在蒸散；TCmax_EVI为特定EVI 对应的最高冠层温度（干边），TCmin_EVI表示特定EVI 对应的最低冠层温度（湿边），a、b、c、d 为干边、湿边的拟合系数。可以采用地表温度代替冠层温度。k为当前期数，k-1 表示上一期，以此类推；a0、a1、…、an表示权重系数，CWSIk、CWSIk-1、CWSIk-n分别为当前期、当前期往前追溯1 个时间尺度和当前期往前追溯n个时间尺度作物缺水指数。参照APCI的计算方法，考虑了作物前期缺水的影响，利用32d 的CWSI，采用权重递减的思路计算累积作物缺水指数ACWSI。VCI、NDWI、TCI 值越小，则干旱越严重。CWSI、ACWSI、TVDI 值越大，干旱越严重。

1.3.3 指数适用性验证

土壤相对湿度（RSM）是土壤质量含水量与田间持水量的比值，参照已有研究，采用相关分析，结合同期农气站点实测得到的RSM 数据，分析降水型、土壤型及作物型农业干旱遥感监测指数在东北地区适用性。

2 结果与分析

2.1 降水型农业干旱遥感监测指标的表现

利用降水量数据计算得到生长季PCI 和APCI，以农气站点建平（JP）为例，将两个指数分别与实测RSM 对比分析。由图2可以看出，PCI 与RSM 在7月上旬等某些时段一致性较好，6月上旬等时段则表现出明显不同的趋势，而考虑累积效应的APCI 指数与RSM 变化趋势一致性总体较好。该站点5月上旬降水丰沛，中、下旬降水极端偏少，对应的RSM 降低，但波动较小，表明生长季前期PCI 能反映气象干旱发生过程，但RSM 对相应时段的降水减少不敏感（图2a）。APCI 表现出与PCI 类似特征，但考虑了32d 累积降水量的APCI 在一定程度上平滑了近期降水影响程度，因此，变化趋势较PCI 缓和，总体上与RSM 变化特征一致，尤其在生长季的中后期更为明显（图2b）。

图2 降水型指标PCI 和APCI 与实测20cm 土壤相对湿度（20cm RSM）时序变化Fig.2 Variation of time series of PCI/APCI (precipitation-based indicators) and measured relative soil moisture at 20cm depth(20cm RSM)

将两个指数与RSM 的相关性进行对比分析（图3）。生长季内PCI、APCI 两个指数与RSM 相关系数r 的均值分别为0.19、0.36，均呈现正相关关系，而考虑前期降水影响的APCI 较仅考虑当前降水的PCI 与RSM 相关性更高，可以认为APCI 更能反映土壤湿度状况。相比中后期，两个指数在生长季前期与RSM 的相关性偏低，这是由于东北地区春季土壤湿度主要受前5～6 个月尺度大气水分的影响[25]，且春季降水总量较低，即使较常年降水偏少，其影响程度也非常有限，因此该阶段短时降水对土壤湿度总体影响较小。6月PCI 与RSM 相关系数表现不高，表明该时段土壤湿度受前期降水影响仍较大。生长季中期，PCI、APCI 与RSM 相关系数均值分别为0.25、0.41；生长季后期，PCI、APCI 与RSM 相关系数均值分别为0.15、0.37。总体上，生长季中期PCI、APCI 与RSM 相关系数较高，生长季后期次之，生长季前期最低。

图3 降水型指标PCI 和APCI 与20cm 土壤相对湿度的相关系数（n=53）Fig.3 Correlation coefficients (r) between PCI/APCI index and 20cm RSM (n=53)

研究发现，由于PCI 仅考虑短时降水条件，在干旱监测时存在一定的不确定性，如2009年7月上旬吉林、黑龙江两省降水偏少50%，但截至6月下旬两省大部分地区较常年降水偏多80%以上，在前期土壤墒情较好的前提下，气象条件的湿干急转使短时降水型干旱指数PCI 与RSM 相关性降低。

2.2 土壤型农业干旱遥感监测指标的表现

以5月中旬、8月上旬和9月中旬分别代表生长季前期、中期和后期，同时选取有代表性的部分地面样点，对ATI、MEI 与实测土壤相对湿度（RSM）进行对比分析（图4）。生长季前期，ATI 与RSM 变化趋势更为一致（图4a、图4b）；生长季中期，MEI与RSM 变化趋势更为一致，对RSM 变化更为敏感（图4c、图4d）；生长季后期，两个指数与RSM 趋势一致程度基本相当，总体表现较好（图4e、图4f）。

图4 10 个代表站生长季前期（5月中旬）、中期（8月上旬）和后期（9月中旬）土壤型指标ATI 和MEI 与20cm 土壤相对湿度的对比Fig.4 Contrast of ATI/MEI (soil-based indicators) and 20cm RSM during early stage (M-May),middle stage (E-Aug.) and late stage (M-Sep.) of the growing season at 10 representative stations

将两个指数与RSM 的相关性进行对比分析（图5）。结果表明，生长季前期，ATI 与RSM 有更好的相关性，相关系数r 在0.39 以上；但在地表植被覆盖较高的生长季中期相关性低，与前人研究结论一致[15]，此时MEI 与RSM 相关性较高，大多相关系数达到0.40 以上；生长季后期，ATI、MEI 与RSM 的相关性均表现较好，相关系数在0.38 以上。ATI 计算需要用到晴空状态下昼夜温差ΔT，7月中旬进行去云、质量控制等处理后有效数据较少，不参与计算。因研究区5月气温较常年偏高，特别是黑龙江省大部分地区气温为1951年以来历史同期最高值，受气温等环境因素影响，地表温度异常偏高，导致MEI 对20cm 土壤湿度的敏感性降低。

图5 土壤型指标ATI 和MEI 与20cm 土壤相对湿度的相关系数（n=30）Fig.5 Correlation coefficients (r) between ATI/MEI index and 20cm RSM (n=30)

2.3 作物型农业干旱遥感监测指标的表现

利用反射率、陆表温度等数据计算得到2009年生长季VCI、NDWI、TCI、CWSI、ACWSI 和TVDI共6 个指数。以5月中旬、8月上旬和9月中旬分别代表生长季前期、中期和后期，选取有代表性的作物型干旱监测指数与部分地面样点实测RSM 对比分析（图6）。由图可见，RSM 变化趋势与TCI 的变化趋势一致性较好（图6a），与VCI（图6e）、NDWI（（图6f））变化趋势基本一致，与ACWSI（图6b）、TVDI（图6c）、CWSI（图6d）变化趋势相反，该结果符合各指数理论预期。

图6 10 个代表站生长季前期（5月中旬）、中期（8月上旬）和后期（9月中旬）作物型指标与20cm 土壤相对湿度的对比Fig.6 Contrast of Crop-based indicators and 20cm RSM during early stage (M-May),middle stage(E-Aug.) and late stage(M-Sep.) of the growing season at 10 representative stations

图7 作物型农业干旱遥感监测指标与20cm 土壤相对湿度的相关系数（n=42）Fig.7 Correlation coefficients (r) between the six crop-based indicators and 20cm RSM (n=42)

3 结论与讨论

在东北地区的典型干旱年份，按生长阶段来看，生长季前期，基于蒸散发的ACWSI 与RSM 的相关系数在0.47 以上，表现较好，表观热惯量ATI 和改进型能量指数MEI 次之，可根据数据的获取情况选取应用；生长季中、后期，温度植被干旱指数TVDI与RSM 相关系数绝对值大多在0.5 左右，对土壤湿度变化较为敏感，可用于该生长阶段的农业干旱监测；ACWSI 在生长季后期表现良好，可以作为该阶段的监测指数。考虑到生长季中、后期云雨相对较多，实际监测中常遇到数据缺失的情况，因此，结合前期累积降水的降水型遥感干旱监测指标可以作为辅助监测手段。VCI 等植被形态及绿度类干旱指数、NDWI 等作物冠层含水量类指数与RSM 相关性较低，不适于研究区内短时间尺度的农业干旱监测。

按干旱指标类型来看：（1）降水型干旱监测指标：APCI 较PCI 更能反映土壤湿度变化趋势，但基于累积降水量的APCI 在进行短时间尺度干旱监测时应注意累积效应的最佳时间尺度；（2）土壤型干旱监测指标：ATI 在生长季前期和后期表现较好，这与宋扬等[15]研究结论一致，该指数适用于生长季后期，认为是由于作物进入成熟阶段，植被指数呈显著下降趋势，同时，该区域昼夜温差明显增大，一定程度上削弱了植被覆盖条件对地表温度的影响，地表温度昼夜温差逐渐成为反映土壤湿度变化的主导因子；MEI 与RSM 的相关系数在0.4 左右，适用于各种植被覆盖条件下的土壤湿度监测，这与郑友飞等研究结论一致[17]，但在生长季前期该指数表现不如预期[14]，主要是易受气温等环境因素影响，应用时需注意；（3）作物型干旱监测指标：综合考虑植被和温度的干旱指数TVDI 能够反映土壤湿度，与Song 等[26]等研究结论一致，在该类干旱指数中优势明显；CWSI 在作物需水关键期进行干旱监测时表现优于ACWSI，其它时段不如后者，但后者在进行短时间尺度干旱监测时也应注意累积效应的最佳时间尺度；TCI 在2009年生长季后期表现好于前期，总体上易受其它非干旱胁迫因素影响[9]，稳定性不如TVDI；基于8d 尺度的VCI 及NDWI 指数对干旱影响的表现存在一定滞后性，另外，其它因素如土壤盐渍化、病虫害等会影响作物正常生长[27]，从而造成指数异常变化，引起干旱监测评估偏差，因此，认为该类指数宜结合能反映短时干旱胁迫类指标使用。

本研究以东北地区典型干旱年份2009年为例进行了农业干旱多种遥感监测指数的适用性分析阐述，由于所用地面数据为单日观测结果，遥感监测指数为8d 合成结果，虽然对数据进行了质量控制，对极端不匹配情况进行了剔除，但仍存在多要素时空尺度匹配上的偏差，一定程度上影响了遥感监测指数与RSM 的相关性评估。后续将运用多年数据作进一步的分析与验证，并针对降水和蒸散发的累积效应开展更深入的研究。