农业干旱监测方法研究*

袁雪琪，李 静

（1.中国科学院空天信息创新研究院 遥感科学国家重点实验室，北京 100094；2.中国科学院大学 电子电气与通信工程学院，北京 100049）

气候变化被认为是二十一世纪地球的主要威胁之一。全球地表温度在过去的157 年间显著上升[1]，气候变暖加剧了全球水循环，造成极端事件频发。在各种极端事件中，干旱是发展最缓慢、持续时间最长，也是最不可预测，对经济和环境破坏最严重的一种[2]。干旱分为气象干旱、农业干旱、水文干旱和社会经济干旱四种[3]。农业干旱是指由于降水量低于正常水平，蒸发和蒸腾作用高于平均水平而导致的土壤水分亏缺期[4]。农业干旱是作物生产的主要威胁，给国家粮食安全、经济和社会稳定带来重大风险。因此，迫切需要对农业干旱的准确识别和实时监测，从而为决策者提供必要的信息，以便采取及时的应对措施减少干旱的负面影响。应用适宜的干旱指数是监测和分析农业干旱的重要方法。20 世纪后半叶，科学家们从不同的科学视角和对干旱定义的理解，建立了各种干旱指数。这些指数可分为两类：基于站点实测数据的干旱指标和遥感干旱指数。

1 基于站点数据的干旱监测

站点数据来自气象站、农业站和水文站实测的水文气候变量，包括降水、温度、相对湿度和土壤含水量等。基于站点数据的农业干旱监测指标包含了干旱发展过程中必不可少的蒸散发、土壤含水量、水分亏缺等土壤-植物-大气连续参数，能够提供定量和定性的干旱信息，是最准确、最具历史意义的指标[5]。典型的站点干旱监测指标包括帕默尔干旱指数（Palmer Drought Severity Index，PDSI）[5]、降水Z 指数、作物水分指数CMI、作物水分胁迫指数CWSI、标准化降水指数SPI，标准化降水蒸散指数SPEI 等。其中SPEI 能够监测不同地区不同类型的干旱，既能反映降水也能反映温度信息，被研究人员广泛接受[6-7]。部分指数最初是为监测气象干旱而制定的，然而所有类型的干旱都与持续的降水不足有关，因此在农业干旱监测研究中也得到了有效的应用。表1 显示了常用的基于站点数据的农业干旱监测指数。

表1 典型的基于站点数据的农业干旱监测指数

综上所述，基于站点数据已经发展出一系列的农业干旱监测指标并得到了广泛成熟的应用。然而，在全球范围内，许多农业生产地区并没有很好的观测设备以提供长期一致的降水、近地表气温、风速、大气水汽、相对湿度等地面观测资料。来自不同气象站的观测数据通常具有不同的记录长度和数据质量[8]，这使得使用地面观测进行一致的全球干旱分析具有挑战性[9]。此外，地面干旱指数只能准确有效地监测气象站周围的干旱情况[10]，利用地理信息系统（GIS）空间插值技术可以帮助估计其余空间位置的干旱状况，但由于插值算法和复杂的地形条件，插值区域可能存在不确定性[11]。

2 基于遥感数据的干旱监测

20 世纪70 年代以来，随着NOAA 气象卫星和Landsat 等地面观测卫星的发射，大量的研究开始使用遥感数据进行地表覆盖、植被物候等陆表动态过程的监测[12-13]。遥感观测从气象、农业、水文和生态等不同科学视角为干旱监测开辟了新的途径。

干旱影响土壤和植被的生物物理和化学性质，如土壤水分、植被生物量、叶绿素含量、植被冠层和土壤温度等[14]，因此基于土壤表面和植被冠层在红、近红外、短波红外和热红外波段的独特光谱特征已经提出了一系列的遥感干旱指数。这些遥感干旱指数根据监测波段基本上可以分为四类：光学遥感指数、热红外遥感指数、微波遥感指数、综合遥感指数。

2.1 光学遥感法

光学遥感利用0.4～2.5μm 波长范围的卫星遥感数据构建农业干旱指数。在这个光谱范围内，红、近红外（NIR）和短波红外（SWIR）是最常用的波段，红和近红外波段可以反映植被的健康状况，短波红外数据对植被含水量的敏感性较强。根据指数的特性可将光学农业干旱指数分为三大类：（1）土壤干旱监测指数；（2）植被干旱监测指数；（3）土壤-植被干旱指数。

2.1.1 土壤干旱监测指数

土壤干旱监测指数的构建原理是不同湿度的土壤表现出不同的光谱特征，土壤含水量越高，对红和近红外波段的吸收能力越强，反射能力越弱。典型的土壤指数包括垂直干旱指数PDI 和距离干旱指数DDI。土壤干旱监测指数更适用于裸土及植被覆盖较低的区域，植被覆盖度较高会推迟指数对农业干旱状况的识别，并造成指数的不确定性。

2.1.2 植被干旱指数

植被干旱指数基于植被的光谱特性构建，土壤背景反射率会影响计算结果，因此植被干旱指数更适用于中、高植被覆盖区。在植被干旱指数中，归一化植被指数NDVI 在干旱监测中的应用最为广泛。NDVI 是ROUSE 等人[15]在1974 年使用近红和红波段定义的，为了消除NDVI 的空间变异，减少地理环境、土壤类型、植被类型等生态变量影响，研究人员基于时序的NDVI构建了距平植被指数AVI、标准植被指数SVI 和植被状态指数VCI，使不同时间和地区的指数具有可比性。研究发现相比较基于红和近红外波段构建的NDVI 系列指数，基于短波红外构建的植被指数对植被冠层水分具有更高的敏感性[16]，基于此原理提出了叶片含水量指数LWCI、归一化差异水分指数NDWI 和短波红外垂直失水指数SPSI 等一系列冠层水分敏感指数。

2.1.3 土壤-植被干旱指数

半干旱地区多为稀疏植被区，单靠植被干旱指数和土壤干旱指数均不能准确监测该地区的干旱状况。为了解决该问题，基于多光谱数据构建了同时考虑土壤和植被光谱特性的干旱指标，如短波红外水分胁迫指数SIWSI，归一化多波段干旱指数NMDI，可见光-短波红外干旱指数VSDI，这些指数能提供以像元为单位的植被和土壤信息。

2.2 热红外遥感法

热惯量是物质抵抗周围温度变化的能力。土壤热惯量作为土壤的固有特性，是引起土壤表层温度变化的内在因素，与土壤含水量显著相关[17]，因此利用土壤热惯量可以有效地监测农业干旱。但土壤热惯量的计算需要大量地面观测数据，因而PRICE 等[18]利用热红外遥感数据反演出来的地表反照率和地表温度，通过简化潜热蒸发（散）形式来计算表观热惯量（Apparent Thermal Inertia，ATI），该模型表达为：

式中：C 为太阳校正系数；a 为地表反照率；ΔTS为昼夜最大温差。

然而，这种方法有其局限性，对地形复杂和高植被覆盖区无法进行有效监测，只适用于裸土或植被非常稀疏的干旱地区[19]。

干旱胁迫也可以通过多种卫星传感器（AVHRR、MODIS、TM、ETM+和TIRS）热通道获得的遥感地表亮温来量化。利用热红外波段计算的地表温度LST 可以提供与地表湿度有关的有价值信息[20]。KOGAN[21]基于长时间序列的卫星地表温度数据，提出了温度状态指数TCI 来确定与温度相关的植被胁迫。TCI 仅适用于均质地区，且只考虑历史时期的最大最小值，丢失了当前时期的温度变化信息。归一化温度指数（Normalized Difference Temperature Index，NDTI）[22]考虑特定时间，具有比TCI 更坚实的物理基础，且从地表温度分析中去除了季节趋势，但其计算需考虑太阳辐射和叶面积指数等数据，较为复杂。与土壤热惯量法一样，基于地表温度的指数在稀疏冠层和裸地的指示效果更好。

2.3 微波遥感法

基于微波遥感数据的干旱监测研究主要是从土壤湿度反演和降水反演两个方面进行。对于干燥的土壤，介电常数根据使用频率通常在2 到5 之间变化[23]，介电常数随着土壤湿度的增加而升高，微波遥感监测到介电常数的变化，从而可以监测到土壤湿度的变化[24]。与可见光和热红外遥感不同，微波遥感在极端天气条件下也能很好地工作，并且对云和植被具有较好的穿透性，非常适合于农业干旱监测。此外土壤中的水分对微波信息非常敏感，其散射不受土壤物质的化学和矿物性质影响。因此，微波遥感反演土壤水分的精度高于光学和红外遥感。但微波遥感的反演精度都受到植被和地表粗糙度的影响，且只能探测表层土壤，无法准确反演作物根系及以下深度的土壤湿度。

利用星载测雨雷达发射微波信息能够观测雨滴/冰粒的微波辐射特性，反演得到大面积的降雨数据产品。目前，已经形成TMPA、IMERG、GPCP 等全球卫星降水产品[25]，并基于站点观测数据对降雨产品进行了全球性的对比和验证[26-28]。在众多卫星降水产品中，TRMM 数据与气象站点实测数据具有较好的相关性，被广泛应用于农业旱情监测。YAN 等[29]评估了TRMM降水产品在我国西南地区的干旱监测效用，结果表明TRMM 与观测数据有较高的匹配度，能监测出干旱的时空演变情况。

2.4 综合遥感干旱指标

相关研究表明结合传感器多波段信息集合成的综合遥感指数可以更好地表征农业干旱状况[30]。热红外遥感和光学遥感指数的结合多通过线性加权和特征空间法。KOGAN 等赋予VCI 和TCI 不同的权重，线性相加构建了植被健康指数（Vegetation Health Index，VHI），用于确定植被整体健康状况，并监测农业主导区域的干旱受灾地区。结合地表温度Ts 与光学植被指数VI 的综合遥感指数可消除土壤水分和植被指数的影响。利用植被指数与地表温度的特征空间Ts-VI 构建了温度植被干旱指数TVDI，植被供水指数VSWI，条件植被温度指数VTCI 等一系列融合光学与热红外数据的干旱指标。同样，基于微波和其他波段的数据也提出了大量的综合遥感干旱指标。由土壤湿度指数SMCI、PCI 和TCI 组成的微波综合干旱指数MIDI 已被证明适用于中国半干旱区的短期干旱监测[31]；归一化旱情综合指数SDCI 结合了来自中分辨率成像光谱仪MODIS 的地表温度LST 数据和归一化植被指数NDVI数据以及TRMM 降水数据，用于干旱和湿润区的农业干旱监测。朱欣然等[32]利用地理加权回归模型GWR综合SMCI 等多种遥感参数实现了旱情信息的非平稳建模监测。综合遥感指数数据获取容易，计算相对简单，但通常是根据特定的气候或地理环境建立的，其应用范围受到很大的局限性。

遥感干旱指数能够详细地反应干旱的空间特征，但由于数据记录相对较短，不能完全替代地面观测在干旱监测中的作用[33]。此外，遥感干旱指数的质量受到大气条件和反演算法的限制，存在一定程度的不确定性和不可靠性。

3 综合农业干旱监测

由于干旱定义的复杂性，仅通过单一数据指标很难全面系统地评价一个地区的干旱特征。为了更好地监测干旱，研究人员试图通过多指数权重赋值、多变量联合分布和机器学习等方法融合不同来源的数据。美国干旱监测USDM 是综合了站点气候指数，植被健康指数、数值模式以及各地区专家知识而构建的综合干旱监测产品[34]，能够及时提供各州干旱程度及干旱影响的真实信息。BROWN 等[35]综合了气象干旱指数、卫星植被指数以及日流量指标等其他生物物理信息，以分类回归树构建了植被干旱响应指数VegDRI，并在美国中北部七个州验证了其干旱监测的能力，成为综合干旱监测指数的典范。WU 等[36]利用该方法融合了站点气象数据、卫星植被参数及其他生态信息建立了适用于中国中东部地区的综合干旱监测模型。融合遥感数据和地面干旱指数可以将点指数扩展到整个区域，促进对干旱事件空间特征的深入理解。但目前的综合干旱监测研究尚处于起步阶段，对数据如何耦合并导致干旱发生的机理尚不明确，尚未建立起多时空尺度的农业干旱监测模型。

4 结束语

基于站点数据的干旱监测较为成熟且准确，已经得到了广泛的应用，但站点数据具有空间上的局限性，且多数站点指标只考虑气象因子对于干旱的驱动效果，没有考虑植被的生长和需水状态，在表征农业干旱监测方面存在一定的不确定性；遥感干旱监测具有监测范围广、数据获取及时等优点，但遥感监测指标只可以探测植被状况异常，很难将真正的干旱影响与其他环境因素造成的植被变化区分开来。耦合多源数据的综合干旱监测模型是当今的研究热点，但发展尚未成熟，未来应进一步强化干旱机理研究，考虑作物与其生长环境之间的关系，发展适用多时空尺度的综合干旱监测模型。