基于温度植被干旱指数的华北平原干旱监测及时空变化分析

张兆旭，崔津，苟文涛，肖月

研究论文

基于温度植被干旱指数的华北平原干旱监测及时空变化分析

张兆旭*，崔津，苟文涛，肖月

天津工业大学环境科学与工程学院，天津 300387

干旱是地区水资源供需失衡和水资源短缺的主要原因，干旱的发生是一个长期、连续且复杂的过程，是大气、土壤以及农作物综合作用的结果，干旱对全国人民的生产和生活都有很大的影响，如何更好地监测干旱，对于工农业、人民的日常生活都有着重要的意义。植被指数和地表温度可以描述植被对干旱胁迫的响应，从而反映出土壤水分状况。文章利用植被指数和地表温度的二维特征空间建立了温度植被干旱指数，将两个指标的独特生态生理学意义结合起来，选取2010—2019年(共10年)的温度植被干旱指数，对华北平原的干旱进行监测与分析，同时将干旱划分为5个等级(重度湿润、轻度湿润、正常、轻度干旱和重度干旱)，从年变化、季节变化、月变化分析华北平原干旱时空变化情况。结果表明，总体上华北平原2010—2019年的干旱以轻度干旱为主，且干旱情况呈现上升的趋势，干旱指数值从最低点0.580上升到了最高点0.602，分别出现在2011年与2017年，表明在近10年来，2011年的干旱程度最低，而2017年的干旱程度最严重；从季节角度分析，华北平原的干旱多发在夏季，夏季的干旱指数值为0.714；从月度角度分析，华北平原温度植被干旱指数最高点与最低点分别出现在7月(0.736)与1月(0.446)。本文对华北平原的干旱研究为该地区的抗旱防旱提供了可靠的研究支撑。

干旱监测；温度植被干旱指数；华北平原；遥感

1 引言

干旱是由于土壤缺水，植株根部汲取不了充足的水分去补充蒸腾的消耗而引起的自然灾害，是人类从古至今面临的主要灾害之一[1]。干旱类型通常包括气象干旱、农业干旱、水文干旱以及社会经济干旱[2-3]。气象干旱通常主要以降水短缺作为指标，指某一时段内，由于蒸发量和降水量的收支不平衡，水分支出大于水分收入而造成的水分短缺现象；农业干旱使土壤的总水分严重亏缺，通过研究分析各种植物根系在其生长与发育变化的整个过程中土壤水分特性变化规律与形态特征，反映土壤湿度远小于正常植物生长最低供水量的程度；当河流流量远远小于正常值或含水层水位突然下降时，就会发生水文干旱；而社会经济干旱则是指人类工业生产与消费过程遭受大自然系统和人类社会经济体系严重缺水影响的现象[4-6]。

干旱的常规探测方式主要是通过对气象站点的数据进行统计和分析。但是，气象站的数据采集主要依靠气象站的观察，而且由于气象站的位置不可能覆盖全部地区，因此无法及时、全面地获得资料，使得对旱情的实时和精确监测都会下降[7]。相对于以气象站为基础的观测方式，利用遥感技术进行干旱监测可以获得更大范围的数据，更适合地区和长期的监测和评价[8]。近年来，卫星遥感技术的客观、宏观、真实和高性价比等诸多特征被科学研究工作者所接受，同时其快速发展也为干旱监测开拓了一个崭新的道路[9]。遥感技术也给干旱监测工作带来了大量的信息，主要观测手段包括光学、热红外以及微波遥感等[10]。

Sandholt等人综合考虑地表温度(Land Surface Temperature，LST)和归一化植被指数(Normalized Difference Vegetation Index，NDVI)构建了温度植被干旱指数(Temperature Vegetation Dryness Index，TVDI)，利用TVDI进行全国旱情监测研究能够较好地反映表层土壤水分变化趋势，TVDI已被广泛应用于旱情监测中[11]。在TVDI的特征空间中，湿边代表地表在各植被覆盖水平上有效的土壤水分最高值，此时水分不是植被生长的限制因素，地表实际蒸散等于潜在蒸散，被认为特征空间的湿边(wet edge)；干边代表各种植被覆盖水平上有效土壤水分最低值，地表蒸散也最小，被认为特征空间的干边(dry edge)。王鹏新等人(2003)提出了条件植被温度指数(Vegetation Temperature Condition Index，VTCI)[12]，VTCI也被广泛地应用到干旱监测中。干旱是一个缓慢而长期的过程，大多数农业干旱指数是基于线性模型或者单一数据源来构建干旱模型(如NDVI、VCI、TCI、SMCI和PCI等)，但农业干旱与不同时间、不同地区的VI、LST异常不存在线性关系。TVDI整合了农作物生长状况、地表水热平衡等信息，发挥了多源遥感数据的优势。目前，TVDI指数已经被广泛地应用到了干旱监测中[13-15]。

本文以华北平原为研究区域，基于2010—2019年该区域的TVDI进行研究分析，以探索2010—2019华北平原干旱情况的变化过程与趋势，寻找变化规律。同时结合华北平原统计数据，分析华北平原农业变化情况，同时结合干旱指数，对不同年份、不同月份以及不同季节的平均分布数值进行分析，概括总结干旱时空分布变化特征，并且从定性与定量两个角度分析华北平原时空变化特征。

2 研究区概况

华北平原是中国三大平原之一，是我国人口最集中的区域之一，横贯京、津、冀、鲁、豫、皖和苏7个省市(图1)。华北平原的年平均雨量在500～900 mm之间，年辐射总量为4605～5860 万亿焦(米·年)，年平均日照时间为2800 h，主要种植的农作物为小麦和玉米[16]。

注：基于自然资源部标准地图服务网站审图号为GS(2019)1823号的标准地图制作，底图边界无修改，图4、5、7、9同

3 研究区数据及方法

3.1 研究数据

3.1.1 温度植被干旱指数数据

TVDI是一种基于光学与热红外遥感通道数据进行植被覆盖区域表层土壤水分反演的方法，TVDI综合考虑了植被指数和地表温度对干旱监测的影响，提高了区域干旱监测的准确性。同时由于TVDI的物理意义明确、获取方便，因此在特定年份的某个时段内，特别是反映整个地区的干旱程度和状况，可以用TVDI来研究干旱水平的空间变化特征。

3.1.2 遥感数据预处理

本文的数据来源为国家地球系统科学数据中心下载的TVDI数据集(http://www.geodata.cn/)，数据空间投影为WGS-1984地理坐标系，时间为2010—2019年共10年的TVDI数据。通过在ArcGIS与ENVI上对数据进行处理，得到华北平原10年间各个年份的年分布、月分布以及各个季节的分布结果。之后再将所需数据分别绘制出图，得到匹配的图表以便后续进行分析。

3.1.3 统计数据

依据国家统计局网站(http://www.stats.gov.cn/)下载了北京、天津、河北、河南、山东、江苏和安徽的小麦产量和玉米产量数据，通过对不同省份和直辖市的产量相加，最终得到华北平原2010—2019年产量统计数据。

4 分析与讨论

4.1 华北平原统计数据分析

华北平原区土壤丰富，土质肥沃，盛产多种经济农产品，是中国十分关键的粮食产区，最主要的经济作物是小麦和玉米。而华北平原区则属于旱作居多的农耕区。长江北部区域以二年三熟的居多，经济作物一般以小麦、玉米居多，但随着农业灌溉事业发展，每年二熟的播种面积也在不断扩大。在长江以南区域多数地方均为每年二熟，其中以二年三熟和三年五熟的居多，复种指数也位居华北地区前列。

以小麦为例，通过收集小麦的产量数据计算得到华北平原2010—2019年的小麦产量增速图(图2)。在图2中我们可以很明显地看出小麦产量的增速发生了多次改变，农业干旱的发生是影响农作物生长的主要因素，干旱发生后如果没有及时灌溉，最直接的结果是导致农作物产量的降低。从图2中可以发现，华北平原的小麦产量增速以2017—2018年最为明显，在这两年间小麦产量增速大幅下降，甚至在2018年出现了逆增长，增速为负数的情况，这表明在2017年华北平原有发生干旱的可能。

同时以玉米为例，通过计算后同样得到2010— 2019年间华北平原玉米产量增速图(图3)。通过图3我们可以发现玉米产量也随着时间逐年升高，且最高的产量发生在2015年。玉米产量的增速依旧发生了多次转变，在2014年增速突然大幅下降，不过在2015年略有回升。但在2017年之后的几年增速再一次下降，甚至跌至负数。

4.2 华北平原多年平均干旱空间分布

4.2.1 干旱等级划分

依照TVDI干旱等级划分准则，本文将干旱状况分为5个等级(见表1)，并分别在图中由绿至红以不同的颜色表示。

4.2.2 华北平原2010—2019年多年平均干旱空间分布

基于每月的TVDI数据，裁剪得到华北平原每月TVDI变化图，然后对2010—2019年的全部TVDI数据进行区域平均后得到的研究时间内年平均干旱图(图4)。

图2 2010—2019年小麦产量增速图

图3 2010—2019年中国玉米产量增速图

表1 干旱划分等级

从图4中可以看出，华北平原总体的干旱情况偏向正常与轻度干旱之间。从地域的角度分析，河南、安徽全省以及河北南部、山东南部、江苏南部地区均出现了轻度干旱的现象，而北京、天津、河北北部、山东北部以及江苏北部相对正常。由图4可以发现：

图4 2010—2019年华北平原年均干旱图(TVDI)

(1)华北平原2010—2019年的干旱以轻度干旱为主；

(2)轻度干旱主要发生在河南省、安徽省大部分区域以及河北省南部、山东南部和江苏南部等部分区域。

4.3 华北平原2010—2019 年干旱时空变化分析

4.3.1 年变化分析

在对2010—2019年每年所有的TVDI进行年平均后，可以得到各年间的平均干旱数值，将每年的数据综合统计后，得到了图5(a)～(j)每年的干旱图。之后将各个年份的区域平均值提取计算得到每年的干旱局域平均值(图6)。

空间上，从图5中可以发现，2010年华北平原的干旱主要发生在河南省、安徽省的大部分区域以及河北的南部区域；2011年华北平原的干旱则出现在安徽省大部分区域与河南省的南部区域；2012年华北平原河南省的干旱程度逐渐上升，河北省南部地区出现轻度干旱，但安徽省的干旱情况得到一定程度的缓解；2013年华北平原的干旱高度集中在河南省与安徽省，基本上涵盖了省内全部区域；2014年华北平原干旱情况愈加严重，河南省、安徽省、山东省大部分区域与河北省、江苏省南部均出现轻度干旱；2015年华北平原干旱情况与前一年相比变化不大，仅仅河北省与江苏省的情况略有好转；2016年华北平原的干旱得到抑制，只有河南省大部分区域与安徽省、山东省的小部分区域出现干旱情况；2017年华北平原的干旱达到了近几年的最高值，全部平原只有河北省北部区域保持正常水平；2018年华北平原干旱危害轻微下降，山东省、江苏省部分区域也恢复正常；2019年华北平原河北省、山东省与江苏省的北部区域均恢复正常，只剩下河南省、安徽省大部分区域与河北省、山东省和江苏省南部区域仍出现轻度干旱情况。

时间上，从图6中我们可以直观地发现在10年间华北平原的干旱情况整体呈现出的是一个上升的趋势。TVDI越大，则代表干旱情况越严重，TVDI数值从最低点0.580上升到了最高点0.602，分别出现在2011年与2017年，代表了在研究时间段内，2011年的干旱程度最低，而2017年的干旱程度最高，整个华北平原将近3/4的区域都处于轻度干旱范围。这10年间的TVDI数值在大趋势是增加的基础上经历了4次转折：首先2011—2014年干旱程度逐年上升，而2014年之后干旱情况又有所好转，这说明2014年处在一个转折点的位置。下降持续到2016年结束，在2017年干旱程度达到了顶峰，由此之后干旱变得越来越严重，虽然相较于顶峰有所下降，但每年基本上都会有超过2/3的区域仍处在轻度干旱范围。

图6 2010—2019年TVDI散点图

4.3.2 季节变化分析

在对2010—2019年所有的TVDI进行季节平均后(春季为3—5月，夏季为6—8月，秋季为9—11月，冬季为12—2月)，可以得到各季节华北平原的季节干旱空间分布图(图7)，然后将每个季节的空间分布图进行区域平均，得到了各季节TVDI区域平均数值的柱状图(图8)。

对图7进行空间分析，可以发现，华北平原的春季干旱以正常区域与轻度干旱为主，其中轻度干旱主要分布在河北省南部、安徽省南部、山东省东部与河南省西部区域，而其他区域则处于正常状况；夏季的华北平原属于干旱频发时期，几乎全部平原均处于轻度干旱；华北平原的秋季主要以正常为主，轻度干旱主要集中在河南省与安徽省的大部分区域；华北平原在冬季会出现轻度湿润的情况，尤其湿润主要集中在河北省北部区域。对图8进行定量分析，可以发现华北平原的夏季是TVDI数值最高的，而冬季则最低。春、秋两季情况比较来说相差较小。

(a)春季，(b)夏季，(c)秋季，(d)冬季

图8 2010—2019年各季节TVDI柱状图

正如一般情况，华北平原的夏季干旱现象十分明显，基本上华北平原内的所有地区均处于轻度干旱范围；而冬季正好与之相反，平原内无明显干旱地区，甚至部分北方地区出现轻度湿润情况。同时需要注意的是，华北平原的春季也较明显地发生了部分干旱现象，原因则是华北平原的春季素来有“春旱”的说法，这是指华北平原的春季气温回升较快，蒸发较强，而夏季风弱，雨季未到，降水较少，导致了春季的土壤缺水较为严重，极易引发干旱。

4.3.3 月变化分析

在对2010—2019年所有的温度植被干旱指数进行月平均后，可以得到各月华北平原的月份干旱空间分布图(图9)，然后将各个月的数据综合统计，计算出平均数值后，得到了各月份TVDI的柱状图(图10)。

对华北平原1—12月(图9)干旱图进行空间分析可以发现，1月华北平原主要包括正常情况与轻度湿润，其中轻度湿润情况主要分布在河北省与北京市的北部区域，其他地区则为正常；2月华北平原的湿润地区逐渐减少；3月华北平原轻度湿润基本上已经消失不见，且在河北省北部与河南省西部均出现零星的轻度干旱情况；4月华北平原干旱情况愈加严重，河北省、山东省与河南省部分区域均出现轻度干旱情况；随着气温的上升，地表温度也随之上升，再加上雨季未到，降水较少，5—8月的华北平原全部区域持续出现轻度干旱现象；9月份后，降水开始增加，9月的华北平原虽然大部分地区仍处于轻度干旱情况，但河北省的北部区域已经恢复正常；10月的华北平原气温逐渐下降，轻度干旱情况变为集中在河南省、安徽省大部分地区与河北省、山东省以及江苏省的南部区域，其余地区已恢复正常；11月华北平原临近冬季，全部区域均恢复正常，河北省北部区域甚至出现轻度湿润现象；12月华北平原仍以正常情况为主，但河北省北部大部分区域全部变为轻度湿润，干旱情况全部消失不见。

(a)一月，(b)二月，(c)三月，(d)四月，(e)五月，(f)六月 (g)七月，(h)八月，(i)九月，(j)十月，(k)十一月，(l)十二月

图9 2010—2019年各月份华北平原平均干旱图

Fig. 9 Average drought map of North China Plain from 2010 to 2019

对图10进行定量分析，可以发现，TVDI的最高点与最低点分别出现在7月与1月，其中5—8月的干旱程度较为严重，基本上干旱已经覆盖了整片华北平原，均属于轻度干旱的范围；而12月与1月则干旱程度较轻，在北方的部分区域均一定程度上出现了轻度湿润；其他月份则相对来说比较正常，干旱情况处在于可控范围内。

图10 2010—2019年各月份TVDI柱状图

5 结论

华北平原是全国人口最多的平原之一，而其土地质量的情况也由此十分重要，更是关系到粮食等作物的产量与经济情况。本文以华北平原为研究区，以遥感数据，地表温度-植被指数特征空间原理为基础，构建地表温度-植被指数特征空间，计算TVDI指数，获取华北平原年、月、季节干旱分布图，分析华北平原干旱情况。主要结论如下。

(1)将计算得到的TVDI分为重度湿润(0～0.2)、轻度湿润(0.2～0.4)、正常(0.4～0.6)、轻度干旱(0.6～0.8)和重度干旱(0.8～1)5个等级，根据干旱等级划分整个华北平原，并依此绘制华北平原平均干旱分布图。华北平原2010—2019年的干旱程度以轻度干旱为主，轻度干旱主要发生在河南省、安徽省大部分区域以及河北省的南部，山东的南部、江苏南部等部分区域。

(2)华北平原从年变化角度分析主要轻度干旱年份在2017—2019年。整体干旱情况呈现上升的趋势。TVDI最高与最低分别出现在2011年与2017年，且在这之间的变化又经历了多次转折。

(3)从季节角度分析，华北平原的干旱多发在夏季，同时春季也有干旱现象的发生，华北平原一直以来的“春旱”情况，研究结果表明春季的干旱情况较为严重。

(4)通过月干旱分析，华北平原一年间TVDI最高点与最低点分别出现在7月与1月，其中5—8月的干旱情况因为温度上升导致最为严重，而12月至1月的土地在气温回落之后则以湿润为主，其他月份的干旱均较为正常，仅仅部分出现干旱情况。

干旱是一个包括气象、水文、农业等综合作用的过程，随着遥感技术的快速发展，不同遥感技术提供了不同的手段来监测农业干旱。本文基于TVDI指数监测了华北平原的干旱情况，为抗旱对策的制定提供依据。通过对旱情的监测与分析，为农业生产的结构调整、农业技术的实施、农业人员的工作、农业生产的可持续发展提供了坚实可信的依据。

[1] 张兆旭, 秦其明. 基于多源遥感数据的黄淮海平原农业干旱监测研究[J]. 农业与技术, 2021, 41(2): 84-92.

Zhang Z X, Qin Q M. Study on agricultural drought monitoring in Huang-Huai-Hai plain based on multi-source remote sensing data[J]. Agriculture and Technology, 2021, 41(2): 84-92.

[2] Mladenova I E, Bolten J D, Crow W T, et al. Evaluating the operational application of SMAP for global agricultural drought monitoring[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(9): 3387-3397.

[3] Wilhite D A, Glantz M H. Understanding: the drought phenomenon: the role of definitions[J]. Water International, 1985, 10(3): 111- 120.

[4] Mishra A K, Desai V R. Drought forecasting using stochastic models[J]. Stochastic Environmental Research and Risk Assessment, 2005, 19(5): 326-339.

[5] Mishra A K Singh V P. A review of drought concepts[J]. Journal of hydrology, 2010, 391(1-2): 202-216.

[6] Wilhite D A, Svoboda M D, Hayes M J. Understanding the complex impacts of drought: A key to enhancing drought mitigation and preparedness[J]. Water Resources Management, 2007, 21(5): 763-774.

[7] Maes W, Steppe K. Estimating evapotranspiration and drought stress with ground-based thermal remote sensing in agriculture: a review[J]. Journal of Experimental Botany, 2012, 63(13): 4671-4712.

[8] KanellouE, DomenikiotisC, TsirosE, et al. Satellite- based drought estimation in Thessaly[J]. European Water, 2008, 23(24): 111-122.

[9] QinQ, WuZ, ZhangT, et al. Optical and thermal remote sensing for monitoring agricultural drought[J]. Remote Sensing, 2021, 13(24): 1-34.

[10] 宋炜. 遥感监测干旱的方法综述[J]. 中国西部科技, 2011, 10(13): 42-44.

Song W. Summary of drought monitoring methods by remote sensing[J]. Science and Technology of West China, 2011, 10(13): 42-44.

[11] SandholtI, RasmussenK, AndersenJ. 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.

[12] 王鹏新, 龚健雅, 李小文, 等. 基于植被指数和土地表面温度的干旱监测模型[J]. 地球科学进展, 2003, 18(4):40-46.

Wang P X, Gong J Y, Li X W, et al. Drought monitoring model based on vegetation index and land surface temperature[J]. Advances in Earth Science, 2003, 18(4):40-46.

[13] BaiJ, YuanY, DiL. Comparison between TVDI and CWSI for drought monitoring in the Guanzhong Plain, China[J]. Journal of Integrative Agriculture, 2017, 16(2): 389-397.

[14] Liang L, Zhao S, Qin Z, et al. Drought change trend using MODIS TVDI and its relationship with climate factors in China from 2001 to 2010[J]. Journal of Integrative Agriculture, 2014, 13(7): 1501- 1508.

[15] Shashikant V, Mohamed Shariff A R, Wayayok A, et al. Utilizing TVDI and NDWI to classify severity of agricultural drought in Chuping, Malaysia[J]. Agronomy, 2021, 11(6): 1-18.

[16] Zhang Z, Xu W, Shi Z, et al. Establishment of a comprehensive drought monitoring index based on multisource remote sensing data and agricultural drought monitoring[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 2113-2126.

Drought Monitoring and Spatiotemporal Changes Analysis in North China Plain Based on Temperature Vegetation Dryness Index

ZHANG Zhaoxu*, CUI Jin, GOU Wentao, XIAO Yue

School of Environmental Science and Engineering, Tiangong University, Tianjin 300387, China

Drought is the main reason for the imbalance between supply and demand of water resources and the shortage of water resources in the region. The occurrence of drought is a long-term, continuous and complex process, which is the result of the comprehensive action of atmosphere, soil and crops. Drought has a great impact on the production and life of the people all over the country. How to better monitor drought is of great significance to industry, agriculture and people's daily life. Vegetation index and temperature can describe the response of vegetation to drought stress, thus reflecting the soil water status. In this paper, the temperature vegetation dryness index is established by using the two-dimensional characteristic space of vegetation index and surface temperature. The unique ecological and physiological significance of the two indexes is combined. The temperature vegetation dryness index from 2010 to 2019 (10 years) is selected to monitor and analyze the drought in the North China Plain. Drought is divided into five grades (heavy humidity, light humidity, normal, light drought, heavy drought), from the annual change seasonal and monthly changes analyze the temporal and spatial changes of drought. The results show that the drought is mainly mild drought, and the drought situation shows an upward trend. From the perspective of season, drought often occurs in summer. From the month, the highest and lowest temperature vegetation dryness index appeared in July and January respectively. The study of drought in North China Plain provides a reliable research support for drought resistance and drought prevention in this region.

drought monitoring; temperature vegetation dryness index; north China plain; remote sensing

张兆旭,崔津,苟文涛,等. 基于温度植被干旱指数的华北平原干旱监测及时空变化分析[J]. 农业大数据学报, 2023,5(1):95-107.

ZHANG Zhaoxu, CUI Jin, GOU Wentao, et al. Drought monitoring and spatiotemporal changes analysis in North China Plain based on temperature vegetation dryness index[J]. Journal of Agricultural Big Data, 2023, 5(1):95-107.

10.19788/j.issn.2096-6369.230118

2023-

海水资源利用技术发展研究与报告编制(22-02-01018A-0023), 北京未名福科技有限公司开放基金(22-02-01018A-0017)

第一作者张兆旭兼通信作者，男，博士研究生，研究方向：定量遥感与干旱监测；Email:zhangzhaoxu@tiangong. edu. cn。