基于多源遥感数据与随机森林模型的辽宁省作物生长季干旱监测研究

王荣莉

(辽宁师范大学 地理科学学院,辽宁 大连 116029)

0 引言

IPCC第六次评估报告指出,随着全球气温的持续上升,更多地区将受到农业及生态干旱的影响[1],进而影响作物生产力及人类的生产生活。目前,通常采用干旱指数监测干旱发生过程及其严重程度。基于气象站点数据的干旱指数根据实测数据计算所得,易于获取,准确率较高。基于遥感数据的干旱指数覆盖范围广、空间分辨率高,弥补了站点分布不均等不足,故遥感技术逐渐成为监测大区域尺度旱情的重要手段。

作物干旱的发生发展复杂多变,不仅受到降水、植被本身及土壤温度等因素的影响,还受到多种不稳定、不确定性因素的综合作用。干旱是由多种因素引起的,没有一个单一的指标能充分说明其发生的复杂性及多元性,故单一指标监测逐渐向气象与遥感相结合的综合监测转变成为干旱监测新趋势[2]。

本研究综合考虑植被生长状态、大气及土壤水分等因素,基于MODIS及TRMM等多源遥感数据,利用随机森林算法构建作物干旱监测模型,对该模型监测结果的准确性进行验证,以期在大范围旱情监测与评估方面做一定补充,为应对干旱提供一定的理论及技术支持。

1 研究区域及数据处理

1.1 研究区概况

辽宁省位于我国东北南端,属温带大陆性季风气候,雨热同期,日照丰富,年平均气温6 ℃～11 ℃,年平均降水量430～1100 mm。山地分布于东西两侧,中部为平原,耕地面积较大,农作物生长发育很大程度上受到干旱的影响。

1.2 数据来源

数据来源于中国气象数据网2000—2019年辽宁省23个气象站点的逐日气象资料,包括日降雨量、日最高(低)温、风速、平均相对湿度及日照时数等。MODIS数据包括MOD13A3、MOD11A2及MOD16A2。降雨数据选择TRMM_3B43。以上MODIS与TRMM数据均来自NASA。土壤湿度数据由GLDAS数据中的Noah模型驱动生成。SRTM DEM 数据来源于地理空间数据云。土壤类型及土地利用类型数据来自资源环境科学与数据中心。干旱灾害的历史统计及资料来自《辽宁省水资源公报》。

1.3 数据处理

对缺测的气象数据用多年平均值代替,利用EToCalculator计算日潜在蒸散量[3],利用月降雨量计算月相对湿润度指数。用MODIS专用提取工具MRT提取地表温度(LST)、归一化植被指数(NDVI)、潜在蒸散量(PET)与蒸散量(ET),对其进行重投影及格式转换,剔除无效值。以上数据采用最近邻法重采样为1 km,合成月度数据。MODIS数据预处理后,计算TCI、VCI、VSWI及CWSI。对于TRMM数据,将降水速率(mm/hr)转换为月降水总量数据(mm/month)计算PCI。分析数据GLDAS预处理后提取SoilMoi0_10 cm_inst波段计算SMCI,各变量具体计算公式如表1所示。将SRTM_DEM 重采样为1 km×1 km,提取高程(DEM)、坡度(Slope)、坡向(Aspect)数据。

表1 模型输入变量计算公式Tab.1 Calculation formula for model input variables

2 研究方法

2.1 相对湿润度指数(MI)及其计算方法

相对湿润度指数(MI)适用于作物生长季旬以上尺度的干旱监测[4],根据降水量与潜在蒸散量反映某地干湿程度及干旱动态变化[5]。相对湿润度指数越小,地表越干;反之则越湿润。计算公式如下:

MI=(P-ET0)/ET0

(1)

式中,P为降水量(mm),ET0为相应时段潜在蒸散量(mm),采用FAO Penman-Monteith[6]公式进行计算。参照国家气象局制定的MI干旱等级划分标准[7],将干旱划分为无旱(-0.4

2.2 随机森林模型

随机森林(Random Forest,RF)是BREIMAN[8]提出的一种基于分类树的、有监督的集成学习方法,具有处理数据维度高、训练速度快等优势[9]。使用R语言中的Randomforest包构建回归模型,选取平均绝对误差 (MAE)、均方根误差 (RMSE)及相关系数(R)验证模型的准确性,各指标计算公式如下:

(2)

(3)

(4)

3 结果与分析

3.1 模型的验证与评价

由表2可知,训练集的模拟值与实测值MI的R为0.9683,测试集的R为0.7809,训练集与测试集都达到显著相关。训练集与测试集的RMSE相对较小,均低于0.5,训练集与测试集的MAE分别为0.1288、0.2961,综上分析表明,该模型的模拟精度较高。

表2 训练集和测试集模型精度对比Tab.2 Comparison of model accuracy between training and testing sets

根据MI干旱等级划分,统计2000—2019年23个站点MI值与模拟值各干旱等级的站点数,由表3可知,MI值与模型监测得到的模拟值一致率为70.96%;无旱级别一致性最高,为93.52%;轻旱级别为60.82%;中旱和重旱一致率均大于50%;特旱最低,为37.16%。总体来说,模型模拟值与MI值基本一致。

表3 各干旱级别站点数及一致率Tab.3 Number and consistency rate of stations at different drought levels

3.2 干旱表征因子重要性排序

将干旱表征因子作为自变量输入到构建好的模型中,得到各因子的重要性。由图1可知,两种不同的重要性评估方法排序略有不同,但总体上重要性排序靠前的因子是相同的。以%IncMSE为例,由于模拟的MI值以降水量及蒸发量为基础,因此与CWSI与PCI的相关性最大。其次是SMCI与VCI,土壤表面的蒸发量越大,土壤水分越低,故土壤湿度对MI的模拟起到重要作用。当植被受到干旱胁迫时,VCI能直观反映植被生理变化及长势变化,是响应干旱的重要因子。土壤中水分充足,地表植被表面温度较低,在高温缺水条件下,植被冠层及地表温度增加,从而体现出高温对作物生长造成的不利影响。

图1 干旱表征因子重要性排序Fig.1 Importance ranking of drought characterization factors

3.3 作物干旱监测模型结果分析

根据《辽宁省水资源公报》资料显示,2014年辽宁省平均降水量453.6 mm,比多年平均值少1/3,降水量严重不足导致辽宁省内发生了阶段性春旱及夏伏旱。2017年,辽宁省年平均降水量506.2 mm,比常年648.2 mm减少20%,出现春夏连旱现象。故选择2014年与2017年数据评估模型监测的准确性。

由图2可知,2014年3月,辽宁省大部分地区发生重度干旱;4月,干旱的严重程度有所加重,部分地区发生了特旱,其中辽宁西部朝阳、锦州、阜新等市的干旱情况较重,重度干旱蔓延到了辽宁省的东部地区。5月,干旱的严重程度减轻,6—8月辽宁省大部分地区以无旱及轻度干旱为主。9月,辽宁省大部分地区无旱情发生,部分地区发生了中等程度的干旱,如大连市中部。

图2 随机森林模型监测的2014年3—9月的干旱情况Fig.2 Drought conditions monitored by random forest model from March to September, 2014

由图3可知,2017年3月,由于气温升高,降水少,辽宁省大部分地区发生重旱,部分地区发生特旱。4月,辽宁省重旱面积有所减少,朝阳、阜新、葫芦岛及锦州等市特旱状况持续,辽东地区如丹东、本溪、抚顺的旱情有所缓解。5月,辽西地区干旱状况有所减轻,但辽西旱情仍旧比辽东严重,以中旱为主,辽西无旱或少许轻旱发生。6月,干旱的情况大幅好转,只有少部分地区有中旱发生,如阜新市及辽南部分地区。7—9月,辽宁省以无旱为主,基本无较大旱情发生。

图3 随机森林模型监测的2017年3—9月的干旱情况Fig.3 Drought conditions monitored by random forest model from March to September, 2017

4 结论

干旱与多种因素有关,考虑干旱诱发因素的组合,利用站点数据及遥感数据建立了一种基于随机森林算法的作物干旱监测模型。从统计结果分析来看,模型模拟值与实测值基本一致。在监测干旱的因子中,CWSI 与PCI 的相对重要性最高,表明降水和蒸发是影响作物干旱的重要因子,其次是SMCI、VCI以及TCI。利用该模型对辽宁省干旱事件进行监测,监测结果与实际干旱发生程度及空间分布基本一致,对辽宁省作物生长季干旱具有较强的监测能力。