西北地区干旱时空动态分布及成因分析

2024-01-05汤连盟吕伟才蒲涛陈梁徐克立

遥感信息 2023年5期

汤连盟,吕伟才,蒲涛,陈梁,徐克立

(1.安徽理工大学空间信息与测绘工程学院,安徽淮南 232001;2.安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室,安徽淮南 232001;3.安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心,安徽淮南 232001)

0 引言

近百年来,全球正在经历以气候变暖为主要特征的气候变化,干旱发生的频率与强度增加[1]。干旱是我国最严重及普遍的自然灾害之一,具有形成原因复杂、发生频率高、持续时间长且影响范围广等特点[2]。而西北绝大部分地区深受自然干旱的影响,属于干旱、半干旱区,是全国干旱最严重的地区[3]。其生态环境脆弱、土地荒漠化严重及植被结构简单等特点,使其对环境气候变化响应较为敏感,严重影响西北地区生态平衡与稳定,阻碍了国家建设生态文明的政策与理念。对西北干旱区展开干旱监测的研究是必要举措,有助于提高干旱的抵御能力、减小经济损失及降低其社会面的影响。

国内外学者对干旱监测的方法进行了诸多研究,如Ghulam等[4]利用近红外和红光波长的反射率反演的二维光谱空间,提出了一种简便有效的干旱监测方法,根据其空间特征建立了垂直干旱指数(perpendicular drought index,PDI),并研究PDI与土壤水分之间的关系。严建武等[5]提出标准化降水指数(standard precipitation index,SPI)及Palmer干旱强度指数(Palmer drought intensity index,PDSI)等气象指数,虽能够较好反映干旱情况,但在传统方法依赖测站点数据且具有“以点带面”的不足,在高海拔、测站点分布不均等地存在监测结果不及时、不准确。Sakine等[6]提出基于标准化降水指数SPI的方法对新开发的降水数据集SM2RAIN-ASCAT与地面气象监测站数据比较分析以估算降水并监测降水,此方法可作为对干旱、半干旱地区地面气象监测站数据的补充。Gholamnia等[7]基于TIMESAT估算归一化植被指数(normalized difference vegetation index,NDVI)时间序列的季节参数与土地覆盖之间的关系,从降雨、不同土地覆盖度等方面分析研究区干旱的影响条件。田庆久等[8]提出NDVI是目前在生态监测中常用的一种指数,其对低植被覆盖度非常敏感,但是对于植被覆盖度较高的地区,所检测的能力减弱。齐述华等[9]根据NDVI和陆地表面温度(land surface temperature,LST)构建特征空间,使用温度植被干旱指数(temperature vegetation drought index,TVDI)能够较好地反映表层土壤水分变化趋势,相对于NDVI衡量旱情指标TVDI更合理。Liang等[10]利用TVDI研究全国干旱与气侯变化趋势的关系认为,干旱发生与气象因子相联系,且影响干旱的主要气象因子会由于地区的不同也会有所变化。

西北部分地区由于特殊的地理状况等因素,存在地面气象监测站分布不均且站点稀疏的情况[11],使用SPI、PDSI等传统监测方法在此类地区中可能会存在监测的滞后性与局限性造成干旱监测的偏差[12]。而依靠遥感技术可以快速、大范围地获取可靠数据,在一定程度上降低了滞后性的问题。其中TVDI在干旱、半干旱地区进行实际监测中具有较优的适用性[13],所需的数据量以及参数较少,且综合考虑到植被状态与地表温度的双重特征,在干旱、半干旱地区得到了广泛的应用[14]。诸多学者在西北及相关干旱地区使用TVDI证明其监测干旱状况具有良好的适用性,如程军等[15]、张晶言等[16]、张翀等[17]及庞素菲等[18]分别在西北所包含的省份使用TVDI方法监测干旱状况并得到了较好的监测成果,故本研究认为TVDI适用于西北地区的干旱监测。

然而,目前基于长时间序列的时空动态变化监测较少,且影响成因分析主要从温度和降水方面切入,缺少土地利用及人口密度等成因分析,尤其在西北干旱区连续动态监测不够深入,具有一定的局限性。因此,本文基于2001-2020年植被生长季4-10月计算西北地区的TVDI指数、空间特征分布与变化趋势,以及对西北干旱区未来预测进行了分析,揭示了影响西北地区TVDI指数的自然因子。

1 研究区概况及研究方法

1.1 研究区概况

中国西北地区包括陕西省、甘肃省、青海省、宁夏回族自治区以及新疆维吾尔自治区5个省级行政区,其位于72°25′E～110°55′E,31°35′N～49°15′N(图1)。地理位置深处内陆,因沙滩戈壁、荒漠草原、日照时间长等综合原因,形成自然景观交错不齐、时空分布极其不均匀、生态环境脆弱、抗干旱能力弱的现状,导致西北地区是最容易受到气候变化影响的地区之一。其中夏季最热以及中国降雨最少的地区均位于西北境内,气候干旱、降雨分布不均是西北地区最主要的气候特征[19-20]。

图1 研究区概况

1.2 数据来源与研究方法

本研究遥感数据选用2001-2020年(植被生长季4-10月)MODIS的遥感数据,数据为NASA(美国国家航空航天局)(https://lpdaacsvc.cr.usgs.gov)提供的植被指数产品(MOD13A2),时间分辨率为16 d,空间分辨率为1 km。地表温度产品(MOD11A2)的时间分辨率分别为8 d,空间分辨率为1 km。基于NDVI和LST计算TVDI。

DEM数据通过地理空间数据云镶嵌裁剪获取(https://www.gscloud.cn/#page1)。温度、降雨量数据从英国CRU发布的全球陆地表面月均气候数据集(http://www.cru.uea.ac.uk/data)获取。人口密度数据来自精度最高的Worldpop公开人口数据集(https://www.worldpop.org/),通过处理得到研究区所需数据集。土地利用覆盖数据是中国研制的30 m空间分辨率全球地表覆盖数据(http://www.globallandcover.com/),地理坐标系采用的是WGS_1984,此产品将土地利用分类分为11类,本文合并分为6类作为研究对象。

1.3 研究方法

1)温度植被干旱指数。TVDI是地表温度(Ts)与NDVI建立相关Ts-NDVI特征空间模型,并计算实现干湿边方程拟合和TVDI 指数提取,以获取水分胁迫指数对土壤湿度进行评估。在NDVI<0时,地表以冰雪、水系以及云层为主要覆盖物,认为地表含水量为100%。0

表1 TVDI干旱等级标准划分

2)趋势分析法(Sen-MK)。在长时间序列的趋势分析中,常采用Sen-MK趋势分析法,这是一种非参数统计计算的方法,除对测量误差和离群数据不敏感外还具有计算效率高且计算效果稳健等特点。本文利用Sen趋势度对西北地区2001-2020年TVDI年际变化趋势进行分析计算。

3)Hurst指数。Hurst指数是定量描述时间序列数据持久性特征的一种有效方法。本文采用R/S分析方法估计Hurst指数,对我国西北地区通过20 a数据进行持久性特征分析[23]。

Hurst指数取值范围为0～1。当0

4)地理探测器。本文使用王劲峰等[25]提出探测空间分异性的地理探测器,探测各驱动自变量因子对因变量的解释度。

2 结果与分析

2.1 基于TVDI的西北地区干旱时空变化特征

对西北地区植被生长季进行均值法分析获取时间特征发现(图2(a)),近20 a间TVDI值呈现不显著下降的趋势,表明整个西北地区在呈现缓慢“变湿”迹象,其下降速率为0.000 6/a。

图2 TVID年均值及干旱等级面积占比

根据干旱等级将2001-2020年(4-10月)研究区植被生长季的TVDI进行划分,研究20 a间干旱年际变化特征。从年际TVDI变化看,2013年的TVDI值最高,表明此年份西北地区干旱程度最严重。从年际干旱等级划分看(图2(b)),2014年受灾区(中旱、重旱)最为显著,达到研究区总面积的56.45%。2013年受害影响面积(轻旱、中旱、重旱)最严重,达到研究区面积的75.84%。取20 a间干旱面积均值得知,年平均对植被生长季影响面积占研究区总面积72.59%,但通过对近20 a间轻旱、中旱、重旱研究发现,其占像元的面积以0.001 4/a的速率缓慢下降。

根据图3,发现TVDI干旱分布具有较强的地域性和局域性,全域的北部、西北部、东北部干旱程度显著高于南部、东南部。干旱事件主要分布在甘肃的河西走廊、青海的柴达木盆地,以及新疆的昆仑山脉以南的地理位置。陕西全域以中旱和重旱为主,宁夏全域主要以中旱为主。其中新疆地区重旱较于其他4省最为严重,主要分布在昆仑山脉、塔里木盆地附近,且南疆的干旱频次和面积高于北疆,形成了较大规模的重旱。

图3 重旱年际TVDI空间分布

2.2 2001-2020年西北地区TVDI趋势变化分析

图4空间分布表明TVDI指数从西北部向东南部逐步递减。西南和东南地区TVDI较低,受影响较小。青海地区较为湿润,其绝大部分为正常状态。干旱比较严重的地区为新疆地区,受海拔较高、年降水少等原因,相比其他地区,更容易受到气候变化带来的影响。

图4 20 a年均TVDI时空分布

对2001-2020年间(4-10月)各省年份TVDI均值一元线性均值回归方程及可视性TVDI均值趋势分析,可知除宁夏地区20 a间的TVDI呈现0.001/a上升的趋势外,其余西北4省均呈现不同程度的下降趋势(陕西TVDI变化值为-0.001 7/a,R2=0.178 4;青海TVDI变化值为-0.001 4/a,R2=-0.102 4;甘肃TVDI变化值为-0.000 9/a,R2=0.093 4;新疆TVDI变化值为-0.000 08/a,R2=0.001),在研究时间跨度的植被生长季的年份中,陕西地区变湿化现象最为明显。

结合基于Sen-MK进行20 a趋势性显著检验(图5),可以看出变化趋势具有区域性的差异。从总体上看,呈“西部减少、东部增加”的趋势。从局部上看,宁夏的北部、新疆东北部干旱程度显著增加,青海东南、东北部、甘肃南部、陕西的西南部总体“显著变湿”。49.4%的区域干旱状态减弱,43.2%的区域干旱状态加强。由此可知,2001-2020年间研究区的TVDI指数呈下降趋势,即西北地区20 a存在“变湿”现象。

图5 时空趋势变化分析

2.3 未来干旱化持续性分析

1)TVDI未来持续性分析。Hurst指数年际变化如图6所示。由图6可见,Hurst指数范围在0.09～0.96,均值为0.43,与过去的TVDI趋势呈反持续性,即干旱将呈上升趋势。未来西北地区植被生长季TVDI以增加为主。Hurst指数小于0.5的值占西北地区总面积的79.9%,具有反持续性,说明西北地区未来变化趋势与过去20 a相反。对西北地区的区域分析得到各省份Hurst指数均值,新疆为0.43、陕西为0.45、宁夏为0.47、甘肃为0.41、青海为0.42,均具有反持续性。由此可知西北地区未来植被生长季TVDI变化趋势,宁夏未来TVDI值会下降,且主要干旱地区大概率会集中发生在中部;其余4省都将呈现反持续性,表示TVDI的值会呈现不显著上升的趋势。

图6 西北地区持续性分析

2)影响因素分析。本文选取2001-2020年年均土地利用类型、年均降雨量、年均温度、人口密度、高程、坡度及坡向作为驱动因子进行单因子探测及多因子交互探测。单因子结果显示人口和坡向对研究区TVDI的值无显著性影响。各影响因子的p值均为 0,表明研究因子对西北地区干旱值有充分的解释力,也证明选取高程、降雨量、温度等指标计算影响干旱的可行性。根据q值的大小对影响因子排序(图7),依次为高程、温度、坡度、土地利用、降雨量,高程和温度是影响TVDI的主导因子。不同类型的双因子交互作用存在明显的差异性,且增加了单因子的解释度。双因子交互后均显示双因子增强,其中与高程和温度交互的因子均在0.65以上,与高程交互因子的均值为0.826,与温度交互因子的均值为0.763,进一步加大了高程和温度对TVDI的解释度。其中,高程∩土地利用(0.844)、高程∩降雨量(0.820)、高程∩温度(0.798)、高程∩坡度(0.843)值均在0.8左右及以上,具有较强的解释度,部分因子交互值也具有较大的解释度 (温度∩坡度、温度∩土地利用、温度∩降雨量),这一结果也说明了TVDI的空间分布格局受多种因素综合影响。

注:加粗为各单因子的q值;其他为因子间交互q值。图7 交互因子热力图

3 讨论

干旱的成因较为复杂,在以往学者对干旱的研究中仅取短时间跨度的降雨或温度等方面数据进行分析,其时间短、考虑面窄,导致说服力不足,在较大程度上影响了学者对干旱成因的判断。针对目前西北地区缺乏长时间序列空间动态变化的干旱监测及未对影响干旱成因的问题进行深入研究,本文以长时间序列2001-2020年为跨度,探究多方面因素及综合多因子之间的交互作用对干旱的影响,对干旱的地理空间分布准确定位、未来持续状态详细说明、干旱成因准确定性。但未对TVDI与地面监测站进行结合分析,大体上可能会存在偏差的问题,今后考虑遥感数据与地面监测站相结合的方法进行干旱监测。此外,本文使用的NDVI对植被高覆盖区监测不敏感也存在一定的误差,可以使用EVI构建TVDI及改进的ITVDI方法对研究区进行干旱监测以获取最优的监测模型。