2001－2019年长江中下游农业干旱遥感监测及植被敏感性分析

来源：SCI期刊网 分类：农业论文 时间：2021-08-04 09:05 热度：

摘 要：摘要：长江中下游地区是我国最重要的粮食产区之一，近年来，由于极端天气影响，长江中下游地区的农业生产时常受到干旱灾害威胁。利用植被条件指数(VegetationConditionIndex,VCI)、温度

　　摘要：长江中下游地区是我国最重要的粮食产区之一，近年来，由于极端天气影响，长江中下游地区的农业生产时常受到干旱灾害威胁。利用植被条件指数(VegetationConditionIndex,VCI)、温度条件指数(TemperatureConditionIndex,TCI)及植被健康指数(VegetationHealthIndex,VHI)对2001-2019年长江中下游地区农业干旱的时空演变情况进行监测，探究长江中下游地区VCI及TCI在VHI指数中的最优权重比例，挖掘不同植被对干旱的敏感性差异，同时基于气候变化背景分析长江中下游六省一市(湖北、湖南、安徽、江西、江苏、浙江、上海)的干旱趋势。结果表明，VCI和TCI指数能够分别反映地区植被生长异常和热量异常;当VCI和TCI的权重分配比为7:3时，VHI指数能够结合2种指数各自特点，在长江中下游地区农业干旱监测上更有优势;不同植被对干旱的敏感性不同，在长江中下游地区，农作物对干旱的敏感性最高，森林最低，草地介于二者之间;在气候变化背景下，近20年来，长江中下游地区水分条件逐渐向好，干旱风险逐步降低，其中湖北、湖南、安徽、江西和浙江等地湿润趋势明显，而江苏和上海地区湿润趋势较弱，在极端气候下仍存在一定的干旱风险。相关结果能够为长江中下游地区各省市旱情预警及抗旱措施制定、区域农业生产管理提供参考。

　　关键词:农业干旱监测;植被条件指数;温度条件指数;植被健康指数;植被敏感性;气候变化;长江中下游地区

　　干旱是一种形成机理复杂、持续时间长、影响范围广的自然灾害，对农业生产、人类生活、经济发展造成了严重影响[1-2]。例如，2011年美国德克萨斯州发生的干旱灾害造成农业损失达76.2亿美元[3]。干旱还会诱发一系列次生灾害的发生，如森林火灾、大气污染等[4-5]，进一步威胁人类健康和生态环境稳定[6]。根据联合国政府间气候变化专门委员会(TheIntergovernmentalPanelonClimateChange,IPCC)的相关报告，到2030年至2052年左右，全球平均温度将比第二次工业革命前上升1.5℃，气候变化等因素将大幅增加未来极端干旱发生的可能性[7]。干旱主要分为气象干旱、农业干旱、水文干旱和社会经济干旱四种干旱类型[8]。气象干旱一般指降水量缺少引起的水分亏缺现象，可以用降水量相关指标进行衡量;随着降水量的长期亏缺，土壤水分含量减少，植被无法满足对水分需求的现象，干旱演变为农业干旱。农业干旱的严重程度可以利用土壤水分含量、植被生长状况和地表温度反映;水文干旱表示河流湖泊水资源减少或地下水位低于正常值的现象，一般由气象干旱或农业干旱的旱情条件进一步恶化引起;社会经济干旱则强调自然气候干旱对人类社会经济活动造成的影响[9]。农业干旱密切影响粮食产量、关系农业生产，因此本文主要关注农业干旱的监测研究。

　　早期农业干旱监测主要使用气象监测方法，通过测量站点获取的降水量和土壤墒情等数据，计算得到帕尔默干旱严重指数PDSI(PalmerDroughtSeverityIndex)、标准化降水指数SPI(StandardizedPrecipitationIndex)、Z指数(Z-index)等指数对干旱程度进行等级量化，最终达到监测的目的[10]。这些方式虽然能够真实反映地面干旱情况，但站点分布稀疏，日常维护及数据测量成本高，不利于进行大范围的农业干旱监测[11]。

　　随着遥感技术的发展，基于卫星数据的干旱监测方法能够提供覆盖范围大、时空连续的监测，被证明是干旱监测中最具应用潜力的技术手段[12]。基于遥感手段监测农业干旱的最直接方式是利用微波辐射计测量土壤水分含量异常变化，常用的卫星数据产品包括AMSR-E，AMSR-2，SMAP等卫星或传感器获取的土壤水分产品[13-14]。但这种方式获取的土壤水分数据空间分辨率低，难以进行精细化的农业干旱监测应用[15]。多光谱遥感卫星能够提供高分辨率地面光谱数据，一些研究者通过设计与地表水分含量敏感的指数侧面反映农业干旱状况。文献[16]提出的归一化植被指数NDVI(NormalizedDifferenceVegetationIndex)通过将光谱的红波段和近红外波段组合，能够很好的反映植被生长状态[17]。农业干旱往往伴随着植被生长状态负向偏离其平均状态等现象，根据植被状态距平的概念，文献[18]利用长时序的卫星影像数据对植被当前状态进行历史同期归一化，得到条件植被指数VCI(VegetationConditionIndex)，并利用VCI对美国本土地区进行长时序大范围的植被干旱监测。同时，文献[18]还提出条件温度指数TCI(TemperatureConditionIndex)监测地表温度异常，并综合VCI和TCI进一步提出植被健康指数VHI(VegetationHealthIndex)。这些指数计算方法简单，已经被成功应用在全球多个区域的农业干旱监测、植被动态变化监测、农作物产量估计等领域[19-21]。

　　目前在中国，上述三种指数已得到初步应用。文献[22]利用VCI监测1991年全国干旱状况，指出VCI指数能够进行农业干旱的监测。文献[23]对比了VCI、TCI等指数在长江中下游地区五个省份的监测效果。文献[24]利用VCI、TCI等指数对内蒙古河套灌区进行监测，结果表明结合基于地表温度的干旱指数对旱情有更好的监测结果。文献[25]利用VHI对江苏省2001—2018年间的农业干旱进行识别。

　　然而，上述指数在整个长江中下游地区的针对性应用相对较少，且缺乏适应性分析及干旱演变的趋势分析。此外，干旱是大气环境对地表作用的结果，但很少有针对长江中下游地区地表类型对干旱的敏感性研究。因此，本文利用VCI、TCI及VHI指数，对长江中下游地区六省一市从2001年到2019年的农业干旱演变情况进行监测，同时通过对近20年来长江中下游不同省份干旱发生趋势、不同植被的干旱敏感性分析，发掘区域干旱的演变规律和潜在方向，为区域抗旱政策制定及农业生产管理提供参考。

　　1研究区域与方法

　　1.1研究区域

　　研究区域位于中国长江中下游地区，地理范围在108°21′E-122°56′E、24°29′N-35°07′N之间，包括湖北、湖南、安徽、江西、江苏、浙江和上海等地，共6省1市，总面积约92.4万km2(图1)。长江中下游地区属亚热带季风气候，年平均气温14～18℃，年降水量l000~1500mm。其中，长江中下游平原作为中国三大平原之一，是中国重要的商品粮基地，也是油、棉、麻等重要经济作物的生产基地。同时，长江中下游地区也是干旱易发区域[26-27]，粮食产量和农业发展时常面临干旱等自然灾害的严重威胁[28]。

　　1.2研究数据

　　本文使用的数据包括归一化植被指数NDVI，陆地表面温度LST，降水量数据和地表覆盖类型数据。其中，NDVI和LST均从MODISV6产品数据中获得，分别是地表反射率数据产品MOD09GA和陆地表面温度数据产品MOD11A1。NDVI的原始分辨率为500m，LST的原始分辨率为1km，为了统一分辨率，同时一定程度上消除单位像元上因土地覆盖/土地利用变化带来的误差，本文对NDVI栅格数据进行重采样聚合，将分辨率采样到1km。两类数据的时间范围均选择的是2001-01—2019-12，共计19a。NDVI通过选择MOD09GA产品中的红波段和近红外波段计算得到[16]。NDVI可以很好地反映植被的生长状况，能够作为监测植被水分胁迫及农业干旱发展状况的有效指标。本文中的LST选取的是MOD11A1产品中的日间陆地表面温度数据。LST的监测机理在于：当植被受到水分胁迫时，叶片气孔关闭，蒸散发活动减少，局部温度升高[29]。

　　本文选择了SPI指数来探究VHI指数的区域适应性。SPI指数由长时序降水数据计算得到，本文中的降水量数据选择的是美国加利福利亚大学圣巴巴拉分校的气候灾害中心(https://chc.ucsb.edu/data/chirps)提供的降水产品CHIRPS-V2.0。CHIRPS-V2.0融合了遥感估计降水和实地站点的降水数据，能够提供近实时的格网化降水值，用于降水趋势分析和季节性干旱监测。为了使SPI指数的计算更加准确，降水产品选取了1981-01—2019-12，共39a的数据进行计算。该产品的原始分辨率为0.05°×0.05°。

　　此外，为了分析不同植被对干旱的敏感性，本文中还使用了MODIS的MCD12Q1产品中的土地覆盖类型数据。该产品包括5种全球土地覆盖分类子产品：国际地圈-生物圈计划(IGBP)分类、马里兰大学分类、叶面积指数分类、生物地球化学循环(BGC)分类和植物功能类型分类。本文选取IGBP分类作为分类依据。IGBP分类共包含17个土地覆盖类型，分辨率是1km。考虑到长江中下游地区区域独特性，我们将研究区域内不包含的类别剔除，并按照剩余类别的类间相似性对剩下的13类进行重新归类。原始分类和重新归类结果如表1所示。

　　1.3研究方法

　　在干旱监测指数计算之前，需要对NDVI和LST数据进行预处理，包括云去除、月尺度合成、统一分辨率和缺失数据补全。其中云去除是利用MODIS数据的QA波段，将每日的受云污染影响的影像掩膜，留下无云区域的影像;月尺度合成是将掩膜后的无云影像通过逐月平均得到每月的合成影像;进一步地，将500m分辨率的NDVI采样到1000m，统一NDVI和LST的分辨率;由于月尺度合成不能够完全保证云去除之后的无云数据的在研究区域上月尺度合成后的完整性。因此，在当前月份存在空间数据空洞时，利用该月份的相邻月份和历史同一月份的平均值来补充空洞区域数据。

　　不同时间尺度的标准降水指数SPI，能够针对性地反映出不同干旱类型的干旱强度，在干旱监测中应用广泛。其中，SPI-1表示1个月尺度的SPI指数，常被用来监测气象干旱。SPI-3及SPI-6分别表示3个月和6个月时间尺度的SPI，常被用来作为农业干旱的监测指标[33]。本文选取的降水数据产品分辨率为0.05°，时间范围为1981-01—2019-12，共计39a。在计算SPI指数之前，首先通过插值将分辨率采样至1km，使其与VCI,TCI及VHI的分辨率保持一致，然后逐像素计算SPI-3与SPI-6指数。虽然本文中只考虑农业干旱，但为了进一步说明相关指数的监测效果，本文还计算了1个月时间尺度的SPI指数SPI-1,因为气象干旱等短期干旱也会影响农业干旱的发生。SPI指数的具体计算方法可以参考文献[34]的相关研究。

　　除了不同时间尺度的SPI指数，本文还计算了降水距平指数，进一步验证结果的可靠性。由于降水距平指数一般应用于气象干旱的监测，而本文主要监测农业干旱类型。考虑到气象干旱和农业干旱的时延性[33]，本文的降水数据是将当前月份和前两个月降水量的累积降水量代入到降水距平指数进行计算。

　　2数据结果与分析

　　2.1VHI指数的适应性分析及权重选择

　　不同时间尺度的SPI指数具有反映不同类型干旱的能力，本论文选取了SPI-1、SPI-3和SPI-6共3个时间尺度的SPI指数，来探究VCI和TCI在VHI指数中的最优权重配比，分析三种指数在长江中下游干旱监测的适应性。本论文从0~1按照0.1的间隔调节VCI及TCI之间的权重，结果如图3所示，其中α为0时，VHI即为TCI，当α为1时，VHI即为VCI。

　　在不同的权重因子下，VHI指数与不同尺度的SPI指数相关性差异很大，主要表现在当VCI的权重较低时，VHI指数与SPI的相关性较低，而当VCI的比重升高时，相关性升高。从图3中可以看出，当VCI的权重为0.6时，VHI与SPI-1的相关性最高，为0.375;当权重为0.7时，VHI与SPI-3的相关性最高，达到了0.510;而当权重为0.8时，VHI与SPI-6的相关性最高，达到了0.478。然而，随着α的持续增加，VHI与多尺度SPI的相关性均呈下降趋势，说明VCI和TCI虽均含有干旱信息，但失衡的权重配比会影响VHI指数的干旱监测效果。此外，相比于TCI，VCI与SPI-3，SPI-6的相关性较高，分别达到了0.438和0.446，说明VCI指数在监测中长期干旱上是有效的。TCI与气象干旱监测指数SPI-1相关性较高，相关系数为0.207，表明TCI指数适合进行短期干旱监测，但效果有限。综合以上分析，在计算长江中下游地区的VHI指数时，为了平衡VCI和TCI各自贡献，VCI应被赋予更高的权重。本文中选取VCI和TCI权重因子分别为0.7和0.3来构建最适宜长江中下游地区农业干旱监测指数VHI。

　　相关知识推荐：气候变化类论文发sci期刊

　　当然，VCI、TCI和VHI对干旱的描述仍有限。干旱在演变过程中的表现方方面面，降水持续减少、温度异常升高、土壤水分含量下降、植被蒸发散受限及生长状况异常等都可以作为衡量干旱发生演变的要素。本文主要监测农业干旱在温度和植被生长方面的表现，多源数据的融合和多元指数的集成或许是未来研究工作中提升干旱监测效果的可能探索方向[35]。

　　2.2典型干旱年份中旱情时空演变

　　在选取的研究时间范围内，长江中下游经历多次不同程度的干旱，考虑本文篇幅限制，本部分根据年降水量选择了2001—2019年中两个降水量最少的年份，并将这两个年份作为干旱演变监测的典型。图4是2001—2019年长江中下游地区降水总量的逐年变化情况。长江中下游地区近20年的平均年降水量约1450mm，其中，2001年、2003年、2004年及2011年的年降水量均远远低于平均水平。特别地，2011年的年降水量约1200mm，比近20年平均水平低250mm，2001年的年降水量约1237mm，比近20年平均水平低213mm。和历史同期相比，这两个年份降水量较少，存在较高的农业干旱发生风险。因此，本部分选取2001年和2011年这两个典型年份进行重点干旱监测。从图5可以看出，2001年和2011年的旱情均十分严重。从VCI的结果来看，2001年全年植被生长受干旱胁迫程度大，表现在从1月—2月研究区的部分区域蔓延到3月—5月份的整个长江中下游地区，虽然植被生长胁迫在6月—8月份有所缓和，但是10月及之后月份又有所加重。2011年植被生长表现出的异常主要集中在上半年。在2011年的1月，整个长江中下游地区除了安徽省中北部地区，植被生长均受到不同程度的干旱胁迫。长江中下游的中部地区植被生长胁迫尤为严重，主要分布在湖南省北部、湖北省南部及安徽省南部区域。在2011年2月—6月，植被胁迫开始向整个长江中下游特别是北部地区延伸，湖北省东北部、安徽省中北部及江苏省地区均表现严重的干旱胁迫现象。在2011年下半年，植被生长胁迫得到缓解，只有局部地区干旱相对较严重，如2011年7月的长江中下游东北部、9月的湖南省中西部等区域，可能原因是夏季降水增多，旱情得到缓解。

　　图6显示，TCI指数在2001年1月—2月主要集中在江西及湖南南部以及浙江省中南部，4月份集中在安徽省和江苏省北部。从全年来看，2001年温度异常集中在5月—10月。在2011年，TCI低值主要集中在上半年，特别是在4月和5月，这表明该段时间长江中下游正经历着严重的温度异常事件。在2011年的下半年，温度异常得到缓解，但部分月份的部分区域如9月份湖南省中西部、11月份江西省北部和安徽省南部，表现出相较往年的热量异常。

　　根据图7，VHI指数兼顾了VCI和TCI在农业干旱监测中的监测植被生长胁迫与温度异常方面优势。综合三种指数的监测结果可以发现，在2001年和2011年两个降水量较少的年份中，均发生了较为严重的干旱。其中，2001年干旱持续时间较长，干旱程度较重，特别在2001年5月及9月—10月。2011年干旱主要集中在上半年，下半年由于降水等原因，干旱情况得以缓和，相关结论和前人的研究一致[27]。

　　对比图7和图8，VHI指数基本上能够捕捉到干旱的时空变化。如在图8中，2001年干旱主要5月、9月和11月，而2011年干旱主要集中在上半年，具体分布在1月—5月。距平指数的干旱演变趋势和VHI指数的表现有很好的相关性。

　　干旱是受多种因素控制，单指数监测干旱可能无法反映干旱的全貌。综合图3及图5-7，条件植被指数VCI和条件温度指数TCI在农业干旱监测上效果有限，主要原因可能是这两种指数分别从归一化植被指数和温度指数两种单一数据源导出。植被指数通常只反映植被生长状况的变化，温度指数只反映地表温度异常。两种指数独立监测干旱时提供的干旱信息有限。因此，单独运用这两种指数监测干旱，并不能完全跟踪到干旱的时间演变和空间变化特征。此外，区域VCI的低值并不能完全归咎于干旱，地物变化、物候期变化等非干旱因素均是VCI异常的可能原因，同样，条件温度指数TCI的低值也可能来自于热浪等其他温度异常。VHI指数能够集成两种指数优势，在最优权重比例下对长江中下游干旱提供更准确的农业干旱监测。——论文作者：尹国应1张洪艳1张良培1,2

文章名称：2001－2019年长江中下游农业干旱遥感监测及植被敏感性分析

文章地址：http://www.sciqk.com/lwfw/nylw/11657.html