基于多源遥感数据的黄淮海平原农业干旱监测研究
2021-11-17张兆旭秦其明
张兆旭秦其明
(1.北京大学地球与空间科学学院遥感与地理信息系统研究所，北京 100871；2.天津工业大学环境科学与工程学院，天津 300387)
全球有逐渐变暖的发展趋势，不同地区的干旱频繁发生，对人类以及社会产生了极大影响，且影响趋势不断加剧。黄淮海平原是我国粮食生产的主要产区之一，农田面积约为2.6万km2，农业干旱长期以来影响着黄淮海平原的粮食生产[1]。
在黄淮海平原，多名国内外学者对该区域进行了干旱监测与评估，主要包括基于站点数据的干旱监测以及基于遥感数据的农业干旱监测[2,3]。徐焕颖等基于MODIS反射率产品、温度产品和气象站点降雨数据等，采用改进归一化水指数(MNDWI)、植被健康指数(VHI)和标准化降水指数(SPI)3个干旱监测指数，对黄淮海平原2001—2012年干旱情况进行监测，分析其空间、季节、年际变化规律及其潜在原因，并根据结果确定3个指数的使用条件[4]。Bo等对潜在蒸散量(PET)的计算方法进行了改进，在标准化降水蒸散指数(SPEIPM)中引入了基于Penman-Monteith方程的PET估算方法，利用1962—2011年的历史气象资料计算SPEIPM，这一改进提高了SPEI在华北平原的适用性[5]。Wang等利用7个干旱指数建立了华北平原干旱对作物产量影响的综合干旱指数(ADI)，利用时间序列和面板回归模型，研究了冬小麦播前和生育期气候产量异常与ADI值的关系[6]。Liu等以黄淮海平原为研究区域，利用SPEI分析了干旱事件的时空特征，探讨了干旱对冬小麦和夏玉米产量的影响[7]。Chen等探讨了SIF在干旱监测与评价中的应用潜力，研究表明，华北平原2014年夏玉米生育期出现了一次严重干旱事件，表现为标准化降水蒸散指数(SPEI)、降水(PRE)、土壤水分(SM)显著负异常，地表温度(land surface temperature，LST)、气温差(DT)显著正异常[8]。卫洁等将气象干旱指数与农业干旱指数相结合，联合使用SPEI、温度植被干旱指数(TVDI)，多角度分析了黄淮海平原的干旱时空变化[9]。吴霞等将气象资料和统计资料相结合，参考SPI计算公式，结合实际干旱灾情资料构建夏玉米干旱指数(SPI10、SPI30)，并分析了黄淮海平原干旱的时空分布特征[10]。利用站点数据，檀艳静等利用长期的站点气象数据，采用不同的统计分析方法，实现了干旱的时空监测[11]。高珊等选取降水量、地形地貌等指标构造干旱分区指标体系，并利用K-均值聚类法对黄淮海地区进行干旱分区[1]。陈征等人以黄淮海平原为研究区，以WaterGAP用水量模型的灌溉耗水量与取水量数据、帕默尔干旱指数(PDSI)数据为基础，探讨了黄淮海平原灌溉用水量变化特征及其与气象干旱的关系[12]。Cui等采用改进的日标准化降水蒸散指数(SPEI)监测了1960—2017年黄淮海平原农业干旱的时空变化特征[13]。Wan等利用卫星遥感技术对东北和华北平原玉米种植区的干旱胁迫进行了评价[14]。不同的干旱监测指数考虑的角度不同，选用的一种或几种指标在农业干旱监测中各有侧重，在监测中达到了不同的监测效果，但也暴露出上述指标对农业干旱响应的滞后性。
农作物的光合作用可以用来宏观调控大气乃至整个生物圈的气体和能量的交换。SIF与农作物的光合作用密切相关，是植被在太阳光照射下吸收能量后在650～800nm范围内发射出来的一种长波信号，可以被用来监测植被生理状态以及水分胁迫的情况。SIF和植物生长的方方面面密切相关。植物叶片反射的光谱也包含了叶片生化组分对入射光线的吸收等方面的相关信息，这2方面都可以提供比较多的植被相关信息[30]。在自然条件下所生产的荧光特征对植被各个领域的研究有着非常重要的意义和应用价值[31]。植被吸收的太阳辐射会用于3种用途，光合作用、热耗散以及重新释放的荧光，叶绿素荧光的变化包含了植物功能和实际吸收的光合有效辐射(APAR)的信息。SIF是植被光合作用吸收光后重新激发的能量，可以被广泛应用到研究农作物光合作用强弱的信号[30]。干旱发生时，水分胁迫会造成植被生理状态的变化，这种变化必然会导致SIF发生变化，通常是会让光合作用和荧光量子产额减少[32]。许多研究已经表明，SIF可以为早期预警和准确监测干旱事件提供独特的、直接的时空变化的信息。
针对农业干旱监测中存在的问题，本文充分利用农作物光合作用中叶绿素荧光监测农田水分亏缺的探针作用，在充分了解光合作用过程的土壤水分亏缺变化与作物叶绿素荧光响应关系后，认识到叶绿素荧光遥感数据可以及时反映农田水分等亏缺带来的胁迫作用与表现。为此采用叶绿素荧光遥感数据，结合植被指数、农田蒸散发、大气(降水)、土壤(土壤水分、地表温度)等表征农业干旱的信息，采用主成分分析(PCA)方法，将多源遥感数据作为输入，构建新的综合干旱监测指数(CDMI)，开展了黄淮海平原2000—2018年长期的农业干旱监测研究。
1 研究区概况
黄淮海平原是我国重要的农业区之一。其面积辽阔，位于N30°～42°，E110°～125°，见图1。黄淮海平原的年平均气温在10～15℃，年降水量在500～1000mm，降水变率大。年蒸发量在897～913mm[15]，田间蒸发旺盛。为了保持行政区域的完整性，本研究选取北京、天津、河北、河南、山东(3省2市)为研究区域。从图1可以发现，该研究区内土地利用类型主要以农田为主，约占到了研究区域面积的75%左右；森林和草地，约各占10%左右；空间分布上，农田主要分布在河北南部、河南中东部、山东大部分；草地主要分布在河北北部，而森林主要分布在河南西部。
2 数据源以及方法
2.1 遥感数据源
2.1.1 叶绿素荧光数据
GOSIF数据集是利用数据驱动的方法开发的叶绿素荧光数据集[16]。GOSIF数据的空间分辨率为0.05°，时间分辨率为8d、每月以及每年。本文下载了2000—2018年每月的GOSIF数据产品(http://globalecology.unh.edu)。
2.1.2 植被指数数据
NDVI可以用来表征农作物的生长和绿度。不健康的农作物在红光光谱中反射强烈，在近红外光谱中反射较少。受到水分胁迫和不健康的农作物会出现低NDVI值。因此NDVI可以表征农业干旱的强度。本研究下载了2000—2018年的每月的NDVI数据(MOD13A3)，空间分辨率1km。
2.1.3 地表温度数据
LST是地表过程的关键指标。作为SM和ET之间的一个基本联系参数，LST的增加先于干旱的发生。MODIS提供了8d合成的LST产品(day和night)，空间分辨率为1km(下载网站同NDVI)。本次实验下载了2000—2018年MODIS LST(MOD11A2)白天和夜晚数据产品，通过最大值合成法合成每月的月尺度LST结果。
2.1.4 蒸散发数据
ET是表征植被蒸腾作用和土壤蒸发相结合的参量。ET反映了土壤、农作物以及大气的质量和能量的交换[17]。蒸散发在表征干旱中起到了至关重要的作用。本次实验从FEWS NET portal网站下载了1km空间分辨率的每月实际蒸散发数据(https://earlywarning.usgs.gov/fews)。
2.1.5 气象数据
降水是全球水循环的重要一环，是气象干旱的一个重要的指标。本文使用了TRMM 3B43月降水数据(http://disc.sci.gsfc.nasa.gov/)。该数据空间分辨率为0.25°×0.25°。
2.1.6 土壤水分数据
ESA CCI SM是一种基于多源微波数据的SM产品，由3个数据集组成，主动产品、被动产品以及主被动联合产品。主动的土壤水分产品融合了2种散射计的产品(AMI-WS和ASCAT)，被动的产品融合了7种散射计的土壤水分产品(AMSR-E、AMSR2、SMMR、SMOS、SSM/I、TMI、WindSat)。联合的产品融合了主动和被动的产品，因此联合的产品具有更高的空间分辨率。本次实验下载了河南省2000—2018年每天的土壤水分数据，通过最大值合成法合成了每月的月平均数据集。
2.2 研究方法
2.2.1 基于PCA的综合干旱模型构建
综合干旱监测指数(CDMI)的原理是将原来变量重新组合成一组新的相互无关的几个综合变量[18]。PCA的主要目的是降低数据集的维数[19,20]。PCA对一组可能相关的变量进行正交变换，转换后的这组变量被叫作主成分，由此创建一个新的变量集，该变量集由不相关的主成分构成。并且按照原始数据中暴露的方差量排序[21，22]。
SIF与农作物的光合作用密切相关[23]，是植被在太阳光照射下吸收能量后在650～800nm范围内发射出来的一种长波信号[24]，可以被用来监测植被生理状态以及水分胁迫的情况。VI(Vegetation Index)是光合作用的间接指标，因为其是植被绿度和能量吸收的量度，会随着非生物条件变化[25]。VI对于PRE和SM的响应经常存在着滞后效应。SIF和APAR的变化线性相关，而且与植被的光合作用效率直接相关。干旱发生时，水分胁迫会造成植被生理状态的变化，这种变化必然会导致SIF发生变化，通常是会让光合作用和荧光量子产额减少[26]。卫星SIF是可以用来测量陆地植被光合作用最直接的信号，许多研究已经表明，SIF可以为早期预警和准确监测干旱事件提供独特的、直接的时空变化的信息[27]。在本次研究中，基于SIF构建的FCI作为输入的一部分来进行模型的构建，发挥了SIF在农业干旱监测中的优势作用。
在遥感应用中，PCA作为一种数据压缩工具已经被使用了很长一段时间，其方法是丢弃一些解释值很小的次要成分。本研究采用PCA方法从VCI、TCI、PCI、ETCI、SMCI、FCI中提取主要信息，并剔除其中的相关信息。将VCI、TCI、PCI、ETCI、SMCI、FCI作为原始输入，计算出相同数量的主成分变量。由于第一主成分(PC1)包含了来自VCI、TCI、PCI、ETCI、SMCI、FCI中约70%以上的信息，因此被定义为一种新的干旱指数，即综合干旱监测指数(CDMI)。
2.2.2 频率分析方法
干旱频率(f)可以反映研究期间发生的干旱程度。计算不同干旱等级下的农业干旱频率(f)[28]，公式
(1)
式中，f为不同干旱等级下的干旱频率；n为不同干旱等级的干旱次数；N为研究周期的长度(N=19)。
2.2.3 趋势分析方法
趋势分析主要用于分析黄淮海平原农业干旱的变化情况，通常采用一元线性回归模型分析每个变量的变化率(即一元线性回归模型的斜率)。对于某一地表参数的时间序列观测变量x=(x1,x2,…,xn)，其斜率slope定义[29]：
(2)
式中，slope为不同时段(天、旬或月)干旱趋势的值，反映了多年来干旱的变化趋势；i=1,2,…,n，表示时间序列；n为研究的时间长度，本文选取的时间系列数据为19a。趋势分析法中，如果slope>0，表明随时间的增加观测变量呈上升趋势；如果slope<0，表明观测变量呈下降趋势。slope的大小反映了上升或者下降的速率。因此通过计算slope值，可以得到农业旱情的逐年减弱和增强的情况。
3 分析与讨论
3.1 黄淮海平原长期农业干旱变化分析
3.1.1 农业干旱等级划分标准
为了更好地监测黄淮海平原农业区的干旱情况，本研究基于分位数的思想将农业干旱划分为4个等级，即重度干旱(severedrought)、中度干旱(moderatedrought)、轻度干旱(milddrought)以及无旱(nodrought)。本研究基于综合干旱指数(CDMI)，共获得2000—2018年农作物生长季(3—10月)共152景农业干旱空间分布图。本研究通过对黄淮海平原农业区所有像素进行区域平均，计算得到2000—2018年作物生长季农业区域平均CDMI值。将区域平均CDMI值从小到大进行排序，选取四分位数(0.35、0.65和0.95)作为干旱等级的阈值分界点。基于阈值法对黄淮海平原进行的干旱等级划分具体见表1。
表1 黄淮海平原干旱等级划分
3.1.2 农业干旱年变化分析
基于农业干旱的等级划分标准，本研究将2000—2018年每年的农业干旱情况进行平均(3—10月)，以分析黄淮海平原农业干旱每年的空间分布情况，本研究基于分位数思想得到19幅黄淮海平原年平均农业干旱空间分布图，见图2。由图2可以发现，2000年，农业干旱主要发生在河北山东的大部分区域以及河南的北部；2001年，农业干旱主要发生在河北河南的大部分区域以及山东的西部；2002年，除了河南南部，黄淮海平原其它地区均出现了干旱现象；2003年，干旱情况得到好转，农业干旱区域主要集中在河北的中部和北部地区；2004年，农业干旱发生在河北的北部地区；2005年，农业干旱主要集中在河北以及山东北部；2006年，农业干旱主要发生在河北省以及山东北部；2007年，农业干旱主要集中在河北北部；2008年，农业干旱发生在河北南部、山东以及河南北部；2009年，农业干旱发生在河北山东北部以及河北南部；2010年，农业干旱发生在河北南部以及河南北部；2011年，河南南部出现了重度干旱现象；2012年，除河北北部，黄淮海其它地区均出现了干旱现象；2013年，河南、河北南部以及山东西部发生了干旱；2014年，除河北北部以及河南南部，黄淮海均出现了干旱现象；2015年，河北南部山东东部出现了干旱现象；2016年，河北中南部、山东以及河南东部发生了农业干旱；2017年，农业干旱出现在山东、河北南部东部；2018年，河南东部、山东西部以及河北南部出现了农业干旱现象。
本研究将2000—2018年共152景农业区干旱图进行平均，得到黄淮海平原多年平均农业干旱空间分布图，见图3。由图3可以发现，橘黄色和浅绿色占比较大，这说明黄淮海平原干旱情况以中度干旱和轻度干旱为主；而重度干旱发生的区域较少；重度干旱主要集中在河北南部以及山东西北部。
3.1.3 农业干旱月变化分析
本研究得到了2000—2018年农作物生长季(3—10月)每月的农业干旱空间分布图，同时将长期的农业干旱分布图按照月份进行平均，最终得到黄淮海平原3—10月的月平均农业干旱分布图，以分析黄淮海平原农业区域的每月干旱分布情况，见图4。
从图4可以发现，黄淮海平原重度干旱主要发生在3月、4月、6月、9月以及10月。在3月，农业干旱主要发生在河北山东河南的大部分区域；4月，干旱主要发生在河北、山东大部分区域以及河南北部；5月，干旱情况有所好转，主要集中在河北东部以及河南西部；6月，干旱有加重趋势，主要集中在河北南部、山东北部以及河南东部；7月、8月，黄淮海平原农业干旱情况有所好转；9月，干旱有加重趋势，干旱主要集中在河北省、山东西部以及河南北部；10月，农业干旱主要发生在河北南部、山东西部以及河南东部和北部。
3.2 农业干旱频率变化分析
干旱频率可以反映研究区的农业干旱在研究期间发生的干旱程度。本研究基于干旱频率计算公式计算了黄淮海平原农业区3—10月的每月的重度干旱、中度干旱以及轻度干旱的空间分布情况，如图5所示。同时本研究基于阈值划分方法，将干旱频率划分为5个等级(0～0.2、0.2～0.4、0.4～0.6、0.6～0.8、0.8～1)。从图5可以发现，对于重度干旱，高频(0.6～0.8、0.8～1)主要发生在3月的河北南部以及山东西北部；黄淮海平原重度干旱发生的频率主要以低频(0～0.2、0.2～0.4)以及中频(0.4～0.6)为主。对于中度和轻度干旱，黄淮海平原发生这2种干旱的频率主要以低频(0～0.2、0.2～0.4)为主，见图6、图7。
3.3 农业干旱趋势变化分析
为了直观地分析黄淮海平原农业干旱2000—2018年发生频率的变化趋势，本研究选择了一元线性回归的方法对黄淮海平原的农业干旱的发展趋势进行分析，得到了黄淮海平原3—10月的农业干旱趋势图。slope值为农业干旱发生频率的变化趋势。当slope值为正值的时候，表明黄淮海平原发生农业干旱的频率在增加，此时黄淮海平原的农业干旱情况在加重；当slope值为负值的时候，表明黄淮海平原发生农业干旱的频率在减少，此时黄淮海平原的农业干旱情况在减轻。
基于一元线性趋势分析方法计算得到了黄淮海平原3—10月的农业干旱发生频率的趋势空间分布图，见图8。从图8可以发现，黄淮海平原不同区域均出现了明显的农业干旱频率增加的情况，尤其河北省3—10月，大部分地区出现了农业干旱加重情况，同时河南省的3—5月以及山东省的3—5月、9月，农业干旱情况明显呈现加重趋势。了解黄淮海平原的农业干旱变化趋势对于有效的进行灌溉以及采取合理的防旱抗旱措施至关重要。
4 结论
本研究主要发挥了SIF在农业干旱监测中的作用，采用PCA的方法，将多源遥感数据作为输入，构建了综合农业干旱监测指数(CDMI)。CDMI综合考虑了大气的变化、土壤的水热平衡以及农作物的生长变化；将CDMI应用到黄淮海平原农业干旱的长期监测中。
本研究基于分位数的思想，将农业干旱划分为4个等级，即重度干旱(CDMI≤0.35)、中度干旱(0.35
本文研究表明，CDMI在研究区农业干旱监测中应用效果明显。下一步的工作将在更大区域范围内进一步检验与完善。
