下载:
-
在各类农业气象灾害中，农业干旱造成的损失十分严重，是对农业生产威胁最大的灾害之一。中国旱灾成灾面积约占总成灾面积的1/2[1]。随着全球变暖、极端气候事件的增加，预计干旱灾害会变得更加频繁和严重[2]；尤其是进入21世纪后的近10年内，全球大约有17%～35%的地区发生了中度干旱灾害，7%～15%发生了严重干旱灾害，2%～6%发生了极端干旱灾害[3]。因此，对干旱的准确和持续监测以及对其影响的评估显得至关重要。本研究选择我国西南地区（21°N～35°N，97°E～113°E）为研究区，包括云南，四川，重庆，广西和贵州5省（市、自治区）。区内气候类型多样，以亚热带和温带气候为主，年平均降雨量约为900 mm，是中国自然条件最为复杂、自然环境较为优越的区域之一[4]。文献[5]统计，2009 年秋冬春跨季连旱过程，共造成了1.6亿人民币的损失和超过1 000万民众的缺水。国内外相关学者已经发展了众多的干旱指数，用以监测干旱的特征。卫星遥感方法监测干旱的优势在于能以不同的时空尺度不断地观测地表状况，提供地表特征信息，具有监测范围广、速度快、成本低的特点，能够长期对研究区域的地表特征信息进行动态观测[6]。
干旱指数一般可分为基于气象站数据的干旱数据和基于遥感数据的干旱指数。基于气象站数据的干旱指数，如标准化降水指数（Standardized Precipitation Index,SPI）[7]、Palmer干旱指数（Palmer Drought Severity Index，PDS）[8]。基于遥感数据的干旱指数又按其理论基础分为4种，包括反应植被状况的植被条件指数（Vegetation Condition Index，VCI）[9-10]，基于热红外遥感的温度条件指数（Temperature Condition Index，TCI）[10-11]，基于微波遥感的微波综合干旱指数（Microwave Integrated Drought Index，MIDI）[12]，以及基于植被和热红外遥感的植被健康指数（Vegetation Heath Index，VHI）[13]、温度植被干旱指数（Temperature-Vegetation Dryness Index，TVDI）[14]和干旱胁迫指数（Drought Severity Index，DSI）[15-16]。
干旱胁迫指数（DSI）是一种新的干旱评价方法，它将MODIS 蒸发量（Evapotranspiration，ET）和潜在蒸发量（Potential Evapotranspiration，PET）数据与植被指数（NDVI）数据结合，成功的用于监测全球陆地的干旱情况，并与NCEP/DOE Ⅱ再分析数据驱动的SPEI干旱指数进行了对比分析，结果表明DSI在监测全球大尺度干旱上具有较高的准确度[15-16]。尽管如此，DSI全球干旱指数在局部尺度的干旱监测上存在误差（如中国西南地区）[15]，因而很有必要对DSI全球干旱指数在局部尺度上进行验证。
国内外学者在中国西南地区干旱的研究上取得了大量的成果，大多是基于气象站点或低分辨率降水数据构建的干旱指数进行干旱监测，如PDSI、SPI等[4]，对于局部干旱事件时空分布特征的捕捉仍然有所欠缺。DSI因为具有高时间分辨率（8 d）和高空间分辨率（0.05°×0.05°），因此,很有必要基于DSI干旱胁迫指数开展我国西南地区2009～2010年极端干旱卫星遥感监测与评估研究。本文的研究目标和内容主要包括：①通过高空间分辨率（0.05°×0.05°）的月均DSI数据来评估我国西南地区2009年11月至2010年3月期间发生的干旱；②绘制从2009年11月至2010年3月干旱期的DSI时空分布图；③根据SPI和西南地区的气象数据资料评估DSI的可靠性；④评估DSI在监测中国西南地区干旱时期的准确性。本文首次将全球尺度的DSI干旱胁迫指数用于监测我国西南地区2009～2010极端干旱，并定量评估DSI在局域尺度的可靠性和准确性，具有一定的创新性。
全文HTML
-
气象站点数据和农业气象站点数据均来自中国气象科学数据共享服务网，包括覆盖我国西南地区的77个常规气象站点1960～2010年的逐月降水量和温度数据、以及研究区内13个农业气象站点2009年至2010年的日气象数据资料。西南地区常规气象站点和农业气象站点分布见图1。研究区土地利用类型数据为第五版（Ⅴ5）、分辨率为500m的MCD12Q1产品，下载自USGS的LPDAAC中心（https://lpdaac.usgs.gov）。
-
标准化降水指数SPI（Standard Precipitation Index）是HAYES et al[17]于1993年在研究美国科罗拉多干旱状况时提出的，该指数只需要较长时间序列的降水（一般应超过30年）资料，且因为消除了降雨的时空差异，对干旱的变化反应灵敏，适用于多时间尺度（1、3、6、12和24个月等）的评价，因而得到了广泛的应用。SPI值表示在指定的时间内监测到的降水量与平均降水量的标准化偏差。SPI<0表示降水量小于平均值，SPI>0表示降水量大于平均值。SPI 的计算原理是将某一时间尺度的降水量时间序列看作是服从某种分布，通过降水量的这种分布概率密度函数推求累积概率，然后将累积概率转化成标准正态分布。监测时间越长，获得的结果就越准确。因此，本研究中采用了从1960～2010年的51年的月降水量数据。
-
干旱胁迫指数（DSI）是耦合了MODIS NDVI和MODIS ET /PET卫星遥感数据来量化干旱胁迫。MODIS NDVI 数据为MOD13A2 NDVI产品，空间分辨率为1 km，下载自USGS的LPDAAC中心（https://lpdaac.usgs.gov）。其中，NDVI 描述了农作物的光合作用以及生长状态，具有质量高、易获取的特点，能够反映农作物物候特征和生长规律，对于大尺度农作物种植信息提取具有显著优势[18]。ET/PET表示农作物的水分胁迫状况，通过两者累加来综合反映干旱的情况。MODIS ET/PET数据为MOD16 ET/PET产品，空间分辨率为1 km，下载自USGS的LPDAAC中心（https://lpdaac.usgs.gov）。本研究利用2000～2011年的DSI数据（ftp://ntsg.umt.edu/pub/MODIS/Mirror/DS），以8 d为周期获取合成DSI值，再将8 d的DSI数据合成为月均DSI值，以保持同月均SPI值相同的时间分辨率。所有数据均通过空间插值，将空间分辨率重采样为0.05°。
DSI是从负无穷到正无穷区间取值的无量纲指数，其计算公式如下：
式中，SANDVI指标准化后的NDVI，SAEVA指标准化后的EVA，NDVI指2009～2010年某年的NDVI，
$\overline {NDVI} $ 指2000～2011年NDVI的平均值，ET/PET指2009～2010年某年的ET/PET，$\overline {ET/PET} $ 指2000～2011年ET/PET的平均值，δ(ET/PET)指ET/PET的方差。然后，对标准化后的ET/PET和NVDI相加，计算标准化后，获得DSI值。
式中，δSA指SA的方差，
$\overline {SA} $ 指SA的平均值。DSI和SPI的分类见表1。
-
通过计算2000～2011年的月均DSI值，根据DSI的分级表，来识别干旱的发生时段和等级，并分别与1960～2010和2000～2010年的月均降水量和气温数据来比较，识别降水和温度的异常。
为了评估监测结果，将2009年11月到2010年3月的月均DSI值与时间尺度为1个月的SPI值（1-SPI）、3个月的SPI值（3-SPI）、6个月的SPI值（6-SPI）、9个月的SPI值（9-SPI）和12个月的SPI值（12-SPI）作皮尔逊相关性分析。
-
以我国西南5省2009年11月至2010年3月出现的严重旱情为例，绘制基于DSI的干旱时空分布图，并将DSI的监测结果与基于农业气象站的干旱调查数据进行比较，从而判断其监测结果的准确性。
1.1. 研究资料
1.2. 研究方法
1.2.1. 标准化降水指数（SPI）
1.2.2. 基于MODIS的全球陆面干旱胁迫指数（DSI）
1.3. 数据分析方法
1.3.1. 基于月DSI指数的干旱特征识别与相关性分析
1.3.2. DSI空间分布图和基于站点观测的SPI、农业气象干旱观测数据的比较
-
通过2000～2010年中国西南5省地区月均DSI值可知，2010年3月DSI月均值为−0.93，是整个研究时期最低值，为严重干旱。同时2009年11月DSI月均值为−0.66，为中度干旱，2009年10月的DSI值为−0.13，基本没有发生干旱。因此，2009年11月至2010年3月时段称为“干旱期”，见图2。（图2中垂直灰色条带表示“干旱期”）。据中国气象局气候中心的相关研究结果，2009～2010年中国西南部地区的干旱从秋末开始至开春结束，这一观测结果与基于DSI的监测结果比较一致。与1960～2010和2000～2010年相比，2009～2010年干旱期内月均温度最高，降水最低，见图3。2010年的SPI值为1960～2010年期间的第二低值，见图4。
-
通过计算2009年11月到2010年3月研究区内的DSI与时间尺度为1、3、6、9和12个月的SPI的皮尔逊相关系数（表2），除2010年2月和3月的DSI与1个月的SPI相关性较差，其余的相关系数r值都较高。3-SPI与DSI的皮尔逊相关系数最高，平均值为0.58；其次是6个月的SPI与DSI的皮尔逊相关系数，平均值为0.45；第三是1个月的SPI与DSI的皮尔逊相关系数，平均值为0.36。因此，选择3-SPI值来评估DSI的监测结果。
-
此次干旱主要发生在四川西南部、云南中部和东部、贵州西部和北部以及广西西部见图5。受此干旱影响的总面积约占本研究区域的72.8%，按照干旱等级分类D1占17%、D2占20.8%、D3占19%、D4占9.4%和D5占6.7%。研究区中部地区出现了一些严重干旱和极端干旱情况。
2009年12月，受干旱影响的总面积减少至58.3%。虽然该月干旱区域面积减少，但强度增加，特别是D5等级与上月相比几乎翻了一倍。由3-SPI显示云南中部和北部遭受严重到极端干旱（图5（e）），这与图5（b）的DSI图分布也是一致的。但是，2009年12月的3-SPI和DSI衍生的干旱模式之间存在差异。例如，在广西中部，SPI检测到轻微到严重的干旱，但DSI显示接近正常情况，而2009年12月广西中部地区未出现实际干旱，表明3-SPI似乎对2009年12月的气象干旱影响区域有误报信号。
2010年1月干旱总面积增至74.2%。2009年11月至2010年1月，四川省由东向西发生轻度至重度干旱见图5（c）。3-SPI与DSI总体呈现相似的趋势见图5（f）。贵州和云南省4个农业气象干旱监测站（赫章，保山，元谋和玉溪）报告轻度到重度的旱情，其中保山地区有792 000 hm2农作物遭受严重旱情，占当地耕地面积的90%～100%见表3。
2010年2月的干旱强度比干旱初期更加严重，研究区约81.2%的面积遭受干旱，其中将近60%的面积干旱程度达到中度甚至极端。在空间上，云南、贵州、四川西部和广西的大部分地区都遭受轻度至极端干旱。尤其是云南东部和贵州西部（图5（g））。3-SPI值与DSI基本一致，但在广西西部，DSI显示出轻度至中度干旱，而SPI显示为轻度至中度湿度（图5（i））；实际上，2010年2月广西西部出现轻度到中度干旱。原因可能是2010年2月广西西部SPI可能受误检信号影响。6个干旱观测站（赫章、保山、元谋、普安、玉溪和都安）发生中度到重度干旱，其中赫章和都安地区分别13万hm2冬小麦和15.5万hm2玉米受灾，覆盖面积分别占当地耕地面积的70%～79%和80%～90%见表4。
2010年3月，干旱总面积增至84.5%，达到旱期最大值，旱情达到最严重状况。与2010年2月相比，云南东部，贵州西部和广西的干旱加剧，而四川西部地区（不包括西北地区）的干旱情况减弱（图5（h））。此外，其他地区也表现出类似的趋势（图5（j））。四川，云南，贵州和广西省的10个干旱观测站（西昌，保山，元谋、玉溪、遵义、惠水、桂林、河池、百色和天等）报告了中度到重度的旱情，与DSI和3-SPI一致。云南保山站所有农业计量干旱观测数据均可用于整个干旱期，2009年11月～2010年3月持续干旱，干旱强度由中度增强至重度，受灾面积从42万hm2增加到96.5万hm2，受灾总面积从70%～79%增至90%～100%见表4。
综上所述，2009～2010年中国西南地区的干旱在时间和空间尺度上均有显著的差异性。2009年11月～2010年3月，云南东部和贵州西部持续遭受干旱，干旱强度从轻度到极端不等，2010年3月发生最严重和极端干旱时期。此外，云南大部分地区在2009年12月遭遇中度到极端干旱。虽然在广西中西部和四川西北部可能有一些错误的检测信号，但3-SPI在验证DSI结果方面表现良好。农业气象干旱观测资料有助于验证干旱强度，并提供有用的轴向信息，揭示许多作物受到2009～2010年中国西南干旱影响。
2.1. 基于DSI的我国西南地区2009～2010年干旱特征识别
2.2. DSI与SPI相关性分析
2.3. DSI空间分布和基于3-SPI以及干旱观测数据的验证
-
利用MODIS NDVI和ET/PET数据，并结合标准降水指数（SPI）和农业气象干旱观测资料，建立了中国西南地区极端干旱监测与评价的方法。研究结果表明。
1）DSI正确揭示了中国西南部在2009年11月至2010年3月的干旱情况。在空间上，中国西南地区有74%的区域出现了极端干旱，而云南东部、贵州西部和广西的旱情从轻度到极端。从时间上看，2010年3月发生了最严重旱情。
2）验证结果表明，DSI与SPI在旱情发生的时间尺度上相一致，并且时间尺度为3个月的SPI（3-SPI）与DSI的皮尔逊相关性最高。从农业气象干旱观测数据来看，2009年11月至2010年3月农作物也受到此次干旱的影响。
3）基于MODIS干旱胁迫指数（DSI）的评价结果可以为中国西南部或全球其他类似地区提供局部干旱监测和评估的科学依据。
本研究利用SPI指数来评价DSI的监测结果。然而，由于气象站数量有限，很难获取整个研究区的DSI和SPI相关性。因此，今后的研究重点将是比较和评估基于热带测雨卫星（TRMM）的降水指数和EOS先进微波扫描辐射计（AMSR-E））得到的土壤湿度数据，两者都可以通过卫星获取网格化的空间数据；由于西南大部分地区都被植被覆盖，考虑到植被动态对干旱影响也较大[19]，未来还应该就干旱和植被之间的关系进一步进行研究。
