-
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。
运用MODIS对我国西南地区极端干旱情况监测与评估研究
——以2009~2010年遥感数据为例Monitoring and Evaluation of Extreme Drought in Southwest China Based the MODIS ——A Case Study Based on 2009 ~ 2010 Remote Sensing Data
-
摘要: 文章利用中分辨率成像光谱仪(MODIS)反演的干旱胁迫指数(DSI)来监测我国西南地区2009~2010年极端干旱的持续时间、发生强度和空间分布等特征,进而评估DSI的干旱监测能力,并验证其精度。结果表明:我国西南地区在2009年11月至2010年3月期间遭遇了极端干旱。作物受灾面积占研究区总面积的74%,其中中度干旱、严重干旱和极端干旱面积占总面积的20%、12.7%和13.2%。空间分布上,云南东部、贵州西部和广西西部地区均遭受了持续干旱,干旱期间强度从轻度到极端。将DSI和标准化降水指数(SPI)进行皮尔逊相关分析,以评估DSI的监测结果。结果表明:DSI与SPI的变化趋势在时间尺度较为一致,DSI和时间尺度为3个月的SPI的相关性系数最高(r=0.58),农业气象干旱的监测资料也验证了这一点。研究表明,DSI具有监测我国西南地区或全球其他类似地区极端干旱的能力。Abstract: This article investigated whether Drought Severity Index (DSI) derived from the Moderate Resolution Imaging Spectroradiometer (MODIS) had the capability of detecting the regional drought in the subtropical southwest China. The monthly remote sensing data based DSI were used to characterize the extent, duration, and severity of the drought from 2000 to 2010. The results showed that southwest China suffered an extreme drought from November 2009 to March 2010 (referred to as the “drought period”). The area affected by the drought occupied approximately 74% of the total area of the study region, in which a moderate drought, severe drought, and an extreme drought accounted for 20%, 12.7% and 13.2% of the total area, respectively. Spatially, eastern Yunnan, western Guizhou and Guangxi suffered a persistent drought ranged from mild to extreme during the drought period. Pearson correlation analyses were performed between DSI and the in-situ meteorological station-based Standardized Precipitation Index (SPI) for validating the monitoring results. The results showed that the DSI corresponded favorably with the temporal change trend of the SPI. Furthermore, similar spatial patterns and temporal variations were found between the DSI and the 3-month SPI with the highest correlation (mean: r=0.58), as well as the agro-meteorological drought observation data. The analysis proved that the DSI could monitor the extreme drought with a fine resolution across subtropical southwest China, or other similar regions.
-
Key words:
- Drought /
- Drought Severity Index /
- SPI /
- MODIS /
- Southwest China
-
表 1 DSI与SPI分类表
分类 干旱等级 DSI SPI W5 极端湿润 1.50~/ 2.0~/ W4 严重湿润 1.20~1.49 1.5~1.99 W3 中度湿润 0.90~1.19 1.0~1.49 W2 轻度湿润 0.60~0.89 0.5~0.99 W1 初期湿润 0.30~0.59 / WD 正常 0.29~−0.29 −0.49~0.49 D1 轻度干旱 −0.30~−0.59 / D2 中度干旱 −0.60~−0.89 −0.50~−0.99 D3 严重干旱 −0.90~−1.19 −1.0~−1.49 D4 特大干旱 −1.20~−1.49 −1.50~−1.99 D5 极端干旱 −1.50~/ −2.0~/ 表 2 2009年11月至2010年3月的DSI值与1-SPI、3-SPI、6-SPI、9-SPI和12-SPI的皮尔逊相关系数(样本数77个)
t/年-月 皮尔逊相关系数6-SPI 1-SPI 3-SPI 6-SPI 9-SPI 12-SPI 2009-11 0.54 0.49 0.29 0.30 0.30 2009-12 0.41 0.70 0.47 0.38 0.38 2010-01 0.62 0.70 0.41 0.44 0.39 2010-02 0.19 0.52 0.59 0.41 0.42 2010-03 0.03 0.49 0.47 0.47 0.43 表 3 2009年11月至2010年3月不同旱灾灾情所占面积比例
% t/年-月 D1 D2 D3 D4 D5 D345 D12345 2009-11 16.99 20.78 18.94 9.44 6.66 35.03 72.81 2009-12 13.14 10.05 10.22 12.98 11.89 35.09 58.27 2010-1 13.06 17.10 22.88 9.64 11.50 44.02 74.17 2010-2 8.99 12.54 27.52 15.28 17.26 60.06 81.58 2010-3 10.59 18.78 20.37 16.10 18.63 55.10 84.47 注:D表示等级。 表 4 2009年11月至2010年3月农业气象干旱观测受灾农作物及面积统计
区站号 台站名称 省份 纬度/°N 经度/°E t/a t/月 受灾作物类型 干旱强度 受灾面积/hm2 百分比/% 56748 保山 云南 25.12 99.17 2009 11 所有作物 中等 420 000 70~79 56875 玉溪 云南 24.35 102.55 2009 11 所有作物 初期 87 000 70~79 56748 保山 云南 25.12 99.17 2009 12 所有作物 中等 420 000 70~79 56598 赫章 贵州 27.11 104.73 2010 1 冬小麦 初期 130 000 50~59 56748 保山 云南 25.12 99.17 2010 1 所有作物 严重 792 000 90~100 56763 元谋 云南 25.73 101.87 2010 1 所有作物 中等 21 000 80~89 56875 玉溪 云南 24.35 102.55 2010 1 所有作物 中等 114 000 70~79 56598 赫章 贵州 27.11 104.73 2010 2 冬小麦 中等 130 000 70~79 56748 保山 云南 25.12 99.17 2010 2 所有作物 严重 792 000 90~100 56763 元谋 云南 25.73 101.87 2010 2 所有作物 中等 53 000 80~89 56792 普安 贵州 25.8 104.96 2010 2 所有作物 严重 62 000 90~100 56875 玉溪 云南 24.35 102.55 2010 2 所有作物 严重 114 000 70~79 59037 都安 广西 23.93 108.1 2010 2 玉米 中等 155 000 80~90 56571 西昌 四川 27.9 102.27 2010 3 所有作物 中等 20 000 0~90 56748 保山 云南 25.12 99.17 2010 3 所有作物 严重 965 000 90~100 56763 元谋 云南 25.73 101.87 2010 3 所有作物 中等 94 000 80~89 56875 玉溪 云南 24.35 102.55 2010 3 所有作物 中等 143 000 90~100 57717 遵义 贵州 27.53 106.82 2010 3 所有作物 严重 365 000 70~79 57912 惠水 贵州 26.16 106.66 2010 3 所有作物 严重 381 000 70~79 59001 桂林 广西 24.78 105.35 2010 3 所有作物 严重 165 000 60~69 59023 河池 广西 24.7 108.05 2010 3 所有作物 中等 35 000 30~39 59211 百色 广西 23.9 106.6 2010 3 所有作物 中等 523 000 50~79 59227 天等 广西 23.08 107.15 2010 3 玉米 中等 110 000 70~79 -
[1] 房世波, 齐月, 韩国军, 等. 1961~2010年中国主要麦区冬春气象干旱趋势及其可能影响[J]. 中国农业科学, 2014, 47(9): 1754 − 1763. doi: 10.3864/j.issn.0578-1752.2014.09.010 [2] TRENBERTH K E, DAI A, VAN DER SG, et al. Global warming and changes in drought[J]. Nature Climate Change, 2014, 4(1): 17 − 22. doi: 10.1038/nclimate2067 [3] KOGAN F N, ADAMENKO T, GUO W. Global and regional drought dynamics in the climate warming era[J]. Remote Sensing Letters, 2013, 4(4): 364 − 372. doi: 10.1080/2150704X.2012.736033 [4] 段海霞, 王劲松, 刘芸芸, 等. 2009/2010年我国西南秋冬春连旱特征及其大气环流异常分析[J]. 冰川冻土, 2013, 35(4): 1022 − 1035. [5] 李强子. 2010年春季西南地区干旱遥感监测及其影响评估[J]. 地理学报, 2010, 65(7): 771 − 780. doi: 10.11821/xb201007001 [6] 韩刚, 李瑞平, 王思楠, 等. 基于多尺度遥感数据的荒漠化草原旱情监测及时空特征[J]. 江苏农业学报, 2017, 33(6): 1301 − 1308. doi: 10.3969/j.issn.1000-4440.2017.06.015 [7] MCKEE T B, DOESKEN NJ, KLIEST. The relationship of drought frequency and duration to time scales[C]//In Proceedings of the 8th Conference on Applied Climatology, 17–22 January, Anaheim, CA (Boston: American Meteorological Society), 1993: 17-22. [8] PALMER W C. Meteorological drought Research Paper No. 45 (Washington, DC: US Department of Commerce Weather Bureau)[J]. 1965. [9] KOGAN F N. Drought of the late 1980s in the United States as derived from NOAA polar-orbiting satellite data[J]. Bulletin of the American Meteorological Society, 1995, 76(5): 655 − 668. doi: 10.1175/1520-0477(1995)076<0655:DOTLIT>2.0.CO;2 [10] KOGAN F N. Global drought watch from space[J]. Bulletin American Meteorological Society, 1997, 78(4): 621 − 636. doi: 10.1175/1520-0477(1997)078<0621:GDWFS>2.0.CO;2 [11] KOGAN F N. Application of vegetation index and brightness temperature for drought detection[J]. Advances in Space Research, 1995, 15(11): 91 − 100. doi: 10.1016/0273-1177(95)00079-T [12] ZHANG A Z, JIA GS. Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data[J]. Remote Sensing of Environment, 2013, 134: 12 − 23. doi: 10.1016/j.rse.2013.02.023 [13] KOGAN F N. World droughts from AVHRR-based vegetation health indices[J]. EOS, Transaction of American Geophysical Union, 2002, 83(48): 557 − 564. [14] SANDHOLT I, RASMUSSEN K, ANDERSEN J A. Simple integration of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment, 2002, 79: 213 − 224. doi: 10.1016/S0034-4257(01)00274-7 [15] MU Q Z, ZHAO M S, KIMBALL J S, et al. Running SW. A remotely sensed global terrestrial drought severity index[J]. Bulletin of the American Meteorological Society, 2013, 94(1): 83 − 98. doi: 10.1175/BAMS-D-11-00213.1 [16] MCVICAR T R, JUPP D B. The current and potential operational uses of remote sensing to aid decisions on Drought Exceptional Circumstances in Australia,A Review[J]. Agricultural Systems, 1998, 57(3): 399 − 468. doi: 10.1016/S0308-521X(98)00026-2 [17] HAYES M J, SVOBODA M D, WILHITE D A, et al. Monitoring the 1996 drought using the standardized precipitation index[J]. Bulletin of American Meteorological Society, 1999, 80: 429 − 438. doi: 10.1175/1520-0477(1999)080<0429:MTDUTS>2.0.CO;2 [18] 郭昱杉, 刘庆生, 刘高焕, 等. 基于MODIS时序NDVI主要农作物种植信息提取研究[J]. 自然资源学报, 2017, 32(10): 1808 − 1818. doi: 10.11849/zrzyxb.20160943 [19] ZHANG L, XIAO J F, LI J, et al. The 2010 spring drought reduced primary productivity in south western China[J]. Environmental Research Letters, 2012, 7(4): 045706 − 045706. doi: 10.1088/1748-9326/7/4/045706