基于植被健康指数的2001—2018年间江苏省农业干旱时空分析

来源:用户上传      作者:王锦杰 陈昊 张莹

　　 摘要：利用MODIS多年观测数据计算江苏省2001—2018年间的植被健康指数（VHI），并进一步基于VHI利用阈值法对江苏省2001—2018年间的农业干旱事件进行识别，最后使用干旱频率和干旱面积占比分析江苏省2001—2018年的农业干旱状况。结果表明：（1）2001—2018年的平均整体干旱面积为36.08%;（2）江苏省南部地区农业干旱发生频率高于北部地区;（3）夏季是江苏省农业干旱易发季节，不仅发生频率高，而且干旱范围广，需要重点关注，做好农业干旱监测工作，春季和秋季干旱发生频率低且分布范围小，冬季干旱易发性和影响范围高于春秋季，但明显低于夏季。
　　 关键词：植被健康指数;MODIS;农业干旱;阈值法;江苏省
　　 中图分类号：S127;S423  文献标志码：A  文章编号：1002-1302（2020）06-0223-09
　　干旱是一种常见的自然灾害，从古至今人们对干旱的关注从未减少，尤其是近年来全球气候变暖，干旱事件愈加频发，给农业、畜牧业等带来巨大损失[1-4]。令人欣喜的是，随着科学技术的发展、观测仪器的完善，人类有了更多的技术和方法来监测干旱。干旱监测也逐渐由传统的基于气象站点实测降水、气温、土壤湿度等数据计算的干旱指数[2]发展为利用卫星遥感手段的干旱监测[5-9]。利用卫星遥感监测干旱可以充分发挥卫星遥感所具有的速度快、范围大、投入人力成本少等优点，实现大范围快速监测。
　　 Kogan等于1995年提出了植被状态指数（vegetatuion condition index，VCI），并以VCI为数据源进行干旱识别[10]。此后，Kuri等使用VCI指数对不同地区的干旱进行识别，他们的研究结果都表明VCI指数能较好地识别出干旱状况[11-14]。然而干旱往往和气温联系在一起，VCI指数仅仅从植被状态角度出发，忽略了温度对干旱的影响，因此对干旱的监测还存在一定的片面性。Kogan等为了克服上述缺点，又提出了兼顾植被和气温2种状态的植被健康指数（vegetation health index，VHI），以AVHRR为数据源实现了全球不同地区的干旱监测[15]。
　　 本研究以相对于AVHRR空间分辨率更高的MODIS数据为基础，计算VHI指数，对江苏省2001—2018年农业干旱状况进行识别，并引入干旱频率和干旱面积占比来分析江苏省农业干旱状况。
　　1 研究区域和数据
　　1.1 研究区域
　　 江苏省位于中国大陆东部沿海，范围为 30°45′～35°20′N，116°18′～121°57′E。地势平坦，海拔高度在50 m以下的地区占全省总面积的85%[16]。江苏省属于东亚季风气候区，气候温和、四季分明、雨热同季，多年平均降水量为730.8（丰县）～1 255.8 mm（沛县），呈南多北少分布。全省多年平均气温为13.7～16.3 ℃，自南向北降低。
　　1.2 数据
　　 中分辨率成像光谱仪MODIS（MODerate-resolution Imaging Spectroradiometer，MODIS）传感器是搭载在地球观测系统（Earth Observing System，EOS）的Terra和Aqua這2颗卫星上，共有36个波段，最高空间分辨率为250 m。 MODIS数据具有较高的时空分辨率及光谱分辨率，广泛用于农业遥感研究。本研究使用的数据是MOD13A2和MOD11A2，数据时间范围是2001—2018年，数据来源于美国NASA官网（https：//search.earthdata.nasa.gov）。
　　 MOD13A2数据是16 d最大值合成的植被指数产品，空间分辨率是1 km，每个分块每年23个数据;MOD11A2数据是8 d合成的陆地表面温度（land surface temperature，LST）产品，空间分辨率是1 km，每个分块每年46个数据。
　　2 研究方法
　　 本研究利用2001—2018年的MODIS 3级数据集提取出所需的MODIS产品，并进一步计算植被健康指数，然后通过阈值法识别干旱特征，最后对干旱特征进行统计分析。图1为本研究技术流程图。
　　2.1 植被健康指数
　　 植被健康指数由NDVI和LST数据计算而来。MOD11A2与MOD13A2的数据时间尺度不同，因此先对MOD11A2中的LST产品按照MOD13A2数据的时间步长取平均值，使数据时间步长都为16 d;随后对NDVI时间序列和LST时间序列滤波平滑去噪声处理，以去除云、太阳辐射、传感器角度等影响;采用时间序列谐波分析法（harmonic analysis of time series，HANTS）处理时间序列中的噪声。其核心算法是傅里叶变换和最小二乘法拟合，即把时间波谱数据分解成许多不同频率的正弦曲线和余弦曲线，从中选取若干个能够反映时间序列特征的曲线进行叠加，以达到时间序列数据重建的目的[17]。HANTS的核心是采用二维Fourier变换的方法，对整个生长周期内的NDVI曲线变化进行拟合，公式为
　　3 结果与分析
　　3.1 植被健康指数
　　 利用式（3）、式（4）、式（5）计算江苏省2001—2018年的VHI，并计算全序列和分季节的VHI平均值，结果如图2、图3所示。江苏省2001—2018年间全省平均VHI为48.63，峰值区间为45～60，占全省的87.48%，总体处于正常状态（VHI=50）;夏季VHI最低，峰值区间为30～45，占全省面积的6973%;总体处于偏低状态;冬季VHI高于夏季，峰值区间为45～60，占全省面积的77.64%;春季、秋季VHI低于冬季，峰值区间都是45～60，分别占全省面积的71.89%和68.35%。因此，VHI有较明显的季节变化，夏季明显偏低，春秋两季略微偏高，冬季偏高。 　　 为了解全序列及不同季节的VHI年际变化特征，分别计算出VHI的年际变化和不同季节的年际变化，具体如图4和5所示。从图4可以看出，2001—2018年间，绝大多数年份VHI平均值在50左右，2002年、2004年以及2016—2018年VHI较低。从整体变化趋势来看，这18年间VHI呈轻微下降趋势。从图5可以看出，春季和秋季的VHI在50左右，和图3的结果相一致;夏季VHI值在40左右，且有明显的下降趋势;冬季VHI也在40左右，呈现下降趋势。除秋季VHI呈上升趋势外，其他3个季节均呈下降趋势。
　　3.2 江苏省农业干旱空间特征
　　 江苏省农业干旱空间特征基于“2.2”节的干旱频率进行分析， 使用“2.2”节的方法分别计算春季、夏季、秋季、冬季和全序列的干旱频率，并统计不同干旱频率区间所占面积的百分比，结果如图6、图7、图8所示。
　　 由图6和图7可知，2001—2018年全序列干旱频率主要集中在15%～45%之间，共计占95.62%，其中15%～30%占38.71%，30%～45%占5691%。全省干旱频率分布较为均匀，江苏南部地区比北部地区干旱发生频率略高。
　　 由图6和图8可知，夏季干旱发生频率最高，主要分布在30%～75%区间，占全省面积的85.58%;冬季次之，主要分布在15%～60%区间，占全省面积的85.57%;秋季和春季频率较低，主要分布在0～45%区间，分别占全省面积的92.53%和97.43%。
　　 春季干旱频率面积比例达到峰值的干旱频率区间是15%～30%，全省范围内干旱频率分布较为均匀。江苏南部的镇江市、常州市、无锡市、苏州市比江苏北部的徐州市、宿迁市、连云港市干旱频率要高。夏季随着副热带高压的增强，江苏容易发生持续性晴热高温天气，植被蒸腾速率增大，容易发生干旱。夏季是四季中干旱频率最高的季节，干旱频率自南向北递减，从图6还可以看出，夏季干旱频率峰值为45%～60%，占全省面积的34.37%，并且干旱频率区间为60%～75%的面积占比为3164%，频率在45%～75%区间的占全省面积的65%以上，此外干旱频率区间在75%以上的主要发生在江苏中部以南地区，可见江苏南部地区夏季干旱高发。秋季干旱频率较夏季明显减小， 干旱峰值频率区间是15%～30%，占全省面积的53.97%，干旱频率在45%以上的主要分布在城市及周边区域，秋季温度降低使作物蒸腾速率降低，大部分农作物进入收获期，作物需水量减少，因此农业干旱发生的频率有所下降。冬季农业干旱的峰值区间是15%～30%，占全省面积的55.33%，干旱程度较秋季稍有增加，全省干旱频率分布相对均匀，东北部沿海地区和中部高邮湖附近干旱频率较高，其他地区在45%以下。
　　 综上所述，江苏省农业干旱频率在夏季最高，春季最低，空间分布上总体呈南部高、北部低，总体农业干旱发生频率为15%～45%。
　　3.3 江苏省农业干旱时间特征
　　 利用式（9）分别计算2001—2018年江苏省年、季节农业干旱面积占比，得到图9和10。
　　 从图9可以看出，江苏省18年间干旱面积均在45%以下，2002年、2004年、2016年、2017年、2018年是干旱最为严重的5年，這5年干旱面积占比均在40%以上。从年际变化来看，江苏省干旱面积占比总体呈现先减小后增加的趋势，2004年达最大值44.41%，2008年最小（24.79%）。从2001—2018年的线性变化趋势看，这18年间干旱面积占比呈轻微上升趋势。
　　 从图10可以看出，2011年、2017年和2018年春季的干旱面积占比在40%以上，为近18年来干旱面积占比最大的3年，从年际变化看出，干旱面积总体呈先减小后增加的趋势，从整体线性变化趋势来看，干旱面积占比呈现上升趋势;夏季干旱面积是四季中最大的，18年间仅有4年干旱面积占比低于50%，且从整体线性变化趋势来看干旱面积占比有较明显的上升趋势;秋季干旱面积占比呈现先减小后增加再减小的趋势，且有非常明显的下降趋势，2001—2006年间除2003年外干旱面积占比都大于35%，而2011—2015年均小于20%;冬季干旱面积占比较秋季有所增加，从年际变化来看呈现波浪形变化，2002年、2010年和2016年为峰值年，干旱面积占比大于35%，2001年、2005年和2012年为谷值年，干旱面积占比小于15%。从整体线性变化趋势来看，干旱面积占比有较明显的上升趋势。表1是江苏省不同季节干旱面积占比平均值。从表1中看出，夏季干旱面积占比最大，达60.69%，其他3个季节占比相似，均在30%以下。因此江苏省夏季农业干旱范围较大，春秋两季干旱范围较小。
　　 综上所述，夏季最容易发生干旱，干旱频率高且干旱面积大，春季和秋季干旱低发，冬季干旱频率和面积占比大于春季和秋季，但明显小于夏季。
　　4 结论与讨论
　　4.1 结论
　　 本研究首先计算江苏省2001—2018年植被健康指数，然后根据Kogan等提出的干旱阈值[15]对江苏省农业干旱进行识别，最后使用干旱频率和干旱面积占比对农业干旱识别结果进行分析，主要结论如下：
　　4.2 讨论
　　 本研究基于植被健康指数监测和分析了江苏省农业干旱状况，但是植被健康指数只是植被生长状态和温度的函数，植被生长状态不仅受到干旱影响，灌溉、病虫害、冷害、冻害等因素也会影响其生长状态。VHI计算过程中VCI与TCI的权重系数是根据Kogan等假设的取值，实际权重系数还有进一步研究空间。VHI农业干旱监测阈值直接采用Kogan等提出的阈值，而此阈值是Kogan等根据全球范围内，依据AVHRR传感器提出的，对于MODIS数据在江苏省内的适用性也有进一步研究的空间。
　　 本研究将江苏省内所有植被统一为1种对象，不同植被的干旱情况可能会有不同特征，后续可将江苏省内大宗作物分开研究，以便更精确地监测和分析其农业干旱状况。 　　参考文献：
　　[1]IPCC. Climate change 2013：the physical science basis[M]. Cambridge：Cambridge University Press，2013.
　　[2]张 雷，王 杰，黄 英，等. 1961—2010年云南省基于SPEI的干旱变化特征分析[J]. 气象与环境学报，2015，31（5）：141-146.
　　[3]许玲燕，王慧敏，段琪彩，等. 基于SPEI的云南省夏玉米生长季干旱时空特征分析[J]. 资源科学，2013，35（5）：1024-1034.
　　[4]张景扬，卢 远，李嘉力，等. 基于SPEI的广西干旱时空变化特征分析[J]. 云南地理环境研究，2015，27（6）：15-24.
　　[5]高 蓓，姜 彤，苏布达，等. 基于SPEI的1961—2012年东北地区干旱演变特征分析[J]. 中国农业气象，2014，35（6）：656-662.
　　[6]李强子，闫娜娜，张飞飞，等. 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.
　　[7]柳钦火，辛景峰，辛晓洲，等. 基于地表温度和植被指数的农业干旱遥感监测方法[J]. 科技导报，2007，25（6）：12-18.
　　[8]孙 丽，王 飞，吴 全. 干旱遥感监测模型在中国冬小麦区的应用[J]. 农业工程学报，2010，26（1）：243-249，389.
　　[9]冯蜀青，殷青军，肖建设，等. 基于温度植被旱情指数的青海高寒区干旱遥感动态监测研究[J]. 干旱地区农业研究，2006，24（5）：141-145.
　　[10]Kogan F，Sullivan J. Development of global drought-watch system using NOAA/AVHRR data[J]. Advances in Space Research，1993，13（5）：219-222.
　　[11]Kuri F，Murwira A，Murwira K S，et al. Predicting maize yield in Zimbabwe using dry dekads derived from remotely sensed Vegetation Condition Index[J]. International Journal of Applied Earth Observation and Geoinformation，2014，33（1）：39-46.
　　[12]Gebrehiwot T，Veen A D，Maathuis B. Spatial and temporal assessment of drought in the Northern highlands of Ethiopia[J]. International Journal of Applied Earth Observations & Geoinformation，2011，13（3）：309-321.
　　[13]Bajgiran P R，Darvishsefat A A，Khalili A，et al. Using AVHRR-based vegetation indices for drought monitoring in the Northwest of Iran[J]. Journal of Arid Environments，2008，72（6）：1086-1096.
　　[14]呂潇然，尹晓天，宫阿都，等. 基于植被状态指数的云南省农业干旱状况时空分析[J]. 地球信息科学学报，2016，18（12）：1634-1644.
　　[15]Kogan，Felix N. Operational space technology for global vegetation assessment[J]. Bulletin of the American Meteorological Society，2001，82（9）：1949-1964.
　　[16]江苏省气象局. 江苏省天气预报技术手册[M]. 北京：气象出版社，2017.
　　[17]侯光雷，张洪岩，王野乔，等. 基于时间序列谐波分析的东北地区耕地资源提取[J]. 自然资源学报，2010，25（9）：1607-1617. 吴志祥，张安明，郭欢欢. 基于精明增长理论和夜间灯光数据的城市增长研究——以重庆市主城区为例[J]. 江苏农业科学，2020，48（6）：232-239.
转载注明来源:https://www.xzbu.com/1/view-15209754.htm