基于同化數據的標準化土壤濕度指數監測農業干旱的適宜性研究

周洪奎,武建軍,*,李小涵,劉雷震,楊建華,韓忻憶

1 北京師范大學環境演變與自然災害教育部重點實驗室,北京 1008752 北京師范大學地理科學學部,北京 100875

干旱是一種多發的極端氣候事件,同時也是最具破壞性的自然災害之一。頻繁發生的干旱災害給農業生產帶來嚴重影響,威脅糧食安全[1- 2]。黃淮海平原是我國最重要的糧食生產基地之一,準確、有效地監測黃淮海平原的農業干旱狀況對于及時制定區域的減災策略,降低災害損失具有重要意義。

農業干旱是作物生長過程中因土壤水分不足,阻礙作物正常生長,影響糧食產量的水量供需不平衡現象[3- 4]。在農業干旱監測中,土壤濕度扮演著十分重要的角色[5- 7]。當土壤水分低于土壤田間持水量時,會產生水分虧缺,植被開始不處于最佳生長狀態；當水分進一步降低,即會產生水分脅迫,影響植被生長,進而影響植被生產力。因此,利用土壤濕度進行農業干旱監測也具有農學意義。

近年來,已經有學者提出了一些基于土壤濕度的農業干旱監測指數,主要分為兩類：(1)基于歷史時間序列數據,確定當前狀態相對于歷史正常范圍的偏離程度建立的干旱指數,如標準化土壤濕度指數(SSMI,standardized soil moisture index、土壤濕度距平(SMA,soil moisture anomaly)、土壤濕度百分位數(SMP,soil moisture percentile)等。該類指數僅利用土壤濕度數據,無需獲取其他數據源,并且不同地區的監測結果具有可比性,能夠用于區域干旱監測與評估。Mishra等[8]基于歷史時間序列數據,利用標準化土壤濕度指數詳細剖析了局地尺度的農業干旱。(2)從土壤可利用水的角度,基于土壤濕度和土壤特性參數構建的干旱指數,如土壤濕度指數(SMI,soil moisture index)[9- 10]、土壤水分虧缺指數(SWDI,soil water deficit index)[5]等。該類指數的優點在于從土壤可利用水的角度出發,考慮了不同地區土壤性質對于水分虧缺的影響差異,但對于區域農業干旱監測而言,準確獲取不同地區土壤屬性參數是十分困難的,因而在區域或更大尺度上的應用受到一定的限制。

標準化土壤濕度指數(SSMI)是基于歷史土壤濕度時間序列構建的一種農業干旱指數,具有計算簡單易行,考慮數據分布特征等優點,探討其在區域農業干旱監測中的適宜性能夠為區域業務化的農業干旱監測以及干旱影響評估提供基礎。然而,由于根區土壤濕度獲取的不易性以及土壤濕度的估算精度不高等問題,目前該指數在農業干旱監測中的適宜性研究還十分缺乏。此外,現有的農業干旱指數評價研究中,主要通過與其他常用干旱指數或者氣象要素的對比來評價[5,11],考慮干旱災害記錄以及干旱影響的評價研究較少。實際上,我國的主要農業區擁有比較完善的農業氣象觀測網絡,記錄了作物生長發育狀況和農業氣象災害發生情況,這對于評價農業干旱指數的適宜性是十分有用的數據源。因此,本文采用數據同化后的根區土壤濕度數據構建標準化土壤濕度指數來監測黃淮海平原的農業干旱狀況,通過與標準化降水蒸散指數(SPEI,standardized precipitation-evapotranspiration index)、農業干旱災害數據的對比以及與冬小麥產量的關系分析,綜合評價其農業干旱監測的適宜性,以期為黃淮海平原農業干旱監測業務化運行以及防災減災策略的制定提供理論依據和科學參考。

1 研究區概況

黃淮海平原是我國重要的糧食主產區且干旱災害頻發,已有許多學者以此為研究區開展干旱相關研究[12- 14]。黃淮海平原地處我國北方,位于32°—41°N和112°—123°E之間,面積約為39萬km2。在行政區劃上包括天津、山東以及北京南部、河北大部、河南大部、安徽和江蘇北部地區(圖1)。根據我國農業綜合區劃圖,黃淮海平原可分為燕山太行山山麓平原區、冀魯豫低洼平原區、黃淮平原區和山東丘陵農林區。

圖1 研究區位置示意圖Fig.1 Location of the study area

冬小麥和夏玉米的輪作是該地區主要種植模式,冬小麥生長季在區域南北部稍有差異,主要集中在每年9月下旬/10月中上旬—次年5月下旬/6月中上旬；夏玉米生長季則為6月中上旬—9月中下旬。年降水量差異較大,在500—950 mm之間,且60%—70%降水集中在夏季。因此,相對而言,冬小麥更容易受到干旱威脅[14]。根據中國氣象局農氣站點記錄的農業氣象災害中,黃淮海平原經常發生不同程度和持續時間的干旱事件,在本文研究時段(2002—2010年)內,2002、2004、2006年發生了較為嚴重的干旱事件。

2 資料與方法

2.1 數據來源與預處理

本文所用到的數據包括根區土壤濕度同化數據、標準化降水蒸散指數數據、農業氣象站點災害數據和冬小麥產量數據。

(1)根區土壤濕度同化數據

本文所使用的土壤濕度數據是將LPRM模型反演的微波土壤濕度同化到雙層帕默爾水量平衡模型中得到的根區土壤濕度數據[15- 16]。已有研究表明,根區土壤濕度相比于某一固定深度的土壤濕度數據更適合于農業干旱監測[8]。該根區土壤濕度數據代表的是土壤深度為1 m內的土壤水分狀況,該深度能夠滿足大部分作物根部水分、營養吸收的需求[17]。該數據覆蓋時段為2002年6月至2010年12月,分辨率為0.25度的逐日數據,數據格式為NetCDF格式,可從Reverb平臺下載(http://reverb.echo.nasa.gov/reverb/)。數據預處理過程為：首先利用計算機程序將NetCDF格式數據轉換為TIFF格式,然后對數據無效值(負值)進行剔除,最后利用GIS軟件裁剪獲得黃淮海平原根區土壤濕度數據。

(2)標準化降水蒸散指數數據

標準化降水蒸散指數(SPEI)是Vicente-Serrano等[18]提出的一種應用非常廣泛的干旱指數。SPEI是在考慮降水的基礎上,加入了溫度信息,利用降水與潛在蒸散發之間的水量平衡關系來表征干旱。SPEI具有多尺度特征,研究表明,3個月尺度SPEI(SPEI- 3)適合監測農業干旱[12,19],因此,文中將SPEI- 3與SSMI進行對比分析,作為評價SSMI監測農業干旱適宜性的一個方面。SPEI的計算方法：(1)獲得某一時間尺度(如3個月)內降水累計值與潛在蒸散發累計值的差值的多年時間序列,一般要求時間序列的長度為30年以上[18]。根據氣象數據的可獲得性,潛在蒸散發的計算可以采用Penman-Monteith、Thornthwaite、Hargreaves等方法[20- 21]。(2)對該時間序列進行Log-Logistic概率分布擬合,獲得概率分布函數。(3)最后將概率分布函數進行正態標準化得到SPEI值,具體計算公式參考Vicente-Serrano等[18]的文獻。本研究使用的SPEI數據集是由提出者Vicente-Serrano等生產的全球SPEI數據集[22],可以在以下網址(http://sac.csic.es/spei/index.html)下載。該數據格式為NetCDF格式,空間分辨率為0.5度,時間分辨率為每月,數據時段為1901年1月—2015年12月,包含1—48月尺度的SPEI數據。為了與土壤濕度數據時段保持一致,本研究選取黃淮海平原2002年6月至2010年12月的SPEI格網數據集。

(3)農業氣象站點災害數據

由于大范圍地獲取完整、詳細的災害記錄數據是較為困難的,因此,干旱觀測數據對于評價干旱指數的監測效果是十分寶貴的數據源。我國黃淮海平原擁有比較密集的農業氣象站點,記錄了農業干旱的相關信息。中國氣象局根據農業氣象臺站上報的農業氣象旬月報報文資料整理形成農業氣象站點災害旬值數據集,該數據集包括災害名稱、災害發生日期、災害強度、災害面積以及受害百分比等主要字段,該數據可以從中國氣象數據網下載(http://data.cma.cn/)。根據農業干旱國家標準中作物形態指標,災害記錄中干旱強度分為輕度、中度和重度干旱[23]。本研究在全國農氣站點的災害記錄中篩選出了2002—2010年間黃淮海平原共40個農氣站點的1244條干旱災害記錄。

(4)冬小麥產量數據

本文還收集了黃淮海平原主要省市天津、河北、山東、河南、安徽35個縣級行政單位的1994—2013年冬小麥產量數據來評價干旱指數與作物產量之間的關系。數據來源是從各省市統計年鑒資料中獲取。在預處理過程中,對產量數據進行了多項式去趨勢處理,從實際產量中去除科技進步等人為因素對冬小麥產量的影響,得到氣候要素為主要影響因素的產量(即氣象產量)。文中用減產率作為農業干旱對作物造成的影響的表達指標,減產率(YLR,yield loss ratio)可通過公式(1)計算：

(1)

2.2 標準化土壤濕度指數(SSMI)

本文選用標準化土壤濕度指數作為評價農業干旱的指標,對根區土壤濕度進行標準化。對數據標準化的過程中,需確定土壤濕度數據的概率分布。常用于干旱指數構建的概率分布函數包括伽瑪分布、皮爾遜III型分布、經驗累積概率分布、正態分布、Log-Logistic分布等[24]。利用Kolmogorov-Smirnov方法檢驗,結果顯示土壤濕度數據符合正態分布,與Mishra等的結果相同[8]。因此,SSMI的構建方法如下：

(2)

表1 標準化土壤濕度指數(SSMI)干旱等級劃分

3 結果與分析

3.1 基于SSMI的黃淮海平原干旱監測結果

根據2.2節描述的SSMI的計算方法,利用根區土壤濕度數據計算得到了2002—2010年間黃淮海平原SSMI的干旱監測結果。圖2展示了黃淮海平原內所有柵格數據SSMI月均值數據序列。根據SSMI的干旱等級劃分,黃淮海平原在2002—2010年間共發生12次干旱事件,其中達到重度干旱事件1次(2002.6—2003.8),中度干旱事件3次(2004.1—2004.7、2005.3—2005.8、2006.8—2007.1),其余為輕度干旱事件。

圖2 黃淮海平原SSMI月均值時間序列Fig.2 Time series of monthly SSMI in the Huang-Huai-Hai Plain

3.2 SSMI與SPEI的對比分析

由于SPEI和SSMI數據在時間尺度和空間分辨率上不同,為了對二者進行對比分析,需要將二者整合成統一的時空分辨率上。在空間分辨率上,SPEI數據的空間分辨率為0.5度,SSMI數據的空間分辨率為0.25度,文中將SSMI數據按照雙線性內插法重采樣為0.5度數據用于對比分析。在時間分辨率上,由于SPEI是逐月數據,為與SPEI數據序列保持一致,采用SSMI月值數據用于分析二者之間的關系,SSMI月值數據的計算方法見2.2節。

本研究選用3個月尺度的SPEI(SPEI- 3)來與SSMI進行對比分析。SPEI- 3即綜合考慮當前月份前3個月的降水和蒸散發量之差,按照上述SPEI的計算方法得到當前月份SPEI值,按照月份順序依次滑動計算得到不同月份的SPEI- 3值,最終形成逐月的SPEI- 3時間序列。首先從整個黃淮海平原尺度上對比分析SSMI和SPEI之間的關系,將黃淮海平原內所有柵格數據進行取均值處理,得到2002年6月至2010年12月共103個月的SSMI和SPEI時間序列數據,結果如圖3左圖所示。結果顯示,從整個黃淮海平原尺度來看,SPEI與SSMI具有較好的一致性,相關系數達到0.63,呈現極顯著的相關關系。在2002、2004、2006年發生的農業干旱中,二者均具有良好地識別效果。在柵格尺度上,進一步分析SSMI與SPEI的相關程度,2002—2010年月尺度SSMI與SPEI的相關性如圖3右圖所示。可以發現,SSMI與SPEI之間的相關系數在0.3—0.8之間,平均相關系數為0.52,每個柵格參與相關性計算的樣本數量為103個,所有柵格均通過0.001顯著性水平檢驗。以上分析結果表明,SSMI與SPEI之間具有極顯著的相關性和較好的一致性,以SPEI作為參照指標,SSMI能夠反映黃淮海平原的干濕狀況。

圖3 黃淮海平原月尺度SSMI與SPEI的對比分析Fig.3 Comparisons of the monthly SSMI and SPEI in the Huang-Huai-Hai Plain

3.3 SSMI與干旱災害觀測記錄的比較

本節分別從黃淮海平原整體情況和典型農氣站點上對干旱災害觀測記錄與SSMI進行對比分析。在分析黃淮海平原整體情況時,由于災害觀測記錄為旬值數據集,時間序列較長,為了便于空間上展示,按照逐月方式對干旱災害記錄進行了整理歸納；在典型農氣站點尺度上,采用旬尺度數據進行對比分析,從相對較小的時間尺度上進一步檢驗SSMI的干旱監測效果。表2是根據農氣站點的災害記錄整理出的2002—2010年間的主要干旱事件。從表中可以發現,黃淮海平原每年都會有干旱發生,僅是在持續時間和發生范圍上有所差別,文中重點分析了2004、2006年較長持續時間的干旱過程。圖4展示了2004和2006年黃淮海平原從干旱發生到逐步加重直至干旱減輕的時空演變過程。按照農氣站點災害記錄,從2004年3月開始,黃淮海平原就已經有零星分布的干旱發生,至4—6月,干旱范圍已經擴展為黃淮海平原大部分地區。在2004年3—6月間,黃淮海平原共有18個站點記錄發生干旱,平均受害百分比為40%—50%,平均受旱面積超過2.5萬hm2,山東菏澤、安徽蒙城、宿縣、亳州等地受害百分比甚至達到90%—100%,平均受旱面積超過6.7萬hm2。在2004年7月—11月,干旱范圍有所減小,主要集中在安徽、江蘇北部,以及山東、河南部分地區。在2006年4—12月間,共有30個站點顯示發生干旱災害,平均受害百分比為47%—57%,平均受旱害面積超過2.8萬hm2。在干旱空間分布來看,在7—9月干旱得到部分緩解；在10—11月,由于降水不足,干旱又逐漸加重；直至12月,黃淮海平原大部分地區干旱逐漸解除,只在山東膠東半島和河北部分地區干旱持續。綜合2004、2006年兩次農業干旱事件,從圖4可以看出,在空間分布上,SSMI的干旱監測結果與農氣站點災害記錄是基本符合的。

表2 農氣站點記錄的黃淮海平原主要農業干旱事件

圖4 2004、2006年黃淮海平原干旱空間演變過程Fig.4 The evolutions of drought in 2004 and 2006 in the Huang-Huai-Hai Plain

為了進一步評估SSMI在農業干旱監測中的準確性,從站點尺度上分析干旱指數監測結果與災害記錄的一致性。根據農氣站點災害數據的完整性,選取德州、菏澤、泰安、商丘、蒙城、亳州6個站點用于對比分析。圖5中分別用數值-1、-2、-3來表示農氣站點記錄的輕度、中度和重度干旱事件。另外,農氣站點還記錄了洪澇災害,其輕、中、重強度分別用1、2、3表示。從圖5中可以發現,各站點SSMI所代表的干旱強度與干旱災害記錄是基本一致的,總體上SSMI能夠較為準確地反映區域農業干旱強度特征。從干旱監測的時效性方面,旬值尺度的SSMI與干旱災害記錄也基本吻合,說明利用SSMI在旬尺度上監測農業干旱也具有較大的應用潛力。

圖5 SSMI旬值與農氣站點干旱記錄的對比Fig.5 Comparison of the 10-day SSMI and drought records from agro-meteorological sites

3.4 農業干旱對冬小麥產量的影響分析

在進行農業干旱監測時,分析干旱指數與作物產量的關系是檢驗干旱指數監測效果的重要方面。本文搜集到黃淮海平原35個縣市級1994—2013共20年的冬小麥產量數據。為了使不同縣市之間的產量數據能夠進行類比,本文采用減產率來分析農業干旱監測結果與冬小麥產量的關系。首先,計算得到了所有縣市2002—2010年8個生長季SSMI與冬小麥減產率的相關性(圖6左圖)。結果顯示,SSMI與冬小麥減產率呈現極顯著的正相關關系(R=0.68,P<0.001)。圖6右圖展示了各縣市生長季SSMI與減產率之間的相關性,在35個縣市中,有24個可以通過0.05水平顯著性檢驗,11個未通過顯著性檢驗。根據農氣站點災害記錄顯示,河北保定、石家莊、邢臺等地的冬小麥在2002—2003生長季遭遇病蟲害、大風的災害影響,山東菏澤在2003—2004生長季遭受漬害影響,并非都因干旱引起冬小麥減產。因此,總體上,生長季SSMI與冬小麥減產率是顯著相關的,SSMI能夠對農業干旱引起的冬小麥減產起到一定的指示作用。

圖6 冬小麥生長季SSMI與減產率的相關關系Fig.6 Correlations of the SSMI during the growing season and winter wheat yield loss ratio

本文選取2002—2003年發生在冬小麥生長季內的干旱事件,進一步分析SSMI干旱監測結果與冬小麥減產率的關系。從圖7中可以發現,黃淮海平原2002—2003生長季冬小麥產量基本都呈現減產狀態,減產幅度在15%以內。根據SSMI識別結果,除了河北保定、石家莊、邢臺(圖中綠色顯示區域)外,其余區域均處于干旱狀態。總體上,基于統計數據得到的冬小麥發生減產的區域與基于SSMI識別的干旱發生區域具有較好地一致性。在數值上,有些區域減產率和SSMI可能無法很好地一一對應,即減產程度并不完全隨著SSMI的減小而增加。主要原因在于糧食減產可能有多種原因引起,在農業氣象災害范疇內,除干旱外,還可能由大風、漬害、干熱風、冰雹等引起減產。如圖7中河北保定、石家莊、邢臺(綠色區域)SSMI顯示為正常或濕潤狀態,而產量卻呈現減產狀況,其主要原因在于受到病蟲害、大風的災害影響。2002—2003生長季內保定、石家莊、邢臺的降水量分別為101.7 mm、247.4 mm和177.6 mm,占平均降水量的94%、185%和134%,顯示該生長季降水接近或者多于平均降水量,冬小麥產量減少可能并非受到干旱影響。另外,不同生育期內即使出現相同等級的干旱發生,對作物產量的影響也不盡相同,這也是導致SSMI與減產率無法很好地一一對應的原因之一。

圖7 2002—2003生長季SSMI區域統計值與冬小麥減產率Fig.7 The zonal SSMI statistics and winter wheat yield loss ratio during the growing season of 2002—2003

4 結論和討論

本文利用數據同化后的根區土壤濕度數據構建了標準化土壤濕度指數(SSMI),通過與常用的干旱指數SPEI、農業干旱災害數據以及冬小麥減產率的對比分析,綜合評價了利用SSMI監測農業干旱的適宜性。研究表明,SSMI能夠有效反映黃淮海平原的農業干旱狀況,利用SSMI監測農業干旱是適宜的。具體研究結論如下：

(1)黃淮海平原格網尺度SSMI與SPEI之間的平均相關系數達到0.52,具有極顯著相關關系(P<0.001)。從整個黃淮海平原來看,SSMI與SPEI也具有良好的一致性,能夠準確識別該區大范圍農業干旱。

(2)從區域尺度上看,SSMI能夠有效反映干旱發生、發展直至減輕的演變過程。通過與德州、菏澤、泰安、商丘、蒙城、亳州6個農氣站點干旱災害記錄的對比分析表明：在站點尺度上,利用SSMI識別的農業干旱與農氣站點干旱災害記錄是基本一致的,SSMI能夠較為準確地監測農業干旱的強度。

(3)冬小麥生長季SSMI與減產率具有顯著的相關性和良好的對應關系,基于SSMI識別的農業干旱發生區域與基于統計數據得到的冬小麥減產區域是基本一致的,SSMI能夠對農業干旱引起的冬小麥減產起到一定的指示作用。

相比于氣象干旱,農業干旱是一種更為復雜的干旱類型,與氣象條件和作物生長狀況密切相關[5,8],因而,在評價農業干旱指數的適宜性時,需要從不同方面綜合評價[27]。在以往的農業干旱指數評價中,往往通過與其他指數的對比來評價干旱指數的監測效果[5,11]。由于不同干旱指數的構建原理不同,僅利用對比分析指數間的一致性不足以說明干旱指數的適宜性。本文從干旱指數、災害觀測記錄對比以及干旱對產量影響的角度綜合評價了標準化土壤濕度指數(SSMI)監測農業干旱的適宜性,在干旱指數的適宜性評價方法上更加全面,研究結果可以為黃淮海平原農業干旱監測業務化運行以及防災減災策略的制定提供理論依據和科學參考。

本研究尚存在一些不足之處。由于采用的根區土壤濕度數據是同化模型模擬結果和遙感數據所得,土壤濕度數據時間序列相對較短。隨著SMOS(soil moisture ocean salinity)、SMAP(soil moisture active passive)等衛星土壤濕度產品的增多,空間分辨率也會更高,后續研究還需采用更長時間序列數據用于農業干旱監測及影響評價。在探討干旱對作物影響時,還需進一步考慮灌溉等人為因素的影響。本文研究區黃淮海平原的大部分地區為灌溉農業區,為了減輕干旱對產量的影響,大部分區域會進行人為灌溉,所以在發生干旱時導致產量可能并未降低,在分析干旱對作物生長及產量影響時,人為灌溉則會增加分析結果的不確定性。本文所利用的土壤濕度為同化后的根區土壤濕度數據,數據同化過程中用到了微波遙感土壤濕度數據,微波遙感信號可以捕捉到地面灌溉的信息[28],因而該數據在一定程度上考慮了人為灌溉的信息。此外,在利用作物產量統計數據時,先進行了去趨勢處理,去除了人為因素導致的科技進步對產量的影響,其中也包含人為灌溉因素,因此,本研究在分析干旱對作物產量影響時部分考慮了灌溉因素的影響。即便如此,在分析SSMI與冬小麥減產率之間的關系時,有些區域仍然出現減產率和呈現的干旱狀況不完全一致的情況。因而,未來還需獲取農田灌溉數據深入考慮灌溉因素可能帶來的影響。目前研究工作僅在黃淮海平原開展,進一步研究還需在更多區域(如雨養農業區、不同氣候區)進行SSMI的驗證評價工作。