干旱嚴重程度指數（DSI）在山東省干旱遙感監測中的適用性*

童德明，白 雲，張 莎，劉 琦，楊晉云

干旱嚴重程度指數（DSI）在山東省干旱遙感監測中的適用性*

童德明，白 雲**，張 莎，劉 琦，楊晉云

（青島大學計算機科學技術學院遙感與數字地球研究中心，青島 266071）

選擇一個合適的干旱遙感監測指標，對于及時準確評估干旱對農作物生長影響有重要意義。本文綜合植被指數和蒸散發指數，構成干旱嚴重程度的指數（DSI），并定量評價DSI在山東地區干旱監測的適用性，以期為該區干旱遙感動態監測提供科學依據。在定量分析DSI適用性的過程中，采用相關分析方法，針對基于標準化降水指數（SPI）長時間序列中的典型干旱時期，將月尺度的DSI、歸一化干旱指數（NDDI）、溫度植被干旱指數（TVDI）分別與SPI、土壤相對濕度（RSM）進行皮爾森相關關系分析。結果表明，SPI、RSM與DSI的相關系數分別在0.40、0.30左右，整體上高于SPI、RSM與NDDI和TVDI的相關性。此外，DSI表示的旱情時空分布準確地捕捉到了歷史時期山東各地區的典型干旱事件的發生及其干旱的變化過程。DSI可以反映氣象干旱和農業干旱，對山東干旱遙感監測有較好的適用性。

遙感；干旱指數；DSI；適用性；山東省

干旱是區域范圍內因長期無降水或降水異常偏少而造成空氣干燥土壤缺水至干涸，進而導致農作物受害和減產的現象[1]。干旱災害損失占中國農業自然災害損失的50%以上，且近20a在中國大部分地區有逐步加劇的趨勢[2]，對農業生產的影響日益加重[3]。干旱的精準監測對農業生產有重要意義。

目前國內外學者提出了很多干旱的監測指標[4]，主要分為基于站點氣象數據的傳統指標和基于衛星數據的遙感監測指標。傳統的干旱監測方法中被廣泛應用的監測指數有標準降水指數（Standardized Precipitation Index，SPI）[5]、標準降水蒸散指數（Standardized Precipitation Evapotranspiration Index，SPEI）[6]、土壤相對濕度（Relative Soil Moisture，RSM）等，對中國大部分地區的干旱監測有良好的指示作用[7]。此類方法主要是利用站點的歷史降水、溫度、土壤濕度等氣象資料評估干旱的嚴重程度，其優點是站點實測數據準確度高，但受站點空間分布不均的局限性影響，不利于從大范圍區域對旱情作出快速準確評估[8]。而基于高時空分辨率的遙感監測方法克服了這一局限性，且具有連續空間監測的特點，被廣泛應用于空間上大尺度的干旱監測[9]。

遙感干旱監測方法主要通過地表反射率、地表溫度、地表蒸散發等參數來模擬干旱程度[10]。Anderson等基于蒸散（Evapotranspiration，ET）和潛在蒸散（Potential Evapotranspiration，PET），提出蒸散脅迫指數，取得較高的干旱監測精度[11?12]。Mu等[13]進一步通過綜合蒸散脅迫指數與植被指數，提出干旱嚴重程度指數（Drought Severity Index，DSI）。此后，DSI被廣泛應用于各地區的干旱監測，Um等[14]利用DSI指數分析了東亞地區旱情的時空特征，Zhang等[15]利用DSI指標對中國西南地區進行旱情監測，結果表明DSI可以在中國西南亞熱帶地區進行高分辨率的近實時干旱監測，此指數顯示了在全球內監測干旱的巨大潛力。此外，有學者利用基于其它地表參數構成的遙感干旱指數對中國地區的旱情進行監測，如白開旭等[16]利用基于地表反射率構建的歸一化干旱指數（Normalized Difference Drought Index，NDDI）宏觀重現了2010年中國西南大旱的時空演變歷程，齊述華等[17?18]利用基于地表反射率和地表溫度構建的溫度植被指數（Temperature Vegetation Dryness Index，TVDI）反映了中國大部分地區表層土壤水分的變化。然而遙感干旱指數存在明顯的時空適用性差異，在不同區域、不同作物生長階段，農作物所反映的農業干旱特征不同[19]。區域應用的普適性仍需要進一步深入研究，選擇一個合適的干旱遙感監測指標，對于及時準確地評估干旱對農作物生長的影響有重要意義[20]。

山東省是以農業生產為主的省份，干旱是影響農業的典型災害之一[21]。以往在山東地區的地級市尺度上評估遙感干旱指數對氣象和農業干旱監測適用性的研究報道較少，本研究利用傳統的干旱監測方法中的標準降水指數（SPI）、土壤相對濕度（RSM）指標來定量評價干旱嚴重程度指數（DSI）對山東地區干旱監測的適用性，以期為山東地區干旱的遙感動態監測提供科學依據。

1 資料與方法

1.1 研究區概況

山東省（34°25′?38°23′E，114°36′?122°36′N）瀕臨渤海與黃海，地形多半為丘陵和平原，土壤類型多樣。屬于暖溫帶大陸性季風氣候，夏季溫潤多雨，冬季寒冷干燥，年平均降水量一般在554～1048mm，降水時空變化較大，空間上由東南向北遞減。夏季易形成澇災，而冬春又常發生旱災。根據《山東統計年鑒》，山東地區農作物主要有冬小麥和夏玉米，冬小麥一般10月中旬播種，翌年6月中旬收割，夏玉米的生長時期一般為6月中旬?9月中旬，干旱對這兩種農作物的生長影響較大[22]。

1.2 數據來源

各氣象站點1980?2017年的降水量和各農業氣象站點2000?2011年（氣象數據共享網僅發布了2000?2011年的數據）的土壤相對濕度數據均來自中國氣象數據共享網（data.cma.cn），站點分布如圖1。刪除缺失數據的站點，選取24個氣象站和18個農業氣象站。其中降水量為月累計值，選自中國地面氣候資料月值數據集；土壤相對濕度選自中國農作物生長發育和農田土壤濕度旬值數據集，土層深度分別為10cm、20cm、50cm。為統一時間尺度，把每月3個旬的土壤相對濕度數據進行算術平均，得到土壤相對濕度月值數據，方便進一步與基于遙感數據的干旱指數進行相關性驗證。

遙感數據為MODIS（Moderate Resolution Imaging Spectroradiometer ，中分辨率成像光譜儀）數據。影像數據分別為植被指數產品MOD13A1（L3，500m，16d分別對應為3級產品，空間分辨率為500m，時間分辨率為16d。下同），蒸散產品MOD16A2（L3，500m，8d）、地表溫度產品MOD11A2（L3，1000m，8d）以及土地利用類型產品MCD12Q1（L3，1000m，1a）。數據期限為2000?2017年，均從http://ladsweb.nascom.nasa.gov下載。

圖1 山東省土地利用類型及站點分布

1.3 方法

1.3.1 研究流程

研究流程如圖2所示。首先，對遙感數據進行預處理得到遙感干旱指數NDDI、DSI、TVDI，對站點數據進行預處理得到各時間尺度的SPIs（SPI-1為1個月時間尺度、SPI-3為3個月時間尺度、SPI-6為6個月時間尺度）和不同深度的土壤相對濕度數據RSMs（RSM-10、RSM-20和RSM-50分別表示土層深度為10cm、20cm、50cm的土壤相對濕度）。其中，預處理操作包含：利用重投影工具MRT（Modis Reprojection Tool），將MODIS數據進行重投影，投影坐標系選用阿爾波斯投影坐標系，采用雙線性內插法將數據重采樣為1km；使用MOD13數據產品的質量控制文件剔除質量差的像元值，然后采用多年同期所有影像的平均值替代刪除的像元值；波段計算得到月時間尺度的各指數；利用各年土地利用類型產品（MCD12Q1）提取農田、林地（森林、灌木、稀樹草原）、草地，得到圖1中剔除水域和城建用地的區域；提取在這3種土地類型范圍內各遙感指數所在站點地級市的均值。第二步，在地級市的尺度上將各遙感干旱指數分別與各站點的SPIs和RSMs進行相關性分析，評價干旱嚴重程度指數在整個生長季和各月份中以及在空間上對干旱監測的適用性。

1.3.2 干旱嚴重程度指數（DSI）計算

DSI為干旱嚴重程度指數，綜合了歸一化植被指數（NDVI）和蒸散量（ET）與潛在蒸散量（PET）的比值（ET/PET），其中NDVI描述植被生長狀況，ET/PET描述農作物受水分脅迫狀況，DSI可以有效監測氣象干旱和農業干旱[14]。MOD16A2中ET和PET數據分別基于Penman-Monteith公式和Penman公式計算所得[23]。DSI的計算過程中，首先通過對MOD16A2產品中ET和PET的計算得到ET/PET，然后對時間序列2000?2017年中每月多幅影像的ET/PET求均值得到月值ET/PET。月值NDVI計算同理。具體計算方法為

圖2 研究流程圖

1.3.3 標準降水指數（SPI）計算

SPI為標準降水指數，通過計算某一位置給定時間尺度內降雨量的累積概率，來反映該位置的干濕狀況。首先通過降水量的G分布概率密度函數求累積概率，再將累積概率標準正態化得到標準降水指數（SPI）[6]。假設某一時段的降水量為x，則G分布的概率密度函數為

式中，a、b分別為形狀參數和尺度參數，G(a)為gamma函數，a、b用最大似然法估算。

由于累積概率公式G(x)中不包含x=0的情況，而實際降水量x可以為0。設q為降水為0的概率，則q=m/n，m、n分別為降水為0的樣本數、總樣本數。則累積概率表示為

對偏態分布概率作正態標準化處理，即將式（11）求得的概率值代入標準正態化分布函數，計算式為

對式（12）進行近似求解可得

當0＜H(x)≤0.5時，則

當0.5

式中，c0=2.515517，c1=0.802853，c2=0.010328，d1=1.432788，d2=0.189269，d3=0.001308。

標準降水指數（SPI）被世界氣象組織（2009）推薦為國家氣象和水文機構干旱監測的主要干旱指數。其時間尺度多樣，能反映不同層面的干旱，對于監測氣象和農業干旱一般包括1、3、6個月的時間尺度[24]。一個月時間尺度的SPI-1，是通過將某月份的降水量和歷史同期月份的降水量進行分析，得到當前月份降水累積概率值，然后將概率值代入標準化正態分布函數，最后得到SPI-1；3個月時間尺度的SPI-3，是將特定連續3個月的降水總量與歷史同期的3個月降水總量相比較，如某特定年份的3月、4月、5月降水總量與歷史同期3月、4月、5月降水總量進行比較，可得到該年份5月的SPI-3[6]，同理可得到其它月份的SPI-3；6個月時間尺度的SPI-6與SPI-1、SPI-3的計算方式類似。計算的完整描述可參見世界氣象組織官網（http://www.wmo.int/ drought）發布的標準降水指數用戶指南。

1.3.4 干旱劃分標準

參照文獻[15]的技術標準，基于DSI和SPI對干濕等級的劃分標準如表1所示，干濕等級共分為11個類別，其中W1、W2、W3、W4、W5類表示濕潤，D1、D2、D3、D4、D5類表示干旱。

2 結果與分析

2.1 基于SPI的山東省2000?2017年典型干旱期的監測

利用1980?2017年24個氣象站點的月累積降水數據，計算得到24個氣象站點在研究期間的各SPI-1、SPI-3、SPI-6值，取24個站點的平均值得到各時間尺度的SPI在2000?2017年（由于MODIS遙感數據從2000年開始，所以只考慮了SPI在2000年之后的數據）的變化過程（圖3）。從圖3看出，在2002?2003年、2006?2007年干旱持續時間較長，在2000年春季、2002年秋季、2006年秋季、2010年冬季、2011年春季發生了嚴重干旱，2012?2017年干旱發生的頻率高，但強度低。2003?2004年、2007?2008年出現了持續的濕潤時期。而在其它時期干旱發生的持續時間、干旱強度無明顯規律。圖3中虛線框所標記的時期（2000年春季、2002年、2006年、2011冬季和春季、2014年秋季），各尺度的SPI顯示出較高的干旱強度和較長的干旱持續時間，被選為典型干旱時期。

表1 基于DSI（干旱嚴重程度指數）和SPI（標準降水指數）的干濕等級劃分標準

圖3 2000?2017年山東省不同時間尺度的SPI變化過程

注：SPI-1、SPI-3、SPI-6分別表示1個月、3個月和6個月尺度的標準降水指數。紅色表示干旱，藍色表示濕潤。

Note：SPI-1，SPI-3，SPI-6 is standard precipitation indices at 1, 3 and 6 months scales, respectively. Red denotes drought and blue denotes wetness.

2.2 DSI指數對干旱監測的適用性分析

2.2.1 生長季DSI指數與SPIs、RSMs的相關性

利用MODIS數據計算得到DSI、NDDI、TVDI的遙感干旱指數，其中SPI、RSM和DSI數值越小表示越干旱，數值越大表示越濕潤，NDDI和TVDI情況相反，數值越大表示越干旱，所以理論上DSI與SPI、RSM的相關系數為正，NDDI、TVDI與SPI、RSM的相關系數為負。為比較各干旱指數在不同時期對干旱監測的適用性，選取如圖3虛線框所標記的典型生長季干旱時期（2000年、2002年、2006年、2011年冬小麥生長季，2002年、2006年、2014年夏玉米生長季），對各干旱指數在冬小麥生長季（3、4、5月）和夏玉米生長季（7、8、9月）的表現進行分析，結果如表2所示。

由表2可看出，在整個冬小麥生長季和夏玉米生長季，DSI與SPIs的相關系數值大于NDDI、TVDI與SPIs的相關系數值，而且其相關系數均通過0.05水平的顯著性檢驗，顯示出DSI與SPIs對干旱描述的一致性較高。DSI在兩種農作物生長季與SPI-6的相關性最好，相關系數分別為0.49和0.44，說明DSI適用干旱監測，尤其對監測長期干旱的敏感性高。對DSI與RSMs各指數的相關性進行比較可知，DSI與RSM-20的相關系數在冬小麥和夏玉米生長季分別為0.25、0.37，高于DSI與RSM-10和RSM-50的相關系數，說明DSI對20cm土層深度的土壤水分變化最敏感。同時在兩種農作物生長季中，DSI與RSM-20相關系數均大于NDDI、TVDI與RSM-20的相關系數。總體來說，在季節尺度上，DSI與SPIs、RSMs的相關性明顯高于NDDI和TVDI，表明DSI對山東地區干旱監測的適用性強于NDDI和TVDI。

表2 冬小麥和夏玉米生長季三種遙感干旱指數與SPIs、RSMs的相關性

注：RSM-10、RSM-20和RSM-50分別表示10cm、20cm、50cm深處的土壤相對濕度。*、**分別表示相關系數通過0.05、0.01水平的顯著性檢驗。下同。

Note: RSM-10，RSM-20 and RSM-50 represent the relative soil moisture at depths of 10cm,20cm and 50cm,respectively.*is P<0.05，**is P<0.01.The same as below.

2.2.2 月尺度DSI指數與SPIs、RSMs的相關性

為定量評價DSI在山東地區生長季中各月的監測效果，選取圖3虛線框所標記的典型干旱時期中3?5月、7?9月時段的遙感干旱指數數據，與SPI-1、SPI-3、SPI-6以及RSM-20數據進行相關性分析，得到如圖4所示生長季各月遙感指數與SPIs和RSM-20的相關系數。結果表明，DSI與SPI-1在3、4、7和8月的相關系數較高，在0.30～0.70，在5月和9月的相關系數較低，數值低于0.10；DSI與SPI-3在4、5、8和9月的相關系數均高于0.39，而在3月和7月DSI與SPI-3的相關系數較低，數值低于0.15；DSI與SPI-6在生長季各月的相關系數均在0.35以上，DSI與SPI-6表征干旱的一致性在生長季各月均較高。此外，DSI與SPI-1、SPI-3、SPI-6的相關系數總體上高于NDDI、TVDI與SPI-1、SPI-3和SPI-6的相關系數。

表2中RSM-20與各干旱指數的相關性依次高于RSM-10、RSM-50，所以選取土壤深度為20cm的土壤相對濕度數據進一步在生長季各月與各干旱指數作相關性分析。由圖4可知，在4月、8月、9月，DSI與RSM-20的相關系數在0.30以上，高于NDDI、TVDI與RSM-20的相關系數。但在3月，DSI與RSM-20呈顯著負相關，在5月、7月DSI與RSM-20的相關性較低，一方面由于站點數據空間代表性不足，另一方面是由于用旬值土壤相對濕度的平均值來代表月值導致數據精度不足。

綜合來看，DSI與SPI-1、SPI-3對干旱表征的一致性隨月份的變化而有所差異；DSI與SPI-6對干旱表征的一致性較穩定且相關系數在0.50左右；DSI與RSM-20的相關性在4、8和9月表現較好，相關系數在0.33～0.60；DSI與SPIs、RSM-20的相關系數普遍高于NDDI、TVDI。因此可以認為，在生長季各月中，DSI可以很好地反映由降水不足引起的氣象干旱，也可以在部分月份很好地反映由土壤含水量不足引起的農業干旱，適用性強于NDDI和TVDI，可以有效用于山東地區干旱的遙感監測。

2.2.3 DSI指數時空分布特征及DSI與SPI-6的驗證分析

根據圖3，選擇2002、2003、2006和2011年4個典型干濕時期，選取其DSI柵格數據以及氣象站點的SPI-6數據，評價DSI在空間上對干旱監測的適用性，結果如圖5所示。

根據表1對DSI描述干旱的劃分標準，統計得到2002年的7、8和9月受干旱影響的總面積分別占研究區域總面積的84.25%、90.80%、93.31%，該時期山東地區的普遍干旱與厄爾尼諾現象以及無有效降水持續時長有關[25]，DSI在空間上較好地描述了這一時期干旱的發生。2003年山東整體上較濕潤，但是山東西北和南部地區在4、5、7月出現了局部嚴重干旱，其它月份也出現了局部輕微干旱。2006年山東省整體處于輕微干旱狀態，8月和9月，局部地區出現了嚴重干旱。根據圖5中DSI空間分布圖對干旱的描述，2011年3、4、5、7和8月受干旱影響的總面積分別占研究區域總面積的91.22%、72.18%、68.25%、83.35%、55.36%，到9月旱情得到緩解。《中國水旱災害公報》公布的2011年山東省作物受旱災面積達129.49萬hm2，DSI準確描述了這一時期山東地區受旱面積廣、干旱持續時間長的特征[26]。此外，在4個典型干濕年中的5、7、8和9月，DSI與SPI-6對干旱的描述一致。但在2002年3、4月和2003年的3、4月DSI與SPI-6對干旱的描述出現差異，是由于山東地區在春季存在人工灌溉的因素，而SPI-6的大小僅與自然降水有關。總體來說，在空間上，DSI所顯示的受旱情況與歷史實際遭受的旱情結果一致性高，適合用于山東地區的遙感干旱監測。

圖4 月尺度SPIs、RSMs與各遙感指數的相關性分析

圖5 典型干濕年份農作物生長季中DSI與SPI-6對干濕描述的空間分布

3 結論與討論

3.1 結論

在山東地區，干旱嚴重程度指數DSI與標準降水指數SPI、土壤相對濕度RSM的相關系數分別在0.40和0.30左右，整體上高于歸一化干旱指數NDDI、溫度植被干旱指數TVDI與SPI、RSM的相關系數。在冬小麥和夏玉米生長季的各月中，DSI可以反映由降水不足引起的氣象干旱和由土壤含水量不足引起的農業干旱，且對干旱監測的適用性強于NDDI和TVDI。在典型干濕年份，DSI空間分布圖所顯示的受旱情況與歷史實際遭受的旱情結果一致。綜合來看，月尺度的干旱嚴重程度指數DSI對監測山東地區干旱具有較好的適用性。

3.2 討論

標準降水指數SPI、土壤相對濕度RSM作為評價干旱嚴重程度指數DSI的指標，本身具有一定的局限性。SPI是一個被廣泛應用的氣象干旱監測評估指標[8]，但SPI的計算只考慮了自然降水，山東地區存在人工灌溉的因素，用SPI來評價遙感干旱指數對干旱監測受到一定制約。土壤相對濕度RSM也是一個廣泛評估旱澇災害的指標[7]，但本研究采用土壤相對濕度旬值的平均值代表月值，存在時間代表性問題，導致DSI與RSM的相關性偏低。

本研究只評估了月尺度干旱嚴重程度指數DSI在山東地區干旱監測的適用性，在8d尺度、16d尺度、季節尺度以及年尺度的適用性不能確定。此外，干旱嚴重程度指數DSI的精度依賴于ET/PET的精度，而目前基于MODIS產品的ET數據是基于原始分辨率約為0.5°×0.6°的氣象再分析數據面向全球開發的資料，導致ET數據在區域尺度上精度不高。因此，利用站點的氣象資料以及利用目前學者計算ET的最優算法[27]提高ET數據的精度，是提高DSI監測精度的重點。

[1]陳曉玲,趙紅梅,田禮喬. 環境遙感模型與應用[M].武漢:武漢大學出版社,2008:188-189.

Chen X L,Zhao H M,Tian L Q.Remote sensing of environment: models and applications[M].Wuhan:Wuhan University Press,2008:188-189.(in Chinese)

[2]Food and Agriculture Organization Nations(FAO).Statistical database of the food and agricultural organization of the united nations[EB/OL].http://www.fao.org/statistics/en/,2018.

[3]萬能涵,楊曉光,劉志娟,等.氣候變化背景下中國主要作物農業氣象災害時空分布特征(Ⅲ):華北地區夏玉米干旱[J].中國農業氣象,2018,39(4):209-219.

Wan N H,Yang X G,Liu Z J,et al.Temporal and spatial variations of agro-meteorological disasters of main crops in China in a changing climate(Ⅲ):drought of summer maize in North China Plain[J].Chinese Journal of Agrometeorology, 2018,39(4):209-219.(in Chinese)

[4]張佳華,許云,姚鳳梅,等.植被含水量光學遙感估算方法研究進展[J].中國科學:技術科學,2010,(10):1121-1129.

Zhang J H,Xu Y,Yao F M,et al.Advances in estimation methods of vegetation water content based on optical remote sensing techniques[J].Sciences in China(E),2010,(10):1121- 1129.(in Chinese)

[5]張潔,武建軍,周磊,等.基于MODIS數據的農業干旱監測方法對比分析[J].遙感信息,2012,27(5):48-54.

Zhang J,Wu J J,Zhou L,et al.Comparative study on remotely sensed methods of monitoring agricultural drought based on MODIS data[J].Remote Sensing Information,2012,27(5): 48-54.(in Chinese)

[6]Mckee T B,Doesken N J,Kleist J.The relationship of drought frequency and duration to time scale[J].Paper Presented at 8thConference on Applied Climatology,1993,17(22):179-183.

[7]黃中艷,鐘楚,張明達,等.若干干旱指標在云南大旱年農業干旱監測評估中的適用性分析[J].中國農業氣象,2013, 34(2):221-228.

Huang Z Y,Zhong C,Zhang M D,et al.Applicability analysis for several drought indices to agricultural drought evaluation during the severe drought year in Yunnan[J].Chinese Journal of Agrometeorology,2013,34(2):221-228.(in Chinese)

[8]Rhee J,Im J,Carbone G J.Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data[J].Remote Sensing of Environment,2010,114(12):2875- 2887.

[9]杜靈通,田慶久,王磊,等.基于多源遙感數據的綜合干旱監測模型構建[J].農業工程學報,2014,(9):126-132.

Du L T,Tian Q J,Wang L,et al.A synthesized drought monitoring model based on multi-source remote sensing data [J].Transactions of the CSAE,2014,(9):126-132.(in Chinese)

[10]姚鳳梅,楊太明,曹倩,等.合肥地區近55年氣候極值與農業氣候指標動態變化趨勢[J].自然災害學報,2013,22(5): 227-237.

Yao F M,Yang T M,Cao Q,et al.Dynamic change trend of climate extremes and agroclimatic indices in Hefei region over past 55 years[J].Journal of Natural Disasters,2013,22(5): 227-237.(in Chinese)

[11]Anderson M,Hain C,Wardlow B,et al.Evaluation of a drought index based on thermal remote sensing of evapotranspiration over the continental U.S.[J].Journal of Climate,2011,24( 8):2025-2044．

[12]Anderson M,Norman J M,Mecikalski J R,et al. Climatological study of evapotranspiration and moisture stress across the continental United States based on thermal remote sensing:model formulation[J].Journal of Geophysical Research,2007,112(D10):D10117.

[13]Mu Q,Zhao M,Kimball J S,et al.A remotely sensed global terrestrial drought severity index[J].Bulletin of the American Meteorological Society,2013,94(1):83-98.

[14]Um M J,Kim Y,Park D.Evaluation and modification of the Drought Severity Index(DSI) in East Asia[J].Remote Sensing of Environment,2018,209:66-76.

[15]Zhang X Q,Yamaguchi Y.Characterization and evaluation of MODIS-derived Drought Severity Index (DSI) for monitoring the 2009/2010 drought over southwestern China[J].Natural Hazards,2014,74(3):2129-2145.

[16]白開旭,劉朝順,施潤和,等.2010年中國西南旱情的時空特征分析:基于MODIS數據歸一化干旱指數[J].地球信息科學學報,2012,14(1):32-40.

Bai K X,Liu S C,Shi R H,et al.Analysis of spatio-temporal characteristics of drought in southwest China in 2010 by using MODIS-based normalized difference drought index [J].Journal of Geo-information Science,2012,14(1):32-40.(in Chinese)

[17]Sandholt I,Rasmussen K,Andersen J.A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J].Remote Sensing of Environment,2002,79(2-3):213-224.

[18]齊述華,王長耀,牛錚.利用溫度植被旱情指數(TVDI)進行全國旱情監測研究[J].遙感學報,2003,7(5):420-427.

Qi S H,Wang C Y,Niu Z.Evaluating soil moisture status in China using the temperature/vegetation dryness index(TVDI) [J].Journal of Remote Sensing,2003,7(5):420-427.(in Chinese)

[19]牟伶俐,吳炳方,閆娜娜,等.農業旱情遙感指數驗證與不確定性分析[J].水土保持通報,2007,27(2):119-122.

Mu L L,Wu B F,Yan N N,et al.Validation of agricultural drought indices and their uncertainty analysis[J].Bulletin of Soil and Water Conservation,2007,27(2):119-122.(in Chinese)

[20]黃友昕,劉修國,沈永林,等.農業干旱遙感監測指標及其適應性評價方法研究進展[J].農業工程學報,2015,(16): 186-195.

Huang Y X,Liu X G,Shen Y L,et al.Advances in remote sensing derived agricultural drought monitoring indices and adaptability evaluation methods[J].Transactions of the CSAE,2015,(16):186-195.(in Chinese)

[21]Kogan F N.Droughts 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.

[22]徐鈺,江麗華,張建軍,等.氣候變化對山東省農業生產的影響與對策[J].中國農業氣象,2010,31(S1):23-26.

Xu Y,Jiang L H,Zhang J J,et al.Impact of climate change on Shandong agricultural production and the adaption countermeasure[J].Chinese Journal of Agrometeorology, 2010,31(S1):23-26.(in Chinese)

[23]黃健熙,張潔,劉峻明,等.基于遙感DSI指數的干旱與冬小麥產量相關性分析[J].農業機械學報,2015,(3):166-173.

Huang J X,Zhang J,Liu J M,et al.Correlation analysis between drought and winter wheat yields based on remotely sensed drought severity index[J].Transactions of the Chinese Society for Agricultural Machinery,2015,(3):166-173.(in Chinese)

[24]韓家琪.基于大數據思維的干旱監測方法研究[D].北京:中國農業科學院,2018:2-3.

Han J Q.The research of drought monitoring based on big data[D].Beijing:Chinese Academy of Agricultural Sciences, 2018:2-3.(in Chinese)

[25]張勝平,陳希村,蘇傳寶,等.2002年山東省嚴重干旱分析[J].水文,2004,24(3):42-45.

Zhang S P,Chen X C,Sun C B,et al.Analysis of serious drought in Shandong Province in 2002[J].Hydrology,2004, 24(3):42-45.(in Chinese)

[26]石春玲,李峰,孟祥新,等.山東省2010-2011年秋冬連旱特征及成因[J].干旱氣象,2012,30(3):323-326.

Shi C L,Li F,Meng X X,et al.Charateristics and causes of continuous drought from autumn 2010 to winter 2011 in Shandong province[J].Journal of Arid Meteorology,2012, 30(3):323-326.(in Chinese)

[27]楊永剛,崔寧博,胡笑濤,等.中國三大灌區參考作物蒸散量溫度法模型的修訂與適應性評價[J].中國農業氣象, 2018,39(6):357-369.

Yang Y G,Cui N B,Hu X T,et al.Revision and adaptability evaluation of temperature-based methods for reference crop evapotranspiration in the three irrigation districts of China[J].Chinese Journal of Agrometeorology,2018,39(6): 357-369.(in Chinese)

Applicability of Drought Severity Index(DSI) in Remote Sensing Monitoring of Drought in Shandong Province

TONG De-ming, BAI Yun, ZHANG Sha, LIU Qi, YANG Jin-yun

(1.Remote Sensing and Digital Earth Center, School of Computer Science and Technology, Qingdao University, Qingdao 266071,China)

It is important to select a suitable drought remote sensing monitoring index for timely and accurate assessment of the impact of drought on crop growth. In this paper, the vegetation index and evapotranspiration index were integrated to form the drought severity index (DSI), and the applicability of DSI was quantitatively evaluated in drought monitoring，in order to provide scientific basis for remote sensing dynamic monitoring of drought in Shandong province. In the process of quantitatively analysis of DSI applicability, the Pearson correlation analysis was carried out on the monthly scale DSI, Normalized Difference Drought Index(NDDI), Tempera-ture Vegetation Drought Index(TVDI) and Standard Precipitation Index (SPI), Relative Soil Moisture (RSM) in the typical drought period based on the long-term sequence of the SPI, respectively. The results showed that the correlation coefficients between SPI, RSM and DSI are about 0.40 and 0.30 respectively, which were higher than the correlation between SPI, RSM and NDDI, TVDI. In addition, the occurrence of typical drought events and the change process of drought were accurately described by the spatial-temporal distribution of DSI in Shandong province during the historical period. The meteorological drought and agricultural drought was reflected by DSI, which indicated the good applicability of DSI for remote sensing monitoring of drought in Shandong province.

Remote sensing; Drought indices; DSI; Applicability; Shandong Province

10.3969/j.issn.1000-6362.2020.02.005

童德明,白雲,張莎,等.干旱嚴重程度指數（DSI）在山東省干旱遙感監測中的適用性[J].中國農業氣象,2020,41(2):102-112

2019?07?10

白雲，E-mail：baiyun@qdu.edu.cn

山東省自然科學基金重大基礎研究項目（ZR2017ZB0422）；國家自然科學基金（31571565；31671585）

童德明，E-mail：18363993828 @163.com