不同植被指數對旱情監測的敏感性比較

王 敏

（河海大學水文水資源學院，南京 210098）

干旱是一種較為常見的自然災害，由于其造成的環境破壞和經濟損失等不良影響，目前已引發世界范圍的廣泛關注。傳統的旱情監測方法主要利用氣象干旱指數來定量描述降水的匱乏程度和持續時間，以此來監測旱情的強度和發生范圍［1］。常用的氣象干旱指數包括 Palmer 干旱強度指數（PDSI）［2］，標準化降水指標（SPI）［3］和降水距平百分率（Pa）［4］等。雖然氣象干旱指數已經能較為精確地估算地面點的干旱程度，但由于其依賴站點上的個別數據來監測干旱，存在以點帶面的問題，在空間尺度上缺乏連續覆蓋性［5］。隨著遙感技術不斷進步，人們可以利用遙感手段來準確、實時地獲取研究地區的植被長勢、地表溫度、地表水分等信息，從而來監測干旱。國內外遙感監測干旱的方法主要有土壤水分監測法、冠層溫度監測法、植被水分變化監測法以及作物形態及綠度監測法等［6-10］。已有學者在以氣象干旱指數為標準的基礎上，通過分析遙感建立的遙感干旱指數與傳統氣象干旱指數的相關性，來驗證遙感干旱指數對旱情監測的適宜性［11-13］。其中，用于旱情監測的最常見通用的遙感指數以植被指數為主，但不同的植被指數對旱情響應的特征明顯不同［14］。本研究選擇巢湖流域為研究區域，利用氣象干旱指數降水距平百分率作為評估不同植被指數監測旱情敏感性的參考依據，基于MODIS 數據選取了歸一化植被指數（NDVI）、距平植被指數（AVI）和條件植被指數（VCI）分別與降水距平百分率指標做相關性分析，以對比不同植被指數在旱情監測方面的表現，為根據不同時空條件選擇適宜的植被指數來監測旱情提供科學的參考依據。

1 研究區概況

巢湖流域位于安徽省江淮地區中部，地理位置為東經 116°24′18″—117°55′38″，北緯 30°58′58″—32°04′48″，流域面積約為 9 196 km2。流域內亞熱帶季風氣候明顯，流域降水主要集中在6—8 月，年均降水為1 000～1 158 mm，年平均氣溫16.0～16.5 ℃。巢湖流域連接著江淮丘陵地帶以及沿江的平原區，地形地貌較復雜，總體來說西南方向偏高、東北方向偏低，最高峰海拔高度近1 400 m，有低山、崗地、平原、丘陵4 種地貌（圖1）。流域內植被類型主要為北亞熱帶落葉與闊葉混交林。行政區劃上包括合肥市，肥東縣、肥西縣、廬江縣、長豐縣、居巢區、六安市、岳西縣、含山縣、舒城縣及霍山縣的全部或部分區域。由于流域內北亞熱帶和暖溫帶過渡性的氣候條件、復雜的地形地貌以及人類活動等多方面的影響，導致了巢湖流域降水在時間和空間變化都較大，頻發旱澇災害，尤其是旱災嚴重抑制了研究區內的農業生產乃至經濟的發展［15］。

2 數據與方法

2.1 數據來源

2.1.1 遙感數據 遙感數據選用MODIS 傳感器提供的中國月合成歸一化植被指數產品MODND1M，其空間分辨率為500 m。MODIS 數據具有波段范圍廣、定位精度高、描述植被信息時受干擾較少等優勢，且該產品采用了月最大值合成法，減少了云覆蓋造成的噪聲影響，更適合植被變化監測研究［16］。考慮到生長狀態的植被更需要水分，生長季降水的減少會嚴重抑制植被的生長，此時植被指數和降水距平百分率才更具相關性，因此確定研究的時間范圍為6—9 月。從地理空間數據云網站（http：//www.gs?cloud.cn/）下載 2008—2015 年 6—9 月的 MODIS 植被指數月產品數據，使用MODIS 重投影工具對該產品進行預處理，根據各植被指數公式，再利用GIS 技術計算得出所研究3 種植被指數的遙感影像。

2.1.2 氣象數據 從安徽省水文遙測信息網（http：//yc.wswj.net/ahyc/）得到了巢湖流域內氣象觀測站2008—2015 年6—9 月逐月的降水量資料。氣象站點需滿足8 年以上建站時間且觀測期間沒有異常故障值，經過篩選，符合條件的只有11 個站點。將月降水量數據進行整合，分別計算出流域內每個站點的月平均降水量、年降水量，從而得到逐月降水距平百分率和逐年降水距平百分率，以分析研究時段內流域旱情的發生與分布情況。

2.1.3 其他數據 涉及的其他相關數據包括巢湖流域邊界圖、行政分區圖和水系圖等矢量數據以及研究區DEM 數據。矢量數據可在GIS 環境下自行矢量化生產得到，DEM 數據來源于地理空間數據云網站。

2.2 研究方法

2.2.1Pa指數的計算 降水指標能夠反映干旱的發生程度，降水距平百分率是某時段的降水量與歷史同期平均降水量的百分比率，它可以反映某時段內的降水量偏離歷史同期平均狀態降水量的程度。Pa越小，表示該時期降水偏離歷史同期平均降水量越多，越容易發生干旱［17］。因降水距平百分率較其他氣象干旱指數計算方法更為簡便，僅需降水量數據即可，所以本研究選取降水距平百分率為評估植被指數監測旱情敏感性的參考依據，其計算公式如下。

式中，P為某時段降水量（mm）；為某時段常年同期降水量的平均值（mm）。

2.2.2NDVI的處理 歸一化植被指數（NDVI）采用的數據即為MODIS/NDVI 產品，無需另外再進行影像運算。但考慮到原始NDVI產品可能有部分像元存在污染出現異常值，故采用八鄰域算法對影像進行平滑處理以去除噪聲污染，從而提高影像質量。平滑處理后的NDVI產品可用于計算AVI和VCI。

2.2.3AVI的計算 距平植被指數是用NDVI多年的月（季度）平均值作為參考值，再用某特定年月（季度）的NDVI減去該參考值，即可得到NDVI的正、負距平值。負的距平值反映植被生長狀況較歷史多年同期差，說明植被的生長受到了抑制，因此有旱情發生的可能。一般來說，AVI在-0.1～-0.2 表示發生干旱，值越小旱情越嚴重［14］，其計算公式如下。

式中，NDVI為特定年份某一時段的歸一化植被指數為該時段歸一化植被指數的多年平均值。

2.2.4VCI的計算 條件植被指數是將某時段NDVI與多年同期NDVI的最大值、最小值進行比較，并歸一化到0～1。VCI越低，則該時段NDVI越靠近歷史同期最小值，表示該時段植被長勢越差。VCI反映了植被長勢在時間和空間尺度上的變化，也反映了植被受天氣氣候條件的影響。一般情況下，VCI≤0.3說明植被生長狀況差，0.30.7 說明植被生長狀況良好無干旱。若同一地區連續幾個時段的VCI都小于0.4，則表示植被生長受到了抑制，存在旱情發生的可能［13］。其計算公式如下：

式中，NDVI為特定年份某一時段的歸一化植被指數；NDVImin為多年內該時段NDVI的最小值；NDVImax為多年內該時段NDVI的最大值。

2.2.5 植被指數與Pa的相關性分析 依據上述計算公式，基于預處理后的2008—2015 年6—9 月的NDVI產品數據進行計算得到AVI和VCI時間序列數據。使用像元與氣象站點匹配關聯的方法，將氣象站點與MODIS 影像進行匹配，從而獲取氣象站點處的植被指數。首先，根據安徽省水文遙測信息網提供的11 個氣象站點的經緯度對站點進行定位；其次，以氣象站所在位置為中心，利用ArcGIS 軟件提供的焦點統計工具提取3×3 像元內的植被指數平均值作為該氣象站點處的植被指數，該方法能避免極端像元值的出現，使得到的像元值更具有代表性［3］；最后，對得到的每一個氣象站點的各時期植被指數與其對應降水距平百分率利用SPSS 軟件進行皮爾遜相關性分析。

3 結果與分析

3.1 基于Pa 的旱情分析

巢湖流域的降水主要集中在6—9月［15］，因此各年份6—9月的降水量總和即可大致代表研究區域的年降水量的相對大小。計算2008—2015年6—9月研究區內所有氣象站點的降水量總值作為年降水量均值，再依據公式計算逐年降水量距平百分率，結果見表1。從表1可以看出，2009年和2013年的年均降水量均明顯小于多年平均年降水量，即2009 年和2013 年發生了較為嚴重的干旱。查閱資料可知，2009年由于降水量異常偏低以及年平均氣溫較歷史同期偏高引發了較為嚴重的干旱［11］，安徽省部分地區的降水量之少甚至達到30 年一遇，這與本研究結果一致。

表1 巢湖流域2008—2015 年逐年降水距平百分率（單位：%）

根據2008—2015 年各氣象站的月降水量數據計算出流域內的各月降水量均值，再按公式計算得到各月降水距平百分率，結果見表2。當以月尺度的Pa度量旱情變化時，根據《氣象干旱等級》標準［17］和流域內的情況：Pa>-40%為無旱，-60%

表2 巢湖流域2008—2015 年6—9 月逐月降水距平百分率

3.2 植被指數與Pa 的相關性分析

通過降水距平百分率分析流域內的干旱情況可知，2009 年和2013 年均發生了較為嚴重的干旱，并且9 月的降水量相對于其他3 個月少，因此重點對2009 年9 月和2013 年9 月干旱期間的植被指數和降水距平百分率監測旱情的情況進行相關性分析。因為只有在干旱時，水分對植被的長勢才起決定性作用，這時植被內的葉綠素含量會隨著水分的減少而下降，從而對反射近紅外光的能力也會明顯降低，因常用的植被指數一般是根據近紅外光譜構建的，所以植被指數也會相應減小，此時可以用來反映干旱發生情況，以此來監測旱情。分別將2009 年9 月與2013 年 9 月流域內的 11 個站點對應的NDVI、AVI和VCI與Pa進行相關性分析，分析結果如下。

3.2.1NDVI與Pa的相關性分析 圖2 是以 2009 年9 月和2013 年9 月干旱期間為例表示巢湖流域內歸一化植被指數與降水距平百分率相關性的空間分異。NDVI是用來描述植被長勢的重要指數，而植被長勢又受到降水的影響，因而NDVI可以間接地反映旱情的發生情況。Pa越低，NDVI越小，表明旱情越嚴重。從圖2 可以看出，2009 年 9 月和 2013 年 9 月NDVI影像與區域旱情分布較為一致，均表現為流域內北部植被覆蓋率偏低，南部為高植被覆蓋區。流域內西北方向NDVI較小，表明該地植被覆蓋率偏低，同時分布在該地區的氣象站點所對應的Pa也較低，說明該地降水不足，有旱情出現的可能，二者的變化趨勢一致，具有一定的相關性。東北方向降水量偏高，但NDVI并沒有出現相應的偏高，未表現出相關性，可能是由于選取的站點分布不均勻導致的。整體來看，正降水距平百分率與歸一化植被指數的空間分布相關性表現不是很明顯。可能是因為研究區內NDVI都偏大，表明研究區內植被覆蓋度較高。有研究表明，NDVI具有飽和效應，即當某地區的植被覆蓋度到達一定程度后，NDVI就不再隨著植被覆蓋度的上升而上升，并且NDVI在時間上存在一定程度的滯后［18］。

3.2.2AVI與Pa的 相 關性 分析 圖3 為 2009 年 9 月和 2013 年 9 月AVI與Pa相關 性空間分異 。從圖3 可以看出，流域內2009 年9 月的AVI整體上低于2013年 9 的的AVI，表明 2009 年的干旱程度較 2013 年更為嚴重，這與基于Pa的旱情監測結果一致。總體來看，AVI和Pa的分布趨勢較為一致，AVI越小的地方Pa也越低。在流域內西北地區氣象站點的Pa均為負值，對應的相同時期的AVI影像圖也顯示出明顯的偏低；東北地區的Pa和AVI均高于平均水平，二者對旱情監測的結果較為一致。比較圖2 和圖3，旱情在西北方向的變化情況基本一致，植被指數都偏低；但在東北方向，NDVI的旱情監測結果要比AVI嚴重，這可能是由于植被指數的取值和分級范圍不同造成的。

圖2 2009 年9 月（a）和 2013 年 9 月（b）NDVI與Pa 相關性空間分異

圖3 2009 年9 月（a）和2013 年9 月（b）AVI與Pa 相關性空間分異

3.2.3VCI與Pa的相關性分析 對比圖3 和圖4，從空間上來看，相同時期的AVI影像和VCI影像表現出較為一致的分布趨勢，在降水相對充足的東北方向，植被指數都表現出明顯的偏高，而分布在西北地區的氣象站點的Pa均表現為負值，與植被指數的分布趨勢表現出一致性。通過3 種植被指數的遙感影像和站點Pa的綜合分析可以得出，NDVI影像的變化最不明顯，其與Pa的分布趨勢變化表現不是很一致；而AVI和VCI與Pa的分布有明顯的一致性規律，對旱情響應的敏感性較NDVI有一定的提高。這可能是因為NDVI本身存在局限性，而AVI和VCI是在多年NDVI遙感影像的基礎上得到的反映區域土壤供水平均情況的植被指數，所以監測旱情的結果更具有代表性。

圖4 2009 年9 月（a）和2013 年9 月（b）Pa 與VCI相關性空間分異

3.2.4 植被指數與Pa的相關性比較 為了在相同的地域條件下對比NDVI、AVI和VCI這 3 種不同植被指數對旱情響應的敏感程度，使用Pa作為評估植被指數對旱情監測敏感性的參考依據，計算了干旱時期的Pa與其對應的3 種植被指數之間的相關系數，相關系數越大，說明該植被指數對旱情監測越敏感。結果（表3）顯示，除了NDVI外，其余相關系數均通過了0.1 水平的顯著性檢驗，證明植被指數與降水距平百分率之間存在相關性，但相關性普遍不高，可能是選取的氣象站點在空間上分布不均勻導致的。NDVI指數與Pa的相關性最差，AVI和VCI與Pa的相關性均較好，尤其是VCI，這與上節的研究結果基本一致。因此，AVI和VCI對旱情監測的敏感度更高。

表3 巢湖流域 2009 年 9 月和 2013 年 9 月 NDVI、AVI、VCI與Pa 的相關系數

4 小結與討論

4.1 小結

本研究運用巢湖流域2008—2015 年6—9 月的MODIS/NDVI 影像產品數據及降水量數據，對3 種植被指數（NDVI、AVI、VCI）與降水距平百分率（Pa）進行相關性分析，從而對比相同地域條件下不同植被指數對旱情監測的敏感程度。結果顯示，在2008—2015 年，2009 年和2013 年均發生了不同程度的干旱，尤其是2009 年。其中，9 月為流域內6—9 月最容易發生干旱的月份。因此，以2009 年9 月和2013年9 月干旱期間為例，分析了3 種植被指數與降水距平百分率的相關性。結果表明，AVI和VCI與Pa的相關性較好，且以VCI對旱情響應的敏感度最高，而NDVI監測旱情的精度較差。

4.2 討論

本研究側重于比較3 種植被指數對旱情響應的敏感程度，得到的只是相對的結果，從相關性分析結果也可以看出，植被指數與降水距平百分率的相關性普遍不高，可能有以下幾個原因：①滿足條件的氣象站點在研究區內分布不均勻；②研究選用的MODIS產品時間序列不夠長，并且空間分辨率為500 m，使其得到的3×3 像元平均值的范圍也較大；③植被指數的下降不僅與降水量減少有關，還會受到時間滯后性、灌溉條件、氣候條件、植被類型以及土壤持水能力等因素的影響［19］。

NDVI監測干旱情況不理想的原因可能是NDVI具有飽和效應，并且NDVI易受到植被背景信息和大氣情況的干擾，而研究區域的植被覆蓋度較高，給研究帶來了不確定性和誤差。因此，采用AVI和VCI監測旱情的效果更好，因為它們都是通過與長時間歷史同期的植被指數建立關系，描述了植被的時空變化，消除了植被指數的偶然性誤差。但有研究表明，AVI只適用于大尺度范圍的旱情監測，因為其無法和干旱建立定量關系［20］；VCI雖然能定量描述植被的空間變化和長期氣候對植被的影響，但它的計算需要長時間的連續數據，并且不適用于播種期和成熟期［21］。因此，不同的植被指數監測旱情具有不同的適用條件，綜合分析氣候環境多因素的影響能提高植被指數監測旱情的精度，對科學合理地預報旱情具有重大意義。