農業干旱監測方法研究*

袁雪琪，李 靜

（1.中國科學院空天信息創新研究院 遙感科學國家重點實驗室，北京 100094；2.中國科學院大學 電子電氣與通信工程學院，北京 100049）

氣候變化被認為是二十一世紀地球的主要威脅之一。全球地表溫度在過去的157 年間顯著上升[1]，氣候變暖加劇了全球水循環，造成極端事件頻發。在各種極端事件中，干旱是發展最緩慢、持續時間最長，也是最不可預測，對經濟和環境破壞最嚴重的一種[2]。干旱分為氣象干旱、農業干旱、水文干旱和社會經濟干旱四種[3]。農業干旱是指由于降水量低于正常水平，蒸發和蒸騰作用高于平均水平而導致的土壤水分虧缺期[4]。農業干旱是作物生產的主要威脅，給國家糧食安全、經濟和社會穩定帶來重大風險。因此，迫切需要對農業干旱的準確識別和實時監測，從而為決策者提供必要的信息，以便采取及時的應對措施減少干旱的負面影響。應用適宜的干旱指數是監測和分析農業干旱的重要方法。20 世紀后半葉，科學家們從不同的科學視角和對干旱定義的理解，建立了各種干旱指數。這些指數可分為兩類：基于站點實測數據的干旱指標和遙感干旱指數。

1 基于站點數據的干旱監測

站點數據來自氣象站、農業站和水文站實測的水文氣候變量，包括降水、溫度、相對濕度和土壤含水量等。基于站點數據的農業干旱監測指標包含了干旱發展過程中必不可少的蒸散發、土壤含水量、水分虧缺等土壤-植物-大氣連續參數，能夠提供定量和定性的干旱信息，是最準確、最具歷史意義的指標[5]。典型的站點干旱監測指標包括帕默爾干旱指數（Palmer Drought Severity Index，PDSI）[5]、降水Z 指數、作物水分指數CMI、作物水分脅迫指數CWSI、標準化降水指數SPI，標準化降水蒸散指數SPEI 等。其中SPEI 能夠監測不同地區不同類型的干旱，既能反映降水也能反映溫度信息，被研究人員廣泛接受[6-7]。部分指數最初是為監測氣象干旱而制定的，然而所有類型的干旱都與持續的降水不足有關，因此在農業干旱監測研究中也得到了有效的應用。表1 顯示了常用的基于站點數據的農業干旱監測指數。

表1 典型的基于站點數據的農業干旱監測指數

綜上所述，基于站點數據已經發展出一系列的農業干旱監測指標并得到了廣泛成熟的應用。然而，在全球范圍內，許多農業生產地區并沒有很好的觀測設備以提供長期一致的降水、近地表氣溫、風速、大氣水汽、相對濕度等地面觀測資料。來自不同氣象站的觀測數據通常具有不同的記錄長度和數據質量[8]，這使得使用地面觀測進行一致的全球干旱分析具有挑戰性[9]。此外，地面干旱指數只能準確有效地監測氣象站周圍的干旱情況[10]，利用地理信息系統（GIS）空間插值技術可以幫助估計其余空間位置的干旱狀況，但由于插值算法和復雜的地形條件，插值區域可能存在不確定性[11]。

2 基于遙感數據的干旱監測

20 世紀70 年代以來，隨著NOAA 氣象衛星和Landsat 等地面觀測衛星的發射，大量的研究開始使用遙感數據進行地表覆蓋、植被物候等陸表動態過程的監測[12-13]。遙感觀測從氣象、農業、水文和生態等不同科學視角為干旱監測開辟了新的途徑。

干旱影響土壤和植被的生物物理和化學性質，如土壤水分、植被生物量、葉綠素含量、植被冠層和土壤溫度等[14]，因此基于土壤表面和植被冠層在紅、近紅外、短波紅外和熱紅外波段的獨特光譜特征已經提出了一系列的遙感干旱指數。這些遙感干旱指數根據監測波段基本上可以分為四類：光學遙感指數、熱紅外遙感指數、微波遙感指數、綜合遙感指數。

2.1 光學遙感法

光學遙感利用0.4～2.5μm 波長范圍的衛星遙感數據構建農業干旱指數。在這個光譜范圍內，紅、近紅外（NIR）和短波紅外（SWIR）是最常用的波段，紅和近紅外波段可以反映植被的健康狀況，短波紅外數據對植被含水量的敏感性較強。根據指數的特性可將光學農業干旱指數分為三大類：（1）土壤干旱監測指數；（2）植被干旱監測指數；（3）土壤-植被干旱指數。

2.1.1 土壤干旱監測指數

土壤干旱監測指數的構建原理是不同濕度的土壤表現出不同的光譜特征，土壤含水量越高，對紅和近紅外波段的吸收能力越強，反射能力越弱。典型的土壤指數包括垂直干旱指數PDI 和距離干旱指數DDI。土壤干旱監測指數更適用于裸土及植被覆蓋較低的區域，植被覆蓋度較高會推遲指數對農業干旱狀況的識別，并造成指數的不確定性。

2.1.2 植被干旱指數

植被干旱指數基于植被的光譜特性構建，土壤背景反射率會影響計算結果，因此植被干旱指數更適用于中、高植被覆蓋區。在植被干旱指數中，歸一化植被指數NDVI 在干旱監測中的應用最為廣泛。NDVI 是ROUSE 等人[15]在1974 年使用近紅和紅波段定義的，為了消除NDVI 的空間變異，減少地理環境、土壤類型、植被類型等生態變量影響，研究人員基于時序的NDVI構建了距平植被指數AVI、標準植被指數SVI 和植被狀態指數VCI，使不同時間和地區的指數具有可比性。研究發現相比較基于紅和近紅外波段構建的NDVI 系列指數，基于短波紅外構建的植被指數對植被冠層水分具有更高的敏感性[16]，基于此原理提出了葉片含水量指數LWCI、歸一化差異水分指數NDWI 和短波紅外垂直失水指數SPSI 等一系列冠層水分敏感指數。

2.1.3 土壤-植被干旱指數

半干旱地區多為稀疏植被區，單靠植被干旱指數和土壤干旱指數均不能準確監測該地區的干旱狀況。為了解決該問題，基于多光譜數據構建了同時考慮土壤和植被光譜特性的干旱指標，如短波紅外水分脅迫指數SIWSI，歸一化多波段干旱指數NMDI，可見光-短波紅外干旱指數VSDI，這些指數能提供以像元為單位的植被和土壤信息。

2.2 熱紅外遙感法

熱慣量是物質抵抗周圍溫度變化的能力。土壤熱慣量作為土壤的固有特性，是引起土壤表層溫度變化的內在因素，與土壤含水量顯著相關[17]，因此利用土壤熱慣量可以有效地監測農業干旱。但土壤熱慣量的計算需要大量地面觀測數據，因而PRICE 等[18]利用熱紅外遙感數據反演出來的地表反照率和地表溫度，通過簡化潛熱蒸發（散）形式來計算表觀熱慣量（Apparent Thermal Inertia，ATI），該模型表達為：

式中：C 為太陽校正系數；a 為地表反照率；ΔTS為晝夜最大溫差。

然而，這種方法有其局限性，對地形復雜和高植被覆蓋區無法進行有效監測，只適用于裸土或植被非常稀疏的干旱地區[19]。

干旱脅迫也可以通過多種衛星傳感器（AVHRR、MODIS、TM、ETM+和TIRS）熱通道獲得的遙感地表亮溫來量化。利用熱紅外波段計算的地表溫度LST 可以提供與地表濕度有關的有價值信息[20]。KOGAN[21]基于長時間序列的衛星地表溫度數據，提出了溫度狀態指數TCI 來確定與溫度相關的植被脅迫。TCI 僅適用于均質地區，且只考慮歷史時期的最大最小值，丟失了當前時期的溫度變化信息。歸一化溫度指數（Normalized Difference Temperature Index，NDTI）[22]考慮特定時間，具有比TCI 更堅實的物理基礎，且從地表溫度分析中去除了季節趨勢，但其計算需考慮太陽輻射和葉面積指數等數據，較為復雜。與土壤熱慣量法一樣，基于地表溫度的指數在稀疏冠層和裸地的指示效果更好。

2.3 微波遙感法

基于微波遙感數據的干旱監測研究主要是從土壤濕度反演和降水反演兩個方面進行。對于干燥的土壤，介電常數根據使用頻率通常在2 到5 之間變化[23]，介電常數隨著土壤濕度的增加而升高，微波遙感監測到介電常數的變化，從而可以監測到土壤濕度的變化[24]。與可見光和熱紅外遙感不同，微波遙感在極端天氣條件下也能很好地工作，并且對云和植被具有較好的穿透性，非常適合于農業干旱監測。此外土壤中的水分對微波信息非常敏感，其散射不受土壤物質的化學和礦物性質影響。因此，微波遙感反演土壤水分的精度高于光學和紅外遙感。但微波遙感的反演精度都受到植被和地表粗糙度的影響，且只能探測表層土壤，無法準確反演作物根系及以下深度的土壤濕度。

利用星載測雨雷達發射微波信息能夠觀測雨滴/冰粒的微波輻射特性，反演得到大面積的降雨數據產品。目前，已經形成TMPA、IMERG、GPCP 等全球衛星降水產品[25]，并基于站點觀測數據對降雨產品進行了全球性的對比和驗證[26-28]。在眾多衛星降水產品中，TRMM 數據與氣象站點實測數據具有較好的相關性，被廣泛應用于農業旱情監測。YAN 等[29]評估了TRMM降水產品在我國西南地區的干旱監測效用，結果表明TRMM 與觀測數據有較高的匹配度，能監測出干旱的時空演變情況。

2.4 綜合遙感干旱指標

相關研究表明結合傳感器多波段信息集合成的綜合遙感指數可以更好地表征農業干旱狀況[30]。熱紅外遙感和光學遙感指數的結合多通過線性加權和特征空間法。KOGAN 等賦予VCI 和TCI 不同的權重，線性相加構建了植被健康指數（Vegetation Health Index，VHI），用于確定植被整體健康狀況，并監測農業主導區域的干旱受災地區。結合地表溫度Ts 與光學植被指數VI 的綜合遙感指數可消除土壤水分和植被指數的影響。利用植被指數與地表溫度的特征空間Ts-VI 構建了溫度植被干旱指數TVDI，植被供水指數VSWI，條件植被溫度指數VTCI 等一系列融合光學與熱紅外數據的干旱指標。同樣，基于微波和其他波段的數據也提出了大量的綜合遙感干旱指標。由土壤濕度指數SMCI、PCI 和TCI 組成的微波綜合干旱指數MIDI 已被證明適用于中國半干旱區的短期干旱監測[31]；歸一化旱情綜合指數SDCI 結合了來自中分辨率成像光譜儀MODIS 的地表溫度LST 數據和歸一化植被指數NDVI數據以及TRMM 降水數據，用于干旱和濕潤區的農業干旱監測。朱欣然等[32]利用地理加權回歸模型GWR綜合SMCI 等多種遙感參數實現了旱情信息的非平穩建模監測。綜合遙感指數數據獲取容易，計算相對簡單，但通常是根據特定的氣候或地理環境建立的，其應用范圍受到很大的局限性。

遙感干旱指數能夠詳細地反應干旱的空間特征，但由于數據記錄相對較短，不能完全替代地面觀測在干旱監測中的作用[33]。此外，遙感干旱指數的質量受到大氣條件和反演算法的限制，存在一定程度的不確定性和不可靠性。

3 綜合農業干旱監測

由于干旱定義的復雜性，僅通過單一數據指標很難全面系統地評價一個地區的干旱特征。為了更好地監測干旱，研究人員試圖通過多指數權重賦值、多變量聯合分布和機器學習等方法融合不同來源的數據。美國干旱監測USDM 是綜合了站點氣候指數，植被健康指數、數值模式以及各地區專家知識而構建的綜合干旱監測產品[34]，能夠及時提供各州干旱程度及干旱影響的真實信息。BROWN 等[35]綜合了氣象干旱指數、衛星植被指數以及日流量指標等其他生物物理信息，以分類回歸樹構建了植被干旱響應指數VegDRI，并在美國中北部七個州驗證了其干旱監測的能力，成為綜合干旱監測指數的典范。WU 等[36]利用該方法融合了站點氣象數據、衛星植被參數及其他生態信息建立了適用于中國中東部地區的綜合干旱監測模型。融合遙感數據和地面干旱指數可以將點指數擴展到整個區域，促進對干旱事件空間特征的深入理解。但目前的綜合干旱監測研究尚處于起步階段，對數據如何耦合并導致干旱發生的機理尚不明確，尚未建立起多時空尺度的農業干旱監測模型。

4 結束語

基于站點數據的干旱監測較為成熟且準確，已經得到了廣泛的應用，但站點數據具有空間上的局限性，且多數站點指標只考慮氣象因子對于干旱的驅動效果，沒有考慮植被的生長和需水狀態，在表征農業干旱監測方面存在一定的不確定性；遙感干旱監測具有監測范圍廣、數據獲取及時等優點，但遙感監測指標只可以探測植被狀況異常，很難將真正的干旱影響與其他環境因素造成的植被變化區分開來。耦合多源數據的綜合干旱監測模型是當今的研究熱點，但發展尚未成熟，未來應進一步強化干旱機理研究，考慮作物與其生長環境之間的關系，發展適用多時空尺度的綜合干旱監測模型。