基于多源遙感數據與隨機森林模型的遼寧省作物生長季干旱監測研究

王榮莉

(遼寧師范大學 地理科學學院,遼寧 大連 116029)

0 引言

IPCC第六次評估報告指出,隨著全球氣溫的持續上升,更多地區將受到農業及生態干旱的影響[1],進而影響作物生產力及人類的生產生活。目前,通常采用干旱指數監測干旱發生過程及其嚴重程度。基于氣象站點數據的干旱指數根據實測數據計算所得,易于獲取,準確率較高。基于遙感數據的干旱指數覆蓋范圍廣、空間分辨率高,彌補了站點分布不均等不足,故遙感技術逐漸成為監測大區域尺度旱情的重要手段。

作物干旱的發生發展復雜多變,不僅受到降水、植被本身及土壤溫度等因素的影響,還受到多種不穩定、不確定性因素的綜合作用。干旱是由多種因素引起的,沒有一個單一的指標能充分說明其發生的復雜性及多元性,故單一指標監測逐漸向氣象與遙感相結合的綜合監測轉變成為干旱監測新趨勢[2]。

本研究綜合考慮植被生長狀態、大氣及土壤水分等因素,基于MODIS及TRMM等多源遙感數據,利用隨機森林算法構建作物干旱監測模型,對該模型監測結果的準確性進行驗證,以期在大范圍旱情監測與評估方面做一定補充,為應對干旱提供一定的理論及技術支持。

1 研究區域及數據處理

1.1 研究區概況

遼寧省位于我國東北南端,屬溫帶大陸性季風氣候,雨熱同期,日照豐富,年平均氣溫6 ℃～11 ℃,年平均降水量430～1100 mm。山地分布于東西兩側,中部為平原,耕地面積較大,農作物生長發育很大程度上受到干旱的影響。

1.2 數據來源

數據來源于中國氣象數據網2000—2019年遼寧省23個氣象站點的逐日氣象資料,包括日降雨量、日最高(低)溫、風速、平均相對濕度及日照時數等。MODIS數據包括MOD13A3、MOD11A2及MOD16A2。降雨數據選擇TRMM_3B43。以上MODIS與TRMM數據均來自NASA。土壤濕度數據由GLDAS數據中的Noah模型驅動生成。SRTM DEM 數據來源于地理空間數據云。土壤類型及土地利用類型數據來自資源環境科學與數據中心。干旱災害的歷史統計及資料來自《遼寧省水資源公報》。

1.3 數據處理

對缺測的氣象數據用多年平均值代替,利用EToCalculator計算日潛在蒸散量[3],利用月降雨量計算月相對濕潤度指數。用MODIS專用提取工具MRT提取地表溫度(LST)、歸一化植被指數(NDVI)、潛在蒸散量(PET)與蒸散量(ET),對其進行重投影及格式轉換,剔除無效值。以上數據采用最近鄰法重采樣為1 km,合成月度數據。MODIS數據預處理后,計算TCI、VCI、VSWI及CWSI。對于TRMM數據,將降水速率(mm/hr)轉換為月降水總量數據(mm/month)計算PCI。分析數據GLDAS預處理后提取SoilMoi0_10 cm_inst波段計算SMCI,各變量具體計算公式如表1所示。將SRTM_DEM 重采樣為1 km×1 km,提取高程(DEM)、坡度(Slope)、坡向(Aspect)數據。

表1 模型輸入變量計算公式Tab.1 Calculation formula for model input variables

2 研究方法

2.1 相對濕潤度指數(MI)及其計算方法

相對濕潤度指數(MI)適用于作物生長季旬以上尺度的干旱監測[4],根據降水量與潛在蒸散量反映某地干濕程度及干旱動態變化[5]。相對濕潤度指數越小,地表越干;反之則越濕潤。計算公式如下:

MI=(P-ET0)/ET0

(1)

式中,P為降水量(mm),ET0為相應時段潛在蒸散量(mm),采用FAO Penman-Monteith[6]公式進行計算。參照國家氣象局制定的MI干旱等級劃分標準[7],將干旱劃分為無旱(-0.4

2.2 隨機森林模型

隨機森林(Random Forest,RF)是BREIMAN[8]提出的一種基于分類樹的、有監督的集成學習方法,具有處理數據維度高、訓練速度快等優勢[9]。使用R語言中的Randomforest包構建回歸模型,選取平均絕對誤差 (MAE)、均方根誤差 (RMSE)及相關系數(R)驗證模型的準確性,各指標計算公式如下:

(2)

(3)

(4)

3 結果與分析

3.1 模型的驗證與評價

由表2可知,訓練集的模擬值與實測值MI的R為0.9683,測試集的R為0.7809,訓練集與測試集都達到顯著相關。訓練集與測試集的RMSE相對較小,均低于0.5,訓練集與測試集的MAE分別為0.1288、0.2961,綜上分析表明,該模型的模擬精度較高。

表2 訓練集和測試集模型精度對比Tab.2 Comparison of model accuracy between training and testing sets

根據MI干旱等級劃分,統計2000—2019年23個站點MI值與模擬值各干旱等級的站點數,由表3可知,MI值與模型監測得到的模擬值一致率為70.96%;無旱級別一致性最高,為93.52%;輕旱級別為60.82%;中旱和重旱一致率均大于50%;特旱最低,為37.16%。總體來說,模型模擬值與MI值基本一致。

表3 各干旱級別站點數及一致率Tab.3 Number and consistency rate of stations at different drought levels

3.2 干旱表征因子重要性排序

將干旱表征因子作為自變量輸入到構建好的模型中,得到各因子的重要性。由圖1可知,兩種不同的重要性評估方法排序略有不同,但總體上重要性排序靠前的因子是相同的。以%IncMSE為例,由于模擬的MI值以降水量及蒸發量為基礎,因此與CWSI與PCI的相關性最大。其次是SMCI與VCI,土壤表面的蒸發量越大,土壤水分越低,故土壤濕度對MI的模擬起到重要作用。當植被受到干旱脅迫時,VCI能直觀反映植被生理變化及長勢變化,是響應干旱的重要因子。土壤中水分充足,地表植被表面溫度較低,在高溫缺水條件下,植被冠層及地表溫度增加,從而體現出高溫對作物生長造成的不利影響。

圖1 干旱表征因子重要性排序Fig.1 Importance ranking of drought characterization factors

3.3 作物干旱監測模型結果分析

根據《遼寧省水資源公報》資料顯示,2014年遼寧省平均降水量453.6 mm,比多年平均值少1/3,降水量嚴重不足導致遼寧省內發生了階段性春旱及夏伏旱。2017年,遼寧省年平均降水量506.2 mm,比常年648.2 mm減少20%,出現春夏連旱現象。故選擇2014年與2017年數據評估模型監測的準確性。

由圖2可知,2014年3月,遼寧省大部分地區發生重度干旱;4月,干旱的嚴重程度有所加重,部分地區發生了特旱,其中遼寧西部朝陽、錦州、阜新等市的干旱情況較重,重度干旱蔓延到了遼寧省的東部地區。5月,干旱的嚴重程度減輕,6—8月遼寧省大部分地區以無旱及輕度干旱為主。9月,遼寧省大部分地區無旱情發生,部分地區發生了中等程度的干旱,如大連市中部。

圖2 隨機森林模型監測的2014年3—9月的干旱情況Fig.2 Drought conditions monitored by random forest model from March to September, 2014

由圖3可知,2017年3月,由于氣溫升高,降水少,遼寧省大部分地區發生重旱,部分地區發生特旱。4月,遼寧省重旱面積有所減少,朝陽、阜新、葫蘆島及錦州等市特旱狀況持續,遼東地區如丹東、本溪、撫順的旱情有所緩解。5月,遼西地區干旱狀況有所減輕,但遼西旱情仍舊比遼東嚴重,以中旱為主,遼西無旱或少許輕旱發生。6月,干旱的情況大幅好轉,只有少部分地區有中旱發生,如阜新市及遼南部分地區。7—9月,遼寧省以無旱為主,基本無較大旱情發生。

圖3 隨機森林模型監測的2017年3—9月的干旱情況Fig.3 Drought conditions monitored by random forest model from March to September, 2017

4 結論

干旱與多種因素有關,考慮干旱誘發因素的組合,利用站點數據及遙感數據建立了一種基于隨機森林算法的作物干旱監測模型。從統計結果分析來看,模型模擬值與實測值基本一致。在監測干旱的因子中,CWSI 與PCI 的相對重要性最高,表明降水和蒸發是影響作物干旱的重要因子,其次是SMCI、VCI以及TCI。利用該模型對遼寧省干旱事件進行監測,監測結果與實際干旱發生程度及空間分布基本一致,對遼寧省作物生長季干旱具有較強的監測能力。