貴州農業干旱指數時空演化協同可視分析

摘要：對于當下強烈的農業干旱監測需求，一套可靠、高效的時空變化監測及評估方案是非常必要的。本研究基于1990－2022年的土壤濕度網格數據，選取經典的農業干旱指數SMCI（Soil Moisture Condition Index）和SSI（Standardized Soil Moisture Index），設計了一套多視圖協同、交互式的可視化分析方案，為多維的干旱數據分析提供了一種更加全面的、易于感知的新視角。結果表明：1）通過對貴州省干旱在年、季、月不同時間尺度下干旱的強度和空間變化進行分析，詳細把握了貴州省這32年間的干旱時空變化，證明了本研究在干旱時空演化特征分析上的有效性；2）通過對SMCI和SSI在不同場景下的適用效果進行比較，評估了不同監測手段的干旱分析優勢，證明了本研究可以用于干旱指數的比較。在當前的農業干旱監測中，協同可視化的分析手段可以有效提升監測效果。

關鍵詞：時空演化；農業干旱；協同可視化；SMCI；SSI

1 "引言

近年來，在全球變暖的氣候背景下，極端氣候事件愈發頻繁，干旱災害發生次數大幅上升、發生的范圍及持續時間亦明顯變強^[1–3]。為避免干旱帶來的損失，農業生產決策部門和農戶迫切需要準確的農業干旱監測和評估方法來防災減災。當前已經在不同地區、采用不同干旱指數開展了大量的針對農業干旱的分析研究。通過分析目標地區的土壤水分、生理生態、衛星遙感數據等的時空分布特征和發生規律，研究了許多干旱監測技術^[4]，如SSI^[5]、SMCI^[6]、NDVI^[7]、TCI^[8]、VCI^[9]等，并于我國各地區廣泛應用。其中，貴州的干旱災害在頻度和嚴重程度上都對農業生產生活影響很大，有強烈的防災減災需求。也已經有很多研究針對貴州地區干旱^[10–12]展開。但需指出的是，目前的各類干旱研究在討論干旱監測指數的效果和適用性時，采用的比較方法往往存在較大差異且缺乏統一性^[13-14]。需要一種在分析時更高效、客觀的方法來對監測方案進行評估。

另一方面，當前在比較和展示時，采取的分析方

法主要集中在統計分析^[15-16]、基于GIS的分析方法^[17-18]等方面，在結果展示上存在諸多短板：無法較好地保留時空數據的多維性、展示維度較少、展示結果較為籠統雜亂、易在擬合中丟失部分特征、無法快速對問題進行定位。實際上，關于干旱指數的大部分研究雖然在其論文中采用了圖片來輔助說明，但在分析前很少會對展示和分析的方案進行設計，大部分仍然采用基礎的展示對象和通用的展示方式。同時，展示的圖表間往往是獨立的、關聯性較低。這就在能夠展示的內容、分析的效率、使用者的感知上都造成了信息的流失。而協同可視化分析，作為一種新的數據分析手段，可以通過更直觀的方式將數據及分析結果呈現出來，從而彌補這些缺陷。當前的農業數據分析——特別是農業干旱的分析中，可視化分析應用較少。一些現有的農業數據可視化分析，在分析時傾向于使用CiteSpace^[19-20]、PyEcharts^[21–23]等現有的分析工具，針對具體問題缺乏可視化設計，使用的圖表之間也缺乏聯系。顯然農業干旱問題在可視化分析這一領域有著豐富的研究探索空間。

本項目通過設計針對性的協同交互可視分析方

案，將多維數據有機地統一起來，為干旱監測的態勢感知提供有力支撐。多視圖協同展示的方式，可以彌補單一視圖的不足，既保證了分析時用戶能夠同時感知到更多的信息，讓所有分析基于“一張圖”完成；也架構了一個邏輯性的線索，用戶可依照此邏輯引導以交互的方式觀測，遞進地感知和分析信息。在方便數據的相互比較印證的同時，也降低了海量的多維信息帶來的認知負擔，有效降維數據，從而提升數據展示和用戶分析的效率。此外，本方案也可用于比較不同監測指數在目標區域的適用性，提供一種更全面、從整體到部分的，易感知的新視角。

2""研究區概況

貴州省位于中國西南部、云貴高原東部的斜坡地帶（24°37′－29°13′N，103°36′－109°35′E），地勢西高東低，由中部向北東南三面傾斜。平均海拔1100"m，總面積176099"km²，東西橫跨595"km，南北相距509"km。屬亞熱帶濕潤季風區，平均溫度14－16℃，氣候溫和；雨量充沛，但降雨存在時空分布不均，大量降水集中在每年4－9月；地貌類型復雜，含高原、山地、丘陵、盆地，是典型的巖溶地貌發育區域（圖1）。由于地理、氣候因素的共同作用，導致貴州屬于干旱災害易發環境^[24]，影響農業生產和農業經濟的健康發展。

3""數據來源與方法

3.1 "氣象數據

本研究使用的氣象水文數據來自歐洲中期天氣預報中心（ECMWF）^[25]ERA5-Land的月度均值再分析數據集。ERA5-Land基于第五代大氣再分析數據集ERA5的陸地數據重演生成，利用物理學定律將模型數據與世界各地的觀測結果組合成一個全球性的綜合數據集。在當前的氣候研究中有很高的可信度。作為一個再分析數據集，ERA5-Land具有覆蓋范圍廣、時序長、無時空差距、包含地下數據等優點，非常適合用于農業干旱的評估。有研究使用ERA5對貴州地區的土壤濕度變化進行了研究，并論述了其可靠性^[26]。而基于ERA5的ERA5-Land，相較ERA5分辨率更高，更能適應地形變化，且在土壤濕度方面有更多的價值^[27]。盡管ERA5-Land的數據發布時間不算太長，也有很多針對中國^[28]或中國各區域的干旱分析采用了ERA5-"Land，如與本研究目標區域重疊的中國西南地區^[29]。

ERA5-Land是時間單位為月，空間分辨率0.1°×"0.1°的網格數據。研究區貴州共包含1592個像元。本研究以1990年1月－2022年11月作為研究時段，以其表層土壤水分（0－7cm）數據（swvl1）作為參數，計算不同類型、時間尺度下的干旱指數。

3.2 "干旱監測指數

3.2.1""SMCI

標準化土壤含水量指數（soil moisture condition index，SMCI）^[6]是一種通過與歷史同期土壤水分數據比較，以判斷干旱的程度的農業干旱監測指數。其使用了經典的歸一化計算方式，值越小，干旱越嚴重。公式為：

（1）

式（1）中：SM_i為第i個時段的土壤水分，SM_min和SM_max為整個研究時段中土壤水分的最小、最大值，SMCI∈[0，1]。SMCI在這類干旱計算方式中最為經典，PCI、VCI、TCI等干旱指數也采用了類似的計算方式。

3.2.2""SSI

標準化土壤濕度指數（Standardized Soil Moisture Index，SSI）^[5]是表征某時段土壤水分概率的指標，具有多時間尺度的特性，對干旱較為敏感，能夠以良好的一致性反映和衡量農業干旱的強度和歷時等特征。其基于土壤水分的偏態分布計算，并用Γ函數描述變化，計算方式與標準化降水指數（Standardized Precipitation Index， SPI）的計算方式一致^[30]。假設某時段的土壤水分為隨機變量x，x₀為某年的土壤水分，其Γ分布的概率密度函數進行正態標準化處理后計算x＜x₀的概率，并經過近似求解得：

（2）

式（2）中，c₀=2.515517，c₁=0.802853，c₂=0.010328，d₁=1.432788，d₂=0.189269，d₃=0.001308；，其中F是與Γ（x）函數相關的分布概率，有：

（3）

式（3）中，尺度參數β＞0，形狀參數γ＞0，m是值為0的樣本數，n為總樣本數。當F＞0.5，F=1-F，S=1；當F≤0.5，S=-1。具體計算推導過程參考SPI的計算方法^[30]。SPEI^[31]的計算原理類似。

3.2.3 "指數分析和評估方案

本文選擇SMCI和SSI來分析農業干旱并就此二者進行比對，是基于其在計算方式上的顯著代表性，以保證本方案的可擴展性。干旱等級的劃分標準見表1^[30，32]。本文將分別從年、季、月三個時間尺度比較干旱變化。在年尺度下，SMCI取12個月的年度均值，SSI計算12個月尺度的SSI-12，并以計算后12月份的值來表征。另外因2022年12月的數據還未更新，在年尺度下不對2022年進行展現。在季尺度下，每3個月為一個周期，以3－5月作為春季，依次劃分。SMCI取3個月的季度均值。SSI計算3個月尺度的SSI-3值，取SSI-3的1、4、7、10月值表征冬春夏秋。

3.3""多視圖協同可視化

為了比較不同指數在時空下的差異，本研究設計了一套由多視圖共同組成，借助交互協同展示信息的可視化分析方案。

3.3.1 "干旱強度四分位數折線圖

由于時間和地理空間跨度較大，對于區域干旱指數的時間變化需要采用一種基于統計和時序的展現方式。在當前的干旱研究中，這種時序變化通常以標準的均值折線圖或直方圖來表示。但基于均值的統計無法客觀地展示出地理空間干旱指數的豐富的特征展示。影響因素包括：需要根據干旱類型進行多層次的劃分；數值隨時間變化波動劇烈；網格數據間差異較大，干旱和濕潤兩種完全相反的狀態可能同時存在且易相互抵消；如只進行干旱統計，冗余的濕潤數據會影響分析，但為避免誤導統計結果，又不能將其作為異常值拋棄；需要能夠對數據的分布和波動狀態進行展現，把握數據的偏態和尾重。

使用四分位數統計正好能夠滿足這些需求。四分位統計視圖能夠用來表示一或多組連續型數據分布的中心位置和散布范圍，通常以箱線圖來表示。包括：中橫線，代表數據中位數（Q2），用來彌補均值在偏態分布中數據的偏差；上下底，代表數據的上四分位數（Q3）、下四分位數（Q1），即將所有數值從小到大劃分為四等數，在第三個（Q3）和第一個（Q1）分割點上的數值；四分位距（Interquartile Range， IQR），用于標記離群值，是Q1和Q3之間的間距，即IQR=Q3-Q1；上下邊緣對應數據的上界（Upper）、下界（Lower），有Upper=Q1-1.5IQR，Lower=Q3+1.5IQR；可能存在的散點，代表數據中的異常值。

當然，因干旱的統計通常時間跨度較長，而每個箱的體積將限制序列坐標的可展現數據量，本研究將使用四分位數折線圖代替箱線圖，并按需優化如下：因數據的密集性，為了保證視覺效果，不展示異常值離群散點；為使干旱情況更容易區分，根據觀察指數的不同干旱類型劃分對中位數折線進行分段著色，并添加對應的類型范圍標記線；添加基于線性回歸計算的均值擬合線，展示干旱的整體趨勢；圖例上綁定數據篩選，用戶可有選擇地突出顯示代表不同統計數據的折線，以便觀察。為了在使用時便于理解，用戶可以通過點擊圖3（a）右上角的“？”圖標查看折線與箱線圖在四分位上的對應關系，如圖2。

3.3.2 "干旱強度占比堆疊直方圖

在當前的部分干旱研究中采用了堆疊直方圖的形式對數據進行描述，比如干旱站數逐日演變^[33]、比較監測準確度的百分比^[14]等。本研究采用堆疊直方圖描述干旱強度占比。由于研究區域固定使整體網格數恒定，用比例來描述干旱變化能夠清晰而穩定地觀察到不同類別的變化趨勢、相互之間的此消彼長、持續時間。分析者能夠基于這一視圖，快速定位中度以上干旱的持續發生。同時，該視圖還是四分位數折線圖的有力補充，能進一步展示部分地區存在成比例的中度以上干旱。

3.3.3 "網格干旱熱度郵票圖表

對干旱的網格熱度圖使用郵票圖表法進行羅列，是眾多干旱分析中最常用的。此視圖能直觀地將不同時間的區域熱度數據置于一處，方便對區域的干旱空間變化進行對比。當前各研究的問題在于，單一的熱度圖本身就包含了很多信息，將他們集中在一起更是容易因為熱度圖的數量太多、過于零碎而難以讓分析者快速定位問題、感知宏觀的變化。將此視圖與其他視圖相結合進行協同分析，能夠有效地處理顯示空間、用戶感知、以及數據量之間的矛盾，讓分析者能夠循序漸進地把握干旱變化。選擇顯示對象的下拉框中，除了普通的月度值，還包括跨越整個研究時段的以12個月計算單位的均值、中位數、上下四分位數。分析者可以根據需求，從空間的角度觀察月份上的統計變化。

3.3.4""小地圖、選擇與交互

圖3（d）部分的主要視圖展示了選中區域熱度疊加后的地理區劃地圖。用戶可通過點擊市州區域地圖塊進行下鉆，方便分析時定位位置和比較空間變化。為了保證理解上的統一，整個系統中各視圖的干旱類型顏色映射如圖3（d）的圖例所示。

為方便描述，后文將分別基于各視圖的特性簡稱為折線圖、直方圖和熱度圖表。整體交互上，本系統提供了目標時間范圍、目標干旱指數、目標時間節點的下拉框，包括年、季、月不同時間尺度下12月中的SSI、SMCI以備比較。下拉框選中后，各視圖均會刷新顯示對應數據。系統中的折線圖和直方圖還設置了提示框，可通過鼠標懸停查看目標時間點的詳細值。

3.4""實現工具

本研究整合實現前文設計的分析方案，基于Python處理數據、Web搭建系統、ECharts.js實現視圖，系統界面如圖3。Web的特性使系統的交互和展示效果更友好。視圖和模塊一一對應，模式化的視圖組合方式帶來更高的可擴展性，除本文中的SSI、SMCI，也可導入更多時段的、其他干旱監測指數的數據進行研究。圖4展示了，各模塊間協同分析、交互和干旱信息提取的流程。

4""結果與分析

4.1""干旱的時序變化特征

4.1.1 "年尺度干旱時序變化特征

年尺度下，如圖5，SMCI和SSI的折線圖整體上具有相似的波動方向和變化趨勢。但SMCI波動范圍較小，均值擬合線值域∈[0.79，0.83]，整體上非常濕潤。SMCI的直方圖中干旱格點的占比為0%，更進一步展示了這一點。這應當與貴州省旱災頻發的同時也常年

受洪澇災害的困擾密切相關。由于SMCI的計算方式，使其更易受波動值影響，取平均后使SMCI無法很好地展現年尺度下的干旱節點。

相比之下，SSI的波動范圍明顯，SSI的中位數展示了1992、2006－2007、2009－2011、2013這幾年間，貴州超50%的地區存在輕度及以上的農業干旱。觀察其下界、下四分位數波動情況可知，在波谷的這幾年間，貴州部分地區發生了重旱、特旱，且災害面積比不低于25%。其中又以2006年后尤甚。對比SSI的直方圖，可知2001－2011年，貴州的干旱占比快速擴大，干旱嚴重程度逐年增長，只在2004、2008年小幅回落，并于2011年干旱的嚴重程度和占比都達到最高點；2012年稍有緩解后，2013年亦發生了重旱；直至2014年后旱情得到大幅緩解。顯然，在貴州年際尺度農業干旱的監測預警和風險評估上，SSI比起SMCI更適用。

4.1.2 "季尺度干旱時序變化特征

季尺度下，如圖6。折線圖上SMCI和SSI具有相似的波動方向和變化趨勢，且二者波動幅度較年尺度更為接近。但由于干旱強度的劃分方式不同，SMCI下界值低至輕旱的情況更少，多為非旱。SMCI的直方圖顯示，干旱范圍比超過5%的有1992秋、2007秋、2009秋、2011夏、2013夏和2022秋。1990－2022年間干旱比不超過5%的季度中由春至冬各季節發生干旱的次數分別為：8、0、2、4。可以認為，雖然貴州冬春旱發生更頻繁，但烈度上伏秋旱更為嚴重。資料顯示，干旱范圍比超過5%的這幾個夏秋皆給貴州造成了較為嚴重的后果。

SSI折線圖中，旱情最突出的是2009秋、2011秋、2022秋，中位數達到特旱。其次是1992秋、2006秋、2008冬、2011夏、2013夏秋，中位數為中或重旱、下界為特旱且遠低于其劃分臨界值2。SSI的直方

圖顯示每年都或多或少有干旱發生。當只觀察重度及以上的占比部分，可以發現SSI在展現時間2季及以上的持續且較為嚴重的干旱時有一定優勢，如1992－1993秋冬、2009－2010秋冬春、2011夏秋、2013春夏秋。對比兩種時序視圖，當x軸的值較為密集時，折線圖上小的拐點易讓人在視覺上忽視此處峰、谷的持續，直方圖則能較好地彌補這一點。與年尺度相同，干旱主要在2001秋－2013夏出現大幅波動。顯然波動點和連續值出現的時間點應重點監測。

單獨觀察各季的SSI干旱比，秋季的干旱最為頻繁、猛烈，2009、2011年處于干旱狀態的比例高達96.79%和97.55%，幾乎覆蓋貴州全省，其中特旱值達74.31%和83.92%，如圖7。夏季次之，1990-2022年均值擬合線的波動∈[-0.04，0.49]，斜率-0.17016/10年，其中1990-2022年間SSI波動下降趨勢最為明顯，如圖8。這意味著貴州夏季的季均干旱有明顯增強。結

合前文，未來貴州省需要重點預防伏、秋旱。

對比SSI和SMCI的干旱強度占比，并對烈度進行篩選，可以發現，當SSI只保留中度及以上干旱時的變化趨勢與SMCI僅顯示無旱時的變化趨勢相似。顯然，在監測農業干旱時，SSI有更明顯、清晰地展示效果。但SSI比SMCI更容易將數值劃分為干旱的情形說明，SSI可能對干旱有一定的放大效應。雖然在季尺度的監測上，SSI是比SMCI更好的選擇，但可以依靠SMCI來快速定位、劃分特旱。對象貴州這樣干旱次數多、力度強的地區，可以考慮對SSI的特旱范圍進行更細粒度的劃分，以便更好地定位受災最為嚴重的區域。

4.1.3 "月尺度干旱時序變化特征

在月尺度下，如圖9，SMCI出現劇烈、密集的波動。其中位數，2011年8月、2022年8－9月達到了中旱，說明這兩個目標月份的干旱影響范圍超過50%，對貴州省產生了巨大的影響。SMCI的下四分位和下界值與季、年尺度的相比，能夠較為清晰地反映干旱的出現。其下界值為特旱的年份與季尺度下的觀測結果一致，主要集中在2001－2013年。在2001－2013年間，特旱又主要發生在9月（6次），其次是臨近的8月（3次）。而其下四分位值的波動范圍則沒有下界值這么一致，波動趨勢與其直方圖去掉非干旱值后的情況更為接近，但旱情也集中在9月附近。可以認為，對于貴州省部分地區，特旱發生時間主要集中在夏秋，特別是夏秋之交。同時，在發生干旱的這些區域中旱情也并不統一，嚴重程度上有一定范圍的波動。觀察其直方圖，2007年11月、2010年3月、2011年7月、2022年8月，它們特旱的比例均超過了總面積的23%。整體上，有3個特別需要注意的時間節點：2011年7－9月、2022年8－9月，有突出的影響范圍和嚴重程度；2010年的3月，干旱集中且發生月份與整體周期相反。

在中位數上，SSI的波動情況和SMCI相似。同時，SSI的重點時間節點與SMCI基于下四分位和下界的呈現結果相似。但SSI干旱范圍的劃分使其在中位數部分就有很多時間節點屬于重、特旱，特旱范圍超過50%的月份也更多，包括：1992年8月、2002年9月、2006年9月、2009年9月、2011年7－9月、2013年7－8月、2022年8月。

對比SMCI和SSI，一個區別是，不展現無旱時SMCI在2001－2011年各種干旱的旱情比例有明顯的增長趨勢，而SSI則是波動式的出現在高位。篩選SSI至只顯示特旱后，才能同樣觀測到這種增長趨勢，如圖10。顯然，SMCI比SSI展示的干旱范圍更窄，整體朝濕潤偏移，且對較重干旱的偏好更為明顯。相反，由SSI的中位數和下界間的波動情況及波動距離可知，SSI的波動范圍跨度更大、更能拉開差距、更易辨別區域極值，如2010年3月。即，在月尺度上，SMCI可部分用于干旱的分析，但SSI更合適。

4.2 "干旱的空間變化特征

由對不同時間下旱情的空間分布熱度圖的觀察和3.1的時序變化特征分析可知，SSI在宏觀上對干旱的空間變化有更好的展示效果。特別是季、月尺度下，表現出明顯的空間變化規律。因此，本節中對空間變化上的特征分析主要基于SSI進行探討。

4.2.1 "季尺度氣象干旱強度空間分布特征

季尺度下干旱的區域分布表現出明顯的季節性特征，如圖11。對比以季度為單位統計的干旱均值、中位數、下四分位數的干旱程度熱度圖，可以看到這三種統計方式在空間趨勢上的一致性，歸納總結如表2。貴州的干旱，在冬季時主要在西南部出現；到春季，西南地區的干旱在規模和烈度上大幅上升；夏季后轉移到北部；秋季則占領整個東北部，且規模和烈度都是一年四季中最為劇烈的。

進一步觀察每年的季度熱度圖，可以發現基于統計的熱度圖雖然有利于把握整體的分布規律，但也在一定程度上消解了干旱區域在各年的演變。冬季，雖然干旱主要集中在西南部，但東南部以榕江為核心的干旱也偶有發生（1999、2008、2009年），有關部門在冬季進行干旱預防時也需要針對這一地區進行一定的準備。春夏秋季于2001年后整體的干旱發生頻率、程度、規模都有明顯的上升。即，可以將2001年視作貴州變得更干的轉折點。其中，秋季在2001－2011年間，每年都會發生較大規模的干旱，之后的頻率稍有降低，大規模干旱間隔1－2年發生。夏季的大規模干旱偶有發生。春季更頻繁，幾乎每年都有不同程度的干旱發生，但旱情多數沒有秋季猛烈，秋季更容易發生蔓延至貴州大部的大規模干旱。可見，未來貴州在干旱監測和預防上，應該依據季節不同有區域針對性地開展工作，并在秋季加強重視，防止干旱對農業生產生活造成影響。

4.2.2 "月尺度氣象干旱強度空間分布特征

月尺度下，對比三種統計方式，如圖12。可以看到有2個主要的波峰。2－5月，干旱由威寧開始，向六盤水大部、黔西南布依族苗族自治州西部蔓延，持續到5月開始逐步緩解。7－12月，干旱從貴州北部開始，到9月份，逐步蔓延至整個東部，10月后中心開始向東南移動，并在12月基本緩解。整體上，大規模旱情主要還是集中在8、9月份。具體到每年各月，大規模干旱的主要發生年份和持續時間與前文在時序變化特征中的分析一致。其中，從規模、影響和發生時間上看，2010年1－5月、2011年7－9月、2022年7－11月具有代表性。

4.3""典型干旱時期分析

4.3.1 "2010年1-5月干旱

如圖3，以特旱發生比例為依據，從SSI的熱度圖可知，2010年的冬春旱，是各年春季旱情中程度最嚴重的。旱情高峰發生在3月，但其統計值上卻展現出相反的特性，即其3月的下界值在所有下界值中最小（-9.23）、下四分位值較低（-4.38），但中位數卻屬于無旱（-0.49）。直方圖中干旱比總計49.62%。其中特旱比38.94%，占受害區域的78%。其余的1、2、4月雖然強度稍弱但情況類似。說明1－4月，干旱發生時的受災區域集中，且一旦受害，則多是特旱。同時，考慮到其極低的下界值，可以認為其特旱是漸進式的、其中部分地點在特旱中也屬極端。結合SSI熱度圖的變化和前文中的分析，2010年的干旱實際上是2009年7月開始的干旱的延續。干旱在空間變化上有明顯的連續性，2009年7月由貴州北部開始，8月蔓延至東邊大部，9月影響貴州全境，10遷移至東南大部，11月開始逐步向西南方向轉移，12月稍緩后，2010年重新在西南爆發。對比SSI和SMCI的熱度圖，2010年后貴州西部和云南越接近的地方，旱情越嚴重，特別是威寧和興義，可以認為此次旱情與云南的旱情相關。資料亦顯示2010年4月初，云南大部、貴州西部和南部達到特大干旱等級，是近幾年干旱程度最為嚴重的。

2010年是多災多難的一年，8－11月同樣也發生

了多起大規模干旱。2010年年尺度下的SSI熱度圖中，旱情仍然集中在西南部分。對比其折線、直方圖，及前面的分析，可以得出以下結論：（1）冬春兩季，貴州西南地區的干旱烈度很高，超過一般的烈度水平；（2）災害在一年間多次轉移，冬春兩季災害范圍集中在貴州西部，夏季轉移至貴州東北部，秋季則出現在貴州東南部，不同區域之間的值在年尺度下相互影響；（3）夏、秋兩季，上界分別為1.28、1.22，屬于中度濕潤的狀態，查閱資料可知，貴州6－9月遭受了暴雨、洪澇等災害，貴州水旱災害頻發，干旱和水害往往交替出現，這種干濕之間的波動也會對年度的統計結果產生影響。2009－2010年復雜的干旱的狀況說明了基于不同時間尺度、不同分析角度進行多視圖協同分析的意義。

4.3.2""2011年7－9月干旱

如圖3，2011年夏秋的干旱兼具了影響范圍廣、特旱占比極高、持續時間長等特點。SSI中，7－9月的中位數分別是-2.24、-4.03、-3.44。其中8月遠超其他時期，是特旱劃分值的2倍多。此次干旱整體上展現出一個明顯的、代表特旱的波谷。基于SMCI，這一時期干旱也很突出：8月的中位數和2022年8月并列最低（0.25）；范圍上，干旱覆蓋了幾乎整個貴州，較常年范圍最廣。熱度圖上，通過SMCI來確定干旱程度更嚴重的地區，可以發現本次干旱主要還是集中在貴州中部、東部，并以貴陽市西部、畢節市東部為核心，向整個東方蔓延。只有貴州西南部邊沿還存在零星受災較為輕微的地區。分析結果與相關資料相符^[34]，7月，旱情開始露頭并迅速蔓延。7－8月，全省大部地區降水量與歷史同期相比偏少21%－92%，無雨日數均在30天以上，農作物均不同程度受旱。直至9月下旬后連續出現有效降水，農業旱情才逐步解除。

4.3.3""2022年7－11月干旱

雖然研究時2022年12月的數據還未更新，但不考慮12月，2022年夏秋發生的干旱仍然在高烈度、大廣度下持續了5個月之久。其中位數在8月達到最低（SSI：-3.54，SMCI：0.25）。下界也在眾多干旱時間節點中相當突出，SSI為-8.63，僅次于2010年3月。由于干旱持續時間較長，其月度折線圖上能夠觀察到一個明顯而持續的下陷。干旱占比上，SSI連續的峰值段同樣揭示了持續時間較長這一特性。同時，其接近矩形的堆疊情況也反映出整體上發生干旱的面積占比變化不大，只在烈度和空間上發生了變化。對比SSI和SMCI的熱度圖可知，2022年的這一次干旱是逐漸偏移的。干旱核心由7、8月的貴州北部，經過9、10月的東部，最后于11月遷移至東南部。其偏移情況與貴州省整體的季節干旱趨勢一致，具有典型性。較常年夏秋，此次干旱是氣溫特高1.4－1.5℃、日照時數偏多34.6%－38%、降水特少31.4%－54.4%等多項因素共同作用的結果^[35]。由于在10年以上尺度上干旱存在周期性波動，2022年夏秋的干旱可能預示著下一個干旱周期的開始。第六次IPCC評估報告預估，隨著全球變暖未來發生極端高溫和干旱的頻率、強度、影響范圍都將會變大，乃至達到農業生產和人體健康承受的極限^[33]。

4.4""指數與實際情況的對比

為了進一步驗證指標計算結果與實際情況的符合

程度，本文搜集整理了歷年水利部發布的《中國水害災害公報》（公報數據始于2006年）中來源于應急管理部的各類作物災害面積數據（作物因旱受災面積、成災面積、絕收面積），并使用SSI、SMCI每年月度數據中位數的最小值代表干旱強度，得到對比情況如表3及圖13。由表3和圖13可知，作物災情面積與SSI、SMCI的波動趨勢相似，當災情面積較大時指數值也較低，表現明顯。但在數值范圍上，SMCI的值整體偏高，描述的干旱強度遠弱于實際情況，取值范圍向濕潤偏離。SSI表現良好，中旱及以上的SSI旱情與有主要旱情發生的年份整體一致，在反映實際農業干旱時有一定的適用性。

針對SSI，圖13中只有2010、2016、2019、2022年SSI最小值的波動程度與災情面堆疊圖的趨勢表現得不完全一致。其中，2010年的情況已在3.3.1中進行一定的討論。該年各月熱度圖的變化顯示，其特旱范圍集中，無、輕旱的區域和特旱區域之間中、重旱的過渡區域占比很小，中位數到下四分位數的值急劇降低。顯然，2010年只是中位數的最小值相對變化不符合預期，但下四分位數的最小值達-4.38，符合受災面積的波動趨勢。2022年，如4.3.3中討論的，7-10月長江流域發生了1961年有實測記錄以來最嚴重的氣象水文干旱，這與SSI的預測相符。但因豐水地區的水源條件相對較好，且水源調度和應急措施得力，干旱的影響整體較輕，作物受災面積相對較小，干旱主要影響的是望天田^[36]。這再次說明了SSI對農業干旱存在一定的夸大。同時，隨著科技的進步，對農業干旱的分析也需要更多地將地理、發生時間、人為因素納入考慮。這是我們下一階段的目標。

整體上看，本研究中的SSI變化是合理的，只有2016、2019年與現實產生了一定的誤差，夸大了旱情。

5 "討論

通過比對相關資料，本文的分析結果與已有的統計結果表現一致，表明本文設計的可視分析方案在干旱的時空變化分析上有較好的實用價值。使用本方案，能從多個方面展示干旱信息，由淺至深進行信息挖掘、提升分析效率，并對結果交叉驗證保證準確度，從而為旱災的整體把控和精準定位提供重要的監測方法，對于推進中國旱災的態勢感知、監測與預警具有積極的理論意義。本方案中單個的視圖設計，也可以為其他的研究提供借鑒。同時，本方案在不同干旱監測指數的適用效果比較上足夠簡明直觀，能夠為各研究中的監測方案評估、針對不同區域的監測方案模型構建和驗證提供參考。

當然，本文在以下方面尚需進一步研究：1）受數據源空間分辨率限制，本研究在揭示小區域農業干旱相關性特征上存在不足，而小區域的干旱與日常農業生產活動更加相關；2）未能結合氣溫、降水、地形地貌等探究干旱成因，說明干旱發生機制，也未能結合人為因素、發生時間等綜合條件評估干旱，在這些方面，可視化還有很大的發揮空間，值得進一步展開研究；3）作為示例，本研究僅針對SSI和SMCI這兩個農業干旱指數進行了比對，后續可以結合更多源的數

據、更復雜的算法進行探討。

6 "結論

以貴州省作為研究區域，采用多視圖協同可視分析的方式，從時間、空間、典型年份3方面分析1990－2022年貴州省的農業干旱時空變化特征，通過對比SSI和SMCI兩種農業干旱指數的適用效果，并就月度情況與實際的農業旱情進行比較，得出以下結論。

1）貴州的農業干旱隨著季節不同具有明顯的區域特性。冬季主要集中在西南部；春季以西南為主，開始增加規模和烈度；夏季后轉移到北部；秋季移至整個東北部，規模和烈度在四季中最強。當干旱跨季度發生時，這種遷移會更為明顯。整體的強度和頻率上，冬春旱頻度更高，伏秋旱烈度更高。貴州應根據不同季節，針對不同地區制定不同防旱策略。

2）1990－2022年間，以年為單位，貴州農業干旱整體呈現輕微的變干趨勢。SSI的下降比SMCI的更加明顯。以季為單位，夏季變干趨勢最顯著，秋季次之。年度的變干趨勢主要受夏秋的干旱加重影響。程度上，尤以1992、2002、2006、2009、2010、2011、2013、2022年的特旱最為嚴重。除2010年主要干旱是冬春旱外，其余皆是夏秋旱。在干旱波動上，貴州有明顯的干旱的起伏，即干旱的“峰-谷”交替現象。干旱在1990－2000、2015－2021年為波谷期，2001－2014年為波峰期。2022年很有可能是下一個波峰期的開始。

3）分析比較指數SSI和SMCI在貴州的適用情況，顯然旱情的劃分標準會直接影響干旱的結果。其中，SSI的適用范圍更廣，能更全面地反映整體的干旱變化情況，當然也存在一定的過度表現的可能。SMCI在年尺度上表現欠佳，在季、月度的尺度上有一定的可用性，但其更適合的場景是用于深入分析重旱及以上的情況，特別是其熱度圖可以作為SSI的補充，對嚴重干旱區域進行進一步的梯度劃分。

參考文獻

[1] 楊春艷，嚴小冬，夏陽，等. 近56a西南區域降水分布及持續性干旱的研究[J]. 中低緯山地氣象， 2021， 45（2）： 15-22.

[2] HAN L Y， ZHANG Q， YAO Y B，"et al. Characteristics and origins of drought disasters in Southwest China in nearly 60 years[J]."Acta Geographica Sinica， 2014， 69（5）： 632-639.

[3] 賈艷青，張勃，馬彬，等. 1960-2015年中國西南地區持續性干旱事件時空演變特征[J]. 干旱區資源與環境， 2018， 32（5）： 171-176.

[4] 李偉光，劉少軍，侯美亭，等. 氣象與農業干旱指數研究進展[J]. 氣象與環境科學， 2021， 44（3）： 76-82.

[5] HAO Z， AghaKOUCHAK A. Multivariate Standardized Drought Index： A parametric multi-index model[J]. Advances in Water Resources， 2013， 57： 12-18.

[6] ZHANG A， JIA G. Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data[J]. Remote Sensing of Environment， 2013， 134： 12-23.

[7] CARLSON T N， RIPLEY D A. On the relation between NDVI， fractional vegetation cover， and leaf area index[J]. Remote Sensing of Environment， 1997， 62（3）： 241-252.

[8] BHUIYAN C， SINGH R P， KOGAN F N. Monitoring drought dynamics in the Aravalli region （India） using different indices based on ground and remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation， 2006， 8（4）： 289-302.

[9] ZAMBRANO F， LILLO-SAAVEDRA M， VERBIST K， et al. Sixteen Years of agricultural drought assessment of the biobío region in chile using a 250 m resolution vegetation condition index （VCI）[J]. Remote Sensing， 2016， 8（6）： 530.

[10] 潘杉，賀中華，陳莉會，等. 基于不同時間尺度的貴州省近50年氣象干旱時空演化特征[J]. 水土保持研究， 2023， 30（3）： 279-288.

[11] 游漫，賀中華，張浪，等. 貴州省農業與氣象干旱特征及其響應關系[J]. 水土保持學報， 2022， 36（5）： 255-264.

[12] 李軍，王兆禮，黃澤勤，等. 基于SPEI的西南農業區氣象干旱時空演變特征[J]. 長江流域資源與環境， 2016， 25（7）： 1142-1149.

[13] 謝五三，張強，李威，等. 干旱指數在中國東北、西南和長江中下游地區適用性分析[J]. 高原氣候， 2021， 40（5）： 1136-1146.

[14] 李勤，張強，黃慶忠，等. 中國氣象農業非參數化綜合干旱監測及其適用性[J]. 地理學報， 2018， 73（1）： 67-80.

[15] 藺旭東，周軍鋒，劉佳. 資源關聯性大數據分析在農業生態環境保護中的應用[J]. 中國農業資源與區劃， 2016， 37（2）： 62-65.

[16] 錢忠好，冀縣卿. 中國農地流轉現狀及其政策改進——基于江蘇、廣西、湖北、黑龍江四省（區）調查數據的分析[J]. 2016（2）： 71-81.

[17] 劉勍，毛克彪，馬瑩，等. 農業大數據淺析及與Web GIS結合應用[J]. 遙感信息， 2016， 31（1）： 124-128.

[18] 朱軍，帥士章，王星，等. 基于GIS的貴州省農業干旱災害危險性評價[J]. 中低緯山地氣象， 2021， 45（1）： 9-16.

[19] 趙潔. 農業農村現代化研究熱點與前沿趨勢的可視化分析[J]. 南方農機， 2022， 53（11）： 176-180.

[20] 黃承芳，李寧，劉麗，等. 氣候變化下農業領域的國際文獻特征與熱點演變：基于CiteSpace V的文獻計量分析[J]. 中國農業氣象， 2019， 40（8）： 477-488.

[21] 王竟儼. 第三次農業普查可視化分析[J]. 河南農業， 2021（9）： 61-64.

[22] 王竟儼，侯彥東. 基于PyEcharts的第三次農業普查數據可視化分析[J]. 河南科學， 2021， 39（4）： 517-523.

[23] 賈利娟，劉娟，王健，等. 基于PyEcharts的全球玉米貿易數據可視化系統建設及應用展望[J]. 農業展望， 2019， 15（3）： 46-54.

[24] 劉力華，徐建新，雷宏軍，等. 貴州省農業干旱災害風險區劃研究[J]. 灌溉排水學報， 2016， 35（2）： 44-49.

[25] European Centre for Medium-Range Weather Forecasts. ECMWF _ Advancing global NWP through international collaboration[EB/OL]"http://ECMWF. [2023-08-16]. https：//www.ecmwf.int/.

[26] 趙飛飛，張顯云，付婷，等. 貴州省不同地貌類型土壤濕度變化及其對氣候變化的響應[J]. 水土保持研究， 2021， 28（6）： 217-225.

[27] MU?OZ-SABATER J， DUTRA E， AGUSTí-PANAREDA A， et al. ERA5-Land： a state-of-the-art global reanalysis dataset for land applications[J]. Earth System Science Data， 2021， 13（9）： 4349-4383.

[28] PAN Y， ZHU Y， Lü H， et al. Accuracy of Agricultural Drought Indices and Analysis of Agricultural Drought Frequency， Characteristics， and Trends in China between 2000 and 2019[R]. SSRN， 2023.

[29] PENG D， ZHOU Q， TANG X， et al. Changes in soil moisture caused solely by vegetation restoration in the Karst region of southwest China[J]. Journal of Hydrology， 2022， 613： 128460.

[30] 中國氣象局. 氣象干旱等級： GBT 20481-2017[S]. 2017.

[31] HAO Z， AghaKOUCHAK A. A Nonparametric Multivariate Multi-"Index Drought Monitoring Framework[J]. Journal of Hydrometeorology， 2014， 15（1）： 89-101.

[32] KHAN R， GILANI H， IQBAL N， et al. Satellite-based （2000–2015） drought hazard assessment with indices， mapping， and monitoring of Potohar plateau， Punjab， Pakistan[J]. Environmental Earth Sciences， 2020， 79（1）： 23.

[33] 孫昭萱，張強，孫蕊，等. 2022年西南地區極端高溫干旱特征及其主要影響[J]. 干旱氣象， 2022， 40（5）： 764-770.

[34] 國家防汛抗旱總指揮部，中華人民共和國水利部."中國水旱災害公報 2011[M]. 中國水利水電出版社， 2012.

[35] 貴州省氣候中心. 貴州省2022年氣候影響評價[EB/OL]//貴州省氣象局. [2023-07-26]. http：//gz.cma.gov.cn/qxfw/qhjcpg/qhpj/202303/"t20230331_5413152.html.

[36] 黃慧，楊光，高輝. 2022年全國干旱及旱災防御[J]. 中國防汛抗旱， 2022， 32（12）： 9-12.

引用格式：何凌君，龍海，李莉婕，趙澤英.貴州農業干旱指數時空演化協同可視分析[J].農業大數據學報，2024，6（4）："532-545."DOI： 10.19788/j.issn.2096-"6369.000042.

CITATION："HE LingJun， LONG Hai， LI LiJie， ZHAO ZeYing. Analysis of Spatiotemporal Evolution of Guizhou Agricultural Drought Index Based on Collaborative Visualization[J]. Journal of Agricultural Big Data， 2024，6（4）： 532-545.DOI： 10.19788/j.issn.2096-6369.000042.

Analysis of Spatiotemporal Evolution of Guizhou Agricultural Drought Index Based on Collaborative Visualization

HE LingJun， LONG"Hai，"LI LiJie， ZHAO ZeYing^*

Guizhou Agricultural Science and Technology Information Institute， Guiyang，"Guizhou 550006， China

Abstract： Nowadays， a set of reliable and efficient monitoring and assessment scheme for spatiotemporal changes is very necessary for the high demand of agricultural drought monitoring. In this study， based on the soil moisture grid data from 1990 to 2022 and the classical agricultural drought indexes"SMCI"（Soil Moisture Condition Index）"and SSI"（Standardized Soil Moisture Index）， we designed a set of multi-view collaborative and interactive visualization and analysis scheme， which is able to give a new perspective， more comprehensive and more easily adapted to sense on multi-dimensional drought data analysis. The results show that： （1） by analyzing the spatiotemporal changes of drought in Guizhou at different time scales such as year， season and month， we could get a good grasp of the spatiotemporal evolution of drought in Guizhou during these 32 years， and this proves the validity of this study in analyzing the characterization of the spatiotemporal evolution of drought; （2） by comparing the applicable effects of SMCI and SSI in different scenarios， we evaluated the advantages of different monitoring methods in drought analysis， which proves that this study can be used to compare drought indexes. In current agricultural drought monitoring， collaborative visualization analysis can effectively enhance monitoring effect.

Keywords： spatiotemporal evolution; agricultural droughts; collaborative visualization; SMCI; SSI