基于 CWSI的安徽省干旱时空特征及影响因素分析
汪左1,2, 王芳1,2, 张运1,2
1. 安徽师范大学地理与旅游学院,安徽 芜湖 241003
2. 资源环境与地理信息工程安徽省工程技术研究中心,安徽 芜湖 241003

第一作者简介:汪左(1988- ),男,安徽枞阳人,博士,副教授,主要从事资源环境遥感研究。E-mail: wzgis2004@163.com

摘要

安徽省是我国的农业大省和重要商品粮食基地,因受自然地理位置等因素的影响,安徽省旱灾频发。论文基于MOD16产品,利用作物缺水指数 CWSI,结合气象数据和MOD13数据,分析2000—2014年安徽省干旱时空分布特征和影响因素,结论如下:1)基于MOD16产品计算的作物缺水指数可用于安徽省干旱的监测。2)2000—2014年间安徽省 CWSI多年均值为0.524,最大值在2011年(0.569),最小值在2003年(0.458),整体上呈现弱增加趋势;具有较强的空间分异性,表现为南部湿润、北部干旱。各市多年 CWSI年均值相差不大,但变化趋势各异,淮北平原地区和江淮之间地区呈现显著增加趋势,而皖南地区呈显著下降趋势。3)安徽省 CWSI年内月变化整体上呈先减少后增加的单谷型趋势,1—6月和10—12月 CWSI值较高,最大值在3月,为0.66,7—9月 CWSI值较低,最小值在8月,为0.27,具有明显的季节性差异,淮北平原易出现春旱、秋旱和冬旱,江淮丘陵易出现春旱及秋旱,沿江地区易出现春旱。4)不同土地利用类型的 CWSI年内变化特征差异明显,林地和草地整体上呈现先减少后增加的单谷趋势,其月均最大值在3月,城镇和耕地则表现为多峰趋势,最大月均值在6月。5) CWSI与降雨、温度以及植被的关系密切,在降雨较多的地区,温度较低,植被指数较高, CWSI值较小,干旱程度较轻,说明降雨对 CWSI变化的影响较大。

关键词: 干旱; 作物缺水指数; 土地利用; 安徽省
中图分类号:S423 文献标志码:A 文章编号:1000-3037(2018)05-0853-14
Spatio-temporal Distribution Characteristics and Influencing Factors of Drought in Anhui Province Based on CWSI
WANG Zuo1,2, WANG Fang1,2, ZHANG Yun1,2
1. School of Geography and Tourism, Anhui Normal University, Wuhu 241003, China
2. Engineering Technology Research Center of Resources Environment and GIS, Anhui Province, Wuhu 241003, China
Abstract

Anhui is one of the agricultural provinces and an important commodity grain base in China. Due to factors such as natural geographical location, drought occurs frequently in Anhui Province. Based on the MOD16 product, and the method of crop water stress index ( CWSI) combined with meteorological data and MOD13 data, the spatial and temporal distribution characteristics and influencing factors of drought in Anhui Province from 2000 to 2014 were analyzed. The results showed that: 1) Crop water stress index based on MOD16 product can be used to monitor drought in Anhui Province. 2) During 2000-2014, the average annual CWSI for Anhui Province was 0.524, the maximum value being 0.569 in 2011 and the minimum value being 0.458 in 2003, which showed a weak increasing trend and had a strong spatial heterogeneity. In addition, the average CWSI varied among cities. The area between Huaibei plain and Jianghuai region showed a significant increasing trend, while the mountain areas in south Anhui showed a significant downward trend. 3) The monthly CWSI during one year in Anhui Province showed the single-valley trend, reaching its maximum of 0.66 in March and the minimum of 0.27 in August. Besides, there were obvious seasonal differences. Huaibei plain was prone to spring, autumn and winter drought, Jianghuai hills was prone to spring and autumn drought, and area along the Yangtze River was prone to spring drought. 4) The CWSI varied for different land covers in Anhui Province. Forest land and grassland showed the single-valley pattern with the monthly average maximum in March, while the towns and cultivated land showed the multimodal pattern with the maximum monthly mean in June. 5) Rainfall, temperature and NDVI were closely related to CWSI. In areas with more rainfall and lower temperature, the NDVI was higher, moreover, the CWSI was smaller and the drought degree was lighter, which indicated that rainfall played the most important role in the change of CWSI.

Keyword: drought; CWSI; land use; Anhui Province

干旱是一种常见的自然灾害, 其发生频率高, 持续时间长, 对经济发展和生态环境建设有着重要的影响, 特别是对农业生产, 造成农作物大幅度减产[1, 2, 3]。一般把干旱划分为4种类型:气象干旱、农业干旱、水文干旱和社会经济干旱[4]。目前, 对干旱的研究主要集中在气象干旱和农业干旱, 其中农业干旱被认为是各类干旱中最复杂的一种[5]

随着遥感技术的发展, 已有大量学者研究出农业干旱的监测方法, 主要包括热惯量法、冠层温度法、植被指数法、作物缺水指数法和微波遥感法等[6, 7, 8, 9, 10, 11, 12], 其中作物缺水指数法(Crop Water Stress Index, CWSI)以热量平衡原理为基础, 因具有物理意义明确、适用范围广、估算精度较高等特点在农业干旱研究中得到广泛应用[13, 14, 15, 16]。作物缺水指数法最初是Idso等[17]在1981年根据冠层温度与空气温度差的空气水汽压的经验关系提出, Jackson等[18, 19]基于冠层能量平衡对Idso等提出的冠气温差上、下限方程进行理论解释, 并提出CWSI的计算方法, 其在植被覆盖条件下取得了较高的监测精度。申广荣等[20]利用遥感数据和气象数据计算作物缺水指数用来监测旱灾, 实现准确、实时地监测黄淮海平原各地旱情。刘安麟等[21]利用作物缺水指数法和NOAA/AVHRR卫星遥感资料和气象数据对陕西省关中地区春季干旱进行监测。宋小宁等[22]建立基于亚像元的半干旱地区的双层蒸散模型, 在CWSI基础上提出地表缺水指数实现对下垫面区域缺水监测。王玲玲等[23]在黄河三花间流域比较土壤热惯量法、作物缺水指数法和温度植被指数法, 得出土壤热惯量法、作物缺水指数法比较适合该区域。王玉娟等[2]利用作物缺水指数对渭河流域进行干旱监测。田国珍等[24]基于作物缺水指数法利用气象观测站和土壤水分站数据对山西省进行干旱监测及其时效性分析。由于CWSI的计算需要利用蒸散发作为模型的输入数据, 而蒸散发是较难估算的一个量, 因此利用CWSI进行干旱监测较少, CWSI的应用受到限制。2011年美国NASA团队基于Penman-Monteith遥感模型和MODIS数据研发发布了全球陆地蒸散数据集产品(MOD16), 提供了地表蒸散量的各种特征参数, 该数据集已在全球流域尺度由全球通量塔数据验证, 模拟精度到86%[25, 26], 在全球范围内得到广泛应用, 并且已有多位学者对MOD16产品进行验证, 说明该数据适用范围广、可靠性高。该数据为CWSI的计算提供了新的思路, 国内学者基于MOD16产品利用作物缺水指数法分析陕西省关中地区干旱的时空分布情况, 并取得很好的结果[27, 28, 29]

安徽省是我国农业大省和重要商品粮基地, 粮食生产在全国占重要地位, 因受自然地理位置等因素影响, 安徽省旱涝灾害频发, 近年来, 国内一些学者也相继对安徽省干旱的时空变化特征进行研究[30, 31, 32, 33], 但多是基于观测站点, 而观测站点少且分布不均, 并且大多是针对气象干旱, 对农业干旱进行长期连续的监测较少。本文基于MOD16蒸散量数据产品, 利用作物缺水指数法, 分析安徽省干旱时空变化特征及影响因素, 为防旱、抗旱决策提供科学依据。

1 研究区概况

安徽省位于中国东部, 地理范围介于114° 54′ ~119° 27′ E、29° 41′ ~34° 38′ N之间(图1), 全省地势西南高、东北低, 长江和淮河自西向东横贯全境, 安徽处于东亚季风区、亚热带与暖温带的过渡带, 气候温暖湿润, 四季分明, 降水年际变化大, 天气复杂多变, 灾害频发, 干旱是安徽省最主要的自然灾害; 安徽是我国重要的农业生产基地之一, 主要农产品水稻、小麦、玉米等在全国占有重要地位; 因地处过渡带上, 温度波动大, 旱涝灾害交替发生, 农业产量极不稳定。

图1 安徽省土地利用类型和气象站点分布Fig. 1 Land use types and distribution of meteorological stations in Anhui Province

2 数据与方法
2.1 数据来源

蒸散数据集(MOD16)是利用MODIS数据结合气象数据并基于Penman-Monteith公式反演得到[25, 26], 该数据集包括地表蒸散发(ET)、潜在蒸散发(PET)、潜热通量(LE)、潜在潜热通量(PLE), 该数据集不仅精度较高, 而且具备较高的时空分辨率及免费可获取性等特点。本文使用的是安徽省2000— 2014年GeoTiff格式的月合成(MOD16A2)和年合成(MOD16A3)的蒸散量(ET)和潜在蒸散量(PET), 其月合成和年合成产品的空间分辨率分别为0.05° 和30 arcsec, 下载地址为http://www.ntsg.umt.edu/project/mod16。

降雨和气温数据来自国家地球系统科学数据共享服务平台(http://www.geodata.cn), 分别为2000— 2010年中国1 km栅格逐年平均降雨数据集和逐年平均气温数据集。

土壤相对湿度数据来自中国农作物生长发育状况资料数据集, 由中国气象局气象数据中心(http://data.cma.cn/data/)提供, 该数据集是根据1991年以来中国农业气象台站上报的农业气象旬月报报文资料整理而得, 其中安徽省内有19个观测台站, 采样深度包括10、20、50、70和100 cm, 观测时间为每旬一次。由于天气、人为、仪器等多方面因素的影响, 部分台站数据缺乏完整性, 因此本文在综合考虑各台站数据的完整性、月份的连续性以及国家气象局以20 cm土壤相对湿度作为旱情分级标准的基础上, 最终筛选出数据完整的宣城、阜阳、桐城和蒙城4个台站2012年逐旬的20 cm土壤相对湿度, 并将旬平均合成为2012年逐月的土壤相对湿度。

归一化植被指数(Normailized Difference Vegetation Index, NDVI)用来反映植被生长状况, 本文使用的是2000— 2014年MODIS植被指数产品(MOD13Q1), 为16 d合成250 m分辨率数据, 轨道号为h27v05、h28v05和h28v06, 下载地址为https://urs.earthdata.nasa.gov, 利用MRT(MODIS Reprojection Tools)工具提取NDVI数据, 并进行数据的拼接、投影转换等预处理, 采用最大值合成法生成年NDVI图像。

土地利用数据为2005年安徽省1:10万的土地覆盖数据(图1), 来源于国家地球系统科学数据共享服务平台(http://www.geodata.cn), 依据安徽省土地利用方式和分析精度要求, 将研究区域土地利用类型归并为6个一级地类, 包括耕地、林地、草地、城镇、水域和未利用地。

2.2 方法

2.2.1 作物缺水指数法

蒸散是土壤蒸发和植被蒸腾的总和, 地表植被水分蒸腾及土壤水分蒸发是水循环的重要过程, 土壤水分含量多少对蒸散速率有着重要影响, 当土壤水分供应充足时, 蒸散作用较强, 反之蒸散作用弱, 人们把一定气象条件下水分供应充足的蒸散定义为潜在蒸散(PET), 而实际气象及水分供应不足条件下的水分蒸散定义为实际蒸散(ET), 把实际蒸散与潜在蒸散之比作为作物缺水的指标[29], 作物缺水指数法以能量平衡为基础, 充分考虑下垫面的植被覆盖状况和地面风速、水汽压等气象要素[23], 是从土壤水分和农田蒸散两个方面监测干旱, 具有物理意义明确、适用范围广等特点[2]。Jackson等[18, 19]将作物缺水指数(CWSI)定义为:

CWSI=1-ETPET(1)

CWSI值在0~1之间, 值越大, 表示区域越干旱缺水, 反之则湿润。

2.2.2 分析方法

采用差值法、变异系数法、线性趋势法及相关系数法反映安徽省各栅格单元2000— 2014年CWSI的波动水平、离散程度、变化率以及与气象因子的相关关系, 计算公式如下:

1)差值法

DET=PET-ET(2)

2)变异系数法

CV=SDCWSICWSI¯(3)

3)线性趋势法

Bslope=ni=1nti×CWSIi-i=1ntii=1nCWSIin×i=1nti2-i=1nti2(4)

CWSIc=BslopeCWSI¯×n×100%(5)

4)相关系数法

R=i=1nCWSIi-CWSI¯Xi-X̅i=1nCWSIi-CWSI¯2i=1nXi-X̅2(6)

式中:DETPETET的差值; SDCWSICWSI的标准差; CWSIi表示第i年的CWSI值, CWSI¯CWSI平均值, n=15; CV为变异系数, 为了更直观地揭示安徽省CWSI的变化情况, 将CV值分为4个级别, 即非常稳定(CV≤ 0.1)、稳定(0.1< CV≤ 0.2)、不稳定(0.2< CV≤ 0.3)、很不稳定(CV> 0.3); Bslope为线性倾向值; t为年份; 当 Bslope> 0时, 随着时间t增加, CWSI呈上升趋势, 反之, 则CWSI呈下降趋势; CWSIc表示为CWSI的变化率(%); R为相关系数; R> 0表示两要素呈正相关关系, 反之则为负相关关系; Xi表示第i年的降雨、温度或者NDVI值; X̅表示其均值。

3 结果与分析
3.1 干旱监测结果检验

为了保证遥感监测结果的可靠性, 对基于MOD16数据计算得到的作物缺水指数进行检验, 国家气象局以20 cm土壤相对湿度作为旱情的分级标准[34], 因此国内学者[27, 35]通过分析作物缺水指数CWSI与20 cm土壤相对湿度的相关性来检验CWSI监测干旱的有效性, 结果表明CWSI能有效地反映干旱情况, 因此, 本文采用CWSI作为干旱监测指标。图2为2012年安徽省4个站点的CWSI与20 cm土壤相对湿度数据的对比, 可见:在较干旱的月份, 土壤相对湿度较低, CWSI值较高; 反之在较湿润的月份, 土壤相对湿度较高, CWSI值较低。对CWSI与20 cm土壤相对湿度数据进行相关性分析, 发现两者呈显著性负相关, 相关系数通过了0.05的显著性检验, 表明利用MOD16产品计算得到的作物缺水指数用于安徽省干旱监测是可行的。为了定量比较基于MOD16数据计算得到的作物缺水指数和土壤相对湿度表达的干旱程度, 参考我国国家气象局采用的土壤相对湿度划分的农业干旱等级标准[34, 35], 将其划分等级如表1

图2 2012年作物缺水指数与土壤相对湿度的对比Fig. 2 Comparison between CWSI and soil relative humidity in 2012

表1 干旱等级划分标准 Table 1 The classification standard for drought
3.2 CWSI年际时空分布特征

根据安徽省蒸散发及作物缺水指数年际变化(图3)可知, 蒸散量ET、潜在蒸散量PET年际波动不大, ET多年均值为694.87 mm, PET多年均值为1 461.93 mm, DET多年均值为767.06 mm, ET呈弱减小趋势, PET呈弱增加趋势, DET呈弱增加趋势, CWSI也呈现增加趋势, 表明安徽省干旱化趋势增加, CWSI多年均值为0.524, 最大值在2011年(0.569), 最小值在2003年(0.458), 整体上安徽省处于轻旱状态。此外, 通过对安徽省各市CWSI值统计结果表明(图4), 安徽省2000— 2014年间各市的CWSI整体上呈现波动上升趋势, 各市CWSI多年均值相差不大, 由小到大依次为黄山(0.404)< 池州(0.439)< 宣城(0.446)< 安庆(0.493)< 铜陵(0.509)< 六安(0.521)< 芜湖(0.522)< 马鞍山(0.544)< 合肥(0.558)< 滁州(0.560)< 淮南(0.574)< 淮北(0.578)< 阜阳(0.579)< 蚌埠(0.580)< 亳州(0.582)< 宿州(0.585), 安徽各市基本上处于轻旱状态, 其中黄山市的CWSI值最低, 主要因为黄山地势较高, 温度较低, 植被覆盖度较高, 降雨较多, 水分充足, 良好的植被涵养水分能力使该地区常年较为湿润。2003年, CWSI值最低, 为0.481, 是由于降雨充沛, 气温较低, 实际蒸散作用较强, 而潜在蒸散较弱; 而2011年, CWSI值最高, 为0.569, 因为降雨较少, 实际蒸散较弱, 潜在蒸散较强, 从而导致CWSI值较高。

图3 安徽省ETPETDETCWSI年际变化Fig. 3 Annual variations of ET, PET, DET and CWSI in Anhui Province during 2000-2014

图4 安徽省各市CWSI年际变化Fig. 4 Annual variations of CWSI of cities in Anhui Province during 2000-2014

安徽省2000— 2014年CWSI多年均值具有较强的空间分异性(图5), 呈现南部湿润、北部干旱趋势。CWSI多年均值为0.524, 从总体上看, 安徽省属于轻旱级别, 其中:处于无旱等级的面积占安徽省国土面积的9.15%, 主要分布在大别山区和皖南山区; 轻旱地区的面积占安徽省国土面积的73.58%, 主要分布在江淮之间及沿江地区; 中旱地区占17.15%, 主要分布在淮河以北地区如蚌埠、宿州和亳州, 而重旱区域面积最少, 仅占安徽省国土面积的0.12%, 分布在亳州北部和宿州北部。安徽省CWSI的平均CV值为0.068, 说明安徽省的干旱指数变异程度非常稳定, 大部分的CV值小于0.1, 而在淮河以北地区如阜阳、亳州、淮北等地区变异程度较明显, CV值在0.1~0.2之间。安徽省大部分地区CWSI的变化速率较小, 其平均变化速率为0.003, 说明整体上干旱变化趋势较小, 淮北平原地区和江淮之间地区呈现显著增加趋势, 但在皖南地区如池州、安庆、宣城和黄山, CWSI呈显著下降趋势。2000— 2014年CWSI变化百分率介于-30.09%~80.56%之间, 年平均变化百分率为8.992%(图6), 安徽省大部分地区CWSI的变化百分率处于0~10%, 而且变化百分率在0~10%之间的面积占安徽省国土面积的46.75%, 主要分布在安徽的南部如安庆、池州、宣城和黄山; CWSI变化百分率处于10%~20%之间的面积占37.83%, 主要分布在皖北平原和江淮之间地区; CWSI变化百分率在20%以上的面积占5.67%, 在全省均有小面积分布, 但主要分布在沿江地区及水体周围, 表明其干旱化倾向较为严重。

图5 安徽省2000— 2014年平均CWSI空间分布Fig. 5 Spatial distributions of average CWSI in Anhui Province during 2000-2014

图6 安徽2000— 2014年CWSI变化百分率Fig. 6 Percentage change of CWSI in Anhui Province during 2000-2014

3.3 CWSI年内时空分布特征

安徽省蒸散量(ET)年内变化呈先增加后减少的单峰型趋势(图7), 最大值在8月(114.8 mm); 而潜在蒸散量(PET)年内变化也呈单峰型趋势, 但最大值在5月, 为180.6 mm; DET年内变化呈双峰型趋势, 最大值在5月, 为109.4 mm。安徽省CWSI年内变化整体上呈先减少后增加的单谷型趋势, 具有明显的季节性差异:在1— 6月和10— 12月CWSI值较高, 在0.6左右, 其中最大值在3月, 为0.66, 7— 9月CWSI值较低, 最小值在8月, 为0.27。干旱主要发生在春季、夏初、秋季和冬季, 基本上是以轻旱和中旱为主。安徽省各市CWSI年内有明显的波动变化(图8), 淮河以南地区与安徽省变化趋势一致; 但在淮河以北地区呈现多峰型趋势, 1— 3月缓慢增加, 并在3月达到第一个峰值, 3— 4月迅速下降, 在4月出现第一个低谷值, 4— 6月急剧上升, 并在6月出现第二个峰值, 6— 8月呈现迅速下降的趋势, 并在8月达到年内最低值, 8— 10月迅速上升, 在10月达到第三个峰值, 10— 12月呈缓慢下降趋势。究其原因, 淮河以北主要是平原地区, 作物种植方式多为双季, 其种植作物以冬小麦和夏玉米为主, 3月气温回升, 冬小麦开始返青生长, 需水量增加; 4月, 蒸散作用较强, 因此, 在4月出现低谷; 6月小麦逐渐成熟收割, 植被蒸腾逐渐减弱, 所以6月的蒸散量略有降低, 而CWSI值较大; 7月小麦收割之后开始播种夏玉米, 植被逐渐生长, 并在8月蒸散量达到全年的最大值, 而CWSI值则为全年最小; 10月植被的数量减少, 降水较少, 蒸散作用较弱, 则CWSI值较大。此外, 淮河以南地区种植作物以油菜和水稻为主, 与冬小麦和夏玉米的生长周期不同, 因此, 两者在趋势上表现出较大的差异。

图7 安徽省ETPETDETCWSI年内变化Fig. 7 Monthly variations of ET, PET, DET and CWSI in Anhui Province

图8 安徽省各市CWSI的年内变化Fig. 8 Monthly variations of CWSI of cities in Anhui Province

安徽省不同季节CWSI的空间分布差异显著(图9), 各季节CWSI空间分布与多年CWSI平均空间分布情况较为一致, 由于受季节性降雨、气温、太阳辐射及植被类型等多种因素影响, 各季节干旱情况分布差异较大。春季(3— 5月)CWSI的范围为0.36~0.82, 春季随气温回升, 小麦进入拔节灌浆期, 所需水分增加, 从旱情空间分布上看, 整体上呈现南部湿润、北部干旱, 但是在淮北平原地区出现成片的CWSI低值区, 主要原因是该区域在人工春灌影响下水分供给充足, 出现该季节特有的灌溉湿润区[29]。夏季(6— 8月)CWSI值在0.22~0.60之间, 夏季气温高, 蒸散作用较强, 降雨量充沛, 是一年中湿润度最高且湿润范围最大的季节; 从空间分布上看, 主要以无旱和轻旱为主, 大别山区和皖南山区较湿润, 而皖北平原地区处于轻旱状况。秋季(9— 11月)CWSI值在0.30~0.72之间, 秋季气温下降, 植被衰落, 蒸散作用下降, 淮北平原区处于中旱状态, 淮河以南地区以无旱和轻旱为主, 其中黄山南部地区由于植被覆盖度高, 处于湿润状态。冬季(12月— 次年2月)CWSI值处于0.51~0.67之间, 该季节气温最低, 降雨量最少, 蒸腾作用最弱, 旱情的空间分布呈现淮河以北地区处于中旱、淮河以南地区处于轻旱趋势。总体而言, 淮北平原易出现春旱、秋旱和冬旱, 江淮丘陵易出现春旱及秋旱, 沿江地区易出现春旱。

图9 安徽省各季节的CWSI空间分布Fig. 9 Spatial distributions of CWSI in Anhui Province during 2000-2014

3.4 不同土地利用类型的CWSI变化特征

不同土地利用类型的CWSI年均值整体差异较小(图10), CWSI年均值由小到大为:林地(0.434)< 草地(0.471)< 未利用地(0.521)< 耕地(0.557)< 城镇用地(0.574); 不同土地利用类型的蒸散量ET年均值按照林地(810.92 mm)> 草地(768.55 mm)> 未利用地(686.05 mm)> 耕地(650.88 mm)> 城镇用地(626.13 mm)的顺序递减, 潜在蒸散量PET年均值大小排序为未利用地(1 429.14 mm)< 林地(1 433.80 mm)< 草地(1 453.32 mm)< 耕地(1 470.50 mm)< 城镇用地(1 471.28 mm), 由此可知, 不同土地覆盖类型下的CWSIET呈现相反趋势, 而与PET趋势相似, 表明CWSI受实际蒸散ET的影响较大。地表干旱的情况主要与土地覆盖类型、地理位置以及气候等因素有关。林地由于地处海拔较高地区, 降雨丰沛且具有较好的涵养水分的能力, 其ET值较高, 从而CWSI值较低, 反映出林地抗干旱能力强且发生干旱的风险较低[29]; 而草地由于植株矮小且密集, 蒸散作用使其消耗水分较多, 与林地相比, 抗旱能力较弱。耕地种植区为人工植被, 耕种作物多为冬小麦、夏玉米、油菜和水稻, 且采用轮作制种植方式, 而且由于作物的收割造成年均值ET变小, 从而使CWSI值较大, 表明耕地发生干旱风险较高。城镇用地和未利用地的植被覆盖度较低, 而且城镇的热岛效应使其温度比周围高, 蒸散作用导致其水分流失的速度更快, 发生干旱的风险更高。

图10 不同土地利用类型多年平均ETPETDETCWSI差异Fig. 10 Annual variations of ET, PET, DET and CWSI of different land use types

安徽省不同土地利用类型的CWSI年内变化整体上呈多峰趋势(图11), 但是具体到不同土地利用类型上, 其CWSI年内变化特征差异显著。林地和草地整体上呈现先减少后增加的单谷趋势, 其月均最大值在3月; 而城镇和耕地则表现出波动变化的多峰型趋势, 最大月均值在6月, 最小月均值均在8月。主要原因是林地、草地为自然植被, 所处海拔较高、温度较低且降雨丰富的地区, 3月气温回升, 植被开始返青生长, 需水量增加, 水分散失较多; 而耕地种植区多为人工植被, 且耕地作物多为双季种植, 6月气温较高, 植被逐渐成熟收割, 地表植被覆盖度下降, 裸露的地表在高温作用下导致水分流失较大, 从而使CWSI值较高; 8月降雨最多, 水分供给充足, 且蒸散量值达到全年的最大值, 所以CWSI值在8月达到全年的最低值。

图11 不同土地利用类型CWSI年内变化Fig. 11 Monthly variations of CWSIof different land use types

3.5 CWSI变化的影响因素分析

干旱的时空分布与气候条件及植被类型密切相关, 根据安徽省降雨、气温、归一化植被指数的空间分布规律可知(图12), 降雨量从安徽南部到北部呈现减小的趋势, 分布不均匀, 皖南山区和大别山区以及江淮之间地区的降雨较多, 皖北平原地区的降雨较少。气温多年均值的空间分布情况则呈现分布不均的现象, 气温较低的区域分布在皖南山区和大别山区, 皖北平原地区则处于中间, 沿江地区的气温较高。根据NDVI空间分布可以看出, NDVI值较高的地区, 如皖南山区和大别山区, 其CWSI值较低, 而CWSI高值区, 旱情较重, NDVI值也较低。

图12 安徽省多年平均降雨量、气温和NDVI空间分布Fig. 12 Spatial distributions of annual average precipitation, temperature and NDVI in Anhui Province

为了定量分析作物缺水指数CWSI与气象因子、植被之间的关系, 逐像元计算2000— 2010年的年CWSI与年降水、年气温以及年NDVI之间的相关系数(图13)。由于受到地形地貌等因素的影响, 作物缺水指数CWSI对气象因子、植被的响应表现出显著的空间差异性。由图13(a)可知, CWSI值与降雨呈负相关关系, 表明CWSI随着降雨的减少而增加, 统计结果表明负相关的面积占93.6%, 在0.05显著性水平上27.9%的面积呈现显著性负相关, 主要分布在淮河以北地区; 仅有0.02%的面积呈显著性正相关, 集中分布在池州市、宣城市以及黄山市, 这主要是因为CWSI除受到降水因素的影响外, 还受如植被覆盖度、气温、光照条件、太阳辐射、坡度、坡向等因素的综合影响。CWSI与气温之间呈正相关关系 [图13(b)], 表明随着温度的升高, CWSI值变大, 其中呈正相关的面积占总面积的86.1%, 主要分布在淮北平原和江淮之间地区, 说明该地区受气温的影响较大。CWSI与NDVI之间的相关关系是正相关与负相关并存, 但是整体上表现出正相关关系 [图13(c)], 呈正相关的面积占总面积的89.9%, 全省均有小面积的分布, 主要分布在大别山区如六安市的北部和安庆市。根据以上分析可知, CWSI与降雨、气温以及植被的关系密切, 降雨增加使土壤的湿度变大, 土壤的含水量增加, 水分供给充足, 而且较低的气温减少蒸散作用, 降低水分散失速率, 有利于植被的生长, 因此, 在降雨较多的地区, 温度较低, 植被指数较高, CWSI值较小, 干旱程度较轻, 说明降雨对CWSI变化的影响较大。

图13 2000— 2010年CWSI与降雨量、气温、NDVI之间的相关性Fig. 13 Correlation coefficients of CWSI and precipitation, temperature and NDVI during 2000-2010

4 结论与讨论

利用MOD16产品计算作物缺水指数CWSI, 结合气象数据和植被指数数据, 分析安徽省干旱时空分布特征和影响因素, 结论如下:

1)计算得到的作物缺水指数与站点观测的土壤相对湿度数据呈显著性负相关, 且相关系数通过0.05显著性检验, 说明MOD16产品计算的作物缺水指数可用于安徽省干旱的监测。

2)2000— 2014年间CWSI呈现弱增加趋势, 多年均值为0.524, 安徽省整体上处于轻旱状态; CWSI具有较强的空间分异性规律, 表现为南部湿润、北部干旱的状况, 各市的CWSI呈现波动上升趋势, 在淮北平原地区和江淮之间地区呈现显著增加趋势, 但是皖南地区如池州、安庆、宣城和黄山, CWSI呈显著下降趋势。

3)安徽省CWSI年内变化呈单谷型趋势, 具有明显的季节差异, 最大值在3月, 为0.66, 最小值在8月, 为0.27, 干旱主要发生在春季、夏初、秋季和冬季, 基本上是以轻旱和中旱为主。各市CWSI年内有明显的波动变化, 淮河以南地区与安徽省变化趋势一致, 但是在淮河以北地区呈现多峰型趋势。

4)不同土地利用类型CWSI年均值整体差异较小, CWSI受实际蒸散ET的影响较大, 不同地类的CWSI年内变化整体上呈多峰趋势, 其中林地和草地月均最大值在3月, 而城镇和耕地月均最大值在6月。

5)CWSI与降雨、气温以及植被的关系密切, 在降雨较多的地区, 气温较低, 植被指数较高, CWSI值较小, 干旱程度较轻, 说明降雨对CWSI变化的影响较大。

The authors have declared that no competing interests exist.

参考文献
[1] 马彬, 张勃, 周丹, . 基于标准化降水蒸散指数的中国东部季风区干旱特征分析[J]. 自然资源学报, 2016, 31(7): 1185-1197.
[MA B, ZHANG B, ZHOU D, et al. Analysis of drought characteristics of the East China monsoon area based on stand ardized precipitation evapotranspiration index. Journal of Natural Resources, 2016, 31(7): 1185-1197. ] [本文引用:1]
[2] 王玉娟, 王树东, 曾红娟, . 基于作物缺水指数法的渭河流域干旱特征[J]. 干旱区研究, 2014, 31(1): 118-124.
[WANG Y J, WANG S D, ZENG H J, et al. Drought characteristic in the Weihe River Basin based on water shortage index of crops. Arid Zone Research, 2014, 31(1): 118-124. ] [本文引用:3]
[3] 包云轩, 孟翠丽, 申双和, . 基于CI指数的江苏省近50年干旱的时空分布规律[J]. 地理学报, 2011, 66(5): 599-608.
[BAO Y X, MENG C L, SHEN S H, et al. Temporal and spatial patterns of droughts for recent 50 years in Jiangsu based on meteorological drought composite index. Acta Geographica Sinica, 2011, 66(5): 599-608. ] [本文引用:1]
[4] WILHITE D A, GLANTZl M H. Understand ing the drought phenomenon: The role of definitions[J]. Water International, 1985, 10(3): 111-120. [本文引用:1]
[5] 黄健熙, 张洁, 刘峻明, . 基于遥感DSI指数的干旱与冬小麦产量相关性分析[J]. 农业机械学报, 2015, 46(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. Transactions of the CSAM, 2015, 46(3): 166-173. ] [本文引用:1]
[6] 陈斌, 张学霞, 华开, . 温度植被干旱指数(TVDI)在草原干旱监测中的应用研究[J]. 干旱区地理, 2013, 36(5): 930-937.
[CHEN B, ZHANG X X, HUA K, et al. Application study of temperature vegetation drought index (TVDI) in grassland drought monitoring. Arid Land Geography, 2013, 36(5): 930-937. ] [本文引用:1]
[7] 李华朋, 张树清, 高自强, . MODIS植被指数监测农业干旱的适宜性评价[J]. 光谱学与光谱分析, 2013, 33(3): 756-761.
[LI H P, ZHANG S Q, GAO Z Q, et al. Evaluating the utility of MODIS vegetation index for monitoring agricultural drought. Spectroscopy and Spectral Analysis, 2013, 33(3): 756-761. ] [本文引用:1]
[8] 李柏贞, 周广胜. 干旱指标研究进展[J]. 生态学报, 2014, 34(5): 1043-1052.
[LI B Z, ZHOU G S, Advance in the study on drought index. Acta Ecologica Sinica, 2014, 34(5): 1043-1052. ] [本文引用:1]
[9] 陈修治, 苏泳娴, 李勇, . 基于被动微波遥感的中国干旱动态监测[J]. 农业工程学报, 2013, 29(16): 151-158.
[CHEN X Z, SU Y X, LI Y, et al. Monitoring drought dynamics of China using passive microwave remote sensing technology. Transactions of the CSAE, 2013, 29(16): 151-158. ] [本文引用:1]
[10] 王永前, 施建成, 刘志红, . 微波植被指数在干旱监测中的应用[J]. 遥感学报, 2014, 18(4): 843-867.
[WANG Y Q, SHI J C, LIU Z H, et al. Application of microwave vegetation index in drought monitoring. Journal of Remote Sensing, 2014, 18(4): 843-867. ] [本文引用:1]
[11] 黄友昕, 刘修国, 沈永林, . 农业干旱遥感监测指标及其适应性评价方法研究进展[J]. 农业工程学报, 2015, 31(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. Transactions of the CSAE, 2015, 31(16): 186-195. ] [本文引用:1]
[12] 唐侥, 孙睿. 基于气象和遥感数据的河南省干旱特征分析[J]. 自然资源学报, 2013, 28(4): 646-655.
[TANG Y, SUN R. Drought characteristics in Henan Province with meteorological and remote sensing data. Journal of Natural Resources, 2013, 28(4): 646-655. ] [本文引用:1]
[13] ALDERFASI A A, NIELSEN D C. Use of crop water stress index for monitoring water status and scheduling irrigation in wheat[J]. Agricultural Water Management, 2001, 47(1): 69-75. [本文引用:1]
[14] CHEN J Z, LIN L R, LÜ G A. An index of soil drought intensity and degree: An application on corn and a comparison with CWSI[J]. Agricultural Water Management, 2010, 97(6): 865-871. [本文引用:1]
[15] SEZEN S M, YAZAR A, DASGAN Y, et al. Evaluation of crop water stress index (CWSI) for red pepper with drip and furrow irrigation under varying irrigation regimes[J]. Agricultural Water Management, 2014, 143: 59-70. [本文引用:1]
[16] KULLBERG E G, DEJONGE K C, CHAVEZ J L. Evaluation of thermal remote sensing indices to estimate crop evapotranspiration coefficients[J]. Agricultural Water Management, 2017, 179(S1): 64-73. [本文引用:1]
[17] IDSO S B, JACKSON R D, PINTER P J, et al. Normalizing the stress degree day for environmental variability[J]. Agricultural Meteorology, 1981, 24: 45-55. [本文引用:1]
[18] JACKSON R D, IDSO S B, REGINATO R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133-1138. [本文引用:2]
[19] JACKSON R D, KUSTAS W P, CHOUDHURY B J. A reexamination of the crop water stress index[J]. Irrigation Science, 1988, 9: 309-317. [本文引用:2]
[20] 申广荣, 田国良. 作物缺水指数监测旱情方法研究[J]. 干旱地区农业研究, 1998, 16(1): 126-131.
[SHEN G R, TIAN G L. Drought monitoring with crop water stress index. Agricultural Research in the Arid Areas, 1998, 16(1): 126-131. ] [本文引用:1]
[21] 刘安麟, 李星敏, 何延波, . 作物缺水指数法的简化及在干旱遥感监测中的应用[J]. 应用生态学报, 2004, 15(2): 210-214.
[LIU A L, LI X M, HE Y B, et al. Simplification of crop shortage water index and its application in drought remote sensing monitoring. Chinese Journal of Applied Ecology, 2004, 15(2): 210-214. ] [本文引用:1]
[22] 宋小宁, 赵英时. 改进的区域缺水遥感监测方法[J]. 中国科学D辑(地球科学), 2006, 36(2): 188-194.
[SONG X N, ZHAO Y S. Improved remote sensing monitoring method for regional water shortage. Science in China Series D (Earth Sciences), 2006, 36(2): 188-194. ] [本文引用:1]
[23] 王玲玲, 张友静, 佘远见, . 遥感旱情监测方法的比较与分析[J]. 遥感信息, 2010, 25(5): 49-53.
[WANG L L, ZHANG Y J, SHE Y J, et al. Analysis and comparison of drought monitoring methods by remote sensing. Remote Sensing Information, 2010, 25(5): 49-53. ] [本文引用:2]
[24] 田国珍, 武永利, 梁亚春, . 基于蒸散发的干旱监测及时效性分析[J]. 干旱区地理, 2016, 39(4): 721-729.
[TIAN G Z, WU Y L, LIANG Y C, et al. Drought monitoring and timeliness based on evapotranspiration model. Arid Land Geography, 2016, 39(4): 721-729. ] [本文引用:1]
[25] MU Q Z, HEINSCH F A, ZHAO M S, et al. Development of a global evapotranspiration algorithm based on MODIS and global meteorology data[J]. Remote Sensing of Environment, 2007, 111(4): 519-536. [本文引用:2]
[26] MU Q Z, ZHAO M S, RUNNING S W. Improvements to a MODIS global terrestrial evapotranspiration algorithm[J]. Remote Sensing of Environment, 2011, 115(8): 1781-1800. [本文引用:2]
[27] BAI J J, YU Y, DI L P. Comparison between TVDI and CWSI for drought monitoring in the Guanzhong Plain, China[J]. Journal of Integrative Agriculture, 2017, 16(2): 389-397. [本文引用:2]
[28] 何慧娟, 卓静, 李红梅, . 基于MOD16产品的陕西关中地区干旱时空分布特征[J]. 干旱地区农业研究, 2016, 34(1): 236-241.
[HE H J, ZHUO J, LI H M, et al. Spatial-temporal distribution characteristics of drought in Guanzhong region of Shaanxi Province based on MOD16 products. Agricultural Research in the Arid Areas, 2016, 34(1): 236-241. ] [本文引用:1]
[29] 喻元. 基于CWSI与TVDI的关中地区干旱监测对比与干旱时空特征研究 [D]. 西安: 陕西师范大学, 2015.
[YU Y. Study on Drought Monitoring and Drought Spatial and Temporal Characteristics in Guanzhong Area Based on CWSI and TVDI. Xi’an: Shaanxi Normal University, 2015. ] [本文引用:4]
[30] 刘惠敏, 马小群, 孙秀帮. 安徽省MODIS干旱监测技术研究[J]. 气象, 2010, 36(4): 111-115.
[LIU H M, MA X Q, SUN X B. Drought monitoring composite MODIS satellite remote sensing technique in Anhui Province. Meteorological Monthly, 2010, 36(4): 111-115. ] [本文引用:1]
[31] 谢五三, 田红. 安徽省近50年干旱时空特征分析[J]. 灾害学, 2011, 26(1): 94-98.
[XIE W S, TIAN H, Analysis of the spatial-temporal characteristics of drought in Anhui Province in recent 50 years. Journal of Catastrophology, 2011, 26(1): 94-98. ] [本文引用:1]
[32] 祁建春. 基于遥感数据的安徽省地表干旱监测研究 [D]. 太原: 山西大学, 2013.
[QI J C. Study on Surface Drought Monitoring by Using Remote Sensing Data in Anhui Province. Taiyuan: Shanxi University, 2013. ] [本文引用:1]
[33] 唐宝琪, 延军平, 曹永旺, . 安徽省重大旱灾对称性特征及其趋势判断[J]. 地球与环境, 2015, 43(6): 660-666.
[TANG B Q, YAN J P, CAO Y W, et al. Symmetry characteristics and trend judgment of drought in Anhui Province, China. Earth and Environment, 2015, 43(6): 660-666. ] [本文引用:1]
[34] 张强, 邹旭凯, 肖风劲, . GB /T20481—2006. 气象干旱等级 [S]. 北京: 中国标准出版社, 2006.
[ZHANG Q, ZOU X K, XIAO F J, et al. GB/T 20481-2006. The Grade of Meteorological Drought. Beijing: China Stand ard Press, 2006. ] [本文引用:2]
[35] 王纯枝, 毛留喜, 吕厚荃, . 基于作物缺水指数的区域旱情遥感监测[C]// 中国气象学会. 中国气象学会2007年年会生态气象业务建设与农业气象灾害预警分会场论文集. 北京: 中国气象学会, 2007.
[WANG C Z, MAO L X, LÜ H Q, et al. Monitor regional drought based on crop water stress index // China Meteorological Society. Meteorological Service Construction and Agricultural Meteorological Disaster Warning Breakout of China Meteorological Society in 2007. Beijing: China Meteorological Society, 2007. ] [本文引用:2]