Message Board

Respected readers, authors and reviewers, you can add comments to this page on any questions about the contribution, review,        editing and publication of this journal. We will give you an answer as soon as possible. Thank you for your support!

Name
E-mail
Phone
Title
Content
Verification Code
Volume 47 Issue 8
Aug.  2022
Turn off MathJax
Article Contents

YIN Guoying, ZHANG Hongyan, ZHANG Liangpei. Remote Sensing Monitoring of Agricultural Drought and Vegetation Sensitivity Analysis in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8): 1245-1256. doi: 10.13203/j.whugis20210172
Citation: YIN Guoying, ZHANG Hongyan, ZHANG Liangpei. Remote Sensing Monitoring of Agricultural Drought and Vegetation Sensitivity Analysis in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8): 1245-1256. doi: 10.13203/j.whugis20210172

Remote Sensing Monitoring of Agricultural Drought and Vegetation Sensitivity Analysis in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019

doi: 10.13203/j.whugis20210172
Funds:

The National Natural Science Foundation of China 61871298

The National Natural Science Foundation of China 42071322

the Natural Science Foundation of Hubei Province 2020CFA053

More Information
  • Author Bio:

    YIN Guoying, PhD candidate, specializes in agricultural remote sensing. E-mail: yin_gy@whu.edu.cn

  • Corresponding author: ZHANG Hongyan, PhD, professor. E-mail: zhanghongyan@whu.edu.cn
  • Received Date: 2021-04-09
  • Publish Date: 2022-08-05
  •   Objectives  The middle and lower reaches of the Yangtze River, including Hubei, Hunan, Jiangxi, Anhui, Jiangsu, Zhejiang and Shanghai, are important planting bases of commercial grain in China. However, at present, there are relatively few studies on agricultural drought in this region, and there is a lack of attention to the response of land cover types to drought. Moreover, in the context of climate change, the evolution and trend of agricultural drought in the middle and lower reaches of the Yangtze River need further discussion.  Methods  This study used MODIS (moderate resolution imaging spectroradiometer) V6 products to construct vegetation condition index (VCI), temperature condition index (TCI) and vegetation health index (VHI) to monitor the temporal and spatial evolution of agricultural drought in the middle and lower reaches of the Yangtze River from 2001 to 2019, and further explored the drought sensitivity of different vegetative types.Based on the concept of climate change, this study analyzed the drought trends in six provinces and one city in the middle and lower reaches of the Yangtze River. The results of the above three indices were further evaluated by standardized precipitation index (SPI) on different time scales, obtained and calculated from the CHIRPS V2.0 dataset.  Results  The results show that the VCI and TCI could monitor the long-term abnormal vegetation growth and heat anomalies, respectively, but neither index could provide comprehensive overview of drought conditions. Combining the advantages of both indices with the weights of 0.7 and 0.3 for VCI and TCI, respectively, the VHI, was more effective in agricultural drought monitoring in the middle and lower reaches of the Yangtze River. Different vegetation showed different drought sensitivity in study. Crops have the highest sensitivity to drought, forests are the lowest, and grasslands are somewhere in between. In the context of climate change, Jiangxi, Hunan, Hubei, Zhejiang, and Anhui show an intense wet trend in the past 20 years, while the Jiangsu and Shanghai show a weak wet trend.  Conclusions  Drought indices should be integrated to provide comprehensive evaluation of agricultural drought in the middle and lower reaches of the Yangtze River. Jiangsu province and Shanghai city are still at drought risk due to the weak wet trend and the local agricultural department should take drought mitigation measures to prevent economic losses. In the middle and lower reaches of the Yangtze River, croplands have the most obvious response to drought, indicating that crops are most sensitive to drought than grasses and forests, more attention should be paid to agriculture management. The relevant results can provide reference for the early warning of drought in various provinces and cities in the middle and lower reaches of the Yangtze River and help the management of regional agricultural production.
  • [1] Zhang L F, Jiao W Z, Zhang H M, et al. Studying Drought Phenomena in the Continental United States in 2011 and 2012 Using Various Drought Indices[J]. Remote Sensing of Environment, 2017, 190: 96-106 doi:  10.1016/j.rse.2016.12.010
    [2] Cong D M, Zhao S H, Chen C, et al. Characterization of Droughts During 2001—2014 Based on Remote Sensing: A Case Study of Northeast China [J]. Ecological Informatics, 2017, 39: 56-67 doi:  10.1016/j.ecoinf.2017.03.005
    [3] Ford T W, Labosier C F. Meteorological Conditions Associated with the Onset of Flash Drought in the Eastern United States[J]. Agricultural and Forest Meteorology, 2017, 247: 414-423 doi:  10.1016/j.agrformet.2017.08.031
    [4] Vinod K, Dharssi I. Evaluation and Calibration of a High-Resolution Soil Moisture Product for Wildfire Prediction and Management[J]. Agricultural and Forest Meteorology, 2019, 264: 27-39 doi:  10.1016/j.agrformet.2018.09.012
    [5] 于人杰, 康平, 任远刘瑞, 等. 成都市降水对大气颗粒物湿清除作用的观测研究[J]. 环境污染与防治, 2020, 42(8): 990-995 https://www.cnki.com.cn/Article/CJFDTOTAL-HJWR202008011.htm

    Yu Renjie, Kang Ping, Ren Yuanliurui, et al. Observational Study on Precipitation Wet Removal of Atmospheric Particulate Matter in Chengdu[J]. Environmental Pollution & Control, 2020, 42(8): 990-995 https://www.cnki.com.cn/Article/CJFDTOTAL-HJWR202008011.htm
    [6] 杨丽萍, 韩德彪, 姜宝法. 干旱对人类健康影响的研究进展[J]. 环境与健康杂志, 2013, 30(5): 453-455 https://www.cnki.com.cn/Article/CJFDTOTAL-HJYJ201305027.htm

    Yang Liping, Han Debiao, Jiang Baofa. Drought and Human Health: A Review of Recent Studies [J]. Journal of Environment and Health, 2013, 30 (5): 453-455 https://www.cnki.com.cn/Article/CJFDTOTAL-HJYJ201305027.htm
    [7] The Intergovernmental Panel on Climate Change (IPCC). Global Warming of 1.5 ℃: An IPCC Special Report[M]. Cambridge, UK: Cambridge University Press, 2018
    [8] 杨绍锷, 闫娜娜, 吴炳方. 农业干旱遥感监测研究进展[J]. 遥感信息, 2010, 25(1): 103-109 doi:  10.3969/j.issn.1000-3177.2010.01.021

    Yang Shao'e, Yan Nana, Wu Binfang, et al. Advances in Agricultural Drought Monitoring by Remote Sensing[J]. Remote Sensing Information, 2010, 25 (1): 103-109 doi:  10.3969/j.issn.1000-3177.2010.01.021
    [9] Esfahanian E, Nejadhashemi A P, Abouali M, et al. Development and Evaluation of a Comprehensive Drought Index[J]. Journal of Environmental Management, 2017, 185: 31-43
    [10] 钱莉莉, 贺中华, 梁虹, 等. 农业干旱监测方法与指标研究进展[J]. 绿色科技, 2019(6): 5-8 https://www.cnki.com.cn/Article/CJFDTOTAL-LVKJ201906004.htm

    Qian Lili, He Zhonghua, Liang Hong, et al. Research Progress of Agricultural Drought Monitoring Methods and Indicator[J]. Journal of Green Science and Technology, 2019(6): 5-8 https://www.cnki.com.cn/Article/CJFDTOTAL-LVKJ201906004.htm
    [11] 黄友昕, 刘修国, 沈永林, 等. 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 doi:  10.11975/j.issn.1002-6819.2015.16.025

    Huang Youxin, Liu Xiuguo, Shen Yonglin, et al. Advances in Remote Sensing Derived Agricultural Drought Monitoring Indices and Adaptability Evaluation Methods[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(16): 186-195 doi:  10.11975/j.issn.1002-6819.2015.16.025
    [12] 董婷, 孟令奎, 张文. MODIS短波红外水分胁迫指数及其在农业干旱监测中的适用性分析[J]. 遥感学报, 2015, 19(2): 319-327 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201502016.htm

    Dong Ting, Meng Lingkui, Zhang Wen. Analysis of the Application of MODIS Shortwave Infrared Water Stress Index in Monitoring Agricultural Drought[J]. Journal of Remote Sensing, 2015, 19 (2): 319-327 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201502016.htm
    [13] Sadri S, Pan M, Wada Y, et al. A Global Near-Real-Time Soil Moisture Index Monitor for Food Security Using Integrated SMOS and SMAP[J]. Remote Sensing of Environment, 2020, 246: 111864 doi:  10.1016/j.rse.2020.111864
    [14] Du J, Kimball J S, Velicogna I, et al. Multicomponent Satellite Assessment of Drought Severity in the Contiguous United States from 2002 to 2017 Using AMSR-E and AMSR2[J]. Water Resources Research, 2019, 55(7): 5394-5412 doi:  10.1029/2018WR024633
    [15] Zhang Z, Wang D G, Wang G L, et al. Use of SMAP Soil Moisture and Fitting Methods in Improving GPM Estimation in near Real Time[J]. Remote Sensing, 2019, 11(3): 368 doi:  10.3390/rs11030368
    [16] Tucker C J. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127-150 doi:  10.1016/0034-4257(79)90013-0
    [17] 宋怡, 马明国. 基于GIMMS AVHRR NDVI数据的中国寒旱区植被动态及其与气候因子的关系[J]. 遥感学报, 2008, 12 (3): 499-505 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200803018.htm

    Song Yi, Ma Mingguo. Variation of AVHRR NDVI and Its Relationship with Climate in Chinese Arid and Cold Regions[J]. Journal of Remote Sensing, 2008, 12(3): 499-505 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200803018.htm
    [18] Kogan F N. Application of Vegetation Index and Brightness Temperature for Drought Detection[J]. Advances in Space Research, 1995, 15(11): 91-100 doi:  10.1016/0273-1177(95)00079-T
    [19] Bokusheva R, Kogan F, Vitkovskaya I, et al. Satellite-Based Vegetation Health Indices as a Criteria for Insuring Against Drought-Related Yield Losses[J]. Agricultural and Forest Meteorology, 2016, 220: 200-206 doi:  10.1016/j.agrformet.2015.12.066
    [20] Pei F S, Wu C J, Liu X P, et al. Monitoring the Vegetation Activity in China Using Vegetation Health Indices[J]. Agricultural and Forest Meteorology, 2018, 248: 215-227 doi:  10.1016/j.agrformet.2017.10.001
    [21] Jiao W Z, Wang L X, Novick K A, et al. A New Station-Enabled Multi-sensor Integrated Index for Drought Monitoring[J]. Journal of Hydrology, 2019, 574: 169-180 doi:  10.1016/j.jhydrol.2019.04.037
    [22] 蔡斌, 陆文杰, 郑新江. 气象卫星条件植被指数监测土壤状况[J]. 国土资源遥感, 1995, 7 (4): 45-50 https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG504.010.htm

    Cai Bin, Lu Wenjie, Zheng Xinjiang. Using Meteorological Satellite's Vic to Monitor Soil State[J]. Remote Sensing for Land & Resources, 1995, 7(4): 45-50 https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG504.010.htm
    [23] 王思琪, 张翔, 陈能成, 等. 基于多种干旱指数的长江中下游五省干旱监测与对比[J]. 干旱气象, 2019, 37(2): 209-217 https://www.cnki.com.cn/Article/CJFDTOTAL-GSQX201902003.htm

    Wang Siqi, Zhang Xiang, Chen Nengcheng, et al. Monitoring and Comparison of Drought in Five Provinces of the Middle and Lower Reaches of the Yangtze River Based on the Multiple Drought Indices[J]. Journal of Arid Meteorology, 2019, 37(2): 209-217 https://www.cnki.com.cn/Article/CJFDTOTAL-GSQX201902003.htm
    [24] 罗彪, 刘潇, 郭萍. 基于MODIS数据的河套灌区遥感干旱监测[J]. 中国农业大学学报, 2020, 25(10): 44-54 doi:  10.11841/j.issn.1007-4333.2020.10.05

    Luo Biao, Liu Xiao, Guo Ping. Remote Sensing Drought Monitoring of Hetao Irrigation Area Based on MODIS Data[J]. Journal of China Agricultural University, 2020, 25(10): 44-54 doi:  10.11841/j.issn.1007-4333.2020.10.05
    [25] 王锦杰, 陈昊, 张莹, 等. 基于植被健康指数的2001-2018年间江苏省农业干旱时空分析[J]. 江苏农业科学, 2020, 48(6): 223-231 https://www.cnki.com.cn/Article/CJFDTOTAL-JSNY202006044.htm

    Wang Jinjie, Chen Hao, Zhang Ying, et al. Spatial and Temporal Analysis of Agricultural Drought in Jiangsu Province from 2001 to 2018 Based on Vegetation Health Index[J]. Jiangsu Agricultural Sciences, 2020, 48(6): 223-231 https://www.cnki.com.cn/Article/CJFDTOTAL-JSNY202006044.htm
    [26] 孙洪泉, 杨晓静, 张泽天. 2019年下半年长江中下游旱情分析及未来趋势预判[J]. 中国防汛抗旱, 2020, 30(2): 18-20 https://www.cnki.com.cn/Article/CJFDTOTAL-FHKH202002012.htm

    Sun Hongquan, Yang Xiaojing, Zhang Zetian. Analysis of Drought in the Middle and Lower Reaches of the Yangtze River in the Second Half of 2019 and Prediction of the Future Trend[J]. China Flood & Drought Management, 2020, 30(2): 18-20 https://www.cnki.com.cn/Article/CJFDTOTAL-FHKH202002012.htm
    [27] 吕星玥, 荣艳淑, 石丹丹. 长江中下游地区2010/2011年秋冬春连旱成因再分析[J]. 干旱气象, 2019, 37(2): 198-208 https://www.cnki.com.cn/Article/CJFDTOTAL-GSQX201902002.htm

    Lü Xingyue, Rong Yanshu, Shi Dandan. Reanalysis on the Causes of Continuous Drought from Autumn 2010 to Spring 2011 in the Middle and Lower Reaches of the Yangtze River[J]. Journal of Arid Meteorology, 2019, 37(2): 198-208 https://www.cnki.com.cn/Article/CJFDTOTAL-GSQX201902002.htm
    [28] Li R H, Chen N C, Zhang X, et al. Quantitative Analysis of Agricultural Drought Propagation Process in the Yangtze River Basin by Using Cross Wavelet Analysis and Spatial Autocorrelation[J]. Agricultural and Forest Meteorology, 2020, 280: 107809 doi:  10.1016/j.agrformet.2019.107809
    [29] Berry J A, Beerling D J, Franks P J. Stomata: Key Players in the Earth System, Past and Present[J]. Current Opinion in Plant Biology, 2010, 13(3): 232-239 doi:  10.1016/j.pbi.2010.04.013
    [30] Bayarjargal Y, Karnieli A, Bayasgalan M, et al. A Comparative Study of NOAA-AVHRR Derived Drought Indices Using Change Vector Analysis[J]. Remote Sensing of Environment, 2006, 105(1): 9-22 doi:  10.1016/j.rse.2006.06.003
    [31] Karnieli A, Agam N, Pinker R T, et al. Use of NDVI and Land Surface Temperature for Drought Assessment: Merits and Limitations[J]. Journal of Climate, 2010, 23(3): 618-633 doi:  10.1175/2009JCLI2900.1
    [32] Zhang A Z, Jia G S. Monitoring Meteorological Drought in Semiarid Regions Using Multi-Sensor Microwave Remote Sensing Data[J]. Remote Sensing of Environment, 2013, 134: 12-23 doi:  10.1016/j.rse.2013.02.023
    [33] 李斌, 李丽娟, 李海滨, 等. 澜沧江流域干旱变化的时空特征[J]. 农业工程学报, 2011, 27(5): 87-92 doi:  10.3969/j.issn.1002-6819.2011.05.014

    Li Bin, Li Lijuan, Li Haibin, et al. Spatial and Temporal Variability of Droughts in the Lancang River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(5): 87-92 doi:  10.3969/j.issn.1002-6819.2011.05.014
    [34] 王先伟, 刘梅, 柳林. MODIS光谱指数在中国西南干旱监测中的应用[J]. 遥感学报, 2014, 18(2): 432-452 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201402013.htm

    Wang Xianwei, Liu Mei, Liu Lin. Responses of MODIS Spectral Indices to Typical Drought Events from 2000 to 2012 in Southwest China[J]. Journal of Remote Sensing, 2014, 18(2): 432-452 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201402013.htm
    [35] Rhee J, Im J, Carbone G J. Monitoring Agricultural Drought for Arid and Humid Regions Using Multi-Sensor Remote Sensing Data[J]. Remote Sensing of Environment, 2010, 114(12): 2875-2887 doi:  10.1016/j.rse.2010.07.005
    [36] Dai A. Increasing Drought Under Global Warming in Observations and Models[J]. Nature Climate Change, 2013, 3(1): 52-58 doi:  10.1038/nclimate1633
    [37] Wang A H, Kong X H. Regional Climate Model Simulation of Soil Moisture and Its Application in Drought Reconstruction Across China from 1911 to 2010[J]. International Journal of Climatology, 2021, DOI:  10.1002/joc.6748
    [38] Liang L, Zhao S H, Qin Z H, et al. Drought Change Trend Using MODIS TVDI and Its Relationship with Climate Factors in China from 2001 to 2010[J]. Journal of Integrative Agriculture, 2014, 13(7): 1501-1508 doi:  10.1016/S2095-3119(14)60813-3
    [39] Zeng Z Q, Wu W X, Li Y M, et al. Spatiotemporal Variations in Drought and Wetness from 1965 to 2017 in China[J]. Water, 2020, 12(8): 2097 doi:  10.3390/w12082097
  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(11)  / Tables(1)

Article Metrics

Article views(545) PDF downloads(90) Cited by()

Related
Proportional views

Remote Sensing Monitoring of Agricultural Drought and Vegetation Sensitivity Analysis in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019

doi: 10.13203/j.whugis20210172
Funds:

The National Natural Science Foundation of China 61871298

The National Natural Science Foundation of China 42071322

the Natural Science Foundation of Hubei Province 2020CFA053

Abstract:   Objectives  The middle and lower reaches of the Yangtze River, including Hubei, Hunan, Jiangxi, Anhui, Jiangsu, Zhejiang and Shanghai, are important planting bases of commercial grain in China. However, at present, there are relatively few studies on agricultural drought in this region, and there is a lack of attention to the response of land cover types to drought. Moreover, in the context of climate change, the evolution and trend of agricultural drought in the middle and lower reaches of the Yangtze River need further discussion.  Methods  This study used MODIS (moderate resolution imaging spectroradiometer) V6 products to construct vegetation condition index (VCI), temperature condition index (TCI) and vegetation health index (VHI) to monitor the temporal and spatial evolution of agricultural drought in the middle and lower reaches of the Yangtze River from 2001 to 2019, and further explored the drought sensitivity of different vegetative types.Based on the concept of climate change, this study analyzed the drought trends in six provinces and one city in the middle and lower reaches of the Yangtze River. The results of the above three indices were further evaluated by standardized precipitation index (SPI) on different time scales, obtained and calculated from the CHIRPS V2.0 dataset.  Results  The results show that the VCI and TCI could monitor the long-term abnormal vegetation growth and heat anomalies, respectively, but neither index could provide comprehensive overview of drought conditions. Combining the advantages of both indices with the weights of 0.7 and 0.3 for VCI and TCI, respectively, the VHI, was more effective in agricultural drought monitoring in the middle and lower reaches of the Yangtze River. Different vegetation showed different drought sensitivity in study. Crops have the highest sensitivity to drought, forests are the lowest, and grasslands are somewhere in between. In the context of climate change, Jiangxi, Hunan, Hubei, Zhejiang, and Anhui show an intense wet trend in the past 20 years, while the Jiangsu and Shanghai show a weak wet trend.  Conclusions  Drought indices should be integrated to provide comprehensive evaluation of agricultural drought in the middle and lower reaches of the Yangtze River. Jiangsu province and Shanghai city are still at drought risk due to the weak wet trend and the local agricultural department should take drought mitigation measures to prevent economic losses. In the middle and lower reaches of the Yangtze River, croplands have the most obvious response to drought, indicating that crops are most sensitive to drought than grasses and forests, more attention should be paid to agriculture management. The relevant results can provide reference for the early warning of drought in various provinces and cities in the middle and lower reaches of the Yangtze River and help the management of regional agricultural production.

YIN Guoying, ZHANG Hongyan, ZHANG Liangpei. Remote Sensing Monitoring of Agricultural Drought and Vegetation Sensitivity Analysis in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8): 1245-1256. doi: 10.13203/j.whugis20210172
Citation: YIN Guoying, ZHANG Hongyan, ZHANG Liangpei. Remote Sensing Monitoring of Agricultural Drought and Vegetation Sensitivity Analysis in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8): 1245-1256. doi: 10.13203/j.whugis20210172
  • 干旱是一种形成机理复杂、持续时间长、影响范围广的自然灾害,对农业生产、人类生活、经济发展造成了严重影响[1-2]。例如,2011年美国德克萨斯州发生的干旱灾害造成农业损失达76.2亿美元[3]。干旱还会诱发一系列次生灾害的发生,如森林火灾、大气污染等[4-5],进一步威胁人类健康和生态环境稳定[6]。根据联合国政府间气候变化专门委员会(The Intergovernmental Panel on Climate Change,IPCC)的相关报告,到2030—2052年左右,全球平均温度将比第二次工业革命前上升1.5℃,气候变化等因素将大幅增加未来极端干旱发生的可能性[7]。干旱主要分为气象干旱、农业干旱、水文干旱和社会经济干旱4种干旱类型[8]。气象干旱一般指降水量缺少引起的水分亏缺现象,可以用降水量相关指标进行衡量。随着降水量的长期亏缺,土壤水分含量减少,无法满足植被对水分需求,干旱演变为农业干旱。农业干旱的严重程度可以利用土壤水分含量、植被生长状况和地表温度反映。水文干旱是河流湖泊水资源减少或地下水位低于正常值的现象,一般由气象干旱或农业干旱的旱情条件进一步恶化引起。社会经济干旱则强调自然气候干旱对人类社会经济活动造成的影响[9]。农业干旱密切影响粮食产量、关系农业生产,因此本文主要关注农业干旱的监测研究。

    早期农业干旱监测主要使用气象监测方法,通过测量站点获取的降水量和土壤墒情等数据,计算得到帕尔默干旱严重指数(palmer drought severity index,PDSI)、标准化降水指数(standardized precipitation index,SPI)、Z指数(Z-index)等对干旱程度进行等级量化,最终达到监测的目的[10]。这些方法虽然能够真实反映地面干旱情况,但站点分布稀疏,日常维护及数据测量成本高,不利于进行大范围的农业干旱监测[11]

    随着遥感技术的发展,基于卫星数据的干旱监测方法能够提供覆盖范围大、时空连续的监测,是干旱监测中最具应用潜力的技术手段[12]。基于遥感手段监测农业干旱最直接的方式是利用微波辐射计测量土壤水分含量异常变化,常用的卫星数据产品包括先进微波扫描辐射计系列(advanced microwave scanning radiometer for the earth observing system,AMSR)、土壤水分主被动(soil moisture active passive,SMAP)卫星获取的土壤水分产品[13-14]。但这种方式获取的土壤水分数据空间分辨率低,难以进行精细化的农业干旱监测应用[15]。多光谱遥感卫星能够提供高分辨率地面光谱数据,有学者通过设计对地表水分含量敏感的指数侧面反映农业干旱状况。如文献[16]提出的归一化植被指数(normalized difference vegetation index,NDVI)将光谱的红波段和近红外波段组合,能够很好地反映植被生长状态[17]。农业干旱往往伴随着植被生长状态负向偏离其平均状态等现象,根据植被状态距平的概念,文献[18]利用长时序的卫星影像数据对植被当前状态进行历史同期归一化,得到条件植被指数(vegetation condition index,VCI),并利用VCI对美国本土地区进行长时序大范围的植被干旱监测。同时,文献[18]提出了条件温度指数(temperature condition index,TCI)监测地表温度异常,并综合VCI和TCI进一步提出植被健康指数(vegetation health index,VHI)。这些指数计算方法简单,已经成功用在全球多个区域的农业干旱监测、植被动态变化监测、农作物产量估计等[19-21]。目前,上述3种指数已在中国得到初步应用。文献[22]利用VCI监测1991年全国干旱状况,发现VCI指数能够进行农业干旱的监测;文献[23]对比了VCI、TCI等指数在长江中下游地区5个省份的监测效果;文献[24]利用VCI、TCI等指数对内蒙古河套灌区进行监测,结果表明,基于地表温度的干旱指数对旱情有更好的监测结果;文献[25]利用VHI对江苏省2001—2018年间的农业干旱进行识别。

    然而,上述指数在整个长江中下游地区的针对性应用相对较少,且缺乏适应性分析及干旱演变的趋势分析。此外,干旱是大气环境对地表作用的结果,但很少有针对长江中下游地区地表类型对干旱的敏感性研究。因此,本文利用VCI、TCI及VHI指数,对长江中下游地区六省一市2001—2019年的农业干旱演变情况进行监测,同时通过对近20年来长江中下游不同省份干旱发生趋势、不同植被的干旱敏感性分析,研究区域干旱的演变规律和潜在方向,为区域抗旱政策制定及农业生产管理提供参考。

  • 研究区域位于中国长江中下游地区,地理范围在108°21′E~122°56′E,24°29′N~35°07′N,包括湖北省、湖南省、安徽省、江西省、江苏省、浙江省和上海市等地,共6省1市,总面积约92.4万km2(见图 1)。地图底图来自于国家基础地理信息中心的1∶100万全国基础地理数据库。长江中下游地区属亚热带季风气候,年平均气温为14~18 ℃,年降水量为l 000~1 500 mm。其中,长江中下游平原作为中国三大平原之一,是中国重要的商品粮基地,也是油、棉、麻等重要经济作物的生产基地。同时,长江中下游地区也是干旱易发区域[26-27],粮食产量和农业发展时常面临干旱等自然灾害的严重威胁[28]

    Figure 1.  Location and Land Cover Types of the Middle and Lower Reaches of the Yangtze River

  • 本文使用的数据包括NDVI、地表温度(land surface temperature,LST)、降水量数据和地表覆盖类型数据。其中,NDVI由地表反射率数据产品MOD09GA中的红波段和近红外波段计算得到[16],可以很好地反映植被的生长状况,能够作为监测植被水分胁迫及农业干旱发展状况的有效指标;LST选取MOD11A1产品的日间陆地表面温度数据,当植被受到水分胁迫时,叶片气孔关闭,蒸散发活动减少,局部温度升高[29]。NDVI的原始分辨率为500 m,LST的原始分辨率为1 km,为了统一分辨率,同时一定程度上消除单位像元上因土地覆盖/土地利用变化带来的误差,本文对NDVI栅格数据进行重采样聚合,将分辨率采样到1 km。两类数据的时间范围均选择2001-01—2019-12,共计19 a。

    本文利用SPI指数探究VHI指数的区域适应性,SPI指数由长时序降水数据计算得到,本文降水量数据是美国加利福尼亚大学圣巴巴拉分校的气候灾害中心(https://chc.ucsb.edu/data/chirps)提供的降水产品CHIRPS-V2.0,融合了遥感估计降水和实地站点的降水数据,能够提供近实时的格网化降水值,可用于降水趋势分析和季节性干旱监测。为了使SPI指数的计算更加准确,该降水产品选取1981-01—2019-12,共39 a的数据进行计算,该产品的原始分辨率为0.05°×0.05°。

    此外,为了分析不同植被对干旱的敏感性,本文还使用了中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)的MCD12Q1产品中的土地覆盖类型数据。该产品包括5种全球土地覆盖分类子产品,分别是国际地圈-生物圈计划(international geosphere-biosphere programme,IGBP)分类、马里兰大学分类、叶面积指数分类、生物地球化学循环(biome-biogeochemical cycles,BGC)分类和植物功能类型分类。本文选取IGBP分类作为分类依据,共包含17个土地覆盖类型,分辨率为1 km。考虑到长江中下游地区区域独特性,本文将研究区域内不包含的类别剔除,并按照剩余类别的类间相似性对其他13类进行重新归类。原始分类和重新归类结果如表 1所示。

    原始分类序号 IGBP分类情况 再归类序号 再归类结果
    1 常绿针叶林 1 林地
    2 常绿阔叶林 1 林地
    3 落叶阔叶林 1 林地
    4 混交林 1 林地
    5 多树草地 2 草地
    6 稀树草地 2 草地
    7 草地 2 草地
    8 农田 3 农田
    9 农田/自然植被镶嵌地 3 农田
    10 城市和建筑用地 4 其他
    11 永久湿地 4 其他
    12 裸地 4 其他
    13 水体 4 其他

    Table 1.  Original Classification (IGBP Classification) and the Reclassification of Land Cover Types

  • 在计算干旱监测指数前,需要对NDVI和LST数据进行预处理,包括云去除、月尺度合成、统一分辨率和缺失数据补全。其中云去除是利用MODIS数据的质量评估(quality assessment,QA)波段,将每日的受云污染影响的影像掩膜,留下无云区域的影像;月尺度合成是将掩膜后的无云影像通过逐月平均得到每月的合成影像;将500 m分辨率的NDVI采样到1 000 m,统一NDVI和LST的分辨率;由于月尺度合成不能够完全保证云去除之后的无云数据在研究区域上月尺度合成后的完整性,因此在当前月份存在空间数据空洞时,利用该月份的相邻月份和历史同一月份的平均值来补充空洞区域数据。

    VCI和TCI通过将某时间段内的NDVI或LST值与历史同期值归一化,得到当前时间段的相对干旱情况。利用长时序数据能够一定程度上反映出某时间段研究区域的绝对干旱情况,VCI和TCI在反映农业干旱中植被生长状况及热量异常方面有着各自的优势[30-31],因此本文计算了VCI与TCI的加权组合指数VHI[18]

    式中,ijk分别表示第i个像素、第j个月份和第k个年份;α表示权重因子,在实际应用中一般将其固定为0.5[32],但不同区域中植被和热量存在差异。因此,本文针对权重因子进行了一系列实验,以探究适宜长江中下游地区农业干旱监测的VHI指数。

    3种指数的时间分辨率均为1个月,取值0~1,值越小表示干旱越严重。对3种指数的干旱等级进行划分,0~0.1表示极端干旱;0.1~0.2表示严重干旱;0.2~0.3表示中度干旱;0.3~0.4表示轻度干旱;0.4~1表示无旱。一般当干旱发生时,植被由于生长受胁迫,VCI指数降低。此外,干旱往往伴随着温度异常升高,当温度升高时,TCI指数也降低。

    不同时间尺度的标准降水指数SPI能够针对性地反映出不同干旱类型的干旱强度,在干旱监测中应用广泛。其中,SPI-1表示1个月尺度的SPI指数,常用来监测气象干旱,SPI-3及SPI-6分别表示3个月和6个月时间尺度的SPI,常用作农业干旱的监测指标[33]。本文选取的降水数据产品分辨率为0.05°,时间范围为1981-01—2019-12,共计39 a。在计算SPI指数之前,首先通过插值将分辨率采样至1 km,使其与VCI、TCI及VHI的分辨率保持一致,然后逐像素计算SPI-3与SPI-6指数。虽然本文只考虑农业干旱,但气象干旱等短期干旱也会影响农业干旱的发生,为了进一步说明相关指数的监测效果,本文还计算了SPI-1,具体计算方法可以参考文献[34]。

    除了不同时间尺度的SPI指数,本文还计算了降水距平指数,进一步验证结果的可靠性。由于降水距平指数一般用于气象干旱监测,而本文主要监测农业干旱类型。考虑到气象干旱和农业干旱的时延性[33],将当前月份和前两个月降水量的累积降水量代入到降水距平指数进行计算,具体计算如下:

    式中,P为当前月份的累积降水量与前两个月总降水量之和;P¯为当前月份对应的历史同期3个月降水的平均值。

    利用上述计算所得的指数,本文主要从以下3个方面展开研究:(1)利用VCI、TCI和VHI监测近20年长江中下游地区农业干旱状况;(2)通过对比分析不同地物受旱面积,探究不同植被对干旱的响应(敏感性);(3)利用VHI指数研究近20年长江中下游干旱发生趋势。具体研究流程如图 2所示。

    Figure 2.  Flowchart of This Study

  • 不同时间尺度的SPI指数具有反映不同类型干旱的能力,本文选取了SPI-1、SPI-3和SPI-6共3个时间尺度的SPI指数,来探究VCI和TCI在VHI指数中的最优权重配比,分析3种指数在长江中下游干旱监测的适应性。按照0.1的间隔调节VCI及TCI之间的权重,结果如图 3所示,其中α为0时,VHI即为TCI,当α为1时,VHI即为VCI。

    Figure 3.  Correlation Coefficients Between Multi-scale SPI and Weighted VHI

    在不同的权重因子下,VHI指数与不同尺度的SPI指数相关性差异很大,主要表现在当VCI的权重较低时,VHI指数与SPI的相关性较低,而当VCI的比重升高时,相关性升高。从图 3中可以看出,当VCI的权重为0.6时,VHI与SPI-1的相关性最高,为0.375;当权重为0.7时,VHI与SPI-3的相关性最高,达到了0.510;而当权重为0.8时,VHI与SPI-6的相关性最高,达到了0.478。然而,随着α的持续增加,VHI与多尺度SPI的相关性均呈下降趋势,说明VCI和TCI虽均含有干旱信息,但失衡的权重配比会影响VHI指数的干旱监测效果。此外,相比于TCI,VCI与SPI-3和SPI-6的相关性较高,分别达到了0.438和0.446,说明VCI指数在监测中长期干旱上是有效的。TCI与气象干旱监测指数SPI-1相关性较高,相关系数为0.207,表明TCI指数适合进行短期干旱监测,但效果有限。综合以上分析,在计算长江中下游地区的VHI指数时,为了平衡VCI和TCI各自贡献,VCI应被赋予更高的权重。本文选取VCI和TCI权重因子分别为0.7和0.3构建最适宜长江中下游地区农业干旱监测指数VHI。VCI、TCI和VHI对干旱的描述仍有限,降水持续减少、温度异常升高、土壤水分含量下降、植被蒸发散受限及生长状况异常等都可以作为衡量干旱发生演变的要素。本文主要监测农业干旱在温度和植被生长方面的表现,多源数据的融合和多元指数的集成或许是未来研究工作中提升干旱监测效果的可能探索方向[35]

  • 本文研究时间范围内,长江中下游经历多次不同程度的干旱,根据年降水量选择了2001—2019年中两个降水量最少的年份,并将这两个年份作为干旱演变监测的典型。图 4是2001—2019年长江中下游地区降水总量的逐年变化情况。长江中下游地区近20年的平均年降水量约1 450 mm,其中,2001年、2003年、2004年及2011年的年降水量均远远低于平均水平。特别地,2011年的年降水量约1 200 mm,比近20年平均水平低250 mm,2001年的年降水量约1 237 mm,比近20年平均水平低213 mm。和历史同期相比,这两个年份降水量较少,存在较高的农业干旱发生风险。因此,本文选取2001年和2011年这两个典型年份进行重点干旱监测。

    Figure 4.  Precipitation Change in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019

    图 5为长江中下游地区2001年与2011年VCI指数的监测结果。由图 5可以看出,2001年和2011年的旱情均十分严重,2001年全年植被生长受干旱胁迫程度大,植被生长胁迫由1月—2月研究区的部分区域蔓延到3月—5月的整个长江中下游地区,虽然在6月—8月有所缓和,但是10月及之后月份又有所加重。2011年植被生长表现出的异常主要集中在上半年,在2011年的1月,整个长江中下游地区除了安徽省中北部地区,植被生长均受到不同程度的干旱胁迫。长江中下游的中部地区植被生长胁迫尤为严重,主要分布在湖南省北部、湖北省南部及安徽省南部区域。在2011-02—2011-06,植被胁迫开始向整个长江中下游特别是北部地区延伸,湖北省东北部、安徽省中北部及江苏省地区均表现严重的干旱胁迫现象。在2011年下半年,植被生长胁迫得到缓解,只有局部地区干旱相对较严重,如2011年7月的长江中下游东北部、9月的湖南省中西部等区域,可能原因是夏季降水增多,旱情得到缓解。

    Figure 5.  Monitoring Results of 2001 and 2011 in the Middle and Lower Reaches of Yangtze River Using VCI

    图 6为长江中下游地区2001年与2011年TCI指数的监测结果。由图 6可知,TCI指数异常在2001年1月—2月主要集中在江西及湖南南部以及浙江省中南部,4月份集中在安徽省和江苏省北部。从全年来看,2001年温度异常集中在5月—10月。在2011年,TCI低值主要集中在上半年,特别是在4月和5月,这表明该段时间长江中下游正经历着严重的温度异常事件。在2011年的下半年,温度异常得到缓解,但部分月份的部分区域如9月份湖南省中西部、11月份江西省北部和安徽省南部,表现出相较往年的热量异常。

    Figure 6.  Monitoring Results of 2001 and 2011 in the Middle and Lower Reaches of the Yangtze River Using TCI

    图 7为长江中下游地区2001年与2011年VHI指数的监测结果。由图 7可知,VHI指数兼顾了VCI和TCI在农业干旱监测中的监测植被生长胁迫与温度异常方面的优势。综合3种指数的监测结果可以发现,在2001年和2011年两个降水量较少的年份中,均发生了较为严重的干旱。其中,2001年干旱持续时间较长,干旱程度较重,特别在2001年5月及2001年9月—10月。2011年干旱主要集中在上半年,下半年由于降水等原因,干旱情况得以缓和,相关结论和前人的研究一致[27]

    Figure 7.  Monitoring Results of 2001 and 2011 in the Middle and Lower Reaches of the Yangtze River Using VHI

    图 8为长江中下游地区2001年与2011年逐月降水距平指数。由图 8可知,2001年干旱主要集中在5月、9月和11月,而2011年干旱主要集中在上半年,具体分布在1月—5月。距平指数的干旱演变趋势和VHI指数的表现有很好的相关性。对比图 7图 8可知,VHI指数基本上能够捕捉到干旱的时空变化。

    Figure 8.  Anomaly of 3-Month Accumulated Precipitation in 2001 and 2011 in the Middle and Lower Reaches of the Yangtze River

    干旱受多种因素影响,单指数监测干旱可能无法反映干旱的全貌。VCI通常只反映植被生长状况的变化,TCI只反映地表温度异常,且这两种指数是从单一数据源导出,独立监测干旱时提供的干旱信息有限。因此,单独利用这两种指数监测干旱,并不能完全跟踪到干旱的时间演变和空间变化特征。此外,区域VCI的低值并不能完全归咎于干旱,地物变化、物候期变化等非干旱因素均是VCI异常的可能原因,同样,条件温度指数TCI的低值也可能来自于热浪等其他温度异常。VHI指数能够集成两种指数优势,在最优权重比例下对长江中下游干旱提供更准确的农业干旱监测。

  • 为了进一步探究不同植被对干旱的响应情况,本文逐月统计了2001年及2011年中不同类型植被发生不同等级干旱的比例,并用该比例的大小来表征植被对干旱的敏感性。为了简化分析过程,本文只选取VHI指数作为干旱指标,并根据表 1中的归类结果,重点探究林地、草地和农田3种植被覆盖区的干旱敏感性,结果见图 9

    Figure 9.  Percentage of Drought Affected Area of Different Vegetative Land Cover Types

    在2001年干旱事件中,3种植被类型在全年所有月份中均经历严重的干旱,该干旱有两个峰值,分别在3月—5月和9月—11月,特别地,在2001-05,林地区域受极端干旱的面积比例约11%,草地为15%,农田则高达32%。在2011年的干旱事件中,3种地物类型均表现出干旱逐渐严重到干旱减缓的过程,其中,干旱严重阶段主要集中在2月—7月。林地发生干旱的面积百分比最少,最严重的时间段主要集中在2011-02。同时,林地区域发生的干旱等级也相对较低,其总干旱面积不超过林地面积的40%,干旱类型主要以轻度干旱为主,极端干旱的比例不超过3%。草地的受旱面积高于林地,且干旱主要集中在2月—5月,其中2月和4月最为严重,总干旱占比分别达到51%和55%,且在其他大部分月份,干旱比例均高于林地受干旱面积。不仅如此,对于每种干旱等级,草地的干旱比例也均高于林地。相比于林地和草地,农田的受旱灾面积比例最高,干旱发生的月份主要集中在2月—7月,表现为2月—5月干旱加剧、5月—7月干旱减缓的趋势。从单一月份来看,农田在2月的总干旱比例较高,达到68%,表明有超过2/3的农田区域受到不同程度的干旱影响。在4月和5月,极端干旱总比例最高,均达到了总面积的15%。

    综合对比3种植被类型在2001年和2011年两个干旱事件中受旱百分比及严重程度,可以发现林地受干旱面积最小,草地次之,农田最大,说明林地对干旱的敏感性最弱,农田最强。植被对干旱敏感性差异可能与不同植被类型的生物结构和生长环境不同有关。森林类型的植被根系发达,能够吸收深层土壤中的水分,具有一定的耐旱性。相比于林地植被,草地的干旱敏感性稍强,可能有两个原因:(1)在漫长的物种进化过程中,降水是草地维持自身生长的主要水供给来源,草地需要进化出对异常气候的耐受性以维持物种生存,但这种耐受性远低于林地;(2)研究区域内草地分布可能包含了湿地、高山草地等类型,这些区域对干旱的敏感性较弱。对于农作物来说,除了降水,灌溉也是农作物获取水分的重要途径,在漫长的生物进化和农业发展的共同作用下,农作物的根系较浅,对干旱胁迫敏感。因此,在进行农业干旱监测时,农作物长势监测能够提供农业干旱的发生发展预警,为相关农业部门及时采取防灾抗灾措施提供理论支持。

  • 以长江中下游六省一市近20年逐年的VHI指数构建了各省市的指数时间序列(见图 10)。指数序列的斜率表示植被生长状态趋势,斜率为正,表示植被生长状态良好发展,区域水分条件充足。

    Figure 10.  Annual Drought Intensity in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019

    图 10可以看出,长江中下游地区六省一市近20年来VHI指数均呈现逐渐增大的趋势,水分条件逐年向好。但各省市VHI指数增长趋势差异较大,其中,江西和湖南两省的趋势最明显,分别约为0.014 0/a和0.013 9/a。而江苏省和上海市年际变化率较低,但仍分别以0.001 5/a和0.000 9/a逐年增长。虽然按照IPCC相关报告及相关研究[36],全球整体干旱趋势日益严峻,但区域干旱趋势与区域气候有关。根据本文实验,长江中下游地区干旱并无增强趋势,干旱风险程度低,整个区域呈现水分条件持续变好,这一结论与已有的研究结果保持一致[2037-39]图 10中各个省市的降水距平指数均呈现逐年升高的趋势,验证了VHI监测各个省市结果的可靠性。

    在六省一市的VHI逐渐增加趋势中,江苏省和上海市的VHI指数虽然逐年增加,但增加缓慢,增加的趋势脆弱。相比于其他省市,江苏省和上海市VHI增长趋势较低的原因可能是降水变化和温度升高带来的蒸散发差异抵消了部分增长趋势。图 11显示了2001—2019年六省一市的年际温度变化率和年际降水变化率。从图 11中可以看出,各省市的降水均呈现逐渐增加的趋势,这与长江中下游地区降水量整体增加是一致的(图 4)。其中,浙江、上海和江西的年际增长率最高,分别达到28.44 mm/a、25.45 mm/a和22.60 mm/a。各省市的温度逐年升高,其中上海、江苏和安徽的逐年温升最为明显,分别是0.097 6 K/a、0.073 2 K/a和0.033 0 K/a。对比VHI指数和降水距平指数逐年变化的斜率可以发现,虽然研究区所有省份VHI和降水距平指数的斜率均为正值,省市间斜率的差距很可能是不同地区的蒸散发差异造成的。降水是地表获取水分的主要来源,蒸散发是地表失去水分的主要方式,相较于其他省份,上海市降水增多趋势明显,但温度升高趋势也十分明显。江苏省温度升高趋势仅次于上海市,但降水增长趋势较弱。降水和温度逐年变化的差异可能使两地的VHI指数增长缓慢。总的来说,江苏省和上海市的水分条件虽逐渐变好,但仍有干旱发生的可能性,当地农业部门需提高警惕,防止干旱发生带来的经济损失。

    Figure 11.  Annual Change Rate of Precipitation and Temperature and VHI in the Middle and Lower Reaches of the Yangtze River from 2001 to 2019

  • 本文利用VCI、TCI和VHI指数监测了长江中下游六省一市2001-01—2019-12近20年的农业干旱情况,探究了不同植被对干旱的敏感性,并对长江中下游各省市近20年农业干旱演变趋势开展研究,得到如下结论:

    1)与不同时间尺度SPI指数的对比结果显示,VCI与长时间尺度SPI(SPI-3,SPI-6)相关性良好,适合用来监测中、长期干旱,TCI与短时间尺度SPI(SPI-1)相关性好,适合用来监测短期干旱。VCI和TCI在VHI中的权重需根据研究区域特点而定,在长江中下游地区,VCI对VHI指数的贡献更大,VCI和TCI的最优权重配比为7∶3。

    2)在对2001年和2011年两个典型干旱年份进行农业干旱的对比分析中,VCI与TCI指数能够分别反映农业干旱的植被生长和热量异常方面的特征,但单一的指数在综合监测干旱方面是不足的。虽然通过采用7∶3的最优权重分配比,VHI能够综合VCI和TCI的各自优势监测长江中下游地区的农业干旱,但也进一步说明VHI指数与研究区域有关,在应用VHI指数时应充分考虑区域植被和温度变化特点,调整VCI和TCI权重因子。

    3)不同类型的地物覆盖类型对干旱的敏感性差异大。针对长江中下游地区的林地、草地与农田地物类型,干旱敏感性依次增大。敏感性的差异主要与植被根系发达程度及生长环境有关。

    4)近20年来,长江中下游地区六省一市的水分条件均呈现较好发展趋势,湖北、安徽、湖南、江西和浙江水分条件逐年向好的趋势更加明显,江苏和上海地区虽然也呈现湿润趋势,但趋势较脆弱,仍有干旱发生的风险,当地相关部门仍有必要采取干旱预防措施,保障农业持续稳定发展。

Reference (39)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return