于 維,柯福陽,曹云昌
(1.南京信息工程大學遙感與測繪工程學院,南京 210044;2.中國氣象局氣象探測中心,北京 100081)
我國是受旱災影響最大的國家之一,近幾十年來,由于氣溫逐漸升高、降水逐漸減少導致旱災頻發[1],對農業經濟造成了巨大損失。傳統的干旱監測多以氣象監測為主,精度高,但效率低、耗費人力、應用范圍小且受站點分布影響較大[2],遙感技術的飛速發展解決了這一難題。MODIS作為中分辨率遙感衛星,是目前干旱監測主要的數據來源之一。溫度植被干旱指數(temperature vegetation dryness index,TVDI)是遙感干旱監測中常用的方法,它反映了植被覆蓋度與地表溫度變化之間的關系,進而反映土壤濕潤狀態[3],可以及時、準確和有效地監測不同地表面的干旱情況,且數據獲取途徑較多,過程簡單[4],因此被諸多學者進行研究。如王美林等利用2000—2015年的長時間序列MODIS數據提取地表溫度和植被指數數據構建TVDI,從年際尺度到季節尺度反演、解析了瑪曲表層土壤濕度的時空演變特征,并通過氣象數據及其他多源數據進行驗證,證實了其結果的有效性和可靠性[5];劉英等將TVDI用于陜西省的干旱監測,并探究了其引起干旱的主導因素[6]。雖然TVDI在干旱監測中有一定作用,但MODIS時間分辨率較低,難以進行實時旱情監測。
大氣可降水量(precipitable water vapor,PWV)作為大氣中重要的成分之一,獲取手段主要通過全球導航衛星系統(Global Navigation Satellite System,GNSS)、氣象衛星以及探空站等[7],其中傳統的探空站監測精度較高,但站點數量少且獲取頻率低,缺乏一定的連續性[8],GNSS遙感的出現解決了這一問題。由于其全天候、時空分辨率高、受云雨因素影響較小等諸多優點成為 PWV監測的主要方式[9]。PWV是大氣中產生降水的基礎,也是評估空中水資源含量的重要依據,與氣象現象密切相關[10],因而備受研究人員關注。F Alshawaf發現PWV的變化與地表溫度呈一定規律,即地表溫度每上升1℃,PWV在一定范圍內產生波動[11];Wang X M利用PWV監測出了澳大利亞的洪澇災害[12]。上述研究表明,PWV在氣象災害監測方面具有很大潛力,但在旱災監測領域研究較少。
MODIS數據廣泛應用于干旱監測領域,能夠實現較大范圍的干旱監測,但其時間分辨率較低,GNSS PWV作為一種新的技術手段,在氣象災害監測方面具有很大潛力,且有著高時空分辨率。為此,本文以云南省為例,利用MODIS的植被指數產品(normalized difference vegetation index,NDVI)和地表溫度產品(land surface temperature,LST)構建TVDI,以驗證PWV在干旱監測中的適用性,同時進行干旱特征時空變化分析。
云南省位于我國西南地區,地處N21°8′~29°15′,E97°31′~106°11′之間。地勢上,全省地勢較高,最高海拔高達6 000多米,呈西北高、東南低態勢,為山地高原地形,主要以山地類型為主,約占比全省國土總面積的84%。氣候上,主要為亞熱帶高原季風型氣候,全省氣溫七月達最高,約為20 ℃,最低在一月份,約為7 ℃,年溫差約為11 ℃;全年干濕分明,有著明顯的季節性和區域性降水不均現象,時間上,降雨主要集中在5—10月,而11月—次年4月降雨較少,空間上,雨量較多地區可達2 200~2 700 mm,較少地區可達584 mm,表現為夏秋多雨、春冬多旱現象,干旱發生頻率較高區域主要在云南東部。圖1為研究區范圍及CORS站、氣象站分布圖。
圖1 研究區范圍及CORS站、氣象站分布圖Fig.1 The study area and the distribution map of CORS stations and weather stations
1)本文使用的MODIS來源于LAADS DAAC官網(https://ladsweb.modaps.eosdis.nasa.gov/search/),分別為8 d合成、1 km分辨率的MOD11A2地表溫度產品和16 d合成、1 km分辨率的MOD13A2植被指數產品,時間范圍為2016年—2020年的1—5月(本文將1—5月稱為春季)。利用MRT軟件分別對目標數據(NDVI、LST)批量提取、拼接和重投影,格式轉換,然后用云南省行政區劃邊界進行掩模裁剪,并同時對NDVI和LST進行S-G濾波[13]以消除噪音影響,且利用最大值合成[14]法合成為月、春季數據。
2)本文使用的GNSS數據及氣象數據由中國氣象局氣象探測中心提供,站點主要包含云南省的35個連續運行參考站(continuously operating reference stations,CORS)及127個氣象站,空間分布如圖1。該數據主要包含溫度、相對濕度、PWV、降雨量、氣壓等。
TVDI最早由Sandholt[15]提出,該指數主要考慮了2個描述土壤表層特征的重要參數,即地表溫度(LST)和歸一化植被指數(NDVI)。當研究區植被覆蓋情況為完全裸土到完全覆蓋時,土壤濕度則由重旱到濕潤,理論上,此時NDVI與LST構建的特征空間呈梯形[16],如圖2。
圖2 Ts-NDVI特征空間Fig.2 The Ts-NDVI feature space
通過NDVI和LST可構建TVDI[17],其關系可表示為:
(1)
式中:LST為地表溫度;LSTmax為在NDVI值下的最高溫度值,即特征空間的干邊;LSTmin為在相同的NDVI下的最低溫度值,即特征空間的濕邊;TVDI值域范圍為(0,1),TVDI越趨向于0,表示土壤濕度越高,植被的蒸散作用增強,使得地表溫度下降,TVDI越趨向于1,表示土壤濕度越低,植被蒸散作用降低,地表溫度升高。通過線性擬合可得其干、濕邊方程:
(2)
式中:a1,b1,a2,b2分別為干、濕邊方程的擬合系數。
GNSS衛星發射的信號在穿過大氣層時,由于電離層和對流層的影響,產生信號延遲,記為大氣總延遲(zenith total delay,ZTD)。ZTD由電離層延遲和對流層延遲組成,其中電離層折射引起的延遲可通過雙頻接收機消除99%的影響[9];對流層延遲主要有靜力延遲(zenith hydrostatic delay,ZHD)和濕延遲(zenith wet delay,ZWD),即ZWD=ZTD-ZHD,ZTD計算公式為:
(3)
式中:k1,k2,k3分別為大氣折射常數;Rd為干空氣氣體常數;ρ為干空氣總質量密度;Pw和Zw分別為水汽局部氣壓和可壓縮系數;H和H0分別為對流層頂層高度及站點高度。式(3)等式右側兩項分別表示ZHD和ZWD,其中ZHD可通過站點信息及地面氣壓求得[18],公式為:
(4)
f(φ,H)=1-0.002 66cos(2φ)-0.000 28H。
(5)
式(4)為解算ZHD的常用模型,Saastamonien模型。式中:P0為測站地面氣壓,單位為hPa;φ為測站地理緯度;H為測站點海拔,單位為km。由于氣壓測量精度較高,該模型所估算的ZHD可達mm級精度[19]。計算公式為:
(6)
式中:ρω為水密度;R=461(J·kg-1·K-1);κ=(3.776±0.014)×105(K2·hPa-1);κ'=16.48(K2·hPa-1);Tm為大氣加權平均溫度;Π為無量綱水汽轉換系數,僅與大氣加權平均溫度Tm有關,常用取值范圍為6.0~6.5[20]。
由中國氣象局氣象探測中心提供的云南省的35個CORS站數據和128個氣象站點數據,包括降雨量、溫度、PWV、相對濕度。借助Pearson相關系數分析TVDI與PWV、降雨量、溫度及相對濕度的之間的相關關系。公式可表示為:
(7)
式中:R表示Pearson相關系數;N代表樣本個數;xi,yi分別表示TVDI和氣象因子;R取值范圍為[-1,1],|R|值越大相關性越強。當R<0時,表示兩變量呈負相關關系,反之則表示為正相關,R=0時表示兩變量之間不相關。
由于植被覆蓋度過低或者過高,均會對監測結果產生影響。過低時,NDVI難以顯示區域的真實植被覆蓋情況;過高時,植被達到過飽和,生長緩慢。因此,本文NDVI取0.2~0.8,以0.01為步長,計算每個NDVI像元對應的最大、最小地表溫度,然后對每期特征空間的干、濕邊進行擬合,便可得到Ts-NDVI特征空間,如圖3,擬合結果見表1,最后將擬合方程代入式(1)即可求得每個像元的TVDI。
根據圖3可知,2016—2020年每1—5月特征空間都具有相似的梯形形狀,干、濕邊都具有相同的變化趨勢,其中地表溫度最大/最小值隨著NDVI的增大而減小/增大;由表1可知,LSTmax與NDVI呈負相關,且干邊擬合較好,擬合系數基本均高達0.8,但是每年1月,擬合系數較小,呈現弱相關性,根據孫麗等的研究[21]可知,這主要是由于植物1月份生長期緩慢,影響了NDVI的真值。
(a)2016年1月 (b)2016年2月 (c)2016年3月 (d)2016年4月 (e)2016年5月
表1 特征空間干濕邊擬合方程及相關系數(2016—2020)Tab.1 The fitting equation and correlation coefficient of dry and wet edge in characteristic space (2016—2020)
(續表)
在關于TVDI和PWV的相關性分析方面,主要從時間和空間上做具體分析。其中在時間上表現在季尺度、月尺度和日尺度。在季尺度上,TVDI與PWV相關性較高,相關系數基本均大于0.5;在月尺度上,對研究區內各個時期的TVDI和PWV的月均值做統計分析。結果如圖4所示,TVDI與PWV月值具有一致變化規律,每年特征表現呈先上升后下降趨勢,分別于3,4月達到峰值,造成這一現象的原因可能在于該時間段內高溫少雨,空氣中PWV含量較低導致PWV變化較小,此外在2020年2—5月出現了步調相反的變化趨勢,這與統計資料顯示的2020年特大春旱情況相符合;在日尺度上,由于PWV與降雨量具有較強的瞬時性,月均值難以表現PWV變化的細節特征,因此選取并計算了云南墨江(YNMJ)站PWV與降雨量的逐日值進行分析,如圖5,在逐日的時間序列中,每次降雨必然會伴隨著PWV的陡然上升和下降的趨勢,此時TVDI也有一定程度的降低,當降雨較少或者不降雨時,TVDI又逐漸增大,表明PWV的變化具有一定的干旱特征信號[22]。在空間上,通過對兩者進行Pearson相關性分析,結果見表2,PWV與TVDI之間具有較強的相關性,表現出相似的空間分布特征。
表2 TVDI與PWV相關性系數(2016—2020)Tab.2 Correlation coefficient between TVDI and PWV (2016—2020)
圖4 PWV與TVDI變化趨勢圖(2016—2020)Fig.4 Change trend chart of PWV and TVDI (2016—2020)
圖5 云南墨江(YNMJ)站TVDI、降雨量、PWV變化趨勢圖Fig.5 Change trend chart of TVDI,rainfall and PWV of YNMJ Station
根據前文計算的TVDI,采用齊述華等[23]對全國旱情監測的等級劃分法對其進行等級劃分,分為濕潤、正常、輕旱、中旱及重旱5個等級,由此便獲得云南省干旱等級分布圖。如圖6,在時間上,2016—2020年5 a間,旱情變化趨勢一致,旱情程度逐月上升,在每年1,2月相對緩和,但在3,4月均較為嚴重,且均主要分布在滇南、滇西南地區,在5月有緩和趨勢,主要是由于由春入夏,雨量相對增多,因此旱情有所緩解。年際間,每年旱情均表現出一定程度的春旱,這與曹影等[24]的研究結果具有一致的特征。
(a)2016年1月 (b)2016年2月 (c)2016年3月 (d)2016年4月 (e)2016年5月
在空間上,根據云南省區域特征將云南行政區域劃分為滇中、滇東北、滇東、滇東南、滇南、滇西南、滇西、滇西北,并利用Python,以上述為矢量范圍掩模,對TVDI進行分幅裁剪,以獲取各區域TVDI分布情況,然后對每個區域輕旱、中旱及重旱面積進行統計。從圖7可以看出云南省在2016—2020年各區域干旱面積占比及空間分布特點,大部分地區均以中旱為主,尤其是滇中、滇東地區,中旱面積分別高達68%和80%,滇東北主要以輕旱為主,且輕旱面積逐年上升,滇西南、滇東南地區主要以重旱為主,其中滇西南重旱面積有逐年上升趨勢,2020年高達63.64%,滇東南呈現逐漸下降趨勢,由2016年的65.43%降低到2020年的26.13%。
圖7 云南省各區輕旱、中旱及重旱面積占比Fig.7 The proportion of light drought,medium drought and severe drought in Yunnan Province
為了進一步研究溫度、相對濕度等氣象因子與植被干旱指數和PWV之間的關系,本文計算并提取了云南省2016—2020年1—5月各CORS站點的溫度、相對濕度及PWV,觀察其時間序列變化特點。結果顯示:如圖8所示,1,2月溫度約以0.48℃/年、0.32℃/年的速度上升。同時以CORS站為中心,計算其周圍3像元×3像元范圍內的TVDI值。最后將各TVDI值、PWV值分別與溫度、相對濕度進行Pearson相關性分析,分析結果如圖9,TVDI,PWV均與溫度呈現正相關關系,相關系數高達0.85,且通過了P<0.01顯著性檢驗,但與相對濕度呈弱相關或不相關,這表明溫度與TVDI和PWV密切相關,可作為干旱的重要評價因子。
表3 干旱等級分級Tab.3 Drought grade
圖8 溫度、相對濕度變化趨勢Fig.8 Trend of temperature and relative humidity
(a)TVDI與溫度相關性 (b)TVDI與相對濕度相關性
針對近幾年嚴峻的干旱形勢,本文利用TVDI分析了云南省2016—2020年春季的干旱特征時空變化,同時通過均勻分布在云南省的35個CORS站解算各站點PWV,并利用TVDI驗證了PWV在干旱監測中的適用性,得出以下結論:
1)TVDI能較好地監測干旱情況,在云南省具有較好的適用性。由于區域性不均勻降水導致云南省干旱常年呈滇西北向滇東南增強趨勢,主要集中在滇中、滇東、滇東南、滇南地區;由于時間性不均勻降水導致云南省干旱主要以冬旱、春旱為主,季內旱情呈先遞增后減緩趨勢,尤其3—4月份旱情變化特征最為明顯,年間旱情呈波動變化特點,沒有出現明顯減少或增加的趨勢。
2)GNSS PWV在干旱監測領域中具有一定潛力?;赑earson相關分析發現PWV和TVDI存在較強的相關性,在季尺度上,相關系數基本均大于0.5;在月尺度上,PWV變化趨勢與TVDI變化趨勢基本一致,但TVDI變化有一定的時間延遲;在日尺度上,尤其時降雨時期,PWV變化和TVDI變化幅度契合度更高,表現出了一定的干旱特征信號,因此PWV為旱災監測提供了一種新的技術手段。
本研究結果較好地反映了云南省近5 a的干旱演變特征,為防災減災提供了理論依據,有一定的參考價值。同時驗證了GNSS PWV在干旱響應上具有一定潛力,但本文僅做了一些定性分析,對于GNSS PWV在干旱監測中的定量化分析還需深入研究。