西北地區干旱時空動態分布及成因分析

湯連盟,呂偉才,蒲濤,陳梁,徐克立

(1.安徽理工大學 空間信息與測繪工程學院,安徽 淮南 232001;2.安徽理工大學 礦山采動災害空天地協同監測與預警安徽普通高校重點實驗室,安徽 淮南 232001;3.安徽理工大學 礦區環境與災害協同監測煤炭行業工程研究中心,安徽 淮南 232001)

0 引言

近百年來,全球正在經歷以氣候變暖為主要特征的氣候變化,干旱發生的頻率與強度增加[1]。干旱是我國最嚴重及普遍的自然災害之一,具有形成原因復雜、發生頻率高、持續時間長且影響范圍廣等特點[2]。而西北絕大部分地區深受自然干旱的影響,屬于干旱、半干旱區,是全國干旱最嚴重的地區[3]。其生態環境脆弱、土地荒漠化嚴重及植被結構簡單等特點,使其對環境氣候變化響應較為敏感,嚴重影響西北地區生態平衡與穩定,阻礙了國家建設生態文明的政策與理念。對西北干旱區展開干旱監測的研究是必要舉措,有助于提高干旱的抵御能力、減小經濟損失及降低其社會面的影響。

國內外學者對干旱監測的方法進行了諸多研究,如Ghulam等[4]利用近紅外和紅光波長的反射率反演的二維光譜空間,提出了一種簡便有效的干旱監測方法,根據其空間特征建立了垂直干旱指數(perpendicular drought index,PDI),并研究PDI與土壤水分之間的關系。嚴建武等[5]提出標準化降水指數(standard precipitation index,SPI)及Palmer干旱強度指數(Palmer drought intensity index,PDSI)等氣象指數,雖能夠較好反映干旱情況,但在傳統方法依賴測站點數據且具有“以點帶面”的不足,在高海拔、測站點分布不均等地存在監測結果不及時、不準確。Sakine等[6]提出基于標準化降水指數SPI的方法對新開發的降水數據集SM2RAIN-ASCAT與地面氣象監測站數據比較分析以估算降水并監測降水,此方法可作為對干旱、半干旱地區地面氣象監測站數據的補充。Gholamnia等[7]基于TIMESAT估算歸一化植被指數(normalized difference vegetation index,NDVI)時間序列的季節參數與土地覆蓋之間的關系,從降雨、不同土地覆蓋度等方面分析研究區干旱的影響條件。田慶久等[8]提出NDVI是目前在生態監測中常用的一種指數,其對低植被覆蓋度非常敏感,但是對于植被覆蓋度較高的地區,所檢測的能力減弱。齊述華等[9]根據NDVI和陸地表面溫度(land surface temperature,LST)構建特征空間,使用溫度植被干旱指數(temperature vegetation drought index,TVDI)能夠較好地反映表層土壤水分變化趨勢,相對于NDVI衡量旱情指標TVDI更合理。Liang等[10]利用TVDI研究全國干旱與氣侯變化趨勢的關系認為,干旱發生與氣象因子相聯系,且影響干旱的主要氣象因子會由于地區的不同也會有所變化。

西北部分地區由于特殊的地理狀況等因素,存在地面氣象監測站分布不均且站點稀疏的情況[11],使用SPI、PDSI等傳統監測方法在此類地區中可能會存在監測的滯后性與局限性造成干旱監測的偏差[12]。而依靠遙感技術可以快速、大范圍地獲取可靠數據,在一定程度上降低了滯后性的問題。其中TVDI在干旱、半干旱地區進行實際監測中具有較優的適用性[13],所需的數據量以及參數較少,且綜合考慮到植被狀態與地表溫度的雙重特征,在干旱、半干旱地區得到了廣泛的應用[14]。諸多學者在西北及相關干旱地區使用TVDI證明其監測干旱狀況具有良好的適用性,如程軍等[15]、張晶言等[16]、張翀等[17]及龐素菲等[18]分別在西北所包含的省份使用TVDI方法監測干旱狀況并得到了較好的監測成果,故本研究認為TVDI適用于西北地區的干旱監測。

然而,目前基于長時間序列的時空動態變化監測較少,且影響成因分析主要從溫度和降水方面切入,缺少土地利用及人口密度等成因分析,尤其在西北干旱區連續動態監測不夠深入,具有一定的局限性。因此,本文基于2001-2020年植被生長季4-10月計算西北地區的TVDI指數、空間特征分布與變化趨勢,以及對西北干旱區未來預測進行了分析,揭示了影響西北地區TVDI指數的自然因子。

1 研究區概況及研究方法

1.1 研究區概況

中國西北地區包括陜西省、甘肅省、青海省、寧夏回族自治區以及新疆維吾爾自治區5個省級行政區,其位于72°25′E～110°55′E,31°35′N～49°15′N(圖1)。地理位置深處內陸,因沙灘戈壁、荒漠草原、日照時間長等綜合原因,形成自然景觀交錯不齊、時空分布極其不均勻、生態環境脆弱、抗干旱能力弱的現狀,導致西北地區是最容易受到氣候變化影響的地區之一。其中夏季最熱以及中國降雨最少的地區均位于西北境內,氣候干旱、降雨分布不均是西北地區最主要的氣候特征[19-20]。

圖1 研究區概況

1.2 數據來源與研究方法

本研究遙感數據選用2001-2020年(植被生長季4-10月)MODIS的遙感數據,數據為NASA(美國國家航空航天局)(https://lpdaacsvc.cr.usgs.gov)提供的植被指數產品(MOD13A2),時間分辨率為16 d,空間分辨率為1 km。地表溫度產品(MOD11A2)的時間分辨率分別為8 d,空間分辨率為1 km?；贜DVI和LST計算TVDI。

DEM數據通過地理空間數據云鑲嵌裁剪獲取(https://www.gscloud.cn/#page1)。溫度、降雨量數據從英國CRU發布的全球陸地表面月均氣候數據集(http://www.cru.uea.ac.uk/data)獲取。人口密度數據來自精度最高的Worldpop公開人口數據集(https://www.worldpop.org/),通過處理得到研究區所需數據集。土地利用覆蓋數據是中國研制的30 m空間分辨率全球地表覆蓋數據(http://www.globallandcover.com/),地理坐標系采用的是WGS_1984,此產品將土地利用分類分為11類,本文合并分為6類作為研究對象。

1.3 研究方法

1)溫度植被干旱指數。TVDI是地表溫度(Ts)與NDVI建立相關Ts-NDVI特征空間模型,并計算實現干濕邊方程擬合和TVDI 指數提取,以獲取水分脅迫指數對土壤濕度進行評估。在NDVI<0時,地表以冰雪、水系以及云層為主要覆蓋物,認為地表含水量為100%。0

表1 TVDI干旱等級標準劃分

2)趨勢分析法(Sen-MK)。在長時間序列的趨勢分析中,常采用Sen-MK趨勢分析法,這是一種非參數統計計算的方法,除對測量誤差和離群數據不敏感外還具有計算效率高且計算效果穩健等特點。本文利用Sen趨勢度對西北地區2001-2020年TVDI年際變化趨勢進行分析計算。

3)Hurst指數。Hurst指數是定量描述時間序列數據持久性特征的一種有效方法。本文采用R/S分析方法估計Hurst指數,對我國西北地區通過20 a數據進行持久性特征分析[23]。

Hurst指數取值范圍為0～1。當0

4)地理探測器。本文使用王勁峰等[25]提出探測空間分異性的地理探測器,探測各驅動自變量因子對因變量的解釋度。

2 結果與分析

2.1 基于TVDI的西北地區干旱時空變化特征

對西北地區植被生長季進行均值法分析獲取時間特征發現(圖2(a)),近20 a間TVDI值呈現不顯著下降的趨勢,表明整個西北地區在呈現緩慢“變濕”跡象,其下降速率為0.000 6/a。

圖2 TVID年均值及干旱等級面積占比

根據干旱等級將2001-2020年(4-10月)研究區植被生長季的TVDI進行劃分,研究20 a間干旱年際變化特征。從年際TVDI變化看,2013年的TVDI值最高,表明此年份西北地區干旱程度最嚴重。從年際干旱等級劃分看(圖2(b)),2014年受災區(中旱、重旱)最為顯著,達到研究區總面積的56.45%。2013年受害影響面積(輕旱、中旱、重旱)最嚴重,達到研究區面積的75.84%。取20 a間干旱面積均值得知,年平均對植被生長季影響面積占研究區總面積72.59%,但通過對近20 a間輕旱、中旱、重旱研究發現,其占像元的面積以0.001 4/a的速率緩慢下降。

根據圖3,發現TVDI干旱分布具有較強的地域性和局域性,全域的北部、西北部、東北部干旱程度顯著高于南部、東南部。干旱事件主要分布在甘肅的河西走廊、青海的柴達木盆地,以及新疆的昆侖山脈以南的地理位置。陜西全域以中旱和重旱為主,寧夏全域主要以中旱為主。其中新疆地區重旱較于其他4省最為嚴重,主要分布在昆侖山脈、塔里木盆地附近,且南疆的干旱頻次和面積高于北疆,形成了較大規模的重旱。

圖3 重旱年際TVDI空間分布

2.2 2001-2020年西北地區TVDI趨勢變化分析

圖4空間分布表明TVDI指數從西北部向東南部逐步遞減。西南和東南地區TVDI較低,受影響較小。青海地區較為濕潤,其絕大部分為正常狀態。干旱比較嚴重的地區為新疆地區,受海拔較高、年降水少等原因,相比其他地區,更容易受到氣候變化帶來的影響。

圖4 20 a年均TVDI時空分布

對2001-2020年間(4-10月)各省年份TVDI均值一元線性均值回歸方程及可視性TVDI均值趨勢分析,可知除寧夏地區20 a間的TVDI呈現0.001/a上升的趨勢外,其余西北4省均呈現不同程度的下降趨勢(陜西TVDI變化值為-0.001 7/a,R2=0.178 4;青海TVDI變化值為-0.001 4/a,R2=-0.102 4;甘肅TVDI變化值為-0.000 9/a,R2=0.093 4;新疆TVDI變化值為-0.000 08/a,R2=0.001),在研究時間跨度的植被生長季的年份中,陜西地區變濕化現象最為明顯。

結合基于Sen-MK進行20 a趨勢性顯著檢驗(圖5),可以看出變化趨勢具有區域性的差異。從總體上看,呈“西部減少、東部增加”的趨勢。從局部上看,寧夏的北部、新疆東北部干旱程度顯著增加,青海東南、東北部、甘肅南部、陜西的西南部總體“顯著變濕”。49.4%的區域干旱狀態減弱,43.2%的區域干旱狀態加強。由此可知,2001-2020年間研究區的TVDI指數呈下降趨勢,即西北地區20 a存在“變濕”現象。

圖5 時空趨勢變化分析

2.3 未來干旱化持續性分析

1)TVDI未來持續性分析。Hurst指數年際變化如圖6所示。由圖6可見,Hurst指數范圍在0.09～0.96,均值為0.43,與過去的TVDI趨勢呈反持續性,即干旱將呈上升趨勢。未來西北地區植被生長季TVDI以增加為主。Hurst指數小于0.5的值占西北地區總面積的79.9%,具有反持續性,說明西北地區未來變化趨勢與過去20 a相反。對西北地區的區域分析得到各省份Hurst指數均值,新疆為0.43、陜西為0.45、寧夏為0.47、甘肅為0.41、青海為0.42,均具有反持續性。由此可知西北地區未來植被生長季TVDI變化趨勢,寧夏未來TVDI值會下降,且主要干旱地區大概率會集中發生在中部;其余4省都將呈現反持續性,表示TVDI的值會呈現不顯著上升的趨勢。

圖6 西北地區持續性分析

2)影響因素分析。本文選取2001-2020年年均土地利用類型、年均降雨量、年均溫度、人口密度、高程、坡度及坡向作為驅動因子進行單因子探測及多因子交互探測。單因子結果顯示人口和坡向對研究區TVDI的值無顯著性影響。各影響因子的p值均為 0,表明研究因子對西北地區干旱值有充分的解釋力,也證明選取高程、降雨量、溫度等指標計算影響干旱的可行性。根據q值的大小對影響因子排序(圖7),依次為高程、溫度、坡度、土地利用、降雨量,高程和溫度是影響TVDI的主導因子。不同類型的雙因子交互作用存在明顯的差異性,且增加了單因子的解釋度。雙因子交互后均顯示雙因子增強,其中與高程和溫度交互的因子均在0.65以上,與高程交互因子的均值為0.826,與溫度交互因子的均值為0.763,進一步加大了高程和溫度對TVDI的解釋度。其中,高程∩土地利用(0.844)、高程∩降雨量(0.820)、高程∩溫度(0.798)、高程∩坡度(0.843)值均在0.8左右及以上,具有較強的解釋度,部分因子交互值也具有較大的解釋度 (溫度∩坡度、溫度∩土地利用、溫度∩降雨量),這一結果也說明了TVDI的空間分布格局受多種因素綜合影響。

注:加粗為各單因子的q值;其他為因子間交互q值。圖7 交互因子熱力圖

3 討論

干旱的成因較為復雜,在以往學者對干旱的研究中僅取短時間跨度的降雨或溫度等方面數據進行分析,其時間短、考慮面窄,導致說服力不足,在較大程度上影響了學者對干旱成因的判斷。針對目前西北地區缺乏長時間序列空間動態變化的干旱監測及未對影響干旱成因的問題進行深入研究,本文以長時間序列2001-2020年為跨度,探究多方面因素及綜合多因子之間的交互作用對干旱的影響,對干旱的地理空間分布準確定位、未來持續狀態詳細說明、干旱成因準確定性。但未對TVDI與地面監測站進行結合分析,大體上可能會存在偏差的問題,今后考慮遙感數據與地面監測站相結合的方法進行干旱監測。此外,本文使用的NDVI對植被高覆蓋區監測不敏感也存在一定的誤差,可以使用EVI構建TVDI及改進的ITVDI方法對研究區進行干旱監測以獲取最優的監測模型。

4 結束語

本研究基于2001-2020年MODIS的NDVI和LST,獲取TVDI不同時間尺度的空間變化趨勢及空間特征,驗證了TVDI的變化趨勢及未來發展趨勢,并探究影響TVDI的因子,得如下結論。

1)根據2001-2020年西北地區的TVDI均值和年際變化空間分布可知青海干旱區集中在柴達木盆地;新疆干旱區基本集中在昆侖山脈、塔里木盆地,且南疆發生干旱事件頻次和面積高于北疆;甘肅干旱區集中在河西走廊附近;寧夏全域主要呈現中旱;陜西全域主要呈現中、重旱,其北部干旱程度低于南部。

2)TVDI以0.000 6/a的趨勢不顯著下降,表示西北地區這20年來呈現“暖濕”現象。由趨勢變化分析可知,寧夏地區TVDI呈上升趨勢,其余4省均呈下降趨勢;49.4%的地區TVDI呈下降趨勢,43.2%的地區呈上升趨勢,這一結論驗證了西北地區的“暖濕化”現象。

3)從Hurst指數可知,反持續地區占像元面積的79.9%,表示西北大部分區域未來一段時間TVDI值會呈增加趨勢,即部分地區干旱不降反升。

4)TVDI影響因素結果可知,單因子影響力依次為高程>溫度>坡度>土地利用>降雨量。高程∩土地利用、高程∩降雨量、高程∩溫度、高程∩坡度,這幾類雙因子交互對干旱的影響力最大。