安徽省氣象干旱擾動下植被響應狀況評價

崔 陽，孫洪泉，夏積德

（1.楊凌職業技術學院，陜西 楊凌 712100；2.應急管理部國家自然災害防治研究院，北京 100085）

目前，歸一化植被指數NDVI 已被廣泛使用[1-4]，而植被狀態指數VCI 將NDVI 歸一化，可以更直觀地反映植被在長時間序列的長勢變化[5]。在監測作物長勢時如果不考慮該地區的灌溉條件，而對作物長勢進行統一評價可能會錯誤判斷雨養區與灌溉區受氣象干旱的程度[6]，因此需要考慮灌溉條件。GEE（Google Earth Engine）是谷歌開發的基于云的遙感地理空間大數據分析平臺，云計算能力強大，應用于干旱、糧食安全、水資源分析管理等多個方面，為長時間的遙感監測提供了新途徑[7]。因此本文將采用MCI 和VCI 指數，借助GEE平臺探究安徽省氣象干旱擾動與植被響應狀況的關系。

1 研究區概況及數據

安徽省地處我國長江中下游地區，位于114°53′～119°36′E，29°42′～34°39′N，全年平均降水量800～1 690 mm，灌區灌溉時間大致為每年的4—9月，作物種類豐富，區域性特點突出，以淮河為大致分界線，淮北大部分地區多以小麥、玉米輪作，淮南大部分地區以水稻為主，是我國重要的糧食產區（表1）。

表1 3種作物的生育期介紹

通過實地調查走訪，選取作物類型基本無變化的22個站點，氣象數據集采用中國地面氣候資料日值數據集1960—2020 年的日降雨和溫度；遙感數據采用2000—2020 年MOD13A2，空間分辨率1 km，時間分辨率16 d，數據質量已被廣泛驗證；灌溉分布與水稻、小麥和玉米2018 年作物分布來自安徽省水利廳淠史杭灌區管理總局，站點按照所在區域作物類型進行劃分，站點周圍作物類型已得到實地調查，基本無變化。本文遙感數據的獲取和計算均在GEE 中編程實現。

2 研究方法

2.1 氣象干旱指標計算

對站點原數據進行檢核，編程進行特征值換算，如降水量雪特征值9996xx.x 換算為降水數據xx.x，進行插值補全，時間長度為1960—2020 年，然后進行MCI 指標日值計算，選取2000—2020 年數據，按照MOD13A2時間分辨率合成16 d的MCI。在計算潛在蒸散發量PET 時，由于Thornthwaite 方法計算簡單速度快，采用該方法計算PET。MCI計算公式如下：

式中，MCI 為氣象干旱綜合指數；SPIW60 為近60 d標準化權重降水指數；MI30 為近30 d 相對濕潤度指數；SPI90為近90 d標準化降水指數；SPI150近150 d標準化降水指數；權重系數a取值0.5，b取值0.6，c取值0.2，d取值0.1。

Ka為季節調節系數，根據不同季節各地主要農作物生長發育階段對土壤水分的敏感程度確定，安徽省Ka系數見表2。

表2 安徽省的Ka 系數表

表3 氣象干旱與植被長勢相關程度劃分閾值

2.2 遙感指標計算

為進一步減小NDVI 產品中可能存在少部分云污染與數據缺失，采用SG 濾波進行平滑，然后計算VCI，根據以下式子在GEE 中編寫函數，進行計算，時間序列為2000—2020年，且已實現計算指定日期并批量輸出的功能。

式中， NDVI 為第i期影像某像元的值； NDVImin、NDVImax分別為第i期影像對應像元NDVI 歷史同期多年的最小值和最大值；當VCI ＜0.4 時，表示植被長勢變差，值越小，長勢越差。

2.3 統計方法

MCI 和VCI 多年變化趨勢擬合方法采用的是一元線性回歸擬合，直線斜率代表變化趨勢。公式為（以MCI 為例）：

式中，n為年份；i=1，2，3，…，21；MCIi為各站點3種作物21 a生長季MCI 的平均值；θslope為一元線性回歸方程的斜率。

皮爾遜相關系數r，可反映幾個變量之間的相互關系的強弱及其相關的方向，公式如下：

式中，x為MCI 的平均值；y為VCI 的平均值；n為樣本個數。

2.4 技術路線

本文技術路線詳見圖1。

圖1 流程圖

3 實驗與分析

3.1 灌溉區與雨養區植被對氣象干旱的響應程度

在灌區內部植被長勢與氣象干旱存在高度相關的時間為4-5 月。從MCI 的計算結果可知，研究區在4-5 月極易發生嚴重氣象干旱，開始灌溉的時間在每年4-5 月，因此在4-5 月土壤墑情較低，且受到嚴重干旱影響，灌區內植被長勢與氣象干旱呈現較高的相關性；而在每年6 月，雖發生不同程度的氣象干旱，但由于已經灌溉，植被得到外部供水，植被長勢與氣象干旱的相關性與4-5 月相比，呈明顯下降趨勢；在7-8 月份，全省仍頻繁發生不同程度的氣象干旱，除小部分地區灌溉外，大部分地區由于持續灌溉，大部分地區植被長勢與氣象干旱的相關性均表現為中度和低度相關，說明灌溉緩解了灌區內氣象干旱對植被長勢的影響。

在雨養區內，可以看到除發生嚴重氣象干旱的4-5 月外，在1 月安徽中南部地區，6 月和9 月安徽西北部和東南部大面積地區，7-8 月西北部和東南部小部分地區，10 月份東南部地區和12 月份中部部分地區，植被長勢與氣象干旱均呈較高相關關系。

結合圖2可知：在2000—2020年1-12月內，灌溉區植被長勢與氣象干旱相關性均低于雨養區，尤其在6 月份，呈明顯下降趨勢，表明雨養區植被長勢受到干旱脅迫程度更高。在區域分布上，雨養區內安徽淮河以北和東南部地區的植被長勢受氣象干旱影響較大；在時間尺度上，在每年氣象干旱嚴重的4-5 月份，雨養區的植被更易受到干旱脅迫。若能提早灌溉或提高灌溉量，使土壤墑情達到植被生長需求，將在很大程度上減緩灌區內部植被對于嚴重干旱的抵抗性。表明在灌溉區由于存在灌溉條件，在干旱年份，灌溉對于作物長勢的存在維持作用，減弱了氣象干旱對作物長勢的作用，作物仍能維持生長必需的水分補給，受氣象干旱脅迫的影響降低；反之，雨養區由于在干旱年份得不到外部水分補給，在受到嚴重干旱脅迫下，作物的長勢與干旱程度呈高度相關關系，會受到嚴重影響。

圖2 灌溉區與雨養區植被長勢與氣象干旱相關曲線

3.2 基于站點的氣象干旱擾動與3種主要農作物長勢的響應

1）3 種作物MCI-VCI 在2000—2020 年整體變化趨勢。在2000—2020年水稻和小麥MCI年際增速分別為+0.05 和+0.02，表明干旱趨勢逐漸減緩；VCI 年際增速分別為+0.005 和+0.012， 表明植被長勢變好；VCI/MCI 變化速率比分別為0.1 和0.6，說明水稻和小麥整體趨勢都呈正相關關系。而在玉米MCI和VCI的變化趨勢明顯呈兩段式變化，是由于玉米區域在2007 年后氣象干旱加重。其中MCI在2000—2007年呈上升趨勢，增速為0.099；在2007—2020年趨勢平緩，干旱強度趨勢降低，說明在2000—2007年干旱趨勢呈上升，在2007—2020年趨于平穩；VCI在2000—2007年趨勢上升，增速為+0.019，表明玉米長勢變好，VCI/MCI變化速度比為0.19，在2007—2020年小麥VCI年際變化趨勢平緩，說明在2007—2020年植被長勢逐漸平穩。

通過3 種作物的年際變化曲線可以看出，VCI/MCI 之比大小為水稻（0.1） ＜玉米（0.19） ＜小麥（0.6），表明隨著干旱趨勢逐漸增強，水稻長勢的響應速度最慢，玉米次之，小麥最快。從3 種作物的相關系數曲線（圖3）可以看出，在2000—2020 年，3 種作物MCI-VCI 相關系數均大于0，說明氣象干旱跟作物長勢的存在正相關關系，各站點的皮爾遜相關系數值（MCI-VCI）整體趨勢：小麥＞玉米＞水稻，再次表明小麥和玉米在受到氣象干旱條件下，作物長勢影響比水稻脅迫要大。

圖3 各站點2000—2020年MCI-VCI相關系數

2）不同氣象干旱程度下3 種作物長勢與干旱的變化分析。圖4 為水稻、小麥和玉米3 種作物在各自嚴重干旱、部分干旱與無旱年份整個生育期內作物長勢的變化過程，3種作物的NDVI值曲線整體趨勢大致為無旱＞部分干旱＞嚴重干旱年份，說明在水稻長勢受干旱的影響最小，而小麥受干旱的影響最大，玉米次之。需在嚴重干旱年份，補給水稻仍能維持生長必需的水分，使其受氣象干旱脅迫的影響降低；而小麥和玉米，在干旱年份得不到外部水分補給，在受到嚴重干旱脅迫下，長勢受到嚴重影響。

圖4 水稻、小麥和玉米在無旱、部分干旱和嚴重干旱年份NDVI變化曲線

4 討 論

對3種作物進行監測時，發現3種作物在不同干旱程度年份的作物長勢存在一些特殊值。以小麥為例，站點58015、58102 部分干旱年份（2019年）NDVI 年均值＞無旱年份（2003年）。這2個站點這21 a發生干旱的情況，可以明顯看出在整個生育階段內氣象干旱程度仍符合無旱年（2003年）＜部分干旱年（2019年）＜嚴重干旱年（2000 年）。通過查閱安徽省年鑒發現，在2003 年發生了嚴重的冰凍災害，是2000—2020 年來最為嚴重的一年，通過對應的NDVI 曲線發現：站點58015在3/21（拔節期）-4/22（抽穗期）作物長勢變差，在5—8月份（開花期）后才恢復到部分干旱年份的長勢；而站點58102 無旱年份（2003 年）整個生育期內的NDVI 值＜部分干旱年份（2019 年），尤其在3/21（拔節期）-4/22（抽穗期）作物長勢接近嚴重干旱年份（2000）作物長勢。說明作物的長勢一定程度上也受到其他的極端事件影響，不能簡單地把作物長勢變差完全歸因于氣象干旱。

5 結 語

本文主要分析了安徽省氣象干旱擾動與植被響應狀況的關系，從時空分布格局整體分析，得出氣象干旱與植被長勢為高度相關的地區隨月份不同而發生著變化，且大多發生在安徽北部以及南部地區部分地區，在時空上存在著差異。MODIS影像雖然時間分辨率高，適合作物長時間長勢監測，但空間分辨率低，未來可以采用更高分辨率的影像分析作物不同生育期；水分脅迫對于作物長勢影響最大，但并不是唯一因素，之后可以進一步精細化研究其他因素，如地形因素與加強小區域內灌溉對作物長勢的影響的驗證。