基于綜合干旱數(shù)據(jù)庫與隨機森林算法的草地干旱監(jiān)測模型構建*

袁雪琪,李靜,朱欣然,張召星,柳欽火

(1 中國科學院空天信息創(chuàng)新研究院 遙感科學國家重點實驗室, 北京 100094; 2 中國科學院大學電子電氣與通信工程學院, 北京 100049)

氣候變化被認為是二十一世紀地球的主要威脅之一。近些年來,隨著全球地表溫度上升[1],氣候變暖加劇,極端事件頻發(fā)。在各種極端事件中,干旱是對經(jīng)濟和環(huán)境的損害最嚴重的一種,也是發(fā)展最緩慢、持續(xù)時間最長、最不可預測的一種[2]。草地是中國陸地面積最大的生態(tài)系統(tǒng),對保護生物多樣性、發(fā)展畜牧業(yè)、維持水土和生態(tài)平衡具有重要的意義和價值[3]。然而,草原通常位于干旱和半干旱地區(qū),非常容易受到干旱的影響。干旱監(jiān)測和預測可以為相關部門提供決策支持,從而減少對社會和生態(tài)的影響[4]。因此,草地干旱監(jiān)測具有重要應用研究意義。

草地干旱屬于農(nóng)業(yè)干旱,應用適宜的干旱指數(shù)是監(jiān)測和分析農(nóng)業(yè)干旱的重要方法。20世紀后半葉以來,科學家們從不同的科學視角和對干旱定義的理解出發(fā)建立了一系列的干旱指數(shù)。這些指數(shù)根據(jù)數(shù)據(jù)來源可分為3類:氣象干旱指數(shù)、遙感干旱指數(shù)和綜合干旱指數(shù)。氣象指數(shù)發(fā)展較為成熟且準確,已經(jīng)得到廣泛的應用,但氣象監(jiān)測只考慮氣象因子對于干旱的驅動效果,沒有考慮植被的生長和需水狀態(tài),在農(nóng)業(yè)干旱監(jiān)測方面存在一定的局限性;遙感干旱指標具有監(jiān)測范圍廣、數(shù)據(jù)獲取及時等優(yōu)點,但遙感監(jiān)測指標多用來探測植被狀況異常,很難將真正的干旱影響與其他環(huán)境因素造成的植被變化區(qū)分開來[5]。

農(nóng)業(yè)干旱是涉及植被、土壤、降水等多種環(huán)境因子的自然災害,單一的干旱指標無法全面地刻畫復雜的干旱過程。為了更好地監(jiān)測干旱,研究人員試圖融合不同類型的干旱因子構建綜合干旱監(jiān)測模型。然而農(nóng)業(yè)干旱的成因十分復雜,當前對多種致旱因子如何耦合并導致災害的過程并不清楚,因此近些年來通過模糊聚類分析確定多種因子與干旱狀況之間關系的機器學習方法成為綜合干旱監(jiān)測研究的熱點。Brown等[5]利用分類回歸樹構建了植被干旱響應指數(shù)(the vegetation drought response index, VegDRI),并在美國中北部7個州驗證了其干旱監(jiān)測的能力;Wu等[6]利用相同方法融合站點氣象數(shù)據(jù)、衛(wèi)星植被參數(shù)及其他生態(tài)信息,建立了適用于中國東部地區(qū)的綜合干旱監(jiān)測模型;Feng等[7]采用3種機器學習方法融合中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer, MODIS)和熱帶降水測量任務(tropical rainfall measuring mission, TRMM)構建的30個干旱因子來監(jiān)測澳大利亞東南部的農(nóng)業(yè)干旱。以上綜合干旱監(jiān)測模型的構建多是將標準化降水蒸散指數(shù)(the standardized precipitation evapotranspiration index, SPEI)和帕默爾干旱指數(shù)(palmer drought severity index, PDSI)等傳統(tǒng)氣象指標視為目標變量,SPEI和PDSI均需考慮蒸散發(fā)等地表參量,計算較為復雜,且對農(nóng)業(yè)干旱的表征能力具有一定的局限性。因此應當考慮應用更可靠穩(wěn)定的數(shù)據(jù)源作為目標變量構建綜合干旱監(jiān)測模型。

因而,本研究利用隨機森林機器學習方法,以穩(wěn)定可靠的USDM干旱監(jiān)測產(chǎn)品為因變量,構建氣象遙感數(shù)據(jù)驅動的綜合干旱監(jiān)測模型,同時考慮氣候和地理條件適用性在內蒙古地區(qū)進行普適性驗證,以期獲得更好的草地干旱時空監(jiān)測效果[8]。

1 研究區(qū)與研究數(shù)據(jù)

1.1 研究區(qū)

選擇內蒙古草地區(qū)作為實驗區(qū)對模型進行普適性驗證。內蒙古擁有8 700萬hm2天然草地,占中國天然草原面積的21.7%,是世界上最大的連續(xù)生態(tài)群落——歐亞大草原的重要組成部分,也是中國重要的農(nóng)牧業(yè)基地之一,但除相對濕潤的大興安嶺地區(qū)外,其余地區(qū)多為干旱、半干旱氣候,干旱發(fā)生頻率高、持續(xù)時間長、影響范圍廣、地域差異明顯,因此非常適合草地干旱監(jiān)測模型的評價研究。

1.2 研究數(shù)據(jù)

1.2.1 USDM干旱數(shù)據(jù)

USDM是綜合了氣候指數(shù)、數(shù)值模式,以及各地方專家知識等大量豐富信息開發(fā)成的綜合干旱監(jiān)測產(chǎn)品[9],其靈活使用了6個關鍵指標和多個輔助參考指標監(jiān)測國家或州尺度的旱情空間分布,并利用來自美國不同地區(qū)的450位氣候和水文專家的干旱相關研究成果(實測數(shù)據(jù)和田間報告等)對旱情監(jiān)測結果進行校正。6個關鍵指標包括帕默爾干旱指數(shù)、CPC土壤濕度模式、美國地質測量局日流量指標、標準降水百分位數(shù)、標準降水指數(shù)和衛(wèi)星遙感植被健康指數(shù),輔助性參考指標包括溪流流量、積雪、雪水當量、水庫和地下水等信息。多種干旱指標和專家的最佳判斷的結合使USDM成為一種獨特可靠的干旱產(chǎn)品,在本研究中,USDM干旱類別被認為是實際的干旱狀況,作為模型的因變量,從官方網(wǎng)站(http:∥droughtmonitor.unl.edu/)獲得。

我們將草地站點限制在美國大平原的北部和中部,該地區(qū)的主要土地覆蓋類型為農(nóng)田和草原,基于地表覆蓋分類數(shù)據(jù)NLCD 2016在該區(qū)域選取60個草地點,如圖1(a)所示,并提取了相應站點2005—2019年的USDM干旱信息。

1.2.2 遙感數(shù)據(jù)

本文的主要遙感數(shù)據(jù)為2005—2019年的MODIS陸地數(shù)據(jù)產(chǎn)品MOD09GA和MOD11A1。MOD09GA為7波段的每日地表反射率產(chǎn)品,空間分辨率為500 m,可構建植被參數(shù)提供草地生長狀況信息;MOD11A1為采用分裂窗算法獲得每日地表溫度產(chǎn)品,空間分辨率為1 km,可提供晝、夜地表溫度信息。將兩種產(chǎn)品投影轉換并通過雙線性內插重采樣至1 km空間分辨率,然后分別計算植被狀態(tài)指數(shù)(vegetation condition index,VCI)和溫度狀態(tài)指數(shù)(temperature condition index,TCI),指數(shù)的具體構建方法如下所示

(1)

紅色圓點為選擇的草地站點的位置圖1 美國大平原中北部土地覆蓋類型圖Fig.1 Land cover type map of the north-central Great Plains of United States

(2)

(3)

其中:ρNIR為MODIS近紅外波段反射率,ρRED為MODIS紅波段反射率;NDVImax和NDVImin分別為整個時間序列上各像元的同期最大值和最小值;LSTi為平滑后采用7天平均值合成的地表溫度,LSTmax和LSTmin分別為整個時間序列上各像元地表溫度的同期最大值和最小值;VCI和TCI分別表征植被的生長狀況和植被冠層所受到的溫度脅迫[10-11]。

此外,使用的數(shù)字高程數(shù)據(jù)為國際熱帶農(nóng)業(yè)中心(International Center for Tropical Agriculture, CIAT)利用新的插值算法得到的SRTM DEM V4.1版本,空間分辨率為90 m。生態(tài)分區(qū)數(shù)據(jù)來源于美國地質調查局和Esri公司合作發(fā)布的250 m分辨率的全球生態(tài)陸地單元。

1.2.3 降水及土壤濕度數(shù)據(jù)

降水數(shù)據(jù)來源于歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts, ECMWF)發(fā)布的第5代全球再分析氣候數(shù)據(jù)集,時間分辨率為1 h,空間分辨率為 0.25°。

土壤濕度數(shù)據(jù)來源于全球陸面數(shù)據(jù)同化系統(tǒng)(The goal of the Global Land Data Assimilation System, GLDAS),GLDAS 利用地基觀測與衛(wèi)星遙感觀測數(shù)據(jù)產(chǎn)品,驅動陸面過程模型生成全球的地表狀態(tài)和通量數(shù)據(jù)[12],并提供不同深度的土壤濕度數(shù)據(jù)。

本研究選取1985—2015年共30 a的每日降水數(shù)據(jù)和根區(qū)土壤濕度數(shù)據(jù)作為算法的數(shù)據(jù)參數(shù),重投影、重采樣至與MODIS遙感數(shù)據(jù)一致。處理后的降水和根區(qū)土壤濕度數(shù)據(jù)均通過標準化計算公式被尺度化為[0,1]的干旱參數(shù)范圍,從而構建了降水異常指數(shù)P-Z和標準化土壤濕度指數(shù)(standardized soil moisture index,SSMI)。具體構建方法如下

(4)

1.2.4 農(nóng)業(yè)氣象站點數(shù)據(jù)

本文利用農(nóng)業(yè)氣象站點實測的草地旱災數(shù)據(jù)和土壤墑情數(shù)據(jù)對草地綜合干旱監(jiān)測模型進行驗證。草地旱災記錄數(shù)據(jù)來源于“中國農(nóng)業(yè)氣象災情旬值數(shù)據(jù)集”,數(shù)據(jù)集記載了1991年9月至2011年12月中國農(nóng)氣站觀測的農(nóng)業(yè)災情旬報告,包括區(qū)站號、站名、經(jīng)度、緯度、災害名稱、受害程度等信息。數(shù)據(jù)集將干旱劃分為輕、中、重3個等級,已被廣泛應用于修正帕默爾干旱指數(shù),ISDI等干旱指標的驗證和構建[6,13-14]。土壤相對濕度數(shù)據(jù)來自于“中國農(nóng)作物生長發(fā)育和農(nóng)田土壤濕度旬值數(shù)據(jù)集”,該數(shù)據(jù)集包含了1991年9月至2012年12月中國農(nóng)氣站觀測的農(nóng)作物生長發(fā)育狀況和不同深度的土壤相對濕度數(shù)據(jù)。本研究考慮數(shù)據(jù)的完整性和空間分布的均勻性共選取了12個農(nóng)業(yè)氣象站點,如圖2所示,然后利用中國氣象數(shù)據(jù)共享服務系統(tǒng)獲取了站點2005—2011年的旱災觀測記錄和20 cm深度的土壤墑情數(shù)據(jù),用于隨機森林草地干旱監(jiān)測模型的驗證。

基于自然資源部標準地圖服務網(wǎng)站GS(2021)5448號標準地圖制作,底圖無修改,下同圖2 內蒙古農(nóng)業(yè)站點分布圖Fig.2 Distribution of agro-meteorological stations in Inner Mongolia

2 綜合干旱監(jiān)測模型構建

2.1 模型構建原理

構建綜合干旱監(jiān)測模型的理論基礎是農(nóng)業(yè)干旱過程是由多個致災因子決定的,不僅涉及到降水、土壤和植被生長狀態(tài)等,還與地貌類型等因素有關[15]。植被狀態(tài)指數(shù)VCI平滑了NDVI數(shù)據(jù)中的非均勻性,有助于將NDVI數(shù)據(jù)中的短期天氣信號與長期生態(tài)信號分離[16],已被證明是探測干旱發(fā)生、評價干旱強度、持續(xù)時間和影響的有效手段[17-19]。然而在雨季,基于光學波段的植被指數(shù)VCI受到云和雨水的影響,其值往往會降低,從而造成對干旱事件的誤判?；诘乇頊囟萀ST構建的溫度狀況指數(shù)TCI不受天氣的影響,可以表征植被冠層所受到的溫度脅迫。降水異常指數(shù)P-Z能夠較好地反映區(qū)域降水異常,標準化土壤濕度指數(shù)SSMI呈現(xiàn)土壤水分虧缺的狀態(tài),生態(tài)區(qū)劃數(shù)據(jù)反映了區(qū)域的環(huán)境特征,高程DEM(digital elevation model)解釋了基本氣候條件和太陽能收支的差異。以上單個干旱指標均從不同層面反應干旱發(fā)生時的環(huán)境異常,耦合多種參數(shù)的綜合干旱監(jiān)測模型可以更全面地表征區(qū)域干旱狀態(tài)。

隨機森林(random forests)是由美國科學家Breiman,L結合Bagging集成學習理論隨機子空間方法提出的一種機器學習算法[20],該算法繼承和發(fā)展了決策樹的優(yōu)點,預測精度高,運算速度快,同時極大地降低了決策樹的過擬合問題,在多個研究領域已取得較好的應用[21-24],在干旱監(jiān)測方面也表現(xiàn)出較好的性能[7,25]。

因此本研究以USDM干旱類別為目標變量,基于模糊聚類分析的思想,通過隨機森林數(shù)據(jù)挖掘技術分析歷史干旱指數(shù)和生物物理變量(見表1)構建的干旱綜合數(shù)據(jù)庫建立干旱分類模型,并考慮模型的適用性進行驗證,以期在草地區(qū)獲得更好的監(jiān)測效果。

表1 模型輸入?yún)?shù)Table 1 Input parameters of the model

2.2 模型構建過程

構建以每個草地站點位置為中心的9×9像元窗口,提取窗口內VCI、TCI、P-Z、SSMI、DEM和生態(tài)區(qū)編號作為自變量,以每周的USDM干旱等級值作為因變量,利用隨機森林方法,構建如下所示的干旱監(jiān)測模型

USDM=f(VCI,TCI,P-Z,SSMI,DEM,生態(tài)區(qū)).

(5)

由于USDM干旱等級的劃分是基于歷史干旱的發(fā)生頻率,輕旱的發(fā)生頻率是20%～30%,而異常干旱的發(fā)生頻率不到2%,因此訓練數(shù)據(jù)樣本分布十分不平衡。本研究采用過采樣和欠采樣算法對數(shù)據(jù)進行平衡采樣,以減少類不平衡對分類器性能的影響,同時考慮到VCI和TCI適用于植被生長期的旱情監(jiān)測,主要監(jiān)測5月至10月草地生長季的干旱情況,從而構建起2005—2019年的原始訓練據(jù)集(X,Y)。模型的構建過程如圖3所示。

1)利用Bootstrapping 抽樣從訓練集(X,Y)中有放回地抽取k個與訓練集容量大小一樣的訓練樣本,未被抽到的樣本組成k個袋外數(shù)據(jù)。

2)每個訓練樣本集構造一個對應的決策樹,其中決策樹為二叉樹,在二叉樹中,根節(jié)點包含全部訓練數(shù)據(jù),按照節(jié)點純度最小原則,分裂為左節(jié)點和右節(jié)點,它們分別包含訓練數(shù)據(jù)的一個子集,按照同樣的規(guī)則節(jié)點繼續(xù)分裂,直到滿足分支停止規(guī)則而停止生長,每個非葉節(jié)點代表對一個屬性特征的判斷,葉子節(jié)點代表最終的類別劃分。若節(jié)點n上的分類數(shù)據(jù)全部來自于同一類別,則此節(jié)點的純度I(n)=0,純度度量方法是基尼準則,基尼指數(shù)越小表示樣本被分錯的概率越小,也就是說集合的純度越高。基尼指數(shù)的具體計算方式如下

(6)

式中:pk表示選中的樣本屬于k類別的概率。

3)將以步驟2)方式訓練得到K個決策樹,組成隨機森林。當輸入訓練樣本時,隨機森林輸出的干旱結果由K個決策樹投票決定,即取k種分類結果的眾數(shù),預測精度以每棵回歸樹的平均OOB誤差來確定,基于OOB誤差最小的原則對決策樹的個數(shù)K和決策樹深度N進行調優(yōu),隨機森林干旱監(jiān)測模型得以確定。將模型應用于地理空間柵格數(shù)據(jù)集,即可生產(chǎn)單周時間尺度,空間分辨率為1 km的干旱監(jiān)測圖。

3 模型評價與驗證

3.1 模型與USDM產(chǎn)品的一致性

將訓練集和測試集的數(shù)據(jù)分別輸入模型中,得到模型模擬值,計算其與USDM干旱等級的平均絕對誤差(MAE)、均方根誤差(RMSE)和相關系數(shù)(R),以評價模型與USDM數(shù)據(jù)的一致性,結果見表2。訓練集的模擬值與USDM之間的相關系數(shù)為0.981,測試集的相關系數(shù)為0.782,且MAE和RMSE都較小,表明模擬值與USDM相關性高,模型泛化能力強,模型具有較高的預測精度。

圖4展示了模型的監(jiān)測結果和同期的USDM干旱監(jiān)測產(chǎn)品。模型監(jiān)測結果和USDM所描繪的干旱總體空間格局和強度是相似的,并且該模型的空間分辨率為1 km,相比較空間尺度近似于氣候分區(qū)的USDM產(chǎn)品具有更高的空間分辨率,在區(qū)域尺度上具有更優(yōu)的監(jiān)測能力。

表2 模型精度分析Table 2 Accuracy analysis of model

3.2 模型適用性驗證

形成農(nóng)業(yè)干旱的原因雖然相對復雜,但基本可以歸納為氣象、地形、農(nóng)作物類型和人類活動4個方面[26]。該模型基于美國中北部大平原的天然草地構建,與農(nóng)作物不同,天然草地較少受到灌溉、施肥等人類活動的干擾,模型在相似氣候、地理、土壤條件及相同植被類型下也應適用。本研究選擇內蒙古的天然草地分析驗證了模型在相似氣候和地理條件下的適用性。內蒙古與美國中北部大平原處在同一緯度帶上,同屬溫帶大陸性氣候,夏季炎熱少雨,易受干旱脅迫,同屬高原型地貌且具有相似的土壤質地(主要構成均為疏松沉積物、硅質碎屑沉積巖和混合沉積巖)。模型的構建過程中,融入了全球的生態(tài)區(qū)劃和高程數(shù)據(jù),降水、土壤和植被因子也均依據(jù)長時間序列的數(shù)據(jù)歸一化為VCI等狀態(tài)指數(shù),區(qū)域上具有時間和空間的可比性。同時,模型在內蒙古進行驗證分析時,綜合考慮了草地區(qū)對降水和地表溫度的響應關系變化,考慮草地生育期的變化,對降水等數(shù)據(jù)進行了調整。

圖4 模型監(jiān)測結果與同期USDM產(chǎn)品對比圖Fig.4 Comparison of model monitoring results with corresponding USDM products

3.2.1 模型監(jiān)測結果與土壤墑情的相關性分析

土壤墑情是表征農(nóng)業(yè)旱情的一個重要指標,是評價遙感干旱指數(shù)滯后性的一個重要參數(shù)[27-28]。為了驗證模型響應干旱的精度,本研究在內蒙古草地區(qū)隨機選取12個空間分布均勻的農(nóng)氣站點,提取各站點的模型監(jiān)測值、植被狀態(tài)指數(shù)VCI和溫度狀態(tài)指數(shù)TCI與同期 20 cm土壤相對濕度進行相關性分析,結果見表3所示。模型監(jiān)測結果與20 cm土壤墑情的相關系數(shù)均通過了0.05水平雙側顯著性檢驗,且由于隨機森林模型融合了大氣異常、植被狀態(tài)、土壤水分等多個方面的信息,相較于單個干旱指標與土壤墑情具有更高的相關性,能夠非常好地反映草地農(nóng)業(yè)干旱。

3.2.2 模型監(jiān)測值與農(nóng)氣站點實測值對比分析

為了驗證干旱監(jiān)測模型能否準確表征草地受干旱脅迫的程度,對比分析2005—2011年農(nóng)業(yè)氣象站點的模型監(jiān)測結果與相應站點的同期旱澇觀測記錄。經(jīng)過統(tǒng)計,如表4所示,26.59%的模型監(jiān)測結果與觀測等級保持一致,75.14%的干旱等級差在1以內。因為本模型可監(jiān)測到5個級別的干旱狀況,而農(nóng)業(yè)氣象站點的野外觀測只有3個干旱類別,等級誤差多在1級以內表明模型能準確描述草地的受害程度。

表3 不同干旱指數(shù)與20 cm土壤墑情的相關關系Table 3 Correlation between different drought indices and 20 cm-depth soil moisture

表4 模型監(jiān)測與農(nóng)氣站點實測等級差異分布Table 4 The difference distribution between the monitoring results and agro-meteorological site observations

為進一步評價模型能否監(jiān)測整個草地生長期的旱情等級變化,在準格爾旗、突泉和錫林浩特3個農(nóng)業(yè)氣象站點比較了整個生長期內模型監(jiān)測結果與實地觀測結果的變化趨勢,如圖5所示?？梢钥闯?模型監(jiān)測結果總體變化趨勢與觀測結果的變化趨勢基本一致,模型能夠準確監(jiān)測干旱程度的發(fā)展變化情況,具有較好的監(jiān)測能力。監(jiān)測結果與觀測數(shù)據(jù)存在部分等級劃分差異,主要由本模型5個干旱等級與農(nóng)業(yè)氣象站點野外觀測的3個干旱等級的干旱劃分差異所致。也可看出由于本模型結合了溫水氣象條件及地面土壤、植被等遙感參數(shù)產(chǎn)品,監(jiān)測結果除能夠顯示大的干旱事件外,也可顯示出小的干旱波動變化。

圖5 草地生長期模型監(jiān)測結果與實地觀測結果對比Fig.5 Comparison between model monitoring results and field observation results during grassland growth period

3.2.3 模型對典型干旱事件的區(qū)域監(jiān)測能力

為驗證模型是否可以準確反映干旱發(fā)生、發(fā)展的空間演變情況,對比分析典型干旱事件發(fā)生時,模型監(jiān)測圖反映出的干旱變化信息與官方報道的干旱動態(tài),從而評價模型監(jiān)測干旱變化的空間有效性。

圖6為2017年7月26日氣象局發(fā)布的氣象綜合監(jiān)測與模型監(jiān)測結果的對比圖,兩者描述的干旱結果相似,西部、中南部的草地旱情相對較輕,北部、東北部的旱情較重,興安盟的南部地區(qū)可達到特旱及以上的旱情。兩監(jiān)測結果在部分區(qū)域存在些許差異,這是由于綜合干旱監(jiān)測模型除了考慮降水等氣象因子外,還考慮了草地的生長狀況,所以在部分區(qū)域雖然當前的氣象條件較好,但草地還未從前期的干旱影響中恢復過來,生長狀況較差,導致模型的干旱判定結果相比氣象監(jiān)測結果偏重。

圖6 氣候中心發(fā)布的氣象干旱綜合監(jiān)測圖與模型監(jiān)測結果Fig.6 Comprehensive meteorological drought monitoring map and model monitoring result

根據(jù)新華網(wǎng)等媒體的報道,2017年春季以來,內蒙古自治區(qū)降水較常年偏少、氣溫偏高,高溫少雨天氣導致牧區(qū)土壤失墑嚴重,牧草生長受限,牲畜草料嚴重短缺。進入7月中下旬,內蒙古東北部旱情持續(xù)發(fā)展,東部存在中到重度氣象干旱,局部達特旱,其中錫林郭勒盟和呼倫貝爾市草原牧草大面積減產(chǎn),西部旱情相對較輕。8月2日內蒙全區(qū)近60%氣象站出現(xiàn)降水,雨水使多地旱情得到緩解,干旱面積減少3.1萬km2。此后,內蒙古出現(xiàn)多場連續(xù)降水,截至8月16日,全區(qū)重特級氣象干旱幾乎消失,土壤墑情較好。圖7顯示了旱情發(fā)展6個時段的模型監(jiān)測結果,對比分析可看出模型監(jiān)測結果與實際旱情基本一致,模型能夠監(jiān)測出內蒙古草地本次旱情的發(fā)生發(fā)展及空間演變情況。

圖7 基于草地干旱模型監(jiān)測的內蒙古2017年7—8月的干旱情況Fig.7 Drought monitoring in Inner Mongolia in July-August 2017 based on grassland drought model

4 結論

耦合多種致旱因子的干旱監(jiān)測模型綜合考慮土壤水分脅迫、植被生長狀態(tài)和氣象降水盈虧等因素,是現(xiàn)今干旱監(jiān)測研究的熱點。美國干旱監(jiān)測USDM將客觀數(shù)據(jù)集與專家的最佳判斷相結合,是綜合干旱監(jiān)測模型中的里程碑。本文基于多源遙感和氣象數(shù)據(jù)構建的干旱綜合數(shù)據(jù)庫,通過隨機森林模型學習USDM判斷干旱的方式,并考慮到模型的有限適用性,在內蒙古地區(qū)進行了應用驗證。結果表明:

1)模型監(jiān)測值與USDM的相關系數(shù)為0.782,模型監(jiān)測結果和USDM所描繪的干旱總體空間格局和強度相似,模型能夠實現(xiàn)USDM對干旱判斷的能力,且其空間分辨率為1 km,具有更高的空間分辨率,在區(qū)域尺度上具有更優(yōu)的監(jiān)測能力。

2)考慮模型的有限適用性,評價了模型在內蒙古草地的干旱監(jiān)測能力?；谵r(nóng)氣站點實測土壤相對濕度的驗證表明,模型監(jiān)測結果與土壤墑情顯著相關,且由于隨機森林模型融合了大氣異常、植被狀態(tài)、土壤水分等多個方面的信息,相較于單個干旱指標(VCI,TCI,PCI)的監(jiān)測結果與土壤墑情具有較高的相關性,能夠非常好地反映草地農(nóng)業(yè)干旱。

3)利用2005—2011年的農(nóng)業(yè)氣象站點觀測數(shù)據(jù)集,評價了模型判斷草地受害程度的能力。模型監(jiān)測等級與實測結果保持一致,75.14%的干旱等級差在1以內,且模型監(jiān)測結果的總體變化趨勢與觀測結果的變化趨勢基本一致,表明模型能準確描述干旱的具體類別且能夠監(jiān)測旱情隨時間的發(fā)展變化情況。

4)以本文構建的模型對2017年7—8月的內蒙古典型干旱事件進行監(jiān)測,監(jiān)測結果與實際旱情相符,并能夠實時反映干旱空間發(fā)展演變情況。該模型的時間分辨率為周,相比較以月或16 d為時間尺度的SDI、ISDI綜合干旱指數(shù),更能反映干旱變化的細節(jié)信息,可以以近實時的方式實現(xiàn)對草地干旱時空變化的監(jiān)測。

綜上所述,草地綜合干旱監(jiān)測模型融合了大氣異常、植被狀態(tài)、土壤水分等多個方面的干旱數(shù)據(jù),并基于穩(wěn)定可靠的USDM數(shù)據(jù)構建,相較于單個干旱指標與土壤墑情具有較好的相關性。模型能夠實現(xiàn)USDM對干旱判斷的能力,在相似的氣候和地理條件下具有很好的適用性,相對于其他的綜合干旱監(jiān)測指數(shù),對草地干旱具有較好的時空變化監(jiān)測能力。綜合干旱監(jiān)測模型基于草地類型而構建,在未來的研究中,將探究利用該方法對其他農(nóng)作物類型的監(jiān)測效果并進一步完善模型的應用驗證和干旱機理研究。