基于多源遥感数据的河套灌区干旱时空演变特征

牛乾坤，刘 浏,程湫雅，李 浩

(1.中国农业大学水利与土木工程学院， 北京 100083； 2.中国农业大学中国农业水问题研究中心，北京 100083)

干旱这一极端天气事件具有持续时间长、发生频率高、影响范围广的特点，它通常发展缓慢，但会造成广泛的生态破坏和经济损失[1-2]。有研究得出，1979-2010年中国干旱事件数量增加了109%[3]。由于全球变暖这一气候变化，我国未来的极端干旱灾害事件可能会进一步增加。国内外通常将干旱划分为4种通用类型，分别为气象干旱、农业干旱、水文干旱和社会经济干旱[4-5]。我国是农业大国，农业干旱灾害频发。1995—2005年间，因农业干旱导致平均每年粮食损失量约为2 600万t，足以满足6 000万人的需求[6]。因此，准确预测和监测农业干旱在保障国家粮食安全和提高风险管理方面具有重要的意义。

农业干旱是指在作物生育期内因土壤水分有效性降低而使作物产量降低、农田土壤盐渍化加重等[7-8]。为了更好地监测和分析农业干旱状况，通常使用干旱指数进行定量描述。早期基于气象要素的干旱指标一般只将降水和气温作为影响因素进行计算，而不考虑特定地点的土壤特性[9-11]。然而在农业生产中，土壤水分不但影响土壤的理化性质，包括土壤内氧气含量、矿物质离子浓度和微生物代谢活动等[12]，它还直接指示土壤墒情，影响着作物的生长发育[13]。因此，土壤水分是干旱监测和农业干旱指数估算的关键变量[14-15]，评估农业干旱时采用与土壤水分有关的干旱指标更能反映出地区的农业干旱情况。目前，由Martínez-Fernández等[16]提出的土壤水分亏缺指数(Soil water deficit index，SWDI)已经广泛应用于农业干旱监测、卫星土壤水分数据评价等方面，并被认为是利用土壤物理特性来测量作物根系吸收有效土壤含水量的一种应用前景较好的方法[17-20]。Martínez-Fernández等[21]证实SWDI与由西班牙杜罗盆地当地实测数据计算的大气水分亏缺量(Atmospheric water deficit，AWD)一致性较好。Paredes-Trejo等[22]同样得到SWDI在巴西东北部适用性较好的结论。

与降水、温度等容易观测的气象要素不同，土壤水分因其具有较高的不确定性和较大的空间异质性，在许多地区难以准确地进行原位观测[23]。相较于传统测量手段来说，卫星遥感技术具有空间连续性的优点，能够获取大范围的土壤水分信息。同时遥感技术的发展丰富了不同时空分辨率下表层土壤水分的反演[24-26]。基于遥感土壤水分推导出的农业干旱指数已经被应用于干旱、洪水预报和大规模水文建模[17,27-28]。在目前应用最广泛的遥感土壤水分数据集中，土壤水分主被动遥感卫星(Soil moisture active-passive，SMAP)采用主动、被动微波联合反演土壤水分，具有精度高、适用范围广等优点，能够克服时间差异性小这一缺点，且空间分辨率可精确至3 km[29-31]。Bai等[17]利用SWDI评估了国内SMAP L3土壤水分在中国的表现，结果表明，从偏差(BIAS)角度看，SWDI在北方地区的干旱预测效果优于南方地区。Liu等[40]采用支持向量机(Support vector machines,SVM)和数据同化方法研究了SMAP土壤水分在干旱监测应用中的有效性，并利用SWDI预测了美国邻近地区的农业干旱，结果表明，采用SVM对SMAP数据进行修正可以显著提高干旱监测的准确性。Zhu等[19]通过SWDI验证了SMAP L2土壤水分在湘江流域的适用性，得出SMAP数据能较好地反映出湘江流域干旱状况的结论。

河套灌区位于内蒙古巴彦淖尔市，在我国农业生产和农产品输出中起着重要作用，2018年灌区粮食总产量达到全国粮食总产量的4%，而灌区面积仅占为我国陆地总面积的0.16%左右。目前有关河套灌区农业方面的研究多集中于土壤盐碱化程度[32-35]，有关作物生育期内干旱状况的研究较少，这可能与灌区内仅有一个国家基本气象站，难以获取大量实测资料有关。侯琼等[36]利用近50 a的气候资料和近27 a的作物生育期资料，分析了内蒙古气候变化特征，发现河套灌区≥10℃积温已达到12.384 ℃·d·a-1，同为温暖农业区的科尔沁仅为5.402 ℃·d·a-1，这意味着河套灌区增温迅速，蒸散发量也将逐渐增大。李虹雨等[37]利用内蒙古及周边地区70个气象站近60 a的降水数据，对内蒙古气候干旱时空变化进行了分析，发现内蒙古中部干旱趋势速率较西、东部快。本研究通过验证SMAP土壤水分在河套灌区的适用性，分析河套灌区农业干旱时空演变特征，为探讨河套灌区作物生育期内水分亏缺量的变化趋势、降水以及灌溉等人为因素对河套灌区作物产量的影响提供科学依据，同时也为河套灌区实现合理水资源调度、完善农业干旱监测机制，发展灌区经济提供理论基础。

1 研究区域和数据来源

1.1 研究区域概况

河套灌区位于中国内蒙古自治区巴彦淖尔市，其地理位置为东经106°20″～109°19″，北纬40°19″～41°18″，北靠阴山，南临黄河，西与乌兰布和沙漠相接，东至包头市郊区，如图1所示。它是亚洲最大的一首制自流灌区，同时它也是中国3个特大型灌区之一。灌区东西总长250 km，南北宽约50 km，海拔在1 000 m左右，西南高，东北低，坡度仅有0.125‰～0.2‰。灌区总面积为15 032 km2，占全国总面积的0.16%，年排水量达到3～5亿m3[38]，总灌溉面积达11 622 km2，其中引黄灌溉面积为5 740 km2，达到灌区总灌溉面积的50%，年引黄河水量约50亿m3[34]，属于无灌溉即无农业地区[39]。

灌区属于干旱半干旱气候区，夏季高温干热，冬季严寒少雪，无霜期短。灌区多年平均降水量为130～220 mm，年际变幅大，年内分布不均匀，降水量多集中在6—8月，占全年总降水量的70%左右，且年蒸发量高达2 400 mm，蒸降比超过了10[38]。年内热量充足，年平均气温在7℃左右，全年日照时数约为3 100 h，是我国光能资源最丰富的地区之一。

河套灌区的灌溉制度除了常规4—5月的春灌和6—8月的夏灌2次集中用水高峰期之外，在9月下旬至11月上旬即秋收之后，还会对耕地进行“秋浇”，即洗盐保墒灌溉[40]，这是灌区传统的秋季留盐、春季保墒的一种特殊灌溉制度。灌溉方式一般采用喷灌、滴灌、膜下灌溉等节水技术，同时也会采用一些高效节水农艺措施，如平地缩块、覆膜栽培和测土施肥等。

1.2 数据来源

图1 河套灌区地理位置Fig.1 Geographical position of the Hetao irrigation district

1.2.1 SMAP遥感数据 SMAP卫星由NASA于2015年1月发射，并于2015年3月31日开始提供数据。它结合L波段主动雷达和L波段被动辐射计从太空直接观测全球土壤水分和冻融状态，为用户提供高分辨率(3、9、36 km)和高精度的土壤水分。然而主动雷达于2015年7月7日发生故障，被动辐射计的产品成为SMAP唯一可用的土壤水分产品。本研究采用的是被动SMAP 3级L波段辐射计降序土壤水分产品加强版(SMAP_L3_SM_P_E，SMAP enhanced L3 radiometer global daily 9 km EASE-Grid soil moisture version 2，doi: https://doi.org/10.5067/RFKIZ5QY5ABN)，数据原空间分辨率为9 km ×9 km，时间分辨率为逐日，利用双线性插值法处理为0.1°×0.1°。数据集可以在线免费下载(https://earthdata.nasa.gov/)。

1.2.2 CLDAS同化数据 中国气象局陆面数据同化系统(China meteorological administration land data assimilation system，CLDAS)采用由国家气象信息中心发布的大气驱动场数据(2 m气温、2 m比湿、10 m风速、地面气压、小时降水和短波辐射)为数据源，利用集合卡尔曼滤波(EnKF)数据同化方法和陆面模式计算了垂直剖面的5层土壤水分，分别为0～5、0～10、10～40、40～100 cm和100～200 cm，时间分辨率分为逐小时和逐日，空间分辨率为0.0625°× 0.0625°，覆盖整个亚洲[41]。

朱智等[42]以气象站土壤水分观测数据为基准，对比评估了CLDAS和GLDAS 4个陆面模式的土壤水分，发现CLDAS能更好地表征河套灌区土壤水分特征。CLDAS数据集自2017年1月19日起可用，搜集数据时仅能下载至2018年9月18日。结合河套灌区作物生育期，选用2018年4月1日至9月18日CLDAS河套灌区0～5 cm土壤水分，时间分辨率选择为逐日。数据集由中国气象数据共享服务系统在线提供(http://data.cma.cn/)。

1.2.3 CMADS同化数据 SWAT(Soil and water assessment tool)模型的中国气象同化驱动数据集(The China meteorological assimilation driving datasets for the SWAT model,CMADS)是引入世界各类再分析场及CLDAS技术，采用数据嵌套、重采样、双线性插值等各类计算机技术手段而建立的水文模型能直接调用的高分辨率数据集，它弥补了传统气象站点实测数据不足的空缺[43-45]。选取CMADSV1.1版本(doi:10.3972/westdc.002.2016.db)数据集作为国家基本气象站点实测数据的替代数据集，并选取与SMAP数据相重合的时间序列，即2015年4月1日至2016年10月31日的日最高最低2 m气温(℃)和24 h累积降水量(mm)数据。Tian等[46]利用世界粮农组织(FAO)的Penman-Monteith公式，对比了由CMADS和实测数据计算出的潜在蒸散量(Potential evapotranspiration，PET)，证实了CMADS再分析资料能够作为实测气象数据替代集，尤其是在缺少站点的偏远地区。数据来源于国家青藏高原科学数据中心(https://westdc.westgis.ac.cn/data)。

2 研究方法

2.1 土壤水分亏缺指数(SWDI)

利用卫星土壤水分计算得到的SWDI在确定干旱级别和严重程度方面表现良好，能够充分显示干旱动态，尤其是干旱等级[17-18,21]。利用SMAP 0～5 cm土层土壤水分对河套灌区农业干旱状况进行定量分析。SWDI计算如下：

(1)

θAWC=θFC-θWP

(2)

式中，θ是SMAP土壤水分的时间序列，θWP、θFC和θAWC分别代表凋萎含水量、田间持水量和土壤有效含水量。θWP和θFC有3种定义方法：(1)时间序列的第5%组和第95%组土壤水分为θWP和θFC；(2)-33 kPa和-1 500 kPa土壤水势的土壤水分即为θWP和θFC；(3)根据土壤基本物理特征，如粘土和沙子的比例，经由土壤传递函数计算得到θWP和θFC[11]。农业干旱的主要承灾体为作物，它与作物生育期土壤水分的有效性有关。因此，选择河套灌区作物生育期(4-10月)时间序列的第5%组和第95%组土壤水分来获得θWP和θFC[16,21]。SWDI为正值时表明灌区无干旱，为负值时表明发生了干旱，其对应的干旱类别如表1所示。

表1 不同干旱类型土壤水分亏缺指数分类[16]

2.2 干旱周百分比

当发生严重干旱为干旱周(Drought week)[31]，即周SWDI数值低于-5。干旱周百分比(Percentage of drought week,PDW)可表示河套灌区的干旱状况，其分为4类，分别为0～25%，25%～50%，50%～75%以及75%～100%。干旱周百分比由下式计算：

(3)

式中，D为干旱周数；W为研究期总周数，本研究为31周。

2.3 大气水分亏缺量(AWD)

AWD是降水与潜在蒸散发的差值[47]，它是一个与气象参数相关的反映干旱状况的合适指标[31]。当AWD<0时，表示干旱；当AWD<-50 mm时，即为严重干旱。公式如下：

AWDi=Pi-PETi

(4)

式中，i代表了研究期内周数；Pi和PETi分别是第i周降雨和潜在蒸散发的总和。日PET由FAO Penman-Monteith公式计算得出。

2.4 评价指标

利用Pearson相关系数(R)、偏差(BIAS)和无偏均方根误差(ubRMSE)对SMAP在灌区内的精度和在干旱监测中的表现进行评价。计算公式如下：

(5)

(6)

(7)

3 结果与分析

3.1 SMAP适用性评估

从栅格尺度和区域尺度对SMAP在河套灌区的适用性进行评估。栅格尺度上，对2018年4月1日—9月18日的SMAP和CLDAS 0～5 cm土壤水分进行平均，计算出每个栅格的R、BIAS和ubRMSE。区域尺度上，对全灌区进行平均后得到河套灌区日平均土壤水分。

在栅格尺度上，通过R、BIAS和ubRMSE3个统计参数对比各栅格CLDAS日土壤水分和SMAP日土壤水分。在R值方面(图2a)，69%的栅格表现较好(R>0.5)，17%表现一般(0.4

图2 SMAP和CLDAS土壤水分的R(a)和BIAS(b)Fig.2 R (a) and BIAS (b) between SMAP and CLDAS

图3 SMAP和CLDAS土壤水分对比Fig.3 Comparison of soil moisture between SMAP and CLDAS

3.2 河套灌区干旱评估

3.2.1SWDI时空分析 SMAP时间序列较短，为更准确地分析河套灌区作物生育期内的干旱分布特征，相较于周SWDI，日时间尺度更容易看出灌区2015年和2016年的干旱变化趋势，因此在分析河套灌区干旱演变时空分布时采用日SWDI。

SWDI的时间变化趋势如图4所示。可以看出，整体上SWDI随时间推进而下降，说明河套灌区在生育期内缺水严重。2015年和2016年日SWDI<-5的天数分别为168 d和167 d，约占生育期总天数的80%。两年平均日SWDI分别为-6.3和-6.5，且2015年SWDI最小值(-10.2)高于2016年(-11.1)，这意味着河套灌区2016年农业干旱程度比2015年有所增加。与此同时，2015年4月初SWDI明显高于2016年，原因在于2015年4月初全灌区平均降水量为104.29 mm，当月日平均降水量为45.7 mm，为2016年4月份的40倍(图5)，极大地补充了土壤水分，SWDI值偏大；2015年9月底SWDI由-8.6陡增为-1.7，因河套灌区9月份降水量偏大，且9月底至10月底，灌区进入秋浇时期，灌溉水量增加，土壤水分随之增加。2016年SWDI陡增阶段变为10月底，查询资料得知，2015年11月10日秋浇工作已全部结束，而2016年11月16日秋浇才进入收官阶段，两年秋浇结束的时间点并完全不相同。除去降水和灌溉等不确定因素的影响，两年SWDI值在时间序列上较为接近，即干旱严重程度接近。此外，2016年6月份SWDI由>0骤减到<-5，即河套灌区由不干旱变为严重干旱，虽然6月存在较大月平均降雨量可以补充土壤水分，但是同时存在较高的月平均气温，并且潜在蒸散发达到整个生育期最大值(图5)。

由图4可以看出，2015年和2016年4月底、8月初以及9月底的SWDI变化趋势较为接近，说明河套灌区在这3个时间段内的干旱状况较为稳定，比其他阶段更具有代表性。故选择4月下旬、8月上旬以及9月下旬这3个时间段进行灌区干旱演变特征的空间分析，如图6、图7和图8所示。

空间尺度上，总体来说，2015—2016年3个时间段内灌区干旱严重程度没有明显增加。2015年4月底和8月初灌区的干旱类型分布与2016年相似。4月底干旱最严重区域由灌区西南部向东北方向移动，东南部干旱程度减弱，东北部均为中度干旱。8月初，东北部和西南部地区为严重干旱，西北地区干旱程度加重，由中度干旱变为严重干旱。2015年和2016年9月底SWDI最大值分别为-2.75和-5.56，最小值分别为-9.29和-10.2，说明2016年9月份干旱程度加剧。同时东南部地区SWDI减小，严重干旱区主要集中在灌区中部，干旱程度也有所加重，这可能是由于2016年9月份月平均降水量相较于2015年偏少，且当年秋浇时间推迟，除了灌溉途径，土壤水分没能得到天然补充。

3.2.2PDW时空分析 通过计算生育期内各栅格的PDW，可以得到2015年和2016年PDW空间变化情况，如图9所示。2015—2016年生育期内全灌区PDW由55.8%上升至57.5%，意味着2016年较2015年干旱程度有所增加。两年内最西侧的栅格均为SWDI最低值所在栅格，可能是由于河套灌区西侧紧邻乌兰布和沙漠。PDW较高的地区主要集中在灌区西南部、中部和东部，说明这些区域的干旱程度较为严重，应重视对该地区的干旱监测和预防，在作物生育期内需要及时灌溉，否则可能会影响作物生长。东北地区和西北地区PDW较小，中部地区的干旱程度基本上无变化。

图4 2015年和2016年SWDI对比Fig.4 Comparison of SWDI between 2015 and 2016

图5 2015年和2016年月平均降水、月平均气温和潜在蒸散发Fig.5 Mean monthly precipitation，mean monthly temperature and potential evapotranspirationfrom April to December in 2015 and 2016

图6 SWDI在4月下旬的空间分布Fig.6 Spatial distribution of SWDI in the late April

图7 SWDI在8月上旬的空间分布Fig.7 Spatial distribution of SWDI in early August

PDW可分为4类，如图10所示，当P≤25%时，即为干旱事件小于8周；当P≥75%时，即代表了超过23周的干旱事件。位于50%～75%区间和75%～100%区间的栅格比例越高，说明干旱事件的比例越高[31]。对河套灌区的PDW进行研究，发现2015年和2016年PDW位于0～25%栅格的个数均只有一个。从图10中可以看出，4个区间内的栅格百分比代表了两年不同的PDW值，大部分的PDW值在50%～75%之间，并且两年中位于此区间的栅格总数相近，分别为118个和119个，此外位于其余3个区间内的栅格数较少，说明河套灌区农业干旱事件发生比例较高，持续时间较长，干旱程度较为严重。

图8 SWDI在9月下旬的空间分布Fig.8 Spatial distribution of SWDI during the end September

图9 2015年和2016年PDW空间分布Fig.9 Spatial distribution of PDW (%) in 2015 and 2016

图10 2015年和2016年栅格尺度PDW占比Fig.10 Percentage of grids in the four intervals of PDW in 2015 and 2016

为了更加详细地对比两年内PDW百分比，确定灌区的干旱演变趋势，将50%～75%和75%～100%这两个区间细分为如图11所示。2015年区间50%～60%栅格所占百分比最大；2016年区间60%～70%的栅格数有所增加，高于2015年此区间栅格数。这些结果表明，两年间干旱事件的持续时间增加，大部分PDW仍处于50%～60%区间。

综上所述，2015—2016年作物生育期内，河套灌区基本处于严重干旱状态，时间上，在蒸发量最大的7月份最为干旱，空间上，灌区西南部干旱程度最为严重；2016年干旱级别高于2015年，且干旱事件持续时间有增长趋势。今后应重视灌区内部的干旱监测，为灌区制定合理的灌溉制度，亟需出台相应的用水制度。

3.3 SWDI精度验证

虽然SMAP卫星所测数据的精度、时空分辨率相较于其他遥感数据较高，但其时间序列较短，难以进行长序列干旱时空演变特征分析。然而卫星观测数据的影响因素还包括其他方面，例如地形和云层。为了验证SWDI的可靠性，将其与气象干旱指数AWD进行比较。一方面，AWD是一种基于气象数据、应用广泛的气象干旱指数；另一方面，AWD是表征与土壤储水量相关干旱动态的合适指标[37]。河套灌区内部仅有一个国家级实测气象站点(临河站)，难以代表全灌区的降水以及蒸散情况，选择CMADS降水、气温数据代替实测数据计算AWD。

由图12及图13可以看出，时间上灌区AWD最大值出现在2015年4月初，这是由于当月降水量在两年里达到最大，同时蒸散发较小导致。两年内均在5—8月发生气象干旱，峰值的时间变化趋势和SWDI基本一致。此外，2015年(-36.69)比2016年(-36.33)略微干旱，但灌区仍是湿润状态。空间上2 a平均气象干旱程度较低，灌区东部的乌梁素海区域AWD值最大，西南部和北部AWD最小，这和SWDI的空间分布相似，即灌区西南部农业干旱最严重。2个指标之间存在差异的可能是因为SWDI是与土壤水分相关的农业干旱指标，AWD是与降水、蒸散相关的气象干旱指标，两者在物理机制上考虑的影响因素不同，并且导致得到的结果不同。

图11 5个区间内栅格尺度PDW对比Fig.11 Comparison percentage of grids in thefive intervals of PDW

为了从栅格尺度判断SWDI与AWD的相关性，选取与SMAP栅格对应的CMADS格点进行对比，对于每个格点，AWD和SWDI的对应位置和相关系数分布如图14所示。可以看出，AWD和SWDI之间的相关系数-0.05～0.53，均值为0.26。因河套灌区降水、气温和土壤水分呈正态分布，因此选用双尾StudentT检验对R进行显著性检验[38-39]。其中，共有9个格点通过了α=0.01的显著性检验，还有2个通过了α=0.05的显著性检验，说明SWDI与AWD的相关性较为显著。可以看出，SWDI和AWD的相关系数在五原县境内及县界周边格点较小，且没有通过α=0.05的显著性检验，然而其余地区的相关性均较好(图1、图14)。这可能是因为五原县境内的地形条件不同于灌区内其他地区，县内存在着许多由长期的风蚀作用和黄河改道冲刷而成的天然壕沟和洼地。这些壕沟和洼地的高程低于五原县平均高程，在长年积水的环境下变成了大大小小的湖泊，俗称海子。经统计，水深大于1.5 m的海子共有116个，总面积达到18.1 km2；面积在0.2 hm2以上的海子171个，占地36.3 km2。这些海子会对SMAP卫星探测精度产生影响。

图12 2015年和2016年AWD变化趋势Fig.12 Trends in weekly time series of AWD changesin 2015 and 2016

图13 AWD的空间分布Fig.13 Spatial distribution of AWD

图14 SWDI和AWD的相关系数和显著性检验Fig.14 Correlation coefficients and the significance test of SWDI and AWD

4 讨 论

农业干旱对作物产量影响巨大，不但对农业生产造成不利影响，而且还会威胁到粮食安全，准确判断农业干旱程度以及演变过程对控制干旱、提出合理的应对措施具有重要意义[48]。河套灌区作为我国3个特大型灌区之一，同时是我国重要的商品粮生产基地，近年来年均粮食总产量达30亿kg以上，作为主要作物的玉米产量达到约10亿kg，成为国内举足轻重的玉米生产加工基地，因此灌区农业干旱系统评价对灌区农业可持续发展有着不可忽视的作用。由Tsakiris等[49]提出的勘察干旱指数(Reconnaissance drought index,RDI)是评估气象干旱的普适性指标。由于它同时具备计算简便和高敏感度、高稳定性的特点，RDI逐渐被用于评估干旱半干旱地区的农业干旱状况[50-53]，其对应的干旱类别如表2所示。利用CMADS降水、气温数据计算出RDI并进行时空分析，以从农业干旱角度验证SWDI在河套灌区的精度。

表2 不同干旱类型勘察干旱指数(RDI)

由图15和图16可以看出，灌区在作物生育期内基本处于轻度干旱和中度干旱，结合图4可以看出，RDI和SWDI的变化趋势相似，两者均在4月初和9月初显示为轻度干旱和不干旱状态，并且均在5月显示为严重干旱。同时2015年(RDI为-1.04)灌区农业干旱程度略小于2016年(RDI为-0.89)，说明河套灌区在作物生育期内干旱状况较为严重，也再次证实了SWDI在河套灌区的精度较高。空间上，灌区西南部和北部最为干旱，这和SWDI的空间分布较为一致。与AWD类似，东部的乌梁素海处RDI值最低，不同的是RDI代表的农业干旱为轻度干旱，气象干旱则显示为不干旱状态，而SWDI代表的农业干旱在3个时间段内均为严重干旱。综合3个干旱指标，虽然灌区气象干旱状况较轻，然而农业干旱却较为严重，因此河套灌区内部灌溉、覆膜等农艺、农业抗旱措施对补充土壤水分、促进作物生长发育起着不可替代的作用。

5 结 论

本研究以作物生育期农业干旱为背景，选取黄河上游内蒙古河套灌区为典型研究区，基于多源遥感数据，开展了灌区2015—2016年农业干旱时空演变特征研究，旨在为灌区干旱预警与监测提供理论依据与科学指导，主要结论如下：

图15 2015年和2016年RDI变化趋势Fig.15 Trends in monthly time series of RDI changesin 2015 and 2016

图16 RDI的空间分布Fig.16 Spatial distribution of RDI

1)SMAP在河套灌区的适用性较好。栅格尺度上，69%的栅格表现较好(R>0.5)，只有14%表现不佳(R<0.4)；在区域尺度上，两套数据相关系数为0.65。结果表明，SMAP土壤水分与CLDAS土壤水分的时空变化特征一致性较好。

2)2015—2016年4月下旬，农业干旱最严重区域由灌区西南部向东北方向移动，东南部干旱程度减弱；8月初，西北地区干旱程度加重，由中度干旱变为严重干旱；9月底灌区干旱程度有所加重，严重干旱区主要集中在灌区中部。在作物生育期内，河套灌区大部分地区都处于严重干旱状态，主要集中在灌区西南部、中部和东部，并且2016年农业干旱事件时间持续比2015年有所延长。

3)以AWD为代表的气象干旱在时间上显示为两年内灌区干旱月份为5—8月，在空间上则是全灌区基本不发生气象干旱。除去因地形原因的五原县境内以及县界附近的格点，SWDI和AWD的相关性较显著，R均值为0.26，一半格点通过了显著性水平为0.01的检验，说明SWDI在河套灌区的精度能够接受，即基于SWDI对灌区进行干旱状况分析的可信度较高。