基于MODIS_TVDI/GNSS_PWV的云南省干旱特征时空分析

时间：2024-07-28

于维，柯福阳，曹云昌

(1.南京信息工程大学遥感与测绘工程学院，南京 210044；2.中国气象局气象探测中心，北京 100081)

0 引言

我国是受旱灾影响最大的国家之一，近几十年来，由于气温逐渐升高、降水逐渐减少导致旱灾频发[1]，对农业经济造成了巨大损失。传统的干旱监测多以气象监测为主，精度高，但效率低、耗费人力、应用范围小且受站点分布影响较大[2]，遥感技术的飞速发展解决了这一难题。MODIS作为中分辨率遥感卫星，是目前干旱监测主要的数据来源之一。温度植被干旱指数(temperature vegetation dryness index,TVDI)是遥感干旱监测中常用的方法，它反映了植被覆盖度与地表温度变化之间的关系，进而反映土壤湿润状态[3]，可以及时、准确和有效地监测不同地表面的干旱情况，且数据获取途径较多，过程简单[4]，因此被诸多学者进行研究。如王美林等利用2000—2015年的长时间序列MODIS数据提取地表温度和植被指数数据构建TVDI，从年际尺度到季节尺度反演、解析了玛曲表层土壤湿度的时空演变特征，并通过气象数据及其他多源数据进行验证，证实了其结果的有效性和可靠性[5]；刘英等将TVDI用于陕西省的干旱监测，并探究了其引起干旱的主导因素[6]。虽然TVDI在干旱监测中有一定作用，但MODIS时间分辨率较低，难以进行实时旱情监测。

大气可降水量(precipitable water vapor，PWV)作为大气中重要的成分之一，获取手段主要通过全球导航卫星系统(Global Navigation Satellite System,GNSS)、气象卫星以及探空站等[7]，其中传统的探空站监测精度较高，但站点数量少且获取频率低，缺乏一定的连续性[8]，GNSS遥感的出现解决了这一问题。由于其全天候、时空分辨率高、受云雨因素影响较小等诸多优点成为 PWV监测的主要方式[9]。PWV是大气中产生降水的基础，也是评估空中水资源含量的重要依据，与气象现象密切相关[10]，因而备受研究人员关注。F Alshawaf发现PWV的变化与地表温度呈一定规律，即地表温度每上升1℃，PWV在一定范围内产生波动[11]；Wang X M利用PWV监测出了澳大利亚的洪涝灾害[12]。上述研究表明，PWV在气象灾害监测方面具有很大潜力，但在旱灾监测领域研究较少。

MODIS数据广泛应用于干旱监测领域，能够实现较大范围的干旱监测，但其时间分辨率较低，GNSS PWV作为一种新的技术手段，在气象灾害监测方面具有很大潜力，且有着高时空分辨率。为此，本文以云南省为例，利用MODIS的植被指数产品(normalized difference vegetation index，NDVI)和地表温度产品(land surface temperature，LST)构建TVDI，以验证PWV在干旱监测中的适用性，同时进行干旱特征时空变化分析。

1 研究区概况及数据源

1.1 研究区概况

云南省位于我国西南地区，地处N21°8′～29°15′，E97°31′～106°11′之间。地势上，全省地势较高，最高海拔高达6 000多米，呈西北高、东南低态势，为山地高原地形，主要以山地类型为主，约占比全省国土总面积的84%。气候上，主要为亚热带高原季风型气候，全省气温七月达最高，约为20 ℃，最低在一月份，约为7 ℃，年温差约为11 ℃；全年干湿分明，有着明显的季节性和区域性降水不均现象，时间上，降雨主要集中在5—10月，而11月—次年4月降雨较少，空间上，雨量较多地区可达2 200～2 700 mm，较少地区可达584 mm，表现为夏秋多雨、春冬多旱现象，干旱发生频率较高区域主要在云南东部。图1为研究区范围及CORS站、气象站分布图。

图1 研究区范围及CORS站、气象站分布图Fig.1 The study area and the distribution map of CORS stations and weather stations

1.2 数据源及预处理

1)本文使用的MODIS来源于LAADS DAAC官网(https://ladsweb.modaps.eosdis.nasa.gov/search/)，分别为8 d合成、1 km分辨率的MOD11A2地表温度产品和16 d合成、1 km分辨率的MOD13A2植被指数产品，时间范围为2016年—2020年的1—5月(本文将1—5月称为春季)。利用MRT软件分别对目标数据(NDVI、LST)批量提取、拼接和重投影，格式转换，然后用云南省行政区划边界进行掩模裁剪，并同时对NDVI和LST进行S-G滤波[13]以消除噪音影响，且利用最大值合成[14]法合成为月、春季数据。

2)本文使用的GNSS数据及气象数据由中国气象局气象探测中心提供，站点主要包含云南省的35个连续运行参考站(continuously operating reference stations,CORS)及127个气象站，空间分布如图1。该数据主要包含温度、相对湿度、PWV、降雨量、气压等。

2 研究方法

2.1 温度植被干旱指数

TVDI最早由Sandholt[15]提出，该指数主要考虑了2个描述土壤表层特征的重要参数，即地表温度(LST)和归一化植被指数(NDVI)。当研究区植被覆盖情况为完全裸土到完全覆盖时，土壤湿度则由重旱到湿润，理论上，此时NDVI与LST构建的特征空间呈梯形[16]，如图2。

图2 Ts-NDVI特征空间Fig.2 The Ts-NDVI feature space

通过NDVI和LST可构建TVDI[17]，其关系可表示为：

(1)

式中：LST为地表温度；LSTmax为在NDVI值下的最高温度值，即特征空间的干边；LSTmin为在相同的NDVI下的最低温度值，即特征空间的湿边；TVDI值域范围为(0，1)，TVDI越趋向于0，表示土壤湿度越高，植被的蒸散作用增强，使得地表温度下降，TVDI越趋向于1，表示土壤湿度越低，植被蒸散作用降低，地表温度升高。通过线性拟合可得其干、湿边方程：

(2)

式中：a1，b1，a2，b2分别为干、湿边方程的拟合系数。

2.2 GNSS PWV反演计算

GNSS卫星发射的信号在穿过大气层时，由于电离层和对流层的影响，产生信号延迟，记为大气总延迟(zenith total delay，ZTD)。ZTD由电离层延迟和对流层延迟组成，其中电离层折射引起的延迟可通过双频接收机消除99%的影响[9]；对流层延迟主要有静力延迟(zenith hydrostatic delay，ZHD)和湿延迟(zenith wet delay，ZWD)，即ZWD=ZTD-ZHD，ZTD计算公式为：

(3)

式中：k1，k2，k3分别为大气折射常数；Rd为干空气气体常数；ρ为干空气总质量密度；Pw和Zw分别为水汽局部气压和可压缩系数；H和H0分别为对流层顶层高度及站点高度。式(3)等式右侧两项分别表示ZHD和ZWD，其中ZHD可通过站点信息及地面气压求得[18]，公式为：

(4)

f(φ,H)=1-0.002 66cos(2φ)-0.000 28H。

(5)

式(4)为解算ZHD的常用模型，Saastamonien模型。式中：P0为测站地面气压，单位为hPa；φ为测站地理纬度；H为测站点海拔，单位为km。由于气压测量精度较高，该模型所估算的ZHD可达mm级精度[19]。计算公式为：

(6)

式中：ρω为水密度;R=461(J·kg-1·K-1);κ=(3.776±0.014)×105(K2·hPa-1);κ'=16.48(K2·hPa-1);Tm为大气加权平均温度;Π为无量纲水汽转换系数，仅与大气加权平均温度Tm有关，常用取值范围为6.0～6.5[20]。

2.3 相关性分析

由中国气象局气象探测中心提供的云南省的35个CORS站数据和128个气象站点数据，包括降雨量、温度、PWV、相对湿度。借助Pearson相关系数分析TVDI与PWV、降雨量、温度及相对湿度的之间的相关关系。公式可表示为：

(7)

式中：R表示Pearson相关系数；N代表样本个数；xi，yi分别表示TVDI和气象因子；R取值范围为[-1,1]，|R|值越大相关性越强。当R<0时，表示两变量呈负相关关系，反之则表示为正相关，R=0时表示两变量之间不相关。

3 结果与分析

3.1 温度植被干旱指数反演

由于植被覆盖度过低或者过高，均会对监测结果产生影响。过低时，NDVI难以显示区域的真实植被覆盖情况；过高时，植被达到过饱和，生长缓慢。因此，本文NDVI取0.2～0.8，以0.01为步长，计算每个NDVI像元对应的最大、最小地表温度，然后对每期特征空间的干、湿边进行拟合，便可得到Ts-NDVI特征空间，如图3，拟合结果见表1，最后将拟合方程代入式(1)即可求得每个像元的TVDI。

根据图3可知，2016—2020年每1—5月特征空间都具有相似的梯形形状，干、湿边都具有相同的变化趋势，其中地表温度最大/最小值随着NDVI的增大而减小/增大；由表1可知，LSTmax与NDVI呈负相关，且干边拟合较好，拟合系数基本均高达0.8，但是每年1月，拟合系数较小，呈现弱相关性，根据孙丽等的研究[21]可知，这主要是由于植物1月份生长期缓慢，影响了NDVI的真值。

表1 特征空间干湿边拟合方程及相关系数(2016—2020)Tab.1 The fitting equation and correlation coefficient of dry and wet edge in characteristic space (2016—2020)

(续表)

3.2 TVDI与PWV相关性分析

在关于TVDI和PWV的相关性分析方面，主要从时间和空间上做具体分析。其中在时间上表现在季尺度、月尺度和日尺度。在季尺度上，TVDI与PWV相关性较高，相关系数基本均大于0.5；在月尺度上，对研究区内各个时期的TVDI和PWV的月均值做统计分析。结果如图4所示，TVDI与PWV月值具有一致变化规律，每年特征表现呈先上升后下降趋势，分别于3，4月达到峰值，造成这一现象的原因可能在于该时间段内高温少雨，空气中PWV含量较低导致PWV变化较小，此外在2020年2—5月出现了步调相反的变化趋势，这与统计资料显示的2020年特大春旱情况相符合；在日尺度上，由于PWV与降雨量具有较强的瞬时性，月均值难以表现PWV变化的细节特征，因此选取并计算了云南墨江(YNMJ)站PWV与降雨量的逐日值进行分析，如图5，在逐日的时间序列中，每次降雨必然会伴随着PWV的陡然上升和下降的趋势，此时TVDI也有一定程度的降低，当降雨较少或者不降雨时，TVDI又逐渐增大，表明PWV的变化具有一定的干旱特征信号[22]。在空间上，通过对两者进行Pearson相关性分析，结果见表2，PWV与TVDI之间具有较强的相关性，表现出相似的空间分布特征。

表2 TVDI与PWV相关性系数(2016—2020)Tab.2 Correlation coefficient between TVDI and PWV (2016—2020)

图4 PWV与TVDI变化趋势图(2016—2020)Fig.4 Change trend chart of PWV and TVDI (2016—2020)

图5 云南墨江(YNMJ)站TVDI、降雨量、PWV变化趋势图Fig.5 Change trend chart of TVDI,rainfall and PWV of YNMJ Station

3.3 干旱时空特征分析

根据前文计算的TVDI，采用齐述华等[23]对全国旱情监测的等级划分法对其进行等级划分，分为湿润、正常、轻旱、中旱及重旱5个等级，由此便获得云南省干旱等级分布图。如图6，在时间上，2016—2020年5 a间，旱情变化趋势一致，旱情程度逐月上升，在每年1，2月相对缓和，但在3，4月均较为严重，且均主要分布在滇南、滇西南地区，在5月有缓和趋势，主要是由于由春入夏，雨量相对增多，因此旱情有所缓解。年际间，每年旱情均表现出一定程度的春旱，这与曹影等[24]的研究结果具有一致的特征。

在空间上，根据云南省区域特征将云南行政区域划分为滇中、滇东北、滇东、滇东南、滇南、滇西南、滇西、滇西北，并利用Python，以上述为矢量范围掩模，对TVDI进行分幅裁剪，以获取各区域TVDI分布情况，然后对每个区域轻旱、中旱及重旱面积进行统计。从图7可以看出云南省在2016—2020年各区域干旱面积占比及空间分布特点，大部分地区均以中旱为主，尤其是滇中、滇东地区，中旱面积分别高达68%和80%，滇东北主要以轻旱为主，且轻旱面积逐年上升，滇西南、滇东南地区主要以重旱为主，其中滇西南重旱面积有逐年上升趋势，2020年高达63.64%，滇东南呈现逐渐下降趋势，由2016年的65.43%降低到2020年的26.13%。

图7 云南省各区轻旱、中旱及重旱面积占比Fig.7 The proportion of light drought,medium drought and severe drought in Yunnan Province

3.4 TVDI，PWV与气象因子的关系

为了进一步研究温度、相对湿度等气象因子与植被干旱指数和PWV之间的关系，本文计算并提取了云南省2016—2020年1—5月各CORS站点的温度、相对湿度及PWV，观察其时间序列变化特点。结果显示：如图8所示，1，2月温度约以0.48℃/年、0.32℃/年的速度上升。同时以CORS站为中心，计算其周围3像元×3像元范围内的TVDI值。最后将各TVDI值、PWV值分别与温度、相对湿度进行Pearson相关性分析，分析结果如图9，TVDI，PWV均与温度呈现正相关关系，相关系数高达0.85，且通过了P<0.01显著性检验，但与相对湿度呈弱相关或不相关，这表明温度与TVDI和PWV密切相关，可作为干旱的重要评价因子。

表3 干旱等级分级Tab.3 Drought grade

图8 温度、相对湿度变化趋势Fig.8 Trend of temperature and relative humidity

(a)TVDI与温度相关性 (b)TVDI与相对湿度相关性

4 结论

针对近几年严峻的干旱形势，本文利用TVDI分析了云南省2016—2020年春季的干旱特征时空变化，同时通过均匀分布在云南省的35个CORS站解算各站点PWV，并利用TVDI验证了PWV在干旱监测中的适用性，得出以下结论：

1)TVDI能较好地监测干旱情况，在云南省具有较好的适用性。由于区域性不均匀降水导致云南省干旱常年呈滇西北向滇东南增强趋势，主要集中在滇中、滇东、滇东南、滇南地区；由于时间性不均匀降水导致云南省干旱主要以冬旱、春旱为主，季内旱情呈先递增后减缓趋势，尤其3—4月份旱情变化特征最为明显，年间旱情呈波动变化特点,没有出现明显减少或增加的趋势。

2)GNSS PWV在干旱监测领域中具有一定潜力。基于Pearson相关分析发现PWV和TVDI存在较强的相关性，在季尺度上，相关系数基本均大于0.5；在月尺度上，PWV变化趋势与TVDI变化趋势基本一致，但TVDI变化有一定的时间延迟；在日尺度上，尤其时降雨时期，PWV变化和TVDI变化幅度契合度更高，表现出了一定的干旱特征信号，因此PWV为旱灾监测提供了一种新的技术手段。

本研究结果较好地反映了云南省近5 a的干旱演变特征，为防灾减灾提供了理论依据，有一定的参考价值。同时验证了GNSS PWV在干旱响应上具有一定潜力，但本文仅做了一些定性分析，对于GNSS PWV在干旱监测中的定量化分析还需深入研究。