青海省东部高原植被指数对干旱的响应研究

王文亚，张 鑫，王 云，苏夏羿

(西北农林科技大学水利与建筑工程学院，陕西 杨陵 712100)

干旱是全球范围内最为常见的、复杂的自然灾害，在每个气候区域内均时有发生，在世界上引起了严重的环境、社会、生态以及经济问题[1]。对于我国来说，干旱是影响面最广、最为严重的气象灾害。据统计，自然灾害中70 % 为气象灾害，而干旱灾害又占气象灾害的50% 左右[2]。

归一化植被指数NDVI是能反映植被覆盖情况和生长状况的指数[3，4，9]。利用遥感影像的NDVI值可以很好地反映地表植被的变化特点，同时，植被的覆盖程度又能在一定程度上反映气候的变化趋势，所以监测植被的动态变化以及分析这种变化与气候的关系已成为研究热点之一[4-6]。严少锋等以江苏沿海地区的SPOTNDVI数据为基础，分析了该地区植被覆盖的时空变化规律。研究表明，江苏沿海地区的气温、降水等气候因子对植被覆盖有较大的影响，二者均显示出较为显著的正相关性，其中气温占主导因素[7]。刘绿柳等[8]以黄河流域为研究区，通过分析流域内灌木、林地、草地、农作物4种植被类型的NDVI在20世纪80年代初到90年代末的变化规律以及NDVI与降水、气温、API(可利用水指数) 的相互关系，分析研究流域内植被覆盖度的变化趋势及NDVI对气候因子的敏感性，得出流域内农作物对降水变化较为敏感的结论。

青海省位于我国西北地区，其东部高原属旱作物农业区，对青海省国民经济的发展起着至关重要的作用,然而干旱成为了制约该区农业可持续发展的限制性因子[9]。本文基于青海省东部高原1998-2006年期间由SPOT影像资料得到的归一化植被指数NDVI产品数据和区内13个气象站点的连续观测资料，提取研究区内各气象站点印迹区的NDVI值，计算降水量距平百分率(Pa)和综合干旱指数(D指数)这两种气象干旱指数。在月时间尺度上对气象干旱年分析这两种气象干旱指数与研究区内植被的距平NDVI的相关性。研究青海省东部高原植被指数对干旱的响应情况，进而分析说明植被在反映气候变化中的突出作用，这对旱灾的预防有着重要的战略意义。

1 研究资料与方法

1.1 研究区概况

青海省东部处于青藏高原与黄土高原的过渡地带，地处东经100°～103°04 ′，北纬34°48′～ 38°，海拔1 650～5 254.5 m，年平均降水量为300 mm左右，属于半干旱气候。省内西高东低且高低悬殊的地势，使得大河自西向东流，这种地势有利于东南气流和西南气流伸入东部地区，形成一定的降水量，利于东部植被的生长。

1.2 研究数据

本次研究所用资料主要有青海省东部高原区1998-2006年由SPOT卫星影像资料得到的归一化植被指数NDVI数据产品、该区内13个气象站点1998-2006年的日气象数据资料。研究区域及区内气象站点的分布图见图1。

图1 研究区及气象站点分布图Fig.1 The study area and the meteorological site map

1.3 研究方法

(1)降水量距平百分率Pa。鉴于该地区在不同时间尺度上的降水量差异很大，如果使用降水量作为干旱指标，缺乏可比性，而降水量距平百分率是反映干旱的基本指标之一，是表征某时段降水量较常年值偏多或偏少的指标，能直观反映降水异常引起的干旱[10]。

降水量距平百分率的计算公式如下：

(1)

(2)综合干旱指数(D指数)。由于影响干旱的因素很多，造成干旱的原因不同，各地气候、地理条件差异很大，本次研究除了使用降水距平百分率外，还计算了一种干旱指数：综合干旱指数(D指数)[11]，用来分析降水量、蒸发量与植被指数的相关性，其计算公式是：

r=P-E

(2)

式中：r是综合干旱指数；P是时段降水量；E是对应时段的蒸发量。

(3)归一化植被指数(NDVI)。本次研究采用的是SPOTNDVI数据。将收集到的SPOT影像资料用图像处理软件ENVI 5.0计算得到13个气象站点的每连续十天的NDVI值即旬NDVI值，其计算公式如下：

NDVI=0.004DN-0.1

(3)

式中：DN为像元初始值。

对于SPOTNDVI的数据处理应用最大值处理法(MVC)，即图像中每一个像元用该月三旬中最大的NDVI代替月NDVI值。此法假设每旬中NDVI最大值出现的那一天天气晴朗，同时不受云层的影响，这么做的目的是减少大气中云、固体颗粒、视角、阴影以及太阳高度角等因素的影响。

(4)相关性分析法。相关性分析是指对两个或多个具备相关性的随机变量因素进行分析，从而衡量两个变量因素之间的相关密切程度。本文中应用相关性分析法研究距平NDVI与降水量距平百分率和D指数之间是否存在某种依存关系，以及其密切程度。并且采用F检验进行相关性的显著性检验。

2 结果与分析

越干旱年份植被对水分的依赖性越大，进而覆盖度的变化越明显，因此本文选择重旱年作为重点研究对象。根据《气象干旱等级》(见表1)[12]，以降水量距平百分率为单项气象干旱指数计算得2001年月尺度上达到了-87%，符合重旱标准。

表1 降水量距平百分率气象干旱等级划分表Tab.1 The standard grade of drought with precipitation anomaly percentage

在水分循环过程中，降水渗透然后被植物吸收，外在表现为NDVI对于气象因子的响应具有一定的时间滞后性，因此在做NDVI分布和降水量的相关性分析时必须考虑其时间滞后性，在研究中发现，滞后期为一个月时，相关性达到最佳。

2.1 降水量距平百分率Pa与距平NDVI的相关性分析

利用ArcGIS 10绘制的青海省东部高原区的降水量距平百分率与距平NDVI相关性空间分异图如图2所示。底图是2001年4-11月经过插值的距平NDVI图。图2显示，2001年各月青海省东部高原区13个站点的距平NDVI存在差异，即空间分布具有不均匀性。就整个研究区而言，4-7月均是负距平，8-10月区域北部的门源、大通等地才出现NDVI的正距平值。图中以圆点表示的是青海省东部高原区2001年3-10月的降水量距平百分率显示图。以月降水量与该月多年平均降水量的差值作为变量，应用Arc GIS分析软件在各气象站点区域内以圆圈的大小来反映降水量距平百分率。图2中显示，2001年每月的降水量距平值在各站点普遍偏小，尤其在绿色植被需要水分以生长的4-10月，湟源、湟中、贵德、西宁大多以负距平值出现，说明在这段时期内，降水量少于多年平均降水量。

图2 滞后1个月的降水距平百分率与距平NDVI相关性空间分异图Fig.2 The spatial distribution of the correlation between Pa(with a lag of one month) and anomaly NDVI

对比各月的降水量距平百分率与距平NDVI显示图，对各月的分析如下：4月降水主要集中在研究区南部，植被逐渐返青，距平NDVI也相应地在南部较大；5月整个研究区降水量很少，距平NDVI较4月份变化不大；6月降水量较多年平均值持续偏少，以至于距平NDVI较小值的控制范围进一步加大，以门源为例，4、5月距平NDVI在-0.037～-0.089范围，尽管6月降水量距平百分率达到0.2，但是由于植被返青前期受到水分胁迫，所以本月距平NDVI扩大到-0.1；7-10月，降水量距平百分率与距平NDVI显出较强的相关性，尤其表现在研究区北部，图2中显示为圆点较大的地区，距平NDVI基本由黄绿颜色覆盖；南部的尖扎、民和、黄南等地区降水量距平百分率均在-0.4左右，而距平NDVI随着时间的推移逐渐增大，说明植被在旺盛时期虽然受到降水一定的限制，但是生长还在继续；11月，尽管降水量距平百分率基本都为正值，但是距平NDVI相对于10月还是从正值衰减到负值，说明植进入枯黄期后，降水量距平百分率与距平NDVI的相关性程度减弱。

2.2 综合干旱指数(D指数)与距平NDVI的相关性分析

以D指数和距平NDVI作为变量，根据1998-2006年的降水量、蒸发量、NDVI系列等数据，应用一元线性回归的分析方法对NDVI和D指数做出的相关性分析如图3所示。由图3可以看出，除5、6、11月份外，距平NDVI与D指数都呈正相关关系。4月植被开始返青，但是受到前期降水量较少的影响，距平NDVI值均表现为负值，其与D指数的相关系数为0.228。5、6月的距平NDVI值接近，较同期的NDVI值偏小，与D指数的相关性程度不明显。7-10月距平NDVI与D指数的相关系数在0.2～0.8之间波动，特别是8月份的相关系数0.566和10月份的相关系数0.825均通过了 的显著性检验，说明在植被生长旺盛时期，距平NDVI与D指数具有很好的相关性。而在11月份，植被进入枯黄期，由于青海的地理位置，冬季阳光辐射强，使得蒸散发量比较大，相对而言，降水量偏少，使得D指数较小，与距平NDVI表现为负相关关系(见表2)。

图3 滞后1个月的D指数与NDVI距平相关性分析图Fig.3 Correlation analysis between D index at lag one month and NDVI anomaly

月份Pa与距平NDVI回归方程R2RD指数与距平NDVI回归方程R2R4y=-0．0004x-0．06520．02100．14y=0．0002x-0．01460．05180．2285y=0．0002x-0．05020．03000．17y=0．000035x-0．05560．00040．0206y=-0．0001x-0．05960．00300．06y=-0．0001x-0．06410．00800．0897y=0．0004x-0．02400．02200．15y=0．0004x-0．00640．04120．2038y=0．0005x-0．02470．16900．41y=0．0005x+0．00670．32090．566∗∗9y=-0．00006x+0．00540．00020．01y=0．0008x+0．05830．23210．48210y=0．001x-0．02590．68900．83∗y=0．0007x+0．00600．68040．825∗∗11y=0．00004x-0．01190．03000．17y=-0．0003x-0．02640．04560．214

注：**表示通过0.05的显著性检验，*表示通过0.1的显著性检验。

3 结 语

本文以1998-2006年覆盖青海省东部高原区的SPOT数据位基础，分析了该地区植被指数对干旱的响应情况。研究表明：

(1)月时间尺度上，气象干旱指数与滞后一个月的植被指数的相关性在7-10月表现出较密切的相关程度，说明在植被的生长旺盛时期，用植被指数反映干旱情况较有可靠性。

(2)在重旱年份(2001年)，距平NDVI与综合干旱指数较与降水量距平百分率有更好的相关性，说明NDVI较单一的降水量因素而言，与综合考虑众多气象因子的指标关系更为密切，因此在植被指数反映干旱时，干旱的成因更趋向于多种气候因子共同作用的，而不是简单的由降水缺少所引起。

(3)文中所使用的SPOT影像数据仅有8 a的资料系列，系列过短对研究NDVI的多年平均值有一定的局限性，不能完整的体现出植被的变化趋势。

(4)NDVI本身尚有不足之处：首先NDVI的运算结果可能会出现饱和情况，其次来自大气、土壤、噪音各方面的干扰将对NDVI的值产生影响。

□

[1] 李华朋，张树清.MODIS植被指数监测农业干旱的适宜性评价[J].光谱学与光谱分析，2013，33(3)：756-761.

[2] 姚玉璧 ，张存杰.气象、农业干旱指标综述[J].干旱地区农业研究，2007，25(1)：185-189.

[3] 孙红雨，王长耀，牛 挣，等.中国地表植被覆盖变化及其与气候因子关系----基于NOAA时间序列数据分析[J].遥感学报，1998，2(3)：204-210.

[4] 宋 怡，马明国．基于SPOT-VGETATION数据的中国西北植被覆盖变化分析[J]．中国沙漠，2007，27(1)：89-93．

[5] 邹 婵．基于SPOT-NDVI的青海省1998-2009年 植被变化及气候响应研究[D]．西宁：青海师范大学，2011．

[6] 裴 浩，敖艳红．草地植被监测中背景影响的订正[C]∥ 第四届全国优秀青年气象科技工作者学术研讨会，1998:37-40．

[7] 闫少锋，陆 茜，张金池，等．江苏沿海地区NDVI的演变特征及其对区域气候变化的响应[J]．南京林业大学学报(自然科学版)，2012，36(1)：43-47.

[8] 刘绿柳，许红梅.黄河流域主要植被类型NDVI变化规律及其与气象因子的关系[J]．中国农业气象，2007，28(3) ： 334-337.

[9] 徐 静，张 鑫. 青海省东部地区气候变化与ENSO事件关系[J].水文，2012，32(4)：88-95.

[10] 赵旭春．中国北方干旱区干旱指标的应用研究[D]．兰州：兰州大学，2007.

[11] 严建武，陈报章．植被指数对旱灾的响应研究----以中国西南地区2009年-2010年特大干旱为例[J]．遥感学报，2012,16(4)：729-737.

[12] GB/T 20481-2006，气象干旱等级[S]．