不同植被指数对旱情监测的敏感性比较

王 敏

（河海大学水文水资源学院，南京 210098）

干旱是一种较为常见的自然灾害，由于其造成的环境破坏和经济损失等不良影响，目前已引发世界范围的广泛关注。传统的旱情监测方法主要利用气象干旱指数来定量描述降水的匮乏程度和持续时间，以此来监测旱情的强度和发生范围［1］。常用的气象干旱指数包括 Palmer 干旱强度指数（PDSI）［2］，标准化降水指标（SPI）［3］和降水距平百分率（Pa）［4］等。虽然气象干旱指数已经能较为精确地估算地面点的干旱程度，但由于其依赖站点上的个别数据来监测干旱，存在以点带面的问题，在空间尺度上缺乏连续覆盖性［5］。随着遥感技术不断进步，人们可以利用遥感手段来准确、实时地获取研究地区的植被长势、地表温度、地表水分等信息，从而来监测干旱。国内外遥感监测干旱的方法主要有土壤水分监测法、冠层温度监测法、植被水分变化监测法以及作物形态及绿度监测法等［6-10］。已有学者在以气象干旱指数为标准的基础上，通过分析遥感建立的遥感干旱指数与传统气象干旱指数的相关性，来验证遥感干旱指数对旱情监测的适宜性［11-13］。其中，用于旱情监测的最常见通用的遥感指数以植被指数为主，但不同的植被指数对旱情响应的特征明显不同［14］。本研究选择巢湖流域为研究区域，利用气象干旱指数降水距平百分率作为评估不同植被指数监测旱情敏感性的参考依据，基于MODIS 数据选取了归一化植被指数（NDVI）、距平植被指数（AVI）和条件植被指数（VCI）分别与降水距平百分率指标做相关性分析，以对比不同植被指数在旱情监测方面的表现，为根据不同时空条件选择适宜的植被指数来监测旱情提供科学的参考依据。

1 研究区概况

巢湖流域位于安徽省江淮地区中部，地理位置为东经 116°24′18″—117°55′38″，北纬 30°58′58″—32°04′48″，流域面积约为 9 196 km2。流域内亚热带季风气候明显，流域降水主要集中在6—8 月，年均降水为1 000～1 158 mm，年平均气温16.0～16.5 ℃。巢湖流域连接着江淮丘陵地带以及沿江的平原区，地形地貌较复杂，总体来说西南方向偏高、东北方向偏低，最高峰海拔高度近1 400 m，有低山、岗地、平原、丘陵4 种地貌（图1）。流域内植被类型主要为北亚热带落叶与阔叶混交林。行政区划上包括合肥市，肥东县、肥西县、庐江县、长丰县、居巢区、六安市、岳西县、含山县、舒城县及霍山县的全部或部分区域。由于流域内北亚热带和暖温带过渡性的气候条件、复杂的地形地貌以及人类活动等多方面的影响，导致了巢湖流域降水在时间和空间变化都较大，频发旱涝灾害，尤其是旱灾严重抑制了研究区内的农业生产乃至经济的发展［15］。

2 数据与方法

2.1 数据来源

2.1.1 遥感数据 遥感数据选用MODIS 传感器提供的中国月合成归一化植被指数产品MODND1M，其空间分辨率为500 m。MODIS 数据具有波段范围广、定位精度高、描述植被信息时受干扰较少等优势，且该产品采用了月最大值合成法，减少了云覆盖造成的噪声影响，更适合植被变化监测研究［16］。考虑到生长状态的植被更需要水分，生长季降水的减少会严重抑制植被的生长，此时植被指数和降水距平百分率才更具相关性，因此确定研究的时间范围为6—9 月。从地理空间数据云网站（http：//www.gs⁃cloud.cn/）下载 2008—2015 年 6—9 月的 MODIS 植被指数月产品数据，使用MODIS 重投影工具对该产品进行预处理，根据各植被指数公式，再利用GIS 技术计算得出所研究3 种植被指数的遥感影像。

2.1.2 气象数据 从安徽省水文遥测信息网（http：//yc.wswj.net/ahyc/）得到了巢湖流域内气象观测站2008—2015 年6—9 月逐月的降水量资料。气象站点需满足8 年以上建站时间且观测期间没有异常故障值，经过筛选，符合条件的只有11 个站点。将月降水量数据进行整合，分别计算出流域内每个站点的月平均降水量、年降水量，从而得到逐月降水距平百分率和逐年降水距平百分率，以分析研究时段内流域旱情的发生与分布情况。

2.1.3 其他数据 涉及的其他相关数据包括巢湖流域边界图、行政分区图和水系图等矢量数据以及研究区DEM 数据。矢量数据可在GIS 环境下自行矢量化生产得到，DEM 数据来源于地理空间数据云网站。

2.2 研究方法

2.2.1Pa指数的计算 降水指标能够反映干旱的发生程度，降水距平百分率是某时段的降水量与历史同期平均降水量的百分比率，它可以反映某时段内的降水量偏离历史同期平均状态降水量的程度。Pa越小，表示该时期降水偏离历史同期平均降水量越多，越容易发生干旱［17］。因降水距平百分率较其他气象干旱指数计算方法更为简便，仅需降水量数据即可，所以本研究选取降水距平百分率为评估植被指数监测旱情敏感性的参考依据，其计算公式如下。

式中，P为某时段降水量（mm）；为某时段常年同期降水量的平均值（mm）。

2.2.2NDVI的处理 归一化植被指数（NDVI）采用的数据即为MODIS/NDVI 产品，无需另外再进行影像运算。但考虑到原始NDVI产品可能有部分像元存在污染出现异常值，故采用八邻域算法对影像进行平滑处理以去除噪声污染，从而提高影像质量。平滑处理后的NDVI产品可用于计算AVI和VCI。

2.2.3AVI的计算 距平植被指数是用NDVI多年的月（季度）平均值作为参考值，再用某特定年月（季度）的NDVI减去该参考值，即可得到NDVI的正、负距平值。负的距平值反映植被生长状况较历史多年同期差，说明植被的生长受到了抑制，因此有旱情发生的可能。一般来说，AVI在-0.1～-0.2 表示发生干旱，值越小旱情越严重［14］，其计算公式如下。

式中，NDVI为特定年份某一时段的归一化植被指数为该时段归一化植被指数的多年平均值。

2.2.4VCI的计算 条件植被指数是将某时段NDVI与多年同期NDVI的最大值、最小值进行比较，并归一化到0～1。VCI越低，则该时段NDVI越靠近历史同期最小值，表示该时段植被长势越差。VCI反映了植被长势在时间和空间尺度上的变化，也反映了植被受天气气候条件的影响。一般情况下，VCI≤0.3说明植被生长状况差，0.30.7 说明植被生长状况良好无干旱。若同一地区连续几个时段的VCI都小于0.4，则表示植被生长受到了抑制，存在旱情发生的可能［13］。其计算公式如下：

式中，NDVI为特定年份某一时段的归一化植被指数；NDVImin为多年内该时段NDVI的最小值；NDVImax为多年内该时段NDVI的最大值。

2.2.5 植被指数与Pa的相关性分析 依据上述计算公式，基于预处理后的2008—2015 年6—9 月的NDVI产品数据进行计算得到AVI和VCI时间序列数据。使用像元与气象站点匹配关联的方法，将气象站点与MODIS 影像进行匹配，从而获取气象站点处的植被指数。首先，根据安徽省水文遥测信息网提供的11 个气象站点的经纬度对站点进行定位；其次，以气象站所在位置为中心，利用ArcGIS 软件提供的焦点统计工具提取3×3 像元内的植被指数平均值作为该气象站点处的植被指数，该方法能避免极端像元值的出现，使得到的像元值更具有代表性［3］；最后，对得到的每一个气象站点的各时期植被指数与其对应降水距平百分率利用SPSS 软件进行皮尔逊相关性分析。

3 结果与分析

3.1 基于Pa 的旱情分析

巢湖流域的降水主要集中在6—9月［15］，因此各年份6—9月的降水量总和即可大致代表研究区域的年降水量的相对大小。计算2008—2015年6—9月研究区内所有气象站点的降水量总值作为年降水量均值，再依据公式计算逐年降水量距平百分率，结果见表1。从表1可以看出，2009年和2013年的年均降水量均明显小于多年平均年降水量，即2009 年和2013 年发生了较为严重的干旱。查阅资料可知，2009年由于降水量异常偏低以及年平均气温较历史同期偏高引发了较为严重的干旱［11］，安徽省部分地区的降水量之少甚至达到30 年一遇，这与本研究结果一致。

表1 巢湖流域2008—2015 年逐年降水距平百分率（单位：%）

根据2008—2015 年各气象站的月降水量数据计算出流域内的各月降水量均值，再按公式计算得到各月降水距平百分率，结果见表2。当以月尺度的Pa度量旱情变化时，根据《气象干旱等级》标准［17］和流域内的情况：Pa>-40%为无旱，-60%

表2 巢湖流域2008—2015 年6—9 月逐月降水距平百分率

3.2 植被指数与Pa 的相关性分析

通过降水距平百分率分析流域内的干旱情况可知，2009 年和2013 年均发生了较为严重的干旱，并且9 月的降水量相对于其他3 个月少，因此重点对2009 年9 月和2013 年9 月干旱期间的植被指数和降水距平百分率监测旱情的情况进行相关性分析。因为只有在干旱时，水分对植被的长势才起决定性作用，这时植被内的叶绿素含量会随着水分的减少而下降，从而对反射近红外光的能力也会明显降低，因常用的植被指数一般是根据近红外光谱构建的，所以植被指数也会相应减小，此时可以用来反映干旱发生情况，以此来监测旱情。分别将2009 年9 月与2013 年 9 月流域内的 11 个站点对应的NDVI、AVI和VCI与Pa进行相关性分析，分析结果如下。

3.2.1NDVI与Pa的相关性分析 图2 是以 2009 年9 月和2013 年9 月干旱期间为例表示巢湖流域内归一化植被指数与降水距平百分率相关性的空间分异。NDVI是用来描述植被长势的重要指数，而植被长势又受到降水的影响，因而NDVI可以间接地反映旱情的发生情况。Pa越低，NDVI越小，表明旱情越严重。从图2 可以看出，2009 年 9 月和 2013 年 9 月NDVI影像与区域旱情分布较为一致，均表现为流域内北部植被覆盖率偏低，南部为高植被覆盖区。流域内西北方向NDVI较小，表明该地植被覆盖率偏低，同时分布在该地区的气象站点所对应的Pa也较低，说明该地降水不足，有旱情出现的可能，二者的变化趋势一致，具有一定的相关性。东北方向降水量偏高，但NDVI并没有出现相应的偏高，未表现出相关性，可能是由于选取的站点分布不均匀导致的。整体来看，正降水距平百分率与归一化植被指数的空间分布相关性表现不是很明显。可能是因为研究区内NDVI都偏大，表明研究区内植被覆盖度较高。有研究表明，NDVI具有饱和效应，即当某地区的植被覆盖度到达一定程度后，NDVI就不再随着植被覆盖度的上升而上升，并且NDVI在时间上存在一定程度的滞后［18］。

3.2.2AVI与Pa的 相 关性 分析 图3 为 2009 年 9 月和 2013 年 9 月AVI与Pa相关 性空间分异 。从图3 可以看出，流域内2009 年9 月的AVI整体上低于2013年 9 的的AVI，表明 2009 年的干旱程度较 2013 年更为严重，这与基于Pa的旱情监测结果一致。总体来看，AVI和Pa的分布趋势较为一致，AVI越小的地方Pa也越低。在流域内西北地区气象站点的Pa均为负值，对应的相同时期的AVI影像图也显示出明显的偏低；东北地区的Pa和AVI均高于平均水平，二者对旱情监测的结果较为一致。比较图2 和图3，旱情在西北方向的变化情况基本一致，植被指数都偏低；但在东北方向，NDVI的旱情监测结果要比AVI严重，这可能是由于植被指数的取值和分级范围不同造成的。

图2 2009 年9 月（a）和 2013 年 9 月（b）NDVI与Pa 相关性空间分异

图3 2009 年9 月（a）和2013 年9 月（b）AVI与Pa 相关性空间分异

3.2.3VCI与Pa的相关性分析 对比图3 和图4，从空间上来看，相同时期的AVI影像和VCI影像表现出较为一致的分布趋势，在降水相对充足的东北方向，植被指数都表现出明显的偏高，而分布在西北地区的气象站点的Pa均表现为负值，与植被指数的分布趋势表现出一致性。通过3 种植被指数的遥感影像和站点Pa的综合分析可以得出，NDVI影像的变化最不明显，其与Pa的分布趋势变化表现不是很一致；而AVI和VCI与Pa的分布有明显的一致性规律，对旱情响应的敏感性较NDVI有一定的提高。这可能是因为NDVI本身存在局限性，而AVI和VCI是在多年NDVI遥感影像的基础上得到的反映区域土壤供水平均情况的植被指数，所以监测旱情的结果更具有代表性。

图4 2009 年9 月（a）和2013 年9 月（b）Pa 与VCI相关性空间分异

3.2.4 植被指数与Pa的相关性比较 为了在相同的地域条件下对比NDVI、AVI和VCI这 3 种不同植被指数对旱情响应的敏感程度，使用Pa作为评估植被指数对旱情监测敏感性的参考依据，计算了干旱时期的Pa与其对应的3 种植被指数之间的相关系数，相关系数越大，说明该植被指数对旱情监测越敏感。结果（表3）显示，除了NDVI外，其余相关系数均通过了0.1 水平的显著性检验，证明植被指数与降水距平百分率之间存在相关性，但相关性普遍不高，可能是选取的气象站点在空间上分布不均匀导致的。NDVI指数与Pa的相关性最差，AVI和VCI与Pa的相关性均较好，尤其是VCI，这与上节的研究结果基本一致。因此，AVI和VCI对旱情监测的敏感度更高。

表3 巢湖流域 2009 年 9 月和 2013 年 9 月 NDVI、AVI、VCI与Pa 的相关系数

4 小结与讨论

4.1 小结

本研究运用巢湖流域2008—2015 年6—9 月的MODIS/NDVI 影像产品数据及降水量数据，对3 种植被指数（NDVI、AVI、VCI）与降水距平百分率（Pa）进行相关性分析，从而对比相同地域条件下不同植被指数对旱情监测的敏感程度。结果显示，在2008—2015 年，2009 年和2013 年均发生了不同程度的干旱，尤其是2009 年。其中，9 月为流域内6—9 月最容易发生干旱的月份。因此，以2009 年9 月和2013年9 月干旱期间为例，分析了3 种植被指数与降水距平百分率的相关性。结果表明，AVI和VCI与Pa的相关性较好，且以VCI对旱情响应的敏感度最高，而NDVI监测旱情的精度较差。

4.2 讨论

本研究侧重于比较3 种植被指数对旱情响应的敏感程度，得到的只是相对的结果，从相关性分析结果也可以看出，植被指数与降水距平百分率的相关性普遍不高，可能有以下几个原因：①满足条件的气象站点在研究区内分布不均匀；②研究选用的MODIS产品时间序列不够长，并且空间分辨率为500 m，使其得到的3×3 像元平均值的范围也较大；③植被指数的下降不仅与降水量减少有关，还会受到时间滞后性、灌溉条件、气候条件、植被类型以及土壤持水能力等因素的影响［19］。

NDVI监测干旱情况不理想的原因可能是NDVI具有饱和效应，并且NDVI易受到植被背景信息和大气情况的干扰，而研究区域的植被覆盖度较高，给研究带来了不确定性和误差。因此，采用AVI和VCI监测旱情的效果更好，因为它们都是通过与长时间历史同期的植被指数建立关系，描述了植被的时空变化，消除了植被指数的偶然性误差。但有研究表明，AVI只适用于大尺度范围的旱情监测，因为其无法和干旱建立定量关系［20］；VCI虽然能定量描述植被的空间变化和长期气候对植被的影响，但它的计算需要长时间的连续数据，并且不适用于播种期和成熟期［21］。因此，不同的植被指数监测旱情具有不同的适用条件，综合分析气候环境多因素的影响能提高植被指数监测旱情的精度，对科学合理地预报旱情具有重大意义。