土壤干旱遥感监测的最新研究进展

李 毅，陈新国，赵会超,姚 宁，樊向阳，刘春成

(1.中国农业科学院农田灌溉研究所，农业水资源高效安全利用重点开放实验室， 河南 新乡 453002；2.西北农林科技大学 水利与建筑工程学院， 陕西 杨凌 712100)

联合国政府间气候变化专门委员会指出，全球地表温度在近几十年期间呈上升趋势，，全球变暖已成为不争的事实。全球变暖导致水文气象等事件频发[1]，其中干旱和极端干旱事件影响极大。干旱不等同于旱灾，对人类造成损失和危害的干旱才称为旱灾[2]。旱灾发生后可能会造成大范围粮食产量降低、用水紧张、环境恶化以及社会经济的不稳定和动荡等[3]。中国旱灾发生极其频繁，尤其近四十年以来发生的大范围的旱灾已经对人民群众的生产和生活造成了重大影响[4-6]。

考虑水分供给和需求的变化，通常干旱可以分为气象干旱、农业干旱、水文干旱和社会经济干旱[7-8]。其中前三类以物理现象为基础描述干旱，最后一类跟踪水资源短缺对社会经济系统的影响。各类干旱有各自的发生条件、演替特征，且相互之间有一定的关系[9]。不同干旱类型中，农业干旱又分为土壤干旱、大气干旱和植被干旱[10-11]。土壤干旱是土壤中缺乏植物可吸收利用的水分，根系吸水不能满足植物正常蒸腾和生长发育的需要而产生的干旱[7]。由于土壤通过影响水循环过程改变环境要素，其将水循环要素与土壤储水联系起来，因此进行土壤干旱研究对于植被和作物的正常生长有重要的指示作用[12]。了解土壤干旱的严重程度，对于粮食安全、农业生产具有重要的指导意义。

本文首先归纳了含土壤水分在内的陆面过程参数的最新研究进展，其次评价了土壤水分多时空动态研究进展，此外还介绍了多种土壤干旱指标的计算方法和应用现状，重点对土壤干旱遥感监测方面的国内外进展进行了综述，最后对今后土壤干旱的重要研究方向进行了展望。

1 陆面参数的时空变化

土壤中因为包含一定的孔隙，因此可储存水分，土壤水分资源也是水资源的有效内容之一。土壤水分亏缺或降低是引起土壤干旱的直接原因，不同深度土壤的温度与土壤水分亏缺一起导致了土壤干旱，同时土壤水分和温度状况又影响着植被的健康状况，而这些要素都无一例外受到气象要素的影响。因此进行土壤干旱研究，对土壤水分、温度、地表温度和植被条件等陆面参数的时空变化信息的研究必不可少。

由于覆盖面较大时所需的人力、物力和设备要求非常高，陆地表面的水文和土壤数据难以进行精细的观测，大部分土壤水分、温度等指标的观测是基于特定目标进行的，因此大多局限于少量的样本，或基于人工进行有限土壤深度的采样，成本高，数据量少。此外，土壤水、地温和植被覆盖度等相关要素的时空变异性研究大多在中小尺度上进行[13]。传统的观测方法极其耗费人力、物力和财力，且观测尺度的局限性很大。近年来各类遥感技术的大力发展克服了以往仅能在有限尺度上进行土壤干旱研究的局限，为土壤水分干旱的研究提供了大量可用数据[14-16]。Chen等[17]采用2008年—2016年共9年的日、月及年尺度全国陆地同化土壤水分数据，较细致地分析了0～200 cm深度范围内、土壤水分和土壤温度的时空分布规律，发现其规律性的波动变化，两者的变化一致性较好，其中西北地区和青藏高原等干旱和寒冷地区土壤水分和温度的范围、平均值等均较低。Ning等[18]结合置换熵和经典统计分析了黑河八宝河流域不同深度范围(4 cm、10 cm和20 cm)土壤温度的时间变化和空间格局，发现在同一土壤深度下，随着海拔高度增加，地温最大值、极差、平均值、标准差等均呈下降趋势。

地表温度(LST)是地表能量平衡的一个重要参数，近年来有不少相关研究分析了LST的时空变化。例如Zou等[19]研究了全球变暖背景下青藏高原2001—2016年期间植被变绿和LST的变化规律，结果表明，植被变绿具有典型的空间和时间异质性，优化的土壤调整植被指数的年平均增加值为0.007 1，解释了26.3%的区域变化趋势。此外，该区域LST呈现整体增加的趋势，变率为0.382 4℃，其峰值出现在每年七月前后，全球变暖导致其峰值提前。热伊莱·卡得尔等[20]研究了2001年—2014年不同土地利用和覆盖类型条件下伊犁河谷的LST时空分异特征，发现该地区LST的变化趋势5%呈严重减少，24%为轻微减少，37%为基本不变，26%为轻微增加，绿色植被对LST起到了一定的缓冲作用。

针对植被指数、植被动态的研究中，如Qiu等[21]探讨了我国2001年—2011年期间增强植被指数的时空变化规律，Liu等[22]分析了1982年—2011年我国植被生长的时空变化特征及气候驱动的影响，Lu等[23]采用一种基于像素的光谱匹配方法，结合增强植被指数时间序列绘制了高分辨率的灌溉区域 ，Miguel等[24]利用MODIS的植被指数距平时间序列估算了大豆的产量。通过运用不同类型的植被指数、陆面参数，拓宽了研究的领域和空间范围。以往对陆面参数的研究为我们进行土壤干旱提供了较好的基础知识和背景知识，对全面分析土壤干旱极为有利。

2 土壤水分的时空变异性

土壤水分是反应农业和生态系统中土壤干湿状况的关键变量，是影响植被和农作物生长的关键因素，土壤水分时空动态的分析、评价是研究土壤干旱的基础。土壤水分、土壤储水量等具有复杂的时空变异性，时间尺度可自分钟至年变化，空间尺度自厘米到公里数量级变化，分析小流域或局部等空间尺度下土壤水分的时空变异规律和发展态势为了解更大、更广尺度下土壤水分的变化提供了基础[25-26]。在农田尺度，Rodriguez-Sinobas等[27]基于广义结构函数提出了多重分形新分析方法，并探讨了灌溉事件中土壤水分的尺度特性，在两个试验小区进行了地下滴灌的灌溉试验，用分布式温度传感器基于积温法估算土壤含水量，研究表明地下滴灌过程中土壤水分的变化是纯随机的，其变化比地表滴灌更均匀，试验过程中地表滴灌条件下的土壤水分时空变异性比地下滴灌强。在更大的空间尺度上，Cho等[28]评估了2011年5月1日至9月29日朝鲜半岛近地表土壤水分的时空变异性和影响其主要气象要素，Samaniego等[29]集合水文和地表模型分析表明，在缺乏有效缓解措施的情况下，欧洲将面临前所未有的土壤水分干旱增加，给其适应工作带来新的挑战 。Zhu等[30]采用地质统计学方法分析了1993年—2013年期间我国653个农业气象站相对土壤湿度的变化规律、空间特征及其影响因子，结果表明自1993年以来，我国相对土壤湿度呈波动式增加趋势，通常其值大于60%，分布面积自四月中旬夏季季风开始向北和西部扩张，但十月下旬以后向东南缩进。Zhu等[31]基于2014年—2016年间在古尔班通古特沙漠南缘的土壤原位观测数据和方差分析，研究了土壤含水量的时空变化，发现土壤湿度的时间变异性强于空间变异性，全年土壤湿度的变化分为三个周期，其变化不仅受坡度、坡向的影响，还受到降雪、植被、降水和蒸散发的影响。

关于土壤水分空间变异性的研究较多，目的也各不相同，不再赘述。

3 土壤干旱的定量评估

3.1 农业和土壤干旱指标

干旱指标是干旱严重程度的定量量度。传统的干旱监测通过实测数据计算干旱指标。农业干旱指标提出的较早，到目前为止已经有多种，如作物水分指标(CMI)、帕默尔干旱严重度指数(PDSI)等[32-33]。其中PDSI是一种标准化的干旱指标，用于月尺度下的干旱分析，其中Wells[34]提出的自校验PDSI克服了原PDSI指标的一些局限性。虽然该指数可同时反映降水和蒸散变化引起的干旱，但它无法考虑气候变暖的影响。

专用于土壤干旱监测的指数相较于农业干旱指数偏少，但仍有一些应用比较广泛，如土壤水分亏缺指数(SMDI)、标准化土壤水分指数(SSI)、作物水分指数CMI、归一化土壤水分指数(NSM)、土壤湿度指数(SMI)、土壤湿度亏缺指数(SWDI)等[35-37]。

3.2 土壤干旱指标的计算

3.2.1 SMDI的计算

在不同的干旱指标中，土壤水分亏缺指数SMDI能够反映作物根区的短期干旱情况，而且没有季节性差异[38]，其计算公式为：

(1)

(2)

式中：SDi,j表示第i年第j月的土壤水分亏缺,%; SWi,j表示第i年第j月土层中平均土壤含水率,mm; MSWj表示第j月土层中长期土壤含水率的中位数,mm; max SWj表示第j月土层中长期土壤含水率的最大值,mm; min SWj表示第j月土层中长期土壤含水量的最小值,mm(i= 1，2，……，67；j= 1，2，……，12)。

在土壤干旱的研究中多将SMDI指标与作物产量相关联。如Narasimhan等[38]分析了美国德克萨斯州小麦关键生育期的周时间尺度SMDI与产量的相关性，指出在小麦分蘖期和灌浆期SMDI与产量的相关性高于其它生育期。Kamali等[39]对伊朗卡尔河流域小麦生育期内干旱与产量的关系进行分析研究，发现在小麦生殖生长期0～200 cm土层深度1月时间尺度SMDI与小麦产量相关性最大。Chen等[40]结合SMDI的时间变化，与DSSAT-CERES-Wheat模型模拟的冬小麦产量进行关联，找出了对冬小麦产量影响最大干旱的关键生育期和关键SMDI时间尺度。

3.2.2 SSI的计算

标准化土壤水分指数SSI的计算方法与目前国内外应用普遍的SPI指数类似[41]。其计算公式为：

(3)

用SSI表征土壤干旱的研究中大多针对不同时间尺度，或与气象干旱进行关联和对比。例如，Golian等[42]对比分析了伊朗地区6个月时间尺度SPI和SSI的变化规律，指出SSI较SPI有1个月左右的滞后。Hao等[43]用3个月和6个月时间尺度SSI验证分析了2007年和2012年美国地区历史干旱事件，结果表明6个月时间尺度比3个月时间尺度SSI更能较准确地反映美国地区历史干旱事件情况。

4 土壤干旱的遥感监测

传统的干旱监测基于地面观测站点如气象站、农业试验站完成，地面观测的土壤水分数据可靠而准确。但是这些地面站在空间上无法实现全区域连续监测，难以对土壤水分动态变化进行大尺度分析和评价。以遥感卫星和陆地表面模型所结合的产品数据的干旱监测在广域、实时性监测方面有较大优势[44-46]，遥感和陆地同化技术所得到的土壤水分数据越来越受到重视，得到了许多应用。Javed等[44]基于MODIS遥感数据和长期数据记录LTDR研究了1982年—2017年期间归一化植被指数NDVI和植被条件指数EVI在我国不同土地覆盖类型下的变化及其和SPI的关联性，结果表明三种干旱指数具有明显的正相关，极端干旱和极端湿润年三者之间的相关性均较高，决定系数在0.54～0.90范围内变化。Anderson等[45]基于热红外遥感的干旱指数与美国干旱监测分类(USDM)指标模拟的结果对干旱情况进行了多重对比和验证。Van Hoek等[46]对卫星遥感的降水和NDVI序列进行了谱分析，从而对干旱事件进行了早期监测。Li等[47]使用基于现场观测形成的土壤水分产品和和GLDAS同化数据对土壤湿度表征的干旱进行了评价。Zhu等[48]使用GLDAS数据和综合评价方法研究了了中国西北地区内陆河流域的水文干旱演变规律。Eswar等[49]基于土壤水分主动被动微波遥感观测数据，和USDM、SPI等指标结合，分析了美国在多个时间段内土壤水分动态对干旱状态变化的响应。

基于卫星遥感的土壤水分、LST和地表植被参数等被大量应用于不同类型干旱和土壤干旱状况的监测和评估。如NDVI[50]、增强型植被指数EVI[51]、标准化地表温度指数、植被条件指数VCI及植被健康指数VHI等[52-53]。这些遥感指数和植被相关的指标可以在一定程度上反映土壤的干湿状况，通过与植被的具体信息如长势、冠层特性等相关联[54]，从而实现更大尺度、更精准的土壤干旱监测。

基于NDVI～LST的光谱空间实现了土壤干旱的精细化监测。Liu等[55]对2000年—2016年期间陕西全省干旱进行监测分析，发现基于NDVI-LST特征空间估算的温度条件干旱指数TVDI呈双抛物线形。Carlson等[56]研究了利用热红外温度和NDVI观测值推到土壤水分和植被覆盖度的方法，发现作物水分与LST和NDVI的比值呈显著负相关关系。Sandholt等[57]基于热惯量法的相关原理，结合陆面温度LST和归一化指数NDVI计算了TVDI 。TVDI是基于光学和热红外遥感通道数据进行植被覆盖区表层土壤水分反演的良好指标，因此可应用于土壤干旱严重程度的监测和分析评价[58-59]。Tagesson等[60]利用基于TVDI和SEVIRI地表参数进行土壤水分及海洋盐渍化(SMOS)的土壤水分数据分解，并基于其分析结果研究了西非地区的土壤干旱特征。

不同的遥感干旱指数有其局限性和优点。例如归一化指数NDVI是反映植被长势和营养信息的重要参数之一，但该指数受土壤背景的影响较大。此外，在植被覆盖度大的区域，NDVI会受到影响，这种情况下，地表的蒸散发量不断增加，NDVI值不能准确、全面地反映土壤干湿情况，因此需要结合其他变量来表征土壤干旱的严重程度。增强型植被指数EVI对植被高度比NDVI更敏感，基于EVI和LST估算的TVDI(TVDIEVI)在一定程度上弥补了基于NDVI和LST的TVDI(TVDINDVI)的不足。Zhao等[61]进行了TVDIEVI和TVDINDVI在中国不同区域的适用性分析，为土壤干旱的遥感监测提供了更为合理的依据。

5 结论及展望

前人研究针对陆面过程模式、土壤水分的空间变异性、土壤干旱指标及土壤干旱的遥感监测等内容做了相当多的研究。但由于研究区域的差异、所采用的数据来源不同、估算指标的选择千差万别，因此获得的结论既具有相似性，又有具体差异。虽然土壤干旱的研究已经从基于有限站点实测数据扩展到了大尺度连续数据，多源遥感数据也被大量应用于土壤干旱的监测，但由于土壤水分和土壤干旱监测指标的优劣很大程度上决定于陆地表面情况和植被覆盖度的高低，因此在不同地理、区域和气候条件下的适用情况也会有所不同。此外，土壤干旱和所在的特定深度层有关，今后在不同深度、不同区域、不同时间尺度和空间尺度下的土壤遥感监测研究还需更细致的工作。

目前在评估土壤干旱特点时，在水文干旱和气象干旱的响应关系、演变规律及滞后时间等方面的研究较少，今后在此方面的研究还有必要加大力度，以便在农业旱灾防控和水资源优化配置方面提出决策指导，从而保持我国农业生产稳定增长。