基于水文-作物耦合模型和CWAPI指数的农业干旱评估

张宇亮，吴志勇，何 海

(1.合肥工业大学 土木与水利工程学院，安徽 合肥 230009；2.河海大学 水文水资源学院，江苏 南京 210098)

1 研究背景

农业干旱是指由外界环境因素造成作物体内水分亏缺，影响作物正常生长发育，进而导致减产或失收的现象[1]。农业干旱造成的减产严重影响粮食安全和经济社会可持续发展。近十年来，中国农业干旱受灾面积在各类灾害中最大[2]，干旱与其它各类灾害相比，对农业的影响巨大。为降低旱灾对农业发展的影响，常会采取各种抗旱措施减少旱灾的经济损失，但在落实抗旱措施时，需要了解各地的受旱程度才能因地制宜部署，这就要求评估各地农业干旱情况。因此，研究农业干旱评估对可持续发展战略的实施和经济社会稳定发展具有重要意义。

农业干旱的形成机理复杂，影响因素众多，往往难以捕捉干旱的开始、持续时间和结束等干旱要素[3]，准确地评估农业干旱难度较大[4]。因此，各国学者尝试了不同的方法进行农业干旱评估。其中，基于气象要素和基于土壤含水量的评估方法都未考虑到作物需水的影响，只能间接反映农业干旱特征。为此，一些学者[5-7]提出了作物缺水指数，它能反映植被实际耗水量(作物实际生长发育过程中植株蒸散量和棵间蒸发量之和)与需水量(作物适宜条件下生长发育过程中植株蒸散量和棵间蒸发量之和)的差异[8]，作物缺水程度的物理意义十分明确。因此，作物缺水指数相较于其它干旱指数更能直接地反映农业干旱状况，基于作物缺水指数评估农业干旱的准确度更高[9]。

作物缺水指数可通过以下3种方法获取。①遥感反演法。该类方法是根据遥感数据和估算公式(如能量平衡法，作物系数法)，计算得到作物缺水指数[10]。基于该方法的作物缺水指数表征农业干旱的精度较经验估算法高，但是该类评估方法忽略了作物不同生育期的自身特性对需水量的影响[11]，干旱评估结果仍存在不确定性。②作物模型法。结合遥感数据产品，采用作物模型计算作物缺水指数以评估农业干旱。作物模型法机理性更强，指数结果更加符合实际。然而，由于微波遥感数据存在部分缺陷，限制了作物模型模拟出的作物需耗水数据和农业干旱指数的精度。③水文-作物耦合模型法。结合水文模型对土壤含水量、作物模型对蒸散发模拟的优势，水文-作物耦合模型对作物需耗水量的模拟精度相比单独的作物模型得到提高，基于该需耗水量构建的作物缺水指数反映实际农业干旱状况的能力相比基于遥感数据的作物模型法也进一步提升。

Mcnider等[12]耦合了水文模型WaSSI(Water Supply Stress Index)和作物模型DSSAT(Decision Support System for Agrotechnology Transfer)，基于需水量和供水量构建反映缺水程度的缺水指数，基于该指数的农业干旱评估结果显示，相比于其它干旱指数，与实际干旱状况更加接近。然而，Mcnider等采用的耦合模型仅能模拟单一作物的生长，这使得模型难以精确模拟和评估区域农业干旱。此外，该耦合模型中采用的灌溉模块未考虑到地表水体的水量限制，这在干旱缺水时期会使模拟出的干旱严重程度比实际偏轻。因此，如何构建考虑不同作物、不同生育期特征、灌溉和作物轮作影响的农业干旱指数仍是一个有待深入研究的问题[13]。

为考虑不同作物和灌溉对农业干旱指数的影响，研究提出基于水文-作物耦合模型的作物需耗水量确定方法，在此基础上综合考虑土壤水分亏缺和不同作物生长需耗水过程对农业干旱评估的影响，提出基于VIC-EPIC(Variable Infiltration Capacity-Environmental Policy Integrated Climate)模型模拟作物需耗水过程的作物缺水距平指数CWAPI(Crop Water Anomaly Percentage Index)，在青口河流域进行农业干旱评估，验证CWAPI对农业干旱的反映能力。

2 VIC-EPIC模型的组成与率定

2.1 VIC-EPIC模型的组成

2.1.1 VIC模型 水文-作物耦合模型中的水文模型选择VIC模型[14]。VIC模型十分适合模拟土壤含水量，其模拟效果已在国内外[15-16]被反复论证过，高精度的土壤含水量将能提高耦合的作物模型对蒸散量的模拟效果。VIC模型中采用可变下渗容量曲线计算下渗量，采用Arno模型计算基流。在此基础上，根据水量平衡方程可计算出逐时段的土壤含水量，由于VIC模型默认将土壤分为三层，所以按照水量平衡方法可依次计算出第一、二、三层的土壤含水量。

2.1.2 EPIC(Environmental Policy Integrated Climate)模型 根据不同作物模型的优缺点，作物模型选用EPIC模型。因为常见的作物模型，如WOFOST(WOrld FOod STudies)和SWAP(Soil Water Atmosphere Plant)模型，对作物生长模拟十分细致，常需要很多试验确定的参数，不适用于缺少试验数据的区域作物生长模拟。简化的EPIC模型[17]所需提供的参数较少，而且存在丰富的参数数据集，可应用于区域的作物生长模拟。该模型虽然所需参数较少，但是能够利用辐射、温度、土壤含水量等数据模拟根长、叶面积指数、潜在蒸散发、最大作物散发量、实际作物散发量、土壤实际蒸发，这些模拟可以满足作物生长的模拟要求。同时，该模型采用统一的算法能够模拟超过100多种类型的作物，已在全球被广泛使用和验证。具体模拟方法可参考文献[17]。

2.1.3 基于融合单元的汇流模型 由于子流域的调蓄作用对大尺度汇流模型模拟精度影响较大[18]，故在每个网格内划分出相应子流域，子流域的出口断面在网格的边缘，将融合了网格的子流域称为融合单元。由于融合单元均在网格所在的子流域边界内，便于汇流模型考虑网格内流域调蓄作用对汇流过程的影响，因此融合单元相比网格容易实现精细化汇流模拟及其精度的提高。

采用基于融合单元与河段响应函数的汇流模型[18]模拟各融合单元的流量过程：应用水流流向确定方法FLOW(Flexible Location of Waterways)确定地形参数和划分河网，采用运动波方程和连续性方程计算融合单元内坡面汇流，运用扩散波方程计算融合单元间的河道汇流。

2.1.4 灌溉模块 灌溉是重要的农业生产活动，它能够减轻或消除水分抑制对作物的影响，促进作物生长，因此不能忽略灌溉过程。但是，区域作物模拟的灌溉数据很难获得。为此，借鉴SWAT(Soil & Water Assessment Tool)模型[17]、CLM(Community Land Model)模型[19]、ISBA(Interactions between Surface Biosphere Atmosphere)模型等模型灌溉过程的参数化方案，当土壤含水量低于某阈值时通过灌溉使土壤含水量达到田间持水量[20]。触发灌溉的土壤含水量阈值通过试错确定，确保计算出的灌溉水量接近当地实际的灌溉水量。

2.1.5 水库模块 水库、塘坝和河道等地表蓄水体的水量是灌溉模块中计算灌溉水量的重要来源。为确定从地表蓄水体中取水灌溉的水量，需要构建水库模块模拟地表蓄水体的蓄水过程[21]。由于融合单元内存在多个地表蓄水体，采用聚合水库的方法[21]模拟多个蓄水体的蓄泄过程。聚合水库是将融合单元内的水库和塘坝等地表蓄水体聚合成一个水库，借鉴相关文献的水库模块算法[22]，采用如下水量平衡方程模拟聚合水库的水量变化过程[17]：

V=Vstored+Vflowin-Vflowout+Vpcp-Vevap-Vseep-Ia

(1)

式中：V、Vstored分别为时段末、初聚合水库中的蓄水量，m3；Vflowin为研究时段下聚合水库的入流量，即上游来水量，采用汇流模型计算出的河道流量进行估计，m3；Vflowout为研究时段下聚合水库的下泄量，m3；Vpcp为研究时段下进入聚合水库的降雨量，m3；Vevap为研究时段下聚合水库的蒸发量，m3；Vseep为研究时段下聚合水库的渗漏量，采用文献[17]建议的方法计算，m3；Ia为灌溉水量，m3。

2.2 VIC-EPIC模型耦合框架采用双向紧密耦合的方法实现EPIC模型与VIC模型的耦合：将VIC模型计算出的土壤含水量输入作物模型，作物模型基于此模拟作物生长过程，再将作物模型计算出的土壤蒸发和植被散发量输入VIC模型计算下一时段初的土壤含水量。按照上述模式循环，能够模拟所有时段的水循环过程。

由于作物在生长过程中需要灌溉，而灌溉需要从地下水、河道、水库中取水并受到可用水量的限制，河道和水库水量的计算又离不开河道汇流，因此需要将汇流模块、水库模块和灌溉模块与VIC模型进行耦合。汇流模型选用基于融合单元的汇流模型[18]，VIC模型将每个融合单元的地表产流量和地下基流量传递给汇流模型，汇流模型在此基础上进行汇流计算。在产汇流模型基础上，水库模块与汇流模型间采用紧密耦合，汇流模型将河道流量数据传递给水库模块，水库模块据此进行聚合水库的水量平衡计算，模拟逐时刻的聚合水库蓄水量[17]。水库模块再将计算出的下泄流量反向传递给汇流模型。灌溉模块与水库模块紧密耦合，灌溉模块基于水库模块的蓄水量数据计算实际灌溉水量，随后灌溉模块将实际灌溉水量补充到土壤含水量中，并将更新后的土壤含水量返回给EPIC模型。模块间的具体关系和模型的构建原理参见图1。

由于模型在水文模型VIC模型基础上耦合了作物模型，灌溉模块和水库模块也是为了模拟作物生长而引入模型的，所以将该耦合模型称为水文-作物耦合(VIC-EPIC)模型[20]。

2.3 VIC-EPIC模型率定作为模型参数的率定方法，洛森布洛克方法[23]是一种直接的非线性规划方法，该方法依次对所有参数值试错确定出最优值，并反复迭代，直到求得最小的目标函数值时迭代结束。为提高率定效果，采用人工率定与自动率定相结合的方式[24]：首先人工干预调整模型参数，包括VIC模型中的b、Ds、Dsmax、d1、d2[14]，作物模型中的epco和esco[17]，使得流域出口断面模拟流量与实测值尽可能接近；之后，采用洛森布洛克方法对上述参数进行局部调整，目标函数为日纳什效率系数NSE。率定及验证结果见文献[20]。

图1 VIC-EPIC模型耦合原理

3 CWAPI的构建与验证方法

3.1 作物需水量与耗水量为计算作物缺水距平指数，需要模拟计算作物需水量和耗水量量化作物缺水程度。作物需水量是指作物在充分供水条件下需要消耗的水量；作物耗水量是指作物在实际供水条件下消耗的水量，可以从单叶和群体层次上进行表达[25]，前者即在实际供水条件下作物散发所消耗的水量[26]，更好地说明了植物本身的耗水量；后者也称为作物蒸散量，是作物散发量与土壤蒸发量之和。由于土壤蒸发和作物散发在土壤剖面的耗水比重分布不同[17]，而作物散发通过影响水分吸收量直接影响到作物水分亏缺程度[27]，为减少土壤蒸发对作物耗水量表征的作物缺水距平指数的影响，本研究计算的作物耗水量是在实际供水条件下从单叶层次上表达的作物自身因散发而消耗的水量，从作物角度评估农业干旱不包含土壤蒸发量，采用作物实际散发量估计，但VIC-EPIC模型仍会模拟土壤蒸发量及其对土壤含水量和作物生长模拟的影响。作物需水量则是在充分供水条件下作物散发所消耗的水量，采用最大散发量估计[26]。本研究依据2.2节建立的VIC-EPIC模型采用彭曼公式和水分抑制公式估计作物最大散发量和实际散发量[28]，分别作为作物需水量和耗水量，需耗水量计算过程与结果的验证参见文献[26]。

作物缺水量是作物最大散发量与实际散发量的差值[29]，体现某时段内作物的缺水程度。但是作物缺水量难以作为表征农业干旱程度的指数，因为缺水量只能反映作物在某时段内的缺水程度，未能考虑到前期缺水程度的影响，而作物前期的缺水程度直接影响到当前时段的农业干旱程度。为考虑到前期缺水程度的影响，引入多个时段的加权平均作物水分异常指数构建作物缺水距平指数。

3.2 作物缺水距平指数(CWAPI)

3.2.1 CWAPI构建 研究从农业干旱的定义出发(由外界环境因素造成作物体内水分亏缺[1])，构建反映作物缺水程度的干旱指数。前人提出过反映缺水程度的作物缺水指数[5]，但是该指数是基于作物耗水量和土壤蒸发量之和计算得到的干旱指数，会受到表层土壤蒸发量的干扰，且在作物幼苗期这种影响更大，不能直接表现作物的受旱程度。为提高农业干旱的评估精度，研究采用3.1节定义的不考虑土壤蒸发的作物需水量和耗水量衡量作物的缺水程度，首先构建作物水分异常指数CWAI(Crop Water Anomaly Index)[5]：

(2)

式中：CWAIj为第j个时间单位(取为1天)的作物水分异常指数， %；Eact，j为第j个时间单位实际蒸散量，mm；Esoil，act，j、Esoil，j分别为第j个时间单位土壤实际蒸发量和土壤潜在蒸发量，mm；Ej为第j个时间单位潜在蒸散量，mm；Et，act，j为第j个时间单位作物实际散发量，即作物耗水量，mm；Et，j为第j个时间单位作物最大散发量，即作物需水量，mm。

由于不同季节、不同气候区域，作物种类不同，蒸散发差异较大，作物水分异常指数难于以统一的标准表达各区域水分亏缺程度，因此，按式(3)构建作物缺水距平指数(CWAPI)评估农业干旱[1]。该指数融合了作物缺水指数(CWSI)[5]和作物水分亏缺距平指数[1]的构建思路，实现作物缺水指数在直接反映作物缺水程度方面和作物水分亏缺距平指数在考虑前期缺水影响方面的优势互补。

CWAPI相比这两种干旱指数还改进在两方面：(1)作物缺水指数[5]会受到土壤蒸发的影响，同时该指数仅仅用单日的作物蒸散量衡量当前作物的缺水程度，而CWAPI是基于作物散发量计算的干旱指标，去除了土壤蒸发的影响，并且CWAPI基于不同权重累加了过去一定天数的作物水分异常指数，受到最近一段时间的缺水状态影响；(2)作物水分亏缺距平指数[1]是基于降水、灌溉和潜在蒸散发分别衡量作物的供水和需水，根据供需水量的差异程度得到的反映缺水程度的干旱指数，而CWAPI不仅受到降水、灌溉、潜在蒸散发的影响，而且根据作物模型计算的需耗水量的差异程度得到反映作物缺水程度的干旱指数，会受到作物叶面积和根系深度的影响，不同作物不同生育期特征都能通过需耗水量影响到CWAPI。因此，CWAPI不仅克服了作物缺水指数未考虑到近期作物缺水状态影响的问题，而且克服了作物水分亏缺距平指数中未考虑作物生育期特征影响的问题。

(3)

CWAIi=k1×CWAIj+k2×CWAIj-1+…+k50×CWAIj-49

(4)

式中：CWAIi为第i时段加权平均的作物水分异常指数， %；CWAIj为第j时间单位的作物水分异常指数， %，按式(2)计算；ki为各时间单位的作物水分异常指数的权重系数，参考《农业干旱等级》[1]选取。由于作物生长存在休耕期，部分时间的CWAIj不存在，考虑到作物育苗期间常常能够保证充足的供水，所以可认为作物种植前的49天不存在缺水状态，假定对应的CWAIj=0。

(5)

式中：n为总年数，一般大于30年；m为各年的序号，m=1，2，…，n。

将VIC-EPIC模型模拟计算得到的作物潜在蒸散量Et与实际蒸散量Et，act数据结合CWAPI公式，计算青口河黑林站以上流域5 km融合单元逐日的CWAPI和农业干旱等级。由于融合单元中不同轮作方式均存在相应的CWAPI，为简化图表的表达方式、提高图表的可读性，选取融合单元中种植比例最大的作物对应的CWAPI代表该融合单元的CWAPI，同时对比土壤干旱指数的计算结果。本研究选择土壤含水量距平指数SMAPI(Soil Moisture Anomaly Percentage Index)作为土壤干旱指数，采用陆桂华等[30]的研究方法进行计算。为了直接与前人研究方法[31-32]进行对比，采用区域平均土壤含水量计算SMAPI。因为SMAPI与当天的土壤含水量成正比，所以SMAPI越小，当天的土壤含水量越小，则表征的干旱越严重。本研究将基于CWAPI表征的干旱称为作物干旱，CWAPI数值越小，作物越缺水，则表征的干旱越严重。需要说明的是，SMAPI由于与土壤含水量有关，常选取一定土壤深度的含水量进行计算，而CWAPI所采用的作物耗水量考虑了不同土壤深度含水量的影响，该深度与作物根长有关，会随作物的生长而动态变化，而且各深度土壤含水量的影响大小又与作物生长时吸收的水分比重有关。由于计算CWAPI干旱指数所考虑的土壤深度动态变化，所以未在文中说明CWAPI对应的土壤深度。

3.2.2 区域干旱事件识别方法 按照干旱事件发生的范围可将干旱事件识别分为融合单元干旱事件识别和区域干旱事件识别。融合单元干旱事件是单个融合单元上发生的干旱事件，干旱事件的特征可由干旱历时、强度和烈度来描述。当单个融合单元的干旱事件逐渐扩大为多个融合单元干旱事件且满足相应条件后，就可被识别为区域干旱事件，区域干旱事件的特征可由干旱历时、强度、烈度及干旱面积来描述。不同指数的干旱事件特征值具有不同的定义方式。

(1)SMAPI的融合单元干旱事件特征值定义如下：基于SMAPI的干旱历时定义为SMAPI取值低于-5%的连续天数；干旱历时的平均SMAPI值为基于SMAPI的干旱强度；基于SMAPI的干旱烈度为干旱强度与干旱历时的乘积，见式(6)；取60 d作为干旱历时的阈值来识别一场融合单元干旱事件。将时间间隔不超过10 d的两场连续干旱事件合并为一场干旱[33]。

s=r·l

(6)

式中：s为干旱烈度；r为干旱强度；l为干旱历时，d。

(2)CWAPI的融合单元干旱事件特征值定义：在基于SMAPI的干旱事件历时内，CWAPI取值非需水临界期[1]小于干旱阈值-10%或需水临界期[1]小于干旱阈值-5%的天数为基于CWAPI的干旱历时，在基于CWAPI干旱历时内的平均CWAPI值为基于CWAPI的干旱强度，基于CWAPI的干旱烈度为基于CWAPI的干旱强度与干旱历时的乘积，见式(6)。

(3)SMAPI的区域干旱事件特征值定义：基于SMAPI的干旱面积定义为区域内SMAPI取值低于-5%的融合单元百分比；基于SMAPI的干旱强度为区域内SMAPI取值低于-5%的融合单元的平均值；区域日干旱面积大于30%的持续天数为基于SMAPI的干旱历时；基于SMAPI的区域干旱烈度为区域干旱强度与干旱历时的乘积；取60天作为干旱历时的阈值来识别一场区域干旱事件。

(4)CWAPI的区域干旱事件特征值定义：基于CWAPI的干旱面积为区域内CWAPI取值非需水临界期小于干旱阈值-10%或需水临界期小于干旱阈值-5%的融合单元百分比；基于CWAPI的干旱强度为区域内CWAPI取值非需水临界期小于干旱阈值-10%或需水临界期小于干旱阈值-5%的融合单元平均值；区域日干旱面积大于30%的持续天数为基于CWAPI的干旱历时；基于CWAPI的区域干旱烈度为区域干旱强度与干旱历时的乘积(式(6))。

4 研究区和数据

研究流域是位于江苏省北部的青口河黑林站以上流域即上游流域，流域面积182 km2，见图2。该区域由于东面临近海洋，气候受到大陆和海洋的双重影响，表现为暖温带季风区半湿润大陆气候，年平均气温14.2 ℃，年平均降水量952 mm，夏季潮湿多雨，冬季寒冷干燥。由于降水分布不均，当地干旱频发。然而，当地却是重要的农业生产基地，主要种植玉米、小麦、花生等农作物及少量蔬菜、水果等经济作物，其中以花生的种植面积最大，被誉为“中国花生之乡”。因此，评估当地农业旱情对于抗旱减灾和农业经济发展具有重要意义。

图2 研究区域

青口河上游流域采用的气象数据来自于黑林水文站、清水涧水文站和洙边水文站，包括1976—2016年的6 h尺度的降水数据和气温数据。流量数据来自于位于青口河上游流域出口断面的黑林水文站，包括1978—2016年汛期逐日流量数据。作物空间分布数据基于Landsat 8(Land-Use Satellite 8)数据计算的NDVI(Normalized Difference Vegetation Index)和决策树模型反演得到(见图2(b))，其中春花生的种植比为42.5%，冬小麦-夏花生的种植比为16.8%，冬小麦-夏玉米的种植比为40.7%。网格植被类型数据来自于马里兰大学提供的全球1 km土地覆盖类型数据库[34]。VIC模型中土壤参数则根据Reynolds等人提供的土壤数据库[35]和Saxton[36]土壤特征参数计算公式计算得到。

5 结果分析与讨论

5.1 CWAPI验证

5.1.1 基于实际旱情资料的验证 为了验证干旱事件，收集青口河上游流域所在的山东省临沂市莒南县的1995—2015年的因旱成灾面积数据[37]，计算研究区域识别出的干旱事件在各年的受旱面积比例，并比较其反映旱灾程度的效果。

经过比较发现，一些年份模拟的因旱成灾面积率与其统计值对应关系较好。如1995、2004、2005、2008和2013年，这些年份的因旱成灾面积率的统计值为0或较小，而当年的SMAPI或CWAPI因旱成灾面积率模拟值也为0。还有一些年份，CWAPI相比SMAPI，模拟出的因旱成灾面积率与其统计值更加接近。例如，2006年因旱成灾面积率统计值为2.4%，但SMAPI(0～40 cm)识别出的受旱面积率是88.0%，而CWAPI识别的受旱面积率是0，说明由于CWAPI考虑到作物生长过程和需水的影响，所以能更加合理的刻画出旱情大小，而SMAPI只能反映环境是否干旱，不能说明是否发生旱情。相似的情形还发生在1992、1996、1997、1998、1999、2000、2001、2002、2003、2009、2011和2012年。因此，基于CWAPI的模拟因旱成灾面积率较合理。

5.1.2 CWAPI与SMAPI干旱指数比较 计算典型流域青口河上游流域5 km融合单元逐日的CWAPI。由于融合单元中不同轮作方式均存在相应的CWAPI，选取融合单元中种植比例最大的作物对应的CWAPI代表该融合单元的CWAPI，取流域所有融合单元的CWAPI平均值表征青口河上游流域的CWAPI。同时对比SMAPI指数计算结果，见图3。

图3 2001年青口河上游流域CWAPI指数与SMAPI指数过程线

从图中可以看出，SMAPI较小时，CWAPI也较小，说明土壤含水量偏低时，作物更容易受到水分抑制而进入缺水状态[38]。但SMAPI达到极小值时，CWAPI并不是极小值。例如，从图3(a)中可以看出，2001年5月27日SMAPI(0～40 cm)达到极小值，而CWAPI是在2001年5月28日达到极小值。可见2001年5月27日0～40 cm土壤含水量比5月28日低，但2001年5月27日作物近期缺水程度却比5月28日小。之所以会得到这一结果，是因为作物从土壤中吸收水分时，第一层土壤的根系更加发达，用来计算CWAPI的作物耗水量主要来自于第一层土壤含水量，而用来计算SMAPI的土壤含水量来自于0～40 cm的土壤深度范围内，0～40 cm土壤相比第一层土壤范围偏大，所以SMAPI与CWAPI的极值时间存在差异。

虽然SMAPI(0～10 cm)中土壤含水量来自的0～10 cm的土壤层与CWAPI中主要耗水量来自的第一层土壤十分接近，但是受作物生长的累积过程影响，SMAPI(0～10 cm)与CWAPI不会在相同时刻达到最值。从图3(b)可以看出，SMAPI(0～10 cm)在2001年5月20日达到2001年5月的最小值-48.4%，而CWAPI在2001年5月28日达到最小值-46.6%。两种干旱指数的最值时间不同主要与作物生长过程对水分抑制响应存在一个累积过程有关，5月20日较低的SMAPI并不会立刻对作物生长产生影响，因为当天的作物生长状况同时还受前期的作物水分吸收影响。只有当较大的水分抑制持续一段时间后，CWAPI才会产生最小值。可见，由于CWAPI评价指标引入了作物根部的吸水规律和作物生长规律，其农业干旱的评价结果较SMAPI更加合理。

通过上述分析可以看出，CWAPI表征的农业干旱最严重的时间与SMAPI反映的最严重干旱时间不一致，这与两种干旱指数的数据源不同和计算方式不同有关。SMAPI基于土壤含水量计算得到，根据土壤含水量与平均土壤含水量的差异得到干旱指数；CWAPI基于作物需耗水量计算得到，采用最近50天的需耗水量差异的加权平均值得到干旱指数。因此，CWAPI可直接反映作物的缺水状态和缺水对作物生长的累积影响，而SMAPI只能体现作物所在的土壤环境是否干旱。

5.2 CWAPI变化过程分析

5.2.1 典型融合单元干旱指数变化过程 为说明作物比重和灌溉过程对农业干旱的影响，研究选取作物比例为43%和29%的融合单元作为两种典型融合单元，分析这两种典型融合单元在考虑灌溉与不考虑灌溉影响下的农业干旱指数变化过程，如图4、图5。研究中启用灌溉表示当土壤含水量低于某阈值时通过灌溉使土壤含水量达到田间持水量，关闭灌溉表示灌溉水量为0。

在相同融合单元上，SMAPI与CWAPI表征出的干旱程度不完全相同。在图4(a)中，2001年9月1日—2001年12月31日的SMAPI指数衡量的干旱程度比CWAPI指数衡量的干旱程度严重，因为冬季没有作物种植就不存在农业干旱，而CWAPI指数考虑到作物的休耕期，所以就不会表征出旱情。而2001年冬季土壤确实较常年偏干，SMAPI指数便会表征出一定的土壤干旱，但这只能说明作物所在的环境发生干旱。因此CWAPI指数可以考虑到作物休耕对旱情评估的影响。

图4 2001年青口河上游流域较大作物比例融合单元干旱指数和水文要素过程线

在相同融合单元上，SMAPI与CWAPI不仅表征出的干旱程度存在差异，而且指数的变化过程也存在差异。由图4(b)中可以看出在作物生育期内，土壤干旱指数SMAPI(0～40 cm)考虑灌溉后增加幅度最大的点出现在2001年6月6日，增加幅度占其变化范围的1.8%，而图4(c)作物干旱指数考虑灌溉后增加幅度最大的点出现在2001年6月22日，增加幅度占其变化范围的16.8%。可见，灌溉对作物干旱指数影响更大，因为作物土地类型所在的土壤直接受灌溉水量影响，作物耗水量又会受土壤含水量影响，作物干旱指数直接采用了作物需耗水量数据，所以灌溉水量对作物干旱指数的影响较大。而VIC模型输出的土壤含水量会受到非作物的土地利用类型土壤含水量的影响，因此SMAPI受作物灌溉的影响较小。

为比较不同作物比例融合单元下的干旱指数差异，将SMAPI和CWAPI干旱指数在两种典型融合单元下的变化过程绘在图5中，SMAPI和CWAPI在不同作物比例融合单元中表征出了相同的干旱程度变化趋势。在2001年5—8月大部分时段，较大作物比例融合单元相比较小作物比例融合单元CWAPI和SMAPI(0～40 cm)均更小，所以两种干旱指数皆显示在2001年青口河上游流域内，较大作物比例融合单元干旱程度更加严重。虽然较大作物比例融合单元蓄水量是较小作物比例融合单元蓄水量的2.7倍，但是较大作物比例融合单元相应的耕地面积也偏大，是较小作物比例融合单元耕地面积的22.2倍，所以较大作物比例融合单元平分到单位面积作物上的蓄水量反而偏小，这导致较大作物比例融合单元的缺水程度更加严重。因此，较少的单位耕地面积蓄水量会导致灌溉水量不足而难以缓解农业干旱。

图5 2001年青口河上游流域较大与较小作物比例融合单元干旱指数过程线

5.2.2 不同轮作方式CWAPI变化过程 为分析不同轮作方式作物干旱指数的变化过程，分别绘制了2000—2001年青口河上游流域春花生、冬小麦-夏花生、冬小麦-夏玉米三种轮作方式的平均CWAPI变化过程，见图6。不同轮作类型在相同时间下存在大小上的差异。差异最明显的是5月上旬和6月上旬。5月上旬，春花生CWAPI指数明显小于同期冬小麦的CWAPI指数，这主要是因为冬小麦基本成熟后，叶片开始凋落，叶面积指数逐步降低，因此需水量大幅降低，致使冬小麦的作物水分异常指数大于春花生的作物水分异常指数。6月上旬，这一差异则主要与夏玉米刚种植时叶面积偏小有关。因此，不同轮作类型CWAPI差异明显的原因主要是生育期时间差异较大造成的。

虽然冬小麦-夏花生和冬小麦-夏玉米这两种轮作类型生育时间相似，但是他们的作物干旱指数仍然存在一定差异。其中二者差异较明显的时间是在2001年7月10日，这主要是因为最大叶面积指数参数不同，夏玉米的最大叶面积指数为6，而春花生的最大叶面积指数为4，所以相同条件下夏玉米因叶面积更大散发量更多，而造成需水量更大，因此夏玉米所在土壤的含水量下降更快，当土壤含水量不足以提供作物需要的水量时，作物便会发生水分抑制效应。所以，夏玉米的CWAPI小于春花生的CWAPI。

除此以外，不同轮作类型的相同作物的CWAPI也存在差异。图6中，冬小麦-夏花生轮作类型在2001年4月1日之前，相比冬小麦-夏玉米轮作类型要更加缺水。这是因为春花生比玉米的收获时间迟，所以春花生收获当天所在土壤的含水量小于冬小麦-夏玉米轮作类型当天的土壤含水量。当再种植小麦时，不同轮作类型的初始土壤含水量不同，致使后期冬小麦-夏花生的CWAPI偏小。但是，2001年4月1日之后，冬小麦-夏花生的CWAPI反而偏大，这是由于冬小麦-夏花生生育期内处于缺水状态的时间更长，因此叶面积受水分抑制影响比同期的冬小麦-夏玉米的叶面积小，冬小麦-夏花生的耗水量偏小，导致冬小麦-夏花生的土壤含水量在后期大于冬小麦-夏玉米的土壤含水量，冬小麦-夏玉米就更容易进入水分抑制状态。

图6 2000—2001年青口河上游流域不同轮作方式的CWAPI的变化曲线

5.3 干旱事件特征分析分别识别青口河上游流域SMAPI(0～40 cm)，SMAPI(0～100 cm)在是否考虑灌溉情况下的干旱事件，计算土壤和作物的干旱总历时、干旱强度、干旱烈度和受旱面积比例，见表1。

表1 1978—2016年青口河上游流域土壤干旱与作物干旱事件的平均干旱特征值

不同情景下干旱事件特征分析。①基于SMAPI(0～40 cm)与SMAPI(0～100 cm)的干旱事件识别结果对比：从表1中可以看出，SMAPI(0～40 cm)识别出的干旱场次数多于SMAPI(0～100 cm)识别出的干旱场次数，虽然SMAPI(0～40 cm)的干旱总历时和干旱烈度较小，但是SMAPI(0～40 cm)的干旱面积比例和干旱强度较大。②基于土壤干旱指数不考虑灌溉与考虑灌溉的干旱事件识别结果对比：干旱场次数和土壤干旱总历时较大，但土壤干旱烈度较小，其余土壤干旱特征值基本接近。③基于作物干旱指数不考虑灌溉与考虑灌溉的干旱事件识别结果对比：作物干旱特征值相差较大。不考虑灌溉与考虑灌溉相比，作物干旱特征值均较大。特征值较大主要和考虑灌溉有关，灌溉可以缓解旱情，使缺水量降低，干旱强度和干旱总历时降低。

6 结论

当前被广泛使用的SMAPI未能考虑到作物需水的影响，而常用的作物缺水指数虽然克服了该问题，但不能完全反映作物的生长状况，也未考虑作物前期缺水程度的影响。为此，在构建的VIC-EPIC模型的基础上，基于模拟的作物需耗水建立CWAPI，对CWAPI结果进行了验证和分析，得到以下结论：

(1)针对SMAPI未考虑作物需水的影响导致农业干旱评估不准的问题，综合考虑土壤水分亏缺和不同作物生长需耗水过程对农业干旱评估的影响，基于作物需耗水过程构建了CWAPI，可直接反映作物的缺水状态，并在青口河上游流域验证分析了CWAPI的合理性。验证结果表明，基于CWAPI模拟的因旱成灾面积率与年鉴统计值对应关系较好。CWAPI与SMAPI在相同时期的极值点存在差异，这主要和作物根部的吸水规律以及缺水对作物生长的累积影响有关，CWAPI的评价结果较SMAPI更加合理。

(2)验证了SMAPI与CWAPI反映农业干旱的差异以及不同作物面积比例情况下CWAPI对农业干旱的反映能力。CWAPI能够展示作物休耕期不存在农业干旱的情况，而SMAPI只能说明该期间农田所在的环境发生干旱；CWAPI受灌溉影响后增加幅度可达到其变化范围的16.8%，灌溉水量对作物干旱指数的影响较大；在研究流域相同时段内，较大作物比例融合单元因耕地面积偏大，导致单位面积的可灌溉水量偏小，致使CWAPI表征的旱情相比较小作物比例融合单元更加严重。

(3)验证了不同轮作方式、灌溉条件情况下CWAPI指数对农业干旱的反映能力。2001年同期夏玉米的CWAPI小于夏花生的CWAPI，春花生的CWAPI小于冬小麦的CWAPI，因为不同作物轮作方式下作物种植和收获时间不同、叶面积指数不同，导致CWAPI指数存在明显不同；比较了开启和关闭灌溉模块的干旱指数结果差异，发现考虑灌溉后，干旱指数朝着不发生干旱的趋势变化，说明在评估农业干旱时，灌溉过程需要充分考虑以降低评估的不确定性。

虽然基于VIC-EPIC模型的农业干旱评估考虑了作物面积比例、轮作方式和灌溉过程的影响，但是由于农业干旱形成过程复杂，仍存在一些待完善的方面。例如，当前，存在多种与干旱评估息息相关的遥感数据产品，如MODIS LAI(Moderate Resolution Imaging Spectroradiometer Leaf Area Index)，MODIS ET(Evapotranspiration)等产品。如何利用这些数据进一步提高VIC-EPIC模型的模拟精度，仍有待进一步研究。