多光谱干旱严重度指数的评价与修正
刘珺1,2,3, 梁韶卿3, 李彦荣3, 秦荣荣3, 张陶然3, 杨倩3, 杜灵通4
1.太原理工大学安全科学与工程博士后科研流动站, 山西 太原 030024
2.山西省交通科技研发有限公司博士后科研工作站, 山西 太原 030006
3.太原理工大学矿业工程学院, 山西 太原 030024
4.西北土地退化与生态恢复省部共建国家重点实验室培育基地, 宁夏 银川 750021

作者简介: 刘 珺, 女, 1981年生, 太原理工大学矿业工程学院副教授 e-mail: 8886355@163.com

摘要

干旱是一种破坏力极强的自然灾害, 近年来, 受气候变化的影响, 干旱在全球的发生频率不断升高, 造成了严重的经济损失, 准确监测干旱信息是防灾减灾的基础。 干旱严重度指数(DSI)监测全球干旱的能力已经得到证实, 但在局部区域的应用具有明显的差异性。 为了检验DSI在省级尺度的适用性、 修正其等级划分差异, 以山西省为研究区, 基于MODISET/PET, 以及MODIS和AVHRR的NDVI数据集分别得到2001年—2014年的DSIMODIS和DSIAVHRR, 同时结合SPEI, 对三者进行了干旱时空分布的对比分析; 为了证实SPEI的可靠性, 将长时序的SPEI与历史干旱记录进行了比对; 为了考察DSI在区域范围内的误差, 将DSIMODIS, DSIAVHRR和SPEI进行了时间频率与空间分布的比较; 最后, 以SPEI为参照, 基于DSI的原始划分标准, 以0.1为步长调整DSIMODIS的干旱等级阈值, 得到了新的干旱等级划分标准DSIMM; 并利用DSIMM监测了全省2001年—2014年季节尺度的旱情, 捕捉了研究区2001年和2002年的典型干旱事件, 验证了DSIMM在山西省干旱监测中的适用性和稳健性。 研究表明, DSIMODIS与DSIAVHRR之间存在较高的相关性, 相关系数为0.75, 二者对干旱的空间分布和时间频率具有一致的表现, 说明在数据缺失的情况下, DSI可拓展应用于AVHRR数据集, 以弥补MODIS数据在长时序监测中的不足; DSIMODIS低估了山西省D1等级干旱信息, 而高估了D2~D4等级干旱; 对于轻度干旱D1, 中度干旱D2, 重度干旱D3, 极度干旱D4四个等级, DSIMM与SPEI在干旱时间频率和空间分布占比方面表现出高度的一致性, 其中D3等级的时间频率完全一致, D4等级的空间分布一致性为0.98; 在干旱类型丰富的地区可精确地修正DSI的干旱等级划分。 研究结果对利用DSI进行区域尺度干旱监测具有借鉴作用, 为山西省干旱信息监测获取了一种计算简易、 精确度高的方法。

关键词: 干旱严重度指数(DSI); 修正; 等级划分; 干旱; 遥感; 山西
中图分类号:X87 文献标志码:A
Evaluation and Modifying of Multispectral Drought Severity Index
LIU Jun1,2,3, LIANG Shao-qing3, LI Yan-rong3, QIN Rong-rong3, ZHANG Tao-ran3, YANG Qiang3, DU Ling-tong4
1. Postdoctoral Scientific Research Workstation of Safety Technology and Engineering, Taiyuan University of Technology, Taiyuan 030024, China
2. Postdoctoral Scientific Research Workstation of Shanxi Transportation Technology Research & Development Co., Ltd., Taiyuan 030006, China
3. College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China
4. Breeding Base for State Key Laboratory of Land Degradation and Ecological Restoration in Northwest China, Yinchuan 750021, China
Abstract

Drought is a very destructive natural disaster. In recent years, affected by climate change, the frequency of drought is increasing all over the world, causing serious economic losses. Accurate monitoring of drought information is the basis of disaster prevention and reduction. Drought Severity Index (DSI) is a kind of index that can effectively capture regional drought information. It has been proved that it has great potential in global drought monitoring, but its classification of drought grade is obviously regional. In order to test the applicability of DSI on the provincial scale and correct the classification differences, DSIMODIS and DSIAVHRR from 2001 to 2014 were obtained based on the data sets of MODIS ET/PET, NDVI and AVHRR NDVI in Shanxi Province. Meanwhile, combined with SPEI, the spatial and temporal distribution of drought in these three indexes was compared and analyzed. To verify the reliability of SPEI, long time series SPEIs were compared with historical drought records. In order to investigate the errors of DSI in the region, DSIMODIS, DSIAVHRR and SPEI were compared in time frequency and spatial distribution. Finally, as SPEI a reference and based on the original DSI classification standard, the new drought classification standard was obtained by adjusting the threshold of drought grade of DSIMODIS with 0.1 as the step size. In addition, DSIMMwas used to monitor the provincial seasonal scale from 2001 to 2014, to capture the typical drought events in 2001 and 2002, and to verify the applicability and robustness of DSIMM in drought monitoring in Shanxi. Studies show that there is a high correlation between DSIMODIS and DSIAVHRR, with a correlation coefficient of 0.75. Both of them have consistent performance in spatial distribution and time frequency of drought, indicating that DSI can be extended to AVHRR data set in the absence of data to make up for the deficiency of MODIS data in long time series monitoring. D1 was underestimated by DSIMODIS, while D2, D3 and D4 were overestimated in Shanxi province. In the four grades of mild drought D1, moderate drought D2, severe drought D3 and extreme drought D4, DSIMM and SPEI showed a high degree of consistency in the occurrence frequency and spatial ratio of drought. The time frequency of D3 was completely consistent, and the spatial distribution consistency of D4 was 0.98. The drought classification standard of DSIMM can monitor the drought information at different temporal and spatial scale accurately, which can be applied to the whole governor time series drought monitoring. The results can be used for reference in regional scale drought monitoring using DSI, and a simple calculation method with high accuracy is obtained for Shanxi Province drought information monitoring.

Keyword: Drought severity index (DSI); Modification; Gradation; Drought; Remote sensing; Shanxi
引言

干旱是一种破坏力极强的自然灾害, 可能持续数周、 数月甚至数十年[1]。 由于全球气候变暖、 人口增长及社会经济发展的影响, 各国对水资源的需求量不断增加[2], 但是近年来, 干旱在全球的发生频率却逐渐升高, 给粮食生产、 工业和生态等领域带来的损失难以估计[3, 4]。 干旱已成为制约我国经济发展和农业生产的自然灾害之一[5]

由于对干旱一直没有统一的定义, 至今也没有一个普适性的干旱指数。 20世纪以来, 科学家们基于气象、 水文、 农业、 遥感等学科和领域构造了许多干旱指数, 用于定量表征干旱事件、 评价和监测地区干旱。 Palmer干旱指数(palmer drought severity index, PDSI)是第一个较为完善的干旱指数[6], 该指数综合降水、 温度和土壤湿度等多种数据监测农业干旱, 但其参数获取较为困难, 且计算公式复杂[7]。 Shafer和Dezman提出了地表水供应指数(surface water supply index, SWSI), 该指数考虑水库储蓄量、 水体、 积雪及降水等信息, 但其识别重度干旱的能力较弱[8]。 Sandholt等提出了温度植被干旱指数(the temperature vegetation dryness index, TVDI)[9], TVDI对干旱的监测精度受地表温度合成方式的影响, 许多研究对此进行了修正和改进[10, 11, 12]。 有报道采用标准化降水指数(standardized precipitation index, SPI )来评估气象干旱, 该指数基于时间尺度进行计算, 较为简单灵活, 但在干旱评估中仅以降水量作为唯一参数, 而忽略了温度表征干旱的重要作用[13]。 因此, Vicente-Serrano等[14]提出利用标准化降水蒸散指数(standardized precipitation evapotranspiration index, SPEI) 监测气象干旱, SPEI与SPI非常相似, 但其考虑了潜在蒸发蒸腾量(PET)及多时间尺度下的干旱, 被广泛应用于干旱的定量监测研究中。 Mu等[8]提出了干旱严重度指数(drought severity index, DSI), DSI综合考虑了描述植被光合作用和生长状态的NDVI和表示植被水分胁迫状况的ET/PET。 将两种要素标准化后得到的DSI能够综合反映干旱的状况[15], 有效捕获区域干旱事件, 精确监测和准确评价大范围内的干旱信息。

本工作以山西省为研究区, 以精确监测干旱为目的, 旨在探寻一种适合区域干旱监测的方法。 首先, 基于MODIS和AVHRR的归一化植被指数NDVI(normalized difference vegetation index, NDVI)数据集分别计算2001年— 2014年山西省范围内的DSIMODIS和DSIAVHRR。 通过对比二者的相关性, 评估了DSI的稳健性; 然后, 从干旱的时间频率和空间分布角度评价了DSIMODIS的准确性; 最后, 为了提高DSIMODIS的敏感性, 使其能够更加精确地捕捉区域干旱, 以SPEI为参考, 将DSIMODIS进行了重新修正分类, 确定了一种适合于山西省的干旱等级分类方法, 为准确监测区域干旱提供了技术支撑。

1 实验部分
1.1 研究区概况

山西省(E 111° 14'— 114° 33', N 34° 34'~40° 44')位于黄土高原, 疆域轮廓呈东北斜向西南的平行四边形, 横跨6个纬度, 高山盆地相间分布, 地形起伏不平, 高差悬殊大(图1)。 东依太行山, 南临吕梁山, 一定程度上阻挡了夏季暖湿气流的深入, 造成黄河沿岸地区常年雨水偏少, 全省各地年降水量偏低, 形成夏季高温多雨, 冬季寒冷干燥的气候特点, 致使山西“ 十年九旱” 。 准确监测全省干旱, 对监测区域生态环境、 保障区域粮食安全具有重要意义。

图1 山西省地理位置及DEMFig.1 The site and DEM of Shanxi province

1.2 数据处理

研究所用遥感数据来自美国国家航空航天局(NASA)的MOD13 NDVI (https://modis.gsfc.nasa.gov/data/dataprod /mod13.php)和MOD16 ET/PET产品(https://modis.gsfc.nasa.gov/data/dataprod/mod16.php), 以及NOAA AVHRR的 NDVI产品(https://modis.gsfc.nasa.gov/data/dataprod/mod16.php)。 气象数据来源于自然环境研究委员会的大气科学与地球观测数据库的CRU气候数据集(https://auth.ceda.ac.uk/account/signin/)。 数据详情见表1

表1 研究使用的数据集 Table 1 Data sets used for research

对原始数据进行投影转换, 获得WGS_1984_UTM_ zone_49N投影的山西省归一化植被指数、 蒸散、 降水和气温数据集, 对其进行拼接、 裁剪、 融合等处理。 由于MODIS NDVI和ET/PET与AVHRR NDVI数据的空间分辨率(表1)差异较大, 综合考虑重采样误差和数据计算分析的便利, 研究将MODIS NDVI和ET/PET数据, 以及AVHRR NDVI数据的空间分辨率进行统一, 重采样为3 km, 在此基础上求取了MODIS和AVHRR的NDVI年均值(图2), 用于计算DSI。

图2 2001年— 2014年山西省年均NDVI
(a): MODIS NDVI; (b): AVHRR NDVI
Fig.2 Average yearly NDVI of Shanxi province from 2001 to 2014
(a): MODIS NDVI; (b): AVHRR NDVI

1.3 方法

1.3.1 干旱严重度指数DSI

DSI利用NDVI和ET/PET数据计算得到, 是一种计算简便、 准确性高的全球范围内评估和监测干旱事件的方法。 基于MODIS的NDVI和ET/PET数据集计算得到DSIMODIS, 基于AVHRR的NDVI和MODIS的ET/PET数据计算得到DSIAVHRR。 具体算法为:

首先, 计算月际ETPET的比值RT, RTi=ETi/PETi;

然后, 通过求取RT和NDVI的标准化比率得到DSI, 公式如式(1)

DSIi=(Zi-Z̅)/σZ(1)

其中,

Zi=ZRT+ZNDVI=(RTi-RT¯)/σRT+(NDVIi-NDVI¯)/σNDVI

式中, Z̅σ Z分别为Z的平均值与标准差; ZRT与NDVI的比值之和; RT¯NDVI¯分别为RT和NDVI的平均值; σ RTσ NDVI分别为RT和NDVI的标准差。

1.3.2 标准化降水指数SPEI

SPEI是基于CRU数据集的降水量和温度数据计算得到的, 其空间分辨率为0.5° , 计算参照1965年相关研究提出的方法。 其值为负时表示有旱情发生, 值越小表示越旱。

2 结果与讨论
2.1 三种干旱指数的对比分析

根据DSI和SPEI的计算公式分别得到2001年— 2014年山西省的DSIMODIS, DSIAVHRR和同期的SPEI(图3), 为了便于在像元尺度进行比较, 在对比三种指数的干旱监测结果和进行相关性分析时, 采用由高空间分辨率向低空间分辨率采样的方法, 将DSIMODIS和DSIAVHRR重采样为0.5° (下同), 保持与SPEI一致, 从而探索和评价不同指数之间的关系。

图3 2001年— 2014年山西省SPEI (a), DSIMODIS (b)和DSIAVHRR (c)月均值Fig.3 Average monthly SPEI (a), DSIMODIS (b) and DSIAVHRR (c) in Shanxi province from 2001 to 2014

图3(a, b, c)分别显示了三种指数对山西省近14年来干旱信息的监测结果。 通过对比三者监测的干旱时空分布可以看出: 2001年— 2014年间, 三种指数DSIMODIS, DSIAVHRR和SPEI在各年都表现出由低到高再到低的变化特征。 其中SPEI的平均数值高于DSI, 且每年的正值均于二月份前后出现, 一直持续到10月份, 即2月— 10月表现为无旱, 11月至次年1月其值为负, 表现出不同程度的干旱。 DSIMODIS和DSIAVHRR均表现为7月— 10月份为正值, 监测结果显示为无旱, 11月至次年6月为负值, 监测结果显示为不同程度的干旱, 从图3(b)和(c)可以看出, 二者呈现高度的一致性, 说明基于MODIS和AVHRR的DSI具有相同的性能; 进一步对比SPEI与DSI发现, SPEI监测的无旱时段不仅明显早于DSI, 而且持续时间也较长。

分析图3(a)可知, SPEI在2001年1月— 9月为负值, 说明全省出现干旱, 其中3月— 8月为连续低值, 呈现出显著的春夏连旱现象。 2002年4月— 11月山西省SPEI为负值, 其中4月和5月呈现极低值, 表现为重旱现象, 这与已有研究[16]的结果一致。 山西省气象台指出, 2005年7月中旬山西大部分地区旬平均气温较常年同期偏高, 旬降水量较常年同期偏少; 2010年10月全省平均气温与常年持平, 各地降水量比历年同期偏少近三成。 SPEI在2005年和2010年相应时间点上的数值均为负, 明显较同年其余月份低, 而以上干旱信息在DSIMODIS和DSIAVHRR中表现并不明显。 因此, 不仅证实了SPEI优于DSI的干旱监测和捕捉能力, 而且说明SPEI具有精准的干旱捕捉能力。

为了进一步分析SPEI和DSI的关系, 研究定量计算了三种干旱指数的相关系数r(图4)。

图4 DSIMODIS、 DSIAVHRR和SPEI相关系数R
(a): SPEI与DSIMODIS; (b): SPEI与DSIAVHRR; (c): DSIMODIS与DSIAVHRR
Fig.4 Correlation coefficients among DSIMODIS, DSIAVHRR and SPEI
(a): SPEI and DSIMODIS; (b): SPEI and DSIAVHRR; (c): DSIMODIS and DSIAVHRR

从图4(a)和(b)中可以看出, SPEI与DSIMODIS和DSIAVHRR的相关性都不太理想, 虽然SPEI与DSIMODIS之间的匹配程度略高于SPEI与DSIAVHRR, 但两个平均相关系数均偏小, 分别为0.51和0.50。 说明原始的DSI分类标准不能准确监测和表达山西省的干旱信息。 从图4(c)可以看出, DSIMODIS和DSIAVHRR的空间匹配关系较好, 其相关系数R为0.75, 说明基于AVHRR和MODIS计算得到的DSIAVHRR与DSIMODIS具有相似的监测效果, 在长时序的干旱研究中, AVHRR可弥补MODIS数据不足的缺陷。

2.2 DSI分类修正及评价

基于DSIMODIS与SPEI指数的特征, Mu等[8]和Tan等[17]分别在2013年和2015年提出了相应的干旱等级划分, 如表2所示。

表2 DSI干旱等级划分标准 Table 2 Criteria drought grading of DSI

研究以SPEI为标准, 对DSIMODIS进行调整, 探寻适合山西省干旱监测的分类方法。 总体思想是以0.1为步长调整不同等级间的DSIMODIS阈值, 重新划分干旱分类标准。 具体做法为: 首先, 从时间频率上对DSIMODIS进行初步筛选, 即在原分类的基础上, 根据DSIMODIS与SPEI在时间频率的差异, 以常规干旱指数等级划分为参照, 以0.1为步长逐步调整其等级阈值, 多次试验, 确定新的分类标准, 并计算修正后DSIMODIS的时间频率; 然后, 将修正值与SPEI进行对比, 在此基础上继续调整其等级阈值, 使其与SPEI在时间频率上进一步吻合, 反复执行此步骤, 得到与SPEI在时间频率分布上较为一致的四种方案, 如表3所示。

表3 DSI基于时间频率的几种修正方案 Table 3 Modification schemes based on time frequency of DSI

基于上述四种方案, 对比分析SPEI与DSI在空间分布上的吻合度, 即分别计算四种方案的空间分布并与SPEI进行比较, 选择出一种在时间频率和空间分布均与SPEI最相符的干旱分类方案, 使DSIMODIS修正后的干旱严重度指数DSIMM的特征与SPEI的表现充分匹配, 从而得到修正后的阈值分类, 如表2所示。

2.3 DSIMM时间频率评价

根据表2中SPEI, DSIMODIS和DSIMM的等级划分, 分别得到2001年— 2014年山西省轻度干旱D1, 中度干旱D2, 重度干旱D3, 极度干旱D4等四个不同干旱等级的发生频率(图5)。

图5 2001年— 2014年山西省D1~D4等级干旱发生时间频率
(a): SPEI; (b): DSIMODIS; (c): DSIMM
Fig.5 Time frequency of drought under D1~D4 gradesin Shanxi Province from 2001 to 2014
(a): SPEI; (b): DSIMODIS; (c): DSIMM

从图5可以看出, D1~D4等级DSIMODIS与SPEI的时间频率分布差异较大, 而DSIMM与SPEI则表现出一致的频率特征。 对各等级干旱发生的时间频率进行了统计, 发现SPEI和DSIMM在D1等级的发生频率分别为0.648 1, 0.500 8, 而DSIMODIS仅为0.244 6, 可见DSIMODIS低估了D1等级时间频率, 在D2等级SPEI, DSIMM和DSIMODIS监测的干旱发生时间频率分别为0.041 7, 0.050 6和0.104 8, 在D3和D4等级SPEI, DSIMM与DSIMODIS监测的干旱发生时间频率分别为0.014 9, 0.014 9, 0.089 3和0.029 8, 0.020 8, 0.098 2。 可以看出在D2~D4等级, DSIMODIS均高估了干旱的发生频率, 而DSIMM在四个等级的干旱发生频率与SPEI的表现高度一致, 其中在D3等级的一致性达到了1。 说明基于DSIMM的干旱等级划分对旱情发生频次监测的可靠性。

2.4 DSIMM空间分布评价

为了进一步证实DSIMM的可靠性, 将基于DSIMODIS, DSIMM和SPEI的干旱结果进行了空间分布的比较, 分别统计了不同等级干旱(D1~D4)的空间分布占比(图6)。

图6 基于SPEI, DSIMODIS, DSIMM的D1~D4(a, b, c, d)等级干旱空间分布占比Fig.6 Spatial rate of SPEI, DSIMODIS and DSIMM under D1~D4 (a, b, c, d) grades

从图6(a, b, c, d)可知, SPEI, DSIMODIS和DSIMM在D1等级的干旱占比分别为64.10%, 12.84%和61.56%, D2等级为3.23%, 4.20%和3.31%, D3等级为1.05%, 3.95%和1.70%, D4等级为3.04%, 8.46%和3.09%。 由结果可以看出, DSIMODIS过低估计了D1等级的空间分布范围, 而对于D2, D3和D4等级的空间分布则不同程度地高估了, 这与其在时间频率的表现一致。 而DSIMM的监测结果则与SPEI接近, 证明了基于DSIMM干旱分类方法统计的空间分布与SPEI具有高度的一致性。

综上所述, 不论是基于时间频率还是空间分布, 在干旱程度较弱的情况下, DSIMODIS较SPEI判别干旱的标准更高, 因此出现低估现象, 而随着干旱程度的加重, DSIMODIS判别干旱的标准开始低于SPEI, 随之出现高估现象。 而DSIMM的干旱分类方法明显优于DSIMODIS, 与SPEI在时间频率和空间分布上均具有一致的匹配度。

2.5 DSIMM分类验证

研究基于DSIMM对2001年— 2014年山西省的干旱监测结果进行了重新分类, 并进行了季节尺度的干旱信息统计和分析(图7)。

图7 基于DSIMM的2001年— 2014年山西省四季干旱统计Fig.7 Drought information of four seasons in Shanxi province from 2001 to 2014 year

从图7中可以看出, 2001年— 2014年间, 研究区春季干旱成为常态, 其中2001年和2002年旱情较其他年份严重; 夏季在2001年和2002年发生严重干旱, 2002年尤为严重, 其余年份则未有干旱发生; 近14年来研究区秋季处于干旱边缘, 除2003年和2011年情况略微好转之外, 其余年份均处于干旱边缘状态; 而在研究时段内, 冬季虽未出现严重干旱现象, 但却一直处于干旱状态, 纵观全局, 整体表现出秋冬连旱的态势, 监测结果与2001年— 2014年山西省历史干旱情况一致。

从图7还可以看出, 2001年和2002年山西省发生比较严重的干旱, 两年的夏季还分别出现了中旱和重旱现象。 在全省范围内, 天镇县、 兴县、 五寨县、 垣曲县四个县市的干旱情况较为严重。 研究利用DSIMM对上述四个县市在2001年夏季及2002年夏季的干旱事件进行重新捕捉。 在获得全省夏季(6, 7和8月)DSI的基础上, 对旱情等级按照DSIMM标准进行重新划分, 并将湿润, D1, D2, D3, D4等五个干旱等级分别赋值0, 1, 2, 3, 4, 然后计算得到其等级均值(图8), 图中值越大代表干旱等级越高, 即旱情越严重。

图8 2001年(a)和2002年(b)夏季典型干旱事件DSIMM监测结果Fig.8 Typical drought monitoring in summer of 2001 (a) and 2002 (b) based on DSIMM

从图8可以明显看出, 2001年(a)和2002年(b)山西省全部区域均发生不同程度的干旱, 2001年夏季为山西省大旱年, 2002年较2001年有所缓解, 但仍出现全省范围的严重旱情, DSIMM的监测结果与山西省干旱实际情况完全吻合。 对D1~D4等级干旱进行统计发现, 2001年6月山西全省范围内出现干旱的区域占比为86.68%, 其中, 天镇县94.31%, 五寨县91.22%, 兴县91.67%, 垣曲县76.48%; 2002年6月山西省范围内出现干旱情况的区域占比为76.46%, 其中, 天镇县91.77%, 五寨县88.51%, 兴县88.99%, 垣曲县89.41%, 干旱区域占比总体高于总体平均分布, 能够准确地捕捉到干旱信息, 充分证明了DSIMM在山西省干旱监测中的成功应用。

3 结论

基于SPEI和DSI开展了区域干旱等级划分研究。 利用SPEI的稳健性, 对DSI的全球干旱等级划分标准进行了重新修正, 以SPEI的干旱时间频率为基准, 在界定发生干旱的前提下, 重新修正了轻度干旱D1, 中度干旱D2, 重度干旱D3和极度干旱D4的划分标准, 并进行了验证。 结果表明:

(1)全球范围DSI干旱等级划分标准不适用于山西省干旱监测, 需进行修正。

(2)基于不同数据源得到的DSIMODIS与DSIAVHRR具有高度的相关性, 其相关系数R=0.75, 说明DSI具有较强的稳健性, 在进行长时间序列研究时, 可用DSIAVHRR代替DSIMODIS, 从而弥补了MODIS数据不足的弊端。

(3)全球DSIMODIS干旱等级划分标准应用于山西省时, 低估了D1等级的旱情, 却不同程度地高估了D2~D4等级的干旱。

(4)修正后得到的DSIMM干旱等级划分方法在时间频率和空间分布上均能更加准确地捕捉山西省的干旱事件, 大幅提高了山西省干旱监测精度。

研究成果为利用DSI准确进行区域干旱监测提供了参考, 为开展基于干旱监测结果的相关研究奠定了基础。 基于不同数据源得到的DSIMODIS, DSIMODIS和SPEI三种指数的空间分辨率相差较大, 给相关性分析和阈值调整带来了误差; 山西省发生重度和极度等级干旱的情况较少, 对DSI在D3和D4等级划分依据有所影响, 下一步将选择干旱类型丰富的区域进行研究, 以更加精确地修正DSI的干旱等级划分精度。

参考文献
[1] Wilhite D A. Drought: A Global Assessment, 2000, (1): 3. [本文引用:1]
[2] Cook B I, SmerdonJ E, Seager R, et al. Climate Dynamics, 2014, 43(9/10): 2607. [本文引用:1]
[3] Nasrollahi N, Aghakouchak A, Cheng L, et al. Water Resources Research, 2015, 51(4): 2847. [本文引用:1]
[4] Xu Ying, Ge Junzhu, Tian Shaoyang, et al. Science of The Total Environment, 2015, 505: 1043. [本文引用:1]
[5] Venteris E R, Tagestad J D, Downs J L, et al. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 160. [本文引用:1]
[6] Palmer W C. Meteorological Droughts. U. S. Department of Commerce, 1965, 45: 58. [本文引用:1]
[7] Vicente-Serrano S M, Begueria S, Lope-Moreno J I. Journal of Geophysical Research: Atmospheres, 2011, 116(D19): 1. [本文引用:1]
[8] Mu Q, Zhao M, Kimball J S, et al. Meteorol. Soc. , 2013, 94(1): 83. [本文引用:3]
[9] Sand holt I, Rasmussen K, Andersen J. Remote Sensing of Environment, 2002, 79(2-3): 213. [本文引用:1]
[10] Du Lingtong, Song Naiping, Liu Ke, et al. Remote Sensing, 2017, 9(2): 177. [本文引用:1]
[11] Du L, Tian Q, Yu T, et al. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 245. [本文引用:1]
[12] Hou J, Du L, Liu K, et al. Theoretical and Applied Climatology, 2019, 136(3-4): 915. [本文引用:1]
[13] SHEN Guo-qiang, ZHENG Hai-feng, LEI Zhen-feng(沈国强, 郑海峰, 雷振锋). Acta Ecologicasinica(生态学报), 2017, 37(11): 3787. [本文引用:1]
[14] Vicente-Serrano S M, Beguería S, López-Moreno J. International Journal of Climate, 2010, 23: 1696. [本文引用:1]
[15] HUANG Jian-xi, ZHANG Jie, LIU Jun-ming, et al(黄健熙, 张洁, 刘峻明, ). Transactions of The Chinese Society of Agricultural Machinery(农业机械学报), 2015, 46(3): 166. [本文引用:1]
[16] LI Na, HUO Zhi-guo, QIAN Jin-xia (李娜, 霍治国, 钱锦霞). Chinese Journal of Ecology(生态学杂志), 2019, 38(7): 2249. [本文引用:1]
[17] Tan C, Yang J, Li M. China Atmosphere, 2015, (6): 1399. [本文引用:1]