基于SVDI的吉林省中西部干旱識別及干旱危險性分析

李丹君, 張繼權(quán), 郭恩亮, 王 蕊

(東北師范大學(xué) 環(huán)境學(xué)院 東北師范大學(xué)自然災(zāi)害研究所, 吉林 長春130024)

基于SVDI的吉林省中西部干旱識別及干旱危險性分析

李丹君, 張繼權(quán), 郭恩亮, 王 蕊

(東北師范大學(xué)環(huán)境學(xué)院東北師范大學(xué)自然災(zāi)害研究所,吉林長春130024)

[目的] 在農(nóng)作物生育期期間對吉林省中西部地區(qū)進(jìn)行干旱的識別和量化，進(jìn)行干旱危險性分析，為該地區(qū)農(nóng)作物防旱減災(zāi)工作的展開提供參考。 [方法] 利用2005—2014年5—8月旬氣象站數(shù)據(jù)和MODIS的NDVI 10 d合成產(chǎn)品，采用空間植被干旱指數(shù)(SVDI)研究典型年吉林省中西部干旱時空分布特征，并結(jié)合農(nóng)業(yè)干旱減產(chǎn)及糧食產(chǎn)量分析其適用性，進(jìn)一步利用逐旬SVDI概率密度分布計算旬時間尺度的干旱危險性及月時間尺度的干旱危險性分布。 [結(jié)果] (1) 與VCI指數(shù)相比，在作物生長前期和后期農(nóng)業(yè)干旱減產(chǎn)和產(chǎn)量波動與SVDI呈現(xiàn)出更高的相關(guān)系數(shù)； (2) 2005—2014年吉林省中西部重旱面積波動較為明顯，重旱區(qū)域呈現(xiàn)出向中部和西南部地區(qū)轉(zhuǎn)移的趨勢； (3) 吉林省中西部地區(qū)內(nèi)5月上旬、下旬，6和8月下旬干旱發(fā)生概率較高；8月上旬和6月下旬干旱危險性較大；通榆縣5—8月間干旱危險性較高。 [結(jié)論] 利用SVDI指數(shù)進(jìn)行干旱的識別和量化是可行的，且在吉林省中西部作物生育期不同階段干旱有明顯的區(qū)域性。

SVDI; 干旱; 危險性; 時空分布特征

文獻(xiàn)參數(shù)： 李丹君, 張繼權(quán), 郭恩亮, 等.基于SVDI的吉林省中西部干旱識別及干旱危險性分析[J].水土保持通報，2017,37(4)：321-326.DOI:10.13961/j.cnki.stbctb.2017.04.054； Li Danjun, Zhang Jiquan, Guo Enliang, et al. Identification of drought and drought hazard assessment in Midwest of Jilin Province based on SVDI[J]. Bulletin of Soil and Water Conservation, 2017,37(4)：321-326.DOI:10.13961/j.cnki.stbctb.2017.04.054

干旱災(zāi)害，由于其頻發(fā)、持續(xù)時間長、危害范圍大且后果嚴(yán)重等特點，被認(rèn)為是世界上最為嚴(yán)重的自然災(zāi)害之一[1]。加之干旱災(zāi)害成因復(fù)雜，影響因素較多，其發(fā)生將進(jìn)一步引發(fā)受旱地區(qū)社會經(jīng)濟(jì)的危機。在全球性氣候變化的背景下，自然災(zāi)害發(fā)生的概率增大，氣候變暖引發(fā)的氣溫升高、降水減少，將會進(jìn)一步增大干旱災(zāi)害發(fā)生的可能性，并且加劇干旱引發(fā)的后果[2]。中國作為農(nóng)業(yè)大國，糧食生產(chǎn)影響著國家發(fā)展，是富國強民的基礎(chǔ)。因此，及時、準(zhǔn)確地獲取農(nóng)業(yè)干旱信息有利于防災(zāi)減災(zāi)工作的展開及中國糧食種植業(yè)的發(fā)展[3]。目前國內(nèi)外對于干旱的研究，主要從兩方面展開：一方面利用氣象站點的氣象數(shù)據(jù)計算諸如SPI和Palmer指數(shù)來識別干旱[4-5]，進(jìn)一步展布到空間范圍表征其空間分布情況；另一方面則是利用遙感影像獲取NDVI，計算類似VCI，TCI指數(shù)來表征由水分脅迫導(dǎo)致的植被受旱情況[6]。但是，過于單一的研究對象使得指數(shù)表征結(jié)果和現(xiàn)實情況差異較大。近些年來“3S”技術(shù)不斷發(fā)展，干旱指數(shù)的研究也不斷進(jìn)步，從針對單一研究對象轉(zhuǎn)變?yōu)榫C合考慮植被生長和土壤狀態(tài)，例如：利用遙感影像獲取歸一化植被指數(shù)NDVI和地表溫度構(gòu)建VSWI指數(shù)和TVDI指數(shù)，用以監(jiān)測農(nóng)業(yè)干旱和土壤干旱，在目前干旱研究中應(yīng)用較為廣泛，但是此類指數(shù)應(yīng)用于植被覆蓋度過高或者過低的區(qū)域時，會出現(xiàn)較大的偏差[7-9]?？臻g植被干旱指數(shù)SVDI(spatial vegetation drought index)綜合了遙感指數(shù)VCI和氣象指數(shù)MRAI，可以在空間大范圍內(nèi)進(jìn)行干旱的識別和等級劃分[10]。在植被和作物生長過程中，不同生長階段的受旱對植被和作物的影響程度是不同的[11]，SVDI指數(shù)的時間尺度是旬，相比于VCI來說，SVDI在識別早期的干旱有更高的準(zhǔn)確度，對指導(dǎo)農(nóng)業(yè)防旱工作有重大意義。本文利用MODIS 500 m分辨率NDVI 10 d合成產(chǎn)品和吉林省中西部氣象站點2005—2014年5—8月逐日降水量來計算SVDI指數(shù)，選取典型干旱年和正常年進(jìn)行時空監(jiān)測對比，并結(jié)合農(nóng)業(yè)干旱減產(chǎn)指標(biāo)和產(chǎn)量波動的相關(guān)系數(shù)分析其在農(nóng)業(yè)干旱監(jiān)測的可用性；進(jìn)一步利用SVDI識別干旱的發(fā)生及強度；最后構(gòu)建危險性評價模型研究2005—2014年吉林省中西部旬時間尺度的干旱危險性特征及月尺度的干旱危險性空間分布，可以為吉林省中西部農(nóng)業(yè)干旱早期識別及不同生育階段防旱工作的展開提供一定幫助。

1 材料與方法

1.1 研究區(qū)概況

吉林省中西部(43°16′—46°18′N，121°38′—127°45′E)是中國東北地區(qū)的中心區(qū)域。該區(qū)域地勢平坦，西北部地勢較低，沿著東南方向逐漸升高，河流眾多，屬于溫帶大陸性季風(fēng)氣候，在蒙古高壓的影響下導(dǎo)致全年降水不均，主要集中在6—9月，且春秋兩季降水較少，夏季炎熱多雨，冬季嚴(yán)寒，年降水量在600 mm以內(nèi)，屬于吉林省易旱區(qū)域[12-13]。吉林省中西部區(qū)域包含20個縣市，其中的榆樹、農(nóng)安、前郭爾羅斯等7個縣市屬于全國10大產(chǎn)糧大縣，是中國重要的商品糧生產(chǎn)基地。

1.2 數(shù)據(jù)來源

氣象數(shù)據(jù)選用自中國氣象局氣象數(shù)據(jù)中心提供的中國地面累年值日值數(shù)據(jù)集，摘選吉林省中西部9個氣象站點(白城、乾安、前郭爾羅斯、通榆、長嶺、扶余、雙遼、四平、長春)的2005—2014年4—8月逐日降水?dāng)?shù)據(jù)。以旬為時間跨度，計算獲取4—8月各旬的降水總和，利用ArcGIS軟件對站點降水量進(jìn)行克里金空間插值，得到吉林省中西部地區(qū)4—8月每旬的降水柵格數(shù)據(jù)。遙感數(shù)據(jù)來自于中國科學(xué)院計算機網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)鏡像網(wǎng)站(http:∥www.gscloud.cn)中國地區(qū)NDVI的10 d合成產(chǎn)品。該產(chǎn)品由MODND1 D計算得到，計算方法為取月內(nèi)每十天最大值，空間分辨率為500 m，時間分辨率為10 d，時間跨度為2005—2014年，對其進(jìn)行掩膜處理，獲取研究區(qū)范圍內(nèi)的NDVI旬合成產(chǎn)品。農(nóng)業(yè)產(chǎn)量數(shù)據(jù)來源于中華人民共和國農(nóng)業(yè)部種植業(yè)管理司(http:∥www.zzys.moa.gov.cn/)歷史災(zāi)情數(shù)據(jù)庫的2005—2014年吉林省干旱災(zāi)情數(shù)據(jù)以及縣級農(nóng)作物數(shù)據(jù)庫的2005—2014年各縣生產(chǎn)資料。

1.3 研究方法

1.3.1 SVDI指數(shù) SVDI(spatial vegetation drought index)是綜合了氣象降水?dāng)?shù)據(jù)和遙感NDVI數(shù)據(jù)的綜合性指數(shù)。其計算公式為：

SVDI=0.5VD+0.5MRAI

(1)

式中：VD——植被干旱程度； MRAI——降水導(dǎo)致的土壤濕潤程度，取值范圍為[0,100]，數(shù)值越大表示干旱程度越嚴(yán)重。某一像元的SVDI值大于40識別為干旱發(fā)生，其劃分等級詳見表1。

表1 SVDI干旱等級劃分

(2)

公式(2)為植被干旱程度VD的計算方法,是由植被狀態(tài)指數(shù)(VCI)演變而來[14]，VCI指數(shù)范圍為[0,100]數(shù)值越小表示植被的生長情況較差，通常VCI≤50表示植被受旱情況較嚴(yán)重。

(3)

式中：NDVIi——某一像元第i個時期的NDVI旬合成數(shù)據(jù)； NDVImax，NDVImin——該像元多年間第i時期NDVI的最大值和最小值。

MRAI=a·RAI1+b·RAI2+c·RAI3

(4)

(5)

利用上述計算公式在ArcGIS 10.1中進(jìn)行柵格計算，最終得到吉林省中西部2005—2014年5—8月間各旬SVDI分布共計120幅柵格數(shù)據(jù)圖。

1.3.2 典型干旱年選取 SPEI在SPI指數(shù)基礎(chǔ)上增加了對蒸散情況的考慮，12月尺度的SPEI可以表征年際間的干旱變化，其劃分參考中國氣象局制定的劃分標(biāo)準(zhǔn)。本研究利用SPEI-12結(jié)合中國農(nóng)業(yè)部歷史災(zāi)情數(shù)據(jù)庫數(shù)據(jù)，最終選取2007年為典型干旱年，該年吉林省持續(xù)異常高溫少雨，多數(shù)縣(市)氣溫均突破歷史極值，且全省平均降水量僅為6.2 mm，比常年同期偏少90%；2013年為正常年代表，該年吉林省氣溫同往年基本持平且降水分布均勻。

1.3.3 危險性 針對災(zāi)害風(fēng)險形成的機制，當(dāng)前主要有“二因子說”、“三因子說”和“四因子說”，在農(nóng)業(yè)氣象災(zāi)害風(fēng)險研究中，對致災(zāi)因子危險性識別和量化是極其重要的一步[15]。干旱災(zāi)害的危險性主要是由干旱強度和干旱發(fā)生的頻次所決定，SVDI作為一個連續(xù)變化的指數(shù)，因此利用其概率密度曲線就可以同時表征干旱發(fā)生的強度及頻率[16]。本研究中的干旱危險性計算公式如下：

(6)

式中：SVDI——干旱指數(shù)；f(SVDI)——SVDI的發(fā)生概率頻次，分布曲線形狀不同表征干旱災(zāi)害的危險性差異，統(tǒng)計區(qū)間為SVDI在[60,100]范圍內(nèi)，概率密度曲線的獲取及危險性的計算通過R語言編程實現(xiàn)。

1.3.4 其他方法

(1)C指標(biāo)。本研究利用2006年中國國家防汛抗旱總指揮部發(fā)布的農(nóng)業(yè)旱災(zāi)綜合減產(chǎn)成數(shù)來表示糧食受旱減產(chǎn)情況[17]。該指數(shù)計算方法為：

C(%)=I3×90%+(I2-I3)×55%+

(I1-I2)×20%

(7)

式中：C——農(nóng)業(yè)干旱導(dǎo)致的減產(chǎn)成數(shù)(10%表示1成)；I1，I2，I3——干旱災(zāi)害導(dǎo)致的該年受災(zāi)比、成災(zāi)比和絕收比，是當(dāng)年受災(zāi)面積、成災(zāi)面積、絕收面積和當(dāng)年播種總面積的比值；C指標(biāo)的等級劃分詳見表2[18]。

表2 農(nóng)業(yè)干旱導(dǎo)致的減產(chǎn)成數(shù)C指標(biāo)干旱等級劃分

(2) 產(chǎn)量波動。作物的減產(chǎn)情況通常用產(chǎn)量波動來表示[19]，其計算方法為：

(8)

式中：Yr——產(chǎn)量波動，小于零時表示減產(chǎn)的發(fā)生，其數(shù)值大小表示減產(chǎn)率；Y——作物產(chǎn)量；Yt——趨勢產(chǎn)量，本文選擇滑動平均法計算，并選擇3為滑動步長。

2 結(jié)果與分析

2.1 SVDI適用性分析：以典型年為例

2.1.1 SVDI指數(shù)時空對比分析 SVDI將VCI指數(shù)和MRAI指數(shù)相結(jié)合，可以綜合植被長勢和降水情況，能更好地表征研究區(qū)的受旱程度及分布，SVDI指數(shù)值越大，表示研究地區(qū)的干旱程度越大，其優(yōu)點之一就是可以借助柵格數(shù)據(jù)的表達(dá)形式將SVDI指數(shù)展布到研究區(qū)范圍內(nèi)，進(jìn)而分析其空間分布特征及變化情況。圖1所示的是典型干旱年2007和2013年5—8月間旬時間尺度的SVDI在吉林省中西部的分布情況(以中旬為例)。其中，2007年5月上旬和中旬、6月中下旬以及8月中下旬整個研究區(qū)內(nèi)受旱情況嚴(yán)重。5月下旬，白城、洮南和通榆縣的SVDI值均在60以上，達(dá)到了中旱和重旱的程度。玉米是吉林省中西部地區(qū)范圍內(nèi)主要種植的農(nóng)作物，5月下旬正是玉米的出苗期和拔節(jié)期，此時降水量不足將導(dǎo)致玉米出苗不齊，進(jìn)而影響其后續(xù)生長。6月中下旬，中西部僅個別地區(qū)SVDI屬于正常范圍，此階段正值玉米抽雄，屬于玉米生育期的重要節(jié)點。此時發(fā)生中旱和重旱將導(dǎo)致玉米葉子凋萎，雌穗不孕，植株空桿進(jìn)而引發(fā)嚴(yán)重減產(chǎn)。8月下旬是玉米的灌漿成熟期，這一階段的干旱缺水不利于干物質(zhì)積累，導(dǎo)致玉米結(jié)實飽滿度不足，嚴(yán)重影響百粒重。

分析2013年的SVDI變化情況可以看出，作為正常年代表的2013年5—8月間SVDI值都基本處于輕旱程度以下。但尚有部分地區(qū)出現(xiàn)了重旱的情況，原因主要有兩點：① 吉林省中西部整體氣候特征；在內(nèi)蒙古高壓和大陸季風(fēng)的綜合影響下，吉林省中西部的降水情況呈現(xiàn)出時空分布不均的特點，使得從東南到西北逐漸由半濕潤氣候變?yōu)榘敫珊禋夂?，干旱?zāi)害發(fā)生可能性較高，因此部分地區(qū)出現(xiàn)了重旱的情況。② 植被類型對水分敏感度不同；由于本研究所選用的數(shù)據(jù)是整個研究區(qū)內(nèi)的NDVI數(shù)據(jù)，并未進(jìn)行植被類型的劃分，致使在計算SVDI指數(shù)時，缺少植物對水分敏感度的分析。

綜合分析圖1，典型干旱年和正常年份間5—8月的SVDI差距較為明顯。因此，利用SVDI指數(shù)進(jìn)行干旱的識別，程度的劃分以及區(qū)域分布特征的獲取是可行的，該指數(shù)綜合了降水和植被生長狀態(tài)，相較于單獨分析加權(quán)降水指數(shù)MRAI和植被狀態(tài)指數(shù)VCI，該指數(shù)能更好地展現(xiàn)干旱災(zāi)害空間分布及作物生育期不同階段的干旱程度變化。

圖1 研究區(qū)5-8月逐旬SVDI空間分布(以中旬為例)

2.1.2 SVDI與農(nóng)業(yè)生產(chǎn)相關(guān)性分析 表3展示的是各個旬的VCI和SVDI與農(nóng)業(yè)干旱減產(chǎn)成數(shù)C指標(biāo)和產(chǎn)量波動的相關(guān)系數(shù)。VCI與C指數(shù)呈現(xiàn)出負(fù)相關(guān)，SVDI與C指數(shù)正相關(guān)，分析與C指數(shù)的相關(guān)系數(shù)可以看出：5月的SVDI和C指數(shù)的相關(guān)性相比于VCI要更高，而6月SVDI的相關(guān)系數(shù)則不如VCI，7月中旬到8月下旬，SVDI與C指標(biāo)呈現(xiàn)出更高的相關(guān)性。分析與產(chǎn)量波動的相關(guān)性：可以看出5月份中，SVDI展現(xiàn)出比VCI更高的相關(guān)系數(shù)；6月和7月上旬，作為作物生長的中期VCI與產(chǎn)量波動的相關(guān)性略強于SVDI，而7月中旬到8月下旬SVDI與產(chǎn)量波動的相關(guān)性較強，其中7月中旬的相關(guān)系數(shù)達(dá)到了-0.865 1。綜合以上分析，進(jìn)行干旱災(zāi)害導(dǎo)致的農(nóng)業(yè)減產(chǎn)研究時，在作物生育前期和后期SVDI比VCI能夠更好地識別和表征農(nóng)業(yè)干旱導(dǎo)致的減產(chǎn)情況。

表3 VCI和SVDI與農(nóng)業(yè)干旱減產(chǎn)成數(shù)C和產(chǎn)量波動間的相關(guān)系數(shù)

2.2 基于SVDI的時空演變特征

受到全球性氣候變化的影響，近10 a來吉林省氣候呈現(xiàn)出干旱加劇的趨勢。由于氣候變暖導(dǎo)致的氣溫升高、降水減少的現(xiàn)象，使得農(nóng)業(yè)干旱災(zāi)害頻發(fā)、重發(fā)，致使農(nóng)業(yè)生產(chǎn)面臨挑戰(zhàn)，及時、準(zhǔn)確獲取災(zāi)情信息，完善災(zāi)害預(yù)警機制，制定合理的防災(zāi)減災(zāi)政策就顯得尤為必要。結(jié)合表1的SVDI等級劃分，將SVDI值范圍在[80,100]間的識別為重旱區(qū)域，利用ArcGIS軟件進(jìn)行Cell Statistics處理，獲取重旱面積如圖2所示。圖2展示2005—2014年間5—8月吉林省中西部重旱區(qū)域的面積變化情況，可以看出，2005—2014年這10 a間，重旱面積變化波動較大，其中2014年受旱最輕，重旱面積僅有1.50×104km2，而2006，2007兩年重旱的面積較大，其中2007年達(dá)到了7.61×104km2，2006年7.56×104km2。這10 a間前期干旱發(fā)生頻率高且強度大，后期干旱發(fā)生頻率低且強度??；空間上來看，10 a間重旱區(qū)域空間變化較大，前期西部地區(qū)常年發(fā)生重旱，后期的重旱區(qū)域出現(xiàn)了向中部地區(qū)和東部偏移的趨勢，由于研究區(qū)的西部干旱頻發(fā)，所以防旱工作準(zhǔn)備的較好，而中部和東部地區(qū)的防旱意識不強，減災(zāi)措施尚有不足導(dǎo)致植被受旱嚴(yán)重，進(jìn)而導(dǎo)致中部和東南部地區(qū)SVDI值偏大。

圖2 研究區(qū)2005-2014年5-8月重旱面積變化(以8月中旬為例)

2.3 干旱危險性分析

SVDI作為一個連續(xù)的數(shù)值，分析不同時期的概率密度曲線即可獲知該時期內(nèi)SVDI的強度和頻率分布，進(jìn)而獲知該時段內(nèi)干旱和濕潤的趨勢變化；利用累積概率即可獲得該時期的干旱危險性，在概率層面增加對干旱強度等級的分析，進(jìn)一步獲知不同生育階段干旱災(zāi)害的危險性變化。依據(jù)吉林省中西部5—8月間各旬的10 a概率密度曲線變化情況，以SVDI=50為中線，曲線右偏表示干旱概率增大，左偏表示有濕潤傾向。綜合來看，2005—2014這10 a間，5月上旬、下旬，6月上、中、下旬和8月下旬有著明顯的右偏趨勢，干旱發(fā)生的概率較高；7月上、中、下旬和8月上旬、中旬則有著明顯的左偏傾向，表示較為濕潤；而綜合分析干旱的危險性，可以看出8月上旬和6月下旬干旱危險性較大，危險性指數(shù)分別為3.59，3.41，5月上旬和6月中旬的干旱危險性較小，分別為0.58，0.92。吉林省中西部是重要的玉米種植區(qū)，而6月下旬正值玉米拔節(jié)期，此階段受旱將導(dǎo)致玉米生長高低不齊，影響后續(xù)陽光水分的吸收情況；8月上旬則是玉米抽雄開花階段，此階段受旱將導(dǎo)致花粉死亡，花絲干枯不能授粉，直接影響到當(dāng)年的玉米產(chǎn)量。因此，要注意這兩個階段防旱工作的展開，及時識別干旱的發(fā)生并采取相應(yīng)的防災(zāi)減災(zāi)措施，使其對農(nóng)業(yè)種植的影響降到最低。圖3展示了吉林省中西部5—8月的逐月干旱危險性分布情況，可以看出干旱危險性在空間上呈現(xiàn)出較為明顯的轉(zhuǎn)移趨勢。其中5月干旱危險性較高的地區(qū)主要在長嶺、通榆縣和長春地區(qū)，6月份通榆和雙遼縣的危險性較高，7月干旱高危地區(qū)轉(zhuǎn)移到了西南區(qū)域的白城和長嶺縣，8月的干旱高風(fēng)險區(qū)主要位于通榆和乾安。

圖3 吉林省中西部2005-2014年5-8月間逐旬SVDI干旱危險性分布

3 討論與結(jié)論

(1) 空間植被干旱指數(shù)(SVDI)相比于VCI和MRAI等能更好地識別干旱的發(fā)生，在空間尺度上能夠更好地表征干旱的分布和強度變化。并且結(jié)合不同旬尺度的SVDI與農(nóng)業(yè)干旱減產(chǎn)和產(chǎn)量波動數(shù)據(jù)相關(guān)性分析，結(jié)果表明將SVDI用于吉林省中西部的干旱識別和量化是可行的。

(2) 分析2005—2014年尺度重旱面積，2006，2007年重旱面積較大，而2008和2014年受旱程度較輕重旱面積較??；這10 a間重旱情況是前期干旱發(fā)生強度大且受旱面積大，后期干旱強度小且受旱面積小；重旱的空間分布則偏向于研究區(qū)內(nèi)中部和東南部的發(fā)生，與此兩區(qū)域的防旱減災(zāi)措施尚不完善有關(guān)。

(3) 分析2005—2014年干旱概率密度曲線和危險性可知，吉林省中西部地區(qū)內(nèi)5月上旬、下旬，6月上、中、下旬和8月下旬干旱發(fā)生概率較高；8月上旬和6月下旬干旱危險性較大；研究區(qū)內(nèi)西南部屬于干旱高危險性地區(qū)，其中通榆縣在5—8月間干旱危險性普遍較高，應(yīng)注重此縣防旱工作的展開。

(4) 全球氣候變化的大背景下使得農(nóng)業(yè)生產(chǎn)面臨了巨大的挑戰(zhàn)，不僅作物生長的物候期可能變化，在作物生育期內(nèi)常常面臨著多種災(zāi)害并發(fā)的威脅[20-21]。SVDI綜合了地面氣象和空間遙感數(shù)據(jù)，較之單一數(shù)據(jù)源能更好的識別干旱災(zāi)害的發(fā)生及強度，以旬時間尺度進(jìn)行干旱研究有助于干旱災(zāi)害的早期識別以及防旱減災(zāi)工作的展開，對于作物不同生育階段干旱的識別和危險性的量化有一定的幫助。本文僅研究了干旱的發(fā)生和量化，后續(xù)可以增加其對雨澇的識別和量化，以便更好地擬合實際情景，表征農(nóng)作物生長發(fā)育期間多種災(zāi)害的影響；另外，本研究未考慮氣溫、濕度以及地形和高程對于SVDI指數(shù)的影響，可以在之后進(jìn)行更加全面、深入地研究。

[1] Dai A. Erratum: Drought under global warming: A review[J]. Wiley Interdisciplinary Reviews Climate Change, 2012, 3(1):45-65.

[2] 鄭盛華,覃志豪,張文博.松嫩平原干旱變化特征及其對氣候變化的響應(yīng)[J].中國農(nóng)業(yè)氣象,2015,36(5):640-649.

[3] 林而達(dá),謝立勇.氣候變化2014:影響、適應(yīng)和脆弱性對農(nóng)業(yè)氣象學(xué)科發(fā)展的啟示[J].中國農(nóng)業(yè)氣象,2014,35(4):359-364.

[4] 趙麗,馮寶平,張書花.國內(nèi)外干旱及干旱指標(biāo)研究進(jìn)展[J].江蘇農(nóng)業(yè)科學(xué),2012,40(8):345-348.

[5] 孫德亮,吳建峰,李威,等.基于SPI指數(shù)的近50年重慶地區(qū)干旱時空分布特征[J].水土保持通報,2016,36(4):197-203.

[6] 孫灝,陳云浩,孫洪泉.典型農(nóng)業(yè)干旱遙感監(jiān)測指數(shù)的比較及分類體系[J].農(nóng)業(yè)工程學(xué)報,2012,28(14):147-154.

[7] Sandholt I, Rasmussen K, Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment, 2002,79(2/3):213-224.

[8] 王正興,劉闖, Huete A.植被指數(shù)研究進(jìn)展:從AVHRR-NDVI到MODIS-EVI[J].生態(tài)學(xué)報,2003,23(5):979-987.

[9] 孫麗,王飛,吳全.干旱遙感監(jiān)測模型在中國冬小麥區(qū)的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2010,26(1):243-249.

[10] Patel N R, Yadav K. Monitoring spatio-temporal pattern of drought stress using integrated drought index over Bundelkhand region, India[J]. Natural Hazards, 2015,77(2):1-15.

[11] 張淑杰,張玉書,孫龍彧,等.東北地區(qū)玉米生育期干旱分布特征及其成因分析[J].中國農(nóng)業(yè)氣象,2013,34(3):350-357.

[12] 姜波,張薇.吉林省中西部地區(qū)田間持水量試驗研究[J].吉林水利,2012(8):21-24.

[13] Guo Enliang, Zhang Jiquan, Wang Yongfang, et al. Dynamic risk assessment of waterlogging disaster for maize based on CERES: Maize model in Midwest of Jilin Province, China[J]. Natural Hazards, 2016,83(3):1-15.

[14] Kogan F N. Application of vegetation index and brightness temperature for drought detection[J]. Advances in Space Research, 1995,15(11):91-100.

[15] 王春乙,張繼權(quán),霍治國,等.農(nóng)業(yè)氣象災(zāi)害風(fēng)險評估研究進(jìn)展與展望[J].氣象學(xué)報,2015(1):1-19.

[16] 張琪,朱萌,張繼權(quán),等.氣候變化背景下吉林干旱風(fēng)險識別研究[C]∥風(fēng)險分析和危機反應(yīng)中的信息技術(shù)北京：中國災(zāi)害防御協(xié)會風(fēng)險分析專業(yè)委員會年會，2014.

[17] 國家防汛抗旱總指揮部辦公室.辦旱[2006]18號:干旱評估標(biāo)準(zhǔn)[S].北京:國家防汛抗旱總指揮部,2006.

[18] 馬建勇,許吟隆.東北地區(qū)作物生長季干旱時空分布特征及其環(huán)流背景[J].中國農(nóng)業(yè)氣象,2013,34(1):81-87.

[19] 張琪,張繼權(quán),佟志軍,等.干旱對遼寧省玉米產(chǎn)量影響及風(fēng)險區(qū)劃[J].災(zāi)害學(xué),2010,25(2):87-91.

[20] 張夢婷,劉志娟,楊曉光,等.氣候變化背景下中國主要作物農(nóng)業(yè)氣象災(zāi)害時空分布特征(Ⅰ):東北春玉米延遲型冷害[J].中國農(nóng)業(yè)氣象,2016,37(5):599-610.

[21] 楊蓉,延軍平.寧夏旱澇災(zāi)害對氣候變化的響應(yīng)[J].水土保持通報,2014,34(5):272-277.

Identification of Drought and Drought Hazard Assessment in Midwest of Jilin Province Based on SVDI

LI Danjun, ZHANG Jiquan, GUO Enliang, WANG Rui

(School of Environment, Northeast Normal University, Natural Disaster Research Institute, Changchun, Jilin 130024, China)

[Objective] To identify and quantify the drought during crop growing season in Midwest of Jilin Province and analyze drought hazard in order to provide scientific reference for drought mitigation. [Methods] Based on the meteorological data from May to August during 2005 to 2014 and the corresponding MODIS NDVI products that was combined every ten days and have 500 m resolution, SVDI(spatial vegetation drought index) was calculated to analyze SVDI spatial and temporal distribution characteristics. The index applicability was illustrated in terms of drought-induced agricultural production decrease and yield anomaly. Furthermore, the density distribution of ten-day SVDI from May to August was calculate to demonstrate drought hazard. [Results] (1) Compared with VCI, SVDI behave better for drought recognition. Combined with agricultural drought production and yield anomaly, SVDI showed higher correlation in the initial and final growth period of crop growing season. (2) During 2005—2014, the area hited by severe drought from May to August in Midwest of Jilin Province fluctuated obviously, and had a transiting trend to central and southwest parts. (3) In Midwest of Jilin Province, drought occurrence had higher probability in periods of early and late May, June, and late August, whereas, in early August and late June, the drought hazard are higher. Tongyu County has high drought hazard from May to August so that it should be taken as a key county to be protected. [Conclusion] The results showed that using SVDI to identify and quantify drought is feasible, also drought frequency during crop growing season in Midwest of Jilin Province shows obvious regional traits.

SVDI;drought;droughthazard;temporalandspatialcharacteristics

B

： 1000-288X(2017)04-0321-06

： S423

2016-02-21

：2016-02-27

國家自然科學(xué)基金項目“多災(zāi)種農(nóng)業(yè)氣象災(zāi)害綜合風(fēng)險動態(tài)評估研究：以吉林省中西部玉米產(chǎn)區(qū)為例”(41571491); 中央高?；究蒲袠I(yè)務(wù)費專項”(2412016KJ046); 公益性行業(yè)(氣象)科研專項儲備項目(2015001)

李丹君(1993—),女(漢族),河南省鄭州市人,碩士研究生,研究方向為綜合農(nóng)業(yè)氣象災(zāi)害風(fēng)險評價與管理。E-mail:lidj327@nenu.edu.cn。

張繼權(quán)(1965—),男(漢族),吉林省九臺縣人，博士,教授,博士生導(dǎo)師,主要從事自然災(zāi)害與生態(tài)環(huán)境風(fēng)險評價和管理研究。E-mail:zhangjq022@nenu.edu.cn。