基于深度學(xué)習(xí)算法的京津冀地區(qū)綜合干旱評估模型構(gòu)建*

胡小楓，王冬利，趙安周,3，劉憲鋒，王金杰

（1.河北工程大學(xué)礦業(yè)與測繪工程學(xué)院，邯鄲 056038；2.邯鄲市自然資源空間信息重點實驗室，邯鄲 056038；3.中國科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京 100101；4.陜西師范大學(xué)地理科學(xué)與旅游學(xué)院，西安 710119）

干旱具有發(fā)生頻率高、持續(xù)時間長、影響范圍廣等特點，常導(dǎo)致作物減產(chǎn)、森林火災(zāi)、病蟲害加重等事件，嚴(yán)重阻礙社會經(jīng)濟的可持續(xù)發(fā)展[1]。干旱對農(nóng)業(yè)的影響最大，也最為直接，長期干旱會導(dǎo)致農(nóng)作物死亡減產(chǎn)，進(jìn)而影響糧食安全[2]。近20a 干旱對農(nóng)業(yè)生產(chǎn)的影響日益加重[3]。據(jù)統(tǒng)計，2017年中國因干旱導(dǎo)致的農(nóng)作物受災(zāi)面積達(dá)到98748km2，直接經(jīng)濟損失超過375 億元[4]。因此，采用先進(jìn)科學(xué)的方法對干旱進(jìn)行準(zhǔn)確評估，及時精確地反映旱情發(fā)生的范圍和過程對農(nóng)業(yè)生產(chǎn)具有重要意義[5]。

目前國內(nèi)外常用的干旱評估方法有基于站點數(shù)據(jù)的干旱評估指數(shù)、基于遙感數(shù)據(jù)的干旱評估指數(shù)以及綜合干旱評估指數(shù)[6-7]?；谡军c數(shù)據(jù)的干旱評估方法已經(jīng)較為成熟，目前已廣泛用于干旱評估，但存在氣象站點的數(shù)量有限且分布不均，不能對大范圍的干旱進(jìn)行實時有效評估等缺點[8]。相比于基于站點數(shù)據(jù)的干旱評估方法，遙感評估方法因其高時空分辨率且具有連續(xù)性、可實現(xiàn)對大范圍干旱事件進(jìn)行有效評估等優(yōu)點而在大尺度的干旱評估中得到有效應(yīng)用，但是仍存在構(gòu)建模型要素單一、要素之間的關(guān)系不清晰等問題[9-11]。綜合干旱評估指數(shù)主要表現(xiàn)在多源數(shù)據(jù)的引入和研究方法的革新。如王行漢等[12]利用傳統(tǒng)回歸多項式方程將歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和地表溫度（Land Surface Temperature，LST）進(jìn)行擬合，構(gòu)建溫度增強型植被干旱指數(shù)來評估區(qū)域干旱。余灝哲等[13]綜合考慮干旱發(fā)生過程中的大氣降水、植被生長和土壤水分盈虧等致旱因子，利用多元回歸的方法構(gòu)建出綜合干旱指數(shù)對京津冀地區(qū)干旱進(jìn)行時空評估。Brown 等[14]綜合考慮降水盈缺、植被生長狀況和生態(tài)環(huán)境參數(shù)等因素，將氣象干旱評估指標(biāo)、遙感評估指標(biāo)和其它生物信息結(jié)合構(gòu)建了植被干旱響應(yīng)指數(shù)，并較為準(zhǔn)確地評估了美國中北部7個州的干旱情況。綜上，雖然國內(nèi)外學(xué)者已從不同層面對干旱監(jiān)測開展了一系列研究，并取得了一定的研究成果。然而當(dāng)前研究多采用單一要素或單一系統(tǒng)要素開展干旱評估研究，其綜合干旱評估模型的構(gòu)建多采用線性模型，無法全面刻畫干旱影響要素之間的非線性特征[15]。

京津冀地區(qū)是中國重要的糧食產(chǎn)出基地，隨著全球氣候的變化，該地區(qū)干旱頻發(fā)，對作物生產(chǎn)和全國糧食供應(yīng)造成了嚴(yán)重影響[16]。鑒于此，本研究利用深度學(xué)習(xí)框架Tensorflow，從諸多干旱致災(zāi)因子中提取影響干旱的主要信息，厘清影響干旱各要素之間的非線性關(guān)系，構(gòu)建京津冀地區(qū)的綜合干旱評估模型，以期及時對干旱進(jìn)行預(yù)警，為相關(guān)部門提供決策支持，進(jìn)而為指導(dǎo)當(dāng)?shù)剞r(nóng)業(yè)生產(chǎn)提供科學(xué)的參考依據(jù)。

1 資料與方法

1.1 研究區(qū)概況

京津冀地區(qū)地處36?42.6°N，113.4?119.8°E，總面積21.7×104km2[17]，包括北京、天津兩個直轄市以及河北的13 個地市（圖1）。地勢由西北向東南傾斜，北靠燕山山脈，南面華北平原，西倚太行山，東臨渤海灣，平均海拔500m 以上[18]。該地區(qū)降水量波動較大，70%以上的降水量主要集中在夏季6?9月，冬季受西伯利亞高壓的影響，寒冷干燥且少降水，春季多大風(fēng)，氣溫上升較快，受地理位置、地形和全球氣候變暖的影響，京津冀地區(qū)是干旱頻發(fā)地區(qū)，常有“十年九旱”之說[18]。

圖1 京津冀地區(qū)地理位置、高程與氣象站點分布Fig.1 Geographical location,elevation and distribution of meteorological stations in Beijing-Tianjin-Hebei region

1.2 數(shù)據(jù)來源及處理

1.2.1 遙感數(shù)據(jù)

2007?2017年研究區(qū)MODIS-LST（地表溫度）和NDVI（歸一化植被指數(shù)）數(shù)據(jù)來源于NASA 數(shù)據(jù)網(wǎng)（http://serach.earthdata.nasa.gov）。NDVI 數(shù)據(jù)為MOD13A3 的植被指數(shù)數(shù)據(jù)，空間分辨率為1km，時間尺度為月；地表溫度數(shù)據(jù)是以8d 為時間分辨率的MOD11A2 數(shù)據(jù)集，空間分辨率1km，以相應(yīng)月份中所有影像在該月中的有效天數(shù)所占比例作為權(quán)重對其進(jìn)行加權(quán)平均相加復(fù)合成月數(shù)據(jù)，其具體合成方法見文獻(xiàn)[19]。

2007?2017年高分辨率逐月降水?dāng)?shù)據(jù)來源于文獻(xiàn)[20]，該數(shù)據(jù)集基于Delta 降尺度方法，在CRU TS v4.02 空間尺度下進(jìn)行降尺度處理得到，具有較高的精度，空間分辨率為1km。DEM 數(shù)據(jù)來源于中國空間地理數(shù)據(jù)（http://www.gscloud.cn/sources/）的STERM 90m 分辨率的數(shù)字高程模型（Digital Elevation Model，DEM）。采用雙線性插值方法將此數(shù)據(jù)進(jìn)行重采樣到1km 與MODIS 數(shù)據(jù)進(jìn)行空間匹配。將上述遙感數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化計算，用于干旱評估模型的構(gòu)建。

1.2.2 站點實測數(shù)據(jù)

京津冀地區(qū)22 個氣象站點2007?2017年逐月降水量和平均氣溫數(shù)據(jù)來源于中國氣象數(shù)據(jù)共享網(wǎng)（http://www.nmic.cn/，圖1），主要用于SPI 和SPEI指數(shù)計算。

2007?2013年研究區(qū)內(nèi)9個農(nóng)業(yè)氣象站點中的旬土壤濕度數(shù)據(jù)來源于中國氣象數(shù)據(jù)共享網(wǎng)，主要用來進(jìn)行模型驗證（表1）。

表1 土壤濕度驗證臺站信息Table 1 The information of soil moisture verification sites

該資料集來自于《中國農(nóng)作物生長發(fā)育和農(nóng)田土壤濕度旬值數(shù)據(jù)集》中的土壤濕度數(shù)據(jù)，其中詳細(xì)記錄了作物名稱，以及10cm、20cm 和50cm 土壤相對濕度、從播種到本旬末的日平均氣溫等數(shù)據(jù)。將反映作物生長狀況的10cm深度旬土壤相對濕度數(shù)據(jù)采用算術(shù)平均值的方法計算成月時間尺度數(shù)據(jù)，并用來對本研究所構(gòu)建的綜合干旱評估模型進(jìn)行驗證[15]。

1.2.3 其它數(shù)據(jù)

中國土壤粒度分布數(shù)據(jù)集從中山大學(xué)（http://globalchange.bnu.edu.cn/）網(wǎng)站獲取，并采用簡化的土壤有效持水量計算方法，計算京津冀地區(qū)1km 空間分辨率的土壤可利用持水量（Available Water Capacity,AWC）分布。京津冀地區(qū)2016年的氣候概況、干旱和暴雨等災(zāi)害情況來自于《2016年河北省氣候公報》和《2016年中國氣象災(zāi)害年鑒》，這些數(shù)據(jù)主要用于干旱空間分布的驗證。

1.3 模型輸入變量計算方法

1.3.1 標(biāo)準(zhǔn)化距平值

將歸一化植被指數(shù)（NDVI）、降水和地表溫度的距平值進(jìn)行標(biāo)準(zhǔn)化處理后作為模型的輸入變量，具體方法為

式中，stXα為標(biāo)準(zhǔn)化距平指數(shù)，其中包括植被指數(shù)的標(biāo)準(zhǔn)化距平指數(shù)（aNDVI）、標(biāo)準(zhǔn)化降雨距平指數(shù)（aPRE）和標(biāo)準(zhǔn)化陸地表面溫度距平指數(shù)（aLST）；Xi代表這些指數(shù)的某年某月的值，為這些指數(shù)研究時間段內(nèi)多年的月平均值，σ 為研究時段內(nèi)多年的指數(shù)標(biāo)準(zhǔn)偏差。stXa越大代表指數(shù)的變異程度越大，其中aNDVI 和aPRE 數(shù)值越小代表干旱程度越嚴(yán)重，而aLST 則相反，數(shù)值越大代表干旱越嚴(yán)重。

1.3.2 由土壤質(zhì)地決定的可利用持水量（AWC）

土壤可利用持水量為由土壤質(zhì)地特點決定的可存貯在土壤中并能被植被所利用的水量，它是土壤的一種固有物理屬性，是衡量排水良好的土壤對植被供水能力的可靠指標(biāo)，對干旱信息的提取具有重要意義[21?23]。其簡化計算式為[24]

式中，Sand 為土壤沙粒含量（%），Clay 為土壤黏粒含量（%）。

利用式（2）估算京津冀地區(qū)逐像元空間分辨率為1km 的AWC 分布，結(jié)果如圖2 所示。

圖2 由土壤質(zhì)地決定的可利用持水量（AWC）分布Fig.2 The distribution of Available Water Capacity(AWC)based on soil texture in the Beijing-Tianjin-Hebei region

1.3.3 DEM 數(shù)據(jù)歸一化

為保證輸入模型的數(shù)據(jù)質(zhì)量，以22 個氣象站點的經(jīng)緯度為中心像元，向外擴展8 個像元，并從DEM數(shù)據(jù)中求取中心像元所在位置周圍3×3 個像元的平均值作為該站點的參量值。由于京津冀地區(qū)地形起伏較大，需要對提取出來的DEM 數(shù)據(jù)進(jìn)行歸一化處理后作為模型的輸入變量，計算式為

式中，X 為交互式數(shù)據(jù)語言（Interactive Data Language，IDL）根據(jù)各氣象站點所在經(jīng)緯度提取出來的高程（DEM）值，Xmin和Xmax分別為DEM 最小值和最大值，Y 為經(jīng)過歸一化處理的DEM 值。

1.3.4 SPEI 的計算

根據(jù)京津冀22 個氣象站點的降水和氣溫數(shù)據(jù)，計算2007?2017年各站點的SPEI，將其一個月尺度的SPEI-1 作為綜合干旱評估模型的目標(biāo)變量來訓(xùn)練模型，其具體計算方式見文獻(xiàn)[25]。SPEI 的計算步驟為

（1）采用 Thormthwaite 公式計算潛在蒸散（PET），即

式中，B 為根據(jù)氣象站點緯度計算的修正系數(shù)；Ti為月平均溫度；H 為年熱量指數(shù)；A 為以H 為基礎(chǔ)的系數(shù)。

（2）計算逐月降水與蒸散的差值Δ。

式中，Pi為逐月降水量；PETi為月潛在蒸散發(fā)量（mm）。

（3）采用帶有三個參數(shù)的log-logistic 概率分布來擬合所構(gòu)建的數(shù)據(jù)序列Δ。

其中，α，β ，γ 采用文獻(xiàn)[26]的L?矩估計方法獲得。

（4）對累積概率密度進(jìn)行標(biāo)準(zhǔn)化，獲得相應(yīng)的SPEI 值。

當(dāng)累積概率P≤0.5 時，則

當(dāng)P>0.5 時，P 取值為1?P，即

式中，a0=2.515517；a1=0.802853；a2=0.010328；b0=1.432788；b1=0.189269；b2=0.001308。

1.4 模型驗證方法

從氣象干旱、農(nóng)業(yè)干旱和典型干旱事件空間分布三個方面對綜合干旱評估模型進(jìn)行驗證。首先根據(jù)京津冀氣象站點的逐月降水?dāng)?shù)據(jù)計算一個月尺度的SPI-1，SPI 的計算過程與SPEI 類似，其具體計算方法見文獻(xiàn)[25]。將計算出來的SPI-1 與綜合干旱評估模型輸出的CDI 指數(shù)按月進(jìn)行驗證，以表征模型具有一定的氣象干旱信息獲取能力；將能夠反映農(nóng)作物生長狀況的10cm深度土壤相對濕度與CDI按站點進(jìn)行驗證，以表征模型對區(qū)域農(nóng)業(yè)干旱評估的適用性。最后將CDI 計算出京津冀地區(qū)2016年3?7月的典型干旱事件結(jié)果與實際情況相比較，從空間上對綜合干旱評估模型進(jìn)行驗證。

2 結(jié)果與分析

2.1 深度學(xué)習(xí)算法綜合干旱評估模型的構(gòu)建

2.1.1 建模原理

構(gòu)建綜合干旱評估模型需考慮多種致災(zāi)因子，因為干旱不僅與土壤水分脅迫、植被生長狀況有關(guān)，還與地貌類型、可用含水量和地表溫度狀況有密切關(guān)聯(lián)[27]。分別采用標(biāo)準(zhǔn)化植被距平指數(shù)、標(biāo)準(zhǔn)化降水距平指數(shù)和標(biāo)準(zhǔn)化地表溫度距平指數(shù)來代表植被異常信息、降水異常信息和地表溫度異常信息，將AWC 作為土壤水分脅迫因素，用歸一化的DEM 數(shù)據(jù)作為地形影響因子，最后采用1 個月尺度的SPEI-1來代表氣象影響因子，并作為模型的因變量與前面的多種干旱影響因素一起輸入模型，參與綜合干旱評估模型構(gòu)建（圖3）。

圖3 深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of deep neural network

2.1.2 建模流程

將標(biāo)準(zhǔn)化處理后的歸一化植被指數(shù)（NDVI）、降水和地表溫度的距平值、土壤可利用持水量和DEM 數(shù)據(jù)，以京津冀22 個氣象站點的經(jīng)緯度為中心，利用IDL編程語言將站點的經(jīng)緯度信息轉(zhuǎn)換成相應(yīng)的行列號信息，以站點所在的像元為中心向外擴展8 個像元，并求取站點所在位置周圍3×3 個像元的平均值作為該站點的參量值，構(gòu)成輸入模型的自變量數(shù)據(jù)。同時將根據(jù)氣象站點計算出的一個月尺度SPEI-1 作為因變量，與自變量數(shù)據(jù)一起輸入模型，構(gòu)建綜合干旱評估模型（CDI）。模型具體構(gòu)建過程見圖4。

圖4 綜合干旱評估模型（CDI）構(gòu)建流程Fig.4 Flowchart for constructing the comprehensive drought evaluation model(CDI)

因為京津冀地區(qū)在不同季節(jié)的降水量、植被生長狀態(tài)以及干旱狀況差異較大，鑒于此，按月份構(gòu)造模型，將按不同月份構(gòu)造好的數(shù)據(jù)集劃分成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。將2007?2016年的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，2017年的數(shù)據(jù)作為測試集。深度學(xué)習(xí)是Hinton 等[28]提出的一種基于機器學(xué)習(xí)的方法，其性能優(yōu)于其它機器學(xué)習(xí)方法[29]，該算法在構(gòu)建干旱監(jiān)測模型時可以從大量的干旱因子中提取更多有用的信息。利用基于 Python 語言的 TF（Tensorflow）框架來搭建京津冀地區(qū)的綜合干旱監(jiān)測模型。該框架是一種基于數(shù)據(jù)流程圖進(jìn)行數(shù)值計算的開源軟件庫，節(jié)點一般用來施加數(shù)學(xué)操作，線表示節(jié)點之間的輸入/輸出關(guān)系[30]，模型搭建的詳細(xì)參數(shù)見表2。

表2 綜合干旱評估模型構(gòu)建參數(shù)Table 2 Construction parameters of comprehensive drought evaluation model

模型網(wǎng)絡(luò)層類型為全連接層，網(wǎng)絡(luò)層數(shù)定為4層，模型結(jié)構(gòu)主要分為3 部分，分別為輸入層、隱藏層和輸出層，同時為防止模型出現(xiàn)過擬合，在模型輸入和隱藏層之間加入了Dropout 層，其工作原理見圖5。該層在模型訓(xùn)練時，通過隨機舍棄一些節(jié)點，由此抑制節(jié)點之間的協(xié)同適應(yīng)性，使得網(wǎng)絡(luò)獲得較好的泛化性能，是公認(rèn)的解決過擬合問題的有效方式[31]。

圖5 Dropout 層算法示意Fig.5 Dropout schematic

在模型構(gòu)建中，采用Adam 作為梯度更新的優(yōu)化算法，Adam 是2015年由Diederik 等提出的一種優(yōu)化算法，它結(jié)合了Momentum 和AdaGrad 等算法的優(yōu)點，是近年來深度學(xué)習(xí)領(lǐng)域中最常用的優(yōu)化算法之一[32]。用均方根誤差（Root Mean Square Error，RMSE）作為模型的損失函數(shù)來反映目標(biāo)值與模型輸出值的差值。模型中的迭代次數(shù)（Epochs）選為1000，模型指標(biāo)（Metrics）也采用RMSE 來監(jiān)視模型在測試集的表現(xiàn)。為了提高模型的泛化能力，在模型每個網(wǎng)絡(luò)層之間加入了非線性的LeakyRelu 激活函數(shù)[33]。學(xué)習(xí)率是模型構(gòu)建過程中一個重要的超參數(shù)，它決定了模型參數(shù)梯度更新的速率，其選取的結(jié)果直接影響模型的性能，經(jīng)過多次實驗，最終將學(xué)習(xí)率取值為10?4。

將劃分好的訓(xùn)練集輸入綜合干旱評估模型中對模型進(jìn)行訓(xùn)練，其基本過程為將訓(xùn)練樣本經(jīng)過輸入層的神經(jīng)單元輸入到網(wǎng)絡(luò)模型，再經(jīng)過隱藏層神經(jīng)單元的處理將信息傳遞給輸出層，從而完成一次前向傳播過程，得到輸出值（CDI），將輸出值與目標(biāo)值進(jìn)行比較得到誤差，當(dāng)兩者誤差沒有達(dá)到要求時，通過模型設(shè)定好的Adam 更新算法，將誤差從輸出層反向一層層傳播到輸入層，并在此過程不斷修正各層網(wǎng)絡(luò)神經(jīng)元之間的連接權(quán)值，從而使模型的輸出與目標(biāo)值的誤差減小，進(jìn)而完成一次梯度更新?；谏鲜鲈?，通過對信息在經(jīng)過不斷的正向和反向傳播時進(jìn)行梯度更新的反復(fù)訓(xùn)練，使模型的輸出結(jié)果不斷向目標(biāo)值靠近，當(dāng)達(dá)到設(shè)定好的誤差閾值或訓(xùn)練次數(shù)時，模型即停止訓(xùn)練，完成模型訓(xùn)練過程。最后利用訓(xùn)練好的模型輸入預(yù)測數(shù)據(jù)集得到輸出值及CDI 指數(shù)。

2.1.3 模型的測試

采用均方根誤差（RMSE）和決定系數(shù)（R2）作為模型精度評定標(biāo)準(zhǔn)，在不同月份上對模型在預(yù)測數(shù)據(jù)集和測試集的表現(xiàn)進(jìn)行評估。其中RMSE 和R2的詳細(xì)計算方法見文獻(xiàn)[34]，模型測試結(jié)果見表3。由表可知，模型在不同月份上的訓(xùn)練集和測試集R2均大于0.5，且訓(xùn)練集和測試集RMSE 相差都較小，說明模型不同月份上的測試表現(xiàn)均較好。其中在11月的表現(xiàn)最優(yōu)，該月訓(xùn)練集與測試集的RMSE 在所有月份中最小，最小值分別為0.14 和0.25，兩者差值也較小，為0.11，說明模型在11月份表現(xiàn)穩(wěn)定。訓(xùn)練集和測試集的R2在11月份最高，最高值分別達(dá)到0.92 和0.89。

表3 綜合干旱評估模型測試結(jié)果Table 3 Test results of comprehensive drought evaluation model

2.2 綜合干旱評估模型的模擬效果

2.2.1 CDI 與氣象干旱指數(shù)的相關(guān)分析

基于密云氣象站統(tǒng)計2007?2017年月尺度的SPI-1、SPEI-1 和模型輸出的月尺度CDI 值，由圖6可知，2007?2017年月尺度CDI 與SPEI-1 和SPI-1較為接近，變化趨勢基本一致，并且在京津冀地區(qū)，SPI、SPEI 已被證明是能夠有效準(zhǔn)確地評估和監(jiān)測干旱的氣象干旱指數(shù)[35]，因此，認(rèn)為CDI 是評估和反映該地區(qū)干旱的有效指標(biāo)。

圖6 2007?2017年密云站上本模型輸出的月綜合干旱指數(shù)CDI 與月標(biāo)準(zhǔn)化降水指數(shù)SPI-1（1 個月尺度）、月標(biāo)準(zhǔn)化降水蒸散發(fā)指數(shù)SPEI-1（1 個月尺度）的比較Fig.6 Comparisons of comprehensive drought index(CDI)output from this model with one-month scale standardized precipitation index(SPI-1)and one-month scale standardized precipitation evapotranspiration index(SPEI-1)in Miyun site during 2007?2017

以模型輸出的2007?2017年逐月綜合干旱指數(shù)（CDI），與同期月尺度標(biāo)準(zhǔn)化降水指數(shù)（SPI-1）進(jìn)行相關(guān)性分析，結(jié)果見圖7。由圖可見，2007?2017年各月CDI 與SPI-1 均呈現(xiàn)極顯著正相關(guān)關(guān)系，相關(guān)系數(shù)均在0.7 以上，其中7月相關(guān)系數(shù)最?。?.70），11月最大（0.93）。據(jù)調(diào)查，研究區(qū)主要種植作物為冬小麥和夏玉米，兩種作物的生育期分別為11月?翌年6月和7?10月，而模型獲得的CDI 指數(shù)與這些糧食作物生長期內(nèi)的氣象干旱指數(shù)SPI-1 具有顯著的正相關(guān)性，說明CDI 指數(shù)在氣象干旱的評估中具有良好的潛力。

圖7 2007?2017年各月標(biāo)準(zhǔn)化降水指數(shù)（SPI-1）與模型輸出的綜合干旱指數(shù)（CDI）散點圖Fig.7 Scatter plot of SPI-1 vs. CDI for each month from 2007 to 2017

2.2.2 CDI 與土壤相對濕度的相關(guān)性

在研究區(qū)內(nèi)選取9 個分布均勻且時序較長的土壤濕度站點，對綜合干旱評估模型的可靠性進(jìn)行驗證。將站點2007?2013年3?11月逐月10cm 深度的土壤相對濕度數(shù)據(jù)與模型輸出的逐月CDI 指數(shù)按站點進(jìn)行相關(guān)分析，結(jié)果如圖8 所示。由圖可見，各站點 CDI 與土壤濕度均成極顯著正相關(guān)關(guān)系（P<0.01），相關(guān)系數(shù)在0.44～0.62，其中蔚縣和南宮站相關(guān)系數(shù)最大（0.62），霸州站相關(guān)系數(shù)最?。?.44），表明構(gòu)建的CDI 與10cm 深度土壤相對濕度具有良好的相關(guān)性，能夠較好地反映土壤水分的變化。土壤水分是農(nóng)業(yè)干旱的決定性因素[36]，因此CDI對農(nóng)業(yè)干旱具有一定的評估能力。

圖8 各土壤濕度驗證臺站上模型輸出的綜合干旱指數(shù)（CDI）與10cm 深度土壤相對濕度間散點圖Fig.8 Scatter diagrams of CDI output from the model vs.the relative soil moisture at 10cm depth in each soil moisture verification sites

2.2.3 典型干旱年份旱情發(fā)展空間分布驗證

為進(jìn)一步驗證CDI 在空間上的合理性，選取典型干旱年份分析京津冀地區(qū)干旱的空間分布特征。參照劉高鳴等[19]關(guān)于SPI、SPEI 等級劃分標(biāo)準(zhǔn)，將CDI 指數(shù)模型劃分為5 個等級，具體如表4 所示。

表4 CDI 干旱等級劃分Table 4 CDI classification of drought levels

據(jù)2016年《河北省氣候公報》和《中國氣象災(zāi)害年鑒》對京津冀地區(qū)干旱災(zāi)害描述可知，2016年京津冀地區(qū)平均溫度比常年較高且發(fā)生過階段性干旱，春旱尤為嚴(yán)重。從3月中下旬開始，氣象干旱范圍不斷擴大，進(jìn)入4月態(tài)勢加重，干旱開始向西南方向蔓延，東部地區(qū)出現(xiàn)中等以上干旱。5月初，研究區(qū)北部出現(xiàn)過一次大范圍降水，旱情得到緩解，但中南部旱情持續(xù)發(fā)展，其中邯鄲、衡水、保定和張家口等地區(qū)還存在輕中程度氣象干旱。進(jìn)入6?7月，研究區(qū)遭受大范圍暴雨侵襲，其中河北省更是出現(xiàn)了“7.19”特大暴雨，大范圍降水使得旱情進(jìn)一步得到緩解，至7月下旬京津冀地區(qū)旱情全面解除。

將研究區(qū)2016年3?7月作為典型干旱事件，對CDI 的空間分布進(jìn)行驗證。圖9 顯示，SPEI 與CDI對研究區(qū)2016年3?7月發(fā)生的干旱的評估結(jié)果基本一致，其中在3月和5月評估結(jié)果稍有差別。對于3月，SPEI 將張家口市的東南部、保定市的北部和承德市的大部分區(qū)域都評估為重旱，而CDI 將這些區(qū)域評估為中旱，據(jù)河北省氣候公報對干旱描述，河北省在3月大部分區(qū)域處于中旱，進(jìn)入3月末和4月初氣象干旱的發(fā)生范圍和情況才逐漸加劇，因此SPEI 對這些區(qū)域旱情存在高估的情況。至于5月，CDI 在張家口市和唐山市評估出SPEI 未評估出的旱情，而據(jù)河北省氣候公告記載，雖然5月研究區(qū)北部旱情得到了極大緩解，但在5月底唐山市大部分地區(qū)和張家口仍存在輕中程度氣象干旱。因此，可以得出CDI 對研究區(qū)干旱的空間分布情況評估效果更好。

統(tǒng)計CDI 在2016年3?7月對研究區(qū)旱地受災(zāi)的評估情況，由表5 并結(jié)合圖9 可知，3月京津冀地區(qū)67.31%的面積處于中等程度干旱，其中研究區(qū)東部部分地區(qū)呈現(xiàn)重旱以及特旱，重特旱面積占比達(dá)到26.72%。4月氣象干旱態(tài)勢加重，開始向西南方向蔓延，京津冀地區(qū)重度等級干旱占比達(dá)50.18%，僅研究區(qū)北部地區(qū)張家口和承德市大部分面積為中度干旱，中旱面積占比達(dá)到49.74%。進(jìn)入5月，研究區(qū)旱情得到極大緩解，京津冀北部地區(qū)旱情已基本解除，但西南部分地區(qū)的干旱還在持續(xù)發(fā)展，張家口、邢臺、邯鄲等地還存在著輕度等級干旱，受旱比例為44%左右。6月，京津冀地區(qū)旱情基本解除，研究區(qū)受旱面積比例僅10%左右。7月，京津冀受旱面積占比僅2%左右，旱情已全面解除。CDI 對此次旱情的空間分布和發(fā)展過程評估結(jié)果與實際情況基本一致，因此，CDI 可以較好地對研究區(qū)的典型干旱事件進(jìn)行有效評估。

表5 圖9 中基于CDI 評估的不同等級干旱面積百分比統(tǒng)計結(jié)果（%）Table 5 Statistic results of percentage of different grades dry areas by using CDI in Fig.9(%)

3 結(jié)論與討論

3.1 結(jié)論

（1）基于標(biāo)準(zhǔn)化降水、地表溫度、歸一化植被距平指數(shù)、DEM 地形因子、土壤可用含水量AWC 和氣象干旱指數(shù)SPEI 等多源數(shù)據(jù)作為輸入因子，考慮到各因子之間的非線性關(guān)系，利用深度學(xué)習(xí)框架Tensorflow 對京津冀地區(qū)2007?2017年按月構(gòu)建綜合干旱評估模型，并輸出月尺度的綜合干旱指數(shù)CDI。

（2）密云站2007?2017年逐月CDI 與月尺度的SPEI-1、SPI-1 較為接近，變化趨勢基本一致，京津冀2007?2017年各月CDI 與同期SPI-1 的相關(guān)系數(shù)在0.70～0.93，均通過了0.01 水平顯著性檢驗，具有較好的氣象干旱評估潛力。

（3）9 個土壤濕度站點2007?2013年各月CDI與逐月10cm 土壤濕度的相關(guān)系數(shù)在0.44～0.62，均通過了0.01 水平的顯著性檢驗，最高值出現(xiàn)在蔚縣和南宮站（0.62），最低值在霸州站（0.44），表明CDI可以表征農(nóng)業(yè)干旱情況。

（4）典型年份干旱空間分布驗證表明，CDI 相比SPEI 對京津冀2016年3?7月干旱空間分布情況評估更為準(zhǔn)確，并且CDI 能較為準(zhǔn)確地評估研究區(qū)2016年春旱的開始、發(fā)展及結(jié)束過程。

3.2 討論

綜合干旱評估指數(shù)（CDI）與土壤相對濕度驗證結(jié)果相關(guān)性略低于氣象干旱指數(shù)，可能原因為模型輸出的CDI 的空間分辨率為1km，而在此空間尺度上，土壤濕度的空間異質(zhì)性通常大于降水，導(dǎo)致站點提供的土壤相對濕度無法完全替代1km 像素尺度下的土壤濕度，這在一定程度下削弱了土壤濕度驗證結(jié)果的相關(guān)性；此外人為因素的影響（如在干旱條件下對農(nóng)田進(jìn)行灌溉）會造成土壤相對濕度的波動，降低利用土壤相對濕度進(jìn)行干旱模型驗證的可靠性[37]。CDI 對京津冀地區(qū)2016年春旱的空間分布情況及旱情發(fā)展過程進(jìn)行了評估，其評估結(jié)果與余灝哲等[13]對于京津冀2016年春旱的干旱監(jiān)測結(jié)果基本一致。

雖然本研究基于深度學(xué)習(xí)的方法，利用多源數(shù)據(jù)構(gòu)建出能夠較好評估京津冀地區(qū)干旱事件的綜合干旱評估模型，但仍存在一定局限性。首先長時序較高精度的土壤濕度數(shù)據(jù)難以獲得，本研究獲取的站點土壤濕度數(shù)據(jù)截止時間為2013年，且存在數(shù)據(jù)缺失的現(xiàn)象，這會對利用土壤濕度數(shù)據(jù)對模型精度驗證的可靠性產(chǎn)生一定影響。其次構(gòu)建的綜合干旱評估模型時間尺度為月，難以反映前期降水和土壤墑情對干旱發(fā)展的影響，不具備實時評估監(jiān)測的能力。最后，干旱對農(nóng)作物和植被具有時滯性[38]，這對干旱的評估具有一定的影響，而模型構(gòu)建時缺少植被時滯信息。因此，下一步研究應(yīng)考慮干旱的時滯效應(yīng)，構(gòu)建旬尺度等時空尺度更為精細(xì)的綜合干旱評估模型，以期對干旱能夠更為準(zhǔn)確地評估。