基于遙感與同化數(shù)據(jù)的干旱特征與水循環(huán)要素時空演變特征

摘要：基于全球陸地數(shù)據(jù)同化系統(tǒng)中數(shù)據(jù)，對溫度植被干旱指數(shù)進行了改進，在此基礎上對干旱特征進行分析，并選取蒸散發(fā)量、地下水徑流量、降水量和土壤儲水量4種同化數(shù)據(jù)作為水循環(huán)要素，利用小波變換進行水循環(huán)要素的時空演變分析。結果表明，改進后的溫度植被干旱指數(shù)（TVDI）與土壤含水量數(shù)據(jù)的相關性得到了提高。除個別氣候區(qū)外，TVDI與土壤濕度的相關性均在土壤深度為0～10 cm時最高。除西北荒漠地區(qū)和內蒙古草原外，TVDI與土壤濕度在暖季的相關性均高于冷季。中國的年降水量集中在600～700 mm，年蒸散發(fā)量在500 mm以下。中國的年地下水徑流量在100～250 mm，年土壤儲水量在460～540 mm。西北荒漠地區(qū)、青藏高原和東北的年蒸散發(fā)量和年降水量呈顯著增長趨勢，西北荒漠地區(qū)和東北的年土壤儲水量和年地下水徑流量呈顯著減少趨勢。

關鍵詞：干旱特征；水循環(huán)要素；時空演變；遙感；同化數(shù)據(jù)；溫度植被干旱指數(shù)

中圖分類號：P339" " " " "文獻標識碼：A

文章編號：0439-8114（2025）01-0023-05

DOI：10.14088/j.cnki.issn0439-8114.2025.01.004 開放科學（資源服務）標識碼（OSID）：

Drought characteristics and spatio-temporal evolution characteristics of water cycle factors based on remote sensing and assimilation data

LIU Yan-qun1，2， WANG Min1，2， HUANG Guan-rong1，2， LI Li-fang1，2， LI Cao-ming2，3

（1.Shaoguan Bureau of Meteorology of Guangdong Province， Shaoguan" 512028， Guangdong，China； 2.Nanling Ecological Meteorology and Satellite Remote Sensing Application Engineering Technology Research Center， Shaoguan" 512028， Guangdong，China； 3.Renhua Bureau of Meteorology， Renhua" 512300， Guangdong，China）

Abstract： Based on the Global Land Data Assimilation System as the data source， the temperature vegetation drought index was improved. On this basis， the drought characteristics were analyzed. The four assimilation data including evapotranspiration， groundwater runoff， precipitation and soil water storage were selected as water cycle elements， and the spatio-temporal evolution of water cycle elements was analyzed using wavelet transform. The results showed that the correlation between the improved temperature vegetation drought index（TVDI） and soil moisture data had been improved. When the soil depth was between 0 cm and 10 cm， the correlation between TVDI and soil moisture was the highest except for individual climatic regions. The correlation between TVDI and soil moisture in the warm season was better than that in the cold season except for the Northwest Desert region and the Inner Mongolia grassland areas. The annual precipitation in China was concentrated between 600 mm and 700 mm， with evapotranspiration below 500 mm. The annual groundwater runoff in China ranged from 100 mm to 250 mm， and the annual soil water storage capacity ranged from 460 mm to 540 mm. The annual evapotranspiration and annual precipitation in the Northwest Desert region，Tibetan Plateau and Northeast China showed a significant increase trend， and the annual soil water storage and annual groundwater runoff in the Northwest Desert region and Northeast China showed a significant downward trend.

Key words： drought characteristics； water cycle elements； spatio-temporal evolution； remote sensing； assimilating data； temperature vegetation drought index

隨著經濟社會的發(fā)展，人類活動不斷增多，破壞了生態(tài)環(huán)境，導致氣象災害頻發(fā)。干旱是最常見、影響最大的氣象災害，已成為影響中國農業(yè)生產最嚴重的氣象災害［1］。干旱是指土壤水分不足、作物水分平衡遭到破壞而減產的氣象災害，是制約經濟可持續(xù)發(fā)展與社會公共安全的重要因素，影響到人類社會經濟活動的各方面［2］。中國是干旱發(fā)生頻率極其頻繁和嚴重的國家，但傳統(tǒng)的基于水文站和氣象站等的干旱監(jiān)測無法實現(xiàn)全區(qū)域完全監(jiān)測［3］。此外，以往的研究對干旱發(fā)展變化的非線性關系認識不足，且缺乏對干旱特征的綜合分析和評估。溫度植被干旱指數(shù)（Temperature vegetation dryness index，TVDI）是用來評估和監(jiān)測干旱程度的指標，通過結合地表溫度和植被指數(shù)來評估土壤的水分狀況，在干旱監(jiān)測方面表現(xiàn)出色［4，5］。TVDI作為一種遙感監(jiān)測方法，?在草原和農田干旱監(jiān)測中得到了廣泛的應用，但也存在著易受植被類型影響的問題，進而影響干旱監(jiān)測的準確性。為此，本研究基于全球陸地數(shù)據(jù)同化系統(tǒng)，引入改進的TVDI對中國的干旱特征和水循環(huán)要素的時空演變進行分析，旨在為抗旱措施的制定提供一定的參考。

1 研究區(qū)概況、數(shù)據(jù)來源與方法

1.1 研究區(qū)概況

中國位于亞洲東部、太平洋西岸，陸地總面積約960萬km2，地勢西高東低，呈階梯狀分布。中國擁有多種氣候類型，?包括東部季風氣候、?西北部溫帶大陸性氣候和青藏高原高寒氣候。干旱是中國最常見、影響最大的氣象災害，干旱特征表現(xiàn)為一年四季均有發(fā)生的可能性，?以春季和夏季最為頻繁，?對農業(yè)生產影響顯著，且干旱具有明顯的連發(fā)性和連片性。氣候分區(qū)是基于中國的氣候特征和自然條件差異進行劃分的，每個分區(qū)都有其獨特的地理和氣候特點，涵蓋了從濕潤到干旱、?從溫帶到熱帶的不同氣候類型。本研究選取西北荒漠地區(qū)、內蒙古草原、青藏高原、東北、華北、華中和華南七大氣候分區(qū)進行后續(xù)分析。?

1.2 數(shù)據(jù)來源

全球陸地數(shù)據(jù)同化系統(tǒng)攝取了衛(wèi)星和地面觀測數(shù)據(jù)產品，目標是使用先進的陸地表面建模和數(shù)據(jù)同化技術生成陸地表面狀態(tài)和通量的最佳場［6］。全球陸地數(shù)據(jù)同化系統(tǒng)驅動多個離線陸面模型，集成大量基于觀測的數(shù)據(jù)，并以2.5 km的高分辨率在全球執(zhí)行，由陸地信息系統(tǒng)支持。目前，全球陸地數(shù)據(jù)同化系統(tǒng)驅動4個陸面模型，包括Noah、Catchment、the Community Land Model和the Variable lnfiltration Capacity。研究選取了全球陸地數(shù)據(jù)同化系統(tǒng)中的蒸散發(fā)量、地下水徑流量、降水量和土壤儲水量數(shù)據(jù)。但這種觀測數(shù)據(jù)是通過實地觀測客觀現(xiàn)象所得，通常沒有人為的控制和條件約束，可能無法提供關于目標的全面信息。?為此，本研究對降水量的觀測數(shù)據(jù)與全球陸地數(shù)據(jù)同化系統(tǒng)中數(shù)據(jù)進行了對比驗證。?

1.3 方法

1.3.1 基于改進TVDI的干旱狀況監(jiān)測 干旱指數(shù)是反映氣候干旱程度的指標，?目前應用較廣的干旱指數(shù)包括氣象指數(shù)、距平植被指數(shù)和TVDI［7］。歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）是應用最為廣泛的距平植被指數(shù)，主要應用于監(jiān)測植被生長狀態(tài)、植被覆蓋度以及消除部分輻射誤差等［8］。NDVI可以反映出植被冠層的背景特點，在環(huán)境監(jiān)測和氣候變化研究中發(fā)揮重要作用。NDVI是通過計算遙感數(shù)據(jù)中紅外波段和可見光波段的反射率之間的比值得到的，具體的計算如式（1）所示。

[NDVI=NIR-REDNIR+RED] " " "（1）

式中，NIR表示近紅外波段反射率；RED表示可見光紅波段反射率。NDVI能夠較好地反映植被覆蓋度和生長狀況的差異，取值范圍為（-1，1），數(shù)值越大植被的生長狀況越好。但NDVI的計算方式增強了紅波段與近紅外波段反射率的對比度，導致其對高植被覆蓋地區(qū)的響應不敏感［9］。TVDI的優(yōu)勢在于與土壤墑情之間的高相關性，因此研究采用TVDI來進行干旱狀況監(jiān)測。TVDI的計算如式（2）所示。

[TVDI=Ts-Ts（VI）minTs（VI）max-Ts（VI）min]" " " （2）

其中：

[Ts（VI）min=a1+b1NDVITs（VI）max=a2+b2NDVI] " （3）

式中，T表示地表溫度；[Ts（VI）min]表示NDVI對應的地表溫度最小值，即濕邊擬合方程；[Ts（VI）max]表示NDVI對應的地表溫度最大值，即干邊擬合方程；[a1]和[a2]分別表示濕邊和干邊線性擬合方程的截距，[b1]和[b2]表示斜率。TVDI的取值范圍為（0，1），數(shù)值越大代表土壤干旱程度越重。TVDI基于NDVI和地表溫度進行計算，概念示意如圖1所示。

由于柵格遙感數(shù)據(jù)量較大，因此本研究利用線性函數(shù)擬合TVDI與土壤濕度（S）的關系，計算式如式（4）所示。

[S=A×TVDI+B]" " " "（4）

式中，[A]和[B]表示擬合系數(shù)。

皮爾遜相關系數(shù)（r）是一種度量兩個變量間相關程度的方法。本研究采用皮爾遜相關系數(shù)對線性函數(shù)的性能進行評價，如式（5）所示。

[r=i=1n（xi-x）（yi-y）i=1n（xi-x）2i=1n（yi-y）2]" " " （5）

式中，[x]表示TVDI的月平均值；[y]表示土壤濕度的月平均值；[xi]表示TVDI的第[i]個觀測值；[yi]表示土壤濕度的第[i]個觀測值。但在非植被生長時段，植被指數(shù)與地表溫度的相關性可能會受到其他因素的影響，導致TVDI不能準確反映旱情。因此為提高TVDI指數(shù)的適應性，研究引入了比值植被指數(shù)（Relative vegetation index，RVI）、增強植被指數(shù)（Enhanced vegetation index，EVI）和植被覆蓋度（Fractional vegetation cover，F(xiàn)VC）3種植被指數(shù)，以進一步體現(xiàn)不同地區(qū)TVDI應用的差異性。RVI是一種利用衛(wèi)星遙感技術評估植被狀況的方法，通過比較近紅外和可見光波段的反射強度來反映植被的生長和健康狀況。RVI的計算式如式（6）所示。

[RVI=NIRRED]" " （6）

RVI的取值范圍通常在0～30。而無植被覆蓋的地面RVI值在1左右，可以用于檢測和估算植物生物量。

EVI是用于監(jiān)測和評估植被狀況的遙感指數(shù)，在NDVI基礎上加入了藍波段增強了植被信號，其計算式如式（7）所示。

[EVI=2.5（NIR-RED）NIR+6RED-7.5BLUE+1]" " " （7）

式中，[BLUE]表示可見光藍波段反射率。

FVC是指統(tǒng)計區(qū)域內植被垂直投影區(qū)域?的比例，是通過NDVI基于像元二分模型計算得到的，其計算式如式（8）所示。

[FVC=NDVI-NDVIsNDVIm-NDVIs] " " （8）

式中，[NDVIs]表示裸土的最小NDVI值；[NDVIm]表示植被覆蓋區(qū)域的最大NDVI值。

1.3.2 基于同化數(shù)據(jù)的水循環(huán)要素時空演變分析 干旱特征與水循環(huán)要素時空演變密切相關，?為在不同時間尺度上分析水循環(huán)要素的時空信息，采用小波分析將數(shù)據(jù)處理成時間尺度信息。小波分析是一種新的變換分析方法，繼承和發(fā)展了短時傅立葉變換局部化的思想，其是指用有限長或快速衰減的振蕩波形來表示信號［10］。小波分析的基本思想是將信號分解成不同尺度和頻率的小波基函數(shù)，可以用于多時間尺度變化特征的研究［11］。假設，小波母函數(shù)為[ψ（t）∈L2（R）]，其中[ψ（t）]表示具有有限緊支撐或速降到0的函數(shù)。對[ψ（t）]做平移伸縮變換可得到小波函數(shù)族，如式（9）所示。

[ψa，b=1aψ（t-ba），agt;0，b∈R]" " " " （9）

連續(xù)小波變換的系數(shù)[Wf（a，b）]如式（10）所示。

[Wf（a，b）=a-12t=-∞+∞f（t）φt-badt=f（t），φa，bt]" ""（10）

式中，[φa，bt]表示連續(xù)小波變換；[a]和[b]分別表示尺度伸縮因子和時間平移因子；[ft]表示輸入信號；[t]表示時間變量。[φa，bt]的計算如式（11）所示。

[φa，bt=a-12φ（t-ba）]" " " （11）

Mallat算法是一種信號分解與重構的標準算法，其基于多分辨率分析框架，?是一種快速小波變換實現(xiàn)方法，如式（12）所示［12］。

[cj+1=Hcjdj+1=Gdj]" " " （12）

式中，[cj+1]表示[j+1]尺度上的高頻信號；[j]表示分解尺度；[H]表示低通濾波器；[cj]表示[j]尺度上的高頻信號；[dj+1]表示[j+1]尺度上的低頻信號；[dj]表示[j]尺度上的低頻信號；[G]表示高通濾波器。Mallat算法的重構公式如式（13）所示。

[cj=H*cj+1+G*dj+1]" " （13）

式中，[H*]表示低通濾波器的對偶算子；[G*]表示高通濾波器的對偶算子。

對分解后的各級信號進行重構，則原始信號為各級重構信號之和。為判斷氣候序列中是否存在氣候突變，本研究采用Mann-Kendall方法作為非參數(shù)檢驗方法來進行趨勢分析。Mann-Kendall方法是時間序列趨勢分析方法，可用于檢測時間序列數(shù)據(jù)中的趨勢特征，特別適用于各種類型的時間序列數(shù)據(jù)，?尤其是在樣本容量較小或數(shù)據(jù)分布不符合正態(tài)分布的情況下［13，14］。研究利用Mann-Kendall方法在顯著性水平為0.05時探究水循環(huán)要素的變化趨勢。首先，采用Mann-Kendall方法計算數(shù)據(jù)集中每個數(shù)據(jù)點與其他數(shù)據(jù)點的差異，并進行符號化，?使得正值表示增長。?其次，對所有符號化的差異進行秩排序，?使得最小的差異獲得最低的秩。最后，計算Mann-Kendall統(tǒng)計量，用于衡量和判斷數(shù)據(jù)趨勢。

2 結果與分析

2.1 干旱特征

采用ERA5-Land分層土壤含水量數(shù)據(jù)集驗證改進TVDI的適用性。該數(shù)據(jù)集分別記錄了100～289 cm、28～100 cm、7～28 cm和0～7 cm四種不同深度的土壤含水量情況。將改進前后的TVDI與ERA5-Land數(shù)據(jù)集中不同深度的土壤含水量進行相關性分析，結果如圖2所示。從圖2可以看出，在不同土壤深度下，改進后TVDI與土壤含水量數(shù)據(jù)的相關性均高于原始的TVDI，與100～289 cm、28～100 cm、7～28 cm和0～7 cm土層土壤含水量的相關系數(shù)絕對值較改進前分別提高0.040、0.058、0.038和0.033。結果表明，研究提出的改進TVDI更適用于干旱特征分析，具有一定的可行性和有效性。

在不同土壤深度和季節(jié)下，TVDI與土壤濕度的相關性分析結果如圖3所示。從圖3a可以看出，土壤深度為0～10 cm時，TVDI與土壤濕度的相關性較高，除內蒙古草原和青藏高原外，其他均為最高。隨著土壤深度的增加，TVDI與土壤濕度的相關性逐漸減弱。從圖3b可以看出，除西北荒漠地區(qū)和內蒙古草原外，TVDI與土壤濕度在暖季的相關性均高于冷季，且暖季以華南地區(qū)的相關性最好。TVDI與土壤濕度的所有相關系數(shù)都是有效的。結果表明，TVDI具有較好的適應性。

為進一步探究改進TVDI的時空特征，以華南地區(qū)為對象進行分析。2008—2016年華南地區(qū)改進TVDI 的平均值為0.624，高值區(qū)位于華南沿海地區(qū)，最高值接近1，低值區(qū)主要位于南嶺山脈植被茂盛的區(qū)域，如湖南西南部、廣西北部。2008—2016年華南逐年TVDI為0.411～0.872，有明顯的周期性變化（圖4），這與華南年內干濕季節(jié)分明一致；2008—2016年華南逐年TVDI呈顯著下降趨勢（通過α=0.01的顯著性檢驗），表明華南整體上在變濕。

2.2 水循環(huán)要素時空演變特征

為探究利用全球陸地數(shù)據(jù)同化系統(tǒng)中的數(shù)據(jù)分析中國水循環(huán)要素的時空演變特性。中國在1950—2010年的蒸散發(fā)量、降水量、土壤儲水量和地下水徑流量的變化情況如圖5所示。由圖5a可知，中國的年降水量與年蒸散發(fā)量之間的數(shù)值差異較大。年降水量集中在600～700 mm，年蒸散發(fā)量在500 mm以下。此外，從兩條曲線的波動情況來看，降水量不是影響蒸散發(fā)量的主要因素。從圖5b可以看出，中國的年地下水徑流量在100～250 mm，年土壤儲水量在460～540 mm。

經Mann-Kendall方法檢驗發(fā)現(xiàn)，4種水循環(huán)要素的空間分布具有區(qū)域性，年蒸散發(fā)量和年降水量整體上變化趨勢不顯著，僅西北荒漠地區(qū)、青藏高原和東北地區(qū)的年蒸散發(fā)量和年降水量呈顯著增長趨勢；年土壤儲水量和年地下水徑流量整體變化趨勢也不顯著，僅西北荒漠地區(qū)和東北地區(qū)的年土壤儲水量和年地下水徑流量呈顯著下降趨勢。

研究以中國華南地區(qū)為例對水循環(huán)要素時間序列的周期性進行分析。華南地形復雜，形成了豐富的地理景觀。華南地區(qū)的氣候以熱帶和亞熱帶季風氣候為主，降水豐沛，熱量豐富，具有明顯的海洋性和季風氣候特征。4種水循環(huán)要素的連續(xù)小波分析結果如圖6所示，華南地區(qū)4種水循環(huán)要素的周期性較為明顯，降水量、地下水徑流量和土壤儲水量存在4年左右的周期，蒸散發(fā)量存在8年左右的周期，且顯著周期均出現(xiàn)在1985年以后。

3 小結

本研究基于全球陸地數(shù)據(jù)同化系統(tǒng)中數(shù)據(jù)，對干旱特征和水循環(huán)要素時空演變進行了分析。結果表明，在不同土壤深度下，改進后的TVDI與土壤含水量的相關性均高于原始的TVDI，與100～289 cm、28～100 cm、7～28 cm和0～7 cm土層土壤含水量的相關系數(shù)絕對值較改進前分別提高了0.040、0.058、0.038和0.033。除個別地區(qū)外，TVDI與土壤濕度的相關性均在0～10 cm土層時最高，隨著土壤深度的增加，TVDI與土壤濕度的相關性逐漸減弱。除西北荒漠地區(qū)和內蒙草原地區(qū)外，TVDI與土壤濕度在暖季的相關性均高于冷季，且暖季以華南地區(qū)的相關性最好。中國地區(qū)的年降水量與年蒸散發(fā)量之間的數(shù)值差異較大。年降水量集中在600～700 mm，年蒸散發(fā)量在500 mm以下。此外，從二者曲線的波動情況來看，降水量不是影響蒸散發(fā)量的主要因素。中國的年地下水徑流量在100～250 mm，年土壤儲水量在460～540 mm。西北荒漠地區(qū)、青藏高原和東北的年蒸散發(fā)量和年降水量呈顯著增長趨勢；西北荒漠地區(qū)和東北的年土壤儲水量和年地下水徑流量呈顯著下降趨勢。華南地區(qū)4種水循環(huán)要素的周期性較為明顯，且顯著周期均出現(xiàn)在1985年以后。但研究僅基于特定的遙感和同化數(shù)據(jù)對中國的干旱特征和水循環(huán)要素的時空演變進行了分析，在觀測數(shù)據(jù)稀疏的地方具有較大的不確定性。因此在未來的研究中，應進一步結合更多的數(shù)據(jù)對研究結果進行驗證。

參考文獻：

［1］ 頓耀權，羅萬銀，邵 梅，等. 干旱區(qū)內陸湖盆沙塵水平通量及粒度特征——以青土湖地區(qū)為例［J］. 中國沙漠，2023， 43（6）：166-175.

［2］ 陳炳銘，趙善超，孫豐華，等. 氣候變化和人類活動對干旱區(qū)垂直自然帶NPP的影響［J］. 生態(tài)學雜志， 2023， 42（6）：1474-1483.

［3］ 姜 珊，張淑杰，張 菁，等. 基于SPI和SPEI指數(shù)的遼寧省大豆生長季干旱時空變化特征［J］. 氣象與環(huán)境學報，2023， 39（4）：130-137.

［4］ BIAN Z， ROUJEAN J， FAN T， et al. An angular normalization method for temperature vegetation dryness index （TVDI） in monitoring agricultural drought［J］. Remote sensing of environment， 2023， 284（1）：1-17.

［5］ 沙 莎，王麗娟，王小平，等. 基于溫度植被干旱指數(shù)（TVDI）的甘肅省農業(yè)干旱監(jiān)測方法研究［J］. 干旱氣象，2024，42（1）：27-38.

［6］ 金 哲，汪 濤，張洪芹，等. 基于中國大氣反演系統(tǒng)的衛(wèi)星CO2數(shù)據(jù)同化對全球碳收支的評估［J］. 中國科學：地球科學， 2023，53（3）：587-597.

［7］ 岳勝如，徐振鑫，楊明豪，等. 荒漠綠洲區(qū)干旱遙感監(jiān)測指數(shù)的對比分析［J］. 湖北農業(yè)科學，2022，61（5）：181-199.

［8］ 海 燕，何孟琦，孫詠琦，等. 遼寧省NDVI時空變化及其與地形因子的關系［J］. 湖北農業(yè)科學，2023，62（3）：182-186.

［9］ 劉興忠，胡 春，何 超，等. 基于NDVI-LST模型的四川攀西地區(qū)近20 a干旱演變特征［J］. 干旱氣象，2024，42（2）：180-186.

［10］ WILKINS D R. Wavelet spectral timing： X-ray reverberation from a dynamic black hole corona hidden beneath ultrafast outflows［J］. Monthly notices of the royal astronomical society，2023，526（3）：3441-3460.

［11］ 李立柱，孟 明，高云園，等. 基于小波變換的EEG-fNIRS多模態(tài)數(shù)據(jù)融合方法［J］. 傳感技術學報，2023，36（7）：1064-1072.

［12］ 范佳興，范杰清. 基于多重自相關的局部放電信號小波去噪分解層數(shù)確定方法［J］. 河北師范大學學報（自然科學版），2022， 46（6）：582-586.

［13］ 陳 赟，沈 浩，王曉慧，等. 基于Mann-Kendall趨勢檢驗的城市能源碳達峰評估方法［J］. 上海交通大學學報，2023， 57（7）：928-938.

［14］ 趙振華，羅振江，黃林顯，等. 基于STL和Mann-Kendall法的濟南市降雨與地下水變化分析［J］. 水文，2022，42（6）：73-77.