植被指數對藏北高寒草甸干旱的敏感性分析

李 晗，周艷蓮，居為民，戴聲佩，宋 練，包永康

(1.南京大學國際地球系統科學研究所，江蘇南京 210046；2.南京大學地理與海洋科學學院，江蘇南京 210046；3.江蘇省地理信息技術重點實驗室，江蘇南京 210046)

當前人類活動的不斷加劇會對全球大氣循環的格局造成越來越嚴重的影響。許多大氣循環模型預測未來全球氣候變化的特征，結果是極端降水事件和極端干旱事件發生的頻率會顯著增加[1-4]。植被生長季干旱嚴重會影響植被指數、地表溫度、土壤濕度、反射率、蒸散等地表生物物理參數[5]。

干旱指數是反映氣候干旱程度的指標，許多學者利用氣象資料、水文資料、土壤資料或衛星遙感資料等來建立不同的干旱指數，從而進行干旱監測預警。資料顯示常用的干旱指數有50多種，例如標準化降水指數(SPI)[6]、Palmer干早指數(PDSI)[7]、Z指數[8]、綜合氣象干旱指數(CI)[9]等。這些指數在一定程度上為全球或者地區的干旱監測提供了幫助，但都不可避免地需要降水數據的地面采集[10-11]。

與常規地面干旱監測相比，利用遙感手段進行干旱監測具有時空分辨率相對較高、傳感器覆蓋面廣、數據獲取較為容易、消耗較少人力物力等特點。隨著遙感對地觀測能力的提升，大量研究者利用遙感數據不同波段組合獲取植被指數，通過簡化復雜的干旱現象評估干旱的嚴重程度。遙感數據可以獲取與植物生長有關的植被指數，如歸一化差值植被指數(NDVI)和增強型植被指數(EVI)等。NDVI可以反映年尺度和季節尺度上植被生長活動的變化，由于它進行了比值和歸一化處理，在一定程度上可以消除如太陽高度角、衛星觀測角、地形、云、陰影和大氣條件有關的輻照度變化等的部分影響[12]。EVI利用藍光波段和紅光波段通過大氣氣溶膠時的差別，補償了殘留氣溶膠對紅光的吸收，綜合采用抗大氣植被指數和抗土壤植被指數，克服了土壤背景的影響和NDVI在植被高覆蓋區易飽和、植被低覆蓋區受土壤植被影響較大、對大氣衰減去除不徹底等缺點[13]。Song等利用中國地區1982—2005年GIMMS NDVI數據集和降水數據分析認為，在所有氣象要素中，每月NDVI的最大值與降水的相關性最強，尤其是在干旱與半干旱地區其相關性表現最為明顯[14]。趙偉等采用NDVI時間序列諧波分析法(HANTS)對中分辨率成像光譜儀MODIS產品的EVI數據進行去云處理，重構EVI數據并結合地面的氣象數據，分析表明處理后的EVI時間序列數據能夠較好地反映干旱對地表植被的影響[12]。但是，NDVI、EVI等均是比較保守的指數，在葉片受到外界環境脅迫而導致水分含量發生變化時，NDVI與EVI自身不一定能及時地響應[15-16]。因此，近年來一些與水分相關的植被指數被越來越多地用于植被水分含量的估計與干旱監測。無論是物理輻射傳輸模型還是試驗統計均表明，植物的水分含量在很大程度上影響著葉片在短波紅外波段下的反射率，由于這個區域是葉片水分光譜的吸收范圍，所以植被在短波紅外的反射率與它們葉片的水分含量是呈負相關的[16]。研究表明，將短波紅外波段反射率和近紅外波段反射率一起組合建立如歸一化差值水體指數(NDWI)和地表水分指數(LSWI)等植被指數可以對植被水分含量進行監測[17]。一些國外學者研究發現，與植被水分有關的植被指數(如LSWI)在植被干旱監測上的敏感性優于與植被生長狀況有關的植被指數[18-19]。Bajgain等以美國季風區高桿草原為研究區，分析認為當干旱發生時，LSWI在年際尺度上的下降幅度優于NDVI與EVI，當土壤水分含量發生變化時，LSWI更能對變化做出及時的響應[20]。但目前在國內，尤其是關于半干旱區高原草甸不同類型植被指數對干旱的敏感性研究尚少，不同時間尺度、不同類型植被指數對干旱追蹤能力的分析也較欠缺，因此利用不同類型植被指數對半干旱區高原草甸干旱的敏感性進行系統的分析，就顯得很有必要。

高寒草甸是青藏高原廣泛分布的典型植被類型之一，面積約為1.2×106km2，是亞洲中部高寒地區乃至世界高寒地區極具代表性的植被[21-22]。水分作為高寒草甸這種干旱、半干旱區草原植物生長發育的限制性資源，其缺失會直接導致區域內地生物量的減少，而草原生態系統是陸地生態系統中對干旱非常敏感的系統[1]。因此，對高寒草甸的干旱進行分析與評估是至關重要的。目前由于人類活動的加劇，藏北牧區超載放牧現象十分嚴重，極端天氣事件時有發生，草地利用壓力很大，因此對類似于當雄草原這種典型高寒草甸植被的干旱監測研究顯得很有必要[21]。本研究以高寒草甸干旱的監測與評估為目的，以MODIS的反射率數據為遙感數據源，計算NDVI、EVI、LSWI等植被指數，結合同時相內觀測的降水與土壤濕度數據，分析在不同時間尺度上，不同類型植被指數對干旱的敏感性，篩選出適宜高寒草甸干旱監測與評估的最佳遙感指數。

1 數據與方法

1.1 研究地概況

西藏自治區拉薩市當雄縣草原站，地理坐標為 30°29′50.21″N，91°03′58.90″E，地處念青唐古拉山的南緣。當雄草原植被屬于典型的高寒嵩草草甸植被，建群種有高山嵩草、矮嵩草、絲穎針茅，伴生種有多種密叢生嵩草，本類草甸由于超載過牧而退化，針茅類入侵較多，常形成草原草甸，群落覆蓋度約80%。氣候為高原季風氣候，年平均氣溫1.3 ℃，最冷月1月最低平均氣溫-10.4 ℃，最熱月7月10.7 ℃。多年平均降水量450 mm，其中85%集中在6—8月。冰凍期較長，持續時間為11月至次年1月。年太陽總輻射 7 527.6 MJ/m2，光合有效輻射3 213.3 MJ/m2。土壤類型為高寒草甸土，土壤厚度為30～50 cm。

1.2 降水與土壤濕度數據

采用2個不同深度(5、10 cm)的土壤水分含量(SWC)來表征土壤的濕潤程度。同時，為了與MODIS地表反射率數據匹配，對站點獲取的日平均降水和土壤水分含量數據分別作求和與平均處理，獲得時間尺度為8 d的數據，進一步計算得到月平均降水、年平均降水和土壤水分含量。

1.3 遙感數據源及數據處理

MODIS數據可以同時獲得可見光至近紅外的36個波段，常被用于植被遙感研究。本研究通過美國航空航天宇航局的戈達德航天中心數據網站(LAADS，https：//ladsweb.nascom.nasa.gov/)下載覆蓋當雄通量觀測站點每8 d的合成地表反射率產品MOD09A1，時間序列為2004年至2012年，空間分辨率為500 m，該產品主要包括MODIS傳感器1～7波段的地表反射率數據和各個波段的質量控制數據，同時還包括反射率數據狀態質量保證數據。利用MODIS數據的處理工具(MRT)將投影方式由Sinusoidal投影轉換為UTM/WGS 84投影，并通過最近鄰法重采樣，獲取站點中心單像元紅光波段(620～670 nm)、近紅外波段1(841～876 nm)、藍光波段(459～479 nm)以及短波紅外波段1(1 628～1 652 nm)反射率數據。根據公式(1～3)分別計算不同時間尺度的NDVI、EVI和LSWI。

(1)

(2)

(3)

式中：ρX為MOIDS數據X波段的反射率；公式(2)中C1和C2是氣溶膠等大氣影響物的校正系數，L為背景(土壤)調整系數，G為常量，取值分別為C1=6，C2=7.5，L=1，G=1。

由于LSWI與天氣條件有關，無法像葉面積指數(LAI)和光合作用有效輻射比率(FPAR)一樣進行數據平滑處理[21]。本研究結合質量控制數據，采用兩步差補方法處理時間序列中受云影響、質量較差的植被指數數據[22]。NDVI、EVI和LSWI均未作平滑處理。

2 結果與分析

2.1 年時間尺度敏感性分析

圖1表明，2004—2012年，拉薩當雄高原草甸站點植被生長季的年平均降水量為428 mm(±126 mm)。年平均降水量大于2004—2012年平均降水量與標準差之和(554 mm)的年份被認為是濕潤年，而年平均降水量小于2004—2012年平均降水量與標準差之差(302 mm)的年份被認為是干旱年。拉薩當雄高原草甸站點2006、2009年的降水量分別只有241、291 mm，因此為干旱年。而2008年的降水量為648 mm，因此為濕潤年。干旱年份(2006、2009年)植被生長季(5—9月)的不同深度(5、10 cm)土壤水分含量均<9%，而濕潤年份(2008年)土壤水分含量為12.6%。

圖2表明，干旱年份(2006、2009年)植被生長季平均NDVI(NDVIavg)、EVI(EVIavg)和LSWI(LSWIavg)在分析的時間序列中均較低(NDVIavg<0.28、EVIavg<0.18、LSWIavg<0)，而在濕潤年份(2008年)植被生長季NDVI、EVI和LSWI均達到最大值(NDVIavg=0.41、EVIavg=0.28、LSWIavg=0.07)。

干旱年份(2006、2009年)植被生長季植被指數最大值NDVI(NDVImax)、EVI(EVImax)和LSWI(LSWImax)均取得最小值(NDVImax<0.44，EVImax<0.29，LSWImax<0.07)，在濕潤年份(2008年)植被生長季植被指數只有最大值NDVI和LSWI達到峰值(NDVImax=0.64，LSWImax=0.20)，而EVImax僅為0.48，遠遠小于2011年(EVImax=0.67)。

植被指數均值和最大值的變化幅度可以用來表征植被指數對干旱的相對敏感性。變化幅度用當年植被指數的均值或最大值減去多年相應的平均值表示。變化幅度百分比用當年植被指數的均值或最大值減去多年相應的平均值后的結果再除以多年相應的平均值表示。如圖3所示，2006年LSWIavg與2004—2012年平均值相比，減少了0.052(316%)，減少幅度最大。2009年的結果與2006年相似，LSWIavg、EVIavg、NDVIavg

分別比2004—2012年平均值減少0.037(227%)、0.068(16%)、0.054(29%)。植被生長季LSWImax與NDVImax、EVImax相比也表現出同樣的敏感性，2006年LSWImax減少0.13(96%)，均大于EVImax減少的0.14(35%)與NDVImax減少的0.11(22%)。同樣的，2009年LSWImax減少0.07(52%)，均大于EVImax減少的0.13(32%)與NDVImax減少的0.08(16%)。

濕潤年份(2008年)LSWI持續大于0的時間最大，而2006年僅有1個LSWI大于0。由于氣溫低，海拔高，4月中旬生長季才剛剛開始。經過春季生長之后，植被生長的速率很大一部分取決于土壤水分含量是否充足。若土壤水分含量不充足，植被的生長就會受到抑制。相反，干旱年份LSWI小于0的天數多于濕潤年份與正常年份，而濕潤年份LSWI大于0.1的時間多于干旱年份與正常年份。如圖4所示，LSWI小于0的天數隨降水量的增加整體是下降的。2006年LSWI小于0的天數為120 d，大于2007年的72 d和2008年的 40 d，而2006年LSWI大于0.1的天數僅為8 d，而2008年為88 d，大于2007年的56 d。

2.2 月時間尺度敏感性分析

在分析以植被指數為基礎的干旱指標對降水的敏感性時，易忽略植被指數和降水的同時相季節變化，可能對其相關性產生影響。本研究為消除季節變化引起的降水與植被指數的正弦波動，對月時間尺度的降水數據和植被指數數據均作了距平處理。具體做法是用當月降水的總累積量和植被指數的平均值減去多年的月平均值。圖5顯示，當前月份LSWI與降水距平的相關性最高，r2達到0.32(P<0.001)，其次是NDVI，r2為0.16(P<0.1)，EVI的r2最低，僅為0.05。而在1個月滯后的情況下，NDVI與EVI的r2分別為0.20(P<0.01)和0.24(P<0.01)，與當前月份降水與植被指數距平相關性相比有一定的提高，而LSWI和降水距平的r2僅為0.17(P<0.1)，有一定的下降。

3 結論與討論

相比利用氣象、水文、土壤等資料建立干旱指數用于干旱監測等方法而言，以植被指數為核心的遙感干旱監測指數具有很多優勢。其成本低、時空分辨率較高、對降水能夠及時響應，而且它對地表植被的葉綠素含量、水分含量均比較敏感，優勢明顯。植被在不同波段的光譜特征能反映指數的不同要素或者某種特征的差異，植被指數利用多個光譜波段的反射率經分析運算(線性或非線性組合方式)，產生對植被長勢、水分含量等有一定指示意義的數值。這是利用植被指數進行干旱監測與評估的理論基礎[20]。Chandrasekar等以印度南岸的城市——安得拉邦為研究區，以整個地區MODIS反射率數據為基礎，結合氣象數據分析認為，LSWI在低降水地區與降水的相關性更好，優于NDVI；而在高降水地區，LSWI與降水的相關性要差于NDVI，且都存在滯后現象[23]。但是該研究沒有考慮因季節變化引起的降水和植被指數在年內的正弦波動，這種季節特性在一定程度上影響了結果的可靠性。本研究利用NDVI、EVI、LSWI這3種指數對高寒草甸進行干旱監測，同時為消除季節變化引起的降水與植被指數的正弦波動，對降水和植被指數在月尺度上進行距平處理，結果顯示月時間尺度上LSWI對降水的敏感性優于NDVI與EVI，且LSWI不存在滯后現象。這與草原生態系統下墊面比較均一、受背景反射率影響較小等原因有關。2006年夏季站點周圍發生了嚴重的干旱現象，LSWI在8、9月已經顯示出明顯的下降趨勢，而NDVI和EVI直到10月才開始下降。進一步說明LSWI對降水的敏感性在月尺度上較NDVI、EVI更好，且不存在滯后現象(圖6)。

Bajgain以美國季風區的2個高桿草原站點為研究區、以遙感獲取的LSWI為基礎對干旱進行的分級(LSWI>0.1；00.1(0)表示正常。海北高寒草甸位于半干旱區，正常年份均值處于0

以植被指數為核心的遙感干旱監測指數雖然具有很多優勢，但在其大范圍應用之前應該對不同的植被類型進行遙感干旱檢測研究，以確定合適的研究指標和研究手段。本研究的目的就是探討藏北典型高寒草甸干旱檢測的最佳遙感指數，以期更精確地對高寒草甸干旱事件的發生進行有效地監測與評估。當然利用植被指數進行干旱監測與評估也有諸多限制，例如遙感觀測資料的時間尺度，在天時間尺度或者更高時間尺度上的實時監測目前來講仍存在極大挑戰，不過隨著區域性小衛星的陸續發射升空，也為干旱的實時遙感監測提供了可能。

對干旱指數的評價應該從多方面進行，綜合考慮。本研究評價干旱指數的效果時，采用被廣泛使用的相關系數r2和顯著性水平P值作為主要評價指標，也定性地分析了在干旱發生當月，最早作出反應的植被指數，并驗證了以LSWI為基礎的干旱指標在半干旱區的適應性問題，進一步說明LSWI對草原干旱事件的響應優于NDVI與EVI。

本研究利用MODIS反射率數據計算NDVI、EVI和LSWI，結合降水與土壤濕度數據對藏北高寒草甸干旱進行監測，干旱事件發生時植被生長受到了很大的限制，3種植被指數在干旱年份(2006年)減小幅度也基本相同，LSWI略為敏感。月尺度上LSWI與降水距平的相關性最高，r2達到0.32，其次是NDVI與EVI，且LSWI不存在滯后現象。LSWI<0的天數隨降水量的增加呈明顯的減少趨勢。利用LSWI對干旱進行分級(LSWI>0.1；0

[1]張 彬，朱建軍，劉華民，等.極端降水和極端干旱事件對草原生態系統的影響[J].植物生態學報，2014，38(9)：1008-1018.

[2]International Panel on Climate Change.Climate change 2007：impacts，adaption and vulnerability[R].New York：Cambridge University Press，2007.

[3]Easterling D R，Meehl G A，Parmesan C，et al.Climate extremes：observations，modeling，and impacts[J].Science，2000，289(5487)：2068-2074.

[4]Meehl G A，Tebaldi C.More intense，more frequent，and longer lasting heat waves in the 21st century[J].Science，2004，305(5686)：994-997.

[5]Ghulam A，Li Z L，Qin Q，et al.Exploration of the spectral space basedon vegetation index and lbedo for surface drought estimation[J].Journal of Applied Remote Sensing，2007，1(1)：13529-13529.

[6]王勁松，李耀輝，王潤元，等.我國氣象干旱研究進展評述[J].干旱氣象，2012，30(4)：497-508.

[7]楊小利，楊興國，馬鵬里，等.PDSI在甘肅中東部地區的修正和應用[J].地球科學進展，2005，20(9)：1022-1028.

[8]王勁松，黃玉霞，馮建英，等.徑流量Z指數與Palmer指數對河西干旱的監測[J].應用氣象學報，2009，20(4)：471-477.

[9]李樹巖，劉榮花，師麗魁，等.基于CI指數的河南省近40年干旱特征分析[J].干旱氣象，2009，27(2)：97-102.

[10]王春林，郭 晶，薛麗芳，等.改進的綜合氣象干旱指數CInew及其適用性分析[J].中國農業氣象，2011，32(4)：621-626.

[11]張紅衛，陳懷亮，申雙和，等.基于表層水分含量指數(SWCI)的土壤干旱遙感監測[J].遙感技術與應用，2008，23(6)：624-628.

[12]趙 偉，李召良.利用MODIS/EVI時間序列數據分析干旱對植被的影響[J].地理科學進展，2007，26(6)：40-46.

[13]彭代亮，黃敬峰，王秀珍.基于MODIS-EVI區域植被季節變化與氣象因子的關系[J].應用生態學報，2007，18(5)：983-989.

[14]Song Y，Ma M G.A statistical analysis of the relationship between climatic factors and the normalized difference vegetation index in China[J].International Journal of Remote Sensing，2011，32(14)：3947-3965.

[15]劉小磊，覃志豪.NDWI與NDVI指數在區域干旱監測中的比較分析——以2003年江西夏季干旱為例[J].遙感技術與應用，2007，22(5)：608-612.

[16]劉立文，張吳平，段永紅，等.TVDI模型的農業旱情時空變化遙感應用[J].生態學報，2014，34(13)：3704-3711.

[17]Chen D Y，Huang J F，Jackson T J.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J].Remote Sensing of Enviroment，2005，98(2)：225-236.

[18]張友水，謝元禮.MODIS影像的NDVI和LSWI植被水分含量估算[J].地理科學，2008，28(1)：72-76.

[19]劉元亮，李 艷，吳劍亮.基于LSWI和NDVI時間序列的水田信息提取研究[J].地理與地理信息科學，2015，31(3)：32-37.

[20]Bajgain R，Xiao X M，Wagle P，et al.Sensitivity analysis of vegetation indices to drought over two tallgrass prairie sites[J].ISPRS Journal of Photogrammetry and Remote Sensing，2015(108)：151-160.

[21]周宇庭，付 剛，沈振西，等.藏北典型高寒草甸地上生物量的遙感估算模型[J].草業學報，2013，22(1)：120-129.

[22]Zhang Y，Song C H，Sun G，et al.Understanding moisture stress on light use efficiency across terrestrial ecosystems based on global flux and remote sensing data[J].Journal of Geophysical Research：Biogeosciences，2015，120(10)：2053-2066.

[23]Chandrasekar K，Sesha S，Roy P S，et al.Land surface water index (LSWI) response to rainfall and NDVI using the MODIS vegetation index product[J].International Journal of Remote Sensing，2010，31(15)：3987-4005.