基于多源遙感數據的河套灌區干旱時空演變特征

牛乾坤，劉 瀏,程湫雅，李 浩

(1.中國農業大學水利與土木工程學院， 北京 100083； 2.中國農業大學中國農業水問題研究中心，北京 100083)

干旱這一極端天氣事件具有持續時間長、發生頻率高、影響范圍廣的特點，它通常發展緩慢，但會造成廣泛的生態破壞和經濟損失[1-2]。有研究得出，1979-2010年中國干旱事件數量增加了109%[3]。由于全球變暖這一氣候變化，我國未來的極端干旱災害事件可能會進一步增加。國內外通常將干旱劃分為4種通用類型，分別為氣象干旱、農業干旱、水文干旱和社會經濟干旱[4-5]。我國是農業大國，農業干旱災害頻發。1995—2005年間，因農業干旱導致平均每年糧食損失量約為2 600萬t，足以滿足6 000萬人的需求[6]。因此，準確預測和監測農業干旱在保障國家糧食安全和提高風險管理方面具有重要的意義。

農業干旱是指在作物生育期內因土壤水分有效性降低而使作物產量降低、農田土壤鹽漬化加重等[7-8]。為了更好地監測和分析農業干旱狀況，通常使用干旱指數進行定量描述。早期基于氣象要素的干旱指標一般只將降水和氣溫作為影響因素進行計算，而不考慮特定地點的土壤特性[9-11]。然而在農業生產中，土壤水分不但影響土壤的理化性質，包括土壤內氧氣含量、礦物質離子濃度和微生物代謝活動等[12]，它還直接指示土壤墑情，影響著作物的生長發育[13]。因此，土壤水分是干旱監測和農業干旱指數估算的關鍵變量[14-15]，評估農業干旱時采用與土壤水分有關的干旱指標更能反映出地區的農業干旱情況。目前，由Martínez-Fernández等[16]提出的土壤水分虧缺指數(Soil water deficit index，SWDI)已經廣泛應用于農業干旱監測、衛星土壤水分數據評價等方面，并被認為是利用土壤物理特性來測量作物根系吸收有效土壤含水量的一種應用前景較好的方法[17-20]。Martínez-Fernández等[21]證實SWDI與由西班牙杜羅盆地當地實測數據計算的大氣水分虧缺量(Atmospheric water deficit，AWD)一致性較好。Paredes-Trejo等[22]同樣得到SWDI在巴西東北部適用性較好的結論。

與降水、溫度等容易觀測的氣象要素不同，土壤水分因其具有較高的不確定性和較大的空間異質性，在許多地區難以準確地進行原位觀測[23]。相較于傳統測量手段來說，衛星遙感技術具有空間連續性的優點，能夠獲取大范圍的土壤水分信息。同時遙感技術的發展豐富了不同時空分辨率下表層土壤水分的反演[24-26]?；谶b感土壤水分推導出的農業干旱指數已經被應用于干旱、洪水預報和大規模水文建模[17,27-28]。在目前應用最廣泛的遙感土壤水分數據集中，土壤水分主被動遙感衛星(Soil moisture active-passive，SMAP)采用主動、被動微波聯合反演土壤水分，具有精度高、適用范圍廣等優點，能夠克服時間差異性小這一缺點，且空間分辨率可精確至3 km[29-31]。Bai等[17]利用SWDI評估了國內SMAP L3土壤水分在中國的表現，結果表明，從偏差(BIAS)角度看，SWDI在北方地區的干旱預測效果優于南方地區。Liu等[40]采用支持向量機(Support vector machines,SVM)和數據同化方法研究了SMAP土壤水分在干旱監測應用中的有效性，并利用SWDI預測了美國鄰近地區的農業干旱，結果表明，采用SVM對SMAP數據進行修正可以顯著提高干旱監測的準確性。Zhu等[19]通過SWDI驗證了SMAP L2土壤水分在湘江流域的適用性，得出SMAP數據能較好地反映出湘江流域干旱狀況的結論。

河套灌區位于內蒙古巴彥淖爾市，在我國農業生產和農產品輸出中起著重要作用，2018年灌區糧食總產量達到全國糧食總產量的4%，而灌區面積僅占為我國陸地總面積的0.16%左右。目前有關河套灌區農業方面的研究多集中于土壤鹽堿化程度[32-35]，有關作物生育期內干旱狀況的研究較少，這可能與灌區內僅有一個國家基本氣象站，難以獲取大量實測資料有關。侯瓊等[36]利用近50 a的氣候資料和近27 a的作物生育期資料，分析了內蒙古氣候變化特征，發現河套灌區≥10℃積溫已達到12.384 ℃·d·a-1，同為溫暖農業區的科爾沁僅為5.402 ℃·d·a-1，這意味著河套灌區增溫迅速，蒸散發量也將逐漸增大。李虹雨等[37]利用內蒙古及周邊地區70個氣象站近60 a的降水數據，對內蒙古氣候干旱時空變化進行了分析，發現內蒙古中部干旱趨勢速率較西、東部快。本研究通過驗證SMAP土壤水分在河套灌區的適用性，分析河套灌區農業干旱時空演變特征，為探討河套灌區作物生育期內水分虧缺量的變化趨勢、降水以及灌溉等人為因素對河套灌區作物產量的影響提供科學依據，同時也為河套灌區實現合理水資源調度、完善農業干旱監測機制，發展灌區經濟提供理論基礎。

1 研究區域和數據來源

1.1 研究區域概況

河套灌區位于中國內蒙古自治區巴彥淖爾市，其地理位置為東經106°20″～109°19″，北緯40°19″～41°18″，北靠陰山，南臨黃河，西與烏蘭布和沙漠相接，東至包頭市郊區，如圖1所示。它是亞洲最大的一首制自流灌區，同時它也是中國3個特大型灌區之一。灌區東西總長250 km，南北寬約50 km，海拔在1 000 m左右，西南高，東北低，坡度僅有0.125‰～0.2‰。灌區總面積為15 032 km2，占全國總面積的0.16%，年排水量達到3～5億m3[38]，總灌溉面積達11 622 km2，其中引黃灌溉面積為5 740 km2，達到灌區總灌溉面積的50%，年引黃河水量約50億m3[34]，屬于無灌溉即無農業地區[39]。

灌區屬于干旱半干旱氣候區，夏季高溫干熱，冬季嚴寒少雪，無霜期短。灌區多年平均降水量為130～220 mm，年際變幅大，年內分布不均勻，降水量多集中在6—8月，占全年總降水量的70%左右，且年蒸發量高達2 400 mm，蒸降比超過了10[38]。年內熱量充足，年平均氣溫在7℃左右，全年日照時數約為3 100 h，是我國光能資源最豐富的地區之一。

河套灌區的灌溉制度除了常規4—5月的春灌和6—8月的夏灌2次集中用水高峰期之外，在9月下旬至11月上旬即秋收之后，還會對耕地進行“秋澆”，即洗鹽保墑灌溉[40]，這是灌區傳統的秋季留鹽、春季保墑的一種特殊灌溉制度。灌溉方式一般采用噴灌、滴灌、膜下灌溉等節水技術，同時也會采用一些高效節水農藝措施，如平地縮塊、覆膜栽培和測土施肥等。

1.2 數據來源

圖1 河套灌區地理位置Fig.1 Geographical position of the Hetao irrigation district

1.2.1 SMAP遙感數據 SMAP衛星由NASA于2015年1月發射，并于2015年3月31日開始提供數據。它結合L波段主動雷達和L波段被動輻射計從太空直接觀測全球土壤水分和凍融狀態，為用戶提供高分辨率(3、9、36 km)和高精度的土壤水分。然而主動雷達于2015年7月7日發生故障，被動輻射計的產品成為SMAP唯一可用的土壤水分產品。本研究采用的是被動SMAP 3級L波段輻射計降序土壤水分產品加強版(SMAP_L3_SM_P_E，SMAP enhanced L3 radiometer global daily 9 km EASE-Grid soil moisture version 2，doi: https://doi.org/10.5067/RFKIZ5QY5ABN)，數據原空間分辨率為9 km ×9 km，時間分辨率為逐日，利用雙線性插值法處理為0.1°×0.1°。數據集可以在線免費下載(https://earthdata.nasa.gov/)。

1.2.2 CLDAS同化數據 中國氣象局陸面數據同化系統(China meteorological administration land data assimilation system，CLDAS)采用由國家氣象信息中心發布的大氣驅動場數據(2 m氣溫、2 m比濕、10 m風速、地面氣壓、小時降水和短波輻射)為數據源，利用集合卡爾曼濾波(EnKF)數據同化方法和陸面模式計算了垂直剖面的5層土壤水分，分別為0～5、0～10、10～40、40～100 cm和100～200 cm，時間分辨率分為逐小時和逐日，空間分辨率為0.0625°× 0.0625°，覆蓋整個亞洲[41]。

朱智等[42]以氣象站土壤水分觀測數據為基準，對比評估了CLDAS和GLDAS 4個陸面模式的土壤水分，發現CLDAS能更好地表征河套灌區土壤水分特征。CLDAS數據集自2017年1月19日起可用，搜集數據時僅能下載至2018年9月18日。結合河套灌區作物生育期，選用2018年4月1日至9月18日CLDAS河套灌區0～5 cm土壤水分，時間分辨率選擇為逐日。數據集由中國氣象數據共享服務系統在線提供(http://data.cma.cn/)。

1.2.3 CMADS同化數據 SWAT(Soil and water assessment tool)模型的中國氣象同化驅動數據集(The China meteorological assimilation driving datasets for the SWAT model,CMADS)是引入世界各類再分析場及CLDAS技術，采用數據嵌套、重采樣、雙線性插值等各類計算機技術手段而建立的水文模型能直接調用的高分辨率數據集，它彌補了傳統氣象站點實測數據不足的空缺[43-45]。選取CMADSV1.1版本(doi:10.3972/westdc.002.2016.db)數據集作為國家基本氣象站點實測數據的替代數據集，并選取與SMAP數據相重合的時間序列，即2015年4月1日至2016年10月31日的日最高最低2 m氣溫(℃)和24 h累積降水量(mm)數據。Tian等[46]利用世界糧農組織(FAO)的Penman-Monteith公式，對比了由CMADS和實測數據計算出的潛在蒸散量(Potential evapotranspiration，PET)，證實了CMADS再分析資料能夠作為實測氣象數據替代集，尤其是在缺少站點的偏遠地區。數據來源于國家青藏高原科學數據中心(https://westdc.westgis.ac.cn/data)。

2 研究方法

2.1 土壤水分虧缺指數(SWDI)

利用衛星土壤水分計算得到的SWDI在確定干旱級別和嚴重程度方面表現良好，能夠充分顯示干旱動態，尤其是干旱等級[17-18,21]。利用SMAP 0～5 cm土層土壤水分對河套灌區農業干旱狀況進行定量分析。SWDI計算如下：

(1)

θAWC=θFC-θWP

(2)

式中，θ是SMAP土壤水分的時間序列，θWP、θFC和θAWC分別代表凋萎含水量、田間持水量和土壤有效含水量。θWP和θFC有3種定義方法：(1)時間序列的第5%組和第95%組土壤水分為θWP和θFC；(2)-33 kPa和-1 500 kPa土壤水勢的土壤水分即為θWP和θFC；(3)根據土壤基本物理特征，如粘土和沙子的比例，經由土壤傳遞函數計算得到θWP和θFC[11]。農業干旱的主要承災體為作物，它與作物生育期土壤水分的有效性有關。因此，選擇河套灌區作物生育期(4-10月)時間序列的第5%組和第95%組土壤水分來獲得θWP和θFC[16,21]。SWDI為正值時表明灌區無干旱，為負值時表明發生了干旱，其對應的干旱類別如表1所示。

表1 不同干旱類型土壤水分虧缺指數分類[16]

2.2 干旱周百分比

當發生嚴重干旱為干旱周(Drought week)[31]，即周SWDI數值低于-5。干旱周百分比(Percentage of drought week,PDW)可表示河套灌區的干旱狀況，其分為4類，分別為0～25%，25%～50%，50%～75%以及75%～100%。干旱周百分比由下式計算：

(3)

式中，D為干旱周數；W為研究期總周數，本研究為31周。

2.3 大氣水分虧缺量(AWD)

AWD是降水與潛在蒸散發的差值[47]，它是一個與氣象參數相關的反映干旱狀況的合適指標[31]。當AWD<0時，表示干旱；當AWD<-50 mm時，即為嚴重干旱。公式如下：

AWDi=Pi-PETi

(4)

式中，i代表了研究期內周數；Pi和PETi分別是第i周降雨和潛在蒸散發的總和。日PET由FAO Penman-Monteith公式計算得出。

2.4 評價指標

利用Pearson相關系數(R)、偏差(BIAS)和無偏均方根誤差(ubRMSE)對SMAP在灌區內的精度和在干旱監測中的表現進行評價。計算公式如下：

(5)

(6)

(7)

3 結果與分析

3.1 SMAP適用性評估

從柵格尺度和區域尺度對SMAP在河套灌區的適用性進行評估。柵格尺度上，對2018年4月1日—9月18日的SMAP和CLDAS 0～5 cm土壤水分進行平均，計算出每個柵格的R、BIAS和ubRMSE。區域尺度上，對全灌區進行平均后得到河套灌區日平均土壤水分。

在柵格尺度上，通過R、BIAS和ubRMSE3個統計參數對比各柵格CLDAS日土壤水分和SMAP日土壤水分。在R值方面(圖2a)，69%的柵格表現較好(R>0.5)，17%表現一般(0.4

圖2 SMAP和CLDAS土壤水分的R(a)和BIAS(b)Fig.2 R (a) and BIAS (b) between SMAP and CLDAS

圖3 SMAP和CLDAS土壤水分對比Fig.3 Comparison of soil moisture between SMAP and CLDAS

3.2 河套灌區干旱評估

3.2.1SWDI時空分析 SMAP時間序列較短，為更準確地分析河套灌區作物生育期內的干旱分布特征，相較于周SWDI，日時間尺度更容易看出灌區2015年和2016年的干旱變化趨勢，因此在分析河套灌區干旱演變時空分布時采用日SWDI。

SWDI的時間變化趨勢如圖4所示?？梢钥闯觯w上SWDI隨時間推進而下降，說明河套灌區在生育期內缺水嚴重。2015年和2016年日SWDI<-5的天數分別為168 d和167 d，約占生育期總天數的80%。兩年平均日SWDI分別為-6.3和-6.5，且2015年SWDI最小值(-10.2)高于2016年(-11.1)，這意味著河套灌區2016年農業干旱程度比2015年有所增加。與此同時，2015年4月初SWDI明顯高于2016年，原因在于2015年4月初全灌區平均降水量為104.29 mm，當月日平均降水量為45.7 mm，為2016年4月份的40倍(圖5)，極大地補充了土壤水分，SWDI值偏大；2015年9月底SWDI由-8.6陡增為-1.7，因河套灌區9月份降水量偏大，且9月底至10月底，灌區進入秋澆時期，灌溉水量增加，土壤水分隨之增加。2016年SWDI陡增階段變為10月底，查詢資料得知，2015年11月10日秋澆工作已全部結束，而2016年11月16日秋澆才進入收官階段，兩年秋澆結束的時間點并完全不相同。除去降水和灌溉等不確定因素的影響，兩年SWDI值在時間序列上較為接近，即干旱嚴重程度接近。此外，2016年6月份SWDI由>0驟減到<-5，即河套灌區由不干旱變為嚴重干旱，雖然6月存在較大月平均降雨量可以補充土壤水分，但是同時存在較高的月平均氣溫，并且潛在蒸散發達到整個生育期最大值(圖5)。

由圖4可以看出，2015年和2016年4月底、8月初以及9月底的SWDI變化趨勢較為接近，說明河套灌區在這3個時間段內的干旱狀況較為穩定，比其他階段更具有代表性。故選擇4月下旬、8月上旬以及9月下旬這3個時間段進行灌區干旱演變特征的空間分析，如圖6、圖7和圖8所示。

空間尺度上，總體來說，2015—2016年3個時間段內灌區干旱嚴重程度沒有明顯增加。2015年4月底和8月初灌區的干旱類型分布與2016年相似。4月底干旱最嚴重區域由灌區西南部向東北方向移動，東南部干旱程度減弱，東北部均為中度干旱。8月初，東北部和西南部地區為嚴重干旱，西北地區干旱程度加重，由中度干旱變為嚴重干旱。2015年和2016年9月底SWDI最大值分別為-2.75和-5.56，最小值分別為-9.29和-10.2，說明2016年9月份干旱程度加劇。同時東南部地區SWDI減小，嚴重干旱區主要集中在灌區中部，干旱程度也有所加重，這可能是由于2016年9月份月平均降水量相較于2015年偏少，且當年秋澆時間推遲，除了灌溉途徑，土壤水分沒能得到天然補充。

3.2.2PDW時空分析 通過計算生育期內各柵格的PDW，可以得到2015年和2016年PDW空間變化情況，如圖9所示。2015—2016年生育期內全灌區PDW由55.8%上升至57.5%，意味著2016年較2015年干旱程度有所增加。兩年內最西側的柵格均為SWDI最低值所在柵格，可能是由于河套灌區西側緊鄰烏蘭布和沙漠。PDW較高的地區主要集中在灌區西南部、中部和東部，說明這些區域的干旱程度較為嚴重，應重視對該地區的干旱監測和預防，在作物生育期內需要及時灌溉，否則可能會影響作物生長。東北地區和西北地區PDW較小，中部地區的干旱程度基本上無變化。

圖4 2015年和2016年SWDI對比Fig.4 Comparison of SWDI between 2015 and 2016

圖5 2015年和2016年月平均降水、月平均氣溫和潛在蒸散發Fig.5 Mean monthly precipitation，mean monthly temperature and potential evapotranspirationfrom April to December in 2015 and 2016

圖6 SWDI在4月下旬的空間分布Fig.6 Spatial distribution of SWDI in the late April

圖7 SWDI在8月上旬的空間分布Fig.7 Spatial distribution of SWDI in early August

PDW可分為4類，如圖10所示，當P≤25%時，即為干旱事件小于8周；當P≥75%時，即代表了超過23周的干旱事件。位于50%～75%區間和75%～100%區間的柵格比例越高，說明干旱事件的比例越高[31]。對河套灌區的PDW進行研究，發現2015年和2016年PDW位于0～25%柵格的個數均只有一個。從圖10中可以看出，4個區間內的柵格百分比代表了兩年不同的PDW值，大部分的PDW值在50%～75%之間，并且兩年中位于此區間的柵格總數相近，分別為118個和119個，此外位于其余3個區間內的柵格數較少，說明河套灌區農業干旱事件發生比例較高，持續時間較長，干旱程度較為嚴重。

圖8 SWDI在9月下旬的空間分布Fig.8 Spatial distribution of SWDI during the end September

圖9 2015年和2016年PDW空間分布Fig.9 Spatial distribution of PDW (%) in 2015 and 2016

圖10 2015年和2016年柵格尺度PDW占比Fig.10 Percentage of grids in the four intervals of PDW in 2015 and 2016

為了更加詳細地對比兩年內PDW百分比，確定灌區的干旱演變趨勢，將50%～75%和75%～100%這兩個區間細分為如圖11所示。2015年區間50%～60%柵格所占百分比最大；2016年區間60%～70%的柵格數有所增加，高于2015年此區間柵格數。這些結果表明，兩年間干旱事件的持續時間增加，大部分PDW仍處于50%～60%區間。

綜上所述，2015—2016年作物生育期內，河套灌區基本處于嚴重干旱狀態，時間上，在蒸發量最大的7月份最為干旱，空間上，灌區西南部干旱程度最為嚴重；2016年干旱級別高于2015年，且干旱事件持續時間有增長趨勢。今后應重視灌區內部的干旱監測，為灌區制定合理的灌溉制度，亟需出臺相應的用水制度。

3.3 SWDI精度驗證

雖然SMAP衛星所測數據的精度、時空分辨率相較于其他遙感數據較高，但其時間序列較短，難以進行長序列干旱時空演變特征分析。然而衛星觀測數據的影響因素還包括其他方面，例如地形和云層。為了驗證SWDI的可靠性，將其與氣象干旱指數AWD進行比較。一方面，AWD是一種基于氣象數據、應用廣泛的氣象干旱指數；另一方面，AWD是表征與土壤儲水量相關干旱動態的合適指標[37]。河套灌區內部僅有一個國家級實測氣象站點(臨河站)，難以代表全灌區的降水以及蒸散情況，選擇CMADS降水、氣溫數據代替實測數據計算AWD。

由圖12及圖13可以看出，時間上灌區AWD最大值出現在2015年4月初，這是由于當月降水量在兩年里達到最大，同時蒸散發較小導致。兩年內均在5—8月發生氣象干旱，峰值的時間變化趨勢和SWDI基本一致。此外，2015年(-36.69)比2016年(-36.33)略微干旱，但灌區仍是濕潤狀態?？臻g上2 a平均氣象干旱程度較低，灌區東部的烏梁素海區域AWD值最大，西南部和北部AWD最小，這和SWDI的空間分布相似，即灌區西南部農業干旱最嚴重。2個指標之間存在差異的可能是因為SWDI是與土壤水分相關的農業干旱指標，AWD是與降水、蒸散相關的氣象干旱指標，兩者在物理機制上考慮的影響因素不同，并且導致得到的結果不同。

圖11 5個區間內柵格尺度PDW對比Fig.11 Comparison percentage of grids in thefive intervals of PDW

為了從柵格尺度判斷SWDI與AWD的相關性，選取與SMAP柵格對應的CMADS格點進行對比，對于每個格點，AWD和SWDI的對應位置和相關系數分布如圖14所示?？梢钥闯?，AWD和SWDI之間的相關系數-0.05～0.53，均值為0.26。因河套灌區降水、氣溫和土壤水分呈正態分布，因此選用雙尾StudentT檢驗對R進行顯著性檢驗[38-39]。其中，共有9個格點通過了α=0.01的顯著性檢驗，還有2個通過了α=0.05的顯著性檢驗，說明SWDI與AWD的相關性較為顯著?？梢钥闯?，SWDI和AWD的相關系數在五原縣境內及縣界周邊格點較小，且沒有通過α=0.05的顯著性檢驗，然而其余地區的相關性均較好(圖1、圖14)。這可能是因為五原縣境內的地形條件不同于灌區內其他地區，縣內存在著許多由長期的風蝕作用和黃河改道沖刷而成的天然壕溝和洼地。這些壕溝和洼地的高程低于五原縣平均高程，在長年積水的環境下變成了大大小小的湖泊，俗稱海子。經統計，水深大于1.5 m的海子共有116個，總面積達到18.1 km2；面積在0.2 hm2以上的海子171個，占地36.3 km2。這些海子會對SMAP衛星探測精度產生影響。

圖12 2015年和2016年AWD變化趨勢Fig.12 Trends in weekly time series of AWD changesin 2015 and 2016

圖13 AWD的空間分布Fig.13 Spatial distribution of AWD

圖14 SWDI和AWD的相關系數和顯著性檢驗Fig.14 Correlation coefficients and the significance test of SWDI and AWD

4 討 論

農業干旱對作物產量影響巨大，不但對農業生產造成不利影響，而且還會威脅到糧食安全，準確判斷農業干旱程度以及演變過程對控制干旱、提出合理的應對措施具有重要意義[48]。河套灌區作為我國3個特大型灌區之一，同時是我國重要的商品糧生產基地，近年來年均糧食總產量達30億kg以上，作為主要作物的玉米產量達到約10億kg，成為國內舉足輕重的玉米生產加工基地，因此灌區農業干旱系統評價對灌區農業可持續發展有著不可忽視的作用。由Tsakiris等[49]提出的勘察干旱指數(Reconnaissance drought index,RDI)是評估氣象干旱的普適性指標。由于它同時具備計算簡便和高敏感度、高穩定性的特點，RDI逐漸被用于評估干旱半干旱地區的農業干旱狀況[50-53]，其對應的干旱類別如表2所示。利用CMADS降水、氣溫數據計算出RDI并進行時空分析，以從農業干旱角度驗證SWDI在河套灌區的精度。

表2 不同干旱類型勘察干旱指數(RDI)

由圖15和圖16可以看出，灌區在作物生育期內基本處于輕度干旱和中度干旱，結合圖4可以看出，RDI和SWDI的變化趨勢相似，兩者均在4月初和9月初顯示為輕度干旱和不干旱狀態，并且均在5月顯示為嚴重干旱。同時2015年(RDI為-1.04)灌區農業干旱程度略小于2016年(RDI為-0.89)，說明河套灌區在作物生育期內干旱狀況較為嚴重，也再次證實了SWDI在河套灌區的精度較高?？臻g上，灌區西南部和北部最為干旱，這和SWDI的空間分布較為一致。與AWD類似，東部的烏梁素海處RDI值最低，不同的是RDI代表的農業干旱為輕度干旱，氣象干旱則顯示為不干旱狀態，而SWDI代表的農業干旱在3個時間段內均為嚴重干旱。綜合3個干旱指標，雖然灌區氣象干旱狀況較輕，然而農業干旱卻較為嚴重，因此河套灌區內部灌溉、覆膜等農藝、農業抗旱措施對補充土壤水分、促進作物生長發育起著不可替代的作用。

5 結 論

本研究以作物生育期農業干旱為背景，選取黃河上游內蒙古河套灌區為典型研究區，基于多源遙感數據，開展了灌區2015—2016年農業干旱時空演變特征研究，旨在為灌區干旱預警與監測提供理論依據與科學指導，主要結論如下：

圖15 2015年和2016年RDI變化趨勢Fig.15 Trends in monthly time series of RDI changesin 2015 and 2016

圖16 RDI的空間分布Fig.16 Spatial distribution of RDI

1)SMAP在河套灌區的適用性較好。柵格尺度上，69%的柵格表現較好(R>0.5)，只有14%表現不佳(R<0.4)；在區域尺度上，兩套數據相關系數為0.65。結果表明，SMAP土壤水分與CLDAS土壤水分的時空變化特征一致性較好。

2)2015—2016年4月下旬，農業干旱最嚴重區域由灌區西南部向東北方向移動，東南部干旱程度減弱；8月初，西北地區干旱程度加重，由中度干旱變為嚴重干旱；9月底灌區干旱程度有所加重，嚴重干旱區主要集中在灌區中部。在作物生育期內，河套灌區大部分地區都處于嚴重干旱狀態，主要集中在灌區西南部、中部和東部，并且2016年農業干旱事件時間持續比2015年有所延長。

3)以AWD為代表的氣象干旱在時間上顯示為兩年內灌區干旱月份為5—8月，在空間上則是全灌區基本不發生氣象干旱。除去因地形原因的五原縣境內以及縣界附近的格點，SWDI和AWD的相關性較顯著，R均值為0.26，一半格點通過了顯著性水平為0.01的檢驗，說明SWDI在河套灌區的精度能夠接受，即基于SWDI對灌區進行干旱狀況分析的可信度較高。