基于多源遙感數(shù)據(jù)與隨機森林模型的遼寧省作物生長季干旱監(jiān)測研究

王榮莉

(遼寧師范大學 地理科學學院,遼寧 大連 116029)

0 引言

IPCC第六次評估報告指出,隨著全球氣溫的持續(xù)上升,更多地區(qū)將受到農(nóng)業(yè)及生態(tài)干旱的影響[1],進而影響作物生產(chǎn)力及人類的生產(chǎn)生活。目前,通常采用干旱指數(shù)監(jiān)測干旱發(fā)生過程及其嚴重程度。基于氣象站點數(shù)據(jù)的干旱指數(shù)根據(jù)實測數(shù)據(jù)計算所得,易于獲取,準確率較高。基于遙感數(shù)據(jù)的干旱指數(shù)覆蓋范圍廣、空間分辨率高,彌補了站點分布不均等不足,故遙感技術逐漸成為監(jiān)測大區(qū)域尺度旱情的重要手段。

作物干旱的發(fā)生發(fā)展復雜多變,不僅受到降水、植被本身及土壤溫度等因素的影響,還受到多種不穩(wěn)定、不確定性因素的綜合作用。干旱是由多種因素引起的,沒有一個單一的指標能充分說明其發(fā)生的復雜性及多元性,故單一指標監(jiān)測逐漸向氣象與遙感相結合的綜合監(jiān)測轉變成為干旱監(jiān)測新趨勢[2]。

本研究綜合考慮植被生長狀態(tài)、大氣及土壤水分等因素,基于MODIS及TRMM等多源遙感數(shù)據(jù),利用隨機森林算法構建作物干旱監(jiān)測模型,對該模型監(jiān)測結果的準確性進行驗證,以期在大范圍旱情監(jiān)測與評估方面做一定補充,為應對干旱提供一定的理論及技術支持。

1 研究區(qū)域及數(shù)據(jù)處理

1.1 研究區(qū)概況

遼寧省位于我國東北南端,屬溫帶大陸性季風氣候,雨熱同期,日照豐富,年平均氣溫6 ℃～11 ℃,年平均降水量430～1100 mm。山地分布于東西兩側,中部為平原,耕地面積較大,農(nóng)作物生長發(fā)育很大程度上受到干旱的影響。

1.2 數(shù)據(jù)來源

數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)2000—2019年遼寧省23個氣象站點的逐日氣象資料,包括日降雨量、日最高(低)溫、風速、平均相對濕度及日照時數(shù)等。MODIS數(shù)據(jù)包括MOD13A3、MOD11A2及MOD16A2。降雨數(shù)據(jù)選擇TRMM_3B43。以上MODIS與TRMM數(shù)據(jù)均來自NASA。土壤濕度數(shù)據(jù)由GLDAS數(shù)據(jù)中的Noah模型驅動生成。SRTM DEM 數(shù)據(jù)來源于地理空間數(shù)據(jù)云。土壤類型及土地利用類型數(shù)據(jù)來自資源環(huán)境科學與數(shù)據(jù)中心。干旱災害的歷史統(tǒng)計及資料來自《遼寧省水資源公報》。

1.3 數(shù)據(jù)處理

對缺測的氣象數(shù)據(jù)用多年平均值代替,利用EToCalculator計算日潛在蒸散量[3],利用月降雨量計算月相對濕潤度指數(shù)。用MODIS專用提取工具MRT提取地表溫度(LST)、歸一化植被指數(shù)(NDVI)、潛在蒸散量(PET)與蒸散量(ET),對其進行重投影及格式轉換,剔除無效值。以上數(shù)據(jù)采用最近鄰法重采樣為1 km,合成月度數(shù)據(jù)。MODIS數(shù)據(jù)預處理后,計算TCI、VCI、VSWI及CWSI。對于TRMM數(shù)據(jù),將降水速率(mm/hr)轉換為月降水總量數(shù)據(jù)(mm/month)計算PCI。分析數(shù)據(jù)GLDAS預處理后提取SoilMoi0_10 cm_inst波段計算SMCI,各變量具體計算公式如表1所示。將SRTM_DEM 重采樣為1 km×1 km,提取高程(DEM)、坡度(Slope)、坡向(Aspect)數(shù)據(jù)。

表1 模型輸入變量計算公式Tab.1 Calculation formula for model input variables

2 研究方法

2.1 相對濕潤度指數(shù)(MI)及其計算方法

相對濕潤度指數(shù)(MI)適用于作物生長季旬以上尺度的干旱監(jiān)測[4],根據(jù)降水量與潛在蒸散量反映某地干濕程度及干旱動態(tài)變化[5]。相對濕潤度指數(shù)越小,地表越干;反之則越濕潤。計算公式如下:

MI=(P-ET0)/ET0

(1)

式中,P為降水量(mm),ET0為相應時段潛在蒸散量(mm),采用FAO Penman-Monteith[6]公式進行計算。參照國家氣象局制定的MI干旱等級劃分標準[7],將干旱劃分為無旱(-0.4

2.2 隨機森林模型

隨機森林(Random Forest,RF)是BREIMAN[8]提出的一種基于分類樹的、有監(jiān)督的集成學習方法,具有處理數(shù)據(jù)維度高、訓練速度快等優(yōu)勢[9]。使用R語言中的Randomforest包構建回歸模型,選取平均絕對誤差 (MAE)、均方根誤差 (RMSE)及相關系數(shù)(R)驗證模型的準確性,各指標計算公式如下:

(2)

(3)

(4)

3 結果與分析

3.1 模型的驗證與評價

由表2可知,訓練集的模擬值與實測值MI的R為0.9683,測試集的R為0.7809,訓練集與測試集都達到顯著相關。訓練集與測試集的RMSE相對較小,均低于0.5,訓練集與測試集的MAE分別為0.1288、0.2961,綜上分析表明,該模型的模擬精度較高。

表2 訓練集和測試集模型精度對比Tab.2 Comparison of model accuracy between training and testing sets

根據(jù)MI干旱等級劃分,統(tǒng)計2000—2019年23個站點MI值與模擬值各干旱等級的站點數(shù),由表3可知,MI值與模型監(jiān)測得到的模擬值一致率為70.96%;無旱級別一致性最高,為93.52%;輕旱級別為60.82%;中旱和重旱一致率均大于50%;特旱最低,為37.16%。總體來說,模型模擬值與MI值基本一致。

表3 各干旱級別站點數(shù)及一致率Tab.3 Number and consistency rate of stations at different drought levels

3.2 干旱表征因子重要性排序

將干旱表征因子作為自變量輸入到構建好的模型中,得到各因子的重要性。由圖1可知,兩種不同的重要性評估方法排序略有不同,但總體上重要性排序靠前的因子是相同的。以%IncMSE為例,由于模擬的MI值以降水量及蒸發(fā)量為基礎,因此與CWSI與PCI的相關性最大。其次是SMCI與VCI,土壤表面的蒸發(fā)量越大,土壤水分越低,故土壤濕度對MI的模擬起到重要作用。當植被受到干旱脅迫時,VCI能直觀反映植被生理變化及長勢變化,是響應干旱的重要因子。土壤中水分充足,地表植被表面溫度較低,在高溫缺水條件下,植被冠層及地表溫度增加,從而體現(xiàn)出高溫對作物生長造成的不利影響。

圖1 干旱表征因子重要性排序Fig.1 Importance ranking of drought characterization factors

3.3 作物干旱監(jiān)測模型結果分析

根據(jù)《遼寧省水資源公報》資料顯示,2014年遼寧省平均降水量453.6 mm,比多年平均值少1/3,降水量嚴重不足導致遼寧省內(nèi)發(fā)生了階段性春旱及夏伏旱。2017年,遼寧省年平均降水量506.2 mm,比常年648.2 mm減少20%,出現(xiàn)春夏連旱現(xiàn)象。故選擇2014年與2017年數(shù)據(jù)評估模型監(jiān)測的準確性。

由圖2可知,2014年3月,遼寧省大部分地區(qū)發(fā)生重度干旱;4月,干旱的嚴重程度有所加重,部分地區(qū)發(fā)生了特旱,其中遼寧西部朝陽、錦州、阜新等市的干旱情況較重,重度干旱蔓延到了遼寧省的東部地區(qū)。5月,干旱的嚴重程度減輕,6—8月遼寧省大部分地區(qū)以無旱及輕度干旱為主。9月,遼寧省大部分地區(qū)無旱情發(fā)生,部分地區(qū)發(fā)生了中等程度的干旱,如大連市中部。

圖2 隨機森林模型監(jiān)測的2014年3—9月的干旱情況Fig.2 Drought conditions monitored by random forest model from March to September, 2014

由圖3可知,2017年3月,由于氣溫升高,降水少,遼寧省大部分地區(qū)發(fā)生重旱,部分地區(qū)發(fā)生特旱。4月,遼寧省重旱面積有所減少,朝陽、阜新、葫蘆島及錦州等市特旱狀況持續(xù),遼東地區(qū)如丹東、本溪、撫順的旱情有所緩解。5月,遼西地區(qū)干旱狀況有所減輕,但遼西旱情仍舊比遼東嚴重,以中旱為主,遼西無旱或少許輕旱發(fā)生。6月,干旱的情況大幅好轉,只有少部分地區(qū)有中旱發(fā)生,如阜新市及遼南部分地區(qū)。7—9月,遼寧省以無旱為主,基本無較大旱情發(fā)生。

圖3 隨機森林模型監(jiān)測的2017年3—9月的干旱情況Fig.3 Drought conditions monitored by random forest model from March to September, 2017

4 結論

干旱與多種因素有關,考慮干旱誘發(fā)因素的組合,利用站點數(shù)據(jù)及遙感數(shù)據(jù)建立了一種基于隨機森林算法的作物干旱監(jiān)測模型。從統(tǒng)計結果分析來看,模型模擬值與實測值基本一致。在監(jiān)測干旱的因子中,CWSI 與PCI 的相對重要性最高,表明降水和蒸發(fā)是影響作物干旱的重要因子,其次是SMCI、VCI以及TCI。利用該模型對遼寧省干旱事件進行監(jiān)測,監(jiān)測結果與實際干旱發(fā)生程度及空間分布基本一致,對遼寧省作物生長季干旱具有較強的監(jiān)測能力。