CN110909973A - 考虑下垫面条件的旱情综合监测评估方法 - Google Patents
考虑下垫面条件的旱情综合监测评估方法 Download PDFInfo
- Publication number
- CN110909973A CN110909973A CN201910908899.XA CN201910908899A CN110909973A CN 110909973 A CN110909973 A CN 110909973A CN 201910908899 A CN201910908899 A CN 201910908899A CN 110909973 A CN110909973 A CN 110909973A
- Authority
- CN
- China
- Prior art keywords
- drought
- index
- evaluation
- underlying surface
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种考虑下垫面条件的旱情综合监测评估方法,包括如下步骤:100、将旱情评估区域划分为若干评估单元;200、判别所述若干评估单元中每个评估单元的下垫面条件,排除被列为非旱情评估对象的评估单元;300、选择与每一种所述下垫面条件相适宜的旱情监测指标并划分阈值,进而判定所述每个评估单元的所述下垫面条件对应的多个单指标的旱情等级;400、根据所述每个评估单元的所述下垫面条件,将多个单指标的旱情等级进行综合,得到旱情评估区域的综合旱情结果。本发明所得到的旱情监测评估结果能反映真实旱情,并且该方法能够针对不同区域、不同对象、不同时间采取针对性的旱情监测评估。
Description
技术领域
本发明涉及区域干旱监测评估,尤其是涉及一种考虑下垫面条件的旱情综合监测评估方法。
背景技术
干旱灾害是世界上影响面最广、造成损失最大的自然灾害之一。干旱灾害具有缓慢发生的特性,从出现干旱到形成旱灾需要历经一个过程。在这个过程中农作物、林地、草地、湿地生态等受干旱影响呈现出不同的现象,即是旱象。通常所说的干旱是一种自然因素偏离正常状况的现象,旱情是指随着干旱的继续发展对经济社会造成一定影响和破坏的现象,如果这种现象持续发展且超过了干旱作用对象的承受范围则导致旱灾。旱情的严重程度与旱灾损失的大小虽然有必然关系,但还受到水源条件、作物种植结构、抗旱能力和措施等因素的影响,最终的旱灾损失可能相差较大。因此,准确监测评估旱情的影响范围、严重程度、受旱时长,制定合理的抗旱减灾对策,控制旱情的发生、发展,避免旱情最终形成旱灾,对减轻旱灾损失和影响具有重要的意义。
目前,旱情监测评估方法主要是采用干旱指标进行定量分析。现有各类干旱指标众多,典型的如:利用降雨和温度等气象数据计算得到的降雨距平指数、标准化降水指数、帕尔默干旱指数等;利用河道径流、水库蓄水量等水文数据计算得到的河道径流距平指数、标准化河道径流指数、水库蓄水距平等;利用土壤含水量和田间持水量数据计算得到的土壤相对湿度;利用卫星遥感数据计算得到的植被状态指数、植被供水指数、温度植被干旱指数等,以及综合利用多数据源得到的气象干旱综合指数(MCI)(中华人民共和国国家质量监督检验检疫总局、中国国家标准化管理委员会2017)、多元标准化干旱指数(MSDI)(Hao andAghaKouchak 2014)、植被干旱响应指数(VegDRI) (Brown,Wardlow et al.2008)等。这些方法均是利用多源数据,从气象干旱、水文干旱、农业干旱等角度对干旱的程度、范围、历时进行监测评估。采用这些方法进行旱情监测评估时,首先要确定评估旱情所用的指标,然后依据给定的旱情等级阈值区间直接对计算的干旱指标值进行旱情等级划分,并生成旱情等级空间分布图。
然而,现有方法均没有考虑下垫面条件的差异,没有引入边界条件的约束,也没有对应不同对象采取针对性的旱情监测评估方法。这样所绘制的旱情监测评估图的空间变异性较小,即在一定区域范围内的旱情严重程度一致 (处于同一旱情等级),而这与实际情况并不相符。举例说明:1)同样的天气条件下,农作物的耐旱程度远不如森林,二者的旱情等级多数情况不可能完全一致,但按现有方法得到的结果却为同一旱情等级;2)评估区域内往往存在水体、城区等承灾能力较强的地物类型,几乎不受干旱影响。但传统的旱情监测评估图上将它们都列为受旱。与此同时,导致所统计的受旱面积因为包括了这些区域而数值偏大;3)农业灌溉能有效补充土壤水分,因此,即使天然降水严重偏少,灌溉过的农田或草地的旱情等级也会明显减轻或消除,但现有方法中对此并没有进行区分。所以,现有这些方法没有考虑各种复杂的下垫面条件,所得到的旱情监测评估结果并不能反映真实旱情。
鉴于此,本方法基于干旱的复杂机理过程和众多影响因素,提出一种考虑下垫面条件的旱情监测评估方法。
发明内容
为了克服传统的单纯利用干旱指标进行旱情监测评估而无法判别真实旱情的问题,本发明提供一种考虑下垫面条件的旱情综合监测评估方法。
本发明的技术方案是:提供一种考虑下垫面条件的旱情综合监测评估方法,包括如下步骤:
100、将旱情评估区域划分为若干评估单元;
200、判别所述若干评估单元中每个评估单元的下垫面条件,排除被列为非旱情评估对象的评估单元;
300、选择与每一种所述下垫面条件相适宜的旱情监测指标并划分阈值,进而判定所述每个评估单元的所述下垫面条件对应的多个单指标的旱情等级;
400、根据所述每个评估单元的所述下垫面条件,将多个单指标的旱情等级进行综合,得到旱情评估区域的综合旱情结果。
作为对本发明的改进,在上述步骤100中,所述若干评估单元的大小相同。
作为对本发明的改进,在上述步骤200中,所述每个评估单元的所述下垫面条件的类别均一。
作为对本发明的改进,当所述若干评估单元的其中一评估单元的所述下垫面条件的类别非均一,则以所述评估单元中面积最大的类别作为所述评估单元的所述下垫面条件的类别。
作为对本发明的改进,所述下垫面条件的类别包括土地利用类型、作物类型、土壤类型。
作为对本发明的改进,所述下垫面条件的特征包括作物生育期和灌溉条件。
作为对本发明的改进,在上述步骤300中,与每一种所述下垫面条件相适宜的旱情监测指标至少包括气象类干旱指标、水文类干旱指标、农业类干旱指标、遥感类干旱指标中的一种。
作为对本发明的改进,选择与每一种所述下垫面条件相适宜的旱情监测指标,计算得到每个单指标的值,根据干旱监测指标的阈值和单指标的值进行旱情等级划分。
作为对本发明的改进,在上述步骤400中,采用众数法、加权平均法、机器学习法,将多个单指标的旱情等级进行综合,得到最终评定的综合旱情等级。
本发明将旱情评估区域划分为若干评估单元,判别每个评估单元的下垫面条件,排除被列为非旱情评估对象的评估单元,然后得出评估单元的下垫面条件对应的多个单指标的旱情等级,综合多个单指标的旱情等级得到旱情评估区域的综合旱情结果,使得所得到的旱情监测评估结果能反映真实旱情,并且该方法能够针对不同区域、不同对象、不同时间采取针对性的旱情监测评估。
附图说明
图1是本发明的流程示意图。
图2是湖南省2017年7月30日旱情综合监测评估结果示意图。
具体实施方式
本发明综合利用气象、水文、土壤墒情、遥感等多源监测数据,同步考虑土地利用、作物类型、作物生育期、灌溉条件等下垫面条件,针对农作物、林木、草地、湖泊湿地生态***分别进行旱情监测评估,并绘制旱情综合监测评估图。
一、请参见图1,图1所揭示的是一种考虑下垫面条件的旱情综合监测评估方法,包括如下步骤:
100、将旱情评估区域划分为若干评估单元;
200、判别所述若干评估单元中每个评估单元的下垫面条件,排除被列为非旱情评估对象的评估单元;
300、选择与每一种所述下垫面条件相适宜的旱情监测指标并划分阈值,进而判定所述每个评估单元的所述下垫面条件对应的多个单指标的旱情等级;
400、根据所述每个评估单元的所述下垫面条件,将多个单指标的旱情等级进行综合,得到旱情评估区域的综合旱情结果。
二、在本发明中,具体步骤如下:
1.确定旱情评估区域及评估单元
旱情评估区域即使用者感兴趣的区域。本发明具有广泛的适用性,对旱情评估区域没有特别限定。旱情评估区域可以是:全球、全国、省级、流域、地区甚至任意范围的区域。
旱情评估区域确定后,需要将其划分成若干评估单元,使得每个单元内的土地利用类型、作物类型、土壤类型、作物生育阶段、灌溉条件等下垫面条件均一,进而对不同类别的评估单元采用不同的评估方案,同一评估单元内采用相同的评估方案。若干评估单元的大小相同,评估单元的形状可以是几何形状,也可以不是几何形状。
理论上,只要下垫面条件均一,旱情评估单元可以是任意大小、任意形状,但这样不利于开展后续的旱情评估工作。因此,一般将旱情评估区域划分为规则网格,使得同一网格内的各类下垫面条件尽可能均一。网格可以分为10km(约 0.1°)、1km、250m、30m、10m等不同尺度(空间分辨率)。网格的大小需根据旱情评估区域进行确定,评估区域的大小与网格的大小相适应。比如,全球或全国范围的旱情评估单元一般采用10km或1km的网格,省级或地区范围的旱情评估单元一般采用1km或更高分辨率的网格。上述只是举例说明,本发明不限于此。
当若干评估单元的其中一评估单元的下垫面条件的类别非均一,则以评估单元中面积最大的类别作为评估单元的下垫面条件的类别。
旱情评估区域和网格大小确定后,则可利用空间分析技术将旱情评估区域划分成规则的网格。
2.判别下垫面条件,排除被列为非旱情评估对象的评估单元
判别下垫面条件是分析每个评估单元内下垫面的特征和类型,进而采用不同的旱情评估方法。下垫面条件是由旱情评估的对象及其所处的环境和状态共同决定的,下垫面条件的类别包括土地利用类型、作物类型、土壤类型,下垫面条件的特征包括作物生育期和灌溉条件。土地利用类型、作物类型等决定了旱情评估的对象,土壤类型、作物生育期、灌溉条件等决定了评估对象所处的环境和状态。
确定旱情评估区域和时间,下垫面条件的判别分为如下几步:
(1)识别土地利用类型(L),区分出耕地、草地、林地、湿地、水体、城区等,并将水体和城区列为非旱情评估对象,排除被列为非旱情评估对象的评估单元。
(2)识别作物类型(C),如果土地利用类型为耕地,进一步识别作物类型,作物类型可分为小麦、玉米、水稻、甘蔗、油菜等。
(3)识别作物所处的生育期(P(C)),根据旱情监测评估的需要将作物分为相应的生育期,例如小麦分为播种期、返青期、拔节期、抽穗期、成熟期;玉米分为播种期、拔节期、抽雄期及成熟期;水稻分为播种期、拔节期、开花期及成熟期;甘蔗分为播种期、发株期、茎生长期及工艺成熟期等等。
(4)判断灌溉条件(G),根据农田或草地的实际灌溉情况分为:充分灌溉、非充分灌溉、无灌溉等。对于充分灌溉区域,植被的需水得到充分满足,认为无旱被列为非旱情评估对象,排除被列为非旱情评估对象的评估单元;对于非充分灌溉,要结合植被的生育期和需水特征,进行详细分析;对于无灌溉区域,认为植被的生长需水完全受降水影响。一般情况下,灌区范围内的作物都认为是充分灌溉。
通过上述步骤,构建下垫面条件U,其数学表达如下:
U={L,C,P(C),G}
上述下垫面条件的判别是以网格为单元的,虽然在步骤1的过程中尽可能使各网格单元内的下垫面条件均一,但必然会存在“混合像元”的情况,即存在两种或两种以上的下垫面条件,比如网格单元内既有耕地,也有水体。对于这种非均一的网格单元,以面积最大的类别作为整个像元的类别,比如网格单元内的耕地面积60%,水体面积40%,则该网格的土地利用类别为耕地。
3.评定单指标的旱情等级
旱情监测指标有很多种,每个单指标都有不同的物理意义和适用范围,单指标是指单个旱情监测指标,单个旱情监测指标简称单指标。同一单指标作用于不同的监测对象时,判定旱情等级的阈值区间也有所不同。需要针对不同的下垫面条件优选出相适应的旱情监测指标,并率定单指标的阈值,进而计算并研判单指标的旱情等级。具体步骤如下:
(1)优选旱情监测指标
旱情监测指标可以分为气象类、水文类、农业类、遥感类等多种类型。气象类干旱指标是基于降水、温度等气象要素构建的指标,常用的指标包括:降水距平指数、标准化降水指数、帕尔默干旱指数、连续无有效降雨日数等。水文干旱指标是基于河道径流量、水库蓄水量等水文要素构建的干旱指标,常用的指标包括:河道径流距平指数、水库蓄水距平指数、标准化径流指数(SRI)、标准化河道流量指数(SSFI)、标准化水库供水指数(SRSI)、标准化水位指数 (SWI)等。农业干旱指标是基于土壤墒情、作物水分亏缺等构建的干旱指标,常用的指标包括:土壤相对湿度、作物灌溉缺水率等。遥感干旱指标是利用遥感数据构建的指标,常用的包括:植被状态指数(VCI)、植被健康指数(VHI)、距平植被指数(AVI)、温度植被状态指数(TVDI)等。
将旱情监测指标标记为d,需要根据每一类下垫面条件u,优选出与其相适应的若干旱情监测评估指标,记为D(u)={d1,d2,d3,…,dn},即针对下垫面条件u 的干旱监测指标共有n个。
(2)确定旱情监测指标阈值
对步骤(1)中筛选出的D(u)中的每个指标d,根据其监测的下垫面条件u,确定划分旱情等级的阈值T(d,u)。通常将旱情等级分为无旱、轻度干旱、中度干旱、严重干旱和特大干旱共5个等级,因此需要确定5个等级的阈值。
阈值区间的确定可以参考《区域旱情等级》(GB/T 32135-2015)、《气象干旱等级》(GB/T 20481-2017)、《农业干旱等级》(GB/T 32136-2015)等有关标准规范,也可以利用调查或实验的方法对阈值进行率定。
(3)评定单指标的旱情等级
根据步骤(1)中优选出的旱情监测指标,计算每个单指标d的值,并利用空间插值、重采样等空间分析技术,将计算结果展布到整个旱情评估区域,且与旱情评估单元的网格大小保持一致。
针对每类下垫面条件u,根据步骤(2)中确定的旱情监测指标的阈值T(d,u) 对计算的单指标d的值进行旱情等级划分,得到干旱指标d关于下垫面条件u 的干旱等级s(d,u)。
4.生成旱情综合评估结果
旱情综合评估是根据每个评估单元的下垫面条件,将多个单指标评定的旱情等级进行综合,得到确定性的综合旱情结果,并生成旱情等级空间分布图。
(1)多指标旱情综合评估
·众数法
每个干旱指标的评估结果都会得出一个旱情等级,众数法是以所有指标评估结果中数量最多的等级作为综合评估的等级。
众数法的精确性较差,但众数不受极端数据的影响,并且求法简便。在旱情评估结果中,如果个别指标偏差较大,也不会对整体结果有较大影响。
·加权平均法
对每个干旱指标按照重要程度赋予一定的权重wi,综合旱情等级就是这些指标评估的旱情等级si的加权平均。
加权平均方法考虑了指标的显著性效果,具有一定的灵活性。不过,权重的确定缺乏一定的依据,对评估结果的影响较大。
·机器学习法
利用历史实际旱情结果训练决策树、神经网络等机器学习算法,构建多指标旱情监测结果与实际旱情之间的关系,实现旱情综合评估的目的。机器学习算法的输入端X是多指标的旱情评估结果,以及相应的下垫面条件。输出端y 是某种直接或间接的旱情结果,如通过土壤相对湿度、受旱面积、旱灾损失等量化得到的旱情等级。通过对机器学习方法的训练,得到模型f(X),进而用于评估综合旱情等级机器学习算法的一般表达为:
y=f(X)=f(s1,s2,s3,…,u1,u2,u3,…)
机器学习法是已经被证明的能够用于解决这类问题的手段之一,能把复杂的旱情综合问题简单化,将其作为一个“黑箱子”,而不需要过多的关注旱情发生的物理机制。但这类方法不仅需要有大量的数据支撑,而且实现过程较复杂。
(2)生成旱情等级空间分布图
通过上述过程,获得每个评估单元(网格)上的综合旱情等级其中,下垫面为水体和城区的为非评估单元,其他各评估按照旱情严重程度分为无旱、轻度干旱、中度干旱、严重干旱和特大干旱共5个等级,分别采用不同的颜色进行区分,绘制成旱情等级空间分布图。
三、具体实施例一
以湖南省的旱情监测评估为例,说明一种考虑下垫面条件的旱情监测评估方法的实施方式。湖南省以水稻作物种植为主,常在7、8月份发生夏伏旱。因此,为了详细说明实施方式,本实施例仅以2017年7月30日湖南省的水稻作物旱情评估为例进行说明,具体如下:
1.确定旱情监测评估区域及评估单元
本专利在应用过程中对空间区域范围没有特定限制,以湖南省为例的应用,其旱情监测评估区域为湖南全省。为了实现乡镇级别的旱情评估,结合数据源的空间分辨率,确定旱情评估单元为规则网格,空间分辨率为90m。
2.判别下垫面条件
(1)识别土地利用类型(L)。根据已有的土地利用数据,将湖南省的土地利用分为耕地、草地、林地、水域、城乡/工矿/居民用地、未利用土地等6类。由于本实施例中只针对水稻作物进行旱情评估,因此,草地、林地、水域、城乡/工矿/居民用地、未利用土地判别为非旱情评估区域。
(2)识别作物类型(C)。在上述土地利用类型识别的基础上,对其中的耕地进一步识别,提取水稻作物种植区域,将其他作物类型作为非旱情评估区域。由于湖南省水稻种植分为一季稻、双季稻等,其生育特点和对干旱的响应是不同的,因此,水稻作物种植区域进一步分为一季稻区域(分布在湖南北部及中部山区)、双季稻区域(分布在湖南中部平原及南部)。
(3)识别作物所处的生育期(P(C))。基于提取的一季稻和双季稻作物种植区域,结合1990-2007年湖南省农气观测站点实测数据,划分作物生育期如下表(水稻移栽前在育苗田中种植,故双季早稻和晚稻生育期有重叠)。可见,当前7月30日,在田作物为一季稻和双季晚稻,二者均处于移栽-拔节阶段。
序号 | 类型 | 播种 | 移栽 | 拔节 | 开花 | 成熟 |
1 | 一季稻 | 4月30日 | 6月10日 | 8月1日 | 8月9日 | 9月20日 |
2 | 双季早稻 | 3月26日 | 4月24日 | 5月29日 | 6月24日 | 7月15日 |
3 | 双季晚稻 | 6月25日 | 7月15日 | 8月4日 | 9月16日 | 10月15日 |
(4)判断灌溉条件(G)。湖南省水资源充沛,境内有大量灌区(共有2297 个灌区,其中大型灌区13个、中型灌区585个、小型灌区1699个),灌溉保障率较高,故本实施例中灌区内的水稻作物判定为充分灌溉,灌区外的水稻作物为无灌溉。
3.评定单指标的旱情等级
(1)优选旱情监测指标
旱情监测指标可以分为气象类、水文类、农业类、遥感类等多种类型。气象类干旱指标是基于降水、温度等气象要素构建的指标,常用的指标包括降水距平指数、标准化降水指数、帕尔默干旱指数、连续无有效降雨日数等。水文干旱指标是基于河道径流量、水库蓄水量等水文要素构建的干旱指标,常用的指标包括河道径流距平指数、水库蓄水距平指数、标准化径流指数(SRI)、标准化河道流量指数(SSFI)、标准化水库供水指数(SRSI)、标准化水位指数(SWI) 等。农业干旱指标是基于土壤墒情、作物水分亏缺等构建的干旱指标,常用的指标包括土壤相对湿度、作物灌溉缺水率等。遥感干旱指标是利用遥感数据构建的指标,常用的包括植被状态指数(VCI)、植被健康指数(VHI)、距平植被指数(AVI)、温度植被状态指数(TVDI)等。
本实施例中的监测对象——水稻,主要种植于水田中,而土壤墒情监测设备主要监测的是旱地中的土壤墒情,故基于土壤墒情的指标不适于水稻旱情监测。进一步考虑到水稻的生育特点和干旱响应机制以及数据源的可获取性,最终选择月尺度降水距平指数、季尺度降水距平指数、月尺度标准化降水指数、季尺度标准化降水指数、6月尺度标准化降水指数、月尺度河道径流距平指数、月尺度水库蓄水距平指数、植被状态指数、植被健康指数、距平植被指数,共 10个指标作为本实施例中的旱情监测指标。
A、降水距平指数
降水距平指数可表征指定时间段内降水量较常年值偏离程度的指标,该指标能直观反映降水异常引起的干旱。在气象日常业务中多用于评估月、季、年发生的干旱事件。该指数同时也可用于农业旱情评估。计算公式如下:
式中:n通常取30年,i=1,2,···n。
B、标准化降水指数
标准化降水指数(简称SPI)是先求出降水量Γ分布概率,然后进行正态标准化而得。根据计算的时间尺度不同,一般采用1月尺度
其计算步骤为:
1)假设某时段降水量为随机变量x,则其Γ分布的概率密度函数为:
其中:β>0,γ>0分别为尺度和形状参数,β和γ可用极大似然估计方法求得:
确定概率密度函数中的参数后,对于某一年的降水量x0,可求出随机变量x 小于x0事件的概率为:
利用数值积分可以计算用(3)式代入(7)式后的事件概率近似估计值。
2)降水量为0时的事件概率由下式估计:
P(x=0)=m/n (8)
式中m为降水量为0的样本数,n为总样本数。
3)对Γ分布概率进行正态标准化处理,即将(7)、(8)式求得的概率值代入标准化正态分布函数,即:
对式(9)进行近似求解可得:
c0=2.515517,c1=0.802853,c2=0.010328,
d1=1.432788,d2=0.189269,d3=0.001308。
Z值也就是此标准化降水指数SPI。
C、河道径流距平指数
河道径流指数计算公式为:
其中:DF—计算期内河道径流距平百分比(%)
F—内计算期内河道流量(m3/s)
D、水库蓄水距平指数
水库距平指数计算公式如下:
其中:DL—计算期内水库蓄水距平百分比(%);
L—计算期内水库蓄水量(m3);
E、植被状态指数
植被状态指数(VCI)是基于NDVI构建的,用于反映植被状态程度。该指标适用于植被覆盖程度较好区域的计算公式如下:
式中:VCIi为第i时段的植被状态指数(%),以像元为计算单元,取值范围为 [0,100],0代表植被条件最差,100代表植被条件最佳;NDVIi为第i时段的NDVI 值(%),时间段可根据监测需要设定为日、旬、月等;NDVImax为多年同期影像中NDVI最大值,%;NDVImin为多年同期NDVI最小值(%)。
F、植被健康指数
植被健康指数(VHI)综合了植被状态程度与下垫面地表温度特性共同反映监测地区旱情等级,计算公式如下:
VHIi=0.5VCIi+0.5TCIi (14)
式中:VCI和TCI分别为同期的多年长时间植被指数序列和地表温度序列确定。其中TCIi计算公式如下:
式中:LSTi为第i时段的地表温度值(℃);LSTmax为多年同期地表温度最大值(℃);LSTmin为多年同期地表温度最小值(℃)。
G、距平植被指数
距平植被指数(AVI)计算主要是以研究区的多年旬、月NDVI的平均值作为基准,利用对应旱情监测时段的旬、月NDVI值减去对应时段多年均值得到植被指数的距平。计算公式如下:
(2)确定旱情监测指标阈值
对步骤(1)中筛选出的10种旱情监测指标,根据水稻作物的不同生育期,确定划分旱情等级的阈值。通常将旱情等级分为无旱、轻度干旱、中度干旱、严重干旱和特大干旱共5个等级,因此需要确定5个等级的阈值。
阈值区间的确定参考了《区域旱情等级》、《气象干旱等级》、《农业干旱等级》等有关标准规范,在此基础上,又采用分位数法对阈值区间进一步率定(孙洪泉等,2017)。
受篇幅所限,仅给出当下种植的水稻作物所处移栽-拔节阶段各指标的阈值如下:
表1降水距平指数
等级 | 类型 | 月尺度降雨距平指数(%) | 季尺度降雨距平指数(%) |
1 | 无旱 | -40<P<sub>a</sub> | -25<P<sub>a</sub> |
2 | 轻度干旱 | -60<P<sub>a</sub>≤-40 | -50<P<sub>a</sub>≤-25 |
3 | 中度干旱 | -80<P<sub>a</sub>≤-60 | -70<P<sub>a</sub>≤-50 |
4 | 严重干旱 | -95<P<sub>a</sub>≤-80 | -80<P<sub>a</sub>≤-70 |
5 | 特大干旱 | P<sub>a</sub>≤-95 | P<sub>a</sub>≤-80 |
表2标准化降水指数
等级 | 类型 | 月、季、6月尺度标准化降水指数 |
1 | 无旱 | -0.5<SPI |
2 | 轻度干旱 | -1.0≤SPI<-0.5 |
3 | 中度干旱 | -1.5≤SPI<-1.0 |
4 | 严重干旱 | -2.0≤SPI<-1.5 |
5 | 特大干旱 | SPI<-2.0 |
表3河道径流距平指数
表4水库蓄水距平指数
等级 | 类型 | 水库蓄水距平指数(%) |
1 | 无旱 | -30<D<sub>L</sub> |
2 | 轻度干旱 | -50<D<sub>L</sub>≤-30 |
3 | 中度干旱 | -70<D<sub>L</sub>≤-50 |
4 | 严重干旱 | -85<D<sub>L</sub>≤-70 |
5 | 特大干旱 | D<sub>L</sub>≤-85 |
表5植被状态指数
等级 | 类型 | 植被状态指数(%) |
1 | 无旱 | 40<VCI |
2 | 轻度干旱 | 30<VCI≤40 |
3 | 中度干旱 | 20<VCI≤30 |
4 | 严重干旱 | 10<VCI≤20 |
5 | 特大干旱 | VCI≤10 |
表6植被健康指数
等级 | 类型 | 植被健康指数(%) |
1 | 无旱 | 40<VHI |
2 | 轻度干旱 | 30<VHI≤40 |
3 | 中度干旱 | 20<VHI≤30 |
4 | 严重干旱 | 10<VHI≤20 |
5 | 特大干旱 | VHI≤10 |
表7距平植被指数
等级 | 类型 | 距平植被指数(%) |
1 | 无旱 | -20<AVI≤0 |
2 | 轻度干旱 | -30<AVI≤-20 |
3 | 中度干旱 | -40<AVI≤-30 |
4 | 严重干旱 | -60<AVI≤-40 |
5 | 特大干旱 | AVI≤-60 |
(3)评定单指标的旱情等级
根据步骤(1)中优选出的上述10个旱情监测指标,计算每个单指标的值,并利用空间插值、重采样等空间分析技术,将计算结果展布到整个旱情评估区域,空间分辨率为90m,与旱情评估单元的网格大小保持一致。
针对下垫面条件,根据步骤(2)中确定的各指标的阈值对其进行旱情等级划分。由于本实施例中只针对水稻作物,且单季稻和双季晚稻均处于移栽-拔节阶段,下垫面条件单一,因此,旱情等级划分更为简单直观。由此得到每个评估单元的旱情等级为s(d,u),则s∈{0,1,2,3,4}。
4.生成旱情综合评估结果
旱情综合评估是根据每个评估单元的下垫面条件,将多个单指标评定的旱情等级进行综合,得到确定性的综合旱情结果,并生成旱情等级空间分布图。
(1)多指标旱情综合评估
(2)生成旱情等级空间分布图
通过上述过程,获得湖南全省每个评估单元(网格)上的综合旱情等级其中,下垫面地物类型为水稻的评估单元的旱情严重程度分为无旱、轻度干旱、中度干旱、严重干旱和特大干旱共5个等级,其他地物类型均为非评估区域,在本实施例中将其归为无旱。将各等级分别采用不同的颜色进行区分,绘制成图。最终得到湖南省2017年7月30日旱情等级空间分布图,详见附图2。
将利用本发明方法所得的旱情评估结果与2017年7月30日湖南省《抗旱统计上报》的实际旱情结果进行对比,结果表明:该方法对湖南省旱情监测空间覆盖准确率达93.2%,其中旱情等级与实际旱情等级匹配准确率分别为:特大干旱93.8%、严重干旱91.7%、中度干旱89.6%、轻度干旱85.7%。
四、具体实施例二
以安徽省的旱情监测评估为例,说明一种考虑下垫面条件的旱情监测评估方法的实施方式。
1.确定旱情监测评估区域及评估单元
本专利在应用过程中对空间区域范围没有特定限制,本实施例中旱情监测评估区域为安徽全省。以实现乡镇级别的旱情评估为目标,旱情评估单元为规则网格,确定空间分辨率为90m。
2.判断下垫面条件
(1)识别土地利用类型(L)。利用2018年安徽省1km空间分辨率土地利用数据,全省6类土地利用占全省面积的百分比分别为:耕地55.08%、林地22.89%、草地5.96%、水域5.37%、城乡/工况/居民用地10.68%、未利用土地0.02%。其中水田占29.73%、旱地占25.35%。
(2)识别作物类型(C)。安徽省种植面积最大的三种作物分别为:水稻、玉米、小麦。基于土地利用类型数据,识别出对应水稻、玉米、小麦的空间种植范围。全省不同区域内分布有一季稻、双季早稻、双季晚稻、春玉米、夏玉米、冬小麦。本实施例中综合对这5类作物进行旱情评估。
(3)识别作物所处的生育期(P(C))。结合安徽省作物空间区域特性将全省划分为:淮北平原区农业区、江淮丘陵农业区、沿江平原区及皖南山区。结合 1990-2012年安徽省农气观测站点实测数据,划分对应农业区的对应作物生育期 (表8-表10)。
表8水稻分区生育阶段开始日期(日)
表9玉米分区生育阶段开始日期(日)
表10小麦分区生育阶段开始日期(日)
(4)判断灌溉条件(G)。安徽省共包括1822个灌区,其中大型灌区3处、中型灌区499处。本实施例中灌区覆盖区域的作物判定为充分灌溉,灌区外的作物为无灌溉。
3.判定指标的旱情等级
(1)优选旱情监测指标
旱情监测指标优选过程与湖南省实施例一致。本实施例的监测对象包括了一季稻、双季早稻、双季晚稻、春玉米、夏玉米及冬小麦。基于指标优选结果用于水稻的旱情监测指标与湖南实施例一致。
用于监测春玉米、夏玉米的旱情指标包括:“播种期-拔节期”(月尺度标准化降水指数、月尺度标准化降水蒸散指数、月尺度降水距平百分率、3月尺度标准化降水指数、3月尺度标准化降水蒸散指数、3月尺度降水距平百分率、连续无雨日、土壤相对湿度)、“拔节期-抽雄期”(月尺度标准化降水指数、月尺度标准化降水蒸散指数、月尺度降水距平百分率、3月尺度标准化降水指数、3月尺度标准化降水蒸散指数、3月尺度降水距平百分率、连续无雨日、土壤相对湿度、植被状态指数、植被健康指数、河道径流距平指数、水库蓄水距平指数)、“抽雄期-成熟期”与“拔节期-抽雄期”所用监测指标一致。
用于监测冬小麦的指标包括:播种期前(3月尺度标准化降水指数、3月尺度标准化降水蒸散指数、3月尺度降水距平百分率、土壤相对湿度)、“播种-返青期前”(6月尺度标准化降水指数、6月尺度标准化蒸散指数、3月尺度标准化降水指数、3月尺度标准化降水蒸散指数、3月尺度降水量距平百分率)、“返青期-拔节期前”(3月尺度标准化降水指数、3月尺度标准化蒸散指数、3月尺度降水量距平百分率、月尺度标准化降水指数、月尺度标准化降水蒸散指数、月尺度降水量距平百分率、连续无雨日、土壤相对湿度、河道径流距平指数、水库蓄水距平指数)、“拔节期-开花期前”(3月尺度标准化降水指数、3月尺度标准化蒸散指数、3月尺度降水量距平百分率、月尺度标准化降水指数、月尺度标准化降水蒸散指数、月尺度降水量距平百分率、连续无雨日、土壤相对湿度、植被状态指数、植被健康指数、河道径流距平指数、水库蓄水距平指数)、“开花期-成熟期”所用指标与“拔节期-开花期前”一致。
(2)确定旱情监测指标阈值
对步骤(1)中筛选出水稻、玉米、冬小麦不同生育期对应的旱情监测指标,根据作物对应生育期需水特性划分旱情等级。旱情等级类别与湖南省实施例中一致,即:无旱、轻度干旱、中度干旱、严重干旱和特大干旱共5个等级。
(3)评定单指标的旱情等级
根据步骤(1)中优选出各作物生育期对应指标,分别进行指标值计算,利用空间插值、重采样的空间分析技术,将指标结果展示到旱情评估区域,空间分辨率为90m,与旱情评估单元网格大小保持一致。指标对应的阈值及旱情等级划分方法与湖南省实施例一致,在此处不再详细介绍。
4.生成旱情综合评估结果
该部分方法与湖南省实施例一致,在此处不再详细介绍。
本发明将旱情评估区域划分为若干评估单元,判别每个评估单元的下垫面条件,排除被列为非旱情评估对象的评估单元,然后得出评估单元的下垫面条件对应的多个单指标的旱情等级,综合多个单指标的旱情等级得到旱情评估区域的综合旱情结果,使得所得到的旱情监测评估结果能反映真实旱情,并且该方法能够针对不同区域、不同对象、不同时间采取针对性的旱情监测评估。
并且本发明在不同下垫面条件的干旱影响范围识别、旱情程度判定方面具有创新性,可为干旱形成过程、干旱致灾机理、旱情快速反馈及干旱监测预警研究提供科学技术支撑。在防旱抗旱等应急管理工作中具有广泛的推广应用价值。目前该方法已在干旱监测、干旱预警、旱情研判、抗旱决策等多个领域进行了推广应用,取得了很好的应用效果。
Claims (9)
1.一种考虑下垫面条件的旱情综合监测评估方法,其特征在于,包括如下步骤:
100、将旱情评估区域划分为若干评估单元;
200、判别所述若干评估单元中每个评估单元的下垫面条件,排除被列为非旱情评估对象的评估单元;
300、选择与每一种所述下垫面条件相适宜的旱情监测指标并划分阈值,进而判定所述每个评估单元的所述下垫面条件对应的多个单指标的旱情等级;
400、根据所述每个评估单元的所述下垫面条件,将多个单指标的旱情等级进行综合,得到旱情评估区域的综合旱情结果。
2.根据权利要求1所述的方法,其特征在于:在上述步骤100中,所述若干评估单元的大小相同。
3.根据权利要求1或2所述的方法,其特征在于:在上述步骤200中,所述每个评估单元的所述下垫面条件的类别均一。
4.根据权利要求3所述的方法,其特征在于:当所述若干评估单元的其中一评估单元的所述下垫面条件的类别非均一,则以所述评估单元中面积最大的类别作为所述评估单元的所述下垫面条件的类别。
5.根据权利要求3所述的方法,其特征在于:所述下垫面条件的类别包括土地利用类型、作物类型、土壤类型。
6.根据权利要求1或2所述的方法,其特征在于:所述下垫面条件的特征包括作物生育期和灌溉条件。
7.根据权利要求1所述的方法,其特征在于:在上述步骤300中,与每一种所述下垫面条件相适宜的旱情监测指标至少包括气象类干旱指标、水文类干旱指标、农业类干旱指标、遥感类干旱指标中的一种。
8.根据权利要求7所述的方法,其特征在于:选择与每一种所述下垫面条件相适宜的旱情监测指标,计算得到每个单指标的值,根据干旱监测指标的阈值和单指标的值进行旱情等级划分。
9.根据权利要求1所述的方法,其特征在于:在上述步骤400中,采用众数法、加权平均法、机器学习法,将多个单指标的旱情等级进行综合,得到最终评定的综合旱情等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910908899.XA CN110909973B (zh) | 2019-09-25 | 2019-09-25 | 考虑下垫面条件的旱情综合监测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910908899.XA CN110909973B (zh) | 2019-09-25 | 2019-09-25 | 考虑下垫面条件的旱情综合监测评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909973A true CN110909973A (zh) | 2020-03-24 |
CN110909973B CN110909973B (zh) | 2020-10-16 |
Family
ID=69814995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910908899.XA Active CN110909973B (zh) | 2019-09-25 | 2019-09-25 | 考虑下垫面条件的旱情综合监测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909973B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231483A (zh) * | 2020-11-06 | 2021-01-15 | 中国水利水电科学研究院 | 灾情追踪方法、***、设备和存储介质 |
CN112966960A (zh) * | 2021-03-23 | 2021-06-15 | 西安理工大学 | 一种基于土壤湿度的多阈值干旱综合风险评价方法 |
CN113988673A (zh) * | 2021-11-02 | 2022-01-28 | 中山大学 | 一种旱涝急转评估方法 |
CN114118820A (zh) * | 2021-11-30 | 2022-03-01 | 水利部牧区水利科学研究所 | 一种旱情监测方法、装置及计算机设备 |
CN115422252A (zh) * | 2022-08-18 | 2022-12-02 | 浪潮卓数大数据产业发展有限公司 | 基于水库水位以及降雨量的旱情预警方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605901A (zh) * | 2013-11-29 | 2014-02-26 | 民政部国家减灾中心 | 一种区域旱灾风险估计方法 |
CN103970976A (zh) * | 2013-02-06 | 2014-08-06 | 中国水利水电科学研究院 | 农业干旱预警预报监测装置和方法 |
CN105550501A (zh) * | 2015-12-09 | 2016-05-04 | 中国水利水电科学研究院 | 一种流域/区域干旱演变驱动机制的识别方法 |
CN106845096A (zh) * | 2017-01-12 | 2017-06-13 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种基于多指标的旱情综合评估方法 |
CN110163472A (zh) * | 2019-04-11 | 2019-08-23 | 中国水利水电科学研究院 | 大范围极端干旱应急监测与影响评估方法及*** |
-
2019
- 2019-09-25 CN CN201910908899.XA patent/CN110909973B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970976A (zh) * | 2013-02-06 | 2014-08-06 | 中国水利水电科学研究院 | 农业干旱预警预报监测装置和方法 |
CN103605901A (zh) * | 2013-11-29 | 2014-02-26 | 民政部国家减灾中心 | 一种区域旱灾风险估计方法 |
CN105550501A (zh) * | 2015-12-09 | 2016-05-04 | 中国水利水电科学研究院 | 一种流域/区域干旱演变驱动机制的识别方法 |
CN106845096A (zh) * | 2017-01-12 | 2017-06-13 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种基于多指标的旱情综合评估方法 |
CN110163472A (zh) * | 2019-04-11 | 2019-08-23 | 中国水利水电科学研究院 | 大范围极端干旱应急监测与影响评估方法及*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231483A (zh) * | 2020-11-06 | 2021-01-15 | 中国水利水电科学研究院 | 灾情追踪方法、***、设备和存储介质 |
CN112966960A (zh) * | 2021-03-23 | 2021-06-15 | 西安理工大学 | 一种基于土壤湿度的多阈值干旱综合风险评价方法 |
CN113988673A (zh) * | 2021-11-02 | 2022-01-28 | 中山大学 | 一种旱涝急转评估方法 |
CN114118820A (zh) * | 2021-11-30 | 2022-03-01 | 水利部牧区水利科学研究所 | 一种旱情监测方法、装置及计算机设备 |
CN115422252A (zh) * | 2022-08-18 | 2022-12-02 | 浪潮卓数大数据产业发展有限公司 | 基于水库水位以及降雨量的旱情预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110909973B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909973B (zh) | 考虑下垫面条件的旱情综合监测评估方法 | |
Mehdi et al. | Evaluating the impacts of climate change and crop land use change on streamflow, nitrates and phosphorus: a modeling study in Bavaria | |
Nabati et al. | GIS-based agro-ecological zoning for crop suitability using fuzzy inference system in semi-arid regions | |
Liu et al. | Study on the impacts of climate change on China's agriculture | |
Salemi et al. | Application of AquaCrop model in deficit irrigation management of winter wheat in arid region | |
Fischer et al. | Global agro-ecological zones assessment: methodology and results | |
Fohrer et al. | Assessment of the effects of land use patterns on hydrologic landscape functions: development of sustainable land use concepts for low mountain range areas | |
Pook et al. | The autumn break for cropping in southeast Australia: trends, synoptic influences and impacts on wheat yield | |
Conrad et al. | Satellite based calculation of spatially distributed crop water requirements for cotton and wheat cultivation in Fergana Valley, Uzbekistan | |
Ozkan et al. | Impacts of climate factors on yields for selected crops in the Southern Turkey | |
Parida et al. | Detecting drought-prone areas of rice agriculture using a MODIS-derived soil moisture index | |
CN113837666A (zh) | 一种基于改进cmi指数的农业干旱评估方法 | |
CN112837169A (zh) | 一种干旱过程网格化旱情综合监测、预警与评估方法 | |
CN113011992A (zh) | 一种基于标准数据的流域农业面源污染入河系数测算方法 | |
Zhao et al. | Using satellite remote sensing to understand maize yield gaps in the North China Plain | |
Van Dam et al. | Water productivity of irrigated crops in Sirsa district, India | |
Ren et al. | Spatiotemporal patterns of water consumption and irrigation requirements of wheat-maize in the Huang-Huai-Hai Plain, China and options of their reduction | |
Sun et al. | The impact of irrigation water supply rate on agricultural drought disaster risk: a case about maize based on EPIC in Baicheng City, China | |
Hou et al. | Field scale nitrogen load in surface runoff: Impacts of management practices and changing climate | |
Mamatkulov et al. | Land suitability assessment for cotton cultivation-a case study of Kumkurgan district, Uzbekistan | |
Pavlova et al. | Assessment approach of the spatial wheat cultivation risk for the main cereal cropping regions of Russia | |
Moeletsi | Agroclimatological risk assessment of rainfed maize production for the Free State Province of South Africa | |
Matera et al. | Use of a new agricultural drought index within a regional drought observatory | |
Guo et al. | Factors influencing maize stemflow in western Liaoning, China | |
CN111626638A (zh) | 夏玉米倒伏气象等级评估模型的构建与应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |