邢雅潔 沈潤平 黃安奇 梁宇靖 王云宇 謝昭穎 師春香 孫帥

摘要：傳統(tǒng)的干旱監(jiān)測指數(shù)主要考慮單一影響因子，往往無法全面綜合反映干旱狀況.基于MODIS數(shù)據(jù)和CLDAS數(shù)據(jù)，選取多個影響因子和能夠直接反映干旱程度的干旱指數(shù)作為自變量，以綜合氣象干旱指數(shù)（CI）為因變量，通過梯度提升機（GBM）機器學習算法建立日尺度綜合干旱監(jiān)測模型，并以2015—2018年華北地區(qū)干旱為例進行了研究.結果表明模型監(jiān)測結果與站點CI計算值具有顯著的相關性，訓練集和測試集決定系數(shù)分別達到0.945和0.655，均方根誤差（RMSE）分別為0.033和0.082，綜合干旱監(jiān)測模型具有較高的精度.且模型監(jiān)測與CI監(jiān)測各月等級一致率均在65%以上，并與標準化降水蒸散指數(shù)（SPEI）和土壤相對濕度（RSM）相關系數(shù)分別為0.68和0.60，能較好地反映氣象干旱和農(nóng)業(yè)干旱狀況.典型干旱情況監(jiān)測表明，綜合干旱監(jiān)測模型綜合考慮多種干旱影響因素，能較準確地識別出干旱的發(fā)生，表征綜合干旱發(fā)生狀況.

關鍵詞CLDAS；綜合干旱監(jiān)測；梯度提升機；MODIS

中圖分類號TP181;S423;P426.616

文獻標志碼A

0引言

干旱是指水分收支或供求不平衡所造成的水分短缺現(xiàn)象[1].據(jù)統(tǒng)計，氣象災害引起的損失占各類自然災害的85%，而干旱又占其損失的50%[2].獨特的地理環(huán)境與氣候特點導致我國易受干旱影響，且易造成損失[3].干旱指數(shù)作為可以表征干旱發(fā)生的重要指標，能夠?qū)⒏珊档膰乐匦赃M行等級區(qū)分和量化.目前為止，已經(jīng)發(fā)展了多種干旱監(jiān)測指數(shù)，如基于氣象站點數(shù)據(jù)計算的標準化降水指數(shù)（StandardizedPrecipitationIndex，SPI）、標準化降水蒸散指數(shù)（StandardizedPrecipitationEvapotranspirationIndex，SPEI）和帕默爾干旱指數(shù)（PalmerDroughtSeverityIndex，PDSI）[4-6]等，但由于站點數(shù)量和位置分布不均，干旱監(jiān)測缺乏空間連續(xù)性.隨著遙感技術的發(fā)展，不同類型傳感器可獲取大范圍近實時的降水、植被和土壤濕度等信息，為區(qū)域干旱監(jiān)測提供了方法，提高了干旱監(jiān)測的空間連續(xù)性.一些遙感干旱指數(shù)，例如溫度狀況指數(shù)（TemperatureConditionIndex，TCI）、降水狀況指數(shù)（PrecipitationConditionIndex，PCI）、植被狀況指數(shù)（VegetationConditionIndex，VCI）、溫度植被干旱指數(shù)（TemperatureVegetationDrynessIndex，TVDI）和條件溫度植被指數(shù)（VegetationTemperatureConditionIndex，TVCI）[7-9]等廣泛應用于大范圍干旱監(jiān)測，但遙感數(shù)據(jù)往往因其時間分辨率低影響干旱監(jiān)測效果.

由于干旱與降水、地形、潛在蒸散發(fā)和土壤濕度等多種變量有著密切的關系，導致干旱成因復雜.雖然單一影響因子或干旱監(jiān)測指數(shù)在有關行業(yè)和領域有著較好的應用，但會出現(xiàn)對于干旱因子的影響考慮不足或受限于應用條件，往往無法充分反映區(qū)域內(nèi)的綜合干旱發(fā)生狀況.為此，許多學者利用多種數(shù)據(jù)及多種方法，開展了綜合干旱監(jiān)測研究[10-12].目前，綜合干旱指數(shù)主要通過權重組合、聯(lián)合分布和機器學習[13]等3類方法進行構建.權重組合法由于指數(shù)的選擇以及權重的分配限制了指數(shù)的應用.聯(lián)合分布方法在需要綜合的干旱因子或指數(shù)較多時，不同因子或指數(shù)之間關系的復雜性會加大多元分布估計的難度，影響監(jiān)測效果.機器學習方法因其具有處理非線性問題的能力，能夠?qū)Χ喾N干旱因子進行信息挖掘，在綜合干旱監(jiān)測上被廣泛應用.然而，由于眾多不同來源的遙感數(shù)據(jù)精度不同，單純依靠遙感數(shù)據(jù)構建的綜合干旱監(jiān)測指數(shù)對于空間連續(xù)的干旱監(jiān)測還存在不足.考慮到綜合干旱監(jiān)測在日常農(nóng)業(yè)生產(chǎn)和搶險救災等方面的重要性，需要更合適的方法和數(shù)據(jù)以構建日尺度的綜合干旱監(jiān)測模型.

中國氣象局陸面數(shù)據(jù)同化系統(tǒng)（CMALandDataAssimilationSystem，CLDAS）是我國自主建立的陸面數(shù)據(jù)同化系統(tǒng)，其通過融合多種氣象站點觀測、衛(wèi)星遙感觀測和再分析資料，輸出多種高質(zhì)量的氣象及陸面數(shù)據(jù)，為日尺度氣象監(jiān)測提供重要的數(shù)據(jù)支撐[14-16].然而，當前缺少將CLDAS數(shù)據(jù)應用于綜合干旱監(jiān)測的研究，尚不清楚CLDAS應用于綜合干旱監(jiān)測的效果.因此，本文通過引入2015—2018年連續(xù)日尺度CLDAS數(shù)據(jù)，再輔以相應的中等分辨率成像光譜儀（Moderate-resolutionImagingSpectroradiometer，MODIS）數(shù)據(jù)，通過梯度提升機（GradientBoostingMachine，GBM）方法構建日尺度綜合干旱監(jiān)測模型，統(tǒng)籌考慮與干旱發(fā)生的多種相關因子，以獲得區(qū)域日尺度下干旱發(fā)生的整體狀況，通過評估模型對于日尺度綜合干旱的監(jiān)測效果，以期獲得更加精細合理的干旱監(jiān)測結果.

1研究區(qū)與研究數(shù)據(jù)

1.1研究區(qū)

選取華北地區(qū)為研究區(qū)（圖1）[17]，經(jīng)緯度范圍為110°～120°E，34°～43°N，包括山西省、河北省、北京市、天津市以及內(nèi)蒙古自治區(qū)中部部分地區(qū).研究區(qū)南部臨近黃河，北部為內(nèi)蒙古高原，東部有海河平原，西部為呂梁山脈，地勢總體西高東低，下墊面情況復雜.華北地區(qū)是我國重要的農(nóng)業(yè)主產(chǎn)區(qū)和糧食生產(chǎn)基地，主要種植冬小麥和玉米，研究區(qū)域大部分屬暖溫帶半濕潤半干旱季風氣候區(qū)，年降雨量大約為400～500mm，雨季主要集中在夏季，雨熱同期，干濕期分隔明顯.在全球氣候變化的背景下，該區(qū)域年際降水分配不均，氣候多變，干旱災害事件頻繁發(fā)生[18].

1.2研究數(shù)據(jù)

1.2.1MODIS數(shù)據(jù)

反射率數(shù)據(jù)來自于美國國家航空航天局（https：//ladsweb.modaps.eosdis.nasa.gov）的TerraMODIS表面反射率產(chǎn)品MOD09GA，該產(chǎn)品為表面波譜反射估計，數(shù)據(jù)經(jīng)過大氣和氣溶膠的校正，空間分辨率為500m，時間分辨率為1d，提供1～7波段每日柵格化的數(shù)據(jù).本文所用到的波段為紅波段（620～670nm）和近紅外波段（841～876nm）反射率數(shù)據(jù)，研究時段為2015—2018年.將地表反射率數(shù)據(jù)進行投影一致性轉換、研究區(qū)的矢量邊界裁剪等預處理后，通過雙線性內(nèi)插法重采樣至0.0625°×0.0625°分辨率，使其與CLDAS空間分辨率一致.

1.2.2CLDAS數(shù)據(jù)

CLDAS大氣驅(qū)動場產(chǎn)品V2.0覆蓋亞洲區(qū)域（60°～160°E，0°～65°N），空間分辨率為0.0625°×0.0625°，時間分辨率為逐小時，包括2m氣溫、2m比濕、10m風速、地面氣壓、降水和短波輻射等6個要素的等經(jīng)緯網(wǎng)格融合分析產(chǎn)品.CLDAS土壤體積含水量分析產(chǎn)品V2.0覆蓋區(qū)域和時空分辨率與大氣驅(qū)動場產(chǎn)品一致，垂直分為5層，分別為[0cm，5cm]、[0cm，10cm）、[10cm，40cm）、[40cm，100cm）、[100cm，200cm].CLDAS地表溫度數(shù)據(jù)分析產(chǎn)品V2.0與CLDAS大氣驅(qū)動和土壤體積含水量產(chǎn)品覆蓋區(qū)域與時空分辨率相同[15，19].本研究使用2015—2018年大氣驅(qū)動產(chǎn)品中的地面氣壓、短波輻射、2m氣溫、降水要素，以及0～10cm土壤體積含水量和地表溫度數(shù)據(jù)分析產(chǎn)品，并將逐小時數(shù)據(jù)通過求平均或者加和合成為日尺度數(shù)據(jù).

1.2.3氣象站點數(shù)據(jù)

氣象站資料來源于國家氣象信息中心2015—2018年中國地面氣象站逐小時的氣溫和降水數(shù)據(jù)（http：//data.cma.cn/），選取研究區(qū)域內(nèi)158個氣象站點和68個農(nóng)業(yè)氣象站點，將逐小時降水加和、逐小時的氣溫求取平均值，分別得到研究區(qū)逐日的降水數(shù)據(jù)和氣溫數(shù)據(jù).將通過氣象站點數(shù)據(jù)計算得出的CI監(jiān)測數(shù)據(jù)，75%作為訓練集，25%作為測試集，將其作為綜合干旱監(jiān)測模型的建模和驗證輸入數(shù)據(jù).

1.2.4其他輔助數(shù)據(jù)

1）DEM數(shù)據(jù).數(shù)字高程模型（DigitalElevationModel，DEM）為美國“奮進號”航天飛機的雷達地形測繪（ShuttleRadarTopographyMission，SRTM）獲得的DEM數(shù)據(jù)，來源于中國科學院資源環(huán)境科學數(shù)據(jù)中心（http：//www.resdc.cn），范圍為60°N～60°S.采用基于4.1版本的DEM數(shù)據(jù)，利用新的插值算法得到，空間分辨率為1km.將高程數(shù)據(jù)進行投影一致性轉換、研究區(qū)的矢量邊界裁剪等預處理后，通過雙線性內(nèi)插法重采樣至0.0625°×0.0625°分辨率，使其與CLDAS空間分辨率一致.

2）土壤水文參數(shù)數(shù)據(jù).土壤水分虧缺指數(shù)（SoilWaterDeficitIndex，SWDI）的計算需要利用土壤水文參數(shù)數(shù)據(jù)得出.本文所用的土壤水文參數(shù)數(shù)據(jù)來源于北京師范大學發(fā)布的面向陸面過程模型的土壤水文數(shù)據(jù)集[20]，分辨率為30角秒.利用此數(shù)據(jù)的-33kPa和-1500kPa土壤水勢數(shù)據(jù)，作為田間持水量數(shù)據(jù)（FieldCapacity，F(xiàn)C）和土壤凋萎濕度（WiltingPoint，WP）.土壤數(shù)據(jù)垂直剖面分為7層，分別為[0m，0.045m）、[0.045m，0.091m）、[0.091m，0.166m）、[0.166m，0.289m）、[0.289m，0.493m）、[0.493m，0.829m）、[0.829m，1.383m]，最深為1.383m.研究首先利用雙線性內(nèi)插法將其重采樣至0.0625°×0.0625°，然后再插值到研究需要的0～10cm土層深度，以田間持水量（FC）數(shù)據(jù)為例，具體計算方法如下：

式中：CF為重新插值后（0～10cm）土壤深度的田間持水量（cm3·cm-3）;CF，i為0～10cm內(nèi)第i層田間持水量平均（cm3·cm-3）;Zi為第i層田間持水量的土層深度（cm）;Z為所需的田間持水量土層深度即10cm.

2研究方法

2.1綜合干旱監(jiān)測模型的構建

干旱受到降水、地表溫度（或氣溫）、土壤、地表植被狀況和地形等關鍵因素的綜合影響.干旱主要是由于大氣水分環(huán)流異常，導致降水時空分布不均，從而出現(xiàn)降水不足造成的.本研究利用CLDAS降水數(shù)據(jù)（PRE）反映研究區(qū)的降水異常狀況，同時通過降水與蒸散的差值（AWD）反映地表水分的虧缺狀況.土壤濕度則會受到降水不足和土壤性質(zhì)的影響，土壤水分虧缺引起干旱.本研究選用CLDAS土壤濕度（SM）反映土壤水分不足的狀況[21]，同時利用土壤水分虧缺指數(shù)（SWDI）反映不同土壤類型下土壤濕度對干旱的響應.當干旱發(fā)生時，植物受到水分脅迫影響其生長過程，通過CLDAS地表溫度（LandSurfaceTemperature，LST）反映地表溫度對植被生長的制約情況，植被供水指數(shù)（VegetationSupplicationWaterIndex，VSWI）反映植被生長受到水分脅迫的嚴重程度.海拔（DEM）以及坡度（slope）所導致的下墊面狀況差異對于區(qū)域干旱的發(fā)展同樣有重要的影響[22].為此，利用梯度提升機（GBM），將能夠綜合反映降水量與潛在蒸散發(fā)的綜合氣象干旱指數(shù)值（CI）作為因變量，能夠反映干旱狀況的多種因子和指數(shù)作為自變量，構建以CI=f（PRE，SM，LST，AWD，SWDI，VSWI，DEM，slope）為形式的綜合干旱監(jiān)測模型，技術路線如圖2所示.

2.1.1干旱指數(shù)

1）大氣水分虧缺指數(shù)（AtmosphericWaterDeficit，AWD）

降水與蒸散發(fā)都是影響干旱發(fā)生的重要因子，尤其是降水量的減少，往往會直接引起氣象干旱的發(fā)生.大氣水分虧缺指數(shù)（AWD）[23]為降水與潛在蒸散發(fā)的差值，選用其作為構建綜合干旱指數(shù)的因子來反映大氣的水分狀況，具體計算方法[24-25]如下：

式中：iAWD，i為某天的大氣水分虧缺量;Pi為降雨量;mPET，i為潛在蒸散量.當AWD＜0時，說明大氣出現(xiàn)了水分虧缺的狀況.

2）土壤水分虧缺指數(shù)（SoilWaterDeficitIndex，SWDI）

土壤干濕狀況是反映農(nóng)業(yè)干旱發(fā)生的重要指標，而土壤水分虧缺指數(shù)（SWDI）[26]能夠表征土壤水分缺失的嚴重程度，選取其作為綜合干旱指數(shù)構建的一部分，來表征土壤狀況，具體計算方法如下：

式中：θ是土壤含水量;θFC表示田間持水量;θAWC表示土壤有效含水量;θWP表示土壤凋萎濕度;θAWC是θFC與θWP的差值，即θAWC=θFC-θWP.

3）植被供水指數(shù)（VegetationSupplicationWaterIndex，VSWI）

植被供水指數(shù)（VSWI）通過植被生長受到制約的狀況反映干旱程度，將其作為構建綜合干旱指數(shù)的因子[27]，來表征干旱發(fā)生與植被變化的響應關系，VSWI值越小，說明干旱發(fā)生狀況越嚴重，VSWI值越大，說明干旱發(fā)生程度輕.具體計算方法如下：

式中：TLS為地表溫度;iNDV為歸一化植被指數(shù).日尺度NDVI的計算使用MOD09GA產(chǎn)品的紅波段（620～670nm）和近紅外波段（841～876nm），計算公式如下：

式中：RNI表示近紅外波段反射率;R表示紅波段反射率.

4）綜合氣象干旱指數(shù)（CI）

綜合氣象干旱指數(shù)（CI）廣泛應用于氣象干旱監(jiān)測，在我國具有廣泛的適用性.綜合氣象干旱指數(shù)是通過近30天和近60天的標準化降水指數(shù)（SPI），以及近30天的相對濕潤度指數(shù)（MI）綜合計算得到的，其具體計算公式[28]如下：

式中：a為近30天標準化降水系數(shù)，取0.4；b為近60天標準化降水系數(shù)，取0.4；c為近30天相對濕潤系數(shù)，取0.8；ISP，30為近30天的標準化降水指數(shù)值；ISP，60為近60天的標準化降水指數(shù)值；IM，30為近30天的相對濕潤度指數(shù).CI指數(shù)的劃分標準[28]如表1所示.

2.1.2梯度提升機（GBM）

在機器學習中，提升方法（Boosting）是一種通過組合一群復雜程度和訓練成本程度低、不容易過擬合的弱分類器（WeakLearner），建立N個模型，并嘗試在每次分類中都將上一次分錯的數(shù)據(jù)權重提高一點再進行分類，來獲得一個強分類器（StrongLearner）的方法[21，29].梯度提升機（GBM）屬于Boosting的一種，是主要用于解決分類和回歸問題的機器學習算法，通過集成多個弱學習器，每個弱學習擬合先前累加模型的損失函數(shù)的負梯度，使加上該弱學習器后的累積模型損失往負梯度的方向減少，通過優(yōu)化損失函數(shù)來生成最終強預測模型.梯度提升機機器學習算法對輸入變量的相關性沒有嚴格要求，其每輪訓練目標是使預測值與真實值的平方誤差最小.在利用梯度提升機進行模型構建時，考慮到可能出現(xiàn)的過擬合現(xiàn)象，所以在進行模型構建時采用交叉驗證的方法來盡可能避免模型出現(xiàn)過擬合.

本研究首先將基于CLDAS與MODIS數(shù)據(jù)日尺度的干旱因子和指數(shù)值提取至站點并進行歸一化后，與基于站點的日尺度CI指數(shù)共同作為輸入數(shù)據(jù)，建立梯度提升機回歸模型.之后，將基于CLDAS和MODIS數(shù)據(jù)的干旱因子和指數(shù)輸入建立的回歸模型中，生成對研究區(qū)內(nèi)綜合干旱監(jiān)測模型的預測值，用于干旱監(jiān)測.

2.2模型的驗證及相關性分析

參照綜合氣象干旱指數(shù)（CI）的旱情等級劃分標準，將模型預測得到的干旱監(jiān)測指數(shù)值分為特旱、重旱、中旱、輕旱和無旱5個等級，據(jù)此，將CI指數(shù)與模型監(jiān)測的干旱等級進行對比，計算總體一致率，具體計算方法如下：

為了了解構建的綜合干旱監(jiān)測模型的監(jiān)測效果，研究將其與標準化降水蒸散指數(shù)（StandardizedPrecipitationEvapotranspirationIndex，SPEI）和土壤相對濕度（RelativeSoilMoisture，RSM）進行相關性分析，具體計算方法如下：

式中：x和y分別為進行相關性分析的兩個因子;Rxy為因子相關系數(shù);xi和yi分別為兩個因子的第i個值;和分別為兩個因子的平均值.

3結果與分析

3.1綜合干旱監(jiān)測模型驗證

表2所示75%訓練集綜合干旱監(jiān)測值與實測綜合氣象干旱指數(shù)（CI）間的決定系數(shù)（R2）達到0.945，25%測試集綜合干旱監(jiān)測值與實測綜合氣象干旱指數(shù)（CI）的R2為0.655，兩者有著較好的相關性，測試集的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.082、0.062，誤差較小，說明所構建的綜合干旱監(jiān)測模型具有較高的精度.

綜合干旱監(jiān)測模型與CI指數(shù)監(jiān)測的干旱等級一致率比較結果表明（表3），模型監(jiān)測值與CI值的等級一致率達到65.1%～89.4%，7、8、9月等級一致率較高，在82%以上，其余月份等級一致率也都在65%以上，總體上兩者監(jiān)測結果表現(xiàn)出較好的一致率.

3.2與標準化降水蒸散指數(shù)（SPEI）的相關性

標準化降水蒸散指數(shù)（SPEI）是重要的氣象干旱監(jiān)測指數(shù)，可采用它來驗證構建的綜合干旱監(jiān)測模型對氣象干旱的監(jiān)測能力[30].2015—2018年日尺度SPEI指數(shù)與綜合干旱監(jiān)測模型監(jiān)測結果的相關分析表明，兩者具有較好的相關性（圖3），各月相關系數(shù)在0.634～0.735之間，且各個月份間相關系數(shù)相差較小，其中4月和7月相對較高，分別為0.735和0.734，顯著性檢驗p值均小于0.01，相關性結果都達到極顯著水平，說明綜合干旱監(jiān)測模型能夠較好地反映氣象干旱的發(fā)生，具有較好的氣象干旱監(jiān)測能力.

3.3與土壤相對濕度（RSM）指標的相關性

土壤相對濕度是土壤含水量與田間持水量的百分比，是反映土壤水分平衡的重要指標，通常用來反映干旱對于農(nóng)業(yè)的影響[31].研究分析了綜合干旱監(jiān)測模型與0～10cm深度土壤相對濕度的相關性（圖4），4月和5月的相關系數(shù)分別為0.574和0.51，這可能與春季華北地區(qū)春小麥播種時農(nóng)田灌溉，對土壤濕度狀況產(chǎn)生影響有關，其余月份相關系數(shù)均大于0.6，顯著性檢驗p值均小于0.01，相關性結果都達到極顯著水平，模型能夠較好地反映土壤相對濕度變化對于干旱的發(fā)生的影響.

3.4典型干旱情況監(jiān)測分析

華北地區(qū)春季升溫較快，當蒸發(fā)量較大，且尚未進入雨季時，極易導致春旱發(fā)生.我國2015—2018年均有春旱發(fā)生，尤其2016年北方冬麥區(qū)春旱[32]，3月中旬，山西、河北等省部分地區(qū)開始發(fā)生旱情，4月上旬，旱情快速發(fā)展，作物因旱大面積受損.本文選取4月作為研究月份，對綜合干旱監(jiān)測模型與利用克里金進行CI插值的監(jiān)測結果進行了比較，計算出每月發(fā)生干旱的天數(shù).

圖5a結果顯示，2015年4月華北地區(qū)干旱天數(shù)較多，如河北省西北部、山西中部和北部，以及內(nèi)蒙古中部地區(qū)，干旱發(fā)生都超過了15d，而山西南部、河北南部干旱天數(shù)相對較少，低于10d.2016年4月華北地區(qū)干旱發(fā)生如圖5b所示，除山西南部部分地區(qū)外，華北大部干旱發(fā)生天數(shù)大于15d.如圖5c所示，2017華北地區(qū)4月干旱發(fā)生較多地區(qū)主要在河北中北部以及內(nèi)蒙古中部地區(qū)，干旱發(fā)生天數(shù)約在20d以上，而河北南部、山西中南部干旱發(fā)生相對較少.如圖5d所示，2018年4月干旱發(fā)生較多的地區(qū)主要集中在內(nèi)蒙古中部、山西大部、河北少部分地區(qū)，天數(shù)約在15d以上.

此外，相較于模型監(jiān)測結果，CI指數(shù)通過插值由區(qū)域尺度轉化為空間尺度時，較少考慮地表溫度、地表土壤或植被等下墊面分布狀況對干旱發(fā)生的影響.CI監(jiān)測結果（圖5f）顯示山西中部地區(qū)2016年4月干旱發(fā)生小于10d，與綜合干旱監(jiān)測模型結果相比較低（圖5b），可能是由于此處的呂梁山脈黃土廣布同時植被覆蓋度較低，產(chǎn)生的降水難以下滲或被截留，水土流失嚴重，所以干旱發(fā)生狀況較為嚴重，CI監(jiān)測結果低估.2018年4月模型監(jiān)測結果（圖5d）顯示河北西北部與中南部干旱狀況明顯，這是由于河北地形的差異，河北西北部山區(qū)高原與谷地錯落分布，以及林地廣布使得下墊面狀況較為復雜，而中南大部為平原地區(qū)，地形平坦且多為糧食種植區(qū).但由于CI監(jiān)測對于下墊面差異的因素考慮較少（圖5h），所以CI監(jiān)測結果顯示河北2018年4月干旱天數(shù)差異較少，未能充分反映河北省西北部和中南部干旱分布差異的細節(jié).

本文使用克里金插值將由站點計算的CI值從區(qū)域尺度轉換為空間尺度（圖5e—h）的結果表明，雖然站點插值結果基本反映了干旱發(fā)展過程，然而由于站點數(shù)量有限同時站點分布不均，結果無法有效反映部分干旱狀況，所以其結果在沒有氣象站點分布的地方缺乏可信度.例如內(nèi)蒙古中部地區(qū)2015—2018年存在較嚴重的干旱狀況，干旱發(fā)生天數(shù)在20d以上，但CI站點監(jiān)測結果則顯示此處干旱狀況偏輕，干旱嚴重程度低于CI監(jiān)測結果，這是由于插值方法為單純的數(shù)學過程，無法顧及到站點數(shù)量較少或位置分布不均所導致的監(jiān)測結果不準確的問題，從而影響監(jiān)測效果.

4結論與討論

本文通過綜合考慮能夠影響或反映干旱的影響因子，充分利用MODIS衛(wèi)星遙感資料和CLDAS數(shù)據(jù)的優(yōu)勢，選取相應降水、地表溫度、土壤濕度、大氣水分虧缺指數(shù)、植被供水指數(shù)、土壤水分虧缺指數(shù)、高程和坡度等監(jiān)測指標作為自變量，以綜合氣象干旱指數(shù)（CI）作為因變量，利用梯度提升機（GBM）方法，構建了綜合干旱日尺度監(jiān)測模型，并進行了驗證和相關性分析，且通過2015—2018年華北地區(qū)的干旱發(fā)生情況，對模型的適用性進行分析，結果表明：

1）綜合干旱監(jiān)測模型監(jiān)測值與CI值的訓練集的相關決定系數(shù)（R2）為0.945，與測試集R2為0.665，有較好的相關性，訓練集均方根誤差（RMSE）與平均絕對誤差（MAE）分別為0.033與0.021，測試集RMSE與MAE分別為0.082與0.062，誤差較小.生長季（4—10月）模型監(jiān)測結果與CI干旱監(jiān)測等級一致率均在65%以上，說明模型預測有較高的精度.

2）2015—2018年生長季（4—10月）逐天的綜合干旱監(jiān)測模型監(jiān)測結果與基于站點的標準化降水蒸散指數(shù)（SPEI）和土壤相對濕度（RSM）相關系數(shù)也大多在0.6以上，呈現(xiàn)較好的相關性.說明模型不僅對氣象干旱具有一定的監(jiān)測能力，同時對于土壤相對濕度的變化及區(qū)域農(nóng)業(yè)干旱也有一定的監(jiān)測能力.

3）典型干旱情況監(jiān)測對比結果表明，與站點CI監(jiān)測方法相比，綜合干旱監(jiān)測模型能夠較為準確地識別出干旱情況.同時，模型監(jiān)測結果能夠綜合考慮各種干旱影響因素，如下墊面地形地勢以及植被生長狀況等，較好地表征綜合干旱狀況且不受站點數(shù)量和位置分布的影響.

此外，本文綜合干旱監(jiān)測模型仍存在一定的局限性，需要在今后的研究工作中改進：

1）本文主要利用機器學習中梯度提升機（GBM）方法從MODIS數(shù)據(jù)以及CLDAS數(shù)據(jù)中提取干旱發(fā)生的相關信息，探索利用多源數(shù)據(jù)進行區(qū)域的綜合干旱監(jiān)測方法，但對于更多其他構建綜合干旱監(jiān)測模型的方法，還需進一步研究.另外，本文提出的綜合干旱監(jiān)測模型，在構建時仍依賴研究區(qū)站點觀測數(shù)據(jù)，這會影響模型的建立和模型的應用和推廣.因此，如何不受站點觀測數(shù)據(jù)限制建立綜合干旱監(jiān)測模型，仍需要進一步研究.

2）本文從大氣、土壤和植被多方面綜合考慮多種影響干旱因子，進行綜合干旱監(jiān)測模型的構建，并利用CLDAS數(shù)據(jù)，對日尺度綜合干旱監(jiān)測進行了初步探索，并取得了較好的效果.但是由于干旱成因復雜、致旱因子復雜多樣，如植被類型、地表反照率或人類活動等都會對干旱發(fā)生產(chǎn)生影響，另外，由于所選擇的降水、植被等自變量的前期狀況也會對長歷時或現(xiàn)時干旱的發(fā)生產(chǎn)生影響，而本文并未考慮到降水、植被等變量影響的滯后效應對于長歷時或現(xiàn)時干旱的影響.因此，緊密結合區(qū)域特性，更精細地探究不同致旱因子在干旱發(fā)生中的作用，引入更長時間序列的CLDAS精確數(shù)據(jù)，輔以更加優(yōu)越精確的干旱監(jiān)測模型，例如處理延遲序列具有優(yōu)勢的長短期記憶網(wǎng)絡（LSTM）模型，將滯后效應的影響納入分析，進行綜合干旱監(jiān)測的研究，這些仍是需要進一步探討的重要問題.

參考文獻

References

［1］

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（4）：497-508

WANGJinsong，LIYaohui，WANGRunyuan，etal.Preliminaryanalysisonthedemandandreviewofprogressinthefieldofmeteorologicaldroughtresearch[J].JournalofAridMeteorology，2012（4）：497-508

[2]李新周，劉曉東，馬柱國.近百年來全球主要干旱區(qū)的干旱化特征分析[J].干旱區(qū)研究，2004，21（2）：97-103

LIXinzhou，LIUXiaodong，MAZhuguo.Analysisonthedroughtcharacteristicsinthemainaridregionsintheworldsincerecenthundred-oddyears[J].AridZoneResearch，2004，21（2）：97-103

[3]屈艷萍，呂娟，蘇志誠，等.抗旱減災研究綜述及展望[J].水利學報，2018，49（1）：115-125

QUYanping，LJuan，SUZhicheng，etal.Researchreviewandperspectiveofdroughtmitigation[J].JournalofHydraulicEngineering，2018，49（1）：115-125

[4]McKeeTB，DoeskenNJ，KleistJ.Therelationshipofdroughtfrequencyanddurationtotimescales[C]//Proceedingsofthe8thConferenceonAppliedClimatology.January17-22，1993，Anaheim，California，USA.1993，17（22）：179-183

[5]Vicente-SerranoS，BegueríaS，López-MorenoJI.Amultiscalardroughtindexsensitivetoglobalwarming：thestandardizedprecipitationevapotranspirationindex[J].JournalofClimate，2010，23（7）：1696-1718

[6]PalmerWC.Keepingtrackofcropmoistureconditions，nationwide：thenewcropmoistureindex[J].Weatherwise，1968，21：156-161

[7]KoganFN.Applicationofvegetationindexandbrightnesstemperaturefordroughtdetection[J].AdvancesinSpaceResearch，1995，15（11）：91-100

[8]KoganF，SullivanJ.Developmentofglobaldrought-watchsystemusingNOAA/AVHRRdata[J].AdvancesinSpaceResearch，1993，13（5）：219-222

[9]ZhangLF，JiaoWZ，ZhangHM，etal.StudyingdroughtphenomenainthecontinentalUnitedStatesin2011and2012usingvariousdroughtindices[J].RemoteSensingofEnvironment，2017，190：96-106

[10]張婧嫻，沈潤平，郭佳.不同數(shù)據(jù)挖掘方法在綜合干旱監(jiān)測模型構建中的應用研究[J].江西農(nóng)業(yè)大學學報，2017，39（5）：1047-1056

ZHANGJingxian，SHENRunping，GUOJia.Astudyofapplicationofdifferentdataminingmethodsinintegrateddroughtmonitoring[J].ActaAgriculturaeUniversitatisJiangxiensis，2017，39（5）：1047-1056

[11]牛乾坤，劉瀏，程湫雅，等.基于多源遙感數(shù)據(jù)的河套灌區(qū)干旱時空演變特征[J].干旱地區(qū)農(nóng)業(yè)研究，2020，38（4）：266-277

NIUQiankun，LIULiu，CHENGQiuya，etal.SpatiotemporalcharacteristicsofdroughtintheHetaoirrigationdistrictbasedonremotesensingdatafrommulti-sources[J].AgriculturalResearchintheAridAreas，2020，38（4）：266-277

[12]秦大輝，楊靈，諶倫超，等.基于多源數(shù)據(jù)的新疆干旱特征及干旱模型研究[J].自然資源遙感，2022（1）：151-157

QINDahui，YANGLing，CHENLunchao，etal.AstudyonthecharacteristicsandmodelofdroughtinXinjiangbasedonmulti-sourcedata[J].RemoteSensingforNaturalResources，2022（1）：151-157

[13]吳志勇，程丹丹，何海，等.綜合干旱指數(shù)研究進展[J].水資源保護，2021，37（1）：36-45

WUZhiyong，CHENGDandan，HEHai，etal.Researchprogressofcompositedroughtindex[J].WaterResourcesProtection，2021，37（1）：36-45

[14]劉瑩，師春香，王海軍，等.CLDAS氣溫數(shù)據(jù)在中國區(qū)域的適用性評估[J].大氣科學學報，2021，44（4）：540-548

LIUYing，SHIChunxiang，WANGHaijun，etal.ApplicabilityassessmentofCLDAStemperaturedatainChina[J].TransactionsofAtmosphericSciences，2021，44（4）：540-548

[15]師春香，姜立鵬，朱智，等.基于CLDAS2.0驅(qū)動數(shù)據(jù)的中國區(qū)域土壤濕度模擬與評估[J].江蘇農(nóng)業(yè)科學，2018，46（4）：231-236

SHIChunxiang，JIANGLipeng，ZHUZhi，etal.SimulationandevaluationofsoilmoistureinChinabasedonCLDAS2.0drivingdata[J].JiangsuAgriculturalSciences，2018，46（4）：231-236

[16]HuangA，ShenR，ShiC，etal.EffectsofsatelliteLAIdataonmodellinglandsurfacetemperatureandrelatedenergybudgetintheNoah-MPlandsurfacemodel[J].JournalofHydrology，2022，613：128351

[17]許金濤.中國大陸IMERG降水產(chǎn)品精度評價與融合校正研究[D].杭州：浙江大學，2020

XUJintao.PrecisionevaluationandfusioncorrectionofIMERGprecipitationproductsinChinesemainland[D].Hangzhou：ZhejiangUniversity，2020

[18]安雪麗，王前鋒，莫新宇，等.華北地區(qū)農(nóng)業(yè)干旱災害變化特征[J].北京師范大學學報（自然科學版），2016，52（5）：591-596

ANXueli，WANGQianfeng，MOXinyu，etal.CharacteristicsofagriculturaldroughtdisasterinNorthernChina[J].JournalofBeijingNormalUniversity（NaturalScience），2016，52（5）：591-596

[19]孫帥，師春香，梁曉，等.不同陸面模式對我國地表溫度模擬的適用性評估[J].應用氣象學報，2017，28（6）：737-749

SUNShuai，SHIChunxiang，LIANGXiao，etal.AssessmentofgroundtemperaturesimulationinChinabydifferentlandsurfacemodelsbasedonstationobservations[J].JournalofAppliedMeteorologicalScience，2017，28（6）：737-749

[20]國家青藏高原科學數(shù)據(jù)中心.面向陸面過程模型的中國土壤水文數(shù)據(jù)集（1980）[DS/OL].[2023-01-01].https：//data.tpdc.ac.cn/zh-hans/data/205da4ae-63cd-48e1-994e-0b5d8830812a/？q=

NationalTibetanPlateau/ThirdPoleEnvironmentDataCenter.AChinadatasetofsoilhydraulicparameterspedotransferfunctionsforlandsurfacemodeling（1980）[DS/OL].[2023-01-01].https：//data.tpdc.ac.cn/zh-hans/data/205da4ae-63cd-48e1-994e-0b5d8830812a/？q=

[21]韓慧敏，沈潤平，黃安奇，等.基于集成學習方法的CLDAS土壤濕度降尺度研究[J].南京信息工程大學學報（自然科學版），2021，13（6）：693-706

HANHuimin，SHENRunping，HUANGAnqi，etal.DownscalingofCLDASsoilmoisturebasedonensemblelearningmethod[J].JournalofNanjingUniversityofInformationScience&Technology（NaturalScienceEdition），2021，13（6）：693-706

[22]杜靈通.基于多源空間信息的干旱監(jiān)測模型構建及其應用研究[D].南京：南京大學，2013

DULingtong.Constructionandapplicationofdroughtmonitoringmodelbasedonmulti-sourcespatialinformation[D].Nanjing：NanjingUniversity，2013

[23]PurcellLC，SinclairTR，McNewRW.Droughtavoidanceassessmentforsummerannualcropsusinglong-termweatherdata[J].AgronomyJournal，2003，95（6）：1566-1576

[24]MishraA，VuT，VeettilAV，etal.Droughtmonitoringwithsoilmoistureactivepassive（SMAP）measurements[J].JournalofHydrology，2017，552（9）：620-632

[25]MakkinkGF.TestingthePenmanformulabymeansoflysimeters[J].JournaloftheInstitutionofWaterEngineers，1957，11：277-288

[26]Martínez-FernándezJ，González-ZamoraA，SánchezN，etal.Asoilwaterbasedindexasasuitableagriculturaldroughtindicator[J].JournalofHydrology，2015，522：265-273

[27]CarlsonTN，GilliesRR，PerryEM.AmethodtomakeuseofthermalinfraredtemperatureandNDVImeasurementstoinfersurfacesoilwatercontentandfractionalvegetationcover[J].RemoteSensingReviews，1994，9（1/2）：161-173

[28]國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標準化管理委員會.氣象干旱等級：GB/T20481—2006[S].北京：中國標準出版社，2007

GeneralAdministrationofQualitySupervision，InspectionandQuarantineofthePeoplesRepublicofChina，StandardizationAdministrationofthePeoplesRepublicofChina.Classificationofmeteorologicaldrought：GB/T20481-2006[S].Beijing：StandardsPressofChina，2007

[29]徐繼偉，楊云.集成學習方法：研究綜述[J].云南大學學報（自然科學版），2018，40（6）：1082-1092

XUJiwei，YANGYun.Asurveyofensemblelearningapproaches[J].JournalofYunnanUniversity（NaturalSciencesEdition），2018，40（6）：1082-1092

[30]ShenRP，HuangAQ，LiBL，etal.Constructionofadroughtmonitoringmodelusingdeeplearningbasedonmulti-sourceremotesensingdata[J].InternationalJournalofAppliedEarthObservationandGeoinformation，2019，79：48-57

[31]郭佳.基于隨機森林的遙感干旱監(jiān)測模型及其應用研究[D].南京：南京信息工程大學，2016

GUOJia.Remotesensingdroughtmonitoringmodelbasedonrandomforestanditsapplication[D].Nanjing：NanjingUniversityofInformationScience&Technology，2016

[32]中華人民共和國水利部.中國水旱災害公報2016[R].北京：中國水利水電出版社，2017

IntegrateddroughtmonitoringmodelbasedonMODISandCLDAS

XINGYajie1SHENRunping1HUANGAnqi1LIANGYujing1

WANGYunyu1XIEZhaoying1SHIChunxiang2SUNShuai2

1SchoolofGeographicalSciences，NanjingUniversityofInformationScience&Technology，Nanjing210044，China

2NationalMeteorologicalInformationCenter，Beijing100081，China

AbstractTraditionaldroughtindicesmainlyconsiderasinglefactorandoftencannotcomprehensivelyreflectthedroughtcondition.BasedondataofMODISandCLDAS（CMALandDataAssimilationSystem），adailyscaleintegrateddroughtmonitoringmodelwasestablishedbyGradientBoostingMachine（GBM）withmultipleinfluencingfactorsanddroughtindexasindependentvariablesandcomprehensivemeteorologicaldroughtindex（CI）asdependentvariable.ItwasresearchedbytakingdroughtinNorthChinafrom2015to2018asacase.TheresultsshowthatthemodelmonitoringresultsaresignificantlycorrelatedwiththecalculatedCIvaluesoftheobservationstations.Thecoefficientofdeterminationis0.945and0.655，andtheRootMeanSquareError（RMSE）is0.033and0.082fortrainingandtestsets，respectively，indicatingthehighaccuracyoftheproposedintegrateddroughtmonitoringmodel.TheconsistencyratebetweenthemodelmonitoredCIandcalculatedCIvaluesisabove65%，andthecorrelationcoefficientwithStandardPrecipitationEvapotranspirationIndex（SPEI）andRelativeSoilMoisture（RSM）is0.68and0.6，respectively，showingitscapacitytoreflectboththemeteorologicaldroughtandtheagriculturaldrought.Monitoringoftypicaldroughtconditionshowsthattheintegrateddroughtmonitoringmodelcanaccuratelyidentifythedroughtoccurrence，andrepresentthesituationofcomprehensivedroughtviaconsideringvariousdroughtinfluencingfactors.

KeywordsCLDAS;integrateddroughtmonitoring;gradientboostingmachine（GBM）;MODIS