img img
  • CN 62-1091/P
  • ISSN 1001-8166
  • 月刊 创刊于1986年
高级检索

地球科学进展, 2019, 34(3): 275-287 doi: 10.11867/j.issn.1001-8166.2019.03.0275

基于多源信息的综合干旱监测研究进展与展望

江笑薇,1,2, 白建军,1,2, 刘宪峰1,2

1. 陕西师范大学地理科学与旅游学院,陕西 西安 7100119

2. 陕西师范大学地理学国家级实验教学示范中心,陕西 西安 7101

Research Progress and Prospect of Integrated Drought Monitoring Based on Multi-source Information

Jiang Xiaowei,1,2, Bai Jianjun,1,2, Liu Xianfeng1,2

1. College of Geography and Tourism,Shaanxi Normal University,Xi’an 710119,China

2. National Demonstration Center for Experimental Geography Education,Shaanxi Normal University,Xi’an 710119,China

收稿日期: 2018-11-24   修回日期: 2019-01-10   网络出版日期: 2019-04-25

基金资助: 陕西省自然科学基金面上项目“土壤质地、作物类型及物候期对遥感干旱指数的影响”.  编号:2016JM4016
国家自然科学基金项目“融合多要素及其时滞效应的农业干旱综合监测方法研究”.  编号:41801333

Received: 2018-11-24   Revised: 2019-01-10   Online: 2019-04-25

作者简介 About authors

江笑薇(1992-),女,陕西铜川人,博士研究生,主要从事资源环境遥感、农业干旱遥感研究.E-mail:648762060@qq.com , E-mail:648762060@qq.com

白建军(1969-),男,陕西渭南人,教授,主要从事资源环境遥感、农业遥感研究.E-mail:bjj@snnu.edu.cn , E-mail:bjj@snnu.edu.cn

摘要

当前干旱监测已由单一要素向多要素综合方向转变,为了更好地促进综合干旱监测理论和相关模型的发展,全面系统地分析了综合干旱监测的概念内涵,梳理了综合干旱监测模型的构建方法,将其划分为水平衡模型法、线性模型组合法、多变量联合分布函数法、主成分分析法和多源信息数据挖掘法5种。进一步针对当前综合干旱监测存在的挑战与不足,提出了综合干旱监测模型未来应努力发展的方向,即在理论层面上:一是研究干旱内在机理与发生发展过程,明晰干旱影响因素间的关联关系,构建集成多要素的定量干旱综合监测模型;二是增强干旱监测模型的针对性,依据地域、下垫面、生长季等的不同,发展适宜的干旱监测模型;三是针对模型验证难的问题,构建干旱综合监测模型精度验证指标体系。在技术层面上,研究与干旱相关多源信息的集成与融合,提高其综合利用水平,为干旱监测提供丰富的数据支撑和技术保障。

关键词: 干旱 ; 多源信息 ; 综合监测模型

Abstract

At present, drought monitoring has changed from single factor to multi-factor comprehensive direction. In order to better promote the development of comprehensive drought monitoring theory and related models, the conceptual connotation of comprehensive drought monitoring was comprehensively and systematically analyzed, and the construction methods of comprehensive drought monitoring model were sorted out, which were divided into fivemethodsWater balance model method, linear model combination method, multi-variable joint distribution function method, principal component analysis method and multi-source information data mining method. Furthermore, in view of the current challenges and shortcomings of integrated drought monitoring, the direction of future development of integrated drought monitoring model was put forward, that is, at the theoretical level: The first is to study the internal mechanism of drought and its occurrence and development process, clarify the relationship among the factors affecting drought, and construct a comprehensive quantitative drought monitoring model integrating multiple factors; The second is to enhance the pertinence of drought monitoring model, develop suitable drought monitoring model according to different regions, underlying surface, growing season, etc.;The third is to construct the precision verification index system of comprehensive monitoring model for drought in view of the difficulty of model validation. At the technical level, the integration and fusion of drought-related multi-source information is studied to improve its comprehensive utilization level and provide abundant data support and technical support for drought monitoring.

Keywords: Drought ; Multisource information ; Integrated monitoring model.

PDF (2146KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

江笑薇, 白建军, 刘宪峰. 基于多源信息的综合干旱监测研究进展与展望. 地球科学进展[J], 2019, 34(3): 275-287 doi:10.11867/j.issn.1001-8166.2019.03.0275

Jiang Xiaowei. Research Progress and Prospect of Integrated Drought Monitoring Based on Multi-source Information. Advances in Earth Science[J], 2019, 34(3): 275-287 doi:10.11867/j.issn.1001-8166.2019.03.0275

1 引 言

自20世纪70年代以来,人类活动日益频繁,全球气候不断变暖,导致干旱等极端事件发生的频度和强度进一步增多[1]。干旱已成为影响人类社会最为严重的自然灾害之一[2]。研究资料显示,干旱给人类社会酿成了重大损失。在经济方面,年均损失60亿~80亿美元[3,4,5],总损失量占气象灾害的50%。在生态方面,干旱的持续性导致水分亏缺不断加剧,引发水资源短缺、粮食减产、土地沙化和生态危机等危害。IPCC系列报告指出,未来干旱的发生仍然有不断增加的趋势[6]。行之有效的干旱监测研究,作为提高旱情风险管控和预警能力的重要途径,现已引起世界各国政府和学者的普遍关注。

干旱发生发展的内在机理极其复杂,影响因素众多(图1),主要包括降水、径流、蒸散发和人为灌溉等,且不同影响因素随时间变化而改变。一般而言干旱按其成因和影响效果分为气象干旱、农业干旱、水文干旱和社会经济干旱4种类型。其中气象干旱主要反映降水不足导致的蒸散发不平衡的程度;农业干旱主要衡量土壤含水量不能满足作物正常生长的程度;水文干旱主要表示河川径流量低于正常水位或含水层水位降低的程度;社会经济干旱主要体现水资源短缺造成社会经济生产损失的程度[7]。上述4种干旱虽然定义上有所差异,但它们互为关联、互为影响,其共同点是长期降水不足引起的水分供应不平衡。干旱作为一种复杂的现象,难以仅靠单一因子描述其发生、发展过程和影响范围,而如何综合众多干旱相关因子准确监测干旱成为干旱监测研究的重点与难点问题。综合多源信息的干旱监测法为解决该问题提供了切实可行的思路和方向,它是通过气象、遥感和野外实测等多源信息的综合,从中选取与干旱关联性较高的因子,通过多种建模方法构建多因素干旱模型,监测一种或多种类型的干旱。

图 1

图 1   干旱影响因素

Fig. 1   Drought affecting factor


国外已有部分学者尝试构建综合多源信息的干旱模型监测旱情[8,9,10,11],近几年国内学者也致力于干旱综合监测模型的研究,在学习国外已有综合模型的基础上改进相关模型,以期更适应我国的旱情监测。目前,构建多源信息的干旱监测模型已经成为当前研究热点[12,13,14]。回顾已有研究,发现学界对综合多源信息的干旱监测方法还缺乏一个系统全面的认知,有必要对其建立及发展历程进行全面梳理。基于此,本文从干旱综合监测模型构建方法的角度系统梳理了国内外旱情指标及其发展历程,并在分析现有研究方法存在的不足与挑战的基础上,归纳出未来干旱综合监测方法应深入研究的方向,以期为干旱监测与风险预警提供理论支持。

2 综合干旱监测方法研究进展

综合干旱监测法是指通过集成多源信息,采用不同建模方法综合多个单一干旱指标,构建干旱综合监测模型,以期较为全面准确地监测旱情。目前常用综合干旱指数有数十种(表1),从20世纪60 ~80年代的水平衡模型开始,到20世纪90年代末、21世纪初多种模型的尝试与探索,发展至2010年后趋向于以线性组合、联合分布函数和数据挖掘法为主,历经50余年的发展(图2)。其构建流程如图3所示。

图2

图2   主要干旱综合监测指数发展历程

Fig. 2   The development history of main drought monitoring index


图3

图3   综合干旱监测模型构建流程

Fig. 3   The construction process of Integrated Drought Monitoring Model


表1   主要综合干旱指数

Table 1  The main integrated drought index

方法指标名称应用范围适应性局限性

水平衡

模型

帕默尔干旱指数(Palmer Drought Severity

Index,PDSI)

气象干旱、

农业干旱

考虑蒸散发、降水、径流对干旱的影响,从内在机理角度描述干旱具有一定的时空局限性

地表供水指数(Soil Water Stress Index,

SWSI)

农业干旱在PDSI基础上综合了积雪融水、水库蓄水对干旱的影响参数较多,不易计算
标准降水蒸散指数(Standardized Precipitation Evaporation Index,SPEI)

农业干旱、

水文干旱

多时间尺度,综合蒸散发等

干旱相关影响因素

参数较多,不易计算
线性组合美国干旱监测模型(The U.S. Drought Monitor,USDM)农业干旱监测国家、州等大尺度干旱将指标间表述为线性相关关系,难以描述非线性关系,缺乏内在机理性
美国的最佳混合NLDAS(The North American Land Data Assimilation System)的综合干旱指数(Objective Blended NLDAS Drought Index,OBNDI)农业干旱

监测国家尺度干旱,提高了

USDM监测精度

最大平均干旱指数(Grand Mean Index,GMI)气象干旱、水文干旱、农业干旱

考虑地表温度因子,用于地区、

小尺度区域干旱监测

微波综合干旱指数(Microwave Integrated Drought Index,MIDI)农业干旱基于多传感器微波遥感数据,监测地区短期干旱
旱情综合监测指数(Comprehensive Remote Sensing Drought Monitoring Index,RSI)农业干旱综合温度条件指数和植被条件指数,监测地区干旱
联合分布函数联合干旱指数(Joint Drought Index,JDI)气象干旱、水文干旱、农业干旱

基于累计降水与径流的综合干旱指数,描述变量间非线性关系。

能够进行短期风险评估

构建联合分布函数的干旱变量须具有相同边际分布。缺乏内在机理性

多变量标准化干旱指数(Multivariate

Standardized Drought Index,MSDI)

气象干旱、水文干旱、农业干旱基于累计降水和土壤水分的综合干旱指数,能够进行短期风险评估
基于标准帕默尔干旱指数(Standardized Palmer Drought Index,SPDI)的综合干旱指数(Standardized Palmer Drought Index-Joint Drought Index ,SPDI-JDI)气象干旱、水文干旱、农业干旱

具有不同的时间尺度。

能够进行短期风险评估

主成分

分析

干旱综合指数(Aggregate Drought Index,ADI)气象干旱、水文干旱、农业干旱综合多源信息,据研究区地域特点选择不同变量,具有一定的普适性只能表述线性相关关系,且假设第一主成分表示原数据最大方差

非线性干旱综合指数(Multivariate Drought

Index,MDI)

气象干旱、

农业干旱

基于核熵成分分析(KECA)法,

优化了模型降维过程

认为熵是信息最大输出,只能描述非线性变量关系
数据挖掘

干旱综合监测指数(Standardized Drought

Index,SDI)

农业干旱、

气象干旱

半定量半经验干旱监测模型。解决干旱指标时空尺度不一致问题建模所需指标数据量较大,数据收集较为困难

植被干旱响应指数(Vegetation Drought

Response Index,Veg-DRI)

农业干旱

用于国家尺度干旱监测。描述植被(生长期)对干旱的响应力。

高空间、时间分辨率

难以描述非线性关系,缺乏内在机理性

新窗口打开| 下载CSV


2.1 水平衡模型法

水平衡模型法尝试从干旱发生机理监测干旱,通过对降水、径流、蒸散发以及人为灌溉等因素进行关联性分析,从水分蒸散发的角度监测干旱[15,16]

国外已有大量基于水平衡模型法的干旱综合监测研究[17,18,19]。Palmer[20]于1965年提出了基于该模型的帕默尔干旱指数(Palmer Drought Severity Index,PDSI),主要反映降水和气温的综合变化,以及蒸散发、土壤湿度和径流对干旱的影响,通常作为气象干旱指数,也可应用于农业干旱监测[21]。该指数是基于数月或数年的时间尺度,监测区实际供水持续小于维持该区域气候适宜正常水平衡需水的现状,推导出水分亏缺时间和亏缺量之间的函数关系,用以监测土壤水分[22,23,24]。其表达式为:

PDSIi=0.897PDSIi-1+13Zi

式中:PDSIi和PDSIi-1分别指第i月和第i-1月的PDSI,Z是指水分距平指数(也称Z指数),0.897和 1/3分别是PDSIi-1Z的权重,根据Palmer早期在美国爱荷华州中部和堪萨斯州西部的研究中推导得来。PDSI作为一种基于水平衡模型的综合监测指标,成为当时干旱监测指标的里程碑,广泛应用于美国各地[24]

PDSI存在一定的局限性[26]。Shafer等[27]于1982年提出了地表供水指数(Soil Water Stress Index,SWSI),该指数包含积雪消融、水库蓄水、河流径流、降水等地表供水和植被需水状况,取得了较好效果,弥补了PDSI考虑地表供水相关因素不全面的缺陷[28,29]。McKee等[30]于1993年发现降水服从偏态分布,基于此提出了标准降水指数(Standardized Precipitation Index,SPI),该指数通过计算给定时间内降雨量的累计概率,比较客观地表述了多时间尺度下的降水概率,反映降水因素对干旱的影响。SPI能够根据不同时间尺度描述多种干旱类型,具体表现为短期尺度描述气象干旱,中期尺度描述农业干旱,长期尺度描述水文干旱,是继PDSI之后又一种被广泛认可的干旱指数,成为大多数综合干旱监测模型构建的基础性指数,突出了降水对干旱形成的作用。然而干旱影响因素众多,该指数仅能表征降水对干旱的影响,具有相应的局限性。Wells等[31]于2004年提出了自适应帕默尔干旱指数(Self-Calibrating Palmer Drought Severity Index,SC-PDSI),该指数最大的优点在于充分考虑监测区的地域性,能够根据不同地域特点选取模型的校正系数,弥补了PDSI的地域局限性。Vicenteserrano等[32]综合考虑PDSI和SPI的优缺点,于2010年提出标准降水蒸散指数(Standardized Precipitation Evaporation Index,SPEI)。该指数集合了SPI多时间尺度和PDSI能够反映蒸散发的优点,成为较为理想的综合监测方法之一。SPEI是综合考虑降水与蒸散发的一种基于水平衡模型的综合监测指标,计算方法与SPI类似,主要应用于未来气候变化方面监测,也可用于农业干旱监测。

国内学者对基于水平衡模型的综合干旱指数也进行了大量研究。张强等[33]采用标准降水化指数与相对湿润度指数加权求和的方法,提出综合气象干旱指数(Comprehensive Meteorological Drought Index,CI);王劲松等[34]利用季节降水量相对变率与蒸散发相对变率比值定义的方式,提出K指数(K drought index),并成功应用于农业干旱和气象干旱监测;冯建设等[35]使用联合国粮食及农业组织(Food and Agriculture Organization,FAO)推荐的Penman-Monteith修正公式,综合考虑净辐射、空气动力学阻力等因素对潜在蒸散发的影响,提出了复合相对湿润度指数Mc(Combined Relative Humidity Index),解决了干旱前期土壤收支平衡累计影响,并在此基础上提出了区域综合复合相对湿润度指数MRC(Regional Combined Relative Humidity Index),实现了济南市农业干旱的周年监测;刘宗元等[36]使用Woli[37]提出的农业干旱参考指数(Agricultural Reference Index for Drought,ARID)监测了我国西南地区玉米干旱的时空变化,验证了该指数在西南地区的适应性。

基于水平衡模型的综合干旱监测法能够充分考虑蒸散发对干旱的影响,尝试从干旱内在机理和发展过程描述干旱,具有一定的内在机理性。然而该模型在数据源上主要依赖于气象台站获取的观测数据,由于气象站点存在空间分布不均、原数据随站点迁移导致观测时间不统一等问题,同时,模型参数繁多且难以获取,这些不足导致了监测结果存在较大的不确定性,难以准确监测干旱,在一定程度上限制了该模型的应用[38,39]

2.2 线性组合监测法

线性组合监测法通过构建气象、遥感、野外实测等多源信息间线性相关关系,历经几十年的发展,形成了基于专家经验、VFSA算法和相关分析3类不同权重赋值的干旱综合监测模型,3种模型互为关联、递进发展,目前在干旱监测中应用最为广泛。

基于专家经验构建的干旱综合监测模型综合考虑了气象、卫星遥感、实测数据和田间报告等多种干旱相关指标,并根据专家经验赋予各指标不同的权重系数,广泛应用于国家、州和地区等不同尺度的干旱监测[40,41]。其中,美国干旱监测模型(The U.S. Drought Monitor, USDM)采用多个干旱监测模型概率百分位法综合PDSI、SPI和Keetch-Byram干旱指数、土壤湿度模式、7天河流均径流量指标和降水距平指数,并辅以主观专家经验(来自美国不同地区350位气象水文专家的干旱相关研究成果,包括实测数据和田间报告等)进行校正,以此监测国家或州尺度的旱情空间分布以及干旱等级[42]。USDM产品由位于内布拉斯加大学林肯分校的国家减灾中心每周发布。采用百分位法将旱情分为4个等级,干旱强度逐级递进。基于该系统,美国国家环境预报中心(The National Centers for Environmental Prediction, NCEP)和美国国家海洋与大气局(National Oceanic and Atmospheric Administration,NOAA)分别提供了短期和长期时间尺度的干旱监测产品。USDM采用基于全国不同地区专家经验和实测报告来调整构成参数和权重比例,使得模型具有一定的通用性,现已在美国本土、加拿大和墨西哥广泛使用[43]

然而受数据源分辨率限制,USDM不适合于小范围区域的干旱监测,有一定的尺度限制。Lettenmaier等[44]基于多个地表模拟模型,提出了等权重的最大平均干旱指数(Grand Mean Index,GMI),反映了降水、土壤湿度和径流对干旱的影响。该指数包含3个指标,即6个月标准降水指数(SPI6)、土壤水分总量百分位数(Total Soil Moisture Percentiles,SMP)和3个月标准径流指数(Three month Standardized Runoff Index,SRI3),各个指标等权重,主要用来监测地区尺度的旱情状况,弥补了USDM监测尺度与分辨率不足的局限。

基于VFSA算法的干旱综合监测模型,弥补了专家经验权重赋值客观性较差的不足。Xia[45]通过建立北美陆地数据同化系统(The North American Land Data Assimilation System,NLDAS)和USDM 2种干旱产品间的线性组合关系,并在USDM权重赋值的基础上,采用VFSA算法优化指标权重系数,提出了最佳混合NLDAS的综合干旱指数(Objective Blended NLDAS Drought Index,OBNDI)。OBNDI通过综合NLDAS-2数据产品(土壤总含水量、河流总径流量、蒸散发量和1 m土壤月均最高含水量)模拟USDM的10年统计数据,自动化生成并改进USDM型干旱地图,提高了USDM干旱监测精度,使2种产品间干旱面积百分比的均方根误差最小[46,47]。OBNDI在继承USDM优点的基础上,可以进一步描述干旱的开始、终止和持续时间。

基于相关分析的干旱综合监测模型,弥补了VFSA算法过分依赖USDM权重赋值的局限性。随着星载传感器的发展,利用卫星遥感可获取与干旱相关的连续性实时气候、水文、植被数据[48,49,50,51,52,53,54]。部分学者对遥感数据计算的干旱指标,如地表温度指数、植被指数等与土壤湿度指数进行相关性分析,并将相关系数归一化后获得指标权重,显著减少了主观经验的影响,使模型的客观性更强[55,56,57]。其中使用较为广泛的是Zhang等[56]采用多传感器微波遥感数据包括基于TRMM数据的降水条件指数(Precipitation Concentration Index,PCI)、基于地球观测的先进微波扫描辐射仪(Advanced Microrrave Scanning Radiomete for Earth observation,AMSR-E)的土壤水分条件指数(Soil Moisture Condition Index,SMCI)和温度条件指数(Temperature Condition Index,TCI),并利用PCI和SMCI分别与土壤湿度进行相关分析获得指标权重,提出了微波综合干旱指数(Microwave Integrated Drought Index,MIDI),用以监测短期干旱。同样的,我国学者李强子等[58]利用来自国产卫星的环境、热红外数据以及MODIS数据计算TCI和植被条件指数(Vegetation Condition Index,VCI),并通过与土壤湿度进行相关分析,相关系数归一化后确定指标权重,构建了旱情综合监测指数(Comprehensive Remote Sensing Drought Monitoring Index,RSI),成功监测了2010年春季我国西南地区干旱状况。该方法对遥感数据精度要求较高,且多适应于小尺度区域的短期旱情监测。

基于线性组合模型的干旱综合监测法计算简单,广泛应用于旱情监测。然而旱情变量间存在复杂的相关关系,包括线性和非线性关系,该模型只局限于描述线性相关关系,因而具有一定的局限性。

2.3 多变量联合分布函数监测法

多变量联合分布函数监测法通过构建降水、土壤水分和径流等干旱相关影响因素或相应干旱指数SPI,SMP和SRI的联合分布函数,能够同时监测气象干旱、水文干旱和农业干旱。实际操作中普遍采用多元统计学Copula函数构建干旱影响因素间的联合分布函数。该函数定义F(x)和Gy)分别表示随机变量XY的边际分布函数,则联合分布Fc可以用一个Copula C表示为公式(2)[59,60]。Copula作为构造二维分布族的起点,可用于多元模型分布和随机模拟,描述各个干旱变量的线性或非线性概率分布,以此来监测干旱[61,62,63]。Beersma等[64]提出将降水和径流作为随机变量XY,构成二维联合分布函数F2,表达式为公式(3),即表示降水和径流分别同时小于阈值xy的概率分布。2个变量XY的联合概率可以看作是度量干旱的一种准则。

Fc=C[Fx),Gy)] ,
F2=PX ≤x,Y≤y) 。

Kao等[65]采用Copula连接累计降水量与径流量间的联合分布函数及边际分布函数,并基于肯德尔分布函数,提出了联合干旱指数(Joint Drought Index,JDI),被验证为有效的干旱监测指标。Hao等[66,67,68]采用3种Copula函数分别拟合降水与土壤水分,选择p值最大的Copula函数联合标准降水指数SPI和标准土壤水分指数(Standard Soil moisture Index,SSI),提出了多变量标准化干旱指标(Multivariate Standardized Drought Index,MSDI),该指标整合了SPI和SSI分别表征干旱不同时间尺度(SPI-3,SPI-6和SPI-12)和其持久性的优势,能够描述干旱的起始与终止。该指数成功应用于美国加利福尼亚州农业区、内陆山区、北卡罗纳州山地区、半城市区和沿海地区的干旱监测。Ma等[69]利用高维Gaussian Copula函数和t-Copula函数,综合水文和气象相关变量,构建了基于标准帕默尔干旱指数(Standardized Palmer Drought Index,SPDI)的综合干旱指数(Standardized Palmer Drought Index-Joint Drought Index,SPDI-JDI),成功集成了不同时间尺度的干旱指标。

基于多变量联合分布函数模型的干旱综合监测法能够描述多变量间联合行为,如水—气候变量反映了降水、土壤水分、径流或者相应干旱指标SPI和PDSI等的联合分布[70]。该方法最大的优势是通过联合分布函数能够得出概率分布,便于进行短期风险评估,增强了干旱风险管控预警能力;其缺点是构建的干旱变量数量较多时,计算较为复杂,难以进行高维度建模,且该方法未考虑干旱的物理过程,缺乏内在机理性[71]

2.4 主成分分析监测法

主成分分析又称主分量分析,旨在利用降维思想,通过线性变换将多个指标转化为少数几个指标即主成分,其中每个主成分都能够反映原始数据的大部分信息,均不重复。由于干旱评价指标较多,不同指标构成多维空间分布,难以划分不同的类别。而主成分分析法能够进行数据降维,以降低分级分类的难度,实现旱情分级的目的。其中具有代表性的是Keyantash等[72]综合降水、径流量、土壤水分、蒸散发、水库蓄水量和雪水含水量等干旱影响因素提出了多变量干旱综合指数(Aggregate Drought Index,ADI)。其基本原理是,假设X表示原始数据的n×p矩阵(n表示监测值的数目,p表示干旱变量个数),则主成分Z与原始数据X可以表示为公式(4):

Z=X×E,

式中:E表示ZX间特征向量,即p×p矩阵。将原始数据X中每个元素减去列的均值,再除以列的标准偏差,能够对数据进行标准化处理,消除数据内部差异。ADI按月计算,定义为Z的第一个主成分,特征向量E1=[e1,1,e2,1,…,ep,1]定义为Z的第一个分量,则第一主成分Z1可以表示为公式(5)[73]

Z1=k=1pek,1X'k,k=1,2,,p

构建ADI的干旱变量并不固定,随监测区域的不同而有所调整,且ADI是一个时间序列的综合指标,对于长时间序列监测中的某一特定月份,包含p个干旱变量的ADI可以表示为公式(6):

ADI=Z1σ

式中:ADI表示多变量综合干旱指数,Z1表示第一主成分,σ表示Z1的样本标准差。构建ADI的干旱指标来自气象、水文和农业等多源信息,因而能够同时监测气象干旱、水文干旱和农业干旱,且ADI能够依据研究区的地域特点,选择不同变量,更具普适性[74,75]。此外,Meyer等[76]成功应用主成分分析法,研究了由PDSI、作物水分指数(Crop Moisture Index,CMI)和气象指数构成的综合指数与产量之间的关系。Hao等[77]采用主成分分析法基于TCI,PCI和SMCI构建了综合干旱指数PMDI(Meteorological Drought Index by PCA method),并用于我国西南区2005—2009年的干旱研究,取得了较好效果。Rajsekhar等[78]基于核熵成分分析(Kerel Entropy Component Analysis,KECA)法,综合降水、土壤水分、径流量和蒸散发等干旱影响因素构建了非线性综合干旱指数MDI(Multivariate Drought Index),认为熵是信息的最大输出,较为客观地反映研究区干旱状况。

基于主成分分析的干旱综合监测法能够在众多信息中提取主要干旱相关影响因子,便于实现旱情分类分级,且能根据研究区地域特点选择变量。但值得注意的是,主成分分析一方面普遍表述变量间线性相关关系,另一方面假设第一主成分表示原始数据的最大方差即为所需要的主要干旱信息,即在模型降维的过程中易损失一些信息,导致监测结果精度降低。

2.5 多源信息数据挖掘法

数据挖掘是数据库知识发现(Knowledge-Discovery in Databases,KDD)的一个过程,在不清楚多因素耦合作用致旱机理的情况下,数据挖掘能够从大量样本数据中挖掘各个干旱指示因子与旱情的关系,是一个较好的建模手段和方法(图4[79]

图4

图4   基于多种数据挖掘方法的综合干旱监测模型构建流程图

Fig.4   The construction flow chart of Integrated Drought Monitoring Model based on multiple data mining methods


国内外采用多源信息数据挖掘法进行干旱监测的研究相对较少[80]。国外,Tadesse等[81]使用2种时间序列数据挖掘模型:REAR(Representative Episode Association Rule)和MOWCATL(Minimal Occurrences With Constraints And Time Lags),研究了内布拉斯加州海洋气候指数与干旱指数间的关系,取得了较好效果。Wardlow[82]综合植被指数、气象指数和生态数据,如土壤含水量、地表信息等,通过数据挖掘技术中基于规则的分类回归树模型,构建了植被干旱响应指数(Vegetation Drought Response Index,Veg DRI)。Veg DRI包括2种植被指数、2种气象指数和5种生态数据。能够描述干旱对植被造成的响应力。该指数通过较高的空间分辨率 (1 km),弥补了USDM数据源空间分辨率不足的缺点,采用较高的时间分辨率(1周),可以监测植被不同生长期的旱情状况。广泛应用于国家尺度的干旱监测[83]。另外,Hao等[77]采用数据挖掘中的约束最优化法,基于TCI,PCI,SMCI和VCI构建了综合干旱指数OVDI(Optimized Vegetation Drought Index)和OMDI(Optimized Meteorological Drought Index),成功应用于我国西南地区干旱研究,其监测效果明显优于由主成分分析法和专家经验法构建的综合干旱指数。

国内,杜灵通等[84]以山东省为研究区域,综合植被、土壤和大气等信息,采用空间数据挖掘(Spatial Data Mining,SDM)中的模糊聚类和分类回归树算法,以各气象站点计算得到SC-PDSI作为因变量,以2000—2010年逐月历史降水、地表温度和植被等数据作为自变量,按月份进行线性回归,构建了半定量半经验综合干旱监测指数(Standardized Drought Index,SDI)。SDI融合了数字高程模型(DEM)、土地利用和土壤有效持水量等数据指标,使用CART建模软件进行分类回归树分析,通过商业数据挖掘软件Cubist2.07输出系列分类回归规则,最终在ENVI中输出干旱监测栅格结果。该指数通过与实际旱情历史资料对比,以及与小麦标准化单产、作物受灾面积和降水指数进行相关性分析,验证了其有效性[84]

基于多源信息数据挖掘的干旱综合监测法为干旱监测提供了新思路,其最大的优势在于该模型不仅能够灵活综合各类变量、高效处理数据,而且能够处理非正态分布数据,解决干旱指标时间尺度和空间尺度不一致等问题。但构建该模型一般需要大量样本数据,且每个数据须具有长时间的历史积累,一般难以同时满足。

3 挑战与展望

基于多源信息的综合干旱监测模型能够集成遥感、气象站点和野外实测等多源数据的优势,综合考虑多种致旱因子,具有较高的干旱监测精度,在研究复杂干旱监测问题方面具有较大的应用潜力。然而现有综合模型大多难以体现干旱发生过程中作物对干旱的响应以及滞后效应,也无法反映干旱影响因素间的相互作用机制,进而难以准确揭示干旱发生的内在机理,加之干旱影响因素因地域、时间不同而不同,虽然当前研究尝试尽可能全面地顾及多个干旱相关因子,但特定地域、特定时段的干旱监测结果难以进行时空尺度拓展,使得干旱监测结果存在一定的偏差。此外,由于干旱的复杂性,往往无法采用统一的指标体系对旱情监测结果进行验证,导致监测结果难以进行统一比较,这为选取合适监测模型,准确监测干旱带来困扰[7,11,12,13]

针对目前综合干旱监测方法面临的挑战,本文提出了未来综合干旱监测方法应重点发展的方向,在理论层面上,一是深入研究干旱内在机理与发生发展过程,明晰干旱影响因素之间的关联关系,构建集成多要素定量干旱综合监测模型;二是根据下垫面划分区域,不同区域、不同时段构建不同模型,以增强干旱综合监测模型的针对性;三是构建统一的干旱综合监测模型精度验证指标体系。在技术层面上,则需要研究与干旱相关的多源信息集成和融合,提高其综合利用水平,为干旱监测提供丰富的数据支撑和技术保障(图5)。

图5

图5   综合多源信息干旱监测未来研究方向

Fig.5   The future research direction of drought monitoring with integrated multi-source information


3.1 构建集成多要素定量干旱综合监测模型

降水、蒸发和径流是水循环过程最重要的3个环节,由这三者构成的水循环途径决定着全球的水量平衡。气象干旱主要表征为降水短缺造成的水分不平衡程度。长期的降水不足导致水分亏缺,湿度降低,蒸发量逐渐减少,地表温度升高,土壤水分和径流逐步减少,当土壤含水量低于作物正常生长需求时,农业干旱随之发生;河川径流量低于其正常值或含水层水位降低,水文干旱随之发生,社会经济干旱相随而生。降水、蒸散发和径流等气候水文因素对干旱的影响最为重要,此外不同地区的下垫面差异,包括地形、地貌、土壤类型和植被等通过与气候水文因子相互作用,同样影响着干旱的发展。同时,人为因素如灌溉、水库蓄水调节等也会对干旱产生一定的影响。因此,进行干旱监测必须综合考虑上述全部因素,在此基础上构建集成多因素定量干旱综合监测模型。进一步深入研究干旱内在机理和发展过程,明晰各种致旱因子的耦合作用则是综合多源因素、选取相应旱情变量、构建准确监测模型的主要理论基础。因此未来综合监测模型的构建应该进一步加强干旱内在机理研究。在当前尚未明了干旱内在机理的情况下,机器学习法能够尽可能多的综合各类干旱相关因子,不失为一种较好的旱情监测方法。

3.2 增强干旱综合监测模型针对性

增强干旱综合监测模型的针对性,提高干旱监测细化程度。如下垫面包含土壤类型、植被覆盖、地形地势等与干旱相关的因素,因此不同下垫面需要不同干旱监测模型。以农业干旱为例,同一区域由于作物不同或同一作物处于不同生长季,采用同一种干旱监测模型,其监测结果必然存在差异。不同区域同一作物即使处在同一物候期,但由于下垫面差异导致作物对水分的吸收不同,最终造成干旱监测结果也不尽相同。是以干旱综合监测模型并不是固定不变的,而应该根据研究区地域特点和监测目标进行调整,进一步增强模型的针对性和细化度,构建适合不同区域、不同生长季的干旱综合监测模型,这将成为未来进一步优化模型时空适应性,提高监测准确度的重要环节。具体而言,在空间尺度上,结合气候因素和下垫面差异(包括地形、地貌、植被覆盖、土壤类型等)划分不同区域,有针对性地开发适宜的干旱综合监测模型;在时间尺度上,需要充分考虑不同植被的物候期,发展适合不同生长季的干旱监测模型。

3.3 构建干旱综合监测模型精度验证指标体系

精度验证是检验干旱监测模型建模研究效果的重要指标,目前学界并没有统一的验证体系[10]。现有研究显示,大多数学者通常采用与原位指标如SPI等或已有干旱事件进行比较的方法验证模型精度[29,46,47,48]。以农业干旱为例,学者们普遍通过与原位指标进行相关分析来检验模型精度;此外,还有部分学者通过采用与农作物受灾面积比较、计算作物产量变化、构建归一化植被指数(Normalized Difference Vegetation Index,NDVI)作物生长过程曲线、田间调查等方法来验证干旱综合指数的精度。不同验证方法导致模型监测精度难以进行统一比较,为选取合适监测模型、提高监测精度带来困扰。因此构建统一的干旱综合监测模型精度验证指标体系,在该体系下统一比较并选取适合研究区域的监测模型是提高未来综合干旱监测准确性的关键环节。为实现这一目标,必要的技术和方法需要进一步完善,如通过设定不同权重比例或根据时空差异设置偏差校正系数等将现有精度验证方法统一到同一体系中,形成准确、完善的指标体系。

3.4 集成多源信息提高综合利用水平

遥感技术具有覆盖范围广、重复覆盖和成本低等特点,在自然灾害监测和预警方面具有突出的技术优势,尤其在干旱监测中,已成为重要的数据源。遥感监测相较地面站点空间传感器发展起步较晚,时间序列短是遥感数据目前面临的最大挑战,因此遥感数据仍不能完全取代地面观测数据。地面观测站点虽然空间分布不均,但其长时间序列的长期性、连续性和稳定性,必然能够成为遥感数据验证的重要辅助和干旱综合模型构建的基础数据。此外,不同传感器导致遥感数据时空尺度不一致,且存在传感器性能误差、飞行姿态误差等系统误差和影像解译的人为误差,限制了遥感数据的综合应用[13]。因此,如何整合地面观测数据和空间遥感数据的优势,集成多源数据的综合利用,尤其是发展多源遥感数据的时空同化技术,提高多源遥感数据综合应用水平,成为未来综合多源信息干旱监测的一个难题。而对地观测、人工智能等相关技术的出现为解决这一难题提供了切实可行的方向,该技术能够整合卫星通信、空间定位、遥感、地理信息系统等技术,快速准确获取地物随时间变化的几何和物理信息,为提高干旱监测精度提供数据支撑和技术保障。

参考文献

GuanXiaodan, ShiRui, KongXiangning, et al.

An overview of researches on land-atmosphere interaction over semi-arid region under global changes

[J]. Advances in Earth Science, 2018, 33(10): 995-1 004.

[本文引用: 1]

管晓丹石瑞孔祥宁.

全球变化背景下半干旱区陆气机制研究综述

[J]. 地球科学进展,201833(10) : 995-1 004.

[本文引用: 1]

ZhangXiang, ChenNengcheng, HuChuli, et al.

Spatio-temporal distribution of three kinds of flash droughts over agricultural land in China from 1983 to 2015

[J]. Advances in Earth Science, 2018, 33(10) : 1 048-1 057.

[本文引用: 1]

张翔陈能成胡楚丽

1983—2015年我国农业区域三类骤旱时空分布特征分析

[J].地球科学进展,201833(10):1 048-1 057.

[本文引用: 1]

WilhiteD A.

Drought as a natural hazard: Concepts and definitions

[J]. Drought A Global Assessment, 2000, 1:3-18.

[本文引用: 1]

DaiA.

Increasing drought under global warming in observations and models

[J]. Nature Climate Change, 2012, 3(1):52-58.

[本文引用: 1]

WangWenke, GongChengcheng, ZhangZaiyong, et al.

Research status and prospect of the subsurface hydrology and ecological effect in arid regions

[J]. Advances in Earth Science, 2018, 33(7):702-718.

[本文引用: 1]

王文科宫程程张在勇.

旱区地下水文与生态效应研究现状与展望

[J]. 地球科学进展,201833(7) : 702-718.

[本文引用: 1]

BurtonI.

Climate change 2001: Impacts, adaptation, and vulnerability report of IPCC working group II

[J]. Agricultural & Forest Meteorology, 2003, 117(1):123-124.

[本文引用: 1]

WuBingfang, MengJihua, LiQiangzi, et al.

Review of overseas crop monitoring systems with remote sensing

[J]. Progress in Geophysics, 2010, 25(10):1 003-1 012.

[本文引用: 2]

吴炳方蒙继华李强子.

国外农情遥感监测系统现状与启示

[J]. 地球科学进展, 201025(10):1 003-1 012.

[本文引用: 2]

HaoZ, SinghV P.

Drought characterization from a multivariate perspective: A review

[J]. Journal of Hydrology, 2015,527:668-678.

[本文引用: 1]

HeimR R, BrewerM J.

The global drought monitor portal: The foundation for a global drought information system

[J]. Earth Interactions, 2012, 16(15):1-28.

[本文引用: 1]

RheeJ, ImJ,CarboneG J.

Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data

[J]. Remote Sensing of Environment, 2010, 114(12):2 875-2 887.

[本文引用: 2]

HouborgR, RodellM, LiB,et al.

Drought indicators based on model assimilated GRACE terrestrial water storage observations

[J]. Water Resources Research, 2012, 48(7):2 515-2 521.

[本文引用: 2]

YangShaoe, YanNana, WuBingfang, et al.

Advances in agricultural drought monitoring by remote sensing

[J]. Remote Sensing Information, 2010, (1):103-109.

[本文引用: 2]

杨绍锷闫娜娜吴炳方.

农业干旱遥感监测研究进展

[J]. 遥感信息, 2010,(1):103-109.

[本文引用: 2]

LinQiao, WangPengxin, ZhangShuyu, et al.

Applicability of vegetation temperature index for drought monitoring at different time scales

[J]. Arid Zone Reasearch, 2016, 33(1):186-192.

[本文引用: 3]

林巧,王鹏新,张树誉,.

不同时间尺度条件植被温度指数干旱监测方法的适用性分析

[J].干旱区研究, 2016, 33(1):186-192.

[本文引用: 3]

Xiaoran, YinXiaotian, GongEdu, et al.

Temporal and spatial analysis of agricultural drought in Yunnan Province based on vegetation condition index

[J]. Journal of Geo-information Science, 2016, 18(12):1 634-1 644.

[本文引用: 1]

吕潇然尹晓天宫阿都.

基于植被状态指数的云南省农业干旱状况时空分析

[J]. 地球信息科学学报,201618(12):1 634-1 644.

[本文引用: 1]

DingYongjian, ZhangShiqiang.

Study on water internal recycle process and mechanism in typical mountain areas of inland basins,northwest China: Progress and challenge

[J]. Advances in Earth Science, 2018, 33(7): 719-727.

[本文引用: 1]

丁永建张世强.

西北内陆河山区流域内循环过程与机理研究:现状与挑战

[J].地球科学进展, 201833(7):719-727.

[本文引用: 1]

ZhangLili, ZhouJunju, ZhangHengwei, et al.

Temporal and spatial patterns of climate drought-wet and drought event based on standard precipitation index in Shiyang River Basin

[J]. Acta Ecologica Sinica, 2017, 37(3):996-1 007.

[本文引用: 1]

张利利周俊菊张恒玮.

基于SPI的石羊河流域气候干湿变化及干旱事件的时空格局特征研究

[J]. 生态学报, 201737(3):996-1 007.

[本文引用: 1]

SheffieldJ, GotetiG, WenF, et al.

A simulated soil moisture based drought analysis for the United States

[J]. Journal of Geophysical Research Atmospheres, 2004,

109(D24)

.DOI:10.1029/2004JD005182.

[本文引用: 1]

NarasimhanB, SrinivasanR.

Development and evaluation of Soil Moisture Deficit Index (SMDI) and Evapotranspiration Deficit Index (ETDI) for agricultural drought monitoring

[J]. Agricultural & Forest Meteorology, 2005, 133(1):69-88.

[本文引用: 1]

MendicinoG, SenatoreA, VersaceP.

A Groundwater Resource Index (GRI) for drought monitoring and forecasting in a mediterranean climate

[J]. Journal of Hydrology, 2008, 357(3/4):282-302.

[本文引用: 1]

PalmerW.

Meteorological Drought

[M]. Washington DC:U.

S

.Department of Commerce Weather Bureau Research Paper, 1965.

[本文引用: 1]

HuangYouxin, LiuXiuguo, ShenYonglin, et al.

Advances in remote sensing derived agricultural drought monitoring indices and adaptability evaluation methods

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(16):186-195.

[本文引用: 1]

黄友昕, 刘修国, 沈永林,.

农业干旱遥感监测指标及其适应性评价方法研究进展

[J]. 农业工程学报, 2015, 31(16):186-195.

[本文引用: 1]

HanYuping, ZhangGongjin, WangFuqiang.

Research progress on monitoring indexes of agricultural drought

[J]. Journal of North China Institute of Water Conservancy and Hydroelectric Power, 2013, 34(1):74-78.

[本文引用: 1]

韩宇平张功瑾王富强.

农业干旱监测指标研究进展

[J]. 华北水利水电大学学报:自然科学版, 201334(1):74-78.

[本文引用: 1]

SteinemannA.

Drought indicators and triggers: A stochastic approach to evaluation

[J]. Jawra Journal of the American Water Resources Association, 2003, 39(5):1 217-1 233.

[本文引用: 1]

AndersonM C, HainC, WardlowB, et al.

Evaluation of drought indices based on thermal remote sensing of evapotranspiration over the continental United States

[J]. Journal of Climate, 2011, 24(8):2 025-2 044.

[本文引用: 2]

AlleyW M.

The Palmer Drought Severity Index: Limitations and assumptions

[J]. Journal of Applied Meteorology, 1984, 23(23):1 100-1 109.

ZhangB, WuP, ZhaoX, et al.

A drought hazard assessment index based on the VIC-PDSI model and its application on the Loess Plateau, China

[J]. Theoretical & Applied Climatology, 2013, 114(1/2):125-138.

[本文引用: 1]

ShaferB, DezmanL.

Development of a Surface Water Supply Index (SWSI) to assess the severity of drought conditions in snowpack runoff areas

[C]// Paper Presented at Proceedings of the Western Snow Conference.Nevada:Western Snow Conference, 1982.

[本文引用: 1]

DjerbouaiS, Souag-GamaneD.

Drought forecasting using neural networks, wavelet neural networks, and stochastic models: Case of the Algerois Basin in North Algeria

[J]. Water Resources Management, 2016, 30(7):2 445-2 464.

[本文引用: 1]

HeimR R J.

A review of twentieth-century drought indices used in the United States

[J]. American Meteorological Society, 2002, 83(8):1 149-1 165.

[本文引用: 2]

McKeeT B, DoeskenN J, KleistJ.

The relationship of drought frequency and duration to time scales

[C]// Proceedings of the 8th Conference on Applied Climatology. Boston, MA: American Meteorological Society, 1993: 179-183.

[本文引用: 1]

WellsN, GoddardS, HayesM J.

A self-calibrating palmer drought severity index

[J]. Journal of Climate, 2010, 17(12):2 335-2 351.

[本文引用: 1]

VicenteserranoS M, BegueríaS, LópezmorenoJ I.

A multiscalar drought index sensitive to global warming: The Standardized Precipitation Evapotranspiration Index

[J]. Journal of Climate, 2010, 23(7):1 696-1 718.

[本文引用: 1]

ZhangQiang, JuXiaosheng, LiShuhua.

Comparison of three drought indices and determination of new indicators

[J]. Meteorological Science and Technology, 1998,1 (2):48-52.

[本文引用: 1]

张强鞠笑生李淑华.

三种干旱指标的比较和新指标的确定

[J]. 气象科技, 1998, 1(2):48-52.

[本文引用: 1]

WangJinsong, GuoJiangyong, JizuQing.

Application of a kind of K Drought Index in the spring drought analysis in Northwest China

[J]. Journal of Natural Resources, 2007, 22(5): 709-717.

[本文引用: 1]

王劲松郭江勇倾继祖.

一种K干旱指数在西北地区春旱分析中的应用

[J]. 自然资源学报, 200722(5):709-717.

[本文引用: 1]

FengJianshe, WangJianyuan, WangXintang, et al.

The application of Relative Humidity Index to agricultural drought monitoring

[J]. Journal of Applied Meteorological Science, 2011, 22(6):766-772.

[本文引用: 1]

冯建设王建源王新堂,.

相对湿润度指数在农业干旱监测业务中的应用

[J]. 应用气象学报, 201122(6):766-772.

[本文引用: 1]

LiuZongyuan, ZhangJianping, LuoHongxia, et al.

Temporal and spatial distribution of maize drought in southwest of China based on agricultural reference index for drought

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(2): 105-115.

[本文引用: 1]

刘宗元张建平罗红霞,.

基于农业干旱参考指数的西南地区玉米干旱时空变化分析

[J]. 农业工程学报, 201430(2):105-115.

[本文引用: 1]

WoliP.

Quantifying Water Deficit and Its Effects on Crop Yields Using a Simple, Generic Drought Index

[D]. Gainesville, FL: The University of Florida,2010.

[本文引用: 1]

ZhangYanhong, Houqiuan, LiSen.

Applicability of crop water deficit index in agricultural drought monitoring

[J]. Meteorological Science and Technology, 2008, 36(5):596-600.

[本文引用: 1]

张艳红吕厚荃李森.

作物水分亏缺指数在农业干旱监测中的适用性

[J]. 气象科技, 200836(5):596-600.

[本文引用: 1]

XuLingyan, WangHuimin, DuanQicai, et al.

The temporal and spatial distribution of droughts during summer corn growth in Yunnan Province based on SPEI

[J]. Resources Science, 2013, 35(5):1 024-1 034.

[本文引用: 1]

许玲燕王慧敏段琪彩.

基于SPEI的云南省夏玉米生长季干旱时空特征分析

[J]. 资源科学,201335(5):1 024-1 034.

[本文引用: 1]

ZhouLei, WuJianjun, ZhangJie.

Remote sensing-based drought monitoring approach and research progress

[J]. Scientia Geographica Sinica, 2015, 35(5):630-636.

[本文引用: 1]

周磊武建军张洁.

以遥感为基础的干旱监测方法研究进展

[J]. 地理科学, 201535(5):630-636.

[本文引用: 1]

PengC, DengM, DiL, et al.

Delivery of agricultural drought information via web services

[J]. Earth Science Informatics, 2015, 8(3):527-538.

[本文引用: 1]

LawrimoreJ, HeimR R J, SvobodaM, et al.

Beginning a New Era of drought monitoring across North America

[J]. Bulletin of the American Meteorological Society, 2002, 83(8):1 191-1 192.

[本文引用: 1]

SvobodaM, LecomteD, HayesM, et al.

The drought monitor

[J]. Bulletin of the American Meteorological Society, 2002, 83(8):1 181-1 190.

[本文引用: 1]

LettenmaierD, MoK.

Objective drought classification using multiple land surface models

[J]. Journal of Hydrometeorology, 2013, 15(3):990-1 010.

[本文引用: 1]

XiaY.

Calibration of LaD Model in the Northeast United States using observed annual streamflow

[J]. Journal of Hydrometeorology, 2007, 8(5):1 098-1 110.

[本文引用: 1]

XiaY, Peters-LidardC D, MockoD, et al.

Application of USDM statistics in NLDAS-2: Optimal blended NLDAS drought index over the continental United States

[J]. Journal of Geophysical Research Atmospheres, 2014, 119(6):2 947-2 965.

[本文引用: 2]

XiaY, EkM B, MockoD, et al.

Uncertainties, correlations, and optimal blends of drought indices from the NLDAS multiple land surface model ensemble

[J]. Journal of Hydrometeorology, 2013, 15(4):1 636-1 650.

[本文引用: 2]

HayesM, SvobodaM, WallN, et al.

The Lincoln declaration on drought indices: Universal meteorological drought index recommended

[J]. Bulletin of the American Meteorological Society, 2011, 92(4):485-488.

[本文引用: 2]

WardlowB D, AndersonM C, VerdinJ P, et al.

Remote Sensing of Drought: Innovative Monitoring Approaches

[M]. Boca Raton:CRC Press,2012:591-594.

[本文引用: 1]

LiYu, LiuYuan.

Long-term reconstructions and simulations of the hydrological cycle in the inland rivers, arid China: A case study of the Shiyang River drainage basin

[J]. Advances in Earth Science, 201732(7):731-743.

[本文引用: 1]

李育刘媛.

干旱区内流河流域长时间尺度水循环重建与模拟——以石羊河流域为例

[J].地球科学进展,201732(7):731-743.

[本文引用: 1]

ZargarA, SadiqR, NaserB, et al.

A review of drought indices

[J]. Environmental Reviews, 2011, 19(1):333-349.

[本文引用: 1]

WangPengxin, GongJianya, LiXiaowen.

Vegetation_temperature condition index and its application for drought monitoring

[J]. Geomatics and Information Science of Wuhan University, 2001, 26(5):412-418.

[本文引用: 1]

王鹏新龚健雅李小文.

条件植被温度指数及其在干旱监测中的应用

[J]. 武汉大学学报:信息科学版, 200126(5):412-418.

[本文引用: 1]

XiaoXiongxin, ZhangTingjun.

Passive microwave remote sensing of snow depth and snow water equivalent: Overview

[J]. Advances in Earth Science,2018,33(6):590-605.

[本文引用: 1]

肖雄新张廷军.

基于被动微波遥感的积雪深度和雪水当量反演研究进展

[J].地球科学进展,201833(6):590-605.

[本文引用: 1]

FanLiaosheng, JiangJihong, ShengHui, et al.

Reverse of soil moisture for smmer dought priod in Hangzhou by uings TVDI method

[J]. Chinese Journal of Agrometeorology, 2009, 30(2):230-234.

[本文引用: 1]

范辽生姜纪红盛晖.

利用温度植被干旱指数(TVDI)方法反演杭州伏旱期土壤水分

[J].中国农业气象, 200930(2):230-234.

[本文引用: 1]

RheeJ, ImJ, CarboneG J.

Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data

[J]. Remote Sensing of Environment, 2010, 114(12):2 875-2 887.

[本文引用: 1]

ZhangA, JiaG.

Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data

[J]. Remote Sensing of Environment, 2013, 134(7):12-23.

[本文引用: 2]

HaoZ, SinghV.

Integrating entropy and copula theories for hydrologic modeling and analysis

[J]. Entropy, 2015, 17(4):2 253-2 280.

[本文引用: 1]

LiQiangzi, YanNana, ZhangFeifei, et al.

Drought monitoring and its impacts assessment in Southwest China using remote sensing in the spring of 2010

[J]. Acta Geographica Sinica, 2010, 65(7):771-780.

[本文引用: 1]

李强子闫娜娜张飞飞.

2010年春季西南地区干旱遥感监测及其影响评估

[J]. 地理学报,201065(7):771-780.

[本文引用: 1]

SatishsIyengar.

Multivariate models and dependence concepts

[J]. Technometrics, 1997, 40(4):353.

[本文引用: 1]

SklarA.

Random variables, joint distribution functions, and copulas

[J]. Kybernetika, 1973, 9(6):449-460.

[本文引用: 1]

SalvadoriG, MicheleC D.

Frequency analysis via copulas: Theoretical aspects and applications to hydrological events

[J]. Water Resources Research, 2004, 40(12):229-244.

[本文引用: 1]

SalvadoriG, MicheleC D.

On the use of copulas in hydrology: Theory and practice

[J]. Journal of Hydrologic Engineering, 2007,12(4):369-380.

[本文引用: 1]

HaoZ, SinghV P.

Entropy-Based method for bivariate drought analysis

[J]. Journal of Hydrologic Engineering, 2013, 18(7):780-786.

[本文引用: 1]

BeersmaJ J, BuishandT A.

Joint probability of precipitation and discharge deficits in the Netherlands

[J]. Water Resources Research, 2004, 40(12):87-87.

[本文引用: 1]

KaoS C, RaoS G.

A copula-based joint deficit index for droughts

[J]. Journal of Hydrology, 2010, 380(1/2):121-134.

[本文引用: 1]

HaoZ, AghakouchakA.

Multivariate Standardized Drought Index: A parametric multi-index model

[J]. Advances in Water Resources, 2013, 57(9):12-18.

[本文引用: 1]

HaoZ, HaoF, SinghV P, et al.

A theoretical drought classification method for the multivariate drought index based on distribution properties of standardized drought indices

[J]. Advances in Water Resources, 2016, 92:240-247.

[本文引用: 1]

HaoZ, AghakouchakA.

Multivariate Standardized Drought Index: A parametric multi-index model

[J]. Advances in Water Resources, 2013, 57(9):12-18.

[本文引用: 1]

MaM, RenL, SinghV P, et al.

New variants of the Palmer drought scheme capable of integrated utility

[J]. Journal of Hydrology, 2014, 519:1 108-1 119.

[本文引用: 1]

PanM, YuanX, WoodE F.

A probabilistic framework for assessing drought recovery

[J]. Geophysical Research Letters, 2013, 40(14):3 637-3 642.

[本文引用: 1]

HaoZ, SinghV P.

Modeling multisite streamflow dependence with maximum entropy copula

[J]. Water Resources Research, 2013, 49(10):7 139-7 143.

[本文引用: 1]

KeyantashJ A, DracupJ A.

An aggregate drought index: Assessing drought severity based on fluctuations in the hydrologic cycle and surface water storage

[J]. Water Resources Research, 2004, 40(9):333-341.

[本文引用: 1]

WilksD S.

Statistical methods in the atmospheric sciences

[J]. Technometrics, 2011, 38(4):402.

[本文引用: 1]

DuL, TianQ, YuT, et al.

A comprehensive drought monitoring method integrating MODIS and TRMM data

[J]. International Journal of Applied Earth Observations & Geoinformation, 2013, 23(1):245-253.

[本文引用: 1]

LiQ, LiP, LiH, et al.

Drought assessment using a multivariate drought index in the Luanhe River Basin of Northern China

[J]. Stochastic Environmental Research & Risk Assessment, 2015, 29(6):1 509-1 520.

[本文引用: 1]

MeyerS J, HubbardK G, WilhiteD A.

The relationship of climatic indices and variables to corn (maize) yields: A principal components analysis

[J]. Agricultural & Forest Meteorology, 1991, 55(1/2):59-84.

[本文引用: 1]

HaoC, ZhangJ, YaoF.

Combination of multi-sensor remote sensing data for drought monitoring over Southwest China

[J]. International Journal of Applied Earth Observations & Geoinformation, 2015, 35:270-283.

[本文引用: 2]

RajsekharD, SinghV P, MishraA K.

Multivariate drought index: An information theory based approach for integrated drought assessment

[J]. Journal of Hydrology, 2015, 526(11/12):164-182.

[本文引用: 1]

WylieB K, FosnightE A, GilmanovT G, et al.

Adaptive data-driven models for estimating carbon fluxes in the Northern Great Plains

[J]. Remote Sensing of Environment, 2007,106(4):399-413.

[本文引用: 1]

DuLingtong.

Drought Monitoring Model Based on Multi-Source Spatial Information and Its Application

[D]. Nanjing:Nanjing University, 2013.

[本文引用: 1]

杜灵通.

基于多源空间信息的干旱监测模型构建及其应用研究

[D]. 南京南京大学, 2013.

[本文引用: 1]

TadesseT, WilhiteD A, HarmsS K, et al.

Drought monitoring using data mining techniques: A case study for Nebraska, USA

[J]. Natural Hazards, 2004, 33(1):137-159.

[本文引用: 1]

WardlowB D.

The Vegetation Drought Response Index (VegDRI): A new integrated approach for monitoring drought stress in vegetation

[J]. Giscience & Remote Sensing, 2008, 45(1):16-46.

[本文引用: 1]

TadesseT, WardlowB D, BrownJ F, et al.

Assessing the vegetation condition impacts of the 2011 drought across the U.S. Southern Great Plains using the Vegetation Drought Response Index (VegDRI)

[J]. Journal of Applied Meteorology and Climatology, 2015, 54(1):153-169.

[本文引用: 1]

DuLingtong, TianQingjiu, WangLei, et al.

A synthesized drought monitoring model based on multi-sourc remote sensing data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(9):126-132.

[本文引用: 2]

杜灵通田庆久王磊.

基于多源遥感数据的综合干旱监测模型构建

[J]. 农业工程学报, 201430(9):126-132.

[本文引用: 2]

/