利用遥感指数监测干旱的时空敏感性与适用性对比研究

发布时间：2020-02-29 02:26

【摘要】：干旱被认为是自然灾害中最复杂但是了解的最少的现象之一,并且给人类带来严峻的社会、经济和环境问题。随着干旱发生的频率和影响,国际上对干旱的研究热度也越来越大。随着遥感技术的应用和发展,许多科学家建立了不同类型、不同特点的基于遥感技术的干旱监测指数。然而不同指数的建立对数据有不同的要求,不同的量化干旱的方法具有各自不同的特点,不同的干旱监测指数也适用于不同的情况。遥感干旱监测指数的灵敏度可能受特定环境条件的影响。研究各个干旱指数的敏感性和适用性不仅有助于我们更好地了解干旱事件,全面分析干旱指数,而且可以帮助我们更好地分析干旱指数建立机理,建立更高精度的遥感干旱指数。因此验证对比各种已经建立的干旱指数具有重要意义。另外,随着各种干旱指数的建立,如何在大量的干旱监测信息中找到简单有效的遥感信息,建立简单易行的干旱监测指数势在必行。针对上述问题,本文以美国大陆地区不同气候子区域为研究区域,基于不同的遥感数据源,利用不同的方法建立了多种干旱监测指数,通过对不同干旱指数在不同气候条件下的干旱监测效果进行对比分析,总结了不同干旱指数监测干旱的敏感性及适用性。同时分析一些基于简单数据输入的指数监测干旱的适用性。基于以上思路,本文的主要研究成果和结论如下:(1)对比传统遥感干旱指数在不同气候条件下干旱监测的敏感性与适用性。遥感干旱指数和站点的干旱指数差异很大,而综合干旱指数与基于指数的单一干旱指数的相关性更强。干旱指数能够较好的监测2011年7月和2012年7月在整个国家的主要干旱事件。综合干旱指数显示的干旱情况的区域比USDM数据更大。基于VUA的SMCI与基于站点的干旱指数的相关性大于基于NSIDC的SMCI,基于MODIS的TCI与基于站点的干旱指数的相关性高于基于VUA的TCI。为了比较不同气候划子区域的干旱指数,作为短时间尺度干旱指数,PCI是一个不错的选择,因为它与基于站点的指数更相关。VCI不适于监测潮湿地区的干旱,因为它可能受大气变化的强烈影响。然而,对于低纬度,半干旱气候,VCI比其他方法更可靠。在监测沙漠环境时应避免使用TCI,在密集植被覆盖的地区应避免使用SMCI。本文所研究的综合干旱指数在它们之间几乎没有变化,并且经验加权被证明是综合多个单一指数的合适方法。综合指数的未来发展可以侧重于基于气候的经验加权。(2)基于VIUPD的植被状况指数(VCI)在美国大陆的干旱监测验证。基于VIUPD的VCI与生长季节的不同子时间段和更大数量的气候子区域中的站点干旱指数具有最强的相关性,其r值比基于NDVI的VCI更高。这表明VIUPD具有监测不同环境中的干旱的潜力。与其他单一的遥感干旱指数(TCI,PCI和SMCI)相比,基于VIUPD的VCI更适合于长时间尺度的干旱监测,如农业干旱。基于VIUPD的VCI还可以克服SMCI的一些缺陷,用于在具有高密度植被覆盖的区域中的短时间尺度干旱监测。由于VIUPD可以利用所有观测波段的信息,所以基于VIUPD的VCI可以被视为增强型VCI。基于VIUPD的VCI被推荐作为在CONUS温暖地区长时间尺度干旱的最佳单一遥感干旱指数。(3)遥感荧光数据干旱监测的敏感性分析。在基于遥感数据的干旱指数与基于站点的干旱指数的一致性空间分布对比结果来看,SIF数据的空间分辨率越高,其和站点干旱指数的一致性并不越好,总体来讲,空间分辨率更高的SIF*数据并没有表现出比SIF数据更好的干旱监测效果。SIF数据和SIF*数据在与基于站点的干旱监测情况的相关性与基于MODIS数据的VCI数据的表现尚存在一定的差距。SIF*数据虽然融合了GOME-2的SIF以及MYD13C2,MOD16A2、MYD11C3数据,但在与基于站点的干旱指数监测干旱的一致性方面,并没有得到显著的提高。(4)基于MODIS数据的BVI指数对2011和2012年干旱情况的响应分析。总体来讲,NDVI在全年的变化中比BVI在全年的变化幅度较弱。同时通过对比分析可以得出,BVI能在一定程度上响应干旱事件的发生,干旱发生时BVI的值会减小。有时BVI的变化趋势也会跟干旱事件发生的趋势出现不一致的情况,但是从整体来讲,BVI随干旱事件发生的变化比NDVI的变化更为活跃。
【图文】：

时间序列,站点名,通量,指数

3.1 研究区分布，其中 US-ARM, US-Aud, US-KFS, US-FR2,US-Kon, US-Ro3 and US-V通量站点名。.1.2 站点干旱指数本章研究选择了三个广泛使用的基于站点的干旱指数来评价基于遥感的，即 PDSI，水分异常指数（Z 指数）和 SPI。美国国家气候数据中心（NCD了从 1895 年至今的月尺度 Z 指数，PDSI 和 SPI 的数据（http：//www1.na.gov/pub/data/cirs/）。这三个站点指数已被广泛用于评估遥感测干旱own et al., 2008; Rhee et al., 2010; Son et al., 2012)。PDSI 和 Z 指数是根据壤算法计算得到，该算法不仅需要每日空气温度和降水数据的时间序列，关于土壤的可用水含量信息。第 i 个月的 Z 指数可用公式计算：, i i iZ d K

相关值,相关性,内华达,佛罗里达

图 3.2 基于 VIUPD 的 VCI 和基于 NDVI 的 VCI 监测 2011 年干旱情况图 3.3 描述了基于 NDVI 的 VCI 和基于 VIUPD 的 VCI 的空间一致性和平均数。在空间上，基于 NDVI 的 VCI 与 SPI-1，SPI-2 和 Z-指数的相关性比，SPI-3，SPI-6 和 SPI-9 的相关性要强。高相关值（r> 0.7）的区域主要位部地区，如德克萨斯州，新墨西哥州和亚利桑那州。由于环境因素如年平量，渗透率和灌溉的强烈影响，基于 NDVI 的 VCI 在美国西北部和东北部较低。如图 3.3 所示，一般来说，基于 VIUPD 的 VCI 的空间一致性类似于DVI 的 VCI，但是基于 VIUPD 的 VCI 与站点干旱的相关性高的区域明显多 NDVI 的 VCI。然而，对于基于 VIUPD 的 VCI 来说，高相关值（r> 0.7）主要位于南部地区（如德克萨斯州）、西部地区（如加利福尼亚和内华达）南部的温度相对较高地区（例如佛罗里达）。基于 NDVI 的 VCI 在湿润地区性较弱，，而基于 VIUPD 的 VCI 在湿润地区的表现更佳。与基于 NDVI 的 V
【学位授予单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：博士
【学位授予年份】：2017
【分类号】：P426.616;P407

【相似文献】