干旱是一种多发的极端气候事件, 同时也是最具破坏性的自然灾害之一。频繁发生的干旱灾害给农业生产带来严重影响, 威胁粮食安全[1-2]。黄淮海平原是我国最重要的粮食生产基地之一, 准确、有效地监测黄淮海平原的农业干旱状况对于及时制定区域的减灾策略, 降低灾害损失具有重要意义。

农业干旱是作物生长过程中因土壤水分不足, 阻碍作物正常生长, 影响粮食产量的水量供需不平衡现象[3-4]。在农业干旱监测中, 土壤湿度扮演着十分重要的角色[5-7]。当土壤水分低于土壤田间持水量时, 会产生水分亏缺, 植被开始不处于最佳生长状态；当水分进一步降低, 即会产生水分胁迫, 影响植被生长, 进而影响植被生产力。因此, 利用土壤湿度进行农业干旱监测也具有农学意义。

近年来, 已经有学者提出了一些基于土壤湿度的农业干旱监测指数, 主要分为两类：(1)基于历史时间序列数据, 确定当前状态相对于历史正常范围的偏离程度建立的干旱指数, 如标准化土壤湿度指数(SSMI, standardized soil moisture index、土壤湿度距平(SMA, soil moisture anomaly)、土壤湿度百分位数(SMP, soil moisture percentile)等。该类指数仅利用土壤湿度数据, 无需获取其他数据源, 并且不同地区的监测结果具有可比性, 能够用于区域干旱监测与评估。Mishra等[8]基于历史时间序列数据, 利用标准化土壤湿度指数详细剖析了局地尺度的农业干旱。(2)从土壤可利用水的角度, 基于土壤湿度和土壤特性参数构建的干旱指数, 如土壤湿度指数(SMI, soil moisture index)[9-10]、土壤水分亏缺指数(SWDI, soil water deficit index)[5]等。该类指数的优点在于从土壤可利用水的角度出发, 考虑了不同地区土壤性质对于水分亏缺的影响差异, 但对于区域农业干旱监测而言, 准确获取不同地区土壤属性参数是十分困难的, 因而在区域或更大尺度上的应用受到一定的限制。

标准化土壤湿度指数(SSMI)是基于历史土壤湿度时间序列构建的一种农业干旱指数, 具有计算简单易行, 考虑数据分布特征等优点, 探讨其在区域农业干旱监测中的适宜性能够为区域业务化的农业干旱监测以及干旱影响评估提供基础。然而, 由于根区土壤湿度获取的不易性以及土壤湿度的估算精度不高等问题, 目前该指数在农业干旱监测中的适宜性研究还十分缺乏。此外, 现有的农业干旱指数评价研究中, 主要通过与其他常用干旱指数或者气象要素的对比来评价[5,11], 考虑干旱灾害记录以及干旱影响的评价研究较少。实际上, 我国的主要农业区拥有比较完善的农业气象观测网络, 记录了作物生长发育状况和农业气象灾害发生情况, 这对于评价农业干旱指数的适宜性是十分有用的数据源。因此, 本文采用数据同化后的根区土壤湿度数据构建标准化土壤湿度指数来监测黄淮海平原的农业干旱状况, 通过与标准化降水蒸散指数(SPEI, standardized precipitation-evapotranspiration index)、农业干旱灾害数据的对比以及与冬小麦产量的关系分析, 综合评价其农业干旱监测的适宜性, 以期为黄淮海平原农业干旱监测业务化运行以及防灾减灾策略的制定提供理论依据和科学参考。

黄淮海平原是我国重要的粮食主产区且干旱灾害频发, 已有许多学者以此为研究区开展干旱相关研究[12-14]。黄淮海平原地处我国北方, 位于32°—41°N和112°—123°E之间, 面积约为39万km2。在行政区划上包括天津、山东以及北京南部、河北大部、河南大部、安徽和江苏北部地区(图 1)。根据我国农业综合区划图, 黄淮海平原可分为燕山太行山山麓平原区、冀鲁豫低洼平原区、黄淮平原区和山东丘陵农林区。

冬小麦和夏玉米的轮作是该地区主要种植模式, 冬小麦生长季在区域南北部稍有差异, 主要集中在每年9月下旬/10月中上旬—次年5月下旬/6月中上旬；夏玉米生长季则为6月中上旬—9月中下旬。年降水量差异较大, 在500—950 mm之间, 且60%—70%降水集中在夏季。因此, 相对而言, 冬小麦更容易受到干旱威胁[14]。根据中国气象局农气站点记录的农业气象灾害中, 黄淮海平原经常发生不同程度和持续时间的干旱事件, 在本文研究时段(2002—2010年)内, 2002、2004、2006年发生了较为严重的干旱事件。

本文所用到的数据包括根区土壤湿度同化数据、标准化降水蒸散指数数据、农业气象站点灾害数据和冬小麦产量数据。

(1) 根区土壤湿度同化数据

本文所使用的土壤湿度数据是将LPRM模型反演的微波土壤湿度同化到双层帕默尔水量平衡模型中得到的根区土壤湿度数据[15-16]。已有研究表明, 根区土壤湿度相比于某一固定深度的土壤湿度数据更适合于农业干旱监测[8]。该根区土壤湿度数据代表的是土壤深度为1 m内的土壤水分状况, 该深度能够满足大部分作物根部水分、营养吸收的需求[17]。该数据覆盖时段为2002年6月至2010年12月, 分辨率为0.25度的逐日数据, 数据格式为NetCDF格式, 可从Reverb平台下载(http://reverb.echo.nasa.gov/reverb/)。数据预处理过程为：首先利用计算机程序将NetCDF格式数据转换为TIFF格式, 然后对数据无效值(负值)进行剔除, 最后利用GIS软件裁剪获得黄淮海平原根区土壤湿度数据。

(2) 标准化降水蒸散指数数据

标准化降水蒸散指数(SPEI)是Vicente-Serrano等[18]提出的一种应用非常广泛的干旱指数。SPEI是在考虑降水的基础上, 加入了温度信息, 利用降水与潜在蒸散发之间的水量平衡关系来表征干旱。SPEI具有多尺度特征, 研究表明, 3个月尺度SPEI(SPEI-3)适合监测农业干旱[12,19], 因此, 文中将SPEI-3与SSMI进行对比分析, 作为评价SSMI监测农业干旱适宜性的一个方面。SPEI的计算方法：(1)获得某一时间尺度(如3个月)内降水累计值与潜在蒸散发累计值的差值的多年时间序列, 一般要求时间序列的长度为30年以上[18]。根据气象数据的可获得性, 潜在蒸散发的计算可以采用Penman-Monteith、Thornthwaite、Hargreaves等方法[20-21]。(2)对该时间序列进行Log-Logistic概率分布拟合, 获得概率分布函数。(3)最后将概率分布函数进行正态标准化得到SPEI值, 具体计算公式参考Vicente-Serrano等[18]的文献。本研究使用的SPEI数据集是由提出者Vicente-Serrano等生产的全球SPEI数据集[22], 可以在以下网址(http://sac.csic.es/spei/index.html)下载。该数据格式为NetCDF格式, 空间分辨率为0.5度, 时间分辨率为每月, 数据时段为1901年1月—2015年12月, 包含1—48月尺度的SPEI数据。为了与土壤湿度数据时段保持一致, 本研究选取黄淮海平原2002年6月至2010年12月的SPEI格网数据集。

(3) 农业气象站点灾害数据

由于大范围地获取完整、详细的灾害记录数据是较为困难的, 因此, 干旱观测数据对于评价干旱指数的监测效果是十分宝贵的数据源。我国黄淮海平原拥有比较密集的农业气象站点, 记录了农业干旱的相关信息。中国气象局根据农业气象台站上报的农业气象旬月报报文资料整理形成农业气象站点灾害旬值数据集, 该数据集包括灾害名称、灾害发生日期、灾害强度、灾害面积以及受害百分比等主要字段, 该数据可以从中国气象数据网下载(http://data.cma.cn/)。根据农业干旱国家标准中作物形态指标, 灾害记录中干旱强度分为轻度、中度和重度干旱[23]。本研究在全国农气站点的灾害记录中筛选出了2002—2010年间黄淮海平原共40个农气站点的1244条干旱灾害记录。

(4) 冬小麦产量数据

本文还收集了黄淮海平原主要省市天津、河北、山东、河南、安徽35个县级行政单位的1994—2013年冬小麦产量数据来评价干旱指数与作物产量之间的关系。数据来源是从各省市统计年鉴资料中获取。在预处理过程中, 对产量数据进行了多项式去趋势处理, 从实际产量中去除科技进步等人为因素对冬小麦产量的影响, 得到气候要素为主要影响因素的产量(即气象产量)。文中用减产率作为农业干旱对作物造成的影响的表达指标, 减产率(YLR, yield loss ratio)可通过公式(1)计算：

式中, Y为气象产量；Y为多年平均气象产量, 用其表示正常产量。YLR负值表示减产；正值表示增产。

本文选用标准化土壤湿度指数作为评价农业干旱的指标, 对根区土壤湿度进行标准化。对数据标准化的过程中, 需确定土壤湿度数据的概率分布。常用于干旱指数构建的概率分布函数包括伽玛分布、皮尔逊Ⅲ型分布、经验累积概率分布、正态分布、Log-Logistic分布等[24]。利用Kolmogorov-Smirnov方法检验, 结果显示土壤湿度数据符合正态分布, 与Mishra等的结果相同[8]。因此, SSMI的构建方法如下：

式中, SM为某一时间尺度的土壤湿度值, SM为该时间尺度上多年土壤湿度均值, σ为该时间尺度上多年土壤湿度标准差。SSMI小于0代表土壤湿度小于正常值, 呈现土壤水分亏缺的状态；反之, SSMI大于0表示土壤湿度大于正常值, 呈现土壤水分盈余的状态, 值的大小表示偏离正常值的程度。按照McKee等[25]和世界气象组织(WMO)[26]提出的干旱分类体系, 干旱等级分为轻度干旱、中度干旱、重度干旱和极端干旱, 不同干旱等级间的分隔点为数据的1σ(σ为标准差)、1.5σ和2σ。经检验, 土壤湿度数据符合正态分布特征, 计算得到的SSMI服从标准正态分布(μ = 0；σ = 1), 因而, SSMI干旱等级划分如表 1所示。按照正态分布的特征, 出现轻度、中度、重度和极端干旱的概率分别为34.1%、9.2%、4.4%和2.3%；干旱事件出现概率的倒数即为重复周期, 出现轻度、中度、重度和极端干旱的重复周期分别约为3、10、20和50年。由于SPEI、农气站点灾情观测记录、作物产量数据的时间分辨率不同(SPEI为月值数据；灾情观测记录为旬值数据；作物产量为生长季尺度数据), 本文分别采用了月、旬、生长季尺度的SSMI与上述数据进行综合对比分析, 从不同时间尺度上分析SSMI在农业干旱监测上的适宜性。不同尺度的SSMI的计算方法为：首先, 将逐日的根区土壤湿度按照取均值的方法合成为相应尺度(旬、月、生长季)的土壤湿度数据；其次, 按照公式(2)计算相应尺度的SSMI。

根据2.2节描述的SSMI的计算方法, 利用根区土壤湿度数据计算得到了2002—2010年间黄淮海平原SSMI的干旱监测结果。图 2展示了黄淮海平原内所有栅格数据SSMI月均值数据序列。根据SSMI的干旱等级划分, 黄淮海平原在2002—2010年间共发生12次干旱事件, 其中达到重度干旱事件1次(2002.6—2003.8), 中度干旱事件3次(2004.1—2004.7、2005.3—2005.8、2006.8—2007.1), 其余为轻度干旱事件。

由于SPEI和SSMI数据在时间尺度和空间分辨率上不同, 为了对二者进行对比分析, 需要将二者整合成统一的时空分辨率上。在空间分辨率上, SPEI数据的空间分辨率为0.5度, SSMI数据的空间分辨率为0.25度, 文中将SSMI数据按照双线性内插法重采样为0.5度数据用于对比分析。在时间分辨率上, 由于SPEI是逐月数据, 为与SPEI数据序列保持一致, 采用SSMI月值数据用于分析二者之间的关系, SSMI月值数据的计算方法见2.2节。

本研究选用3个月尺度的SPEI(SPEI-3)来与SSMI进行对比分析。SPEI-3即综合考虑当前月份前3个月的降水和蒸散发量之差, 按照上述SPEI的计算方法得到当前月份SPEI值, 按照月份顺序依次滑动计算得到不同月份的SPEI-3值, 最终形成逐月的SPEI-3时间序列。首先从整个黄淮海平原尺度上对比分析SSMI和SPEI之间的关系, 将黄淮海平原内所有栅格数据进行取均值处理, 得到2002年6月至2010年12月共103个月的SSMI和SPEI时间序列数据, 结果如图 3左图所示。结果显示, 从整个黄淮海平原尺度来看, SPEI与SSMI具有较好的一致性, 相关系数达到0.63, 呈现极显著的相关关系。在2002、2004、2006年发生的农业干旱中, 二者均具有良好地识别效果。在栅格尺度上, 进一步分析SSMI与SPEI的相关程度, 2002—2010年月尺度SSMI与SPEI的相关性如图 3右图所示。可以发现, SSMI与SPEI之间的相关系数在0.3—0.8之间, 平均相关系数为0.52, 每个栅格参与相关性计算的样本数量为103个, 所有栅格均通过0.001显著性水平检验。以上分析结果表明, SSMI与SPEI之间具有极显著的相关性和较好的一致性, 以SPEI作为参照指标, SSMI能够反映黄淮海平原的干湿状况。

本节分别从黄淮海平原整体情况和典型农气站点上对干旱灾害观测记录与SSMI进行对比分析。在分析黄淮海平原整体情况时, 由于灾害观测记录为旬值数据集, 时间序列较长, 为了便于空间上展示, 按照逐月方式对干旱灾害记录进行了整理归纳；在典型农气站点尺度上, 采用旬尺度数据进行对比分析, 从相对较小的时间尺度上进一步检验SSMI的干旱监测效果。表 2是根据农气站点的灾害记录整理出的2002—2010年间的主要干旱事件。从表中可以发现, 黄淮海平原每年都会有干旱发生, 仅是在持续时间和发生范围上有所差别, 文中重点分析了2004、2006年较长持续时间的干旱过程。图 4展示了2004和2006年黄淮海平原从干旱发生到逐步加重直至干旱减轻的时空演变过程。按照农气站点灾害记录, 从2004年3月开始, 黄淮海平原就已经有零星分布的干旱发生, 至4—6月, 干旱范围已经扩展为黄淮海平原大部分地区。在2004年3—6月间, 黄淮海平原共有18个站点记录发生干旱, 平均受害百分比为40%—50%, 平均受旱面积超过2.5万hm2, 山东菏泽、安徽蒙城、宿县、亳州等地受害百分比甚至达到90%—100%, 平均受旱面积超过6.7万hm2。在2004年7月—11月, 干旱范围有所减小, 主要集中在安徽、江苏北部, 以及山东、河南部分地区。在2006年4—12月间, 共有30个站点显示发生干旱灾害, 平均受害百分比为47%—57%, 平均受旱害面积超过2.8万hm2。在干旱空间分布来看, 在7—9月干旱得到部分缓解；在10—11月, 由于降水不足, 干旱又逐渐加重；直至12月, 黄淮海平原大部分地区干旱逐渐解除, 只在山东胶东半岛和河北部分地区干旱持续。综合2004、2006年两次农业干旱事件, 从图 4可以看出, 在空间分布上, SSMI的干旱监测结果与农气站点灾害记录是基本符合的。

为了进一步评估SSMI在农业干旱监测中的准确性, 从站点尺度上分析干旱指数监测结果与灾害记录的一致性。根据农气站点灾害数据的完整性, 选取德州、菏泽、泰安、商丘、蒙城、亳州6个站点用于对比分析。图 5中分别用数值-1、-2、-3来表示农气站点记录的轻度、中度和重度干旱事件。另外, 农气站点还记录了洪涝灾害, 其轻、中、重强度分别用1、2、3表示。从图 5中可以发现, 各站点SSMI所代表的干旱强度与干旱灾害记录是基本一致的, 总体上SSMI能够较为准确地反映区域农业干旱强度特征。从干旱监测的时效性方面, 旬值尺度的SSMI与干旱灾害记录也基本吻合, 说明利用SSMI在旬尺度上监测农业干旱也具有较大的应用潜力。

在进行农业干旱监测时, 分析干旱指数与作物产量的关系是检验干旱指数监测效果的重要方面。本文搜集到黄淮海平原35个县市级1994—2013共20年的冬小麦产量数据。为了使不同县市之间的产量数据能够进行类比, 本文采用减产率来分析农业干旱监测结果与冬小麦产量的关系。首先, 计算得到了所有县市2002—2010年8个生长季SSMI与冬小麦减产率的相关性(图 6左图)。结果显示, SSMI与冬小麦减产率呈现极显著的正相关关系(R = 0.68, P < 0.001)。图 6右图展示了各县市生长季SSMI与减产率之间的相关性, 在35个县市中, 有24个可以通过0.05水平显著性检验, 11个未通过显著性检验。根据农气站点灾害记录显示, 河北保定、石家庄、邢台等地的冬小麦在2002—2003生长季遭遇病虫害、大风的灾害影响, 山东菏泽在2003—2004生长季遭受渍害影响, 并非都因干旱引起冬小麦减产。因此, 总体上, 生长季SSMI与冬小麦减产率是显著相关的, SSMI能够对农业干旱引起的冬小麦减产起到一定的指示作用。

本文选取2002—2003年发生在冬小麦生长季内的干旱事件, 进一步分析SSMI干旱监测结果与冬小麦减产率的关系。从图 7中可以发现, 黄淮海平原2002—2003生长季冬小麦产量基本都呈现减产状态, 减产幅度在15%以内。根据SSMI识别结果, 除了河北保定、石家庄、邢台(图中绿色显示区域)外, 其余区域均处于干旱状态。总体上, 基于统计数据得到的冬小麦发生减产的区域与基于SSMI识别的干旱发生区域具有较好地一致性。在数值上, 有些区域减产率和SSMI可能无法很好地一一对应, 即减产程度并不完全随着SSMI的减小而增加。主要原因在于粮食减产可能有多种原因引起, 在农业气象灾害范畴内, 除干旱外, 还可能由大风、渍害、干热风、冰雹等引起减产。如图 7中河北保定、石家庄、邢台(绿色区域)SSMI显示为正常或湿润状态, 而产量却呈现减产状况, 其主要原因在于受到病虫害、大风的灾害影响。2002—2003生长季内保定、石家庄、邢台的降水量分别为101.7 mm、247.4 mm和177.6 mm, 占平均降水量的94%、185%和134%, 显示该生长季降水接近或者多于平均降水量, 冬小麦产量减少可能并非受到干旱影响。另外, 不同生育期内即使出现相同等级的干旱发生, 对作物产量的影响也不尽相同, 这也是导致SSMI与减产率无法很好地一一对应的原因之一。

本文利用数据同化后的根区土壤湿度数据构建了标准化土壤湿度指数(SSMI), 通过与常用的干旱指数SPEI、农业干旱灾害数据以及冬小麦减产率的对比分析, 综合评价了利用SSMI监测农业干旱的适宜性。研究表明, SSMI能够有效反映黄淮海平原的农业干旱状况, 利用SSMI监测农业干旱是适宜的。具体研究结论如下：

(1) 黄淮海平原格网尺度SSMI与SPEI之间的平均相关系数达到0.52, 具有极显著相关关系(P < 0.001)。从整个黄淮海平原来看, SSMI与SPEI也具有良好的一致性, 能够准确识别该区大范围农业干旱。

(2) 从区域尺度上看, SSMI能够有效反映干旱发生、发展直至减轻的演变过程。通过与德州、菏泽、泰安、商丘、蒙城、亳州6个农气站点干旱灾害记录的对比分析表明：在站点尺度上, 利用SSMI识别的农业干旱与农气站点干旱灾害记录是基本一致的, SSMI能够较为准确地监测农业干旱的强度。

(3) 冬小麦生长季SSMI与减产率具有显著的相关性和良好的对应关系, 基于SSMI识别的农业干旱发生区域与基于统计数据得到的冬小麦减产区域是基本一致的, SSMI能够对农业干旱引起的冬小麦减产起到一定的指示作用。

相比于气象干旱, 农业干旱是一种更为复杂的干旱类型, 与气象条件和作物生长状况密切相关[5,8], 因而, 在评价农业干旱指数的适宜性时, 需要从不同方面综合评价[27]。在以往的农业干旱指数评价中, 往往通过与其他指数的对比来评价干旱指数的监测效果[5,11]。由于不同干旱指数的构建原理不同, 仅利用对比分析指数间的一致性不足以说明干旱指数的适宜性。本文从干旱指数、灾害观测记录对比以及干旱对产量影响的角度综合评价了标准化土壤湿度指数(SSMI)监测农业干旱的适宜性, 在干旱指数的适宜性评价方法上更加全面, 研究结果可以为黄淮海平原农业干旱监测业务化运行以及防灾减灾策略的制定提供理论依据和科学参考。

本研究尚存在一些不足之处。由于采用的根区土壤湿度数据是同化模型模拟结果和遥感数据所得, 土壤湿度数据时间序列相对较短。随着SMOS(soil moisture ocean salinity)、SMAP(soil moisture active passive)等卫星土壤湿度产品的增多, 空间分辨率也会更高, 后续研究还需采用更长时间序列数据用于农业干旱监测及影响评价。在探讨干旱对作物影响时, 还需进一步考虑灌溉等人为因素的影响。本文研究区黄淮海平原的大部分地区为灌溉农业区, 为了减轻干旱对产量的影响, 大部分区域会进行人为灌溉, 所以在发生干旱时导致产量可能并未降低, 在分析干旱对作物生长及产量影响时, 人为灌溉则会增加分析结果的不确定性。本文所利用的土壤湿度为同化后的根区土壤湿度数据, 数据同化过程中用到了微波遥感土壤湿度数据, 微波遥感信号可以捕捉到地面灌溉的信息[28], 因而该数据在一定程度上考虑了人为灌溉的信息。此外, 在利用作物产量统计数据时, 先进行了去趋势处理, 去除了人为因素导致的科技进步对产量的影响, 其中也包含人为灌溉因素, 因此, 本研究在分析干旱对作物产量影响时部分考虑了灌溉因素的影响。即便如此, 在分析SSMI与冬小麦减产率之间的关系时, 有些区域仍然出现减产率和呈现的干旱状况不完全一致的情况。因而, 未来还需获取农田灌溉数据深入考虑灌溉因素可能带来的影响。目前研究工作仅在黄淮海平原开展, 进一步研究还需在更多区域(如雨养农业区、不同气候区)进行SSMI的验证评价工作。