非参数综合农业气象干旱监测:模型开发与应用外文翻译资料
2022-11-25 03:11
英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
非参数综合农业气象干旱监测:模型开发与应用
Zhangqiang、Qinli、Vijay P. Singh、Peijun Shi、Qingzhong Huang、Peng Sun
环境变化与自然灾害重点实验室，教育部，北京师范大学，中国北京，地球表面处理与资源生态学重点实验室，北京师范大学，中国北京，地理科学学院，减灾学院，应急管理学院。
摘要：干旱是一种主要的自然灾害，对社会有巨大的影响。如何监测干旱对于缓解和早期预警至关重要。本研究提出了一种基于降水、蒸散发和土壤湿度的多变量标准化干旱指数(MSDI)的修正版——改良的多元标准干旱指数(MMSDI)。本研究也采用了非参数联合概率分布分析，比较了标准化降水蒸散指数(SPEI)、标准化土壤水分指数(SSMI)、MSDI和MMSDI，以及实际观察到的干旱状况。结果表明，MMSDI能监测到SPEI和SSMI未监测到的干旱。同时，MMSDI也几能够监测到所有SPEI和SSMI能够识别的干旱。此外，MMSDI监测到的与实际观测到的干旱强度和受影响面积相似。与MMSDI相比，MSDI有可能高估了中国的干旱强度和受干旱影响的地区面积，这应该归因于对干旱强度的估算排除了蒸散成分。因此，建议采用MMSDI进行干旱监测，以便检测农业气象干旱。本项研究的结果为世界其他地区的综合干旱监测提供了框架，并有助于干旱检测的发展。
关键词：新综合干旱指数指数、非参数联合概率分布、干旱监测、干旱指数的适用性
1引言
干旱是一种自然灾害，造成干旱的原因是持续且强烈的降水不足。它是对农业、供水、生态系统、公共卫生、流域健康能源和经济的灾难性影响的最大和最不了解的自然灾害之一，对水资源管理提出了挑战。仅美国的干旱造成的经济损失就高达每年60到80亿美元。在中国，干旱也是主要的自然灾害之一，在中国某些地区的夏季干旱的频率高达70%伴随着巨大的社会经济损失，特别是农业。在1950-2001年期间，中国受干旱影响的土地面积平均每年为2173万公顷，粮食损失平均每年为1413万吨，占粮食总产量的4.68%。因此，对干旱进行有效的预测、预测和预警，对于减少负面影响的决策和缓解措施至关重要。
干旱的监测和表征依赖于干旱指数，这些指标是基于变量或者指标同化的定量测量，如降水和蒸发蒸腾，这在一定程度上是对准确量化干旱风险的挑战。目前有许多指标从不同的角度监测和描述干旱，最常用的气象干旱指数是降水量，帕尔默干旱严重指数(PDSI) 和标准化降水指数(SPI)。此外，标准化的降水-蒸散发指数(SPEI) 的干旱监测包含了潜在蒸散发。气象干旱指数有SPI、PDSI和SPEI。Guttman(1998) 将使用SPI和PDSI干旱监测的特性与美国各地的气象干旱指标进行比较。结果表明，基于PDSI的干旱监测受空间的影响，但SPI在美国各地的干旱监测中表现良好。SPI在干旱监测中有其自身的优势，因为SPI能够在不同的时间尺度上确定干旱条件并监测不同的干旱类型，因此SPI得到了广泛的应用。然而，SPI的弱点也很明显，因为它依赖于标准化程序和定义干旱地区的能力相对较差。值得注意的是，由于SPI只包含了降水，所以它不能评估其他气象因素对干旱发生的影响。这也证实了SPEI在全中国干旱监测中的适用性。此外，与PDSI相比，SPEI还可以从多个时间尺度的角度监测干旱。
然而，传统的干旱监测通常是基于现场观测的气象变量，如降水、温度和土壤湿度。由于这些变量具有较大的空间变异性，这种监测不能监测大面积的干旱，而干旱的发生和发展通常受到广泛地区的影响。因此，卫星数据在植被条件指数等指标的发展中得到了广泛的应用，如作物水分胁迫指数，植被温度条件指数，以及全球植被水分指数都用于干旱监测。
此外，还有用于农业干旱监测的Palmer的z指数、Palmer指数和标准化土壤水分指数(SSMI)。Hao和AghaKouchak提出了将气象和农业指数相结合的多变量标准化干旱指数(MSDI)，并在美国加州的干旱监测中使用。MSDI综合了SPI和SSMI，认为降水和土壤湿度是影响干旱发生的因素。由于SPI不包括对干旱的估计，蒸散发是评价干旱的一个重要变量。因此，SPI在干旱监测中存在一定的局限性，在干旱的评价中，蒸散发不能成为一个可忽略的因素。同样地，MSDI排除了干旱监测实践中的蒸散发，因此MSDI在干旱的单项上也有类似的局限性。在这种情况下，在干旱监测中包括蒸散发是非常必要的。因此，在本研究中，提出了一种改进的MSDI，即MMSDI，通过从非参数的角度考虑蒸散的影响，来制定一种新的改进的干旱监测技术。因此，本研究的目标是通过修改MSDI，并且在全中国干旱监测中评估改良MSDI的性能，制定一种新的干旱监测技术。
2.数据
2.1全球土地数据同化系统数据。
全球陆地数据同化系统(GLDAS)是基于现场观测和遥感数据集，如降水、温度和辐射，以及利用地表模型，马赛克，诺亚，公共土地模型，和可变渗透能力(VIC)，由国家航空航天局和国家海洋和大气局联合开发的系统。开发GLDAS的目的是将基于卫星和地面的观测数据产品，利用先进的陆地表面建模和数据同化技术，产生最佳的陆地表面状态和通量。目前，GLDAS广泛应用于全球变化的研究，水文循环，与重力恢复与气候实验比较和中分辨率成像光谱辐射计数据集。Dillon et al.对土壤湿度进行了分析，利用Mosaic、Noah和VIC模型，从GLDAS研究了天气研究和预测模型对短期预测的敏感性。在这里，我们采用了1979年至2015年期间，用月度时间尺度在格达斯vic模型中生成的土壤湿度数据。空间分辨率为1°times;1°。
2.2气象数据
从气候研究单位获得了月降水量和潜在蒸发量数据集，其版本为时间序列3.24.01版。这些数据集都是基于网格的数据，空间分辨率为0.5°times;0.5°，并被广泛用于推断SPEI。根据粮食和农业组织56 Penman-monteith的方程式计算出了潜在的蒸腾量数据。
图1根据粮食和农业组织(粮农组织)-56 Penman-Monteith的公式计算出潜在的蒸散发数据。研究区域和中国省份的位置：以数字为标志的七个区域分别为:1.东北;2.西北；3.北部;4.西南;5.东部；6.中央；7.中国东南部。
2.3中国各省的受灾地区和总种植区。
从中国种植作物数据库获得各省灾害损失和总作物地区的信息。中国省份的位置和边界如图1所示。这些数据集是用来反映现实世界发生的干旱，因此被用来验证MMSDI在中国的干旱监测研究中所提出的性能。
3方法
3.1空间插值分析
气象和GLDAS数据的空间分辨率分别为0.5°times;0.5°和1°times;1°。因此，将线性插值应用于数据以保证空间分辨率的一致性。在这项研究中，GLDAS数据的网格数据的线性插值被用来处理土壤水分,其中1°times;1°的空间分辨率外推到0.5°times;0.5°。利用MATLAB工具箱完成了差值算法，该算法更多的细节可以在https://cn.math-works.com/help/matlab/ref/interp2.html上找到。然后，利用预处理的数据对SPEI和SSMI进行了分析，得到了MMSDI。
3.2潜在蒸散、SPEI和SSMI的计算。
SPEI是一种用于量化干旱的发生、持续时间和规模的定量干旱指数。在SPEI分析中，采用FAO-56 Penman-Monteith方程如下:
(1)
潜在蒸散发(PET)是潜在蒸散量(mmd-1);Rn是作物表面的净辐射(MJ m-2 d-1);G为土壤热通量密度(MJ m-2 d-1);Ta是平均每日在2米高度地面的空气温度(°C);u2是在地面2米高处的风速(m s-1)，这是由10米的风速测量用对数风廓线推算出来的;es是饱和蒸气压(kPa);ea是实际的蒸气压(kPa);-ea是饱和蒸气压差(kPa);Delta;是蒸汽压的斜率(kPa°C1);gamma;是湿度指数(kPa°C1)，由公式（2）给出。
（2）
其中Cp为恒定压强下的比热，即,1.013times;10 - 3(MJ kg-1 °C1);P是大气压力(kPa);ε是水蒸气的分子量比/干燥的空气,即0.622;lambda;是汽化潜热，2.45(MJ kg-1)。计算程序遵循粮农组织论文56第3章所述。
在本研究中，SPEI和SSMI均采用非参数方法。在此方法中，将析出蒸散发(PPET)或土壤湿度(SM)的分布描述为:
(3)
p表示变量X和x的概率表示需要满足的特定值。PPET或SM的概率分布可以用经验的Gringorten绘图位置来计算:
(4)
其中n是观察的样本容量，mk是事件的数量,满足xile;xk(1le;ile;n),经验概率是标准化的:
（5）
（6）
pppet和psh表示PPET和SM的经验概率，Phi;表示标准正态分布函数:
(7)
3.3发展MMSDI
MSDI是一种基于降水和土壤水分的综合农业气象干旱指数，该指数被作为SPI指数的扩展。SPEI比SPI具有优势，因为它包含了蒸散发对干旱发生的影响，并已被提议用于全国的干旱监测。本研究采用了Penman-Monteith方程计算的降水、潜在蒸散量以及改良后的MSDI发展过程中的土壤水分，其中降水由PPET代替、SM也被用于MMSDI。然后根据降水、潜在蒸散量和土壤湿度计算了MMSDI，并给出了X、Y的联合分布情况:
(8)
其中，PPET表示降水与蒸散发数据差异的矢量，SM表示土壤水分数据的矢量，PPET和sh表示需要满足的具体值。P表示布偶和SM的联合概率。因此，MMSDI被制定为:
(9)
MMSDI也是一种不同时间尺度的多尺度指数监测干旱，如1、3、6个月等。在本研究中，使用了3个月和6个月的量表。为了避免由于假设分布函数和参数估计而造成的冗余，本研究采用非参数联合分布。采用Gringorten对实证二元联合概率进行了评价:
(10)
其中n是观察的样本大小和可定义的事件数量，(xi,yi)满足条件的为xile;xk和yile;yk(1le;ile;n)。方程(8)和(10)的组合产生了MMSDI。
3.4干旱强度分类和对SPEI和SSMI与MMSDI进行定量比较的指标。
在本研究中，干旱强度由4个离散的干旱严重级别(表1中的D1至D4)和无干旱(D0)来定义，由Hao et al提出。此外，为了比较干旱指数SPEI、SSMI和MMSDI的结果，采用了以下验证指标：检测概率(POD)、假警报比(FAR)、临界成功指数(CSI)、干旱效应(EOD) (Hao amp; AghaKouchak, 2014)。这些指数是用公式表示的。
(11)
(12)
(13)
(14)
其中H (Hit，观测到的干旱) 表示当SPEI或SSMI受D1-D4等级和MMSDI等级为D1-D4等级时的网格数；M (Miss)表示当SPEI或SSMI受D1-D4等级和MMSDI评分时，其他级别的网格数大于D1-D4;F(误报)指的是当SPEI或SSMI在其他等级的情况下超过D1-D4时的网格数，但MMSDI的等级为D1-D4；HN表示SPEI、SSMI和MMSDI受到其他等级影响时的网格数；A (All)表示本研究中考虑的所有网格。
4结果与讨论
4.1在SPEI, SSMI, MSDI和MMSDI之间进行比较。
一般来说，中国根据地貌和气候划分为七个地理区域：西北、西南
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[22483]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
