基于多源数据的新疆干旱特征及干旱模型研究

doi:10.6046/zrzyyg.2021074

基于多源数据的新疆干旱特征及干旱模型研究

秦大辉^,¹, 杨灵¹, 谌伦超¹, 段云飞¹, 贾宏亮¹, 李贞培¹, 马建琴²

1.西南石油大学土木工程与测绘学院,成都 610500

2.华北水利水电大学水利学院,郑州 450046

A study on the characteristics and model of drought in Xinjiang based on multi-source data

QIN Dahui^,¹, YANG Ling¹, CHEN Lunchao¹, DUAN Yunfei¹, JIA Hongliang¹, LI Zhenpei¹, MA Jianqin²

1. School of Civil Engineering and Geomatics, Southwest Petroleum University, Chengdu 610500, China

2. School of Water Conservancy, North China University of Water Conservancy and Hydroelectric Power, Zhengzhou 450046, China

责任编辑: 张仙

收稿日期: 2021-03-15 修回日期: 2021-05-26

基金资助:

工程结构安全评估与防灾技术四川省青年科技创新研究团队项目资助编号(2019JDTD0017)

Received: 2021-03-15 Revised: 2021-05-26

作者简介 About authors

秦大辉(1980-),男,博士,副教授,主要从事图像处理、摄影测量、计算机视觉、防灾减灾等方面的研究。Email: qindahui@qq.com。

摘要

综合考虑大气降水-植被生长-海拔相互作用等多元成因,以新疆地区2001—2019年的MODIS数据、TRMM降水数据以及该地区数字高程模型(digital elevation model,DEM)数据为遥感数据源,计算降水集中指数(precipitation concentration index,PCI)、温度植被干旱指数(temperature vegetation dryness index,TVDI)以及DEM等参数,利用主成分分析建立了改进的综合干旱监测模型。利用该模型对研究区进行时空分析,结果表明: 干旱发生频率在空间上主要呈现中部高四周低的特点,研究时段内约47.7%的区域发生了干旱,其中32.3%的干旱区其干旱频率可达60%以上,主要集中于塔里木盆地以及吐鲁番盆地; 研究区旱情变化趋势存在较大差异,3—9月线性回归斜率正值数值远大于负值,根据结果预测研究区2020年干旱情况主要表现为春旱和夏旱。

关键词： 干旱监测; 多源数据; 主成分分析; 时空演变; 趋势分析

Abstract

An improved and comprehensive drought monitoring model was developed in this study. Given multi-genetic types such as the interaction of atmospheric precipitation, vegetation growth, and elevation, multiple data sources were selected for the model, including EOS-MODIS data, TRMM precipitation data, and the region SRTM-DEM(digital elevation model) data from 2001 to 2019 in Xinjiang. The parameters including precipitation concentration index (PCI), temperature and vegetation drought index (TVDI), and DEM were calculated, and the principal component analysis (PCA) method was employed to establish the model. Then, the model was used to analyze the spatio-temporal characteristics of drought in the study area. The analytical results show that the annual occurrence frequency of drought in the study area from 2001 to 2019 was high in the middle part and low in the surrounding areas. In addition, drought struck 47.7% of the study area, and the occurrence frequency of drought reached 60% in 32.3% of the drought regions. Meanwhile, drought was concentrated in the Tarim and Turpan basins. The changing trends of drought in the study area differed greatly. For the linear regression slope of drought from March and September, the absolute values of the positive slope were far greater than those of the negative slope. Based on this, it can be predicted that the drought in the study area mainly included spring and summer droughts in 2020.

Keywords： drought monitoring; multi-source data; principal component analysis; spatio-temporal evolution; trend analysis

PDF (2955KB) 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

秦大辉, 杨灵, 谌伦超, 段云飞, 贾宏亮, 李贞培, 马建琴. 基于多源数据的新疆干旱特征及干旱模型研究[J]. 自然资源遥感, 2022, 34(1): 151-157 doi:10.6046/zrzyyg.2021074

QIN Dahui, YANG Ling, CHEN Lunchao, DUAN Yunfei, JIA Hongliang, LI Zhenpei, MA Jianqin. A study on the characteristics and model of drought in Xinjiang based on multi-source data[J]. Remote Sensing for Natural Resources, 2022, 34(1): 151-157 doi:10.6046/zrzyyg.2021074

0 引言

干旱是一种重大的自然灾害,对社会、生态、农业以及经济都会造成巨大的影响和损失^[1,2,3]。影响干旱的因素较多且成因复杂,如何对干旱进行定量监测评估是一大研究难题。迄今为止国内外已有很多研究利用单一干旱监测指标进行干旱监测,并且取得了不错的效果。但是由于研究区的差异和干旱成因的不确定性,单一的干旱监测指数缺乏普适性,其监测结果和实际的情况可能存在较大的偏差^[4]。基于多源数据对区域性干旱进行研究分析,能够综合遥感数据的优势对干旱进行连续性全面监测与分析^[5]。建立综合干旱监测模型,既能提高干旱监测精度,探讨干旱的发生过程以及影响,又能通过时序数据对干旱进行时空变化规律的研究。

Kogan^[6]利用多年的植被指数,提出了结合植被状态指数和温度条件指数的植被健康指数来进行干旱的监测; 温庆志等^[7]以多源遥感数据为基础,采用SEN趋势法和标准化降水蒸散指数(standardized precipitation evapotranspiration index,SPEI)等方法,构建了适用于淮河流域的多源综合遥感干旱监测模型,以研究淮河流域的干旱时空变化; 杜灵通等^[8]采用决策树分析的思想,综合考虑土壤水分胁迫、植被生长状态和气象降水盈亏等致旱因素,利用分类回归规则建立综合干旱监测模型,并取得了较好的监测效果; 刘高鸣等^[9]计算了SPEI指数、植被状态指数、温度状态指数、温度植被干旱指数(temperature vegetation dryness index,TVDI),构建了基于决策树的定性农业干旱监测模型,并且以此模型对河南省干旱事件进行监测,该模型能较好地反映农业旱情的发生和空间演变情况。

以上综合干旱指数的建立多以植被、土壤等作为参考因素,忽略了降水因素对干旱的重要影响,本研究以长时间序列的TRMM降水数据结合数字高程模型(digital elevation model,DEM)以及TVDI指数作为模型构建参数,利用主成分分析的方法建立改进的综合干旱监测指数(synthesis drought monitoring index,SDMI)作为一种新的工具,对研究区进行干旱频率的时空分析以及变化发展趋势研究,对认识新的干旱问题及干旱预测预防有重要意义。

1 研究区概况及数据来源

1.1 研究区概况

新疆维吾尔自治区位于我国西北部(E73°~96°,N34°~48°),海拔最高为8 611 m。作为我国陆地面积最大的省级行政区,占据1/6陆地面积^[10]。北部为阿尔泰山,南部为昆仑山系,中部为天山,天山以北为准格尔盆地,天山以南为塔里木盆地。新疆远离海洋,高山阻隔,形成了典型的温带大陆性气候,昼夜温差大,年日照长达2 500~3 500 h,年降水量较少且在空间分布上呈现明显的南北差异^[11]。研究区气象站点分布如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区气象站点分布

Fig.1 Distribution of meteorological stations in the study area

1.2 数据来源

站点数据选取2001—2019年新疆地区55个气象站点的逐日观测气温、降水数据,缺失或者异常数据用相邻月份的平均值代替,原始数据来源为中国气象数据网(https://data.cma.cn/)。遥感数据源为2001—2019年的新疆区域MOD13A3月值3级植被指数产品、MOD11A2的8 d地表温度产品,TRMM3B43降水数据产品,数据来源为 https://mirador.gsfc.nasa.gov。其他数据包括新疆地区STRM-DEM(90 m)数据(https://www.resdc.cn/)和省级行政矢量数据。

2 研究方法

2.1 模型构建

根据研究区域的实际情况,考虑各种致旱因子对干旱过程的影响,本文综合大气降水、植被以及地面高程等影响因素,以TVDI、降水集中指数(precipitation concentration index,PCI)、DEM为模型参数,利用主成分分析的方法^[12],选取累计贡献率高于85%的前n个主成分分量,成分的权重系数为该成分所对应的贡献率,得到改进的SDMI。通过对SDMI指数和SPEI值进行相关性分析,以确定模型的适用性和可靠性^[13]。模型构建的具体流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 模型构建流程

Fig.2 Flow chart for the model constructing

计算获得研究时间段2001—2019年的月值综合干旱指数栅格数据集,该指数可以反映大气降水、植被以及DEM等对研究区干旱情况的影响,能够对研究区进行历史干旱时空演变分析。

2.2 指数计算

2.2.1 温度植被干旱指数(TVDI)

TVDI能够反映长时间序列的土壤湿度情况,因此选择TVDI指数作为模型参量^[14]。利用MRT工具分别对获取的MOD13A3以及MOD11A2数据进行批量拼接、投影转换等预处理。分别获得像元大小为1 km的月归一化植被指数(normalized difference vegetation index,NDVI)产品以及8 d的地表温度(land surface temperature,LST)产品。由于LST为8 d合成产品,利用最大值合成为月产品实现与NDVI数据的像元栅格匹配。使用数据集的质量信息文件对数据进行质量控制,剔除异常数据以提高数据精度。

TVDI的计算公式为:

(1)

LS T_{\max} = a + bNDVI

(2)

LS T_{\min} = a' + b'NDVI

(3)

TVDI = \frac{LST - LS T_{\min}}{LS T_{\max} - LS T_{\min}}

式中: LST为地表温度; $LS T_{\max}$ 为最高地表温度,对应干边; $LS T_{\min}$ 为最低地表温度,对应湿边; $a$ , $b$ 和 $a'$ , $b'$ 分别为干边和湿边的拟合系数。TVDI的取值范围为0~1,值越大表示受干旱影响程度越大。

2.2.2 降水集中指数(PCI)

降水量的多少和干旱的发生有直接的关系,长时间无降水或者降水量偏少通常会发生干旱。TRMM卫星获得的降水数据能够弥补站点监测数据的不连续性,有利于进行降水的时空分布特征分析^[15]。对TRMM3B43数据进行旋转、投影等预处理,并且根据每月实际天数将其转换成月降水数据。通过最邻近重采样的方法将降水数据空间分辨率由0.25°降至1 km。本文选取基于降水时间序列变化的PCI作为模型的参量,计算公式为:

(4)

PC I_{i} = \frac{TRM M_{i} - TRM M_{\min}}{TRM M_{\max} - TRM M_{\min}}

式中: $PC I_{i}$ 为某年第i月的降水集中指数; $TRM M_{i}$ 为第i月的TRMM值; $TRM M_{\max}$ 和 $TRM M_{\min}$ 分别为多年相应月份TRMM的最大值和最小值。PCI的取值范围为 $0 ~ 1$ ,值越小表明越干旱。

2.2.3 数字高程模型(DEM)

该研究区地势情况复杂,高低起伏较大,海拔在-155~8 611 km之间。随着海拔的变化,温度、植被类型、降水情况以及土壤水分等都存在着明显差异。该研究区的干旱灾害多发生于低海拔地区,海拔较高的山区发生干旱的几率相对较小,因此在构建综合干旱监测模型时将高程因素纳入考虑。

2.2.4 标准化降水蒸散指数(SPEI)

SPEI是在标准化降水指数的基础上,引入潜在蒸散发进行构建的,可以确定干旱的发生、持续时间以及干旱强度^[16,17,18]。采用式(5)估算潜在蒸发量,通过计算降水值 $P_{i}$ 和潜在蒸散 $PE T_{i}$ 的差值得到气候水平衡量值 $D_{i}$ 。公式为:

(5)

PE T_{i} = 16.0 {(\frac{10 T_{i}}{H})}^{A}

(6)

D_{i} = P_{i} - PE T_{i}

式中: A为常数; H为年热量指数; $T_{i}$ 为第 $i$ 月平均气温,℃。

利用log-logistic概率密度函数对 $D_{i}$ 序列数据进行拟合,得到的概率分布函数为:

(7)

F (x) = [1 + {(\frac{α}{x - γ})}^{β}]^{- 1}

式中 $α, β, γ$ 分别为尺度、形状和位置参数。

根据确定水分盈亏概率p确定SPEI的计算公式,即

当 $p \leq 0.5$ 时,令 $p 为 1 - F (x)$ ,公式为:

(8)

SPEI = W - \frac{c_{0} + c_{1} W + c_{2} W^{2}}{1 + d_{1} W + d_{2} W^{2} + d_{3} W^{3}}

式中: W为蒸散降水量, $W = \sqrt[]{- 2 \ln (p)}$ ; $c_{0} = 2.515 517$ , $c_{1} = 0.802 853$ , $c_{2} = 0.010 328$ , $d_{1} = 1.432 788$ , $d_{2} = 0.189 269$ , $d_{3} = 0.001 308$ 。

当 $p > 0.5$ 时,令 $p 为 1 - p$ ,公式为:

(9)

SPEI = - (W - \frac{c_{0} + c_{1} W + {c_{2}}^{2} W}{1 + d_{1} W + d_{2} W^{2} + d_{3} W^{3}})

。

2.3 干旱等级划分

利用SPEI值对SDMI指数进行干旱等级的划分,提取研究区2001—2019年55个站点所对应的SDMI指数与SPEI值进行线性回归分析。以SPEI值为自变量,SDMI指数为因变量,构建一元线性回归方程为:

(10)

y = 0.2 x + 0.5

。

将SPEI各等级的值带入式(10)中,以获得SDMI指数的干旱等级划分,具体的干旱等级划分如表1所示。

表1 干旱等级划分

Tab.1 Classification of drought levels

干旱等级	SPEI	SDMI
无旱	$\geq - 0.5$	$\geq 0.4$
轻度干旱	$(- 1.0, - 0.5)$	$(0.3,0.4)$
中度干旱	$(- 1.5, - 1.0]$	$(0.2,0.3]$
重度干旱	$[- 2.0, - 1.5]$	$[0.1,0.2]$
极度干旱	$< - 2.0$	$< 0.1$

新窗口打开| 下载CSV

2.4 模型验证

为分析所构建模型的干旱监测能力,本文通过计算研究区内55个气象站点的月尺度SPEI指数进行验证。提取每个气象站点所在经纬度位置3像元×3像元的像元平均值作为SDMI,对SPEI值和SDMI指数进行相关性分析,站点指数的相关性验证结果如表2所示。

表2 SDMI值与SPEI指数的相关性系数

Tab.2 The coefficient of correlation between SDMI and SPEI

月份	相关性系数	月份	相关性系数
1月	0.49	7月	0.73
2月	0.51	8月	0.74
3月	0.66	9月	0.70
4月	0.66	10月	0.64
5月	0.70	11月	0.58
6月	0.70	12月	0.18

新窗口打开| 下载CSV

根据研究区SDMI计算结果和SPEI值的相关性分析结果显示,二者存在一定的相关性。1—12月相关性均通过了P<0.01显著性检验,且大部分月份相关系数都处于0.6~0.8之间。因此该模型能够用于区域性的干旱监测分析。

3 结果与分析

3.1 总干旱频率分析

根据干旱等级划分结果,利用ArcGIS软件提取研究时段内SDMI<0.4的像元即视为发生干旱,利用干旱频率计算公式可获得研究区2001—2019年总干旱频率分布(图3)。干旱频率F_d^[19-20]计算公式为:

(11)

F_{d} = \frac{n}{N} \times 100 %

式中:n为该像元在统计时段发生干旱的次数;N为统计的总时段。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 总干旱频率分布

Fig.3 Drought frequency distribution in the study area

经图3统计可知,研究区2001—2019年间47.7%的地区发生了干旱, 32.3%的地区干旱发生频率可达60%以上。干旱发生频率较高的地区主要位于塔里木盆地和准格尔盆地以及吐鲁番盆地。提取55个气象站点的干旱情况进行进一步的地理空间分析,根据SDMI指数干旱划分等级,对55个站点在研究时段内发生干旱的情况进行统计分析,如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 站点干旱频率

Fig.4 Drought frequency of meteorological station

由图4可知,除少数站点外,大部分站点在研究时间段内均处于轻度干旱和中度干旱,其中站点26,32,33,42,43,47,48,53,55(如图3所示)在研究时段内发生干旱的频率均超过了60%,分别为61.7%,71.1%,63.5%,75.0%,77.8%,60.0%,63.3%,68.9%以及63.9%。根据站点所在的实际地理位置显示,这些站点集中于吐鲁番盆地且靠近塔克拉玛干沙漠附近。其主要原因为吐鲁番盆地属于大陆荒漠性气候,全年降水量较少,而蒸发量可达降水量的几千倍,且年均气温较高。位于塔里木盆地的塔克拉玛干沙漠缺少植被覆盖,地表裸露严重,昼夜温差大降水量严重低于蒸发量。

站点13,23,24,28,37,41,44和54(如图3所示)的干旱发生率低于20%,分别为18.9%,16.7%,9.4%,16.7%,6.1%,7.8%,8.9%以及14.4%。站点位置主要集中于天山山脉以及昆仑山脉附近。这些区域的冰雪融水补给较为充分,呈现湿润的状态,此外天山山脉主要有楚河、伊犁河等河流,能够及时补充地下水,从而降低干旱发生的频率。

由此可见,盆地沙漠地形地貌较为简单,生态环境十分脆弱。而山脉位置由于其独特的地形地势,地形复杂、生态环境结构丰富,具有相对较高的生态稳定性,因此生态环境不易被破坏,发生干旱的频率相对较低。

3.2 季节性干旱频率分析

根据规定的12月—次年2月为冬季,3—5月为春季,6—8月为夏季,9—11月为秋季,利用ArcGIS软件的像元统计工具,以长时间序列不同月份的像元平均值作为依据,将SDMI数据集进行月份划分,其月际干旱发生频率如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 月际干旱频率

Fig.5 Drought frequency of inter-monthly

据图5可知, 1月、2月、11月以及12月的干旱发生频率不到40%,表明不易发生干旱灾害,而3月、4月和6—10月干旱发生频率可达45%以上,这是由于春、夏两季高温少雨而导致的。2—3月的干旱发生频率有一个显著的增加,是因为由冬入春气温升高而降水减少,并且春季是播种期和灌溉期。图6为季节干旱分布情况。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 研究区季节干旱分布

Fig.6 Seasonal drought distribution of the study area

由图6可知,研究区2001—2019年间,干旱发生的主要时段为春季(图6(a))和夏季(图6(b)),且集中为中度干旱。秋季(图6(c))和冬季(图6(d))发生干旱情况较少,以轻度干旱为主。塔里木盆地是全年干旱情况都较为严重,而天山山脉以北地区,SDMI值在春夏两季较低,但是在秋冬两季就有明显升高,表明该地区在秋冬两季的干旱情况有明显的改善。这是因为天山以北可以收到来自大西洋的西风影响从而带来一定的降水,并且森林带居多,生态环境结构较为复杂稳定。

新疆地区的春旱以及夏旱情况尤为严重,春季又是农业生产的关键播种期和灌溉期,春旱严重威胁了农牧业的生产,因此对新疆春夏旱的控制和防治对新疆农业的发展十分重要。

3.3 干旱趋势分析

利用一元线性回归的方法探究月尺度综合干旱指数和时间变量的关系,从而对2020年新疆地区的干旱情况进行预测分析。利用最小二乘法的原理求得回归斜率,计算公式为:

(12)

Slop e_{k} = \frac{m \overset{m}{\sum_{i=1}} (T_{i} SDM I_{i}) - \overset{m}{\sum_{i=1}} T_{i} \overset{m}{\sum_{i=1}} SDM I_{i}}{m \overset{m}{\sum_{i=1}} {T^{2}}_{i} - (\overset{m}{\sum_{i=1}} T_{i})^{2}}

式中: $Slop e_{k}$ 为回归斜率; m为时间长度; $T_{i}$ 为时间变量。

SDMI指数越小表明越干旱,因此当一元线性回归的趋势为负时,干旱指数呈现减小的趋势,而干旱趋势则会随着时间的变化而加剧。本文对1—12月的SDMI指数进行了回归模拟分析,结果如图7所示。根据图7的预测结果显示,1—2月、10—12月的线性回归系数多为正值,并且正值的区域面积均超过了研究区总面积的50%,这表示在这些时间段内干旱趋势逐渐减弱。3—9月的线性回归系数则多为负值,因此该时间段内干旱趋势逐渐加剧,负值最大面积出现在7月,占据总面积可达85.65%。预测2020年该地区会发生春旱和夏旱,7—8月的干旱情况较为严重。据新疆维吾尔自治区气象局数据统计,全年1—8月气温偏高,降水偏少,春夏连旱情况较为严重。预测结果与实际结果相符,也验证了模型的准确性和可靠度。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 1—12月线性回归斜率统计特征

Fig.7 Statistical characteristics of linear regression slope from January to December

4 结论与讨论

本文以新疆为研究区,综合大气降水-植被-海拔相互作用等多元成因,计算TVDI,PCI以及DEM等指数,采用主成分分析方法构建了改进的SDMI指数。利用SPEI值对SDMI指数进行一元线性回归从而确定干旱等级的划分,并且对模型的适用性和可靠性进行了相关性验证和趋势分析。通过对所构建的研究区2001—2019年SDMI栅格数据集进行分析,可以得到如下结论:

1)本文提出一种新的干旱指数模型,综合考虑降水、植被、土壤以及海拔等因素,选取TVDI,PCI以及DEM作为模型构建参量。

2)利用SPEI值对SDMI指数进行相关性分析,大部分月份相关系数都处于0.6~0.8之间,因此SDMI指数能够较好地反映研究区域内的干旱变化情况。

3)研究区域内干旱情况整体较为严重,超过 47.7%的地区常年处于干旱情况,全年干旱发生频率最高可达80%。根据气象站点所在地区的SDMI值可知,位于塔里木盆地的塔克拉玛干沙漠以及吐鲁番盆地两地的干旱发生频率均超过了60%,而位于天山山脉以及昆仑山脉的站点发生干旱的频率不到20%。研究区季节性干旱主要表现为春旱和夏旱,每年的3—8月,塔里木盆地和吐鲁番盆地干旱情况加剧,天山以北地区在秋冬两季基本上处于无旱情况,而春夏两季则发生了大面积的干旱。

(责任编辑: 张仙)

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Abuzar M

, Shafiq

, Mahmood S

, et al.

Drought risk assessment in the Khushab region of Pakistan using satellite remote sensing and geospatial methods

[J]. International Journal of Economic and Environment Geology, 2019, 10(1):48-56.

DOI:10.46660/ijeeg.Vol10.Iss1.2019.217 URL [本文引用: 1]

[2]

沈润平, 郭佳, 张婧娴, 等.

基于随机森林的遥感干旱监测模型的构建

[J]. 地球信息科学学报, 2017, 19(1):125-133.

DOI:10.3724/SP.J.1047.2017.00125 [本文引用: 1]

利用遥感数据进行大面积旱情监测是现有干旱监测的重要方法之一,然而传统的遥感干旱监测方法主要侧重于对土壤湿度或植被状况等单一干旱响应因子进行监测,对综合多因子的干旱监测研究较为有限。随机森林是一种机器学习方法,具有学习过程快速、运算速度快、稳定性好、预测精度高的优点,近年来被应用于生态环境等多个领域。本文利用2001-2010年4-9月的MODIS数据提取的植被状态指数（VCI）、温度状态指数（TCI）和土地覆盖类型（LC）,TRMM降水资料计算的TRMM-Z指数及SRTM-DEM、土壤有效含水量（AWC）等多个遥感及土壤资料提取的干旱因子为自变量,以气象站点的综合气象干旱指数（CI）为因变量,利用随机森林模型构建遥感干旱监测模型,并以河南省为研究区进行了评价和分析。该模型在2009-2010年的监测值和实测CI值的具有显著的相关性,并且二者干旱等级的一致率为81%。在2001-2010年4-9月间,模型监测值与气象站点的标准降水蒸散发指数（SPEI）总体干旱等级一致率为74.9%,较为一致,其中9月的模型结果与SPEI的干旱等级一致率最高,达到82.4%,空评估率和漏评估率最低;与10 cm土壤相对湿度的相关系数在0.475-0.639之间,达到极显著水平。河南省2011年4-6月干旱事件同样验证了本文构建的模型旱情监测结果,说明本模型能较好地就应用于监测区域旱情监测。

Shen R

, Guo

, Zhang J

, et al.

Construction of a drought monitoring model using the random forest based remote sensing

[J]. Journal of Geo-Information Science, 2017, 19(1):125-133.