基于作物模型和遥感技术的动态干旱风险评估外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

基于作物模型和遥感技术的动态干旱风险评估

H Sun^1,2,*, Z Su^1,2, J Lv^1,2, L Li³, Y Wang^1,2

1 Research Centre on Flood and Drought Disaster Reduction of the Ministry of Water Resources of China, Beijing 100038, China

2 China Institute of Water Resources and Hydropower Research, Beijing 100038, China

3 College of Life Science and Technology, Beijing Normal University, Beijing, 100875, China

*Corresponding author: E-mail: sunhq@iwhr.com (H. Sun)

摘要：干旱风险评估对减少农业干旱损失和保障粮食安全具有重要意义。正常干旱风险评估方法是评估其承灾体暴露度和长期缺水的脆弱性（承灾体脆弱性），这是一种静态评估方法。动态干旱风险评估（DDRA）是根据作物生长和水分胁迫条件实时估算干旱风险。在本研究中，提出了使用作物模型和遥感技术的DDRA方法。我们采用的作物模型是脱硝和分解（DNDC）模型。干旱风险由基于情景的作物模型预测的产量损失量化。通过从MODERATE分辨率成像光谱仪（MODIS）分析光谱仪数据中检索到的叶面积指数（LAI），对作物模型进行了重新校准，以提高其性能。并且通过整合作物种植图来扩大基于现场站点的作物模式，以评估区域干旱风险。从MODIS数据中采用扩展CPPI方法提取作物种植面积。本研究在中国辽宁省玉米作物中得以实施和验证。

Dynamic drought risk assessment using crop model and remote sensing techniques

H Sun^1,2,*, Z Su^1,2, J Lv^1,2, L Li³, Y Wang^1,2

1 Research Centre on Flood and Drought Disaster Reduction of the Ministry of Water Resources of China, Beijing 100038, China

2 China Institute of Water Resources and Hydropower Research, Beijing 100038, China

3 College of Life Science and Technology, Beijing Normal University, Beijing, 100875, China

*Corresponding author: E-mail: sunhq@iwhr.com (H. Sun)

Abstract. Drought risk assessment is of great significance to reduce the loss of agricultural drought and ensure food security. The normally drought risk assessment method is to evaluate its exposure to the hazard and the vulnerability to extended periods of water shortage for a specific region, which is a static evaluation method. The Dynamic Drought Risk Assessment (DDRA) is to estimate the drought risk according to the crop growth and water stress conditions in real time. In this study, a DDRA method using crop model and remote sensing techniques was proposed. The crop model we employed is DeNitrification and DeComposition (DNDC) model. The drought risk was quantified by the yield losses predicted by the crop model in a scenario-based method. The crop model was re-calibrated to improve the performance by the Leaf Area Index (LAI) retrieved from MODerate Resolution Imaging Spectroradiometer (MODIS) data. And the in-situ station-based crop model was extended to assess the regional drought risk by integrating crop planted mapping. The crop planted area was extracted with extended CPPI method from MODIS data. This study was implemented and validated on maize crop in Liaoning province, China.

1引言

干旱是一种常见的自然灾害，直接影响主要农业生产。 农业干旱风险评估对于确保粮食安全具有重要意义。 一般来说，特定区域的DRA将评估其承灾体暴露度以及长期缺水的脆弱性（承灾体脆弱性）。 这种分析是根据地域特征来估算该地区的静态风险，而且通常是年度风险。

然而，由于干旱缓慢发生/缓慢发作的特征（Wilhite，1991），很难检测到干旱的出现，监测情况，评估影响和评估风险。 具体来说，如果干旱在作物生长期发生，对农业的影响将会非常大（Kulshreshtha，1989）。 因此，有必要考虑到作物生长过程和水分胁迫条件的实时性来估计干旱风险。

有大量关于DRA的研究（Wilhite，2007; Zhou，2010），但大多数研究涉及静态DRA（Gong，2010; Wilhite，2000; Wu，2004）。库马尔（Kumar，2007）指出，作物产量是干旱胁迫的综合结果，因此可用于量化干旱风险。吴（Wu，2004）认为，干旱胁迫下的产量损失可用于测量干旱严重程度。这些研究结果促使我们使用作物模型来评估本文中所描述的干旱风险的方法。一些类似的想法，如Jia和Wang（Jia，2012）使用EPIC模型来评估中国的玉米干旱风险，Yu和Li（Yu，2014）使用DNDC模型分析了干旱的影响。然而，这些研究主要集中在作物模拟过程，而不是干旱风险评估。

在本文中，我们提出了基于作物模型和遥感技术的动态评估干旱风险的方法。本文的主要工作重点是：1）提出了基于作物模型的动态干旱风险评估（DDRA）方法; 2）采用遥感技术，有助于推广DNDC模型的演示和作物种植面积的绘制。

2材料与方法

2.1DDRA的框架

我们提出的DDRA主要包括作物建模和遥感技术。 作物模型动态模拟作物生长过程，并使用基于情景的方法预测作物产量。 遥感技术将在框架中起两个作用，一方面是检索叶面积指数（LAI）来校准作物模型，另一方面是提取作物种植面积。 并用预测产量损失定量评估动态干旱风险。

图1 基于作物模型和遥感技术的DDRA框架

DDRA包括两个步骤：a）模型校准和验证；b）干旱风险评估。 首先，使用遥感技术对模型参数进行了重新校准，其中根据从遥感图像检索的LAI对模型进行了部分修正。 在模型的开发和验证之后，实施动态预测最终作物产量。 由于未来气候条件未知，我们采用基于情景的方法动态地进行评估。 了解有多少地区种植了评估区域干旱风险是十分有意义的，每年的作物种植面积都采用遥感技术来进行提取。

结合作物模型和遥感技术的混合方法，模拟性能得到显着提高，原位评估将成功扩展到空间上，通过日常滚动模拟过程可以实施动态地评估干旱风险。

2.2研究区概况与数据来源

该研究区位于辽宁省，处于中国东北部。 有14个县级市，19个县，81个农业种植县。 年降水量为600〜1100 mm，年平均气温为7〜11℃。该区为干旱灾害易发区，特别是在该地区西北部更容易发生严重的干旱。近年来，70％以上的农田为雨养玉米，这在干旱问题分析过程当中不符合灌溉的影响。

我们在研究中使用的数据主要包括气象数据和遥感图像。气象资料由1995-2009年的820个降雨站和27个气象台组成，其中有气温，降水等观测资料。采用Thiessen多边形方法将气象站划分为不同的区域，使得同一区域的降水站具有相应的温度。 MOD15A2（LAI）和MOD13A1（植被指数）的MODIS产品用于校准模型并提取作物种植面积。

2.3作物模型和模型校准

2.3.1 DNDC模型

我们采用的作物模式是DNDC（DeNitrification-DeComposition）模型（Li，1992）。 该模型广泛应用于作物模拟和产量预测（Han，2014; Nyckowiak，2013）。 模型的性能作用已经在世界各地的农田和区域尺度上得到了验证（Zhang，2002）。 模型输入包括气象数据，土壤性质，土地利用和种植管理等。气象观测是模型运行的驱动因素。 大多数参数可通过测量和调查获得，而有些则需要通过历史数据进行校准，以提高模型的性能。

2.3.2模型校准

模型校准的主要原理是使模拟值尽可能地闭合到观测值。最好使用多个变量执行模型校准。在研究中，我们依次通过产量和叶面积指数（LAI）变量校正了模型。首先，历史作物产量数据用于粗调过程中的参数调整。然后，再采用遥感检索的LAI数据进行精细校准。由于基于产量的校准不能提供作物生长程序的“监测”，并且少量样品（每年一个记录）可用于校准。因此，从遥感图像中检索出的LAI被用于重新校准模型。许多研究表明MODIS-LAI产品测出的值普遍偏低（Fensholt，2004; Tian，2002）。 MODIS-LAI与地面真实值之间的关系随作物和季节的变化而变化。在同步地面测量LAI值下，MODIS-LAI约为33％〜53％（Yang，2010）。本文中，我们通过乘以一个常数k来修改MODIS-LAI，给定k的值为1.5。

2.4遥感图像作物种植图

用于作物种植测绘的遥感技术不仅可以快速，节省成本，而且可以显示出种植作物的空间分布。基于作物种植图，基于站点的模式可以扩展到区域模式。以前的一些研究尝试在中国使用遥感技术绘制种植面积（Li，2003; Xiao，2006）。到目前为止，主要使用的技术是基于物候的遥感技术。然而，研究过程中遇到的挑战主要是从“植被指数（EVI）”或“归一化差异植被指数”（NDVI）等卫星衍生植被指数时间序列中确定作物物候周期（Ganguly，2010; Zhang，2003）。本文中，我们采用了Pan和Li（Pan，2012）和Li和Friedl（Li，2014）提出的玉米种植面积的新方法。基本上，建立了作物比例指数（CPPI），定量分析MODIS植被指数（VI）时间序列与冬小麦作物面积之间的关系，并提出了基于MODIS-EVI的中国时间序列作物周期数据。

在本文中，我们从MODIS-EVI数据的时间序列中实施了玉米物候学分析，并通过专门针对玉米的CPPI确定了种植面积。将2000年至2010年的8天MODIS产品系列用于绘制作物种植面积，并将Landsat TM图像进行抽样作为地面实况。

2.5干旱风险评估

2.5.1 情景分析

情景分析确保了产量预测的完成。预测作物产量时都是从播种到收获的完全模拟。根据目前的时间点，过去一段时间内，可以使用模型输入的气象观测资料，但未来天气情况未知。 这些情景是从现在开始到收获时间的对未来未知天气状况的假设。在这项研究中，需要一系列的情况来代表不同的干旱条件。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[27107]，资料为PDF文档或Word文档，PDF文档可免费转换为Word