引言

干旱是我国最主要的气象灾害，约占所有气候异常的50%^[1]，干旱发生的频率高、持续时间长、波及范围大，对国民经济尤其是农业生产影响巨大^[2-4]，是气象灾害研究的重点和难点。干旱指标是干旱研究的基础。气候上定义的干旱指标主要与降水有关，而农业干旱还与农作物生长发育和产量有关。农业干旱的形成有一个逐步累积、前效影响的过程，其严重程度与作物的生长发育阶段密切相关。因此农业干旱指标一般以农作物需水量、实际亏缺量以及对产量的影响程度来衡量。农业干旱指标已有土壤水分、作物旱情、作物需水量等很多评价指标^[5]和供水植被指数、热惯量指数、能量指数等遥感监测指标^[6-7]，近年来随着作物模型的发展和应用，提出了一些与作物生理过程相联系的农业干旱指标^[8-10]，但是能够在业务上应用的农业干旱气象指标还不多见。

近年来，随着对农业干旱研究的不断深入，综合识别技术越来越被人们所重视。农业干旱综合识别的指标和方法研究十分活跃^[11-13]。但是总体来说，农业干旱综合识别技术尚处在起步阶段，在综合识别指标的选择、权重和累积时段长度的确定等方面还不够完善，离业务应用还有一些距离，而且由于干旱自身的复杂特性和对社会影响的广泛性，农业干旱指标都是建立在特定的地域和时间范围内。因此在对农业干旱监测指标方法已有研究的基础上，以安徽省为研究对象，选择已应用的农业干旱监测指标，进行适合于江淮地区的农业干旱综合监测技术研究。并将研究成果业务化，对该区的农业干旱监测业务服务十分必要。

1 农业干旱综合监测指标确定

采用安徽省目前已业务应用的农业干旱监测指标：土壤湿度、累积湿润指数、供水植被指数作为综合监测的主要指标，用时段降水距平和降水日数百分比作为辅助指标。指标选择的原则考虑有农业意义且易于获取。

1.1 土壤墒情

土壤墒情监测是农业干旱监测最早采用的也是最主要的指标。该指标的优点是，直接基于田间实测，客观反映农业旱情。不足之处是：其一，本省长序列的土壤墒情观测站点少，仅集中在沿淮淮北，其余站点都是近几年建立起来的，监测质量还有待检验、提高。其二，土壤墒情每旬监测两次，受监测当时天气状况影响较大，有时难以反映整个旬的土壤湿度状况。比如在持续干旱情况下，7日或8日有20mm以上的降水，8日的土壤墒情监测就反映不出该旬前期的旱情。

1.2 累积湿润指数

针对农业干旱监测预警业务服务的需要，提出了一个可用于业务的农业干旱气象指标——累积湿润指数^[14]，该指标以相对湿润度指数为基础，以作物潜在蒸散量取代指标中的参考作物蒸散量，建立能够反映降水与作物潜在蒸散量(即作物需水量)二者平衡关系的相对湿润度指数。计算公式为：

$ {M_i} = \frac{{P - E{T_m}}}{{E{T_m}}} $

式中：M_i为计算时段内的相对湿润度指数，P为相应时段的降水量，ET_m为相应时段的作物潜在蒸散量。

$ E{T_m} = {K_c} \cdot E{T_0} $

式中，ET₀为相应时段的参考作物蒸散量。K_c为相应时段的作物系数。经K_c订正后，得到的ET_m是某作物某阶段的需水量，相应的相对湿润度指数具有农业意义。

根据地理、气候差异和作物布局特点将安徽省划分为淮北、沿淮、江淮、沿江和皖南农业区，求算各区域各主栽作物与发育期相对应的作物系数(K_c)月值，大田条件下区域农田潜在蒸散量应是各作物面积权重潜在蒸散量的总和。

以逐旬相对湿润度指数为基础，构造反映旱涝渐变的累积湿润指数经验公式。该公式包括当旬和前期湿润指数两个分量。引入可反映水分供需关系的气候特征变量α作为该旬分量的权重系数，前期的则为(1-α)。由于农田蒸散主要受温度的影响，因此α为旬平均气温的函数。用试错法得到旬平均气温和α的关系。在前期影响分量中考虑了不同季节给予不同前效影响时间长度和离本旬远近的旬对本旬旱涝作用的差异。

累积湿润指数表达式为：

$ M\alpha = \alpha {M_0} + (1 - \alpha )[\sum\limits_{i = 1}^n {(\sum\limits_{i = 1}^{\frac{{n + 1 - i}}{n} \times {M_i}} { \times {M_i})]} } $

式中M_a为累积湿润指数；α为权重系数；M₀为本旬湿润度指数；M_i为前i旬的湿润度指数；n为向前滚动的旬数，因季节而异，冬季为5旬，春秋季为4旬，夏季为3旬。

该指标的优点是从水分供需角度反映一旬的农业干旱。但是由于表达式中作物发育期和需水量用的是多年平均值，而不同年型作物发育期和需水量是不同的，因此该式在实际应用时尚存在一定的误差。

1.3 植被供水指数

MODIS遥感监测指标——植被供水指数(VSWI)，是以归一化植被指数(NDVI)和遥感监测到的地面温度(T_s，Land Surface Temperature)为基础的比值表达式：

$ VSWI = K * NDVI/{T_s} $

其中：K为常数，T_s为遥感监测到的地面温度，NDVI是归一化植被指数。

对于地表有植被的区域, 遥感监测到的地表温度T_s(MODIS CH31或CH32通道的亮温值)为植被冠层温度。当旱情发生时, 作物通过关闭部分气孔以减少蒸腾量, 避免过多的水分散失, 而蒸腾减少会导致作物冠层温度升高，因此，作物冠层温度可作为表征作物供水状况的指标。同时, 遥感归一化植被指数NDVI(NDVI=(CH₂-CH₁)/(CH₂+CH₁))是表征植被生长状况的常用指标，CH₂和CH₁分别是MODIS第2通道和第1通道的反射率值。当作物受旱后, 叶绿素的色质会发生变化, 特别是当叶片凋萎时, 植被指数显著下降, 故NDVI也是表征作物干旱的有效指标。根据以上分析，作为二者比值的VSWI，数值越小, 旱情越严重。

遥感对干旱的监测的优点是宏观、快速，但是监测结果受天气条件、植被状况影响很大。

1.4 时段降水指标

时段降水距平和降水日数百分比，反映一定时期内水分供应状况，作为辅助指标参与农业干旱综合识别。其计算时段长度为夏季1个月、春秋季2个月、冬季3个月^*。

2 农业干旱综合监测模型 2.1 指标的处理和权重确定 2.1.1 指标的标准化

为了使不同量纲的数据具有可比性，需要对所有指标数据进行标准化处理，使各类数据具有相同量级。

土壤墒情为逢8取土的10cm和20cm土层土壤相对湿度的平均值(取2位小数)。

累积湿润指数表达式即为相对值，取实际计算值，由于是监测干旱，当M_a>0时，取0。

植被供水指数选取一旬中晴空条件下最接近取土日期的时次。像元分辨率为250m，采样为站点周围3×3个像元，取其平均值。用该旬历年资料(2005—2007年)为参照对当前数值进行标准化处理：

$ VSW{I_r} = \frac{{VSW{I_i} - VSW{I_{\min }}}}{{VSW{I_{\max }} - VSW{I_{\min }}}} $

时段降水距平为各季节当前时段总降水量与30年(1971-2000年)相应时段降水量的相对距平值。

时段降水日数为各季节当前时段总降水日数与时段总日数之比。

经处理后的各指标数据均为相对值，具有相同的量级(-1~0、0~1)。各指标大小方向相同，均为越小越旱。

2.1.2 各指标权重的确定

各指标权重采用层次分析方法(AHP，The Analytic Hierarchy Pricess)^[13]确定。该方法的主要优点是定性与定量分析相结合，将人的经验判断用数量形式表达出来并进行科学处理，能较准确地反映复杂决策问题的相互关系。其分析步骤为：首先，通过指标间两两重要性的比较，建立表示各指标相对重要性标度值的判断矩阵($\mathit{\boldsymbol{C}}\mathit{ = } \vdots \left| {\begin{array}{*{20}{c}} {{c_{11}}}& \cdots &{{c_{1n}}} \\ {}&{ \ddots \vdots }&{} \\ {{c_{m1}}}& \cdots &{{c_{mn}}} \end{array}} \right| $)。考虑到专家对各指标直接评价权重的困难, AHP法引入了九分位相对重要性的比率标度法。如指标i与j比较, 取标度值C_ij, C_ij越大, 表明指标i的重要性越强。指标j与i相比，其标度值为C_ij=1/C_ji。向量运算采用方根法, 计算步骤为，计算判断矩阵每一行系数的乘积P_i；求出P_i的n次方根W′_i；对向量W′进行归一化运算, 得出权重向量W。各元素$W{'_i}/\sum\limits_{i = 1}^n {W{'_i}} $为所求各指标权重系数。

第二步，进行一致性检验。计算判断矩阵C的最大特征根${\lambda _{\max }}({\lambda _{\max }} = \sum\limits_{i = 1}^n {\frac{{{{(\mathit{\boldsymbol{C}} \times W{\text{)}}}_i}}}{{n \times {W_i}}}} ) $，一致性指标CI(CI=λ_max-n/n-1)以及一致性比率CR(CR=CI/RI)，RI为随机一致性指标，由表 1查出。当CR≤0.1, 则认为判断矩阵具有满意的一致性。

深入分析问题、找出影响因素及其相互关系，准确构造递阶层次结构是层次分析法的关键。安徽省属于南北气候过渡区，地表类型自北向南为平原、丘陵、山区，考虑到不同气候区指标适用性的差异，需要分别构造半湿润区和湿润区两个指标权重系数序列(5要素)，建立相应的监测模型；又考虑到遥感资料受云影响很大，在云覆盖情况下难以获得遥感资料，同样需要分别构造两区域4要素权重系数序列，建立相应的4要素监测模型。

半湿润区5要素指标权重的计算如下：

① 指标的重要性分析和构造判断矩阵

令土壤墒情、累积湿润指数、供水植被指数、时段降水距平和时段降水日数百分比5个指标分别为C₁、C₂、C₃、C₄和C₅，其中C₁~C₃已业务应用，在农业干旱中的重要性大于C₄和C₅。在C₁~C₃中，根据第二节对各指标的讨论，在反映一旬平均干旱程度方面C₂较好，而且气象要素连续、准确，因此最重要，C₁是实测数据，排第二，C₃是大面积监测数据，排第三。作为辅助指标的C₄和C₅对农业干旱来说，其重要性在半湿润区前者大于后者，在湿润区二者相当。

根据以上分析，建立表示各指标相对重要性标度值的判断矩阵：

$ \mathit{\boldsymbol{C}}\mathit{ = }\left[ {\begin{array}{*{20}{l}} 1&{0.5}&3&5&6 \\ 2&1&4&5&6 \\ {0.33}&{0.25}&1&5&6 \\ {0.20}&{0.20}&{0.2}&1&1 \\ {0.17}&{0.17}&{0.17}&{0.5}&1 \end{array}} \right] $

② 权重系数确定和一致性检验

通过方根法向量运算和归一化处理，得到指标权重系数。然后计算判断矩阵C的最大特征根λ_max、一致性指标CI及一致性比率CR。

经运算，λ_max=5.06, CI=0.016, CR=0.014 < 0.1通过一致性检验。

半湿润区4要素以及湿润区5要素和4要素的权重系数以上述方法得到。在湿润区权重序列的构造中考虑受地表状况和植被的影响，土壤墒情和遥感指标的作用要小于半湿润区，因此累积湿润指数和时段降水等气象指标的作用有所强化。各指标权重序列均通过一致性检验。4个指标权重系数序列见表 2。

2.2 农业干旱综合监测模型和等级确定

在确定了指标权重的基础上，建立农业干旱多指标综合监测模型：

$ DRG = \sum\limits_{i = 1}^n {{f_i}} \times {\omega _i} $

其中DRG为干旱程度量值，f₁、f₂…f_n为各干旱指标，w₁、w₂…w_n为各指标权重值。并根据DRG值划分干旱等级标准(表 3)。

3 农业干旱综合监测模型的检验与应用

将以上综合指标用2006年秋旱个例进行了检验，并与单要素监测结果进行了对比分析。在2007年春旱时进行了试应用。

2006年11月上旬安徽省秋旱严重。各单项干旱监测指标的监测结果(图 1)较为一致的是，淮北旱情较重，其次是沿淮、江淮东部和皖南大部，不一致的地方是土壤墒情监测出沿江江北西部有一片中至重旱区，但其它指标均没有反映。实际上除了11月下旬全省均无降水外，沿江西部地区在10月中下旬降水是偏多的，土壤墒情表现出来的旱情主要是由于个别台站监测数据过小造成(监测质量问题)。5要素和4要素综合指标监测结果(图 2)与各单要素监测主体结果相符，个别单要素不一致的区域没有反映。综合指标所反映的受旱范围、干旱程度与当时干旱实况较为吻合。同时也可看出，4要素和5要素在对干旱的监测的区域和程度上基本一致。在没有遥感数据的情况下，4要素综合旱情监测能反映干旱总体状况，而遥感数据增加了综合监测结果对农业干旱宏观尺度的把握，提高了对旱情监测的准确性。综合指标在2007年春旱中试应用(图 3)，监测到的受旱区域，受旱程度与实况基本相符。

4 结语

(1) 利用安徽省已业务应用的多源农业干旱指标进行农业干旱综合监测研究。采用层次分析法进行各指标权重分析，根据各指标的特点、安徽省气候过渡区的特征和云天状况，分别建立了安徽省半湿润区、湿润区晴空和云覆盖状况下4个指标权重序列和相应的综合监测模型，并确定了4要素和5要素的干旱等级标准。

(2) 利用层次分析法进行农业干旱综合监测的研究，其优点是定性和定量相结合，通过各指标相对重要性的比较，科学确定权重，达到优势互补的目的。建立的农业干旱综合监测指标和模型克服了多个监测指标各自为阵的缺陷，有利于对农业旱情的综合判断。不过更科学、更客观的指标权重系数和干旱分级标准还有赖于对大量样本的数据分析。因此将在继续业务应用的基础上，进行指标的验证和修正，使该干旱综合监测方法在业务上更好地发挥作用。