2011年美国南部干旱时期的植被干旱响应指数影响因子评价
TSEGAYE TADESSE，国家干旱减灾中心大学自然资源学院，林肯，内布拉斯加州；
BRIAN D. WARDLOW，自然资源与土地管理高级信息技术研究所，林肯，内布拉斯加；
JESSLYN F. BROWN美国地质调查局的地球资源观测和科学中心，苏福尔斯，南达科他州，
MARK D. SVOBODA, MICHAEL J. HAYES, BRIAN FUCHS, AND DENISE GUTZMER国家干旱减灾中心大学自然资源学院，林肯，内布拉斯加
最终形式(手稿收到2014年3月5日,2014年9月4日)
摘要：植被干旱响应指数（VegDRI），它结合了传统的气候和植被条件下卫星数据评估的方法，对区域尺度的干旱研究提供了新的评价方式。在2011年，美国南部大平原，包括德克萨斯、奥克拉荷马、新墨西哥，经历了极端干旱气候，炎热空前。 2011年，一个理想的研究方案被提出，用来探讨植被干旱响应指数对于干旱监测表征的科学性。在时空变化的植被干旱响应指数反演结果表明，干旱地区的反演结果与干旱影响报告中国家气候数据中心中，暖气流和降水低于平均水平的记录相符。植被干旱响应指数数值和图像也展现了拉斯维加斯贝壳火灾中干旱表征的演变。在干旱报告中，2011的干旱对德克萨斯和奥克拉荷马的草地和牧场产生了深重影响，导致超过120亿美元的农作物、木材生产和牲畜相关的全部直接损失。在干旱严重影响植被的情况下，VegDRI可以描绘出区域水平内的植被状态，本研究表明，植被干旱响应指数地图可以像传统的干旱指标一样帮助商人和政府官员进行各种管理决策，如证明灾害救助、火灾风险评估，确定位置移动的牲畜。
1。引言
近年来，广泛的严重干旱在世界各地导致了食品安全问题，生命和经济损失(Grigg 2014;Blunden and Arndt 2012)，在美国，这些干旱严重影响了农业生产，影响农业、畜牧业的显著变化显示在食品价格零售层面(USDA-ERS 2013; Grigg 2014)，创纪录的干热风和极端干旱也已在美国南部大平原引起注意（SGP）。这个地区在2011是一个典型的干旱例子，参考1895以来的当现代降水记录，德克萨斯州经历了干旱的一年(Combs 2012; Hoerling et al. 2013) 。2011干旱持续到2012和2013(Grigg 2014; Karl et al. 2012)。据美国国家气候数据中心（NCDC）数据，2011夏天的干旱和过度炎热在SGP导致的经济损失约为120亿美元，据报道95人死亡（美国2012）。仅在德克萨斯，由于炎热和干旱，农业损失估计有76亿美元，影响全球大宗商品如棉花和牛肉(Texas Aamp;M AgriLife 2012)。此外，从2010年11月到2011年10月，德克萨斯有面积达23835的破纪录大火，烧毁了超过380万英亩的土地，摧毁了2763户房屋（2012整理）。因此，为了减少全球水平内区域性干旱的影响，它是可以提高干旱监测准确度的工具，可以帮助决策者制定更及时有效的风险管理策略。传统上，基于气候的干旱指数，如帕默尔干旱指数（PDSI）和标准化降水指数（SPI），已用于干旱监测与评估(McKee et al. 1993; Wells et al. 2004).。然而，这些方法都由于精度有限和指数在干旱景观模式中计算时气象测量站点位置的离散，产生的数据疏松且非均匀分布，因此，传统的气候干旱指数图像往往用来描绘大干旱模式，在空间水平内，用点源数据采用统计学空间插值技术来进行计算，这些模式的细节高度依赖于密度，地理分布，气象站点的数据质量。相比之下，卫星遥感已证明了大面积植被监测，高时间分辨率，连续的光谱和适中的空间分辨率的可靠性。特别是来自卫星的时间序列归一化植被指数（NDVI）数据已被广泛用于植被和生态系统监测(Tucker et al. 1985; Jakubauskas et al. 2002; Singh et al. 2003; Maselli et al. 2003; Bayarjargal et al. 2006; Addink et al. 2007; Quiring and Srinivasan 2010) 时间序列NDVI数据和NDVI衍生指标已经成为确定植被状况异常，如植被健康状况下降的有效途径。其他植被指数（VI）如植被状态指数(Kogan 1990)，一个基于NDVI和热数据获取来自卫星的改进指数，已经生产多年，通常用于国家到全球尺度的干旱监测(Unganai and Kogan 1998; Bhuiyan et al. 2006; Alados et al. 2011)，尽管这些指数监测植被条件的结果很有价值，但是在单独使用时，不能反映其他环境变化 (e.g.,flooding, fire, disease, and pest infestation) 和人为因素(e.g., land-cover/land-use conversion) 引起的干旱对植物的影响，这也导致了类似干旱指数的产生，来辨别干旱影响地区的额外信息，由于环境因素和人为因素带来的植被变化。
多种气象指数结合卫星数据（例如，美国干旱监测）也已发展到降低使用传统的气象和卫星数据为基础的指标来确定干旱对植被的独特影响条件的限制。植被干旱响应指数是一个复合指标（VegDRI）。VegDRI是美国大陆的监测工具（圆锥），集成了基于NDVI，气候干旱指标的数据和环境的几个生理特性为一个指标的观测卫星，表示干旱对植被的胁迫程度(Wardlow et al. 2012; Tadesse et al.2010; Brown et al. 2008)，在这项研究中，VegDRI工具是用来评估2011大干旱事件在SGP地区短期干旱的影响来证明其有能力这。干旱影响报（DIR），是国家干旱减灾中心(NDMC)开发的一个工具（消息），被用来与其他数据源（例如，NCDC）评价SGP地区VegDRI地图上表征的植被条件。这是一个综合性的多部门数据库编目干旱的影响，本文的具体目标是（i）评估植被条件2011使用VegDRI在SGP和（ii）比较干旱的影响VegDRI响应由NCDC和DIR植被条件有关收集SGP的区域，并评估指数如何表征这些影响因子。
图1。2011月11日美国本土的vegdri图示例。
2。VegDRI的背景方法
a. VegDRI概述：数据输入方法
VegDRI来表征强度和干旱引起的植被变化在1公里内空间分辨率的空间格局（图1）。基于卫星的1公里NDVI图像提供空间连续测量植被条件，这是以干燥的信息数据为代表的干旱指标的气候组合分析，用来表征空间范围内的干旱强度。生物物理参数，如土地覆盖类型，土壤的持水能力，水源环境，与生态环境进行了分析，这些特征可以在气候–植被相互作用中产生影响。
VegDRI工具的分类有四个干旱严重程度分类，在此基础上改数据分类方案（Palmer 1965）。在土壤水分含量正常的潮湿的条件下，VegDRI分类也包含四类。此外，地图上包括两个专题类，干旱值区域不计算。这些类包括水和季节（即，时间短属于从卫星NDVI数据观察没有植被光合有效的位置）。下面的章节中描述如何VegDRI数据输入。
1）climate-based干旱指标变量
两个气候干旱指标：SPI和自校准帕默尔干旱指数（SC-PDSI），被纳入VegDRI模型。SPI的设计是根据长期的降水记录在同一时期对一个特定的时间段定量降水异常（例如，以前的1，3，5，或52周）(McKee et al. 1993)。SPI作为衡量VegDRI干旱，和36周的SPI选择在指数代表季节降水模式(Tadesse et al. 2012; Wardlow et al. 2012)，sc-PDSI (Wells et al. 2004)，比较如何在供应和水平衡方程的需求模型中使用影响土壤水分条件，正常情况下，也被用来作为VegDRI因变量。该指数是美国VegDRI模型适当的因变量(Brown et al. 2008)，由于SC-PDSI受到降水和气温的影响，两者在强烈的旱胁迫中对植物的影响。的VegDRI采取了莫迪版本的SC-PDSI干旱严重程度分类方案，因为它是一个完善干旱区域的关系式。
2）ndvi-related变量
将1989到2008年双周复合1公里的高分辨率辐射计获取的NDVI数据用于计算的平均分季节绿度（PASG）输入到VegDRI。PASG表示一个特定的期植被条件与历史平均水平的条件下植被的季节生长情况(Brown et al. 2008)，季节异常额外的（SOSA）度量也计算NDVI数据表示季节开始时间（SOS）时间（天）的历史中值SOS天每个像素都包括在VegDRI在各种自然和农业植被类型出现不同的时间和土地覆盖变化。通过这些不同的因素在SOS的延误会引起低于正常赛季初的NDVI值，模拟干旱信号时，干旱条件下不存在一个关键的区别是。VegDRI区域之间用低早季PASG由于环境因素（如干旱或春季晚霜）与不相关的因素如轮作或其他土地覆盖的变化，对干旱胁迫的无关。VegDRI作为衡量植被应力有一个有效的时间段或季节模型的目的，季节时间限制的数据，估算了一个典型的SOS和结束的生长季节（EOS）从201年的遥感数据，而不是每年变时间包络计算。这个赛季对每个像素计算的模型和恒定提供标准化或时间归一化到季节的绿色（SG）和允许更稳定的近实时监测。因此，VegDRI不能计算的季节因为干旱植被死亡率相关。在这种情况下，VegDRI可能表明严重或极端干旱。由于SG是NDVI时间序列数据高于基线集成（例如，SOS NDVI阈值），SG措施如果没有NDVI值超过基线在赛季中为零。然而，SPI也是VegDRI模型的输入变量，如果SPI上升明显是由于降雨的VegDRI也增加，即使是SG很少或没有增加。恢复VegDRI（即价值上涨后重度干旱）因此可能主要与增加SPI由于降水增加。这也取决于模型中的许多其他变量。
3）静态生物物理变量
几个静态生物物理变量描述各种环境的特点，在干旱胁迫对植物的影响也集成到VegDRI，包括以下几点。
（一）的土地利用/土地覆盖（LULC）是对NDVI和气候–植被响应信号的VegDRI不同土地覆盖类型反演时的表现。1公里LULC地图来自美国地质调查局（USGS）开发的国家土地覆盖30m 数据(Homer et al. 2004)。
（二）土壤有效持水量（SAWC）是用来表示在土壤中的变化来保持水分并可植物。根区土壤有效持水能力从土壤调查地理提取（SSURGO）数据库（USDA-NRCS 2013）。
（三）生态环境类型，由1公里生态网格，从III级生态区矢量数据创建的代表（omernik 1987），用于将圆锥形区域作为一系列具有相似的生态系统和环境资源的生物和非生物条件的地理区域。
（四）在从全球30-arc-s高程数据提取1公里数字高程网格形式（GTOPO30）（Gesch等人。1999），以区分海拔差异对一个特定的土地覆盖和土壤类型，可以导致不同程度的敏感性，对干旱的胁迫可以类似在土地覆盖和/或土壤。
（五）一定百分比的灌溉农业（per_irrig）区分灌区应用有针对性从雨养农业区代表作物敏感性的范围（从低到高）的水分来表示干旱胁迫。一公里的地图描绘的灌溉农业的空间分布是从250米的中分辨率成像光谱仪（MODIS）灌溉农业产生的数据集（所有）由MODIS NDVI数据，美国农业部（USDA）县水利统计，LULC信息(Pervez and Brown 2010)。
在VegDRI模型的计算中，每个输入变量都进行了处理，总结，并整理成数据库。图2显示了VegDRI方法的六个步骤：1）点的数据网格的数据输入变量的提取（例如，PASG，植被，和土壤）和综合各气象站的位置在数据库表格的历史气候数据；2）经验得出的VegDRI模型每双周期在日历年应用分类回归树（CART）对数据库中的历史信息分析的技术；3）栅格图像生成近实时数据的输入变量；4）每两周一VegDRI模型应用到空间数据产生一个近乎实时的VegDRI地图；5）增值VegDRI产品，如定制的多状态图，状态图，计数Y的地图，和重要的亮点（文字和表格）；6）这些产品向公众进行传播的各种方式，包括数据访问和分发的互联网门户网站(例如，NDMC website: http:// drought.unl.edu/).。
图2。vegdri方法：模型的输入、过程、发展和传播产品。
b. VegDRI数据库开发、模型生成与实现
发展VegDRI模型，一个卫星、气候数据库，和生物物理数据组装为选定的位置，在漫长的历史气象站的记录和最小的数据缺省。双周记录的历史SPI和自校准PDSI数据有序计算各站。那是在一个栅格格式的变量（例如，LULC），汇总统计计算3的3像素的窗口集中在5公里每站（点）的位置。从连续变量（例如，海拔）和占主导地位的（例如，大多数土地覆盖类型）的主要（或大多数）的平均值计算窗口中，并把每个站添加到数据库中。双周PASG值堆放在同样的气候数据中，和一个单一的值每年用于每一站。一个值用于每个静态生物物理记录（例如，SAWC）在历史（时间序列）数据库中的记录。提取的记录各站组织的数据库被用于每双周期发展VegDRI模型。
商业的CART算法、立体派（rulequest 2013）：进行历史数据和生成规则regressiontree双周，分段线性模型。此算法执行一个二进制的递归分割过程，分裂的初始训练观测（根或父节点）到2个子节点，包含一个子集的更均匀的训练观测值。重复这一过程，进一步细分为子节点对训练数据直到分配过程是由用
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[31627]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
