近日，西安科技大学测绘学院近地空间水环境课题组赵庆志老师等撰写的论文“A novel regional drought monitoring method using GNSS-derived ZTD and precipitation”在《Remote Sensing of Environment》期刊发表，本研究主要由国家自然科学基金项目（42274039）、陕西省创新能力支持计划项目（2023KJXX-050）、陕西省教育厅地方专项科研计划项目（22JE012）资助。
干旱是全球最严重的自然灾害之一，随着全球变暖趋势日益严重，干旱灾害愈发频繁，因此，干旱监测成为水资源管理和生态环境保护亟需解决的重点问题。然而，现有传统站点干旱监测指数，如帕尔默干旱指数和标准化降水蒸散指数，其计算公式复杂、所需气象参数多、不适用评估区域干旱情况。因此，本课题组提出了基于GNSS ZTD的区域干旱监测理论与方法，在传统干旱监测指数基础上对数据选择、多时间尺度、标准化三方面进行研究，基于泰森多边形方法提出了区域加权干旱监测指数，解决了站点干旱指数不适用区域干旱的难题。首先，选择GNSS ZTD和降水数据构建干旱指数；其次，确定了干旱监测指数的表达式并进行多时间尺度累计；再次，考虑到不同数据量级差异，对提出的干旱监测指数进行标准化；最后，基于泰森多边形方法构建了区域降水和ZTD指数（Regional Precipitation and ZTD Index, RPZI）。实验评估了RPZI在2006-2018年中国干旱、半干旱、湿润和半湿润地区及1998-2018年澳大利亚昆士兰州汤斯维尔市旱涝事件的监测效果。结果表明RPZI具有良好的区域干旱监测能力，对于区域干旱灾害的监测与预警具有重大意义。
1
主要研究数据
本研究利用了四种类型的数据，分别为中国气象站点数据、ERA5提供的PWV、温度和气压格网数据、CMONOC的GNSS站点数据和Vicente-Serrano等人提供的全球格网SPEIbase v.2.6数据集，具体的数据信息如表1所示。
表1 四种类型数据的具体信息
图1 研究区示意图
2
主要研究方法
本研究针对传统干旱监测指数的缺陷，通过对数据选择、多时间尺度、标准化和从站点到区域延伸四个方面进行改进，提出了一种基于GNSS ZTD的区域干旱监测方法。图2给出了RPZI计算的整体流程。
图2 RPZI计算整体流程图
3
主要研究结果
3.1 PZI站点精度验证
为了验证PZI在站点上的干旱监测能力，本研究首先在与气象站并址的8个GNSS测站上进行验证，图3给出了2012-2018年8个气候区内8个并址站的PSI、PZI、SPCI、SPEI和SPEI_interp12月尺度的时间序列，从图中可以看出在这些站点上PZI、SPCI、SPEI和SPEI_interp与PSI有相似的变化趋势，然而相对于SPCI、SPEI和SPEI_interp，PZI的波动似乎与PSI更加一致，尤其是在严重干旱或湿润的情况下。
此外，在中国气象站上验证PZI的表现，图4和图5展示了2006-2018年在中国气象站上的偏差程度（Degree of Deviation, DD）和相关系数（Correlation Coefficient, R）分布图，从图中可以看出PZI的DD小于SPCI、SPEI和SPEI_interp。PZI、SPCI和SPEI的DD值在中国南方相对较小，而在中国北方相对较大，SPEI_interp未表现出明显的地理分布特征。PZI和PSI的R值在整个中国区域最大，而SPEI_interp与PSI的R值最小，其中PZI、SPCI和SPEI的最大R值出现在中国南方，而SPEI_interp的R值没有明显的地理分布，此结果进一步验证了提出的PZI具有良好的稳定性和监测能力。
图3 2012-2018年中国区域8个气候区的8个并址站的PSI、PZI、SPCI、SPEI和SPEI_interp在12月时间尺度下的时间序列
图4 2006-2018年中国区域801个气象站的DD分布图
图5 2006-2018年中国区域801个气象站的R分布图
3.2 RPZI区域精度验证
为了进一步评估提出的区域加权干旱指数（RPZI）的干旱监测能力，图6给出了2006-2018年中国8个气候区RSPEI_interp、RSPEI、RSPCI、RPZI和RPSI的长时间序列，从图中可以看出RSPEI、RSPCI和RPZI的变化趋势与RPSI相似，而RSPEI_interp在中国的一些地区与其有轻微的偏差。图7给出了2006-2018年中国8个区域4种干旱指数与RPSI对比的DD值和R值统计图（柱状图和折线图分别代表R和DD），由统计结果可知：RSPEI_interp、RSPEI、RSPCI和RPZI在中国区域的DD和R的均值分别为0.59/0.45/0.48/0.39和0.71/0.62/0.39/0.68（P<0.05），结果进一步表明了提出的RPZI对整个中国区域的干旱监测具有良好的监测能力。
图6 2006-2018年中国8个气候区RSPEI_interp、RSPEI、RSPCI、RPZI和RPSI的长时间序列
图7 2006-2018年中国8个区域4种指数与RPSI对比的DD值和R值
3.3 RPZI典型应用案例
（1）在中国典型城市的应用案例
为了评估RPZI的区域干旱监测能力，本研究以中国四个典型城市（哈密、榆林、宜春和临汾）为例进行验证，图8分别给出了哈密市、榆林市、宜春市和临汾市基于站点的SPEI和PZI（SPEI和PZI）及基于区域的SPEI和PZI（RSPEI和RPZI）的长时间序列。从图中可以看出相比于SPEI和RSPEI，PZI和RPZI分别与RPSI有良好的一致性。图9给出了2006-2018年中国四个城市SPEI/RSPEI/PZI/RPZI和RPSI的DD和R值统计图（折线图和柱状图分别代表R和DD），研究发现在特定站点上PZI的精度优于SPEI，相应的在区域尺度上RPZI的DD和R表现优于RSPEI，区域指数（RSPEI和RPZI）精度优于基于站点指数（SPEI和PZI），进一步验证了提出的RPZI具有较好的干旱监测能力。
图8 2006-2018年在中国选定的四个城市基于站点的SPEI和PZI（SPEI和PZI）、基于区域的SPEI和PZI（RSPEI和RPZI）和RPSI的长时间序列
图9 2006-2018年在中国四个城市SPEI/RSPEI/PZI/RPZI和RPSI的DD和R值
（2）在澳大利亚昆士兰地区的应用案例
此外，本研究选择澳大利亚昆士兰州的汤斯维尔市进行验证，图10给出了1998-2018年RPSI的长时间序列，并与基于站点SPEI（SPEI_interp）/PZI和基于区域的RSPEI（RSPEI_interp）/RPZI进行了比较。在汤斯维尔两次严重干旱期间（2001-2016和2015），SPEI和RSPEI被高估，而PZI和RPZI能较好地反映这两次干旱事件的变化。图10给出了1998-2018年汤斯维尔市SPEI/RSPEI/PZI/RPZI和RPSI的DD和R值统计图（柱状图和折线图分别代表DD和R），统计结果表明区域指数（RSPEI和RPZI）的精度优于基于站点的指数（SPEI和PZI）。
图10 1998-2018年澳大利亚昆士兰州汤斯维尔市基于站点的SPEI/PZI、基于区域的RSPEI/RPZI和RPSI的长时间序列
图11 1998-2018年汤斯维尔市SPEI/RSPEI/PZI/RPZI和RPSI的DD和R值
4
结论
本研究提出了一种基于GNSS ZTD的区域干旱监测方法，通过构建区域加权干旱指数，能够有效对区域干旱进行监测。首先，对PZI指数进行验证，通过与2006-2018年中国801个气象站12月时间尺度下的SPCI、SPEI和SPEI_interp进行对比，结果表明相对于SPCI、SPEI和SPEI_interp，PZI和PSI的DD均值为0.56，R均值为0.79，优于其他监测指数；然后，对RPZI进行验证，通过与2006-2018年8个气候区的RSPCI、RSPEI、RSPEI_interp指数对比，结果表明RPZI和RPSI的DD和R分别为0.39和0.68，验证了RPZI在整个中国区域具有较好的干旱监测能力；最后，将RPZI应用于2006-2018年中国四个干旱、半干旱、湿润和半湿润城市及1998-2018年澳大利亚昆士兰州汤斯维尔市的严重旱涝事件中，通过SPEI、RSPEI、PZI、RPZI和RPSI对比，结果发现在中国四个城市相对于SPEI、PZI和RSPEI，RPZI和RPSI的DD均值最小，为0.49。在澳大利亚昆士兰RPZI和RPSI的DD值是0.27，均小于SPEI、PZI、RSPEI和RPSI之间的DD值，表明RPZI在中国和澳大利亚的不同气候区域具有良好的旱涝监测能力。以上结果验证了RPZI的准确性、适用性和可靠性，对于区域干旱监测具有重要意义。
CITATION
Zhao Q, Liu K, Sun T, et al. A novel regional drought monitoring method using GNSS-derived ZTD and precipitation[J]. Remote Sensing of Environment, 2023, 297: 113778.
原文链接：
https://doi.org/10.1016/j.rse.2023.113778
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
