拉贾斯坦邦哈多蒂地区干旱动态的多指数遥感评估与作物产量敏感性分析

《Discover Plants》：Multi-index remote sensing assessment of drought dynamics and crop yield sensitivity in the Hadoti Region, Rajasthan

　　

干旱是一种降低雨养农业生产力的胁迫因素，可通过卫星植被指数进行量化。目前缺乏将拉贾斯坦邦哈多蒂（Hadoti）地区的这些指数与作物产量相关联的长时间序列区级研究。在本研究中，研究人员利用从Landsat 5、8和9地表反射率的年度、卡里夫（Kharif）和拉比（Rabi）合成影像中计算出的归一化差异植被指数（NDVI）、归一化差异水分指数（NDWI）和植被状态指数（VCI），分析了1997–2022年间巴兰（Baran）、本迪（Bundi）、贾拉瓦尔（Jhalawar）和科塔（Kota）四个县的干旱变异性及其对作物产量的影响。降雨数据来自印度气象局网格，六种作物的产量数据来自县级统计资料。时间序列趋势采用经自相关校正的曼-肯德尔（Mann-Kendall）检验、森氏斜率（Sen’s slope）和本杰明尼-霍赫贝格（Benjamini-Hochberg）校正识别，而水平位移则通过佩蒂特（Pettitt）检验检测。作物产量关系采用皮尔逊（Pearson）相关性、回归分析、去趋势处理和留一年交叉验证法进行探索。所有四个县在2010年均经历了极端农业干旱（VCI为2.7至6.5）。贾拉瓦尔县的所有三个指数均呈现年际趋势，但在进行降雨校正后均不再显著。所有县的拉比指数均呈上升趋势（p < 0.001），而卡里夫指数未显示趋势。从2015年到2022年，严重或极端干旱影响了该区域年度合成影像面积的14.8%和卡里夫合成影像面积的25.8%。大麦、小麦和油菜籽的产量与拉比指数呈正相关（r ≤ 0.74），而玉米、水稻和大豆则表现出微弱的负相关。这些指数必须结合降雨数据和卡里夫合成影像用于监测目的，而非单独用于预测。 临床试验注册：不适用（本研究非临床试验）。

研究背景、现存问题与研究意义

干旱是全球农业面临的最具破坏性的气候风险之一，它会降低作物生产力、减缓植被生长并耗尽土壤水分。随着气候变化，预计干旱的频率和严重程度将进一步加剧，这对依赖雨养农业地区的农村生计和粮食安全构成了严峻威胁。因此，准确的干旱监测对于可持续的农业管理至关重要。遥感技术因其能够提供连续、大范围且成本低廉的观测数据，已成为一种有效的监测工具。

然而，现有的研究仍存在三个显著的空白。首先，在拉贾斯坦邦，尚无研究将归一化差异植被指数（NDVI）、归一化差异水分指数（NDWI）和植被状态指数（VCI）的评估与跨越连续数十年的作物产量评估相结合。其次，尽管哈多蒂（Hadoti）地区在农业上具有重要意义，但其干旱动态特征尚不清楚。第三，在县级尺度上，将植被状况、植被水分含量与作物生产力联系起来的长时序数据十分匮乏。这些局限性阻碍了本地化的干旱监测和气候适应性农业规划。

为此，本研究旨在填补上述空白。其目的是：(i) 利用NDVI评估1997年至2022年的长期植被动态；(ii) 利用NDWI评估同期长期的植被水分状况；(iii) 利用VCI确定干旱的严重程度；(iv) 通过回归和相关分析，检验作物产量与NDVI、NDWI和VCI之间的关系。这项综合性的县级评估在哈多蒂地区尚属首次，其结果补充了现有的国家和区域尺度的研究，并为拉贾斯坦邦东南部的可持续农业规划和抗旱管理提供了长期的地方性证据。

主要关键技术方法

研究人员采用了多源遥感与统计数据相结合的分析框架。首先，利用美国地质调查局（USGS）Landsat 5、7、8和9号卫星的地表反射率（Surface Reflectance, SR）影像，在谷歌地球引擎（Google Earth Engine, GEE）平台上计算NDVI、NDWI和VCI。为确保不同传感器间数据的一致性，研究人员对Landsat 5和7的数据进行了光谱归一化处理，使其与Landsat 8等效。研究仅针对耕地像素进行分析，并分别生成了年度、卡里夫（Kharif，雨季作物季，6-10月）和拉比（Rabi，旱季作物季，11月至次年4月）三个时间窗口的中值合成影像。其次，降雨数据来源于印度气象局（India Meteorological Department, IMD）的0.25°×0.25°网格化日降雨数据集。最后，六种主要作物（玉米、水稻、大豆为卡里夫作物；大麦、油菜籽、小麦为拉比作物）的县级产量数据取自印度农业与农民福利部经济与统计局。数据分析方法包括：采用经自相关校正的曼-肯德尔（Mann-Kendall）检验和森氏斜率（Sen’s slope）进行趋势分析，并使用本杰明尼-霍赫贝格（Benjamini-Hochberg）方法进行多重比较校正；采用佩蒂特（Pettitt）检验检测时间序列中的水平位移；通过皮尔逊（Pearson）相关性和简单线性回归分析作物产量与各指数的关系，并结合去趋势分析和留一年交叉验证法评估模型的稳健性。

研究结果

3.1 空间格局分析与空间描述性统计

研究人员通过分析NDVI、NDWI和VCI的空间分布图发现，稀疏或无植被覆盖的区域主要出现在西部、西北部和中部地带，这与低NDWI值所指示的水分胁迫区域相吻合。VCI地图显示，虽然无干旱等级占主导地位，但存在许多轻度和中度干旱斑块，这些区域与低NDVI和低NDWI区域重叠。各县的平均值相近，其中贾拉瓦尔（Jhalawar）县的各项指标均值最高，而本迪（Bundi）县最低。所有县的最低NDVI和VCI值均出现在2010年。

3.2 指数与降雨的时间趋势

3.2.1 NDVI、NDWI和VCI的年际趋势：四个县的年际指数变化趋势相似，均在1997年达到峰值，2010年降至最低点，之后开始回升。曼-肯德尔检验显示，仅贾拉瓦尔县在所有三个指数上均表现出统计学上显著的上升趋势。然而，在排除了年降雨量的影响后，这些趋势均不再显著，表明降雨是驱动这些趋势的主要因素。

3.2.2 降雨趋势：本迪和科塔（Kota）县的年降雨量呈现出显著增加趋势，这主要归因于西南季风期（卡里夫季节）降雨的增加。拉比季节的降雨在所有县均无显著趋势。

3.2.3 卡里夫和拉比季节的趋势：季节分解揭示了重要的差异。所有县的卡里夫季节指数均未显示出显著趋势。相反，所有县的拉比季节指数均表现出高度显著（p < 0.001）的上升趋势。由于拉比季节降雨量很低且无显著趋势，因此拉比植被的增长无法由降雨解释。

3.2.4 趋势对时段、传感器和水平位移的敏感性：分析表明，趋势对研究时段的选择敏感。在2012-2013年左右存在一个明显的水平位移，这可能与Landsat 8卫星数据的引入有关，但也不能排除更湿润的季风和灌溉方式改变的影响。

3.3 按县和面积划分的干旱特征

3.3.1 县级干旱等级：基于VCI的分类显示，2010年所有四个县均处于极端农业干旱状态（VCI介于2.7至6.5）。本迪县是唯一长期平均VCI落入轻度干旱等级的县。从2013年起，干旱年份显著减少，2018年至2022年期间没有任何县处于干旱等级。

3.3.2 干旱的空间范围：2010年，严重和极端干旱覆盖了该区域约91%的面积。在2015-2022年期间，严重和极端干旱的年均面积比例下降至14.8%。

3.3.3 年度与卡里夫产品及淹没情况：卡里夫季节的干旱面积比例高于年度产品（2015-2022年为25.8% vs 14.8%），表明年度合成影像可能因强大的拉比冠层而掩盖了卡里夫季节的胁迫。淹没区域占比很小（< 5.7%），并非2010年极端干旱的原因。

3.4 指数与降雨的比较

年降雨量与所有指数均呈正相关，但在巴兰（Baran）和贾拉瓦尔县显著，在本迪和科塔县则不显著。降雨最多只能解释指数34%的方差，因此可以指示变化方向，但无法预测具体的干旱等级。季节性降雨并未显著改善大多数县的相关性。

3.5 作物产量趋势

1997年至2022年间，六种作物中有五种（大麦、小麦、水稻、玉米、油菜籽）的产量呈显著增长趋势，其中小麦的增长率最大（0.092吨·公顷^-1·年^-1）。大豆产量无显著趋势。值得注意的是，尽管卡里夫作物（玉米、水稻）产量上升，但卡里夫季节的植被指数并未增加，表明产量提升可能源于品种改良或管理措施，而非更强的冠层绿度信号。

3.6 作物产量对干旱的敏感性

研究人员通过皮尔逊相关性和线性回归分析了作物产量对各指数的敏感性。结果显示，拉比作物（大麦、小麦、油菜籽）的产量与拉比季节的NDVI、NDWI和VCI呈显著正相关（相关系数r ≤ 0.74），表明这些指数可以有效反映拉比作物的生长状况。相比之下，卡里夫作物（玉米、水稻、大豆）的产量与卡里夫指数表现出微弱甚至负相关，这表明在卡里夫季节，这些指数不适合作为产量预测的直接指标。

总结讨论与研究结论

研究表明，基于遥感的植被指数，特别是VCI，能够有效刻画哈多蒂地区的农业干旱时空动态。2010年的极端干旱事件是该区域最严重的农业干旱。拉比季节植被的显著改善可能与灌溉面积的扩大等因素有关，而卡里夫季节植被状况停滞不前，表明该季节的农业生产仍高度依赖于降雨的年内分布。作物产量敏感性分析证实，拉比指数是监测拉比作物产量的有效工具，但卡里夫指数不能直接用于预测卡里夫作物产量。

研究结论明确指出：这些指数必须结合降雨数据和卡里夫合成影像用于监测目的，而不能单独用于预测。这项研究强调了在区域尺度上进行多指数、多季节综合评估的重要性，并为拉贾斯坦邦东南部制定气候适应性农业规划和管理策略提供了关键的本地化科学依据。