一种干旱胁迫下植被损失及恢复的定量识别方法

本发明属于干旱对植被影响评估，特别涉及一种干旱胁迫下植被损失及恢复的定量识别方法。

背景技术：

1、植被生长活动与干旱变化之间存在复杂的响应规律，这些规律与植被类型、区域气候、干旱的强度、延续时间等诸多因素有关。目前，国内外学者对干旱与植被的关系做了探索性研究，主要采用相关分析、概率分布等统计方法建立植被与干旱之间的关系，进而探讨植被对干旱的响应特征。

2、在植被对干旱响应的研究中，大多是利用相关分析等手段简单量化干旱与植被之间的关系，vicente-serrano等(2012)利用不同时间尺度的标准化降水蒸散指数(spei)与归一化差值植被指数(ndvi)进行相关分析得出，ndvi与较短时间尺度的spei相关性好，在干旱地区植被生长活动对水分变化敏感，而在湿润地区则相反。zhao等(2018)利用不同时间尺度的spei和ndvi进行相关性分析，研究了植被对不同时间尺度干旱的响应特征，分析植被在干湿影响下的变化趋势。zhang和zhang(2019)研究了中国地区生长期自然植被动态(ndvi)与干旱的关系，发现ndvi与干旱指数的正(负)相关主要出现在非湿润(湿润)地区，水分胁迫不太可能成为潮湿地区自然植被的限制因素。fang等(2019)基于ndvi和spei指数，利用双变量关联建模的方法，系统评估了多种干旱(中度、严重和极端干旱)情景下植被衰退的条件概率。类似地，yuan等(2022)基于概率分布的方法构建了spei和ndvi的联合分布模型，评估了多种干旱条件(中度、严重和极端干旱)下植被(ndvi)损失的条件概率。但是这些研究只考虑到了干湿因素，并没有考虑到季节、下垫面条件等多种因素对植被变化的影响，因此这类评估方法具有较大的不确定性，可信度不高。

3、在干旱后植被恢复的研究方面，相关学者也尝试提出一些识别方法，如干旱期与长期平均植被状态对比的方法(jha et al.,2019)，基于遥感技术的监测方法(pérez-cabello et al.,2021)，以及表征植被下降的干旱影响评估指标法(jiao et al.,2021)。然而这些方法没有从场次干旱事件的角度监测植被从损失到恢复的全过程动态变化特征，无法准确量化不同类型干旱事件所造成植被损失的程度(量级)及其对应的恢复时间。因此，需要一种能够准确反映干旱与植被之间的关系并且能够识别植被从损失到恢复全过程的定量识别方法。

技术实现思路

1、基于此，本发明的目的在于，提供一种干旱胁迫下植被损失及恢复的定量识别方法，其能够排除非干旱因素对植被变化的影响、实现植被损失等级有效划分和确定干旱发生后植被从损失恢复到正常状态所需的时间的优点。

2、本发明通过以下详细技术方案实现：

3、一种干旱胁迫下植被损失及恢复的定量识别方法，包括以下步骤：

4、s1：利用游程理论在网格尺度上识别干旱事件，具体包括干旱事件的开始时间、延续时间、结束时间及干旱事件的强度等特征；

5、s2：剔除历史时期干旱发生期间的植被数据，估算非干旱因素导致的植被变化；

6、s3：估算场次干旱事件导致的植被变化；

7、s4：采用概率分布的方法对干旱事件导致的植被变化进行分类；

8、s5：基于植被正常波动的阈值，估算植被从损失到恢复的时间。

9、相对现有技术，本发明在植被对干旱响应的研究中，首先剔除历史干旱期内的植被数据(ndvi)，分离出干旱事件发生期间非干旱因素(如季节、下垫面条件)导致的植被变化，再利用植被的总体变化减去非干旱因素导致的植被变化得到干旱引起的植被变化量，这样得到的干旱引起的植被变化量更加准确。除此之外，本发明在统计历史干旱事件所对应的植被变化(ndvi)的基础上，基于概率分布理论实现植被损失等级有效划分，明确不同类型干旱事件所造成植被损失的量级，在此基础上，根据植被损失的阈值进一步确定干旱发生后植被从损失恢复到正常状态所需的时间，这样确定的时间更加精准。

10、进一步地，所述s3步骤具体为：

11、s3：识别植被对干旱响应的滞后时间，计算干旱事件开始前的第一个月到干旱结束后植被滞后月份时段内的植被整体变化以及非干旱因素引起的植被变化，两者之差为干旱因素引起的植被变化。能够有效分离出非干旱因素(如季节、下垫面条件)导致的植被变化，提高了干旱导致植被变化的估算精确。

12、进一步地，所述s4步骤具体为：

13、s4：对历史时期干旱引起的植被变化进行概率分布拟合，选择最优分布，转化成标准正态分布，根据发生的概率对植被损失程度进行分类。基于概率分布理论，开发了植被损失阈值的定量识别方法，可以有效估算不同类型干旱事件所造成的植被损失量级，并实现了植被损失等级划分。

14、进一步地，所述干旱事件的识别基于干旱指数，所述干旱指数为标准化降水蒸散指数(standardized precipitation evapotranspiration index，spei)和归一化差值植被指数(normal difference vegetation index，ndvi)。干旱指数的应用能够让识别的干旱事件更精准。

15、进一步地，所述干旱事件的spei小于-0.5且延续时间大于2个月，当相邻干旱事件之间的时间间隔小于2个月时，则将两场干旱事件合并为一场事件。这样能减小误差，提高后续计算的准确度。

16、进一步地，所述s2步骤具体为：将研究时期干旱发生期间的植被数据剔除，计算1-12月多年平均植被指数作为未受干旱因素影响的植被状态，具体计算公式如下：

17、

18、其中，表示不受干旱影响时i月的ndvi(1≤i≤12)；n为研究时段内i月不受干旱影响的年数。能够进一步准确分离出非干旱因素(如季节、下垫面条件)导致的植被变化，大幅提高干旱导致植被变化的估算精确度。

19、进一步地，所述s3具体步骤如下：

20、s301：首先计算植被对干旱响应的滞后时间，采用最大pearson相关系数法来确定干旱对植被的时滞效应，分别计算spei与不同滞后时间(1-24个月)ndvi的相关系数，选取最大相关系数ri所对应的滞后月数i作为滞后时间；

21、ri＝corr(ndvi,speii)

22、rmax-lag＝max(ri)

23、其中，ri为时间滞后i个月的pearson相关系数，rmax-lag为ri的最大值，在本发明中i的取值范围为0到24个月；

24、s302：对于一场干旱事件来说，其发生后植被ndvi的总体变化以及由非干旱因素引起的植被ndvi变化分别为：

25、tcndvi＝ndvie-ndvis

26、ncndvi＝n_ndvie-n_ndvis

27、其中，tcndvi表示干旱事件发生后植被ndvi的总体变化，ncndvi表示非干旱因素引起的植被ndvi变化，下标s代表干旱事件开始前的第一个月，e代表干旱事件结束后植被的滞后月份；

28、s303：由干旱事件造成的ndvi变化δvc可表示为：

29、δvc＝tcndvi-ncndvi。通过确定干旱对植被的时滞效应，更加精确地计算干旱对植被的影响。

30、进一步地，所述s4具体步骤如下：

31、s401：在网格尺度上统计所有干旱事件所造成的δvc，本发明采用分布概率来描述δvc的变化，通过选取多种分布对δvc进行拟合，利用kolmogorov-smirnov检验和均方根误差筛选出最优分布，为了更好地量化植被损失和增长的变化特征，然后将拟合的分布转化为标准正态分布(δvcnormal)，所述多种分布包括正态分布、伽马分布、广义极值分布、对数正态分布；

32、s402：参考标准化降水指数(spi)干旱等级划分的思路(mckee et al.,1993)，基于概率分布的思想，本发明将δvcnormal<-0.5(发生概率约为30.8％)定义为植被损失，将δvcnormal>0.5(发生概率约为30.8％)定义为植被增长；

33、s403：根据植被变化量级定义四种植被损失等级：轻度损失(-1<δvcnormal<-0.5)、中度损失(-1.5<δvcnormal<-1)、严重损失(-2<δvcnormal<-1.5)和极端损失(δvcnormal<-2)，对应发生的概率约分别为15％、9.2％、4.4％和2.3％。通过概率分布理论，有效地估算不同类型干旱事件所造成的植被损失量级，实现了植被损失等级划分，能够精细化评估干旱对植被的影响。

34、进一步地，所述s5具体步骤为：

35、识别植被从损失恢复到正常波动状态的时间：当干旱结束后某一月份的植被相对干旱发生前一个月的变化在正常波动范围内时，则认为植被已经恢复到正常的生长状态，其计算公式如下：

36、δvc-0.5≤tcndvi[s,e+k]-ncndvi[s,e+k]≤δvc0.5

37、其中，s代表干旱事件开始前的第一个月；e代表干旱事件结束后植被的滞后月份；k为干旱后植被恢复到正常生长状态所需的时间，时间单位为月；tcndvi[s,e+k]代表从干旱事件发生到植被恢复期间ndvi的整体变化；ncndvi[s,e+k]表示从干旱事件发生到植被恢复期间非干旱因素引起的ndvi变化,δvc-0.5和δvc0.5分别表示阈值-0.5和0.5对应的δvc值。根据植被损失的阈值更准确确定干旱发生后植被从损失恢复到正常状态所需的时间。

38、为了更好地理解和实施，下面结合附图详细说明本发明。