一种不同类型干旱间传播关系的确定方法及系统

1.本发明公开了一种不同类型干旱间传播关系的确定方法及系统，属于干旱预测技术领域。


背景技术：

2.干旱是在全世界范围内发生频率最高的自然灾害之一，其会影响地表和地下水资源，从而导致水资源的供应能力降低、水质恶化、作物产量下降、发电量降低、河岸栖息地生态功能退化，阻碍社会经济活动。
3.现有技术中，对干旱的研究多是基于一种类型的干旱，例如基于不同的干旱指数对气象干旱、土壤干旱或者地下水干旱进行识别分析或者干旱状况评估。但是由于其仅仅考虑一种类型的干旱，忽视了各种类型干旱之间的相互影响，导致所得干旱识别或者分析的结果不准确，严重情况下，会对社会与经济发展产生不利影响。


技术实现要素：

4.本技术的目的在于，提供一种不同类型干旱间传播关系的确定方法及系统，以解决现有技术中忽视了各种类型干旱之间的相互影响，导致所得干旱识别或者分析的结果不准确的技术问题。
5.本发明的第一方面提供了一种不同类型干旱间传播关系的确定方法，包括：
6.获取研究时间内不同时间尺度下研究区域的气象干旱数据、土壤干旱数据和地下水干旱数据；
7.确定所述气象干旱数据、土壤干旱数据和地下水干旱数据两两之间的第一相关性；
8.根据所述第一相关性，确定气象干旱、土壤干旱和地下水干旱间的传播关系。
9.优选地，在根据所述第一相关性，确定气象干旱、土壤干旱和地下水干旱间的传播关系之后，还包括：
10.获取研究时间内不同时间尺度下研究区域森林植被的归一化植被指数；
11.确定所述归一化植被指数与所述气象干旱数据、土壤干旱数据和地下水干旱数据的第二相关性；
12.根据所述第二相关性，确定所述森林植被对所述传播关系的影响。
13.优选地，根据所述第二相关性，确定所述森林植被对所述传播关系的影响，具体包括：
14.根据所述第二相关性，确定所述森林植被主要影响的干旱类型，所述干旱类型包括气象干旱、土壤干旱和地下水干旱。
15.优选地，在根据所述第二相关性，确定所述森林植被主要影响的干旱类型之后，还包括：
16.确定所述气象干旱、所述土壤干旱、所述地下水干旱和所述归一化植被指数的峰
值数据对应的时间节点；
17.根据所述时间节点验证所述森林植被主要影响的干旱类型。
18.优选地，在根据所述第二相关性，确定所述森林植被主要影响的干旱类型之后，还包括：
19.根据所述第二相关性和归一化植被指数，确定影响所述干旱类型的主导因素。
20.优选地，获取研究时间内不同时间尺度下研究区域的气象干旱数据、土壤干旱数据和地下水干旱数据，具体包括：
21.获取研究时间内不同时间尺度下研究区域的气象干旱数据和地下水干旱数据；
22.获取研究时间内不同时间尺度下研究区域的0-10cm土壤层、10-40cm 土壤层、40-100cm土壤层和100-200cm土壤层的土壤干旱数据。
23.优选地，所述气象干旱数据为标准化降水蒸散指数数据；所述土壤干旱数据为土壤含水率距平百分率指数数据；所述地下水干旱数据为地下水干旱严重程度指数数据。
24.本发明的第二方面提供了一种不同类型干旱间传播关系的确定系统，包括：
25.数据获取模块，所述数据获取模块用于获取研究时间内不同时间尺度下研究区域的气象干旱数据、土壤干旱数据和地下水干旱数据；
26.第一关系确定模块，所述第一关系确定模块用于确定所述气象干旱数据、土壤干旱数据和地下水干旱数据两两之间的第一相关性；
27.传播关系确定模块，所述传播关系确定模块用于根据所述第一相关性，确定气象干旱、土壤干旱和地下水干旱间的传播关系。
28.优选地，还包括：
29.植被指数获取模块，所述植被指数获取模块用于获取研究时间内不同时间尺度下研究区域森林植被的归一化植被指数；
30.第二关系确定模块，所述第二关系确定模块用于确定所述归一化植被指数与所述气象干旱数据、土壤干旱数据和地下水干旱数据的第二相关性；
31.影响确定模块，所述影响确定模块用于根据所述第二相关性，确定所述森林植被对所述传播关系的影响。
32.本发明的不同类型干旱间传播关系的确定方法及系统，相较于现有技术，具有如下有益效果：
33.本发明的不同类型干旱间传播关系的确定方法及系统，根据气象干旱数据、土壤干旱数据和地下水干旱数据之间的相关性，可以得到客观、准确的气象干旱、土壤干旱和地下水干旱的传播关系，进而可通过气象干旱的评估与监测间接地反映土壤干旱和地下水干旱的状况，有助于减缓土壤干旱或者地下水干旱对研究区域的社会与经济发展产生的不利影响。
34.进一步地，本发明还可以得到研究区域内特定的森林植被对三种类型干旱传播关系的影响，得出该特定森林植被主要影响哪一种类型的干旱，进而判断出特定的森林植被是否适合在该区域内种植的结论。
附图说明
35.图1为本发明实施例提供的不同类型干旱间传播关系的确定方法的流程图；
36.图2为本发明实施例提供的延河流域的数字高程模型图；
37.图3中的(a)为本发明实施例提供的2003-2019年延河流域气象干旱数据、土壤干旱数据和地下水干旱数据两两之间的月尺度相关性示意图； (b)为本发明实施例提供的2003-2019年延河流域气象干旱数据、土壤干旱数据和地下水干旱数据两两之间的年尺度相关性示意图；
38.图4中的(a)为本发明实施例提供的2003-2019年延河流域，气象干旱、不同深度土壤干旱和地下水干旱之间的总体相关性示意图；(b)为本发明实施例提供的2003-2019年延河流域，月尺度下气象干旱、不同深度土壤干旱和地下水干旱之间的相关性示意图；(c)本发明实施例提供的2003-2019年延河流域，年尺度下气象干旱、不同深度土壤干旱和地下水干旱之间的相关性示意图；
39.图5为本发明实施例提供的2003-2019年延河流域气象干旱、土壤干旱和地下水干旱间的传播特征示意图；
40.图6中的(a)为本发明实施例提供的2003-2019年中的奇数年份延河流域，不同时间尺度下气象干旱、不同深度土壤干旱和地下水干旱间传播特征示意图；(b)为本发明实施例提供的2003-2019年中的偶数年份延河流域，不同时间尺度下气象干旱、不同深度土壤干旱和地下水干旱间传播特征示意图；
41.图7中的(a)为本发明实施例提供的2003-2019年延河流域ndvi
rp
在月尺度下的均值和趋势空间变化图；(b)为本发明实施例提供的 2003-2019年延河流域ndvi
rp
在年尺度下的均值和趋势空间变化图；
42.图8为本发明实施例提供的延河流域2003-2019年刺槐的归一化植被指数和气象干旱数据、土壤干旱数据、地下水干旱数据的时间变化图；
43.图9为本发明实施例提供的不同类型干旱间传播关系的确定系统的结构示意图。
44.图中101为数据获取模块；102为第一关系确定模块；103为传播关系确定模块。
具体实施方式
45.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
46.本实施例不同类型干旱间传播关系的确定方法，其流程如图1所示，包括：
47.步骤1、获取研究时间内不同时间尺度下研究区域的气象干旱数据、土壤干旱数据和地下水干旱数据。
48.本实施例中的研究时间为2003-2019年，不同时间尺度下包括不同月尺度(例如1、3、6、12)和年尺度。研究区域为延河流域，该流域的数字高程模型如图2所示。
49.其中土壤干旱数据具体可为0-200cm土壤干旱数据(整体的土壤干旱数据)和/或0-10cm土壤层、10-40cm土壤层、40-100cm土壤层和100-200cm 土壤层的土壤干旱数据。当为0-200cm土壤干旱数据时，其是根据不同深度土壤层的土壤水分数据相加后得到0-200cm整体的土壤水分数据，然后利用土壤干旱指数计算公式计算得到0-200cm土壤干旱指数smapi数据的，例如：0-10cm土壤层、10-40cm土壤层、40-100cm土壤层和100-200cm 土壤层
的土壤水分数据相加，得到0-200cm整体的土壤水分数据，然后基于0-200cm整体的土壤水分数据，利用土壤干旱指数计算公式计算得到0-200cm土壤干旱数据(土壤干旱指数数据)。本实施例将土壤干旱数据分为整体和各个细分不同深度土壤层的土壤干旱数据，从而可以得到精确的干旱传播过程和干旱传播关系。
50.进一步地，本实施例中的气象干旱数据具体为标准化降水蒸散指数数据；土壤干旱数据为土壤含水率距平百分率指数数据；地下水干旱数据为地下水干旱严重程度指数数据。
51.其中标准化降水蒸散指数(standardizedprecipitationevapotranspirationindex，简称spei)以月水分亏缺量(即降水量减去蒸散量)来表示水分的盈余或赤字。干旱划分等级见表1。基于“历史同月的累积水分亏缺量服从log-logistic分布”这一假设，计算分布概率密度函数和累计概率，然后转化成标准正态分布进而求得。具体计算步骤如下:
52.第一步计算潜在蒸散量。
53.本发明采用faopenman-monteith法计算潜在蒸散量，如公式(1)所示：
[0054][0055]
式中，pet为潜在蒸散量(mm/d)，rn为地表净辐射(mjm-2
d-1
)，g为土壤热通量(mjm-2
d-1
)，t为日平均气温(℃)，
△
为饱和水汽压曲线斜率(kpa/℃)，γ为干湿表常数(kpa/℃)，μ2为2m高处的风速(m/s),es为饱和水汽压(kpa)，ea为实际水汽压(kpa)。
[0056]
第二步计算逐月降水与蒸散的差值，即水分亏缺量：
[0057]di
＝p
i-peti(2)
[0058]
式中，di为水分亏缺量，pi为月降水量，peti为月潜在蒸散量；并根据线性递减权重方案建立不同时间尺度的累积水分亏缺量序列：
[0059][0060]
式中，k为时间尺度(月)，n为计算次数；
[0061]
第三步采用log-logistic概率密度函数拟合所建立的水分亏缺量序列：
[0062][0063]
式中，α为尺度参数，β为形状参数，γ为位置参数，可通过线性矩的方法拟合获得。累计概率可通过分布函数计算：
[0064][0065]
第四步对拟合的水分亏缺量序列进行标准正态分布转换，获得对应的spei:
[0066][0067]
当p≤0.5时，p＝1-f(x)；当p》0.5时，p＝1-p，同时spei的符号逆转，式中其他常项
分别为c0＝2.515517，c1＝0.802853，c2＝0.010328， d1＝1.432788，d2＝0.189269，d3＝0.001308。
[0068]
表1标准化降水蒸散指数spei干旱等级划分
[0069][0070]
本实施例中的气象干旱数据是通过选取延河流域3个国家气象站 2003-2019年的逐日气象资料，包括日降水量、日平均气温获得的，资料来源于中国气象数据网，为保证降水资料可靠性，对缺测数据进行插补延长，并对降水数据进行质量控制检验。
[0071]
本实施例中的土壤含水率距平百分率指数数据的计算过程为：
[0072]
计算土壤含水量数据的逐月多年平均值；
[0073]
计算逐月的smapi值，即为该月的土壤含水量数据m与相应的逐月多年平均值m’之差占m’的百分比，即：
[0074]
smapi＝[(m-m’)/m’]
×
100％
ꢀꢀꢀꢀ
(7)
[0075]
smapi的等级划分为smapi》-5(无旱)、-15《smapi≤-5(轻旱)、
ꢀ‑
25《smapi≤-15(中旱)、-35《smapi≤-25(重旱)、smapi≤-35(极旱)。
[0076]
其中，计算smapi需要用到土壤含水量数据，此数据来源于gldas 水文模型数据。采用gldas noah模型l4每月v2.1产品 (http://disc.sci.gsfc.nasa.gov/hydrology/data-holdings)2003年1月至2019年 12月土壤含水量(包含4层深度数据之和)数据。
[0077]
此处“4层深度”指：0-10cm、10-40cm、40-100cm、100-200cm。
[0078]
本实施例中的，地下水干旱严重程度指数数据(gwsa-dsi)的计算过程为：
[0079]
(1)gwsa
[0080]
gwsa可以通过陆地水储量异常(twsa)扣除地表水储量异常 (swsa)得到。即：gwsa＝twsa-swsa。
[0081]
其中，twsa来源为：
[0082]
twsa数据来源于中国区域基于降水重构陆地水储量变化数据集。数据质量整体较好，全国大部分区域的误差在5cm以内。本数据集与csrrl06 mascon产品一样扣除了2004.0000-2009.999间的平均值。在本研究中，利用arcgis软件并采用相邻两年的同一月份的均值(相邻月份缺失情况下)及前后两个月的均值对数据集进行插补。最终得到延河流域 2003-2019年各月twsa值。
[0083]
swsa来源为：
[0084]
swsa数据来源于gldas水文模型数据。gldas采用先进的数据同化技术，将卫星和地面观测数据整合到一个统一的模型中。全球陆地同化系统陆表状态与过程量数据场模型在众多已有研究中具有良好的适用性。在本研究中，采用gldas noah模型l4每月v2.1产品 (http://disc.sci.gsfc.nasa.gov/hydrology/data-holdings)2003年1月至2019年 12月
土壤含水量变化量(包含4层深度数据之和)、总冠层蓄水量变化量、雪水当量变化量和地表径流量变化量数据计算地表水储量变化。为了与 grace卫星数据保持相同的基线异常，需要减去2004年1月到2009年 12月的平均值，以保持尺度的一致性。
[0085]
(2)gwds-dsi
[0086]
本发明利用基于grace的地下水干旱指数，即dsi来描述yzrc和 yrc的地下水干旱特征。dsi是一个标准化的干旱严重程度指数，完全基于grace推导的gwsa，这是一个无量纲量，其计算和保留干旱的季节特征更简单。因此，本发明选择dsi识别地下水干旱。dsi的定义如下：
[0087][0088]
其中i为2002年至2020年；j是从1月到12月的月份；gwsaj和σj分别是j月地下水储量异常的平均值和标准差。此外，dsi的干旱阈值为
ꢀ‑
0.8，低于该值意味着发生地下水干旱。干旱划分等级见表2。
[0089]
表2 gwsa-dsi干旱等级划分
[0090][0091]
步骤2、确定气象干旱数据、土壤干旱数据和地下水干旱数据两两之间的第一相关性。
[0092]
本发明实施例中确定气象干旱数据、土壤干旱数据和地下水干旱数据两两之间的第一相关性，包括两种方案：
[0093]
第一种方案为：
[0094]
确定气象干旱数据、0-200cm土壤干旱数据和地下水干旱数据两两之间的第一相关性，该相关性分为月尺度下的相关性和年尺度下的相关性，确定相关性所使用的软件为spss软件。
[0095]
以延河流域为例，按照第一种方案所得结果如图3所示。
[0096]
图3中的(a)显示了2003-2019年延河流域发生的气象、0-200cm土壤和地下水干旱在月尺度下的相关性。图3中的(b)显示了2003-2019 年延河流域发生的气象、0-200cm土壤和地下水干旱在年尺度下的相关性。由图3可知，月和年尺度下，spei-smapi和spei-gwsa-dsi的r值均较低(|r|＜0.4)。不同时间尺度下，smapi-gwsa-dsi均呈显著负相关，且|r|＞0.5。
[0097]
第二种方案为：
[0098]
确定气象干旱数据、不同深度土壤层的土壤干旱数据和地下水干旱数据两两之间的第一相关性，该相关性分为月尺度下的相关性和年尺度下的相关性，确定相关性所使用的软件为spss软件。该方案可进一步分析气象、土壤和地下水干旱之间的传播关系。
[0099]
本实施例中的不同深度土壤层的土壤干旱数据具体为0-10cm土壤干旱数据(s1smapi)、10-40cm土壤干旱数据(s2smapi)、40-100cm土壤干旱数据(s3smapi)和100-200cm土壤干旱数据(s4smapi)。
[0100]
以延河流域为例，按照第二种方案所得结果如图4所示。
[0101]
图4中的(a)为延河流域不同时间尺度下气象干旱、不同深度土壤干旱和地下水干旱之间相关性示意图；
[0102]
图4中的(b)为延河流域月尺度下气象干旱、不同深度土壤干旱和地下水干旱之间相关性示意图；
[0103]
图4中的(c)为延河流域年尺度下气象干旱、不同深度土壤干旱和地下水干旱之间相关性示意图。
[0104]
由图4可知，spei3-s1smapi(r＝0.466**)、s1smapi-s2smapi (r＝0.699**)、s2smapi-s3smapi(r＝0.868**)、s3smapi-s4smapi (r＝0.753**)、gwsa-dsi-s3smapi(r＝-0.609**)相关系数最大。其中除gwsa-dsi与s3smapi呈显著负相关，其余均呈显著正相关。
[0105]
本实施例中可以单独使用第一种方案或者第二种方案，也可以在使用第一种方案后进一步使用第二种方案确定更为详细的传播关系。本发明对此不做限制，下同。
[0106]
步骤3、根据第一相关性，确定气象干旱、土壤干旱和地下水干旱间的传播关系。
[0107]
该步骤具体包括两种方案：
[0108]
第一种方案为根据气象干旱数据、0-200cm土壤干旱数据和地下水干旱数据两两之间的第一相关性，确定气象干旱、0-200cm土壤干旱和地下水干旱间的传播关系。
[0109]
由图3中的相关系数可知，不同时间尺度下，spei-smapi和 spei-gwsa-dsi的r值均较低(|r|＜0.4)。这种现象的发生是由于降水和蒸散发不是影响延河流域土壤和地下水干旱的主要因素。该地区降水少，蒸散量大。这也意味着在延河流域，气象干旱和短期内的土壤、地下水干旱之间的联系很低。而不同时间尺度下，smapi-gwsa-dsi均呈显著负相关，且|r|＞0.5，说明土壤水分的上升是影响地下水干旱的重要因素。基于上述分析，我们发现不同时间尺度气象干旱和0-200cm土壤、地下水干旱之间的传播关系不强，0-200cm土壤和地下水干旱具有较强的传播关系。
[0110]
且由图5可知，三类干旱传播的特征可以分为：衰减、滞后、累积和延长。具体而言，衰减：气象干旱严重，但并没有引起土壤干旱，例如2004 年3月至5月发生连续3个月的气象干旱，且4月发生特旱，期间未发生土壤干旱。滞后：土壤干旱对气象干旱响应、地下水干旱对气象干旱响应存在滞后，例如2003-2006年8月气象干旱频发，2006年8月-2009年8 月发生连续土壤干旱。土壤干旱在2015年10月结束，地下水干旱在2016 年1月发生，并持续至2019年。累积：若干气象干旱累积造成了大型土壤干旱，例如2008年5月和7月发生中旱和重旱，2008年8月发生土壤干旱。延长：土壤干旱比气象干旱持续时间有明显延长，例如2011年6 月气象干旱发生特旱，2011年6月-2011年10月发生连续土壤干旱，在此期间土壤干旱强度先升后降，在8月达到峰值。且分析三类干旱发生时间可知，气象干旱在2003-2019年期间频发，土壤干旱主要发生于2006-2015 年，地下水干旱发生于2016年之后。
[0111]
第二种方案为根据气象干旱数据、不同深度土壤层的土壤干旱数据和地下水干旱数据两两之间的第一相关性，确定气象干旱、不同深度土壤层的土壤干旱和地下水干旱间
的传播关系。
[0112]
由图4中的相关系数可知，3个月尺度气象干旱与0-10cm土壤干旱具有较强的传播关系，不同深度土壤干旱互相影响，逐层传播，地下水干旱与40-100cm土壤干旱有强传播关系。由图6可知，基于干旱发生、集中和结束时间发现在不同时间尺度下，各类干旱传播特征主要表现为滞后。即气象干旱早于土壤干旱、地下水干旱发生，土壤干旱早于地下水干旱发生和结束，其中10-200cm土壤干旱均在2016年前结束，0-10cm土壤干旱在2016-2019年个别月份还发生干旱，这是由于浅层土壤水分受到气象等多方面因素的影响。
[0113]
进一步地，本发明还公开了研究区域的森林植被对不同类型干旱传播的影响，具体为：
[0114]
在步骤3之后，还包括：
[0115]
步骤4、获取研究时间内、研究区域的森林植被的归一化植被指数。
[0116]
本发明实施例中，延河流域大量种植刺槐。则在本实施例中，步骤4 具体为获取研究时间内、研究区域的刺槐的归一化植被指数(ndvi
rp
)。
[0117]
在种植刺槐后，气候、地表和植被都在经历可感知的变化。为了深入了解干旱传播过程如何受到种植刺槐的影响，因此本实施例获取了森林植被的归一化植被指数。
[0118]
步骤5、确定归一化植被指数与气象干旱数据、土壤干旱数据和地下水干旱数据的第二相关性。
[0119]
该步骤包括两种方案。
[0120]
第一种方案为：确定归一化植被指数与气象干旱数据、0-200cm土壤干旱数据和地下水干旱数据的第二相关性。
[0121]
第二种方案为：确定归一化植被指数与气象干旱数据、不同深度土壤层的土壤干旱数据和地下水干旱数据的第二相关性。
[0122]
本实施例以第二种方案说明本步骤。
[0123]
本实施例使用皮尔逊相关法绘制了不同时间尺度下ndvi
rp
与spein、 snsmapi、gwsa-dsi的相关系数(r)，即得到了归一化植被指数与气象干旱数据、土壤干旱数据和地下水干旱数据的第二相关性。其中，spein 中的n表示月份尺度，snsmapi中的n表示第n土壤层的土壤干旱数据。所得相关性结果见表3。
[0124]
表3 2003-2019年延河流域ndvi
rp
与气象干旱、土壤干旱和地下水干旱数据的相关性
[0125]
[0126]
注：**表示显著相关
[0127]
步骤6、根据第二相关性，确定森林植被对传播关系的影响，具体为：根据第二相关性，确定森林植被主要影响的干旱类型，所述干旱类型包括气象干旱、土壤干旱和地下水干旱。
[0128]
根据表3可知，不同时间尺度下spei与ndvi
rp
均呈正相关，但相关性较低(|r|＜0.3)。年尺度ndvi
rp
与s4smapi呈负相关(r＝-0.019)，其余均呈正相关，但相关系数较小(r＜0.4)。说明刺槐对气象干旱和土壤干旱的影响不显著。不同时间尺度下，ndvi
rp
与gwsa-dsi均呈显著负相关，rm＝-0.227**(月尺度),ry＝-0.725**(年尺度)，说明刺槐对地下水干旱有显著影响，尤其在年尺度下影响更大。
[0129]
进一步地，为明确刺槐是影响地下水干旱的主导因素，本实施例还包括：根据第二相关性和归一化植被指数，确定影响干旱类型的主导因素，具体为：
[0130]
获取归一化植被指数与刺槐主要影响的干旱类型对应的干旱数据之间的相关系数；
[0131]
获取相关系数的最大值，其中最大值包括最大负相关值和最大正相关值；
[0132]
获取第二相关系数的最大值对应的归一化植被指数的特征量，如特征量变化显著或者达到最大值或者最小值，则该特征量为影响干旱类型的主导因素。
[0133]
本实施例结合ndvi
rp
在月尺度和年尺度的空间年均值和变化趋势 (图7)，从空间上分析ndvi
rp
与gwsa-dsi的相关性。在年尺度上， ndvi
rp
与gwsa-dsi的相关系数呈现空间分异性，自西北向东南逐渐从显著负相关转变为显著正相关。强负相关主要发生在ndvi
rp
快速增加的区域，最大负相关值达到-0.962**，其对应区域ndvi
rp
年均值较低；强正相关主要发生在ndvi
rp
快速下降的区域，最大正相关值达到0.804**，其对应区域ndvi
rp
年均值较高。说明ndvi
rp
的年均值和生长速率是影响地下水干旱的主导因素。在月尺度上，发现只有在ndvi
rp
快速增加的地区，相关性较大，而在ndvi
rp
始终较高的地区，相关性较小。进一步表明，ndvi
rp
的快速增长是影响延河流域地下水干旱的主导因素。
[0134]
另外，在步骤6之后还可以包括确定气象干旱、土壤干旱、地下水干旱和归一化植被指数的峰值数据对应的时间节点；
[0135]
然后根据时间节点验证森林植被主要影响的干旱类型。本发明实施例中时间节点是根据气象干旱、土壤干旱、地下水干旱、归一化植被指数的时间序列确定。
[0136]
本实施例中，图8显示了延河流域2003-2019年ndvi
rp
和三类干旱指标的时间变化图。ndvi
rp
呈显著上升趋势，spei和smapi呈不显著上升趋势，gwsa-dsi呈显著下降趋势。表明在2003-2019年，刺槐生长速率加快，气象和土壤呈现干旱化趋势减弱，湿润化增强的现象，而地下水干旱正在急剧增加。说明延河流域刺槐的种植可能有利于气象和土壤干旱的减弱，但可能会导致地下水干旱的加剧。
[0137]
结合刺槐生长耗水量(查找文献可得)和图5和图6可知，气象干旱向土壤干旱的传播发生于刺槐幼龄占比大于50％的时间段，土壤干旱向地下水干旱的传播发生于刺槐中熟及以上龄林占比大于50％的时间段。随着刺槐龄组的增长，刺槐耗水量不断加大，干旱从气象干旱逐层向0-200cm 土壤干旱、地下水干旱传播。其中，40-100cm土壤干旱较严重，尤其在 2015年9月达到极旱，此时ndvi
rp
达到当年峰值。
[0138]
从干旱峰值的角度分析，气象、土壤和地下水干旱分别在2004年4 月、2015年9月、
2018年8月达到干旱峰值，ndvi
rp
在2018年8月达到峰值。表明不同类型干旱间的传播存在滞后性，且刺槐的种植与地下水干旱的发生有密切联系。
[0139]
本发明的第二方面提供了一种不同类型干旱间传播关系的确定系统，如图9所示，包括数据获取模块101、第一关系确定模块102和传播关系确定模块103。
[0140]
其中数据获取模块101用于获取研究时间内、研究区域的气象干旱数据、不同深度土壤层的土壤干旱数据和地下水干旱数据；
[0141]
第一关系确定模块102用于确定气象干旱数据、土壤干旱数据和地下水干旱数据两两之间的第一相关性；
[0142]
传播关系确定模块103用于根据第一相关性，确定气象干旱、土壤干旱和地下水干旱间的传播关系。
[0143]
该系统还包括：
[0144]
植被指数获取模块，植被指数获取模块用于获取研究时间内不同时间尺度下研究区域森林植被的归一化植被指数；
[0145]
第二关系确定模块，第二关系确定模块用于确定归一化植被指数与气象干旱数据、土壤干旱数据和地下水干旱数据的第二相关性；
[0146]
影响确定模块，影响确定模块用于根据第二相关性，确定森林植被对传播关系的影响。
[0147]
本发明的不同类型干旱间传播关系的确定方法及系统，根据气象干旱数据、不同深度土壤层的土壤干旱数据和地下水干旱数据之间的相关性，可以得到客观、准确的气象干旱、土壤干旱和地下水干旱间的传播关系，进而可通过气象干旱的评估与监测间接地反映土壤干旱和地下水干旱的状况，有助于减缓土壤干旱或者地下水干旱对研究区域的社会与经济发展产生的不利影响。
[0148]
进一步地，本发明还可以得到研究区域内特定的森林植被对三种类型干旱传播关系的影响，得出该特定森林植被主要影响哪一种类型的干旱，进而判断出特定的森林植被是否适合在该区域内种植的结论。
[0149]
以上所述，仅是本技术的几个实施例，并非对本技术做任何形式的限制，虽然本技术以较佳实施例揭示如上，然而并非用以限制本技术，任何熟悉本专业的技术人员，在不脱离本技术技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。