Analisis komparatif kekeringan berdasarkan curah hujan dan tanah

indeks kelembaban di Haihe baskom Cina Utara selama periode

dari 1960-2010

Yue Qin, Dawen Yang ⇑, Huimin Lei, Kai Xu, Xiangyu Xu

Negara Kunci Laboratorium Hydroscience dan Teknik, Jurusan Teknik Hidrolik, Tsinghua University, Beijing 100084, Cina

1. Perkenalan

Dalam beberapa dekade terakhir, dalam konteks perubahan iklim dan perkembangan cepat kondisi sosial-ekonomi, kekeringan telah menjadi salah satu bencana alam yang paling serius yang telah menyebabkan kerusakan yang signifikan terhadap masyarakat manusia (Federal Emergency Management Agency, 1995; National Pusat Data Iklim, 2003; Bryant, 2005). Menurut statistik, kekeringan yang disebabkan hilangnya China produksi gabah melebihi 26 miliar kilogram per tahun, yang hampir permintaan makanan tahunan 60 juta orang (Li et al., 2010). Sejak 1990-an, kekeringan dan penggurunan memiliki

meningkatkan tren di Cina Utara dan menyebabkan kerugian ekonomi tahunan lebih dari $ 12000000000 (Fu dan An, 2002). Wang et al. (2011) melaporkan bahwa kekeringan memiliki kecenderungan meningkat dalam 50 tahun terakhir atas daratan Cina, dan Zhai et al. (2010b) menunjukkan bahwa frekuensi kekeringan telah meningkat di cekungan besar di Cina Utara.

Untuk penilaian bencana kuantitatif, analisis kekeringan merupakan topik yang semakin penting dalam penelitian hidrologi terakhir. Namun, karena sifat kompleks kekeringan, sebagian besar definisi kekeringan didasarkan pada konteks aplikasi (Andreadis et al., 2005). Dua definisi yang diakui secara luas adalah: (1) tingkat pengendapan lebih rendah dari normal dan duratif kekurangan sumber daya air (Organisasi Meteorologi Dunia,

WMO, 1986, 2012), yang biasanya didefinisikan sebagai kekeringan meteorologi; (2) kadar air tanah di bawah nilai rata-rata tahunan disertai dengan pengurangan hasil gabah (Organisasi Pangan dan Pertanian PBB, FAO, 2002), yang biasanya

didefinisikan sebagai kekeringan pertanian. Dalam studi ini, kami fokus pada kekeringan meteorologi dan pertanian di 5 dekade terakhir dari Haihe cekungan di Cina Utara. Kekeringan meteorologi terkait dengan kekurangan air disebabkan oleh kondisi meteorologi yang abnormal, seperti kurangnya curah hujan dan suhu tinggi. Oleh karena itu, indeks kekeringan meteorologi terutama menganggap parameter seperti curah hujan, suhu, kelembaban, dan sebagainya. The Standardized Precipitation Index

(SPI) (McKee et al., 1993, 1995) adalah yang umum digunakan indeks kekeringan meteorologi dalam banyak studi. Hal ini sebanding di daerah iklim yang berbeda (Guttman, 1998), dan telah banyak digunakan dalam penilaian kekeringan (Zhang et al, 2009;. Zhai et al, 2010a.;

Fischer et al, 2011.; Zhao et al, 2012.; Hao dan AghaKouchak, 2013; Gocic dan Trajkovic, 2013). Kekeringan pertanian biasanya ditentukan berdasarkan defisit

air tanah, yang memiliki dampak langsung pada pertumbuhan tanaman. Kekeringan pertanian dipengaruhi oleh beberapa faktor, seperti kelembaban tanah, jenis tanaman, dan irigasi. Dengan demikian, intensitas kekeringan sering ditandai dengan kelembaban tanah atau tanaman / vegetasi

negara. Misalnya, Indeks Crop Moisture (CMI) (Palmer, 1968) dan Defisit Air Index (WDI) (Moran et al., 1994) telah diperkenalkan dalam studi sebelumnya. Penyimpanan air tanah adalah bagian penting dalam siklus hidrologi terestrial, dan juga menghubungkan tanah dengan vegetasi. Dalam studi ini, kami menggambarkan kekeringan pertanian berdasarkan distribusi probabilitas empiris kelembaban tanah, yang didefinisikan sebagai Moisture Tanah Kekeringan Severity (SMDS). Kelembaban tanah dan parameter terkait telah banyak digunakan untuk menggambarkan dampak kekeringan pada vegetasi, lahan pertanian

atau penyimpanan air tanah (Andreadis et al, 2005;. Wang et al, 2011;.. Panjang et al, 2013;. Thomas et al, 2014). Ketika kekeringan pecah di daerah tertentu, apa yang benar-benar

harus peduli tentang adalah air yang tersedia di permukaan tanah. Dengan demikian, evaluasi kekeringan harus mempertimbangkan baik pasokan air dengan curah hujan dan disipasi air di permukaan tanah. Disipasi air terutama terkait dengan kanopi intersepsi, evapotranspirasi (ET), dan penyimpanan air tanah. Semua ini

proses dapat disimulasikan oleh model hidrologi berdasarkan fisik atau model permukaan tanah, seperti Variabel Kapasitas Infiltrasi (VIC) Model dan Komunitas Tanah Model (CLM). Model ini biasanya digunakan untuk menganalisis pola spasial dan temporal dari kekeringan besar dengan simulasi kontinyu spasial dan temporal mereka,

dan telah banyak diterapkan untuk penilaian kekeringan selama beberapa dekade terakhir (Andreadis et al, 2005;. Sheffield dan Wood, 2007;. Sheffield et al, 2009; Wang et al, 2011.). Kebanyakan penelitian tersebut difokuskan pada tren kekeringan skala besar berdasarkan indeks tunggal, tetapi tidak memiliki analisis rinci rawan kekeringan khas daerah dan antar-perbandingan indeks yang berbeda. Dalam studi ini, kami memilih Haihe basin di Cina Utara sebagai domain studi. Tujuan utama adalah: (1) mengkarakterisasi peristiwa kekeringan besar spasial dan temporal di wilayah ini; (2) untuk

memahami perubahan peristiwa kekeringan selama 51 tahun terakhir; (3) untuk membandingkan penerapan indeks kekeringan kelembaban tanah dengan indeks curah hujan kekeringan dalam perspektif ekosistem darat, terutama pertumbuhan vegetasi.

Dalam bagian berikut, fitur hidrologi dan meteorologi dari wilayah studi yang pertama disajikan diikuti oleh data dan model permukaan tanah (CLM) digunakan, dan metode yang digunakan untuk

menganalisis kekeringan. Pada bagian hasil, kekeringan tren temporal dan pola ruang di wilayah studi yang mengingat pertama diikuti oleh rincian peristiwa kekeringan besar. Akhirnya, perbandingan antara indeks kekeringan berbasis curah hujan dan indeks berbasis tanah-air diberikan.

2. Wilayah studi dan data

2.1. Haihe baskom dan kekeringan sejarah Haihe basin adalah salah satu cekungan terbesar di Cina Utara, dan berisi beberapa kota besar (misalnya, Beijing dan Tianjin) dengan total populasi 137 juta. Tindakan wilayahnya sekitar 318.800 km2, yang pegunungan daerah (ketinggian di atas 100 m;. Lei et al, 2014) menyumbang sekitar 60% (lihat Gambar 1.). Daerah dataran basin adalah salah satu daerah penghasil utama gandum di Cina, yang menyumbang sekitar 9,4% dari hasil gabah tahunan di negara (Haihe River Commission, 2012). Basin Haihe milik iklim muson benua sedang. Its curah hujan rata-rata tahunan adalah sekitar 530 mm dengan variabilitas yang sangat musiman dan interannual. Di musim dingin (Desember-Februari), dikendalikan oleh tekanan tinggi Siberia, seringkali kering dengan curah hujan kurang sementara di musim semi (Maret-Mei), suhu meningkat dengan cepat dan penguapan sebenarnya tinggi karena angin yang kuat. Hampir 70% dari curah hujan tahunan terkonsentrasi dari bulan Juni sampai September. Administrasi Meteorologi China (CMA, 2007) menganalisis frekuensi kekeringan di Cina 1961-2006, dan hasilnya menunjukkan bahwa Utara

Dataran Cina adalah salah satu daerah yang menderita sering terjadi kekeringan. Dari survei literatur, karakteristik kekeringan di Haihe basin dapat diringkas sebagai: (1) sering defisit air musiman di lembah dikaitkan dengan alasan meteorologi dan / atau geografis (. Bao et al, 2012; Xu et al, 2014.); (2) kekeringan di musim semi memiliki

dampak terbesar pada produksi pertanian di daerah dataran (Haihe River Commission, 2004a); (3) beberapa peristiwa kekeringan berkepanjangan terjadi dalam sejarah (Lu et al., 2011), yang telah diverifikasi oleh pohon-ring selulosa di Dataran Cina Utara (Li et al., 2011b) dan oleh catatan kuno di tulang oracle di abad SM-11

(Haihe Komisi River, 2004b).

2.2. Persiapan data

Dalam penelitian ini, memaksa data untuk menjalankan versi 4.0 dari Komunitas Tanah Model (yaitu, CLM 4.0) meliputi data iklim historis dan parameter permukaan tanah. Data iklim historis yang diperoleh dari 73 stasiun meteorologi di baskom dan sekitarnya seperti yang ditunjukkan pada Gambar. 1, yang awalnya disediakan oleh Meteorologi Pusat Informasi Nasional (NMIC) dari CMA dan download dari Cina Meteorologi Berbagi Data System (CMDSS) (http://cdc.cma.gov.cn). The

data meteorologi yang diamati meliputi curah hujan harian, suhu udara (maksimum, minimum, dan rata-rata), durasi sinar matahari setiap hari, kecepatan angin rata-rata dan kelembaban relatif. Dataset ini tersedia dari Januari 1960 hingga Desember 2010, dan data harian yang downscaled data 3-jam dengan metode empiris yang diusulkan

oleh Lei et al. (2013). Data grid 0,05? ? 0,05? Resolusi yang diinterpolasi menggunakan metode pembobotan jarak sudut (Yang et al., 2004) dan digunakan dalam CLM 4.0.

Gambar. 2a menggambarkan distribusi spasial curah hujan tahunan di domain penelitian. Wilayah perbukitan di utara cekungan telah relatif lebih rendah berarti curah hujan dari dataran selatan, dan kedalaman curah hujan sebagian besar wilayah di atas 400 mm. Gambar. 2b menunjukkan bahwa

curah hujan tahunan memiliki kecenderungan menurun signifikan (? 15.7 mm / dekade) dalam 51 tahun terakhir. Ada jelas dua musim kering di 1980-1984 dan 1999-2002.

Mengenai parameter permukaan tanah, dalam penelitian ini, data tekstur tanah yang diperoleh dari Shangguan dkk. (2012) yang berisi tekstur dari surficial (0-30 cm) dan mendasari (30-100 cm) lapisan tanah. Penggunaan lahan / data tutupan pada tahun 1985 diperoleh dari Data Center Lingkungan & Ekologi Ilmu West China (EESD) (http://westdc.westgis.ac.cn) (Liu et al., 2005) dan diubah menjadi tutupan lahan jenis yang digunakan dalam CLM 4.0. Perbedaan Normalized Vegetation Index (NDVI) Data yang digunakan langsung untuk menilai dampak kekeringan pada ekosistem darat. Penelitian ini menggunakan GIMMS (Inventarisasi Pemantauan Global dan Studi Modeling) NOAA / AVHRR NDVI dataset download dari EESD (Xu et al., 2014). Dataset NDVI tersedia bulanan 1982-2006 dengan resolusi 8-km.

Gambar. 2c menggambarkan distribusi rata NDVI di baskom. Ini menunjukkan bahwa daerah pegunungan barat laut memiliki NDVI relatif lebih rendah dibandingkan daerah dataran. Mean NDVI tahunan meningkat sebesar 0,01 / dekade seperti yang diilustrasikan pada Gambar. 2d. Namun, ada dua periode di mana NDVI tahunan lebih rendah dari rata-rata, yaitu

1992-1994 dan 1999-2003.

Untuk memverifikasi kelembaban tanah disimulasikan oleh model, 10 hari 50-cm dataset kelembaban tanah (CMA 1993) di 31 China Stasiun Agrometeorological (catatan: berbeda dari stasiun meteorologi, lihat Gambar 1.) Di baskom dikumpulkan . Dataset ini adalah dari NMIC dari CMA, dan tersedia dari Januari 1991 sampai Desember 2010. Data CMA kelembaban tanah diberikan sebagai kelembaban tanah relatif yang didefinisikan sebagai R = h / hf? 100% (CMA, 1993), di mana h

adalah kadar air tanah volumetrik, dan hf adalah kadar air tanah volumetrik pada kapasitas lapangan. Parameter hf diperkirakan sebagai hf = hs (ws / wf) 1 / B diberikan parameter tanah dan air wf =? 33 kPa, yang merupakan parameter yang sama digunakan dalam CLM 4.0. Kami memilih stasiun dengan beberapa data yang hilang dan diubah kelembaban tanah relatif ke kadar air tanah volumetrik untuk memvalidasi kelembaban tanah simulasi oleh CLM 4.0.

3. Metodologi

3.1. Masyarakat Tanah Model dan kelembaban tanah simulasi yang CLM 4.0 (Oleson et al, 2010;.. Lawrence et al, 2011) adalah model ekosistem darat processbased yang mensimulasikan proses

permukaan tanah di bawah berbagai situasi iklim. Highlights dari CLM 4.0 mencakup ekspresi terpadu siklus biogeokimia biofisik dan sebagai bagian penting dalam proses permukaan tanah. Siklus hidrologi di CLM 4.0 meliputi intersepsi kanopi, pergerakan air tanah, salju mencair, proses ET dan sebagainya. Dinamika air tanah model ini berfokus pada infiltrasi, redistribusi air di vertikal

arah, dan drainase sub-permukaan. CLM 4.0 dan versi sebelumnya telah dievaluasi secara luas oleh data yang fluks dan sampel kelembaban tanah (Stockli et al, 2008;. Wang dan Zeng, 2011; Hou et al, 2012.) Dan simulasi telah digunakan dalam berbagai skala studi (Li et al, 2011a;.. Huang et al, 2013; Shi et al, 2013)..

Simulasi dari CLM 4.0 dijalankan 1960-2010 sebesar 0,05? Resolusi (5 km? 5 km kurang-lebih) lebih Haihe basin, dipaksa oleh data iklim historis dan parameter permukaan tanah diperkenalkan dalam Bagian 2.2. Simulasi dijelaskan secara rinci oleh Lei et al. (2014) dan telah divalidasi menggunakan pengamatan yang tersedia,

seperti debit aliran, berbasis penginderaan jauh ET, produksi primer kotor (GPP), indeks luas daun (LAI), dll Penelitian ini menggunakan simulasi kelembaban tanah untuk analisis kekeringan. Rata-rata konten bulanan tanah volumetrik air (cm3 / cm3) dari

atas kedalaman 50 cm (mewakili zona root) untuk setiap CLM 4.0 sel grid dihitung dari Januari 1960 hingga Desember 2010.Based pada kelembaban tanah yang diamati, simulasi CLM 4.0 divalidasi lagi dalam penelitian ini. Gambar. 3a membandingkan kelembaban simulasi dan diamati tanah di 31 stasiun. Umumnya, simulasi

model di Haihe cekungan secara signifikan berkorelasi dengan observasi (koefisien korelasi R = 0,72) dan penyimpangan dalam rentang yang dapat diterima. Seperti yang diilustrasikan pada Gambar. 3b, baik simulasi dan diamati kelembapan tanah memiliki variabilitas yang konsisten, dan kelembaban tanah simulasi menunjukkan variabilitas yang lebih besar dibandingkan dengan yang diamati. Alasan untuk variabilitas yang tinggi ini dari kelembaban tanah simulasi mungkin karena pengurangan defisit kelembaban tanah terutama selama tahun-tahun kekeringan dengan irigasi pertanian, yang tidak dianggap dalam simulasi CLM yang digunakan dalam penelitian ini. Oleh karena itu, variabilitas yang tinggi ini kelembaban tanah mencerminkan kondisi hidrologi alami cukup.

3.2. Perhitungan Tanah Moisture Kekeringan Severity

Kekeringan adalah relatif daripada syarat mutlak, indeks-probabilitas berdasarkan diterapkan untuk evaluasi keparahan kekeringan langsung di berbagai daerah. Fungsi distribusi probabilitas indeks kekeringan dapat diperkirakan oleh setidaknya 20 tahun data. Yang paling banyak digunakan fungsi distribusi probabilitas meliputi distribusi gamma, Pearson Type III distribusi, dan distribusi probabilitas kumulatif empiris (McKee et al, 1993;. Guttman, 1999;. Andreadis et al, 2005).

Empiris fungsi probabilitas kumulatif diterapkan dalam penelitian ini untuk memperkirakan probabilitas (persentil) dari kekeringan kelembaban tanah di setiap bulan dari 51 tahun untuk setiap sel grid, yang dinyatakan sebagai:

P ¼

m

n þ 1? 100% ð1Þ

di mana P adalah persentil kelembaban tanah (SMP) dari sel tertentu dalam satu bulan dari tahun tertentu dalam statistik 51 tahun, m adalah jumlah pangkat nilai kelembaban tanah dari bulan yang sama tahun tertentu dalam 51 tahun time series dalam urutan dari rendah ke tinggi, dan n mengacu pada ukuran sampel yang sama dengan 51 dalam penelitian ini. Dengan demikian nilai P lebih kecil (kelembaban tanah yang lebih rendah) berarti kekeringan lebih parah.

Keparahan kekeringan adalah indeks terpadu dari intensitas dan durasi, dan mengacu pada defisit kumulatif indeks di bawah nilai ambang batas yang diberikan (Yevjevich, 1967; Mishra dan Singh, 2010). Dalam studi ini, kami menggunakan definisi-probabilitas berdasarkan keparahan kekeringan diperkenalkan oleh Andreadis dkk. (2005) yang dinyatakan sebagai:

S ¼ 1?

Xt

i¼1

Pi = t ð2Þ

di mana S adalah Soil Moisture Kekeringan Severity (SMDS), Pi adalah SMP di Persamaan. (1), t adalah langkah waktu dijumlahkan dengan satuan bulan. Secara khusus, jika langkah waktu satu bulan (t = 1), maka SMDS dinyatakan sebagai S = 1? P. Jelas, nilai yang lebih besar dari S mengacu pada dampak yang lebih besar dari kekeringan. Kemudian keparahan kekeringan dinyatakan oleh indeks SMDS di

kisaran 0-1. Untuk kekeringan berkepanjangan regional, analisis skala penuh dari semua

kekeringan sulit untuk dicapai. Penelitian ini hanya memilih kekeringan besar dengan dampak yang signifikan untuk analisis. Metode yang umum adalah untuk menentukan ambang batas indeks kekeringan yang di bawah breakout kekeringan diakui (Dracup et al, 1980;.. Andreadis et al, 2005; Sheffield et al, 2009.). Prediksi Iklim Pusat (BPK) dari NOAA, AS mengkategorikan kekeringan berdasarkan SMP di Persamaan. (1) dalam skema berikut: kekeringan sedang (11-20%), kekeringan parah (6-10%), kekeringan ekstrim (3-5%), dan kekeringan yang luar biasa (0-2%) (US Kekeringan Monitor, 2003 ; Prediksi Iklim Pusat, 2005). Sesuai dengan skema BPK, kita mendefinisikan ambang SMP 20%.

Oleh karena itu, jika SMDS bulanan dari sel grid lebih rendah dari 80%, maka sel ini tidak diidentifikasi sebagai dalam kondisi kekeringan di bulan ini.

3.3. Perhitungan Standar Pengendapan Indeks

Curah hujan adalah indeks utama untuk evaluasi kekeringan, dan pengamatan jangka panjang yang tersedia di sebagian besar wilayah. The Standardized Precipitation Index (SPI) adalah indeks cerdik berdasarkan probabilitas standar untuk mengukur curah hujan defisit (WMO, 2012). Prosedur perhitungan SPI didasarkan pada pengamatan curah hujan jangka panjang. Seri data curah hujan yang pertama dipasang ke distribusi probabilitas yang tepat. Kebalikan fungsi normal kemudian diterapkan pada probabilitas kumulatif, dan hasilnya adalah SPI (Guttman, 1998, 1999). Salah satu kekuatan penting dari SPI adalah distribusi probabilitas normal (lihat Gambar. 4), sehingga baik kekeringan dan kebasahan dapat dibandingkan di berbagai daerah. Nilai numerik dari SPI mengacu standar deviasi diukur curah hujan dari fungsi distribusi probabilitas yang diberikan.

Misalkan x adalah curah hujan bulanan terakumulasi dalam skala waktu penelitian (1 bulan, 3 bulan, 6 bulan, 12 bulan, dll) yang cocok dengan fungsi kepadatan probabilitas gamma g (x) sebagai berikut:

gðxÞ ¼

1

baCðaÞ

? xa 1e x = b; x> 0 ð3aÞ

CðxÞ ¼

Z 1

0

xa? 1e? Xdx ð3bÞ

di mana x adalah jumlah curah hujan, C (x) adalah fungsi Gamma. Dalam pers. (3a) dan (3b), a dan b adalah bentuk dan skala parameter masing-masing, yang dapat diperkirakan dengan metode kemungkinan maksimum (Guttman, 1999; Yuan dan Zhou, 2004; Liu et al, 2012.) Sebagai berikut:

¼

1 þpffi1ffiffiffiþffiffiffiffiffi4ffiffiffiAffiffiffi = ffiffi3ffiffiffi

4A; b ¼

x

a ð4aÞ

Sebuah ¼ lnðxÞ?

PlnðxÞ

n ð4bÞ

di mana n adalah panjang (bulan) dari seri waktu. Maka probabilitas kumulatif curah hujan x dalam skala waktu yang diberikan dinyatakan sebagai:

GðxÞ ¼

Z x

0

gðxÞdx ¼

1

baCðxÞ

Z x

0

xa? 1e? x = BDX ð5Þ

Biarkan t = x / b dan Persamaan. (5) di atas berubah menjadi tidak lengkap

Fungsi Gamma:

GðxÞ ¼

1

CðaÞ

Z x

0

ta? 1e? TDT ð6Þ

Eq. (6) tidak mempertimbangkan situasi ekstrim ketika curah hujan bulanan terakumulasi x = 0 Akibatnya, persamaan kemudian

dimodifikasi dengan H (x):

HðxÞ ¼ q þ D1? qÞGðxÞ ð7Þ

di mana q adalah probabilitas x = 0, yaitu, frekuensi terjadinya x = 0 dalam seri pengamatan secara keseluruhan. Ketika berubah menjadi fungsi distribusi standar normal, SPI dinyatakan sebagai:

SPI ¼

? t? c0þc1þc2t2

1þd1tþd2t2þd3t3

? ?

; t ¼

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

ln 1

HðxÞ2

r? ?

; 0 <HðxÞ? 0: 5

t? c0þc1þc2t2

1þd1tþd2t2þd3t3; t ¼

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

ln 1

D1? HðxÞÞ2

r? ?

; 0: 5 <HðxÞ <1

8 >>> <

>>>:

ð8Þ

dimana konstanta c0 = 2,515517, c1 = 0,802853, c2 = 0,010328, d1 = 1,432788, d2 = 0,189269, d3 = 0,001308.

Distribusi standar memungkinkan SPI untuk menentukan kelangkaan peristiwa kekeringan saat ini (lihat Tabel 1), dan periode pengembalian kekeringan diperkirakan juga (Mishra dan Singh, 2011; WMO, 2012). Untuk membandingkan dengan indeks kekeringan kelembaban tanah

(SMDS), skala waktu SPI terpilih sebagai 3 bulan (dilambangkan sebagai SPI-3) seperti yang disarankan oleh WMO (2012). Selain itu, ambang SPI terpilih sebagai? 0,85, yang merupakan probabilitas kuantil 20% dari distribusi normal standar. Jika SPI bulanan dari sel grid lebih besar dari? 0,85, maka sel tidak diidentifikasi sebagai dalam kondisi kekeringan. Batas ini membuat keparahan kekeringan berasal dari SPI dibandingkan dengan yang dari SMDS di bawah skema BPK.

3.4. Anomali Perbedaan Normalized Vegetation Index

Seperti yang ditunjukkan pada Gambar. 2, NDVI tahunan memiliki trend peningkatan yang signifikan yang dapat disebabkan oleh ekspansi irigasi pertanian di daerah dataran dan praktek konservasi tanah-air di daerah pegunungan. Dalam rangka untuk menggambarkan dampak kekeringan pada ekosistem darat, penelitian ini memperkenalkan Anomali Perbedaan Normalized Vegetation Index (A-NDVI). Meteorologically, istilah '' anomali '' berarti penyimpangan antara nilai yang diamati dan tingkat normal, dan rata-rata jangka panjang biasanya digunakan sebagai tingkat normal. Dalam studi ini, kita mendefinisikan tingkat normal seperti yang diwakili

oleh garis tren linear dari NDVI di masa studi. Dengan demikian, A-NDVI didefinisikan sebagai:

A-NDVIðxÞ ¼ NDVIðxÞ-T-NDVIðxÞ ð9Þ

dimana NDVI (x) adalah NDVI rata-rata tahunan dari cekungan pada tahun x, dan T-NDVI (x) adalah nilai NDVI diperoleh dari garis tren dari NDVI sesuai dengan tahun x. Penelitian ini menggunakan tren linear dipasang sebagai diilustrasikan pada Gambar. 2d. Nilai-nilai positif dari A-NDVI menyiratkan bahwa vegetasi tumbuh lebih baik dari tingkat normal, dan sebaliknya.

Dibandingkan dengan NDVI anomali digunakan dalam penelitian sebelumnya (Anyamba et al., 2001), keuntungan utama dari A-NDVI digunakan dalam penelitian ini adalah bahwa hal itu menghilangkan komponen tren yang disebabkan oleh perubahan nonstationary. The NDVI anomali dari garis tren mencerminkan dampak kekeringan yang lebih baik, daripada anomali NDVI dari jangka panjang rata garis tidak.

4. Hasil

4.1. Tren kekeringan di 51 tahun terakhir Berdasarkan ambang batas yang diberikan (SMDS> 0,80, SPI-3 <? 0,85) untuk indeks kekeringan bulanan, sel-sel jaringan dalam kondisi kekeringan diidentifikasi, dan daerah-daerah yang terkena dampak kekeringan dihitung. Rata-rata musiman dan tahunan dihitung dari daerah yang terkena kekeringan di setiap bulan. Luas rata-rata musiman adalah nilai rata-rata daerah yang terkena dampak kekeringan 3- bulan: musim dingin dari Desember sampai Februari, musim semi dari Maret sampai Mei, musim panas dari bulan Juni sampai Agustus, dan

musim gugur dari bulan September sampai November. Gambar. 5 menggambarkan variasi interannual daerah terkena dampak kekeringan. Uji Mann-Kendall trend (Mann, 1945; Kendall, 1975) digunakan untuk mendeteksi tren kekeringan daerah yang terkena dampak dalam 51 tahun terakhir.

Daerah tahunan kekeringan dipengaruhi memiliki kecenderungan meningkat dengan tingkat signifikansi 0,05 berdasarkan indeks SMDS. Secara khusus, daerah yang terkena kekeringan meningkat secara dramatis setelah tahun 1980. Tren peningkatan ini konsisten dengan hasil yang diberikan oleh beberapa

penelitian skala besar di Cina (Sheffield dan Wood, 2008; Wang et al, 2011.). Secara khusus, kekeringan yang terjadi pada tahun 1965 adalah yang paling luas di tahun 1960-an, dan mempengaruhi hampir 30% dari luas DAS secara keseluruhan. Pada 1970-an, kekeringan yang terkena persentil daerah yang seragam di bawah 20%. Tahun-tahun setelah 1980 dengan daerah yang terkena lebih dari 30% adalah 1980, 1981, 1984, 1992, 1997, 1999, 2000, 2002, 2006 dan 2009. Secara khusus, kekeringan 1.999 menonjol dengan daerah terbesar dalam 51 tahun terakhir.

Daerah terkena dampak kekeringan di setiap musim juga ditunjukkan pada Gambar. 5. daerah Berdasarkan SMDS, kekeringan yang terkena dampak di musim dingin dan musim semi memiliki trend peningkatan yang signifikan dengan tingkat signifikansi 0,05. Membandingkan daerah terkena dampak kekeringan tahunan dan musiman, jelas bahwa sebagian besar kekeringan skala besar terjadi di

musim dingin, musim semi dan musim panas, seperti kekeringan yang terjadi pada tahun 1981, 1992, 1999-2000 dan 2006.

Gambar. 5 juga membandingkan daerah kekeringan terpengaruh berdasarkan SPI dengan yang SMDS. Secara umum, kedua indeks menunjukkan hasil yang sama.

Misalnya, kekeringan daerah yang terkena terbesar di awal 2000-an, dan setelah 1980 tahun kekeringan utama (dalam hal kekeringan daerah yang terkena) adalah 1984, 1999, dan 2006. Namun, perbedaan jelas adalah bahwa tren SPI yang kekeringan daerah yang terkena berbasis non-signifikan. Selain itu, periode 1960-an kekeringan berasal dari

SPI menonjol dengan daerah yang terkena lebih besar dari SMDS, khususnya pada tahun 1965 dan 1968. Satu penjelasan yang mungkin adalah pengaruh air tanah, karena tingkat air tanah di Dataran Cina Utara jauh lebih dangkal pada tahun 1960 dibandingkan setelah tahun 1980-an. Dengan demikian defisit curah hujan tidak menyebabkan kekeringan kelembaban tanah berskala pada tahun 1960.

4.2. Pola spasial dari kekeringan

Distribusi spasial dari beberapa kekeringan khas berasal dari SMDS dan SPI diilustrasikan dalam Gambar. 6 dan 7 untuk tiga kekeringan khas yang terjadi pada tahun 1965, 1981 dan 1999. gelap warna di peta mengacu relatif intensitas kekeringan lebih tinggi. Seperti yang diilustrasikan pada Gambar. 6, kekeringan pada bulan Agustus 1965 terutama terkonsentrasi di bagian barat cekungan sedangkan kekeringan di April 1981 terjadi di bagian utara dan bagian selatan cekungan. Kekeringan pada bulan Agustus 1999 adalah salah satu yang paling luas ruang, dan terkonsentrasi di bagian tenggara cekungan. Gambar. 6 juga menunjukkan daerah yang terkena kekeringan pertanian (menggunakan SMDS) baik di dataran dan di pegunungan. Hal ini dapat dilihat bahwa kekeringan di daerah pegunungan (utara dan barat bagian dari DAS) telah menunjukkan tren menurun secara bertahap sejak 1980-an, dengan daerah yang terkena terbesar pada tahun 1981 mencakup lebih dari 60% dari seluruh daerah pegunungan. Sebaliknya, kekeringan di wilayah dataran (bagian selatan dan timur) menyajikan kecenderungan meningkat dalam 30 tahun terakhir, dan daerah terbesar berhubungan dengan dua kekeringan pada

tahun 1999-2000 dan 2002, yang meliputi hampir 80% dari seluruh daerah dataran . Selama periode 1990-2005, kekeringan yang terkena wilayah yang lebih luas di dataran daripada di gunung, terutama untuk kekeringan di fitur spasial 1998, 2000 dan 2002. Kekeringan yang berasal dari SPI ditunjukkan pada Gambar. 7. Mereka umumnya menunjukkan kesepakatan yang baik dengan orang-orang yang berasal dari SMDS. Namun, perbedaan yang paling penting adalah bahwa kekeringan yang berasal dari SPI pada tahun 1960 meliputi daerah yang relatif lebih besar (meliputi hampir 50% dari basin) daripada yang berasal dari SMDS. Selain itu, kekeringan di April 1981 meliputi area yang lebih kecil (30% dari basin) oleh SPI dari itu oleh SMDS dan hanya mempengaruhi bagian selatan cekungan, sedangkan 1972 terkena dampak kekeringan daerah meningkat dari 20% oleh SMDS untuk sekitar 40% oleh SPI.

4.3. Karakteristik peristiwa kekeringan parah

Untuk analisis lebih lanjut, beberapa peristiwa kekeringan parah yang dipilih di bagian berikut dengan jangka waktu yang panjang dan daerah yang terkena dampak besar. Serupa dengan keparahan-daerah-durasi (SAD) analisis diusulkan oleh Andreadis dkk. (2005), kami menganalisis perubahan peristiwa kekeringan dalam ruang dan waktu selama 51 tahun terakhir. Untuk data preprocessing, tingkat keparahan kekeringan bulanan pertama merapikan oleh 3? 3 bergerak median filter. Proses smoothing digunakan untuk menyaring nilai normal, sebagai karakteristik spasial yang menonjol dari acara kekeringan adalah kedekatan luasnya (Andreadis et al., 2005). Kemudian, berdasarkan algoritma clustering, peristiwa kekeringan utama diidentifikasi oleh konektivitas sementara mereka dari kekeringan bulanan. Ambang batas untuk kekeringan yang terkena daerah dan durasi diberikan untuk menjaga peristiwa kekeringan yang parah saja. Dalam studi ini, kekeringan skala besar peristiwa didefinisikan sebagai awal daerah yang terkena kekeringan yang lebih besar dari 20.000 km2 (atau 6,3% dari seluruh daerah cekungan) dan jangka waktu lebih dari 3 bulan. Berdasarkan ambang ini, jumlah total 36 kejadian kekeringan parah yang berasal dari SMDS dan

41 peristiwa dari SPI. Tabel 2 berisi daftar top 15 peristiwa kekeringan parah oleh durasi dan tingkat spasial, berdasarkan pada dua indeks kekeringan peringkat. Dalam tabel ini, jumlah daerah yang terkena berarti daerah yang terkena bulanan gabungan di acara kekeringan, dan maksimum daerah yang terkena mengacu pada daerah yang terkena terbesar di kekeringan tertentu

acara. Durasi dan daerah yang terkena dampak keseluruhan dari peristiwa kekeringan diidentifikasi ditunjukkan pada Gambar. 8, dalam urutan tanggal terjadi mereka. Adapun peristiwa kekeringan yang berasal dari SMDS, baik durasi dan total luas yang terkena meningkat di masa lalu

51 tahun. Durasi terpanjang adalah dari September 2005 sampai Maret 2008 (31 bulan total, acara 34 # pada Gambar. 8a dan Tabel 2). Kekeringan ini terutama terjadi di bagian utara dan tengah, dan pindah ke selatan berakhir di musim semi tahun 2008,

dengan total luas 315.700 km2 yang terkena (meliputi 99% dari luas DAS seluruh). Kekeringan luas areal yang paling adalah acara 30 #, yang terjadi dari Agustus 1998 sampai Juli 2000 (24 bulan total) dengan total daerah yang terkena 317.400 km2 (hampir

meliputi daerah cekungan seluruh). Selain itu, peristiwa terjadi di 1965-1966 (event 4 #) dan 1980-1982 (event 14 #) menonjol di dekade masing-masing dalam hal durasi dan daerah yang terkena.

Karakteristik peristiwa kekeringan diidentifikasi oleh SPI diilustrasikan pada Gambar. 8b. Sebaliknya, peristiwa kekeringan ini memiliki jangka waktu yang lebih pendek namun daerah yang terkena dampak besar dari mereka didasarkan pada SMDS ditunjukkan pada Gambar. 8a. Durasi terpanjang hanya 16 bulan dari

November 2005 sampai Februari 2007 (acara 37 #, juga lihat Tabel 2).

Adapun batas spasial, total rata-rata daerah yang terkena untuk total 41 kejadian kekeringan meteorologi adalah 259.300 km2 (81% dari luas DAS), sedangkan luas rata-rata 36 kejadian kekeringan pertanian adalah 209.900 km2 (66% dari luas DAS). Daerah apalagi, total rata-rata yang terkena top-sepuluh kekeringan meteorologi yang luas

berdasarkan SPI adalah 317.100 km2, yang juga lebih besar dari total daerah yang terkena rata-rata 301.300 km2 berdasarkan SMDS. Durasi pendek peristiwa kekeringan berdasarkan SPI dapat dijelaskan oleh gangguan periode basah pendek (misalnya Maret-Mei tahun 2007). Periode ini basah singkat efektif untuk meredam meteorologi

keparahan kekeringan, tetapi tidak relatif berpengaruh untuk meringankan kekeringan kelembaban tanah. Sementara, penjelasan yang mungkin untuk daerah yang terkena dampak kecil dari kekeringan pertanian berdasarkan SMDS adalah bahwa cekungan ini memiliki konektivitas spasial kuat dalam hidrologi daripada di

meteorologi.

5. Diskusi

5.1. Hubungan antara durasi kekeringan dan daerah yang terkena Gambar. 9 menggambarkan hubungan antara durasi kekeringan dan total daerah yang terkena. Setiap tempat mengacu pada acara kekeringan berasal dari SMDS atau SPI sebagai diplot pada Gambar. 8. Untuk mengidentifikasi decadal

variasi, peristiwa kekeringan yang berkerumun ke setiap dekade dan diwakili oleh spidol yang berbeda. Sebar dari SMDS menunjukkan bahwa peristiwa kekeringan di tahun 1980-an, 1990-an dan 2000-an umumnya memiliki jangka waktu yang lebih lama dan daerah lebih besar dari peristiwa pada tahun 1960 dan 1970-an. Secara khusus, acara 34 # (September 2005-Maret 2008) menonjol dengan batas spasial dan temporal terbesar di antara semua peristiwa. Hubungan durasi-daerah ini kemudian dilengkapi dengan fungsi eksponensial, dengan koefisien korelasi R = 0,79 untuk acara kekeringan SMDS. Untuk peristiwa durasi pendek (3-5 bulan), plot menunjukkan berbagai luas dipengaruhi dari 37.400 km2 ke 272,000 km2. Ketika meningkat durasi (lebih dari 10 bulan), bintik-bintik cenderung untuk berkumpul lebih baik untuk dipasang

kurva, terutama untuk acara yang sangat jangka panjang. Adapun sebar SPI pada Gambar. 9, kiri dan batas atas pada awan poin yang jelas, yang karena durasi pendek dan jumlah daerah yang terkena lebih besar dari peristiwa kekeringan meteorologi. Dengan demikian, hubungan durasi-daerah dilengkapi dengan fungsi eksponensial memiliki konvergensi yang relatif lebih rendah dari SMDS, dengan koefisien korelasi R = 0,65.

Berdasarkan fungsi durasi-daerah pas empiris peristiwa kekeringan dalam 51 tahun terakhir, total daerah yang terkena durasi kekeringan yang diberikan dapat diperkirakan sekitar. Oleh karena itu, kurva hubungan durasi-daerah pada Gambar. 9 tidak hanya menggambarkan

hubungan antara karakteristik temporal dan spasial peristiwa kekeringan, tetapi juga menyediakan metode empiris untuk penilaian dampak kekeringan. Ini bisa menjadi pelengkap hubungan antara durasi dan intensitas kekeringan yang diusulkan

oleh penelitian sebelumnya (Sheffield dan Wood, 2007).

5.2. Dampak kekeringan pada vegetasi

Seperti yang diperkenalkan dalam Bagian 2.2, NDVI tahunan Haihe cekungan meningkat sebesar 0,01 per dekade 1982-2006 (lihat Gambar. 2d). Kecenderungan meningkat ini sesuai dengan kondisi yang dilaporkan oleh penelitian sebelumnya di kawasan yang sama (Zhang et al, 2013.;

Piao et al., 2010). Di bawah peningkatan latar belakang ini, ada dua periode menurun jelas NDVI, yaitu 1992-1994 dan 1999-2003, yang konsisten dengan periode penurunan kelembaban tanah seperti yang ditunjukkan pada Gambar. 3b dan dengan periode kekeringan

pada Gambar. 5. Selanjutnya, kekeringan terjadi pada tahun 1992, 1999 dan 2002 adalah salah satu peristiwa yang paling luar biasa dalam 20 tahun terakhir lebih dari Cina Utara, baik dalam durasi dan tingkat spasial (Tabel 2). Akibatnya dampak kekeringan pada vegetasi berlangsung

beberapa tahun setelah masa kekeringan berakhir. Secara khusus, acara kekeringan 1999-2000 adalah yang paling parah di masa studi, dan itu menyebabkan NDVI terus rendah selama lima tahun 1999-2003 (lihat Gambar. 2d). Kami selanjutnya dianalisis korelasi antara indeks kekeringan dan indeks vegetasi untuk membahas dampak kekeringan pada vegetasi. Berdasarkan nilai grid masing-masing indeks, nilai rata-rata daerah

dihitung sebagai rata-rata areal. Tahunan rata SMDS / SPI diplot bersama-sama dengan A-NDVI, seperti ditunjukkan pada Gambar. 10. Nilai indeks lebih rendah dari SMDS mengacu pada periode basah, sedangkan nilai negatif dari SPI atau A-NDVI mencerminkan periode kekeringan. Analisis korelasi menunjukkan bahwa kedua indeks kekeringan yang linear-berkorelasi dengan A-NDVI pada tingkat signifikansi 0,05. Koefisien korelasi antara SMDS rata-rata tahunan areal dan A-NDVI adalah 0,54, dan 0,44 antara SPI dan A-NDVI. Sementara itu, korelasi antara NDVI anomali dan indeks kekeringan

lebih baik untuk daerah pegunungan daripada untuk daerah dataran. Umumnya, perbandingan antara SMDS dan SPI menunjukkan bahwa, dalam pandangan pengaruh kekeringan pada vegetasi, SMDS merupakan indeks kekeringan yang lebih baik.

6. Kesimpulan

Indeks Meteorologi dan kelembaban tanah kekeringan dihitung dengan pengamatan curah hujan terus menerus dan atas 50-cm kelembaban tanah disimulasikan oleh CLM 4.0 di 0.05? resolusi spasial. Karakteristik temporal dan spasial dari kekeringan di Haihe

cekungan selama 51 tahun terakhir dianalisis menggunakan dua indeks kekeringan probabilitas berbasis (yaitu, SMDS dan SPI). Perbedaan antara dua indeks tersebut dibandingkan dan dampak kekeringan pada vegetasi yang dibahas. Berdasarkan hasil penelitian ini, kesimpulan berikut dapat dibuat. (1) Ada peningkatan tren yang signifikan di daerah yang terkena dampak kekeringan di Haihe cekungan selama lima dekade terakhir, terutama setelah 1980. Kekeringan terjadi di awal 2000-an adalah salah satu yang paling luas dan duratif sejak 1960-an. Daerah dataran dengan padat penduduk dan lahan pertanian mengalami kekeringan lebih parah dalam 30 tahun terakhir, dan kekeringan terjadi pada tahun 1998, 2000 dan 2002 daerah yang lebih besar terkena di dataran daripada di daerah pegunungan. Kekeringan berasal dari SMDS dan SPI umumnya konsisten. Tapi untuk kekeringan terjadi pada tahun 1960, batas spasial yang diperoleh SPI jauh lebih besar dari itu oleh SMDS, yang menyiratkan bahwa kekurangan curah hujan tidak pasti menyebabkan kekeringan skala besar,

karena kondisi air tanah dapat mempengaruhi kekeringan. (2) Analisis Perbandingan antara SMDS dan SPI menunjukkan bahwa peristiwa kekeringan meteorologi umumnya memiliki durasi yang lebih pendek namun daerah yang terkena lebih besar dari acara kekeringan kelembaban tanah, dan ini dapat dijelaskan oleh perbedaan dalam konektivitas spasial baik meteorologi dan hidrologi di baskom. Berdasarkan peristiwa kekeringan diidentifikasi (36 peristiwa oleh SMDS

dan 41 peristiwa oleh SPI), dapat disimpulkan bahwa daerah yang terkena kekeringan secara eksponensial meningkat dengan durasi kekeringan, dan fungsi eksponensial dipasang memiliki koefisien korelasi dapat diterima. Kurva hubungan durasi-daerah ini juga dapat

digunakan untuk memperkirakan total potensi daerah yang terkena untuk acara kekeringan terjadi di cekungan ini. (3) Mean NDVI tahunan meningkat sejak 1980-an di Haihe baskom, namun, beberapa kekeringan parah memiliki dampak serius pada pertumbuhan vegetasi, yang ditandai dengan dua penurunan besar dari NDVI di 1992-1994 dan 1999-2003.

Hal ini sesuai baik dengan defisit kelembaban tanah serta periode kekeringan diidentifikasi. (4) Dua indeks kekeringan (yaitu, SMDS dan SPI) dibandingkan dalam pandangan hubungan mereka dengan NDVI, dan hasil menunjukkan bahwa indeks kekeringan berbasis tanah-air (SMDS) lebih cocok untuk mencerminkan kondisi kekeringan sebenarnya terestrial

ekosistem. Penelitian ini menggunakan air tanah dari 50-cm disimulasikan oleh model permukaan tanah (CLM 4.0) untuk menghitung indeks kekeringan SMDS, yang dapat memperkenalkan ketidakpastian untuk analisis sampai batas tertentu. Selain itu, aktivitas manusia di atas air dan pengembangan lahan tidak termasuk dalam model simulasi, sehingga situasi kekeringan disimulasikan oleh model lebih seperti situasi alami. Selain itu, dampak kekeringan pada vegetasi harus mempertimbangkan fenologi vegetasi yang dinamis dan membandingkan indeks kekeringan dengan rata NDVI bulanan atau musiman. Penelitian lebih lanjut

harus dilakukan di masa depan.