欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 2: 117 - 131

DOI: https://doi.org/10.12133/j.smartag.SA202502005

专题--粮食生产大数据平台研发与应用

基于TVDI结合ICEEMDAN-ARIMA模型的干旱区灌区农业旱情监测

  • 韦余鑫 1, 2 ,
  • 李巧 , 1, 2 ,
  • 陶洪飞 1, 2 ,
  • 卢春雷 3 ,
  • 罗旭 4 ,
  • 马合木江·艾合买提 1, 2 ,
  • 姜有为 1, 2
展开
  • 1. 新疆农业大学 水利与土木工程学院，新疆 乌鲁木齐 830052，中国
  • 2. 新疆水利工程安全与水灾害防治重点实验室，新疆 乌鲁木齐 830052，中国
  • 3. 昌吉市水利管理站（三屯河流域管理处），新疆 昌吉 831100，中国
  • 4. 新疆水利水电科学研究院，新疆 乌鲁木齐 830052，中国
李 巧，教授，博士，研究方向为水环境保护研究。E-mail：

韦余鑫，硕士研究生，研究方向为水环境保护研究。E-mail：

收稿日期: 2025-01-27

  网络出版日期: 2025-04-30

基金资助

新疆维吾尔自治区重大专项(2023A02002-1)

国家自然科学基金项目(41762018)

收起

Agricultural Drought Monitoring in Arid Irrigated Areas Based on TVDI Combined with ICEEMDAN-ARIMA Model

  • WEI Yuxin 1, 2 ,
  • LI Qiao , 1, 2 ,
  • TAO Hongfei 1, 2 ,
  • LU Chunlei 3 ,
  • LUO Xu 4 ,
  • MAHEMUJIANG Aihemaiti 1, 2 ,
  • JIANG Youwei 1, 2
Expand
  • 1. College of Hydraulic and Civil Engineering, Xinjiang Agricultural University, Urumqi 830052, China
  • 2. Xinjiang Key Laboratory of Hydraulic Engineering Security and Water Disasters Prevention, Urumqi 830052, China
  • 3. Changji Water Conservancy Management Station (Santun River Basin Management Office), Changji 831100, China
  • 4. Xinjiang Research Institute of Water Resources and Hydropower, Urumqi 830052, China
LI Qiao, E-mail:

WEI Yuxin, E-mail:

Received date: 2025-01-27

  Online published: 2025-04-30

Supported by

Major Project of Xinjiang Uygur Autonomous Region(2023A02002-1)

National Natural Science Foundation of China(41762018)

Copyright

copyright©2025 by the authors
Fold

摘要

【目的/意义】 为明晰干旱区灌区旱情特征及变化趋势，提高灌区水资源利用效率，促进农业可持续发展。 【方法】 以新疆三屯河灌区（干旱区灌区）为例，以实测灌区土壤墒情为依据，对温度植被干旱指数（Temperature Vegetation Dryness Index, TVDI）和条件植被温度指数（Vegetation Temperature Condition Index, VTCI）的干旱监测效果进行适用性评价，借助Theil-Sen+Mann-Kendall趋势分析等方法探究研究区2005—2022年干旱时空分布特征及变化趋势，构建ICEEMDAN-ARIMA（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Autoregressive Integrated Moving Average Model）组合模型预测2023年研究区春夏秋三季的干旱状况。 【结果和讨论】 TVDI监测效果较好，其与实测土壤墒情有更好的相关性（R2为0.57）；灌区旱情整体呈缓慢增加的趋势，TVDI增长速率为0.01/10 a，且具有较强的空间异质性，表现为灌区南部、西南部地区低于北部、东北部地区的空间分布特征；2005—2022年研究区干旱空间变化趋势中极显著缓解、显著缓解、轻微缓解、极显著变旱、显著变旱和轻微变旱面积占比分别为0.73%、1.78%、24.31%、5.33%、9.43%和58.42%，其中轻微变旱和轻微缓解面积占比最大，占研究区总面积的82.73%；ICEEMDAN-ARIMA组合模型在预测2023年灌区干旱情况时取得良好效果，R2均值达0.962。 【结论】 研究结果系统展示了长时序下新疆三屯河灌区农业旱情变化特征，揭示了ICEEMDAN-ARIMA组合模型在农业旱情预测研究中具备良好的预测精度，可为干旱区灌区干旱预警预报体系建设、水资源管理和农业可持续发展提供重要的借鉴与参考。

关键词： 农业干旱; 温度植被干旱指数; Theil-Sen+Mann-Kendall; ICEEMDAN-ARIMA; 干旱预测

本文引用格式

韦余鑫 , 李巧 , 陶洪飞 , 卢春雷 , 罗旭 , 马合木江·艾合买提 , 姜有为 . 基于TVDI结合ICEEMDAN-ARIMA模型的干旱区灌区农业旱情监测[J]. 智慧农业, 2025 , 7(2) : 117 -131 . DOI: 10.12133/j.smartag.SA202502005

Abstract

[Objective] Drought, one of the most frequent natural disasters globally, is characterized by its extensive impact area, prolonged duration, and significant harm. Large scale irrigation areas, as important pillars of China's agricultural economy, often have their benefits severely restricted by drought disasters. Therefore, quickly and accurately grasping the regional drought situation is of great significance. It can not only effectively improve the utilization efficiency of water resources and reduce agricultural production losses but also promote the sustainable development of regional agriculture. [Methods] The Santun river irrigation area in Xinjiang, an arid - zone irrigation area, was taken as an research object. Based on Landsat TM/ETM+/OLI_TIRS series data, the temperature vegetation drought index (TVDI) and the vegetation temperature condition index (VTCI) were calculated. Using in situ the soil water content of the 0－10 cm soil layer in the study area measured by the Smart Soil Moisture Monitor, an applicability analysis of the drought monitoring effects of TVDI and VTCI was carried out to select the remote sensing monitoring index suitable for drought research in the study area. Based on the selected drought monitoring index, methods such as linear trend analysis and Theil - Sen + Mann - Kendall trend test were used to explore the temporal and spatial distribution characteristics and change trends of drought in the study area from 2005 to 2022. Meanwhile, with the help of machine learning algorithms, an ICEEMDAN - ARIMA combined model was constructed to predict the drought situation in the study area in spring, summer, and autumn of 2023. The prediction performance of the ICEEMDAN - ARIMA combined model was evaluated using root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R2). [Results and Discussions] The research results show that there were varying degrees of linear correlations between the two drought indices, TVDI and VTCI, inverted from remote sensing data, and the soil water content of the 0－10 cm surface soil layer in the Santun river irrigation area of Xinjiang. The coefficient of determination between TVDI and the measured soil water content was greater than 0.51 in all periods, with an overall fitting coefficient of 0.57, and the slopes of the fitting equations were all negative, indicating a significant negative correlation. In contrast, the highest coefficient of determination of VTCI was only 0.33, and its overall monitoring effect was significantly weaker than that of TVDI. In terms of temporal and spatial distribution, the drought situation in the study area showed a slow-increasing trend from 2005 to 2022. The growth rate of TVDI was 0.01/10 a, and it had strong spatial heterogeneity, specifically manifested as the spatial distribution characteristic that the southern and southwestern regions of the irrigation area were drier than the northern and northeastern regions. The results of the drought trend analysis indicated that from 2005 to 2022, the distribution of Sen change rate data in the study area conforms to the normal distribution (P < 0.01), and the Sen slopes of more than 72.83% of the regions were greater than zero. At the same time, according to the classification criteria of the Sen + Mann - Kendall trend test, six types of drought change trends were divided. The area proportions of the extremely significant mitigation, significant mitigation, slight mitigation, extremely significant drying, significant drying, and slight drying categories were 0.73%, 1.78%, 24.31%, 5.33%, 9.43%, and 58.42%, respectively. The area proportions of the slight drying and slight mitigation categories were the largest, accounting for a total of 82.73% of the total area of the study area. The ICEEMDAN - ARIMA combined model constructed with the help of machine learning algorithms achieved good results in predicting the drought situation in the study area in 2023. The average value of R2 reached 0.962, demonstrating high robustness and good prediction performance. [Conclusions] The research results systematically characterizes the characteristics of agricultural drought changes in the Santun river irrigation area of Xinjiang over a long - time series, and reveals that the ICEEMDAN - ARIMA combined model has good prediction accuracy in agricultural drought prediction research. This study can provide important references for the construction of drought early warning and forecasting systems, water resource management, and the sustainable development of agriculture in arid-zone irrigation areas.

Key words： agricultural drought; TVDI; Theil-Sen+Mann-Kendall; ICEEMDAN-ARIMA; drought prediction

0 引 言

随着全球气候变暖，干旱所带来的影响日益显著，旱灾已成为限制农业发展的主要因素［1］，在此现状下，利用遥感数据进行干旱相关研究已经在全球范围内展开。美国、澳大利亚和英国等国家早在70多年前便开始针对旱灾特征和成因进行研究并取得成功［2-4］；从20世纪中期开始，中国气象局兰州干旱气象研究所和中国科学院西北生态环境资源研究院等诸多研究机构相继成立，并在甘肃、新疆、宁夏、河南、河北、内蒙古、辽宁、青海等地区的研究取得了诸多成果［5-7］。因此，在中国开展干旱特征分析及预测研究，迅速且精准地把握区域旱情状况，可有效提高水资源利用效率，减小农业生产损失，对促进农业可持续发展具有重要意义。
传统干旱监测方法主要依赖于气象站与水文观测站的离散数据，通过采集特定点位的土壤水分信息，以点代面来评估并反映区域尺度的干旱状况［8］。常见的气象监测指标有：帕默尔干旱指数（Palmer Drought Severity Index, PDSI）、标准化降水指数（Standardized Precipitation Index, SPI）和标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index, SPEI）等。然而，受全球气候系统影响，不同干旱指数评估结果呈现显著的区域分异特征，并且在构建原理和应用场景方面存在一定局限性［9, 10］。其中，PDSI在多尺度干旱特征刻画方面存在局限性［11］；SPI仅基于降水数据构建，未能综合考虑蒸散发等关键环境变量［12］；SPEI虽引入水平衡模型，但未充分纳入土壤水分等要素［13］。
随着遥感技术的发展，遥感多光谱信息可为陆表过程研究提供多种时空尺度的植被信息及地表温度信息［14］。常见的遥感监测指标有：温度植被干旱指数（Temperature Vegetation Dryness Index, TVDI）、植被供水指数（Vegetation Supply Water Index, VSWI）、归一化植被指数（Normalized Difference Vegetation Index, NDVI）和条件植被温度指数（Vegetation Temperature Condition Index, VTCI）等。目前已有诸多学者利用遥感技术进行区域旱情监测研究。Zhao等［15］基于遥感数据结合SPEI监测华北平原干旱情况，结果表明整合遥感数据可以提高SPEI农业干旱监测的准确性。朱欣然等［16］运用地理加权回归模型（Geographically Weighted Regression, GWR）综合多种遥感监测指标对美国大陆2002—2011年旱情进行监测，结果表明GER模型综合遥感监测指标后的监测结果与美国干旱监测周报（U.S Drought Monitor, USDM）验证数据较为吻合。Tian和Zhu［17］以NDVI为自变量，分析了河南省农业干旱的时空演变特征，结果显示河南省西南部地区农业干旱发生率较高，中部和北部地区作物抽穗期干旱发生率较低。王鹏新等［18］基于VTCI，结合机器学习构建组合模型，估测了关中平原冬小麦产量。结果表明VTCI能有效捕捉冬小麦生长期干旱情况，3月下旬至5月上旬是冬小麦生长的关键时期。周孝明等［19］基于TVDI，分析了吐鲁番市近20年干旱时空变化等特征与演变规律，结果表明研究区TVDI空间分布区域特征显著，年际呈增加趋势，月际有季节差异，潜在蒸散发等是影响干旱变化的关键因素。
区域性干旱灾害的精准预报一直是国内外学者研究的重难点，常见的预测方法有：马尔可夫链、神经网络模型和自回归差分移动平均模型（Autoregressive Integrated Moving Average Model, ARIMA）等。其中，ARIMA模型作为时间序列分析领域中的核心方法之一，应用范围极为广泛，并且跨越了众多行业与领域［20］。宋廷强等［21］基于作物缺水指数（Crop Water Stress Index, CWSI）结合机器学习算法构建综合干旱监测模型分析了山东省2000—2019年作物生长季干旱情况，结果表明加入CWSI后，预测模型可准确反映山东省典型干旱年的干旱情况。Myronidis等［22］以径流干旱指数（Streamflow Drought Index, SDI）作为预测数据，运用ARIMA模型对区域干旱进行预测，结果显示研究区干旱随着时间的推移而加剧。杨慧荣等［23］利用ARIMA模型和人工神经网络（Artificial Neural Network, ANN）模型开展了三江平原干旱预测研究，结果显示ARIMA模型和ANN模型的预测能力均随时间尺度的增加而逐渐提高。然而，单一模型进行预测研究时，经常容易陷入局部最优解的困境。加之时间序列数据常展现出非平稳与非线性的特性，所以仅依靠单一模型进行干旱预测，很难达到理想的精确性。随着人工智能的发展，干旱预测研究逐渐倾向于利用信号分解技术，将原始数据分解为多尺度、平稳的模态分量，以提升预测模型的效能和准确性［24］。信号分解算法有：经验模态分解（Empirical Mode Decomposition, EMD）、集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）和改进的完全自适应噪声集合经验模态分解（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN）等。相关学者也做了部分研究，Xu等［25］以宁夏回族自治区为例，分析了CEEMD-ARIMA模型在干旱预测研究中的适用性，结果表明CEEMD-ARIMA模型的预测结果优于单一模型。Shahbazi等［26］利用重力恢复和气候实验（Gravity Recovery and Climate Experiment, GRACE）卫星数据，将集合经验模态分解算法（Complete Ensemble Empirical Mode Decomposition, CEEMD）结合卷积神经网络模型（Convolutional Neural Network, CNN）预测了伊朗法尔斯省地下水位，该方法可以在最短的时间内以最低的成本对地下水进行精准预测。丁严等［27］借助CEEMD结合 长短期记忆（Long Short-Term Memory, LSTM）、ARIMA模型，评价了组合模型在新疆干旱预测研究中的适用性，结果表明CEEMD能够有效平稳时间序列，组合模型相较单一模型更适用于干旱预测研究。Zhang等［28］构建CEEMD-LSTM耦合模型对郑州市的月降水量做了预测，展示了组合模型在区域降水预测的水文因子模拟中强大的非线性和复杂过程学习能力。随着机器学习技术的快速发展，信号分解算法也在不断更新迭代。其中，ICEEMDAN算法相较于EEMD、CEEMD等传统算法，在信号分解上具有显著优势［29, 30］。然而，当前干旱预测研究领域中，仍主要依赖于EEMD、CEEMD等算法。这些方法在处理复杂数据时，往往表现出模型灵活性不足、泛化能力有限，以及对非线性关系处理能力有局限性等问题。因此，亟需引入更为先进的信号分解技术，如ICEEMDAN算法，以进一步提升干旱预测的准确性和可靠性。灌区作为农业经济的重要支撑，干旱灾害对其影响尤为显著，严重阻碍了农业经济的可持续发展和效益的最大化。
鉴于此，本研究以新疆三屯河灌区为例，基于2005—2022年Landsat系列遥感影像计算两种遥感干旱监测指数（TVDI、VTCI），以灌区实测土壤水分为依据对其干旱监测效果进行适用性评价，结合线性趋势分析、Theil-Sen+Mann-Kendall趋势检验等方法，分析新疆三屯河灌区干旱时空分布特征及变化趋势。基于机器学习算法，构建ICEEMDAN-ARIMA组合模型，预测2023年三屯河灌区春季、夏季和秋季干旱状况，并评估模型预测性能，以期为新疆三屯河灌区和相似地区干旱预警系统建设、水资源合理调配、科学防旱抗旱，以及农业可持续发展提供决策依据。

1 材料与方法

1.1　研究区概况

新疆三屯河灌区（86°24'—87°37'E，43°26'—45°20'N）位于新疆昌吉回族自治州境内，地处天山北麓中段、准噶尔盆地南缘（图1）。其东西南北四个方向上分别对应头屯河灌区、呼图壁河、阿斯克达和古尔班通古特沙漠为边界。灌区内水利设施完备，涵盖三屯河水库、努尔加水库和东西干渠等关键水利工程。灌区的南北长度约260 km，东西宽度约为31 km，总面积约8 044 km2。研究区气候复杂，历年平均气温6.87 ℃，降水量280.03 mm，整体呈现冬季严寒，夏季酷热，蒸发强烈，昼夜温差大等特征。
图1 新疆三屯河灌区

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 1 Santun river irrigation area in Xinjiang

1.2　数据来源及预处理

以2005—2023年Landsat TM/ETM+/OLI_TIRS系列数据、实测土壤含水率数据为基础，在模型验证的前提下，对研究区的干旱时空演变进行分析并做预测研究。本研究主要分为五个部分：遥感数据下载、数据预处理、适用性分析、干旱时空演变特征分析和干旱预测研究。其中，遥感数据来源于地理空间数据云（http://www.gscloud.cn/）和美国地质勘探局（http://glovis.usgs.gov），该数据时间分辨率为16 d，空间分辨率为30 m，云量控制在15%以下。数据预处理（辐射定标、大气校正、剪裁和拼接等）借助ENVI 5.6完成。行政区划图来源于国家地理信息公共服务平台（http://www.tianditu.gov.cn）。土壤含水量数据来源于新疆三屯河灌区布设若干智墒监测仪。

1.3　研究方法

基于Landsat系列卫星数据，反演TVDI和VTCI遥感干旱指标，借助研究区实测土壤含水量，优选适合干旱区灌区的监测指标。同时，结合线性趋势分析、Theil-Sen+Mann-Kendall趋势检验等方法，分析研究区干旱时空演变规律及变化趋势，最后利用机器学习算法，改进ARIMA模型，搭建ICEEMDAN-ARIMA组合模型，预测研究区2023年春夏秋三季干旱情况，并评估模型预测性能。具体研究方法和思路见图2。
图2 基于TVDI结合ICEEMDAN-ARIMA模型的干旱区灌区农业旱情监测研究

Fig. 2 Data preprocessing and main research workflow of agricultural drought monitoring research in arid irrigation areas based on TVDI combined with ICEEMDAN-ARIMA model

1.3.1　灌区采样点土壤含水量测定

考虑到TVDI和VTCI的物理含义，采用0~20 cm的土壤含水率作为指标准确性的验证标准，评价结果较为准确，大量相关研究均验证了这一结论［31, 32］。因此，本研究选取研究区深度为10 cm的土壤含水率对TVDI和VTCI的监测结果进行可信度评价。由于年份跨度较大，土壤湿度数据存在缺失，且逐月验证数据量大，本研究选取灌区2017年5月、6月、7月和8月实测0~10 cm土壤含水量数据分别与同期遥感数据反演得到TVDI、VTCI进行相关性分析。在ArcGIS 10.8软件中，依据采样点的经纬度坐标信息，通过Spatial Analyst工具集中的Extract by Points功能，分别提取出采样点对应的像元值。借助BM SPSS Statistics 27软件，将这些提取出的TVDI和VTCI与三屯河灌区典型研究区内0~10 cm深度的实测土壤水分数据进行线性回归分析。

1.3.2　计算温度植被干旱指数（TVDI）

TVDI是一种基于NDVI与（Land Surface Temperature, LST）构建特征空间计算的指标。该指标能够有效地表征和监测土壤湿度的变化状况［33］。据国内外研究表明，TVDI指数构建所依据的LST与NDVI在不同时间和空间的分辨率下，均展现出显著的负相关特性［34］。TVDI指数理论取值范围为（0，1），值越大表征干旱程度越高，反之越湿润。具体如公式（1）~公式（3）所示。
T V D I = T s - T s _ m i n T s _ m a x - T s _ m i n
T s _ m a x = a m a x + b m a x N D V I
T s _ m i n = a m i n + b m i n N D V I
式中：T s_max为地表最高温度，℃；T s_min为地表最低温度，℃；a max和b max为干边拟合参数；a min和b min为湿边拟合参数。

1.3.3　条件植被温度指数（VTCI）

王鹏新等［18］根据LST-NDVI特征空间，提出了VTCI干旱监测模型。假设土壤含水量在萎蔫含水量到田间持水量之间变化，通过分析NDVI变化下LST的响应，进而评估干旱状况。VTCI指数理论取值范围为（0，1），VTCI值越低，干旱越严重，反之，则表示干旱程度较轻，如公式（4）所示。
V T C I = L S T N D V I , m a x - L S T L S T N D V I , m a x - L S T N D V I , m i n
式中：LSTNDVI，max为NDVI为某一特定数值时地表温度的最大值，℃；LSTNDVI，min为NDVI为某一特定数值时地表温度的最小值，℃。
本研究根据干旱指标的划分标准，结合研究区的实际土壤墒情和现有研究对干旱等级的划分方法［35-37］，将三屯河灌区干旱划分为五个等级，如表1所示。
表1 基于不同干旱指数的干旱等级划分标准

Table 1 Drought classification criteria based on different drought indices

干旱等级 TVDI VTCI
无旱 ［0.00，0.60］ （0.55，1.00］
轻度干旱 （0.60，0.71］ （0.41，0.55］
中度干旱 （0.71，0.76］ （0.29，0.41］
重度干旱 （0.76，0.85］ （0.21，0.29］
极端干旱 （0.85，1.00］ ［0.00，0.21］

1.3.4　干旱趋势分析方法

Theil-Sen趋势分析常简称为Sen趋势估计，Mann-Kendall检验则常被简称为M-K检验［38, 39］。这两种方法在应用时均不依赖于数据的具体分布形式，对于数据中的误差具有较强的鲁棒性。本研究将两者结合使用，共同构建Sen+Mann-Kendall趋势分析能够进一步增强分析结果的可靠性和严谨性。其中，Sen趋势度β的计算如公式（5）所示。
β = M e d i a n X j - X i j - i ; ∀   j > i
式中：Xj 和Xi 表示第j个和i个时间序列的样本值；Median为中值函数。当β>0时反映上升的趋势，反之则反映下降的趋势。
Mann-Kendall检验如公式（6）~公式（9）所示。
S = ∑ i = 1 n - 1 ∑ j = i + 1 n s g n x j - x i ; i < j ≤ n
s g n x j - x i = 1 ; x j - x i > 0 0 ; x j - x i = 0 - 1 ; x j - x i < 0
v a r S = n n - 1 2 n + 5 - ∑ i = 1 m t i ( t i - 1 ) ( 2 t i + 5 ) 18
Z M K = s - 1 v a r ( S ) ; S > 0 0 ;                     S = 0 S + 1 v a r ( S ) ; S < 0
式中：S表示检验的统计量；n表示时间序列的样本量；xi 和xj 表示在i和j时刻的数据值；Z MK值表示标准检验统计量，服从均值为0，方差为1的正态分布。计算过程中，若统计量Z值>0，表征TVDI呈现上升趋势；Z值＜0，表征TVDI呈现下降趋势；若Z=0，表征TVDI无明显变化。本研究中显著性水平α=0.05，当|Z|大于1.96和2.58时，表示趋势分别通过了置信度为95%和99%的显著性检验。趋势显著性的判断标准见表2。
表2 Sen+Mann-Kendall 趋势检验分类标准

Table 2 Classification standard of Mann-Kendall trend test

趋势度β 统计量|Z| 趋势分类
β>0 2.58＜|Z| 极显著变旱
1.96<|Z|≤2.58 显著变旱
1.96≥|Z| 轻微变旱
β<0 1.96≥|Z| 轻微缓解
1.96<|Z|≤2.58 显著缓解
2.58＜|Z| 极显著缓解

1.3.5　ICEEMDAN-ARIMA模型

ICEEMDAN算法通过引入自适应噪声调整机制，有效处理非线性与非平稳信号，优化信号分量中的噪声残留与伪模态问题［40］。此算法采用迭代方式，将输入信号精准分解为N个模态分量（Intrinsic Mode Functions, IMF）和一个残差分量（Residual, RES），实现了对信号更精确、更稳定地分解。具体计算流程见文献［40］。
Box和Jenkins［41］提出的ARIMA模型是通过d阶差分技术将原始非平稳时间序列转化为平稳序列，随后借助ARMA模型捕捉数据序列动态结构并预测未来的变化趋势，实现了对非平稳时间序列的精确建模与预测。具体计算如公式（10）所示。
Y t = ω 1 Y t - 1 + ω 2 Y t - 2 + ⋅ ⋅ ⋅ + ω p Y t - p + u t - θ 1 u t - 1 - θ 2 u t - 2 - ⋅ ⋅ ⋅ - θ q u t - q
式中：Y t为时间序列数据点； ω i ( i = 1,2 , ⋯ , p )为AR系数； θ j ( j = 1,2 , ⋯ , q )为移动平均系数；u t为随机游走序列。
将ICEEMDAN和ARIMA模型耦合提高模型预测精度，形成ICEEMDAN-ARIMA组合模型对新疆三屯河灌区遥感指数进行预测分析，建模步骤如下。
1）数据分解：通过ICEEMDAN算法，原始TVDI数据被分解为一系列模态分量（IMF1、IMF2~IMF n ），以及一个RES。
2）模型预测分析：使用ARIMA模型对IMF1、IMF2~IMF n，以及RES进行数据预测，预测结果分别记作Q 1、Q 2~Qn +1。
3）预测结果累加：各采样点计算的Q 1、Q 2~Qn +1并相加求和，搭建ICEEMDAN-ARIMA组合模型，如公式（11）所示。
Q = ∑ i = 1 n + 1 Q i
式中：Qi 为模型计算的第i个分量IMF的预测值。

1.3.6　评价指标

为有效评估预测模型性能，选用均方根误差（Root Mean Squared Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）和决定系数（R-squared, R 2）作为评价指标。其中，RMSE和MAE的值域为［0，+∞］，其值越低，表明模型预测效果越好。R 2则用于衡量模型拟合优度，其值越接近1，表明模型拟合效果越佳。具体计算如公式（12）~公式（14）所示。
R M S E = 1 N ∑ i = 1 N y i - y i ^ 2
M A E = 1 N ∑ i = 1 N y i - y i ^
R 2 = ∑ i = 1 N y i - y ¯ 2 - ∑ i = 1 N y i - y i ^ 2 ∑ i = 1 N y i - y ¯ 2
式中： y i ^为第i值的预测值； y i为模型计算的第i值的标准值；N为数据样本总量。

2 结果与分析

2.1　遥感干旱指数适用性评价

2.1.1　遥感监测结果与实际土壤墒情对比

本研究土壤墒情采样点均匀分布于灌区不同方位，涵盖灌区中部核心区域、边缘地带，以及不同土地利用类型交错区域。其分布兼顾了灌区内部不同地形特征、作物种类的典型地块，确保采样点能反映灌区整体土壤墒情特征。具体仪器布设点位如图3所示，数据拟合结果和R 2如表3所示。结果表明，三屯河灌区采样点各期遥感影像反演TVDI与0~10 cm实测土壤含水量的R 2均大于0.51，整体R 2为0.57，拟合方程斜率均为负值。这表明TVDI在新疆三屯河灌区的干旱监测研究中表现出了更高的准确性和可靠性。
图3 三屯河灌区实测土壤墒情采样点

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 3 Sampling points of measured soil moisture content in Santun river irrigation area

表3 TVDI/VTCI与0~10 cm实测土壤含水量线性拟合结果

Table 3 Linear fitting results of TVDI/VTCI and 0－10 cm measured soil water content

日期 TVDI拟合方程 R 2 VTCI拟合方程 R 2
5月3日 SM=0.50-0.39TVDI 0.61 SM=12.07+55.99VTCI 0.330
6月4日 SM=0.55-0.44TVDI 0.58 SM=24.08-6.72VTCI 0.016
6月20日 SM=0.50-0.39TVDI 0.59 SM=10.66+33.14VTCI 0.120
7月22日 SM=1.08-1.27TVDI 0.51 SM=28.90-10.97VTCI 0.070
8月7日 SM=0.68-0.63TVDI 0.66 SM=9.06+26.70VTCI 0.280
整体 SM=0.54-0.45TVDI 0.57 SM=21.31+2.75VTCI 0.005
而各期遥感影像反演的VTCI与0~10 cm实测土壤含水量的决定系数最大为0.33，整体拟合系数仅为0.005。表明VTCI在新疆三屯河灌区的应用效果相对较差。究其原因可能是VTCI通常仅依赖植被指数或植被温度阈值来反映干旱情况，未充分耦合两者的非线性关系，容易忽略植被生理调节对温度的反馈，导致在灌区研究中解释力下降。在灌区春末、夏初等时间段，植被未完全生长或农作物收割后地表裸露，此时NDVI波动小，VTCI无法准确捕捉水分信息［42］。而较VTCI来讲，即使植被稀疏，TVDI仍可在一定程度上通过地表温度与干湿边斜率的变化反映土壤湿度差异。干旱区灌区的水源主要来自灌溉供水，当土壤湿度骤升时，植被响应滞后，也可能导致VTCI无法同步反映灌区水分变化。而TVDI可以通过日间温度累积效应削弱瞬时的气象噪声，与土壤湿度的相关性更稳定。

2.1.2　TVDI干湿边拟合分析

为进一步验证结果可信度，本研究对TVDI干湿边拟合结果进行验证。由图4可知，灌区多年干边拟合方程斜率均为负值，R 2多年均值高达0.9，表明干边拟合效果卓越。随着NDVI的增大，地表温度呈下降趋势，两者负相关性强。而湿边拟合方程斜率除2022年外均大于零，说明在多数情况下，NDVI上升时地表最低温度亦上升，再次证明了TVDI的监测精度较高，适用于新疆三屯河灌区干旱监测研究。
图4 新疆三屯河灌区2005—2022年多时相TVDI干湿边拟合

Fig. 4 Multi-temporal TVDI dry and wet edge fitting in Santun river irrigation area， Xinjiang， from 2005 to 2022

2.2　新疆三屯河灌区TVDI时空变化特征分析

2.2.1　新疆三屯河灌区TVDI指数分析

TVDI通过融合植被指数和地表温度的信息，进行干湿边界的拟合分析，能够高效地模拟土壤的水分状况，并且实现对土壤缺水情况的及时诊断，新疆三屯河灌区2005—2022年干旱空间分布如图5所示，灌区TVDI的分布具有非常强的空间异质性，整体以轻旱、中旱为主，干旱呈现出南部、西南部低于北部、东北部的空间分布特征。总体上，灌区呈现逐步干旱化的趋势，且西北部和中部地区发生干旱的频率远高于南部和西南部地区。考虑到研究区地理位置，造成此现象的原因可能是灌区南部地区靠近水库，地表水资源丰富，植被覆盖度相对较高，而北部地区更接近古尔班通古特沙漠，地表保水能力弱，更容易诱发干旱。
图5 2005—2022年新疆三屯河灌区TVDI空间分布

Fig. 5 Spatial distribution of temperature vegetation drought index in Santun river irrigation area， Xinjiang， from 2005 to 2022

2.2.2　TVDI时间变化趋势

为分析2005—2022年研究区TVDI时间序列变化特征，对灌区2005—2022年间年均TVDI和不同干旱等级面积占比进行统计分析（图6）。由图6可知，三屯河灌区年均TVDI变化介于0.699~0.774之间，常年处于轻中旱波动状态。通过对其进行线性拟合可知，灌区旱情整体呈现缓慢加剧的趋势，增长速率为0.01/10 a。同时，三屯河灌区干旱分布等级以：轻度干旱、中度干旱和重度干旱为主。其中，中度干旱面积占比最大，处于48.5%~66.9%之间，多年占比均值达52.58%，而轻度干旱和重度干旱等级多年占比均值分别为20.38%和26.68%。无旱和极端干旱两个等级在三屯河灌区发生的概率很小，几乎可以忽略不计。
图6 三屯河灌区2005—2022年TVDI年际变化及不同干旱分级面积占比

Fig. 6 Interannual variation of TVDI and area proportion of different drought grades in Santun river irrigation area from 2005 to 2022

2.2.3　TVDI空间变化趋势

借助Theil-Sen趋势分析方法，得到2005—2022年研究区TVDI年际变化率及分布占比。如图7所示，2005—2022年三屯河灌区TVDI年际变化率的分布区间为-0.016 65~0.014 19。灌区Sen变化率数据分布符合正态分布（P＜0.01），并且，灌区有72.83%的区域Sen斜率大于零，这表明新疆三屯河灌区大部分区域处于逐步变旱的状态。依据Mann-Kendall检验方法，在给定显著性水平下，以表2为准则，得到2005—2022年新疆三屯河灌区干旱变化趋势类型及面积占比，如图8所示，可知灌区东南部及周边地区旱情呈加剧趋势，尤其是灌区东南部地区干旱增加趋势最为严重。研究区干旱空间变化趋势（P<0.01）中呈极显著缓解、显著缓解、轻微缓解、极显著变旱、显著变旱和轻微变旱面积占比分别为0.73%、1.78%、24.31%、5.33%、9.43%和58.42%，其中轻微变旱和轻微缓解面积占比最大，占研究区总面积的82.73%。
图7 2005—2022年新疆三屯河灌区TVDI年际变化率及分布占比

Fig. 7 Interannual variation rate and distribution proportion of TVDI in Santun river irrigation area， Xinjiang， from 2005 to 2022

图8 2005—2022年新疆三屯河灌区干旱变化趋势类型及面积占比

a. 灌区干旱变化趋势分类 b. 不同干旱变化趋势面积占比

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 8 Trend type and area proportion of drought change in Santun river irrigation area， Xinjiang， from 2005 to 2022

2.3　ICEEMDAN-ARIMA组合模型干旱预测

2.3.1　ICEEMDAN-ARIMA建模流程

考虑到原始数据的非线性和不稳定性，本研究参考了同类研究的经验范围，并通过预实验验证了模型参数的有效性［43, 44］。最终选定建模参数，其中噪声标准差（Nstd）设为0.2，噪声系数数量（NE）设为100，最大迭代次数（Maxlter）设为1 000。同时，根据ICEEMDAN-ARIMA建模方法，首先在灌区范围内采用均匀取样的方法，将研究区划分为21个数据采样点，具体采样点位置如图9所示。
图9 新疆三屯河灌区ICEEMDAN-ARIMA组合模型TVDI数据采样点

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 9 TVDI data sampling points of the ICEEMDAN-ARIMA combined model in Santun river irrigation area， Xinjiang

本研究借助Python编程利用ICEEMDAN算法分解原始数据后，采用多步预测的方法构建ICEEMDAN-ARIMA组合模型。由于研究区数据量大，本研究以2023年三屯河灌区春季21个采样点建模为例。首先，借助自相关函数（Auto-Correlation Function, ACF）与偏自相关函数（Partial Auto-Correlation Function, PACF），初步筛选出适合各采样点TVDI分解后IMF和RES的ARIMA模型潜在参数组合。再结合赤池信息准则（Akaike Information Criterion, AIC）与贝叶斯信息准则（Bayesian Information Criterion, BIC）进行综合评估，以AIC+BIC组合准则数最小为最优参数的原则，筛选最佳模型参数，如表4所示，可知各采样点数据经过ICEEMDAN算法分解后，可分解为若干IMF及RES。各采样点下，IMF1均通过了平稳性检验（Application Development Framework, ADF），而IMF3和RES 数据波动较大，需经过4~5阶差分后方可转化为平稳序列。最后利用筛选出的最优模型参数进行建模预测。
表4 不同采样点ICEEMDAN-ARIMA组合模型分量定阶

Table 4 Component order of ICEEMDAN-ARIMA combination model at different sampling points

采样点编号 分量 模型（p， d， q） AIC+BIC
S1 IMF1 ARIMA（0，0，1） -116.945 214 3
IMF2 ARIMA（3，0，3） -205.001 400 2
IMF3 ARIMA（0，4，2） -369.452 525 2
RES ARIMA（0，5，3） -526.462 120 9
S2 IMF1 ARIMA（2，0，0） -113.691 085 6
RES ARIMA（2，2，0） -265.102 977 6
S3 IMF1 ARIMA（3，0，2） -152.175 910 4
IMF2 ARIMA（3，0，3） -287.689 639 4
RES ARIMA（0，5，3） -482.443 750 0
S4 IMF1 ARIMA（3，0，2） -147.255 879 8
IMF2 ARIMA（3，0，3） -301.629 947 7
RES ARIMA（0，4，3） -523.041 348 3
S5 IMF1 ARIMA（2，0，0） -103.902 565 0
IMF2 ARIMA（2，3，1） -309.402 008 9
RES ARIMA（0，5，1） -451.759 672 9
S6 IMF1 ARIMA（2，0，1） -120.444 219 0
IMF2 ARIMA（2，4，2） -322.685 183 7
RES ARIMA（1，4，3） -421.850 247 4
S7 IMF1 ARIMA（2，0，2） -156.684 347 8
IMF2 ARIMA（3，0，3） -273.182 216 9
IMF3 ARIMA（2，5，2） -399.505 237 7
RES ARIMA（0，4，1） -719.831 411 3
S8 IMF1 ARIMA（2，0，3） -108.192 046 3
IMF2 ARIMA（2，0，1） -367.734 391 1
RES ARIMA（0，5，2） -412.414 395 2
S9 IMF1 ARIMA（2，0，1） -114.222 055 7
IMF2 ARIMA（2，0，3） -254.384 080 2
IMF3 ARIMA（0，5，2） -345.679 598 9
RES ARIMA（1，5，2） -592.075 968 4
S10 IMF1 ARIMA（2，0，1） -114.647 198 7
IMF2 ARIMA（2，2，0） -358.488 825 6
RES ARIMA（0，5，1） -455.632 154 1
S11 IMF1 ARIMA（2，0，0） -146.230 360 3
IMF2 ARIMA（3，0，3） -338.256 832 6
RES ARIMA（2，5，1） -458.034 650 8
S12 IMF1 ARIMA（2，0，0） -122.880 141 4
IMF2 ARIMA（3，0，0） -270.519 404 0
RES ARIMA（2，5，2） -388.038 083 2
S13 IMF1 ARIMA（0，0，2） -120.624 432 6
IMF2 ARIMA（2，0，2） -256.023 114 9
RES ARIMA（3，5，2） -399.506 224 9
S14 IMF1 ARIMA（3，0，2） -149.787 730 8
IMF2 ARIMA（3，0，0） -272.093 268 5
RES ARIMA（2，5，2） -363.573 426 3
S15 IMF1 ARIMA（0，0，1） -119.290 999 9
IMF2 ARIMA（2，0，2） -244.530 096 7
RES ARIMA（0，5，2） -470.177 403 5
S16 IMF1 ARIMA（2，0，3） -98.468 829 4
IMF2 ARIMA（0，2，3） -321.898 537 0
RES ARIMA（0，4，2） -441.287 207 4
S17 IMF1 ARIMA（2，0，0） -109.495 702 3
IMF2 ARIMA（1，2，2） -209.037 666 4
RES ARIMA（0，4，1） -552.550 879 2
S18 IMF1 ARIMA（3，0，0） -127.782 178 4
IMF2 ARIMA（2，0，3） -253.470 211 9
RES ARIMA（2，5，2） -445.574 006 2
S19 IMF1 ARIMA（0，0，2） -99.786 397 0
IMF2 ARIMA（2，3，1） -251.883 057 8
RES ARIMA（3，4，0） -646.644 290 8
S20 IMF1 ARIMA（1，0，2） -138.051 598 3
IMF2 ARIMA（2，0，2） -222.278 571 2
IMF3 ARIMA（2，5，2） -359.904 937 7
RES ARIMA（0，4，1） -617.872 007 5
S21 IMF1 ARIMA（2，0，3） -98.966 377 1
IMF2 ARIMA（2，2，3） -215.117 634 5
RES ARIMA（2，4，1） -387.051 278 3

2.3.2　ICEEMDAN-ARIMA模型预测分析

为进一步评估ICEEMDAN-ARIMA组合模型预测性能，本研究以CEEMD和ICEEMDAN两种算法结合ARIMA模型为例，借助RMSE、R 2和MAE三种评价指标评估不同模型在2023年新疆三屯河灌区春季、夏季和秋季干旱预测研究中的预测性能（表5）。
表5 新疆三屯河灌区 ICEEMDAN-ARIMA组合模型预测精度评价

Table 5 Evaluation of the prediction accuracy of the ICEEMDAN-ARIMA combined model in the Santun river irrigation area of Xinjiang

组合模型 评价指标
RMSE MAE R 2
ICEEMDAN-ARIMA-春 0.083 0.061 0.968
ICEEMDAN-ARIMA-夏 0.076 0.061 0.965
ICEEMDAN-ARIMA-秋 0.074 0.058 0.954
ICEEMDAN-ARIMA模型均值 0.078 0.060 0.962
CEEMD-ARIMA-春 0.108 0.079 0.943
CEEMD-ARIMA-夏 0.101 0.077 0.940
CEEMD-ARIMA-秋 0.099 0.076 0.929
CEEMD-ARIMA模型均值 0.103 0.077 0.937
ARIMA-春 0.358 0.256 0.794
ARIMA-夏 0.351 0.267 0.786
ARIMA-秋 0.345 0.253 0.780
ARIMA模型均值 0.351 0.259 0.787
由表5可知，在三种不同模型的预测研究中，ICEEMDAN-ARIMA组合模型的预测性能整体表现最好，R 2均值达0.962，模型展现出较强的鲁棒性和较好的预测效果。相较于ARIMA模型而言，ICEEMDAN-ARIMA组合模型通过ICEEMDAN算法有效分解了趋势项和周期项，解决了ARIMA在非平稳序列建模中的不足，提高了模型处理非平稳数据的能力和误差累计控制能力。相较于CEEMD算法，ICEEMDAN算法在结合预测模型时展现出更优性能，不仅在误差控制上表现更佳（RMSE和MAE均降低），而且在模型拟合方面也更为出色（R 2值均提高）。这也表明本研究利用ICEEMDAN对时间序列数据进行分解，以增强原始数据稳定性的方法可行，并且在结合ARIMA模型后能够更有效地对时间序列进行预测。
同时，ARIMA模型的整体预测效果存在显著局限性，其决定系数（R 2=0.787）相较于组合模型的预测精度呈现明显差距。对比分析可知，组合建模的方法展现出更优异的预测能力，其R 2值分别达到0.937和0.962，较单一模型提升幅度达19.1%和22.3%。综合考虑，造成这种现象的原因是ARIMA模型是基于线性假设构建，其核心算法仅能捕捉时间序列的线性趋势与周期性特征，难以有效表征数据中的非线性波动。而组合模型通过ICEEMDAN算法分解数据，将原始序列分解为线性平稳分量与非线性高频残差分量，再分别通过ARIMA建模，从而实现对多尺度特征的分层解析与协同优化。这种显著的性能差距也验证了组合策略在提升模型泛化能力方面的有效性，凸显了组合模型的优势。
不同季节的模型拟合效果对比分析可知，各模型对春季数据的预测性能最优。造成这一现象可能是由于灌区春季气候呈现过渡性特征，其数据兼具弱非平稳性与显著季节性，这与ICEEMDAN算法的自适应信号分解特性形成高度适配，有利于模态特征的精准提取。同时，相较于夏秋季节，春季温度波动呈现较强规律性且极端天气发生概率较低，数据线性趋势特征恰能充分发挥ARIMA模型的时序预测优势。两者协同作用下，共同提升了春季预测精度。反观其他季节的预测差异，其成因可能源于气候系统的复杂性变化：夏季频发的高温灾害事件显著增强了数据非线性特征，而秋季气候变化模式存在多因素耦合作用，导致系统非线性交互作用显著增强。由于传统ARIMA模型对非线性动态关系的捕捉能力有限，当季节主导特征由线性转为非线性时，模型预测性能便出现明显衰减。
本研究构建ICEEMDAN-ARIMA组合模型，对2023年新疆三屯河灌区春夏秋三季干旱情况进行预测分析。借助ArcGIS 10.8软件，对采样点实测值和预测值进行可视化展示，并利用探索数据进行趋势分析。由图10可知，各期数据采用log函数进行二阶分析时，双边数据拟合效果较好。整体上，ICEEMDAN-ARIMA组合模型预测效果较好，灌区发生干旱的区域主要集中在北部及东北部等下游地区。三屯河灌区北部靠近古尔班通古特沙漠，干旱情况相对较为严重，研究结果符合实际情况。同时，结合表5可知，春夏秋三季的采样点实测值和预测值之间，RMSE和MAE均在0.083以下，R 2均在0.954以上，以上结果均表明ICEEMDAN-ARIMA组合模型在新疆三屯河灌区的预测研究中效果较好。
图10 2023年新疆三屯河灌区ICEEMDAN-ARIMA组合模型春夏秋季预测结果分析

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 10 Analysis of spring， summer and autumn forecast results of ICEEMDAN-ARIMA combined model in Santun river irrigation area， Xinjiang in 2023

3 讨 论

本研究利用遥感数据计算干旱监测指标，并借助实测土壤墒情进行验证，更加准确地评价了新疆三屯河灌区的干旱变化特征及趋势，提高了研究的可信度。研究结果表明，新疆三屯河灌区干旱呈缓慢增加的趋势，这一研究结果与程军等［36］和黄静等［45］的结果一致：近20年，新疆干旱灾害呈不显著增加的趋势，且未来一段时间，天山山脉附近干旱情况仍会按照季节划分有小幅度变化。新疆三屯河灌区干旱分布情况呈明显的空间异质性，主要表现为灌区南部、西南部地区低于北部、东北部地区的空间分布特征。造成这种空间分布的原因可能是三屯河灌区地处新疆天山北坡中部，远离海洋，气候干燥，主要的水资源来源为冰川融水。而灌区南部更加靠近天山山脉，水资源较北部地区更加丰富，灌区北部地区靠近古尔班特沙漠，植被覆盖度相比较南部地区更加稀疏，水土保持能力弱，加之灌区主要依赖三屯河水库和努尔加水库的水资源，通过东西两大干渠进行高效的输配水调度。水资源自上游水库输送至下游田间的时候，灌区南部及周边地区所经历的灌溉时间及土壤浸润水资源时间可能均大于北部地区。因此更容易导致灌区北部地区干旱程度大于南部地区的现象发生。
本研究采用ICEEMDAN算法结合ARIMA模型对灌区干旱进行预测研究，相比较CEEMD-ARIMA模型及单一ARIMA模型而言，模型精度得到了显著提升。值得注意的有以下几方面。首先，在使用ICEEMDAN-ARIMA组合模型进行干旱预测研究时，模型对原始数据有一定的要求，时间跨度建议10年以上，以保证模型能够捕捉到足够的信息，避免出现模型拟合效果不佳及分解算法添加白噪声后仍无法满足模型运算要求等现象。其次，若原始数据波动性大需对数据归一化处理，提升计算效率，增强模型解释性与鲁棒性。若原始数据中存在异常值或者缺失值，需采用线性插值或样条插值等方法，对其进行预处理，避免影响模型泛化能力。最后，建模过程中的参数选择会因数据特性的不同而有所差异，若数据在建模过程中拟合效果较好，噪声系数和最大迭代次数等参数可相应减少，但迭代次数最小应控制在500次左右，以保证模型泛化能力。本研究采用RMSE、MAE和R 2三种评价指标进行模型精度评估，结果表明ICEEMDAN-ARIMA组合模型拟合效果较好。若研究需要，也可增添使用滑动窗口或滚动预测等方法来评估模型稳定性。
干旱灾害的发生严重影响了灌区农作物产量和当地农业的可持续发展，在理清其干旱时空特征及趋势后，采用合理的措施可有效减轻干旱的影响。针对新疆三屯河灌区可实施的措施主要有以下5个方面。一是考虑到当地干旱情况及灌区水资源调配状况，可适当增加外调水量，同时积极调整农作物种植结构，优先选择耐旱、节水型作物品种，减少作物对水资源的依赖，提高作物对干旱的适应能力；二是推广节水灌溉技术，减少水资源的无效蒸发和渗漏，提高灌溉水利用率；三是加大土壤墒情监测仪的投入，实时监测灌区土壤水分状况，根据土壤水分含量和作物需水规律制定合理灌溉计划；四是伴随计算机技术的飞速发展，搭建基于多源数据的干旱预警预报体系，提高灌区干旱监测效率；五是加强灌区节水宣传和教育活动，增强农民的节水意识和干旱应对能力。通过这些综合措施的实施，可有效减轻灌区干旱带来的负面影响，保障灌区农业生产的稳定性，促进农业可持续发展。
干旱灾害的发生是众多因素耦合的结果，考虑到本研究区地理位置的特殊性（干旱区灌区），降水因素对当地旱灾发生的关联性较低，而在高温条件下，土壤水分快速散失加剧干旱胁迫，进一步恶化了干旱态势。此外，对于灌区来讲，更多需要考虑灌区作物种植种类、作物种植结构、灌溉制度和人类活动等多种因素。科学调整灌溉制度，合理分配水量，可有效补充土壤水分，缓解干旱。因此针对干旱区灌区的干旱研究，最好是整合多源数据，进行综合分析，这将是未来灌区干旱研究的重要方向。将极大地提升灌区水资源管理的科学性和有效性，同时也将为农业可持续发展及相关领域的研究带来新的思路和方法。

4 结 论

本研究以新疆三屯河灌区为研究区域，基于遥感数据计算TVDI和VTCI，以实测灌区土壤墒情数据为依据，对其进行适用性评价，并构建ICEEMDAN-ARIMA组合模型，开展灌区干旱预测研究，借助三种评价指标评估模型预测性能，主要结论如下。
1）根据TVDI和VTCI进行干旱空间分布对比，并利用三屯河灌区实测土壤墒情数据验证，TVDI相比较VTCI更适合新疆三屯河灌区的干旱监测研究。
2）时间上，新疆三屯河灌区干旱呈缓慢加剧趋势，TVDI增长速率为0.01/10 a，灌区72.83%的区域Sen斜率大于零；空间上，灌区干旱分布具有明显的空间异质性，整体表现为灌区南部、西南部地区低于北部、东北部地区的空间分布特征。2005—2022年研究区干旱空间变化趋势中轻微变旱和轻微缓解等级面积占比最大，占研究区总面积的82.73%。
3）ICEEMDAN-ARIMA组合模型在新疆三屯河灌区干旱预测研究中表现良好，R 2均值达0.962，展现出较高的鲁棒性和良好的预测效果，可为新疆三屯河灌区及相似地区干旱预警预报体系建设、水资源管理及农业生产管理提供借鉴。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
ALAHACOON N, EDIRISINGHE M, RANAGALAGE M. Satellite-based meteorological and agricultural drought monitoring for agricultural sustainability in Sri Lanka [J]. Sustainability, 2021, 13(6): ID 3427.

2
ZHANG L F, JIAO W Z, ZHANG H M, et al. Studying drought phenomena in the Continental United States in 2011 and 2012 using various drought indices[J]. Remote sensing of environment, 2017, 190: 96-106.

3
ASKARIMARNANI S S, KIEM A S, TWOMEY C R. Comparing the performance of drought indicators in Australia from 1900 to 2018[J]. International journal of climatology, 2021, 41(S1): E912-E934.

4
TURNER S, BARKER L J, HANNAFORD J, et al. The 2018/2019 drought in the UK: A hydrological appraisal[J]. Weather, 2021, 76(8): 248-253.

5
郑思齐, 陈媛媛, 吴艳红, 等. 基于水域面积的鄱阳湖区干旱特征及气象-水文干旱传播过程研究[J]. 地球信息科学学报, 2025, 27(4): 1011-1023.

ZHENG S Q, CHEN Y Y, WU Y H, et al. Characterizing drought and meteorological-hydrological propagation in Poyang Lake using satellite-observed water extent[J]. Journal of geo-information science, 2025, 27(4): 1011-1023.

6
高晓瑜, 汤鹏程, 张莎, 等. 内蒙古各气候区主要作物生长季干旱特征及其与响应因子回归模型[J]. 干旱区研究, 2022, 39(5): 1410-1427.

GAO X Y, TANG P C, ZHANG S, et al. Drought characteristics and regression models of drought characteristics and response factors of various climatic areas in Inner Mongolia during main crop growing season[J]. Arid zone research, 2022, 39(5): 1410-1427.

7
谭佳宇, 梁妮, 周永强, 等. 新疆干旱区典型湖泊的碳排放监测与特征分析[J]. 湖泊科学, 2024, 36(6): 1834-1842.

TAN J Y, LIANG N, ZHOU Y Q, et al. Carbon emissions monitoring and characteristic analysis of typical lakes in arid regions of Xinjiang[J]. Journal of lake sciences, 2024, 36(6): 1834-1842.

8
梁晓萱. 西北地区综合干旱指数构建及干旱时空演变特征研究[D]. 杨凌: 西北农林科技大学, 2023.

LIANG X X. Construction of comprehensive drought index and spatio-temporal evolution characteristics of drought in northwest China[D]. Yangling: Northwest A & F University, 2023.

9
TORKAMAN PARY A, RASTGOO P, OPP C, et al. Impacts of drought severity and frequency on natural vegetation across Iran[J]. Water, 2024, 16(22): ID 3334.

10
刘涛, 司振江, 刘岩. 基于SPEI指数的松花江下游流域干旱时空特征分布[J]. 水利科学与寒区工程, 2024, 7(11): 35-39.

LIU T, SI Z J, LIU Y. Spatio-temporal distribution of drought in the lower reaches of Songhua River basin based on SPEI index[J]. Hydro science and cold zone engineering, 2024, 7(11): 35-39.

11
王东. 黄土高原干旱时空特征及对植被生长潜在风险评估[D]. 兰州: 兰州大学, 2023.

WANG D. Spatial and temporal characteristics of the Loess Plateau drought and its potential risk to vegetation growth[D]. Lanzhou: Lanzhou University, 2023.

12
ARRA AABU, ŞIŞMAN E. A comprehensive analysis and comparison of SPI and SPEI for spatiotemporal drought evaluation[J]. Environmental monitoring and assessment, 2024, 196(10): ID 980.

13
唐金利, 胡宝清, 余碧云, 等. 基于SPEI＿PM分析广西干旱时空变化及其与ENSO的关系[J]. 中国农业气象, 2024, 45(9): 1067-1078.

TANG J L, HU B Q, YU B Y, et al. Spatio-temporal variation of Guangxi drought based on the SPEI＿PM and its correlation with ENSO[J]. Chinese journal of agrometeorology, 2024, 45(9): 1067-1078.

14
刘轩, 周杰, 卢静, 等. 多源植被遥感产品应用于干旱监测的不确定性分析[J]. 遥感学报, 2024, 28(9): 2383-2404.

LIU X, ZHOU J, LU J, et al. Analyzing the uncertainty of the multisource remote sensing-based vegetation products for drought monitoring[J]. National remote sensing bulletin, 2024, 28(9): 2383-2404.

15
ZHAO H G, HUANG Y C, WANG X W, et al. The performance of SPEI integrated remote sensing data for monitoring agricultural drought in the North China Plain[J]. Field crops research, 2023, 302: ID 109041.

16
朱欣然, 黄长平, 吴波, 等. 顾及空间非平稳特征的遥感干旱监测[J]. 遥感学报, 2019, 23(3): 487-500.

ZHU X R, HUANG C P, WU B, et al. Research on remote sensing drought monitoring by considering spatial non-stationary characteristics[J]. Journal of remote sensing, 2019, 23(3): 487-500.

17
TIAN G Z, ZHU L M. Drought monitoring of winter wheat in Henan province, China based on multi-source remote sensing data[J]. Agronomy, 2024, 14(4): ID 758.

18
王鹏新, 杜江莉, 张悦, 等. 基于遥感多参数和CNN-Transformer的冬小麦单产估测[J]. 农业机械学报, 2024, 55(3): 173-182.

WANG P X, DU J L, ZHANG Y, et al. Yield estimation of winter wheat based on multiple remotely sensed parameters and CNN-Transformer[J]. Transactions of the Chinese society for agricultural machinery, 2024, 55(3): 173-182.

19
周孝明, 张喆, 张越, 等. 基于TVDI的近20 a吐鲁番市干旱及影响因素分析[J]. 干旱区地理, 2024, 47(12): 2104-2114.

ZHOU X M, ZHANG Z, ZHANG Y, et al. TVDI-based analysis of drought and influencing factors in Turpan City in the last 20 years[J]. Arid land geography, 2024, 47(12): 2104-2114.

20
韦余鑫, 李巧, 卢春雷, 等. 基于ICEEMDAN分解的多维时间序列干旱预测模型性能评估[J]. 灌溉排水学报, 2025, 44(3): 94-103.

WEI Y X, LI Q, LU C L, et al. Incorporating the ICEEMDAN decomposition to improve the accuracy of models for drought prediction[J]. Journal of irrigation and drainage, 2025, 44(3): 94-103.

21
宋廷强, 鲁雪丽, 卢梦瑶, 等. 基于作物缺水指数的农业干旱监测模型构建[J]. 农业工程学报, 2021, 37(24): 65-72.

SONG T Q, LU X L, LU M Y, et al. Construction of agricultural drought monitoring model based on crop water stress index[J]. Transactions of the Chinese society of agricultural engineering, 2021, 37(24): 65-72.

22
MYRONIDIS D, IOANNOU K, FOTAKIS D, et al. Streamflow and hydrological drought trend analysis and forecasting in Cyprus[J]. Water resources management, 2018, 32(5): 1759-1776.

23
杨慧荣, 张玉虎, 崔恒建, 等. ARIMA和ANN模型的干旱预测适用性研究[J]. 干旱区地理, 2018, 41(5): 945-953.

YANG H R, ZHANG Y H, CUI H J, et al. Applicability of ARIMA and ANN models for drought forecasting[J]. Arid land geography, 2018, 41(5): 945-953.

24
KWIETNIAK A, CICHOSTĘPSKI K, KASPERSKA M. Spectral decomposition using the CEEMD method: A case study from the Carpathian foredeep[J]. Acta geophysica, 2016, 64(5): 1525-1541.

25
XU D H, DING Y, LIU H, et al. Applicability of a CEEMD–ARIMA combined model for drought forecasting: A case study in the Ningxia Hui autonomous region[J]. Atmosphere, 2022, 13(7): ID 1109.

26
SHAHBAZI M, ZAREI H, SOLGI A. A new approach in using the GRACE satellite data and artificial intelligence models for modeling and predicting the groundwater level (case study: Aspas aquifer in Southern Iran)[J]. Environmental earth sciences, 2024, 83(8): ID 240.

27
丁严, 许德合, 曹连海, 等. 基于CEEMD的LSTM和ARIMA模型干旱预测适用性研究: 以新疆为例[J]. 干旱区研究, 2022, 39(3): 734-744.

DING Y, XU D H, CAO L H, et al. Applicability of the LSTM and ARIMA model in drought prediction based on CEEMD: A case study of Xinjiang[J]. Arid zone research, 2022, 39(3): 734-744.

28
ZHANG X Q, WU X L, HE S Y, et al. Precipitation forecast based on CEEMD-LSTM coupled model[J]. Water supply, 2021, 21(8): 4641-4657.

29
LIU Q, ZHAO Z F, HOU H S, et al. Research on signal denoising algorithm based on ICEEMDAN eddy current detection[J]. Journal of instrumentation, 2024, 19(9): ID P09026.

30
TIAN S, WANG C L, GONG X Y, et al. Permutation fuzzy entropy based ICEEMDAN de-noising for inertial sensors[J]. Measurement science and technology, 2024, 35(6): ID 066304.

31
张艳娇. 三屯河流域植被覆盖遥感监测及灌区土壤水分反演[D]. 乌鲁木齐: 新疆农业大学, 2023.

ZHANG Y J. Remote sensing monitoring of vegetation cover and soil water retrieval in irrigated area in Santunhe River Basin [D]. Urumqi: Xinjiang Agricultural University, 2023.

32
段俊伯. 温度植被干旱指数的改进及其在典型干旱区的应用[D]. 阜新: 辽宁工程技术大学, 2023.

DUAN J B. Improvement of temperature vegetation drought index and its application in the typical arid zone[D]. Fuxin: Liaoning Technical University, 2023.

33
WANG A H, SHI X L. A multilayer soil moisture dataset based on the gravimetric method in China and its characteristics[J]. Journal of hydrometeorology, 2019, 20(8): 1721-1736.

34
GAO S, LI Z, CHEN M Y, et al. Monitoring drought through the lens of landsat: Drying of rivers during the California droughts[J]. Remote sensing, 2021, 13(17): ID 3423.

35
翟涌光, 宁潇, 郝蕾. 联合Sentinel-1, 2, 3的河套灌区年内综合灌溉信息提取[J]. 测绘科学, 2022, 47(8): 204-212, 219.

ZHAI Y G, NING X, HAO L. Annual comprehensive irrigation information extraction of Hetao irrigation area based on Sentinel-1, 2, 3 data[J]. Science of surveying and mapping, 2022, 47(8): 204-212, 219.

36
程军, 李云祯, 邹渝. 新疆干旱时空动态及其对气候变化的响应[J]. 自然资源遥感, 2022, 34(4): 216-224.

CHENG J, LI Y Z, ZOU Y. Spatial and temporal dynamics of drought in Xinjiang and its response to climate change[J]. Remote sensing for natural resources, 2022, 34(4): 216-224.

37
李雯晴, 赵勇, 刘招, 等. 2001—2020年渭北黄土台塬区农业干旱变化特征及影响因素分析[J]. 水资源与水工程学报, 2024, 35(5): 1-10, 19.

LI W Q, ZHAO Y, LIU Z, et al. Characteristics of agricultural drought and its influencing factors in the Loess Tableland of the north of the Wei River from 2001—2020[J]. Journal of water resources and water engineering, 2024, 35(5): 1-10, 19.

38
雷庆文, 闫磊, 巫晨煜, 等. 基于MK-SVM和时序特征分析的月径流预报模型[J]. 水资源保护, 2024, 40(6): 148-154.

LEI Q W, YAN L, WU C Y, et al. Monthly runoff prediction model based on MK-SVM and time series feature analysis[J]. Water resources protection, 2024, 40(6): 148-154.

39
GUO M, LI J, HE H S, et al. Detecting global vegetation changes using Mann-Kendal (MK) trend test for 1982－2015 time period[J]. Chinese geographical science, 2018, 28(6): 907-919.

40
THURAISINGHAM R A. Revisiting ICEEMDAN and EEG rhythms[J]. Biomedical signal processing and control, 2021, 68: ID 102701.

41
BOX G E P, JENKINS G M. Time series Analysis:Forecasting andControl[M]. San Francisco: Holden Day, 1976.

42
李俐, 许连香, 王鹏新, 等. 基于条件植被温度指数的夏玉米生长季干旱预测研究[J]. 农业机械学报, 2020, 51(1): 139-147.

LI L, XU L X, WANG P X, et al. Drought forecasting during maize growing season based on vegetation temperature condition index[J]. Transactions of the Chinese society for agricultural machinery, 2020, 51(1): 139-147.

43
POONGADAN S, LINEESH M C. Non-linear time series prediction using improved CEEMDAN, SVD and LSTM[J]. Neural processing letters, 2024, 56(3): ID 164.

44
ZHAO X H, WANG H F, GUO Q C, et al. Runoff prediction using a multi-scale two-phase processing hybrid model[J]. Stochastic environmental research and risk assessment, 2025, 39(3): 1059-1076.

45
黄静, 张运, 汪明秀, 等. 近17年新疆干旱时空分布特征及影响因素[J]. 生态学报, 2020, 40(3): 1077-1088.

HUANG J, ZHANG Y, WANG M X, et al. Spatial and temporal distribution characteristics of drought and its relationship with meteorological factors in Xinjiang in last 17 years[J]. Acta ecologica sinica, 2020, 40(3): 1077-1088.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37