Anda di halaman 1dari 17

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 (DesemberFebruari), 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 19612006, 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 ratarata 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
m
n 1? 100% 1
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 1?
Xt
i1
Pi = t 2
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:

gx
1
baCa
? xa 1e x = b; x> 0 3a
Cx
Z1
0
xa? 1e? Xdx 3b
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:

1 pffi1ffiffiffiffiffiffiffiffi4ffiffiffiAffiffiffi = ffiffi3ffiffiffi
4A; b
x
a 4a
Sebuah lnx?
Plnx
n 4b
di mana n adalah panjang (bulan) dari seri waktu. Maka probabilitas kumulatif curah
hujan x dalam skala waktu yang diberikan dinyatakan sebagai:
Gx
Zx
0
gxdx
1
baCx

Zx
0
xa? 1e? x = BDX 5
Biarkan t = x / b dan Persamaan. (5) di atas berubah menjadi tidak lengkap
Fungsi Gamma:
Gx
1
Ca
Zx
0
ta? 1e? TDT 6
Eq. (6) tidak mempertimbangkan situasi ekstrim ketika curah hujan bulanan
terakumulasi x = 0 Akibatnya, persamaan kemudian
dimodifikasi dengan H (x):
Hx q D1? qGx 7
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
? t? c0c1c2t2
1d1td2t2d3t3
??
;t
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ln 1
Hx2
r? ?

; 0 <Hx? 0: 5
t? c0c1c2t2
1d1td2t2d3t3; t
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ln 1
D1? Hx2
r? ?
; 0: 5 <Hx <1
8 >>> <
>>>:
8
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-NDVIx NDVIx-T-NDVIx 9
dimana NDVI (x) adalah NDVI rata-rata tahunan dari cekungan pada tahun x, dan TNDVI (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.