白雪嬌 王鵬新 張樹譽(yù) 李 俐 王 蕾 解 毅

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.陜西省氣象局， 西安 710014)

基于VTCI空間尺度上推方法的干旱影響評(píng)估

白雪嬌1王鵬新1張樹譽(yù)2李 俐1王 蕾1解 毅1

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.陜西省氣象局， 西安 710014)

基于關(guān)中平原Aqua MODIS 條件植被溫度指數(shù)(VTCI)的干旱監(jiān)測(cè)結(jié)果，分別采用分布式和聚合式的主導(dǎo)類變異權(quán)重法(DCVW)、算術(shù)平均值變異權(quán)重法(AAVW)和中值變異權(quán)重法(MPVW)對(duì)市域單元內(nèi)VTCI進(jìn)行空間尺度上推，以獲取冬小麥主要生育期聚合后的加權(quán)VTCI；以加權(quán)VTCI與冬小麥產(chǎn)量間的回歸分析精度為參考，選擇最為合適的空間尺度上推方法。結(jié)果表明：采用分布式獲得的加權(quán)VTCI與冬小麥產(chǎn)量的回歸分析結(jié)果整體優(yōu)于聚合式獲得的結(jié)果。在分布式的上推過(guò)程中，MPVW獲得的加權(quán)VTCI與冬小麥產(chǎn)量間的回歸分析精度較低，DCVW和AAVW的精度均較高，其中DCVW獲得的加權(quán)VTCI與冬小麥產(chǎn)量間回歸分析的決定系數(shù)R2達(dá)0.64，精度最高，說(shuō)明采用分布式DCVW對(duì)市域單元內(nèi)VTCI進(jìn)行空間尺度上推得到的加權(quán)VTCI最為合理。

條件植被溫度指數(shù)； 空間尺度上推； 干旱影響評(píng)估； 精度評(píng)價(jià)

引言

近年來(lái)，中緯度地區(qū)氣候暖干化使得全球范圍內(nèi)的干旱問(wèn)題日趨嚴(yán)重，對(duì)農(nóng)業(yè)生產(chǎn)造成嚴(yán)重影響[1]。關(guān)中平原地處內(nèi)陸中緯度地帶和季風(fēng)邊緣氣候敏感區(qū)，遠(yuǎn)離水汽源地，對(duì)氣候變化敏感，旱災(zāi)頻發(fā)，且具有持續(xù)時(shí)間長(zhǎng)、強(qiáng)度大、空間差異明顯等特點(diǎn)；干旱程度由西南向東北逐漸加劇，東北部和中北部地區(qū)干旱最為嚴(yán)重[2-6]，對(duì)關(guān)中平原的農(nóng)業(yè)生產(chǎn)和人民生活產(chǎn)生了影響，因此監(jiān)測(cè)干旱對(duì)作物生長(zhǎng)及產(chǎn)量的影響以有效應(yīng)對(duì)干旱對(duì)區(qū)域農(nóng)業(yè)的影響具有重要的意義。

遙感技術(shù)的發(fā)展為實(shí)時(shí)、精確和大范圍反演地面信息提供了技術(shù)手段，在旱情監(jiān)測(cè)、旱情影響評(píng)估和農(nóng)作物估產(chǎn)等方面已得到廣泛的應(yīng)用。國(guó)內(nèi)外研究者通過(guò)能夠反映作物生長(zhǎng)發(fā)育或與其密切相關(guān)的各種指數(shù)與產(chǎn)量的相關(guān)性關(guān)系研究，建立經(jīng)驗(yàn)?zāi)Ｐ?，進(jìn)行了較多農(nóng)作物產(chǎn)量的估算、預(yù)報(bào)和干旱影響評(píng)估、預(yù)警研究[7-12]。在利用遙感數(shù)據(jù)建立優(yōu)化模型時(shí)，某一尺度的指數(shù)(變量)需準(zhǔn)確映射遙感數(shù)據(jù)的空間信息，顯然像素尺度不是最佳的選擇，需將遙感數(shù)據(jù)的空間信息從像素尺度轉(zhuǎn)換為研究所需的基本地域單元的尺度。聚合方法會(huì)顯著影響聚合結(jié)果，進(jìn)而影響基于結(jié)果的決策[13-15]，因此準(zhǔn)確聚合空間數(shù)據(jù)的方法是推導(dǎo)和獲取有用空間信息的關(guān)鍵。馬玉平等[16]采用區(qū)域氣候模式輸出的逐日平均溫度、降水和總輻射與模擬氣象產(chǎn)量建立積分回歸模型，探討了未來(lái)40年氣候變化對(duì)我國(guó)玉米產(chǎn)量的可能影響。杜靈通等[17]使用山東省15個(gè)地級(jí)市綜合干旱指數(shù)各像元的平均值與氣象站點(diǎn)獲得的標(biāo)準(zhǔn)化降水指數(shù)做相關(guān)分析驗(yàn)證了綜合干旱指數(shù)監(jiān)測(cè)氣象干旱的能力。趙捷等[18]對(duì)黑河中上游流域各土地覆被類型所有柵格的LAI(葉面積指數(shù))和累計(jì)相對(duì)濕潤(rùn)度指數(shù)求平均值，對(duì)其進(jìn)行皮爾遜回歸分析以定量評(píng)價(jià)不同土地覆被類型LAI對(duì)氣象干旱的響應(yīng)。李艷等[19]取關(guān)中平原各市內(nèi)所包含像素VTCI(條件植被溫度指數(shù))的平均值計(jì)算冬小麥生育期的加權(quán)VTCI，與冬小麥產(chǎn)量建立回歸模型，評(píng)估了干旱對(duì)冬小麥產(chǎn)量的影響。

學(xué)者們采用窗口均值法(Window averaging, WA)求取某些表征干旱指標(biāo)的區(qū)域平均值進(jìn)行干旱影響評(píng)估或估產(chǎn)研究，獲得了一些有價(jià)值的結(jié)論。但基于區(qū)域內(nèi)某指數(shù)的平均值弱化了其他覆蓋類型的信息及其與主導(dǎo)地位覆蓋信息的相互影響，缺乏宏觀性、綜合性的空間分析。且僅當(dāng)研究區(qū)域內(nèi)所有像素值呈正態(tài)分布和轉(zhuǎn)換前后分辨率為線性關(guān)系時(shí)，WA能夠簡(jiǎn)單、準(zhǔn)確的逼近其空間信息的綜合特征[20]，而區(qū)域內(nèi)旱情信息時(shí)空變異較大，采用WA將會(huì)獲得有偏估計(jì)值。同時(shí)，遙感影像相鄰像素的旱情信息表現(xiàn)出強(qiáng)烈的空間自相關(guān)性[21]。地表異質(zhì)性、地形地貌差異和人為因素等也會(huì)造成旱情空間變異性[22]，因此，對(duì)基本地域單元內(nèi)旱情信息進(jìn)行聚合時(shí)需綜合考慮其空間變異性和空間異質(zhì)性特征，有效地檢測(cè)地表空間格局、過(guò)程的相互作用并準(zhǔn)確映射，將表征區(qū)域內(nèi)旱情信息的數(shù)據(jù)集聚合為一個(gè)綜合了基本地域單元內(nèi)旱情信息的綜合指數(shù)值。此外，統(tǒng)計(jì)產(chǎn)量為區(qū)域統(tǒng)計(jì)水平的產(chǎn)量，受區(qū)域內(nèi)各種因素的影響。基本地域單元的聚合指數(shù)需為區(qū)域內(nèi)各種因素影響下具有統(tǒng)計(jì)特征的指數(shù)，能夠反映基本地域單元內(nèi)綜合地物信息特征及其相互影響。WA可被認(rèn)為是窗口內(nèi)每個(gè)像素具有同樣權(quán)重的濾波窗的特例[20]，而在實(shí)際應(yīng)用中，基本地域單元內(nèi)各像素應(yīng)分配不同的權(quán)重值，再乘以其對(duì)應(yīng)的VTCI并加和得到基本地域單元的綜合VTCI，即空間變異權(quán)重法(spatial variability-weighted methods)?？臻g變異權(quán)重法考慮了空間自相關(guān)性和變異性，改善了基本地域單元的上推結(jié)果。目前利用空間變異權(quán)重方法獲取區(qū)域的聚合加權(quán)指數(shù)的研究還鮮見(jiàn)報(bào)道。

條件植被溫度指數(shù)(VTCI)綜合了反射和輻射信息，已證明可用于監(jiān)測(cè)旱情狀況和作物估產(chǎn)[23-24]。本文在前人研究及課題組前期所做冬小麥干旱影響評(píng)估的基礎(chǔ)上[19,25]，以關(guān)中平原的市為基本地域單元，采用空間變異權(quán)重法對(duì)關(guān)中平原各市2008—2013年冬小麥返青后的主要生育期旬尺度的Aqua MODIS VTCI時(shí)間序列數(shù)據(jù)進(jìn)行空間尺度上推獲取聚合VTCI，計(jì)算冬小麥主要生育期加權(quán)VTCI后與冬小麥產(chǎn)量進(jìn)行回歸分析，以回歸分析精度為參考，并與WA對(duì)比分析，選擇適合于關(guān)中平原的VTCI尺度上推方法，為應(yīng)用于干旱影響評(píng)估的區(qū)域指數(shù)空間尺度聚合提供思路和方法。

1 材料與方法

1.1 研究區(qū)域概況

關(guān)中平原又稱渭河平原，位于陜西省中部，西起寶雞、東至潼關(guān)，南接秦嶺、北至北山，總面積約5.55×106hm2。地處渭河谷地，土地肥沃，有涇、渭等河流提供水源，十分適宜耕作，是陜西省主要糧食產(chǎn)區(qū)和我國(guó)重要的糧食產(chǎn)區(qū)。年平均溫度6～13℃，年均降水量500～600 mm，處于暖溫帶半濕潤(rùn)與半干旱的過(guò)渡地帶，為典型的大陸性季風(fēng)氣候區(qū)，雨熱同期，降水主要集中在7—9月份，冬季、春季降水量較少，冬旱、春旱嚴(yán)重，造成糧食減產(chǎn)。將研究區(qū)域的行政邊界矢量圖疊加到 VTCI 遙感影像上，對(duì)其按照各市的行政邊界進(jìn)行市屬的劃分，獲得關(guān)中平原分市概況圖(圖1)。由于楊凌示范區(qū)面積較小，故將其劃分到咸陽(yáng)市境內(nèi)。

圖1 研究區(qū)概況圖Fig.1 Map of study area

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

1.2.1 數(shù)據(jù)來(lái)源

數(shù)據(jù)源主要是2008—2013年Aqua MODIS數(shù)據(jù)產(chǎn)品，包括日反射率產(chǎn)品(MYD09GA)和日LST產(chǎn)品(MYD11A1)。冬小麥產(chǎn)量數(shù)據(jù)來(lái)源于歷年的《陜西省統(tǒng)計(jì)年鑒》。本文還采用陜西省行政區(qū)劃圖、DEM數(shù)據(jù)以及TM數(shù)據(jù)輔助確定研究區(qū)的范圍。

1.2.2 條件植被溫度指數(shù)生成

基于日NDVI(歸一化差分植被指數(shù))和LST(地表溫度)，應(yīng)用最大值合成技術(shù)分別生成旬NDVI和LST最大值合成產(chǎn)品，并以此計(jì)算條件植被溫度指數(shù)(VTCI)[26-27]

(1)

其中

Lmax(Ni)=a+bNi

(2)

Lmin(Ni)=a′+b′Ni

(3)

式中Ni——第i個(gè)時(shí)期(旬)某一像素的NDVIL(Ni)——某一像素的NDVI為Ni時(shí)的LSTLmax(Ni)——當(dāng)Ni值等于某一特定值時(shí)所有像素LST的最大值

Lmin(Ni)——當(dāng)Ni值等于某一特定值時(shí)所有像素LST的最小值

a、b、a′、b′——待定系數(shù)，由研究區(qū)域內(nèi)NDVI和LST散點(diǎn)圖近似獲得

VTCI取值范圍為0～1，值越小，旱情越嚴(yán)重。計(jì)算關(guān)中平原2008—2013年每年3月上旬—5月下旬共54旬的VTCI數(shù)據(jù)。

1.3 空間尺度上推方法

1.3.1 空間變異權(quán)重法

基本地域單元內(nèi)的局部空間自相關(guān)性可通過(guò)像素值和主導(dǎo)空間特征值的方差加以衡量，某像素值距主導(dǎo)空間特征像素值越遠(yuǎn)，方差越大，上推時(shí)給予其權(quán)重越小。通常將方差的倒數(shù)作為權(quán)重[20]。衡量主導(dǎo)空間特征像素值的方式不同產(chǎn)生不同的空間尺度上推方法。

本研究采用3種不同方法獲取基本地域單元內(nèi)的主導(dǎo)空間特征VTCI對(duì)基本地域單元內(nèi)VTCI進(jìn)行空間尺度上推。第1種方法是主導(dǎo)類變異權(quán)重法(Dominant class variability-weighted method，DCVW)，首先根據(jù)確定的基本地域單元內(nèi)VTCI的頻率分布確定主導(dǎo)類像素值，取頻率最大的VTCI作為主導(dǎo)空間特征VTCI，計(jì)算每個(gè)像素VTCI與主導(dǎo)空間特征VTCI的方差的倒數(shù)再除以VTCI的加和值即為此像素的權(quán)重。這種方法可以靈活運(yùn)用于不同分布狀態(tài)數(shù)據(jù)的空間尺度上推研究。其計(jì)算式為

(4)

其中

(5)

式中VU——基本地域單元內(nèi)尺度上推后的VTCIVi——基本地域單元內(nèi)某一像素的VTCIWi——權(quán)重Vd——主導(dǎo)空間特征像素VTCIm——基本地域單元內(nèi)總像素?cái)?shù)

第2種方法是中值變異權(quán)重法(Median pixel variability-weighted method，MPVW)，假設(shè)基本地域單元內(nèi)中間像素VTCI具備主導(dǎo)空間特征的機(jī)率最高，可通過(guò)中間像素VTCI和每個(gè)像素VTCI的方差量化空間變異，即將基本地域單元內(nèi)所有像素的VTCI進(jìn)行排序(若灰度相等則只取其一參與排序)，若參與排序的像素個(gè)數(shù)為奇數(shù)，取其中值作為主導(dǎo)空間特征像素VTCI；若為偶數(shù)，則取中間2個(gè)值的均值作為主導(dǎo)空間特征像素VTCI。計(jì)算式為

(6)

式中Vm——基本地域單元內(nèi)所有參與排序像素的VTCI中間值

Vm1、Vm2——基本地域單元內(nèi)所有參與排序像素VTCI的2個(gè)中間值

第3種方法是算術(shù)平均值變異權(quán)重法(Arithmetic average variability-weighted method，AAVW)，以基本地域單元內(nèi)所有像素的VTCI算術(shù)平均值和每個(gè)像素VTCI方差的倒數(shù)來(lái)衡量基本地域單元內(nèi)像素VTCI的空間變異性和相關(guān)性，即將基本地域單元內(nèi)所有像素VTCI的算術(shù)平均值作為主導(dǎo)類空間特征像素VTCI，計(jì)算式為

(7)

3種方法除基本地域單元內(nèi)主導(dǎo)空間特征像素VTCI的確定方法不同外，其計(jì)算方程和過(guò)程是一致的，在實(shí)際計(jì)算過(guò)程中僅將第1種方法中的像素主導(dǎo)類VTCI分別替換為中值和算術(shù)平均值即可。

1.3.2 不同生育期聚合式和分布式尺度上推

結(jié)合冬小麥越冬后生長(zhǎng)發(fā)育情況，將其越冬后主要生育期劃分為返青期(3月上旬—3月中旬)、拔節(jié)期(3月下旬—4月中旬)、抽穗-灌漿期(4月下旬—5月上旬)和乳熟期(5月中旬—5月下旬)。運(yùn)用聚合式(Aggregated)和分布式(Distributed)2種方式進(jìn)行空間尺度上推：①先依據(jù)主要生育期的劃分，取生育期內(nèi)所包含各旬VTCI的平均值作為該生育期的VTCI，再對(duì)研究區(qū)域內(nèi)所有像素冬小麥各生育期的VTCI數(shù)據(jù)進(jìn)行空間尺度上推，為聚合式。②先對(duì)研究區(qū)域內(nèi)所有像素冬小麥各旬VTCI數(shù)據(jù)進(jìn)行空間尺度上推，再計(jì)算生育期內(nèi)各旬VTCI的平均值作為該生育期的VTCI，為分布式。以返青期為例，聚合式和分布式過(guò)程如圖2所示。

圖2 聚合式與分布式尺度上推過(guò)程示意圖Fig.2 Up-scaling process schematics of aggregated and distributed modes

1.4 精度評(píng)價(jià)方法

采用決定系數(shù)R2、估計(jì)值標(biāo)準(zhǔn)誤差和F檢驗(yàn)比較分析VTCI上推結(jié)果的精度，并應(yīng)用相對(duì)誤差(RE)與均方根誤差(RMSE)比較冬小麥產(chǎn)量估計(jì)結(jié)果與年鑒統(tǒng)計(jì)結(jié)果之間的差異，以評(píng)價(jià)尺度上推方法的效果與精度。

基于關(guān)中平原2008—2013年每年3—5月份共54旬Aqua MODIS VTCI時(shí)間序列數(shù)據(jù)，采用聚合式和分布式DCVW、MPVW、AAVW 3 種空間尺度上推方法，獲取渭南市、咸陽(yáng)市、西安市和寶雞市的聚合VTCI。根據(jù)前期研究成果確定的冬小麥不同生育時(shí)期干旱對(duì)產(chǎn)量影響的權(quán)重系數(shù)(返青期0.03、拔節(jié)期0.50、抽穗-灌漿期0.30、乳熟期0.17)[25]，計(jì)算冬小麥主要生育期的加權(quán)VTCI。參照陜西省統(tǒng)計(jì)年鑒的各市冬小麥產(chǎn)量數(shù)據(jù)，對(duì) 3 種空間尺度上推方法所得加權(quán)VTCI與冬小麥產(chǎn)量作回歸分析和精度評(píng)價(jià)，以目前廣泛應(yīng)用的窗口均值法(WA)為參考，確定適用于關(guān)中平原干旱影響評(píng)估的區(qū)域VTCI空間尺度上推方法。

2 結(jié)果與分析

2.1 不同上推方法獲得的基本地域單元VTCI與冬小麥產(chǎn)量回歸分析

采用 3 種空間尺度上推方法獲取關(guān)中平原基本地域單元的聚合VTCI，分別計(jì)算冬小麥主要生育期的加權(quán)VTCI并與冬小麥產(chǎn)量進(jìn)行回歸分析，結(jié)果如表1所示。結(jié)果表明，聚合式上推方式獲得的基本地域單元的聚合VTCI與冬小麥產(chǎn)量的回歸模型均通過(guò)F檢驗(yàn)，其中MPVW的顯著性檢驗(yàn)P為0.005，其他上推方法的P均小于0.000 1，均達(dá)到極顯著水平，說(shuō)明 3 種空間尺度上推方法獲得的基本地域單元聚合VTCI與冬小麥產(chǎn)量的關(guān)系緊密。MPVW的決定系數(shù)為0.30，估計(jì)值標(biāo)準(zhǔn)誤差為403.94 kg/hm2，精度差于WA；DCVW 和AAVW的決定系數(shù)均較大且大于WA，估計(jì)值標(biāo)準(zhǔn)誤差均較小且小于WA，說(shuō)明與WA相比，采用DCVW 和AAVW獲得的估計(jì)值與真實(shí)值的近似誤差較小。其中DCVW的決定系數(shù)達(dá)到0.62，估計(jì)值標(biāo)準(zhǔn)誤差為298.83 kg/hm2，精度高于WA、MPVW和AAVW，表明DCVW回歸方程的代表性大于WA、MPVW和

表1 基于WA、DCVW、MPVW和AAVW空間尺度上推獲得的聚合VTCI與冬小麥產(chǎn)量的線性回歸分析Tab.1 Linear regression analysis of winter wheat yields and aggregated VTCIs up-scaled by WA, DCVW, MPVW and AAVW

AAVW，即聚合式DCVW優(yōu)于聚合式WA、MPVW和AAVW，聚合式DCVW能更好地映射基本地域單元的聚合VTCI與冬小麥產(chǎn)量的相關(guān)性。

分布式上推方法獲得的基本地域單元聚合VTCI與冬小麥產(chǎn)量回歸模型均通過(guò)F檢驗(yàn)，其顯著性檢驗(yàn)P除MPVW為0.005外均小于0.000 1，均達(dá)到極顯著水平，表明尺度上推后的VTCI與關(guān)中平原冬小麥產(chǎn)量極顯著相關(guān)。MPVW的決定系數(shù)為0.30，估計(jì)值標(biāo)準(zhǔn)誤差為403.47 kg/hm2，精度低于WA；DCVW和AAVW的決定系數(shù)分別達(dá)到了0.64和0.59，估計(jì)值標(biāo)準(zhǔn)誤差分別為289.97 kg/hm2和307.02 kg/hm2，精度較高且高于WA。其中DCVW獲得的決定系數(shù)最大，估計(jì)值的標(biāo)準(zhǔn)誤差最小，其回歸模型擬合優(yōu)度較好，回歸方程的可靠性和實(shí)用價(jià)值較其他方法大，說(shuō)明DCVW對(duì)基本地域單元VTCI的空間尺度上推較為合理和準(zhǔn)確。

由分析結(jié)果可知，由于分布式尺度上推過(guò)程充分考慮了冬小麥某一生育期每旬VTCI各像素間的變異性和相關(guān)性，分布式上推方法的結(jié)果整體略優(yōu)于聚合式結(jié)果。MPVW的回歸分析精度明顯差于WA、DCVW和AAVW。這是由于MPVW取基本地域單元內(nèi)所有VTCI的中間值作為主導(dǎo)空間特征像素值，而基本地域單元內(nèi)地表旱情變異較大，其VTCI分布可能為偏態(tài)分布，尺度上推的過(guò)程是基本地域單元內(nèi)所有像素值向某一值聚集的過(guò)程，當(dāng)基本地域單元內(nèi)的像素值分布為偏態(tài)分布時(shí)即較旱或較不旱時(shí)，利用MPVW進(jìn)行尺度上推易弱化偏旱或較不旱的信息，造成尺度上推結(jié)果偏離。而DCVW則考慮了不同程度旱情的分布，以基本地域單元內(nèi)頻率最大的VTCI作為主導(dǎo)空間特征VTCI，確定的聚合VTCI具有代表性且較為準(zhǔn)確，因此，分布式DCVW更適用于開展基于干旱影響評(píng)估的關(guān)中平原VTCI空間尺度上推研究。

2.2 基于分布式DCVW獲得的冬小麥估計(jì)產(chǎn)量及其精度評(píng)價(jià)

采用分布式DCVW空間尺度上推方法獲得的聚合VTCI估算關(guān)中平原各市2008—2013年的冬小麥產(chǎn)量，結(jié)合各市的歷年產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)對(duì)估產(chǎn)結(jié)果的精度進(jìn)行評(píng)價(jià)(表2)。結(jié)果表明，關(guān)中平原各市的產(chǎn)量估計(jì)結(jié)果與年鑒統(tǒng)計(jì)的產(chǎn)量較為接近，RMSE和RE均較小，說(shuō)明分布式DCVW空間尺度上推方法確定的聚合VTCI均較為合理。統(tǒng)計(jì)冬小麥產(chǎn)量估計(jì)結(jié)果相對(duì)誤差的區(qū)間分布，分布式DCVW獲得的結(jié)果中相對(duì)誤差小于5.0%的達(dá)到了66.67%，進(jìn)一步說(shuō)明采用分布式DCVW空間尺度上推方法獲取的聚合VTCI的估計(jì)產(chǎn)量精度較高。

表2 基于分布式DCVW尺度上推方法冬小麥估計(jì)產(chǎn)量與統(tǒng)計(jì)產(chǎn)量對(duì)比分析Tab.2 Comparison of winter wheat estimated yields with statistic data based on DCVW

關(guān)中平原是春旱的高發(fā)地。據(jù)氣象部門報(bào)道，2013年陜西省遭遇了自1961年以來(lái)最嚴(yán)重的一次氣候干旱。關(guān)中平原降水稀少，與歷年同期相比偏少50%～90%。以采用分布式DCVW獲得的聚合VTCI估算的關(guān)中平原各市2013年冬小麥產(chǎn)量為例，與年鑒統(tǒng)計(jì)的產(chǎn)量進(jìn)行對(duì)比分析，結(jié)果顯示，各市的產(chǎn)量估計(jì)結(jié)果與年鑒統(tǒng)計(jì)產(chǎn)量較為接近，估計(jì)產(chǎn)量精度較高。渭南市的實(shí)際產(chǎn)量為3 307 kg/hm2，估計(jì)產(chǎn)量為3 394.67 kg/hm2，絕對(duì)誤差為87.67 kg/hm2，相對(duì)誤差為2.65%；咸陽(yáng)市實(shí)際產(chǎn)量為3 966 kg/hm2，估計(jì)產(chǎn)量為3 636.95 kg/hm2，絕對(duì)誤差為-329.04 kg/hm2，相對(duì)誤差為8.29%；寶雞市實(shí)際產(chǎn)量為3 879 kg/hm2，估計(jì)產(chǎn)量為4 130.23 kg/hm2，絕對(duì)誤差為251.23 kg/hm2，相對(duì)誤差為6.47%；西安市實(shí)際產(chǎn)量為4 153 kg/hm2，估計(jì)產(chǎn)量為3 931.58 kg/hm2，絕對(duì)誤差為-221.41 kg/hm2，相對(duì)誤差為5.33%。結(jié)果進(jìn)一步表明采用分布式DCVW空間尺度上推得到的基本地域單元的聚合VTCI應(yīng)用于干旱影響評(píng)估精度較高，可用于關(guān)中平原冬小麥的干旱影響評(píng)估。

3 討論

將旱情的空間信息從像素尺度轉(zhuǎn)換為研究所需的基本地域單元尺度所采用的方法會(huì)顯著影響聚合結(jié)果，進(jìn)而影響基于聚合結(jié)果的干旱影響評(píng)估精度，因此準(zhǔn)確聚合有用空間旱情信息的方法是干旱影響評(píng)估的關(guān)鍵。關(guān)中平原地處季風(fēng)邊緣氣候敏感區(qū)，對(duì)氣候變化敏感，旱災(zāi)頻發(fā)，旱情空間分布不均且強(qiáng)度差異較大，準(zhǔn)確評(píng)估干旱影響具有重要意義。準(zhǔn)確推斷旱情空間信息的關(guān)鍵在于抓住旱情信息的主導(dǎo)空間特征、格局和過(guò)程[21]?；镜赜騿卧獌?nèi)像素的VTCI具有空間自相關(guān)性且空間變異性較大。采用WA獲取區(qū)域聚合VTCI以衡量干旱對(duì)冬小麥產(chǎn)量影響的傳統(tǒng)計(jì)算方法僅是將研究區(qū)域內(nèi)像元信息平均化，忽視和弱化了旱情信息的自相關(guān)性和變異性，不能夠準(zhǔn)確反映研究區(qū)域覆蓋范圍內(nèi)干旱綜合信息特征。本文采用空間變異權(quán)重法中的DCVW、MPVW和AAVW空間尺度上推方法獲取冬小麥各生育期基本地域單元的聚合VTCI。其中DCVW的精度遠(yuǎn)高于WA。這是由于基本地域單元內(nèi)旱情的時(shí)空變異性較大，DCVW在數(shù)據(jù)處理過(guò)程中首先考慮旱情信息空間分布的主導(dǎo)特征，選擇基本地域單元內(nèi)VTCI頻率分布最大的VTCI作為主導(dǎo)空間特征VTCI，通過(guò)計(jì)算基本地域單元內(nèi)每個(gè)像素VTCI與主導(dǎo)空間特征VTCI的方差來(lái)衡量局部空間自相關(guān)。在對(duì)基本地域單元內(nèi)所有像素VTCI進(jìn)行聚合時(shí)，DCVW通過(guò)對(duì)每個(gè)像素賦予不同的權(quán)重，可靈活、準(zhǔn)確估算VTCI表征的旱情空間信息空間自相關(guān)性和變異性，能夠有效地檢測(cè)地表空間格局的相互作用，減少旱情信息損失，其獲得的聚合VTCI有效、準(zhǔn)確地反映了基本地域單元區(qū)域覆蓋范圍內(nèi)綜合旱情信息特征。相對(duì)于前人及課題組前期采用WA所做的干旱影響評(píng)估研究[19]，采用DCVW對(duì)基本地域單元內(nèi)旱情信息聚合上推獲得的結(jié)果精度和魯棒性都得到顯著改善和提高。

本文中DCVW的空間尺度上推效果最好，而MPVW的效果最差，這是由于干旱的形成是一種復(fù)雜的過(guò)程，關(guān)中平原VTCI隨結(jié)構(gòu)性因素變化，表現(xiàn)出地域差異性。DCVW是將能夠代表主導(dǎo)類像素的值作為主導(dǎo)空間特征像素值進(jìn)行上推，而MPVW則是僅考慮了中間1個(gè)或2個(gè)像素作為主導(dǎo)空間特征像素值，容易造成主導(dǎo)空間特征像素值錯(cuò)估，同時(shí)，當(dāng)基本地域單元內(nèi)的像素值分布為偏態(tài)分布時(shí)，容易弱化引起偏度分布的旱情信息，利用MPVW容易出現(xiàn)尺度上推結(jié)果偏離的現(xiàn)象。

分布式結(jié)果整體優(yōu)于聚合式結(jié)果，這主要是由于分布式尺度上推過(guò)程充分考慮了冬小麥某一生育期各旬VTCI像素間的變異性和相關(guān)性，而聚合式上推過(guò)程僅針對(duì)冬小麥某一生育期各旬平均VTCI進(jìn)行估算，忽視和弱化了各旬VTCI的特征和變異。

4 結(jié)論

(1) 通過(guò)分析分布式和聚合式DCVW、MPVW和AAVW空間尺度上推方法得到的聚合VTCI與冬小麥產(chǎn)量的回歸分析結(jié)果，結(jié)果表明MPVW差于WA，而DCVW和AAVW均優(yōu)于WA。尤其是分布式DCVW，其回歸模型精度最高，擬合優(yōu)度最好，分布式DCVW對(duì)關(guān)中平原冬小麥不同生育時(shí)期基本地域單元聚合VTCI的確定最為合理。同時(shí)，結(jié)合關(guān)中平原各市的歷年冬小麥產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)對(duì)分布式DCVW估產(chǎn)結(jié)果的精度進(jìn)行評(píng)價(jià)，結(jié)果表明關(guān)中平原各市的產(chǎn)量估計(jì)結(jié)果與年鑒統(tǒng)計(jì)的產(chǎn)量較為接近，精度較高，進(jìn)一步說(shuō)明分布式DCVW獲得的聚合VTCI應(yīng)用于干旱影響評(píng)估的精度較高。分布式DCVW更適用于基于干旱對(duì)冬小麥生產(chǎn)及產(chǎn)量影響評(píng)估的區(qū)域指數(shù)空間尺度上推研究。

(2) 充分利用分布式DCVW在數(shù)據(jù)處理過(guò)程中考慮旱情信息的空間自相關(guān)性和空間變異性，能夠有效檢測(cè)地表旱情信息的主導(dǎo)特征和空間變異格局、過(guò)程的特性，解決了傳統(tǒng)方法WA在聚合過(guò)程中易造成旱情信息損失的問(wèn)題，為基于干旱影響評(píng)估和冬小麥估產(chǎn)的區(qū)域范圍內(nèi)的指數(shù)聚合提供了一種有效的方法。

1 周丹, 張勃, 任培貴, 等. 基于標(biāo)準(zhǔn)化降水蒸散指數(shù)的陜西省近50 a干旱特征分析[J/OL]. 自然資源學(xué)報(bào), 2014, 29(4): 677-688.http:∥www.jnr.ac.cn/CN/abstract/abstract2839.shtml.DOI: 10.11849/zrzyxb.2014.04.012. ZHOU Dan, ZHANG Bo, REN Peigui, et al. Analysis of drought characteristics of Shaanxi Province in recent 50 years based on standardized precipitation evapotranspiration index [J/OL]. Journal of Natural Resources, 2014, 29(4): 677-688.(in Chinese)

2 郭曉鴿, 龐獎(jiǎng)勵(lì), 史興民, 等. 關(guān)中平原近50年來(lái)氣候生產(chǎn)力的變化及對(duì)植物影響研究[J]. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究, 2010, 26(4): 395-400. GUO Xiaoge, PANG Jiangli, SHI Xingming, et al. Variation of climate productivity and its impact on plants in Guanzhong Plain for last 50 years [J]. System Sciences and Comprehensive Studies in Agriculture, 2010, 26(4): 395-400. (in Chinese)

3 白雪嬌, 王鵬新, 解毅, 等. 基于結(jié)構(gòu)相似度的關(guān)中平原旱情空間分布特征[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(11): 348-354. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151147&flag=1.DOI:10.6041/j.issn.1000-1298.2015.11.047. BAI Xuejiao, WANG Pengxin, XIE Yi, et al. Spatial distribution characteristics of droughts in Guanzhong Plain using the vegetation temperature condition index and structural similarity [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 348-354. (in Chinese)

4 蔡明科. 關(guān)中地區(qū)水文、氣象干旱特征對(duì)比研究[J]. 灌溉排水學(xué)報(bào), 2003, 22(6): 33-37. CAI Mingke. Comparative study on hydrologic-meteorological-drought characteristics of Guanzhong areas [J]. Journal of Irrigation and Drainage, 2003, 22(6): 33-37. (in Chinese)

5 劉曉寧, 賈忠華. 模糊綜合評(píng)價(jià)在關(guān)中灌區(qū)干旱評(píng)價(jià)中的應(yīng)用[J]. 水資源與水工程學(xué)報(bào), 2005, 16(2): 62-65. LIU Xiaoning, JIA Zhonghua. Fuzzy synthetic evaluating and its application in the establishment of the drought index in Guanzhong region [J]. Journal of Water and Resources and Water Engineering, 2005, 16(2): 62-65. (in Chinese)

6 譚學(xué)志, 粟曉玲, 邵東國(guó). 基于SPI的陜西關(guān)中地區(qū)氣象干旱空間特征分析[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2011, 29(2): 224-229. TAN Xuezhi, SU Xiaoling, Shao Dongguo. Analysis of special and temporal characteristics of meteorological drought in Guanzhong region of Shaanxi Province [J]. Agriculture Research in the Arid Areas, 2011, 29(2): 224-229. (in Chinese)

7 BENEDETTI R, ROSSINI P. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield estimate and forecast in Emilia Romagna [J]. Remote Sensing of Environment, 1993, 45(3): 311-326.

8 RASMUSSEN M S. Assessment of millet yields and production in northern Burkina Faso using integrated NDVI from the AVHRR [J]. International Journal of Remote Sensing, 1992, 13(13): 3431-3442.

9 ANUP K P, CHAI L, SINGH R P, et al. Crop yield estimation model for Iowa using remote sensing and surface parameters [J]. International Journal of Applied Earth Observation and Geoinformation, 2006, 8(1): 26-33.

10 何亞娟, 潘學(xué)標(biāo), 裴志遠(yuǎn), 等. 基于 SPOT 遙感數(shù)據(jù)的甘蔗葉面積指數(shù)反演和產(chǎn)量估算[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(5): 226-231.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130539&flag=1..DOI: 10.6041/j.issn.1000-1298.2013.05.039. HE Yajuan, PAN Xuebiao, PEI Zhiyuan, et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 226-231. (in Chinese)

11 高中靈, 徐新剛, 王紀(jì)華, 等. 基于時(shí)間序列 NDVI 相似性分析的棉花估產(chǎn)[J/OL]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(2): 148-153.http:∥www.tcsae.org/nygcxb/ch/reader/view_abstract.aspx?flag=1&file_no=20120226&journal_id=nygcxb.DOI: 10.3969/j.issn.1002-6819.2012.02.026. GAO Zhongling, XU Xin’gang, WANG Jihua, et al. Cotton yield estimation based on similarity analysis of time-series NDVI[J/OL]. Transactions of the CSAE, 2012, 28(2):148-153. (in Chinese)

12 田苗, 王鵬新, 張樹譽(yù), 等. 基于條件植被溫度指數(shù)的冬小麥產(chǎn)量預(yù)測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(2): 239-245. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140240&flag=1.DOI: 10.6041/j.issn.1000-1298.2014.02.040. TIAN Miao, WANG Pengxin, ZHANG Shuyu, et al. Winter wheat yield forecasting based on vegetation temperature condition index [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 239-245. (in Chinese)

13 AMRHEIN C G. Searching for the elusive aggregation effect: evidence from statistical simulations[J]. Environment and Planning A, 1995, 27(1): 105-119.

14 WOODCOCK C E, STRAHLER A H. The factor of scale in remote sensing[J]. Remote Sensing of Environment, 1987, 21(3):311-332.

15 MARCEAU D J, HAY G J. Remote sensing contributions to the scale issue[J]. Canadian Journal of Remote Sensing, 1999, 25(4): 357-366.

16 馬玉平, 孫琳麗, 俄有浩, 等. 預(yù)測(cè)未來(lái)40年氣候變化對(duì)我國(guó)玉米產(chǎn)量的影響[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2015, 26(1): 224-232. MA Yuping, SUN Linli, E Youhao, et al. Predicting the impact of climate change in the next 40 years on the yield of maize in China[J]. Chinese Journal of Applied Ecology, 2015, 26(1): 224-232. (in Chinese)

17 杜靈通, 田慶久, 王磊, 等. 基于多源遙感數(shù)據(jù)的綜合干旱監(jiān)測(cè)模型構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014，30(9): 126-132. DU Lingtong, TIAN Qingjiu, WANG Lei, et al. A synthesized drought monitoring model based on multi-source remote sensing data[J]. Transactions of the CSAE, 2014, 30(9): 126-132. (in Chinese)

18 趙捷, 徐宗學(xué), 左德鵬, 等. 黑河上中游流域地表植被對(duì)干旱的響應(yīng)[J]. 北京師范大學(xué)學(xué)報(bào):自然科學(xué)版, 2014(5): 543-548. ZHAO Jie, XU Zongxue, ZUO Depeng, et al. Vegetation response to meteorological drought in upper and middle reaches of the Heihe River basin[J]. Journal of Beijing Normal University: Natural Science, 2014(5): 543-548. (in Chinese)

19 李艷, 王鵬新, 劉峻明, 等. 基于條件植被溫度指數(shù)的冬小麥主要生育時(shí)期干旱監(jiān)測(cè)效果評(píng)價(jià)Ⅲ―干旱對(duì)冬小麥產(chǎn)量的影響評(píng)估[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2014,32(5): 218-222. LI Yan, WANG Pengxin, LIU Junming, et al. Evaluation of drought monitoring effects in the main growing and development stages of winter wheat using the vegetation temperature condition indexⅢ—impact evaluation of drought on winter wheat[J]. Agricultural Research in the Arid Areas, 2014,32(5): 218-222.(in Chinese)

20 WANG G, GERTNER G, ANDERSON A B. Up-scaling methods based on variability-weighting and simulation for inferring spatial information across scales[J]. International Journal of Remote Sensing, 2004, 25(22): 4961-4979.

21 HAY G J, NIERNANN K O, GOODENOUGH D G. Spatial thresholds, image-objects, and upscaling: a multiscale evaluation[J]. Remote Sensing of Environment, 1997, 62(1): 1-19.

22 ATKINSON P M, CURRAN P J. Choosing an appropriate spatial resolution for remote sensing investigations [J]. Photogrammetric Engineering and Remote Sensing, 1997, 63(12): 1345-1351.

23 PATEL N R, PARIDA B R, Venus V, et al. Analysis of agricultural drought using vegetation temperature condition index (VTCI) from Terra/MODIS satellite data [J]. Environmental Monitoring and Assessment, 2012, 184(12): 7153-7163.

24 蘇濤, 王鵬新, 劉翔舸, 等. 基于熵值組合預(yù)測(cè)和多時(shí)相遙感的春玉米估產(chǎn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(1): 186-192. SU Tao, WANG Pengxin, LIU Xiangge, et al. Spring maize yield estimation based on combination of forecasting of entropy method and multi-temporal remotely sensed data [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(1): 186-192. (in Chinese)

25 王蕾. 基于條件植被溫度指數(shù)的冬小麥生育時(shí)期干旱影響評(píng)估研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué), 2015. WANG Lei. Estimation of drought impact on the main growth stage of winter wheat based on vegetation temperature condition index[D].Beijing: China Agricultural University, 2015.(in Chinese)

26 王鵬新, 龔健雅, 李小文. 條件植被溫度指數(shù)及其在干旱監(jiān)測(cè)中的應(yīng)用[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版, 2001, 26(5): 412-418. WANG Pengxin, GONG Jianya, LI Xiaowen. Vegetation temperature condition index and its application for drought monitoring [J]. Geomatics and Information Science of Wuhan University, 2001, 26(5): 412-418. (in Chinese)

27 孫威, 王鵬新, 韓麗娟, 等. 條件植被溫度指數(shù)干旱監(jiān)測(cè)方法的完善[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2006, 22(2): 22-26.

Drought Impact Assessment Based on Spatial Up-scaling Methods of Vegetation Temperature Condition Index

BAI Xuejiao1WANG Pengxin1ZHANG Shuyu2LI Li1WANG Lei1XIE Yi1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.ShaanxiProvincialMeteorologicalBureau,Xi’an710014,China)

Up-scaling method for inferring spatial information from a pixel scale to a basic unit scale has significant effects on aggregating results and decision-making. Therefore, developing appropriate methods to accurately up-scale spatial data is the key to infer useful drought information. The time series of vegetation temperature condition index (VTCI) drought monitoring results in Guanzhong Plain from early March to late May in the years from 2008 to 2013 were spatially transformed from a pixel scale to a basic unit scale by using the dominant class variability-weighted method (DCVW), arithmetic average variability-weighted method (AAVW) and median pixel variability-weighted method (MPVW) in the distributed mode and aggregated mode to obtain the aggregated VTCIs. The weighted VTCIs of winter wheat in main growth period were calculated, and the regression analysis between the weighted VTCIs and winter wheat yields was applied as references to evaluate up-scaling methods. The results showed that the regression analysis results of the three methods in the distributed up-scaling mode were generally better than those in the aggregated up-scaling mode. The regression analysis results in the distributed up-scaling mode also indicated that the computing accuracy was high by DCVW and AAVW and was low by MPVW. DCVW in the distributed up-scaling mode was the most accurate method with the highest determination coefficient and the lowest estimated standard error, which were 0.64 and 289.97 kg/hm2, respectively. The estimation yields of winter wheat which obtained by DCVW were very close to the levels of statistics yearbook of Shaanxi Province, indicating that the estimation precision of DCVW mehtod was high, and the method was robust. Overall, the method of DCVW in distributed up-scaling mode was the most reasonable approach to up-scale VTCIs in Guanzhong Plain from a pixel scale to a basic unit scale.

vegetation temperature condition index; spatial up-scaling; drought impact assessment; precision evaluation

10.6041/j.issn.1000-1298.2017.02.023

2016-06-16

2016-07-28

國(guó)家自然科學(xué)基金項(xiàng)目(41371390)

白雪嬌(1988—)，女，博士生，主要從事定量遙感及其在農(nóng)業(yè)中的應(yīng)用研究，E-mail： baixuejiaoz@126.com

王鵬新(1965—)，男，教授，博士生導(dǎo)師，主要從事定量遙感及其在農(nóng)業(yè)中的應(yīng)用研究，E-mail： wangpx@cau.edu.cn

S127

A

1000-1298(2017)02-0172-07