劉 丹，馮 銳，于成龍，唐 權，郭春玲

基于植被指數的春玉米干旱響應遙感監(jiān)測

劉 丹1,2,3，馮 銳4，于成龍1,2,3※，唐 權5，郭春玲5

（1. 中國氣象局東北地區(qū)生態(tài)氣象創(chuàng)新開放實驗室，哈爾濱 150030； 2. 黑龍江省氣象院士工作站，哈爾濱 150030；3. 黑龍江省氣象科學研究所，哈爾濱 150030； 4. 中國氣象局沈陽大氣環(huán)境研究所，沈陽 110166；5. 凌海市生態(tài)建設發(fā)展中心，凌海 121200）

東北地區(qū)是中國主要的玉米種植區(qū)，同時也是中國易發(fā)生干旱的地區(qū)，干旱常態(tài)化嚴重制約著該地區(qū)玉米生產的穩(wěn)定發(fā)展。以遼寧省春玉米為研究對象，在明確春玉米不同發(fā)育期干旱變化特征的基礎上，基于FY-3A/MERSI、Terra/MODIS、春玉米發(fā)育期和土壤相對濕度觀測等數據，建立春玉米干旱遙感監(jiān)測指標集，構建各發(fā)育期不同土層深度的土壤相對濕度遙感監(jiān)測模型，并以2000年為例開展了遼寧省春玉米干旱監(jiān)測的應用研究，結果表明：1993—2012年遼寧省春玉米在各個發(fā)育期均有干旱發(fā)生，其中1999—2002年為干旱高發(fā)期，乳熟期干旱最為嚴重；多指數協(xié)同配合能提高遙感手段對土壤相對濕度的監(jiān)測能力，其中陸表水分指數對土壤相對濕度監(jiān)測能力較強，其次是水分指數；利用構建的春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型，監(jiān)測2001—2004年部分發(fā)育期和土層深度的干旱狀況，總體監(jiān)測準確率為73.32%；實現了2000年遼寧省春玉米發(fā)育期干旱等級動態(tài)監(jiān)測，所得監(jiān)測結果與當年農業(yè)氣象觀測記錄在發(fā)育階段和空間上都有很好的一致性，遙感監(jiān)測結果正確。因此，此項研究對于大范圍準確跟蹤監(jiān)測春玉米干旱，以及提高春玉米生產的防災減災能力具有重要意義。

遙感；干旱；植被；春玉米；發(fā)育期

0 引 言

干旱對全球陸地生態(tài)系統(tǒng)影響廣泛[1]，在全球氣候變化背景下，干旱發(fā)生頻率和強度都在增加[2]，在中國旱災是影響糧食生產最嚴重的自然災害[3]。遼寧省地處歐亞大陸東岸的中緯度地區(qū)，屬溫帶大陸性季風氣候，干旱是該省主要的農業(yè)氣象災害[4-5]，20世紀90年代以來生長季干旱整體呈加劇趨勢[6-7]，根據中華人民共和國國家統(tǒng)計局（http://data.stats.gov.cn/index.htm）公布的數據顯示，2010—2017年全省農作物遭受旱災面積年均達5.58×103km2，占總受災面積的64.22%。該省也是中國糧食主產區(qū)，春玉米是第一大糧食作物，播種面積占全國玉米播種面積的6.35%，占本省農作物播種面積的60%以上，春玉米生產以“雨養(yǎng)”為主，因旱災絕收的面積年均達1.02×103km2，占總絕收面積的71.08%。因此，探尋春玉米全生育期干旱監(jiān)測的有效手段，及時準確地掌握春玉米旱情發(fā)生、發(fā)展和消退過程，將為提高春玉米生產的防災減災能力具有重要意義。

目前農業(yè)干旱監(jiān)測數據來源主要有2種，一種是地基數據，主要是土壤水分或氣象要素的地面觀測數據，研究者基于這些數據，結合作物生長發(fā)育特點，形成了很多監(jiān)測指標，如土壤含水量指標[8]、降水量指標[9]、標準化降水指數（standardized precipitation index，SPI）[10]、改進帕爾默干旱指數（self-calibrated palmer drought severity index，sc-PDSI）[11]、標準化降水蒸散指數（standardized precipitation evapotranspiration index，SPEI）[12]等，這些指標在干旱監(jiān)測、干旱風險和災損評估等方面得到應用，為農業(yè)旱情監(jiān)測奠定了基礎，對于深入探討農業(yè)干旱監(jiān)測理論具有重要意義，但這些指標都是基于點觀測數據，空間代表性有限，即使利用空間插值等技術進行數據網格化處理，其監(jiān)測精度在地形復雜和觀測點分布稀疏的區(qū)域仍然有限；另一種是遙感數據，研究者利用大氣、土壤或植被在不同狀態(tài)時的光譜差異，探尋敏感光譜波段與它們之間的關系，建立多種遙感指數，通過監(jiān)測大氣可降水[13]、土壤含水量[14]、作物生理及形態(tài)[15]等指標實現干旱監(jiān)測，經過多年的探索，取得了豐富成果，總結出如紅光波段（630～740 nm）、近紅外波段（930～1 130 nm）、短波紅外波段（1 500～1 750 nm）、微波（C波段和L波段）等敏感波段[16-17]，以及歸一化植被指數（normalized difference vegetation index，NDVI）、增強植被指數（enhanced vegetation index，EVI）、歸一化水指數（normalized difference water index，NDWI）等常用的遙感指數[18-20]，因遙感數據具有覆蓋范圍廣、觀測空間連續(xù)等特點，彌補了傳統(tǒng)地面觀測空間分辨率低的不足，在農業(yè)干旱監(jiān)測中具有良好前景。

然而由于地氣系統(tǒng)的復雜性和生物的多樣性，遙感指數的適用性可能受不同地域、不同時間尺度、不同作物、作物的不同發(fā)育期等多種因素的影響而有所差異[21]，因此對于某一特定區(qū)域的農作物，需要有針對性地開展遙感指數干旱監(jiān)測的適用研究，提高遙感監(jiān)測精度，擴大其實用性，從而推動干旱遙感監(jiān)測的業(yè)務化發(fā)展。本研究以遼寧省春玉米為例，基于FY-3A/MERSI和Terra/MODIS數據，結合土壤相對濕度和春玉米發(fā)育期觀測數據，了解遼寧省春玉米不同發(fā)育期干旱變化特征，分析多時間尺度遙感指數與不同土層深度的土壤相對濕度的相關關系，建立春玉米各發(fā)育期土壤相對濕度監(jiān)測指標集，分別春玉米發(fā)育期和土層深度構建土壤相對濕度遙感監(jiān)測模型，并開展實用分析。研究將為該省春玉米干旱遙感監(jiān)測提供新思路，也為遙感指數同化入作物估產模型提供理論參考。

1 研究區(qū)概況

遼寧省位于東北地區(qū)南部，東經118°53′－125°46′，北緯38°43′－43°26′，陸地面積14.59萬km2，大陸海岸線全長2 178 km，東起鴨綠江口，西至山海關老龍頭。該省地勢大體為北高南低，從陸地向海洋傾斜，山地丘陵分列于東西兩側，向中部平原傾斜；遼寧省位于溫帶大陸性季風氣候區(qū)，境內雨熱同季，日照豐富，四季分明，雨量分配不均，呈東多西少的分布格局；年平均氣溫5.45～11.26 ℃，年降水量433～1 079 mm（數據來源于國家氣象信息中心http://data.cma.cn/：1981－2010年中國地面累年值日值數據集）（圖1）。

圖1 研究區(qū)位置示意圖及年氣溫和降水及土地利用情況

該省大部分農區(qū)位于中部，主要糧食作物有玉米、小麥、水稻、谷子、高粱等，其中玉米播種面積最大，2017年播種面積達2.69萬km2，占全省農作物播種面積的64.52%（數據來源于中華人民共和國國家統(tǒng)計局：http://data.stats.gov.cn/index.htm）。

2 數據與方法

2.1 數據來源與處理

2.1.1 遙感數據

本研究利用Terra/MODIS（2000－2004年、2008－2010年）和FY-3A/MERSI（2009－2012年）極軌衛(wèi)星數據，構建多指數數據集，其中2000年數據用于探究春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型在大面積空間的監(jiān)測效果，2001－2004年數據用于驗證土壤相對濕度遙感監(jiān)測模型在觀測站點監(jiān)測的準確率，2008年的Terra/MODIS數據和2009－2012年的FY-3A/MERSI數據用于進行遙感指數與土壤相對濕度相關性研究和構建土壤相對濕度遙感監(jiān)測模型，2009－2010年的Terra/MODIS數據用于計算其與相同時間點的FY-3A/MERSI數據在相同遙感指數值上的差異，以此訂正2009－2012年的FY-3A/MERSI數據計算的遙感指數。Terra/MODIS數據來源于美國地球數據中心（https://earthdata.nasa.gov/）的4－10月1 km空間分辨率的日數據，FY-3A/MERSI數據來源于中國衛(wèi)星氣象中心（http://satellite.nsmc.org.cn/PortalSite/Default.aspx）的4－10月1 km空間分辨率的日數據，傳感器類型為MERSI。在對數據進行投影和大氣校正后，以該省海岸線為地標進行幾何校正。

2.1.2 春玉米發(fā)育期和土壤相對濕度數據

來自于中國氣象數據網（http://data.cma.cn/）的“中國農作物生長發(fā)育和農田土壤濕度旬值數據集”，該數據集包括每10天（每月8日、18日和28日）觀測的作物名稱、發(fā)育期狀況、積溫、各發(fā)育期對應的10、20、50、70和100 cm深處土壤相對濕度，本研究所用數據的時間范圍為1993－2012年，空間范圍為遼寧省18個觀測站。

2.1.3 氣象數據

氣象數據來源于中國氣象數據網（http://data.cma.cn/）的“中國地面氣候資料日值數據集（V3.0）”，該數據包含了中國699個基準氣象站（或基本氣象站）1951年1月以來的氣壓、氣溫、降水量、蒸發(fā)量、相對濕度、風向風速、日照時數和0 cm地溫要素的日值數據，其中遼寧省有25個氣象站，本研究所用數據的時間范圍為2000－2012年。

2.1.4 土壤質地數據

數據來源于中國科學院資源環(huán)境科學數據中心（http://www.resdc.cn）的“中國土壤質地空間分布數據集”，該數據依據1:100萬土壤類型圖和第二次土壤普查獲取到的土壤剖面數據編制而成，根據砂粒、粉粒、黏粒含量劃分土壤質地。本研究參照“國際制土壤質地分級標準”，依據土壤砂粒含量劃分遼寧省18個觀測站的土壤質地，其中有16個觀測站為壤土（砂粒含量在40%～55%之間），2個觀測站為沙土（砂粒含量＞55%）。

2.1.5 土地利用類型數據

數據來源于中國科學院資源環(huán)境科學數據中心（http://www.resdc.cn）的“中國土地利用遙感監(jiān)測數據集”，該數據集以Landsat TM/ETM遙感影像為主要數據源，通過人工目視解譯，生成1:10萬比例尺土地利用現狀數據，其土地利用類型包括耕地、林地、草地、水域、居民用地和未利用土地6個一級類型以及25個二級類型。

根據鄰近原則，2000－2002年選用2000年的土地利用類型數據提取旱田范圍，2003－2007年選用2005年的土地利用類型數據，2008－2012年選用2010年的土地利用類型數據，考慮到所用干旱監(jiān)測的遙感數據的空間分辨率為1 km，對小于1 km的旱作物種類的區(qū)分能力有限，所以本研究在進行春玉米遙感監(jiān)測模型的實用研究中，監(jiān)測范圍包括所有旱田。

2.1.6 地理信息數據

利用數字高程模型（DEM）參與遙感數據預處理，該DEM為SRTM地形產品V4.1版本數據，空間分辨率為90m，數據來源于中國科學院計算機網絡信息中心國際科學數據鏡像網站（http://www.gscloud.cn），根據需要將數據的空間分辨率重采樣為1 km。

研究所需的行政區(qū)劃數據來自于中國氣象局下發(fā)的1:25萬基礎地理信息，對數據進行拓撲檢查，去除邊界間隙。以上數據的地理坐標均轉換為WGS-1984，投影方式為等經緯度投影。

2.2 研究方法

2.2.1 遙感指數生成

選取反映作物形態(tài)和作物含水量的遙感指數，研究其對春玉米不同發(fā)育期、不同土層深度干旱監(jiān)測的適用性，其中反映作物形態(tài)的遙感指數包括NDVI、EVI和棕色植被指數（brown vegetation index，BVI）；反映作物含水量的遙感指數包括NDWI、陸表水分指數（land surface water index，LSWI）和水分指數（Water Index，簡稱WI）。利用最大值合成方法，以5、10和20 d為時間尺度，構建各指數數據集。具體計算公式如表1。

另外，雖然FY-3A/MERSI、Terra/MODIS數據在衛(wèi)星過境時間、波段設置、空間分辨率上有很多相似性，但相似波段的中心波長、光譜帶寬、定標精度等還存在一定差異，本研究利用于成龍等[22]的方法，計算2009—2010年的Terra/MODIS數據與FY-3A/MERSI數據在相同時間點上生成的遙感指數的差異，求取各指數差異的平均值，使兩個傳感器數據生成的同一遙感指數之間無顯著差異，并以此計算結果進一步訂正2011—2012年的FY-3A/mERSI數據生成的遙感指數。

表1 遙感指數公式

注：EVI為增強植被指數，BVI為棕色植被指數，NDWI為歸一化水指數，LSWI為陸表水分指數，WI為水分指數；為反射率（或發(fā)射率），后的數字為中心波長；nir為中心波長為0.865m的近紅外波段，red為紅光波段，blue為藍光波段，green為綠光波段，ρ為中心波長為2.130m近紅外波段，ρ為中心波長為1.640m的近紅外波段，900為中心波長為0.900m的短波紅外波段；970為中心波長為0.970m的短波紅外波段；、1和2均為參數。

Note: EVI—enhanced vegetation index, BVI—brown vegetation index, NDWI—normalized difference water index, LSWI—land surface water index, WI—Water Index.is reflectivity or emissivity, The number afteris the central wavelength.nir—near infrared band with the center wavelength of 0.865m;red—red band;blue—blue band;green—green wave band;lwir—near infrared band with the center wavelength of 2.130;swir—near infrared band with the center wavelength of 1.640m,900—short-wave infrared band with the center wavelength of 0.900m,970—short-wave infrared band with the center wavelength of 0.970m.,1, and2are parameters.

2.2.2 遙感指數與地面觀測數據的匹配

時間匹配：遙感指數的時間尺度為從某月1日開始按不同時間尺度向后累積，土壤含水量取觀測日期落入的時間統(tǒng)計單元。以某年4月的10 d時間尺度NDVI的匹配為例，如果該時間段有1次土壤含水量觀測數據，則把該時段的NDVI與當次土壤含水量相匹配；如果該時間段有多次土壤含水量觀測數據，則將NDVI與多次土壤含水量的平均值相匹配；如果該時間段無土壤含水量觀測數據，則不進行匹配。5和20 d時間尺度的匹配方法以此類推。

空間匹配方法：為減少遙感指數奇異值對研究結果的影響，以觀測站點所在像元為中心，設定3×3像元窗口，計算窗口內有效遙感指數的平均值，根據地理坐標把平均值與地面觀測數據在空間上進行匹配。

2.2.3 春玉米土壤干旱等級劃分

參照《北方春玉米干旱等級》[23]，結合本研究收集的發(fā)育期數據，劃分春玉米各發(fā)育期干旱等級。因《北方春玉米干旱等級》中將發(fā)育期劃分為播種—出苗、出苗—拔節(jié)，拔節(jié)—抽雄、抽雄—乳熟和乳熟—成熟共5個階段，為與本研究的8個發(fā)育期相對應，2個階段共有的發(fā)育期按照前一個發(fā)育期的土壤相對濕度數據范圍劃分干旱等級，例如出苗的干旱等級劃分范圍按照《北方春玉米干旱等級》中的播種—出苗的標準，拔節(jié)按照出苗—拔節(jié)的標準。劃分標準如表2。

表2 土壤相對濕度干旱等級劃分

2.2.4 春玉米主根深度推算

根據侯瓊等[24]的春玉米根系生長過程模型，選取最接近遼寧省的內蒙古自治區(qū)通遼地區(qū)的方程系數，求取春玉米主根深度。模型如下

式中為根系深度，cm；H為最大伸展深度（等于130 cm；為出苗后天數，、為系數，分別為3.884 9和-0.083 0。

出苗天數（）根據穆佳等[25]統(tǒng)計的遼寧省春玉米多年平均發(fā)育期日序，計算春玉米三葉—成熟的出苗天數，計算結果如表3。

表3 春玉米發(fā)育期日序和主根深度

2.2.5 遙感指數適用性分析

采用相關性分析和逐步回歸方法，研究不同時間尺度各遙感指數與不同發(fā)育期、不同深度（10、20、50、70和100 cm）土壤相對濕度的Pearson相關系數，分析春玉米從播種到成熟8個發(fā)育期各遙感指數干旱監(jiān)測的時間尺度適用性，篩選春玉米關鍵發(fā)育期干旱的最優(yōu)遙感監(jiān)測指數，構建基于遙感指數的玉米發(fā)育期干旱監(jiān)測模型，并進行實例分析。

2.2.6 準確率檢測

利用春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型，計算各發(fā)育期不同深度土壤相對濕度，劃分春玉米干旱等級，與對應的地面觀測數據進行對比，借助Ma等[26]提出的準確率檢測方法，對春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型進行驗證，準確率監(jiān)測公式如下

式中為準確率；為遙感監(jiān)測與地面觀測在干旱等級上一致的站點數；為遙感監(jiān)測與地面觀測在干旱等級上不一致的站點數。

3 結果與分析

3.1 不同發(fā)育期春玉米干旱變化特征

根據表2中的劃分標準，基于觀測站點數據，劃分1993－2012年遼寧省春玉米各發(fā)育期土壤干旱等級，統(tǒng)計不同土層深度干旱發(fā)生頻率（圖2），分析可見，春玉米在各個發(fā)育期均有干旱發(fā)生，其中抽穗（圖2f）和乳熟期（圖2g）各土層深度（10～100 cm）發(fā)生干旱的累積頻率相近，其中乳熟期各土層深度干旱發(fā)生累積頻率均較高，累積頻率在31.51%～39.73%之間；抽穗期次之，累積頻率在25.61%～28.05%之間；其他發(fā)育期各土層深度干旱累積頻率均隨著土層深度的增加有降低的趨勢。

分析各發(fā)育期相同土層深度發(fā)生干旱的累積頻率可見，除抽穗和乳熟期外，其他發(fā)育期10 cm土層的干旱累積頻率高于其它深度土層，在16.43%～32.79%之間；抽穗和乳熟期時70 cm土層的干旱累積頻率高于其它深度土層，其中乳熟期各土層平均累積頻率（39.73%）高于抽穗期（28.05%）。

分析各發(fā)育期干旱程度的累積頻率可見，各發(fā)育期以輕旱和中旱為主，各土層深度干旱累積頻率由大到小的順序分別為輕旱（平均為10.55%）、中旱（平均為5.59%）、重旱（平均為2.93%）、特旱（平均為1.23%）。

圖2 1993－2012年遼寧省春玉米各發(fā)育期不同土層深度干旱發(fā)生頻率

統(tǒng)計各發(fā)育期有干旱記錄的觀測站占所有觀測站的比例（圖3），計算1993－2012年的平均值，由大到小的順序為：乳熟（32.73%）、成熟（29.63%）、抽穗（27.94%）、出苗（18.70%）、七葉（18.22%）、播種（18.12%）、三葉（17.49%）、拔節(jié)（14.18%），可見研究區(qū)春玉米在乳熟期發(fā)生干旱的觀測站最多，其次是成熟期，拔節(jié)期發(fā)生干旱的觀測站最少。

從年際變化看，雖然各發(fā)育期發(fā)生干旱記錄的百分比的年際波動規(guī)律不完全一致，但高峰值均集中于1999－2002年間，統(tǒng)計對應時段生長季（4－10月）平均氣溫和降水量可見，有93%～98%觀測站的氣溫高于累年（1981－2010年）平均氣溫，70%～98%觀測站的降水量低于累年平均降水量，可見這段時間遼寧省春玉米發(fā)生了多發(fā)育期的大面積干旱。

圖3 1993－2012年遼寧省春玉米各發(fā)育期發(fā)生干旱次數的百分比

3.2 春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型

3.2.1 模型構建

根據表3中各發(fā)育期的主根深度，統(tǒng)計2008－2012年各發(fā)育期對應主根深度的土壤相對濕度與遙感指數的相關性，表4列出了在相同發(fā)育期、相同土層深度下，與土壤相對濕度相關顯著（sig＜0.05）或極顯著（sig＜0.01）、且相關系數（）最高的遙感指數。從發(fā)育期上看，在三葉、七葉、拔節(jié)、抽穗和成熟期，均有遙感指數與對應發(fā)育期主根深度及淺層土壤相對濕度呈顯著相關關系，但沒有遙感指數與播種期和出苗期的土壤相對濕度有顯著相關，在乳熟期遙感指數也只與10～50 cm深的土壤相對濕度呈顯著相關。

從監(jiān)測的時間尺度上看，遙感指數與土壤相對濕度呈顯著（或極顯著）相關最多的是10 d尺度（12個），其次是5 d尺度（10個），20 d尺度最少（4個）；從遙感指數種類上看，與土壤相對濕度呈顯著（或極顯著）相關最多的是LSWI，其次是WI。

為研究遙感指數對土壤相對濕度的協(xié)同監(jiān)測能力，在SPSS軟件的支持下，采用逐步回歸方法，以不同發(fā)育期、不同土層深度的土壤相對濕度為因變量，以NDVI、EVI、LSWI、BVI、WI和NDWI為自變量，建立土壤相對濕度回歸方程，在同一發(fā)育期、同一土層深度下，選取相關系數（）最高的回歸方程列入表5。分析可見，在相同發(fā)育期、相同監(jiān)測時間尺度和相同土層深度下，有2個（含2個）以上遙感指數的回歸方程的相關系數（表5）均大于只有1個遙感指數時的相關系數（表4），以七葉期為例，表4中只有20 d尺度的LSWI與20 cm深度的土壤相對濕度呈極顯著相關，如果引入WI，LSWI與WI共同建立的回歸方程與10和20 cm深度的土壤相對濕度均有極顯著相關關系，而且相關系數（）有所提高，說明多指數的協(xié)同配合能夠提高對土壤相對濕度的監(jiān)測能力。

表4 春玉米各發(fā)育期土壤相對濕度與單一遙感指數的相關性

注：表中數字右上角的*為相關顯著，**為相關極顯著。括號內的數字為樣本數。

Note: * in the upper right corner of the figures in the table is significantly correlated, and ** is highly significant correlated. The numbers in parentheses are sample numbers.

表5 春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型

3.2.2 模型驗證

基于2001－2004遙感數據、土壤相對濕度和玉米發(fā)育期觀測數據，利用春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型計算不同發(fā)育期和不同土層深度的土壤相對濕度，并依據表2中的標準劃分干旱等級，與對應發(fā)育期的地面觀測土壤干旱等級進行對比，結果如表6。分析可見，總體監(jiān)測準確率為73.32%，但各發(fā)育期監(jiān)測準確率相差較大，其中拔節(jié)和三葉的監(jiān)測準確率超過85%，抽穗和乳熟準確率剛剛超過70%；如果擴大容差，認為土壤干旱等級差中的-1—1均為準確監(jiān)測，那么各發(fā)育期的監(jiān)測準確率在84.78%以上，可見春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型對于遼寧省春玉米土壤墑情監(jiān)測具有較好的適用性。

表6 土壤相對濕度遙感監(jiān)測模型準確率

注：表中各發(fā)育期對應的整數為觀測次數。

Note: Integer corresponding to each development period in the table is the number of observations.

另外從各發(fā)育期土壤干旱等級差的觀測次數分布規(guī)律可見，三葉和拔節(jié)期遙感監(jiān)測結果較地面觀測結果偏干，七葉和乳熟期監(jiān)測結果偏濕，抽穗和成熟期的監(jiān)測結果無明顯偏移。

3.3 2000年遙感指數干旱監(jiān)測

為探究春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型在大面積空間監(jiān)測的效果，根據春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型（表5），利用Terra/MODIS數據，計算2000年春玉米不同發(fā)育期、不同土層深度的土壤相對濕度，劃分干旱等級，并繪制干旱等級分布圖（圖4）。分析可見，三葉期10 cm土層深度大部分地區(qū)無旱；七葉期10 cm土層深度只有西北部邊緣有輕旱，20 cm土層深度處西部大部分地區(qū)和南部地區(qū)有輕旱和中旱，50 cm土層深度處西部部分地塊有輕旱和中旱，東部普遍為中旱和重旱；拔節(jié)期20和70 cm土層深度處以無旱為主，沒有集中連片的干旱出現；抽穗期10 cm土層深度處西部部分地塊有輕旱和中旱，20 cm深處在西部的輕旱和中旱已經連片，50 cm深處全省大部分地區(qū)處于輕旱和中旱狀態(tài)，西部旱象重于東部；乳熟期10 cm土層深度處全省大部分地區(qū)處于干旱狀態(tài)，其中南部和西部的部分地區(qū)有重旱和特旱，這也是全年最為干旱的時期，20 cm深處只有西部部分地區(qū)有重旱和特旱，由西向東旱象呈梯度緩解，東部地區(qū)基本無旱；成熟期10 cm深處西部和東南部地區(qū)不同等級的干旱呈塊狀交錯分布，與10 cm深處相比，20 cm深處旱象加重，但分布格局與10 cm相近，50 cm深處的干旱等級和分布格局與10 cm相似，在70 cm深處西部和南部部分地區(qū)仍有不同程度的干旱發(fā)生，到100 cm深處只有西部少部分地塊有輕旱，其它大部分地區(qū)為無旱。

圖4 2000年遼寧省春玉米不同發(fā)育期干旱等級分布

根據2000年土壤相對濕度觀測數據，三葉期10 cm土層深度未見干旱的觀測記錄；七葉期10和20 cm土層深度均有輕旱和中旱的記錄，50 cm土層深度出現中旱觀測記錄，而且地理位置與圖4分布一致；拔節(jié)期20 cm有少量輕旱的觀測記錄，70 cm無干旱觀測記錄；抽穗期在10～50 cm深度處，干旱觀測記錄呈增加趨勢，干旱程度呈加重趨勢，到70～100 cm深度干旱記錄明顯減少；在乳熟期，絕大多數觀測點有10 cm土層干旱的觀測記錄，隨著觀測深度的加大，有干旱記錄的站點數明顯減少；在成熟期，有超過50%的觀測點在10 cm土層有干旱記錄，隨著觀測深度加大，有干旱記錄的觀測站數量逐步減少。

由此可見，2000年遙感監(jiān)測結果與同期土壤相對濕度地面觀測記錄在發(fā)育階段和空間上有很好的一致性，遙感監(jiān)測結果正確。

4 討 論

植物葉片水分在短波紅外產生強烈吸收，短波紅外的反射率與葉片含水量呈負相關[27-28]，因植物在干旱條件下葉片水勢下降[29]，所以對短波紅外反射率增加，由此通過對植物葉片短波紅外反射率的監(jiān)測能夠反映植物的水分狀況。本研究在春玉米干旱監(jiān)測中發(fā)現，對土壤相對濕度反映最敏感的遙感指數為LSWI，該指數即為不同波長的短波紅外波段組合而成。同時，Zhou等[30]在研究利用遙感指數監(jiān)測美國南部大平原草地的干旱狀況、Bajgain等[31]和Wagle等[32]在對比NDVI、EVI和LSWI監(jiān)測草地干旱的敏感性時也都發(fā)現，與很多遙感指數相比，LSWI在植被干旱監(jiān)測中表現良好。

在研究春玉米各發(fā)育期土壤相對濕度與單一遙感指數的相關性時發(fā)現，所選取的遙感指數與播種期和出苗期的土壤相對濕度都不存在顯著相關關系，可見，本研究選取的遙感指數與植被的生物物理特性關系密切，但對裸土水分含量的變化不敏感。另外，在三葉和七葉期的相關系數（）較低，原因可能是該段時間植被覆蓋度較低，植物冠層透射和散射大量的可見光和短波紅外到土壤表面，在植物—土壤之間發(fā)生多次散射，可見光和短波紅外的反射率在植被未完全覆蓋區(qū)域受土壤的影響較大，二者之間可能為非線性相關。張友水等[33]在研究利用LSWI—NDVI梯形圖估算植被含水狀況時也發(fā)現了類似問題。另外，在本研究的結果中，乳熟期的遙感指數與70 cm以下土層深度的土壤相對濕度無顯著相關，其原因還有待進一步研究。

本研究選取的遙感指數反映的均為春玉米的生物物理參數，因植物的生理狀態(tài)對土壤水分變化的反映有滯后和累積效應[34-35]，如果監(jiān)測時間尺度過小，監(jiān)測精度會受到滯后和累積效應的影響，如果監(jiān)測時間尺度過大，又不能及時捕捉春玉米生理狀態(tài)對干旱的響應，研究發(fā)現，三葉和七葉期遙感監(jiān)測的適宜時間尺度為20 d，拔節(jié)、抽穗、乳熟和成熟期的適宜尺度為10 d。雖然并未從植物對干旱響應的生理生態(tài)機制上找到存在這種時間尺度差異的原因，但統(tǒng)計2008－2012年遼寧省年最大連續(xù)無降水日（圖5）在玉米不同發(fā)育期中的分布可見，三葉和七葉期年最大連續(xù)無降水日主要集中在10 d以上，其他發(fā)育期年最大連續(xù)無降水日主要集中在5～10 d，該現象與對應發(fā)育期遙感指數干旱監(jiān)測適宜的時間尺度具有較好的一致性，說明當地的氣候特征可能是造成這種監(jiān)測時間尺度差異的原因之一。

圖5 2008－2012年遼寧省春玉米不同發(fā)育期最大無降水日數分布

雖然春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型在實踐應用時表現良好，但該模型仍屬于統(tǒng)計模型，缺乏對春玉米干旱遙感監(jiān)測機制的解釋能力，而且部分擬合方程的相關系數（）還較低，分析原因與土壤相對濕度變化存在的偶然性和地面觀測的時間尺度有關，一場透雨或人為灌溉可能會使原本處于重旱狀態(tài)的土壤轉為正常狀態(tài)，而本研究獲取的土壤相對濕度觀測記錄是每10 d測量一次，10 d內土壤相對濕度可能會發(fā)生很大變化，而且春玉米對土壤相對濕度變化響應的滯后性也增加了遙感監(jiān)測模型擬合結果的不確定性，近些年中國很多農業(yè)氣象觀測站開展了土壤相對濕度自動觀測業(yè)務，監(jiān)測的時間尺度明顯縮小，顯著提高了土壤相對濕度變化的捕捉能力，將為土壤相對濕度遙感監(jiān)測在時空尺度上提供更為密集的基礎數據。

本研究應用的遙感數據空間分辨率為1 km，由于遼寧省一向有旱田間作的種植習慣，很難再將不同的旱作物進一步區(qū)分開來，所以影響了對春玉米的準確定位，如果利用中等空間分辨率數據（如Landsat數據、HJ星數據等）開展監(jiān)測，又不能滿足監(jiān)測對時效性的要求，考慮到該省春玉米的播種面積占旱作物播種面積的60%以上（數據來源于http://data.stats.gov.cn/index.htm），本研究的監(jiān)測結果仍具有一定的代表性。另外，本研究的干旱監(jiān)測方法是建立在特定區(qū)域和農作物基礎上的，區(qū)域氣候特點、土壤質地、作物生理生態(tài)特性等的差異都會對監(jiān)測模型的適用性產生很大影響，因此本研究建立的遙感干旱監(jiān)測模型能否進行時空尺度的擴展還需進一步驗證。

5 結 論

以遼寧省春玉米為研究對象，以FY-3A/MERSI數據、Terra/MODIS數據、春玉米發(fā)育期觀測數據、土壤相對濕度觀測數據等為基礎，建立春玉米各發(fā)育期干旱監(jiān)測遙感指標集，構建春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型，對該省春玉米不同發(fā)育期、不同土層深度的干旱進行動態(tài)監(jiān)測。研究結論如下：

1993－2012年遼寧省春玉米在各個發(fā)育期均有干旱發(fā)生，其中乳熟期干旱最為嚴重；單一遙感指數對土壤相對濕度監(jiān)測能力較強的是陸表水分指數（LSWI），其次是水分指數（WI）；多指數協(xié)同配合能提高對土壤相對濕度的監(jiān)測能力，建立的春玉米各發(fā)育期土壤相對濕度遙感監(jiān)測模型，對部分發(fā)育期和土層深度干旱監(jiān)測的總體準確率能達73.32%；實現了遼寧省2000年春玉米發(fā)育期干旱等級動態(tài)監(jiān)測，所得監(jiān)測結果與當年農業(yè)氣象觀測記錄在發(fā)育階段和空間上有很好的一致性，遙感監(jiān)測結果正確。

[1] Yu K, Okin G S, Ravi S, et al. Potential of grass invasions in desert shrublands to create novel ecosystem states under variable climate [J]. Ecohydrology, 2016, 9(8): 1496－1506.

[2] Herrera-Estrada J E, Satoh Y, Sheffield J. Spatiotemporal dynamics of global drought [J]. Geophysical Research Letters, 2017, 44(5): 2254－2263.

[3] 周廣勝. 氣候變化對中國農業(yè)生產影響研究展望[J]. 氣象與環(huán)境科學，2015，38(1)：80－94. Zhou Guangsheng. Research prospect on impact of climate changeon agricultural production in China[J]. Meteorological and Environmental Sciences, 2015, 38(1): 80－94. (in Chinese with English abstract)

[4] 蔡福，張淑杰，紀瑞鵬，等. 近30年遼寧玉米水分適宜度時空演變特征及農業(yè)干旱評估[J]. 應用生態(tài)學報，2015，26(1)：233－240. Cai Fu, Zhang Shujie, Ji Ruipeng, et al. Spatiotemporal dynamics of maize water suitability and assessment of agricultural drought in Liaoning Province, China from 1981 to 2010[J]. Chinese Journal of Applied Ecology, 2015, 26(1): 233－240. (in Chinese with English abstract)

[5] 盧洪健，莫興國，孟德娟，等. 氣候變化背景下東北地區(qū)氣象干旱的時空演變特征[J]. 地理科學，2015，35(8)：1051－1059. Lu Hongjian, Mo Xingguo, Meng Dejuan, et al. Analyzing spatiotemporal patterns of meteorological drought and its responses to climate change across Northeast China [J]. Scientia Geographica Sinica, 2015, 35(8): 1051－1059. (in Chinese with English abstract)

[6] 張運福，房一禾，龔強. 基于SPEI指數的遼寧省生長季干旱時空特征[J]. 生態(tài)學雜志，2017，36(1)：190－197. Zhang Yunfu, Fang Yihe, Gong Qiang. Analysis of temporal and spatial characteristics of growing season drought in Liaoning Province based on standardized precipitation- evapotranspiration index [J]. Chinese Journal of Ecology, 2017, 36(1): 190－197. (in Chinese with English abstract)

[7] 孫濱峰，趙紅，王效科. 基于標準化降水蒸發(fā)指數（SPEI）的東北干旱時空特征[J]. 生態(tài)環(huán)境學報，2015，24(1)：22－28. Sun Binfeng, Zhao Hong, Wang Xiaoke. Spatiotemporal characteristics of drought in northeast China based on SPEI[J]. Ecology and Environmental Sciences, 2015, 24(1): 22－28. (in Chinese with English abstract)

[8] Ford T W, McRoberts D B, Quiring S M et al. On the utility of in situ soil moisture observations for flash drought early warning in Oklahoma, USA[J]. Geophysical Research Letters, 2015, 42(22): 9790－9798.

[9] Schwantes A M, Swenson J J, Gonzalez-Roglich M, et al. Measuring canopy loss and climatic thresholds from an extreme drought along a fivefold precipitation gradient across Texas[J]. Global Change Biology, 2017, 23(12): 5120－5135.

[10] McKee T B, Doesken N J, Kleist J. The relationship of drought frequency and duration to time scales[C]//. The 8th Conference on Applied Climatology: American Meteorological Society Boston, California, 1993, 17－22.

[11] Wells N, Goddard S. A self-calibrating Palmer drought severity index[J]. Journal of Climate, 2004, 17(12): 2335－2351.

[12] Vicente-Serrano S M, Beguería S, López-Moreno J I. A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index[J]. Journal of Climate, 2010, 23(7): 1696－1718.

[13] Sultana R, Nasrollahi N. Evaluation of remote sensing precipitation estimates over Saudi Arabia [J]. Journal of Arid Environments, 2018, 151: 90－103.

[14] Ines A V M, Mohanty B P, Shin Y. An unmixing algorithm for remotely sensed soil moisture[J]. Water Resources Research, 2013, 49(1): 408－425.

[15] Shi M J, Liu J J, Zhao Y F, et al. Mechanistic processes controlling persistent changes of forest canopy structure after 2005 amazon drought[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122(12): 3378－3390.

[16] Son N T, Chen C F, Chen C R, et al. Monitoring agricultural drought in the Lower Mekong Basin using MODIS NDVI and land surface temperature data[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18(2): 417－427.

[17] Periasamy S, Shanmugam R S. Multispectral and microwave remote sensing models to survey soil moisture and salinity[J]. Land Degradation & Development, 2016, 28(4): 1412－1425.

[18] Okin G S, Dong C Y, Willis K S, et al. The impact of drought on native southern california vegetation: Remote sensing analysis using MODIS-derived time series[J]. Journal of Geophysical Research: Biogeosciences, 2018, 123(6): 1927－1939.

[19] Munson S M, Long A L, Wallace C S A, et al. Cumulative drought and land-use impacts on perennial vegetation across a North American dryland region[J]. Applied Vegetation Science, 2016, 19(3): 430－441.

[20] Abdi O, Shirvani Z, Buchroithner M F. Spatiotemporal drought evaluation of Hyrcanian deciduous forests and semi-steppe rangelands using moderate resolution imaging spectroradiometer time series in Northeast Iran[J]. Land Degradation and Development, 2018, 29(8): 2525－2541.

[21] 黃友昕，劉修國，沈永林，等. 農業(yè)干旱遙感監(jiān)測指標及其適應性評價方法研究進展[J]. 農業(yè)工程學報，2015，31(6)：186－195. Huang Youxin, Liu Xiuguo, Shen Yonglin, et al. Advances in remote sensing derived agricultural drought monitoring indices and adaptability evaluation methods[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 186－195. (in Chinese with English abstract)

[22] 于成龍，劉丹，楊曉強. 基于FY-3A/MERSI與Terra/MODIS的單波段反射率和NDVI差異性分析[J]. 東北林業(yè)大學學報，2012，40(9)：124－127. Yu Chenglong, Liu Dan, Yang Xiaoqiang. Comparisons of band reflectance and normalized difference vegetation index between FY-3A/MERSI and Terra/MODIS/[J]. Journal Of Northeast Forestry University, 2012, 40(9): 124－127. (in Chinese with English abstract)

[23] QX/T259－2015，北方春玉米干旱等級[S].

[24] 侯瓊，沈建國. 春玉米根系生育特征與冠層關系的研究[J]. 生態(tài)學報，2001，21(9)：1536－1541. Hou Qiong, Shen Jianguo. Study on root development characteristics of spring maize and its relationships with canopy growth[J]. Acta Ecologica Sinica, 2001, 21(9): 1536－1541. (in Chinese with English abstract)

[25] 穆佳，趙俊芳，郭建平. 近30年東北春玉米發(fā)育期對氣候變化的響應[J]. 應用氣象學報，2014，25(6)：680－689. Mu Jia, Zhao Junfang, Guo Jianping. Response of spring maize growth stage to climate change in Northeast China over the past 30 years[J]. Journal of Applied Meteorological Science, 2014, 25(6): 680－689. (in Chinese with English abstract)

[26] Ma M W, Ren L L, Singh V P, et al. Evaluation and application of the SPDI-JDI for droughts in Texas, USA[J]. Journal of Hydrology, 2015, 521: 34－35.

[27] Hunt E R, Rock B N. Detection of changes in leaf water content using Near-and-Middle-Infrared reflectances[J]. Remote Sensing of Environment, 1989, 30(1): 43－54.

[28] Fensholt R, Sandholt I. Derivation of a shortwave infrared water stress index from MODIS near- and shortwave infrared data in a semiarid environment[J]. Remote Sensing of Environment, 2003, 87(1): 111－121.

[29] Bhusal N, Han S G, Yoon T M. Impact of drought stress on photosynthetic response, leaf water potential, and stem sap flow in two cultivars of bi-leader apple trees (×Borkh.)[J]. Scientia Horticulturae, 2019, 246(27): 535－543.

[30] Zhou Y T, Xiao X M, Zhang G L, et al. Quantifying agricultural drought in tallgrass prairie region in the U.S. Southern Great Plains through analysis of a water-related vegetation index from MODIS images[J]. Agricultural and Forest Meteorology, 2017, 246(15): 111－122.

[31] Bajgain R, Xiao X M, Wagle P, et al. Sensitivity analysis of vegetation indices to drought over two tallgrass prairie sites[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 151－160.

[32] Wagle P, Xiao X M, Torn M S, et al. Sensitivity of vegetation indices and gross primary production of tallgrass prairie to severe drought [J]. Remote Sensing of Environment, 2014, 152: 1－14.

[33] 張友水，謝元禮. MODIS影像的NDVI和LSWI植被水分含量估算[J]. 地理科學，2008，28(1)：72－76. Zhang Youshui, Xie Yuanli. Vegetation water content estimation using NDVI and LSWI from MODIS images[J]. Scientia Geographica Sinica, 2008, 28(1): 72－76. (in Chinese with English abstract)

[34] Zhang F, Xhang L W, Wang X Z, et al. Detecting agro-droughts in southwest of china using MODIS satellite data[J]. Journal of Integrative Agriculture, 2013, 12(1): 159－168.

[35] 安雪麗，武建軍，周洪奎，等. 土壤相對濕度在東北地區(qū)農業(yè)干旱監(jiān)測中的適用性分析[J]. 地理研究，2017，36(5)：837－849. An Xueli, Wu Jianjun, Zhou Hongkui, et al. Assessing the relative soil moisture for agricultural drought monitoring in Northeast China[J]. Geographical Research, 2017, 36(5): 837－849. (in Chinese with English abstract)

Remote sensing monitoring of drought response of spring maize based on vegetation indexes

Liu Dan1,2,3, Feng Rui4, Yu Chenglong1,2,3※, Tang Quan5, Guo Chunling5

(1.150030,; 2.150030,; 3.150030,; 4.110166,; 5.121200,)

Drought has become a problem that is universally faced by global terrestrial ecosystems. Northeast China is dominated by a temperate monsoon climate and located in an area sensitive to global climate changes, and one of the main impacts of climate changes in Northeast China is manifested as drought in growing seasons. The drought area has a gradual increase trend, and drought has become the main agro-meteorological disaster in this region which is also the main maize planting area in China. Drought normalization seriously restricts the stable development of maize production in Northeast China. So in this paper, we took spring maize in Liaoning Province as an example and made clear the drought variation characteristics in different growth stages by using the data of FY-3A/MERSI, Terra/MODIS, relative soil moisture and growth stages and the methods of RS, GIS and statistical analysis. Then we analyzed the correlation between multi-time scale remote sensing indexes and relative soil moisture in different soil depth, and established the remote sensing monitoring index set and models of relative soil moisture for each growth stage and soil depth. The accuracy of the monitoring models was verified and the application research of monitoring the drought of spring maize in Liaoning Province was studied. The results showed that: From 1993 to 2012, drought occurred in each growth stage of spring maize in Liaoning Province and the highly frequent drought occurred in the period from 1999 to 2002. The drought grade in each year was mainly light drought, and the drought was the most serious at milk stage, followed by heading stage. There was no significant correlation between the monitoring indexes and relative soil moisture at sowing and emergence stage, but there was a significant or extremely significant correlation between them at three-leaf and maturity stage. The monitoring index LSWI (land surface water index) had a strong ability to monitor relative soil moisture, followed by WI (water index). Multi-index coordination could improve the monitoring ability of relative soil moisture by remote sensing means, and the monitoring ability at 10-day scale was generally higher than that at 5-day scale and 20-day scale. Based on the monitoring models of soil relative humidity, the drought condition of partial growth stages and soil depth from 2001 to 2004 was monitored. The overall monitoring accuracy was 73.32%, in which the monitoring accuracy of jointing and three-leaf stage was more than 85%. The dynamic monitoring of drought grades in different growth stages in 2000 was realized. The monitoring results were consistent with the agro-meteorological observation records in terms of the growth stages and space. This study would be very significant to improve the capacity of disaster prevention and mitigation by monitoring spring maize accurately and synchronously on a large range.

remote sensing; drought; vegetation; spring maize; growth stages

劉 丹，馮 銳，于成龍，唐 權，郭春玲. 基于植被指數的春玉米干旱響應遙感監(jiān)測[J]. 農業(yè)工程學報，2019，35(20)：152－161.doi：10.11975/j.issn.1002-6819.2019.20.019 http://www.tcsae.org

Liu Dan, Feng Rui, Yu Chenglong, Tang Quan, Guo Chunling. Remote sensing monitoring of drought response of spring maize based on vegetation indexes[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 152－161. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.20.019 http://www.tcsae.org

2019-04-26

2019-08-15

中國氣象局沈陽大氣環(huán)境研究所開放基金（2018SYIAEZD1）；黑龍江省自然科學基金聯合引導項目（LH2019D014）；中國氣象局東北地區(qū)生態(tài)氣象創(chuàng)新開放實驗室開放研究基金項目（stqx2018zd03）

劉 丹，正高級工程師，博士，主要從事生態(tài)氣象方向研究。Email：nefuliudan@163.com

于成龍，高級工程師，博士，主要從事生態(tài)氣象方向研究。Email：nefuycl@163.com

10.11975/j.issn.1002-6819.2019.20.019

TP79

A

1002-6819(2019)-20-0152-10