楊 磊 韓麗娟 宋金玲 李 森

1)(北京師范大學(xué)遙感科學(xué)國家重點(diǎn)實驗室，北京 100875) 2)(北京師范大學(xué)地理科學(xué)學(xué)部遙感科學(xué)與工程研究院，北京 100875) 3)(國家氣象中心，北京 100081)

引 言

在全球氣候變化背景下，氣候數(shù)據(jù)統(tǒng)計表明：中國氣候自20世紀(jì)80年代開始出現(xiàn)明顯變暖的趨勢，且北方增溫更甚于南方[1-3]，北方夏季出現(xiàn)極端高溫的現(xiàn)象也在加劇，導(dǎo)致夏玉米產(chǎn)量形成關(guān)鍵期遭遇高溫?zé)岷Φ娘L(fēng)險不斷加大[4]。因此，對夏玉米高溫?zé)岷ΡO(jiān)測評估方法的研究尤為重要。

目前對夏玉米高溫?zé)岷ΡO(jiān)測評估研究多采用地面氣象站點(diǎn)數(shù)據(jù)，并結(jié)合夏玉米發(fā)育期數(shù)據(jù)，分析玉米抽雄吐絲期出現(xiàn)高溫?zé)岷Φ拇螖?shù)及空間分布[5-6]。由于地形以及氣象站點(diǎn)分布不均，學(xué)者們多采用空間插值方法獲取無測站分布地區(qū)的溫度數(shù)據(jù)[7-9]。劉哲等[10-11]利用空間插值的氣象數(shù)據(jù)，由概率統(tǒng)計方法得到黃淮海地區(qū)夏玉米出現(xiàn)高溫?zé)岷Φ母怕始捌淇臻g分布規(guī)律。采用遙感數(shù)據(jù)進(jìn)行高溫?zé)岷ΡO(jiān)測評估研究工作的優(yōu)勢在于實時性和區(qū)域性，對研究大范圍區(qū)域具有較好的代表性與準(zhǔn)確性[7]。

利用遙感數(shù)據(jù)對水稻等農(nóng)作物的高溫監(jiān)測評估已有較多研究[12-17]，這些研究工作證明地表溫度與氣溫之間具有較強(qiáng)的線性相關(guān)關(guān)系[18]。本文主要利用MODIS(moderate-resolution imaging spectroradiometer)地表溫度產(chǎn)品，建立地表溫度與氣溫的回歸關(guān)系，采用插值后的氣象站觀測氣溫數(shù)據(jù)對遙感數(shù)據(jù)缺失區(qū)域進(jìn)行填補(bǔ)，得到衛(wèi)星數(shù)據(jù)與地面實測數(shù)據(jù)融合的長時間氣溫數(shù)據(jù)序列，結(jié)合夏玉米高溫等級熱害指標(biāo)，對2008—2018年黃淮海夏玉米主產(chǎn)區(qū)的高溫?zé)岷M(jìn)行分析評估。

1 研究區(qū)概況

本研究主要集中在黃淮海地區(qū)的京津冀區(qū)域、河南省和山東省，這里是夏玉米的主要種植區(qū)，年降水量為500～900 mm，7—8月降水量約占全年降水量的45%～65%[19]，耕地面積占全國總耕地面積的25%，主要栽培方式為冬小麥和夏玉米輪作，熱量和水分都是制約該區(qū)域農(nóng)業(yè)發(fā)展的因子[20]。

2 數(shù)據(jù)及預(yù)處理

2.1 遙感數(shù)據(jù)

2.1.1 MODIS數(shù)據(jù)

本研究所用到的MODIS數(shù)據(jù)包含MOD09A1地表反射率產(chǎn)品以及MOD11A1/MYD11A1 MODIS地表溫度產(chǎn)品。其中地表反射率產(chǎn)品空間分辨率為500 m×500 m，時間分辨率為8 d；地表溫度產(chǎn)品分別由Terra和Aqua兩顆衛(wèi)星搭載的MODIS傳感器生成，空間分辨率為1 km×1 km，時間分辨率為1 d，該數(shù)據(jù)通過分裂窗算法反演得到，可獲取白天和夜間的地表溫度[21]。由于兩種地表溫度產(chǎn)品的共同使用，每個像元每日可得到4次地表溫度的觀測數(shù)據(jù)。為方便研究需將MODIS地表溫度產(chǎn)品的像元值轉(zhuǎn)化為以攝氏度為單位的地表溫度[22]。MODIS產(chǎn)品均來源于美國太空總署(NASA)遙感數(shù)據(jù)共享網(wǎng)站(https:∥ladsweb.modaps.eosdis.nasa.gov)，數(shù)據(jù)時間為2008—2018年每年7—9月，空間范圍覆蓋京津冀區(qū)域、河南省和山東省。

利用MOD09A1地表反射率產(chǎn)品計算夏玉米生長期內(nèi)的植被指數(shù)，通過植被指數(shù)的變化從遙感圖像上篩選出夏玉米像元作為種植區(qū)域；在此基礎(chǔ)上，結(jié)合MOD11A1/MYD11A1地表溫度產(chǎn)品對夏玉米種植區(qū)域的地表溫度變化進(jìn)行分析。對MODIS數(shù)據(jù)的預(yù)處理包括影像拼接、投影轉(zhuǎn)換、波段提取、重采樣、影像裁剪和去云處理等，該過程主要通過NASA官方提供的MRT(MODIS Reprojection Tool)工具批量處理實現(xiàn)，并對提取出的數(shù)據(jù)進(jìn)行濾波重建，消除噪聲的干擾。

2.1.2 Landsat數(shù)據(jù)

Landsat數(shù)據(jù)空間分辨率(30 m×30 m)較MODIS數(shù)據(jù)空間分辨率更高,本研究利用與MODIS數(shù)據(jù)同期的Landsat數(shù)據(jù)進(jìn)行輔助研究，主要用于驗證夏玉米提取結(jié)果的精度。該數(shù)據(jù)來源于美國USGS網(wǎng)站(https:∥earthexplorer.usgs.gov)，數(shù)據(jù)時間和空間覆蓋范圍與MODIS數(shù)據(jù)相同，對Landsat數(shù)據(jù)處理包括幾何校正、大氣校正等。

2.1.3 Google Earth高清影像數(shù)據(jù)

Google Earth的衛(wèi)星影像是衛(wèi)星影像與航拍數(shù)據(jù)的整合。其中衛(wèi)星影像來自于快鳥(QuickBird)商業(yè)衛(wèi)星、陸地衛(wèi)星Landsat7，IKONOS和SPOT5等。本研究利用Google Earth高清影像數(shù)據(jù)輔助驗證夏玉米種植區(qū)域提取的位置精度，并幫助識別具體的空間細(xì)節(jié)信息。

2.1.4 DEM高程數(shù)據(jù)

本研究借助SRTM(Shuttle Radar Topography Mission，航天飛機(jī)雷達(dá)地形測繪使命)地形產(chǎn)品數(shù)據(jù)對研究區(qū)域的平原與山區(qū)進(jìn)行劃分。該產(chǎn)品由美國NASA和美國國防部國家測繪局(NIMA)聯(lián)合測量，空間分辨率為30 m×30 m和90 m×90 m兩種。本文選用90 m×90 m空間分辨率的DEM數(shù)據(jù)進(jìn)行地形劃分，通過像元聚合將空間尺度上升到與MODIS數(shù)據(jù)相同，并根據(jù)地理學(xué)相關(guān)定義，將高程不低于200 m的區(qū)域定義為山區(qū)，低于200 m的區(qū)域定義為平原。該數(shù)據(jù)來源于地理空間數(shù)據(jù)云遙感數(shù)據(jù)平臺(http:∥www.gscloud.cn/search)。

2.2 氣象數(shù)據(jù)

氣象數(shù)據(jù)為研究區(qū)域中氣象站的氣溫觀測數(shù)據(jù)，主要用于與遙感數(shù)據(jù)結(jié)合，分析夏玉米主產(chǎn)區(qū)歷年溫度的變化情況。該數(shù)據(jù)來源于國家氣象中心，包括2008—2018年每年7—9月逐日最高氣溫和平均氣溫。在京津冀區(qū)域、河南省和山東省共有353個氣象站，其中平原297個站，山區(qū)56個站。

2.3 夏玉米發(fā)育期及面積驗證數(shù)據(jù)

夏玉米發(fā)育期數(shù)據(jù)來源于國家氣象中心，時間為2008—2018年7—9月；面積驗證數(shù)據(jù)包括2008—2018年逐年夏玉米種植面積及受災(zāi)面積，種植面積數(shù)據(jù)來源于國家統(tǒng)計局發(fā)布的統(tǒng)計年鑒；受災(zāi)面積數(shù)據(jù)來自國家氣象中心農(nóng)業(yè)氣象情報產(chǎn)品和期刊新聞等。這些統(tǒng)計數(shù)據(jù)用于對模擬結(jié)果的定量驗證分析。

3 研究方法

利用MOD09A1地表反射率產(chǎn)品進(jìn)行土地覆蓋分類，提取出遙感圖像上的夏玉米像元，并結(jié)合發(fā)育期數(shù)據(jù)，逐像元判別其是否正處于高溫?zé)岷Φ拿舾袝r期。然后利用MOD11A1/MYD11A1地表溫度產(chǎn)品反演逐日最高氣溫和平均氣溫[18]?？紤]到溫度反演受云層遮擋和氣溶膠的影響，本文采用實測氣溫數(shù)據(jù)進(jìn)行插值填補(bǔ)，以彌補(bǔ)遙感數(shù)據(jù)的缺失[5-6]。最后基于融合后的氣溫數(shù)據(jù)，結(jié)合夏玉米高溫?zé)岷χ笜?biāo)，對高溫?zé)岷M(jìn)行等級劃分和對受災(zāi)面積進(jìn)行統(tǒng)計，實現(xiàn)對夏玉米高溫?zé)岷Φ谋O(jiān)測評估[23]。

3.1 夏玉米種植區(qū)域提取

3.1.1 提取方法

結(jié)合土地利用分類篩選出耕地類別的像元，然后根據(jù)夏玉米生長發(fā)育的物候特征，選擇7月上中旬的MODIS地表反射率影像，黃淮海平原此時正處于夏玉米播種初期，具有較小的歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)值，故將NDVI值大于0.5的區(qū)域剔除；選擇9月上中旬的影像，提取NDVI值大于0.7的區(qū)域，兩者進(jìn)行合并作為夏玉米的種植區(qū)域[24-29]。由于兩期數(shù)據(jù)所提供信息的有限性，為充分利用已有數(shù)據(jù)，需在上述基礎(chǔ)上進(jìn)行二次提取。本研究利用Google Earth高清影像，通過目視選擇夏玉米像元作為參考像元，提取其NDVI時間序列并進(jìn)行Savitzky-Golay濾波(簡稱S-G濾波)處理；再將第1次分類得到的夏玉米像元進(jìn)行相同的提取NDVI時間序列操作和濾波處理，與夏玉米參考像元的NDVI時間序列進(jìn)行相似度比較，相似度判定指標(biāo)為歐氏距離[29](閾值定為0.7)，將歐氏距離值在0～0.7范圍內(nèi)的像元提取出來作為最終的種植區(qū)提取結(jié)果。

3.1.2 精度驗證

采用Landsat數(shù)據(jù)以及Google Earth高清影像數(shù)據(jù)進(jìn)行對比驗證，檢驗利用MODIS數(shù)據(jù)提取結(jié)果在不同地區(qū)的適用性，驗證內(nèi)容包括種植面積精度及位置精度的驗證。

面積精度的驗證借助Landsat數(shù)據(jù)，利用上述相同的分類方法，將分類結(jié)果與MODIS數(shù)據(jù)提取結(jié)果進(jìn)行對比，計算二者相對誤差并判斷能否滿足研究需求；位置精度驗證則是借助Google Earth高清遙感影像數(shù)據(jù)，將MODIS數(shù)據(jù)分類結(jié)果與Google Earth中高清影像數(shù)據(jù)進(jìn)行圖層的空間疊置，根據(jù)高分辨率影像判讀其位置誤差。

3.2 溫度轉(zhuǎn)換模型

本文建立MODIS地表溫度與氣溫之間的轉(zhuǎn)化關(guān)系，將氣象站觀測的氣溫數(shù)據(jù)進(jìn)行空間插值，并基于地表溫度和氣溫之間的線性回歸關(guān)系，填補(bǔ)MODIS地表溫度數(shù)據(jù)中的缺失區(qū)域，得到最終的氣溫融合數(shù)據(jù)。

針對MODIS的數(shù)據(jù)缺失情況，通常依據(jù)地表溫度具有空間連續(xù)性特征，根據(jù)氣象站實測氣溫與像元溫度之間的函數(shù)關(guān)系，估算云覆蓋下的地表溫度[8]。該方法操作簡單且精度較高[30-31]，具有較好的應(yīng)用前景，因此本研究主要采用該方法對數(shù)據(jù)缺失區(qū)域進(jìn)行填補(bǔ)。

3.2.1 變量相關(guān)性檢驗

將氣象站數(shù)據(jù)與MODIS地表溫度產(chǎn)品進(jìn)行空間位置疊加，從每日4個時次的地表溫度數(shù)據(jù)中提取出氣象站對應(yīng)的像元值，將有效數(shù)據(jù)按4:1的比例劃分為訓(xùn)練集和測試集，從而保證每年都有數(shù)據(jù)用于模型構(gòu)建，即利用2008—2018年80%的數(shù)據(jù)進(jìn)行建模；結(jié)合多元逐步回歸的方法，將日平均氣溫(Yave)和日最高氣溫(Ymax)作為因變量，TOD，TON，TYD和TYN4個變量(對應(yīng)每日4次地表溫度觀測值)作為自變量建立線性模型，其中，TOD為MOD11A1地表溫度產(chǎn)品中白天溫度的觀測值，TON為MOD11A1地表溫度產(chǎn)品中夜間溫度的觀測值；TYD為MYD11A1地表溫度產(chǎn)品中白天溫度的觀測值，TYN為MYD11A1地表溫度產(chǎn)品中夜間溫度的觀測值。對自變量之間相關(guān)性進(jìn)行檢驗發(fā)現(xiàn)，TON和TYN(每日觀測的兩次夜間溫度)間具有顯著相關(guān)性，相關(guān)系數(shù)為0.965，達(dá)到0.01顯著性水平，因此在后續(xù)的建模處理過程中對自變量進(jìn)行降維處理，以消除模型的多重共線性。

3.2.2 回歸模型建立

逐步回歸方法的優(yōu)勢為模型自變量是逐步引入模型中，每次只引入1個新的變量，同時對原變量進(jìn)行顯著性檢驗，如果原變量不再顯著，就將其剔除，這樣保證每個引入的新變量對模型因變量的影響都是顯著的。

首先利用主成分分析方法對上述TOD，TON，TYD和TYN4個變量進(jìn)行降維處理，將提取到的主成分作為模型中新的自變量進(jìn)行逐步回歸，主成分中各個變量是原始變量經(jīng)過以下標(biāo)準(zhǔn)化處理得到：

Ti″=(Ti-Tmin)/(Tmax-Tmin)。

(1)

其中，Ti″表示經(jīng)過標(biāo)準(zhǔn)化處理后的原始變量，Ti表示原始變量，Tmin表示變量在研究區(qū)內(nèi)對應(yīng)的最低溫度累計頻率0.05%處的溫度值，Tmax表示變量在研究區(qū)內(nèi)對應(yīng)的最高溫度累計頻率95.5%處的溫度值。

將主成分還原為初始變量，得到最終線性回歸模型。在處理多重共線性問題時，由于建立的模型僅用于預(yù)測，若擬合程度已達(dá)到較好效果，輕微的多重共線則不會嚴(yán)重影響預(yù)測的結(jié)果，因此采用主成分分析法進(jìn)行1次降維即可。

3.2.3 模型精度驗證

利用2008—2018年7—9月剩余的20%數(shù)據(jù)進(jìn)行模型的精度驗證，通過比較模型反演結(jié)果與氣象站實測結(jié)果的均方根誤差和決定系數(shù)描述模型精度。同時，考慮到研究區(qū)域的地形以平原和山區(qū)為主，模型誤差在山區(qū)和平原會表現(xiàn)不同，本研究結(jié)合DEM高程數(shù)據(jù)，分別統(tǒng)計這兩種地形下，對應(yīng)像元的模型模擬值與實測值之間的誤差。

3.3 夏玉米高溫?zé)岷Φ燃壷笜?biāo)

通過研究溫度對玉米產(chǎn)量與品質(zhì)的影響，結(jié)合常用的業(yè)務(wù)服務(wù)等級指標(biāo)，建立夏玉米高溫?zé)岷Φ燃壷笜?biāo)[32-34](表1)，根據(jù)不同等級下日平均氣溫、日最高氣溫臨界閾值及持續(xù)日數(shù)，可判斷夏玉米高溫?zé)岷Φ燃墶?/p>

表1 夏玉米高溫?zé)岷Φ燃壷笜?biāo)

4 結(jié)果與分析

4.1 夏玉米種植區(qū)

4.1.1 夏玉米種植區(qū)域分布

采用MODIS數(shù)據(jù)進(jìn)行夏玉米種植區(qū)提取時，考慮到MODIS數(shù)據(jù)的時間跨度較大，2008—2018年夏玉米種植區(qū)域可能發(fā)生變化，因此將每年的分類結(jié)果進(jìn)行合并作為夏玉米種植分布的平均狀況。結(jié)果如圖1所示，圖中黃綠色部分代表夏玉米種植區(qū)域。

圖1 2008—2018年研究區(qū)域夏玉米分布平均狀況

4.1.2 夏玉米種植面積精度驗證

采用MODIS和Landsat數(shù)據(jù)提取的夏玉米樣區(qū)(圖2)，驗證夏玉米種植面積提取精度，結(jié)果表明：盡管二者的提取結(jié)果在細(xì)節(jié)上有差別，但總體分布情況吻合程度較高。從MODIS數(shù)據(jù)中提取的夏玉米種植面積為2.27×105hm2，從Landsat數(shù)據(jù)中提取的夏玉米種植面積為2.46×105hm2，二者的相對偏差為8.27%，滿足研究精度需求。

圖2 MODIS與Landsat數(shù)據(jù)種植區(qū)提取結(jié)果

用河南省和山東省的夏玉米種植面積進(jìn)行定量驗證，通過查詢國家統(tǒng)計年鑒數(shù)據(jù)，2017年山東省玉米的種植面積為4.00×106hm2，河南省玉米的種植面積為3.99×106hm2；利用遙感數(shù)據(jù)提取的結(jié)果分別為4.50×106hm2和4.36×106hm2，相對偏差分別為12.5%和9.0%。

4.1.3 夏玉米分布位置精度驗證

利用Google Earth高清影像數(shù)據(jù)與MODIS數(shù)據(jù)提取結(jié)果進(jìn)行對比，結(jié)果顯示二者提取結(jié)果的邊界輪廓十分吻合，僅在西部山區(qū)存在一些錯分的像元和東部存在一些漏分的像元，總體分類結(jié)果具有較高的位置精度。

4.2 氣溫與地表溫度轉(zhuǎn)換模型與驗證

(2)

(3)

(4)

將X1，X2和X3作為新的自變量進(jìn)行逐步回歸，并還原為初始變量后，得到最終的線性回歸模型為

Yave=0.085TOD+0.444TON+0.176TYD+

0.323TYN+0.299。

(5)

同理，地面實測的最高溫度的線性模型為

Ymax=0.177TOD+0.152TON+0.223TYD+

0.281TYN+8.380。

(6)

對該模型進(jìn)行變量顯著性檢驗以及模型共線性檢驗，發(fā)現(xiàn)模型均達(dá)到極顯著水平，方差膨脹因子值均為1.000，已不存在多重共線性，其決定系數(shù)為0.8171，均方根誤差為2.08℃。當(dāng)分別考慮該模型在平原和山區(qū)的表現(xiàn)時，平原區(qū)域模型擬合的決定系數(shù)為0.8202，均方根誤差為1.28℃；山區(qū)模型擬合的決定系數(shù)為0.8109，均方根誤差為2.32℃，二者均達(dá)到0.001顯著性水平(圖3)。綜上所述，該模型具有較高精度，能夠準(zhǔn)確反映當(dāng)前溫度狀態(tài)，在平原區(qū)域表現(xiàn)相對更好，且誤差精度與已有研究結(jié)果吻合[6]，整個研究區(qū)域的模型結(jié)果見表2。

圖3 平原和山區(qū)模擬氣溫與實測氣溫散點(diǎn)分布

表2 氣溫擬合模型

4.3 2008—2018年夏玉米高溫?zé)岷κ転?zāi)面積

通過對2008—2018年有效數(shù)據(jù)進(jìn)行模型擬合得到夏玉米主產(chǎn)區(qū)高溫?zé)岷Φ拿娣e變化(表3)，其中2011年和2012年夏玉米主產(chǎn)區(qū)未遭受明顯的高溫?zé)岷Α?/p>

表3展示了2008—2018年歷史遭受高溫?zé)岷Φ拿娣e變化，2009年、2013年、2014年、2017年和2018年均遭受較大范圍的高溫?zé)岷?，其中?017年和2018年的受災(zāi)情況最為明顯，在這些受災(zāi)區(qū)域中，河南省的受災(zāi)程度最為嚴(yán)重，京津冀區(qū)域次之，山東省遭受高溫?zé)岷Τ潭容^輕。此外，在這兩年間亦出現(xiàn)了歷史上少有的三級高溫?zé)岷η闆r，面積分別為1.86×105hm2和8.98×105hm2，受災(zāi)區(qū)域集中在河南省南部和西北部，以及山東省西部等。

由于夏玉米實際遭受高溫?zé)岷Φ拿娣e較難統(tǒng)計，主要通過相關(guān)統(tǒng)計數(shù)據(jù)對本研究結(jié)果進(jìn)行驗證[35-38]。2017年7月下旬至8月上旬河南省出現(xiàn)大范圍連續(xù)10～15 d超過35℃的高溫天氣；2018年7月下旬至8月上旬，山東、河北、河南3省高溫日數(shù)和平均最高氣溫均達(dá)1981—2018年歷史同期最高值，高溫時段與夏玉米抽雄-吐絲期吻合，夏玉米遭受不同程度的高溫?zé)岷?，?dǎo)致結(jié)實率下降。從統(tǒng)計得到的高溫?zé)岷Πl(fā)生強(qiáng)度和減產(chǎn)率，跟受災(zāi)面積互相印證了本文結(jié)果的合理性。

4.4 夏玉米高溫?zé)岷臻g分布

上述研究表明：夏玉米主產(chǎn)區(qū)遭受高溫?zé)岷Φ拿娣e增加，結(jié)合表3與近些年數(shù)據(jù)模型擬合的結(jié)果，分析得出受災(zāi)范圍主要集中在研究區(qū)域的中部，即京津冀區(qū)域南部，河南省北部以及山東省西部地區(qū)。此外，2017年和2018年夏玉米主產(chǎn)區(qū)遭受大范圍不同程度的高溫?zé)岷Αｈb于此，本研究以2017年和2018年為重點(diǎn)研究年份，對夏玉米主產(chǎn)區(qū)高溫?zé)岷捌涞燃壍目臻g分布進(jìn)行分析(圖4)，并對受災(zāi)面積進(jìn)行統(tǒng)計，結(jié)果表明：2017年夏玉米主產(chǎn)區(qū)遭受高溫?zé)岷γ娣e為6.68×106hm2，主要集中在河北省南部，河南省大部及山東省西部部分區(qū)域，其中一級受災(zāi)面積為4.25×106hm2，二級受災(zāi)面積為2.25×106hm2，三級受災(zāi)面積為1.86×105hm2，主要集中在河南省。2018年受災(zāi)面積有所增加，達(dá)到1.01×107hm2，主要集中在河北省東部和南部，河南省東部以及山東省中部地區(qū)，其中一級受災(zāi)面積為4.08×106hm2，二級受災(zāi)面積為5.07×106hm2，三級受災(zāi)面積為8.98×105hm2。

圖4 2017年和2018年夏玉米主產(chǎn)區(qū)高溫?zé)岷Φ燃壏植?/p>

5 結(jié)論與討論

本文基于遙感數(shù)據(jù)和氣象站數(shù)據(jù)，建立了夏玉米高溫?zé)岷ΡO(jiān)測評估模型。利用該模型對2008—2018年夏玉米主產(chǎn)區(qū)的高溫?zé)岷M(jìn)行評估，得到以下主要結(jié)論：

1)地表溫度與氣溫具有顯著的線性相關(guān)關(guān)系，平原的日平均氣溫模擬的決定系數(shù)在0.8以上，日最高氣溫模擬的決定系數(shù)在0.7以上；山區(qū)精度略低，日平均氣溫模擬的決定系數(shù)在0.7以上，日最高氣溫模擬的決定系數(shù)在0.6以上，二者均達(dá)到0.001 顯著性水平，且日平均氣溫的反演精度高于日最高氣溫的反演精度。

2)2008—2018年黃淮海夏玉米主產(chǎn)區(qū)遭受高溫?zé)岷Φ拿娣e呈增加趨勢，且空間分布具有相似性，受災(zāi)范圍主要集中在京津冀區(qū)域南部、河南省北部以及山東省西部。

3)2017年和2018年黃淮海夏玉米主產(chǎn)區(qū)遭受較嚴(yán)重的大范圍高溫?zé)岷Α?017年夏玉米主產(chǎn)區(qū)高溫?zé)岷χ饕性诤颖笔∧喜?，河南省大部以及山東省西部的部分區(qū)域；2018年的受災(zāi)面積有所增加，集中在河北省東部和南部、河南省東部以及山東省中部地區(qū)。

本研究的局限性體現(xiàn)在以下幾個方面：①在遙感數(shù)據(jù)及圖像分類方法方面，本研究基于500 m×500 m空間分辨率的MODIS地表反射率數(shù)據(jù)，根據(jù)夏玉米生長發(fā)育的物候特征提取夏玉米的種植區(qū)域，提取結(jié)果的精度還需進(jìn)一步提升。如使用Sentinel數(shù)據(jù)、國產(chǎn)高分衛(wèi)星數(shù)據(jù)等具有更高空間分辨率的遙感影像，結(jié)合更加準(zhǔn)確的分類算法能夠有效提高分類結(jié)果的精度。②在建模方法方面，本研究通過多元逐步回歸并結(jié)合主成分分析，模擬出2008—2018年7—9月黃淮海夏玉米主產(chǎn)區(qū)的日平均氣溫和日最高氣溫，氣溫模擬的精度直接影響最終結(jié)果。針對建模過程中出現(xiàn)的多重共線性問題，可采用更加簡易且準(zhǔn)確的方法進(jìn)行消除，如利用隨機(jī)森林算法進(jìn)行建模，該方法是一種有監(jiān)督的學(xué)習(xí)算法，以決策樹為“基學(xué)習(xí)器”，通過隨機(jī)且有放回的采樣構(gòu)建訓(xùn)練集，按照多棵樹預(yù)測結(jié)果的平均值作為最終結(jié)果。由于基于決策樹模型的分類機(jī)制，使用隨機(jī)森林算法建模不會出現(xiàn)多重共線性的問題，且可以解決過擬合問題，該方法的建模過程更簡單且具有較高精度。③在影響夏玉米生長發(fā)育的氣候條件方面，本研究僅考慮了氣溫對夏玉米生長發(fā)育的影響，而在實際情況中，多種氣象因素共同影響夏玉米的長勢及產(chǎn)量，如降水可在一定程度上緩解因溫度過高導(dǎo)致的玉米植株損傷，因此在模型中引入降水等其他氣象因素將有助于提高熱害風(fēng)險區(qū)域評估的準(zhǔn)確度。