程红霞，林粤江，胡列群

（1.乌鲁木齐气象卫星地面站，乌鲁木齐830011；2.新疆气象培训中心，乌鲁木齐830013）

农区风沙灾害的主要表现是流沙掩埋耕地和农业设施。根据历年受灾情况分析，每年春季是垦区播种出苗期，也是风灾出现最频繁的时期。2013年4月，处于沙漠边缘的喀什绿洲农区旱情持续加剧，大风沙尘天气造成农作物大面积被风刮起、死苗、地膜损坏。遥感植被指数是农区灾害监测和评估的重要指标［1－2］。植被指数是多光谱数据经线性或非线性组合，构成对植被有一定指示意义的各种数值，被越来越多地用于农业和植被生态监测［3］。不同的植被指数在一定条件下能用来定量地说明植被状况，但受到植被本身、土壤背景、环境条件和大气空间时相变化等因素的影响，植被指数往往具有明显的地域性和时效性，没有一个普遍的值，其研究经常表明不同的结果［4］。针对绿洲农区风沙灾害的监测和评估，需要对多个植被指数在风沙灾害前后的变化进行研究，选择适宜的植被指数。

本文以新疆喀什莎车县为例，利用多时相遥感资料，选择归一化植被指数（normalized difference vegetation index，NDVI）、对土壤背景变化极为敏感的差值植被指数（difference vegetation index，DVI）［5］、矫正土壤背景和气溶胶散射影响的增强型植被指数（enhanced vegetation index，EVI）［1－2，4］、用于大气气溶胶浓度很高区域的大气阻抗植被指数（atmospherically resistant vegetation index，ARVI）［6］、降低土壤背景影响的土壤调整植被指数（soil－adjusted vegetation index，SAVI）［7］和减小裸土影响的修改型土壤调整植被指数（modified soil－adjusted vegetation index，MSAVI）［8］，对比分析风沙灾害前后这6种植被指数的变化，为今后的相关研究提供一定的参考价值。

1 材料与方法

1.1 研究区概况

莎车县位于新疆西南边陲、昆仑山北麓，属暖温带大陆性气候，年平均气温11.4℃，年日照时数2 965h，年平均降水量56.6mm，年无霜期220d左右，有种植棉花、小麦、玉米、水稻等得天独厚的自然环境和区位优势。同时，莎车县地处塔克拉玛干沙漠和布古里沙漠之间的叶尔羌河冲积扇平原中上游，是农作物风沙灾害频发的地区。2013年4月16日，莎车县遭遇大范围的大风、沙尘暴天气，能见度不足10m，短时阵风最高达9级。大风和强沙尘天气让部分农田遭沙埋，出现了地膜掀起、棉苗被风干，设施大棚被刮烂，棚内作物大量枯萎干枯等现象。

1.2 数据来源及其预处理

结合地面观测资料和农作物风沙灾害发生时间来确定受灾时间前后的遥感数据，研究选择风沙灾害前的2013年4月15日和风沙灾害后的17日MODIS每日250m地表反射率产品（MOD09GQ）和500m地表反射率产品（MOD09GA），2012年的土地覆盖类型产品（MCD12Q1）。使用MODIS产品处理软件MRT对这些产品进行地理几何校正与重采样，空间分辨率统一到250m，最终产生研究区250m分辨率的地面反射率和土地覆盖类型数据。

1.3 农区范围提取

农区范围数据来源于MODIS的MCD12Q1产品。MCD12Q1产品的第2个数据层为美国马里兰大学植被分类系统，根据文中研究的需求，使用莎车县矢量行政边界数据进行裁减，提取出分类系统中的农用地作为研究区的农区范围。

1.4 植被指数计算

春季是农作物的出苗期，植被覆盖度较低，根据参考文献，选择 NDVI、DVI、EVI、ARVI、SAVI和MSAVI进行研究，具体植被指数计算方法见表1。

表1 植被指数计算公式

2 结果与分析

2.1 植被指数的变化

受风沙灾害的影响，莎车县农区6种植被指数的均值、标准差和像元的相关系数均发生了显著变化。为了能够形象地对比分析植被指数差值的变化，将植被指数的显示范围统一到－0.2到1之间，具体结果见表2。

植被指数取值范围越大，越能更好地反映莎车县农区植被的空间变异性［9］。ARVI的取值范围为－0.02～0.79，在6种植被指数中取值范围最大，说明ARVI具有较强的识别植被差异的能力。

表2 植被指数统计值

均值可以指出绿洲农区风沙灾害前后植被指数变化的平均水平，偏移表示受灾前后农作物的植被指数均值之差，植被指数偏移越大，表明植被指数受风沙灾害的影响范围就越大，植被指数对风沙灾害也就越敏感［9－10］。风沙灾害前后，NDVI、DVI、EVI、ARVI、SAVI和 MSAVI的 偏 移 分 别 为0.009 4，0.009 3，0.007 4，0.038 2，0.011 0和0.011 6，ARVI偏移最大，其次是 MSAVI，SAVI，NDVI，DVI，EVI最小。总体上，植被指数值呈现减小趋势，这说明农区农作物受到风沙灾害的影响，出现沙埋、叶片损伤、枯死等现象导致植被指数减小。

标准差能反映绿洲农区风沙灾害前后植被指数的离散程度和空间变异性［9－10］。NDVI、DVI、EVI、ARVI、SAVI和 MSAVI的标准差变化值分别为0.011 5，0.006 2，0.008 7，0.020 0，0.009 8和0.009 7，ARVI最大，其次是 NDVI，SAVI，MSAVI，EVI，DVI最小。标准差变化值较大表明农作物在风沙灾害前后植被指数变化的波动程度较大，并且受灾程度较严重。

植被指数在风沙灾害前后的相关程度反映了植被指数变化的异常性，相关性越小，植被指数异常程度越大［11］。受灾面积和空间分布情况的基础是像元的差异性。为了比较同一植被指数在风沙灾害前后的异常情况，本文通过计算像元植被指数在风沙灾害前后的相关系数来评估这种差异性。表2中的数据显示，在风沙灾害前后，6种植被指数的相关系数均在0.8左右，具有弱差异性。与其他5中植被指数相比，ARVI在风沙灾害前后的相关系数最低，说明ARVI对风沙灾害的敏感性强，对农区遭受风沙灾害的像元辨别能力强。

2.2 植被指数差值的变化

为了分析农区风沙灾害植被指数的变化情况，需要将风沙灾害前后的植被指数进行相减，获得包含风沙灾害影响植被指数变化信息的植被指数差值（ΔVI），并对这个差值进行统计分析［12］。因此，可以通过对比分析不同植被指数的ΔVI来分析植被指数对风沙灾害的敏感性。采用四分位距和标准来评估植被指数对风沙灾害的敏感性。四分位距反映了ΔVI中间50%数据的离散程度和变异程度，ΔVI的四分位距越大，说明这种植被指数对受灾程度也就越敏感［13］。

表3显示了ΔNDVI，ΔDVI，ΔEVI，ΔARVI，ΔSAVI和ΔMSAVI受风沙灾害影响产生的变化，并且风沙灾害对6种植被指数的影响差别很大。可以看出，2013年4月莎车县农区受到风沙灾害的影响，农作物植被指数降低，农区6种植被指数均呈正态的偏态分布，四分位距和标准差均受到风沙灾害的影响。四分位距的大小表示中间数据的分散程度，ΔARVI的四分位距最大，其次是ΔNDVI，ΔSAVI，ΔEVI，ΔMSAVI，ΔDVI最小。ΔARVI标准差最大，其次是ΔNDVI，ΔEVI，ΔSAVI，ΔMSAVI，ΔDVI最小。

表3 植被指数变化的统计

2.3 光谱分析

农作物受到风沙灾害后，叶片的叶绿素含量、叶腔的组织结构、水分含量就会发生不同程度的变化，其反射光谱特性也随之变化，且农作物受灾越严重光谱变化越大。农作物风沙灾害前后，近红外波段反射率的平均值从0.283 3到0.301 0，差值为0.017 7；红光波段反射率的平均值从0.180 9到0.189 4，差值为0.008 5；蓝光波段反射率的平均值从0.126 0到0.104 9，差值为0.021 1。近红外反射率的平均值最大，但差值较高；红光波段反射率的平均值次之，差值最小；蓝光波段平均值最小，但差值最大。由此可见，受灾农作物在蓝光波段响应最高，近红外波段次之，红光波段最小。

对风沙灾害前后单波段反射率和植被指数进行相关分析（表4）。通过对不同植被指数的分析表明，虽然不同植被指数与单波段反射率相关性存在差异，但总体趋势基本相似，近红外波段反射率和植被指数间具有正的弱相关关系，红光和蓝光波段反射率和植被指数间具有显著的负相关关系，其中红波段反射率和植被指数间负相关系数较高，蓝波段反射率相对低些。

表4 波段与指数的相关系数

结合6种指被指数计算表达式和上述光谱分析结果，ARVI比其他5种植被指数更能反映农区风沙灾害的敏感性。这主要是为了突出农作物本身的光谱特征和其动态信息，需要尽量排除沙尘的影响，近红外波段本身对沙尘不敏感［6］，风沙灾害后，农作物叶片干枯，叶绿素降低，使得受叶子叶绿素含量控制的蓝光波段和红光波段对叶片叶绿素的响应比受叶内细胞结构控制的近红外波段更为明显，而ARVI应用对风沙响应较高的蓝光波段和响应较低的红光波段的不同反射率来订正红光波段的反射率，实现了自身订正大气对红光波段的影响过程，从而对沙尘影响具有一定的抵抗作用［14］。因此，ARVI比NDVI，DVI，EVI，SAVI和MSAVI对风沙灾害更为敏感。

3 结论与讨论

本文以2013年4月喀什莎车县风沙灾害为例，探讨了 NDVI，DVI，EVI，ARVI，SAVI和 MSAVI在风沙灾害前后的变化。6种植被指数比较的结果表明，风沙灾害后，这6种植被指数均值呈现减小趋势，ARVI的取值范围、偏移和标准差最大，且相关系数最小，说明ARVI能更好地反映绿洲农区农作物的空间变异性，具有较强识别农作物是否受灾的能力；风沙灾害前后植被指数的差值变化显示，ΔARVI的四分位距和标准差最大，说明ARVI受风沙灾害的影响显著；结合风沙灾害前后的近红外、红光和蓝光波段的变化和植被指数表达式，ARVI比其他5种植被指数更能反映农区风沙灾害的影响。综合以上分析，绿洲农区受到风沙灾害的影响后，农区ARVI反映植被细部变化的能力最强，对风沙灾害的响应最大，比NDVI，DVI，EVI，SAVI和 MSAVI对风沙灾害更为敏感，适于对绿洲农区受风沙灾害的监测和评估。

值得指出的是，研究中主要考虑了绿洲农区植被指数在风沙灾害前后的变化，缺少对农作物的受灾范围、程度和受灾后生长情况的分析。其原因是风沙灾害多发生在农作物生长变化较快的春季，与风沙灾害前相同条件的农作物正常生长时间较难掌握，造成风沙灾害阈值的确定具有一定的困难。因此，为了快速准确地对农区风沙灾害进行监测评估，需要深入研究风沙灾害阈值的确定方法。同时当农作物遭受风沙灾害后，对农作物生长后期生物量、产量的影响还需要进一步地分析。

［1］ 钱永兰，侯英雨，延昊，等.基于遥感的国外作物长势监测与产量趋势估计［J］.农业工程学报，2012，28（13）：166－171.

［2］ 董燕生，陈洪萍，王慧芳，等.基于多时相环境减灾卫星数据的冬小麦冻害评估［J］.农业工程学报，2012，28（20）：172－179.

［3］ 胡晓雯，曹爽，赵显富.基于植被指数的绿地信息提取的比较［J］.南京信息工程大学学报：自然科学版，2012，4（5）：420－425.

［4］ 朱高龙，柳艺博，居为民，等.4种常用植被指数的地形效应评估［J］.遥感学报，2013，17（1）：210－234.

［5］ 徐爽，沈润平，杨晓月.利用不同植被指数估算植被覆盖度的比较研究［J］.国土资源遥感，2012，95（4）：95－100.

［6］ 张婕，张武，陈权亮.利用 MODIS数据反演植被指数的敏感性研究［J］.西南大学学报：自然科学版，2011，33（11）：152－158.

［7］ Huete A R.A soil－adjusted vegetation index （SAVI）［J］.Remote Sensing of Environment，1988，25（3）：295－309.

［8］ Qi J，Chehbouni A，Huete A R，et al.A modified soil adjusted vegetation index［J］.Remote Sensing of Environment，1994，48（2）：119－126.

［9］ 李红军，郑力，雷玉平，等.基于 EOS／MODIS数据的NDVI与 EVI比较研究［J］.地理科学进展，2007，26（1）：26－32.

［10］ Peña－Barragán J M，Ngugi M K，Plant R E，et al.Object－based crop identification using multiple vegetation indices，textural features and crop phenology［J］.Remote Sensing of Environment，2011，115（6）：1301－1316.

［11］ 魏丰良，刘廷玺，张圣微，等.科尔沁沙地植被覆盖变化及其与气候因子的关系研究［J］.水土保持研究，2012，19（3）：254－258.

［12］ Lee M F，Lin T C，Vadeboncoeur M A，et al.Remote sensing assessment of forest damage in relation to the 1996strong typhoon Herb at Lienhuachi Experimental Forest，Taiwan［J］.Forest Ecology and Management，2008，255（8）：3297－3306.

［13］ Wang W，Qu J J，Hao X，et al.Post－hurricane forest damage assessment using satellite remote sensing［J］.Agricultural and Forest Meteorology，2010，150（1）：122－132.

［14］ 张杰，郭铌，郝志毅.沙尘气溶胶对西北地区植被遥感的影响分析［J］.高原气象，2006，25（1）：116－122.