刘 丹，冯 锐，于成龙，唐 权，郭春玲

基于植被指数的春玉米干旱响应遥感监测

刘 丹1,2,3，冯 锐4，于成龙1,2,3※，唐 权5，郭春玲5

（1. 中国气象局东北地区生态气象创新开放实验室，哈尔滨 150030； 2. 黑龙江省气象院士工作站，哈尔滨 150030；3. 黑龙江省气象科学研究所，哈尔滨 150030； 4. 中国气象局沈阳大气环境研究所，沈阳 110166；5. 凌海市生态建设发展中心，凌海 121200）

东北地区是中国主要的玉米种植区，同时也是中国易发生干旱的地区，干旱常态化严重制约着该地区玉米生产的稳定发展。以辽宁省春玉米为研究对象，在明确春玉米不同发育期干旱变化特征的基础上，基于FY-3A/MERSI、Terra/MODIS、春玉米发育期和土壤相对湿度观测等数据，建立春玉米干旱遥感监测指标集，构建各发育期不同土层深度的土壤相对湿度遥感监测模型，并以2000年为例开展了辽宁省春玉米干旱监测的应用研究，结果表明：1993—2012年辽宁省春玉米在各个发育期均有干旱发生，其中1999—2002年为干旱高发期，乳熟期干旱最为严重；多指数协同配合能提高遥感手段对土壤相对湿度的监测能力，其中陆表水分指数对土壤相对湿度监测能力较强，其次是水分指数；利用构建的春玉米各发育期土壤相对湿度遥感监测模型，监测2001—2004年部分发育期和土层深度的干旱状况，总体监测准确率为73.32%；实现了2000年辽宁省春玉米发育期干旱等级动态监测，所得监测结果与当年农业气象观测记录在发育阶段和空间上都有很好的一致性，遥感监测结果正确。因此，此项研究对于大范围准确跟踪监测春玉米干旱，以及提高春玉米生产的防灾减灾能力具有重要意义。

遥感；干旱；植被；春玉米；发育期

0 引 言

干旱对全球陆地生态系统影响广泛[1]，在全球气候变化背景下，干旱发生频率和强度都在增加[2]，在中国旱灾是影响粮食生产最严重的自然灾害[3]。辽宁省地处欧亚大陆东岸的中纬度地区，属温带大陆性季风气候，干旱是该省主要的农业气象灾害[4-5]，20世纪90年代以来生长季干旱整体呈加剧趋势[6-7]，根据中华人民共和国国家统计局（http://data.stats.gov.cn/index.htm）公布的数据显示，2010—2017年全省农作物遭受旱灾面积年均达5.58×103km2，占总受灾面积的64.22%。该省也是中国粮食主产区，春玉米是第一大粮食作物，播种面积占全国玉米播种面积的6.35%，占本省农作物播种面积的60%以上，春玉米生产以“雨养”为主，因旱灾绝收的面积年均达1.02×103km2，占总绝收面积的71.08%。因此，探寻春玉米全生育期干旱监测的有效手段，及时准确地掌握春玉米旱情发生、发展和消退过程，将为提高春玉米生产的防灾减灾能力具有重要意义。

目前农业干旱监测数据来源主要有2种，一种是地基数据，主要是土壤水分或气象要素的地面观测数据，研究者基于这些数据，结合作物生长发育特点，形成了很多监测指标，如土壤含水量指标[8]、降水量指标[9]、标准化降水指数（standardized precipitation index，SPI）[10]、改进帕尔默干旱指数（self-calibrated palmer drought severity index，sc-PDSI）[11]、标准化降水蒸散指数（standardized precipitation evapotranspiration index，SPEI）[12]等，这些指标在干旱监测、干旱风险和灾损评估等方面得到应用，为农业旱情监测奠定了基础，对于深入探讨农业干旱监测理论具有重要意义，但这些指标都是基于点观测数据，空间代表性有限，即使利用空间插值等技术进行数据网格化处理，其监测精度在地形复杂和观测点分布稀疏的区域仍然有限；另一种是遥感数据，研究者利用大气、土壤或植被在不同状态时的光谱差异，探寻敏感光谱波段与它们之间的关系，建立多种遥感指数，通过监测大气可降水[13]、土壤含水量[14]、作物生理及形态[15]等指标实现干旱监测，经过多年的探索，取得了丰富成果，总结出如红光波段（630～740 nm）、近红外波段（930～1 130 nm）、短波红外波段（1 500～1 750 nm）、微波（C波段和L波段）等敏感波段[16-17]，以及归一化植被指数（normalized difference vegetation index，NDVI）、增强植被指数（enhanced vegetation index，EVI）、归一化水指数（normalized difference water index，NDWI）等常用的遥感指数[18-20]，因遥感数据具有覆盖范围广、观测空间连续等特点，弥补了传统地面观测空间分辨率低的不足，在农业干旱监测中具有良好前景。

然而由于地气系统的复杂性和生物的多样性，遥感指数的适用性可能受不同地域、不同时间尺度、不同作物、作物的不同发育期等多种因素的影响而有所差异[21]，因此对于某一特定区域的农作物，需要有针对性地开展遥感指数干旱监测的适用研究，提高遥感监测精度，扩大其实用性，从而推动干旱遥感监测的业务化发展。本研究以辽宁省春玉米为例，基于FY-3A/MERSI和Terra/MODIS数据，结合土壤相对湿度和春玉米发育期观测数据，了解辽宁省春玉米不同发育期干旱变化特征，分析多时间尺度遥感指数与不同土层深度的土壤相对湿度的相关关系，建立春玉米各发育期土壤相对湿度监测指标集，分别春玉米发育期和土层深度构建土壤相对湿度遥感监测模型，并开展实用分析。研究将为该省春玉米干旱遥感监测提供新思路，也为遥感指数同化入作物估产模型提供理论参考。

1 研究区概况

辽宁省位于东北地区南部，东经118°53′－125°46′，北纬38°43′－43°26′，陆地面积14.59万km2，大陆海岸线全长2 178 km，东起鸭绿江口，西至山海关老龙头。该省地势大体为北高南低，从陆地向海洋倾斜，山地丘陵分列于东西两侧，向中部平原倾斜；辽宁省位于温带大陆性季风气候区，境内雨热同季，日照丰富，四季分明，雨量分配不均，呈东多西少的分布格局；年平均气温5.45～11.26 ℃，年降水量433～1 079 mm（数据来源于国家气象信息中心http://data.cma.cn/：1981－2010年中国地面累年值日值数据集）（图1）。

图1 研究区位置示意图及年气温和降水及土地利用情况

该省大部分农区位于中部，主要粮食作物有玉米、小麦、水稻、谷子、高粱等，其中玉米播种面积最大，2017年播种面积达2.69万km2，占全省农作物播种面积的64.52%（数据来源于中华人民共和国国家统计局：http://data.stats.gov.cn/index.htm）。

2 数据与方法

2.1 数据来源与处理

2.1.1 遥感数据

本研究利用Terra/MODIS（2000－2004年、2008－2010年）和FY-3A/MERSI（2009－2012年）极轨卫星数据，构建多指数数据集，其中2000年数据用于探究春玉米各发育期土壤相对湿度遥感监测模型在大面积空间的监测效果，2001－2004年数据用于验证土壤相对湿度遥感监测模型在观测站点监测的准确率，2008年的Terra/MODIS数据和2009－2012年的FY-3A/MERSI数据用于进行遥感指数与土壤相对湿度相关性研究和构建土壤相对湿度遥感监测模型，2009－2010年的Terra/MODIS数据用于计算其与相同时间点的FY-3A/MERSI数据在相同遥感指数值上的差异，以此订正2009－2012年的FY-3A/MERSI数据计算的遥感指数。Terra/MODIS数据来源于美国地球数据中心（https://earthdata.nasa.gov/）的4－10月1 km空间分辨率的日数据，FY-3A/MERSI数据来源于中国卫星气象中心（http://satellite.nsmc.org.cn/PortalSite/Default.aspx）的4－10月1 km空间分辨率的日数据，传感器类型为MERSI。在对数据进行投影和大气校正后，以该省海岸线为地标进行几何校正。

2.1.2 春玉米发育期和土壤相对湿度数据

来自于中国气象数据网（http://data.cma.cn/）的“中国农作物生长发育和农田土壤湿度旬值数据集”，该数据集包括每10天（每月8日、18日和28日）观测的作物名称、发育期状况、积温、各发育期对应的10、20、50、70和100 cm深处土壤相对湿度，本研究所用数据的时间范围为1993－2012年，空间范围为辽宁省18个观测站。

2.1.3 气象数据

气象数据来源于中国气象数据网（http://data.cma.cn/）的“中国地面气候资料日值数据集（V3.0）”，该数据包含了中国699个基准气象站（或基本气象站）1951年1月以来的气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0 cm地温要素的日值数据，其中辽宁省有25个气象站，本研究所用数据的时间范围为2000－2012年。

2.1.4 土壤质地数据

数据来源于中国科学院资源环境科学数据中心（http://www.resdc.cn）的“中国土壤质地空间分布数据集”，该数据依据1:100万土壤类型图和第二次土壤普查获取到的土壤剖面数据编制而成，根据砂粒、粉粒、黏粒含量划分土壤质地。本研究参照“国际制土壤质地分级标准”，依据土壤砂粒含量划分辽宁省18个观测站的土壤质地，其中有16个观测站为壤土（砂粒含量在40%～55%之间），2个观测站为沙土（砂粒含量＞55%）。

2.1.5 土地利用类型数据

数据来源于中国科学院资源环境科学数据中心（http://www.resdc.cn）的“中国土地利用遥感监测数据集”，该数据集以Landsat TM/ETM遥感影像为主要数据源，通过人工目视解译，生成1:10万比例尺土地利用现状数据，其土地利用类型包括耕地、林地、草地、水域、居民用地和未利用土地6个一级类型以及25个二级类型。

根据邻近原则，2000－2002年选用2000年的土地利用类型数据提取旱田范围，2003－2007年选用2005年的土地利用类型数据，2008－2012年选用2010年的土地利用类型数据，考虑到所用干旱监测的遥感数据的空间分辨率为1 km，对小于1 km的旱作物种类的区分能力有限，所以本研究在进行春玉米遥感监测模型的实用研究中，监测范围包括所有旱田。

2.1.6 地理信息数据

利用数字高程模型（DEM）参与遥感数据预处理，该DEM为SRTM地形产品V4.1版本数据，空间分辨率为90m，数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站（http://www.gscloud.cn），根据需要将数据的空间分辨率重采样为1 km。

研究所需的行政区划数据来自于中国气象局下发的1:25万基础地理信息，对数据进行拓扑检查，去除边界间隙。以上数据的地理坐标均转换为WGS-1984，投影方式为等经纬度投影。

2.2 研究方法

2.2.1 遥感指数生成

选取反映作物形态和作物含水量的遥感指数，研究其对春玉米不同发育期、不同土层深度干旱监测的适用性，其中反映作物形态的遥感指数包括NDVI、EVI和棕色植被指数（brown vegetation index，BVI）；反映作物含水量的遥感指数包括NDWI、陆表水分指数（land surface water index，LSWI）和水分指数（Water Index，简称WI）。利用最大值合成方法，以5、10和20 d为时间尺度，构建各指数数据集。具体计算公式如表1。

另外，虽然FY-3A/MERSI、Terra/MODIS数据在卫星过境时间、波段设置、空间分辨率上有很多相似性，但相似波段的中心波长、光谱带宽、定标精度等还存在一定差异，本研究利用于成龙等[22]的方法，计算2009—2010年的Terra/MODIS数据与FY-3A/MERSI数据在相同时间点上生成的遥感指数的差异，求取各指数差异的平均值，使两个传感器数据生成的同一遥感指数之间无显著差异，并以此计算结果进一步订正2011—2012年的FY-3A/mERSI数据生成的遥感指数。

表1 遥感指数公式

注：EVI为增强植被指数，BVI为棕色植被指数，NDWI为归一化水指数，LSWI为陆表水分指数，WI为水分指数；为反射率（或发射率），后的数字为中心波长；nir为中心波长为0.865m的近红外波段，red为红光波段，blue为蓝光波段，green为绿光波段，ρ为中心波长为2.130m近红外波段，ρ为中心波长为1.640m的近红外波段，900为中心波长为0.900m的短波红外波段；970为中心波长为0.970m的短波红外波段；、1和2均为参数。

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 遥感指数与地面观测数据的匹配

时间匹配：遥感指数的时间尺度为从某月1日开始按不同时间尺度向后累积，土壤含水量取观测日期落入的时间统计单元。以某年4月的10 d时间尺度NDVI的匹配为例，如果该时间段有1次土壤含水量观测数据，则把该时段的NDVI与当次土壤含水量相匹配；如果该时间段有多次土壤含水量观测数据，则将NDVI与多次土壤含水量的平均值相匹配；如果该时间段无土壤含水量观测数据，则不进行匹配。5和20 d时间尺度的匹配方法以此类推。

空间匹配方法：为减少遥感指数奇异值对研究结果的影响，以观测站点所在像元为中心，设定3×3像元窗口，计算窗口内有效遥感指数的平均值，根据地理坐标把平均值与地面观测数据在空间上进行匹配。

2.2.3 春玉米土壤干旱等级划分

参照《北方春玉米干旱等级》[23]，结合本研究收集的发育期数据，划分春玉米各发育期干旱等级。因《北方春玉米干旱等级》中将发育期划分为播种—出苗、出苗—拔节，拔节—抽雄、抽雄—乳熟和乳熟—成熟共5个阶段，为与本研究的8个发育期相对应，2个阶段共有的发育期按照前一个发育期的土壤相对湿度数据范围划分干旱等级，例如出苗的干旱等级划分范围按照《北方春玉米干旱等级》中的播种—出苗的标准，拔节按照出苗—拔节的标准。划分标准如表2。

表2 土壤相对湿度干旱等级划分

2.2.4 春玉米主根深度推算

根据侯琼等[24]的春玉米根系生长过程模型，选取最接近辽宁省的内蒙古自治区通辽地区的方程系数，求取春玉米主根深度。模型如下

式中为根系深度，cm；H为最大伸展深度（等于130 cm；为出苗后天数，、为系数，分别为3.884 9和-0.083 0。

出苗天数（）根据穆佳等[25]统计的辽宁省春玉米多年平均发育期日序，计算春玉米三叶—成熟的出苗天数，计算结果如表3。

表3 春玉米发育期日序和主根深度

2.2.5 遥感指数适用性分析

采用相关性分析和逐步回归方法，研究不同时间尺度各遥感指数与不同发育期、不同深度（10、20、50、70和100 cm）土壤相对湿度的Pearson相关系数，分析春玉米从播种到成熟8个发育期各遥感指数干旱监测的时间尺度适用性，筛选春玉米关键发育期干旱的最优遥感监测指数，构建基于遥感指数的玉米发育期干旱监测模型，并进行实例分析。

2.2.6 准确率检测

利用春玉米各发育期土壤相对湿度遥感监测模型，计算各发育期不同深度土壤相对湿度，划分春玉米干旱等级，与对应的地面观测数据进行对比，借助Ma等[26]提出的准确率检测方法，对春玉米各发育期土壤相对湿度遥感监测模型进行验证，准确率监测公式如下

式中为准确率；为遥感监测与地面观测在干旱等级上一致的站点数；为遥感监测与地面观测在干旱等级上不一致的站点数。

3 结果与分析

3.1 不同发育期春玉米干旱变化特征

根据表2中的划分标准，基于观测站点数据，划分1993－2012年辽宁省春玉米各发育期土壤干旱等级，统计不同土层深度干旱发生频率（图2），分析可见，春玉米在各个发育期均有干旱发生，其中抽穗（图2f）和乳熟期（图2g）各土层深度（10～100 cm）发生干旱的累积频率相近，其中乳熟期各土层深度干旱发生累积频率均较高，累积频率在31.51%～39.73%之间；抽穗期次之，累积频率在25.61%～28.05%之间；其他发育期各土层深度干旱累积频率均随着土层深度的增加有降低的趋势。

分析各发育期相同土层深度发生干旱的累积频率可见，除抽穗和乳熟期外，其他发育期10 cm土层的干旱累积频率高于其它深度土层，在16.43%～32.79%之间；抽穗和乳熟期时70 cm土层的干旱累积频率高于其它深度土层，其中乳熟期各土层平均累积频率（39.73%）高于抽穗期（28.05%）。

分析各发育期干旱程度的累积频率可见，各发育期以轻旱和中旱为主，各土层深度干旱累积频率由大到小的顺序分别为轻旱（平均为10.55%）、中旱（平均为5.59%）、重旱（平均为2.93%）、特旱（平均为1.23%）。

图2 1993－2012年辽宁省春玉米各发育期不同土层深度干旱发生频率

统计各发育期有干旱记录的观测站占所有观测站的比例（图3），计算1993－2012年的平均值，由大到小的顺序为：乳熟（32.73%）、成熟（29.63%）、抽穗（27.94%）、出苗（18.70%）、七叶（18.22%）、播种（18.12%）、三叶（17.49%）、拔节（14.18%），可见研究区春玉米在乳熟期发生干旱的观测站最多，其次是成熟期，拔节期发生干旱的观测站最少。

从年际变化看，虽然各发育期发生干旱记录的百分比的年际波动规律不完全一致，但高峰值均集中于1999－2002年间，统计对应时段生长季（4－10月）平均气温和降水量可见，有93%～98%观测站的气温高于累年（1981－2010年）平均气温，70%～98%观测站的降水量低于累年平均降水量，可见这段时间辽宁省春玉米发生了多发育期的大面积干旱。

图3 1993－2012年辽宁省春玉米各发育期发生干旱次数的百分比

3.2 春玉米各发育期土壤相对湿度遥感监测模型

3.2.1 模型构建

根据表3中各发育期的主根深度，统计2008－2012年各发育期对应主根深度的土壤相对湿度与遥感指数的相关性，表4列出了在相同发育期、相同土层深度下，与土壤相对湿度相关显著（sig＜0.05）或极显著（sig＜0.01）、且相关系数（）最高的遥感指数。从发育期上看，在三叶、七叶、拔节、抽穗和成熟期，均有遥感指数与对应发育期主根深度及浅层土壤相对湿度呈显著相关关系，但没有遥感指数与播种期和出苗期的土壤相对湿度有显著相关，在乳熟期遥感指数也只与10～50 cm深的土壤相对湿度呈显著相关。

从监测的时间尺度上看，遥感指数与土壤相对湿度呈显著（或极显著）相关最多的是10 d尺度（12个），其次是5 d尺度（10个），20 d尺度最少（4个）；从遥感指数种类上看，与土壤相对湿度呈显著（或极显著）相关最多的是LSWI，其次是WI。

为研究遥感指数对土壤相对湿度的协同监测能力，在SPSS软件的支持下，采用逐步回归方法，以不同发育期、不同土层深度的土壤相对湿度为因变量，以NDVI、EVI、LSWI、BVI、WI和NDWI为自变量，建立土壤相对湿度回归方程，在同一发育期、同一土层深度下，选取相关系数（）最高的回归方程列入表5。分析可见，在相同发育期、相同监测时间尺度和相同土层深度下，有2个（含2个）以上遥感指数的回归方程的相关系数（表5）均大于只有1个遥感指数时的相关系数（表4），以七叶期为例，表4中只有20 d尺度的LSWI与20 cm深度的土壤相对湿度呈极显著相关，如果引入WI，LSWI与WI共同建立的回归方程与10和20 cm深度的土壤相对湿度均有极显著相关关系，而且相关系数（）有所提高，说明多指数的协同配合能够提高对土壤相对湿度的监测能力。

表4 春玉米各发育期土壤相对湿度与单一遥感指数的相关性

注：表中数字右上角的*为相关显著，**为相关极显著。括号内的数字为样本数。

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 春玉米各发育期土壤相对湿度遥感监测模型

3.2.2 模型验证

基于2001－2004遥感数据、土壤相对湿度和玉米发育期观测数据，利用春玉米各发育期土壤相对湿度遥感监测模型计算不同发育期和不同土层深度的土壤相对湿度，并依据表2中的标准划分干旱等级，与对应发育期的地面观测土壤干旱等级进行对比，结果如表6。分析可见，总体监测准确率为73.32%，但各发育期监测准确率相差较大，其中拔节和三叶的监测准确率超过85%，抽穗和乳熟准确率刚刚超过70%；如果扩大容差，认为土壤干旱等级差中的-1—1均为准确监测，那么各发育期的监测准确率在84.78%以上，可见春玉米各发育期土壤相对湿度遥感监测模型对于辽宁省春玉米土壤墒情监测具有较好的适用性。

表6 土壤相对湿度遥感监测模型准确率

注：表中各发育期对应的整数为观测次数。

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

另外从各发育期土壤干旱等级差的观测次数分布规律可见，三叶和拔节期遥感监测结果较地面观测结果偏干，七叶和乳熟期监测结果偏湿，抽穗和成熟期的监测结果无明显偏移。

3.3 2000年遥感指数干旱监测

为探究春玉米各发育期土壤相对湿度遥感监测模型在大面积空间监测的效果，根据春玉米各发育期土壤相对湿度遥感监测模型（表5），利用Terra/MODIS数据，计算2000年春玉米不同发育期、不同土层深度的土壤相对湿度，划分干旱等级，并绘制干旱等级分布图（图4）。分析可见，三叶期10 cm土层深度大部分地区无旱；七叶期10 cm土层深度只有西北部边缘有轻旱，20 cm土层深度处西部大部分地区和南部地区有轻旱和中旱，50 cm土层深度处西部部分地块有轻旱和中旱，东部普遍为中旱和重旱；拔节期20和70 cm土层深度处以无旱为主，没有集中连片的干旱出现；抽穗期10 cm土层深度处西部部分地块有轻旱和中旱，20 cm深处在西部的轻旱和中旱已经连片，50 cm深处全省大部分地区处于轻旱和中旱状态，西部旱象重于东部；乳熟期10 cm土层深度处全省大部分地区处于干旱状态，其中南部和西部的部分地区有重旱和特旱，这也是全年最为干旱的时期，20 cm深处只有西部部分地区有重旱和特旱，由西向东旱象呈梯度缓解，东部地区基本无旱；成熟期10 cm深处西部和东南部地区不同等级的干旱呈块状交错分布，与10 cm深处相比，20 cm深处旱象加重，但分布格局与10 cm相近，50 cm深处的干旱等级和分布格局与10 cm相似，在70 cm深处西部和南部部分地区仍有不同程度的干旱发生，到100 cm深处只有西部少部分地块有轻旱，其它大部分地区为无旱。

图4 2000年辽宁省春玉米不同发育期干旱等级分布

根据2000年土壤相对湿度观测数据，三叶期10 cm土层深度未见干旱的观测记录；七叶期10和20 cm土层深度均有轻旱和中旱的记录，50 cm土层深度出现中旱观测记录，而且地理位置与图4分布一致；拔节期20 cm有少量轻旱的观测记录，70 cm无干旱观测记录；抽穗期在10～50 cm深度处，干旱观测记录呈增加趋势，干旱程度呈加重趋势，到70～100 cm深度干旱记录明显减少；在乳熟期，绝大多数观测点有10 cm土层干旱的观测记录，随着观测深度的加大，有干旱记录的站点数明显减少；在成熟期，有超过50%的观测点在10 cm土层有干旱记录，随着观测深度加大，有干旱记录的观测站数量逐步减少。

由此可见，2000年遥感监测结果与同期土壤相对湿度地面观测记录在发育阶段和空间上有很好的一致性，遥感监测结果正确。

4 讨 论

植物叶片水分在短波红外产生强烈吸收，短波红外的反射率与叶片含水量呈负相关[27-28]，因植物在干旱条件下叶片水势下降[29]，所以对短波红外反射率增加，由此通过对植物叶片短波红外反射率的监测能够反映植物的水分状况。本研究在春玉米干旱监测中发现，对土壤相对湿度反映最敏感的遥感指数为LSWI，该指数即为不同波长的短波红外波段组合而成。同时，Zhou等[30]在研究利用遥感指数监测美国南部大平原草地的干旱状况、Bajgain等[31]和Wagle等[32]在对比NDVI、EVI和LSWI监测草地干旱的敏感性时也都发现，与很多遥感指数相比，LSWI在植被干旱监测中表现良好。

在研究春玉米各发育期土壤相对湿度与单一遥感指数的相关性时发现，所选取的遥感指数与播种期和出苗期的土壤相对湿度都不存在显著相关关系，可见，本研究选取的遥感指数与植被的生物物理特性关系密切，但对裸土水分含量的变化不敏感。另外，在三叶和七叶期的相关系数（）较低，原因可能是该段时间植被覆盖度较低，植物冠层透射和散射大量的可见光和短波红外到土壤表面，在植物—土壤之间发生多次散射，可见光和短波红外的反射率在植被未完全覆盖区域受土壤的影响较大，二者之间可能为非线性相关。张友水等[33]在研究利用LSWI—NDVI梯形图估算植被含水状况时也发现了类似问题。另外，在本研究的结果中，乳熟期的遥感指数与70 cm以下土层深度的土壤相对湿度无显著相关，其原因还有待进一步研究。

本研究选取的遥感指数反映的均为春玉米的生物物理参数，因植物的生理状态对土壤水分变化的反映有滞后和累积效应[34-35]，如果监测时间尺度过小，监测精度会受到滞后和累积效应的影响，如果监测时间尺度过大，又不能及时捕捉春玉米生理状态对干旱的响应，研究发现，三叶和七叶期遥感监测的适宜时间尺度为20 d，拔节、抽穗、乳熟和成熟期的适宜尺度为10 d。虽然并未从植物对干旱响应的生理生态机制上找到存在这种时间尺度差异的原因，但统计2008－2012年辽宁省年最大连续无降水日（图5）在玉米不同发育期中的分布可见，三叶和七叶期年最大连续无降水日主要集中在10 d以上，其他发育期年最大连续无降水日主要集中在5～10 d，该现象与对应发育期遥感指数干旱监测适宜的时间尺度具有较好的一致性，说明当地的气候特征可能是造成这种监测时间尺度差异的原因之一。

图5 2008－2012年辽宁省春玉米不同发育期最大无降水日数分布

虽然春玉米各发育期土壤相对湿度遥感监测模型在实践应用时表现良好，但该模型仍属于统计模型，缺乏对春玉米干旱遥感监测机制的解释能力，而且部分拟合方程的相关系数（）还较低，分析原因与土壤相对湿度变化存在的偶然性和地面观测的时间尺度有关，一场透雨或人为灌溉可能会使原本处于重旱状态的土壤转为正常状态，而本研究获取的土壤相对湿度观测记录是每10 d测量一次，10 d内土壤相对湿度可能会发生很大变化，而且春玉米对土壤相对湿度变化响应的滞后性也增加了遥感监测模型拟合结果的不确定性，近些年中国很多农业气象观测站开展了土壤相对湿度自动观测业务，监测的时间尺度明显缩小，显著提高了土壤相对湿度变化的捕捉能力，将为土壤相对湿度遥感监测在时空尺度上提供更为密集的基础数据。

本研究应用的遥感数据空间分辨率为1 km，由于辽宁省一向有旱田间作的种植习惯，很难再将不同的旱作物进一步区分开来，所以影响了对春玉米的准确定位，如果利用中等空间分辨率数据（如Landsat数据、HJ星数据等）开展监测，又不能满足监测对时效性的要求，考虑到该省春玉米的播种面积占旱作物播种面积的60%以上（数据来源于http://data.stats.gov.cn/index.htm），本研究的监测结果仍具有一定的代表性。另外，本研究的干旱监测方法是建立在特定区域和农作物基础上的，区域气候特点、土壤质地、作物生理生态特性等的差异都会对监测模型的适用性产生很大影响，因此本研究建立的遥感干旱监测模型能否进行时空尺度的扩展还需进一步验证。

5 结 论

以辽宁省春玉米为研究对象，以FY-3A/MERSI数据、Terra/MODIS数据、春玉米发育期观测数据、土壤相对湿度观测数据等为基础，建立春玉米各发育期干旱监测遥感指标集，构建春玉米各发育期土壤相对湿度遥感监测模型，对该省春玉米不同发育期、不同土层深度的干旱进行动态监测。研究结论如下：

1993－2012年辽宁省春玉米在各个发育期均有干旱发生，其中乳熟期干旱最为严重；单一遥感指数对土壤相对湿度监测能力较强的是陆表水分指数（LSWI），其次是水分指数（WI）；多指数协同配合能提高对土壤相对湿度的监测能力，建立的春玉米各发育期土壤相对湿度遥感监测模型，对部分发育期和土层深度干旱监测的总体准确率能达73.32%；实现了辽宁省2000年春玉米发育期干旱等级动态监测，所得监测结果与当年农业气象观测记录在发育阶段和空间上有很好的一致性，遥感监测结果正确。

[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] 周广胜. 气候变化对中国农业生产影响研究展望[J]. 气象与环境科学，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，张淑杰，纪瑞鹏，等. 近30年辽宁玉米水分适宜度时空演变特征及农业干旱评估[J]. 应用生态学报，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] 卢洪健，莫兴国，孟德娟，等. 气候变化背景下东北地区气象干旱的时空演变特征[J]. 地理科学，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] 张运福，房一禾，龚强. 基于SPEI指数的辽宁省生长季干旱时空特征[J]. 生态学杂志，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] 孙滨峰，赵红，王效科. 基于标准化降水蒸发指数（SPEI）的东北干旱时空特征[J]. 生态环境学报，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] 黄友昕，刘修国，沈永林，等. 农业干旱遥感监测指标及其适应性评价方法研究进展[J]. 农业工程学报，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] 于成龙，刘丹，杨晓强. 基于FY-3A/MERSI与Terra/MODIS的单波段反射率和NDVI差异性分析[J]. 东北林业大学学报，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，北方春玉米干旱等级[S].

[24] 侯琼，沈建国. 春玉米根系生育特征与冠层关系的研究[J]. 生态学报，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，赵俊芳，郭建平. 近30年东北春玉米发育期对气候变化的响应[J]. 应用气象学报，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] 张友水，谢元礼. MODIS影像的NDVI和LSWI植被水分含量估算[J]. 地理科学，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] 安雪丽，武建军，周洪奎，等. 土壤相对湿度在东北地区农业干旱监测中的适用性分析[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

刘 丹，冯 锐，于成龙，唐 权，郭春玲. 基于植被指数的春玉米干旱响应遥感监测[J]. 农业工程学报，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

中国气象局沈阳大气环境研究所开放基金（2018SYIAEZD1）；黑龙江省自然科学基金联合引导项目（LH2019D014）；中国气象局东北地区生态气象创新开放实验室开放研究基金项目（stqx2018zd03）

刘 丹，正高级工程师，博士，主要从事生态气象方向研究。Email：nefuliudan@163.com

于成龙，高级工程师，博士，主要从事生态气象方向研究。Email：nefuycl@163.com

10.11975/j.issn.1002-6819.2019.20.019

TP79

A

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