基于MODIS数据的黄淮海夏玉米高温风险空间分布

刘 哲，汪雪滢，刘帝佑，昝糈莉，赵祖亮，李绍明，张晓东

（中国农业大学信息与电气工程学院，北京 100083）

0 引 言

玉米是三大谷物之一，在中国分布广泛[1]。玉米是喜温作物，在生产过程中，温度是重要的气象因子。适宜的环境温度是玉米高产所必需的先决条件之一，温度过高会对玉米的生长发育造成严重影响[2-3]。中国近50 a来年平均地表变暖幅度为1.1 ℃[4]。随着全球气候变暖的加剧，近年来极端天气与气候事件发生的频率增大[5-8]。在2013年罕见的夏季持续高温严重影响了夏玉米的产量[9-10]。因此，玉米高温热害检测与监测已成为农业生产管理的一项重要内容。

在同一地区，每天的温度都有一定的变化规律，日最高温在一天内出现的准确时间也随季节而变化，但变化不大[11]。当前，学者们多是使用气象站点的气温观测数据进行高温热害研究。刘哲等[12]使用气象插值数据，结合日高温时长概率分布函数计算黄淮海各县区玉米花期出现高温热害风险的概率和空间分布规律。由于地形复杂等因素，气象站点分布并不均匀，且气象站点获取的温度数据为距离地面1.5 m、遮荫的点源大气温度。为获取各地非气象站点的温度信息数据，通常使用插值算法计算获取，而插值精度难以保证。遥感测温技术填补了气象站测温的不足[13]，其技术优势在于实时、大面积、全覆盖地表，数据有相对较高的可信度。

遥感测温技术以获取地表温度为主，如果有植物覆盖地面，则获取植物冠层温度。以往试验数据表明，气象站点所测气温与 MODIS LST反演的温度有密切的相关关系[14-17]。欧阳斌等[14]对青藏高原地区昼夜的MODIS LST数据进行分段拟合，使用Sin-linear算法进行拟合得到日平均地表温度(Tf)，与气象日均温（Ta）比较，决定系数 R2超过 0.9。袁敏等[15]利用 MOD11A1产品在新疆局部地区生长季建立遥感温度与气象日最高温的线性回归模型，R2为 0.92。Zhu等[16]的研究结果表明每日的最高和最低气温都可以通过植被指数法从 MODIS陆地表面产品中获取。闵文彬等[17]发现遥感反演地表温度与气象站提供的气温（Ta）和地温（Ts）比较，相关系数并不高，分别为0.834和0.854。而Ts-LST与Ts-Ta却存在既显著又稳定的线性相关关系。

目前在涉农领域遥感监测中，遥感温度数据主要有以下用途：利用MODIS不同波段反演的地表作物分布和地表温度分布，建立干旱监测模型从而判断农业旱情和灾情的动态变化[18-20]；利用热红外遥感数据反演的地表温度，可用于计算农作物生长期的累积温度及天数、预测开花期和成熟期、监测病虫害，检测和评估旱情等多个方面[21-23]；利用MODIS LST产品估算田间日平均温度与地表温度，可用于指导农作物的适时播种[24]。

本文主要是探索使用 MYD11A1产品数据替代通过插值得到的面状气象日最高气温数据的可行性。气象学研究表明，日最高温出现的时间大致在14：00时左右，温度高峰时间前后0.5 h内温度会有0.5 ℃左右的下降[11]。因此遥感数据选择与日气象最高温时间相近的MYD11A1（白天 13:30过境）数据。 在此基础上，对MYD11A1数据使用移动窗口算法获取黄淮海夏玉米种植区的高温风险空间分布，并结合高程及水体分布等地理环境因素分析该种风险形成的原因。研究中使用2011‒2014年7、8月的数据，该时间段正处于夏玉米的花期阶段[25]。本文对气象站点日最高温数据与其所在像元的 MYD11A1遥感温度产品数据建立线性回归模型进行相关性研究，通过决定系数和均方根误差[26-27]分析2种数据之间的相关程度。在没有其他数据依托的情况下，使用遥感温度数据对黄淮海夏玉米区的高温风险空间分布进行提取。

1 研究区概况

本文以黄淮海夏播玉米种植区为研究区域，包括山东、河南 2省全部区域，北京、天津大部分区域以及江苏、安徽2省的北部区域。该区域四季分明、雨热同期，属半湿润暖温带灌溉集约农作区。全年≥10 ℃的积温约3 600～4 900 ℃，年降水量约500～950 mm[10,12,28]，无霜期 170～220 d，降雨量相对丰富。研究区大部分为平原地区，但该区域夏季降雨量占全年的 70%以上，降雨过分集中，气温高、蒸发量大。

2 材料与方法

2.1 数据来源与数据预处理

2.1.1 数据来源

1）温度数据：气象站点温度数据来源于中国气象局与中国气象科学数据共享服务网提供的国家级气象站点地面气候资料日值数据集[29]，本文中选用的气象温度均为该数据集中2011‒2014年7‒8月的日最高气象温度（以下简称为气象日最高温）。

近日，昆明首届精品咖啡文化节在昆明市中心文化街区南强街巷拉开帷幕，活动期间展出的曼老江咖啡豆，堪称咖啡豆届的大网红，曾于2018年8月，被著名美食专栏作家Florence Fabricant推荐登载上纽约时报。

MODIS LST产品数据下载自 Land Processes Distributed Active Archive Center（LP DAAC）网站[30]，本文中使用 2011‒2014年 7‒8月搭载在 Aqua卫星上的L3级地表温度产品 MYD11A1，该数据使用热红外波段31（10.78～11.28 µm）与热红外波段 32（11.77～12.27 µm）通过分裂窗算法计算得到[31]。其时间分辨率为1 d，空间分辨率为1 km。本文选用该数据集中白天13:30过境的遥感反演地表温度数据（以下简称为遥感温度）。

根据MODIS中国区域行列号的分布标示图（图1），选取行列号h26v04、h26v05、h27v05、h28v05的遥感影像，可以覆盖全部黄淮海夏播玉米区。

2）高程数据和水体分布数据等：来源于国家基础地理信息系统网[32]。

2.1.2 数据预处理

将每日的4幅（h26v04、h26v05、h27v05和h28v05）遥感影像进行拼接处理[33]。然后使用ArcMap软件的投影工具将影像数据坐标转换为 WGS-84坐标系[34]。由于遥感测温数据以像元亮温指数作为显示数据。因此需将像元亮温指数转换为对应地表的摄氏温度数据[31]

式中LSTAD为像元覆盖地表单元的摄氏温度，℃；T为像元亮温指数，K；“0.02”为像元亮温指数转换为绝对温度的比例系数[31]。

图1 MODIS中国区域行列号设置标示Fig.1 MODIS sinusoidal tile grid of China

最后使用ArcMap软件空间分析中的提取工具，将气象站点所在像元的遥感温度数值提取出来，并记录到输出要素类的属性表中，用于后续计算。

2.2 气象日最高温与遥感温度的建模方法

式中Tmax为气象日最高温，℃；LSTAD为遥感温度，℃；a和b分别为回归系数。本文以黄淮海区的遥感温度数据为基准，逐个获取对应的气象日最高温。将 2011‒2014年共4 a 7‒8月的遥感温度数据升序进行排列，每间隔4组数据选出一组数据作为预测集，其余数据作为训练集。训练集数据为2 364组，预测集数据为591组。然后利用训练集中遥感温度数据与对应气象日最高温数据采用线性回归的方法构建气象日最高温的遥感反演模型。对构建的模型利用 591组预测集数据进行检验，建模精度采用预测值和气象日最高温实际值的决定系数R2和均方根误差（root mean squares error, RMSE）[36-37]来评价。同时对气象日最高温数据和遥感温度数据通过 SPSS软件进行显著性检验，进一步探索2种温度数据间的相关性。

式中Tmobs,i是气象站点在日期i的气象日最高温，℃；Tmpre,i是通过回归方程计算得到的日期i的预测温度，℃；n是数据个数。

2.3 高温风险空间分布的获取方法

遥感图像处理的移动窗口算法[38]可以实现影像数据中心像元与周围像元差值的计算。在遥感数字影像像元阵列中，从阵列的左上角开始，提取一个q×m个（q，m均为奇数）像元的矩形区域数据，该矩阵的中心即为移动窗口的中心像元。统计中心像元与周围像元的差值，将差值记录在新生成的数据阵列相应位置上。然后将移动窗口右移一个像元，继续重复以上操作，直到整个影像数据处理完成为止。

用中心像元与周围像元平均值的差作为数据评价标准（LSTAD-LSTADave），这种统计计算方法可以反映中心像元相对周围像元平均环境的差异。本文使用遥感温度数据进行计算，如图 2所示，先计算不同尺度范围内除中心像元值外均值（LSTADave），再用中心像元值（LSTAD）与该均值相减，得到评价中心像元与周围像元差异的指标（LSTAD-LSTADave）；为反映村、乡、县尺度下提取结果，本文分别设置 3×3、11×11、51×51共 3个尺度的遥感影像窗口进行分析。

图2 移动窗口均值算法示意图Fig.2 Mobile window mean algorithm diagram

玉米在花期阶段对温度的敏感程度高[2]，一般认为当温度高于32～35 ℃时[12]，玉米将遭受高温热害胁迫，出现授粉困难，甚至高温杀雄等现象。以年为单位计算每年 7‒8月 LSTAD-LSTADave的均值，同时使用遥感温度计算每个像元 7‒8月的遥感温度均值，将遥感温度均值≥34 ℃且 LSTAD-LSTADave均值≥3 ℃的像元视为存在高温风险。最后叠加高程数据和水体的空间分布，分析高温风险空间分布的主要成因，并比较4 a间高温风险的空间分布变化情况。

3 结果与分析

3.1 遥感温度与气象日最高温度模型及验证

图3为使用线性回归对2011‒2014年7‒8月遥感温度与气象日最高温建模与验证的散点图，训练集中R2为0.51，RMSE为2.5 ℃，P＜0.001。预测集中的观测值与预测值整体呈现较好的线性关系，R2为 0.49，RMSE为2.49 ℃，P＜0.001。说明黄淮海地区7‒8月遥感温度和气象日高温之间存在显著的正相关性。

3.2 高温风险的空间分布

图4为2014年7‒8月的LSTAD- LSTADave在不同窗口尺度下的空间分布，结果显示移动窗口尺度越大 LSTADLSTADave统计值变化范围越大，差异越明显，但其差异的空间分布基本相同。因此本文选取 51×51窗口下的LSTAD-LSTADave值进行高温风险空间分布研究，结果如图5所示。

图3 2011‒2014年7‒8月遥感温度和气象日最高温建模与验证Fig.3 Modeling and verification between LST data and meteorological highest temperature data from July to August during 2011-2014

图 4 2014年7‒8月LSTAD-LSTAdave在3种尺度下的空间分布Fig.4 Spatial distribution of difference between central point temperature (LSTAD) and average temperature of surrounding points (LSTADave) based on three scales window function from July to August in 2014

从图5中可看出高温风险主要分布在北京中部、天津中东部、河南西部、山东中部以及陕西中西部地区，并且出现频率较大。

图5 2011‒2014年黄淮海地区7‒8月高温风险空间分布Fig.5 Spatial distribution of high temperature risk in Huang-Huai-Hai Plain from July to August during 2011-2014

经过数据整理计算，7‒8月份黄淮海夏玉米种植区2011年遥感温度均值为 30.98 ℃，高温风险主要分布在北京中部、天津中东部、山东中部、河南西北部和陕西中西部[39]；2012年遥感温度均值为 30.89 ℃，高温风险主要分布在北京中部、天津中东部、山东中部、河南西北部、陕西中西部[40]；2013年遥感温度均值为 32.17 ℃，高温风险主要分布在北京中部、天津中东部、山东中部、河南西部陕西中西部[41]；2014年遥感温度均值为 32.64 ℃，高温风险主要分布在北京中部、天津中东部、河北西部、山东中部、河南中西部以及陕西中西部[42]。结合高程与水体分布分析高温风险的分布特点，发现陕西中西部地区出现高温风险频率较高且范围较大，该地区正处于秦岭山脉地区，由于海拔升高造成温度降低，因此山谷地区易出现异常高温；其次，北京中部和天津中东部地区的出现频率也较大，该地区主要位于北京和天津城区，城市建筑用地以及汽车尾气排放等原因都会形成异常高温，因此城市周边易出现高温风险；在山东省南部的微山湖附近高温风险出现的频率较低。

4 讨 论

本文计算气象日最高温与遥感温度 2种数据的决定系数R2和均方根误差RMSE低于其他研究[14-15]的测试结果，但Huang等[43]在基于季节性对LST数据与气象日均温进行线性回归分析时，也同样发现夏季 LSTAD与气象日均温的R2和RMSE并不高，R2为0.25，RMSE为2.6 ℃。决定系数较低原因可能主要有3点：1）每年7‒8月是黄淮海的雨季，极端天气较多。即使MODIS LST产品采取了“去云”技术措施，但是误差仍然存在。2）气象站点多数设置在城镇附近，周边邻近用地情况复杂，1 km分辨率像元中混合像元较多，特别是城镇热岛效应的影响不容忽视。这些原因加大了遥感温度和气象日最高温之间的偏差。3）本文的研究区域范围较大，包含了多种地形地貌，以及不同的气候带，因此也对R2和RMSE的计算造成了较大的影响。后期在研究中，可进一步结合耕地调查数据进行分析研究，避免城市与海拔等复杂因素的影响，提高数据精度。

本文使用遥感温度获取黄淮海夏玉米种植区花期的高温风险空间分布，并不是要重点研究高温实际所带来的热害影响，而是通过遥感数据与气象日最高温度间正相关的变化趋势获取可能存在高温风险的区域分布，从而避免热害的发生。因此本文提出使用线性回归的方式去研究遥感温度与气象日最高温间是否存在线性相关性，同时通过显著性检验的方式论证 2种数据是否显著相关。在结合多种相关性分析方法的前提下，本文认为即使两种数据的决定系数R2不高，但也足以说明两种数据间存在密切的相关性，因此使用遥感温度数据代替气象日最高温插值数据[13]来获取高温风险的空间分布是可行的。

本文使用移动窗口算法所获取的高温风险的空间分布在年际间变化不明显，趋于稳定。且高温风险主要集中分布在北京、天津、河南西部和陕西中西部等地区。这些地区形成这种现象的原因都和其特殊的地理位置密切相关。其中，山脉和居民聚居区对其影响明显，是形成高温风险的主要原因。水体所在像元温度普遍低于周围地区，但在水体周边没有发现高温风险，说明水体对于周边环境起到了高温调节作用。

5 结 论

1）气象日最高温与遥感温度间模型的决定系数 R2为0.51（P＜0.001），表示两种数据存在显著的正相关性。结果表明可以使用MYD11A1温度产品中13:30过境的遥感温度获取黄淮海地区夏玉米花期的高温风险空间分布。

2）通过使用滑动窗口的方法，发现黄淮海夏玉米区的高温风险主要分布在秦岭山区北部以及各大城镇、村庄的周边地区。但在水体周围未发现高温风险，说明水体对高温风险有调节作用。

3）由于高温天气一般出现在晴天，因此使用MYD11A1温度产品可以发现历史和近实时的高温风险分布，为相关农业生产管理提供数据支撑和方法参考。

[参 考 文 献]

[1] 杨红旗，路凤银，郝仰坤，等.中国玉米产业现状与发展问题探讨[J].中国农学通报，2011，27(6)：368－373.Yang Hongqi, Lu Fengyin, Hao Yangkun, et al. Situation analysis and development strategy of maize industry in China[J]. Chinese Agricultural Science Bulletin, 2011, 27(6):368－373. (in Chinese with English abstract)

[2] 王文彬，杨力，李长亚，等.高温热害对夏玉米生产的影响[J].大麦与谷类科学，2014(2)：8－9.

[3] 陈朝辉，王安乐，王娇娟，等.高温对玉米生产的危害及防御措施[J].作物杂志，2008(4)：90－92.Chen Zhaohui, Wang Anle, Wang Jiaojuan, et al. Influence of high temperature on growth and development of maize[J].Crops, 2008(4): 90－92. (in Chinese with English abstract)

[4] 任国玉，郭军，徐铭志，等.近 50年中国地面气候变化基本特征[J].气象学报，2005(6)：942－956.Ren Guoyu, Guo Jun, Xu Mingzhi, et al. Climate changes of China’s mainland over the past half century[J]. Acta Meteorologica Sinica, 2005(6): 942－956. (in Chinese with English abstract)

[5] 陈群，耿婷，侯雯嘉，等.近 20年东北气候变暖对春玉米生长发育及产量的影响[J].中国农业科学，2014，47(10)：1904－1916.Chen Qun, Geng Ting, Hou Wenjia, et al. Impact of climate warming on growth and yield of spring maize in recent 20 years in northeast China[J]. Scientia Agricultura Sinica, 2014,47(10): 1904－1916. (in Chinese with English abstract)

[6] 董秋婷，李茂松，刘江，等.近 50年东北地区春玉米干旱的时空演变特征[J].自然灾害学报，2011(4)：52－59.Dong Qiuting, Li Maosong, Liu Jiang, et al. Spatio-temporal evolution charateristics of drought of spring maize in northeast China in recent 50 years[J]. Journal of Natural Disasters,2011(4): 52－59. (in Chinese with English abstract)

[7] 李德，孙义，孙有丰.淮北平原夏玉米花期高温热害综合气候指标研究[J].中国生态农业学报，2015，23(8)：1035－1044.Li De, Sun Yi, Sun Youfeng. Use of integrated climatic index to determine high temperature damage to summer maize at florescence in the Huaibei Plain[J]. Chinese Journal of Eco-Agriculture, 2005, 23 (8): 1035－1044. (in Chinese with English abstract)

[8] 陆伟婷，于欢，曹胜男，等.近 20年黄淮海地区气候变暖对夏玉米生育进程及产量的影响[J].中国农业科学，2015，48(16)：3132－3145.Lu Weiting, Yu Huan, Cao Shengnan, et al. Effects of climate warming on growth process and yield of summer maize in Huang-Huai-Hai plain in last 20 years[J]. Scientia Agricultura Sinica, 2015, 48(16): 3132－3145. (in Chinese with English abstract)

[9] 徐玲玲，吕厚荃，方利.气候变化对黄淮海地区夏玉米气候适宜度的影响[J].资源科学，2014，36(4)：782－787.Xu Lingling, Lv Houquan, Fang Li. Effects of climate change on the climate suitability of summer maize on the Huang-Huai-Hai plain[J]. Resources Science, 2014, 36(4): 782－787.(in Chinese with English abstract)

[10] 周进宝，杨国航，孙世贤，等.黄淮海夏播玉米区玉米生产现状和发展趋势[J].作物杂志，2008(2)：4－7.Zhou Jinbao, Yang Guohang, Sun Shixian, et al. Current situation and prospect of maize production in the Huang-Huai-Hai summer maize region[J]. Crops, 2008(2): 4－7. (in Chinese with English abstract)

[11] 任爽，邓明，李莉.开平市日极值气温出现时间分析[J].广东气象，2011，33(4)：35－36.

[12] 刘哲，乔红兴，赵祖亮，等.黄淮海夏播玉米花期高温热害空间分布规律研究[J].农业机械学报，2015，46(7)：272－279.Liu Zhe, Qiao Hongxing, Zhao Zuliang, et al. Spatial distribution of high temperature stress at corn flowering stage in Huang-Huai-Hai plain of China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 272－279. (in Chinese with English abstract)

[13] 周婷婷，陈文惠.基于MODIS数据和气象观测数据的气温空间插值方法比较[J].地理科学进展，2011，30(9)：1143－1151.Zhou Tingting, Chen Wenhui. Comparation of the temperature spatial interpolation methods based on MODIS data and meteorological observation data[J]. Progress in Geography, 2011, 30(9): 1143－1151. (in Chinese with English abstract)

[14] 欧阳斌，车涛，戴礼云，等.基于MODIS LST产品估算青藏高原地区的日平均地表温度[J].冰川冻土，2012，34(2)：296－303.Ouyang Bin, Che Tao, Dai Liyun, et al. Estimation mean daily surface temperature over the Tibetan Plateau based on MODIS LST products[J]. Journal of Glaciology and Geocryology, 2012, 34(2): 296－303. (in Chinese with English abstract)

[15] 袁敏，肖鹏峰，冯学智，等.应用MODIS地表温度产品估计新疆典型区气温[J].遥感信息，2015(1)：81－89.Yuan Min, Xiao Pengfeng, Feng Xuezhi, et al. Air temperature estimation of typical area in Xinjiang based on MODIS land surface temperature products[J]. Remote Sensing Information, 2015(1): 81－89. (in Chinese with English abstract)

[16] Zhu W, Lű A, Jia S. Estimation of daily maximum and minimum air temperature using MODIS land surface temperature products[J]. Remote Sensing of Environment,2013(130): 62－73.

[17] 闵文彬，李跃清.MODIS反演地表温度与地面同步气温、地温的相关分析[C]//中国气象学会 2008年年会卫星遥感应用技术与处理方法分会场论文集.北京：中国气象学会，2008：286－293.Min Wenbin, Li Yueqing. MODIS inversion of ground temperature and ground synchronization temperature and ground temperature correlation analysis[C]//China Meteorological Society 2008 Annual Conference Satellite Remote Sensing Application Technology and Processing Method Subcommittee Proceedings. Beijing: Chinese Meteorological Society, 2008:286－293. (in Chinese with English abstract)

[18] 张佳华，姚凤梅，李秉柏，等.星-地光学遥感信息监测水稻高温热害研究进展[J].中国科学地球科学：中国科学，2011，41(10)：1396－1406.

[19] 秦晓敏，覃志豪，毛克彪.基于MODIS数据的陕西省地表温度的空间分布研究[J].干旱区地理(汉文版)，2005，28(4)：548－553.Qin Xiaomin, Qin Zhihao, Mao Kebiao. Spatial distribution of land surface temperature retrieved from MODIS data in Shaanxi province[J]. Arid Land Geography, 2005, 28(4): 548－553. (in Chinese with English abstract)

[20] 刘维.基于RS和GIS的江苏省重大农业气象灾害监测、预警系统的研究[D].南京：南京信息工程大学，2012.Liu Wei. Study on Monitoring and Forewarning System of Major Agro-meteorological Disasters in Jiangsu Province Based on RS and GIS[D]. Nanjing: Nanjing University of Information Science & Technology, 2012. (in Chinese with English abstract)

[21] 翟锡丹.长白山地区地表温度异常遥感研究[D].长春：吉林大学，2015.Zhai Xidan. Changbai Mountain Area Surface Temperature Anomaly of Remote Sensing Research[D]. Changchun: Jilin University, 2015. (in Chinese with English abstract)

[22] 苏红，刘峻明，王春艳，等.基于时间序列MODIS LST产品的重构研究[J].中国农业科技导报，2014，16(5)：99－107.Su Hong, Liu Junming, Wang Chunyan, et al. Study on reconstructing MODIS LST products based on time series[J].Journal of Agricultural Science and Technology, 2014, 16(5):99－107. (in Chinese with English abstract)

[23] 刘志武，党安荣，雷志栋，等.利用ASTER遥感数据反演陆面温度的算法及应用研究[J].地理科学进展，2003，22(5)：507－514.Liu Zhiwu, Dang Anrong, Lei Zhidong, et al. A retrieval model of land surface temperature with ASTER data and its application study[J]. Progress in Geography, 2003, 22(5): 507－514. (in Chinese with English abstract)

[24] 方之芳，李超.青藏高原温度场与贵州干旱的联系[J].高原气象，1996，V15(4)：496－502.Fang Zhifang, Li Chao. The relationship between the QinghaiXizang plateau temperature fifld and drought in Guizhou province[J]. Plateau Meteorology, 1996, V15 (4):496－502. (in Chinese with English abstract)

[25] 戴龙.黄淮海地区夏播玉米花期高温热害空间分布研究[D].北京：中国农业大学，2014.Dai Long. Study of the Spatial Distribution of High Temperature Damage on Summer Maize at Blossoming Stage in Huang-Huai-Hai area[D]. Beijing: China Agricultural University, 2014. (in Chinese with English abstract)

[26] 廖顺宝，马琳，岳燕珍，等.NOAA-AVHRR资料反演地温与地面实测值的对比分析[J].国土资源遥感，2004，16(1)：19－22.Liao Shunbao, Ma Lin, Yue Yanzhen, et al. A comparison and analysis of land surface temperatures from remote sensing and observation stations[J]. Remote Sensing for Land& Resources, 2004, 16 (1): 19－22. (in Chinese with English abstract)

[27] 柯灵红，王正兴，宋春桥，等.青藏高原东北部MODIS LST时间序列重建及与台站地温比较[J].地理科学进展，2011，30(7)：819－826.Ke Linghong, Wang Zhengxing, Song Chunqiao, et al.Reconstruction of MODIS LST time series comparison with land surface temperature(T) among observation stations in the northeast Qinghai-Tibet plateau[J]. Progress in Geography,2011, 30 (7): 819－826. (in Chinese with English abstract)

[28] 郭庆法，高新学，刘强，等.黄淮海夏玉米区玉米育种现状及创新[J].玉米科学，2007，15(6)：1－4.Guo Qingfa, Gao Xinxue, Liu Qiang, et al. The maize breeding actualities and innovation in Huang-Huai-Hai area[J]. Journal of Maize Sciences, 2007, 15(6): 1－4. (in Chinese with English abstract)

[29] 国家气象科学数据共享服务平台.中国地面气候资料日值数据集(V3.0)[Z]. 2012-08-05[2017-07-09].http://data.cma.cn/data/cdcdetail/dataCode/SURF_CLI_CHN_MUL_DAY_V3.0.html

[30] Land Processes Distributed Active Archive Center.MODIS/Aqua Land Surface Temperature and Emissivity Daily L3 Global 1 km Grid SIN（Version 005）[Z].2002-07-14 [2017-07-17]. https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/myd11a1

[31] Wan Zhengming. Collection-5 MODIS Land-Surface Temperature Products Users’ Guide[S/OL]. Institute for Computational Earth System Science. 2006-09-15 [2005-01-03]. http://www.icess.ucsb.edu/modis/LstUsrGuide/MODIS_LST_products_Users_guide_C5.pdf

[32] 国家基础地理信息中心.数字高程模型(DEM)[Z]. 2002-03-30 [2016-11-28]. http://ngcc.cn/article//sjcg/dem/

[33] 刘亚东，李青元，谭海，等.开源库GDAL及其在影像拼接中的应用[J].数字技术与应用，2010(2)：88－89.

[34] 黄秀珍，张远智，董雯雯.浅谈ArcGIS中坐标系统的转换[J].林业调查规划，2012，37(1)：6－9.Huang Xiuzhen, Zhang Yuanzhi, Dong Wenwen. Coordinate system transformation in ArcGIS[J]. Forest Inventory and Planning, 2012, 37(1): 6－9. (in Chinese with English abstract)

[35] 刘晨晨，曹广真，张明伟，等.时空尺度对利用 MODIS地表温度估算空气温度的影响研究[J].遥感技术与应用，2013，28(5)：831－835.Liu Chenchen, Cao Guangzhen, Zhang Mingwei, et al.Influence of temporal and spatial uariability on estimation of air temperatures from MODIS land surface temperatures[J].Remote Sensing Technology and Application, 2013, 28(5):831－835. (in Chinese with English abstract)

[36] 杨扬.玉米种植环境倒伏风险提取方法研究与应用[D].北京：中国农业大学，2012.Yang Yang. Study and Application of Methods for Predicting Corn Lodging Stress Using Environment Factors[D]. Beijing:China Agricultural University, 2012. (in Chinese with English abstract)

[37] 米春桥.基于 GIS的玉米品种种植适宜性评价方法研究[D].北京：中国农业大学，2012.Mi Chunqiao. Maize Variety Suitability Evaluation Based on GIS[D]. Beijing: China Agricultural University, 2012. (in Chinese with English abstract)

[38] 戴维·W·S·黄，杰·李，DavidW.S.Wong，等.ArcView GIS与ArcGIS地理信息统计分析[M].北京：中国财政经济出版社，2008.

[39] 宋连春.中国气象灾害年鉴.2012[M].北京：气象出版社，2012.

[40] 宋连春.中国气象灾害年鉴.2013[M].北京：气象出版社，2013.

[41] 宋连春.中国气象灾害年鉴.2014[M].北京：气象出版社，2015.

[42] 中国气象局.中国气象灾害年鉴.2015[M].北京：气象出版社，2015.

[43] Huang R, Zhang C, Huang J, et al. Mapping of daily mean Air temperature in agricultural regions using daytime and nighttime land surface temperatures derived from TERRA and AQUA MODIS Data[J]. Remote Sensing, 2015, 7(7):8728－8756.