基于3种遥感指数的东北春玉米干旱识别对比

陈雨烨 王培娟 张源达 杨建莹

(中国气象科学研究院， 北京 100081)

引 言

干旱是指由于长时间无降水或降水量偏少造成的水分供求失衡，进而导致农作物受灾减产的现象[1]，是全球范围内最复杂、最常见的自然灾害之一[2]，也是对中国影响最大的自然灾害之一。20世纪80年代以来，我国频繁发生大范围干旱[3]，1980年以来发生重旱的频率是1980年以前的3倍以上，且三季连旱、连年干旱呈增加趋势[4-5]，给农业生产和国民经济带来巨大损失。

玉米是中国第一大粮食作物，其生育期内耗水较多，且对水分胁迫较为敏感[6]。东北地区是我国北方春播玉米的主产区[7]，目前玉米播种面积超过6×106hm2，产量近4×107t，约占全国玉米产量的30%[8]。因此，东北春玉米种植区是我国重要的玉米产区，也是重要的商品粮基地[9-10]。20世纪90年代以来，东北地区干旱频发[11]，预计到21世纪中期，东北春玉米缺水率仍呈增加趋势[12]，干旱已成为制约东北春玉米生产的关键因素[13]，严重影响春玉米的生长发育和产量品质形成，进而危及国家粮食安全。因此，在东北地区开展春玉米干旱研究，筛选识别春玉米干旱准确度和敏感度较高的指标，对该地区干旱状况进行监测评估，对农业防灾减灾及中国的粮食安全意义重大。

常用的农业干旱监测主要包括基于气象数据的农业干旱监测和基于卫星遥感信息的干旱监测。近年遥感技术以其客观、及时、经济、监测范围宽广、尺度精细、数据连续等优点[14]，弥补了地面站点的不足，提高了干旱监测的精准性和时效性，已被证明是农业干旱监测中最具前景的技术手段[15]。目前已有研究多利用归一化差值植被指数(normalized difference vegetation index，NDVI)[16]、条件植被指数(vegetation condition index，VCI)[17]、增强型植被指数(enhanced vegetation index，EVI)[18]、归一化差值水分指数(normalized difference water index，NDWI)[19-20]、日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence，SIF)指数[21-23]等遥感指数对作物是否遭受干旱影响及干旱严重程度进行分析，也有研究对各种指数识别干旱的能力进行对比，如Cao等[24]以SPEI(standardized precipitation evapotranspiration index)为参考，讨论SIF指数、NDVI和EVI监测美国玉米带干旱的敏感性，表明发生干旱的情况下，SIF指数和GPP(gross primary productivity)的一致性优于植被指数；史晓亮等[25]基于不同尺度的SPEI，研究SIF指数、NDVI和EVI等监测我国西南地区植被干旱状况的差异性，发现SIF指数和不同尺度气象干旱指数的相关性均高于NDVI和EVI；陈鑫等[26]基于SPEI和降水量等数据，对SIF指数、NDVI和EVI监测山东省冬小麦对干旱的响应进行研究，发现SIF指数对植物的生理变化足够敏感，能更及时地捕捉干旱发展的时空动态，这是由于干旱可以通过引起叶片气孔关闭和新陈代谢功能损坏限制作物的光合作用，从而导致作物受旱减产[27]。

人们对各种遥感指数识别作物干旱能力进行了大量对比，但在对比研究中，NDVI和EVI均是基于植被在可见光-近红外波段的地物波谱特性构建的植被指数，在干旱监测机理方面具有相似性，而NDWI是基于近红外-短波红外波段的地物波谱特性构建的植被指数，由于短波红外波段对水分的强吸收特性[28]，决定了NDWI与NDVI和EVI在植被干旱监测机理方面存在差异；除此之外，各研究多用遥感干旱指数和气象干旱指数(如SPI和SPEI、土壤湿度等)之间的相关性评估植被对干旱的响应，但农业灾害的形成通常受多种因素综合影响，用降水量、土壤湿度等单一要素很难准确描述作物受灾的程度[29],且以农业实际灾情数据为基础，探讨不同遥感指数对干旱响应程度的研究还鲜有报道。因此，本文以东北地区为研究区域，以该区域易于发生季节性干旱的春玉米为研究对象，基于研究区域春玉米实际灾情数据，对比农业干旱监测机理存在显著差异的3种指数SIF指数、NDWI和NDVI，分析它们对春玉米干旱识别的准确度及提前预判干旱发生的能力，寻找能够快速表征东北春玉米干旱的最佳敏感性指标，为制定具有针对性的抗旱措施、科学安排灌溉策略，以最大程度降低农业干旱造成的损失提供技术保障。

1 研究区域概况

东北地区地处中高纬度(38°43′N～53°33′N,117°47′E～135°05′E)，包括黑龙江、吉林、辽宁三省以及内蒙古自治区东四盟地区。该地区土地肥沃，地势平坦，主要生产玉米、水稻等粮食作物，以及大豆、花生等经济作物，是我国北方春播玉米主产区和重要的商品粮基地，更是气候变化敏感区。东北地区属温带季风性气候，冬季寒冷干燥，夏季温热多雨，自西北至东南年降水量由不足400 mm升至1000 mm，从半干旱区逐渐过渡到半湿润区和湿润区，且年降水量的70%～80%集中在6—8月，雨热与春玉米生长发育同步，是典型的雨养农业区[30-31]。由于降水时空分布不均匀，易发生季节性干旱。近半个多世纪的气象数据显示，东北地区气温升高，降水量减少，是干旱发生频率较高的地区之一[32]。

2 数据来源及处理

2.1 卫星遥感数据

研究所用遥感数据包括MODIS土地覆盖类型产品MCD12Q1、地表反射率产品MOD09A1、全球叶绿素荧光数据集GOSIF。

MCD12Q1是全球空间分辨率为500 m的逐年尺度土地利用数据集，数据来源于美国地球资源观测中心。本研究获取了2000—2019年研究区域逐年MCD12Q1产品，选择国际地圈生物圈计划的全球植被分类方案，对其进行转投影、拼接、裁剪等处理，提取得到东北地区逐年的农业用地区域。随着时间变化和人类活动影响，东北春玉米种植区在不同年份有所调整，因此选择2000—2019年研究区域的农业用地区域，统计没有变化的栅格像元[33]，得到研究区域多年农业用地区域。结合中国科学院地理研究所发布的1 km中国土地利用数据，掩膜掉水田区域，得到东北春玉米种植区(图1)。

图1 研究区域及典型站点分布Fig.1 Study area and typical stations

MOD09A1是8 d合成的地表反射率产品，空间分辨率为500 m。本研究获取了研究区域2000—2020年5—9月的MOD09A1产品，对其进行转投影、拼接、剪裁等预处理，并提取B1(红光)波段、B2(近红外)波段和B7(短波红外)波段，计算得到研究所需的NDVI和NDWI[34-35]。

叶绿素荧光数据集(GOSIF)是基于离散的OCO-2 SIF数据、中分辨率光谱成像仪(MODIS)植被数据和气象再分析数据，利用机器学习算法得到的全球范围时间分辨率为8 d、空间分辨率为0.05°的SIF数据，本研究收集了研究区域2000—2020年5—9月的GOSIF数据，对其进行掩膜、数据单位换算等预处理，得到研究区域春玉米生长季的叶绿素荧光数据集。

本文插图中所涉及的中国国界及省界基于审图号为GS(2020)4619号标准地图制作，底图无修改。2.2 春玉米实际灾情数据

春玉米实际灾情数据选择中国农业气象灾害数据集。根据东北春玉米生长发育情况，结合卫星遥感数据可获取时间范围，筛选灾害类型为干旱、灾害发生时段为2000—2013年5—9月、受灾作物为春玉米或所有作物、受灾地点为东北地区的所有数据，共得到62个农业气象站177条春玉米干旱灾害记录作为本研究的实际灾情样本，其中轻度、中度、重度干旱样本量分别为59，79，39。

3 研究方法

3.1 遥感指数时间序列数据集的构建

研究所用的遥感指数包括SIF指数、NDWI和NDVI。基于筛选得到的62个站点177条春玉米干旱灾害记录，根据春玉米干旱灾害发生的时间(时段)、地点(区域)，以有灾害记录的每个农业气象试验站点所在县/区为研究单元，对3种指数进行分区掩膜处理，剔除无效数据后，得到2000—2020年每个研究单元3种指数在5—9月每1个时相(第121天，第129天，第137天，…)的时间序列数据集[36]。利用箱线法确定各数据集的四分位区间[37-38]。由于箱线法未对数据做任何限制性要求，不要求数据必须服从正态分布或近似服从正态分布，以四分位数和四分位距为基础，给出数据分布的中心位置、散布范围和形状，具有一定的鲁棒性，可以代表无旱样本的分布特性。基于箱线图的四分位区间，形成3种指数各研究单元的时间序列无旱数据集。

3.2 干旱识别准确度与敏感度评价方法

基于3种指数时间序列数据集，对于每个研究单元，将中国农业气象灾害数据集中干旱灾害记录年份的像元序列值与指数时间序列数据集进行对比，若灾害记录日期的像元值小于指数时间序列数据集对应日期的下四分位区间，则认为该指数识别出干旱发生[22]。若指数识别的干旱发生日期不晚于灾情记录日期，则认为该指数可以准确识别春玉米发生干旱，用指数准确识别干旱灾害的记录数占干旱总样本量的百分比表示指数的准确度。若指数识别的干旱发生日期早于灾情记录日期，则认为指数可以提前于灾害记录识别干旱发生，指数对春玉米干旱识别更敏感；反之，则认为指数对春玉米干旱识别具有滞后效应。用指数提前于灾害记录识别干旱灾害的记录数占指数准确识别干旱灾害记录数的百分比表示指数的敏感度。计算3种指数提前(滞后)识别干旱发生日期与灾害记录日期之差，得到3种指数识别灾害样本的提前(滞后)时间，统计3种指数的敏感度和提前(滞后)日数差，筛选得到春玉米干旱识别的最敏感指数。

4 结果与分析

4.1 春玉米干旱样本描述

4.1.1 干旱样本空间分布特征

东北地区62个站点177条春玉米干旱灾害记录的受旱站点及各站点干旱频次的空间分布如图2所示。由图2可见，春玉米干旱灾害除大兴安岭北部及漠河地区、吉林延边地区、黑龙江牡丹江地区外，在东北全域均有分布，且在东北南部受旱区域相对集中。从受旱频次看，干旱频次较高的区域也集中在辽宁西部、内蒙古自治区东四盟的西部和南部，受旱次数在5次以上；黑龙江和吉林中部的松嫩平原受旱次数相对较少，以1～3次为主。

图2 2000—2013年5—9月东北春玉米干旱样本站点及干旱频次分布Fig.2 Distribution of drought sample sites and drought frequency for spring maize in Northeast China from May to Sep during 2000-2013

4.1.2 干旱样本时间分布特征

根据春玉米生育期，将春玉米干旱灾害记录划分为播种期、苗期、拔节-孕穗期、抽穗-开花期、灌浆-成熟期5个发育阶段[39]，统计各发育阶段干旱样本量，表明东北春玉米干旱主要发生在苗期，占干旱总样本量的40%。春玉米苗期是以长根、分化茎叶为主的营养生长阶段，根系发育较快，但地上部茎、叶的增长比较缓慢，是决定亩株数的基础。苗期发生干旱，会抑制春玉米的生长速率，叶片发黄，发育期显著延迟。拔节-孕穗期、抽穗-开花期和灌浆-成熟期干旱样本量相差较小，均在20%左右。拔节-孕穗期是春玉米营养生长与生殖生长并进期，干旱使叶片干卷萎蔫，进行光合作用的绿叶面积减少，株高增长缓慢，雌穗和雄穗发育受阻；抽穗-开花期和灌浆-成熟期是春玉米的生殖生长期，干旱会造成花粉生命力下降，影响授粉，形成稀粒棒或空棒，进而导致减产。春玉米播种期干旱记录最少，仅为3%。由于本研究是基于植被波谱特性和光合能力构建的遥感指数进行干旱识别，播种期内春玉米植株尚未出土，遥感指数无法在该发育时段内识别春玉米是否发生干旱，因此，春玉米播种期并不是本研究关注的主要时段。

4.2 干旱识别准确度评价

4.2.1 干旱样本总体准确度

计算SIF指数、NDWI和NDVI识别春玉米干旱的准确度，各指数对春玉米不同等级干旱的总体识别准确度如图3所示。由图3可以看到，3种指数在识别春玉米干旱方面均表现良好，识别准确度均超过80%。SIF指数表现最佳，识别准确度总体达到89.27%；NDWI和NDVI识别准确度分别为83.62%和84.18%。对于不同等级的干旱，3种指数对重度干旱的识别准确率均较高，超过94%，SIF指数对轻、中、重3个干旱等级的识别准确度均高于NDVI和NDWI，NDWI对中度、重度干旱的识别准确度略高于NDVI。

图3 SIF指数、NDWI和NDVI识别春玉米不同等级干旱准确度对比Fig.3 Accuracy of SIF index,NDWI and NDVI in identifying different drought grades for spring maize

4.2.2 春玉米各发育阶段准确度

计算SIF指数、NDWI和NDVI在春玉米不同发育阶段的干旱识别准确度，结果如表1所示。由表1可见，3种指数对春玉米苗期干旱的识别准确度最高，均超过90%；抽穗-开花期次之，干旱识别准确度为83.00%～96.77%；拔节-孕穗期和灌浆-成熟期最差，但干旱识别准确度仍超过66.67%。除苗期外，3种指数在其余3个发育阶段均表现出对重度干旱的识别准确度最高，SIF指数在拔节-孕穗期、抽穗-开花期和灌浆-成熟期对重度干旱的识别准确度均达到100%，对轻度和中度干旱的识别准确度也均超过75%；NDVI和NDWI在春玉米除苗期外的3个发育阶段均对重度干旱识别准确度较高，但对轻度、中度干旱的识别准确度表现略差，除拔节-孕穗期NDVI对春玉米中度干旱识别的准确度低于50%外，其余发育阶段对春玉米轻度和中度干旱识别准确度均大于64%。

表1 SIF指数、NDWI和NDVI识别春玉米不同发育阶段不同等级干旱准确度Table 1 Accuracy of SIF index,NDWI and NDVI in identifying different drought grades at different developmental stages of spring maize

对比分析3种指数的干旱识别能力，SIF指数在春玉米4个发育阶段各等级干旱识别准确度均优于NDWI和NDVI，表现出较高的干旱识别优势，表明基于植被光合能力的指数在识别干旱时要优于基于地物波谱特性构建的指数；NDWI和NDVI在春玉米不同发育阶段的干旱识别准确度差异较大，NDVI在苗期表现较好，NDWI则在拔节-孕穗期、抽穗-开花期和灌浆-成熟期略有优势，原因是春玉米生长后期植被覆盖度较高，NDVI达到饱和，不能很好地反映作物的干旱情况。

4.3 干旱识别敏感度评价

4.3.1 基于干旱样本集合的遥感指数敏感度

计算SIF指数、NDWI和NDVI提前(滞后)识别干旱发生日期与灾害记录日期之差，得到3种指数识别灾害样本的提前(滞后)时间，统计3种指数识别春玉米干旱的敏感度，各指数对春玉米不同干旱程度的总体识别敏感度如图4所示。由图4可见，3种指数对春玉米干旱识别的敏感度差异较大，SIF指数对干旱识别的敏感度最高，达到81.65%，NDVI对干旱识别的敏感度较低，只有59.73%，NDWI表现介于两种指数之间，敏感度为77.03%。从不同等级干旱看，SIF指数、NDWI和NDVI均对重度干旱识别的敏感度最高，分别达到86.84%，78.95%和62.16%；SIF指数对轻、中、重3个干旱等级的识别敏感度均高于NDVI和NDWI，NDWI次之，NDVI最低。表明基于植被光合能力的指数识别干旱的敏感度优于基于地物波谱特性构建的指数，基于对水分强吸收的短波红外波段构建的NDWI在识别春玉米干旱方面也优于基于可见光-近红外波段构建的NDVI指数。

图4 SIF指数、NDWI和NDVI识别春玉米不同等级干旱敏感度对比Fig.4 Sensitivity of SIF index,NDWI and NDVI in identifying different drought grades for spring maize

计算3种指数提前(滞后)识别干旱发生日期与灾害记录日期之差，得到3种指数识别灾害样本的提前(滞后)时间，统计提前(滞后)日数差，如图5所示。

图5 SIF指数、NDWI和 NDVI识别春玉米干旱敏感度对比(a)判定干旱发生与灾害记录日数差,(b)判定干旱发生与灾害记录日数差频次和累计频次Fig.5 Sensitivity in identifying drought for spring maize by SIF index,NDWI and NDVI(a)difference between drought occurrence date and determined disaster record date,(b)the difference frequency and cumulative frequency between drought occurrence date and determined disaster record date

由图5a可以看到，SIF指数的箱线图整体偏向下，即提前预判干旱发生的日数大于其他两种指数，敏感度较高；NDVI的箱线图基本上以横轴为中心，整体表现出上下对称的结构特点，表明NDVI识别到干旱发生时间与灾害记录时间相近；NDWI的箱线图表现介于两者之间，中位数、平均数及下四分位线相对于NDVI均偏下。因此，SIF指数对于春玉米干旱识别的敏感度更高，可以更早感知到干旱。

由图5b可以看到，SIF指数和NDWI识别干旱发生日期与灾害记录日期之差的频次较大值主要分布于-16 d～0，且均在日数差为0时频次达到峰值，而NDVI虽然也在日数差为0时达到峰值，但其较大值分布在0～16 d；由累计频次折线图也可以看到，SIF指数和NDWI在日数差为-16 d～0时曲线斜率增长最快，且SIF指数曲线的斜率增长快于NDWI，它们均在日数差大于0后增长缓慢；NDVI在日数差小于0时曲线斜率增长缓慢，在日数差为0～16 d时斜率增长最快，这说明SIF指数和NDWI识别干旱的敏感度较高，且SIF指数的敏感度要优于NDWI，NDVI识别干旱的敏感度较差。

4.3.2 典型站点干旱识别敏感度

选取建昌站和五大连池站作为典型站点(两站点分布见图1)，基于3种指数时间序列数据集，将中国农业气象灾害数据集中干旱灾害记录发生年份的像元序列值与指标时间序列数据集进行对比，分析3种指数识别干旱敏感度，结果如图6所示。

图6 典型站点SIF指数、NDWI和NDVI识别干旱敏感度Fig.6 Drought sensitivity identified by SIF index,NDWI and NDVI at typical stations

根据春玉米干旱灾情记录，建昌站在2009年第209天发生重旱，由图6可知，3种指数均能识别干旱发生，但SIF指数在提前2～3个时间间隔(即16～24 d)曲线已经下降到多年平均区间以下，而NDVI和NDWI虽然也提前于灾害记录时间识别干旱发生，但均提前1～2个时间间隔，说明该站点SIF指数对干旱的预判要早于NDVI和NDWI；五大连池站在2007年第217天发生中旱，由图6可知3种指数也均能识别干旱发生，SIF指数和NDWI均提前于灾害记录时间约1个时间间隔识别干旱发生，而NDVI识别干旱发生时间和灾害记录时间相近，说明该站点SIF指数和NDWI对干旱发生的预判要早于NDVI。

基于上述对典型站点春玉米干旱研究可知，SIF指数、NDVI和NDWI均能识别春玉米干旱发生，SIF指数相较于NDWI和NDVI，识别干旱的敏感度更高，能够提前于灾害记录时间识别到干旱的发生。

5 结 论

本文基于植被光合特性、近红外-短波红外波段、可见光-近红外波段构建的SIF指数、NDWI和NDVI在识别农业干旱机理方面的差异，对比3种指数识别东北春玉米干旱的准确度及敏感度，得出以下主要结论：

1) 3种指数识别春玉米干旱的准确度均较高，其中SIF指数的准确度最高，达89.27%；3种指数对重度干旱的识别准确度均高于轻度和中度干旱，超过94%，且SIF指数的准确度最高，NDWI次之，NDVI略差，但仍达到94.87%。

2) 从春玉米发育阶段看，3种指数对春玉米苗期干旱的识别准确度最高，均超过90%；抽穗-开花期次之，拔节-孕穗期和灌浆-成熟期最差；SIF指数在春玉米4个发育阶段的干旱识别准确度均优于NDWI和NDVI。

3) 3种指数对春玉米干旱识别的敏感度差异较大，SIF指数对干旱识别的敏感度最高，可在春玉米干旱灾害记录前0～16 d识别出干旱；NDWI次之，提前识别日数集中在0～8 d；NDVI的敏感度略低，一般滞后于灾情记录0～16 d。3种指数对重度干旱的识别敏感度均高于轻度和中度干旱。