基于星−地多源数据评估2022年四川盆区水稻高温热害*

王 鑫，杨德胜，王锐婷，赵 艺，王明田

基于星−地多源数据评估2022年四川盆区水稻高温热害*

王 鑫1,2，杨德胜1，王锐婷1，赵 艺1，王明田2,3**

（1.四川省农业气象中心，成都 610072；2.南方丘区节水农业研究四川省重点实验室，成都 610066；3.四川省气象台，成都 610072）

为全面了解2022年四川盆区水稻高温热害受灾情况并探索适用于四川的水稻高温热害监测评估技术，本研究利用MODIS数据、气象数据、地理辅助数据和农业生产数据，结合遥感技术实现了四川盆区全覆盖的日平均气温和日最高气温估算、水稻面积提取、水稻抽穗−扬花期识别及水稻抽穗−扬花期高温热害面积估算和等级评估，并利用国家气象站实测热害对反演精度进行对比验证。结果表明：星-地融合数据反演可获得较高精度的平均气温和最高气温；考虑生育期特点可较准确识别四川盆区水稻种植区及关键生育期；除盆周山区外，基于星-地融合数据反演的水稻抽穗−扬花期高温热害等级与站点实测热害等级吻合度高。该方法既能快速监测任意时段处于抽穗−扬花期的水稻高温热害情况，又能对年度研究区水稻在其各自抽穗−扬花期所受高温热害分布、等级受灾频次分布及受灾面积等进行评估。可以投入业务应用，并在业务服务中逐步改进。

MODIS；水稻；高温热害；监测评估

水稻是四川省主要粮食作物之一，常年种植面积占全省粮食总面积的35%左右，产量占粮食总产 50%左右，在四川农业生产中占有十分重要的地位[1−2]。近年来，气候变暖和极端高温事件的显著增加，给区域粮食安全带来了严重影响[3−5]，高温引发热害已成为水稻生产面临的重大农业气象灾害之一[6]。2022年四川盆地遭遇了自1961年有完整气象观测记录以来最强高温干旱灾害，对水稻等作物的生长发育、产量及品质形成造成重大影响[7]。

已有研究表明，水稻孕穗后期、抽穗−扬花期和灌浆期都易受到高温热害的影响[2,8]，从发育期角度来讲，抽穗−扬花期对高温最敏感[9−10]。四川盆地水稻抽穗−扬花期主要集中在7月中旬−8月中旬，正值盛夏高温，尤其四川中、东部地区，水稻经常遭受高温热害影响。抽穗−扬花期水稻遭遇高温导致花粉数量减少、花药不开裂及花粉在柱头上不能萌发，随着温度的升高和胁迫时间的延长，花粉不育度明显增加，结实率显著下降，从而影响水稻产量和品质[11−13]。

目前，水稻高温热害监测主要依赖于传统的大田调查或农业气象站的人工观测，该方法不仅耗费大量的人力、物力，还具有明显的地域和时间局限性[14−15]。卫星遥感技术在农业中的应用主要集中于平坦地区的作物种植面积提取、长势、土壤水分、洪涝监测及估产方面[16−17]。卫星遥感的红外通道数据可较准确地反演地表温度[18−20]，用于监测高温动态、强度及分布等，弥补了地面气象站有限、温度分布不连续的缺点。通过对影响水稻高温热害主要温度指标的遥感反演，提高热害程度判识和预测精度[11]。因此，基于遥感的水稻高温热害监测评估方法研究对防灾减灾和粮食安全具有重要意义。

与北方地区相比，四川盆地一方面因云量大、晴空少，高质量遥感资料获取存在难度，另一方面，复杂、起伏的地形条件给盆区下垫面信息的准确识别带来困难，很大程度上制约了卫星遥感技术的应用，导致利用卫星资料针对复杂地形、气候背景下四川盆地水稻高温热害的遥感监测研究相对较少。夏季高温天气多晴热少云，长时间持续高温过程表现尤为明显，大大提高了卫星资料的可用性，此外，考虑水稻关键生育期特点的种植区识别方法也在一定程度上解决了单纯依赖卫星数据提取面积的精度问题，使利用卫星资料开展水稻高温热害监测评估成为可能。地面气象观测站点的不断增多，也为高空间分辨率的水稻高温热害监测评估提供了重要的数据支撑。鉴于此，本研究基于卫星遥感数据，以地面气象观测站点资料为补充，利用卫星−地面资料耦合，开展2022年四川盆地水稻抽穗−扬花期高温热害监测，分析长时间、大范围高温热害对四川盆地水稻生长发育及产量的影响，探究该方法在四川盆地的可用性，为开展四川盆地大范围水稻高温热害实时监测评估提供技术支撑。

1 资料与方法

1.1 研究区概况

研究区域为四川盆地的四川省所属区域，不含重庆市所属的盆地区域，简称“四川盆区”。四川盆区地形地貌复杂，气候、土壤、植被和作物种植制度、种植模式等多样性特征突出[21−22]，客观上为农业生产的各种监测评估和卫星遥感等新技术的推广应用加大了难度。四川盆区以一季中稻为主要种植模式，盆南丘陵区以中稻−再生稻为主。按地理地貌类型及种植区形成现状，将四川盆区划分为5个水稻种植区[23]，包括盆西平丘区（辖44个区县，简称“盆西”）、盆南丘陵区（辖35个区县，简称“盆南”）、盆中浅丘区（辖33个区县，简称“盆中”）、盆东平行岭谷区（辖11个区县，简称“盆东”）和盆周边缘山区（辖24个区县，以下简称“盆周”）。各种植区域间水稻生育期存在明显差异[24]。为了便于对比分析，引入四川盆区23个水稻农业气象观测站（图1）。

1.2 数据来源

2022年7月1日−9月15日四川盆区106个国家气象站和2513个区域自动气象站的气象数据来自四川省气象探测数据中心，包括日最高气温和日平均气温。

图1 四川盆区水稻种植区及农业气象观测站分布

2022年4月1日−9月30日遥感数据来自美国航空航天局（https://ladsweb.modaps.eosdis.nasa.gov）的MOD09A1数据产品，包括8d合成地表反射率产品、MOD/MYD09GA逐日地表反射率产品和MOD/MYD11A1逐日地表温度产品。使用MODIS数据类型详见表1。

地表覆盖数据为中华人民共和国自然资源部制作发布的2020版30m全球地表覆盖数据（http://globeland30.org）。DEM（Digital Elevation Model）数据为1:25万公众版地形数据，来源于国家气象信息中心。

水稻抽穗−扬花期数据为四川盆区23个农业气象站近10a观测数据的平均值，结合田间调查而得出的综合结果，观测数据来源于四川省气象探测数据中心（表2）。2022年水稻种植面积数据来源于国家统计局四川调查总队。

1.3 研究方法

1.3.1 遥感数据合成

利用美国国家航空航天局（NASA）官方提供的MODIS重投影工具（MODIS Reprojection Tool，MRT）将遥感数据进行拼接、重投影、几何校正、辐射定标、裁剪等处理，提取蓝光波段（459−479nm）、红光波段（620−670nm）、近红外波段（841−876nm）和短波红外波段（1628−1652nm）反射率信息。采用MODIS提供的辅助质量评价（Quality Assessment，QA）信息进行去云处理，合成8d遥感数据。

1.3.2 时序植被指数重建

Sakamoto等[25]研究发现在高温、高湿、植被覆盖率高的研究区，使用增强植被指数（EVI）进行植被监测更为合适。程乾等[26]关于MODIS植被指数与水稻叶面积指数的研究表明，EVI可削弱水稻冠层背景影响，有效提高水稻长势监测能力。由于水稻在生长最旺盛时期的叶面积指数较高，所以EVI更适合对水稻的生物量变化进行监测[27]。研究选取EVI作为识别水稻植被变化的依据。由于稻田反射光谱是陆地表面水体、水稻秧苗及其他地物的混合光谱[28]，需构建包含对土壤湿度和植被水分敏感的短波和红外波段反射率的陆地水分指数（LSWI）。遥感反演气温时，还需用到NDVI指数。针对MOD09A1产品数据，分别计算8d合成的500m分辨率NDVI、EVI、LSWI指数，具体计算方法参见文献[29−30]。

表1 MODIS数据产品说明

尽管MODIS 8d合成地表反射率产品经过了严格的去云、去阴影和气溶胶处理，然而，在多云地区仍然存在大量残留噪声，这些噪声对信息获取有很大影响。为了进一步降低云的影响，选用Savitzky-Golay（简称S-G）滤波算法[31]和HANTS算法[32]分别对遥感数据进行去噪声处理。由于S-G滤波算法对传感器和数据时间尺度无任何限制，已被应用于水稻时序指数的平滑重建[33]。计算式为

时间序列谐波分析法（Harmonic Analysis of Time Series，HANTS）是通过最小二乘法和傅里叶变换达到时序遥感影像去云重构的目的，是一种十分有效的植物物候分析方法[32]。

1.3.3 水稻高温热害指标选择

参照《主要作物高温危害温度指标（GB/T 21985-2008）》国家标准，采用张佳华等[11]提出的高温热害指标作为高温热害判定依据。由于水稻开花期易受高温影响[14]，针对水稻抽穗−扬花期开展高温热害研究，具体以抽穗开花期的日平均气温、日最高气温和持续天数划分热害指标，定义连续3d出现日最高气温35℃或日平均气温30℃为抽穗−扬花期热害发生的界限温度，具体见表3。表中日平均气温和日最高气温标准满足其一并且持续相应天数即判定为对应等级热害。

1.3.4 星−地气温序列构建

以2022年7月1日−9月15日区域自动站数据为基础，根据区域自动站经纬度信息从Terra、Aqua卫星每天4个不同时间点的LST（分别为Terra卫星白天过境的LSTTD、晚上过境的LSTTN和Aqua卫星白天过境的LSTAD、晚上过境的LSTAN）影像提取出对应像元值，结合 MOD/MYD11A1数据集中的QA数据去除云覆盖导致的无效像元，最后得到的LST数据和区域自动站平均或最高气温数据按空间和时间上的一一对应关系进行排列并存储。从上述存储数据中去掉非水稻种植区像元数据后得到1416组有效数据，随机抽取1132组数据作为模拟数据，用于构建多元逐步回归方程，剩余284组数据用于多元逐步回归方程验证，所构建模型按照决定系数最高、自变量个数最少为依据，优选平均温度和最高温度模拟效果好、精度高的多元逐步回归方程各5个。

长时间、大范围的气温遥感反演不可避免地会受到云覆盖的影响，导致部分区域数据缺失，为了弥补数据缺失问题，采用自动站实测平均和最高气温空间插值数据替代缺失值。利用ArcGIS局部多项式插值法将自动站平均和最高气温插值到全研究区，然后根据QA数据集判断逐日云覆盖区，当某天某个区域有云覆盖时，就用当天相同地理位置的自动站平均气温和最高气温插值数据代替，其他无云区仍使用遥感估算结果。从而构建卫星数据和气温插值数据结合的“卫星−插值”气温数据集，基于此开展水稻高温热害监测。

表3 水稻抽穗−扬花期高温热害等级指标

注：日平均气温和日最高气温满足其一并且持续相应天数即判定为对应热害等级。

Note: If the daily average temperature or daily maximum temperature meet the condition and last for the corresponding days, then it is judged as the corresponding heat damage grade.

1.3.5 关键生育期及种植面积识别

根据前人研究成果[6,35]及四川盆区实际情况，满足以下条件的像元确定为水稻种植区的像元，即

（1）EVI≤(LSWI+0.14)

（2）EVI(T0+40)＞0.5EVImax

（3）～NDVIall＞0.7

其中，T0为水稻移栽期，T0+40表示移栽期后40d，此时是四川盆区水稻生长最旺盛的时期；EVImax为水稻生长期内EVI最大值，NDVIall表示生长期内所有NDVI，～表示取反。

EVI具有季节性，一般在水稻抽穗−扬花期EVI时相曲线出现极大值[36]，因此将水稻生长季中期EVI时相曲线的最大值所在日期确定为水稻抽穗−扬花期。

2 结果与分析

2.1 反演气温构建星−地气温数据序列

以106个国家气象站和2513个区域自动气象站的1132组有效气温数据，与MODIS陆地表面温度产品（LSTTA、LSTTN、LSTAD、LSTAN）、EVI和NDVI 6个指数为自变量，分别建立平均气温和最高气温的多元回归方程各38个，依据回归方程拟合优度和F检验（P＜0.001），初步挑选平均气温和最高气温多元回归方程各5个（表4）。为进一步筛选适用的拟合方程并确认方程精度，将剩余284组数据分别输入所选10个回归方程计算平均气温和最高气温，并与站点实测平均气温和最高气温对比，方程验证的均方根误差和平均绝对误差如表4所示，由表可知构建的方程拟合精度总体好于以往研究结果[37]，平均气温拟合精度较最高气温更高，估算结果可用于水稻高温热害遥感监测。

通过对比各组误差特征，无论是平均气温还是最高气温回归方程都以方程2估算精度较高，因此，选择这两个回归方程来反演平均气温和最高气温。

Tmean=0.164LSTAD+0.686LSTAN+0.107LSTTD+ 3.541（5）

Tmax = 0.168LSTAD+0.640LSTAN+0.189LSTTD+ 2.713（6）

式中，LSTAD、LSTAN分别为MODIS AQUA星白天、夜间LST，LSTTD为TERRA星白天LST。

方程拟合逐日平均气温和最高气温均方根误差分别为1.203℃、1.446℃，绝对值误差分别为0.869℃、1.016℃。

表4 5个多元回归模型对平均气温和最高气温反演精度

利用方程反演得到2022年7月1日−9月15日的逐日500m分辨率平均气温和最高气温，根据质量控制和实测温度数据插值，得到可用于监测水稻高温热害的“星−地”气温数据集。

2.2 识别水稻种植区域并确定抽穗−扬花期

2.2.1 种植区域识别

根据水稻种植区提取方法，2022年四川盆区基于EVI数据提取的水稻种植面积如图2a所示。由图可知，四川盆区遥感识别水稻种植面积184.8万hm²，与四川调查总队提供的水稻实际种植面积180.03万hm2基本吻合，相对偏差仅2.66%。为进一步验证水稻种植区域提取的空间匹配情况，选取成都平原水稻种植区为样区，将提取区域叠加高清地图，结合实际水稻种植情况和高清地图目视解译，MODIS数据提取结果的适用性和准确性验证结果如图2b和2c所示，对比高清地图和MODIS水稻提取信息，整体分布情况较为一致，高清地图上显示水稻种植区基本被提取并解译，总体效果较好。

图2 2022年四川盆区水稻种植区提取结果及水稻种植区实地调研结果对比

2.2.2 抽穗−扬花期确定

图3为不同区域典型水稻田EVI的HANTS滤波前后对比情况，如图所示，EVI时序HANTS滤波后平滑曲线特征与原时序基本保持一致，符合水稻生长规律曲线，基于此提取水稻抽穗−扬花期。

四川盆区水稻抽穗−扬花期日序数的遥感提取结果如图4所示，由图可知，盆南种植区EVI最大值主要集中在第182−193天，盆中大部EVI最大值集中在第202−212天，盆西和盆东种植区EVI最大值集中在第213−223天，盆周区域则集中在第224−233天。对比根据农业气象站近10a观测数据平均值确定的四川盆区水稻抽穗−扬花期（表1）可知，四川盆区各区域水稻抽穗−扬花期时间与EVI最大值出现时段较为吻合，盆西、盆南、盆中、盆东和盆周均方根误差分别为7.4d、7.6d、8.9d、7.9d和15.2d，由于使用的数据为8d合成的MODIS植被指数数据和LSWI数据，即盆地大部抽穗−扬花期识别误差约为1个时间序列，盆周识别误差约为2个时间序列，鉴于盆周水稻占四川盆区种植面积比例有限，且盆周山区不是四川水稻抽穗−扬花期高温热害的高发区[38]，认为基于EVI的水稻抽穗−扬花期确认方法是可行的。

2.3 实测资料验证高温热害评估指标

2022年四川夏季遭遇了长时间的高温干旱天气，水稻受高温、干旱叠加影响，难以剥离高温热害受灾数据。为验证高温热害评估结果的可信度，选择2022年7月25日−8月28日持续高温过程（日最高气温≥35℃）和盛夏7月1日−8月31日两个时段，分别利用同期研究区域内所有国家气象站实测温度数据和卫星反演气温数据序列，对水稻抽穗−扬花期高温热害进行验证评估，结果见图5。

由图5a可见，此次高温过程中气象观测站点的高温热害主要表现为三、四级热害，21站为三级热害，59站为四级热害。基于卫星反演的热害也以三、四级为主，但盆西边缘和盆周种植区热害等级普遍偏低，部分地区为一、二级热害。81个站点中，17个与对应的卫星遥感反演热害等级不匹配，其中四级热害9个，三级热害8个，反演热害等级均低于国家站实测结果。

图3 不同区域典型水稻田EVI原始值及其HANTS滤波值

图4 四川盆区水稻抽穗−扬花期日序

由图5b可见，2022年盛夏季四川盆区水稻高温热害受灾情况与过程高温较为相似，大部分水稻种植区卫星反演结果与观测站点结果吻合度高，盆西边缘和盆周种植区反演结果较观测站实测值偏低。四川盆区106个国家站中，剔除不在种植区的19个站点后，剩余97个站中三、四级热害个数分别为21和73个，其中23个站点与卫星反演热害等级不吻合，包括8个三级热害站点和13个四级热害站点，卫星反演结果均较实测结果偏低1～2个等级。其中，盆中、盆东准确率为100%，盆南准确率为94.4%，盆西准确率为75.6%，盆周准确率仅为38.9%，除盆周山区外，其余区域反演结果较为可靠。

2.4 水稻抽穗−扬花期高温热害评估

利用卫星数据反演方法评估2022年四川盆区水稻抽穗−扬花期高温热害情况。图6a为2022年研究区水稻抽穗−扬花期高温热害受灾分布图。由图可知，水稻抽穗−扬花期有热害发生即该像元对应区域为受灾区，2022年四川盆区水稻抽穗−扬花期受灾面积为173.25万hm²，未受灾面积为11.57万hm²，受灾率93.7%。实际情况中，某些像元可能发生2种以上等级热害，或某种等级热害发生多次，为了便于区分，这里给出展示区域发生过的最高等级热害分布图和不同等级热害发生频次分布图。图6b显示了区域位置上发生的所有热害中等级最高热害的分布情况，由于2022年夏季四川盆区热害等级明显偏高，因此仅统计最高发生三级和四级热害的情况，最高遭受过三级热害的区域有52.52万hm²，最高遭受过四级热害的区域有114.55万hm²。图6c、6d为三、四级热害发生频次分布图，发生1次、2次、3次、4次和5次三级热害面积分别为3.58万hm²、41.16万hm²、7.53万hm²、0.22万hm²和0.04万hm²，未遭受三级热害的面积为120.72万hm²；发生1次、2次、3次、4次和5次四级热害的面积分别为27.58万hm²、66.59万hm²、18.68万hm²、1.68万hm²和0.03万hm²，未遭受四级热害的面积为58.70万hm²。2022年夏季高温天气导致年度研究区水稻抽穗−扬花期三、四级高温热害发生面积大、频次高。

图5 2022年高温过程和盛夏时段水稻抽穗−扬花期卫星反演与站点实测数据热害评估结果对比

图6 2022年夏季四川盆区水稻各级高温热害发生次数分布

3 结论与讨论

3.1 结论

（1）利用MODIS陆地表面温度数据和国家及自动气象站气温数据构建星−地融合覆盖四川盆区的日平均气温和最高气温数据集，显著提高了气温反演精度，日平均气温估算误差RMSE≤1.02℃，日最高气温估算误差RMSE≤1.45℃，克服了因卫星资料精度较低而自动气象站资料空间覆盖率低，二者单独使用难以满足精细化、大范围高温监测的困难。

（2）利用MODIS反射率数据集和地表覆被数据产品，较好地识别了四川盆区水稻种植面积和抽穗−扬花期，其中水稻种植区识别的相对误差为2.66%，抽穗−扬花期识别误差盆西RMSE≤7.4d，盆南RMSE≤7.6d，盆中RMSE≤8.9d，盆东RMSE≤7.9d，盆周RMSE≤15.2d。

（3）2022年四川盆区夏季高温热害评估结果表明，基于星−地融合气温数据的水稻抽穗−扬花期高温热害评估除盆周山区外与实况吻合度高；四川盆区水稻受灾率为93.7%，以三、四级热害居多，且表现为多地高等级热害频发态势。

3.2 讨论

3.2.1 盆周山区高温热害评估结果分析

基于本方法评估的水稻高温热害在盆周山区较实况总体偏轻1～2个等级，这可能与温度数据精度不高和仅考虑抽穗杨花期热害有关。温度数据精度不高的原因至少有两个方面，一方面盆周山区地形复杂，与平原地区相比，不仅自动气象站偏少，同时站点空间代表性也较低，而大量自动气象站数据使用是本文数据精度较高的主要原因；另一方面，受复杂地形效应影响，基于MODIS陆地表面温度数据的气温反演也存在很大不确定性[39]。针对地面和卫星数据都存在不足的情况，可考虑加入高分辨率数值模式同化或预报结果作为另一个数据来源以提高生成温度数据的精度。抽穗−扬花期和灌浆乳熟期都是水稻易受高温危害的时期[2]，抽穗−扬花期遭遇高温热害主要导致水稻不能受精而出现空壳，灌浆乳熟期遭遇高温热害主要影响品质，秕粒增多[2,11,13]，但是本文仅考虑了抽穗−扬花期水稻热害，未来需针对这个不足做进一步完善。

3.2.2 水稻高温热害等级指标的局限性

本研究所用的高温热害指标参照国家标准，主要以温度为判定依据；而有研究表明除温度外，空气相对湿度与水稻高温热害关系也较为密切[11,24]。虽然2022年夏季长时间高温干旱评估中，未考虑空气相对湿度对研究结果的影响，然而，为进一步提高该评估方法的适用范围和评估结果的准确率，未来需考虑如何在现有指标中引入湿度的影响，以及如何基于卫星反演和地面观测数据融合得到高精度的湿度数据。

3.2.3 研究方法的业务应用前景

本文使用的卫星资料和自动观测数据均为气象部门常规数据，同时计算快速便捷，既可以监测和评估任意时段内处于抽穗−扬花期水稻遭受高温热害的程度及受灾面积，也可以综合评估四川盆区水稻抽穗−扬花期年度受灾情况，评估产品可供政府和相关部门及时、全面了解灾情，具有较好的业务推广应用前景。

[1] 张海珍,马泽忠,周志跃,等.基于MODIS数据的成都市水稻遥感估产研究[J].遥感信息,2008(5):63-67.

Zhang H Z,Ma Z Z,Zhou Z Y,et al.Research of the yield estimation of rice in Chengdu based on MODIS data[J]. Remote Sensing Information,2008,5:63-67.(in Chinese)

[2] 何永坤,范莉,阳园燕.近50年来四川盆地东部水稻高温热害发生规律研究[J].西南大学学报(自然科学版),2011, 33(12):39-43.

He Y K,Fan L,Yang Y Y.Study on the occurrence of high temperature induced heat damage in rice in the east of Sichuan Basin in past 50 years[J].Journal of Southwest University(Natural Science Edition),2011,33(12):39-43.(in Chinese)

[3] Gifford R,Angus J,Barrett D,et al.Climate change and Australian wheat yield[J].Nature,1998,391:448-449.

[4] Lobell D B,Asner G P.Climate and management contributions to recent in US agricultural yield[J].Science,2003,299: 1032.

[5] Tubiello F N,Soussana J F,Howden S M.Crop and pasture response to climate change[J].Proceedings of the National Academy of Sciences,USA,2007,104:19686-19690

[6] 郭建茂,王锦杰,吴越,等.基于卫星遥感与气象站点数据的水稻高温热害监测和评估模型的改进[J].自然灾害学报,2018,27(1):163-174.

Guo J M,Wang J J,Wu Y,et al.Improvement of model on rice heat injury monitor and assessment by MODIS and meteorology station data[J].Journal of Natural Disasters, 2018,27(1):163-174.(in Chinese)

[7] 孙昭萱,张强,孙蕊,等.2022年西南地区极端高温干旱特征及其主要影响[J].干旱气象,2022,40(5):764-770.

Sun Z X,Zhang Q,Sun R,et al.Characteristics of the extreme high temperature and drought and their main impacts in southwestern China of 2022[J].Journal of Arid Meteorology,2022,40(5):764-770.(in Chinese)

[8] 骆宗强,石春林,江敏,等.孕穗期高温对水稻物质及分配及产量结构的影响[J].中国农业气象,2016,37(3):326-334.

Luo Z Q,Shi C L, Jiang M,et al.Effect of high temperature on rice dry matter partition and yield component during booting stage[J].Chinese Journal of Agrometeorology,2016, 37(3):326-334.(in Chinese)

[9] 陈畅.水稻生殖生长期不同时段高温对产量和稻米品质影响的研究[D].武汉:华中农业大学,2014.

Chen C.Effect of high temperature in different periods during rice reproductive stage on grain yield and rice quality[D].Wuhan:Huazhong Agricultural University,2014. (in Chinese)

[10] 王锋尖,黄英金.水稻高温胁迫及耐热性育种[J].中国农学通报,2004,20(3):87-90.

Wang J F,Huang Y J.High-temperature stress and heat- tolerance breeding in rice[J].Chinese Agricultural Science Bulletin,2004,20(3):87-90.(in Chinese)

[11] 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:地学,2011,41(10):1396- 1406.

Zhang J H,Yao F M,Li B B,et al.Progress in monitoring high-temperature damage to rice through satellite and ground-based optical remote sensing[J].Science China: Earth Sciences,2011,41(10):1396-1406.(in Chinese)

[12] Matsui T,Omasa K,Horie T.High temperature at flowering inhibits swelling of pollen grains,a driving force for thecae dehiscence in rice(L.)[J].Plant Production Science,2000(3):430-434.

[13] 谢晓金,李秉柏,申双和,等.抽穗期高温胁迫对水稻花粉活力与结实率的影响[J].江苏农业学报,2009,25(2):238- 241.

Xie X J,Li B B,Shen S H,et al.Effects of high temperature stress on pollen vitality and seed setting of rice cultivar during heading stage[J].Jiangsu Journal of Agricultural Science,2009,25(2):238-241.(in Chinese)

[14] 豆玉洁.水稻高温热害遥感监测方法研究[D].杭州:浙江大学,2019.

Dou Y J.Monitoring high temperature damage of paddy rice using remote sensing technique[D].Hangzhou: Zhejiang University,2019.(in Chinese)

[15] 杨军,章毅之,贺浩华,等.水稻高温热害的研究现状与进展[J].应用生态学报,2020,31(8):2817-2830.

Yang J,Zhang Y Z,He H H,et al.Current status and research advances of high-temperature hazards in rice[J].Chinese Journal of Applied Ecology,2020,31(8):2817-2830.(in Chinese)

[16] 孙九林.中国农作物遥感动态监测与估产总论[M].北京:中国科学技术出版社,1996.

Zhang J L.Dynamic monitoring and estimation of crop yield by remote sensing in China[M].Beijing:China Science and Technology Press,1996.(in Chinese)

[17] 王纪华,赵春江,黄文江,等.农业定量遥感基础与应用[M].北京:科学出版社,2008.

Wang J H,Zhao C J,Huang W J,et al.Basic and application of quantitative remote sensing in agriculture[M].Beijing: Science Press,2008.(in Chinese)

[18] Dash P,Gottsche F M,Olesen F S,et al.Land surface temperature and emissivity estimation from passive sensor data: Theory and practice current trends[J].International Journal of Remote Sensing,2002,23:2563-2594.

[19] Sobrino J A,Jimenez-Munoz J C,Paolini L.Land surface temperature retrieval from LANDSAT TM5[J].Remote Sensing of Environment,2004,90:434-440.

[20] 李小文,汪骏发,王锦地,等.多角度与热红外对地遥感[M].北京:科学出版社,2001.

Li X W,Wang J F,Wang J D,et al.Multi-angle and thermal infrared remote sensing to the earth[M].Beijing:Science Press,2001.(in Chinese)

[21] 彭文甫,张冬梅,罗艳玫,等.自然因子对四川植被NDVI变化的地理探测[J].地理学报,2019,74(9):1759-1776.

Peng W F,Zhang D M,Luo Y M,et al.Influence of natural factors on vegetation NDVI using geographical detection in Sichuan province[J].Acta Geographica Sinica,2019,74 (9):1759-1776.(in Chinese)

[22] 李艾雯,宋靓颖,冉敏,等.气候变暖对四川盆地水稻土有机含量变化的影响[J/OL].环境科学.2022,10.

Li A W,Song L Y,Ran M,et al.Impact of climate warming on paddy soil organic carbon change in the Sichuan Basin of China[J/OL].Environmental Science,2022,10.(in Chinese)

[23] 刘琰琰,张玉芳,王明田,等.四川盆地水稻不同生育期干旱频率的空间分布特征[J].中国农业象,2016,37(2):238- 244.

Liu Y Y,Zhang Y F,Wang M T,et al.Spatial distribution of rice drought frequency during different growth periods in Sichuan basin[J].Chinese Journal of Agrometeorology, 2016,37(2):238-244.(in Chinese)

[24] 陈超,庞艳梅,刘佳.四川省水稻高温热害风险及灾损评估[J].中国生态农业学报(中英文),2019,27(4):554-562.

Chen C,Pang Y M,Liu J.Assessment of risk and yield loss of rice in Sichuan province due to heat stress[J].Chinese Journal of Eco-Agriculture,2019,27(4):554-562.(in Chinese)

[25] Sakamoto T,Yokozawa M,Toritani H,et al.A crop phenology detection method using time-series MODIS data[J]. Remote Sensing of Environment,2005,96(3-4): 366-374.

[26] 程乾,黄敬峰,王人潮,等.MODIS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究[J].应用生态学报,2004,15(8):1363-1367.

Cheng Q,Huang J F,Wang R C,et al.Correlation analysis of simulated MODIS vegetation indices and rice leaf area index and leaf chlorophyll content[J].Chinese Journal of Applied Ecolgy,2004,15(8):1363-1367.(in Chinese)

[27] 孙华生,黄敬峰,彭代亮.利用MODIS数据识别水稻关键生长发育期[J].遥感学报,2008,13(6):1130-1137.

Sun H S,Huang J F,Peng D L.Detecting major growth stages of paddy rice using MODIS data[J].Journal of Remote Sensing,2008,13(6):1130-1137.(in Chinese)

[28] Xiao X,Boles S,Liu J,et al.Mapping paddy rice agriculture in southern China using multi- temporal MODIS images [J].Remote Sensing of Environment,2005,95(4):480- 492.

[29] 刘元亮,李艳,吴剑亮.基于LSWI和NDVI时间序列的水田信息提取研究[J].地理与地理信息科学,2015,31(3): 32-37.

Liu Y L,Li Y,Wu J L.Study on extraction of paddy fields based on LSWI and time-series NDVI[J].Geography and Geo-Information Science,2015,31(3):32-37.(in Chinese)

[30] 田苗,单捷,卢必慧,等.基于MODIS-EVI时间序列与物候特征的水稻面积提取[J].农业机械学报,2022,53(8):196- 202.

Tian M,Shan J,Lu B H,et al.Extraction of rice planting area based on MODIS-EVI time series and phenological characteristics[J].Transactions of the Chinese Society for Agricultural Machinery,2022,53(8):196-202.(in Chinese)

[31] Savitzky A,Golay M J E.Smoothing and differentiation of data by simplified least squares procedures[J].Analytical Chemistry,1964,36:1627-1639.

[32] Roerink G J,Menenti M.Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing,2000,21(9):1911- 1917.

[33] Jonsson P,Eklundh L.Seasonality extraction and noise removal by function fitting to time-series of satellite sensor data[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(8):1824-1832.

[34] Chen J,Jönsson P,Tamura M,et al.A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golary filter[J].Remote Sensing of Environment,2004,91(3):332-344.

[35] Xiao X M,Boles S,Frolking S,et al.Mapping paddy rice agriculture in South and Southeast Asia using multi- temporal MODIS images[J].Remote Sensing of Environment, 2006,100(1):95-113.

[36] Huete A,Didan K,Miura T,et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J].Remote Sensing of Environment, 2002,83(1-2):195-213.

[37] 闵文彬,李跃清.利用MODIS反演四川盆地地表温度与地面同步气温、低温观测值的相关性试验[J].气象,2010, 36(6):101-104.

Min W B,Li Y Q.Experiment of collections between synchronized air temperature,soil temperature and land surface temperature retrieved from MODIS[J]. Meteorological Monthly,2010,36(6):101-104.(in Chinese)

[38] 刘佳,陈超,张玉芳,等.四川单季稻抽穗−扬花期和灌浆结实期高温热害时空特征[J].中国农业气象,2018,39(1): 46-58.

Liu J,Chen C,Zhang Y F,et al.Space-time distribution of high temperature disasters on single-cropping rice during heading-flowering stage and filling-harvest stage in Sichuan province[J].Chinese Journal of Agrometeorology, 2018,39(1):46-58.(in Chinese)

[39] 朱晓琳.基于Landsat8热红外数据的山区和云下地表温度遥感反演方法研究[D].北京:中国农业科学院,2021.

Zhu X L.Methodology development for land surface temperature retrieval from Landsat 8 thermal infrared data over mountainous and cloud-covered areas[M].Beijing: Chinese Academy of Agricultural Sciences,2021.(in Chinese)

Evaluation of Rice Affected by Heat Damage in the Sichuan Basin in 2022 Based on Satellite and In-situ Observation

WANG Xin1,2, YANG De-sheng1,WANG Rui-ting1, ZHAO Yi1, WANG Ming-tian2,3

(1.Sichuan Province Agricultural Meteorological Center, Chengdu 610072, China; 2. Water-Saving Agriculture Research in Southern Hilly Area Key Laboratory of Sichuan Province, Chengdu 610066; 3.Sichuan Meteorological Observatory, Chengdu 610072)

In order to fully understand the disaster situation of rice high temperature heat damage in the Sichuan basin (SCB) in 2022, this study explores the monitoring and evaluation technology of rice high temperature heat damage suitable for Sichuan by using MODIS data, meteorological data, geographic auxiliary data and agricultural production data. Based on the remote sensing technology, the estimation of daily mean temperature and daily maximum temperature, the extraction of rice area, the identification of rice heading−flowering stage, and the estimation and grade evaluation of high temperature heat damage area during rice heading−flowering stage were studied in the SCB. The evaluation results were verified by high temperature heat damage measured by national meteorological station. The results showed that the mean temperature and maximum temperature can be obtained by merging satellite-retrieved temperature and in-situ observed temperature from dense automatic weather stations with high accuracy. Considering the characteristics of the growth period, the planting area and the key growth period of rice in the SCB could be accurately identified. The high temperature heat damage grade of rice at heading−flowering stage based on satellite-ground fusion data inversion was in good agreement with the measured heat damage grade at the station except for the mountainous region around the basin. The proposed methods can not only rapidly monitor the high temperature heat damage of rice in heading-flowering stage at any time, but also evaluate the distribution of heat damage, frequency distribution and disaster area of rice in heading−flowering stage in the annual study area. It can be applied to operational applications and progressively improved in services.

MODIS；Rice；Heat damage；Monitor and evaluation

10.3969/j.issn.1000-6362.2023.06.007

王鑫,杨德胜,王锐婷,等.基于星−地多源数据评估2022年四川盆区水稻高温热害[J].中国农业气象,2023,44(6):523-534

2023−01−31

四川省科技厅重点研发项目（2023YFS0441）；高原与盆地暴雨旱涝灾害四川省重点实验室科技发展基金项目（SCQXKJQN2020050）

王明田，正高级工程师，主要从事生态与农业气象、决策气象研究与服务，E-mail：wangmt0514@163.com

王鑫，E-mail：99500803@qq.com