星-地結(jié)合對(duì)水稻高溫?zé)岷ΡO(jiān)測(cè)模型的研究

白瑪仁增，頓玉多吉，德例歸吉，德吉央宗，益西多吉，邊巴次仁

（1西藏自治區(qū)氣候中心，拉薩 850000；2中國(guó)氣象局成都高原氣象研究所拉薩分部，拉薩 850000；3西藏自治區(qū)氣象局，拉薩 850000；4墨竹工卡縣氣象局，拉薩 850000）

0 引言

水稻是全球重要糧食之一，稻谷總產(chǎn)量占世界谷物總產(chǎn)量的28.8%[1]。水稻生產(chǎn)對(duì)溫度比較敏感，只有在適宜的溫度下水稻才能正常發(fā)育生長(zhǎng)，水稻田的溫度過(guò)高或過(guò)低會(huì)導(dǎo)致水稻減產(chǎn)甚至絕收。水稻高溫?zé)岷2]是中國(guó)南方地區(qū)水稻生產(chǎn)時(shí)常見(jiàn)的農(nóng)業(yè)氣象災(zāi)害之一。全球氣候變暖水稻高溫?zé)岷︻l發(fā)，給水稻生長(zhǎng)發(fā)育帶來(lái)了巨大的阻礙，嚴(yán)重影響中國(guó)乃至全球的糧食安全[3-7]。2003年長(zhǎng)江流域受高溫?zé)岷τ绊懙牡咎锩娣e高達(dá)3000萬(wàn)hm2，損失水稻達(dá)5000萬(wàn)t，造成經(jīng)濟(jì)損失近百億元[8]。2013年夏季在長(zhǎng)江中下游地區(qū)發(fā)生了持續(xù)高溫，導(dǎo)致該地區(qū)水稻產(chǎn)量嚴(yán)重受損[9]。2006年四川省由于高溫出現(xiàn)時(shí)間提前且降水量偏少，遭遇了50年一遇的極端高溫干旱天氣，因高溫干旱全省約1200萬(wàn)hm2的農(nóng)作物受害，造成農(nóng)業(yè)經(jīng)濟(jì)損失達(dá)79.6億元，減產(chǎn)糧食481.4萬(wàn)t[10]。

眾多的國(guó)內(nèi)外專(zhuān)家學(xué)者對(duì)水稻高溫?zé)岷﹂_(kāi)展的研究表明，高溫對(duì)水稻的影響方式因指標(biāo)狀況和生育階段的不同而存在差異。抽穗開(kāi)花期是水稻受高溫影響最敏感期，也是高溫危害最嚴(yán)重時(shí)期，此期間高溫天氣主要影響花粉的正常發(fā)育，造成水稻花器官發(fā)育不全，花粉發(fā)育不良，花粉活力下降，散粉不暢和受精不良，花粉可育率和開(kāi)裂率降低，從而造成花粉在柱頭上的萌發(fā)受阻，穎花不育，最終造成水稻空殼粒增加，結(jié)實(shí)率降低，產(chǎn)量下降[11-15]。Mohammed等[16]研究發(fā)現(xiàn)，夜間溫度升至32℃導(dǎo)致水稻的花粉萌發(fā)率降低，導(dǎo)致結(jié)實(shí)率和產(chǎn)量減少。鄭建初等[17]的研究發(fā)現(xiàn)，當(dāng)抽穗期遭遇連續(xù)數(shù)天35℃和37℃高溫天氣時(shí)，水稻結(jié)實(shí)率低于70%以下，從而影響產(chǎn)量。從水稻高溫?zé)岷Πl(fā)生的年代際和空間分布上，2000年后發(fā)生的水稻高溫?zé)岷Πl(fā)生頻率、高溫風(fēng)險(xiǎn)值逐漸增大，高溫?zé)岷χ饕l(fā)生在7月中下旬—8月中旬[18-21]；發(fā)生高溫?zé)岷︼L(fēng)險(xiǎn)較大的區(qū)域主要為安徽、浙江、湖北西部和東部以及江西中北部和東部地區(qū)[22-23]。

已有的研究大部分限制在大田實(shí)驗(yàn)和實(shí)驗(yàn)室中，其內(nèi)容主要包括不同溫度條件下水稻生長(zhǎng)發(fā)育的差異、夏季炎熱天氣條件對(duì)水稻生理（水稻花粉發(fā)育、開(kāi)裂）的影響等，還有較多的利用氣象數(shù)據(jù)研究某個(gè)區(qū)域的高溫?zé)岷Πl(fā)生規(guī)律、時(shí)空變化、風(fēng)險(xiǎn)評(píng)估以及水稻高溫?zé)岷?duì)水稻產(chǎn)量影響的研究。筆者開(kāi)發(fā)基于衛(wèi)星和地面自動(dòng)氣象站數(shù)據(jù)的水稻高溫?zé)岷ΡO(jiān)測(cè)模型。

1 模型的構(gòu)建

水稻高溫?zé)岷Φ亩ㄐ耘卸ɑ蛘叨勘O(jiān)測(cè)是基于水稻高溫?zé)岷Φ臏囟戎笜?biāo)進(jìn)行的，但試驗(yàn)方法、作物品種等因素不同，還沒(méi)形成客觀統(tǒng)一的高溫?zé)岷χ笜?biāo)[24]。劉偉昌等[25]以最高氣溫≥35℃為溫度指標(biāo)，根據(jù)滿足條件天數(shù)持續(xù)時(shí)間的不同將高溫?zé)岷澐譃?級(jí)，1級(jí)為3～5天，2級(jí)為5～8天，3級(jí)為≥8天；湯日圣等[26]以日平均溫度≥30℃或日最高溫度≥35℃為指標(biāo)，研究江蘇省一季稻抽穗期高溫?zé)岷?duì)花粉活力和籽粒結(jié)實(shí)的影響，并根據(jù)滿足條件日數(shù)的持續(xù)時(shí)間，分為輕度（3～4天）、中度（5～7天）、重度（≥8天）。張佳華等[27]根據(jù)平均氣溫≥30℃和≥32℃或最高氣溫≥35℃和≥37℃指標(biāo)，持續(xù)天數(shù)為3、5、8天，將水稻高溫?zé)岷澐譃?個(gè)等級(jí)，用上述指標(biāo)研究了長(zhǎng)江中下游水稻種植區(qū)的水稻高溫?zé)岷Φ囊?guī)律。綜合考慮各因素，采用張佳華等[27]提出的高溫?zé)岷χ笜?biāo)（表1）作為判定依據(jù)，結(jié)合水稻抽穗開(kāi)花期遙感估算氣溫的優(yōu)化數(shù)據(jù)，按照技術(shù)路線圖（圖1）構(gòu)建基于衛(wèi)星和地面自動(dòng)氣象站數(shù)據(jù)的水稻高溫?zé)岷ΡO(jiān)測(cè)模型。模型可分為5個(gè)模塊：（1）利用遙感技術(shù)估算日最高氣溫和日平均氣溫；（2）通過(guò)同一空間、同一時(shí)間段自動(dòng)氣象站數(shù)據(jù)源的氣溫?cái)?shù)據(jù)填補(bǔ)云覆蓋區(qū)域的數(shù)據(jù)，從而得到日最高氣溫和日平均氣溫的優(yōu)化值；（3）使用遙感技術(shù)提取水稻種植區(qū)域；（4）使用遙感技術(shù)反演水稻的抽穗開(kāi)花期；（5）利用水稻種植區(qū)抽穗開(kāi)花期的氣溫結(jié)合高溫?zé)岷囟戎笜?biāo)定性判定水稻高溫?zé)岷?，并?duì)水稻高溫?zé)岷M(jìn)行定性、定量、程度監(jiān)測(cè)。

圖1 水稻高溫?zé)岷ΡO(jiān)測(cè)模型技術(shù)路線圖

表1 水稻高溫?zé)岷Φ燃?jí)指標(biāo)

2 研究區(qū)概況與數(shù)據(jù)

2.1 研究區(qū)概況

安徽省坐落于中國(guó)的東部，是長(zhǎng)江中下游水稻種植區(qū)之一，東經(jīng) 114°45′—119°37′與北緯 29°41′—34°38′之間，全省總面積約14 hm2，轄16個(gè)地級(jí)市（圖2）。全省耕地面約為4.22×104km2，屬于暖溫帶向亞熱帶過(guò)渡型氣候，四季分明，季風(fēng)明顯，無(wú)霜期長(zhǎng)，氣候溫暖濕潤(rùn)，水資源豐富。安徽省農(nóng)業(yè)資源豐富，主要種植糧食作物有水稻、小麥、玉米、大麥等，其中水稻是安徽省主要糧食作物之一，水稻產(chǎn)量占糧食總產(chǎn)量的40.9%，對(duì)于國(guó)內(nèi)的糧食安全和農(nóng)業(yè)生產(chǎn)有極其重要的意義。

圖2 安徽省地級(jí)市行政區(qū)域圖

2.2 研究數(shù)據(jù)

2.2.1 遙感數(shù)據(jù) 遙感數(shù)據(jù)為MODIS系列產(chǎn)品數(shù)據(jù)，包括8天合成地表反射率數(shù)據(jù)MOD09A1，分辨率為500m，共108景；逐日地表溫度產(chǎn)品數(shù)據(jù)MOD11A1、MYD11A1，分辨率為1000 m，共616景；土地利用類(lèi)型產(chǎn)品數(shù)據(jù)MCD12Q，分辨率為500 m，共4景。數(shù)據(jù)均從美國(guó)NASA網(wǎng)(https://ladsweb.modaps.eosdis.nasa.gov)獲取。

2.2.2 氣象數(shù)據(jù) 包括來(lái)自安徽省氣象局安徽省1300多個(gè)區(qū)域自動(dòng)氣象站的逐小時(shí)溫度數(shù)據(jù)。

2.2.3 作物數(shù)據(jù) 來(lái)自于安徽省氣象局12個(gè)農(nóng)業(yè)氣象站的1991—2017年間作物數(shù)據(jù)，數(shù)據(jù)包括各站的生育期數(shù)據(jù)、水稻品種、產(chǎn)量要素、生長(zhǎng)狀況等數(shù)據(jù)。

2.2.4 種植面積數(shù)據(jù) 收集了安徽省2018統(tǒng)計(jì)年鑒中獲取的2017年安徽省水稻種植面積和水稻產(chǎn)量的數(shù)據(jù)。

3 研究方法

3.1 數(shù)據(jù)預(yù)處理

（1）利用MRT(MODIS Reprojection Tool)工具實(shí)現(xiàn)MODIS數(shù)據(jù)的自動(dòng)無(wú)縫拼接和重投影功能。

（2）利用ENVI 5.3對(duì)遙感圖像進(jìn)行輻射定標(biāo)，減少M(fèi)ODIS數(shù)據(jù)產(chǎn)品的原始值與真實(shí)值的差異。

（3）因后期水稻種植區(qū)和抽穗開(kāi)花期的確定需利用植被指數(shù)，本研究所需的指數(shù)包括歸一化植被指數(shù)(NDVI)、增強(qiáng)植被指數(shù)(EVI)、陸地水分植被指數(shù)(LSWI)，計(jì)算如式(1)～(3)。

式中，ρr代表紅光波段反射率，ρswir代表紅光波段反射率，ρnir代表近紅外波段反射率，ρb代表藍(lán)光波段反射率。

3.2 水稻種植區(qū)的提取

國(guó)內(nèi)外學(xué)者已利用不同波段的光譜信息去判別并統(tǒng)計(jì)水稻的面積[28-32]，彌補(bǔ)了傳統(tǒng)提取水稻面積存在的問(wèn)題（如人力、財(cái)力的大量消耗）。本研究利用水稻種植區(qū)像元應(yīng)滿足條件（表2）[32]提取安徽省水稻種植區(qū)并完成該省水稻種植區(qū)域分布圖（圖3）。

圖3 安徽省水稻種植區(qū)域分布圖

表2 水稻像元滿足的條件

為檢驗(yàn)遙感方法提取水稻種植面積精度，提取安徽省各地市級(jí)水稻種植面積與安徽省2018統(tǒng)計(jì)年鑒的值進(jìn)行對(duì)比（表3），遙感提取安徽省水稻種植面積誤差2.93%。因各地市地理環(huán)境、水稻種植結(jié)構(gòu)的差異，導(dǎo)致遙感提取水稻種植面積精度有所不同，安徽省16個(gè)地級(jí)市除亳州、黃山外，其他地區(qū)誤差均在10%以下?？傮w上看，遙感提取方法在安徽省水稻種植面積提取方面效果佳、精度高。

表3 安徽省水稻種植區(qū)的遙感提取值和實(shí)際值對(duì)比

3.3 水稻抽穗開(kāi)花期的反演

傳統(tǒng)的基于站點(diǎn)的目測(cè)觀察法得到的抽穗開(kāi)花期數(shù)據(jù)，受農(nóng)業(yè)氣象觀測(cè)站空間限制，不能獲取大面積的數(shù)據(jù)。越來(lái)越多的學(xué)者研究發(fā)現(xiàn)，利用遙感數(shù)據(jù)計(jì)算得到的植被指數(shù)NDVI、EVI等可較準(zhǔn)確地反映植被生長(zhǎng)和覆蓋狀況。張明偉等[31]基于MODIS數(shù)據(jù)研究了華北地區(qū)冬小麥和夏玉米的物候期的分布；徐巖巖等[33]利用MODIS-EVI數(shù)據(jù)研究了東北地區(qū)水主要物候期。筆者根據(jù)安徽省各農(nóng)業(yè)氣象站的物候期記錄，分別對(duì)安徽省早稻和一季稻抽穗開(kāi)花進(jìn)行識(shí)別，然后把結(jié)果整合到一張圖上，得到安徽省水稻抽穗開(kāi)花期的空間分布圖（圖4）。

圖4 安徽省水稻抽穗開(kāi)花期的空間分布圖

利用農(nóng)業(yè)氣象觀測(cè)站的經(jīng)緯度信息，從遙感反演抽穗開(kāi)花期空間分布圖中提取抽穗開(kāi)花期的日序，與農(nóng)業(yè)氣象觀測(cè)站觀察法觀測(cè)得到的水稻抽穗開(kāi)花期日序結(jié)果進(jìn)行比較，并做遙感反演值與觀測(cè)值的1:1圖。從圖5中可以看出，遙感反演值和觀測(cè)值點(diǎn)基本均勻地落在1:1線的兩側(cè)，其中遙感反演值反演早的點(diǎn)較多，但整體上看具有較好的一致性。進(jìn)一步計(jì)算均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)發(fā)現(xiàn)，均方根誤差和平均絕對(duì)誤差分別為5.2天和4.5天，誤差與前人研究的誤差大致相近。

圖5 遙感反演值與觀測(cè)值的1:1圖

3.4 最高氣溫和平均氣溫的估算

Terra、Aqua衛(wèi)星搭載在MODIS上，因上述2個(gè)衛(wèi)星每天均過(guò)境2次，每天得到4組數(shù)據(jù)。為了方便描述不同的變量，對(duì)各變量做了如表4的描述。

表4 過(guò)程變量描述表

利用4個(gè)時(shí)次的LST中提取與自動(dòng)氣象站相對(duì)應(yīng)的像元值，并于自動(dòng)氣象站實(shí)測(cè)的氣溫（最高氣溫和平均氣溫）數(shù)據(jù)按同樣的順序排列。在得到的1115組數(shù)據(jù)中隨機(jī)選取1015組數(shù)據(jù)，借助SPSS軟件進(jìn)行多元線性逐步回歸（表5～6），選取最優(yōu)回歸方程，剩余數(shù)據(jù)用于回歸方程的檢驗(yàn)。

表5 最高氣溫多元線性逐步回歸結(jié)果

從最高、平均氣溫的回歸結(jié)果來(lái)看，LSTTD、LSTTN、LSTAD和LSTAN等4個(gè)自變量都被接受，且6個(gè)方程的F檢Sig.均為0.00，方程均達(dá)到顯著性水平。為了進(jìn)一步確定回歸方程的精度，利用100組檢驗(yàn)數(shù)據(jù)分別計(jì)算均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)（表7）。

表7 最高、平均氣溫各回歸方程模擬精度

從最高、平均氣溫各回歸方程模擬誤差RMSE、MAE來(lái)看，無(wú)論是最高氣溫還是平均氣溫，序號(hào)Ⅲ的方程誤差小于其余2個(gè)回歸方程，因此選用序號(hào)Ⅲ的2個(gè)回歸方程作為氣溫估算方程，如式(4)～(5)。

表6 平均氣溫多元線性逐步回歸結(jié)果

利用2017年7月1日—9月15日的77天LSTAN、LSTTN、LSTAD數(shù)據(jù)，借助IDL代碼實(shí)現(xiàn)安徽省的TMAX、TMEAN的估算。結(jié)果以7月22日為例（圖6～7）。

圖6 遙感估算最高氣溫的結(jié)果

圖7 遙感估算平均氣溫的結(jié)果

3.5 稻田氣溫?cái)?shù)據(jù)的重構(gòu)

從遙感估算氣溫的結(jié)果圖可以看出空間上不完整，這是由該地區(qū)影響云覆蓋導(dǎo)致的。筆者利用地面自動(dòng)觀測(cè)站的數(shù)據(jù)和遙感估算氣溫?cái)?shù)據(jù)重構(gòu)氣溫?cái)?shù)據(jù)，以得到更全面、更完整、更精確的氣溫?cái)?shù)據(jù)。具體做法為：（1）利用局部多項(xiàng)式插值法將研究時(shí)段內(nèi)自動(dòng)站氣溫（最高、平均氣溫）差值到安徽省全部區(qū)域，得到每天每個(gè)像元的氣溫值；（2）根據(jù)數(shù)據(jù)集中的數(shù)據(jù)質(zhì)量波段QA提取云覆蓋區(qū)域；（3）將有云覆蓋的某天某像元用該時(shí)段該區(qū)域的自動(dòng)氣象站插值數(shù)據(jù)代替，無(wú)云覆蓋區(qū)域用遙感估算氣溫；（4）重構(gòu)氣溫?cái)?shù)據(jù)結(jié)合水稻種植區(qū)最終得到稻田氣溫的重構(gòu)數(shù)據(jù)。結(jié)果以7月22日為例（圖8）。

圖8 2017年7月22日最高氣溫(a)、平均氣溫(b)重構(gòu)數(shù)據(jù)結(jié)果圖

4 結(jié)果與分析

4.1 全年水稻抽穗開(kāi)花期高溫?zé)岷Φ亩ㄐ员O(jiān)測(cè)

當(dāng)發(fā)生水稻高溫?zé)岷r(shí)，人們最關(guān)心的是受災(zāi)區(qū)域的范圍，所以利用遙感反演最高、平均氣溫的優(yōu)化數(shù)據(jù)結(jié)合高溫?zé)岷χ笜?biāo)進(jìn)行高溫?zé)岷Φ亩ㄐ员O(jiān)測(cè)。首先根據(jù)水稻種植區(qū)域圖，從遙感估算的最高、平均氣溫的優(yōu)化數(shù)據(jù)圖中提取水稻種植區(qū)的遙感估算氣溫優(yōu)化數(shù)據(jù)像元，其次結(jié)合遙感識(shí)別的水稻抽穗開(kāi)花期圖選取每個(gè)像元抽穗開(kāi)花期，最后以日平均溫度≥30℃、日最高溫度≥35℃為水稻高溫?zé)岷χ笜?biāo)，當(dāng)像元的抽穗開(kāi)花期氣溫滿足上述氣溫條件并持續(xù)時(shí)間≥3天以上的像元判斷為受災(zāi)像元，并把全部受災(zāi)像元放在一起，組成抽穗開(kāi)花期水稻高溫?zé)岷Φ氖転?zāi)區(qū)分布圖，這樣有利于人們?cè)诙虝r(shí)間內(nèi)獲取各地水稻抽穗開(kāi)花期的高溫?zé)岷η闆r。用上述方法監(jiān)測(cè)了2017年安徽省抽穗開(kāi)花期水稻高溫?zé)岷Φ氖転?zāi)情況（如圖9）。

圖9 抽穗開(kāi)花期水稻高溫?zé)岷Φ氖転?zāi)區(qū)的分布圖

從圖9可以看出，受災(zāi)區(qū)域比較集中，主要集中在淮河以南、長(zhǎng)江流域以北的區(qū)域，這剛好與安徽省水稻種植區(qū)域中長(zhǎng)江流域的水稻種植區(qū)、淮南丘崗種植區(qū)2個(gè)種植區(qū)相對(duì)應(yīng)。據(jù)統(tǒng)計(jì)，整個(gè)安徽省抽穗開(kāi)花期水稻高溫?zé)岷Φ氖転?zāi)面積為67.83萬(wàn)hm2，未受災(zāi)的面積為155.64萬(wàn)hm2，分別占安徽省總水稻種植面積的30.4%和69.6%，受災(zāi)面積達(dá)到水稻種植面積的1/3左右，需要人們更加關(guān)注災(zāi)情。

4.2 全年水稻抽穗開(kāi)花期高溫?zé)岷Φ某潭缺O(jiān)測(cè)

人們不僅關(guān)心水稻的受災(zāi)區(qū)域，還關(guān)心受災(zāi)區(qū)域的嚴(yán)重程度?？梢岳眠b感反演最高、平均氣溫的重構(gòu)數(shù)據(jù)和高溫?zé)岷Φ燃?jí)指標(biāo)表（表1）進(jìn)行高溫?zé)岷Φ谋O(jiān)測(cè)，反映受災(zāi)區(qū)域的受災(zāi)程度。根據(jù)水稻種植區(qū)域提取遙感反演最高、平均氣溫的優(yōu)化數(shù)據(jù)像元，再根據(jù)水稻抽穗開(kāi)花期空間分布圖選取每個(gè)像元抽穗開(kāi)花期，最后根據(jù)高溫?zé)岷Φ燃?jí)指標(biāo)判斷每個(gè)像元受災(zāi)程度，并把某一受災(zāi)程度的像元放到一起組成某一等級(jí)抽穗開(kāi)花期水稻高溫?zé)岷Φ姆植紙D，為了更直觀地看到不同等級(jí)抽穗開(kāi)花期水稻高溫?zé)岷Φ姆植记闆r，本研究統(tǒng)計(jì)不同等級(jí)抽穗開(kāi)花期水稻高溫?zé)岷Πl(fā)生的頻次來(lái)表示受災(zāi)區(qū)的水稻高溫?zé)岷Πl(fā)生程度。用上述方法對(duì)2017年安徽抽穗開(kāi)花期水稻高溫?zé)岷M(jìn)行程度監(jiān)測(cè)（圖10）。

圖10 抽穗開(kāi)花期水稻高溫?zé)岷Τ潭确植紙D

在各等級(jí)抽穗開(kāi)花期水稻高溫?zé)岷χ校瑹o(wú)論是高溫?zé)岷Φ陌l(fā)生次數(shù)還是受災(zāi)面積，1級(jí)水稻高溫?zé)岷κ亲疃嗟?，最高發(fā)生過(guò)2次并且廣分布在淮河以南、長(zhǎng)江以北的區(qū)域，其余2級(jí)、3級(jí)、4級(jí)的高溫?zé)岷Χ贾话l(fā)生了1次，且受災(zāi)面積隨著等級(jí)上升而減少。據(jù)統(tǒng)計(jì)，1級(jí)高溫?zé)岷Πl(fā)生2次的受災(zāi)面積為4.90萬(wàn)hm2、發(fā)生1次的受災(zāi)面積為52.04萬(wàn)hm2、未受災(zāi)區(qū)的面積為166.53萬(wàn)hm2；2級(jí)高溫?zé)岷Πl(fā)生1次的面積為7.85萬(wàn)hm2、未受災(zāi)區(qū)的面積為215.62萬(wàn)hm2；3級(jí)高溫?zé)岷Πl(fā)生1次的面積為2.91萬(wàn)hm2、未受災(zāi)面積的區(qū)域?yàn)?20.56萬(wàn)hm2；4級(jí)高溫?zé)岷Φ陌l(fā)生1次的面積為0.28萬(wàn)hm2、未受災(zāi)區(qū)域的面積為223.19萬(wàn)hm2。

安徽農(nóng)業(yè)氣象中心重要農(nóng)業(yè)氣象專(zhuān)報(bào)指出，安徽省一季稻抽穗開(kāi)花期遭遇高溫使得省內(nèi)一季稻受不同程度的高溫?zé)岷?，受?zāi)面積為46.22萬(wàn)hm2，利用本研究的方法計(jì)算出來(lái)的一季稻不同程度的受災(zāi)總面積為50.26萬(wàn)hm2，與實(shí)際的統(tǒng)計(jì)面積相差8.74%。

5 結(jié)論

筆者基于星-地結(jié)合的方法利用遙感數(shù)據(jù)和地面氣象站的數(shù)據(jù)重構(gòu)更精確、更完整、更靠譜的最高、平均氣溫的遙感估算數(shù)據(jù)，依據(jù)高溫?zé)岷χ笜?biāo)構(gòu)建水稻高溫?zé)岷ΡO(jiān)測(cè)模型（模型能實(shí)現(xiàn)水稻高溫?zé)岷Χㄐ院统潭缺O(jiān)測(cè)），并對(duì)2017年安徽省高溫?zé)岷M(jìn)行監(jiān)測(cè)，模型得出一季稻不同程度的受災(zāi)總面積為50.26萬(wàn)hm2，與安徽農(nóng)業(yè)氣象中心重要農(nóng)業(yè)氣象專(zhuān)報(bào)指出的受災(zāi)面積46.22萬(wàn)hm2相對(duì)偏差8.74%，模型使用效果良好。

傳統(tǒng)的基于站點(diǎn)的水稻高溫?zé)岷ΡO(jiān)測(cè)方法受氣象觀測(cè)站空間限制，溫度分布不連續(xù)、不能獲取大面積的數(shù)據(jù)，而星-地結(jié)合研究水稻高溫?zé)岷Ψ椒塬@取空間分辨率更高的氣溫?cái)?shù)據(jù)用于水稻高溫?zé)岷Φ谋O(jiān)測(cè)；單一的遙感方法監(jiān)測(cè)水稻高溫?zé)岷?，受遙感影像質(zhì)量的限制（如有云覆蓋的地方無(wú)法獲取地面信息）獲取數(shù)據(jù)不完整、不精確，而此方法能獲取空間上更完整、更精確的數(shù)據(jù)用于水稻高溫?zé)岷Φ谋O(jiān)測(cè)；于此同時(shí)，利用遙感的方法識(shí)別水稻種植區(qū)、抽穗開(kāi)花期，減少了大量人力、物力、財(cái)力的消耗。綜上，此模型能綜合單一遙感和氣象站數(shù)據(jù)監(jiān)測(cè)水稻高溫?zé)岷Φ膬?yōu)點(diǎn)且能夠互補(bǔ)2個(gè)方法的缺點(diǎn)。

此模型能快速、準(zhǔn)確地監(jiān)測(cè)水稻種植區(qū)、抽穗開(kāi)花期、水稻抽穗開(kāi)花期高溫?zé)岷Φ陌l(fā)生、發(fā)展，第一時(shí)間為相關(guān)部門(mén)進(jìn)一步做好水稻農(nóng)業(yè)氣象服務(wù)、確定合適的水稻高溫?zé)岷Ψ罏?zāi)措施提供科學(xué)依據(jù)，推動(dòng)農(nóng)業(yè)災(zāi)害遙感監(jiān)測(cè)、提高農(nóng)業(yè)災(zāi)害監(jiān)測(cè)技術(shù)的及時(shí)、準(zhǔn)確、定量提供作物受災(zāi)面積和災(zāi)情信息的能力。

6 討論

研究中利用MOD09A1 8天合成數(shù)據(jù)來(lái)提取水稻種植區(qū)，其空間、時(shí)間分辨率較低，丘陵山區(qū)眾多的皖南地區(qū)和水稻種植較少皖北區(qū)域混合像元較為嚴(yán)重，雖然提取水稻種植區(qū)的條件設(shè)置中盡可能去掉非水稻像元，移栽期也有可能受到長(zhǎng)時(shí)間降水等干擾影響識(shí)別精度。高溫?zé)岷?duì)水稻生長(zhǎng)發(fā)育過(guò)程中影響最大的時(shí)期為水稻抽穗開(kāi)花期，而也有不少的研究表明粉減數(shù)分裂期和灌漿成熟期2個(gè)時(shí)期高溫影響水稻籽粒庫(kù)容以及結(jié)實(shí)率，從而導(dǎo)致稻谷品質(zhì)的下降[24,34]。隨著越來(lái)越多的學(xué)者對(duì)模型中各種算法的完善，后續(xù)研究中可以借鑒更完善的算法結(jié)合精度更高的遙感數(shù)據(jù)，在水稻高溫?zé)岷ρ芯恐锌紤]更多的生長(zhǎng)發(fā)育期，從而達(dá)到星-地結(jié)合對(duì)水稻高溫?zé)岷Φ谋O(jiān)測(cè)模型研究的完善、優(yōu)化效果。