基于MODIS植被指數評估洞庭湖區東方田鼠大暴發的危害

徐正剛，趙運林，李 波，張美文，王 勇,*

(1. 中國科學院亞熱帶農業生態研究所,中國科學院洞庭湖濕地生態系統觀測研究站,亞熱帶農業生態過程重點實驗室, 長沙 410125；2. 中國科學院大學，北京 100049； 3. 湖南城市學院， 益陽 413000)

我國是一個鼠害十分嚴重的國家，農業鼠害發生面積約為3520 萬hm2/a，涉及1.44 億農戶,草原因鼠害每年減少牧草68 億kg[1]。在鼠害大暴發年份，害鼠種群的異常增長還會嚴重破壞生態系統的平衡。依據生態系統的類型，可將鼠害分為農田鼠害、林業鼠害和草原鼠害等。不同地點、不同生態類型的鼠害在暴發年份呈現不同的特征，阻礙了建立統一的探測鼠害暴發區與危害等級的方法。當前我國主要依靠植保部門的實地調查，了解害鼠在暴發年份的危害區域與危害等級。這種方法雖然準確性較高，但耗時、耗力。遙感技術由于具有迅速、大尺度的特點，使得其成為適宜的探測農業病蟲鼠害及氣象災害危害區和危害等級的補充手段。實地調查和遙感技術應當相互配合，取長補短。當前已有大量應用遙感技術進行病害[2- 4]和颶風[5]、凍害[6- 7]、冰雹[8]、霜害等氣象災害的災害度監測和損失評估的研究，但將遙感技術應用于鼠害研究的報道卻很少。

探測植被在鼠害暴發年份較正常年份的變異是利用遙感技術進行鼠害危害評估的理論基礎。選擇合適的植被指數，作物的產量和長勢均能實現遙感探測[9- 10]。由于鼠類的毀壞，作物的長勢和產量在暴發年份會受到影響，且會反映到植被指數的變動上[11]。本文通過參考遙感技術在病蟲害和氣象災害危害評估中的應用經驗，提出合適的鼠害大暴發年份探測危害區和危害等級的方法。由于病蟲害和氣象災害領域反映植被生長狀況的植被指數和災害評估指標很多，因此研究還探討了鼠害評估時間和相關指標篩選的原則和方法。針對鼠害類型豐富、情況復雜，本文對評估方法進行了討論，使方法具有良好地適應性。

1 材料與方法

1.1 研究區概況

研究以洞庭湖區2007年東方田鼠暴發為例。洞庭湖位于長江中游以南，湖南省北部。該區域是我國主要的商品糧生產基地，也是全國舉足輕重的淡水生產基地,對于保證國家的糧食安全具有重要的作用。東方田鼠(Microtusfortis)是該地區主要的農業害鼠之一[12]。每年汛期(一般指5月至9月)受洪水脅迫，東方田鼠由湖灘向農田遷移，給農作物造成嚴重的損失。2005年和2007年汛期，洞庭湖區暴發了罕見的特大型鼠害，其中2007年是有記錄以來最為嚴重的東方田鼠災害，有超過2 億只東方田鼠越過大堤，進入農田[13]，3.3 萬hm2農作物受害，致使農業生產遭受了巨大地損失。

2007年東方田鼠的暴發主要集中在東洞庭湖的農田[13]，而以東洞庭湖西畔區域最為嚴重。東方田鼠種群調查表明該區域東方田鼠捕獲率超過21%，達到重危害級[14]，因此選擇該區域北洲子農田作為研究區(圖1a)。使用研究區范圍裁剪中國1 km分辨率土地利用類型數據集[15]，顯示研究區主要的土地利用類型為農田、濕地、水體和少量建筑物(圖1b)，農作物以水稻為主，包括一季稻和雙季稻。該區域地形平緩，高程的均值為(23.23±4.23) m，當東方田鼠被迫自湖灘遷徙至農田后，很容易擴散，農田集中連片分布的特點也為東方田鼠提供了充足的食物。

1.2 數據來源及處理

當今世界新一代“圖譜合一”的光學遙感器MODIS(Moderateresolution imagine spectroradiometer)，具有時間分辨率高、空間分辨率中等、單幅影像覆蓋范圍廣闊等優點，在生態環境評價和監測等方面體現出良好的實用性和強大的應用前景。MODIS工作小組一直致力于產品和算法的研究，已形成多個標準產品，使得數據的可信度較其他傳感器大大增強。又由于MODIS數據能夠免費獲得，因此為實現大范圍、多鼠種的鼠害評估提供了極大地便利。

為了準確監測研究區植被生長狀況，研究采用MOD13Q1數據集。MOD13Q1數據集共有12個波段，包括均一化植被指數(NDVI)和增強型植被指數(EVI)兩種植被指數數據產品，空間分辨率為250 m,時間分辨率為16 d，全年共23景數據。該數據集的植被指數均采用Walthal BRDF(Walthal bidirectional reflectance distribution function)模型進行了處理，且自帶質量評價波段，方便數據的選擇。

由于2005年研究區也有東方田鼠暴發的報道[14]，為避免其可能對2006年植被的影響，因此選擇2004做為正常年份。在MODIS網站下載研究區2004年和2007年MOD13Q1數據集(http://modis-land.gsfc.nasa.gov)，利用MRT(MODIS reprojection tool)運用臨近值法對影像進行重投影。影像的原始投影方式為Sinusoidal投影，重投影為UTM(Universal transverse mercartor)投影，再乘以尺度因子以獲得每個象元的NDVI和EVI值。為除去水體和建筑物可能對結果的影響，最后以研究區內濕地和農田區域在ArcGIS里對影像進行掩膜，最終得到研究區植被指數圖。

圖1 研究區位置(a)和土地利用類型(b)

1.3 研究方法

1.3.1 NDVI波動分析

MOD13Q1自帶質量評價波段，第二波段是植被指數“可用性”指數，值不超過1表示植被指數質量良好[16]，可直接使用。選擇研究區2004年和2007年高質量像元比例超過90%的影像，分析NDVI值變動情況。

1.3.2 植被指數敏感性評價

NDVI是鼠害領域應用最廣泛的植被指數[17]，在病蟲害和氣象災害領域除NDVI外，mNDVI(Modified normalized difference vegetation index)、EVI、GNDVI(Green normalized difference vegetation Index)、CVI(Chlorophyll vegetation index)、NDII(Normalized difference infrared index)等植被指數也被應用于災害評估[5- 7, 18]。本研究采用NDVI和EVI兩個植被指數，二者的計算公式見表1。

植被指數差值法是通過比較受災前后植被指數的變化來判斷受災情況[5- 6, 8, 18]。定義ΔVI為植被指數變化率，按照以下公式計算：

ΔVI=(VIbefore-VIpost)/VIbefore

式中,VIbefore為鼠害暴發年份受災前植被指數，VIpost為鼠害暴發年份受災后植被指數。

表1 植被指數計算公式

當前主要是通過統計不同植被指數的ΔVI來確定植被指數對災害的敏感性[5- 6]。假定正常年份和受災年份的ΔVI分別代表植物正常生長和作物受災的信息。正常年份的ΔVI一般呈鐘形分布，而受災年份由于作物大面積受害使得ΔVI呈偏正態[5]。研究中首先計算均值(μ)、偏移(Shift amplitude)、四分位距(Inter quartile range,IQR)和受災像元的百分比(Damaged pixels,%)4個統計量。通過以上4個指標，分別從災害閾值、受災范圍、受災程度和檢測受災能力4個方面分析植被指數對鼠類危害的敏感性。

1.3.3 評估算法

評估算法的原理是通過正常年份植被指數變化情況確定災害閾值，然后對受災年份的災害情況進行評估[5- 6]，算法流程如圖2所示。首先計算正常年份和受災年份的ΔVI，通過植被指數敏感性分析，確定合適的植被指數。通過正常年份的ΔVI確定災害閾值，設定災害閾值為μ2004+δ2004，其中μ2004和δ2004分別為2004年ΔVI的均值和平均絕對標準差。若受災年份的ΔVI大于μ2004+δ2004，則表示該像元受到危害，否則該像元生長正常，從而獲得受災像元的分布。再將受災年份的ΔVI歸一化到 [0, 1]之間。分析統計受災年份ΔVI的頻率直方圖決定拉伸的上限和下限。上限值規定為整個區域像元的95%，如選擇1.9作為上限，則將大于1.9的值均設定為1.9；下限值區災害閾值，將ΔVI小于災害閾值的值設定為下限值。按照以下公式進行歸一化處理：

ΔVIrescale=(ΔVI-ΔVIlower)/( ΔVIupper-ΔVIlower)

式中,ΔVIrescale為歸一化結果，ΔVIuppe為上限值，ΔVIlower為下限值。歸一化后，統計受到災害影響的像元(即ΔVIrescale大于0的像元)，確定受災程度。以四分位數來劃分3個受災等級：ΔVIrescale大于75%四分位數(Q3)為重度受災，ΔVIrescale小于25%四分位數(Q1)為輕度受災，余下為中度受災。從而獲得鼠害危害的等級分布圖。

圖2 評估算法流程圖

2 結果與分析

2.1 研究區NDVI變化

計算研究區平均NDVI值(包含水體和建筑物像元)，2007年與2004年NDVI具有相同的變化規律(圖3)，表明2004年與2007年種植制度未發生大的改變，2004年作為未受災年份的對照是合適的(2004年植保部門的記錄表明當年該地區也沒有其他的災害發生)。2007年研究區附近種植作物相近的未受害區域的NDVI值，變動規律與研究區2004年波動規律一致，說明2004年NDVI動態具有良好的代表性。每年4月份和8月份的兩個NDVI峰值與研究區種植綠肥、油菜和蠶豆等作物后再種植水稻的作物種植制度相符[21]。該地區的水稻類型包括中稻、一季晚稻、早稻和連晚稻，自4月末至7月均處于生長期。 2004年4月份到12月份NDVI值先單調上升再單調下降的變化規律與水稻生長、收割的節律一致。2007年研究區平均NDVI值在7月和8月間存在一個短暫的先下降再上升的過程(圖3)。由于不能準確的判定補救措施進入的時間和強度，因此將其間第1個下降點保守作為東方田鼠危害后的時間更合適。2007年北洲子暴發時間為7月上旬，故6月末作為鼠害暴發前的時間是合適的。綜合以上幾點，研究選擇區第193天和第209天分別作為東方田鼠危害前、危害后時間。

NDVI的減少直觀反映了東方田鼠對農作物的危害。分別將研究區災害后NDVI值減去災害前NDVI值，則正常年份97.70% NDVI增加(圖4)，而受災年份83.60% NDVI值減少(圖4)。正常年份NDVI差值的均值為0.11±0.08(圖4)，受災年份NDVI差值的均值為-0.03±0.05(圖4)。2004年NDVI差值的頻率直方圖均呈正態分布，2007年NDVI差值的頻率直方圖呈現近似正態的偏分布，表明受災年份作物的群體密度小于正常年份的群體密度。

圖 3 受災年份與正常年份NDVI動態

圖4 研究區NDVI差值空間分布圖和頻率直方圖

2.2 確定植被指數敏感性

對研究區2004年與2007年ΔVI統計分析，結果如表2所示。ΔVI的統計直方圖如圖5所示。ΔVI的偏移能夠直接反應植被指數對農作物受損的敏感程度。ΔEVI的偏移量(0.33)大于ΔNDVI的偏移量(0.21)，說明EVI對作物受到危害更加敏感。四分位距能夠反應植被指數對作物受危害嚴重程度的敏感性。正常年份和受災年份ΔEVI的四分位數均比對應年份 ΔNDVI 的四分位數大(表2)，說明EVI 較NDVI能更好的表示受災的嚴重程度。ΔNDVI和ΔEVI的災害閾值均在0附近(表2，圖5)，這與植物遭受鼠害后NDVI值下降的波動規律一致。ΔNDVI的受災像元百分比為83.30%，ΔEVI的受災像元百分比為80.30%，說明研究區作物大范圍受災，與鼠密度調查的結果一致。

通過以上分析表明：EVI更適合作為洞庭湖區東方田鼠危害評價的植被指數，與董燕生等[6]的結果相同。原因可能是由于東方田鼠對植物的危害主要是取食植物，造成大面積植物被取食，植被覆蓋度下降，土壤對植被指數的影響增強，而EVI在植被稀疏地區較NDVI有更好的識別能力。

表2 2004年和2007年度植被指數變化率統計

2.3 鼠害暴發區域與等級

研究區內大部分植被受到鼠類危害，主要集中在農田區域，正常生長區域主要集中在濕地區域(圖1、圖6)。濕地地區主要的作物為蘆葦、而農田區域主要作物為水稻。一方面東方田鼠更加喜食水稻，另一方面蘆葦種群密度高，受到東方田鼠危害，一般不易通過植被指數表現出來。受害區域具有很高的聚集度(圖6)，這與東方田鼠暴發期間觀察到的的聚集行為相符[22]。作物受災等級以中度為主，受災中等以上的區域均離大堤有一段距離(圖6)，這主要是由于暴發年份離大堤近的地區會采取多種防范措施，迫使東方田鼠向縱深遷移一段距離。整個研究區范圍均有危害嚴重的像元零星分布(圖6b)。由于東方田鼠的遷徙距離一般不會超出10 km[23]，因此這種危害不會是由于某一個點源的東方田鼠種群遷徙導致的危害，而因當是很多點源的東方田鼠種群疊加危害的結果。

圖6 研究區像元尺度災害分布圖和災害等級圖

2.4 驗證

Ren Y H等[13]通過實地大范圍踏查，繪制了2007洞庭湖區東方田鼠危害區域分布圖(圖7)，并進行了相關研究。在踏查范圍內依照ΔEVI制作危害區分布圖，由于整個危害區土地利用類型、作物種植制度等相近，因此可以將0.07作為災害閾值，繪制災害像元空間分布圖，結果如圖7。整個危害區均能探測到危害像元，危害像元占危害區總像元數目的51.30%(圖7)，表明本方法能有效探測暴發年份鼠類危害區，0.07作為洞庭湖區2007東方田鼠危害閾值具有一般的代表性。危害區內危害像元也表現出聚集性和危害像元離大堤有一定距離的特性，這與東方田鼠在暴發年份的危害特點一致。

圖7 2007年實地踏查繪制東方田鼠危害區和危害像元空間分布圖

3 討論

在當前有關利用植被指數差值法進行植物病蟲害和氣象災害評估的研究中，并沒有涉及確定災害評估時間的方法和原則[5- 8, 18]，主觀性過強。在鼠類的危害評估中，時間對評估結果的敏感性更高，選擇合適的評估時間對于確保評價結果的準確性是十分重要的。一方面鼠類的危害主要是物理性的損傷，具有發生時間短、危害大的特性；另一方面，鼠害發生后，人們的補救措施往往較其他災害更迅速。本研究提出利用植被指數的年內變化規律再結合研究區農事歷的方法，確定用于災害評價的時間。為了避免植物自身生長規律對評價結果的影響，評價中要確保災害發生前至災害發生后的時間段內的植被指數在正常年份是單調的，且評價期間不能有顯著的人為活動或其他災害的影響。

Zhao J等[8]利用植被指數的差值評估冰雹對玉米造成的損失，取得良好的效果。本研究中利用NDVI差值也能直觀反應鼠類危害發生的區域(圖4)，但由于NDVI差值的偏移過小(0.14，圖4，表2)，因而NDVI差值不適宜直接用來進行受災面積和受災等級的評估，而應當結合地面調查點，通過統計回歸，再進行災害評價[8, 18]。Wang W等[5]等利用植被指數增加的變化率作為指標探測颶風對森林造成的損失和損失的等級，董燕生等[6]利用植被指數減少的變化率評價凍害對小麥的影響。兩個指標的選擇主要是基于生態事件對作物影響的程度：森林遭受颶風的危害后，NDVI值并未減少[5]；冬小麥受到凍害的影響后，NDVI值減少了[6]。本研究中作物的NDVI值在鼠害的影響下，NDVI值下降，因此研究中采用植被指數的降低速率評價鼠類危害。不同的地點、不同的鼠種和不同的生態系統鼠類的危害程度是不同的。在利用遙感技術評價鼠類危害的過程中，需要根據具體的情形選擇合適的評價指標。

MODIS具有高時間分辨率和中等空間分辨率的特點，在災害評價中具有十分重要的應用。但是由于MODIS中對植被指數敏感的遠紅外波段的分辨率為1000 m，因此限制了分辨率的提高和更多植被指數的應用。國外的Landsat衛星[7]和國內的環境減災衛星[6, 8]等在時間分辨率、波譜等方面各具優勢。在應用遙感技術評價鼠類危害的過程中，可以結合各個衛星的特點，探索更加合適的植被指數，實現更高精度的評價。

鼠類與作物之間是相互作用的，二者在生態系統中均起重要的作用。害鼠對作物的危害既包括直接的危害還包括間接的危害。Olofsson J等[11]通過對照鼠類危害區和圍欄區植被的草地產量，發現鼠類危害區的產量在一年后下降，相應NDVI的變動也證實存在一年的時滯。因此，通過本方法對鼠類危害的評價是鼠類危害的直接損失。由于人類活動的介入，在鼠害暴發年份，農作物的產量雖然可能降低，但是NDVI值不一定比正常年份低，如本研究中研究區2007年秋季NDVI的峰值比2004年高。

當前利用遙感技術探測植物受害面積和等級的研究主要在集中在面積廣、植被單一性強的生態系統，如荒漠[24]、草原[11]、森林[3, 5]。不同植被的光譜反射率是不同的，因此受害閾值標準不同，本研究中，我們使用土地利用類型圖層對研究區進行掩膜，即是為了確保植被類型的單一性。依據EVI的災害閾值，研究區的受災像元百分比(80.30%)遠遠大于驗證區的受災像元百分比(51.30%)。一方面是由于2007年其他地區受害面積比例不及北洲子，另外也可能是隨著區域的擴大，生態系統類型增加，準確率降低導致。因此，本研究提出方法更適宜于鼠類種群變化劇烈且植被單一的區域。對于作物呈鑲嵌分布的區域，則應當區分不同的作物，依據不同的災害閾值分別進行判別。

4 結論

針對2007年洞庭湖區東方田鼠暴發成災，提出了基于MODIS植被指數的鼠類危害評價方法。通過對比實地踏查的洞庭湖區2007年暴發圖和通過災害閾值繪制的危害像元空間分布圖，表明評價方法準確有效。通過分析NDVI和EVI對災害評價的敏感性，選定EVI作為洞庭湖區鼠類災害的植被指數。討論了確定評價時間和評價指標選擇的方法和原則，使得該方法更夠適用于更廣泛的情形。

致謝：感謝中國科學院遙感應用研究所劉亞嵐研究員提供洞庭湖區2007東方田鼠暴發范圍圖和國家自然科學基金委“中國西部環境與生態科學數據中心”提供中國土地利用類型分布圖。

:

[1] Shi D Z, Guo Y W, Su H T. A progress of rodent and its control in the agriculture and animal husbandry. Chinese Journal of Vector Biology and Control, 2009, 20(6): 499- 501.

[2] Zhang J C, Yuan L, Wang J H, Luo J H, Du S C, Huang W J. Research progress of crop diseases and pests monitoring based on remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(20): 1- 11.

[3] Eklundh L, Johansson T, Solberg S. Mapping insect defoliation in scots pine with modis time-series data. Remote Sensing of Environment, 2009, 113(7): 1566- 1573.

[4] Genc H, Genc L, Turhan H, Smith S E, Nation J L. Vegetation indices as indicators of damage by the sunn pest (hemiptera:Scutelleridae) to field grown wheat. African Journal of Biotechnology, 2008, 7(2): 173- 180.

[5] Wang W T, Qu J J, Hao X J, Liu Y Q, Stanturf J A. Post-hurricane forest damage assessment using satellite remote sensing. Agricultural and Forest Meteorology, 2010, 150(1): 122- 132.

[6] Dong Y S, Chen H P, Wang H F, Gu X H, Wang J H. Assessing freeze injury to winter wheat with multi-temporal HJ- 1 satellite imagery. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(20): 172- 179.

[7] Jurgens C. The modified normalized difference vegetation index (mndvi): a new index to determine frost damages in agriculture based on landsat tm data. International Journal of Remote Sensing, 1997, 18(17): 3583- 3594.

[8] Zhao J, Zhang D, Luo J, Huang S L, Dong Y Y, Huang W J. Detection and mapping of hail damage to corn using domestic remotely sensed data in China. Australian Journal of Crop Science, 2012, 6(1): 101- 108.

[9] Wang Q Z, Yu Z R, Xing J F, Driessen P M, Liu H Y. Yield gap estimation by combining remote sensing and crop growth model. Transactions of the Chinese Society of Agricultural Engineering, 2005, 21(7): 84- 89.

[10] Yang B J, Pei Z Y. Definition of crop condition and crop monitoring using remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 1999, 15(3): 214- 218.

[11] Olofsson J, Tommervik H, Callaghan T V. Vole and lemming activity observed from space. Nature Climate Change, 2012, 2(12): 880- 883.

[12] Zhang M, Wang K, Wang Y, Guo C, Li B, Huang H. Recovery of a rodent community in an agro-ecosystem after flooding. Journal of Zoology, 2007, 272(2): 138- 147.

[13] Ren Y H, Liu Y L, Wei C J, Zhang Z Q, Yan S Y. Dynamic simulation and analysis of microtus fortis migration in dongting lake region during flood based on remote sensing and gis // Li G, Jia Z, Fu Z, eds. Proceedings of Information Technology and Environmental System Sciences: Itess. Beijing: Publishing House Electronics Industry, 2008, 3: 440- 444.

[14] Li B, Wang Y, Zhang M W, Han L L, Wu C H, Huang H N. Population dynamics of microtus fortis in Dongting Lake region and its forecasting. Plant Protection, 2007, 33(2): 134- 136.

[15] Ran Y H, Li X, Lu L. Evaluation of four remote sensing based land cover products over China. International Journal of Remote Sensing, 2010, 31(2): 391- 401.

[16] Cao Y F, Wang Z X, Deng F P. Fidelity performance of three filters for high quality NDVI time-series analysis. Remote Sensing Technology and Application, 2010, 25(1): 118- 125.

[17] Pettorelli N, Ryan S, Mueller T, Bunnefeld N, Jedrzejewska B, Lima M, Kausrud K. The normalized difference vegetation index (ndvi): Unforeseen successes in animal ecology. Climate Research, 2011, 46(1): 15- 27.

[18] Feng M C, Yang W D, Cao L L, Ding G W. Monitoring winter wheat freeze injury using multi-temporal modis data. Agricultural Sciences in China, 2009, 8(9): 1053- 1062.

[19] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 1979, 8(2): 127- 150.

[20] Huete A, Justice C, Leeuwen W V. Modis vegetation index (mod13) algorithm theoretical basis document. 1999, [2012- 3- 5]. http://modis.gsfc.nasa.gov/data/atbd/atbd_mod%2013.pdf.

[21] Zhou S. Detected the main crop types based on remote sensing technic in Dongting Lake region. Economic Geography, 1986, (4): 302- 307.

[22] Li B, Wang Y, Zhang M W, Chen J, Zheng W J, Wu C H, Hu H, Huang H N. Some behavior ofMicrotusfortiscalamorumduring migration while population outbreak in Dongting Lake area. Chinese Journal of Zoology, 2008, 43(2): 57- 63.

[23] Guo C, Wang Y, Chen A G, Li B, Zhang M W, Wu Z J. Studies on the migration of Microtus fortis in Dongting lake area. Acta Theriologica Sinica, 1997, 17(4): 40- 47.

[24] Cha M H, Ma G Q, A L G E, Wu X D, Fu H P, Zhang X D, Yuan S. Using "3S" technology to monitor rodent damage in cakcayr ( Haloxylon ammodendron) natural forest distributed on alxa desert in Inner Mongolia. Forest Resources Management, 2012, (4): 91- 95.

參考文獻:

[1] 施大釗, 郭永旺, 蘇紅田. 農牧業鼠害及控制進展. 中國媒介生物學及控制雜志, 2009, 20(6): 499- 501.

[2] 張競成, 袁琳, 王紀華, 羅菊花, 杜世州, 黃文江. 作物病蟲害遙感監測研究進展. 農業工程學報, 2012, 28(20): 1- 11.

[6] 董燕生, 陳洪萍, 王慧芳, 顧曉鶴, 王紀華. 基于多時相環境減災衛星數據的冬小麥凍害評估. 農業工程學報, 2012, 28(20): 172- 179.

[9] 王純枝, 宇振榮, 辛景峰, Driessen P M, 劉云慧. 基于遙感和作物生長模型的作物產量差估測. 農業工程學報, 2005, 21(7): 84- 89.

[10] 楊邦杰, 裴志遠. 農作物長勢的定義與遙感監測. 農業工程學報, 1999, 15(3): 214- 218.

[14] 李波, 王勇, 張美文, 韓立亮, 吳承和, 黃華南. 洞庭湖區東方田鼠種群數量預警. 植物保護, 2007, 33(2): 134- 136.

[16] 曹云鋒, 王正興, 鄧芳萍. 3種濾波算法對ndvi高質量數據保真性研究. 遙感技術與應用, 2010, 25(1): 118- 125.

[21] 周蒔. 應用衛星遙感技術判別洞庭湖區主要農作物類型的研究. 經濟地理, 1986, (4): 302- 307.

[22] 李波, 王勇, 張美文, 陳劍, 鄧武軍, 吳承和, 胡華, 黃華南. 洞庭湖區東方田鼠種群暴發期間的行為特征觀察. 動物學雜志, 2008, 43(2): 57- 63.

[23] 郭聰, 王勇, 陳安國, 李波, 張美文, 武正軍. 洞庭湖區東方田鼠遷移的研究. 獸類學報, 1997, 17(4): 279- 286.

[24] 查木哈, 馬國青, 阿力古恩, 武曉東, 付和平, 張曉東, 袁帥, 張福順. 基于3s技術的阿拉善荒漠天然梭梭林鼠害監測. 林業資源管理, 2012, (4): 91- 95.