基于衛(wèi)星遙感與氣象站數(shù)據(jù)的水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估模型研究——以江蘇、安徽為例

郭建茂，王錦杰，吳越，謝曉燕，申雙和

（1.南京信息工程大學(xué)，a. 氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，b. 江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室，c. 應(yīng)用氣象學(xué)院，江蘇 南京 210044）

基于衛(wèi)星遙感與氣象站數(shù)據(jù)的水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估模型研究——以江蘇、安徽為例

郭建茂*，王錦杰，吳越，謝曉燕，申雙和

（1.南京信息工程大學(xué)，a. 氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，b. 江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室，c. 應(yīng)用氣象學(xué)院，江蘇 南京 210044）

隨著全球氣候變暖，水稻高溫?zé)岷Φ陌l(fā)生愈加頻繁。為此，本文在前人研究成果的基礎(chǔ)上，開展了水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估模型研究。首先利用衛(wèi)星遙感數(shù)據(jù)反演逐日最高氣溫和平均氣溫，云覆蓋區(qū)域則以相應(yīng)站點(diǎn)氣溫?cái)?shù)據(jù)插值后補(bǔ)充，生成“衛(wèi)星—插值”氣溫時(shí)間序列數(shù)據(jù)。同時(shí)提取水稻種植區(qū)域并判別其是否在高溫?zé)岷Φ年P(guān)鍵期——抽穗開花期。然后基于以上數(shù)據(jù)，依據(jù)水稻高溫?zé)岷χ笜?biāo)展開水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估，對(duì)熱害進(jìn)行等級(jí)劃分與統(tǒng)計(jì)。模型可實(shí)現(xiàn)任意時(shí)間點(diǎn)之前水稻高溫?zé)岷Φ目焖俦O(jiān)測(cè)與評(píng)估，也可以給出全研究區(qū)域水稻全生育期總體的高溫?zé)岷ΡO(jiān)測(cè)與評(píng)估結(jié)果。以江蘇、安徽兩省為例進(jìn)行2013年夏季水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估模型的應(yīng)用，該模型達(dá)到了較好的使用效果，將有很好的應(yīng)用前景。

水稻；高溫?zé)岷Γ籑ODIS；監(jiān)測(cè)和評(píng)估；模型

水稻高溫?zé)岷Φ念l繁發(fā)生，嚴(yán)重影響到中國的糧食安全。目前，水稻高溫?zé)岷σ惨殉蔀橹卮筠r(nóng)業(yè)氣象災(zāi)害。據(jù)統(tǒng)計(jì)，2003年夏季江淮和江漢平原發(fā)生的水稻高溫?zé)岷Γ瑑H安徽一省受高溫?zé)岷Φ乃痉N植面積就多達(dá)30多萬hm2，一般減產(chǎn)30%-70%，有些田塊平均結(jié)實(shí)率僅10%，基本絕收，給當(dāng)?shù)剞r(nóng)民帶來了巨大損失[1]。2003年武漢市種植中稻516萬hm2，其中有217多萬hm2出現(xiàn)大量空殼，占中稻面積的42%以上，其空殼率一般在60%左右，嚴(yán)重田塊超過90%，產(chǎn)量損失在50%以上[2]。2013年7、8月份，南方8省遭遇有氣象記錄（1951年）以來最嚴(yán)重的高溫干旱天氣，對(duì)農(nóng)業(yè)生產(chǎn)造成極大的危害，其中對(duì)水稻的影響最為嚴(yán)重，導(dǎo)致一季稻和中晚秈稻明顯減產(chǎn)，據(jù)部分地區(qū)調(diào)查和統(tǒng)計(jì)，水稻減產(chǎn)20%以上，一些地區(qū)甚至高達(dá)30%-50%[3]。

針對(duì)這種情況，近年來眾多專家學(xué)者對(duì)水稻高溫?zé)岷﹂_展的研究表明：孕穗期高溫會(huì)降低水稻的穗粒數(shù)、結(jié)實(shí)率和千粒重，從而造成水稻減產(chǎn)，這與高溫導(dǎo)致穎花數(shù)減少，光合產(chǎn)物向穗轉(zhuǎn)移受阻有關(guān)[4]。抽穗開花期高溫會(huì)降低水稻的結(jié)實(shí)率，導(dǎo)致水稻干物質(zhì)積累量、SPAD值和凈光合速率顯著下降[5]。灌漿期高溫則會(huì)加速籽粒灌漿，縮短灌漿時(shí)間，導(dǎo)致谷粒灌漿不充分，出現(xiàn)提前成熟或早衰等現(xiàn)象[6]。而水稻對(duì)高溫最敏感的時(shí)期出現(xiàn)在抽穗開花期[7]。在歷史長時(shí)間尺度上，高溫?zé)岷Πl(fā)生的頻次呈開口向上的拋物線形，二十世紀(jì)八十年代最少，2000年后發(fā)生頻次明顯增多，高溫?zé)岷χ饕l(fā)生在每年的7月中下旬、8月上旬[8-10]。江蘇、安徽兩省均呈現(xiàn)南部熱害程度嚴(yán)重，北部較輕[8-9]；而從長江中下游整體來看，湖北、湖南和江西3省發(fā)生頻次多且危害程度重[10-11]。

然而，已有研究多采用實(shí)驗(yàn)室或某些實(shí)驗(yàn)田的實(shí)驗(yàn)數(shù)據(jù)和歷史氣象站點(diǎn)資料，集中于對(duì)高溫?zé)岷Φ奈：C(jī)理和分布規(guī)律及其風(fēng)險(xiǎn)評(píng)估等方面進(jìn)行分析，而目前采用遙感手段對(duì)水稻高溫?zé)岷M(jìn)行大區(qū)域?qū)崟r(shí)監(jiān)測(cè)和評(píng)估的研究還很少，但相對(duì)而言，實(shí)時(shí)監(jiān)測(cè)和評(píng)估在水稻生產(chǎn)上有迫切的需求和很大的應(yīng)用價(jià)值。有鑒于此，本文開發(fā)了基于衛(wèi)星遙感數(shù)據(jù)結(jié)合地面站點(diǎn)數(shù)據(jù)的大區(qū)域水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估模型，并在2013年夏季高溫條件下，在江蘇、安徽兩省進(jìn)行了模型的應(yīng)用。

1 模型構(gòu)建

通常水稻高溫?zé)岷Πl(fā)生的判定，依據(jù)的是水稻高溫?zé)岷χ笜?biāo)，本模型采用張佳華等[12]提出的高溫?zé)岷χ笜?biāo)作為模型的判定依據(jù)（表1）。具體以水稻抽穗開花期的日平均氣溫、日最高氣溫和持續(xù)天數(shù)劃分熱害等級(jí)。表中日平均氣溫和日最高氣溫是“或”的關(guān)系，即日平均氣溫達(dá)到持續(xù)天數(shù)的閾值或日最高氣溫達(dá)到持續(xù)天數(shù)的閾值可判定具體等級(jí)。根據(jù)水稻高溫?zé)岷χ笜?biāo)，定義水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估模型。模型可以分為3大塊：1）由衛(wèi)星遙感數(shù)據(jù)反演日平均氣溫和最高氣溫，有云區(qū)域以站點(diǎn)氣溫?cái)?shù)據(jù)插值補(bǔ)充，生成“衛(wèi)星-插值”氣溫時(shí)間序列數(shù)據(jù)；2）使用衛(wèi)星遙感數(shù)據(jù)提取水稻種植區(qū)域，并判斷水稻是否處于高溫最敏感期——抽穗開花期；3）基于前兩步驟得到的數(shù)據(jù)，依據(jù)水稻高溫?zé)岷χ笜?biāo)給出水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估結(jié)果，進(jìn)行等級(jí)劃分及受災(zāi)區(qū)域統(tǒng)計(jì)。模型可實(shí)現(xiàn)任意時(shí)間點(diǎn)之前水稻高溫?zé)岷Φ目焖俦O(jiān)測(cè)與評(píng)估，也可以給出全研究區(qū)域水稻全生育期總體的高溫?zé)岷ΡO(jiān)測(cè)與評(píng)估結(jié)果。圖1為模型的技術(shù)流程圖。

表1 水稻高溫?zé)岷Φ燃?jí)指標(biāo)[12]Table 1 Rice heat injury index

圖1 水稻高溫?zé)岷ΡO(jiān)測(cè)與評(píng)估模型流程Fig. 1 Model flow of monitoring and evaluation of rice heat injury

2 研究區(qū)概述與數(shù)據(jù)來源

2.1 研究區(qū)概述

江蘇和安徽地處長江下游平原地帶，氣象條件和灌溉條件較好，適于水稻種植，是水稻的主要種植區(qū)。然而在7-8月經(jīng)常出現(xiàn)晴熱高溫天氣，水稻又通常在這段時(shí)間內(nèi)抽穗揚(yáng)花，容易造成高溫?zé)岷Γ瑖?yán)重影響了水稻的產(chǎn)量。如2013年連續(xù)的高溫天氣，使江蘇和安徽遭受了較為嚴(yán)重的水稻高溫?zé)岷Α?/p>

2.2 數(shù)據(jù)來源

1）遙感數(shù)據(jù)。所用MODIS數(shù)據(jù)分別為MOD/ MYD11A1逐日地表溫度產(chǎn)品、MYD09GA逐日地表反射率產(chǎn)品、MOD09A1 8 d合成地表反射率產(chǎn)品、MOD/MYD35云檢測(cè)產(chǎn)品、MCD12Q1土地利用類型產(chǎn)品，使用MODIS數(shù)據(jù)類型詳見表2。MODIS數(shù)據(jù)來源于美國NASA官網(wǎng)（https://ladsweb.nascom. nasa.gov），逐日影像時(shí)間為2013年7月1日至9月15日，8 d合成產(chǎn)品的時(shí)間為4月1日至9月30日；還使用了同時(shí)期的Landsat 8影像，數(shù)據(jù)來源于地理空間數(shù)據(jù)云網(wǎng)站（http://www.gscloud.cn/）。

2）氣象數(shù)據(jù)。2013年7月1日至9月15日江蘇、安徽常規(guī)氣象站實(shí)測(cè)最高氣溫和平均氣溫?cái)?shù)據(jù)，數(shù)據(jù)來源于中國氣象局（http://data.cma.cn/）。

3）生育期數(shù)據(jù)。2013年江蘇、安徽農(nóng)業(yè)氣象站觀測(cè)的水稻發(fā)育期資料，數(shù)據(jù)來源于中國氣象局（http://data.cma.cn/）。

4）種植面積數(shù)據(jù)。2013年江蘇省、安徽省水稻種植面積數(shù)據(jù)來源于2014年江蘇省、安徽省統(tǒng)計(jì)年鑒。

表2 使用的MODIS數(shù)據(jù)Table 2 Using MODIS data

3 研究方法

3.1 數(shù)據(jù)預(yù)處理

使用NASA官 方提供的MRT（MODIS Reprojection Tool）、MRTSwath（MODIS Reprojection Tool Swath）對(duì)各MODIS產(chǎn)品進(jìn)行拼接、投影轉(zhuǎn)換以及波段提取，并對(duì)提取出來的各波段進(jìn)行裁切。分別由藍(lán)光波段（ρblue，459～479 nm）、紅光波段（ρred，620～670 nm）、近紅外波段（ρnir，841～876 nm）和短波紅外波段（ρswir，1 628～1 652 nm）的反射率不同組合計(jì)算常用的植被指數(shù)，計(jì)算公式如下：

增強(qiáng)植被指數(shù)[13]：

歸一化植被指數(shù)[14]

地表水分指數(shù)[15]

式中：EVI為增強(qiáng)植被指數(shù)，NDVI為歸一化植被指數(shù)，LSWI為地表水分指數(shù)，ρ為對(duì)應(yīng)波段反射率。計(jì)算得到的植被指數(shù)存有噪聲，對(duì)上述三種植被指數(shù)進(jìn)行S-G濾波處理，得到新的植被指數(shù)時(shí)間序列。

Landsat8數(shù)據(jù)作為水稻種植區(qū)域提取的驗(yàn)證數(shù)據(jù)，對(duì)該數(shù)據(jù)進(jìn)行幾何校正和重投影、輻射定標(biāo)、大氣校正、裁切等預(yù)處理。

3.2 最高氣溫反演

采用MODIS-LST產(chǎn)品反演最高氣溫的研究，精度普遍在2-4 ℃左右[15-18]。MODIS-AQUA星下午過境時(shí)間大致是研究區(qū)域每天13:30，接近最高氣溫出現(xiàn)時(shí)間，本文先利用AQUA星的地表溫度產(chǎn)品反演衛(wèi)星過境瞬時(shí)氣溫，然后再用反演的瞬時(shí)氣溫與實(shí)測(cè)最高氣溫進(jìn)行回歸，最后以此回歸方程反演日最高氣溫。經(jīng)過對(duì)比，選擇Zhu等[19]提出的TVX（Temperature-vegetation Index）方法反演氣溫。TVX反演法是一種利用地表溫度LST和植被指數(shù)NDVI之間的負(fù)相關(guān)性從遙感數(shù)據(jù)中提取氣溫的空間鄰域運(yùn)算方法。TVX方法只需要LST和NDVI就可估算氣溫，并不需要地表觀測(cè)資料，有簡(jiǎn)單方便實(shí)用的優(yōu)點(diǎn)。其原理是假定濃密植被的冠層表面溫度等于冠層內(nèi)的氣溫，通過某個(gè)像元鄰域窗口的地表溫度—植被指數(shù)空間計(jì)算出濃密植被冠層的溫度，就可近似作為該鄰域窗口中心像元的氣溫[20]。因空間鄰域內(nèi)不一定是濃密植被，以鄰域內(nèi)所有像元對(duì)應(yīng)的NDVI和LST進(jìn)行回歸得到如式（4）的直線方程，然后由式（5）置換為濃密植被對(duì)應(yīng)的地表溫度即可作為該像元?dú)鉁亍?/p>

（4）、（5）式中：LST是MODIS陸地表面溫度，NDVI是歸一化植被指數(shù)，S、I是回歸求出的斜率和截距，TTVX為使用TVX方法反演的衛(wèi)星過境時(shí)的瞬時(shí)氣溫，NDVIS是濃密植被的NDVI（飽和值）。根據(jù)前人的研究成果[21-22]，NDVIS取值0.86。Prihodko和Goward[20]的研究表明，氣溫在水平距離6 km范圍內(nèi)變化通常小于0.6 ℃，而超出這個(gè)距離則變化劇烈，因此本文空間鄰域的大小選擇為13×13個(gè)像元。

基于TVX算法反演2013年7月1日至9月15日瞬時(shí)氣溫，可構(gòu)成瞬時(shí)氣溫時(shí)間序列。根據(jù)站點(diǎn)氣象數(shù)據(jù)所在的經(jīng)緯度信息，提取出反演結(jié)果圖對(duì)應(yīng)像元的氣溫?cái)?shù)據(jù)，與氣象站點(diǎn)逐日實(shí)測(cè)最高氣溫進(jìn)行對(duì)比，剔除云覆蓋的數(shù)據(jù)后，做散點(diǎn)圖（圖2），其均方根誤差（RMSE）為3.85 ℃，絕對(duì)平均誤差（MAE）為3.33 ℃，所得結(jié)果精度與Zhu等[19]的研究結(jié)論接近。

圖2 TVX瞬時(shí)氣溫估算值與實(shí)測(cè)最高氣溫散點(diǎn)圖Fig. 2 Maximum temperature versus TVX instantaneous temperature estimation

再將TVX反演得到的瞬時(shí)氣溫結(jié)果與實(shí)測(cè)最高氣溫?cái)?shù)據(jù)建立線性回歸方程（式6），然后根據(jù)此回歸方程進(jìn)行最高氣溫（Tmax）的反演，得到最高氣溫時(shí)間序列。

將反演的最高氣溫與實(shí)測(cè)最高氣溫做散點(diǎn)圖（圖3），對(duì)比圖2與圖3，兩圖R2相同，但是均方根誤差（RMSE）由3.85 ℃降為2.50 ℃，絕對(duì)平均誤差（MAE）由3.33 ℃降為1.79 ℃，誤差有了明顯的降低。盡管TVX算法反演的氣溫已與日最高氣溫相差不大，但是最后的回歸處理還是非常必要的，處理后其反演精度有了顯著提高。圖4為實(shí)測(cè)最高氣溫與反演的最高氣溫差值的頻次統(tǒng)計(jì)圖，統(tǒng)計(jì)結(jié)果表明：42.6%的誤差在±1 ℃以內(nèi)、66.8%的誤差在±2 ℃以內(nèi)、82.8%的誤差在±3 ℃以內(nèi)。

3.3 平均氣溫反演

對(duì)于逐日平均氣溫，經(jīng)過多種反演方案比較后

圖3 最高氣溫反演值與實(shí)測(cè)值對(duì)比散點(diǎn)圖Fig. 3 Scatter plot of Estimated Tmaxand Measured Tmax

圖4 實(shí)測(cè)最高氣溫與反演最高氣溫差值的頻次統(tǒng)計(jì)Fig. 4 Frequency distribution of difference between measured and estimated values of the maximum air temperature

參照Huang等[23]的方法，采用線性擬合法反演日平均氣溫，公式如下：

式中：k和b是通過線性回歸得到的系數(shù)和截距，Ta為平均氣溫，LST為陸地表面溫度。

選擇MODIS-LST的產(chǎn)品進(jìn)行平均溫度的反演，分別對(duì)TERRA、AQUA的白天和晚上陸地表面溫度與實(shí)測(cè)平均氣溫建立回歸模型，反演平均溫度所需數(shù)據(jù)及過程變量如表3所示。

表3 反演平均氣溫所需數(shù)據(jù)及過程變量Table 3 The required data and process variables for the inversion of the mean air temperature

在建立模型前，從47個(gè)氣象站中隨機(jī)挑選出10個(gè)站點(diǎn)數(shù)據(jù)作為模型的驗(yàn)證數(shù)據(jù)，剩下的37個(gè)站點(diǎn)數(shù)據(jù)用于建立回歸模型，在去除云覆蓋等無效數(shù)據(jù)后（表4），平均氣溫估算值與平均氣溫實(shí)測(cè)值的差值離散程度統(tǒng)計(jì)如圖5。從圖5中看出TERRA白天LST數(shù)據(jù)來反演的平均氣溫偏離程度最低，但離散程度較大，表4中也看出RMSE較大，R2較小。AQUA夜間LST數(shù)據(jù)來反演的平均氣溫偏離程度適中，離散程度較低，RMSE較小，R2較大。綜合對(duì)比看出AQUA夜間LST數(shù)據(jù)來反演的平均氣溫精度最高，選擇以此數(shù)據(jù)進(jìn)行平均氣溫反演。

表4 平均氣溫估算模型及精度Table 4 Estimation models for daily mean air temperature and its accuracy

圖5 平均氣溫估算值與平均氣溫實(shí)測(cè)值的差值離散程度統(tǒng)計(jì)Fig. 5 Discrete degree of difference between estimated average temperature and measured average temperature

將反演的平均氣溫與實(shí)測(cè)平均氣溫做散點(diǎn)圖（圖6），RMSE為2.01 ℃，MAE為1.43 ℃；統(tǒng)計(jì)了實(shí)測(cè)平均氣溫與估算平均氣溫差值的頻次（圖7），結(jié)果表明44.0%的誤差在±1℃以內(nèi)；73.7%的誤差在±2 ℃以內(nèi)；88.1%的誤差在±3 ℃以內(nèi)。

圖6 平均氣溫反演值與實(shí)測(cè)值散點(diǎn)圖Fig. 6 Scatter plot of Estimated Tmeanand Measured Tmean

3.4 最高氣溫、平均氣溫時(shí)間序列圖像數(shù)據(jù)的構(gòu)建

為了彌補(bǔ)衛(wèi)星數(shù)據(jù)缺測(cè)（主要因云覆蓋導(dǎo)致），采用實(shí)測(cè)站點(diǎn)氣溫的空間插值來替代缺測(cè)數(shù)據(jù)，利用IDL程序以薄板樣條法對(duì)逐日的最高氣溫、平均氣溫進(jìn)行插值處理，建立最高氣溫、平均氣溫插值時(shí)間序列圖像。完成插值后，從時(shí)間序列圖像中提取氣象站點(diǎn)所在位置的氣溫?cái)?shù)據(jù) ，與實(shí)測(cè)氣溫?cái)?shù)據(jù)進(jìn)行精度驗(yàn)證，結(jié)果如圖8。插值精度驗(yàn)證表明，氣溫插值的方法雖然簡(jiǎn)便易行，但其精度比衛(wèi)星遙感數(shù)據(jù)反演要低，因此本文主要采用衛(wèi)星遙感數(shù)據(jù)監(jiān)測(cè)和評(píng)估水稻高溫?zé)岷Γ性聘采w等數(shù)據(jù)缺測(cè)時(shí)才用氣溫空間插值數(shù)據(jù)補(bǔ)充。

將插值的最高氣溫（平均氣溫）數(shù)據(jù)與對(duì)應(yīng)時(shí)間的衛(wèi)星反演最高氣溫（平均氣溫）數(shù)據(jù)進(jìn)行嵌合，具體方法如下：先根據(jù)MOD35/MYD35云檢測(cè)產(chǎn)品，提取出逐日的云覆蓋區(qū)域和晴空區(qū)域；當(dāng)衛(wèi)星數(shù)據(jù)在晴空區(qū)域且質(zhì)量較高時(shí)，采用衛(wèi)星數(shù)據(jù)，否則采用同一天、同一地理位置的插值數(shù)據(jù)，構(gòu)成衛(wèi)星數(shù)據(jù)和插值數(shù)據(jù)結(jié)合的“衛(wèi)星-插值”氣溫?cái)?shù)據(jù)，后續(xù)的水稻高溫?zé)岷ΡO(jiān)測(cè)將基于“衛(wèi)星-插值”的時(shí)間序列數(shù)據(jù)進(jìn)行。

3.5 水稻種植區(qū)域提取

開展水稻高溫?zé)岷ΡO(jiān)測(cè)，需先對(duì)水稻種植區(qū)域進(jìn)行識(shí)別提取。本文參照了Xiao等[24]的方法進(jìn)行識(shí)別，通過MOD09A1產(chǎn)品的EVI和LSWI的變化特征來提取水稻像元。在水稻移栽期，田塊的植被信息很弱，稻田中灌滿水，此時(shí)的EVI很小，而LSWI較大，當(dāng)某個(gè)像元滿足EVI≤（LSWI+0.05）這一特征時(shí)可能為水稻像元，以此為水稻識(shí)別的第1個(gè)條件；移栽返青后水稻開始快速生長，EVI迅速增大，在移栽期后40 d左右時(shí)間里，EVI值超過EVI最大值的一半，以此為水稻識(shí)別的第2個(gè)條件。同時(shí)，為了保證提取的準(zhǔn)確性，需要對(duì)云、常綠植被、水體進(jìn)行剔除：雖然MOD09A1產(chǎn)品進(jìn)行了最大值（MVC）合成，且經(jīng)過嚴(yán)格的去云處理，但為了降低噪聲的干擾，把MODIS藍(lán)光波段反射率大于等于0.2作為云體進(jìn)行掩膜，將在水稻生長發(fā)育期內(nèi)NDVI值始終大于0.7的像元作為常綠植被進(jìn)行掩膜處理，用MCD12Q1土地分類產(chǎn)品對(duì)水體進(jìn)行掩膜。利用這些條件，結(jié)合農(nóng)業(yè)氣象資料的移栽期數(shù)據(jù)，提取早稻與一季稻的種植區(qū)域（圖9）。

鑒于MODIS數(shù)據(jù)的空間分辨率較低，使用Landsat 8作為對(duì)比數(shù)據(jù)以驗(yàn)證水稻種植區(qū)域提取的精度，對(duì)已預(yù)處理的Landsat8數(shù)據(jù)進(jìn)行最大似然法監(jiān)督分類得到例樣水稻種植區(qū)，找出地理位置對(duì)應(yīng)的MODIS水稻種植提取結(jié)果并進(jìn)行對(duì)照。圖10為其中一組MODIS水稻樣區(qū)水稻提取結(jié)果和landsat8樣區(qū)水稻提取結(jié)果的對(duì)照，綠色代表水稻像元，白色部分為其它像元。從圖10可見，二者盡管在細(xì)節(jié)上有一些區(qū)別，但是總的分布情況是比較接近的，從MODIS樣區(qū)中提取的水稻種植面積為100 400 hm2，Landsat 8樣區(qū)中提取的水稻種植面積為84 740 hm2，相對(duì)偏差為15.6%。

根據(jù)統(tǒng)計(jì)年鑒數(shù)據(jù)，江蘇全省共種植水稻254.47萬hm2；淮安市共種植水稻29.41萬hm2；安徽省早稻和一季稻共種植196.56萬hm2。本文MODIS提取的水稻種植面積為：江蘇省211.22萬hm2；淮安市30.50萬hm2；安徽省203.04萬hm2。相對(duì)偏差分別為17.0%；3.7%；3.3%。3.6 水稻抽穗開花期確定

圖9 江蘇、安徽水稻種植區(qū)提取結(jié)果Fig. 9 Extraction results of rice growing areas in Jiangsu and Anhui Province

圖10 樣區(qū)水稻分布對(duì)比Fig. 10 Comparison of rice distribution in sampling area

目前大多數(shù)研究指出，水稻高溫?zé)岷Φ陌l(fā)生通常在抽穗開花期。楊浩等[25]利用小波分析法重建EVI時(shí)序曲線，并成功的通過時(shí)序特征曲線估計(jì)水稻的關(guān)鍵生育期；王鑫等[26]利用SOPT-NDVI旬合成資料分析了川西平原水稻生育期長勢(shì)與 NDVI 的關(guān)系，結(jié)果表明：水稻各生育期與NDVI有很好的對(duì)應(yīng)關(guān)系；肖江濤[27]利用MODIS 8 d合成衛(wèi)星數(shù)據(jù)成功的監(jiān)測(cè)了江西省水稻的關(guān)鍵生育期。他們利用NDVI、EVI等植被指數(shù)能較好地推斷水稻關(guān)鍵生育期的區(qū)域分布。

根據(jù)他們的研究成果，水稻在抽穗開花期EVI會(huì)達(dá)到整個(gè)生長期的最大值，因此可利用EVI最大值出現(xiàn)的時(shí)間反推水稻抽穗開花期。根據(jù)江蘇、安徽兩省的種植制度和2013年生育期實(shí)測(cè)資料可知，江蘇種植的為一季稻，抽穗開花期主要在8月15日至9月10日之間；安徽以一季稻為主，少數(shù)雙季稻，一季稻的抽穗開花期在8月1日至9月5日之間、早稻在6月20日至7月5日之間，晚稻抽穗開花期則在9月15日之后，由于安徽晚稻很少受到熱害，本文暫不予考慮。利用遙感資料分別對(duì)江蘇、安徽的水稻抽穗開花期進(jìn)行劃定。利用遙感資料反演的抽穗開花期結(jié)果如圖11，利用農(nóng)業(yè)氣象站抽穗開花期的觀測(cè)資料進(jìn)行對(duì)照，水稻抽穗開花期的反演結(jié)果較好。

圖11 江蘇安徽抽穗開花期日序數(shù)提取結(jié)果Fig. 11 The extracted number of flowering date in Jiangsu and Anhui Province

4 結(jié)果與分析

4.1 高溫發(fā)生時(shí)的水稻高溫?zé)岷焖俦O(jiān)測(cè)與評(píng)估

在水稻高溫?zé)岷Πl(fā)生時(shí)進(jìn)行快速監(jiān)測(cè)和評(píng)估，可為決策部門和生產(chǎn)單位提供區(qū)域?qū)崟r(shí)熱害災(zāi)情分布，掌握災(zāi)情利于針對(duì)性地制定防災(zāi)減災(zāi)措施，提高應(yīng)對(duì)效率。模型可以監(jiān)測(cè)并評(píng)估高溫發(fā)生時(shí)處于抽穗開花期的水稻高溫?zé)岷κ芎顩r。例如，2013年8月2日至8月9日，江蘇、安徽出現(xiàn)連續(xù)高溫天氣，針對(duì)這個(gè)持續(xù)的高溫天氣過程，利用模型可快速監(jiān)測(cè)和評(píng)估該時(shí)段內(nèi)處于抽穗開花期的水稻高溫?zé)岷κ芎顩r及其區(qū)域分布。具體方法如下：根據(jù)水稻種植區(qū)域和水稻抽穗開花期遙感資料提取方法，篩選出處于抽穗開花期的水稻分布，根據(jù) “衛(wèi)星-插值”氣溫時(shí)間序列數(shù)據(jù)提取出8月2日-8月9日的最高氣溫時(shí)間序列和平均氣溫時(shí)間序列；再結(jié)合水稻高溫?zé)岷χ笜?biāo)，對(duì)這一時(shí)間段內(nèi)的水稻高溫?zé)岷κ転?zāi)狀況進(jìn)行監(jiān)測(cè)并給出評(píng)估（圖12）。在此期間，共有96.68萬hm2水稻抽穗，其中有1級(jí)熱害面積為25.15萬hm2，2級(jí)熱害為47.37萬hm2，3級(jí)熱害為11.69萬hm2，4級(jí)熱害為0.19萬hm2，處于抽穗開花期但未受災(zāi)的是12.28萬hm2，而非抽穗開花期水稻共316.85萬hm2。

圖12 江蘇、安徽水稻高溫?zé)岷ΡO(jiān)測(cè)評(píng)估結(jié)果（8月2日-8月9日）Fig. 12 Results of rice heat damage monitoring and assessment in Jiangsu and Anhui Province in August 2nd-9th

另外，本文還用模型監(jiān)測(cè)和評(píng)估了江蘇省淮安市2013年8月17日之前連續(xù)12 d高溫天氣過程（始于8月6日），結(jié)果顯示，淮安市8月17日之前的高溫過程共有4.28萬hm2水稻受災(zāi)。對(duì)照單宏業(yè)等[3]對(duì)該高溫天氣過程中水稻高溫?zé)岷κ転?zāi)情況的統(tǒng)計(jì)數(shù)據(jù)（水稻高溫?zé)岷κ転?zāi)面積為3.73萬hm2），本研究結(jié)果稍有偏高。

4.2 江蘇、安徽2013年夏季水稻高溫?zé)岷ΡO(jiān)測(cè)及評(píng)估

圖13 江蘇、安徽2013年水稻抽穗開花期高溫?zé)岷ΡO(jiān)測(cè)評(píng)估結(jié)果Fig. 13 Monitoring and assessment results of high temperature heat damage of flowering rice in Anhui and Jiangsu in 2013

本文模型可對(duì)全研究區(qū)域水稻高溫?zé)岷φw受災(zāi)狀況監(jiān)測(cè)及評(píng)估，可以監(jiān)測(cè)研究區(qū)域內(nèi)不同抽穗期的所有水稻的受災(zāi)狀況，并把不同抽穗期的受災(zāi)狀況匯集到一幅圖中。方法如下：首先基于提取的水稻種植區(qū)域和水稻抽穗開花期數(shù)據(jù)，依據(jù)不同地點(diǎn)不同抽穗開花期時(shí)段，選擇與當(dāng)?shù)爻樗腴_花期相對(duì)應(yīng)的“衛(wèi)星-插值”氣溫時(shí)間序列數(shù)據(jù)，再依據(jù)水稻高溫?zé)岷χ笜?biāo)對(duì)水稻熱害進(jìn)行判別，得到部分區(qū)域水稻熱害監(jiān)測(cè)評(píng)估結(jié)果。當(dāng)將所有進(jìn)入水稻抽穗開花期時(shí)段的對(duì)應(yīng)區(qū)域全部進(jìn)行監(jiān)測(cè)和評(píng)估后，就可以生成整個(gè)研究區(qū)水稻高溫?zé)岷C合監(jiān)測(cè)及評(píng)估圖。圖13為江蘇、安徽2013年夏季水稻抽穗開花期高溫?zé)岷ΡO(jiān)測(cè)及評(píng)估結(jié)果，圖中顯示：受到1級(jí)熱害面積有61.12萬hm2，2級(jí)有108.22萬hm2，3級(jí)有69.43萬hm2，4級(jí)有19.28萬hm2，未受災(zāi)的有155.48萬hm2。

根據(jù)安徽省農(nóng)業(yè)委員會(huì)的調(diào)查材料，2013年安徽全省共有120.00萬hm2水稻受到高溫?zé)岷Γ灸Ｐ偷玫降慕Y(jié)果為安徽省受高溫危害的水稻面積是136.86萬hm2，相對(duì)偏差為14.1%。

5 結(jié)論

本文基于衛(wèi)星遙感和氣象站點(diǎn)數(shù)據(jù)，結(jié)合水稻高溫?zé)岷χ笜?biāo)建立了水稻高溫?zé)岷ΡO(jiān)測(cè)與評(píng)估模型，并以江蘇、安徽兩省為研究區(qū)，展示了模型的應(yīng)用，并對(duì)模型的精度進(jìn)行了簡(jiǎn)單的驗(yàn)證。利用本模型，可以實(shí)現(xiàn)快速監(jiān)測(cè)和評(píng)估任一時(shí)間點(diǎn)前一段時(shí)間內(nèi)的水稻高溫?zé)岷κ転?zāi)情況，還可以得到研究區(qū)水稻生育階段高溫?zé)岷κ転?zāi)的綜合狀況，可用于相關(guān)部門及時(shí)了解和掌握水稻高溫?zé)岷κ転?zāi)狀況，以便進(jìn)一步采取相關(guān)措施實(shí)現(xiàn)水稻高溫?zé)岷Φ姆罏?zāi)減災(zāi)。

基于衛(wèi)星遙感結(jié)合地面常規(guī)氣象站數(shù)據(jù)對(duì)水稻高溫?zé)岷﹂_展實(shí)時(shí)監(jiān)測(cè)的方法，有諸多優(yōu)勢(shì)。與單一的采用衛(wèi)星數(shù)據(jù)來監(jiān)測(cè)水稻高溫?zé)岷ο啾龋狙芯繌浹a(bǔ)了由于云覆蓋導(dǎo)致的數(shù)據(jù)缺測(cè)，提高了整個(gè)空間上進(jìn)行監(jiān)測(cè)的可行性；與單一的采用地面常規(guī)氣象站數(shù)據(jù)相比，利用衛(wèi)星遙感數(shù)據(jù)可以提供較好的空間異質(zhì)性，提高了空間區(qū)域上的氣溫反演準(zhǔn)確性，并且，利用衛(wèi)星遙感數(shù)據(jù)可對(duì)水稻種植區(qū)域和水稻的發(fā)育進(jìn)程進(jìn)行了提取和判斷，對(duì)水稻高溫?zé)岷Φ陌l(fā)生發(fā)展的監(jiān)測(cè)和評(píng)估更直觀和更具針對(duì)性，這也是只采用地面常規(guī)氣象站數(shù)據(jù)所不能做到的。MODIS數(shù)據(jù)有較高的時(shí)間分辨率，且其免費(fèi)易獲取及有系列產(chǎn)品的特點(diǎn)，可極大地降低日后長期監(jiān)測(cè)的成本。

6 討論

水稻的高溫?zé)岷κ且粋€(gè)復(fù)雜的過程，受到生長環(huán)境（主要是高溫）的影響，也受到水稻植株自身?xiàng)l件的制約，本文僅選取高溫最敏感的時(shí)期——抽穗開花期進(jìn)行研究，而不少研究指出，在其它發(fā)育階段，比如幼穗分化期、灌漿期也會(huì)受到高溫的危害[4-6]，且當(dāng)?shù)氐墓喔葪l件、水稻品種和施肥狀況等也影響著高溫?zé)岷Φ氖転?zāi)程度。MODIS數(shù)據(jù)的空間分辨率制約著模型的精度，在田塊破碎和丘陵地帶極易產(chǎn)生混合像元，降低了水稻種植區(qū)域的識(shí)別精度和反演溫度的精度。文中采用的8 d合成數(shù)據(jù)產(chǎn)品，產(chǎn)品生成時(shí)執(zhí)行最大值合成算法和嚴(yán)格的去云處理，雖然便于后續(xù)的數(shù)據(jù)處理，但8 d的時(shí)間分辨率降低了抽穗開花期分布的識(shí)別精度。MODIS氣溫反演目前還沒有簡(jiǎn)便易操作、所需數(shù)據(jù)少、精度高的算法。本研究中，作者對(duì)多種氣溫反演算法加以比對(duì)選取，發(fā)現(xiàn)精度相差不大，限于篇幅，本文沒有加以列出，氣溫反演的精度也降低了模型的準(zhǔn)確性。

隨著遙感技術(shù)的不斷發(fā)展，在保證高空間分辨率的同時(shí)，時(shí)間分辨率也在逐步提高，同時(shí)，眾多的專家學(xué)者對(duì)模型中應(yīng)用到的各種算法也在不斷開發(fā)和完善。這樣，只須將開發(fā)的更成熟、穩(wěn)定、精度良好的算法模塊代入到模型中，即可提高模型的準(zhǔn)確性。同時(shí)，作者將考慮更多因素加入模型算法，加強(qiáng)模型的完整性，進(jìn)一步提高模型的精度。

[1] 楊太明, 陳金華. 江淮之間夏季高溫?zé)岷?duì)水稻生長的影響[J].安徽農(nóng)業(yè)科學(xué), 2007, 35(27): 8530-8531. Yang T M, Chen J H. Effects of hot disaster of high temperature in summer on rice growth in central Anhui[J]. Journal of Anhui Agricultural Sciences , 2007, 35(27): 8530-8531.

[2] 王前和, 潘俊輝, 李晏斌, 等. 武漢地區(qū)中稻大面積空殼形成的原因及防止途徑[J]. 湖北農(nóng)業(yè)科學(xué), 2004(1): 27-30. Wang Q H, Pan J H, Li Y B, et al. The reasons and ways of preventing the Wuhan area a large area of rice shell formation[J]. Hubei Agricultural Sciences, 2004(1): 27-30.

[3] 單宏業(yè), 黃在進(jìn), 王金城. 2013年淮安市水稻中后期高溫?zé)岷φ{(diào)查分析[J]. 現(xiàn)代農(nóng)業(yè)科技, 2014(6): 93-93. Shan H Y, Huang Z J, Wang J C. The investigation and analysis of heat at high temperature in Huaian City in 2013 in late rice[J]. Modern Agricultural Technology, 2014(6): 93-93.

[4] 駱宗強(qiáng), 石春林, 江敏, 等. 孕穗期高溫對(duì)水稻物質(zhì)分配及產(chǎn)量結(jié)構(gòu)的影響[J]. 中國農(nóng)業(yè)氣象, 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.

[5] 鄭建初, 張彬, 陳留根, 等. 抽穗開花期高溫對(duì)水稻產(chǎn)量構(gòu)成要素和稻米品質(zhì)的影響及其基因型差異[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2005, 21(4): 249-254. Zheng J C, Zhang B, Chen L G, et al. Genotypic differences ineffects of high air temperature in field on rice yield components and grain quality during heading stage[J]. Jiangsu Journal of Agricultural Sciences, 2005, 21(4): 249-254.

[6] 丁四兵, 朱碧巖, 吳冬云, 等. 溫光對(duì)水稻抽穗后劍葉衰老和籽粒灌漿的影響[J]. 華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2004(1): 117-121, 128. Ding S B, Zhu B Y, Wu D Y, et al. Effect of temperature and light on senescence of flag leaf and grain - filling after rice heading[J]. Journal of South China Normal University (Natural Science Edition), 2004(1): 117-121, 128.

[7] 陳暢. 水稻生殖生長期不同時(shí)段高溫對(duì)產(chǎn)量和稻米品質(zhì)影響的研究[D]. 武漢: 華中農(nóng)業(yè)大學(xué), 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.

[8] 褚榮浩, 申雙和, 李萌, 等. 安徽省中季稻生育期高溫?zé)岷Πl(fā)生規(guī)律分析[J]. 中國農(nóng)業(yè)氣象, 2015(4): 506-512. Chu R H, Shen S H, Li M, et al. Regularity of heat injury during whole growth season of middle rice in Anhui Province[J]. Chinese Journal of Agrometeorology, 2015(4): 506-512.

[9] 包云軒, 劉維, 高蘋, 等. 基于兩種指標(biāo)的江蘇省水稻高溫?zé)岷Πl(fā)生規(guī)律的研究[C]. 2011年第二十八屆中國氣象學(xué)會(huì)年會(huì). 2011. Bao Y X, Liu W, Gao P, et al. Study on the occurrence regularity of high temperature heat damage of rice in Jiangsu Province based on two indexes[C]. The Twenty-eighth Annual Meeting of the Chinese Meteorological Society in 2011, 2011.

[10] 楊炳玉, 申雙和, 陶蘇林, 等. 江西省水稻高溫?zé)岷Πl(fā)生規(guī)律研究[J]. 中國農(nóng)業(yè)氣象, 2012, 33(4): 615-622. Yang B Y, Shen S H, Tao S L, et al. Spatial and temporal pattern of rice heat injury in Jiangxi[J]. Chinese Journal of Agrometeorology, 2012, 33 (4) : 615-622.

[11] 楊舒暢, 申雙和, 陶蘇林. 長江中下游地區(qū)一季稻高溫?zé)岷r(shí)空變化及其風(fēng)險(xiǎn)評(píng)估[J]. 自然災(zāi)害學(xué)報(bào), 2016, 25(2): 78-85. Yang S C, Shen S H, Tao S L. Spatiotemporal variation and risk assessment of single-harvest rice heat injury along the middle and lower reaches of Yangtze River[J]. Journal of Natural Disasters, 2016, 25(2): 78-85.

[12] 張佳華, 姚鳳梅, 李秉柏, 等. 星-地光學(xué)遙感信息監(jiān)測(cè)水稻高溫?zé)岷ρ芯窟M(jìn)展[J]. 中國科學(xué): 地球科學(xué), 2011, 41(10): 1396-1406. Zhang J H, Yao F M, Li B B, et al. Progress in monitoring hightemperature damage to rice through satellite and ground-based optical remote sensing[J]. Scientia Sinica Terrae, 2011, 41(10): 1396-1406.

[13] Deering D W. Rangeland reflectance characteristics measured by aircraft and spacecraft sensors[D]. College Station, Texas A and M University, 1978.

[14] Liu H Q, Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience & Remote Sensing, 1995, 33(2): 457-465.

[15] Xiao X M, Boles S, Liu J Y, et al. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 VEGETATION sensor data[J]. Remote Sensing of Environment, 2002, 82(2): 335-348.

[16] Lin S P, Moore N J, Messina J P, et al. Evaluation of estimating daily maximum and minimum air temperature with MODIS data in east Africa[J]. International Journal of Applied Earth Observation & Geoinformation, 2012, 18(1): 128-140.

[17] Shah D B, Pandya M R, Trivedi H J, et al. Estimating minimum and maximum air temperature using MODIS data over Indo-Gangetic Plain[J]. Journal of Earth System Science, 2013, 122(6): 1593-1605.

[18] Xu Y M, Qin Z H, Shen Y. Study on the estimation of near-surface air temperature from MODIS data by statistical methods[J]. International Journal of Remote Sensing, 2012, 33(24): 7629-7643.

[19] Zhu W B, Lü A F, Jia S F. Estimation of daily maximum and minimum air temperature using MODIS land surface temperature products[J]. Remote Sensing of Environment, 2013, 130(3): 62-73.

[20] Prihodko L, Goward S N. Estimation of air temperature from remotely sensed surface observations[J]. Remote Sensing of Environment, 1997, 60(3): 335-346.

[21] Riddering J P, Queen L P. Estimating near-surface air temperature with NOAA AVHRR[J]. Canadian Journal of Remote Sensing, 2006, 32(1): 33-43.

[22] 齊述華, 王軍邦, 張慶員, 等. 利用MODIS遙感影像獲取近地層氣溫的方法研究[J]. 遙感學(xué)報(bào), 2005, 9(5): 570-575. Qi S H, Wang J B, Zhang Q Y, et al. Study on the estimation of air temperature from MODIS data[J]. Journal of Remote Sensing, 2005, 9(5): 570-575.

[23] Huang R, Zhang C, Huang J X, 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.

[24] 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.

[25] 楊浩, 黃文江, 王紀(jì)華, 等. 基于HJ-1A/1B CCD時(shí)間序列影像的水稻生育期監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(4): 219-224. Yang H, Huang W J, Wang J H, et al. Monitoring rice growth stages based on time series HJ-1A/1B CCD images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(4): 219-224.

[26] 王鑫, 馮建東, 王銳婷, 等. 基于SPOT-NDVI的川西平原水稻生育期監(jiān)測(cè)分析[J]. 中國農(nóng)學(xué)通報(bào), 2013, 29(36): 39-46. Wang X, Feng J D, Wang R T, et al. The monitoring analysis of paddy rice growing periods in the western Sichuan Plain based on SPOT-NDVI[J]. Chinese Agricultural Science Bulletin, 2013, 29(36): 39-46.

[27] 肖江濤. 基于MODIS植被指數(shù)的水稻物候提取與地面驗(yàn)證[D]. 成都: 電子科技大學(xué), 2011. Xiao J T. Extraction and validation of rice phenology based on MODIS vegetation index[D]. Chengdu: University of Electronic Science and Technology of China, 2011.

（責(zé)任編輯：王育花）

Research on monitoring and modeling of rice heat injury based on satellite and meteorological station data: Case study of Jiangsu and Anhui

GUO Jian-mao, WANG Jin-jie, WU Yue, XIE Xiao-yan, SHEN Shuang-he
（1. Nanjing University of Information Science & Technology, a. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, b. Jiangsu Key Laboratory of Agricultural Meteorology, c. College of Applied Meteorology, Nanjing, Jiangsu 210044, China）

With warming climate, heat injury strikes rice more frequently. There is few research on heat injury realtime monitor and assessment, which is urgent and valuable in rice production. Thus, based on previous research achievement, this research focused on the monitoring and assessment of heat injury. First, we analyzed satellite remote data to get the daily mean air temperature and maximum air temperature (the cloudy regions’ data was replaced by site temperature data interpolation), which was used to generate the ‘satellite-interpolation’ time series data. Then, based on the laws of vegetation index development, we acquired the data of rice region. After that, we determined if these region’s rice was in the forescence. At last, based on these data, we monitored and assessed the heat injury through the heat injury index, and obtained the injury grade and range. This model can be used to monitor and access the high temperature heat damage on rice at any time point, and can also give the results of the monitoring and evaluation of the overall heat damage during the whole growth period of rice. This model achieved satisfactory results in the experiments in Jiangsu and Anhui and proved the practice value of the model.

rice; heat injury; MODIS; monitoring and assessment; model

GUO Jian-mao, E-mail: 001878@nuist.edu.cn.

S127

A

1000-0275（2017）02-0298-09

10.13872/j.1000-0275.2017.0012

郭建茂, 王錦杰, 吳越, 謝曉燕, 申雙和. 基于衛(wèi)星遙感與氣象站數(shù)據(jù)的水稻高溫?zé)岷ΡO(jiān)測(cè)和評(píng)估模型研究——以江蘇、安徽為例[J]. 農(nóng)業(yè)現(xiàn)代化研究, 2017, 38(2): 298-306.

Guo J M, Wang J J, Wu Y, Xie X Y, Shen S H. Research on monitoring and modeling of rice heat injury based on satellite and meteorological station data: Case study of Jiangsu and Anhui[J]. Research of Agricultural Modernization, 2017, 38(2): 298-306.

公益性行業(yè)（氣象）科研專項(xiàng)（GYHY201506018）；江蘇省重點(diǎn)研發(fā)計(jì)劃（現(xiàn)代農(nóng)業(yè)）項(xiàng)目（BE2015365）；中國氣象局預(yù)報(bào)預(yù)測(cè)核心業(yè)務(wù)發(fā)展專項(xiàng)（CMAHX20160311）。

郭建茂（1968-），男，山西太谷人，副教授，博士，主要從事農(nóng)業(yè)遙感和作物生長模擬研究，E-mail：001878@nuist.edu.cn。

2016-09-21，接受日期：2017-01-04

Foundation item: Special Research Fund for Meteorology in the Public Interest of China (GYHY201506018); Jiangsu Province Key Research and Development Plan (Modern Agriculture) Project (BE2015365); China Meteorological Administration Forecast Core Business Development Project (CMAHX20160311).

Received 21 September, 2016; Accepted 4 January, 2017