基于MODIS數據的黃淮海夏玉米高溫風險空間分布

劉 哲，汪雪瀅，劉帝佑，昝糈莉，趙祖亮，李紹明，張曉東

（中國農業大學信息與電氣工程學院，北京 100083）

0 引 言

玉米是三大谷物之一，在中國分布廣泛[1]。玉米是喜溫作物，在生產過程中，溫度是重要的氣象因子。適宜的環境溫度是玉米高產所必需的先決條件之一，溫度過高會對玉米的生長發育造成嚴重影響[2-3]。中國近50 a來年平均地表變暖幅度為1.1 ℃[4]。隨著全球氣候變暖的加劇，近年來極端天氣與氣候事件發生的頻率增大[5-8]。在2013年罕見的夏季持續高溫嚴重影響了夏玉米的產量[9-10]。因此，玉米高溫熱害檢測與監測已成為農業生產管理的一項重要內容。

在同一地區，每天的溫度都有一定的變化規律，日最高溫在一天內出現的準確時間也隨季節而變化，但變化不大[11]。當前，學者們多是使用氣象站點的氣溫觀測數據進行高溫熱害研究。劉哲等[12]使用氣象插值數據，結合日高溫時長概率分布函數計算黃淮海各縣區玉米花期出現高溫熱害風險的概率和空間分布規律。由于地形復雜等因素，氣象站點分布并不均勻，且氣象站點獲取的溫度數據為距離地面1.5 m、遮蔭的點源大氣溫度。為獲取各地非氣象站點的溫度信息數據，通常使用插值算法計算獲取，而插值精度難以保證。遙感測溫技術填補了氣象站測溫的不足[13]，其技術優勢在于實時、大面積、全覆蓋地表，數據有相對較高的可信度。

遙感測溫技術以獲取地表溫度為主，如果有植物覆蓋地面，則獲取植物冠層溫度。以往試驗數據表明，氣象站點所測氣溫與 MODIS LST反演的溫度有密切的相關關系[14-17]。歐陽斌等[14]對青藏高原地區晝夜的MODIS LST數據進行分段擬合，使用Sin-linear算法進行擬合得到日平均地表溫度(Tf)，與氣象日均溫（Ta）比較，決定系數 R2超過 0.9。袁敏等[15]利用 MOD11A1產品在新疆局部地區生長季建立遙感溫度與氣象日最高溫的線性回歸模型，R2為 0.92。Zhu等[16]的研究結果表明每日的最高和最低氣溫都可以通過植被指數法從 MODIS陸地表面產品中獲取。閔文彬等[17]發現遙感反演地表溫度與氣象站提供的氣溫（Ta）和地溫（Ts）比較，相關系數并不高，分別為0.834和0.854。而Ts-LST與Ts-Ta卻存在既顯著又穩定的線性相關關系。

目前在涉農領域遙感監測中，遙感溫度數據主要有以下用途：利用MODIS不同波段反演的地表作物分布和地表溫度分布，建立干旱監測模型從而判斷農業旱情和災情的動態變化[18-20]；利用熱紅外遙感數據反演的地表溫度，可用于計算農作物生長期的累積溫度及天數、預測開花期和成熟期、監測病蟲害，檢測和評估旱情等多個方面[21-23]；利用MODIS LST產品估算田間日平均溫度與地表溫度，可用于指導農作物的適時播種[24]。

本文主要是探索使用 MYD11A1產品數據替代通過插值得到的面狀氣象日最高氣溫數據的可行性。氣象學研究表明，日最高溫出現的時間大致在14：00時左右，溫度高峰時間前后0.5 h內溫度會有0.5 ℃左右的下降[11]。因此遙感數據選擇與日氣象最高溫時間相近的MYD11A1（白天 13:30過境）數據。 在此基礎上，對MYD11A1數據使用移動窗口算法獲取黃淮海夏玉米種植區的高溫風險空間分布，并結合高程及水體分布等地理環境因素分析該種風險形成的原因。研究中使用2011?2014年7、8月的數據，該時間段正處于夏玉米的花期階段[25]。本文對氣象站點日最高溫數據與其所在像元的 MYD11A1遙感溫度產品數據建立線性回歸模型進行相關性研究，通過決定系數和均方根誤差[26-27]分析2種數據之間的相關程度。在沒有其他數據依托的情況下，使用遙感溫度數據對黃淮海夏玉米區的高溫風險空間分布進行提取。

1 研究區概況

本文以黃淮海夏播玉米種植區為研究區域，包括山東、河南 2省全部區域，北京、天津大部分區域以及江蘇、安徽2省的北部區域。該區域四季分明、雨熱同期，屬半濕潤暖溫帶灌溉集約農作區。全年≥10 ℃的積溫約3 600～4 900 ℃，年降水量約500～950 mm[10,12,28]，無霜期 170～220 d，降雨量相對豐富。研究區大部分為平原地區，但該區域夏季降雨量占全年的 70%以上，降雨過分集中，氣溫高、蒸發量大。

2 材料與方法

2.1 數據來源與數據預處理

2.1.1 數據來源

1）溫度數據：氣象站點溫度數據來源于中國氣象局與中國氣象科學數據共享服務網提供的國家級氣象站點地面氣候資料日值數據集[29]，本文中選用的氣象溫度均為該數據集中2011?2014年7?8月的日最高氣象溫度（以下簡稱為氣象日最高溫）。

近日，昆明首屆精品咖啡文化節在昆明市中心文化街區南強街巷拉開帷幕，活動期間展出的曼老江咖啡豆，堪稱咖啡豆屆的大網紅，曾于2018年8月，被著名美食專欄作家Florence Fabricant推薦登載上紐約時報。

MODIS LST產品數據下載自 Land Processes Distributed Active Archive Center（LP DAAC）網站[30]，本文中使用 2011?2014年 7?8月搭載在 Aqua衛星上的L3級地表溫度產品 MYD11A1，該數據使用熱紅外波段31（10.78～11.28 μm）與熱紅外波段 32（11.77～12.27 μm）通過分裂窗算法計算得到[31]。其時間分辨率為1 d，空間分辨率為1 km。本文選用該數據集中白天13:30過境的遙感反演地表溫度數據（以下簡稱為遙感溫度）。

根據MODIS中國區域行列號的分布標示圖（圖1），選取行列號h26v04、h26v05、h27v05、h28v05的遙感影像，可以覆蓋全部黃淮海夏播玉米區。

2）高程數據和水體分布數據等：來源于國家基礎地理信息系統網[32]。

2.1.2 數據預處理

將每日的4幅（h26v04、h26v05、h27v05和h28v05）遙感影像進行拼接處理[33]。然后使用ArcMap軟件的投影工具將影像數據坐標轉換為 WGS-84坐標系[34]。由于遙感測溫數據以像元亮溫指數作為顯示數據。因此需將像元亮溫指數轉換為對應地表的攝氏溫度數據[31]

式中LSTAD為像元覆蓋地表單元的攝氏溫度，℃；T為像元亮溫指數，K；“0.02”為像元亮溫指數轉換為絕對溫度的比例系數[31]。

圖1 MODIS中國區域行列號設置標示Fig.1 MODIS sinusoidal tile grid of China

最后使用ArcMap軟件空間分析中的提取工具，將氣象站點所在像元的遙感溫度數值提取出來，并記錄到輸出要素類的屬性表中，用于后續計算。

2.2 氣象日最高溫與遙感溫度的建模方法

式中Tmax為氣象日最高溫，℃；LSTAD為遙感溫度，℃；a和b分別為回歸系數。本文以黃淮海區的遙感溫度數據為基準，逐個獲取對應的氣象日最高溫。將 2011?2014年共4 a 7?8月的遙感溫度數據升序進行排列，每間隔4組數據選出一組數據作為預測集，其余數據作為訓練集。訓練集數據為2 364組，預測集數據為591組。然后利用訓練集中遙感溫度數據與對應氣象日最高溫數據采用線性回歸的方法構建氣象日最高溫的遙感反演模型。對構建的模型利用 591組預測集數據進行檢驗，建模精度采用預測值和氣象日最高溫實際值的決定系數R2和均方根誤差（root mean squares error, RMSE）[36-37]來評價。同時對氣象日最高溫數據和遙感溫度數據通過 SPSS軟件進行顯著性檢驗，進一步探索2種溫度數據間的相關性。

式中Tmobs,i是氣象站點在日期i的氣象日最高溫，℃；Tmpre,i是通過回歸方程計算得到的日期i的預測溫度，℃；n是數據個數。

2.3 高溫風險空間分布的獲取方法

遙感圖像處理的移動窗口算法[38]可以實現影像數據中心像元與周圍像元差值的計算。在遙感數字影像像元陣列中，從陣列的左上角開始，提取一個q×m個（q，m均為奇數）像元的矩形區域數據，該矩陣的中心即為移動窗口的中心像元。統計中心像元與周圍像元的差值，將差值記錄在新生成的數據陣列相應位置上。然后將移動窗口右移一個像元，繼續重復以上操作，直到整個影像數據處理完成為止。

用中心像元與周圍像元平均值的差作為數據評價標準（LSTAD-LSTADave），這種統計計算方法可以反映中心像元相對周圍像元平均環境的差異。本文使用遙感溫度數據進行計算，如圖 2所示，先計算不同尺度范圍內除中心像元值外均值（LSTADave），再用中心像元值（LSTAD）與該均值相減，得到評價中心像元與周圍像元差異的指標（LSTAD-LSTADave）；為反映村、鄉、縣尺度下提取結果，本文分別設置 3×3、11×11、51×51共 3個尺度的遙感影像窗口進行分析。

圖2 移動窗口均值算法示意圖Fig.2 Mobile window mean algorithm diagram

玉米在花期階段對溫度的敏感程度高[2]，一般認為當溫度高于32～35 ℃時[12]，玉米將遭受高溫熱害脅迫，出現授粉困難，甚至高溫殺雄等現象。以年為單位計算每年 7?8月 LSTAD-LSTADave的均值，同時使用遙感溫度計算每個像元 7?8月的遙感溫度均值，將遙感溫度均值≥34 ℃且 LSTAD-LSTADave均值≥3 ℃的像元視為存在高溫風險。最后疊加高程數據和水體的空間分布，分析高溫風險空間分布的主要成因，并比較4 a間高溫風險的空間分布變化情況。

3 結果與分析

3.1 遙感溫度與氣象日最高溫度模型及驗證

圖3為使用線性回歸對2011?2014年7?8月遙感溫度與氣象日最高溫建模與驗證的散點圖，訓練集中R2為0.51，RMSE為2.5 ℃，P＜0.001。預測集中的觀測值與預測值整體呈現較好的線性關系，R2為 0.49，RMSE為2.49 ℃，P＜0.001。說明黃淮海地區7?8月遙感溫度和氣象日高溫之間存在顯著的正相關性。

3.2 高溫風險的空間分布

圖4為2014年7?8月的LSTAD- LSTADave在不同窗口尺度下的空間分布，結果顯示移動窗口尺度越大 LSTADLSTADave統計值變化范圍越大，差異越明顯，但其差異的空間分布基本相同。因此本文選取 51×51窗口下的LSTAD-LSTADave值進行高溫風險空間分布研究，結果如圖5所示。

圖3 2011?2014年7?8月遙感溫度和氣象日最高溫建模與驗證Fig.3 Modeling and verification between LST data and meteorological highest temperature data from July to August during 2011-2014

圖 4 2014年7?8月LSTAD-LSTAdave在3種尺度下的空間分布Fig.4 Spatial distribution of difference between central point temperature (LSTAD) and average temperature of surrounding points (LSTADave) based on three scales window function from July to August in 2014

從圖5中可看出高溫風險主要分布在北京中部、天津中東部、河南西部、山東中部以及陜西中西部地區，并且出現頻率較大。

圖5 2011?2014年黃淮海地區7?8月高溫風險空間分布Fig.5 Spatial distribution of high temperature risk in Huang-Huai-Hai Plain from July to August during 2011-2014

經過數據整理計算，7?8月份黃淮海夏玉米種植區2011年遙感溫度均值為 30.98 ℃，高溫風險主要分布在北京中部、天津中東部、山東中部、河南西北部和陜西中西部[39]；2012年遙感溫度均值為 30.89 ℃，高溫風險主要分布在北京中部、天津中東部、山東中部、河南西北部、陜西中西部[40]；2013年遙感溫度均值為 32.17 ℃，高溫風險主要分布在北京中部、天津中東部、山東中部、河南西部陜西中西部[41]；2014年遙感溫度均值為 32.64 ℃，高溫風險主要分布在北京中部、天津中東部、河北西部、山東中部、河南中西部以及陜西中西部[42]。結合高程與水體分布分析高溫風險的分布特點，發現陜西中西部地區出現高溫風險頻率較高且范圍較大，該地區正處于秦嶺山脈地區，由于海拔升高造成溫度降低，因此山谷地區易出現異常高溫；其次，北京中部和天津中東部地區的出現頻率也較大，該地區主要位于北京和天津城區，城市建筑用地以及汽車尾氣排放等原因都會形成異常高溫，因此城市周邊易出現高溫風險；在山東省南部的微山湖附近高溫風險出現的頻率較低。

4 討 論

本文計算氣象日最高溫與遙感溫度 2種數據的決定系數R2和均方根誤差RMSE低于其他研究[14-15]的測試結果，但Huang等[43]在基于季節性對LST數據與氣象日均溫進行線性回歸分析時，也同樣發現夏季 LSTAD與氣象日均溫的R2和RMSE并不高，R2為0.25，RMSE為2.6 ℃。決定系數較低原因可能主要有3點：1）每年7?8月是黃淮海的雨季，極端天氣較多。即使MODIS LST產品采取了“去云”技術措施，但是誤差仍然存在。2）氣象站點多數設置在城鎮附近，周邊鄰近用地情況復雜，1 km分辨率像元中混合像元較多，特別是城鎮熱島效應的影響不容忽視。這些原因加大了遙感溫度和氣象日最高溫之間的偏差。3）本文的研究區域范圍較大，包含了多種地形地貌，以及不同的氣候帶，因此也對R2和RMSE的計算造成了較大的影響。后期在研究中，可進一步結合耕地調查數據進行分析研究，避免城市與海拔等復雜因素的影響，提高數據精度。

本文使用遙感溫度獲取黃淮海夏玉米種植區花期的高溫風險空間分布，并不是要重點研究高溫實際所帶來的熱害影響，而是通過遙感數據與氣象日最高溫度間正相關的變化趨勢獲取可能存在高溫風險的區域分布，從而避免熱害的發生。因此本文提出使用線性回歸的方式去研究遙感溫度與氣象日最高溫間是否存在線性相關性，同時通過顯著性檢驗的方式論證 2種數據是否顯著相關。在結合多種相關性分析方法的前提下，本文認為即使兩種數據的決定系數R2不高，但也足以說明兩種數據間存在密切的相關性，因此使用遙感溫度數據代替氣象日最高溫插值數據[13]來獲取高溫風險的空間分布是可行的。

本文使用移動窗口算法所獲取的高溫風險的空間分布在年際間變化不明顯，趨于穩定。且高溫風險主要集中分布在北京、天津、河南西部和陜西中西部等地區。這些地區形成這種現象的原因都和其特殊的地理位置密切相關。其中，山脈和居民聚居區對其影響明顯，是形成高溫風險的主要原因。水體所在像元溫度普遍低于周圍地區，但在水體周邊沒有發現高溫風險，說明水體對于周邊環境起到了高溫調節作用。

5 結 論

1）氣象日最高溫與遙感溫度間模型的決定系數 R2為0.51（P＜0.001），表示兩種數據存在顯著的正相關性。結果表明可以使用MYD11A1溫度產品中13:30過境的遙感溫度獲取黃淮海地區夏玉米花期的高溫風險空間分布。

2）通過使用滑動窗口的方法，發現黃淮海夏玉米區的高溫風險主要分布在秦嶺山區北部以及各大城鎮、村莊的周邊地區。但在水體周圍未發現高溫風險，說明水體對高溫風險有調節作用。

3）由于高溫天氣一般出現在晴天，因此使用MYD11A1溫度產品可以發現歷史和近實時的高溫風險分布，為相關農業生產管理提供數據支撐和方法參考。

[參 考 文 獻]

[1] 楊紅旗，路鳳銀，郝仰坤，等.中國玉米產業現狀與發展問題探討[J].中國農學通報，2011，27(6)：368－373.Yang Hongqi, Lu Fengyin, Hao Yangkun, et al. Situation analysis and development strategy of maize industry in China[J]. Chinese Agricultural Science Bulletin, 2011, 27(6):368－373. (in Chinese with English abstract)

[2] 王文彬，楊力，李長亞，等.高溫熱害對夏玉米生產的影響[J].大麥與谷類科學，2014(2)：8－9.

[3] 陳朝輝，王安樂，王嬌娟，等.高溫對玉米生產的危害及防御措施[J].作物雜志，2008(4)：90－92.Chen Zhaohui, Wang Anle, Wang Jiaojuan, et al. Influence of high temperature on growth and development of maize[J].Crops, 2008(4): 90－92. (in Chinese with English abstract)

[4] 任國玉，郭軍，徐銘志，等.近 50年中國地面氣候變化基本特征[J].氣象學報，2005(6)：942－956.Ren Guoyu, Guo Jun, Xu Mingzhi, et al. Climate changes of China’s mainland over the past half century[J]. Acta Meteorologica Sinica, 2005(6): 942－956. (in Chinese with English abstract)

[5] 陳群，耿婷，侯雯嘉，等.近 20年東北氣候變暖對春玉米生長發育及產量的影響[J].中國農業科學，2014，47(10)：1904－1916.Chen Qun, Geng Ting, Hou Wenjia, et al. Impact of climate warming on growth and yield of spring maize in recent 20 years in northeast China[J]. Scientia Agricultura Sinica, 2014,47(10): 1904－1916. (in Chinese with English abstract)

[6] 董秋婷，李茂松，劉江，等.近 50年東北地區春玉米干旱的時空演變特征[J].自然災害學報，2011(4)：52－59.Dong Qiuting, Li Maosong, Liu Jiang, et al. Spatio-temporal evolution charateristics of drought of spring maize in northeast China in recent 50 years[J]. Journal of Natural Disasters,2011(4): 52－59. (in Chinese with English abstract)

[7] 李德，孫義，孫有豐.淮北平原夏玉米花期高溫熱害綜合氣候指標研究[J].中國生態農業學報，2015，23(8)：1035－1044.Li De, Sun Yi, Sun Youfeng. Use of integrated climatic index to determine high temperature damage to summer maize at florescence in the Huaibei Plain[J]. Chinese Journal of Eco-Agriculture, 2005, 23 (8): 1035－1044. (in Chinese with English abstract)

[8] 陸偉婷，于歡，曹勝男，等.近 20年黃淮海地區氣候變暖對夏玉米生育進程及產量的影響[J].中國農業科學，2015，48(16)：3132－3145.Lu Weiting, Yu Huan, Cao Shengnan, et al. Effects of climate warming on growth process and yield of summer maize in Huang-Huai-Hai plain in last 20 years[J]. Scientia Agricultura Sinica, 2015, 48(16): 3132－3145. (in Chinese with English abstract)

[9] 徐玲玲，呂厚荃，方利.氣候變化對黃淮海地區夏玉米氣候適宜度的影響[J].資源科學，2014，36(4)：782－787.Xu Lingling, Lv Houquan, Fang Li. Effects of climate change on the climate suitability of summer maize on the Huang-Huai-Hai plain[J]. Resources Science, 2014, 36(4): 782－787.(in Chinese with English abstract)

[10] 周進寶，楊國航，孫世賢，等.黃淮海夏播玉米區玉米生產現狀和發展趨勢[J].作物雜志，2008(2)：4－7.Zhou Jinbao, Yang Guohang, Sun Shixian, et al. Current situation and prospect of maize production in the Huang-Huai-Hai summer maize region[J]. Crops, 2008(2): 4－7. (in Chinese with English abstract)

[11] 任爽，鄧明，李莉.開平市日極值氣溫出現時間分析[J].廣東氣象，2011，33(4)：35－36.

[12] 劉哲，喬紅興，趙祖亮，等.黃淮海夏播玉米花期高溫熱害空間分布規律研究[J].農業機械學報，2015，46(7)：272－279.Liu Zhe, Qiao Hongxing, Zhao Zuliang, et al. Spatial distribution of high temperature stress at corn flowering stage in Huang-Huai-Hai plain of China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 272－279. (in Chinese with English abstract)

[13] 周婷婷，陳文惠.基于MODIS數據和氣象觀測數據的氣溫空間插值方法比較[J].地理科學進展，2011，30(9)：1143－1151.Zhou Tingting, Chen Wenhui. Comparation of the temperature spatial interpolation methods based on MODIS data and meteorological observation data[J]. Progress in Geography, 2011, 30(9): 1143－1151. (in Chinese with English abstract)

[14] 歐陽斌，車濤，戴禮云，等.基于MODIS LST產品估算青藏高原地區的日平均地表溫度[J].冰川凍土，2012，34(2)：296－303.Ouyang Bin, Che Tao, Dai Liyun, et al. Estimation mean daily surface temperature over the Tibetan Plateau based on MODIS LST products[J]. Journal of Glaciology and Geocryology, 2012, 34(2): 296－303. (in Chinese with English abstract)

[15] 袁敏，肖鵬峰，馮學智，等.應用MODIS地表溫度產品估計新疆典型區氣溫[J].遙感信息，2015(1)：81－89.Yuan Min, Xiao Pengfeng, Feng Xuezhi, et al. Air temperature estimation of typical area in Xinjiang based on MODIS land surface temperature products[J]. Remote Sensing Information, 2015(1): 81－89. (in Chinese with English abstract)

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

[17] 閔文彬，李躍清.MODIS反演地表溫度與地面同步氣溫、地溫的相關分析[C]//中國氣象學會 2008年年會衛星遙感應用技術與處理方法分會場論文集.北京：中國氣象學會，2008：286－293.Min Wenbin, Li Yueqing. MODIS inversion of ground temperature and ground synchronization temperature and ground temperature correlation analysis[C]//China Meteorological Society 2008 Annual Conference Satellite Remote Sensing Application Technology and Processing Method Subcommittee Proceedings. Beijing: Chinese Meteorological Society, 2008:286－293. (in Chinese with English abstract)

[18] 張佳華，姚鳳梅，李秉柏，等.星-地光學遙感信息監測水稻高溫熱害研究進展[J].中國科學地球科學：中國科學，2011，41(10)：1396－1406.

[19] 秦曉敏，覃志豪，毛克彪.基于MODIS數據的陜西省地表溫度的空間分布研究[J].干旱區地理(漢文版)，2005，28(4)：548－553.Qin Xiaomin, Qin Zhihao, Mao Kebiao. Spatial distribution of land surface temperature retrieved from MODIS data in Shaanxi province[J]. Arid Land Geography, 2005, 28(4): 548－553. (in Chinese with English abstract)

[20] 劉維.基于RS和GIS的江蘇省重大農業氣象災害監測、預警系統的研究[D].南京：南京信息工程大學，2012.Liu Wei. Study on Monitoring and Forewarning System of Major Agro-meteorological Disasters in Jiangsu Province Based on RS and GIS[D]. Nanjing: Nanjing University of Information Science & Technology, 2012. (in Chinese with English abstract)

[21] 翟錫丹.長白山地區地表溫度異常遙感研究[D].長春：吉林大學，2015.Zhai Xidan. Changbai Mountain Area Surface Temperature Anomaly of Remote Sensing Research[D]. Changchun: Jilin University, 2015. (in Chinese with English abstract)

[22] 蘇紅，劉峻明，王春艷，等.基于時間序列MODIS LST產品的重構研究[J].中國農業科技導報，2014，16(5)：99－107.Su Hong, Liu Junming, Wang Chunyan, et al. Study on reconstructing MODIS LST products based on time series[J].Journal of Agricultural Science and Technology, 2014, 16(5):99－107. (in Chinese with English abstract)

[23] 劉志武，黨安榮，雷志棟，等.利用ASTER遙感數據反演陸面溫度的算法及應用研究[J].地理科學進展，2003，22(5)：507－514.Liu Zhiwu, Dang Anrong, Lei Zhidong, et al. A retrieval model of land surface temperature with ASTER data and its application study[J]. Progress in Geography, 2003, 22(5): 507－514. (in Chinese with English abstract)

[24] 方之芳，李超.青藏高原溫度場與貴州干旱的聯系[J].高原氣象，1996，V15(4)：496－502.Fang Zhifang, Li Chao. The relationship between the QinghaiXizang plateau temperature fifld and drought in Guizhou province[J]. Plateau Meteorology, 1996, V15 (4):496－502. (in Chinese with English abstract)

[25] 戴龍.黃淮海地區夏播玉米花期高溫熱害空間分布研究[D].北京：中國農業大學，2014.Dai Long. Study of the Spatial Distribution of High Temperature Damage on Summer Maize at Blossoming Stage in Huang-Huai-Hai area[D]. Beijing: China Agricultural University, 2014. (in Chinese with English abstract)

[26] 廖順寶，馬琳，岳燕珍，等.NOAA-AVHRR資料反演地溫與地面實測值的對比分析[J].國土資源遙感，2004，16(1)：19－22.Liao Shunbao, Ma Lin, Yue Yanzhen, et al. A comparison and analysis of land surface temperatures from remote sensing and observation stations[J]. Remote Sensing for Land& Resources, 2004, 16 (1): 19－22. (in Chinese with English abstract)

[27] 柯靈紅，王正興，宋春橋，等.青藏高原東北部MODIS LST時間序列重建及與臺站地溫比較[J].地理科學進展，2011，30(7)：819－826.Ke Linghong, Wang Zhengxing, Song Chunqiao, et al.Reconstruction of MODIS LST time series comparison with land surface temperature(T) among observation stations in the northeast Qinghai-Tibet plateau[J]. Progress in Geography,2011, 30 (7): 819－826. (in Chinese with English abstract)

[28] 郭慶法，高新學，劉強，等.黃淮海夏玉米區玉米育種現狀及創新[J].玉米科學，2007，15(6)：1－4.Guo Qingfa, Gao Xinxue, Liu Qiang, et al. The maize breeding actualities and innovation in Huang-Huai-Hai area[J]. Journal of Maize Sciences, 2007, 15(6): 1－4. (in Chinese with English abstract)

[29] 國家氣象科學數據共享服務平臺.中國地面氣候資料日值數據集(V3.0)[Z]. 2012-08-05[2017-07-09].http://data.cma.cn/data/cdcdetail/dataCode/SURF_CLI_CHN_MUL_DAY_V3.0.html

[30] Land Processes Distributed Active Archive Center.MODIS/Aqua Land Surface Temperature and Emissivity Daily L3 Global 1 km Grid SIN（Version 005）[Z].2002-07-14 [2017-07-17]. https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/myd11a1

[31] Wan Zhengming. Collection-5 MODIS Land-Surface Temperature Products Users’ Guide[S/OL]. Institute for Computational Earth System Science. 2006-09-15 [2005-01-03]. http://www.icess.ucsb.edu/modis/LstUsrGuide/MODIS_LST_products_Users_guide_C5.pdf

[32] 國家基礎地理信息中心.數字高程模型(DEM)[Z]. 2002-03-30 [2016-11-28]. http://ngcc.cn/article//sjcg/dem/

[33] 劉亞東，李青元，譚海，等.開源庫GDAL及其在影像拼接中的應用[J].數字技術與應用，2010(2)：88－89.

[34] 黃秀珍，張遠智，董雯雯.淺談ArcGIS中坐標系統的轉換[J].林業調查規劃，2012，37(1)：6－9.Huang Xiuzhen, Zhang Yuanzhi, Dong Wenwen. Coordinate system transformation in ArcGIS[J]. Forest Inventory and Planning, 2012, 37(1): 6－9. (in Chinese with English abstract)

[35] 劉晨晨，曹廣真，張明偉，等.時空尺度對利用 MODIS地表溫度估算空氣溫度的影響研究[J].遙感技術與應用，2013，28(5)：831－835.Liu Chenchen, Cao Guangzhen, Zhang Mingwei, et al.Influence of temporal and spatial uariability on estimation of air temperatures from MODIS land surface temperatures[J].Remote Sensing Technology and Application, 2013, 28(5):831－835. (in Chinese with English abstract)

[36] 楊揚.玉米種植環境倒伏風險提取方法研究與應用[D].北京：中國農業大學，2012.Yang Yang. Study and Application of Methods for Predicting Corn Lodging Stress Using Environment Factors[D]. Beijing:China Agricultural University, 2012. (in Chinese with English abstract)

[37] 米春橋.基于 GIS的玉米品種種植適宜性評價方法研究[D].北京：中國農業大學，2012.Mi Chunqiao. Maize Variety Suitability Evaluation Based on GIS[D]. Beijing: China Agricultural University, 2012. (in Chinese with English abstract)

[38] 戴維·W·S·黃，杰·李，DavidW.S.Wong，等.ArcView GIS與ArcGIS地理信息統計分析[M].北京：中國財政經濟出版社，2008.

[39] 宋連春.中國氣象災害年鑒.2012[M].北京：氣象出版社，2012.

[40] 宋連春.中國氣象災害年鑒.2013[M].北京：氣象出版社，2013.

[41] 宋連春.中國氣象災害年鑒.2014[M].北京：氣象出版社，2015.

[42] 中國氣象局.中國氣象災害年鑒.2015[M].北京：氣象出版社，2015.

[43] Huang R, Zhang C, Huang J, 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.