基于衛星遙感和自動氣象站數據反演稻田氣溫
——以安徽省為例

白瑪仁增，德吉央宗，索朗央金，拉 巴，張鑫磊，頓玉多吉，扎西歐珠

（1西藏自治區氣候中心，拉薩 850000；2中國氣象局成都高原氣象研究所拉薩分部，拉薩 850000；3索縣氣象局，西藏那曲 852000；4山西省氣象局，太原 030000；5西藏自治區氣象局，拉薩 850000）

0 引言

水稻是世界三大糧食作物之一，稻谷總產量占世界谷物總產量的28.8%[1]。中國是世界上最大的水稻生產國和消費國，60%以上的人口以水稻為主要糧食，水稻在國家糧食生產中具有重要的地位[2]，因此保障水稻生產安全對于國家的糧食生產有著極其重要的意義。水稻生產對溫度的要求較高，適宜的溫度有助于水稻正常的生長發育，而過高溫度會導致水稻不能正常生長發育。安徽省位于長江中下游，以種植一季中稻為主，雙季早稻和晚稻為輔。每年的夏天由于太平洋副熱帶高壓北上，長江中下游各省出現持續一段時間的高溫天氣，使得長江中下游地區的一季中稻、雙季早稻不能正常的抽穗開花而影響水稻結實率和品質，最終影響水稻產量[3-9]。隨著全球氣候變暖遭受極端高溫天氣的概率增加，水稻高溫熱害發生也逐漸頻繁，從而嚴重影響中國乃至全球的糧食安全[10-14]。

氣溫數據作為水稻高溫熱害的研究基礎數據，相關氣象部門提供的氣溫數據為站點尺度的數據，對離站點較遠地方到的溫度狀況的代表性弱。隨著衛星遙感技術的發展，國內外優秀的學者研究并開發了眾多的反演算法，可較準確地反演大范圍的氣溫，彌補了地面站有限、溫度分布不連續的缺點。Chen等[15]利用Meteosat/VISSR衛星數據與氣象站的氣溫數據建立一元回歸模型，模型標準差為1.57℃左右。Jones等[16]用MODIS陸地表面溫度數據(LST)與夜間最低氣溫之間建立回歸方程，平均相關系數在0.57～0.81之間。Kawashima等[12]用Landsat TM熱紅外數據與冬季4個不同時刻氣溫的關系模型計算4個不同時刻的氣溫，并驗證模型誤差分別為 1.40、1.42、1.85、1.55℃。Kawashima等[17]同時建立Landsat TM反演得到的陸地表面溫度和歸一化植被指數與氣溫的二元回歸模型，模型誤差平均減少了0.73℃，大大地提高了模型的精度。Nieto等[18]對MSG衛星數據用TVX方法估算西班牙2005年的日氣溫，平均精度在4℃左右。候英雨等[19]用AVHRR資料的NDVI-LST梯形空間特征關系估算了中、高植被覆蓋區的氣溫。Zhao等[20]用Landsat ETM+數據和BP神經網絡反演江漢流域上游的氣溫。張鳳英[21]用遙感資料反演大氣溫度廓線并估算近地表的氣溫。

然而，已有的研究大部分利用常規氣象站的氣溫數據和遙感信息數據作為基礎數據，反演地表氣溫，很少研究單一下墊面（如稻田）的氣溫，而且用的氣溫數據是站點密度較低的常規氣象站的數據，從而導致參建立回歸方程的數據不夠多而影響回歸方程的精度。有鑒于此，本研究選取適當數量的遙感參數與水稻種植區自動氣象站（站點密度較高）的氣溫數據估算水稻田的氣溫，從而提高稻田氣溫的估算精度，為以氣溫為基礎的水稻高溫熱害的監測、影響評估等一系列的研究獲取大面積稻田氣溫數據奠定了基礎。

1 概況和數據來源

1.1 研究區概況

安徽省坐落于長江下游地區，114°45′—119°37′E與29°41′—34°38′N之間。全省氣候條件以淮河為界分為淮河以北的溫帶半濕潤季風氣候和淮河以南的亞熱帶濕潤季風氣候，年平均氣溫為14～17℃，氣溫一般南部高于北部，全年平均降水量在773～1670 mm，呈南多北少，山區多平原少的特點。全省總面積為13.96×104km2，耕地面約為4.22×104km2，是屬于暖溫帶向亞熱帶過渡型氣候，四季分明，季風明顯，無霜期長，氣候溫暖濕潤，水資源豐富。

1.2 研究數據

1.2.1 遙感數據 根據水稻生長期收集2017年3月6日—9月30日的MOD09A1 8天合成地表反射率數據（分辨率為500 m）用于水稻種植區的提取；根據研究區高溫出現時段收集2017年7月1日—2017年9月15日的MOD11A1、MYD11A1逐日地表溫度產品數據（分辨率為1000 m）用于稻田氣溫的估算；收集MCD12Q1土地利用類型產品數據（分辨率為500 m）用于判斷水體。數據都來自于美國NASA網(https://ladsweb.modaps.eosdis.nasa.)。

1.2.2 氣象數據 氣象數據包括2017年7月1日—9月15日的安徽省1311個區域自動氣象站的逐小時溫度數據，數據來自于安徽省氣象局。為了本研究提取的水稻種植區的效果進行驗證，收集了2017年安徽省水稻種植面積，數據來源于安徽省2018統計年鑒。

2 研究方法

2.1 數據的預處理

從NASA網上下的數據應用的本文的研究中，需要對數據進行重投影、輻射定標和去云處理等。

（1）使用MRT(MODIS Reprojection Tool)可以讀取HDF-EOS格式MODIS的2～4級陸地數據產品，實現自動無縫拼接和重投影功能。

（2）由于MODIS數據產品的原始值與真實值有一定的區別，所以需要對遙感圖像進行輻射定標，定標系數如表1。

表1 各MODIS數據產品定標系數

（3）安徽省處于長江中下游，經常出現多云、多雨天氣，使得傳感器接收的到信息不再是實際地物的信息、從而影響獲取最真實的地物信息，因需要對獲取的遙感影像進行去云處理。根據MODIS數據集中自帶的數據質量波段QA(Quality Assessment)進行去云處理。

2.2 時序植被指數的建立

植被指數主要反映植被在可見光、近紅外波段、反射與土壤背景之間差異指標，目前有眾多的植被指數模型用于國內外科研中，本研究需計算的植被指數有歸一化植被指數NDVI、增強植被指數EVI、陸地水分植被指數LSWI，計算公式如(1)～(3)所示。

歸一化植被指數見式(1)。

增強植被指數見式(2)。

陸地水分植被指數見式(3)。

式中，ρnir代表近紅外波段(841～876 nm)反射率，ρr代表紅光波段(620～670 nm)反射率，ρb代表藍光波段(459～479nm)反射率，ρswir代表紅光波段(1628～1652nm)反射率。

2.3 精度檢驗方法

本研究中采用均方根誤差(RMSE)和平均絕對誤差(MAE)對反演精度檢驗。當一組數據中模擬值和實測值偏差較大時，RMSE可以做出敏感的反映，而MAE能更好地反映模擬值誤差的實際情況，具體計算公式如式(4)～(5)所示。

式中，v0表示觀測值，vm表示估算值，n為樣本數。

3 結果與分析

3.1 水稻種植區的提取和精度檢驗

傳統的水稻種植區的提取需要人為統計，統計過程不僅中需要大量的人力、物力、財力，而且統計過程受統計員人為主觀因素的影響容易出現統計錯誤和遺漏，從而影響水稻種植區的精度。隨著遙感技術的不斷發展，國內外學者通過對遙感影像中的每個像元的不同波段的光譜信息去判別并統計水稻像元的面積，從而快速、準確地獲取研究區水稻種植面積[22-24]。

水稻起源于低洼沼澤地區，水稻生產早期必須要灌水而且持續到成熟前約一周左右，屬于半水生植物，灌水有利于MODIS數據對稻田的識別，這正是水稻相比于其他作物（如玉米、大豆、花生和棉花等）最大的區別，但水稻生長到一定時間后覆蓋水稻田，此時的水稻田的光譜信息和其他地物沒什么差異，須在水稻灌水的移栽初期進行水稻種植區的識別。Xiao等[25]利用LSWI≥EVI-0.05表達式作為判別依據，判斷出水稻可能種植像元，水稻整地灌水以后開始移栽或播種水稻，此時水稻根系和葉片迅速生長并且EVI也隨之迅速增長，移栽或播種后40天時間里EVI往往超過EVI最大值的一半，用此依據可進一步選取水稻像元。同時利用MOD09A1自帶的QA數據集和MCD12Q1中的水體數據剔除云、霧和水體像元，此外水稻的整個生育期內NDVI始終大于0.7像元作為常綠植物進行剔除。通過上述內容總結水稻種植區像元應滿足如下面條件（表2）。

由于安徽省各地方種植制度和生長發育期的不同，給水稻種植區的提取帶來一定的麻煩。根據安徽省2017年各農業氣象站的生長發育期資料，安徽省主要種植一季稻，伴有少數的雙季稻，早稻抽穗開花期在6月19日—7月4日，一季稻在抽穗開花期在8月7日—9月15日，晚稻抽穗開花期都在9月15日之后，因此安徽省水稻高溫熱害主要發生在早稻和一季稻，晚稻很少受災，本研究中不考慮。利用安徽省農業氣象站的移栽期數據和水稻像元判定條件編寫IDL程序對安徽省每個像元進行識別，并且把滿足條件的像元放到一起組成安徽省水稻種植區域分布圖（圖1）。

表2 水稻像元滿足的條件

圖1 安徽省水稻種植區域分布圖

根據安徽省統計年鑒的結果2017年安徽省早、一季稻總種植面積230.22萬hm2，本研究遙感提取的面積為223.47萬hm2，遙感提取誤差為2.93%。為了進一步檢驗遙感方法提取水稻種植面積精度，提取安徽省各地市級水稻種植面積與安徽省統計年鑒的值進行對比（表3），在各個地市級中阜陽、銅陵的識別精度高，誤差分別為2.5%、4.86%，淮北誤差最大，為11.76%，各地區平均誤差為8.25%。整體上看遙感提取早、一季稻的種植面積的精度較高。

表3 安徽省各地區水稻種植區的遙感提取值和實際值對比

雖然盡可能完善了識別條件，但提取結果仍然存在較大的誤差（如亳州、淮北、黃山），這一方面，由于平原地區種植作物成片、田塊較大、而山區丘陵地帶地形不平坦、田塊分散、田塊形狀不規則，從造成混合像元現象，使得出現水稻像元出現錯分、漏分現象，最終導致水稻種植區提取的精度下降；而另一方面由于用于識別水稻種植區數據是500 m空間分辨率的MODIS數據，而安徽省淮河以北的地區，由于氣候條件的限制沒有大面積種植水稻，稻田面積不夠影像像元的面積，使得非水稻面積被誤判成水稻面積，導致水稻種植面積的識別精度的下降。

3.2 最高氣溫和平均氣溫的估算

目前用于遙感反演最高、平均氣溫的方法有經驗統計法、溫度植被指數法、能量平衡法、人工神經網絡法、大氣擴線外推法5種，比起其他4種方法經驗統計法簡單易操作的特點，但也有受樣本和參數數量和質量制約的缺點，因此通過參數數量的適當增加來提高最高氣溫和平均氣溫估算精度。將4個陸地表面溫度LST數據（分別為Terra衛星白天過境的LSTTA、晚上過境的LSTTN和Aqua衛星白天過境的LSTAD、晚上過境的LSTAN）為自變量，以區域自動氣象站氣溫數據為因變量，進行多元線性逐步回歸，選取精度較高的回歸方程對研究區進行氣溫的估算。具體做法為：以2017年7月1日—9月15日安徽省區域自動站的數據為基礎，根據區域自動站經緯度信息從Terra、Aqua衛星每天總共4個不同時間點的LST影像提取出對應的像元值，結合MOD11A1和MYD11A1數據集中的數據質量波段(QA)來去除云覆蓋導致的無效像元，最后得到的LST數據跟區域自動站氣溫數據(TMAX、TMEAN)按空間和時間上的一一對應關系進行排列并存儲。

由于研究主題為水稻，從上述存儲的數據中去掉非水稻種植區的數據得到1113組有效數據，隨機抽取其中1013組數據作為模擬數據輸入到SPSS軟件進行多元線性逐步回歸（表4、5），其余100組數據作為檢驗數據用于回歸方程顯著性檢驗。最后挑選出精度最高，效果最好的回歸方程。

從最高氣溫和平均氣溫逐步回歸的結果表4、5來看，自變量LSTAN、LSTTN、LSTAD被回歸方程接受，并且6個回歸方程的方差分析結果F對應的sig值都為0.00，方程都達到了顯著水平。最高氣溫的3個回歸方程中Ⅲ方程的R2最高，為0.728，平均氣溫的3個回歸方程也是Ⅲ方程的R2最高，為0.825。為了進一步確定回歸方程模擬精度，以剩余的100組數據為基礎數據，采用均方根誤差(RMSE)和平均絕對誤差(MAE)對上述回歸方程進行精度檢驗。從RMSE、和MAE的2個參數（表6）可以看出，無論是最高氣溫各回歸方程還是平均氣溫各回歸方程估算精度最高的都是方程Ⅲ，RMSE分別為2.21、1.54，MAE分別為1.73、1.15。

表4 最高氣溫多元線性逐步回歸結果比較

表5 平均氣溫多元線性逐步回歸結果比較

表6 最高、平均氣溫各回歸方程模擬精度

綜上，從回歸方程的R2和RMSE、MAE都顯示最高氣溫回歸方程Ⅲ：TMAX=0.758LSTAN-0.327LSTTN+0.373LSTAD+9.924和平均氣溫的回歸方程Ⅲ：TMEAN=0.810LSTAN-0.193LSTTN+0.206LSTAD+7.570優于其他回歸方程，因此本文選用這兩個回歸方程來估算最高、平均氣溫。用2017年7月1日—9月15日的77天LSTAN、LSTTN、LSTAD影像，借助ENVI軟件和IDL代碼實現安徽省的最高氣溫TMAX、平均氣溫TMEAN的估算，估算結果以7月22號為例（圖2、3）

圖2 2017年7月22號遙感估算最高氣溫的結果

圖3 2017年7月22號遙感估算平均氣溫的結果

3.3 遙感估算稻田氣溫數據的優化精度檢驗

上述結果可以看出，最高氣溫和平均氣溫估算結果在空間上有些地方不完整，這是由于遙感影像受云覆蓋導致。估算稻田氣溫數據作為水稻高溫熱害的監測、影響評估等一系列的研究的基礎數據，需要對數據進行優化而得到更精確、更完整的數據。因此通過同一區域、同一時間段自動站的最高、平均氣溫去填補云覆蓋區的氣溫數據，從而達到遙感估算稻田氣溫數據的優化，具體做法：首先利用arcGIS局部多項式差值法，把2017年7月1日—9月15日自動站最高、平均氣溫差值到安徽省全部區域，其次根據MOD11A1、MYD11A1數據集中的數據質量波段QA一一判斷每天的判斷云覆蓋區域，當數據集中某天某個區域有云覆蓋情況就用對應時段對應區域的自動站最高和平均氣溫的差值結果進行替換，其他無云的區域就用遙感估算結果，得到更精確、更完整、更可靠的最高、平均氣溫的遙感估算優化數據（圖4），最后結合安徽省水稻種種區域得到稻田最高、平均氣溫優化數據（圖5）。

4 結論和討論

首先利用MOD09A1 8天合成數據對安徽省水稻種植區域進行提取，其次由安徽省區域自動氣象站氣溫數據與MOD11A1、MYD11A1 4個LST值進行多元逐步回歸并得到遙感估算氣溫的方程，最后用估算方程計算安徽省水稻種植區的氣溫，得到結論如下：

（1）根據安徽省統計年鑒的結果2017年安徽省早、一季稻總種植面積230.22萬hm2，本研究遙感提取的面積為223.47萬hm2，遙感提取誤差為2.93%。在進一步檢驗各個地市級識別精度，其中阜陽、銅陵的識別精度高，誤差分別為2.5%、4.86%，淮北精度最低，為11.76%，平均誤差為8.25%。

（2）根據區域自動站氣溫與遙感各參數進行多元逐步回歸得到最優遙感估算最高氣溫公式：TMAX=0.758LSTAN-0.327LSTTN+0.373LSTAD+9.924，遙感估算平均氣溫公式TMEAN=0.810LSTAN-0.193LSTTN+0.206LSTAD+7.570，2個方程的R2分別為0.728和0.825，RMSE分別為2.21、1.54，MAE分別為1.73、1.15，且2個方程都F對應的sig值都為0.00，方程達到了顯著性水平。

（3）用區域自動站差值數據來填補遙感影像中被云覆蓋的區域，從而得空間上分布完整的安徽省遙感估算稻田氣溫的優化數據。

圖4 2017年7月22號遙感估算最高氣溫(a)、平均氣溫(b)數據優化結果圖

圖5 2017年7月22號遙感估算稻田最高氣溫(a)、平均氣溫(b)數據優化結果圖

遙感估算稻田氣溫是通過水稻種植區的遙感信息和自動氣象站數據進行建立回歸方程，水稻種植的提取精度必然會影響稻田氣溫的估算。本研究利用的MOD09A1 8天合成數據，其空間和時間分辨率低，丘陵山區和水稻種植較少的地方混合像元較為嚴重，雖然提取水稻種植區的條件設置中盡可能去掉非水稻像元，移栽期也有可能受到長時間降水等原因影響識別精度。在后續的研究中嘗試應用時空精度更高的遙感影像、設置更多的水稻種植區條件來提高遙感識別水稻種植區的精度，并最終達到提高遙感反演大田氣溫精度的要求，并進一步將本研究所得的稻田氣溫數據應用到水稻高溫熱害的監測和水稻高溫熱害對產量的影響等一系列研究。