基于VTCI空間尺度上推方法的干旱影響評估

白雪嬌 王鵬新 張樹譽 李 俐 王 蕾 解 毅

(1.中國農業大學信息與電氣工程學院， 北京 100083； 2.陜西省氣象局， 西安 710014)

基于VTCI空間尺度上推方法的干旱影響評估

白雪嬌1王鵬新1張樹譽2李 俐1王 蕾1解 毅1

(1.中國農業大學信息與電氣工程學院， 北京 100083； 2.陜西省氣象局， 西安 710014)

基于關中平原Aqua MODIS 條件植被溫度指數(VTCI)的干旱監測結果，分別采用分布式和聚合式的主導類變異權重法(DCVW)、算術平均值變異權重法(AAVW)和中值變異權重法(MPVW)對市域單元內VTCI進行空間尺度上推，以獲取冬小麥主要生育期聚合后的加權VTCI；以加權VTCI與冬小麥產量間的回歸分析精度為參考，選擇最為合適的空間尺度上推方法。結果表明：采用分布式獲得的加權VTCI與冬小麥產量的回歸分析結果整體優于聚合式獲得的結果。在分布式的上推過程中，MPVW獲得的加權VTCI與冬小麥產量間的回歸分析精度較低，DCVW和AAVW的精度均較高，其中DCVW獲得的加權VTCI與冬小麥產量間回歸分析的決定系數R2達0.64，精度最高，說明采用分布式DCVW對市域單元內VTCI進行空間尺度上推得到的加權VTCI最為合理。

條件植被溫度指數； 空間尺度上推； 干旱影響評估； 精度評價

引言

近年來，中緯度地區氣候暖干化使得全球范圍內的干旱問題日趨嚴重，對農業生產造成嚴重影響[1]。關中平原地處內陸中緯度地帶和季風邊緣氣候敏感區，遠離水汽源地，對氣候變化敏感，旱災頻發，且具有持續時間長、強度大、空間差異明顯等特點；干旱程度由西南向東北逐漸加劇，東北部和中北部地區干旱最為嚴重[2-6]，對關中平原的農業生產和人民生活產生了影響，因此監測干旱對作物生長及產量的影響以有效應對干旱對區域農業的影響具有重要的意義。

遙感技術的發展為實時、精確和大范圍反演地面信息提供了技術手段，在旱情監測、旱情影響評估和農作物估產等方面已得到廣泛的應用。國內外研究者通過能夠反映作物生長發育或與其密切相關的各種指數與產量的相關性關系研究，建立經驗模型，進行了較多農作物產量的估算、預報和干旱影響評估、預警研究[7-12]。在利用遙感數據建立優化模型時，某一尺度的指數(變量)需準確映射遙感數據的空間信息，顯然像素尺度不是最佳的選擇，需將遙感數據的空間信息從像素尺度轉換為研究所需的基本地域單元的尺度。聚合方法會顯著影響聚合結果，進而影響基于結果的決策[13-15]，因此準確聚合空間數據的方法是推導和獲取有用空間信息的關鍵。馬玉平等[16]采用區域氣候模式輸出的逐日平均溫度、降水和總輻射與模擬氣象產量建立積分回歸模型，探討了未來40年氣候變化對我國玉米產量的可能影響。杜靈通等[17]使用山東省15個地級市綜合干旱指數各像元的平均值與氣象站點獲得的標準化降水指數做相關分析驗證了綜合干旱指數監測氣象干旱的能力。趙捷等[18]對黑河中上游流域各土地覆被類型所有柵格的LAI(葉面積指數)和累計相對濕潤度指數求平均值，對其進行皮爾遜回歸分析以定量評價不同土地覆被類型LAI對氣象干旱的響應。李艷等[19]取關中平原各市內所包含像素VTCI(條件植被溫度指數)的平均值計算冬小麥生育期的加權VTCI，與冬小麥產量建立回歸模型，評估了干旱對冬小麥產量的影響。

學者們采用窗口均值法(Window averaging, WA)求取某些表征干旱指標的區域平均值進行干旱影響評估或估產研究，獲得了一些有價值的結論。但基于區域內某指數的平均值弱化了其他覆蓋類型的信息及其與主導地位覆蓋信息的相互影響，缺乏宏觀性、綜合性的空間分析。且僅當研究區域內所有像素值呈正態分布和轉換前后分辨率為線性關系時，WA能夠簡單、準確的逼近其空間信息的綜合特征[20]，而區域內旱情信息時空變異較大，采用WA將會獲得有偏估計值。同時，遙感影像相鄰像素的旱情信息表現出強烈的空間自相關性[21]。地表異質性、地形地貌差異和人為因素等也會造成旱情空間變異性[22]，因此，對基本地域單元內旱情信息進行聚合時需綜合考慮其空間變異性和空間異質性特征，有效地檢測地表空間格局、過程的相互作用并準確映射，將表征區域內旱情信息的數據集聚合為一個綜合了基本地域單元內旱情信息的綜合指數值。此外，統計產量為區域統計水平的產量，受區域內各種因素的影響。基本地域單元的聚合指數需為區域內各種因素影響下具有統計特征的指數，能夠反映基本地域單元內綜合地物信息特征及其相互影響。WA可被認為是窗口內每個像素具有同樣權重的濾波窗的特例[20]，而在實際應用中，基本地域單元內各像素應分配不同的權重值，再乘以其對應的VTCI并加和得到基本地域單元的綜合VTCI，即空間變異權重法(spatial variability-weighted methods)。空間變異權重法考慮了空間自相關性和變異性，改善了基本地域單元的上推結果。目前利用空間變異權重方法獲取區域的聚合加權指數的研究還鮮見報道。

條件植被溫度指數(VTCI)綜合了反射和輻射信息，已證明可用于監測旱情狀況和作物估產[23-24]。本文在前人研究及課題組前期所做冬小麥干旱影響評估的基礎上[19,25]，以關中平原的市為基本地域單元，采用空間變異權重法對關中平原各市2008—2013年冬小麥返青后的主要生育期旬尺度的Aqua MODIS VTCI時間序列數據進行空間尺度上推獲取聚合VTCI，計算冬小麥主要生育期加權VTCI后與冬小麥產量進行回歸分析，以回歸分析精度為參考，并與WA對比分析，選擇適合于關中平原的VTCI尺度上推方法，為應用于干旱影響評估的區域指數空間尺度聚合提供思路和方法。

1 材料與方法

1.1 研究區域概況

關中平原又稱渭河平原，位于陜西省中部，西起寶雞、東至潼關，南接秦嶺、北至北山，總面積約5.55×106hm2。地處渭河谷地，土地肥沃，有涇、渭等河流提供水源，十分適宜耕作，是陜西省主要糧食產區和我國重要的糧食產區。年平均溫度6～13℃，年均降水量500～600 mm，處于暖溫帶半濕潤與半干旱的過渡地帶，為典型的大陸性季風氣候區，雨熱同期，降水主要集中在7—9月份，冬季、春季降水量較少，冬旱、春旱嚴重，造成糧食減產。將研究區域的行政邊界矢量圖疊加到 VTCI 遙感影像上，對其按照各市的行政邊界進行市屬的劃分，獲得關中平原分市概況圖(圖1)。由于楊凌示范區面積較小，故將其劃分到咸陽市境內。

圖1 研究區概況圖Fig.1 Map of study area

1.2 數據來源及預處理

1.2.1 數據來源

數據源主要是2008—2013年Aqua MODIS數據產品，包括日反射率產品(MYD09GA)和日LST產品(MYD11A1)。冬小麥產量數據來源于歷年的《陜西省統計年鑒》。本文還采用陜西省行政區劃圖、DEM數據以及TM數據輔助確定研究區的范圍。

1.2.2 條件植被溫度指數生成

基于日NDVI(歸一化差分植被指數)和LST(地表溫度)，應用最大值合成技術分別生成旬NDVI和LST最大值合成產品，并以此計算條件植被溫度指數(VTCI)[26-27]

(1)

其中

Lmax(Ni)=a+bNi

(2)

Lmin(Ni)=a′+b′Ni

(3)

式中Ni——第i個時期(旬)某一像素的NDVIL(Ni)——某一像素的NDVI為Ni時的LSTLmax(Ni)——當Ni值等于某一特定值時所有像素LST的最大值

Lmin(Ni)——當Ni值等于某一特定值時所有像素LST的最小值

a、b、a′、b′——待定系數，由研究區域內NDVI和LST散點圖近似獲得

VTCI取值范圍為0～1，值越小，旱情越嚴重。計算關中平原2008—2013年每年3月上旬—5月下旬共54旬的VTCI數據。

1.3 空間尺度上推方法

1.3.1 空間變異權重法

基本地域單元內的局部空間自相關性可通過像素值和主導空間特征值的方差加以衡量，某像素值距主導空間特征像素值越遠，方差越大，上推時給予其權重越小。通常將方差的倒數作為權重[20]。衡量主導空間特征像素值的方式不同產生不同的空間尺度上推方法。

本研究采用3種不同方法獲取基本地域單元內的主導空間特征VTCI對基本地域單元內VTCI進行空間尺度上推。第1種方法是主導類變異權重法(Dominant class variability-weighted method，DCVW)，首先根據確定的基本地域單元內VTCI的頻率分布確定主導類像素值，取頻率最大的VTCI作為主導空間特征VTCI，計算每個像素VTCI與主導空間特征VTCI的方差的倒數再除以VTCI的加和值即為此像素的權重。這種方法可以靈活運用于不同分布狀態數據的空間尺度上推研究。其計算式為

(4)

其中

(5)

式中VU——基本地域單元內尺度上推后的VTCIVi——基本地域單元內某一像素的VTCIWi——權重Vd——主導空間特征像素VTCIm——基本地域單元內總像素數

第2種方法是中值變異權重法(Median pixel variability-weighted method，MPVW)，假設基本地域單元內中間像素VTCI具備主導空間特征的機率最高，可通過中間像素VTCI和每個像素VTCI的方差量化空間變異，即將基本地域單元內所有像素的VTCI進行排序(若灰度相等則只取其一參與排序)，若參與排序的像素個數為奇數，取其中值作為主導空間特征像素VTCI；若為偶數，則取中間2個值的均值作為主導空間特征像素VTCI。計算式為

(6)

式中Vm——基本地域單元內所有參與排序像素的VTCI中間值

Vm1、Vm2——基本地域單元內所有參與排序像素VTCI的2個中間值

第3種方法是算術平均值變異權重法(Arithmetic average variability-weighted method，AAVW)，以基本地域單元內所有像素的VTCI算術平均值和每個像素VTCI方差的倒數來衡量基本地域單元內像素VTCI的空間變異性和相關性，即將基本地域單元內所有像素VTCI的算術平均值作為主導類空間特征像素VTCI，計算式為

(7)

3種方法除基本地域單元內主導空間特征像素VTCI的確定方法不同外，其計算方程和過程是一致的，在實際計算過程中僅將第1種方法中的像素主導類VTCI分別替換為中值和算術平均值即可。

1.3.2 不同生育期聚合式和分布式尺度上推

結合冬小麥越冬后生長發育情況，將其越冬后主要生育期劃分為返青期(3月上旬—3月中旬)、拔節期(3月下旬—4月中旬)、抽穗-灌漿期(4月下旬—5月上旬)和乳熟期(5月中旬—5月下旬)。運用聚合式(Aggregated)和分布式(Distributed)2種方式進行空間尺度上推：①先依據主要生育期的劃分，取生育期內所包含各旬VTCI的平均值作為該生育期的VTCI，再對研究區域內所有像素冬小麥各生育期的VTCI數據進行空間尺度上推，為聚合式。②先對研究區域內所有像素冬小麥各旬VTCI數據進行空間尺度上推，再計算生育期內各旬VTCI的平均值作為該生育期的VTCI，為分布式。以返青期為例，聚合式和分布式過程如圖2所示。

圖2 聚合式與分布式尺度上推過程示意圖Fig.2 Up-scaling process schematics of aggregated and distributed modes

1.4 精度評價方法

采用決定系數R2、估計值標準誤差和F檢驗比較分析VTCI上推結果的精度，并應用相對誤差(RE)與均方根誤差(RMSE)比較冬小麥產量估計結果與年鑒統計結果之間的差異，以評價尺度上推方法的效果與精度。

基于關中平原2008—2013年每年3—5月份共54旬Aqua MODIS VTCI時間序列數據，采用聚合式和分布式DCVW、MPVW、AAVW 3 種空間尺度上推方法，獲取渭南市、咸陽市、西安市和寶雞市的聚合VTCI。根據前期研究成果確定的冬小麥不同生育時期干旱對產量影響的權重系數(返青期0.03、拔節期0.50、抽穗-灌漿期0.30、乳熟期0.17)[25]，計算冬小麥主要生育期的加權VTCI。參照陜西省統計年鑒的各市冬小麥產量數據，對 3 種空間尺度上推方法所得加權VTCI與冬小麥產量作回歸分析和精度評價，以目前廣泛應用的窗口均值法(WA)為參考，確定適用于關中平原干旱影響評估的區域VTCI空間尺度上推方法。

2 結果與分析

2.1 不同上推方法獲得的基本地域單元VTCI與冬小麥產量回歸分析

采用 3 種空間尺度上推方法獲取關中平原基本地域單元的聚合VTCI，分別計算冬小麥主要生育期的加權VTCI并與冬小麥產量進行回歸分析，結果如表1所示。結果表明，聚合式上推方式獲得的基本地域單元的聚合VTCI與冬小麥產量的回歸模型均通過F檢驗，其中MPVW的顯著性檢驗P為0.005，其他上推方法的P均小于0.000 1，均達到極顯著水平，說明 3 種空間尺度上推方法獲得的基本地域單元聚合VTCI與冬小麥產量的關系緊密。MPVW的決定系數為0.30，估計值標準誤差為403.94 kg/hm2，精度差于WA；DCVW 和AAVW的決定系數均較大且大于WA，估計值標準誤差均較小且小于WA，說明與WA相比，采用DCVW 和AAVW獲得的估計值與真實值的近似誤差較小。其中DCVW的決定系數達到0.62，估計值標準誤差為298.83 kg/hm2，精度高于WA、MPVW和AAVW，表明DCVW回歸方程的代表性大于WA、MPVW和

表1 基于WA、DCVW、MPVW和AAVW空間尺度上推獲得的聚合VTCI與冬小麥產量的線性回歸分析Tab.1 Linear regression analysis of winter wheat yields and aggregated VTCIs up-scaled by WA, DCVW, MPVW and AAVW

AAVW，即聚合式DCVW優于聚合式WA、MPVW和AAVW，聚合式DCVW能更好地映射基本地域單元的聚合VTCI與冬小麥產量的相關性。

分布式上推方法獲得的基本地域單元聚合VTCI與冬小麥產量回歸模型均通過F檢驗，其顯著性檢驗P除MPVW為0.005外均小于0.000 1，均達到極顯著水平，表明尺度上推后的VTCI與關中平原冬小麥產量極顯著相關。MPVW的決定系數為0.30，估計值標準誤差為403.47 kg/hm2，精度低于WA；DCVW和AAVW的決定系數分別達到了0.64和0.59，估計值標準誤差分別為289.97 kg/hm2和307.02 kg/hm2，精度較高且高于WA。其中DCVW獲得的決定系數最大，估計值的標準誤差最小，其回歸模型擬合優度較好，回歸方程的可靠性和實用價值較其他方法大，說明DCVW對基本地域單元VTCI的空間尺度上推較為合理和準確。

由分析結果可知，由于分布式尺度上推過程充分考慮了冬小麥某一生育期每旬VTCI各像素間的變異性和相關性，分布式上推方法的結果整體略優于聚合式結果。MPVW的回歸分析精度明顯差于WA、DCVW和AAVW。這是由于MPVW取基本地域單元內所有VTCI的中間值作為主導空間特征像素值，而基本地域單元內地表旱情變異較大，其VTCI分布可能為偏態分布，尺度上推的過程是基本地域單元內所有像素值向某一值聚集的過程，當基本地域單元內的像素值分布為偏態分布時即較旱或較不旱時，利用MPVW進行尺度上推易弱化偏旱或較不旱的信息，造成尺度上推結果偏離。而DCVW則考慮了不同程度旱情的分布，以基本地域單元內頻率最大的VTCI作為主導空間特征VTCI，確定的聚合VTCI具有代表性且較為準確，因此，分布式DCVW更適用于開展基于干旱影響評估的關中平原VTCI空間尺度上推研究。

2.2 基于分布式DCVW獲得的冬小麥估計產量及其精度評價

采用分布式DCVW空間尺度上推方法獲得的聚合VTCI估算關中平原各市2008—2013年的冬小麥產量，結合各市的歷年產量統計數據對估產結果的精度進行評價(表2)。結果表明，關中平原各市的產量估計結果與年鑒統計的產量較為接近，RMSE和RE均較小，說明分布式DCVW空間尺度上推方法確定的聚合VTCI均較為合理。統計冬小麥產量估計結果相對誤差的區間分布，分布式DCVW獲得的結果中相對誤差小于5.0%的達到了66.67%，進一步說明采用分布式DCVW空間尺度上推方法獲取的聚合VTCI的估計產量精度較高。

表2 基于分布式DCVW尺度上推方法冬小麥估計產量與統計產量對比分析Tab.2 Comparison of winter wheat estimated yields with statistic data based on DCVW

關中平原是春旱的高發地。據氣象部門報道，2013年陜西省遭遇了自1961年以來最嚴重的一次氣候干旱。關中平原降水稀少，與歷年同期相比偏少50%～90%。以采用分布式DCVW獲得的聚合VTCI估算的關中平原各市2013年冬小麥產量為例，與年鑒統計的產量進行對比分析，結果顯示，各市的產量估計結果與年鑒統計產量較為接近，估計產量精度較高。渭南市的實際產量為3 307 kg/hm2，估計產量為3 394.67 kg/hm2，絕對誤差為87.67 kg/hm2，相對誤差為2.65%；咸陽市實際產量為3 966 kg/hm2，估計產量為3 636.95 kg/hm2，絕對誤差為-329.04 kg/hm2，相對誤差為8.29%；寶雞市實際產量為3 879 kg/hm2，估計產量為4 130.23 kg/hm2，絕對誤差為251.23 kg/hm2，相對誤差為6.47%；西安市實際產量為4 153 kg/hm2，估計產量為3 931.58 kg/hm2，絕對誤差為-221.41 kg/hm2，相對誤差為5.33%。結果進一步表明采用分布式DCVW空間尺度上推得到的基本地域單元的聚合VTCI應用于干旱影響評估精度較高，可用于關中平原冬小麥的干旱影響評估。

3 討論

將旱情的空間信息從像素尺度轉換為研究所需的基本地域單元尺度所采用的方法會顯著影響聚合結果，進而影響基于聚合結果的干旱影響評估精度，因此準確聚合有用空間旱情信息的方法是干旱影響評估的關鍵。關中平原地處季風邊緣氣候敏感區，對氣候變化敏感，旱災頻發，旱情空間分布不均且強度差異較大，準確評估干旱影響具有重要意義。準確推斷旱情空間信息的關鍵在于抓住旱情信息的主導空間特征、格局和過程[21]。基本地域單元內像素的VTCI具有空間自相關性且空間變異性較大。采用WA獲取區域聚合VTCI以衡量干旱對冬小麥產量影響的傳統計算方法僅是將研究區域內像元信息平均化，忽視和弱化了旱情信息的自相關性和變異性，不能夠準確反映研究區域覆蓋范圍內干旱綜合信息特征。本文采用空間變異權重法中的DCVW、MPVW和AAVW空間尺度上推方法獲取冬小麥各生育期基本地域單元的聚合VTCI。其中DCVW的精度遠高于WA。這是由于基本地域單元內旱情的時空變異性較大，DCVW在數據處理過程中首先考慮旱情信息空間分布的主導特征，選擇基本地域單元內VTCI頻率分布最大的VTCI作為主導空間特征VTCI，通過計算基本地域單元內每個像素VTCI與主導空間特征VTCI的方差來衡量局部空間自相關。在對基本地域單元內所有像素VTCI進行聚合時，DCVW通過對每個像素賦予不同的權重，可靈活、準確估算VTCI表征的旱情空間信息空間自相關性和變異性，能夠有效地檢測地表空間格局的相互作用，減少旱情信息損失，其獲得的聚合VTCI有效、準確地反映了基本地域單元區域覆蓋范圍內綜合旱情信息特征。相對于前人及課題組前期采用WA所做的干旱影響評估研究[19]，采用DCVW對基本地域單元內旱情信息聚合上推獲得的結果精度和魯棒性都得到顯著改善和提高。

本文中DCVW的空間尺度上推效果最好，而MPVW的效果最差，這是由于干旱的形成是一種復雜的過程，關中平原VTCI隨結構性因素變化，表現出地域差異性。DCVW是將能夠代表主導類像素的值作為主導空間特征像素值進行上推，而MPVW則是僅考慮了中間1個或2個像素作為主導空間特征像素值，容易造成主導空間特征像素值錯估，同時，當基本地域單元內的像素值分布為偏態分布時，容易弱化引起偏度分布的旱情信息，利用MPVW容易出現尺度上推結果偏離的現象。

分布式結果整體優于聚合式結果，這主要是由于分布式尺度上推過程充分考慮了冬小麥某一生育期各旬VTCI像素間的變異性和相關性，而聚合式上推過程僅針對冬小麥某一生育期各旬平均VTCI進行估算，忽視和弱化了各旬VTCI的特征和變異。

4 結論

(1) 通過分析分布式和聚合式DCVW、MPVW和AAVW空間尺度上推方法得到的聚合VTCI與冬小麥產量的回歸分析結果，結果表明MPVW差于WA，而DCVW和AAVW均優于WA。尤其是分布式DCVW，其回歸模型精度最高，擬合優度最好，分布式DCVW對關中平原冬小麥不同生育時期基本地域單元聚合VTCI的確定最為合理。同時，結合關中平原各市的歷年冬小麥產量統計數據對分布式DCVW估產結果的精度進行評價，結果表明關中平原各市的產量估計結果與年鑒統計的產量較為接近，精度較高，進一步說明分布式DCVW獲得的聚合VTCI應用于干旱影響評估的精度較高。分布式DCVW更適用于基于干旱對冬小麥生產及產量影響評估的區域指數空間尺度上推研究。

(2) 充分利用分布式DCVW在數據處理過程中考慮旱情信息的空間自相關性和空間變異性，能夠有效檢測地表旱情信息的主導特征和空間變異格局、過程的特性，解決了傳統方法WA在聚合過程中易造成旱情信息損失的問題，為基于干旱影響評估和冬小麥估產的區域范圍內的指數聚合提供了一種有效的方法。

1 周丹, 張勃, 任培貴, 等. 基于標準化降水蒸散指數的陜西省近50 a干旱特征分析[J/OL]. 自然資源學報, 2014, 29(4): 677-688.http:∥www.jnr.ac.cn/CN/abstract/abstract2839.shtml.DOI: 10.11849/zrzyxb.2014.04.012. ZHOU Dan, ZHANG Bo, REN Peigui, et al. Analysis of drought characteristics of Shaanxi Province in recent 50 years based on standardized precipitation evapotranspiration index [J/OL]. Journal of Natural Resources, 2014, 29(4): 677-688.(in Chinese)

2 郭曉鴿, 龐獎勵, 史興民, 等. 關中平原近50年來氣候生產力的變化及對植物影響研究[J]. 農業系統科學與綜合研究, 2010, 26(4): 395-400. GUO Xiaoge, PANG Jiangli, SHI Xingming, et al. Variation of climate productivity and its impact on plants in Guanzhong Plain for last 50 years [J]. System Sciences and Comprehensive Studies in Agriculture, 2010, 26(4): 395-400. (in Chinese)

3 白雪嬌, 王鵬新, 解毅, 等. 基于結構相似度的關中平原旱情空間分布特征[J/OL]. 農業機械學報, 2015, 46(11): 348-354. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151147&flag=1.DOI:10.6041/j.issn.1000-1298.2015.11.047. BAI Xuejiao, WANG Pengxin, XIE Yi, et al. Spatial distribution characteristics of droughts in Guanzhong Plain using the vegetation temperature condition index and structural similarity [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 348-354. (in Chinese)

4 蔡明科. 關中地區水文、氣象干旱特征對比研究[J]. 灌溉排水學報, 2003, 22(6): 33-37. CAI Mingke. Comparative study on hydrologic-meteorological-drought characteristics of Guanzhong areas [J]. Journal of Irrigation and Drainage, 2003, 22(6): 33-37. (in Chinese)

5 劉曉寧, 賈忠華. 模糊綜合評價在關中灌區干旱評價中的應用[J]. 水資源與水工程學報, 2005, 16(2): 62-65. LIU Xiaoning, JIA Zhonghua. Fuzzy synthetic evaluating and its application in the establishment of the drought index in Guanzhong region [J]. Journal of Water and Resources and Water Engineering, 2005, 16(2): 62-65. (in Chinese)

6 譚學志, 粟曉玲, 邵東國. 基于SPI的陜西關中地區氣象干旱空間特征分析[J]. 干旱地區農業研究, 2011, 29(2): 224-229. TAN Xuezhi, SU Xiaoling, Shao Dongguo. Analysis of special and temporal characteristics of meteorological drought in Guanzhong region of Shaanxi Province [J]. Agriculture Research in the Arid Areas, 2011, 29(2): 224-229. (in Chinese)

7 BENEDETTI R, ROSSINI P. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield estimate and forecast in Emilia Romagna [J]. Remote Sensing of Environment, 1993, 45(3): 311-326.

8 RASMUSSEN M S. Assessment of millet yields and production in northern Burkina Faso using integrated NDVI from the AVHRR [J]. International Journal of Remote Sensing, 1992, 13(13): 3431-3442.

9 ANUP K P, CHAI L, SINGH R P, et al. Crop yield estimation model for Iowa using remote sensing and surface parameters [J]. International Journal of Applied Earth Observation and Geoinformation, 2006, 8(1): 26-33.

10 何亞娟, 潘學標, 裴志遠, 等. 基于 SPOT 遙感數據的甘蔗葉面積指數反演和產量估算[J/OL]. 農業機械學報, 2013, 44(5): 226-231.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130539&flag=1..DOI: 10.6041/j.issn.1000-1298.2013.05.039. HE Yajuan, PAN Xuebiao, PEI Zhiyuan, et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 226-231. (in Chinese)

11 高中靈, 徐新剛, 王紀華, 等. 基于時間序列 NDVI 相似性分析的棉花估產[J/OL]. 農業工程學報, 2012, 28(2): 148-153.http:∥www.tcsae.org/nygcxb/ch/reader/view_abstract.aspx?flag=1&file_no=20120226&journal_id=nygcxb.DOI: 10.3969/j.issn.1002-6819.2012.02.026. GAO Zhongling, XU Xin’gang, WANG Jihua, et al. Cotton yield estimation based on similarity analysis of time-series NDVI[J/OL]. Transactions of the CSAE, 2012, 28(2):148-153. (in Chinese)

12 田苗, 王鵬新, 張樹譽, 等. 基于條件植被溫度指數的冬小麥產量預測[J/OL]. 農業機械學報, 2014, 45(2): 239-245. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140240&flag=1.DOI: 10.6041/j.issn.1000-1298.2014.02.040. TIAN Miao, WANG Pengxin, ZHANG Shuyu, et al. Winter wheat yield forecasting based on vegetation temperature condition index [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 239-245. (in Chinese)

13 AMRHEIN C G. Searching for the elusive aggregation effect: evidence from statistical simulations[J]. Environment and Planning A, 1995, 27(1): 105-119.

14 WOODCOCK C E, STRAHLER A H. The factor of scale in remote sensing[J]. Remote Sensing of Environment, 1987, 21(3):311-332.

15 MARCEAU D J, HAY G J. Remote sensing contributions to the scale issue[J]. Canadian Journal of Remote Sensing, 1999, 25(4): 357-366.

16 馬玉平, 孫琳麗, 俄有浩, 等. 預測未來40年氣候變化對我國玉米產量的影響[J]. 應用生態學報, 2015, 26(1): 224-232. MA Yuping, SUN Linli, E Youhao, et al. Predicting the impact of climate change in the next 40 years on the yield of maize in China[J]. Chinese Journal of Applied Ecology, 2015, 26(1): 224-232. (in Chinese)

17 杜靈通, 田慶久, 王磊, 等. 基于多源遙感數據的綜合干旱監測模型構建[J]. 農業工程學報, 2014，30(9): 126-132. DU Lingtong, TIAN Qingjiu, WANG Lei, et al. A synthesized drought monitoring model based on multi-source remote sensing data[J]. Transactions of the CSAE, 2014, 30(9): 126-132. (in Chinese)

18 趙捷, 徐宗學, 左德鵬, 等. 黑河上中游流域地表植被對干旱的響應[J]. 北京師范大學學報:自然科學版, 2014(5): 543-548. ZHAO Jie, XU Zongxue, ZUO Depeng, et al. Vegetation response to meteorological drought in upper and middle reaches of the Heihe River basin[J]. Journal of Beijing Normal University: Natural Science, 2014(5): 543-548. (in Chinese)

19 李艷, 王鵬新, 劉峻明, 等. 基于條件植被溫度指數的冬小麥主要生育時期干旱監測效果評價Ⅲ―干旱對冬小麥產量的影響評估[J]. 干旱地區農業研究, 2014,32(5): 218-222. LI Yan, WANG Pengxin, LIU Junming, et al. Evaluation of drought monitoring effects in the main growing and development stages of winter wheat using the vegetation temperature condition indexⅢ—impact evaluation of drought on winter wheat[J]. Agricultural Research in the Arid Areas, 2014,32(5): 218-222.(in Chinese)

20 WANG G, GERTNER G, ANDERSON A B. Up-scaling methods based on variability-weighting and simulation for inferring spatial information across scales[J]. International Journal of Remote Sensing, 2004, 25(22): 4961-4979.

21 HAY G J, NIERNANN K O, GOODENOUGH D G. Spatial thresholds, image-objects, and upscaling: a multiscale evaluation[J]. Remote Sensing of Environment, 1997, 62(1): 1-19.

22 ATKINSON P M, CURRAN P J. Choosing an appropriate spatial resolution for remote sensing investigations [J]. Photogrammetric Engineering and Remote Sensing, 1997, 63(12): 1345-1351.

23 PATEL N R, PARIDA B R, Venus V, et al. Analysis of agricultural drought using vegetation temperature condition index (VTCI) from Terra/MODIS satellite data [J]. Environmental Monitoring and Assessment, 2012, 184(12): 7153-7163.

24 蘇濤, 王鵬新, 劉翔舸, 等. 基于熵值組合預測和多時相遙感的春玉米估產[J]. 農業機械學報,2011,42(1): 186-192. SU Tao, WANG Pengxin, LIU Xiangge, et al. Spring maize yield estimation based on combination of forecasting of entropy method and multi-temporal remotely sensed data [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(1): 186-192. (in Chinese)

25 王蕾. 基于條件植被溫度指數的冬小麥生育時期干旱影響評估研究[D]. 北京：中國農業大學, 2015. WANG Lei. Estimation of drought impact on the main growth stage of winter wheat based on vegetation temperature condition index[D].Beijing: China Agricultural University, 2015.(in Chinese)

26 王鵬新, 龔健雅, 李小文. 條件植被溫度指數及其在干旱監測中的應用[J]. 武漢大學學報：信息科學版, 2001, 26(5): 412-418. WANG Pengxin, GONG Jianya, LI Xiaowen. Vegetation temperature condition index and its application for drought monitoring [J]. Geomatics and Information Science of Wuhan University, 2001, 26(5): 412-418. (in Chinese)

27 孫威, 王鵬新, 韓麗娟, 等. 條件植被溫度指數干旱監測方法的完善[J]. 農業工程學報, 2006, 22(2): 22-26.

Drought Impact Assessment Based on Spatial Up-scaling Methods of Vegetation Temperature Condition Index

BAI Xuejiao1WANG Pengxin1ZHANG Shuyu2LI Li1WANG Lei1XIE Yi1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.ShaanxiProvincialMeteorologicalBureau,Xi’an710014,China)

Up-scaling method for inferring spatial information from a pixel scale to a basic unit scale has significant effects on aggregating results and decision-making. Therefore, developing appropriate methods to accurately up-scale spatial data is the key to infer useful drought information. The time series of vegetation temperature condition index (VTCI) drought monitoring results in Guanzhong Plain from early March to late May in the years from 2008 to 2013 were spatially transformed from a pixel scale to a basic unit scale by using the dominant class variability-weighted method (DCVW), arithmetic average variability-weighted method (AAVW) and median pixel variability-weighted method (MPVW) in the distributed mode and aggregated mode to obtain the aggregated VTCIs. The weighted VTCIs of winter wheat in main growth period were calculated, and the regression analysis between the weighted VTCIs and winter wheat yields was applied as references to evaluate up-scaling methods. The results showed that the regression analysis results of the three methods in the distributed up-scaling mode were generally better than those in the aggregated up-scaling mode. The regression analysis results in the distributed up-scaling mode also indicated that the computing accuracy was high by DCVW and AAVW and was low by MPVW. DCVW in the distributed up-scaling mode was the most accurate method with the highest determination coefficient and the lowest estimated standard error, which were 0.64 and 289.97 kg/hm2, respectively. The estimation yields of winter wheat which obtained by DCVW were very close to the levels of statistics yearbook of Shaanxi Province, indicating that the estimation precision of DCVW mehtod was high, and the method was robust. Overall, the method of DCVW in distributed up-scaling mode was the most reasonable approach to up-scale VTCIs in Guanzhong Plain from a pixel scale to a basic unit scale.

vegetation temperature condition index; spatial up-scaling; drought impact assessment; precision evaluation

10.6041/j.issn.1000-1298.2017.02.023

2016-06-16

2016-07-28

國家自然科學基金項目(41371390)

白雪嬌(1988—)，女，博士生，主要從事定量遙感及其在農業中的應用研究，E-mail： baixuejiaoz@126.com

王鵬新(1965—)，男，教授，博士生導師，主要從事定量遙感及其在農業中的應用研究，E-mail： wangpx@cau.edu.cn

S127

A

1000-1298(2017)02-0172-07