基于高分六號衛星數據的花生干旱監測研究

張 彥，劉 婷，郭 燕，賀 佳，王來剛，張紅利，楊秀忠

（1.河南省農業科學院農業經濟與信息研究所，鄭州 450002；2.河南省農作物種植監測與預警工程研究中心，鄭州 450002）

0 引 言

干旱是對中國農業影響最大的自然災害之一，具有影響范圍廣、發生頻率高、持續時間長等特征[1]。中國每年旱災損失占各種自然災害的15%以上，每年因旱災造成糧食減產約300 億kg[2]。花生作為中國重要的油料作物之一，每年約有70%的花生受到不同程度的干旱脅迫，對花生的產量和品質造成影響。在全球氣候變暖的大背景下，干旱發生的頻率和強度均在迅速增長，干旱對花生生產的沖擊和影響變大[3]。因此，開展花生干旱監測研究，為花生干旱預警提供實時精確的信息，提高灌溉的精確性和及時性，對于保障花生豐產、穩產具有重要意義。

利用遙感技術可以快速獲取大范圍土壤水分變化及作物生長狀態，準確地反映不同干旱條件下作物受脅迫的程度，在農業旱災監測預警中得到廣泛應用[4-7]。大量研究表明，溫度植被干旱指數（Temperature Vegetation Dryness Index，TVDI）能較好地反映大范圍作物干旱信息[8-10]。TVDI的構建多是采用傳統的歸一化植被指數（Normalized Difference Vegetation Index，NDVI），但NDVI在植被覆蓋度較高時易飽和[11]，對干旱監測的精度造成一定不利影響。近年來，不少學者利用增強型植被指數（Enhanced Vegetation Index，EVI）、修正土壤調整植被指數（Modified Soil-Adjusted Vegetation Index，MSAVI）、比值植被指數（Ratio Vegetation Index，RVI）等植被指數對TVDI進行了改進，均取得了較高的監測精度。LI 等[12]利用EVI構建TVDI估算不同土壤深度水分，發現利用EVI構建的TVDI與降水距平的相關性更好；為減少土壤背景與植被覆蓋度對干旱監測精度的影響，陳明星等[13]在不同植被覆蓋狀況下選取多種植被指數構建TVDI，發現在高植被覆蓋區利用EVI和MSAVI計算的TVDI比其他植被指數更能反映土壤濕度狀況。改進的TVDI對作物干旱監測精度更高，但都是采用近紅外和紅光波段構建植被指數進行TVDI改進，較少有利用紅邊波段的研究。此外，已有干旱遙感監測研究普遍集中在整個研究區域，而不是作物種植區域，限制了結果的針對性和適用性。紅邊波段作為植被在0.68～0.76 μm 反射率增高最快的點，與植被的各種理化參數緊密相關[15]，是描述綠色植物生長和健康狀況的敏感波段，亦可作為指示作物受干旱脅迫狀態的理想工具[16]。國內外眾多學者采用近地高光譜遙感數據中的紅邊波段開展農業干旱監測研究，發現紅邊波段對葉片含水量[17]、葉面積指數[18]、葉綠素含量[19]等農田干旱程度評價指標的變化反應敏感。如蘇偉等[20]基于無人機影像構建了多個植被指數與冠層葉綠素含量進行回歸分析，發現紅邊波段的加入可有效提高葉綠素含量估算的精度。VAZ等[21]利用便攜式植物反射光譜測量儀測定葡萄葉片光譜反射率并計算了歸一化紅邊差值植被指數、紅邊位置等紅邊參數，發現歸一化紅邊植被指數與葡萄葉片相對含水量相關性較好，可以用于葡萄抗干旱品種篩選。林毅等[22]利用高光譜數據對不同干旱脅迫條件下玉米冠層光譜反射率的變化特征進行了研究，發現紅邊參數對于干旱脅迫響應快。這些研究為紅邊波段在干旱遙感監測中的應用奠定了良好的基礎。

隨著WorldView、SuperDove、Sentinel-2 等衛星的成功發射，利用多光譜衛星紅邊波段開展區域尺度的農業干旱監測成為可能。但受各國遙感數據分發服務政策影響，國外衛星數據的獲取存在費用高和不確定性問題[23]。國產高分六號衛星于2018年6月2日成功發射，作為中國首顆具備紅邊波段傳感器的衛星，實現了國產高分衛星數據替代國外同類數據，打破了農業遙感監測研究需要用到的中高分辨率數據長期依賴國外衛星的局面。高分六號具有寬覆蓋、高重訪、高分辨率、多譜段特征等特征[24]，對區域尺度農業遙感監測應用需求的滿足程度更高，已在地物類型識別[25]、長勢診斷[26]等農業監測中得到較好應用，但目前尚沒有關于GF-6 數據在農業干旱中的應用研究報道。因此，本研究基于高分六號寬幅數據（GF-6 WFV），運用紅邊波段構建溫度植被干旱指數（TVDI）對社旗縣花生旱情進行監測，探討紅邊波段在花生干旱監測中的適用性，為高分六號衛星數據在農業干旱監測方面的應用提供參考。

1 數據與方法

1.1 研究區概況

社旗縣位于河南省南陽市（32°47′～33°07′N，112°45′～113°11′E）（見圖1），處于北亞熱帶向暖濕帶過渡帶，具有明顯的大陸性季風氣候特征，年均降水量為910.11 mm，年際間和不同季節間降水分布不均，導致旱災頻發。該縣秋季作物有玉米、花生、大豆、紅薯等，其中花生播種面積占比最大，2019年播種面積達3 萬hm2，占全縣秋糧播種總面積的35%，是該縣主要的經濟作物和油料作物。社旗縣花生播種方式以夏直播為主，播種期為每年6月初，收獲期為9月末，生育期為110 d。

圖1 研究區地理位置及干旱等級實測點Fig.1 Location of study area and drought grade measured points

1.2 數據來源與處理

1.2.1 遙感數據

研究使用的GF-6 衛星數據是由中國資源衛星應用中心（http://www.cresda.com/CN/）提供，多光譜寬幅相機(WFV)數據空間分辨率為16 m，包含8 個波段，分別為：藍波段（波長0.45～0.52 μm）、綠波段（波長0.52～0.59 μm）、紅波段（波長0.63～0.69 μm）、近紅外波段（波長0.77～0.89 μm）、紅邊波段1（波長0.69～0.73 μm）、紅邊波段2（波長0.73～0.77 μm）、紫邊波段（波長0.40～0.45 μm）、黃邊波段（波長0.59～0.63 μm）。Landsat 8 TIRS 數據來源于美國地質調查局（http:∥glovis.usgs.gov/），影像行列號為124/37，空間分辨率為100 m。利用ENVI5.3軟件對GF-6 WFV和Landsat8 TIRS數據進行輻射校正、幾何校正、配準、裁剪等處理得到研究區范圍的植被指數和地表溫度數據。

1.2.2 土壤相對濕度數據

土壤相對濕度數據來源于中國氣象科學數據共享網（http:∥data.cma.cn）“中國氣象局陸面數據同化系統（CLDASV2.0）實時產品數據集”，空間分辨率為0.062 5°×0.062 5°，與地面實際觀測值吻合度較高，選取與遙感數據時間相同的0～20 cm土壤相對濕度數據對反演的TVDI進行精度驗證。

1.2.3 實地調查數據

為對TVDI干旱分級結果進行準確率驗證，于2019年9月13日在社旗縣進行實地調查，參照《農業干旱等級》(GB/T32136-2015)，根據實地調查時花生植株形態（見圖2）和莢果數量，將花生干旱劃分為輕旱、中旱、重旱、特旱4 個等級。輕旱表現為花生葉片上部卷起，莢果數量較正常年份減少10%以內；中旱表現為花生葉片凋萎，莢果數量較正常年份減少10%～40%；重旱表現為花生葉片枯萎，莢果數量較正常年份減少40%～80%；特旱表現為花生植株干枯死亡，莢果數量較正常年份減少80%以上，甚至絕收。通過全球定位系統（Global Positioning System，GPS）設備采集地面實測樣本點共計162 個，其中輕旱樣本點36個、中旱樣本點33 個、重旱樣本點54 個、特旱樣本點39 個。

圖2 不同干旱強度下花生植株形態Fig.2 The patterns of peanuts with different drought intensity

1.2.4 其他數據

除遙感數據、土壤相對濕度數據和實測數據外，本研究還收集了社旗縣地形圖、土地利用數據，用于輔助識別花生種植面積空間分布。

1.3 研究方法

采用高分六號衛星數據的紅波段、紅邊波段和近紅外波段的反射率數據分別計算歸一化差值植被指數(NDVI)和歸一化紅邊差值植被指數(Red-edge Normalized Difference Vegetation Index，NDVI_RE)，與 地 表 溫 度（Land Surface Temperature，LST）擬合得到溫度植被干旱指數(TVDI)。

1.3.1 植被指數計算

為了充分利用高分六號衛星紅邊波段信息，除了常用的歸一化差值植被指數外，還基于植被指數構建方法，用紅邊波段分別替換紅光波段，構建新的植被指數NDVI_RE[27]，對作物干旱監測能力進行對比分析。各植被指數計算公式如下：

式中：NIR、R、RE分別表示近紅光波段、紅光波段、紅邊波段的光譜反射率。

1.3.2 溫度植被干旱指數（TVDI）

地表溫度和植被指數結合能夠提供地表植被和水分條件信息，當研究區的植被覆蓋從裸土到全覆蓋，土壤濕度從極干旱到極濕潤的情況下，由地表溫度（LST）為縱坐標，植被指數（Vegetation Index，VI）為橫坐標的散點圖呈三角形[28]。TVDI綜合利用地表溫度與植被指數信息，其計算公式如下：

式中：LST為任意像元的地表溫度；LSTmin為同一植被指數VI值對應的最低地表溫度，LSTmin=a+b VI，稱為濕邊，其中a和b為濕邊方程的擬合系數；LSTmax為同一植被指數VI值對應的最大地表溫度，LSTmax=c+d VI，稱為干邊，其中c和d為干邊方程的擬合系數。TVDI值域范圍為[0，1]，TVDI值越大，表示土壤濕度越小，干旱越嚴重；相反，TVDI值越小，表示土壤濕度越大，干旱越輕[29]。

1.3.3 分級準確率評價

為分析TVDI對花生干旱程度的反映能力，參照劉丹等[30]提出的準確率檢測方法，結合實測樣本點數據，對TVDI干旱等級監測結果進行準確率評價，準確率計算公式如下：

式中：ACC為準確率；H為TVDI監測結果與地面實測干旱等級一致的樣本點個數；M為TVDI監測結果與地面實測干旱等級不一致的樣本點個數。

2 結果與分析

2.1 TVDI模型的建立與驗證

2.1.1 地表溫度-植被指數（LST-VI）特征空間

利用2019年7月7日、2019年8月24日、2019年9月9日的NDVI、NDVI_RE分別與相應日期的LST構建地表溫度-植被指數（LST-VI）特征空間，結果見圖3。由圖3可以看出NDVI、NDVI_RE與LST的散點分布形狀均近似三角形，符合Sandholt 等人提出的特征空間分布，說明2 種植被指數與地表溫度構造的特征空間均適用于研究區。

圖3 2019年6-9月地表溫度-植被指數（LST-VI）特征空間Fig.3 LST-VI space from June to September,2019

根據植被指數與地表溫度特征空間的結果，擬合對應的干邊、濕邊方程，結果見表1。由表1可以看出，干邊方程斜率均小于0，濕邊方程斜率均大于0，表明最大地表溫度隨植被指數的增大呈減小趨勢，最小地表溫度隨植被指數的增大呈增加趨勢。同時期比較時，NDVI、NDVI_RE擬合干邊方程的決定系數均大于濕邊方程，干邊方程擬合效果優于濕邊方程；由NDVI_RE參與擬合的干邊方程決定系數大于NDVI，說明紅邊波段的加入提高了干邊方程擬合度。不同時期比較時，基于NDVI_RE得出的干邊方程擬合系數高于同時期NDVI，決定系數最高達0.92。故選取NDVI_RE構建的TVDI對研究區干旱進行后續研究。

表1 不同植被指數的干邊、濕邊方程Tab.1 Equations of dry edge and wet edge of different vegetation index

2.1.2 TVDI模型驗證

已有研究表明TVDI與0～20 cm 土壤水分的相關性最高[31]。據此，本研究利用2019年7月7日、2019年8月24日、2019年9月9日的0～20 cm 土壤相對濕度與同期反演得到的TVDI進行相關性分析，驗證TVDI對花生干旱監測的有效性，結果見表2。由表2可知，2種指數與0～20 cm 土壤相對濕度均呈顯著負相關（P＜0.05），隨著TVDI的增大，土壤相對濕度呈下降趨勢，即TVDI越高，土壤相對濕度越低，旱情越嚴重。其中，相同時期的TVDINDVI_RE與0～20 cm 土壤相對濕度的相關系數高于TVDINDVI與0～20 cm 土壤相對濕度的相關系數。TVDI與土壤相對濕度的相關性在2019年8月24日高于2019年7月7日及2019年9月9日，這是由于2019年7月7日為花生幼苗期，地表覆蓋度較低，土壤信息影響植被指數表達；2019年9月9日為花生成熟期，花生植被指數存在飽和效應；而2019年8月24日為花生結莢期，生長旺盛，植被覆蓋度高，植被信息中土壤背景噪聲影響小，TVDI與土壤相對濕度的相關性高。該結果進一步反映出基于紅邊波段計算得到的TVDI更適用于研究區花生干旱監測。

表2 溫度植被干旱指數（TVDI）與土壤相對濕度相關系數Tab.2 Correlation coefficient between soil relative humidity and temperature vegetation dryness index(TVDI)

2.2 干旱等級劃分標準的準確率

為降低云及土壤背景的影響，對3 期TVDINDVI_RE進行平均值合成后，采用自然間斷點分級法將TVDI劃分為4 個等級：0～0.6 為輕旱、0.6～0.7 為中旱、0.7～0.8 為重旱、0.8～1.0 為特旱。結合干旱等級實測數據對TVDI干旱分級結果進行分級準確率驗證，結果見表3。由表3可以看出，本研究得到的干旱等級與實測干旱等級多數情況下是一致的，其中，36 個輕旱實測樣本點均落在TVDI輕旱內；33個中旱實測樣本點有30個落在TVDI中旱內，3 個落在TVDI重旱內；54 個重旱實測樣本點有45 個落在TVDI重旱內，6 個落在TVDI中旱內，3 個在TVDI特旱內；39個特旱實測樣本點有均落在TVDI特旱內，各干旱等級監測準確率均超83.33%，總體準確率為91.98%。以上結果表明，基于GF-6TVDINDVI_RE劃分的干旱等級標準適用于社旗縣花生干旱監測，監測結果與實測結果基本相符。

表3 基于TVDINDVI_RE的干旱分級準確率驗證 個Tab.3 Accuracy of drought grade based on TVDINDVI_RE

2.3 花生干旱遙感監測結果

為探究TVDI對區域范圍內作物干旱監測效果，參照2.2節的分級標準對2019年7月7日、2019年8月24日、2019年9月9日的TVDINDVI_RE結果進行干旱分級，由此得到2019年6-9月的社旗縣花生干旱等級分布圖（見圖4）。由圖4可以看出，2019年7月7日社旗縣花生干旱以輕旱為主，西北部地區有重旱和特旱；2019年8月24日社旗縣花生干旱在東部地區有重旱與特旱，中部地區和西部地區有中旱和輕旱；2019年9月9日社旗縣花生干旱在東部地區有重旱和特旱，中部地區和西部地區有中旱。縱觀社旗縣2019年6-9月干旱情況由西向東逐漸加重，東部地區干旱情況較為嚴重且持續時間長。這與社旗縣東部和東北部地區耕地多為沙崗地且灌溉條件不佳，西部及南部地區灌溉條件便利有關。

圖4 社旗縣花生干旱等級分布圖Fig.4 Spatial distribution of peanut drought grade in Sheqi County

3 結 論

2019年秋季作物生長期間，社旗縣持續高溫少雨，對花生產量和品質造成不利影響。本研究基于GF-6 WFV數據計算紅邊歸一化植被指數（NDVI_RE）和歸一化植被指數（NDVI），與地表溫度（LST）構建溫度植被干旱指數（TVDI），結合土壤相對濕度和干旱等級實測數據，動態監測研究區花生干旱情況，評估高分六號紅邊波段在花生干旱監測中的適用性。研究結論如下。

GF-6 WFV 衛星紅邊波段參與計算的TVDINDVI_RE與LST的散點分布形狀符合“三角形”特征空間分布，有紅邊波段參與的干邊方程擬合效果優于無紅邊波段參與，基于NDVI_RE指數的干邊方程擬合度最大為0.92；2種植被指數構建的TVDI與0～20 cm土壤相對濕度均呈顯著負相關關系，基于NDVI_RE指數構建的TVDI與0～20 cm 土壤相對濕度的相關性更好，最大相關系數為0.85；研究利用TVDINDVI_RE實現了社旗縣花生干旱動態監測，TVDINDVI_RE干旱分級結果與干旱等級實測結果一致性較好，花生干旱等級監測總體準確率為91.98%。GF-6 衛星紅邊波段可有效提高花生干旱監測精度，更好地表征花生干旱信息。

農業干旱是在農業生產中由于氣溫過高、降水不足、土壤含水量過低等原因導致供水不能滿足農作物的正常需水，影響作物正常生長發育[32]。溫度植被干旱指數綜合利用植被指數和地表溫度信息反演土壤濕度，可較好地反映作物干旱情況。針對當前大多數研究在構建TVDI模型時采用歸一化植被指數，而歸一化植被指數對于不同時期植被覆蓋差異的敏感性不同，影響了TVDI監測土壤濕度的準確性這一問題[33]，本研究利用GF-6 WFV 衛星紅邊波段對TVDI進行改進并應用于花生干旱監測，發現相比于傳統NDVI構建的TVDI，由紅邊波段參與改進后的TVDI與土壤相對濕度相關性更高。紅邊波段作為GF-6 衛星的優勢波段，為農情監測和改進傳統遙感參數反演提供了新的契機，但由于搭載紅邊波段的傳感器相對較少，基于紅邊波段的農情遙感監測研究尚處于起步階段。在紅邊植被指數構建時，參考了高光譜遙感植被指數的構建方法，GF-6 WFV數據與高光譜數據的紅邊波段的中心波長無法完全一致，這可能會對判別精度造成一定的影響。后續還應加強多個紅邊波段之間的光譜差異研究，在多個紅邊波段中合理選擇波段進行指數構建，提高干旱監測模型的普適性。此外，本研究僅針對花生干旱開展了監測研究，對其他作物的干旱監測能力尚需進一步研究。