陕甘宁春玉米低温冷害动态监测研究

冯 徽，韩忠玲，程勇翔

（1.石河子大学生命科学学院，新疆 石河子 832000；2.石河子大学信息科学与技术学院，新疆 石河子 832000）

冷害作为玉米农业气象灾害中的一种，很早就引起了关注，但研究成果多集中于东北三省。近年来陕西省、甘肃省和宁夏回族自治区（以下简称陕甘宁）三省区玉米种植面积增加显著，2015年比1991年分别增加了12.03%、215.07%、282.51%［1］。玉米产量增加的原因与全球气候变暖、陕甘宁热量条件改善有关，但气候变暖的同时温度波动幅度也有所增大，极端事件频发［2］，可能会对陕甘宁三省区扩大的玉米种植造成不利影响，因此对陕甘宁三省区玉米冷害进行研究很有必要。

目前作物冷害监测主要有3种途径。一是基于温度距平［3］或温度临界阈值的作物冷害监测，该种冷害监测的关键是对小网格气温推算。一般方法有GIS气温空间插值［4］，或者通过气温与地理因子构建的拟合模型进行推算［5］，如利用MODIS地表温度数据或微波数据，通过建立平均气温多元回归模型监测冷害［6-10］。二是基于作物模型的冷害监测，该方法主要涉及模型参数调整、改进、监测指标选取和监测结果空间化等问题。如利用玉米生长模型，基于构建的冷害综合指标，结合网格气象数据监测东北玉米冷害［11］；利用ORYZA2000改进模型，基于空秕率等监测水稻冷害［12-13］。三是基于遥感植被指数变化或植被指数临界阈值的作物冷害监测。如利用Landsat ETM+数据对比冷害前后棉田NDVI、DN值等数据的变化监测冷害［14］；通过MODIS植被指数分析，构建水稻各发育期NDVI和EVI监测指标来动态监测冷害［15］。研究发现，模型方法机理较为复杂，准确推算大范围冷害难度大；基于植被指数的冷害监测方法受云影响较为严重；利用温度距平值监测冷害，结果较为滞后。而将温度临界阈值和逐日气温推算相结合，并配合发育阶段判读，则对大范围作物冷害监测更为有效和实用。

1 数据与方法

1.1 研究区介绍

陕甘宁三省区位于 90°30′～115°15′E，31°42′～42°57′N 之间，地形复杂且空间跨度大，总面积达72.55万km2［16-18］。三省区平均海拔1 751 m（数据来源于空间经度30 mDEM平均值）。三省区位于北温带，无霜期平均达100～150 d［19］，年均气温为 8～12℃，春秋两季相对寒冷且温度变化波动大，此时冷害时有发生，给农作物的生产带来很大威胁。研究区气象站点分布如图1所示。

图1 研究区选择及气象站点分布

1.2 数据来源及预处理

从中国气象科学数据共享网［20］获取了71个农业气象观测站点1991—2013年的作物发育期资料，统计了春玉米从播种、出苗、三叶、七叶、拔节、抽穗、乳熟和成熟各发育阶段的普遍期历史平均值，并获取了研究区76个气象站点1951—2017年逐日平均气温数据［21］。通过数据预处理进行有效数据的筛选，选择各气象站点≥10℃有效积温（日平均温度≥10℃的积温）的年平均值用于构建玉米区划图。陕甘宁行政区划数据来自国家基础地理信息系统网［22］，利用该数据构建研究区经纬度图。DEM高程数据由地理数据空间云［23］下载获得，利用该数据制作研究区坡度、坡向图。

谷类作物信息来源于MODIS MCD12Q1产品的分类方案5（Land Cover Type 5），使用MODIS Tool进行数据拼接，将拼接获得的谷类作物分布结果与玉米积温区划相结合，明确了陕甘宁春玉米冷害监测范围。微波数据选取了AMSR-E传感器中AE-L2A数据作为信息源。毛克彪等［24］研究表明：89.0 GHz的空间分辨率是AE-L2A 6个频率中最高的，且与地表温度关系最为密切。研究将AE-L2A中的89.0 GHz垂直极化亮温升轨和降轨数据进行拼接和单位转换，获取逐日完整温度趋势面，结果用于后续逐日气温模型的构建，具体数据处理方法参照文献［9］。

对于无测站点春玉米各发育期数据及陕甘宁逐日平均温度数据，研究利用回归与残差加和订正的方法进行推算，其中残差项由反距离权重法（Inverse Distance Weighting）［9］插值获取。

1.3 陕甘宁三省区春玉米冷害监测年份选取

利用1951—2017年陕甘宁三省区逐日气温数据，选取玉米冷害高发期4～5月和7～9月，计算这两个时段各站点积温距平值，将同年不同站点的积温距平值再平均，利用该计算结果对当年玉米冷害高发时段热量情况作出判断。从图2、图3可以看出，近些年陕甘宁三省区热量条件较好，只在2010年春季总体温度较以往下降明显，因此本试验选取该年份作为目标年进行玉米冷害监测研究。

图2 陕甘宁三省区1951—2017年4～5月积温距平平均值

图3 陕甘宁三省区1951—2017年7～9月积温距平平均值

1.4 低温冷害监测指标的选择

陕甘宁玉米冷害主要发生在每年的春秋两季。由中国农业信息网［25］获得了陕甘宁春玉米冷害动态监测指标（表1）。

表1 陕甘宁春玉米冷害判定指标

2 结果与分析

2.1 陕甘宁玉米种植区提取结果

构建积温空间推测模型，基于各气象站多年平均≥10℃活动积温与纬度、经度和海拔之间的相关关系，结合前人总结的玉米生产积温安全阈值1 900℃.d［25］，提取了陕甘宁玉米理论分布区（图4，彩插二）。

AT≥10℃= 1.55×104- 99.30α- 61.03β- 1.56γ式中，AT≥10℃为多年平均积温，α、β和γ分别为纬度、经度和海拔。方程决定系数R2= 0.97，样本数n = 76，统计检验F = 1.53×103，达到0.01极显著水平，模型均方根误差RMSE=191.73℃，这一估测精度能够满足研究需要（图5）。

图5 模拟积温与气象站计算积温结果

在陕甘宁玉米理论分布区提取的基础上，叠加2003—2013年每年的MODIS MCD12Q1谷类作物分布信息，取玉米理论分布区和谷类作物的交集作为陕甘宁玉米种植区提取结果，获得的陕甘宁玉米理论种植区面积，占研究区总面积的22.24%。结果用于后续冷害监测（图6，彩插二）。

2.2 陕甘宁春玉米冷害重点监测时段动态发育期的构建

2.2.1 陕甘宁春玉米静态发育期的构建 通过对研究区三省区1991—2013年春玉米主要发育期平均值的计算，得到各发育期平均儒略日（表2）。

通过对陕甘宁春玉米播种期、拔节期和成熟期多年平均值与地理因子的相关分析发现，春玉米播种、拔节和成熟期与经纬度和海拔之间有很强相关性（表3），可利用这些因子建立的多元回归方程推断未知区域的春玉米农时。

对模拟结果采用未参与建模的27个气象观测站点的实测数据进行验证，结果表明，模拟的春玉米播种、拔节和成熟普遍期（图7，彩插二）与验证站点计算的各发育阶段的RMSE分别为2.38、1.78和3.08。计算的T统计值分别为-0.14、-0.23和-0.23，其相伴概率分别为0.89、0.82和0.82，结果都比显著性水平0.05要大，接受T检验零假设，模拟值和真实值没有显著差异（图8），实验结果可用于后续分析。

表2 陕甘宁三省区1991—2013年春玉米发育期（d）平均值变化范围

表3 春玉米发育期与各地理因子的多元回归方程

图8 春玉米拔节普遍期空间分布图精度验证

2.2.2 陕甘宁春玉米动态发育期的构建 完成春玉米播种、拔节与成熟期静态发育期的构建后，采用程勇翔［26］等设计的《作物发育期时空格局动态演示程序 V1.0》输出监测时段春玉米逐日动态发育期在当年儒略历日的时空变动图，结果如图9（彩插二）所示。拔节至成熟期动态图的做法相同，研究结果展示从略，不再赘述。

2.3 陕甘宁逐日平均气温推算

利用44个气象站点逐日平均温度与地理因子和微波亮温的相关性分析构建了逐日平均气温推算方程，并结合纬度图、经度图、海拔图、坡度图、坡向图和微波亮温图推算出了2010年陕甘宁三省区4～10月每日平均气温图，结果举例如图10（彩插三）所示。

利用未参与建模的32个气象站实测数据对获取的逐日气温数据进行检验，模拟值与实测值RMSE为1.75℃。该精度满足冷害监测所需，可用于后续监测研究。

2.4 陕甘宁春玉米冷害动态监测结果

利用已得到的陕甘宁玉米种植区图、玉米发育期动态图，结合玉米冷害监测指标，实现了陕甘宁三省区玉米冷害的动态监测，见表4、图11（彩插三）。查询相关资料与2011年中国农业气象灾害统计年鉴记录：在2010年4月11～15日，陕西省关中北部和陕南局部地区遭遇寒潮霜冻天气［27］，甘肃全省出现了3～5 d连续低温天气，造成上述地区玉米出现 “烂种或死苗”的现象。上述现象与监测结果相吻合。

表4 2010年春玉米春季低温冷害监测结果

研究利用已报道的玉米中后期冷害监测指标，对2010年陕甘宁春玉米秋季冷害进行监测，结果表明，该区域春玉米未发生明显冷害，这与2011年中国农业气象灾害统计年鉴记录一致，与图3陕甘宁三省区各气象站点7～9月积温距平平均值统计结果相吻合。

再利用2010年陕甘宁各气象站点监测时段数据，计算各站点相对历史逐日平均值的距平值。将各站点计算的逐日温度距平值再平均，结果用于衡量研究区每日温度状况的亏盈，结果如图12～13所示。从图12可以看出，在4～5月有3段明显低于历史平均值的时期，该时期与表4冷害监测结果在发生时间和范围广度上相吻合。从图13可以看出，7～9月，各气象站点逐日温度距平平均值基本为正数，即使有个别时段出现较小的负距平值，但因夏季温度普遍较高，气温并未低于冷害监测指标值，无冷害发生，该结果与研究监测结果相一致。通过上述分析，进一步证实了研究方法的有效性和监测结果的准确性。

图12 2010年4～5月陕甘宁各气象站点逐日温度距平平均值

图13 2010年7～9月陕甘宁各气象站点逐日温度距平平均值

3 结论与讨论

研究中涉及的动态发育期构建对大范围复杂环境作物冷害监测很有必要，原因是冷害监测临界指标一般是针对不同发育期研制的，如果没有考虑发育期和冷害监测指标之间的配合度，很可能判断错误。在现有作物冷害动态监测中很少有学者利用动态发育期图监测冷害。刘丹等［15］通过MODIS MOD13A2植被指数分析，构建了水稻的各发育期NDVI和EVI监测指标。在水稻各发育期静态图构建的基础上，判读监测当日水稻理论发育阶段，将监测当日实测植被指数与理论发育阶段应当达到的植被指数对比，判断有无延迟型冷害发生，该研究采用的水稻发育期判读类似于发育期动态图的构建，基本实现基于发育期植被指数的冷害动态监测，但植被指数分析法对于云污染的像元不能进行冷害监测，存在着一定的局限性。

研究对春玉米面积提取采用了活动积温与MODIS历年谷类作物相结合的方法。该方法相比于利用植被指数时间序列分析提取玉米面积来说，虽然在空间位置上不够准确，但却更实用，可以帮助农业部门及时确定春玉米冷害发生的大致范围，对冷害发生区域迅速做出响应，降低农户经济损失。而利用植被指数时间序列法提取的春玉米面积虽然准确，但结果较为滞后。研究认为植被指数时间序列分析对后续冷害损失评估和准确测定春玉米受灾面积更为适用。

图14 微波亮温数据对逐日气温推算的影响

研究利用微波数据受天气条件影响小的特性，为逐日气温推算提供了一个温度趋势面信息。通过与地理因子的多元回归分析，推算逐日气温。研究进一步比较了加入微波数据和去除该数据对温度推算的影响。图14是对日平均温度的残差直方图的Gauss拟合结果，直观地反映了微波亮温趋势面信息对提高气温推算的影响：加入微波数据后，逐日气温推算的结果与实测气温相比较均方根误差为1.75℃；如果去除该数据，只用地理因子推算气温，均方根误差为2.12℃，微波数据的加入可以将日平均气温的推算精度提高0.37℃。气温推算精度基本满足研究所需。

相比于利用LST（Land Surface Temperature）产品通过插补云污染像元，再用于推算气温来说，微波亮温推算气温方法推断次数更少，方法更高效［7-8］。张丽文等利用MODIS8天或逐日LST数据，结合地理因子、植被指数等变量建立多元回归模型推测平均气温，对于受云污染的像元再采用局部窗口空间迭代插补或地面数据空间插值的方法填补，在冷害监测指标的选取上分别利用了积温距平［7-8］、累积生长度日距平［10］或温度临界阈值［9］监测冷害，逐步实现了冷害动态监测，证实基于LST的逐日温度推算具有一定的准确性。若今后冷害研究中能将逐日微波亮温数据和MODIS逐日LST数据相结合，则有望进一步提高冷害温度推算精度。

综合本研究结果，微波亮温趋势面信息的加入可进一步提高逐日温度的推算精度。大范围冷害监测时，动态发育期的采用可提高冷害监测指标和发育期的配合度。研究采用的方法经证实可以实现对陕甘宁三省区 春玉米冷害进行大范围的同步跟踪监测。本研究方法具普适性，对其他作物冷害监测同样适用。