论文部分内容阅读
摘要：水稻结实率是水稻产量构成因素中的重要组成，其受气象环境影响较大，因此，建立水稻结实率估算模型对区域水稻产量监测具有重要作用。在2012、2013年水稻光谱观测试验的基础上，以遥感影像为数据源，提出了能够在水稻抽穗至成熟阶段反映低温冷害影响的遥感指数（cold vegetation index，CVI），并分析了CVI值与水稻产量要素、温度因子的关系。在此基础上，以抽穗至成熟阶段的CVI和平均气温为自变量，采用线性回归方法，构建水稻结实率估算模型。为验证该模型，选择苏皖2省一季稻为研究对象，并以MOD09A1产品为遥感数据源，对水稻结实率估算模型进行了点和面上的模拟和评价。结果显示，抽穗开花至成熟阶段CVI和在此期间的温度条件与水稻结实率存在显著的相关关系，是影响结实率的2个重要因素。站点估算的结实率相对误差小于11%，平均相对误差为4%，估算值空间分布与观测值基本一致，表明该模型的模拟结果能够较好地反映水稻结实率的空间分布情况和不同气候年景下结实率的变化。综上所述，提出的CVI和建立的结实率估算模型适用于区域水稻低温冷害监测和灾损评估。
关键词：低温冷害；区域产量监测；灾害评估；产量；遥感指数；水稻结实率
中图分类号： S127；S426文献标志码：
文章编号：1002-1302（2017）16-0189-06
收稿日期：2016-03-28
基金项目：国家科技支撑计划（编号：2011BAD32B01）；国家公益性行业（气象）科研专项（编号：GYHY201306036、GYHY201306035、GYHY201506055）；江苏高校优势学科建设工程。
作者简介：陈德（1990—），男，江苏南通人，硕士研究生，研究方向为农业气象灾害与农业遥感。E-mail：1036537175@qqcom。
通信作者：杨沈斌，博士，副教授，研究方向为农业气象、农业遥感。Tel：（025）58731165；E-mail：jaasyang@163com。
水稻产量要素包括有效穗数、穗粒数、结实率和千粒质量，其中结实率的高低在较大程度上反映了产量水平。有研究表明，结实率的稳定性与水稻产量的稳定性呈正相关，并达到显著水平。然而，我国水稻种植分布广泛，水稻生长季长，常受多种气象灾害影响。其中，低温冷害是造成水稻减产的重要灾害之一。例如，长江中下游一季稻产量形成期经常遭遇低温天气，不同程度地影响颖花发育、授粉受精和籽粒灌浆，最终导致结实率下降而减产。典型年份有2005年8月中下旬，安徽地区出现连续6 d大风阴雨天气，18—25日平均气温陡降7～8 ℃，21日最低气温降至17 ℃，许多地区水稻有效穗受害比例达60%，空壳率达30%～40%[3]。因此，为快速有效地评估受灾损失，有必要结合遥感技术实现区域尺度的水稻生产监测和受灾评估。
目前，大量报道证明遥感能够用于区域的产量监测，对指导地方水稻生产和防灾减灾具有重要的作用[4-10]。這些研究多通过遥感来计算植被指数，然后将植被指数与水稻生物量、产量要素、叶面积指数（LAI）、光温气象条件和农业气象灾害指标等因子建立关系，来推算水稻产量。例如，薛利红等分析水稻产量、穗数、穗粒数与比值植被指数（RVI）、垂直植被指数（PVI）、归一化植被指数（NDVI）等8种不同植被指数之间的关系，认为灌浆初期的PVI指数与穗粒数的相关性最好，孕穗期的绿色归一化植被指数（GNDVI）与产量的相关性最好[10]。Boschetti等利用MODIS-NDVI反演叶面积指数，代入光合效率模型进行水稻估产，研究认为植被指数与叶面积指数存在极显著相关关系，利用水稻关键生育期的NDVI数据可以提高估产精度[11]。Ren等研究认为基于水稻抽穗开花期NDVI建立逐步回归模型的估产精度较高[12]。程乾研究表明增强型植被指数（enhanced vegetation index，EVI）与水稻有效穗数、穗粒数、千粒质量的相关性优于NDVI指数。这与Son等、王正兴等的研究结论基本一致。
尽管上述研究在分析水稻光谱特征与产量以及产量构成要素的关系上运用的方法一致，并且构建了不同形式的模型，但是缺乏与结实率有关的研究报道和估算模型。因此，本研究拟利用2012、2013年大田水稻光谱观测数据，在分析不同播期水稻植被指数动态曲线的基础上，提出适用于低温冷害的遥感指数，然后将该指数与研究时段气象要素进行回归分析，建立水稻结实率估算模型。最后，利用MODIS数据，以江苏、安徽地区一季稻为研究对象，对水稻抽穗开花至成熟阶段受低温冷害影响下的结实率进行估算，验证遥感指数在水稻结实率估算上的有效性，为长江中下游稻区冷害检测评估提供重要的技术参考。
1试验与数据
11研究区概况
选取处于长江中下游稻区的江苏和安徽2省作为研究区。该地区属亚热带季风气候，年平均气温19 ℃，无霜期210～270 d，≥10 ℃积温4 500～6 000 ℃·d，年日照时数800～1 500 h，年降水量1 000～1 400 mm，丰富的降水及密布的河网为水稻生产提供了重要保障。近30年来，江苏和安徽中北部已形成以一季稻与小麦或油菜轮作的种植制度，其水稻种植分布如图1所示。2省一季稻生长季主要的农业气象灾害类型相似，以高温热害、低温冷害和寡照为主[14-16]。有研究显示[17-18]，江苏和安徽2省冷害发生频次呈现“北多南少”的分布特征，8月下旬至9月底连续3 d或以上日平均气温低于22 ℃的低温天气发生频次为09～20次/年，其中2省中北部低温冷害的发生比例大，对产量和产量要素的影响明显。
12田间试验
水稻观测数据来自2012—2013年在南京信息工程大学农业气象试验站开展的分期播种试验。试验品种为陵两优268、金优458、扬稻6号和两优培九，均属于籼型两系杂交稻。2年试验均设置了7个播期，最早在4月15日播种，最晚在6月25日播种，每个播期之间相隔10～15 d。具体的播期设置和田间管理方案已在文献[20]中列出。 参照《农业气象观测规范》，观测各播期水稻的生育期、地上部分各器官生物量、LAI、群体茎蘖密度、产量结构及产量。在试验期间选择晴天无云或少云、风力较小的天气，使用光谱分析仪（analytical spectral devices，简称ASD）公司的FieldSpec Pro FR野外便携式光谱仪，不定期测定水稻冠层垂直上方的光谱反射特征。传感器探头垂直向下，探头视场角25°，与冠层顶相距约06 m，在每个小区内垂直向下观测，并重复测定5次，取平均值作为该处理小区的水稻冠层光谱。在每个试验小区测定前后各进行1次白板校正，即白板置于水稻冠层同一水平面上测定其光谱，将观测的水稻冠层光谱除以对应的白板光谱再乘以白板的室内定标光谱得到水稻冠层光谱反射率数值。
对采集的水稻光谱数据进行预处理。首先利用ASD光谱仪配套的ASD ViewSpecPro软件对所有观测的光谱数据进行筛选处理，删除观测误差明显的光谱曲线，然后计算同小区多个处理下的光谱曲线平均值，最后输出平均光谱曲线供后续分析使用。另外，从光谱反射率曲线中分别提取蓝光波段（459～479 nm）、红光波段（620～670 nm）、近红外波段（840～875 nm）和短波红外（1 628～1 652 nm）的平均光谱反射率，计算EVI。该指数计算公式如下：
[JZ（]EVI=25×（ρnir-ρred）/（ρnir 6×ρred-75×ρblue 1）。
（1）式中：ρnir、ρred、ρblue分别代表近红外、红光、蓝光波段平均光谱反射率。
在大田试验期间，获取了WatchDog小型自动气象站观测的逐小时气象数据，包括温度、辐射、风速和风向、水汽压和降水。
13农业气象试验站资料
水稻农业气象观测资料来源于2001—2010年江苏、安徽2省共12个农业气象观测站（图1），包括水稻种植品种、熟性、生育期及产量要素等。气象资料为对应气象站的常规逐日观测数据，包括最高和最低气温、日照时数、降水量、风速、水汽压。
14MODIS影像数据及处理
从NASA网站下载了2001—2010年MODIS的MOD09A1产品数据，分幅格网编号为H27V05、H27V06、H28V05、H28V06，覆盖了整个长江中下游地区。MOD09A1产品为MODIS Terra星8 d合成地表反射率产品，空间分辨率为500 m。每景影像含有7个波段，对应MODIS数据的1～7波段，波段信息可参考网站http：//modisgsfcnasagov/。
对MOD09A1数据进行了预处理。首先，选择第1、2、3波段（分别对应红光、近红外、蓝光波段）计算EVI，然后参考文献[21]对EVI时序进行平滑处理，以降低云噪影响。该处理使用了TIMESET 32（http：//webnatekoluse/timesat/timesatasp）软件。采用软件集成的Savitzky-Golay滤波算法[22]对各分幅格网数据进行逐年时序平滑。平滑操作前，将1年的时序EVI数据进行前后复制，形成连续3年的序列，然后設置滤波窗口大小为4，平滑多项式次数为2并进行处理。图2显示处理前后部分区域影像的假彩色合成图（假彩色合成为红：第18波段；绿：第23波段；蓝：第33波段）。从图2可以看出，在处理后的影像中，时序噪声得到了有效抑制，图像色彩也变得更加平滑和连续。图3则给出了六安站附近某水稻像元在去噪处理前后EVI时序曲线的对比，可以看出，处理后的EVI曲线更加平滑，且保留了水稻EVI的时序变化特征，但在时序曲线的低值区高估了水稻的EVI，存在一定误差。
2水稻遥感指数
水稻EVI的时序曲线能够间接反映水稻生长状态及其变化[23-24]，如水稻关键生育期及生育阶段的跨度、叶面积变化的幅度和生长速率的大小等。因此，从EVI曲线中提取上述特征参数有利于进行水稻生长状态的遥感监测和评估，尤其在遇到环境胁迫时，生长特征参数的变化可通过植被指数的时序变化反映出来。
从图4可以看出，4种水稻不同播期的EVI序列均呈现先增大后减小的变化态势，最大EVI出现在抽穗开花期，与LAI的变化规律基本一致。然而，不同播期之间的时序EVI曲线存在差异，这些差异与温度对发育进程的作用有密切联系。以两优培九为例，第1期水稻在5月15日移栽，由于移栽期日平均温度较低（约20 ℃），使得移栽至分蘖期的发育进程比较缓慢，EVI曲线的增长表现出明显滞后。相比而言，第3期和第6期水稻移栽至分蘖期生长发育快，使得该阶段的生长期长度明显缩短，较第1期相同阶段减少约6～12 d（表1）。类似的，第6期水稻灌浆期平均温度较第1期同生育阶段低约7 ℃，使发育进程出现减缓，其灌浆期长度较第1期同生育阶段延长超过15 d。由于生长后期温度迅速走低，第6期该品种生长后期EVI在达到最高值后仅表现出微小的减少。据分析，该时期的环境温度已经接近灌浆结实期的下限温度（15 ℃），导致两优培九出现了“贪青”现象[20，25]，即叶片保持绿色，但植株自然衰败进程几乎停滞。类似的现象也出现在扬稻6号上。对于陵两优268和金优458，因其为早熟品种，生长期相对较短，晚播后依旧能够正常成熟，但从图4中可以看出，第6期后期的EVI曲线较第3期同期的下降幅度要小，表明后期温度低对早熟品种生育期进程的作用也能够通过EVI曲线的变化表现出来。[FK（W20][TPCD4tif][FK）]
注：—表示无数据（水稻不能自然成熟）；SF代表播种至抽穗；FM代表抽穗至成熟。
依据上述分析，本研究提出水稻遥感指数CVI，计算公式为：
[JZ（]CVI=[SX（]ΔEVIΔD[SX）]。（2）式中：移栽至抽穗（TF）阶段ΔEVI为抽穗日EVI值与移栽当日EVI值的差值，ΔD为距离移栽的天数（d），CVI为正值；抽穗至成熟（FM）阶段ΔEVI为成熟日EVI值与抽穗日EVI值的差值，ΔD为距离抽穗的天数（d），CVI为负值。CVI绝对值增大可能是因为水稻发育进程加快或植株冠层增长迅速所致，而其值减小则主要由于水稻生长缓慢或生长过程中受到一定程度的环境胁迫所致。例如，在FM阶段，若遭遇低温天气影响，水稻ΔEVI绝对值变小，发育进程受阻导致ΔD变大，最终使得CVI绝对值减小。 3水稻结实率估算模型
从2012、2013年水稻试验资料中选取后4个播期的观测数据，分析最大EVI（EVImax，依据拟合的EVI时序曲线获取）、移栽至抽穗开花（TF）阶段CVI（CVITF）、抽穗开花至成熟（FM）阶段CVI（CVIFM）及平均温度（TFM）、空壳率（Kgrain）、秕谷率（Bgrain）、结实率（Rgrain）和千粒质量（Wgrain）的关系（表2）。从表2中可以看出，CVIFM、TFM与Rgrain、Kgrain都具有显著的相关关系（P<005），其中CVIFM与Rgrain为负相关关系，TFM与Rgrain为正相关关系，表明该阶段温度低、生育期延迟或发育速率减缓会导致结实率降低。CVITF和EVImax与产量要素的相关关系均没有进行显著性检验。
注：“”表示在001水平上差異显著，“”表示在005水平上差异显著，样本量n=28。
结合以上分析，引入变量CVIFM和TFM构建结实率估算模型，从2012、2013年水稻试验资料中选取后4个播期的观测数据，在剔除因灌浆期较晚未观测到成熟的数据后，以FM阶段CVI和平均温度为自变量，Rgrain为因变量，建立了线性回归模型，公式为
[JZ（]Rgrain=-2734×CVIFM 2374×TFM-682。[JZ）][JY]（3）
构建模型时所用的观测数据样本量为23，样本观测值与模拟值相关系数达到09，F检验值为117，达到了001的显著性水平（图5）。
[FK（W11][TPCD5tif][FK）]
结合MODIS数据，将该模型应用到整个研究区，对每个水稻像元进行结实率推算。依据12个农业气象试验站生育期观测资料，逐年计算对应站点水稻抽穗开花至成熟阶段平均气温；再对各站点数据用薄板样条法进行空间插值，并设置数据空间分辨率与EVI网格数据保持一致，得到逐年TFM数据。
为验证结实率估算模型，选用研究区12个农业气象试验站的观测数据，同时，从模型估算结果图上提取出试验站位置15 km×15 km范围内所有网格（即以站点为中心的3×3个像元）的结实率值，最后将估算的平均结实率与试验站实测的结实率进行比较。
4结果与分析
从图6可以看出，估算数据存在明显的地区差异和年际变化。2001年结实率高于70%的区域主要分布于安徽中部、江苏中部和北部地区，区域面积占比438%；结实率低于50%的区域占比132%，主要分布于安徽南部地区；估算结果最大值为956%，最低值为397%，平均结实率734%。相比之下，2003年结实率高于70%的区域占比减小至 296%，结实率低于50%的区域占比扩大至195%；高值区域分布零散，主要位于江苏中部和西北部以及安徽东南部地区；估算结果最大值为913%，最低值为316%，平均结实率607%。由图7可知，2001、2003年的结实率估算值与观测值相关系数分别达到0982（P<001）和0972（P<001），估算效果较好。
[FK（W24][TPCD6tif][FK）]
图8显示了12个农业气象试验站2001—2010年水稻结实率估算值和观测值的对比。估算的徐州、淮安、六安结实率年际变化与实际变化情况吻合较好，而宜兴和赣榆结实率普遍低于观测值。其中，结实率估算值的相对误差最小出现在淮安试验站（2004年，05%）， 最大出现在宜兴试验站（2003
年，109%）。
5讨论
利用光学卫星对水稻进行产量监测和评估是区域水稻生产监测的重要内容之一。本研究通过提出水稻遥感指数，再将该指数与水稻产量结构进行相关分析，并在此基础上构建了结实率估算模型。从验证结果看，该模型无论在站点还是区域应用上都具有较强的可行性和较高的估算精度，不但有利于帮助掌握水稻结实率在空间上的潜在变化，也能够用于推算不同气候年景下的水稻结实率。
本研究从EVI的时序变化特征与水稻生育期进程的关系着手，建立水稻遥感指数CVI。水稻整个生长期的EVI变化呈现“钟”形特征，最高峰对应水稻抽穗期，两端分别对应移栽期和收割期。当水稻生长经历持续胁迫后，EVI从最高峰到两端的变幅较正常生长情况要小，且生长期可能延长。因此，CVI值较正常状态偏小，并暗示了水稻生长可能经历了不利的环境。而在多种环境因素中，影响研究区水稻生长的主要因子是温度，其中在灌浆结实期的低温作用最为明显。有研究证明，低温冷害是长江中下游一季稻灌浆结实期的主要农业气象灾害类型[14，17，26]。
从表2可以看出，CVIFM与结实率具有显著的相关关系，这主要源于低温常导致籽粒灌浆不实而使得结实率下降。这与蒋李健[27]、龚金龙等[28]的研究相吻合。以CVIFM和TFM为因变量的结实率估算模型具有较强的可靠性，模拟的结实率相对误差小于11%，平均相对误差4%。然而，不难看出部分站点模型估算误差较大，可能的原因有：（1）本研究使用的水稻种植分布数据引自Liu等的研究[19]，随着城市化进程的推进，部分地区水稻种植分布可能发生了较大变化；（2）研究数据来自固定点的大田试验，而实际水稻生产中，各地的土壤状况、田间管理、水稻品种等存在差异，对模型的区域应用有一定干扰；（3）所用的MODIS产品数据为8 d合成，最大时间分辨率为8 d，因此，较难捕捉一次短暂低温过程对水稻产量形成的影响，存在高估结实率的现象，另外，空间分辨率为 500 m，估算结果在不同程度上会受到混合像元的影响；（4）在EVI时序曲线平滑操作中，存在不同程度的高估或低估问题，对ΔEVI的计算产生一定的影响，增加了结果的不确定性；（5）对气象数据进行空间插值会存在一定的误差。
6结论
本研究通过分析水稻EVI的时序变化特征提出CVI，再结合田间试验观测资料分析CVI、温度因子与水稻结实率的关系，建立了结实率估算模型。从结果可以看出，该模型可以有效地估算水稻抽穗开花至成熟阶段受低温冷害影响的结实率状况，在借助较高分辨率的遥感数据后，可以实现较大区域水稻产量的监测和评估，为指导当地水稻生产，应对不利气象条件提供重要参考。 参考文献：
蒋开锋，郑家奎，赵甘霖，等 杂交水稻产量性状稳定性及其相关性研究[J] 中国水稻科学，2001，15（1）：67-69
聂元元，蔡耀辉，颜满莲，等 水稻低温冷害分析研究进展[J] 江西农业学报，2011，23（3）：63-66
[3]吴彬，胡丽玲，玉冠军 2005年度水稻花期低温冷害灾情分析及补救措施[J] 现代农业科技，2006（6）：12
[4]Noureldin N A，Aboelghar M A，Saudy H S，et al Rice yield forecasting models using satellite imagery in Egypt[J] The Egyptian Journal of Remote Sensing and Space Science，2013，16（1）：125-131
[5]Peng D L，Huang J F，Li C J，et al Modelling paddy rice yield using MODIS data[J] Agricultural and Forest Meteorology，2014，184：107-116
Son S T，Chen C F，Chen C R，et al A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation[J] Agricultural and Forest Meteorolog，2014，197：52-64
[7]程乾 基于MOD13产品水稻遥感估产模型研究[J] 农业工程学报，2006，22（3）：79-83
[8]王延颐 植被指数与水稻长势及产量结构要素关系的研究[J] 国土资源遥感，1996（1）：56-59
[9]王延颐，高庆芳 稻田光谱与水稻长势及产量结构要素关系的研究[J] 国土资源遥感，1996，27（1）：51-55
[10]薛利紅，曹卫星，罗卫红 基于冠层反射光谱的水稻产量预测模型[J] 遥感学报，2005，9（1）：100-105
[11]Boschetti M，Confalonieri R，Stroppiana D，et al Agro-ecological modelling for monitoring rice productions：contribution of field experiment and multi-temporal EO data[J] Remote Sensing for Agriculture，Ecosystems，and Hydrology，2005，5976：1-10
[12]Ren J Q，Chen Z X，Zhou Q B，et al Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong，China[J] International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：403-413
[13]王正兴，刘闯，HUETE Alfredo 植被指数研究进展：从 AVHRR-NDVI 到MODIS-EVI[J] 生态学报，2003，23（5）：979-987
[14]李勇，杨晓光，叶清，等 全球气候变暖对中国种植制度可能影响Ⅸ长江中下游地区单双季稻高低温灾害风险及其产量影响[J] 中国农业科学，2013，46（19）：3997-4006
[15]沈陈华 气象因子对江苏省水稻单产的影响[J] 生态学报，2015，35（12）：4155-4167
[16]许信旺，孙满英，方宇媛，等 安徽省气候变化对水稻生产的影响及应对[J] 农业环境科学学报，2011，30（9）：1755-1763
[17]陈斐 长江中下游双季稻低温冷害监测研究[D] 南京：南京信息工程大学，2014
[18]徐敏，徐经纬，高苹，等 江苏水稻障碍型冷害时空变化特征及敏感性分析[J] 气象，2015，41（11）：1367-1373
[19]Liu J Y，Liu M L，Tian H Q，et al Spatial and temporal patterns of Chinas cropland during 1990—2000：an analysis based on Landsat TM data[J] Remote Sensing of Environment，2005，98（4）：442-456
[20]杨沈斌，江晓东，王应平，等 基于Richards扩展方程提取水稻灌浆结实光温特性参数[J] 作物学报，2014，40（10）：1776-1786[HJ165mm]
[21]杨沈斌，景元书，王琳，等 基于MODIS时序数据提取河南省水稻种植分布[J] 大气科学学报，2012，35（1）：113-120
[22]Eklundh L，Jonsson P TIMESAT 30 software mannual[M] Sweden：Lund University，2009
[23]Jiang Z Y，Huete A R，Didan K，et al Development of a two-band enhanced vegetation index without a blue band[J] Remote Sensing of Environment，2008，112（10）：3833-3845
[24]Peng D L，Huete A R，Huang J F，et al Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J] International Journal of Applied Earth Observation and Geoinformation，2011，13（1）：13-23
[25]邹江石，吕川根，王才林，等 两系杂交稻“两优培九”的选育及其栽培特性[J] 中国农业科学，2003，36（8）：869-872
[26]刘娟，杨沈斌，王主玉，等 长江中下游水稻生长季极端高温和低温事件的演变趋势[J] 安徽农业科学，2010，38（25）：13881-13884，13901
[27]蒋李健 结实期温度胁迫对水稻产量和品质的影响[D] 扬州：扬州大学，2009
[28]龚金龙，张洪程，胡雅杰，等 灌浆结实期温度对水稻产量和品质形成的影响[J] 生态学杂志，2013，32（2）：482-491
关键词：低温冷害；区域产量监测；灾害评估；产量；遥感指数；水稻结实率
中图分类号： S127；S426文献标志码：
文章编号：1002-1302（2017）16-0189-06
收稿日期：2016-03-28
基金项目：国家科技支撑计划（编号：2011BAD32B01）；国家公益性行业（气象）科研专项（编号：GYHY201306036、GYHY201306035、GYHY201506055）；江苏高校优势学科建设工程。
作者简介：陈德（1990—），男，江苏南通人，硕士研究生，研究方向为农业气象灾害与农业遥感。E-mail：1036537175@qqcom。
通信作者：杨沈斌，博士，副教授，研究方向为农业气象、农业遥感。Tel：（025）58731165；E-mail：jaasyang@163com。
水稻产量要素包括有效穗数、穗粒数、结实率和千粒质量，其中结实率的高低在较大程度上反映了产量水平。有研究表明，结实率的稳定性与水稻产量的稳定性呈正相关，并达到显著水平。然而，我国水稻种植分布广泛，水稻生长季长，常受多种气象灾害影响。其中，低温冷害是造成水稻减产的重要灾害之一。例如，长江中下游一季稻产量形成期经常遭遇低温天气，不同程度地影响颖花发育、授粉受精和籽粒灌浆，最终导致结实率下降而减产。典型年份有2005年8月中下旬，安徽地区出现连续6 d大风阴雨天气，18—25日平均气温陡降7～8 ℃，21日最低气温降至17 ℃，许多地区水稻有效穗受害比例达60%，空壳率达30%～40%[3]。因此，为快速有效地评估受灾损失，有必要结合遥感技术实现区域尺度的水稻生产监测和受灾评估。
目前，大量报道证明遥感能够用于区域的产量监测，对指导地方水稻生产和防灾减灾具有重要的作用[4-10]。這些研究多通过遥感来计算植被指数，然后将植被指数与水稻生物量、产量要素、叶面积指数（LAI）、光温气象条件和农业气象灾害指标等因子建立关系，来推算水稻产量。例如，薛利红等分析水稻产量、穗数、穗粒数与比值植被指数（RVI）、垂直植被指数（PVI）、归一化植被指数（NDVI）等8种不同植被指数之间的关系，认为灌浆初期的PVI指数与穗粒数的相关性最好，孕穗期的绿色归一化植被指数（GNDVI）与产量的相关性最好[10]。Boschetti等利用MODIS-NDVI反演叶面积指数，代入光合效率模型进行水稻估产，研究认为植被指数与叶面积指数存在极显著相关关系，利用水稻关键生育期的NDVI数据可以提高估产精度[11]。Ren等研究认为基于水稻抽穗开花期NDVI建立逐步回归模型的估产精度较高[12]。程乾研究表明增强型植被指数（enhanced vegetation index，EVI）与水稻有效穗数、穗粒数、千粒质量的相关性优于NDVI指数。这与Son等、王正兴等的研究结论基本一致。
尽管上述研究在分析水稻光谱特征与产量以及产量构成要素的关系上运用的方法一致，并且构建了不同形式的模型，但是缺乏与结实率有关的研究报道和估算模型。因此，本研究拟利用2012、2013年大田水稻光谱观测数据，在分析不同播期水稻植被指数动态曲线的基础上，提出适用于低温冷害的遥感指数，然后将该指数与研究时段气象要素进行回归分析，建立水稻结实率估算模型。最后，利用MODIS数据，以江苏、安徽地区一季稻为研究对象，对水稻抽穗开花至成熟阶段受低温冷害影响下的结实率进行估算，验证遥感指数在水稻结实率估算上的有效性，为长江中下游稻区冷害检测评估提供重要的技术参考。
1试验与数据
11研究区概况
选取处于长江中下游稻区的江苏和安徽2省作为研究区。该地区属亚热带季风气候，年平均气温19 ℃，无霜期210～270 d，≥10 ℃积温4 500～6 000 ℃·d，年日照时数800～1 500 h，年降水量1 000～1 400 mm，丰富的降水及密布的河网为水稻生产提供了重要保障。近30年来，江苏和安徽中北部已形成以一季稻与小麦或油菜轮作的种植制度，其水稻种植分布如图1所示。2省一季稻生长季主要的农业气象灾害类型相似，以高温热害、低温冷害和寡照为主[14-16]。有研究显示[17-18]，江苏和安徽2省冷害发生频次呈现“北多南少”的分布特征，8月下旬至9月底连续3 d或以上日平均气温低于22 ℃的低温天气发生频次为09～20次/年，其中2省中北部低温冷害的发生比例大，对产量和产量要素的影响明显。
12田间试验
水稻观测数据来自2012—2013年在南京信息工程大学农业气象试验站开展的分期播种试验。试验品种为陵两优268、金优458、扬稻6号和两优培九，均属于籼型两系杂交稻。2年试验均设置了7个播期，最早在4月15日播种，最晚在6月25日播种，每个播期之间相隔10～15 d。具体的播期设置和田间管理方案已在文献[20]中列出。 参照《农业气象观测规范》，观测各播期水稻的生育期、地上部分各器官生物量、LAI、群体茎蘖密度、产量结构及产量。在试验期间选择晴天无云或少云、风力较小的天气，使用光谱分析仪（analytical spectral devices，简称ASD）公司的FieldSpec Pro FR野外便携式光谱仪，不定期测定水稻冠层垂直上方的光谱反射特征。传感器探头垂直向下，探头视场角25°，与冠层顶相距约06 m，在每个小区内垂直向下观测，并重复测定5次，取平均值作为该处理小区的水稻冠层光谱。在每个试验小区测定前后各进行1次白板校正，即白板置于水稻冠层同一水平面上测定其光谱，将观测的水稻冠层光谱除以对应的白板光谱再乘以白板的室内定标光谱得到水稻冠层光谱反射率数值。
对采集的水稻光谱数据进行预处理。首先利用ASD光谱仪配套的ASD ViewSpecPro软件对所有观测的光谱数据进行筛选处理，删除观测误差明显的光谱曲线，然后计算同小区多个处理下的光谱曲线平均值，最后输出平均光谱曲线供后续分析使用。另外，从光谱反射率曲线中分别提取蓝光波段（459～479 nm）、红光波段（620～670 nm）、近红外波段（840～875 nm）和短波红外（1 628～1 652 nm）的平均光谱反射率，计算EVI。该指数计算公式如下：
[JZ（]EVI=25×（ρnir-ρred）/（ρnir 6×ρred-75×ρblue 1）。
（1）式中：ρnir、ρred、ρblue分别代表近红外、红光、蓝光波段平均光谱反射率。
在大田试验期间，获取了WatchDog小型自动气象站观测的逐小时气象数据，包括温度、辐射、风速和风向、水汽压和降水。
13农业气象试验站资料
水稻农业气象观测资料来源于2001—2010年江苏、安徽2省共12个农业气象观测站（图1），包括水稻种植品种、熟性、生育期及产量要素等。气象资料为对应气象站的常规逐日观测数据，包括最高和最低气温、日照时数、降水量、风速、水汽压。
14MODIS影像数据及处理
从NASA网站下载了2001—2010年MODIS的MOD09A1产品数据，分幅格网编号为H27V05、H27V06、H28V05、H28V06，覆盖了整个长江中下游地区。MOD09A1产品为MODIS Terra星8 d合成地表反射率产品，空间分辨率为500 m。每景影像含有7个波段，对应MODIS数据的1～7波段，波段信息可参考网站http：//modisgsfcnasagov/。
对MOD09A1数据进行了预处理。首先，选择第1、2、3波段（分别对应红光、近红外、蓝光波段）计算EVI，然后参考文献[21]对EVI时序进行平滑处理，以降低云噪影响。该处理使用了TIMESET 32（http：//webnatekoluse/timesat/timesatasp）软件。采用软件集成的Savitzky-Golay滤波算法[22]对各分幅格网数据进行逐年时序平滑。平滑操作前，将1年的时序EVI数据进行前后复制，形成连续3年的序列，然后設置滤波窗口大小为4，平滑多项式次数为2并进行处理。图2显示处理前后部分区域影像的假彩色合成图（假彩色合成为红：第18波段；绿：第23波段；蓝：第33波段）。从图2可以看出，在处理后的影像中，时序噪声得到了有效抑制，图像色彩也变得更加平滑和连续。图3则给出了六安站附近某水稻像元在去噪处理前后EVI时序曲线的对比，可以看出，处理后的EVI曲线更加平滑，且保留了水稻EVI的时序变化特征，但在时序曲线的低值区高估了水稻的EVI，存在一定误差。
2水稻遥感指数
水稻EVI的时序曲线能够间接反映水稻生长状态及其变化[23-24]，如水稻关键生育期及生育阶段的跨度、叶面积变化的幅度和生长速率的大小等。因此，从EVI曲线中提取上述特征参数有利于进行水稻生长状态的遥感监测和评估，尤其在遇到环境胁迫时，生长特征参数的变化可通过植被指数的时序变化反映出来。
从图4可以看出，4种水稻不同播期的EVI序列均呈现先增大后减小的变化态势，最大EVI出现在抽穗开花期，与LAI的变化规律基本一致。然而，不同播期之间的时序EVI曲线存在差异，这些差异与温度对发育进程的作用有密切联系。以两优培九为例，第1期水稻在5月15日移栽，由于移栽期日平均温度较低（约20 ℃），使得移栽至分蘖期的发育进程比较缓慢，EVI曲线的增长表现出明显滞后。相比而言，第3期和第6期水稻移栽至分蘖期生长发育快，使得该阶段的生长期长度明显缩短，较第1期相同阶段减少约6～12 d（表1）。类似的，第6期水稻灌浆期平均温度较第1期同生育阶段低约7 ℃，使发育进程出现减缓，其灌浆期长度较第1期同生育阶段延长超过15 d。由于生长后期温度迅速走低，第6期该品种生长后期EVI在达到最高值后仅表现出微小的减少。据分析，该时期的环境温度已经接近灌浆结实期的下限温度（15 ℃），导致两优培九出现了“贪青”现象[20，25]，即叶片保持绿色，但植株自然衰败进程几乎停滞。类似的现象也出现在扬稻6号上。对于陵两优268和金优458，因其为早熟品种，生长期相对较短，晚播后依旧能够正常成熟，但从图4中可以看出，第6期后期的EVI曲线较第3期同期的下降幅度要小，表明后期温度低对早熟品种生育期进程的作用也能够通过EVI曲线的变化表现出来。[FK（W20][TPCD4tif][FK）]
注：—表示无数据（水稻不能自然成熟）；SF代表播种至抽穗；FM代表抽穗至成熟。
依据上述分析，本研究提出水稻遥感指数CVI，计算公式为：
[JZ（]CVI=[SX（]ΔEVIΔD[SX）]。（2）式中：移栽至抽穗（TF）阶段ΔEVI为抽穗日EVI值与移栽当日EVI值的差值，ΔD为距离移栽的天数（d），CVI为正值；抽穗至成熟（FM）阶段ΔEVI为成熟日EVI值与抽穗日EVI值的差值，ΔD为距离抽穗的天数（d），CVI为负值。CVI绝对值增大可能是因为水稻发育进程加快或植株冠层增长迅速所致，而其值减小则主要由于水稻生长缓慢或生长过程中受到一定程度的环境胁迫所致。例如，在FM阶段，若遭遇低温天气影响，水稻ΔEVI绝对值变小，发育进程受阻导致ΔD变大，最终使得CVI绝对值减小。 3水稻结实率估算模型
从2012、2013年水稻试验资料中选取后4个播期的观测数据，分析最大EVI（EVImax，依据拟合的EVI时序曲线获取）、移栽至抽穗开花（TF）阶段CVI（CVITF）、抽穗开花至成熟（FM）阶段CVI（CVIFM）及平均温度（TFM）、空壳率（Kgrain）、秕谷率（Bgrain）、结实率（Rgrain）和千粒质量（Wgrain）的关系（表2）。从表2中可以看出，CVIFM、TFM与Rgrain、Kgrain都具有显著的相关关系（P<005），其中CVIFM与Rgrain为负相关关系，TFM与Rgrain为正相关关系，表明该阶段温度低、生育期延迟或发育速率减缓会导致结实率降低。CVITF和EVImax与产量要素的相关关系均没有进行显著性检验。
注：“”表示在001水平上差異显著，“”表示在005水平上差异显著，样本量n=28。
结合以上分析，引入变量CVIFM和TFM构建结实率估算模型，从2012、2013年水稻试验资料中选取后4个播期的观测数据，在剔除因灌浆期较晚未观测到成熟的数据后，以FM阶段CVI和平均温度为自变量，Rgrain为因变量，建立了线性回归模型，公式为
[JZ（]Rgrain=-2734×CVIFM 2374×TFM-682。[JZ）][JY]（3）
构建模型时所用的观测数据样本量为23，样本观测值与模拟值相关系数达到09，F检验值为117，达到了001的显著性水平（图5）。
[FK（W11][TPCD5tif][FK）]
结合MODIS数据，将该模型应用到整个研究区，对每个水稻像元进行结实率推算。依据12个农业气象试验站生育期观测资料，逐年计算对应站点水稻抽穗开花至成熟阶段平均气温；再对各站点数据用薄板样条法进行空间插值，并设置数据空间分辨率与EVI网格数据保持一致，得到逐年TFM数据。
为验证结实率估算模型，选用研究区12个农业气象试验站的观测数据，同时，从模型估算结果图上提取出试验站位置15 km×15 km范围内所有网格（即以站点为中心的3×3个像元）的结实率值，最后将估算的平均结实率与试验站实测的结实率进行比较。
4结果与分析
从图6可以看出，估算数据存在明显的地区差异和年际变化。2001年结实率高于70%的区域主要分布于安徽中部、江苏中部和北部地区，区域面积占比438%；结实率低于50%的区域占比132%，主要分布于安徽南部地区；估算结果最大值为956%，最低值为397%，平均结实率734%。相比之下，2003年结实率高于70%的区域占比减小至 296%，结实率低于50%的区域占比扩大至195%；高值区域分布零散，主要位于江苏中部和西北部以及安徽东南部地区；估算结果最大值为913%，最低值为316%，平均结实率607%。由图7可知，2001、2003年的结实率估算值与观测值相关系数分别达到0982（P<001）和0972（P<001），估算效果较好。
[FK（W24][TPCD6tif][FK）]
图8显示了12个农业气象试验站2001—2010年水稻结实率估算值和观测值的对比。估算的徐州、淮安、六安结实率年际变化与实际变化情况吻合较好，而宜兴和赣榆结实率普遍低于观测值。其中，结实率估算值的相对误差最小出现在淮安试验站（2004年，05%）， 最大出现在宜兴试验站（2003
年，109%）。
5讨论
利用光学卫星对水稻进行产量监测和评估是区域水稻生产监测的重要内容之一。本研究通过提出水稻遥感指数，再将该指数与水稻产量结构进行相关分析，并在此基础上构建了结实率估算模型。从验证结果看，该模型无论在站点还是区域应用上都具有较强的可行性和较高的估算精度，不但有利于帮助掌握水稻结实率在空间上的潜在变化，也能够用于推算不同气候年景下的水稻结实率。
本研究从EVI的时序变化特征与水稻生育期进程的关系着手，建立水稻遥感指数CVI。水稻整个生长期的EVI变化呈现“钟”形特征，最高峰对应水稻抽穗期，两端分别对应移栽期和收割期。当水稻生长经历持续胁迫后，EVI从最高峰到两端的变幅较正常生长情况要小，且生长期可能延长。因此，CVI值较正常状态偏小，并暗示了水稻生长可能经历了不利的环境。而在多种环境因素中，影响研究区水稻生长的主要因子是温度，其中在灌浆结实期的低温作用最为明显。有研究证明，低温冷害是长江中下游一季稻灌浆结实期的主要农业气象灾害类型[14，17，26]。
从表2可以看出，CVIFM与结实率具有显著的相关关系，这主要源于低温常导致籽粒灌浆不实而使得结实率下降。这与蒋李健[27]、龚金龙等[28]的研究相吻合。以CVIFM和TFM为因变量的结实率估算模型具有较强的可靠性，模拟的结实率相对误差小于11%，平均相对误差4%。然而，不难看出部分站点模型估算误差较大，可能的原因有：（1）本研究使用的水稻种植分布数据引自Liu等的研究[19]，随着城市化进程的推进，部分地区水稻种植分布可能发生了较大变化；（2）研究数据来自固定点的大田试验，而实际水稻生产中，各地的土壤状况、田间管理、水稻品种等存在差异，对模型的区域应用有一定干扰；（3）所用的MODIS产品数据为8 d合成，最大时间分辨率为8 d，因此，较难捕捉一次短暂低温过程对水稻产量形成的影响，存在高估结实率的现象，另外，空间分辨率为 500 m，估算结果在不同程度上会受到混合像元的影响；（4）在EVI时序曲线平滑操作中，存在不同程度的高估或低估问题，对ΔEVI的计算产生一定的影响，增加了结果的不确定性；（5）对气象数据进行空间插值会存在一定的误差。
6结论
本研究通过分析水稻EVI的时序变化特征提出CVI，再结合田间试验观测资料分析CVI、温度因子与水稻结实率的关系，建立了结实率估算模型。从结果可以看出，该模型可以有效地估算水稻抽穗开花至成熟阶段受低温冷害影响的结实率状况，在借助较高分辨率的遥感数据后，可以实现较大区域水稻产量的监测和评估，为指导当地水稻生产，应对不利气象条件提供重要参考。 参考文献：
蒋开锋，郑家奎，赵甘霖，等 杂交水稻产量性状稳定性及其相关性研究[J] 中国水稻科学，2001，15（1）：67-69
聂元元，蔡耀辉，颜满莲，等 水稻低温冷害分析研究进展[J] 江西农业学报，2011，23（3）：63-66
[3]吴彬，胡丽玲，玉冠军 2005年度水稻花期低温冷害灾情分析及补救措施[J] 现代农业科技，2006（6）：12
[4]Noureldin N A，Aboelghar M A，Saudy H S，et al Rice yield forecasting models using satellite imagery in Egypt[J] The Egyptian Journal of Remote Sensing and Space Science，2013，16（1）：125-131
[5]Peng D L，Huang J F，Li C J，et al Modelling paddy rice yield using MODIS data[J] Agricultural and Forest Meteorology，2014，184：107-116
Son S T，Chen C F，Chen C R，et al A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation[J] Agricultural and Forest Meteorolog，2014，197：52-64
[7]程乾 基于MOD13产品水稻遥感估产模型研究[J] 农业工程学报，2006，22（3）：79-83
[8]王延颐 植被指数与水稻长势及产量结构要素关系的研究[J] 国土资源遥感，1996（1）：56-59
[9]王延颐，高庆芳 稻田光谱与水稻长势及产量结构要素关系的研究[J] 国土资源遥感，1996，27（1）：51-55
[10]薛利紅，曹卫星，罗卫红 基于冠层反射光谱的水稻产量预测模型[J] 遥感学报，2005，9（1）：100-105
[11]Boschetti M，Confalonieri R，Stroppiana D，et al Agro-ecological modelling for monitoring rice productions：contribution of field experiment and multi-temporal EO data[J] Remote Sensing for Agriculture，Ecosystems，and Hydrology，2005，5976：1-10
[12]Ren J Q，Chen Z X，Zhou Q B，et al Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong，China[J] International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：403-413
[13]王正兴，刘闯，HUETE Alfredo 植被指数研究进展：从 AVHRR-NDVI 到MODIS-EVI[J] 生态学报，2003，23（5）：979-987
[14]李勇，杨晓光，叶清，等 全球气候变暖对中国种植制度可能影响Ⅸ长江中下游地区单双季稻高低温灾害风险及其产量影响[J] 中国农业科学，2013，46（19）：3997-4006
[15]沈陈华 气象因子对江苏省水稻单产的影响[J] 生态学报，2015，35（12）：4155-4167
[16]许信旺，孙满英，方宇媛，等 安徽省气候变化对水稻生产的影响及应对[J] 农业环境科学学报，2011，30（9）：1755-1763
[17]陈斐 长江中下游双季稻低温冷害监测研究[D] 南京：南京信息工程大学，2014
[18]徐敏，徐经纬，高苹，等 江苏水稻障碍型冷害时空变化特征及敏感性分析[J] 气象，2015，41（11）：1367-1373
[19]Liu J Y，Liu M L，Tian H Q，et al Spatial and temporal patterns of Chinas cropland during 1990—2000：an analysis based on Landsat TM data[J] Remote Sensing of Environment，2005，98（4）：442-456
[20]杨沈斌，江晓东，王应平，等 基于Richards扩展方程提取水稻灌浆结实光温特性参数[J] 作物学报，2014，40（10）：1776-1786[HJ165mm]
[21]杨沈斌，景元书，王琳，等 基于MODIS时序数据提取河南省水稻种植分布[J] 大气科学学报，2012，35（1）：113-120
[22]Eklundh L，Jonsson P TIMESAT 30 software mannual[M] Sweden：Lund University，2009
[23]Jiang Z Y，Huete A R，Didan K，et al Development of a two-band enhanced vegetation index without a blue band[J] Remote Sensing of Environment，2008，112（10）：3833-3845
[24]Peng D L，Huete A R，Huang J F，et al Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J] International Journal of Applied Earth Observation and Geoinformation，2011，13（1）：13-23
[25]邹江石，吕川根，王才林，等 两系杂交稻“两优培九”的选育及其栽培特性[J] 中国农业科学，2003，36（8）：869-872
[26]刘娟，杨沈斌，王主玉，等 长江中下游水稻生长季极端高温和低温事件的演变趋势[J] 安徽农业科学，2010，38（25）：13881-13884，13901
[27]蒋李健 结实期温度胁迫对水稻产量和品质的影响[D] 扬州：扬州大学，2009
[28]龚金龙，张洪程，胡雅杰，等 灌浆结实期温度对水稻产量和品质形成的影响[J] 生态学杂志，2013，32（2）：482-491