基于遥感和地面观测数据的水稻生长季长度空间建模*

胡文君，叶立明※

(1.中国农业科学院农业资源与农业区划研究所，北京　100081；2.中国农业科学院-比利时根特大学全球变化与粮食安全联合实验室，北京　100081)



·技术方法·

基于遥感和地面观测数据的水稻生长季长度空间建模*

胡文君1， 2，叶立明1， 2※

(1.中国农业科学院农业资源与农业区划研究所，北京100081；2.中国农业科学院-比利时根特大学全球变化与粮食安全联合实验室，北京100081)

农作物生长的季节周期对环境变化敏感，研究农作物生长季长度的时空变化规律对于农业应对气候变化、保障国家粮食安全有重要意义。在区域尺度上卫星遥感是揭示作物生长季长度时空特征的有效手段，但遥感数据须经地面观测校正才能更准确反映作物的真实生长状况。该研究以黑龙江省水稻生长的开始和结束日期为研究对象，通过在气象参数、遥感数据和地面站记录数据之间建立转换函数的方法，将站点观测的水稻生长季数据在空间上外推到站点以外区域，实现地面观测数据由点到面的扩展。结果表明：(1)仅包含积温因子的模型优于同时考虑积温和降水的模型； (2)利用模型校正后的黑龙江省水稻生长季长度，在空间上存在自西南向东北逐渐延长的趋势。该研究为区域尺度农作物生长季长度观测数据的融合提供一种新方法。

生长季遥感空间建模积温水稻

0　引言

作为全球变化领域的一个热点，农作物生长季研究为认识气候变化生物响应机理机制提供重要依据。在全球变化背景下[1]，农作物通过对呼吸和光合作用的调节来适应气候变化，而这种调节也会影响陆地—大气之间的碳循环，进而对气候产生反馈[2-5]。农作物生长季的3个重要指标—开始期(Start of the Season，SOS)、结束期(End of the Season，EOS)、生长季长度(Length of the Season，LOS)，是作物产量及粮食安全等模型的输入参数[6-8]，因此生长季起止日期的确定是作物产量定量分析的基础[9-10]，对保障国家粮食安全具有重要意义[11-13]。

农作物的生长季起止日期可通过地面观测和卫星遥感2种方法获取。传统的地面观测针对小范围植株个体，采用定点定时记录方式，具有准确、精细和长时间序列的特点。然而，除了欧洲的Hubbard Brook和美国的Harvard Forest等地区外[14]，全球大部分地区缺乏有效的地面观测数据。稀疏的地面站点分布使得大尺度的空间分析难以实现。随着遥感技术的出现与发展，其覆盖范围广、时间连续和成本低廉的特点弥补了地面数据的不足，为空间分析的实现提供了可能[4， 15-17]。但遥感数据需要使用地面观测数据进行校正后，才能更准确的揭示地表植被生长规律[18]、补充地面观测站点未覆盖区域的植被生长季信息。

目前，用于解决上述问题的传统研究思路可归纳为2种，即“自下而上”法[19-20]和“自上而下”法[21-23]。自下而上法是先确定地面站点的生长季起止日期，再找出遥感影像上对应区域的归一化差值植被指数(Normalized Difference Vegetation Index，NDVI)，进而以NDVI值外推站点外区域的植被生长季起止日期； 与之相对，自上而下法是先确定遥感植被生长季起止日期，再建立遥感数据与地面观测数据之间的关联，进而对全区域遥感数据进行校正。2种校正方法都是仅从一种数据源出发，通过分析遥感数据与地面数据之间的相似度来进行偏差校正，未考虑二者之外的独立数据源，导致校正结果精度不高、校正方法普适性受限等缺陷。针对该问题，文章在自上而下法研究思路的基础上，引入气象因子这一外生变量，并在它和遥感—地面数据的差异值之间建立统计模型，然后将得到的模型应用于黑龙江省水稻生长区，反演站点外区域水稻生长季起止日期，并分析其空间分布特征。该文为区域尺度单一类型农作物生长季信息提取提供一种新方法。

1　研究区域与数据

1.1研究区域概况

黑龙江省地处欧亚大陆东部、太平洋西岸、中国最东北部，介于北纬43°26′～53°33′、东经121°11′～135°05′之间，盛行温带大陆性季风气候。西北—东南走向的小兴安岭位于该地区的北部，西北部为大兴安岭，西南部属松嫩平原，东北部为三江平原。黑龙江省地势平坦、土壤肥沃、光水资源优越，耕地面积及水稻播种面积均居我国各省区首位。近年来黑龙江省水稻面积扩增迅猛， 2004～2011年平均每年增加27万hm2[24]。

图1　黑龙江省农气观测站点和气象站点分布

1.2数据

1.2.1卫星遥感数据

该文采用2007年中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer，MODIS)全球陆表动态变化产品(MODIS Global land Cover Dynamics Product，MLCD)中的MOD12Q2，该产品是美国宇航局(National Aeronautics and Space Administration，NASA)陆地观测系统生产并发布的一个全球物候产品(https：//earthdata.nasa.gov/)。该产品的时间跨度为2001年至今，每年记录两个生长周期、每个生长周期包含7个数据集，用于监测植被生长过程的4个关键物候期：生长起点、生长峰值点、生长峰值终点和生长终点[14， 25- 26]。该文使用其中的生长起点和生长终点2个数据集。

1.2.2地面观测数据

地面物候观测数据采用中国气象局资料中心提供的2007年《中国农作物生长发育状况资料数据集》，该数据详细记录了水稻生长各个时期的发育程度、生育时间等，全国共348站，其中黑龙江省21站(图1)。

采用2套气象数据。一是《中国地面气候资料日值数据集》，由中国气象科学数据共享服务网提供(http：//www.escience.gov.cn/metdata/page/index.html)，包含发育期名称、发育期日期、生长状况等24项指标属点数据(图1)； 二是黑龙江区域气温和降水栅格数据，空间分辨率1 km，由国家气候中心[27-28]提供。黑龙江省2007年水稻本底数据由黑龙江省农业科学院遥感中心提供。该数据以SPOT星上专题制图仪(Thematic Mapper，TM)所拍摄的影像为数据源，通过专家目视解译和实地调查的方式得到30m分辨率水稻空间分布。这是当前可靠性最高的水稻空间分布数据集。

2　研究方法

2.1数据预处理

2.1.1水稻生长季起止日期确定

由于研究区域水稻均为单季稻，且遥感技术只能监测到水稻的大田生育期，因此水稻生长季增强型植被指数(Enhanced Vegetation Index，EVI)时序表现为一个从移栽期至成熟期的单峰曲线[29]。水稻在移栽期前，大田注水，遥感数据反映的主要是空旷水面，此时EVI处于最小值。秧苗移栽到秧苗恢复生长，水稻进入返青期，EVI此时开始增加，对应于MLCD数据中的SOS； 之后两周，水稻植株分蘖、叶片增多、根系增长，为生殖生长积累必要的营养物质，这期间EVI快速增加。此后水稻经历拔节、孕穗期，EVI继续增加。到抽穗期，营养生长如茎节伸长、上位叶生长和根系发生仍在进行，但水稻营养生长已渐渐达到顶峰并开始生殖生长，此时EVI达到最大值。生殖生长继续进行，水稻的养分逐渐转入到籽粒中，EVI逐渐下降。成熟后，植株叶片变黄、谷粒变黄、米质变硬，EVI迅速下降，至收获期EVI达到最小值[29-34]，对应于MLCD数据的EOS。

2.1.2缓冲区建立与异常值去除

图2　缓冲区内像元随缓冲区大小变化的箱线

地面物候数据通常以野外观测为基础，通过定点目视判别，记录单个植株或种群的生长期节点[35-37]，而遥感数据往往覆盖范围广[36]，以面数据的形式进行存储，两组数据存在尺度差异。另外，由于农气站点的设置并不总是在紧邻大田的位置，农气站位置并不一定落在水稻像元上。以上2个问题可以通过建立缓冲区(buffer)的办法加以克服。首先，为保证所有站点的缓冲区内均包含水稻像元，需逐步扩大缓冲区范围； 其次，为避免缓冲区过大，无关像元干扰增多，使用箱线图的中位线变化来确定缓冲区最大范围，即利用缓冲区内所有像元值做出的箱线图，反映缓冲区内水稻生长季日期的总体信息，随着缓冲区范围的扩大，包含的像元数目增多，箱线图的中位线位置会发生变化，以中位线变化波动小于2天来确定最大的缓冲区范围(图2)。最终，确定最大的缓冲区范围为4km。异常值是指一批数据中个别观测值明显偏离其所属整体的其余观测值。异常值的出现可能是由数据质量问题[38]，数据录入错误引起[39]。若不加判断和剔除，直接将其代入数据的计算分析中，会对结果产生不良影响[38， 40-41]，因此该研究从统计图形角度对异常值进行检测和剔除，以提升数据质量。首先，通过箱线图的上(Q3)下(Q1)四分位数和四分位距(IQR)确定异常值，即小于Q1-1.IQR或大于Q3+1.5IQR的值[42-43]； 其次，基于R语言的箱线图异常值剔除程序编译； 最后，数据检查，异常值全部剔除完毕则停止，否则，回到上一步继续剔除异常值。

2.2MLCD算法

该文采用的NASA算法[26， 44]处理MLCD数据，具体如下。对已预处理的时序数据，使用5个时相EVI值组成的滑动窗口判断农作物生长的持续上升和持续下降阶段[44]。由于受到云和气溶胶等因素的影响，EVI曲线可能有小范围上升或者下降，而这种波动与农作物的生长周期无关，为去除无关因素的影响，对持续上升和下降阶段做如下限制：(1)区间EVI振幅大于年EVI振幅的0.35； (2)区间极大值大于年内极大值的0.7倍。满足上述两条件，则此区间可确定为农作物持续的生长上升阶段或持续的下降衰老阶段。

使用Logistic函数模拟农作物生长的持续上升和持续下降两阶段，Logistic函数表达式为：

(1)

式中，t为时间，y(t)是t时刻对应的EVI值，a和b是拟合参数，d是无云状况下最小EVI值即EVI初始背景值，c+d是EVI最大值。

Logistic函数拟合持续上升和下降区间后，再利用拟合曲线的曲率变化极值点确定4个重要的生长季节点：(1)生长起点SOS：EVI增长阶段拟合曲线的曲率第一个极大值； (2)成熟起点：EVI增长阶段拟合曲线曲率第二个极大值点； (3)衰落起点：EVI下降阶段拟合曲线第一个极大值点； (4)生长终点EOS：EVI下降阶段拟合曲线第二个极大值点。

2.3统计建模

首先，利用站点位置将遥感数据与地面观测数据一一对应，计算每个站点遥感数据与地面观测值之间的差值，并用T检验检测遥感数据是否有显著的提前或者推迟于地面数据。差值公式为：

ΔS=SOSMOD-SOSOBS

(2)

ΔE=EOSMOD-EOSOBS

(3)

式中，SOSOBS和EOSOBS分别表示地面物候数据记录的水稻生长季开始日期和结束日期； SOSMOD和EOSMOD表示对应于地面站点位置的遥感数据提取得到的水稻生长季开始日期和结束日期，以缓冲区内水稻像元均值表达； Δs为遥感数据与地面数据计算所得的生长季开始日期差异值，ΔE为生长季结束日期差异值。

其次，选择积温和降水两因子作为10个候选模型的输入变量(表1)。由于水稻生长期间的发育状况与气象条件密切相关，与其他气象条件如光照时长、风速相比，积温和降水是影响其物候现象发生的两个最重要因子[9， 18， 31， 45-51]。该研究选用水稻生长期内5～9月的累计降水(P)和大于0℃积温(T)作为自变量，地面数据与遥感数据之间的差值作为因变量，建立回归方程。利用已建立的模型，输入1km的栅格气象数据和MLCD遥感数据，反推无农气站分布区域的水稻地面生长季起止日期，实现空间上的外推。

2.4统计检验

分别对10个候选模型进行T检验、F检验和正态分布检验。F检验用来检验自变量与因变量之间线性关系的显著性，具体表征指标是p值(P-value)和R2。p值越小于0.05，显著性越强，线性回归越显著； R2表示拟合优度，R2越大，方程拟合越好。T检验用来检验回归系数的显著性，系数的显著性也是通过p值来表示，不同自变量对应各自的p值，也就是p值越小(小于0.05就是显著)则该自变量对因变量的影响越显著。除此之外，判断一个模型的优良程度还需要考察模型的系统性偏差。理想状况下，表现优良的模型残差是随机分布在数字0两侧的，并且这些正负残差值服从正态分布，因此需要对回归方程残差的正态性进行检验，即Shapiro-Wilk检验。检验所得的p值越高，则表明模型越优； 而当p值小于0.1时，则说明残差不服从正态分布，模型需要进一步改进。通过R2和p值对模型进行比较选取最优模型。

表1　模型参数及检验结果

因变量模型自变量参数估计回归系数显著性回归方程显著性Shapiro-Wilk检验p-valueR2p-valuep-valueΔEOSY=β0+β1X1X1β0-30.092640.795-0.10040.68370.9497β10.016270.684Y=β0+β1X2X2β00.784230.9520.075820.22380.633β10.019020.224Y=β1X1X1β10.0059434.08E-06***0.90554.09E-06***0.9521Y=β1X2X2β10.0199041.78E-06***0.92131.78E-06***0.5969Y=β0+β1X1+β2X2X1,X2β0120.791970.4390.035920.36510.219β1-0.045420.44β20.033150.188Y=β1X1+β2X2X1,X2β1-5.44E-050.9910.91152.51E-05***0.5889β22.01E-020.241Y=β1X1+β2X12X1β1-4.56E-030.9090.89475.04E-05***0.9486β23.60E-060.793Y=β1X2+β2X22Pβ12.22E-020.1680.91182.48E-05***0.673β2-2.52E-060.879Y=β1X1+β2X2+β3X12X1,X2β13.83E-020.4380.90790.0001544***0.2296β23.34E-020.186β3-1.45E-050.435Y=β1X1+β2X2+β3X12+β4X22X1,X2β1-3.39E-020.7330.90480.000713***0.8701β22.78E-010.357β3-2.40E-060.919β4-1.37E-040.413 注:其中X1和X2分别指水稻生长期内5～9月大于0℃积温(T)和累计降水(P);“***”表示极显著,“**”表示高度显著,“*”表示显著,“.”表示不太显著,没有记号为不显著

图3　MLCD和地面观测的SOS/EOS散点

3　结果

3.1最优模型选择

对大田作物如水稻生长季的开始和结束日期的观测，无论是人工观测记录还是星载传感器遥测，反应的都是同一个地物。天地观测在区域尺度上通常差异，但也可能差异不显著。因此该文用统计学的方法来检验差异是否显著。如图3，EOS的点均落在1： 1比例线左上方，且对EOS进行T检验，p值为4.336e-06，说明遥感提取的水稻生长季结束日期明显晚于地面农气站观测的生长季结束日期，天地观测的EOS差异显著，需要引入外生变量来校正； 而SOS的点均匀分布在1： 1比例线两侧，即相对于地面观测值而言，遥感方法确定的生长季开始日期并没有明显的提前或者推迟，天地观测差异不显著，意味着将卫星观测结果校正到地面观测值的需求不存在。因此该研究只对EOS建立模型，MLCD数据的SOS能够基本反映地面生长状况。

对10个模型分别进行T检验、F检验和回归方程正态检验所得的显著性结果如表1。对比10个模型的检验结果可看出，以5～9月积温为自变量的方程Y=β1X表现最优，其回归系数和回归方程的p值均远远小于0.05，显著性极强，且R2达到0.9055，残差p值为0.9521，各个指标相对于其他方程都表现出最优结果，故选择此最优回归方程进行水稻生长季结束期的空间校正。方程如下：

Y=0.005943X

(4)

其中 X为5月到9月的积温； Y为MLCD与地面数据的水稻EOS差值ΔE。

图4　模型校正前后星—地观测的LOP散点图对比

3.2模型精度验证

该文校正SOS和EOS的目的在于得到最接近地面真值的水稻生长季长度，为作物生长模型、粮食安全评价服务。通过以下步骤对模型的结果进行验证。

首先，针对水稻生长季长度，该文使用10个农气站的记录值对模型校正后的值进行验证。留一交叉验证(Leave-one Out Cross Validation，LOOCV)[52]是该文的主要验证方法，其基本思路是每次从10个样本集—10个农气站记录数据集中留取一个样本作为验证集，剩下的9个样本作为模型的训练样本，重复进行10次操作，依次取遍所有的10个样本集作为验证样本，最后将10个数据结果作为泛化的误差估计。

其次，利用农气站观测的水稻生长季长度与模型校正前后的LOP值对比，并分别用平均相对误差(Relative Rrror，RE)、均方根误差(Root Mean Square Error，RMSE)和R2、相关系数(Correlation coefficient)4个指标进行误差分析和相关性分析，对比结果见表2、图4。2种颜色的点分别表示模型校正前的LOP和经过最优模型校正后的LOP相对于地面农气站观测生长季长度的情况，如图4，校正后的LOP值相对于校正前LOP值明显靠近于1： 1比例线，且均匀分布在比例线两侧； 从表2中可以看出，模型校正后RE由16.9%下降至3.2%，RMSE由19.9下降至4.23，且R2由0.002上升至0.53，相关系数由0.05上升至0.73。

根据模型校正前后的误差分析以及相关性比较可知，模型的校正后的值与农气站的地面观测值的相关性更高，误差更小、更稳定，更能反映水稻的真实生长季长度。

表2　模型前后的误差分析和相关性分析

RE(%)RMSER2Correlationcoefficient校正后3.24.20.530.73校正前16.919.90.0020.05

3.3水稻生长季空间分布特征

图5是MLCD产品直接计算得到的2007年黑龙江省生长季开始日期空间分布图。从该区域总体的空间分布特征来看，水稻开始期集中在第140～157d，即5月下旬，但没有明显的南北差异。

图6为模型校正的2007年黑龙江省水稻生长季结束期空间分布图。从图6中可以发现，黑龙江水稻结束期存在十分明显的空间差异，清楚地呈现出一个从西南至东北逐渐推迟的空间特征，三江平原的水稻结束期要明显晚于松嫩平原的水稻结束期。松嫩平原北部的呼兰河流域和嫩江上游地区，水稻生长季结束最早，发生在第239～255d，约9月上旬。三江平原东北部的完达山两侧，水稻生长结束普遍偏晚，多结束于第269～274d，约9月下旬，但也有少部分地区，如佳木斯市的水稻区，在9月中旬结束生长。

结束期日期减去开始期日期所得天数即为水稻的生长季时间长度，由图7表示。该图表明2007年黑龙江水稻生长季长度集中在100～120d，且从西南向东北表现出逐渐延长的趋势，三江平原的水稻生长季长度明显长于松嫩平原的水稻生长季长度，三江平原长度大致118～129d，松嫩平原长度较短为96～106d。

图5　利用MLCD数据提取的黑龙江省2007年　　　　　　图6　经模型校正的黑龙江省2007年水稻地面水稻生长季开始空间分布　　　　　　　　　　　　　　　　　生长季结束空间分布

图7　2007年黑龙江省水稻地面生长季长度空间分布

4　结论与讨论

该文通过建立气象参数、遥感数据和地面站点记录数据之间空间模型的方式，外推得到无农气站分布区域的水稻地面生长季起止日期，从而实现了水稻的地面生长季数据从点到面的尺度转换。主要结论如下：

(1)分别建立了积温、降水与遥-地差异值之间的线性回归模型及非线性回归模型，经过对这些模型的比较发现：①总体上看，积温和降水都表现出显著相关，但积温显著性更高； 仅考虑积温单因子的模型校正效果优于同时考虑积温和降水的模型校正效果。对于水稻发育期而言，降水并不成为主要的发育期显著因子，水稻的发育受温度影响更显著，这可能是跟地域差异、环境条件和管理方式有关，黑龙江省的水稻主要以灌溉方式为水稻给水，因此对自然降水的要求相对偏低。②线性回归模型较非线性回归模型拟合优度更高。理论上复杂的线性模型可以通过增加如具有生理意义的参数，来提高模型的描述能力，但在不同的地区，不同年份，校正效果会有所不同，另外，随着模型的复杂性的增加，模型的一些参数耐受性会变低[9]，且拟合会变得更加困难。

(2)黑龙江省水稻的生长季结束期和生长季长度存在十分明显的空间差异。东北部水稻生长结束时间较晚，生长季长度较长，西南部结束时间早，生长季长度短。造成黑龙江省水稻生长季结束期差异性的原因主要与当地的自然地理环境密切相关，特别是温度、降水等气候条件。纬度越高，温度越低，农作物为保证其正常的发育成熟，需要通过延长生长时间来满足对温度的需求，因此导致了黑龙江东北水稻区结束期较晚，生长季长度较长。

该研究为区域尺度单一类型的农作物生长季信息提取提供了一种新方法，但在模型建立方面，还可对其进行进一步优化，如加入其他自变量，以提高模型的校正精度。

[1]IPCC.Climate Change 2014 Synthesis Report Summary for Policymakers Chapter.2014

[2]Keenan TF.Phenology：Spring greening in a warming world.Nature， 2015, 526(7571): 48～49

[3]Wu C，Chen JM，Black TA，et al.Interannual variability of net ecosystem productivity in forests is explained by carbon flux phenology in autumn.Global Ecology and Biogeography， 2013, 22(8): 994～1006

[4]Hmimina G，Dufrêne E，Pontailler JY，et al.Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes：An investigation using ground-based NDVI measurements.Remote Sensing of Environment， 2013， 132： 145～158

[5]Morisette JT，Richardson AD，Knapp AK，et al.Tracking the rhythm of the seasons in the face of global change：phenological research in the 21st century.Frontiers in Ecology and the Environment， 2009, 7(5): 253～260

[6]FEWS FSEW.An index to characterize temporal patterns in NDVI at the end of the growing season.Ouagadougou，Burkina Faso, 1993

[7]Nijhuis WAS，Groten SME.TNO/ITC Project proposal to SRON/BCRS for use of NDVI assessment of LGP for climatic modeling of ozone production(LOTUS).1997

[8]李正国， 唐华俊，杨鹏，等.植被物候特征的遥感提取与农业应用综述.中国农业资源与区划， 2012, 33(5): 20～28

[9]李荣平， 周广胜，王笑影，等.不同物候模型对东北地区作物发育期模拟对比分析.气象与环境学报， 2012, 28(3): 25～30

[10]Ye L，Verdoodt A，Moussadek R，et al.Assessment of China′s food producing capacities using a Web-based land evaluation engine and a grid-based GIS.Advances in Geoecology， 2008， 39： 699～718

[11]Ye L，Van Ranst E.Production scenarios and the effect of soil degradation on long-term food security in China.Global Environmental Change， 2009, 19(4): 464～481

[12]Ye L，Xiong W，Li Z，et al.Climate change impact on China food security in 2050.Agronomy for Sustainable Development， 2013, 33(2): 363～374

[13]Ye L，Tang H，Wu W，et al.Chinese Food Security and Climate Change：Agriculture Futures.Economics：The Open-Access，Open-Assessment E-Journal， 2014， 8(2014-1)： 1～39

[14]Ganguly S，Friedl MA，Tan B，et al.land surface phenology from MODIS：Characterization of the Collection 5 global land cover dynamics product.Remote Sensing of Environment， 2010, 114(8): 1805～1816

[15]Brown ME，de Beurs KM，Marshall M.Global phenological response to climate change in crop areas using satellite remote sensing of vegetation，humidity and temperature over 26 years.Remote Sensing of Environment， 2012， 126： 174～183

[16]Groten SME，Ocatre R.Monitoring the length of the growing season with NOAA.International Journal of Remote Sensing， 2002, 23(14): 2797～2815

[17]Reed BC，Brown JF，VanderZee D，et al.Measuring phenological variability from satellite imagery.Journal of Vegetation Science， 1994, 5(5): 703～714

[18]陈效逑， 胡冰，喻蓉.中国东部温带植被生长季节的空间外推估计.生态学报， 2007, 27(1): 65～74

[19]Chen X，Xu C，Tan Z.An analysis of relationships among plant community phenology and seasonal metrics of Normalized Difference Vegetation Index in the northern part of the monsoon region of China.Int J Biometeorol， 2001, 45(4): 170～177

[20]Chen X，Tan Z，Schwartz MD，et al.Determining the growing season of land vegetation on the basis of plant phenology and satellite data in Northern China.Int J Biometeorol， 2000, 44(2): 97～101

[21]You X，Meng J，Zhang M，et al.Remote Sensing Based Detection of Crop Phenology for Agricultural Zones in China Using a New Threshold Method.Remote Sensing， 2013, 5(7): 3190～3211

[22]Badeck F，Bondeau A，Bottcher K.Responses of spring phenology to climate change.New Phytologist， 2004, 162(2): 295～309

[23]White MA，Thornton PE，Running SW.A continental phenology model for monitoring vegetation responses to interannual climatic variability.Global Biogeochemical Cycles， 1997， 11(2)： 217

[24]矫江， 许显斌，卞景阳，等.气候变暖对黑龙江省水稻生产影响及对策研究.自然灾害学报， 2008，(03)： 41～48

[25]马明国， 宋怡，王旭峰，等.AVHRR、VEGETATION和MODIS时间系列遥感数据产品现状与应用研究进展.遥感技术与应用， 2012, 27(5): 663～670

[26]Zhang X，Friedl MA，Schaaf CB，et al.Monitoring vegetation phenology using MODIS.Remote Sensing of Environment， 2003, 84(3): 471～475

[27]Gao X，Shi Y，Zhang D，et al.Climate change in China in the 21st century as simulated by a high resolution regional climate model.Chinese Science Bulletin， 2012, 57(10): 1188～1195

[28]Gao X，Shi Y，Giorgi F.A high resolution simulation of climate change over China.Science China Earth Sciences， 2011, 54(3): 462～472

[29]于成龙， 刘丹，张志国.基于FY-3的黑龙江省水稻关键发育期识别.中国农学通报， 2014, 9(30): 55～60

[30]Sun H，Huang J，Peng D.Detecting major growth stages of paddy rice using MODIS data.Journal of Remote Sensing， 2009, 6(13): 1122～1129

[31]官春云. 现代作物栽培学.北京：高等教育出版社， 2011

[32]Li Z，Tang H，Yang P，et al.Spatio-temporal responses of cropland phenophases to climate change in Northeast China.JOURNAl of GEOGRAPHICAL SCIENCES， 2012, 22(1): 29～45

[33]李正国， 唐华俊，杨鹏，等.东北三省耕地物候期对热量资源变化的响应.地理学报， 2011, 66(7): 928～939

[34]Sakamoto T，Yokozawa M，Toritani H，et al.A crop phenology detection method using time-series MODIS data.Remote Sensing of Environment， 2005， 96(3-4)： 366～374

[35]武永峰， 李茂松，宋吉青.植物物候遥感监测研究进展.气象与环境学报， 2008, 24(3): 51～58

[36]Chuanfu X，Jing L，Qinhuo L.Review of advances in vegetation phenology monitoring by remote sensing.Journal of Remote Sensing， 2013, 1(17): 1～8

[37]宛敏渭， 刘秀珍.中国物候观测方法.北京：科学出版社， 1987

[38]程开明. 统计数据预处理的理论与方法述评.统计与信息论坛， 2007,(06)： 98～103

[39]王怀亮. 统计数据异常值的识别及R语言实现.电子技术， 2012,(05)： 6～7

[40]薛毅， 陈立萍.统计建模与R软件.北京：清华大学出版社， 2009

[41]缺失数据统计分析(中文版). 北京：中国统计出版社， 2004

[42]Ye L，Tang H，Zhu J，et al.Spatial patterns and effects of soil organic carbon on grain productivity assessment in China.Soil Use and Management， 2008, 24(1): 80～91

[43]Yao Y，Ye L，Tang H，et al.Cropland soil organic matter content change in Northeast China， 1985-2005.Open Geosciences， 2015, 7(1): 234～243

[44]Zhang X，Friedl MA，Schaaf CB.Global vegetation phenology from Moderate Resolution Imaging Spectroradiometer(MODIS)：Evaluation of global patterns and comparison with in situ measurements.Journal of Geophysical Research， 2006

[45]李正国， 杨鹏，唐华俊，等.气候变化背景下东北三省主要作物典型物候期变化趋势分析.中国农业科学， 2011, 44(20): 4180～4189

[46]齐尚红， 王冰洁，武作书.农业生产与温度的关系.河南科技学院学报(自然科学版)， 2007,(04)： 20～23

[47]Chen X，Pan W.Relationships among phenological growing season，time-integrated normalized difference vegetation index and climate forcing in the temperate region of eastern China.International Journal of Climatology， 2002, 22(14): 1781～1792

[48]黄淑娥， 田俊，吴慧峻.江西省双季水稻生长季气候适宜度评价分析.中国农业气象， 2012, 33(4): 527～533

[50]Lambers H，Stuart CIF，Pons TL.Plant Physiological Ecology.Springer， 2008

[51]徐雨晴， 陆佩玲，于强.气候变化对我国刺槐紫丁香始花期的影响.北京林业大学学报， 2004, 6(26): 94～97

[52]Geisser S.A predictive approach to the random effect model.Biometrika， 1974, 61(1): 101～107

SPATIAL MODELING OF THE LENGTH OF GROWING SEASON OF RICE BASED ON REMOTE SENSING AND GROUND OBSERVATION*

Hu Wenjun1，2，Ye Liming1，2※

(1.Institute of Agricultural Resources and Regional Planning，Chinese Academy of Agricultural Sciences，Beijing 100081；2.CAAS-UGent Joint Laboratory of Global Change and Food Security，Beijing 100081)

The seasonal dynamics of crop growth are sensitive to environmental change. The characterization of spatial-temporal patterns of the crop growing season is essential for climate change adaptation and food security improvements. Although satellite remote sensing is an effective means of detecting growing season changes at regional scales, satellite data has to be calibrated before being used. Here we spatially extrapolate the start and end of the growing season of rice in Heilongjiang province of Northeast China by establishing a transfer function between satellite-ground observed difference of growing season dates and climatic parameters. Our results show that: (1) Accumulative temperature is a better parameter, than rainfall, in transfer function establishment; (2) length of the rice growing season tends to increase from southwest to northeast in Heilongjiang province. This paper provides a new method of data fusion in growing season characterization at regional scales.

growing season; remote sensing; special model; accumulated temperature; rice

10.7621/cjarrp.1005-9121.20160802

2015-11-30

胡文君(1991—)，女，湖南衡阳人，硕士研究生。研究方向：农业遥感。 ※通讯作者：叶立明(1966—)，男，湖北十堰人，副研究员。研究方向：气候变化、粮食安全。Email：yeliming@caas.cn

S511; S162.5; S127

A

1005-9121[2016]08-0012-09

*资助项目：中央级公益性科研院所基本科研业务费专项“CAAS-UGent全球变化与粮食安全联合实验室科技创新能力建设”(IARRP-2015-28)