基于归一化燃烧率火烧迹地遥感提取识别规则研究

余哲修，何 超，李昔纯，张 超，陈建珍，罗恒春，黄 田

(1.西南林业大学 林学院，云南 昆明 650224；2.西南林业大学 林业3S技术工程研究中心，云南 昆明 650224；3.西南林业大学 林业调查规划设计研究院，云南 昆明 650224)

森林火灾是指失去控制的森林燃烧现象，它是森林面临的主要灾害之一，给森林生态经济和社会经济带来严重危害。世界发达国家均重视森林火灾的研究，尤其是在利用遥感等现代化手段用于森林火灾监测方面，这是因为与传统方法相比遥感等现代化手段具有更高效、节省人力物力等优点[1-4]。

火烧迹地指的是森林火灾烧毁后尚未恢复到原来林地状态的区域[5]。在国外常常使用遥感影像上提取的NBR来进行森林火灾火烧迹地的识别研究。归一化燃烧率(Normalized burn ratio，NBR)由M.J.López García等[6]在研究西班牙瓦伦西亚1978年、1982年和1984年的3起森林火灾火烧迹地恢复情况时，参考归一化植被指数(Normalized difference vegetation Index，NDVI)提出，该指数能够增强火灾区域的特征信息，可用于火烧迹地植被恢复情况的监测。孔博[7]等利用差值归一化燃烧率(difference Normalized Burn Ratio，dNBR)和综合燃烧指数(Composite burn index，CBI)分析了扎龙湿地火灾的火烧严重程度以及火灾对丹顶鹤生境的影响，指出CBI和dNBR间存在非线性关系。S.Harris等[8]对19种光谱指数在加州南部森林火灾林火烈度评估方面的应用进行了研究，指出NBR是最佳光谱指数。雷成亮[9]利用NBR对大兴安岭南瓮林场2006年发生的森林火灾的林火烈度进行了研究，指出利用遥感数据和多变量模型估测林火烈度效果较好。王晓莉[10]等基于NBR分析了大兴安岭呼中森林过火区的林火烈度，确立了林火烈度NBR分级阈值，对其他地区林火烈度分析与评价给出参考。余超[11]等结合Landsat 5 TM和MODIS影像，利用dNBR分析了美国东南部地区火烧迹地面积与火点数量间的相关性，并建立了火烧迹地面积的估算模型，结果表明该模型能够提供准确地燃烧排放源参数。M.C.Stambaugh等[12]在CBI、dNBR和相对归一化燃烧比差(Relative difference normalized burn ratio，RDNBR)的基础上，采用回归方法确定了燃烧严重程度规则，并对美国奥克拉荷马西南部栎树林地-草原景观森林火灾的影响进行了分析，结果表明所得规则可用于研究区栎树林燃烧严重度制图。A.B.Baloloy等[13]在Landsat 8 OLI影像的基础上，提取NBR和NDVI对菲律宾打拉省甘蔗田火烧迹地进行识别研究，火烧迹地识别精度高达89.3%。何阳[14]等在NBR的基础上提出改进的归一化燃烧指数(Normalized burning ratio short-wave，NBRS)用于森林火灾火点的识别，指出NBRS能有效消除云和建筑物的干扰，比传统火点识别方法精度高。肖潇[15]等在Landsat 5 TM影像基础上，通过设置NBR和dNBR识别规则对西伯利亚东南部的农田、森林、草地等区域的火烧迹地进行识别，并将识别结果与MODIS火烧迹地标准产品进行比较，得出基于NBR和dNBR识别规则识别的火烧迹地精度优于MODIS火烧迹地产品。

由此可见，NBR在国外已成为森林火灾火烧迹地识别研究的一种常用遥感光谱指数，但国内对它在森林火灾火烧迹地识别研究中的探讨不多。本研究以2006年云南省安宁市“3·29”重大森林火灾场景为火烧迹地识别规则试验区，以2013年云南省大理市下关镇和2015年云南省昆明市石林县两起森林火灾场景为火烧迹地识别规则检验区，对基于森林火灾前后不同Landsat遥感影像像对NBR的9条火烧迹地识别规则进行火烧迹地识别对比研究，以期获得识别精度较高和适用性较好的火烧迹地识别规则，旨在为我国其他地区森林火灾火烧迹地识别研究提供参考。

1 火灾场景与研究数据

1.1 火灾场景概况

场景一，2006年3月29日17:00，云南省安宁市温泉镇古朗箐林区(图1)发生重大森林火灾，过火面积1 849 hm2[16]。

场景二，2013年2月6日16:30，云南省大理州大理市下关镇吊草村委会黄家村(图1)因村民焚烧垃圾引发森林火灾，至7日13:00过火面积约46 hm2[17-19]。

场景三，2015年3月2日04:39，云南省昆明市石林县西街口镇小尾都渣村(图1)后山发生森林火灾，明火于3月2日23:05扑灭，火场过火面积约100 hm2[20]。

1.2 研究数据

所用遥感影像均来自美国地质勘探局(United states geological survey，USGS)，数据产品级别为L1T，数据格式为Geotiff，各火灾场景所用遥感影像基本为同一季节(表1-表3)。表1、表2和表3中距火灾发生时间，正值表示影像成像时间在火灾发生后，负值表示影像成像时间火灾发生前。

2 研究方法

2.1 遥感影像预处理

USGS获取的L1T级遥感数据已做过精确的几何校正，但未做大气校正。因此，遥感影像预处理阶段需要对各遥感影像进行大气校正。利用ENVI 5.3中的快速大气校正方法对各影像进行大气校正处理[21-23]。

图1 火场场景位置

成像时间距火灾发生时间/d2001年4月3日-18212002年4月6日-14532003年4月9日-10852004年3月10日-7492005年4月30日-3332006年5月19日512007年4月20日3872008年4月6日7392009年3月24日10912010年5月14日15072011年4月15日1843

注：卫星与传感器为Landsat5 TM，轨道号/行号为129/043，投影坐标为WGS-84 UTM 48N。

2.2 NBR和dNBR提取

根据NBR和dNBR的计算公式，在经过快速大气校正处理的遥感影像基础上提取NBR。在此基础上，利用各火灾场景火灾发生前后的遥感影像像对提取dNBR。

表2 场景二遥感影像

注：轨道号/行号为131/042，投影坐标为WGS-84 UTM 47N。

表3 场景三遥感影像

注：卫星与传感器为Landsat8 OLI，轨道号/行号为129/043，投影坐标为WGS-84 UTM 48N。

NBR的取值范围为-1.0～1.0，计算公式为[6]：

(1)

式中：NIR表示遥感影像中的近红外波段，SWIR表示遥感影像中的短波红外波段。

dNBR的取值范围为-2.0～2.0，计算公式为[5,25-26]：

dNBR=NBRprefire-NBRpostfire

(2)

式中：NBRprefire表示火灾前遥感影像的NBR值，NBRpostfire表示火灾后遥感影像的NBR值。

图2为各场景火灾发生前后遥感影像像对提取的NBR和dNBR，从图中可以看出森林火灾过火区域与未过火区域呈现出明显的不同，说明NBR和dNBR能够很好地反映过火区域。

2.3 火烧迹地识别规则建立

C.H.Key[24]等从森林生态系统受森林火灾干扰的角度，通过大量样地实地调查得到用于森林火灾火烧严重度级别划分的NBR规则集。该NBR规则集已被USGS和美国农业部林业局(United states department of agriculture-forest service，USDA-FS)用于美国本土森林火灾火烧严重度级别制图。对该NBR规则集进行级别合并后，得到用于火烧迹地识别的基本规则(见表4)。

C.H.Key[24]等提出的NBR规则集由于受遥感影像像对的成像时间或成像季节的影响，各级别的NBR阀值会升高或降低，升高或降低的幅度在±0.01～0.1。据此，在表4基础上建立了另外8条火烧迹地识别规则(表5)。为探讨这9条规则的可用性和适用性，根据各起森林火灾发生前后的遥感影像组成不同时间间隔的像对。

图2 各火灾场景森林火灾发生前后遥感影像像对的NBR和dNBR

是否是火烧迹地dNBR值域否-0.500～0.099是0.100～1.300

2.4 火烧迹地识别精度评价

各火灾迹地识别规则的识别精度计算公式如下：

识别出的火烧迹地面积<官方公布的面积时：

识别精度=(识别面积/官方公布面积)×100%

(3)

识别出的火烧迹地面积>官方公布的面积时：

识别精度 (4)

3 结果与分析

3.1 火烧迹地识别结果

火灾场景一遥感影像每个像元对应的实地面积为0.09 hm2，灾后官方实地调查火烧迹地面积为1 849 hm2[16]，对应遥感影像像元数为20 544个。表6中统计了场景一火灾发生时最近的影像像对的NBR差值和各识别规则的识别精度，2005、2006年的dNBR。2005、2006年的dNBR各识别规则中，0.2～1.2识别数量为22 441个，接近于官方公布面积转换的对应的像元数量，精度为90.77%。

表6 火灾场景一2005年和2006年dNBR各识别规则识别像元数

3.2 火烧迹地识别结果时间变化

图3显示的是在不同成像时间间隔遥感影像像对基础上，利用9条火烧迹地识别规则得到的火灾场景一火烧迹地的识别结果。

表7统计了本研究建立的9条规则各自识别的像元数，对于安宁森林火灾最佳的dNBR识别规则阀值为0.2～1.2，识别精度最高的为2001年和2006年的dNBR，识别数量为20 375个，精度为99.2%；图3(a)(b)(c)中可看出，在识别规则最小值相同的情况下，3个图中的识别像元数量曲线变化趋势一致，(d)(e)(f)和(g)(h)(i)2组变化趋势也一致，表明USGS和USDA-FS设置规则最大值1.3具有普适性。表1中统计了灾前和灾后影像与火灾发生时间相隔时间，结合图3和表7分析，在同一条识别规则下，越接近火灾发生时的影像像对提取的dNBR值，识别为过火区域的像元数越多，但在2002年出现识别像元数大幅增加趋势，这可能由于2002年植被长势好，使得识别像元数大幅增加。通过查询2000年以来的气象统计数据[26]，2001年昆明年降水量最多，降水量为1 173 mm，植被长势受到降水影响，因而到2002年长势仍然较好。结合公式(1)(2)和植被的光谱特征分析，植被在近红外波段呈现较高的反射，在短波红外波段主要是水汽吸收带，植被呈现较低的反射[27]，因此，在植被长势好的年份内，被识别为过火区域的像元数较多。在2007年出现识别像元数大幅下降的趋势，这可能由于火烧后地面长出的新植被较少，使得识别像元数大幅下降，且植被恢复与气温、空气相对湿度、土壤类型、立地条件和植被类型等因素密切相关，通过查询云南省2006年以来的气象统计数据及相关文献资料，2006年后云南出现历史上罕见的旱灾，降水量较历史同期大幅下降，植被长势变化小，2007-2009年识别像元数量趋于平稳，与前人对云南干旱研究结果相呼应[28-32]。

图3 火灾场景一火烧迹地识别结果

年份规则阈值0～1.20.1～1.20.2～1.20～1.30.1～1.30.2～1.30～1.350.1～1.350.2～1.352001-20062769023727203752773523772204202773723774204222001-20072285216720121422285216720121422285216720121422001-20082370417229121652370417229121652370417229121652001-20092453317371114322453317371114322453317371114322001-20102218215921957222182159219572221821592195722001-20112176614384683921766143846839217661438468392002-20063123726740229153132326826230013132926832230072002-20072905021987154692905021987154692905021987154692002-20083030523340159453030523340159453030523340159452002-20093019923829158953019923829158953019923829158952002-20102870421062138212870421062138212870421062138212002-20112865320430112702865320430112702865320430112702003-20062943925005215292950425070215942950925075215992003-20072592119723140042592119723140042592119723140042003-20082837320100137142837320100137142837320100137142003-20092869620212133122869620212133122869620212133122003-20102606718129114252606718129114252606718129114252003-20112570516825886125705168258861257051682588612004-20062976026048226192992126209227802993226220227912004-20072742722205172322742722205172322742722205172322004-20082942823425167802942823425167802942823425167802004-20093008423552162433008423552162433008423552162432004-20102811321615147232811321615147232811321615147232004-20112840920272129282840920272129282840920272129282005-20063138226098224413144426160225033144726163225062005-20072818921740160522818921740160522818921740160522005-20083030323846154303030323846154303030323846154302005-20093079023819149753079023819149753079023819149752005-20102949920833125352949920833125352949920833125352005-2011295881937998422958819379984229588193799842

3.3 识别规则检验

识别规则识别精度及时序变化分别通过场景二和场景三的火烧迹地检验。

根据表8统计，大理下关2013年森林火灾识别规则时序变化规律符合3.1中的结果。在识别面积上，官方未公布火灾完全扑灭时的总过火面积，因此不能验证识别面积的准确性。但在0.2～1.2阈值识别的像元数量上比其他阈值识别得少，接近于官方公布的该地区的过火面积数据。在识别规则阈值和识别像元数量上，不与2013年成像对的dNBR，在固定最小阈值的情况下，随着最大阈值范围的变化，识别像元数量不变，因此0～1.2、0～1.3、0～1.35可看作同一条识别规则，0.1～1.2、0.1～1.3、0.1～1.35合并为同一条识别规则，0.2～1.2、0.2～1.3、0.2～1.35也合并为同一条识别规则。

根据表9统计，石林2015年森林火灾识别规则时序变化规律也同样符合3.1中的结果。在识别面积上，官方也公布火灾完全扑灭时的过火面积，因此不能验证识别面积的准确性。但2014年与2015年的dNBR值用0.1～1.2阈值的规则识别，较接近于官方公布的100 hm2，应识别像元个数为1 111个，实际识别像元数为842个，精度为75.79%，说明0.2 ～ 1.2阈值识别规则不适用于石林2015年森林火灾。2013年和2016年的dNBR在各条规则下识别像元数量大幅减少，由于2013年云南处于干旱时期，植被长势差，2015年虽然旱情缓解，但2015年底云南出现寒潮，植被遭受冻害，到2016年植被长势仍然较差，因此识别像元数量较少[33-34]。根据表6分析的结果，对于石林2015年森林火灾来说，每个像对得到的dNBR在固定最小阈值的情况下，随着最大阈值范围的变化，识别像元数量也保持不变。

表8 火灾场景二各识别规则识别像元数

表9 火灾场景三各识别规则识别像元数

4 结论与讨论

在识别规则中，阈值为0.2～1.2的规则适用于2006年安宁森林火灾火烧迹地识别和过火面积估测，也能用于2013年大理下关的森林火灾研究，不适用于石林2015年森林火灾。

参考USGS和USDA-FS的dNBR阈值标准，在云南的森林火灾研究中，需要根据实际情况进行调整，从而得到更准确的火烧迹地面积估测结果。

利用多时相Landsat影像逐年分析火烧迹地差值归一化燃烧率能呈现一定规律，以火灾发生的时间为基准，成像时间越接近发生火灾时间像对的dNBR，用阈值规则识别为过火区域的像元数越多。

利用dNBR分析2006年安宁森林火灾和2015年石林森林火灾，识别的像元数量出现大幅变化，与气温、降水量、植被长势等因素相关，植被长势越好识别的像元数越多。

在固定识别规则阈值最小范围情况下，随着最大阈值范围的增加，识别像元数量变化较小。

归一化燃烧率用于识别火烧迹地和估算火烧迹地面积的普适性较高，有明显的时序性和易获取性，可对火烧迹地植被恢复监测起到辅助作用，在使用时需要根据实际情况分析，使用合适的识别规则进行研究。NBR和dNBR在遥感影像上能增强显示火烧区域，结合Landsat系列影像在长时间序列和中等空间范围内研究火烧迹地植被恢复情况是一种重要手段。

本研究中未参考森林资源二类调查数据和数字高程模型，后续研究中，在数据方面可用高分辨率和高光谱影像，结合二类调查数据和海拔、坡度、坡向等地形因子进行不同林分火烧严重程度、林火烈度和时间序列变化研究；在遥感影像分析方面可用植被指数和其他燃烧指数，与NBR、dNBR结合，使得火烧迹地识别精度更高，估算过火面积更准确。

[1] 孙玉荣,张贵.基于神经网络的森林火灾危害程度预测研究[J].西北林学院学报,2010,25(3):147-150.

SUN Y R,ZHANG G.Forecasting study of forest-fire harm degree based on neural network[J].Journal of Northwest Forestry University,2010,25(3):147-150.(in Chinese)

[2] 马胜利.基于3S技术的森林防火辅助决策系统研建[J].西北林学院学报,2010,25(5):112-116.

MA S L.Establishment of forest fire prevention assistant decision-making system based on 3S technique[J].Journal of Northwest Forestry University,2010,25(5):112-116.(in Chinese)

[3] 李建,陈晓玲,陆建忠,等.森林火灾遥感监测方法适用性研究[J].华中师范大学学报:自然科学版,2011,45(3):485-489.(in Chinese)

LI J,CHEN X L,LU J Z,etal.Study on applicability of forest fire detecting algorithms by remote sensing[J].Journal of Central China Normal University:Natural Sciences,2011,45(3):485-489.(in Chinese)

[4] 肖化顺,刘小永,曾思齐.欧美国家林火研究现状与展望[J].西北林学院学报,2012,27(2):131-136.

XIAO H S,LIU X Y,ZENG S Q.Status and prospect of forest fire research in Europe and the united states[J].Journal of Northwest Forestry University,2012,27(2):131-136.(in Chinese)

[5] 吴立叶,沈润平,李鑫慧,等.不同遥感指数提取林火迹地研究[J].遥感技术与应用,2014,29(4):567-574.

WU L Y,SHEN R P,LI X H,etal.Evaluating different remote sensing indexes for forest burn scars extraction[J].Remote Sensing Technology and Application,2014,29(4):567-574.(in Chinese)

[7] 孔博,张树清,张柏,等.扎龙湿地火烧严重度分析及火灾对丹顶鹤生境的影响[J].湿地科学,2007,5(4):348-355.

KONG B,ZHANG S Q,ZHANG B,etal.Analysis of burn severity of wetlands in Zhalong nature reserve and impact of fire on red crowned crane habitat[J].Wetland Science,2007,5(4):348-355.(in Chinese)

[8] HARRIS S,VERAVERBEKE S,HOOK S.Evaluating spectral indices for assessing fire severity in chaparral ecosystems (southern California) using MODIS/ASTER (MASTER) airborne simulator data[J].Remote Sensing,2011(3):2403-2419.

[9] 雷成亮.大兴安岭森林火烈度遥感估测方法研究[D].哈尔滨:东北林业大学,2012.

[10] 王晓莉,王文娟,常禹,等.基于NBR指数分析大兴安岭呼中森林过火区的林火烈度[J].应用生态学报,2013,24(4):967-974.

WANG X L,WANG W J,CHANG Y,etal.Fire severity of burnt area in Huzhong forest region of great Xing'an mountains,northeast China based on normalized burn ratio analysis[J].Chinese Journal of Applied Ecology,2013,24(4):967-974.(in Chinese)

[11] 余超,陈良富,李莘莘,等.基于多源卫星多光谱遥感数据的过火面积估算研究[J].光谱学与光谱分析,2015(3):739-745.

YU C,CHEN L F,LI S S,etal.Estimating biomass burned areas from multispectral dataset detected by multiple-satellite[J].Spectroscopy and Spectral Analysis,2015(3):739-745.(in Chinese)

[12] STAMBAUGH M C,HAMMER L D,GODFREY R.Performance of burn-severity metrics and classification in oak woodlands and grasslands[J].Remote Sensing,2015,7:10501-10522.

[13] BALOLOY A B,BLANCO A C,GANA B S,etal.Landsat-based detection and severity analysis of burned sugarcane plots in Tarlac,Philippines using differenced normalized burn ratio (dNBR)[C]//International Conference on Geomatic and Geospatial Technology(GGT).ISPRS:Kuala Lumpur,Malaysia,2016:173-179.

[14] 何阳,杨进,马勇,等.基于Landsat-8陆地卫星数据的火点检测方法[J].红外与毫米波学报,2016,35(5):600-608.

HE Y,YANG J,MA Y,etal.A method for fire detection using Landsat 8 data[J].Journal of Infrared and Millimeter Waves,2016,35(5):600-608.(in Chinese)

[15] 肖潇,冯险峰,孙庆龄.利用MODIS影像提取火烧迹地方法的研究[J].地球信息科学学报,2016,18(11):1529-1536.

XIAO X,FENG X F,SUN Q L.Burned area detection in the ecosystem transition zone using MODIS data[J].Journal of Geo-Information Science,2016,18(11):1529-1536.(in Chinese)

[16] 段颖,周汝良,刘智军.基于CBERS遥感数据的云南安宁“3.29”火灾面积评估[J].云南地理环境研究,2009(1):89-92.

DUAN Y,ZHOU R L,LIU Z J.Disaster area estimation for forest-fire on 29 march in Anning Yunnan using remotely sensed data from CBERS[J].Yunnan Geographic Environment Research,2009(1):89-92.

[17] 中国森林防火网.云南省大理市2月6日16时发生森林火灾[EB/OL].(2013-02-07)[2017-06-11].http://www.slfh.gov.cn/slfhw/Item/12619.aspx.

[18] 中国森林防火网.云南省迪庆州森林火灾已扑灭[EB/OL].(2013-02-09) [2017-06-11].http://www.slfh.gov.cn/slfhw/Item/12638.aspx.

[19] 中国森林防火网.云南省大理市森林火灾已扑灭[EB/OL].(2013-02-09) [2017-06-11].http://www.slfh.gov.cn/slfhw/Item/12639.aspx.

[20] 中国森林防火网.云南省昆明市石林县和大理州大理市森林火灾已扑灭[EB/OL].(2015-03-03) [2017-06-11].http://www.slfh.gov.cn/slfhw/Item/20150.aspx.

[21] 邓书斌.ENVI遥感图像处理方法[M].北京:科学出版社,2010:290-312.

[22] What's New in ENVI 5.3[EB/OL].(2016-05-05) [2017-06-11].http://www.harrisgeospatial.com/ Support/ProductsUpdateDetails/TabId /1997/ArtMID/7326/ArticleID/14615/Whats-New-in-ENVI-53.aspx.

[23] BERNSTEIN L S,JIN X,BRIAN G,etal.Quick atmospheric correction code:algorithm description and recent upgrades[J].Optical Engineering,2012,51(11):1371-1379.

[24] KEY C H,BENSON N C.Landscape assessment (LA) sampling and analysis methods[M].FIREMON:Fire Effects Monitoring and Inventory System,2005.

[25] Burn Indices Tutorial[EB/OL].(2017-6-11).http://www.harrisgeospatial.com/docs/BurnIndicesTutorial.html#Burn

[26] 中华人民共和国国家统计局.中国统计年鉴[J/OL]. [2017-06-11].http://www.stats.gov.cn/tjsj/ndsj/

[27] 孙永华,宫辉力.基于高光谱的湿地植被定量遥感研究:以洪河自然保护区为例[M].北京:中国环境出版社,2015:29-31.

[28] 苗庆林,田晓瑞,赵凤君.大兴安岭不同植被火后NDVI恢复过程[J].林业科学,2015,51 (2):90-98.

MIAO Q L,TIAN X R,ZHAO F J.NDVIrecovery process for post-fire vegetation in Daxing'anling[J].Scientia Silvae Sinicae,2015,51 (2):90-98.(in Chinese)

[29] 黄慧君.2006年云南省盛夏高温干旱成因分析[J].云南地理环境研究,2009,21(4):83-86.

[30] 何云玲,鲁枝海.近60年昆明市气候变化特征分析[J].地理科学,2012,32(9):1119-1124.

HE Y L,LU Z H.Climate change trends and characteristics of Kunming in recent 60 years[J].Scientia Geographica Sinica,2012,32(9):1119-1124.(in Chinese)

[31] 管宇,顾光同,黄龙生.近60年昆明降水量特征分析[J].生物数学学报,2013(2):350-354.

GUAN Y,GU G T,HUANG L S.Characteristics analysis on Kunming rainfall nearly 60 years[J].Journal of Biomathematics,2013(2):350-354.(in Chinese)

[32] 张刘东,郭萍,龚爱民,等.昆明市近60年ET0及气候干旱趋势分析[J].灌溉排水学报,2013 ,32 (6) :125-127.

ZHANG L D,GUO P,GONG A M,etal.Trend analysis on ET0 and climate drought of Kunming City in recent 60 years[J].Journal of Irrigation and Drainage,2013 ,32 (6) :125-127.(in Chinese)

[33] 魏康洪,陈晓平,熊升念,等.2000年以来昆明地区降水变化特征分析[J].现代农业科技,2016(7):240-241.

WEI K H,CHEN X P,XIONG S N,etal.Analysis of precipitation change characteristics in Kunming area since 2000[J].Modern Agricultural Science and Technology,2016(7):240-241.(in Chinese)

[34] 王纯枝,钱拴,谭方颖,等.2015/2016年冬季气候对农业生产的影响[J].中国农业气象,2016,37(2):255-257.