基于高分六号卫星数据的花生干旱监测研究

张 彦，刘 婷，郭 燕，贺 佳，王来刚，张红利，杨秀忠

（1.河南省农业科学院农业经济与信息研究所，郑州 450002；2.河南省农作物种植监测与预警工程研究中心，郑州 450002）

0 引 言

干旱是对中国农业影响最大的自然灾害之一，具有影响范围广、发生频率高、持续时间长等特征[1]。中国每年旱灾损失占各种自然灾害的15%以上，每年因旱灾造成粮食减产约300 亿kg[2]。花生作为中国重要的油料作物之一，每年约有70%的花生受到不同程度的干旱胁迫，对花生的产量和品质造成影响。在全球气候变暖的大背景下，干旱发生的频率和强度均在迅速增长，干旱对花生生产的冲击和影响变大[3]。因此，开展花生干旱监测研究，为花生干旱预警提供实时精确的信息，提高灌溉的精确性和及时性，对于保障花生丰产、稳产具有重要意义。

利用遥感技术可以快速获取大范围土壤水分变化及作物生长状态，准确地反映不同干旱条件下作物受胁迫的程度，在农业旱灾监测预警中得到广泛应用[4-7]。大量研究表明，温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）能较好地反映大范围作物干旱信息[8-10]。TVDI的构建多是采用传统的归一化植被指数（Normalized Difference Vegetation Index，NDVI），但NDVI在植被覆盖度较高时易饱和[11]，对干旱监测的精度造成一定不利影响。近年来，不少学者利用增强型植被指数（Enhanced Vegetation Index，EVI）、修正土壤调整植被指数（Modified Soil-Adjusted Vegetation Index，MSAVI）、比值植被指数（Ratio Vegetation Index，RVI）等植被指数对TVDI进行了改进，均取得了较高的监测精度。LI 等[12]利用EVI构建TVDI估算不同土壤深度水分，发现利用EVI构建的TVDI与降水距平的相关性更好；为减少土壤背景与植被覆盖度对干旱监测精度的影响，陈明星等[13]在不同植被覆盖状况下选取多种植被指数构建TVDI，发现在高植被覆盖区利用EVI和MSAVI计算的TVDI比其他植被指数更能反映土壤湿度状况。改进的TVDI对作物干旱监测精度更高，但都是采用近红外和红光波段构建植被指数进行TVDI改进，较少有利用红边波段的研究。此外，已有干旱遥感监测研究普遍集中在整个研究区域，而不是作物种植区域，限制了结果的针对性和适用性。红边波段作为植被在0.68～0.76 μm 反射率增高最快的点，与植被的各种理化参数紧密相关[15]，是描述绿色植物生长和健康状况的敏感波段，亦可作为指示作物受干旱胁迫状态的理想工具[16]。国内外众多学者采用近地高光谱遥感数据中的红边波段开展农业干旱监测研究，发现红边波段对叶片含水量[17]、叶面积指数[18]、叶绿素含量[19]等农田干旱程度评价指标的变化反应敏感。如苏伟等[20]基于无人机影像构建了多个植被指数与冠层叶绿素含量进行回归分析，发现红边波段的加入可有效提高叶绿素含量估算的精度。VAZ等[21]利用便携式植物反射光谱测量仪测定葡萄叶片光谱反射率并计算了归一化红边差值植被指数、红边位置等红边参数，发现归一化红边植被指数与葡萄叶片相对含水量相关性较好，可以用于葡萄抗干旱品种筛选。林毅等[22]利用高光谱数据对不同干旱胁迫条件下玉米冠层光谱反射率的变化特征进行了研究，发现红边参数对于干旱胁迫响应快。这些研究为红边波段在干旱遥感监测中的应用奠定了良好的基础。

随着WorldView、SuperDove、Sentinel-2 等卫星的成功发射，利用多光谱卫星红边波段开展区域尺度的农业干旱监测成为可能。但受各国遥感数据分发服务政策影响，国外卫星数据的获取存在费用高和不确定性问题[23]。国产高分六号卫星于2018年6月2日成功发射，作为中国首颗具备红边波段传感器的卫星，实现了国产高分卫星数据替代国外同类数据，打破了农业遥感监测研究需要用到的中高分辨率数据长期依赖国外卫星的局面。高分六号具有宽覆盖、高重访、高分辨率、多谱段特征等特征[24]，对区域尺度农业遥感监测应用需求的满足程度更高，已在地物类型识别[25]、长势诊断[26]等农业监测中得到较好应用，但目前尚没有关于GF-6 数据在农业干旱中的应用研究报道。因此，本研究基于高分六号宽幅数据（GF-6 WFV），运用红边波段构建温度植被干旱指数（TVDI）对社旗县花生旱情进行监测，探讨红边波段在花生干旱监测中的适用性，为高分六号卫星数据在农业干旱监测方面的应用提供参考。

1 数据与方法

1.1 研究区概况

社旗县位于河南省南阳市（32°47′～33°07′N，112°45′～113°11′E）（见图1），处于北亚热带向暖湿带过渡带，具有明显的大陆性季风气候特征，年均降水量为910.11 mm，年际间和不同季节间降水分布不均，导致旱灾频发。该县秋季作物有玉米、花生、大豆、红薯等，其中花生播种面积占比最大，2019年播种面积达3 万hm2，占全县秋粮播种总面积的35%，是该县主要的经济作物和油料作物。社旗县花生播种方式以夏直播为主，播种期为每年6月初，收获期为9月末，生育期为110 d。

图1 研究区地理位置及干旱等级实测点Fig.1 Location of study area and drought grade measured points

1.2 数据来源与处理

1.2.1 遥感数据

研究使用的GF-6 卫星数据是由中国资源卫星应用中心（http://www.cresda.com/CN/）提供，多光谱宽幅相机(WFV)数据空间分辨率为16 m，包含8 个波段，分别为：蓝波段（波长0.45～0.52 μm）、绿波段（波长0.52～0.59 μm）、红波段（波长0.63～0.69 μm）、近红外波段（波长0.77～0.89 μm）、红边波段1（波长0.69～0.73 μm）、红边波段2（波长0.73～0.77 μm）、紫边波段（波长0.40～0.45 μm）、黄边波段（波长0.59～0.63 μm）。Landsat 8 TIRS 数据来源于美国地质调查局（http:∥glovis.usgs.gov/），影像行列号为124/37，空间分辨率为100 m。利用ENVI5.3软件对GF-6 WFV和Landsat8 TIRS数据进行辐射校正、几何校正、配准、裁剪等处理得到研究区范围的植被指数和地表温度数据。

1.2.2 土壤相对湿度数据

土壤相对湿度数据来源于中国气象科学数据共享网（http:∥data.cma.cn）“中国气象局陆面数据同化系统（CLDASV2.0）实时产品数据集”，空间分辨率为0.062 5°×0.062 5°，与地面实际观测值吻合度较高，选取与遥感数据时间相同的0～20 cm土壤相对湿度数据对反演的TVDI进行精度验证。

1.2.3 实地调查数据

为对TVDI干旱分级结果进行准确率验证，于2019年9月13日在社旗县进行实地调查，参照《农业干旱等级》(GB/T32136-2015)，根据实地调查时花生植株形态（见图2）和荚果数量，将花生干旱划分为轻旱、中旱、重旱、特旱4 个等级。轻旱表现为花生叶片上部卷起，荚果数量较正常年份减少10%以内；中旱表现为花生叶片凋萎，荚果数量较正常年份减少10%～40%；重旱表现为花生叶片枯萎，荚果数量较正常年份减少40%～80%；特旱表现为花生植株干枯死亡，荚果数量较正常年份减少80%以上，甚至绝收。通过全球定位系统（Global Positioning System，GPS）设备采集地面实测样本点共计162 个，其中轻旱样本点36个、中旱样本点33 个、重旱样本点54 个、特旱样本点39 个。

图2 不同干旱强度下花生植株形态Fig.2 The patterns of peanuts with different drought intensity

1.2.4 其他数据

除遥感数据、土壤相对湿度数据和实测数据外，本研究还收集了社旗县地形图、土地利用数据，用于辅助识别花生种植面积空间分布。

1.3 研究方法

采用高分六号卫星数据的红波段、红边波段和近红外波段的反射率数据分别计算归一化差值植被指数(NDVI)和归一化红边差值植被指数(Red-edge Normalized Difference Vegetation Index，NDVI_RE)，与 地 表 温 度（Land Surface Temperature，LST）拟合得到温度植被干旱指数(TVDI)。

1.3.1 植被指数计算

为了充分利用高分六号卫星红边波段信息，除了常用的归一化差值植被指数外，还基于植被指数构建方法，用红边波段分别替换红光波段，构建新的植被指数NDVI_RE[27]，对作物干旱监测能力进行对比分析。各植被指数计算公式如下：

式中：NIR、R、RE分别表示近红光波段、红光波段、红边波段的光谱反射率。

1.3.2 温度植被干旱指数（TVDI）

地表温度和植被指数结合能够提供地表植被和水分条件信息，当研究区的植被覆盖从裸土到全覆盖，土壤湿度从极干旱到极湿润的情况下，由地表温度（LST）为纵坐标，植被指数（Vegetation Index，VI）为横坐标的散点图呈三角形[28]。TVDI综合利用地表温度与植被指数信息，其计算公式如下：

式中：LST为任意像元的地表温度；LSTmin为同一植被指数VI值对应的最低地表温度，LSTmin=a+b VI，称为湿边，其中a和b为湿边方程的拟合系数；LSTmax为同一植被指数VI值对应的最大地表温度，LSTmax=c+d VI，称为干边，其中c和d为干边方程的拟合系数。TVDI值域范围为[0，1]，TVDI值越大，表示土壤湿度越小，干旱越严重；相反，TVDI值越小，表示土壤湿度越大，干旱越轻[29]。

1.3.3 分级准确率评价

为分析TVDI对花生干旱程度的反映能力，参照刘丹等[30]提出的准确率检测方法，结合实测样本点数据，对TVDI干旱等级监测结果进行准确率评价，准确率计算公式如下：

式中：ACC为准确率；H为TVDI监测结果与地面实测干旱等级一致的样本点个数；M为TVDI监测结果与地面实测干旱等级不一致的样本点个数。

2 结果与分析

2.1 TVDI模型的建立与验证

2.1.1 地表温度-植被指数（LST-VI）特征空间

利用2019年7月7日、2019年8月24日、2019年9月9日的NDVI、NDVI_RE分别与相应日期的LST构建地表温度-植被指数（LST-VI）特征空间，结果见图3。由图3可以看出NDVI、NDVI_RE与LST的散点分布形状均近似三角形，符合Sandholt 等人提出的特征空间分布，说明2 种植被指数与地表温度构造的特征空间均适用于研究区。

图3 2019年6-9月地表温度-植被指数（LST-VI）特征空间Fig.3 LST-VI space from June to September,2019

根据植被指数与地表温度特征空间的结果，拟合对应的干边、湿边方程，结果见表1。由表1可以看出，干边方程斜率均小于0，湿边方程斜率均大于0，表明最大地表温度随植被指数的增大呈减小趋势，最小地表温度随植被指数的增大呈增加趋势。同时期比较时，NDVI、NDVI_RE拟合干边方程的决定系数均大于湿边方程，干边方程拟合效果优于湿边方程；由NDVI_RE参与拟合的干边方程决定系数大于NDVI，说明红边波段的加入提高了干边方程拟合度。不同时期比较时，基于NDVI_RE得出的干边方程拟合系数高于同时期NDVI，决定系数最高达0.92。故选取NDVI_RE构建的TVDI对研究区干旱进行后续研究。

表1 不同植被指数的干边、湿边方程Tab.1 Equations of dry edge and wet edge of different vegetation index

2.1.2 TVDI模型验证

已有研究表明TVDI与0～20 cm 土壤水分的相关性最高[31]。据此，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 土壤相对湿度与同期反演得到的TVDI进行相关性分析，验证TVDI对花生干旱监测的有效性，结果见表2。由表2可知，2种指数与0～20 cm 土壤相对湿度均呈显著负相关（P＜0.05），随着TVDI的增大，土壤相对湿度呈下降趋势，即TVDI越高，土壤相对湿度越低，旱情越严重。其中，相同时期的TVDINDVI_RE与0～20 cm 土壤相对湿度的相关系数高于TVDINDVI与0～20 cm 土壤相对湿度的相关系数。TVDI与土壤相对湿度的相关性在2019年8月24日高于2019年7月7日及2019年9月9日，这是由于2019年7月7日为花生幼苗期，地表覆盖度较低，土壤信息影响植被指数表达；2019年9月9日为花生成熟期，花生植被指数存在饱和效应；而2019年8月24日为花生结荚期，生长旺盛，植被覆盖度高，植被信息中土壤背景噪声影响小，TVDI与土壤相对湿度的相关性高。该结果进一步反映出基于红边波段计算得到的TVDI更适用于研究区花生干旱监测。

表2 温度植被干旱指数（TVDI）与土壤相对湿度相关系数Tab.2 Correlation coefficient between soil relative humidity and temperature vegetation dryness index(TVDI)

2.2 干旱等级划分标准的准确率

为降低云及土壤背景的影响，对3 期TVDINDVI_RE进行平均值合成后，采用自然间断点分级法将TVDI划分为4 个等级：0～0.6 为轻旱、0.6～0.7 为中旱、0.7～0.8 为重旱、0.8～1.0 为特旱。结合干旱等级实测数据对TVDI干旱分级结果进行分级准确率验证，结果见表3。由表3可以看出，本研究得到的干旱等级与实测干旱等级多数情况下是一致的，其中，36 个轻旱实测样本点均落在TVDI轻旱内；33个中旱实测样本点有30个落在TVDI中旱内，3 个落在TVDI重旱内；54 个重旱实测样本点有45 个落在TVDI重旱内，6 个落在TVDI中旱内，3 个在TVDI特旱内；39个特旱实测样本点有均落在TVDI特旱内，各干旱等级监测准确率均超83.33%，总体准确率为91.98%。以上结果表明，基于GF-6TVDINDVI_RE划分的干旱等级标准适用于社旗县花生干旱监测，监测结果与实测结果基本相符。

表3 基于TVDINDVI_RE的干旱分级准确率验证 个Tab.3 Accuracy of drought grade based on TVDINDVI_RE

2.3 花生干旱遥感监测结果

为探究TVDI对区域范围内作物干旱监测效果，参照2.2节的分级标准对2019年7月7日、2019年8月24日、2019年9月9日的TVDINDVI_RE结果进行干旱分级，由此得到2019年6-9月的社旗县花生干旱等级分布图（见图4）。由图4可以看出，2019年7月7日社旗县花生干旱以轻旱为主，西北部地区有重旱和特旱；2019年8月24日社旗县花生干旱在东部地区有重旱与特旱，中部地区和西部地区有中旱和轻旱；2019年9月9日社旗县花生干旱在东部地区有重旱和特旱，中部地区和西部地区有中旱。纵观社旗县2019年6-9月干旱情况由西向东逐渐加重，东部地区干旱情况较为严重且持续时间长。这与社旗县东部和东北部地区耕地多为沙岗地且灌溉条件不佳，西部及南部地区灌溉条件便利有关。

图4 社旗县花生干旱等级分布图Fig.4 Spatial distribution of peanut drought grade in Sheqi County

3 结 论

2019年秋季作物生长期间，社旗县持续高温少雨，对花生产量和品质造成不利影响。本研究基于GF-6 WFV数据计算红边归一化植被指数（NDVI_RE）和归一化植被指数（NDVI），与地表温度（LST）构建温度植被干旱指数（TVDI），结合土壤相对湿度和干旱等级实测数据，动态监测研究区花生干旱情况，评估高分六号红边波段在花生干旱监测中的适用性。研究结论如下。

GF-6 WFV 卫星红边波段参与计算的TVDINDVI_RE与LST的散点分布形状符合“三角形”特征空间分布，有红边波段参与的干边方程拟合效果优于无红边波段参与，基于NDVI_RE指数的干边方程拟合度最大为0.92；2种植被指数构建的TVDI与0～20 cm土壤相对湿度均呈显著负相关关系，基于NDVI_RE指数构建的TVDI与0～20 cm 土壤相对湿度的相关性更好，最大相关系数为0.85；研究利用TVDINDVI_RE实现了社旗县花生干旱动态监测，TVDINDVI_RE干旱分级结果与干旱等级实测结果一致性较好，花生干旱等级监测总体准确率为91.98%。GF-6 卫星红边波段可有效提高花生干旱监测精度，更好地表征花生干旱信息。

农业干旱是在农业生产中由于气温过高、降水不足、土壤含水量过低等原因导致供水不能满足农作物的正常需水，影响作物正常生长发育[32]。温度植被干旱指数综合利用植被指数和地表温度信息反演土壤湿度，可较好地反映作物干旱情况。针对当前大多数研究在构建TVDI模型时采用归一化植被指数，而归一化植被指数对于不同时期植被覆盖差异的敏感性不同，影响了TVDI监测土壤湿度的准确性这一问题[33]，本研究利用GF-6 WFV 卫星红边波段对TVDI进行改进并应用于花生干旱监测，发现相比于传统NDVI构建的TVDI，由红边波段参与改进后的TVDI与土壤相对湿度相关性更高。红边波段作为GF-6 卫星的优势波段，为农情监测和改进传统遥感参数反演提供了新的契机，但由于搭载红边波段的传感器相对较少，基于红边波段的农情遥感监测研究尚处于起步阶段。在红边植被指数构建时，参考了高光谱遥感植被指数的构建方法，GF-6 WFV数据与高光谱数据的红边波段的中心波长无法完全一致，这可能会对判别精度造成一定的影响。后续还应加强多个红边波段之间的光谱差异研究，在多个红边波段中合理选择波段进行指数构建，提高干旱监测模型的普适性。此外，本研究仅针对花生干旱开展了监测研究，对其他作物的干旱监测能力尚需进一步研究。