2020年我國冬小麥長勢動態(tài)監(jiān)測

孫麗 錢永蘭 吳尚榮

摘要 小麥是我國第三大糧食作物，而冬小麥占比為95%以上，在糧食構(gòu)成中占重要地位。提出了一種結(jié)合光學(xué)和微波遙感的中國冬小麥長勢動態(tài)監(jiān)測模式，具體為利用微波遙感和MK算法，分析了2020年我國冬小麥主產(chǎn)區(qū)土壤墑情的變化趨勢及空間分布。在此基礎(chǔ)上，結(jié)合光學(xué)植被指數(shù)，采用年際比較模型，對2020年我國冬小麥長勢進行了動態(tài)監(jiān)測。結(jié)果表明，2020年我國冬小麥長勢基本呈現(xiàn)持平向好趨勢，且總體好于2019年同期。良好的水熱條件是主產(chǎn)區(qū)冬小麥長勢總體表現(xiàn)較好的主要原因。冬小麥產(chǎn)量有望繼續(xù)保持穩(wěn)定，保障我國糧食供給充足。

關(guān)鍵詞 長勢監(jiān)測;遙感;MODIS數(shù)據(jù);冬小麥

中圖分類號 S127 ?文獻標識碼 A

文章編號 0517-6611（2020）21-0230-04

Abstract Wheat is the third largest grain crop in China， and the proportion of winter wheat is more than 95%， occupies an important position in the grain composition. A dynamic monitoring model of winter wheat growth in China was presented which combined optical and microwave remote sensing data. By using microwave remote sensing and MK algorithm， the variation trend and spatial distribution of soil moisture content in main winter wheat producing areas in China in 2020 were analyzed. After that， based on the optical vegetation index and the interannual comparison model， the growth trend of winter wheat in China during the outbreak of new coronary pneumonia was dynamically monitored. The results are as follows： the growth trend of winter wheat in the main producing areas in China in 2020 was basically flat and slightly better， which is better than that in the same period of 2019. Favorable meteorological conditions are the main reason for the preference of winter wheat growth in main producing states. Output is expected to remain stable to ensure adequate food supply in China.

Key words Crop growth monitoring;Remote sensing;MODIS data;Winter wheat

基金項目 國家重點研發(fā)計劃（2016YFB0501505）。

作者簡介 孫麗（1978—），女，遼寧遼陽人，高級工程師，博士，從事農(nóng)情遙感監(jiān)測研究。

收稿日期 2020-04-14

小麥是我國第三大糧食作物和城鎮(zhèn)居民主要口糧。同時，小麥也是我國重要的商品糧和戰(zhàn)略性的主要糧食儲藏品種[1]。據(jù)國家統(tǒng)計局2018年統(tǒng)計結(jié)果顯示，全國小麥種植面積24 266.2千hm2，產(chǎn)量為13 144.0萬t，其中，冬小麥面積為22 750.3千hm2，產(chǎn)量為12 503.1萬t，占小麥總產(chǎn)量的95.1%。冬小麥作為我國主要的夏糧品種，在糧食構(gòu)成中占重要地位。

我國北方冬小麥主產(chǎn)區(qū)包括河南省、河北省、山東省、陜西省、山西省、甘肅省共6省，南方冬小麥主產(chǎn)區(qū)包括江蘇省、安徽省、湖北省、四川省、重慶市5?。ㄖ陛犑校?。其中，冬小麥種植比例超過5%的有河南省、山東省、安徽省、江蘇省、河北省5個省，其冬小麥產(chǎn)量之和約占我國冬小麥產(chǎn)量的83.3%，河南省種植面積比例超過25%，是冬小麥種植第一大省。冬小麥主產(chǎn)區(qū)內(nèi)各省冬小麥種植面積比例情況參見表1。

作物生長過程監(jiān)測是以作物長勢監(jiān)測為核心，輔以氣象條件和土壤墑情監(jiān)測等信息，對作物生長狀況變化進行綜合分析并預(yù)估未來發(fā)展趨勢。它能夠為早期估產(chǎn)提供依據(jù)，是農(nóng)業(yè)遙感應(yīng)用研究的重點內(nèi)容之一。作物長勢監(jiān)測是對作物的幼苗、生長狀況及其變化的宏觀監(jiān)測[2-3]。在作物長勢遙感監(jiān)測中，最常用的是利用植被光譜響應(yīng)敏感波段構(gòu)建能夠反映作物生長狀況的遙感指數(shù)進行監(jiān)測，包括植被指數(shù)、葉面積指數(shù)等，其中歸一化植被指數(shù)（Normalized Difference Vegetation Index，簡稱NDVI）等應(yīng)用最廣泛。后者是隨著作物生長模擬模型的發(fā)展，基于機理模型進行長勢監(jiān)測，近年來相關(guān)研究越來越深入，但由于需要較多的輔助參數(shù)影響了大范圍推廣應(yīng)用[4]。在土壤墑情遙感監(jiān)測方面，表觀熱慣量模型、植被供水指數(shù)模型、溫度植被干旱指數(shù)等是成熟且應(yīng)用較廣泛的監(jiān)測模型[5-9]，然而這些模型是基于光學(xué)遙感數(shù)據(jù)構(gòu)建的。微波具有穿透性和全天候特點，因此被認為是探測土壤水分最有效手段[10]。

該研究將光學(xué)遙感與微波遙感方法結(jié)合，在分析土壤墑情變化的基礎(chǔ)上進行作物長勢的綜合分析，客觀評價其發(fā)展變化及未來趨勢，為農(nóng)業(yè)生產(chǎn)管理和產(chǎn)量預(yù)估提供支持。

1.1 數(shù)據(jù)源與預(yù)處理

該研究光學(xué)遙感數(shù)據(jù)來源是美國國家航空航天局（National Aeronautics and Space Administration，簡稱NASA）網(wǎng)站的Terra衛(wèi)星搭載的中分辨率成像光譜傳感器（moderate resolution imaging spectroradiometer，簡稱MODIS）單日反射率產(chǎn)品MOD09GA和單日陸表溫度產(chǎn)品MOD11A1，空間分辨率為1 km。其中，為滿足監(jiān)測時效性，數(shù)據(jù)產(chǎn)品時間為2019年12月上中旬（12月2—13日）、2020年3月上旬（3月1—10日）。單日反射率產(chǎn)品在完成拼接、投影轉(zhuǎn)換、剪裁等處理后，構(gòu)建NDVI，并進行多日最大化合成。單日陸表溫度完成晝夜溫差計算后，再進行多日晝夜溫差最大化合成。微波數(shù)據(jù)來源是中國氣象局風云衛(wèi)星遙感數(shù)據(jù)服務(wù)網(wǎng)共享數(shù)據(jù)（http：//satellite.nsmc.org.cn/PortalSite/Default.aspx）。使用產(chǎn)品為FY-3C/MWRI陸表溫度旬產(chǎn)品，空間分辨率為25 km。數(shù)據(jù)產(chǎn)品時間為冬小麥開始播種—返青拔節(jié)，具體是2019年10月上旬—2020年3月上旬。利用全國經(jīng)濟統(tǒng)計數(shù)據(jù)及行政界限矢量數(shù)據(jù)，基于ARCGIS軟件平臺，得到主產(chǎn)區(qū)域冬小麥分布底圖，作為監(jiān)測區(qū)域掩膜數(shù)據(jù)。輔助分析資料包括氣象信息和地面調(diào)查信息，其中氣象信息來源于中國氣象數(shù)據(jù)網(wǎng)（http：//data.cma.cn/）。

1.2 研究方法

1.2.1 作物長勢監(jiān)測模型。

由于紅光和近紅外2個波段是植物光譜中反映光合作用和呼吸作用的最重要波段，研究人員基于此構(gòu)建了多種指數(shù)以揭示其包涵的植物信息，其中以NDVI最為典型。根據(jù)農(nóng)業(yè)部門應(yīng)用習(xí)慣，上一年（即去年）的收成是已知的，通過與上一年的作物長勢比較，容易得到產(chǎn)量變化趨勢，同樣，通過與常年比較，易于得到相比常年的長勢及產(chǎn)量變化趨勢，因此該研究使用年際比較模型來進行長勢情況評估。具體為：

DNDVI2=NDVI1-NDVI2（1）

NDVI=（Rnir-Rred）（Rnir+Rred）（2）

式中，DNDVI2表示與去年比較的作物長勢指數(shù);NDVI1表示當年某時段NDVI值;NDVI2表示去年同期NDVI值。Rnir為近紅外波段反射率，Rred為紅光波段反射率。根據(jù)DNDVI2值大小，結(jié)合地面調(diào)查數(shù)據(jù)對差值結(jié)果進行分級，將作物長勢分為好于去年，與去年持平和不及去年。

與常年比較模型為：

DNDVIn=NDVI1-NDVI（3）

NDVI=ni=1NDVI-NDVImax-NDVIminn-2（4）

式中，DNDVIn表示與常年比較的作物長勢指數(shù);n表示年數(shù)，為≥5的整數(shù);NDVI1表示當年某時段NDVI值;NDVI為常年同期平均NDVI值。DNVImax表示常年同期最大NDVI值;NDVImin表示常年同期最小NDVI值;NDVI表示常年同期平均NDVI值。根據(jù)DNDVIn值大小，結(jié)合地面調(diào)查數(shù)據(jù)對差值結(jié)果進行分級，將作物長勢分為好于常年，與常年持平和不及常年。

1.2.2 土壤墑情監(jiān)測模型。

由于植被覆蓋度不同，該研究利用NDVI進行分區(qū)，選擇使用表觀熱慣量模型（Apparent Thermal Inertia，PATI）和植被供水指數(shù)（Vegetation Supply Water Index，VSWI）進行土壤墑情監(jiān)測。其中，基于表觀熱慣量的土壤墑情監(jiān)測模型根據(jù)監(jiān)測時段不同選用線性、指數(shù)、對數(shù)等不同反演方法。實現(xiàn)過程參見鄧輝（2004）文獻[11]。

1.2.3 FY-3C/MWRI土壤水分反演模型?；贚SMEM（and surface microwave emission model）[12]， 利用雙極化10.7 GHz的FY-3C微波亮溫產(chǎn)品來反演土壤水分。實現(xiàn)過程參見劉凱等[13]文獻。

1.2.4 趨勢分析模型。該研究采用 Mann-Kendall 非參數(shù)檢驗法來檢測土壤墑情總體變化趨勢。以原假設(shè) H0（即假設(shè)序列平穩(wěn)且隨機獨立分布）為前提，分別計算參數(shù) ZC和β。ZC反映了序列的總體變化趨勢，ZC為正值，說明序列總體上呈上升趨勢;ZC為負值，則呈下降趨勢。取顯著性水平α=0.05，若|ZC|≤1.96，則原假設(shè) H0被接受，即時間序列變化趨勢不顯著;|ZC|>1.96，則拒絕原假設(shè)，即時間序列存在顯著的變化趨勢。β表示單位時間內(nèi)的變化量，|β|值越小，表示變化幅度越小;|β|值越大，表示變化幅度越大。

2 結(jié)果與分析

2.1 氣象條件分析 自2019年10月上旬至2020年3月上旬，冬小麥主產(chǎn)區(qū)降水總量和平均氣溫高于上年同期，略高于近5年平均。與上年同期相比，降水量總體偏多50 mm以上。其中越冬前（10月上旬—12月中旬）偏多15 mm以上，越冬期（12月下旬—1月下旬）偏多20 mm以上，進入返青期開始（2月上旬—3月上旬）偏多13 mm以上;平均氣溫總體偏高近1.5 ℃，其中越冬前（10月上旬—12月中旬）平均偏高近0.9 ℃，越冬期（12月下旬-1月下旬）平均偏高2.3 ℃，進入返青期開始（2月上旬-3月上旬）平均偏高1.7 ℃以上。與近5年同期相比，降水量總體偏多10 mm以上，其中，越冬前偏少近20 mm，越冬期偏多20 mm以上，進入返青期開始偏多近10 mm;平均氣溫總體偏高近0.7 ℃，其中，越冬前平均偏高近0.5 ℃，越冬期平均偏高0.6 ℃以上，進入返青期開始平均偏高1.3 ℃以上。

2.2 土壤墑情分析 利用國產(chǎn)FY-3D低分辨率微波遙感數(shù)據(jù)得到旬土壤水分反演結(jié)果，在此基礎(chǔ)上進行土壤水分變化趨勢分析（圖4）。自2019年10月上旬至2020年3月上旬，我國冬麥區(qū)大部土壤水分為稍有上升至顯著上升狀態(tài)，其中，河北南部、山東中東部、河南北部、江蘇北部、安徽中北部、湖北中部、陜西中南部、四川東南部增加明顯。另外，甘肅東南部局部土壤水分稍有下降趨勢。

分析認為，秋播期間北方冬麥區(qū)大部分土壤墑情較好，為冬小麥適時播種和苗期生長創(chuàng)造良好條件。但河南南部、湖北及安徽北部等麥區(qū)局部受溫度偏高、降水偏少影響，土壤墑情偏差，對冬小麥播種有不利影響。陜西中南部、山西南部等局部降水偏多，局部地區(qū)土壤過濕，冬小麥播種短暫受阻。越冬前期，北方冬麥區(qū)大部氣溫正?；蚱?～2 ℃，日照正常，冬麥平原產(chǎn)區(qū)大部進行了冬前灌溉，麥區(qū)墑情總體保持較好，利于冬小麥分蘗生長和安全越冬，前期缺墑較多的安徽、江蘇、湖北大部降水增加，累積降水量10～50 mm，局部降水50～100 mm，缺墑條件改善。但河南南部和中部、河北東南部、山東膠東半島不具有灌溉條件或灌溉不及時區(qū)域缺墑較多，如河南上蔡縣、許昌市建安區(qū)、河北滄縣、曲周縣、山東鄆城縣、山西洪洞縣等地面監(jiān)測點顯示土壤相對含水量均小于60%，缺墑區(qū)域冬小麥長勢受到影響。西南地區(qū)東部氣溫正常，日照偏多，土壤過濕狀況得到改善，利于冬小麥生長發(fā)育。越冬期間，冬麥區(qū)水熱條件較好，北方冬麥區(qū)氣溫較常年同期偏高1～3 ℃，陜西東部、山西南部、河北南部安徽等麥區(qū)出現(xiàn)10 mm以上降水，其中，河南南部、安徽北部等地達50～100 mm，水熱條件對冬小麥安全越冬十分有利。2月冬小麥逐步進入返青期以后，冬小麥主產(chǎn)區(qū)出現(xiàn)4次以上雨雪天氣，累積降水量為10～50 mm，為冬小麥返青拔節(jié)生長奠定了良好水分基礎(chǔ)。

利用美國中分辨率Terra-MODIS衛(wèi)星遙感數(shù)據(jù)監(jiān)測土壤墑情顯示（圖5），截至3月上旬，冬麥區(qū)土壤墑情總體適宜。其中，適宜比例為91.3%，濕潤比例為7.2%，過濕比例為1.1%，輕旱比例為0.3%，中旱比例為0.1%。與冬前監(jiān)測結(jié)果相比，適宜比例下降4.5%，濕潤比例增加5.7%，過濕比例增加1.0%，輕旱比例下降2.2%，中旱比例無變化，為0.1%。

2.3 作物長勢分析 結(jié)合上述冬小麥主產(chǎn)區(qū)耕地土壤墑情變化趨勢及分布結(jié)果，利用MODIS時間序列遙感植被指數(shù)分析（圖6），11月中旬開始，隨著冬小麥進入分蘗期，由于氣溫高于上年同期及近5年同期，植被指數(shù)較去年和近5年同期偏高，12月中下旬陸續(xù)進入越冬期后，植被指數(shù)與常年及上年同期差異縮小，進入1月下旬后，隨著溫度升高，活動積溫增長迅速，冬小麥返青生長加速，植被指數(shù)較上年同期及近5年同期顯著偏高，生育期較5年平均提前7～10 d。2月下旬江蘇、安徽、河南、陜西、湖北、四川、重慶等地冬小麥進入返青起身期，3月上中旬大部分冬小麥返青起身，春管進入高峰期。由于冬小麥主產(chǎn)區(qū)光溫水匹配較好，冬小麥長勢總體正常。3月上旬冬小麥長勢遙感監(jiān)測結(jié)果顯示，75.3%的冬小麥長勢與去年同期持平，13.3%的長勢好于上年同期，只有11.4%的長勢不及上年同期。與越冬前冬小麥長勢監(jiān)測結(jié)果相比（圖7），河北南部、河南南部、山東西部、四川北部等地區(qū)長勢變好，河南北部局部、安徽中部、四川東南部等地區(qū)長勢變差。

對3月上旬與冬前長勢監(jiān)測結(jié)果進行比較（表2），結(jié)果顯示冬小麥主產(chǎn)區(qū)無變化比例為86.6%，變好比例為9.2%，變差比例為4.2%。其中，北方變好比例為9.1%，變差比例為3.9%，河南變好比例超過10.0%，為12.2%;南方變好比例為9.3%，變差比例為4.6%，湖北變好比例超過10.0%，為10.3%。新冠肺炎疫情嚴重的湖北和河南2省冬小麥長勢總體好于去年同期和越冬前。總體來看，冬小麥長勢趨勢向好。

據(jù)氣象預(yù)測，4月份北方冬小麥主產(chǎn)區(qū)大部氣溫偏高，降水量接近常年同期或偏多，水熱條件利于冬小麥孕穗、抽穗開花，河南西部、南部，江蘇和安徽南部氣溫偏高1～2 ℃，降水正常，土壤失墑較快，可能出現(xiàn)階段性旱情。南方大部氣溫偏高，降水接近常年或偏多，利于冬小麥產(chǎn)量形成，階段多雨或強降水可能導(dǎo)致部分地區(qū)冬小麥病蟲害發(fā)生蔓延。因此需多關(guān)注河南西部、南部和江蘇、安徽南部以及南方多雨區(qū)域土壤墑情變化，并及時做好干旱和病蟲害防治工作，促進冬小麥順利生長發(fā)育和產(chǎn)量形成。

3 結(jié)論

該研究利用光學(xué)和微波遙感數(shù)據(jù)對我國冬小麥主產(chǎn)區(qū)進行冬小麥作物長勢監(jiān)測。結(jié)果表明，截至2020年3月上旬，我國冬小麥長勢基本呈現(xiàn)持平向好趨勢，且總體好于2019年同期，尤其是主產(chǎn)省河南省、湖北省較越冬前變好趨勢顯著，產(chǎn)量有望繼續(xù)保持穩(wěn)定，保障我國糧食供給充足。

該研究側(cè)重基于不同數(shù)據(jù)源監(jiān)測結(jié)果的綜合應(yīng)用分析，將土壤墑情遙感監(jiān)測與作物長勢及變化趨勢結(jié)合評估，具有綜合性強、可相互校驗等優(yōu)勢，有利于提升作物長勢監(jiān)測評估結(jié)果的客觀性和準確性。但目前尚缺乏將兩者結(jié)合的具有物理機制的方法手段，這將是今后進一步優(yōu)化的研究方向。

參考文獻

[1]王來剛.基于多源遙感信息融合的小麥生長監(jiān)測研究[D].南京：南京農(nóng)業(yè)大學(xué)，2012.

[2]楊邦杰.農(nóng)情遙感監(jiān)測[M].北京：中國農(nóng)業(yè)出版社，2005.

[3]蒙繼華.農(nóng)作物長勢遙感監(jiān)測指標研究[D].北京：中國科學(xué)院研究生院（遙感應(yīng)用研究所），2006.

[4]孫麗，王蔚丹，陳媛媛，等.2019年美國冬小麥長勢遙感監(jiān)測分析[J].安徽農(nóng)業(yè)科學(xué)，2020，48（1）：241-244.

[5]譚德寶，劉良明，鄢俊潔，等.MODIS數(shù)據(jù)的干旱監(jiān)測模型研究[J].長江科學(xué)院院報，2004，21（3）：11-15.

[6]張文宗，姚樹然，趙春雷，等.利用MODIS資料監(jiān)測和預(yù)警干旱新方法[J].氣象科技，2006，34（4）：501-504.

[7]唐巍，覃志豪，秦曉敏.農(nóng)業(yè)干旱遙感監(jiān)測業(yè)務(wù)化運行方法研究[J].遙感應(yīng)用，2007（2）：37-41.

[8]孫麗，王飛，吳全.干旱遙感監(jiān)測模型在中國冬小麥區(qū)的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報，2010，26（1）：243-249，389.

[9]陳仲新，任建強，唐華俊，等.農(nóng)業(yè)遙感研究應(yīng)用進展與展望[J].遙感學(xué)報，2016，20（5）：748-767.

[10]萬紅，高碩，郭鵬.青藏高原地區(qū)FY-3B微波遙感土壤水分產(chǎn)品適用性研究[J].干旱區(qū)資源與環(huán)境，2018，32（4）：132-137.

[11]鄧輝.基于MODIS數(shù)據(jù)的大區(qū)域土壤水分遙感監(jiān)測研究[D].北京：中國農(nóng)業(yè)科學(xué)院，2004.

[12]PARRENS M，ZAKHAROVA E，LAFONT S，et al.Comparing soil moisture retrievals from SMOS and ASCAT over France[J].Hydrology and earth system sciences，2012，16（2）：423-440.

[13]劉凱，孫麗，孫海玥，等.基于風云微波數(shù)據(jù)的中國冬小麥區(qū)干旱監(jiān)測研究[J].干旱氣象，2017，35（6）：918-925.