程紅霞，林粵江，胡列群

（1.烏魯木齊氣象衛(wèi)星地面站，烏魯木齊830011；2.新疆氣象培訓(xùn)中心，烏魯木齊830013）

農(nóng)區(qū)風(fēng)沙災(zāi)害的主要表現(xiàn)是流沙掩埋耕地和農(nóng)業(yè)設(shè)施。根據(jù)歷年受災(zāi)情況分析，每年春季是墾區(qū)播種出苗期，也是風(fēng)災(zāi)出現(xiàn)最頻繁的時期。2013年4月，處于沙漠邊緣的喀什綠洲農(nóng)區(qū)旱情持續(xù)加劇，大風(fēng)沙塵天氣造成農(nóng)作物大面積被風(fēng)刮起、死苗、地膜損壞。遙感植被指數(shù)是農(nóng)區(qū)災(zāi)害監(jiān)測和評估的重要指標(biāo)［1－2］。植被指數(shù)是多光譜數(shù)據(jù)經(jīng)線性或非線性組合，構(gòu)成對植被有一定指示意義的各種數(shù)值，被越來越多地用于農(nóng)業(yè)和植被生態(tài)監(jiān)測［3］。不同的植被指數(shù)在一定條件下能用來定量地說明植被狀況，但受到植被本身、土壤背景、環(huán)境條件和大氣空間時相變化等因素的影響，植被指數(shù)往往具有明顯的地域性和時效性，沒有一個普遍的值，其研究經(jīng)常表明不同的結(jié)果［4］。針對綠洲農(nóng)區(qū)風(fēng)沙災(zāi)害的監(jiān)測和評估，需要對多個植被指數(shù)在風(fēng)沙災(zāi)害前后的變化進(jìn)行研究，選擇適宜的植被指數(shù)。

本文以新疆喀什莎車縣為例，利用多時相遙感資料，選擇歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、對土壤背景變化極為敏感的差值植被指數(shù)（difference vegetation index，DVI）［5］、矯正土壤背景和氣溶膠散射影響的增強型植被指數(shù)（enhanced vegetation index，EVI）［1－2，4］、用于大氣氣溶膠濃度很高區(qū)域的大氣阻抗植被指數(shù)（atmospherically resistant vegetation index，ARVI）［6］、降低土壤背景影響的土壤調(diào)整植被指數(shù)（soil－adjusted vegetation index，SAVI）［7］和減小裸土影響的修改型土壤調(diào)整植被指數(shù)（modified soil－adjusted vegetation index，MSAVI）［8］，對比分析風(fēng)沙災(zāi)害前后這6種植被指數(shù)的變化，為今后的相關(guān)研究提供一定的參考價值。

1 材料與方法

1.1 研究區(qū)概況

莎車縣位于新疆西南邊陲、昆侖山北麓，屬暖溫帶大陸性氣候，年平均氣溫11.4℃，年日照時數(shù)2 965h，年平均降水量56.6mm，年無霜期220d左右，有種植棉花、小麥、玉米、水稻等得天獨厚的自然環(huán)境和區(qū)位優(yōu)勢。同時，莎車縣地處塔克拉瑪干沙漠和布古里沙漠之間的葉爾羌河沖積扇平原中上游，是農(nóng)作物風(fēng)沙災(zāi)害頻發(fā)的地區(qū)。2013年4月16日，莎車縣遭遇大范圍的大風(fēng)、沙塵暴天氣，能見度不足10m，短時陣風(fēng)最高達(dá)9級。大風(fēng)和強沙塵天氣讓部分農(nóng)田遭沙埋，出現(xiàn)了地膜掀起、棉苗被風(fēng)干，設(shè)施大棚被刮爛，棚內(nèi)作物大量枯萎干枯等現(xiàn)象。

1.2 數(shù)據(jù)來源及其預(yù)處理

結(jié)合地面觀測資料和農(nóng)作物風(fēng)沙災(zāi)害發(fā)生時間來確定受災(zāi)時間前后的遙感數(shù)據(jù)，研究選擇風(fēng)沙災(zāi)害前的2013年4月15日和風(fēng)沙災(zāi)害后的17日MODIS每日250m地表反射率產(chǎn)品（MOD09GQ）和500m地表反射率產(chǎn)品（MOD09GA），2012年的土地覆蓋類型產(chǎn)品（MCD12Q1）。使用MODIS產(chǎn)品處理軟件MRT對這些產(chǎn)品進(jìn)行地理幾何校正與重采樣，空間分辨率統(tǒng)一到250m，最終產(chǎn)生研究區(qū)250m分辨率的地面反射率和土地覆蓋類型數(shù)據(jù)。

1.3 農(nóng)區(qū)范圍提取

農(nóng)區(qū)范圍數(shù)據(jù)來源于MODIS的MCD12Q1產(chǎn)品。MCD12Q1產(chǎn)品的第2個數(shù)據(jù)層為美國馬里蘭大學(xué)植被分類系統(tǒng)，根據(jù)文中研究的需求，使用莎車縣矢量行政邊界數(shù)據(jù)進(jìn)行裁減，提取出分類系統(tǒng)中的農(nóng)用地作為研究區(qū)的農(nóng)區(qū)范圍。

1.4 植被指數(shù)計算

春季是農(nóng)作物的出苗期，植被覆蓋度較低，根據(jù)參考文獻(xiàn)，選擇 NDVI、DVI、EVI、ARVI、SAVI和MSAVI進(jìn)行研究，具體植被指數(shù)計算方法見表1。

表1 植被指數(shù)計算公式

2 結(jié)果與分析

2.1 植被指數(shù)的變化

受風(fēng)沙災(zāi)害的影響，莎車縣農(nóng)區(qū)6種植被指數(shù)的均值、標(biāo)準(zhǔn)差和像元的相關(guān)系數(shù)均發(fā)生了顯著變化。為了能夠形象地對比分析植被指數(shù)差值的變化，將植被指數(shù)的顯示范圍統(tǒng)一到－0.2到1之間，具體結(jié)果見表2。

植被指數(shù)取值范圍越大，越能更好地反映莎車縣農(nóng)區(qū)植被的空間變異性［9］。ARVI的取值范圍為－0.02～0.79，在6種植被指數(shù)中取值范圍最大，說明ARVI具有較強的識別植被差異的能力。

表2 植被指數(shù)統(tǒng)計值

均值可以指出綠洲農(nóng)區(qū)風(fēng)沙災(zāi)害前后植被指數(shù)變化的平均水平，偏移表示受災(zāi)前后農(nóng)作物的植被指數(shù)均值之差，植被指數(shù)偏移越大，表明植被指數(shù)受風(fēng)沙災(zāi)害的影響范圍就越大，植被指數(shù)對風(fēng)沙災(zāi)害也就越敏感［9－10］。風(fēng)沙災(zāi)害前后，NDVI、DVI、EVI、ARVI、SAVI和 MSAVI的 偏 移 分 別 為0.009 4，0.009 3，0.007 4，0.038 2，0.011 0和0.011 6，ARVI偏移最大，其次是 MSAVI，SAVI，NDVI，DVI，EVI最小?？傮w上，植被指數(shù)值呈現(xiàn)減小趨勢，這說明農(nóng)區(qū)農(nóng)作物受到風(fēng)沙災(zāi)害的影響，出現(xiàn)沙埋、葉片損傷、枯死等現(xiàn)象導(dǎo)致植被指數(shù)減小。

標(biāo)準(zhǔn)差能反映綠洲農(nóng)區(qū)風(fēng)沙災(zāi)害前后植被指數(shù)的離散程度和空間變異性［9－10］。NDVI、DVI、EVI、ARVI、SAVI和 MSAVI的標(biāo)準(zhǔn)差變化值分別為0.011 5，0.006 2，0.008 7，0.020 0，0.009 8和0.009 7，ARVI最大，其次是 NDVI，SAVI，MSAVI，EVI，DVI最小。標(biāo)準(zhǔn)差變化值較大表明農(nóng)作物在風(fēng)沙災(zāi)害前后植被指數(shù)變化的波動程度較大，并且受災(zāi)程度較嚴(yán)重。

植被指數(shù)在風(fēng)沙災(zāi)害前后的相關(guān)程度反映了植被指數(shù)變化的異常性，相關(guān)性越小，植被指數(shù)異常程度越大［11］。受災(zāi)面積和空間分布情況的基礎(chǔ)是像元的差異性。為了比較同一植被指數(shù)在風(fēng)沙災(zāi)害前后的異常情況，本文通過計算像元植被指數(shù)在風(fēng)沙災(zāi)害前后的相關(guān)系數(shù)來評估這種差異性。表2中的數(shù)據(jù)顯示，在風(fēng)沙災(zāi)害前后，6種植被指數(shù)的相關(guān)系數(shù)均在0.8左右，具有弱差異性。與其他5中植被指數(shù)相比，ARVI在風(fēng)沙災(zāi)害前后的相關(guān)系數(shù)最低，說明ARVI對風(fēng)沙災(zāi)害的敏感性強，對農(nóng)區(qū)遭受風(fēng)沙災(zāi)害的像元辨別能力強。

2.2 植被指數(shù)差值的變化

為了分析農(nóng)區(qū)風(fēng)沙災(zāi)害植被指數(shù)的變化情況，需要將風(fēng)沙災(zāi)害前后的植被指數(shù)進(jìn)行相減，獲得包含風(fēng)沙災(zāi)害影響植被指數(shù)變化信息的植被指數(shù)差值（ΔVI），并對這個差值進(jìn)行統(tǒng)計分析［12］。因此，可以通過對比分析不同植被指數(shù)的ΔVI來分析植被指數(shù)對風(fēng)沙災(zāi)害的敏感性。采用四分位距和標(biāo)準(zhǔn)來評估植被指數(shù)對風(fēng)沙災(zāi)害的敏感性。四分位距反映了ΔVI中間50%數(shù)據(jù)的離散程度和變異程度，ΔVI的四分位距越大，說明這種植被指數(shù)對受災(zāi)程度也就越敏感［13］。

表3顯示了ΔNDVI，ΔDVI，ΔEVI，ΔARVI，ΔSAVI和ΔMSAVI受風(fēng)沙災(zāi)害影響產(chǎn)生的變化，并且風(fēng)沙災(zāi)害對6種植被指數(shù)的影響差別很大?？梢钥闯觯?013年4月莎車縣農(nóng)區(qū)受到風(fēng)沙災(zāi)害的影響，農(nóng)作物植被指數(shù)降低，農(nóng)區(qū)6種植被指數(shù)均呈正態(tài)的偏態(tài)分布，四分位距和標(biāo)準(zhǔn)差均受到風(fēng)沙災(zāi)害的影響。四分位距的大小表示中間數(shù)據(jù)的分散程度，ΔARVI的四分位距最大，其次是ΔNDVI，ΔSAVI，ΔEVI，ΔMSAVI，ΔDVI最小。ΔARVI標(biāo)準(zhǔn)差最大，其次是ΔNDVI，ΔEVI，ΔSAVI，ΔMSAVI，ΔDVI最小。

表3 植被指數(shù)變化的統(tǒng)計

2.3 光譜分析

農(nóng)作物受到風(fēng)沙災(zāi)害后，葉片的葉綠素含量、葉腔的組織結(jié)構(gòu)、水分含量就會發(fā)生不同程度的變化，其反射光譜特性也隨之變化，且農(nóng)作物受災(zāi)越嚴(yán)重光譜變化越大。農(nóng)作物風(fēng)沙災(zāi)害前后，近紅外波段反射率的平均值從0.283 3到0.301 0，差值為0.017 7；紅光波段反射率的平均值從0.180 9到0.189 4，差值為0.008 5；藍(lán)光波段反射率的平均值從0.126 0到0.104 9，差值為0.021 1。近紅外反射率的平均值最大，但差值較高；紅光波段反射率的平均值次之，差值最??；藍(lán)光波段平均值最小，但差值最大。由此可見，受災(zāi)農(nóng)作物在藍(lán)光波段響應(yīng)最高，近紅外波段次之，紅光波段最小。

對風(fēng)沙災(zāi)害前后單波段反射率和植被指數(shù)進(jìn)行相關(guān)分析（表4）。通過對不同植被指數(shù)的分析表明，雖然不同植被指數(shù)與單波段反射率相關(guān)性存在差異，但總體趨勢基本相似，近紅外波段反射率和植被指數(shù)間具有正的弱相關(guān)關(guān)系，紅光和藍(lán)光波段反射率和植被指數(shù)間具有顯著的負(fù)相關(guān)關(guān)系，其中紅波段反射率和植被指數(shù)間負(fù)相關(guān)系數(shù)較高，藍(lán)波段反射率相對低些。

表4 波段與指數(shù)的相關(guān)系數(shù)

結(jié)合6種指被指數(shù)計算表達(dá)式和上述光譜分析結(jié)果，ARVI比其他5種植被指數(shù)更能反映農(nóng)區(qū)風(fēng)沙災(zāi)害的敏感性。這主要是為了突出農(nóng)作物本身的光譜特征和其動態(tài)信息，需要盡量排除沙塵的影響，近紅外波段本身對沙塵不敏感［6］，風(fēng)沙災(zāi)害后，農(nóng)作物葉片干枯，葉綠素降低，使得受葉子葉綠素含量控制的藍(lán)光波段和紅光波段對葉片葉綠素的響應(yīng)比受葉內(nèi)細(xì)胞結(jié)構(gòu)控制的近紅外波段更為明顯，而ARVI應(yīng)用對風(fēng)沙響應(yīng)較高的藍(lán)光波段和響應(yīng)較低的紅光波段的不同反射率來訂正紅光波段的反射率，實現(xiàn)了自身訂正大氣對紅光波段的影響過程，從而對沙塵影響具有一定的抵抗作用［14］。因此，ARVI比NDVI，DVI，EVI，SAVI和MSAVI對風(fēng)沙災(zāi)害更為敏感。

3 結(jié)論與討論

本文以2013年4月喀什莎車縣風(fēng)沙災(zāi)害為例，探討了 NDVI，DVI，EVI，ARVI，SAVI和 MSAVI在風(fēng)沙災(zāi)害前后的變化。6種植被指數(shù)比較的結(jié)果表明，風(fēng)沙災(zāi)害后，這6種植被指數(shù)均值呈現(xiàn)減小趨勢，ARVI的取值范圍、偏移和標(biāo)準(zhǔn)差最大，且相關(guān)系數(shù)最小，說明ARVI能更好地反映綠洲農(nóng)區(qū)農(nóng)作物的空間變異性，具有較強識別農(nóng)作物是否受災(zāi)的能力；風(fēng)沙災(zāi)害前后植被指數(shù)的差值變化顯示，ΔARVI的四分位距和標(biāo)準(zhǔn)差最大，說明ARVI受風(fēng)沙災(zāi)害的影響顯著；結(jié)合風(fēng)沙災(zāi)害前后的近紅外、紅光和藍(lán)光波段的變化和植被指數(shù)表達(dá)式，ARVI比其他5種植被指數(shù)更能反映農(nóng)區(qū)風(fēng)沙災(zāi)害的影響。綜合以上分析，綠洲農(nóng)區(qū)受到風(fēng)沙災(zāi)害的影響后，農(nóng)區(qū)ARVI反映植被細(xì)部變化的能力最強，對風(fēng)沙災(zāi)害的響應(yīng)最大，比NDVI，DVI，EVI，SAVI和 MSAVI對風(fēng)沙災(zāi)害更為敏感，適于對綠洲農(nóng)區(qū)受風(fēng)沙災(zāi)害的監(jiān)測和評估。

值得指出的是，研究中主要考慮了綠洲農(nóng)區(qū)植被指數(shù)在風(fēng)沙災(zāi)害前后的變化，缺少對農(nóng)作物的受災(zāi)范圍、程度和受災(zāi)后生長情況的分析。其原因是風(fēng)沙災(zāi)害多發(fā)生在農(nóng)作物生長變化較快的春季，與風(fēng)沙災(zāi)害前相同條件的農(nóng)作物正常生長時間較難掌握，造成風(fēng)沙災(zāi)害閾值的確定具有一定的困難。因此，為了快速準(zhǔn)確地對農(nóng)區(qū)風(fēng)沙災(zāi)害進(jìn)行監(jiān)測評估，需要深入研究風(fēng)沙災(zāi)害閾值的確定方法。同時當(dāng)農(nóng)作物遭受風(fēng)沙災(zāi)害后，對農(nóng)作物生長后期生物量、產(chǎn)量的影響還需要進(jìn)一步地分析。

［1］ 錢永蘭，侯英雨，延昊，等.基于遙感的國外作物長勢監(jiān)測與產(chǎn)量趨勢估計［J］.農(nóng)業(yè)工程學(xué)報，2012，28（13）：166－171.

［2］ 董燕生，陳洪萍，王慧芳，等.基于多時相環(huán)境減災(zāi)衛(wèi)星數(shù)據(jù)的冬小麥凍害評估［J］.農(nóng)業(yè)工程學(xué)報，2012，28（20）：172－179.

［3］ 胡曉雯，曹爽，趙顯富.基于植被指數(shù)的綠地信息提取的比較［J］.南京信息工程大學(xué)學(xué)報：自然科學(xué)版，2012，4（5）：420－425.

［4］ 朱高龍，柳藝博，居為民，等.4種常用植被指數(shù)的地形效應(yīng)評估［J］.遙感學(xué)報，2013，17（1）：210－234.

［5］ 徐爽，沈潤平，楊曉月.利用不同植被指數(shù)估算植被覆蓋度的比較研究［J］.國土資源遙感，2012，95（4）：95－100.

［6］ 張婕，張武，陳權(quán)亮.利用 MODIS數(shù)據(jù)反演植被指數(shù)的敏感性研究［J］.西南大學(xué)學(xué)報：自然科學(xué)版，2011，33（11）：152－158.

［7］ Huete A R.A soil－adjusted vegetation index （SAVI）［J］.Remote Sensing of Environment，1988，25（3）：295－309.

［8］ Qi J，Chehbouni A，Huete A R，et al.A modified soil adjusted vegetation index［J］.Remote Sensing of Environment，1994，48（2）：119－126.

［9］ 李紅軍，鄭力，雷玉平，等.基于 EOS／MODIS數(shù)據(jù)的NDVI與 EVI比較研究［J］.地理科學(xué)進(jìn)展，2007，26（1）：26－32.

［10］ Pe?a－Barragán J M，Ngugi M K，Plant R E，et al.Object－based crop identification using multiple vegetation indices，textural features and crop phenology［J］.Remote Sensing of Environment，2011，115（6）：1301－1316.

［11］ 魏豐良，劉廷璽，張圣微，等.科爾沁沙地植被覆蓋變化及其與氣候因子的關(guān)系研究［J］.水土保持研究，2012，19（3）：254－258.

［12］ Lee M F，Lin T C，Vadeboncoeur M A，et al.Remote sensing assessment of forest damage in relation to the 1996strong typhoon Herb at Lienhuachi Experimental Forest，Taiwan［J］.Forest Ecology and Management，2008，255（8）：3297－3306.

［13］ Wang W，Qu J J，Hao X，et al.Post－h(huán)urricane forest damage assessment using satellite remote sensing［J］.Agricultural and Forest Meteorology，2010，150（1）：122－132.

［14］ 張杰，郭鈮，郝志毅.沙塵氣溶膠對西北地區(qū)植被遙感的影響分析［J］.高原氣象，2006，25（1）：116－122.