植被指數監測綠洲農區風沙災害的適宜性分析

程紅霞，林粵江，胡列群

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

農區風沙災害的主要表現是流沙掩埋耕地和農業設施。根據歷年受災情況分析，每年春季是墾區播種出苗期，也是風災出現最頻繁的時期。2013年4月，處于沙漠邊緣的喀什綠洲農區旱情持續加劇，大風沙塵天氣造成農作物大面積被風刮起、死苗、地膜損壞。遙感植被指數是農區災害監測和評估的重要指標［1－2］。植被指數是多光譜數據經線性或非線性組合，構成對植被有一定指示意義的各種數值，被越來越多地用于農業和植被生態監測［3］。不同的植被指數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、環境條件和大氣空間時相變化等因素的影響，植被指數往往具有明顯的地域性和時效性，沒有一個普遍的值，其研究經常表明不同的結果［4］。針對綠洲農區風沙災害的監測和評估，需要對多個植被指數在風沙災害前后的變化進行研究，選擇適宜的植被指數。

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（normalized difference vegetation index，NDVI）、對土壤背景變化極為敏感的差值植被指數（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（enhanced vegetation index，EVI）［1－2，4］、用于大氣氣溶膠濃度很高區域的大氣阻抗植被指數（atmospherically resistant vegetation index，ARVI）［6］、降低土壤背景影響的土壤調整植被指數（soil－adjusted vegetation index，SAVI）［7］和減小裸土影響的修改型土壤調整植被指數（modified soil－adjusted vegetation index，MSAVI）［8］，對比分析風沙災害前后這6種植被指數的變化，為今后的相關研究提供一定的參考價值。

1 材料與方法

1.1 研究區概況

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境和區位優勢。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，是農作物風沙災害頻發的地區。2013年4月16日，莎車縣遭遇大范圍的大風、沙塵暴天氣，能見度不足10m，短時陣風最高達9級。大風和強沙塵天氣讓部分農田遭沙埋，出現了地膜掀起、棉苗被風干，設施大棚被刮爛，棚內作物大量枯萎干枯等現象。

1.2 數據來源及其預處理

結合地面觀測資料和農作物風沙災害發生時間來確定受災時間前后的遙感數據，研究選擇風沙災害前的2013年4月15日和風沙災害后的17日MODIS每日250m地表反射率產品（MOD09GQ）和500m地表反射率產品（MOD09GA），2012年的土地覆蓋類型產品（MCD12Q1）。使用MODIS產品處理軟件MRT對這些產品進行地理幾何校正與重采樣，空間分辨率統一到250m，最終產生研究區250m分辨率的地面反射率和土地覆蓋類型數據。

1.3 農區范圍提取

農區范圍數據來源于MODIS的MCD12Q1產品。MCD12Q1產品的第2個數據層為美國馬里蘭大學植被分類系統，根據文中研究的需求，使用莎車縣矢量行政邊界數據進行裁減，提取出分類系統中的農用地作為研究區的農區范圍。

1.4 植被指數計算

春季是農作物的出苗期，植被覆蓋度較低，根據參考文獻，選擇 NDVI、DVI、EVI、ARVI、SAVI和MSAVI進行研究，具體植被指數計算方法見表1。

表1 植被指數計算公式

2 結果與分析

2.1 植被指數的變化

受風沙災害的影響，莎車縣農區6種植被指數的均值、標準差和像元的相關系數均發生了顯著變化。為了能夠形象地對比分析植被指數差值的變化，將植被指數的顯示范圍統一到－0.2到1之間，具體結果見表2。

植被指數取值范圍越大，越能更好地反映莎車縣農區植被的空間變異性［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 植被指數統計值

均值可以指出綠洲農區風沙災害前后植被指數變化的平均水平，偏移表示受災前后農作物的植被指數均值之差，植被指數偏移越大，表明植被指數受風沙災害的影響范圍就越大，植被指數對風沙災害也就越敏感［9－10］。風沙災害前后，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，植被指數值呈現減小趨勢，這說明農區農作物受到風沙災害的影響，出現沙埋、葉片損傷、枯死等現象導致植被指數減小。

標準差能反映綠洲農區風沙災害前后植被指數的離散程度和空間變異性［9－10］。NDVI、DVI、EVI、ARVI、SAVI和 MSAVI的標準差變化值分別為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。標準差變化值較大表明農作物在風沙災害前后植被指數變化的波動程度較大，并且受災程度較嚴重。

植被指數在風沙災害前后的相關程度反映了植被指數變化的異常性，相關性越小，植被指數異常程度越大［11］。受災面積和空間分布情況的基礎是像元的差異性。為了比較同一植被指數在風沙災害前后的異常情況，本文通過計算像元植被指數在風沙災害前后的相關系數來評估這種差異性。表2中的數據顯示，在風沙災害前后，6種植被指數的相關系數均在0.8左右，具有弱差異性。與其他5中植被指數相比，ARVI在風沙災害前后的相關系數最低，說明ARVI對風沙災害的敏感性強，對農區遭受風沙災害的像元辨別能力強。

2.2 植被指數差值的變化

為了分析農區風沙災害植被指數的變化情況，需要將風沙災害前后的植被指數進行相減，獲得包含風沙災害影響植被指數變化信息的植被指數差值（ΔVI），并對這個差值進行統計分析［12］。因此，可以通過對比分析不同植被指數的ΔVI來分析植被指數對風沙災害的敏感性。采用四分位距和標準來評估植被指數對風沙災害的敏感性。四分位距反映了ΔVI中間50%數據的離散程度和變異程度，ΔVI的四分位距越大，說明這種植被指數對受災程度也就越敏感［13］。

表3顯示了ΔNDVI，ΔDVI，ΔEVI，ΔARVI，ΔSAVI和ΔMSAVI受風沙災害影響產生的變化，并且風沙災害對6種植被指數的影響差別很大?？梢钥闯?，2013年4月莎車縣農區受到風沙災害的影響，農作物植被指數降低，農區6種植被指數均呈正態的偏態分布，四分位距和標準差均受到風沙災害的影響。四分位距的大小表示中間數據的分散程度，ΔARVI的四分位距最大，其次是ΔNDVI，ΔSAVI，ΔEVI，ΔMSAVI，ΔDVI最小。ΔARVI標準差最大，其次是ΔNDVI，ΔEVI，ΔSAVI，ΔMSAVI，ΔDVI最小。

表3 植被指數變化的統計

2.3 光譜分析

農作物受到風沙災害后，葉片的葉綠素含量、葉腔的組織結構、水分含量就會發生不同程度的變化，其反射光譜特性也隨之變化，且農作物受災越嚴重光譜變化越大。農作物風沙災害前后，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??；藍光波段平均值最小，但差值最大。由此可見，受災農作物在藍光波段響應最高，近紅外波段次之，紅光波段最小。

對風沙災害前后單波段反射率和植被指數進行相關分析（表4）。通過對不同植被指數的分析表明，雖然不同植被指數與單波段反射率相關性存在差異，但總體趨勢基本相似，近紅外波段反射率和植被指數間具有正的弱相關關系，紅光和藍光波段反射率和植被指數間具有顯著的負相關關系，其中紅波段反射率和植被指數間負相關系數較高，藍波段反射率相對低些。

表4 波段與指數的相關系數

結合6種指被指數計算表達式和上述光譜分析結果，ARVI比其他5種植被指數更能反映農區風沙災害的敏感性。這主要是為了突出農作物本身的光譜特征和其動態信息，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］，風沙災害后，農作物葉片干枯，葉綠素降低，使得受葉子葉綠素含量控制的藍光波段和紅光波段對葉片葉綠素的響應比受葉內細胞結構控制的近紅外波段更為明顯，而ARVI應用對風沙響應較高的藍光波段和響應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對風沙災害更為敏感。

3 結論與討論

本文以2013年4月喀什莎車縣風沙災害為例，探討了 NDVI，DVI，EVI，ARVI，SAVI和 MSAVI在風沙災害前后的變化。6種植被指數比較的結果表明，風沙災害后，這6種植被指數均值呈現減小趨勢，ARVI的取值范圍、偏移和標準差最大，且相關系數最小，說明ARVI能更好地反映綠洲農區農作物的空間變異性，具有較強識別農作物是否受災的能力；風沙災害前后植被指數的差值變化顯示，ΔARVI的四分位距和標準差最大，說明ARVI受風沙災害的影響顯著；結合風沙災害前后的近紅外、紅光和藍光波段的變化和植被指數表達式，ARVI比其他5種植被指數更能反映農區風沙災害的影響。綜合以上分析，綠洲農區受到風沙災害的影響后，農區ARVI反映植被細部變化的能力最強，對風沙災害的響應最大，比NDVI，DVI，EVI，SAVI和 MSAVI對風沙災害更為敏感，適于對綠洲農區受風沙災害的監測和評估。

值得指出的是，研究中主要考慮了綠洲農區植被指數在風沙災害前后的變化，缺少對農作物的受災范圍、程度和受災后生長情況的分析。其原因是風沙災害多發生在農作物生長變化較快的春季，與風沙災害前相同條件的農作物正常生長時間較難掌握，造成風沙災害閾值的確定具有一定的困難。因此，為了快速準確地對農區風沙災害進行監測評估，需要深入研究風沙災害閾值的確定方法。同時當農作物遭受風沙災害后，對農作物生長后期生物量、產量的影響還需要進一步地分析。

［1］ 錢永蘭，侯英雨，延昊，等.基于遙感的國外作物長勢監測與產量趨勢估計［J］.農業工程學報，2012，28（13）：166－171.

［2］ 董燕生，陳洪萍，王慧芳，等.基于多時相環境減災衛星數據的冬小麥凍害評估［J］.農業工程學報，2012，28（20）：172－179.

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

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

［5］ 徐爽，沈潤平，楊曉月.利用不同植被指數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，陳權亮.利用 MODIS數據反演植被指數的敏感性研究［J］.西南大學學報：自然科學版，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數據的NDVI與 EVI比較研究［J］.地理科學進展，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－hurricane 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植被遙感的影響分析［J］.高原氣象，2006，25（1）：116－122.