-
摘要:
洪涝是一种破坏力巨大的自然灾害, 对粮食生产构成严重威胁。受台风“杜苏芮”和“卡奴”的影响, 2023年7月29日至8月1日京津冀地区出现百年一遇的特大暴雨洪水灾害, 给京津冀地区造成了重大损失, 导致部分农田几乎绝收。为评估极端暴雨事件对当地粮食产量的影响, 本研究使用MODIS MOD09GQ数据分析了暴雨前后的归一化植被指数(NDVI)变化, 据此划定了本次暴雨造成的受灾农田区域(主要在河北平原)及其受灾程度, 同时结合2016—2020年玉米种植空间分布、农业统计数据和NDVI数据, 估算了受灾农田区域未发生暴雨和发生暴雨后两种情景下的玉米产量, 进而评估了本次暴雨造成的玉米产量损失。主要得到以下结果: 1)暴雨发生后, 河北平原受灾农田区域的NDVI普遍减少0~0.35, 相比之下, 未受灾农田区域的NDVI均有所增加。2)本次强降雨导致河北平原约24万hm2农田受到影响, 绝产面积约13万hm2, 减产面积约11万hm2。3)蓄滞洪区周边的22个县(市、区)是本次暴雨的主要受灾区域, 据回归分析结果, 本次暴雨可能造成的玉米产量损失多达22万t, 且92%的产量损失是由作物绝产所致。本研究为遥感手段估算极端降雨导致的粮食减产提供了一个快速且可靠的计算框架, 同时强调了极端降雨对粮食安全的巨大威胁。
Abstract:Flooding is a devastating natural disaster that poses serious threats to food production. Affected by Typhoons Doksuri and Khanun, between July 29 and August 1, 2023, the Beijing-Tianjin-Hebei region experienced unprecedented heavy precipitation and consequent enormous flooding, directly causing almost grain failure. To explore the impact of heavy precipitation on local grain yield, this study used the MODIS MOD09GQ product to compare the NDVI difference before and after heavy precipitation in the Hebei Plain (the main flood-submerged area), and the area of submerged farmland and the degree of grain failure were analyzed. The spatial distribution of maize (the main local summer crop), agricultural statistics, and NDVI data for 2016–2020 were also combined to estimate maize yields under the two scenarios, with and without heavy precipitation, by which we estimated the yield loss of maize due to heavy precipitation. The main conclusions were as follows: 1) After heavy precipitation, the NDVI of the affected farmland decreased in the range of 0－0.35, while the NDVI of the unaffected farmland showed varying degrees of increase on the Hebei Plain. 2) In the Hebei Plain, approximately 240 000 hm2 of crops was affected by heavy precipitation, with complete crop failure in 130 000 hm2 of farmland and moderate crop failure in 110 000 hm2 of farmland. 3) The estimated 22 counties (city, district) around the flood detention basins were mostly affected by heavy precipitation. According to the results of the regression analyses, this heavy precipitation event caused a 220 000 t of potential loss of maize, and 92% of this yield loss was due to crop extinction. This study provides a fast and reliable assessment framework for the use of a remotely sensed approach to estimate flood-induced grain reduction and further emphasizes the harmful effects of extreme climate events on food security.
-
Keywords:
- Flood disasters /
- Food security /
- North China Plain /
- Extreme precipitation /
- Typhoons Doksuri and Khanun /
- NDVI
-
洪涝灾害是我国出现频率最高、影响范围最广、造成损失最严重的自然灾害之一[1]。2023年7月29日至8月1日, 受台风“杜苏芮”和“卡奴”的影响, 京津冀地区遭遇历史罕见的特大暴雨洪水灾害, 本次暴雨覆盖范围广, 降水时间长, 极端性突出, 过程累计降水100~600 mm, 局部地区达600 mm以上, 多地观测日降雨量突破历史极值, 大部分地区降水持续时间达40~80 h, 北京降水持续时间为83 h, 仅次于“63·8”特大暴雨过程(144 h), 造成北京、河北多地出现洪涝和地质灾害, 永定河发生1924年以来最大洪水, 大清河发生1963年以来最大洪水, 子牙河发生大洪水, 北运河、漳卫河也相继发生较大洪水, 受灾人口超500万人, 给京津冀地区带来巨大损失[2-4]。
本次暴雨正值河北省玉米(Zea mays L.)生长季。玉米是一种耐旱怕涝作物, 持续性降水会导致根系土壤水在一定时间内饱和, 从而影响玉米生长并减产。玉米是河北省夏季的主要粮食作物, 据统计, 河北省2021年玉米产量达2067万t, 排全国第5位。河北省作为全国13个粮食主产省之一, 承担着粮食稳产高产的重大政治任务, 为保障京津冀地区和国家粮食安全做出了重要贡献[5]。因此, 准确监测农田受灾范围、科学估算产量损失对于河北省灾后恢复生产和保障粮食安全具有重要意义。
洪涝灾害发生后, 快速、准确地获取受灾范围成为灾害救援和灾后恢复重建的首要任务。以往多通过现场调查和数据统计的方式来评估灾害对经济、人口、农作物等造成的影响[6], 该方法虽然准确, 但获取数据的过程费时费力并具有一定的危险性[7], 且该方法获得的数据大多为点位数据, 无法实现大范围、大尺度的监测目的。遥感技术的发展使大面积灾区监测成为可能, 通过遥感技术进行监测, 对比暴雨前后的地物信息可以快速提取大范围的受灾区域[8]。李斌等[9]利用MODIS数据监测了2000—2010年长江中游3个湖区的水体淹没范围及其动态变化; 刘宏洁等[10]利用多源遥感数据, 对2022年珠江流域洪涝灾害重点区域的水体面积变化进行了动态监测与分析; Shao等[11]提取了2018年8月孟加拉国、印度等南亚部分地区洪水灾害水域面积; Huang等[12]基于Sentinel-1/2数据提取了山东省寿光市洪涝灾害面积; Wu等[13]利用归一化水体指数提取了2021年河南暴雨的受灾面积; 张娜等[14]基于MOD09GA地表反射率数据对洞庭湖洪水淹没范围进行了精细化提取。以上研究重点多聚焦于提取水体或淹没面积, 但鉴于河北省对于保障粮食安全的重要战略定位, 除监测受灾范围外, 获取暴雨前后的作物生长信息, 快速且可靠地估算暴雨造成的产量损失更为重要。归一化植被指数(Normalized Difference Vegetation Index, NDVI)综合了植被在红光和近红外波段的反射率信息, 能够反映植被绿度、作物长势等信息[15], 因此对比暴雨前后NDVI的变化特征, 不仅可以实现暴雨对作物影响程度的判读, 也可以估算暴雨所造成的作物产量损失[16-17]。任建强等[18]利用NDVI数据和农业统计数据建立回归关系, 实现了黄淮海平原在县级尺度上的产量预测; Shrestha等[19]通过比较洪水年份与正常年份NDVI时间序列差异, 分析了洪水对作物产量的影响; Yu等[20]利用MODIS多时相的优势评估了洪涝灾害对作物产量的影响; 朱炯等[21]利用冬小麦(Triticum aestivum L.)生长过程NDVI与统计单产构建了单产估算模型; 饶品增等[22]基于MOD09A1数据提取了2017年洞庭湖洪水淹没面积, 同时结合土地利用数据估算了洪水造成的粮食产量损失。综上所述, 通过建立NDVI与作物单产的回归关系, 可以实现作物的产量预测, 进而估算暴雨造成的产量损失。因此, 如何快速确定作物的受灾范围和准确估算作物的产量损失, 是暴雨对农业影响研究中迫切需要解决的关键问题。鉴于“23·7”特大暴雨对河北省农业生产活动造成的重要影响, 本研究基于MOD09GQ的逐日地表反射率数据, 以河北平原为研究区, 计算暴雨前后河北平原NDVI, 利用决策树分类方法提取受灾农田范围, 结合2016—2020年各县的农业统计数据, 估算未发生暴雨和发生暴雨后两种情景下的玉米产量, 进而计算玉米产量损失, 探讨本次暴雨对农业产生的影响, 为灾后复种和农业生产提供数据参考和理论依据, 同时为快速获取洪涝灾情信息提供一种新的思路和方法。
1. 研究区概况与数据来源
1.1 研究区概况
本研究以河北平原(36°07′~39°47′N, 114°30′~118°01′E)为研究区, 包括石家庄、邯郸、邢台、保定、沧州、廊坊、衡水7个地级市, 面积约626万hm2。研究区高程小于100 m, 自东部沿海向西部太行山区逐渐递增(图1a)。河北平原属于温带季风性气候, 多年平均降水为514 mm, 降水时空分布不均, 多集中在夏季, 7—8月平均降水为277 mm。夏季主要粮食作物为玉米, 种植面积为238万hm2, 约占研究区面积的38%。其中, 太行山前平原是受本次暴雨影响最大的农耕区, 同时也是玉米的主要种植地区。
![]()
图 1 研究区概况(a)及2023年7月29日至8月1日(“23·7”)暴雨降水量空间分布(b)Figure 1. Overview of the study area (a) and the spatial distribution of precipitation from July 29 to August 1, 2023 (“23·7” extreme heavy precipitation) (b)2023年7月29日至8月1日, 受台风“杜苏芮”和“卡奴”的影响, 京津冀地区出现暴雨到大暴雨, 部分地区特大暴雨(图1b), 全区平均累计降水量175 mm, 超过该地区年平均降水量的1/3。本次暴雨主要有两个降雨中心, 分别位于太行山北段(河北保定的沿山及山前平原地区)和太行山中段(河北石家庄西部、邢台西部的山前平原区及浅山区)[4]。经统计, 平均降水量北京市房山区598 mm、门头沟区538 mm, 保定市竞秀区492 mm、莲池区484 mm、满城区477 mm, 石家庄市井陉县452 mm、赞皇县440 mm。京津冀地区共有14个国家气象观测站日降水量突破历史极值, 其中河北省降水极值出现在邢台市临城县梁家庄, 累计降水超1000 mm, 约为该地区年降水量的2倍, 北京降水极值出现在昌平区王家园水库, 累计降水量达744 mm, 为北京市近140年来的最大降水量。本次暴雨发生后, 河北省陆续启用宁晋泊(7月30日20时, 图1b-A)、大陆泽(7月30日20时, 图1b-B)、小清河分洪区(7月31日12时, 图1b-C)、兰沟洼(7月31日23时30分, 图1b-D)、东淀(8月1日2时, 图1b-E)、献县泛区(8月1日11时, 图1b-F)、永定河泛区(8月2日6时, 图1b-G)共7处蓄滞洪区, 为1963年以来启用数量最多的一次, 发挥了显著的分洪滞洪作用[2-4]。
1.2 数据来源及预处理
本研究采用美国国家航空航天局(NASA)的MODIS数据系列中的MOD09GQ陆地表面反射率产品(来源: https://ladsweb.modaps.eosdis.nasa.gov), 该产品提供了逐日250 m分辨率的红光和近红外波段反射率值; 下载了2016—2020年8月30日及2023年3月30日、7月15日、8月15日和30日及其相邻日期覆盖河北平原的影像(行列号为h26v05和h27v05), 利用MRT工具(MODIS Reprojection Tool)进行拼接、投影、重采样等预处理, 提取红光和近红外波段影像用于计算NDVI。玉米空间分布数据选自国家生态科学数据中心发布的2001—2022年中国玉米种植分布数据集(来源: http://www.nesdc.org.cn/), 空间分辨率30 m, 裁剪2016—2020年各年河北平原区域玉米种植分布, 作为掩膜提取玉米种植区NDVI[23-24]。农业生产统计数据来自《河北省农村统计年鉴》(来源: https://data.cnki.net/yearBook), 统计了2016—2020年河北平原各县(市、区)玉米的种植面积及产量, 用于建立玉米产量估算模型。
2. 研究方法
2.1 归一化植被指数(NDVI)
NDVI是一种用于衡量植被绿度的指标, 与作物生长状况、产量水平密切相关, 是判断作物长势、估算作物产量的重要参数之一[16-17], 计算公式为:
$$ \mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}=\frac{\rho_{\mathrm{nir}}-\rho\mathrm{_{red}}}{\rho_{\mathrm{nir}}+\rho_{\mathrm{red}}} $$ (1) 式中: ρnir为近红外波段的反射率值, 对应MODIS数据的第2波段; ρred为红光波段的反射率值, 对应MODIS数据的第1波段。
2.2 基于决策树分类的受灾农田范围提取
决策树分类的思想是通过判断输入数据是否满足节点设置的条件对原始数据进行逐步二分和细化, 直到没有规则进行判别为止, 是一种应用十分广泛的分类方法[25-26]。利用决策树分类方法进行受灾农田范围提取的基本思路为(图2): 1)判断7月15日NDVI是否大于0.5, 用于筛选农田范围, 剔除建筑、水体等非农田地物; 2)判断3月30日NDVI是否大于0.25, 以减少7月15日因白洋淀内芦苇NDVI值偏高造成的农田误判, 提高农田的分类精度; 3)判断NDVI值从7月15日到8月15日是否出现下降, 若8月15日NDVI小于7月15日NDVI, 表明因受到暴雨影响作物长势变差; 4)判断8月15—30日NDVI值是否发生变化, 若NDVI仍减小, 则说明作物受暴雨影响时间超过30 d, 濒临绝产, 若8月30日NDVI较8月15日有增加, 则说明作物受暴雨影响时间较短, 长势有所恢复, 视为减产区域。
![]()
图 2 受灾农田范围提取决策树NDVI7.15、NDVI3.30、NDVI8.15和NDVI8.30分别为研究区2023年7月15日、3月30日、8月15日和8月30日的归一化植被指数。NDVI7.15, NDVI3.30, NDVI8.15 and NDVI8.30 are Normalized Difference Vegetation Indexes in July 15, March 30, August 15 and August 30 in the study area, respectively.Figure 2. Decision tree for extraction of affected farmland zones2.3 玉米产量损失估算方法
玉米是河北省第二大粮食作物, 本次暴雨正值玉米生长季, 势必对玉米产量产生影响。本研究估算未发生暴雨和发生暴雨后两种情景下的玉米产量, 通过对比两种情景下的玉米产量来计算暴雨造成的玉米产量损失。
情景1 (未发生暴雨情景)玉米产量计算方法为: 假设受灾区域内的玉米单产水平和种植规模(即玉米种植面积在耕地面积中的占比)未发生较大变化, 则通过2016—2020年玉米平均单产和面积占比与受灾农田面积相乘可求得玉米产量:
$$ {Y}_{1}=f\times {A}_{1}\times {Y}_{\mathrm{p}} $$ (2) 式中: Y1为情景1的玉米产量(t), f为2016—2020年受灾农田内玉米面积占比(%), A1为受灾农田面积(hm2), Yp为2016—2020年玉米平均单产(t·hm−2)。
情景2 (发生暴雨后情景)玉米产量计算方法为: 利用2016—2019年8月30日各县玉米平均NDVI和单产统计数据建立一元线性回归方程, 获得玉米NDVI与单产之间的线性关系, 即玉米单产换算系数c, 并利用2020年各县玉米实际单产数据进行验证; 统计2023年8月30日各县减产区农田NDVI, 进而估算该情景下玉米产量, 计算公式为:
$$ {Y}_{2}=f\times {A}_{2}\times c\times {\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{2023} $$ (3) 式中: Y2为情景2的玉米产量(t), f为2016—2020年受灾农田内玉米面积占比(%), A2为减产区农田面积(hm2), c为玉米单产换算系数, NDVI2023为2023年8月30日减产区农田NDVI。
利用两种情景玉米产量估算结果可求出本次暴雨造成的玉米产量损失:
$$ \mathrm{Y}\mathrm{L}={Y}_{1}-{Y}_{2} $$ (4) 式中: YL为玉米产量损失(t), Y1、Y2分别为情景1、情景2的玉米产量(t)。
3. 结果与分析
3.1 受灾农田范围提取结果
连续暴雨会导致土壤在一定时间内达到水分饱和状态, 进而抑制作物根系的生理活动。若农田内的积水不能及时排出, 甚至会导致作物枯死及绝产, 这些由暴雨对作物产生的影响, 都会在NDVI数值变化上体现出来。因此, 通过对比河北平原在暴雨前后的NDVI变化, 可以判断出暴雨对作物的影响程度。对比2023年7月15日、8月15日和30日河北平原的NDVI, 结果如图3所示。7月15日, 河北平原平均NDVI为0.66 (图3a), 此时玉米正处于拔节期, NDVI还未达到玉米生育期内最高值。8月15日, 随着玉米的生长, 整体上河北平原NDVI较7月15日增加了0.13 (图3b), 但从空间变化上来看, 不同地区NDVI呈现出不同的变化(图3d), 河北平原NDVI变化范围为−0.35~0.40, 其中NDVI增加区域主要是由玉米生长所致, 即未受到暴雨影响, 而在河北平原北部的涿州市、高碑店市、安新县、霸州市, 中部的献县、饶阳县、安平县、武强县以及西南部的宁晋县、隆尧县、任泽区、南和县等地, NDVI出现了不同程度的下降, 说明这些地区农田受到了暴雨的影响, 是本次暴雨的主要受灾地区。8月30日, 河北平原平均NDVI为0.76 (图3c), 此时玉米处于吐丝期, 与8月15日相比, NDVI未出现明显变化(图3e); 在受灾地区, 部分地区NDVI有所回升, 说明作物长势有所恢复, 相应的其产量也只受到轻微影响; 但仍有部分地区NDVI与8月15日相比有所下降, 尤其在霸州市、高碑店市、献县等地区, NDVI下降幅度在0.2以上, 说明这些地区受暴雨影响时间较长, 作物也因长时间在积水中浸泡而濒临绝产。
![]()
图 3 2023年7月29日至8月1日(“23·7”)暴雨前后河北平原归一化植被指数(NDVI)对比Figure 3. Comparison of Normalized Difference Vegetation Index (NDVI) in Hebei Plain before and after “23·7” ( from July 29 to August 1, 2023) extreme heavy precipitation暴雨前后的NDVI包含了暴雨对作物生长产生的影响信息以及耕地的淹没信息。基于以上的分析, 研究发现通过对比河北平原7月15日和8月15日的NDVI, 可以区分出受灾农田与未受灾农田, 而通过对比8月15日和30日的NDVI, 可以判断出暴雨对受灾农田的影响程度。因此, 本研究利用决策树分类工具提取了本次暴雨后的受灾农田范围, 结果如图4所示。河北平原共有23.96万hm2的农田受到影响, 其空间分布与7个蓄滞洪区空间分布高度一致, 蓄滞洪区以外的受灾地区多沿河道两岸分布。在地级市尺度上, 受灾面积最大的为保定市, 共7.77万hm2, 约占河北平原受灾面积的32%; 其次为邢台市, 受灾面积为4.95万hm2, 约占河北平原受灾面积的21%; 石家庄市受灾面积最小, 为0.86万hm2; 邯郸市、廊坊市、衡水市和沧州市受灾面积分别为3.14万hm2、2.93万hm2、2.38万hm2和1.93万hm2。从各县(市、区)受灾面积的统计结果来看, 共有13个县(市、区)受灾面积超过0.5万hm2, 其中涿州市、高碑店市、安新县和霸州市受灾面积超过1.25万hm2。
![]()
图 4 河北平原受灾农田范围空间分布Figure 4. Spatial distribution of affected farmland zones in the Hebei Plain在部分受灾地区, 积水未能及时排出使土壤含水量长期处于饱和状态, 直接导致作物绝产。据统计, 河北平原绝产农田面积为13.03万hm2, 占受灾农田面积的54.38%, 主要分布在河北平原地势相对较低的地区, 其中, 保定市绝产面积最大, 为4.32万hm2, 其次为邢台市和廊坊市, 分别为2.47万hm2和2.39万hm2。衡水市、邯郸市、沧州市和石家庄市绝产面积分别为1.40万hm2、1.21万hm2、1.18万hm2和0.05万hm2。从县级尺度上看, 共有19个县(市、区)绝产面积超过0.2万hm2, 其中绝产面积最大的为霸州市(1.15万hm2), 约占河北平原绝产面积的9%。
3.2 暴雨对玉米产量的影响分析
根据暴雨对农田的影响程度以及受灾农田范围的空间特征, 结合玉米生产水平特征, 本研究划定了3个主要受灾区域, 如图4所示。 区域Ⅰ在河北平原北部地区, 以小清河分洪区、永定河泛区、兰沟洼蓄滞洪区、东淀蓄滞洪区4个蓄滞洪区为中心, 辐射范围包含了广阳区、永清县、高碑店市、定兴县、霸州市、雄县、文安县、安新县、清苑区、高阳县、涿州市、固安县共12个县(市、区), 受灾面积共8.77万hm2, 其中绝产面积为6.30万hm2, 是受灾面积最大、影响程度最深的区域; 区域Ⅱ位于河北平原中部地区, 在献县泛区周围, 包含献县、饶阳县、安平县和武强县共4个县, 受灾面积为1.46万hm2, 其中绝产面积为1.09万hm2, 是涉及周边县(市、区)最少的区域; 区域Ⅲ位于河北平原西南部, 分布在大陆泽、宁晋泊蓄滞洪区周围, 包含宁晋县、隆尧县、任泽区、南和县、沙河市和永年县共6个县(市、区), 受灾面积为2.85万hm2, 包含绝产面积为1.92万hm2。总体上, 3个主要受灾区域共涉及到22个县(市、区), 受灾面积达13.08万hm2, 尤其是绝产面积为9.31万hm2, 占河北平原绝产面积的71%。
以玉米种植空间分布数据为掩膜, 提取3个主要受灾区域内各县(市、区) 2016—2020年8月30日玉米NDVI, 利用2016—2019年各县(市、区)玉米NDVI和单产统计数据进行一元线性回归, 计算玉米单产换算系数, 结果如图5所示。3个主要受灾区域内玉米NDVI和单产具有较好的相关性, 玉米单产换算系数分别为7.32、6.54和8.00, 利用该系数估算2020年各县(市、区)玉米单产, 并与2020年实际单产进行对比, 如图6所示, 预测单产与实际单产具有较好的相关性, 说明该方法可以较准确地预测玉米单产。
![]()
图 5 3个主要受灾区域各县(市、区) 2016—2019年间每年的8月30日玉米归一化植被指数(NDVI)及单产线性关系区域Ⅰ、Ⅱ和Ⅲ如图4所示。Figure 5. Linear relationships between Normalized Difference Vegetation Index (NDVI) and yield per unit of maize in each county (city, district) in the three main disaster zones on August 30 every year from 2016 to 2019Region Ⅰ, Ⅱ and Ⅲ are shown in Figure 4.![]()
图 6 2020年主要受灾区各县(市、区)玉米实际单产与预测单产对比Figure 6. Comparison of actual and predicted maize yields per unit by county (city, district) in the main disaster zones in 2020统计3个主要受灾区域各县(市、区)的农田受灾面积, 利用2016—2020年玉米平均单产和种植面积占比, 计算情景1 (未发生暴雨情景)下的玉米产量, 结果表明, 若未发生暴雨, 3个区域的玉米产量分别为14.98万t、3.34万t和9.91万t。统计各县(市、区)受灾地区2023年8月30日NDVI, 结合玉米单产换算系数和减产区面积计算情景2 (发生暴雨后情景)下的玉米产量, 得到3个区域的玉米产量分别为3.18万t、0.91万t和2.26万t。因此, 3个区域的玉米产量损失分别为11.80万t、2.43万t和7.66万t。其中, 由绝产导致的产量损失分别为10.72万t、2.38万t和7.07万t, 分别占产量损失的90.86%、97.91%和92.27%。各县(市、区)玉米产量损失的空间分布如图7所示, 发生暴雨后, 玉米产量损失最严重的是高碑店市, 约2.63万t, 其次还有10个县(市、区)玉米产量损失超过1万t (表1)。总体来看, 3个主要受灾区域由暴雨造成的玉米产量损失为21.88万t, 且主要为作物绝产所致(绝产导致的产量损失占总产量损失的92.13%), 因此在洪涝发生后, 应及时注重田间排水, 以免导致作物绝产。
![]()
图 7 主要受灾区各县(市、区)玉米产量损失Figure 7. Yield loss of maize by county (city, district) in the main disaster zones表 1 主要受灾区各县(市、区)玉米产量损失(产量1为未发生暴雨情景下预测产量, 产量2为发生暴雨后情景下预测产量)Table 1. Yield loss of maize by county (city, district) in the main disaster zones (yield 1 is the predicted yield under the no rainstorm scenario and yield 2 is the predicted yield under the post rainstorm scenario)×104 t 县(市、区) County (city, district) 产量1 Yield 1 产量2 Yield 2 产量损失 Yield loss 高碑店市 Gaobeidian City 3.38 0.75 2.63 任泽区 Renze District 2.31 0.36 1.95 霸州市 Bazhou City 1.98 0.13 1.84 宁晋县 Ningjin County 2.13 0.46 1.67 涿州市 Zhuozhou City 2.29 0.68 1.61 安新县 Anxin County 2.14 0.60 1.54 定兴县 Dingxing County 1.71 0.31 1.40 永年县 Yongnian County 1.86 0.46 1.40 隆尧县 Longyao County 1.53 0.19 1.34 南和县 Nanhe County 1.68 0.42 1.26 饶阳县 Raoyang County 1.09 0.06 1.03 高阳县 Gaoyang County 0.55 0.02 0.53 清苑区 Qingyuan District 0.81 0.29 0.52 献县 Xianxian County 0.66 0.16 0.51 雄县 Xiongxian County 0.58 0.08 0.50 广阳区 Guangyang District 0.61 0.11 0.49 武强县 Wuqiang County 0.77 0.29 0.48 安平县 Anping County 0.82 0.41 0.41 文安县 Wen’an County 0.43 0.04 0.39 永清县 Yongqing County 0.28 0.09 0.19 固安县 Gu’an County 0.22 0.08 0.14 沙河市 Shahe City 0.41 0.35 0.06 4. 讨论与结论
4.1 讨论
洪涝灾害会对人类农业生产活动造成重要影响, 直接关系到粮食安全问题。因此, 暴雨发生后, 准确、快速地获取受灾范围, 科学地评估受灾程度, 对于指导受灾农田生产、保障粮食安全具有重要意义。不同于前人的研究, 本研究提出了一种快速获取农田受灾范围及评估农田受灾程度的方法, 所使用的MOD09GQ数据产品, 重访周期短, 可提供逐日的地表反射率影像, 由于研究区空间范围较大, 暴雨前后的气象条件不利于成像, 会出现部分地区有云层遮挡的现象, 对特定时间前后几天的影像进行合成, 可以为研究提供暴雨前后不同时间步长的无云影像, 这弥补了Landsat数据时间间隔较大的缺点, 同时, 通过对比250 m分辨率的MODIS数据与10 m分辨率的Sentinel-2数据发现, MODIS数据可以准确地反映出农田关键信息的空间特征, 该方法可为洪涝灾害受灾面积的遥感监测提供参考。
河北平原是京津冀地区的主要农耕区, 承担了该地区主要的粮食生产任务, 因此本研究以河北平原为研究区, 讨论了本次暴雨对京津冀地区农业活动的影响。玉米是河北省的第二大粮食作物, 其种植面积和比例占绝对优势, 近年来玉米的单产水平不断提高, 本研究以2016—2020年玉米的平均单产计算未发生暴雨情景下的玉米产量, 可能会低估该情景下的玉米产量, 进而导致玉米产量损失的估算结果偏低。此外, 目前河北省的生产方式仍以家庭种植为主, 近几年随着种植结构的调整, 以及受到经济效益和政策调控的影响, 导致玉米并不是受灾地区内的单一种植作物, 受灾地区也可能出现生姜(Zingiber officinale Roscoe)、蔬菜、药材、观赏树等经济作物, 这也为估算玉米产量损失增加了不确定性。后续有关洪涝灾害对作物产量的影响研究中, 应考虑作物种植结构的空间分布, 有利于提高评估结果的准确性。
4.2 结论
本研究以MOD09GQ为主要数据源, 通过对比分析“23·7”暴雨前后河北平原NDVI变化, 利用决策树分类方法提取了暴雨造成的农田受灾范围并评估了其受灾程度, 结合2016—2020年玉米空间分布数据、农业统计数据和NDVI数据, 估算了本次暴雨造成的玉米产量损失, 得出以下结论: 1)与7月15日NDVI相比, 8月15日河北平原受灾区域NDVI下降0~0.35, 而未受灾区域的NDVI有不同程度的增加; 8月30日, 受灾区域部分地区NDVI有所回升, 作物长势见好。2)河北平原共有23.96万hm2农田受到本次暴雨影响, 其中绝产面积为13.03万hm2, 减产面积为10.93万hm2, 在空间上主要分布在蓄滞洪区周围及河道两岸, 农田受灾面积最大的4个县(市)分别是涿州市、高碑店市、安新县和霸州市。3) 7个蓄滞洪区及其周边22个县(市、区)是本次暴雨的主要受灾区域, 据估算, 若未发生暴雨, 该地区玉米产量为28.23万t, 暴雨发生后玉米产量仅为6.35万t, 本次暴雨造成的玉米产量损失达21.88万t, 绝产导致的产量损失占比达92.13%。
-
![]()
图 1 研究区概况(a)及2023年7月29日至8月1日(“23·7”)暴雨降水量空间分布(b)
Figure 1. Overview of the study area (a) and the spatial distribution of precipitation from July 29 to August 1, 2023 (“23·7” extreme heavy precipitation) (b)
![]()
图 2 受灾农田范围提取决策树
NDVI7.15、NDVI3.30、NDVI8.15和NDVI8.30分别为研究区2023年7月15日、3月30日、8月15日和8月30日的归一化植被指数。NDVI7.15, NDVI3.30, NDVI8.15 and NDVI8.30 are Normalized Difference Vegetation Indexes in July 15, March 30, August 15 and August 30 in the study area, respectively.
Figure 2. Decision tree for extraction of affected farmland zones
![]()
图 3 2023年7月29日至8月1日(“23·7”)暴雨前后河北平原归一化植被指数(NDVI)对比
Figure 3. Comparison of Normalized Difference Vegetation Index (NDVI) in Hebei Plain before and after “23·7” ( from July 29 to August 1, 2023) extreme heavy precipitation
![]()
图 4 河北平原受灾农田范围空间分布
Figure 4. Spatial distribution of affected farmland zones in the Hebei Plain
![]()
图 5 3个主要受灾区域各县(市、区) 2016—2019年间每年的8月30日玉米归一化植被指数(NDVI)及单产线性关系
区域Ⅰ、Ⅱ和Ⅲ如图4所示。
Figure 5. Linear relationships between Normalized Difference Vegetation Index (NDVI) and yield per unit of maize in each county (city, district) in the three main disaster zones on August 30 every year from 2016 to 2019
Region Ⅰ, Ⅱ and Ⅲ are shown in Figure 4.
![]()
图 6 2020年主要受灾区各县(市、区)玉米实际单产与预测单产对比
Figure 6. Comparison of actual and predicted maize yields per unit by county (city, district) in the main disaster zones in 2020
![]()
图 7 主要受灾区各县(市、区)玉米产量损失
Figure 7. Yield loss of maize by county (city, district) in the main disaster zones
表 1 主要受灾区各县(市、区)玉米产量损失(产量1为未发生暴雨情景下预测产量, 产量2为发生暴雨后情景下预测产量)
Table 1 Yield loss of maize by county (city, district) in the main disaster zones (yield 1 is the predicted yield under the no rainstorm scenario and yield 2 is the predicted yield under the post rainstorm scenario)
×104 t 县(市、区) County (city, district) 产量1 Yield 1 产量2 Yield 2 产量损失 Yield loss 高碑店市 Gaobeidian City 3.38 0.75 2.63 任泽区 Renze District 2.31 0.36 1.95 霸州市 Bazhou City 1.98 0.13 1.84 宁晋县 Ningjin County 2.13 0.46 1.67 涿州市 Zhuozhou City 2.29 0.68 1.61 安新县 Anxin County 2.14 0.60 1.54 定兴县 Dingxing County 1.71 0.31 1.40 永年县 Yongnian County 1.86 0.46 1.40 隆尧县 Longyao County 1.53 0.19 1.34 南和县 Nanhe County 1.68 0.42 1.26 饶阳县 Raoyang County 1.09 0.06 1.03 高阳县 Gaoyang County 0.55 0.02 0.53 清苑区 Qingyuan District 0.81 0.29 0.52 献县 Xianxian County 0.66 0.16 0.51 雄县 Xiongxian County 0.58 0.08 0.50 广阳区 Guangyang District 0.61 0.11 0.49 武强县 Wuqiang County 0.77 0.29 0.48 安平县 Anping County 0.82 0.41 0.41 文安县 Wen’an County 0.43 0.04 0.39 永清县 Yongqing County 0.28 0.09 0.19 固安县 Gu’an County 0.22 0.08 0.14 沙河市 Shahe City 0.41 0.35 0.06 
下载: 导出CSV
-
[1] 张建云, 舒章康, 王鸿杰, 等. 郑州“7·20” 暴雨洪涝几个水文问题的讨论[J]. 地理学报, 2023, 78(7): 1618−1626 ZHANG J Y, SHU Z K, WANG H J, et al. A discussion on several hydrological issues of “7·20” rainstorm and flood in Zhengzhou[J]. Acta Geographica Sinica, 2023, 78(7): 1618−1626
[2] 林祚顶, 李兰涛. 海河“23·7” 流域性特大暴雨洪水水文测报成效、存在问题及对策[J]. 中国水利, 2023(18): 5−8 LIN Z D, LI L T. Results, problems and mitigation measures of hydrological monitoring and forecasting of “July 23” rainstorm and severe flood in the Haihe River Basin[J]. China Water Resources, 2023(18): 5−8
[3] 余锡平, 单楷越. 华北平原极端暴雨洪水事件共性机制探讨及对策建议[J]. 中国水利, 2023(18): 24−28 YU X P, SHAN K Y. Common mechanisms and disaster prevention strategies for catastrophic rainfall and flooding events in the North China Plain[J]. China Water Resources, 2023(18): 24−28
[4] 张江涛, 何丽华, 李江波, 等. 河北“23·7” 极端暴雨过程特征及成因初探[J]. 大气科学学报, 2023, 46(6): 884–903 ZHANG J T, HE L H, LI J B, et al. Preliminary study on the characteristics and causes of the “23·7” extreme rainstorm in Hebei[J]. Transactions of Atmospheric Sciences, 2023, 46(6): 884–903
[5] 泉涛, 李红军, 沈彦俊, 等. 地下水压采下河北平原冬小麦面积及耗水变化[J]. 中国生态农业学报(中英文), 2023, 31(9): 1460−1470 QUAN T, LI H J, SHEN Y J, et al. Changes in the area and water consumption of winter wheat under limiting groundwater exploitation in the Hebei Plain[J]. Chinese Journal of Eco-Agriculture, 2023, 31(9): 1460−1470
[6] 吴吉东, 傅宇, 张洁, 等. 1949—2013年中国气象灾害灾情变化趋势分析[J]. 自然资源学报, 2014, 29(9): 1520−1530 WU J D, FU Y, ZHANG J, et al. Meteorological disaster trend analysis in China: 1949−2013[J]. Journal of Natural Resources, 2014, 29(9): 1520−1530
[7] 谢志辉. 整合多源遥感数据的洪涝灾害影响评估[D]. 荆州: 长江大学, 2023 XIE Z H. Impact assessment of flood disaster by integrating multi-source remote sensing data[D]. Jingzhou: Yangtze University, 2023
[8] 杨美娟. 基于社交媒体和遥感数据的洪涝灾害信息聚合与分析[D]. 武汉: 武汉大学, 2022 YANG M J. Information aggregation and analysis of flood disaster based on social media and remote sensing data[D]. Wuhan: Wuhan University, 2022
[9] 李斌, 燕琴, 张丽, 等. 长江中游洪涝灾害特征的MODIS时序监测与分析[J]. 武汉大学学报(信息科学版), 2013, 38(7): 789–793, 883–884 LI B, YAN Q, ZHANG L, et al. Flood monitoring and analysis over the middle reaches of Yangtze River Basin with MODIS time-series imagery[J]. Geomatics and Information Science of Wuhan University, 2013, 38(7): 789–793, 883–884
[10] 刘宏洁, 宋文龙, 杨昆, 等. “2022.6” 珠江流域洪涝灾害应急遥感监测[J]. 中国防汛抗旱, 2023, 33(2): 20−25 LIU H J, SONG W L, YANG K, et al. Emergency remote sensing monitoring of “2022.6” flood disaster of the Pearl River Basin[J]. China Flood & Drought Management, 2023, 33(2): 20−25
[11] SHAO J L, GAO H, WANG X, et al. Application of Fengyun-4 satellite to flood disaster monitoring through a rapid multi-temporal synthesis approach[J]. Journal of Meteorological Research, 2020, 34(4): 720−731 doi: 10.1007/s13351-020-9184-9
[12] HUANG M M, JIN S G. Rapid flood mapping and evaluation with a supervised classifier and change detection in Shouguang using sentinel-1 SAR and sentinel-2 optical data[J]. Remote Sensing, 2020, 12(13): 2073 doi: 10.3390/rs12132073
[13] WU Z X, ZHENG X Z, CHEN Y J, et al. Urban flood loss assessment and index insurance compensation estimation by integrating remote sensing and rainfall multi-source data: a case study of the 2021 Henan rainstorm[J]. Sustainability, 2023, 15(15): 11639 doi: 10.3390/su151511639
[14] 张娜, 王萍, 桑会勇, 等. MODIS数据的洪水淹没亚像元制图研究[J]. 测绘科学, 2019, 44(2): 164−170 ZHANG N, WANG P, SANG H Y, et al. Study of sub-pixel mapping of flood submerged range based on MODIS data[J]. Science of Surveying and Mapping, 2019, 44(2): 164−170
[15] ZUO H T, LOU Y S, LI Z L. Spatiotemporal variation of hourly scale extreme rainstorms in the Huang-Huai-Hai Plain and its impact on NDVI[J]. Remote Sensing, 2023, 15(11): 2778 doi: 10.3390/rs15112778
[16] 王鹏新, 齐璇, 李俐, 等. 基于随机森林回归的玉米单产估测[J]. 农业机械学报, 2019, 50(7): 237−245 WANG P X, QI X, LI L, et al. Estimation of maize yield based on random forest regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(7): 237−245
[17] 赵龙才, 李粉玲, 常庆瑞. 农作物遥感识别与单产估算研究综述[J]. 农业机械学报, 2023, 54(2): 1−19 ZHAO L C, LI F L, CHANG Q R. Review on crop type identification and yield forecasting using remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(2): 1−19
[18] 任建强, 陈仲新, 唐华俊, 等. 长时间序列NOAA-NDVI数据在冬小麦区域估产中的应用[J]. 遥感技术与应用, 2007, 22(3): 326−332 doi: 10.11873/j.issn.1004-0323.2007.3.326 REN J Q, CHEN Z X, TANG H J, et al. Yield estimation for winter wheat at regional scale using long-time series NOAA-NDVI data[J]. Remote Sensing Technology and Application, 2007, 22(3): 326−332 doi: 10.11873/j.issn.1004-0323.2007.3.326
[19] SHRESTHA R, DI L P, YU G N, et al. Detection of flood and its impact on crops using NDVI-Corn case[C]//2013 Second International Conference on Agro-Geoinformatics (Agro-Geoinformatics). Fairfax, VA, USA. IEEE, 2013: 200–204
[20] YU G N, DI L P, ZHANG B, et al. Remote-sensing-based flood damage estimation using crop condition profiles[C]//2013 Second International Conference on Agro-Geoinformatics (Agro-Geoinformatics). Fairfax, VA, USA. IEEE, 2013: 205–210
[21] 朱炯, 杜鑫, 李强子, 等. 关键时相长势—环境和景观特征对河北省县级尺度冬小麦单产估算精度影响分析[J]. 遥感学报, 2022, 26(7): 1354−1367 doi: 10.11834/jrs.20221019 ZHU J, DU X, LI Q Z, et al. Analysis of the influence of key-phase growth-environment-landscape features on the accuracy of county-level winter wheat yield estimation in Hebei Province[J]. National Remote Sensing Bulletin, 2022, 26(7): 1354−1367 doi: 10.11834/jrs.20221019
[22] 饶品增, 蒋卫国, 王晓雅, 等. 基于MODIS数据的洪涝灾害分析研究−以2017年洞庭湖区洪水为例[J]. 灾害学, 2019, 34(1): 203−207 RAO P Z, JIANG W G, WANG X Y, et al. Flood disaster analysis based on MODIS data — Taking the flood in Dongting Lake area in 2017 as an example[J]. Journal of Catastrophology, 2019, 34(1): 203−207
[23] PENG Q Y, SHEN R Q, LI X Q, et al. A twenty-year dataset of high-resolution maize distribution in China[J]. Scientific Data, 2023, 10: 658 doi: 10.1038/s41597-023-02573-6
[24] SHEN R Q, DONG J, YUAN W P, et al. A 30 m resolution distribution map of maize for China based on landsat and sentinel images[J]. Journal of Remote Sensing, 2022, 2022: 9846712
[25] 冯颖. 松花江流域种植结构变化对农业需水的影响研究[D]. 石家庄: 河北师范大学, 2023 FENG Y. Study on the influence of planting structure change on agricultural water demand in Songhua River Basin[D]. Shijiazhuang: Hebei Normal University, 2023
[26] 韩春雷, 沈彦俊, 武兰珍, 等. 基于时序MODIS的黄河上游2002—2018年耕地时空变化特征分析[J]. 中国生态农业学报(中英文), 2021, 29(11): 1940−1951 HAN C L, SHEN Y J, WU L Z, et al. Spatial and temporal variation characteristics of cultivated land in the upper Yellow River from 2002 to 2018 based on time series MODIS[J]. Chinese Journal of Eco-Agriculture, 2021, 29(11): 1940−1951
-
期刊类型引用(1)
1. 赵花荣，张玲，齐月，杨超，胡丽丽. 旱、渍胁迫对夏玉米根冠比及籽粒灌浆源库关系的影响. 气候变化研究进展. 2024(06): 782-798 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 270
- HTML全文浏览量: 273
- PDF下载量: 52
- 被引次数: 1
