FY-3B_D星NDVI与MODIS NDVI对作物长势监测对比.pdf

FY-3B/D 星 NDVI 与 MODIS NDVI 对作物长势监测对比*钱永兰1赵晓凤1张晔萍2张明伟2王圆圆2吴门新1王小平3QIANYonglan1ZHAOXiaofeng1ZHANGYeping2ZHANGMingwei2WANGYuanyuan2WUMenxin1WANGXiaoping31.国家气象中心，北京，1000812.国家卫星气象中心，北京，1000813.中国气象局兰州干旱气象研究所，中国气象局干旱气候变化与减灾重点实验室，兰州，7300201.National Meteorological Centre，Beijing 100081，China2.National Satellite Meteorological Centre，Beijing 100081，China3.Institute of Arid Meteorological Lanzhou，Key laboratory of Arid Climate Change and Reducing Disaster of CMA，Lanzhou 730020，China2023-02-03 收稿，2023-04-13 改回.钱永兰，赵晓凤，张晔萍，张明伟，王圆圆，吴门新，王小平.2023.FY-3B/D 星 NDVI 与 MODISNDVI 对作物长势监测对比.气象学报，81（4）：660-672Qian Yonglan，Zhao Xiaofeng，Zhang Yeping，Zhang Mingwei，Wang Yuanyuan，Wu Menxin，Wang Xiaoping.2023.Comparison ofcrop growth monitoring based on FY-3B/D NDVI and MODIS NDVI.Acta Meteorologica Sinica，81（4）:660-672AbstractObjectiveevaluationofNDVIdata,thecropgrowthmonitoringdatafromChineseFengyun3(FY-3)thatisopentotheworldwideusers,ishelpfulfortheapplicationandpromotionofoperationalproducts,algorithmimprovementandcalibrationoflong-termtimeseriesdatasets.Inthestudy,theoperational10-dayandmonthlycompositeNDVIdatasetsofFY-3BandFY-3DarecomparedwiththesimilaroperationalMODISNDVIdatasetsofMOD13A1andMOD13A3andassessedforcropgrowthmonitoringbased on the interannual difference comparative model,vegetation condition index model and the NDVI-based crop growingprogress.TheresultsoftheinterannualdifferencecomparativemodelsuggestthatthedynamicrangeofmonitoringbasedonFY-3NDVIisabout0.10.15narrowerthanthatbasedonMODISNDVI，themodeloutputdifferencesarebetween0.02and0.02,andtheirstandarddeviationsarebetween0.08and0.09,whichcanbeignoredincataloguingevaluationofthecropgrowthcondition.ButthenarrowerdynamicrangeofFY-3suggestsitisnecessarytogradethecroplevelwithanarrowerthreshold.Asforthevegetationconditionindexmodel,thedifferencesbetweenFY-3BNDVIandMODISNDVIareclosetozero,whichindicatesFY-3BNDVIcangenerate the approximately equal model output to MODIS NDVI.Therefore,FY-3BNDVI,likeMODISNVDI,canmake adistinction ofdifferentcropgrowth conditions amongdifferentyears.Additionally,FY-3andMODISmonthlycompositeNDVIsproduceapproximatelythesamechangetrendalongwiththecropgrowingseason,butduringtherapidchangeperiodofcropNDVI,MODISmonthlycompositeNDVIusuallyyieldsadifferenttrend,whichisresultedfromitsaggregationmethodusingthree16-daycompositeswithaweightedaverageapproach.FY-310-daycompositeNDVIandMODIS16-daycompositeNDVIhavethesamecropprogressmonitoringresult,buttheformerprovidesbetterinterannualdifferentiationduringtheexuberantperiodofcropgrowth,*资助课题：中国气象局风云卫星应用先行计划（2022）（FY-APP-2022.0303）、中国气象局创新发展专项（CXFZ2021Z061）、国家自然科学基金项目（42075120）。作者简介：钱永兰，主要从事农业遥感与农业气象研究。E-mail：doi:10.11676/qxxb2023.20230012气象学报whilethelatterhasasmoothermonitoringcurve.However,thereisanoveralldifferencebetweenFY-3NDVIandMODISNDVI,whichneedstobeeliminatedthroughfurtherdataprocessing,qualitycontrolandobjectivecalibrationtoproducestandardizedNDVIproductsconsistentwithMODISNDVIforlong-termquantitativeassessmentofcropgrowthcondition.Key wordsFY-3，FY-3NDVI，MODISNDVI，Cropgrowthmonitoring摘要风云三号卫星（FY-3）NDVI 数据是中国对全球用户开放可进行全球尺度作物长势监测的主要卫星遥感数据源，客观评估其进行作物长势监测的真实状况和能力，对业务产品应用推广、产品算法和流程改进以及长时序标准数据生产等具有重要意义。采用国际通用的年际差值比较模型、植被状况指数模型（VCI）以及基于 NDVI 的作物生长过程评估了中国风云三号 B 星（FY-3B）和 D 星（FY-3D）NDVI 旬、月合成业务产品与同期 MODISMOD13A1 和 MOD13A3NDVI 数据对作物长势的监测情况。年际比较模型结果表明，FY-3NDVI 的监测动态范围比 MODISNDVI 的窄约 0.10.15，两者差值在0.020.02，均方根误差在0.080.09，在长势分级评估时可忽略，但动态范围偏窄提示有必要在分级评估时使用窄一些的阈值范围。植被状况指数模型结果表明，FY-3BNDVI 和 MODISNDVI 的监测结果高度一致，因此 FY-3BNDVI 和 MODISNDVI 一样可准确反映作物生长的年际差异。作物生长过程动态监测结果表明，FY-3 和 MODIS 月合成 NDVI 的年际比较结果总体一致，但在作物快速生长阶段，MODIS 用 3 个 16d 数据采用权重法合成月值的方法有一定偏差，导致两者出现差异；FY-3 旬合成数据和 MODIS16d 合成数据的监测结果总体一致，前者在作物生长旺季的年际区分度更优，后者的监测曲线更平滑。但是，FY-3NDVI 与 MODISNDVI 存在总体偏差，需进一步的数据处理、质量控制和客观标定，以生成与 MODIS、AVHRR 等一致且连续的长时序 FY-3NDVI 标准数据集产品，方可用于作物生长参数定量评估。关键词 FY-3，FY-3NDVI，MODISNDVI，作物长势监测中图法分类号P49S1271引言风云三号（Fengyun3，简称 FY-3）气象卫星是继中国第一代极轨气象卫星风云一号（FY-1）之后的第二代极轨气象卫星，目前已发射 3 批次（Jin，etal，2010；卢乃锰等，2012；Yang，etal，2012；张鹏等，2012），FY-3B 和 FY-3D 分别为 01 批和 02 批的下午星，其中 FY-3D 自 2020 年正式接替 FY-3B 在轨服役，提供常规业务产品（朱爱军等，2018）。FY-3 携带的光学成像仪有 2 种（张甲珅等，2009；张鹏等，2012），一种是可见光红外扫描辐射计（VIRR），其功能类似于美国 NOAA 系列卫星上的 AVHRR，另一种是中分辨率光谱成像仪（MERSI），是 VIRR的升级换代仪器，功能类似于美国 EOS 卫星上的MODIS，拥有 20 个可见光至热红外通道，刈幅与VIRR 相同，其中有 5 个空间分辨率 250m 的光谱通道，其他 15 个通道星下点空间分辨率为 1km。FY-3D 携带的 MERSIII 是在 FY-3B 携带的 MERSI基础上的改进（Xu，etal，2018；Yang，etal，2019）。FY-3 VIRR 和 MERSI 数 据 与 美 国 NOAA/AVHRR、EOS/MODIS、欧盟 SPOT/VEGETATION等卫星遥感数据一样可用于全球大尺度农业监测，且针对这些卫星遥感数据及应用已有大量研究（Huete，etal，2002；Gallo，etal，2004，2005；Tucker，et al，2005；Brown，et al，2006；Fensholt，et al，2006；Ji，etal，2008；Jiang，etal，2011；Fan，etal，2016；Marshall，etal，2016；Skakun，etal，2018）。目前，针对 FY-3 数据的评估仅限于 NDVI 产品本身（Han，etal，2020；王圆圆等，2022），针对农作物监测应用的评估很少。为此，本研究选取中国黄淮海主产区冬小麦和东北地区玉米、水稻、大豆为研究对象，这 4 种作物生长季涵盖春、夏、秋、冬四个季节，作物种植区集中且覆盖了中、高纬度不同地区，能够比较全面地覆盖卫星监测中卫星观测角度、太阳方位角、气溶胶状况、作物类型、植被覆盖度等不同而导致的各种误差，将 FY-3B 星和 D 星NDVI 常规业务产品与功能相近的同类传感器 EOS/MODISNDVI 产品进行对比研究，评估 FY-3NDVI作物长势监测能力，为 FY-3NDVI（含后续 FY-3F星等）业务产品应用推广、产品算法和流程改进、长时序标准数据产品生产等提供参考信息。2数据和方法 2.1 数据目前中外大尺度作物长势监测业务主要采用归一化植被指数（NDVI）进行，NDVI 也是 FY-3 的标准业务数据产品之一。本研究采用按照标准化流程生产的 1kmFY-3B/VIRRNDVI 数据和 1km钱永兰等：FY-3B/D 星 NDVI 与 MODISNDVI 对作物长势监测对比661FY-3D/MERSINDVI 旬、月两种合成数据（中国气象局，2013），产品级别为 L3，其中 FY-3BNDVI 数据未经过大气校正，FY-3DNDVI 数据经过大气校正，二者均采用最大值合成法（MaximumValueComposite，简 称 MVC）得 到。MODIS 数 据 采 用MOD13A3 和 MOD13A1 标准化产品，分别为 1km的月合成和 250m 的 16d 合成 NDVI 数据，均经过大气校正处理，其中 MODIS 的 16d 合成数据采用约束视角最大值合成法（ConstrainedViewangle-MaximumValueComposite，简称 CV-MVC），即首先基于数据质量评估信息（QualityAssurance，简称 QA）和辅助信息筛选，确定每个像素点 16d 内的两个最大 NDVI 值，然后取最接近星下点的那个NDVI 值作为最终值（Solano，etal，2010；Didan，etal，2015），月合成数据为覆盖当月的 3 个（最多为3 个）16d 合成数据的加权平均得到，以参与月合成的 16d 合成数据日期与当月的重合度从高到低设置权重（Solano，etal，2010；Didan，etal，2015）。2.2 方法目前，作物长势监测较常采用的业务方法是年际差值比较模型（式（1）和植被状况指数模型（又称条件植被指数，式（2），并通过年际比较法对作物生长过程（即作物生长季的 NDVI 曲线，步长可为旬、16d、月等）进行监测。因此，研究采用式（1）和（2）以及作物生长过程 3 种监测方法评估 FY-3B/DNDVI 和 MODISNDVI 数据。NDVI=NDVIiNDVI0（1）式中，NDVI 是 2 年的 NDVI 差值，NDVIi是第 i年 NDVI，NDVI0是参照年的 NDVI。VCI=(NDVIiNDVImin)/(NDVImaxNDVImin)（2）式中，VCI 是植被状况指数，NDVIi是第 i 年 NDVI，NDVImax和 NDVImin分别是多年同期归一化植被指数最大值和最小值。本研究以北方冬小麦为主进行 FY-3B/D 星NDVI 和 MODISNDVI 应用对比评估，以东北地区 3 种作物来检验是否存在由于作物差异而导致的定量评估能力变化。由于作物生长是个连续的过程，NDVI 随着作物生长状况的变化而变化，分别选择小麦冬前分蘖期（11 月）、返青拔节期（3 月）、抽穗开花期（4 月）等不同生长关键期，评估 NDVI 数据在不同作物发育期的监测效果。对于作物生长过程监测，则采用全生育期（北方冬小麦为 11 月至次年 5 月，东北地区秋作物为 6 至 10 月）NDVI 对比，当月度监测结果存在明显差异时，则使用更短时间尺度（FY-3B/D 为 10d、MODIS 为 16d）数据进行对比，寻找两者月尺度监测结果出现差异的原因。由于 FY-3DNDVI 的时间序列较短，选择 20152019 年 FY-3BNDVI 数据对 VCI 结果进行评估。北方冬小麦主产区主要包括河北、北京、天津、山西、河南、山东、安徽、江苏、湖北、陕西等10 个省、市，东北玉米、水稻、大豆产区主要包括东北三省和内蒙古东部 4 个盟、市（赤峰市、通辽市、呼伦贝尔市、兴安盟）。冬小麦和 3 种秋作物种植信息分别由 2021、2022 年高分 1、6 号 16m 空间分辨率遥感数据分类得到，精度大于 92%，分别将其重采样至 1km、250m 与 FY-3、MODIS 遥感数据的空间分辨率匹配。由于大部分作物种植位置和面积年际差异较小（冬小麦年际变化约 1%，大豆略大），研究忽略年际差异，均采用同一年的高分遥感作物分类结果对作物区进行掩膜处理。3结果分析 3.1 FY-3B/D NDVI 和 MODIS NDVI 作物长势年际监测对比在冬小麦不同生长阶段代表时段（冬前、返青、抽穗），基于国际通用的年际差值比较模型，分别从作物长势的空间格局、长势监测值的定量差异及统计参数等方面对两种数据进行评估。作物长势的空间格局可以反映作物长势在不同区域的年际变化特征，是长势监测的重要内容之一。图 1、2 分别是 FY-3BNDVI（2017/2018 年度）和 FY-3DNDVI（2021/2022 年度）与同期 MODISNDVI 的对比。可以看出，在冬小麦冬前分蘖期（11 月）、返青期（3 月）、抽穗开花期（4 月），FY-3BNDVI 和 FY-3DNDVI 与 MODISNDVI 的监测结果在空间分布上均具有较好的一致性，能够较好地反映年度之间作物长势差异的空间分布。将基于两种不同数据的模型结果相减，可以得到任意像元点上二者模型结果的差值（FY-3NDVI模型结果减 MODISNDVI 模型结果），图 3 是两者的差值（整型数据存储，模型差100）。可以看出，3 个不同时段的 FY-3NDVI 和 MODISNDVI 模型监测结果差值基本在0.2 以内，大多数差值结果接662Acta Meteorologica Sinica气象学报2023，81（4）近或等于 0，表明两者监测结果基本吻合；其中 11月直方图偏离 0 线略大，表明基于 FY-3NDVI 的监测结果和 MODISNDVI 的监测结果在作物生长初期差异略大。图 4 是分别基于 FY-3NDVI和 MODISNDVI采用年际差值比较模型得到的 11、3、4 月作物长势0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52018 年 4 月 vs.2017 年 4 月40N(a3)(a2)(a1)(b3)(b2)(b1)353040N3530110120E110120E110120E110120E110120E110120E0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52018 年 3 月 vs.2017 年 3 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52017 年 11 月 vs.2016 年 11 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52018 年 4 月 vs.2017 年 4 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52018 年 3 月 vs.2017 年 3 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52017 年 11 月 vs.2016 年 11 月图1FY-3BNDVI（a）和 MODISNDVI（b）作物长势监测空间分布对比Fig.1ComparisonofcropgrowthmonitoringduringdifferentgrowingmonthsbasedontheinterannualdifferencemodelwithFY-3BNDVI（a）andMODISNDVI（b）0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52022 年 4 月 vs.2021 年 4 月40N(a3)(a2)(a1)(b3)(b2)(b1)353040N3530110120E110120E110120E110120E110120E110120E0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52022 年 3 月 vs.2021 年 3 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52021 年 11 月 vs.2020 年 11 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52022 年 4 月 vs.2021 年 4 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52022 年 3 月 vs.2021 年 3 月0.5偏差持平偏好NDVI长势差值0.30.10.10.30.52021 年 11 月 vs.2020 年 11 月图2FY-3DNDVI（a）和 MODISNDVI（b）作物长势监测空间分布对比Fig.2ComparisonofcropgrowthmonitoringduringdifferentgrowingmonthsbasedontheinterannualdifferencemodelwithFY-3DNDVI（a）andMODISNDVI（b）钱永兰等：FY-3B/D 星 NDVI 与 MODISNDVI 对作物长势监测对比6630402002040NDVI difference values 100200040006000800010000(a1)11 月0402002040NDVI difference values 10020004000600080001000012000(a2)3 月0402002040NDVI difference values 1002000400060008000100001200014000(a3)4 月0402002040NDVI difference values 1002000400060008000(b1)11 月0402002040NDVI difference values 1002000400060008000(b2)3 月0402002040NDVI difference values 10020004000600080001200010000(b3)4 月图3不同月份 FY-3NDVI和 MODISNDVI 作物长势差值（FY-3MODIS）直方图（a.FY-3B，b.FY-3D）Fig.3Histogramsofcropgrowthdifference（FY-3MODIS）fordifferentgrowingmonthsbasedonFY-3NDVIandMODISNDVI（a.FY-3B，b.FY-3D）6060 40 200MODIS2040604020FY-3B0204060(a1)11 月6060 40 200MODIS2040604020FY-3B0204060(a2)3 月6060 40 200MODIS2040600.00080.00100.0015Frequency0.00200.00250.00300.00354020FY-3B0204060(a3)4 月6060 40 200MODIS2040604020FY-3D0204060(b1)11 月6060 40 200MODIS2040604020FY-3D0204060(b2)3 月6060 40 200MODIS2040604020FY-3D0204060(b3)4 月0.00050.00100.0015Frequency0.0020图4不同月份 FY-3NDVI和 MODISNDVI 作物长势值散点（a.FY-3B，b.FY-3D）Fig.4ScatterplotsofcropgrowthmonitoringfordifferentgrowingmonthsbasedonFY-3NDVIandMODISNDVI（a.FY-3B，b.FY-3D）664Acta Meteorologica Sinica气象学报2023，81（4）值（图中NDVI100 化为整型数据）散点，可以反映两组数据的关系以及数据分布。可以看出，在3 个不同月份，FY-3B（D）NDVI 和 MODISNDVI模型结果的NDVI 基本在0.5，0.5（对应图上50，50），且两组数据点对称于 1:1 线两侧，说明基于 FY-3NDVI和 MODISNDVI 数据的模型监测结果基本是一致的。但也存在细微差异，即散点的对称轴在 3 个不同时段都比 1:1 线更贴近 X 轴，且横向长、纵向短，表明 FY-3NDVI 模型结果的动态范围比 MODISNDVI 窄，不同生长阶段窄 0.10.15；同时，无论 FY-3B 或是 FY-3D，均存在 1:1 线左侧上方和右侧下方点偏多的情况，说明 FY-3NDVI 模型结果与 MODIS 相比在低值区偏高、高值区偏低。为了避免不同年份数据质量差异对评估结果可能的影响，基于 20142019 年 FY-3BNDVI 和MODISNDVI 数据和年际差值比较模型，对 20152019 年 5 个年度 11、3、4 月的监测结果进行统计分析。结果表明，基于两种不同数据，利用年际差值比较模型得到的结果均具有较好的一致性，模型误差在0.02，0.04，均方根误差在0.08，0.11，在不同年份和月份间没有明显的差异（表 1），误差大小约为作物 NDVI 值的 0%8%。将 2021 年 11 月至 2022 年 4 月 FY-3DNDVI 和 MODISNDVI 模型结果的差值图像进行统计分析，两者不同时间段模型结果误差在0.01，0.07，均方根误差在0.08，0.13，参与试验的 5 个时间点的模型结果差值均为正值，说明基于 FY-3DNDVI 的模型结果倾向于比MODISNDVI 的整体偏高。FY-3BNDVI 和 FY-3DNDVI 与 MODISNDVI 的差值图像的均方根误差接近，表明两者与 MODISNDVI 模型结果的偏离程度接近。3.2 FY-3B NDVI 和 MODIS NDVI 植被状况指数 VCI 模型结果对比植被状况指数是作物长势监测的另一种常用模型。图 5 是 FY-3BNDVI（图 5a）和 MODISNDVI（图 5b）两种数据计算得到的作物植被状况指数的空间分布。可以看出，两者监测到的作物植被状况指数结果具有较好的一致性。3 月两者的 VCI 值在山东西南部、安徽沿淮等地的局部出现一定的差异。但从 34 月的连续性看，FY-3B 连续性较好（更符合作物生长的一般规律），而 MODIS 表现出较大的跳跃性，推测 MODIS 的数据可能存在较大偏差，FY-3 的监测结果更接近实际。图 6 是 FY-3BNDVI 和 MODISNDVI 作物植40N(a1)3530110120E0.1 0.3 0.5VCI 值0.7 0.92017 年 11 月(a2)110120E0.1 0.3 0.5VCI 值0.7 0.92018 年 3 月(a3)110120E0.1 0.3 0.5VCI 值0.7 0.92018 年 4 月40N(b1)3530110120E0.1 0.3 0.5VCI 值0.7 0.92017 年 11 月(b2)110120E0.1 0.3 0.5VCI 值0.7 0.92018 年 3 月(b3)110120E0.1 0.3 0.5VCI 值0.7 0.92018 年 4 月图5FY-3BNDVI（a）和 MODISNDVI（b）作物植被状况指数空间分布对比Fig.5ComparisonofcropgrowthmonitoringduringdifferentgrowingmonthsfromVCImodelbasedonFY-3BNDVI（a）andMODISNDVI（b）钱永兰等：FY-3B/D 星 NDVI 与 MODISNDVI 对作物长势监测对比665被状况指数的差值。可以看出，在 3 个不同时段，两种数据得到的 VCI 差值集中在 0 附近，说明二者结果高度一致。3.3 作物生长过程监测对比分析3.3.1FY-3BNDVI 与 MODISNDVI 对作物生长过程监测对比分析利用遥感数据对作物生长季内的生长变化进行动态监测是作物长势遥感监测的另一重要内容，通过对作物生长过程的变化与相关年份进行比对，结合农业气象条件分析，可以对作物产量趋势进行初步估计。图 7 是 20162019 年 4 个年度中国冬小麦主产区的平均生长过程年际（当年与上一年）对比监测情况。各年度 MODISNDVI 和 FY-3BNDVI 监测的冬小麦生长过程（曲线变化形态）和年际比较结果（偏高或偏低）基本一致，对两年间作物生长过程的总体情况都能较好反映，但二者的年际监测结果有时出现相反的情况（20172018 年 5月，20182019 年 2、5 月）。为进一步探究上述某些时段二者监测结果存在差异（相反）的原因，采用 FY-3B 的 10d 合成数据和 MODIS 的 16d 合成数据对 20172018 年冬小麦生长过程进行时间降尺度监测对比。FY-3B 旬合成数据与 FY-3B 月合成数据对冬小麦的监测结果一致（图 8），基于 MODIS的 16d 合成和月合成数据的监测结果不一致，其中 16d 合成数据显示 2018 年 5 月冬小麦区 NDVI 值高于 2017 年（与FY-3 结果一致），表明 MODIS 月合成数据的监测结果与实际不符。从图 8 还可以看出，在冬小麦NDVI 快速上升期（3 月4 月初）MODIS 月合成值普遍低于 16d 合成值，而在小麦 NDVI 快速下降期（5 月）MODIS 月合成值明显高于 16d 合成值；而FY-3B 月合成数据普遍高于旬合成数据。分析认为，这是由于 MODIS 进行月合成数据时对参与合成的 3 个（最多 3 个）16d 数据采用与当月的时间重合度设置权重，对处在月后段的 16d 数据设置权重低造成的，当作物 NDVI 快速变化导致覆盖当月的各期 16d 合成数据间存在剧烈变化时，可能会出现MODIS 月合成数据比实际偏高或偏低的情况，进而导致年际间的对比信息失真。3.3.2FY-3DNDVI 与 MODISNDVI 对作物生长过程监测对比分析图 9 是 2021、2022 年 FY-3DNDVI 和 MODIS表1FY-3BNDVI和 MODISNDVI 作物长势模型结果差值统计Table1StatisticsofcropgrowthdifferencesbasedonFY-3BNDVIandMODISNDVI年份11月3月4月均值均方差均值均方差均值均方差20150.020.090.010.090.040.0820160.010.090.030.080.010.0820170.020.090.030.080.020.0820180.010.100.000.090.010.0820190.010.080.000.110.010.10010050 250255075 10075VCI difference values 1002000010000300004000050000700008000060000(a1)11 月010050 25025 5075 10075VCI difference values 10020000100003000040000(a2)3 月010050 25 0255075 10075VCI difference values 10020000100003000040000(a3)4 月图6FY-3BNDVI和 MODISNDVI 作物植被状况指数差值直方图Fig.6Histogramsofcropgrowthdifference（FY-3BMODIS）duringdifferentgrowingmonthsfromVCImodelbasedonFY-3BNDVIandMODISNDVI666Acta Meteorologica Sinica气象学报2023，81（4）0.10NovDecJanFebMarAprMay0.20.30.4NDVINDVINDVINDVI0.50.6(a1)FY-3B201520160.10NovDecJanFebMarAprMay0.20.30.40.50.60.7(a2)FY-3B20162017NDVI0.10NovDecJanFebMarAprMay0.20.30.40.50.60.7(b1)MODIS20152016NDVI0.10NovDecJanFebMarAprMay0.20.30.40.50.60.7(b2)MODIS20162017NDVI0.10NovDecJanFebMarAprMay0.20.30.40.50.60.7(b3)MODIS20172018NDVI0.10NovDecJanFebMarAprMay0.20.30.40.50.60.7(b4)MODIS201820190.10NovDecJanFebMarAprMay0.20.30.40.50.70.6(a3)FY-3B201720180.10NovDecJanFebMarAprMay0.20.30.40.50.60.7(a4)FY-3B20182019图720162019 年 FY-3BNDVI（a）和 MODISNDVI（b）作物生长过程监测对比Fig.7Comparisonofcropgrowthprocessfrom2016to2019basedonFY-3BNDVI（a）andMODISNDVI（b）钱永兰等：FY-3B/D 星 NDVI 与 MODISNDVI 对作物长势监测对比667NDVI 对作物生长过程监测结果对比。从图 9a（年际对比）可以看出，FY-3DNDVI 监测显示 2021 年11 月至 2022 年 3 月中国冬小麦主产区长势差于上一年度同期，但 23 月苗情好转，4 月基本与上年持平，5 月好于上年同期，通过观测站点监测结果和实际调查结果比对，FY-3DNDVI 月合成数据对2022 年中国冬小麦主产区的监测结果与实际情况吻合。MODISNDVI 月合成数据监测结果又表现出部分时段与 FY-3DNDVI 月合成数据监测结果不同的情况，通过与 MODISNDVI的 16d 合成数据监测结果对比检验（图 9b），发现 MODISNDVI月合成数据在 1 月的监测结果与实际情况不符，同时 23 月的变化及年际差异表现也不如 16d 合成数据以及 FY-3D 月合成数据明显。00.10.20.30.40.50.60.7(a)1020NovDecJanFebMarAprMayOct NovDecJanFebAprMayMar30102031102031102028102031102030102031FY-3B NDVI2017 10 d2018 10 d2017 monthly2018 monthly00.10.20.30.40.50.60.731 16 02 18 01 17 02 18 06 22 07 23 09 25MODIS NDVI2017 16 d(b)2018 16 d2017 monthly2018 monthly图8不同时间尺度 FY-3BNDVI（a）和 MODISNDVI（b）对 20172018 冬小麦生长监测结果对比Fig.8Comparisonofcropgrowthprocessduring20172018basedoncompositeproductsofFY-3BNDVI（a）andMODISNDVI（b）ondifferenttimescales00.10.20.30.40.50.60.70.80.920212022(a1)FY-3D(a2)(b2)NDVI00.10.20.30.40.50.60.70.80.920212022(b1)MODISNDVI00.10.20.30.40.50.60.70.81020301020311020311020281020311020301020312021 10 d2022 10 d2021 monthly2022 monthlyNovDecJanFebMarAprMayNovDecJanFebMarAprMayJunNovDecJanFebMarAprMayNovDecJanFebMarAprMay00.10.20.30.40.50.60.716 02 18 01 17 02 18 06 22 07 23 09 25 102021 16 d2022 16 d202