MODIS-TVDI指数监测新疆干旱动态

针对近年频发的干旱情况不能准确及时监测评估的问题,该文以新疆为研究区域,基于温度植被干旱指数方法,利用2007年到2012年3月~8月MODIS合成产品数据获取归一化植被指数和陆地地表温度,构建LST-NDVI特征空间,得到全区的温度植被干旱指数和旱情等级空间分布图,分析了新疆干旱变化趋势,验证了温度植被干旱指数和降水因子的关系。结果表明:2007年~2012年新疆的干旱面积逐年趋于平稳,空间上表现为南疆旱情高于北疆,春季旱情高于夏季,降水量是影响温度植被干旱指数的重要因子。该研究为政府部门对新疆旱情严重地区治理提供了有效数据保证。     

TVDI在冬小麦春季干旱监测中的应用

应用冬小麦春季生长期的NOAA/AVHRR资料,反演归一化植被指数（NDVI）、土壤调整植被指数（SAVI）和下垫面温度（T_s）,分析了植被指数和下垫面温度空间特征,采用温度植被旱情指数（TVDI）,研究了河北省2005年3~5月的冬小麦旱情状况。结果表明：基于SAVI的温度植被旱情指数与土壤表层相对湿度的相关性好于基于NDVI的温度植被旱情指数。通过与气象站土壤水分观测资料进行相关性分析,表明温度植被旱情指数与10 cm土壤相对湿度关系最好,20 cm次之,50 cm较差。因此,基于SAVI的温度植被旱情指数更适于监测冬小麦春季的旱情。     

旱灾灾情监测中的遥感应用综述

旱灾是我国影响范围最广的农业自然灾害。遥感是对干旱进行大面积、实时动态监测的有效技术手段。对遥感技术在干旱旱情监测中的传统方法进行了概括和汇总,应用较多的干旱旱情遥感监测方法主要有热惯量法、蒸散法、植被指数法,其中植被指数法又分为距平植被指数、条件植被指数、植被指数差异、植被供水指数、温度植被干旱指数等方法。分析了不同方法的优缺点以及它们各自的适用范围,结合当前研究的热点问题,指出随着干旱机理和MODIS数据的应用,干旱旱情的遥感监测将得到更广泛、更深入的应用。     

基于CCI土壤水分产品的干旱指数精度评价及其对东北地区粮食产量的影响

土壤水分是监测作物旱情的基本因子,以欧空局1978~2014年微波遥感土壤水分产品、中国经济与社会发展统计数据库以及气象数据为基础,结合土壤水分亏缺指数（Soil Water Deficit Index, SWDI）分析东北地区的干旱程度与玉米亩产的关系。结果表明：①东北三省干旱程度空间上呈现自东北向西南逐渐加重的空间分布模式;②基于CCI (Climate Change Initiative)土壤水分产品计算的SWDI干旱指数与降雨量和气温有良好的相关关系,可用于评估干旱发生的严重程度;③玉米生长季关键需水期——7月的SWDI与玉米产量的相关性最好,二者在黑龙江、吉林和辽宁省的R2分别为0.43、0.78和0.38,非常适合用于评估干旱对玉米单产的影响。该结论对于研究大范围土壤水分含量对农作物产量的影响以及相关农业决策具有重要指导意义。     

苏丹遥感干旱指数及其适用性

针对苏丹地区利用遥感手段进行旱情监测的研究相对缺乏这一问题,该文利用MODIS归一化植被指数和地表温度计算植被条件指数、温度植被干旱指数和归一化植被供水指数,利用AMSR-E土壤湿度数据与3种干旱指数进行相关性分析,选取与土壤湿度相关性最好的干旱指数作为干旱监测的指标,对苏丹典型干湿年份的干旱进行监测。定量分析与实验结果表明:归一化植被供水指数与土壤湿度相关性最高,且与降水量存在滞后关系,3种典型植被覆盖类型下归一化植被供水指数的滞后期均为1个月;苏丹干旱主要发生在北部的撒哈拉沙漠及其边缘地区,且干旱分布受季节变化影响显著,其中春季和冬季是干旱发生的高峰期。     

基于TROPOMI叶绿素荧光遥感的冬小麦旱情监测

针对太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)可以有效指示陆表植被水分胁迫的特点,提出了归一化叶绿素荧光干旱指数(Normalized SIF Drought Index,NSDI)用于黄淮海地区冬小麦旱情监测.该方法首先基于哨兵-5p卫星(Sentine...     

利用高分辨率ETM+数据进行区域旱情监测的研究

在植被指数相同的条件下,地面肤面温度可用于对土壤旱情的监测。通过植被指数--地面肤面温度特征空间分析了利用遥感进行旱情监测的原理,将传感器温度作为地面肤面温度,对干旱指数的计算进行了详细论述。利用栾城县的Landsat7 ETM+卫星数据进行了旱情监测与分析。     

垂直干旱指数在高寒农区春旱监测中的应用研究

青海省东部农业区“十年九旱”,“春旱年年有”,对农业生产的影响非常严重,但该地区至今缺乏有效的春季干旱遥感监测方法。使用环境减灾卫星CCD数据提取青海省东部农业区农业气象观测站的垂直干旱指数(PDI),拟合其与不同深度土壤水分的关系模型,各模型的无偏相关系数均在0.7以上;其中PDI与0~20 cm土壤相对湿度关系模型(y=-489.00x+188.78)的拟合效果最好(无偏相关系数为0.7985)。该模型反演的湟源农业气象观测站固定观测地段的土壤水分时间变化序列与人工测量值的时间变化序列,在趋势变化上较为一致。2013年西宁农区的春季干旱监测中,该模型监测结果显示:发生干旱的地区主要出现在大通河谷地和湟水谷地,湟源农区的土壤旱情在整个西宁农区的土壤旱情发展中最为严重,监测结果与实际旱情分布地区一致。     

HJ-1A/B卫星在干旱应急监测中的应用

利用我国环境与灾害监测小卫星(HJ-1A/B)的CCD和IRS数据,提出了针对这种新数据源的适用性应用方法,基于成熟应用的植被健康指数,对2010年3月湄公河流域发生的干旱进行应急监测,结果表明湄公河流域大部分区域农田发生干旱,中国无论从旱情发生面积和干旱严重程度上都是最为严重的。着重分析流域上游中国境内的4个水电站的水面和水位的变化信息,探讨对下游干旱的影响,得出上游大坝建设与流域下游干旱并无直接关系的结论。进一步说明了环境与灾害卫星在干旱监测应用中的可行性,将为我国乃至全球决策部门提供辅助支持信息。     

利用高分辨率ETM+数据进行区域旱情监测的研究

在植被指数相同的条件下,地面肤面温度可用于对土壤旱情的监测。通过植被指数——地面肤面温度特征空间分析了利用遥感进行旱情监测的原理,将传感器温度作为地面肤面温度,对干旱指数的计算进行了详细论述。利用栾城县的Landsat7 ETM+卫星数据进行了旱情监测与分析。     

长时间序列NOAA-NDVI数据在冬小麦区域估产中的应用

粮食产量数据对国家的宏观管理具有重要意义。对中国这个人口大国而言,粮食产量更加受到重视。在我国冬小麦主要生产基地黄淮海平原范围内选取了石家庄市、衡水市、邢台市进行了研究,利用近20年空间分辨率为8 km的月NOAA-AVHRR NDVI数据和同期冬小麦产量统计数据,以县为单位建立了冬小麦产量形成关键期内各月NDVI数据与产量的关系,同时也建立了产量形成关键期NDVI累积和数据与冬小麦产量的关系。由于NDVI值在0.2～0.8之间与植物覆盖度呈良好线性关系,因此选取该范围NDVI值来建立与产量的关系。并分别做了相应统计检验和实际模型运行精度验证,最后对各个NDVI与产量数据之间的关系做了精度比较分析。这对促进黄淮海平原冬小麦产量估计具有较重要的作用。同时,作者认为相对于分辨率较高但时间序列短的MODIS数据而言,低分辨率长时间序列的NOAA-AVHRR数据在大范围农作物估产中仍然是一种有益补充。     

基于MODIS数据的农业干旱监测方法对比分析

利用2004年4月～6月上旬的MODIS影像数据,结合实测的土壤墒情数据,对比不同深度及不同拟合方式下土壤湿度的估算精度。另外,分别选用植被供水指数(VSWI)、基于EVI的植被供水指数(E-VSWI)、归一化多波段干旱指数(NMDI)与对应的土壤湿度数据进行回归分析,并在此基础上利用最优指数实现研究区土壤湿度的估算及旱情监测。结果表明:在华北平原中部地区冬小麦生长季节,利用MODIS数据进行土壤湿度估算的最佳深度是10cm;最佳拟合方式是线性拟合方式;植被供水指数(VSWI)在研究区整个时间序列具有最好的稳定性,可为今后大区域作物生长期的干旱监测提供一个简单方法。     

HJ星数据在关中冬小麦种植面积遥感监测中的应用 

应用冬小麦抽穗期的环境小卫星影像对关中地区依据行政区划划分,采用多种遥感监测方法进行冬小麦种植面积提取,提取精度达95.64%。结果表明:抽穗期是关中地区提取冬小麦种植面积的最佳时相,同时也表明环境小卫星可以用来监测大范围的冬小麦种植面积,并得到很高的精度。在未来的研究中,对于地形差异较大的地区,可依据地形和冬小麦的种植结构对研究区进行划分,针对每个子研究区采用不同的遥感监测方法以提高提取精度。     

生育后期干旱对冬小麦产量和生理特性的影响

盆栽试验的结果表明:后期干旱明显降低冬小麦叶片光合速率和蒸腾速率,并导致保护酶活性下降,MDA累积,叶片衰老加速,硝酸还原酶活性下降,干物质生产受到显著影响。但中度干旱会提高籽粒中酸性转化酶、蔗糖合成酶、碱性转化酶的活性,有利于同化物向籽粒库转运分配;而严重干旱会降低籽粒的代谢活性,不利于同化物向籽粒库转运分配。后期中度干旱对穗粒数、千粒重无影响,对籽粒产量的影响较小,提高了收获指数和水分利用效率。严重干旱显著降低了株高、有效穗数、穗粒数和千粒重,显著降低了产量;同时收获指数和水分利用效率也降低。     

Use of Landsat TM and EOS MODIS imaging technologies for estimation of winter wheat yield in the North China Plain

This study focuses on the methodologies of winter wheat yield prediction based on Land Satellite Thematic Map (TM) and Earth Observation System Moderate Resolution Imaging Spectroradiometer (MODIS) imaging technologies in the North China Plain. Routine field measurements were initiated during the periods when the Landsat satellite passed over the study region. Five Landsat TM images were acquired. Wheat yields of the experimental sites were recorded after harvest. Spectral vegetation indices were calculated from TM and MODIS images. The correlation analysis among wheat yield and spectral parameters revealed that TM renormalized difference water index (RDWI) and MODIS near-infrared reflectance had the highest correlation with yield at grain-filling stages. The models from the best-fitting method were used to estimate wheat yield based on TM and MODIS data. The average relative error of the root mean square error (RMSE) of the predicted yield was smaller from TM than from MODIS.     

Use of remote sensing data for estimation of winter wheat yield in the United States

This paper shows the application of remote sensing data for estimating winter wheat yield in Kansas. An algorithm uses the Vegetation Health (VH) Indices (Vegetation Condition Index (VCI) and Temperature Condition Index (TCI)) computed for each week over a period of 23 years (1982–2004) from Advance Very High Resolution Radiometer (AVHRR) data. The weekly indices were correlated with the end of the season winter wheat (WW) yield. A strong correlation was found between winter wheat yield and VCI (characterizing moisture conditions) during the critical period of winter wheat development and productivity that occurs during April to May (weeks 16 to 23). Following the results of correlation analysis, the principal components regression (PCR) method was used to construct a model to predict yield as a function of the VCI computed for this period. The simulated results were compared with official agricultural statistics showing that the errors of the estimates of winter wheat yield are less than 8%. Remote sensing, therefore, is a valuable tool for estimating crop yields well in advance of harvest, and at a low cost.     

利用航空成像光谱数据进行冬小麦产量预测

以国产成像光谱仪PHI(Pushbroom Hyperspectral Imaget)所获遥感影像数据为基础，根据田间冬小麦单产遥感研究试验数据建立了研究区不同时相冬小麦单产预测模型，实现了利用航空高光谱遥感数据对研究区小麦产量的整体预测；对试验区土壤氮素水平与不同时相冬小麦预测产量以及试验区实测产量进行了初步分析，分析结果显示：土壤氮素分布的差异性对小麦的产量有明显影响。     

Yield estimation of winter wheat in the North China Plain using the remote-sensing–photosynthesis–yield estimation for crops (RS–P–YEC) model

The accurate prediction of crop yield is of great help for grain policy making. By assuming a horizontally homogeneous, vertically laminar structure and introducing a multilayer-two-big-leaf model, we develop a radiative-transfer equation for winter-wheat canopy and a model, named the remote-sensing–photosynthesis–yield estimation for crops (RS–P–YEC) model, for winter-wheat yield estimation. The yield is calculated by multiplying the net primary productivity (NPP) by the harvest index (HI). In this study, the yield of winter wheat in the North China Plain in 2006 is estimated using the RS–P–YEC model. The simulated yield is consistent with observations from 17 agro-meteorological stations, and the mean relative error is 4.6%. The results demonstrate that the RS–P–YEC model is a useful tool for winter-wheat yield estimation in the North China Plain with widely available remotely sensed imageries.     

The use of large-area spectral data in wheat yield estimation

Large-area relations between satellite spectral data and end-of-season crop yield were investigated. Green Index Number (GIN) values from Landsat MSS data of sample segments throughout the U.S. Great Plains winter wheat belt in 1978 were correlated to county USDA-SRS reported yields. A linear relation between GIN and yield appeared to exist up to GIN values of 40 or 50, covering cases of severe to moderate stress. In a test on 1978 Texas winter wheat at the county level, GIN values for sample segments in the counties were used in conjunction with an agronomic-meteorological yield model. The combined fit explained significantly more of the observed yield variation at the county level than the agromet model alone.