基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上,构建了基于归一化植被指数（NDVI）的冬小麦估产模型,结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段，对农业生产管理具有重要意义。以安徽龙亢农场为研究区，收集了中高分辨率多源卫星遥感数据并进行了定量化处理，构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型，生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律，分析了不同品种冬小麦的长势情况，发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上，构建了基于归一化植被指数（NDVI）的冬小麦估产模型，结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算，据此绘制了龙亢农场2017年冬小麦产量遥感估算地图，产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测，为区域范围内农作物长势监测提供了一种有效途径。     

冬小麦播期的卫星遥感及应用

播种日期对冬小麦生长发育、产量和品质形成均有一定的影响。利用2003年拔节期的Landsat TM卫星的NDVI数据．成功地监测了冬小麦的播种日期。提出了基于NDVI和播种日期的冬小麦的遥感估产的优化模型，并在抽穗期至乳熟期的3次生育期的遥感估产中得到了成功验证与应用。利用出粉率与播种日期的显相关特性，采用拔节期的Landsat TM卫星的NDVI数据，成功预测了小麦籽粒的出粉率。     

基于数据机理的植被叶面积指数遥感反演研究

定量获取地表植被高精度时序及空间覆盖的叶面积指数（Leaf Area Index, LAI）是生态监测及农业生产应用的重要研究内容。通过使用Moderate Resolution Imaging Spectroradiometer（MODIS）植被冠层多角度观测MOD09GA数据及叶面积指数MOD15A2数据,发展了一种参数化的叶面积指数遥感反演方法并完成了必要的检验分析。研究使用基于辐射传输理论的RossThick LiSparse Reciprocal（RTLSR）核驱动模型及Scattering by Arbitrarily Inclined Leaves with Hotspot（SAILH）模型进行植被冠层辐射特征的提取,使用Anisotropic Index （ANIX）异质性指数作为指示植被冠层二向反射分布Bidirectional Reflectance Distribution Function（BRDF）的辅助特征信息,发展了基于数据机理（Data-Based Mechanistic, DBM）的植被叶面积指数建模和估算方法。通过必要的林地、农作物、草地植被实验区反演及数值分析可得知：①时间序列多角度遥感观测数据结合数据机理的叶面积指数估算方法,可实现模型参数的时序动态更新,改进叶面积指数估算结果的时序完整性及精度。②异质性指数可以用做指示植被冠层二向反射分布特征信息,可降低因观测数据几何条件差异所导致的反演结果不确定情况,同时能够补充植被时序生长过程表现的植被结构变化等动态特征。经研究实践,可将算法应用于时空尺度的叶面积指数估算,并能够为生态、农业应用提供植被的高精度遥感监测指标。     

基于植被指数的叶绿素密度遥感反演建模与适用性研究

利用遥感数据反演叶绿素密度是对作物长势进行评估的有效手段.本文利用实测冬小麦和夏玉米两种作物、不同生育期的冠层光谱和叶片叶绿素含量数据,收集了14种光谱指数,分析各种光谱指数的叶绿素密度遥感模型的精度.优选了其中的8种植被光谱指数,建立了植被指数与叶绿素密度之间的回归模型,并利用不同生育期小麦数据和玉米数据对各模型进行验证,分析评价它们对不同生育期、不同作物类型的适用性.研究发现:利用SRI、RVI I、R-M和MTCI 4种植被指数所建模型对冬小麦不同生育期数据适用性较好,各生育期冠层叶绿素密度反演相对误差优于27％.其中,MTCI模型对不同作物类型的适用性最好,冠层叶绿素密度反演相对误差优于35％.     

物候信息在大范围作物长势遥感监测中的应用

大范围的农作物长势监测可以为农业政策的制订和粮食贸易提供决策依据,也是农作物产量估测的必要前提。遥感估算的作物生物量是评价作物长势的主要群体特征指标,在大范围上开展作物长势监测时,不同区域的作物因为所处的物候阶段不同而导致生物量存在差异,这种差异与因作物长势状况差别而产生的差异混合在一起,增加了长势监测结果的不确定性。以中国河南、山东两省为研究区,以MODIS 250 m NDVI产品数据为主要数据源,结合改进的CASA模型实现了区域内冬小麦生物量的估算,结合冬小麦生长过程特征进行了典型物候期的监测。在此基础上,分析了扬花期前后物候差异对冬小麦生物量估算的影响,研究其特定物候阶段的变化规律,从而实现了生物量的物候归一化,初步探索了如何消除大区域物候差异对作物长势监测与评估的影响。     

基于TM影像的冬小麦苗期长势与植株氮素遥感监测研究

叶面积指数和叶片氮素含量是决定小麦群体长势的重要生理指标,也是制定栽培管理措施的必要依据。利用遥感监测小麦返青后的叶面积指数和叶片氮素含量,便于及时采取施肥、灌溉、中耕等调控措施,达到优质、高产稳产、高效的目的。本文使用TM影像数据与实地GPS定位相结合的方法,研究了冬小麦返青后叶面积指数及植株氮素含量的变化态势。结果表明:(1)TM影像的NDVI的地域性差异较大,且随纬度呈现极明显的线型负相关变化态势;(2)将用NDVI反演的LAI与实测的LAI进行比较,二者较为一致,其均方差根(RMSE)为0.111;(3)利用NDVI监测的小麦植株氮素含量与实地观测的植株氮素含量较为相近,二者的RMSE为0.085。总之,利用TM影像的NDVI可以快速、精确地监测返青期小麦的LAI和植株氮素营养状况。同时,本研究结果也可为冬小麦返青期的苗情诊断和管理决策提供及时、准确的信息支持。     

利用高时空融合数据监测冬小麦收割过程

针对难以对农作物收割过程进行有效地遥感监测这一难题,采用时空数据融合模型重构出空间分辨率为30m,时间分辨率为1d的高时-空分辨率遥感数据对农作物收割进度进行监测。针对冬小麦收割前后NDVI变化呈现的线性特征,计算时序NDVI的曲率,通过曲率确定阈值进行收割信息提取。结果表明:采用面向对象的SVM分类方法提取研究区冬小麦种植信息,Kappa系数为0.901,面积误差为2.61%;时空数据融合模型的结果与真实影像间的相关系数为0.77(红波段)和0.78(近红外波段),能够较好地重构出冬小麦收割时期的影像;通过提取NDVI变化曲线曲率接近于0时的冬小麦NDVI值来确定阈值,实现了冬小麦收割过程信息的遥感提取。     

基于ISODATA法的冬小麦产量分级监测预报

以江苏省姜堰市为例,进行了基于TM卫星遥感技术和小麦估产模型的冬小麦产量监测研究。在利用GPS实地采样调查和建立解译标志的基础上,通过影像校正、采用优化的ISODATA分类方法,结合人机交互式判读解译等操作,将样点的作物信息数据贯穿到整个校验分类过程中,信息解译精度在90%以上。利用分类提取的冬小麦数据,反演叶面积指数、生物量信息等,结合冬小麦估产模型,计算单点产量信息,经过线性转换,对整个区域的冬小麦产量进行监测预报,并制作了冬小麦产量分级专题图。     

杨树林叶面积稳定期的叶面积指数遥感估算方法

针对用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)估算植被叶面积指数(Leaf Area Index,LAI)不仅需要大量地面LAI观测及其数据统计,且在植被NDVI饱和时难以估算LAI等问题,提出了一种基于数据挖掘技术的LAI遥感估算方法。该方法借助数据挖掘技术从有限的数据中挖掘和发现有用的信息,排除人为干扰,提高模型构建效率和精度。文中以安徽滁州地区杨树林为研究对象,获取研究区杨树林展叶期和花果期的HJ-CDD遥感影像,利用LAI-2000同步测量杨树林LAI;借助数据挖掘技术并基于杨树林展叶期和花果期估算的LAI值,通过筛选优化构建了杨树林生长过程中叶面积稳定期的LAI估算模型,并结合叶面积稳定期实测的LAI值验证表明该模型用于杨树林叶面积稳定期LAI估算的可靠性,为植被NDVI饱和时的LAI遥感估算提供了一种有效的思路和方法。     

利用HJ星遥感进行水稻抽穗期长势分级监测研究

对水稻长势进行遥感分级监测,制作能够直观反映水稻长势等级的遥感专题图,便于农业技术人员及时制定有效的田间管理措施,达到增产的目的。以江苏省泰兴市为例,利用HJ-A/B卫星遥感影像,提取水稻的种植面积并分析抽穗期水稻的长势情况。在利用GPS实地取样调查和建立解译标志的基础上,进行HJ-A/B卫星影像校正,人机交互式判读解译等操作,并将GPS样点数据校验贯穿到整个分类过程中,面积信息解译精度在90%以上。最后,利用归一化植被指数(NDVI)反演叶面积指数(LAI)数据信息,依据LAI数据进行水稻长势分级,制作了泰兴市水稻抽穗期长势分级遥感监测专题图。     

农作物叶绿素含量遥感估算的研究进展与展望

叶绿素是农作物生长过程中重要的生化参数之一,其含量对农作物长势监测、病虫害监测、成熟期预测都有重要意义。介绍了现有遥感监测农作物叶绿素含量的模型基本原理与方法,总结了国内外在该领域的主要研究成果,进一步将模型进行分类,并分别针对经验模型、物理模型和耦合模型进行详细论述,分析了模型的优缺点及其适用范围,根据遥感估算农作物叶绿素含量的模型研究中存在的问题,对未来估算模型的发展趋势进行了展望。     

归一化植被指数的土壤背景影响去除

植被冠层归一化植被指数(normalized difference vegetation index,NDVI)由于不同土壤背景的混入干扰,导致利用NDVI信息对作物长势监测等应用的有效性降低。以安徽省来安县小麦农田为研究区,以2种土壤类型(水稻土和黄褐土)背景下拔节期冬小麦为研究对象,采用实测小麦冠层光谱及叶面积指数(leaf area index,LAI)数据,利用传统的照相法求算植被覆盖度,基于混合光谱理论,提出2种NDVI土壤背景影响去除模型(NDVIT),对模型进行对比验证。研究结果表明:2种模型均可去除一定的土壤背景影响;采用信噪比的分析方法定量研究2种模型抵抗土壤噪声影响的能力,分析发现NDVI1T提取植被信息抗土壤噪声能力更佳;2种土壤背景影响去除模型和NDVI的拟合关系良好,相关关系R~2均达到0.9以上。     

利用风云卫星MERSI数据反演叶面积指数的研究

风云三号A星上搭载的中分辨率成像光谱仪(Medium Resolution Imaging Spectrometer)MERSI从2008年5月底开始对地球观测,其中5个波段250m分辨率的数据包含了丰富的植被信息,在全球同类传感器数据中独具特色,在其基础上反演的陆表植被数据产品目前还不多见。利用2013年生长季在河北固城观测获取的冬小麦光谱数据,结合MERSI 250m数据计算的NDVI值,建立二者NDVI之间的线性转换模型Y=1.1458 X+0.1916;同时利用地物光谱NDVI与实测叶面积指数构建了NDVI-LAI指数模型Y=0.0899e4.459 X;然后,利用MERSI 250m数据反演出华北太行山前平原区冬小麦的叶面积指数,经与大田观测的叶面积指数以及同期MODIS的叶面积指数产品对比验证,结果表明:反演的MERSI-LAI与实际观测叶面积指数接近且具有很好的线性关系,其空间分布与MODIS的叶面积指数相近,但MODIS-LAI数值明显偏小。     

最小二乘法联合光学与雷达遥感数据估算玉米叶面积指数

针对单源数据经验模型估算精度较低等问题,提出采用最小二乘法联合光学和雷达遥感数据构建联合估算模型,以中国科学院河北怀来遥感综合实验站为研究区,以夏季玉米为研究对象,利用Landsat8和Radarsat2影像实现研究区叶面积指数估算:首先分别建立了多光谱数据和雷达数据与实测叶面积指数之间的回归模型,然后利用最小二乘算法联合不同数据间的回归模型构建估算模型,最后利用迭代法估算叶面积指数并通过验证数据对估算结果进行评价分析,同时与单源数据经验模型、多源数据加权平均模型和基于物理模型查找表估算结果进行对比。通过对研究区59个样本点数据分析表明:基于最小二乘算法联合光学与雷达遥感数据能够提高叶面积指数的估算精度(R2=0.5442,RMSE=0.81),优于单源遥感数据拟合经验模型(DVI经验模型:(R2=0.485,RMSE=1.27))、基于权重的光学微波联合模型(R2=0.447,RMSE=1.36)和物理模型查找表法(R2=0.333,RMSE=1.36),并当叶面积指数大于3时,对其由于信息饱和或误差引起的低估或高估现象具有一定的抑制作用。     

利用AVHRR资料的多时相NDVI测量结果进行农作物估产

研究利用AVHRR资料的归一化差植被指数(NDVI)分布曲线监测农作物产量的可能性。对希腊北部一个地区的1986~1988年的资料进行了验证，并对1989年的产量作了预测。利用NDVI和产量之间简单的线性关来，可高精度地估算小麦、棉花、水稻和玉米的产量。但在小麦灌浆期，建议在产童预测模型中引入农业-气象模型，可提高预测精度。在收获前50~100天，可以可靠地估算出农作物的产量。     

基于GF-1遥感数据决策树与混合像元分解模型的冬小麦种植面积早期估算

我国西北地区耕地细碎,冬小麦种植面积提取时混合像元较多,所以将决策树和混合像元分解相结合可大大提高解译精度。以高时间分辨率及较高空间分辨率的GF-1卫星遥感数据为研究数据源。根据冬小麦和其他各类地物在不同时相数据上NDVI值的变化特性及特征值差异,建立决策树模型,快速高效地提取冬小麦像元。运用线性光谱混合模型,降低混合像元的影响,进一步精确提取冬小麦的种植面积。最后与实测样方的冬小麦种植面积数据进行比较,验证提取精度。结果表明:研究区内冬小麦种植面积提取精度达90%以上,Kappa系数接近0.8,可较为准确地反映出区域内冬小麦的分布情况。利用较高分辨率的遥感影像并结合决策树分类和混合像元分解可以较准确地提取耕地破碎地区作物种植面积,对开展早期农作物面积遥感监测有较大帮助。     

叶面积指数遥感反演算法研究

叶面积指数是确定陆表生态系统物质和能量交换大小的重要结构参数之一。本文基于NDVI、RVI的反演模型,结合GDAL影像库和C++语言设计实现相关算法,形成从影像数据到叶面积指数图的处理流程,提高了影像的利用率。经预处理的Hyperion数据测试,算法运行稳定且计算结果精确,为植物长势监测、粮食产量预测提供可靠数据源。     

基于波谱库的特色农作物智能专家分类系统设计

农作物的长势监测和产量估算一直是遥感技术应用的重要方面,而一个好的农作物分类算法对于农作物产量和长势进行监测十分关键。目前对于一些特色农作物而言,这方面的研究比较缺乏。因此本研究设计了符合特色农作物的长势监测和产量测算功能模块,将数据挖掘和知识发现应用到专家分类算法中,自行开发了适合农作物数据发现和挖掘的归纳学习算法,充分利用了波谱库中大量的波谱数据、相关属性和空间数据,形成了基于波谱库的特色农作物智能专家分类系统。     

基于卫星遥感预测作物成熟期的可行性分析

精准收获是精准农业的重要环节,首先分析了收获时间对作物产量与品质的影响,论述了作物成熟期监测的重要性,然后从气象统计模型、作物生长模型及遥感监测3个方面回顾了作物成熟期预测的研究进展。在此基础上,通过对目前主要作物成熟状态指示因子遥感监测研究进展的分析,认为在当前新型传感器不断涌现的条件下,利用卫星遥感预测大范围作物成熟期、制订收割顺序并指导农业生产的条件已经成熟。并指出研究面向遥感的作物成熟期指示因子及其变化规律,发展高精度的作物冠层叶绿素及水分含量的遥感估算方法,研究面向农田尺度动态监测的高时空分辨率数据集构建技术和多种模型的耦合将成为该领域未来的研究重点。