农作物长势的定义与遥感监测

监测作物生长过程的状况与趋势,即长势监测是农业遥感更为重要的任务。其目的是：１）为田间管理提供及时的信息;２）早期估计产量。该文以冬小麦为例,根据实地调查与北方数省的资料,用作物的个体与群体特征定义作物长势,讨论了遥感监测的可能性,提出了基于植被指数与植被表面温度的长势遥感监测的评估模型与诊断模型的概念与算法。     

作物长势遥感监测指标的改进与比较分析

为改善归一化植被指数（NDVI）作为遥感监测作物长势指标的性能,该文分析了归一化植被指数的内在设计缺陷,在不增加额外波段的情况下,以近红外波段和红色波段为基础引入一种新的作物长势遥感监测指标——GRNDVI。通过在像素和区域层次上同其他4种指数进行比较发现：GRNDVI能够改善归一化植被指数在低植被覆盖度时期/地区容易受到作物冠层土壤背景的影响,而在高植被覆盖度时期/地区又容易发生饱和现象的设计缺陷,可以作为遥感监测作物长势过程中替代归一化植被指数的指标。     

变量施肥条件下冬小麦长势及品质变异遥感监测

卫星遥感数据能够在作物生长期内获取大范围“面状”地物光谱信息,反映作物的长势变异情况,以2005－2006年度国家精准农业研究示范基地冬小麦变量施肥试验为基础,以高空间分辨率卫星遥感影像Quickbird为数据源,结合地面获取的冬小麦品质、产量等数据,研究冬小麦长势及品质的变异情况。研究结果表明,Quickbird光谱参数能够反映冬小麦不同施肥处理小区的长势变异,而冬小麦早期的空间长势变异与其最终产量、品质变异有着密切的关系;冬小麦孕穗后期长势光谱信息与其产量有着很好的正相关关系,而与其品质信息存在着显著的负相关关系,其中OSAVI与产量的相关性达到0.536、GNDVI与冬小麦籽粒蛋白质及湿面筋含量的相关性分别达到了-0.531和-0.535;研究还发现,不同植被指数所反映的作物长势存在一定差异,反映冬小麦群体长势的植被参数和反映冬小麦叶绿素密度的植被指数在指示作物空间长势变异上有所不同。因此,利用遥感影像监测作物长势及其品质空间变异在技术上是可行的。     

水分亏缺指数在全国干旱遥感监测中的应用研究

水分亏缺指数(WDI)是建立在作物水分胁迫指数理论基础上,并假设陆地表面温度是冠层温度与土壤表面温度线性加权及土壤与植被冠层之间不存在感热交换的情况下,结合陆气温差与植被指数得到的区域干旱评价指标。本文利用MODISTerra陆地表面温度和植被指数数据产品,采用NDVITs空间法分别计算了2000年4月上旬和5月中旬气温空间分布的基础上,结合陆气温差和植被指数计算全国范围WDI,并与表层土壤含水量进行对比。结果表明:WDI能够比较合理地用来监测区域干旱,不仅适用于裸地条件,还能够有效地应用于完全植被或部分植被覆盖条件下的干旱监测,克服了CWSI只能应用于郁闭植被冠层的限制。     

利用Landsat TM遥感数据监测冬小麦开花期主要长势参数

为精准农业技术体系中的小麦农艺处方管理决策提供详尽的全局性信息,该文以2007－2009年试验实测数据为基础,以Landsat TM影像为遥感数据源,分析了试验样点开花期冬小麦主要长势参数与品质和产量间以及与卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦开花期SPAD值、生物量、叶面积指数和叶片氮含量的模型。结果表明：冬小麦开花期,选用作物氮反射指数、近红外波段反射率和归一化植被指数这些遥感变量分别反演冬小麦SPAD值、生物量、叶面积指数和叶片氮含量是可行的;SPAD值、生物量、叶面积指数和叶片氮含量遥感监测模型的精度较高,均方根误差分别为3.12、216.5 kg/hm2、0.269和0.162,以此为基础,制作出具有实际农学意义的冬小麦开花期不同等级SPAD值、生物量、叶面积指数和叶片氮含量遥感监测专题图,实现了主要长势参数空间分布量化表达。基于卫星影像的农田面状信息获取技术克服了点状信息的不足,为农业生产管理决策及时提供信息支持,使该研究技术更利于大面积应用和推广。     

棉花生长初期灌溉信息遥感提取与校正

为提高生长初期低覆盖度作物长势的遥感监测精度,需要消除灌溉引起的土壤水分背景变化对归一化差值植被指数(NDVI)的影响。为了实现棉花生长初期灌溉信息提取与校正,提高棉花作物长势监测与产量预判精度,本文以美国加利福尼亚州San Joaquin Valley的2个棉花地块为研究区,选取棉花生长初期灌溉过程中的遥感影像,构建两种灌溉信息提取方法(分阶段阈值法和灌溉线提取法),确定最优灌溉像元提取方法;比较分析灌溉与未灌溉情况下棉花的NDVI与归一化差值水分指数(NDWI)以及土壤调节植被指数的关系,提取含有灌溉信息的像元,并对NDVI进行校正,消除灌溉对NDVI的影响。研究结果表明:在棉花生长初期,灌溉与未灌溉像元NDVI变化率达12%,差异较显著;灌溉与否的棉花NDVI与NDWI间均存在极显著的线性关系,决定系数在0.80以上;利用灌溉线方法提取灌溉信息与分阶段阈值相比精度更高,精度达88%以上;校正后线性回归模型精度达0.95,灌溉校正效果明显,灌溉与未灌溉像元的NDVI差异减小至2%。本研究通过对含有灌溉信息像元NDVI值的校正,去除灌溉对NDVI造成的影响,反映了真实的植被信息,可实现对作物生长初期长势的准确遥感监测,为遥感定量监测提供便利。     

作物产量指数设计及在黑龙江省的应用

针对传统基于归一化植被指数（normalized difference vegetation index，NDVI）的作物长势监测方法对于同一时期处于不同生育阶段的作物缺乏可比性，以及NDVI的高低不能直接代表产量的高低的问题，该研究设计了一种可以动态反映作物长势和产量变化的具有时空可比性的统计指数（作物产量指数）。以黑龙江为例，基于单产数据、气象数据、遥感数据、作物分布数据，对3种作物分别进行估产分区，综合使用随机森林重要性评价方法和留一法为各估产分区筛选最优估产建模变量，构建动态估产模型和产量指数计算模型，并在2022年作物生长季（6—9月）进行了大豆、玉米、水稻的动态估产和产量指数预报和分析。结果显示：1）建模指标的重要性从高到低依次为趋势单产、遥感植被指数、气候类指标。2）3种作物整体单产预测精度最高的为水稻，其平均绝对相对精度(mean absolute relative precision，MARP)为95.20%，其次是玉米（MARP为93.81%），最后是大豆（MARP为92.73%）。3）以历史5 a为基期计算的3种作物的6—9月的产量指数的对比结果显示，大部分区县3种作物各月的产量指数差异处于“平”状态。4）生长季产量指数的月环比结果显示大部分区县产量指数的月环比值处于-0.01~0.01之间。该研究设计的作物产量指数可用于比较某一统计单元（如县、市或省）在特定评估时间点相对于其历史平均单产的增减状况，也可以环比相邻两个评估时间点的产量变化情况；在空间维上可以比较同处于某个特定评估时间点的不同统计单元的单产指数的高低情况，在长势监测、产量预报等中具有很好的应用前景。     

土壤水分遥感监测的研究进展

土壤水分是土壤的重要组成部分,在地—气界面间物质、能量交换中起着重要的作用,是农作物生长发育的基本条件和农作物产量预报的重要参数。遥感技术具有大面积同步观测,时效性、经济性强的特点,为大面积动态监测土壤水分提供了可能。简述了到目前为止出现的几种主要的土壤水分遥感监测方法,如热惯量法、作物缺水指数法、归一化植被指数法、植被指数距平法、植被供水指数法、植被状态指数法、温度状态指数法、温度植被干旱指数法、高光谱法、微波遥感法,并分析了各种方法的原理和特点,最后展望了土壤水分遥感监测方法的发展趋势。     

冬小麦冻害灾情及长势恢复的变化向量分析

大尺度监测冬小麦冻害灾情,需要结合受冻后长势监测,以提高冻害监测精度。鉴于温度并非唯一冻害因子,且归一化植被指数（NDVI）易高估封垄前冬小麦覆盖度,该文引入基于多时相植被指数的变化向量分析法,进行冬小麦冻害灾情及受灾后长势监测研究。选取河北藁城2010年冬小麦冻害作为研究对象,利用多时相环境小卫星数据提取多种植被指数,构建变化向量并分析其动态变化趋势,结合冬小麦冻害光谱特征敏感性分析,建立冻害灾情遥感监测模型,并展开长势恢复程度监测。结果表明,变化向量分析法能有效地反映冬小麦受冻和长势恢复程度及空间分布,在基于多种植被指数建立的变化向量监测模型中,基于光谱结构不敏感指数SIPI建立的模型较精度最高,其冻害监测及长势恢复监测模型精度分别达83.3%、88.9%。因此,变化向量分析法能有效地监测冬小麦冻害灾情与灾后长势恢复情况,同时对其他作物灾害监测提供了途径。     

条件植被温度指数干旱监测方法的完善

应用NOAA-AVHRR多时段卫星遥感数据,以陕西省关中平原为研究区域,建立了条件植被温度指数干旱监测方法,讨论了植被指数和地表温度特征空间中冷边界和热边界的确定方法。通过气象网站的降水量资料验证了该研究区域1999年以来每年5月上旬的干旱监测结果,结果表明条件植被温度指数与降水量间的相关性随着累计时间的增加而降低,与最近月份降水量的相关性最好,证实了冷边界和热边界确定方法的合理性以及条件植被温度指数是一种可行的、近实时的干旱监测方法。     

多源卫星数据在甘蔗干旱遥感监测中的应用

目前80%以上的糖料甘蔗分布在缺少灌溉条件的旱坡地上,旱害已成为影响甘蔗生产最频繁、范围最广、损失最严重的自然灾害之一。本文选取了广西来宾市兴宾区凤凰镇这个具有代表性的大面积连片、连年种植的甘蔗区,利用高时间分辨率的MODIS卫星数据,采用植被状态指数(VCI)和温度条件指数(TCI)构建干旱指数(DI)遥感监测模型,并融合具有高空间分辨率的ETM卫星数据,进行甘蔗干旱遥感监测方法研究。应用该模型进行2004年和2005年秋季甘蔗旱情监测,制作了旱情时空变化的遥感图像,通过与旱情实况数据对比分析,证明该模型适用于甘蔗旱情监测。     

黄土高原植被变化对气象干旱多尺度响应特征与机制

基于黄土高原1983—2015年间的植被状况指数(VCI)与1~48个月尺度的标准化降水蒸散发指数(SPEI)和标准化降水指数(SPI),利用Pearson相关系数法、线性回归法和Mann-Kendall趋势检验法等方法研究了黄土高原地区植被对气象干旱的多时间尺度时空响应特征。结果表明:(1)1983—2015年,黄土高原植被状况整体趋于改善,但黄土高原整体干湿状况变化趋势不大。(2)黄土高原绝大部分区域植被变化与气象干旱指数呈现显著正相关关系,表明植被活动受到水分的限制较强。但是,过去几十年,黄土高原地区植被受到水分限制的影响程度有逐渐减轻的趋势。(3)黄土高原植被对短时间尺度的水分盈亏变化相对敏感,尤其是耕地和草地对1~4个月的SPEI更为敏感,而林地对SPEI的响应时间尺度较为分散。黄土高原VCI与SPEI、SPI的最大相关系数均主要出现在生长季(4—10月),表明水分条件在生长季对植被活动的影响较为显著。     

基于MODIS植被指数的西北农业灌溉区生物量估算

利用新疆艾比湖农业灌溉地区MODIS EVI遥感影像数据和同期野外调查获得的75个样方生物量数据,对比分析了EVI与地表生物量多个回归方程的相关系数,进而建立了EVI与农作物生物量的多元回归模型。地表农作物生物量与EVI拟合方程相关系数大小依次为:幂函数>指数方程>三次多项式方程>一元线性拟合方程,同时采用13个独立样方采样数据进行误差分析,证明幂函数模型拟合精度最高。因此采用幂函数模型对研究区农作物生物量进行估算,结果表明,在人工灌溉地区,作物生长茂盛,生物量分布于1～10 kg/m2区间;而在非浇灌地区,地表植被稀疏,多为耐旱耐盐碱植物,地表生物量多在1 kg/m2以下。西北农业灌溉地区地表生物量与土壤水分密切相关,人工灌溉是影响地表农作物生物量变化的主要因素。     

基于4种植被指数TVDI模型的三江平原土壤湿度反演

利用遥感手段监测土壤湿度有利于分析大尺度区域的土壤干湿状况。比对分析不同植被指数计算的温度植被干旱指数（TVDI）的精度能够提高TVDI反演土壤湿度的实际应用价值。以三江平原为研究区,基于2013年5—9月的四期MODIS影像,利用归一化植被指数（NDVI）、增强型植被指数（EVI）、修正土壤调节植被指数（MSAVI）、比值植被指数（RVI）分别计算TVDI,并以地面实测土壤湿度数据及降水数据进行精度验证。结果表明:（1）4种植被指数计算的TVDI与土壤湿度数据均具有一定的负相关关系,即TVDI值越高,土壤湿度值越低;（2）不同植被指数计算的TVDI在5月、6月、9月与土壤湿度回归分析的R²数值相近,均适合用来反演这3个时间段的土壤湿度,在7月份,相较于NDVI和RVI计算的TVDI结果（R²均在0.15左右）,基于EVI和MSAVI计算的TVDI （R²均在0.35左右）更适合反演该时期的土壤湿度;（3）5—9月期间,干旱现象主要发生在三江平原的中部及西南部,干旱程度主要为轻旱,东部及东北部在不同时期基本保持在正常或轻微湿润状态。     

基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较

高光谱遥感反演LAI时,由于实际样本数远小于光谱维数,易导致基于全谱段建立的模型不稳定。针对该问题,该文提出将基于原始光谱反射率与LAI相关性和基于光谱曲线特征的2种波段选择方式分别与主成分回归(PCR)或偏最小二乘回归(PLSR)结合的高光谱维数约简方法,估算冬小麦LAI。并选择归一化植被指数(NDVI)、增强型植被指数(EVI)、重归一化植被指数(RDVI)、修正土壤调节植被指数(MSAVI)和三角形植被指数(TVI)5种代表性植被指数,利用2009、2010年实测大田冬小麦冠层高光谱和LAI数据,将提出的基于维数约简的方法与基于植被指数的LAI估算方法进行了比较,独立样本集验证结果和交叉验证结果均表明,提出的基于维数约简的方法比基于植被指数方法的估算精度高,在交叉验证结果中,基于维数约简的方法R2最高达到0.818,相应RMSE为0.685。该研究可为后续基于高光谱的LAI估算提供参考。     

中国东北黑土带土壤线空间变异规律

利用遥感影像分析土壤参数和监测植被长势要求准确的土壤线参数。利用MODIS反射率产品计算东北黑土带不同分区土壤线参数,研究其空间分布规律;并利用不同分区土壤线参数计算与土壤线性相关的植被指数,分析不同植被指数与作物叶面积指数、光合有效辐射分量之间的相关关系。结果表明：东北黑土带土壤线斜率的总体趋势是,由北向南先增加后减小,最大值（1.5921）在北纬47°～47.7°之间的黑土带范围（对应行政范围为海伦南部,望奎北部）;最低值（1.1319）在德惠南部与九台中部。与土壤线性相关的植被指数与作物两个生理参数的相关关系显著高于归一化植被指数（NDVI）; 改进的转换型土壤植被指数（ATSAVI）对土壤线参数的敏感性最高,利用分区不同土壤线参数计算的ATSAVI与作物生理参数的相关系数高于利用单一土壤线参数计算的结果;引入土壤线参数可以提高植被指数反演作物生理参数的精度。     

基于无人机采集的视觉与光谱图像预测棉花产量

为了高效管理农田,该文提出了一种应用低空遥感视觉与光谱图像预测棉花产量的方法。盛花期前的棉花图像由无人机遥感平台在距地面50m的飞行高度下采集,采集的局部图像通过拼接处理得到棉花地的全景RGB图像与CIR(color-infrared,彩色红外)图像。基于全景图像提取并计算了色度、植株覆盖率与归一化植被指数(normalized difference vegetationindex,NDVI)3个特征参数,用于构建棉花产量的预测模型。包括产量与特征参数的原始数据集随机分为训练集(90%)与测试集(10%)。训练集数据首先基于产量概率分布特征去除了10%的离群值,然后通过均值滤波器滤波,处理后的数据用于构建预测模型。通过SAS软件对比分析了单变量、双变量以及三变量构建的线性回归模型,预测模型由P值、决定系数R2、每0.4 hm2面积下估计值与真实值之间的平均绝对误差百分比(mean absolute percentage error,MAPE)这3个参数进行评估。试验结果表明,单变量、双变量以及三变量构建的共7个线性回归模型,其P值均小于0.05,则7个线性回归模型均具有统计学意义(5%显著性水平)。其中,由三变量构建的多元线性回归模型具有最大的决定系数R2=0.9 773,因此适应性最优。基于测试集验证模型精度,试验结果表明,采用多元线性回归模型进行产量估计,估计值与实际值之间的平均绝对误差百分比为4.0%。因此,无人机搭载图像传感器采集提取视觉与光谱特征能够有效用于作物产量的预测。     

基于无人机高光谱的冬小麦氮素营养监测

为了实现小区域尺度上的作物氮素营养状况遥感监测，该研究利用无人机搭载Cubert UHD185成像光谱仪对2016 -2017年关中地区的冬小麦进行遥感监测，通过分析冠层光谱参数与植株氮含量、地上部生物量和氮素营养指数的相关性，筛选出对三者均敏感的光谱参数，结合多元线性逐步回归、偏最小二乘回归和随机森林回归建立抽穗期冬小麦氮素营养指数（Nitrogen Nutrition Index，NNI）估测模型，并与单个光谱参数建立的冬小麦氮素营养指数模型进行比较。结果表明，任意两波段光谱指数对氮素营养指数更为敏感，与氮素营养指数均达到了极显著性相关；基于差值光谱指数和红边归一化指数的单个光谱参数构建的模型具有粗略估算氮素营养指数的能力，相对预测偏差分别为1.53和1.56；基于随机森林回归构建的多变量冬小麦氮素营养指数估算模型具有极好的预测能力，模型决定系数为0.79，均方根误差为0.13，相对预测偏差为2.25，可以用来进行小区域范围内的冬小麦氮素营养指数遥感填图，为冬小麦氮素营养诊断、产量和品质监测及后期田间管理提供科学依据。     

基于无人机多光谱的大豆旗叶光合作用量子产量反演方法

大豆旗叶的量子产量（Quantum Yield,QY）对于评估光合效率非常重要,利用无人机多光谱数据对QY值进行高通量反演,能够无损、高效的监测光合作用过程中的生理化学变化。该研究的目的是探究植被指数与QY值相关性,并基于高相关性的植被指数反演QY值,同时分析了多植被指数与单植被指数构建反演模型的准确性。结果表明,与传统反演算法支持向量回归（Support Vector Regression,SVR）相比,基于集成学习的自适应提升（Adaptive Boost,AdaBoost）算法提高了模型的准确性,测试集决定系数（coefficient of determination,R2）为0.982,均方根误差（Root Mean Square Error, RMSE）为0.089,相对分析误差（Residual Predictive Deviation,RPD）为7.29。研究表明基于多植被指数、利用AdaBoost算法可以构建更为有效的无人机多光谱大豆光合有效量子产量反演模型,为评估高通量光合效率提供了一种先进的方法。     

利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数

叶面积指数是十分重要的作物生理生态参数,为提高利用国产环境减灾小卫星CCD数据反演冬小麦叶面积指数的精度,该文以5种常用的植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI),增强植被指数(enhanced vegetation index,EVI),双波段增强植被指数(2-bands enhanced vegetation index,EVI2),比值植被指数(ratiovegetation index,RVI),土壤调节植被指数(soil-adjusted vegetation index,SAVI)为基础,结合3种常用的回归模型,按生长阶段比较分析了不同植被指数和回归模型反演叶面积指数的精度。结果表明,除生殖生长阶段外,叶面积指数和5种植被指数之间均有较强的相关关系;指数模型和一元线性模型分别为全生育期和营养生长阶段的最佳拟合模型;EVI在全生育期拟合时的表现好于其他4个指数(R2=0.9348),SAVI则是营养生长阶段表现最佳的指数(R2=0.9404)。该研究为进一步利用植被指数反演叶面积指数提供了参考。