GF-1影像遥感监测指标与冬小麦长势参数的关系

为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R~2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R~2:0.689 4],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R~2:0.543 8],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R~2:0.448 6],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R~2皆低于0.360 0,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。     

基于SPOT-5影像的冬小麦拔节期生物量及氮积累量监测

【目的】建立基于SPOT-5遥感信息的冬小麦拔节期地上部生物量和氮积累量的遥感监测模型,为利用SPOT-5影像进行大面积小麦生产力预测和氮素调控提供依据。【方法】分析冬小麦拔节期地上部生物量和氮积累量与同期SPOT-5光谱参数之间的定量关系,筛选出适宜的光谱参数,建立并评价冬小麦拔节期地上部生物量和氮积累量的遥感监测模型。【结果】绿光、红光和近红外波段反射率与冬小麦拔节期地上部生物量和氮积累量的相关系数均达到极显著水平。其中,近红外波段反射率对地上部生物量反应最敏感,绿光波段反射率则对地上部氮积累量反应最敏感。利用归一化植被指数（NDVI）为变量建立地上部生物量指数函数遥感监测模型表现最优,决定系数（R2）达到0.696**,均方根误差（RMSE）达到258.92 kg•hm-2。利用近红外和绿光波段反射率的比值为变量建立地上部氮积累量线性函数遥感监测模型表现最优,R2达到0.717**,RMSE达到19.24 kg•hm-2。依据上述模型,制作了研究区冬小麦拔节期地上部生物量和氮积累量遥感监测专题图。【结论】SPOT-5影像在冬小麦拔节期小麦长势监测中能够获得较高精度,具有广泛的应用前景。     

基于多源遥感的冬小麦叶面积指数监测研究

在江苏省泰兴市利用多源Landsat/TM遥感影像提取植被指数NDVI,并对不同时期的冬小麦叶面积指数(LAI)进行了监测研究.结果显示:拔节期NDVI与LAI的相关性较好,线性拟合模型的决定系数达0.7659;利用拔节期线性拟合模型对开花期的LAI进行预测,预测值与实测值较为一致,RMSE为0.426.表明利用拔节期LAI监测模型推测开花期的LAI数据信息是可行的,有利于区域冬小麦的LAI分级图的快速制作.该方法可为大面积冬小麦长势信息的及时、快速获取提供技术支持.     

基于线性回归的冬小麦籽粒淀粉含量卫星遥感预测模型

以环境减灾卫星HJ及与其同步或准同步实地观测的冬小麦长势参数和籽粒品质指标为基础,分析了试验样点卫星遥感变量、叶片SPAD值及开花期冬小麦籽粒淀粉含量间的相关性,建立及评价运用HJ影像遥感变量监测冬小麦籽粒淀粉含量的间接定量关系模型.结果表明:应用HJ影像数据监测冬小麦籽粒淀粉含量是可行的.归一化遥感植被指数NDVI可作为预测籽粒淀粉含量的敏感遥感光谱指数;以此为基础可建立冬小麦品质遥感预测模型,为遥感技术监测小麦品质提供理论依据,也为农业生产进行实时指导提供实时信息支持.     

不同灌溉条件下冬小麦叶面积指数的高光谱监测

LAI是作物长势监测的一个重要指标,实时、无损和准确地估测冬小麦LAI具有重要的实践意义。通过对冬小麦进行不同的灌溉处理试验,研究LAI与冠层光谱反射率的关系,计算350～2 450 nm不同波段组合的原始光谱指数和导数光谱指数,筛选最优波段组合光谱指数,并建立LAI的监测模型。结果表明,冬小麦LAI与冠层光谱反射率和不同波段组合光谱指数相关性较好;冬小麦LAI监测的最优光谱指数为DVI(435,447),以此为自变量建立的指数模型y=10.669e~(-701.9x)表现最优,模型最稳定。     

基于CBERS遥感的冬小麦长势分级监测

应用遥感信息技术,可实时对冬小麦长势进行分级监测预报,便于农业部门及时制定和实施相应的管理措施,达到目标化生产的目的。以江苏省姜堰市为例,进行了基于中巴资源卫星(CBERS-02)遥感的冬小麦拔节期长势分级监测研究。经过计算机分类和人机交互式判读解译,结合GPS样点信息校验,冬小麦面积解译精度在90%以上。利用遥感植被指数反演叶面积指数(LAI)等长势信息,对整个区域的冬小麦长势状况进行分级监测。叠加样点的实测数据校验,监测精度达到85%以上,最终制作区域的冬小麦长势分级专题图,并对各长势状况进行了分析。结果说明,中巴资源卫星影像数据可以满足区域冬小麦长势监测要求,并可在实际生产中进行推广应用。     

高光谱遥感数据估算蓖麻初级生产力主要参数研究

以蓖麻在不同氮、磷施用水平下的大田实验为基础,研究了高光谱遥感在估测蓖麻初级生产力主要参数中的应用。结果表明,随着施肥水平的提高,蓖麻叶面积指数（LAI）和生物量增大,导致冠层光谱特征发生相应变化,近红外波段（700~900 nm）的反射率显著增大。350~900 nm波段特别是700~900 nm波段的蓖麻冠层光谱反射率值在花果盛期最大,种子成熟期次之,苗期最低,与蓖麻LAI变化一致,可以用来监测蓖麻的长势和营养状态。构建的高光谱植被指数NDVI、RVI与LAI和ABM回归模型确定系数均较高,分别达到了0.6115、0.6363、0.7102和0.6148,可以用来估测不同物候期蓖麻的叶面积指数和地上部分生物量。     

关中地区小麦冠层光谱与氮素的定量关系

【目的】分析不同生育期及整个生育期小麦叶片氮含量(LNC)与冠层光谱反射特征的关系,以实现对田间小麦活体氮素营养状况的监测,为小麦叶片氮素状况的精确诊断提供依据。【方法】以位于陕西关中地区杨凌揉谷镇、扶风马席村和巨良农场的3个小麦试验田为研究对象,测定不同长势及生育期小麦LNC及冠层光谱反射率,分析不同长势下小麦LNC和反射率的变化,并研究氮含量与冠层光谱反射率的相关性,以及小麦LNC与比值植被指数(RVI)、归一化植被指数(NDVI)的相关性,建立小麦LNC的敏感波段及光谱监测模型。【结果】在同一生育期,长势差的小麦叶片氮含量较低,长势较好的叶片氮含量高。与单波段相比,组合波段构成的植被指数RVI、NDVI与LNC的相关性明显提高,近红外波段(730~1 075nm)和红波段630,660,690nm组成组合波段的RVI、NDVI与LNC呈极显著正相关,其中LNC与RVI的相关性较高。利用独立的小麦田间试验数据,采用通用的均方根差(RMSE)、决定系数(R2)、准确度(斜率)3个指标对所建立的模型进行检验,最终选取RVI(970,690)为监测小麦LNC的最佳光谱参数,构建的最佳模型为LNC=0.176 3×RVI(970,690)0.775 6,R2为0.863,RMSE为0.137,准确度为0.979,接近于1。【结论】利用小麦冠层光谱反射率构建了预测小麦LNC的最佳模型,该模型具有较好的准确度和普适性,适用于整个生育期小麦叶片氮含量的监测。     

基于OLI影像的县域冬小麦种植面积提取

以河南省虞城县为研究区域,筛选冬小麦分蘖期至拔节期内的3期(分蘖期、越冬期、拔节期)高质量OLI遥感影像,进行辐射定标及FLAASH大气校正,以便将影像DN值转算为地表反射率,并利用全色波段进行影像融合处理以提高空间分辨率。以归一化差异水体指数(NDWI)、归一化差异建筑指数(NDBI)、归一化差异植被指数(NDVI)为基础,结合外业调查数据构建决策树模型,3期影像中NDWI大于0的像元为水体,NDBI大于0的像元为居民地,NDVI分别大于0.59、0.52、0.65的像元为冬小麦纯净像元,NDVI分别小于0.49、0.44、0.56的像元为其他地物,剩余部分为冬小麦混合像元,通过实地调研确定将混合像元面积折算为冬小麦实际种植面积的权重为0.46,最后计算虞城县冬小麦的实际种植面积。结果表明,冬小麦分蘖期至拔节期是遥感监测冬小麦种植面积的最佳时期,3期影像提取的2014年虞城县冬小麦种植面积分别为76 238.79 hm2、77 406.65 hm2、77 397.82 hm2,与往年统计数据和样地实测数据相比,精度达到了99%。     

基于光谱植被指数的冬小麦叶绿素含量反演

植物功能叶的SPAD值与其氮素和叶绿素有较强的相关性,研究功能叶SPAD与其冠层光谱的关系,对实现植株叶绿素含量快速、无损检测具有重要意义。本文通过对冬小麦生育期的冠层原始光谱进行一阶导数变换,研究其功能叶片SPAD值与冠层光谱的相关性,对监测冬小麦叶绿素含量的敏感波段进行了提取,并建立了叶绿素含量与冠层反射光谱的定量关系。结果表明,基于小麦冠层原始光谱反射率、冠层光谱导数反射率与SPAD的相关系数曲线,提取的各形式下冬小麦叶绿素含量的敏感波段分别为500、690、760和470、630、723nm;并构建了冬小麦叶绿素含量的预测模型,以FDNDVI(630,723)预测模型较好,其R2可达0.9485,模型验证参数R2、MRE和RMSE分别为0.8099、0.0294和1.805,拟合效果较好,表明该模型能有效地对冬小麦叶绿素含量进行预测。该研究结果可为冬小麦长势监测提供一定的理论参考。