基于混合象元分解的Landsat8与MODIS数据融合反演土壤墒情方法研究

【目的】及时准确地获取灌区土壤墒情信息。【方法】以河南省焦作市广利灌区为研究对象,利用Landsat8及MODIS遥感数据分别以表观热惯量及植被供水指数法反演土壤墒情,以混合象元分解的植被和土壤的丰度作为权重因子,对2种方法反演的土壤墒情进行了融合计算。【结果】利用植被供水指数法和表观热惯量反演的土壤含水率与实测含水率相关系数分别为0.47和0.51,同时将2种方法相结合得到的反演结果精度更高,实测含水率与计算的土壤含水率相关系数达到0.73。【结论】融合方法可以更好地计算灌区非均匀覆盖区的土壤墒情。     

多种植被指数与土壤墒情响应关系对比分析

土壤墒情是农业生产的重要参数,高效、精确地监测土壤墒情是保证农业生产安全的重要环节。在基于植被指数的土壤墒情监测方法中,如何根据地域和植物生育期的差异,选定最优的植被指数是问题的关键。利用2015年2-6月河南省中东部黄淮海平原冬小麦主产区的实测农田墒情数据和MODIS遥感数据,对归一化植被指数(NDVI)、增强型植被指数(EVI)、植被供水指数(VSWI)、温度植被干旱指数(TVDI)与土壤含水量进行相关性分析,对比不同植被指数对不同深度土壤含水量的响应,并分别建立四种植被指数与土壤墒情的回归模型,进行预测精度分析。结果表明:本研究中,TVDI与土壤墒情的相关性最好,预测精度最高;每一种指数皆与10～20 cm深度土壤墒情相关性最好,预测精度最高。因此,TVDI为最优响应指数,10～20 cm深度土壤为最优响应深度。     

植被指数反演冬小麦植被覆盖度的适用性研究

利用冬小麦2个生长季高光谱反射率和覆盖度实测资料,基于回归分析方法建立4种植被指数反演植被覆盖度模型,并对预测模型年际间的稳定性进行了验证。采用噪声等效覆盖度误差对各植被指数反演植被覆盖度模型进行了敏感性分析,结合对模型的残差分析得到了不同种植密度和氮肥施用量条件下各植被指数的适用性。结果表明:归一化植被指数NDVI和改进的土壤调节指数TSAVI与冬小麦覆盖度采用抛物线拟合结果较好;修正的土壤调节植被指数MSAVI和增强型植被指数EVI与覆盖度符合线性关系。验证模型的决定系数略低于建模方程,反演模型在年际间表现出较好的稳定性,能够满足覆盖度预测需要。NDVI和TSAVI较MSAVI和EVI可更好地解释本地区冬小麦植被覆盖度的变化规律。在低到中覆盖度(0~60%)条件下,如果当地土壤信息可获得,利用植被指数TSAVI估算植被覆盖度变化规律表现出较好的敏感性和较高的估算精度。如果缺失土壤线资料,NDVI能保证覆盖度的估算精度。在高覆盖度(60%~100%)条件下,可选用敏感性和精度均良好的植被指数MSAVI进行估算。在水分供应充分的条件下,4种植被指数对作物种植密度和氮肥施用量均不敏感,可采用统一模型进行不同种植密度和不同施氮量处理的冬小麦覆盖度估算研究,为利用植被指数快捷、准确地估算本地区区域植被覆盖度提供了理论和技术支持。     

基于条件温度植被指数的土壤水分反演研究

土壤水分是作物生长发育的基本条件,同时也是旱情监测的重要指标。以彰武县为研究区域,基于影像的Artist算法和二维特征空间模型算法,进行了环境减灾卫星数据的地表温度(LST)反演,提取了归一化植被指数(NDVI)和修正的土壤调节植被指数(MSAVI),并构建二维特征空间,提取干、湿边方程,分析了地表实测土壤水分和植被指数的线性关系。结果表明,鉴于彰武地区土质的多样化,修正的土壤调节植被指数可提高土壤墒情的反演精度,相关系数为R2=0.852,标准差为2.064,协方差为3.139,相关性较好。     

基于热红外遥感影像的玉米田间土壤水分反演研究

土壤水分监测对掌握农作物的生长状态至关重要。本研究为了在玉米作物的主要生育期有效地反演田间土壤含水量。本文以无人机平台获取的热红外遥感影像作为数据源,基于热惯量法反演田块尺度的土壤含水量。通过建立土壤热惯量与土壤含水量之间的线性回归模型,在试验田进行模型精度验证。结果表明,在实际农田环境中基于热惯量方法反演土壤含水量时,随着灌溉水平的提高其反演精度先升高后下降。模型在不同灌溉水平下反演土壤含水量的精度验证结果为:R~2=0.71,RMSE=3.09%。热惯量法具有较高的土壤含水量反演精度,为基于无人机热红外遥感田间土壤含水量监测提供了参考。     

剔除土壤背景的冬小麦根域土壤含水率遥感反演方法

为剔除无人机多光谱图像中的土壤背景、提高作物根域土壤含水率反演精度,以不同水分处理的拔节期冬小麦为研究对象,利用无人机多光谱相机分别在09:00、11:00、13:00、15:00和17:00等5个时刻获取高分辨率多光谱图像,采用改进的植被指数阈值法快速确定植被像元与土壤像元的分类阈值,通过阈值划分剔除土壤背景,并根据阈值变化研究土壤背景对冬小麦冠层反射率的影响,建立了剔除土壤背景前后基于植被指数的土壤含水率反演模型。结果表明,应用改进的植被指数阈值法可有效剔除多光谱图像中的土壤背景,其中基于植被指数RDVI的剔除精度最高,总体精度在91.32%以上;土壤背景对冬小麦冠层近红外波段的反射率影响较大,红边波段次之,而对可见光波段的反射率影响较小;剔除土壤背景前后的植被指数与土壤含水率均呈线性关系,剔除土壤背景对反演土壤含水率的精度有显著提高,其中NGRDI反演深度10~20cm的冬小麦根域土壤含水率效果最好,建模集R2和RMSE分别为0.739和2.0%,验证集R2和RMSE分别为0.787和2.1%。     

无人机多源光谱反演大田夏玉米叶面积指数

【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。     

基于温度植被干旱指数(TVDI)的土壤干湿反演

【目的】快速准确监测大面积区域土壤水分,提高遥感监测土壤水分的效率。【方法】采用Landsat 8 OLI影像构建了地表温度(Ts)-植被指数(NDVI)特征空间,拟合了特征空间的干湿边方程,并根据干湿边方程计算的温度植被干旱指数(TVDI)与同期野外不同深度的实测土壤含水率进行了回归分析与验证。【结果】遥感影像反演所得的TVDI与野外实测土壤湿度显著相关(α=0.05);0~10、10~20、20~30 cm土层中,TVDI与10~20 cm土层土壤湿度相关性最高(r=0.79);遥感影像反演的土壤湿度时空分布变化特征与作物分布生长情况以及气候变化规律基本吻合。【结论】根据温度植被干旱指数法反演监测区域土壤湿度是切实可行的,尤以10~20 cm土层土壤湿度的反演监测最为精准与可靠。     

基于NDVI与EVI的作物长势监测研究

基于2015年大气校正后的时间序列Landsat8影像,研究了归一化植被指数NDVI与增强型植被指数EVI随植被覆盖度增加的变化规律,定量分析了二者监测低、中、高植被覆盖的差异,比较分析了NDVI和EVI分布频率曲线差异及时间序列曲线差异。结果表明:地表刚出现植被时,NDVI和EVI的增加速度最快,随着地表植被覆盖度的增加,NDVI与EVI的增加速度减缓。低植被覆盖下NDVI的增加速度大于EVI,中等植被覆盖下NDVI和EVI的增加速度接近,高植被覆盖下NDVI的增加速度小于EVI,不同植被覆盖下的NDVI值始终大于EVI值。NDVI和EVI分布频率曲线能描述不同植被覆盖度像元数量和随时间的变化。NDVI和EVI时间序列曲线能清晰反映一种作物的长势变化规律及不同作物在同一时期的长势差异。在作物生长初期或低植被覆盖下,NDVI、EVI都偏高估计植被覆盖度,NDVI估计值略高于EVI的估计值。在作物生育中期或中等植被覆盖下,二者对植被描述能力相似。在作物生育高峰期或高植被覆盖下,监测作物长势变化EVI比NDVI更敏感。综上所述,监测作物时可根据作物生育期植被覆盖度变化特点合理选取NDVI和EVI植被指数,也可同时选用NDVI和EVI两种植被指数互为补充。     

不同滴灌灌溉制度对绿洲棉田土壤水热分布及产量的影响

【目的】探究不同滴灌灌溉制度对绿洲棉田土壤水热分布状况及对产量的影响。【方法】于2017年在策勒地区开展田间试验,设置了2种灌水模式:基于计算机模型的预报灌溉与基于土壤墒情的灌溉,每种灌水模式设置2种灌溉梯度:充分灌溉(100%)和非充分灌溉(75%的充分灌溉)。【结果】预报灌溉的土壤含水率和贮水量在花蕾与花铃期显著高于墒情灌溉;不同灌溉制度各剖面的土壤温度变化趋势一致,整个生育期的表层土壤平均温度表现为墒情亏缺最高,预报充分最低。作物产量在一定范围内随灌溉量的增加而增加,预报充分的产量较预报亏缺,墒情充分,墒情亏缺分别提高13.7%、12.1%、47.6%。水分利用效率表现为预报亏缺最高,且产量与预报充分的产量无显著差异。【结论】在策勒绿洲地区,预报亏缺灌溉可达到节水增产的目的。     

云南省土壤墒情监测系统的设计与实现

为准确获取云南省的土壤墒情,在分析传统墒情监测系统的基础上,设计了一种能够自动获取和处理多源土壤墒情数据且能不断提高数据精度的土壤墒情自动监测系统。系统利用温度-植被干旱指数(TDVI)对遥感影像进行反演,为不断改进反演算法,将反演结果与固定站点监测数据及其他相关数据进行了对比分析。以参数配置形式实现遥感影像自动下载、土壤墒情自动反演和旱情自动分析。结果表明,系统可以得到较高精度的土壤墒情数据,能够满足有关部门对于墒情监测的需要。     

基于SOC710VP高光谱成像仪的冬小麦土壤含水率反演模型研究

【目的】实现小麦农田土壤含水率大面积快速监测。【方法】以冬小麦冠层高光谱数据为基础,计算得到8种植被指数,通过对关键生育时期(拔节期、抽穗期、灌浆期)不同水分处理下冬小麦不同土层(0～20、20～40、40～60 cm)土壤含水率与植被指数拟合状况进行分析和筛选,分别构建了基于植被指数的不同土层土壤含水率反演模型,并对模型进行检验。【结果】①各时期植被指数拟合效果有所差异,拔节期0～20 cm土层以植被指数VOG1拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.75,40～60 cm土层以植被指数VOG3拟合效果较好,相关系数为0.59;抽穗期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.70,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.72,40～60 cm土层以植被指数mSR705拟合效果较好,相关系数为0.57;灌浆期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数SARVI拟合效果较好,相关系数为0.68,40～60 cm土层以植被指数SARVI拟合效果较好,相关系数为0.71;②各土层土壤含水率与植被指数拟合效果有所差异,其中利用VOG1和mNDVI705组合构建的模型反演0～20 cm土层,决定系数R2为0.743,利用mNDVI705和SARVI组合构建的模型反演20～40 cm土层,决定系数R2为0.707,利用VOG3、mSR705和SARVI组合构建的模型反演40～60 cm土层,决定系数R2为0.484;③通过建立植被指数对土壤含水率的反演模型,0～20 cm土层含水率反演效果好于20～40 cm和40～60 cm。【结论】高光谱植被指数反演模型中,以0～20 cm土层的估算模型最佳,植被指数组合为VOG1和mNDVI705。综上可知,该研究方法进行土壤含水率的反演是可行的。     

植被覆盖条件下的解放闸灌域土壤盐分卫星遥感估算模型

为探究植被覆盖时的土壤盐分反演,以河套灌区解放闸灌域为研究区域、GF-1号影像为数据源,将盐分指数(SI2、S2、S3)、增强植被指数(EVI)和近红外NIR波段作为输入因子,分别利用多元线性回归(multivariable linear regression,MLR)、分位数回归(quantile regression,QR)和BP神经网络(back propagation neural network,BP)三种方法建立0～60 cm深度下土壤盐分反演模型。研究结果表明,MLR模型与QR模型均具有较高精度,能够较好的反演植被覆盖时的土壤盐分,其中QR模型验证精度最高,建模和验证的决定系数(coefficient of determination,R~2)分别达到0.627与0.636,均方根误差(root mean square error,RMSE)为0.249,平均绝对误差(mean absolute error,MAE)为0.235,是本次土壤盐分估算的最优模型。BP模型效果相对较差,建模与验证R~2为0.605和0.558。采用QR模型反演研究区土壤盐分,发现模型反演的盐分趋势符合实际情况;灌区主要分布非盐土和轻度盐渍化土壤,灌域南部地区土壤盐渍化程度低,约占32%;盐渍化程度较高的区域约占灌域总面积的19%。研究为探讨植被覆盖时的土壤盐分反演提供了思路。     

基于多源遥感数据反演土壤墒情方法研究

土壤墒情是影响农作物生长状况重要参数之一,为提高农作物覆盖下地表土壤墒情反演精度,基于Sentinel-1雷达数据和Landsat8光学数据,利用改进的水云模型得到拔节期玉米覆盖下的地表土壤后向散射系数,并采用SAE深度学习的方法建立遥感影像与土壤水分之间的隐式映射,对玉米覆盖下的土壤墒情进行反演。结果表明:通过改进的水云模型去除植被影响后的反演精度有所提高,R~2达到0.657 7,比传统的水云模型提高了0.150 6;RMSE为0.038 7 cm~3/cm~3,误差降低0.002 5 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0～20cm的土壤含盐量，并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类（土壤背景和植被冠层），基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征，采用支持向量机（SVM）和极限学习机（ELM）构建土壤含盐量监测模型，其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4)，通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明：策略3、4所计算出的土壤含盐量反演精度高于策略1、2，策略1~4验证集决定系数R2v分别为0.614、0.640、0.657、0.681，因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4，图像纹理特征+植被指数受到土壤背景的影响，策略4精度低于策略3精度，其R2v分别为0.614、0.657；各变量处理的最优模型均为ELM模型，建模集R2c分别为0.625、0.644、0.618、0.683，标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。     

粗糙度不变假设下的大区域冬小麦墒情多源遥感监测方法

大区域农田墒情遥感定量监测对当代精准农业应用意义重大,但如何提高监测精度一直是该领域的关键问题.融合多源遥感的方法可以充分发挥各种遥感的优势,是提高监测精度的重要技术手段.以河南省中东部为研究区域,利用MODIS、Sentinel数据,结合实测土壤含水量,根据植被覆盖、地表粗糙度和不同湿度的土壤对后向散射的贡献,利用BP神经网络模型构建上述参数的关系,分别对研究区2016年3-6月冬小麦高植被覆盖时期0～10 cm、0～20 cm深度土壤墒情反演.根据地表粗糙度参数的性质,提出了地表粗糙度不变假设,并结合遗传算法优化BP神经网络方法(GA-BP),进行对比实验.结果显示:①植被茂盛期,后向散射系数(σ)及其差值(?σ)与土壤墒情均具有一定的相关性,VV极化优于VH极化,差值优于原值;②在反演0～10 cm与0～20 cm深度土壤墒情时,BPσ、BP?σ、GA-BP?σ模型得到的结果精度均依次提高,其中GA-BP?σ模型的均方根误差0～10 cm为4.07％,0～20cm为3.42％;③3种BP神经网络模型皆与0～20 cm深度土壤墒情相关性较好,预测精度较高.研究表明:中原地区冬小麦全生育期地表粗糙度不变假设是成立的,后向散射系数差值(?σ)与土壤墒情的相关性更好,0～20 cm的根部墒情的遥测敏感度更高,     

基于MODIS-EVI的内蒙古沿黄平原区作物种植结构分析

【目的】获取内蒙古沿黄平原区农业资源信息,提高大区域中低分辨率遥感影像上作物种植结构分类的效率和精度。【方法】利用多时相作物分类方法在内蒙古沿黄平原区构建增强型植被指数(EVI)时间序列曲线,依据不同农作物EVI时间序列曲线的差异对6种主要农作物小麦、玉米、葵花、西葫芦、番茄和苜蓿的种植结构进行了分析。【结果】小麦、玉米、葵花、西葫芦、番茄、苜蓿和其他作物的用户精度分别为:79.59%、80%、83.67%、78.18%、75.93%、82.22%、68.75%,制图精度分别为78%、80%、82%、86%、82%、74%、66%,农作物总体分类精度达到78.29%,Kappa系数为0.747。经统计沿黄灌区种植的玉米实地统计面积合计为7912.17 km²,文中提取出的面积为7412.75 km²,相对误差为6.31%。【结论】通过对MODIS-EVI时间序列的分析可以较为准确地识别大尺度测区内的主要作物,该方法能够在大区域中低分辨率影像上实现较好的分类结果。     

基于Landsat8和Sentinel-1A数据的焦作广利灌区夏玉米土壤墒情监测方法研究

土壤水分是影响农业生产活动的重要因素,在旱情监测、农作物估产等方面有重要意义。研究采用水云模型来消除研究区域植被对后向散射的影响。建立植被含水量和归一化水指数的关系提取模型中所需的植被含水量参数。利用AIEM模型结合粗糙度参数Zs建立研究区土壤墒情反演模型,将模型应用于河南省焦作广利灌区,反演结果和实测值相关性达0.7。将水云模型与AIEM模型联合反演土壤墒情,取得了较为满意的结果,该方法具有较高的适用性。     

基于HJ-1马尾松叶面积指数的遥感反演

以福建省为研究区,利用环境星(HJ-1)CCD数据,选择并提取了与叶面积指数(LAI)关系密切的4种植被指数,即归一化比值植被指数(NDVI)、比值植被指数(RVI)、改进的土壤调节植被指数(mSAVI)及增强型植被指数(EVI),结合研究区内准同步马尾松LAI地面观测数据,通过研究各种指数与马尾松LAI之间的关系,选择与马尾松LAI相关最密切的RVI同实测LAI建立6种非线性回归模型,6种模型中以理查德模型建立的模型精度为最高,总体均值预报偏差相对误差为3.1%,并以此模型实现了福建省马尾松LAI遥感反演。     

玉米冠层LAI反演中UAV影像镜面反射去除方法

针对玉米叶片反射太阳光时因镜面反射导致获得的无人机影像反射率中存在与冠层结构无关的镜面反射部分,从而影响玉米冠层LAI的反演精度问题,本研究利用小波变换对无人机影像不同波段的阈值设置,在不影响漫反射的前提下削弱镜面反射成分,尽量只保留与冠层结构有关的反射率成分。以2018年7月15日和7月26日获取的河北农业大学辛集试验站多光谱无人机影像为数据源,构建了NDVI、GNDVI、SAVI和EVI 4个植被指数,并分别与ln(LAI)构建玉米冠层的单变量反演模型,利用决定系数和均方根误差进行LAI反演精度评价。精度评价结果表明,在7月15日玉米植株较稀疏时,去除镜面反射后,4个植被指数反演LAI与实测LAI的决定系数分别从0. 719 0、0. 559 8、0. 624 1、0. 598 5上升至0. 763 3、0. 694 0、0. 649 7、0. 619 4,均方根误差分别从0. 224 4、0. 252 6、0. 221 4、0. 224 5下降到0. 188 0、0. 195 8、0. 191 8、0. 198 7,说明去除镜面反射可以提高LAI的反演精度。在7月26日玉米植株相对茂密时,去除镜面反射后,4个指数构建模型对应的决定系数也同样提高,但在这种情况下,NDVI和GNDVI容易发生饱和,用阈值法降低反射率反而会加剧饱和现象,使这2个指数不能充分反映LAI的变化。SAVI和EVI因为加入了冠层背景调整因子,植被指数的变化得到放大,二者在去除镜面反射后与ln(LAI)拟合模型的决定系数都达到0. 6以上,因此,在植被覆盖较茂密时,SAVI指数和EVI指数更适合用于LAI反演。