基于点扩散函数的条件植被温度指数降尺度转换方法

以陕西省关中平原为研究区域,基于MODIS数据反演的条件植被温度指数(VTCI)的定量化干旱监测结果(MODIS-VTCI)和基于Landsat数据反演的VTCI相对干湿监测结果(Landsat-VTCI),应用点扩散函数(PSF)将930 m空间分辨率的MODIS-VTCI降尺度转换至30 m,并对降尺度转换的VTCI进行定量化验证。结果表明,降尺度转换的VTCI与Landsat-VTCI间的相关系数和结构相似度均较大,降尺度转换的VTCI与累计降水量间的相关性和MODISVTCI与累计降水间的相关性相近,且均高于Landsat-VTCI与累计降水量间的相关性,说明降尺度转换的VTCI既考虑了Landsat-VTCI的空间变异,又保持了MODIS-VTCI较为准确的定量化干旱监测特性。     

2013年关中地区春旱的实时监测与剖析

陕西省关中地区春旱和伏旱频发,素有“十年九旱”之说。据气象部门报道,2012年年末至2013年年初,陕西省遭遇了自1961年以来最严重的一次气候干旱,严重影响了关中地区冬小麦的生长。为了进一步论述遥感干旱监测的实时性和宏观性,本文基于Aqua MODIS卫星遥感数据,采用条件植被温度指数(VTCI)干旱监测方法对关中地区2013年3月以来的干旱程度进行了监测并进行剖析。     

基于动态模拟的冬小麦水分胁迫敏感性研究

以关中平原为研究区域,在对农业技术转移决策支持系统(DSSAT)中的CERES-Wheat模型进行标定基础上,模拟冬小麦整个生育期以日为步长的实际蒸散量和潜在蒸散量,采用Jensen模型研究冬小麦不同生育时期对水分胁迫的敏感性。结果表明,无论旱作样点还是灌溉样点,冬小麦在同一生育时期对水分胁迫的敏感性相同,且拔节期的敏感性最强,抽穗~灌浆期次之,返青期和乳熟期依次递减。灌溉样点在拔节期和抽穗~灌浆期的水分胁迫敏感系数分别为0.589与0.342,对水分胁迫的敏感性相差较大,而旱作样点在两生育时期的水分胁迫敏感系数分别为0.405与0.383,对水分胁迫的敏感性相差较小,由于灌溉样点在拔节期发生水分胁迫现象可以通过及时灌溉以缓解缺水情况,因而会减弱其后抽穗~灌浆期的水分胁迫敏感性。根据水分胁迫敏感性,对不同生育时期缺水采取不同措施,较好地实现抗旱防旱资源的合理利用。     

基于粒子滤波和多变量权重的冬小麦估产研究

为了构建能够反映作物长势的综合性指标以及准确估测作物产量,采用粒子滤波算法同化CERES-Wheat模型模拟和基于Landsat数据反演的叶面积指数(Leaf area index,LAI)、地上生物量和0~20 cm土壤含水率,获取冬小麦主要生育期以天为尺度的变量同化值,分析不同生育时期的LAI、地上生物量和土壤含水率同化值与实测单产的相关性,并应用熵值的组合预测方法确定不同状态变量影响籽粒产量的权重,进而生成综合性指数,并分析其与实测单产的相关性。结果表明,LAI、地上生物量和土壤含水率同化值和田间实测值间的均方根误差(Root mean square error,RMSE)以及平均相对误差(Mean relative error,MRE)均低于这些变量模拟值和实测值间的RMSE和MRE,说明数据同化方法提高了时间序列LAI、地上生物量和土壤含水率的模拟精度。基于不同状态变量的权重生成的综合性指数与实测单产间的相关性大于单个变量与实测单产间的相关性;基于综合性指数构建小麦单产估测模型,其估产精度(R2=0.78,RMSE为330 kg/hm2)分别比基于LAI、地上生物量和土壤含水率建立模型的估产精度显著提高,表明构建的综合性指数充分结合了不同变量在作物估产方面的优势,可用于高精度的冬小麦单产估测。     

基于动态模拟的作物系数优化蒸散量估算研究

通过作物生长模型动态模拟的冬小麦全生育期潜在蒸散量和实际蒸散量计算冬小麦各生育时期的模拟作物系数,并与FAO提供的冬小麦各个生长阶段的标准作物系数对比,验证了其数值和变化趋势的准确性。基于地面实测和遥感反演的叶面积指数,建立了作物系数与叶面积指数的经验对数模型,根据遥感反演的叶面积指数获取冬小麦全生育期以天为步长的区域尺度的作物系数。利用冬小麦各生育时期模拟作物系数与以天为步长的区域尺度作物系数的比值优化蒸散量模型,获取关中平原2013—2014年冬小麦全生育期优化前后的蒸散量反演结果。通过与实测数据对比,发现优化前最大相对误差为14.36%,优化后最大相对误差为9.89%,优化后的蒸散量反演模型比未优化的蒸散量反演模型能够更加准确地反演冬小麦全生育期的蒸散量,特别是在低植被覆盖条件下的反演精度有明显的提升。     

应用粒子滤波同化条件植被温度指数的土壤水分估测

为了准确地获取2013—2015年关中平原冬小麦主要生育期土壤含水量(0~20 cm)的时空信息,基于Landsat-8遥感数据反演条件植被温度指数(CVTI),并结合CVTI和实测土壤水分间的线性相关性构建土壤水分反演模型。应用粒子滤波(PF)算法同化基于CVTI反演的和CERES-Wheat模型模拟的土壤水分,得到以天为步长的土壤水分同化值,利用土壤水分实测值分别检验土壤水分模拟值、反演值和同化值的精度。结果表明,CVTI和实测土壤水分间的线性相关性显著,尤其在小麦拔节期和抽穗~灌浆期,其相关性达到极显著水平(P0.01);土壤水分同化值和实测值间的线性相关性(r=0.96,P0.001)大于土壤水分模拟值和实测值间的相关性(r=0.71,P0.01)以及土壤水分反演值和实测值间的相关性(r=0.89,P0.001);土壤水分同化值的均方根误差(RMSE)和平均相对误差(MRE)比土壤水分模拟值的RMSE和MRE分别降低了0.025 cm~3·cm~(-3)和2.70%,比土壤水分反演值的RMSE和MRE分别降低了0.016 cm~3·cm~(-3)和4.15%,同化过程提高了时间序列土壤含水量的估测精度。因此,基于CVTI和PF算法能够较为准确估测关中平原小麦主要生育期的土壤含水量。     

基于Sentinel-1/2数据特征优选的冬小麦种植区识别方法研究

为了提高冬小麦种植区识别精度,本文基于谷歌地球引擎(Google Earth Engine, GEE)平台和随机森林算法,对比雷达和光学遥感数据对冬小麦提取效果的差异,并对多类特征变量进行重要性分析,研究特征优选对冬小麦识别精度的影响。选取2019年3—5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源,构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征、植被指数变化率特征共5类特征变量;设置不同数据源和不同特征组合的冬小麦种植区提取方案;对方案中特征变量进行优选,得出最优特征组合,利用最优特征组合对河南省驻马店市冬小麦种植区进行提取。结果表明,无论是否进行特征优选,基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度;经过特征优选后,各方案的分类精度均有不同程度的提升,说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同,贡献率由大到小为4月、3月和5月;贡献率由大到小的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特...     

应用中值融合模型的条件植被温度指数降尺度转换研究

为获得基于Landsat卫星遥感数据更为精确的定量化干旱监测结果,以陕西省关中平原为研究区域,基于Aqua MODIS数据反演的1 km空间分辨率的条件植被温度指数(VTCI)的定量化干旱监测结果(MODIS-VTCI)和Landsat OLI/TIRS数据反演的30 m空间分辨率的VTCI相对干湿监测结果(Landsat-VTCI),应用降尺度的中值融合模型(MFM)将基于MODIS数据反演的VTCI降尺度至30 m空间分辨率的VTCI定量化干旱监测,并对其结果进行验证。结果表明,应用降尺度的中值融合模型转换的VTCI定量化干旱监测结果(MFM-VTCI)与Landsat-VTCI的空间分布及纹理特征相似,两者间的相关系数和结构相似度均较大,均方根误差、差值影像及差值频数分布图所呈现的结果与定量化干旱监测结果和相对干湿监测结果间的系统误差相符,表明Landsat-VTCI与MFM-VTCI间的可比性较强。MFM-VTCI与累计降水间的相关性和MODIS-VTCI与累计降水间的相关性相近,均大于Landsat-VTCI与累计降水间的相关性,表明MFM-VTCI是定量化的干旱监测结果。     

基于VTCI空间尺度上推方法的干旱影响评估

基于关中平原Aqua MODIS条件植被温度指数(VTCI)的干旱监测结果,分别采用分布式和聚合式的主导类变异权重法(DCVW)、算术平均值变异权重法(AAVW)和中值变异权重法(MPVW)对市域单元内VTCI进行空间尺度上推,以获取冬小麦主要生育期聚合后的加权VTCI;以加权VTCI与冬小麦产量间的回归分析精度为参考,选择最为合适的空间尺度上推方法。结果表明:采用分布式获得的加权VTCI与冬小麦产量的回归分析结果整体优于聚合式获得的结果。在分布式的上推过程中,MPVW获得的加权VTCI与冬小麦产量间的回归分析精度较低,DCVW和AAVW的精度均较高,其中DCVW获得的加权VTCI与冬小麦产量间回归分析的决定系数R2达0.64,精度最高,说明采用分布式DCVW对市域单元内VTCI进行空间尺度上推得到的加权VTCI最为合理。