中国大陆地区基于太阳辐射经验值计算ET0的适用性研究

太阳辐射是利用FAO推荐的Penman-Monteith(PM)公式计算参考作物需水量(ET_0)的必要参数。为了探究PM公式在辐射数据缺失的条件下,利用FAO推荐的公式及参数获得太阳辐射值(R_(s_c))替代观测值(R_(s_o))在中国大陆地区的适用性,本研究选用了中国大陆112个站点至少15 a的多年月平均观测数据,通过逐点计算分析了R_(s_c)和R_(s_o)的时空差异及二者分别输入PM公式获得的参考作物需水量ET_(0_c)和ET_(0_o)的时空差异。结果表明,R_(s_c)与R_(s_o)存在显著的时空差异性,二者相对差值范围为-2.86～4.41 MJ·m~(-2)·d~(-1),且在4—8月份差异较大;大致以"胡焕庸线"为界,线西北区域R_(s_c)与R_(s_o)的时空差异相对较小,且稳定,线东南区域的时空差异较大,且不稳定。但是,基于二者计算的ET_(0_c)和ET_(0_o)时空差异却不显著,平均只有0.06～0.26 mm·d~(-1)的误差;"胡焕庸线"西北地区的ET_(0_c)和ET_(0_o)绝对差值常年稳定在0.00～0.25 mm·d~(-1),"胡焕庸线"线东南地区则随季节而变化,夏季差异相对较大。在实际的应用中,西北地区全年和北方地区春、秋、冬三季以及长江、珠江流域所覆盖的南方地区在1、2、10、11、12月使用R_(s_c)替代R_(s_o)获得ET_0具有较好的适用性,北方地区的夏季、南方地区的3—9月份使用R_(s_c)计算ET_0则必须研究相应的方法对结果进行矫正,否则会有误差,且偏大。     

农业分区框架下Hargreaves-Samani公式的逐月回归修正

为验证中国农业综合分区框架下Hargreaves-Samani(HS)公式线性回归修正方案的适用性,利用中国气象数据网发布的124个站点1957—2016年的逐月有效日平均气压、平均最低气温、平均最高气温、平均风速、平均水汽压、月总太阳辐射数据及站点经纬度数据,首先,分别基于Penman-Monteith(PM)公式和HS公式计算了各站点多年逐月的参考作物需水量ET_(0-PM)和ET_(0-HS)。然后,以ET_(0-PM)为真值,基于1957—2010年的逐月ET_(0-PM)和ET_(0-HS),利用线性回归分析方法获取了中国38个农业管理子区的HS公式校正系数a、b,并以2011—2016年为验证年份,通过比较ET_(0-HS)校正前后的相对误差变化,验证了HS公式线性回归校正方法在中国农业区的适用性,并结合验证年份的具体误差结果,确定了各农业区HS公式校正系数a、b的逐月最优取值。结果表明:大部分农业区的大部分月份ET_(0-PM)与ET_(0-HS)的相关系数超过0. 6,可以进行ET_(0-HS)的回归校正;回归校正得到的系数a存在显著的季节变化规律,系数b则表现较为平稳;系数a、b的大小及变化说明了ET_(0-PM)和ET_(0-HS)彼此之间存在差异,且季节性明显;校正前后的ET_(0-HS)均存在不同程度的相对误差,但校正后的ET_(0-HS)的误差范围已经显著缩小;在具体的验证应用中,校正后的ET_(0-HS)并不完全是最优结果,实践中系数a、b的优选使用才是最佳方案。本研究验证的HS公式线性回归校正方法是实践中简便、可行的方案,对大尺度区域快速获得较高精度的参考作物需水量具有实际意义和推广价值。     

基于遥感技术的云南省生态系统水土保持价值测量

利用遥感影像数据进行生态系统净初级生产力、植被覆盖度等生态参数的采集，同时间接用于土壤保持量和水土保持价值的计算，结合修改过的USLE模型，对云南省生态系统2001，2002，2003年水土保持价值进行了测算，利用NPP对估算结果进行调整．以考虑生态系统类型、结构与质量差异对水土保持价值的影响。结果表明：云南省生态系统2001，2002，2003年土壤保持量分别为131798．92，117845．5，104176．71万t，对应的价值量分别为：1933．351，1707．579，1566．783亿元。3年中林地（39．01％）、灌丛（23．02％）、草地（18．75％）3类生态系统平均土壤保持量占全省的80．77％，在水土保持中起着关键作用，因此一定要加强西部和南部的林地、灌丛和草地等生态系统的保护与管理。从水土保持价值的空间分布来看。基本保持西多东少。南多北少的格局．这与当地植被地带性分布基本一致。3年间云南省生态系统水土保持价值是逐年减少的，耕地和城市植被的水土保持价值主要受人为因素的影响，而林地、灌丛、草地的水土保持价值减少主要是由降水逐年减少造成的。     

地表太阳辐射经验值对参考作物需水量计算的影响

针对中国太阳辐射站点观测数据较少的客观条件,以联合国粮农组织(FAO)建议的通过Angstrom公式及其参数计算的地表太阳辐射(R_(s-c))对中国九大农业区基于Penman-Monteith(PM)公式计算的参考作物需水量(ET_(0-PM))的影响为目标,利用中国地面气候资料月值数据集和中国辐射月值数据集中的112个站点1957年1月—2017年3月的气象要素逐月有效观测日均值数据,通过对比分析和相关分析,讨论了站点R_(s-c)与观测的地表太阳辐射(R_(s-o))的时空差异,以及二者分别输入PM公式获得的ET_(0-c)和ET_(0-o)的时空差异。结果表明:基于年内时空尺度的各农业区R_(s-c)和R_(s-o)存在显著且不稳定的差异,R_(s-c)直接替代R_(s-o)参与计算ET_(0-c)可能出现较大的误差。基于R_(s-c)和R_(s-o)分别计算的ET_(0-c)和ET_(0-o),无论是在全国,还是各个农业区,均存在显著的线性相关性,R~2超过0.67,ET_(0-c)平均值只有0.06～0.26 mm/d的误差。考虑中国的农业地域类型,应对北方地区的"春旱"灌溉需求,可以直接以R_(s-c)计算获得ET_(0-c),而在全国范围内的夏季"伏旱"期,输入R_(s-c)计算的ET_(0-c)比输入R_(s-o)计算的ET_(0-o)偏大。在高精度的节水农业应用中,建议研究相应的校正模型对夏季ET_(0-c)进行校准。     

土地覆盖类别面积混淆矩阵校正与回归遥感估算方法对比

混淆矩阵校正和回归估算是2类常用的,以遥感数据作为辅助的区域面积总量估算方法,但它们的相对效果及适用条件并不明确。该文根据遥感影像分类误差的分布规律模拟生成不同总体分类精度的图像,并在此数据的基础上,采用统一的抽样方案,以简单抽样反推方法为对比基准,探讨在不同的总体分类精度和不同的样本量下区域面积总量遥感估算方法的精度及稳定性。试验得到以下结论:1)相比于简单抽样反推方法,混淆矩阵校正和回归估算具有更好的准确性和稳定性;2)在各总体分类精度和样本量下,简单回归估计、比估计均具有良好的准确性和稳定性,相比于混淆矩阵校正,回归类方法略具优势;3)当遥感数据分类精度较低(≤60%)时,混淆矩阵逆校正的准确性和稳定性与简单抽样反推方法无明显区别,因此在此种情况下应尽量避免使用混淆矩阵逆校正方法。     

冬小麦遥感估产回归尺度分析

将统计业务和遥感估产结合起来,以北京市统计局提供的实割实测产量数据作为野外样方,利用抽样村和地块两种尺度的实测数据,用抽样村整体回归、地块整体回归和地块分层回归3种方法进行遥感估产,将所得结果与北京市统计局发布的统计单产从不同级别进行比较分析。结果表明,利用抽样村和地块两种尺度的实测数据进行回归估产都可以得到高精度的市级单产;在区县级别上利用地块尺度的实测数据进行估产得到的区县级单产精度高于抽样村尺度;在村级上利用地块实测数据进行单产预测能够较抽样村尺度更好的反映实际单产,模型更加稳定。因此,利用地块尺度的实测产量数据建立整体回归和分层回归模型都是可行,有效的,可以得到小区域尺度高精度的单产结果。     

基于多时相IRS-P6卫星AWiFS影像的水稻种植面积提取方法

水稻是中国的第一大粮食作物，准确的获得水稻种植面积具有重要的现实意义。IRS-P6卫星数据产品是近年来中等分辨率数据中有广泛应用前景的数据源之一，但是它在农作物种植面积提取方面的应用还有待进一步验证。选取中国典型水稻种植区安徽省怀远县作为试验区，利用2005年6月24日和9月9日的两个水稻典型物候期的IRS-P6卫星AWiFS数据对水稻种植面积识别进行了试验研究，根据两期水稻提取结果进行分区提取得到了较为准确的水稻种植面积。经过与IRS-P6高分辨率LISS-3识别结果进行对比分析，测量结果总体像元精度为88.58%，区域总量一致性为97.63%，略低于高分辨率识别结果。通过试验研究得到以下初步结论：1)利用多时相的IRS-P6卫星AWiFS数据分别分类后结果，进行分区提取的方法可以较精确的提取水稻的种植面积；2)水稻种植面积同样可以利用乳熟期的IRS-P6卫星AWiFS单期影像较准确的获得；3)IRS-P6卫星影像数据在农作物种植面积提取应用中有巨大的应用潜力。     

不同特征信息对TM尺度冬小麦面积测量精度影响研究

充分挖掘遥感数据信息，改善作物识别环境，一直是农作物遥感监测的重要工作。以往研究表明最佳波段组合、纹理信息和植被指数信息可以在一定程度上提高分类精度，但这些手段是否一定可以提高作物识别的精度，不同分类器对不同特征信息组合的响应是否一致等都是值得探讨的问题，也是目前研究甚少的问题。为此，该文将平均值(Mean)、方差(Variance)、均一性(Homogeneity)、反差(Contrast)、相异性(Dissimilarity)、熵(Entropy)、角二阶矩(Angular Second Moment)、灰度相关(Correlation)7种纹理信息以及比值植被指数(RVI)、土壤调整植被指数(SAVI)、重归一化植被指数(RDVI)、植被液态水含量指数(NDWI)、有效叶面积植被指数(SLAVI)5种植被指数信息分别加入到TM多光谱数据中，同时还进行了最佳波段选择，利用最小距离、最大似然和支持向量机3种方法进行分类提取小麦，研究了不同特征信息对小麦测量精度的影响。结果表明：该试验区内最佳波段5、4、3组合，纹理信息和植被指数信息的加入，对小麦面积测量精度的提高没有贡献；同一个特征信息组合对不同的分类器影响不同。在实际小麦面积测量的操作中，作业员不应该盲目的加入特征信息。选用何种信息不仅仅和研究区本身的性质有关，还和使用的分类器有关。     

基于多时相Sentinel-1SAR地表土壤水分反演的Alpha近似模型改进

针对多时相SAR数据反演土壤水分的Alpha近似模型存在入射角变化影响模型适用性的问题,在小扰动模型SPM的理论基础上推导得出改进的Alpha模型,并使用时间序列Sentinel-1SAR数据结合地面观测网络在黑河和温尼伯两个实验区进行算法验证。对反演结果和实测数据进行相关分析,使用改进后模型反演得到的土壤水分与实测数据间的相关系数分别由0.473、0.601提高至0.851和0.821,在严格的α系数边界设定条件下,均方根误差(m~3·m~(-3))分别由0.053、0.152减小至0.023和0.065;为进一步评价模型质量,引入水文领域中常用的模型评价指标纳什系数NSE,改进前后的NSE分别为-0.532、-1.243和0.713、0.588。结果表明,原始模型反演结果虽然和实测数据间呈现一定的相关性,但存在较大误差,而通过本文提出的改进模型可以很好地校正由于入射角变化带来的影响,得到较为可靠的结果,扩展了Alpha模型的应用。     

基于相似性分析的中低分辨率复合水稻种植面积测量法

 【目的】利用遥感技术获取大范围水稻种植面积是遥感技术在农业领域的主要应用方向之一。本研究的目的是探索利用多尺度遥感数据复合测量水稻种植面积的方法。【方法】以SPOT5数据的水稻识别结果作为样本,构建图像相似性指数,通过支持向量机（SVM）混合像元分解模型,对MODIS-EVI时间序列数据进行水稻的种植面积测量。【结果】通过江苏省邳州市的试验研究得出：（1）在野外经验支持下,从MODIS-EVI时间序列数据中构建的水稻种植相似性指数可以有效反映水稻在整个研究区的空间分布情况;（2）利用图像相似性选取训练样本,能有效地提高MODIS-EVI数据的水稻种植面积的测量精度,当图像相似性指数越小,即图像相似性越高,提取的水稻种植面积也越准确;（3）通过与随机样本测量结果对比分析,基于相似样本的测量方法有着更高的稳定性;（4）该方法在不同种植结构分区内有着相似的总量精度与像元精度变化规律,均能获得较高的测量精度。【结论】基于相似样本的水稻种植面积测量方法,有助于发挥MODIS长时间序列优势,提高水稻种植面积遥感测量精度和稳定性,可以作为替代随机选取样本的方法之一。