河南省冬小麦产量遥感监测精度比较研究

【目的】预测冬小麦产量,提高估产精度,为国家粮食生产安全宏观调控提供重要的数据和技术支撑。【方法】以河南省为研究区,利用时间序列MODIS-NDVI数据,结合河南省17个地市的产量数据以及河南省的冬小麦遥感监测面积数据,运用实时NDVI与产量数据建立线性模型、两年差值NDVI与对应的差值产量建立线性模型两种方法对河南省冬小麦产量进行预估,比较分析两种方法的精度。【结果】(1)两年差值归一化植被指数(dNDVI)明显比实时归一化植被指数(NDVI)更好地预估冬小麦产量。(2)实时NDVI预估单产产量相对误差基本可以满足要求,大部分在0.25以下,只有少数几个市(焦作、鹤壁、新乡、安阳)相对误差较高。(3)两年差值归一化植被指数(dNDVI)预估单产的整体误差均可以满足估产的要求,均在0.1以下。【结论】两年差值归一化植被指数(dNDVI)可以有效预测冬小麦产量,有利于提高估产精度。     

典型草地地上生物量遥感反演模型的建立

利用新疆阿勒泰地区富蕴县2011年9月野外典型草地地上生物量采样数据和同期接收的环境减灾卫星(HJ1A-CCD1)的遥感图像数据,分析了归一化植被指数(NDV)I、比值植被指数(RV)I与实测草地地上生物量的一元线性和非线性回归模型,并对不同回归模型进行分析比较。研究表明:植被指数NDVI与实测草地地上生物量之间存在较好的相关性;所建遥感植被指数与草地地上生物量的回归模型中,指数回归模型(y=3.716e26.758x,R2=0.815)最适合于监测草地地上生物量的遥感反演模型,并分析了该区域地上生物量的空间差异性。     

基于EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。     

基于SPOT5影像分析植被指数与水稻叶面积指数和产量的相关性

以2011年四川省德阳地区为研究区域,建立20个300 m×300 m样方,在水稻移栽(6月10日)、分蘖(7月10日)、抽穗(8月15日)及成熟期间(9月1日),每样方选取3个地块,每地块随机选择3个面积为1 m×1 m的样点并用GPS定位,基本在同一位置采集叶面积指数(LAI)、叶绿素含量、株高、行列距、干物质重、每公顷分蘖数、有效穗数、每穗粒数、千粒重等生态参数,测算出单产、经济系数,以SPOT5多光谱影像(2011/8/18,261/287)提取归一化植被指数(NDVI),研究每一样方内水稻区植被指数与叶面积指数、产量等定量关系。结果表明,NDVI与抽穗期LAI相关性极显著(r=0.703**),与其他3个时期LAI相关性低;NDVI与成熟期测定的单产、经济系数相关性也较低;通过抽穗期遥感影像提取的植被指数,可反演同时期水稻叶面积指数;利用单时相遥感影像反演最终单产和经济系数,需要进一步研究。     

利用卫星遥感进行冬小麦籽粒淀粉含量监测研究

 通过对不同年份、不同区域的遥感影像的植被指数和小麦GPS定点长势数据的综合分析，基于遥感影像信息获取的瞬时性和准确性，结合小麦灌浆期间气候环境条件对籽粒品质形成的影响特点，建立了基于不同生育期（拔节期、抽穗期以及灌浆期）遥感影像归一化植被指数（NDVI）和气候环境因子（气温、日照、氮素营养、土壤水分）的籽粒淀粉含量监测模型，并对模型的可靠性进行了检验。结果表明，模型的监测值与实测值较为一致，利用拔节期、抽穗期、灌浆期遥感影像NDVI和气候环境数据预测籽粒淀粉含量的RMSE值分别为4.57%，4.2%和3.84%。模型监测性能好，且具有解释性，可以用于不同年度、不同区域和不同小麦生长阶段对籽粒淀粉含量的预测。     

不同生长期杉木植被指数与蓄积量的关系

处于不同生长期的人工杉木林,其各种生物量的生长和呈现的植被光谱区别较大。利用野外林木的样地实测数据和QuickBird遥感影像呈现的植被光谱,从高分辨率遥感影像获取一系列植被指数,评价不同生长期的人工杉木林的生长状况。结果表明:多个植被指数与蓄积量存在显著的正相关关系,其中比值植被指数(RVI)与蓄积量的相关性大于归一化植被指数(NDVI)、环境植被指数(EVI)和归一化差异绿度指数(NDGI),特别是在杉木处于速生阶段时,可将比值植被指数作为其它估测模型的一种验证。     

基于冠层时序植被指数的冬小麦单产预测

【目的】研究冬小麦冠层时序植被指数的动态变化规律并基于其构建单产预测模型,为田间实时、准确获取作物单产信息提供有效的技术手段。【方法】本研究于2017—2019年在江苏省兴化市万亩粮食产业园开展不同品种及氮肥水平的田间小区试验,利用主动传感器RapidSCAN CS-45获取冠层归一化红边植被指数(normalized difference red edge,NDRE)和归一化植被指数(normalized difference vegetation index,NDVI),基于双Logistic函数拟合时序植被指数并提取曲线特征参数,进而分析各特征参数与单产的相关关系,并以独立试验数据对单产预测模型进行验证。【结果】NDRE在孕穗期和抽穗期与单产关系最好,R~2达到0.84以上;通过多元逐步线性回归法发现,利用2个或多个时期NDRE预测单产的效果较单生育时期有所提高,且第一和第二被选择的时期分别为拔节期和孕穗期。基于全生育时期相对NDRE(relative NDRE,RNDRE)和相对NDVI(relative NDVI,RNDVI)构建时序曲线,并利用曲线特征参数建立单产预测模型,其中RNDRE和RNDVI的最大值、累积值及增长速率与单产关系较好。利用独立试验数据对上述单产预测模型进行检验,结果表明基于RNDRE时序曲线最大值和累积值所构建的单产模型验证效果较好,R2~大于0.80,相对均方根误差和相对误差均小于10%,其验证效果优于单时期或多时期基于NDRE的预测模型,且优于基于NDVI构建的单产模型。【结论】基于冠层时序植被指数提取的特征参数RNDRE最大值和累积RNDRE具有良好估测单产的潜力,研究结果为田间进行实时、准确预测冬小麦单产提供了技术支持。     

东辽河流域土壤含水量遥感模拟

温度植被干旱指数(Temperature-Vegetation Dryness Index,TVDI)是一种基于光学与热红外遥感通道数据进行植被覆盖区域表层土壤含水量反演的方法。针对传统的TVDI模型未考虑地表能量平衡因素对地表温度(Ts)的影响和大气及土壤背景对植被指数影响的问题,首先利用数字高程模型(Digital Elevation Model,DEM)影像对研究区做地形校正,消除地形起伏和覆盖类型差对地表温度的影响;其次分析地表温度(Ts)与比值植被指数(RVI)、归一化植被指数(NDVI)、增强型植被指数(EVI)、修正土壤调整植被指数(MSAVI)等植被指数模型和实测土壤含水量的相关性,选择相关性最高的Ts/MSAVI反演土壤含水量。结果表明,Ts/MSAVI能够有效对东辽河地区土壤含水量进行估算。     

基于冠层时序植被指数的冬小麦单产预测

【目的】研究冬小麦冠层时序植被指数的动态变化规律并基于其构建单产预测模型,为田间实时、准确获取作物单产信息提供有效的技术手段。【方法】本研究于2017—2019年在江苏省兴化市万亩粮食产业园开展不同品种及氮肥水平的田间小区试验,利用主动传感器RapidSCAN CS-45获取冠层归一化红边植被指数（normalized difference red edge,NDRE）和归一化植被指数（normalized difference vegetation index,NDVI）,基于双Logistic函数拟合时序植被指数并提取曲线特征参数,进而分析各特征参数与单产的相关关系,并以独立试验数据对单产预测模型进行验证。【结果】NDRE在孕穗期和抽穗期与单产关系最好,R²达到0.84以上;通过多元逐步线性回归法发现,利用2个或多个时期NDRE预测单产的效果较单生育时期有所提高,且第一和第二被选择的时期分别为拔节期和孕穗期。基于全生育时期相对NDRE（relative NDRE,RNDRE）和相对NDVI（relative NDVI,RNDVI）构建时序曲线,并利用曲线特征参数建立单产预测模型,其中RNDRE和RNDVI的最大值、累积值及增长速率与单产关系较好。利用独立试验数据对上述单产预测模型进行检验,结果表明基于RNDRE时序曲线最大值和累积值所构建的单产模型验证效果较好,R²大于0.80,相对均方根误差和相对误差均小于10%,其验证效果优于单时期或多时期基于NDRE的预测模型,且优于基于NDVI构建的单产模型。【结论】基于冠层时序植被指数提取的特征参数RNDRE最大值和累积RNDRE具有良好估测单产的潜力,研究结果为田间进行实时、准确预测冬小麦单产提供了技术支持。     

基于开花期卫星遥感数据的大田小麦估产方法比较

【目的】卫星遥感具有覆盖范围广、获取速度快、信息量大、动态性强等优势,能够及时准确地获取作物产量信息,反映作物产量空间变化趋势。遥感技术作物估产已成为现代农业生产中研究热点。通过改善遥感估产建模方法,以实现进一步提高大田作物遥感估产精度,为宏观了解不同区域作物产量形成情况及变化趋势提供直观、可靠的参考。【方法】论文结合2011—2012年江苏省大丰、兴化、姜堰、泰兴、仪征5个县区的定点观测试验,以国产卫星产品HJ-1A/1B影像为遥感数据,于小麦开花期开展大田定位观测区卫星遥感植被指数、关键生长指标与收获期单产间的定量分析。通过对产量与小麦生长指标以及植被指数进行定量关系分析,进一步增强遥感反演的机理性和重演性。将卫星遥感变量与小麦产量进行相关关系分析作为遥感估产的直接建模方法,间接建模方法则是选取与产量相关性较好的遥感变量以及与遥感变量相关性较好的主要苗情指标,利用筛选得到的敏感遥感变量,首先监测对应的小麦生长指标,结合该小麦生长指标与产量间的定量关系,进而建立间接估产模型,利用此模型进行小麦遥感间接估产。利用直接和间接建模方法,以相关性最高为原则,筛选估算产量的敏感卫星遥感变量。以2012年试验数据为建模样本,采用线性回归分析方法,分析小麦开花期苗情指标、产量与卫星遥感变量两两之间的相关性,分别构建以遥感植被指数为基础的大田小麦估产模型,与地面实测结果一起建立模型共同分析。以2011年试验数据为验证样本,选取评价指标拟合度(R2)和均方根误差(RMSE),对两类模型的估算精度进行验证和比较,以提高遥感反演的定量化水平和可信度。【结果】分别以差值植被指数(difference vegetation index,DVI)和比值植被指数(ratio vegetation index,RVI)为基础的单因子直接估产模型的均方根误差(root mean square error,RMSE)为918 kg·hm-2和1 399.5 kg·hm-2,以DVI和RVI遥感变量构建双变量估产模型的RMSE为1 036.5 kg·hm-2,以归一化植被指数(normalized difference vegetation index,NDVI)和叶片氮积累量为基础构建的间接估产模型的RMSE为805.5 kg·hm-2,说明开花期HJ-1A/1B影像估算小麦区域产量是可行的,且精度较高;经比较,以NDVI和叶片氮积累量为基础的间接估产模型精度明显高于直接估产模型,相较于DVI直接估产模型RMSE降低了112.5 kg·hm-2,相较于RVI直接估产模型RMSE降低了594 kg·hm-2,相较于双因子模型RMSE降低了231 kg·hm-2。【结论】国产卫星HJ-1A/B可以较好满足估测小麦产量要求,且利用间接方法建立作物遥感估产模型要好于直接方法,研究结果为利用遥感技术更为准确估算大田小麦产量提供了一种新的途径。     

利用Beer-Lambert消光定律遥感反演玉米叶面积指数

利用遥感技术反演大范围玉米叶面积指数,对于田间肥水管理、长势监测乃至产量预测具有重要意义。在野外实测样本的支持下,获取玉米抽雄期的Landsat-8多光谱影像,引进Beer-Lambert定律,利用最小二乘法分析玉米冠层结构的消光系数,构建玉米叶面积指数遥感反演模型,最后采用交叉验证法评价模型精度。结果表明：玉米抽雄期NDVI、LAI呈较明显的正相关关系;基于Beer-Lambert定律的玉米叶面积指数遥感反演模型决定系数可达0.97,LAI空间分布状况与当地农业技术推广部门掌握的玉米实际生长状况基本一致,说明利用Beer-Lambert消光定律方法可以有效地反映玉米群体结构对光照的影响,据此开展玉米叶面积指数遥感反演具有较高的可行性。     

Active remote sensing and grain yield in irrigated maize

Advances in agricultural technology have led to the development of active remote sensing equipment that can potentially optimize N fertilizer inputs. The objective of this study was to evaluate a hand-held active remote sensing instrument to estimate yield potential in irrigated maize. This study was done over two consecutive years on two irrigated maize fields in eastern Colorado. At the six- to eight-leaf crop growth stage, the GreenSeeker? active remote sensing unit was used to measure red and NIR reflectance of the crop canopy. Soil samples were taken before side-dressing from the plots at the time of sensing to determine nitrate concentration. Normalized difference vegetation index (NDVI) was calculated from the reflectance data and then divided by the number of days from planting to sensing, where growing degrees were greater than zero. An NDVI-ratio was calculated as the ratio of the reflectance of an area of interest to that of an N-rich portion of the field. Regression analysis was used to model grain yield. Grain yields ranged from 5 to 24 Mg ha^?1. The coefficient of determination ranged from 0.10 to 0.76. The data for both fields in year 1 were modeled and cross-validated using data from both fields for year 2. The coefficient of determination of the best fitting model for year 1 was 0.54. The NDVI-ratio had a significant relationship with observed grain yield (r ² = 0.65). This study shows that the GreenSeeker? active sensor has the potential to estimate grain yield in irrigated maize; however, improvements need to be made.     

Estimating the effect of urease inhibitor on rice yield based on NDVI at key growth stages

The effect of the urease inhibitor, N-(n-butyl) thiophosphoric triamide (NBPT) at a range of application rates on rice production was examined in a field experiment at Jinxian County, Jiangxi Province, China. The normalized difference vegetation index (NDVI) was measured at key growth stages in both early and late rice. The results showed that the grain yield increased significantly when urea was applied with NBPT, with the highest yield observed at 1.00% NBPT (wt/wt). NDVI differed with the growth stage of rice; it remained steady from the heading to the filling stage. Rice yield could be predicted from the NDVI taken at key rice growing stages, with R² ranging from 0.34 to 0.69 in early rice and 0.49 to 0.70 in late rice. The validation test showed that RMSE (t·hm^-2) values were 0.77 and 0.87 in early and late rice, respectively. Therefore, it was feasible to estimate rice yield for different amounts of urease inhibitor using NDVI.     

沈阳地区旱田植被指数变化与产量关系的研究

以沈阳地区为研究实例,利用NASA对地观测系统EOS系列卫星遥感影像,经过了滤波处理MODIS归一化植被指数（NDVI）数据,对研究地区的旱田作物进行不间断监测.计算出2003 ～ 2007年的年平均NDVI,分析出NDVI年际变化特征、作物生育期内的NDVI变化规律,并找出产量与植被指数变化关系.结果表明,沈阳地区旱田植被指数的年际间差异明显,旱田作物生育进程与作物生育期内NDVI变化规律大致吻合,这表明作物产量与遥感植被指数间存在较好的相关.因此,根据同期地面作物产量调查数据与MODIS遥感数据,采用一次线性拟合法建立回归方程,简单分析出沈阳地区旱田作物产量与NDVI变化关系.     

基于PyWOFOST作物模型的东北玉米估产及精度评估

【目的】构建合理的作物估产方案,提高作物估产精度。【方法】本文以基于集合卡尔曼滤波（Ensemble Kalman Filter,EnKF）构建的遥感信息-作物模型结合模型（PyWOFOST）为基础,建立了以LAI为结合点,适用于中国东北地区玉米的同化模拟模型,并使用MODIS LAI数据作为外部同化数据进行同化模拟,重点分析了遥感观测（MODIS LAI）和模型参数（出苗-开花期所需积温,TSUM1）的不确定性（即随机误差）对同化模拟结果的影响。最后,利用PyWOFOST模型实现了区域尺度上的玉米估产。【结果】同化外部观测数据后的玉米模拟产量较未同化外部数据的模拟产量有明显改善,20个未受灾害影响的农气站玉米产量同化前的模拟误差及在TSUM1的不确定性为0、10、20、30℃时的同化后模拟误差分别为14.04%、12.71%、11.91%、10.44%及10.48%;同化后的模拟LAI普遍较同化前的模拟LAI更接近实测LAI,更符合玉米LAI的变化趋势;同化前模拟发育期与实测发育期平均绝对误差为3.4 d,而同化后在TSUM1的不确定性为0、10、20、30℃时模拟发育期与实测发育期的平均误差分别为3.5、4.3、5.0、5.5 d。区域尺度上玉米估产结果表明,58.82%的区域玉米估产误差在15%以内,同化产量和统计产量的确定系数为0.806。【结论】基于集合卡尔曼滤波同化遥感信息进行作物估产是可行的。     

基于高分辨率遥感影像的玉米田叶面积指数反演

根据玉米田样地生物物理参量的野外实测数据,对PROSAIL模型输入参数的取值范围进行率定。通过PROSAIL模型参数敏感性分析,确定不同的输入参数设置方案,模拟不同的叶面积指数、叶倾角、叶绿素含量对应的玉米冠层反射率,建立叶面积指数的缨帽三角分布模式,从而获得玉米田红光-近红外波段反射率-LAI查找表,选取宁夏中卫市WV-3高分辨率遥感影像对玉米种植区域LAI进行反演。通过与实测数据比较,分析了PROSAIL模型在高分辨率遥感影像农作物LAI反演方面的适用性,为高分辨率遥感影像反演农作物LAI提供了方法参考。结果表明,PROSAIL模型输入参数的范围率定与不同设置方案的确定是有必要的,并且运用该查找表从WV-3影像反演的LAI与实测数据较一致,查找表均方根误差为0.47,LAI反演均方根误差为0.24。研究表明,该方法在利用WV-3遥感影像进行玉米田LAI反演中具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。     

基于高光谱和激光雷达遥感的水稻产量监测研究

【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年（2016—2018年）包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度（R² = 0.64—0.69）优于光谱数据的估算精度（R² = 0.20—0.58）;基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强（不同生态点：RRMSE 16.69%—17.85%;同一生态点：RRMSE 11.37%—12.41%）。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。     

基于多生育期MODIS-NDVI的区域冬小麦遥感估产研究

以河南省开封市为研究区,采用2005—2013年种植区域冬小麦生育期内16 d合成的250 m空间分辨率的归一化植被指数(NDVI)之和,与冬小麦产量数据进行相关分析,筛选得到最佳遥感估产时相,建立单变量回归模型;同时,基于冬小麦生长的各个关键时期NDVI构建多元回归模型,再通过主成分分析方法对多元回归模型参数进行改进,得到新的估产模型;最后使用开封市2014年的产量数据对估产模型进行验证,旨在构建具有较高精度的估产模型,从而更好地指导小麦生产。结果显示,3种估产模型的估产误差均控制在10.55%内,根据3个模型得到研究区内冬小麦最佳产量预测时段为3月下旬,即拔节期;3个模型中,主成分回归估产模型的产量拟合精度最高,达93.12%,具有一定的实用价值。     

Evaluation of two crop canopy sensors for nitrogen variability determination in irrigated maize

Advances in precision agriculture technology have led to the development of ground-based active remote sensors that can determine normalized difference vegetation index (NDVI). Studies have shown that NDVI is highly related to leaf nitrogen (N) content in maize (Zea mays L.). Remotely sensed NDVI can provide valuable information regarding in-field N variability and significant relationships between sensor NDVI and maize grain yield have been reported. While numerous studies have been conducted using active sensors, none have focused on the comparative effectiveness of these sensors in maize under semi-arid irrigated field conditions. Therefore, the objectives of this study were (1) to determine the performance of two active remote sensors by determining each sensor’s NDVI relationship with maize N status and grain yield as driven by different N rates in a semi-arid irrigated environment and, (2) to determine if inclusion of ancillary soil or plant data (soil NO₃ concentration, leaf N concentration, SPAD chlorophyll and plant height) would affect these relationships. Results indicated that NDVI readings from both sensors had high r ² values with applied N rate and grain yield at the V12 and V14 maize growth stages. However, no single or multiple regression using soil or plant variables substantially increased the r ² over using NDVI alone. Overall, both sensors performed well in the determination of N variability in irrigated maize at the V12 and V14 growth stages and either sensor could be an important tool to aid precision N management.