基于近地高光谱棉花生物量遥感估算模型

分析棉花地上鲜生物量冠层高光谱反射率变异系数，反射率光谱、一阶微分光谱与地上鲜生物量相关关系得结果表明：在可见光近红外波段棉花冠层反射率光谱变异系数在672 nm波段处最大；棉花地上鲜生物量与反射率光谱相关系数最大值在可见光波段出现在589~700 nm，在近红外波段出现在865~919 nm波段，且前者大于后者。地上鲜生物量与一阶微分光谱相关系数在可见光波段出现524~528 nm、552~588 nm、710~755 nm 3个高值区。基于以上研究，选择19个高光谱特征参数建立了棉花地上鲜生物量高光谱遥感监测模型，经检验，单波段中以F₆₂₉估算水平最高，估算模型为Y = 9.7914 exp(－20.738 F629)，准确度为83.9%、RMSE为0.64 kg m^-2、预测值与实测值相关系数为0.940**；组合参数以[629, 901]指数形式估算模型估算水平最高，模型为Y = 0.0986 exp(4.3696[629, 901])，准确度达84.0%，RMSE为0.55 kg m^-2，预测值与实测值相关系数为0.960**，上述两个模型为参选模型中估算棉花地上鲜生物量最佳高光谱估算模型。     

水稻地上鲜生物量的高光谱遥感估算模型研究

不同氮素营养水平的水稻田间试验,采用单变量线性与非线性拟合模型和逐步回归分析,用1999年试验数据为训练样本,建立水稻鲜生物量的高光谱遥感估算模型,用2000年试验数据作为测试样本数据,对其精度进行评价和验证.结果表明,高光谱变量与地上鲜生物量之间的线性与非线性拟合分析中,一些高光谱特征值如红边波长(λr)、绿峰最大     

棉花产量遥感预测的L-Y模型构建

本文利用LAI动态与棉花产量的关系建立了叶面积指数—产量（L-Y）模型,以期利用多时相遥感数据,实现对棉花产量定量遥感预测。模型建立以小区控制和大田生产试验数据为基础,以农学原理为背景,采用数学推演方法,具简单、灵活、普适性强等特点。检验结果表明,用便携式光谱辐射计测定棉花冠层高光谱反射率,以棉花全生育期LAI动态与棉花产量的关系和近地高光谱遥感参数模型监测的多时相LAI,可很好地定量预测棉花产量,估算误差约为5.44%,RMSE达到116.2 kg·hm^-2,预测值与实测值相关系数为0.836,达极显著水平。L-Y模型为棉花卫星遥感估产提供了参考模型,对其他作物使用动态生长信息提高遥感估产水平也有一定的借鉴意义。     

基于高光谱植被指数的棉田冠层特征信息估算模型研究

 采用ASD Field Spec Pro VNIR 2500型光谱辐射仪获取了棉花不同生育时期的冠层高光谱反射率。并通过光谱分析技术,建立了基于高光谱植被指数——归一化植被指数和比值植被指数的棉田冠层特征信息的定量模型。经过对估算模型的精度检验和评价,最终筛选出表征棉花冠层结构特征参数的最佳估算模型。结果表明,基于归一化植被指数预测棉花叶面积指数,以幂函数（y=11.084x^12.024,r=0.8076^**）的模型为最优;基于比值植被指数预测棉花单位面积地上部鲜生物量,以指数函数（y=52.261·exp(0.1024x),r=0.8114^**）的估计模型为最优;基于比值植被指数预测棉花单位面积地上部干生物量,以指数函数（y=9.5552·exp(0.1133x),r=0.8330^**）的模型为最优。可见,利用高光谱遥感技术可以分析、模拟、评价、预测棉花冠层特征参量,为精准种植棉花提供了依据。     

基于高光谱植被指数的棉花干物质积累估算模型研究

利用北疆8个棉花主栽品种(其中2个棉花品种设4水平种植密度)的各生育期冠层高光谱数据,经多元统计分析与光谱微分处理,建立了基于比值植被指数(RVI)和归一化植被指数(NDVI)的5种函数形式的棉花干物质积累估测模型,相关系数均达到了极显著水平(α=1%,n=96)。基于RVI和NDVI构建的估测模型,前者比后者具有更高的估测精度,指数函数、对数函数和双曲线函数形式的模型可以产生较高的预测精度;一阶微分光谱数据与棉花干物质积累量的逐步回归相关分析表明,相关系数的最高值发生在748 nm波段处(r=0.6920**),由748 nm波段处的微分数值建立的回归模型,估测精度较高,具有实际应用的潜力。     

永定县烟后稻氮磷钾适宜配比研究

通过3414试验探讨了烟后稻氮磷钾适宜配比,结果表明667m2施N10.27kg、P2O53.03kg、K2O6.45kg时产量最高,667m2施N9.16kg、P2O52.58kg、K2O4.37kg时施肥效益最佳。     

棉花黄萎病疑似病田的卫星遥感监测——以TM卫星影像为例

研究TM卫星影像最佳时相(单一时相)对黄萎病疑似病害棉田诊断和分类的技术与方法,为棉花生产提供具有针对性的管理方案,对促进棉田均衡增产、增效具有重要的意义。本研究通过分析试验区多时相卫星影像及准同步地面调查数据,从中优选病害棉田卫星影像诊断的最佳波段和时相,对黄萎病疑似病害棉田分类并地面验证。结果表明,棉花的关键生育期,健康与病害棉田在TM影像上明显不同,由此建立病害棉田解译标志是可行的,TM₄波段可作为病害棉田卫星监测的最佳波段,棉花盛铃期(7月下旬至8月中旬)可作为黄萎病卫星监测的最佳时相。基于上述分析,在病害发生的最佳时相,利用平行六面体监督分类方法将示范区黄萎病疑似病害棉田划分为健康、轻病和重病棉田,其中2年病害棉田的面积分别占29%和23%。2年黄萎病疑似病害棉田分类结果的总体精度和Kappa系数均高于85%。进一步制作的棉花病田专题图也很好地反映了棉田内部的病害情况。因此,可利用多时相遥感数据进行棉花黄萎病疑似病田的诊断。     

定量遥感参数与作物肥水模型链接初探

针对当前作物肥水模型和定量遥感参数在农业上应用的各自局限性 ,提出通过完善定量遥感的输出接口和作物模型的输入接口 ,将定量遥感参数与作物肥水模型进行链接 ,通过建立不同生育时段订正的绿度指数和叶片氮素分段函数以及订正的湿度指数与耕层土壤、植株水分及产量品质函数 ,使得生产上大范围、动态的肥水监测成为可能 ,最后对应用链接模型通过不同肥水管理措施对作物产量和品质进行调控的前景进行了展望     

卫星遥感在森林病虫害监测上的研究进展

总结了近20年来卫星遥感技术在森林病虫害监测领域的研究进展,并概括了遥感监测模型的主要应用形式,指出了目前卫星遥感监测森林病虫害工作的局限性,展望了其应用前景。目的在于为卫星遥感监测森林病虫害工作提供一种有益的启示。     

玉米大豆轮作遥感监测技术研究

基于黑龙江省北安市2014—2015年的Google Earth影像、多时相OLI数据和Rapid Eye影像,采用遥感目视解译的方法,构建了玉米大豆轮作遥感监测业务化技术流程。主要技术环节包括数据预处理、地块位置与面积信息的精准获取、农作物类型识别、精度验证、变化统计等5个内容。研究结果表明:工程区域总面积4528.7 hm~2,计有447个地块;其中,2014年玉米轮作为2015年大豆的地块为193块3794.4 hm~2,大豆轮作为玉米的地块为65块88.0 hm~2;采用地块逐一调查的方式进行验证,地块吻合率为100.0%。研究提出的技术方法具有较高的地块测量准确性和监测效率,可以作为农作物种植结构调整政策落实程度核查技术使用。     

基于遥感和GIS的柴达木盆地太阳能估算方法研究

为了科学了解太阳能资源,验证地面实测气象资料与卫星资料的相关性,通过利用遥感和GIS技术,对青海高原太阳能资源丰富区——柴达木盆地的太阳能资源进行反演,以回归统计法求取地面总辐射,用红外资料、可见光和红外数字卫星等资料,估算地面总辐射并与地面实测气象资料进行对比分析,并进行模型检验。结果表明：遥感资料反演和实测值变化很吻合,相关系数超过90%。利用静止气象卫星FY2C资料反演计算地表太阳总辐射,能填补气候学方法的不足,能提高定量研究辐射的空间精度。     

基于分层抽样的平湖市小麦种植面积遥感测算方法研究

为了更准确地了解县级粮食播种面积,笔者以浙江省平湖市为例,利用高分一号和RapidEye 卫星的影像数据,通过监督分类提取小麦的大概种植区域,在小麦种植区域范围内分层抽样,在保证95%置信区间95%估算精度前提下,估算浙江省平湖市2015 年小麦种植面积为141.73 km2。该结果与平湖市小麦实际种植面积较为相符,说明采用监督分类的方法并且结合分层抽样估算县级粮食播种面积的方法是可行的,此方法适用于浙江省县级粮食播种面积业务化运行。     

遥感技术在植物氮营养诊断和推荐施肥中的应用之研究进展

·通过对遥感技术在作物氮营养诊断方面的研究与最新进展进行了综述，系统评价了高光谱遥感技术、可见光数字图像技术和卫星遥感技术在作物氮营养诊断与氮肥推荐方面的原理、优缺点以及目前的研究现状。认为遥感技术在作物氮营养诊断方面仍然存在技术复杂与设备昂贵等方面的问题，但随着技术的发展，遥感技术在未来精确养分管理方面有广阔的应用前景。     

遥感信息与棉花模型结合反演模型初始值和参数的方法研究

通过将遥感信息(叶面积指数LAI)与棉花模型结合,建立了遥感-棉花反演模型,用以反演棉花模型所需的初始数据和参数,解决模式在从单点扩展到区域应用时缺少初始输入的问题。反演的参数为播种期、种植密度、生育期施氮量和灌溉量。通过对反演模型检验,初步确定反演模型是正确的。另外,在区域上初步应用的结果表明,反演的参数和模拟的产量与实际情况吻合较好。     

Estimation of Leaf Area Index of Beta vulgaris L. Based on Optical Remote Sensing Data

Remote sensing and vegetation indices can be used to characterize the canopy of crops with a non‐destructive method on a large scale. Leaf area formation of sugar beet in early summer is the most important variable for crop growth models. This study aimed at estimating whether differences in leaf area development of sugar beet resulting from different agronomic practices can be determined with remote sensing. The relationship between the normalized difference vegetation index (NDVI) and leaf area index (LAI) during the season and yield of the storage root in autumn was studied in six field trials in 2001 and nine field trials in 2002. The vegetation index NDVI gave a good impression of differences in leaf development of sugar beet in early summer. LAI increased with increasing NDVI up to an NDVI of 0.65. Above that the NDVI did not respond as distinctly to treatments as the LAI. An exponential function was developed to calculate sugar beet LAI from NDVI, so that remote sensing data can be used as input variable for crop growth models. The yield of the storage root in autumn did not show any relationship to LAI or NDVI during the season, regardless of whether it was measured in June or September. Therefore, it seems to be necessary to combine NDVI data with crop growth models to forecast a potential sugar beet yield in autumn. For this purpose the formula presented is a valuable tool.