遥感监测土壤含水率模型及精度分析

土壤含水率是决定农作物产量的最重要的因素之一.该文通过对2003年10月到2005年3月宝鸡峡二支渠灌区的土壤含水率进行实地调查,并对TM5和TM7波段数据进行归一化处理,再与参考点归一化土壤湿度指数求差后,建立遥感影像对土壤含水率的监测模型.并以2005年6月28日遥感影像为例,用建立的模型对土壤含水率进行定量反演.结果表明,反演精度可达80%以上,反演效果最好的土壤深度是0～40 cm.应用此归一化土壤湿度指数模型监测土壤含水率,可以满足灌区大范围宏观监测要求.     

典型农业干旱遥感监测指数的比较及分类体系

面对多种多样的农业旱情遥感监测指数,如何进行选取是目前遥感指数应用所面临的主要难题。该文以MODIS产品为遥感数据源,比较分析了13种典型的农业干旱遥感监测指数,建立了农业干旱遥感监测指数的分类体系,阐述了不同指数类型的适用范围。结果表明,多种遥感干旱指数对农业干旱的描述并非完全一致。不同指数利用不同的地表特征变化来描述农业干旱程度,是造成这种不一致的主要原因。据此,研究将典型农业干旱遥感监测指数分为4大类:土壤水分变化类、冠层温度变化类、植被水分变化类和作物形态及绿度变化类。其中第1类指数比较适宜于农业旱情预警及土壤干旱型农业旱情的监测,这类指数中修正的垂直干旱指数MPDI可以较好地反映表层土壤水分的变化,并适宜于时序变化监测。第2类指数不仅适宜于旱情预警,更适宜于旱情监测,这类指数中推荐选择基于LAI-LST特征空间的温度植被干旱指数TVDI;第3、4类指数,较适宜于农业旱灾的预警以及灾后评估,该文为农业干旱遥感监测指数的选取提供参考。     

基于综合干旱指数的毛乌素沙地腹部土壤水分反演及分布

为了克服单一干旱监测指数在复杂覆盖类型的适用性问题,以复杂覆盖类型的毛乌素沙地腹部乌审旗为例,在传统归一化干旱指数(normalized difference drought index,NDDI)、土壤湿度监测指数(soil moisture monitoring index,SMMI)、温度植被干旱指数(temperature vegetation drought index,TVDI)3个单一干旱监测指数的基础上,通过层次分析法确定各指数的权重,结合野外不同覆盖类型实测的土壤含水率数据,分别进行回归分析,建立多指数综合干旱监测模型,基于此模型分析研究区表层土壤水分的空间分布。结果表明:3个单一干旱指数在一定程度上均能客观反映旱情特征,与表层土壤含水率呈现不同程度的负相关,温度植被干旱指数相关性最好为0.604。引入结合多指数的综合干旱监测指数模型,在8月、9月草地和沙地与表层土壤含水率指数模型的决定系数R2均在0.7以上,高于基于单一指数模型的拟合精度。基于该模型,研究区研究区表层土壤含水率整体较低,体积含水率不高于0.15 cm~3/cm~3的面积分别占96.47%(8月)和94.8%(9月)。总体上从东到西,由北到南土壤含水率逐渐降低,与实测表层土壤样本的描述性统计结果有较好的空间一致性。     

温度植被干旱指数反演全国土壤湿度的DEM订正

 用温度植被干旱指数(TVDI)反演土壤湿度的原理,是基于水分蒸发和植被蒸腾对地表温度的降低作用。随高程增加气温降低,气温影响地表温度,因而随高程增加气温对地表温度也有一定的降低作用。用数字高程模型(DEM)对地表温度t s进行订正,可以减少气温对地表温度的影响,使得经过DEM订正获取的TVDI,能更好地反映土壤湿度。订正前后结果的对比分析也表明,经过DEM订正获取的温度植被干旱指数,与实测值有更好的相关性,能更好地反映土壤湿度分布的实际情况。     

基于温度植被干旱指数的江苏淮北地区农业旱情监测

为实现江苏省淮北地区农业旱情监测,利用Savitzky—Golay(S-G)滤波方法,对2011—2012年江苏省淮北地区1-5月MODIS的归一化植被指数(normalized difference vegetation index,NDVI)和地表温度(land Surface temperature,LST)8 d产品进行重构,去除原8 d数据的噪声,填补受云影响而缺失的数据。基于重建后的NDVI和LST数据,计算温度植被干旱指数(temperature vegetation dryness index,TVDI);分析TVDI和土壤湿度之间的关系,构建土壤湿度反演模型。最后,利用另外1组数据验证所建土壤湿度模型的精度。研究结果表明:1)S-G滤波方法能够提高MODIS LST和NDVI数据质量,并能对缺失数据进行填补;2)TVDI方法能够实现试验区土壤湿度反演,所建模型在试验区具有一定的普适性,反演精度较高(R2=0.575,RMSE=2.59%);3)TVDI方法在江苏省淮北地区干旱监测中得到了较好的应用,能够成功地监测出江苏淮北地区2011年和2012年春旱。该研究可为农业旱情的快速监测提供借鉴。     

基于遥感温度植被干旱指数的小蠹虫害预警

针对小蠹虫对森林的危害隐蔽强,症状滞后性明显,在其早期发生时进行遥感识别非常困难。该文基于干旱和虫害存在一定的时滞相关性的假设,提出基于温度植被干旱指数(temperature vegetation dryness index,TVDI)预报小蠹危害的方法。以遭受大面积连续干旱和小蠹危害的云南省中部的石林县为案例区,利用Landsat数据,建立归一化植被指数(normalized difference vegetation index,NDVI)-地表温度(land surface temperature,Ts)特征空间,估算逐像元TVDI。基于地面小班调查的虫害等级数据(健康、轻度、中度和重度4个等级),比较不同虫害等级斑块TVDI差异。同时,以持续干旱2011年轻度受害区为例,结合受害前后云南松林NDVI差值(difference of NDVI before and after the forest attacked by bark beetles,d NDVI)表征实际受害程度的方法,建立TVDI与d NDVI的关系,对2012年进行预测。结果表明,2010-2015年,受害区整体呈下降趋势,TVDI由西向东逐渐变大。健康云南松林TVDI显著高于虫害云南松林(P0.05),且虫害越严重,TVDI越小;2011年,TVDI与d NDVI呈显著负相关(P0.05),可以用线性模型进行拟合,拟合决定系数R2为0.322。采用模型对2012年实际发生情况进行预测,得到预测与实测d NDVI均方根误差RMSE为0.237。在整体干旱的环境下,相对湿润的地方小蠹虫害更严重。因此,可以根据TVDI空间分布特征,找出TVDI相对较小的区域,作为虫害可能发生的重点关注区域,该研究对及时发布虫情监测信息有建设性的意义。     

基于温度植被干旱指数的四川伏旱遥感监测与影响评估

利用2006年7～8月的NOAA/AVHRR数据,依据温度植被干旱指数(TVDI)对2006年四川伏旱进行监测与评估。采用了干旱监测合成滤云新技术,分析了Ts—NDVI特征空间属性和TVDI指数干旱监测能力,提出了四川伏旱TVDI计算模型、分级标准、和影响评估方法,结果表明：1)按最大地表温度原则得到的旬合成数据比按最大植被指数原则得到的旬合成数据具有更强的旱情监测能力;2)在Ts—NDVI特征空间中当NDVI较小时干湿边几乎同为水平直线,两者相差约45℃;3)TVDI指数因其大小不同而对旱情的监测能力也不一样,较小时说明没有干旱发生,较大时则一定有干旱发生,中间段对干旱的监测具有不确定性;4)2006年四川伏旱遥感监测与气候监测结果基本一致,农作物受旱面积与饮水困难人口数估算误差在10%以内。     

基于温度植被干旱指数的兖州煤田煤炭开采影响边界遥感提取

为识别植被覆盖区煤炭开采的生态影响边界,该文以兖州煤田为研究区域,应用温度植被干旱指数TVDI(temperature vegetation drought index)反演沉陷积水区外围的土壤湿度空间分布特征,利用MATLAB拟合TVDI变化趋势并依据其趋于稳定的渐近线,反解煤炭开采活动对矿区生态的影响边界,将其与采用MSCS(mining subsidence prediction system,MSCS)软件预计获得的下沉10 mm沉陷边界进行对比。结果表明:不同距离的TVDI中位数随距积水区边缘距离的变化表现为先增加后趋于平稳、呈指数变化特征;基于TVDI分析得到的煤炭开采的非积水影响范围,仅相当于沉陷积水面积的2.07倍,预计沉陷非积水面积与预计沉陷积水面积之比为4.63倍。通过模型拟合遥感指数随距离的变化特征,能够获得煤炭开采的影响边界;兖州煤田基于TVDI获取的煤炭开采影响面积,相对小于预计的开采沉陷面积。该研究可为确定煤炭开采对生态影响的边界提供参考。     

典型旱年农业干旱遥感监测指标在东北地区生长季的表现

以8d为时间尺度,以土壤相对湿度（RSM）为参考指标,采用相关分析方法,分析评估典型旱年2009年作物生长季内分别表征降水、土壤和作物的3个类别10种农业干旱遥感监测指数在东北地区的适用性。结果表明：（1）生长季中、后期,综合考虑冠层温度和植被特征的温度植被干旱指数（TVDI）与RSM的相关系数绝对值在0.5左右,对土壤湿度变化较敏感,可用于该生长阶段的农业干旱监测;（2）考虑作物前期缺水的累积作物缺水指数（ACWSI）是与RSM相关性较好的指数之一,在生长季前期和后期与RSM的相关系数绝对值在0.47以上,表现良好,但应用过程中需注意累积效应的时间尺度;（3）表观热惯量（ATI）更适于生长季前期干旱监测,改进型能量指数（MEI）适用于各种植被覆盖条件,但存在一定不稳定性;（4）考虑前期累积降水的APCI指数比仅考虑8d降水的条件降水指数PCI更能反映土壤湿度状况,特别是在生长季中、后期,可作为其它监测指数的补充;（5）条件植被指数（VCI）、归一化差异水分指数（NDWI）与RSM相关性较低,对现时土壤湿度的反映不敏感,不适于研究区内短时间尺度的农业干旱监测。研究结果可为东北地区开展农业干旱监测选取合适指标提供参考,也可为农业干旱指数的广泛应用构建可行性框架。     

基于温度植被旱情指数的徐州市郊干旱遥感监测

利用Landsat TM/ETM+数据,以徐州市郊为研究区,获取归一化植被指数(NDVI)、土壤调整植被指数(SAVI)和地表温度(Ts)信息,分别构建NDVI-Ts和SAVI-Ts特征空间,依据这两个特征空间计算出研究区2001年4月3日和2007年5月14日的温度植被旱情指数TVDI(NDVI)和TVDI(SAVI),并分别与地表温度(Ts)和降水量进行了相关评价.结果表明,TVDI可用于实现大范围的干旱监测,SAVI能够修正NDVI对土壤背景的敏感,基于SAVI的反演结果明显优于基于NDVI的反演结果,能够有效地运用于干旱监测.     

红外遥感估算春小麦农田土壤含水率的试验研究

根据水分亏缺条件下作物蒸发蒸腾量计算公式及作物水分胁迫指标CWSI(Crop Water Stress Index)的定义,提出了基于遥感作物冠层温度和土壤水分修正系数的春小麦田土壤含水率估算公式,其中土壤水分修正系数采用了幂函数形式。用该公式对春小麦田土壤含水率在分蘖后-拔节抽穗期、抽穗开花-灌浆期和乳熟-黄熟期3个生育阶段进行了估算,并对估算值和实测值进行对比和误差分析,结果表明该模型估算春小麦根层土壤含水率误差保持在18%以内。     

区域蒸散和表层土壤含水量遥感模拟及影响因子

以甘肃省武威市为研究区域,应用灌溉前后两景Landsat TM-5卫星遥感数据,采用SEBAL模型进行了区域蒸散估算,综合应用归一化植被指数(NDVI)和地表温度(Ts),计算了该区域的条件植被温度指数(VTCI),并估算了表层土壤含水量(0～20 cm)。在获得区域净辐射通量、地表温度以及植被覆盖度空间分布的基础上,进一步对灌溉前后两景影像中日蒸散和表层土壤含水量的影响因素进行了分析。结果表明,区域蒸散和表层土壤含水量的遥感估算与地面同步观测值比较,能较好地反映研究区域的蒸散和地表含水量的空间变异特征。当土壤较干时,区域蒸散的空间分布变异较大,而表层土壤含水量的空间变异较小。在灌溉前后两景影像中,日蒸散与净辐射通量、地表温度和覆盖度之间都有极显著的相关性,决定系数均在0.90以上,而日蒸散量与表层土壤含水量的相关性以灌溉后较高。此外,表层土壤含水量与地表温度、覆盖度都呈显著的相关性,但比较而言,地表温度指数关系的离散性较小,相关系数也大。但地表温度、覆盖度与表层土壤含水量的相关性都依赖于土壤干湿程度,通常土壤越湿,相关性也越高。     

干旱遥感监测模型在中国冬小麦区的应用

温度植被干旱指数（TVDI）和植被供水指数（VSWI）由于其物理意义明确,且数据易于获取,因此成为近些年在遥感旱情监测中应用较多的两个模型。为更好地完成遥感监测任务,提高精度,以全国冬小麦主产区为研究区域,利用EOS/MODIS数据,构建两个干旱指数模型,对2009年冬小麦作物主要生长时期进行干旱监测应用,并将其与不同深度土壤湿度进行相关分析、线性拟合比较及应用验证,认为两指数与10 cm深度土壤湿度相关性较好,TVDI大部表现为极显著相关,VSWI的相关性表现差于TVDI。基于土壤湿度的遥感旱情监测,TVDI比VSWI更能体现区域旱情变化趋势,其优势更明显。     

水土流失区生态变化的遥感评估

水土流失是世界面临的一个严峻问题,它已给全球的生态造成了严重的威胁,及时快速地监测水土流失区的生态变化已显得尤为重要。为此,该文提出遥感生态指数(RSEI)来监测水土流失区的生态变化。该指数选取了绿度、湿度、热度和干度作为四大生态指标,并分别以遥感植被指数、湿度分量、地表温度和土壤-建筑指数为代表。同时采用主成分变换技术来集成各个指标,使各指标的权重是由数据本身的性质来决定,而不是人为的设定。将RSEI应用于福建长汀水土流失区的结果表明,RSEI指数可以定量地评价水土流失区生态修复的效果。数据显示,该区经过20多年的水土流失治理,RSEI生态指数值上升了17%,生态为优良的等级所占的面积比例从33.9%上升到52.3%,总体反映了该区的生态质量有了较明显的提高。     

玉米作物系数无人机遥感协同地面水分监测估算方法研究

该文研究不同水分胁迫条件下无人机遥感与地面传感器协同估算玉米作物系数的可行性。利用自主研发的六旋翼无人机遥感平台搭载多光谱传感器获取内蒙古达拉特旗昭君镇试验站不同水分胁迫下大田玉米冠层光谱影像,计算植被指数,采用经气象因子和作物覆盖度校正后的FAO-56双作物系数法计算玉米的作物系数,研究作物系数与简单比值植被指数(simple ratio index,SR)、叶面积指数(leaf area index,LAI)和表层土壤含水率(surface soil moisture,SM)的相关关系,结果表明,作物系数与SR、LAI和SM的相关程度与水分胁迫程度有关,但均呈现出显著或极显著的线性关系,说明了基于这些指标建立作物系数估算模型的可能性。利用逐步回归分析方法建立了作物系数的估算模型,其估算模型,修正的决定系数、均方根误差和归一化的均方根误差分别为0.63、0.21、25.16%。经验证,模型决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21、23.35%。研究结果可为利用无人机多光谱遥感平台进行作物系数估算提供技术参考。     

光照与阴影对无人机热红外遥感监测土壤含水率的影响

为探究作物冠层受阳光直射或阴影遮挡对无人机热红外遥感诊断作物水分胁迫、监测土壤含水率的影响,该研究以不同灌溉处理的夏玉米为研究对象,将热红外图像划分为光照冠层、阴影冠层、光照土壤、阴影土壤4个部分,分别提取光照温度与阴影温度后计算了11:00、13:00、15:00的冠气温差（冠层温度与大气温度之差,ΔT）、作物水分胁迫指数（crop water stress index,CWSI）、蒸发比（潜热通量与有效能量的比值,evaporative fraction,EF）,并对比了3种指数在不同时刻使用光照温度（ΔT_L、CWSI_L、EF_L）与阴影温度（ΔT_S、CWSI_S、EF_S）后对土壤含水率的监测效果变化情况。结果表明：1）3种指数的监测效果会随时间发生变化,11:00与15:00时EF监测效果较好,13:00时CWSI监测效果较好,ΔT的监测效果较差但随时间波动最小;2）拔节期在区分光照温度与阴影温度后监测效果在11:00时提升幅度最大,EF、EF_S、EF_L的R²分别为0.54、0.65、0.78,CWSI、CWSI_S、CWSI_L的R²分别为0.47、0.64、0.70,抽雄期与灌浆期使用光照温度对监测效果提升不大,但使用阴影温度的指数监测效果有明显降低,在13:00时CWSI_S较CWSI有最大降幅,R²降幅分别为0.11、0.06;3）在拔节期与抽雄期使用11:00的EF_L,在灌浆期使用13:00的CWSI能取得最好的土壤含水率监测效果,预测土壤含水率的R²分别为0.75、0.75、0.89。该研究可以为无人机热红外监测土壤含水率提供参考。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一.针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农...     

棉花生长初期灌溉信息遥感提取与校正

为提高生长初期低覆盖度作物长势的遥感监测精度,需要消除灌溉引起的土壤水分背景变化对归一化差值植被指数(NDVI)的影响。为了实现棉花生长初期灌溉信息提取与校正,提高棉花作物长势监测与产量预判精度,本文以美国加利福尼亚州San Joaquin Valley的2个棉花地块为研究区,选取棉花生长初期灌溉过程中的遥感影像,构建两种灌溉信息提取方法(分阶段阈值法和灌溉线提取法),确定最优灌溉像元提取方法;比较分析灌溉与未灌溉情况下棉花的NDVI与归一化差值水分指数(NDWI)以及土壤调节植被指数的关系,提取含有灌溉信息的像元,并对NDVI进行校正,消除灌溉对NDVI的影响。研究结果表明:在棉花生长初期,灌溉与未灌溉像元NDVI变化率达12%,差异较显著;灌溉与否的棉花NDVI与NDWI间均存在极显著的线性关系,决定系数在0.80以上;利用灌溉线方法提取灌溉信息与分阶段阈值相比精度更高,精度达88%以上;校正后线性回归模型精度达0.95,灌溉校正效果明显,灌溉与未灌溉像元的NDVI差异减小至2%。本研究通过对含有灌溉信息像元NDVI值的校正,去除灌溉对NDVI造成的影响,反映了真实的植被信息,可实现对作物生长初期长势的准确遥感监测,为遥感定量监测提供便利。     

基于NDVI-SI特征空间的土壤盐渍化遥感模型

同时考虑植被和土壤信息,构建盐渍化遥感信息提取模型。选取具有长期研究基础的塔里木南缘于田绿洲为研究靶区,综合分析归一化差值植被指数（NDVI）、盐分指数（SI）二者之间的关系,在此基础之上提出NDVI-SI特征空间概念,并构建土壤盐渍化遥感监测指数模型（SDI）,结果表明：土壤表层含盐量与SDI相关性较高,其R2=0.8596。非盐渍地、轻度盐渍地、中度盐渍地、重度盐渍地的SDI平均值分别为0.399,0.763,0.974和1.201,差异较大;经差异性矩阵分析,亦表明SDI能够很好的区分研究区内不同盐渍化程度地类的分布范围。SDI能反映盐渍化土壤地表盐量组合及其变化,具有明确的生物物理意义,并且指标简单、易于获取、有利于盐渍化定量分析与监测,对今后干旱区盐渍地信息提取以及动态监测研究具有重要意义。