利用RADARSAT-2雷达数据与改进的水云模型反演冬小麦叶面积指数

利用微波遥感反演植被参数往往受到植被分布不均、稀疏植被覆盖、地表裸土等因素影响,导致微波遥感用于农业参数估计的效果不佳。为解决微波遥感反演地表植被参数的问题,本研究在原有的水云模型基础上引入植被覆盖度以及裸土对于雷达后向散射系数的直接作用信息,提出一种改进的水云模型,并充分考虑地表植被的覆盖分布情况,结合地面实测数据及RADARSAT-2雷达数据对改进模型进行验证,然后根据改进模型通过查找表法反演出植被含水量,最后利用叶面积指数与植被含水量的经验关系间接得到叶面积指数的估测值。结果表明,改进的水云模型对后向散射系数的模拟精度比原有的水云模型精度高,模拟的决定系数在HH和VV极化时分别为0.850和0.739,均方根误差分别为0.918dB和1.475dB。由此可见,改进的模型对研究区植被条件更为敏感,能够较好地分离出植被与土壤信息对雷达后向散射系数的影响,同时利用其反演得到的叶面积指数精度较高,决定系数达到0.841,均方根误差为0.233。     

基于Prosail模型和Landsat 8数据的小麦冠层含水量反演比较

为对比分析Prosail模型和Landsat 8数据在植被含水量反演中的效果,以冠层等效水厚度为植被含水量指标,首先基于地面实测植被参数和Landsat 8波谱响应函数,得到基于Prosail模型的宽波段反射率,并基于模拟宽波段数据和TM8卫星数据构建归一化植被指数（NDVI）、增强型植被指数（EVI）及两种归一化差值水分指数（NDWI）,评价每种指数与小麦冠层含水量的相关性,再基于模拟植被数据、TM8植被数据和小麦冠层含水量,开展植被水分含量的建模和验证分析。结果表明,基于Prosail模型模拟得到的NDWI5和基于Landsat 8构建的NDWI5在小麦冠层含水量反演中的精度均优于NDVI、EVI和NDWI7,且二者的反演精度较为一致,可为地面实测数据过少的区域植被冠层含水量遥感反演提供一种新的思路。     

综合近红外-红波段-短波红外三波段光谱特征空间的小麦冠层含水量反演

为提高返青期-拔节期-开花期-灌浆期不同覆盖条件下小麦冠层含水量的遥感反演精度,综合分析基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量监测的优势与局限,利用垂直干旱指数（perpendicular drought index,PDI）和短波红外垂直失水指数（shortwave infrared perpendicular water stress index,SPSI）的比值形式,构建了一种基于近红外-红波段-短波红外（Nir-Red-Swir）三波段光谱特征空间的垂直植被水分指数（three-band perpendicular vegetation water index,TPVWI）。结果表明,在不同生育时期,TPVWI与小麦冠层含水量（vegetation water content,VWC)均具有显著相关关系（P<0.01）,且对植被含水量的敏感性优于PDI、作物水分监测指数（plant water index,PWI）、SPSI和NDVI 4种植被指数,且在反映小区域内小麦冠层含水量的时空趋势上有较好的表征能力。对比地面实测数据,利用TPVWI建立的作物含水量估测模型的预测精度较高,r与RMSE分别为0.763和2.296%,说明利用综合Nir-Red-Swir三波段光谱空间特征的植被水分指数在监测不同覆盖条件下的作物含水量具有一定的可行性,可丰富当前作物冠层含水量遥感监测的理论方法。     

基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares, PLS)、极限学习机(extreme learning machine, ELM)和粒子群算法(particle swarm optimization, PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其r²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%～75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为...     

基于近地高光谱与TM遥感影像的冬小麦冠层含水量反演

为探讨利用近地高光谱和TM遥感影像数据评估作物冠层水分状况的可行性,以北京顺义通州为研究区域,以冬小麦为研究对象,首先基于Landsat TM5的光谱响应函数,利用地面实测的冬小麦全生育期冠层高光谱窄波段反射率数据来模拟TM5卫星宽波段反射率,然后利用模拟的TM5数据的NIR波段(第4波段)和2个SWIR波段(第5和7波段)反射率分别构建水分指数(WI)和归一化差异水分指数(NDWI),并利用地面实测数据建立冠层叶片含水量(LWC)和等效水厚度(EWT)的遥感估算模型,最后选取最优的水分估算模型,利用TM5卫星遥感影像数据对研究区域小麦冠层水分含量进行反演与应用。结果表明,利用TM5数据中SWIR第5波段比第7波段构建的水分指数更有优势;WI对估算LWC的效果较好,而NDWI在EWT估算方面效果较好,应用TM5宽波段模拟数据模型验证的冬小麦冠层含水量的r2和RMSE分别为0.57和0.51、3.89%和0.024。同时从TM遥感影像的反演结果来看,开花期的冬小麦冠层水分高于拔节期。     

模拟多光谱卫星传感器数据的冬小麦白粉病遥感监测

为了解利用遥感技术快速大范围监测小麦白粉病病害情况的可行性,以Landsat5TM波段响应函数为基础,将地面实测冠层高光谱数据模拟为TM多光谱数据,从而分析卫星传感器多光谱波段对病害的响应情况,并构建多光谱指数(PMSI)估测白粉病严重度。在此基础上,采用2010年星-地配套数据对PMSI估测精度进行验证。结果表明,PMSI能够较准确地反映冬小麦白粉病发生的程度,获得较理想的病情严重度反演精度(r2=0.475,RMSE=0.129)。因此采用多光谱卫星遥感影像在小麦大面积种植区域进行病害监测具有应用潜力。     

基于连续小波变换定量反演冬小麦叶片含水量研究

为了解连续小波转换对利用冬小麦冠层高光谱数据反演叶片含水量精度的提高效果,以河北省衡水市安平县为研究区,基于野外高光谱数据,提取、筛选其光谱特征敏感波段,应用光谱指数、连续小波变换进行光谱处理,并采用偏最小二乘法构建冬小麦叶片含水量的定量反演模型。结果表明,连续小波变换可明显凸显冬小麦冠层光谱特征,提升其对叶片含水量的敏感性。在连续小波变换下,基于1尺度构建的冬小麦叶片含水量的反演模型为最优模型,模型的决定系数(r~2)和RMSE分别为0.756和0.994%,独立样本验证时r~2和RMSE分别为0.766和1.713%,说明反演模型的拟合效果和预测精度均较高。因此,利用连续小波变换可将冠层光谱信息进行二次分配,能有效将有益信息与噪声信息进行分离,提升光谱信息对冬小麦叶片水含量的敏感性,增强冬小麦叶片水含量的预测能力与稳定性。     

基于连续小波变换耦合CARS算法的冬小麦冠层叶片含水量估算

为实现干旱地区冬小麦冠层叶片含水量的快速测定,以陕西省乾县为研究区,基于野外冬小麦冠层高光谱数据和实测叶片含水量,对原始光谱进行连续小波变换（continuous wavelet transform,CWT）后得到的小波能量系数与实测含水量进行相关性分析;并通过竞争性自适应重加权采样（competitive adaptive reweighted sampling,CARS）过滤冗余变量,筛选与叶片含水量相关性较好的波长变量,作为优选变量集;通过粒子群算法(particle swarm optimization,PSO)对BP神经网络模型进行优化,构建冠层叶片含水量预测模型并进行分析。结果表明,从尺度1到尺度10,小波系数与冬小麦叶片含水量整体相关性先升后降,中等分解尺度在光谱波段去除噪声、提高相关性方面最佳;基于CARS优选变量集所建的两种模型中,BP-PSO模型预测能力明显优于普通BP神经网络模型,其决定系数可达0.82,均方根误差为0.86%,相对误差为0.82%。这说明CWT-CARS-BP-PSO耦合算法在提升相关性、过滤冗余波段、提高模型预测精度方面效果显著,可用于冬小麦叶片含水量预测。     

旱作雨养区玉米丰产增效技术模式适宜性评价——基于秸秆利用视角

以吉林省西部旱作雨养区的白城洮北区为研究区,结合土壤养分情况、实测数据及实地调研数据,从种粮主体认可性因素、农业可持续性因素两个方面选取有效磷提高率、速效钾提高率、管理难易程度、产投比、单产、作业成本、用工量、有机质提高率、土壤容重9个指标,构建旱作玉米丰产增效技术模式适宜性评价体系,运用投影寻踪模型方法对玉米丰产增效技术模式进行适宜性评价。结果表明,在研究区采用的4种秸秆覆盖模式和4种秸秆旋混模式及两种常规模式中,免耕+秸秆粗略粉碎归行覆盖模式最适宜在研究区进行推广应用。该模式产投比最高,用工最少,作业成本较低,长期秸秆覆盖能够提升土壤养分和改善土壤理化性状。     

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。     

基于Radarsat-2的冬小麦种植面积提取方法研究

为探寻基于Radarsat-2的冬小麦种植面积提取方法,以设立在江苏盐城研究区的冬小麦为研究对象,选用2014年3月3日-2014年6月7日期间5期Radarsat-2全极化影像,采用支持向量机法和最大似然法分别对各时相的冬小麦种植面积进行提取,并以地面实测GPS样方进行精度验证。结果表明,以支持向量机法和最大似然法提取冬小麦面积的精度均在4月20日达到最高,分别为66.4%和63.9%。对4月20日支持向量机法的冬小麦面积提取结果进一步进行耕地地块优化和碎小图斑去除处理后,冬小麦面积的提取精度可提高到79.6%。     

基于GF-6/WFV卫星遥感的大田冬小麦叶片氮素含量估测

为对大田冬小麦叶片氮素含量（LNC）进行快速、准确及无损监测,通过在江苏省泰州泰兴市、盐城大丰区和南通如皋市布设冬小麦遥感监测大田试验,在获取试验样点冬小麦冠层红光波段反射率（RED_ref）、近红外波段反射率（NIR_ref）和计算的十个光谱指数（RVI、NDVI、DVI、SAVI、OSAVI、MSR、RDVI、EVI2、NLI和SVI）基础上,将12个遥感光谱指标与冬小麦LNC进行相关分析,选出与LNC相关性较好的作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型, 并利用GF-6/WFV卫星遥感影像对县域冬小麦LNC的空间分布开展监测。结果表明,12个遥感光谱指标与冬小麦LNC之间存在不同程度的相关性,其中NDVI、RVI、MSR、OSAVI和NLI与冬小麦LNC的相关性较好（相关系数不低于0.65）。将优选的5个遥感光谱指标作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型（LNC-BPEM）,模型的估测精度r²=0.866,RMSE=0.246%,ARE=12.9%。将冬小麦LNC-BPEM估测模型和GF-6/WFV影像结合对县域冬小麦LNC的空间信息监测,获得了如皋县域冬小麦LNC的空间分布特征,该区域冬小麦LNC范围在0.9%~2.0%（长势正常）的种植面积为29 693.3 hm²,占冬小麦总种植面积的74%。这说明利用GF-6/WFV卫星的多个遥感光谱指标与神经网络结合建模可有效估测县域大田冬小麦叶片氮素含量。     

县域冬小麦生物量动态变化遥感估测研究

为给生产管理中及时掌握县域冬小麦长势的动态变化提供有效手段,以江苏省沭阳县为研究区,基于冬小麦生物量形成的生理生态过程,重构冬小麦生物量遥感估测模型。选用两景不同时相的HJ星影像数据,利用植被指数反演的LAI数据,对冬小麦生物量模型进行参数修订,并对县域冬小麦拔节期生物量的空间分布进行估测。在此基础上,进一步估测冬小麦抽穗期生物量分布特征及其动态变化特点。结果表明：（1）冬小麦拔节期生物量估测值和观测值范围分别为2 054.3~4 828.3 和1 962.5~4 568.4 kg·hm^-2 ,平均值分别为3 148和3 045.5 kg·hm^-2 ,RMSE为214.8 kg·hm^-2 ,决定系数为0.919 1,表明冬小麦生物量模型模拟精度较好;（2）冬小麦抽穗期生物量较拔节期发生明显变化,其中长势变化快的田块面积为20 108.7hm,占总种植面积的23.4%。春季气候因素的转好以及肥水措施的实施对冬小麦营养与生殖共生阶段的生长起到明显促进作用。说明本研究提出的基于遥感反演信息与生长模型协同的冬小麦生物量估测方法能有效估测县域冬小麦不同生长时期生物量的空间分布及其动态变化。     

关中冬小麦叶片氮素含量高光谱遥感监测模型

为给黄土高原大范围的冬小麦氮素营养遥感监测提供理论依据,通过田间试验,研究了冬小麦叶片氮素含量遥感监测的最佳生育时期、最敏感波段及其他最优光谱参量。结果表明,灌浆期是利用高光谱遥感监测冬小麦叶片氮素营养状况的最佳生育时期;在拔节、抽穗和灌浆期680nm波段光谱反射率R680均能较好地反映冬小麦叶片氮素含量,基于光谱位置以及叶面积指数的光谱参量也能较好地反映冬小麦叶片氮素含量。拔节期、抽穗期和灌浆期分别以680nm波段光谱反射率R680、绿峰反射率Rg和植被指数(SDr-SDb)/(SDr+SDb)对小麦叶片氮素含量的拟合效果最佳,其回归方程分别为Y=27.54-280.247 X+1456.245 X2、Y=8.632 X-0.24和Y=25.83 X1.012。     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...     

基于Landsat-8和LSMM的冬小麦面积提取研究——以皖北为例

美国国家航空航天局（NASA）成功发射了最新系列的陆地卫星（Landsat-8）,搭载的陆地成像仪（OLI）对波段进行了重新调整,从而避免了大气吸收干扰,能够更好地区分植被和无植被特征,为农业遥感提供了全新的高质量数据。本文选取皖北（阜阳、蚌埠、宿州）为研究区域,以Landsat-8遥感影像为研究数据,经缨帽变换得到遥感影像的主成分信息,并用其分量甄选出不同地物的端元,最后建立线性混合像元模型（LSMM）,并对皖北地区冬小麦进行提取。与历史统计数据对比,冬小麦种植面积的提取精度达到了90%以上,说明利用Landsat-8和LSMM开展大尺度范围的小麦种植面积提取具有明显的优势。     

Assimilating Remotely Sensed Information with the WheatGrow Model Based on the Ensemble Square Root Filter forImproving Regional Wheat Yield Forecasts

Abstract

In this study, a deterministic algorithm named Ensemble Square Root Filter (EnSRF), an algorithm significantly improved from the Ensemble Kalman Filter (EnKF), was used to integrate remotely sensed information (ASD spectral data, HJ-1 A/B CCD and Landsat-5 TM data) with a wheat (Triticum aestivum L.) growth model (WheatGrow). The analyzed values of model variables, leaf area index (LAI) and leaf nitrogen accumulation (LNA), were calculated based on EnSRF without perturbed measurements. Independent datasets were used to test EnSRF and the root mean square error (RMSE) values were 0.81 and 0.82 g m-², with relative error (RE) values of 0.15 and 0.13, for LAI and LNA, respectively. RMSE values for LAI and LNA were 1.39 and 1.70 g m-², respectively (RE, 0.28 and 0.34) based on EnKF, 1.17 and 1.80 g m-² (RE, 0.24 and 0.35), respectively, based on the WheatGrow model alone, and 0.97 and 1.25 g m-² (RE, 0.21 and 0.24), respectively, based on the remote sensing models. These results indicated that the LAI and LNA values based on EnSRF matched the measured values well compared with the EnKF, WheatGrow and remote sensing models. In addition, the predicted results are consistent with the temporal and spatial distribution of winter wheat growth status and grain yields in the study area, with RE values of less than 0.2 and 0.1 for LAI and LNA, respectively. These results provide an important approach for simulating winter wheat growth status based on combining remote sensing and crop growth models.     

基于支持向量机模型的冬小麦全蚀病为害等级遥感监测

为了解利用高光谱遥感技术对小麦全蚀病进行有效监测的可行性,对感染不同发病等级全蚀病的冬小麦冠层光谱反射率数据进行采集分析,选取监测敏感波段,在Matlab和Libsvm工具箱支持下,利用支持向量机分类方法构建小麦全蚀病病害等级预测模型。结果表明,在不同程度小麦全蚀病的为害下,小麦冠层光谱反射率存在明显变化。通过对数据分析,选择700~900nm波段作为敏感波段进行训练建立模型的结果最好;经检验,基于此波段构建的预测模型预测值与实际值相关系数可达0.943,均方根达0.63,因此生产上可利用波段光谱特征对小麦全蚀病进行监测。