基于多时相MODIS-RVI的玉米遥感估产研究

为了获得更加宏观高效的农作物估产模型,以吉林省德惠市为研究区,以MODIS为数据源,进行了玉米估产模型研究。通过分析比值植被指数(RVI)与玉米产量之间的相关关系,建立玉米单产预测模型。研究表明,利用多时相的RVI对玉米点进行遥感回归估产可得到较好的估算效果,模型相关系数可达0.825,均方根误差为7.61,验证点的实际产量与理论产量间的相对误差均在10%以内,对吉林省德惠市玉米估产模型研究具有一定的指导意义。     

MODIS植被指数的美国玉米单产遥感估测

针对中国开展的国外农作物产量遥感估测大多依靠中低分辨率耕地信息、省级(州级)或国家级作物产量统计数据的现状,本文以美国玉米为例,探讨利用多年中高分辨率作物分布信息、时序遥感植被指数和县级作物产量统计数据开展国外重点地区作物单产遥感估测技术研究,以期进一步提高中国对国外农作物产量监测精度和精细化水平。首先,利用美国农业部国家农业统计局(NASS/USDA)生产的作物分布数据(CDL)获得多个年份玉米空间分布图,并对相应年份250 m分辨率16天合成的MODIS-NDVI时序数据进行掩膜处理,统计获得每年各县域内玉米主要生育期NDVI均值;其次,以各州为估产区,以多年县级玉米统计单产和县域内玉米主要生育期NDVI均值为基础,建立各州玉米主要生育期NDVI与玉米单产间关系模型;然后,通过主要生育期玉米单产和玉米植被指数间拟合程度,筛选确定各州玉米最佳估产期和最佳估产模型。最终,利用最佳估产模型实现美国各州玉米单产估测和全国玉米单产推算。其中,建模数据覆盖时间为2007年—2010年,验证数据为2011年。结果表明,应用最佳估产模型的2011年美国各州玉米单产估测相对误差在-4.16%—4.92%,均方根误差在148.75—820.93 kg/ha,各州估测结果计算获得全国玉米单产的相对误差仅为2.12%,均方根误差为285.57 kg/ha。可见,本研究的作物单产遥感估测技术方法具有一定可行性,可准确估测全球重点地区作物单产信息。     

植被光能利用率遥感估算

光能利用率表征植被通过光合作用将所截获/吸收的能量转化为有机碳的效率,是遥感估算植被生产力的关键参数。由于植被分布和气候环境的综合影响,光能利用率表现出显著的空间异质性和时间动态性,光能利用率的不确定性成为后续生产力模型估算精度不高的重要原因。本文以Fluxnet全球通量站点数据和MODIS LAI/fPAR产品为数据源,比较了5种遥感植被生产力模型中的光能利用率估算方法,并在此基础上考虑光照散射条件对光能利用率的影响,结合晴空指数,利用逐步线性回归方法和参数优化方法建立不同植被类型的光能利用率估算模型。验证结果表明,考虑晴空指数可提高光能利用率估算精度,两种方法估算得到的光能利用率值RMSE均低于0.5 gC·MJ^-1,逐步线性回归法尽管机理欠缺,但由于选择因子较多,光能利用率估算精度较高（R²=0.461,RMSE=0.403 gC·MJ^-1）;广泛应用的参数化方法由于考虑的因子较少、模型形式较固定,光能利用率估算精度稍低（R²=0.306,RMSE=0.489 gC·MJ^-1）。本文所建立的光能利用率估算模型可应用于区域或全球植被光能利用率及生产力的估算。     

ASAR数据与水稻作物模型同化制作水稻产量分布图

提出了利用雷达数据进行水稻估产的技术方法,并以ASAR数据为例,探讨了雷达数据在水稻估产中的可行性.首先利用ASAR数据进行水稻制图,从各时相ASAR数据中提取水稻后向散射系数.随后,基于像元尺度,采用同化方法,以LAI为结合点,将水稻作物模型ORYZA2000与半经验水稻后向散射模型结合,建立嵌套模型模拟水稻后向散射系数.选择水稻出苗期和播种密度为参数优化对象,利用全局优化算法SCE-UA对0RYZA2000模型重新初始化,使模拟的水稻后向散射系数值与实测值误差最小,并由优化后的ORYZA2000模型计算每个像元的水稻产量,生成水稻产量分布图.结果表明,水稻产量分布图能够描绘研究区水稻实际产量的分布趋势,但由于采用潜在生长条件模拟,模拟的水稻平均产量比实测平均值高约13%,验证点的水稻产量模拟值与实测值相对误差为11.2%.由于半经验水稻后向散射模型存在对LAI变化不够敏感和对水层的简化处理,增加了水稻估产的误差.但从总体上看,利用该方法进行区域水稻估产是可行的,并为多云多雨地区的水稻遥感监测提供了重要参考.     

基于无人机遥感混合光谱分析的油菜估产模型

针对无人机遥感油菜估产问题,提出基于全约束混合像元分析方法的油菜估产模型。针对油菜冠层构成实际特征,分析了不同地面端元构建方式对油菜无人机影像光谱分解的影响,在此基础上,分别在油菜开花期和油菜荚果期建立了影像丰度数据和地面实测产量数据的关联。实验分析表明,所提出的混合光谱油菜产量估算方法具有较好的效果。油菜荚果期和开花期估产模型的相关系数R~2分别为0.765 2和0.721 2,综合两个时期的估产模型相关系数R~2为0.814,说明在油菜生长的不同时期,目标端元丰度与油菜产量具有较强的相关性,证明了该模型具有较高的精度和较强的稳定性。     

基于MODIS数据的小麦生物量估算模型研究

地表生物量对农作物估产、植被长势评估具有很重要的意义。随着遥感技术的发展与应用,遥感为生物量估算提供了一种新的手段。本文以唐山市为例,利用小麦种植区的MODIS遥感影像数据和同期野外调查获得的16组32个生物量数据,对比分析了归一化植被指数(NDVI)、增强型植被指数(EVI)与小麦生物量多个回归方程的相关系数,进而建立了NDVI、EVI与小麦生物量的线性回归模型。结果显示,使用MODIS数据的植被指数能够很好地对研究区地上生物量进行估算,其中使用EVI的三次函数模型拟合精度最高,并且对每组数据进行平均处理会使模型精度进一步提高。     

基于作物缺水指数的土壤含水量估算方法

为研究江苏省徐州市的土壤水分时空分布及动态变化,基于MODIS数据和站点气象数据,利用蒸散发双层模型和考虑土壤水分可供率的改进双层模型分别计算实际蒸散发量,利用Penman-Monteith模型计算区域潜在蒸散发量,计算获得作物缺水指数(crop water stress index,CWSI),并与2010年7月和11月的土壤相对含水量实测数据分别进行回归分析建模,得到了土壤含水量分布图。结果表明:基于蒸散发双层模型的土壤含水量估算结果与实测值的决定系数分别为0.53和0.72,平均相对误差分别为5.89%和9.6%;对双层模型进行改进后,土壤含水量估算结果与实测值的决定系数都为0.84,平均相对误差分别为3.47%和6.03%,利用改进后的双层模型对土壤相对含水量进行估算效果更好。     

利用双变量同化与PCA-Copula法的冬小麦单产估测

为了进一步提高冬小麦产量估测的精度,基于集合卡尔曼滤波算法和粒子滤波（particle filter, PF）算法,对CERES–Wheat模型模拟的冬小麦主要生育期条件植被温度指数（vegetation temperature condition index,VTCI）、叶面积指数（leaf area index, LAI）和中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer, MODIS）数据反演的VTCI、LAI进行同化,利用主成分分析与Copula函数结合的方法构建单变量和双变量的综合长势监测指标,建立冬小麦单产估测模型,并通过对比分析选择最优模型,对2017—2020年关中平原的冬小麦单产进行估测。结果表明,单点尺度的同化VTCI、同化LAI均能综合反映MODIS观测值和模型模拟值的变化特征,且PF算法具有更好的同化效果;区域尺度下利用PF算法得到的同化VTCI和LAI所构建的双变量估产模型精度最高,与未同化VTCI和LAI构建的估产模型精度相比,研究区各县（区）的冬小麦估测单产与实际单产的均方根误差降低了56.25 kg/hm2,平均相对误差降低了1.51%,表明该模型能有效提高产量估测的精度,应用该模型进行大范围的冬小麦产量估测具有较好的适用性。     

植被光能利用率高光谱遥感反演研究进展

光能利用率是表征植被通过光合作用将所截获/吸收的能量转化为有机干物质效率的指标。光能利用率是植被光合作用的重要概念,也是区域尺度以遥感参数模型监测植被生产力的关键参数。不同植被类型的光能利用率具有明显的时空差异,水分、温度、养分供给等环境胁迫因素会影响植被的光能利用率。随着高分辨率光谱测量传感器的使用,位于可见光和近红外区域的窄波段可以捕捉到植被冠层反射率的细微变化,也促进了光能利用率遥感反演技术的发展。本文结合国际植被光能利用率遥感反演最新研究成果,从基于环境胁迫因子的光能利用率反演,基于植被光谱指数的光能利用率反演、基于叶绿素荧光的光能利用率反演,以及基于涡度相关测量数据和遥感数据相结合的光能利用率反演四个方面,详细介绍了植被光能利用率遥感反演的主要技术方法,并对植被光能利用率遥感研究存在的主要问题和发展趋势进行了讨论。     

基于HJ-1B数据和SEBAL模型的陆面蒸散发遥感估算

利用HJ-1B卫星数据和SEBAL模型,进行了淮河上游段的陆面蒸散发(ET)遥感估算。选取2010年4期少云的HJ-1B卫星影像,首先对ET估算中需要的中间变量——地表温度、地表反照率进行了反演,反演结果与MODIS产品结果基本一致;在此基础上,结合部分地面气象观测数据,基于SEBAL模型进行ET估算,并利用水文站点的实测蒸发皿数据对估算的日蒸散发结果进行验证,相对误差在10%之内。将ET估算值与土地利用覆盖类型、地形因子对比分析发现,不同土地覆盖类型的ET量不同,ET空间变异性与地形特征有一定关联。