利用不同方法反演冬小麦叶面积指数研究

基于高光谱数据的叶面积指数监测是快速获取冬小麦叶面积指数的重要方法。为了探究回归方法和高光谱数据变换对冬小麦叶面积指数反演精度的影响,采用逐步回归和偏最小二乘回归方法,分别建立基于冬小麦拔节期冠层高光谱数据、一阶导数光谱数据、二阶导数光谱数据和对数光谱数据的叶面积指数多元线性回归模型。结果显示,导数和对数变换能够提高冬小麦LAI反演精度,以蓝紫光、绿光、红光和近红外波段建立的一阶导数光谱数据逐步回归模型最优,建立回归模型的决定系数R2为0.974,交叉验证的RMSE为0.131,可为冬小麦LAI估算的方法选择和数据处理提供依据和参考。     

夏玉米植被指数与叶面积指数的关系研究

利用ASD便携式地物光谱仪和SunScan冠层分析仪实测了陕西杨凌区和扶风县夏玉米关键生育期冠层光谱反射率及叶面积指数(LAI),对归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)与叶面积指数进行了相关性分析,建立了基于三种植被指数的LAI估算模型,并进行精度检验。结果表明:基于抽穗期和蜡熟期NDVI以及灌浆期RVI的LAI估算模型的均方根差和相对误差较低,模拟效果较好。结果对夏玉米生长状况及病虫害监测、产量预测以及田间管理具有参考价值。     

冬小麦地面光谱监测

从小麦反射光谱的特征，探讨了小麦不同物候期反射光谱特征和小麦日变化、季节变化特征。建立了大田冬小麦光谱植被指数与叶面积指数的关系模型和冬小麦农学参数与植被指数之间的关系模型，为开展冬小麦大田生长状况的遥感动态监测和产量预报打下基础。     

宁夏灌区春小麦LAI与生长性状和产量的关系

利用宁夏永宁农试站1994—2012年2个品种小麦观测资料,对2个小麦品种的生长性状、产量和产量结构进行方差分析,然后选取2个品种间差异不显著的样本,建立小麦不同发育期叶面积指数(LAI)与株高、密度、产量、穗粒数、结实小穗数及千粒重的关系。结果表明,不同发育期的LAI能反映小麦株高、密度和单位面积结实穗数。抽穗至乳熟阶段的LAI可估测株高,三叶至乳熟阶段的LAI均可监测同期密度,以拔节至乳熟阶段最好。抽穗至乳熟阶段的LAI可估测单位面积有效穗数,以抽穗期效果最好。抽穗至乳熟阶段LAI能较好地反映小麦产量的变化,可利用小麦冠层高光谱测定值构建的植被指数或MODIS植被指数反演LAI,利用LAI与产量的关系估产。如果在小麦不同生育阶段用遥感植被指数估测LAI,就可通过LAI与小麦株高、密度的关系监测小麦长势。抽穗至灌浆前期的LAI相对稳定,利用MODIS植被指数反演的LAI可估测小麦密度、产量和产量结构。     

棉花覆盖度特征及与其他生长参数关系分析

利用安装在新疆乌兰乌苏农业气象试验站的作物生长自动监测系统2011—2012年拍摄的棉花生育期图像,采用现代图像处理技术进行阈值分割,自动获取棉花作物覆盖度(Ccp)数据,经对自动监测系统获取的Ccp值与棉花人工观测的叶面积指数(LAI)、植株高度之间关系进行分析,建立棉花Ccp与LAI、植株高度之间的关系模型。使用建立的关系模型,由自动监测系统获取的Ccp数据,反演2012年棉花的LAI和植株高度,并与人工观测结果进行对比。结果表明:应用棉花Ccp数据反演的LAI与人工实测结果具有较高的相关性和反演精度,说明通过自动观测棉花Ccp的方式进行LAI反演的方法是可行的;Ccp与株高的关系模型虽相关性高,但反演的株高精度较低,仍需进一步探索。     

基于遥感数据的宁夏地区土壤水分反演方法比较

利用MODIS产品数据MOD11A2和MOD13A2获取地表温度(TS)、昼夜温差(DST)、归一化植被指数(NDVI)、增强植被指数(EVI),构建宁夏区域2005年4、7、10月逢8、18、28日TS-NDVI、TS-EVI、DST-NDVI、DST-EVI特征空间,根据TS-NDVI、TS-EVI、DST-NDVI、DST-EVI特征空间建立了温度植被干旱指数(TVDI)、温度增强植被指数型干旱指数(TEDI)、温差植被干旱指数(DTVDI)、温差增强植被指数型干旱指数(DTEDI),并以这些干旱指数作为土壤水分监测指标,反演了宁夏区域2005年4、7、10月的土壤水分.利用实测10 cm土壤水分进行相关分析,结果表明DTEDI在宁夏土壤水分反演中表现较好,DTVDI表现略好.     

西北地区陆地生态系统植被状态参数业务化遥感研究

植被指数(NDVI)和叶面积指数(LAI)是两个非常重要的陆地生态系统植被状态参数.我们首先利用最大值(MVC)合成方法使用先进遥感数据如MODIS、AVHRR3等得到旬合成植被指数(NDVI),然后利用最新的经验方法针对不同的陆地生态系统类型反演得到叶面积指数,重点研究了我国沙尘暴发生频率较高的我国西北地区植被覆被状态及其变化情况.植被指数能够反映区域,乃至全球范围植被年季状态,用于监测陆地生态系统植物光合作用活动及其变化.植被指数作为一个基础参数能够用于计算反演更高级别的陆地生态系统状态参数.叶面积指数直接影响植被的光合作用,蒸腾作用的变化和陆面过程的能量平衡状态.在沙尘暴预测研究中使用的起沙过程模型需要将叶面积指数作为一个关键输入变量,另外,绝大多数生态过程模型模拟碳、水循环时也都需要将叶面积指数作为一个非常重要的输入变量.我们总结了最新的叶面积指数经验反演方法,针对6钟不同的陆地生态系统类型应用不同经验模型计算得到了叶面积指数.     

基于MODIS的广东省植被指数序列构建与应用

植被指数是衡量植被长势的重要指标,植被指数序列有助于准确地认知植被覆盖、土地利用和土壤水分的时空变化规律,以及进行干旱和植被生长监测.利用2004-2006年的MODIS数据,选择RVI、NDVI和EVI三种植被指数,采用最大值合成法进行广东省植被指数序列构建.按照不同植被覆盖对三种植被指数的年际变化规律进行分析,并通过NDVI进行植被覆盖度计算以及植被覆盖等级分类来分析植被的空间分布.结果表明,建立的植被指数序列能真实地反映植被生长规律,植被覆盖度和广东地区的植被实际分布状况一致.说明建立植被指数序列是动态监测广东省植被长势的及植被环境的变化的有效方法.     

华北平原不同生长发育期作物长势对气候因子的响应研究

利用卫星遥感归一化植被指数(NDVI)时间序列数据和站点气象数据,从农作物生长发育过程的角度,分析了1981~2008年华北平原农田在12个生长发育期(冬小麦8个、夏玉米4个)对降水和温度不同的响应特征。研究区农田植被指数对降水响应的滞后性强于对温度的滞后性,其中对降水最为敏感的是前1和前2个生长发育期,对温度最为敏感的是同期和前1个生长发育期。不同种类作物在不同时期对气候因子响应不同:冬小麦发育中后期、夏玉米发育中期,绝大多数站点植被指数与降水呈正相关;冬小麦生长发育前中期植被指数与温度呈显著甚至极显著正相关。冬小麦出苗期温度、返青期温度和返青期降水分别与不同时期植被指数显著相关,出苗期和返青期为研究区农田长势对气候因子响应的敏感期。     

华北农业干旱和东北作物冷害监测预报研究

对比分析了气象卫星遥感资料反演的作物干旱区域、强度和实际观测资料，发现遥感反演的作物干旱区域、强度和实际观测资料有较好的一致性。建立了用于监测我国华北地区冬小麦生长期作物干旱的空间分布和强度的距平干旱遥感植被指数模型和干旱植被供水指数模型。     

农作物长势遥感监测业务化应用与研究进展

农作物长势监测可为田间管理提供及时的决策支持信息和早期估产提供依据。为了更好地研究作物生长过程中不同遥感监测作物长势方法的适用性,从多光谱遥感数据、高光谱遥感数据和微波遥感数据的应用及遥感监测指标与模型模拟方面综述了国内外农作物长势遥感监测研究及业务化应用的最新进展,指出了未来拟重点加强的研究任务,包括高时空分辨率和高光谱分辨率遥感数据的业务化技术、多遥感反演参数协同监测作物长势技术研发、基于遥感信息与作物过程模型的集合预报技术研究、全球尺度作物长势监测业务运行系统研发。     

基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取

水稻是中国的主要粮食作物,及时获取水稻种植面积和空间分布信息对指导水稻生产、调整区域供需平衡等具有重要的意义。以江苏省为例,利用2009—2011年连续三年的MODIS 8 d合成地表反射率数据(MODIS09A1),计算了归一化差值植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)和陆表水指数(land surface water index,LSWI)。结合水稻在不同生长发育期EVI的时间序列变化特征,确定了水稻面积提取的关键生育期。根据水稻移栽期稻田土壤含水量高的特征,利用NDVI、EVI和LSWI三种指数构建判别条件,确定可能种植水稻的区域。利用线性光谱混合像元分解模型对包含水稻的混合像元进行分解,得到江苏省三年水稻种植空间分布。最后,选取研究区内的水稻典型样区,利用与MODIS同时期的较高分辨率的环境小卫星HJ-1 CCD(30 m)数据提取水稻种植面积和空间分布,以此作为参考数据进行精度验证,同时利用统计部门的江苏省水稻种植面积统计数据对江苏省水稻面积进行验证,两种方法验证后表明误差均在10%以内。研究表明,采用MODIS09A1数据结合线性光谱混合模型可以更高精度地提取大范围的水稻种植面积。     

冬小麦生长发育的模拟模式

根据冬小麦生长发育及其与环境条件关系的机理研究,建立了模拟冬小麦发育阶段和各器官生物量变化的动态模式。其中包括3个环境要素子模式,分别计算温度、辐射和水分,5个生物学过程子模式,分别模拟冬小麦的发育、光合、呼吸、同化物分配和叶面积系数。用镇江和海安共8个播期的实测资料对模式进行验证,并对模式进行了初步数值试验应用。     

利用HJ—1卫星多光谱数据监测城市 湖泊蓝藻研究

以2009年8月中旬东湖支湖局部暴发蓝藻为案例,对蓝藻暴发前后三个时期的HJ-1卫星多光谱遥感影像数据进行对比分析,利用比值植被指数(RVI)、归一化植被指数(NDVI)以及增强型植被指数(EVI)三种植被指数对蓝藻信息进行判别提取,通过已验证的样本点率定判别方法阈值,并对三种植被指数精度及判别结果进行比较分析。结果表明,利用HJ-1遥感数据可快速鉴别蓝藻范围及其程度,大气校正突出了蓝藻水体和其他地物光谱差异,EVI方法精度较高,可剔去水质中泥沙等悬浮物的干扰,可作为城市湖泊蓝藻变化检测经验模型。     

MODIS遥感监测滇池蓝藻水华分布

以中分辨率的MODIS数据作为遥感影像源,运用蓝藻水华在蓝波段、红波段和近红外波段的光谱特征,使用假彩色合成法（RGB：6-2-1）和归一化植被指数法对滇池的蓝藻水华进行遥感监测。通过星地同步试验,证明了该两种方法的正确性。其中假彩色合成法通过色彩差异表现蓝藻水华,具有视觉效果较好的优点,归一化植被指数法则以数值大小的方式区别水华浓度,该方法建立反演模型后可用于定量研究。     

2003—2009年中国地区叶面积指数变化特征分析

为了解2003—2009年中国的叶面积指数(Leaf Area Index,LAI)变化特征,以及不同数据产品的差别,利用基于MODIS数据反演的3组LAI产品,比较分析了中国地区LAI的时空变化特征及其与气候因子的相关。结果表明,3组数据具有总体一致的变化特点,增长区主要位于东北大兴安岭、华北、华中和西南等地;减少区则位于四川盆地、江南以及华南东部;但在云贵川和青藏高原东南部等地有明显差异。在量值上,中科院地理所反演的LAI(LAI1)总体比NASA反演的LAI(LAI2)和北京师范大学反演的LAI(LAI3)偏小,它们在中国常绿阔叶林区的差别可达1.0以上。LAI1与同期降水和气温都有显著的相关,相关系数的空间分布一致,但LAI1的相关系数比LAI3和LAI2偏低。3组数据的差异主要与采用的遥感源数据和反演方法等不同有关。尽管不同LAI数据产品局域和量值差异对定量分析有一定影响,但是它们在时空变化及与气候条件相关等方面的一致性证明了在气候及气候变化研究中的可用性。     

MODIS巢湖水体叶绿素a浓度反演模型

对大面积水体进行水质遥感监测是比较典型的水体环境监测手段。该文利用地物光谱仪测定了巢湖水面的光谱反射率, 收集了相应时间的MODIS数据, 经过预处理之后, 首先分析了巢湖水面光谱特征, 并对实测水体反射率与实测叶绿素a之间的关系进行统计拟合计算。在经过MODIS大气校正后, 得到1~7通道的地表反射率。利用大气校正后的EOS/MODIS数据, 选择最佳通道组合, 定义了叶绿素a指数I_Chla, 建立了MODIS巢湖叶绿素a浓度的反演模型, 检验得到相关系数为0.5079。     

高光谱遥感在农作物长势监测中的应用

该研究是加拿大Saskatchewan Scott农作物轮作系统(ACS)研究的一部分.研究始于1994年,历时18 a,评价9个可耕种农作物产量系统的可靠性.由3种处理水平(organic,reduced,high)和3种作物多样性水平(low,diversified annual grains,diversified annual perennials)结合而产生的9个农作物产量系统,被用于监测和评价加拿大牧场不同处理和不同作物种植轮作下可耕种农作物的产量.在2003年生长季共收集了3次叶面积指数和光谱反射率的数据:生长季前期(6月)、生长季旺盛期(7月)、生长季后期(8月).叶面积指数是由LAI-2000植物冠层分析仪监测的,光谱测量是由覆盖了350～2500 nm波长范围共2215个波段的ADS便携式高光谱仪完成的.结果显示,光学测量可以用于监测农作物生长状况的差异.从生长季的早期到中期,光谱和叶面积指数在不同处理下有显著差异.7月中期是用遥感资料监测农作物长势的最佳季节;红光波段与近红外波段反射率的比值和基于这两个波段构造的归一化植被指数,是检测农作物长势的最佳植被指数.     

高光谱遥感在农作物长势监测中的应用

该研究是加拿大Saskatchewan Scott农作物轮作系统(ACS)研究的一部分。研究始于1994年,历时18a,评价9个可耕种农作物产量系统的可靠性。由3种处理水平(organic,reduced,high)和3种作物多样性水平(low,diversified annual grains,diversified annual perennials)结合而产生的9个农作物产量系统,被用于监测和评价加拿大牧场不同处理和不同作物种植轮作下可耕种农作物的产量。在2003年生长季共收集了3次叶面积指数和光谱反射率的数据:生长季前期(6月)、生长季旺盛期(7月)、生长季后期(8月)。叶面积指数是由LAI-2000植物冠层分析仪监测的,光谱测量是由覆盖了350-2500 nm波长范围共2215个波段的ADS便携式高光谱仪完成的。结果显示,光学测量可以用于监测农作物生长状况的差异。从生长季的早期到中期,光谱和叶面积指数在不同处理下有显著差异。7月中期是用遥感资料监测农作物长势的最佳季节;红光波段与近红外波段反射率的比值和基于这两个波段构造的归一化植被指数,是检测农作物长势的最佳植被指数。     

PROSAIL模型在半干旱区春小麦不同干旱胁迫条件下的适用性分析

监测半干旱区作物的旱情对合理灌溉有重要意义。本文以黄土高原半干旱雨养农业区春小麦为研究对象,以模型模拟光谱对输入参数的响应、模型输入参数与干旱程度的关系以及不同旱情下光谱模拟精度为切入点,探讨基于PROSAIL模型反演参数指征春小麦旱情的可行性。结果表明:春小麦冠层光谱对于PROSAIL模型主要输入参数具有不同的光谱响应区间,其中叶绿素含量Cab的光谱响应区间为476~730 nm,叶面积指数LAI的主要响应区间为400~750 nm、800~1 000 nm和1 330~2 500 nm,等效水厚度EWT的响应区间在1 874~1 891 nm,干物质含量LMA的主要响应区间在2 331~2 356 nm。PROSAIL模型的输入参数与干旱程度有显著相关性。模型模拟的半干旱区春小麦冠层光谱的误差在1 400 nm前后差异显著,在1 400 nm之前模拟误差为11.5%,1 400 nm之后模拟误差为69%,总体误差约30%。模型对于等效水厚度和干物质含量的解释不够充分是导致模拟误差的主要原因之一。以PROSAIL模型反演参数监测黄土高原半干旱区春小麦旱情值得商榷。