第七讲农业遥感

2020/4/22农用地资源的监测遥感农作物估产农业灾害监测与预测2020/4/22遥感信息因其覆盖面大、实时性和现势性强、速度快、周期性和准确可靠以及省时、省力、费用低等优点，被广泛用于测定农用地的数量与质量的动态变化。常用的农用地遥感监测方法基本上分为两种：逐个像元比较法和分类后比较法。前者首先是对同一区域不同年份同一时相影像的光谱特征差异进行比较，确定农用地发生变化的位置，在此基础上，再采用分类的法来确定农用地变化信息。该方法优点是先确定农用地变化的位置，缩小分类范围，提高监测速度。后者是针对整个监测区域的逐影像系列同一位置分类结果确定土地利用类型变化的位置和所属类型，其优点是可以回避前一种方法所要求的影像系列一致的条件，以及影像间辐射纠正、匹配等问题，但需要选择合适的分类方法来改善精度。2020/4/222020/4/22早期的作物估产主要是单因子的产量模型，即农学—气象产量预测模型、作物—生长模拟模型、经验统计模型等，也就是，传统的统计分析与气象因子综合估算法。20世纪70年代后期的遥感估产则是把遥感信息作为变量加入到估产模则中，建立遥感估产模型。在理论上探讨植物光合作用与作物光谱特征间的内在联系；在方法上，从单纯建立光谱参数与产量间的统计关系，发展到考虑作物生长全过程，将光谱的遥感物理机理与作物生理过程统—起来，建立基于成因分析的遥感估产模型，估产精度不断提高。遥感估产需注意问题：(1)遥感估产需要作物生长全过程的光谱参数。由于构成产量的3个要素（穗数、粒数、千粒重）分别与作物不同生长期的植被指数有关。因此必须掌握作物生长全过程的光谱参数才能正确估产。而Landsat／TM的时间分辨率有限，故遥感估产除用TM外，还离不开短周期数据。过去把某一时段的遥感光谱参数或它的累加值与产量直接挂勾的模式尚有不足，如过于密植，光谱值增加，但产量并非增加。(2)遥感估产主要运用遥感数据中反映植物光合作用的代表波段——可见光红波段和近红外波段，说明遥感估产不仅直接抓住“光合作用”这一事物的本质，而且能给出定量分析数据——各种植被指数，它是单位面积光合作用的有效描述。2020/4/22(3)遥感估产离不开地面实况的配合。遥感估产是建立遥感数据与产量构成要素间的内在联系。而这种内在联系是以地面样点试验为依据的。一方面遥感估产中遥感数据需要地面样点的定标，以建立模式；另一方面遥感估产的结果，又要地面样点的检验．所以遥感估产离不开地面实况的配合。(4)遥感估产还需要积温值、日照时数、播种量、土壤含水量等非遥感的农学参数、气象参数的支持．所以在GIS支持下进行遥感与非遥感数据的综合分析是提高遥感估产精度的必要途径。2020/4/22遥感大面积作物估产主要涉及3方面内容：作物识别、作物面积提取、作物长势分析。在这3方面内容综合的基础上，建立不同条件的多种估产模式，进行作物的遥感估产。1)作物识别与作物面积提取：作物识别与作物面积提取，往往是结合进行的。其基本过程包括：(1)遥感数据的采集与预处理根据区域分布、作物类别、农学历等特点，选择空间、波谱、时间分辨率相对应的遥感图像数据。2020/4/22作物估产涉及的内容(2)作物专题信息的提取常采用植被指数法提取作物专题信息。植被指数中包含有多种作物类别与作物长势方面的信息，如植物叶面积指数、叶绿素含量、植物覆盖度、生物量等，那么就可以通过植被指数来反演与作物估产模型有关的各种参数，如NDVI与作物覆盖度关系密切，可以有效地提取面积信息；RVI反映作物长势，可以提取生物量信息；PVI有效地滤去土壤背景及大气的干扰等。由于不同自然地理单元内，作物的生长条件(光照、温度、降水、土壤等)和生长状况(包括自然与人为因素)在空间上会有很大差异。为了提高遥感估产的准确性．常按照作物生长环境及作物产量的区域分异规律，进行影像的分区、分类，以尽量保证同一区域内作物生长环境的一致性，并在分区的基础上进行作物专题信息的提取。(3)作物面积提取及精度评价2020/4/222020/4/222)作物长势分析及估产植被指数（VI：VegetationIndex）：基于植被叶绿素在红色波段的强烈吸收以及在近红外波段的强烈反射，通过红和近红外波段的比值或线性组合实现对植被信息状态的表达。比值植被指数RVI(RatioVI)归一化植被指数NDVI（NormalizedVI）差值植被指数DVI（DifferenceVI)正交植被指数PVI（PerpendicularVI)将作物的VI值以时间为横坐标排列起来,便形成了作物生长的VI动态迹线,它以最直观的形式,反映了作物从播种、出苗、抽穗到成熟收割VI的变化过程。作物种类不同,其VI曲线具有不同的特征,同类农作物生长环境和发育状况的变化也会造成VI时间曲线的波动。因此,通过对农作物VI时间曲线的分析,可以了解作物的生长状况,进而为作物产量的计算提供依据。通过以上的作物遥感识别、作物专题信息提取、作物长势分析，提取了作物生长及与产量有关的参数，则可以建立包括统计模型、半经验模型和物理模型在内的多种遥感估产模型。(1)统计模型a)建立多波段遥感数据生成的遥感参数——植被指数VI(如NDVI、PVI等)与作物单产的统计关系(线性回归模型)。各类VI经数学运算，信息，并可能部分消除了大气、土壤的干扰，可与产量直接统计相关。b)建立遥感参数VI与主要农学参数(LAI)的关系。通过农学参数建立估产模型，一般是以作物叶面积指数LAI作为中间媒介，如建立垂直植被指数PVI与LAI与穗数—穗粒数—千粒重等农学参数之间的线性关系等。但事实上，无论比值类植被指数(NDVI、RVI)，还是差值类植被指数(PVI、DVI)，均与叶面积指数LAI，并非简单的线性关系。2020/4/22(2)半经验模型半经验模型侧重于研究作物产量与作物生理过程的关系，即描述作物光合作用、呼吸作用、蒸腾作用等与作物干物质积累的关系。由于作物的可见光与近红外光谱的变化(累积植被指数)与作物冠层吸收光合有效辐射(FAPAR)能力有关，而它们又与干物质生产有关，因而可用于遥感作物估产。研究表明：在一定条件下,植物群体光合作用产物与遥感植被指数之间可用线性或准线性关系表示。2020/4/22(3)物理模型以作物生长过程动力模型为例，利用作物生长过程的观测资料和环境气象资料，来模拟作物生长发育的基本生理过程——光合作用、呼吸作用、蒸腾作用、干物质转移与分配等，最终模拟作物产量的形成和累积。2020/4/22旱灾：农业旱灾的发生常伴有作物根部土壤水分的匮乏，造成作物蒸腾作用受到抑制，作物叶片气孔关闭、温度升高，作物叶片的叶绿素含量下降甚至枯萎。因此，地表温度、植被指数可以作为农业干旱的指示因子用来监测作物干旱情况。温度植被指数和植被供水指数采用地表温度和植被指数相互比值进行农业旱情监测，两指数同时考虑了地表温度和植被指数，具有操作简单、物理意义明显的优点，是我国当前广为采用的农业干旱遥感监测的方法。2020/4/222020/4/22洪灾：严重的洪涝灾害发生常伴有淹没农田现象，可以利用归一化植被指数（NDVI）实现水灾面积的遥感提取。由于水体在可见光和近红外波段的反射率远远低于土壤和植被，所以水体的NDVI一般为负值，植被和土壤的NDVI则为正值，通过设定阈值实现水体面积的提取。作物受到洪涝灾害影响后，其正常生长过程受到抑制，在形态学上表现出叶子发黄、萎蔫等现象而区别于正常生长的作物。可以采用洪涝灾害前后的NDVI进行对比分析，得出受洪涝影响的作物分布情况。病虫灾害：病虫害影响的作物光谱表现为绿光波段的反射峰向红光波段移动，在可见光波段的光谱反射率高于正常作物，而在近红外波段，受害作物的光谱反射率要比正常作物光谱反射率低，陡坡效应不明显或消失。病虫害影响的作物光谱反射率的变化特征是遥感监测作物病虫害的理论基础。2020/4/22应用：农业旱灾监测评价方法研究1.旱灾研究的重要性2.目前国内外提出的旱情监测方法3.农业部旱情监测及问题4.原因分析与可能的改进5.旱情监测方法的改进6.监测结果比较一、旱灾研究的重要性实际应用意义：旱灾是人类面临的重大自然灾害之一。旱灾损失巨大，直接威胁农业可持续发展、国家粮食安全和农民增收科学价值：旱灾的形成与发展有其内在的规律，目前旱灾机理、旱灾监测评价、抗灾减灾等方面还有很多问题有等进一步研究2006年夏季重庆大旱2006年夏季重庆大旱050010001500200025003000350040004500199920002001200220032004年份旱灾面积(万公顷)0102030405060708090旱灾所占比重(%)农业旱灾受灾面积农业旱灾成灾面积旱灾所占比重（%）050010001500200025003000350040004500199019911992199319941995199619971998199920002001200220032004年份粮食损失(万吨)3456789101112占粮食总产量(%)农业旱灾粮食损失占粮食总产量%二、目前国内旱情遥感监测方法农业干旱成因：农田土壤供水不能满足作物正常生长需要旱情监测：地面监测－－农田土壤水分监测卫星遥感监测－－各种不同的表征指数1、作物供水指数法：CWSI＝NDVI/TS其中：CWSI是作物供水指数NDVI是归一化植被指数TS是作物叶面温度原理：相同植被密度情况下，叶面温度越高，作物表现出来的缺水情况越大，因此，通过植被绿度值与温度比值，可以大体上反映作物的缺水情度，即作物旱情。申广荣和田国良(1998)提出了作物缺水指数来表示干旱监测，DI＝1-Ed/Ep式中Ed和Ep分别是实际日蒸散和潜在蒸散。缺水指数法农田作物的蒸发和蒸散（蒸散），受多种因素的作用，温度、作物品种、辐射强度、风速、湿度、供水程度等，较难快速、准确估计2、热惯量法土壤热惯量定义为是单位土壤容量的温度变化所需要的热量，研究表明水分是土壤热惯量变化的最重要因素。因此，通过土壤热惯量可以估计土壤含水量，进而判断农田旱情。minmax)1(TTAcISM＝f(I)其中：I是土壤热惯量，c是单位土壤热容量，A是地表反射率，Tmax和Tmin是白天最大温度和夜晚最小温度，SM是土壤含水量。其它方法：1.距平植被指数法2.植被条件指数法3.温度植被指数法4.条件植被温度指数法5.作物水分胁迫指数法6.表观热惯量法7.地表蒸发法8.地表热平衡法9.高光谱遥感：反射率倒数的一阶微分法10.主动微波遥感：基于微波反射亮温的土壤水分线性反演模型三、农业部旱情监测及问题第一部分数据预处理子系统1.1文件子菜单，1.2卫星轨迹模拟，1.3手动作业1.4自动作业，1.5设置，1.6帮助第二部分土壤墒情监测分析子系统2.1文件，2.2查看，2.3区域投影2.4植被指数，2.5干旱指数2.6设置，2.7实用工具2.8快捷方式功能，2.9帮助系统功能核心模块核心模块工作流程例子：原方法所做CWSI合成图2005年3月下旬例子：2005年3月下旬降水量分布图3月下旬旱情监测结果与当旬降雨量的比较干旱降雨较多方法本身问题：作物供水指数法参数计算问题：NDVI和TS的计算四、原因分析和可能的改进现有的方法主要是作物供水指数法，热惯量法由于技术复杂还没有实际应用。NDVI和Ts两个基本参数的计算还有待进一步提高精度。目前所用Ts是简单算法的温度，与真正的地表温度还有较大误差。1、方法本身问题：CWSI＝NDVI/Ts其中：CWSI是作物供水指数NDVI是归一化植被指数Ts是作物叶冠温度在监测的旬内，NDVI相对稳定，TS则是随着时间而变化。一天之内Ts可能有15度以上的变化。而各天卫星监测的时间不是十分相同，前后相差有1多钟头。并且，同一景图像，东面的时间与西面的时间相差也达1个钟头。并且，现在的计算基本上是以星上亮温来代表真正的地表温度。这就造成了这个方法在计算作物供水指数方面存在很多技术上的问题，从而造成了CWSI值在各天之间不可比性，多天合成之后的问题。