第七章-遥感应用-农作物估产.ppt

遥感应用实例冬小麦估产,冬小麦反射光谱特征遥感信息源选择小麦估产区划播面自动提取（计算机自动分类）长势监测产量估算精度检验,冬小麦反射光谱特征,冬小麦反射光谱曲线,冬小麦反射光谱特征,小麦、云杉、土壤反射光谱特征比较,冬小麦反射光谱特征,小麦和棉花反射光谱特征比较,冬小麦反射光谱特征,5月20日,遥感平台选择LandsatTMNOAAAVHRR遥感时相选择11月中旬到12月中旬，3月上旬到4月上旬3月到6月,遥感信息源选择,NOAAAVHRR,AVHRR（AdvancedVeryHighResolutionRadiometer）即改进型甚高分辩率辐射仪。其数据量化等级为1024（10-bit数据结构）。星下点空间分辨率1.1km,温度分辨率达1oC。重复观测周期为半天。探测器扫描角度为55.4o，扫描带宽2800公里。要想获取较高质量的数据，应尽可能选择30o扫描角(对应地面扫描宽度为870公里)以内的数据。,NOAAAVHRR,Landsat,Lantat的轨道为太阳同步的近极地圆形轨道，保证北半球中纬度地区获得中等太阳高度角的上午影像，且卫星通过某一地点的地方时相同。每16至18天覆盖地球一次（重复覆盖周期），图像的覆盖范围为185km*185km（Landsat7为185*170km）。Landsat上携带的传感器所具有的空间分辨率在不断提高，由80m提高到30m，Landsa7的ETM又提高到15m。Landsa7ETM的空间分辨率在可见光、近红外、中红外波段为30米，在热红外波段为60米，全色波段15米。,Landsat搭载的传感器,MSS-MultispectralScannerSystem多光谱扫描系统TMThmeticMapper专题制图仪器ETM+-EhanceThmeticMapperPlus增强型专题制图仪器,小麦估产区划的目的是揭示小麦不同生态类型和小麦生产的地域差异，为遥感估产的采样框架布设、单产模型的建立提供定位和定量的科学依据。小麦估产区划是在综合评价小麦生态环境、社会经济条件的基础上，根据各种因素对小麦生产的影响程度和它们的空间组合规律及相应的产量水平等，按一定的原则归纳其共性，区别其差异性。,估产区划,估产区划图,ETM数据获取冬小麦面积,通过遥感数据获取农作物播种面积信息，关键是如何区分农作物与其他地物。根据农作物与非农作物之间、不同农作物之间的光谱特征差异，并结合农作物的物候历，在GIS支持下建立各种识别模式，从遥感数据中提取农作物信息。在同一区域不同作物的生育期差异，是确定作物种植面积和长势的重要依据之一。因此，农作物物候历是遥感估产的重要辅助信息。只有充分了解了各种作物的物候历，才能选择最佳时相的遥感数据来获取面积、长势信息，以及根据物候历确定影响作物生长的相关要素来进行产量估算。,ETM数据获取冬小麦面积,冬小麦物候历冬小麦整个生长季历经秋、冬、春及初夏，大约需要2200左右的积温。由于北方气温低，冬小麦播种早、收割晚、生育期长，南方则相反。从我国冬小麦主产区主要生育期等值线图中可以看出，北京市9月底进行冬小麦播种，10月中旬开始分蘖，越冬以后，3月中旬开始返青，4月中旬拔节，5月中旬抽穗，到6月中旬成熟。一般在华北地区，冬小麦收割后，播种的大宗作物为夏玉米和大豆。,华北地区冬小麦主要生育日期等值线图,成熟日期,抽穗日期,拔节日期,播种日期,分蘖日期,返青日期,冬小麦面积的提取,理论基础：土壤光谱线,1977年Richardson和Wiegand发现，在MSS5（红波段R）和MSS7（近红外波段IR）组成的二维特征空间中，土壤光谱几乎沿着从坐标原点出发的直线分布。土壤含水量越多，则点位越靠近原点；反之远离原点。水体与植被则明显分布于土壤线两侧，植被点到土壤线的垂直距离与植被的覆盖度密切相关，且不受土壤背景的影响。,冬小麦面积的提取,理论基础：土壤光谱线从图中可以看出，植被点都在土壤线上方，而水体点都在土壤线下方，土壤线方程g(x)可视为水体和植被的分类判别函数：实际上由于土壤线在IR、R平面中呈带状分布，所以有：（为较小正数）如果g1(x)和g2(x)分别代表植被和水体的绿度，则其间关系式为：由此可以判别出植被区与非植被区，可以达到自动识别的目的。,冬小麦面积的提取,理论基础：图像分割理论,因同一地物在不同波段具有不同的反射光谱特征，两个波段反射率相减后的值反映了同一地物在两个波段处光谱反射率之间的差。相减后，差值大的被突出出来。这就是以图像分割理论为依据，按照同类地物在绿度图像上的相似性和不同地物间的非连续性特征，选用不同的阈值来确定各类群的边界。例如，由于植被在近红外波段有个强反射峰，而在可见光红波段有个小的吸收谷，植被的反射率差异很大。,假彩色合成图像（RGB合成4-3-2）,在近红外波段植被和土壤难区分,红色波段上植被和水体难以区分,近红外波段与红波段差值图像,当用近红外波段减红波段时，植被的差值就大，而土壤和水的差值就很小，因此相减后的图像可以把植被信息突出出来。,ETM数据获取冬小麦面积,理论基础：图像分割理论,各类地物由于绿度值的不同而分布于三维绿度空间的不同层次。选择合适的判别规则，将三维绿度空间中不同物体的分布区分开来，就能定量地提取各种地物的信息。,IR,地理空间三维绿度图像,ETM数据获取冬小麦面积,面积提取,（1）时相选择。根据作物物候历选择适当时相的遥感数据更有利于工作的开展。提取小麦面积的最佳时相是初春，选用2002年3月19日北京地区LandsatETM+遥感数据（轨道号：123/32）作为获取冬小麦播种面积的主要信息源。,从ETM数据获取冬小麦面积,面积提取,（1）时相选择。根据作物物候历选择适当时相的遥感数据更有利于工作的开展。提取小麦面积的最佳时相是初春，选用2002年3月19日北京地区LandsatETM+遥感数据（轨道号：123/32）作为获取冬小麦播种面积的主要信息源。（2）对ETM数据和辅助数据进行预处理，生成差值绿度图像。（3）与耕地分布图叠加，剔除非耕地信息。,ETM数据获取冬小麦面积,（4）确定分类判别函数。适宜时相的差值绿度（D）图像直观地将在近红外波段和红光波段反射率差值大的小麦信息突出出来，但如何由计算机自动将其定量提取出来，需要建立一个判别函数，求出阈值Ti，使得DTi时判定为小麦，否则为非小麦。设G1（x）=IR1-R1为麦地像元绿度，G2（x）=IR2-R2为非麦地像元绿度，根据地物在绿度空间的分布规律，必然存在一个值T满足以下条件：T=MIN（G1（x）MAX(G2（x）)T为麦地与非麦地之间的阈值，可以用多次迭代双向逼近的方法求算（王乃斌、杨小唤，1997）。,ETM数据获取冬小麦面积,在较大的区域范围内，因地形地貌、土壤质地、气候条件等因素的影响，地物的光谱反射值有一定的变化，从而使得小麦与非小麦之间的阈值不尽相同，如果采用同一阈值进行面积提取，就使得那些小麦长势较好的县的种植面积偏大，而另一些小麦长势较差的县的种植面积偏小，最终影响小麦种植面积估算的精度。因此，确定分类判别函数最好分县进行，尤其是进行大面积遥感估产时必须分县处理。（5）冬小麦播种面积空间分布信息获取及分县汇总各县分类阈值确定后，根据识别模式可以获取各县基于像元的冬小麦种植面积空间分布信息，与行政界线图复合，汇总得到各县级单元播种面积总数。,31,冬小麦面积提取结果,山东省差值绿度（D）图像,冬小麦估产：播面自动提取,计算NDVI绘制NDVI曲线产量趋势预报编写长势监测报告为单产模型提供参数,冬小麦估产：长势监测,NormalizedDifferenceVegetationIndex,Thegenericnormalizeddifferencevegetationindex(NDVI):hasprovidedamethodofestimatingnetprimaryproductionovervaryingbiometypes(e.g.Lenneyetal.,1996),identifyingecoregions(Ramseyetal.,1995),monitoringphenologicalpatternsoftheearthsvegetativesurface,andofassessingthelengthofthegrowingseasonanddry-downperiods(HueteandLiu,1994).,黄淮海地区冬小麦长势监测,长势监测,南皮县NDVI年际变化,长势监测,长势动态,长势监测模型,对研究区进行细分，对每个子区不同时间段的遥感植被指数NDVI生物量进行回归分析。研究表明，时间序列分析利于反映生物量随时间的累积规律，同时不同子区选用不同的模型，突出了作物生长的地域性差异。,顺义,怀柔,通州,平谷,昌平,长势监测模型,指数模型小麦生物量积累与NDVI积分具有很好的相关性，但二者之间的关系是否就是线性相关，值得研究。据王乃斌先生（1997）对河北石家庄地区研究得知，冬小麦在不同生育期的生长速率大不相同，尤其在返青至乳熟期间生长迅速，变化最大。研究发现，指数关系更能贴切地描述生物量积累与NDVI积分之间的关系。,冬小麦不同生育期平均生长率（石家庄地区）（单位：g/m2d）,长势监测模型,指数模拟结果,顺义,怀柔,通州,平谷,昌平,长势监测模型,方法比较从下表中可以得知指数曲线在整体上与样点数据的拟合度更好。这是因为4月初到5月底，随着温度的升高、降水的增加，冬小麦日生长率不断加大，导致生物量的增加幅度大于NDVI值的增加幅度。县级整体拟合度R2计算方法：,不同分析方法的比较,xi即某县i点模型计算值，xi0即i点观测值。拟合度表达了各点模型计算值与原始观测值之间的距离，拟合度越大，距离越小，说明模型拟合效果越好。,长势监测结果,北京市冬小麦生物量（公斤/公顷）分布图（2002年4月1日-5月18日）,长势监测结果,北京市冬小麦生物量（公斤/公顷）分布图（2002年5月31日）,长势监测结果,相邻时段冬小麦生物量变化空间分布图,产量估算,5月中旬是冬小麦产量形成的关键时期，如果没有灾害发生，从其长势状况可以推算当年产量。利用5月18日采集的地面样点生物量与最终实测产量建立相关，二者相关系数达到0.9以上。,冬小麦单产空间分布图,北京市冬小麦估产结果(2002),冬小麦估产之二：产量估算（王乃斌等）,模型构建参数获取,模型构建通过对冬小麦生长发育特征的分析，从形成产量的三要素（亩穗数、穗粒数、千粒重）观点出发，采用分段相关建模。亩穗数：叶面积指数与亩穗数之间有较好的线性关系，而绿度指数在冬小麦形成亩穗数阶段又与叶面积指数有较好的线性关系。因此确定亩穗数时以绿度作为主要因子。,产量估算,模型构建,产量估算,叶面积指数与亩穗数,冬小麦绿度与叶面积指数,模型构建穗粒数：冬小麦穗粒数的多少取决于拔节至灌浆初期的生长状况，此阶段对温度的要求严格，如果温度较高，发育便加快，小花退化就多，形成小穗数多而穗粒数少的状况；反之温度适宜可增加穗粒数。这是温度因子作为建模的依据。,产量估算,模型构建千粒重：影响小麦千粒重形成的时间主要在灌浆期。该时期正处于入夏，气温迅速上升，如果水肥条件不佳，遇到连续3天30度高温，就会造成“逼熟”，叶子干枯，停止灌浆，形成瘪粒，千粒重下降。蜡熟末期，旗叶变黄，干物质积累已经停止。所以在形成千粒重过程中，绿度的变化速率是很有意义的指标，它既能体现小麦后期水肥条件状况，也能表示小麦后期的生命过程。,产量估算,产量估算,Y:估算的单位面积产量（公斤/公顷）；G:返青至抽穗绿度累加值，以G表示；T0: