遥感应用农作物估产课件

第1页/共57页冬小麦反射光谱特征冬小麦反射光谱曲线第2页/共57页冬小麦反射光谱特征小麦、云杉、土壤反射光谱特征比较第3页/共57页冬小麦反射光谱特征小麦和棉花反射光谱特征比较第4页/共57页冬小麦反射光谱特征5月20日第5页/共57页遥感平台选择Landsat

TMNOAA

AVHRR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月第6页/共57页遥感信息源选择NOAA

AVHRR第7页/共57页AVHRR（Advanced

Very

High

Resolution

Radiometer）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1o

C

。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。NOAA

AVHRR第8页/共57页Channel观测波长（微米）观测项目分辨率扫描宽度1可见光波段0.58-0.68云、冰、雪1.1km2800km2近红外波段0.725-1.1水陆边界、陆地植被3中红外波段3.55-3.93表面温度、云4热红外波段10.5-11.5表面温度、云5热红外波段11.5-12.5表面温度、云LandsatLantat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

*

185

km（Landsat－7为

185

*170

km）。

Landsat上携带的传感器所具有的空间分辨率在不断提高，由

80

m提高到30

m，Landsa－7的ETM又提高到15

m。

Landsa－7ETM的空间分辨率在可见光、近红外、中红外波段为3第09页米/共，57页在热红外波段为60米，Landsat搭载的传感器MSS--Multispectral

Scanner

System

多光谱扫描系统TM—Thmetic

Mapper

专题制图仪器ETM+---Ehance

Thmetic

Mapper

Plus

增强型专题制图仪器第10页/共57页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。第12页/共57页估产区划估产区划图第13页/共57页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，以及根据物第1候4页/历共57确页定影响作物生长的相关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。第15页/共57页华北地区冬小麦主要生育日期等值线图成熟日期拔节日期播种日期分蘖日期返青日期第16抽页穗/共5日7页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。第17页/共57页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：第18页/共57页冬小麦面积的提取第19页/共57页理论基础：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）第20页/共57页在近红外波段植被和土壤难区分第21页/共57页红色波段上植被和水体难以区分第22页/共57页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。第23页/共57页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第24页/共57页地理空间三维绿度图像第25页/共57页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。第26页/共57页从ETM数据获取冬小麦面积第27页/共57页面积提取时相选择。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Landsat

ETM+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。对ETM数据和辅助数据进行预处理，生成差值绿度图像。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第28页/共57页（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D>Ti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第29页/共57页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。30冬小麦面积提取结果名称面积（亩）名称面积（亩）市区13036.3大兴-房山-平谷57262.3昌平42217.5怀柔33865.6顺义117956.8密云14919.2通州147217.4延庆2233.3第30页/共57页山东省差值绿度（D）图像第31页/共57页冬小麦估产：播面自动提取第32页/共57页第33页/共57页计算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第34页/共57页冬小麦估产：长势监测Normalized

Difference

Vegetation

IndexThe

generic

normalized

difference

vegetation

index

(NDVI):has

provided

a

method

of

estimating

net

primary

production

over

varyingbiometypes

(e.g.

Lenney

et

al.,

1996),

identifying

ecoregions

(Ramsey

et

al.,1995),monitoring

phenological

patterns

of

the

earth’s

vegetative

surface,

and

ofassessing

the

length

of

the

growing

season

and

dry-down

periods

(Huete

and

Liu,1994).第35页/共57页黄淮海地区冬小麦长势监测第36页/共57页长势监测第37页/共57页南皮县NDVI年际变化长势监测长势动态第38页/共57页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。顺义第39页/共57页怀柔通州平谷昌平长势监测模型第40页/共57页累生育期与出苗NDV至三叶I三积叶分至分蘖之分间蘖的至停长关返系青。至起身起身至拔节拔节至开花开花至乳熟乳熟至收获全生育期（不含越冬）所需天数16827181922339152平均生长率1.26.23.310.218.742.740.57.820.0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，变冬化小最麦大不。同研生究育发期现平，均生指长数率关（系石更家能庄贴地切区地）描述（生单物位量：g积/m2•d）长势监测模型指数模拟结果顺义第41页/共57页怀柔通州昌平平谷长势监测模型样点县线性回归指数R2整体拟合度R2整体拟合度昌

平0.91210.9290.96030.959怀

柔0.96140.9500.94560.955平

谷0.92080.9430.91020.951通

州0.94070.9400.97710.968顺

义0.90740.8940.97110.938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。第42页/共57页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）第43页/共57页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）第44页/共57页长势监测结果相邻时段冬小麦生物量变化空间分布图第45页/共57页产量估算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。第46页/共57页冬小麦单产空间第47页/共57页分布图北京市冬小麦估产结果(2002)第48页/共57页区县名称总产(吨)面积(亩)单产（公斤/亩）北

京3586.712441.6288.28房

山37387.4125452.8298.02昌

平11822.640608291.14顺

义39965.1119232335.19通

州55247.9148435.2372.20大

兴49465.8148780.8332.47平

谷19293.455987.2344.60怀

柔11499.933436.8343.93密

云4932.114256345.97延

庆637.92160295.32合

计233838.8700790.4333.68冬小麦估产之二：产量估算（王乃斌等）模型构建参数获取第49页/共57页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。第50页/共57页产量估算模型构建产量估算叶面积指数与亩穗数第51页/共57页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