CN101858971A

CN101858971A - 一种基于modis数据的水稻单产遥感估算方法

Info

Publication number: CN101858971A
Application number: CN 201010190186
Authority: CN
Inventors: 王福民; 黄敬峰; 孙华生
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2010-06-02
Filing date: 2010-06-02
Publication date: 2010-10-13

Abstract

一种基于MODIS数据的水稻单产遥感估算方法，包括：1)获取待监测区域的水稻生长发育过程中MODIS09遥感数据，计算植被指数EVI和水指数LSWI；2)利用水指数LSWI与植被指数EVI的关系，提取水稻像元；3)获取不同时期与水稻对应的植被指数EVI值；4)统计不同时期不同设定行政单元内植被指数EVI的平均值，获取所有设定行政单元的平均EVI；5)建立设定行政单元的平均EVI与水稻单产之间的统计模型；6)利用所要估算年份水稻生育期内的植被指数EVI估算所有设定行政单元的水稻产量，平均后求得待监测区域的水稻单产。本发明时间和空间分辨率和估产精度相对较高，并适合大范围监测水稻产量。

Description

一种基于MODIS数据的水稻单产遥感估算方法

技术领域

本发明涉及卫星遥感和对地观测应用于水稻单产领域，特别涉及一种基于MODIS数据的水稻单产遥感估算方法。

背景技术

传统的水稻估产速度慢、工作量大、成本高。目前获取水稻产量数据的渠道可概括为：各级统计部门根据农作物产量抽样调查推算的数据和面上调查汇总的数据，农业部门面上调查汇总的数据，气象部门根据前期气象条件和预报模式计算的产量数据。与常规的统计方法相比，遥感技术在水稻种植面积提取和产量估算方面具有独特的优势。遥感技术具有多光谱、多时相和宏观特性的特点，有快速、准确、动态的优点，能和地理信息系统和全球定位系统结合，可以实现信息收集和分析的定时、定量、定位，不仅可以获取水稻种植面积，实现空间分布的准确定位，而且能用于产量估算，还具有宏观、经济和客观等优点。水稻遥感估产就是通过收集、分析各种地物的不同光谱特征，利用卫星传感器记录地表信息、辨别水稻种植区域，提取不同时期水稻的植被指数信息，建立水稻关键生育期植被指数与水稻单产之间的关系，对水稻进行估产。前期使用遥感数据以NOAA和LANDSAT卫星数据为主，但是由于时间或空间分辨率不能同时满足估产条件而影响估产精度。

发明内容

为了克服现有水稻单产遥感估算方法的时间和空间分辨率低、精度低、不适合大范围监测水稻产量的不足，本发明提供一种时间和空间分辨率和估产精度相对较高，并适合大范围监测水稻产量的基于MODIS数据的水稻单产遥感估算方法。

本发明解决其技术问题所采用的技术方案是：

一种基于MODIS数据的水稻单产遥感估算方法，所述估算方法包括：

1)、获取待监测区域的水稻生长发育过程中MODIS09遥感数据，所述待监测区域由多个设定行政单元组成，所述MODIS09遥感数据包括红波段的地表反射率、近红波段的地表反射率、蓝波段的地表反射率、以及近红外和短波红外波段处的地表反射率；

计算植被指数EVI和水指数LSWI，其中，光谱指数EVI按照如下公式(1)计算：

EVI = 2.5 \times \frac{NIR - RED}{NIR + 6.0 \times RED - 7.5 \times BLUE + 1} - - - (1)

式(1)中，RED表示红波段的地表反射率，对应MODIS数据第一个波段；NIR表示近红波段的地表反射率，对应MODIS数据第二个波段；BLUE表示蓝波段的地表反射率，对应MODIS数据第三个波段；水指数LSWI按照如下公式(2)计算：

LSWI = \frac{NIR - SWIR}{NIR + SWIR} - - - (2)

式(2)中，NIR和SWIR分别表示MODIS近红外和短波红外波段处的地表反射率；

2)、提取水稻像元：利用水指数LSWI与植被指数EVI的关系，提取水稻像元，其过程为：在灌水移栽期LSWI＞0.12，EVI＜0.26，(LSWI+0.05)＞EVI，且其后第6到11个8天合成的图像的平均EVI＞0.35；

3)、依据步骤2)中确定的水稻像元位置，获取不同时期与水稻对应的植被指数EVI值；

4)、统计不同时期不同设定行政单元内植被指数EVI的平均值，获取所有设定行政单元的平均EVI；

5)、建立设定行政单元的平均EVI与水稻单产之间的统计模型；

6)、依据步骤5)所建模型，利用所要估算年份水稻生育期内的植被指数EVI估算所有设定行政单元的水稻产量，平均后求得待监测区域的水稻单产。

进一步，所述步骤5)中，所述统计模型是多元回归模型、逐步回归模型或者神经网络模型，也可以采用其他人工智能模型。

再进一步，所述待检测区域为省级区域，所述设定行政单元为县级或地区级行政单元。

本发明的技术构思为：中分辨率成像光谱仪(MODIS)具有36个光谱波段，扫描宽度为2330km，地面分辨率为250m、500m、1000m。由于MODIS数据具有较好的时、空分辨率，可以充分利用MODIS时间分辨率和空间分辨率的优势用于水稻产量监测。

本发明的有益效果主要表现在：(1)、能够显著的提高省级水稻单产监测精度，主要是因为步骤1)利用水稻典型盛期光谱特征，提高了水稻像元提取精度；(2)、由于MODIS数据的使用，提高了时间分辨，在水稻生育期内可以获取更多较高分辨率的遥感影像；(3)、适合大范围监测水稻产量。

附图说明

图1是基于MODIS数据的省级水稻单产遥感估算方法的流程图；

图2是利用MODIS数据提取的2001年水稻像元(图中横坐标为经度；纵坐标为纬度)；

图3是利用MODIS数据提取的2002年水稻像元(图中横坐标为经度；纵坐标为纬度)；

图4是利用MODIS数据提取的2003年水稻像元(图中横坐标为经度；纵坐标为纬度)；

图5是利用MODIS数据提取的2005年水稻像元(图中横坐标为经度；纵坐标为纬度)；

图6是利用MODIS数据提取的2005年水稻像元(图中横坐标为经度；纵坐标为纬度)；

图7是利用MODIS数据提取的2006年水稻像元(图中横坐标为经度；纵坐标为纬度)；

图8是利用MODIS数据提取的2007年水稻像元(图中横坐标为经度；纵坐标为纬度)。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图8，一种基于MODIS数据的水稻单产遥感估算方法，所述估算方法包括：

1)、获取待监测区域的水稻生长发育过程中MODIS09遥感数据，所述待监测区域由多个设定行政单元组成，所述MODIS09遥感数据包括红波段的地表反射率、近红波段的地表反射率、蓝波段的地表反射率、以及近红外和短波红外波段处的反射率；

计算植被指数EVI和水指数LSWI，其中，植被指数EVI按照如下公式(1)计算：

EVI = 2.5 \times \frac{NIR - RED}{NIR + 6.0 \times RED - 7.5 \times BLUE + 1} - - - (1)

LSWI = \frac{NIR - SWIR}{NIR + SWIR} - - - (2)

所述步骤5)中，所述统计模型是多元回归模型、逐步回归模型或者神经网络模型，也可以采用其他人工智能模型。

所述待检测区域为省级区域，所述设定行政单元为县级或是地区级行政单元。

下面将以江苏省为例，给出一个利用本发明开展省级水稻遥感估产的例子。要指出的是，所给出的实例是为了说明本发明方法的技术特点和功能特点，以使能更易于理解本发明，而不是限制本发明的使用范围。

参阅图1，它是本发明的基于NDVI水稻叶面积指数估算的波段宽度确定的流程图，具体步骤如下：

1.获取遥感数据及其他相关数据

在本实例中，水稻像元提取是采用2001年到2007年的MODIS时间序列数据(8天合成的MODIS09A1数据)。另外，还有江苏省省界矢量图和地级市的界线矢量图。

2.植被指数计算

利用MODIS09A1数据，使用以下公式计算植被指数EVI和水指数LSWI。

EVI = 2.5 \times \frac{NIR - RED}{NIR + 6.0 \times RED - 7.5 \times BLUE + 1}

LSWI = \frac{NIR - SWIR}{NIR + SWIR}

式中，RED：红波段的地表反射率，对应MODIS数据第一个波段；

NIR：近红波段的地表反射率，对应MODIS数据第二个波段；

BLUE：蓝波段的地表反射率，对应MODIS数据第三个波段。

SWIR：短波红外波段的地表反射率；

3.水稻像元提取的依据

水稻有别于其他地物的地方在于水稻种植在灌水的水田中，尤其是在水稻移栽前和水稻移栽初期，反射光谱中水信息特别明显。其他植被一般不具备这个特征，因此可以利用这个特征可以提取水稻像元。

水稻种植生长发育经历从稻田灌水-＞秧苗移栽-＞营养生长-＞生殖生长的各个水稻生殖发育期，这个过程中，植被指数(比如EVI)有小逐渐变大，再逐步变小，而对于水光谱指数(对水比较敏感，比如LSWI)与地表水密切相关，一般在地表水存在时量值比较大。因此可以利用建立两者之间的关系来确定水稻像元。对于江苏省，因为一般种植的是一季稻或是单季晚稻，其提取算法为：在灌水移栽期LSWI＞0.12，EVI＜0.26，(LSWI+0.05)＞EVI，且其后第6到11个8天合成的图像的平均EVI＞0.35。采用的遥感影像处理软件为ENVI。

利用上面提到的方法分别对2001年至2007年的MODIS数据进行处理，获取不同年份的水稻像元分布图，如图2到图8。

4.依据以上所确定的水稻像元位置，获取不同时期与水稻对应的植被指数EVI值；

5.通过ARCGIS中的Spatial Analyst Tools-＞Zonal-＞Zonal Statistics asTable求算江苏省内县级行政单元内水稻的平均EVI值。

6.建立估产模型进行估产

将2001、2002、2003、2004、2006、2007年的水稻产量与EVI177-EVI297建立多元回归模型，建模是利用SPSS的多元回归功能，建模时以水稻单产为因变量，以EVI177到EVI297为自变量，建模结果如下：

Y＝8437.121+0.189×EVI177-0.007×EVI185-0.431×EVI193+0.103×

EVI201+0.012×EVI209-0.266×EVI217+0.188×EVI225+0.248×

EVI233-0.064×EVI241+0.035×EVI249-0.388×EVI257+0.248×

EVI265+0.305×EVI273-0.403×EVI281+0.624×EVI289

-0.525×EVI297

其中Y表示水稻单产，EVI177表示第177天所在8天合成的植被指数，其他的也同样，所构建模型的R²为0.43。利用2005年的数据对上述模型进行检验，计算模拟的2005水稻产量，与实际产量相比较，其相关系数为0.38，均方根误差为431.9公斤/公顷，平均相对误差为4.5％。

Claims

1.一种基于MODIS数据的水稻单产遥感估算方法，其特征在于：所述估算方法包括：

EVI = 2.5 \times \frac{NIR - RED}{NIR + 6.0 \times RED - 7.5 \times BLUE + 1} - - - (1)

LSWI = \frac{NIR - SWIR}{NIR + SWIR} - - - (2)

2.如权利要求1所述的一种基于MODIS数据的水稻单产遥感估算方法，其特征在于：所述步骤5)中，所述统计模型是多元回归模型、逐步回归模型或者神经网络模型。

3.如权利要求1或2所述的一种基于MODIS数据的水稻单产遥感估算方法，其特征在于：所述待检测区域为省级区域，所述设定行政单元为县级或地区级行政单元。