CN102393238B - 一种草地地上干物质量遥感估测方法 - Google Patents
一种草地地上干物质量遥感估测方法 Download PDFInfo
- Publication number
- CN102393238B CN102393238B CN201110218228.4A CN201110218228A CN102393238B CN 102393238 B CN102393238 B CN 102393238B CN 201110218228 A CN201110218228 A CN 201110218228A CN 102393238 B CN102393238 B CN 102393238B
- Authority
- CN
- China
- Prior art keywords
- data
- ground
- modis
- sample
- ndvi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种遥感估测草地地上干物质量的方法,属于遥感应用领域。该方法包括野外试验数据采集及处理、Modis卫星数据的下载和处理、数据分析建模及精度检验等步骤。通过地面高光谱试验建立预测地上干物质量地面光谱模型和修正Modis光谱模型,有别于其他同类研究中直接利用Modis遥感卫星的NDVI数据预测生物量的作法,有助于提高预测精度,有利于草地资源的科学管理和合理利用,对于正确评价草原真实的生产力和永续利用草场资源具有重要现实意义。
Description
技术领域
本发明涉及一种遥感估测草地地上干物质量的方法,尤其是一种非破坏性的、能够利用地面高光谱数据和卫星遥感数据准确、快速确定草原生产力格局和动态的方法,属于遥感应用领域。
背景技术
利用草地光谱反射率估测地上干物质量的方法最早起源于20世纪70年代,美国学者Pearson R. L.和 Miller L. D.等人,在克罗拉多普列利草原上,用手提式光谱仪测定了矮草草原草地群落的光谱反射率;他们发现光谱反射率与样方的地上生物量之间存在相关关系。20世纪70年代末期TUCHER C. J.指出,基于红外和红光波段的比值(Infrared/Red)与地上生物量之间建立数学模型将成为植被遥感研究热点之一。后有多名学者通过试验证明,基于红光波段和近红外波段的光谱反射率比值和归一化植被指数(NDVI)可以作为牧草产量估测的可靠因子。
高光谱遥感(Hyperspectral Remote Sensing)在电磁波谱的可见光、近红外、中红外和热红外波段范围内,能够获取光谱分辨率达到纳米级的连续图谱数据。它源于多光谱遥感技术,以测谱学为基础在20世纪80年代初发展起来的遥感前沿技术。高光谱遥感的显著特点之一便是具有高光谱分辨率。过去的多光谱遥感如TM等只能提供7个100~200nm分辨率的间断波段信息,而高光谱遥感则可提供几十至数百个10nm左右分辨率的连续波段信息,使得高光谱遥感有足够的光谱分辨率,能够辨别那些利用多光谱遥感技术不能辨别的地物特征。
近期,国内外多项研究尝试利用地面实测的高光谱或影像光谱数据建立各类预测模型,用于预测牧草的产草量、草地的质量等,他们多是运用高光谱数据原始变量及各种变换形式,如:红、黄和蓝(三边)光学参数,植被指数,绿色反射峰(绿峰)和红光吸收低谷(红谷)等变量,进行草地生产力和质量的高光谱估算模型研究,深入分析各种草原植被的光谱特征与草地生理生化参数定量化方面的特征关系,从植物反射光谱中寻找与生物量或其他生物化学属性相关的最佳波段。
但是,目前在现有相关技术研究方面,环境遥感的研究人员多侧重直接利用高空遥感数据提取植被指数预测草地地上干物质量,用于大面积估产的草地植被高光谱测定数据明显偏少;专门研究植物高光谱的科研人员,多是侧重探讨植物光谱特征与植物生理学特征之间的关系;上述两种研究缺少结合和联结点,并且现在尚无案例证明地面高光谱提取植被指数和遥感数据提取植被指数相结合估测地上干物质量的有效性。
发明内容
本发明的主要目的是克服现有直接利用遥感影像技术预测草地地上干物质量的不足,为利用地面实测的高光谱数据和Modis卫星数据准确及时估测草地生产力格局和动态提供一种新方法。
本发明所述技术问题是由以下技术方案实现的(图1)。
一种草地地上干物质量遥感估测方法,包括如下步骤:
(一)野外试验数据采集及处理;
(二)Modis卫星数据的下载和处理;
(三)数据分析建模及精度检验。
优选的,
所述步骤(一)野外试验数据采集及处理为:
掌握研究区概况后,确定野外采样路线,进行野外试验,包括野外地面高光谱采集、地上干物质量采集以及相关地形地貌、植被群落结构、地理坐标数据的采集记录,并对这些试验数据进行处理和分析。
所述步骤(二)Modis卫星数据的下载和处理为:
确定研究区的地理范围后,下载Modis遥感数据,在Envi软件中经过矫正、合成、坐标和存储格式的转化以后,在Arcmap中按研究区域进行裁切,获得整个生长季NDVI分布格局,依据野外采样时记录的地理坐标,提取与野外时间同步的野外样地的Modis NDVI数据。
所述步骤(三)数据分析建模及精度检验:
通过分析研究区内实测ASD NDVI 和实测草地地上干物质量(ANPP)散点关系,选用各类函数进行回归分析,并对拟合方程进行模型优化,选取最优的回归模型,并利用标准误差和平均误差系数对所建模型精度进行检验;
然后通过分析地面与高空遥感植被指数的定量关系,将所优选出来的统计方程转化为可以用于草地大面积估测产量的修正的Modis估产模型,并利用标准误差和平均误差系数对所建模型精度进行检验。
更优选的,
所述步骤(一)野外试验数据采集及处理为:
(1)野外试验主要使用设备包括(图2):
地面光谱辐射仪,用于测量研究区内地面各种草地类型的光谱数据;
数码相机,用于采集研究区各种草地类型的描述数据;
样方取样工具包括1m×1m样方框、剪刀、布制取样袋,用于采集草地地上生物量;
精密天枰,用于野外获取草地生物量鲜重和烘干后的干重;
烘干机,用于草样样品采集后烘干;
便携式电脑,用于记录光谱辐射仪所采集的高光谱数据、植被群落描述数据、测量条件和被测量地点的地理坐标,生成的研究区野外草地植被光谱数据库;
便携式GPS,与便携式电脑相连接用于记录各个采样点的地理坐标,包括海拔高度、经纬度信息。
(2)数据库逻辑图构成主要包括(图3):
采集的草地植被高光谱DN值与反射率数据、采集的草地植物鲜重与干重数据、依据地理坐标提取的与野外试验同期的Modis NDVI数据,另外还包括野外试验样地地形地貌地理坐标数据、野外试验样地植被群落构成描述数据以及野外试验样地的样方相片;
(3)步骤为:
①选择大样地:在进行地面野外试验时,首先在分析TM遥感影像、土地利用现状图和植被类型图的基础上,选择大致250m×250m植物生长均匀大样地,要求其植被斑块面积较大且在植被组成上具有代表性,以满足将来建立地面光谱数据与Modis的植被指数相关关系的像元匹配要求;
②数据采集:试验过程中选择大样地中最具有典型和代表性的典型样地,每个典型样地做30个1m×1m的样方;另外的一般样地中每个做5个1m×1m的样方;使用美国ASD公司的Fieldspec 3光谱辐射仪进行草地植被光谱测定,视场角25°,光谱范围:350-2500nm;采样间隔为1.4nm(350~1000nm区间)和2nm (在1000~2500nm区间);观测时传感器垂直向下,距离冠层0.5m,每个1m×1m的样方测量5组高光谱数据,具体高光谱测量点位示意图见图4(5个测点代表光谱仪感应器探头垂直对应的地面位置,圆环代表光谱仪感应器探头地面测试范围);同时所用的光谱仪探头感应器每隔10~15分钟用白板进行校正;为减少太阳辐照度的影响,选择的天气状况良好,晴朗无云,风力较小,太阳光强度充足并稳定的时段,野外光谱测量的时间在10:00~15:00;
每个1m×1m样方测量光谱数据5组,用数据线连接光谱仪和GPS,通过无线将笔记本电脑和光谱仪连接,在笔记本上记录的每组光谱数据中带有地理坐标和海拔高度;为了获得生物量数据,每个小样方测完光谱后,用数码相机垂直于地面,距离冠层0.5m拍照,然后将植物沿地面齐剪下称其鲜重,并用布袋取回,放入烘箱内,80℃恒温烘干10~12 h后称其干重,根据文献资料所得每个样方地上生物量的干重为实测地上干物质量,将每个样方对应的光谱数据编号和照片编号、样方生物量数据以及样方植被描述等详细记录。
③地面高光谱数据处理(图5):地面光谱数据处理在Viewspec pro Version5.6软件中完成,在室内电脑中安装Viewspec pro Version5.6软件;将所有测得的地面光谱数据拷贝到电脑硬盘中,在Viewspec pro Version5.6软件窗口打开需要处理的植被光谱数据,默认存储的方式为DN值,在Process窗口中利用Reflectance/transmttence命令将原始数据DN格式转换为地面草地植被反射率,改变其纵坐标为0~1;利用Process窗口中Lambda integration命令提取与Modis近红外波段(841–876 nm)和红光波段(620–670 nm)一致的光谱反射率平均值,利用公式(1)在excel中完成归一化植被指数的计算,
其中,ρ(841-876)和ρ(620-670)分别是对应MODIS近红外波段、红光波段的光谱反射率均值。
所述步骤(二)Modis卫星数据的下载和处理为:
(1)工具:
MODIS (Medium Resolution Imaging Spectral )是NASA(美国国家航天航空局)的对地观测卫星(EOS)计划中的中分辨率传感器,本发明使用EOS-Modis/Terra(https://lpdaac.usgs.gov/)中16天合成的NDVI数据,图像空间分辨率为250m,数据格式为HDF,为MODIS陆地产品中的植被指数产品MOD13;
(2)Modis数据处理(图6):
在https://lpdaac.usgs.gov/注册并下载与野外试验时间同步的研究区的NDVI数据,在Envi软件中经过矫正、合成、坐标和存储格式的转化以后,再在Arcmap中按研究区域进行裁切,按地理坐标提取Modis NDVI数据,用于和地面实测ASD NDVI对比。
所述步骤(三)数据分析建模及精度检验:
(1)数据分组:
依据已有的植被类型图、样地的分布以及试验时植被描述特征,将所获取的所有样本的试验数据进行随机抽取,分为两小组:一小组为训练样本,用于拟合方程回归分析;另一小组为测试样本,进行模型精度检验;训练样本约占3/4,测试样本约占1/4;
(2)选取回归模型:
在以往研究的基础上,利用excel中的图表向导功能绘制研究区内样本的实测ASD NDVI 和实测地上干物质量(ANPP)散点关系图,在excel中选择一元线性函数、对数函数、幂函数、指数函数等拟合方程进行模型构建和优化,目的是选取最优的回归模型。
(3)建立估产模型
本发明利用excel中的图表向导功能直接拟合Modis NDVI数据和地面实测ASD NDVI的线性回归方程,将拟合所得的线性回归方程代入到上一步所选出的回归模型中,得到可以用于草地大面积估测产量的修正的Modis估产模型。
(4)精度检验:
为了检验回归模型和估产模型的拟合效果和预测效果,以及是否可根据所测样本资料来推断总体情况,比较训练样本建立的各回归方程决定系数(R 2 )的大小,并对其进行F检验,利用测试样本对各种植被类型回归模型进行模型精度检验,选用标准误差(SE,Eq. (2)和平均误差系数(MEC,Eq. (3)进行检验。 计算公式为:
式中,y是实测的地上干物质量,g/m2;y'是预测的地上干物质量,g/m2;n是样本数。
本研究实测NDVI用ASD NDVI表示,Modis 遥感所得NDVI用Modis NDVI表示。
中国北方约有310万km2的以放牧利用为主的天然草地,是广大干旱、半干旱地区最重要的自然资源。合理利用草地资源不仅有利于促进畜牧业健康持续发展,而且可以维护区域生态平衡、保障区域生态安全。长期以来,由于草原生态监测手段不能满足生产现状、畜牧业发展的要求,不能真正实现“以草定畜”,导致天然草地退化、沙化现象严重,生产力大大下降,对畜牧业发展构成很大威胁。寻求草畜平衡发展,是实现合理、高效、持续利用草地资源的关键,也正是本发明的主要目的。准确及时地获取大范围牧草产量,掌握其空间分布及时间变化特征是草畜平衡设计的前提。靠常规野外调查方法估算产草量,耗时费力,无法满足大面积草地估产的需要。遥感技术(Remote sensing,RS)、地理信息系统(Geography informationsystems,GIS)和全球定位系统(Global positioning systems,GPS)的发展为草地资源调查和监测手段现代化发挥了巨大作用,并展示了广阔的应用前景。草地生物量估测和草地生产力格局评价是草地资源监测和调查的重要任务,也是组织畜牧业生产必须掌握的重要指标。草地植被高光谱反射率的地面测定工作是草地资源遥感监测的基础,也是利用3S技术进行高精度、大面积草地估产的前提。本发明通过地面高光谱试验建立预测地上干物质量地面光谱模型和修正Modis光谱模型,有别于其他同类研究中直接利用Modis 遥感卫星的NDVI数据预测生物量的作法,有助于提高预测精度,有利于草地资源的科学管理和合理利用,对于正确评价草原真实的生产力和永续利用草场资源具有重要现实意义。
附图说明
下面结合附图对本发明作进一步说明。
图1 草地地上干物质量遥感估测方法流程图
图2 地面试验装备示意图
图3 数据库逻辑示意图
图4 地面样方高光谱测量示意图
图5 地面高光谱数据处理示意图
图6 Modis数据处理示意图
图7 研究区ASD NDVI与ANPP最优回归方程
图8 研究区ASD NDVI与ANPP最优回归方程误差分析
图9 ASD NDVI和Modis NDVI的相关关系图
图10研究区修正Modis光谱估产模型误差分析图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步说明。
草地地上干物质量遥感估测方法的应用案例
本次发明试验区主要涉及呼伦贝尔草原。样地主要分布在新巴尔虎左旗、新巴尔虎右旗、满洲里市、陈巴尔虎旗和鄂温克族自治旗境内。
本发明应用的实施例野外实测工作分别在2009年7月下旬和8月上旬进行,此时是植被生长最旺盛的时期,采样路线尽量覆盖呼伦贝尔草原不同植物群落的不同生产力梯度。样地和小样方具体设置方法为:首先在分析TM遥感影像、土地利用现状图和植被类型图的基础上,选择大致250m×250m植物生长均匀的49个样地,要求其植被斑块面积较大且在植被组成上具有代表性,以满足将来建立地面光谱数据与Modis的植被指数相关关系的像元匹配要求。试验过程中选择样地中10个最具有典型和代表性的典型样地,每个做30个1m×1m的样方,典型样地样方总数为10×30=300个;另外的39个样地中每个做5个1m×1m的样方,39个样地的样方总数39×5=195个。
使用美国ASD公司的Fieldspec 3光谱辐射仪进行草地植被光谱测定,视场角25°,光谱范围:350-2500nm;采样间隔为1.4nm(350~1000nm区间)和2nm (在1000~2500nm区间);观测时传感器垂直向下,距离冠层0.5m,每个1m×1m的样方测量5组高光谱数据,具体高光谱测量点位示意图见图4,5个测点代表光谱仪感应器探头垂直对应的地面位置,圆环代表光谱仪感应器探头地面测试范围。同时测量时光谱仪探头感应器每隔10~15分钟用白板进行校正。为减少太阳辐照度的影响,选择的天气状况良好,晴朗无云,风力较小,太阳光强度充足并稳定的时段,野外光谱测量的时间在10:00~15:00。每个1m×1m样方测量光谱数据5组,用数据线连接光谱仪和GPS,通过无线将笔记本电脑和光谱仪连接,在笔记本上记录的每组光谱数据中带有地理坐标和海拔高度。为了获得生物量数据,每个小样方测完光谱后,用数码相机垂直于地面,距离冠层0.5m拍照,然后将植物沿地面齐剪下称其鲜重,并用布袋取回,放入烘箱内,80℃恒温烘干10~12 h后称其干重,直接得到实测地上干物质量,将每个样方对应的光谱数据编号和照片编号、样方生物量数据以及样方植被描述等详细记录。
ASD NDVI提取及计算。地面光谱数据处理在Viewspec pro Version5.6软件中完成,在室内电脑中安装Viewspec pro Version5.6软件;将所有测得的地面光谱数据拷贝到电脑硬盘中,在Viewspec pro Version5.6软件窗口打开需要处理的植被光谱数据,默认存储的方式为DN值,在Process窗口中利用Reflectance/transmttence命令将原始数据DN格式转换为地面草地植被反射率,改变其纵坐标为0~1;利用Process窗口中Lambda integration命令提取与Modis近红外波段(841–876 nm)和红光波段(620–670 nm)一致的光谱反射率平均值,利用公式(1)在excel中完成每个小样方归一化植被指数(ASD NDVI)的计算。
处理好的数据库中每个小样方对应一张照片,每张照片对应1个地上干物质量以及1个ASD NDVI均值,一共获得495组一一对应的地上干物质量和实测ASD NDVI均值。将所获取所有样本的试验数据进行随机抽取,分为两小组:一小组为训练样本,用于拟合方程回归分析;另一小组为测试样本,进行模型精度检验;训练样本375个,测试样本120个。
估算ANPP地面光谱模型的建立。本发明在以往研究的基础上,利用excel中的图表向导功能绘制研究区内样本的实测ASD NDVI 和实测地上干物质量(ANPP)散点关系图,选用线性函数、对数函数、乘幂函数和指数函数进行回归分析。结果表明:实测ASD NDVI 和ANPP之间存在较强的相关关系,可以认为建立基于实测的NDVI的ANPP估测模型是可行的。ASD NDVI和ANPP之间各个方程能通过极显著性水平(0.01)的F检验,达到统计学上的要求,并且利用预留的测试样本进行误差分析,结果表明指数函数为最优回归模型,见表1和表2。训练样本最优的回归方程拟合曲线及测试样本的误差检验见图7、图8,图7为 ASD NDVI与ANPP最优回归方程(n = 375, P < 0.001),图8为ASD NDVI与ANPP最优回归方程误差分析(n = 120, P < 0.001) SE 为预测地上干物质量的标准误差,MEC为平均误差系数,n为样本数。
通过对比其各类回归模型的决定系数的大小,同时考虑误差分析结果,选择指数函数为地上干物质量(ANPP)与ASD NDVI之间的表达式,见公式(4):
所有样地ASD NDVI均值计算。为了使地面试验结果应用于高空遥感影像,源于野外光谱测定ASD NDVI计算方法及波段选取与Modis NDVI完全一致,选用红光波段(620–670 nm)和近红外波段(841–876 nm)的反射率值。按GPS记录的地理坐标将每个样地所有小样方的实测ASD NDVI均值求均值,得到49组(10个典型样地和39个样地)实测ASD NDVI均值。用于分析Modis NDVI和实测ASD NDVI均值的相关关系。
发明例Modis NDVI数据下载与提取。如图6所示,为本发明实施例Modis数据处理示意图,首先在https://lpdaac.usgs.gov/注册并下载与野外试验时间同步的2009年7月12日-7月27日,7月28日-8月12日研究区的NDVI数据2期,在Envi软件中经过矫正、合成、坐标和存储格式的转化以后,在Arcmap中按研究区域进行裁切,按照地面实测样地数据记录的经纬度坐标信息,提取相应点的遥感影像中的Modis NDVI,用于和地面实测ASD NDVI对比。为克服像元影像坐标偏移及边缘畸变的影响,若地面样地中5个样方的经纬度点落到2个以上像元中或位于像元边缘,则取像元的影像像元值的平均值作为每个大样地的NDVI值(典型样地中30个样方地理坐标也随机选分布均匀的5个点),以减少‘点对点’资料带来的偏差。
ASD NDVI和Modis NDVI的相关关系分析。为了探求地面所测的植被光谱数据和高空遥感所得的植被光谱数据内在的关系,在excel中绘制49个样地一一对应的ASD NDVI 和Modis NDVI之间关系图,见图8。ASD NDVI 和Modis NDVI之间相关关系为线性方程,它们二者之间的表达式为公式(5),拟合的效果也较好R2=0.7939,能通过极显著性水平(0.01)的F检验(F=181.10,P<0.001)。
将公式(5)代入公式(4)得到估算地上干物质量的Modis光谱模型,表达式为公式(6):
修正Modis光谱估产模型的检验。将估算地上干物质量的Modis光谱模型公式(6)应用到与野外试验同期的Modis影像上(2009年7月12日-7月27日,7月28日-8月12日),通过栅格计算,得到上述时段呼伦贝尔草原地上干物质量的空间格局,再通过试验样地的地理坐标以及试验记录的采样时间分别从栅格图中提取与野外实测的地上干物质量一一对应的预测的地上干物质量,将预测的ANPP与试验获得的ANPP进行对比分析,发现二者相关性较好,相关系数可以达到0.791,图9为基于修正Modis光谱模型预测的ANPP与实测的ANPP之间的相关关系。
为了进一步验证预测精度,根据公式(2)和(3)计算预测的地上干物质量与实测的地上干物质量的标准误差(SE=62g/m2)和平均误差系数(MEC=0.3114)。通过以上分析可以看出,所建的估测地上干物质量的地面光谱模型经过修正后,得到Modis光谱模型,该模型预测的平均预测精度可以达到68.86%,可以应用Modis/Terra 或Modis/Aqua数据估算呼伦贝尔草原大面积和自2000年以来的地上干物质量。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (1)
1.一种草地地上干物质量遥感估测方法,其特征在于,包括如下步骤:
(一)野外试验数据采集及处理:
(1)野外试验主要使用设备包括:
地面光谱仪,用于测量研究区内地面各种草地类型的光谱数据;
数码相机,用于采集研究区各种草地类型的描述数据;
样方取样工具包括1m×1m样方框、剪刀、布制取样袋,用于采集草地地上生物量;
精密天枰,用于野外获取草地生物量鲜重和烘干后的干重;
烘干机,用于草样样品采集后烘干;
便携式电脑,用于记录光谱仪所采集的光谱数据、植被群落描述数据、测量条件和被测量地点的地理坐标,生成的研究区野外草地植被光谱数据库;
便携式GPS,与便携式电脑相连接用于记录各个采样点的地理坐标,包括海拔高度、经纬度信息;
(2)数据库主要包括:
采集草地植被光谱DN值与反射率数据、采集草地植物鲜重与干重数据、依据地理坐标提取的与野外试验时间同步的NDVIModis数据,另外还包括野外试验样地地形地貌地理坐标数据、野外试验样地植被群落构成描述数据以及野外试验样地的样方相片;
(3)步骤为:
①选择大样地:在进行地面野外试验时,首先在分析TM遥感影像、土地利用现状图和植被类型图的基础上,选择大致250m×250m植物生长均匀大样地,要求其植被斑块面积较大且在植被组成上具有代表性,以满足将来建立地面光谱数据与Modis的植被指数相关关系的像元匹配要求;
②数据采集:试验过程中选择大样地中最具有典型和代表性的典型样地,每个典型样地做30个1m×1m的样方;另外的一般样地中每个做5个1m×1m的样方;使用美国ASD公司的Fieldspec3光谱仪进行草地植被光谱测定,视场角25°,光谱范围:350-2500nm;采样间隔为1.4nm,在350~1000nm区间,和2nm,在1000~2500nm区间;观测时数码相机垂直向下,距离冠层0.5m,每个1m×1m的样方测量5组光谱数据;同时所用的光谱仪探头感应器每隔10~15分钟用白板进行校正;为减少太阳辐照度的影响,选择的天气状况良好,晴朗无云,风力较小,太阳光强度充足并稳定的时段,野外光谱测量的时间在10:00~15:00;
每个1m×1m样方测量光谱数据5组,用数据线连接光谱仪和GPS,通过无线将便携式电脑和光谱仪连接,在便携式电脑上记录的每组光谱数据中带有地理坐标和海拔高度;为了获得生物量数据,每个小样方测完光谱后,用数码相机垂直于地面,距离冠层0.5m拍照,然后将植物沿地面齐剪下称其鲜重,并用布袋取回,放入烘箱内,80℃恒温烘干10~12h后称其干重,作为实测地上干物质量,将每个样方对应的光谱数据编号和照片编号、样方生物量数据以及样方植被描述详细记录;
③地面光谱数据处理:地面光谱数据处理在Viewspec pro Version5.6软件中完成,在室内电脑中安装Viewspec pro Version5.6软件;将所有测得的地面光谱数据拷贝到电脑硬盘中,在Viewspec pro Version5.6软件窗口打开需要处理的植被光谱数据,默认存储的方式为DN值,在Process窗口中利用Reflectance/transmttence命令将原始数据DN格式转换为地面草地植被反射率,改变其纵坐标为0~1;利用Process窗口中Lambda integration命令提取与Modis近红外波段841–876nm和红光波段620–670nm一致的光谱反射率平均值,利用公式(1)在excel中完成归一化植被指数的计算,
(二)Modis卫星数据的下载和处理:
(1)工具:
Modis是NASA美国国家航天航空局的对地观测卫星计划中的中分辨率传感器,使用EOS-Modis/Terra中16天合成的NDVI数据,图像空间分辨率为250m,数据格式为HDF,为Modis陆地产品中的植被指数产品MOD13;
(2)Modis数据处理:
在https://lpdaac.usgs.gov/注册并下载与野外试验时间同步的研究区的NDVI数据,在Envi软件中经过矫正、合成、坐标和存储格式的转化以后,再在Arcmap中按研究区域进行裁切,按地理坐标提取NDVIModis数据,用于和地面实测NDVIASD对比;
(三)数据分析建模及精度检验:
(1)数据分组:
依据已有的植被类型图、样地的分布以及试验时植被描述特征,将所获取的所有样本的试验数据进行随机抽取,分为两小组:一小组为训练样本,用于拟合方程回归分析;另一小组为测试样本,进行模型精度检验;训练样本约占3/4,测试样本约占1/4;
(2)选取回归模型:
在以往研究的基础上,利用excel中的图表向导功能绘制研究区内样本的实测NDVIASD和实测地上干物质量散点关系图,在excel中选择一元线性函数、对数函数、幂函数、指数函数拟合方程进行模型构建和优化,最终选取指数函数为最优的回归模型,见公式(2);
(3)建立估产模型
利用excel中的图表向导功能直接拟合NDVIModis数据和地面实测NDVIASD的线性回归方程,将拟合所得的线性回归方程代入到上一步所选出的回归模型中,得到可以用于草地大面积估测产量的修正的Modis估产模型;
NDVIASD和NDVIModis之间相关关系为线性方程,它们二者之间的表达式为公式(3),R2=0.7939,能通过极显著性水平(0.01)的F检验(F=181.10,P<0.001);
NDVIASD=1.0339*NDVIModis-0.0133(R2=0.7939,P〈0.001) (3)将公式(3)代入公式(2)得到估算地上干物质量的Modis光谱模型,表达式为公式(4):
修正Modis光谱估产模型的检验:将估算地上干物质量的Modis光谱模型公式(4)应用到与野外试验同期的Modis影像上,通过栅格计算,得到草原地上干物质量的空间格局,再通过试验样地的地理坐标以及试验记录的采样时间分别从栅格图中提取与野外实测的地上干物质量一一对应的预测的地上干物质量,将预测的ANPP与试验获得的ANPP进行对比分析,相关系数可以达到0.791;
(4)精度检验:
为了检验回归模型和估产模型的拟合效果和预测效果,以及是否可根据测试样本资料来推断总体情况,比较训练样本建立的各回归方程决定系数(R2)的大小,并对其进行F检验,利用测试样本对各种植被类型回归模型进行模型精度检验,选用标准误差SE与平均误差MEC进行检验,计算公式为:
式中,y是实测的地上干物质量,g/m2;y'是预测的地上干物质量,g/m2;n是样本数;所建的估测地上干物质量的地面光谱模型经过修正后,得到Modis光谱模型,模型预测的平均预测精度可以达到68.86%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110218228.4A CN102393238B (zh) | 2011-08-01 | 2011-08-01 | 一种草地地上干物质量遥感估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110218228.4A CN102393238B (zh) | 2011-08-01 | 2011-08-01 | 一种草地地上干物质量遥感估测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102393238A CN102393238A (zh) | 2012-03-28 |
CN102393238B true CN102393238B (zh) | 2014-03-19 |
Family
ID=45860598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110218228.4A Active CN102393238B (zh) | 2011-08-01 | 2011-08-01 | 一种草地地上干物质量遥感估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102393238B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102893817B (zh) * | 2012-10-10 | 2014-04-16 | 南京信息工程大学 | 一种基于指数线性方程的设施作物干物质生产模拟方法 |
CN103020478B (zh) * | 2012-12-28 | 2015-09-16 | 杭州师范大学 | 一种海洋水色遥感产品真实性检验的方法 |
CN103344746B (zh) * | 2013-06-25 | 2015-06-17 | 甘肃农业大学 | 草地生产力快速测定方法 |
CN103439297B (zh) * | 2013-09-05 | 2016-03-23 | 太原理工大学 | 一种荒漠草原绿色植物鲜重遥感估算方法 |
CN103971290A (zh) * | 2014-04-08 | 2014-08-06 | 武汉禾讯农业信息科技有限公司 | 全球农作物长势监控查询系统及其方法 |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
CN105842707B (zh) * | 2015-01-15 | 2018-03-06 | 兰州大学 | 基于无人机遥感图像的草地地上生物量测算方法及装置 |
CN106092915B (zh) * | 2016-05-31 | 2018-06-05 | 太原理工大学 | 一种草地绿色植物与枯萎植物重量比例遥感估算方法 |
CN107145728A (zh) * | 2017-04-27 | 2017-09-08 | 太原理工大学 | 一种荒漠草原非生长季枯草重量遥感估算方法 |
CN107907075A (zh) * | 2017-12-28 | 2018-04-13 | 山东省农业可持续发展研究所 | 花生叶面积指数遥感监测方法 |
CN108416263B (zh) * | 2018-01-29 | 2020-09-01 | 华南农业大学 | 一种适用于农情低空遥感监测的低成本的无人机高度测量方法 |
CN108663483B (zh) * | 2018-05-04 | 2020-02-14 | 兰州大学 | 一种草地植物种群地上生物量测量方法及系统 |
WO2019226782A1 (en) | 2018-05-25 | 2019-11-28 | Bayer Cropscience Lp | System and method for vegetation management risk assessment and resolution |
CN108414064B (zh) * | 2018-06-01 | 2023-06-09 | 成都睿畜电子科技有限公司 | 遥感式料塔称重设备及称重方法 |
CN109358341A (zh) * | 2018-08-31 | 2019-02-19 | 北京理工大学 | 一种便携式草地生物量无损伤测量装置 |
CN109253976B (zh) * | 2018-10-22 | 2021-01-15 | 北京麦飞科技有限公司 | 基于光感模块的高光谱实时辐射定标方法 |
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
CN109883524A (zh) * | 2019-03-08 | 2019-06-14 | 武汉大学 | 作物器官重量估计模型的建模方法 |
CN110222656B (zh) * | 2019-06-11 | 2020-05-05 | 成都理工大学 | 基于遥感技术的地上植被生态水定量反演方法 |
CN113033262B (zh) * | 2019-12-25 | 2022-08-05 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
CN112836575B (zh) * | 2020-12-30 | 2023-06-27 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于作物物候期的多时序影像水稻估产方法 |
CN113449984B (zh) * | 2021-06-25 | 2023-12-29 | 中国水利水电科学研究院 | 一种芦苇资源量评估方法 |
CN114781767B (zh) * | 2022-06-23 | 2022-10-28 | 成都信息工程大学 | 估算模型构建方法、估算方法、装置、计算机设备及介质 |
CN117160808B (zh) * | 2023-11-02 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种自动立式喷封孔胶多层喷涂工艺参数调试方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
EP1353144A3 (en) * | 2002-04-09 | 2008-12-10 | Itt Manufacturing Enterprises, Inc. | Multispectral active remote sensing without narrow-band optical filters |
CN101403795A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 估算城区树覆盖率的遥感测量方法及其遥感测量系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002257083A1 (en) * | 2001-03-22 | 2002-10-08 | University Of Utah | Optical method and apparatus for determining status of agricultural products |
-
2011
- 2011-08-01 CN CN201110218228.4A patent/CN102393238B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1353144A3 (en) * | 2002-04-09 | 2008-12-10 | Itt Manufacturing Enterprises, Inc. | Multispectral active remote sensing without narrow-band optical filters |
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN101403795A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 估算城区树覆盖率的遥感测量方法及其遥感测量系统 |
Non-Patent Citations (2)
Title |
---|
陈艳梅,等.呼伦贝尔典型草原区植物生长旺季地上干物质量估算的地面光谱模型.《环境科学研究》.2010,第23卷(第3期),320-325. * |
陈艳梅,等.呼伦贝尔草原植被覆盖度估算的光谱模型.《中国环境科学》.2010,第30卷(第2期),1287-1292. * |
Also Published As
Publication number | Publication date |
---|---|
CN102393238A (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102393238B (zh) | 一种草地地上干物质量遥感估测方法 | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
CN102288954A (zh) | 一种草地植被覆盖度遥感估测方法 | |
Liang et al. | Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China | |
Weng | Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends | |
Piñeiro et al. | Seasonal variation in aboveground production and radiation-use efficiency of temperate rangelands estimated through remote sensing | |
Agapiou et al. | Spectral sensitivity of ALOS, ASTER, IKONOS, LANDSAT and SPOT satellite imagery intended for the detection of archaeological crop marks | |
Du et al. | Impact of urban expansion on land surface temperature in Fuzhou, China using Landsat imagery | |
CN110046415A (zh) | 一种时空精细化的土壤有机质含量遥感动态反演方法 | |
CN106092915B (zh) | 一种草地绿色植物与枯萎植物重量比例遥感估算方法 | |
CN104166782A (zh) | 一种林地土壤有机碳遥感估测的方法 | |
Baghzouz et al. | Monitoring vegetation phenological cycles in two different semi-arid environmental settings using a ground-based NDVI system: A potential approach to improve satellite data interpretation | |
Shang et al. | Moso bamboo forest extraction and aboveground carbon storage estimation based on multi-source remotely sensed images | |
Bechtel et al. | Estimation of dense time series of urban air temperatures from multitemporal geostationary satellite data | |
Agapiou et al. | Examining the phenological cycle of barley (Hordeum vulgare) using satellite and in situ spectroradiometer measurements for the detection of buried archaeological remains | |
Belwalkar et al. | Evaluation of SIF retrievals from narrow-band and sub-nanometer airborne hyperspectral imagers flown in tandem: Modelling and validation in the context of plant phenotyping | |
Ren et al. | Estimation of litter mass in nongrowing seasons in arid grasslands using MODIS satellite data | |
Li et al. | UAV hyperspectral remote sensing estimation of soybean yield based on physiological and ecological parameter and meteorological factor in China | |
Hassan et al. | Modeling and monitoring wheat crop yield using geospatial techniques: a case study of Potohar region, Pakistan | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Boschetti et al. | Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series. | |
Zhang et al. | Measuring carbon in forests | |
Zhang et al. | In-season mapping of rice yield potential at jointing stage using Sentinel-2 images integrated with high-precision UAS data | |
Ma et al. | Estimation of evapotranspiration using all-weather land surface temperature and variational trends with warming temperatures for the River Source Region in Southwest China | |
Liu et al. | Modeling grass yields in Qinghai Province, China, based on MODIS NDVI data—an empirical comparison |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |