CN103335953A - 一种个体与群体特征相结合的农作物长势遥感评价方法 - Google Patents

Abstract

本发明提出了一种个体与群体特征相结合的农作物长势遥感评价方法。该方法从农作物单株性状和农作物群体性状两个角度出发，选择农作物生物量作为农作物群体长势的监测指标，选择农作物冠层氮素浓度作为个体长势的监测指标，利用遥感技术对农作物群体指标、个体指标与物候进行监测，结合物候的监测消除因物候差异给长势监测所产生的影响，将群体特征与个体特征相结合，对大范围农作物长势进行遥感定量评价。

Description

一种个体与群体特征相结合的农作物长势遥感评价方法

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种个体与群体特征相结合的农作物长势遥感评价方法。

背景技术

大范围的农作物长势监测可以为农业政策的制订和粮食贸易提供决策依据，也是农作物产量估测的必要前提。然而基于田间报告的监测方法有着费用高昂、容易出错的缺点，而且无法提供实时的、空间分布的作物长势信息。而遥感技术可以提供时间和空间上连续的地表信息，使其成为大范围作物长势监测的最有效手段。利用遥感技术监测农作物的长势包括农作物的苗情、生长状况及其变化等，从中可及时获取农作物产量信息。农作物长势的遥感监测已经逐渐成为农业遥感中更为重要的内容，相应地，美国农业部、欧盟农业局、世界粮农组织（Food and Agriculture Organizaton，简称FAO）以及中国科学院等机构分别建设了各自的农作物长势遥感监测系统，为相应的国家和机构提供及时的大范围作物长势信息。

农作物长势包括了群体特征和个体特征两个方面，目前利用遥感技术的农作物长势监测主要有直接监测方法、同期对比方法、作物生长过程监测的方法、作物生长模型方法和诊断模型方法。其中，（1）直接监测法直接使用遥感获取的指数与农作物的长势进行相关分析，并找出相互之间的关系，该方法操作简单，使用的数据少，但没有扎实的理论基础，难以在较大尺度上推广；（2）同期对比法利用实时遥感数据（如归一化植被指数（Normalized Difference Vegetation Index，简称NDVI）等）与去年、多年平均以及指定某一年的遥感数据的对比，反映实时的农作物生长差异的空间变化状态，相对于直接监测方法使该方法有了一定的提高，但未改变该方法只能在一个时间断面上反映农作物长势的缺点，且该方法的监测结果很容易受农作物物候变化和农作物种植结构变化的影响，表现不稳定；（3）农作物生长过程监测法将农作物的VI值以时间为横坐标排列起来，便形成农作物生长动态迹线，直观的反映农作物从播种、出苗、抽穗到成熟收割的VI变化过程，过程监测的方法从农作物生长全过程的角度来反映作物长势，弥补了同期对比的方法只能反映一个较短时间内农作物长势的缺点；（4）农作物生长模型法使用农作物生长模型来模拟农作物的生长，从而实现农作物生长过程的监测和动态跟踪，该方法可以较为真实的反映农作物生长过程，精确的监测农作物长势，遥感数据的引入使用这些模型的大尺度应用成为了可能，但模型所需要的大量农学参数较难获取，参数的缺乏使这些模型的应用受到了较大的限制；（5）诊断模型法从作物生长的条件和环境等影响农作物长势的因素出发对农作物的长势进行评价，这些影响因素包括农作物生长的物候与阶段、肥料盈亏状况、水分胁迫评估、病虫害、杂草的发展等。

因此，绝大多数研究所得到的长势监测方法都只能对农作物长势进行定性或半定量的监测，却没有实现定量的农作物长势遥感监测方法研究。定性或半定量的监测方法主要采用年际间同期遥感影像进行对比分析，通过差值影像的分级显示，反映区域农作物生长状况的相对差异。目前，包括美国、欧盟、FAO以及我国的气象局、农业部、中国科学院等在内的运行系统都使用的是半定量的长势监测方法。同时这些长势监测方法在研究以后往往只能在一个较小的范围内适用，难以推广到其他地区，并且无法解决不同地区农作物在物候等方面的差异对监测结果的影响。

发明内容

（一）要解决的技术问题

本发明的目的是，消除不同地区农作物在物候等方面的差异对监测结果的影响，采用遥感技术在大范围内对农作物长势进行定量评价。

（二）技术方案

为了解决上述的技术问题，本发明提出了一种个体与群体特征相结合的农作物长势遥感评价方法，该方法包括以下步骤：

（1）对地面光谱反射的遥感数据进行预处理，这些数据来源于不同的卫星探测器；

（2）对预处理后的遥感数据进行农作物生物量遥感估算；

（3）对预处理后的遥感数据进行农作物冠层氮素浓度遥感监测；

（4）基于物候遥感数据对生物量监测结果进行物候修正，将生物量归一化到同一物候条件下；

（5）基于遥感观测得到的农作物生物量和冠层氮素浓度进行个体与群体特征相结合的农作物长势评价。

其中，遥感数据包括用于农作物生物量估算和农作物物候信息提取的MODIS数据，和用于农作物冠层氮素浓度估算的MERIS数据。

对于MODIS的数据产品只需进行格式转换，对于MERIS数据，利用欧空局提供的BEAM软件进行辐射纠正、几何纠正和大气纠正。

其中，农作物生物量采用光合作用累计方法进行估算。

其中，农作物氮素浓度采用红边斜率作为其遥感估算指标。

其中，农作物的红边光谱特性采用倒高斯模型进行模拟，从而提取红边参数，红边参数包括红谷位置、红边位置、红边振幅和红边斜率。

其中，农作物冠层氮素浓度的估算采用回归分析方法。

其中，对物候遥感数据采用Savitzky-Golay滤波的正向迭代算法进行数据重构。

其中，对生物量进行物候修正采用线性回归的方法。

其中，农作物生物量用于反映农作物群体状况，评价群体长势好坏；氮素或叶绿素含量用于反映农作物个体状况，评价农作物单体的长势。

其评价方法为：以二维表的形式将生物量和氮素含量这两类指数放在一起进行农作物长势的遥感评价，即将农作物个体与群体长势均较好时的长势定义为好，将个体与群体长势均不好的长势定义为差，其他状态则根据这两种指数的状态定义为各种由好到差的长势。

（三）有益效果

本发明所发展的方法充分利用了遥感技术可以在大范围内以像元为单元反映作物长势空间差异的特点，在降低监测成本的同时，提高了监测结果的客观性，避免了传统人工调查方法中主观性及以点代面所引入的不确定性。

本发明避免了对历史数据的依赖，只使用当年的遥感数据即可，同时考虑了作物个体与群体特征，使长势评价结果更加全面。

另外，在大范围上开展作物长势遥感监测时，不同区域的作物会因为所处物候阶段的不同而导致个体和群体特征差异。这种因为物候阶段不同所产生的差异会与因作物长势状况差别而产生的差异混合在一起，增加了长势监测的不确定性，本发明通过利用遥感获取作物物候信息，对作物生理、生化参数进行物候修正，消除了物候差异对长势监测结果的影响，使监测结果更客观。

附图说明

图1为个体与群体特征相结合的农作物长势遥感评价流程图；

图2为基于红边斜率的冬小麦冠层氮素浓度估算模型图；

图3为作物物候遥感监测技术流程图；

图4为作物个体与群体特征相结合的长势监测指标体系图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

如图1所示，本实施例中个体与群体特征相结合的农作物长势遥感评价方法，包括以下步骤：

1、对地面光谱反射的多源遥感数据进行预处理

本实施例所使用的遥感数据主要为中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，简称MODIS）数据与中等分辨率成像频谱仪（Medium Resolution Spectral Imager，简称MERSI）数据，其中，MODIS数据用于农作物生物量的估算和作物物候信息的提取，MERIS数据用于作物冠层氮素浓度的估算。

（1）MODIS数据预处理

MODIS数据具有观测范围广、对地观测重复时间短、分辨率中等的特点，其植被指数数据产品已成为大范围、长时间地表植被生产力监测和评估的主要空间信息源。本发明采用陆地过程分布式数据档案中心（The Land Processes Distributed Active Archive Center，简称LPDAAC）提供的16天合成的MODIS NDVI数据，空间分辨率为250m×250m。该数据下载后已经为数据产品，只需要进行格式转换即可。

（2）MERIS数据预处理

MERIS是搭载于由欧洲空间局（European Space Agency，简称ESA）发射的迄今为止最大的综合性环境卫星ENVISAT-1上的主要传感器，MERIS传感器在可见光—近红外的光谱范围内（390-1040nm）设置了15个波段，带宽在3.75-20nm之间，在可见光波段平均带宽为10nm。数据获取后利用欧空局所提供的BEAM软件进行数据的辐射纠正、几何纠正与大所纠正。

2、对预处理后的遥感数据进行农作物生物量遥感估算

对作物生物量的估算采用光合作用累计的方法，即作物的干物质量可以表示为生长季内吸收转化的光合有效辐射的累积值。根据修正后的CASA模型，一定时间段内作物增加的干物质量Bio表示为：

Bio＝ΣAPAR(t)′e(t)         ⑴

式中，APAR为植被吸收的光合有效辐射，表示为光合有效辐射PAR和光合有效辐射吸收比例FPAR的乘积；ε表示光能利用率。

一般情况下，光合有效辐射PAR表示为：

$\mathrm{PAR}=0.5\×K_{24}^{\↓}\left(t\right)---\left(2\right)$

式中

表示太阳总辐射量，由FAO在1998年公布的技术文档中的经验公式来计算获得，即

$K_{24}^{\↓}\left(t\right)=\{0.25+\frac{0.50n\left(t\right)}{N\left(t\right)}\}{K}_{24}^{\↓\mathrm{exo}}\left(t\right)---\left(3\right)$

$\mathrm{\δ}=0.409\sin (\frac{2\mathrm{\π}}{365}J-1.39)---\left(5\right)$

$d_r=1+0.033\cos \left(\frac{2\mathrm{\π}}{365}J\right)---\left(6\right)$

$N\left(t\right)=\frac{24}{\mathrm{\π}\×{\mathrm{\ω}}_s}---\left(8\right)$

式中，

表示地外太阳辐射（单位：MJ/m²/t）；G_sc是太阳常数，为0.0820MJm^-2min^-1（相当于1366.67Wm^-2）；d_r为相对日地距离；ω_s是日落时角（rad）；

表示地区纬度（rad）；δ为赤纬角（rad）；rad表示是弧度单位；J为儒略日，即某一天是一年中的第几天；N(t)为潜在或者说最大日照时数；n(t)为实际日照时数，该数据由气象站点得到。

FPAR表示植被对入射光合有效辐射的吸收比例，研究表明其与比值指数SR之间存在线性关系，即：

$\mathrm{FPAR}=\frac{(\mathrm{SR}-{\mathrm{SR}}_{\min })\×({\mathrm{FPAR}}_{\max }-{\mathrm{FPAR}}_{\min })}{{\mathrm{SR}}_{\max }-{\mathrm{SR}}_{\min }}+{\mathrm{FPAR}}_{\min }---\left(9\right)$

$\mathrm{SR}=\frac{\mathrm{NIR}}{\mathrm{RED}}=\frac{1+\mathrm{NDVI}}{1-\mathrm{NDVI}}---\left(10\right)$

式中，NIR为近红外波段的反射率，RED为红波段的反射率，NDVI为。FPAR_min和FPAR_max的取值与植被类型无关，分别取值为0.001和0.95；SR_min和SR_max的取值与植被类型有关，对于耕地作物而言，则取值分别为1.08和4.46。

光能利用率ε是指植被将吸收的光合有效辐射APAR通过光合作用转化为有机碳的效率。一般认为植被对光的利用效率是随生长季内的环境条件不断变化的，且主要受到温度和水分胁迫的影响。

e(t)＝e^*×T₁(t)×T₂(t)′W(t)         ⑾

式中，ε*指的是最大光利用率，单位为gMJ^-1，本实施例中冬小麦ε*的取值为2.5gMJ^-1，T₁和T₂表示环境温度对光利用的抑制影响，W则为水分影响胁迫系数，用以表达水分因素影响植被对光的利用程度。

T₁＝-0.0005(T_opt-20)²+1         ⑿

$T_2=\frac{1}{1+\exp \left\{0.2(T_{\mathrm{opt}}-10-T_{\mathrm{mon}})\right\}}\×\frac{1}{1+\exp \left\{0.3(-T_{\mathrm{opt}}-10+T_{\mathrm{mon}})\right\}}---\left(13\right)$

式中，T_opt表示植被生长季内NDVI值达到最高时的月平均气温（单位：℃），T_mon表示月平均气温（单位：℃）。

$W\left(t\right)=\frac{\mathrm{EET}\left(t\right)}{\mathrm{PET}\left(t\right)}---\left(14\right)$

式中，EET表示区域月实际蒸散量（单位：mm），PET表示区域月潜在蒸散量（单位：mm）。

3、对预处理后的遥感数据进行农作物冠层氮素浓度遥感监测

本实施例采用红边斜率作为作物冠层氮素浓度的遥感估算指标，因此首先从MERIS数据中提取红边参数。

（1）红边参数的提取

本实施例中，红边光谱特性采用倒高斯模型进行模拟。倒高斯模型能够很好地模拟植被地物在670nm～780nm的反射率光谱，其定义如下：

$R\left(\mathrm{\λ}\right)=R_s-(R_s-R_o)\exp \left(\frac{-{({\mathrm{\λ}}_o-\mathrm{\λ})}^2}{{2\mathrm{\σ}}^2}\right)---\left(15\right)$

其中，R_s是红肩处的光谱反射率；R₀是叶绿素吸收谷的光谱反射率；λ₀是叶绿素吸收红谷的光谱位置；σ是倒高斯模型的方差项，也是植被地物光谱红边光谱位置λ_p与红谷光谱位置λ₀之差，对应的是红边吸收谷的宽度，则红边光谱位置λ_p可以采用下式进行计算：

l_p＝l_o+σ        （16）

在数据处理时定义670～680nm范围光谱反射率的平均值为R₀，780～795nm光谱范围的反射率均值为R_s。挑选685nm～780nm光谱范围的反射率红边作为倒高斯模型的模拟对象。

利用R₀和R_s两个参数，对作物红边处的反射率光谱进行对数变换，即：

$B\left(\mathrm{\λ}\right)={[-\ln \left(\frac{R_s-R\left(\mathrm{\λ}\right)}{R_s-R_0}\right)]}^{\frac{1}{2}}---\left(17\right)$

其中，B(λ)为小麦红边反射率光谱的对数变换后的取值。

对B(λ)和λ进行线性拟合，可以得到斜率a₁和截距a₀。而红谷光谱位置λ₀和吸收谷宽度σ可用下式进行计算：

${\mathrm{\λ}}_0=-\frac{a_0}{a_1}$ $\mathrm{\σ}=\frac{1}{\sqrt{2}{a}_1}---\left(18\right)$

通过按拟合函数的计算，可以得到红谷位置λ₀、红边位置λ_p和红边斜率a₁这3个最常用的红边参数。

（2）作物冠层氮素浓度的遥感估算

通过计算红边光谱参数与氮素浓度之间的相关系数诸多的光谱参数中选择红边斜率作为估算指标，利用在地面上测量得到的氮素浓度与红边斜率的离散点图，如图2所示为扬花期的冬小麦散点图，散点图呈梭子形，因此，利用回归分析方法，选择一元线性函数进行拟合得到关系式如下：

y＝ax+b            （19）

式中，y为估算的作物冠层氮素浓度，x为遥感数据上提取的红边斜率。对于扬花期冬小麦，a=255.67，b=2.6848。

4、基于物候遥感数据对生物量监测结果进行物候修正，将生物量归一化到同一物候条件下

首先以像元为单位提取作物物候信息，分析物候与生物量的关系，然后利用这一关系对生物量进行物候的归一化，统一修正到同一物候阶段下。

（1）物候遥感监测

农作物物候的遥感提取方法已经相对成熟，本实施例基于重构后的时间序列NDVI数据，分析了NDVI过程的形态参数（峰值）与作物物候的关系，由此建立了基于作物物候监测模型。监测流程如图3所示。

由于数据的采集和处理中，存在各种误差，包括太阳高度、观测角度等的影响，以及云、水汽、气溶胶及传感器精度变化的干扰等，这些因素将使得时序NDVI值的变化呈不规则状态，从而影响监测结果。为减少各种噪声对时间序列数据的影响，本实施例采用Savitzky-Golay滤波的正向迭代算法作为时间序列NDVI的重构方法。Savitzky-Golay算法原理是：在一个移动的窗口内使用多项式函数，实现滑动窗内的最小二乘拟合，每次移动窗口，求取出窗口中间那个点的拟合值，并最终实现数据平滑处理。该滤波器对数据有两个要求：（1）数据是按一个固定的等间距分布的；（2）数据点是连续的，且有一定的变化规律。NDVI时间序列遥感数据显然可以满足这一要求，简化的最小二乘法卷积来对NDVI时间序列数据进行平滑的过程可以使用如下的公式来表示：

$Y_j^{*}=\frac{\underset{i=-m}{\overset{i=m}{\mathrm{\Σ}}}{C}_i{Y}_j+i}{N}---\left(20\right)$

式中，Y为原始的NDVI值，Y*为似合后的NDVI值，C_i为窗口内第i个NDVI值的系数，N为卷积的长度，这个长度应该与滑动窗口的长度相等（2*m+1，m为滑动窗口的半长）。

以像元为单位的进行数据重构处理，并使用重构后的数据开展物候信息的提取。

（2）生物量的物候修正

将物候监测结果与作物生物量监测结果进行叠加，即用遥感数据获取了监测区逐象元的物候与生物量，每个像元就是一个物候-生物量的数据对，选择若干个典型区得到若干组数据对，将这些数据对都放在一起进行线性回归分析得到物候与生物量的关系，利用这个关系就可以对生物量的物候进行修正，即将生物量归一化到相同的物候期。

5、基于遥感观测得到的农作物生物量和冠层氮素浓度进行个体与群体特征相结合的农作物长势评价

如图4所示，图中建立了基于作物生理参数、生化参数及作物物候的农作物长势遥感监测技术新体系。利用作物生理参数（如叶面积指数、生物量等）反映作物群体状况，评价群体长势好坏；利用生化参数（如氮素、叶绿素含量等）反映作物个体状况，评价作物单体的长势。以二维表的形式将这两类指数放在一起进行作物长势遥感评价，其核心思想是将作物个体与群体长势均较好时的长势定义为好，将个体与群体长势均不好的长势定义为差，其他状态则依据这两种指数的状态定义为各种由好到差的长势。

本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，该方法包括以下步骤：

（1）对地面光谱反射的遥感数据进行预处理，这些数据来源于不同的卫星探测器；

（2）对预处理后的遥感数据进行农作物生物量遥感估算；

（3）对预处理后的遥感数据进行农作物冠层氮素浓度遥感监测；

（4）基于物候遥感数据对生物量监测结果进行物候修正，将生物量归一化到同一物候条件下；

（5）基于遥感观测得到的农作物生物量和冠层氮素浓度进行个体与群体特征相结合的农作物长势评价。

2.根据权利要求1所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，所述遥感数据包括用于农作物生物量估算和农作物物候信息提取的MODIS数据，和用于农作物冠层氮素浓度估算的MERIS数据；对于MODIS的数据产品只需进行格式转换，对于MERIS数据，利用欧空局提供的BEAM软件进行辐射纠正、几何纠正和大气纠正。

3.根据权利要求1所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，农作物生物量采用光合作用累计方法进行估算。

4.根据权利要求1所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，所述农作物氮素浓度采用红边斜率作为其遥感估算指标。

5.根据权利要求4所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，农作物的红边光谱特性采用倒高斯模型进行模拟，从而提取红边参数，红边参数包括红谷位置、红边位置、红边振幅和红边斜率。

6.根据权利要求4所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，农作物冠层氮素浓度的估算采用回归分析方法。

7.根据权利要求1所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，对物候遥感数据采用Savitzky-Golay滤波的正向迭代算法进行数据重构。

8.根据权利要求7所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，对生物量进行物候修正采用线性回归的方法。

9.根据权利要求1～8任一项所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，所述农作物生物量用于反映农作物群体状况，评价群体长势好坏；氮素或叶绿素含量用于反映农作物个体状况，评价农作物单体的长势。

10.根据权利要求1～8任一项所述的个体与群体特征相结合的农作物长势遥感评价方法，其特征在于，所述评价方法为：以二维表的形式将生物量和氮素这两类指数放在一起进行农作物长势的遥感评价，即将农作物个体与群体长势均较好时的长势定义为好，将个体与群体长势均不好的长势定义为差，其他状态则根据这两种指数的状态定义为各种由好到差的长势。

Images