CN103424405B - 一种基于hj-1a/1b ccd数据的干旱监测方法 - Google Patents

Abstract

本发明公开了一种干旱监测方法，步骤为：（1）获取监测区的作物种植分布信息；（2）根据HJ-1A/1B？CCD数据构建MPDI数学模型，建立MPDI与土壤含水量之间数学模型；根据作物各干旱程度下土壤水分阈值，确定作物各干旱程度下MPDI数据阈值；（3）引进作物的生长模型，将作物的生长模型与HJ-1A/1B？CCD数据进行同化，确定作物生育期；（4）根据监测区作物的生育期、作物在该生育期的MPDI数据及作物各种干旱程度下的MPDI数据阈值，获取监测区作物所处的干旱程度，根据作物该生育期对水分的敏感程度，判断作物在该生育期的干旱情况。根据作物生育期干旱情况能够准确且有针对性的采取相应的防旱措施。

Description

一种基于HJ-1A/1B CCD数据的干旱监测方法

技术领域

本发明涉及一种农业干旱监测方法，特别涉及一种基于HJ-1A/1B CCD数据的干旱监测方法。

背景技术

干旱的发生过程是潜在的，不容易发现，而且近年来，干旱呈现出发生范围广、出现频率高、历时时间较长等特点；农田干旱的发生特征为影响范围大，带来严重的灾难性后果和经济损失；研究、评价干旱发生和发展的过程，可以采取相应的抗旱防灾减灾措施，减少农业灾害损失。

遥感以其动态、实时、宏观、廉价的优势，使得大范围的旱情监测与评估成为可能，已成为干旱监测领域重要发展方向。遥感干旱监测始于20世纪80年代，基于可见光、近红外、短波红外、热红外、微波等多种波段信息，提出了众多的模型和方法，各监测模型都有各自的适宜条件，难以找到一种通用模型对干旱进行监测。

在数据应用方面，广泛应用的是NOAA/AVHRR数据和MODIS数据，而应用我国自主研制环境减灾卫星应用数据的还很少。HJ-1A/1B是中国首个以防灾减灾和环境监测为直接应用目标的小卫星星座，主要针对灾害、生态破坏、环境污染等进行大范围全天候、全天时动态监测，因此有必要发挥HJ-1A/1B CCD数据重放周期短，分辨率较高、覆盖范围广的优势，探索一种相对精确的利用国产卫星数据的农田干旱监测方法，进行区域旱情遥感监测，以实现农业水资源的优化配置和区域范围内的干旱预警。在中国期刊《农业工程学报》的第27卷增刊1中公开了一种基于HJ-1A/1B CCD数据干旱监测，该干旱监测发挥HJ-1A/1B数据重放周期短，分辨率较高、覆盖范围广的优势，利用PDI、MPDI、NDVI对研究区的干旱情况和植被长势进行监测与分析。但是作物不同生育期对水分胁迫的敏感程度是不一样的，在同一土壤水分条件下不同生育期的作物表现出不同的干旱情况，因此仅仅依靠HJ-1A/1B CCD数据来进行干旱监测，很难采取相对准确有效的防旱措施。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于HJ-1A/1B CCD数据的干旱监测方法，该方法结合从HJ-1A/1B CCD数据得到的MPDI数据和作物生育期来确定农业干旱情况，根据本发明方法得到干旱情况，能够准确且有效的采取相应的防旱措施。

本发明的目的通过下述技术方案实现：一种基于HJ-1A/1B CCD数据的干旱监测方法，步骤如下：

(1)获取监测区的作物种植分布信息，所述作物种植分布信息是指作物的空间分布情况；

(2)获取监测区作物的HJ-1A/1B CCD数据，根据HJ-1A/1B CCD数据构建监测区的改进型垂直干旱指数模式MPDI(Modified Perpendicular DroughtIndex，改进型垂直干旱指数)的数学模型，建立MPDI与土壤含水量之间的数学模型；根据作物各种干旱程度下的土壤水分阈值，确定作物在各种干旱程度下的MPDI数据阈值；

(3)引进作物的生长模型，将作物的生长模型与HJ-1A/1B CCD数据进行同化，确定作物的生育期；

(4)根据监测区作物的生育期及作物在该生育期的MPDI数据，将该生育期的MPDI数据与作物各种干旱程度下的MPDI数据阈值进行比较，获取监测区作物所处的干旱程度，根据作物该生育期对水分的敏感程度，判断作物在该生育期的干旱情况。

优选的，所述步骤(1)中作物种植分布信息获取方法如下：

(1-1)选定纯净的作物种植区，采用手持GPS确定选定区域的边界，把边界数据矢量化，作为训练样本区；

(1-2)利用地理信息数据，按行政区域边界，将没有种植作物的行政区域剔除；

(1-3)设定一个NDVI(Normalized Difference Vegetation Index，归一化植被指数)阈值，将NDVI低于这个阈值的区域剔除；

(1-4)利用一个土地利用矢量图剔除水田信息；

(1-5)根据土地上作物生长的特性和作物物候期的差异，结合训练样本区内逐月的NDVI指数分布情况，采用逐月排除法，将不符合作物NDVI指数特性的点剔除，余下的点确定为作物种植分布区；利用ENVI软件，将提取出的作物种植分布信息转换为矢量层进行保存。

更进一步的，所述步骤(1-3)中NDVI阈值为0.16，将NDVI值低于这个0.16的区域剔除。

更进一步的，所述步骤(1-4)中利用1:100万的土地利用矢量图剔除水田信息。

优选的，所述步骤(2)中MPDI的数学模型构建方法具体如下：

(2-1)首先对HJ-1A/1B CCD数据进行预处理，包括对HJ-1A/1B CCD数据的大气校正和几何校正；

(2-2)根据经过大气校正和几何校正的HJ-1A/1B CCD数据构建NIR-Red特征空间，通过NIR-Red特征空间建立一个干旱监测模型，即垂直干旱指数PDI：

$\mathrm{PDI}=\frac{1}{\sqrt{M^2+1}}(R_{\mathrm{Red}}+{\mathrm{MR}}_{\mathrm{Nir}});$

其中R_Red为经过大气校正的红光波段反射率，R_Nir为经过大气校正的近红外波段反射率，M为土壤线斜率，通过选取落在土壤线附近的点进行线性回归得到；

(2-3)根据步骤(2-2)中的垂直干旱指数PDI(Perpendicular DroughtIndex，垂直干旱指数)，引进函数f_v用于消除近红外和红外混合像素中的植被影响，得到改进型垂直干旱指数MPDI为：

$\mathrm{MPDI}=\frac{1}{(1-f_v)}(\mathrm{PDI}-f_v{\mathrm{PDI}}_v)=\frac{R_{\mathrm{Red}}+{\mathrm{MR}}_{\mathrm{Nir}}-f_v(R_{\mathrm{Red},v}+{\mathrm{MR}}_{\mathrm{Nird},v})}{(1-f_v)\sqrt{M^2+1}};$

其中R_Red,v为植被在红光波段的反射率、R_Nir,v为植被近红外波段的反射率；f_v为植被覆盖度，其中f_v为：

$f_v={\left(\frac{\mathrm{NDVI}-{\mathrm{NDVI}}_s}{{\mathrm{NDVI}}_v-{\mathrm{NDVI}}_s}\right)}^2;$

NDVI代表从遥感图像上获取的归一化植被指数，NDVI_v、NDVI_s分别代表了植被和裸土的NDVI；利用经大气校正、几何校正得到的HJ-1A/1B CCD数据的Red、NIR波段反射率，计算出NDVI为：

$\mathrm{NDVI}=\frac{R_{\mathrm{Red}}-R_{\mathrm{Nir}}}{R_{\mathrm{Red}}+R_{\mathrm{Nir}}}.$

更进一步的，所述NDVI_v和NDVI_s值分别为0.65和0.2。

优选的，所述步骤(3)中作物生育期的确定方法如下：

(3-1)利用引进的作物生长模型，根据监测区作物实际种植情况对引进的作物生长模型进行本地化，其中被本地化的作物生长模型参数包括气象数据、土壤数据、作物参数和田间管理数据：利用EFAST法对作物参数、土壤数据及田间管理数据进行全局敏感性分析，确定作物生长模型参数本地化的关键参数使作物生长模型本地化；

(3-2)将叶面积指数LAI作为HJ-1A/1B CCD数据和本地化后的作物生长模型的同化结合点，运用全局优化算法对本地化后的作物生长模型的参数进行优化，根据同化后的模拟结果确定作物的生育期。

优选的，所述步骤(2)中利用统计回归方法得出MPDI与土壤含水量之间的数学模型，其中该数学模型为：y＝-0.0161X+0.5855。

优选的，所述步骤(2)作物的干旱程度分为：正常、轻旱、中旱和重旱。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明中采用改进型垂直干旱指数MPDI，引进函数fv用于消除近红外和红外混合像素中的植被影响，另外引进作物的生长模型，确定作物的生育期，结合改进型垂直干旱指数MPDI和作物的各生育期来确定农业的旱情，在确定作物所处干旱程度的同时，确定作物的生育期，通过作物在该生育期对水分的敏感程度，判断作物在该生育期的干旱情况，确定是否需要灌溉，采取相应的防旱措施。本发明结合作物各生育期对水分敏感程度的不同，采用相应防旱措施，相比单独利用HJ-1A/1B CCD数据进行干旱监测，本发明对不同生育期应用不同的干旱标准，能够更加准确且有效的采用相关防旱措施，能够实现了农业水资源的优化配置和区域范围内的干旱预警。

(2)本发明的干旱监测方法简单快速，能够广泛应用于我国的农田干旱监测中。

(3)本发明在确定监测区的作物种植分布信息时，可利用NDVI阈值剔除低于这个阈值的城镇(村镇)、水体、道路等区域，又根据对于荒地、林地、坡地、旱地等这几类土地上作物生长的特性和作物物候期的差异，将不符合作物NDVI指数特性的点剔除，因此通过本发明方法可以得到非常纯净的作物种植区域及分布情况。

附图说明

图1是本发明方法的流程图。

图2是本发明方法中NIR-Red特征空间图。

图3是本发明方法中垂直干旱指数(PDI)示意图。

图4是本发明方法中MPDI与土壤含水量之间的数学模型图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本实施例公开了一种基于HJ-1A/1B CCD数据的干旱监测方法，以实现农业水资源的优化配置和监测区域范围内的干旱预警，具体包括以下步骤：

(1)获取监测区的作物种植分布信息，作物种植分布信息是指作物的空间分布情况；在本实施例中监测区为广东省雷州半岛，作物为甘蔗，其中作物种植分布信息获取方法如下：

(1-1)选定纯净的甘蔗作物种植区，采用手持GPS确定选定区域的边界，把边界数据矢量化，作为训练样本区，

(1-2)利用地理信息数据，按行政区域边界，将没有种植作物的行政区域剔除；

(1-3)由于城镇(村镇)、水体、道路交通在NDVI上数据较低，而且具有常年比较恒定的特性，因此设定一个NDVI阈值为0.16，将NDVI低于这个阈值0.16的区域剔除，从而将这些干扰信息剔除；

(1-4)利用1:100万土地矢量图剔除水田信息；

(1-5)对于剩下的荒地、林地、坡地、旱地等类型，根据这几类土地上作物生长的特性和作物物候期的差异，结合训练样本区内逐月的NDVI指数分布情况，采用逐月排除法，将不符合甘蔗NDVI指数特性的点剔除，余下的点确定为甘蔗作物种植分布区；利用ENVI软件，将提取出的甘蔗种植分布信息转换为矢量层进行保存。

(2)获取监测区作物的HJ-1A/1B CCD数据，根据HJ-1A/1B CCD数据构建监测区的改进型垂直干旱指数模式MPDI的数学模型，利用统计回归方法建立如图4所示的MPDI与土壤含水量之间的数学模型y＝-0.0161X+0.5855，其中R为决定系数；然后根据甘蔗在不同干旱程度的土壤水分阈值，确定甘蔗不同干旱程度下的MPDI阈值，如表1所示；

表1

干旱程度	土壤体积百分含水量(％)	MPDI
			正常	29.5-33.7	0.04-0.11
轻旱	25.3-29.5	0.11-0.17
			中旱	21.1-25.3	0.17-0.24
重旱	16.8-21.1	0.24-0.32

其中改进型垂直干旱指数模式MPDI的数学模型构建过程如下：

(2-1)首先对HJ-1A/1B CCD数据进行预处理，包括对HJ-1A/1B CCD数据的辐射定标、大气校正和几何校正；得到校正后HJ-1A/1B数据的NIR、Red波段的反射率；其中本实施例中大气校正采用MODTRAN 4+辐射传输模型消除大气和光照等因素对地物反射的影响；几何校正采用ALOS卫星携带的AVNIR-2传感器获取的几何精纠正图像作为参考图像，纠正误差控制在0.5个像元以内。

(2-2)根据经过大气校正和几何校正的HJ-1A/1B CCD数据构建NIR-Red特征空间，NIR-Red特征空间的横坐标为经过大气校正的红外波段反射率R_Red，纵坐标为经过大气校正的近红外波段反射率R_Nir；如图1所示，在NIR-Red特征空间上，遥感影像各像素点的分布接近于一个三角形；

在NIR-Red特征空间上，任意一点E(R_Red，R_Nir)到土壤基线L的距离EF作为表征监测区干旱状况；其中PDI是在NIR-Red特征空间中垂直于经过坐标原点的土壤基线L的法线，该线平行于土壤线BC；

通过NIR-Red特征空间建立一个干旱监测模型，即垂直干旱指数PDI为：

$\mathrm{PDI}=\frac{1}{\sqrt{M^2+1}}(R_{\mathrm{Red}}+{\mathrm{MR}}_{\mathrm{Nir}});$

其中R_Red为经过大气校正的红光波段反射率，R_Nir为经过大气校正的近红外波段反射率，M为土壤线BC斜率，通过选取落在土壤线附近的点进行线性回归得到；离土壤基线越远，表示越干旱，越近表示越湿润。

(2-3)在植被的光学遥感中，当植被覆盖率在100％以下时，裸地就会对植被冠层的观测造成相当重要的影响，应当消除这种影响。因此，在对土壤生物物理参数(例如土壤表面温度、土壤湿度等)的遥感中，植被光谱分析处理时该剔除的一定要剔除；根据步骤(2-2)中的垂直干旱指数PDI，引进函数f_v用于消除近红外和红外混合像素中的植被影响，假若混合像素中植被部分的影响被剔除，则得到改进型垂直干旱指数MPDI为：

$\mathrm{MPDI}=\frac{1}{(1-f_v)}(\mathrm{PDI}-f_v{\mathrm{PDI}}_v)=\frac{R_{\mathrm{Red}}+{\mathrm{MR}}_{\mathrm{Nir}}-f_v(R_{\mathrm{Red},v}+{\mathrm{MR}}_{\mathrm{Nird},v})}{(1-f_v)\sqrt{M^2+1}};$

其中R_Red,v为植被在红光波段的反射率、R_Nir,v为植被近红外波段的反射率；f_v为植被覆盖度，植被部分及地面的植被覆盖度是植被冠层的重要参数，植被覆盖度f_v可以利用其与植被光谱指数之间的密切关系计算得出，得到f_v为：

$f_v={\left(\frac{\mathrm{NDVI}-{\mathrm{NDVI}}_s}{{\mathrm{NDVI}}_v-{\mathrm{NDVI}}_s}\right)}^2;$

NDVI代表从遥感图像上获取的归一化植被指数，NDVI_v、NDVI_s分别代表了植被和裸土的NDVI，其中本实施例中NDVI_v和NDVI_s值分别为0.65和0.2。利用经大气校正、几何校正得到的HJ-1A/1B CCD数据的Red、NIR波段反射率，计算出NDVI为：

$\mathrm{NDVI}=\frac{R_{\mathrm{Red}}-R_{\mathrm{Nir}}}{R_{\mathrm{Red}}+R_{\mathrm{Nir}}}.$

(3)引进澳大利亚APSIM-Sugarcane甘蔗模型作为本实施例的作物的生长模型，将该作物的生长模型与HJ-1A/1B CCD数据进行同化，确定作物的生育期，其中本实施例中甘蔗生育期主要包括苗期、分蘖期、伸长期和成熟期，具体步骤如下：

(3-1)以引进澳大利亚APSIM-Sugarcane甘蔗生长模型为本实施例的作物生长模型，根据广东雷州半岛甘蔗的实际种植情况对该引进的作物生长模型进行本地化，其中被本地化的作物生长模型参数包括气象数据、土壤数据、作物参数和田间管理数据：利用EFAST法(扩展傅里叶振幅灵敏度检验法)对本地化后的APSIM-Sugarcane甘蔗生长模型的作物参数、土壤数据及田间管理数据进行全局敏感性分析，确定作物生长模型参数本地化后的关键参数使作物生长模型本地化；其中模型本地化的效果从生育期、叶面积指数(LAI)、产量等方面的模拟结果进行衡量。

(3-2)将甘蔗叶面积指数LAI作为HJ-1A/1B CCD数据和本地化后的澳大利亚APSIM-Sugarcane甘蔗生长模型的同化结合点，运用全局优化算法对本地化后的作物生长模型的参数进行优化，从生育期和叶面积指数(LAI)等方面的模拟结果对同化后模型进行检验，根据同化后的模拟结果确定作物的生育期。

(4)根据监测区作物的生育期及作物在该生育期的MPDI数据，将该生育期的MPDI数据与步骤(2)中得到的作物各种干旱程度下的MPDI数据阈值进行比较，获取监测区作物所处的干旱程度，根据作物该生育期对水分的敏感程度，判断作物在该生育期的干旱情况，然后根据该甘蔗所处生育期对该干旱情况的敏感度采取相应的防旱措施。本实施例中甘蔗生育期主要包括苗期、分蘖期、伸长期和成熟期，对不同水分处理下甘蔗的生长和产量的研究表明，伸长期对水分胁迫最敏感，轻旱就会影响甘蔗生长和产量，分蘖期和苗期次之，中度干旱才会显著影响甘蔗生长和产量，成熟期对水分胁迫最不敏感，重度干旱时才会显著影响甘蔗的产量。根据甘蔗不同生育期对水分胁迫的敏感程度，判断各生育期的干旱情况，从而确定是否需要灌溉。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于HJ-1A/1B CCD数据的干旱监测方法，其特征在于，步骤如下：

(1)获取监测区的作物种植分布信息，所述作物种植分布信息是指作物的空间分布情况；

(2)获取监测区作物的HJ-1A/1B CCD数据，根据HJ-1A/1B CCD数据构建监测区的改进型垂直干旱指数模式MPDI的数学模型，建立MPDI与土壤含水量之间的数学模型；根据作物各种干旱程度下的土壤水分阈值，确定作物在各种干旱程度下的MPDI数据阈值；

(3)引进作物的生长模型，将作物的生长模型与HJ-1A/1B CCD数据进行同化，确定作物的生育期；

(4)根据监测区作物的生育期及作物在该生育期的MPDI数据，将该生育期的MPDI数据与作物各种干旱程度下的MPDI数据阈值进行比较，获取监测区作物所处的干旱程度，根据作物该生育期对水分的敏感程度，判断作物在该生育期的干旱情况。

2.根据权利要求1所述的干旱监测方法，其特征在于，所述步骤(1)中作物种植分布信息获取方法如下：

(1-1)选定纯净的作物种植区，采用手持GPS确定选定区域的边界，把边界数据矢量化，作为训练样本区；

(1-2)利用地理信息数据，按行政区域边界，将没有种植作物的行政区域剔除；

(1-3)设定一个NDVI阈值，将NDVI低于这个阈值的区域剔除；

(1-4)利用一个土地利用矢量图剔除水田信息；

(1-5)根据土地上作物生长的特性和作物物候期的差异，结合训练样本区内逐月的NDVI指数分布情况，采用逐月排除法，将不符合作物NDVI指数特性的点剔除，余下的点确定为作物种植分布区；利用ENVI软件，将提取出的作物种植分布信息转换为矢量层进行保存。

3.根据权利要求2所述的干旱监测方法，其特征在于，所述步骤(1-3)中NDVI阈值为0.16，将NDVI值低于这个0.16的区域剔除。

4.根据权利要求2所述的干旱监测方法，其特征在于，所述步骤(1-4)中利用1:100万的土地利用矢量图剔除水田信息。

5.根据权利要求1所述的干旱监测方法，其特征在于，所述步骤(2)中MPDI的数学模型构建方法具体如下：

(2-1)首先对HJ-1A/1B CCD数据进行预处理，包括对HJ-1A/1B CCD数据的大气校正和几何校正；

(2-2)根据经过大气校正和几何校正的HJ-1A/1B CCD数据构建NIR-Red特征空间，通过NIR-Red特征空间建立一个干旱监测模型，即垂直干旱指数PDI：

$\mathrm{PDI}=\frac{1}{\sqrt{M^2+1}}(R_{\mathrm{Red}}+{\mathrm{MR}}_{\mathrm{Nir}});$

其中R_Red为经过大气校正的红光波段反射率，R_Nir为经过大气校正的近红外波段反射率，M为土壤线斜率，通过选取落在土壤线附近的点进行线性回归得到；

(2-3)根据步骤(2-2)中的垂直干旱指数PDI，引进函数f_v用于消除近红外和红外混合像素中的植被影响，得到改进型垂直干旱指数MPDI为：

$\mathrm{MPDI}=\frac{1}{(1-f_v)}(\mathrm{PDI}-f_v{\mathrm{PDI}}_v)=\frac{R_{\mathrm{Red}}+{\mathrm{MR}}_{\mathrm{Nir}}-f_v(R_{\mathrm{Red},v}+{\mathrm{MR}}_{\mathrm{Nir},v})}{(1-f_v)\sqrt{M^2+1}}$

其中R_Red,v为植被在红光波段的反射率、R_Nir,v为植被近红外波段的反射率；f_v为植被覆盖度，其中f_v为：

$f_v={\left(\frac{\mathrm{NDVI}-{\mathrm{NDVI}}_s}{{\mathrm{NDVI}}_v-{\mathrm{NDVI}}_s}\right)}^2;$

NDVI代表从遥感图像上获取的归一化植被指数，NDVI_v、NDVI_s分别代表了植被和裸土的NDVI；利用经大气校正、几何校正得到的HJ-1A/1B CCD数据的Red、NIR波段反射率，计算出NDVI为：

$\mathrm{NDVI}=\frac{R_{\mathrm{Red}}-R_{\mathrm{Nir}}}{R_{\mathrm{Red}}+R_{\mathrm{Nir}}}.$

6.根据权利要求5所述的干旱监测方法，其特征在于，所述NDVI_v和NDVI_s值分别为0.65和0.2。

7.根据权利要求1所述的干旱监测方法，其特征在于，所述步骤(3)中作物生育期的确定方法如下：

(3-1)利用引进的作物生长模型，根据监测区作物实际种植情况对引进的作物生长模型进行本地化，其中被本地化的作物生长模型参数包括气象数据、土壤数据、作物参数和田间管理数据：利用EFAST法对作物参数、土壤数据及田间管理数据进行全局敏感性分析，确定作物生长模型参数本地化的关键参数使作物生长模型本地化；

(3-2)将叶面积指数LAI作为HJ-1A/1B CCD数据和本地化后的作物生长模型的同化结合点，运用全局优化算法对本地化后的作物生长模型的参数进行优化，根据同化后的模拟结果确定作物的生育期。

8.根据权利要求1所述的干旱监测方法，其特征在于，所述步骤(2)中利用统计回归方法得出MPDI与土壤含水量之间的数学模型，其中该数学模型为：y＝-0.0161X+0.5855。

9.根据权利要求1所述的干旱监测方法，其特征在于，所述步骤(2)作物的干旱程度分为：正常、轻旱、中旱和重旱。