CN106908415B - 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 - Google Patents
一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 Download PDFInfo
- Publication number
- CN106908415B CN106908415B CN201710101695.6A CN201710101695A CN106908415B CN 106908415 B CN106908415 B CN 106908415B CN 201710101695 A CN201710101695 A CN 201710101695A CN 106908415 B CN106908415 B CN 106908415B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- amendment
- soil moisture
- data
- moisture content
- 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.)
- Expired - Fee Related
Links
- 239000002689 soil Substances 0.000 title claims abstract description 120
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 208000000509 infertility Diseases 0.000 title claims abstract description 23
- 230000036512 infertility Effects 0.000 title claims abstract description 23
- 231100000535 infertility Toxicity 0.000 title claims abstract description 23
- 230000012010 growth Effects 0.000 claims abstract description 45
- 230000007774 longterm Effects 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000003698 anagen phase Effects 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 7
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000035800 maturation Effects 0.000 claims description 3
- 238000010189 synthetic method Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 16
- 230000002123 temporal effect Effects 0.000 abstract description 11
- 238000009395 breeding Methods 0.000 abstract description 4
- 230000001488 breeding effect Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 241000209140 Triticum Species 0.000 description 18
- 235000021307 Triticum Nutrition 0.000 description 18
- 230000000694 effects Effects 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
- G01N2021/558—Measuring reflectivity and transmission
Abstract
本发明涉及遥感墒情监测技术领域,具体涉及一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法,首先对农田进行区域划分及农作物生长期划分,源数据获取与处理;以NDVI为基础墒情指数,针对不同地区、不同生长阶段引进相应因子对NDVI进行自适应修正;在通过修正NDVI与实测墒情相关性验证的基础上,构建农作物全生育期的修正NDVI时间序列生长曲线;将监测年的修正NDVI曲线与其常年平均值曲线进行距平分析,得到与常年相比,监测年农田相对墒情的时空分布情况,进而实现对农田墒情及其时空分布的有效监测,解决了因单一NDVI无法准确反映农作物整个生育期的生长状态及根部墒情状况,进而无法依之进行大区域农作物全生育期墒情监测及反演的技术难题。
Description
技术领域
本发明涉及遥感墒情监测技术领域,具体涉及一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法。
背景技术
遥感墒情监测是目前遥感技术应用的前沿领域,也是公认的世界性研究难题之一。究其原因,从生态学角度,地表生态系统是涉及诸多因素的非线性复杂巨系统。就墒情而言,其影响因素包括土壤类型、降水、太阳高度、大气、植物长势、地表状况以及田间管理等等,使土壤墒情遥感反演异常困难;从遥感技术角度,目前存在着空、时分辨率的“二率背反”矛盾。客观上,空间分辨率越高,越有利于反映地表环境的真实细节情况,精确性强;相应地,时间分辨率越高,越有利于反映地表现象的变化情况,连续性、同步性好;但二者往不可兼得。针对不同的遥感应用,如何充分利用它们的特点或者将二者融合,取长补短,一直是人们关注的焦点。
遥感墒情监测从原理上可分为两大类:一类是基于土壤水分的变化会引起土壤的光谱反射率的变化;另一类则基于干旱会引起植物生理过程的变化,从而改变叶片的光谱属性,进而显著地影响植冠的光谱反射率。基于植被指数的墒情监测属于上述第二类。人们根据绿色植物的光谱特征,利用不同波段的反射率的组合构建植被指数来表达植被的生长状态。在一定区域、一定时间内,气温、土壤、地形等因素相对稳定,只有降雨量变化会对作物生长造成较显著影响,因而,植被指数的变化与土壤墒情之间有较显著的相关性。在此基础上,国内外学者先后建立了归一化植被指数(NDVI)、距平植被指数、条件植被指数等用于监测土壤墒情。这些指数对年度间大尺度和区域级的相对旱情监测有很好的效果。但植被受缺水胁迫在短期内不会在生长状态上明显表现出来,所以植被指数是一个灵敏度较差的水分胁迫指标,在时间上有一定的延迟,无法及时地反映出土壤水分状况。基于地表温度的墒情监测方法,其依据是土壤含水量的多少会对地表温度产生影响,但地表温度的影响因素也是错综复杂的,尤其是从遥感影像上得到的地表温度往往是由土壤、植被及建筑等不同地物组成的混合像元的温度,单纯利用遥感地表热辐射信息获取地表土壤水分状况不能排除以上各影响因素产生的误差。鉴于两种方法的特点,国内外许多学者将二者结合起来,提出了植被供水指数(VSWI)、温度植被旱情指数(TVDI)、条件植被温度指数(VTCI)以及特征空间法等新的概念和方法用于土壤墒情监测,相应于研究案例都取得了较好的效果。
国内外已有研究表明,任何单一的指数或方法都有自己的特点和适用条件,地表生态的复杂性和遥感技术的特点也决定了不存在一种普适的墒情监测指数和方法。正确的做法应该是根据具体研究对象的特点,在一般方法的基础上,有针对性地引进相关因素,对已有方法进行合理的修改和完善,以期达到对已有应用效果一定程度的改善和提升。农田墒情监测最关心的是农作物根部的土壤含水量,植被指数比较直接地反映了根部墒情;在目前已有的40多种植被指数中,NDVI是提出最早、应用最广的植被指数,被广泛用来估算植被生物量和评估环境状况;MODIS数据以高时间分辨率、高光谱分辨率、适中的空间分辨率等优点成为现阶段遥感农情监测中应用最广泛的遥感数据,且其遥感数据很容易获得。
发明内容
本发明提出了一种基于修正NDVI时间序列大区域农作物全生育期墒情监测方法,以NDVI为基础墒情指数,针对不同地区、不同生长阶段引进相应因子进行自适应改进,构建农作物全生育期的修正NDVI时间序列生长曲线,通过与实测墒情相关验证的基础上,将监测年的修正植被指数与其常年平均值进行距平植被指数分析,得到与常年相比,监测年的相对墒情时空分布情况,进而实现对农田墒情及其时空分布的有效监测,解决了因单一植被指数NDVI无法准确反映农作物整个生育期的生长状态及根部墒情状况,进而不能依之进行大区域农作物全生育期墒情监测及反演的技术难题。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于修正NDVI时间序列大区域农作物全生育期墒情监测方法,包括以下步骤:
步骤一:农田区域划分及农作物生长期划分:依据地理规律的纬度地带性,沿经线方向对大区域农田进行地区划分;根据农作物的物候期,将农作物的全生育期划分为前期、中期、后期三个不同阶段,三个不同阶段分别对应裸土和半植被覆盖、全植被覆盖以及成熟三个时期;
步骤二:源数据获取与处理:获取预定区域及预定时间段的相关波段遥感影像数据、遥感地表温度反演数据、墒情实测数据、多年月平均气温数据和境界矢量数据,并进行相应的预处理;
步骤三:监测年NDVI及其修正系数计算:
1)农作物生长前期,农田处于裸土和半植被覆盖状态,考虑土壤的热特性和植被特征,对原始的NDVI数据进行修正,得到生长前期的修正NDVI值KENDVI:
其中α为修正加系数,指该地区多年的月平均气温,T是指实际的地表温度,b1和b2为遥感红光波段与近红外波段的光谱反射率;
2)在农作物生长中期,农田郁郁葱葱,生长茂盛,NDVI能够指示根部墒情,此时对NDVI不做修改;
3)农作物生长后期,农作物开始变黄成熟,考虑含水土壤和植被的波谱信息以及绿色植被叶绿素对光谱的吸收作用,引入红光波段和短波红外波段反射率数据,对NDVI数据进行修正,得到生长后期的修正NDVI值KLNDVI:
其β是修正乘系数,b7为遥感短波红外波段光谱反射率;
步骤四:植被指数NDVI与实测墒情数据的相关分析,在其他条件相对稳定的情况下,土壤的墒情越好,植被就越茂盛。NDVI反映植物的生长状态,一般而言,NDVI与土壤墒情呈正相关关系。这里分别对修正前后的NDVI与实测墒情数据进行相关分析和比较,以验证修正NDVI的有效性。若相关系数为正,符合正相关,则进行步骤五;若相关系数为负,不符合正相关,则返回步骤三,并进行数据调整,即删除一些噪声数据;若删除的数据超过源数据的三分之一,则不再进行调整,以实际计算的相关系数为准,并进行步骤五;
步骤五:构建监测年修正NDVI时间序列,先通过最大值合成法MVC对修正NDVI时间序列数据进行初步降噪,然后采用S-G滤波法进一步去除噪声数据,最后构建监测年的修正NDVI生长曲线;
步骤六:按照步骤一~步骤六的方法,构建常年各年的修正NDVI曲线,得到常年的平均修正NDVI生长曲线;
步骤七:距平植被指数分析,将所述步骤五中的监测年与所述步骤六中的常年的平均修正NDVI生长曲线作差值运算,适当制定距平植被指数划分等级,得到修正NDVI差值图像,然后进行分析和验证。
进一步,所述步骤二中的遥感数据是指高时间分辨率的卫星遥感数据。
进一步,所述步骤二中需要对相应年份农作物种植面积进行提取。
进一步,所述提取采用的提取方法为基于植被茂盛时的高空间分辨率影像,利用监督分类等相关方法提取农作物种植区域信息。
进一步,所述步骤三中的实际的地表温度T利用遥感反演地表温度代替。
进一步,所述步骤三中的遥感短波红外波段的波长范围为2105~2155nm。
本发明所产生的有益效果如下:
本发明充分利用高时间辨率遥感的特性,构建基于区域和农作物生育期自适应修改的植被指数生长曲线,通过距平植被指数实现大区域全生育期的农作物墒情监测。
1)本发明实验表明,与原始NDVI相比,基于地域和物候期分异的修正NDVI值与土壤墒情的相关性大大提高,适宜作为农田墒情的标识指数,具有理论研究意义;
2)本发明提出的基于自适应修正NDVI作物生长曲线的遥感墒情监测方法,较好地解决了大区域农田、农作物全生育的墒情监测问题,一定程度上克服了遥感技术存在的时空分辨率矛盾;
3)本发明提出的上述遥感农田墒情监测方法,主要基于共享遥感数据实现,计算简单,精度适中,成本低,适用性、推广性强。
附图说明
图1为河南省冬小麦主产区区域划分示意图;
图2为本发明的处理流程示意图;
图3为豫中某监测站2014~2015年前期NDVI修正前后的效果图;
图4为豫中某监测站2014~2015年后期NDVI修正前后的效果图;
图5为豫中某像元原始的修正NDVI生长曲线图;
图6为豫中某像元经MVC合成后的修正NDVI生长曲线图;
图7为豫中某像元经MVG合成和改进S-G滤波后的修正NDVI生长曲线图;
图8为区域像元的距平值时间序列图;
图9为2014年10月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图10为2014年11月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图11为2014年12月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图12为2015年1月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图13为2014年2月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图14为2014年3月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图15为2014年4月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图16为2014年5月下旬河南省冬小麦主产区墒情相对于常年偏离情况的时空分布图;
图17为相对墒情的验证站点分布图。
具体实施方式
下面结合附图和具体的实施方式来进一步详细的说明本发明,但本发明的保护范围并不限于此。
要进行大尺度农田墒情动态监测,既要考虑地域差异,又要考虑农作物的物候特征。本实施例以河南省中东部黄淮海平原冬小麦主产区的农田墒情监测为例。河南省地处我国中东部的中纬度内陆地区,受太阳辐射、东亚季风环流、地理条件等因素的综合影响,气候为大陆性季风气候,具有四季分明、雨热同期、复杂多样、气候灾害频繁的基本特点。全年的降水量主要集中在夏季,约占年降水量的45%~60%,降水量的年际变化较大,丰水年和干旱年降水量相差达2.5~3.5倍,降水的不稳定性极易引起旱涝灾害。以2014~2015为监测年、以2011~2014为常年,利用构建修正NDVI时间序列,并进行距平分析的方法,实现冬小麦全生育期的相对墒情监测。由于黄淮海平原为河南省冬小麦主产区,小麦种植面积达95%以上,且种植面积年际变化不大,并考虑到MODIS空间分辨率有限,所以本实施例没有进行小麦种植面积提取,假定为研究区全为小麦。
如图2所示,基于修正NDVI时间序列大区域农作物全生育期墒情监测方法,包括以下步骤:
步骤一:农田区域划分及农作物生长期划分:依据地理规律的纬度地带性,沿经线方向对大区域农田进行地区划分;根据农作物的物候期,将农作物的全生育期划分为前、中、后三个不同阶段,三个不同阶段分别对应裸土和半植被覆盖、全植被覆盖及成熟三个时期。
如图1所示,把河南省黄淮海平原冬小麦主产区划分为豫北1、豫中2、豫南3三个地区,图中粗实线即为分界线,粗实线内的细线为市级界线。豫南3包括驻马店市;豫中2包括郑州、开封、商丘、平顶山、许昌、漯河、周口;豫北1包括焦作、新乡、鹤壁、安阳、濮阳。以拔节和灌浆期为基点把小麦全生育期划分为:前期、中期和后期。前期:从播种到拔节,为裸土到半植被覆盖期;中期:从拔节到灌浆,为全植被覆盖期;后期:从灌浆到收割,为麦子变黄时期。表1为三个区域内冬小麦生长期的划分:
表1区域内冬小麦生长期划分
步骤二:源数据获取与处理。从共享网站,例如MODIS官方网站,下载监测年和常年的b1、b2和b7波段的Terra MODIS数据,同时获取MODIS每日陆面温度数据。b1、b2和b7波段数据的数据等级是L2级的陆地表面反射率数据,已经过大气纠正和几何纠正,空间分辨率为250m,共获取1367幅影像。2014年10月26日没有数据。由于时间同步需求,2011~2013年和2015年的该天数据就无法使用,2012年2月29日的数据也无法使用。MODIS每日陆面温度数据T,简称遥感地表温度数据,包括每天白天和夜晚两幅数据,这里取其平均值,空间分辨率是1000m,数量和使用情况同陆地表面反射率数据。墒情实测数据是研究区域均匀分布的100多个站点的10cm和20cm每日土壤体积含水量的平均值。以驻马店、许昌、安阳三市1981~2010年的逐月平均气温分别代表豫南、豫中和豫北三地区的逐月平均气温上述墒情实测数据、平均气温数据及河南省境界矢量数据从河南省气象局获取。
利用影像处理工具,例如MRT软件,统一将原MODIS数据的正弦投影转换为WGS84基准的Albers等积投影,将地温数据重采样为250m,并将河南省界线数据也转换为同一基准与投影,然后利用界线数据对影像数据进行剪裁,得到研究区域的遥感影像。
步骤三:监测年NDVI及其修正系数计算:
1)小麦生长前期,麦苗尚不能完全覆盖裸土,NDVI不能完全反映墒情状况,必须考虑土壤温度因子。根据土壤的热特性,在同一时间及同一光热条件下,若土壤含水量高,其温度要降低;若土壤含水量低,其温度必升高。考虑到NDVI为一个无量纲的量,这里对原始NDVI数据进行以下修正,得到生长前期的修正NDVI值KENDVI:
其中ENDVI是指Early NDVI,α为修正加系数,指该地区多年的月平均气温,T是指实际的地表温度,在这里以本像元遥感反演地表温度代替,b1和b2为MODIS相应波段光谱反射率;
2)在小麦生长中期,麦田郁郁葱葱,生长茂盛,完全覆盖土壤,NDVI基本可以指示根部墒情,此时对NDVI不做修改。
3)小麦生长后期,麦子将逐渐变黄,NDVI的值要逐渐变小,但并不一定意味着土壤墒情低,因此也要对后期NDVI进行修正。小麦生长成熟期是一个叶绿素含量逐渐减少,作物由茂盛过渡到黄枯的阶段,考虑含水土壤和植被的波谱信息以及绿色植被叶绿素对光谱的吸收作用,引入b6、b7波段信息,对该阶段的植被指数NDVI数据修改如下,得到生长后期的修正NDVI值KLNDVI:
其LENDVI是指Late NDVI,β是修正乘系数,b1、b2、b7为MODIS相应波段光谱反射率;
如图3和图4所示,分别为豫中某监测站监测年的前期和后期植被指数修改前后的效果图,植被指数修正的效果基本上都是起放大作用。前期修正前后的趋势变化较大,而后期修正前后趋势不变。
步骤四:植被指数NDVI与实测墒情数据的相关分析,分别对修正前后的NDVI与实测墒情数据进行相关分析和比较,以验证修正植被指数的有效性;若相关系数为正,符合正相关,则进行步骤五;若相关系数为负,不符合正相关,则返回步骤三,并进行数据调整;若删除的数据超过源数据的三分之一,则不再进行调整,以实际计算的相关系数为准,并进行步骤五。
有效性的验证也即验证修正NDVI与墒情是否存在相关性,是否比原始NDVI与墒情的相关性更好。这里指线性相关,相关性通过相关系数来体现。土壤墒情与植被指数NDVI相关性为正相关。但是由于各种误差的影响,可能出现负相关的情况,所以需要对数据进行调整,删除一些误差较大的数据,然后再进行相关分析。但也存在通过多次调整,仍然为负相关的情况,说明源数据的误差比较大,就无需再进行调整了,以实际的计算值为准。
为了验证修正NDVI的有效性,分别在三个地区均匀选择三个监测站,将修正前后的植被指数与10cm和20cm实测墒情进行了相关分析,其结果如表2所示:
表2NDVI修正前后与实测墒情的相关分析对比
注:*表示在0.05水平(双侧)上显著相关,**表示在0.01水平(双侧)上显著相关
由表2可知,原始NDVI与实测墒情的相关情况,后期最好,中期次之,前期最差。有个别站点,前期NDVI甚至与墒情呈负相关关系。修正后NDVI与墒情相关的规律与原始NDVI基本类似,但修正NDVI在各时期的相关系数都有较大提高,没有负相关的情况。充分说明了修正系数的有效性,修正后的NDVI更适宜作为农田的墒情指数。需要说明的是,由于NDVI相对于土壤墒情有一定的滞后性,在中期相关分析时,一些站点采用了将植被指数前移3~5天后与墒情相关的结果。
步骤五:构建监测年修正NDVI时间序列,采用最大值合成法MVC对修正NDVI时间序列数据进行初步的降噪处理,然后采用S-G滤波法进一步去除噪声数据,最后构建反映冬小麦生长实际规律的、光滑连续的修正NDVI生长曲线;
如图5~7所示,为豫中某像元修正NDVI曲线建立的过程。图5为原始的修正NDVI生长曲线图。遥感技术的特点以及地表环境的复杂性,决定了遥感NDVI指数一般比其真实值偏小。修正NDVI基于NDVI构建,因而也具有类似性质。从图中可以看出,曲线上存在很多突降点,这些点均为噪声点。图6为豫中某像元经MVC合成后的修正NDVI生长曲线,从图中可以看出大部分的噪声点已被去除,但仍有少量噪声点。图7为豫中某像元经MVG合成和改进S-G滤波后的修正NDVI生长曲线,从图中可以看出噪声点已经消除,基本为一条反映植物生长规律的较光滑的一条生长曲线。
步骤六:按照步骤一~步骤六的方法,构建常年各年的修正NDVI曲线,得到常年三年的平均曲线。
分别构建2011~2015年区域各像元逐年的修正NDVI生长曲线,进而求得2011~2014年常年各像元的平均生长曲线。
步骤七:距平植被指数分析,将监测年与所述步骤六中的平均曲线作差值运算,得到修正NDVI的差值图像,然后进行分析和验证。
如图8所示,将2014~2015监测年的生长曲线与常年平均曲线求差,其中平均值为被减数,得到距平植被指数系列。实验数据表明,距平植被指数的分布区间约为[-1,1],集中在[-0.2,0.2]之内。将距平植被指数进行合适的等级划分,既不能太细,也不能太粗。如果太粗,就会失去墒情空间分布的一些重要细节特征;相反,如果太细,则会引起一些细节数据的失真,反而不能反映真实情况。本实施例把距平植被指数划分为7个等级:<-0.5,[-0.5,-0.15),[-0.15,-0.07),[-0.07,0.07),[0.07,0.15),[0.15,0.5),>0.5,分别表示相对墒情从干到湿的分布序列,其中,[-0.07,0.07)为与往年持平。最终得到2014~2015监测年与2011~2014常年的年均值相比,区域冬小麦田相对墒情的时空分布规律。以生育期每月的下旬为例,其结果如图9~图16所示。
从图9~图16中可以看出,2014~2015年的10月下旬、11月下旬、12月下旬、4月下旬,研究区冬小麦田的墒情基本与常年持平,3月下旬和5月下旬偏干,1月下旬偏湿,2月下旬墒情分布比较复杂,豫南和豫中东部偏干,而豫东南和豫东北偏湿,其他区域基本与常年持平。
选择2015年2月下旬的情况,利用2014~2015年的实测墒情,进行相对意义上的实证。如图17所示,我们选择相邻区域的区域4和区域5、区域6和区域7,分别选取位于这些区域内的站点,将它们2月下旬的墒情的最高值提取出来对比,其中10cm和20cm墒情为同一天,如表3所示。
表3站点墒情的对比(%)
表3续
从表3可以看出,从墒情的最大值、最小值和平均值来看,区域4比区域5墒情低,区域6比区域7墒情高。图9~图16基本上反映了研究区域冬小麦相对墒情的时空分布规律。
要说明的是,上述实施例是对本发明技术方案的说明而非限制,所属技术领域普通技术人员的等同替换或者根据现有技术而做的其它修改,只要没超出本发明技术方案的思路和范围,均应包含在本发明所要求的权利范围之内。
Claims (6)
1.一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法,其特征在于,包括以下步骤:
步骤一:农田区域划分及农作物生长期划分:依据地理规律的纬度地带性,沿经线方向对大区域农田进行地区划分;根据农作物的物候期,将农作物的全生育期划分为前期、中期、后期三个不同阶段,三个不同阶段分别对应裸土和半植被覆盖、全植被覆盖以及成熟三个时期;
步骤二:源数据获取与处理:获取预定区域及预定时间段的相关波段遥感影像数据、遥感地表温度反演数据、墒情实测数据、多年月平均气温数据和境界矢量数据,并进行相应的预处理;
步骤三:监测年NDVI及其修正系数计算:
1)农作物生长前期,农田处于裸土和半植被覆盖状态,考虑土壤的热特性和植被特征,对原始的NDVI数据进行修正,得到生长前期的修正NDVI值KENDVI:
其中α为修正加系数,指该地区多年的月平均气温,T是指实际的地表温度,b1和b2为遥感红光波段与近红外波段的光谱反射率;
2)在农作物生长中期,农田郁郁葱葱,生长茂盛,NDVI能够指示根部墒情,此时对NDVI不做修改;
3)农作物生长后期,农作物开始变黄成熟,考虑含水土壤和植被的波谱信息以及绿色植被叶绿素对光谱的吸收作用,引入红光波段和短波红外波段反射率数据,对NDVI数据进行修正,得到生长后期的修正NDVI值KLNDVI:
其β是修正乘系数,b7为遥感短波红外波段光谱反射率;
步骤四:植被指数NDVI与实测墒情数据的相关分析,分别对修正前后的NDVI与实测数据进行相关分析和比较,验证有效性;若相关系数为正,符合正相关,则进行步骤五;若相关系数为负,不符合正相关,则返回步骤三,并进行数据调整,即删除一些噪声数据;若删除的数据超过源数据的三分之一,则不再进行调整,以实际计算的相关系数为准,并进行步骤五;
步骤五:构建监测年修正NDVI时间序列,先通过最大值合成法MVC对修正NDVI时间序列数据进行初步降噪,然后采用S-G滤波法进一步去除噪声数据,最后构建监测年的修正NDVI生长曲线;
步骤六:按照步骤一~步骤五的方法,构建常年各年的修正NDVI曲线,得到常年的平均修正NDVI生长曲线;
步骤七:距平植被指数分析,将所述步骤五中的监测年与所述步骤六中的常年的平均修正NDVI生长曲线作差值运算,适当制定距平值划分等级,得到修正NDVI差值图像,然后进行分析和验证。
2.根据权利要求1所述的一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法,其特征在于,所述步骤二中的遥感影像数据、遥感地表温度反演数据是指高时间分辨率的卫星遥感数据。
3.根据权利要求1所述的一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法,其特征在于,所述步骤二中需要对相应年份农作物种植面积进行提取。
4.根据权利要求3所述的一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法,其特征在于,所述提取采用的提取方法为基于植被茂盛时的高空间分辨率影像,利用监督分类方法提取农作物种植区域信息。
5.根据权利要求1所述的一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法,其特征在于,所述步骤三中的实际的地表温度T利用遥感反演地表温度代替。
6.根据权利要求1所述的一种基于修正NDVI时间序列的大区域农作物全生育期墒情监测方法,其特征在于,所述步骤三中的遥感短波红外波段的波长范围为2105~2155nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710101695.6A CN106908415B (zh) | 2017-02-24 | 2017-02-24 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710101695.6A CN106908415B (zh) | 2017-02-24 | 2017-02-24 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106908415A CN106908415A (zh) | 2017-06-30 |
CN106908415B true CN106908415B (zh) | 2019-05-21 |
Family
ID=59208631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710101695.6A Expired - Fee Related CN106908415B (zh) | 2017-02-24 | 2017-02-24 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106908415B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576417B (zh) * | 2017-09-04 | 2019-05-10 | 电子科技大学 | 一种全天候地表温度生成方法 |
CN109685108B (zh) * | 2018-11-23 | 2022-05-03 | 电子科技大学 | 一种生成高时空分辨率ndvi长时间序列的方法 |
CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
CN109726705B (zh) * | 2019-01-24 | 2020-07-31 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
CN109872320B (zh) * | 2019-02-26 | 2022-05-10 | 西南石油大学 | 基于影像分析的边坡种植植被防护功能的检测系统及方法 |
CN110160992A (zh) * | 2019-05-15 | 2019-08-23 | 中国科学院遥感与数字地球研究所 | 一种基于植被覆盖度时间序列的农作物分类方法 |
CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及系统 |
CN112217887A (zh) * | 2020-09-27 | 2021-01-12 | 云南智作农业科技有限公司 | 一种自动调整物联网农务控制系统中设定值的方法 |
CN112213265B (zh) * | 2020-09-29 | 2023-10-10 | 水利部牧区水利科学研究所 | 基于无人机遥感技术的植被覆盖监测系统 |
CN113222353A (zh) * | 2021-04-20 | 2021-08-06 | 中国煤炭地质总局勘查研究总院 | 一种基于遥感植被指数的农业监测方法及系统 |
CN113689414B (zh) * | 2021-08-30 | 2023-12-15 | 扎赉诺尔煤业有限责任公司 | 一种高寒地区长时间序列高频率ndvi生成方法和装置 |
CN113822360B (zh) * | 2021-09-24 | 2022-04-22 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN114821362B (zh) * | 2022-07-01 | 2022-09-23 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
CN115239750B (zh) * | 2022-09-19 | 2022-12-20 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617629A (zh) * | 2013-12-13 | 2014-03-05 | 南京大学 | 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法 |
CN104359428A (zh) * | 2014-11-27 | 2015-02-18 | 东北林业大学 | 一种长时间序列野外森林叶面积指数测量仪及其测量方法 |
-
2017
- 2017-02-24 CN CN201710101695.6A patent/CN106908415B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617629A (zh) * | 2013-12-13 | 2014-03-05 | 南京大学 | 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法 |
CN104359428A (zh) * | 2014-11-27 | 2015-02-18 | 东北林业大学 | 一种长时间序列野外森林叶面积指数测量仪及其测量方法 |
Non-Patent Citations (2)
Title |
---|
Biparabolic NDVI-Ts Space and Soil Moisture Remote Sensing in an Arid and Semi arid Area;Ying Liu等;《Taylor & Francis》;20150730;第159-169页 |
基于NDVI与物候修正的大豆长势评价方法;韩衍欣等;《农业工程学报》;20170131;第33卷(第2期);第177-182页 |
Also Published As
Publication number | Publication date |
---|---|
CN106908415A (zh) | 2017-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106908415B (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
Yan et al. | Multiple cropping intensity in China derived from agro-meteorological observations and MODIS data | |
Yuping et al. | Monitoring winter wheat growth in North China by combining a crop model and remote sensing data | |
CN108509836B (zh) | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 | |
Kwon et al. | Influence of the Asian monsoon on net ecosystem carbon exchange in two major ecosystems in Korea | |
CN105929406B (zh) | 一种农业旱情遥感监测方法 | |
CN108764255A (zh) | 一种冬小麦种植信息的提取方法 | |
Guo et al. | Quantifying water and energy budgets and the impacts of climatic and human factors in the Haihe River Basin, China: 1. Model and validation | |
CN102651096A (zh) | 同化叶面积指数时序曲线特征的冬小麦估产方法 | |
Han et al. | Monitoring model of corn lodging based on Sentinel-1 radar image | |
CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
CN110599360A (zh) | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 | |
CN104008552A (zh) | 基于动态时间弯曲的时序sar影像耕地提取方法 | |
CHENG et al. | Cold damage risk assessment of double cropping rice in Hunan, China | |
Wu et al. | Assimilating MODIS-LAI into crop growth model with EnKF to predict regional crop yield | |
Zou et al. | Coupling of a regional climate model with a crop development model and evaluation of the coupled model across China | |
Huang et al. | A modified trapezoid framework model for partitioning regional evapotranspiration | |
Vanino et al. | Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy | |
Liang et al. | NEP estimation of terrestrial ecosystems in China using an improved CASA model and soil respiration model | |
Oleson et al. | Evaluating land surface parameters in the Biosphere‐Atmosphere Transfer Scheme using remotely sensed data sets | |
Sargordi et al. | Spatio-temporal variation of wheat and silage maize water requirement using CGMS model | |
Li et al. | An improved threshold method to detect the phenology of winter wheat | |
Zhu et al. | Dynamic monitoring of multiple cropping index of paddy field based on MODIS-EVI data in Guangdong province | |
Tian | Improving the reliability of vegetation phenology detection from satellite time-series data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190521 |
|
CF01 | Termination of patent right due to non-payment of annual fee |