CN108362267A - 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 - Google Patents
基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 Download PDFInfo
- Publication number
- CN108362267A CN108362267A CN201810018828.8A CN201810018828A CN108362267A CN 108362267 A CN108362267 A CN 108362267A CN 201810018828 A CN201810018828 A CN 201810018828A CN 108362267 A CN108362267 A CN 108362267A
- Authority
- CN
- China
- Prior art keywords
- rape
- yield
- wet
- satellite
- wet stain
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,包括:开展地块尺度油菜湿渍害田间试验,获取不同品种、不同发育期、不同湿渍害处理的地面油菜产量数据;获取高空间分辨率的卫星影像数据,并进行预处理;计算油菜湿渍害产量损失率和湿渍害胁迫下植被指数变化率;分析湿渍害胁迫下的油菜产量、减产率与植被指数及其变化率的相关习惯;利用多元回归方法建立湿渍害胁迫下地块尺度油菜减产遥感定量估算模型,并进行精度检验。该成果可以用于为农户油菜田间水肥精准管理提供服务、为保险公司开展灾害损失评估和定损提供依据。
Description
技术领域
本发明涉及光学遥感数据处理的技术领域,具体涉及一种基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法。
背景技术
长期以来,由于高空间分辨率卫星对不同地物辨别能力强、空间分辨率高、信息精准等特性,有关高分辨率遥感卫星技术及其应用都涉及到国家安全,属于国家的高度机密,多用于获取敌国经济状况、军事情报、空间地理数据等。直至1999美国成功发射了第一颗商业高分辨率遥感卫星Ikonos,才开启了高空间分辨率卫星的新时代(金飞,2013)。高空间分辨率卫星所带来的巨大军事优势和经济效益引发了各国的高度重视,各国相继出台相关政策支持高空间分辨率商业遥感卫星发展,促进了这一技术与应用的飞速发展。迄今为止,美国是世界上卫星应用在军事、工业以及遥感产业的主导者,中、欧、以、印、日等其他国的商业遥感卫星产业也形成了一定竞争力。
美国是高空间分辨率卫星最早投入商业化应用的国家,自1999年以来,已经发射的高空间分辨率商业卫星有:Ikonos(1999)、QuickBird(2001)、OrbView-3(2003)、GeoEye-1(2008)、Worldview-1(2007)、Worldview-2(2009)、Worldview-3(2014)、Worldview-4(2016)。Ikonos卫星由美国成像公司成功发射,是世界上第一颗提供高空间分辨率卫星影像的商业遥感卫星,其全色波段的空间分辨率为0.82m,多光谱波段的空间分辨率为3.2m,重访周期为3天(朱光良,2004)。GeoEye-1卫星是Ikonos的后续卫星,由地球眼公司(当时名为轨道图像公司)研制的,于2008年9月16日在加利福尼亚范登堡空军基地发射成功的商业高空间分辨率对地成像卫星,该卫星携带高空间分辨率的CCD相机,其全色波段范围为450~800nm,多光谱波段范围为450~920nm,重访周期为3天(或更短),能更好地满足国防、国土安全、能源、城市规划、农业、自然资源和环境监测等领域的要求,是继Ikonos和Quickbird之后的高分辨率卫星最佳选择之一(张柯南等,2010)。QuickBird卫星由美国数字地球公司发射,其成像方式为推扫式成像,条宽为16.5Km,重访周期为3天(赵登蓉等,2009)。OrbView-3卫星全色分辨率为l米,多光谱分辨率为4米,重访周期为3天,可用于资源探测、农渔业和军事等用途(赵秋艳,2000)。Worldview系列卫星由数字地球(DigitalGlobe)公司研制,大幅度提高了卫星成像精度。Worldview-1卫星采用BCP-5000卫星平台,可以单轨立体成像,卫星重访周期1.7天,但Worldview-1卫星仅能提供分辨率为0.45m的全色成像(范宁等,2014)。Worldview-2卫星是数字地球公司在2009年10月8日发射的一颗高空间分辨率商业卫星,在770Km高度的太阳同步轨道运行,除具备高空间分辨率遥感影像通常具有的4个标准波段外,还新增了4个波段,分别为:海岸波段、黄色波段、红边波段和近红外2波段(赵莹等,2014)。Worldview-3卫星,其总光谱波段数量达到28个,与Worldview-2卫星的8个多光谱谱段相比,Worldview-3卫星额外增加了8个短波红外波段和12个云、气溶胶、水汽和冰雪波段(李国元等,2015)。Worldview-4卫星(前身为Geoeye-2卫星)于2016年11月11日在美国加利福尼亚范登堡空军基地成功发射。与2014年发射的WorldView-3卫星相比,WorldView-4除继承WorldView-3的高光学解析度与高几何精度外,还能在更短的时间内获取影像质量,也让拍摄面积更广,每天能采集影像的范围多达680000Km2。
自美国第一颗高空间分辨率商业遥感卫星Ikonos发射成功后,很快在全球范围内掀起了研发商业高空间分辨率卫星的热潮。在对地观测卫星的研究和开发应用方面,法国一直走在世界前端,自1986年以来,法国航天研究中心(CNES)先后发射了7颗SPOT系列卫星。SPOT系列卫星为太阳同步轨道,通过赤道时刻为地方时上午10:30,重复周期为26天,由于SPOT采用倾斜观测,所以实际上可以对同一地区在4至5天内再次观测(刘晓,2010)。目前在轨运行的SPOT系列卫星为SPOT-5、SPOT-6和SPOT-7。SPOT-5卫星,采用线性阵列式传感器(CCD)和推扫式扫描技术进行成像,共有5个工作波段,多光谱波段包括绿光波段、红光波段、近红外波段和短波红外波段,其中绿光波段、红光波段和近红外波段空间分辨率均为10m,短波红外波段空间分辨率为20m,全色波段空间分辨率最高可达2.5m(梁友嘉等,2013)。SPOT-6卫星作为SPOT-5的后续卫星,与Pleiades-1A卫星在同一轨道平面上,其保留了SPOT-5卫星的标志性优势,具有60Km的幅宽,每日可接收6000000km2的图像,且图像为正南北方向,便于进行处理(郭蕾等,2014)。此外,法国还于2011年和2012年分别成功发射了0.5m分辨率的军民两用Pleiades双子星。Pleiades-1A属于商业卫星,可在纬度高于40°地区,30度角实现每日重访;在赤道至纬度40度地区,可两日重访,能够在很短的时间内提供精确的空间信息,空间分辨率为2m,多光谱波段范围在430~940nm之间,全色波段范围在480~830nm之间,可有效降低近红外波段对全色图像的影响(廖丹等,2014)。Pleiades卫星日采集约600景,其幅宽为20km,能快速满足地区的超高分辨率数据获取需求(董芳玢,2016)。
为满足商业对地观测卫星的需求,2008年德国发射了5颗由RapidEye卫星组成的星座,其均匀分布在一个太阳同步轨道上,轨道高度为620Km,服务寿命为7年。RapidEye卫星装有多光谱成像仪,在400~850nm内有5个多光谱波段,是世界第一颗提供红边波段的多光谱商业卫星,幅宽为78km,日覆盖范围4000000Km2,能实现每天全球重访(祝振江等,2010)。此外,RapidEye 5个光谱波段的获取方式有助于植被变化、分类和生长状态监测,也适合农林、环境等方面的调查与研究(沈文娟,2014)。
俄罗斯在卫星遥感技术上居世界领先地位,为了争夺商业遥感卫星的市场,俄罗斯研发了多种高空间分辨率遥感卫星(史伟国等,2012)。Resurs-DK1卫星于2006年6月15日在拜科努尔发射场由俄罗斯三级“联盟”号火箭搭载发射的新一代陆地资源卫星,Resurs-DK1的卫星重6804Kg,卫星轨道位置为远地点370Km、近地点201Km,重访周期为5~7天,可提供1个全色波段和4个多光谱波段(司耀锋等,2013)。Resurs-P No.1于2013年6月25日发射升空,Resurs-P卫星重量为6570Kg,是“资源”系列Resurs-DK卫星的后继星,轨道高速为500Km,卫星运行寿命设计约为7年,含有1个全色波段和5个多光谱波段(司耀锋等,2013)。与Resurs-DK不同,Resurs-P卫星附有两个附加传感器,分别为幅宽25Km、分辨率为25m的高光谱传感器(96个波段)以及97~144Km超幅宽、分辨率为20~120m的多光谱传感器,Resurs-P卫星的工作性能有了明显提升,可提供全色域地球图片和地表红外信息。
自1975年以来,我国已陆续发射了陆地资源、气象、海洋、环境与灾害监测4大系列遥感卫星(任晓烨,2013)。中国近年来陆续发射了高空间分辨率、高时间分辨率、高光谱分辨率系列对地观测卫星,目前已经发射了4颗,覆盖了从全色、多光谱到高光谱,从光学到雷达,从太阳同步轨道到地球同步轨道等多种类型,构成了一个高空间分辨率、高时间分辨率和高光谱分辨率的对地观测系统,高分一号(“GF-1”)卫星是我国高分专项的第一颗卫星,它配置了2台2m分辨率全色/8m分辨率多光谱相机,4台16m分辨率多光谱宽幅相机,宽幅多光谱相机幅宽达到了800Km,远高于法国发射的SPOT-6卫星(王守志等,2016)。且其重复周期只有4天,实现了高空间分辨率和高时间分辨率的完美结合,对测绘、海洋和气象观测、资源监测等方面具有重要作用(程乾等,2015)。高分二号(“GF-2”)卫星轨道高度为631Km,可对同一地区在5天实现重访。“GF-2”可获取空间分辨率为1m的全色影像和4m的多光谱影像,可应用于土地利用、资源环境、农业、防灾减灾等众多领域(刘肖姬等,2015)。高分三号卫星于2016年8月10日在太原卫星发射中心用长征四号丙运载火箭发射成功。它是中国首颗分辨率达到1米的C频段多极化合成孔径雷达(SAR)成像卫星,具有传统的条带、扫描成像模式和聚束、条带、扫描、波浪、全球观测、高低入射角等12种成像模式,既可探地,又可观海,可全天候监视监测全球海洋和陆地资源,有力支撑海洋监测、灾害风险预警预报、水资源评价与管理、灾害天气和气候变化预测等应用(云菲,2016)。
除了高分系列卫星,资源卫星也为中国高分辨率卫星发展奠定了重要基础。资源一号02C卫星(简称ZY-1 02C)于2011年发射成功,其搭载两台HR相机,空间分辨率为2.36m,两台拼接的幅宽达到54km;搭载的全色及多光谱相机分辨率分别为5m和10m,幅宽为60km,可应用于国土资源调查与监测、防灾减灾、农林水利、生态环境、国家重大工程等领域(张学文等,2014)。资源三号(ZY-3)卫星搭载了四台光学相机,具备立体测绘和资源调查两种观测模式,定位精度高,重访周期为5天,包括一台地面分辨率2.1m的正视全色TDI CCD相机、两台地面分辨率3.6m的前视和后视全色TDI CCD相机、一台地面分辨率5.8m的正视多光谱相机,数据主要用于地形图制图、高程建模以及资源调查等(闫利等,2015)。
天绘一号01星(Mapping Satellite-1)是中国第一颗传输型立体测绘卫星,集成了3台5m空间分辨率全色测绘相机,1台10m空间分辨率4波段多光谱相机,1台2m空间分辨率全色相机,既能获取3维地理信息,又能获取蓝、绿、红和近红外4波段多光谱影像,在500km的太阳同步轨道上,实现了2m的高地面像元空间分辨率、单台相机地面覆盖宽度达60km(黄鹤等,2013)。天绘一号02星于2012年成功发射,其卫星参数与天绘一号01星基本一致。天绘一号02星和天绘一号01星双星影像经无缝拼接后,测绘覆盖宽可达到110Km,极大地提高了测绘效率和几何控制能力,加快了测绘区域影像获取速度。这是中国航天领域的重大突破,对促中国测绘事业具有里程碑意义,为中国后续航天测绘卫星的发展奠定了坚实基础(尹明等,2012)。
北京一号小卫星由中英合作制造完成,于2005年10月27日在俄罗斯普列谢斯克(Plesetsk)卫星发射场成功发射(童庆禧,2007)。北京二号星座,全称为“北京二号”民用商业遥感小卫星星座(DMC3)于2015年7月11日在印度孟加拉湾的斯里赫里戈达岛由极地轨道运载火箭(PSLV)搭载发射(刘韬,2015)。其由三颗1米全色、4米多光谱分辨率的光学遥感卫星组成,可提供覆盖全球、空间和时间分辨率俱佳的遥感卫星数据和空间信息产品,为国土资源管理、农业资源调查、生态环境监测、城市综合应用等领域提供空间信息支持(陈磊,2015)。
高景一号(SuperView-1)01星和02星于2016年12月28日以双星的方式发射成功,其空间分辨率为0.5m,打破了国外对0.5m空间分辨率级商业遥感数据垄断,标志着国产商业遥感数据水平正式迈入国际一流行列。高景一号具有星下点成像、侧摆成像、连续条带、多条带拼接、立体成像、多目标成像等多种工作模式,是国内首个具备高敏捷、多模式成像能力的商业卫星星座,适用于高精度地图制作、变化监测和影像深度分析(崔恩慧,2017)。
吉林1号商业卫星于2015年10月7日发射升空,是中国第一套自主研发的商用遥感卫星组,包括1颗光学遥感卫星、2颗视频卫星和1颗技术验证卫星。其中,吉林1号光学A星是我国首颗自主研发的高分辨率对地观测光学成像卫星,具备常规推扫、大角度侧摆、同轨立体、多条带拼接等多种成像模式,可为国土资源监测、矿产资源开发、智慧城市建设、交通设施监测、农业估产、生态环境监测、防灾减灾等领域提供数据支持;吉林1号视频可为森林湿地资源调查监测、灾害监测等业务方向提供全方位、高动态的卫星影像和遥感视频新体验。吉林1号技术验证星主要开展多模式成像技术试验验证(付毅飞,2015)。
除了美国、欧洲、中国以外,其他国家如以色列、印度、日本、韩国等国家也积极发展并成功发射了高空间分辨率卫星。以色列分别于2000年和2006年发射了第一颗、第二颗地球资源观测卫星EROS-A和EROS-B,两颗卫星形成了高空间分辨率卫星星座,由于两颗卫星影像获取时间不同,而提高了获取目标影像的能力和频率(梁松,2010)。EROS-A卫星提供标准成像模式和条带模式,可应用于灾害、生态、工业、农业等的规划与监测。EROS-B是在EROS-A的基础上设计的,是一颗提供0.7m高空间分辨率的遥感卫星,采用TDI技术,主要应用在测绘、城建规划、灾害评估、环境监测、军事侦察等方面(陈国良等,2011)。
Ofeq 9是Ofeq系列侦察卫星的一部分,于2010年6月22日,由Shavit-2运载火箭搭载在以色列帕尔马奇姆空军基地成功发射,其安装了高分辨率摄像头,可获得0.7m的高分辨率全色影像(庞之浩,2014)。Ofeq 10侦察卫星于2014年4月9日22时15分在以色列的空军试验靶场发射,由Shavit-2运载火箭发射,卫星重400千克,是以色列最新的遥感观测卫星,采用合成孔径雷达(SAR)技术,可提供0.5m的高分辨率全色影像,并能在全天候的条件下运行(庞之浩,2005)。
IRS-P5又称Cartosat-1,是印度政府2005年5月5日发射主要用于立体测图卫星,也是全球第一颗专业测图卫星,其搭载两个分辨率为2.5m全色传感器,最快重访周期可达5天,数据主要用于地形图制图、高程建模、地籍制图以及资源调查等(李中洲,2012)。
ALOS(Advanced Land Observing Satellite)于2006年1月24日发射,是JERS-1与ADEOS的后继星(张力等,2009)。ALOS卫星载有三种传感器:2.5m分辨率全色传感器—全色立体测绘仪(PRISM)、10m高性能可见光与近红外传感器-2(AVNIR-2)和相控阵型L波段合成孔径雷达(PALSAR),可用于制图、区域观测、灾害监测和资源调查等用途(张力等,2009),ALOS-1卫星已经于2011年4月失效。
近年来,韩国通过吸收引进国外先进遥感技术,推动对地观测卫星迅速发展(史伟国等,2012)。韩国空间局(KARI)研制了KOMPSAT(Korea Multi-Purpose Satellite)系列遥感卫星(史伟国等,2012)。KOMPSAT-1光学成像卫星发射1999年的,全色分辨率近6m,目前已到寿失效。KOMPSAT-2卫星于2006年7月28日在俄罗斯联邦普列谢茨克发射成功,可提供1m分辨率全色影像以及4m分辨率多光谱影像,对于地面勘测极具意义,也为韩国航天科技的发展奠定了坚实的基础(夏光,2005)。
KOMPSAT-3卫星是韩国发射的第三颗多用途卫星,该卫星重980Kg,直径2m,长3.5m用于接替KOMPSAT-2号卫星执行高分辨率成像和测绘任务,是一台高分辨率推扫成像仪,分辨率为全色波段0.7m,多光谱波段2.8m,主要用于全色和多光谱制图及灾害监测(祁首冰,2015)。
这些高空间分辨率卫星的发射,增加了获取高空间分辨率卫星的可能性,然而到目前为止,这些高空间分辨率卫星在农业上的应用有待进一步研究,在湿渍害胁迫下地块尺度油菜湿渍害产量损失遥感定量评估未见报道。
发明内容
本发明的目的是克服中国耕地地块破碎、面积小、难以进行地块尺度产量损失定量估算难题,提供一种基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,该方法基于高空间分辨率卫星影像进行湿渍害胁迫下地块尺度油菜产量损失遥感定量估算,该方法能利用现有不同传感器的高空间分辨率卫星影像进行地块尺度定量估算。
一种基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,包括以下步骤:
步骤1:开展地块尺度油菜湿渍害田间试验,包括:正常种植油菜的地块以及湿渍害胁迫下油菜种植的地块,并且在油菜的不同发育期进行湿渍害胁迫;
步骤2:获取步骤1所在区域的不同时相高空间分辨率卫星遥感数据,并进行预处理,对不同空间分辨率的卫星影像数据进行重采样,得到相同空间分辨率的卫星影像数据;
步骤3:从步骤1中开展的地块尺度油菜湿渍害田间试验,获取不同品种、不同发育期、不同湿渍害处理的油菜产量数据;同时利用步骤2获取的卫星影像数据中不同卫星的近红外和红光波段数据,计算得到不同植被指数卫星影像;
步骤4:步骤3获取的产量数据和不同植被指数卫星影像,以正常种植油菜作为对照参考,计算湿渍害胁迫下油菜产量损失率和植被指数变化率;
步骤5、计算湿渍害胁迫下的油菜产量、湿渍害胁迫下油菜产量损失率(即减产率)与步骤2获取的卫星影像数据、不同植被指数及植被指数变化率的相关系数,分析其相关性;
步骤6、根据步骤5的相关分析结果,利用多元回归方法建立湿渍害胁迫下地块尺度油菜产量估算模型和减产率遥感定量估算模型,利用模型对湿渍害胁迫下的地块油菜产量损失遥感定量评估。
以下作为本发明的优选技术方案:
步骤2中,所述的预处理包括:辐射定标、几何校正和大气校正。
步骤3中,利用步骤2得到的不同传感器的高空间分辨率卫星影像数据,计算不同植被指数,获取不同植被指数卫星影像,以便后续进行地块尺度进行湿渍害胁迫下地块尺度油菜产量损失遥感定量制图做好准备。
步骤4中,所述的湿渍害胁迫下油菜产量损失率和植被指数变化率,是以正常种植油菜作为对照,以湿渍害胁迫的油菜产量和植被指数减去对照的产量和植被指数,再除以对照的植被指数和产量,其计算公式为:
其中ΔVIs为植被指数变化率,VIsCK为对照的植被指数,VIsTreatment为湿渍害胁迫的植被指数,其中ΔYield为湿渍害胁迫下油菜产量损失率(即减产率),YieldCK为对照的油菜产量,YieldTreatment为湿渍害胁迫的油菜产量。
步骤5中,所述的相关性分析是使用Pearson相关系数公式,计算湿渍害胁迫下的油菜产量、湿渍害胁迫下油菜产量损失率(即减产率)与不同时相卫星影像、不同植被指数及植被指数变化率的相关系数,分析其相关性。
步骤6中,通过步骤5得到的相关性分析结果,利用多元回归方法建立湿渍害胁迫下地块尺度油菜产量估算模型和减产率遥感定量估算模型,所建立的湿渍害胁迫下地块尺度油菜产量估算模型为:
yield=-a0+a1*GNDVI03/24+a2*GNDVI04/13-a3*GNDVI04/21+a4*GNDVI05/01;
其中,yield湿渍害胁迫下油菜产量,GNDVI03/24为3月24日高空间分辨率卫星影像绿色归一化植被指数(GNDVI),GNDVI04/13为4月13日高空间分辨率卫星影像绿色归一化植被指数(GNDVI),GNDVI04/21为4月21日高空间分辨率卫星影像绿色归一化植被指数(GNDVI),GNDVI05/01分别为5月1日高空间分辨率卫星影像绿色归一化植被指数(GNDVI),a0、a1、a2、a3、a4为拟合得到的系数。
所建立的减产率遥感定量估算模型为:
ΔYield=b1*GNDVI04/13-b2*NDVI04/13-b0
其中,ΔYield湿渍害胁迫下油菜产量损失率,NDVI04/13为4月13日空间分辨率卫星影像归一化植被指数(NDVI),GNDVI04/13为4月13日空间分辨率卫星影像绿色归一化植被指数(GNDVI),b0、b1、b2为拟合得到的系数。
与现有技术相比,本发明的优点在于:
1、利用具有高空间分辨率多源卫星遥感数据进行建模,保证数据的可获得性;2、利用不同时相、不同植被指数进行建模,提高模型精度;3、利用线性和非线性函数进行拟合,进一步提高模型精度;4、适用于地块尺度湿渍害胁迫下油菜损失遥感定量评估,能准确、客观给出地块尺度湿渍害胁迫下油菜产量损失量,能为农户进行水肥精准管理提供依据、为保险公司开展灾害损失评估和定损提供依据。
附图说明
图1为本发明在浙江省德清县下舍村设置的油菜湿渍害处理试验示意图,(a)为卫星影像图,德清县域图(b)为2015年5月12日获取的高分一号影像(8m)假彩色合成图,R、G、B波段组成为4、3、2波段;油菜湿渍害处理示意图(c)是2014年12月31日获取的Worldview-3全色影像(0.31m);
图2为本发明的通过比较不同植被指数的产量多元回归模型,优选出GNDVI作为自变量的模型进行精度验证的散点图;
图3为本发明的利用高空间分辨率卫星影像数据估算的湿渍害胁迫下地块尺度油菜产量损失率与实测产量损失率散点图。
具体实施方式
下面结合具体附图和实施案例对本发明作进一步说明。本发明为湿渍害胁迫下地块尺度油菜产量损失遥感定量评估方法,具体计算方法包括如下步骤:
步骤1:开展地块尺度油菜湿渍害田间试验,包括:正常种植油菜的地块以及湿渍害胁迫下油菜种植的地块,并且在油菜的不同发育期进行湿渍害胁迫;
步骤2:获取不同时相高空间分辨率卫星遥感数据,并进行预处理,对不同空间分辨率的卫星影像数据进行重采样,得到相同空间分辨率的卫星影像数据;
预处理具体包括辐射定标、几何校正、大气校正,获取到高空间分辨率卫星影像数据后,读取不同传感器的高空间分辨率卫星影像进行影像的增益和偏差,以便进行辐射定标;然后利用LAASH模块进行大气校正;在此基础上,对同一传感器的全色和多光谱数据进行融合,提高目视解译精度,进一步分析大气影响,决定是否进行相对大气辐射校正,消除大气气溶胶的影响。
辐射定标是将卫星影像的记录的数字量化值(DN值)转化为绝对辐射亮度值或者转化成与地表反射率、表面温度的物理量有关的相对值的处理过程(李尉尉,2012)。本发明使用ENVI 5.1软件提供的定标工具进行辐射定标。
由于传感器本身的姿态、高度的不确定性、地球曲率、空气折射以及地形起伏的影响,图像会发生几何变形,因而需要对图像进行几何校正。本发明首先利用第二次国家土壤调查矢量图(比例尺为1:10,000)对2014年12月31日获取的Worldview-3图像进行几个校正。在Worldview-3影像和土壤调查矢量图上分别选择了约60个交叉路口和建筑物等同源地面控制点(GCP);然后,图像校正采用二次多项式(Ploynomial)算法进行校正、三次卷积法(Cubic Convolution)进行重采样;最后,将输出影像与原始影像的投影信息设置一致,为WGS 84/UTM,区域为51N,并控制几何校正的总体误差在0.5像素内。第二步:将几何校正后的Worldview-3图像用作基准参考影像,并用相同方法对Pleiades-1A、Worldview-2和SPOT-6/7图像进行校正,并控制几何校正精度小于0.5像素。最后输出校正后的图像,并打开基准图像和校正后的影像进行叠加对比分析。
利用LAASH模块进行大气校正。由于本研究中使用的卫星数据为多源高分辨率卫星遥感影像,在不同传感器之间,其搭载的遥感卫星平台的轨道高度、卫星姿态、观测倾角,空间分辨率以及传感器的光谱响应函数等不同,因而要对湿渍害胁迫下试验区域内的油菜长势进行动态监测,必须消除不同遥感影像之间的差异(Soudani K.et al,2006)。本发明利用伪不变特征点,采用经验线性(EL)方法来校正不同的多光谱图像,具体做法是:对每个波段中伪不变特征点的传感器反射率与地面测量反射率进行比较,然后建立线性方程,利用传感器反射率来拟合伪不变特征点的真实反射率(Xu J.et al,2008)。
图1为本发明在浙江省德清县下舍村设置的油菜湿渍害处理试验示意图,(a)为卫星影像图,德清县域图(b)为2015年5月12日获取的高分一号影像(8m)假彩色合成图,R、G、B波段组成为4、3、2波段;油菜湿渍害处理示意图(c)是2014年12月31日获取的Worldview-3全色影像(0.31m)。
步骤3:利用开展的地块尺度油菜湿渍害田间试验,获取不同品种、不同发育期、不同湿渍害处理的油菜产量数据;同时利用步骤2)得到的卫星影像数据中不同卫星的近红外和红光波段数据,计算得到不同植被指数卫星影像,具体做法:通过查阅相关参考文献以,选用了八种经典植被指数,包括:EVI(增强型植被指数)、EVI2(双波段增强型植被指数)、RVI(比值植被指数)、NDVI(归一化植被指数)、RDVI(重归一化植被指数)、OSAVI(最优土壤调节植被指数)、SAVI(土壤调整植被指数)、GNDVI(绿色归一化植被指数)和MTVI2(修正三角植被指数2),并将这些植被指数作为经验模型因子。
步骤4:利用步骤2和步骤3获取的卫星影像数据和产量数据,以正常种植油菜作为对照参考,以湿渍害胁迫的油菜产量和植被指数减去对照的产量和植被指数,再除以对照的植被指数和产量,其计算公式为:
其中,ΔVIs为植被指数变化率,VIsCK为对照的植被指数,VIsTreatment为湿渍害胁迫的植被指数,其中ΔYield为减产率,YieldCK为对照的油菜产量,YieldTreatment为湿渍害胁迫的油菜产量;
步骤4、相关性分析是使用Pearson相关系数公式,计算湿渍害胁迫下的油菜产量、减产率与不同时相卫星影像、不同植被指数及其变化率的相关系数,分析其相关性;
步骤5、利用多元回归方法建立湿渍害胁迫下地块尺度油菜产量、减产率遥感定量估算模型,所建立的湿渍害胁迫下油菜产量估算模型为:
yield=-a0+a1*GNDVI03/24+a2*GNDVI04/13-a3*GNDVI04/21+a4*GNDVI05/01
其中,yield湿渍害胁迫下油菜产量,GNDVI03/24、GNDVI04/13、GNDVI04/21、GNDVI05/01分别为3月24日、4月13日、4月21日、5月1日高空间分辨率卫星影像绿色归一化植被指数(GNDVI),a0、a1、a2、a3、a4为拟合得到的系数。
所建立的湿渍害胁迫下油菜产量损失模型为:
ΔYield=b1*GNDVI04/13-b2*NDVI04/13-b0
其中,ΔYield湿渍害胁迫下油菜产量损失率,NDVI04/13和GNDVI04/13分别为4月13日空间分辨率卫星影像归一化植被指数(NDVI)和绿色归一化植被指数(GNDVI),b0、b1、b2为拟合得到的系数。
利用模型对湿渍害胁迫下的地块油菜产量损失遥感定量评估。图2为本发明的通过比较不同植被指数的产量多元回归模型,优选出GNDVI作为自变量的模型进行精度验证的散点图,结果表明估算产量和实测产量之间的相关系数均通过显著性检验;图3为本发明的利用高空间分辨率卫星影像数据估算的湿渍害胁迫下地块尺度油菜产量损失率与实测产量损失率散点图。可见,本发明模型适用于地块尺度湿渍害胁迫下油菜损失遥感定量评估,能准确、客观给出地块尺度湿渍害胁迫下油菜产量损失量,能为农户进行水肥精准管理提供依据、为保险公司开展灾害损失评估和定损提供依据。
Claims (6)
1.一种基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,其特征在于,包括以下步骤:
步骤1:开展地块尺度油菜湿渍害田间试验,包括:正常种植油菜的地块以及湿渍害胁迫下油菜种植的地块,并且在油菜的不同发育期进行湿渍害胁迫;
步骤2:获取步骤1所在区域的不同时相高空间分辨率卫星遥感数据,并进行预处理,对不同空间分辨率的卫星影像数据进行重采样,得到相同空间分辨率的卫星影像数据;
步骤3:从步骤1中开展的地块尺度油菜湿渍害田间试验,获取不同品种、不同发育期、不同湿渍害处理的油菜产量数据;同时利用步骤2获取的卫星影像数据中不同卫星的近红外和红光波段数据,计算得到不同植被指数卫星影像;
步骤4:步骤3获取的产量数据和不同植被指数卫星影像,以正常种植油菜作为对照参考,计算湿渍害胁迫下油菜产量损失率和植被指数变化率;
步骤5、计算湿渍害胁迫下的油菜产量、湿渍害胁迫下油菜产量损失率与步骤2获取的卫星影像数据、不同植被指数及植被指数变化率的相关系数,分析其相关性;
步骤6、根据步骤5的相关分析结果,利用多元回归方法建立湿渍害胁迫下地块尺度油菜产量估算模型和减产率遥感定量估算模型,利用模型对湿渍害胁迫下的地块油菜产量损失遥感定量评估。
2.根据权利要求1所述的基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,其特征在于,步骤2中,所述的预处理包括:辐射定标、几何校正和大气校正。
3.根据权利要求1所述的基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,其特征在于,步骤4中,所述的湿渍害胁迫下油菜产量损失率和植被指数变化率,是以正常种植油菜作为对照,以湿渍害胁迫的油菜产量和植被指数减去对照的产量和植被指数,再除以对照的植被指数和产量,其计算公式为:
其中ΔVIs为植被指数变化率,VIsCK为对照的植被指数,VIsTreatment为湿渍害胁迫的植被指数,其中ΔYield为湿渍害胁迫下油菜产量损失率,YieldCK为对照的油菜产量,YieldTreatment为湿渍害胁迫的油菜产量。
4.根据权利要求1所述的基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,其特征在于,步骤5中,分析其相关性使用Pearson相关系数公式。
5.根据权利要求1所述的基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,其特征在于,步骤6中,所建立的湿渍害胁迫下地块尺度油菜产量估算模型为:
yield=-a0+a1*GNDVI03/24+a2*GNDVI04/13-a3*GNDVI04/21+a4*GNDVI05/01;
其中,yield湿渍害胁迫下油菜产量,GNDVI03/24为3月24日高空间分辨率卫星影像绿色归一化植被指数,GNDVI04/13为4月13日高空间分辨率卫星影像绿色归一化植被指数,GNDVI04/21为4月21日高空间分辨率卫星影像绿色归一化植被指数,GNDVI05/01分别为5月1日高空间分辨率卫星影像绿色归一化植被指数,a0、a1、a2、a3、a4为拟合得到的系数。
6.根据权利要求1所述的基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法,其特征在于,所建立的减产率遥感定量估算模型为:
ΔYield=b1*GNDVI04/13-b2*NDVI04/13-b0
其中,ΔYield湿渍害胁迫下油菜产量损失率,NDVI04/13为4月13日空间分辨率卫星影像归一化植被指数,GNDVI04/13为4月13日空间分辨率卫星影像绿色归一化植被指数,b0、b1、b2为拟合得到的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018828.8A CN108362267B (zh) | 2018-01-09 | 2018-01-09 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018828.8A CN108362267B (zh) | 2018-01-09 | 2018-01-09 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108362267A true CN108362267A (zh) | 2018-08-03 |
CN108362267B CN108362267B (zh) | 2020-05-22 |
Family
ID=63011153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810018828.8A Active CN108362267B (zh) | 2018-01-09 | 2018-01-09 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108362267B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827929A (zh) * | 2019-03-13 | 2019-05-31 | 福州大学 | 基于tsevi的森林覆盖变化检测方法 |
CN110793921A (zh) * | 2019-11-14 | 2020-02-14 | 山东省农业可持续发展研究所 | 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统 |
CN110929222A (zh) * | 2019-10-24 | 2020-03-27 | 中山大学 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
CN112131948A (zh) * | 2020-08-25 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 一种基于实测数据的广西油茶估产方法 |
CN112147077A (zh) * | 2020-08-25 | 2020-12-29 | 航天信德智图(北京)科技有限公司 | 一种基于遥感指数的油茶种植管理效果评价方法 |
CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
CN113724210A (zh) * | 2021-08-13 | 2021-11-30 | 广州华农大智慧农业科技有限公司 | 一种作物长势识别方法和系统 |
CN113940263A (zh) * | 2021-11-15 | 2022-01-18 | 中国农业科学院都市农业研究所 | 一种用于植物生产的照护装置 |
CN114118679A (zh) * | 2021-10-14 | 2022-03-01 | 农业农村部规划设计研究院 | 一种基于时序遥感数据的作物单产及长势评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
CN107330801A (zh) * | 2017-06-07 | 2017-11-07 | 北京师范大学 | 一种冬小麦种植比例的计算方法及装置 |
-
2018
- 2018-01-09 CN CN201810018828.8A patent/CN108362267B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
CN107330801A (zh) * | 2017-06-07 | 2017-11-07 | 北京师范大学 | 一种冬小麦种植比例的计算方法及装置 |
Non-Patent Citations (1)
Title |
---|
韩佳慧: "地块尺度冬油菜湿渍害遥感监测方法研究", 《中国优秀硕士学位论文数据库 农业科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827929A (zh) * | 2019-03-13 | 2019-05-31 | 福州大学 | 基于tsevi的森林覆盖变化检测方法 |
CN110929222A (zh) * | 2019-10-24 | 2020-03-27 | 中山大学 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
CN110793921A (zh) * | 2019-11-14 | 2020-02-14 | 山东省农业可持续发展研究所 | 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统 |
CN111339989B (zh) * | 2020-03-12 | 2024-03-19 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
CN112131948A (zh) * | 2020-08-25 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 一种基于实测数据的广西油茶估产方法 |
CN112147077A (zh) * | 2020-08-25 | 2020-12-29 | 航天信德智图(北京)科技有限公司 | 一种基于遥感指数的油茶种植管理效果评价方法 |
CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
CN113223040B (zh) * | 2021-05-17 | 2024-05-14 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
CN113724210A (zh) * | 2021-08-13 | 2021-11-30 | 广州华农大智慧农业科技有限公司 | 一种作物长势识别方法和系统 |
CN114118679A (zh) * | 2021-10-14 | 2022-03-01 | 农业农村部规划设计研究院 | 一种基于时序遥感数据的作物单产及长势评估方法 |
CN114118679B (zh) * | 2021-10-14 | 2022-09-16 | 农业农村部规划设计研究院 | 一种基于时序遥感数据的作物单产及长势评估方法 |
CN113940263A (zh) * | 2021-11-15 | 2022-01-18 | 中国农业科学院都市农业研究所 | 一种用于植物生产的照护装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108362267B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108362267A (zh) | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 | |
Bühler et al. | Photogrammetric reconstruction of homogenous snow surfaces in alpine terrain applying near-infrared UAS imagery | |
Tang et al. | Overview of the GF‐7 laser altimeter system mission | |
Chander et al. | Monitoring on-orbit calibration stability of the Terra MODIS and Landsat 7 ETM+ sensors using pseudo-invariant test sites | |
Laliberte et al. | Acquisition, orthorectification, and object-based classification of unmanned aerial vehicle (UAV) imagery for rangeland monitoring | |
Roy et al. | Landsat-8: Science and product vision for terrestrial global change research | |
Thenkabail | Remote Sensing Handbook-Three Volume Set | |
Tupin et al. | Remote Sensing Imagery | |
Xie et al. | In‐orbit geometric calibration and experimental verification of the ZY3‐02 laser altimeter | |
Ghail et al. | EnVision: understanding why our most Earth-like neighbour is so different | |
CN111829963A (zh) | 一种分布式遥感卫星系统 | |
Berthier et al. | Measuring glacier mass changes from space—a review | |
Kervyn et al. | Mapping volcanic terrain using high-resolution and 3D satellite remote sensing | |
Matthies et al. | Terrain relative navigation for guided descent on titan | |
Monerris et al. | The Third Soil Moisture Active Passive Experiment. Workplan | |
Bannari et al. | Small Islands DEMs and Topographic Attributes Analysis: A Comparative Study among SRTM-V4. 1, ASTER-V2. 1, High Topographic Contours Map and DGPS | |
Abd Rahman et al. | A Review on Global and Localised Coverage Elevation Data Sources for Topographic Application | |
Garuma et al. | First Ethiopian Remote Sensing Satellite (ETRSS-1): Mission information and overview | |
Senthil Kumar et al. | Remembering IRS-1C mission: The “game changer” of Indian earth observation program | |
Zakiev et al. | Prospects for using remote sensing data in the armed forces, other troops and military formations of the Republic of Kazakhstan | |
Power et al. | InSAR applications for highway transportation projects | |
Baek et al. | The Relative Height Error Analysis of Digital Elevation Model on South Korea to Determine the TargetVertical Accuracy of CAS500-4 | |
Kanniah et al. | Small Remote Sensing Satellites of Malaysia: Past Experience and Future Direction | |
Foqha et al. | Mapping and Analysis of Land Cover in West Bank/Palestine using Landsat and Sentinel Multispectral Imagery | |
Jonnalagadda | Monitoring glaciers using GIS and open-source satellite 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 |