CN115376016A - 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 - Google Patents

一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 Download PDF

Info

Publication number
CN115376016A
CN115376016A CN202210979804.5A CN202210979804A CN115376016A CN 115376016 A CN115376016 A CN 115376016A CN 202210979804 A CN202210979804 A CN 202210979804A CN 115376016 A CN115376016 A CN 115376016A
Authority
CN
China
Prior art keywords
area
irrigation
evapotranspiration
vegetation
index
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
Application number
CN202210979804.5A
Other languages
English (en)
Other versions
CN115376016B (zh
Inventor
和玉璞
纪仁婧
付静
时元智
麦紫君
袁媛
陈俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority to CN202210979804.5A priority Critical patent/CN115376016B/zh
Publication of CN115376016A publication Critical patent/CN115376016A/zh
Application granted granted Critical
Publication of CN115376016B publication Critical patent/CN115376016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法，该方法根据对遥感数据的预处理得到灌溉前后植被水分指数差值进行潜在灌溉面积的提取，再利用遥感数据及气象数据、灌区属性数据及管理数据预处理得到灌溉前后蒸散发差值进行潜在灌溉面积的提取，基于上述两种灌溉面积的提取进行判别得出实际灌溉面积。其利用水分敏感波段构建植被水分指数与遥感蒸散发模型相结合的稻田灌溉面积识别方法，有效提取稻田实际灌溉面积，并保证较高的提取精度。克服现有技术仅适用于旱作物实际灌溉面积识别，在稻田实际灌溉面积识别中精度较低的问题。本发明提出的方法可实现稻田实际灌溉面积的有效识别，具有重要的应用价值。

Description

一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识 别方法
技术领域
本发明涉及一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法，属于农业遥感技术领域。
背景技术
中国是农业大国，农业用水量大约占总用水量的70％。随着经济社会发展，我国农业水资源短缺问题也日趋严重。水稻作为我国主要粮食作物之一，灌溉用水量较大，占到全国用水量的65％以上。目前，稻田实际灌溉面积多为人工统计、汇总上报，数据存在统计口径不一致、误差较大等问题，无法客观反映灌溉效益、水稻实际灌溉用水量，影响了农业水资源高效利用与可持续发展。因此，亟需利用更科学合理的方法，准确高效获取水稻实际灌溉面积，为加强农业用水管理、提高用水效率提供技术支撑。
遥感技术凭借经济性、动态性、时效性等特征，克服了传统监测方法的不足，逐渐应用于精准农业研究。国内学者选用农作物不同生育阶段的灌溉前后遥感影像，结合多源信息包括基础地理条件、水文气象、灌排工程、农业种植结构以及灌溉制度，选用垂直干旱指数(MPDI)、温度-植被干旱指数(TVDI)等植被指数反演田间表层土壤含水量，结合田间实测数据，确定农作物发生灌溉阈值，从而构建实际灌溉面积提取模型。
现行的基于遥感信息提取灌溉面积的方法多采用遥感数据反演土壤水分结合分割阈值的方法分析灌溉行为，适用于旱作物灌溉面积提取。监测稻田灌溉面积时，由于水稻生长习性及农民灌溉习惯，生产实践中稻田无水层但土壤含水量较高时仍会灌溉，导致反演灌溉前后土壤水分状况的差异很小，难以准确合理的找到分割阈值。植物的生长发育直接受叶片水分状况控制，间接受土壤水分等因素影响，且水稻水分消耗主要形式为蒸散。因此，针对稻田灌溉及水分消耗特点，利用遥感影像中水分敏感波段构建植被水分指数，结合反演稻田蒸散发信息，综合分析判定灌溉阈值，协同构建水稻实际灌溉面积提取模型是可行的。
发明内容
发明目的：针对现有技术中存在的技术问题，本发明的目的是提供一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法。
技术方案：本发明所述一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法，包括以下步骤：
(1)研究区基础资料收集：收集稻田研究区的遥感数据、气象数据、灌区属性数据及管理数据；
(2)基于植被水分指数的潜在灌溉面积提取：对收集的遥感数据进行预处理，预处理包括辐射定标、大气校正，分别采用ENVI中的Radiometric Calibration、FLAASH 工具实现，获得真实地表反射率数据，计算植被水分指数MSI和植被水分指数差值△MSI；灌溉后植被水分指数MSI较灌溉前降低，采用OTSU自适应阈值算法计算植被水分指数差值△MSI的分割阈值，找到最大类间方差所对应的分割阈值，植被水分指数差值△MSI小于该分割阈值即为潜在灌溉区域；
(3)基于遥感蒸散发的潜在灌溉面积提取：对收集的遥感数据进行预处理，预处理主要为辐射定标，定标为辐射亮度，采用ENVI中的Radiometric Calibration工具实现，计算归一化植被指数NDVI、植被覆盖度Fv、叶面积指数LAI、地表反照率a、地表比辐射率ε，地表温度Ts、地表蒸散发ET及蒸散发差值△ET；灌溉后地表蒸散发ET较灌溉前升高，采用OTSU自适应阈值算法计算蒸散发差值△ET的分割阈值，找到最大类间方差所对应的分割阈值，蒸散发差值△ET大于该阈值即为潜在灌溉区域；
(4)基于植被水分指数和遥感蒸散发的灌溉面积结果判别：根据步骤(2)和步骤(3)开展基于植被水分指数和蒸散发数据的灌溉面积识别结果判别与融合，如果二者的判别结果均为灌溉，则此区域标记为灌溉，如果两者的判别结果存在分歧，将结合研究区水稻不同生长期(拔节－孕穗、孕穗－抽穗、抽穗－灌浆、灌浆－成熟)常年灌溉水量计算的日蒸散发量进行判别，如果在监测时段内存在分歧的区域反演蒸散发值大于常年计算蒸散发值，则标记为灌溉，反之，则判定为非灌溉；
(5)实际灌溉面积的统计与制图：对步骤(4)计算的灌溉面积判别结果进行面积统计计算，结合区域基础地理信息数据实现区域的实际灌溉面积的制图输出。
进一步地，步骤(1)中，遥感数据指稻田研究区灌溉前后的遥感影像，气象数据指Landsat8过稻田研究区时参考高度处的地面湿度、风速、温度、气压，日均温度、日照时数，灌区属性数据指稻田研究区水稻种植范围矢量数据、研究区地面高程数据，管理数据指稻田研究区内边界清楚、形状规则、灌排设施独立的田块，且配备量水设施记录其不同生长期(拔节－孕穗、孕穗－抽穗、抽穗－灌浆、灌浆－成熟)常年灌溉水量。
进一步地，步骤(1)中，收集稻田研究区的遥感数据、气象数据、灌区属性数据及管理数据是使用Landsat8对植被含水量敏感的近红外波段、短波红外波段以及反演地表温度所需的热红外波段收集，Landsat8包含OLI和TIRS两种传感器，分辨率为30m。
进一步地，步骤(2)中，辐射定标是将图像的数字量化值(DN)转化为辐射亮度值或者反射率或者表面温度等物理量的处理过程，大气校正是为了消除了地表大气中水蒸气、氧气、二氧化碳等对地表地物反射的影响。
进一步地，步骤(2)中，计算植被水分指数MSI采用下式计算：
Figure BDA0003799973650000031
其中，SWIR为短波红外的反射率，NIR为近红外波段的反射率。
进一步地，步骤(2)中，植被水分指数差值△MSI采用下式计算：
△MSI＝MSIt2-MSIt1
其中，MSIt2为监测时段末的MSI值，MSIt1为监测时段初的MSI值。
进一步地，步骤(2)中，分割阈值采用下式计算：
g＝ω1×(μ-μ1)2+ω2×(μ-μ2)2
ω1为目标区域像素数目除以图像总像素数目，ω2为背景区域像素数目除以图像总像素数目，μ为整个图像属性值均值，μ1为目标区域属性值均值，μ2为背景区域属性值均值， g为目标区域和背景之间的方差。
进一步地，步骤(3)中，归一化植被指数NDVI采用下式计算：
Figure BDA0003799973650000032
其中，R为红光波段的反射率，NIR为近红外波段的反射率。
进一步地，步骤(3)中，植被覆盖度Fv计算采用像元二分模型计算，计算公式如下：
Figure BDA0003799973650000033
其中，NDVI为归一化植被指数，NDVIv为植被茂密区像元NDVI值；NDVIs为完全裸土像元NDVI值。
进一步地，植被生长茂盛的地区，植被健康且枝叶茂密，归一化植被指数值均大于0.7，而无植被覆盖区或裸土区植被指数值较小，一般为0.03-0.08之间。有的区域包括部分植被和裸土，其植被指数值介于0.05-0.7之间。因此研究区采用NDVIv＝0.70和NDVIs＝0.05来作为对研究区里植被覆盖度的计算。
进一步地，步骤(3)中，叶面积指数LAI(Leaf Area Index)计算采用下式计算：
Figure BDA0003799973650000034
其中，Λ表示叶片角度的分布函数，取值为0.5，Fv表示植被覆盖度。
进一步地，步骤(3)中，地表反照率a按照下式计算：
α＝0.356α2+0.130α4+0.373α5+0.085α6+0.072α7-0.0018
其中，α2、α4、α5、α6、α7分别为第2、4、5、6、7波段的反射率。
进一步地，步骤(3)中，采用覃志豪提出分区(水体部分、自然部分、城镇部分) 地表比辐射率ε(Emissivity)计算中自然部分的计算方法，具体如下：
Figure BDA0003799973650000041
进一步地，步骤(3)中，地表温度Ts(Land Surface Temperature)的反演采用辐射传输方程法，具体公式如下：
Figure BDA0003799973650000043
Figure BDA0003799973650000044
Figure BDA0003799973650000042
其中，Lλ为热红外传感器接收到的热红外辐射亮度值，L↑为大气向上辐射亮度，L↓为大气向下到达地面后反射的辐射亮度，Ts为地表真实温度(K)；B(Ts)为黑体热辐射亮度；τ为大气在热红外波段的透过率。K1和K2的取值取决于传感器，对于TIRS Band10，K1＝774.89W/(m2·μm·sr)，K2＝1321.08K。
其中，大气剖面参数在NASA网站(https://atmcorr.gsfc.nasa.gov/)查询，输入成影时间及影响中心经纬度，得到τ、L↑、L↓。
进一步地，步骤(3)中，采用基于能量平衡原理的单源模型SEBS(Surface EnergyBalance System)计算地表蒸散发ET，利用ILWIS软件中的SEBS模块，将反演得到的归一化植被指数、植被覆盖度、叶面积指数、地表反照率、地表比辐射率、地表温度以及高程数据、卫星过境时刻参考高度处的地面湿度、风速、温度、气压，日均温度、日照时数输入模型，得到地表蒸散发ET。
进一步地，步骤(3)中，监测时段的蒸散发差值△ET的计算按照下式计算：
△ET＝ETt2-ETt1
其中，ETt2为监测时段末的ET值，ETt1为监测时段初的ET值。
本发明利用水分敏感波段构建植被水分指数与遥感蒸散发模型相结合的稻田实际灌溉面积识别方法，克服了现有技术仅适用于旱作物实际灌溉面积识别，在稻田实际灌溉面积识别中精度较低的问题。
有益效果：与现有技术相比，本发明具有以下显著优势：
本发明利用水分敏感波段构建植被水分指数与遥感蒸散发模型相结合的稻田灌溉面积识别方法，有效提取稻田实际灌溉面积，并保证较高的提取精度。克服了现有技术仅适用于旱作物实际灌溉面积识别，在稻田实际灌溉面积识别中精度较低的问题。本发明提出的方法对于实现稻田实际灌溉面积的有效识别，具有重要的应用价值。
附图说明
图1为本发明方法的流程图；
图2为实际灌溉面积的统计判别图。
具体实施方式
下面结合附图对本发明技术方案作进一步的说明。
实施例1
本发明的实施案例选择淳东灌区为研究区。淳东灌区位于江苏省南京市，灌区地势平缓，水源丰富，属于典型的长藤结瓜式灌区，水稻是灌区内主要用水户。通过本发明的技术方案的实施，可以有效进行水稻实际灌溉面积测算，具体实施步骤如下。
(一)研究区基础资料收集
收集研究区遥感数据、气象数据、灌区属性数据及管理数据。
遥感数据指稻田灌溉前后的遥感影像，本发明提及的方法使用对植被含水量敏感的近红外波段、短波红外波段以及反演地表温度所需的热红外波段做支撑，本实施例将以Landsat8为例，Landsat8包含OLI和TIRS两种传感器，分辨率为30m，满足研究所需。
气象数据指卫星过境时刻参考高度处的地面湿度、风速、温度、气压，日均温度、日照时数。
灌区属性数据指研究区水稻种植范围矢量数据、研究区地面高程数据。
灌区管理数据指研究区内边界清楚、形状规则、灌排设施独立的田块，且配备量水设施记录其不同生长期(拔节－孕穗、孕穗－抽穗、抽穗－灌浆、灌浆－成熟)常年灌溉水量。
(二)基于植被水分指数的潜在灌溉面积提取
对Landsat8多光谱数据进行预处理，预处理包括辐射定标、大气校正。辐射定标是将图像的数字量化值(DN)转化为辐射亮度值或者反射率或者表面温度等物理量的处理过程，大气校正是为了消除了地表大气中水蒸气、氧气、二氧化碳等对地表地物反射的影响。分别采用ENVI中的Radiometric Calibration、FLAASH工具实现，获得真实地表反射率数据。
计算植被水分指数MSI(Moisture stress index)，采用下式计算：
Figure BDA0003799973650000051
其中，SWIR为短波红外的反射率，NIR为近红外波段的反射率，分别对应Landsat8的第6波段、第5波段。
计算监测时段的植被水分指数差值△MSI，计算公式如下：
△MSI＝MSIt2-MSIt1
其中，MSIt2为监测时段末的MSI值，MSIt1为监测时段初的MSI值。
采用OTSU自适应阈值算法计算分割阈值，又称最大类间方差法，计算公式如下：
g＝ω1×(μ-μ1)2+ω2×(μ-μ2)2
其中，ω1为目标区域像素数目除以图像总像素数目，ω2为背景区域像素数目除以图像总像素数目，μ为整个图像属性值均值，μ1为目标区域属性值均值，μ2为背景区域属性值均值，g为目标区域和背景之间的方差。
灌溉后MSI指数较灌溉前降低，采用OTSU自适应阈值算法计算植被水分指数差值△MSI的分割阈值，对植被水分指数差值△MSI差值进行遍历，直至找到最大类间方差所对应的分割阈值，植被水分指数差值△MSI小于该分割阈值即为潜在灌溉区域。
(三)基于遥感蒸散发的潜在灌溉面积提取
对Landsat8热红外数据进行预处理，预处理主要为辐射定标，定标为辐射亮度，采用ENVI中的Radiometric Calibration工具实现。
计算归一化植被指数NDVI(Normalized Difference Vegetation Index)，计算公式如下：
Figure BDA0003799973650000061
其中，R为红光波段的反射率，NIR为近红外波段的反射率。
采用像元二分模型计算植被覆盖度Fv(Vegatation Fraction)，计算公式如下：
Figure BDA0003799973650000062
其中，NDVI为归一化植被指数，NDVIv为植被茂密区像元NDVI值；NDVIs为完全裸土像元NDVI值。
植被生长茂盛的地区，植被健康且枝叶茂密，归一化植被指数值均大于0.7，而无植被覆盖区或裸土区植被指数值较小，一般为0.03-0.08之间。有的区域包括部分植被和裸土，其植被指数值介于0.05-0.7之间。因此研究区采用NDVIv＝0.70和 NDVIs＝0.05来作为对研究区里植被覆盖度的计算。
计算叶面积指数LAI(Leaf Area Index)，计算公式如下：
Figure BDA0003799973650000071
其中，Λ表示叶片角度的分布函数，取值为0.5，Fv表示植被覆盖度。
计算地表反照率α(Land Surface Albedo)，计算公式如下：
α＝0.356α2+0.130α4+0.373α5+0.085α6+0.072α7-0.0018
其中，α2、α4、α5、α6、α7分别为landsat8的第2、4、5、6、7波段的反射率。
计算地表比辐射率ε(Emissivity)，计算公式如下：
Figure BDA0003799973650000072
采用辐射传输方程法(Radiative Transfer Equation)进行研究区地表温度Ts(Land Surface Temperature)的反演，计算公式如下：
Figure BDA0003799973650000074
Figure BDA0003799973650000075
Figure BDA0003799973650000073
Lλ为热红外传感器接收到的热红外辐射亮度值，L↑为大气向上辐射亮度，L↓为大气向下到达地面后反射的辐射亮度，Ts为地表真是温度(K)；B(Ts)为黑体热辐射亮度；τ为大气在热红外波段的透过率。K1和K2的取值取决于传感器，对于TIRS Band10， K1＝774.89W/(m2·μm·sr)，K2＝1321.08K。大气剖面参数在NASA网站 (https://atmcorr.gsfc.nasa.gov/)查询，输入成影时间及影响中心经纬度，得到τ、L↑、L↓。
将研究区地面高程数据重采样为30m分辨率。
采用基于能量平衡原理的单源模型SEBS(Surface Energy Balance System)计算蒸散发ET。利用ILWIS软件中的SEBS模块，将反演得到的归一化植被指数、植被覆盖度、叶面积指数、地表反照率、地表比辐射率、地表温度以及地面高程数据、卫星过境时刻参考高度处的地面湿度、风速、温度、气压，日均温度、日照时数输入模型，得到蒸散发ET。
计算监测时段的蒸散发差值△ET，计算公式如下：
△ET＝ETt2-ETt1
其中，ETt2为监测时段末的ET值，ETt1为监测时段初的ET值。
灌溉后ET较灌溉前升高，采用OTSU自适应阈值算法计算蒸散发差值△ET的分割阈值，计算公式同植被水分指数的潜在灌溉面积提取时的分割阈值计算公式，对△ET 进行遍历，直至找到最大方差所对应的阈值，蒸散发差值△ET大于该分割阈值即为潜在灌溉区域。
(四)基于植被水分指数和遥感蒸散发的灌溉面积结果判别
将步骤(二)和步骤(三)开展基于植被水分指数和蒸散发数据的灌溉面积识别结果判别与融合。如果二者的判别结果均为灌溉，则此区域标记为灌溉，如果两者的判别结果存在分歧，本发明将结合研究区水稻不同生长期(拔节－孕穗、孕穗－抽穗、抽穗－灌浆、灌浆－成熟)常年灌溉水量计算的日蒸散发量进行判别，如果在监测时段内存在分歧的区域反演蒸散发值大于常年计算蒸散发值，则标记为灌溉，反之，则判定为非灌溉。
(五)实际灌溉面积的统计与制图
对步骤(四)计算的灌溉面积判别结果进行面积统计计算，结合区域基础地理信息数据实现区域的实际灌溉面积的制图输出。本发明提出的一种基于植被水分指数和蒸散发数据的区域实际灌溉面积监测方法具体步骤见图1，判别结果见图2。
图2为淳东灌区2021年8月上旬灌溉范围，灌溉面积为6.4万亩，经实地调研精度验证，与实际灌溉状况基本一致，Kappa系数为0.8284。

Claims (10)

1.一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法，其特征在于，包括以下步骤：
(1)研究区基础资料收集：收集稻田研究区的遥感数据、气象数据、灌区属性数据及管理数据；
(2)基于植被水分指数的潜在灌溉面积提取：对收集的遥感数据进行预处理，预处理包括辐射定标、大气校正，分别采用ENVI中的Radiometric Calibration、FLAASH工具实现，获得真实地表反射率数据，计算植被水分指数MSI和植被水分指数差值△MSI；灌溉后植被水分指数MSI较灌溉前降低，采用OTSU自适应阈值算法计算植被水分指数差值△MSI的分割阈值，找到最大类间方差所对应的分割阈值，植被水分指数差值△MSI小于该分割阈值即为潜在灌溉区域；
(3)基于遥感蒸散发的潜在灌溉面积提取：对收集的遥感数据进行预处理，预处理主要为辐射定标，定标为辐射亮度，采用ENVI中的Radiometric Calibration工具实现，计算归一化植被指数NDVI、植被覆盖度Fv、叶面积指数LAI、地表反照率a、地表比辐射率ε，地表温度Ts、地表蒸散发ET及蒸散发差值△ET；灌溉后地表蒸散发ET较灌溉前升高，采用OTSU自适应阈值算法计算蒸散发差值△ET的分割阈值，找到最大类间方差所对应的分割阈值，蒸散发差值△ET大于该分割阈值即为潜在灌溉区域；
(4)基于植被水分指数和遥感蒸散发的灌溉面积结果判别：根据步骤(2)和步骤(3)开展基于植被水分指数和蒸散发数据的灌溉面积识别结果判别与融合，如果二者的判别结果均为灌溉，则此区域标记为灌溉，如果两者的判别结果存在分歧，将结合研究区水稻不同生长期常年灌溉水量计算的日蒸散发量进行判别，如果在监测时段内存在分歧的区域反演蒸散发值大于常年计算蒸散发值，则标记为灌溉，反之，则判定为非灌溉；
(5)实际灌溉面积的统计与制图：对步骤(4)计算的灌溉面积判别结果进行面积统计计算，结合区域基础地理信息数据实现区域的实际灌溉面积的制图输出。
2.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(1)中，遥感数据指稻田研究区灌溉前后的遥感影像，气象数据指Landsat8卫星经过稻田研究区时参考高度处的地面湿度、风速、温度、气压，日均温度、日照时数，灌区属性数据指稻田研究区水稻种植范围矢量数据、研究区地面高程数据，管理数据指稻田研究区内边界清楚、形状规则、灌排设施独立的田块，且配备量水设施记录其不同生长期常年灌溉水量。
3.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(2)中，计算植被水分指数MSI采用下式计算：
Figure FDA0003799973640000021
其中，SWIR为短波红外的反射率，NIR为近红外波段的反射率。
4.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(2)中，植被水分指数差值△MSI采用下式计算：
△MSI＝MSIt2-MSIt1
其中，MSIt2为监测时段末的MSI值，MSIt1为监测时段初的MSI值。
5.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(2)中，分割阈值采用下式计算：
g＝ω1×(μ-μ1)2+ω2×(μ-μ2)2
ω1为目标区域像素数目除以图像总像素数目，ω2为背景区域像素数目除以图像总像素数目，μ为整个图像属性值均值，μ1为目标区域属性值均值，μ2为背景区域属性值均值，g为目标区域和背景之间的方差。
6.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(3)中，植被覆盖度Fv计算采用采用像元二分模型计算，计算公式如下：
Figure FDA0003799973640000022
其中，NDVI为归一化植被指数，NDVIv为植被茂密区像元NDVI值；NDVIs为完全裸土像元NDVI值。
7.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(3)中，地表反照率a按照下式计算：
α＝0.356α2+0.130α4+0.373α5+0.085α6+0.072α7-0.0018
其中，α2、α4、α5、α6、α7分别为第2、4、5、6、7波段的反射率。
8.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(3)中，地表温度Ts的反演采用辐射传输方程法，具体公式如下：
Figure FDA0003799973640000024
Figure FDA0003799973640000025
Figure FDA0003799973640000023
其中，Lλ为热红外传感器接收到的热红外辐射亮度值，L↑为大气向上辐射亮度，L↓为大气向下到达地面后反射的辐射亮度，Ts为地表真实温度(K)；B(Ts)为黑体热辐射亮度；τ为大气在热红外波段的透过率，K1和K2的取值取决于传感器，K1＝774.89W/(m2·μm·sr)，K2＝1321.08K。
9.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(3)中，采用基于能量平衡原理的单源模型SEBS计算地表蒸散发ET，利用ILWIS软件中的SEBS模块，将反演得到的归一化植被指数、植被覆盖度、叶面积指数、地表反照率、地表比辐射率、地表温度以及高程数据、卫星过境时刻参考高度处的地面湿度、风速、温度、气压，日均温度、日照时数输入模型，得到地表蒸散发ET。
10.根据权利要求1所述基于植被水分指数与蒸散发结合的稻田灌溉面积识别方法，其特征在于，步骤(3)中，蒸散发差值△ET的计算按照下式：
△ET＝ETt2-ETt1
其中，ETt2为监测时段末的ET值，ETt1为监测时段初的ET值。
CN202210979804.5A 2022-08-16 2022-08-16 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 Active CN115376016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210979804.5A CN115376016B (zh) 2022-08-16 2022-08-16 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210979804.5A CN115376016B (zh) 2022-08-16 2022-08-16 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法

Publications (2)

Publication Number Publication Date
CN115376016A true CN115376016A (zh) 2022-11-22
CN115376016B CN115376016B (zh) 2023-04-11

Family

ID=84066096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210979804.5A Active CN115376016B (zh) 2022-08-16 2022-08-16 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法

Country Status (1)

Country Link
CN (1) CN115376016B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797797A (zh) * 2023-02-09 2023-03-14 水利部交通运输部国家能源局南京水利科学研究院 一种蒸散发塔基遥感监测方法系统及存储介质
CN115841628A (zh) * 2022-12-12 2023-03-24 中国水利水电科学研究院 一种高精度灌区耗水信息自动解译系统
CN115984718A (zh) * 2022-12-02 2023-04-18 水利部交通运输部国家能源局南京水利科学研究院 灌区水稻需水信息感知及灌溉决策方法
CN117011363A (zh) * 2023-08-17 2023-11-07 中国水利水电科学研究院 一种基于modis地表温度日较差的灌区灌溉面积提取阈值确定方法
CN117372503A (zh) * 2023-12-08 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统
CN117611993A (zh) * 2023-11-09 2024-02-27 水利部交通运输部国家能源局南京水利科学研究院 一种基于遥感实际蒸散发估算植被分类的方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010025919A (ja) * 2009-04-23 2010-02-04 Mitsubishi Materials Techno Corp 地下水起源解析方法、地下水起源解析システム、地下水起源解析プログラム及び記録媒体
US20120290140A1 (en) * 2011-05-13 2012-11-15 Groeneveld David P Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data
CN106960190A (zh) * 2017-03-22 2017-07-18 中国水利水电科学研究院 基于高分辨率图像监督中分辨率图像的灌溉面积统计方法
CN110929653A (zh) * 2019-11-26 2020-03-27 珠江水利委员会珠江水利科学研究院 一种基于遥感的灌溉水有效利用系数测算方法
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
CN111192315A (zh) * 2018-11-14 2020-05-22 中国灌溉排水发展中心 一种基于多源信息的实际灌溉面积提取方法
US20200214231A1 (en) * 2017-07-02 2020-07-09 Manna Irrigation Ltd. Methods and systems for irrigation guidance
CN113128401A (zh) * 2021-04-19 2021-07-16 中国水利水电科学研究院 基于光学和雷达遥感数据的区域实际灌溉面积监测方法
CN113837666A (zh) * 2021-11-23 2021-12-24 长江水利委员会长江科学院 一种基于改进cmi指数的农业干旱评估方法
CN114092807A (zh) * 2021-11-12 2022-02-25 中国水利水电科学研究院 一种基于时段累计蒸散发的实际灌溉面积识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010025919A (ja) * 2009-04-23 2010-02-04 Mitsubishi Materials Techno Corp 地下水起源解析方法、地下水起源解析システム、地下水起源解析プログラム及び記録媒体
US20120290140A1 (en) * 2011-05-13 2012-11-15 Groeneveld David P Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data
CN106960190A (zh) * 2017-03-22 2017-07-18 中国水利水电科学研究院 基于高分辨率图像监督中分辨率图像的灌溉面积统计方法
US20200214231A1 (en) * 2017-07-02 2020-07-09 Manna Irrigation Ltd. Methods and systems for irrigation guidance
CN111192315A (zh) * 2018-11-14 2020-05-22 中国灌溉排水发展中心 一种基于多源信息的实际灌溉面积提取方法
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
CN110929653A (zh) * 2019-11-26 2020-03-27 珠江水利委员会珠江水利科学研究院 一种基于遥感的灌溉水有效利用系数测算方法
CN113128401A (zh) * 2021-04-19 2021-07-16 中国水利水电科学研究院 基于光学和雷达遥感数据的区域实际灌溉面积监测方法
CN114092807A (zh) * 2021-11-12 2022-02-25 中国水利水电科学研究院 一种基于时段累计蒸散发的实际灌溉面积识别方法
CN113837666A (zh) * 2021-11-23 2021-12-24 长江水利委员会长江科学院 一种基于改进cmi指数的农业干旱评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高瑞睿: "基于遥感土壤含水量和蒸散发信息的灌溉面积识别技术研究与应用" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984718A (zh) * 2022-12-02 2023-04-18 水利部交通运输部国家能源局南京水利科学研究院 灌区水稻需水信息感知及灌溉决策方法
CN115984718B (zh) * 2022-12-02 2023-07-18 水利部交通运输部国家能源局南京水利科学研究院 灌区水稻需水信息感知及灌溉决策方法
CN115841628A (zh) * 2022-12-12 2023-03-24 中国水利水电科学研究院 一种高精度灌区耗水信息自动解译系统
CN115841628B (zh) * 2022-12-12 2023-09-19 中国水利水电科学研究院 一种高精度灌区耗水信息自动解译系统
CN115797797A (zh) * 2023-02-09 2023-03-14 水利部交通运输部国家能源局南京水利科学研究院 一种蒸散发塔基遥感监测方法系统及存储介质
CN117011363A (zh) * 2023-08-17 2023-11-07 中国水利水电科学研究院 一种基于modis地表温度日较差的灌区灌溉面积提取阈值确定方法
CN117611993A (zh) * 2023-11-09 2024-02-27 水利部交通运输部国家能源局南京水利科学研究院 一种基于遥感实际蒸散发估算植被分类的方法
CN117611993B (zh) * 2023-11-09 2024-05-14 水利部交通运输部国家能源局南京水利科学研究院 一种基于遥感实际蒸散发估算植被分类的方法
CN117372503A (zh) * 2023-12-08 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统
CN117372503B (zh) * 2023-12-08 2024-03-08 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统

Also Published As

Publication number Publication date
CN115376016B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN115376016B (zh) 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法
Zaussinger et al. Estimating irrigation water use over the contiguous United States by combining satellite and reanalysis soil moisture data
Xia et al. Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
Liu et al. Estimating crop stresses, aboveground dry biomass and yield of corn using multi-temporal optical data combined with a radiation use efficiency model
CN110288647B (zh) 一种基于高分辨率卫星数据监测灌区灌溉面积方法
CN110909933B (zh) 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法
Mhizha et al. Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe
CN110245327B (zh) 一种基于gf-1数据重构的小麦单产遥感估算方法
CN108304973A (zh) 基于积温、辐射和土壤含水量的区域作物成熟期预测方法
CN104951772B (zh) 一种基于ndvi时间序列曲线积分的冬小麦提取方法
CN112668705B (zh) 基于深度学习的干旱指数监测方法及系统
Dalezios et al. Remotely sensed methodologies for crop water availability and requirements in precision farming of vulnerable agriculture
CN111062526B (zh) 一种冬小麦单产预测方法及系统
CN112837169A (zh) 一种干旱过程网格化旱情综合监测、预警与评估方法
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
CN111079256A (zh) 一种基于遥感的灌溉水有效利用系数测算方法
CN117114374B (zh) 一种基于天气预测的智慧农业灌溉管理系统
Mumtaz et al. Analysis of meteorological variations on wheat yield and its estimation using remotely sensed data. A case study of selected districts of Punjab Province, Pakistan (2001-14)
CN111275567B (zh) 基于无人机影像的senp棉花产量估算方法及估算模型构建方法
Irmak et al. Winter wheat (Triticum aestivum L.) evapotranspiration and single (normal) and basal crop coefficients
Sari et al. Estimation of water consumption of lowland rice in tropical area based on heterogeneous cropping calendar using remote sensing technology
Bolun et al. Development of a new index for automated mapping of ratoon rice areas using time-series normalized difference vegetation index imagery
CN110929653A (zh) 一种基于遥感的灌溉水有效利用系数测算方法
CN111192315A (zh) 一种基于多源信息的实际灌溉面积提取方法

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