CN116502901A - 一种基于光学遥感数据的农田干旱空间分布评价方法 - Google Patents
一种基于光学遥感数据的农田干旱空间分布评价方法 Download PDFInfo
- Publication number
- CN116502901A CN116502901A CN202310246417.5A CN202310246417A CN116502901A CN 116502901 A CN116502901 A CN 116502901A CN 202310246417 A CN202310246417 A CN 202310246417A CN 116502901 A CN116502901 A CN 116502901A
- Authority
- CN
- China
- Prior art keywords
- drought
- monitoring
- farmland
- spatial distribution
- crops
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 230000003287 optical effect Effects 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 110
- 239000002689 soil Substances 0.000 claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003973 irrigation Methods 0.000 claims description 9
- 230000002262 irrigation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 9
- 238000009331 sowing Methods 0.000 description 8
- 244000068988 Glycine max Species 0.000 description 7
- 235000010469 Glycine max Nutrition 0.000 description 7
- 240000008042 Zea mays Species 0.000 description 7
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 7
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 7
- 235000005822 corn Nutrition 0.000 description 7
- 240000007594 Oryza sativa Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 5
- 238000010899 nucleation Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000008641 drought stress Effects 0.000 description 3
- 230000010152 pollination Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000024346 drought recovery Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 235000010716 Vigna mungo Nutrition 0.000 description 1
- 240000001417 Vigna umbellata Species 0.000 description 1
- 235000011453 Vigna umbellata Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于光学遥感数据的农田干旱空间分布评价方法,包括:剔除旱情监测区域卫星影像中的非作物区域,将影像分成若干个监测单元;构建植被‑土壤水分特征空间模型,计算监测单元内各像元的土壤含水量;根据农业干旱性质考虑土壤含水量与田间持水系数和永久萎蔫点系数之间的差异,并综合多种影响农业旱情的因素,构建农业旱情空间分布监测模型DSDI;根据DSDI评价不同作物、不同生长时期下的农田干旱程度及旱情空间分布情况,绘制旱情监测区域的农业旱情空间分布图。本发明综合考虑了影响农业旱情发展的多种因素,并能够针对不同作物、不同生长时期采取针对性的监测参数和监测标准,干旱空间分布评价精度更高,效果更好。
Description
技术领域
本发明涉及农业灾害胁迫监测技术领域,具体为一种基于光学遥感数据的农田干旱空间分布评价方法。
背景技术
传统的干旱监测通常是基于站点的实地观测,最常用的是通过站点测定的土壤水分含量进行插值评价土壤含水情况,或通过气象台站数据构建的降水距平百分率、标准化降水指数、气象干旱综合指数等指数进行插值,进而评价和判断干旱的发生和发展。这些传统方法虽然站点附近的结果真实性较高,但监测精度受控于地面站点的分布密度,较难获得准确及时的农业旱灾发生与发展的时空信息,并且往往要花费大量人力财力。通过定点观测来推测较大区域范围内的农田旱情时空动态变化,会因为站点分布不均使得插值结果推广到更大范围误差较大。而对于相对较小的区域范围,以点推面的农田旱情监测方法由于站点数据分布较少,也难以准确地判断农业旱灾的程度和具体受旱区域。遥感技术的快速发展,尤其是目前在轨的卫星传感器感测的电磁波段涵盖了可见光、近红外、热红外和微波等波段,为区域尺度农业干旱监测提供了新的手段。由于微波遥感受到空间分辨率低的限制,而热红外数据反演的地表温度会受到风速、气温、空气含水量等大气条件的影响,光学遥感数据的监测方法弥补两种数据的不足。
近些年来,国内外针对基于遥感技术的农业旱灾进行的监测和评估研究,提出了许多监测方法。农业旱灾遥感监测方法的优势在于它能快速、周期性地对大范围地区进行多波段、多角度的观测,获得连续的有关农田地表特征的面状信息。综合分析这些空间信息,建立相应的遥感反演模型,进一步了解大区域范围的农田土壤水分时空动态变化,结合农田作物长势,判断农业旱灾的发生与发展程度和范围。但是农业是一个复杂的生产系统,在相同干旱胁迫作用下,不同的农作物表现出不同的受旱灾损程度;另一方面,相同的作物,在不同的生长发育阶段对水分的需求也不相同,即不同生长阶段的作物耐旱程度也不相同。因此,虽然对于农田土壤水分以及农业旱灾遥感监测方法的研究已经开展了很多年,但作物生长时期、作物生长的气候、土壤、灌溉条件等因素的差异大都没有被考虑其中,旱灾监测的精度有待提高。
发明内容
为解决现有的农业旱灾遥感监测方法没有考虑作物生长时期、作物生长的气候、土壤、灌溉条件等因素,旱灾监测的精度有待提高的问题,本发明公开一种基于光学遥感数据的农田干旱空间分布评价方法,该方法综合考虑了影响农业旱情发展的多种因素,并且能够针对不同作物以及作物所处的不同生长时期采取针对性的监测参数和监测标准,使农业干旱监测方法具有更好的普适性。
为实现上述目的,本发明采取如下的技术方案:
一种基于光学遥感数据的农田干旱空间分布评价方法,包括以下步骤:
步骤1:剔除旱情监测区域卫星影像中的非作物区域,根据作物种植的分布情况、作物类型及作物所处生长时期,将同一生长时期下的同一作物类型所在种植区域作为一个监测单元,将旱情监测区域卫星影像分成若干个监测单元;
步骤2:构建植被-土壤水分特征空间模型,计算监测区域内每个监测单元的模型参数,获得监测单元内每个像元的土壤含水量M;
步骤3:根据农业干旱性质考虑土壤含水量与相应农田种植区域内田间持水系数和永久萎蔫点系数之间的差异,并综合多种影响农业旱情的因素,构建农业旱情空间分布监测模型DSDI;
步骤4:区分作物以及作物的生长时期划分阈值,并划分所述阈值对应的旱情等级,将所述农业旱情空间分布监测模型DSDI的计算结果与阈值进行比较,得到不同类型作物、不同生长时期下的旱情监测区域农田的干旱程度及旱情空间分布评价结果,并绘制旱情监测区域的农业旱情空间分布图。
与现有技术相比,本发明所提供的基于光学遥感数据的农田干旱空间分布评价方法具有如下特点和有益效果:
(1)该方法适用于含有短波红外波段的卫星数据,卫星数据源更加丰富,不同分辨率的卫星遥感数据源使得模型适用于各种监测尺度;
(2)该方法在监测土壤含水量的基础上,还考虑了农作物种类、农作物所处生长时期、农作物所处的生长环境等影响作物发生旱情的因素,最终获得的农业旱情空间分布评价结果精度更高。
附图说明
图1为本发明提出的基于光学遥感数据的农田干旱空间分布评价方法流程图;
图2为植被-土壤水分特征空间模型原理图;
图3为本发明实例中得到的吉林省旱情监测区域的农业旱情空间分布图。
具体实施方式
下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中,本发明提供一种基于光学遥感数据的农田干旱空间分布评价方法,如图1所示,该方法包括如下步骤:
步骤1:剔除旱情监测区域卫星影像中的非作物区域,根据作物种植的分布情况、作物类型及作物所处生长时期,将同一生长时期下的同一作物类型所在种植区域作为一个监测单元,将旱情监测区域卫星影像分成若干个监测单元。
本发明为主要针对农田旱情空间分布的监测与评价,评价区域确定为农田,因此在获取旱情监测区域卫星影像后,需要将卫星影像中的建筑、水体、裸地等非作物区域进行剔除,提取农作物种植区域,排除非农田地物对监测的干扰;另外,由于卫星影像受到云、雨等因素的限制,影像中可能存在的云及云阴影也需要作为异常区域剔除。剔除非作物区域和云及云阴影异常区域后的卫星影像作为后续处理的输入图像。
不同农作物由于种植方式、自身特性的不同对土壤水分的需求以及对旱情的敏感性也不同,因此本发明从卫星影像提取作物种植的分布情况(如水田作物和旱地作物)、作物类型(如水稻、玉米、大豆、花生、小麦等)及作物所处生长时期(如拔节期、开花期等)。
根据上述提取结果,将同一生长时期下的同一种作物所在的种植区域确定为一个监测单元。如在提取到的农田种植区域的基础上,该种植区域内种植了玉米、大豆两种作物,且玉米处于拔节期、大豆处于开花期,则该种植区域可认为存在“拔节期-玉米”、“开花期-大豆”两个监测单元。
步骤2:构建植被-土壤水分特征空间模型,计算监测区域内每个监测单元的模型参数,获得监测单元内每个像元的土壤含水量M。
根据农田种植周期内影像的表现特点,农作物从播种、出苗到抽穗成熟表现为从裸土到植被全覆盖,植被的影响逐渐展现。从植被+土壤水分两个角度综合评价,利用遥感数据构建植被-土壤水分特征空间模型,监测土壤含水量。具体步骤为:
步骤21:利用已经剔除建筑、水体、裸地、云等非作物区域的卫星遥感数据计算每个监测单元内各像元的植被指数EVI和基于短波红外波段的变换反射率STR;根据模型参数构建特点,主要选用含有红光波段、蓝光波段、近红外波段以及短波红光波段的卫星影像。各像元的植被指数EVI和基于短波红外波段的变换反射率STR的计算公式如下:
其中,RRED、RBLUE、RNIR、RSWIR分别为卫星影像的红光波段、蓝光波段、近红外波段和短波红外波段的地表反射率;
步骤22:利用步骤21计算得到的EVI和STR构建植被-土壤水分特征空间,根据监测单元内作物所处的生长时期,确定该监测单元的特征空间的监测范围。例如,作物所处的生长时期为播种期、出苗期等低植被覆盖期,EVI在0.1~0.5范围内与对应的STR构建特征空间,然后再求取特征空间对应的干边拟合方程STRd和湿边拟合方程STRw;作物所处的生长时期为抽穗期、拔节期或成熟期等高植被覆盖期,EVI在0.4~0.8范围内与对应的STR构建特征空间,然后再求取特征空间对应的干边拟合方程STRd和湿边拟合方程STRw;
步骤23:对于特征空间的干边拟合方程STRd和湿边拟合方程STRw的计算,基于EVI和STR的像素值在特征空间的分布,采用分位数回归的方法进行非线性指数函数数据拟合,计算方法为:
其中,sw、iw为湿边拟合方程参数,sd、id为干边拟合方程参数;
步骤24:根据干边拟合方程STRd和湿边拟合方程STRw的计算公式,计算监测单元内每个像元的土壤含水量M,计算公式为:
即:
步骤3:在土壤含水量监测结果的基础上,根据农业干旱性质考虑土壤含水量与相应农田种植区域内田间持水系数和永久萎蔫点系数之间的差异,并综合多种影响农业旱情的因素,构建农业旱情空间分布监测模型DSDI。
农业干旱通常是指由于土壤水分持续不足而造成的作物体内水分亏缺,影响作物正常生长发育的现象。当蒸散损失超过植物有效土壤水分时,可用田间持水系数与永久萎蔫点系数之间的差异表征农业干旱。根据步骤2中土壤含水量反演结果,获得农业旱情空间分布监测模型DSDI的过程为:
步骤31:利用ROSETTA土壤转换函数计算监测单元内每个像元的土壤的田间持水系数θFC和永久萎蔫点系数θPWP,土壤中砂粒含量、粉粒含量和黏粒含量来源于世界土壤数据库(HWSD,HarmonizedWorld Soil Database);
步骤32:根据监测单元内各像元的土壤含水量M与田间持水系数θFC和永久萎蔫点系数θPWP间的差异,构建农田土壤水分盈亏模型,该模型的公式为:
步骤33:构建农业旱情空间分布监测模型DSDI。
具有良好的灌溉条件的农田,通常作物需水能够得到充分满足,不易发生农田干旱;无灌溉条件的农田,依靠降水补充作物需水,降水减少的情况下易发生干旱。坡度C、海拔D等地形因素,因为坡度较大海拔过高而易发生水分的流失,导致农田更易失水,相同降水条件下更易发生干旱。因此将灌溉条件、海拔、坡度因素综合加入农田土壤水分盈亏模型中,构建农业旱情空间分布监测模型DSDI,其公式为:
其中,B为SWDI归一化后的值,C为农田种植区域的归一化后坡度值,D为农田种植区域的归一化后海拔值。
步骤4:区分作物以及作物的生长时期划分阈值,并划分阈值对应的旱情等级,将农业旱情空间分布监测模型DSDI的计算结果与阈值进行比较,得到不同类型作物、不同生长时期下的旱情监测区域农田的干旱程度及旱情空间分布评价结果,并绘制旱情监测区域的农业旱情空间分布图。
在相同干旱胁迫作用下,不同的农作物表现出不同的受旱灾损程度,另外,相同的作物,在不同的生长发育阶段对水分的需求也不相同,即不同生长阶段的作物耐旱程度也不相同。对于大多数作物而言,干旱胁迫对作物生产影响最大的两个阶段是播种出苗期和开花授粉期。前者是影响作物的适时播种与出苗率,没有适时种植和所需要的出苗率,就极难获得正常的收成。而在开花授粉灌浆早期,因干旱而导致授粉成功率和灌浆不足,直接影响最后的收成。因此,本发明通过阈值的划定以及旱情等级的划分,来评价不同作物、不同生长时期下的旱情监测区域农田的干旱程度及旱情空间分布情况,具体步骤为:
步骤41:为评价监测单元干旱程度,区分作物、区分作物的生长时期来进行阈值的划分,阈值分级标准参考《农业干旱等级》(GBIT 32136-2015),并将阈值对应的旱情等级划分为正常或湿润、轻度干旱、中度干旱、重度干旱以及特大干旱五个等级,利用作物特性进行对应的不同等级干旱程度阈值的划分;划分阈值以及对应的旱情等级后,将步骤3中农业旱情空间分布监测模型DSDI的计算结果与阈值进行比较,得到监测单元的干旱程度;
步骤42:一个监测区域被分成若干个监测单元,将监测区域内多个监测单元合并,绘制该监测区域的农业旱情空间分布图。
下面以吉林省2022年5月的农作物种植区域为例,对本发明的技术方案及技术效果作进一步说明。
1、将旱情监测区域卫星影像分成若干个监测单元。
利用吉林省2022年5月的Terra/Modis卫星遥感数据对吉林省进行耕种区域的提取以及农作物种植结构的提取,剔除建筑、水体、裸地、云及云阴影等非农田区域。为方便说明展示,主要选取了吉林省种植的大宗作物:水稻、玉米和大豆进行实例说明。5月的玉米和大豆农作物主要处于播种出苗期,水稻处于移栽分蘖期。将同一生长时期下的同一种作物所在种植区域确定为一个监测单元。因此,监测单元共分为三个:播种出苗期-玉米、播种出苗期-大豆以及移栽分蘖期-水稻。
2、构建植被-土壤水分特征空间模型,计算监测区域内每个监测单元的模型参数,模型参数包括监测单元特征空间的干边、湿边拟合方程STRd和STRw,获得监测单元内每个像元的土壤含水量M。
利用Terra/Modis卫星遥感数据计算每个监测单元内各像元的植被指数EVI和基于短波红外波段的变换反射率STR;根据三个监测单元内作物的生长时期,确定EVI在0.1~0.5范围内与对应的STR构建特征空间求取STRd和STRw;采用分位数回归的方法进行非线性指数函数数据拟合获取STRd和STRw;计算监测单元内每个像元的土壤含水量M。
3、在土壤含水量监测结果的基础上,根据农业干旱性质考虑土壤含水量与该地块内田间持水系数和永久萎蔫点系数之间的差异,并综合多种影响农业旱情的因素,构建农业旱情空间分布监测模型DSDI。
根据世界土壤数据库(HWSD,HarmonizedWorld Soil Database)中土壤中砂粒含量、粉粒含量和黏粒含量,利用ROSETTA土壤转换函数计算监测单元内每个像元土壤的田间持水系数θFC和永久萎蔫点系数θPWP;获取吉林省的DEM高程数据并计算每个像元的坡度值;吉林省内水稻拥有良好的灌溉措施,玉米和大豆灌溉措施缺乏。
“移栽分蘖期-水稻”监测单元具有良好的灌溉设施,为水稻正常生长提供所需水分,DSDI大于0,不受农田干旱影响;
“播种出苗期-玉米”和“播种出苗期-大豆”两个监测单元通过以下公式获得干旱评价结果:DSDI=0.65*B+0.15*C+0.1*D。
4、评价不同作物、不同生长时期下农田的干旱程度及旱情空间分布情况,绘制吉林省旱情监测区域的农业旱情空间分布图。
“移栽分蘖期-水稻”监测单元由于具有良好的灌溉条件,无旱情发生,处于正常即湿润等级;“播种出苗期-玉米”和“播种出苗期-大豆”监测单元,两种作物处于的相同生长时期,且同样是需求不耐旱的作物,阈值分级标准适用相同的标准,分级标准如下:
DSDI | 等级 |
(0,+∞) | 正常或湿润 |
(-2,0) | 轻度干旱 |
(-5,-2) | 中度干旱 |
(-10,-5) | 重度干旱 |
(-∞,-10) | 特大干旱 |
通过上述过程,将监测区域内三个监测单元合并,得到吉林省水稻、大豆玉米种植区域的农业旱情空间分布结果,最终绘制出吉林省旱情监测区域的农业旱情空间分布图,如图3所示。
本发明所提出的一种基于光学遥感数据的农田干旱空间分布评价方法所得到的农田旱情空间分布结果综合考虑了影响农业旱情发展的多种因素,并且方法能够针对不同作物以及作物所处的不同生长时期采取针对性的监测参数和监测标准,农业干旱空间分布评价精度更高,效果更好。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于光学遥感数据的农田干旱空间分布评价方法,其特征在于,包括以下步骤:
步骤1:剔除旱情监测区域卫星影像中的非作物区域,根据作物种植的分布情况、作物类型及作物所处生长时期,将同一生长时期下的同一作物类型所在种植区域作为一个监测单元,将旱情监测区域卫星影像分成若干个监测单元;
步骤2:构建植被-土壤水分特征空间模型,计算监测区域内每个监测单元的模型参数,获得监测单元内每个像元的土壤含水量M;
步骤3:根据农业干旱性质考虑土壤含水量与相应农田种植区域内田间持水系数和永久萎蔫点系数之间的差异,并综合多种影响农业旱情的因素,构建农业旱情空间分布监测模型DSDI;
步骤4:区分作物以及作物的生长时期划分阈值,并划分所述阈值对应的旱情等级,将所述农业旱情空间分布监测模型DSDI的计算结果与阈值进行比较,得到不同类型作物、不同生长时期下的旱情监测区域农田的干旱程度及旱情空间分布评价结果,并绘制旱情监测区域的农业旱情空间分布图。
2.根据权利要求1所述的一种基于光学遥感数据的农田干旱空间分布评价方法,其特征在于,步骤2包括以下步骤:
步骤21:利用含有红光波段、蓝光波段、近红外波段以及短波红光波段的卫星影像,计算每个所述监测单元内各像元的植被指数EVI和基于短波红外波段的变换反射率STR,计算公式如下:
其中,RRED、RBLUE、RNIR、RSWIR分别为卫星影像的红光波段、蓝光波段、近红外波段和短波红外波段的地表反射率;
步骤22:利用步骤21计算得到的各像元的植被指数EVI和基于短波红外波段的变换反射率STR构建植被-土壤水分特征空间,根据监测单元内作物所处的生长时期确定特征空间的监测范围;
步骤23:采用分位数回归的方法进行非线性指数函数数据拟合,得到特征空间的干边拟合方程STRd和湿边拟合方程STRw:
其中,sw、iw为湿边拟合方程参数,sd、id为干边拟合方程参数;
步骤24:根据干边拟合方程STRd和湿边拟合方程STRw计算监测单元内每个像元的土壤含水量M,计算公式如下:
3.根据权利要求1或2所述的一种基于光学遥感数据的农田干旱空间分布评价方法,其特征在于,步骤3包括以下步骤:
步骤31:利用ROSETTA土壤转换函数计算监测单元内每个像元的田间持水系数θFC和永久萎蔫点系数θPWP;
步骤32:根据各像元的土壤含水量M、田间持水系数θFC和永久萎蔫点系数θPWP构建农田土壤水分盈亏模型,模型公式如下:
步骤33:将灌溉条件、海拔、坡度因素综合加入所述农田土壤水分盈亏模型中,构建如下的农业旱情空间分布监测模型DSDI:
其中,B为SWDI归一化后的值,C为农田种植区域的归一化后坡度值,D为农田种植区域的归一化后海拔值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310246417.5A CN116502901A (zh) | 2023-03-15 | 2023-03-15 | 一种基于光学遥感数据的农田干旱空间分布评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310246417.5A CN116502901A (zh) | 2023-03-15 | 2023-03-15 | 一种基于光学遥感数据的农田干旱空间分布评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502901A true CN116502901A (zh) | 2023-07-28 |
Family
ID=87315640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310246417.5A Pending CN116502901A (zh) | 2023-03-15 | 2023-03-15 | 一种基于光学遥感数据的农田干旱空间分布评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502901A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370823A (zh) * | 2023-12-05 | 2024-01-09 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
CN117871472A (zh) * | 2024-03-13 | 2024-04-12 | 江汉大学 | 一种卫星土壤水分产品降尺度方法以及装置 |
-
2023
- 2023-03-15 CN CN202310246417.5A patent/CN116502901A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370823A (zh) * | 2023-12-05 | 2024-01-09 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
CN117370823B (zh) * | 2023-12-05 | 2024-02-20 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
CN117871472A (zh) * | 2024-03-13 | 2024-04-12 | 江汉大学 | 一种卫星土壤水分产品降尺度方法以及装置 |
CN117871472B (zh) * | 2024-03-13 | 2024-06-11 | 江汉大学 | 一种卫星土壤水分产品降尺度方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Kross et al. | Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops | |
Yu et al. | Improvement of sugarcane yield estimation by assimilating UAV-derived plant height observations | |
CN109934515B (zh) | 一种作物精量灌溉决策方法及系统 | |
CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
CN112837169B (zh) | 一种干旱过程网格化旱情综合监测、预警与评估方法 | |
CN106529451B (zh) | 一种冬小麦—夏玉米种植模式遥感识别方法 | |
CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
CN115950838B (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
CN109740570B (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
CN112836575B (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
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 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
Voitik et al. | Comparison of NDVI, NDRE, MSAVI and NDSI indices for early diagnosis of crop problems | |
CN116124709B (zh) | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 | |
Rinaldi et al. | Assimilation of COSMO-SkyMed-derived LAI maps into the AQUATER crop growth simulation model. Capitanata (Southern Italy) case study | |
CN115641502B (zh) | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
CN110956322B (zh) | 气候变暖趋势下的夏玉米花期高温灾害风险预测方法 | |
CN115855841B (zh) | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 | |
Liu et al. | Regional winter wheat yield prediction by integrating MODIS LAI into the WOFOST model with sequential assimilation technique |
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 |