資源描述：
《基于cbers遙感的冬小麥長勢分級監(jiān)測》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。
中國農業(yè)科技導報,2010,12(3):79-83JournalofAgriculturalScienceandTechnology基于CBERS遙感的冬小麥長勢分級監(jiān)測11,22李衛(wèi)國,李正金,楊澄(1.江蘇省農業(yè)科學院資源與環(huán)境研究所,南京210014;2.南京信息工程大學應用氣象學院,南京210044)摘要:應用遙感信息技術,可實時對冬小麥長勢進行分級監(jiān)測預報,便于農業(yè)部門及時制定和實施相應的管理措施,達到目標化生產的目的。以江蘇省姜堰市為例,進行了基于中巴資源衛(wèi)星(CBERS02)遙感的冬小麥拔節(jié)期長勢分級監(jiān)測研究。經過計算機分類和人機交互式判讀解譯,結合GPS樣點信息校驗,冬小麥面積解譯精度在90%以上。利用遙感植被指數(shù)反演葉面積指數(shù)(LAI)等長勢信息,對整個區(qū)域的冬小麥長勢狀況進行分級監(jiān)測。疊加樣點的實測數(shù)據(jù)校驗,監(jiān)測精度達到85%以上,最終制作區(qū)域的冬小麥長勢分級專題圖,并對各長勢狀況進行了分析。結果說明,中巴資源衛(wèi)星影像數(shù)據(jù)可以滿足區(qū)域冬小麥長勢監(jiān)測要求,并可在實際生產中進行推廣應用。關鍵詞:冬小麥;CBERS02影像;長勢分級do:i10.3969/.jissn.10080864.2010.03.14中圖分類號:TP79文獻標識碼:A文章編號:10080864(2010)03007905GradingMonitoringofWinterWheatGrowthConditionbyCBERSSatelliteImage11,22LIWeiguo,LIZhengjin,YANGCheng(1.InstituteofResourceandEnvironment,JiangsuAcademyofAgriculturalSciences,Nanjing210014;2.SchoolofAppliedMeteorologicalScience,NajingUniversityofInformationScience&Technology,Nanjing210044,China)Abstract:Applicationofremotesensinginformationtechnologycouldrealtimemonitorandpredictwinterwheatgrowthbygrading,soastohelptheagriculturesectortodevelopandimplementappropriatemanagementmeasurestoachievetargetproductionpurposes.TakingJiangyanCity,JiangsuProvinceasexample,thestudiesongradingmonitoringofwinterwheatgrowthduringjointingstagewereconductedbasedonCBERS(CBERS02)satelliteremotesensingimages.Throughcomputerclassificationtechniquesandhumancomputerinteractiveinterpretation,combiningwithGPSinformationcheck,theinterpretationaccuracyofwinterwheatareaisover90%.Growthstatusofwinterwheatinthewholeregionwasmonitoredingradebyusingremotesensingvegetationindex()andinversionofleafareaindex(LAI).Comparedwiththegrowthinformationdataofsamplesitesandareas,accuracyofthemonitoringismorethan85%.Awinterwheatgrowingregionclassifiedmapwascompletedtoanalyzewinterwheatgrowingstatusofeachperiod.TheresultshowedthatCBERSimagedatacouldmeettheneedsofwinterwheatgrowthmonitoring,andbeappliedandextendedinpracticalproduction.Keywords:winterwheat;imageofCBERS02;gradingofgrowthvigor利用遙感信息技術實時監(jiān)測冬小麥的葉面積查;而遙感技術以其快速、準確和信息量豐富等特[2~9]指數(shù)、地上部干物重等主要長勢指標信息,對其各點,在冬小麥長勢監(jiān)測領域得以迅速的發(fā)展。生育期的長勢狀況進行分析,便于及時制定和實本研究擬采用地面GPS定位調查數(shù)據(jù),利用現(xiàn)有施相應的肥水管理與調控措施,以達到優(yōu)質高產的冬小麥長勢遙感監(jiān)測模型,結合CBERS02衛(wèi)[1]的目的。常規(guī)獲取小麥苗情長勢信息的方法星影像解譯獲取的遙感信息,進行冬小麥長勢遙有實地人工或儀器取樣調查法,不適合大面積調感監(jiān)測,并通過計算機分類技術和人機交互式判收稿日期:20100204;修回日期:20100323基金項目:國家863計劃項目(2008AA10Z214);農業(yè)部行業(yè)科技項目(200803037);江蘇省農業(yè)科學院人才基金(6510805)資助。作者簡介:李衛(wèi)國,研究員,博士后,主要從事農作物遙感估產與品質監(jiān)測預報研究。Te:l02584390195;Emai:ljaaslwg@126.com 80中國農業(yè)科技導報12卷讀方法,對冬小麥長勢狀況進行分級分類,制作專題圖,旨在為農學專家和基層農業(yè)部門制定具有針對性的調優(yōu)栽培管理措施提供信息決策支持,同時也為我國衛(wèi)星遙感技術在農作物長勢監(jiān)測領域的進一步應用研究提供理論支持。1材料與方法1.1數(shù)據(jù)來源本研究所采用的影像數(shù)據(jù)是中巴資源衛(wèi)星02星CCD數(shù)據(jù),來自中國資源衛(wèi)星應用中心。圖1姜堰市冬小麥長勢監(jiān)測GPS樣點和示范區(qū)分布中巴地球資源衛(wèi)星二號星(CBERS02)于2004年Fig.1Thedistributionofsamplesitesanddemonstration2月投入運行,為太陽同步回歸衛(wèi)星,平均高度areasforwinterwheatgrowthmonitoring.778km,回歸周期26d。星上載有3種傳感器:線性陣列掃描儀(CCD)、紅外多光譜掃描儀(IRMSS)正的精度,而且也影響到后面的冬小麥提取分類[11]和寬視場相機(WFI)。其中CCD傳感器共有5個精度以及最終的冬小麥長勢監(jiān)測精度。由于CBERS02CCD相機第4波段數(shù)據(jù)質量較好,而波段(0.45~0.52m;0.52~0.59m;0.63~第5波段全色波段成像往往會發(fā)生漂移,因此,首069m;0.77~0.89m;0.51~073m),像元先需要在ERDAS中以第4波段為參考進行第5空間分辨率為19.5m,掃描幅寬為113km,其影[10]波段的幾何糾正,通過選擇30個左右的同名點,像質量較CBERS01有了很大程度的提高。采用二次多項式模型進行匹配處理,縮小波段間根據(jù)姜堰市的區(qū)域范圍,獲得的兩景影像的的匹配誤差。然后基于已有的姜堰地區(qū)150000Path/Row分別為:368/63(景號814325)與368/地形圖對影像進行幾何校正,同時結合地面實測64(景號814326)。其成像時間是2009年3月29的GPS控制點進行幾何精確校正,確保校正后誤日,當日天氣較晴朗,姜堰市上空無云或少云,成差小于1個像元。像質量較好。由于成像范圍限制,研究區(qū)域姜堰市被分割在兩景影像中,且有重疊區(qū)域,需要對兩2結果與分析幅影像分別幾何校正并進行影像拼接和裁剪,獲得姜堰市3月29日的完整影像。2.1面積提取結果地面控制點的建立,采用美國Trimble公司最采用計算機的ISODATA法進行非監(jiān)督分類,新款的JunoST手持GPS接收機,在姜堰市選擇疊加NDVI灰度圖(圖2)和采集樣點與示范區(qū)的了16個試驗樣方點和4個面積較大的實驗基地數(shù)據(jù),進行人機交互式的動態(tài)判讀與目視解譯,得(圖1),采集地理坐標、測量實際范圍和面積等數(shù)到各類屬性,進行類別合并并進行重編碼。同時,據(jù)。為消除非麥像元對小麥樣點的影響,選擇距將GPS樣點和示范區(qū)的數(shù)據(jù)參加目視解譯分類離道路、建筑或其他植被100m以上處建立樣點,的全過程,較好地控制了分類的精度,得到姜堰市2用對角線法5點取樣,樣點相距5m,利用英國2009年冬小麥種植面積是2057.75hm,而該市2AD公司生產的AM-300手持便攜式葉面積儀獲2009年實際冬小麥種植面積約為1866.67hm,取樣點的冬小麥葉面積數(shù)據(jù),然后求取平均值。精確度在89.76%,結果較為可靠。樣點葉面積作為校驗數(shù)據(jù),對遙感長勢模型模擬2.2分級分類結果及精度驗證值進行對比分析,起到精度驗證的作用。在理解!NDVI?LAI?長勢狀況#關系的基1.2圖像預處理方法礎上,結合樣點數(shù)據(jù)和農學專家經驗,確定小麥長波段間的配準精度不僅影響到圖像的幾何校勢狀況的等級劃分。冬小麥3月末至4月初正處 3期李衛(wèi)國等:基于CBERS遙感的冬小麥長勢分級監(jiān)測812好,面積為1403.23hm,占總面積的68.19%;長勢過旺的冬小麥面積較小,占總面積的7.41%;長勢一般和長勢較差的小麥占了總面積的兩成多,分別為15.64%和8.76%。圖2NDVI灰度圖像圖4分類后得到的各長勢等級小麥的面積分布Fig.2NDVIgrayimage.Fig.4Thevariousgrowthconditiongradesareaafterclassification.于拔節(jié)到孕穗期,此時的NDVI數(shù)據(jù)與葉面積指[12~15]數(shù)具有很好的相關性。通過遙感影像的波本研究利用樣點實驗室實測數(shù)據(jù)和長勢模型段計算獲得麥區(qū)的NDVI數(shù)據(jù),結合冬小麥長勢模擬數(shù)據(jù)對比分析,進行分類精度的檢驗(表1),遙感監(jiān)測模型,反演葉面積指數(shù),從而確定葉面積其中模型所需的NDVI值是利用GPS樣點的地理信息,經過線性轉換,可獲得反映整個區(qū)域長勢情位置數(shù)據(jù)作為感興趣點,在NDVI灰度圖中提取況的葉面積分布圖。依據(jù)姜堰市主要種植冬小麥各點的NDVI值。將NDVI作為變量輸入長勢遙品種的長勢表現(xiàn),結合樣點數(shù)據(jù)進行分析,確定長感監(jiān)測模型中,獲得的LAI模擬數(shù)據(jù)。樣點實測勢分類的范圍閾值。依次為長勢過旺Wheat_?(LAI%4.0)、長勢較好Wheat_&(3.5?LAI<表1各樣點LAI實測值和模擬值對比Table1ComparisonofLAImeasuredvalues40)、長勢一般Wheat_((3.0?LAI<3.5)和長andsimulatedvalues.勢較差Wheat_)(LAI<3.0)4種類型。在此基礎上制作該區(qū)域的冬小麥長勢分級監(jiān)測專題圖樣點名稱LAI(模擬)LAI(實測)NDVILAI(SimulatedLAI(Measured(圖3)。Samplenamevalues)values)圖4為分類后提取獲得的各長勢等級冬小麥JY010.13712.68183.3900的面積分布情況,可以看出,絕大部分小麥長勢較JY020.24353.10353.5400JY030.43594.04095.3200JY040.33333.51052.9500JY050.23083.04972.7600JY060.54554.69624.1000JY070.21953.00303.5400JY080.16192.77482.2500JY090.34023.54373.7400JY100.36843.68364.3200JY110.40853.89153.5000JY120.25003.13123.4000JY130.27183.22653.6100JY140.09092.51733.3500圖3姜堰市冬小麥長勢分級監(jiān)測專題圖JY150.27873.25693.8700Fig.3ThethematicmapofwinterwheatgrowthJY160.49574.38615.1500conditionclassification. 82中國農業(yè)科技導報12卷葉面積數(shù)據(jù)和樣點的面積之比得到LAI的實測研究引入的長勢過旺概念,具有重要的現(xiàn)實指導值。對兩組數(shù)據(jù)進行圖形分析(圖5),可以看出,意義,根據(jù)分布圖中顯示的長勢過旺的區(qū)域,當?shù)乩瞄L勢遙感監(jiān)測模型模擬的LAI值與實測值之的農業(yè)部門可以采取及時有效的田間管理措施,間具有很好的相關性,說明本研究制作的冬小麥控制小麥長勢過旺的勢頭,達到高產穩(wěn)產優(yōu)產的長勢分級監(jiān)測專題圖具有較高的精度,能比較好目的。地反映田間冬小麥的長勢狀況。,長勢一般和較差的小麥面積較大,且分布較為分散,主要在大面積田塊的外圍和地勢低洼地區(qū),以及城鎮(zhèn)周圍土地較為破碎的地帶。由于排水不暢,地下水位過高,導致小麥根系發(fā)育不良;隨著城鎮(zhèn)建設的發(fā)展,使得城鎮(zhèn)周圍的土地支離破碎,小麥種植零星分布,缺乏統(tǒng)一有效的農田管理,使得長勢狀況較差。同時在實際調查過程中,還發(fā)現(xiàn)一部分小麥拔節(jié)期長勢不好是受到早春凍害的影響,尤其是在姜堰中北部地區(qū),分布較圖5各樣點LAI實測值和模擬值對比圖多。綜上各種原因,說明在田間管理和種植方式Fig.5ComparisonchartofLAImeasuredand的選擇上還存在問題,可挖掘的潛力還非常大,如simulatedvalues.何加強這些田塊的管理,改變長勢較差的狀況,提高中低產田的產量仍是當?shù)剞r業(yè)部門今后非常重2.3分類結果的分析要的任務。對表1中的面積分布數(shù)據(jù)和圖3中各長勢等級小麥分布信息進行綜合分析,可得到以下幾個3討論方面信息:?長勢較好的冬小麥所占比重最大,且分布目前國內常用的冬小麥長勢監(jiān)測的遙感影像比較集中,主要在姜堰的東南部、中部和北部地區(qū)主要有NOAA、MODIS等,這些影像空間分辨率較等重要的冬小麥種植區(qū)和產糧基地。分析原因主低,很難滿足小區(qū)域范圍內的高精度冬小麥長勢要是這些區(qū)域內地勢比較平整,灌溉溝渠網發(fā)達,遙感監(jiān)測應用;而分辨率較高的SPOT、IKONS等田間排水給水設施完善,且大都采用機械化作業(yè),影像因為價格昂貴,應用于大范圍的冬小麥監(jiān)測水肥配合合理,有諸多國家和集體農場分布其中,所需財力物力龐大,不適合大規(guī)模推廣應用;利用在抵御病蟲害和春季凍害等方面起到了示范作地面高光譜對小麥長勢進行監(jiān)測,雖然具有機理用,所以該地區(qū)不論樣點實測數(shù)據(jù)還是遙感監(jiān)測性好、精確度高的優(yōu)點,但是其在應用過程中需要結果都反映這些地區(qū)的長勢比較好。消耗大量的人力物力,同時由于儀器的限制,不太+長勢過旺的冬小麥占總面積比重不大,但適合大范圍的長勢監(jiān)測。隨著中國自主研發(fā)的地分布較為集中,主要是在東南部大面積小麥種植球資源衛(wèi)星以及其他高精度探測衛(wèi)星陸續(xù)投入使區(qū)內。本研究定義的長勢過旺情況主要是指在冬用,尤其是中巴資源衛(wèi)星不斷升級,影像質量的提小麥的某個生育期內,葉面積等生理生態(tài)指標超高,而且資料的開放性和獲取的便捷性優(yōu)勢,為高過正常值的范圍,對后期的冬小麥的生長發(fā)育以精度大范圍的冬小麥長勢監(jiān)測提供了很好的數(shù)據(jù)及最終產量形成可能產生不利影響的這類小麥。信息平臺。本研究區(qū)域的姜堰市地處江蘇省中按照冬小麥正常的生長發(fā)育,地上部和地下部部、黃淮海平原的邊緣,內部交通水網發(fā)達,種植(根系)是一個協(xié)調生長的過程,如果在拔節(jié)期出結構布局復雜,選用的CBERS02星數(shù)據(jù)可以滿現(xiàn)基本苗過密、分蘗數(shù)過多或者施氮肥過多,就會足空間分辨率的要求,也可較好地控制遙感監(jiān)測導致的葉面積和地上部生物量過大,田間通風和預報的精度。透光條件變差,以致小麥基部節(jié)間過長,機械組織本研究引用冬小麥長勢遙感監(jiān)測模型,結合發(fā)育不良,最終會引起倒伏而影響最終產量。本植被指數(shù)信息,能及時快捷地獲得反映冬小麥長 3期李衛(wèi)國等:基于CBERS遙感的冬小麥長勢分級監(jiān)測83勢狀況的信息,且在與實測的樣點數(shù)據(jù)對比時取[9]閆巖,柳欽火,劉強,等.基于遙感數(shù)據(jù)與作物生長模型同化的冬小麥長勢監(jiān)測與估產方法研究[J].遙感學報,得較高的擬合度,長勢監(jiān)測精度能達到85%以2006,10(5):804-811.上,說明該方法可以應用于區(qū)域小麥的生產管理[10]齊臘,趙春江,李存軍,等.基于多時相中巴資源衛(wèi)星影像與指導。的冬小麥分類精度[J].應用生態(tài)學報,2008,19(10):2201-2208.參考文獻[11]申克建,周偉,袁春,等.CBERS02星CCD數(shù)據(jù)土地利用分類方法研究???以江蘇省宜興地區(qū)為例[J].遙感信[1]李衛(wèi)國,趙春江,王紀華,等.遙感和生長模型相結合的小息,2009,2:71-75.麥長勢監(jiān)測研究現(xiàn)狀與展望[J].國土資源遙感,2007,2:6[12]李衛(wèi)國,趙春江,王紀華,等.基于衛(wèi)星遙感的冬小麥拔節(jié)-9.期長勢監(jiān)測[J].麥類作物學報,2007,27(3):523-527.[2]劉東升,李淑敏.北京地區(qū)冬小麥冠層光譜數(shù)據(jù)與葉面積[13]FrankLinSE,WilsonBA.Spatialandspectralclassification指數(shù)統(tǒng)計關系研究[J].國土資源遙感,2008,4:32-34.forremotesensingimagery[J].Comp.Geosc.i,1991,17:[3]李衛(wèi)國,王紀華,趙春江,等.基于生態(tài)因子的冬小麥產量1151-1172.遙感估測研究[J].麥類作物學報,2009,29(5):906-909.[14]GitelsonA,KaufmanY.MODISNDVIoptimizationtofitthe[4]李正金,李衛(wèi)國,申雙和.基于優(yōu)化ISODATA法的冬小麥AVHRRdataseries?spectralconsideration[J].RemoteSens.長勢分級監(jiān)測[J].江蘇農業(yè)科學,2009,2:301-302.Environ.,1998,66(3):343-350.[5]李衛(wèi)國,王紀華,趙春江,等.基于TM影像的冬小麥苗情長[15]李衛(wèi)國,王紀華,趙春江,等.基于NDVI和氮素積累的冬小勢與植株氮素遙感監(jiān)測研究[J].遙感信息,2007,2:12麥籽粒蛋白質含量預測模型[J].遙感學報,2008,12(3):-15.506-514.[6]黃敬峰,王人潮,劉紹民,等.冬小麥遙感估產多種模型研[16]王紀華,黃文江,趙春江.利用光譜反射率估算葉片生化組究[J].浙江文學學報,1999,25(5):512-523.分和籽粒品質指標研究[J].遙感學報,2003,7(4):277[7]DelecolleR,MagsSJ,GuerifM.Remotesensingandcrop-284.productionmodels:presenttrends[J].ISPRSJ.Photogramm.[17]李映雪,朱艷,曹衛(wèi)星.不同施氮條件下小麥冠層的高光RemoteSens.,1992,47:145-161.譜和多光譜反射特征[J].麥類作物學報,2006,26(2):103[8]OLeary,ConnorDJ,WhiteDH.Asimulationmodelofthe-108.development,growthandyieldofthewheatcrop[J].Agric.Syst.,1985,17:1-26..863課題介紹/課題名稱:基于模型和3S技術的稻麥產量監(jiān)測預報系統(tǒng)課題編號:2008AA10Z214課題內容、目標:應用系統(tǒng)及相關技術理論體系。從稻麥生產管理的信息化角度出發(fā),運用課題進展:定量遙感技術、作物模擬技術和GIS技術,依據(jù)?運用RS技術與作物生理生態(tài)技術,探遙感信息-作物模型-長勢和產量-氣候環(huán)境討了基于多遙感信息的稻麥長勢監(jiān)測的技術體的系統(tǒng)動態(tài)關系,以定量遙感反演及其與作物系和理論方法,構建了水稻、小麥長勢(包括模型的耦合為主線,分析遙感光譜特征、農學參LAI、生物量、葉片含氮量、葉綠素含量等生理數(shù)與生態(tài)環(huán)境因素間的動態(tài)關系,明確影響稻生態(tài)指標)監(jiān)測的定量遙感模型;+以品種、氣麥光譜特征的主要氣候環(huán)境因子,建立基于主候環(huán)境因子、栽培措施與產量的系統(tǒng)動態(tài)關系要氣候因子的農學參數(shù)遙感反演模型;構建可為主線,建立了基于過程的稻麥遙感估產模型,用于不同年份、不同區(qū)域下的稻麥生產力模擬并構建了符合COM標準的估產模型組件;,建模型,并以構件化的模式實現(xiàn)遙感反演信息與立了稻麥長勢與產量遙感分級監(jiān)測預報技術和稻麥生產力模擬模型的協(xié)同應用。最終,建立專題圖信息產品,并進行了示范應用,累計示范2可用于大面積稻麥長勢監(jiān)測與產量估算的計算應用面積約20萬hm。
