当前课程知识点:遥感数字影像处理与农业应用 > 第七章 农作物长势遥感监测 > 第四讲 农作物长势监测案例 > 第四讲 农作物长势监测案例
反演或者提取得到农作物生长季内的
时序植被指数或者叶面积指数等参数后
我们就可以进行农作物长势遥感监测
下面 我们来看3个
有关农作物长势监测的案例
分别使用的是植被指数的方法
和参数定量反演的方法
在进行农作物长势监测前
先来共同看一下在整个生长季内
农作物冠层的变化情况
我们知道农作物的生长过程
是一个不断动态变化的过程
在整个生长过程中
从侧面看
农作物的植株高度不断增加
从冠层的正上方看
农作物冠层覆盖面积不断增大
就冠层结构来讲
农作物生长的早期不封垄
冠层模型为离散模型
随着植株高度与植被覆盖面积增加
农作物逐渐封垄
冠层模型为连续模型
这是农作物冠层的变化情况
基于整个生长季内预处理后的遥感影像
我们可以通过计算
植被指数或者反演冠层参数的方法
进行农作物长势监测
植被指数的构建原理
前面已经介绍过了
下面我们来学习
基于PROSAIL辐射传输模型的
冠层参数定量反演方法
基于农作物生长季内的时序遥感影像
或者某个关键生育期的遥感影像
我们提取研究区内的农作物种植面积
后面的参数反演就在
所提取的农作物种植地块内进行
以研究区内实地调查的叶面积指数
叶绿素含量
土壤干湿度等参数为先验知识
对PROSAIL模型进行敏感性分析
找出模型的敏感参数
综合考虑实地调查的叶面积指数
叶绿素含量 土壤干湿度等先验知识
将时序遥感反射率影像逐个输入到
PROSAIL模型中
以敏感参数为对象
分别对应的建立各个时相的
冠层参数反演查找表
求算PROSAIL模型模拟反射率
与遥感影像反射率之间的代价函数
代价函数最小
则认为该反射率对应的输入参数
比如叶面积指数 叶绿素含量等
就是这个像素位置上农作物的状态参数
如果代价函数没有达到最小
则需要继续查找
直至找到在所有波段上模拟反射率
与遥感影像反射率之间
误差和最小的情况
反演得到的叶面积指数
叶绿素含量等目标参数
需要以野外调查数据为依据
进行反演精度评价与验证
这就是基于遥感影像
利用植被辐射传输模型进行
农作物冠层参数反演的过程
这样 可以利用两类方法进行
农作物长势监测
也就是统计模型和机理模型的方法
具体的监测思路如下
基于时序的遥感影像
结合实地调查的叶面积指数
地面光谱数据等
利用统计模型的方法
构建NDVI\PVI\SAVI等各种植被指数
也可以利用机理模型反演叶面积指数
生物量 叶绿素含量 植被覆盖度
等效水厚度 fPAR等
基于提取的植被指数或者反演得到的
各种冠层结构参数 理化参数等
可以进行
整个农作物生长季内的生长过程监测
也可以进行
多年之间同一个生长季的
实时长势监测
一般说来
实时监测多采用RPVI
VCI和MVCI监测指标
其中 RPVI指标英文全称是
Vegetation index ratio to previous year
是当年植被指数与前一年同一生育期
植被指数的变化率
其表达式为
RPVI=(VI_i-VI_(i-1))/(VI_(i-1) )×100%
这个公式中 VIi为第i年的植被指数值
VIi-1为第i-1年的植被指数值
第二个指标VCI
它的英文全称是
Vegetation condition index
是当前植被指数与多年同一生育期
历史最小植被指数的差值
与多年同一生育期植被指数最大值
与最小值差异范围的比值
表达式中表达出来多年之中的差异
我们的公式中
VIi为第i年的植被指数值
VImax和VImin分别为一定时间范围内
同一生育期植被指数的历史最大值和最小值
第三个指数是MVCI
英文全称是
Mean vegetation condition index
以农作物多年同一生育期的
植被指数均值为依据
通过量化当年植被指数
与多年植被指数均值的变化率
来实现实时监测
这种方法减少了农作物生长状况极好
和生长状况极差的极端的情况
它的表达式中
分子是当年的植被指数
与多年植被指数均值的差
分母是多年植被指数的均值
在学习了时间序列植被指数提取
和机理模型反演农作物冠层参数的方法后
我们再来看3个具体的如何利用植被指数
和农作物冠层参数进行农作物长势监测的案例
案例1采用的是基于植被指数的方法
对河北省涿州市范围内的玉米长势监测
分别采用了两种遥感影像数据源
MODIS影像和国产GF-1卫星影像
分别基于MODIS影像和GF-1影像
提取NDVI归一化差值植被指数
和EVI增强型植被指数
从整个生长季内的
NDVI指数和EVI指数结果
我们可以看出
从玉米播种后在儒略日150天左右
到165天左右的时间里
NDVI指数和EVI指数缓慢增加
从儒略日165天开始
NDVI指数和EVI指数快速增加
之后NDVI值在儒略日200天左右的时候
达到最大值并持续一段时间
EVI指数则没有这么稳定
在儒略日209天左右的时候
达到最大值并迅速下降
这是利用NDVI指数和EVI指数
监测整个生长季内玉米长势情况的案例
这是利用基于模型反演参数的方法
进行玉米整个生长季内的长势监测的案例
研究区是河北省涿州市
高碑店市 定兴县这3县市区域
鉴于NDVI等植被指数在农作物封垄后期
植株特别茂盛时指数容易饱和的现象
我们尝试采用
基于机理模型反演叶面积指数的方法
进行长势监测
从玉米长势的空间分布图来看
玉米生长初期
以2017年6月30日为例
玉米植株及叶片都比较小
三个县市内的叶面积指数都在
0-0.5和0.5-1.0的范围内
伴随玉米的生长 到7月30日的时候
LAI可达2.5-3.0的水平
此后 玉米长势速度加快
到8月24日前后LAI可以达到5.5-7.0的水平
之后 玉米是灌浆 乳熟 叶片开始卷曲
叶面积指数又开始减小 直到收获
第三个案例是进行年际间
同一个生长季玉米长势监测的案例
也就是比较当年玉米的长势与往年长势的好坏
研究区是黑龙江省852农场
利用的是基于机理模型的参数反演方法
使用的监测指标是RPVI VCI和MVCI
监测的是2015年玉米吐丝期的长势
与2011年-2014年平均长势的差异
由RPVI空间分布图可知
相较于前四年的玉米叶面积大小
2015年玉米长势各区域分布不一致
北部区域长势好于往年
而南部区域长势弱于前四年均值
由VCI空间分布图可知
相比于2011年-2014年的玉米长势
2015年玉米生长活力一般
其中 长势较为旺盛的区域多位于农场北部
与RPVI的分布趋势较为一致
由MVCI空间分布图可知
相较于近5年的LAI均值
2015年玉米长势一般
农场北部区域比往年长势要好
这与VCI的监测结果是一致的
农作物长势遥感监测的内容就介绍到这里
谢谢大家
-请您欣赏:遥感之美
--遥感之美
-第一讲 课程介绍
--课程介绍
-第二讲 绪论
--绪论
-第一章 绪论--作业
-本课程实验内容建议
-第一讲 色度学基本知识
-第二讲 遥感影像的级别和数据格式
-第三讲 遥感影像的数字表示及特征
-第二章 遥感数字影像处理基础--作业
-第一讲 影像辐射误差来源
-第二讲 影像辐射误差校正
-第三讲 影像几何误差来源
-第四讲 影像几何误差校正
-第三章 遥感影像预处理--作业
-第一讲 空间域影像增强
-第二讲 频率域影像增强
-第四章 遥感影像增强处理--作业
-第一讲 遥感影像融合概述
-第二讲 遥感影像融合方法
-第三讲 遥感影像融合效果评价
-第五章 遥感影像融合--作业
-第一讲 分类原理、特征和相似性度量
--第一讲 分类原理、特征和相似性度量--作业
-第二讲 非监督分类
--第二讲 非监督分类--作业
-第三讲 监督分类
--第三讲 监督分类
--第三讲 监督分类--作业
-第四讲 分类后处理和分类精度的评价与提高
--第四讲 分类后处理和分类精度的评价与提高--作业
-第五讲 遥感影像分类的农业应用
-第一讲 长势监测的意义及监测指标
-第二讲 植被指数构建原理
-第三讲 农作物冠层参数反演原理
-第四讲 农作物长势监测案例
-第七章 农作物长势遥感监测--作业
-第一讲 微波的物理基础
-第二讲 SAR原理
-第三讲 微波传输模型及农作物种植面积提取
-第四讲 土壤水分反演
-第五讲 微波传输模型
-第六讲 农作物种植面积提取
-第七讲 土壤水分反演
-第八章 微波遥感及农业应用