第四讲 农作物长势监测案例在线视频

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