CN106203673A - 考虑水分胁迫的农作物生物量遥感估算方法 - Google Patents

Abstract

本发明提供了一种考虑水分胁迫的农作物生物量遥感估算方法，该方法包括：S1：获取目标区域具有近红外波段和短波红外波段的光学遥感数据；S2：对所述获取的光学遥感数据进行大气校正处理，得到所述目标区域的地表真实反射率数据；S3：提取农作物的种植空间分布区域；S4：确定所述农作物的归一化植被指数及其时间积分值；S5：获取所述农作物的水分胁迫系数；S6：获取所述农作物的生物量转化系数；S7：构建所述农作物的生物量估算模型。本发明有助于在区域尺度上更精确估算农作物不同生长期的生物量，对于进一步实现农作物长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。

Description

考虑水分胁迫的农作物生物量遥感估算方法

技术领域

本发明涉及农业遥感应用领域，尤其涉及一种考虑水分胁迫的农作物生物量遥感估算方法。

背景技术

小麦生物量是反映小麦长势的重要群体指标，对于小麦产量的形成具有重要的作用。常规测定生物量的方法是通过取单位面积上的小麦植株，烘干并称重获得，这种方法需要破坏性取样、称重等步骤，耗时耗力。遥感具有快速、动态、无损、大范围等优点，借助于遥感光谱信息估算小麦生物量来代替地面实测方法正逐渐成为小麦生物量获取的新方法。

近年来，开展了大量通过遥感数据估算生物量的基础理论研究和应用研究，表明可以通过遥感信息进行小麦生物量估算，并取得了较好的估算精度。然而，尽管目前建立了众多的小麦生物量遥感估算模型，然而这些模型只适合于局部区域，不利于模型的推广应用，并且未充分考虑水分胁迫对小麦生物量的影响。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：针对目前遥感估算小麦生物量未考虑水分胁迫因素，本发明提供了一种考虑水分胁迫的农作物生物量遥感估算方法。

(二)技术方案

为解决上述技术问题，本发明的技术方案提供了一种考虑水分胁迫的农作物生物量遥感估算方法，包括：

S1：获取目标区域具有近红外波段和短波红外波段的光学遥感数据；

S2：对所述获取的光学遥感数据进行大气校正处理，得到所述目标区域的地表真实反射率数据；

S3：基于经过所述大气校正处理后的光学遥感数据，提取农作物的种植空间分布区域；

S4：根据所述地表真实反射率数据以及所述农作物的种植空间分布区域确定所述农作物的归一化植被指数NDVI_crop及其时间积分值TVNDVI_crop；

S5：获取所述农作物的水分胁迫系数W；

S6：获取所述农作物的生物量转化系数m；

S7：根据所述时间积分值TVNDVI_crop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型，通过所述生物量估算模型实现不同生长时间所述农作物的生物量的遥感估算。

优选地，步骤S1中获取的具有近红外波段和短波红外波段的光学遥感数据为Landsat5卫星遥感数据、Landsat7卫星遥感数据、Landsat8卫星遥感数据或ASD光谱数据。

优选地，步骤S3中采用监督分类、或者非监督分类、或者人工数字化的方法得到所述农作物的种植空间分布区域。

优选地，步骤S4中计算所述时间积分值TVNDVI_crop包括：

${\mathrm{TVNDVI}}_{crop}=\underset{t_0}{\overset{t_1}{\∫}}({\mathrm{NDVI}}_{crop}-{\mathrm{NDVI}}_{soil})dt$

其中，t₀为所述农作物开始进行光合作用的时间，t₁为所述农作物的预测生物量的时间，NDVI_soil为所述农作物的种植空间分布区域的土壤的NDVI值。

优选地，步骤S5中获取所述农作物的水分胁迫系数W为所述农作物的叶片相对含水量指数LWCI。

优选地，步骤S7中根据所述时间积分值TVNDVI_crop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型包括：

AGB_RS＝m×W×TVNDVI_crop

其中，AGB_RS为所述农作物的生物量的遥感估算值。

(三)有益效果

本发明构建的考虑水分胁迫的农作物生物量遥感估算模型，具有机理性强、模型区域扩展性和年际扩展性强的特点，有助于在区域尺度上更精确估算农作物不同生长期的生物量，对于进一步实现农作物长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。

附图说明

图1是本发明实施例提供的一种考虑水分胁迫的农作物生物量遥感估算方法的流程图；

图2是本发明实施例的小麦的NDVI_crop-NDVI_soil曲线示意图；

图3是本发明实施例的小麦估算生物量与实测生物量之间的关系示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参见图1，图1是本发明实施例提供的一种考虑水分胁迫的农作物生物量遥感估算方法的流程图，包括：

S1：获取目标区域具有近红外波段和短波红外波段的光学遥感数据；

S2：对所述获取的光学遥感数据进行大气校正处理，得到所述目标区域的地表真实反射率数据；

S3：基于经过所述大气校正处理后的光学遥感数据，提取农作物的种植空间分布区域；

S4：根据所述地表真实反射率数据以及所述农作物的种植空间分布区域确定所述农作物的归一化植被指数NDVI_crop及其时间积分值TVNDVI_crop；

S5：获取所述农作物的水分胁迫系数W；

S6：获取所述农作物的生物量转化系数m；

S7：根据所述时间积分值TVNDVI_crop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型，通过所述生物量估算模型实现不同生长时间所述农作物的生物量的遥感估算。

优选地，步骤S1中获取的具有近红外波段和短波红外波段的光学遥感数据为Landsat5卫星遥感数据、Landsat7卫星遥感数据、Landsat8卫星遥感数据或ASD光谱数据，也可以为其他包含近红外波段(NIR)和短波红外波段(SWIR)的遥感数据。

在步骤S2中，通过对光学遥感数据需进行大气校正处理，从而得到地表真实反射率数据，可以避免不同大气条件对数据质量的影响，此外，ASD光谱数据可以是在晴朗天气条件下，通过白板进行定标后获取的近地遥感光谱数据；

优选地，步骤S3中采用监督分类、或者非监督分类、或者人工数字化的方法得到所述农作物的种植空间分布区域。

其中，步骤S4中计算所述时间积分值TVNDVI_crop可以包括：

${\mathrm{TVNDVI}}_{crop}=\underset{t_0}{\overset{t_1}{\∫}}({\mathrm{NDVI}}_{crop}-{\mathrm{NDVI}}_{soil})dt$

其中，t₀为所述农作物开始进行光合作用的时间，t₁为所述农作物的预测生物量的时间，NDVI_soil为所述农作物的种植空间分布区域的土壤的NDVI值，其中，NDVI的计算方法如下：

$NDVI=\frac{NIR-RED}{NIR+RED}$

式中，NIR和RED分别为光学遥感数据的近红外波段和红波的反射率；

在计算TVNDVI_crop的过程中，通过剔除土壤背景光谱的影响，有利于提高估算的准确度。

优选地，步骤S5中获取所述农作物的水分胁迫系数W为所述农作物的叶片相对含水量指数LWCI，其计算公式如下：

$W=LWCI=\frac{-log\[1-(NIR-SWIR)\]}{-\log \[1-{(NIR-SWIR)}_{FT}\]}$

式中，SWIR为短波红外波段反射率，下标FT指叶片为最大含水量的值，这里可以取正常田间管理条件下，且长势良好未受到水分胁迫的小麦的最大含水量；

在步骤S6中，获取的农作物的生物量转化系数m可由某一地域该农作物成熟期生物量和该农作物的整个生育周期NDVI的时间积累值TVNDVI_K共同决定，计算公式为：

$m=\frac{B_h}{E\[W\×{\mathrm{TVNDVI}}_K\]}$

其中，B_h为该地域测量正常生长农作物成熟期的生物量；E[W×TVNDVI_K]为成熟期W与TVNDVI_K乘积的平均值。

优选地，步骤S7中根据所述时间积分值TVNDVI_crop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型包括：

AGB_RS＝m×W×TVNDVI_crop

其中，AGB_RS为所述农作物的生物量的遥感估算值，即通过综合步骤S4计算的TVNDVI，步骤S5计算的W，S6步骤计算的m，最后综合考虑农作物NDVI时间增长和水分胁迫对生物量积累的影响，实现农作物生物量的遥感估算。

本发明构建的考虑水分胁迫的农作物生物量遥感估算模型，具有机理性强、模型区域扩展性和年际扩展性强的特点，有助于在区域尺度上更精确估算农作物不同生长期的生物量，对于进一步实现农作物长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。

例如，上述的农作物可以为冬小麦，小麦生物量是反映小麦长势的重要群体指标，对于小麦产量的形成具有重要的作用，利用遥感光谱信息估算小麦生物量来代替地面实测数据具有快速、动态、无损、范围大等优势；

例如，以位于陕西省咸阳市的武功试验区作为试验地点，该区域位于陕西关中平原中部，北纬34°16'56.24"，东经108°4'27.95"，夏季平均气温约为26.1℃，冬季平均气温约为-1.2℃，研究区的年平均降水量约为635.1mm，无霜期平均每年约211天，为大陆性季风气候，位于半干旱地区。该地区主要的种植作物为冬小麦和夏玉米，其中冬小麦的生育期一般为当年10月中旬种植到次年的六月上旬收获，具体如下：

S11:获取该区域具有近红外波段(NIR)和短波红外波段(SWIR)的光学遥感数据，例如，本实施例采用ASD光谱数据，美国ASDFieldSpec FR 2500型野外光谱辐射仪进行测定，2014年在试验区共进行了4次光谱试验，每期有11个实测样点(表1)；

表1 ASD光谱数据获取日期和对应生育期

S12：对所获取的光学遥感数据进行定标及大气校正处理，得到地表真实反射率数据，本实施例采用白板对ASD光谱数据进行定标，得到小麦冠层的真实反射率数据；

S13：基于大气校正后的遥感数据，提取小麦种植空间分布区域；本实施例采集的ASD数据均位于小麦冠层，因此已经是小麦种植空间分布区域的光谱数据；

S14：计算小麦像元的归一化植被指数NDVI_crop及其的时间积分值TVNDVI_crop；2013-2014年共进行了四次冬小麦冠层高光谱的测定，在该生物量模型中TINDVI_crop是估算生物量的关键参数，由NDVI_crop-NDVI_soil曲线积分获得，因此首先需要绘制冬小麦生长过程中的NDVI_crop-NDVI_soil曲线。将研究区内(11个样点)四个时期的ASD高光谱数据计算的NDVI_crop值分别取平均值，并绘制NDVI_crop-NDVI_soil曲线，图2显示了2013-2014年研究区内冬小麦NDVI_crop-NDVI_soil的平均变化趋势，从返青期开始NDVI_crop-NDVI_soil值逐渐增长，随着冬小麦的成熟NDVI_crop-NDVI_soil值又逐渐下降；

S15：计算小麦水分胁迫系数W；

S16：计算小麦生物量转化系数m；

S17：建立考虑水分胁迫的小麦生物量估算模型，通过该模型实现不同生长时间小麦生物量的遥感估算。基于每个样点的NDVI_crop-NDVI_soil曲线，分别对研究区每个样点各个时期的生物量进行估算，图3为武功试验区中冬小麦生物量的估算值和实测值的1:1图，其中高光谱遥感估算的生物量与实测生物量之间的R2和RMSE分别为0.829和2.424t/hm2。结果表明，全生育期生物量的估算值与实测值具有较好的一致性，冬小麦生物量的估算值和实测值具有很好的相关关系。

本发明综合考虑小麦NDVI时间增长和水分胁迫对生物量积累的影响，构建的考虑水分胁迫的冬小麦生物量遥感估算模型，具有机理性强、模型区域扩展性和年际扩展性强的特点。本发明将有助于在区域尺度上更精确估算冬小麦不同生长期的生物量，对于进一步实现冬小麦长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种考虑水分胁迫的农作物生物量遥感估算方法，其特征在于，包括：

S1：获取目标区域具有近红外波段和短波红外波段的光学遥感数据；

S2：对所述获取的光学遥感数据进行大气校正处理，得到所述目标区域的地表真实反射率数据；

S3：基于经过所述大气校正处理后的光学遥感数据，提取农作物的种植空间分布区域；

S4：根据所述地表真实反射率数据以及所述农作物的种植空间分布区域确定所述农作物的归一化植被指数NDVI_crop及其时间积分值TVNDVI_crop；

S5：获取所述农作物的水分胁迫系数W；

S6：获取所述农作物的生物量转化系数m；

S7：根据所述时间积分值TVNDVI_crop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型，通过所述生物量估算模型实现不同生长时间所述农作物的生物量的遥感估算。

2.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法，其特征在于，步骤S1中获取的具有近红外波段和短波红外波段的光学遥感数据为Landsat5卫星遥感数据、Landsat7卫星遥感数据、Landsat8卫星遥感数据或ASD光谱数据。

3.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法，其特征在于，步骤S3中采用监督分类、或者非监督分类、或者人工数字化的方法得到所述农作物的种植空间分布区域。

4.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法，其特征在于，步骤S4中计算所述时间积分值TVNDVI_crop包括：

${\mathrm{TVNDVI}}_{crop}=\underset{t_0}{\overset{t_1}{\∫}}({\mathrm{NDVI}}_{crop}-{\mathrm{NDVI}}_{soil})dt$

其中，t₀为所述农作物开始进行光合作用的时间，t₁为所述农作物的预测生物量的时间，NDVI_soil为所述农作物的种植空间分布区域的土壤的NDVI值。

5.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法，其特征在于，步骤S5中获取所述农作物的水分胁迫系数W为所述农作物的叶片相对含水量指数LWCI。

6.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法，其特征在于，步骤S7中根据所述时间积分值TVNDVI_crop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型包括：

AGB_RS＝m×W×TVNDVI_crop

其中，AGB_RS为所述农作物的生物量的遥感估算值。