利用遥感红边参数估算夏玉米农学参数的可行性分析
科学遥感地理实验报告
一、实验背景随着遥感技术的飞速发展，其在地理学、环境科学、农业等领域中的应用越来越广泛。
本实验旨在探讨利用遥感技术监测农作物生长状况，预测作物产量，并分析不同遥感观测时期对产量预测精度的影响。
二、实验目的1. 研究不同遥感观测时期对作物产量预测精度的影响。
2. 确定作物产量预测的最佳遥感观测时期。
3. 探索高频次遥感观测在作物产量预测中的应用潜力。
三、实验材料与方法1. 实验材料- 玉米种植区：实验地点位于我国某玉米种植区，面积为10平方公里。
- 无人机：采用多光谱无人机进行遥感观测。
- 遥感数据处理软件：ENVI、ArcGIS等。
2. 实验方法（1）高频次无人机遥感观测在玉米生长的关键时期，进行9次无人机多光谱观测，每次观测覆盖整个玉米种植区。
观测参数包括：波段、分辨率、飞行高度等。
（2）遥感数据处理- 生成正射影像图：对无人机获取的多光谱影像进行几何校正、辐射校正等预处理，生成正射影像图。
- 计算遥感指标：根据遥感影像，计算用于随机森林产量预测模型建模的遥感指标，如光谱指数、纹理指数等。
（3）产量预测模型建立- 建立随机森林产量预测模型：利用ENVI软件，将遥感指标输入随机森林模型，进行作物产量预测。
- 模型参数优化：通过交叉验证等方法，优化模型参数，提高预测精度。
四、实验结果与分析1. 不同遥感观测时期对产量预测精度的影响实验结果表明，与单一生长阶段的观测相比，多个发育阶段的观测组合能显著提高玉米产量预测的精度。
具体表现为：- 第3次观测（拔节期）的预测精度最高，达到85.3%。
- 第6次观测（抽雄期）的预测精度次之，为82.7%。
- 第1次观测（播种期）和第9次观测（成熟期）的预测精度相对较低。
2. 高频次遥感观测在作物产量预测中的应用潜力本实验结果表明，高频次遥感观测在作物产量预测中具有以下优势：- 提高预测精度：通过多个发育阶段的观测组合，可提高作物产量预测的精度。
- 及时获取信息：高频次遥感观测可及时获取作物生长状况信息，为农业生产提供决策支持。
作物产量预测的遥感方法
作物产量预测的遥感方法作物产量预测是农业生产中的关键问题，通过科学有效的方法预测作物产量可以帮助农民合理安排生产计划，提高农业生产效益。
遥感技术是一种有效的手段，可以对作物产量进行预测。
本文将介绍作物产量预测的遥感方法，并探讨其在农业生产中的应用。
一、遥感技术在作物产量预测中的应用遥感技术是利用卫星、飞机等载体获取地球表面信息的技术。
利用遥感技术可以获取大范围的作物信息，包括作物生长状态、覆盖面积、叶面积指数等重要参数，这些信息可以作为作物产量预测的重要数据。
1.监测作物生长状态利用遥感技术可以监测作物的生长状态，包括作物的绿色覆盖面积、叶面积指数等参数。
这些参数可以反映作物的生长情况，通过对这些参数的监测可以对作物产量进行预测。
2.估算作物覆盖面积利用遥感技术可以对作物的覆盖面积进行估算，通过对作物的覆盖面积进行监测和分析可以对作物产量进行预测。
3.遥感数据与地面观测数据结合遥感数据和地面观测数据相结合可以提高作物产量预测的准确性。
地面观测数据可以提供作物产量的实际情况，遥感数据可以提供作物的生长状态等参数，结合起来可以更准确地预测作物产量。
二、作物产量预测的遥感方法1.基于遥感图像的作物产量预测利用遥感图像获取作物的覆盖面积和生长状态等参数，结合地面观测数据，可以建立作物产量预测模型。
通过对遥感图像的分析，可以获取大范围的作物信息，这对作物产量预测具有重要意义。
3.遥感数据与机器学习算法结合利用机器学习算法可以对大量的遥感数据进行分析，建立作物产量预测模型。
通过对遥感数据的学习和分析，可以提高作物产量预测的准确性。
三、遥感技术在农业生产中的应用1.精准农业管理利用遥感技术可以对农田进行监测，及时发现作物的生长情况，对农田进行精准管理，提高农田的生产力和效益。
2.作物灾害监测利用遥感技术可以对作物的灾害情况进行监测，及时发现作物的病虫害等问题，采取相应的措施进行防治，保障作物的生长和产量。
3.农业保险利用遥感技术可以对农田进行监测，及时掌握农田的情况，为农业保险提供重要数据支持，保障农民的利益。
使用植被指数遥感图像进行农作物产量预测的技巧和要点
使用植被指数遥感图像进行农作物产量预测的技巧和要点在农业生产中，准确预测农作物的产量对于农民和政府决策者来说至关重要。
然而，传统的调查方法费时费力且成本高昂，因此人们开始利用遥感技术来进行农作物产量的监测和预测。
其中，使用植被指数遥感图像是一种常见且有效的方法。
本文将介绍使用植被指数遥感图像进行农作物产量预测的技巧和要点。
首先，我们需要了解什么是植被指数。
植被指数是一种通过遥感图像的反射率来估计植被生长状况和生产力的指标。
常见的植被指数包括归一化植被指数（NDVI）和差值植被指数（DVI）。
这些指数通常利用可见光和近红外波段的反射率计算得到，反映了植物叶绿素的含量和植被的覆盖程度。
其次，为了有效地利用植被指数进行农作物产量预测，我们需要掌握几个关键的技巧和要点。
首先是正确选择和获取遥感图像。
在选择遥感图像时，应考虑其空间和时间分辨率，以及传感器的波段配置。
通常情况下，较高的空间分辨率可以提供更详细的信息，而较高的时间分辨率可以实现连续的监测。
此外，还需要注意遥感图像的预处理，包括大气校正、亮度调整和几何校正等，以消除噪音和偏差。
其次是进行植被指数的计算和分析。
植被指数的计算通常基于不同波段的反射率组合，如NDVI=(NIR-RED)/(NIR+RED)，其中NIR代表近红外波段的反射率，RED代表红色波段的反射率。
通过计算不同时间点的植被指数，我们可以获得植被生长的时间序列数据。
然后，可以利用统计学或机器学习的方法对这些数据进行分析和建模，以预测农作物的产量。
另外，需要考虑地理和环境因素对植被指数的影响。
地理因素包括土壤类型、坡度和海拔等，而环境因素则包括气候条件、降水和温度等。
这些因素对植被生长和农作物产量都有重要的影响，因此需要在预测模型中进行合理的考虑和调整。
例如，可以将地理和环境因素作为自变量加入到预测模型中，进行全面的分析和预测。
最后，进行农作物产量的预测和评估。
利用建立的植被指数预测模型，可以对未来的农作物产量进行预测。
遥感技术在农业产量预测中的应用
遥感技术在农业产量预测中的应用一、引言农业作为国民经济的基础产业，其产量的稳定和增长对于保障粮食安全、促进经济发展和社会稳定具有至关重要的意义。
随着科技的不断进步，遥感技术作为一种高效、准确、大面积获取信息的手段，在农业领域的应用日益广泛，尤其在农业产量预测方面发挥着重要作用。
二、遥感技术的原理和特点遥感技术是通过非接触式的传感器，获取远距离目标的电磁波信息，并对这些信息进行处理和分析，从而获取目标的特征和状态。
其主要依靠卫星、飞机等平台搭载的各种传感器，如光学传感器、微波传感器等，来收集地表的反射、辐射等信息。
遥感技术具有以下几个显著特点：1、大面积同步观测：能够在短时间内获取大面积的地表信息，大大提高了数据采集的效率。
2、时效性强：可以快速获取最新的地表数据，及时反映农业生产的动态变化。
3、多波段信息：能够同时获取多个波段的电磁波信息，为农业生产的监测和分析提供更丰富的数据。
4、非破坏性：不会对监测对象造成任何破坏，有利于长期、连续的监测。
三、遥感技术在农业产量预测中的数据获取在农业产量预测中，遥感技术主要通过获取以下几类数据来发挥作用：1、植被指数植被指数是通过对不同波段的反射率进行计算得到的，它能够反映植被的生长状况和覆盖度。
常用的植被指数如归一化植被指数（NDVI）、增强型植被指数（EVI）等。
NDVI 与作物的叶面积指数、生物量等密切相关，通过对 NDVI 时间序列数据的分析，可以了解作物的生长阶段和生长趋势，从而为产量预测提供依据。
2、作物生长参数遥感技术还可以获取作物的生长参数，如株高、叶面积、生物量等。
这些参数直接反映了作物的生长状况和生产力，对于产量预测具有重要意义。
例如，通过激光雷达遥感可以精确测量作物的株高和冠层结构，为产量评估提供更准确的信息。
3、土地利用和土壤信息了解土地利用类型和土壤特性对于农业产量预测也非常重要。
遥感技术可以通过图像分类和光谱分析等方法，获取土地利用类型、土壤质地、土壤水分等信息。
农作物单产遥感估算模型研究进展
农作物单产遥感估算模型研究进展随着科技的不断发展，遥感技术已经成为农作物单产估算的一种重要手段。
农作物单产遥感估算模型的研究进展，对于提高农业生产效率、优化资源配置以及指导农业生产具有重要意义。
本文将对农作物单产遥感估算模型进行概述，综述其研究现状，并探讨未来的发展方向。
农作物单产遥感估算模型在国内外学者的不断探索和研究下，已取得了一系列重要成果。
这些模型大致可以分为基于统计模型、机器学习模型和混合模型三类。
其中，统计模型利用地块级产量和遥感数据建立回归关系，机器学习模型则多采用神经网络、支持向量机（SVM）和支持向量回归（SVR）等方法进行预测。
混合模型则综合了统计模型和机器学习模型的优点，进一步提高了预测精度。
尽管农作物单产遥感估算模型已取得了显著成果，但仍存在一些问题和挑战。
由于遥感数据的时空分辨率较低，模型预测结果的准确性和精细化程度受到限制。
模型参数的确定和调整缺乏系统性的理论指导，导致预测结果存在一定的不确定性。
大多数模型仅考虑了单一的遥感数据源，如光学遥感或雷达遥感，而忽略了多种数据源的融合和互补性。
为了解决上述问题，本文将采用多源遥感数据融合的方法，充分利用不同类型数据的优势，提高模型的预测精度。
同时，将引入深度学习等先进的人工智能算法，构建更为精确的预测模型。
还将开展大量的实验验证，对比分析各种模型的优劣，为农业生产提供可靠的单产预测结果。
实验结果表明，基于多源遥感数据融合的深度学习模型在农作物单产遥感估算中具有较高的精度和稳定性。
相比传统模型，该模型能够更好地处理复杂的地形和气候条件，提高预测结果的精细化程度。
同时，该模型还具有较低的计算复杂度，能够满足大规模农作物单产预测的需求。
本文的研究成果对于推动农作物单产遥感估算模型的发展具有一定的参考价值。
然而，仍然存在一些未来研究方向值得探讨。
如何更好地利用高分辨率遥感数据进行农作物单产估算仍需进一步研究。
混合模型的构建和研究仍有很大的发展空间，可以通过融合更多类型的数据和采用更先进的算法来提高模型的预测精度和稳定性。
基于遥感的农业产量预测研究
基于遥感的农业产量预测研究农业作为国民经济的基础，其产量的准确预测对于保障粮食安全、优化农业资源配置以及制定相关政策具有重要意义。
随着科技的不断进步，遥感技术因其能够快速、大面积获取地表信息的优势，在农业产量预测中发挥着越来越重要的作用。
遥感技术是一种通过非接触式的传感器获取远距离目标物的信息，并对其进行分析和处理的技术。
在农业领域，常用的遥感数据包括卫星影像、航空摄影以及无人机拍摄等。
这些数据包含了丰富的地表特征信息，如作物的生长状况、土壤湿度、植被覆盖度等。
通过对遥感数据的分析，可以获取与农业产量密切相关的参数。
例如，利用植被指数可以反映作物的生长活力和健康状况。
归一化植被指数（NDVI）是常用的植被指数之一，它通过计算近红外波段和红光波段的反射率差异来评估植被的生长状况。
当作物生长良好时，NDVI 值较高；反之，NDVI 值较低。
此外，叶面积指数也是一个重要的参数，它反映了作物叶片的覆盖程度，与光合作用和干物质积累密切相关。
遥感数据的获取具有时效性强的特点。
不同生长阶段的作物，其遥感特征存在差异。
在播种期，可以通过遥感监测土地的利用情况和种植面积；在生长期，可以定期获取作物的生长信息，及时发现病虫害、干旱等灾害的影响；在收获期，能够对作物的成熟度进行评估，为收获决策提供依据。
然而，要将遥感数据有效地应用于农业产量预测，并非一帆风顺，还面临着一些挑战。
首先，遥感数据的质量和分辨率可能会受到天气条件、传感器精度等因素的影响。
例如，云层遮挡可能导致部分区域的数据缺失，影响对作物生长状况的全面评估。
其次，遥感数据的解译和分析需要专业的知识和技术，如何准确地从复杂的数据中提取有用的信息，并建立与产量之间的可靠关系，是一个关键问题。
此外，农业生产受到多种因素的综合影响，除了遥感监测到的因素外，还包括品种特性、田间管理措施、病虫害防治水平等，如何将这些因素综合考虑到产量预测模型中，也是需要解决的难题。
为了应对这些挑战，研究人员采取了一系列的方法和技术。
基于遥感技术的玉米产量预测估产研究与实践
２ ２ ０ ・
农 林科 研
基于遥感技术的玉米产量预测估产研究与实践
姚玉霞 赵建华 １ 刘晓彦 ， 胡 楠 ｚ （ １ 、 吉林农业大学发展学院， 长春 双阳 １ ３ ０ ６ ０ ０ ２ 、 吉林生 松原市银监会， 吉林 松原 １ ３ ８ ０ ０ ０ ）
摘 要： 利用遥感技术对玉米产量预测估产感设备， 在短时『 日 １ 内 友时客观地、 连续获
有非常重要 的意义 。 １遥感技术与应用
建立估产模 型 ， 以应用 于玉米生长的监测 与产量的预测。
（ ３ ） 传统方法与遥感方法比较。传统的农作物长势监测和估算 这两种方法应用在农 目 前， 计算机技术、 全球定位系统和遥感技术已经被广泛应用 产量 的方法主要有气象估产法和农学估 产法 ， 于生活和生产的各个领域。 遥感技术是一种并不直接接触测量目 标 作物估产中时， 其精度会产生较大的起伏， 这是因为农作物的产量 对其进行研究与分析的技术。是指在遥感平台上 ， 使用各种传感器 受到许多因素的影响。 由于气象是对农作物的产量有直接影响的因 获取作物及其环境背景的反射、 辐射信息的瞬时记录， 经计算机识 素， 气象估产方法就是建立在这种因素与农作物产量相结合进行估 这种方法在本质上属于统计 预报 的估产方法 。气象 别、 处理、 分类 、 信息提取等方法； 并结合地学分析和数理统计分析 ， 产的基础上的 ， 估产方法在于过分依赖人的行为、 自然气象等因素。农学估产模型 最后估测出农作物的最终产量。 根据采集农作物在生长发育阶段的各项指标结合组成作物产量要 （ １ ） 遥感技术的优点主要体现在可以快速获取资料， 周期短， 时 效性强； 遥感设备放置的平台越高， 视角也就更加宽广， 可以大范围 素来进行农作物产量预测的。 以玉米为例， 在测定玉米产量过程中， 的同步观测。应用遥感技术估产的方法与传统方法相比， 具有更高 要收割十到二五块试验田中在试验范围内种植的玉米， 统计每棵玉 这样做是为了得到玉米的个体 的经济效益和社会效益山 ； 通过遥感获得的数据能够综合反映许多 米杆上成活的玉米穗数量以及重量 ， 的自然和人文信息， 而且数据来源连续 ， 具有很强综合性和可比 性。 生长状况和群体特征［ ２ １ 。这两个指标里面可 以反映 出玉米在生长过 （ ２ ） 遥感估产的手段可以概括为以生物学原理为指导 ， 在遥感 程 中利用 光合作用的等一系列生态生理特征 。从 这个例子 可以看 使用农学估产模 型首先受 到了栽植范 围的限制 ， 如果要 收集大 获取的作物极其环境的数据基础上， 结合空间信息技术 ， 经过一系 出， 就需要获取每个样本试验田中的植株参数， 需 列处理综合数据的过程， 实现对农作物进行生长观测和在收获前进 面积农作物的数据， 行产量预测。根据遥感资料来源的不同， 农作物遥感估产可分为空 要大量 的实地测量数据 ， 不 仅耗费精力 ， 也耗费时间。 间遥感作物估产和她面遥感作物估产。 本文主要研究的是以地面遥 遥感技术具有前两种方法无法比拟的优势。 遥感由于其不直接 感对玉米预测估产； 是根据地面遥感平台获取的玉米物光谱信息进 接触观测 目 标的特性， 因此可以利用空间或地面遥感器来获取农作 得到数据的手段就是接收农作物在生长期各个阶段 行估产。根据不同生长期玉米的光谱特征和农事历解译作物 ， 建立 物的生长数据。 解译标志， 再对多光谱资料采用 目 测与计算机结合的方法进行分类 的光谱数据和植被指数。 将遥感得到的数据输入计算这些估产模型 和识别， 经地面实测资料补充修正 ， 最后完成种植面积测算。 单产预 中的参数来实现农作物产量的预测。在玉米遥感预测中， 通过光谱 测是基于分析玉米产量与各种影响因素之间关系， 组建回归模型来 数据配合其他必要的参数也可以估算出玉米穗的重量 ， 因此对玉米 在观测时能够发现的农作物生长问题也愈 完成。为了提高单产预报准确率 也采用多种估产模型预测结果集 进行估产也就完全可行， 成最终单产的方法｛ 总产可由单产与种植面积相乘求得， 也可在分 加明显， 是我们可以完全不必过问个体与群体形成的复杂原因与过 析总产与总光谱指数值之间关系的基础上建立遥感估产模型来实 程 ， 就可以应用少数遥感数据对作物进行估产［ ３ １ 。 现。 通过以上的比较可以看出， 遥感方法和传统方法相 比， 遥感方 ２研究内容方法与技术路线 法保证遥感影像的获取时间和地面试验时间保持同步， 使得因时相 （ １ ） 研究的内容与方法。本研究是在吉林省榆树市弓棚镇十三 引起 的结果误差降至最低 ；在地面实验 中采样要做到有代表性 ， 减 号村的实验 田中开展的。完成玉米作业区生长性状、 病虫草害调查 少因系统误差造成的结果偏差 ； 因存在遥感和地面尺度不 同造成 的 和田间测产调查， 开展了叶龄与覆盖度、 田间同期杂草密度的关系 结果误差， 可以对其进行尺度转换 ， 减少因尺度原因造成的误差， 进 虽然目前它主要应用于在一定范围内农作物种类比 研究。在研究中， 为建立玉米栽培技术、 玉米病虫草害防治技术， 提 步提高精度。 供 田间的文字数据和模型 实现玉米田间生长、 玉米病虫草害防治 较单一的产量预测 ， 但是这种方式仍然是一种高效便捷的估产方 及玉米产量预测等基础数据。为了解杂草密度、 杂草叶龄与施药量 法 。 的关系， 进行了变量施药除草田间试验 ， 利用遥感方法监测玉米中 参考文献 杂草的方法； 研究玉米的红边峰值面积， 来比较准确的估计 Ｎ Ｄ Ｖ Ｉ 。 ［ １ 】 樊科研 ， 田丽萍， 薛琳， 等． 遥感在农业估产中的应用与发展［ Ｊ 】 ． 宁 通过计算 Ｎ Ｄ Ｖ Ｉ ， 再应用 Ｎ Ｄ Ｖ Ｉ 值与植被覆盖度的关系估算植被覆 波农业科技 ， ２ ０ ０ ７ ， ３ ： １ ７ — １ ９ ． ２ １ 姚玉 霞， 陈桂芬 ， 王越 ， 等． 多媒体 玉米病 虫草 害诊 治专 家系统 的 盖度，在实验基础上求得了施除草剂药量与杂草密度的函数关系。 『 ｃ ］ ／ ／ “ 第一届国际计算机及计算技术在农业中的应用研讨会” 暨 这种方法在估算植被覆盖度上是一种新的探索 ， 并通过分析玉米虫 应用『 “ 第一届 中国农村信 息化发展论 坛” 论文集， ２ ０ ０ ７ ｝ １ ７ ５ — １ ７ ７ ． 害与产量的关系建立估产模型。 ３ ｉ 徐新刚， 吴炳方， 蒙继华， 等． 农作物单产遥感估算模型研究进展 （ ２ ） 研究的原理与技术路线。遥感估产的依据是根据利用地面 『 Ｊ 】 ． 农业工程学报， ２ ０ ０ ８ ， ２ ４ （ ２ ） ： ２ ９ ０ — ２ ９ ２ ． 的各种遥感设备， 研究处理农作物的光谱反射率后 ， 进行农作物的 『
遥感在农作物估产方面的应用
水稻遥感估产以亚洲水稻主要生产国为先 行和先进。中国、印度、日本等国家都进 行过遥感估产研究且取得较好的效果。 Patel和Dash等[14]建立水稻产量和RVI的关 系,试验区预报精度达到96.14%。Miller等 [15]在分蘖或出穗阶段时,运用比值植被指 数通过干物质和单产的关系来估计单产。 但在作物灌浆与成熟阶段,由于反射率与 总生物量之间并不相关,比值植被指数无 法预测水稻的冠层生物量。 Wiegand,SSRay认为借助于归一化植被指 数NDVI｛(NIR-R)/(NIR+R)｝可以很好地预 测产量
1980～1986年，美国又制定了“农业和资 源的空间遥感调查”计划,其核心内容仍是 主要作物的种植面积与单产模型的研究。 进行国内、世界多种粮食作物长势评估和 产量预报。中国科学院自然资源综合考查 委员会的陈沈斌于1992年8月在美国农业部 外国农业局(负责美国以外国家的农作物估 产,并建成运行系统)曾见到当月估计的中国 小麦、玉米、水稻总产量与后来1993年国 家统计局公布的数字差-3.53%、+0.65%和0.66%。该项工作,为美国在世界农产品贸易 中获得巨大的经济利益
农作物遥感估产虽然具有客观、定量、准确的 优点,而且可以同时获取单产、面积、总产资 料,在小区试验已取得较高的精度,但其大面积 估产还不能满足专业化要求。农作物产量气象 预报模型和农学预报模型预报精度较高,但缺 乏长势监测和面积资料。模拟模型机理明确, 小区试验效果也很好,但这类模型需要大量的 田间试验观测和取样分析来确定模型参数,大 面积应用难度很大。因此,在专业服务中,仍然 需要综合使用各种模型；在水稻、小麦遥感估 产，方法已比较成熟，并仍在发展；棉花遥感 正在被广泛的研究，而在其他作物估产方面还 需进一步扩展；农业遥感与信息技术的基础研 究、应用研究和成果转化之间有很大的脱节现 象；发展3S三位一体的估产方法成为今后估产 的趋势。
基于遥感的玉米病虫害监测
数据预处理
对遥感数据进行预处理，如辐射定标 、大气校正等，以提高模型精度。
模型训练
使用处理后的数据对模型进行训练， 建立玉米病虫害监测的遥感模型。
模型验证
验证方法
采用交叉验证、时间序列验证等方法对模型进行验证，确保 模型的可靠性和稳定性。
验证指标
采用精度、召回率、F1值等指标对模型进行评估，以反映模 型的性能。
生物物理和生物化学特征提取
03
从地面采样数据中提取玉米植株样本的生物物理和生物化学特
征，如叶绿素含量、水分含量等。
04
模型构建与验证
模型构建
选择特征
选择与玉米病虫害相关的遥感特征， 如光谱反射率、植被指数等。
确定模型类型
根据所选择的特征和数据类型，确定 适合的模型类型，如回归分析、支持 向量机或神经网络等。
数据格式转换
将不同来源的数据格式统 一，以便于后续处理。
数据标准化
将不同来源的数据进行标 准化处理，以消除量纲和 数值差异。
数据特征提取
图像特征提取
01
从遥感图像中提取与玉米病虫害相关的图像特征，如颜色、纹
理、形状等。
气象特征提取
02
从气象数据中提取与玉米病虫害发生相关的气象特征，如平均
温度、最高温度、最低温度等。
术研究和创新。
遥感技术在玉米病虫害 监测中的应用仍需要进 一步推广和应用，以提 高其在农业生产中的普
及率和实用性。
应用前景与展望
基于遥感的玉米病虫害监测技术将越来越成熟 ，应用范围也将越来越广泛。
随着遥感技术的不断发展，未来将会有更多类 型、更高精度的遥感数据应用于玉米病虫害监 测中。
遥感技术与其他农业技术的结合将为玉米病虫 害监测提供更全面、更准确的服务，有助于提 高玉米产量和质量。
利用遥感红边参数估算夏玉米农学参数的可行性分析
ｇｅ ｉｎｍｏｅｓｏ ｅｒｅｉｇａ ｒｎ ｍｙ ｐ ａ ｅｅ ，ｂ ｓ ｄｏ ｅ ｄ ｅｐ ａ ｅｅ ｂａｎ ｂｅｆｏ ｒｍｏｅｙｓ ｎ ｉｇ ｄ ｔ ｒａ ｏ ｄ ｌ ｆｒｔ ｖｎ ｇｏ ｏ ａｍ ｔｒ ｓ ｉ ｒ ｓ ａ ｅ ｎ ｒｄ ｅ ｇ ａｍ ｔｒ ｏ ｔｉａ ｌ ｒｍ ｒ ｓ ｅ ｔｌ ｅ ｓｎ ａａ，ｗｅ ｓ ｅ ｌ ｒ ａｏ ｅｔｂｉｈ ｄ ｅｓ ｅｔｖｌ．Ｒｅ ｄ ｅｐ ｒ ｅｅ ｏ ｌ ｅｃ ｎ ｉｅ ｄ ａ ｅ ｓ ｉｅｉｄｃ ｔｒｆｒｓ ｍｍｅ ｉｚ ｕｒｉｎｓａｕ ，ｔｅ ｓａ ｌ ｅ ，ｒ ｐ ｃｉｅｙ ｓ ｄｅ ｇ ａａ ｔｒ ｃ ｕｄｂ ｏ ｓ ｒ ａｓｎ ｉｖ ｉ ａｏ ｕ ｍ ｓ ｄｅ ｓ ｔ ｎ ｏ ｒｍａ ｅｎ ｔ ｔ ｔｔｓ ｈ ｙ ｉｏ
摘要： 分析夏玉米农学参数、 红边参数以及两者之间的相关性， 结果表明： 可利用红边位置 （ ） Ｒ 来反演叶片绿度值 （Ｐ Ｄ ， ＳＡ ）利用归一化 的吸收深度 （ Ｄ ７ ）吸收特征面积（ ｒ ６２ 和红边宽度 （ｗ ｔ） Ｎ ６２ 、 Ａｅ ７ ） ａ Ｌ ｉｈ 来分别 反演 叶绿 素 ａ叶绿素 ｂ 叶 ｄ 、 、
关键词： 夏玉米； 红边参数； 农学参数； 反演模型
中图分类号 ： Ｐ９ Ｔ ７ 文 献标识码 ： Ａ 文章编号 ：６１ ４０２０ ）２ １３ ｏ ｏ ａ ａ ｔｒ ｆｓ ｍｍｅ ｉｅｄ ａ ｎ ｓ ｄ ｂ ｅ ｄ ｅｐ ｒ ｍｅｅ ｓｏ ｔｉ ａ ｌ ｒ ｍ ｒ ｎ ｍｙｐ ｒ ｍｅｅ ｓｏ ｕ ｒｍａｚ ｉｇ ｏ ｅ ｙｒ ｄ ｅ ｇ ａ ａ ｔ ｒ ｂ ａ ｎ ｂ ｅｆｏ ｒ ｍｏ ｅｙ ｓ ｎ ｉ ｇ ｄ ｔ ｅ ｔｌ ｅ ｓｎ ａ ａ
Ｂｏ ｃｎｌ ， ｈｎ ｇｉ ｔ ａ Ｕ ｉ ｒｔ，Ｂ ｉｎ ， ００ ４ ｈｎ ） ｉ ｅｈ ｏｏ Ｃ ｉａＡ ｒ ｕ ｕｌ ｎｖｓ ｙ ｅ ｉ １０ ９ ，Ｃ ｉａ ｔ ｙ ｇ ｃ ｒ ｅｉ ｌ ｊｇ
利用遥感数据进行农作物产量估测的步骤与技巧
利用遥感数据进行农作物产量估测的步骤与技巧农作物产量估测是农业生产管理中非常重要的一环，它可以帮助农民和农业决策者了解农田的生产状况，提前做出农业资源的合理配置。
近年来，随着遥感技术的发展和应用，利用遥感数据进行农作物产量估测已经成为一种常用的方法。
本文将介绍利用遥感数据进行农作物产量估测的步骤和技巧。
第一步是收集和准备遥感数据。
遥感数据包括不同波段的遥感图像、气象数据和农田调查数据等。
在选择遥感数据时，需要根据农作物的特性选择适当的波段和时间范围。
同时，还需要对数据进行校正和预处理，以纠正遥感图像的大气影响和减少噪声。
第二步是提取农田特征信息。
通过遥感图像处理和分析技术，可以提取出与农作物生长状态相关的特征信息。
例如，通过植被指数可以反映植被的覆盖程度，通过土壤湿度指数可以反映土壤的湿度状况。
这些特征信息可以帮助我们了解农田的生长状况，进而进行产量估测。
第三步是建立农作物生长模型。
通过采集和分析实地的农作物生长动态数据，可以建立起与农作物生长状态相关的模型。
这些模型可以基于遥感数据和气象数据，将观测到的特征信息与农作物产量进行关联。
例如，可以利用线性回归模型、贝叶斯网络或人工神经网络等方法进行模型建立和拟合。
第四步是进行农作物产量估测。
基于已建立的农作物生长模型，可以利用遥感数据和气象数据进行农作物产量的估测。
通过将遥感特征数据输入到模型中，可以得到相应的农作物产量估计值。
需要注意的是，由于模型的不确定性和遥感数据的局限性，得到的产量估计结果仅供参考。
在利用遥感数据进行农作物产量估测时，还需要注意一些技巧和注意事项。
首先，选择合适的遥感数据和时间范围非常重要。
不同农作物对光照、气温和湿度等环境条件的要求不同，因此需要根据农作物的特性和生长周期选择适当的遥感数据和时间范围。
其次，需要进行高质量的遥感图像预处理，以减少数据的干扰和噪声。
此外，对于大范围的农田，还需要考虑不同区域之间的差异，例如土壤类型和气候条件等，以确保产量估测的准确性。
遥感技术在农作物生长监测中的应用案例分析
遥感技术在农作物生长监测中的应用案例分析概述：随着科技的不断发展和进步，遥感技术在农作物生长监测中的应用也得到了广泛的推广和应用。
本文将通过几个具体的案例，来探讨遥感技术在农作物生长监测中的应用，并分析其在农业领域中的意义以及未来的发展前景。
案例一：作物叶面积指数遥感监测作物叶面积指数（Leaf Area Index, LAI）是反映作物叶面积状况的重要指标。
通过遥感技术，可以实时、动态地获取作物叶面积指数数据，实现对作物生长的实时监测。
例如，利用卫星遥感图像和无人机航拍图像，结合相关算法模型，可以获取不同农作物的植被指数数据，从而反映作物叶面积的大小和变化。
这为农作物的生长情况提供了可靠的监测手段，帮助农民科学管理农田，及时采取措施，提高作物产量。
案例二：农作物病虫害监测农作物病虫害是农业生产中常见的问题，病虫害的发生对农田的生产和经济效益造成重大影响。
通过遥感技术，可以实现对农作物病虫害的监测和预警。
通过利用多光谱遥感图像和高光谱遥感图像，结合病虫害的光谱特征，可以快速检测和判断病虫害的发生及其程度。
同时，通过时序遥感图像的对比分析，可以及时掌握农田病虫害的动态变化，为农民提供科学的病虫害防治策略，减少农作物损失。
案例三：土壤水分监测土壤水分是农作物生长的关键因素之一。
利用遥感技术，可以实现对农田土壤水分的监测和评估。
通过利用雷达遥感图像和热红外遥感图像，结合相关水分指标和模型算法，可以定量地反演土壤水分含量及其分布状况。
这对于农田的灌溉管理、农作物的生长调控具有重要意义。
同时，通过不同时期的遥感图像对比分析，可以研究土壤水分的变化趋势和季节变化规律，为农业的水资源管理提供科学依据。
结论：遥感技术在农作物生长监测中的应用可以提供重要的决策支持和科学依据。
通过遥感技术的应用，可以实现对作物生长状况、病虫害情况和土壤水分状况的实时监测和动态评估。
这有助于农民科学管理农田，减少病虫害损失，提高农作物产量。
农作物估产的遥感原理
农作物估产的遥感原理农作物估产是指通过遥感技术获取农作物的生长监测和信息，利用模型算法进行农作物产量和质量的预测和估计。
农作物估产主要依赖于遥感技术的应用，其原理主要包括反射光谱、温度、植被指数和数字高程模型等。
下面将详细介绍这些原理。
反射光谱光谱信息是遥感技术中最常用的信息。
不同的植物吸收和反射的光谱范围不同，可以通过获取植物反射的光谱数据，对植物的生理状况进行监测。
一般来说，绿色植物对近红外光具有较高的反射率，而对可见光较低；而干旱或生病的植物则会显示出不同的光谱反射率。
因此，通过遥感技术测量和分析植物的反射光谱，可以为农作物的估产提供许多有用的信息。
温度温度是农作物生长和发育的重要因素之一。
温度对农作物的生理过程具有重要的影响，如影响植物的光合作用、呼吸作用、根系发育等。
同时，农作物的温度信息也可以用于监测农作物的生长和发育情况。
通过遥感技术获取植被表面的温度数据，可以监测农作物的生长和发育情况，以及确定不同的地理位置所需的灌溉水量。
植被指数植被指数是根据植物叶片反射和吸收辐射的平衡关系推导出来的一种植被表观参数，通常用来评估植被的生长和健康状态。
植被指数通常使用NDVI（Normalized Difference Vegetation Index）进行计算。
NDVI是由遥感图像中各像元红外波段反射率和红光波段反射率之差除以它们之和所得的指数。
NDVI能够反映出植被叶片的生长状况，这对于农作物估产非常有帮助。
通过遥感技术获取植被指数数据，可以确定植被的生长状态和生产力水平。
数字高程模型数字高程模型是一种描述地球表面自然地形高程的数字化模型。
数字高程模型可以用来计算农田的坡度和坡向，并且可以建立水文模型，在农作物估产中发挥重要作用。
数字高程模型可以通过遥感技术获取高分辨率的数字高程模型数据，可以更加精确地估算农作物的产量和质量。
综上所述，遥感技术是农作物估产的重要手段。
通过获取反射光谱、温度、植被指数和数字高程模型等数据信息，可以更加准确地估计农作物的产量和质量，从而为农业生产提供更加科学有效的管理决策。
遥感与农作物估产
? 1985 - 1989 年，此项目为中央和地方提供了165次不同时 空尺度的产量预报，为国家减少粮食损失达33万t以上，累 计经济效益达20 亿元。“八五”期间，国家将遥感估产列 为攻关课题，由中国科学院主持，联合农业部等40 个单位 ，开展了对小麦、玉米和水稻大面积遥感估产试验研究，建 成了大面积“遥感估产试验运行系统”，并完成了全国范围 的遥感估产的部分基础工作。
个人认识
? 随着遥感技术的发展，遥感在各方面的 应用变得越来越广泛，而且在许多方面 的应用都趋于成熟。在农作物估产方面 ，遥感的应用使得作物估产变得更加简 单方便。随着技术的发展和需求的增加 ，遥感在包括农作物估产在内的多个方 面必将有着更加广阔的应用
遥感估产的发展及现状
? 埃及农业资源监控系统 (ALIS)是为埃及政府提供实 时的主要作物种植面积变化情况，城市扩展占用耕 地情况以及分析发展新的耕地的可能性。加拿大利 用NOAA 气象卫星并结合其他资料进行大面积作物水 分测量、灾害预警、产量预测和作物识别，识别马 铃薯与牧草、玉米及耕地与森林的界限，估产可靠 率为90%。在英国运用孔径雷达识别小麦、甜菜、玉 米,准确率高达 90%。1985年，印度用Landsat MSS 和 航空扫描图像，对印度主要水稻产区进行了解译水 稻种植面积试验。
遥感估产的发展及现状
? 国内遥感估产的研究进展
? 从“六五”开始，我国试用卫星遥感进行农作物产量预报的 研究，并在局部地区开展产量估算试验。“七五”期间，国 家气象局于1987 年开展了北方11省市小麦气象卫星综合测 产，探索运用周期短、价格低的卫星进行农作物估产的新方 法，这是一个地面调查与气象卫星信息相结合的单品种产量 估算系统。
使用遥感技术进行农作物遥感监测的技巧与要点
使用遥感技术进行农作物遥感监测的技巧与要点农作物的生长和发展与农民的收入息息相关，也是国家粮食安全的重要组成部分。
而如何进行农作物的监测，了解其生长情况和变化趋势，一直是农业科学家和政府部门关注的重点。
遥感技术因其快速、广泛、高效的特点，成为了农作物监测的重要工具。
本文将介绍农作物遥感监测的技巧与要点。
一、选择合适的遥感影像农作物遥感监测的首要任务是选取合适的遥感影像。
一般而言，农作物监测需要高分辨率、多光谱的遥感影像。
高分辨率的影像可以提供更精细的农作物信息，而多光谱的影像可以提供更丰富的反射光谱数据，有助于对农作物的生长情况进行分析。
同时，定期获取遥感影像，特别是周期性获取同一区域的影像，可以更好地了解农作物的动态变化。
二、应用合适的遥感指标遥感指标是对遥感影像进行分析和解释的关键工具。
在农作物遥感监测中，常用的遥感指标包括植被指数（如归一化植被指数，简称NDVI）、水体指数（如水体归一化指数，简称NDWI）等。
植被指数可以描述植被覆盖的程度，反映植被的生长状况和变化趋势；水体指数可以用于检测农田的灌溉状况和潜在的干旱区域。
通过应用不同的遥感指标，可以更全面地了解农作物的生态环境和生长状态。
三、建立合理的分类方法农作物遥感监测的目标是对农田中的不同作物进行分类和判别。
为了实现这一目标，需要建立合理的分类方法。
常用的分类方法包括基于光谱特征的最大似然分类、支持向量机分类等。
通过比较不同分类方法的分类精度和效果，可以选择最合适的方法进行农作物分类。
四、借助地面观测数据进行验证遥感数据的精度受到多种因素的影响，包括大气、地表覆盖、遥感仪器等。
为了验证遥感监测结果的可靠性，可以借助地面观测数据进行验证。
地面观测数据可以包括农田现场调查、农作物样方调查等。
通过对遥感和地面观测数据的比对和分析，可以更准确地了解农作物的生长情况和发展趋势。
五、结合地理信息系统进行分析地理信息系统（GIS）是对空间数据进行管理和分析的工具。
作物产量预测的遥感方法
作物产量预测的遥感方法
遥感技术是指通过遥感卫星或飞机等载体，利用传感器对地面物体进行观测、探测和测量的一种技术手段。
作物产量预测是指通过分析遥感图像中的作物生长状况和环境因素等，利用数学模型和统计分析方法预测作物的产量。
下面将介绍一些常用的遥感方法进行作物产量预测。
1. 植被指数法
植被指数是指通过遥感图像中的红、近红外波段的比值来表征植被状况的一种指标，常用的有归一化植被指数（NDVI）和差异植被指数（DVI）等。
通过分析作物生长过程中的植被指数变化，可以判断作物的生长情况和预测作物产量。
NDVI高峰期的时间和幅度可以与作物的产量相关联。
2. 光谱模型法
光谱模型法是利用遥感图像中的光谱信息和地面实测数据建立数学模型，通过模型进行作物产量预测。
常用的方法有多元线性回归分析（MLRA），利用多个波段的光谱值和地面实测数据建立回归方程，通过回归方程来推测作物产量。
还可以采用神经网络模型、支持向量机等非线性模型进行作物产量预测。
3. 统计分析法
统计分析法是利用遥感图像和地面实测数据进行统计分析，通过对不同年份的作物生长过程进行对比和分析，建立统计模型来预测作物产量。
常用的方法有回归分析、时间序列分析等。
通过对多年的作物生长数据进行统计分析，可以发现作物产量与温度、降雨量等环境因素的关系，并建立数学模型进行预测。
4. 基于像元和面积的分类法
基于像元和面积的分类法是通过对遥感图像进行分类，将图像中的像元划分为不同的类别，如水田、旱地等，通过统计不同类别的面积和像元数目来预测作物产量。
通过计算水田的面积和像元数目，结合水稻的单位面积产量，可以预测水稻的总产量。
无人机多光谱遥感在农作物生长监测中的应用综述
数可以实时诊断作物的营养状况及病虫害状况ꎬ 根据作物的实际情况来进行精准管理与调控ꎮ 本文从遥感无人机
与多光谱相机的类型和特征、 多光谱在作物表型信息监测上的主要应用、 农作物灾害检测 ３ 个方面作了详尽的综
述ꎬ 希望为无人机多光谱遥感技术在作物生产的精细化作业提供借鉴ꎮ
关键词: 无人机ꎻ 多光谱遥感ꎻ 表型信息ꎻ 灾害监测ꎻ 作物监测
中图分类号: Ｓ２５ 文献标识码: Ａ
ＤＯＩ: １０ １９７５４ / ｊ ｎｙｙｊｓ ２０２３１１１５００９
长状况ꎬ 费时费力ꎬ 而采用无人机遥感技术只需分析
Ｓｅｑｕｏｉａ
绿
红
红边
近红外
ＭＳ６００Ｐｒｏ
蓝
绿
红
红边
近红外 １
近红外 ２
Ｍｉｃｒｏ－ＭＣＡ
蓝
绿
红
红边
近红外 １
近红外 ２
５５０
６６０
７３５
７９０
１２８０×９６０
４５０
５５５
６６０
７１０
８４０
９４０
４９０
５５０
６８０
７２０
８００
９００
１２８０×９６０
１２８０×１０２４
夏玉米叶片氮含量估测 [１７] ꎻ
( 山东理工大学农业工程与食品科学学院ꎬ 山东 淄博 ２５５０００)
摘 要: 遥感技术是掌握作物生长发育情况的常用方法ꎬ 无人机遥感技术的使用具有简单、 有效、 廉价的优点ꎬ
近年来更广泛的运用在农业中ꎮ 多光谱相机可以在近红外波段和红边波段获得数据ꎬ 利用光谱数据及时地进行作
农作物遥感监测预测模型及其应用研究
农作物遥感监测预测模型及其应用研究引言：随着全球人口的不断增长和农业对于粮食供应的重要性，农作物的遥感监测和预测成为一项关键的研究领域。
农作物遥感监测预测模型的建立和应用，不仅能够提高农作物产量和质量，还能够帮助农民合理管理农田、优化灌溉和施肥，实现可持续农业的发展。
本文将聚焦于农作物遥感监测预测模型及其应用的研究进展，并探讨其在农业领域的潜力。
一、农作物遥感监测预测模型的发展历程1. 传统的农作物监测方法：传统的农作物监测方法主要依靠地面调查和统计，工作量大且周期长，缺乏实时性和精准性。
2. 遥感技术在农作物监测中的应用：遥感技术的出现极大地改善了农作物监测的效率和准确性。
通过获取卫星、无人机等遥感数据，可以获得大面积的、连续的、高分辨率的农作物信息，为农作物的监测和预测提供了有效的数据基础。
3. 农作物遥感监测预测模型的发展：伴随着遥感技术的进一步发展，农作物遥感监测预测模型也在不断完善。
目前的研究重点包括光谱遥感、红外遥感、多波段遥感等方面的模型构建和算法优化。
二、农作物遥感监测预测模型的关键技术1. 遥感数据获取和预处理：获取大量的高质量遥感数据是农作物遥感监测预测模型的基础。
常用的遥感数据包括多光谱数据、高光谱数据、合成孔径雷达数据等。
同时，对这些数据进行预处理，如辐射校正、大气校正、几何校正等，能够提高数据的准确性和一致性。
2. 特征提取和选择：在遥感数据中提取有效的特征是农作物监测预测模型的关键一步。
常用的特征包括植被指数、植被覆盖度、叶面积指数等。
同时，特征的选择也需要考虑其在农作物生长过程中的重要性。
3. 模型构建和算法优化：基于遥感数据特征，构建合适的农作物监测预测模型是实现高准确性的关键。
常用的模型包括监督学习算法如支持向量机（SVM）、随机森林（RF），以及深度学习算法如卷积神经网络（CNN）等。
同时，对模型进行算法优化，如参数调优、特征融合等，可以进一步提高模型的预测性能。
遥感在农作物遥感估产的应用
遥感在农作物遥感估产的应用遥感在农作物遥感估产的应用改革开放以来，国民经济快速发展，现在各行各业对高科技的需求和运用不断加深。
其中计算机技术，遥感技术，全球定位系统技术等都已经在个个领域中都起着至关重要的作用。
这其中遥感技术是一种并没有完全作用于物体但能对其进行研究分析的技术。
是指在遥感平台上，一种运用各种传感器来获取作物及其环境背景的反射、辐射信息的瞬时记录，经计算机识、处理、分类、信息提取等方法，并结合地学分析和数理统计分析，最后估测出农作物的最终产量。
采用遥感技术有相当多的优点，其主要优势在可以迅速获取资料，时效性强，周期短。
遥感平台放置的高低直接决定了它视角的宽广，位置越高视角也就越宽广，观察的范围也就越大。
相对于传统估产的方法，遥感估产更加具有经济效益和社会效益。
遥感数据可以更加的反应出许多的人文与地理信息。
且数据连贯性较强，具有高强度性和可比性。
我国相对来说很早就在农业方面采用遥感技术。
20世纪70年代末以来，基于土壤普查和农业区划工作的需求，在国家计委、国家科委和农业部的支持下，联合国粮农组织(FAO)、计划开发署(UNDP)提供了资助，农业部门成立了专门的技术研究机构，开展了遥感应用的技术和设备引进以及人才培训工作。
经过20多年的技术攻关、实验研究和生产服务，目前农业遥感技术应用已经形成了一支分属于13个工作单位、拥有技术人员200多名的专业队伍，能够承担和完成农业资源调查和监测、主要农作物估产、农业自然灾害监测和评估等任务。
经过这20多年的努力，农业部对遥感技术的运用，取得了重要成果。
一是在农业资源调查和监测方面，开展了全国耕地变化监测。
对我国北方4省区10年土地开发利用综合评价、全国土地利用现状概查、松嫩平原土地利用遥感调查、内蒙古草原资源调查和监测等;二是在作物估产方面进行了北方7省冬小麦遥感估产、黑龙江省大豆及春小麦估产、南方稻区水稻估产、棉花面积监测等项研究;三是在生态环境变迁方面，进行了全国水土流失调查制图、北方地区土地沙漠化监测等;四是在自然灾害监测方面，开展了北方草原火灾监测、北方冬小麦旱情监测等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
利用高光谱遥感数据监测作物生理生化组分的途径主要有 3 种 . ( 1) 采用逐步回归分析技术测定光 [ 1, 2] 谱数据或由此衍生的植被指数与作物农学参数之间的关系 . ( 2) 通过作物的红边参数描述作物的物候 [ 3, 4] [ 5] 变化及其农学组分 . ( 3)光学传输模型方法. Fourty et al 利用 PROSPECT 叶片光学模型估算了叶片中 [ 6] 叶绿素、 蛋白质、 干物质等含量 , 以及含水量, Daw son et al 利用 L IBERTY 模型估算了叶片各种生化组分 [ 7] [ 8] 含量. Bonham carter 提出了红边, 并认为红边参数与叶绿素等色素间存在密切关系. M iller 提出和完善 了一种用 4 个简单参数描述的倒高斯反射模型在 670- 800 nm 拟合植被反射光谱红边的方法. Boochs et [ 9] [ 10] [ 11] al 认为红边可提供足够的信息以探测植被长势和生化组分状况 . 王秀珍等 和黄文江等 分析了红边 [ 12] [ 13] 参数与农学参数间的关系 , 均得到较好的结果. 一些学者指出红边对叶绿素含量很敏感 . 刘伟东等 研究表明, 红边斜率与作物覆盖度有一定关系 . 笔者利用倒高斯模型模拟夏玉米红边特性 , 探讨了吸收光谱红边参数与农学参数之间的关系, 研究运 用红边参数评价夏玉米生长及其营养状况的可能性 , 旨在为生产上利用高光谱遥感技术大区域, 无破坏、 实时快速地监测夏玉米的生长状况以及进行营养诊断提供依据.
谭昌伟
1, 2
, 王纪华 , 郭文善 , 陆建飞 , 张洪程 , 蒋1 . 国家农业信息化工程技术研究中心, 北京 100089 ; 2 . 扬州大学江苏省作物遗传生理重点实验室, 江苏 扬州 225009 ; 3 . 中国农业大学农学与生物技术学院, 北京 100094)
摘要 : 分 析 夏玉 米农 学 参数、 红边 参数 以 及两 者之 间 的相 关性 , 结果 表明 : 可利 用 红边 位置 ( REP ) 来反 演叶 片 绿度 值 ( SPAD ) , 利用归一化的吸收深度 ( N D 672) 、 吸收特征面积 ( A rea 672) 和红边宽度 ( Lw id th ) 来分别 反演叶绿 素 a 、 叶绿素 b、 叶 绿素 a+ b 以及叶绿素 a /b 含量 ; 利用一阶微 分光谱最 大值 ( FD _M ax )和 A rea 672 来反 演类胡萝卜 素含量和类 胡萝卜 素含 量 /叶绿素 a含量 . 从而 , 构建了以 红边参数为自变量的农学参数的反演模型 , 为生 产上利用 遥感技术大 区域 , 无破坏、 实时 快速地监测夏玉米的 生长状况以及进行营养诊断提供了重要的技术依据 . 关键词 : 夏玉米 ; 红边参数 ; 农学参数 ; 反演模型 中图分类号 : TP79 文献标识码 : A 文章编号 : 1671 5470( 2006) 02 0123 06
福建农林大学学报 ( 自然科学版 ) Journa l o f Fu jian A gr icu lture and Fo restry U nivers ity ( N atura l Sc ience Edition)
第 35 卷 第 2 期 2006年 3 月
利用遥感红边参数估算夏玉米农学参数的可行 性分析
A gronom y param eters of summ er maize diagnosed by red edge param eters obtainab le from rem otely sensing data
TAN Chang w ei , WANG Ji hua , GUO W en shan , LU Jian fe i, ZHANG H ong cheng , JI ANG H a i rong
收稿日期 : 2004 - 09- 24 修回日期 : 2005- 07- 15 基金项目 : 国家 973 资助项目 ( G 200077907) 和国家 863 资助项目 ( 2003A A 209010) . 作者简介 : 谭昌伟 ( 1980- ) , 男 . 研究方向 : 遥感的农业应用 .
福建农林大学学报 ( 自然科学版 )
第 35 卷
1 材料与方法
1 . 1 试验设计 试验于 2002- 2003 年 (夏玉米生长季 ) 在北京市农林科学院实验农场进行 . 土壤质地为壤土, 0- 30 cm 土层内有机质、 铵态氮、 硝态氮、 有效磷、 速效钾的含量分别为 1 . 92 % - 2 . 22 % , 10 . 2- 12 . 3、 16 . 17- 1 18. 03 、 15 . 2- 17 . 6、 225- 230 m g kg . 小区共 25 个 , 每个小区面积为 15 m 7 m. 供试品种 ( 系 )为 : 唐 玉 10、 户单 2000 、 京试白 1 号、 唐抗 5 、 京早 13 号、 京玉 7号、 中原单 32、 中单 9409、 高油 115 、 中糯 2 号、 96 - 3 、 郑单 958 、 豫玉 22 、 农大 80 和农大 108 . 随机种植 , 部分品种设了重复 . 田间管理与实际生产相同. 1 . 2 测试方法 1 . 2. 1 光谱反射率测定 采用美国 ASD 公司生产的 F ieldSpec 光谱仪, 视场角 25 , 波段 350- 2500 nm, 重采样后输出波段 2151 个, 间隔 1 nm. 光谱分辨率 350- 1000 n m 的间隔为 3 nm, 通道数 512 ; 光谱分辨率 1000- 2500 n m 的间隔为 10 nm, 通道数 537 . 选择太阳直接照射、 风力较小的视场, 分别在夏玉米拔节期、 喇叭口期、 抽雄期、 吐丝初期和吐丝中期选取有代表性的样区进行光谱测定 , 测定时间为 10 : 30- 14 : 00 . 2 探头距植冠顶部 160 cm 处垂直向下进行测定, 每点在 1 m 范围内均匀改变测点 , 测 20 次 , 取平均值作为 该小区的光谱反射值 . 各小区测定前、 后都进行参考板校正 . 光谱测定后取同一目标样测定叶片理化组分 含量. 1 . 2. 2 叶面积指数测定 采用干重法 , 即同一处理取 5- 10 片叶 , 测量其面积后 , 烘干称重. 再根据被测 对象的干重反推叶面积, 用 C I 203 型激光叶面积仪进行矫正, 最后计算单位土地面积上的总叶面积. 1 .2 . 3 叶片绿度值 ( SPAD ) 测定 采用日本产 SPAD 502 型叶绿素计. 同一处理取具有代表性的 3 株 , 测 定全部绿叶 SPAD 值 . 每片叶测其 6 个不同部位 , 取其平均值作为 SPAD 值 . 最后 , 取 3 株全部绿叶 SPAD 值的平均值作为该处理的 SPAD 值. [ 14] 1 . 2. 4 叶绿素和类胡萝卜素含量测定 采用分光光度计法 , 取当时完全展开的最顶部及其邻位下叶 4 - 6 片, 中部剪碎后混匀 . 计算出叶绿素 a 、 叶绿素 b 、 叶绿素 a+ b 以及类胡萝卜素含量 . 1 . 2. 5 红边参数及计算方法 红边位置 ( REP ) : 在 680- 750 nm 范围内 , 当光谱反射率的一阶微分值达 到最大时所对应的波长. 红谷位置 ( Lo ) : 在 680- 750 nm 范围内, 当光谱反射率的一阶微分值达到最小时 所对应的波长. 红边宽度 ( Lw idth ): 吸收谷深度一半处的宽度 . R 2 为近红外区域红肩反射最大值. 一阶微 分光谱最大值 ( FD _ M ax )为红边区域内一阶微分光谱值的最大值 . Dep th 672 为 672 nm 处的吸收深度 . 吸 收特征面积 ( A rea 672) 为包络线与光谱反射率之间的面积. 归一化的吸收深度 (ND 672) 为 D ep th 672 与 A re a 672 的比值. 1 . 2. 6 模型建立及检验 以 2003 年数据为训练样本 ( 125 个 ) , 2002 年数据为检验样本 ( 45 个 ), 借助 2 SAS6 . 10 统计软件进行方差及相关分析 , 依据较大的决定系数 ( R ) 建立以红边参数为基础的农学参数反 演模型 , 采用由下式计算得到的 RM SE ( root m ean square erro r)评价反演模型的预测性. 1 n 2 ( yi - yi ) n i= 1 式中: y i 和 y i 分别为实测值和模拟值 , n 为样本数. RMSE = ( 1)
1, 2 1 2 2 2 3
( 1. N ational Eng ineer ing R esearch C enter fo r Informa tion T echno logy in A gr icu lture , Be ijing , 100089, Ch ina ; 2. Jiang su P rov ince K ey Lab o f C rop G enetics and Physio logy, Y ang zhou U n ive rs ity , Y angzhou , J iangsu 225009 , Ch ina ; 3. Co llege of Ag rono m y and B io techno logy , China A gr icultural U niversity , Beijing , 100094, Ch ina) Abstrac t : T he corre lation ana ly sis of ag rono m y para m eters and red edge para m e ters w as present . T he results indicated : the REP could be used to retr ieve SPAD; ND 672 for ch lo rophy ll a ; A rea 672 for ch lorophy ll b and chlorophy ll ( a+ b); lw id th for the ratio o f ch lorophy ll a and chlorophy ll b; FD _ M ax for caroteno id; A rea672 for the ratio o f caro teno id and ch lo rophyll a . T he reafter , the re g ression m ode ls o f retr iev ing agrono m y parame ters , based on red edge para m e ters obta inab le fro m remo tely sensing data , were a lso established , respective ly . R ed edge para m eters could be considered as a sensitive ind ica tor for summ er m aize nutrition status , they could prov ide an i m portant techno logy to promptly m on itor crop gro w th and accurate ly diagnose nutr ition status by non destruction m eans on a large scale . K ey word s : summ er m a ize ; red edge para m eter ; agrono m y param eter ; retrieval model