基于MODIS数据的山东省小麦株高遥感估算研究
基于无人机遥感的作物表型参数获取和应用研究进展
㊀山东农业科学㊀２０２４ꎬ５６(４):１７２~１８０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０４.０２２收稿日期:２０２３－０３－３０基金项目:山东省自然科学基金项目(ＺＲ２０２１Ｍ０５５)ꎻ国家重点研发计划课题(２０２１ＹＦＢ３９０１３０３)作者简介:曾世伟(２０００ )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:１４２２１８０４２６＠ｑｑ.ｃｏｍ通信作者:侯学会(１９８５ )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:ｓｘｈｏｕｘｈ＠１２６.ｃｏｍ王宗良(１９８６ )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮＥ－ｍａｉｌ:ｗａｎｇｚｏｎｇｌｉａｎｇ＠ｌｃｕ.ｅｄｕ.ｃｎ基于无人机遥感的作物表型参数获取和应用研究进展曾世伟１ꎬ２ꎬ侯学会２ꎬ王宗良１ꎬ骆秀斌２ꎬ巫志雄１ꎬ２ꎬ王宏军１(１.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀２５２０００ꎻ２.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀２５０１００)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０４－０１７２－０９ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｏｆＯｂｔａｉｎｉｎｇａｎｄＵｔｉｌｉｚｉｎｇＣｒｏｐＰｈｅｎｏｔｙｐｉｃＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＺｅｎｇＳｈｉｗｅｉ１ꎬ２ꎬＨｏｕＸｕｅｈｕｉ２ꎬＷａｎｇＺｏｎｇｌｉａｎｇ１ꎬＬｕｏＸｉｕｂｉｎ２ꎬＷｕＺｈｉｘｉｏｎｇ１ꎬ２ꎬＷａｎｇＨｏｎｇｊｕｎ１(１.ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＬｉａｏｃｈｅｎｇＵｎｉｖｅｒｓｉｔｙꎬＬｉａｏｃｈｅｎｇ２５２０００ꎬＣｈｉｎａꎻ２.ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈꎬＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＪｉｎａｎ２５０１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｒｅｆｅｒｔｏｃｒｏｐｐｈｙｓｉｏｌｏｇｉｃａｌａｎｄｂｉｏｃｈｅｍｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｔｈａｔａｒｅｄｅｔｅｒｍｉｎｅｄｏｒｉｎｆｌｕｅｎｃｅｄｂｙｇｅｎｅｔｉｃａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.Ｔｈｒｏｕｇｈｏｂｔａｉｎｉｎｇｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｇｒｏｗｔｈｐｅｒｉｏｄｓꎬｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｃｒｏｐｓｃｏｕｌｄｂｅｋｎｏｗｎｉｎｔｕｉｔｉｖｅｌｙｓｏｔｈａｔｃｕｌｔｉｖａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｃｏｕｌｄｂｅａｄｊｕｓｔｅｄｉｎｔｉｍｅｔｏｅｎｓｕｒｅｈｉｇｈｃｒｏｐｐｒｏｄｕｃｔｉｖｉｔｙ.ＴｈｒｏｕｇｈｃａｒｒｙｉｎｇｄｉｆｆｅｒｅｎｔｓｅｎｓｏｒｓｓｕｃｈａｓＲＧＢｃａｍｅｒａꎬｓｐｅｃｔｒｕｍｃａｍｅｒａａｎｄＬＩＤＡＲꎬＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｓａｄｖａｎｔａｇｅｓｏｆｇｏｏｄｆｌｅｘｉｂｉｌｉｔｙꎬｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｒｅｌａｔｉｖｅｌｙｌｏｗｃｏｓｔｉｎａｃｑｕｉｒｉｎｇｄａｔａꎬｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｆｆｉｃｉｅｎｔｗａｙｔｏｏｂｔａｉｎｃｒｏｐｓｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｆａｓｔｄｅｖｅｌｏｐｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｐｒｏｃｅｓｓｉｎｇａｎｄａｎａｌｙｓｉｓｍｅｔｈｏｄｓｆｏｒｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎ￣ｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｂｙＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ.Ａｌｌｔｈｅｓｅｍａｋｅｃｒｏｐｍｏｎｉｔｏｒｉｎｇｍｏｒｅｃｏｎｖｅｎｉｅｎｔａｎｄｅｆｆｉｃｉｅｎｔ.ＩｎｔｈｉｓｐａｐｅｒꎬｐｒｏｃｅｓｓａｎｄｍｅｔｈｏｄｓｏｆｏｂｔａｉｎｉｎｇｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｉｎｔｒｏｄｕｃｅｄꎬａｎｄｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｓｕｃｈａｓｐｌａｎｔｈｅｉｇｈｔꎬｃａｎｏｐｙｃｏｖｅｒａｇｅꎬｌｅａｆａｒｅａｉｎｄｅｘꎬｗａｔｅｒｓｔｒｅｓｓꎬｂｉｏｍａｓｓａｎｄｙｉｅｌｄｗｅｒｅｓｕｍｍａｒｉｚｅｄꎬａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｅｇｒｏｕｎｄｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｓｐｅｃｔｅｄꎬｈｏｐｉｎｇｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ㊀ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＣｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓꎻＣｒｏｐｍｏｎｉｔｏｒｉｎｇ㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[１]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[２]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[３]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有ＲＧＢ数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[４－５]ꎮＲＧＢ相机[６]㊁热红外成像仪[７]㊁多光谱相机[８－９]和高光谱相机[１０－１１]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[１２]ꎬ因此可用于测量不同的表型参数[１３]ꎬ其中ꎬＲＧＢ相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[１４]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ１㊀无人机遥感监测图像数据的处理及信息提取流程和方法１.１㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[１５]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(ＤＥＭ)㊁正射校正生成数字正射影像(ＤＯＭ)和拼接镶嵌等[１６]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[１７]获取可见光图像后ꎬ使用Ｐｉｘ４Ｄｍａｐｐｅｒ软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[１８]获取高光谱影像后ꎬ除了使用Ｐｉｘ４ＤＭａｐｐｅｒ软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮＮäｓｉ等[１９]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用３７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ＡｒｃＧＩＳ㊁ＥＮＶＩ等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ１.２㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[２０]ꎮ常用的植被指数有归一化差值植被指数(ＮＤＶＩ)㊁绿色归一化植被指数(ＧＮＤＶＩ)㊁比值植被指数(ＲＶＩ)㊁红绿蓝植被指数(ＲＧＢＶＩ)㊁红边归一化植被指数(ｒＮＤＶＩ)㊁优化土壤调节植被指数(ＯＳＡＶＩ)㊁修正归一化植被指数(ｍＮＤＶＩ)㊁可见光大气阻抗植被指数(ＶＡＲＩ)㊁蓝绿色素指数(ＢＧＩ２)㊁增强植被指数(ＥＶＩ２)等ꎮ其中ꎬＮＤＶＩ能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[１２]ꎻＶＡＲＩ㊁ＮＤＶＩ㊁ＲＶＩ㊁ｒＮＤＶＩ㊁ｍＮＤＶＩ㊁ＧＮＤＶＩ能有效预测叶面积指数[１８]ꎻＮＤＶＩ㊁ＯＳＡ￣ＶＩ㊁ＢＧＩ２等常被用于预测植物叶片的叶绿素含量[２１]ꎻＶＡＲＩ能有效预测作物的水分胁迫ꎻＲＤＶＩ㊁ＲＧＢＶＩ在估测作物生物量方面效果较好[２２]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[１６]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[２３]ꎮ１.３㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[２４]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ＲｅｌｉｅｆＦ算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有ＳＶＭ－ＲＦＥ算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Ｌａｓｓｏ算法[２５]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ１.４㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[１]ꎮ１.４.１㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[１８]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮｋ折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成ｋ个样本数相等的子集ꎬ任选其中１个子集作为测试集ꎬ另外ｋ－１个子集作为训练集ꎬ然后无重复地执行ｋ次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ１.４.２㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[２６]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(ＳＶＲ)㊁随机森林回归(ＲＦＲ)㊁人工神经网络(ＡＮＮ)㊁多元线性回归(ＭＬＲ)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分４７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀类ꎬ典型的聚类算法有Ｋ均值(Ｋ－ｍｅａｎｓ)聚类算法和Ｋ－中心点(Ｋ－ｍｅｄｏｉｄｓ)聚类算法ꎮ１.４.３㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(Ｒ２)和均方根误差(ＲＭＳＥ)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬＲ２值越接近１ꎬ说明模型的参考价值越高ꎻＲＭＳＥ值越小ꎬ说明模型精度越高[２７]ꎮ２㊀无人机遥感监测作物表型参数的研究进展２.１㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[２８]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(ＤＯＭ)和数字表面模型(ＤＳＭ)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(Ｒ２＝０.９２３ꎬＲＭＳＥ＝１１.４９３ｃｍꎬＭＡＥ＝８.９２７ｃｍ)ꎮ牛庆林等[２９]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(ＧＣＰ)结合进行图像拼接处理ꎬ生成相应的ＤＳＭ和ＤＯＭꎬ得到的株高预测值与实测值拟合性较高(Ｒ２＝０.９３ꎬＲＭＳＥ＝２８.６９ｃｍꎬｎＲＭＳＥ＝１７.９０％)ꎮ刘治开等[３０]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物ＤＳＭ及作物高度模型(ＣＨＭ)来测量小麦株高ꎬ最终得到的估测结果较好(Ｒ２和ＲＭＳＥ分别为０.８２和４.３１ｃｍ)ꎮＫｈａｎ等[３１]使用无人机遥感平台拍摄小麦的ＲＧＢ图像ꎬ采用Ｐｉｘ４Ｄｍａｐｐｅｒ软件处理后用于估测小麦株高ꎬ精度较高(Ｒ２＝０.８５ꎬＲＭＳＥ＝６.６４ｃｍ)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[３２]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(Ｒ２＝０.７８５)ꎮＡａｓｅｎ等[３３]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(Ｒ２＝０.７)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[３４]㊁生物量[３５]㊁叶面积指数[３６]㊁产量[３７]等表型参数时的精确度则较好ꎮ２.２㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[３８]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[３９]ꎮＪｉｎ等[４０]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(ＰＳＯ)训练ＳＶＭ模型参数(惩罚系数ｃ㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的ＲＭＳＥ和ｒＲＭＳＥ分别为３４.０５株/ｍ２和１４.３１％ꎬ偏差为９.０１株/ｍ２ꎮ万亮等[４１]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(Ｒ２＝０.９３ꎬｒＲＭＳＥ＝９.４７％)ꎮ武威等[４２]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(ＮＤＩＧ)ꎬ并提出叶片盖度(ＬＣＤ)参数ꎬ将ＮＤＩＧ和ＬＣＤ相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(Ｒ２＝０.８９６)ꎮ周在明等[４３]使用四旋翼无人机搭载ＡＤＣＡｉｒ多光谱相机ꎬ通过ＮＤＶＩ指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明ＮＤＶＩ模型估算值与真实值之间的决定系数为０.９２ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[２３ꎬ４４－４６]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[４７]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[４８]ꎮ５７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展２.３㊀作物叶面积指数叶面积指数(ＬＡＩ)是指单位面积内作物叶片面积的总和ꎮＬＡＩ是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物ＬＡＩ对于估测作物产量具有重要意义[３６]ꎮ陶惠林等[３５]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数ＮＤＶＩˑＳＲ作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬＬＡＩ估测精度较高(建模和验证的Ｒ２㊁ＲＭＳＥ㊁ＮＲＭＳＥ分别为０.６７８８㊁０.６９㊁１９.７９％及０.８４６２㊁０.４７㊁１６.０４％)ꎮ杨雨薇等[４９]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数ＮＤＶＩꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物ＬＡＩꎬ其中半经验模型的反演精度最好(Ｒ２＝０.８９)ꎮ孙诗睿等[５０]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的ＬＡＩ进行反演ꎬ反演值与真实值之间的Ｒ２＝０.８２２ꎬＲＭＳＥ＝１.２１８ꎮ李剑剑等[５１]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合ＰＲＯＳＰＥＣＴ叶片光学模型和ＳＡＩＬ冠层二向性反射模型相耦合后生成的模型(ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ)来反演作物的ＬＡＩꎬＲ２＝０.８２ꎬＲＭＳＥ＝０.４３ｍ２/ｍ２)ꎮ傅银贞等[５２]利用ＩＲＳ－Ｐ６(ＬＩＳＳ－Ⅲ)获取多光谱数据并计算出ＤＶＩ㊁ＥＶＩ２㊁ＭＳＡＶＩ㊁ＮＤＶＩ㊁ＲＤＶＩ㊁ＲＶＩ㊁ＴＮＤＶＩ共７种植被指数ꎬ建立了ＬＡＩ与各植被指数的统计模型ꎬ其中ＮＤＶＩ㊁ＲＤＶＩ㊁ＴＮＤＶＩ反演ＬＡＩ的效果较好ꎬ决定系数Ｒ２均能够达到０.７６以上ꎮ２.４㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[５３]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(ＣＷ￣ＳＩ)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[５４]ꎮ张智韬等[５５]基于无人机搭载ＲＧＢ相机和近红外相机采集的图像ꎬ采用Ｏｔｓｕ－ＥＸＧ－Ｋｍｅａｎｓ算法对玉米冠层温度进行提取ꎬ用户精度为９５.９％ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(ｒ＝０.７８８)ꎬ将冠层温度代入水分胁迫公式计算出ＣＷＳＩꎬＣＷＳＩ与土壤含水率的相关性较高(ｒ＝－０.７３８)ꎮＢｅｌｌｖｅｒｔ等[５６]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的ＣＷＳＩꎬ发现ＣＷＳＩ与叶片水势的相关性较高(Ｒ２＝０.８３)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[５７]ꎮ王敬哲等[５８]采用无人机搭载高光谱传感器获取影像数据ꎬ经过５种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(ＳＭＣ)高光谱定量估算模型ꎬ其中通过吸光度(Ａｂｓ)预处理得到的模型预测精度最好ꎬ其建模集Ｒｃ２和ＲＭＳＥ分别为０.８４㊁２.１６％ꎬ验证集Ｒｐ２与ＲＭＳＥ分别为０.９１㊁１.７１％ꎬ相对分析误差(ＲＰＤ)为２.４１ꎮ张智韬等[５４]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(ＳＭＣ)ꎬ通过灰度关联法筛选出对ＳＭＣ敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(ＢＰＮＮ)㊁支持向量回归(ＳＶＲ)等机器学习方法构建不同生育时期的敏感植被指数与ＳＭＣ的关系模型ꎬ结果表明ＳＶＲ模型在各生育期的建模与预测精度均最优(建模集Ｒ２＝０.８５１ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.１７％ꎻ验证集Ｒ２＝０.８７５ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.３２％)ꎮ２.５㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[５９]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[４８]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[６０]ꎮ万亮等[４１]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将６７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(ＲＦＲ)中ꎬ有效改善了穗生物量的评估精度(Ｒ２＝０.８４ꎬｒＲＭＳＥ＝８.６８％)ꎮＷａｎｇ等[６１]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用ＬｉＤＡＲ或高光谱数据相比ꎬ高光谱和ＬｉＤＡＲ数据相融合能够更好地估测玉米的生物量(Ｒ２＝０.８８３ꎬＲＭＳＥ＝３２１.０９２ｇ/ｍ２ꎬＲＭＳＥＣＶ＝３３７.６５３ｇ/ｍ２)ꎮ刘畅等[６２]结合纹理特征与植被指数构建了一种 图－谱 融合指标ꎬ用该指标构建的生物量模型精度较高(Ｒ２＝０.８１ꎬＲＭＳＥ＝８２６.０２ｋｇ ｈｍ－２)ꎬ明显高于用单一植被指数(Ｒ２＝０.６９)和单一纹理特征(Ｒ２＝０.７１)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[６３]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[６４]研究证实ꎬ将波段深度分析和偏最小二乘回归(ＰＬＳＲ)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(ＢＤＲ)与ＰＬＳＲ结合的模型的估算精度较好(Ｒ２＝０.７９２ꎬＲＭＳＥ＝０.１６４ｋｇ/ｍ２)ꎮ２.６㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入Ｒ２和ＲＭＳＥ评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮＥｌｓａｙｅｄ等[６５]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(Ｒ２＝０.９７ꎬＲＭＳＥ＝２６.４８ｇ/ｍ２)ꎮＭａｉｍ￣ａｉｔｉｊｉａｎｇ等[６６]利用ＲＧＢ信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的ＤＮＮ(ＤＮＮ－Ｆ２)方法ꎬ准确估测了大豆产量(Ｒ２＝０.７２０ꎬｒＲＭＳＥ＝１５.９％)ꎮ严海军等[６７]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(Ｒ２＝０.９０ꎬＲＭＳＥ＝５００ｋｇ/ｈｍ２ꎬＮＲＭＳＥ＝１４.３％)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[６８]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和ＲＧＢ相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(ＳＶＲ)㊁多元线性回归(ＭＬＲ)㊁随机森林回归(ＲＦＲ)㊁偏最小二乘回归(ＰＬＳＲ)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用ＲＦＲ算法建立的模型效果最好(Ｒ２＝０.７２４ꎬＲＭＳＥ＝６１４.７２ｋｇ/ｈｍ２ꎬＭＡＥ＝４７８.０８ｋｇ/ｈｍ２)ꎮ申洋洋等[６９]采集冬小麦多光谱数据ꎬ选取多光谱相机的５个特征波段计算各生育时期的７２个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁ＢＰ神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(Ｒ２＝０.９４ꎬＲＭＳＥ＝０.３２ꎬＲＥ＝９％)ꎮ赵鑫[７０]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(Ｒ２＝０.７４)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[７１]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(Ｒ２分别为０.９３㊁７７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展０.９６㊁０.９４)ꎮ申洋洋等[６９]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的Ｒ２㊁ＲＭＳＥ㊁ＲＥ分别为拔节期０.９２㊁０.３５㊁１１％ꎬ孕穗期０.９３㊁０.３３㊁１０％ꎬ抽穗期０.９４㊁０.３２㊁９％ꎬ灌浆期０.９２㊁０.３６㊁９％ꎬ成熟期０.７７㊁０.６７㊁３３％ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ３㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[１]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[Ｊ].中国农业文摘－农业工程ꎬ２０１９ꎬ３１(１):２３－３６ꎬ５５. [２]㊀周济ꎬＴａｒｄｉｅｕＦꎬＰｒｉｄｍｏｒｅＴꎬ等.植物表型组学:发展㊁现状与挑战[Ｊ].南京农业大学学报ꎬ２０１８ꎬ４１(４):５８０－５８８. [３]㊀ＴｏｔｈＣꎬＪóｚ'ｋóｗＧ.Ｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓａｎｄｓｅｎｓｏｒｓ:ａｓｕｒ￣ｖｅｙ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ￣ｉｎｇꎬ２０１６ꎬ１１５:２２－３６.[４]㊀ＷｅｉＸＪꎬＸｕＪＦꎬＧｕｏＨＮꎬｅｔａｌ.ＤＴＨ８ｓｕｐｐｒｅｓｓｅｓｆｌｏｗｅｒｉｎｇｉｎｒｉｃｅꎬｉｎｆｌｕｅｎｃｉｎｇｐｌａｎｔｈｅｉｇｈｔａｎｄｙｉｅｌｄｐｏｔｅｎｔｉａｌｓｉｍｕｌｔａｎｅｏｕｓｌｙ[Ｊ].ＰｌａｎｔＰｈｙｓｉｏｌｏｇｙꎬ２０１０ꎬ１５３(４):１７４７－１７５８. [５]㊀ＡｌｈｅｉｔＫＶꎬＢｕｓｅｍｅｙｅｒＬꎬＬｉｕＷＸꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅ￣ｌｉｎｅｃｒｏｓｓＱＴＬｍａｐｐｉｎｇｆｏｒｂｉｏｍａｓｓｙｉｅｌｄａｎｄｐｌａｎｔｈｅｉｇｈｔｉｎｔｒｉｔｉｃａｌｅ(ˑＴｒｉｔｉｃｏｓｅｃａｌｅＷｉｔｔｍａｃｋ)[Ｊ].ＴｈｅｏｒｅｔｉｃａｌａｎｄＡｐｐｌｉｅｄＧｅｎｅｔ￣ｉｃｓꎬ２０１４ꎬ１２７:２５１－２６０.[６]㊀ＧｕｏＷꎬＦｕｋａｔｓｕＴꎬＮｉｎｏｍｉｙａＳ.Ａｕｔｏｍａｔｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｌｏｗｅｒｉｎｇｄｙｎａｍｉｃｓｉｎｒｉｃｅｕｓｉｎｇｆｉｅｌｄ￣ａｃｑｕｉｒｅｄｔｉｍｅ￣ｓｅｒｉｅｓＲＧＢｉｍａｇｅｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１５ꎬ１１:１－１５.[７]㊀ＳｉｅｂｅｒｔＳꎬＥｗｅｒｔＦꎬＲｅｚａｅｉＥＥꎬｅｔａｌ.Ｉｍｐａｃｔｏｆｈｅａｔｓｔｒｅｓｓｏｎｃｒｏｐｙｉｅｌｄ ｏｎｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｃｏｎｓｉｄｅｒｉｎｇｃａｎｏｐｙｔｅｍｐｅｒａ￣ｔｕｒｅ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓꎬ２０１４ꎬ９(４):０４４０１２. [８]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[Ｊ].智慧农业导刊ꎬ２０２２ꎬ２(２４):１１－１３.[９]㊀ＨｕｓｓａｉｎＳ.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[Ｄ].武汉:华中农业大学ꎬ２０２１. [１０]ＣｏｌｏｍｉｎａＩꎬＭｏｌｉｎａＰ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｈｏｔｏｇｒａｍ￣ｍｅｔｒｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏ￣ｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９２:７９－９７. [１１]ＺｈｏｎｇＹＦꎬＷａｎｇＸＹꎬＸｕＹꎬｅｔａｌ.Ｍｉｎｉ￣ＵＡＶ￣ｂｏｒｎｅｈｙｐｅｒ￣ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ:ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｔｏａｐ￣ｐｌｉｃａｔｉｏｎｓ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＭａｇａ￣ｚｉｎｅꎬ２０１８ꎬ６(４):４６－６２.[１２]ＷａｎｇＴＨꎬＬｉｕＹＤꎬＷａｎｇＭＨꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＳｉｎｃｒｏｐｂｉｏｍａｓｓｍｏｎｉｔｏｒｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉ￣ｅｎｃｅꎬ２０２１ꎬ１２:６１６６８９.[１３]ＸｕＲꎬＬｉＣＹꎬＰａｔｅｒｓｏｎＡＨ.Ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｉｎｇａｎｄｕｎ￣ｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｃｏｔｔｏｎｐｌａｎｔｐｈｅｎｏｔｙｐｉｎｇ[Ｊ].ＰＬｏＳＯＮＥꎬ２０１９ꎬ１４(２):ｅ０２０５０８３.[１４]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[Ｊ].中国激光ꎬ２０１８ꎬ４５(５):２７３－２７８. [１５]ＹａｎｇＧＪꎬＬｉｕＪＧꎬＺｈａｏＣＪꎬｅｔａｌ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｉｅｌｄ￣ｂａｓｅｄｃｒｏｐｐｈｅｎｏｔｙｐｉｎｇ:ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉｅｎｃｅꎬ２０１７ꎬ８:１１１１. [１６]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[Ｊ].农业工程学报ꎬ２０１９ꎬ３５(４):１０６－１１３.[１７]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[Ｊ].农业工程学报ꎬ２０１８ꎬ３４(１８):１２２－１２９.[１８]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(４):７７５－７８４.[１９]ＮäｓｉＲꎬＨｏｎｋａｖａａｒａＥꎬＬｙｙｔｉｋäｉｎｅｎ￣ＳａａｒｅｎｍａａＰꎬｅｔａｌ.ＵｓｉｎｇＵＡＶ￣ｂａｓｅｄｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｆｏｒｍａｐｐｉｎｇｂａｒｋｂｅｅｔｌｅｄａｍａｇｅａｔｔｒｅｅ￣ｌｅｖｅｌ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ７(１１):１５４６７－１５４９３.[２０]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(７):２１３－２２１. [２１]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[Ｄ].杭州:浙江大学ꎬ２０１９.[２２]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(２４):９８－１０６.[２３]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[Ｊ].农业机械学报ꎬ２０１９ꎬ５０８７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀。
基于SPSS软件的山东省粮食产量预测模型分析
1.1 粮食种植面积
利用 SPSS 软件对 2000—2017 年山东省粮食种植面
积进行回归分析，结果见表 1，可得粮食种植面积 x1关于
年份 t 的线性回归方程：
x1=-114 150.428+60.376t
（1）
表 1 粮食种植面积系数 a
模型
非标准化系数
标准化系数
B
标准错误 Beta
常量 -114 150.428 34 448.761
736.32 715.35 691.26 641.54 617.63 671.17 679.75 693.65 695.56 703.01 708.48 714.58 720.23 729.46 744.00 749.21 751.15 845.56
年份 t 的线性回归方程：
x4=-30 532.073+17.638t
（4）
表 4 有效灌溉面积系数 a
模型
非标准化系数
B
标准错误
常量 -30 532.073 8 417.835
1
年份 17.638
4.191
标准化系数 Beta
0.725
T 显著性
-3.627 0.002 4.209 0.001
注：a 表示因变量，即有效灌溉面积。
2017 年，山东省粮食总产量、粮食种植面积、农业机械总
动力、农业化肥施用量、有效灌溉面积和受灾面积统计数
据见表 6。
表 6 2000—2017 年山东省相关统计数据
年份
粮食总 产量 /万 t
粮食种植 农业机械
有效灌溉
农业化肥
受灾面
面积 总动力/万
面积/万
施用量/万 t
基于时间序列MODIS NDVI的冬小麦产量预测方法
基于时间序列MODIS NDVI的冬小麦产量预测方法黄健熙;罗倩;刘晓暄;张洁【摘要】选择我国河北、河南、山东3省作为研究区,在250 m空间分辨率的冬小麦种植区和1 km的冬小麦像元纯度图的基础上,分析了2000-2009年MODIS NDVI抽穗期峰值与单产的时间序列变化关系.采用Becker-Reshef等提出的去噪声修正后的冬小麦抽穗期NDVI峰值与单产进行回归分析建立冬小麦产量预测模型,并分析冬小麦预测精度的影响因素.最后,利用2010年地级市尺度的统计单产对所建立的预测模型进行精度验证,模型的平均估产误差约为7.49％.结果表明,基于冬小麦抽穗期NDVI峰值的产量预测方法在中国冬小麦主产区具有一定的应用潜力.【期刊名称】《农业机械学报》【年(卷),期】2016(047)002【总页数】7页(P295-301)【关键词】冬小麦;产量预测;时间序列;MODIS NDVI【作者】黄健熙;罗倩;刘晓暄;张洁【作者单位】中国农业大学信息与电气工程学院,北京100083;中国农业大学信息与电气工程学院,北京100083;中国农业大学信息与电气工程学院,北京100083;马里兰大学地理系,学院市20742【正文语种】中文【中图分类】S127冬小麦是中国的主要粮食作物之一，对冬小麦进行大区域长势监测和产量预测，对于及时、准确地掌握国家粮食生产状况并进行粮食宏观调控，以及在国际农产品贸易中争取主动权都具有重要意义。
目前，产量预测模型主要分为作物生长模型和经验回归模型。
作物生长模型结合遥感数据同化是当前作物产量预测的一种重要方法。
由于作物生长模型需要大量输入参数，特别是大区域范围的作物生长模型标定与校准困难，因此在大区域尺度运行产量估测业务系统存在一定局限性[1]。
经验回归模型是通过选取与产量相关的指示参数，例如遥感反演的植被指数和气象观测要素等实现估产。
这种方法要求较少的参数输入，方法容易实现，但是缺乏普适性。
《2024年基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报》范文
《基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报》篇一一、引言随着科技的进步和全球气候变化的影响，农作物产量的预测变得越来越重要。
作为重要的粮食作物之一，冬小麦的产量和品质预测对于农业生产、市场供应以及政策制定都具有重要意义。
近年来，随着遥感技术和气象预报技术的不断发展，基于遥感数据和气象预报数据的DSSAT模型在冬小麦产量和品质预测中得到了广泛应用。
本文旨在探讨基于遥感数据和气象预报数据的DSSAT模型在冬小麦产量和品质预测中的应用。
二、方法1. 数据来源本研究使用的数据包括遥感数据、气象预报数据以及农田管理数据。
其中，遥感数据主要用于获取冬小麦的生长信息和空间分布情况；气象预报数据包括温度、降水、光照等关键气象因子；农田管理数据包括种植品种、施肥量、灌溉情况等。
2. DSSAT模型简介DSSAT（Decision Support System for Agrotechnology Transfer）模型是一种基于作物生长过程的农业决策支持系统，可对农作物的生长、发育和产量进行模拟和预测。
该模型包括多个子模型，可针对不同的农作物和地域条件进行定制化。
3. 模型构建与实现基于遥感数据和气象预报数据，本研究构建了DSSAT模型用于冬小麦产量和品质的预测。
首先，通过遥感数据获取冬小麦的空间分布和生长信息；其次，结合气象预报数据，将关键气象因子输入DSSAT模型中；最后，结合农田管理数据，对冬小麦的生长过程进行模拟和预测。
三、结果与分析1. 产量预测通过DSSAT模型对冬小麦的产量进行预测，结果表明该模型可以较为准确地预测冬小麦的产量。
通过对历史数据的拟合和分析，发现模型对不同地区、不同年份的冬小麦产量都有较好的预测效果。
此外，通过对比实际产量与预测产量，可以发现模型的预测精度较高，为农业生产提供了重要的参考依据。
2. 品质预测除了产量预测外，DSSAT模型还可以对冬小麦的品质进行预测。
基于遥感数据估算近地面PM 2.5 浓度的研究进展
基于遥感数据估算近地面PM 2.5浓度的研究进展杨晓辉1，肖登攀1*，王 卫2,3，柏会子1，唐建昭1，范丽行2,31. 河北省科学院地理科学研究所, 河北省地理信息开发应用工程技术研究中心, 河北 石家庄 0500112. 河北师范大学地理科学学院, 河北 石家庄 0500243. 河北省环境演变与生态建设实验室, 河北 石家庄 050024摘要： 卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD 与PM 2.5的相关关系来估算PM 2.5浓度已成为监测近地面PM 2.5的有效途径，其估算结果较可靠，能够为治理PM 2.5污染提供数据基础和科学依据. 从反演AOD 数据集和PM 2.5浓度估算模型2个方面进行梳理归纳，从卫星轨道运行类型角度分析各类传感器的产品特征，并对缺失AOD 的插补方法进行分类评价；对PM 2.5浓度的估算模型进行比较分析，指出不同模型的优缺点和适应性. 结果表明：①各类卫星传感器均具有特定功能及优缺点，其中地球同步轨道(GEO)卫星的快速发展，使其在估算PM 2.5浓度的应用上越来越广泛.②插补后的AOD 比AOD 初始产品具有更连续的时空分布和更高的准确性，基于模型的多变量估算不仅可以实现数据的全面覆盖，还可以获得更好的估算精度. ③组合模型成为估算PM 2.5浓度的重要方法，机器学习模型的加入能够有效提高PM 2.5浓度的估算精度. 研究显示，利用AOD 估算近地面PM 2.5浓度不仅弥补了地面PM 2.5监测的空间不连续性，更有助于解析PM 2.5浓度的时空分布特征及污染来源.关键词： PM 2.5；气溶胶光学厚度(AOD)；插补方法；经验统计模型；遥感反演中图分类号： X513文章编号： 1001-6929（2022）01-0040-11文献标志码： ADOI ： 10.13198/j.issn.1001-6929.2021.10.14Research Progress of Ground-Level PM 2.5 Concentration Estimation Based on Remote Sensing DataYANG Xiaohui 1，XIAO Dengpan 1*，WANG Wei 2,3，BAI Huizi 1，TANG Jianzhao 1，FAN Lihang2,31. Institute of Geographical Sciences, Hebei Academy of Sciences, Hebei Engineering Research Center for Geographic InformationApplication, Shijiazhuang 050011, China2. College of Geography Science, Hebei Normal University, Shijiazhuang 050024, China3. Hebei Laboratory of Environmental Evolution and Ecological Construction, Shijiazhuang 050024, ChinaAbstract ：Satellite-retrieved aerosol optical depth (AOD) has broad spatial coverage and relatively high spatio-temporal resolution.Estimating PM 2.5 concentrations based on the correlation between AOD and PM 2.5 has become an effective method for monitoring the ground-level PM 2.5. The estimation results are reliable and can provide data and scientific basis for the treatment of PM 2.5 pollution. The inversion AOD dataset and PM 2.5 concentration estimation model were sorted out and summarized. The product characteristics of various sensors were analyzed from the perspective of satellite orbit operation type. Moreover, the gap-filling methods on AOD missing data were analyzed in detail. In addition, the PM 2.5 concentration estimation models were compared to analyze their advantages, disadvantages and adaptability. The results suggest that: (1) Various satellite sensors have specific functions, advantages and disadvantages. The rapid development of geosynchronous orbit (GEO) satellites is widely used for estimating PM 2.5 concentrations. (2) AOD after gap-filling has a more continuous spatiotemporal distribution and higher accuracy than the original AOD product. The model based on multivariate estimation can not only achieve comprehensive coverage of data, but also obtain better estimation accuracy. (3) The combined model has become an important method for estimating PM 2.5 concentrations. The inclusion of machine learning models can effectively improve the收稿日期： 2021-08-15 修订日期： 2021-10-19作者简介： 杨晓辉(1996-)，女，山东青岛人，1131066837@ .* 责任作者，肖登攀(1982-)，男，河北张北县人，研究员，博士，主要从事气候变化与农业生态研究，xiaodp@ 基金项目： 国家自然科学基金项目(No.41471091)；河北省科学院高层次人才培养与资助项目(No.202201)Supported by National Natural Science Foundation of China (No.41471091)；High-Level Talents Training and Subsidy Project of Hebei Academy of Science ，China (No.202201)第 35 卷 第 1 期环 境 科 学 研 究Vol.35，No.12022 年 1 月Research of Environmental SciencesJan.，2022accuracy of PM2.5 estimation. Overall, using AOD to estimate near-ground PM2.5concentrations compensates for the spatial discontinuityof ground PM2.5 monitoring, and is more helpful in analyzing the spatiotemporal distribution characteristics of PM2.5concentrations andpollution sources.Keywords：PM2.5；aerosol optical depth (AOD)；gap-filling methods；empirical statistical model；remote sensing inversion随着全球城市化和工业化的快速发展，空气污染物人为排放量居高不下，其中PM2.5(粒径≤2.5 μm的细颗粒物)已成为空气污染最严重的污染物之一. 研究[1-3]表明，短期或长期接触PM2.5会对人类健康产生不利影响，导致慢性阻塞性肺炎、心脏病和癌症等疾病的发病率及死亡率均增加. 世界卫生组织(WHO)相关数据[4]表明，每年约有420和700万人死于环境空气污染和颗粒物空气污染. 在中国，特别是一些高人口密度、高污染地区(如京津冀地区[5]、长三角地区[6-7])，PM2.5污染是导致人口过早死亡的主要风险因素之一[8]. 目前，PM2.5污染已成为公众、科研人员和政策制定者关注的焦点问题.PM2.5浓度及空间分布的监测手段主要包括地基监测和卫星遥感反演. 地基监测得到的监测结果较精确，但往往站点数量有限，分布稀疏且不均匀，使得监测结果缺乏空间连续性. 我国在2013年才建立地基监测网络，长期历史监测和数据空间连续性的缺失，导致针对PM2.5慢性影响的流行病学与健康效应研究相对有限. 遥感监测技术可利用卫星反演的气溶胶光学厚度(aerosol optical depth，AOD)对研究区域内PM2.5进行广泛监测，能够弥补地面监测站点“空间有限性”这一缺点[9-11]. AOD是衡量气溶胶阻止光穿透大气层程度的物理量，描述气溶胶对光的削减作用. 在可见光和近红外波段反演的AOD对粒径大小在0.1~2 μm之间(接近PM2.5的粒径)的颗粒最敏感，是建立AOD-PM2.5相关关系的重要理论基础[12-13]. 研究者开始不断探索并建立二者之间关系的模型，并通过提高AOD的时空分辨率以及加入各种相关变量来提高模型模拟的精度，以期更加精确地估算近地面PM2.5浓度.该研究对反演AOD数据集和PM2.5浓度估算模型两个方面的研究和发展趋势进行总结，结合国内外相关研究现状，从轨道运行类型入手，比较各类型传感器的优缺点，并对AOD插补方法进行详细分析，此外对PM2.5的估算模型作了分类和比较，以期为控制PM2.5污染提供方法论基础.1 AOD数据集1.1 AOD卫星传感器用于估算近地面PM2.5浓度的AOD产品有多种来源，并且不同数据源分辨率不同. 目前，遥感卫星可以搭载在两种不同轨道上反演AOD，分别为近地轨道(LEO)和地球同步轨道(GEO). 用于AOD反演的LEO卫星传感器主要有甚高分辨率扫描辐射计(AVHRR)、臭氧监测仪(OMI)、中分辨率成像光谱仪(MODIS)、多角度成像光谱仪(MISR)、地球反射偏振测量仪(POLDER)、云-气溶胶正交极化激光雷达(CALIOP)、可见光/红外成像辐射仪(VIIRS)和电荷耦合元件成像仪(CCD)等；GEO卫星传感器主要有地球同步海洋水色成像仪(GOCI)、先进葵花成像仪(AHI)、多通道扫描成像辐射计(AGRI)、旋转增强型可见光和红外成像仪(SEVIRI)、可见红外自旋扫描辐射计(VISSR)和先进基线成像仪(ABI)等. 各种检索气溶胶信息的卫星传感器属性如表1所示.LEO卫星提供的AOD产品具有广阔的空间覆盖和高空间分辨率，但只能每日或几日获取一次全球气溶胶观测数据. 因此，利用LEO卫星反演的AOD 产品可以估算近地面PM2.5的日、月、年浓度，但每小时PM2.5浓度的估算受到输入数据的限制. 此外，由于LEO是极轨卫星，不能对某星下点连续观测，所以LEO卫星无法同时产生具有更高时间分辨率和更精细空间分辨率的图像[14]. 为了研究PM2.5及其阈值浓度对健康的急性影响，需要对PM2.5浓度进行高时间频率的小时估算，运行在GEO轨道上的地球同步卫星的发展提供了按小时反演AOD的可能性. GEO 卫星有助于监测动态变化，并可提供白天地球固定位置的高频观测，包括在复杂大气条件下变化非常快的AOD[15]. 但这些产品空间覆盖范围局限于特定区域，AOD的检索算法开发和研究周期相对较短.1.2 AOD产品搭载在美国国家航空航天局(NASA)Terra (当地过境时间10:30)和Aqua (当地过境时间13:30)卫星上运行的MODIS，是全球气溶胶反演使用最广泛的传感器[16]，每1~2 d能够实现全球覆盖，具有可靠的质量和直接可用性. 目前，MODIS AOD产品包括三类算法，分别为暗目标(DT)算法、深蓝(DB)算法和多角度大气校正(MAIAC)算法[17] . DT算法适用于黑暗的陆地表面，如植被覆盖区；DB算法适合于明亮陆地表面；MAIAC算法在暗表面上的精度与DT 算法相当或更高，在亮表面上的精度通常高于DB算第 1 期杨晓辉等：基于遥感数据估算近地面PM2.5浓度的研究进展41法. DT和DB算法反演的AOD数据空间分辨率分为10和3 km两种，MAIAC算法反演的AOD空间分辨率为1 km. 许多研究比较MODIS三种不同空间分辨率数据估算近地面PM2.5浓度的效果，发现随着空间分辨率的提高，模拟效果越好，提供的PM2.5浓度空间分布细节更精细[18-20].不同于MODIS的单一星下观测点，同样搭载在Terra卫星上发射的MISR传感器通过多个倾斜角度和多通道对大气进行观测，具有强大的气溶胶反演算法功能，空间分辨率为17.6 km (Version 22)，其数据质量在多地得到了验证[21-22]. 2017年，MISR气溶胶团队推出了空间分辨率为4.4 km的MISR AOD产品(Version 23)[23]. 2020年，Si等[24]验证了2008−2017年4.4 km MISR AOD产品在中国的质量，其与AERONET (气溶胶地基观测网络)的相关系数(R)达0.90；并与2016年MODIS (Terra) 3 km AOD产品相比，4.4 km MISR AOD产品与AERONET的R值(0.92)略高于与MODIS (Terra) 3 km AOD的R值(0.90). 但MISR传感器扫描幅宽较小，重返周期较长(2~9 d)，适用于PM2.5浓度长期数据监测，不适用于日常监测[25].2011年发射搭载在Suomi-NPP卫星上的VIIRS 传感器是MODIS的后续设备，它提供两种类型的AOD产品，包括IP AOD和EDR AOD，空间分辨率分别为0.75和6 km[26-27]. 研究[28-30]表明，VIIRS AOD 产品与MODIS AOD产品性能相似，同样适用于估算地面PM2.5浓度. 如Yao等[27]指出，基于VIIRS AOD 的模型可以解释京津冀地区76%的PM2.5浓度变化，优于MODIS AOD模型(71%). Chen等[31]结合机器学习模型首次评估了VIIRS IP AOD在大尺度(中国)、高分辨率PM2.5建模中的潜力，CV R2(交叉验证决定系数)达到0.86. 近期，NOAA (美国国家海洋和大气管理局)提供了一种新的使用EPS算法开发的VIIRS 气溶胶产品−EPS AOD (空间分辨率为 0.75 km).与最初数据使用的IDPS算法[32]相比，EPS算法[33]进行了较大改进，如扩展了AOD的范围，在黑暗和明亮的表面上均适用于检索AOD. 2019年，Li等[34]首次评估了中国大陆近10年来的VIIRS EPS AOD产品，结果表明，VIIRS EPS AOD与AERONET AOD数据高度相关，R达0.91.搭载在韩国COMS卫星的GOCI以及搭载在日本Himawari-8卫星上的AHI是运行在GEO轨道上的传感器[35-37]. Tang等[15]通过使用具有2个随机森林子模型的非参数方法，评估在长江三角洲地区1 km 分辨率下这两个AOD产品估算PM2.5浓度的能力，结果表明，基于GOCI AOD估算的每小时PM2.5浓度和基于Himawari-8 AOD的估算结果均具有较高的精度，CV R2分别为0.860和0.862. 虽然，COMS和Himawari-8卫星检索AOD范围可以涵盖中国大部分地区，但由于观察角度较低，中国中西部的数据并表 1 提供气溶胶信息的主要卫星传感器产品Table 1 The main satellite sensors products providing aerosol information轨道类型卫星传感器空间分辨率/km重返周期/扫描间隔发射时间优缺点LEONOAA AVHRR 1.1 1 d1970年提供具有巨大空间覆盖和高空间分辨率的AOD产品，每日或几日获取一次全球气溶胶观测数据，但不能连续观测. 此外，LEO传感器通常具有更合适的高分辨率通道和更先进的测量特性，如多角度或偏振，用于气溶胶反演的精度更高TerraMODIS10、3、11~2 d1999年MISR17.62~9 d1999年Aqua MODIS10、3、11~2 d2002年Aura OMI13×24 1 d2004年PARASOL POLDER21 ×18 1 d2004年CALIPSO CALIOP5 1 d2006年HJ-1CCD0.03 2 d2008年Suomi-NPP VIIRS6、0.75 1 d2011年GEOCOMS GOCI6 1 h/次2010年GEO轨道AOD的反演精度与LEO轨道AOD产品相近，但时间分辨率更高，从几分钟到1 h不等，可以监测气溶胶的快速日变化和跨界传输.但其空间覆盖范围可能局限于特定区域，而且AOD的检索算法开发和研究周期相对较短Himawari-8AHI510 min/次2014年Meteosat-11SEVIRI315 min/次2015年GF-4PMS/IRS0.520 s/次2015年FY-4A AGRI415 min/次2016年GOES-16ABI210 min/次2016年FY-2H VISSR 1.25、530 min/次2018年GOES-17ABI210 min/次2018年42环 境 科 学 研 究第 35 卷不可用或数据质量较低. 2015年和2016年分别发射的GF-4和FY-4A卫星是中国新一代地球静止气象卫星，为在中国进行全覆盖和高频AOD检索提供了机会[38-39]. 例如，许梦婕等[40]基于FY-4A数据，利用DT算法对京津冀地区AOD进行反演，并与同期AERONET AOD对比验证，R达0.86，说明FY-4A卫星数据反演AOD具有一定可行性. 江琪等[41]基于FY-4A反演的AOD数据，利用改进的PMRS方法估算了中国近地面PM2.5浓度，其反演结果和地面监测结果具有较高的相关性，其中，乌鲁木齐市、石家庄市和徐州市观测点的R值均高于0.7. 此外，风云系列卫星还在不断发射，FY-2H、FY-4B卫星也分别在2018年6月5日和2021年6月13日发射成功. 美国NOAA分别于2016年和2018年发射了GOES-R 系列卫星−GOES-16和GOES-17. 由于与MODIS和VIIRS具有相似的仪器设计和检索算法，并且具有高时间分辨率，搭载在两颗卫星上的ABI传感器反演的AOD具有类似于MODIS和VIIRS的准确性[42].此外，Zhang等[43]开发了一种经验偏差校正算法用于校正ABI AOD，校正后的ABI AOD与AERONET AOD的R值达0.79，该算法已在NASA上使用.1.3 AOD非随机性缺失由于多云天气、积雪和高地表反射率等因素，导致AOD出现大量非随机缺失[44]. 此外，卫星的轨道模式、地形因素以及其他环境也会造成AOD缺失[45].例如，AOD的测量值因森林火灾会出现异常大的情况. 因此，基于可用的每日AOD数据估算的每日PM2.5浓度具有较高的缺失率，PM2.5月度或年度水平的进一步计算不可避免地会因估算的每日PM2.5浓度的非随机缺失而产生偏差. 由此可见，AOD的非随机性缺失是一个非常严重的问题.很多研究试图解决AOD在空间和时间上缺失的问题，该研究总结了现有的AOD插补方法，主要包括多源AOD数据融合、空间插值、基于模型的多个变量估算及其组合应用(见图1).多源AOD数据融合可分为多种卫星产品的融合和不同检索算法的融合. 前者通常使用不同卫星(如Terra和Aqua卫星)[46-48]的相同AOD反演算法进行融合，后者使用同一卫星不同的AOD反演算法(如MODIS DB和MODIS DT算法)[49]进行融合. 目前，多数研究[50-51]是将二者结合进行AOD数据的融合. 尽管它们可以填补一些缺失值，但通常并非所有缺失的AOD值都可以高质量恢复. 空间插值是基于数据的单一参数估计来填补AOD数据中的缺失值，如空间平滑[52]、普通克里金[53]、时空克里金[54]等方法. 该方法具有在清晰的天空条件下提供空间连续产品的优点，但其精度受已知网格AOD数据的数量影响. 基于模型的多个变量估算是指使用各种模型和辅助变量估算AOD的缺失值. 由于使用的辅助变量具有全覆盖的特点，得到的AOD数据也达到完全覆盖，并取得了令人满意的性能. 例如，Zhang等[55]选择了2个随机森林子模型估算缺失的AOD数据，交叉验证结果表明，AOD与子模型之间具有良好的预测性能(R2=0.95)；Bi等[56]开发了包含雪/云分数和气象变量的每日随机森林模型来估算缺失的AOD数据，R2平均值达0.93. 但此种方法也会因辅助变量的数量和质量而产生不同程度的误差[57].目前，上述3种方法的组合应用较为流行. Chen 等[45]开发了一种两步插值方法，即使用混合效应模型和逆距离加权(IDW)插值技术来估算AOD缺失值，整体上AOD缺失率从87.91%(Auqa)和85.47% (Terra)降至融合后的13.83%，并且CV R2达0.76. Jiang等[58]通过融合来自卫星(Himawari-8和MODIS)和大气数值预报模式系统(CAMS)的AOD数据以及其他气象和地理变量，生成全覆盖的AOD数据，其结果与AERONET AOD数据回归后，R达0.72. 综上，组合应用具有良好的填充效果，但同时也带来更复杂的插补过程.此外，具有完整时空覆盖的AOD可以从化学传输模型(CTM)或全球监测和卫星数据同化系统中获取，如社区多尺度空气质量(CMAQ)建模系统以及现代研究和应用的回顾性分析-版本2 (MERRA-2)等，已有研究[59-61]将它们作为代理变量用于估算缺失的AOD值.图 1 AOD缺失值主要插补方法Fig.1 The gap-filling methods of missing AOD第 1 期杨晓辉等：基于遥感数据估算近地面PM2.5浓度的研究进展432 PM 2.5浓度估算模型利用AOD 和近地面PM 2.5数据之间的关系来估算PM 2.5浓度的方法主要分为三类，包括机器学习在内的经验统计方法、基于化学传输模型方法和半经验公式等其他方法(见图2). 三类建模方法的优缺点如表2所示. 每种方法的性能取决于研究区域、研究时期以及数据的空间和时间分辨率，单一方法在不同的应用程序中并不总是表现最佳[62].图 2 基于卫星AOD 数据的PM 2.5浓度估算方法Fig.2 Methods for PM 2.5 concentrations estimation using satellite-based AOD data表 2 不同方法估算PM 2.5浓度方法的优缺点Table 2 Summary of advantages and disadvantages of usedapproaches for estimating PM 2.5 concentrations方法优点缺点基于CTM 方法无需PM 2.5地面监测数据；可以提供预测数据；可以插补AOD 的缺失值并提供连续数据；能够解释影响AOD-PM 2.5关系的多种因素成本相对较高；受污染物排放清单、模型参数化不确定等影响，不确定性较高经验统计方法可以在没有了解复杂的化学和物理相互作用的情况下进行估算；可以根据区域等研究特性选择不同的输入变量、不同的适宜模型；机器学习模型可以很好地解释AOD-PM 2.5之间的非线性关系，容纳不断增长的数据规模依赖于地面监测数据；引入变量越多，数据量越大，变量间非线性关系越复杂；难以反映输入变量之间的物理化学相关性其他方法半经验公式构建物理机制，不依赖于地理数据；垂直订正可以根据近地表条件校正大气柱AOD 来增加其与PM 2.5的相关性半经验公式难以完全表达AOD-PM 2.5复杂的物理机理，而且数据获取难度大；垂直订正方法未考虑PM 2.5垂直分层结构2.1 统计回归模型前期研究基于AOD-PM 2.5之间的线性关系建立线性回归模型(SLR)，得到较好的拟合结果[63-64]. 但由于排放和气象条件变化影响，这种关系在不同的地区和时间都会产生变化. 通过纳入更多气象变量(包括相对湿度、温度、风速和行星边界层高度等)，多元线性回归模型(MLR)可以更好地表示AOD-PM 2.5关系[65-66]. 目前，相关研究通常用MLR 模型作为其他模型的对比模型，或结合其他模型来更好地估算PM 2.5浓度. 例如，Li 等[67]开发了一个广义回归神经网络模型(GRNN)来估算中国的PM 2.5浓度，相比MLR 模型(CV R 2=0.53)，其CV R 2达0.82；Chelani 等[68]通过建立MLR 模型和MLR 残差模型的组合模型估算了印度5个城市的PM 2.5浓度，结果表明组合模型优于MLR 模型；Ahmad 等[69]开发了MLR 模型与人工神经网络(ANN)相结合的方法，利用AOD 、土地利用和气象参数估算了2015−2017年巴基斯坦卡拉市的PM 2.5浓度，R 2值范围为0.76~0.96.土地利用回归模型(LUR)是在MLR 模型的基础上考虑土地利用的相关变量，这些变量主要反映研究区的环境特征，如工业用地面积、道路长度、交通量和人口密度等[44]. 许刚等[70]选取土地利用、道路交通、人口密度、工业污染源、高程和气象变量6类预测变量与PM 2.5建立LUR 模型，模拟京津冀2013年PM 2.5浓度空间分布，CV R 2达0.78. Li 等[71]建立了季节性MAIAC AOD 与北京市实测地面PM 2.5浓度的关系，开发了季节性的LUR 模型，结果表明，将AOD 纳入LUR 模型可以提高模型在春季的性能并44环 境 科 学 研 究第 35 卷在测试过程中提供更可靠的结果.上述方法既没有考虑到影响AOD-PM2.5相关关系的预测变量具有时间变化特性，也没有考虑到二者关系在空间上的非恒定性. Lee等[72]在2011年提出的线性混合效应(LME)模型使用固定和随机的斜率和截距对预测变量进行校准，以建立AOD-PM2.5的关系(CV R2=0.92). 其中，随机效应反映了变量随时间或监测站的变化，固定效应是AOD对PM2.5浓度的平均效应，不受时间和监测站变化的影响[57]. 在此基础上，孙成等[73]建立了PM2.5浓度与MODIS AOD、气象变量、土地利用变量之间的LME模型，CV R2达0.77. Ma等[74]提出了嵌套LME模型，包括AOD-PM2.5关系的嵌套月、周和日特定随机效应，估算了长江三角洲PM2.5浓度(CV R2=0.67). Kloog等[52]提出了三阶段LME模型，并在英格兰地区验证了该模型的可行性(CV R2=0.83). Wang等[75]基于AHI AOD构建了时空线性混合效应(STLME)模型，估算了2018年京津冀地区PM2.5浓度的小时值(时间维CV R2=0.75，空间维CV R2=0.83). 目前，许多研究仍使用LME模型估算PM2.5浓度，但往往会加入AOD补值模型或更多模型来提高估算精度.Brunsdon等[76]基于“回归系数是线性回归中观察点空间位置的函数”的假设，根据观察点之间的距离分配空间权重，提出了地理加权回归(GWR). Hu 等[77]将AOD引入GWR并进行了美国PM2.5浓度的估算. 之后，Ma等[78]提出了每日GWR模型，并证实在模型中加入气象和土地利用信息可以大幅提高模型性能. 在此基础上，为了更好地同时捕捉空间和时间的异质性，Bai等[79]提出了地理时间加权回归模型(GTWR)，并证实其比单个GWR模型具有更好的性能. 为了在AOD缺失时更好地估算PM2.5浓度，He 等[80]开发了改进的地理和时间加权回归模型(iGTWR)，该模型结合了数据中的季节性特征，在具有成对AOD-PM2.5样本的天数内实现了与标准GTWR 模型相当的性能，并且在没有AOD-PM2.5数据对的天数内显示出更好的预测能力. 同时，He等[81]结合内点算法(IPA)又开发了时空回归模型，用于估算每日PM2.5浓度，取得了良好的验证效果(CV R2=0.80).此外，在GTWR模型中添加交互项(二次项)可以更好地描述非线性效应[82].除上面提到的模型外，其他研究还使用了广义加和(GAM)模型[83-84]、克里金插值法[85]或非线性回归模型. 这些PM2.5估算模型都将AOD作为主要的自变量，但模型的可预测性受到限制，其R2普遍较低，并且在不同地区之间存在差异. 不过，这些模型已逐渐优化或集成到其他模型中.2.2机器学习模型机器学习模型可以较好地处理变量间的非线性关系，容纳不断增长的数据规模和预测变量[86-87]，被广泛应用到估算近地面PM2.5浓度. 机器学习模型主要分为3种，分别为决策树类模型、内核类模型和神经网络类模型.在决策树类模型中，较为流行的模型包括随机森林(RF)、梯度提升决策树(GBDT)、梯度提升机(GBM)和极端梯度提升(XGB). Wei等[47]开发了时空随机森林(STRF)模型，估算了2016年中国1 km分辨率下每日PM2.5浓度，并证实其性能优于部分统计回归模型(MLR、GWR和LME+GWR). 目前，使用RF模型及改进模型进行PM2.5浓度估算的研究还在持续增加[58,88-90]. GBDT在处理复杂的相关变量时表现出较大的鲁棒性和泛化能力，优于RF模型[86]. 此外，GBM 和XGB是具有代表性的boosting方法，具有减少模型偏差和方差的优势，但两种方法都存在过拟合问题，需要调整模型参数[44].基于机器学习和泛化理论的支持向量机(SVM)是使用内核类模型的代表性算法. 与其他机器学习模型相比，具有较好的性能[91-92]. 此外，有研究对SVM 进行优化或将其集成到其他模型中. 例如，Hou等[93]基于AOD和气象参数，建立连续超松弛支持向量回归(SOR-SVR)模型估算PM2.5浓度，R2达0.87. Yang 等[94]提出了一个结合LME和SVM的两阶段统计模型，估算福州市近地面PM2.5浓度，R2达0.81.神经网络算法已被用于估算PM2.5浓度，包括人工神经网络(ANN)、深度神经网络(DNN)、反向传播神经网络(BPNN)、广义回归神经网络(GRNN)和深度信念网络(DBN)等. 目前，各种典型神经网络模型已经通过应用结构变形来提高PM2.5估算的准确性.例如，Li等[95]开发了地理智能深度学习(Geoi-DBN)模型，将地理相关性纳入智能深度学习架构，其性能明显优于传统的神经网络. Zang等[96]将PM1.0和PM2.5以及每小时AHI AOD结合成一个改进的广义回归神经网络模型，即PCA-GRNN模型，与传统的GRNN模型(R2=0.67)相比，R2达0.74. Chen等[87]结合了AOD、气象和其他辅助变量，开发了一个自适应深度神经网络(SADNN)模型，估算了2017−2018年每日空间连续的PM2.5浓度，R2达0.86.2.3组合模型为了减少单个模型估算带来的偏差，许多研究第 1 期杨晓辉等：基于遥感数据估算近地面PM2.5浓度的研究进展45开始通过组合2个或多个模型来校准AOD-PM2.5与其他辅助变量之间的时空关系. LME+GWR或LME+GAM模型是最常用的组合方法(见图2)，通过考虑第一阶段模型估算结果与原数据之间的残差，利用第二阶段模型将残差与AOD进行建模. Guo等[97]证实LME+GWR组合模型优于单个LME模型；Ma 等[49]研究发现，LME+GAM模型在估算日尺度PM2.5浓度时存在较大误差，在月和季节水平上表现得更好；Zhang等[98]研究表明，LME+GWR模型优于LME+GAM模型. 此外，Yao等[29]开发的TEFR+GWR 空间结构自适应组合模型，以及Liang等[99]开发的IPW+GAMM+KED三阶段组合模型也达到了估算的理想效果.越来越多的研究通过将机器学习模型加入到组合模型中提高PM2.5估算的精确性，如MLR+ANN 或LME+SVM组合模型，其CV R2范围为0.8~0.9. 机器学习模型的加入能够有效提高PM2.5浓度的估算精度，更好地解释统计回归模型不能量化的变量之间的非线性关系.综上，组合模型比单个模型具有更好的近地面PM2.5浓度估算能力. 但是，额外的步骤可能会使分析过程更加复杂，技术细节可能会更加混乱.3 结论a) 随着仪器质量的逐步提高和检索算法的不断更新，各类卫星反演的AOD产品的质量显著提升，促进了PM2.5浓度时空动态的有效监测. 然而，目前AOD产品还难以同时满足较高的时间和空间分辨率. LEO卫星的AOD产品具有良好的空间分辨率，但没有每小时估算PM2.5浓度的能力. 相比之下，GEO卫星的AOD产品时间频率较高，但空间分辨率相对较低；因此，开发统一的不同产品融合技术的数据库是未来的重要研究方向.b) 使用插补方法可以有效解决AOD在空间和时间上缺失的问题，插补后AOD比原始AOD产品具有更连续的时空分布和更高的准确性. 其中，基于模型的多变量估算可以实现数据的全面覆盖，并获得更好的估算精度；另外，多种插补方法(多源AOD数据融合、空间插值和基于模型的多变量估算)的组合应用具有良好的填充效果，是未来主要的研究和应用方向.c) 基于AOD-PM2.5的相关关系建立的统计回归模型，由于其简单性、较低的预测误差以及通用性，被广泛应用于PM2.5估算，但统计回归模型不能较好地处理数据间的非线性关系；机器学习模型具有处理各种相互作用变量之间复杂非线性关系的能力，并表现出良好的估算性能. 因此，开发高级统计回归模型和机器学习模型将成为近年来大气污染领域的研究热点. 此外，各类机器学习模型和统计回归模型的组合应用成为目前估算PM2.5浓度的重要手段，机器学习模型的加入能够有效提高PM2.5浓度的估算精度.参考文献(References)：LIM S S, VOS T, FLAXMAN A D, et al.A comparative riskassessment of burden of disease and injury attributable to 67 riskfactors and risk factor clusters in 21 regions, 1990-2010: asystematic analysis for the Global Burden of Disease Study 2010[J].The Lancet，2012，380（9859）：2224-2260.［1］熊俊丽, 李彩艳.北京市冬季PM2.5浓度变化特征及估算模型研究[J].环境工程技术学报，2018，8（5）：533-538.XIONG J L, LI C Y.Study on variation characteristics andestimation model of PM2.5concentration in Beijing in winter[J].Journal of Environmental Engineering Technology，2018，8（5）：533-538.［2］GU Y, WONG T W, LAW C K, et al.Impacts of sectoralemissions in China and the implications: air quality, public health,crop production, and economic costs[J].Environmental ResearchLetters，2018，13（8）：084008.［3］世界卫生组织. 大气污染[EB/OL]. 美国: 世界卫生组织网站,2020[2021-10-15]. https://www.who.int/airpollution/en.［4］王情, 朱欢欢, 杜鹏, 等.京津冀及周边地区“十四五”及中长期PM2.5污染控制目标的健康效益预估研究[J].环境科学研究，2021，34（1）：220-228.WANG Q, ZHU H H, DU P, et al.Health benefit of ‘14th Five-Year’ and medium & long-term PM2.5control targets in Beijing-Tianjin-Hebei and its surrounding areas[J].Research ofEnvironmental Sciences，2021，34（1）：220-228.［5］张懿华. 长三角地区PM2.5区域性污染时空变化特征[J]. 环境科学研究, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.ZHANG Y H. Spatial-temporal characteristics of PM2.5regional pollution in the Yangtze River Delta Region[J]. Research ofEnvironmental Sciences, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.［6］王晓元, 江飞, 徐圣辰, 等.长三角区域大气重污染应急减排效果评估[J].环境科学研究，2020，33（4）：783-791.WANG X Y, JIANG F, XU S C, et al.Assessment of emergencyemission reduction effect during a severe air pollution episode inYangtze River Delta Region[J].Research of EnvironmentalSciences，2020，33（4）：783-791.［7］WANG Q, WANG J N, HE M Z, et al.A county-level estimate ofPM2.5related chronic mortality risk in China based on multi-model exposure data[J].Environment International，2018，110：105-112.［8］陈辉, 厉青, 王中挺, 等.利用MODIS资料监测京津冀地区近地面PM2.5方法研究[J].气象与环境学报，2014，30（5）：27-37.［9］吴健生, 王茜.基于AOD数据反演地面PM2.5浓度研究进展[J].环［10］46环 境 科 学 研 究第 35 卷。
基于光能利用率模型的玉米遥感估产研究
的累计值以及玉米的收获指数来获得最终的玉米产量值，利用验证点实测产量值与估算值的相关性和相对误差进行精度验 证，相关系数 R2 为 0.649 9，平均相对误差值为 1.676%，证明基于光能利用率模型的玉米估产在研究区具有一定的可行性。
关键词：MODIS 数据；光能利用率模型；玉米估产 ；遥感
中图分类号：P237
太阳总辐射 SQL(x,t)
光合有效辐射吸收 比例 FPAR(x,t)
土壤表面水分指数 LSWI
平均气温 T(x,t)、 最适温度 Topt(x)
水分胁迫因子 Wε(x,t)
农作物叶片的物 候期参数 Pε(x,t)
温度胁迫因子 Tε1(x,t) 和 Tε2(x,t)
最大光能利 用率 εmax
光合有效辐射 APAR(x,t)
·72·
地理空间信息
第 17 卷第 4 期
2016-06-01、拔节期 2016-07-03、抽雄期 2016-07-27、 乳熟期 2016-08-20 和收获期 2016-09-13。其中用反射 率数据获得地表水分指数（LSWI）；气象数据来源于
中国气象数据网，包括月平均温度、太阳总辐射数据； 其他空间数据包括德惠市行政区划矢量图等。光能利 用率模型数据分析流程如图 1 所示。
44°32′～45°51′N，125°14′～126°28′E 之间的区域， 市境总面积约为 3 435 km2。德惠市属于北温带大陆性季 风半湿润气候，四季分明，年平均气温为 4.4℃；年均 日照时数为 2 695.2 h；年降水量为 520 mm。中国七大 河松花江流经本市，地势由西南向东北倾斜，主要农作 物有水稻、玉米等。 1.2 数据来源
实际光能利用率 ε(x,t)
净初级生产力 NPP(x,t)
基于MODIS数据的秸秆焚烧遥感监测研究
安徽农学通报2023年15期资源·环境·植保基于MODIS数据的秸秆焚烧遥感监测研究——以安徽省为例朱孟磊杨培松（宿州市自然资源勘测规划设计院，安徽宿州234000）摘要每年9月中旬至10月下旬是安徽农作物收获的时段，秸秆焚烧现象较为普遍。
监测人员现场调查可获取秸秆焚烧地点和焚烧程度，但监测规模和力度有限，无法大范围获取焚烧现场状况，从而无法进行有效的治理。
卫星遥感技术能够迅速获取大范围的秸秆焚烧火点位置，可对近期秸秆焚烧火点增加情况进行了解，具体分布情况进行分析比对。
本文基于MODIS提供的热异常数据以及MCD12Q1土地覆盖数据，通过MRT、ENVI遥感图像处理软件首先对原始数据进行格式转换和投影转换的操作，使其具备投影信息，并将热异常数据和土地覆盖数据转换为同一投影同一基准面下，然后再提取火点和农用地信息，并将两者信息求交集得出最终结果。
从而动态监测秸秆焚烧火点的位置信息，便于实施合理高效的禁烧政策。
关键词MODIS；秸秆焚烧；遥感监测；安徽省中图分类号F321.1文献标识码A文章编号1007-7731（2023）15-0093-06秸秆是指水稻、玉米等农作物收获果实后留下来的难以被合理利用的部分[1]。
我国每年产生的秸秆量较大，秸秆资源位于全世界第一位，占比高达30%[2]。
鉴于此，本文基于MODIS数据对安徽省秸秆焚烧动态变化进行了遥感监测研究，以期为秸秆监测提供参考。
1秸秆焚烧监测研究现状我国遥感卫星经过几十年的发展，已被广泛应用于资源环境、水文、气象、地质、测绘等领域。
现阶段，国内外秸秆焚烧监测研究基本以MODIS数据为数据源，具有众多光谱波段的特性决定了MODIS在理论上为提取火点提供了可能。
国内还常用环境小卫星红外相机拍摄的影像作为火点识别的数据来源[3]。
王子峰等[4]利用EOS/Terra卫星的MODIS数据并结合IGBP地表分类数据，再依据火点像元的各种辐射统计特性，将火点分为秸秆焚烧、林火、草原火3种类型，提高了火点的判别率；段卫虎等[5]、胡梅等[6]利用MODIS数据分别对森林火点、秸秆焚烧火点进行判别监测，证实了MODIS数据用于火点监测的可能性，并表明利用阈值监测的火点精度与地区背景值具有一定的关系。
MODIS卫星NDVI时间序列变化在冬小麦面积估算中的应用分析
关键 词 ： Ｏ ／ Ｄ Ｓ 冬 小 麦 ； Ｅ Ｓ ＭＯ Ｉ ； 归一 化植 被 指 数 ； 地覆 盖 ； 植 面 积 土 种
中 图分 类 号 ： １７ Ｓ２ 文 献 标 识码 ： Ａ 文章 编 号 ：６ ３— １８ ２ １ ） ３— ０ ６— ４ １７ ７４ （０ １０ ０ ４ ０
李红梅 ，张树誉 ， 王 钊
（ 陕西 省农 业 遥 感 信息 中心 ， 安 ７０ １ ） 西 １０４
摘 要 ：以陕 西 小 麦主 产 区关 中地 区为 研 究地 点 ， Ｏ ／ Ｄ Ｓ卫 星数 据 为 主 要 数 据 源 ， 助 冬 小 麦 地 面定 位 调 Ｅ Ｓ ＭＯ １ 借 查 数据 和 土 地覆 盖类 型 图作 为辅 助 信 息 ， 算得 到 不 同覆 盖 类 型 的植 被 指 数 时 序 曲线 图 ， 出冬 小 麦 发 育 期 植 被 指 计 找 数 变化 规 律 ， 除 小 麦 生长 季 节 的 非麦 区信 息 ， 几个 关 键 期 的植 被 指 数 变化 差 值 图设 定 不 同 闯值 ， 用 ＧＳ空 间分 剔 用 利 Ｉ 析 功 能得 到 麦 区分 布 图和 麦 区 面积 。 结果 表 明 ， 用 遥 感估 算麦 区面 积 与 实 际 调查 统 计 结果 较 为 一 致 。从 实 际 应用 应 来 看 ， 方法 为 大 区域作 物面 积 估 算提 供 了一种 更 为快 捷 、 济 的途 径 ， 进 一 步说 明 ＭＯ Ｉ 据 在 农 业领 域 中的 应 该 经 也 Ｄ Ｓ数
面 积和作 物估 产方 面 也 已经 取 得 了 可喜 的进 步 ， 收
收 稿 日期 ：０ １— ６— ７ 修 订 日期 ：０ １ ７—１ ２１ ０ １ ； ２ １ —０ ９
的光谱 分辨 率 ， 到 了 ３ 达 ６个 波段 和更 高 的时间 分辨 率 ， 以提供 不 同时 相 的遥 感 影 像 和 植 被指 数 时 间 可 序列 变化数 据 ， 于 植 被 与农 作 物 的 区分 及遥 感 判 利
基于MODIS数据的植被指数与植被覆盖度关系研究
基于MODIS数据的植被指数与植被覆盖度关系研究在植被遥感监测领域，植被指数被普遍运用于植物生长状况及植被覆盖的研究，其与植被覆盖度有着密切的联系。
文章选取攀枝花地区MODIS遥感影像作为信息源，对归一化植被指数、比值植被指数与植被覆盖度间的关系进行研究。
结果表明：基于MODIS数据提取的植被指数与植被覆盖度之间存在较强的相关性，且相关系数大小与植被指数类型和选取的拟合函数类型有关。
各植被指数同植被覆盖度间相关性最高的是归一化植被指数，选用相同植被指数情况下，指数曲线拟合的相关系数最大。
标签：MODIS图像；植被指数；植被覆盖度；植被指数与植被覆盖度相关系数植被覆盖度是一个重要的生态气候参数，能为环境和气候变化研究提供重要的基础数据，对它的研究具有十分重要的意义[1]。
利用遥感图像提取植被指数进而估算出植被覆盖度信息是较为简便有效的做法。
目前大多数学者都致力于研究植被指数的提取方法以及植被覆盖度的提取算法，少数研究者对植被覆盖度与植被指数的相关性进行研究[2]。
文章选取MODIS图像作为研究数据，采用不同的植被指数，结合不同的曲线模型对植被覆盖度与植被指数的相关性进行探讨，从而为植被覆盖度的估算选择最佳植被指数，也为准确估算植被覆盖度供理论依据。
1 研究区概况研究区位于四川省西南部，行政区划隶属于攀枝花市，范围为102°20′E-102°45′E、26°30′N-26°45′N。
研究区位于金沙江和雅砻江的交汇地带，属南亚热带亚湿润气候类型，降雨量少，生物种类繁多。
区域内植被主要以热带及亚热带落叶大乔木，常绿针叶林为主。
2 数据源简介本次研究使用的数据是由美国国家宇航局（NASA）EOS数据中心提供的MODIS数据，数据获取时间为2005年7月23日。
该数据是由搭载于EOS/Terra 卫星上的中分辨率成像光谱仪（MODIS）获取的，其分辨率为250m。
包括Blue、Red、NIR、MIR四个波段和经过后期处理的分辨率为250m的归一化植被指数数据、增强型植被指数。
基于MODIS NDVI的春小麦苗期长势监测——以呼伦贝尔市大兴安岭西麓为例
基于MODIS NDVI的春小麦苗期长势监测——以呼伦贝尔市大兴安岭西麓为例乌兰吐雅;乌兰;姜英君;朝力格尔;冯晓琴;姚晓燕;闫文彬【摘要】以大兴安岭西麓的拉布达林农场、谢尔塔拉农场、莫拐农场以及呼伦贝尔市华和有限责任公司的农场为研究区域,利用Landsat8OLI影像和时间序列MODIS NDVI数据,结合GPS野外定位技术,对各大农场2015的春小麦进行了苗期长势监测初探.结果表明:研究区南部的春小麦长势最好,其次为中部的谢尔塔拉农场及东部的莫拐农场,最差为北部拉布达林农场.从总体来看,MODIS NDVI数据能很好地反映大兴安岭西麓春小麦长势状况,为该区域田间管理和早期估产提供及时信息和理论依据.【期刊名称】《安徽农业科学》【年(卷),期】2015(000)031【总页数】3页(P356-358)【关键词】大兴安岭西麓;春小麦;苗期长势;遥感监测【作者】乌兰吐雅;乌兰;姜英君;朝力格尔;冯晓琴;姚晓燕;闫文彬【作者单位】内蒙古自治区农牧业科学院,内蒙古呼和浩特010031;内蒙古自治区农牧业科学院,内蒙古呼和浩特010031;海拉尔农牧场管理局,内蒙古海拉尔021008;呼和浩特市林业调查规划设计所,内蒙古呼和浩特010010;内蒙古莫拐农场,内蒙古呼伦贝尔022150;内蒙古拉布达林农场,内蒙古拉布达林022250;内蒙古海拉尔农牧场四队,内蒙古谢尔塔拉021012【正文语种】中文【中图分类】S126长势，即作物长势的状况与趋势，长势监测可以为田间管理、早期产量估算提供依据[1]。
作物长势监测是农情遥感监测与估产的核心部分，其本质是在作物生长早期阶段就能反应出作物产量的丰欠趋势，通过实时动态监测预测实际的作物产量[2]。
现有的长势监测遥感指标有叶面积指数(LAI)和植被指数。
其中归一化植被指数(NDVI)是过去30年来使用最为广泛的植被指数，也是用于LAI估算的常用指标[3]。
NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件相关的辐照度的变化的影响，增强了对植被的响应能力，是植被生长状态及植被覆盖度的最佳因子，典型的地面覆盖类型在大尺度NDVI，图像上区分明显，植被得到有效的突出，特别适合用于全球或各大陆等大尺度的植被动态监测[4]。
基于MODIS数据的一种土壤水分遥感监测方法研究
壤水分 的关系 ， 并建立了模型旧 本文根据 Ｍ ＤＳ 。 Ｏ Ｉ
数 据特 点 ， 研究 了 ６７３ 波 段 与土壤 水分 之 间的 、 、１
卫星遥感数据被应用于土壤水分监测 ，实现了土 壤水分 监测 由点 到 面的空 间转 变 。气 象卫 星 以其 可大面积、 多时相获取地面信息的优势 ， 成为土壤 水 分 遥 感 监 测 的 主 要 数 据 源 ，其 中 以
有 学 者 研 究 了 ＭＯ Ｉ 红外 波段 （ 段 ） 土 ＤＳ中 ７波 与
土 壤水 分监测 一直 是农 业 生产服 务 的重要 项 目。 统 的土壤水 分监 测方 法 ， 传 主要 是通 过定位 采 样 来测 定 土壤含水 量 ，测定 方 法有烘 干 法 、 中子 法 、Ｄ Ｔ Ｒ法 等【 １ 。随着 遥 感 和计 算 机 技术 的发 展 ，
成熟的方法有植被供水指数法 、 距平植被指数法、
ｄｏ ｅｅ）是 地 球 观测 系 统 Ｅ Ｓ计 划 中重要 的卫 ｉｍ ｔ ｒ Ｏ
瓣 督 罾
《
０ Ａ
Ｑ８
ｌ ２
１６
２０ ．
２４ ．
波长／ｕ ｍ
图 １水的光谱 吸收曲线
《 林 气 象）０ ０年 第 ２期 吉 ２１
图 ２ ＭＯ Ｉ 通道反射率（ 一７通道反射率 （ 图 Ｄ Ｓ６ Ｙ） ｘ）
如热惯量法需要卫星两次过境的数据来计算地面 最高和最低温度。 有学者采用微波数据 ， 利用散射
系 数法 估算 了土壤水 分 但 是该 方法 受 地表粗糙 ， 度 、 被覆 盖度 以及数 据成本 高 的 限制 ， 用于 大 植 应 范 围监 测不 大现 实 。Ｅ ＳＭＯ Ｉ ０ ／ ＤＳ数据作 为新 的卫 星 遥感 数据 源 ， 速 被应用 于土 壤水分 的监测 。 迅 学 者们 根 据 ＭＯ Ｉ 据 的 自身 特 点 ， 其与 土壤 水 ＤＳ数 对
冬小麦种植面积遥感提取方法研究
冬小麦种植面积遥感提取方法研究权文婷;王钊【摘要】提取冬小麦种植面积是开展冬小麦长势监测和估产工作的重要环节,如何提高其提取精度是国内外研究的热点.针对不同空间分辨率的遥感图像,采取不同的遥感解译模型,得到更高的信息提取精度,是利用遥感方法提取冬小麦种植面积的关键.在对国内、外调研的基础上,将冬小麦种植面积遥感提取研究方法归纳为目视解译与计算机自动分类、面向像元分类、基于地块分类、遥感解译模型分类和基于纹理特征分类等5类.综述评价了主要的冬小麦种植面积遥感提取研究方法,讨论了目前冬小麦种植面积遥感提取存在的问题及未来发展方向.关注地形复杂、耕地破碎度较高及种植结构复杂地区的冬小麦种植面积提取,遥感数据、GIS和气象数据等相结合、多源多时相遥感数据相结合、地面光谱测量数据与高光谱图像数据相结合,以及验证数据的改变等,是提高冬小麦种植面积遥感提取精度的研究方向.【期刊名称】《国土资源遥感》【年(卷),期】2013(025)004【总页数】8页(P8-15)【关键词】遥感;冬小麦种植面积;信息提取;综述【作者】权文婷;王钊【作者单位】陕西省农业遥感信息中心,西安710014;陕西省农业遥感信息中心,西安710014【正文语种】中文【中图分类】TP790 引言冬小麦是世界主要粮食作物之一。
区域冬小麦种植面积是影响冬小麦总产量的主要因子。
近年来，随着气候变暖、耕地占用和种植结构调整等自然条件和人文影响，冬小麦种植范围出现了变化。
及时了解冬小麦种植面积，对开展冬小麦长势监测和估产、区域粮食安全评估等工作具有重要的社会意义。
同时，农业管理部门及时掌握冬小麦种植分布情况，也有助于提高生产管理效率。
遥感技术具有探测面积大、数据更新周期短、真实客观等特点，是快速、准确提取冬小麦种植面积的有效手段之一[1]，长期以来也是众多学者研究的热点[2－4]。
近年来，随着空间技术的日益发展，高空间分辨率、高光谱分辨率、高时间分辨率以及微波等探测技术不断应用到农业遥感领域;而新的解译模型的开发，将会进一步提高冬小麦种植面积遥感提取的精度。
简述使用modis数据估算地表温度的计算方法
简述使用modis数据估算地表温度的计算方法使用MODIS（Moderate Resolution Imaging Spectroradiometer）数据估算地表温度是一种常用的遥感方法。
MODIS是由NASA和美国国家环境卫星数据中心（National Centers for Environmental Information）合作开发的传感器，可以提供高质量的地球表面观测数据。
估算地表温度的计算方法主要基于MODIS数据的辐射测量。
MODIS传感器可以获取地表的辐射能量，包括可见光和红外辐射。
由于地表温度可以通过红外辐射测量，因此可以利用MODIS数据来估算地表温度。
首先，需要使用MODIS数据中的辐射测量来计算地表辐射温度。
MODIS 传感器测量的辐射能量与地表温度之间存在着复杂的关系，需要使用一定的算法进行转换。
常用的算法是基于热辐射平衡原理的辐射温度计算方法，该方法基于植被覆盖和地表反射率等参数来估算地表辐射温度。
然后，通过使用地表反射率和大气校正方法，可以将地表辐射温度转换为地表亮温。
地表反射率可以通过MODIS数据中的可见光波段测量来获取。
大气校正方法则可以去除大气影响，减少大气折射对地表温度估算的误差。
最后，通过使用辐射传输模型和地表辐射能量平衡原理，可以将地表亮温转换为地表温度。
辐射传输模型可以考虑地表特性和大气参数等因素，从而提高地表温度的估算精度。
需要注意的是，使用MODIS数据估算地表温度时，还需要考虑地表类型、季节变化和地表特征等因素的影响。
此外，不同的算法和参数选择也会对结果产生影响，因此需要在实际应用中进行合理选择和验证。
总之，使用MODIS数据估算地表温度是一种重要的遥感方法，可以为地表温度监测和气候研究提供有价值的数据。
通过适当的算法和校正方法，可以准确估算地表温度，并提高对地球表面温度变化的理解。
多参数冬小麦估产模型研究及产量影响因素分析
中图分类号：TP79
文献标志码：A
论文编号：casb15050t Yield Estimation Model with Multi-parameters Based on Remote Sensing and Analysis of Yield Influencing Factors Zhao Yaguang1, Zhang Can1, Hou Fan1, Zhang Xiwang1,2
参数的模型拟合效果最好 ，R2 为 0.818，估产精度达 95% ，而且引入温差主成分的模型精度高于仅用
NDVI、LAI 作参数的模型，另外深入分析各参数对产量估测的影响可知 4 月中旬和 5 月中旬的地表昼夜
温差对冬小麦的后期产量具有较大影响。
关键词：遥感估产；多参数；温差；主成分分析；回归模型
遥感具有覆盖面积大、重访周期短、信息量丰富、 现势性强 、消耗费用低 、受地面条件限制少等优点 ，能 够快速灵活准确地对冬小麦进行估产。中国从 20 世
纪 70 年代末就开始冬小麦长势监测和遥感估产研究， 直至近年来在小麦估产方面已取得了大量的研究成 果。江东提出基于人工神经网络的农作物遥感估产模 型 ；庄东英等[11]利用冬小麦拔节期遥感影像反演的 LAI 及时修订生物量模型参数，以对每日的冬小麦净 光合量进行积分从而对冬小麦生物量进行预测 ；朱再 春等[4]基于信息扩散方法和关键期的遥感数据建立了 冬小麦估产模型 ，较好地模拟了冬小麦遥感估产中归 一化植被指数和产量之间的非线性关系。
中国农学通报 2015,31(29):241-247 Chinese Agricultural Science Bulletin
多参数冬小麦估产模型研究及产量影响因素分析
赵亚光 1，张 粲 1，候 璠 1，张喜旺 1,2
基于MODIS数据的近地表气温估算
第 １期
气 象 与 环 境 科 学
Ｍｅ ｔ ｅ ｏ ｒ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ ａ ｎｄ Ｅｎ ｖ ｉ ｒ ｏ ｎｍｅ ｎ ｔ ａ ｌ Ｓｃ ｉ ｅ ｎ ｃ ｅ ｓ
Ｖｏ １ ． ３ ８ ＮＯ ．１
２ ０ １ ５年 ２月
Ｆ ｅｂ ． ２ ０ｌ ５
基 于 ＭＯ Ｄ Ｉ Ｓ数 据 的 近 地 表 气 温 估 算
表 气 温估 算 方 法 ， 以 浙 江 省 为 研 究 区域 ， 利用３ ３个 站 点 ２ ０ １ １ 年 逐 日每 １ ０ ｍｉ ｎ一 次 的 自动 气 象 站 气 温 观 测 数 据 和
ＭＯ Ｄ Ｉ Ｓ地 表 温 度 产 品及 参 数 因子 ， 建 立 了 ＭＯ Ｄ Ｉ Ｓ地 表 温 度 和 地 面观 测 的 气 温 的 线 性 关 系 ， 同 时 通 过 考 虑 归 一 化 植 被指数 、 水汽压 、 地 表反照率 、 高程 ４个 影响 因子 ， 得 出 了 卫 星过 境 时 刻 ＭＯ Ｄ Ｉ Ｓ地 表 温 度 和 气 温 的 多 因 子 估 算 模 型 ； 利用 Ｚ ａ ｋ ￣ ｅ ｋ等 提 出 的 基于 能量 平 衡 的遥 感 模 型 进 行 了气 温 估 算 ， 并 采用 多元回 归分析法 对该模 型重 新进 行 了拟 合， 得 到 近 地 表 气温 。结 果 表 明 ： 三 种 方 法 的决 定 系 数 分别 为 ０ ． ８ ７ 、 ０ ． ９ ４ 、 ０ ． ９ ０， 均方根 误差 Ｒ ＭＳ Ｅ分 别 为 ３ ． ３ ５
由于受 到 纬度 、 海拔 、 植 被 及 土 壤 湿 度 等 时 空 多 变 要素 的影 响 ， 气 温 的 时 空 分 布 模 式 很 复 杂 。 多 年
方法（ Ｔ ｅ ｍｐ ｅ ｒ ａ ｔ ｕ ｒ ｅ — Ｖｅ ｇ ｅ ｔ ａ ｔ ｉ ｏ ｎ Ｉ ｎ ｄ ｅ ｘ， Ｔ ＶＸ）被 用 于 获
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。
基于GIS技术的耕地质量评价——以H27V05区域MODSI数据为例
村乡科技XIANGCUN KEJI112XIANGCUN KEJI 2021年10月（下）基于GIS 技术的耕地质量评价——以H27V05区域MODSI 数据为例王清华（南京农业大学，江苏南京210095）［摘要］运用ArcGIS 等软件，以轨道号H27V05的耕地范围为研究区域，利用MOD09A1遥感影像数据与DEM 数据，提取出研究区域内的耕地坡度、土壤水分指数、土壤退化程度、归一化植被指数、增强植被指数等5个耕地质量评价指标。
之后运用ArcGIS 中的主成分分析法进行耕地质量评价，以期为贯彻落实耕地保护战略、促进耕地资源的高效利用提供有益的参考。
［关键词］耕地质量评价；MODIS ；遥感影像；GIS ；主成分分析［中图分类号］F301.2［文献标识码］A［文章编号］1674-7909（2021）30-112-3“民以食为天，食以农为源，农以地为本。
”作为人类生存及社会发展的基本资源，耕地可以为人们提供食物、纤维、生物燃料等，但是在经济快速发展的背景下，中国耕地保护面临着愈加严峻的局面。
一是改革开放以来，耕地流失速度越来越快。
二是中国耕地总体质量偏低，且改善效果不够明显。
全国耕地质量等别评价成果显示，2008年全国耕地平均质量等别为9.80等，到了2015年则下降到9.96等（全国耕地评定为15个等别，1等耕地质量最好，15等最差）。
三是我国耕地退化现象严重，土地污染、土地沙化与水土流失等直接威胁到生态安全［1-2］。
可见，中国长期坚持的耕地保护形势依然十分严峻。
在此背景下，开展耕地质量评价有利于掌握我国耕地质量状况，对我国农业监测、产量估算和粮食安全评估等具有重大的战略意义。
1文献综述通过对国内外学者的研究分析发现，有多种耕地质量评价方法与评价手段。
传统的耕地质量评价主要是通过人工选择足量的采样点，然后对采样点的相关数据进行整理分析，将采样点的集合视为一个平面，从而获取某一区域的耕地质量。
基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取
白静远，宁纪锋，郭 交，等．基于改进ＵＰｅｒＮｅｔ和国产高分遥感数据的冬小麦种植区提取［Ｊ］．江苏农业科学，２０２３，５１（１３）：２０３－２１２．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１３．０３１基于改进ＵＰｅｒＮｅｔ和国产高分遥感数据的冬小麦种植区提取白静远１，宁纪锋１，２，郭 交２，杨蜀秦２，张智韬３（１．西北农林科技大学信息工程学院，陕西杨凌７１２１００；２．陕西省农业信息感知与智能服务重点实验室，陕西杨凌７１２１００；３．西北农林科技大学水利与建筑工程学院，陕西杨凌７１２１００） 摘要：遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。
基于２０２０年５月４日的高分２号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进ＵＰｅｒＮｅｔ模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。
选取杨凌示范区２块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。
研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。
在融合光谱特征和植被指数的数据集上，改进的ＵＰｅｒＮｅｔ模型分类精度最高，冬小麦提取精度为９７．７８％，总体分类精度相比于改进前的ＵＰｅｒＮｅｔ提升了２．４９％，对比ＤｅｅｐＬａｂＶ３＋提升了３．４８％。
基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。
改进后的ＵＰｅｒＮｅｔ模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。
关键词：冬小麦；种植区提取；语义分割；高分卫星；ＵＰｅｒＮｅｔ 中图分类号：Ｓ１２７ 文献标志码：Ａ 文章编号：１００２－１３０２（２０２３）１３－０２０３－０９收稿日期：２０２２－１０－０４基金项目：陕西省自然科学基础研究计划（编号：２０２２ＪＭ－１２８）。
- 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)。
山东农业科学 2009,2:5~7,11Shandong Agricu ltural Sc iences基于MOD IS数据的山东省小麦株高遥感估算研究隋学艳1,朱振林1,朱传宝2,杨丽萍1,姚慧敏1,郭洪海1*(1 山东省农业可持续发展研究所,山东济南 250100;2 聊城市农技推广站,山东聊城 252000)摘 要:以山东省拔节初期至抽穗末期小麦为研究对象,利用高光谱分析技术及Ex ce l、DPS统计分析软件分析了32组光谱数据与小麦株高的相关性,以期探索利用M OD IS数据估算小麦株高的方法。
结果表明,光谱反射率与株高在红光b1、短近红外b2、蓝光b3、绿光b4及长近红外b7共5个波段的相关性达到了极显著水平,其中,可见光b1、b3、b4及长近红外b7与株高负相关,短近红外b2与株高正相关,用红光b1、短近红外b2建立的b2/b1、b2-b1、(b2-b1)/(b2+b1)3个植被指数,与小麦株高均呈极显著正相关关系,长近红外b7反射率与小麦株高相关度最高,相关系数为-0 871。
分别用反射率、植被指数建立8个估算模型,相对误差最高仅为13 7%,模型的准确度较高,因此可以利用MO D IS数据进行小麦株高估算。
关键词:M OD IS;小麦;株高;估算中图分类号:S512;TP772 文献标识号:A 文章编号:1001-4942(2009)02-0005-04St udy on Esti m ati ngW heat Plant Height w it hMODI S Re m ote Se nsi ng Dat a i n Shandong Provi nceS U I Xue-yan1,Z HU Zhen-lin1,Z HU Chuan-bao2,YANG Li-ping1,YAO H ui-m in1,GUO H ong-hai1*(1 Shandong Instit u te of A gricult ure Sust a i nab le D evel opm ent,J inan250100,China;2 L i aocheng Agro-techn ical Ex tension and Service Cen ter,L iao c heng252000,China)Abst ract I n or der to study the m et h od for esti m ati n g wheat plant heigh t usi n gMOD I S data se,t w it h the w heat fro m earl y-j o inti n g stage to last-heading stage i n Shandong Prov ince asm ateri a ls,the correlation be t w een spectrum data and wheat plant he i g ht were analyzed by hyper spectr um analysis m e t h od and Excel and DPS statistica l so ft w are The results show ed t h at the correlation bet w een spectra l refl e ctance and plant heigh t reached si g nificantl y level i n red band b1,short i n frared band b2,b l u e band b3,green band b4and long in frared band b7,wh ich w as negative i n v isible light bands and long i n frared band but positi v e i n sho rt i n frared band Three vegetation i n d ices w ere setw it h red band b1and short i n frared band b2,wh ich w ere b2/b1,b2 -b1and(b2-b1)/(b2+b1) The three indices sho w ed si g nificantl y positive corre lation w ith w heat plan t he i g ht Am ong these spectrum characters,long i n frared band b7had the highest correlation w ith p lant heigh,t w hose corre lati o n coeffi c ientw as-0 871 E igh t esti m ating m odels w ith higher accuracy w ere setw ith reflec tance and vegetation i n d ices,and the h i g hest RMSE w as13 7% So w heat plant cou l d be esti m ated by MO DIS data setK ey w ords MOD I S;W hea;t P l a nt heigh;t Esti m ate株高是小麦的主要农艺性状之一,是重要的高产因素[1~4]。
植株过高的小麦在高肥水条件下收稿日期:2008-11-10基金项目:山东省农业科学院2006YCX033、2006YQN047、2007YCX026项目支持。
作者简介:隋学艳(1980-),女,汉族,山东蓬莱人,助理研究员,硕士研究生,研究方向为农业遥感。
*通讯作者,郭洪海,男,山东菏泽人,研究员,研究方向为农业信息化。
E-m ai:l hongh a@i sohu co m容易发生倒伏,产量下降[5];植株过矮,易使冠层叶片拥挤,中下部通风透光条件差,影响籽粒灌浆,降低产量[6]。
及时掌握小麦株高情况,可以了解长势,提早估算产量。
大面积株高数据的获取,依靠传统的地面调查,实施起来非常困难,工作量很大,而遥感观测则可以为此提供最佳的信息获取方式。
应用遥感技术,尤其是高光谱遥感技术,进行作物种植面积提取、营养元素估算、叶面积指数提取、产量估算等已有大量研究[7~9],但对小麦株高的遥感估算未见报道。
中空间分辨率、高光谱分辨率的MOD I S 是Terra 和Aqua 卫星上搭载的主要传感器之一,两颗星相互配合每1~2天可重复观测整个地球表面[10],利用MOD I S影像数据可以实现小麦长势的动态监测。
本研究通过分析山东省小麦拔节初期至抽穗末期小麦株高与MOD I S 1~7波段光谱反射率及植被指数的关系,提取估算小麦株高的光谱参数,建立小麦株高估算模型,旨在为山东省小麦农情监测、估产奠定基础。
1 材料与方法根据山东省历年小麦种植情况,选择小麦主产区鲁西北(滨州、德州、聊城)、鲁西南(菏泽、济宁、临沂)、鲁中(泰安)地区的大面积小麦地块共43个作为试验点。
视天气情况,分别于2007年4月6日、4月13日、4月25日、5月10进行地面定点测试。
每测试点采用对角线布点方法,随机量取60株小麦的株高,求平均值代表测试点株高。
用ENV I 软件对4个时期的MODIS 数据进行几何纠正、辐射纠正,研究地点数据截取,去除有云区数据,最终获得63组有效数据。
提取1~7波段的光谱反射率,用红光波段b1、短近红外波段b2的反射率构造比值植被指数b2/b1、差值植被指数b2-b1、归一化差值植被指数(b2-b1)/(b2+b1)。
利用Ex cel 、DPS 统计软件进行数据分析,建立统计模型。
2 结果与分析2 1 光谱参数与小麦株高相关分析将7个波段的光谱反射率及3个植被指数与32个株高数据进行相关分析,结果如图1。
b1~b7波段反射率除b5、b6外均与株高呈极显著相关关系,b1、b3、b4分别是红光、蓝光、绿光波段,植株吸收红光、蓝光进行光合作用[11],在小麦的生育前期随着株高的增加、叶片的增多,植株进行光合作用能力逐渐提高,红光、蓝光的吸收程度越高,反射率越低。
植被对绿光以吸收为主,并存在较弱的反射[11],总体呈负相关关系,但相关度低于红光和蓝光区。
b7是长近红外波段,属于蛋白质、淀粉、纤维素的特征吸收波段[12],随着株高的增加,小麦植株内的蛋白质、淀粉、纤维素含量逐渐提高,对此波段的光吸收加强,反射率降低,因此呈高度的负相关关系。
近红外波段b2及其与红光波段b1组合构建的3个植被指数均突出了绿色植被出于自身保护对近红外光高度反射的特性[11],植株越高对近红外光的反射率越高,因此b2及3个植被指数与株高均呈正相关关系,且均达到了极显著水平。
图1 光谱参数与株高的相关度(n=32)6山东农业科学 2009年2 2 株高光谱估算模型的建立分别对与株高达到极显著相关关系的8个光谱参数依次建立线性、对数、多项式、乘幂、指数5种回归模型,筛选拟合优度R2最大的模型,最优结果见表1。
可见,参数b1、b3、b4的最优模型为多项式,参数b2、b2-b1、(b2-b1)/(b2+b1)的最优模型为线性,参数b7的最优模型为乘幂,参数b2/b1的最优模型为对数。
表1 小麦株高估算模型建立参 数估算模型拟合优度b1Y=-444 69X2-614 5X+129 180 743**b2Y=293 45X-34 6820 479**b3Y=-2122 6X2-1143 7X+127 660 742**b4Y=-16318X2+2014 7X+9 3070 625**b7Y=201 9e-8 0738X0 773**b2-b1Y=232 08X+9 04870 624**b2/b1Y=44 604LnX+8 0980 687** (b2-b1)/(b2+b1)Y=128 68X-5 2210 694** **0 01极显著水平(n=32)2 3 模型检验用独立于建模样本的31个样本对模型进行检验,结果如表2。
可见,以8个光谱参数建立的8个统计模型所得的估算值与真实值之间的相关系数均达到极显著水平。
相对误差、均方根差都较小,准确度均在86%以上,以b7为参数的乘幂模型准确度最高,为90 6%。
表2 模型检验参 数相关系数R相对误差RE(%)均方根差R M SEb10 774**11 513 963b20 720**11 413 904b30 776**11 513 882b40 710**13 714 504b70 781**9 415 340b2-b10 766**10 313 517b2/b10 769**10 314 051 (b2-b1)/(b2+b1)0 765**9 813 975 **0 01极显著水平(n=31)3 结论与讨论本试验通过对山东省小麦株高与MOD I S光谱数据的相关分析,筛选了5个波段的光谱反射率、3个植被指数,建立了8个统计模型,检验结果表明,由8个统计模型所得的估算值与真实值之间的相关系数均达到极显著水平。