农作物长势遥感监测新方法

2.00
3.00
4.00
RVI
5.00
6.00
SAVI-LAI回归分析
5
线性 4
对数
3
多项式
2
1
0 0.10
0.20
0.30
0.40
0.50
SAVI
EVI-LAI回归分析
5
4
线性
对数
3
多项式
2
1
0
0.00
0.10
0.20
0.30
0.40
EVI
植 被 指 回归模型
R
数
NDVI
Y=8.267X-1.974
0.9186
Y=3.691Ln(X)+4.933
0.8916
Y=5.079X2+3.168X-0.795 0.9215
RVI
Y=0.834X-0.571
0.9144
Y=2.967Ln(X)-1.201
0.9247
Y=-0.075X2+1.419X-1.598 0.9198
SAVI
Y=10.95x-1.437
法
四、已经开展的一些研究工作
地面观测
四、已经开展的一些研究工作
LAI LAI LAI LAI
生理参数遥感监测-叶面积指数
NDVI-LAI回归分析
5
线性
4
对数
3
多项式
2
1
0
0.20
0.30
0.40
0.50
0.60
0.70
0.80
NDVI
RVI-LAI回归分析
5
线性 4
对数
3
多项式
2
1
0 1.00
内容
长势监测的意义及重要性 国内外发展综述--提出问题 新方法的提出--解决问题 已经开展的一些研究工作 作物长势遥感监测展望
一、长势监测的意义及重要性
意义:
精确、及时的作物长势监测可以为生产形势预测 提供科学依据，在农作物生长期内尽早掌握作物 生长形势有的时候要比精确估计作物种植面积和 总产量本身还重要
-0.4
-0.6
含水量 叶绿素 全糖 类胡萝卜素 淀粉 木质素 粗纤维 全氮 全磷 全钾
四、已经开展的一些研究工作
生化参数遥感监测
1.0 0.8 0.6 0.4 0.2 0.0
导数-350 -0.2 -0.4 -0.6 -0.8 -1.0
导数-550
0.800 0.600 0.400 0.200
生理 参数:
LAI
群体 特征
个体 特征
生化 参数: 氮素 浓度
长势监测 方法
冬小麦物候
Leabharlann Baidu
三、新方法的提出--解决问题
五个关键环节：
作物生理参数（叶面积指数）遥感监测方法 作物生化参数（氮素浓度）遥感监测方法 作物物候遥感精准监测方法 作物生理、生化参数的物候归一化处理技术 群体特征与个体特征相耦合的冬小麦长势监测方
0
0.4429
0
0.4385
0
0.4488
0
0.4353
结论：
（1）所有的模型的回归显著性 概率值均小于0.01，置信度达到 99.9%以上，四种植被指数均包含 了可用于估测LAI的显著信息。
（2）RVI对数模型的相关系数 （0.9247）最高,而RMSE （0.4083）最低，拟合结果最好。
相对误差:(观测值-预测值)/观测值
大尺度：
大尺度的农作物长势监测可以为农业政策的制订和粮 食贸易提供决策依据
小尺度：
田块尺度的作物长势可以为提高农业生产管理水平及 实现我国数字化农业战略具有重大意义
二、国内外发展综述--提出问题
目前的长势监测方法:
直接监测法 同期对比法 作物生长过程监测法 作物生长模型法 诊断模型法
0.9106
Y=3.481Ln(X)+6.223
0.9017
Y=-1.698X2+12.13X-1.627 0.9105
EVI
Y=15.80x-0.677
0.9126
Y=2.798Ln(X)+7.718
0.9077
Y=-13.13X2+21.05X-1.148 0.9138
R2
0.8439 0.7950 0.8500 0.8362 0.8550 0.8460 0.8293 0.8130 0.8290 0.8328 0.8240 0.8350
F
151.34 108.59 158.67 142.93 165.10 153.82 136.00 121.73 135.74 139.47 131.09 141.70
显 著 性 RMSE 概率
0
0.4237
0
0.4853
0
0.4142
0
0.4340
0
0.4083
0
0.4205
0
0.4431
0
0.4632
四、已经开展的一些研究工作
生理参数遥感监测-叶面积指数
0.4
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
通过对26组数据的比较： 最大的相对误差为37%，最小的为3% 相对误差大于30%的仅有3组 平均相对误差为19% 模型达到了较高的精度。
F13 F14
F15 F21
F22 F23
F24 F25
F31 F32
0.8
F33 F34
F35 F41
0.6
F42 F43
F44 F45
0.4
F51 F52
0.2
F53 F54
反射率-850 反射率-1350 反射率-1850 反射率-2350 F55
0.0
反射率- 反射率-反射率-反射率- 反射率-反射率- 反射率-反射率- 反射率-反射率-0.2 350 550 750 950 1150 1350 1550 1750 1950 2150
麦苗微黄、较健壮
麦苗浓绿、健壮、高
麦苗发绿、较健壮
麦苗发黄、较稀、矮
麦苗微黄、较稀
麦苗发黄、较稀、矮
三、新方法的提出--解决问题
三、新方法的提出--解决问题
通过冬小麦生理、生化参数的遥感监测，从 作物群体特征及个体特征两个方面出发，考 虑区域内作物物候差异给长势监测带来了影 响，建立冬小麦长势遥感定量监测新方法。
四、已经开展的一些研究工作
生理参数遥感监测-生物量
卫星遥感
时间序列 NDVI、 LAI、…
FPAR
植被覆盖 类型
PAR
水分胁迫
温度、降
GPP
信息
水、…
土壤水分 NPP
R
小 麦
玉 米
四、已经开展的一些研究工作
生化参数遥感监测
0.6 0.5 0.4 0.3 0.2 0.1
0 反射率-350
F11 F12
问题：
定性或半定量的监测 方法在推广上存在问题，一个区域的模型无法在
其他地区适用
二、国内外发展综述--提出问题
需求:
解决目前长势监测中存在的问题 提出新的作物长势监测技术体系 新方法与区域无关，可以在大范围进行推广，也
可以在多个尺度进行应用
作物长势差异及其 影像物征
麦苗发黄、但苗不壮