资源描述：
《基于cbers遥感的冬小麦长势分级监测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
中国农业科技导报,2010,12(3):79-83JournalofAgriculturalScienceandTechnology基于CBERS遥感的冬小麦长势分级监测11,22李卫国,李正金,杨澄(1.江苏省农业科学院资源与环境研究所,南京210014;2.南京信息工程大学应用气象学院,南京210044)摘要:应用遥感信息技术,可实时对冬小麦长势进行分级监测预报,便于农业部门及时制定和实施相应的管理措施,达到目标化生产的目的。以江苏省姜堰市为例,进行了基于中巴资源卫星(CBERS02)遥感的冬小麦拔节期长势分级监测研究。经过计算机分类和人机交互式判读解译,结合GPS样点信息校验,冬小麦面积解译精度在90%以上。利用遥感植被指数反演叶面积指数(LAI)等长势信息,对整个区域的冬小麦长势状况进行分级监测。叠加样点的实测数据校验,监测精度达到85%以上,最终制作区域的冬小麦长势分级专题图,并对各长势状况进行了分析。结果说明,中巴资源卫星影像数据可以满足区域冬小麦长势监测要求,并可在实际生产中进行推广应用。关键词:冬小麦;CBERS02影像;长势分级do:i10.3969/.jissn.10080864.2010.03.14中图分类号:TP79文献标识码:A文章编号:10080864(2010)03007905GradingMonitoringofWinterWheatGrowthConditionbyCBERSSatelliteImage11,22LIWeiguo,LIZhengjin,YANGCheng(1.InstituteofResourceandEnvironment,JiangsuAcademyofAgriculturalSciences,Nanjing210014;2.SchoolofAppliedMeteorologicalScience,NajingUniversityofInformationScience&Technology,Nanjing210044,China)Abstract:Applicationofremotesensinginformationtechnologycouldrealtimemonitorandpredictwinterwheatgrowthbygrading,soastohelptheagriculturesectortodevelopandimplementappropriatemanagementmeasurestoachievetargetproductionpurposes.TakingJiangyanCity,JiangsuProvinceasexample,thestudiesongradingmonitoringofwinterwheatgrowthduringjointingstagewereconductedbasedonCBERS(CBERS02)satelliteremotesensingimages.Throughcomputerclassificationtechniquesandhumancomputerinteractiveinterpretation,combiningwithGPSinformationcheck,theinterpretationaccuracyofwinterwheatareaisover90%.Growthstatusofwinterwheatinthewholeregionwasmonitoredingradebyusingremotesensingvegetationindex()andinversionofleafareaindex(LAI).Comparedwiththegrowthinformationdataofsamplesitesandareas,accuracyofthemonitoringismorethan85%.Awinterwheatgrowingregionclassifiedmapwascompletedtoanalyzewinterwheatgrowingstatusofeachperiod.TheresultshowedthatCBERSimagedatacouldmeettheneedsofwinterwheatgrowthmonitoring,andbeappliedandextendedinpracticalproduction.Keywords:winterwheat;imageofCBERS02;gradingofgrowthvigor利用遥感信息技术实时监测冬小麦的叶面积查;而遥感技术以其快速、准确和信息量丰富等特[2~9]指数、地上部干物重等主要长势指标信息,对其各点,在冬小麦长势监测领域得以迅速的发展。生育期的长势状况进行分析,便于及时制定和实本研究拟采用地面GPS定位调查数据,利用现有施相应的肥水管理与调控措施,以达到优质高产的冬小麦长势遥感监测模型,结合CBERS02卫[1]的目的。常规获取小麦苗情长势信息的方法星影像解译获取的遥感信息,进行冬小麦长势遥有实地人工或仪器取样调查法,不适合大面积调感监测,并通过计算机分类技术和人机交互式判收稿日期:20100204;修回日期:20100323基金项目:国家863计划项目(2008AA10Z214);农业部行业科技项目(200803037);江苏省农业科学院人才基金(6510805)资助。作者简介:李卫国,研究员,博士后,主要从事农作物遥感估产与品质监测预报研究。Te:l02584390195;Emai:ljaaslwg@126.com 80中国农业科技导报12卷读方法,对冬小麦长势状况进行分级分类,制作专题图,旨在为农学专家和基层农业部门制定具有针对性的调优栽培管理措施提供信息决策支持,同时也为我国卫星遥感技术在农作物长势监测领域的进一步应用研究提供理论支持。1材料与方法1.1数据来源本研究所采用的影像数据是中巴资源卫星02星CCD数据,来自中国资源卫星应用中心。图1姜堰市冬小麦长势监测GPS样点和示范区分布中巴地球资源卫星二号星(CBERS02)于2004年Fig.1Thedistributionofsamplesitesanddemonstration2月投入运行,为太阳同步回归卫星,平均高度areasforwinterwheatgrowthmonitoring.778km,回归周期26d。星上载有3种传感器:线性阵列扫描仪(CCD)、红外多光谱扫描仪(IRMSS)正的精度,而且也影响到后面的冬小麦提取分类[11]和宽视场相机(WFI)。其中CCD传感器共有5个精度以及最终的冬小麦长势监测精度。由于CBERS02CCD相机第4波段数据质量较好,而波段(0.45~0.52m;0.52~0.59m;0.63~第5波段全色波段成像往往会发生漂移,因此,首069m;0.77~0.89m;0.51~073m),像元先需要在ERDAS中以第4波段为参考进行第5空间分辨率为19.5m,扫描幅宽为113km,其影[10]波段的几何纠正,通过选择30个左右的同名点,像质量较CBERS01有了很大程度的提高。采用二次多项式模型进行匹配处理,缩小波段间根据姜堰市的区域范围,获得的两景影像的的匹配误差。然后基于已有的姜堰地区150000Path/Row分别为:368/63(景号814325)与368/地形图对影像进行几何校正,同时结合地面实测64(景号814326)。其成像时间是2009年3月29的GPS控制点进行几何精确校正,确保校正后误日,当日天气较晴朗,姜堰市上空无云或少云,成差小于1个像元。像质量较好。由于成像范围限制,研究区域姜堰市被分割在两景影像中,且有重叠区域,需要对两2结果与分析幅影像分别几何校正并进行影像拼接和裁剪,获得姜堰市3月29日的完整影像。2.1面积提取结果地面控制点的建立,采用美国Trimble公司最采用计算机的ISODATA法进行非监督分类,新款的JunoST手持GPS接收机,在姜堰市选择叠加NDVI灰度图(图2)和采集样点与示范区的了16个试验样方点和4个面积较大的实验基地数据,进行人机交互式的动态判读与目视解译,得(图1),采集地理坐标、测量实际范围和面积等数到各类属性,进行类别合并并进行重编码。同时,据。为消除非麦像元对小麦样点的影响,选择距将GPS样点和示范区的数据参加目视解译分类离道路、建筑或其他植被100m以上处建立样点,的全过程,较好地控制了分类的精度,得到姜堰市2用对角线法5点取样,样点相距5m,利用英国2009年冬小麦种植面积是2057.75hm,而该市2AD公司生产的AM-300手持便携式叶面积仪获2009年实际冬小麦种植面积约为1866.67hm,取样点的冬小麦叶面积数据,然后求取平均值。精确度在89.76%,结果较为可靠。样点叶面积作为校验数据,对遥感长势模型模拟2.2分级分类结果及精度验证值进行对比分析,起到精度验证的作用。在理解!NDVI∀LAI∀长势状况#关系的基1.2图像预处理方法础上,结合样点数据和农学专家经验,确定小麦长波段间的配准精度不仅影响到图像的几何校势状况的等级划分。冬小麦3月末至4月初正处 3期李卫国等:基于CBERS遥感的冬小麦长势分级监测812好,面积为1403.23hm,占总面积的68.19%;长势过旺的冬小麦面积较小,占总面积的7.41%;长势一般和长势较差的小麦占了总面积的两成多,分别为15.64%和8.76%。图2NDVI灰度图像图4分类后得到的各长势等级小麦的面积分布Fig.2NDVIgrayimage.Fig.4Thevariousgrowthconditiongradesareaafterclassification.于拔节到孕穗期,此时的NDVI数据与叶面积指[12~15]数具有很好的相关性。通过遥感影像的波本研究利用样点实验室实测数据和长势模型段计算获得麦区的NDVI数据,结合冬小麦长势模拟数据对比分析,进行分类精度的检验(表1),遥感监测模型,反演叶面积指数,从而确定叶面积其中模型所需的NDVI值是利用GPS样点的地理信息,经过线性转换,可获得反映整个区域长势情位置数据作为感兴趣点,在NDVI灰度图中提取况的叶面积分布图。依据姜堰市主要种植冬小麦各点的NDVI值。将NDVI作为变量输入长势遥品种的长势表现,结合样点数据进行分析,确定长感监测模型中,获得的LAI模拟数据。样点实测势分类的范围阈值。依次为长势过旺Wheat_∃(LAI%4.0)、长势较好Wheat_&(3.5∋LAI<表1各样点LAI实测值和模拟值对比Table1ComparisonofLAImeasuredvalues40)、长势一般Wheat_((3.0∋LAI<3.5)和长andsimulatedvalues.势较差Wheat_)(LAI<3.0)4种类型。在此基础上制作该区域的冬小麦长势分级监测专题图样点名称LAI(模拟)LAI(实测)NDVILAI(SimulatedLAI(Measured(图3)。Samplenamevalues)values)图4为分类后提取获得的各长势等级冬小麦JY010.13712.68183.3900的面积分布情况,可以看出,绝大部分小麦长势较JY020.24353.10353.5400JY030.43594.04095.3200JY040.33333.51052.9500JY050.23083.04972.7600JY060.54554.69624.1000JY070.21953.00303.5400JY080.16192.77482.2500JY090.34023.54373.7400JY100.36843.68364.3200JY110.40853.89153.5000JY120.25003.13123.4000JY130.27183.22653.6100JY140.09092.51733.3500图3姜堰市冬小麦长势分级监测专题图JY150.27873.25693.8700Fig.3ThethematicmapofwinterwheatgrowthJY160.49574.38615.1500conditionclassification. 82中国农业科技导报12卷叶面积数据和样点的面积之比得到LAI的实测研究引入的长势过旺概念,具有重要的现实指导值。对两组数据进行图形分析(图5),可以看出,意义,根据分布图中显示的长势过旺的区域,当地利用长势遥感监测模型模拟的LAI值与实测值之的农业部门可以采取及时有效的田间管理措施,间具有很好的相关性,说明本研究制作的冬小麦控制小麦长势过旺的势头,达到高产稳产优产的长势分级监测专题图具有较高的精度,能比较好目的。地反映田间冬小麦的长势状况。,长势一般和较差的小麦面积较大,且分布较为分散,主要在大面积田块的外围和地势低洼地区,以及城镇周围土地较为破碎的地带。由于排水不畅,地下水位过高,导致小麦根系发育不良;随着城镇建设的发展,使得城镇周围的土地支离破碎,小麦种植零星分布,缺乏统一有效的农田管理,使得长势状况较差。同时在实际调查过程中,还发现一部分小麦拔节期长势不好是受到早春冻害的影响,尤其是在姜堰中北部地区,分布较图5各样点LAI实测值和模拟值对比图多。综上各种原因,说明在田间管理和种植方式Fig.5ComparisonchartofLAImeasuredand的选择上还存在问题,可挖掘的潜力还非常大,如simulatedvalues.何加强这些田块的管理,改变长势较差的状况,提高中低产田的产量仍是当地农业部门今后非常重2.3分类结果的分析要的任务。对表1中的面积分布数据和图3中各长势等级小麦分布信息进行综合分析,可得到以下几个3讨论方面信息:∗长势较好的冬小麦所占比重最大,且分布目前国内常用的冬小麦长势监测的遥感影像比较集中,主要在姜堰的东南部、中部和北部地区主要有NOAA、MODIS等,这些影像空间分辨率较等重要的冬小麦种植区和产粮基地。分析原因主低,很难满足小区域范围内的高精度冬小麦长势要是这些区域内地势比较平整,灌溉沟渠网发达,遥感监测应用;而分辨率较高的SPOT、IKONS等田间排水给水设施完善,且大都采用机械化作业,影像因为价格昂贵,应用于大范围的冬小麦监测水肥配合合理,有诸多国家和集体农场分布其中,所需财力物力庞大,不适合大规模推广应用;利用在抵御病虫害和春季冻害等方面起到了示范作地面高光谱对小麦长势进行监测,虽然具有机理用,所以该地区不论样点实测数据还是遥感监测性好、精确度高的优点,但是其在应用过程中需要结果都反映这些地区的长势比较好。消耗大量的人力物力,同时由于仪器的限制,不太+长势过旺的冬小麦占总面积比重不大,但适合大范围的长势监测。随着中国自主研发的地分布较为集中,主要是在东南部大面积小麦种植球资源卫星以及其他高精度探测卫星陆续投入使区内。本研究定义的长势过旺情况主要是指在冬用,尤其是中巴资源卫星不断升级,影像质量的提小麦的某个生育期内,叶面积等生理生态指标超高,而且资料的开放性和获取的便捷性优势,为高过正常值的范围,对后期的冬小麦的生长发育以精度大范围的冬小麦长势监测提供了很好的数据及最终产量形成可能产生不利影响的这类小麦。信息平台。本研究区域的姜堰市地处江苏省中按照冬小麦正常的生长发育,地上部和地下部部、黄淮海平原的边缘,内部交通水网发达,种植(根系)是一个协调生长的过程,如果在拔节期出结构布局复杂,选用的CBERS02星数据可以满现基本苗过密、分蘖数过多或者施氮肥过多,就会足空间分辨率的要求,也可较好地控制遥感监测导致的叶面积和地上部生物量过大,田间通风和预报的精度。透光条件变差,以致小麦基部节间过长,机械组织本研究引用冬小麦长势遥感监测模型,结合发育不良,最终会引起倒伏而影响最终产量。本植被指数信息,能及时快捷地获得反映冬小麦长 3期李卫国等:基于CBERS遥感的冬小麦长势分级监测83势状况的信息,且在与实测的样点数据对比时取[9]闫岩,柳钦火,刘强,等.基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究[J].遥感学报,得较高的拟合度,长势监测精度能达到85%以2006,10(5):804-811.上,说明该方法可以应用于区域小麦的生产管理[10]齐腊,赵春江,李存军,等.基于多时相中巴资源卫星影像与指导。的冬小麦分类精度[J].应用生态学报,2008,19(10):2201-2208.参考文献[11]申克建,周伟,袁春,等.CBERS02星CCD数据土地利用分类方法研究−−−以江苏省宜兴地区为例[J].遥感信[1]李卫国,赵春江,王纪华,等.遥感和生长模型相结合的小息,2009,2:71-75.麦长势监测研究现状与展望[J].国土资源遥感,2007,2:6[12]李卫国,赵春江,王纪华,等.基于卫星遥感的冬小麦拔节-9.期长势监测[J].麦类作物学报,2007,27(3):523-527.[2]刘东升,李淑敏.北京地区冬小麦冠层光谱数据与叶面积[13]FrankLinSE,WilsonBA.Spatialandspectralclassification指数统计关系研究[J].国土资源遥感,2008,4:32-34.forremotesensingimagery[J].Comp.Geosc.i,1991,17:[3]李卫国,王纪华,赵春江,等.基于生态因子的冬小麦产量1151-1172.遥感估测研究[J].麦类作物学报,2009,29(5):906-909.[14]GitelsonA,KaufmanY.MODISNDVIoptimizationtofitthe[4]李正金,李卫国,申双和.基于优化ISODATA法的冬小麦AVHRRdataseries−spectralconsideration[J].RemoteSens.长势分级监测[J].江苏农业科学,2009,2:301-302.Environ.,1998,66(3):343-350.[5]李卫国,王纪华,赵春江,等.基于TM影像的冬小麦苗情长[15]李卫国,王纪华,赵春江,等.基于NDVI和氮素积累的冬小势与植株氮素遥感监测研究[J].遥感信息,2007,2:12麦籽粒蛋白质含量预测模型[J].遥感学报,2008,12(3):-15.506-514.[6]黄敬峰,王人潮,刘绍民,等.冬小麦遥感估产多种模型研[16]王纪华,黄文江,赵春江.利用光谱反射率估算叶片生化组究[J].浙江文学学报,1999,25(5):512-523.分和籽粒品质指标研究[J].遥感学报,2003,7(4):277[7]DelecolleR,MagsSJ,GuerifM.Remotesensingandcrop-284.productionmodels:presenttrends[J].ISPRSJ.Photogramm.[17]李映雪,朱艳,曹卫星.不同施氮条件下小麦冠层的高光RemoteSens.,1992,47:145-161.谱和多光谱反射特征[J].麦类作物学报,2006,26(2):103[8]OLeary,ConnorDJ,WhiteDH.Asimulationmodelofthe-108.development,growthandyieldofthewheatcrop[J].Agric.Syst.,1985,17:1-26..863课题介绍/课题名称:基于模型和3S技术的稻麦产量监测预报系统课题编号:2008AA10Z214课题内容、目标:应用系统及相关技术理论体系。从稻麦生产管理的信息化角度出发,运用课题进展:定量遥感技术、作物模拟技术和GIS技术,依据∗运用RS技术与作物生理生态技术,探遥感信息-作物模型-长势和产量-气候环境讨了基于多遥感信息的稻麦长势监测的技术体的系统动态关系,以定量遥感反演及其与作物系和理论方法,构建了水稻、小麦长势(包括模型的耦合为主线,分析遥感光谱特征、农学参LAI、生物量、叶片含氮量、叶绿素含量等生理数与生态环境因素间的动态关系,明确影响稻生态指标)监测的定量遥感模型;+以品种、气麦光谱特征的主要气候环境因子,建立基于主候环境因子、栽培措施与产量的系统动态关系要气候因子的农学参数遥感反演模型;构建可为主线,建立了基于过程的稻麦遥感估产模型,用于不同年份、不同区域下的稻麦生产力模拟并构建了符合COM标准的估产模型组件;,建模型,并以构件化的模式实现遥感反演信息与立了稻麦长势与产量遥感分级监测预报技术和稻麦生产力模拟模型的协同应用。最终,建立专题图信息产品,并进行了示范应用,累计示范2可用于大面积稻麦长势监测与产量估算的计算应用面积约20万hm。
