高光谱分辨率遥感在农作物估产中的应用

高光谱分辨率遥感在农作物估产中的应用

作物估值是社会各界普遍关心的问题。长期以来，中国一直通过两种方式监测和报告农业生产状况。其中之一是根据行政单位进行分类和报告。第二，通过在全国范围内组织800多个县的农业调查小组进行抽样。由于农作物产量的形成受气象、土壤、水分、生物以及社会经济等多种因子的影响,所以上述方法都有一定的局限性。农作物遥感估产是近几十年发展起来的一门新兴技术,它具有宏观、客观、快速、经济和信息量大等优点。高光谱遥感已成为作物估产中强有力的工具,同时也是观测地表植被的有效工具。由于高光谱遥感能提供更多的精细光谱信息,这些精细的光谱信息与植被指数、垂直植被指数、叶绿素含量、植被的覆盖率和植被的生物量等具有较好的相关关系,同时,作物的产量与作物自身的生理特性也有较好的相关关系。因此,以作物的生理特性为中介因子,在作物的产量和高光谱遥感之间可以建立相关的关系。最终,可以通过高光谱分辨率遥感采集的数据反演出被测作物的产量。1高光谱遥感技术遥感技术是20世纪60年代以后逐步发展起来的,世界上第1台高光谱仪AIS1于1983年在美国喷气推进试验室研制成功,在矿物填图、植被化学成分、水色及大气的水分等方面进行了试验应用,并获得成功。与此同时,中国科学院上海物理研究所与美国GRE公司合作研制成功了一台早期的6波段细分红外光谱仪(FIMS),在美国成功地进行了矿物填图试验。这显示了高光谱技术在矿物、植被、水体、生态环境、大气等定量研究中的潜力。在第1台高分辨率光谱仪AIS1基础上,美国陆续研制了改进型光谱仪AIS2(1985年)和新一代224波段的可见近红外高分辨率光谱仪(AVIRLS)。并且美国开展了农业与资源的空间遥感调查计划,即AGRISARS计划(AgricultureandResourcesInventorySurveysthroughAerospaceRemoteSensing,1980~1986),实现了对多种农作物长势评估和产量预报。继美国之后,一些发达国家竞相投入力量研究高分辨率光谱仪,如加拿大的FLI/PML,CASL;澳大利亚GEOSCAN的AMSS。同时,遥感技术也是在现代物理学(包括光学技术、红外技术微波雷达技术、激光技术和全息技术等)、空间科学电子计算机技术、数学方法和地球科学理论的基础上发展起来的一门新兴的综合性边缘学科,是一门先进的、实用的探测技术。它是从远距离、高空以至外层空间的平台上,利用可见光、红光、微波等探测仪器,通过摄影或扫描、信息感应、传输或处理,从而识别地面物质的性质和运动状态的现代化技术系统。我国“七五”遥感攻关中,也成功地研制了改进型细分红外光谱仪(FIMS),同时开始了64波段可见短波红外和7波段热红外模块以及航空高分辨率光谱仪的研制。近年来,高光谱分辨率遥感已被广泛应用于许多行业,它是利用遥感仪器在特定的光谱区域内以高光谱分辨率(分辨率在3~6nm)获取连续不间断的地物光谱图像的遥感技术,使得遥感应用着重于光谱维上进行空间信息展开,获得更多的精细光谱信息,定量分析地球表面生物物理化学过程和参数。其特点是光谱分辨率高(5~10nm),波段连续性强(在0.4~2.5μm范围内有几百个波段)。它不仅可以用来提高对农作物和植被类型的识别能力,而且可以用来监测农作物的长势和反演农作物的理化特性,再将农作物的理化特性与产量结合,最终可以反演出农作物的产量,并且进一步可以建立高光谱遥感估产模型。同时,高光谱成像光谱仪(IMAGINGSPECTROMETER)为每个像元提供十至数百个窄波段光谱信息,能产生一条完整而连续的光谱曲线,这是常规的遥感仪器所无法完成的,常规遥感又称宽波段遥感,波段宽一般为100nm左右,且波段在波谱上不连续,并不完全覆盖整个可见光至红外光的光谱范围。高光谱遥感既能对所测物体成像,又能测量所测物的波谱特性。高光谱分辨率遥感技术在农业领域得到广泛应用,如在盐碱地调查、海滩涂资源调查、水土流失监测、草场产草量估测、海洋渔场调查、草场火灾和雪灾监测等方面。我国在农业资源调查及动态监测方面,完成了对全国土地资源、耕地变化、土壤侵蚀及北方草原的遥感监测;在农作物长势监测和产量预测方面,由于超多时相的高光谱数据能够比较真实全面地反映自然界各种植物所固有的光谱特性及其间的差异,使人们可以更加精确地获取一些诸如植物的叶绿素浓度、叶绿素密度、叶面积指数、生物量、含氮量、光合有效吸收系数等生物物理、化学参量,从而有效地监测农作物的长势和预测预报产量,现已实现了全国冬小麦估产的业务化运行,并将陆续开展全国性玉米、水稻、棉花等大宗农作物遥感估产的业务化运行工作。2高分辨率遥感研究方法在作物估产研究中的应用作物的高光谱分辨率遥感估产技术是通过装置在卫星上的高光普分辨率地物扫描仪,去获取作物各生育期的光谱数据。以往的研究表明,作物的光谱特征是由于作物的生理特征决定了它对光的吸收、透射和反射的变化,同时作物的生理特征又反映了它的产量和长势情况。高光谱分辨率遥感在作物的估产研究中主要分为以下几个方面:(1)作物种植面积的遥感估测;(2)作物遥感估产最佳时相的选择;(3)地面单产遥感估产模型的研究。2.1种植面积测算方法研究在遥感估产中,种植面积的测算是关键问题之一,是由单产估测总产的必需参量。国外卫星遥感测算作物种植面积,主要应用陆地卫星(Landsat)MSS和TM的资料。我国气象卫星作物监测、估产方法和技术研究工作正在不断发展,且具有了一定的深度和广度。在全国冬小麦遥感综合测产项目中,曾专门探讨了气象卫星在测算冬小麦种植面积中的应用。研究的测算面积方法有直接测算法和间接测算法。直接测算法是利用组建的绿度面积回归模式求算。为消除或减弱长势的影响,也通过组建的多元绿度面积回归模式测算。间接测算法是先利用绿度麦土比模式求出麦土比值,再用土地面积乘以麦土比求出冬小麦面积。“八五”期间,气象卫星遥感测算种植面积的方法研究有了某些进展。吴炳方等在江汉平原水稻种植面积估测中,采用了用高分辨率TM遥感数据提取水稻种植面积本底,用NOAA-AVHRR数据估计水稻种植面积变化趋势的方法。在太湖平原水稻遥感估产研究中,应用NOAA卫星提取水稻面积,是在地理信息系统(GIS)支持下,在对研究区TM图像进行分类(城镇、水稻、水体、旱地、林地)和重采样基础上,将NOAA-AVHRRCH1CH2图像全部重采样为相同像元大小,找出NOAA重采样图的纯样本像元然后对NOAA-AVHRR样本进行混合像元分解,得到水稻面积百分比图,从而计算出各市的水稻面积。潘东晓等对应用NOAA-AVHRR资料估算水稻面积的有效性进行了探讨,认为NOAA-AVHRR估产所需的最小范围为315个NOAA像元面积。由于气象卫星空间分辨率较低(星下点为1.1km),其图像像元绝大部分为混合像元,为提高测算种植面积的精度,应考虑混合像元分解问题20世纪80年代末,邵美珍和徐希孺基于Huete应用因子分析法的混合光谱分解思想,分别采用了主成分分析和因子分析法进行混合像元分解。吴建平采用FengjuWang曾提出的模糊监督分类方法进行混合像元分解,利用NOAA-AVHRRCH1和CH2数据测算上海地区水稻面积。李郁竹、曾燕(1997)在分析NOAA-AVHRR各通道数据统计特征的基础上,在模糊监督分类中提出增加两红外通道(CH3和CH4),使分类像元光谱值矢量维数增加,同时提出增加迭代过程。经迭代模糊监督分类之后,输出研究区像元水稻种植面积百分含量图。完成在分解混合像元基础上的水稻种植面积测算,明显提高了测算精度。从以上回顾可看出,我国气象卫星作物监测、估产方法和技术研究工作正在不断发展,且具有了一定的深度和广度。2.2对水稻不同作物产量和水分运关于作物遥感估产最佳时相的选择,邹尚辉根据植物光谱的种间变化及物候变化和太阳高度角对植物光谱的影响,研究了湖北省及北亚热带植被分类的最佳时相选择问题;黄敬峰和王秀珍根据多年植物物候观测资料及绿波和褐波的季节推移,确定了新疆植被遥感的最佳时相;汪逢熙和黎泽文等在棉花遥感识别的试验研究中,通过观测和对比分析各棉花生育期不同作物的光谱特征,将棉花光谱与其它作物光谱差别最大的蕾期和吐絮初中期作为棉花识别的最佳时相。此外汪逢熙等还采用双因子方差分析的方法,精确地确定之。根据他们的结果,这一选择依据和方法是行之有效的。千怀遂指出单产模拟的关键时期是作物产量形成的关键期,而作物的水分临界期是其关键时期,大多数农作物的水分临界期都位于花芽分化的旺盛生长期,其中小麦位于孕穗到抽穗期,水稻位于孕穗到开花期,玉米位于“大喇叭口”期到乳熟期,这些时期都是生殖生长过程的主要时期,对经济学产量有决定性作用。作物生长发育对环境条件十分敏感,特别是比较严重的自然灾害,往往可以使产量大幅度下降,所以它们都是相应作物的关键期。2.3稻麦遥感估产中的植被指数绿度作物单产模型的建立在遥感估产之前已有研究,并应用于估产。常用的单产预报模式有统计估产、气象估产和农学估产等方法,但各有其局限性,遥感估产技术的出现使农作物单产估产模型研究有了显著发展。尽管影响作物生长的因素很多,但它们都可以综合地体现在反映作物长势的光谱特征上。光谱特征也是作物光和作用能量的度量。因此,遥感估产就是利用这个原理来监测作物的生长状况进行最终产量计算的。由于单一波段的稻麦光谱特性难以全面准确地反映稻麦生长状况,因此需要将稻麦反映敏感的多波段信息组合,植被指数即是由不同波段的反射信息组合而成的特征量,反映绿色植被的覆盖程度和作物的生长状况。一般由叶绿素反应敏感的红光波段(R)和近红外波段(NIR)信息组合而成,亦称绿度。目前稻麦遥感估产中采用的植被指数(绿度)模式有:G1=NIR/R,G2=(NIR/R)1/2,G3=(NIR-R)/(NIR+R),G4={(NIR-R)/(NIR+R)}1/2,G5={(NIR-R)/(NIR+R)+0.5}1/2,G6=(NIR/R)2,G7=lg(NIR/R),G8=NIR-R。其中常用的是比值植被指数(G1)、归一化植被指数(G3)和差值植被指数(G8)等。肖淑招等通过天津市的小麦估产试验,结果以G3作产量预报准确率最高,G1次之,G8最差。同时提出了单产估测的最佳时期为抽穗前后。由于冬小麦覆盖度的限制,各植被指数中实际包含着土壤的光谱信息,为消除土壤的影响,进一步提出了土壤调节植被指数(SAVI)。Maithus研究发现,与植被覆盖关系密切而受土壤影响最小的近红外波段是大于1000nm的部分。Kauth和Thomas利用多光谱扫描仪(MSS)4个波段的数据,研究了绿色植物、土壤在由各谱段组成的多维空间中的光谱特征,通过穗帽(TasseledCap)变换,提出:绿度=-0.2897MSS4-0.5620MSS6+0.4907MSS7。研究还发现垂直植被指数(PVI)具有较好的消除土壤背景干扰和对大气效应反应不灵敏等优点。3高光谱遥感估产正因为高光普遥感具有明显的优势,目前世界上许多国家都在研制成像光谱卫星,如美国的EOS计划,我国也先后研制出多种成像光谱仪。利用高光谱遥感估产具有客观、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的要求。今后主要有以下发展趋势。3.1气象估产模型的建立其实,纯粹用遥感数据来估产,也只能称为监测产量,更确切地说是监测作物叶面积或长势。因此,大多数遥感估产方法是把植被指数与天气气候条件相结合,利用统计方法建立一个综合的估产模型。尽管这样,却仍然摆脱不了经验统计的局限性。在一个农业气象产量数值模拟模式中所能考虑的影响作物产量的因素是很多的,如光合作用、呼吸作用、蒸腾作用等,但其中最主要的因素是光合作用。一般表示作物光合作用能力大小主要有叶面积指数LAI和光合有效辐射吸收量APAR等。因此,通过遥感资料来导出LAI和APAR,并将它们输入模拟模式,是卫星遥感预测产量的方法之一。3.2战略意识“三化”的战略方针精准农业(PrecisionAgriculture)也称精细农业,是一种关于农业管理系统的战略思想,是综合应用农业工程技术、信息技术和人工智能等高新技术,以获得“高产、优质、高效”的现代化农业生产模式和技术体系。小面积的遥感估产意义不