新疆棉花遥感应用

新疆棉花遥感应用基于遥感技术的棉花识别研究遥感应用新疆棉花长势监测研究基于植被指数的新疆棉花遥感估产04030102作物病虫害遥感监测研究棉花遥感识别1棉花像元识别2棉花叶片识别3棉田质量诊断4棉花种植面积遥感监测棉花遥感识别模型的研究农作物的遥感分类，利用四个波段就可达到较高的分类识别精度。结合TM遥感图像光谱波段的分配与农作物光谱的特点，主要在0.45—0.52um、0.52—0.59um、0.63—0.69um、0.76—0.90um四个主要波段进行分析与处理。TM（TM图像）TM是Thematicmapper的缩写，意为“专题绘图仪”，是美国陆地(LANDSAT)卫星搭载的一种成像仪。另有ETM，是EnhancedThematicMapper的缩写，意为“增强型专题绘图仪”。TM图像为专题绘图仪（ThematicMapper）获取的图像。从Landsat-4起，发射的卫星上加装了专题绘图仪（TM）来获取地球表层信息。TM在光谱分辨率、辐射分辨率和地面分辨率都比MSS图像有较大的改进。在光谱分辨率方面，它采用7个波段来记录遥感器获取的目标地物信息；在辐射分辨率方面，TM采用双向扫描，改进了辐射测量精度，目标地物模拟信号经过模数转换，以256级辐射亮度来描述不同地物的光谱特性；在地面分辨率方面，TM瞬间视场对应的地面分辨率为30m（第6波段除外）。遥感反射率遥感反射率是指如果假定卫星处于天顶，并且不考虑大气的散射和吸收作用，卫星上的传感器接收到被遥感物体的反射辐亮度，与被遥感物体本身接收的太阳辐亮度的比值。棉花与其它主要农作物在光谱特征上差别分析基于LANDSAT-5像元尺度的棉田生长密度遥感监测初步研究棉田生长密度（株数）是棉花产量构成因子之一，是因苗管理的重要依据[1-5]。新疆棉花产量约占中国的30%，世界的8%，在国内和国际棉花贸易中都具有举足轻重的作用[6-8]。根据新疆独特的气候资源条件，新疆植棉业在消化和吸收现代科学技术成果后，形成了“矮、密、早、膜、滴”的种植技术体系，其中“密”是整个体系的核心，生长密度的分级数据是棉花苗期长势最主要衡量指标；但受冻害、病害、冰雹以及土壤盐碱化的影响，较低的棉田生长密度减弱了现有技术体系的增产作用[9-13]。因此，开展区域性的棉田生长密度监测研究可以为分区管理和估产提供数据支持。棉田生长密度调查与计算为保证样本数据的可靠性，调查样区距离地头不小于100m（特意选择了地边样区除外），并在较大范围内生长密度稳定；每个样区选择3个样点，基本构成等边三角形，GPS定位选择在3个样点中心；每样点相距约为10m，调查面积为26.7m2。以农户访问的方式获取棉田播种和出苗时间，分别选择早期播种、中期播种和晚期播种的条田，进行棉田生长密度调查。试验共调查13块棉田（630hm2），60个样区；其中，中期播种样区48个（6个地边点包括在中期播种样区），早期播种样区4个，晚期播种样区8个，由于早期播种和晚期播种的棉田在生产中比例较小，因此，在本研究中以中期播种数据为例研究分播期监测方式对监测水平的影响。棉田生长密度计算方法如下：遥感影像及其预处理本试验共用5个时期平均云量小于10%的LANDSAT-5影像数据，分别为2007年的4月22日（条带号/行编号：143/29，下同）、5月24日，6月9日、6月25日、7月11日。分辨率为15m图像采用“6S”模型进行大气矫正，几何精矫正应用二次多项式、最邻近法重采样，地图投影采用Lat/lonWGS-84，像元大小为28.5m×28.5m。植被指数计算方法估算结果准确性检验的方法不同生长发育期的棉田生长密度估算DEVI对棉田生长密度估算水平影响的分析不同估算模型的准确性检验及优势方法在区域上的应用使用公式对新疆建设兵团148团的棉田生长密度监测结果如图3所示，该团棉田生长密度空间分布相关性强，变化连续性强，不同尺度都具有较强的群聚性；由图3计算出，该团2007年棉花播种面积约为15811.7hm2，其中，≤1.20×105、1.20×105～1.35×105、1.35×105～1.50×105、1.50×105～1.65×105、1.65×105～1.80×105、1.80×105～1.95×105、1.95×105～2.10×105、2.10×105～2.25×105、2.25×105～2.40×105以及≥2.40×105株/hm2的面积分别约占总面积的17.1%、10.2%、13.1%、13.6%、12.6%、10.9%、8.7%、6.0%、3.8%和4.0%。南疆棉区主要作物农时历北疆棉区主要作物农时历东疆棉区主要作物农时历新疆石河子棉花种植分布图利用Arcgis10．1软件根据新疆建设兵团各师边界对新疆农作物遥感影像分类图进行裁剪，得到新疆建设兵团的遥感影像分类图。由于各团场面积较大且个数较少，不可能选择团场为抽样单元。为了保证抽样精度，利用Arcgis10．1软件生成格网并选择格网作为抽样单元。新疆建设兵团各师的部署是沿战略交通线和边界驻扎，所以其所属地域的棉花种植面积分布极不均匀，而且裁剪后的新疆建设兵团各师格网数较少。如果对各师进行单独抽样，抽出的格网代表性较差影响后期反推的总精度，故需要先对各师进行分区然后再对各区进行分层随机抽样。根据遥感影像分类图可以得到各师棉花种植面积占新疆建设兵团棉花种植总面积的比例(表1)。基于多时相棉花长势遥感的棉田质量诊断农田质量是指农田土壤肥力质量、农田环境质量和农田健康质量的综合量度，可以采用农田产出能力进行评价[1]。棉田质量差异是影响棉花的群体整齐度，限制棉花产量、效益进一步提高的主要因素[2~4]。以新疆为例，棉花总产占中国1/3以上，但受盐渍化危害的棉田面积约为耕地总面积的30%[5]，沙化耕地约占总耕地的0.77%[6,7]；并且枯萎病、黄萎病、棉叶螨、棉铃虫等棉花病虫害以及冰雹、冻害、冷害等自然灾害对棉花丰产带来巨大挑战[8~10]。因此，适时监测并掌握棉田质量状况，分析棉田质量障碍原因，有助于针对性开展棉田土地改良，制订分类指导的应变管理与生产技术措施，从而提高资源及其管理技术的使用效率。在MODIS等卫星遥感数据的时间序列支持下[19~25]，为需要时间序列才能解析的棉花长势动态信息提供了数据平台。探索利用棉花生长期内多时相Sentinel-2A数据，研究棉花长势动态变化与棉田质量的相互关系，构建条田级棉田质量诊断的技术和方法，为生产的精准管理提供信息支持。遥感数据获取与处理方法在棉花苗期至花铃期，选择平均云量小于10%的8景Sentinel-2A影像供本研究分析，分别为2018年的5月18日（条带号/行编号：143/29，下同）、7月21日（143/29），2019年的5月21日（144/29）、6月6日（144/29）、6月22日（144/29）、7月8日144/29）、7月24日（144/29）、8月9日（144/29），棉花苗期和蕾期影像主要用于提取植棉区域棉田质量分类方法结合棉花冠层物理参数、覆盖度、生物量，在棉花生长盛期（花期和铃期）于8块定点调查条田中提取LANDSAT-5影像中不同棉花长势区的波段反射率值（表2）。棉花长势不同的棉田TM1、TM2、TM3、TM5、TM7极值之间有交互，而TM4波段反射率值的极值对不同棉花长势棉田则比较有可分性，有障碍棉田和健康棉田极值范围分别为0.511～0.802和0.820～0.935，且有障碍棉田的TM4波段中数接近极小值，而健康棉田的中数接近极大值，极值范围的可信度高。由于在定点研究区外棉田像元TM4波段反射率有极少数介于0.802与0.820之间，为保证数据连续性，将两类棉花长势的划分阈值确定为0.820。基于时间序列Landsat影像的棉花估产模型基于S2A影像纯像元的植被指数时间序列准确地揭示了棉花整个生长期的长势情况，不同长势的棉花植被指数随时间变化在花铃期差异比较显著。基于MODIS_NDVI最大值合成法的相关研究提供了理论依据，并且为其他农作物的估产模型建立提供借鉴。资料数据产量数据按照面积划分地块，统计相应的面积。2002年利用变量测产机械测定2个地块的产量数据，产量精度4.5×4.5m2。A地块产量为62896kg/hm2，B地块产量为54836kg/hm2。遥感影像数据根据美国棉花生长期的特点，选取研究区2002年2－10月份的Landsat_5_TM和Landsat_7_ETM的时间序列遥感影像，共30幅。植被指数植被指数是由多光谱数据经线性和非线性组合构成的，是对植被有一定指示意义的各种数值，被越来越多地用于农业和植被生态监测。本研究采用应用最广泛的归一化植被指（normalizeddifferencevegetationindex，NDVI）[17]以及增强型植被指数（enhancedvegetationindex，EVI）。采用相关分析、线性回归方法对植被指数与实测产

量数据的关系进行分析，建立棉花产量预测模型。决定系数(determinationcoefficient,R2)均方根误差(rootmeansquareerror,RMSE)模型验证决定系数较高，均方根误差较小，模型有很好的预测能力。本文选择考虑到NDVI容易饱和的问题，同时计算了EVI，结果发现以NDVI为自变量的模型精度较高。根据花铃期这一生长时期作为最优估产时期所建立的模型具有很高的精度，可以推广到其他地区进行棉花估产。对于本文的研究区来说，SanJoaquinValley气候条件优越，此时选择平均值较适用；在其他多云的地区，也可以考虑选用最大值来建立模型。对于其他地区，可以选用花铃期的某一晴天时期的影像进行棉花产量预测。综合2个地块考虑，基于多时期NDVI与单一时期NDVI的棉花遥感估产模型存在着各自的优缺点：单时期模型精度较低，但单时期影像数据易于获取，适用于多云地区，可用性较好；而多时期预测模型精度高，但易受气象条件影响，对影像数据要求较严格。产量预测模型棉花估产基于时间序列NDVI相似性分析的棉花估产该文以新疆生产建设兵团农一师一团的棉花为研究对象,提出了一种融合分区概念和时间序列NDVI（归一化植被指数）相似性分析的棉花估产方法。首先，通过植被指数与产量的相关性比较分析，确定NDVI为棉花估产因子，在此基础上根据棉花品种和土壤条件的差异，将研究区棉田划分为不同类型的生长区；然后，结合每个生长区获取的样点产量数据，确定各生长区时序NDVI估产模型的拟合系数；最后，融合距离与角度相似性算法，对各生长区内所有棉花像元的时序NDVI数据构成的向量与产量样点对应的时序NDVI向量进行相似性分析，确定待测棉田像元最佳的估产模型，实现对整个棉田区域棉花产量的遥感估测。研究概况新疆生产建设兵团一师一团（阿克苏地区）耕地面积约130km2，主要作物包括棉花、水稻、红枣套种辣椒、红枣、辣椒等，其中棉花种植面积所占比例最大。阿克苏位于天山以南，东望塔里木河，西临中吉边境，南邻塔里木盆地，属暖温带大陆性气候，气候干燥，降雨量少，平均降水约75mm/a，蒸发量大，光热资源丰富，平均气温约10℃，是新疆棉花的高产区。作物在每个生育时期的生长状况均会影响产量的形成，因此构建多时相遥感估产模型估算作物产量与单一时相相比更具有潜在的优势。尽管作物产量的形成受多种因素综合影响[16-18]，如作物品种、气象因素、土壤因素、生物因素（病虫害等）以及田间管理与栽培方式等等，但这些因素综合控制着作物的色素组分、含水率、细胞结构、叶面积指数以及冠层结构等植株理化参数，这些参数的变化往往会引起作物光谱反射特性相应变化，并对最终产量的形成产生影响，这就为作物遥感估产经验模型的构建提供了一定的解释基础。产量数据测定棉花测产：棉花产量在吐絮期已基本形成，测产一般在该时期内进行，产量调查结果数据部分用于建模，部分用于验证。按5行3m长的取样面积进行棉花产量调查，数出棉花总株数与总成铃数，然后根据收获密度、平均单株成铃数以及单铃质量计算籽棉产量：籽棉产量=收获密度×平均单株成铃数×单铃质量。估产因子确定在棉花不同生育时期，棉花光谱信息与其他地物光谱之间的差异不断变化，不同时期棉花生长状况对产量的敏感程度也明显不同。因此，棉花种植面积提取与遥感估产需要根据实际情况选择最佳时相，这是利用经验模型进行棉花遥感估产的重要环节。最具有代表性的植被指数除NDVI外，还包括差值植被指数（DVI）、比值植被指数（RVI）、垂直植被指数（PVI）、调整土壤植被指数（SAVI）等，都可以作为监测作物长势与产量估算的依据。本文根据几个常用植被指数（表2）与产量数据进行相关性分析，进而确定用于估产的植被指数。时间序列NDVI数据相似性分析作物分区对于估产研究具有重要的意义，分区的本质就是减少估产模型的异质性，增加分模型的同一性，是提高估产精度的重要表现。本研究提出了一种基于时间序列NDVI相似性分析的分区方法。首先确定影响棉花单产差异的主要环境因子，根据每个生长区的棉花具有相似的生长环境的原则确定生长区的类别。每一类别生长区获取一组产量调查数据，将每个待测像元对应的时间序列NDVI向量与所有调查点对应的时间序列NDVI向量进行相似性分析，将相似性最高的时序NDVI向量对应的生长区类别确定为待测像元对应的生长区类别，最终实现研究区所有棉花像元生长区的划分。利用每个生长区的棉花产量调查数据，利用多元线性拟合方法构建每个生长区的产量与NDVI之间的多元关系模型。式中，Y表示棉花产量，kg／hm2，N=（N1，N2，N3，…，Nn表示时间序列NDVI数据，n表示用于估产的遥感时相，A表示时间序列NDVI数据对应的多元线性拟合系数，b表示常数项，A与b利用每个生长区本研究中两个向量之间的相似性分析采用了夹角公式与距离公式联合的方法，P、Q是两个任意的具有n个元素的向量，计算两个向量之间的相似性通常采用距离公式（2）或者角度公式（3）的产量调查数据计算得到。然而仅利用距离公式计算两个向量的相似性，可能会发生模值接近但是夹角很大的情况；而利用角度公式计算两个向量的相似性时，则有可能会发生角度接近，但模值却差别很大的情形。本文采用将两者联合的方式判断两个向量的相似程度：1）用角度公式计算向量夹角θ，把3个最接近于0的向量保留；2）对于保留下来的向量再用距离公式，距离最小的两个向量才是相似性最高的两个向量。棉花种植区域提取估产作物种植面积提取是估产的一个重要内容。本研究利用多时相遥感数据，通过目视解译、野外调查与历史资料，基于地块单元的决策树方法提取棉花种植面积。基于像元尺度的遥感影像分类通常得到离散的分类结果，对于具有空间连续性的土地利用区域中出现的误分像元难以实现纠正，因此本文利用已有的地块边界数据裁切遥感影像，提取不同时期每个地块单元NDVI的平均值，根据遥感影像的目视判读结果和经验知识，利用决策树方法获取研究区的土地利用情况，这样提取的棉花种植区域在空间上具有连续性。具体分类过程与分类结果分别见图2与图3。棉花生长区确定本研究中影响棉花产量差异的主要因素有土壤条件和棉花品种（采用统一的田间管理方式），所以生长区的划分主要依据这两个要素。研究区土壤类型包括壤土与粘土；氮素含量和有机质含量是土壤环境中影响作物长势和产量的两个主要方面，所以根据土壤类型、土壤氮含量和有机质含量作为生长区划分的依据。根据土壤条件与棉花种类将研究区划分为10类生长区，A1、A2、A3、b表示每个生长区不同时期NDVI对应的拟合系数与常量，见表4。本文融合分区概念与时间序列NDVI数据相似性分析方法实现棉花估产研究。首先根据研究区概况确定生长区的类别，利用产量调查数据确定每个生长区对应的多元线性拟合系数，然后通过待测像元对应的NDVI向量与产量调查点对应像元的NDVI向量的相似性分析，实现所有像元生长区的确定，然后将生长区对应的拟合系数赋值给该生长区所有待测像元的时间序列NDVI数据，实现研究区棉花产量估算。图5是利用时间序列NDVI向量分析方法得到的实验区棉花单产结果，从中可以看出实验区东南部棉花产量偏低，该区域主要种植普通棉花，土壤含氮量较低，盐碱程度严重，因此棉花产量偏低。基于时间序列NDVI数据相似性分析方法得到的实验区棉花单产平均值为6825kg/hm2，与实际单产平均值6375kg/hm2基本一致。作物病虫害遥感监测研究进展近年来,随着信息技术的迅速发展,遥感作为一种快速监测手段已经被运用到作物病虫害监测中。本文阐述了作物病虫害遥感监测的基本原理及特点,重点介绍了国内外在其技术方法上的研究进展,提出了生产应用中的技术流程。进一步分析了当前本领域研究中的难点,展望了其应用前景,以期为棉花病虫害遥感监测研究提供借鉴与参考。作物病虫害遥感监测的基本原理作物病虫害遥感监测主要在单叶与冠层两个层面上展开。对单叶,因病虫危害导致叶片细胞结构、色素、水分、氮素含量及外部形状等发生变化,从而引起光谱的变化;对冠层,因病虫危害引起LAI、生物量、覆盖度等的变化,可见光到热红外波谱反射光谱与正常作物有明显差异。在大尺度上,病虫危害作物、高光谱扫描记录上会引起灰度值的差异,在空间相、光谱相和时间相上有明显的差异[5-6]。因此,可通过地面获得的遥感数据结合高空成像仪获得的遥感影像监测作物病虫害。作物病虫害遥感监测的特点传统的病虫害监测主要是人工调查,田间取样,综合其它信息进行预测预报,做出决策,但该方法耗时、费力,时效性差,一定程度上影响了预测预报的及时性与精确性。应用遥感技术监测作物病虫害,通过图谱分析,可及早了解作物健况,获得作物病虫害发生、发展的定性和定量及空间分布信息,从而为决策者在病虫害未造成严重为害前有针对性地决策、及时采取措施,加强重点防治,提供数据支持。利用遥感技术特别是高光谱、卫星技术监测病虫害,具有快速、简便、宏观、无损、客观等优点,是作物病虫害监测的发展方向作物病虫害遥感监测的技术方法以往的研究中,如光谱反射率、回归分析、植被指数、光谱微分、基于光谱位置变量的分析、遥感影像、多角度遥感等数据分析方法与技术被大量应用。其不仅用于监测作物水、肥、生化组分等信息,而且在作物病虫害监测方面也得到迅速发展。光谱反射率分析技术回归模型分析技术植被指数分析技术光谱微分技术基于光谱位置变量的分析技术遥感影像分析技术多角度遥感分析技术光谱反射技术它是一种直接、简单和快速的分析技术。它从传感器直接获得的数据入手,分析其转化后的光谱反射率特征,获取植被信息,具有普适性。以往研究虽然更多的使用反射光谱数据来估测作物光合有效辐射、LAI和叶绿素含量等生物物理参量,但也有估测作物病虫害的。如Ponzo-ni等用PEC-TRONSE-590光谱仪(光谱波段400~900nm)和LICON积分球研究作物缺素时的光谱特性,认为在可见光波段能检测到作物缺