农情遥感监测与估产.ppt
农情遥感监测,中国农业大学信息与电气工程学院：张超地理信息工程系2023年10月9日星期一,主要内容,农情及农情遥感监测农作物长势遥感监测农作物遥感估产干旱遥感监测农业灾害遥感监测,农情与农情监测,农情即农业生产情况。农情监测是对农业资源、环境与农业生产过程的监测，重点对耕地、草地与海洋渔业资源，主要粮食与经济作物生长过程进行监测。农情监测意义重大，关系到国家粮食安全、主要农产品供给、社会安定与农业可持续发展。,农情监测,主要方法：农情地面监测和农情遥感监测农情地面监测依靠全国各地的农情监测站点，按照规范的要求，定期收集本地区农作物的播种面积、田间管理、作物长势、各种灾害以及作物产量等信息，逐级上报存在问题：客观性、时效性、点上数据难以反映宏观的整体情况,土壤墒情与作物长势地面监测样方基本情况调查表,每个地面监测样方只有一个代码！编码规则：6位行政区划代码+1位该地区地面监测样方的顺序码，共7位数，如5221233，其中，前6位数表示贵州省赤水市绥阳县，3表示本行政区内地面监测样方顺序码。,根据采样顺序依次编号为1、2、3、4。要求填写的数据均以“度”为单位。,可参考当地资料填写。如地处河流冲积平原，要区分出河床、河漫滩、阶地等；山麓平原要区分出坡积裙、洪积锥、洪积扇、扇间洼地、扇缘洼地等，黄土丘陵要区分出塬、梁、峁、坪等。丘陵要区分高丘、中丘、低丘、缓丘、漫岗等。,影响限制作物品种产量及正常生长的主要因素。填写干旱缺水、渍涝（旱地）、盐碱、瘠薄、风沙、坡度、其他或无。,是土壤生产能力的一个综合指标，包括对土壤肥力、有机质含量、质地等因子的综合评价。这里要求给出定性评价即：高、中、低。填写其一即可。,指该监测样方土壤的生产力水平和质地特性在本县耕地中所占面积比例，单位是。,产量水平标明主要作物名及其亩产量，作物凋萎含水量是使作物出现永久凋萎的土壤含水量值，是一个土壤水分常数，单位是。根据当地常年统计资料及有关科研资料填写。,根据作物实际种植情况选择：一年一熟、一年两熟或二年三熟中的一种。,是农田灌溉的重要参数，即在地下水位较低的情况下，土壤所能保持的毛管悬着水的最大值，是植物可利用土壤水的上限。,农情遥感监测概念,农情遥感监测主要应用遥感技术，对农业资源、环境与作物生长过程的监测与分析。即应用遥感技术采集并分析耕地、草地的数量、质量、利用状况，以及主要农作物的面积、长势、灾害和产量等农情信息，为相关政府部门、生产者、消费者提供信息支持。,农作物长势监测指对作物的苗情、生长状况及其变化的宏观监测遥感估产，农作物种植面积估算、农作物单产及总产预测，一直是农业遥感研究的重点。农业灾害监测，我国在水灾遥感监测方面的研究较多；在旱灾方面的研究也较多，发展了植被指数法、地表温度法、条件温度植被指数（王鹏新）等；还有在农作物冻害、倒伏和病虫害监测方面的研究,农情遥感监测主要内容,农作物长势监测,长势，即作物生长的状况与趋势。作物的长势可以用个体与群体特征来描述。发育健壮的个体，构成合理的群体，才是长势良好的作物区。,作物长势监测参数（冬小麦）,作物长势监测的理解,作物长势监测指对作物的苗情、生长状况及其变化的宏观监测。作物生长过程是一个长势动态变化的过程，是产量信息不断更新和确定的过程。作物长势监测的本质是在作物生长早期阶段就能反映出作物的产量的丰欠趋势，通过实时的动态监测逐渐逼近实际的作物产量。,作物长势监测的基础,对于多光谱遥感影像，作物生长初期，随着作物生长，叶子结构中叶孔的增加，叶子表面散热能力增强，近红外波段值逐渐增加，叶绿素吸收能力增强，红波段的值逐渐减速少，NDVI值逐渐增加；而在作物生长未期，由于枝干由绿色变为黄色，叶绿素吸收能力减小，相应的红波段的反射值将会增加，叶面的叶孔相对收缩，散发的热量降低，近红外波段的值将会减小；因此利用近红外波段和红波段的线性组合可以很好的反映作物的生长过程特征。所以常用作物生长的NDVI动态迹线、以最直观的形式反映作物从播种、出苗、抽穗到成熟收割的变化过程。通过NDVI反演LAI，综合反映作物长势,作物长势监测的内容,实时监测：指利用实时NDVI图像的值，通过其与去年或多年平均，以及指定某一年的对比，反映实时的作物生长差异的空间分布，可以对差异值进行分级，来统计和显示区域的作物生长状况。过程监测：通过时序NDVI图像来构建作物生长过程，通过生长过程的年际间的对比，来反映作物生长的状况，可以统计生长过程曲线的特征参数包括上升速率、下降速率、累计值等各种特征参数，借以反映作物生长趋势上的差异，从而也可得到作物单产的变化信息。,作物生长过程：时序DNVI曲线,出苗期,抽穗期,收获期,一年一熟作物,一年两熟作物,作物长势遥感监测指标,作物长势遥感监测指标提取,遥感影像去云重构 区域作物生长过程遥感提取作物生育期遥感监测,NDVI,LAI,作物长势,地面监测农学模型,作物长势遥感监测,农业部遥感中心,遥感农作物估产,遥感估产,农作物总产量等于种植面积乘以单位面积产量（单产）从种植面积提取和单产估计两个角度出发进行遥感估产,遥感大面积估产概述,早在1974-1977开始，美国农业部的大面积估产计划（LACIE），主要利用Landsat MSS和NOAA/AVHRR数据我国1983-1987开展京津冀地区冬小麦遥感估产国家“七五”、“八五”遥感估产列为国家攻关项目，并作了大量理论与方法研究。,我国遥感估产,我国目前遥感大面积估产主要承担：中科院遥感技术应用研究所中国农业科学院农业资源与农业区划所农业部规划设计研究院,作物面积监测,保证粮食生产的第一步是保证播种面积。全国粮棉主产区的种植面积监测是产量估计的基础。应用遥感技术可以及时、可靠的监测我国主要农作物的种植面积，或种植面积的变化,作物面积和耕地监测不同：时间尺度。作物在一年之中随季节而变化，年与年之间也有差别。作物面积监测时效性强不同作物识别。作物面积监测，需要量算不同作物的面积。难点是不同作物的识别,作物面积遥感监测主要方法：采用卫星遥感数据，区域全覆盖结合地面样点进行分类，提取不同作物的种植面积采用低分辨率卫星遥感数据，全国或大区域作物面积遥感初步监测，结合抽样计算不同作物面积,遥感与抽样技术结合,对某种作物，全国进行区划（物候、气象、太阳辐射、土壤等因素）不同区划区域进行抽样。和遥感监测结合，得到某种作物的种植面积在遥感技术的支持下，基于经典统计抽样原理，结合空间统计学理论，发展起来的空间抽样技术与遥感监测，在大面积农作物种植面积提取与估产中广泛应用。,遥感与抽样技术结合,大尺度作物面积遥感监测,目视解译结合地面样点的监督分类方法分层分区图像分类法多时相分析方法多源数据结合的方法其它遥感影像分类方法：神经网络方法、模糊数学方法、专家系统方法、基于混合像元分解的分类、面向对象的信息提取多种方法的结合应用,遥感图像分类监测方法,作物的光谱特征在其生长季中是不断变化的，不同作物的物候期常常存在交叉现像，因此通过单时相的遥感影像不可能获取所有作物的最大差异。而利用多时相遥感影像，借助植被物候所提供的辅加信息，会使分类精度有较大程度的提高。,1.地面采样点数据,外业调查目的,数据处理和模型构建提供基础信息,外业调查工具,手持式GPS（Garmin GPS 12XL）进行外业调查的现场定位,坐标变换,通过GIS软件将GPS定位的样地经纬度数据转换成与图像坐标一致的大地坐标。然后在遥感图像上进行地面样点地位，读取地面样点的遥感监测信息,基于时序TM数据的作物分类,北京地面采样点,基于时序TM数据的作物分类,2.NDVI时间谱曲线,NDVI计算公式,将作物的NDVI值以时间为横坐标排列，便形成了作物生长的NDVI动态迹线，它以最直观的形式反映了作物从播种、出苗、抽穗到成熟、收割的NDVI变化过程。作物种类不同，其NDVI曲线具有不同的特征,NDVI时间谱曲线,基于时序TM数据的作物分类,3.北京NDVI时间谱曲线,基于时序TM数据的作物分类,4.北京研究区作物分类决策树法,对北京研究区主要作物种植信息的提取是在对时间谱曲线分析的基础上利用决策树分类的方法实现的。首先根据不同作物生育周期季相节律差异性，设计不同的决策函数，分别提取不同作物的种植信息。,基于时序TM数据的作物分类,2004年5月19日TM图像,2004年7月6日TM图像,2004年4月17日TM图像,基于时序TM数据的作物分类,北京DEM,基于时序TM数据的作物分类,5.北京研究区作物分类技术路线,基于时序TM数据的作物分类,2004年北京主要作物空间分布图,基于时序TM数据的作物分类,遥感监测北京主要作物种植面积（公顷）,基于时序TM数据的作物分类,作物单产估产模型,作物产量形成因素,作物产量形成因素的理解是综合的、宏观的、多因素的。作物产量包括作物本身的生物学因素，以及土地、土壤、气候、农业管理等综合因素。这些因素有受人类控制的因子，也有受自然条件影响的因子。,因素一：生物学因素,作物本身的光谱特征、作物的水分含量、作物的品种等。作物产量的实质是绿色植物利用光能，固碳C的过程，即光合作用过程。叶绿素是植物生产生物量的基础。光合面积和单位面积叶绿素含量与产量有直接关系。植物的光谱信息一定程度上反映叶绿素的含量，而水、热、气、肥等环境因素直接影响光合有效辐射（Photosynthetically Active Radiation，PAR）向干物质转换的效率。发展了光谱-产量模型、绿度-产量模型等,因素二：水、土等环境因素,包括土壤、地形、地下水、灌溉条件、土壤肥力等。它提供作物基本的生长条件，如土壤的酸碱度、营养物质、根系通风状况、水分供应等，是决定一个小区域产量的主要和基础因素。,因素三：气象因素,主要指日照条件（日照强度和时数）、温度、降水量等因子作物在生长发育时期，不仅要求一定的温度水平（温度的高低），而且还需要一定的热量总和，热量总和通常是用作物生长期逐日气温的累积值表示，这个累积值就叫作积温，单位是度日，简称度。活动积温（10度）和有效积温（上、下限温度间）不同地区作物的生育期不同，冬小麦生育期有播种、冬前、返青、起身、拔节、孕穗、抽穗、扬花、灌浆、成熟等10个。光照、温度、降水的气象因素以及土壤因素决定了一个地区作物的自然生产潜力，是进行作物估产分区的基本指标。,因素四：农业管理因素,在当地条件下逐步形成的，具有相对稳定性，如间作、轮作、一年两作以及具体的施肥和灌溉等,单产模型,单产：一种农作物单位面积产量早期的作物估产模型有：农学-气象产量预测模型、作物-生长模拟模型、经验统计模型等。也就是传统的统计分析与气象因子综合估算法；20世纪70年代后期，利用遥感技术进行估产。理论上探讨植物光合作用与作物光谱间的内在联系，以及作物的生物学特性与产量间的复杂关系；方法上，将光谱的遥感机理与作物生理过程统一，建立基于成因分析的遥感估产模型。,单产模型,作物长势分析是一个动态的过程，需要多时相遥感信息来反映植物生长过程的节律特点。常以数量化的植被指数（如NDVI，PVI）作为评价作物生长状态的定量标准。某一时刻的植被指数是该时刻作物长势的函数。通过植被指数结合地面实际调查数据，可建立起各种不同条件下，单位面积产量与植被指数间的数量关系，即估产模式。,作物估产模型,统计估产模型农学估产模型气象估产模型遥感模型（或称光谱-产量模型）综合估产模型同化估产模型,统计估产模型,分为全面统计估产和统计数学模型估产模式。全面统计估产采用的是随机取点，等距多阶抽样方法，估产精度较高，但季节性很强，并受选择田块的代表性影响，且要耗费大量的人力、物力和财力，因此大力推广难度很大。统计数学模型估产主要是根据统计数据与作物单产之间建立的相互关系，采用逐步回归关系来建立估产模型,农学估产模型,农学估产模型是根据作物生长发育阶段的生理参数与作物产量构成要素间的相关性来建立估产模型。冬小麦、水稻和玉米等主要作物的产量由3个要素构成：单位面积有效穗数、每穗平均粒数和粒重。农学估产模型涉及的农学参数较多，而且测定有难度，需要大量的样本实验。由于地域差异性，不同地区作物生理参数有较大差别，其参数在获取和空间外推方面困难，限制了模型在实际应用中的推广。,气象估产模型,气象估产模型主要是依据对作物产量影响较大的气象因子与产量建立起预测模型来估算作物单产。这种估产方法本质上也是统计分析估产方法，但是这种方法强调了人为因素与气象自然因素对作物产量的影响，较之一般的统计估产方法更有合理之处。,遥感模型（或称光谱-产量模型）,由于作物在各生育期的长势差异，可以通过各波段（主要是红波段、近红波段和热红外波段等）光谱反射，差异表现出来。因此可以利用卫星或机载传感器获取的地面作物的光谱信息来估算作物的产量。常用的光谱信息有NDVI(归一化差值植被指数)、RVI(比值植被指数)、PVI（垂直植被指数）、DVI（比值植被指数）等。,主要农学参数与遥感的关系,单位面积作物的产量由三个参数决定：穗数S、粒数L、千粒重T。即：单位面积产量穗数S，决定于返青抽穗期单位面积上有效光合作用的强弱，取决于冬前的水肥条件（土壤水分含量、土壤肥力水平等）与积温（日照辐射量等）。通过遥感数据所得的NDVI/PVI（垂直植被指数）可以估算冬小麦穗数,粒数L，决定于抽穗扬花期单株光合作用的强弱。它与土壤水分含量以及温度、湿度、土壤肥力水平、风速等有关。可用PVI/S(穗数)来估算粒数L千粒重T，决定于扬花乳熟期单株光合作用的强弱及能量的转移速度。这与植株的含水量及温度、土壤含水量、干热风等有关，也可以通过千粒重与PVI/S（穗数）建立起的相关来求得。,遥感估产特点,遥感估产需要作物生长全过程的光谱参数。由于构造产量的3个要素分别于作物不同生长期的PVI/NDVI有关，所以必须掌握作物生长全过程的光谱参数才能正确估产。遥感估产主要运用遥感数据中反映植物光合作用与活性的代表波段可见光红波段和近红外波段。,遥感估产特点,遥感估产离不开地面调查的配合遥感估产还需要积温、日照时数、土壤含水量等非遥感的农学参数和气象参数的支持，所以在GIS支持下进行遥感与非遥感数据的综合分析是提高遥感估产精度的必要途径。,综合估产模型,综合估产模型就是综合利用上述各种估产模型的优点，将遥感模型与非遥感模型结合起来，从作物产量形成机制角度出发，以遥感信息为主，辅以非遥感信息来建立更加科学合理的估产模型。这也是今后作物估产模型发展的方向。,同化估产模型,数据同化：作物生长模型和遥感数据结合作物生长模型与遥感数据耦合，对估产的关键因子（LAI）进行优化，来调控作物生长模型的初始参数（最大叶片数等）用调控的初始参数，通过作物生长模型，模拟作物产量。同化估产方法是估产的发展趋势之一。,
