论文部分内容阅读
农业是国民经济发展的基础，农业科技水平直接关系到国计民生和我国实现可持续发展，而精准农业是现代农业实现低耗、高效、优质、环保的根本途径，但精确农业的发展受难以获取实时作物长势和产量等信息的限制，遥感技术以其宏观、快速、无损伤、经济的特点，提供了可能性。遥感技术是实施精确农业最为重要的工具之一，可用于获取农田小区内作物生长环境、生长情况的精确信息。由于许多物质的吸收特征在吸收峰深度一半处(FWHM，Full Width at HalfMaximum)的宽度为20-40 nm，高光谱数据获得的连续波段宽度一般在＜10 nm，因此，这种数据能以足够的光谱分辨率区分出那些具有诊断性光谱特征的地表物质。高光谱遥感的出现与发展是遥感界的一场革命，它使本来在宽波段遥感中不可探测的地物，在高光谱遥感中能被探测。除了常规遥感对农作物生长监测的大面积、实时、非破坏性等优点，高光谱遥感技术应用于作物生长监测可以在光谱维上展开，通过其精细的光谱优势提高农作物生长监测的精度和准确性，在精确农业中表现出强大优势。本研究分析了高光谱遥感技术提取作物长势和产量信息的意义、原理和方法，以及研究现状和存在的主要学术问题。以长江中下游主要农作物(棉花、水稻和小麦)作为研究对象，研究了利用高光谱遥感技术估测作物农学参数、氮营养状况和产量，主要研究内容包括：
(1)关于合适作物参数选择问题。选用红光波段区域542～748 nm(R1)及近红外波段区域752～954 nm(R2)内，所有两波段组合NDVIs，RVIs，MSAVIs(共22500个组合)与叶面积指数(LAI)、叶绿素含量(CHZ．C)、叶绿素密度(CHL．D)及冠层鲜叶氮素含量(CLTN)间进行线性和指数回归分析，针对不同作物参数和植被指数选择出最佳的波段组合，结果表明，选择合适的作物参数可以提高高光谱指数与作物参数间估测的稳定性。单一的叶绿素含量参数与水稻作物参数间的相关性表现较好，但在棉花与水稻中表现较差，而同时含有叶绿素含量和冠层结构的作物参数叶绿素密度(CHL．D)与三种作物的相关性表现都较好，较之叶绿素含量参数更为稳定些。
(2)关于最佳植被指数及其模型的选择。作物叶面积指数(LAI)、叶绿素密度(CHL．D)、叶绿素含量(CHL．C)、冠层鲜叶氮素含量(CLTN)及地上鲜叶生物量(FLW)与高光谱指数进行相关分析。结果表明，基于传统遥感传感器λ680-λ800的窄光谱植被指数与宽光谱植被指数相比，并未显著改善与作物参数间的相关性；而基于λ700-λ800(棉花)、λ560-λ800及λ740-λ770(小麦)，λ730-λ800(水稻)的窄光谱植被指数可提高作物参数的估测精度。
(3)关于估测不同作物参数最佳波段范围选择及其优化反演模型。对于不同的植被指数(NDVIs、RVIs、MSAVI2s)，最佳两波段的分布存在较大的差异。对NDVI而言，705—730nm(R1)和750-800 nm(R2)(R2＞0.61)；及550-575nm(R1)和750-820 nm(R2)(R2＞0.63)；对RVI而言，600-620 nm(R1)和770-820(R2)(R2＞0.68)：565—575 nm(R1)和760-800 nm(R2)(R2＞0.68)；710─720 nm(R1)和750-810 nm(R2)(R2＞0.66)；对MSAVI2而言，560-690 nm(R1)和770-840nm(R2)(R2＞0.81)。从选择中可以看出对最佳波段的选择而言，起决定性作用的仍然是可见光区相对较窄的波段，波段分布范围主要在黄边红边范围区段，而近红外光区的波段范围相对较宽。多数波段最佳波段范围组合与许多传统的宽光谱传感器Red—MR通道的中心波段(分别为640～660 nm和800～870 nm)并不重叠。
(4)关于植被指数与LAI、CHL．D、CHL．C、CLTN之间合适的模型。有关植被指数—作物参数之间合适的估测模型，最常见的简单模型为指数模型和线性模型，就本研究来看，总的来说，三种作物选择指数模型或线性模型来估测与作物参数相关性差异不大。对于RVIs而言，无论是与LAI、CHL．D、CHL．C还是CLTN，指数模型虽然不能将R2值提高，但可将决定系数的范围扩大，即不同波段组合间的决定系数差异拉大，而对结果的反映更为清晰。对MSAVI2而言，与作物参数相关性较好，而且其波段组合范围较多，容易产生饱和问题。
(5)关于高光谱植被指数选择问题。本研究利用高光谱数据构建合适的高光谱植被指数和模型，来改善光谱反射率与植被参数间的相关性，结果表明，与小麦LAI、FLW、CHL．C、CHL．D及CLTN相关性较好的参数为R800，MSAVI2、Dr、SDr及比值植被指数SR680，mSR705；对水稻而言，与LAI、FLW、CHL．C、CHL．D及CLTN相关性最佳的植被指数分别为MSAVI2、SDr、MSAVI2、MSAVI2、SDr，主要是土壤调节植被指数(MSAVI2)及红边面积(SDr)；对棉花而言，与各作物参数相关性较好的参数为mSR705，mND705、SDr、R800、MSAVI2等。综合三种作物来看，就高光谱指数而言，红边参数较为稳定，与作物参数间的相关系数达到极显著的检验水平，特别是SDr及dRe表现更为稳定。其次土壤调节植被指数MSAVI2、R800和基于比值的高光谱指数(SR680、mSR705、mND705)也表现不错 (6)高光谱数据变换技术在估测作物参数(LAI)中的应用。在本项研究中，对水稻冠层高光谱反射率数据采用了6种不同的变换，进而来模拟作物LAI的变化。研究结果表明，利用对高光谱的求导运算能对非光合作用的背景物质—土壤信号进行压缩，使得由此估计到的生物变量值更为可靠和客观。利用微分光谱可以对水稻LAI进行较为精确的预测，使快速、无损伤地对作物进行监测成为可能。
(7)高光谱遥感技术估测作物参数(地上鲜叶生物量)研究。研究结果表明，从逐步回归选择出组合波段的模型上看，红边位置处的光谱变量对估测作物与地上鲜叶生物量间的相关性较为稳定，近红外波段位置随不同作物而变化较大。棉花水稻小麦三作物高光谱特征变量与地上鲜叶生物量之间的相关系数以红边面积(SDr)表现最好(R＞0.79)，达到极显著相关的水平；其次为基于光谱位置的变量中Dr、Rr、基于光谱面积变量SDy(R＞0.647)和基于比值的光谱变量SDr/SDb(R＞0.477)，(Rg—Rr)/(Rg+Rr)(R＞0.463)，(SDr—SDb)/(SDr+SDb)，这些高光谱特征变量与三作物间鲜叶生物量间都达到了显著相关性检验的标准，相对于其他高光谱特征变量而言较为稳定，可选其变量用来建立估算地上鲜叶生物量的模型。
(8)关于高光谱遥感技术估测棉花氮素营养状况。通过人为方式造成棉花氮素营养水平的等级差异，通过分析，得出了不同生育期对氮营养水平较为敏感的波段和植被指数。研究表明，在不同施氮处理间，近红外光谱反射率的差异较为稳定，而可见光区的光谱反射率差异性较差。与直接的光谱反射率相比，550～750 nm的包络线归一化反射光谱，可以显著增强不同氮处理间的光谱差异性，最佳识别波段没有出现在叶绿素吸收特征峰680 nm处，而是出现在波谷的两侧，特别是在640 nm和690 nm附近的波段为最佳识别波段。
(9)关于应用遥感技术估测主要农作物种植面积及产量的研究。本研究主要利用特定时期的遥感图像提取相关作物的NDVI值，与实验地的最终产量间建立估产作物单产的回归模型。从精度分析来看，整个张家港地区遥感估产小麦精度为92.73％，水稻为92.01％，能够满足估测所需要的精度。但对于不同的乡镇，遥感估测单产和地面调查单产间的差异性表现出了较大的变动，部分乡镇差异较大的，其遥测单产与地面统计单产的单产比率最大为15.88％。