论文部分内容阅读
田间秸秆覆盖能够有效防止水土流失,提升土壤质量,增加土壤有机碳含量。秸秆覆盖度是许多农业生态系统模型中的关键参数,因而有效、准确地估算秸秆覆盖度至关重要。目前,传统秸秆覆盖度估算方法——拉绳法(Line-transect method)仍被广泛使用,但是该方法速度慢、效率低,且易受到人为因素的影响,同时不能有效反映区域尺度以及田间尺度内的秸秆覆盖度变异信息。遥感技术具有快速、客观的特点,能够作为传统方法的有效替代。目前,众多遥感光谱指数已被用于秸秆覆盖度的估算,但缺少对这些指数的对比研究;其中部分光谱指数所依附的影像数据已经无法获取,因而有必要寻找新的影像源;同时,在利用遥感光谱指数估算秸秆覆盖度的过程中会受到水分的严重影响,为了有效估算秸秆覆盖度,水分影响必须得到有效消除。 本研究(1)基于室内光谱实验以及野外光谱实验,对9种常用光谱指数的秸秆覆盖度估算能力进行了详细比较;(2)通过构建归一化差异光谱指数,并采用逐步回归、主成分回归等方法,对SPOT-5影像的秸秆覆盖度估算能力进行系统评价;(3)利用线性模型和指数模型,构建了秸秆反射率水分效应模型;(4)采用外部参数正交化(EPO)方法,校正水分对秸秆覆盖度估算的影响。首先对EPO方法进行了有效改进,然后运用改进后的EPO方法分别针对模拟土壤、秸秆混合光谱和SPOT-5影像进行水分影响消除。主要研究结果及结论如下: (1)外部影响因素得到有效控制时(基于室内光谱实验),亮度指数(BI)、归一化差异指数(NDI5和NDI7)、归一化差异耕作指数(NDTI)、归一化差异衰老植被指数(NDSVI)、归一化差异秸秆指数(NDRI)、纤维素吸收指数(CAI)、木质素-纤维素吸收指数(LCA)、短波红外归一化差异秸秆指数(SINDRI)均能有效估算秸秆覆盖度(除红壤+小麦秸秆组合以及水稻土+水稻秸秆组外,估算模型R2>0.9,RMSE<0.1)。受到外部因素影响时(基于野外光谱实验),BI、LCA、SINDRI及CAI指数同样能够有效估算秸秆覆盖度,其中LCA、SINDRI和CAI指数在所有田块共同分析时,估算模型R2>0.92,RMSE<0.09;而NDI5、NID7、NDTI、NDSVI及NDRI指数的秸秆覆盖度估算结果较差。因而在影像易于获取的条件下,应当优选LCA、SINDRI及CAI指数进行秸秆覆盖度的估算。 (2)耕作方向对SPOT-5影像波段反射率具有显著影响(P<0.01),基于影像波段构建的归一化差异指数能够有效去除耕作方向的影响。利用线性回归模型估算秸秆覆盖度时,与单一影像波段及其余光谱指数相比,NDI41指数的估算结果最优(R2=0.588、RMSE=0.111);且与逐步回归模型(P=0.99)和主成分回归模型(P=0.71)的秸秆覆盖度估算结果间并无显著性差异。因而在利用SPOT-5影像进行秸秆覆盖度估算时,应当首选 NDI41指数进行秸秆覆盖度估算。 (3)线性模型和指数模型均能有效反映水分对秸秆反射率的影响,在短波红外区域,线性模型拟合精度为:R2>0.9、RMSE<0.025,指数模型拟合精度为:R2>0.9、RMSE<0.02;而且这两个模型的参数可以直接通过秸秆干态和饱和态时的反射率获取,因而易于模型的构建。秸秆反射率水分效应模型能够有效揭示水分对秸秆反射率的影响,能够用于秸秆含水量的预测,能够促进秸秆覆盖度估算过程中水分影响的校正研究。 (4)基于模拟土壤、秸秆混合光谱的EPO校正结果发现,改进后的EPO方法能够有效去除水分对秸秆覆盖度估算的影响。对于仅存在土壤水分变异或者秸秆水分变异的情形,EPO校正后,覆盖度与CAI、LCA间的关系有了明显改善,对于这两种指数,估算模型R2均提高到0.99、RMSE均降低为0.01。对于土壤水分变异和秸秆水分变异同时存在的情形,EPO校正后,覆盖度与CAI、LCA间的关系同样有了明显改善。对于CAI指数,估算模型R2由0.71提高到0.9以上,RMSE由0.17降低到0.1以下;对于LCA指数,估算模型R2由0.82提高到0.9以上,RMSE由0.14降低到0.1以下。 基于SPOT-5影像的EPO校正结果发现,EPO方法同样能够去除水分对秸秆覆盖度估算的影响。对于影像波段,XS2波段校正后秸秆覆盖度估算结果改善最为显著,估算模型R2由0.002提高到0.549,RMSE由0.142降为0.096。对于由影像波段构建的光谱指数,NDI34指数校正后估算结果改善最为显著,估算模型R2由0.181提高到0.538,RMSE由0.129降为0.097。综合EPO方法在模拟土壤、秸秆混合光谱和SPOT-5影像中的表现可以发现,使用EPO校正方法可以提高秸秆覆盖度估算的精度,这对于田间秸秆的有效管理具有重要意义。