论文部分内容阅读
随着我国改革开放的不断深入和经济的高速发展,人口不断增加,耕地资源不断减少,粮食安全问题凸显出来。从国家最高决策者到基本的农户都需要作物的长势信息,在作物各个生育期内尽早掌握作物的长势,在一定情况下比精确估计作物种植面积和产量本身还要重要,因为作物的长势信息可以对大规模的粮食短缺或盈余能够及早做出预警,指导农业进一步生产。 冬小麦是我国最重要的粮食作物之一,因此,对有13亿人口的农业大国来说,针对冬小麦进行长势监测是关系到国计民生的大事。 随着“3S”技术的发展,特别是农业遥感技术的发展,使得应用遥感影像快速、及时和动态的监测、评估作物的长势代替旧有的农学方法成为一种新的技术手段和主要发展趋势。 叶面积指数LAI(Leaf Area Index)是一个与长势的个体特征与群体特征都有关的变量,植被指数反演LAI是当前遥感监测长势的主要趋势之一。长势监测主要是通过遥感数据和地面数据结合建立模型,反演作物长势指标。 本文基于2004年的MODSI天数据,进行黄淮海冬小麦主产区内的石、衡、台研究区的长势监测,提取11种植被指数(NDVI、RVI、DVI、EVI、IAVI、PVI、SAVI、TSAVI、RDVI、MSAVI和GEMI)的单天数据作为遥感参数和地面实测的指标进行分析对比,分别建立LAI—植被指数和LAI—苗情指标模型。 研究表明,在LAI—植被指数模型中,多元线性模型比一元线性模型的拟和程度好,一元非线性模型中的部分模型比多元线性模型拟和程度好,在一元非线性模型中选取拟和度高的3种植被指数和3种拟和度高的模型做地面实测数据的验证,进一步确立最终的LAI—植被指数模型。修正的土壤调节植被指数MSAVI的S模型,在对LAI预测上的精密度和准确度都优于其他植被指数和其他模型,R=0.918,因此选择这个模型作为最终LAI的反演模型。 LAI—农学参数模型中,亩茎数可以代表作物的密度,反映作物的群体长势,选取亩茎数和LAI建立模型,R=0.699,结合LAI自身的值,参照冬小麦苗情分类的农学标准,可以直接确定冬小麦苗情的分类等级。至此,植被指数—LAI—地面农学参数整合模型建立完成。 用MSAVI反演的冬小麦苗情指标,监测2004年4月上旬冬小麦的长势,结合气象数据中的苗情数据的验证,准确度达到70.58%。 以LAI为媒介,将植被指数和地表农学参数连接起来,实现了遥感数据和农学数据的结合,为定量监测作物长势提供了一定的方法,但是由于模型误差的必然存在,可能对模型的通用性受到抑制,在今后的研究中继续收集更多的地面数据完善更大尺度内的长势监测模型。