遥感在农作物估产方面的应用.ppt

《遥感在农作物估产方面的应用.ppt》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、遥感在农作物估产方面的应用遥感应用于农业估产是遥感应用领域的一个重要方面，下面对其进行简要描述：﹡技术背景﹡基本原理﹡应用现状﹡技术背景遥感技术的物理基础是地物对电磁波的反射、吸收和发射特性。遥感波段的辐射源不同，辐射与地物相互作用的机理就不同，因此所反映的地物信息也就不同。在可见光、近红外波段，主要反射太阳光的辐射，遥感信息所反映的主要是地物的反射率。反射率的一个重要特点就是光谱特性，也即反射率随波长的变化而变化。我们能够利用遥感信息识别不同地物的一个根本原因就是因为各种地物间光谱特性具有一定的差异。植物的光谱特征可使其在遥感影像上有效地与其他

2、地物相区别。植物的光谱曲线土壤的光谱曲线岩石的光谱曲线其他常见地物的光谱曲线﹡基本原理任何物体都具有吸收和反射不同波长电磁波的特性，这是物体的基本特性。人眼正是利用这一特性，在可见光范围内识别各种物体的，遥感技术也是基于同样的原理利用搭载在各种遥感平台(地面、气球、飞机、卫星等)上的传感器(照相机、扫描仪等)接收电磁波，根据地面上物体的波谱反射和辐射特性，识别地物的类型和状态。农作物估产是指根据生物学原理，在收集分析各种农作物不同生育期不同光谱特征的基础上，通过平台上的传感器记录的地表信息，辨别作物类型，监测作物长势，并在作物收获前，预测作物的产

3、量的一系列方法。它包括作物识别和播种面积提取、长势监测和产量预报等重要内容健康植物的的波谱曲线有明显的特点，在可见光的0.55μm附近有一个反射率为10%～20%的小反射峰，在0.45μm和0.65μm附近有两个明显的吸收谷，在0.7～0.8μm是一个陡坡,反射率急剧增高,在近红外波段0.8～1.3μm之间形成一个高的,反射率可达40%或更大的反射峰,在1.45μm,1.95μm和2.6～2.7μm处有三个吸收谷。健康绿色植被都具有基本的光谱特性，其光谱响应曲线有一定的变化范围，但曲线形态变化是基本相似的，这是因为影响其波谱特性的主导控制因素一致

4、。从植物的典型波谱曲线来看，影响植物光谱的因素包括植物叶子的颜色，叶子的组织结构，叶子的含水量以及植物的覆盖度受损害植物光谱曲线应用遥感信息进行农作物估产，可按以下步骤进行1、分析作物冠层及其背景的放射光谱特征，引入和计算植被指数；2、分析作物冠层放射光谱特征和冠层状态参数之间的关系，并进一步确定植被指数与叶面指数LAI之间的关系，以及与作物产量的关系；3、确定植土比，并根据植土比分析遥感植被数与作物面积的关系；4、分析遥感植被指数与植土比和叶面指数的综合关系；5、建立估产模型。主要的估产模型有：一、遥感统计模型目前，基于统计的遥感估产有三种技术

5、路线：一是遥感光谱绿度值（植被指数）——生物量关系模式。在对作物、草原、森林的估产中这是常用的思路，但是该方法得到的遥感估产等级图只反映卫星摄影时的植物长势和生物量的空间分布状况：二是遥感光谱绿度值-地物光谱绿度值-生物量关系模式，即先分析实测地物光谱绿度值与生物量之间的关系，建立相应模型，再分析卫星遥感植被指数与地物光谱绿度值的关系，建立卫星遥感植被指数与与生物量之间的关系模型，最后利用光谱检测模型进行检测与估产；三是遥感-地学综合模式。该方法将气温、降水等环境因子引入模式，与遥感-生物量模型互相补充，克服各自存在的缺陷，可进一步提高估产精度。

6、建立的统计模型有线性、幂函数、指数、对数等，回归的方法有一元回归、多元回归、逐步回归等，得到的系数差别较大，并且应用也局限于建模的时间和地点，在很多情况下地面资料的数量也影响模型的精度。综合模型借助遥感信息和植被信息、气象因子等来建立，其包含了更多的信息量，可以更加精确地反映植被的生物物理参数。尽管这类方法前景广阔，但受到模型中大量参数和变量获取的限制（如呼吸、衰老、光合作用、碳分配、凋落物的分解等），以及当物种的组成在时空上变化较大时出现复杂的、异质性的、冠层的描述问题的影响，部分模型只适用于当时的研究区域，如何通过“尺度扩大”来改进模式中的区

7、域限制，更好地适用遥感信息的同化需要，也是亟需解决的一个关键问题。二、综合模型﹡应用现状国外遥感估产研究的进展状况美国首先开了农作物遥感估产之先河，美国农业部、国家海洋大气管理局、宇航局和商业部合作制定了“大面积农作物估产实验(1974～1978)计划”，组织实施了小麦估产计划，应用先后发射入轨的陆地卫星1～3接收处理出的MSS图像，首先对美国大平原9个小麦生产州的面积、单产和产量做出估算;尔后对包括美国本土、加拿大和前苏联部分地区小麦面积、单产和产量做出估算;接着是对世界其它地区小麦面积、总产量进行估算。调查分析美国、原苏联、加拿大等主要产粮国

8、的小麦播种面积、出苗状况和长势，并利用气象卫星获得的气象要素信息，结合历年统计数据进行综合分析，建立的小麦估产模型精度高达90%以上。1