七讲 农业遥感.pptVIP

*;农用地资源的监测 遥感农作物估产 农业灾害监测与预测; 遥感信息因其覆盖面大、实时性和现势性强、速度快、周期性和准确可靠以及省时、省力、费用低等优点，被广泛用于测定农用地的数量与质量的动态变化。 常用的农用地遥感监测方法基本上分为两种：逐个像元比较法和分类后比较法。前者首先是对同一区域不同年份同一时相影像的光谱特征差异进行比较，确定农用地发生变化的位置，在此基础上，再采用分类的法来确定农用地变化信息 。该方法优点是先确定农用地变化的位置，缩小分类范围，提高监测速度。后者是针对整个监测区域的逐影像系列同一位置分类结果确定土地利用类型变化的位置和所属类型，其优点是可以回避前一种方法所要求的影像系列一致的条件，以及影像间辐射纠正、匹配等问题，但需要选择合适的分类方法来改善精度。 ;*;遥感估产需注意问题： (1)遥感估产需要作物生长全过程的光谱参数。由于构成产量的3个要素（穗数、粒数、千粒重）分别与作物不同生长期的植被指数有关。因此必须掌握作物生长全过程的光谱参数才能正确估产。而Landsat／TM的时间分辨率有限，故遥感估产除用TM外，还离不开短周期数据。过去把某一时段的遥感光谱参数或它的累加值与产量直接挂勾的模式尚有不足，如过于密植，光谱值增加，但产量并非增加。 (2)遥感估产主要运用遥感数据中反映植物光合作用的代表波段——可见光红波段和近红外波段，说明遥感估产不仅直接抓住“光合作用”这一事物的本质，而且能给出定量分析数据——各种植被指数，它是单位面积光合作用的有效描述。 ; (3)遥感估产离不开地面实况的配合。遥感估产是建立遥感数据与产量构成要素间的内在联系。而这种内在联系是以地面样点试验为依据的。一方面遥感估产中遥感数据需要地面样点的定标，以建立模式；另一方面遥感估产的结果，又要地面样点的检验．所以遥感估产离不开地面实况的配合。 (4)遥感估产还需要积温值、日照时数、播种量、土壤含水量等非遥感的农学参数、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。 ; 遥感大面积作物估产主要涉及3方面内容：作物识别、作物面积提取、作物长势分析。在这3方面内容综合的基础上，建立不同条件的多种估产模式，进行作物的遥感估产。 1)作物识别与作物面积提取： 作物识别与作物面积提取，往往是结合进行的。其基本过程包括： (1)遥感数据的采集与预处理 根据区域分布、作物类别、农学历等特点，选择空间、波谱、时间分辨率相对应的遥感图像数据。 ; (2)作物专题信息的提取 常采用植被指数法提取作物专题信息。植被指数中包含有多种作物类别与作物长势方面的信息，如植物叶面积指数、叶绿素含量、植物覆盖度、生物量等，那么就可以通过植被指数来反演与作物估产模型有关的各种参数，如NDVI与作物覆盖度关系密切，可以有效地提取面积信息；RVI反映作物长势，可以提取生物量信息；PVI有效地滤去土壤背景及大气的干扰等。 由于不同自然地理单元内，作物的生长条件(光照、温度、降水、土壤等)和生长状况(包括自然与人为因素)在空间上会有很大差异。为了提高遥感估产的准确性．常按照作物生长环境及作物产量的区域分异规律，进行影像的分区、分类，以尽量保证同一区域内作物生长环境的一致性，并在分区的基础上进行作物专题信息的提取。 (3)作物面积提取及精度评价 ;*; 通过以上的作物遥感识别、作物专题信息提取、作物长势分析，提取了作物生长及与产量有关的参数，则可以建立包括统计模型、半经验模型和物理模型在内的多种遥感估产模型。 (1)统计模型 a)建立多波段遥感数据生成的遥感参数——植被指数VI(如NDVI、PVI等)与作物单产的统计关系(线性回归模型)。各类VI经数学运算，信息，并可能部分消除了大气、土壤的干扰，可与产量直接统计相关。 b)建立遥感参数VI与主要农学参数(LAI)的关系。通过农学参数建立估产模型，一般是以作物叶面积指数LAI作为中间媒介，如建立垂直植被指数PVI与LAI与穗数—穗粒数—千粒重等农学参数之间的线性关系等。但事实上，无论比值类植被指数(NDVI、RVI)，还是差值类植被指数(PVI、DVI)，均与叶面积指数LAI，并非简单的线性关系。 ; (2)半经验模型 半经验模型侧重于研究作物产量与作物生理过程的关系，即描述作物光合作用、呼吸作用、蒸腾作用等与作物干物质积累的关系。由于作物的可见光与近红外光谱的变化(累积植被指数)与作物冠层吸收光合有效辐射(FAPAR)能力有关，而它们又与干物质生产有关，因而可用于遥感作物估产。研究