[go: up one dir, main page]

CN106600434B - 基于作物模型与同化技术的作物长势遥感监测方法 - Google Patents

基于作物模型与同化技术的作物长势遥感监测方法 Download PDF

Info

Publication number
CN106600434B
CN106600434B CN201610900984.8A CN201610900984A CN106600434B CN 106600434 B CN106600434 B CN 106600434B CN 201610900984 A CN201610900984 A CN 201610900984A CN 106600434 B CN106600434 B CN 106600434B
Authority
CN
China
Prior art keywords
growth
remote sensing
crop
assimilation
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610900984.8A
Other languages
English (en)
Other versions
CN106600434A (zh
Inventor
王来刚
郑国清
郭燕
贺佳
程永政
刘婷
杨春英
张彦
杨秀忠
张红利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Agricultural Economics And Information Henan Academy Of Agricultural Sciences
Original Assignee
Institute Of Agricultural Economics And Information Henan Academy Of Agricultural Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute Of Agricultural Economics And Information Henan Academy Of Agricultural Sciences filed Critical Institute Of Agricultural Economics And Information Henan Academy Of Agricultural Sciences
Priority to CN201610900984.8A priority Critical patent/CN106600434B/zh
Publication of CN106600434A publication Critical patent/CN106600434A/zh
Application granted granted Critical
Publication of CN106600434B publication Critical patent/CN106600434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种农作物长势监测预报方法，尤其涉及一种基于作物模型与同化技术的作物长势遥感监测方法，以GF‑1卫星数据为主要信息源，在应用共性关键技术，以及农业遥感基础产品生产分系统支持下，开展NDVI、EVI及LAI等长势指标的反演；以区域化的WOFOST作物生长模型为核心，以遥感长势指标或作物产量作为同化量，构建SCE‑UA算法代价函数，形成针对GF‑1号长势参数反演同化，从而能够有效的对农作物长势进行监测预报。

Description

基于作物模型与同化技术的作物长势遥感监测方法
技术领域
本发明涉及一种农作物长势监测预报方法，尤其涉及一种基于作物模型与同化技术的作物长势遥感监测方法。
背景技术
作物长势是农业日常用语，目前国内外对长势并没有明确的定义,也没有规范的算法。从字面上理解，长是指作物的生长发育，势在字典中解释为“表现出来的样子”，作物长势即作物生长发育表现出来的样子。势在汉语中还是一个哲学概念，势与形对，表示在事物特定的的结构与布局所决定的趋势。杨邦杰等将作物长势定义为“作物生长的状况与趋势”是合适的。从经验上判断，农技人员、农业管理人员、农民及与农业有关的人士在用作物长势一词时，也是基于状况与趋势二个方面，一方面关注作物的生物量，这是长势判断的基础，二是生物量的变化趋势，同样的生物量，在由弱变强与情况下，长势向好，在由强变弱的情况下，长势向差。
对于一定面积的作物的长势，决定于作物的个体特征与群体特征二个方面，作物个体特征主要用根、茎、叶、花、穗等的特征来描述，以小麦为例，反映个体特征的参数有：根的长度、数量与布局，株高与分蘖数，叶的数量、形状和颜色，穗粒数与千粒重等。
群体特征包括密度、布局与动态，密度指单位面积的株数或分蘖数，以小麦为例密度决定于基本苗数、分蘖数、穗数，布局指植株分布情况，以玉米为例，包括株距、行距与由于缺苗造成的植株分布的均匀情况，动态主要指生育期及作物受环境胁迫情况。上述个体参数与群体参数都是可以直接计数的，还有一类参数是需要结合个体与群体特征进行综合计算的，包括叶面积指数和覆盖度。
对作物个体特征进行测量是容易的，但不同个体的长势进行综合评价也是困难的，对一个较小的范围内的作物的群体特征进行描述也可以实现，对群体特征的优劣判断也是经验性的。作物总在在特定的地域特定的环境下生长发育，特别是动态的气候环境，很难用一个综合的指数，把作物个体与群体的特征综合起来，准确的反映作物长势全貌。现实中对主要作物长势的关注总是集中在一个较大的区域，各种区域差异因素使得对较大区域的作物长势进行定量的准确的描述与评价更为困难。
研究和建立一套成熟的面向作物长势监测和作物模型同化系统应用需求的区域作物参数反演技术是数字农业的必然要求和趋势。大量较为成熟的作物生长机理模型广泛应用于单点和区域作物生长过程模拟预测、田间管理、长势监测和产量估算等研究中。将数据同化技术与这些模型耦合时，还需要充分考虑各个模型的机理性、对同化参数的敏感性和不确定性以及区域扩展的适用性等问题。这些问题在现有的作物模型同化研究中还未得到较好地解决，同时缺乏系统深入的研究和探讨。目前还未见有国内外发布大区域或全球作物模型数据同化业务运行系统的相关报道。以上关键问题的深入研究和有效解决将有助于改进农情遥感监测业务的作物监测和预报水平。
遥感信息和作物生长模型的结合是学科交叉取长补短的典型例子。虽然近些年就遥感信息与作物生长模型结合的同化方法有过一些研究，但对一些问题如作物生长模型本身的复杂性、同化算法等的研究很少。有些研究虽然扩展到区域尺度，但耦合的作物生长模型仍然较为简单，很多过程没有考虑，或做了假设处理。真正将遥感信息和完整的作物机理化的生长模型结合起来并应用到区域上而且取得良好效果的研究，尚且不多。到目前为止，此类研究所使用的遥感数据多为自行试验获得的地面光谱测量数据和航摄图象为主，仅有的区域应用研究主要使用AVHRR遥感数据，也有SPOT/HRV数据和MODIS数据。
遥感信息与作物生长模型的结合点的选择常以LAI和反射率为主，也有使用其它参数的，如使用表面温度、土壤湿度等；很多研究的重心放在同化遥感观测数据来对模型的纠正上，尤其是多数研究都将生态系统中关心的LAI作为和作物生长模型的连接变量，很少有针对LAI的同化工作。
同样，所采用的优化算法也有不同效果，例如很多研究者采用集合卡尔曼滤波法，此可以并行计算，但是集合卡尔曼滤波实际应用中经常出现滤波发散的问题，表现为随着同化时间的增加分析值将越来越向背景场靠近，最终完全排斥观测数据。同化策略也是一个存在的问题，采用什么样的代价函数将会影响到同化的结果，而基于先验知识的代价函数则具有完善的理论体系，它不仅引入了先验知识项，而且考虑了代价函数中各项的不确定性(从距离最近的角度则代表了各项的归一化)；另外，在基于先验知识的代价函数中，描述观测项不确定性的协方差矩阵则一直是困扰反演研究的难题，很少有研究说明如何来描述这一项。
总之，由于遥感信息与作物生长模型(包括其它模型)的结合研究在国际上还是一个新兴的研究课题，各种研究成果较为分散，可比性不强，成熟统一的研究结论不多，因此，非常需要开展多方面的研究和尝试，包括使用的遥感数据、模型、方法、等等。
数据同化起源于20世纪中期，伴随着20世纪80年代全球对地观测能力的提高和全球环境变化研究需求，数据同化作为联系观测数据和模型的桥梁日益引起关注。数据同化算法作为数据同化系统的重要组成部分在过去几十年间也取得了极大的研究进展，许多学者不断致力于将数学领域新的研究成果引入数据同化领域，变分算法、集合卡尔曼滤波等一系列经典数据同化算法被提出，并取得了广泛的应用。进入21世纪，以粒子滤波、贝叶斯方法为代表的智能算法相继被引入数据同化领域，推动数据同化发展到一个新的高度。然而，在高维空间、多尺度、非线性、非高斯、复杂不确定性以及状态量空间相关性等多种因素的综合作用下，现有的数据同化算法的不足日益突出，针对上述问题的新的数据同化算法亟待被提出，这也是数据同化算法的发展方向。
发明内容
本发明的目的在于提供一种基于作物模型与同化技术的作物长势遥感监测方法，以GF-1卫星数据为主要信息源，在应用共性关键技术，以及农业遥感基础产品生产分系统支持下，开展NDVI、EVI及LAI等长势指标的反演；以区域化的WOFOST作物生长模型为核心，以遥感长势指标或作物产量作为同化量，构建SCE-UA算法代价函数，形成针对GF-1号长势参数反演同化，从而能够有效的对农作物长势进行监测预报。
本发明所采用的技术方案：一种基于作物模型与同化技术的作物长势遥感监测方法，其特征在于：包括以下步骤：
步骤1、遥感数据的收集、预处理和评价
首先收集高分遥感数据，然后对数据的预处理是针对高分遥感影像进行处理，包括以下4个步骤内容：
1)辐射校正：分为辐射定标和大气校正2步，可以消除或削弱卫星传感器等携带的系统误差，以及大气辐射传输过程中产生的误差；该校正将影像各波段原始像素值(DN值)转换为能定量反应地物真实属性的地表反射率或辐射率，用来计算各种长势监测所需的植被指数；
2)几何校正：分为正射校正与几何配准2步，通过该步骤可以消除影像的几何畸变和实地位置偏差，并使其具有正射投影性质；该步骤使同一多光谱影像的各波段影像完全叠合，使不同时相、不同传感器的同一位置影像完全叠合，为作物长势监测提供可靠的地理参考；
3)影像融合：通过该步骤可以提升原始图像的空间分辨率，为作物长势监测提供高分辨率的遥感底图；该步骤可根据实际决定是否实施；
4)作物种类的识别和种植面积提取：通过该步骤可以解译出工作区内各类作物的类别，统计出其种植面积，制作各种专题结果，为作物长势监测提供基本的属性信息；
步骤2、遥感影像数据存储和查询
利用ERDAS IMAGINE软件的影像库功能，构建遥感影像库；同时借鉴项目组的遥感数据查询系统功能，构建可业务运行的遥感数据查询系统，用于后续数据的使用；
步骤3、作物长势参数提取与反演
采用ENVI软件中的Band math功能，求取反映小麦、玉米和水稻的长势参数的指标，主要包括NDVI、EVI、LAI等参数；
(4)长势参数反演
首先对获取的田间观测数据进行整理，分析WOFOST模型的参数敏感性；然后计算遥感数据等效多光谱反射率，进行长势参数的反演和误差分析；
(5)基于WOFOST作物生长模型的长势参数同化
对获取的基础数据和田间观测的实测数据进行整理，为模型的运行做准备；
分析WOFOST模型的敏感性参数，确定要待优化参数；
代价函数的构建与SCE-UA优化算法的实现；
对模型同化的精度进行分析。
本发明的有益效果：
1、本发明方法，收集了基础数据(气象、降雨等)，采集了试验区的地面数据，以及遥感数据和替代数据RapidEye和Landsat-8，并对获取的数据进行了整理和预处理。
2、以OO-1和OO-4号数据、RapidEye和Landsat-8为主要数据源，在应用共性关键技术，以及农业遥感基础产品生产分系统支持下，进行了NDVI、EVI及LAI等长势指标的反演研究。
3、以区域化的WOFOST作物生长模型为核心，或者耦合ACRM光谱模拟模型，以遥感长势指标或作物产量作为同化量，构建SCE-UA算法代价函数，形成针对OO-1-OO-4号长势参数反演同化技术，服务于河南省农作物长势产品生产。
4、作物模型和遥感信息同化的运行方案，结合分布计算方法，以及降尺度优化算法的建立，可以解决更大区域的同化问题。
5、将遥感信息与作物单点模型同化结合，虽然可以实现作物模型中参数由点到面的反演，还可以获得作物生长的关键要素的时空分布和变化特点，为实现作物大范围长势监测提供了可能，但是这种方法存在明显的不足。首先，目前的作物模型虽是基于作物生长机理开发的，但是这些机理利用数学公式模拟实现的，在数学模拟中使用了大量的经验值作为系数，使得模型在大范围应用受到限制。其次，已有的研究多是针对比较同质的区域，与之相匹配的影像多为SPOT、TM，然而这些影像的光谱分辨率低，难以反演高精度的作物冠层信息，将遥感数据应用到模型参数校正的过程中会产生误差，参数再经过模型运行产生误差积累，导致同化后模型运行结果与实际结果产生偏差。本研究中，采用SCE-UA全局优化算法，结合分布计算方法，以及降尺度优化算法的建立，可以解决更大区域的同化问题。
附图说民
图1是本发明方法流程图。
图2是本发明方法验证流程图。
图3是本发明中遥感影像预处理流程图。
图4是本发明中样区中样点布设图。
具体实施方式
遥感影像预处理
(一)预处理的内容
通过辐射校正(包含辐射定标和大气校正)来消除或削弱卫星传感器等携带的系统误差，以及大气辐射传输过程中产生的误差。该步骤将影像各波段原始像素值(DN值)转换为能定量反应地物真实属性的地表反射率或辐射率，用来计算各种长势监测所需的植被指数。
通过几何校正(包含正射校正与几何配准)来消除影像的几何畸变和实地位置偏差，并使其具有正射投影性质。该步骤使同一多光谱影像的各波段影像完全叠合，使不同时相、不同传感器的同一位置影像完全叠合，为作物长势监测提供可靠的地理参考。
通过影像融合来提升原始图像的空间分辨率，为作物长势监测提供高分辨率的遥感底图。该步骤可根据实际决定是否实施。
通过作物种植面积提取，解译出工作区内各类作物的类别，统计出其种植面积，制作各种专题结果，为作物长势监测提供基本的属性信息。
(二)卫星影像的选择
应根据监测成果精度的要求，选择地面分辨率适宜的遥感影像。开展1:250000、1:100000、1:50000、1:10000比例尺精度的作物长势遥感监测，宜选择空间分辨率不低于30m、10m、5m、2.5m的遥感影像。
应根据任务要求，根据影像的时间分辨率来选择时相以满足调查时段约定，影像时相应易于区分土地利用、植被覆盖度、农作物种类与作物种植结构变化特征的遥感影像。
应综合考虑任务要求与作业条件，选择合适的谱段范围。卫星遥感影像采用的谱段范围一般为可见光、近红外、热红外和微波等。
(三)辐射校正
主要包括辐射定标和大气校正。辐射定标是为了消除影像数据中因传感器等因素引起的系统误差，通常使用定标公式对原始图像进行计算得出定标后的辐射率或反射率。
利用绝对定标系数将图像DN值转换为辐亮度图像的公式为：
Figure GDA0001221867610000061
式中：式中Le为转换后卫星相机波段等效辐亮度，单位为W·m-2·sr-1·μm-1，DN为卫星相机波段输出计数值；gain为相机在轨辐射响应度，单位为DN(W·m-2·sr-1·μm-1)，offset为暗噪声偏移量。
大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率、辐射率、地表温度等真实物理模型参数，包括消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等对地物反射的影像；消除大气分子和气溶胶散射的影响。
大气校正一般基于统计模型或物理模型，选择校正方法应遵循以下标准：如果对处理速度有较高要求，可以选择简化的黑暗像元法等简单高效的方法；如果对校正精度有较高要求，则需要采用基于MODTRAN4或6S等大气辐射传输模型的方法。
(四)几何校正
几何校正主要包括正射校正和几何配准。正射影像，是指改正了因地形起伏和传感器误差而引起的像点位移的影像。在地势起伏较大的地方，例如山区，使用正射校正来解决地势起伏较大引起的误差，做正射校正需要用DEM。
正射影像制作一般是通过在像片上选取一些地面控制点，并利用原来已经获取的该像片范围内的数字高程模型(DEM)数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像，相当于对原始影像地理位置的粗校正。
选择重采样方法应遵循以下标准：如果需要更多保留原始影像的光谱信息，选择最邻近重采样方法；如果需要图像更加平滑，视觉效果更好，则需选择双线性内插等更复杂的方法。
几何配准是应用多时相多传感器影像时必须的步骤，目的是使多景不同的影像在同一位置上完全叠合。
校正中需要选取不同影像间的同名像点，同名像点的选择应优先考虑那些不易随时间发生变化的明显地物点，如建筑物、山脊线交汇处、河流交汇处或道路交汇处等。同名像点应尽可能在整幅图像范围内均匀分布，点的数目须达到所选校正方法的要求。
通过自动的影像匹配，可以在没有或极少人工干预的情况下快速判别并生成大量高质量的同名像点。该方法主要基于灰度的影像匹配，并结合基于特征的影像匹配，使用最小二乘法来控制同名像点的个数和质量。
选择校正方法应遵循以下标准：地势平坦的平原区域采用多项式法(二次或三次)，处理速度较快；地势起伏较大的区域，如山区、丘陵地带，采用带DEM的投影变换法，校正精度较高；其它无法有效校准的情况下可选择线性/非线性橡皮拉伸。
(五)高分辨率影像融合
图像融合可以在只有高分辨率全色影像和低分辨率多光谱影像的情况下为作业提供高分辨率的融合多光谱影像。
在图像融合方法的选择上应遵循以下标准：如果需要更好的保留多光谱影像的光谱特征，可以选Gram-Schmidt Pan Sharpening；如果需要突出全色影像的纹理特征，选择HCS；如果多光谱影像与全色影像的分辨率之比为4:1，则可以选择专用算法SubtractiveResolution Merge。
在图像融合中，多光谱影像与全色影像的分辨率之比不应大于8:1，分辨率差距太大会极大降低融合的效果。
3.1.1.1地面数据采集
(一)基本信息
包括调查时间、调查地点、GPS定位、地理位置行政区定位、作物类型、作物品种，其中样区主要作物和品种类型参见表32。
表32主要作物品种类型和熟性
Figure GDA0001221867610000071
(二)主要作物生育期划分
(1)冬小麦生育期划分
冬小麦的生育期包括：播种、出苗、分蘖、越冬、返青、起身、拔节、孕穗、抽穗、开花、乳熟、成熟。各生育期的定义如表33。
表33冬小麦生育期观测标准
Figure GDA0001221867610000072
Figure GDA0001221867610000081
(2)夏玉米生育期划分
夏玉米的生育期包括：播种、出苗、三叶、七叶、拔节、大喇叭口、抽雄、吐丝、乳熟、完熟、收获。各生育期的定义如表34。
表34夏玉米生育期观测标准
Figure GDA0001221867610000082
(3)水稻生育期划分
水稻的生育期包括：秧苗、移栽、返青、分蘖、孕穗、拔节、抽穗、开花、灌浆、黄熟、收获。各生育期的定义如表35。
表35夏玉米生育期观测标准
Figure GDA0001221867610000083
Figure GDA0001221867610000091
(3)主要作物长势分级标准
①冬小麦长势分级标准
一类苗上：冬小麦植株生长状况好。植株健壮，密度均匀，高度正常，叶色正常，花序发育良好，穗大粒多，结实饱满；没有或仅有轻微的病虫害和气象灾害，对冬小麦生长几乎不造成影响，产量预计可达丰产年景的水平。
一类苗下：冬小麦植株生长状况良好。植株健壮，密度均匀，高度正常，叶色正常，花序发育良好，穗大粒多，结实饱满；有轻度的病虫害和气象灾害，对冬小麦生长有一定的影响，产量介于丰产年景与正常年景之间。
二类苗上：冬小麦植株生长状况中等。植株密度不太均匀，有少量缺苗断垄现象；生长高度欠整齐，穗子稍小；遭受虫害或气象灾害较轻，产量预计可以达到平均产量的水平。
二类苗下：冬小麦植株生长状况中等。植株密度不均匀，有明显缺苗断垄现象；生长高度明显不整齐，穗子较小；植株遭受中度虫害或气象灾害，产量预计不能达到常年平均产量的水平。
三类苗：冬小麦植株生长状况不好或较差。植株密度不均匀，植株矮小，高度不整齐，缺苗断垄严重；穗小粒少，杂草很多，病虫害或气象灾害对冬小麦产生严重危害，预计产量低很多，是减产年景的产量水平。
②夏玉米长势分级标准
一类苗上：夏玉米植株生长状况好。植株健壮，密度均匀，高度正常，叶色正常，花序发育良好，穗大粒多，结实饱满；没有或仅有轻微的病虫害和气象灾害，对夏玉米生长几乎不造成影响，产量预计可达丰产年景的水平。
一类苗下：夏玉米植株生长状况良好。植株健壮，密度均匀，高度正常，叶色正常，花序发育良好，穗大粒多，结实饱满；有轻度的病虫害和气象灾害，对夏玉米生长有一定的影响，产量介于丰产年景与正常年景之间。
二类苗上：夏玉米植株生长状况中等。植株密度不太均匀，有少量缺苗断垄现象；生长高度欠整齐，穗子稍小；遭受虫害或气象灾害较轻，产量预计可以达到平均产量的水平。
二类苗下：夏玉米植株生长状况中等。植株密度不均匀，有明显缺苗断垄现象；生长高度明显不整齐，穗子较小；植株遭受中度虫害或气象灾害，产量预计不能达到常年平均产量的水平。
三类苗：夏玉米植株生长状况不好或较差。植株密度不均匀，植株矮小，高度不整齐，缺苗断垄严重；穗小粒少，杂草很多，病虫害或气象灾害对夏玉米产生严重危害，预计产量低很多,是减产年景的产量水平。
③水稻长势分级标准
一类苗上：水稻植株生长状况好。植株健壮，密度均匀，高度正常，叶色正常，花序发育良好，穗大粒多，结实饱满；没有或仅有轻微的病虫害和气象灾害，对水稻生长几乎不造成影响，产量预计可达丰产年景的水平。
一类苗下：水稻植株生长状况良好。植株健壮，密度均匀，高度正常，叶色正常，花序发育良好，穗大粒多，结实饱满；有轻度的病虫害和气象灾害，对水稻生长有一定的影响，产量介于丰产年景与正常年景之间。
二类苗上：水稻植株生长状况中等。植株密度不太均匀，有少量缺苗断垄现象；生长高度欠整齐，穗子稍小；遭受虫害或气象灾害较轻，产量预计可以达到平均产量的水平。
二类苗下：水稻植株生长状况中等。植株密度不均匀，有明显缺苗断垄现象；生长高度明显不整齐，穗子较小；植株遭受中度虫害或气象灾害，产量预计不能达到常年平均产量的水平。
三类苗：水稻植株生长状况不好或较差。植株密度不均匀，植株矮小，高度不整齐，缺苗断垄严重；穗小粒少，杂草很多，病虫害或气象灾害对水稻产生严重危害，预计产量低很多，是减产年景的产量水平。
(4)主要作物土壤信息
①土壤类型信息
包括土壤类型及国标代码、土壤粒级组成、土壤有机质含量、土壤饱和持水量。
②土壤水分信息
土壤水分测量深度为0～20cm、20～40cm的土壤含水率。
(5)样点布设方法
样方布设：在监测区域内选择10-20个样方，样方大小为1km×1km。样方的分布要相对均匀，并要求样方内的种植结构具有一定的代表性。
样方调查时间：长势监测的初期。
样方调查内容：样方内种植结构与长势情况。
样方调查方法：利用GPS测出样方内种植结构图。
①样区选择原则
本项目野外样点的研究区域选择在许昌市(冬小麦-夏玉米)和信阳市(水稻)。根据分工及实验需要，在许昌市选择有代表性的5个样点县，每个县布设3～5个样区，共布设22个样点；同样，在信阳市选择有代表性的5个样点县，共布设20个样点。
在样点县取样区的原则：
a.样区是该县主产区，样区面积不小于1km×1km。
b.样区尽可能要远离村庄，尽量选择比较平整和规则的耕地。
c.样区内作物种植制度比较稳定。
②样点布设原则
在每个样区(1km×1km)中选择3-5个样点，样点的布设应该均匀分布在样区内，观测点的覆盖范围可以是正方形均匀分布，也可以是同心圆方式。在每个观测样点中再选择观测范围大约9平方米左右的具体点进行观测，如图4绿色框中的范围所示。
(6)作物生长信息采集
①地面数据调查
调查内容主要包括作物种植面积地面样方、物候期、田间管理、土壤参数、物理参数、生理参数和产量等7类数据的采集。
②作物种植面积地面样方调查
均匀布设10个地面样方，每个样方不小于1km×1km，2013年-2014年，采用差分GPS每年分别对冬小麦、夏玉米和水稻进行一次测量。
③作物物候期观测
每隔5天观测1次，记载作物物候期。
④作物田间管理调查
记录作物生长发育期间的田间管理措施，包括整地、播种、喷药、施肥、中耕、除草、病虫害、灌溉和收获等内容，每隔15天观测1次。
⑤作物土壤参数调查
在作物播种前，对土壤基础肥力等指标进行考察，包括：土壤质地、土壤水分、土壤有机质、土壤全氮、土壤碱解氮、土壤速效磷和土壤速效钾。
⑥作物物理参数调查
包括作物长势等级、高度、密度、盖度、群体分蘖等内容，每隔15天观测1次，测定株高和干物质。
⑦作物生理参数调查
包括叶面积指数(LAI)、叶绿素含量、光谱、光合有效辐射(PAR)等内容，每隔15天观测1次。
⑧作物产量调查
实际产量：成熟期从各样方选取2m边长的正方形样点2个，单独收割脱粒，每处理3次重复，称重计产，子粒含水量为13％计算。
理论产量：在成熟期调查小麦穗数、穗粒数和千粒重，计算出理论产量。
理论产量(kg/亩)＝亩穗数×穗粒数×千粒重(g)/1000×1000
(7)地面取样及分析方法
①土壤样品采集
在作物播种前，在田间各样点利用土钻采集0～40cm土层样品，每20cm为一层，共2层；取样后一部分即装入铝盒，称取鲜土重，110℃烘干至恒重，计算土壤含水量；另一部分装入自封袋中，带回实验室内自然风干，便于测定土壤基础肥力。
②干物质测定
试验取样时期为每间隔15天取样一次，各样方选取代表性植株10株带回室内，并按叶片、茎杆+叶鞘、颖壳+穗轴、籽粒进行分样。所取样品在烘箱内105℃杀青15min，然后在80℃烘干至恒重。
③生理指标测定
采用SPAD-502叶绿素测定仪测定叶绿素含量。选择晴朗无风天气，测定时间为10:00～14:00之间，采用光谱仪测定光谱；利用SunScan冠层分析仪测定LAI和冠层光合有效辐射。
(8)作物取样方法
①密度取样方法
在田间各样点随机选择一米六行作物植株样段，量取长度和行距，计算亩密度。在此范围内量取作物株高，测量株高的标准为：只量取地面到作物冠层高度的距离(自然株高)。
②取样方法
在田间各样点随机选取植株30株，带回实验室测量叶面积，叶面积采用长宽系数法。对其器官(叶片、茎鞘、穗颖、籽粒)进行分样，然后在烘箱105℃下杀青30min，80℃下烘干至恒重，称量。为了计算叶面积，每一个样点记录取样植株面积(长和宽)。
3.农作物长势监测
(1)监测手段
利用遥感数据多光谱波段进行线性和非线性组合生成植被指数(如NDVI、EVI等)，结合冬小麦、玉米、水稻等大宗作物地面观测的农学参数(如LAI、生物量)，建立二者之间的相关关系，利用这种定量关系生成大区域遥感反演的农学参数，从而指示作物长势。
(2)监测原理
遥感卫星传感器记录的是地物的光谱反射率，当卫星拍摄影像的环境因子基本相同时，同类作物反射率的差异，即可看作是作物本身在生育过程、长势、生理状况等方面的差异。结合作物生长特点，对遥感影像进行相应处理和分析，即可构造出与农作物生长情况密切相关的指标，实现对作物长势的监测。
植被指数(VI)的定量测量不仅可表明植被活力，而且植被指数相对单个波段探测生物量有更好的灵敏性。植被指数是无量纲数，是利用植物叶冠的光学参数提取的独特光谱信号。植被指数与作物分布密度呈线性相关，不仅是作物生长状态以及作物空间分布密度的最佳指示因子，而且其大小与作物的覆盖度(水平密度)和叶面积指数(垂直密度)等要素密切相关，所以可以用遥感方法来估算作物的叶面积指数和覆盖度等作物长势指标。
(3)监测内容
①设计大宗作物长势定量遥感监测评价指标体系
同一区域不同生育期的作物长势监测的最佳植被指数是存在差异的，不同区域同一生育期的玉米长势监测的最佳植被指数也是是存在差异的，本项目从常用植被指数NDVI和EVI两个植被指数入手，研究大宗作物不同生育期长势监测的有效性和适宜性，从而设计大宗作物不同区域不同生育期主要的长势定量遥感监测评价指标体系。
②探讨大宗作物长势定量遥感监测与评价技术
结合传统的长势定性分析方法，研究定量化的长势遥感监测评价技术。叶面积指数这一农学参数是反映作物生长发育状况的最直接指标，通过建立作物的植被指数与叶面积指数等生物物理参数之间的定量关系模型，探讨利用植被指数评价大宗作物长势的定量遥感监测技术。
(4)监测方法
①遥感参数选择
由作物光谱响应特征可知，在其生长发育不同的阶段，作物对可见光以及近红外光的反射率会有很大的差异，这就造成基于光谱反射率构建的植被指数对于处于不同生育阶段的作物长势的指示作用发生相应变化。同时，植被指数构建的机理不同，对作物生长环境条件如气候、土壤等背景的修正存在差异。因此，需要验证作物不同生长阶段长势指标的适应性。该过程的实现是通过建立作物全生长阶段内植被指数与农学参数LAI的相关关系，分析相关系数，以相关性最高的植被指数用来反演不同生育阶段的作物长势。
①农学参数反演模型
用于拟合模型参数的叶面积指数数据可以通过地表测量和模型模拟两种方式获得。将地表测量作为植被叶面积指数的真值，通过拟合其与遥感植被指数的关系，可以建立两者之间的经验模型用于叶面积指数反演。另外，采用表征冠层辐射传输过程的物理模型模拟也可以获得叶面积指数，通过模型模拟叶面积指数与植被指数建立关系模型，可以解决地表测量在观测角度、植被类型和背景状况等方面缺乏代表性的问题。
叶面积指数与植被指数之间的函数形式随着植被指数和植被类型不同而存在差异，对于不同的区域和植被类型分别拟合选择最佳的函数形式和参数，函数形式以线性、指数、对数、多项式、幂函数几种。
线性关系式：y＝ax＝b
指数关系式：y＝aebπ
对数关系式：y＝aln(x)+b
幂函数关系式：y＝axb
二次多项式关系式：y＝ax2+bx+c
选取拟合系数大于0.7，显著性小于0.05且具有表现作物生长机理的函数进行叶面积指数的反演。该过程在SPSS软件的统计分析功能进行。
(5)监测结果验证
①地面实地观测验证
可采用抽样调查的方法进行验证，验证样本的数量应按照各类长势监测结果不小于面积总数的5％进行实地核查，验证样本应在空间上均匀分布。采用GPS精确定位样本空间，如果位于遥感像元的几何定位精度之内的田块长势判断结果与遥感监测长势结果一致，则认为监测结果是正确的；否则为监测结果错误。对田间验证结果应填写验证记录表，并不断完善长势反演模型。野外验证应包括信息提取成果验证、长势监测中疑难点以及需要补充的样本验证、与现有资料对比有较大差异的监测成果验证。
②其他卫星数据验证
对长势监测结果的区域性验证，应利用其他卫星同类或相似的观测数据采用本产品同样的生成方法进行结果监测精度的检验。
(6)监测产品制作
监测产品以文字、专题图及统计表格等形式表示农作物长势监测结果。文字信息是指描述卫星遥感长势监测结果的有关信息：包括时间、范围、卫星及传感器等；长势监测专题图包括图名、图例、比例尺、行政区域地理信息，长势监测结果空间分布以一类苗、二类苗、三类苗分层设色，以突出作物的长势变化。对于日、月、季监测产品中的文字描述及统计表格中各行政区域内的长势等级的统计，在具体日长势等级的统计是基于当日单景产品影像进行统计的。月、季长势监测产品中各行政区域内的长势等级的统计分别是像元在当月、当季内各日产品中的取值之和。
产品质量评价标准化流程
1、遥感影像预处理质量评价
(1)几何校正
以具有准确地理位置的底图为基准，遥感影像几何校正后图面误差不应大于0.5mm，最大不应大于1mm。采用影像对影像校正时，两者配准后的误差不应大于0.5个像元，山区地形起伏较大的区域最大不应超过1个像元。
(2)大气校正
经过大气校正的遥感影像，植被区的波谱反射特征应符合健康植被的基本特征，尤其在蓝波段的高反射经过大气校正后反射率大大降低。
2、产品质量评价
(1)反演模型评价
基于遥感参数与采样LAI建立的统计回归模型，应选择拟合系数大于0.7，显著性小于0.05且具有表现作物生长机理的函数进行叶面积指数的反演。若模型精度均呈现较好的精度，优先选取指数模型进行叶面积指数的反演，若精度均不合适，重新验证地面采样数据的代表性，并建立回归模型，直到精度达到要求为止。
(2)长势产品质量评价
长势产品的验证以地面验证为主，对样点采集作物LAI，并与遥感反演LAI进行一致性验证，采用均方根差(root mean square error，RMSE)和相对误差(relative error，RE)进行分析评价。最终产品共分为5个等级，如下：
A级：采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.1，则认定为产品的质量等级为A级。
B级：采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.2，则认定为产品的质量等级为B级。
C级：采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.3，则认定为产品的质量等级为C级。
D级：采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.4，则认定为产品的质量等级为D级。
E级：采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE大于0.4，则认定为产品的质量等级为E级。
卫星在轨运行后产品验证与改进方案
产品验证方案
采用抽样调查的方法进行验证，验证样本的数量应按照各类长势监测结果不小于面积总数的5％进行实地核查，验证样本应在空间上均匀分布。
采用GPS精确定位样本空间，如果位于遥感像元的几何定位精度之内的田块长势判断结果与遥感监测长势结果一致，则认为监测结果是正确的；否则为监测结果错误。
对田间验证结果应填写验证记录表，并不断完善长势反演模型。野外验证应包括信息提取成果验证、长势监测中疑难点以及需要补充的样本验证、与现有资料对比有较大差异的监测成果验证。
对样点采集作物LAI，并与遥感反演LAI进行一致性验证，采用均方根差(rootmean square error，RMSE)和相对误差(relative error，RE)进行分析评价。
产品验证标准见下表。
产品质量验证标准表
质量等级 说明 验证标准
A级 影像无云，长势分级精度>90％ 地面验证，误差<10％
B级 影像云量<10％，长势分级精度>80％ 地面验证，误差<20％
C级 影像云量10-20％，长势分级精度>70％ 地面验证，误差<30％
D级 影像云量20-30％，长势分级精度>60％ 地面验证，误差<40％
E级 影像云量>30％，长势分级精度<60％ 地面验证，误差>40％
产品验证实施步骤
1、地面采样样点的布设
在研究区许昌市选择有代表性的5个样点县，每个县布设3～5个样区，共布设22个样点；同样，在信阳市选择有代表性的5个样点县，共布设20个样点。
在样点县取样区的原则：
(1)样区是该县主产区，样区面积不小于1km×1km。
(2)样区尽可能要远离村庄，尽量选择比较平整和规则的耕地。
(3)样区内作物种植制度比较稳定。
样方调查时间：长势监测的初期。
样方调查内容：样方内种植结构与长势情况。
样方调查方法：利用GPS测出样方内种植结构图。
在每个样区(1km×1km)中选择3-5个样点，样点的布设应该均匀分布在样区内，观测点的覆盖范围可以是正方形均匀分布，也可以是同心圆方式。在每个观测样点中再选择观测范围大约9平方米左右的具体点进行观测。
2、作物生长信息采集
地面调查内容主要包括作物种植面积地面样方、物候期、田间管理、土壤参数、物理参数、生理参数和产量等7类数据的采集。均匀布设10个地面样方，每个样方不小于1km×1km，2013年-2014年，采用差分GPS每年分别对冬小麦、夏玉米和水稻进行一次测量。每隔5天观测1次，记载作物物候期。记录作物生长发育期间的田间管理措施，包括整地、播种、喷药、施肥、中耕、除草、病虫害、灌溉和收获等内容，每隔15天观测1次。在作物播种前，对土壤基础肥力等指标进行考察，包括：土壤质地、土壤水分、土壤有机质、土壤全氮、土壤碱解氮、土壤速效磷和土壤速效钾。包括作物长势等级、高度、密度、盖度、群体分蘖等内容，每隔15天观测1次，测定株高和干物质。包括叶面积指数(LAI)、叶绿素含量、光谱、光合有效辐射(PAR)等内容，每隔15天观测1次。实际产量：成熟期从各样方选取2m边长的矩形样点2个，单独收割脱粒，每处理3次重复，称重计产，子粒含水量为13％计算。
理论产量：在成熟期调查小麦穗数、穗粒数和千粒重，计算出理论产量。
理论产量(kg/亩)＝亩穗数×穗粒数×千粒重(g)/1000×1000
作物取样方法
试验取样时期为每间隔15天取样一次，各样方选取代表性植株10株带回室内，并按叶片、茎杆+叶鞘、颖壳+穗轴、籽粒进行分样。所取样品在烘箱内105℃杀青15min，然后在80℃烘干至恒重。
采用SPAD-502叶绿素测定仪测定叶绿素含量。选择晴朗无风天气，测定时间为10:00～14:00之间，采用光谱仪测定光谱；利用SunScan冠层分析仪测定LAI和冠层光合有效辐射。
在田间各样点随机选取植株30株，带回实验室测量叶面积，叶面积采用长宽系数法。对其器官(叶片、茎鞘、穗颖、籽粒)进行分样，然后在烘箱105℃下杀青30min，80℃下烘干至恒重，称量。为了计算叶面积，每一个样点记录取样植株面积(长和宽)。
3、其他遥感验证数据的获取
应根据监测成果精度的要求，选择地面分辨率不低于0.5米的遥感影像。根据研究对象的生长特性，选择作物生育期内影像进行长势的监测，并能够区分土地利用、植被覆盖度、农作物种类与作物种植结构变化特征。
卫星影像的选择质量应符合以下要求：
(1)选择倾角较小、覆盖工作区域的全色或多光谱影像。影像时相应尽可能覆盖作物的关键生育期，至少保证每个关键生育期内有一期影像覆盖。影像要求层次丰富、清晰、色调均匀、反差适中，无噪声或条带缺失。
(2)相邻各景影像之间应有不小于影像宽度4％的重叠，特殊情况下重叠可小于上述指标。
(3)影像中云层覆盖应小于3％，且不应覆盖作物长势监测区域的重要地物。分散的云层，其面积总和不应超过作业区面积的8％。
4、产品精度验证
(1)A级产品鉴定标准
采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.1，则认定为产品的质量等级为A级。
(2)B级产品鉴定标准
采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.2，则认定为产品的质量等级为B级。
(3)C级产品鉴定标准
采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.3，则认定为产品的质量等级为C级。
(4)D级产品鉴定标准
采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE小于0.4，则认定为产品的质量等级为D级。
(5)E级产品鉴定标准
采用地面试验调查的样点数据，与反演得到的结果进行对比分析。以许昌研究区为例，利用地面调查的22个样方数据，与反演的结果进行比较，如果RE大于0.4，则认定为产品的质量等级为E级。

Claims (1)

1.一种基于作物模型与同化技术的作物长势遥感监测方法，其特征在于：包括以下步骤：
步骤1、遥感数据的收集、预处理和评价
首先收集高分遥感数据，然后对数据的预处理是针对高分遥感影像进行处理，包括以下4个步骤内容：
1)辐射校正：分为辐射定标和大气校正两步，消除或削弱卫星传感器携带的系统误差，以及大气辐射传输过程中产生的误差；该校正将影像各波段原始像素值转换为能定量反应地物真实属性的地表反射率或辐射率，用来计算各种长势监测所需的植被指数；
辐射定标中，利用绝对定标系数将图像DN值转换为辐亮度图像的公式为：
Figure FDA0002851484200000011
式中：式中Le为转换后卫星相机波段等效辐亮度，单位为W·m-2·sr-1·μm-1，DN为卫星相机波段输出计数值，卫星相机波段输出计数值为影像各波段原始像素值；gain为相机在轨辐射响应度，单位为DN/(W·m-2·sr-1·μm-1)，offset为暗噪声偏移量；
2)几何校正：分为正射校正与几何配准两步，通过该步骤消除影像的几何畸变和实地位置偏差，并使其具有正射投影性质；该步骤使同一多光谱影像的各波段影像完全叠合，使不同时相、不同传感器的同一位置影像完全叠合，为作物长势监测提供靠的地理参考；
3)影像融合：通过该步骤提升原始图像的空间分辨率，为作物长势监测提供高分辨率的遥感底图；该步骤根据实际决定是否实施；
4)作物种类的识别和种植面积提取：通过该步骤解译出工作区内各类作物的类别，统计出其种植面积，制作各种专题结果，为作物长势监测提供基本的属性信息；
步骤2、遥感影像数据存储和查询
利用ERDAS IMAGINE软件的影像库功能，构建遥感影像库；同时借鉴项目组的遥感数据查询系统功能，构建业务运行的遥感数据查询系统，用于后续数据的使用；
步骤3、作物长势参数提取与反演
采用ENVI软件中的Band math功能，求取反映小麦、玉米和水稻的长势参数的指标，包括NDVI、EVI、LAI参数；通过建立作物全生长阶段内植被指数与农学参数LAI的相关关系，分析相关系数，以相关性最高的植被指数用来反演不同生育阶段的作物长势；
(4)长势参数反演
首先对获取的田间观测数据进行整理，分析WOFOST模型的参数敏感性；然后计算遥感数据效多光谱反射率，进行长势参数的反演和误差分析；
采用表征冠层辐射传输过程的物理模型模拟获得叶面积指数，通过模型模拟叶面积指数与植被指数建立关系模型；
对于不同的区域和植被类型分别拟合选择最佳的函数形式和参数，函数形式以线性、指数、对数、多项式、幂函数几种；
线性关系式：y＝ax+b
指数关系式：y＝aebx
对数关系式：y＝aln(x)+b
幂函数关系式：y＝axb
二次多项式关系式：y＝ax2+bx+c
选取拟合系数大于0.7，显著性小于0.05且具有表现作物生长机理的函数进行叶面积指数的反演；
(5)基于WOFOST作物生长模型的长势参数同化
对获取的基础数据和田间观测的实测数据进行整理，为模型的运行做准备；
分析WOFOST模型的敏感性参数，确定要待优化参数；
代价函数的构建与SCE-UA优化算法的实现；
对模型同化的精度进行分析；
利用遥感数据多光谱波段进行线性和非线性组合生成植被指数，结合大宗作物地面观测的农学参数，建立二者之间的定量关系，利用这种定量关系生成大区域遥感反演的农学参数，从而指示作物长势；遥感卫星传感器记录的是地物的光谱反射率，当遥感卫星拍摄影像的环境因子相同时，同类作物反射率的差异是作物本身在生育过程、长势、生理状况的差异，结合作物生长特点，对遥感影像进行处理和分析，就构造出与农作物生长情况相关的指标，实现对作物长势的监测；
所述基于作物模型与同化技术的作物长势遥感监测方法以GF-1卫星数据为信息源，在应用共性关键技术，以及农业遥感基础产品生产分系统支持下，开展NDVI、EVI及LAI长势指标的反演；以区域化的WOFOST作物生长模型为核心，以遥感长势指标或作物产量作为同化量，构建SCE-UA算法代价函数，形成针对GF-1号长势参数反演同化，从而有效的对农作物长势进行监测预报；采用SCE-UA全局优化算法，结合分布计算方法，以及降尺度优化算法的建立，同化过程包括直接同化和间接同化，所述直接同化得到星间可比定性长势参数，所述间接同化得到产量相关定量长势参数，从而解决更大区域的同化问题。
CN201610900984.8A 2016-10-18 2016-10-18 基于作物模型与同化技术的作物长势遥感监测方法 Active CN106600434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610900984.8A CN106600434B (zh) 2016-10-18 2016-10-18 基于作物模型与同化技术的作物长势遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610900984.8A CN106600434B (zh) 2016-10-18 2016-10-18 基于作物模型与同化技术的作物长势遥感监测方法

Publications (2)

Publication Number Publication Date
CN106600434A CN106600434A (zh) 2017-04-26
CN106600434B true CN106600434B (zh) 2021-04-23

Family

ID=58555882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610900984.8A Active CN106600434B (zh) 2016-10-18 2016-10-18 基于作物模型与同化技术的作物长势遥感监测方法

Country Status (1)

Country Link
CN (1) CN106600434B (zh)

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11061155B2 (en) 2017-06-08 2021-07-13 Total Sa Method of dropping a plurality of probes intended to partially penetrate into a ground using a vegetation detection, and related system
CN107886497A (zh) * 2017-10-05 2018-04-06 北京林业大学 一种基于图像的小麦旗叶无损自动检测及测量方法
WO2019121097A1 (en) * 2017-12-21 2019-06-27 Basf Se Apparatus for determining agricultural relevant information
CN108184792A (zh) * 2017-12-27 2018-06-22 定远县宏源农业机械有限公司 一种喷药设备的智能化调控系统
CN108184564B (zh) * 2017-12-28 2020-03-31 江苏大学 一种构建温室茄果类作物同化产物分配模型的方法
WO2019130568A1 (ja) 2017-12-28 2019-07-04 スカパーＪｓａｔ株式会社 評価情報生成システム、評価情報生成方法、およびプログラム
CN108205718B (zh) * 2018-01-16 2021-10-15 北京师范大学 一种粮食作物抽样测产方法及系统
CN108106676B (zh) * 2018-02-05 2019-06-04 中国农业大学 一种基于遥感数据的农作物晚霜冻害的监测方法和装置
CN108287926A (zh) * 2018-03-02 2018-07-17 宿州学院 一种农业生态多源异构大数据采集、处理与分析架构
CN108776106A (zh) * 2018-04-23 2018-11-09 中国农业大学 一种基于无人机低空遥感的作物长势监测方法及系统
CN108982369B (zh) * 2018-04-28 2020-09-01 中国农业大学 融合gf-1wfv和modis数据的地块尺度作物长势监测方法
CN108828147B (zh) * 2018-06-14 2021-04-20 福州大学 一种耦合遥感响应特征的刚竹毒蛾危害检测方法
CN109118535A (zh) * 2018-06-15 2019-01-01 上海卫星工程研究所 一种精确计算低轨卫星迎风面面积的方法
CN109187356A (zh) * 2018-08-30 2019-01-11 南京都宁大数据科技有限公司 基于卫星遥感数据的大豆长势预测方法
CN109685174B (zh) * 2018-12-26 2021-09-21 天津市农业科学院信息研究所 一种黄瓜丰产性自动分析装置及方法
CN109784685B (zh) * 2018-12-27 2021-10-08 固安京蓝云科技有限公司 作物长势分析方法及装置
CN109816542B (zh) * 2019-01-28 2023-04-07 中国平安财产保险股份有限公司四川分公司 一种农作物减产理赔方法及系统
CN109766957A (zh) * 2019-03-19 2019-05-17 广东省农业科学院农业生物基因研究中心 一种智慧高效监控农作物种质资源生育期的方法
CN110163138B (zh) * 2019-05-13 2022-03-11 河南科技大学 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法
CN111750767A (zh) * 2019-05-19 2020-10-09 山西农业大学 一种植株高度无线传感网络监测装置
CN110263299A (zh) * 2019-05-31 2019-09-20 西南大学 一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法
CN110807561A (zh) * 2019-11-13 2020-02-18 吉林农业大学 基于贝叶斯网络的玉米病虫害预警分析方法
CN111135577B (zh) * 2019-12-24 2021-02-19 口碑(上海)信息技术有限公司 一种数据处理方法及装置
CN111011133A (zh) * 2019-12-31 2020-04-17 江苏农创科技有限公司 一种基于实时检测且生长状况预估技术的水稻栽培方法
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN111972066B (zh) * 2020-08-31 2023-03-24 江苏富田农化有限公司 一种冬小麦田禾本科杂草的防除方法及防除装置
CN112506111A (zh) * 2020-12-23 2021-03-16 黑龙江省网络空间研究中心 一种基于大数据和云计算的农作物长势监控方法与系统
CN112560764A (zh) * 2020-12-24 2021-03-26 黑龙江省网络空间研究中心 一种基于遥感反演的农作物生长状态监测平台
CN112581464B (zh) * 2020-12-25 2024-02-23 武汉禾大科技有限公司 一种作物长势情况分析方法、装置及存储介质
CN113724210B (zh) * 2021-08-13 2024-08-06 广州华农大智慧农业科技有限公司 一种作物长势识别方法和系统
CN113748867B (zh) * 2021-09-10 2022-04-26 中国水利水电科学研究院 一种农田表面温度监测数据精量甄别方法及系统
CN114359725B (zh) * 2021-12-30 2024-03-26 黑龙江省农业科学院农业遥感与信息研究所 基于作物模型与同化技术的作物长势遥感监测系统及方法
CN116046770A (zh) * 2022-03-09 2023-05-02 苏州市中遥数字科技有限公司 基于遥感卫星数据的环境动态监测方法
CN114747349B (zh) * 2022-04-28 2023-04-14 河南科技大学 基于群体长势遥感检测与分级的小麦健壮群体培育方法
CN115452822B (zh) * 2022-08-24 2024-04-09 武汉大学 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置
CN115578658A (zh) * 2022-11-02 2023-01-06 北京大田互通物联技术有限公司 一种基于无人机遥感影像深度学习的苗期玉米识别方法
CN115511224B (zh) * 2022-11-11 2023-04-07 中国农业科学院农业资源与农业区划研究所 天地一体化的作物长势智能监测方法、装置及电子设备
CN115775354B (zh) * 2023-02-10 2023-04-25 天地信息网络研究院(安徽)有限公司 一种基于融合遥感指数的灌浆期水稻绝收提取方法
CN116541688B (zh) * 2023-04-11 2024-04-26 南京农业大学 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法
CN117788351B (zh) * 2024-02-27 2024-05-03 杨凌职业技术学院 一种农业遥感图像校正方法及系统
CN119964026A (zh) * 2025-01-17 2025-05-09 中国农业大学 一种基于贝叶斯优化的遥感数据同化作物模型方法
CN119851798B (zh) * 2025-03-19 2025-06-03 山西农业大学 一种用于冬小麦的综合光谱监测模型建立方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699315A (zh) * 2009-10-23 2010-04-28 北京农业信息技术研究中心 一种作物长势均匀度的监测装置和方法
CN102878957A (zh) * 2012-09-26 2013-01-16 安徽大学 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法
CN105427244A (zh) * 2015-11-03 2016-03-23 中南大学 一种遥感影像的拼接方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150206255A1 (en) * 2011-05-13 2015-07-23 HydroBio, Inc Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699315A (zh) * 2009-10-23 2010-04-28 北京农业信息技术研究中心 一种作物长势均匀度的监测装置和方法
CN102878957A (zh) * 2012-09-26 2013-01-16 安徽大学 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法
CN105427244A (zh) * 2015-11-03 2016-03-23 中南大学 一种遥感影像的拼接方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
国产气象卫星数据与作物生长模型同化的冬小麦估产方法研究;张文智;《CNKI：中国优秀硕士学位论文全文数据库》;20160331;第1-80页 *
国产气象卫星数据与作物生长模型同化的冬小麦估产方法研究的时间页;张文智;《CNKI》;20160331;1 *
基于GF-1与Landsat-8多光谱遥感影像的玉米LAI 反演比较;贾玉秋 等;《CNKI：农业工程学报》;20150531;第31卷(第9期);第173-179页 *

Also Published As

Publication number Publication date
CN106600434A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106600434B (zh) 基于作物模型与同化技术的作物长势遥感监测方法
Choudhary et al. Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine
Sharifi Using sentinel-2 data to predict nitrogen uptake in maize crop
Gaso et al. Predicting within-field soybean yield variability by coupling Sentinel-2 leaf area index with a crop growth model
Xia et al. Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
Launay et al. Assimilating remote sensing data into a crop model to improve predictive performance for spatial applications
Leroux et al. Crop monitoring using vegetation and thermal indices for yield estimates: Case study of a rainfed cereal in semi-arid West Africa
Clevers et al. Using SPOT data for calibrating a wheat growth model under mediterranean conditions
CN109829234A (zh) 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法
CN111489092B (zh) 一种植物栽培种植环境适生区的评估方法及系统
Ren et al. Based on historical weather data to predict summer field-scale maize yield: Assimilation of remote sensing data to WOFOST model by ensemble Kalman filter algorithm
CN109325433A (zh) 引入地形因子的黑土区大豆生物量多时相遥感反演方法
Dadhwal Crop growth and productivity monitoring and simulation using remote sensing and GIS
Han et al. Improving wheat yield estimates by integrating a remotely sensed drought monitoring index into the simple algorithm for yield estimate model
Ngie et al. Estimation of Maize grain yield using multispectral satellite data sets (SPOT 5) and the random forest algorithm
CN118411603A (zh) 一种基于无人机和卫星影像的大尺度农田生物量监测方法
Burchard-Levine et al. Evaluating the utility of combining high resolution thermal, multispectral and 3D imagery from unmanned aerial vehicles to monitor water stress in vineyards
Wu et al. Accurate estimation of grain number per panicle in winter wheat by synergistic use of UAV imagery and meteorological data
Vossen et al. 1.1. CROP MONITORING AND YIELD FORECASTING ACTIVITIES OF THE MARS PROJECT
Gottschalk et al. Monitoring cropland daily carbon dioxide exchange at field scales with Sentinel-2 satellite imagery
Miao et al. Large-scale mapping of the spatial distribution and cutting intensity of cultivated alfalfa based on a sample generation algorithm and random forest
Hong et al. Estimating key phenological dates of multiple rice accessions using unmanned aerial vehiclebased plant height dynamics for breeding
Cheng et al. Mapping paddy rice yield in Zhejiang Province using MODIS spectral index
Boschetti et al. Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Wang Laigang

Inventor after: Zhang Hongli

Inventor after: Zheng Guoqing

Inventor after: Guo Yan

Inventor after: He Jia

Inventor after: Cheng Yongzheng

Inventor after: Liu Ting

Inventor after: Yang Chunying

Inventor after: Zhang Yan

Inventor after: Yang Xiuzhong

Inventor before: Wang Laigang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant