水分胁迫对冬小麦植被指数NDVI影响及其动态变化特征

通过对冬小麦植被指数 NDVI的变化规律和不同时期水分胁迫对植被指数的影响研究 ,结果表明 ,冬小麦的植被指数具有日变化规律 ,并且随着冬小麦的生长发育而变化 ,即小麦生长旺盛 NDVI数值较大。不同时期干旱处理 ,小麦 NDVI表现不一致 ,拔节期干旱处理后 ,小麦 NDVI后期反应不明显 ,灌浆期干旱后 ,NDVI反应小 ,抽穗期干旱后 ,NDVI在 5月下旬以后表现。但是土壤水分变化与 NDVI的关系不明显 ,土壤水分对小麦 NDVI的影响是通过对小麦植株体形态的改变来实现的。

基于MODIS-NDVI的区域冬小麦遥感估产——以山东省济宁市为例

以黄淮海平原冬小麦主产区山东省济宁市为研究实例，利用遥感方法，采用250m分辨率经过Savitzky—Golay滤波技术平滑处理的MODIS—NDVI遥感数据对冬小麦产量进行预测．研究选取了冬小麦关键生育期内0．2～0．8范围的旬NDVI数据，并建立了其与冬小麦产量的关系．同时，采用逐步回归方法筛选建立冬小麦关键生育期旬NDVI与冬小麦产量间关系的估产模型．利用地面实测冬小麦产量数据，对所建的估产模型进行精度检验，结果表明，估产相对误差在-3．6％～3．9％之间．表明利用Savitzky-Golay滤波技术平滑后的作物关键生育期内MODIS—NDVI遥感数据进行冬小麦估产，其方法精度较高，具有一定的可行性．

长时间序列NOAA-NDVI数据在冬小麦区域估产中的应用

粮食产量数据对国家的宏观管理具有重要意义。对中国这个人口大国而言，粮食产量更加受到重视。在我国冬小麦主要生产基地黄淮海平原范围内选取了石家庄市、衡水市、邢台市进行了研究，利用近20年空间分辨率为8km的月NOAA—AVHRR NDVI数据和同期冬小麦产量统计数据，以县为单位建立了冬小麦产量形成关键期内各月NDVI数据与产量的关系，同时也建立了产量形成关键期NDVI累积和数据与冬小麦产量的关系。由于NDVI值在0．2～0．8之间与植物覆盖度呈良好线性关系，因此选取该范围NDVI值来建立与产量的关系。并分别做了相应统计检验和实际模型运行精度验证，最后对各个NDVI与产量数据之间的关系做了精度比较分析。这对促进黄淮海平原冬小麦产量估计具有较重要的作用。同时，作者认为相对于分辨率较高但时间序列短的MODIS数据而言，低分辨率长时间序列的NOAA—AVHRR数据在大范围农作物估产中仍然是一种有益补充。

基于NDVI加权指数的冬小麦种植面积遥感监测

该文针对农业信息服务中冬小麦种植面积调查业务的现状与需求,提出了一种基于NDVI(normal difference vegetation index)时间序列的冬小麦NDVI加权指数(WNDVI,weighted NDVI index)影像算法,可在训练样本、验证样本选择的基础上实现冬小麦面积的自动提取,并以河北省安平县及周边地区2013-2014年度冬小麦面积提取为例,采用GF-1/WFV(wide field view)数据进行了算法实现。算法的主要思路是在时序影像基础上,通过冬小麦NDVI加权指数影像的构建,扩大冬小麦地类与其他地类的差异,结合自适应的阈值获取方法,区分冬小麦地类,获取冬小麦作物面积。算法包括冬小麦时间序列影像的获取、基于网格的样本点设置、构建冬小麦NDVI加权指数影像、迭代确定冬小麦NDVI加权指数提取阈值、精度验证这5个部分。影像的获取根据冬小麦的生长时间确定,保证每月1景GF-1/WFV无云影像,并进行预处理及NDVI计算;同时将研究区划分为一定数量的网格,每个网格再等分为2×2个子网格,根据目视解译、专家知识、实地调查等方法,确定左上网格中心点及右下网格中心点的地物类型。统计该期所有左上网格点冬小麦及其他地物的NDVI均值,冬小麦NDVI大于其他地物的将该期影像的权值设置为1,否则设置为-1,将所有时相NDVI影像进行加权平均,即可获取冬小麦NDVI加权指数影像。获取冬小麦NDVI加权指数影像后,还需设置合适的阈值提取冬小麦。该文选用右下网格点目视解译分类结果作为阈值提取依据,具体方法是将冬小麦指数从小到大按照一定间隔划分,作为冬小麦NDVI加权指数提取阈值,将各阈值二值法运用,与右下网格点的冬小麦提取的目视解译结果对比,精度最高的就是最优冬小麦NDVI加权指数分割阈值。在所有网格中,以初始识别获取的冬小麦面积为准,等概率选择10个样方作为精度验证样方进行验证。精度验证结果表明分类总体精度达到94.4%,Kappa系数达0.88。该文通过构建冬小麦NDVI加权指数,将比较复杂的多个参数转换为一个参数,并且农学意义明确,相比传统的NDVI时序影像进行冬小麦面积的提取,具有自动化程度高、面积提取精度高、分类结果稳定的特点,已经在全国农作物面积遥感监测业务中进行了应用。

利用NOAA NDVI数据集监测冬小麦生育期的研究

探索了利用NDVI研究作物生育期的方法 ,对黄淮海冬麦区的返青期、抽穗期、成熟期进行了估测 ,并利用地面实际观测资料进行了验证。结果表明 ,NDVI数据对大范围农作物生育期监测是可行的。冬小麦遥感返青期由南到北依次推迟 ,符合春季绿波由南到北推移规律。对冬小麦遥感生育期年际变化分析表明 ,黄淮海平原返青期变化相对较大 ,而抽穗期和成熟期变化较小。根据历年月平均温度与返青期分析 ,冬小麦返青日期与 2月份平均温度密切相关。对于局部地区 ,利用 5d合成 1km分辨率数据 ,且按农业生态分区分别制定生育期判别标准 ,估测效果将更好。

MODIS卫星NDVI时间序列变化在冬小麦面积估算中的应用分析

以陕西小麦主产区关中地区为研究地点,EOS/MODIS卫星数据为主要数据源,借助冬小麦地面定位调查数据和土地覆盖类型图作为辅助信息,计算得到不同覆盖类型的植被指数时序曲线图,找出冬小麦发育期植被指数变化规律,剔除小麦生长季节的非麦区信息,用几个关键期的植被指数变化差值图设定不同阈值,利用GIS空间分析功能得到麦区分布图和麦区面积。结果表明,应用遥感估算麦区面积与实际调查统计结果较为一致。从实际应用来看,该方法为大区域作物面积估算提供了一种更为快捷、经济的途径,也进一步说明MODIS数据在农业领域中的应用潜力。

不同水氮条件下冬小麦生育期NDVI和光合速率的变化

在不同水氮条件下,分析了冬小麦生育期归一化植被指数(Normalized difference vegetable index:NDVI)和光合速率的变化及两者和籽粒产量的关系,结果表明:(1)灌水对拔节期与孕穗期的NDVI值以及扬花期与灌浆期的光合速率有显著影响(p<0.05);起身水+孕穗水+灌浆水处理(I3)的孕穗期NDVI值和灌浆期光合速率平均比起身水处理(I1)分别显著增高6.7%和8.0%,起身水+扬花水处理(I2)的扬花期光合速率平均比起身水处理(I1)显著增高5.5%。(2)施氮对NDVI值和光合速率的影响均达到极显著水平;0～270 kg/hm2范围内,增加施氮能显著提高拔节期NDVI值以及灌浆期光合速率,但随着生育期的推进,增加施氮对NDVI值的提高作用逐渐下降。(3)拔节期NDVI值和光合速率与冬小麦籽粒产量相关性最高,相关系数分别达到0.968和0.864。

基于时间序列MODISNDVI的冬小麦产量预测方法

选择我国河北、河南、山东3省作为研究区,在250 m空间分辨率的冬小麦种植区和1 km的冬小麦像元纯度图的基础上,分析了2000—2009年MODIS NDVI抽穗期峰值与单产的时间序列变化关系。采用Becker-Reshef等提出的去噪声修正后的冬小麦抽穗期NDVI峰值与单产进行回归分析建立冬小麦产量预测模型,并分析冬小麦预测精度的影响因素。最后,利用2010年地级市尺度的统计单产对所建立的预测模型进行精度验证,模型的平均估产误差约为7.49%。结果表明,基于冬小麦抽穗期NDVI峰值的产量预测方法在中国冬小麦主产区具有一定的应用潜力。

基于GreenSeeker的冬小麦NDVI分析与产量估算

以2007—2009年连续2个冬小麦生长季的田间试验数据为基础,利用GreenSeeker获取冠层归一化差值植被指数(NDVI),分别对不同氮营养条件下冬小麦的产量变化、冠层NDVI值随施氮量和生育期的动态变化,以及NDVI与产量的相关性定量分析,建立基于NDVI的冬小麦产量估算模型。结果表明,冬小麦的产量变化随施氮量的增加呈抛物线趋势变化;冠层NDVI在返青期前随施氮量增加基本不变,返青期至灌浆初期随施氮量增加呈显著增加趋势;整个生育期冠层NDVI呈现"低–高–低"变化趋势。冬小麦整个生育期不同施氮水平下的NDVI值与产量的相关性均为正相关关系,且相关性随生育期逐渐增强,在灌浆末期达到最大。利用NDVI建立的冬小麦产量估算模型,以灌浆初期(P=0.005)和灌浆末期(P<0.001)的模型达到极显著水平。经验证,灌浆初期的冬小麦产量预测值与实测值的回归关系达到了显著水平(P=0.0129),灌浆末期则达到极显著水平(P=0.0002)。因此,利用灌浆初期和灌浆末期的NDVI值可以预测冬小麦产量,尤以灌浆末期预测效果更佳。

利用多时相NDVI监测京郊冬小麦种植信息

物候和时相信息在农作物种植信息提取方面有十分重要的应用价值,利用多时相LandsatTM数据,结合冬小麦的波谱和时相信息,成功提取了北京地区的冬小麦种植信息。首先,选用了2003年4月7日、5月1日、5月25日、6月18日不同时相的4景TM卫星影像,计算了不同时相的NDVI时间谱图像数据;其次,结合北京地区农作物种植的实际情况,提取并分析了北京春夏季主要植被地物(冬小麦、苜蓿、苗圃、春玉米、树林等)的NDVI时间谱特征;第三,利用不同时相的NDVI图像数据,通过NDVI图像通道间的逻辑运算算法,成功提取了2003年北京地区的冬小麦种植信息,提取精度达到96.92%;最后,与2002年收割小麦的统计数据相对比,监测了北京各郊区县的冬小麦种植结构调整情况。结果表明,多时相、多光谱遥感数据在作物种植信息的监测中有十分明显的技术优势和重要的应用潜力。

干旱对滨州灌区冬小麦归一化植被指数(NDVI)的影响

在中国北方,干旱是冬小麦生育期内常见的灾害,对冬小麦的生长及产量有直接的影响。本研究以滨州灌区为例,分析了灌溉作用下干旱对冬小麦生长的影响。利用1951-2014年气象观测站的气象资料和MODIS数据,计算滨州灌区的标准化降水指数(SPI)、蒸散量、有效降水量和冬小麦的水分亏缺量及其生育期内的MODISNDVI值。结果表明,在冬小麦生育期内,该区的干旱月份占总月份的70.1%,在冬小麦生长关键的3月份、4月份、5月份、6月份,其干旱频率分别为92.2%、60.9%、39.1%、9.4%。在冬小麦生育期内,干旱月份平均水分亏缺量为697.6 mm。灌溉只能减弱干旱对冬小麦归一化植被指数(NDVI)的影响,但不能完全消除。通过分析灌溉对干旱情况下小麦的作用,可以为今后该区域冬小麦种植措施的实施提供有益借鉴。

基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测

为实现区域冬小麦种植面积变化的快速监测,减少监测难度,提高监测效率和精度,该文提出一种基于年际NDVI相关关系的监测方法(relationship analysis of normal difference vegetation index,rNDVI)。选择河北省黄骅市、孟村县、海兴县3个县市为研究区,基于2014年4月14日、2017年4月26日两个时期的GF-1/WFV数据,基于rNDVI方法,通过将样本点两年度的NDVI值构建二维空间,采用最小二乘法拟合的方法获得不变地物点的上下包络线方程,进而得到冬小麦变化区域的监测阈值,提取冬小麦种植增加和减少区域,实现对研究区域的变化监测。结果表明,采用rNDVI算法总体精度分别为90.60%,Kappa系数为0.84,相比传统的先最大似然分类后再提取冬小麦种植变化区域的方法,总体精度与Kappa系数分别提高了6.6个百分点和16.7%。对冬小麦增加区域、冬小麦减少区域的变化监测结果进行分析,发现基于rNDVI的变化监测方法可以有效提高裸地、线状道路、破碎的冬小麦地块等区域的变化识别能力,提高监测精度。同时分别利用2014年3月1日和2017年3月12日、2014年5月17日与2017年5月20日两对GF-1/WFV数据进行基于rNDVI的冬小麦变化区域监测,结果表明3月份的监测精度较低,主要是由于3月份冬小麦长势尚不明显,5月份与4月份的总体精度相近,主要是由于5月份冬小麦NDVI已较高,易于识别。上述研究结果表明,基于rNDVI的冬小麦变化快速监测方法可以有效监测区域冬小麦种植面积的变化情况,算法简单高效,且能够在种植结构相对单一的冬小麦分布区域保持较高精度,能够满足农情遥感监测信息快速获取的需要。

基于多年MODIS-NDVI的黄淮海农区冬小麦生产力评价

黄淮海农区是中国重要的粮食生产基地,研究该地区不同等级生产力耕地的空间分布,对提高该地区生产力有重要的意义。该文在提取研究区冬小麦种植空间分布的基础上,对10a时间序列冬小麦MODIS-NDVI进行特征参数提取,并将冬小麦主要生长季多年NDVI特征值均值和年际变异系数,作为多年平均产量水平和稳产水平的指示指标,进行黄淮海农区冬小麦种植区耕地生产力评价,得到黄淮海农区冬小麦生产力空间分布图。结果显示:1)多时相MODIS-NDVI数据可以用于研究区冬小麦种植空间分布提取。经县级尺度验证,有较高的提取精度;2)县级尺度的冬小麦单产水平与其辖区内冬小麦生长关键期多个NDVI特征值有显著的相关关系,可以用来评价冬小麦生产力水平;3)研究区冬小麦种植区耕地以中低生产力水平为主,高生产力水平的耕地只占不到20%。高生产力的麦田大多分布在水热条件较好的黄淮平原亚区,中等生产力麦田大多分布在燕山太行山山麓平原亚区和鲁西黄灌区,而低生产力的麦田多分布在冀、鲁、豫低洼平原亚区。低生产力麦田分布集中连片的区域多为春旱易发、土壤粘淤或低洼积盐的地区。呈现出整体气候条件主导,局部土壤条件影响的高中低生产力空间分布特征。研究结果可以为黄淮海农区的耕地质量管理和中低产田改良提供依据。

基于修正NDVI时间序列的大区域冬小麦全生育期墒情监测

针对遥感墒情监测存在的时空分辨率矛盾,提出利用高时间分辨率的共享遥感数据,将修正归一化植被指数(NDVI)作为墒情指示因子,实现对大区域冬小麦全生育期墒情准实时、半定量化监测的思想。首先,对冬小麦种植区域进行地域划分,依据冬小麦的物候特征进行生育期阶段划分;其次,利用遥感数据计算各地域、各阶段的NDVI,针对各阶段冬小麦的生长情况,进行NDVI的自适应修正。经实测墒情数据和修正NDVI相关分析表明,修正NDVI可以作为农田墒情的指示因子;最后,将监测年的修正NDVI与前三年平均值做距平差值分析,得到与前三年平均值相比,冬小麦墒情的时空分布规律,结果与实际观测值相符。可以预见:如果有较长的时间序列积累,可以得到监测年与常年相比,麦田的墒情时空分布规律。研究结果表明:提出的方法,可以用于大区域冬小麦全生育期墒情的半定量化准实时监测,而且遥感数据容易获得,基本不需要实测数据,计算方便,成本低廉。对冬小麦农田管理与决策具有重要的参考价值。

冬小麦生育期间MODIS多时相NDVI特征分析及其在地物识别上的应用

[目的]为农作物产量预报提供技术支持。[方法]通过分析安徽省小麦生长季MODIS多时相NDVI特征并利用该技术识别水体、城镇居民区、旱地、水田、林地研究了该技术在地物识别及农作物产量预报中的应用。[结果]一季稻和双季晚稻的NDVI最大峰值出现在6月。水体在10月至次年6月NDVI(i,j)小于0或略大于0(如浅水体),而NDVI(i,j)小于0.16像元通常为城镇等居民点,水田NDVI(i,j)往往小于0.3,一般林地和种植越冬作物的耕地NDVI(i,j)均大于0.3。以NDVI多时相特征对5大地物类型进行识别时可识别出82.7%林地,67.4%旱地,52.1%水田,15.2%居民区。水体、旱地、水田、林地的识别可信度均达60%以上,其中识别出来的水体中有近80%为现实中的水体,城镇的识别可信度不足20%。[结论]该法在农作物产量预报中具有良好的应用前景。

基于改进的NDVI密度分割方法的冬小麦面积信息提取

基于高分辨率遥感影像提取的种植结构信息,能够比传统的统计数据更加直观地表达农作物的空间分布特征,这些数据信息是水资源管理部门进行水资源管理的重要数据参考。为解决GF-1 WFV传感器影像中混合像元对小麦信息提取结果的影响,引入高分辨率GF-1PMS传感器影像,在两种影像相同位置建立样本研究区,利用PMS影像的分辨率优势为WFV影像中小麦混合像元训练样本提供真实小麦面积权重,得到WFV影像小麦混合像元NDVI与小麦面积权重的比例关系,再运用区间归一化的方法解决同一NDVI值对应不同小麦面积权重的问题,进而得到混合像元中小麦的真实面积信息,最终提取了冀州市的冬小麦信息。经验证,该方法能够在实地样本不足的条件下,较准确地提取冬小麦面积信息。

应用长时序NDVI评价雨养农业区冬小麦全生育期受旱状况

为了能够利用卫星遥感数据对不同年份冬小麦受旱状况进行客观定量的评价,以甘肃陇东雨养农业区为研究区域,应用1981-2006年NASA GIMMS NDVI数据以及同期的降水、土壤水分和冬小麦产量数据,通过研究25个冬小麦生长季NDVI(Normalized Difference Vegetation Index)特征以及与降水、土壤水分和生育期的相互联系,提出了能对冬小麦全生育期受旱状况进行客观定量评价的冬小麦受旱指数WWDI(Winter wheat drought index),并根据气象数据、冬小麦产量和历史年鉴资料对WWDI监测的冬小麦受旱状况的准确性进行检验。结果表明:WWDI能够很好地监测冬小麦的全生育期的受旱状况,应用WWDI确定的1981-2006年间冬小麦受旱最严重的几个年份分别是1995,2000和1992年,这几年冬小麦的受旱程度与其气象条件和农业生产状况非常一致;WWDI与冬小麦产量存在极显著的相关关系(p<0. 001),可以作为定量评估冬小麦整个生育期受旱状况的指标。

基于NDVI-Ts特征空间的冬小麦水分诊断与长势监测

综合利用NOAA气象卫星4个波段的信息,来证实NDVI-Ts特征空间是否可用于作物的水分亏缺诊断以及监测作物长势。该文在NOAA17/AVHRR数据基础上,利用其1和2通道的数据计算了NDVI,利用4和5通道数据采用优选出的UL92裂窗算法反演了Ts,以邯郸地区为例计算了其植被供水指数(NDVI/Ts)并用NDVI-Ts二维特征空间分析该区冬小麦长势的情况。结果表明:NDVI/Ts基本能诊断邯郸地区冬小麦关键生育期(拔节和灌浆)的水分亏缺状况;NDVI-Ts二维特征空间表证了在各生育期冬小麦地的NDVI和Ts呈反比线性关系,而裸地二者没有相关性,证明了NDVI-Ts特征空间确实是研究作物水分亏缺和长势监测实用的理论方法。

综合NDVI时序特征的冬小麦混合像元分解及面积估算

基于MODIS数据进行面积提取易受混合像元影响,为了降低因混合像元导致的错分和漏分误差,该研究提出一种线性的混合像元分解模型,建立MODIS混合像元中冬小麦占比与MODIS/NDVI时间序列影像波峰波谷差值之间的定量关系。基于2017年保定市MODIS数据和GF数据进行了模型构建,基于2014年数据进行了模型验证。结果显示纯度指数(PPI)精确度均值为0.485,基于混合像元分解模型得到的2014年保定市冬小麦面积推算值为40.05万hm2,基于GF数据得的2014年保定市冬小麦面积'真值'为37.39万hm2,绝对误差为2.66万hm2,相对误差率为7.11%。利用河北省冬小麦广泛种植的8个地市对模型的适用性进行评价,结果表明不同地市的冬小麦面积推算值和冬小麦面积'真值'间平均误差率为3.69%。基于该模型的冬小麦面积推算值误差相对较低,数据可靠性较高,且受地域影响较小,具有较为普遍适用性。

GF-1和MODIS影像冬小麦长势监测指标NDVI的对比

作物长势是农情遥感监测的重要内容之一。长期以来,作物长势遥感监测主要基于卫星影像反演的相关植被参数,如归一化植被指数(NDVI,normalized difference vegetation index)、叶面积指数(LAI,leaf area index)等。本文通过对比研究16 m分辨率GF-1卫星影像及250 m分辨率MODIS影像的NDVI与冬小麦综合茎数、株高、叶绿素浓度之间的关系,尝试建立遥感监测作物长势指标与地面实测作物长势指标的定量关系。研究发现GF-1的NDVI与冬小麦综合茎数的相关性最高(R2=0.8961),而与其他指标相关性较弱;MODIS的NDVI指数与冬小麦综合茎数相关性较低(R2=0.4432),对作物长势的遥感监测精度较低。统计MODIS冬小麦像元内GF-1像元的NDVI平均值,并与MODIS的NDVI对比,发现两者之间的相关性较低(R2=0.3944);在消除MODIS与GF-1影像传感器光谱响应函数差异及NDVI尺度效应后,MODIS影像的冬小麦作物长势遥感监测精度得到一定提高(R2=0.4633)。对MODIS像元内GF-1 NDVI标准差排序发现,MODIS像元内冬小麦长势一致性越高,MODIS的长势遥感监测精度越高。GF-1和MODIS影像NDVI长势监测主要代表地面冬小麦综合茎数,且卫星影像分辨率越高,NDVI值越能反映实际的作物长势。MODIS像元内冬小麦长势一致性越高,基于NDVI的MODIS与GF-1数据冬小麦长势监测结果越一致。从区域长势监测角度来看,尽管MODIS与GF-1数据的监测结果趋势较为一致,并且通过光谱、尺度归一化能够进一步提高监测结果的一致性,但MODIS NDVI长势监测总体精度较低,为满足作物长势精细化监测的业务需要,应逐步使用高分辨率的遥感数据替代中低分辨率遥感数据进行作物长势遥感监测,并将其作为长势监测业务化运行的研究重点。