论农业信息科学的形成与发展

在"论农业信息系统工程建设"的基础上,对农业信息系统工程的学科基础,即农业信息科学学科发展的科学背景、技术背景和应用背景作了较详细的讨论;进而提出了农业信息科学的定义及其科学体系、学科位置及分类的初步设想;最后简要介绍了农业信息技术体系的主要技术及其应用于农业的优点.

基于光谱波段自相关的水稻信息提取波段选择

通过大田试验，使用ASD光谱仪测量水稻不同生育期的冠层光谱，将光谱以10nm为步长进行合并，再将不同日期光谱的所有波段组合计算相关系数平方（R^2），生成R^2矩阵，并绘制R^2分布图。根据R^2越大，光谱波段之间冗余信息越多，R^2越小，水稻光谱波段信息含量越多的原则，在所有测量日期中选择出前100个R^2最小值对应的波段，将这些波段进行统计分析。结果表明，可见光区域各个波段之间和红外（近红外和短波红外）区域各个波段之间都含有大量冗余信息。水稻信息量丰富的波段主要集中在可见光的长波波段，红边波段，近红外第一和第二峰值波段，以及短波近红外第一峰前区（1530nm附近）和第二峰值区（2215nm附近）。比较水稻与其他植被对于最优波段的选择，400-410，630-650和1520-1540nm三个波段区间表现为水稻信息提取较为独特的波段。

新型植被指数及其在水稻叶面积指数估算上的应用

叶面积指数LAI不仅是陆表植被系统的一个重要属性,而且是全球水平衡、碳循环等模型中的重要输入参数。首先通过使用水稻小区试验冠层光谱数据模拟Landsat-5卫星蓝、绿、红光波段;其次分析了各个波段对LAI的敏感性;然后分析了由这个3个波段的所有组合分别代替常规NDVI中的红光波段构成的VNDVI对LAI变化的反应和对LAI的估算能力;最后使用不同条件下的水稻数据进行验证。结果表明,在不同的LAI范围,红绿蓝光3个波段对LAI有不同的敏感性。当LAI<3时,红蓝光波段敏感性较高。虽然这时绿光波段的敏感性不如红蓝光波段,然而绿光波段在更大的范围对LAI都有相当的敏感性。当采用红绿蓝光波段的各种组合构成植被指数时,如果要使这些植被指数不出现饱和现象,并使对LAI的敏感性有意义,其前提是要求这个波段或是波段组合的值要大于0.024,即VNDI(visible NDVI)公式中的VIS>0.024,否则将可能产生饱和现象,而使LAI估算准确度降低。综合比较所有由红绿蓝光波段各种组合构成的植被指数对LAI的估算能力,认为GNDVI和GBNDVI与LAI有比较好的关系。使用其他条件下的水稻数据对各种NDVI的LAI估算能力进行了验证,仍然得到了同样的结论。可见,GNDVI和GBNDVI在估算LAI时确实比传统NDVI具有更好的效果。

基于水稻背景特性的植被指数参数修正研究

植被指数广泛应用在各种植被遥感监测中,但不同土壤背景会对基于植被指数的遥感监测精度产生影响,特别是以水为背景的水稻遥感监测。该研究旨在对各种背景调节植被指数的参数进行修正,以便更适合以水土混合物为背景的水稻参数估算。首先通过不同生育期水稻的冠层光谱构建在不同参数条件下的背景调节植被指数(WDVI、SAVI、SAVI2、TSAVI),然后以多种方程形式拟合以不同参数构建的各个植被指数与水稻叶面积指数LAI的关系,最后通过比较各拟合方程的决定系数(R2)得到各植被指数修正后的合适参数。结果表明:在使用植被指数估算水稻LAI时,其参数都需要修正。对WDVI,其修正后的参数α=1.44;对SAVI,其修正后的参数L=0.08;对SAVI2,其修正后的参数θ=0.02;而对TSAVI,其修正后的参数a=0.5,b=0.02,X=0.02。另外,在各种拟合方程形式中,以指数和幂函数的拟合效果最佳。在以WDVI、SAVI、SAVI2和TSAVI为自变量,以LAI为因变量的各种估算模型中,TSAVI对LAI具有较高的估算精度,SAVI和SAVI2次之,WDVI最差。总之,在进行水稻遥感监测时,对植被指数的参数进行修正有利于提高监测精度。

油菜红边特征及其叶面积指数的高光谱估算模型

在2003～2004年油菜生长季，选用6个油菜品种，设置3个氮素水平的小区试验。在不同发育期同步测定油菜冠层的光谱反射率及对应叶片的叶面积指数。利用油菜冠层的光谱反射率数据提取红边参数，分析其变化规律，油菜叶面积指数与红边参数的相关性，估算结果表明：油菜冠层红边一阶导数光谱具有“双峰”现象，红边位置λred位于690～720nm之间，在油菜生长旺盛期间出现“红边平台”，前期有“红移”，后期有“蓝移”现象；叶面积指数与冠层光谱红边参数λred、Dλred、Sred之间在开花前存在显著相关，但开花后相关性不显著；利用开花前的红边参数可以估算油菜的叶面积指数，开花后的红边参数不能用于估算油菜的叶面积指数；最后建立了不同时期和开花前油菜叶面积指数的估算模型。