[发明专利]基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法

说明书

本发明公开了一种基于高空间分辨率遥感卫星影像的地块尺度冬小麦叶面积指数(LAI)估算方法，包括：步骤1、通过冬小麦大田试验，获取采样点的冬小麦抽穗前关键生育时期的叶面积指数数据；步骤2、获取覆盖冬小麦大田试验研究区的高空间分辨率遥感影像，进行预处理后，再经过波段计算得到与步骤1中采样点对应的植被指数；步骤3、将叶面积指数数据和植被指数，部分用于构建模型，剩余部分作为验证数据；步骤4、利用验证数据对构建的模型进行验证，获取模型的决定系数R²和均方根误差，选取决定系数R²最大和均方根误差最小的模型为最优模型；步骤6、将获取的最优模型应用于地块尺度冬小麦叶面积指数估算。

技术领域

本发明涉及冬小麦叶面积指数估算技术领域，具体涉及一种基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法。

背景技术

作物生长发育过程中对冠层生物物理参数的精确估算对优化作物田间管理措施具有重要意义。作为常用的作物冠层指示因子，叶面积指数(LAI)经常被用来监测作物冠层结构的发展变化以及作物估产。LAI的精确估计可以为作物施肥、灌溉、病虫害控制以及粮食生产力提供理论支持。传统的大田定点观测不仅费时费力，而且只能获取单点的LAI值，无法获取面上的LAI的情况。随着遥感技术的发展，在全球尺度上大面积的遥感监测为区域尺度上LAI的精准估算提供了可能。

遥感技术手段根据传感器使用电磁波波长的不同又分为光学遥感和微波遥感。光学遥感使用的电磁波波段范围主要是可见光，而后者主要使用较长波长的电磁波来进行对地观测。光学影像在LAI估算方面已经得到了广泛的应用。主要是由各波段反射率经过数学变换得到的植被指数与LAI建立关系，以达到精确估算的目的。常用的一种估算方法是利用红光和近红外波段的反射率构建植被指数NDVI(归一化差值植被指数)，然后与LAI建立关系。然而，有研究表明NDVI在LAI大于等于3时会出现饱和现象。为了克服这个缺点，众多学者又构建了新的植被指数，如EVI，OSAVI，MTVI2等等，以达到提高LAI估算精度的目的。除此之外，光学遥感影像的时间分辨率和空间分辨率一直是制约遥感影像应用的难题。粗分辨率的遥感影像，如MODIS，AVHRR等，由于时间分辨率高，已经在区域或者全球尺度上LAI估算上得到了广泛的应用。但是由于他们的空间分辨率较低，所以在地块尺度上几乎不能得到利用。

长期以来，由于高空间分辨率卫星对不同地物辨别能力强、空间分辨率高、信息精准等特性，有关高分辨率遥感卫星技术及其应用都涉及到国家安全，属于国家的高度机密，多用于获取敌国经济状况、军事情报、空间地理数据等。直至1999美国成功发射了第一颗商业高分辨率遥感卫星IKONOS，才开启了高空间分辨率卫星应用的新时代。其后，SPOT(SystemeProbatoired’Observation de la Terre)，WorldView，GeoEye等一系列高分辨率遥感卫星的发射升空为地块尺度的相关研究提供了可能。利用遥感观测来估算地面LAI的研究主要集中于两种方式，一种方法是基于物理辐射传输模型，典型的辐射传输模型有SAIL(Suits，1972)，以及与PROSPECT(Jacquemoud et al.，1990)结合后的PROSAIL模型(Jacquemoud，1993)等。辐射传输模型的优点是充分考虑了光在冠层内的多次散射，缺点是输入参数多，存在病态反演问题(Atzberger，2004)等。另一种应用较多的方法是直接利用地面实测的LAI值与同时段内获取的遥感影像波段信息的变换形式--植被指数--建立线性或者非线性回归估算模型，这种方法虽然具有一定的地域局限性，但是由于其简单、直接，仍然得到了广泛的应用(陈拉等，2008；刘占宇等，2008；夏天等，2012；谭昌伟等，2015)。因此，我们首先计算冬小麦LAI与植被指数的相关系数；然后采用线性回归、指数回归、幂回归、二次多项式回归和对数回归等方法建立湿渍害胁迫下叶面积指数遥感估算模型；比较各种模型的显著性水平，综合考虑模型拟合决定系数R²、显著性检验F值以及验证R²和均方根误差(Root mean square error,RMSE)确定最优的模型；最后利用挑选出的最优模型进行湿渍害胁迫下地块尺度叶面积指数动态制图。