基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测

发布时间：2020-01-27 19:57

【摘要】：【目的】通过对倒伏发生前后的多时相HJ-1B卫星CCD多光谱影像植被指数的变化分析,实现区域尺度下的玉米倒伏受灾范围监测和灾情评估。【方法】以2015年8月3日因大风暴雨导致大面积玉米倒伏的河北省藁城市为研究区,提取HJ-1B CCD多光谱影像的多种植被指数,根据多时相植被指数变化量与实测倒伏样本的关联分析,筛选玉米倒伏敏感植被指数,采用正态(偏正态)统计理论的双阈值划分策略划定阈值,构建基于植被指数变化分析的玉米倒伏灾情遥感监测模型,评价玉米倒伏灾情严重程度,并基于野外实测样本进行精度评价。【结果】基于城镇、水体、倒伏与未倒伏玉米的HJ-1B CCD2多光谱反射率曲线可得,玉米与城镇建筑物和水体的光谱反射率存在较大差异,在可见光波段,倒伏玉米要高于未倒伏玉米的反射率,然而在近红外波段(830 nm),未倒伏玉米略高于倒伏玉米的反射率。由已提取出玉米种植区域后的前后两期HJ星的差值影像分析可得其像元整体分布趋势基本符合正态(偏正态)分布。由相关性分析可得,倒伏前后的比值植被指数(RVI)差值与玉米倒伏比例具有最高的相关性(R=0.9377),而且倒伏越严重,其RVI差值越大;通过野外实测样本与模型验证结果进行混淆矩阵分析,总体分类精度达到85.7%,Kappa系数为0.804;研究区玉米倒伏遥感空间制图结果与当地农业技术推广站监测结果基本一致。【结论】倒伏发生后,其玉米长势以及灾后恢复程度均存在较大差异,因此,基于玉米倒伏前后RVI差值的遥感监测模型能有效反映不同倒伏程度的冠层群体变化信息以及长势恢复情况,能在区域尺度下实现玉米倒伏受灾范围监测和灾情等级评估。
【图文】：

空间分布图,玉米种植,影像,数理统计方法

并使用Arcgis软件做出样图如下，藁城市7月25日HJ-1BCCD2遥感影像（a）和玉米种植空间分布图（b）见图1，其中a图由绿光、近红外、红光波段依次组合而成。1.4分析方法1.4.1数理统计方法对于所获取的玉米倒伏数据首先采用数理统计方法进行数据预处理，主要包括利样本点Samplingpoint边界线Boundaryline样本点Samplingpoint边界线Boundaryline玉米Maize非玉米Non-maize03.5714km03.5714kma7月25日HJ-1BCCD2影像HJ-1BCCD2imageonJuly25b藁城玉米种植空间分布图SpatialdistributionofmaizeinGaocheng图17月25日HJ-1BCCD2影像与玉米种植空间分布图Fig.1HJ-1BCCD2imageonJuly25andspatialdistributionofmaizeinGaocheng

多光谱影像,倒伏,灾情等级,遥感监测

21期王立志等：基于多时相HJ-1BCCD影像的玉米倒伏灾情遥感监测4127样本点Samplingpoint边界线Boundaryline倒伏分级Lodginggrade未倒伏Nolodging轻度Light中度Moderate重度Serious03.5714km图6藁城市玉米倒伏灾情等级遥感监测图Fig.6RemotesensingmonitoringrankchartofmaizelodgingdisasterinGaocheng阵，按照计算公式分别计算其总体分类精度和Kappa系数。为增强精度评价的可靠性，增加试验次数至50次，每次均采用放回随机抽样，每次均计算其总体分类精度和Kappa系数，最后选取50次总体分类精度和Kappa系数的均值作为最终的精度评价指标。经计算得到得其总体分类精度Pc为85.7%，Kappa系数K为0.804，两种精度验证结果均表明本文的倒伏遥感监测模型精度较高，可以实现对区域内不同倒伏状态空间分布的遥感监测。3讨论玉米发生倒伏后，受倒伏胁迫的影响，不同倒伏程度的玉米在后期的自我恢复中所需要的时间以及恢复程度均有较大差异，，主要表现在倒伏后玉米的不同长势上，而且倒伏灾情越严重，其对后期长势回复的干扰就越大[31]，所以可以通过能够表征作物长势的植被指数差值来反演玉米倒伏的受灾程度[14]。本文选取倒伏发生前后的两幅环境减灾小卫星多光谱影像，提取多种植被指数并进行差值运算，通过相关性分析筛选敏感性最高的植被指数差值，基于正态（偏正态）统计理论的双阈值划分策略进行阈值划定，构建基于植被指数变化分析的玉米倒伏灾情遥感监测模型，最终实现藁城市玉米倒伏的遥感监测。此次关于玉米倒伏的研究仅仅只是玉米生长周期内的一个生育期——抽雄期，并不能完全推广整个生育周期内的玉米倒伏研究。由于灌浆期玉米穗粒开始灌浆，营养生长基本停止，加上处于夏季暴风雨的多发时节，?

【相似文献】