作物生物量遥感估算方法研究

发布时间：2017-12-25 05:15

本文关键词：作物生物量遥感估算方法研究　出处：《中国科学院大学(中国科学院遥感与数字地球研究所)》2017年博士论文　论文类型：学位论文

【摘要】：作物地上生物量(Aboveground Biomass,AGB)是农业生态系统监测中的重要指标之一,其不仅与作物长势的监测、单产和产量的形成等密切相关,同时也是开展全球气候变化、碳循环、物质流动和能量交换等研究的重要内容,因此,作物生物量的监测一直是学界研究的重点和难点。近年来,限于人口持续增长、环境逐渐恶化等因素的影响,粮食的生产和安全、农田生态系统的稳定和健康也受到了不同程度的干扰。因此,生物量的精确估算与动态监测是高效利用农田资源的重要依据,而传统生物量的估算方法已难以满足需求,近年来迅速发展的遥感技术由于具有近实时的对地观测能力,使得基于遥感的作物地上生物量估算方法研究成为热点,对于开展全球变化等方面的研究也具有非常重要的意义。本文的主要研究目标是综合利用多源遥感数据构建生物量遥感监测模型,提高作物生物量的估算精度。针对目前生物量研究中存在的指数易饱和以及混合像元等问题,分别采用红边波段、时空数据融合、组合指数等研究方法,对小麦、玉米和水稻等作物生物量的估算进行了深入的研究,以此构建了多种生物量估算模型,并利用地面观测实验数据验证了模型的精度,从而为生物量高精度的反演提供依据。(1)本研究通过地面观测试验,获取了冬小麦和春玉米的冠层光谱反射率与地上生物量观测数据集,利用光谱响应函数拟合了MERIS传感器的部分波段反射率,并提取16种常用的宽波段植被指数,分别建立其与生物量的最优估算模型,通过分析相关性与敏感性,探寻适宜生物量估算的指数。结果表明,所选的植被指数均与生物量显著相关。其中,NDVIre和CIre分别与小麦和玉米生物量相关性最高(决定性系数R2分别为0.94和0.94;均方根误差RMSE分别为0.158和0.112 kg/m2),但部分植被指数如NDVI等在生物量较高时会逐渐饱和。加入红边波段的指数不仅能够提高生物量估算精度,而且能够延缓饱和趋势,但其对作物类型变化不敏感。此外,归一化差值指数和比值指数分别在作物生长的早期和中后期对生物量保持较高的敏感性,而SRre和MTCI在冬小麦整个生长季内一直对生物量保持高灵敏性,是小麦生物量估算中表现最稳定的指数,因此,针对不同作物生长期建议使用组合植被指数的方法进行生物量的反演从而提高估算精度。(2)针对遥感影像中普遍存在的混合像元现象,本研究利用时空融合算法降低其带来的影响,并将其应用在中国华北平原地区冬小麦生物量和单产的估算中。首先,通过融合PROBA-V 100米和300米S1产品生成每日100米的地表反射率数据集。结果表明,融合后的数据与参考数据呈现出较高的相关性(红波段为0.71≤R2≤0.94;近红外波段为0.50≤R2≤0.95;短波红外波段为0.88≤R2≤0.97)。然后,推算出较高时空分辨率时间序列的NDVI,并将其用于冬小麦的识别。分类的总体精度在78%和87%之间,kappa系数高于0.57,相较于使用300米数据的分类精度提高10%-20%。最后,将融合后的数据同化入光能利用率模型(CASA)中反演生物量和产量,估算结果与田间的实测值密切相关,具有较高的R2和较低的RMSE(生物量为0.864≤R2≤0.871和168≤REME≤191 g/m2;0.631≤R2≤0.663和41.8≤RMSE≤62.8 g/m2)。本文展示了使用PROBA-V 100米数据增强PROBA-V 300米数据空间分辨率的强大潜力,为利用PROBA-V数据估算作物的面积和产量开辟了一条新颖的路径。(3)本文利用GF-1光学数据和Radarsat-2雷达数据分别对广东省台山市的水稻地上生物量进行估算,结果表明,所选取的全部植被指数以及大部分雷达极化参数均与水稻生物量显著相关,且CIgreen和Anisotropy分别具有最高的估算精度(R2=0.6123,RMSE=0.4861 kg/m2;R2=0.6543,RMSE=0.5418 kg/m2)。最后,利用这两种遥感数据所具备的不同特征,将植被指数和极化参数进行组合,相比单一的指数或参数,组合后的指数进一步提高了生物量的估算精度,通过敏感性分析发现,EVI*Anisotropy和EVI*RVI在水稻的全生育期内敏感性保持稳定,因此,可以采用这两种改进后的指数进行水稻生物量估算模型的构建。尽管本文中提出的估算方法改善了作物生物量的估算精度,但其仍存在一定的不确定性,如在尺度效应、数据验证等方面还需要进一步的研究。
【学位授予单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：博士
【学位授予年份】：2017
【分类号】：S127

【相似文献】