基于多尺度數據的作物長勢遙感監測系統構建

1作物生長和產量監測從國家最高決策者到市場和農民，有必要了解作物生長的信息。在農作物生長期內盡早掌握農作物生長形勢在一定情況下比精確估計作物種植面積和總產量本身還重要。尤其對于可能出現的大規模的糧食短缺或盈余,盡早的獲取作物長勢信息顯得更為重要。利用遙感技術監測作物的長勢包括作物的苗情、生長狀況及其變化等,從中可及時獲取作物產量信息。農作物長勢監測指對作物的苗情、生長狀況及其變化的宏觀監測,可以分為隨時間變化的監測和長勢空間分布狀況監測。早在20世紀80年代就有人利用多時相的LANDSATMSS數據提取時序植被指數曲線對作物生長狀況進行評價,利用NOAA數據進行作物長勢監測。1985年美國FCCAD(TheForeignCropConditionAssessmentDivision)項目利用衛星以及能夠得到的氣象、土壤信息進行作物長勢評價,建立了作物生長植被指數參考圖像數據庫;按不同地類的面積比重來進行像元的分解,確定典型作物的生長曲線;同時考慮像元的質量問題,通過設定植被像元的閥值和區域統計單元內無云像元的比例,保證最大限度的利用作物信息,降低非植被的影響。Tappan等在非洲地區利用植被指數進行作物生長狀況評價,通過盡早了解作物生長狀況,進行災荒預警。王延頤等利用多年NOAAAVHRR數據對種植結構和大氣條件都很復雜的區域進行作物的生育期、長勢狀況及產量宏觀監測。江東等對NDVI曲線與農作物長勢的時序互動規律進行了研究。作物生長受到多因素的影響,因此進行作物長勢評價也需要采用綜合方法。李龍澎就小麥生長過程涉及降水、時間、土壤、溫度、品種以及田間管理等諸多因素,采用多級模糊的方法進行了綜合評價。張雪芬在地理信息系統支持下,通過植被指數圖與地形圖、土壤質地圖、政區圖、年降水量圖、年平均氣溫圖、小麥生育期積溫圖等圖件疊加、分層,同時依據地面資料進行作物苗情分級,提高小麥苗情遙感解譯精度。李劍萍等利用氣象衛星的比值植被指數和地面觀測資料,采用監督分類和非監督分類相結合的自組織迭代法進行作物長勢監測。但從農業部門習慣角度,由于去年的收成是已知的,通過與去年的作物長勢進行比較,便于早期估產。長勢模型根據功能可以分為評估模型與診斷模型。評估模型可分為逐年比較模型與等級模型,目前作物長勢分等定級沒有統一的標準,診斷模型包括作物生長的物候與階段、肥料盈虧狀況、水分脅迫(干旱評估)、病蟲害的蔓延、雜草的發展等。1996年以來加拿大統計局依據每周長勢對比圖和NDVI過程線進行作物長勢監測。作物長勢監測圖從像元尺度進行年際間作物長勢對比,對比方式包括當前生長季節內與同一生長季節內前幾周對比、與上年生長季內的同一周的對比、與正常值的對比,以及與正常NDVI最大值的比值等。其中正常值主要指歷史上所有NDVI值圖像的平均值。用戶可以通過GIS圖形界面,了解何處何時作物每周的作物生長情況,包括長勢差、好、持平等變化。在日常監測的同時,發展了定量的技術,通過對每周的農田、草地NDVI的平均值分析,去除云的影響,靈活的進行各年間的對比。1998年出于為商業活動服務的目的,設計出能夠靈活進行定性分析的系統,可進行當年與上一年,與以往指定年的比較,及時地為用戶提供定性的作物長勢好壞信息。系統還可依據溫度和濕度是否超過了正常的范圍,進行氣象信息異常的預警分析。1998年美國國家統計局對堪薩斯州小麥長勢進行了監測,采用實時數據與多年平均數據對比的方法來描述作物生長狀況,將長勢狀況分為特別好、好、正常、差、極差5類,反映作物生長與時間的關系。利用8年的植被指數數據集來定義作物生長的平均狀況,當年的值可以直接與其他年以及平均值進行比較。同時認為在相同物候階段相比較的更具有可信度。還從時序NDVI曲線特征參數包括上升速率、下降速率和NDVI平均值角度對作物的長勢和外在因素進行分析。采用像元值平均方法提取區域植被指數過程,將作物生長期內的植被指數過程線與上一年進行對比。此技術方法應用在1998年美國玉米種植帶的旱災監測。歐盟自1998年充分利用CORINE1:10萬土地覆蓋數據庫的成果,建立了基于NDVI過程的長勢監測方法。采用區域加權平均方法進行區域作物生長狀況評價。在作物生長季節內,系統每10天分別對歐共體、區域和國家3個尺度上進行作物監測,反映作物的缺水、干旱等情況,每2周向歐共體農業總部提供農業生產形勢監測報告,每月發布1期綜合通報。經過13年的建設和運行,方法和系統己經可以在非洲等國家開展作物長勢監測。中國農情遙感監測系統自1998年以來利用當年的NDVI圖像與去年同期圖像比較的方法監測大范圍作物的長勢,差值圖像按值大小分成5級(差、稍差、持平、稍好和好),每旬監測一次,運行化程度很高。并以此為基礎,通過綜合農業氣象分析,作物長勢實時監測和生長過程監測,在縣、區劃單元、省、主產區、全國5個尺度上進行作物生長過程線監測。并基于耕地、水、旱田分別進行統計分析,通過地面觀測進行驗證,形成綜合的農作物長勢監測技術體系,建成了作物長勢遙感監測系統,本文是對該系統及其技術方法的介紹。2作物生長過程監測和檢測技術作物長勢監測不僅為農業生產的宏觀管理提供客觀的依據,而且為作物產量估測提供必不可少的資料。農作物長勢監測指對作物的苗情、生長狀況及其變化的宏觀監測,要求能夠及時地全面反映農情。農情即農業生產的情況,農情監測是對農業生產過程的監測。盡管作物的生長狀況受多種因素的影響,其生長過程又是一個極其復雜的生物生理過程,但其生長狀況可以用一些能夠反映其生長過程并且與該過程密切相關的因子進行表征。研究表明可用葉面積指數LAI(LeafAreaIndex)來反映作物的生長狀況,而且可以以葉面積指數作為主要指標進行農作物估產。作物的葉面積指數是決定作物光合作用速率的重要因子,葉面積指數越大,單位面積的作物穗數越多或作物截獲的光合有效輻射就越大。遙感影像的紅波段和近紅外波段遙感信息計算的植被指數與作物的葉面積指數、太陽光合有效輻射、生物量成正相關,其中歸一化植被指數NDVI是最為常用的指標,與LAI具有很好的相關關系,在農作物長勢監測和估產中,可作為能夠反映作物生長狀況的指標。作物的NDVI值與作物的長勢之間存在著一定的正相關關系,NDVI值可以作為作物長勢情況的一種反映。人們可以通過多年遙感資料累積,計算出常年同一時段的平均植被指數,然后由當年該時段的植被指數與常年值的差異程度作為衡量指標,來判斷當年作物長勢優劣。農作物長勢監測主要包括實時監測和過程監測。實時監測主要指利用實時NDVI圖像的值,通過其與去年或多年平均,以及指定某一年的對比,反映實時的作物生長差異,可以對差異值進行分級,統計和顯示區域的作物生長狀況。過程監測主要是通過時序NDVI圖像來構建作物生長過程,通過生長過程的年際間的對比來反映作物生長的狀況,也有稱隨時間變化監測。作物生長期內,通過衛星綠度值隨時間的變化,可動態的監測作物的長勢。且隨著衛星資料的積累,時間變化曲線可與歷年的進行比較,如與歷史上的高產年、平年和低產年,以及農業部門習慣的上一年等。通過比較尋找出當年與典型年曲線間的相似和差異,從而作出對當年作物長勢的評價。可以統計生長過程曲線的特征參數包括上升速率、下降速率、累計值等各種特征參數,借以反映作物生長趨勢上的差異,從而也可得到作物單產的變化信息。對于多光譜遙感影像,作物生長初期,隨著作物生長,葉子結構中葉孔的增加,葉子表面散熱能力增強,近紅外波段值逐漸增加,葉綠素吸收能力增強,紅波段的值逐漸減少,NDVI值逐漸增加;而在作物生長末期,由于枝干由綠色變為黃色,葉綠素吸收能力減小,相應的紅波段的反射值將會增加,葉面的葉孔相對收縮,散發的熱量降低,近紅外波段的值將會減小,因此NDVI有明顯的下降。因此利用近紅外波段和紅波段的線性組合可以很好的反映作物的生長過程特征。如果將作物的NDVI值以時間為橫坐標排列起來,便形成作物生長的NDVI動態跡線、它以最直觀的形式反映作物從播種、出苗、抽穗到成熟收割NDVI的變化過程。以河北省石家莊地區為例,用NDVI曲線模擬的冬小麥長勢完全符合冬小麥的干物質積累過程。河南省高、中、低產縣的冬小麥NDVI的時間曲線呈現出明顯的規律性,這種規律性與冬小麥不同生育階段的生長、發育進程密切相關。因此作物種類不同,NDVI曲線具有不同的特征。同類農作物生長環境和發育狀況的變化也會造成NDVI時間曲線的波動。不但個別時段NDVI值有所改變,而且曲線形態也會發生變化,因此曲線的形態特征有時比個別時段的曲線值更能反映作物生長狀況和趨勢。因此,通過對農作物時序NDVI曲線的分析,不但可以了解實時作物的生長狀況,而且還能夠反映作物生長的趨勢,作物NDVI曲線的提取與分析是作物長勢監測的基礎。利用曲線形態變化與作物苗情變化的響應關系,提取NDVI曲線的特征參數,推測作物的生長發育狀況,監測作物長勢。例如NDVI的下降速率如果很大,意味著作物迅速枯萎,對作物的蠟熟有直接影響。而作物特定生育期內,NDVI的累計值與其最終生物量(或產量)有較好的相關關系,可以依據此值進行年際間對比,從而定量的進行生長情況分析,為作物產量的計算提供依據。不同地區影響作物長勢因素不同,曲線特征參數變化具有區域性,需結合農業氣象信息和地域性的特點。如東北地區作物在生長的前期很少涉及缺水的影響,長勢主要受后期早霜的影響,如果后期遭到早霜,時序NDVI曲線在峰值后會迅速下降,如2002年黑龍江省虎林市9月下旬突降大雪,對作物收獲造成了災難性的損失。而在華北地區,由于旱地作物的生長主要受早期缺水的影響,會造成時序NDVI曲線峰前的上升速度減小,最終也會影響到峰值的大小。而中國的南方地區,水稻的最終產量主要與生長期的長短有關,與時序NDVI曲線峰形有關,即與“胖”、“瘦”有關。因此需要提取時間過程曲線的特征參數(峰值、上升、下降速度等)。通過不同年份的特征參數與產量的相關分析,從中篩選出敏感的參數因子,從而進行作物長勢的定量監測。3處理數據3.1noaaavir數據的獲取和預處理作物長勢監測需要時間頻率高、范圍大的遙感影像數據。研究中主要利用NOAAAVHRR和SPOTVGT每旬的NDVI數據,其中前者用于國內,自1991年以來積累了時間序列數據;后者用于國外,自1998年以來積累時間序列遙感數據。SPOT衛星的VGT裝置接收的1km分辨率的數據由4個通道組成,分別是藍、紅、近紅外、中紅外波段。SPOTVGT實時數據通過網上訂購方式獲取,數據大約延遲三、四天的時間,歷史數據部分從網上免費數據源中下載。訂購的SPOTVGT影像在接收和預處理過程中,己經經過了輻射糾正、大氣糾正和幾何糾正,是標準的NDVI數據產品。NOAAAVHRR數據能在大范圍時間/空間尺度上監測地表變化,其通道1可見光和2近紅外波段可反映地物對太陽輻射的反射特性,能夠對植被、云、湖泊、海岸線、雪、冰和氣溶膠等進行觀測。通道4和5紅外波段數據可測定陸地、水體和海洋以及它們上空的云的溫度輻射能量。NOAAAVHRR數據的獲取主要是中國科學院遙感應用研究所氣象衛星數據接收平臺,每天接收白天過境的2個軌道數據,覆蓋中國中、東部大部分地區,而覆蓋西部地區的第3軌道數據通過其他途徑如購買方式獲得,部分通過美國NASA網站下載。每日將全國范圍的3—4軌NOAAAVHRR數據通過輻射定標、大氣糾正和雙向反射糾正等步驟嵌成全國范圍的AVHRR影像圖,利用通道1和通道2計算NDVI值,采用旬最大NDVI值法合成旬AVHRR影像。未經預處理的遙感數據受水汽和氣溶膠的影響很大,如果直接用這些數據開展作物長勢監測,將影響到監測結果的可靠性。為了保證數據年與年之間、旬與旬之間的可比性,須進行定量處理。大氣的隨機性和非均勻分布,決定了只依賴光學遙感信息定標還不夠,必須進行大氣影響糾正。另外由于地物的雙向反射特性,對于大視場角的遙感儀器獲得的遙感資料,須對可見光和近紅外波段進行二向反射訂正。SPOTVGT旬合成數據己經經過水汽柱、臭氧等大氣訂正,未來需要考慮對氣溶膠影響的補充訂正。NOAAAVHRR數據的大氣訂正采用SMAC(SimplifiedMethodfortheAtmosphericCorrection)方法,該方法簡化了6S模型,其中對氣溶膠的估算,利用能見度反演算法。SMAC方法通過計算大氣穿透率(包括水蒸氣、臭氧、氧氣、二氧化碳CO2)訂正和氣溶膠散射(主要對550nm光學厚度的汽溶膠散射和瑞利散射)訂正(圖1),圖1中上半部為經過大氣糾正后,下半部為原始影像,通過對比,處理結果可以有效的消除大氣的影響,反映地面的真實情況。利用植被“二向性反射”模型反演確定組分波譜參數,進行了1和2通道的“二向反射模型”訂正(圖2),就是把不同角度的反照度按照模型歸一化到45°太陽入射角和垂直觀測的位置。圖2顯示了單景影像的二向反射模型糾正前后對比結果,影像下部的河流處理后結果比原始影像更加清晰,植被的分布特征也更加明顯。遙感數據獲取過程中經常受到云的影響,有云區域無法進行對比,因此必須依據數據的客觀性,在遙感影像標出云的位置。NOAA數據的云檢測是在數據定標與校正基礎上,采用修正后的CLAVR(CloudsFromAVHRR)方法,該方法利用AVHRR數據5個通道多光譜信息,以決策樹的方式,基于2×2像元窗口,通過固定半經驗的優化初始值去判別干凈像元(無云)、混合像元(部分有云)和污染像元(云覆蓋)。進行云檢測時,依據反照率、亮溫等條件,判斷像元窗口是否為云,只有當4個像元全部通過檢測時,該窗口才被認為無云,如果窗口內的4個像元沒有被測試通過,則該窗口像元被認為是混合像元或者是污染像元,如圖3為云標識前后對比。圖3為2000-07-25下午過境的NOAA-14的AVHRR-2數據,位于黑龍江省西南部上空,RGB通道組合方式為1∶2∶1。圖中白色為云像元、灰色為混合像元、其他為干凈像元。3.2云更新特征過程云標識只能標識出云,而不能去除云的影響。雖經過了旬最大值合成,可以部分去除云的污染,但它不能去除亞像元內殘余云,長時間云及云霾或其他負面影響,同時由于這些因素在時間上出現的隨機性,使得時序NDVI值的變化呈不規則狀態,需要進行去云平滑處理。中國農情遙感速報系統采用最小二乘法和諧函數分解相結合的方法進行云污染像元的去除和時序數據的重構。最小二乘擬合方法可以去除個別點對時序曲線的負面影響,諧函數分解重構方法可去除時序曲線中有規律脈動值,形成平穩變化的時間序列。基于植物生長的周期性,對應的時-空系列的遙感圖像的每一個像元在時間上同樣存在著周期性特點,將時間序列離散的點組成連續的曲線,并把曲線視為是由多條不同頻率正弦、余弦諧函數曲線合成。依據具體地區的年、月的地表植物的周期性,通過時間-頻率或頻率-時間的分析方法,進行分解和重組,達到平滑和提取特征的目的。最小二次方擬合過程中,用迭代的方法來實現云污染值的去除。首先對所有的時序像元進行最小二次方擬合,將所有點對曲線的權重賦相同值,然后用觀測的值與擬合值相比較,如果觀測值明顯低于擬合值,則認為是云的負向作用的結果,該觀測值的權重賦為0,然后繼續對剩余點進行擬合形成新的曲線,并進行比較,這樣逐步迭代下去。迭代過程中,不斷有新的認為被云污染的觀測值權重值賦給0,然后生成新的曲線,迭代結果將產生一條基于正向外側點的曲線,用這種方法可以去除云噪聲的負面影響。然后通過傅里葉變換將擬合后的曲線由時間域轉到頻率域,得到系列正余弦函數,依據分解出的函數特征,設定輸出頻率,經過曲線疊加轉回到時間域,即用一系列具有特征正弦和余弦函數來疊加表示最終擬合曲線。圖4為時序NDVI圖像云去除前后對比,其中(a)為原始影像;(b)為處理后影像;(c)為圖像云污染區域(E119°0′23.77″,N32°4′53.20″)點處的時序曲線。圖中(a)和(b)為2002年中國長江下游地區的1、4、6月下旬NDVI值圖像的RGB組合。分析中,1月份NDVI值較低,4月下旬作物處開花期以后,NDVI值較高,6月下旬作物處于蠟熟期,NDVI值較低,因此圖中綠波段的NDVI值較高,綠色和黃色應代表作物;而如果圖像中有云的存在,將導致綠波段的值降低,在1月下旬紅波段的值比6月下旬藍波段值高,因此云在圖像中將呈現紅色。從時序NDVI曲線可以看出,4月下旬NDVI值受到云的影響,其值較擬合后低,因此圖像紅色區域為云覆蓋區。通過(a)和(b)圖的對比可以看出,(a)圖中紅色區域形狀不規則,色調深淺不一,反映了遙感數據獲取過程中,云的隨機和厚度不均勻的特征;(b)圖中對應(a)圖中的云的部分以己經被通過時序分析得到的信息補充,云的噪聲影響己經去除,能夠反映地表的植被分布信息。另外從時序NDVI影像的處理前后對比來看,在曲線的形態方面,處理結果基本是一條基于外向的平滑曲線,可以很好地描述和刻畫時序NDVI影像特征,準確地反映植物生長的周期性。3.3像元測年際間測量過低分辨率遙感數據像元內包含多種土地利用類型,如裸地、水體、耕地、各種樹木等,即存在著混合像元問題。像元的NDVI值也是多種土地利用類型綜合作用結果。簡單以整個像元來代表像元局部作物,就會削弱植被指數指示作用。因此需要有針對的提取出耕地上NDVI值,提高NDVI時序曲線的作物信息含量。由于圖像存在幾何糾正不精確的問題,導致年際間像元地理坐標很難一致,削弱了基于像元的作物生長過程對比性。另外由于進行作物長勢監測需要與統計和地面調查結果進行對比分析,如作物單產預測一般以區域(如縣)為單元,因此需要用區域值來綜合反映其內部所有作物的生長過程。區域尺度的作物生長過程包括區域內的所有作物的貢獻,是區域作物NDVI值的加權平均。對于遙感影像而言,區域由其內部的像元組成,作物種植于耕地上,有耕地的像元均不同程度地對區域作物生長過程有貢獻。如果不考慮作物類型、物候的差別,及耕地上是否種植有作物的情況下,則像元對區域作物生長過程貢獻與像元內的耕地面積比成正比。因此采用區域內耕地像元NDVI值加權平均的方法來提取作物生長過程。在計算作物生長過程時,為了減少非作物的影響,僅計算像元內耕地比重>10%的和NDVI值>0.1的像元。將土地利用數據中的耕地層數據分為旱地和水田。利用耕地層數據與時序NDVI影像進行疊加,計算每個像元內水田或旱地占的權重,對全國、主產區、省、區劃單元內像元NDVI值與權重的乘積進行加權平均,提取4個尺度的旱地和水田作物的生長過程。3.4氣象數據購買與作物生長有關的氣象數據包括溫度、降雨、日照時數等,也包括用于NOAAAVHRR大氣糾正用的能見度、大氣壓、水氣柱、臭氧等數據。數據主要從國家氣象局訂購,每旬向中國科學院遙感應用研究所發送以天為單位的氣象數據。農業氣象數據范圍包括全國300多個氣象站點。農業氣象分析過程中,統計每旬的降雨累計值,>0℃積溫值等和相應的多年平均數據,采用Kriging插值方法進行插值,將實時旬累積數據與多年平均同期相應數據進行距平分析,反映監測區的氣象異常現象。3.5對耕地及旱作物的監測為了突出作物長勢信息,更好地反映目標作物的生長狀況。在進行作物長勢監測時,以1∶10萬全國土地資源數據為基礎,在監測冬小麥長勢時,由于冬小麥種植在旱地,也有部分種植在水田中,去除非耕地像元信息,僅保留耕地像元的信息。監測水稻時,僅保留水田部分的信息,突出水稻的生長信息;在監測玉米、大豆等旱作物時,去除非旱地作物信息,僅保留旱地像元的信息,突出旱作物的生長信息。為了能夠準確的反映中國區域作物的生長階段,需要不同作物的生長物候數據,包括冬小麥、夏玉米、春玉米、大豆等主要作物品種的主要物候期,主要為出苗、抽穗、收獲等。物候信息以曲線的形式疊加在作物長勢監測分級圖上。4作物長度遙感監測作物長勢監測的主要任務是反映作物的生長狀況。主要從兩個方面進行作物長勢遙感監測,一為作物生長的實時監測,主要通過年際間的遙感影像數據的對比獲得作物長勢監測分級圖,同時綜合物候、云標識和農業氣象等信息,分旱地和水田進行監測;二是作物生長趨勢分析,主要通過時序遙感影像生成作物生長過程曲線,基于水田、旱地及耕地,在分區域單元、主產區、省、全國不同尺度上進行分析和對比。為了準確反映作物長勢監測結果,進行區劃、主產區、省、全國耕地、水、旱田分開的統計。1998年以來,作物長勢遙感監測在技術、質量、范圍和頻率上逐漸改進和完善。1998年為了及時監測洪水對農情的影響,中國農情遙感速報系統倉促啟動,從7月下旬起監測中國東部地區的作物長勢。在1998年監測的基礎上,1999年對數據處理流程進行了逐步改善,從3月下旬開始監測全國范圍的作物長勢,每旬一次,到10月下旬結束。2000年在保證每旬監測任務的基礎上,開發長勢監測分析系統,將遙感監測、農業氣象信息以及地面驗證和物候信息集成在一起,實現長勢監測的在線處理,并形成了長勢監測分析環境。2001年,在堅持旬報的同時,在作物生長期發布月度“中國農情遙感速報”,每年6—7期。形成了綜合的農作物長勢監測技術體系。在NDVI影像年度對比的基礎上,利用區域作物生長過程對比、農業氣象分析和地面實地驗證相結合的綜合監測方法,并將分析尺度分成全國、主產區、省和區劃單元4個層次。監測范圍也由國內發展到美洲和大洋洲。2002年經過連續3年的準備,通過每日接收的NOAAAVHRR數據處理標準流程,包括數據標定、輻射糾正、云檢測、幾何糾正、大氣糾正、二向反射模型糾正等過程,建設標準化數據集產品,增加長勢監測的客觀性。另外監測過程中,監測基本單元也逐步從分省到分區劃監測單元細化,逐步提高監測的精度。4.1作物生長和物候學特征實時作物長勢監測用的遙感數據,國內主要為NOAAAVHRR數據,國外主要產糧國作物長勢監測包括北美洲的美國、加拿大,南美洲的巴西、阿根廷、大洋洲的澳大利亞等主要采用SPOTVGT數據。中國、美國、加拿大的作物長勢監測在作物生長期3月下旬至10月下旬,每旬進行一次作物長勢監測。南美洲的作物長勢從上一年的9月下旬開始,至當年的5月上旬結束。實時作物長勢監測主要在作物生長期采用NDVI對比的方法監測作物長勢,進行兩期圖像的對比分析,即計算差值圖像。利用每旬的最大合成NDVI圖像與去年同期NDVI圖像相比較,8位的差值圖像在-100—100間灰度級間每隔20從紅至綠到藍分別賦色,同時劃分成5類;差、稍差、持平、稍好、好進行分級統計。為了突出耕地上的作物長勢,將差值圖像與耕地數據相疊加,從中去除非耕地像元,否則難以確定長勢好的像元是作物像元還是其他像元。如圖5,1998年中國東部秋季農作物長勢遙感監測圖,在1998年大洪水中,盡管區域性洪水很大,但對全國農業生產的總體形勢影響不大,如圖5(a)為全國東部地區耕地上的作物為綠色和黃色,有的地區有紅色,遙感差值影像反映1998年8月下旬,全國耕地作物長勢總體上比1997年持平或略好,圖中江蘇、安徽等省份藍色區域,主要是由于當年遙感圖像獲取時,有大量的云的存在,降低了NDVI值,導致差值圖像顯示為比上年差。圖5(b)為松花江流域黑龍江省春玉米和大豆主產區,圖中綠色和黃色表示與1997年持平和略好。藍色表示比去年差。作物生長未受到水災大的影響,造成人們意識中的災區主要在河流水體附近,圖中藍色區域的作物長勢確實比1997年差,但是流域中的絕大部分作物種植區遠離河道,未受到洪水的影響,其生長由于降雨的增多,比上一年作物長勢還要好。圖5(c)為長江流域中、下游的晚稻主要種植區,流域內大部分地區為綠色和黃色,南昌和景德鎮地區為紅色,只是長江河道附近有小的區域為藍色。從圖中可以得出該流域1998年晚稻的長勢比1997年好。遙感監測作物長勢結果充分體現了空間上和時間上的優越性,客觀地反映了作物的生長情況。國家決策部門依此及時發布信息,起到安定人心的作用。實際分析過程中,常常由于有云的存在而無法進行準確的判別,難以區分圖像上的異常是由于云造成的,還是由于作物長勢的差異造成的,因此還需要對圖像進行云標識。標識過程主要用數據預處理中云標識圖層,分別在兩期圖像上對有云的地方,重新編碼,在兩期相減時,云覆蓋區域將不在參與計算。在此基礎上依據監測結果進行分級統計,反映5種生長狀況各自占的比例。作物長勢實時監測需要對作物生長狀況進行解釋和說明,除了遙感差值圖像反映作物長勢情況外,還應考慮地區差異和物候期變化等因素,因此作物長勢監測圖還需疊加表征物候的矢量層,同時依據分析內容和重點的不同,將耕地分為水田和旱地作物成圖(圖6)。圖6為2002年9月上旬的全國旱地和水田作物長勢情況,圖6中不同地區的物候信息以曲線的方式在長勢監測圖上標出。9月上旬,旱地作物華北南部、西北南部、西南及長江南部地區春玉米處于收獲期,長江以南地區夏玉米處于抽雄期,四川盆地的中稻處于收獲期,江淮地區中稻主要處于抽穗期。從旱地和水田作物長勢監測圖像中全國大部分地區圖像中為綠色和黃色,四川、云南的大部分地區由于圖像獲取時有云,為灰色,無法反映作物長勢信息。因此可定性得出全國2002年9月上旬作物長勢與上年持平或略好,水田作物長勢與上年持平。依據統計分析結果,華北地區山西省玉米51%比去年好,其他地區持平。東北地區遼寧省87%面積的春玉米和大豆與去年持平,吉林省90%的春玉米和大豆與去年持平,黑龍江省的春玉米和大豆有95%與去年持平;甘肅80%地區的夏玉米比去年好。大部分地區水田作物長勢與去年持平。在中稻一季稻產區,東北一季稻長勢與去年持平的面積占95%;江蘇、安徽、湖北98%中稻面積的長勢同比持平;其他地區同比持平。四川、云南的大部分地區去年或今年8月下旬持續陰雨天,無遙感長勢信息。4.2作物生長趨勢監測作物生長狀況的分析不但要進行實時長勢監測,還要從時間系列上進行趨勢分析和歷史累積對比。利用多時相遙感數據,可獲取作物生長發育的宏觀動態變化特征。在農作物生育期內,作物生長狀況和生長條件的變化,都會造成NDVI時間曲線產生相應的動態變化。可以利用這一響應關系,根據NDVI曲線的變化特征,推測作物的生長發育狀況,監測作物長勢。作物種類不同,輪作組合不同,其NDVI曲線具有不同的特征、同類農作物生長環境和發育狀況的變化也會造成NDVI時間曲線的波動。因此通過對農作物NDVI時間曲線的分析,可以了解作物的生長狀況,進而為作物產量的計算提供依據。以像元為基礎的生長過程監測容易受噪聲擾動和幾何精度的影響而失真,需要研究適當的統計單元(或分層,或按行政單元等)進行匯總分析,得到區域的作物生長狀況。作物生長趨勢分析區劃單元、主產區、省和全國4個尺度上進行。分別獲取各自的耕地、水田、旱地的區域加權平均NDVI值。其中主產區分為黑龍江大豆主產區、東北春玉米主產區、黃淮海冬小麥、夏玉米主產區、四川盆地中稻主產區、湖北中稻主產區、江蘇中稻主產區、湖南雙季稻主產區、江西雙季稻主產區等8個主產區。區劃單元主要依據三級區劃單元,全國有112個區劃單元,區劃單元內部作物單產和種植面積等相對較均一,可以反映各省內部的區域特征。作物生長過程主要依據SPOTVGT數據。在作物生長期內,中國的作物長勢監測3月下旬開始至10月下旬結束,每月進行一次作物生長過程分析。圖7是2002年與2001年同期的作物生長過程曲線,在實時監測過程中,2001年的曲線是已知的,而2002年的曲線是隨著作物生長期的推移逐漸從左往右延伸,可以清楚地反映當年作物生長與上年的差異,如物候期的推移、作物生長的速率,長勢的程度、成熟的速率等。從圖中還可以看出,區域范圍越小,區域內的作物物候期趨于一致,曲線間的差異越明顯。反映了年度間作物生長過程的差異。圖7(a)為中國旱地作物生長過程,可以看出2002年3月至4月中旬旱地植被指數比2001年同期高;4月中旬至8月上旬,2002年植被指數較2001年同期略高,8月下旬以來略低。總體上全國旱地夏收作物長勢比2001年好8%,旱地秋收作物長勢僅比2001年好0.6%,全年平均旱地作物長勢比去年好3%。圖7(b)和(c)為黃淮海冬小麥和夏玉米主產區作物生長過程,根據2000年的統計數據,該區的冬小麥種植面積占全國的49%,產量占全國的62%。玉米種植面積占全國的27%,產量占全國的33%。2002年3—4月黃淮海地區的耕地植被指數比2001年同期明顯高,5月上中旬的植被指數略低,此后與2001年基本持平。2002年冬小麥長勢比2001年好6%。夏玉米生長季節內該區旱地植被指數6月中旬至8月下旬比2001年同期略高,9月植被指數稍低。2002年夏玉米長勢比2001年好4%。圖7(d)為河南省旱地作物生長過程,統計得出2002年河南省冬小麥長勢比2001年好10%,旱地秋收作物長勢比去年好5%。從圖7(e)中可以看出,河南省中北部地區旱地作物生長過程與河南省變化趨勢相同,只是幅度上有所變化,河南省2002年冬小麥長勢比2001年好7%,旱地秋收作物長勢比去年好7%。4.3耗水比、降水分析氣象條件與農業生產關系密切,加強農業氣象分析有利于輔助解釋遙感監測結果。從2001年4月開始,在作物生長期內,每月進行一次農業氣象分析。然后結合長勢監測圖進行全國綜合性的分析。圖8為2002年9月份依據全國300多個氣象站點逐日溫度、降水和日照數據,用樣條插值法制成旬積溫、降水、日照時數距平分析圖。從圖中可以看出2002年9月中國農業氣象總體形勢是積溫比常年偏低,降水量比常年少,日照時數與常年持平。全國大部分地區平均氣溫比常年低,只有山西北部,廣東沿海地區、青海南部平均氣溫比常年高,東部沿海地區,山西省南部、陜西省大部、寧夏南部、甘肅省東南部、青海省大部、四川省北部平均氣溫與常年持平。全國大部分地區包括東北、華北、江淮流域、西南、華南大部分地區降雨較常年少,東部沿海地區、江西中部、山西中部、陜西北部、寧夏北部、內蒙古西部、甘肅西部、青海大部、西藏西部、新疆西南部地區降水較常年增多。內蒙古東北部、黑龍江省東北部、江蘇省大部、湖北省大部、陜西省南部、四川省、重慶市、貴州省、云南省日照時數較常年增加,山西省大部、內蒙古中部、寧夏、甘肅省、青海、新疆、西藏、湖南省南部、廣東廣西南部日照時數較常年少,其他地區日照時數與常年持平。4.4作物生長過程線和年際間作物長度監測雖然遙感信息能夠反映農作物的種類和狀態,但是由于受多種因素的影響,完全依靠遙感信息還是不能準確地獲得監測結果,還要利用地面監測予以補充;將地面信息與遙感監測信息進行對照,從而獲得農作物長勢的準確信息。長勢監測過程中的定標可依據地面實測作物生長狀況對由遙感影像得出NDVI進行標定。地面測量主要包括生長期、株高、葉面積指數、種植結構等觀測,在中國的東北、西北、華北、華中、華東5個地區樣條采樣工作的基礎上,由GVG農情采樣系統采集野外實拍照片,及吉林雙陽、河北欒城、南京江寧、湖北新洲樣地實測信息這4個樣地的選取主要考慮地區作物種植的特點,如華北平原是中國冬小麥和夏玉米的主產區,作物種類單一,便于觀測;東北平原盛產玉米、大豆,作物連片種植;江漢平原主要對早稻和晚稻進行觀測;太湖地區主要對中稻進行觀測。監測樣點作物的生物量和葉面積指數等生理參數指標,對作物長勢監測結果進行檢驗,如圖9為吉林省長春市雙陽區樣地和河北省欒城縣樣地的實測葉面積指數與作物生長過程的對比,其中欒城縣樣區內耕地的冬小麥和夏玉米作物生長過程線與實測的LAI值具有很好的線性相關關系,相關系數的平方值R2分別為0.80和0.86,吉林省雙陽樣區的作物生長過程線和LAI移動平均擬合分析中,春玉米和大豆的NDVI與LAI呈“P”形對應關系。隨著經驗的積累和精度提高的需要,要繼續增加樣地的定點測量,開展作物長勢監測的定量化研究,包括葉面積指數、生物量以及太陽有效光合輻射等參數的遙感反演。實時遙感監測作物長勢結果驗證,充分利用地面采樣系統(GVG)的野外照片,通過樣條采樣路線年度間的重復性,進行年際間作物生長狀況的對比(圖10)。圖10中為2000-07-04(a)和2001-07-05(b)在四川石棉縣同一地塊拍攝的水稻生長情況,由于觀測角度和位置上的差異,照片中地塊的形狀略有不同,從兩個圖片的對比中可以得到實測的作物長勢生長的年際間的差異。然后將對比結果依據地理坐標反映到作物長勢監測對比圖中,在空間上驗證差值NDVI圖像監測作物長勢的準確性。另外還可以依據樣地實測的作物生物學參數進行對比,如葉面積指數、株高等進行年際間的對比,反映作物長勢的年度間的差異變化。5數據來源及功能作物長勢監測是綜合性的工作,利用實時遙感數據監測作物的生長狀況,通過多時相遙感數據監測作物的生長過程,同時還需要考慮農業氣象條件、作物物候等影響。全國范圍內農業氣象條件、作物種植結構、物候期的差異值很大,開展作物長勢監測時,需要結合不同區域的特點進行綜合分析和判斷。為此需要通過開發長勢監測分析系統,將遙感數據、土地利用數據、農業氣象數據、物候數據集成管理起來,動態實時地進行長勢監測、過程分析,打印制圖,并提供長勢分析環境,將監測結果與物候和農業氣象一起進行集成分析,得出長勢監測分析結果。系統采用Oracle大型數據庫作為基礎服務器平臺,ArcSDE作為空間數據引擎,基于局域網環境下的客戶機/服務器模式(C/S結構)進行設計開發,在ArcView3.2環境下集成開發客戶端程序。系統包括3個部分,第1部分為數據集中管理,包括作物生長過程、農業氣象數據(溫度、降水和日照時數)、作物物候、作物種類等數值數據,還包括物候圖、省界行政界線等矢量圖,以及不同年度NDVI影像柵格數據。第2部分是比較分析部分,包括時序作物生長過程生成、兩期圖像對比分析及農業氣象過程分析。第3部分是分析環境,包括氣象信息過程線,物候和行政邊界等空間和數據信息的疊加顯示,使用戶明顯地看出各物候期的長勢比較,為進一步的原因分析及對策選擇提供了依據。如圖11為系統的分析界面,通過各種分析要素的選取支持系統運行。系統運行中可依據不同作物的物候信息,選取作物生長期時間段來進行分析。在監測圖表部分,用戶可以選取不同的圖表過程來對比分析,包括作物年度生長過程、年度間的作物生長過程對比、生長過程的累計值的計算和對比等。在專題圖選項中,可以依據用戶的選取生成各種專題圖件,包括生長形勢、生長趨勢、生長水平以及與旱情相關的作物缺水等。另外可依據不同的需要疊加各種省、縣級行政區劃、作物產量區劃以及各種標注等。為了增加系統的綜合分析能力,可以任意選取農作物物候圖、氣象信息時間曲線、土地利用圖等圖件與作物長勢監測圖進行疊加分析。圖12為系統的分析結果,圖中左部為作物長勢實時監測結果,包括省級行政界線圖、氣象站點分布圖、土地利用圖(只選用耕地層數據)