遥感技术在粮食作物时空分布信息提取中的研究

白玉琪

摘 要：该文论述了遥感技术在农作物种植面积、农作物估产、动态监测等方面应用，从不同遥感平台的作物种植面积监测、MODIS影像的作物提取方法、MODIS影像的特征指数3个方面介绍了国内外研究现状，最后从4个方面提出了亟待解决的问题。

关键词：遥感技术；高光谱遥感；监测

中图分类号 S157 文献标识码 A 文章编号 1007-7731（2014）22-137-02

1 研究的意义

遥感技术是一种远距离、在不直接接触目标物体的情况下，通过接受目标物体的反射或辐射来的电磁波，探测地物波谱信息，并获取目标地物的光谱数据与图像，从而实现对地物进行定位、定性或定量的描述[1]。遥感技术是近年来迅速发展起来的一门综合性应用技术，是一门相对年轻的学科。高光谱遥感是利用很多很窄（通常波段宽度小于10nm）的电磁波波段从感兴趣的物体上获取有关数据，其所获的数据能形成一条完整而连续的光谱曲线[2]。光谱的覆盖范围为可见光到热红外的全部电磁辐射波谱，可以获取连续的光谱信息，这是高光谱遥感数据与常规遥感数据的主要区别。

利用高光谱遥感能够很好的预测粮食安全面临的挑战和未来的形势，获取作物的光谱信息，进而研究分析光谱变化特征，建立合适的监测模型，获取农作物的种植面积，对其田间生长状况的监测以及产量估算等具有十分重要的意义dd。

2 国内外研究现状

2.1 基于不同遥感平台的作物种植面积监测 早期，陆地卫星Landsat常被应用于农作物种植面积的提取。MacDonald等在LACIE试验中成功地预报了美国小麦产量，他们利用的Landsat MSS数据为80m空间分辨率[3]。此后，基于MSS数据的信息提取结果令人满意，精度高于90%，这在其他地区和农作物方面也得到了推广。遥感空间分辨率大大提高，遥感技术进入高速发展的时代，30m分辨率的TM/ETM+和10m分辨率的SPOT等遥感数据在识别作物分布方面发挥重要作用。近年来，基于雷达获取的影像也开始被研究者青睐，结合它来识别农作物分布信息。

高分辨率多光谱影像对大区域尺度植被信息的识别提取较为困难，因为它对天气因素较为敏感，再加上有较长的重访周期，成本较高；而中低分辨率遥感影像则恰好避开了这几方面，不仅费用低，不易受诸多因素干扰，而且成像面积大，有较高的时间分辨率，这就为大尺度区域作物的遥感监测创造了条件。

与以往的遥感数据相比，MODIS 数据改善了许多性能，数据的最大空间分辨率提升至250m，而且光谱分辨率达到36个波段，比SPOT、TM和AVHRR更高。不同波段的植被光谱类型不同，多波段和高光谱分辨率可探测精细的植被光谱信息，从众多窄波段中筛选出那些光谱差异较明显的波段，可改善对植被生长状况的认识与研究。MODIS数据能够有效降低水汽吸收所造成的影响，因为它有相对较窄的波段，而红外波段对叶绿素含量非常敏感，可以用来有效改进植被指数的准确度。

高时相、多波段的MODIS数据的应用已经越来越受到重视，特别是在全球观测中；近年来利用MODIS数据监测农作物生长状况的研究在国内外也越来越多。Xiao等利用MODIS数据，对中国南部13个省和东南亚13个国家的水田面积进行研究。Sakamoto等利用MODIS数据，研究湄公河三角洲农作系统和水稻物候的时空分布情况。张海珍等利用多时相MODIS数据对成都市水稻进行估产研究，误差为17.45%[4]。张春桂等利用MODIS数据监测丘陵山区双季稻种植面积相对误差低于13%[5]。

2.2 基于MODIS影像的特征指数 基于MODIS卫星数据识别提取农作物分布信息，首先要根据作物的物候特征，确定识别作物的关键时期，包括：种植期、生长期和收获期等，这些关键的作物历信息是识别作物所必须的。通常采用对植被和水敏感的特征指数来扩大与其背景的差异，以突出植被和土壤湿度的信息。MODIS数据的主要有3种特征指数，它们把绿色植物在近红外波段、短波红外波段、蓝光波段和红光波段的反射率经过分析运算得到的，它们分别是归一化植被指数、增强植被指数和陆地水分指数。MODIS-NDVI是最常用的植被指数，能够有效消除影像内部和外部的噪音，而且较好地反映出植被绿度的变化。EVI与NDVI互为补充，它利用蓝光波段修正了大气对红光波段的干扰，消弱叶冠背景信号并降低大气影响，对高生物量区域的敏感度大大提高，改善了对植被的监测，有研究表明，EVI不易受背景噪音影响，对大气噪声的影响也不敏感，有更加有效和稳定的监测能力。LSWI利用了对水体敏感的短波红外波段，是表征植被水分含量的植被指数，能够较好的用来检测泡田期的农作物。

2.3 基于MODIS影像的作物提取方法 同物异谱和异物同谱现象普遍存在于单一时相的图像上，这使得对图像中地物的识别难度加大，研究者考虑利用多时相遥感影像则可以突破这个困境。20世纪80年代，多时相分析法发展起来并得到广泛应用，与传统分类方法相比有较大提高。结合高时间、高空间分辨率的多光谱影像可以实现作物种植面积信息的提取，且精度较高。BADHWAR获取多种农作物的面积也是应用了多时相分析法，并且他的方法得到广泛应用。同样的，郑长春和张友水等在对水田的提取研究中，也采用多时相遥感数据。

提取作物信息，首先要了解不同农作物类型的差异所在，可从它们的生长规律和光谱特点着手，EVI时间序列数据可与空间光谱信息相结合，不同的土地覆盖类型有不同的MODIS-EVI时间序列曲线，其表现出的光谱差异可实现对地物的识别，不仅如此，其表现出的生长规律的差异，与农作物生长发育的不同阶段相对应，为农作物的识别提供了重要依据。农作物生长状况受诸多因素影响，包括人为因素和环境因子（如气候，水文、土壤等），其复杂的生物物理过程使得农作物覆盖区域的光谱特征呈现季节性变化，这种随时间变化的特征或现象可以作为作物识别的重要依据。在同一区域，不同作物类型随着季节或年份的变化，其植被指数也不一样，时序指数曲线相近或相似的像元可视为相同的作物覆盖类型。

3 亟待解决的问题

（1）尽管遥感技术已在提取地物的分布信息及面积方面取得一定进展，但很少有对耕地内部不同作物分布情况的研究，且对大空间尺度下作物分布信息的提取研究极少，多集中于在某一小区域范围内采用遥感手段对作物生长状况进行监测。

（2）由于缺乏不同农作物空间分布的信息，导致长势遥感监测在分区域、分作物建立模型时遇到极大困难，也使得作物长势遥感监测的精度受到制约，农作物的估产和农业灾害预报也存同样的问题。

（3）大田中的冠层反射率不仅受叶片反射率的影响，还受到冠层结构以及植被下地面光谱特性的影响，而这种影响，随着观测角度的不同又有所不同。地物光谱技术还受大气对光谱吸收、太阳高度角等因素的影响较大，因此其可靠性、精度和数据的稳定性有待于提高。

（4）遥感作物监测技术方法尚且不能满足有关部门对信息的需要量，需要进一步完善时效性，努力改进基于对象的新型分类方法或对已有的分类方法进行组合，发展自动分类模型和方法，重视农作物的种植区划、种植结构和物候历等农学因子和气象因子的结合分析，融合专家知识和GIS数据。

参考文献

[1]朱述龙，张占睦.遥感图像获取分析[M].北京：科学出版社，2000：1-4，153-157.

[2]浦瑞良，宫鹏.高光谱遥感及其应用[M].北京：高等教育出版社，2000：3-5，89-93.

[3]MacDonald R B，Hall F G.Global crop forecasting [J].Science，1980，208（4445）：670-679.

[4]张海珍，马泽忠，周志跃，等.基于MODIS数据的成都市水稻遥感估产研究[J].遥感信息，2008，5：63-67.省昆明市东川区为例[J].水土保持学报，2004，18（4）：177-181.

[5]张春桂，林晶，吴振海，等.基于 MODIS数据的水稻种植面积监测方法研究[J].自然资源学报，2007，22（1）：1-8.

（责编：吴祚云）endprint