基于光谱信息和气象数据对大面积小麦产量模型的建立与检验外文翻译资料

外文文献题目： Large area operational wheat yield model development and validation based on spectral and meteorological data

2017 年 3 月 10 日

基于光谱信息和气象数据对大面积小麦产量模型的建立与检验

摘要：卫星遥感数据由于其实时性和周期性，在农业应用中具有广阔的应用前景。尤其是光谱指数推导从可见光和近红外遥感数据已广泛应用于作物表征、 生物量估测、 农情监测、 作物产量条件监测和作物产量的监测和预报。本文研究了基于光谱仪建立作物产量模型，利用光谱指数估计小麦作物的生长，即归一化差异植被指数（NDVI），来自NOAA-AVHRR数据和每月的降雨量数据。由国家经济和统计局(DES)进行的作物切割试验(CCE)数据显示，7种作物生长季节的AVHRR数据和降雨量数据是基本的输入参数。Žfteen已经在印度拉贾斯坦邦的大小麦种植建立了作物产量统计多元线性回归模型。通过对预测的地区的产量与作物切割试验的预测结果进行了比较，验证了该方法的有效性。根据NDVI(光谱)、降雨(气象)和NDVI和降雨(光谱气象)的产量模型进行了试验。这些模型是为地区，包括农业气候区和农业气候带群的地区而建立的。在三种类型的模型中，光谱分析的产量模型具有最高的预测能力，正如验证结果所示，区域级模型与产量的相关性最高，其次是农业气候分区和区域层模型。

1. 介绍

小麦是印度主要的粮食作物，主要在印度的旁遮普邦、哈里亚纳邦、北方邦、中央邦、比哈尔邦和拉贾斯坦邦。它的产量仅次于水稻。改进的农业实践有利于小麦的产量增加。1991年，在拉贾斯坦邦，这种作物的平均产量几乎翻了一倍，从1979年至1980年的1.304吨，到1991年在拉贾斯坦邦(Rajasthan)的2.375吨 (1666.7万公顷)，为该国的小麦面积和产量的8.13%(291万吨)。收获前的产量估计对评估他们的市场和定价政策有帮助。遥感多光谱数据长期以来被用于模型和预测谷类作物的产量，如水稻、小麦、高粱等。(Barnett和Thompson 1982,1983;Potdar et al . 1995)。植被指数NDVI是由可见光和NIR辐射的归一化分化产生的，这是任何时候绿色生物量的一个强有力的指标。从NIR和红带推导出的植被指数作为作物生长的指标，并与植物生物质和谷物产量有关。对于acreage估计，需要高空间分辨率的数据。不过,大面积整体作物条件下，甚至从低分辨率数据,比如NOAA-AVHRR数据可以准确评估产量,模拟作物产量的植被参数(s)来自于多光谱数据。

1. 研究区

2.1地形地貌和气候

表格 1.拉贾斯坦邦地区的农业气候

图1.拉贾斯坦州小麦种植区和农业区的显示

2.2.作物物候和分布

小麦（T riticum aestivum L）是生长在印度的冬季作物。小麦和芥菜是主要作物，紧随其后的是绿豆、大麦和红豆。次要作物包括芫荽、瓜尔和其他豆类。小麦作物的持续时间大约是120天。Žrst实验的活性营养阶段持续60天。分蘖30天生长活跃增长阶段紧随其后。一般来说，生长和衰退的20 - 30天期间，相当于小麦作物的重要的物候阶段。

1. 材料和方法

3.1．使用的数据

小麦作物是冬季作物（十二月播种，四月收获）。筛选NOAA-9/11 AVHRR数据中得出小麦最大营养生长时期为2月，1987 - 88 - 1993 - 94已筛选数据中得出数据的适用性,如云层,缺失数据,覆盖合适的领域内的plusmn;30°片保持几何失真最小等。这些约束大多是AVHRR数据分布在一段15到20天。在德黑兰（一个小区域）的雨水测量站测量的每日降雨量数据被转换为地区级的月降雨。小麦作物产量数据的来源是美国农业部根据作物收割时进行的作物切削试验(CCEs)所估计的大面积小麦种植情况。尽管收益率上的错误估计所以不引用,他们预计将在10%在地区层面上,推导出从stratiŽ阳离子方案采用和选定的CCE的其他站点的数量。用NOAA-AVHRR数据的日期是1988年2月8日，1989年2月16日，1990年2月2日，1991年2月27日，1992年2月26日，1993年2月16日和1994年2月13日。只有这些数据集可以满足上述选择标准。日期范围从二月2日至二月27日，即25天。7个日期中的4个在2月8日至16日之间，是确切的平均播种日期，因为它是在受许多因素，如空间和时间播前季风降雨分布，随后的土壤水分建立，种子由政府分配等通常的播种作业展开为期三周；播种期的平均日期通常是十一月30日，作物生长日期一般为12月15日，2月15日作为粮食的平均灌溉日期，吸收最大营养阶段约为20天，即从开始形成到柔软的面团形成的这段时间。鉴于在平均每年的变异性蔓延日期的播种 （大约 2 个星期） 和长持续时间的最大的营养阶段，选择plusmn;13 天的 AVHRR 数据日期。

3.2对AVHRR数据的处理

NOAA 9-11 AVHRR HRPT在可见光（0.58–0.68毫米）和近红外光（0.725–1.1毫米）信道（全10位辐射分辨率）全系列（2048像素）进行辐射校正和全景校正。NDVI变换图像是由可见光和近红外通道的校准辐射产生的。几何修正包括由于地球的旋转和曲率而产生的影响。子图像提取进行几何处理，Ž阳离子利用地面控制点。大约30点均匀分布式的图像和识别Ž能在1:100万比例尺地形图进行二度二次方程用于图像的坐标变换。变换中的残余误差约为0.21像素。最小失真的数据集被选择作为主图像的图像到图像配准。其它的子图像进行注册到主图像与一个约0.3像素的亚像素精度和最近邻抽样。以类似的方式，边界掩模图像生成叠加的NDVI图像。可见光和近红外遥感图像数据转换为NDVI：

R 1 和R 2 分别是中可见的红色和近红外波段的辐射值。NDVI 图像使用以下变换生成的︰

DNNDVI是与给定的NDVI相对应的数字计数，而NDmin和NDmax是该地区研究中最小和最大的NDVIs。对于典型的NDVI范围- 0.3到0.7,NDVI区间的数字计数是有关的0.00392。在目前的分析中，nmin和NDmax分别设置为- 0.3和0.7，用于所有日期的数据。由此产生的NDVI图像包含了各种大气条件的变化。因此，使用多年的数据必须使大气和烟雾的正规化，从而减少数据中的噪声。这需要辐射从最不变化的目标(水，黑土等，可以被当作伪不变的目标)。在本研究中，一个大型水库的清水部分被用作一个伪不变目标。利用下面的方程，计算出不同图像的不同大气校正因子，然后修正NDVI图像。

在地面上的NDVI,V是大气顶部的NDVI,R1和R2分别是红色和近红外辐射，dR1和dR2表示两个通道的辐射路径。

3.2.NDVI阈值的确定

小麦是在十二月至四月期间的单一优势作物，其他作物的干扰是可以忽略不计。芥末、绿豆和灌木丛其他植物的光谱特征不明显，研究区森林覆盖率小。因此，NDVI阈值被用于对小麦裁剪区进行区分。结果表明:大型连续的优质、中、贫类小麦地块分布和空间平均分布和NDVI值的标准差。同时，不同植被类型（小麦、绿豆、香菜、芥末、森林等）均位于基于GT的信息和阈值的动态图像Ž固定分别为不同的图像。有人还发现，阈值最小化的裸露土壤，耕地和灌丛植被的干扰，NDVI的阈值以上的值，在很大程度上可以归因于小麦作物。

3.4．小麦的AWANDVI计算

用以下方程计算小麦像素的区域加权平均NDVI（AWANDVI）：

这个区域加权平均依赖于直方图中选择的NDVI区间。随着区间(dVe)趋于零，AWANDVI渐近趋向于简单的平均NDVI。AWANDVI在某种意义上也取决于像素大小。像素本身的NDVI是像素内植被指数的区域加权平均值。

3.5.作物产量模型的简历和检验

对整个研究区域的区域级模型、农业气候分区模型和农业气候分区模型进行了研究。有四个agro气候区，用于试验模型

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140561]，资料为PDF文档或Word文档，PDF文档可免费转换为Word