卫星遥感在生态监测与农业中的应用文档格式.docx
《卫星遥感在生态监测与农业中的应用文档格式.docx》由会员分享,可在线阅读,更多相关《卫星遥感在生态监测与农业中的应用文档格式.docx(14页珍藏版)》请在冰豆网上搜索。
![卫星遥感在生态监测与农业中的应用文档格式.docx](https://file1.bdocx.com/fileroot1/2022-12/8/615c5a4a-c3ec-41a0-8ef3-d676f8253a4b/615c5a4a-c3ec-41a0-8ef3-d676f8253a4b1.gif)
俄罗斯/前联的“流星〞极轨气象卫星系列从1966年开场发射,至今开展了三代,发射了50多颗卫星。
“流星〞3是第三代业务气象卫星,星上配置的探测仪器有电视摄像机、红外辐射计、地球辐射收支仪、紫外探测器等
我国的风云系列气象卫星分为静止卫星和极轨卫星两类,FY-奇数为极轨卫星、偶数为静止卫星。
从1988年9月7日成功发射的第一个颗风云一号气象卫星以来,我国共发射了4颗极轨气象卫星。
目前稳定运行的极轨气象卫星是FY-1C、FY-1D两颗。
在临近天气预报、水灾、火灾、积雪灾害、强对流云体识别、农业应用等方面发挥了显著的作用。
极轨气象卫星主要为中长期的天气预报和中长期的气候监测和环境监测效劳。
中国是继美国和俄罗斯(联)之后第三个具有自行研制和运行地球同步轨道和极轨卫星这两种气象卫星的国家。
迄今为止,欧洲尚没有发射过极轨气象卫星,日本也没有这方面的方案。
美国与风云3号属同一水平的NPOESS极轨卫星,预计将在2008年发射。
欧洲研制的同一水平的“METOP〞极轨卫星方案将在2006年发射,与中国风云3号01星的发射时间较为接近。
风云3号极轨卫星的设计工作寿命初定为3年,力争能提高到5年。
由于它是全新的型号,所以风云3号01星仍为试验星。
风云3号与风云1号相比,遥感仪器大大多于风云1号。
它的对地观测最高几何分辨率为250米,而目前使用的FY-1D对地观测分辨率为1.1千米。
因此,其观测精度提高了4倍,而发送回地面的观测信息量则提高了16倍。
1997年6月,我国成功地发射了FY-2A、2B两颗卫星。
2004年10月19日FY-2C业务气象卫星发射成功,并投入业务运行。
可对台风、降水、森林和草原火灾、海温、干旱、雾、雪等进展监测。
卫星遥感在省的应用围已经涉及到作物、植物生长状况、病虫害、鱼汛、海雾、城市热岛、森林火灾、洪涝灾害、寒冷灾害、海温、干旱、地震的预测等方面的应用。
所用卫星资料主要为NOVAA、MODIS、FY-1C/D、FY-2C等卫星资料,关于卫星遥感在气象中的应用参见“省天气预报技术手册“,本手册主要阐述卫星遥感在生态环境与农业生产中的应用。
开展趋势
由于高光谱数据能以足够的光谱分辨率区分出那些具有诊断性光谱特征的地表物质,这是传统宽波段遥感数据所不能探测的,使得成像光谱仪的波谱分辨率得到不断提高。
除了常规遥感技术迅猛开展外,开拓性的成像光谱仪的研制已在80年代开场,并逐渐形成了高光谱分辨率的新遥感时代。
从20世纪80年代初研制的第一代成像光谱仪——航空成像光谱仪〔AIS〕的32个连续波段,到第二代高光谱成像仪——航空可见光/红外光成像光谱仪〔AVIRIS〕,AVIRIS是首次测量全部太阳辐射覆盖的波长围〔0.4~2.5μm〕的成像光谱仪。
低空间高时相频率的AVHRR〔气象卫星NOAA系统系列,星下点分辨率为1.1km〕以及EOS系列多光谱传感器亦相继投入运行,形成现代遥感技术高速开展的盛期。
美国宇航局于1999年底发射了地球观测系统〔EOS〕的第一颗极地轨道环境遥感卫星Terra。
星上搭载了中等分辨率成像光谱仪〔MODIS〕。
MODIS用于观测全球生物和物理过程的仪器,每天可完成一次全球观测。
MODIS提供0.4~2.5μm之间的36个离散波段的图像,星下点空间分辨率可为250m、500m、1km。
MODIS每两天可连续提供地球上任何地方的白天反射图像和白天/昼夜的发射光谱图像。
目前地面卫星站每天承受TERRA、AQUA两颗卫星下发的数据。
在卫星遥感应用方面,空间技术、信息技术和计算机技术的开展,推动了遥感技术的进步。
遥感影像的空间分辩力和光谱分辩力的明显提高,扩展了它的应用领域;
计算机运算速度和容量成数量级的增加、数据库技术和网络技术的开展和人工智能的应用为分析处理大数据量的遥感和地理数据创造了条件。
所有这些都为遥感信息系统的实用化奠定了技术根底。
数学模型作为联系遥感、地理信息系统与实际应用之间的纽带,处于十分重要的位置,发挥了极为重要的作用。
遥感、地理信息系统技术和全球定位〔3S〕的结合应用为地球科学提供了全新的研究手段,导致了地球科学的研究围、容、性质和方法的巨大变化。
和传统的对地观测手段相比,它的优势表现在:
提供了全球或大区域准确定位的高频度宏观影像,从而提醒了岩石圈、水圈、气圈和生物圈的相互作用和相互关系,促进了地球系统科学的诞生;
扩大了人的视野,从可见光开展到红外、微波等波谱围,加深了人类对地球的了解;
在遥感与地理信息系统根底上建立的数学模型为定量化分析奠定了根底;
同时,还实现了空间和时间的转移:
空间上野外局部工作转移到实验室;
时间上从过去、现在的研究开展到在三维空间上定量地预测未来。
与地理信息系统和全球定位系统相结合应用是遥感应用开展的技术特征和技术优势。
遥感技术在地质矿产和水资源的勘探,森林,草场资源调查与评价,海洋渔场调查,城市的规划,气象,海洋预报等领域均发挥着重要作用。
遥感技术与地理信息系统、全球定位系统相结合综合应用开展趋势主要表达在以下几个方面。
综合对地观测系统的建立、遥感、全球定位系统和地理信息系统的一体化、高速大容量遥感数据处理系统建立。
当前,急待解决遥感地面应用系统建立较卫星研制和发射投入薄弱、时间滞后的问题。
8.3省卫星遥感应用存在的技术问题
基于遥感应用工作者自己开发的专家系统已在遥感图像识别实验中得到应用,但远远没有到达实用阶段,形成业务系统的则更少。
当前一些遥感应用科学工作者开发了一批专家系统软件,但还很不成熟。
计算机研究人员已开发了一批专家系统开发工具,从理论完整性和实用性以及人力的投入上都远远超过了应用工作者开发的专家系统。
因此,对于遥感和地理信息系统应用科学家来说,正确的途径不是自己独立开发专家系统,而是从众多的已开发的专家系统开发工具中选取适合于生态与农业气象应用的模式,在认真科学地总结专家知识的根底上建立知识库在开发出适合于省生态与农业气象实际工作的遥感技术专家系统是我们研究和应用专家系统的正确方向。
8.4卫星遥感在生态与农业气象中的应用
陆地生态与农业气象
利用卫星遥感进展生态与农气象监测主要涉及以下几个领域:
土地利用状况、地表水资源变化监测与评价、重大自然灾害综合监测和评价、植被覆盖变化、土壤退化、地表温度、作物生长趋势、生物量变化。
在基于上述环境变化监测与评估根底上,建立信息库。
陆地生态与农业气象卫星遥感应用监测对象包括:
气溶胶、植物、土地、水、灾害等几个方面。
每个监测工程中都包括不同的监测产品〔表8.1〕。
表8.1卫星遥感在农业中的应用监测工程
监测工程
植被监测
土地监测
水体监测
灾害监测
1
植被覆盖度
土地利用
水质分类
干旱
2
叶面积指数
地物覆盖
初级生产力
寒害
3
植被长势
土壤侵蚀
水体面积
高温热害
4
森林面积
火灾
5
洪涝
6
风灾
7
病虫害
.1植被监测
通过卫星传感器记录值,计算出能反映植被生长状况的数字或图像产品。
在农业气象生态中反映植被生长的植被监测产品主要有以下几种
.1.1植被覆盖度
根本原理:
植被覆盖度指植被冠层的垂直投影面积〔长度〕占对应土地面积〔长度〕的百分比,即植土比。
覆盖度是评估地面植被生长状况、生态环境好坏的一个重要参数。
f=(NDVI-NDVImin)/(NDVIma*-NDVImin)
式中,f为覆盖度;
NDVI为所求像元的植被指数;
NDVImin、NDVIma*分别为区域NDVI的最小、最大值。
.1.2叶面积指数
单位土地面积上植物绿色面积与土地面积的比值。
动态监测叶面积指数,是研究环境气象因子、土壤因子对植株生长影响的根底。
LAI={ln[(1-NDVI/A)/B]}/C
式中,A、B、C均为经历系数。
A、B通常接近于1,对于小麦,叶角为球形分布,C通常为0.5。
其中,A值是由植物本身的光谱反射确定;
B值与叶倾角、观测角有关;
C值取决于叶子对辐射的衰减,这种衰减呈非线性的指数函数变化。
.1.3植被长势
植被长势是一个综合性定量概念,反映植物的生长状况,它包括植被、盖度、高度、季相、植株含水量和干物质数量。
植被长势是预测预报植物生物量的重要依据。
主要采用卫星遥感方法有如下两种。
①比值植被指数〔RVI〕
由于可见光红波段〔R〕与近红外波段〔NIR〕对绿色植物的光谱响应十分不同,因此两者简单的数值比——比值植被指数〔RVI〕能充分表达两反射率之间的差异。
比值植被指数可提供植被反射的重要信息,是植被长势、丰度的度量方法之一。
比值植被指数与叶面积指数、叶干生物量、叶绿素含量相关性高,被广泛用于估算和监测绿色植物生物量,在植被高密度覆盖情况下,它对植被十分敏感,与生物量的相关性最好,但当植被覆盖度小于50%时,它的分辨能力显著下降。
RVI=DNNIR/DNR(8-1)
DNNIR和DNR分别为近红外、红波段的计数值〔灰度值〕
或RVI=ρNIR/ρR
ρNIR和ρNIR分别是近红外和红波段的反射率
②归一化植被指数〔NDVI〕
针对浓密植被的红光反射很小,其RVI值将无界增长,因此将简单的比值植被指数RVI,经非线性归一化处理得“归一化差值植被指数〞,使其比值,限定在[-1,1]围。
其被定义为近红外波段与可见光红外波段数值之差和这两个波段数值之和的比值。
NDVI与叶面积指数、绿色生物量、植被覆盖度、光合作用等植被参数有密切关系,是植被生长状态及植被覆盖度的最正确指示因子,在植被遥感中,应用最为广泛。
NDVI=(ρNIR-ρR)/(ρNIR+ρR)(8-2)
ρNIR和ρR分别是近红外通道和红外通道的反射率。
.2灾害监测
.2.1干旱
干旱分为大气干旱、土壤干旱、农作物干旱。
大气干旱,即大气中水分含量很低,长期的大气干旱会造成土壤干旱,土壤干旱就会导致植物、作物干旱。
土壤含水量低,则土壤昼夜温差大,是土壤枯燥的重要特征,常用的方法是热惯量法:
通过获取一天遥感资料的最高和最低土壤温度,就可以通过模型计算土壤含水量。
热惯量法适用围:
晴空无云,卫星过境轨道根本重合,植被覆盖度低或全裸。
这种方法不太适用于植被较为茂盛下垫面,在植被茂盛的地区主要采用植被供水指数,因此,在省主要采用土地利用地理信息进展土地分类两种方法进展干旱监测。
热惯量法:
土壤含水量推导之热传导方程:
(8-3)
式中,
,λ为热传导率,ca为热容量,ρ为土壤密度,T为土壤温度,t为每天以小时表示的时间,z为土壤深度。
热传导方程边界条件为:
(8-4)
式中,T0(t)为一天中任意时刻的土壤温度,
为日平均温度,△T0为土壤外表温度日较差,ω为角频率。
当定义
后,热传导方程的解为:
(8-5)
式中,P为热惯量,B为与太阳高度角有关的常数,A为全波段反照率。
计算出热惯量后,再根据实测的土壤湿度资料构建土壤含水量模型,
(8-6)
式中,Sw为土壤含水量〔%〕,α、β为拟合系数,p为热惯量。
植被供水指数法:
植被供水指数法的根本原理是:
当植被供水充足时,没有干旱发生;
当植被供水缺乏时,没有足够的水分供植被叶面蒸腾,叶片的气孔将关闭,这是叶面温度将增高;
另一方面干旱发生时,植被指数将会下降,通过卫星遥感可以监测到。
VSWI=NDVI/Ts(8-7)
式中,VSWI为植被供水指数,NDVI是归一化植被指数,Ts是叶面温度。
根据上两种方法监测到的土壤含水量依照农业气象观测规进展干旱等级划分〔见表1〕。
表1农业气象观测规干旱等级
干旱等级
含水量
水体
100%
湿润
80%~99%
正常
61%~79%
轻旱
51%~60%
中旱
41%~50%
重旱
<
40%
8.4.1.2.2寒害和高温热害监测
寒害和高温热害监测主要通过卫星遥感地球外表辐射值,经反演得到的地球温度分布信息,然后根据不同生物生理特性监测由于温度变化造成生物损害的程度。
利用卫星辐射计测量目标的窗区辐射值,来探测目标的*些特性参数〔主要利用可见光和红外光波段〕及其变化规律,监测地面目标*些特性在时间、空间上的变化规律;
根据目标自身在红外波段的辐射特性来探测目标的热状态。
辐射传递方程:
(8-8)
式中,Iλ卫星上传感器接收的λ波长的辐射值,B(λ,Ts)是地面普朗克辐射强度,τ(λ,Ps)是气压为P是的大气透过率,B[λ,T(P)]是温度为T(P)时的大气辐射强度,Ts,Ps分别为地面温度和地面气压。
大气订正和云检测是真实反演地物过程中第一个需要解决的问题。
大气订正的目的是消除由于大气成分吸收的地物辐射奉献和大气本身的辐射奉献;
云监测的目的是剔除受云污染的观测值,筛选出晴空值用于计算。
一般地,大气订正采用多通道大气削弱订正;
云检测采用统计方法。
产品制作:
a.云检测,大气削弱订正;
b.生成一次产品为白天/夜晚地面温度;
c.经过平均计算可得到二次产品,日、候、旬、月平均值。
例如:
〔MODIS资料的地温反演过程〕
地表温度一般在300K左右,根据维恩位移定律,反演地表温度通常选择8~13μm的热红外光谱通道,在此波段围黑体辐射值对温度的导数最大,光谱辐射对温度的敏感性最高。
反演计算步骤见图1。
图1基于MODIS资料采用劈窗算法的陆面温度反演流程
〔1〕计算亮温T31、T32;
〔2〕计算比辐射率ε31和ε32;
〔3〕计算大气透过率τ31和τ32;
〔4〕根据劈窗算法计算陆面温度。
〔1〕计算亮温T31、T32
根据普郎克(Planck)公式[19]分别计算MODIS第31和32波段的亮度温度T31和T32:
〔8-9〕
式中λi为中心波长,对MODIS第31和第32波段,分别取λ31=11.03μm和λ32=12.02μm;
C1和C2分别为第一、第二光谱常量,分别取C1=1.19104356×
10-16W·
m2和C2=1.4387685×
104μmK。
Ri为地表在特定波长λi的热辐射强度(W·
m-2·
sr-1·
μm-1),根据下式计算:
Ri=radiance_scale×
(DN–radiance_offset)(8-10)
式中radiance_offset为截距,radiance_scale为斜率,均可以从HDF格式的MODIS图像的头文件中直接查出,DN为遥感图像第31和32波段的实际保存数值。
为便于计算,设K2=C2/λi,K1=C1/λi5,则式〔1〕简化为:
Ti=Ki2/ln(1+Ki1/Ri)(8-11)
式中,对于MODIS第31波段,分别为K1=729.541636W·
sr-1·
μm-1,K2=1304.413871K;
对于第32波段,为K1=474.684780W·
m-2·
μm-1,K2=1196.978785K。
〔2〕计算地表比辐射率ε31、ε32
比辐射率定义为在一样温度、一样波长下观测物体的辐射能量与黑体辐射能量之比值。
在遥感信息科学中,当观测热辐射温度时,由于通常目标物体不是黑体,所以必须用比辐射率ε来修正。
比辐射率ε随物质的介电常数、外表状态、温度、物体辐射能的波长、观测方向等多种因素的影响[20],其值介于0~1之间。
水体在热波段围的比辐射率很高,接近于黑体,大约为0.995;
植被的比辐射率也很高,一般认为在0.98~0.99之间[21]。
不同区域的地表构造虽然很复杂,但从MODIS像元的尺度来看,可以大体视作由不同比例的水体、植被和裸地3种地表类型所组成的混合像元。
混合像元的平均比辐射率可以用地表构成比例进展估计。
本文采用Kerr等[22]和覃志豪等[23]给出的混合象元比辐射率计算公式:
(8-12)
式中ε为混合象元的平均比辐射率,εw、εv、εs分别为水体、植被和裸地的比辐射率,根据ASTER提供的常用地物比辐射率光谱库,水体、植被、裸土比辐射率依次减小,对MODIS第31波段分别为0.992、0.9844、0.9731,对MODIS第32波段分别取0.989、0.9851、0.9832。
Rw、Rv、Rs分别为水体、植被和裸土的温度比率,定义为Ri=(Ti/T)4,这里i分别表示下标w、v、s,T为混合象元平均温度。
覃志豪等[23]模拟分析认为在5~45℃围,这三种地表类型的平均温度比率分别为:
Rw=0.99565,Rv=0.99240,Rs=1.00744。
考虑温度比率后,比辐射率从大到小顺序为:
水体(0.9876848)>
裸土(0.9803398)>
植被(0.9773155)。
Pw、Pv分别为水面和植被的构成比例。
水体区域不是寒害监测的重点,因此水体与其他地表的混合本文不作重点考虑。
水体在近红外波段〔第2波段〕吸收率很强,其DN值比陆地和植被低很多,可以根据设定DN阈值识别水体,取Pw=1,Pv=0。
对于植被和裸土组成的混合象元,首先根据下式计算其归一化植被指数:
(8-13)
式中,B1、B2分别是MODIS第1、2波段的DN值。
Sobrino等[21]分析说明,大气校正对NDVI以及地表温度变化极小(<
0.1K),因此,可以直接用DN值来计算NDVI,而不必进展大气校正。
假定NDVIv和NDVIs分别是植被和裸土的NDVI阈值,当NDVI>
NDVIv时,认为是完全植被,Pv=1;
当NDVI<
NDVIs时,认为是完全裸土,Pv=0;
而当NDVI介于NDVIs与NDVIv之间时,认为是由一定比例的植被和裸土组成的混合象元,采用如下公式确定混合像元中植被和裸土的比率Pv,Ps:
(8-14)
式中NDVIv取0.7,NDVIs取0.05。
〔3〕计算大气透过率τ31、τ32
大气透过率τ是遥感传感器接收到的热辐射能与地表真实辐射能的比值。
红外热辐射的τ随天气条件的变化而变化,其中以大气中水汽对热辐射的影响最为显著,因此可以通过计算水汽吸收波段和非吸收波段间热辐射的差异来获得。
MODIS第2波段〔0.841-0.876μm〕和第5波段〔1.23-1.25μm〕是水汽窗口,透过率接近于1,而第17波段〔0.89-0.92μm〕、18波段〔0.931-0.941μm〕和19波段〔0.915-0.965μm〕为水汽强烈吸收波段。
本文首先根据第19波段〔水汽吸收波段〕和第2波段〔窗口波段〕的反射率比值计算MODIS的19通道的大气透过率τ19:
τ19=R19/R2(7)
式中R19和R2分别为MODIS第19、2通道的反照率,可参考式〔2〕计算。
进而根据Kaufman等[24]提出的经历公式计算大气含水量w:
(8-15)
式中α=0.02,β=0.651,均为经历常数。
最后采用毛克彪等[25,26]基于大气模拟软件LOWTRAN模拟得到的经历公式,分别计算第31、32波段的大气透过率:
(8-16)
〔4〕劈窗算法LST反演
采用文献[6,17]中根据星上亮温的线形组合,考虑大气透过率和地表比辐射率两因素模型来反演地表温度。
计算公式为:
Ts=A0+A1T31-A2T32(8-17)
式中,Ts是地表温度(K),A0、A1、A2分别定义如下:
A0=-64.60363E1+68.72575E2
A1=1+A+0.440817E1
A2=A+0.473453E2
A=D31/〔D32C31-D31C32〕
E1=D32(1-C31-D31)/〔D32C31-D31C32〕
E2=D31(1-C32-D32)/〔D32C31-D31C32〕
D31=[1–τ31][1+(1–ε31)τ31]
D32=[1–τ32][1+(1–ε32)τ32]
C31=ε31τ31
C