高光譜在農(nóng)業(yè)遙感中的應(yīng)用課件

高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用

楊賽

高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用

高光譜技術(shù)在農(nóng)業(yè)遙感應(yīng)用背景農(nóng)業(yè)遙感應(yīng)用中，特別是作物長勢評估、災(zāi)害監(jiān)測和農(nóng)業(yè)管理等方面，利用高光譜遙感數(shù)據(jù)能準(zhǔn)確地反映田間作物本身的光譜特征以及作物之間光譜差異，可以更加精準(zhǔn)地獲取一些農(nóng)學(xué)信息，如作物含水量、葉綠素含量、葉面積指數(shù)（LAI）等生態(tài)物理參數(shù)，從而方便地預(yù)測作物長勢和產(chǎn)量。

高光譜技術(shù)在農(nóng)業(yè)遙感應(yīng)用背景農(nóng)業(yè)遙感應(yīng)用中，特別是作物長勢遙感

遙感即遙遠的感知，指在一定距離上，應(yīng)用探測儀器不直接接觸目標(biāo)物體，從遠處把目標(biāo)的電磁波特性記錄下來，通過分析，揭示出物體的特征性質(zhì)及其變化的綜合性探測技術(shù)。攝影照相便是一種最常見的遙感,照相機并不接觸被攝目標(biāo),而是相隔一定的距離,通過鏡頭把被攝目標(biāo)的影像記錄在底片上,經(jīng)過化學(xué)處理,相片便重現(xiàn)被攝目標(biāo)的圖像。從拍攝目標(biāo)到再現(xiàn)目標(biāo)所用的手段,便是一種遙感技術(shù)。遙感遙感即遙遠的感知，指在一定距離上，應(yīng)用探測儀器不圖遙感信息的獲取、傳輸、判斷分析和運用的全過程高光譜在農(nóng)業(yè)遙感中的應(yīng)用課件研究方向（1）作物葉片光譜特征研究；（2）作物分類與識別；（3）作物生態(tài)物理參數(shù)反演與提??；（4）作物養(yǎng)分診斷與監(jiān)測研究；（5）作物長勢監(jiān)測與產(chǎn)量預(yù)測；（6）農(nóng)業(yè)遙感信息模型研究；（7）農(nóng)業(yè)災(zāi)害監(jiān)測。研究方向（1）作物葉片光譜特征研究；作物葉片光譜特征研究作物的葉片光譜特征與作物生長狀況有直接的關(guān)系，包括光譜反射率變化對作物化學(xué)組分敏感性變化、土壤水分脅迫下與正常條件下作物光譜特征變化對作物生長狀況的影響、作物光譜中紅邊位置與作物葉綠素含量之間關(guān)系等。利用成像光譜儀從

400

nm到1900

nm波段范圍內(nèi)分析水分脅迫條件下水稻光譜特征和反射能力，發(fā)現(xiàn)近紅外/中紅外波段反射率及其一階微分導(dǎo)數(shù)變化可以探測早期水稻冠層水分脅迫作用的影響，作物葉片光譜特征研究對于應(yīng)用高光譜遙感技術(shù)監(jiān)測作物病蟲害，以及了解農(nóng)田養(yǎng)分供應(yīng)狀況，采取有效增肥措施和加強農(nóng)田管理具有積極意義。作物葉片光譜特征研究作物的葉片光譜特征與作物生長狀況有直接的高光譜在農(nóng)業(yè)遙感中的應(yīng)用課件作物分類與識別光譜角分類：光譜角分類通過計算測定光譜和參考光譜之間“夾角”來表征兩者之間相似程度，從而實現(xiàn)光譜匹配分類。決策樹分層分類：決策樹是一種把一個數(shù)據(jù)集循環(huán)地劃分到越來越小的子集中去的方法。樹由節(jié)點組成，一組中間節(jié)點和一組末端節(jié)點（葉子）組成一個決策樹。作物分類與識別光譜角分類：作物生態(tài)物理參數(shù)反演與提取作物生態(tài)物理參數(shù)主要包括作物水分、葉綠素含量等表征農(nóng)學(xué)信息的參量。目前，高光譜遙感數(shù)據(jù)反演與提取作物生態(tài)物理參數(shù)主要有3類方法：①利用多元回歸方法建立高光譜數(shù)據(jù)（原始反射率、光譜微分等）與作物農(nóng)學(xué)信息參數(shù)之間的關(guān)系；②構(gòu)建基于光譜特征的光譜指數(shù)與作物含水量等農(nóng)學(xué)信息之間的經(jīng)驗方程；③建立物理模型來反演與提取作物參數(shù)。本文著重選取作物水分和葉綠素含量（代表性的生態(tài)物理參數(shù)）兩類參數(shù)加以論述；作物生態(tài)物理參數(shù)反演與提取作物生態(tài)物理參數(shù)主要包括作物水分、作物養(yǎng)分診斷與監(jiān)測研究作物養(yǎng)分高光譜診斷與監(jiān)測方法主要包括：①多元統(tǒng)計回歸方法診斷作物養(yǎng)分含量②基于特定吸收波段內(nèi)波譜特征參數(shù)的作物養(yǎng)分診斷作物養(yǎng)分診斷與監(jiān)測研究作物養(yǎng)分高光譜診斷與監(jiān)測方法主要包括：作物長勢監(jiān)測與產(chǎn)量預(yù)測

作物長勢監(jiān)測：作物長勢是作物生長發(fā)育狀況評價的綜合參數(shù)，長勢監(jiān)測是對作物苗情、生長狀況與變化的宏觀監(jiān)測。作物產(chǎn)量預(yù)測

：作物高光譜遙感產(chǎn)量預(yù)測是通過搭載在衛(wèi)星上的高光普遙感器，來獲取作物各生長時期光譜特征數(shù)據(jù)，對其反映的產(chǎn)量進行預(yù)測。作物長勢監(jiān)測與產(chǎn)量預(yù)測

作物長勢監(jiān)測：作物長勢是作物生長發(fā)育農(nóng)業(yè)遙感信息模型研究農(nóng)業(yè)遙感信息模型是應(yīng)用遙感信息和地理信息影像化的方法，集成農(nóng)學(xué)模型、數(shù)理模型和地學(xué)模型建立起來的一種模型。常見的農(nóng)業(yè)遙感信息模型包括土壤含水量遙感信息模型、作物旱災(zāi)估算遙感信息模型等

綠色植物的反射光譜特性曲線農(nóng)業(yè)遙感信息模型研究農(nóng)業(yè)遙感信息模型是應(yīng)用遙感信息和地理信息農(nóng)業(yè)災(zāi)害監(jiān)測1）農(nóng)業(yè)干旱監(jiān)測：常用的遙感農(nóng)業(yè)干旱監(jiān)測方法分為植被指數(shù)-地表溫度法、熱慣量法等。2）農(nóng)業(yè)病蟲害監(jiān)測

：基于波譜波長位置變量分析方法是農(nóng)業(yè)病蟲害監(jiān)測的主要方法

農(nóng)業(yè)災(zāi)害監(jiān)測1）農(nóng)業(yè)干旱監(jiān)測：常用的遙感農(nóng)業(yè)干旱監(jiān)測方法分為高光譜農(nóng)業(yè)遙感應(yīng)用尚需解決的關(guān)鍵問題

1）高光譜遙感農(nóng)學(xué)信息提取模型的適用性高光譜遙感農(nóng)學(xué)信息提取模型雖多，但很難找到一種通用的方法2）田間組分混合光譜分解模型和端元提取方法研究多種田間組分（作物、土壤等）混合光譜分解模型，特別是作物不同生長階段，作物、土壤等組成的混合光譜具有復(fù)雜的機制，需要加強研究高光譜農(nóng)業(yè)遙感應(yīng)用尚需解決的關(guān)鍵問題

1）高光譜遙感農(nóng)學(xué)信息解決途徑1）農(nóng)業(yè)光譜數(shù)據(jù)庫的完善與擴充完善和擴充農(nóng)業(yè)光譜數(shù)據(jù)庫，是提高農(nóng)學(xué)信息提取模型精度和適用性的基礎(chǔ)，也是開展精準(zhǔn)農(nóng)業(yè)研究的前提。

2）高光譜遙感與GIS、GPS集成應(yīng)用

高光譜遙感與GIS、GPS的一體化應(yīng)用可以有效解決只靠高光譜技術(shù)面臨著一些問題3）加強高光譜數(shù)據(jù)農(nóng)學(xué)信息挖掘研究

充分利用光譜空間中光譜變化知識進行農(nóng)學(xué)信息的深入挖掘?qū)⑹怯行Ы鉀Q混合光譜分解的有效手段之一解決途徑1）農(nóng)業(yè)光譜數(shù)據(jù)庫的完善與擴充總結(jié)與展望

隨著精準(zhǔn)農(nóng)業(yè)研究的深入，遙感光譜分辨率和空間分辨率的不斷提高，今后高光譜遙感在農(nóng)業(yè)方面的應(yīng)用從理論走向業(yè)務(wù)化運作成為一個主要發(fā)展方向。雖然高光譜遙感在農(nóng)業(yè)應(yīng)用中已經(jīng)取得了一些研究進展，但是走向成熟仍然任重而道遠。總結(jié)與展望隨著精準(zhǔn)農(nóng)業(yè)研究的深入，遙感光譜分辨率Thankyou高光譜在農(nóng)業(yè)遙感中的應(yīng)用課件知識回顧KnowledgeReview祝您成功！知識回顧KnowledgeReview祝您成功！

高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用

楊賽

高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用

高光譜技術(shù)在農(nóng)業(yè)遙感應(yīng)用背景農(nóng)業(yè)遙感應(yīng)用中，特別是作物長勢評估、災(zāi)害監(jiān)測和農(nóng)業(yè)管理等方面，利用高光譜遙感數(shù)據(jù)能準(zhǔn)確地反映田間作物本身的光譜特征以及作物之間光譜差異，可以更加精準(zhǔn)地獲取一些農(nóng)學(xué)信息，如作物含水量、葉綠素含量、葉面積指數(shù)（LAI）等生態(tài)物理參數(shù)，從而方便地預(yù)測作物長勢和產(chǎn)量。

高光譜技術(shù)在農(nóng)業(yè)遙感應(yīng)用背景農(nóng)業(yè)遙感應(yīng)用中，特別是作物長勢遙感

遙感即遙遠的感知，指在一定距離上，應(yīng)用探測儀器不直接接觸目標(biāo)物體，從遠處把目標(biāo)的電磁波特性記錄下來，通過分析，揭示出物體的特征性質(zhì)及其變化的綜合性探測技術(shù)。攝影照相便是一種最常見的遙感,照相機并不接觸被攝目標(biāo),而是相隔一定的距離,通過鏡頭把被攝目標(biāo)的影像記錄在底片上,經(jīng)過化學(xué)處理,相片便重現(xiàn)被攝目標(biāo)的圖像。從拍攝目標(biāo)到再現(xiàn)目標(biāo)所用的手段,便是一種遙感技術(shù)。遙感遙感即遙遠的感知，指在一定距離上，應(yīng)用探測儀器不圖遙感信息的獲取、傳輸、判斷分析和運用的全過程高光譜在農(nóng)業(yè)遙感中的應(yīng)用課件研究方向（1）作物葉片光譜特征研究；（2）作物分類與識別；（3）作物生態(tài)物理參數(shù)反演與提??；（4）作物養(yǎng)分診斷與監(jiān)測研究；（5）作物長勢監(jiān)測與產(chǎn)量預(yù)測；（6）農(nóng)業(yè)遙感信息模型研究；（7）農(nóng)業(yè)災(zāi)害監(jiān)測。研究方向（1）作物葉片光譜特征研究；作物葉片光譜特征研究作物的葉片光譜特征與作物生長狀況有直接的關(guān)系，包括光譜反射率變化對作物化學(xué)組分敏感性變化、土壤水分脅迫下與正常條件下作物光譜特征變化對作物生長狀況的影響、作物光譜中紅邊位置與作物葉綠素含量之間關(guān)系等。利用成像光譜儀從

400

nm到1900

nm波段范圍內(nèi)分析水分脅迫條件下水稻光譜特征和反射能力，發(fā)現(xiàn)近紅外/中紅外波段反射率及其一階微分導(dǎo)數(shù)變化可以探測早期水稻冠層水分脅迫作用的影響，作物葉片光譜特征研究對于應(yīng)用高光譜遙感技術(shù)監(jiān)測作物病蟲害，以及了解農(nóng)田養(yǎng)分供應(yīng)狀況，采取有效增肥措施和加強農(nóng)田管理具有積極意義。作物葉片光譜特征研究作物的葉片光譜特征與作物生長狀況有直接的高光譜在農(nóng)業(yè)遙感中的應(yīng)用課件作物分類與識別光譜角分類：光譜角分類通過計算測定光譜和參考光譜之間“夾角”來表征兩者之間相似程度，從而實現(xiàn)光譜匹配分類。決策樹分層分類：決策樹是一種把一個數(shù)據(jù)集循環(huán)地劃分到越來越小的子集中去的方法。樹由節(jié)點組成，一組中間節(jié)點和一組末端節(jié)點（葉子）組成一個決策樹。作物分類與識別光譜角分類：作物生態(tài)物理參數(shù)反演與提取作物生態(tài)物理參數(shù)主要包括作物水分、葉綠素含量等表征農(nóng)學(xué)信息的參量。目前，高光譜遙感數(shù)據(jù)反演與提取作物生態(tài)物理參數(shù)主要有3類方法：①利用多元回歸方法建立高光譜數(shù)據(jù)（原始反射率、光譜微分等）與作物農(nóng)學(xué)信息參數(shù)之間的關(guān)系；②構(gòu)建基于光譜特征的光譜指數(shù)與作物含水量等農(nóng)學(xué)信息之間的經(jīng)驗方程；③建立物理模型來反演與提取作物參數(shù)。本文著重選取作物水分和葉綠素含量（代表性的生態(tài)物理參數(shù)）兩類參數(shù)加以論述；作物生態(tài)物理參數(shù)反演與提取作物生態(tài)物理參數(shù)主要包括作物水分、作物養(yǎng)分診斷與監(jiān)測研究作物養(yǎng)分高光譜診斷與監(jiān)測方法主要包括：①多元統(tǒng)計回歸方法診斷作物養(yǎng)分含量②基于特定吸收波段內(nèi)波譜特征參數(shù)的作物養(yǎng)分診斷作物養(yǎng)分診斷與監(jiān)測研究作物養(yǎng)分高光譜診斷與監(jiān)測方法主要包括：作物長勢監(jiān)測與產(chǎn)量預(yù)測

作物長勢監(jiān)測：作物長勢是作物生長發(fā)育狀況評價的綜合參數(shù)，長勢監(jiān)測是對作物苗情、生長狀況與變化的宏觀監(jiān)測。作物產(chǎn)量預(yù)測

：作物高光譜遙感產(chǎn)量預(yù)測是通過搭載在衛(wèi)星上的高光普遙感器，來獲取作物各生長時期光譜特征數(shù)據(jù)，對其反映的產(chǎn)量進行預(yù)測。作物長勢監(jiān)測與產(chǎn)量預(yù)測

作物長勢監(jiān)測：作物長勢是作物生長發(fā)育農(nóng)業(yè)遙感信息模型研究農(nóng)業(yè)遙感信息模型是應(yīng)用遙感信息和地理信息影像化的方法，集成農(nóng)學(xué)模型、數(shù)理模型和地學(xué)模型建立起來的一種模型。常見的農(nóng)業(yè)遙感信息模型包括土壤含水量遙感信息模型、作物旱災(zāi)估算遙感信息模型等

綠色植物的反射光譜特性曲線農(nóng)業(yè)遙感信息模型研究農(nóng)業(yè)遙感信息模型是應(yīng)用遙感信息和地理信息農(nóng)業(yè)災(zāi)害監(jiān)測1）農(nóng)業(yè)干旱監(jiān)測：常用的遙感農(nóng)業(yè)干旱監(jiān)測方法分為植被指數(shù)-地表溫度法、熱慣量法等。2）農(nóng)業(yè)病蟲害監(jiān)測

：基于波譜波長位置變量分析方法是農(nóng)業(yè)病蟲害監(jiān)測的主要方法

農(nóng)業(yè)災(zāi)害監(jiān)測1）農(nóng)業(yè)干旱監(jiān)測：常用的遙感農(nóng)業(yè)干旱監(jiān)測方法分為高光譜農(nóng)業(yè)遙感應(yīng)用尚需解決的關(guān)鍵問題

1）高光譜遙感農(nóng)學(xué)信息提取模型的適用性高光譜遙感農(nóng)學(xué)信息提取模型雖多，但很難找到一種通用的方法2）田間組分混合光譜分解模型和端元提取方法研究多種田間組分（作物、土壤等）混合光譜分解模型，特別是作物不同生長階段，作物、土壤等組成的混合光譜具有復(fù)雜的機制，需要加強研究高光譜農(nóng)業(yè)遙感應(yīng)用尚需解決的關(guān)鍵問題

1）高光譜遙感農(nóng)學(xué)信息解決途徑1）農(nóng)業(yè)光譜數(shù)據(jù)庫的完善與擴充完善和擴充農(nóng)業(yè)光譜數(shù)據(jù)庫，是提高農(nóng)學(xué)信息提取模型精度和適用性的基礎(chǔ)，也是開展精準(zhǔn)農(nóng)業(yè)研究的前提。

2）高光譜遙感與GIS、GPS集成應(yīng)用

高光譜遙感與GIS、GPS的一體化應(yīng)用可以有效解決只靠高光譜技術(shù)面臨著一些問題3）加強高光譜數(shù)據(jù)農(nóng)學(xué)信息挖掘研究

充分利用光譜空間中光譜變化知識進行農(nóng)學(xué)信息的深入挖掘