作物估产
作物产量预测的遥感方法
作物产量预测的遥感方法作物产量预测是农业生产中的关键问题，通过科学有效的方法预测作物产量可以帮助农民合理安排生产计划，提高农业生产效益。
遥感技术是一种有效的手段，可以对作物产量进行预测。
本文将介绍作物产量预测的遥感方法，并探讨其在农业生产中的应用。
一、遥感技术在作物产量预测中的应用遥感技术是利用卫星、飞机等载体获取地球表面信息的技术。
利用遥感技术可以获取大范围的作物信息，包括作物生长状态、覆盖面积、叶面积指数等重要参数，这些信息可以作为作物产量预测的重要数据。
1.监测作物生长状态利用遥感技术可以监测作物的生长状态，包括作物的绿色覆盖面积、叶面积指数等参数。
这些参数可以反映作物的生长情况，通过对这些参数的监测可以对作物产量进行预测。
2.估算作物覆盖面积利用遥感技术可以对作物的覆盖面积进行估算，通过对作物的覆盖面积进行监测和分析可以对作物产量进行预测。
3.遥感数据与地面观测数据结合遥感数据和地面观测数据相结合可以提高作物产量预测的准确性。
地面观测数据可以提供作物产量的实际情况，遥感数据可以提供作物的生长状态等参数，结合起来可以更准确地预测作物产量。
二、作物产量预测的遥感方法1.基于遥感图像的作物产量预测利用遥感图像获取作物的覆盖面积和生长状态等参数，结合地面观测数据，可以建立作物产量预测模型。
通过对遥感图像的分析，可以获取大范围的作物信息，这对作物产量预测具有重要意义。
3.遥感数据与机器学习算法结合利用机器学习算法可以对大量的遥感数据进行分析，建立作物产量预测模型。
通过对遥感数据的学习和分析，可以提高作物产量预测的准确性。
三、遥感技术在农业生产中的应用1.精准农业管理利用遥感技术可以对农田进行监测，及时发现作物的生长情况，对农田进行精准管理，提高农田的生产力和效益。
2.作物灾害监测利用遥感技术可以对作物的灾害情况进行监测，及时发现作物的病虫害等问题，采取相应的措施进行防治，保障作物的生长和产量。
3.农业保险利用遥感技术可以对农田进行监测，及时掌握农田的情况，为农业保险提供重要数据支持，保障农民的利益。
葡萄产量估算方法
葡萄产量估算方法以葡萄产量估算方法为标题的文章：一、引言葡萄是一种重要的经济作物，其产量估算对于农民和农业生产机构来说至关重要。
准确地估算葡萄产量可以帮助农民制定种植计划、预测市场需求并做好销售准备。
本文将介绍几种常用的葡萄产量估算方法，帮助农民提高农业生产效益。
1. 样本调查法样本调查法是一种常用的葡萄产量估算方法。
首先，在葡萄种植区域中选择一定数量的样本地块，并对这些地块进行实地调查。
调查内容包括葡萄株数、葡萄果穗数、果穗长度、果粒数等。
通过对样本地块的调查结果进行统计分析，可以推算出整个种植区域的葡萄产量。
2. 树冠投影面积法树冠投影面积法是一种简单而有效的葡萄产量估算方法。
通过在葡萄种植地上放置一个正方形网格，然后测量网格内葡萄树冠的投影面积。
再通过对多个网格的测量结果进行平均，可以估算出整个种植地的葡萄树冠投影面积。
最后，将葡萄树冠投影面积与单位面积的平均产量相乘，即可得到整个种植地的葡萄产量。
3. 重量法重量法是一种直接测量葡萄产量的方法。
首先，在葡萄种植地中选择一定数量的葡萄株，然后采摘其果穗，并进行称重。
通过对样本果穗的平均重量进行统计分析，可以推算出整个种植地的葡萄产量。
4. 预测模型法预测模型法是一种基于历史数据和统计分析的葡萄产量估算方法。
通过收集过去几年的葡萄产量数据和相关环境因素（如降雨量、温度等），建立一个预测模型。
然后，根据当前年份的环境因素数据，利用预测模型进行葡萄产量的估算。
三、应用与优化1. 应用领域葡萄产量估算方法可以广泛应用于农业生产中。
农民可以通过准确地估算葡萄产量，制定合理的种植计划，优化施肥、灌溉和病虫害防治措施，提高葡萄产量和品质。
2. 优化方法为了提高葡萄产量估算的准确性，可以采用以下方法进行优化：- 增加样本数量：增加样本数量可以提高样本调查法和重量法的准确性，减少抽样误差。
- 细化调查内容：在样本调查法中，可以进一步细化调查内容，如记录果穗长度、果粒大小等，以提高估算精度。
作物产量预测的遥感方法
作物产量预测的遥感方法
遥感技术在农业领域的作物产量预测中起到了至关重要的作用。
通过遥感技术，可以
获取大面积的农田遥感图像，并据此提取出相关的农田信息，包括作物的类型、分布、生
长状况等，从而可以利用遥感图像所提供的信息来进行作物产量的预测。
作物产量的预测主要包括两个方面的内容，分别是作物的生长状态评估和作物的产量
估计。
作物的生长状态评估是指通过遥感技术分析农田遥感图像，获取作物的生长状况信息。
具体而言，可以通过获取农田植被指数、叶面积指数等信息来评估作物的光合能力和植被
生长情况，进而判断作物的生长状态是否良好。
这些指数可以通过遥感图像的无线电波反
射特性来获取，不仅能够评估农田植被的养分状况，还能够判断是否受到了病虫害等因素
的影响，为后续的作物产量预测提供依据。
作物产量预测的遥感方法主要包括光谱遥感、热红外遥感和雷达遥感等技术。
光谱遥
感是通过分析遥感图像中不同波段的反射特性来获取作物的植被指数等信息，从而评估作
物的生长状态和产量。
热红外遥感则是通过分析遥感图像中不同波段的热辐射特性来获取
作物的温度变化信息，从而评估作物的土壤水分含量和蒸散发等因素，进而推测作物的生
长状态和产量。
雷达遥感则是以微波信号为载体，通过测量微波信号的散射和干涉特性，
来获取农田地表的形貌、土壤湿度等信息，从而评估作物的产量。
遥感技术在作物产量预测中具有广泛的应用前景，在农业生产中发挥着重要的作用。
通过遥感技术，可以实现对大面积农田的快速、准确、定量的监测，为农田管理和决策提
供科学依据，进一步提高作物的产量和品质，减少农业生产中的资源浪费和环境污染。
农作物评估方法分析
农作物评估方法分析农作物评估方法是指通过对农作物的生长状况、产量、品质等进行测定和分析，从而评估农作物的生产潜力和发展趋势。
农作物评估方法的选择对于制定科学合理的种植策略和农作物品种改良具有重要意义。
本文将从生长状况评估、产量评估和品质评估三个方面探讨农作物评估方法的分析和选择。
生长状况评估是农作物评估的第一步，其目的是了解作物的生长状况、发育阶段和生长幅度。
可以通过测量和观测农作物的植株高度、叶片颜色、根系发育等指标来评估作物的生长状况。
采用这种方法有以下优点：简单易行、效果明显、能够迅速反映作物的生长状况。
但也存在一些不足之处：观测结果主观性较大、只能反映当前生长状态、难以量化。
产量评估是农作物评估的重要内容之一，其目的是对作物的产量进行准确预测，为农民提供科学的种植策略。
产量评估的方法主要有：调查法、统计法和模型法。
调查法是通过调查农户种植的田块面积和产量数据，以及对农田的土壤、水分和气候等环境因素的观测，来预测作物产量。
统计法是通过对历史产量数据和环境因素数据的统计分析，建立产量预测模型，预测作物产量。
模型法是通过建立农作物生长模型，以环境因素作为输入，预测作物的生长和产量。
这些方法各有优缺点，选择合适的方法需要综合考虑农作物种类、地区环境和数据条件等因素。
品质评估是对农作物产品质量的评价，是综合农作物产量和品质的重要指标。
品质评估的方法主要有：物理性状评估、化学性状评估和感官性状评估。
物理性状评估是通过测量农作物的大小、形状、重量等物理性状指标来评估作物品质。
化学性状评估是通过测量农作物的含水量、营养成分、有害物质等化学性状指标来评估作物品质。
感官性状评估是通过人的感官器官对农作物的味道、色泽、香气等感官特征进行评估。
这些方法各具特点，综合使用可以更全面地评估作物的品质。
综上所述，农作物评估方法的选择应综合考虑作物种类、地区环境和数据条件等因素。
对于生长状况评估，可以采用简单易行的测量和观测方法；对于产量评估，可以选择调查法、统计法或模型法；对于品质评估，可以综合运用物理性状、化学性状和感官性状评估方法。
作物产量预测的遥感方法
作物产量预测的遥感方法作物产量预测一直是农业生产管理中的一项重要任务。
传统的作物产量预测方法通常依赖于人工调查和统计，但这种方法需要大量的人力物力，费时费力。
而遥感技术的出现为作物产量预测提供了更为高效和精确的方法，使农业生产管理更加智能化和科学化。
本文将介绍一种基于遥感技术的作物产量预测方法。
一、遥感技术在作物产量预测中的应用遥感技术是指通过传感器获取地面、地表或大气的信息，然后对这些信息进行处理和分析，获得地球表面特征信息的一种技术。
遥感技术在作物产量预测中的应用主要基于以下两个方面：一是遥感技术可以获取大范围作物生长、土壤、气候等信息，为作物生长状况和产量预测提供大量数据支持；二是遥感技术可以通过监测作物生长过程中的各种生长参数来分析和预测作物产量。
基于这些特点，遥感技术在作物产量预测中发挥着越来越重要的作用。
1. 地面观测遥感技术可以通过地面观测获取不同地区的作物生长情况、土壤养分水平、气候条件等信息，为作物产量预测提供大量的基础数据。
通过各种遥感仪器，可以对农田进行高精度的监测和观测，获取大量的作物生长数据，为后续的产量预测分析提供基础。
2. 遥感影像分析遥感影像分析是遥感技术在作物产量预测中非常重要的一环。
利用卫星遥感获取的高分辨率影像，可以对农田的作物类型、植被指数、土壤水分等进行精确的分析。
通过对遥感影像的专业处理和分析，可以获取作物生长的详细信息，从而为作物产量预测提供更为准确的数据支持。
3. 地面验证遥感技术在作物产量预测中还需要通过地面验证来验证遥感数据的准确性。
地面验证可以通过定点实地观测和采样，获取作物的实际生长情况和产量水平，并与遥感数据进行对比分析，从而验证遥感数据的可信度和准确性。
1. 精准性通过遥感技术获取的数据可以为作物产量预测提供更为精确的依据，避免了人工调查和统计中可能存在的误差和主观性。
2. 高效性利用遥感技术可以对大范围的农田进行监测和观测，获取大量的数据，为作物产量预测提供更加全面和有效的数据支持。
利用遥感数据进行农作物产量估测的步骤与技巧
利用遥感数据进行农作物产量估测的步骤与技巧农作物产量估测是农业生产管理中非常重要的一环，它可以帮助农民和农业决策者了解农田的生产状况，提前做出农业资源的合理配置。
近年来，随着遥感技术的发展和应用，利用遥感数据进行农作物产量估测已经成为一种常用的方法。
本文将介绍利用遥感数据进行农作物产量估测的步骤和技巧。
第一步是收集和准备遥感数据。
遥感数据包括不同波段的遥感图像、气象数据和农田调查数据等。
在选择遥感数据时，需要根据农作物的特性选择适当的波段和时间范围。
同时，还需要对数据进行校正和预处理，以纠正遥感图像的大气影响和减少噪声。
第二步是提取农田特征信息。
通过遥感图像处理和分析技术，可以提取出与农作物生长状态相关的特征信息。
例如，通过植被指数可以反映植被的覆盖程度，通过土壤湿度指数可以反映土壤的湿度状况。
这些特征信息可以帮助我们了解农田的生长状况，进而进行产量估测。
第三步是建立农作物生长模型。
通过采集和分析实地的农作物生长动态数据，可以建立起与农作物生长状态相关的模型。
这些模型可以基于遥感数据和气象数据，将观测到的特征信息与农作物产量进行关联。
例如，可以利用线性回归模型、贝叶斯网络或人工神经网络等方法进行模型建立和拟合。
第四步是进行农作物产量估测。
基于已建立的农作物生长模型，可以利用遥感数据和气象数据进行农作物产量的估测。
通过将遥感特征数据输入到模型中，可以得到相应的农作物产量估计值。
需要注意的是，由于模型的不确定性和遥感数据的局限性，得到的产量估计结果仅供参考。
在利用遥感数据进行农作物产量估测时，还需要注意一些技巧和注意事项。
首先，选择合适的遥感数据和时间范围非常重要。
不同农作物对光照、气温和湿度等环境条件的要求不同，因此需要根据农作物的特性和生长周期选择适当的遥感数据和时间范围。
其次，需要进行高质量的遥感图像预处理，以减少数据的干扰和噪声。
此外，对于大范围的农田，还需要考虑不同区域之间的差异，例如土壤类型和气候条件等，以确保产量估测的准确性。
水稻估产模型
水稻估产模型
水稻估产模型是一种基于农业气象、土地利用和农业统计等数据，应用数学和统计学方法建立的决策支持模型。
主要用于预测和评估水稻产量，以便为政府、农民和农业企业提供科学决策，帮助他们制定种植计划、调整农业经营策略和合理安排农业生产资源。
水稻估产模型通常包括以下几个方面的内容：
1.气象数据：收集温度、降雨、日照、风力等气象
数据，并根据历史数据分析气象因素对水稻生长和发育的影响。
2.土地利用数据：获取土地类型、土壤质量、灌溉
条件等土地利用数据，并分析不同土地类型对水稻生长的影响。
3.农业统计数据：收集农业产量、播种面积、施肥
情况等农业统计数据，并根据历史数据分析不同农业管理措施对水稻产量的影响。
4.数学和统计学方法：应用数学和统计学方法，建
立水稻生长模型、产量预测模型等，以便对水稻产量进行准确预测和评估。
水稻估产模型可帮助农民、政府和农业企业更好地了解当地的种植环境和水稻生长状况，制定更加科学合理的种植计划和农业经营策略，提高水稻生产效率和经济效益。
作物产量预测的遥感方法
作物产量预测的遥感方法作物产量预测一直是农业领域中一个复杂而又重要的问题。
有效的作物产量预测可以帮助农民做出更好的种植决策，可以帮助政府及时调整粮食储备和价格政策，还可以帮助保险公司制定合理的保险方案。
在过去，人们主要依靠人工调查和统计的方式进行作物产量预测，但这种方法耗时费力，而且往往不够准确。
随着遥感技术的发展，利用遥感数据进行作物产量预测已成为一种新的方法，越来越受到人们的关注。
遥感技术是通过卫星、飞机等载具携带的遥感仪器获取地球表面信息的一种技术手段。
遥感数据可以提供大范围、连续的地表观测，具有及时、全面、高效的特点，因此在农业领域中有着广泛的应用前景。
利用遥感数据进行作物产量预测，主要通过分析作物生长过程中的光谱、温度、湿度等信息，以及地表覆盖情况、土壤湿度等因素，建立数学模型进行预测。
在实际应用中，可以利用卫星遥感数据进行大范围的作物生长监测，调查不同地区的作物生长情况，对不同地区、不同时期的作物生长进行对比分析，从而判断作物的生长状态和产量情况。
还可以利用遥感数据获取的土地利用类型、土壤质地、地形地貌等信息，结合气象数据、地理信息系统（GIS）技术等，建立作物生长的数字模型，通过数学统计和模拟计算，对作物的产量进行预测。
对于不同类型的作物，可以采用不同的遥感方法进行产量预测。
对于稻谷等水稻类作物，可以利用遥感数据进行洪涝监测和水稻秧苗监测，从而及时发现水稻田的灾害情况，评估水稻产量的损失。
对于小麦、玉米等地区性广泛种植的谷物作物，可以通过遥感数据进行生长监测和覆盖度评估，结合气象数据进行作物生长期模型的构建，从而对作物的产量进行预测。
针对果树、蔬菜等特种作物，可以利用高分辨率遥感数据进行果园、菜地的监测，通过影像处理和GIS技术分析，对果树、蔬菜的产量进行预测。
在实际操作中，需要注意以下几点。
遥感数据的获取和处理是关键。
遥感数据的获取需要保证数据的及时性、全面性和准确性，可以利用现有的卫星数据或者无人机载荷进行数据获取。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
我们学遥感应用模型这门课做过冬小麦估产模型的 题目：给出冬小麦估产的技术流程： 1。遥感数据的选择 2。所需要的背景数据（不宜过略，不宜过细） 3。对遥感数据的预处理（大气，集合校正） 4。遥感数据所能提供的参数描述（LAI，NDVI） 5。产量估计模型（不宜过详细，应有输入输出） 6。整体框架（A4<=2页） 冬小麦估产的技术流程 一、冬小麦估产应用的遥感资料 冬小麦估产中应用的遥感资料主要为三类。一是气象卫星资料, 主要为美第三代业务极轨气( TIROS-N/NOAA 系列) 装载的甚高分辨率辐射仪(AVHRR) 资料; 二是陆地卫星(Landsat) 资料, 应用较多的是专题制图仪(TM) 资料; 其三是航空遥感和地面遥感资料。从资料应用形式上, 卫星遥感数据有磁带数据和卫星像片两种,AVHRR 数据应用以磁带数据为主, TM 数据则二种兼用。航空遥感资料为航空像片, 地面遥感资料多为实测的冬小麦光谱物征离散数据。不同的遥感资料具有不同的特点。气象卫星资料探测周期短、覆盖面积大、资料易获取、实时性强、价格低廉, 时间分辨率高但空间分辨率较低; 陆地卫星资料重复周期较长、价格高, 但空间分辨率高。
信息源与估产精度：冬小麦遥感估产的精度与采用的信息源有很大关系, 其中单产估产模型的建立受信息源光谱分辨率和时间分辨率的影响, 特别是精确的冬小麦播种面积的估测, 与采用信息源的几何分辨率密切相关。因此, 高的遥感估产精度需要有高的几何分辨率、时间分辨率和光谱分辨率的信息源的保障。但由于受估产成本的限制, 为节省估产费用, 一般省级以上的大范围冬小麦遥感估产多采用廉价的气象卫星资料, 由于时间分辨率高, 进行冬小麦长势监测及单产模型建立较为适宜, 但难以准确提取冬小麦面积信息。省级以下的冬小麦遥感估产则可采用陆地卫星资料, 以提高估产的精度。因此,综合考虑估产的信息源、精度及成本, 应根据情况综合应用各种遥感资料以及非遥感辅助资料, 冬小麦长势监测及单产估测应以气象卫星资料为主, 而冬小麦面积估测则可以陆地卫星资料为主, 或应用航空遥感资料。
二、所需要的背景数据 冬小麦产量是其光合作用的产物, 叶绿素对其产量形成起至关重要的作用, 因此, 准确提取冬小麦叶绿素信息是小麦遥感估产的关键。根据研究, 叶绿素a、b 在可见光内有两个吸收峰, 一个是0145μm (兰光) , 另一个是01675μm (红光) , 而在0155μm (绿光) 附近反射率较大。在017μm 附近反射率急剧增加, 形成突出的峰值。因此, 红光和近红外波段是冬小麦信息提取、产量估测的最佳波段。另一方面, 冬小麦的叶绿素含量随小麦出苗至收获各不同的生育阶段是不断变化的, 因此其不同生育期的反射光谱特性亦有差异。具体表现为随小麦生育进程的推进, 在可见光区的反射率逐步增加, 而在近红外光区的反射率则逐步下降。尤其是抽穗以后至成熟, 小麦叶色变黄, 叶绿素含量大大下降, 其反射率表现为随波长的增加而逐渐增加的趋势, 原吸收谷、反射峰渐不明显。除此, 长势较差的麦苗其反射率亦表现为与此相似的增加趋势。
三、对遥感数据的预处理 遥感图像解译法 根据冬小麦光谱特征, 区分其与其它地物的不同, 建立解译标志, 在遥感图像中划分出冬小麦分布范围, 并量算其面积。此方法要求遥感图像应有较高的几何分辨率, 一般采用陆地卫星资料, 提取精度相对较高, 成本也相对较高。具体的提取方法有目视解译和计算机自动分类两种。目视解译依靠人工智能, 应用卫星像片, 精度较高但费时费力; 计算机提取速度快、效率高, 但精度稍差, 又分为监督分类和非监督分类两种。监督分类需首先确定分类类别、训练场地(样本) , 提取分类特征, 计算机依此自动分类; 非监督分类事先不设定训练类别和样本, 计算机根据光谱特性的相似性自动划分类别。非监督分类虽不需要训练样本, 但需要实地对照确定具体的类别, 监督分类中训练样本的正确选择十分关健, 有时难以确定。因此, 不少学者对监督与非监督分类相结合, 像元光谱特性与空间特性相结合的分类方法作了大量探索〔20 ,21 ,22〕。除此, 适宜的遥感图像时相的选择是冬小麦面积信息提取的重要环节, 应充分考虑冬小麦及其相关地物的生长历及季相特征, 选用冬小麦与其环境具有较大光谱差异的时相, 一般小麦返青、起身、拔节期图像具有较好的面积提取效果。
遥感抽样调查方法 遥感抽样调查是根据一般抽样调查的基本方法, 以遥感的手段获取地物面积的方法, 适用于调查范围大, 进行全面调查比较困难或必要性不大的情况。可根据需要采用航卫片等各种遥感资料。常用的有遥感影像分层抽样和成数抽样方法, 前者首先将整个调查区域按与调查内容相关的某一属性或特征划分为不同的"层", 在每层内随机或机械抽取样本单元组成样本, 进行总体估计。如美国LACIE 计划中小麦面积的估测; 后者是根据某类别单元数占总体单元数的比例即成数, 通过抽样估测其成数进而计算其面积。采用遥感抽样调查方法可以估测冬小麦面积数据。
四、遥感数据所能提供的参数描述 五、产量估计模型 作物单产模型的建立在遥感估产之前已有研究, 并应用于估产, 如加拿大的Beier1W , 先后研制了"经验统计模型"、"作物-天气产量预测模型"、"作物-生长模拟模型"等。常规的单产预报模式有统计估产、气象估产和农学估产等方法, 但各有其局限性。遥感估产技术的出现使农作物单产估产模型研究有了显著发展。冬小麦面积估测是冬小麦遥感估产的重要内容, 只有准确地估算出冬小麦播种面积, 才能得出准确的冬小麦总产估产数据。冬小麦面积应包括其数量和实际的地理分布两个方面, 根据其范围大小、精度可有不同的遥感面积提取方法。
遥感统计模型方法 研究遥感光谱指标与冬小麦面积的关系, 选择一定的绿度模式, 建立绿度-面积、绿度-麦土比等统计模型, 估测冬小麦面积。适宜于以气象卫星资料进行的大区域小麦估产研究, 成本较为低廉。在国家气象局进行的冬小麦遥感估产中, 先研究了各种绿度模式在小麦各生育期的变化, 其中归一化植被指数( G3) 变化平稳, 较好地反映了冬小麦面积信息。采用拔节期气象卫星资料, 以TM 图像解译、成数抽样方法测算小麦面积、麦土比, 建立了平均绿度值与小麦面积、麦土比的回归方程, 估测冬小麦面积。王茂新等进行了NOAA 图像冬小麦面积监测研究, 结果为以单一时相提取冬小麦面积困难, 但通过绿度-时相的对比分析, 冬小麦有两个生育阶段其绿度-时相曲线与其它大宗作物、植被有明显差异, 一是10～11 月, 为冬小麦秋播至分蘖阶段, 生物量大, 绿度(NDVI) 曲线上升, 而其它作物、植被生长活性降低, 绿度曲线下降; 另一为5～6 月份, 为冬小麦孕穗至收获期, 由生长最旺期急剧降至最低点, 绿度曲线呈下降趋势。通过分析, 冬小麦面积与11 月中旬减去10 月上旬植被指数之差图像中的大于零的像元个数及面积有很好的相关关系, 从而建立了小麦统计面积S 与大于零的像元个数P0 之间的回归方程, 即: S = a0p0 + b0 a0 、b0 -回归系数及常
数。但小麦统计面积与实际面积之间仍有一定的差异。 植被指数(绿度) 模式的选择 单一波段的冬小麦光谱特性难以全面准确地反映冬小麦生长状况, 因此, 需要将冬小麦反应敏感的多波段信息组合, 植被指数即是由不同波段的反射信息组合而成的特征量, 反映绿色植被的覆盖程度和作物的生长状况。一般由叶绿素反应敏感的红光波段(RR) 和近红外波段(RNIR) 信息组合而成, 亦称绿度。目前冬小麦遥感估产中采用的植被指数(绿度) 模式有: G1 = RNIR/ RR , G2 = (RNIR/ RR) 1/ 2 , G3 = RNIR - RR/ RNIR +
RR , G4 = (RNIR - RR/ RNIR + RR) 1/ 2 , G5 = [ (RNIR - RR/ RNIR + RR) + 015 ]1/ 2 , G6 = (RNIR/ RR) 2 、G7 = log (RNIR/ RR) ,G8 = RNIR - RR 。其中常用的是比值植被指数( G1 ) 、归一化植被指数( G3 ) 和差值植被指数( G8 ) 等。由于冬小麦覆盖度的限制, 各植被指数中实际包含着土壤的光谱信息, 因此应消除土壤的影响。土壤纠正植被指数(SAVI) : SAVI = (RNIR - RR/ RNIR + RR + L) (1 + L) , 其中L 为土壤调整因素, 取值0～1。研究发现, 与植被覆盖关系密切而受土壤影响最小的近红外波段是大于1000nm 的部分。通过分析植被、土壤在红光、近红外二维空间中的光谱反射情况, 其植被量表现为植被点离土壤线的垂直距离, 其绿度值称为垂直植被指数PVI (Perpendicular Vegetation Index) : PVI = ɑRNIR -βRR 。与其它植被指数相比, PVI具有较好的消除土壤背景干扰和对大气效应反应不灵敏等优点。
冬小麦遥感单产模型建立 冬小麦植被指数与其群体密度、叶面积系数、亩穗数等农学参数及单产均有密切关系。小麦群体密度Ma 与归一化植被指数G3 的相关方程为: G3 = a + blnMa〔14〕。提出了绿度指数-温度-绿度变化率估产模型: 估测产量Y= a ∑G·bTo/ Ti (Do - Di) ·[Q/ ( △G/ △T) + C] + W , 其中G为返青至抽穗绿度累加; To 为拔节后期至灌浆始期小麦品种需要的积温或多年平均地温累加( ℃) ; Ti 为当年拔节后期至灌浆始期积温或当年地温累加( ℃) ; Do 为小麦灌浆起始日期(天) ; Di 为拔节后期日期(天) ; Q 为小麦品种标准千粒重(g) ; △G 为灌浆始期至终止的绿度差;△T 为灌浆始期至终止的日期差; abc 试验常数; W为自由项(专家意见)〔18〕。考虑小麦从播种到收割是一连续的过程,任一时期生长不好都会影响其最终产量, 而遥感信息只能观测到抽穗前小麦生长的综合反映, 对后期的气象条件及外界影响因子难以反映, 因此李付琴、田国良在北京顺义县的小麦估产中, 选择小麦抽穗期的PVI 和5 月下旬的平均气温分别作为两阶段的预报因子, 研究建立了用逐段订正的阶乘模型:yt = y (t - 1) ∏pi =