棉花生長初期灌溉信息遙感提取與校正*

劉煥軍, 孟令華, 邱政超, 張新樂, 殷繼先, 徐夢園, 于 微, 謝雅慧

?

棉花生長初期灌溉信息遙感提取與校正*

劉煥軍, 孟令華, 邱政超, 張新樂**, 殷繼先, 徐夢園, 于 微, 謝雅慧

(東北農(nóng)業(yè)大學資源與環(huán)境學院 哈爾濱 150030)

為提高生長初期低覆蓋度作物長勢的遙感監(jiān)測精度, 需要消除灌溉引起的土壤水分背景變化對歸一化差值植被指數(shù)(NDVI)的影響。為了實現(xiàn)棉花生長初期灌溉信息提取與校正, 提高棉花作物長勢監(jiān)測與產(chǎn)量預判精度, 本文以美國加利福尼亞州San Joaquin Valley的2個棉花地塊為研究區(qū), 選取棉花生長初期灌溉過程中的遙感影像, 構(gòu)建兩種灌溉信息提取方法(分階段閾值法和灌溉線提取法), 確定最優(yōu)灌溉像元提取方法; 比較分析灌溉與未灌溉情況下棉花的NDVI與歸一化差值水分指數(shù)(NDWI)以及土壤調(diào)節(jié)植被指數(shù)的關(guān)系, 提取含有灌溉信息的像元, 并對NDVI進行校正, 消除灌溉對NDVI的影響。研究結(jié)果表明: 在棉花生長初期, 灌溉與未灌溉像元NDVI變化率達12%, 差異較顯著; 灌溉與否的棉花NDVI與NDWI間均存在極顯著的線性關(guān)系, 決定系數(shù)在0.80以上; 利用灌溉線方法提取灌溉信息與分階段閾值相比精度更高, 精度達88%以上; 校正后線性回歸模型精度達0.95, 灌溉校正效果明顯, 灌溉與未灌溉像元的NDVI差異減小至2%。本研究通過對含有灌溉信息像元NDVI值的校正, 去除灌溉對NDVI造成的影響, 反映了真實的植被信息, 可實現(xiàn)對作物生長初期長勢的準確遙感監(jiān)測, 為遙感定量監(jiān)測提供便利。

棉花; 生長初期; 灌溉信息; 植被指數(shù); 歸一化差值植被指數(shù)(NDVI); 歸一化差值水分指數(shù)(NDWI)

遙感技術(shù)具有宏觀、客觀、快速、低成本等特點, 成為近幾十年作物估產(chǎn)和長勢監(jiān)測的新興技術(shù)[1-2]。及時準確地監(jiān)測作物生長初期植被長勢, 可以對作物產(chǎn)量信息進行預判[3-4]。目前, 在農(nóng)業(yè)遙感監(jiān)測中, 植被指數(shù)(VI)應(yīng)用廣泛[5-6], 國內(nèi)外用于長勢監(jiān)測的植被指數(shù)有多種, 其中歸一化差分植被指數(shù)(NDVI)使用最為廣泛。裴志遠等[7]利用同一生長季不同生育期及不同生長季同一生育期的NDVI值, 構(gòu)建不同的NDVI時間序列曲線的特征參數(shù), 建立了作物長勢監(jiān)測模型; 黃青等[8]利用MODIS_NDVI分析確定了冬小麥(L.)信息提取的NDVI閾值, 建立了冬小麥面積提取模型, 得到2011年冬小麥整個生育期長勢情況。

然而, 由于研究區(qū)的氣候、水文條件不同, 土壤背景會存在差異。植被指數(shù)會受到農(nóng)田土壤背景影響[9-10], 尤其是在作物生長初期, 植被覆蓋度較低, 土壤背景的影響更加明顯。土壤背景對植被造成的影響與作物對地覆蓋度——葉面積指數(shù)(LAI)關(guān)系密切, 覆蓋度越大, 土壤背景影響越小。因此在研究土壤背景對NDVI的影響時, 不能忽略作物對覆蓋度的影響。劉明等[11]根據(jù)NDVI對葉面積指數(shù)進行反演, 驗證NDVI與LAI之間存在顯著相關(guān)性。作物生長初期覆蓋度較低, NDVI值小于0.5, 土壤背景影響較明顯, 需要消除土壤背景對NDVI的影響[12]。

Rondeaux等[13]從NDVI出發(fā), 對比了土壤調(diào)節(jié)植被指數(shù)等多種植被指數(shù)消除土壤背景影響的能力,指出在不同環(huán)境條件下, 不同植被指數(shù)消除土壤背景影響的能力不同。然而土壤調(diào)節(jié)系列的植被指數(shù)應(yīng)用雖廣泛, 物理意義明確; 但由于土壤調(diào)節(jié)參數(shù)確定存在一定的困難, 不能完全消除土壤等背景干擾。對于灌溉農(nóng)業(yè)區(qū), 在整個作物生育期進行灌溉處理, 導致作物生長期內(nèi)灌溉與未灌溉區(qū)域遙感影像呈現(xiàn)不同特征, 造成NDVI值的顯著差異[14]。因為灌溉造成土壤水分信息分布不均勻, 土壤水分差異會造成土壤背景亮暗的程度不同, 對于相同的冠層結(jié)構(gòu), 暗土壤背景的冠層NDVI值大于亮土壤背景的冠層NDVI值。目前, 針對水分遙感監(jiān)測更為直接的指標是歸一化差值水分指數(shù)(NDWI)。很多學者利用NDWI進行水分以及土壤水分信息的提取。程曉娟等[15]指出, 利用改進NDWI監(jiān)測作物水分含量, 對于評估作物水分盈虧平衡、指導農(nóng)業(yè)生產(chǎn)灌溉具有重要意義; Lu等[16]也通過HJ-1A/B影像提取NDWI, 對植被含水量信息進行分析, 精度較高。然而目前研究只是針對土壤水分進行提取以及對作物水分含量進行監(jiān)控, 對灌溉農(nóng)業(yè)區(qū)的作物長勢監(jiān)測少有提出有效消除NDVI差異變化的方法, 沒有從根本上解決灌溉對于NDVI造成影響的問題。

為提高生長初期作物長勢遙感監(jiān)測的精度, 深入研究灌溉與未灌溉情況下土壤背景水分信息差異對NDVI的影響, 本文以棉花(sp.)為研究對象進行如下研究: 1)為消除灌溉對土壤背景的影響, 分析棉花生長初期灌溉與正常狀態(tài)下的各種植被指數(shù)的差異; 2)利用Landsat 30 m空間分辨率遙感影像, 獲取NDVI及反映土壤背景的植被指數(shù)時間序列, 進行定量分析, 明確表征灌溉后土壤背景水分狀況的植被指數(shù); 3)確定灌溉信息提取方法以及NDVI的校正方法。本文研究結(jié)果對于低覆蓋度下的NDVI應(yīng)用具有一定參考價值, 有利于促進生長初期作物長勢精準監(jiān)測, 為遙感定量化與精準農(nóng)業(yè)發(fā)展奠定基礎(chǔ)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域概況

圖1為研究區(qū)位置及影像圖。本文研究區(qū)的兩個地塊種植的農(nóng)作物均為棉花, 位于美國加利福尼亞州南部的San Joaquin Valley西側(cè)(圖1a), 屬河流三角洲地區(qū), 土壤為棕壤土, 整個農(nóng)場面積約為7 000 hm2, 每個地塊面積約為60 hm2(圖1b)。該區(qū)屬于地中海氣候, 夏季炎熱干燥, 冬季濕潤涼爽。雨季主要集中在11月至次年4月, 但降雨量極少, 年平均降水量約70 mm。光熱資源豐富, 最高溫度達40 ℃以上, 蒸發(fā)量大, 晝夜溫差在16 ℃左右, 有利于棉花的生長, 是棉花的高產(chǎn)區(qū)[17]。研究區(qū)農(nóng)場在棉花整個生長期實施灌溉, 在灌溉初期為噴灌, 此后每2~3周進行溝灌。圖1c與圖1d為A地塊2002年第174 d與190 d假彩色影像, 圖1e為B地塊174 d假彩色影像。圖1c/e可以看出地塊的灌溉方式是從左至右、從上至下灌溉, 灌溉與否差異十分明顯; 從圖1d的第190 d影像看出, 地塊無明顯灌溉差異, 但該地塊在相同區(qū)域, 174 d時存在灌溉差異明顯界線。選擇190 d是因為此時研究區(qū)棉花地塊灌溉比較均一, 與174 d形成對比。174 d與190 d相差16 d, 由于本文選擇的遙感影像是Landsat_TM_5和Landsat_ETM_7兩種影像構(gòu)成的時間序列, 時間分辨率為16 d。

1.2 影像獲取與預處理

本研究主要研究棉花灌溉時期遙感影像, 根據(jù)美國棉花生長期的特點, 下載研究區(qū)2002年棉花裸土期與生長期的Landsat_5_TM和Landsat_7_ETM的時間序列遙感影像, 時間分辨率為16 d, 空間分辨率為30 m。對影像數(shù)據(jù)通過ENVI5.1進行輻射定標、大氣校正, 并按照研究區(qū)范圍矢量圖進行裁剪。

1.3 植被指數(shù)選取與計算

NDVI是植被長勢監(jiān)測應(yīng)用最廣泛的植被指數(shù)。土壤調(diào)節(jié)植被指數(shù)(SAVI)是NDVI的一個改進, 能減小土壤等背景信息, 增加植被信號。調(diào)整型土壤調(diào)節(jié)植被指數(shù)(MSAVI)是眾多土壤調(diào)節(jié)植被指數(shù)中最簡單的, 避免了土壤線和土壤調(diào)節(jié)參數(shù)的獲取。NDWI利用近紅外與中紅外進行波段運算, 用于研究植被的含水量[18], 本文選取NDWI對灌溉信息進行研究。各植被指數(shù)計算公式如下:

(2)

(3)

式中: RED、NIR、SWIR為紅波段、近紅外、短波紅外反射率。為土壤調(diào)節(jié)參數(shù), 描述了土壤反射特性, 當植被覆蓋度較低時, 推薦值為1.0; 當植被覆蓋率中等時, 推薦值為0.5; 當植被覆蓋度較高時, 推薦值為0.25。

1.4 棉花灌溉信息研究時相的選取

大田作物冠層光譜反射率以及土壤背景對其造成的影響程度與作物覆蓋度(葉面積指數(shù))大小相關(guān)。覆蓋度越大, 土壤背景影響越小。本研究主要研究作物生長期的灌溉影像, 通過時間序列曲線的特征參數(shù)得知(圖2a), 棉花從174 d NDVI上升速率增加, NDVI值低于0.5, 由NDVI與葉面積指數(shù)的相關(guān)性得知174 d植被覆蓋度并不是很高, 特選取174 d(2002年6月23日)為研究灌溉信息關(guān)鍵時期, 既考慮到作物對地覆蓋度的影響, 也充分顯現(xiàn)出土壤背景對NDVI的影響。

1.5 灌溉像元提取及校正方法

1.5.1 標準差方法

標準差能反映一個數(shù)據(jù)集的離散程度, 未灌溉水平下的標準差反映了正常狀態(tài)下作物NDWI的離散程度, 本文選取未灌溉像元NDWI的標準偏差(STDEVNDWI)作為分階段閾值進行灌溉信息提取, 依照公式分別根據(jù)NDWI進行分梯度NDVI灌溉信息提取, 簡稱為STDWI方法

1.5.2 灌溉線法

采用灌溉線進行灌溉像元提取, 簡稱為IR_L方法。由NDVI與NDWI之間的散點圖(圖3)可以發(fā)現(xiàn), 灌溉與未灌溉的散點圖之間存在明顯的分界線, 本文將其定義為灌溉線。在覆蓋度逐漸增加時, 即NDVI增大, 未灌溉像元的趨勢線與灌溉像元的趨勢線之間的距離會逐漸變小, 灌溉線方程的斜率采用灌溉趨勢線與未灌溉趨勢線的平均值, 截距采用兩條直線的截距的平均值, 可以在一定程度上降低高植被覆蓋度下土壤背景信息弱化的影響。

式中:ir、nir分別為灌溉、未灌溉狀態(tài)下的NDVI與NDWI線性模型的斜率,ir、nir為灌溉像元、未灌溉像元散點圖的所在直線截距。

1.5.3 灌溉校正方法

本文的目的是消除灌溉對NDVI的影響, 將灌溉像元的NDVI調(diào)整到未灌溉狀態(tài)的NDVI, 使灌溉前后植被指數(shù)具有可比性。因此, 根據(jù)調(diào)整原理提出校正方法, 分別以灌溉與未灌溉各像元趨勢線的斜率與截距為參數(shù)進行校正, 簡稱為IR_L方法。

式中: NDVIIR_L為調(diào)整后的未灌溉棉花NDVI, NDVIIR為灌溉后的NDVI,ir、nir分別為灌溉、未灌溉狀態(tài)下的NDVI與NDWI線性模型的斜率,ir、nir為灌溉像元、未灌溉像元線性模型的截距。

圖3 基于NDVI與NDWI線性關(guān)系的灌溉線確定方法

Fig. 3 Method of irrigation line determination based on linear relationship between NDVI and NDWI

NDWI: 歸一化差值水分指數(shù)Normalized difference water index.

1.5.4 精度驗證

式中:t為真實灌溉像元數(shù);c為試驗中提取灌溉像元時, 錯誤分到未灌溉像元這一類的數(shù)量錯分數(shù)。

NDVI校正精度驗證, 采取A地塊試驗, B地塊進行驗證的原則, 通過校正精度進行判定, 且對比NDVI校正后散點圖離散程度。

2 結(jié)果與分析

2.1 裸土期與生長期灌溉與否像元的差異比較分析

圖4a和圖4b分別顯示了裸土期(2002年5月30日)和棉田生長期長勢中等像元棉花灌溉與未灌溉各波段反射率差異圖, 圖4c為灌溉與未灌溉像元4種植被指數(shù)的變化差異圖(2002年6月23日)。從圖4a可以看出, 裸土時期各波段反射率差異較大, 說明灌溉會造成土壤背景發(fā)生顯著變化; 從圖4b可以看出, 生長期中等長勢像元的灌溉與未灌溉像元各波段反射率變化仍較顯著, 說明灌溉對第174 d冠層棉花反射率依然存在影響, 造成各波段反射率明顯變化。從4種VI散點圖可以看出(圖4c), 4種VI灌溉像元均高于未灌溉像元, NDWI變化極小, 而 NDVI變化較大, 約為12%, 其他3種土壤調(diào)節(jié)植被指數(shù)變化較NDVI更大, 沒有從根本上剔除土壤背景的影響, 不能真實反映植被的真實長勢。

2.2 棉花灌溉與未灌溉像元NDWI-VI線性回歸關(guān)系分析

根據(jù)灌溉與未灌溉像元的4種VI散點圖(圖4c)發(fā)現(xiàn)NDWI變化差異極小, 說明灌溉對其造成影響很小。因此本文擬以NDWI為自變量對其與3種VI的定量關(guān)系進行研究分析(圖5)。從圖5a、5b可以發(fā)現(xiàn), 灌溉與否NDVI與MSAVI值發(fā)生變化, 即灌溉棉花像元NDVI與MSAVI值明顯高于未灌溉像元, 差異在10%以上。且從圖5可以發(fā)現(xiàn)灌溉與否棉花地塊的NDWI與3種VI均存在極顯著的線性關(guān)系。以此進行線性回歸分析, 線性回歸模型如表1。A、B兩個地塊3種VI與NDWI均是極顯著相關(guān), A的決定系數(shù)更高, 在0.93以上, B的決定系數(shù)為0.90。由此可以看出, 灌溉會引起植被指數(shù)變化, 且變化差異較大, 最高達12.26%。因此, 在農(nóng)作物遙感長勢精準監(jiān)測中, 保證NDVI值實時監(jiān)測的準確性極為重要。

2.3 基于STDWI方法和IR_L方法的棉花像元灌溉提取及精度評價

本文對研究區(qū)種植棉花的A地塊進行灌溉像元提取, 分別依據(jù)IR_L(灌溉線法)和STDWI(標準差方法)兩種方法, 提取精度見表2。IR_L方法精度可達94.72%, 相比STDWI方法, 更適用于灌溉信息提取。

本文選擇利用A地塊試驗, B地塊驗證的精度驗證方法。再次選取IR_L方法對B地塊進行驗證, 根據(jù)結(jié)果發(fā)現(xiàn), 本文提出的IR_L灌溉提取方法對B地塊依然適用, 精度高達88.41%。

2.4 作物生長初期棉花灌溉信息遙感校正

圖6為A地塊經(jīng)過灌溉校正方法調(diào)整后的NDWI與NDVI的散點圖, 與未消除灌溉影響的NDWI-NDVI散點圖(圖5a)相比較, 利用IR_L方法校正后的NDVI明顯差異減小。且經(jīng)過校正后, NDVI差異由灌溉前的12%減小至2%, 整個地塊散點趨勢趨于一致。

a: 裸土期灌溉與未灌溉像元各波段反射率差異; b: 生長初期(積日174 d)灌溉與未灌溉像元各波段反射率差異圖; c: 生長初期(積日174 d)灌溉與未灌溉像元的4種植被指數(shù)的散點圖。NDWI: 歸一化差值水分指數(shù); MSAVI: 調(diào)整型土壤調(diào)節(jié)植被指數(shù);SAVI: 土壤調(diào)節(jié)植被指數(shù)。a: band reflectance of irrigated pixel and non-irrigated pixel during bare soil period; b: band reflectance of irrigated pixel and non-irrigated pixel at early growing period (DOY 174); c: four vegetation indexes of irrigated pixel and non-irrigated pixel at early growing period (DOY 174). NDWI: normalized difference water index; MSAVI: modified soil adjusted vegetation index; SAVI: soil adjusted vegetation index.

a: A地塊NDVI-NDWI; b: A地塊MSAVI-NDWI; c: B地塊NDVI-NDWI。NDWI: 歸一化差值水分指數(shù); MSAVI: 調(diào)整型土壤調(diào)節(jié)植被指數(shù)。a: NDVI-NDWI scatter diagram of plot A; b: plot MSAVI-NDWI scatter diagram of plot A; c: NDVI-NDWI scatter diagram of plot B. NDWI: normalized difference water index; MSAVI: modified soil adjusted vegetation index.

3 討論

農(nóng)作物長勢監(jiān)測主要是為田間管理提供及時準確的作物生長信息, 并為早期估產(chǎn)提供依據(jù)[19]。作物長勢遙感監(jiān)測充分體現(xiàn)了遙感技術(shù)全面、及時、經(jīng)濟的特點。近十幾年, 許多研究利用高時空分辨率的遙感數(shù)據(jù)可以迅速獲取大范圍的作物長勢信息。但現(xiàn)實情況下, 由于受大氣和土壤背景的影響, 傳感器只收到來自目標的部分信號, 同時收到部分噪音, NDVI也由此受到影響, 且覆蓋度越低, 土壤背景對NDVI的影響越大。本文選擇積日174 d作為研究時相, NDVI值小于0.5, 仍處于作物生長初期。由NDVI與LAI的相關(guān)性可知覆蓋度較低時, 土壤背景對NDVI影響較大, 因此本文在作物生長初期對由于灌溉造成的土壤背景影響進行分析, 對NDVI進行遙感提取與校正, 這對作物長勢監(jiān)測有一定意義, 同時有利于進一步實現(xiàn)精準灌溉。

表1 灌溉與未灌溉像元的歸一化差值水分指數(shù)(NDWI, y)與植被指數(shù)的線性回歸模型

SAVI: 土壤調(diào)節(jié)植被指數(shù); MSAVI: 調(diào)整型土壤調(diào)節(jié)植被指數(shù)。SAVI: soil adjusted vegetation index; MSAVI: modified soil adjusted vegetation index.

表2 基于灌溉提取方法的像元灌溉信息提取精度

STDWI: 標準差法; IR_L: 灌溉線法。STDWI: standard deviation of NDWI (normalized difference water index) method; IR_L: irrigation line extraction method.

NDWI: 歸一化差值水分指數(shù)。NDWI: normalized difference water index.

本文對比NDVI、NDWI、SAVI、MSAVI 4種植被指數(shù)在灌溉前后各波段反射率的差異, 結(jié)果顯示NDWI在灌溉前后差異最小; 且發(fā)現(xiàn)土壤調(diào)節(jié)植被指數(shù)系列并不能完全消除土壤背景的影響, 尤其針對本文研究區(qū)的灌溉情況, 土壤調(diào)節(jié)植被指數(shù)消除水分背景影響的效果并不好, 與NDVI相比差異更大。土壤調(diào)節(jié)植被指數(shù)系列多數(shù)是以土壤線模型計算而形成的線性模型, 但現(xiàn)實中土壤線難以獲取。本文選取的土壤調(diào)節(jié)植被指數(shù), SAVI中土壤調(diào)節(jié)參數(shù)的確定是一個難題, 針對不同植被覆蓋度,值的確定存在難度, 植被覆蓋度劃分并不明顯; MSAVI模型中沒有明確反映土壤背景的參數(shù)。然而, 實際上的植被冠層光譜是一個組合, 它是由幾個復雜的光學物理過程組合而成, 僅通過線性組合對其進行反演, 存在一定的局限性。因此很難在實際應(yīng)用中通過植被指數(shù)模型定量消除土壤背景的影響。本文利用變化差異最小的NDWI與NDVI的線性關(guān)系, 對灌溉后的NDVI再次進行校正, 一定程度上消除低覆蓋度下土壤背景的影響, 有效降低了由于灌溉引起的土壤背景水分信息的影響, 為遙感定量監(jiān)測提供了便利, 可更加準確地對作物長勢進行預判, 推進精準灌溉, 節(jié)約水資源, 促進農(nóng)業(yè)可持續(xù)發(fā)展。

4 結(jié)論

本文以美國加州棉花為研究對象, 對研究區(qū)棉花生長初期灌溉與未灌溉像元的植被指數(shù)差異與各波段反射率差異進行分析, 利用灌溉與未灌溉像元的NDVI與NDWI之間極顯著的線性關(guān)系, 構(gòu)建兩種灌溉提取方法, 實現(xiàn)了快速準確地對生長初期棉花灌溉像元進行提取, 且精度高達88%。并利用灌溉線模型對含有生長初期棉花灌溉像元NDVI值進行校正, 有效地去除了土壤水分對植被指數(shù)NDVI的影響。本文研究結(jié)果解決了灌溉造成NDVI值高于正常水平的問題, 反映了植被的真實信息, 實現(xiàn)了對生長初期作物長勢的準確遙感監(jiān)測。本文研究成果將為低覆蓋度下NDVI的研究應(yīng)用提供參考依據(jù), 也將會促進遙感定量監(jiān)測與精準農(nóng)業(yè)的發(fā)展。

[1] 趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進展[J]. 農(nóng)業(yè)機械學報, 2014, 45(12): 277–293Zhao C J. Advances of research and application in remote sensing for agriculture[J]. Transactions of the CSAM, 2014, 45(12): 277–293

[2] Johnson D M. An assessment of pre-and within-season remotely sensed variables for forecasting corn and soybean yields in the United States[J]. Remote Sensing of Environment, 2014, 141: 116–128

[3] Ren J Q, Chen Z X, Zhou Q B, et al. Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(4): 403–413

[4] Mkhabela M S, Bullock P, Raj S, et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J]. Agricultural and Forest Meteorology, 2011, 151(3): 385–393

[5] Wardlow B D, Egbert S L. Large-area crop mapping using time-series MODIS 250 m NDVI data: An assessment for the U.S. Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096–1116

[6] Wu B F, Meng J H, Li Q Z, et al. Remote sensing-based global crop monitoring: Experiences with China’s CropWatch system[J]. International Journal of Digital Earth, 2014, 7(2): 113–137

[7] 裴志遠, 楊邦杰. 多時相歸一化植被指數(shù)NDVI的時空特征提取與作物長勢模型設(shè)計[J]. 農(nóng)業(yè)工程學報, 2000, 16(5): 20–22Pei Z Y, Yang B J. Analysis of multi-temporal and multi-spatial character of NDVI and crop condition models development[J]. Transactions of the CSAE, 2000, 16(5): 20–22

[8] 黃青, 唐華俊, 周清波, 等. 東北地區(qū)主要作物種植結(jié)構(gòu)遙感提取及長勢監(jiān)測[J]. 農(nóng)業(yè)工程學報, 2010, 26(9): 218–223Huang Q, Tang H J, Zhou Q B, et al. Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China[J]. Transactions of the CSAE, 2010, 26(9): 218–223

[9] Yao X, Ren H, Cao Z, et al. Detecting leaf nitrogen content in wheat with canopy hyperspectrum under different soil backgrounds[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 32: 114–124

[10] 史舟, 梁宗正, 楊媛媛, 等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機械學報, 2015, 46(2): 247–260 Shi Z, Liang Z Z, Yang Y Y, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the CSAM, 2015, 46(2): 247–260

[11] 劉明, 馮銳, 紀瑞鵬, 等. 基于MODIS-NDVI的春玉米葉面積指數(shù)和地上生物量估算[J]. 中國農(nóng)學通報, 2015, 31(6): 80–87Liu M, Feng R, Ji R P, et al. Estimation of leaf area index and aboveground biomass of spring maize by MODIS-NDVI[J]. Chinese Agricultural Science Bulletin, 2015, 31(6): 80–87

[12] 唐怡, 劉良云, 黃文江, 等. 土壤背景對冠層NDVI的影響分析[J]. 遙感技術(shù)與應(yīng)用, 2006, 21(2): 142–148Tang Y, Liu L Y, Huang W J, et al. Analysis on the influence of soil backgrounds on canopy NDVI[J]. Remote Sensing Technology and Application, 2006, 21(2): 142–148

[13] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95–107

[14] 曾紅偉, 吳炳方, 鄒文濤, 等. 灌溉區(qū)與雨養(yǎng)區(qū)作物長勢差異比較分析——以美國內(nèi)布拉斯加為例[J]. 遙感學報, 2015, 19(4): 560–567Zeng H W, Wu B F, Zou W T, et al. Performance comparison of crop condition assessments in irrigated and rain-fed areas: A case study in Nebraska[J]. Journal of Remote Sensing, 2015, 19(4): 560–567

[15] 程曉娟, 楊貴軍, 徐新剛, 等. 新植被水分指數(shù)的冬小麥冠層水分遙感估算[J]. 光譜學與光譜分析, 2014, 34(12): 3391–3396Cheng X J, Yang G J, Xu X G, et al. Estimating canopy water content in wheat based on new vegetation water index[J]. Spectroscopy and Spectral Analysis, 2014, 34(12): 3391–3396

[16] Lu S L, Wu B F, Yan N N, et al. Water body mapping method with HJ-1A/B satellite imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(3): 428–434

[17] 劉煥軍, 孟令華, 張新樂, 等. 基于時間序列Landsat影像的棉花估產(chǎn)模型[J]. 農(nóng)業(yè)工程學報, 2015, 31(17): 215–220 Liu H J, Meng L H, Zhang X L, et al. Estimation model of cotton yield with time series Landsat images[J]. Transactions of the CSAE, 2015, 31(17): 215–220

[18] Gao B C. NDWI — A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3): 257–266

[19] Corbeels M, Chirat G, Messad S, et al. Performance and sensitivity of the DSSAT crop growth model in simulating maize yield under conservation agriculture[J]. European Journal of Agronomy, 2016, 76: 41–53

Using remote sensing to extract and correct irrigation data during early cotton growth stage*

LIU Huanjun, MENG Linghua, QIU Zhengchao, ZHANG Xinle**, YIN Jixian, XU Mengyuan, YU Wei, XIE Yahui

(College of Resources and Environmental Sciences, Northeast Agricultural University, Harbin 150030, China)

Vegetation index is affected by background soil, especially in the early stage of crop growth. When vegetation cover is low, the effect of background soil is very obvious. In order to improve the precision of remote sensing (RS) monitoring on crop growth in the early growth stage, it is necessary to eliminate the effect of background soil moisture due to irrigation on normalized difference vegetation index (NDVI). Agricultural irrigation districts have failed to develop an effective method to eliminate difference in NDVI change, which has in turn hindered efforts to limit the effect of irrigation on NDVI. Thus, in order to increase the accuracy of RS monitoring of crop growth at early stage, this study explored the effects of difference in soil moisture information between irrigated and non-irrigated cotton field on NDVI. Two cotton plots in San Joaquin Valley in California (US) were selected as the research area. Day of Year (DOY) 174 was determined as the critical phase at early growth stage of cotton for the extract of irrigation data through band reflectance, NDVI analysis of cotton field for 2002. Based on RS images, NDVI, normalized difference water index (NDWI), soil adjusted vegetation index (SAVI) and modified soil adjusted vegetation index (MSAVI) of irrigated and non-irrigated pixels were calculated. Also the relationships between NDWI and different vegetation indexes (VIs) were analyzed, and the two methods [the standard deviation of the NDWI method (STDWI)and irrigation line extraction method (based on relationship between NDVI and NDWI of irrigation and non-irrigation pixels, IR_L)] were used to extract the irrigation data. Then the accuracies of different methods were compared to determine the optimum extraction method of irrigation information. The IR_L method was next used to extract irrigation data and correct the NDVI of irrigation pixels in the early stage of cotton to improve monitoring accuracy of cotton growth. The results showed that difference in NDVI between irrigation and non-irrigation pixels was as high as 12% in the early growth of cotton. There was an extremely significant linear correlation between NDVI and NDWI of both irrigation and non-irrigation pixels, with coefficients of determination greater than 0.80. Compared with STDWImethod, IR_L method had a higher accuracy and with a precision greater than 88%. Through IR_L model correction, the accuracy of irrigation linear regression model was as high as 0.95. With this, correction effect of irrigation was obvious and the difference in NDVI between irrigated and non-irrigated pixels dropped to 2%. Thus in this study, NDVI with irrigation data was corrected, the effect of irrigation on NDVI eliminated while the effect of background soil moisture reduced. Finally, the study reflected the true vegetation data, obtained accurate remote sensing monitoring of cotton growth at the early growth stage and provided convenient monitoring method of crop growth via remote sensing. Moreover, it promoted accurate irrigation towards saving water resources.

Cotton;Early growth stage; Irrigation data; Vegetation index; Normalized difference vegetation index (NDVI); Normalized difference water index (NDWI)

10.13930/j.cnki.cjea.170118

TP79; S127

A

1671-3990(2017)08-1216-08

* 黑龍江省自然科學基金項目(D201404)和黑龍江省普通高等學校新世紀優(yōu)秀人才培養(yǎng)計劃項目資助

**通訊作者:張新樂, 主要研究方向為生態(tài)遙感。E-mail: zhangxinle@gmail.com

劉煥軍, 主要研究方向為農(nóng)業(yè)遙感。E-mail: huanjunliu@yeah.net

2017-02-13 接受日期: 2017-03-30

* This study was supported by the Natural Science Foundation of Heilongjiang Province of China (D201404) and the Program for New Century Excellent Talents in Heilongjiang Provincial University, China.

, E-mail: zhangxinle@gmail.com

Feb. 13, 2017; accepted Mar. 30, 2017

劉煥軍, 孟令華, 邱政超, 張新樂, 殷繼先, 徐夢園, 于微, 謝雅慧. 棉花生長初期灌溉信息遙感提取與校正[J]. 中國生態(tài)農(nóng)業(yè)學報, 2017, 25(8): 1216-1223

Liu H J, Meng L H, Qiu Z C, Zhang X L, Yin J X, Xu M Y, Yu W, Xie Y H. Using remote sensing to extract and correct irrigation data during early cotton growth stage[J]. Chinese Journal of Eco-Agriculture, 2017, 25(8): 1216-1223