论文部分内容阅读
我国是农业大国,农业用水量大,农业水资源时空分布不均匀,且利用效率低下。水稻是我国的主要农作物,也是主要的灌溉作物,其生长发育过程中需要消耗大量的水资源。目前,随着水污染、水资源用量增加等水资源问题的加剧,增加水资源利用效率,降低水资源消耗显得十分重要。农业水资源问题是一个空间问题,水资源的规划、调配和评价等都是在空间尺度上进行的。从空间尺度上了解作物的耗水规律及水分生产率等对水资源的优化配置和评价等具有重要意义。但传统的作物耗水规律和水分生产率等研究以点试验为基础,地球表面是一个高度复杂的系统,一个尺度得到的规律很难直接应用到其他尺度,故点尺度得到的规律很难直接扩展到区域尺度。为突破点尺度试验的局限性,本文以遥感技术为手段,以黑龙江省绥化市和平灌区为研究对象,借鉴传统的作物耗水规律研究成果进行空间尺度的水稻耗水规律等研究。灌区等小区域尺度的作物耗水规律研究需要高时空分辨率的影像数据,但常用的影像数据时空分辨率之间存在不可调和的矛盾,时间分辨率较高的影像空间分辨率较低,反之依然。故融合生成高时空分辨率的影像数据对小区域的研究具有重要意义。考虑到常用多源遥感数据融合方法不能很好的捕获像元中间变化过程的问题,本文基于FCM提出了一种新的多源遥感数据时空融合方法。融合Landsat8 OLI和MOD09GA数据生成高时空分辨率的波段数据;提出了一种多源植被指数(Vegetation index,VI)数据融合方法,融合landsat8 OLI、MOD09GA和MOD13Q1数据生成高时空分辨率的VI。应用融合生成的增强植被指数(Enhanced vegetation index,EVI)及地面样点构建标准时序EVI曲线,基于光谱耦合技术提取灌区水稻的空间分布。应用地面样点和Google Earth影像两种方法对提取结果进行验证。应用融合生成的归一化植被指数(Normalized differential vegetation index,NDVI)和EVI数据基于常用拟合方程和人工神经网络中精度较高的方法反演生成高时空分辨率的叶面积指数(Leaf area index,LAI)数据,使得LAI覆盖水稻主要生长发育阶段。根据主要生育阶段的LAI和地面样点的产量之间的关系反演得到作物的产量。基于多源数据时空融合模型应用SEBAL模型反演得到日尺度的高空间分辨率蒸散量数据,求解得到作物主要生长发育阶段的蒸散量。基于Jensen模型、Blank模型、Stewart模型和Singh模型应用遥感手段获取的蒸散量和产量构建灌区尺度水稻水分生长函数。研究结果表明,因应用FCM和土地覆盖图进行了分层聚类,与增强的时空自适应反射率融合模型(ESTARFM)和遥感数据时空融合方法(STDFA)相比,FCMSTRFM和VISTRFM具有更高的精度。且当像元时空变化较剧烈时,FCMSTRFM更有应用优势。本文的数据融合模型融合生成的波段数据的R、RMSE、ERGAS和variance的均值分别为0.78807、0.0277、1.6623、0.01882。融合生成的VI数据的R、RMSE、ERGAS和AD的均值分别为0.9057、0.0674、1.9795、0.0045。该精度的数据可用于水稻研究。与地面样点相比较,LAI反演值与测定值的相关系数为0.7882,产量反演值与测定值的相关系数为0.6855。Google Earth和地面样点验证结果表明,水稻面积提取的精度分别为0.94和0.92。对于和平灌区,Jensen模型、Blank模型、Stewart模型和Singh模型4个模型中,最优的水分生长函数模型为Jensen模型。水稻6个生育阶段的水分敏感系数从大到小分别为:拔节孕穗期>抽穗开花期>分蘖中后期>分蘖前期>乳熟期>成熟期。