不同植被水分指数对小麦水分状况监测效果对比

doi:10.6046/gtzyyg.2010.03.20

摘要
参考文献
相关文章
Metrics

全文: PDF(696 KB)

HTML
输出: BibTeX | EndNote (RIS)

摘要

通过对比不同水分指数对冬小麦水分状况的监测效果，选择出不同时期的最优水分指数，为遥感监测作物水分提供理论依据。利用冬小麦一个完整生长季内不同时期的5次水分胁迫下光谱与水分状况实测数据，计算出NDVI、NDWI、GVMI（全球植被水分指数）、PWI（植被水分指数）及WI（水分指数）这5个常用水分指数的数值，并与EWT（等效水厚度）、FMC（相对水分含量）进行相关性分析。经过综合分析与比较，发现在小麦生长前期，FMC比EWT更适合反演水分状况，而小麦生长后期，则EWT比FMC更为适合。不同时期小麦水分监测的最优指数不同，而且随着小麦的生长，光谱指数对水分状况监测效果呈现先升后降的趋势。在实际应用中，应当根据小麦生长的不同时期，选择不同的指数来监测小麦的水分状况。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章

关键词 ：招远市, 遥感, 环境, ERDAS

Abstract：

Based on comparing the capabilities of different water indices in monitoring water status of wheat, the authors selected the best indices for different periods. Using the data of wheat spectra and water status observed in a whole growth season of wheat, the authors calculated five popular water indices, i.e., NDVI, NDWI, GVMI, PWI and WI, and conducted a correlation analysis between these indices and EWT (Equivalent Water Thickness) as well as FMC (Fuel Moisture Content). The Results show that, in the early period of wheat growth, FMC is better than EWT in reflecting water status of the wheat, whereas in the late period, EWT is more suitable. Different periods have different best water indices, and the correlation between indices and water status tends to experience an increase in early periods and decrease in later periods. In the application, therefore, we should choose different indices for different periods.

Key words： Zhao yuan city Remote sensing Environment ERDAS

收稿日期: 2009-10-23 出版日期: 2010-09-20

TP 79

基金资助:

国家863计划课题“国家统计遥感前沿技术研究与示范应用”（编号： 2006AA120108-2）资助。

通讯作者: 武建军(1971-)，男，副教授，主要从事灾害遥感监测与风险管理研究

作者简介: 王溥（1986-），男，学士，主要从事植被遥感与基础设施影响评估研究。

引用本文:

王溥, 武建军, 聂建亮, 孔凡明, 丁慧彦, 赵刘慧. 不同植被水分指数对小麦水分状况监测效果对比[J]. 国土资源遥感, 2010, 22(3): 97-100.
WANG Pu, WU Jian-Jun, NIE Jian-Liang, KONG Fan-Ming, DING Hui-Yan, ZHAO Liu-Hui. A Comparatively Study of the Capabilities of Different Vegetation Water
Indices in Monitoring Water Status of Wheat. REMOTE SENSING FOR LAND & RESOURCES, 2010, 22(3): 97-100.

链接本文:

https://www.gtzyyg.com/CN/10.6046/gtzyyg.2010.03.20 或 https://www.gtzyyg.com/CN/Y2010/V22/I3/97

［1］张佳华,郭文娟,姚凤海.植被水分遥感监测模型的研究［J］.应用基础与工程科学学报, 2007(1):45-53.

［2］冯先伟,陈曦,包安明,等.水分胁迫条件下棉花生理变化及其高光谱响应分析［J］.干旱区地理，2004(2):250-255.

［3］薛利红,罗卫红,曹卫星,等.作物水分和氮素光谱诊断研究进展［J］.遥感学报, 2003(1):73-80.

［4］徐希儒. 遥感物理［M］.北京:北京大学出版社, 2005.

［5］Rouse J W, Haas R H, Schell J A, et al. Monitoring Vegetation Systems in the Great Plains with ERTS［C］∥Proceedings of Third Earth Resources Technology Satellite-1 Symposium. Greenbelt , 1974 (351):310-317.

［6］Penuelas J, Filella, Biel C, et al. The Reflectance at the 950~970 nm Region as an Indicator of Plant Water Status［J］. International Journal of Remote Sensing, 1993, 14(10):1887-1905.

［7］Penuelas J. Estimation of Plant Water Concentration by the Reflectance Water Index WI (R900R970) ［J］. International Journal of Remote Sensing, 1997, 18:2869-2872.

［8］Gao. NDWI——A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water from Space［J］. Remote Sensing of Environment, 1996, 58:257-266.

［9］Ceccato P, Gobron N, Flasse S, et al. Designing a Spectral Index to Estimate Vegetation Water Content from Remote Sensing Data:Part 1.Theoretical Approach［J］. Remote Sensing of Environment, 2002, 82:188-197.

［10］田永超,曹卫星,姜东,等.不同水氮条件下水稻冠层反射光谱与植株含水率的定量关系［J］.植物生态学报,2005, 29（2）:318-323.

［11］Ceccato P，Gobron N，Flasse S, et al. Designing a Spectral Index to Estimate Vegetation Water Content from Remote Sensing Data:Part 2. Validation and Applications［J］.Remote Sensing of Environment,2002，82：198-207.

［12］田永超,朱艳,曹卫星,等.小麦冠层反射光谱与植株水分状况的关系［J］.应用生态学报,2004(11):2072-2076.

[1]	刘文, 王猛, 宋班, 余天彬, 黄细超, 江煜, 孙渝江. 基于光学遥感技术的冰崩隐患遥感调查及链式结构研究——以西藏自治区藏东南地区为例[J]. 自然资源遥感, 2022, 34(1): 265-276.
[2]	王茜, 任广利. 高光谱遥感异常信息在阿尔金索拉克地区铜金矿找矿工作中的应用[J]. 自然资源遥感, 2022, 34(1): 277-285.
[3]	吕品, 熊丽媛, 徐争强, 周学铖. 基于FME的矿山遥感监测矢量数据图属一致性检查方法[J]. 自然资源遥感, 2022, 34(1): 293-298.
[4]	张大明, 张学勇, 李璐, 刘华勇. 一种超像素上Parzen窗密度估计的遥感图像分割方法[J]. 自然资源遥感, 2022, 34(1): 53-60.
[5]	薛白, 王懿哲, 刘书含, 岳明宇, 王艺颖, 赵世湖. 基于孪生注意力网络的高分辨率遥感影像变化检测[J]. 自然资源遥感, 2022, 34(1): 61-66.
[6]	宋仁波, 朱瑜馨, 郭仁杰, 赵鹏飞, 赵珂馨, 朱洁, 陈颖. 基于多源数据集成的城市建筑物三维建模方法[J]. 自然资源遥感, 2022, 34(1): 93-105.
[7]	李伟光, 侯美亭. 植被遥感时间序列数据重建方法简述及示例分析[J]. 自然资源遥感, 2022, 34(1): 1-9.
[8]	丁波, 李伟, 胡克. 基于同期光学与微波遥感的茅尾海及其入海口水体悬浮物反演[J]. 自然资源遥感, 2022, 34(1): 10-17.
[9]	高琪, 王玉珍, 冯春晖, 马自强, 柳维扬, 彭杰, 季彦桢. 基于改进型光谱指数的荒漠土壤水分遥感反演[J]. 自然资源遥感, 2022, 34(1): 142-150.
[10]	伯英杰, 曾业隆, 李国庆, 曹兴文, 姚清秀. 浮岛光伏电场对地表温度空间分布特征的影响[J]. 自然资源遥感, 2022, 34(1): 158-168.
[11]	张秦瑞, 赵良军, 林国军, 万虹麟. 改进遥感生态指数的宜宾市三江汇合区生态环境评价[J]. 自然资源遥感, 2022, 34(1): 230-237.
[12]	贺鹏, 童立强, 郭兆成, 涂杰楠, 王根厚. 基于地形起伏度的冰湖溃决隐患研究——以希夏邦马峰东部为例[J]. 自然资源遥感, 2022, 34(1): 257-264.
[13]	于新莉, 宋妍, 杨淼, 黄磊, 张艳杰. 结合空间约束的卷积神经网络多模型多尺度船企场景识别[J]. 自然资源遥感, 2021, 33(4): 72-81.
[14]	李轶鲲, 杨洋, 杨树文, 王子浩. 耦合模糊C均值聚类和贝叶斯网络的遥感影像后验概率空间变化向量分析[J]. 自然资源遥感, 2021, 33(4): 82-88.
[15]	艾璐, 孙淑怡, 李书光, 马红章. 光学与SAR遥感协同反演土壤水分研究进展[J]. 自然资源遥感, 2021, 33(4): 10-18.

Viewed

Full text

Abstract

Cited

Shared

Discussed