13遥感和生态过程模型方法结合.ppt

AVHRR资料的应用 AVHRR资料的应用主要有两个方面： 一方面是大尺度区域（包括国家、洲乃至全球）调查，这方面的应用，气象卫星遥感具有其他遥感所无法相比的优势。目前已经开展过的工作包括美国本土的土地覆盖调查、非洲的土地覆盖调查、南美土地覆盖调查、以及全球的土地覆盖调查等，应用的方法一般是采用多时相分类的方法对1km空间分辨率的。 AVHRR数据或更低空间分辨率的GAC或GVI数据进行分类；另一方面是中小尺度区域的调查，这方面的应用主要是由于目前高空间分辨率遥感数据的获取比较困难，遥感调查的实时性较差，利用AVHRR数据来获得宏观的、实时的、能达到一定精度的地面信息。应用的方法通常是针对AVHRR数据空间分辨率低的缺陷，采用混合像元分解技术对AVHRR数据进行分类。  AVHRR指数 AVHRR数据采用经验回归方法建立作物产量与地面反射率或反射率组合之间的关系。 NDVI的派生系数可能不会普遍适用于所有栽培作物、所有作物生长期、所有环境以及所有种植技术。 利用VCI和TCI结合的AVHRR植被指数可以比较好地预测作物产量。 光谱气象模型，跨越地区或气候带估计小麦产量。验证结果显示除了NDVI外，在回归产量模型中引入月降雨量会使模型明显改进。 基于AVHRR的作物估产在精度方面还不能和NASS现有的美国农作物产量数据调查系统相比。 生理学模型 通过遥感估计作物吸收的PAR。作物生长是PAR（APAR）积累的结果，地上总的生物量与每天APAR的积分相关，又与光化学、光拦截、胁迫因素有关，其中胁迫因子包括了对营养缺乏、温度、水的胁迫响应。 获取生长季节的APAR是比较困难的，研究发现在六月底七月初APAR与最终的甜菜产量有很大相关性。 冠层吸收光合有效辐射（APAR） 农作物生长机理模型 农作物生长模型有比较广的适用性，如灌溉管理、肥料管理、害虫管理、土地利用管理、作物耕种、气候变化预测以及估产。 传统意义上的作物模拟模型是基于点的模型，它只是一个有限空间而不是一个区域来预测一种植物生长和发育。作物模拟模型的大多数输入数据也是基于点的，如一个气象台的天气数据，一个垂直剖面获取的土壤信息。对小地块来说确定模型参数相对容易，大尺度地块时就存在很多问题了。 遥感在确定作物模拟模型所必需的各种输入参数和初始条件方面起到关键作用。 TM影像中反演得到LAI，然后利用反演得到LAI来估计生长过程的初始LAI值，决定了冠层特征和产量。 作物状态数据反演和评估（CCDRE）系统 CCDRE包括几种作物模型和处理农业气象输入数据的数据简化算法： 作物日模型，基于度-日（或者热量单位）来模拟作物生长。 作物胁迫模型，包括土壤湿度，作物生长期，以及对可能影响产量的异常温度和水分胁迫进行预警的灾害评估算法。 几种不同的作物减产模型 CCDRE生产了很多农业气象参数和其他信息，包括小麦和玉米生长期和胁迫状况，小麦、玉米、大豆的相对减产情况，植被指数异常。 采用CCDRE输出的农业气象数据集以及其他高分辨率卫星影像、相关作物报告、国内资源、在线服务以及个人知识在每个月的12日之前估算本国作物产量。 农作物生长监测系统（CGMS） 运用土壤和气象条件数据来模拟农作物的生长过程，应用于10种不同的农作物，基于这一系统可以定期监测农作物10天的产量及月报告： 气象条件指标报告 农作物状态指标报告，包括生育期、土壤湿度指标、总生物量以及农作物在缺水或者水分充足下累积的有机生物量。 日常气象数据的处理，对缺失数据的替换；反演参数的计算，太阳辐射通量、水气压和潜在蒸腾作用。 对于主要一年生农作物进行基于农业气候学的作物生长模拟。 结合历史产量数据中得出的技术性的时间趋势函数，通过回归分析模拟产量。 农作物生长监测系统（CGMS） 生物量和谷物产量－估计实际的土壤湿度，比较与前一个时期的差异，及在给定时期内农作物的生长状态。 预警－从一个生长期开始所积累的反常气候条件的监测。 产量预测表－反映回归方程的信息，例如具有复测定系数，回归系数的稳定性和根据以前年度的情况对第二年的产量进行预测所发生的误差。 炭循环研究 全球炭循环主要涉及地球系统的三个部分：大气、海洋和陆地。 两种方法监测地表炭在三个“碳汇”（大气、植物和土壤）分布变化情况。 “自下而上法”：先选取一小块陆地来说明生态系统和大气之间碳交换的不同路径，然后按比例扩大到更大的区域。 “自上而下法”：先测量出大气中气体浓度的变化，然后估算净交换的空间分布和数量。 炭循环研究 “自下而上”法 依靠生态系统过程模型和空间数据集，在局地尺度建立模型并利用传统测量方法验证，根据模型反演参数的变化，卫星观测也经常提供很多空间分布和实时信息。 NPP是指通过光合作用净增长的生物量，也是活植物体净碳吸收率的一个量化参数，可以衡量