基于遥感影像的作物长势模型数据库构建技术

摘要:利用不同尺度下遥感影像能够实时快速地获取农作物各个阶段生长发育状况,为区域农业的精细化管理提供决策支持｡以长江中下游水稻种植及生长条件为例,分析了不同尺度遥感影像的获取及处理方法,重点探讨作物生长模型化数据库的概念设计､逻辑设计及分布式存储等若干关键技术问题,进而实现农作物从播种到收获各个阶段的全程监测､预警及分析对比｡结果表明,该研究能在一定程度上提高遥感农业信息化管理水平和工作效率,促进农业遥感的纵深化发展｡

关键词:遥感影像;农业遥感;数据库;作物长势;水稻

中图分类号:S24;TP392文献标识码:A文章编号:0439-8114(2014)11-2653-04

Techniques for Contructing Crop Growth Model Database Based on

Remote Sensing Images

XIONG De-lan

(International School of Education, Xuchang University, Xuchang 461000, Henan, China)

Abstract: The crop growth status in various stages can be quickly and timely obtained by using the remote sensing images of different scales, which will provide decision support for fine management of regional agriculture. The rice planting and growing environment in the middle and lower reaches of Changjiang River was used to analyze, the acquisition and processing method of different scale remote sensing images. Several key technical problems of crop growth model database including conceptual design, logical design and distributed storage were focused on to realize the entire monitoring, warning and analyses from sowing to harvesting the agricultural crops. Results showed that the management level and work efficiency were improved for remote agricultural information to some exlent. Agricultural remote sensing was deepened.

Key words:remote sensing images; agricultural RS; database; crop growth; rice

基金项目:国家自然科学基金项目(U1304403);河南省科技攻关计划项目(112102210079);河南省高等学校青年骨干教师资助计划项目(2010GGJS-177);许昌学院科研基金项目(2014022)

随着遥感技术的迅速发展,不同尺度遥感影像数据在航空航天､灾害预报､环境监测､作物估产等诸多领域都得到广泛的应用｡利用遥感技术可以实现作物长势的全程监控,包括作物的苗情､生长状况､变化规律以及自然灾害等情况,也为农作物产量估测､灾害预警等其他研究提供了必要的前提,为农业政策的制定和粮食贸易提供了决策依据[1]｡因此,作物长势遥感监测成为目前农业遥感及农业信息化的重要研究内容｡

1农作物长势监测研究现状

美国早在20世纪70年代就开展了“大面积农作物估产实验(LACIE)”项目,主要监测美国､加拿大和前苏联的小麦产量,20世纪80年代又开展了“农业和资源的空间遥感调查(AGRISTTARS)”计划,并建立了全球级的农情监测运行系统[2]｡其后,欧盟所属的联合研究中心遥感应用研究所通过实施“遥感农业监测”项目(MARS计划)成功地建成了欧盟区的农作物估产系统[3]｡近年来,我国先后开展了小麦､玉米和水稻大面积遥感估产试验研究[4]｡中国科学院先后建立不同地区乃至国家级的农情监测系统;杨邦杰[5]曾利用作物的个体与群体定义作物长势,提出了基于植被指数与植被表面温度的长势模型｡这些研究主要集中大规模作物长势监测或者单株作物生长发育过程的模型化分析｡作物长势是一个时空变化的过程,提取不同尺度下作物的时空特征对作物长势分析和管理十分重要｡另一方面,由于影像分辨率､真实地况差异､相关算法效率､人工误差等诸多因素的存在,大面积作物长势分析､种植面积估算等研究具有很大的不确定性和不可靠性｡而近年来普及的遥感技术和WebGIS､云计算等新技术为上述问题的解决提供了便利[6]｡利用高､中､低等不同层次分辨率的遥感影像可以实现大到区域级､小到单株作物级别的监测和评估,为作物长势分析､产量估算及真实生长模型监控等提供必要的途径[7]｡

本研究综合利用遥感影像实现作物生长发育不同阶段的关键特征提取,并建立其生长模型数据库,实现农作物从播种到收获各阶段的过程模拟化和模型的数据化｡通过选取高､中分辨率遥感影像建立不同尺度级别作物的分析､对比､评估,可以满足一定区域内作物估产､作物长势分析､灾害预警等应用需要,实现遥感信息定性､定量､定位一体化快速处理,从而推动数字农业､精细化农业的快速发展｡

2作物长势模型化分析

2.1遥感影像分析

遥感影像是通过安装在遥感平台上的设备对目标物表面摄影或扫描获得的影像｡遥感影像具有多平台､多传感器､多波段､多比例尺､多时相等优点,能提供丰富的信息,其特征能够反映地理环境或目标物的质､量和动态信息[8]｡波谱特性､空间特性､时间特性是遥感影像的基本属性｡其中,波谱特性指物体发射､反射的电磁波强度,在遥感影像中通常表现为颜色､亮度､阴影等特征信息｡空间特性包括成像信息的空间分辨率和投影性质分析,涉及影像空间位置､空间布局以及地物的形状､纹理､图案等特征信息｡该特征为从形态学方面识别地物､绘制地图､目标解译以及对图像进行几何纠正､增强处理等提供了重要的依据｡时间特性是以一定的周期对地面重复成像,获取多时相遥感影像进行对比分析｡遥感影像的多时相性主要表现在地理环境的自然变换过程和地物的节律性变化｡由于不同时期太阳辐射､气候､植被等环境因素的变化,不同季节或日期的地物在同波段影像上色调存在差异｡

作物长势遥感监测是建立在绿色植物光谱理论基础上的｡同一种作物,由于光､温､水､土等条件的不同,其生长状况也不一样,在遥感影像上表现为光谱数据的差异嘲｡根据绿色植物对光谱的反射特性,判断作物的生长状况,从而进行长势的监测｡

2.2作物长势模型数据库

目前,农作物长势监测的方法主要包括直接检测方法､同期对比方法､诊断模型以及作物生长过程监测､生长模型方法等｡这些方法在一定条件下能够实现特定农作物的长势监测,但也都存在一定的局限性,比如物候差异问题､长势与最后产量预测脱节､缺乏定量监测等｡农作物长势模型数据库就是通过分析农作物生长发育各阶段的显著特点和不同阶段关注的核心问题,选取合适尺度的遥感影像并提取重要特征参数,建立长势模型数据库,并根据遥感监测结果进行动态更新,从而为作物长势分析､产量估测､灾害预定提供可靠的数据基础和高效的分析方法｡

作物长势模型数据库建设主要包括遥感影像选取､影像特征提取､数据存储､数据更新四个阶段｡首先,根据要监测的区域范围和作物种植节律选取合适的遥感影像｡比如跨省范围大面积区域性分析可以选择中低分辨率遥感影像,田块级别精细化识别需要选取高分辨率遥感影像,而东北地区和长江中下游地区的水稻种植节律不同,应选取不同时间段的遥感影像｡其次是图像特征提取,主要提取遥感图像中波谱､色彩､亮度､纹理､形状､空间关系等特征信息,并在此基础上计算作物特定生长期的特征参数､遥感指数｡然后,将这些信息处理并编码,作为农作物长势模板按照一定的索引存入数据库｡最后,根据需要读取数据库的信息并以一定的视图形式呈现给用户,也可以重新选取更合适的遥感影像进行上述操作并更新数据｡

3数据库设计

3.1概念结构设计

数据库概念结构设计是对需求信息进行综合､归纳,抽象为特定的概念模型｡常用的概念模型是实体-联系模型(E-R模型),该模型能真实､有效地反映现实世界需求,便于不同用户的理解和交流｡作物长势模板数据库主要包含处理后的遥感图像和分析提取的影像特征集两类数据｡遥感图像就是遥感影像数据预处理后得到图像,可以使用统一的编号对其进行编码,图像特征也是通过该编码实现不同特征集合和遥感影像的关联[9]｡图像特征包括遥感影像波谱特征､空间特征､时间特征等,在此基础上,根据特定作物的生长发育特点和领域专家先验性知识,采用一定方法计算并记录相关的遥感指数和作物特征参数｡

根据上述分析,抽取出遥感影像(RSImage)､波谱特征(SpectrumFeature)､空间特征(SpatialFeature)､时间特征(TemporalFeature)､遥感指数(RSIndex)､作物参数(CropParameter)等实体,各实体之间关系如图1所示｡

其中,RSImage记录遥感图像基本信息,包括影像编号､类型､分辨率､波段范围､文件大小､行数､列数､文件块号､地理位置､影像描述等属性｡SpectrumInfo记录遥感图像中不同地物反射､发射电磁波的强度分布,主要包括波谱编号､波长､反射率以及影像中地物名称､采样点､亮度等属性｡SpatialInfo记录遥感影像的空间特征,主要包括地理名称､经纬度范围､拓扑形状等｡TemporalInfo记录图像时间特征,包括成像时间､当天云量､温度等信息｡RSIndex反映了作物的生长状况,常用的遥感指数有归一化植被指数､叶面积指数､温度条件指数等｡CropParameter反映了该遥感影像对应的作物实际种植时间､种植面积,领域专家预计的拔节､抽穗､成熟时间及相关评价参数｡

3.2逻辑结构设计

数据库逻辑结构设计是按照某种数据库管理系统,使用特定数据模型对概念结构设计结果进行转换｡为保证遥感影像数据及不同类型特征信息的统一管理,满足不同类型用户的应用需求,研究中选取通用的关系型数据库管理系统SQL Server进行设计[10]｡因此,数据的逻辑模型使用关系表来描述,数据库中主要数据表名称及其结构如图2所示｡

3.3数据库索引及存储

由于遥感图像本身数据量大,读取速度慢,因此在存储遥感图像时一般考虑分块和索引策略｡分块是按照一定的算法将图像分成一定大小的文件块,分别进行存储,当对图像局部进行操作时可以单独读取指定的文件块[11]｡为提高检索效率和处理速度,一般对文件块按一定顺序编码并建立索引｡

由于遥感影像数据量大,读取速度慢,在数据库中以快视图形式存放其缩略图,供用户快速查看｡原始影像以数据块的形式分别存放,不同影像块之间以文件索引形式进行关联｡根据内存空间大小的不同,数据块的大小可以适当调整,一般取2k大小[12]｡

遥感影像特征信息和农作物生长状况相关特征主要通过影像编码RSIid和作物名称(CropName)及作物阶段(StageName)等建立关联,通过遥感影像基本特征信息可以计算出作物生长发育状况的主要遥感指数,结合领域专业的先验知识,可以对作物长势进行定量评价｡

4水稻长势模型数据库

4.1水稻生长发育过程

水稻是主要粮食作物,种植面积广,生长周期较长｡我国水稻种植主要有东北早熟单季稻区､华北单季稻区､华中单双季稻区､华南双季稻区､西北干燥区｡水稻的生长发育可以分为幼苗期､分蘖期､发育期､结实期四个阶段,各阶段又可以细分为若干个子阶段,生长周期在100~180 d｡例如,结实期是指稻穗开花后到谷粒成熟的时期,又可分为乳熟期､蜡熟期和完熟期,为25~30 d｡该阶段的主要特点是长茎长穗､开花､结实,形成和充实子粒,也是确定水稻长势､夺取高产的主要阶段｡该阶段的栽培尤其要重视肥､水､气的协调,延长根系和叶片的功能期,提高物质积累转化率,达到穗数足､穗型大､千粒重和结实率高｡

4.2遥感数据

根据长江中下游水稻生长周期特点,可以选取育苗期､秧苗期､返青期､分蘖期､孕穗期､扬花期､结实期､收割期等不同阶段的具体时间选取合适的遥感影像｡仅对同一地区不同年份抽穗期生长状况进行研究｡所选取的区域是长江中下游水稻主产区遥感影像,所选用的影像为2010年8月2日和2011年8月5日Landsat 7 ETM影像,影像跨越范围为东经115°73′-118°11′,北纬29°63′-31°24′,对应实际地理区域为安徽省安庆市大观区安徽长江中下游地区湿地｡数据从中国科学院网络信息中心地理空间数据云服务平台下载[13]｡

4.3水稻长势遥感监测

根据图2所示的作物长势模型数据库表结构,提取遥感影像元数据建立遥感影像数据基本信息表RSImage､光谱信息表SpectrumInfo､空间信息表SpatialInfo等｡其中,遥感指数数据表RSIndex需要对不同波段影像数据值计算后提取｡本研究中主要选用了国内外同行在作物长势分析中通常采用的归一化植被指数(NDVI)､叶面积指数(LAI)､温度条件指数(TCI)等[14]｡其中NDVI被定义为近红外波段(NIR)与可见光红波段(RED)数值之差和这两个波段数值之和的比值,即NDVI=(NIR-RED)/(NIR+RED)｡

NDVI与植被覆盖度关系密切,能部分地补偿照明条件､地面坡度以及卫星观测方向的变化所引起的影响｡对两年同一时间段该地区遥感影像中连续区域提取NDVI指数,结果如图3所示｡

试验发现,不同长势的作物其NDVI大小不同｡一般植株越高､群体越大､叶面积系数越大的作物,其NDVI较大,这表明该区域苗情长势越好｡同时,NDVI对土壤背景的变化比较敏感,当植被覆盖度小于15%时,植被的NDVI略大于裸土;当植被覆盖度为25%~80%时,NDVI随植被覆盖度的增加呈近于线性的增长;当植被覆盖度大于80%时,其灵敏度下降｡但长势与NDVI的关系也是相对的,只有针对某一时相进行同等条件下的空间对比才有意义,而各时相间NDVI的变化则反映了苗情长势的动态变化｡因此,NDVI等级是作物群体生物量､叶面积､植株受害程度等的综合反映｡

5小结

农业生产是人类社会最基本和最重要的生产活动之一,是人类社会生存和发展的基本条件｡农作物长势监测能够提供全面､客观､精准的基础数据,实时动态地了解作物生长状况,确保作物丰收增产,从而保证国家的粮食安全｡本研究提出利用高､中､低分辨率遥感影像建立区域性作物生长发育的模型化数据库,结合已有农业数据和历年遥感影像历史数据实现对当前作物种植､长势､估产等若干问题的监控和管理,为农业信息化的实现提供了很好的参考｡随着遥感技术的发展,大量厘米级的高分辨率遥感影像不断出现并快速更新,可以实现对田块级别､单株级别作物长势状况进行分析,从而为精细化农业发展提供了必要的基础｡

参考文献:

[1] 李小文.遥感原理与应用[M].北京:科学出版社,2008.

[2] 吴素霞,毛任钊,李红军,等. 中国农作物长势遥感监测研究综述[J].中国农学通报,2005,21(3):319-322,345.

[3] 邢素丽,张广录.我国农业遥感的应用现状与展望[J].农业工程学报,2003,19(6):174-178.

[4] 吴炳方.全国农情监测与估产的运行化遥感方法[J].地理学报,2000,55(1):25-35.

[5] 杨邦杰.农作物长势的定义与遥感监测[J].农业工程学报,1999,15(3):214-218.

[6] 张立国,吴超,时广毅. 基于云计算和WebGIS的农业信息服务系统构建[J].湖北农业科学,2013,52(5):1161-1163.

[7] 辛景峰.基于3S技术与生长模型的作物长势监测与估产方法研究[D].北京:中国农业大学,2001.

[8] 陈圣波,孟治国,湛邵斌,等.遥感影像信息库[M].北京:科学出版社,2011.

[9] 秦凯,赵英俊.特定目标影像数据库系统设计与实现[J].世界核地质科学,2010,27(3):155-158.

[10] 方涛,李德仁,龚健雅,等.GeoImageDB多分辨率无缝影像数据库系统的开发与实现[J].武汉测绘科技大学学报,1999, 24(3):312-322.

[11] 杜根远.海量遥感图像内容检索关键技术研究[D].成都: 成都理工大学, 2011.

[12] 熊德兰,杜根远.遥感影像模板数据库设计与实现[J].现代计算机,2012,10(1):62-64.

[13] 中国科学院计算机网络信息中心.地理空间数据云[DB/OL].http://www.gscloud.cn/.

[14] 苏荣瑞,周守华,耿一风,等. 江汉平原水稻关键生育期冠层温度环境响应模型研究[J].湖北农业科学,2010,49(11):2673-2677.

5小结

农业生产是人类社会最基本和最重要的生产活动之一,是人类社会生存和发展的基本条件｡农作物长势监测能够提供全面､客观､精准的基础数据,实时动态地了解作物生长状况,确保作物丰收增产,从而保证国家的粮食安全｡本研究提出利用高､中､低分辨率遥感影像建立区域性作物生长发育的模型化数据库,结合已有农业数据和历年遥感影像历史数据实现对当前作物种植､长势､估产等若干问题的监控和管理,为农业信息化的实现提供了很好的参考｡随着遥感技术的发展,大量厘米级的高分辨率遥感影像不断出现并快速更新,可以实现对田块级别､单株级别作物长势状况进行分析,从而为精细化农业发展提供了必要的基础｡

参考文献:

[1] 李小文.遥感原理与应用[M].北京:科学出版社,2008.

[2] 吴素霞,毛任钊,李红军,等. 中国农作物长势遥感监测研究综述[J].中国农学通报,2005,21(3):319-322,345.

[3] 邢素丽,张广录.我国农业遥感的应用现状与展望[J].农业工程学报,2003,19(6):174-178.

[4] 吴炳方.全国农情监测与估产的运行化遥感方法[J].地理学报,2000,55(1):25-35.

[5] 杨邦杰.农作物长势的定义与遥感监测[J].农业工程学报,1999,15(3):214-218.

[6] 张立国,吴超,时广毅. 基于云计算和WebGIS的农业信息服务系统构建[J].湖北农业科学,2013,52(5):1161-1163.

[7] 辛景峰.基于3S技术与生长模型的作物长势监测与估产方法研究[D].北京:中国农业大学,2001.

[8] 陈圣波,孟治国,湛邵斌,等.遥感影像信息库[M].北京:科学出版社,2011.

[9] 秦凯,赵英俊.特定目标影像数据库系统设计与实现[J].世界核地质科学,2010,27(3):155-158.

[10] 方涛,李德仁,龚健雅,等.GeoImageDB多分辨率无缝影像数据库系统的开发与实现[J].武汉测绘科技大学学报,1999, 24(3):312-322.

[11] 杜根远.海量遥感图像内容检索关键技术研究[D].成都: 成都理工大学, 2011.

[12] 熊德兰,杜根远.遥感影像模板数据库设计与实现[J].现代计算机,2012,10(1):62-64.

[13] 中国科学院计算机网络信息中心.地理空间数据云[DB/OL].http://www.gscloud.cn/.

[14] 苏荣瑞,周守华,耿一风,等. 江汉平原水稻关键生育期冠层温度环境响应模型研究[J].湖北农业科学,2010,49(11):2673-2677.

5小结

农业生产是人类社会最基本和最重要的生产活动之一,是人类社会生存和发展的基本条件｡农作物长势监测能够提供全面､客观､精准的基础数据,实时动态地了解作物生长状况,确保作物丰收增产,从而保证国家的粮食安全｡本研究提出利用高､中､低分辨率遥感影像建立区域性作物生长发育的模型化数据库,结合已有农业数据和历年遥感影像历史数据实现对当前作物种植､长势､估产等若干问题的监控和管理,为农业信息化的实现提供了很好的参考｡随着遥感技术的发展,大量厘米级的高分辨率遥感影像不断出现并快速更新,可以实现对田块级别､单株级别作物长势状况进行分析,从而为精细化农业发展提供了必要的基础｡

参考文献:

[1] 李小文.遥感原理与应用[M].北京:科学出版社,2008.

[2] 吴素霞,毛任钊,李红军,等. 中国农作物长势遥感监测研究综述[J].中国农学通报,2005,21(3):319-322,345.

[3] 邢素丽,张广录.我国农业遥感的应用现状与展望[J].农业工程学报,2003,19(6):174-178.

[4] 吴炳方.全国农情监测与估产的运行化遥感方法[J].地理学报,2000,55(1):25-35.

[5] 杨邦杰.农作物长势的定义与遥感监测[J].农业工程学报,1999,15(3):214-218.

[6] 张立国,吴超,时广毅. 基于云计算和WebGIS的农业信息服务系统构建[J].湖北农业科学,2013,52(5):1161-1163.

[7] 辛景峰.基于3S技术与生长模型的作物长势监测与估产方法研究[D].北京:中国农业大学,2001.

[8] 陈圣波,孟治国,湛邵斌,等.遥感影像信息库[M].北京:科学出版社,2011.

[9] 秦凯,赵英俊.特定目标影像数据库系统设计与实现[J].世界核地质科学,2010,27(3):155-158.

[10] 方涛,李德仁,龚健雅,等.GeoImageDB多分辨率无缝影像数据库系统的开发与实现[J].武汉测绘科技大学学报,1999, 24(3):312-322.

[11] 杜根远.海量遥感图像内容检索关键技术研究[D].成都: 成都理工大学, 2011.

[12] 熊德兰,杜根远.遥感影像模板数据库设计与实现[J].现代计算机,2012,10(1):62-64.

[13] 中国科学院计算机网络信息中心.地理空间数据云[DB/OL].http://www.gscloud.cn/.

[14] 苏荣瑞,周守华,耿一风,等. 江汉平原水稻关键生育期冠层温度环境响应模型研究[J].湖北农业科学,2010,49(11):2673-2677.