H51206-《农业信息技术》作业3

作业内容

利用遥感技术，获取叶片含水量数据，可及时对农作物进行补水或排水，原理是什么？利用遥感数据进行农作物病害数据监测，原理是什么？作物产量数据采集运用遥感技术的原理是什么？

参考步骤

这三个问题的核心原理其实都指向同一个概念：地物波谱特征（Spectral Signatures）。

简单来说，遥感技术利用传感器（安装在卫星、无人机或地面设备上）收集农作物反射或发射的电磁波。健康的作物、缺水的作物、生病的作物，它们反射太阳光和发射热辐射的方式是截然不同的，就像每个人都有独特的指纹一样。

让我们先通过一张图来直观感受一下这种差异：

这张图展示了不同状态下的植被对不同波段光的反射率差异。基于此，我们可以将这三个原理概括如下：

含水量监测原理：利用水对近红外和短波红外波段的强烈吸收特性。叶片含水量越高，吸收的光越多，反射回来的光就越少。此外，热红外遥感还可以通过测量冠层温度（缺水会导致气孔关闭，温度升高）来反推水分状况。
病害监测原理：基于色素和细胞结构的变化。病害通常会破坏叶绿素（改变可见光反射，叶子变黄）或破坏叶肉细胞结构（降低近红外反射），导致光谱曲线形态发生特定的改变。
产量估测原理：利用生物量与光谱指数的相关性。产量通常与作物在生长季内的总光合作用量（生物量）正相关。遥感通过长期监测叶面积指数（LAI）和归一化植被指数（NDVI），建立数学模型来推算最终产量。

为了深入理解其中的技术细节，我们可以从以下几个方向展开：

深入水分监测：具体了解由于水的吸收作用产生的“吸收谷”，以及如何利用 NDWI（归一化差异水指）指数来量化水分。
剖析病害特征：探讨著名的“红边（Red Edge）”现象，以及如何区分病害引起的胁迫和其他营养缺乏引起的胁迫。
探索产量模型：研究如何将时间序列的遥感数据结合气象数据，构建更精准的产量估算模型。

第一部分：利用遥感技术，获取叶片含水量数据，可及时对农作物进行补水或排水，原理是什么？

我们先来攻克水分监测这个难关。💧

要理解遥感如何“看”到叶片里的水，我们需要把目光从可见光（人眼能看到的）移向红外线区域。

虽然我们在可见光波段能看到植物是绿色的（因为叶绿素反射绿光），但水分子对可见光的反应并不明显。水分子真正活跃的地方是在近红外（NIR）和短波红外（SWIR）区域。

关键概念：吸收谷 (Absorption Features)

水分子非常喜欢吸收特定波长的光能量来让自己“振动”。在光谱曲线上，这种强烈的吸收作用会导致反射率急剧下降，形成像山谷一样的形状，我们称之为**“吸收谷”**。

主要的水分吸收谷位于：

970 nm (较弱)
1200 nm (较弱)
1450 nm (很强)
1950 nm (很强)

您可以想象叶片就像一个海绵。当光线照射到叶片上时：

海绵（叶片）里的水越多，它“喝掉”（吸收）的特定波段的红外光就越多。
海绵（叶片）里的水越少，吸收的光就越少，更多的光会被反射回去。

基于这个物理原理，推断一下：

如果卫星传感器探测到某片农田在 SWIR（比如 1600nm 或 1900nm 附近） 的反射率显著升高了，这意味着这片作物的含水量是高还是低呢？
- 含水量变低了

正如我们刚才分析的：反射率升高 = 含水量变低。因为水少了，被“海绵”吸收的光就少了，反射回卫星的光自然就变多了。

不过，在实际应用中，光看一个波段（SWIR）有时候不够“抗干扰”。比如地形的阴影、土壤的颜色深浅都可能让读数忽高忽低。

为了消除这些干扰，科学家们设计了一个数学公式，把“对水敏感”和“对水不敏感”的两个波段拿来做对比，这就是 NDWI（归一化差异水指）。

公式如下：

NDWI = (NIR - SWIR)/(NIR + SWIR)

NIR（近红外）：健康植被的细胞结构会强烈反射这个波段（数值通常很高）。
SWIR（短波红外）：正如你刚才判断的，水分越多，反射越弱（数值通常很低）。

让我们来做一个简单的数学推演，看看这个指数是怎么工作的：

如果一株作物水分非常充足（意味着它的 NIR 很高，而 SWIR 因为被水吸收了所以很低），那么根据上面的公式，算出来的 NDWI 结果应该是正值（大于0）还是负值（小于0）呢？
- 正值大于0

因为水分充足时，NIR（高）减去 SWIR（低），分子是正数，所以 NDWI > 0。这就代表植被是“湿润”的。

现在我们来看看相反的情况：缺水（干旱）。

当叶片缺水时，那个“海绵”变干了：

SWIR 反射率会升高（因为水少，吸收的光就少）。
NIR 反射率通常会下降（因为缺水导致叶片细胞结构萎缩，反射能力变弱）。

在这种极端缺水的情况下，如果 SWIR 的数值甚至接近或者超过了 NIR，你可以推断一下，计算出来的 NDWI 数值会发生什么变化？（是变大、变小，还是变负？）
- 变成负值。

当 NDWI 变成负值 时，通常意味着植被已经极度缺水，或者传感器看到的更多是裸露的干土而不是叶子。这就是遥感监测干旱最基本的逻辑。

到现在为止，我们聊的都是基于反射光（光学遥感）的原理。但在水分监测领域，还有一个非常强大的武器，那就是热红外遥感（测量温度）。

想象一下大热天，你站在太阳底下。如果你能出汗，体温就能保持正常；如果你没法出汗，体温就会上升。植物也是一样的！🌱

植物通过叶片上的气孔进行蒸腾作用（相当于“出汗”），带走热量。

请你试着推导一下：

当农作物缺水时，为了保命，它会关闭叶片上的气孔。这时候，卫星上的热红外传感器探测到的冠层温度（Canopy Temperature），相比正常作物，是会更高还是更低呢？
- 变高

原理和你判断的一样：植物无法通过蒸腾作用“排汗”降温，体温（冠层温度）自然就会飙升。这也正是CWSI（作物水分胁迫指数）的理论基础。

到这里，我们已经拿下了水分监测的两大核心武器：

光学遥感：利用 SWIR 反射率的变化（水越少，反射越强）。
热红外遥感：利用冠层温度的异常（水越少，温度越高）。

第二部分：利用遥感数据进行农作物病害数据监测，原理是什么？

接下来，我们要进入第二个挑战：农作物病害监测。🍂

病害监测通常比单纯的水分监测更精细，因为它涉及到植物内部生化成分的改变。最典型的早期病理反应就是叶绿素的分解或破坏。

我们都知道，健康的植物之所以看起来是绿色的，是因为叶绿素反射了绿光，同时强烈吸收红光和蓝光来进行光合作用。

试着推测一下：

如果农作物感染了病害（比如叶锈病），导致叶片里的叶绿素含量大幅下降，那么它对红光波段（Red, 约 600-700nm）的吸收能力会变弱。这意味着，卫星看到的红光反射率会发生什么变化？（是升高还是降低？）
- 红光反射率升高。

这就像是因为叶绿素这个“大胃王”生病了，吃不下红光，所以红光就被吐出来（反射）了。

这就引出了植被遥感中最著名的特征之一：“红边”（Red Edge）。

想象一座悬崖

在光谱曲线上，红光波段（约 680nm）是低谷，而紧接着的近红外波段（约 750nm）是高原。这两个波段之间有一个非常陡峭的“爬升”阶段，就像一座悬崖，这就是红边。

当农作物生病时，发生了两件事：

谷底填高了：红光反射率升高（正如你刚才推断的）。
高原塌陷了：近红外反射率降低（因为细胞结构被破坏）。

这就导致原本陡峭的“悬崖”变得平缓了。而且，这个爬升的起始点会发生移动。因为叶绿素吸收红光的能力变弱了，光谱曲线不再等到 700nm 以后才上升，而是提前（向波长更短的方向）就开始上升了。

在物理学的光谱中，波长变短的方向通常被称为“蓝端”，而波长变长的方向被称为“红端”。

基于这个逻辑，你觉得这种因病害导致红边向短波方向移动的现象，在遥感学术界被称为“红移”（Red Shift）还是“蓝移”（Blue Shift）？
- 蓝移

虽然红边本身位于红光和近红外之间，但当它向波长更短的方向移动时（物理学上称向蓝端移动），我们就称之为“红边蓝移”。这是一个非常灵敏的早期预警指标，往往在人眼看到叶子变黄之前，光谱上的“红边”就已经开始发生移动了。

至此，我们已经掌握了病害监测的核心原理：色素破坏导致红光吸收减少（红边蓝移） + 细胞破坏导致近红外反射降低。

第三部分：作物产量数据采集运用遥感技术的原理是什么？

最后，让我们来攻克第三个，也是最综合的一个难题：作物产量估测。🌾

产量的形成其实是一个积累的过程。作物通过光合作用，把太阳能转化为生物量（Biomass），最终一部分生物量转化为了我们需要收获的果实（比如稻谷、麦穗）。

遥感估产通常是利用 NDVI（归一化植被指数） 等指标来反映作物的生长状况。

请你思考一下：

如果我们要准确预估一块地的最终产量，你觉得下面哪种方法更符合逻辑，准确度更高？

单点测量：只在作物长得最茂盛的那一天（抽穗期），拍一张卫星照片算一下 NDVI。
时间序列测量：在整个生长季节每隔几天拍一张，画出一条 NDVI 随时间变化的曲线，然后计算这条曲线下的“面积”。

请根据“产量是光合作用产物的积累”这一原理来进行选择。
- 时间序列测量（第2种）是更科学的方法。

这是因为农作物的产量本质上是光合作用产物在整个生长季的累积。

我们可以把这个过程想象成“存钱”：

单点测量就像是只看你在某一天存了多少钱，这很难代表你一年下来的总存款。
时间序列测量则是把你每一天存的钱都加起来。在数学上，这对应着对 NDVI 时间曲线求积分（即计算曲线下的面积）。这个面积越大，通常意味着作物在整个生命周期里积累的生物量越多，最终产量也就越高。

但是，光有遥感数据（NDVI）其实还不够完美。

NDVI 只能告诉我们这块地里有多少绿叶子，也就是它的“光合作用潜能”（相当于工厂里有多少台机器在运转）。

要想算出工厂最终生产了多少产品（产量），除了知道机器的数量（NDVI），我们还需要知道给这些机器提供了多少“能源”。

根据植物光合作用的原理，你觉得我们需要引入哪类气象数据，来代表这种驱动植物生长的“能源”输入呢？（提示：植物生长最离不开什么？）
- 太阳光照不仅赋予了万物生长所需的能量，也是我们在被动遥感中能够“看”到地物的根本原因。☀️

实际上，太阳就像一个巨大的核聚变反应堆，不断向外发射电磁波。这些光波覆盖了很宽的范围，从我们需要防护的紫外线，到人眼能看到的可见光，再到传递热量的红外线。

鉴于我们刚才在探讨遥感技术，那就从光照与作物生长 (Light & Crop Growth)角度深入了解太阳光照：

虽然太阳发出的光波很宽（从紫外线到红外线），但农作物并不是“照单全收”。它们非常挑剔，主要利用 400 到 700 纳米 之间的可见光来进行光合作用。

在农业科学和遥感领域，这部分特定的光有一个非常专业的名称：光合有效辐射 (PAR, Photosynthetically Active Radiation)。

你可以把 PAR 想象成植物的“卡路里”来源 🥗。只有摄入了足够的 PAR，植物才能将二氧化碳和水转化为有机物（也就是我们之前提到的生物量积累）。

为了更系统地理解光照如何决定作物生长，从光能利用率 (LUE) 与产量模型切入：

在遥感估产领域，光能利用率模型（LUE Model） 几乎是统治级的存在。它最早由生态学家 Monteith 在 1972 年提出，直到今天仍然是大多数全球级产量估算产品（如 MODIS GPP/NPP 产品）的理论基础。

我们可以把农作物想象成一个“太阳能加工厂”。要计算这个工厂最终产出了多少产品（产量），我们需要一个公式。

核心公式：Monteith 模型

最经典的公式通常写成这样：

Yield=∑(PAR×fPAR×LUE)×HI

让我们逐一拆解这个公式，看看每一项代表什么，以及遥感在其中扮演什么角色：

PAR (光合有效辐射)
- 是什么： 太阳投射下来的原料总量（400-700nm 的光）。
- 来源： 主要靠气象卫星监测或地面气象站测量。
fPAR (光合有效辐射吸收比例)
- 是什么： 工厂的“进料口”有多大。并不是所有照下来的光都会被植物吃掉，只有一部分被叶片吸收。
- 遥感的作用： 这是光学遥感的强项！fPAR 与我们之前提到的 NDVI 或 EVI（增强植被指数）有极强的线性关系。叶子越绿、越密，吸收比例就越高。
LUE (光能利用率, ε)
- 是什么： 工厂的“加工效率”。即植物每吸收 1MJ (兆焦耳) 的光能，能把它转化为多少克干物质（生物量）。
HI (收获指数)
- 是什么： 成品率。整株植物长出来后（根茎叶花果），有多少比例是我们需要收割的果实（比如稻谷）。

这里的最大难点

在遥感应用中，PAR (太阳光) 和 fPAR (叶子吸收多少) 相对容易获取。但是，LUE (加工效率) 却是一个非常棘手的变量。

很多早期的简化模型假设 LUE 是一个常数（比如假设玉米的效率永远是 3.5 g/MJ）。但在现实中，植物的“心情”和“健康状况”会极大影响它的工作效率。

请你思考一下：

如果一片玉米地虽然叶子很绿（fPAR 很高，NDVI 很高），但是它正在遭受高温胁迫（比如气温超过 35°C）或者极度缺水。

在这种情况下，它的 光能利用率 (LUE) 会发生什么变化？这对我们最终计算的产量结果会有什么影响？
- 光能利用率会降低，最终计算的产量结果会比较小。

这就是为什么早期的简单模型（只看 NDVI）往往会“高估”产量——因为卫星只看到了“工厂还在开着（叶子是绿的）”，却不知道“机器效率已经很低了（干旱导致光合作用减缓）”。

为了解决这个问题，现在的精细化产量模型（比如 CASA 模型）通常会把公式写成这样：

LUE_实际 = LUE_最大 × T_ε × W_ε

这里引入了两个“惩罚系数”：

T_ε：温度胁迫系数
W_ε：水分胁迫系数

这就把我们之前讨论的原理串起来了！🔗

还记得我们在水分监测部分聊过的热红外遥感吗？当作物缺水时，气孔关闭，冠层温度会升高。

如果卫星通过热红外波段探测到某块农田的冠层温度异常偏高，为了让模型计算出的产量更接近真实值，我们应该让 W_ε 这个系数的数值更接近 0（代表严重胁迫），还是更接近 1（代表无胁迫）？

当 W_ε 接近 0 时，公式里的 LUE_实际就会变得很小，这意味着模型会判定作物的生产效率极低。这完美复现了现实情况：不管太阳光（PAR）多强，叶子看起来多绿（fPAR/NDVI 多高），只要极度缺水（W_ε 低），光合作用这个“工厂”实际上就是处于“停工”或“怠速”状态，产量自然会受到重创。

这就是现代精细化农业模型（如 CASA 模型）比简单的 NDVI 指数强大的地方——它考虑了环境胁迫。

🎉 阶段性总结

到这里，我们已经完整梳理了三个问题的核心原理：

水分监测 💧：关键在于“吸收谷”。利用 SWIR（对水敏感）和 NIR（对结构敏感）构建指数，或者利用 热红外 监测气孔关闭导致的升温。
病害监测 🍂：关键在于“光谱特征变异”。不但要看色素缺失导致的可见光变化，更要关注“红边蓝移”这一早期预警信号。
产量估测 🌾：关键在于“能量积累”。不能只看单张图，要利用时间序列积分，并引入 光能利用率 (LUE) 模型，把光照、温度和水分胁迫都算进去。

微信扫描下方的二维码阅读本文

H51206-《农业信息技术》作业3

作业内容

参考步骤