1、 从时空尺度范围讲，有许多遥感数据和生态过程模型结合的方法： “强制”策略：利用遥感数据估算驱动生态过程模型所需的变量。 “标准”策略：利用遥感数据监测、验证或修正生态过程模型的预测值。 “同化”策略：利用遥感数据更新或调整生态过程模型的预测值。 利用生态过程模型分析、理解遥感数据。 利用遥感数据产生模型初始化产品。这些输入数据相当于生态模型中的强制函数或状态变量，此方法常用作观测地表大气条件及植被相关信息。 遥感估测的和地表的大气特征参数包括：入射和反射光合有效辐射及短波辐射、云覆盖、空气温度以及大气降水。植被相关参数包括：叶面积指数、地表温度、土壤含水量、反照率以及土地覆盖。 传统上用土地
2、覆盖图来替代植被属性分布和地理区划。 更多是通过遥感来进行植被参数的估测，而不是通过采用土地覆盖分类计算平均值。 为这些参数定义最合适的时空尺度，根据精度评估的要求开展方法研究，重访生态模型定义遥感可提供最合适的参数是一个更大难题。 LAI在生态模型中由于描述光合作用和估算冠层辐射吸收。 一个可选策略就是利用遥感直接估算辐射相互作用，并重建模型适应遥感产品。 LAI可用来计算冠层气体交换、干物质营养循环等许多其他过程速率，仍是大多数生态模型的重要参数。 检验和验证模型能否产生合理的结果： 生态模型输出结果与遥感估算参数进行简单对比（LAI、表面温度、反照率）。假如冠层辐射传输模型与生态模型结合
3、，可以比较预测冠层反射率和遥感反演的地表反射率。假如还与大气辐射传输模型结合，就可以将云顶反射率或者植被指数与遥感直接观测数据进行比较。 需要决定具体地点验证模型，需要决定保证模型的空间尺度和观测尺度匹配。 关注生态过程模型的适用性，确保生成更多反射率模拟所需变量或准确估计模型输出的反射率。 直接插值：如遥感数据可用就替换模型形态参数，只有在对作物长期进行定期观测时，该方法才有效，这种方法叫做“更新”。 更先进的方法是调整模型初始条件去适应大范围的观测数据，这些数据可能是反演值（如LAI），也可能是直接测量结果（如TOA反射率），与前面讨论的再初始化和再参数化有关。再初始化尽可能使得在模型与观
4、测误差最小条件下，初始化变量值。再参数化调整模型参数，但不调整变量，除此之外，再参数化与初始化较为相似。 再参数化较初始条件参数更多，且需要迭代数值算法，以便从多个解中找到“最优”解，但这种方法不能确保找到正确参数组。 同化方法的优势在于可以了解各变量对模型系统的敏感性，并估计不确定性。 用生态模型来限定、验证或理解遥感数据，用生态模型辅助遥感数据分析，有两个途径：一、生态模型可用来制约反射率模型的反演；二、生态模型可用来评估遥感数据的预测或判断能力。 基于当地气候和土壤，生态模型可以提供初始化参数，需要调整生态模型并设立长期的监测站来反演实验方法，大多数反演方法是基于遥感光谱和角度信号，生态
5、模型可以为反演提供时间维上的有用信息。 对遥感观测数据和算法的严格评估。 应用遥感从机理出发进行“胁迫”探测的方法必须考虑与当地情况的关系。当地一定的天气、水文和土壤情况下，用一系列机理模型：植物生理、污染途径、植被冠层的辐射传输模型，可以通过植物冠层的生理行为来严格监测植物对不同污染情景的遥感反应。通过比较观测的生物物理量（LAI、叶绿素）与无污染时用生理模型预测的数值来实现对“胁迫”的描述。 遥感与精准农业。农民的管理决策：战略决策长期问题（10年以上），农场经营系统（混合型的、有机的或一体化的）；战术决策考虑中长期问题（25年），如农作物轮作；措施决策考虑短期在生长期以天为单位的问题，包
6、括管理措施的选择和计时，如种值、收割、肥料应用以及作物保护措施。 利用遥感进行异常探测。通过比较当前与以往季节的影像，或者一个地方和另一个地方的遥感影像，不能提供量化建议。 利用遥感信号与特定变量的相关性，如土壤属性或缺氮。缺氮情况下，特定地点的关系一旦建立，遥感影像就可以被直接解译为施肥率图。 将遥感数据定量反演为各种生物物理参数（如LAI或温度），把这些信息和基于机理的作物长势模型相结合。用遥感算的LAI和土壤水分蒸发损失总量作为简单紫花苜蓿生长模型的输入参数，利用遥感估算值来调整整个季节的模型参数，从而改善预测值。利用遥感数据输入作物长势模型还可以进行大面积农作物估产。 作物模型为决策模
7、型提供了信息，用遥感数据来精细调整标定作物模型，使输出结果精度最高。 现在卫星传感器光谱波段数少、空间分辨率差以及重复观测不足等原因限制了遥感信息的应用。 遥感只能用来估计某些生物物理变量，不能直接用于作物管理决策。 已经建立了地表反射率与不同土壤属性的关系，如：质地、有机质、二氧化铁含量以及土壤养分。土壤属性是影响作物的关键生长变量之一。（农用地分等定级） 近红外反射率光谱可以作为快速分析技术同时估算多种土壤属性参数，时间短，精度可接受。 基于漫反射光谱分析，制定了一个开发和应用土壤光谱库进行快速、非破坏性评估土壤属性的方案。 遥感技术可以用来量化枯枝落叶层覆盖。枯枝落叶层和土壤光谱在VIS
8、-NIR过渡段（如680780nm）的反射率光谱倾角通常是枯枝落叶层比土壤大，这取决于水分条件以及枯枝落叶层分解年代，在短红外区域（1.12.5um）干燥的枯枝落叶层和土壤具有独特的光谱特征。 干枯落叶层的纤维素吸收指数（CAI）显著高于土壤的CAI，CAI通常用来描述枯枝落叶层的年代。（注意水的影响） 杂草以两种方式影响作物生产的遥感与建模： 农田里杂草与作物被混合在一起，因此会干扰遥感作物参数的精度。 杂草与作物竞争阳光、水分和营养，通常导致作物减产。 用高空间、时间、光谱分辨率卫星或者航片，在区域内可以准确地描绘杂草空间分布图，把数据输入决策支持系统。 在可见光波段，用测量反射率可以探测
9、粉状霉菌，利用遥感影像探测杂草和昆虫从而确定除草剂和杀虫剂。 基于利用卫星估算日太阳能的土豆灌溉计划。 基于预测模型和卫星云量估算的霜冻保护。 基于卫星估算的净辐射、降雨量和土壤冠层环境精细模型的叶片疾病预测。 采用：一到两天预测的中尺度模型；精细植物环境模型。 目的：用水量最小，并使肥料尽可能少到达作物下面的地下水中。 利用卫星估算的太阳辐射和大气温度，可以计算出潜在蒸发量（ET）。对地表覆盖率至少达到80的绝大多数作物而言，利用ET数值可以合理估计作物日用水量。 目的：只有在必要时才允许土豆种植者使用灭真菌剂。 降雨、灌溉和露水形成会提高叶片的水分浓度，可以利用种植者的灌溉和降雨数据、GO
10、ES卫星辐射估计、地方气象服务部门和农业测量网络得到的湿度和风速数据以及中等尺度大气预测冠层水分。 预测条件的限制导致农民把叶片水分变化与地方灌溉和降雨信息相结合，来估计叶子湿润时间，这种湿润时间估计可结合已有的疾病预测模型决定是否需要使用真菌灭菌剂。 干旱：气象干旱、农业干旱、水文干旱、社会经济干旱。遥感技术对农业干旱监测的四类方法： 用反射率影像监测植被状况 用热红外监测环境条件 用微波遥感监测土壤水分 用热红外及反射率联合监测环境胁迫 检查多时相NDVI曲线并监测异常。由于AVHRR数据通常有很多噪声，经过标准化处理后，这些步骤更有效。（植被条件指数VCI），通过减少地理和生态变量影响，
11、如：气候、土壤、植被类型和地形，估计因天气条件而引起的NDVI信号改变。 将NDVI的时间序列分析与水分平衡模型联系起来，解释和辅助监测NDVI变化。当降雨是影响NDVI变化的决定因素时，还要考虑其他环境变量。 发现土壤类型比植被类型更重要，利用水分平衡模型，探索用土壤孔隙率公式计算植物土壤有效水分，还发现水分利用效率，即NDVI与土壤水分之间线性回归梯度，更受土壤类型而不是植被类型的影响。TCI：利用AVHRR热红外数据反演的地表温度T归一化生成温度条件指数。叶温升高是植物水分胁迫的一个好指标，先于干旱开始就有所反应，当水的需求超过土壤可用水分时发生植物水分胁迫。作物缺水指数（CWSI）与归
12、一化温度差值指数（NDTI），利用白天冠层温度的监测方法，作物缺水指数。CWSI值为0时为没有水分胁迫；值为1时代表最大的水分胁迫，水分胁迫与特定作物的（产量与质量）有关。 CWSI已经广泛地应用在农业上，诸如灌溉计划、预测作物产量、探测某些植物疾病等。由于它要求测量叶片温度，而大多数遥感系统测量混合介质（冠层及土壤）的地表温度，所以其应用主要限于植被全覆盖地区。 NDTI（归一化温度差值指数） NDTI可以很好地近似有效湿度。 当NDVI高时，NDTI也高，有利于遥感产品间的相互比较 各像素植被覆盖与地表温度散点图呈典型三角形或梯形，地表温度响应是不同植被覆盖与表面土壤水含量的函数（可定义为
13、地表有效湿度）。 地表亮温变化与地表土壤含水量变化高度相关。 农作物产量预测：收获的亩数、每亩的预期产量。亩产量估计依赖于高分辨率遥感影像与抽样技术的结合。 农业统计方法是通过对作物的野外抽样观测来估计作物产量。 制定一些列表或者多重框架表对农场管理者进行抽样调查。 客观调查法，在选定的地方随机抽取小块地统计植株总量和测量果实。 利用多年观测数据建立模型，将产前的总量与测量和产后的最终产量进行相关。 模型基于历史产量和月平均气温、降水量进行多元线性回归，农业气象模型用于大面积作物产量试验，是针对特定地区的多元线性回归多项式模型。 一个地区的作物产量依赖于三个因素：平均天气状况下上一年度的产量；
14、技术进步引起的年调整量；当前天气影响。 陆地卫星多光谱影像通过分层随机抽样表，来鉴别作物类型和估计收获面积，根据全球天气数据预报每公顷区域作物产量。AVHRR是NOAA系列卫星的主要探测仪器，它是一种五光谱通道的扫描辐射仪。星上探测器扫描角为55.4，相当于探测地面2800km宽的带状区域，两条轨道可以覆盖我国大部分国土，三条轨道可完全覆盖我国全部国土。AVHRR的星下点分辨率为1.1km。由于扫描角大，图像边缘部分变形较大，实际上最有用的部分在15范围内（15处地面分辨率为1.5km），这个范围的成象周期为6天。为了用于洲级及全球范围的研究，AVHRR数据经常被重采样形成空间分辨率更低的数据
15、。目前有两种全球尺度的AVHRR数据：NOAA全球覆盖（GlobalAreaCoverage，GAC）数据和NOAA全球植被指数（GlobalVegetationIndex，GVI）数据（Kidwell1990）。GAC是通过对原始AVHRR数据进行重采样而生成，空间分辨率为4km，由5个AVHRR的原始波段组成，没有经过投影变换；GVI是对GAC数据的进一步采样而得到，空间分辨率为15km或更粗，经过投影变换。此外，为了减少云的影响，GVI是由连续7天图像中NDVI值最大的像元所组成。美国国家海洋与大气管理局（NOAA）从1982年起就生产GVI数据。 AVHRR资料的应用主要有两个方面：一
16、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
17、据进行分类。 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。 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
18、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。 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
19、。 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。 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
20、之前估算本国作物产量。 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。 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
21、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。 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。 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
22、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，可以衡量植物生长，为可持续资源管理提供相当综合的、定量的信息，同时也是生物圈碳循环重要组成部分。 光学和热红外遥感大致可以估计得出全球碳循环研究信息，应用这种信息的两种模型。 土地覆盖和土地利用 地上和地下生物量 生长期循环 火灾 太阳辐射 生态系统生产力 GloPEM全球生产效率模型：根据总初级生产力采用了冠层吸收光合有效辐射（APAR）和反演的“效率”或者是APAR的碳产量。 入射光合有效辐射量从总臭氧量制图仪到云量的紫外观测数据中反演得到，用来修正从晴空模型中反演的PAR，这是唯一不从AVHRR中直接
23、反演的参数。 可见光和热红外波段的反射率特征被转化为光谱植被指数，此指数和陆地植物吸收光合有效辐射比例线性相关，与瞬时PAR结合可以计算冠层光吸收比例（APAR） 每个阶段可见光反射率最小值与陆地生物量有关 表面辐射温度和整层大气水气量都可以从不同谱段的热辐射数据反演得到。 （后续建教材367368页） 北部森林生态系统生产力模拟模型。 利用森林生物地球循环的原理来量化控制生态系统生产力的生物物理过程，改善了冠层辐射传输过程。 BEPS主要输出项是NPP，数据主要来自遥感。BEPS结构 基本要素是两个系统中水分和能量交换。 陆地地表模型可用来解一个完全参数化方程系统，包括地表辐射收支和地表能量
24、收支平衡。 全球基础上利用遥感算法估算地球表面参数技术方法水平，模型需陆地覆盖参数（如，植被群落组成）、生理参数（如LAI、生物量密度）、生物物理参数和土壤湿度。 在适于气候生态研究的空间分辨率上，用可见光、近红外、被动和主动微波进行全球植被特征观测。 直接预测并绘制陆地表面生物物理参数图，这些参数与结构、形态学、气象和地貌有关，作为比较算法用中间分类将实地观测变量与遥感属性参数联系起来。用遥感数据直接得出的参数和图可以提高提取和监测这些重要生物地球物理变量的能力。 理解遥感数据，陆地表面信息的提取和应用是一个循环。 随着应用新需求推动了新传感器系统，基于新遥感器获取数据的新模型，相应的估算地表面变量的新算法就走向下一个循环。陆地表面定量遥感的未来很大程度上取决于怎样将遥感数据和根据不同陆地表面过程及其应用模型建立的反演产品有机结合起来。
