Chỉ số thực vật khác biệt chuẩn hóa thu được từ các cảm biến bức xạ tiêu chuẩn nông khí tượng: sự so sánh với các phép đo của quang phổ kế đa dải trên mặt đất trong quá trình phát triển của tán cây yến mạch

International Journal of Biometeorology - Tập 52 - Trang 167-177 - 2007
Klaus-Peter Wittich1, Martin Kraft2
1Agrarmeteorologische Forschung, Deutscher Wetterdienst, Braunschweig, Germany
2Institut für Technologie und Biosystemtechnik, Bundesforschungsanstalt für Landwirtschaft (FAL), Braunschweig, Germany

Tóm tắt

Theo phương pháp của K. F. Huemmrich và các đồng sự [Huemmrich et al. (1999) Tạp chí Nghiên cứu Địa vật lý 104:27.935–27.944], các cảm biến bức xạ tiêu chuẩn nông khí tượng, tức là hai cảm biến bức xạ quang hợp hoạt động và một cảm biến albedo, đã được sử dụng để đo phản xạ quang phổ rộng trong dải nhìn thấy và hồng ngoại quang học của một thửa ruộng yến mạch trong suốt thời kỳ sinh trưởng của nó. Từ các dữ liệu phản xạ này – được ghi lại dưới dạng trung bình 15 phút và tổng hợp thành trung bình hàng ngày – chu kỳ theo mùa của chỉ số thực vật khác biệt chuẩn hóa (NDVI) đã được tính toán. Ngoài ra, một quang phổ kế đa kênh trên mặt đất đã được sử dụng làm tham chiếu để ước lượng NDVI “xanh” và “đỏ” trong dải hẹp theo khoảng thời gian hàng tuần vào gần giờ trưa. NDVI “xanh” trong dải hẹp đã được chứng minh là nhất quán với NDVI quang phổ rộng 15 phút đồng thời. Điều này cho thấy cấu hình của các cảm biến bức xạ nông khí tượng là phù hợp để theo dõi đầy đủ động lực học phát sinh mùa màng.

Từ khóa

#chỉ số thực vật khác biệt chuẩn hóa #cảm biến bức xạ nông khí tượng #quang phổ kế đa dải #động lực học phát sinh mùa màng #yến mạch

Tài liệu tham khảo

Ahlrichs JS, Bauer ME (1983) Relation of agronomic and multispectral reflectance characteristics of spring wheat canopies. Agron J 75:987–993 Asrar G, Fuchs M, Kanemasu ET, Hatfield JL (1984) Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agron J 76:300–306 Baret F, Guyot G, Begue A, Maurel P, Podaire A (1988) Complementarity of middle-infrared with visible and near-infrared reflectance for monitoring wheat canopies. Remote Sens Environ 26:213–225 Behrens T, Kraft M, Wiesler F (2004) Influence of measuring angle, nitrogen fertilization, and variety on spectral reflectance of winter oilseed rape canopies. J Plant Nutr Soil Sci 167:99–105 Biologische Bundesanstalt für Land- und Forstwirtschaft (1997) Growth stages of mono- and dicotyledonous plants. BBCH-Monograph. Blackwell, Berlin Broge NH, Leblanc E (2000) Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens Environ 76:156–172 Carter GA (1993) Responses of leaf spectral reflectance to plant stress. Am J Bot 80:239–243 Chen X, Pan W (2002) Relationships among phenological growing season, time-integrated normalised difference vegetation index and climate forcing in the temperate region of eastern China. Int J Climatol 22:1781–1792 Daughtry CST, Walthall CL, Kim MS, Brown de Colstoun E, McMurtrey JE III (2000) Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sens Environ 74:229–239 Duchon CE, Hamm KG (2006) Broadband albedo observations in the Southern Great Plains. J Appl Meteorol Clim 45:210–235 Fischer A (1994) A model for the seasonal variations of vegetation indices in coarse resolution data and its inversion to extract crop parameters. Remote Sens Environ 48:220–230 Gausman HW, Rodriguez RR, Richardson AJ (1976) Infinite reflectance of dead compared with live vegetation. Agron J 68:295–296 Gitelson AA, Merzlyak MN (1997) Remote sensing of chlorophyll content in higher plant leaves. Int J Remote Sensing 18:2691–2697 Gitelson AA, Kaufman YJ, Merzlyak MN (1996) Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens Environ 58:289–298 Grant IF, Prata AJ, Cechet RP (2000) The impact of the diurnal variation of albedo on the remote sensing of the daily mean albedo of grassland. J Appl Meteorol 39:231–244 Guyot G (1990) Optical properties of vegetation canopies. In: Steven MD, Clark JA (eds) Application of remote sensing in agriculture. Butterworths, London Huemmrich KF, Black TA, Jarvis PG, McCaughey JH, Hall FG (1999) High temporal resolution NDVI phenology from micrometeorological radiation sensors. J Geophys Res 104:27,935–27,944 Huete AR (1988) A soil-adjusted vegetation index (SAVI). Remote Sens Environ 25:295–309 Jackson RD, Slater PN, Pinter PJ Jr (1983) Discrimination of growth and water stress in wheat by various vegetation indices through clear and turbid atmospheres. Remote Sens Environ 13:187–208 Justice CO, Townshend JGR, Holben BN, Tucker CJ (1985) Analysis of the phenology of global vegetation using meteorological satellite data. Int J Remote Sens 6:1271–1318 Kanemasu ET (1974) Seasonal canopy reflectance patterns of wheat, sorghum and soybean. Remote Sens Environ 3:43–47 Kraft M, Brandes F, Behrens T, Wiesler F (2000) Reflexionsoptische Bestimmung des Stickstoffversorgungsgrades von Rapsbeständen. In: Herold B (ed) Computer-Bildanalyse in der Landwirtschaft. Workshop 1999/2000, Bornimer Agrartechnische Berichte, Heft 25:91–100 Lloyd D (1990) A phenological classification of terrestrial vegetation cover using shortwave vegetation index imagery. Int J Remote Sens 11:2269–2279 Reed BC, Brown JF, VanderZee D, Loveland TR, Merchant JW, Ohlen DO (1994) Measuring phenological variability from satellite imagery. J Veg Sci 5:703–714 Rouse JW, Haas RH, Schell JA, Deering DW (1974) Monitoring vegetation systems in the Great Plains with ERTS. In: Proceedings of the 3rd Earth Resources Technology Satellite-1 Symposium, vol 1: Technical Presentations, Washington DC, NASA SP-351, Paper No A20, 309–317 Schwartz MD, Reed BC, White MA (2002) Assessing satellite-derived start-of-season measures in the conterminous USA. Int J Climatol 22:1793–1805 Song J (1999) Phenological influences on the albedo of prairie grassland and crop fields. Int J Biometeorol 42:153–157 Tucker CJ (1979) Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ 8:127–150 White MA, Thornton PE, Running SW (1997) A continental phenology model for monitoring vegetation responses to interannual climatic variability. Global Biogeochemical Cycles 11:217–234