4. 遥感数据获取与处理：卫星遥感、无人机遥感、植被指数（NDVI、EVI）的计算与应用

遥感数据是变量施肥决策模型的核心输入源之一。通过不同平台（卫星、无人机）获取的多光谱或高光谱影像，经过辐射定标、大气校正和几何校正后，可计算表征作物生长状态的植被指数，进而生成施肥处方图。本章将系统讲解遥感数据获取途径、处理流程及关键植被指数的计算与应用。

4.1 遥感数据获取平台对比

变量施肥常用的遥感平台包括卫星遥感和无人机遥感。两者在覆盖范围、空间分辨率、时间灵活性和成本上存在显著差异，需根据田块规模和作业周期选择。

4.2 遥感数据预处理流程

原始遥感影像不能直接用于植被指数计算，必须经过一系列预处理步骤以消除传感器、大气和地形带来的误差。标准预处理流程如下：

1. 辐射定标：将传感器记录的DN值（数字量化值）转换为辐射亮度值或表观反射率。
2. 大气校正：消除大气分子和气溶胶对电磁辐射的吸收与散射影响，获取地表真实反射率。常用方法包括6S、FLAASH、Sen2Cor（针对Sentinel-2）。
3. 几何校正：消除影像几何形变，使其与地理坐标系统（如WGS84/UTM）精确配准。对于无人机影像，还需进行空中三角测量和正射校正。
4. 影像裁剪与拼接：根据田块边界矢量文件裁剪研究区；无人机多幅影像需通过特征匹配和拼接生成完整正射影像。
5. 云/阴影掩膜：对卫星影像，使用质量波段或Fmask算法识别并剔除云、云阴影和雪覆盖像元。

4.3 植被指数计算：NDVI与EVI

植被指数通过对多光谱波段进行数学组合，增强植被信息并抑制土壤、大气等背景干扰。在变量施肥中，最常用的指数是归一化植被指数（NDVI）和增强型植被指数（EVI）。

4.3.1 NDVI（归一化植被指数）

NDVI是最经典、应用最广泛的植被指数，利用近红外（NIR）与红光（Red）的反射率差异来表征植被覆盖度和生长活力。

NDVI = (NIR - Red) / (NIR + Red)

• 取值范围：-1 到 1。健康致密植被通常为 0.6-0.9；稀疏植被为 0.2-0.5；裸土/水体接近 0 或负值。
• 优点：计算简单、对植被变化敏感、与叶面积指数（LAI）和光合有效辐射（fAPAR）高度相关。
• 局限性：在高植被覆盖区易饱和（NDVI > 0.8 时区分度下降）；受大气气溶胶和土壤背景影响较大。

4.3.2 EVI（增强型植被指数）

EVI通过引入蓝光波段和大气校正参数，改进了NDVI在高植被区和大气条件下的表现，特别适用于高生物量区域。

EVI = G * (NIR - Red) / (NIR + C1 * Red - C2 * Blue + L)

其中：

• G = 2.5（增益系数）
• C1 = 6.0（大气气溶胶校正系数）
• C2 = 7.5（大气气溶胶校正系数）
• L = 1.0（土壤背景调节系数）

4.4 植被指数在变量施肥中的应用

植被指数通过反映作物氮素营养状况和生物量，为变量施肥提供空间分布依据。典型应用流程如下：

1. 生长阶段划分：根据作物生育期（如拔节期、抽穗期）确定施肥关键窗口期。
2. 指数阈值分级：将NDVI/EVI值划分为3-5个等级（如低、中低、中、高、极高），对应不同的施肥量。
3. 施肥处方图生成：结合土壤养分数据和产量目标，将植被指数等级映射为氮、磷、钾的推荐施用量。
4. 变量施肥作业：将处方图导入变量施肥控制器，实现按需变量施用。

4.5 实践案例：基于Sentinel-2的冬小麦NDVI变量施肥

以华北平原冬小麦拔节期变量施肥为例，展示遥感数据驱动的完整流程：

4.6 常见问题与避坑指南

• 时间匹配问题：卫星过境日期与作物关键生育期可能不匹配。建议结合多时相影像（如每5-10天一期）构建时间序列，选择最接近施肥窗口期的影像。
• 混合像元干扰：10-30m分辨率的卫星影像中，一个像元可能包含作物、土壤和杂草等多种地物。对于小田块或条播作物，建议使用无人机或高分辨率卫星数据。
• 指数饱和问题：当LAI > 4-5时，NDVI趋于饱和。此时应优先使用EVI或红边指数（如REP、NDRE）来提高区分度。
• 地形效应：山地或坡耕地中，地形引起的辐射差异会干扰植被指数。建议在预处理中加入地形校正（如C校正、SCS校正）。