基于MODISNDVI多年时序数据的农作物种植识别

为了获取陕西省农作物种植模式和类型分布信息,实现对于多年农作物长势分析及精确的估产和耕地生产力的估算,该文以2003-2012年的MOD09Q1时间序列遥感数据集为数据源,以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象,利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集,充分利用农作物的物候信息,构建农作物年际间动态阈值方法,实现了农作物种植模式和类型的识别。通过对混合像元进行分解,更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证,空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%,定量对比分析得到分类的总体一致性为87.56%。研究结果表明,结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。     

基于HJ时间序列数据的农作物种植面积估算

通过对长时间序列遥感影像的波谱变化特征分析,可以有效地进行农作物种类识别与信息提取,提高农作物种植面积的遥感监测精度。中空间分辨率多光谱遥感影像适合于中国大范围大宗农作物面积监测,也是能够提供稳定时间序列遥感数据源之一。该研究以河北省衡水市为研究区域,采用2011年10月3日-2012年10月24日期间,16景30 m空间分辨率的HJ-1A/B卫星CCD(电荷耦合元件,charge-coupled device)影像月度NDVI(归一化植被指数,normalized difference vegetation index)时间序列数据,针对冬小麦、夏玉米、春玉米、棉花、花生和大豆等主要作物类型,在全生育期波谱特征曲线分析基础上,提取主要作物类型的曲线特征,采用基于NDVI阈值的决策分类技术,进行了农作物种植面积遥感识别,以15个规则的2 km×2 km的地面实测GPS(全球定位系统,global positioning system)样方进行了精度验证。考虑到大豆和花生2种作物的NDVI时间序列特征相似性较高,将这2种作物合并为一类进行分类,并命名为小宗作物。结果表明,冬小麦、夏玉米、春玉米、棉花和小宗作物等5类目标可以有效识别,分类总体精度达到90.9%,制图精度分别为94.7%、94.7%、82.4%、86.9%和81.2%,其他未分类类别精度为85.9%。利用中高分辨率遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础上,可以准确地提取大宗农作物种植面积,在农作物面积资源调查中具有较大的应用潜力。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

基于LAI时间序列重构数据的冬小麦物候监测

农作物物候信息对农作物长势监测和估产具有重要意义。该文以河北省中南部冬小麦为研究对象,以叶面积指数(LAI,leaf area index)为同化量,采用重采样粒子滤波算法同化WOFOST(world food studies)作物生长模型和遥感观测LAI,重构LAI时间序列数据,基于重构数据提取冬小麦返青期、抽穗期和成熟期等关键物候期。重构结果表明,重构的LAI具有良好的时间连续性和空间连续性,可减缓WOFOST作物模型LAI变化剧烈程度,峰值出现时间与遥感LAI曲线基本同步,且可一定程度上解决遥感观测LAI数值整体偏低和数据缺失的问题。物候期监测结果表明,在空间分布上与冬小麦实际生长状况基本相符,时间上也较为合理,但因在返青期存在LAI高初始值、成熟期存在LAI下限不确定性等问题致使在具体日期存在偏差。     

基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取

作物面积监测具有较强的时效性,应用不断发展的遥感技术能够及时可靠地监测主要作物的种植面积。该文围绕国产高分一号卫星(GF-1)农业应用关键技术,研究县域尺度农作物种植面积快速准确提取的方法。在考虑多光谱遥感影像空间相关性的基础上,利用矩阵分解和距离空间转换等数学工具设计一种改进多元纹理信息(modified multivariate texture,MMT)提取模型,实现基于GF-1遥感影像的改进多元纹理信息提取、纹理与光谱信息融合以及基于融合影像分类的县域尺度冬小麦识别和面积提取。选用冬小麦出苗和越冬2期GF-1宽视场影像,结合地面实测数据和最佳识别时相遥感参考数据,对比分析基于光谱信息、单变量纹理与光谱融合信息、改进多元纹理与光谱融合信息的3种冬小麦识别和面积量算结果,实现对改进多元纹理信息效果以及小区域和较大区域上冬小麦面积提取的精度验证。试验结果表明:1)与基于其他2种传统分类特征信息的结果相比,改进多元纹理信息的加入能够显著提高冬小麦识别精度(出苗期提高4.12%和2.36%,越冬期提高2.59%和0.94%);2)在不考虑影像质量、生育期和地面样方测量精度等客观因素的影响下,基于该文方法的小区域内冬小麦面积提取精度普遍优于90%;3)在冬小麦长势稳定的时相(越冬期),基于该文方法的较大区域冬小麦面积量算结果能够达到接近最佳识别时相(孕穗期)的面积提取精度,二者的一致性程度超过97%。因而,利用GF-1宽视场影像能够有效提取县域尺度冬小麦种植面积,可为农作物监测业务运行提供遥感数据保障。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。     

遥感信息与作物生长模型的区域作物单产模拟

利用外部数据同化作物生长模型提高区域作物单产模拟精度是近年来的研究热点.该文以遥感反演的叶面积指数(LAI)作为结合点,以黄淮海粮食主产区典型县市夏玉米为研究对象,在区域尺度利用全局优化的复合形混合演化( SCE-UA)算法进行了遥感反演LAI信息同化EPIC (environmental policy integra...     

基于遥感的华北平原农作物时空分布变化特征分析

作物种植面积的多年时空变化是进行农业结构调整和优化的基础,也是开展农业减灾、地下水保护的重要依据。为了解华北平原主要作物近年来种植面积的时空变化过程,本文基于2000—2013年的MODIS NDVI数据和TM/ETM遥感数据提取当地主要作物的种植面积,并分析了华北平原主要作物近年来的时空变化特征。结果表明:1基于MODIS NDVI数据和TM/ETM遥感数据提取当地主要作物的种植面积,提取精度较高,结果可靠;2冬小麦?夏玉米主要分布于太行山前平原、山东省和河南省的引黄河灌区,单季玉米在河北平原北部分布最广,水稻集中分布于天津、河北唐山地区和黄河沿岸,蔬菜主要分布在城市郊区,林果分散分布于几个产果区和京津周边地区,棉花主要集中于华北平原中部地区。3华北平原粮食作物(小麦、玉米和水稻)种植面积明显下降,经济作物(林果和蔬菜)则显著增加,其中林果、蔬菜和水稻的面积变化率较大,分别为56.45%、35.76%和23.16%,蔬菜和水稻的位置转移明显。4景观格局AWMPFD和SHEI指数值表明,河北平原以南的冬小麦?夏玉米种植规模化程度提高,豫北地区冬小麦?夏玉米种植面积增加,豫北以北地区由于各类经济作物种植面积增加,区域作物种植多样化指数增加。该结果可为农业种植结构调整、资源合理利用提供参考。     

利用MODIS_EVI图像时间序列提取作物种植模式初探

作物种植模式对于高效、可控农业管理具有非常重要的意义,通过遥感手段获取种植模式信息是目前亟待解决的难题.以华北平原为试验区,收集了2003年全年每16天合成的MODIS_EVI时间序列图像,从种植模式的MODIS_EVI时间谱分析入手,提取了表征冬小麦及其后茬夏玉米与其他同季生长作物物候差异性特征,分析表明返青期和峰值时期对冬小麦提取贡献最大,而峰值时间和大小以及表征营养生长向生殖生长转化时生物量累积差异的参量(偏斜度)对玉米提取贡献最大.建立了冬小麦和夏玉米的提取模型,各省17个县的抽样表明,冬小麦的总体提取精度为88.38%最后形成了小麦─玉米、小麦─水稻和小麦─其他种植模式的分布图,与作物熟制气候分布图具有较好的一致性.     

全国农作物叶面积指数遥感估算方法

目前对农作物叶面积指数LAI的遥感估算研究多是针对单一作物或是作物种植结构单一的区域,该文运用大尺度农作物叶面积指数的遥感估算方法,在像元尺度上对4个代表性实验站的LAI与归一化植被指数(NDVI)的相互关系进行了回归分析后,得到4种代表性作物种植结构的LAI估算模型,然后结合全国农作物种植结构数据对模型外推,建立了一个全国尺度的遥感模型,并估算了全国作物LAI。该文使用“863”项目山东遥感应用综合试验中的作物LAI观测数据进行了验证,结果表明该模型较其它估算模型达到了较高的精度,最大相对误差为39%,平均的相对误差为19%。该模型的计算结果已经在“中国农情遥感速报”系统中得到了广泛的应用。     

基于改进最大值法合成NDVI的夏玉米物候期遥感监测

利用遥感技术监测农作物物候期,能够及时有效地评估作物生长趋势、提高农情信息化管理水平。本研究利用2016年MODIS 8天合成数据,提出改进的最大值合成法,结合S-G滤波和Logistic函数拟合重构夏玉米生长曲线,最后利用曲率法提取夏玉米的拔节期和成熟期,利用动态阈值法提取夏玉米的出苗期和抽雄期。结果表明:采用本文提取的夏玉米物候期与实测物候期相比,平均误差为2.76 d,其中在抽雄期的绝对误差为1.06 d,运用改进的最大值合成提取作物NDVI时序数据可有效去除连续云雾对植被指数的影响,提高监测作物物候期的准确性,为精准农业提供技术支撑。     

中国夏玉米和冬小麦近年生育期变化及其与气候的关系

作物物候期受气候条件和人为耕作的共同影响,而水热气候条件又直接影响着人为耕作时间。全球变暖背景下温度增加的趋势在近年来出现了停滞现象,针对这一新的气候变化特征,本研究选取作物物候观测和气象观测的站点数据,利用经典的统计学方法分析2000—2013年中国夏玉米和冬小麦主要物候期的变化趋势和空间分布,及作物生育期与对应水热条件的相关关系。研究发现:夏玉米和冬小麦各主要物候期均呈现一定程度的延后,其中64%的站点显示夏玉米成熟期延后,冬小麦成熟期延后的站点数比例达78%。研究期间,夏玉米和冬小麦的生育期历时对温度和降水变化均比较敏感,88%和64%的站点分别显示出夏玉米和冬小麦的生育期历时与平均温度之间呈负相关关系,而71%和77%的站点显示夏玉米和冬小麦生育期历时与年均降水量呈正相关关系。本研究时段内的气温变化也不同于一般性认为的单调升温,夏玉米生育期对应的平均温度呈增加和降低趋势的站点数基本相同,但显示降水量增加的站点较多,达到总站点数的68%;而冬小麦整个生育期显示冷干化趋势的站点居多,显示温度降低和降水量下降的站点数均占总站点数的60%以上。此外,本研究还用轮作站点探讨说明了可以利用年值气候数据替代生育期气候数据分析夏玉米和冬小麦轮作的物候和生育期特征。本研究通过站点数据证实了作物生长发育过程对气候变化的敏感性,新的气候条件下我国夏玉米和冬小麦的物候也对应产生了新的特征。     

中低分辨率小波融合的玉米种植面积遥感估算

采用中分辨率与低分辨率数据相结合的遥感估算方法是获取大范围作物种植面积的主要趋势之一。在MODIS时序影像和TM影像支持下,采用小波变换融合方法获取30m分辨率的NDVI时间序列信息,构建主要秋季作物的NDVI标准生长曲线,以最小距离分类器进行分层分类,获得河南原阳县玉米种植面积总量信息和空间分布,并以野外实测地块样本进行精度评价。由于充分利用MODIS影像的时间序列优势和TM影像的空间分辨率优势,通过秋季作物之间的物候差异,有效地区分出各种秋季作物的空间分布,基于融合NDVI时间序列信息玉米种植面积遥感估算的位置和面积精度分别达到79%和89%,远高于常规的监督分类,为大范围玉米种植面积遥感估算提供了一种可行的方法。     

基于作物空间物候差异提取黄淮海夏玉米种植面积

考虑大区域内不同纬度间玉米物候差异,利用MODIS EVI时序曲线提取黄淮海夏玉米种植面积。基于Landsat影像和MOD13Q1数据集,提取参考区夏玉米MODIS EVI时间序列曲线;根据研究区内农业气象站夏玉米生育期观测数据,构建夏玉米各物候期与纬度的关系,以纬度作为参数修正参考区夏玉米MODIS EVI时序曲线,获取研究区夏玉米EVI标准时序曲线,结合平均绝对距离（MAD）和p-分位数法提取黄淮海平原夏玉米面积。结果表明,利用遥感影像提取的北京、天津、河北、河南以及山东夏玉米面积分别为125.3×103、162.6×103、2231.8×103、2963.6×103和2731.9×103hm2,各省提取精度均达到80%以上。在市级尺度上,决定系数R2为0.82,均方根误差RMSE为147.8×103hm2;在县级尺度上,决定系数R2为0.62,均方根误差RMSE为17.7×103hm2。说明利用本方法能够准确有效地提取大区域内夏玉米种植面积,为其它农作物在大范围内估计种植面积提供新思路。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价

如何将农作物从复杂动态变化的农田场景中准确提取出来,是作物分割方法后续提取覆盖度或反演叶面积指数准确与否的关键。本文以郑州、泰安和固城站2011年和2012年生长季的夏玉米为研究对象,利用在线式图像自动传输装置实时获取户外不同光照强度以及真实农田复杂背景下的夏玉米群体动态图像,在对原始图像进行几何校正的基础上,采用AP-HI、ExG、ExGR和CIVE4种作物分割方法提取夏玉米覆盖度和反演叶面积指数,通过对比试验定量评价每种作物分割方法对农田复杂背景的适应能力和精度,并从中选取适合农田复杂环境下夏玉米冠层图像覆盖度和叶面积指数的有效提取方法。结果表明：光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大,AP-HI方法在光照适应性和对抗复杂环境两个方面均优于其它方法,相对误差在0.2以下,高于目估法测量的精度;通过对比分析发现,利用4种作物分割方法通过冠层孔隙率估算不同生长期夏玉米LAI,AP-HI反演模型最优,其估算的LAI与实际测得的LAI值比较的相关系数最高,为0.89~0.96,均方根误差最小,为0.47~0.75。综合考虑模型的精度和稳定性认为,基于AP-HI方法反演叶面积指数的方法具有一定应用优势。     

Climate changes and trends in phenology of fruit trees and field crops in Germany, 1961–2000

Distinct changes in air temperature since the end of the 1980s have led to clear responses in plant phenology in many parts of the world. In Germany phenological phases of the natural vegetation as well as of fruit trees and field crops have advanced clearly in the last decade of the 20th century. The strongest shift in plant development occurred for the very early spring phases. The late spring phases and summer phases reacted also to the increased temperatures, but they usually show lower trends. Until now the changes in plant development are still moderate, so that no strong impacts on yield formation processes were observed. But further climate changes will probably increase the effect on plants, so that in the future stronger impacts on crop yields are likely.     

Nitrogen Contribution of Peanut Residue to Cotton in a Conservation Tillage System

ABSTRACT

Leguminous crops, particularly winter annuals, have been utilized in conservation systems to partially meet nitrogen (N) requirements of succeeding summer cash crops. Previous research also highlights the benefits of utilizing summer annual legumes in rotation with non-leguminous crops. This study assessed the N contribution of peanut (Arachis hypogaea L.) residues to a subsequent cotton (Gossypium hirsitum L.) crop in a conservation system on a Dothan sandy loam (fine-loamy, kaolinitic, thermic Plinthic Kandiudults) at Headland, AL during the 2003–2005 growing seasons. Treatments were arranged in a split plot design, with main plots of peanut residue retained or removed from the soil surface, and subplots as N application rates (0, 34, 67, and 101 kg ha^{? 1}) applied in fall and spring. Peanut residue did not influence seed cotton yields, leaf N concentrations, or plant N uptake for either growth stage or year of the experiment. There was a trend for peanut residue to increase whole plant biomass measured at the first square in two of three years. Seed cotton yields and plant parameters measured at the first square and mid-bloom responded favorably to spring N applications, but the recommended 101 kg N ha^{? 1} did not maximize yields. The results from this study indicate that peanut residue does not contribute significant amounts of N to a succeeding cotton crop, however, retaining residue on the soil surface provides other benefits to soils in the southeastern U.S.