利用MODIS遥感数据监测冬小麦种植面积

冬小麦是中国最主要的粮食作物之一，利用遥感技术进行冬小麦种植面积监测是粮食安全的核心内容之一。美国1999年发射的TERRA卫星上携带的中分辨率成像光谱仪（MODIs）具有独特的光谱、时相和空间分辨率，为大范围的冬小麦种植面积监测提供了可靠的数据源。但中国耕地破碎，即使是250m分辨率的MODIS数据，采用传统的信息提取方法依然无法取得高的精度。因此结合多源遥感数据和GIS数据，建立了基于TERRA／MODIS数据的冬小麦种植面积遥感监测体系结构。首先利用IKONOS米级高分辨率遥感影像提取试验样区的地块图，用以指导野外采样工作；其次，在采样工作基础上，利用LANDSAT进行区域冬小麦种植面积提取；最后利用2002年TERRA／MODIS时间序列数据的混合像元线性分解模型进行河南省冬小麦种植面积的遥感监测，监测结果与国家统计数据相比，相对误差为5．25％，精度能满足农情监测的需要。研究结果为中国冬小麦种植面积遥感监测提供了一种业务化工作方法。     

综合季相节律和特征光谱的冬小麦种植面积遥感估算

及时准确地获取区域和国家尺度的作物种植面积和空间分布具有重要意义。针对目前中低分辨率遥感数据相结合方法的局限,提出一种新的作物类型识别方法。首先基于MODIS NDVI数据的时间优势,提取研究区各类植被的NDVI时间序列曲线,从而分析冬小麦在季相节律上的识别特征,构建冬小麦识别模型。再将MODIS像元分类处理,纯耕地像元利用冬小麦的季相节律特征识别;耕地与其他植被的混合像元利用混合像元分解的思想提取耕地组分的NDVI时间序列,从而进行识别,进一步根据空间关系将识别结果重新定位到中分辨率尺度上;冬小麦与其他作物的混合像元覆盖区则利用TM遥感影像的光谱差异加以区分。在伊洛河流域主要农业区,以冬小麦为识别对象,结果表明识别精度达到96.3%。该方法为作物种植信息的提取提供了新的解决问题的途径,也对其他类型作物的识别也具有重要的参考价值。     

应用线性混合模型遥感监测冬小麦种植面积

中分辨率成像光谱仪（MODIS）具有多光谱、多时相以及免费接收使用的优势。该文利用冬小麦返青期间的MODIS多光谱数据,采用传统的监督分类和阈值方法研究冬小麦种植区域的分布情况,同时针对遥感像元多为混合像元的特点,重点将线性混合像元分解技术应用于冬小麦种植面积的分解计算研究。比较不同分类方法对冬小麦种植面积估算的精度分析表明,采用线性混合分解模型,绝大部分（98.45%）的均方根误差都小于0.01,对比实际冬小麦种植面积数据,相对误差约3%,明显优于传统遥感分类方法的精度。     

定位尺度和像元空间关系对GF-1亚像元定位精度影响分析

亚像元定位技术对地表遥感信息提取及农业遥感定量化发展具有重要意义。针对当前国内外亚像元定位研究多集中于亚像元定位模型而缺少模型定位精度影响因素分析的现状,该文开展了定位尺度因素(如重建尺度、影像空间分辨率)和像元空间关系等对农业区域多光谱遥感影像亚像元定位模型精度影响的定量分析。以中国吉林省白城地区洮南市和内蒙古自治区兴安盟突泉县交界农业区为研究区域,以典型的空间引力模型为核心模型,以具有相同光谱分辨率的高分一号(GF-1)卫星8、16 m空间分辨率多光谱遥感影像为基础数据,对重建尺度、影像空间分辨率和像元空间关系等因素对遥感亚像元定位精度的影响进行了探讨。结果表明,对于8 m空间分辨率GF-1遥感影像,当重建尺度为5时,在邻接空间关系下的亚像元定位可达到最佳效果,即由40 m空间分辨率遥感影像重建8 m空间分辨率遥感影像的总体精度为74.67%,Kappa系数为0.604;对于16 m空间分辨率GF-1遥感影像,当重建尺度为4时在象限空间关系下的亚像元定位可达到最佳效果,即由64 m空间分辨率重建16 m空间分辨率遥感影像的总体精度为74.65%,Kappa系数为0.623。此外,重建尺度、影像空间分辨率和像元空间关系对亚像元定位精度具有波动影响,3个因素对应的亚像元定位总体精度最大变幅分别为18.08%、4.39%和0.08%,对应Kappa系数变化最大幅度分别为0.268、0.049和0.006。因此,在不同精度影响因素下,基于空间引力模型的GF-1亚像元定位精度影响因素轻重等级依次为重建尺度影像空间分辨率像元空间关系,这可为遥感亚像元定位模型选取、模型参数设置以及适宜的遥感数据选择提供一定参考。     

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。     

基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取

冬小麦播种面积监测是农情遥感的重要研究内容之一,及时、准确地获取冬小麦的播种面积对冬小麦产量估算具有重要的意义。该文在面向对象技术的支持下,首先利用融合的高空间分辨率SPOT5遥感影像提取农田地块专题层信息;然后在专题层控制下对多时相的ETM+遥感数据统一尺度分割,得到不同时相遥感影像相同形状的地块特征基元;通过光谱特征规则集构建不同时相的冬小麦信息提取模型,实现对各个时期冬小麦播种田块对象的提取;最后通过交叉验证,确定最终的冬小麦播种面积。结果表明,该方法能够快速获得冬小麦播种面积,总体精度达到90%以上,基本上能够满足农情遥感监测的需求,为冬小麦种植面积遥感快速监测提供了一种可行的方法。     

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。     

地块破碎度对软硬变化检测法识别冬小麦分布精度的影响

软硬变化检测作物识别(soft and hard change detection,SHCD)是一种新型的作物识别方法。该研究针对不同耕地地块破碎程度的农业景观地区进行SHCD冬小麦识别,分析地块破碎程度对SHCD冬小麦识别精度的影响。试验结果表明,在种植地块破碎试验区,SHCD的RMSE对分辨率不敏感,均小于0.15,bias也比较小,R2随着检测窗口的增加,相关性逐步升高,达到98%以上。在种植地块规整试验地区,亦能够得到相同试验结论。SHCD方法综合了硬变化(hard change detection,HCD)和软变化(soft change detection,SCD)各自的优势,能够达到稳定且较高的识别精度,不受影像分辨率的影响;有效地解决了SCD在硬变化区(纯净像元)受到光谱不稳定性和HCD在软变化区(混合像元)识别为"0-1"排他性结果的不足,保证了冬小麦的识别精度,为大范围进行冬小麦识别以及其他作物的变化检测识别提供前期的试验基础。     

水稻种植面积遥感估算的不确定性研究

利用研究区地物类别亚米级GPS详查数据及TM影像光谱数据,模拟生成1m分辨率的遥感模拟影像。用3种非参数分类法(最临近法KNN、误差后向传播神经网络BPN,模糊自适应网络FUZZY ARTMAP)和一种参数分类法(最大似然法MLC)对研究区TM影像进行硬分类估算水稻面积;还采用BPN全模糊分类、BPN和KNN模糊分类、抽象级结合和测量级结合的多分类器结合方法对遥感影像进行分类估算水稻面积;采用最多数法则的尺度扩展算法,实现由3m空间分辨率参考图提取30m空间分辨率影像像元纯度信息,讨论混合像元问题对遥感影像分类精度的影响。结果表明:非参数分类法精度均高于参数分类法,3种非参数分类法之间的差异较小,用最大似然法估算水稻面积的用户精度最高,用K最临近值分类法估算水稻面积的生产者精度最高;水稻类全模糊分类法的面积和真实面积最为接近,水稻类像元内的面积估测和真实面积无极显著差异;多分类器结合的分类法无论采用投票法还是测量级方法都能提高分类的总精度,能够提高水稻类面积提取的精度;研究区在30m空间分辨率的情况下,各类别分类总精度、Kappa系数随像元纯度升高而升高,4种硬分类方法没有对混合像元的分类表现出特别强的能力。本研究最终制作出分类影像像元的分类结果图、分类最大概率值、熵值图和水稻类概率值等4张图层,构成了对研究区分类结果不确定性的空间分布图不确定性图层,为采取进一步降低不确定性的措施提供了线索。     

RapidEye卫星红边波段对农作物面积提取精度的影响

在传统的可见光与红外波段基础上增加红边波段(690~730 nm),是当前高分辨卫星传感器研制的明显趋势。德国Rapid Eye卫星携带有红边波段传感器,该文基于黑龙江省北安市东胜乡2014年7月27日的Rapid Eye遥感数据,采用监督分类的方法,通过计算有红边参与条件下、无红边参与条件下,玉米、大豆及其他3种地物类型的可分性测度、分类精度及景观破碎度等指标,比较分析了2种波段组合方式下的红边波段对农作物面积提取精度的影响。其中,监督分类的训练样本是以覆盖研究区的2 km×2 km格网为基本单元,在玉米和大豆面积比例等概率原则下,选取了10个网格作为训练样本,样方内作物的识别采用目视解译的方式完成。精度验证是采用覆盖研究区的农作物面积本底调查结果评价的,本底调查数据是在5 m空间分辨率Rapideye数据初步分类基础上,根据多时相Landsat-8/OLI(Operational Land Imager)数据季节变化规律,结合地面调查,采用目视修正的方法完成。结果表明,有红边参与的玉米、大豆和其他3种地物类型识别的总体精度为88.4%,Kappa系数为0.81,玉米、大豆和其他3种地物类型的制图精度分别为93.1%,86.0%和87.3%;没有红边参与的3种地物识别的总体精度为81.7%,Kappa系数为0.71,玉米、大豆和其他3种地区类型的制图精度分别为83.9%,73.4%和84.6%;通过引入红边波段,3种地物的总体识别精度提高了6.7百分点,玉米、大豆和其他3种地物类型的识别精度分别提高了9.2百分点,12.6百分点和2.7百分点。利用Jeffries-Matusita方法计算了3种地物的可分性测度,玉米-大豆、玉米-其他、大豆-其他的可分性测度分别由0.84变为1.73、1.37变为1.81、1.27变为1.29;采用破碎度指数计算了景观破碎度,地块数量减少了69.2%,平均地块面积增加了2.2倍,平均地块周长增加了60.50%,地块面积与周长比增加了1.0倍。由上述研究结果可以看出,通过红边波段的引入,增加了地物的间的可分性测度,减少了"椒盐"效应造成的景观破碎度的增加,农作物面积识别整体精度得到了提高。目前搭载红边波段的卫星载荷越来越多,即将发射的国产卫星也拟增加红边波段提高作物识别能力,该文研究结果将为国产红边卫星数据在农业上的应用提供参考。     

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。     

耕地细碎化农业区冬小麦遥感制图方法

从遥感影像中提取作物播种面积和空间分布对耕地可持续发展和粮食安全意义重大。目前的遥感小麦制图研究主要依靠光学图像和高复杂度的分类方法,且现有分类算法在小样本条件下、耕地细碎化农业区的分类性能以及时间迁移性能仍然不确定,探索适合小样本的低复杂度的稳定算法具有现实意义。该研究基于Google Earth Engine（GEE）遥感云平台,使用Sentinel-1 SAR和Sentinel-2光学时间序列遥感数据,评估了时间加权动态时间规整算法（Time-Weighted Dynamic Time Warping,TWDTW）、随机森林算法（Random Forest,RF）和基于相似性测度（Difference and Similarity Factor,DSF）的OTSU阈值法在小样本条件下、耕地细碎化农业区的冬小麦制图精度和时间迁移性能。研究结果表明,在有限样本条件下,TWDTW方法小麦制图精度最高,总体精度（Overall Accuracy,OA）和Kappa系数分别为0.923和0.843;其次是RF（OA=0.906,Kappa=0.809）和DSF算法（OA=0.887,Kappa=0.767）;基于欧式距离的OTSU阈值法分类精度最低。当利用算法进行时间迁移分类提取2021年的冬小麦分布图时,TWDTW和DSF算法表现出更好的稳定性且分类精度优于RF算法,其中TWDTW算法的精度最高,OA和Kappa系数分别为0.889和0.755;RF算法分类精度下降明显,OA和Kappa系数分别降低了7%和19%,说明RF算法的迁移分类性能较差。综合来看,TWDTW算法对样本和耕地细碎化的敏感性较低,可以在有限样本条件下实现耕地细碎化农业区的高精度连续冬小麦制图;而RF算法对样本和耕地细碎化的敏感性较高,在有限样本条件下的耕地细碎化农业区进行连续冬小麦制图时稳定性较差。     

基于地块尺度多时相遥感影像的冬小麦种植面积提取

针对仅利用单一遥感影像数据获取农作物信息精度不够问题,该文选择冬小麦主产地河南省兰考县乡镇作为研究区,以2017年多时相中分辨率Landsat8 OLI影像和Google earth上下载的亚米级高分影像为遥感数据源,结合光谱差异和农田地块信息实现冬小麦的精确提取。该算法首先构建不同时相决策树模型,分别实现2个时相的冬小麦区域初步提取;其次通过将对高分影像多尺度分割产生的地块信息分别与2个时相冬小麦播种面积初步区域相互叠加,完成地块单元控制下的冬小麦播种面积分地块统计,并通过设定不同统计阈值,分析落在每一地块单元下的冬小麦区域,生成基于地块单元的冬小麦播种面积分布图;最后通过多时相交叉验证,获取最终冬小麦播种区域。结果表明：该方法能更加准确提取冬小麦种植面积,保持较低的误判率（1.3%）水平下,得到较高的提取正确率（95.9%）,较通过对比单一Google earth高分辨率影像获取冬小麦精度（85.6%）高,该研究对通过融合多源多时相影像数据获取农作物提供参考。     

基于改进N-FINDR算法的华北平原冬小麦面积提取

为了解决MODIS数据中普遍存在的混合像元问题,该文利用2008年和2009年多时相的MODIS13Q1影像,以经过优化的N-FINDR算法进行线性混合像元分解提取冬小麦种植面积,各省的误差均控制在正负4%左右。利用同期多时相的HJ-1星分类数据作为参考值,在试验区域选择14个均匀分布的样区验证混合像元分解结果。结果显示6个样区的相对误差在10%以内,其余8个样区的误差基本在15%左右。该研究可为冬小麦种植面积的监测提供参考。     

融合多尺度特征的冬小麦空间分布提取方法

如何获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键，该研究针对如何利用哨兵2A（Sentinel-2A）影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题，以生成式对抗网络为基础建立了降尺度模型REDS（Red Edge Down Scale），用于将B5、B6、B7、B11 4个通道的空间分辨率从20 m降为10 m；然后利用卷积神经网络构建了逐像素分割模型REVINet（Red Edge and Vegetation Index Feature Network），REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11，以及提取出的增强植被指数、归一化植被指数和归一化差值红边指数组合作为输入，进行逐像素分类。选择ERFNet、U-Net和RefineNet作为对比模型同REVINet开展对比试验，试验结果表明，该研究提出的方法在召回率（92.15%）、精确率（93.74%）、准确率（93.09%）和F1分数（92.94%）上均优于对比方法，表明了该研究在从Sentinel-2A中提取冬小麦空间分布方面具有明显的优势。     

面向省级农作物种植面积遥感估算的分层方法

针对当前遥感抽样估算中分层标志缺乏遥感识别误差描述的问题,该文探讨了基于农作物遥感识别结果的不同分层方法的抽样效率。以江苏省为研究区,采用2阶段分层,采用数字高程模型(digital elevation model,DEM)标准差进行一阶段分层,在一阶段分层的基础上,分别采用农作物识别种植规模、遥感识别破碎度、种植结构以及种植结构与破碎度指标进行二阶段分层。试验结果表明:种植结构与破碎度指标的分层效率最高,相对效率达到5.90,该分层指标融合了遥感分类结果反演出的种植结构和破碎度,不但能够有效地反映出农作物区域的景观特征,同时也较为合理地反映出区域间作物种植的差异性,为提高省级农作物种植面积遥感抽样估算效率提供有力的参考。