冬小麦遥感估产回归尺度分析

将统计业务和遥感估产结合起来,以北京市统计局提供的实割实测产量数据作为野外样方,利用抽样村和地块两种尺度的实测数据,用抽样村整体回归、地块整体回归和地块分层回归3种方法进行遥感估产,将所得结果与北京市统计局发布的统计单产从不同级别进行比较分析。结果表明,利用抽样村和地块两种尺度的实测数据进行回归估产都可以得到高精度的市级单产;在区县级别上利用地块尺度的实测数据进行估产得到的区县级单产精度高于抽样村尺度;在村级上利用地块实测数据进行单产预测能够较抽样村尺度更好的反映实际单产,模型更加稳定。因此,利用地块尺度的实测产量数据建立整体回归和分层回归模型都是可行,有效的,可以得到小区域尺度高精度的单产结果。     

基于四维变分和集合卡尔曼滤波同化方法的冬小麦单产估测

为了通过数据同化方法提高冬小麦的估产精度,以陕西省关中平原为研究区域,采用标定的CERES-Wheat模型模拟8个典型样点冬小麦整个生育期的叶面积指数(LAI),通过四维变分(4DVAR)和集合卡尔曼滤波(En KF)2种同化算法同化CERES-Wheat模型模拟的LAI和遥感数据反演的LAI,获得单点尺度的LAI同化数据,将单点尺度的LAI同化值扩展到区域尺度,对两种同化方法的单点尺度和区域尺度的同化结果进行对比与分析。结果表明,两种同化方法均能综合遥感反演LAI和模型模拟LAI的优势,使LAI同化值更符合冬小麦LAI的实际变化规律;在单点尺度和区域尺度上,En KF-LAI均更能反映关中平原冬小麦的实际生长状况。采用En KF-LAI构建关中平原冬小麦估产模型估测2008年和2014年的冬小麦单产,通过实测单产对估产模型进行验证,结果表明,2008年样点估测单产与实测单产的相对误差均小于15%,部分县估测单产与实测单产的相对误差均小于10%;与2014年模拟单产与实测单产间的相对误差相比,估测单产与实测单产间的相对误差降低0.57%~9.30%,RMSE降低217 kg/hm2,其中,8个样点的估产精度达到94%以上,表明组合估产模型的估产精度较高。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物，开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发，结合卷积神经网络（Convolutional Neural Networks，CNN）和反向传播神经网络（Back Propagation Neural Networks，BP）技术提出了冬小麦县级产量预测方法，使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取，将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合，利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和样本决定系数（Coefficient of Determination，R2）作为精度指标对试验结果进行分析和评价。结果表明，基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上，MAE低于269.48 kg/hm2，RMSE低于346.56 kg/hm2，93%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.2%；在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上，MAE低于304.84 kg/hm2，RMSE低于418.14 kg/hm2，91%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.6%，方法所构建模型具有良好的预测准确率、鲁棒性和泛化性，可以实现县级尺度下的冬小麦产量预测。     

基于 HJ - CCD 时序数据提取镇江市水稻种植分布

基于传统经验公式法和辐射传输法,分别对江苏省镇江市水稻分布状况进行提取。经验公式法可基于植被指数与叶面积指数的统计关系求得,以归一化植被指数和增强植被指数分别建立统计模型,而辐射传输模型采用PROSAIL模型,建立查找表,通过对比模拟和卫星遥感反射率数据对水稻的LAI(叶面积指数)进行确定。试验依据水稻生育期间LAI的时相分布,确定镇江水稻的种植分布状况。结果表明:(1)由经验公式法得到的镇江水稻面积为7.95×104hm2,相对误差为14.9%,由辐射传输法得到的镇江水稻面积为8.65×104hm2,相对误差为7.5%。辐射传输法的结果更接近实际值。(2)在统计模型中,增强植被指数EVI与LAI相关性比归一化植被指数NDVI与LAI的相关性更高,用EVI-LAI方程对LAI作进一步反演效果更理想;(3)实测值验证分析表明,统计模型反演的LAI标准误差为1.32,PROSAIL模型反演的LAI标准误差为0.97,说明在遥感反演植被生物物理参数时,辐射传输法比传统的经验公式法稳定性更强。研究结果对探讨两种方法在提取作物分布范围中的应用,准确了解作物长势和种植面积以指导生产具有重要意义。     

基于信息扩散和关键期遥感数据的冬小麦估产模型

农作物估产对于国家制定粮食进出口政策和保障粮食安全具有重要意义。为构建高精度的作物估产模型,探讨了一种将信息扩散原理和关键期遥感数据相结合的农作物遥感估产方法。首先利用信息扩散原理将关键期遥感数据生成的NDVI和实割实测产量数据扩散到多维监控空间,采用模糊合成的方法建立关键期遥感数据和实割实测产量之间的离散关系模型。然后针对模型的稳定性和精度进行交叉验证,并与多元线性回归模型和BP神经网络模型进行对比。结果表明,利用信息扩散方法构建的遥感估产模型稳定性和精度都明显提高,与多元回归方法和BP神经网络方法相比,决定系数分别提高0.180、0.491,均方根误差分别降低173.10、487.79 kg/hm2。该方法能较好地模拟冬小麦遥感估产中归一化植被指数和产量之间的非线性关系,且泛化推广能力优异,为应用关键期遥感数据进行冬小麦估产提供了一种有效方法。     

植被指数估算香格里拉地区植被覆盖度的精度对比分析

利用MOD13Q1数据构建多种植被指数,结合像元二分模型对香格里拉县植被覆盖度进行遥感估算,并通过实测数据和TM影像数据相结合,对估算结果进行精度验证。结果表明:（1）构建的4种植被指数NDVI,EVI,RVI,MSAVI均与研究区实际地表植被覆盖度具有较高的相关性,表明使用遥感方法对香格里拉县进行植被覆盖度的估算是可行的;（2）通过与TM影像进行对比分析,4种植被指数中,利用MSAVI估算的植被覆盖度更接近于香格里拉县的实际情况。     

基于Ts-EVI时间序列谱的冬小麦面积提取

冬小麦是中国重要的粮食作物,利用遥感技术准确获取冬小麦分布面积对于从宏观上实现冬小麦生长状况和病虫害监测预警等田间精细管理以及产量预测具有十分重要的意义。采用NASA提供的2005年2～6月MYD09A1和MYD11A2数据产品,结合冬小麦生育期形态变化特征,以Ts和EVI构建的时间序列谱对河北省冬小麦种植面积的提取方法进行了研究。结果表明：冬小麦在Ts-EVI特征空间中具有独特的序列谱相特征,返青期后冬小麦的Ts在整体上表现为逐渐升高,EVI在开花期后下降,灌浆后期快速降低;对Ts-EVI空间信息的一维化处理后,采用主成分分析方法对时间信息降维,以ISODATA非监督分类方法实现冬小麦分离提取结果的样点验证精度为91.20%;Ts-EVI时间序列谱反映的作物生长过程的生理意义明确,采用Ts-EVI时间序列谱的遥感分类方法可以较好地实现冬小麦的遥感分类提取,具有较好的可行性。     

基于MODIS数据的松嫩草原产草量遥感估算模型与空间反演

根据NASA/MODIS遥感数据获得NDVI、RVI、MSAVI和EVI 4种植被指数,结合草原产草量地面实测数据,利用统计分析方法建立松嫩草原产草量遥感估算模型,并进行产草量空间反演和验证,为该区草原产草量合理估算和草原资源管理提供科学依据。相关分析结果表明,前期和同期的4种植被指数均与草原产草量显著相关,其中NDVI相关性最高,EVI相关性最低;松嫩草原产草量最优模拟模型为基于NDVI的S曲线模型,模拟精度达78%。利用该模型反演得到2009年松嫩草原平均鲜草单产为5 717 kg/hm2,折合干草单产1 687 kg/hm2,鲜草总产量为1 885万t,干草总产量为589万t。其中,黑龙江省部分的鲜草总产量为1 356万t,折合干草424万t;吉林省部分的鲜草和干草总产量分别为531万t和166万t。利用植被指数预报未来16 d草原产草量效果较好,其中基于NDVI的幂指数模型预报精度为74%。研究表明,基于植被指数进行松嫩草原产草量研究是可行的。     

基于定量遥感反演与生长模型耦合的水稻产量估测研究

作物遥感估产是农业遥感技术应用与研究的重点领域.在黑龙江省不同的种植区域下,采用GPS定位调查、定量遥感反演与产量形成过程模型相偶合的研究方法,进行了水稻产量估测研究.结果显示,水稻产量的预测值在6740～9600kg/hm2之间,实测值在6500～9500kg/hm2之间,二者总体上表现较为一致,预测水稻产量的RMSE为494.62kg/hm2,相对误差在0.23%～12.39%之间,平均为5.13%.表明采用定量遥感反演与生长模型耦合的模式可以对不同区域的水稻产量形成情况进行监测预报.     

基于SEBAL模型的盘锦湿地日蒸散估算及其分布特征

为了验证SEBAL模型对湿地蒸散量估算的准确性,本研究基于Landsat 8卫星数据和SEBAL模型,以盘锦湿地生态系统野外观测站的涡动相关实测数据为检验,估算盘锦湿地2013-2015年典型晴天卫星过境时刻的瞬时蒸散量,并利用正弦函数法将遥感反演订正后的蒸散瞬时值转换为日尺度的蒸散值,分析芦苇和稻田湿地的日蒸散量分布特征.结果表明:SEBAL模型反演的盘锦湿地瞬时蒸散量比实测值偏高,平均相对误差为31.6％,但相关系数达0.79,为了提高反演精度,利用线性方程进行订正,订正后的遥感估算值与实测值平均相对误差为6.4％,提高了25.2％;芦苇湿地日蒸散量集中在3.4～4.0 mm/d之间,占总面积的64.7％～82.4％;稻田湿地日蒸散量集中在3.6～4.1mm/d之间,占总面积的67.4％ ～86.6％;稻田湿地日蒸散量普遍比芦苇湿地高0.1 ～0.2mm/d.应用订正后的SEBAL模型反演湿地蒸散量,可为湿地区域蒸散估算及湿地水资源管理提供依据.     

基于MOD13产品水稻遥感估产模型研究

中分辨率成像光谱仪(MODIS)可以提供经过加工处理的多时相44种数据产品，其中MOD13就是经过严格算法处理后的16 d内每个像元的最佳的植被指数产品。通过杭州市郊野外大田选取适当研究区，进行产量构成要素和实际理论产量的测算，建立MOD13-VI(Vegetation Index)产品与水稻理论产量以及产量构成要素之间的相关关系，结果表明: 这种相关与地面光谱和水稻理论产量所建立的相关关系具有一致性。经过各种估产模型的比较，复合估产模型更能反映整个生育期的情况，准确度有所提高，MOD13-EVI(Enhanced Vegetation Index)所建立的估算模型精度显著优于MOD13-NDVI (Normalized Difference Vegetation Index)，研究表明利用各个生育期MOD13产品所建立的复合模型有助于提高水稻产量的估算精度。     

利用多源时序遥感数据提取大范围水稻种植面积

为避免大范围作物面积提取中的分区问题,提出了一种新的采用时序MODIS日反射率产品（MOD09GA）和HJ-1CCD数据的大范围水稻种植面积提取方法。利用样区多时相高分辨率HJ-1CCD数据,进行高分辨率水稻制图,获取水稻移栽期和生长期的特征。再利用时序MODIS日反射率产品自动提取移栽期稻田水分信息和生长期生长信息,实现大范围的水稻种植面积测量。以江苏省为试验区对该方法进行了试验,结果表明该方法可以较高精度的测量大范围的水稻种植面积,水稻提取精度为93.3%,Kappa系数0.88。     

基于遥感的东北地区水稻延迟型冷害动态监测

水稻延迟型冷害大范围准确的同步跟踪监测,可为提高稻米品质和产量提供帮助。在明确东北地区水稻种植区域和水稻低温冷害年的基础上,基于MODIS MOD13A2数据产品划分了东北地区水稻各发育普遍期植被指数判识指标的参考范围,构建了基于地理信息的水稻发育期模型,在此基础上制作了水稻静态发育期空间分布图,并以2009年5月24日和8月7日为例开展了东北地区水稻延迟型冷害动态监测的应用研究。结果表明:东北三省发生较大范围水稻延迟型冷害的年份有2002年、2003年、2008年和2009年,其中黑龙江省是水稻延迟型冷害的重灾区;EVI在水稻发育期判识中较NDVI更具优势;利用经度、纬度和海拔高度与日序的相关关系构建水稻发育期模型,推算无观测地区的发育期具有一定的可行性;在同一时间东北三省各地的水稻发育期分布推算结果的基础上,实现了2009年5月24日和8月7日东北地区水稻延迟型冷害动态监测,所得监测结果与2009年农业气象观测记录在时间和空间上有很好的一致性,监测结果正确。     

光谱指数筛选方法与统计回归算法结合的水稻估产模型对比

为了探寻高效的水稻产量估算方法,在获取2019年黑龙江省三江平原别拉洪河流域内水稻产量数据和MOD09A1遥感数据基础上,对比不同指数筛选方法和统计回归算法结合的建模估产效果,以得到其中最佳的产量估算模型。通过相关系数分析（correlation coefficient,r）法、变量投影重要性分析（Variable Importance in Projection,VIP）法和袋外数据重要性（Out-Of-Bag data importance,OOB）分析法分析水稻4个生育期（分蘖期、抽穗期、孕穗期和乳熟期）的不同波段和光谱指数对于水稻产量的敏感性,筛选出特征波段和指数,再结合随机森林（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）和偏最小二乘（Partial Least Squares,PLS）3种统计回归方法,构建了9种水稻产量估算模型：r-RF、r-SVM、r-PLS、VIP-RF、VIP-SVM、VIP-PLS、OOB-RF、OOB-SVM、OOB-PLS。结果表明：同一指数筛选方法对不同模型的契合程度不同,OOB与RF更为契合,VIP和r与PLS更为契合,r与SVM更为契合;在3种建模方法中偏最小二乘模型和支持向量机模型有较好的效果,随机森林模型效果最好,其中OOB-RF模型最优,其模型验证决定系数为0.742,均方根误差为206 kg/hm2。这为水稻产量估算模型研究提供了关于在指数筛选和回归算法耦合之间的参考,具有一定的理论意义。     

基于MODIS指数和随机森林的江西省早稻种植信息提取

尽早获取双季早稻的种植信息,对政府部门掌握全省水稻生产形势及制定粮食安全保障的相关政策方针具有重要意义。传统业务服务中,通常将水稻生长早期的多时相MODIS指数与阈值法相结合,对种植信息进行提取,但该方法主观性强,受人为及不同地区水稻物候期差异影响大,且存在混合像元等限制,机器学习算法可以较好解决此问题。因此,该研究提出一种结合水稻生长早期MODIS指数和随机森林的种植信息提取方法,基于江西省早稻生长早期多时相MODIS增强型植被指数（Enhanced Vegetation Index,EVI）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）和地表水分指数（Land Surface Water Index,LSWI）的变化特征,利用随机森林算法构建早稻种植区域提取模型与丰度反演模型,提取全省早稻种植信息,并利用Sentinel-1A提取的验证样区与统计资料验证。结果表明,早稻种植区域及丰度的空间分布特征与Sentinel-1A提取的验证样区的空间特征基本一致,提取模型的分类精度为93.18%,丰度反演模型与样本数据的平均绝对误差、均方根误差和决定系数分别为0.07、0.10与0.86,且在高丰度种植区反演效果更优。与统计资料相比,全省早稻面积识别精度为92.33%。该研究解决了水稻种植信息提取中阈值选取合理性、混合像元与时效性限制等问题,为水稻生长早期种植信息的业务化提取提供一种参考方法,具有一定应用价值。     

基于相似性分析及线性光谱混合模型的双季稻面积估算

为了解决大范围水稻种植信息提取时的混合像元问题,以便能够准确及时地获取水稻信息、指导水稻生产、保证粮食安全,该文提出了一种基于相似性分析和线性光谱混合模型复合的水稻提取业务化方法。以江西省为研究区,利用2010年4月15日至2010年10月31日的MODIS合成地表反射率数据(MODIS09A1),计算出时间序列MODIS-EVI指数,运用Savizky-Golay滤波方法对其进行平滑处理减少云等噪声的影响。根据双季稻的生长规律,结合野外调查和HJ-1ACCD2影像,确定双季稻样点,提取出标准双季稻EVI生长变化曲线,构建图像像元相似性指数,然后采用线性光谱混合像元分解模型对疑似双季稻像元进行混合像元分解,获得江西省双季稻种植面积信息的分布情况。结果显示,运用该方法提取的江西省双季稻种植分布情况与实际情况吻合,与江西省2010年统计年鉴中全省双季稻种植面积相比,提取精度为93%,精度较理想,与各地区统计面积相关性较好,R2=0.9659,可以为今后高精度水稻种植信息业务化的提取提供参考。     

基于MODIS反演逐日LAI及SIMRIW模型的冷害对水稻单产的影响研究

该文旨在将遥感技术与水稻作物模型SIMRIW相结合,以黑龙江省五常市为例,研究冷害对水稻单产的影响。通过在水稻移栽期至成熟期选取的系列MODIS图像计算NDVI,进而反演水稻全生育期逐日LAI,结合SIMRIW模型计算水稻单产。计算结果表明2006年五常市水稻单产值为5411.74 kg/hm^2,为实际值的83%;而在4种用于LAI反演的统计模型中,抛物线模型精度最好;整体拟合法在逐日LAI计算中要优于分段拟合法。这说明应用MODIS能够准确反演并拟合逐日LAI,它可为冷害影响水稻单产的评价研究提供参考。     

河北省土壤干湿状况遥感监测指数比较

选用河北省2010年5月Terra/MODIS地表反射率产品MOD09A1计算得到了增强植被指数（EVI）,结合同期MOD11 A2地表温度LST数据,计算得到河北省TVDI（温度植被干旱指数）和VSWI（植被供水指数）,比较分析TVDI和VSWI监测河北省土壤干湿状况的适宜性.两种指数与同期8d平均降水量数据的定性分析表明TVDI与降水量数据间具有明显的相反趋势,VSWI与降水量数据间趋势关系不明显;定量的相关分析表明,TVDI与降水量数据间表现出较显著的负相关性（P＜0.05）,而VSWI与降水量数据间的相关不显著.可见,在所选取研究时段内,TVDI指数较VSWI指数监测河北省土壤湿度更为适宜.     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。