NDVI时序相似性对冬小麦种植面积总量控制的制图精度影响

遥感技术获取的区域作物面积与作物面积统计数据间常常存在不一致的问题,这在一定程度上影响了作物分布遥感制图信息的应用。为获得与作物面积统计数据一致的高精度作物分布遥感制图信息,该研究以河北省衡水市武邑县为研究区,以时序Sentinel-2遥感影像生成的归一化差值植被指数(Normalized Difference Vegetation Index, NDVI)为研究数据,将冬小麦面积目视解译数据作为遥感提取的区域冬小麦面积总量参考,提出基于复合型混合演化算法(Shuffled Complex Evolution-University of Arizona, SCE-UA)和区域作物种植面积总量控制的NDVI时序相似性阈值优化冬小麦分布制图方法,并进行精度验证。在此基础上,进一步开展不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取精度对比研究。结果表明,利用全生育期NDVI时序相似性获得的冬小麦分布制图结果总量精度达99.99%以上,总体精度达98.08%,Kappa系数为0.96,可以保证遥感提取的区域冬小麦面积与冬小麦种植面积总量控制参考间的高度一致性且能获得较高的作物遥感识别精度。从不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取结果可知,利用出苗期-分蘖期、返青期-拔节期的NDVI时序可获得高精度冬小麦分布提取结果,而利用抽穗期-成熟期的NDVI时序数据提取冬小麦结果则精度较低,且综合不同生育阶段NDVI时序数据有利于冬小麦制图精度的提高。该研究可为高精度冬小麦分布提取和制图技术及其方案优化提供一定参考依据,也可为遥感数据和作物面积统计数据融合的大范围农作物分布遥感制图及统计数据空间化提供一定技术方法参考和思路借鉴。     

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S-G滤波的陕西关中地区冬小麦生育期遥感识别和长势监测

采用SPOT-VGT S10产品数据,通过S-G滤波处理,重构NDVI时间序列,分析陕西关中地区冬小麦返青期和抽穗期在遥感影像上NDVI时序曲线变化特征,对冬小麦的返青期和抽穗期进行遥感识别。通过与站点观测的生育期数据比较,遥感识别的均方根误差大部分在±20d之内,返青期均方根误差(RMSE)为14.29d,抽穗期RMSE为9.16d,表明基于SPOT-VGT数据对关中地区冬小麦返青期和抽穗期进行遥感识别是可行的。采用差值模型基于环境减灾小卫星(HJ星)数据进行渭南市2012年冬小麦抽穗期长势监测研究,结果显示大部分地区2012年冬小麦长势稍好于2011年,经与实地调查资料比较,监测结果与实际情况基本一致。采用HJ星数据进行冬小麦长势监测,结果纹理清晰,且以同源数据提取的冬小麦种植面积作为掩膜剔除非麦区域,降低了重采样带来的误差,用其进行长势监测研究具有明显优势。     

华北平原冬小麦面积遥感提取及时空变化研究

多年作物种植面积的时空变化可以反映种植结构的调整结果,并可用于进行驱动力分析。为解决连续遥感监测作物种植面积变化过程中,不同的训练样本或分类规则不能较好地反映作物种植面积时空格局变化的问题,本文首先根据研究区(华北平原)农业气象观测站提供的主要农作物物候观测资料获得主要农作物典型物候期特征,结合HANTS滤波后的NDVI时间序列数据提取不同地物类型的NDVI时序曲线,引入复种指数,探讨了CART算法在提取华北平原冬小麦种植面积的可行性,最后提取了2000—2013年华北平原冬小麦种植面积,并参考市级的农业统计数据进行精度评价。经检验,近13年的遥感监测种植面积与农业统计面积相关系数达到0.94(置信水平为95%),且各市13年面积一致性小于40%的概率仅为15%。利用遥感监测多年冬小麦空间分布信息获得其空间种植概率,能较好地反映研究区冬小麦的主要种植区,该方法可为大范围、连续年份冬小麦种植面积时空格局的遥感监测提供参考。     

基于种植制度利用MODIS数据提取冬小麦种植面积

为了及早获取冬小麦种植面积,为国家制定相关政策提供科学依据,该文基于山东省种植制度,将山东省冬小麦划分为“机播冬小麦—玉米”和“人工撒播冬小麦—水稻”两种类型,利用MODIS影像数据,分析冬小麦播种后、越冬期前冬小麦、大蒜、温室蔬菜的归一化差值植被指数（NDVI）值特征,结合9月中旬前茬作物NDVI特征建立当年机播冬小麦提取条件;鉴于稻茬麦播种后、越冬前的光谱特征与温室蔬菜光谱特征极为相似,则在水稻种植区利用拔节期冬小麦生物量迅速增长的特点提取上一年稻茬麦种植面积,由于“人工撒播冬小麦—水稻”这种耕作模式在山东特定地区较为固定,因此将上一年稻茬麦面积作为当年稻茬麦种植面积;合并两种类型冬小麦面积,用284组定位点数据对提取结果进行检验,精度达到了94.01%,结果表明：于越冬期前提取冬小麦种植面积是可行的,提取时间较利用拔节期NDVI值方法提前4个月。     

基于NDVI加权指数的冬小麦种植面积遥感监测

该文针对农业信息服务中冬小麦种植面积调查业务的现状与需求,提出了一种基于NDVI（normal difference vegetation index）时间序列的冬小麦NDVI加权指数（WNDVI,weighted NDVI index）影像算法,可在训练样本、验证样本选择的基础上实现冬小麦面积的自动提取,并以河北省安平县及周边地区2013－2014年度冬小麦面积提取为例,采用GF-1/WFV（wide field view）数据进行了算法实现。算法的主要思路是在时序影像基础上,通过冬小麦NDVI加权指数影像的构建,扩大冬小麦地类与其他地类的差异,结合自适应的阈值获取方法,区分冬小麦地类,获取冬小麦作物面积。算法包括冬小麦时间序列影像的获取、基于网格的样本点设置、构建冬小麦 NDVI 加权指数影像、迭代确定冬小麦NDVI加权指数提取阈值、精度验证这5个部分。影像的获取根据冬小麦的生长时间确定,保证每月1景GF-1/WFV无云影像,并进行预处理及NDVI计算;同时将研究区划分为一定数量的网格,每个网格再等分为2×2个子网格,根据目视解译、专家知识、实地调查等方法,确定左上网格中心点及右下网格中心点的地物类型。统计该期所有左上网格点冬小麦及其他地物的NDVI均值,冬小麦NDVI大于其他地物的将该期影像的权值设置为1,否则设置为?1,将所有时相NDVI影像进行加权平均,即可获取冬小麦NDVI加权指数影像。获取冬小麦NDVI加权指数影像后,还需设置合适的阈值提取冬小麦。该文选用右下网格点目视解译分类结果作为阈值提取依据,具体方法是将冬小麦指数从小到大按照一定间隔划分,作为冬小麦 NDVI 加权指数提取阈值,将各阈值二值法运用,与右下网格点的冬小麦提取的目视解译结果对比,精度最高的就是最优冬小麦 NDVI 加权指数分割阈值。在所有网格中,以初始识别获取的冬小麦面积为准,等概率选择10个样方作为精度验证样方进行验证。精度验证结果表明分类总体精度达到94.4%,Kappa系数达0.88。该文通过构建冬小麦NDVI加权指数,将比较复杂的多个参数转换为一个参数,并且农学意义明确,相比传统的NDVI时序影像进行冬小麦面积的提取,具有自动化程度高、面积提取精度高、分类结果稳定的特点,已经在全国农作物面积遥感监测业务中进行了应用。     

东北地区主要作物种植结构遥感提取及长势监测

以中国东北地区为研究区域,探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征,确定不同作物种植结构遥感提取的阈值,建立基于MODIS NDVI数据的上述4种作物种植结构提取模型,获取2009年东北地区主要作物空间种植结构格局特征。其次,基于MODISNDVI数据,利用差值模型,通过与近5 a作物长势的平均状况进行对比,分析研究东北地区2009年4种作物的长势状况。结果显示,与多年平均统计数据比较,基于遥感提取的作物种植结构信息,总体精度达到了87%以上;不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明,通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的,研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。     

利用MODIS监测高原水稻生育期和长势的方法

用GIS技术分离提取贵州高原上坡度〈6°、面积〉667hm^2大坝子的地理信息，选择其中栽培水稻的大坝子为遥感监测区域，用2005—2006年MODIS的旬合成NDVI序列与地面农业气象观测站数据，分析水稻生育期、长势与NDVI值的关系。结果发现，水稻各生育期与NDVI有很好的对应关系，水稻返青后的NDVI在0．60左右，分蘖-拔节期NDVI迅速上升到0．70，孕穗-抽穗期NDVI到达峰值0．75左右，乳熟-成熟期则下降到较低点，NDVI=0．70可以作为水稻生殖生长开始点的指标。通过NDVI与同期气温资料对比分析，可以对水稻的长势进行定性预测和长势评估。     

Sentinel-2和GF-1影像结合提取苜蓿空间分布

及时准确地获取苜蓿空间分布信息有利于对草业生产发展和管理提供科学数据支撑。该研究基于GF-1/WFV和Sentinel-2遥感影像,以甘肃省金昌市作为研究区,构建了苜蓿的归一化植被指数（Normalized Difference Vegetation Index,NDVI）数据集,并结合苜蓿光谱反射率随生育期的变化规律,提出一种利用MATLAB寻峰函数（Findpeaks）提取苜蓿遥感特征的方法,通过确定最小峰值突出（Minimum Peak Prominence,MPP）值实现金昌市苜蓿空间分布信息的提取。研究结果表明,基于Sentinel-2遥感数据的识别苜蓿精度优于GF-1/WFV,识别精度和Kappa系数在85%和0.7以上,主要是由于Sentinel-2数据的NDVI时间序列曲线密度较GF-1/WFV大,可以更好地识别苜蓿刈割前后的关键时间点;寻谷法的苜蓿提取总体精度、Kappa系数、用户精度、制图精度指标均比寻峰法高,基于Sentinel-2影像的寻谷法苜蓿遥感识别总体精度为92.25%,Kappa系数为0.81,位置精度为86.44%;2019年金昌市苜蓿空间分布整体呈现从北到南逐渐增多的趋势,统计得到苜蓿种植面积为15 449.07 hm2,其中金川区的苜蓿面积为1 353.42 hm2,占金昌市苜蓿总面积的8.76%;永昌县的苜蓿面积为14 095.65 hm2,占总面积的91.24%。研究结果证实,基于Sentinel-2遥感数据的寻谷法可以有效识别苜蓿空间分布,对于实现草牧场精准化管理和草牧业生产信息精准监测具有重要意义。     

基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测

为实现区域冬小麦种植面积变化的快速监测,减少监测难度,提高监测效率和精度,该文提出一种基于年际NDVI相关关系的监测方法(relationship analysis of normal difference vegetation index,rNDVI)。选择河北省黄骅市、孟村县、海兴县3个县市为研究区,基于2014年4月14日、2017年4月26日两个时期的GF-1/WFV数据,基于rNDVI方法,通过将样本点两年度的NDVI值构建二维空间,采用最小二乘法拟合的方法获得不变地物点的上下包络线方程,进而得到冬小麦变化区域的监测阈值,提取冬小麦种植增加和减少区域,实现对研究区域的变化监测。结果表明,采用rNDVI算法总体精度分别为90.60%,Kappa系数为0.84,相比传统的先最大似然分类后再提取冬小麦种植变化区域的方法,总体精度与Kappa系数分别提高了6.6个百分点和16.7%。对冬小麦增加区域、冬小麦减少区域的变化监测结果进行分析,发现基于rNDVI的变化监测方法可以有效提高裸地、线状道路、破碎的冬小麦地块等区域的变化识别能力,提高监测精度。同时分别利用2014年3月1日和2017年3月12日、2014年5月17日与2017年5月20日两对GF-1/WFV数据进行基于rNDVI的冬小麦变化区域监测,结果表明3月份的监测精度较低,主要是由于3月份冬小麦长势尚不明显,5月份与4月份的总体精度相近,主要是由于5月份冬小麦NDVI已较高,易于识别。上述研究结果表明,基于rNDVI的冬小麦变化快速监测方法可以有效监测区域冬小麦种植面积的变化情况,算法简单高效,且能够在种植结构相对单一的冬小麦分布区域保持较高精度,能够满足农情遥感监测信息快速获取的需要。     

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。     

不同水氮条件下冬小麦生育期NDVI和光合速率的变化

在不同水氮条件下,分析了冬小麦生育期归一化植被指数(Normalized difference vegetable index:NDVI)和光合速率的变化及两者和籽粒产量的关系,结果表明:(1)灌水对拔节期与孕穗期的NDVI值以及扬花期与灌浆期的光合速率有显著影响(p<0.05);起身水+孕穗水+灌浆水处理(I3)的孕穗期NDVI值和灌浆期光合速率平均比起身水处理(I1)分别显著增高6.7%和8.0%,起身水+扬花水处理(I2)的扬花期光合速率平均比起身水处理(I1)显著增高5.5%。(2)施氮对NDVI值和光合速率的影响均达到极显著水平;0～270 kg/hm2范围内,增加施氮能显著提高拔节期NDVI值以及灌浆期光合速率,但随着生育期的推进,增加施氮对NDVI值的提高作用逐渐下降。(3)拔节期NDVI值和光合速率与冬小麦籽粒产量相关性最高,相关系数分别达到0.968和0.864。     

基于Google Earth Engine的淮河流域越冬作物种植面积制图

越冬作物是中国重要的作物类型,其面积的变化不仅对中国粮食产量和经济产生直接的影响,还潜在地影响中国的粮食安全,因此有必要准确绘制越冬作物种植面积图来为决策制定者提供科学参考。该研究以淮河流域为例,基于Google Earth Engine云平台,融合时间序列Landsat-7/8和Sentinel-2A/B卫星影像,采用S-G（Savitzky-Golay）滤波器重构作物时间序列的归一化差异植被指数（Normalized Difference Vegetation Index,NDVI）,根据不同植被类型物候期的差异,选取越冬作物生长旺盛期NDVI最大值、越冬作物播种期和收获期中相应的NDVI最小值和中位数,在像元尺度上构建越冬作物提取算法,绘制淮河流域越冬作物的种植面积。研究结果表明,所构建算法能够精确提取淮河流域越冬作物的种植面积,总体精度为95.8%,Kappa系数为0.912,该研究可为作物面积的提取和监测提供方法参考。     

基于环境减灾卫星时序归一化植被指数的冬小麦产量估测

依托国产环境减灾卫星构建作物归一化植被指数(NDVI)时序曲线,不但能提供与MODIS-NDVI、AVHRR-NDVI几乎相当的作物生长动态变化信息,还能提供更高分辨率的空间信息,将其应用于作物估产应更有优势。该研究以地处鲁西北平原的山东省禹城市为研究区,探讨基于环境减灾卫星影像构建冬小麦NDVI时序曲线,基于曲线特征参数,开展遥感估产的可行性。结果表明,可依赖环境减灾卫星遥感影像,重建冬小麦NDVI时序曲线,求算其生长季最大NDVI、返青期NDVI、生长季累积NDVI、营养生长期NDVI的变化速率、生殖生长期NDVI的变化速率等特征参数,建立可靠的估产模型。所建模型的建模决定系数为0.87,相对误差为5.02%;交叉检验决定系数为0.78,相对误差为6.87%。该研究可为基于遥感的作物估产提供参考。     

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。     

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。     

推迟灌拔节水条件下种植模式对冬小麦抗倒伏特性和产量的影响

华北平原冬小麦在粮食生产中占据重要地位,受到灌溉用水短缺影响以及生育后期易倒伏减产的制约,冬小麦供需矛盾日益突出。该研究探究了推迟灌拔节水条件下不同种植模式对冬小麦抗倒伏特性的影响,设置宽幅精播(W)与常规种植(C)2种种植模式,每种种植模式设置灌拔节水60 mm(I1)和推迟10 d灌拔节水60 mm(I2)2种灌溉处理,研究冬小麦关键生育期茎秆物理指标,倒数第2节间茎杆力学、抗倒伏指数、蠕变变形量、产量及其组成等指标,探究冬小麦抗倒伏特性综合调优的种植模式和灌溉制度。结果表明,宽幅精播模式下推迟灌拔节水对抽穗期倒数第2节间茎杆抗折力有显著提升的趋势,显著提高了抗弯刚度,显著降低了蜡熟期倒数第2节间茎杆抗折力和抗弯刚度,以及植株蜡熟期鲜质量;宽幅精播模式下推迟灌拔节水显著提高了抽穗期抗倒伏指数,并提升了灌浆期抗倒伏指数,该处理在抽穗期、灌浆期和蜡熟期的抗倒伏指数平均值分别为2.03、1.58和1.87 N/(m·g)。冬小麦倒数第2节间茎杆在施加小于其极限抗折力的不同比例荷载时具有蠕变特性,宽幅精播模式下推迟灌拔节水茎杆蠕变极值平均值在抽穗期最大,灌浆期表现仍然较好,均由减速蠕变过渡到稳定蠕变阶段,蠕变极值范围介于0.6%～3.7%,蠕变极值平均值介于0.7%～2.5%。综合考虑抗倒伏指数和蠕变试验结果,冬小麦在宽幅精播模式下结合推迟10 d灌拔节水处理的抗倒伏特性最优。研究结果可为华北平原冬小麦节水高产提供理论依据和技术支持。