Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

冬小麦病害与产量损失的多时相遥感监测

为了开展农作物病害遥感监测与产量损失评估,该文以北京郊区大田生产条件下的冬小麦条锈病、白粉病的为研究对象,获取了2007年4月10日、4月26日、5月12日、5月28日共四期Landsat TM卫星影像,准同步地测量了试验地块的冠层光谱数据及配套农学数据。利用该4个时相的遥感数据,分析了试验区的冬小麦条锈病、白粉病在主要生育期的光谱特征及其变化,与对照地块相比,病害小麦在可见光和短波红外波段的光谱反射率降增大,近红外波段反射率减小,红边则会向短波方向移动,红边振幅减小,NDVI值减小。并利用冬小麦病害发生前期（4月10日,4月26日）的卫星遥感数据建立了作物产量的早期预测模型,结合实测的产量数据,定量计算了条锈病和白粉病的产量损失,结果表明两个白粉病和条锈病小麦地块的减产幅度超过了30%。     

小波分析与支持向量机结合的冬小麦白粉病遥感监测

为利用遥感影像数据在区域尺度上实现快速、准确地监测小麦白粉病的发生、发展情况,该研究基于环境与灾害监测预报小卫星(HJ-1A/1B)数据对地表温度(land surface temperature,LST)进行反演、提取4个波段反射率数据并构建7个植被指数。耦合K-mean和Relief算法对小麦白粉病遥感特征进行筛选。通过支持向量机(support vector machine,SVM)与小波特征(Gabor)结合SVM(Gabor SVM)的方法分别建立河北省晋州市小麦白粉病发生监测模型,并对2种模型的监测精度进行对比。结果表明:归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio index,SR)和地表温度3种特征参量可较好地表征小麦白粉病的发生情况,Gabor SVM的总体精度达到86.7%,优于SVM的80%。因此,小波分析与支持向量机结合的方法可用于基于卫星遥感影像的大面积病害监测,对提高病害监测精度具有重要应用价值。     

基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较

近年来,中国遥感事业已取得长足进步,高分一号(GF-1)卫星首次实现了中国自主研发的高分辨率对地观测。为探讨国产GF-1卫星影像在农业遥感长势监测中的适应性,以许昌地区为研究对象,选取同期Landsat-8卫星影像,结合地面采样数据LAI,从传感器光谱响应特征、经验回归模型监测精度以及LAI空间一致性等3方面进行2类遥感数据的对比评价。结果表明,GF-1影像近红外、红、蓝波段光谱响应与Landsat-8有差异,与绿波段光谱响应非常吻合,各波段光谱反射率与Landsat-8影像同类光谱间均存在显著线性关系。通过各波段组合多种归一化植被指数,采用经验回归模型反演LAI发现,GF-1影像反演的最优模型为NDVI的指数模型,R2为0.848,Landsat-8影像反演的最优模型为蓝红组合的归一化植被指数(blue-red NDVI,BRNDVI)的指数模型,R2为0.687,2类影像反演LAI与地面实测值均呈现较为一致的线性关系。由许昌地区玉米LAI值空间分布可见,GF-1影像反演的玉米LAI值与Landsat-8影像反演值过渡趋势一致,在许昌西部种植结构复杂地区,GF-1影像以其空间分辨率优势更能凸显LAI分布差异。通过该文研究表明,GF-1卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源,该数据在农业遥感其他领域的应用是今后研究的重点。     

基于LISS4数据的小麦氮素营养状况反演研究

利用LISS4卫星遥感数据在小麦氮素营养状况监测方面进行了初步研究。根据搭载多光谱传感器LISS4的IRS-P6的过境周期,2006年5月3日在江苏省盐城地区进行同步地面取样测试,通过分析试验点小麦LISS4影像光谱信息与小麦叶面积指数及叶片氮含量的相关关系,发现小麦叶面积指数和叶片氮含量与LISS4影像三个波段反射率及植被指数RVI、NDVI、GNDVI均密切相关,表明利用LISS4遥感影像监测小麦氮素营养状况是可行的。比较不同波段原始反射率和植被指数,在本研究中LISS4影像波段4反射率与小麦氮素营养状况相关最密切。检验结果也表明利用LISS4影像波段4反射率估测小麦氮素营养状况是可行的。研究成果为利用遥感技术大面积监测小麦氮素营养状况和实施精确栽培管理提供了理论依据。     

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。     

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。     

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。     

基于多时相OLI数据的宁夏大尺度水稻面积遥感估算

为客观获取宁夏水稻面积空间分布信息,也为区域农作物遥感监测奠定技术基础,该文以宁夏回族自治区为研究区域,选择美国LandSat-8携带的陆地成像仪(operational land imager,OLI)数据,采用2016年3月11日-7月01日间的15景影像,基于水稻田耕地与水体特征反射率随着季节变化规律的分析,采用归一化植被指数(normalized difference vegetation index,NDVI)、近红外波段反射率(infrared reflectance,IR)、短波指数(short waved index,SWI)3个指数,以及多时相NDVI最大值、IR最小值、SWI最小值3个衍生指数,共6个指数为基础进行决策分类树构建,对全区水稻进行识别与提取,采用该区水稻面积本底遥感调查结果进行精度验证,水稻种植面积提取误差仅.4.22%,Kappa系数为0.83,水稻空间分布的用户分类精度分别为85.11%,制图精度为81.67%;同时与监督分类方法提取的水稻面积进行对比,该文方法提取水稻的用户精度提高了8.13个百分点,制图精度更是提高了20.01个百分点。研究结果表明,利用中高分辨率的OLI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,构建分类决策树,可以准确地提取大宗农作物种植面积,是区域农作物面积遥感监测业务运行中具有潜力的方法。     

利用随机森林法协同SIF和反射率光谱监测小麦条锈病

小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型。研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11%,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33%,RF算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4%,平均RMSE减少了22%,BP神经网络模型估测值与实测值间的平均R2提高了14%,平均RMSE减少了28%,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。     

群体小麦条锈病发病动态无人机遥感监测方法

针对当前育种群体小麦条锈病表型分析手段单一、效率低下等问题,该研究提出了一种基于无人机低空遥感和多光谱成像技术的群体小麦田间条锈病高通量表型动态分析方法。该方法利用无人机采集自然发病的育种群体小麦（共600个样本,516个基因型）冠层多时相的光谱图像,并提取22个植被指数作为后续分析的表型,同时按照发病后的时间顺序与传统条锈病人工鉴定标准记录条锈病发病阶段和发病严重度数据;使用随机森林算法建立22个光谱植被指数同条锈病发病阶段与病害严重度的分类模型,并筛选出对上述两个分类问题敏感的植被指数;同时,使用随机蛙跳算法对特征进行筛选以降低仅使用随机森林算法对特征筛选的偶然性,并将随机蛙跳算法给出被选择概率排名在约前1/3的特征作为SVM算法的输入,构建发病阶段与病害严重度模型以验证随机蛙跳算法对特征筛选的有效性;综合两次特征选择的结果,分别筛选出对发病阶段和病害严重度敏感的3个植被指数,并基于这些指数响应的时间序列分析了群体中6个参考品种发病动态的差异。对条锈病发病阶段的分类模型构建中,随机森林和SVM模型测试集的F1分数分别为0.970和0.985;对条锈病严重度等级分类中,二者的F1分数为0.740和0.780,表明通过所建立的模型可以实现对群体小麦发病阶段和病害严重度等级的分类,且随机森林算法和随机蛙跳算法都能够筛选出对条锈病发病阶段和病害严重度敏感的特征。筛选出的差分植被红边指数（Difference Vegetation Index - Rededge,DVIRE）的响应对病害胁迫较为敏感,可用于同时描述田间条锈病发病阶段和严重度。该研究提出的高通量表型分析方法,基于无人机成像光谱提取的植被指数对群体小麦田间条锈病进行时间序列动态分析,能够精准量化群体小麦受条锈病胁迫状态,并可为其他作物抗病育种的表型分析提供一定的参考。     

基于分数阶微分光谱指数的小麦条锈病遥感监测模型构建

为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归（Gaussian Process Regression,GPR）模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数（Disease Index,DI）预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%,该研究结果对进一步实现作物健康状况大面积高精度遥感监测具有重要意义。     

陇南山区小麦条锈病流行程度预测模型

利用1957-2006年陇南山区小麦条锈病资料分析得出：白龙江流域小麦条锈病在海拔1600m以上自生麦苗上越夏，在海拔1000m以下的川坝河谷地无明显的越冬期，春季流行以当地菌源为主，西汉水流域海拔1600m以上区域是陇南小麦条锈病的主要越夏区。小麦感病品种面积比率，上年条锈病越夏菌量、秋苗病情病田率和上年8月、10月及当年1月、3月平均气温与春季小麦条锈病流行程度相关十分显著，10月一次年3月平均气温与小麦条锈病流行程度呈正相关，4—8月平均气温与小麦条锈病流行程度呈负相关，逐月降水量与小麦条锈病流行程度呈正相关，由此建立的预报模型，其历史拟合率可达87．5％，其中偏重到大流行历史拟合率为100％，2006年在业务应用中预报正确。     

甘肃省冬麦区2021年春季小麦条锈病发生情况调查

为及时掌握小麦条锈菌核心菌源区小麦条锈病年度发生情况，采用随机调查法于2021年4月及6月对甘肃省冬小麦主要种植区开展田间普查。结果发现，2021年为甘肃省冬小麦主要种植区小麦条锈病重度发生年份，4月调查发现陇南麦区田间发病较充分，天水市及平凉市等地田间发病较往年提前10 d左右，病原菌越冬范围及菌量增大，为病害的扩展流行积累了大量初始菌源；适宜的环境条件为病害的充分扩展提供了有利条件。6月调查时发现田间小麦条锈病发病充分，甚至出现“双百田”(病叶率及严重度均达100%)。     

甘肃陇南越夏区小麦抗条锈病育种研究进展

甘肃陇南是中国小麦条锈菌最大、最重要的越夏区,条锈病是发生于该区域小麦生产上最主要的病害,持续不断的培育和种植抗病品种是防治该病最绿色、经济的措施。为了持续控制该区域的条锈病、保障粮食安全,总结了自1995年以来甘肃陇南小麦抗条锈病育种成效,分析了存在的问题,提出了强化优异抗条锈病种质资源材料的评价、挖掘、创新与利用;强化生物育种技术的应用;强化抗病品种(基因)布局等建议。     

基于高光谱遥感估测条锈病下的混种小麦产量分析

为利用高光谱遥感监测小麦条锈病,并对条锈病胁迫下的产量进行估测,通过4个对小麦条锈病具有不同抗病性的品种进行混合种植,从中找出产量最高的品种组合,利用高光谱遥感研究不同发病程度的混合种植小麦的冠层光谱,并用光谱数据提取植被指数,研究病情指数和产量与植被指数之间的关系,建立反演模型。结果表明：A（农大195）︰C（0045）︰D（农大211）=1︰1︰1组合的产量最高。在乳熟期时,归一化植被指数与产量相关性高。利用NDVI对各个生育时期的产量及产量构成因素进行模拟,产量在灌浆期时的模拟效果最好。条锈病发生后利用多时相组合的植被指数NDVI对产量进行模拟精度高。     

冬小麦条锈病单叶光谱特性及严重度反演

对冬小麦条锈病胁迫不同严重度(0、1%、10%、20%、30%、45%、60%和80%)的单叶进行光谱测定,其光谱特征明显,随严重度增加,单叶光谱反射率在可见光550～740 nm处增加,差异显著;而近红外平台750～1340 nm反射率也呈上升趋势,差异不显著;中红外1350～1600 nm反射率上升,差异显著.反射率与严重度相关系数在376～1600 nm范围内基本成正相关,达到极显著相关的敏感波段区域为446～725 nm与1380～1600 nm.入选了493、666 nm和1430 nm与严重度的相关系数最高的单个波段,利用相关性最好的666 nm和相关性最弱的758 nm波段组合设计了光谱角度指数SAI(Spectral Angle Index),与严重度建立的模型相关系数较高.并利用连续统去除法对540～740 nm特征反射峰进行归一化定量分析,吸收深度(Depth)与吸收面积(Area)与严重度呈极显著相关,设计的吸收面积指数AAI(Absorption Area Index)与严重度相关系数最好,可较好地反演单叶严重度.结果表明,条锈病单叶光谱特性明显,利用其光谱反射率可以很好的估算单叶严重度,建立的模型具有很高的反演精度.结果对深入研究冬小麦条锈病害遥感监测机理提供了理论依据.