基于MODIS EVI的冬小麦产量遥感预测研究

Terra-MODIS数据集同时具有归一化植被指数（NDVI）和增强型植被指数（EVI）两种植被指数。为了对比这两种植被指数在农作物估产中的应用效果，该文利用MODIS-NDVI和MODIS-EVI作为遥感特征参量，以对美国冬小麦的长势监测与产量预测为例进行了研究：运用区域作物特定生育期内多年的NDVI和EVI值与作物产量进行相关分析，采用一次线性拟合方法分别建立回归方程，估算当年的农作物产量。结果表明，EVI明显地比NDVI更好地与产量建立回归方程，用EVI建立的回归方程，各州相关系数大多在0．7以上；而用NDVI建立的回归方程，相关性不稳定。因此利用EVI建立的模型对2004年美国冬小麦进行估产，并将预测结果与美国国家统计署6月1号公布的预测结果进行对比，结果发现，美国国家统计署预测单产误差为3．05％，总产误差为-2．56％，而该研究预测结果单产误差为2．62％，总产误差为-1．77％且预测时间比美国国家统计署预测时间提前约半个月。可见EVI可以更有效地进行作物监测及估产，提高预测的准确性。     

基于水稻冠层植被指数的龟裂碱土盐碱化信息预测研究

土壤盐碱化是危及农业生产的重大生态环境问题,遥感技术可以通过植被冠层光谱来估测土壤的盐碱化程度。试验结果表明:土壤pH与ESP(exchangeable sodium saturation percentage)之间有极显著相关关系;随着生育期的推移,水稻冠层NDVI逐渐增大,RVI逐渐减小,孕穗期水稻冠层NDVI值最高,RVI值最低。从拔节期到乳熟期的水稻冠层NDVI和RVI与相应时期的土壤pH和ESP都有较好的相关性,而且随着作物生长期的延伸,NDVI估测土壤pH和ESP的准确性有增加的趋势;返青期和分蘖期相关性不稳定。NDVI和RVI对pH和ESP估测的精度无显著性差异,但NDVI对ESP的估测效果更好一些。所以,从拔节期到乳熟期,通过水稻冠层植被指数可以较准确地预测龟裂碱土的碱化程度。     

基于双波段作物长势分析仪的东北水稻长势监测

为了实现水稻精细栽培和变量管理的目的,利用独立开发的双波段作物长势分析仪,进行了水稻生长监测的试验与分析。传感器分别在610与1220 nm处测量太阳光与作物冠层反射光的强度,进而计算光谱反射率。利用双波段作物长势分析仪于2008年在黑龙江省农垦总局建三江分局2处水稻试验田,在分蘖期与抽穗早期进行了氮肥胁迫试验,结果表明水稻叶片氮浓度及生物质干质量与RVI、NDVI都具有很高的相关性,但与NDVI的相关性比与RVI的更高。分蘖期的测量结果表明,NDVI与施肥量的相关性非常显著,R2大于0.94。但NDVI并不与施肥量成线性相关,过量的施氮量反而会引起NDVI值的降低。分蘖期、抽穗早期的NDVI值都与最终产量有着显著的相关,其中抽穗早期的NDVI与产量的决定系数（R2）达到了0.96。分析结果显示利用双波段作物长势分析仪监测水稻冠层,可达到控制投入和提高产量的目的,为水稻的精细栽培提供理论与技术支持。     

基于NDVI-Ts特征空间的冬小麦水分诊断与长势监测

综合利用NOAA气象卫星4个波段的信息,来证实NDVI-Ts特征空间是否可用于作物的水分亏缺诊断以及监测作物长势.该文在N0AA17/AVHRR数据基础上,利用其1和2通道的数据计算了NDVI,利用4和5通道数据采用优选出的UL92裂窗算法反演了Ts,以邯郸地区为例计算了其植被供水指数(NDVI/Ts)并用NDVI-Ts二维特征空间分析该区冬小麦长势的情况.结果表明:NDVI/Ts基本能诊断邯郸地区冬小麦关键生育期(拔节和灌浆)的水分亏缺状况:NDVI-Ts二维特征空间表证了在各生育期冬小麦地的NDVI和Ts呈反比线性关系,而裸地二者没有相关性,证明了NDVI-Ts特征空间确实是研究作物水分亏缺和长势监测实用的理论方法.     

基于水稻冠层NDVI的土壤盐碱化信息预测研究

通过测定不同盐碱化程度土壤上覆植被光谱特征和土壤的盐碱化指标,探讨了通过上覆植被光谱与土壤盐碱化信息的关系。试验结果表明,水稻冠层归一化植被指数（NDVI）从返青期到孕穗期逐渐增大,孕穗期达到最大,然后开始下降;水稻全生育期冠层NDVI与土壤表层全盐、电导率（EC）呈显著相关（相关系数平均分别为0.608 2和0.623 9）,孕穗期相关性达到最强;除返青期外,其它时期水稻冠层NDVI与土壤Na＋＋K＋呈极显著相关关系（平均相关系数为0.564 8）;全生育期水稻冠层NDVI与土壤HCO3-,Cl-,SO24-,Ca2＋和Mg2＋的相关性很差或不稳定,所以从分蘖期到乳熟期,根据冠层NDVI可以较准确地估测土壤全盐、EC和Na＋＋K＋,但不能准确估测土壤中的其它监基离子。     

基于TM和MODIS数据的水旱地冬小麦面积提取和长势监测

采用Mahalanobis Distance分类法提取了冬小麦种植面积,通过搭建决策树结构进行了不同灌溉类型冬小麦种植面积的提取,通过两个年份不同生育时期MODIS-NDVI的比较,分析了NDVI时间曲线与冬小麦长势的响应规律和水旱地冬小麦年同期长势。结果表明：2007年临汾地区冬小麦总种植面积为234778.5 hm2,提取精度为96.96%,其中水地种植面积为107488.3 hm2,提取精度为86.15%,旱地冬小麦为127290.2 hm2,提取精度为86.16%。生育期内,水地冬小麦整体长势好于旱地冬小麦,通过NDVI变化斜率比较,表明随着生育期的推进,水地冬小麦NDVI达到峰值前的上升速度远大于旱地冬小麦,峰值后水地冬小麦NDVI下降速度小于旱地冬小麦。     

四川盆地水稻不同生育期干旱频率的空间分布特征

将四川盆地按地理地貌类型及水稻种植区划分为5个区域即盆南、盆中、盆西、盆周和盆东,基于区内102个县(市)气象台站1980-2014年的逐日气象资料及32个农业气象观测站的水稻生育期资料,利用干旱评估指标分析四川盆地水稻各生育期干旱发生频率的空间分布特征。结果表明：水稻移栽-分蘖期干旱频率在盆中及盆南部分区域高达90%以上;分蘖-拔节期及拔节-孕穗期干旱频率也相对较高,大部地区集中在50%～90%;水稻孕穗-抽穗期和抽穗-成熟期的干旱发生频率与其它生育期相比较低,孕穗-抽穗期干旱发生频率除盆西部分区域、盆中及盆东北局部在70%～84%以外,其余大部在50%左右;抽穗-成熟期干旱发生频率大部分在50%～70%。     

江西鹰潭早稻关键生育期的NDVI诊断指标

确定水稻不同生育期的适宜和临界光谱诊断指标,是进行水稻生长光谱诊断从而判断施肥量的关键。该研究采取主动式的Greenseeker光谱仪,测定了不同氮肥处理下水稻早稻关键生育期的NDVI,并以水稻产量为判断依据,结合判别式分析计算了江西鹰潭早稻关键施肥期适宜的和临界NDVI诊断指标。结果表明,早稻中选181分蘖期、拔节期（穗分化期）和抽穗期的适宜NDVI值分别为0.37～0.55,0.76～0.80和0.72～0.75,其临界值分别为0.346、0.703和0.654。同品种不同新型肥料共27个小区的试验数据对NDVI临界值的检验表明,分蘖期、拔节期和抽穗期光谱诊断的正确率分别为63%（17个）、81.5%（22个）和96.3%（26个）。表明根据关键生育期的冠层NDVI 能够预测水稻的预期产量水平并用来指导施肥。但还需要开展相关试验来确定不同冠层NDVI下的适宜施肥量,建立基于NDVI的追肥模型。     

基于变化向量分析的冬小麦长势变化监测研究

现有的农作物长势遥感监测的基本思路是利用NDVI曲线形态变化与作物苗情变化的响应关系,提取特征参数,推测作物的生长发育状况.但由于表征NDVI时间序列曲线的特征参数较多,难以对所有特征参数进行全面变化分析.本研究引进变化向量分析理论,以东部五省冬小麦为研究对象,以1999-2005年SPOT-VGT的旬最大合成NDVI数据为主要数据源,采用Savizky-Golay滤波器重构NDVI时间序列,进而构建基于变化向量分析的长势监测模型,分别对研究区的年际与年内长势变化进行时间和空间上的定量分析.研究表明,变化向量分析方法能有效地从空间域和时间域反映东部五省冬小麦长势变化规律,以单一综合性指标综合了NDVI时间序列曲线的大多数特征参数,为农作物长势遥感监测提供了一种新的研究思路.     

基于NDVI与物候修正的大豆长势评价方法

及时、准确的作物长势监测可以为宏观决策和农田生产提供作物生长信息,便于及时采取各种田间管理措施,达到科学管理和作物增产的目的。归一化植被指数(normalized difference vegetation index,NDVI)与植被的叶面积指数(leaf area index,LAI)和叶片叶绿素含量关系极为密切,可以用来评价作物的生长状况。为了降低主观因素及物候差异对大豆长势监测的影响,该研究以黑龙江红星农场主要农作物大豆为例,基于历史NDVI数据建立了该区域大豆长势评价的标准。利用NDVI时间序列拟合法提取大豆关键物候期,结合物候监测结果对大豆长势进行修正,最后利用41个地块的单产数据对长势评价结果进行了验证。物候修正前后长势与单产的一致性分别为58.5%、75.6%,容差为1个等级时分别为87.8%、95.1%,表明历史NDVI对大豆长势评价有一定参考意义,但简单同期对比不能完全反映大豆长势真实情况,物候修正可以进一步改善长势评价效果。研究可以为利用遥感进行大豆长势评价提供参考依据。     

基于HJ-1 CCD的县域农作物种植结构提取和时空分析(英文稿)

作物分类和时空变化监测信息可以为农业管理提供依据,多年作物种植结构图反映了作物种植方式的变化,对经济和社会分析起着重要作用。然而,用于绘制作物分布图的卫星影像不能同时具有高时间高空间分辨率,在提取作物种类复杂多样地区的种植结构图时,往往难以提供足够的作物生长周期内影像。该研究提出了一种既经济又高效的解决方案,即利用重复周期短的环境一号CCD（HuanJing-1 Charge-Coupled Device,HJ-1 CCD）图像和免费Landsat-8图像来提取中国监利县的作物种植区时空变化图。根据NDVI时间序列曲线定义了不同作物生育期物候指标例如归一化植被指数（Normalized Difference Vegetation Index,NDVI）的最大值、日期和天数等,用于作物分类。为了获取物候指标的阈值,首先从15m Landsat-8影像中提取典型种植区,然后利用典型种植区作物生长阶段NDVI时间序列曲线,得到物候指标中的NDVI阈值和时间阈值,再根据这些阈值制定了分类规则,并获得了2009-2016年作物分布图。根据多年主要作物分布图,分析不同作物的土地利用变化。最后利用高空间分辨率卫星图像和监利县统计年鉴中的作物面积数据对作物分类结果进行精度评估。与高空间分辨率图像相比,平均分类精度为84%,与统计作物面积数据相比,分类精度达到81.60%。结果表明,该研究为在像监利县这样复杂地区进行常规的作物分布制图提供了一种可行的分类方法。通过对夏收作物的时空动态变化分析可以发现,油菜农业机械化水平低、劳动力成本高,导致愿意种植油菜的农民较少。对于秋收作物,政府设定了中稻最低收购价标准,大大降低了农民种植中稻的风险,对农民种植秋收作物具有指导作用。     

基于Landsat8 OLI与MODIS数据的洪涝季节作物种植结构提取

洪涝灾害会造成农作物严重受损,因此洪涝季节作物的种植结构是估算洪涝灾害损失、进行防灾减灾措施的必要信息。为了能够快速便捷地提取洪涝季节作物种植结构,该文以湖北省监利县为研究区域,探讨了采用空间分辨率较高的Landsat8陆地成像仪(operational land imager,OLI)影像和时间分辨率较高的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)数据,综合利用多源多时相遥感影像提取中小尺度范围的洪涝季节作物种植结构的方法。首先利用MODIS数据建立作物的归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线,并采用改进后的Savitzky-Golay滤波器对曲线进行平滑处理,然后根据作物的物候特征设定阈值,界定作物种类,进而以此为依据在作物关键生育时期的Landsat8 OLI高清影像中选择合适的感兴趣区域(region of interest,ROI)作为先验知识,使用BP(back propagation)神经网络模型对OLI数据进行监督分类,提取作物种植面积分布。最后利用统计数据与资源三号卫星数据对提取结果进行验证,平均精度达到88%,能够较准确地反映监利县洪涝季节作物的分布情况。该研究可为洪涝灾害损失估算提供可靠基础。     

基于冠层多光谱数据预测水稻氮素营养状况

A soil batch experiment was conducted to investigate both separate and compound effects of three types of surfactants： anionic dodecylbenzene sulfonic acid sodiumsalt （DBSS）, cationic cetyltrimethylammonium bromide （CTAB）, and nonionic nonyl phenol polyethyleneoxy ether （TX-100）, as well as ethylenediaminetetraacetic acid （EDTA） on cadmium solubility, sorption kinetics, and sorption-desorption behavior in purple soil. The results indicated that both individual application of the three types of surfactants and surfactants combined with EDTA could stimulate Cd extraction from the soil with a general effectiveness ranking of EDTA/TX-100 〉 EDTA/DBSS 〉 EDTA/CTAB 〉 EDTA 〉 TX-100 〉 DBSS 〉 CTAB. Further study showed that the compound application of surfactants and EDTA had stronger （P 〈 0.05） effects on Cd solubility than those added individually. The application of surfactants and EDTA to purple soil （P 〈 0.05） decreased the proportion of Cd sorbed, while their effectiveness ranking was similar to that of enhanced solubilization. The sorption kinetics of Cd in purple soil was best described by the double-constant equation, while the Freundlich equation gave an excellent fit to the sorption isotherm curves. Therefore, surfactant-enhanced remediation of Cd contaminated soil is feasible and further research should be conducted.     

基于Sentinel-2影像的西南山区不同生长期水稻识别

山区水稻种植呈现破碎分散的特点,中低分辨率的遥感影像分类效果不甚理想,需要寻找适用于山区水稻提取的遥感数据源和监测方法;水稻在不同生长阶段有不同的形态特征,适用的分类特征与得出的分类结果显然不同。该研究以Sentinel-2影像为数据源,对不同生长阶段的水稻进行提取。选取波段特征、植被指数、红边指数、水体指数、地形特征、纹理特征等58个分类特征,运用SEaTH算法进行筛选后,采用随机森林分类法进行分类,并构建误差矩阵比较分类结果。结果表明,分类特征经过筛选后,数量分别为发育期16个、生长期13个、成熟期12个;分类结果进行精度验证后,用户精度分别为发育期0.93、生长期0.88、成熟期0.85,水稻发育期为提取水稻的最佳时期。Sentinel-2影像和随机森林方法可作为理想的数据源和监测方法用于山区水稻时空信息的提取。     

基于GF-1/WFVNDVI时间序列数据的作物分类

归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。     

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。     

应用数字图像技术进行水稻氮素营养诊断

【目的】研究田间试验条件下水稻不同生育期冠层图像色彩参数(G、NRI、NGI、NBI、G/R和G/B)及植株氮素营养指标(叶片含氮量、植株全氮含量、生物量、氮素累积量和冠层NDVI值)的时空变化特征,并分析两者间的相关性,确立水稻氮素营养诊断的最佳色彩参数和方程模型,为探明数码相机在水稻上的适宜性及精确诊断水稻氮素营养状况提供理论基础。【方法】于2013年5月9月在湖北省武汉市华中农业大学试验基地(30°28'08'N,114°21'36'E)采用不同施氮处理的田间试验,以籼型两系杂交稻"两优6326"为供试作物,设置4个施氮水平:0、75、150和225 kg/hm2(分别以N0、N75、150和N225表示),3次重复,随机区组排列。分别在水稻分蘖期、拔节期、孕穗期和灌浆期采用数码相机(Nikon-D700,1200万像素)获取水稻冠层图像,应用Adobe photoshop7.0软件直方图程序提取图像的红光值R、绿光值G和蓝光值B,研究数码相机进行水稻氮素营养诊断色彩参数,确定植株氮素营养指标诊断模型。【结果】较对照(N0)相比,分蘖期、拔节期、孕穗期和灌浆期3个施氮处理水稻地上部生物量、叶片含氮量、植株全氮含量、氮素累积量、冠层NDVI值和成熟期产量增幅分别平均为40.7%98.0%、42.4%72.4%、36.2%85.3%、125.5%209.1%、51.3%60.6%和60.1%117.0%,差异显著。水稻不同生育期各冠层数字化指标G、NRI、NGI、NBI、G/R和G/B与上述氮素营养参数相关性差异较大,且以数字图像红光标准化值NRI表现最佳,建议作为应用数码相机进行水稻氮素营养诊断的最佳冠层图像色彩参数指标。进一步分析表明,可以用统一的线性回归方程来描述不同生育期、不同氮素水平下水稻植株氮素营养指标随冠层色彩参数NRI的变化模式。【结论】数码相机进行水稻氮素营养诊断测试结果稳定,具有快速、便捷、非破坏性等优点,冠层色彩参数NRI与水稻氮素营养指标和产量之间均表现出较好的相关性,满足氮素营养无损诊断的需求,对实时、快速监测水稻长势状况及氮素营养丰缺水平具有较高的可行性,有望发展成为新时期作物氮素营养无损诊断技术的潜力。     

时空协同的地块尺度作物分布遥感提取

地块尺度作物分布信息清晰直观地反映了农田位置、空间形态等空间细节和种植类型信息,对精准农业管理、种植补贴发放和农业资源调查等具有重要价值。虽然遥感时空协同思路为地块尺度作物分布提取提供了解决方案,但在农田地块提取和时序特征构建方面尚存在不足。该研究基于遥感时空协同的思路,以Google Earth高空间分辨率影像为底图,利用擅于学习影像视觉特征的D-LinkNet深度学习模型,快速、精准提取农田地块形态;以地块为观测单元,利用Landsat8和Sentinel-2多源遥感的"碎片化"无云数据构建地块时序数据集,基于加权Double-Logistic函数重建地块归一化植被指数(Normalized Difference Vegetation Index,NDVI)时序曲线;提取地块物候特征和多时相光谱特征,经过特征优选和随机森林分类模型构建,开展地块尺度作物分布制图。以广西扶绥县为研究区开展试验,共提取地块43.7万个,边界准确率为84.54%,相较于常规基于多尺度分割的地块提取,基于D-LinkNet的地块提取方法直接排除了非农田地物的干扰,地块形态与现实情况符合度更高;地块NDVI时间序列重建结果能够较好地捕捉作物开始生长、旺盛期、成熟收获期的动态变化趋势;分类特征重要性评价结果显示,红边特征、与时间相关的物候特征在分类中发挥重要作用,当联合物候特征和光谱特征时分类效果最佳;根据特征重要性分析不同特征数量情况下的分类精度,当特征数量大于40维时,作物分类精度和Kappa系数保持稳定,总体分类精度维持在88%左右;对扶绥县地块尺度作物分布进行制图,提取甘蔗地块277 421个、水稻地块33 747个、香蕉地块4 973个、柑橘地块102 055个,分别占农田地块总数的63.48%、7.72%、1.14%、23.35%,种植面积占比分别为69.78%、7.12%、1.71%、18.06%。该研究在理论上构建了遥感时空协同的地块尺度作物分类模型,为大范围、地块尺度作物分布遥感提取提供了实用化方案。