基于GF-1卫星遥感数据识别京津冀冬小麦面积

省级尺度冬小麦面积的精准获取技术是农作物面积遥感监测研究的主要内容之一。为了获取省级尺度的冬小麦种植面积, 该文以北京市(京)、天津市(津)和河北省(冀) 3个省域范围为例, 以国家标准地形图分幅为分类的图幅单元, 利用国产GF-1/WFV数据, 构建冬小麦面积指数, 实现了省级尺度冬小麦面积的识别。本文以冬小麦全部9个月生育期的984景影像作为数据源, 依次经过数据预处理、标准图幅单元的NDVI合成、样本点选择、冬小麦面积指数构建、冬小麦作物类型确认、省域范围制图及精度验证等步骤完成研究区域内冬小麦面积的提取。采用区域网平差和6S大气校正算法对数据源预处理, 以中国1︰10万标准地形图分幅为分类图幅单元构建冬小麦面积指数, 将冬小麦面积指数按照1%的比例等分, 并将面积指数从0到100%分割为101个提取节点, 将提取节点的NDVI值依次与类型确认样本比较, 精度最高的则确认为冬小麦面积提取阈值, 同时将该阈值应用于图幅单元内冬小麦面积指数影像, 获取冬小麦种植分布。最后冬小麦面积识别的精度表明, 以标准地图分幅作为计算单元, 在GF-1影像基础上, 利用冬小麦面积指数能够显著提高冬小麦与其他地物类型的波谱差异, 且冬小麦的总体识别精度达到89.6%, 用户精度达到89.8%, 制图精度96.5%, Kappa系数0.72。在典型区域, 本文算法与监督分类算法精度结果较为一致, 除制图精度相差4.77%外, 总体精度与用户精度差都在1.00%以内, 说明本文算法具有精度高、运行效率高、分类单元识别结果一致性强的特点, 能够满足省级尺度农情遥感业务监测的需要。     

基于新遥感数据源的县域冬小麦种植面积提取

Landsat-8卫星的成功发射为农业遥感提供了新的重要数据源。以虞城县为研究区域,探讨基于Landsat-8影像估算县域冬小麦种植面积的可靠性,讨论不同分辨率影像的提取精度。选取冬小麦起身生拔节长期的影像以最大程度的扩大冬小麦与背景地物的波谱差异,根据波谱特征构建提取冬小麦种植面积的决策树模型。结果表明：与统计数据对比,使用30 m空间分辨率影像提取的精度为96.30%,使用15 m空间分辨率影像提的取精度达到99.17%,该方法可为县域冬小麦面积提取提供技术支撑。     

基于HY-1C/CZI数据的冬小麦早期识别研究

[目的]为充分发掘海洋一号C星(HY-1C)CZI数据的农业应用潜力,[方法]该文以HY-1C/CZI数据为基础数据源,结合土地利用现状数据、目视解译结果数据,以河南省商丘市及其附近区域作为研究区,对早播冬小麦、晚播冬小麦、裸地及建筑、森林、水体五类地物的光谱特征进行了分析,并在光谱分析的基础上基于决策树分类方法对冬小麦区域进行了提取。[结果]冬小麦面积提取结果表明,2018年研究区内冬小麦总播种面积69.42万公顷。以目视解译获得的地面验证点数据对提取结果进行精度验证,结果表明,冬小麦提取结果的总体精度为91.80%,Kappa系数为0.84,冬小麦用户精度和制图精度分别为91.88%和92.91%。 [结论] 基于HY-1C/CZI数据可以实现对冬小麦的早期识别和提取,提取精度较高,达到了其他相似数据源相近的识别精度,表明基于海洋一号卫星CZI数据具有一定的农业应用潜力。     

GF-1和MODIS影像冬小麦长势监测指标NDVI的对比

作物长势是农情遥感监测的重要内容之一。长期以来, 作物长势遥感监测主要基于卫星影像反演的相关植被参数, 如归一化植被指数(NDVI, normalized difference vegetation index)、叶面积指数(LAI, leaf area index)等。本文通过对比研究16 m分辨率GF-1卫星影像及250 m分辨率MODIS影像的NDVI与冬小麦综合茎数、株高、叶绿素浓度之间的关系, 尝试建立遥感监测作物长势指标与地面实测作物长势指标的定量关系。研究发现GF-1 的NDVI与冬小麦综合茎数的相关性最高(R ²=0.8961), 而与其他指标相关性较弱; MODIS的 NDVI指数与冬小麦综合茎数相关性较低(R ²=0.4432), 对作物长势的遥感监测精度较低。统计MODIS冬小麦像元内GF-1像元的NDVI平均值, 并与MODIS的NDVI对比, 发现两者之间的相关性较低(R ²=0.3944); 在消除MODIS与GF-1影像传感器光谱响应函数差异及NDVI尺度效应后, MODIS影像的冬小麦作物长势遥感监测精度得到一定提高(R ²=0.4633)。对MODIS像元内GF-1 NDVI标准差排序发现, MODIS像元内冬小麦长势一致性越高, MODIS的长势遥感监测精度越高。GF-1和MODIS影像NDVI长势监测主要代表地面冬小麦综合茎数, 且卫星影像分辨率越高, NDVI值越能反映实际的作物长势。MODIS像元内冬小麦长势一致性越高, 基于NDVI的MODIS与GF-1数据冬小麦长势监测结果越一致。从区域长势监测角度来看, 尽管MODIS与GF-1数据的监测结果趋势较为一致, 并且通过光谱、尺度归一化能够进一步提高监测结果的一致性, 但MODIS NDVI长势监测总体精度较低, 为满足作物长势精细化监测的业务需要, 应逐步使用高分辨率的遥感数据替代中低分辨率遥感数据进行作物长势遥感监测, 并将其作为长势监测业务化运行的研究重点。     

基于HJ卫星的中国南方地区甘蔗面积提取研究

为了研究大范围甘蔗种植面积的提取方法，以广西、云南、广东湛江和海南为研究区，以30 m空间分辨率的多时相HJ卫星影像为数据源，采用基于NDVI时间序列的决策树分类模型提取研究区内2014/2015年度甘蔗种植面积。结合农业部门的统计数据对甘蔗种植面积提取结果进行精度评价，总体精度达到87.5%。对研究区广东湛江甘蔗种植区域进行抽样调查，抽样调查精度达到93.2%，Kappa系数为0.81。表明该方法可以高效地应用于中国南方地区的甘蔗种植空间信息识别。     

基于关键期HJ卫星数据提取无棣县作物种植面积

探讨利用作物关键生育期HJ卫星遥感数据,进行区域主要作物种植面积快速监测的可行性,旨在建立一种方便快捷的作物种植面积提取技术。以山东省无棣县为研究区,根据该县作物栽培技术月历为参考选择关键期HJ星遥感数据,通过EVI指数时序数据分析,采用支持向量机(SVM)方法进行了该县主要作物种植空间分布信息提取。结果表明：关键期HJ星EVI指数数据结合SVM方法,能较为准确地获取该县冬小麦、玉米和棉花的种植面积,总体的面积总量精度超过93%,空间分布精度大于75%;利用关键期影像大大减少了数据处理量,便于可视化感兴趣区的选择,仅利用SVM方法就获得了满足精度要求的作物面积提取结果,大大简化了操作流程,为其他区域利用HJ卫星数据提取作物种植面积提供了参考。     

作物类型遥感识别研究进展

及时获取作物种植面积是研究粮食区域平衡,预测农业综合生产力和人口承载力的基础。遥感技术已经成为提取作物种植面积的重要手段,而前提是识别作物。为了理清当前该领域的国内外研究现状,以遥感在作物类型识别中的应用为主线,归纳了国内外作物类型识别研究中常用的各类遥感数据,如资源遥感影像、气象遥感影像、高分辨率影像、高光谱影像和微波影像等,分析其优缺点和适用性;同时总结了利用遥感进行作物类型识别的3 类研究方法,包括基于光谱的识别方法、基于物候差异的识别方法以及光谱与物候相结合的方法,分析了各种方法的特点;指出目前作物类型遥感识别中存在的主要问题,如影像空间精度与价格的平衡问题,多分辨率遥感数据的综合应用问题,物候差异对作物识别的影响问题等;认为不同分辨率遥感数据的结合可以弥补各自不足,遥感影像的时相选择是提高精度的关键,另外需要应用除光谱和物候以外的更多解译标志;建议进一步深入研究作物识别机理和多尺度数据融合方法。以期为遥感技术在作物类型识别中的深入研究提供参考和借鉴。     

HJ卫星数据在棉花种植面积提取中的应用研究

 探索利用环境小卫星数据进行棉花种植面积的提取,旨在利用国产卫星数据建立一种方便快捷的棉花种植面积提取技术,为棉花的遥感估产奠定基础;选取2011年新疆北部国营农场棉花不同生育期内两期HJ卫星影像,根据棉花与研究区其他作物物候和光谱差异性、农作物生长规律,运用监督分类算法、密度分割和逻辑运算,辅助于人机交互的目视解译,得到研究区棉花种植面积;结果表明：不同监督分类算法中,神经网络分类法和最大似然法分类效果最佳;最终提取的棉花面积总体精度为87.7%;本文采用的方法较为实际、便捷,提取棉花种植面积的精度符合农场生产要求,可为棉花估产和作物种植结构分析提供科学依据。     

基于Landsat 8影像提取豫中地区冬小麦和夏玉米分布信息的最佳时相选择

遥感技术对大尺度农业实时监测提供了一个理想的手段,遥感影像植被分类的最佳时相对作物种植面积遥感监测非常重要。本文选取2020年至2021年的6景Landsat 8影像,覆盖了夏玉米从乳熟到收获、冬小麦从越冬到成熟的生育期,以此分析不同时相的冬小麦-夏玉米与其他地类在光谱特征和NDVI上的差异,通过决策树的方法提取豫中地区冬小麦-夏玉米的空间分布情况。结果表明,冬小麦-夏玉米在不同生长发育时期,提取到的面积比有所不同,对于夏玉米而言,乳熟时期的提取效果要优于之后的时期,其在2020年8月26日的总体精度最高,为83.60%,Kappa系数为0.72,分类质量很好;对于冬小麦而言,最佳识别时期则处于冬小麦的越冬期,其在2021年1月1日的总体精度最高,为92.36%,Kappa系数为0.81,信息提取效果很好。除了作物自身生长过程的覆盖度变化,分类精度随成像时间而改变。多时相信息提取也发现,受到天气等环境条件限制,夏玉米和冬小麦的种植区域不完全重叠,山区冬季不适合冬小麦种植从而没有与夏玉米出现重叠分布。本研究有助于我们从宏观上对作物分布及生长状况作出及时有效的判断,对农业监测,特别是对轮作...     

基于HJ-1数据的冬小麦种植面积、长势与收割进度遥感监测

及时、准确地获取冬小麦种植面积、长势、收割进度等信息对冬小麦产量预报和农田精细管理具有重要意义。本研究采用HJ-1A/B CCD1/CCD2影像,结合S-G滤波算法、波段最大化的光谱角目标探测器、阈值分割等方法进行新乡市冬小麦种植面积、小麦长势和收割进度等遥感监测。结果表明：（1）利用HJ卫星NDVI时间序列数据结合波段最大化的光谱角度目标探测器方法,可以进行冬小麦种植面积提取,各县市冬小麦种植面积提取相对误差在10%以内;（2）单景影像NDVI值阈值分割可以反映冬小麦长势在时空差异;（3）冬小麦达到抽穗期的时间不一致,NDVI值在4月15日和21日附近达到最大值;（4）利用成熟期和收割期不同时间的NDVI影像,可监测各县市冬小麦收割进度的时空差异。各县市冬小麦在6月4日前开始收割与6月15日左右完成收割工作。HJ卫星时间序列遥感数据可以进行冬小麦种植面积、长势、收割进度等遥感监测。     

基于高分一号16m影像的美国大豆种植面积抽样调查

为了试验中国自主发射的高分一号卫星16 m影像在抽样调查美国大豆面积的有效性问题,解决目前中国农业遥感调查主要依靠国外数据源的问题。在95%置信水平和误差5%的要求下,首先设计了2013年模拟抽样试验(6种抽样比),以抽样框中大豆面积为分层指标,将抽样单元划分为6层,以总体相对误差和变异系数为抽样效率评价指标,试验确定理论最小抽比为1.8%。然后设计了2014年抽样试验,采用和2013年抽样试验相同的方法,不同是遥感样本为高分一号16 m影像(抽样比4.8%),抽样结果与美国农业部统计数据对比的误差为5.1%。结果表明:在美国大豆的生长季节内,高分一号16 m影像具有保证美国大豆面积抽样调查的覆盖能力。该试验可为作物面积空间抽样调查方案设计提供参考。     

基于GF-1卫星数据与面向对象分类的达里诺尔湿地自然保护区土地覆盖信息提取

以达里诺尔湿地自然保护区为研究区，基于国产GF-1遥感影像，采用面向对象和传统目视解译的分类方法对研究区土地覆盖遥感信息进行提取，并对其结果进行对比分析，采取混淆矩阵对面向对象分类结果进行精度验证。结果表明：（1）充分利用了GF-1遥感影像的光谱信息，面向对象分类采取试错法确定最优分割尺度为550，形状和紧致度因子分别为0.6和0.5，各波段权重均为1。（2）面向对象分类总体分类精度达98.22％，KAPPA系数为0.96；（3）面向对象分类方法可快速准确提取类型较为复杂的土地覆盖信息，为内陆湿地精准快速提取研究区土地覆盖分类信息提供参考，以期为湿地遥感业务化监测提供技术规范。     

基于分层抽样的平湖市小麦种植面积遥感测算方法研究

为了更准确地了解县级粮食播种面积,笔者以浙江省平湖市为例,利用高分一号和RapidEye 卫星的影像数据,通过监督分类提取小麦的大概种植区域,在小麦种植区域范围内分层抽样,在保证95%置信区间95%估算精度前提下,估算浙江省平湖市2015 年小麦种植面积为141.73 km2。该结果与平湖市小麦实际种植面积较为相符,说明采用监督分类的方法并且结合分层抽样估算县级粮食播种面积的方法是可行的,此方法适用于浙江省县级粮食播种面积业务化运行。     

用遥感影像提取大别山区水稻种植面积——以Landsat 8为例

本研究选取安徽省安庆市大别山为研究区,包括太湖县、岳西县、宿松县和潜山县,选取2016年和2017年的6景Landsat 8卫星遥感影像,通过遥感影像提取水稻种植面积,分析大别山区的水稻种植面积分布,并对研究区域的水稻种植面积进行动态实时监测。用遥感解译方法分别提取了研究区内的晚稻种植面积,并利用随机点验证和Kappa系数验证结果精度。结果表明:2017年和2016年水稻种植面积的提取精度分别为93.44%、93.78%,Kappa系数分别为0.86、0.83,证明水稻提取效果精确;对比研究区域各个县内的2017年和2016年晚稻种植面积,发现安庆市大别山区太湖县、潜山县、岳西县的水稻种植面积变化率均在5%以内,属于正常变化,由于2016年宿松县遭遇了水灾,部分农田被淹没,故宿松县2017年水稻种植面积相比2016年增加了13.01%;对比传统的农作物种植面积统计方法,利用遥感的方法更省人力、物力、财力,并且能精确、快速地实现对农作物的实时动态监测。     

安徽省冬小麦长势遥感监测与评估方法研究

沿淮淮北是安徽省主要的冬小麦种植区,为了对该区域冬小麦长势进行实时、动态地监测,通过采用变化向量分析方法,利用2005-2010年EOS/MODIS数据,在HANTS算法重构无云NDVI时间序列图像以及安徽省冬小麦种植区提取等数据处理基础上,研究基于NDVI变化向量、曲边梯形面积的长势综合监测模型,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。结果表明：HANTS处理平滑后的MODIS的10天合成植被指数的年时序曲线有效消除了云和数据缺失的影响,重构后的生长曲线可以更清楚地反应作物生长变化趋势和规律,有利于监测模型的建立;冬小麦种植区提取,大大提高了卫星监测精度,构建的综合监测模型适合单一生长季苗情长势遥感监测,该模型在2011年冬小麦长势评估中取得了良好的监测效果。     

基于GF-1卫星影像的中国冬小麦制图研究

旨在实现冬小麦面积自动化提取，本文提出一种基于冬小麦NDVI加权指数(WNDVI)的分类算法。将影像分割成标准的小区域，从而构建冬小麦分类单元，采用自适应方法确定冬小麦种植区和非种植区WNDVI分割阈值。以2013年10月至2014年5月期间的GF-1卫星WFV影像为例，构建了全国14个省（市、区）的1180个分类单元的WNDVI，实现了2014年全国主产区冬小麦种植区的空间分布图；采用14233个样本对结果进行验证精度，总体精度达到了90.6%。本方法自动化程度高，结果稳定，适合大范围冬小麦面积监测业务化运行。