基于高分卫星影像的青岛市冬小麦种植信息提取

为了准确获取青岛市主要农作物冬小麦的种植信息,以GF-1/16 m卫星影像为主要数据源,将高程、土地利用和田间调查数据作为辅助数据源,根据冬小麦主要发育期与其他地物在GF-1/16 m卫星影像上的光谱差异,计算得到4月份为青岛市冬小麦遥感面积提取的最佳时相。在最佳时相内,采用决策树分类法,通过分区解译方式,提取出青岛市2017年冬小麦种植面积和分布区域,并利用GF-2融合后 1 m卫星影像、地面调查数据和统计局公布数据对分类结果进行精度验证。结果表明:利用GF-1/16 m卫星影像在幅宽、时间和空间分辨率的优势,将土地利用和高程等引入决策树分类模型,进行区域尺度的冬小麦种植面积遥感估算的方法是可行的。经精度验证,2017年青岛市冬小麦遥感解译总精度为94.3%,Kappa系数为0.857。遥感提取面积略小于统计局公布数据,面积总量提取精度为93.6%。本研究为基于高分卫星影像的区域尺度作物种植面积提取提供参考。     

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ESTARFM模型的区域农田高时空分辨率影像产生与应用

多时相遥感影像特别是关键生育期数据是农业物候、长势及产量监测的重要数据源,然而可见光影像易受云雨干扰,在特定区域关键时间窗口缺少高时空分辨率数据的现实情况下,遥感影像时空数据融合方法变得尤为重要。增强型自适应反射率时空融合模型ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)是一种小区域合成高时空分辨率影像的较好方法,该算法在我国不同农业种植区的适应性及应用工作尚未充分展开。本文以河北、黑龙江、新疆典型农区为研究区域进行大面积应用检验分析,基于MODIS与Landsat影像,利用ESTARFM生成具有高时空特征的Landsat模拟影像,将其与真实Landsat影像进行对比,并在新疆地区展开ESTARFM算法在NDVI方面的应用。结果表明, ESTARFM对3个不同区域状况的地区都有较好的影像预测能力,并且在新疆地区可以很好地生成30 m空间分辨率的多时相NDVI,用于作物分类和长势监测。     

基于GF-1/2卫星数据的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是监测作物生长状况的重要参数,准确、快速、大面积估算LAI不仅有助于更好地监测农作物,而且也有助于其在建模、总体作物管理及精准农业中的应用。本研究为了利用国产遥感影像快速、大面积反演冬小麦LAI,以GF-1/2影像作为数据源,提取常用植被指数,结合不同生育期(起身期、拔节期、开花期)实测LAI数据,建立反演冬小麦LAI的单变量和多变量经验模型,并对其进行验证。结果表明,GF-1起身期、GF-1拔节期以及GF-1开花期提取的植被指数中,MSR(modified simple ratio)、GNDVI(green normalized difference vegetation index)、EVI(enhanced vegetation index)与LAI间的相关系数最大,分别为0.708、0.671和0.743,说明这些植被指数与冬小麦LAI间的相关性较显著;GF-1不同生育期的反演模型相比,基于拔节期GNDVIGF-1建立的二次多项式模型和基于开花期EVIGF-1、GSRGF-1(green simple ratio)、NDVIGF-1(normalized difference vegetation index)建立的PLSR(partial least squares regression)模型R2最大,均为0.783,PLSR模型的RMSE小于二次多项式模型,说明该多变量模型的稳定性优于单变量模型;同一个生育期不同影像相比,基于GF-2的NDVIGF-2建立的二次多项式模型和基于NDVIGF-2、MSRGF-2、SAVIGF-2(soil-adjusted vegetation index)建立的PLSR模型精度高于基于GF-1的2种模型,R2分别为0.768和0.809;不同生育期反演的LAI分布图表明,LAI反演值与实测LAI值基本吻合。以上研究结果说明国产高分辨率遥感影像在农作物生理参数反演中有一定的应用价值,可以为以后的相关研究提供一定的参考。     

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。     

耕层土壤含水量间接光谱估测模型

为克服光学卫星遥感只能获取表层土壤光谱信息而不能用于直接估测耕层土壤含水量的局限性,建立基于表层土壤高光谱的耕层土壤含水量间接估测模型。以山东省济阳县85个潮土样本的含水量及高光谱数据为基础,根据表层与耕层土壤含水量的内在关系,建立耕层土壤含水量间接光谱估测模型。结果表明,表层土壤光谱反射率的对数变换效果较好,以1339、1457、1745、1969、1996 nm波段的对数变换值为估测因子,采用多元线性回归模型建立的表层含水量估测模型的决定系数为R ²=0.8911,平均相对误差为13.67%;土壤耕层与表层含水量之间存在着显著的相关性,R ²=0.8131;耕层土壤含水量间接光谱估测模型的精度较高,决定系数R ²=0.8138,平均相对误差为9.66%。研究表明,山东省济阳县潮土表层、耕层含水量之间存在着显著的相关性,利用表层土壤光谱间接估测耕层土壤含水量是可行有效的。     

基于冠层光谱的早籼稻籽粒粗蛋白含量估测

利用2019年长江中下游早籼稻早中熟组种质资源为材料,分析主要生育期冠层光谱反射率与籽粒粗蛋白含量的关系,筛选出可用于早籼稻籽粒粗蛋白含量预测的敏感生育期和敏感波长,建立了基于敏感波长和光谱参数的籽粒粗蛋白的一元线性、多元线性、指数和多项式预测模型,用决定系数（R ²）、均方根误差（RMSE）和相对误差（RE）对模型精度进行评价,以期找到估测早籼稻籽粒粗蛋白含量的最适模型。研究发现,在孕穗期514、580、638和695nm波长处冠层一阶微分光谱反射率与籽粒粗蛋白含量相关性达到极显著水平;在基于敏感波长的估测模型中,四元线性模型估测效果最佳,其建模集R ²、RMSE和RE分别为0.566、0.342%和2.874%,验证集R ²、RMSE和RE分别为0.518、0.154%和1.303%;在基于光谱参数构建的估测模型中,DSI(R′₅₁₄和R′₆₃₈)为自变量构建的多项式模型估测效果较优,其建模集R ²、RMSE和RE分别为0.638、0.312%和2.639%,验证集R ²、RMSE和RE分别为0.581、0.230%和2.307%。     

基于全波段高光谱的冬小麦生长参数估算方法比较

利用高光谱数据监测作物生长情况具有无损和高效的特点,是现代农业的发展方向。为了简化高光谱数据处理流程,直接利用原始的高光谱反射率完成从建模到估算作物生长参数的全过程,应用于作物长势的实时监测。本文利用偏最小二乘回归（partial least squares regression,PLSR）、支持向量回归（support vector regression,SVR）和前馈神经网络（feedforward neural network,FNN）3种方法,利用全波段高光谱数据分别对冬小麦多个关键生育期（拔节、孕穗、扬花和乳熟期）生长参数（地上部生物量、叶面积指数、全氮含量和叶绿素浓度）进行了估算。比较3种方法的建模及估测效果,发现对于建模集数据,SVR对上述生长参数4个生育期的估测结果R²均值为0.89~0.98,MAPE为1.70%~7.53%,对于验证集数据,R²均值为0.90~0.94,MAPE为4.04%~7.46%,拟合优度和估测精度均超过PLSR和FNN,是估算方法中利用全波段光谱反射率估测冬小麦生长参数的最佳方案。随着无人机载高光谱技术成熟,SVR方法能够用于处理航拍获取的大范围田间高光谱信息,简便快捷地进行建模与参数反演,实时反映作物生长状态。     

氮素养分对青稞营养功能特征及籽粒产量的影响

为确定在不同氮素条件下影响青稞生产力的关键性营养功能特征,以‘藏青2000’为试材,就不同施氮水平对青稞营养功能特征及籽粒产量的影响进行试验研究。结果表明：施氮显著提高了青稞籽粒产量、株高、相对生长率和比叶面积,而降低了单位叶面积根量和叶干物质含量,施氮水平与株高、相对生长率和比叶面积呈正相关关系,与单位叶面积根量和叶干物质含量呈负相关关系。随着施氮强度加大,产量持续提高,但增长速率下降,青稞籽粒产量与施氮水平呈二次曲线关系(y=-171.25x ²+1327.3x+10, R ²=0.958, P小于0.05)。青稞籽粒产量与株高(y=43.026x-2596.6, R ²=0.8994, P小于0.05)、相对生长率(y=7178.7x-150.66, R ²=0.5361, P小于0.05)和比叶面积(y=6.4604x+413.3, R ²=0.4153, P小于0.05)呈显著线性正相关,与叶干物质含量(y=-29.668x+4045.7, R ²=0.4488, P小于0.05)呈线性负相关关系,与单位叶面积根量(y=-2025.4x+2746.4, R ²=0.0579, P大于0.05)无明显相关性。结果表明：青稞的植株高度、相对生长率和比叶面积促进产量增长,叶干物质含量对产量有抑制作用,而单位叶面积根量对产量影响不明显。在本试验条件下,植株高度、相对生长率、比叶面积和叶干物质含量4个功能特征可在物种水平上被认为是影响青稞生产力的标记性特征。     

基于Sentinel多源数据的晋南农田地表土壤水分反演

通过遥感数据反演农田地表土壤水分,对农作物干旱、长势监测及估产有重要指导作用。以山西省闻喜县冬小麦种植区为研究区,利用水云模型去除植被影响,建立土壤直接后向散射系数与土壤含水量的关系,反演闻喜县2018年3月19日冬小麦种植区土壤水分。结果表明：协同Sentinel-1微波和Sentinel-2光学影像数据能够去除植被影响提高土壤水分反演精度,VV极化决定系数R²提高0.0914,均方根误差RMSE减少0.0895%。闻喜县中部河谷平原以及东南和西北部的台地土壤处于轻度干旱状态,西南部丘陵和东部山地土壤处于中度干旱状态。反演的土壤水分空间分布结果与地形起伏、灌溉条件和地力等级有较好的空间一致性,地形起伏低、灌溉条件良好的农田土壤水分含量高。     

冬小麦生物量及氮积累量的植被指数动态模型研究

利用遥感技术实时监测小麦生长状况,依据监测结果适时促控,可提高产量。本研究以高产小麦品种周麦27为试验材料,在不同试验地点设置了水氮耦合的大田试验,筛选出了适宜监测冬小麦地上部氮积累量和生物量的植被指数,并构建了不同产量水平下优选植被指数的动态模型。结果表明,(1)不同的水氮耦合模式显著影响小麦冠层光谱变化,在350～700nm和750～900nm表现相反的反应特征;(2)对2个农学生长指标反应敏感且兼容性好的植被指数主要有修正型红边比率(mRER)、土壤调整植被指数[SAVI(825,735)]、红边叶绿素指数(CI_(red-edge))和归一化差异光谱指数(NDSI),其与产量间相关性较好的时期为拔节至灌浆中期;(3)双Logistic模型可以很好地拟合植被指数的动态变化,高产和超高产水平下拟合精度较高(R~20.82),而低产水平下相对较低(R~2=0.608～0.736)。比较而言,CI_(red-edge)和SAVI (825, 735)用于评价小麦长势较为适宜。研究结果对作物因地定产、以苗管理、分类促控具有重要意义。     

用MODIS数据监测冬小麦冠层反照率变化信息的方法研究

采用冬小麦主要生育期内冠层反照率的地面观测数据和MODIS反照率产品数据,分析了在冬小麦生长期时间序列上MODIS遥感图像端元反照率与地面观测不同空间尺度反照率的变化规律。提出了基于高空间分辨率图像分类的先验知识提取MODIS端元反照率的方法。研究结果表明,MODIS端元反照率与地面观测反照率随冬小麦生育期的变化趋势相同,两种观测尺度反照率的观测值差别小于4%,研究方法为MODIS反照率产品在大面积农田研究中的应用提供了参考。     

基于光谱指数和偏最小二乘的棉花类胡萝卜素/叶绿素a比值估算

类胡萝卜素(Car)与叶绿素a含量比值(Car/Chla)的变化与植被生长发育变化、环境胁迫及叶片衰老特征等密切相关,可作为植被生理生态及物候的监测指标。不同植被类型和植被品种其色素变化随植被生长发育呈现出不同的变化特征。为了探究适用于干旱区棉花Car/Chla比值估算的光谱指数和估算方法,本研究通过2011年和2012年连续2年的大面积田间试验,获取了棉花不同生育期的叶片及冠层尺度光谱反射率及色素含量信息,对多种光谱指数及偏最小二乘回归(Partial Least Square Regression, PLSR)用于Car/Chla比值和Car估算进行了探讨。对比表明,基于光化学指数(PhotochemicalReflectanceIndex,PRI)的线性和一元二次模型对Car/Chla比值和Car的估算精度最高,由PRI-Car/Chla线性模型得到的叶片和冠层尺度的Car/Chla比值估算值与实测值之间的决定系数R2大于0.6, PRI-Car的R2大于0.36;基于PLSR模型得到的Car/Chla比值估算值与实测值之间的拟合关系略优于基于PRI的估算模型,由其得到的叶片及冠层尺度Car/Chla比值估算值与实测值之间的决定系数R2大于0.80,Car估算值与实测值之间R2大于0.73;不论基于PRI还是基于PLSR方法,对Car/Chla比值的估算精度均高于Car含量,该结论进一步证实了Car/Chla比值遥感监测的可行性,丰富了对棉花生长高温胁迫、养分胁迫等环境胁迫及病虫害等遥感监测的依据指标。     

综合NDVI时序特征的冬小麦混合像元分解及面积估算

基于MODIS数据进行面积提取易受混合像元影响，为了降低因混合像元导致的错分和漏分误差，该文提出一种线性的混合像元分解模型，建立MODIS混合像元中冬小麦占比与MODIS/NDVI时间序列影像波峰波谷差值之间的定量关系。基于2017年保定市MODIS数据和GF数据进行了模型构建，基于2014年数据进行了模型验证，结果显示纯度指数（PPI）精确度均值为0.485，基于混合像元分解模型得到的2014年保定市冬小麦面积推算值为40.05万hm2，基于GF数据得的2014年保定市冬小麦面积“真值”为37.39万hm2，绝对误差为2.66万hm2，相对误差率为7.11%。利用河北省冬小麦广泛种植的8个地市对模型的适用性进行评价，结果表明不同地市的冬小麦面积推算值和冬小麦面积“真值”间平均误差率为3.69%。基于该模型的冬小麦面积推算值误差相对较低，数据可靠性较高，且受地域影响较小，具有较为普遍适用性。